Teorema Teorema

del lmite central del lmite central

Carles Rovira Escofet Carles Rovira Escofet

P03/75057/01008 P03/75057/01008
 FUOC P03/75057/01008
ndice
Sesin 1
La distribucin de la media muestral ................................................. 5
1. Distribucin de la media muestral para variables normales ................... 5
1.1. Caso de desviacin tpica poblacional conocida .............................. 5
1.2. Caso de desviacin tpica poblacional desconocida.
La t de Student .................................................................................. 8
2. Resumen ................................................................................................... 10
Ejercicios ....................................................................................................... 11
Sesin 2
El teorema del lmite central ................................................................ 13
1. Aproximacin de la binomial a la normal .............................................. 13
1.1. Estudio de la proporcin .................................................................. 16
2. El teorema del lmite central .................................................................... 17
2.1. Control de calidad ............................................................................ 18
3. Resumen ................................................................................................... 19
Ejercicios ....................................................................................................... 20
Teorema del lmite central FUOC P03/75057/01008 Teorema del lmite central
ndice
Sesin 1
La distribucin de la media muestral ................................................. 5
1. Distribucin de la media muestral para variables normales ................... 5
1.1. Caso de desviacin tpica poblacional conocida .............................. 5
1.2. Caso de desviacin tpica poblacional desconocida.
La t de Student .................................................................................. 8
2. Resumen ................................................................................................... 10
Ejercicios ....................................................................................................... 11
Sesin 2
El teorema del lmite central ................................................................ 13
1. Aproximacin de la binomial a la normal .............................................. 13
1.1. Estudio de la proporcin .................................................................. 16
2. El teorema del lmite central .................................................................... 17
2.1. Control de calidad ............................................................................ 18
3. Resumen ................................................................................................... 19
Ejercicios ....................................................................................................... 20
 FUOC P03/75057/01008 5 Teorema del lmite central FUOC P03/75057/01008 5 Teorema del lmite central

La distribucin de la media muestral La distribucin de la media muestral

En esta sesin estudiaremos el comportamiento de la media muestral de una
variable. Por ejemplo, supongamos que queremos estudiar la media de la altu-
ra de los estudiantes de la UOC: entre ellos hemos seleccionado una muestra
al azar, los hemos medido y hemos calculado la media de las alturas de los es-
tudiantes de la muestra; ahora queremos ver cmo se comporta esta media
muestral.
En esta sesin estudiaremos el comportamiento de la media muestral de una
variable. Por ejemplo, supongamos que queremos estudiar la media de la altu-
ra de los estudiantes de la UOC: entre ellos hemos seleccionado una muestra
al azar, los hemos medido y hemos calculado la media de las alturas de los es-
tudiantes de la muestra; ahora queremos ver cmo se comporta esta media
muestral.

Veremos que si sabemos que la variable que se estudia es normal, entonces la me- Veremos que si sabemos que la variable que se estudia es normal, entonces la me-
dia muestral tambin es normal, pero con desviacin tpica menor. Y tambin dia muestral tambin es normal, pero con desviacin tpica menor. Y tambin
veremos que si la variable no es normal pero la muestra es lo bastante grande, la veremos que si la variable no es normal pero la muestra es lo bastante grande, la
media tambin ser aproximadamente normal. media tambin ser aproximadamente normal.

1. Distribucin de la media muestral para variables normales 1. Distribucin de la media muestral para variables normales

Supongamos que tenemos una muestra x1, ..., xn de una variable aleatoria nor- Supongamos que tenemos una muestra x1, ..., xn de una variable aleatoria nor-
mal. Recordemos que la media se define como: mal. Recordemos que la media se define como:

n n
x = 1
--- xi . x = 1
--- xi .
n i = 1 n i = 1

Esta media depende de la muestra. Normalmente tendremos slo una muestra, Esta media depende de la muestra. Normalmente tendremos slo una muestra,
Observad que... Observad que...
pero podramos tomar muchas diferentes, de manera que a cada una le corres- pero podramos tomar muchas diferentes, de manera que a cada una le corres-
... para una coleccin de mues- ... para una coleccin de mues-
pondera una media diferente. Esto nos da pie a hablar de la distribucin tras, tendremos la correspon- pondera una media diferente. Esto nos da pie a hablar de la distribucin tras, tendremos la correspon-
diente coleccin de medias diente coleccin de medias
muestral de la media. Para indicar que se trata de una variable aleatoria, la de- muestrales x 1 , ..., x k .
muestral de la media. Para indicar que se trata de una variable aleatoria, la de- muestrales x 1 , ..., x k .
notaremos por X . notaremos por X .

Para estudiarla, deberemos distinguir dos casos: cuando la desviacin tpica de Para estudiarla, deberemos distinguir dos casos: cuando la desviacin tpica de
la variable que medimos es conocida y cuando es desconocida. la variable que medimos es conocida y cuando es desconocida.

