Un enfoque para mejor entender el Teorema del Lmite Central CONCEPTOS El Teorema en si, la poblacin sometida a muestreo, la distribucin

de muestreo, La media de la poblacin, el error estndar, desviacin estndar, asinttica OBJETIVOS Reconocer la diferencia entre la poblacin sometida a muestreo y la distribucin muestral de la media Comprender la importancia del teorema central del lmite Discernir la diferencia entre el error estndar de la muestra distribucin y la desviacin estndar de la poblacin Comprender el papel de tamao de la muestra para determinar el error estndar de la distribucin muestral Entre (1749-1827) Pierre Simon Laplace hizo una gran contribucin a la teora de la probabilidad, la que actualmente conocemos como el Teorema del lmite central y en donde se retoma el trmino central con un significado ms extenso que el que nos sugiere la palabra mitad o centro. Su trabajo es una generalizacin de la obra de Abraham De Moivre. En tanto que De Moivre (1667-1754) haba demostrado que si el nmero de intentos es lo suficientemente grande, existe una reparticin binomial simtrica de los datos y que se traduce en lo que ahora llamamos la distribucin normal. Laplace demostr que la media de variables aleatorias que han sido muestreadas de manera independiente una de otra y qu, si el tamao de estas es lo suficientemente grande, se van aproximando a una distribucin normal. Con los aos esto se ha ido generalizando an ms y la regularidad las condiciones se han aadido hasta la forma final que usamos hoy en da ha sido producido por Lindberg en 1922. El Teorema del Lmite Central puede ser declarado formalmente como sigue: Con los aos esto se ha ido volviendo cada vez ms generalizado y el formato utilizado actualmente, con todas las que se han ido adoptando hasta llegar a lo finalmente usamos hoy en da ha sido producido por Lindberg en 1922.

Definicin Formal del Teorema del Limite Central

El teorema de lmite central puede ser declarado formalmente de la siguiente manera: Sean: X1, X2,. . . , Xn variables aleatorias e independientes con una misma distribucin Y sean estas provenientes de cualquier poblacin con media finita y varianza finita 2 Entonces la media muestral de X X= (X1 + x2 +... + Xn) / n Se tiene como una distribucin muestral con media y varianza 2 / n. Adems, la distribucin muestral de X es asintticamente tendiente a una distribucin normal.
El teorema del lmite central o teorema central del lmite indica que, en condiciones muy generales, si Sn es la suma de n variables aleatorias independientes, entonces la funcin de distribucin de Sn se aproxima bien a una distribucin normal (tambin llamada distribucin gaussiana, curva de Gauss o campana de Gauss). As pues, el teorema asegura que esto ocurre 1 2 cuando la suma de estas variables aleatorias e independientes es lo suficientemente grande.

Caractersticas imprescindibles del Teorema

Este teorema tiene varios aspectos importantes a considerar con la finalidad de lograr cabal cumplimiento. En primer lugar, la poblacin sometida a muestreo debe tener tanto una media poblacional () como una desviacin estndar (). Mientras que la gran mayora de los distribuciones si satisfacen este requisito, hay distribuciones que carecen de desviacin estndar o hasta de media. Por ejemplo, la distribucin t-Student con 2 grados de libertad no tiene desviacin estndar (si no han estudiado este distribucin, ms adelante se vera en el curso), mientras que la t-Student con un grado de libertad no tienen ni media ni desviacin estndar. En segundo lugar, todas las variables aleatorias X1, X2,. . ., deben haber sido obtenidas de manera independiente de una misma poblacin.

Es decir, la obtencin de una variable aleatoria no afectar en lo ms mnimo las posibilidades de obtener cualesquier otra variable aleatoria. Esto no sera cumplido, por ejemplo, si se muestrea de una distribucin de tipo hipergeomtrico. En tercer lugar, la media de la muestra tiene su propia distribucin llamada distribucin muestral. La media de la distribucin muestral es media de la poblacin que se muestrea. , es decir, tiene el mismo valor que la

El error estndar x dela distribucin muestral es:

Donde x es la raz cuadrada de la varianza

de la distribucin de la muestra

Tenga en cuenta que el error estndar es una variable que se hace ms pequeo conforme el tamao de la muestra n aumenta. En cuarto lugar, si el tamao de la muestra es lo suficientemente grande, entonces la distribucin muestral es aproximadamente una distribucin normal, independientemente de la forma de la poblacin. Ya que lo anterior se cumple solo cuando n , entonces se habla de un resultado asinttico. Una explicacin intuitiva del teorema del lmite central es posible. Supongamos que usted toma una muestra de tamao n de una poblacin y desea calcular la media de la muestra tomada. A continuacin, volvemos nuevamente a tomar una nueva muestra y volvemos a calcular una nueva media. Si repetimos este proceso de manera indefinida, el promedio de estas medias muestrales tender a un valor cada vez ms prximo a , y su error estndar tender alrededor de / n. Adems, si n es lo suficientemente grande y se realiza un diagrama de puntos o un histograma de todas las medias posibles de la muestra, se tendr evidencia grfica de una aproximacin cada vez ms cercana a una distribucin normal.

Conclusiones inherentes al Teorema anterior.

Este es un teorema que tiene una importancia capital, debido a que quien lo haga valer podr garantizar, incluso si la poblacin de la que se parta sea sesgada o bimodal, que las medias muestrales obtenidas, tendern aproximadamente a una distribucin normal; si el tamao de la muestra utilizada es lo suficientemente grande. Tambin se dice que, independientemente del tamao de la muestra, la media de la muestra tiene la misma media que la poblacin original y su error estndar es mucho menor que la desviacin estndar de la poblacin muestreada. Esta conclusin es de un valor incalculable para aquellos que intentan obtener inferencias acerca de una poblacin.

