ESTADÍSTICA

Facultad de Ingeniería Geológica, Minera y Metalúrgica

Área de Ciencias Básicas

UNIDAD 4
Teorema de Límite Central
Distribuciones muestrales

Docente: Mg. Halley Limaymanta Álvarez

 Logro de la sesión
Al finalizar la sesión, el estudiante aplica las
propiedades de la distribución muestral de
estadísticas y teorema de límite central en el cálculo
de probabilidades para la toma de decisiones en
presencia de incertidumbre.
 OBJETIVO DE LA INFERENCIA

MUESTRA (n) Población (N)

E P
S A
T x µ
R
I Á
M S2 σ2
INFERENCIA M
A E
p
D p T
O R
R O
La distribución de probabilidad de una estadística (estimador) recibe el nombre
de distribución muestral, por ejemplo la distribución de probabilidad de recibe
el nombre de distribución muestral de la media.
Introducción al muestreo

Definición: Técnica para seleccionar una muestra de

una población.

Definición: Si se selecciona una muestra de n

elementos de una población de N elementos,
mediante un plan de muestreo en el cual cada una
de las posibles muestras tiene la misma
probabilidad de ser seleccionada, entonces se dice
que el muestreo es aleatorio y la muestra
resultante es una muestra aleatoria simple.
Definición: Cuando la población consta de dos o
mas sub poblaciones, llamados estratos, un plan de
muestreo, que asegura la representación de cada
sub población en la muestra, se llama muestreo
aleatorio estratificado que requiere seleccionar una
muestra aleatoria simple de cada una de las sub
poblaciones o estratos
Definición: Una muestra aleatoria sistemática
implica la selección de uno de los primeros k
elementos de una población ordenada y , luego, la
selección sistemática de cada k-ésimo elemento.

Consejo: Todos los planes de muestreo usados para

hacer inferencias deben implicar aleatorización.

Nota: Los planes más usados en inferencia

estadística son: El muestreo aleatorio simple, el
estratificado y el sistemático, entre otros.
 DISTRIBUCIÓN MUESTRAL DE ESTADÍSTICAS

Distribución de la media muestral

Sean X1, X2, …, Xn las variables aleatorias que constituyen la m.a.

de tamaño n. Estas variables son i.i.d. como X con E(Xi) = µ y V(Xi)
= 2
Entonces la media y la varianza de la media muestral denotado
por: 𝜇𝑥 𝑦 𝜎𝑥2 son:

E(𝑥) = 𝜇𝑥 = 𝜇

𝜎2
𝑉 𝑥 = 𝜎𝑥2 =
𝑛
DISTRIBUCIÓN DE LA MEDIA MUESTRAL DE UNA POBLACIÓN NORMAL
Ejemplo 1: De acuerdo a los registros de calificaciones de la universidad, los
resultados de los exámenes del curso de marketing, siguen una distribución
normal con una media de 78 y una varianza de 36.
a) Qué calificación mínima debe obtener un alumno, para ser considerado dentro
del quinto superior del curso?
b) Si se selecciona al azar una muestra de 30 exámenes correspondientes al
parcial de Marketing en este ciclo ¿Cuál debe ser la calificación promedio
mínima en dicha muestra, para que sea considerada dentro del quinto superior
de los promedios de todas las muestras posibles del mismo tamaño?
Solución .-
a) La población o variable aleatoria X, está formada por los resultados o
calificaciones de los exámenes de marketing, de modo que: X ~ N(78, 36).

La calificación mínima A, del

20% superior del curso, se P ( x  A)  0,20
obtiene de: Esto es:
P(x  A)  0.80
 A  83.0497
b) En este caso, la muestra es de tamaño: n=30, y

𝑥= { Resultados o calificaciones promedio de las muestras de tamaño 30},

de modo que:
x ~ N 78, 1.2 

La calificación promedio minina A, del 20% superior de los promedios de todas

las muestras de tamaño 30, se obtiene de:

P( x  A)  0,20

Esto es :
P( x  A)  0,80
 A  78,9219
Ejemplo 2: El gerente de producción de una fábrica de productos marinos
envasados asegura que el producto presentado en el nuevo envase tiene un peso
promedio de 100 gramos. La gerencia antes de lanzar el producto al mercado,
exige al jefe del área de control de calidad que someta a una prueba de pesos y
medidas a dicho producto.
El jefe del Área de CC, selecciona al azar 10 envases y obtienen los siguientes
resultados: 97; 102; 103; 92; 103; 96; 98; 97; 99; y 95.
¿Cuál será la probabilidad de que el peso promedio de la muestra supere los 102
gramos?