1.1. Caso de desviacin tpica poblacional conocida 1.1. Caso de desviacin tpica poblacional conocida

Pensemos en el ejemplo de las alturas de los estudiantes de la UOC. Supongamos
Desviacin poblacional
que en un estudio anterior se haba demostrado que las alturas de los estudiantes y desviacin muestral
de la UOC seguan una distribucin normal de media 172 cm y desviacin tpica La desviacin poblacional es la
de 11 cm. desviacin real de la variable,
que en este caso suponemos
conocida. Cuando calculamos
la desviacin a partir de mues-
Intuitivamente vemos que la media de las observaciones de la muestra que te- tras, hablamos de desviacin
nemos debe de ser un valor cercano a 172. Tambin parece razonable pensar muestral.
Pensemos en el ejemplo de las alturas de los estudiantes de la UOC. Supongamos
Desviacin poblacional
que en un estudio anterior se haba demostrado que las alturas de los estudiantes y desviacin muestral
de la UOC seguan una distribucin normal de media 172 cm y desviacin tpica La desviacin poblacional es la
de 11 cm. desviacin real de la variable,
que en este caso suponemos
conocida. Cuando calculamos
la desviacin a partir de mues-
Intuitivamente vemos que la media de las observaciones de la muestra que te- tras, hablamos de desviacin
nemos debe de ser un valor cercano a 172. Tambin parece razonable pensar muestral.

que observaciones mayores que la media poblacional, 172, se compensarn que observaciones mayores que la media poblacional, 172, se compensarn
con valores menores, y que cuanto mayor sea la muestra, ms cercano ser el con valores menores, y que cuanto mayor sea la muestra, ms cercano ser el
valor de la media muestral a 172. valor de la media muestral a 172.
 FUOC P03/75057/01008 6 Teorema del lmite central FUOC P03/75057/01008 6 Teorema del lmite central

Pensemos ahora que tenemos una muestra de cien estudiantes de la UOC. Ha-
cemos diez grupos de diez estudiantes y hacemos la media aritmtica para cada
grupo. Obtenemos diez valores, correspondientes a las diez medias x 1 ,..., x 10 .
Parece razonable pensar que la media de estos nuevos datos sera tambin 172.
Por otra parte, tambin parece razonable pensar que estos nuevos valores sean
ms cercanos a 172 que los datos originales, ya que en cada una de las medias
se nos habrn compensado valores grandes con valores pequeos.
Pensemos ahora que tenemos una muestra de cien estudiantes de la UOC. Ha-
cemos diez grupos de diez estudiantes y hacemos la media aritmtica para cada
grupo. Obtenemos diez valores, correspondientes a las diez medias x 1 ,..., x 10 .
Parece razonable pensar que la media de estos nuevos datos sera tambin 172.
Por otra parte, tambin parece razonable pensar que estos nuevos valores sean
ms cercanos a 172 que los datos originales, ya que en cada una de las medias
se nos habrn compensado valores grandes con valores pequeos.

Demostracin Demostracin
Si la variable que estudiamos sigue una distribucin normal con media Si la variable que estudiamos sigue una distribucin normal con media
La demostracin de este La demostracin de este
y desviacin tpica conocidas, entonces la media muestral es tambin resultado es consecuencia de y desviacin tpica conocidas, entonces la media muestral es tambin resultado es consecuencia de
normal con la misma media y desviacin tpica n , donde n es el una importante propiedad de normal con la misma media y desviacin tpica n , donde n es el una importante propiedad de
las variables aleatorias norma- las variables aleatorias norma-
tamao de la muestra. Por tanto, tipificamos la variable X y obtene- les. La propiedad es la siguien- tamao de la muestra. Por tanto, tipificamos la variable X y obtene- les. La propiedad es la siguien-
te: si X e Y son variables te: si X e Y son variables
mos que: aleatorias independientes con mos que: aleatorias independientes con
leyes leyes
2 2 2 2
N ( 1 , 1 ) y N ( 2 , 2 ) N ( 1 , 1 ) y N ( 2 , 2 )
X X
------------- respectivamente, entonces ------------- respectivamente, entonces
X + Y tiene una ley:
X + Y tiene una ley:
------- -------
n 2 2 n 2 2
N ( 1 + 2 , 1 + 2 ) N ( 1 + 2 , 1 + 2 )

sigue una distribucin normal estndar. sigue una distribucin normal estndar.

En nuestro ejemplo la variable que recoge todas las posibles medias de cada
grupo de diez estudiantes sigue una distribucin normal de media 172 cm y des-
viacin tpica 11 / 10 = 3,48 cm. Observamos que, efectivamente, cuanto
mayor es la muestra, menor resulta la desviacin tpica y, por tanto, hay me-
nos dispersin.
En nuestro ejemplo la variable que recoge todas las posibles medias de cada
grupo de diez estudiantes sigue una distribucin normal de media 172 cm y des-
viacin tpica 11 / 10 = 3,48 cm. Observamos que, efectivamente, cuanto
mayor es la muestra, menor resulta la desviacin tpica y, por tanto, hay me-
nos dispersin.