Ilustracin de los conceptos

Una planta generadora de energa elctrica mediante carbn como combustible emite dixido de azufre (SO2). La planta de energa sigue muy de cerca la concentracin de estas emisiones y sus registros conforman una medida de la media de las emisiones diarias. Para estar en conformidad con la EPA, las emisiones diarias de una planta pueden ser superior a 140 partes por billn (ppb), slo un da por ao y debe tener un promedio por debajo de 30 ppb para todo el ao. Veinte muestras se toman. Se est dando cumpliendo con lo dispuesto por la autoridad?, Las emisiones anuales son satisfactorias? A continuacin se muestra el histograma obtenido de las emisiones de SO2 muestreadas. La poblacin de la que se obtienen las muestras se superpone con una lnea de color rojo (aunque aqu se muestra de manera clara se supone que tal distribucin es del todo desconocida para la empresa). El histograma evidencia que la planta no tiene ningn tipo de emisiones mayores a los 140 ppb. Sin embargo No est claro si la planta cumple con el requisito anual de un promedio de menos de 30 ppb.

Basado en un periodo de 20 das de muestreo, la media de la muestra es de 32 ppb. =32 ppb Aunque la media de la poblacin que se muestra es desconocida, el estadstico de la empresa sabe, con base en la experiencia con la tecnologa, que la poblacin debe tener un sesgo positivo y que su desviacin estndar es de 16.

Por lo tanto, se plantea la siguiente pregunta: "Es la media de la muestra consistente con la creencia de que la media real es de menos de 30 ppb? SUPOSICIN: Viendo que: Es Verdad o Falso?

Con el fin de responder a esta pregunta se utiliza el teorema del lmite central, y de paso responder la pregunta: cual valor de la media garantizara el requisito anual solicitado? (dado que la multa por incumplimiento de la EPA es muy grande). El lmite central Teorema proporciona el resultado asinttico que si n , entonces la distribucin muestral es una distribucin normal. Al final del ao la empresa contar con 365 muestras. Esto es la suficiente como para saber que la distribucin muestral se distribuye normalmente. Adems, ya que la desviacin estndar es de 16, el error estndar de la media de la muestra, al final del ao ser del orden de 0, 8375 (16 dividido por la raz cuadrada de 365).

Es decir:

Lo que se observa es un histograma sesgado hacia la derecha (recordemos que la planta carece del dibujo en rojo) y se pude suponer que la media muestral esta entre: Que son 2.5 veces el valor de la desviacin estndar

2.5

2.5

Para un intervalo en la Distribucin Muestral de Por lo tanto, si la media de la poblacin no es ms de 27.9 (= 30 - 2,5 x 0,8375), hay una probabilidad de menos del 0,62% de multa. La pregunta entonces es: "Continuar siendo la media muestral de 32, despus de 20 observaciones, pese a que lo ms probable sea que tenemos una media poblacional de 27,9? Para hacer este clculo, la estadstica supone que la muestra de 20 es lo suficientemente grande como para que la distribucin de muestreo sea aproximadamente una distribucin normal (aunque una observacin a la forma del histograma sugiere un sesgo y un modesto grado de asimetra en la poblacin de la muestra; an y pese a ello no es una mala suposicin).
El error estndar de la media de la muestra con 20 observaciones es 3.578:

Por lo tanto la probabilidad de que p(X 32) sea:

Pr(X32 | = 27.9 and

= 3.578) = Pr (Z

= Pr (Z 1.14) = 0.12592.

Por lo tanto, la probabilidad de que. p (X 32) es muy alta (una probabilidad pequea
es menor de 0.05)

Teniendo en cuenta la cuanta de la multa si la planta no cumple con el requisito de 30 ppb, la empresa debe emplear los 11 meses restantes en reajustar sus depuradores y reducir de alguna manera la contaminacin de otros equipos para con ello aumentar las posibilidades de cumplir requisito anual de la EPA.

Orientacin a las funciones bsicas

Este mdulo le permite obtener muestras de una distribucin normal, uniforme o sesgada, con el fin de demostrar la similitud entre las predicciones del teorema central del lmite y de los resultados de la muestra. Tambin puede probar a partir de dos poblaciones al mismo tiempo para comparar diferentes poblaciones parmetros o diferentes tamaos de muestra Apertura de la ventana del Mdulo Inicie dando clic en el icono del mdulo, o bien en el ttulo o nmero del captulo que corresponde en el Visual Statistics del men y pulsar el botn del mdulo de ejecucin Run Module. Cuando el mdulo este cargado, es recomendable leer la pgina de introduccin en el Cuaderno que aparece. Lea las preguntas y luego haga clic en la pestaa de conceptos Concepts para ver los conceptos que va a aprender. Haga clic en la pestaa de Escenarios Scenarios. Seleccione distribucin normal dela tabla de opciones. Seleccione un escenario, se lee, y pulse Aceptar. La parte superior izquierda de la pantalla muestra la poblacin que se muestrea. El panel de control est a su derecha. En la parte inferior izquierda de la pantalla es la distribucin muestral de la media como se afirma en el teorema del lmite central (asumiendo una tamao de la muestra). A la derecha de la distribucin muestral es el panel que contiene las estadsticas estadsticas de poblacin y distribucin muestral. La media de la poblacin se muestra como un punto de apoyo debajo de cada distribucin.