Actividad: Estadística inferenciaL

ELABORADO POR:

Drimar Arley Sáenz Méndez ID 714899

Juan pablo Gómez Vargas ID712566

PRESENTADO AL PROFESOR:

ESTADISTICA INFERENCIAL
UNIMINUTO
2020
1. TEOREMA DEL LÍMITE CENTRAL
El teorema del límite central es un teorema fundamental de probabilidad y estadística. El
teorema describe la distribución de la media de una muestra aleatoria proveniente de una
población con varianza finita. Cuando el tamaño de la muestra es lo suficientemente
grande, la distribución de las medias sigue aproximadamente una distribución normal. El
teorema se aplica independientemente de la forma de la distribución de la población.
Muchos procedimientos estadísticos comunes requieren que los datos sean
aproximadamente normales. El teorema de límite central le permite aplicar estos
procedimientos útiles a poblaciones que son considerablemente no normales. El tamaño que
debe tener la muestra depende de la forma de la distribución original. Si la distribución de
la población es simétrica, un tamaño de muestra de 5 podría producir una aproximación
adecuada. Si la distribución de la población es considerablemente asimétrica, es necesario
un tamaño de muestra más grande. Por ejemplo, la distribución de la media puede ser
aproximadamente normal si el tamaño de la muestra es mayor que 50.
2. IMPORTANCIA DEL TEOREMA DEL LÍMITE CENTRAL
El teorema central del límite, uno de los fundamentales en estadística, estudia el
comportamiento de la suma de variables aleatorias, cuando crece el número de sumandos,
asegurando su convergencia hacia una distribución normal en condiciones muy generales.
Este teorema, del cual existen diferentes versiones que se han ido desarrollando a lo largo
de la historia, tiene una gran aplicación en inferencia estadística, pues muchos parámetros
de diferentes distribuciones de probabilidad, como la media, pueden expresarse en función
de una suma de variables.
3. CUAL SON LOS PARÁMETROS ESTADÍSTICOS O LAS VARIABLES QUE
EMPLEAN.
 CP2.1. Variables con distribución uniforme discreta. Este primer caso fue estudiado por
Laplace, quien se interesó por la distribución de la suma de errores, hacia 1810. Afrontó el
problema de la desviación entre la media aritmética de los datos (diferentes medidas con
errores observacionales) y los valores teóricos, suponiendo que todos éstos están
distribuidos aleatoriamente. El teorema proporciona la distribución de la media muestral,
incluso si la población muestreada no es normal, como vemos en el siguiente ejemplo en
que la población tiene una distribución uniforme.

Considérese una población que consta de cinco enteros igualmente

probables: 1, 2, 3, 4 y 5. Comprobar la veracidad de los tres hechos
específicos sobre la distribución muestral de medias muéstrales: a) la
media de la distribución muestral es igual a la media de la población, b)
el error estándar de la media para la distribución muestral es igual a la
desviación estándar de la población dividida entre la raíz cuadrada del
tamaño de la muestra, c) la distribución de la media muestral será
aproximadamente distribuida normalmente. (Johnson y Kuby 2004:
278).

■ CP2.2. Variables discretas acotadas.  Laplace generalizó en forma posterior, en el año

1809, el trabajo de De Moivre a la suma de variables aleatorias discretas idénticamente
distribuidas con media y varianza finita. Este campo es más general que el anterior; un caso
particular podría ser considerar la distribución binomial como población inicial
(Wisniewski y Velasco 2001: 228). Se presenta el siguiente ejercicio:La variable
aleatoria X, que representa el número de cerezas en una empanada, tiene la siguiente
distribución de probabilidad:

X 4 5 6 7
P (X = x) 0,2 0,4 0,3 0,1

Encuentre la probabilidad de que el número promedio de cerezas en 36 empanadas sea

menor que 5,5. (Walpole, Myers y Myers 1999: 223).

■ CP2.3. Variables discretas no acotadas.  Debido a que la distribución límite obtenida por

Laplace sólo depende de la media y la varianza, el resultado es válido también para
una distribución discreta con rango infinito, en el caso de que existan los momentos
finitos. El siguiente ejemplo se refiere a variables con distribución Poisson, que, aunque en
la práctica está acotada, no lo está teóricamente:

Unos biólogos aseguran que el número de semillas por limón, en cierta

variedad de limones sigue una distribución de Poisson con parámetro μ
= 5. Determinar la probabilidad de que el número promedio de semillas
por limón sea menor a 5,5 en una muestra aleatoria de n = 125 limones.
 (Wisniewski y Velasco 2001: 231).

4. INTERPRETACIÓN GRÁFICA Y ANALÍTICA DE TEOREMA DE LÍMITE

CENTRAL.
Las siguientes gráficas muestran ejemplos de cómo la distribución afecta el tamaño de la
muestra que se necesita.

Distribución uniforme

Medias de las muestras

Muestras de una población uniforme

Una población que sigue una distribución uniforme es simétrica, pero marcadamente no
normal, como lo demuestra el primer histograma. Sin embargo, la distribución de las
medias de 1000 muestras de tamaño 5 de esta población es aproximadamente normal
debido al teorema del límite central, como lo demuestra el segundo histograma. Este
histograma de las medias de las muestras incluye una curva normal superpuesta para
ilustrar esta normalidad.

Distribución exponencial
Medias de las muestras

5 UN EJEMPLO DONDE USTED LO APLIQUE

Ejemplos

Calcular la distribución de la media de una muestra

 
Dado que la muestra es grande   podemos aplicar el teorema del límite central.
Por lo tanto, la media de la muestra se aproxima a una distribución normal con los
parámetros

Esto es

Calculamos la probabilidad

2Calcular la distribución de la suma de los elementos de una muestra

Necesitamos calcular la probabilidad de que la suma de los elementos de una muestra esté
en un cierto intervalo. Sabemos que la suma de la muestra se aproxima a una distribución
normal con los parámetros

Esto es

Calculamos la probabilidad
2La población de las temperaturas corporales de adultos sanos tiene media   
y desviación típica de  . Si obtenemos una muestra de   personas. ¿Cuál
es la probabilidad de que la media de la temperatura de la muestra sea menor o igual
a  ?

1Calcular la distribución normal a la que se aproxima la media

Dado que la muestra es grande podemos aplicar el teorema del límite central. Por lo tanto,
la media de la muestra se aproxima a una distribución normal con los parámetros

Esto es

2Aproximar la probabilidad usando la distribución normal obtenida

Calculamos la probabilidad de obtener una temperatura menor o igual a  . Para

ello, calculamos el valor equivalente en la variable normal tipificada

Bibliografía

https://www.superprof.es/apuntes/escolar/matematicas/estadistica/inferencia/teorema-central-
del-limite.html

https://bookdown.org/aquintela/EBE/el-teorema-central-del-limite.html

https://support.minitab.com/es-mx/minitab/18/help-and-how-to/statistics/basic-
statistics/supporting-topics/data-concepts/about-the-central-limit-theorem/