Solución .-
De los datos se obtiene que:  = 100; n = 10; s = 3,6148
En este caso no se conoce la varianza de la población y la muestra es pequeña ya
que n  30. Además se tiene que: 𝑡~𝑡(9)
Por tanto, se tiene que calcular:

 102  100 
P ( x  102 )  P  t    P (t  1,75195)
 3,61 10 
 0,05685
Ejemplo 3: El tiempo de atención por cliente de un cajero de un Banco es normal con media 6
minutos y desviación estándar 2.5 minutos.
a) Si se selecciona a un cliente ¿Cuál es la probabilidad que se demoren mas de 7 minutos?
b) ¿Cuál es la probabilidad de que el tiempo promedio de atención para una muestra de 15
clientes sea menor de 7 minutos?
c) ¿Cuál es la probabilidad de que el tiempo de atención a un grupo de 15 clientes sea más
de una hora y 15 minutos?
d) Qué tamaño tendría que tener la muestra para que la probabilidad de encontrar medias
menores a 7 minutos fuese 0,99811?

Solución: a) 𝑃(𝑋 >7)=0.3446

b) Si 𝑥𝑖 minutos de atención 𝑃 𝑥 < 7 = 𝑃 𝑍 < 1.549 = 0.9393

c) Un tiempo de atención de 75 minutos a 15 clientes equivale a un tiempo

promedio de atención de 75/15 = 5 minutos por cliente
Luego, hay que hallar 𝑃 𝑥 > 5 = 0.9393
otra forma
75 − 𝑛𝜇
𝑃 𝑥𝑖 > 75 = 𝑃 𝑍 > = 𝑃 𝑍 > −1.549 = 0.9393
𝜎 𝑛

d) 𝑃 𝑥 < 7 = 0.99811 ⇒ 𝑛 = 53
 Teorema central del límite:

Sean X1, X2, …, Xn una sucesión de variables aleatorias i.i.d.

con E(Xi) = µ y V(Xi) = 2

Si 𝑌𝑛 = 𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 = 𝑛𝑖=1 𝑋𝑖 tal que:

La media es E(𝑌𝑛 ) = nµ y su varianza es V(𝑌𝑛 ) = n𝜎 2

Entonces la variable aleatoria Zn

𝑌𝑛 − E(𝑌𝑛 )
𝑍𝑛 = ~𝑁(0; 1) TLC
V(𝑌𝑛 )
Ejemplo 1
1. En el año 2014, el ingreso mensual proveniente de la actividad
principal de un trabajador de Lima Metropolitana se modela con una
variable normal con una media de S/ 1394.2 y desviación estándar
de S/ 546.5. Si se toma una muestra al azar de 400 ingresos, calcula
la probabilidad de que la media muestral esté entre 1300 a 1500
soles.

2. En París, Zurich o Berlín, el consumo promedio por persona de

agua bordea los 130 litros por día. Sin embargo según
investigaciones de una universidad en Lima, el consumo promedio
por persona asciende a 257.2 litros por día y la desviación estándar
es de 61.32 litros por día. Si se toma una muestra aleatoria en Lima
de 1000 personas, calcula la probabilidad de que el consumo total
muestral en un día sea menos de 260000 litros.
Ejemplo 2: Supóngase que el tiempo que un artículo que permanece en stock es
una variable aleatoria con distribución uniforme en el intervalo (1,7).
De una producción de 100 de estos artículos, calcular la probabilidad de que el
tiempo medio de permanencia en stock de los mismos sea mayor que 4.5
Solución:
1
𝑓 𝑥 = 6 1≤𝑥≤7
0 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
𝑎+𝑏 1+7
𝐸 𝑥 = = =4
2 2
𝑏−𝑎 2 7−1 2
𝑉 𝑥 = = =3
12 12
3
𝑋 ≈ 𝑁 4,
100

4.5 − 4
𝑃 𝑋 > 4.5 = 𝑃 𝑍 > = 𝑃 𝑍 > 2.89 = 0.001926
3 /10
Ejemplo 3: El proceso de envasado de cierto producto tiene un distribución
normal con una desviación estándar de 20 gramos y con una media μ que debe
ser bien regulada.
a) La media μ del proceso este bien regulada si sólo el 1% de los pesos de las
bolsas producidas tienen pesos mayores a 546,6 gramos. ¿Cuánto vale la μ
bien regulada? R: μ=500
b) Con la media del proceso bien regulada, se programará el siguiente control:
cada hora se escogerán al azar 4 bolsas , si el promedio de los pesos no esta
en el intervalo [480, 520] gramos, se para el proceso para realizar un
mantenimiento, en caso contrario, se continua con el proceso. ¿ Cuál es la
probabilidad de que se pare el proceso cuando realmente este bien
regulado? R: 0.0456
c) Si el proceso este bien regulado. ¿Con qué tamaño de muestra se consigue
que el peso promedio muestral sea a lo más 490.2 gramos con probabilidad
igual a 0.025? R: n=16
 DISTRIBUCION MUESTRAL DE LA PROPORCION

Si de una población distribuida Binomialmente con probabilidad de éxito p, se

extrae una muestra aleatoria de tamaño n, entonces se puede mostrar que la
media de X: número de éxitos en la muestra, es µ= np y que su varianza es σ2= npq