Este cociente que nos da la desviacin tpica de la media aritmtica se conoce Este cociente que nos da la desviacin tpica de la media aritmtica se conoce
como error estndar. como error estndar.

Observad que... Observad que...

Si es la desviacin tpica de la poblacin y n el tamao de la muestra, Si es la desviacin tpica de la poblacin y n el tamao de la muestra,
... el error estndar es cada ... el error estndar es cada
se define el error estndar de la media muestral como: vez menor cuanto mayor es el se define el error estndar de la media muestral como: vez menor cuanto mayor es el
tamao de la muestra. tamao de la muestra.

------- -------
n n

Ejemplo de error estndar de una media muestral Ejemplo de error estndar de una media muestral

Consideremos las alturas de los estudiantes de la UOC. Supongamos que sabemos que se tra- Consideremos las alturas de los estudiantes de la UOC. Supongamos que sabemos que se tra-
ta de una variable aleatoria normal de media 172 cm y desviacin tpica 11 cm y que hemos ta de una variable aleatoria normal de media 172 cm y desviacin tpica 11 cm y que hemos
tomado una muestra de trescientos estudiantes al azar. Entonces podemos contestar pregun- tomado una muestra de trescientos estudiantes al azar. Entonces podemos contestar pregun-
tas del tipo siguiente: tas del tipo siguiente:

a) Cul es la probabilidad de que la media sea menor que 170 cm? a) Cul es la probabilidad de que la media sea menor que 170 cm?

La distribucin de la media muestral es normal de media 172 cm y desviacin tpica: La distribucin de la media muestral es normal de media 172 cm y desviacin tpica:

11 - = 0,635 11 - = 0,635
------------- -------------
300 300
 FUOC P03/75057/01008 7 Teorema del lmite central FUOC P03/75057/01008 7 Teorema del lmite central

Tipificamos la variable para obtener una normal (0,1). Debemos calcular: Tipificamos la variable para obtener una normal (0,1). Debemos calcular:

X 172 2 X 172 2
P ( X < 170 ) = P -------------------- < --------------- = P ( Z < 3,149 ) = 0,0008 P ( X < 170 ) = P -------------------- < --------------- = P ( Z < 3,149 ) = 0,0008
0.635 0,635 0.635 0,635

ya que Z es una variable aleatoria normal (0,1). ya que Z es una variable aleatoria normal (0,1).

b) Cul es la probabilidad de que la distancia entre la media muestral (de esta muestra b) Cul es la probabilidad de que la distancia entre la media muestral (de esta muestra
de trescientos estudiantes) y la media poblacional, 172 cm, sea menor que 1 cm? de trescientos estudiantes) y la media poblacional, 172 cm, sea menor que 1 cm?

Por un razonamiento parecido (si la distancia entre dos nmeros a y b ha de ser menor Por un razonamiento parecido (si la distancia entre dos nmeros a y b ha de ser menor
que k, se debe cumplir: |a b| < k): que k, se debe cumplir: |a b| < k):

1 X 1 1 X 1
P ( X < 1 ) = P ( 1 < X < 1 ) = P --------------- < --------------- < --------------- = P ( 1,57 < Z < 1,57 ) P ( X < 1 ) = P ( 1 < X < 1 ) = P --------------- < --------------- < --------------- = P ( 1,57 < Z < 1,57 )
0,635 0,635 0,635 0,635 0,635 0,635

donde Z es una variable aleatoria normal (0,1). Si buscamos en las tablas de la ley normal donde Z es una variable aleatoria normal (0,1). Si buscamos en las tablas de la ley normal
(0,1), vemos que esta probabilidad es igual a 0,8836. (0,1), vemos que esta probabilidad es igual a 0,8836.

Tenemos as una probabilidad del 0,8836 de obtener un valor para la media muestral que Tenemos as una probabilidad del 0,8836 de obtener un valor para la media muestral que
difiera en menos de 1 cm del valor real de la media cuando tomamos una muestra de tres- difiera en menos de 1 cm del valor real de la media cuando tomamos una muestra de tres-
cientos individuos. cientos individuos.

Observad que en ninguna parte hemos utilizado el hecho de que la media fuese exacta-
mente 172 cm. Es decir, si sabemos que la variable altura sigue una normal con una
desviacin tpica de 11 cm y tomamos una muestra de trescientos estudiantes, sabemos
que la diferencia entre su media y la media poblacional (que quiz no conozcamos) ser
menor de 1 cm con una probabilidad del 0,8836.
Observad que en ninguna parte hemos utilizado el hecho de que la media fuese exacta-
mente 172 cm. Es decir, si sabemos que la variable altura sigue una normal con una
desviacin tpica de 11 cm y tomamos una muestra de trescientos estudiantes, sabemos
que la diferencia entre su media y la media poblacional (que quiz no conozcamos) ser
menor de 1 cm con una probabilidad del 0,8836.

c) Consideremos ahora el problema inverso. Supongamos que desconocemos la media c) Consideremos ahora el problema inverso. Supongamos que desconocemos la media
de la altura de los estudiantes de la UOC y queremos estudiar una muestra de manera que de la altura de los estudiantes de la UOC y queremos estudiar una muestra de manera que
la diferencia entre la media de la muestra y la de la poblacin sea menor que 1 cm con la diferencia entre la media de la muestra y la de la poblacin sea menor que 1 cm con
una probabilidad del 0,95. De qu medida tiene que ser nuestra muestra? una probabilidad del 0,95. De qu medida tiene que ser nuestra muestra?

