TEOREMA DEL LÍMITE CENTRAL. ESTADÍSTICA INFERENCIAL.

TEOREMA DEL LÍMITE CENTRAL

De la discusión que se ha realizado hasta el momento, es evidente que es posible tomar muchas muestras
de un tamaño dado de cualquier población. Estas muestras dan pie a toda una distribución de medias
muestrales. Si la población original está distribuida normalmente, la distribución de las medias muestrales
también estará distribuida normalmente. Es decir, que todas medias muestrales se graficarán como una
distribución.

La gráfica muestra la distribución de las medias muestrales que resultarán si se toman todas las muestras
de tamaño n=25. Las medias muestrales se miden en el eje horizontal. Estas medias muestrales también
están distribuidas normalmente y están centradas en la media poblacional debido a que la media
muestral=media poblacional=500. Es decir, la media de las distribuciones muestrales es igual a la media
de la población. Además la dispersión de la población original es mayor que la dispersión de las medias
muestrales.

Por tanto, incluso si la población no está distribuida normalmente, la distribución de muestreo de las
medias muestrales será normal si n es lo suficientemente grande. La regla general es que si n es por lo
menos 30, el teorema del límite central asegurará una distribución normal en las medias muestrales incluso
si la población no es normal.

M.E. Fátima Luz María Herrera Castillo Página 1

 TEOREMA DEL LÍMITE CENTRAL. ESTADÍSTICA INFERENCIAL.

USO DE LA DISTRIBUCIÓN MUESTRAL

Generalmente, las muestras tienen un impacto muy directo y consecuencial en las decisiones que se
tomen. Por tanto, toda conclusión que se saque o todo conocimiento que se tenga respecto a una
muestra es muy importante. Una aplicación muy común y de gran utilidad en una distribución muestral
es la de determinar la probabilidad de que una media muestral clasifique dentro de un rango dado.
Dado que la distribución muestral estará distribuida normalmente pues
1) La muestra se toma de una población normal
2) n≥30 y el teorema del límite central garantiza la normalidad en el proceso de muestreo, la desviación
normal puede utilizarse para ganar información esencial para el proceso de toma de decisiones.

Debido a que estamos trabajando con una muestra y no con una sola observación, la fórmula que
utilizábamos para estandarizar la distribución normal va a modificarse de la siguiente manera:
X 
z
 n

M.E. Fátima Luz María Herrera Castillo Página 2

 TEOREMA DEL LÍMITE CENTRAL. ESTADÍSTICA INFERENCIAL.

Donde se toma la media muestral en lugar del valor de una observación, también se emplea el error
estándar de la media de n observaciones en lugar de la desviación estándar de la población. Por
consiguiente, para determinar la probabilidad de una media muestral con rango especificado, primero
aplique la fórmula para determinar el valor z correspondiente. Después consulte el apéndice para
localizar la probabilidad.

Ejemplo:
El departamento de control de calidad de Cola, Inc., conserva registros sobre la cantidad de bbida de
cola en su botella gigante. La cantidad real de bebida en cada botella es de primordial importancia,
pero varía en una mínima cantidad de botella en botella. Cola, Inc., no desea llenar botella con menos
líquido del debido, pues tendría problemas en lo que se refiere a la confiabilidad de la etiqueta. Por otra
parte, no puede colocar líquido demás en las botellas porque regalaría bebida, lo cual reduciría sus
utilidades. Los registros indican que la cantidad de bebida de cola tiene una distribución de probabilidad
normal. La cantidad media por botella es de 31.2 onzas, y la desviación estándar de la población, de 0.4
onzas. Hoy, a las 8 de la mañana, el técnico de calidad seleccionó al azar 16 botellas de la línea de
llenado. La cantidad media de bebida en las botellas es de 31.38 onzas. ¿Es un resultado poco
probable?¿Es probable que el proceso permita colocar demasiada bebida en las botellas? En otras
palabras, ¿es poco común el error de muestreo de 0.18 onzas?

X  31.38 − 31.20
z 𝑍= = 1.80
 n 0.4/√16

El numerador de esta ecuación es el error muestral, el denominador es el error estándar de la distribución

muestral de la media. Así, los valores z expresan el error muestral en unidades estándar; en otras palabras,
el error estándar.

Después, calcule la probabilidad de un valor z mayor que 1.80. En el apéndice localice la probabilidad
correspondiente a un valor z de 1.80. Este valor es de 0.4641. La probabilidad de un valor z mayor que
1.80 es de 0.039, que se calcula con la resta 0.5000-0.4641.

¿Qué concluye? No es probable –menos de 4% de probabilidad- que seleccione una muestra de 16

observaciones de una población normal con una media de 31.2 onzas y una desviación estándar
poblacional de 0.4 onzas, y determine que la media de la muestra es igual o mayor que 31.38 onzas. La
conclusión es que en el proceso se vierte demasiada bebida de cola en las botellas. El técnico de control

M.E. Fátima Luz María Herrera Castillo Página 3

 TEOREMA DEL LÍMITE CENTRAL. ESTADÍSTICA INFERENCIAL.

de calidad debe entrevistarse con el supervisor de producción para sugerir la reducción de la cantidad
de bebida en cada botella.

LA DISTRIBUCIÓN DE LAS PROPORCIONES MUESTRALES

Aunque la discusión hasta ahora se ha concentrado exclusivamente en las medias, muchos asuntos de
negocios tratan la proporción de la población Π.

El proceso de las proporciones muestrales es muy similar al de las medias. De cualquier población es
posible obtener muchas muestras diferentes de un tamaño dado. Cada muestra tendrá su propia
proporción de “éxitos”, p. Sin embargo, al igual que con las medias, el valor esperado de la distribución
muestral de las proporciones muestrales será igual a la proporción de éxitos en la población: E(p) = Π.

Ejemplo:
Lugget Furniture pregunta a toda la población N=4 clientes si vieron el anuncio publicitario de Lugget en
el periódico de esta mañana. Se registró una respuesta de “sí” como éxito, y de “no” como fracaso. Los
cuatro clientes respondieron S1, N2, N3 Y S4. La proporción poblacional de éxitos es Π = 0.50. Se tomaron
muestras de tamaño n = 2, y la proporción de éxitos se registra en la siguiente tabla:

M.E. Fátima Luz María Herrera Castillo Página 4

TEOREMA DEL LÍMITE CENTRAL. ESTADÍSTICA INFERENCIAL.

M.E. Fátima Luz María Herrera Castillo Página 5

TEOREMA DEL LÍMITE CENTRAL. ESTADÍSTICA INFERENCIAL.

M.E. Fátima Luz María Herrera Castillo Página 6

TEOREMA DEL LÍMITE CENTRAL. ESTADÍSTICA INFERENCIAL.

M.E. Fátima Luz María Herrera Castillo Página 7