TEOREMA DEL

LIMITE CENTRAL
DR. JORGE ACUÑA A., PROFESOR
 TEOREMA DEL LIMITE
CENTRAL
“Si se toman sucesivas muestras (k) de tamaño n de
una población que puede o no ser normal, la
distribución de probabilidad de esas muestras,
conforme n se vuelve grande, se aproxima a una
distribución normal con:
x  x  
x 
 x 
n
x
x   Z 
x
DR. JORGE ACUÑA A., PROFESOR
 CONCEPTOS
 Distribución muestral es una lista de todos los
valores posibles para un estadístico y la probabilidad
asociada con ese valor.
 Error estándar de la distribución muestral de medias
es: 2
 2
 2  
x  x 
2
x 
2
n 
n n  x 
 Factor de corrección para poblaciones finitas

 N n
2
 2
* 
x
n  N 1 
 Estimaciones mejores con muestras más grandes
DR. JORGE ACUÑA A., PROFESOR
 TEOREMA DEL
LIMITE CENTRAL
n1
x1 x 2 x 3 x 4 ........ xk
N
n2
x
 x
k :# de muestras
n3
k
x  x
2

n4
x 2

k
nm

DR. JORGE ACUÑA A., PROFESOR

 EJEMPLO
El valor nominal de la resistencia de una lámina de
un metal compuesto es de 8500 psi. Por estudios
pasados se conoce que la desviación estándar de
esta resistencia es 1950 psi. Se tiene una
muestra de 100 láminas. ¿Cuál es la probabilidad
de que la media de esa muestra:
a. Sea mayor a 8900 psi?
b. Sea menor a 8000 psi?
c. Esté entre 8200 y 8700 psi?
d. ¿Que valor de la media tiene una probabilidad de
ocurrencia menor a 16.35%?

DR. JORGE ACUÑA A., PROFESOR

 SOLUCION
Solución: =8500 =1950 n=100
a. Media mayor que 8900

P( x  8900)  1  P( x  8900)
 8900  8500 
P( x  8900)  1  N    1  N (2.05)
 1950 / 100 
P( x  8900)  1  0.9798  0.0202

DR. JORGE ACUÑA A., PROFESOR

 SOLUCION
b. Media menor que 8000

 8000  8500 
P( x  8000)  N    N (2.56)  0.0053
 1950 / 100 

c. Media entre 8200 y 8700

 8700  8500   8200  8500 
P(8200  x  8700)  N    N 
 1950 / 100   1950 / 100 
P(8200  x  8700)  N (1.03)  N (1.54)  0.8485  0.0618  0.7867

DR. JORGE ACUÑA A., PROFESOR

 SOLUCION
d. Xbarra para P(xbarra=XBar)=0.16

P( x  xi )  0.16 Z 0.1635  0.98

xi  8500
 0.98 
1950 / 100
xi  195 * (0.98)  8500  8308.9

DR. JORGE ACUÑA A., PROFESOR

 PROPORCIONES
MUESTRALES
n1 xi
pi 
N
n2
ni
n3
p1 p2 p3 p4 ........ pk

n4 p
 p
k :# de muestras
k
p 
nk Z
p
DR. JORGE ACUÑA A., PROFESOR
 DISTRIBUCION DE LAS
PROPORCIONES MUESTRALES
 Error estándar de la distribución muestral de
proporciones es:
 * (1   )
p 
n
p * (1  p )
sp 
n
 Factor de corrección para poblaciones finitas

 * (1   ) N  n p * (1  p) N  n
  sp 
n N 1 n N 1
DR. JORGE ACUÑA A., PROFESOR
 EJEMPLO

Si se afirma que lotes de productos son 8%

defectuosos. Al inspeccionar un lote de
producto sobre la base de una muestra de
1098 unidades se encuentran 102 que no
reúnen los requisitos planteados. ¿Qué
probabilidad de ocurrencia tiene un
porcentaje igual o menor al encontrado en
esta muestra?

DR. JORGE ACUÑA A., PROFESOR

 SOLUCION
=0.08
p= 102/1098= 0.0929
Probabilidad pedida?

0.0929  0.08 0.0929  0.08

Z   1.47
p 0.00875
0.0929(1  0.0929)
p   0.00875
1098
N (1.47)  0.9292
DR. JORGE ACUÑA A., PROFESOR