Sabemos que la variable estadstica tipificada: Sabemos que la variable estadstica tipificada:

X X
------------- -------------
11-
------ 11-
------
n n

se distribuye como una normal (0,1). Por otra parte, si observamos las tablas, nos damos se distribuye como una normal (0,1). Por otra parte, si observamos las tablas, nos damos
cuenta de que si Z es una normal (0,1): cuenta de que si Z es una normal (0,1):

P ( 1,96 < Z < 1,96 ) = 0,95. P ( 1,96 < Z < 1,96 ) = 0,95.

Por tanto: Por tanto:

X 11 11 X 11 11
0,95 = P 1,96 < ------------- < 1,96 = P 1,96 ------- < X < 1,96 ------- 0,95 = P 1,96 < ------------- < 1,96 = P 1,96 ------- < X < 1,96 -------
11 n n 11 n n
------- -------
n n

Y si imponemos que la diferencia X debe ser menor que 1 cm, obtenemos: Y si imponemos que la diferencia X debe ser menor que 1 cm, obtenemos:

11 11
1,96 ------- < 1 1,96 ------- < 1
n n

2 2
Por tanto, n > 11 1,96 , y as: n > ( 11 1,96 ) = 464,8 . Entonces, si tomamos 465 in- Por tanto, n > 11 1,96 , y as: n > ( 11 1,96 ) = 464,8 . Entonces, si tomamos 465 in-
dividuos para llevar a cabo el estudio, sabemos que la diferencia entre la media muestral dividuos para llevar a cabo el estudio, sabemos que la diferencia entre la media muestral
que obtendremos y la media real ser menor de 1 cm, con una probabilidad del 0,95. Fi- que obtendremos y la media real ser menor de 1 cm, con una probabilidad del 0,95. Fi-
jaos en que cuanto mayor sea el tamao de la muestra, menor ser la diferencia entre la jaos en que cuanto mayor sea el tamao de la muestra, menor ser la diferencia entre la
media muestral y la poblacional. media muestral y la poblacional.

Si se multiplican el numerador y el denominador por n, podemos escribir el Si se multiplican el numerador y el denominador por n, podemos escribir el
resultado que hemos visto en este apartado de otra manera. resultado que hemos visto en este apartado de otra manera.
 FUOC P03/75057/01008 8 Teorema del lmite central FUOC P03/75057/01008 8 Teorema del lmite central

Si la variable que estudiamos sigue una distribucin normal con media Si la variable que estudiamos sigue una distribucin normal con media
y desviacin tpica conocida, entonces: y desviacin tpica conocida, entonces:

n n
X i n X i n
i = 1 i = 1
---------------------------- ----------------------------
n n

sigue una distribucin normal estndar. sigue una distribucin normal estndar.

1.2. Caso de desviacin tpica poblacional desconocida. 1.2. Caso de desviacin tpica poblacional desconocida.
La t de Student La t de Student

Fijmonos en que en los ejemplos estudiados anteriormente necesitbamos dos
cosas:
Las variables aleatorias
normales son habituales
que la variable que se estudiaba fuese normal;
En muchos casos es habitual
que el valor de la desviacin tpica de la variable fuese conocido. suponer que una variable alea-
toria es normal. Algunos ejem-
plos son: el peso o la altura de
Estos dos hechos se conocen gracias a estudios previos. A menudo este estudio las personas, el error que co-
meten los aparatos de medida,
no se lleva a cabo, pero podemos suponer que la variable es normal. En este caso el peso de la fruta, las ventas
semanales de una tienda, etc.
deberemos hacer una estimacin de la desviacin tpica con la llamada desvia-
cin tpica muestral:
Fijmonos en que en los ejemplos estudiados anteriormente necesitbamos dos
cosas:
Las variables aleatorias
normales son habituales
que la variable que se estudiaba fuese normal;
En muchos casos es habitual
que el valor de la desviacin tpica de la variable fuese conocido. suponer que una variable alea-
toria es normal. Algunos ejem-
plos son: el peso o la altura de
Estos dos hechos se conocen gracias a estudios previos. A menudo este estudio las personas, el error que co-
meten los aparatos de medida,
no se lleva a cabo, pero podemos suponer que la variable es normal. En este caso el peso de la fruta, las ventas
semanales de una tienda, etc.
deberemos hacer una estimacin de la desviacin tpica con la llamada desvia-
cin tpica muestral:

1 n 2 Observad que... 1 n 2 Observad que...

s = ------------ ( x i x ) s = ------------ ( x i x )
n 1i = 1 ... en el caso de la desviacin
n 1i = 1 ... en el caso de la desviacin
tpica muestral se divide tpica muestral se divide
de manera que en los clculos del apartado anterior reemplazaremos la por por n 1, no por n. de manera que en los clculos del apartado anterior reemplazaremos la por por n 1, no por n.
la s. Entonces la distribucin muestral de la media ya no es una distribucin la s. Entonces la distribucin muestral de la media ya no es una distribucin
normal, como suceda cuando en lugar de s conocamos el autntico valor normal, como suceda cuando en lugar de s conocamos el autntico valor
de la desviacin. de la desviacin.

