Facultad de Derecho y Ciencias Sociales

Licenciatura en Negocios Internacionales

Estadística II
Catedrático: Dr. Marco Luiz García
Cuarto semestre
Bibliografía:
ESTADÍSTICA BÁSICA PARA NEGOCIOS
Conceptos y aplicaciones
Vol. II: Estadística Inferencial
Dr. Marco Luiz García
Capítulo II
Distribución muestral y la
teoría del límite central
*********************
Objetivo del Entender las características de los
estimadores y aplicar el teorema de límite
Capítulo central para cualquier tipo de
distribución, sea normal o no.
Propósitos del capítulo
Al terminar el capítulo el alumno deberá
ser capaz de:

• Comprender las propiedades de la media

aritmética
• Conocer lo que significa distribución de
muestreo
• Comprender el uso del error estándar
La muestra

La tarea esencial de la estadística inferencial

consiste en determinar lo que razonablemente
puede concluirse acerca de las características
de un dominio entero de los fenómenos -una
población- sobre la base de haber examinado
sólo una muestra limitada de casos extraídos
de ese dominio.
Tipos de muestreo aleatorizado

• Simple, doble, múltiple

• Sistemático
• Estratificado (menor error muestral)
• Conglomerado (mayor error muestral)
La aleatorización se refiere a cualquier proceso de
selección de una muestra de la población en el que la
selección es imparcial o no está sesgada; una muestra
elegida con procedimientos aleatorios se llama muestra
aleatoria
Distribución de la media muestral
Por ejemplo, si la muestra es de tamaño 2 y la población de tamaño 4 (elementos A, B, C y
D), es posible extraer de la población N2 muestras con reemplazo y N!/n!(N-n)! sin
reemplazo. Podemos calcular la media para cada muestra. Por lo tanto, tenemos 16 medias
muéstrales para el primer caso y de 6 para el segundo.

Muestreo con reemplazo

media de
valores de las la muestra
muestra observaciones observaciones X
1 A, A 1, 1 1,0
2 A, B 1, 2 1,5
Población 3 A, C 1, 3 2,0 Muestreo sin
4 A, D 1, 4 2,5
5 B, A 2, 1 1,5
reemplazo
Empleado Faltas al mes
6 B, B 2, 2 2,0
A 1 7 B, C 2, 3 2,5 valores de las media de
B 2 muestra observaciones observaciones la muestra
8 B, D 2, 4 3,0
1 A, B 1, 2 1,5
C 3 9 C, A 3, 1 2,0
2 A, C 1,3 2
D 4 10 C, B 3, 2 2,5 3 A, D 1, 4 2,5
11 C, C 3, 3 3,0 4 B, C 2, 3 2,5
12 C, D 3, 4 3,5 5 B, D 2, 4 3
13 D,A 4, 1 2,5 6 C, D 3, 4 3,5
14 D,B 4, 2 3,0 2,5
15 D,C 4, 3 3,5
16 D,D 4, 4 4,0
Marco Luiz García 2,5 6
Error muestral

Marco Luiz García 7

Error muestral y error estándar
Media de la Error
muestral 2
valores de las media de la población (X-µx)
muestra observaciones observaciones muestra X µx (X - µx)
1 A, A 1, 1 1,0 2,5 -1,5 2,25
2 A, B 1, 2 1,5 2,5 -1,0 1,00
3 A, C 1, 3 2,0 2,5 -0,5 0,25
4 A, D 1, 4 2,5 2,5 0,0 0,00
5 B, A 2, 1 1,5 2,5 -1,0 1,00
6 B, B 2, 2 2,0 2,5 -0,5 0,25
7 B, C 2, 3 2,5 2,5 0,0 0,00
8 B, D 2, 4 3,0 2,5 0,5 0,25
9 C, A 3, 1 2,0 2,5 -0,5 0,25
10 C, B 3, 2 2,5 2,5 0,0 0,00
11 C, C 3, 3 3,0 2,5 0,5 0,25
12 C, D 3, 4 3,5 2,5 1,0 1,00
13 D,A 4, 1 2,5 2,5 0,0 0,00
14 D,B 4, 2 3,0 2,5 0,5 0,25
15 D,C 4, 3 3,5 2,5 1,0 1,00
16 D,D 4, 4 4,0 2,5 1,5 2,25
2,5 Σ 0,0 10,00

La desviación estándar (error estándar) de la distribución de las medias es igual a:

n
2
∑ (X i - µ ) σx = √(10/16) = .7906
σ = i= 1 N
Marco Luiz García 8
Error estándar derivado de la
desviación estándar de la población

Empleado Faltas al mes

A 1
B 2 Las faltas promedio de los empleados,
C 3 la media de la población = μ = (1+ 2 + 3 + 4)/4 = 2.5
D 4

La desviación estándar es igual a:

(1 -2.5)2 + (2 -2.5)2 + (3 -2.5)2 + (4 -2.5)2 = 1.12

4
En general se tiene: σx = σe ≈ σ/√n
En donde σ es igual a la desviación estándar de la población y n es igual al tamaño de la muestra, del
ejemplo, se tiene que:
σ/√n = 1.12/√2 = 1.12/1.4142 = .7919, bastante aproximado a la desviación estándar de la media
Marco Luiz García 9
muestral calculada.
Error estándar derivado de la
desviación estándar de la población

Con esto se puede demostrar que si de una población se eligen muestras de

tamaño n con reemplazo, entonces el error estándar de la media es igual a la
desviación estándar de la distribución de los errores muestrales, pero
también es una aproximación de la desviación estándar de la población
dividida entre la raíz cuadrada del tamaño de la muestrea.

En general se tiene: σx = σe ≈ σ/√n

Cuando las muestras se toman de una población pequeña y sin reemplazo,

se puede usar la formula siguiente para encontrar σx.

σ N-n
σx=
n N-1
σx = (1.12/1.4142)(√[(6-2)/6-1)]) = .7919) (√.8944) = .7082
Aplicación

El equipo de empacado de un proceso de fabricación que rellena cajas de

arroz se ha calibrado para realizar un llenado de 500 grs. De la
experiencia, se sabe que la desviación estándar para este proceso de
relleno es de 15 grs. Si se selecciona aleatoriamente una muestra de 25
cajas, de las miles que se rellenan diariamente ¿cómo se podrá determinar
la probabilidad de que la muestra de las 25 cajas tenga una media entre
497 y 500 grs?

Los datos de cálculo son:

µx = 500 grs.
σx = 15 grs.
n = 25
x ̅ = 497
Aplicación

Para estandarizar los datos, de la fórmula

general se sustituye por la que utiliza el error
estándar
X-µx X-µx
Z = σx Z = σx
Los datos de cálculo son: n
µx = 500 grs.
σx = 15 grs. µ x=500 grs.
X-µ
n = 25 Z = σx x = -1

x ̅ = 497 497 grs.

.3413

Z = (497 – 500) = -3/3 = -1

(15/√25)
Z escala
-3 -2 -1 0 1 2 3
Teorema del límite central
Si se seleccionan muestras aleatorias de n observaciones de una población
con media µx y desviación estándar σx, entonces, cuando n es grande, la
distribución muestral de medias tendrá aproximadamente una distribución
normal con una media igual a µx y una desviación estándar de σx/√n. La
aproximación a la media de la población será cada vez más exacta a medida
de que n sea cada vez mayor.

El teorema de límite central permite hacer inferencias respecto a la media de

la población sin tener que conocer la forma específica de la distribución de la
población.
Distribución muestral de la porción

X n ú mero de sucesos
p s = n = tamaño de la muestra

La porción de la muestra tiene la propiedad especial de que debe estar entre 0 y 1;

si todos los individuos poseyeran la característica de interés, se les asignaría el
valor de 1 a cada unos y ps sería igual a 1; si la mitad lo poseyera, ps tendría un
valor de 0.5; si ningún elemento poseyera la característica, se le asignaría el valor
de cero a cada elemento, por lo que la porción ps es igual a cero.

Así como el estadístico ps es un estimador de la porción de la

población, por analogía a la distribución la media muestral, el error
estándar de la porción σPs sería:

σp = s
p(1 - p)
n
Distribución muestral de la porción

Aplicación. El gerente de una tienda comercial ha determinado que el

40% de los clientes acuden a la carnicería. Si se selecciona una muestra de
200 clientes ¿Cuál es la probabilidad de que la porción de la muestra de
los clientes que acuden a la carnicería esté entre el 40 y 43%?

Puesto que np = 200 *.40 = 80 y n(1 – p) = 200 *.60 = 120 la distribución de

la porción muestral se puede tratar como una distribución normal dado que
np y n(1-p) son al menos cinco

ps - p
De la fórmula general: Z = X-µ
σ se sustituye por la fórmula Z =˜
x
x p(1 - p)
n

Z = (.43 - .40)/√(.40)(.60)/200 = .03/√(.24/200) = .03/√.0012 = .03/.0346 = 0.87;

utilizando la tabla de distribución normal o realizando el cálculo con ayuda de una
computadora, el área de Z = 0 a Z= 0.87 es igual a .3078
Probabilidad de que la porción de la
muestra entre .40 y .43 acudan a la
carnicería

p = .40
ps - p
Z= p(1- p)
n
p = .43

.3078 o 30.78%

-3 -2 -1 0 1 2 3 Z escala

Z = .87
porción de
Mapa conceptual
Distribución de muestreo

Propiedades de Teorema del

Definición
estimadores límite central

Insesgado Tipo de
s
muestreo
Suficiente
s Sin reemplazo
Con reemplazo
Eficientes
Distribución de
muestral de la
media (x)

Distribución
muestral de la
porción (p)

Aplicaciones