PROPIEDADES DE LA DISTRIBUCIÓN DE LA PROPORCIONAL MUESTRAL

1. La distribución es aproximadamente normal y la aproximación se considera

buena para np≥0.5 y n(1-p)≥0.5
pq pq
2. Donde E ( p ˆ )   pˆ  p y  2
pˆ   pˆ  N ( p , )
n n

Donde: pˆ   p pˆ  p x  np
p : Proporción poblacional z  
x  pˆ pq npq
pˆ  : proporción muestral
n n
Ejemplo1: El fabricante de maquinas despachadoras de café indica que de cada 1000
vasos servidos, sólo 15 vasos tienen una cantidad de café por debajo de las 8 onzas
(medida estándar establecida). Una empresa que va comprar este tipo de máquina
quiere evaluar si esto es verdad. Esto es, desea estimar la proporción de vasos servidos
con cantidad de café por debajo de las 8 onzas, en base a los datos de una muestra
aleatoria de 100 vasos de café que ha servido esta máquina. ¿Cuál es la probabilidad que
esta proporción en la muestra se encuentre entre 1,2% y 2,0%?

Solución:
X: Vasos que tienen un contenido de café por debajo de las 8 onzas.
𝑥
𝑝 = 𝑁 = 0,015 proporción de vasos con un contenido menor que 8 onzas.
n = 100 muestra de vasos observados pˆ   pˆ pˆ  p
Donde: z 
 pˆ pq
𝜇𝑝 = 𝑝 = 0.015 𝑦
n
𝑝𝑞 (0.015)(0.985)
𝜎𝑝 = = = 0.012155
𝑛 100

𝑃 0.012 < 𝑝 < 0.020 = 𝑃 𝑍 < 0.4113 − 𝑃(𝑍 < −0.2468) = 0.2570
Ejemplo 2 : Suponga que el 15% de los artículos que se producen en una
línea de ensamble son defectuosos, pero que el gerente de producción no
se ha enterado. También suponga que el departamento de aseguramiento
de la calidad prueba 50 piezas para determinar la calidad de la operación
de armado. Sea 𝑝 la proporción muestral de piezas defectuosas que
encontró la prueba de aseguramiento de calidad.

a) ¿Cuál es la probabilidad de que la proporción de la muestra esté a ±

0,03 o menos de la proporción de piezas defectuosas en la población?
R: 0.4448
b) Si la prueba indica que 𝑝 = 0,10 o más, de piezas defectuosas, la
línea de ensamble se para y se investiga la causa de los defectos.
¿Cuál es la probabilidad de que la muestra de 50 piezas lleve a la
conclusión de que debe pararse la línea de ensamble? R: 0.8389
 Distribución de la Varianza Muestral
Sea X una población que tiene una distribución normal; si se toma una muestra
aleatoria x1, ..., xn se puede calcular la estadística varianza muestral, que esta
dada por:

i 1 i
n
(x  x ) 2

s2 
n 1
de donde se puede deducir:
ι1 i
n
(x  x ) 2
(n  1 )s 2
χ2  
σ2 σ2
Así se puede afirmar que:

 2
 2
n -1
2
𝜒𝑛−1 es una distribución Chi-
cuadrada con (n-1)grados de
libertad
Ejemplo 1: Un investigador afirma que la varianza de una determinada población,
que sigue una distribución normal, es igual a 21.3. Sin embargo, podría rechazar
tal afirmación si la varianza de una muestra aleatoria de tamaño 15 excede a
39,74. ¿Cuál es la probabilidad de que dicha afirmación sea rechazada?

Solución.- La probabilidad de rechazar la afirmación está dada por:

 (n  1) s 2 (15  1)(39.74) 
P ( s  39.74)  P 
2
 
 
2
21.3 
 
 P 142  26.12  0,025
Ejemplo 2: Se sabe que la duración de paneles luminosos
fabricados por una compañía tiene una distribución normal, con
una media de 2000 horas y una desviación típica de 60 horas. Si
se seleccionan al azar 10 paneles, ¿Cuál será la probabilidad que
la desviación estándar muestral:
a) No supere las 50 horas?
b) Se encuentre entre 50 y 70 horas?
BIBLIOGRAFÍA
BÁSICA
o Montgomery, D. (2005). Probabilidad y estadística aplicada a la
ingeniería. Segunda edición. México, D.F.: Limusa Wiley.

o Córdova, M. (2009). Estadística descriptiva e Inferencial. Quinta

edición. Perú: MOSHERA S.R.L.

o Devore, J. (2008). Probabilidad y estadística para Ingeniería y Ciencias.

Séptima edición. México D.F.: Cengage Learning, Inc.

COMPLEMENTARIA

o Mendenhall, W. (1997). Probabilidad y estadística para ingeniería y

ciencias. Cuarta edición. México, D.F. Prentice-Hall Hispanoamericana.