Varios estudios realizados por W.S. Gosset al final del siglo XIX demostraron Varios estudios realizados por W.S. Gosset al final del siglo XIX demostraron
que en este caso se obtiene una distribucin diferente de la normal, aunque W.S. Gosset que en este caso se obtiene una distribucin diferente de la normal, aunque W.S. Gosset
para tamaos lo bastante grandes se parecen bastante. Esta nueva distribucin W.S. Gosset trabajaba en la
para tamaos lo bastante grandes se parecen bastante. Esta nueva distribucin W.S. Gosset trabajaba en la
se conoce con el nombre de t de Student con n 1 grados de libertad. Esto sig- empresa cervecera Guinness se conoce con el nombre de t de Student con n 1 grados de libertad. Esto sig- empresa cervecera Guinness
y utilizaba el seudnimo y utilizaba el seudnimo
nifica que por cada medida de la muestra, n, en realidad tenemos una distri- de Student para firmar sus nifica que por cada medida de la muestra, n, en realidad tenemos una distri- de Student para firmar sus
trabajos. trabajos.
bucin diferente. bucin diferente.

La distribucin t de Student con n grados de libertad, que denotare-
mos por tn, es muy parecida a la distribucin normal (0,1): es simtrica
alrededor del cero, pero su desviacin tpica es un poco mayor que la de
la normal (0,1), es decir, los valores que toma esta variable estn un
poco ms dispersos. No obstante, cuanto mayor es el nmero de grados
La distribucin t de Student con n grados de libertad, que denotare-
mos por tn, es muy parecida a la distribucin normal (0,1): es simtrica
alrededor del cero, pero su desviacin tpica es un poco mayor que la de
El valor real y la la normal (0,1), es decir, los valores que toma esta variable estn un El valor real y la
distribucin tn de Student poco ms dispersos. No obstante, cuanto mayor es el nmero de grados distribucin tn de Student

de libertad, n, ms se aproxima la distribucin tn de Student a la distri- Observad que cuando conoce-
mos el valor autntico de , la
bucin normal (0,1). Consideraremos que podemos aproximar la tn por variable X sigue siempre una
una normal estndar para n > 100. distribucin normal, pero su
varianza depende de n.
de libertad, n, ms se aproxima la distribucin tn de Student a la distri- Observad que cuando conoce-
mos el valor autntico de , la
bucin normal (0,1). Consideraremos que podemos aproximar la tn por variable X sigue siempre una
una normal estndar para n > 100. distribucin normal, pero su
varianza depende de n.
 FUOC P03/75057/01008 9 Teorema del lmite central FUOC P03/75057/01008 9 Teorema del lmite central

El grfico siguiente representa las funciones de densidad de la t de Student para El grfico siguiente representa las funciones de densidad de la t de Student para
diferentes valores de n y con una lnea ms gruesa, la densidad de una distribu- diferentes valores de n y con una lnea ms gruesa, la densidad de una distribu-
cin normal (0,1). cin normal (0,1).

Si es desconocida y n es el tamao de la muestra, calcularemos el error estn- Si es desconocida y n es el tamao de la muestra, calcularemos el error estn-
El error estndar es menor cuanto El error estndar es menor cuanto
dar mediante el cociente: mayor es el tamao de la muestra. dar mediante el cociente: mayor es el tamao de la muestra.

s s
Error estndar = ------- Error estndar = -------
n n

Este error estndar nos permite obtener un resultado nuevo importante. Este error estndar nos permite obtener un resultado nuevo importante.

Si la variable que estudiamos sigue una distribucin normal con media Si la variable que estudiamos sigue una distribucin normal con media
y desviacin tpica desconocida, entonces: y desviacin tpica desconocida, entonces:

X X
------------- -------------
s s
------- -------
n n

sigue una distribucin tn1, es decir, una t de Student con n 1 grados sigue una distribucin tn1, es decir, una t de Student con n 1 grados
de libertad. de libertad.

Obviamente, la manera ms fcil de calcular probabilidades relacionadas con Obviamente, la manera ms fcil de calcular probabilidades relacionadas con
una t de Student es con cualquier software estadstico o, incluso, una hoja de una t de Student es con cualquier software estadstico o, incluso, una hoja de
clculo. De todos modos, como en el caso de la normal, comentaremos cmo clculo. De todos modos, como en el caso de la normal, comentaremos cmo
podemos utilizar unas tablas estadsticas. podemos utilizar unas tablas estadsticas.

Las tablas que nos dan la distribucin de la t de Student son parecidas a las de Las tablas que nos dan la distribucin de la t de Student son parecidas a las de
la distribucin normal estndar. No obstante, y dado que para cada valor de la distribucin normal estndar. No obstante, y dado que para cada valor de
los grados de libertad tenemos una distribucin diferente, las tablas habituales los grados de libertad tenemos una distribucin diferente, las tablas habituales
slo nos sirven para ocho probabilidades determinadas (para otros valores hay slo nos sirven para ocho probabilidades determinadas (para otros valores hay
 FUOC P03/75057/01008 10 Teorema del lmite central FUOC P03/75057/01008 10 Teorema del lmite central

que utilizar algn software apropiado). La forma de utilizar las tablas es la si- que utilizar algn software apropiado). La forma de utilizar las tablas es la si-
guiente: buscamos en la primera columna el nmero de grados de libertad, guiente: buscamos en la primera columna el nmero de grados de libertad,
nos situamos en aquella fila y determinamos qu puntos nos dejan la pro- nos situamos en aquella fila y determinamos qu puntos nos dejan la pro-
babilidad acumulada que nos interesa. babilidad acumulada que nos interesa.

Ejemplo de utilizacin de las tablas de la t de Student Ejemplo de utilizacin de las tablas de la t de Student

Una empresa indica en un paquete de arroz que el peso medio del paquete es de 900 gra- Una empresa indica en un paquete de arroz que el peso medio del paquete es de 900 gra-
mos. En una inspeccin hemos analizado el peso en gramos de 10 paquetes de arroz y mos. En una inspeccin hemos analizado el peso en gramos de 10 paquetes de arroz y
hemos obtenido los datos siguientes: hemos obtenido los datos siguientes:

890 901 893 893 896 890 901 893 893 896
895 894 895 904 899 895 894 895 904 899

a) Cul es la probabilidad de que la distancia entre la media poblacional y la media muestral a) Cul es la probabilidad de que la distancia entre la media poblacional y la media muestral
sea mayor de 3 gramos? sea mayor de 3 gramos?

Es razonable pensar que el peso en gramos de un paquetede arroz es una variable aleatoria
normal con media del peso que indica el paquete, y con una desviacin tpica determi-
nada. Es decir, de media los paquetes deberan tener 900 gramos, pero a causa de los erro-
res de medida de los aparatos que los llenan, algunos contendrn un poco ms de 900
gramos y otros, un poco menos. Supongamos, pues, que la variable de inters (el peso del
paquete) es normal, pero no sabemos nada de su desviacin tpica. Con nuestros datos
podemos estimar la desviacin tpica y obtenemos:
Es razonable pensar que el peso en gramos de un paquetede arroz es una variable aleatoria
normal con media del peso que indica el paquete, y con una desviacin tpica determi-
nada. Es decir, de media los paquetes deberan tener 900 gramos, pero a causa de los erro-
res de medida de los aparatos que los llenan, algunos contendrn un poco ms de 900
gramos y otros, un poco menos. Supongamos, pues, que la variable de inters (el peso del
paquete) es normal, pero no sabemos nada de su desviacin tpica. Con nuestros datos
podemos estimar la desviacin tpica y obtenemos:

s = 4,19 s = 4,19

Entonces podemos utilizar el hecho de que ( x ) ( s n ) es una observacin de una t Entonces podemos utilizar el hecho de que ( x ) ( s n ) es una observacin de una t
de Student con n 1 grados de libertad (en nuestro ejemplo, puesto que tenemos diez de Student con n 1 grados de libertad (en nuestro ejemplo, puesto que tenemos diez
datos, ser una t de Student con nueve grados de libertad). Ahora podemos calcular: datos, ser una t de Student con nueve grados de libertad). Ahora podemos calcular:

3 X 3 3 X 3
P ( X > 3 ) = 1 P ( 3 < X < 3 ) = 1 P ------------ < ------------- < ------------ = P ( X > 3 ) = 1 P ( 3 < X < 3 ) = 1 P ------------ < ------------- < ------------ =
4,19
------------ 4,19
------------ 4,19
------------ 4,19
------------ 4,19
------------ 4,19
------------
10 10 10 10 10 10

= 1 P ( 2,26 < t 9 < 2,26 ) = 1 P ( 2,26 < t 9 < 2,26 )

donde ya sabemos que t9 es una t de Student con nueve grados de libertad. Podemos calcular donde ya sabemos que t9 es una t de Student con nueve grados de libertad. Podemos calcular
esta probabilidad en las tablas: esta probabilidad en las tablas:

P(2,26 < t9 < 2,26) = 1 2P(t9 2,26) = 1 2 0,025 = 0,95 P(2,26 < t9 < 2,26) = 1 2P(t9 2,26) = 1 2 0,025 = 0,95

Entonces: Entonces:

1 P(2,26 < t9 < 2,26) = 1 0,95 = 0,05 1 P(2,26 < t9 < 2,26) = 1 0,95 = 0,05

Por tanto, a partir de estos datos, todo parece indicar que la empresa engaa a sus clien-
tes. En efecto, si se toma una muestra de tamao 10, la probabilidad de que la diferencia
entre la media muestral y la real sea mayor de slo 3 gramos es de un 5%. En cambio, la
media de nuestra muestra es de 896 gramos, 4 gramos menos que la cantidad que indica
el paquete.
Por tanto, a partir de estos datos, todo parece indicar que la empresa engaa a sus clien-
tes. En efecto, si se toma una muestra de tamao 10, la probabilidad de que la diferencia
entre la media muestral y la real sea mayor de slo 3 gramos es de un 5%. En cambio, la
media de nuestra muestra es de 896 gramos, 4 gramos menos que la cantidad que indica
el paquete.

En este caso los valores que nos han aparecido nos han permitido utilizar las tablas. En En este caso los valores que nos han aparecido nos han permitido utilizar las tablas. En
otras ocasiones necesitaremos utilizar el ordenador. otras ocasiones necesitaremos utilizar el ordenador.

2. Resumen 2. Resumen

En esta sesin hemos estudiado la distribucin de la media de datos que pro-
vienen de una distribucin normal, y hemos diferenciado dos casos: cuando
la varianza poblacional es conocida y cuando la varianza es desconocida. Para
estudiar este ltimo caso, hemos tenido que introducir la distribucin t de
Student.
En esta sesin hemos estudiado la distribucin de la media de datos que pro-
vienen de una distribucin normal, y hemos diferenciado dos casos: cuando
la varianza poblacional es conocida y cuando la varianza es desconocida. Para
estudiar este ltimo caso, hemos tenido que introducir la distribucin t de
Student.
 FUOC P03/75057/01008 11 Teorema del lmite central FUOC P03/75057/01008 11 Teorema del lmite central

Ejercicios Ejercicios

1. El gasto mensual de la familia mexicana Robles sigue una distribucin nor- 1. El gasto mensual de la familia mexicana Robles sigue una distribucin nor-
mal de media de 3.000 pesos y varianza 500. Supongamos que el gasto de cada mal de media de 3.000 pesos y varianza 500. Supongamos que el gasto de cada
mes es independiente del de los otros meses. Si el ingreso anual es de 37.000 mes es independiente del de los otros meses. Si el ingreso anual es de 37.000
pesos, cul es la probabilidad de que no gasten ms de lo que ganan? Cunto pesos, cul es la probabilidad de que no gasten ms de lo que ganan? Cunto
deberan ganar para tener una seguridad del 99% de que no gastarn ms de deberan ganar para tener una seguridad del 99% de que no gastarn ms de
lo que han ganado? lo que han ganado?

2. Hemos hecho una encuesta entre los hombres de una poblacin determina-
da y, a partir de los resultados, deducimos que el peso de los hombres de esta
poblacin sigue una distribucin normal de media 72 kg. Para saber si los datos
que hemos obtenido son fiables, pesamos a cuatro de los encuestados y obtene-
mos una media de 77,57 kg, con una desviacin tpica de 3,5 kg. Tenemos su-
ficientes motivos para pensar que los encuestados han mentido cuando nos han
dicho su peso?
2. Hemos hecho una encuesta entre los hombres de una poblacin determina-
da y, a partir de los resultados, deducimos que el peso de los hombres de esta
poblacin sigue una distribucin normal de media 72 kg. Para saber si los datos
que hemos obtenido son fiables, pesamos a cuatro de los encuestados y obtene-
mos una media de 77,57 kg, con una desviacin tpica de 3,5 kg. Tenemos su-
ficientes motivos para pensar que los encuestados han mentido cuando nos han
dicho su peso?

Solucionario Solucionario

1. Llamamos XA al gasto anual. Puesto que el gasto mensual XM sigue una ley 1. Llamamos XA al gasto anual. Puesto que el gasto mensual XM sigue una ley
normal de media 3.000 y desviacin tpica 500 y normal de media 3.000 y desviacin tpica 500 y

12 3.000 = 36.000 y 12 500 = 77,4597 12 3.000 = 36.000 y 12 500 = 77,4597

X A 36.000 X A 36.000
sabemos que -------------------------------
- sigue una distribucin normal estndar. sabemos que -------------------------------
- sigue una distribucin normal estndar.
77,4597 77,4597

Por tanto, la probabilidad de que la familia Robles gaste menos de 37.000 pe- Por tanto, la probabilidad de que la familia Robles gaste menos de 37.000 pe-
sos es: sos es:

X A 36.000 37.000 36.000 X A 36.000 37.000 36.000

P ( XA < 37.000 ) = P -------------------------------
- < -------------------------------------------- = P ( Z < 12,9099 ) P ( XA < 37.000 ) = P -------------------------------
- < -------------------------------------------- = P ( Z < 12,9099 )
77,4597 77,4597 77,4597 77,4597

donde Z es una distribucin normal estndar. Si observamos las tablas de la donde Z es una distribucin normal estndar. Si observamos las tablas de la
distribucin normal estndar, observamos que la probabilidad de que sea me- distribucin normal estndar, observamos que la probabilidad de que sea me-
nor que 3 ya es 1. Por tanto, la probabilidad es 1, es decir, podemos asegurar con nor que 3 ya es 1. Por tanto, la probabilidad es 1, es decir, podemos asegurar con
casi un 100% de certeza que no gastarn ms de lo que ganan. casi un 100% de certeza que no gastarn ms de lo que ganan.

Para responder a la segunda pregunta, debemos encontrar una cantidad G tal Para responder a la segunda pregunta, debemos encontrar una cantidad G tal
que: que:

X A 36.000 G 36.000 X A 36.000 G 36.000

P ( XA < G ) = P -------------------------------
- < ----------------------------- = 0,99 P ( XA < G ) = P -------------------------------
- < ----------------------------- = 0,99
77,4597 77,4597 77,4597 77,4597

Si observamos las tablas de la normal, vemos que la cantidad: Si observamos las tablas de la normal, vemos que la cantidad:

G 36.000 G 36.000
----------------------------- -----------------------------
77,4597 77,4597
 FUOC P03/75057/01008 12 Teorema del lmite central FUOC P03/75057/01008 12 Teorema del lmite central

debera ser igual a 2,33 y, por tanto, si resolvemos la ecuacin siguiente: debera ser igual a 2,33 y, por tanto, si resolvemos la ecuacin siguiente:

G 36.000 G 36.000
----------------------------- = 2,33 ----------------------------- = 2,33
77,4597 77,4597

obtenemos que es preciso que G = 36.180,4811 para tener una seguridad del obtenemos que es preciso que G = 36.180,4811 para tener una seguridad del
99% de que esta familia no gastar ms de lo que gana. 99% de que esta familia no gastar ms de lo que gana.

2. Observamos que la diferencia entre la media de nuestros datos y el valor
poblacional es de 5,57. Calcularemos la probabilidad de que, si escogemos a
cuatro de los encuestados al azar, la media del peso de estos individuos difiera
en 5,57 kg o ms de la media que conocemos de la poblacin. Por tanto, de-
bemos calcular:
2. Observamos que la diferencia entre la media de nuestros datos y el valor
poblacional es de 5,57. Calcularemos la probabilidad de que, si escogemos a
cuatro de los encuestados al azar, la media del peso de estos individuos difiera
en 5,57 kg o ms de la media que conocemos de la poblacin. Por tanto, de-
bemos calcular:

P ( X 5,57 ) P ( X 5,57 )

Si esta probabilidad fuese pequea, nos indicara que los encuestados segura- Si esta probabilidad fuese pequea, nos indicara que los encuestados segura-
mente han mentido sobre su peso. Con la ayuda de las tablas, calculamos la mente han mentido sobre su peso. Con la ayuda de las tablas, calculamos la
probabilidad del complementario: probabilidad del complementario:

5,57 X 5,57 5,57 X 5,57
P ( X < 5,57 ) = P ( 5,57 < X < 5,57 ) = P ------------ < ------------- < ------------ = P ( X < 5,57 ) = P ( 5,57 < X < 5,57 ) = P ------------ < ------------- < ------------ =
3,5 3,5 3,5 3,5 3,5 3,5
-------- -------- -------- -------- -------- --------
4 4 4 4 4 4

= P ( 3,18 < t 3 < 3,18 ) = 1 2P ( t 3 3,18 ) = 1 0,05 = 0,95 = P ( 3,18 < t 3 < 3,18 ) = 1 2P ( t 3 3,18 ) = 1 0,05 = 0,95

donde t3 es una t de Student con tres grados de libertad. Debemos utilizar la t donde t3 es una t de Student con tres grados de libertad. Debemos utilizar la t
de Student porque sabemos que la variable de inters sigue una distribucin de Student porque sabemos que la variable de inters sigue una distribucin
normal, pero desconocemos su desviacin tpica (slo tenemos la desviacin normal, pero desconocemos su desviacin tpica (slo tenemos la desviacin
tpica de la muestra). Por tanto: tpica de la muestra). Por tanto:

P ( X 5,57 ) = 1 P ( X < 5,57 ) = 0,05 P ( X 5,57 ) = 1 P ( X < 5,57 ) = 0,05

As pues, parece que nos han mentido, ya que la probabilidad de que la diferencia As pues, parece que nos han mentido, ya que la probabilidad de que la diferencia
entre las medias de los pesos que nos han dicho y 72 es muy pequea, del orden entre las medias de los pesos que nos han dicho y 72 es muy pequea, del orden
de 0,05. de 0,05.

Observad que podemos hacer todos estos clculos con las tablas de la t de Student. Observad que podemos hacer todos estos clculos con las tablas de la t de Student.
 FUOC P03/75057/01008 13
El teorema del lmite central
La distribucin de la media muestral de una poblacin normal es una distri-
bucin normal con la misma media poblacional y con desviacin tpica el
error estndar. Este hecho nos permite calcular probabilidades cuando tene-
mos una muestra de una variable con distribucin normal y desviacin tpica
conocida. Cuando no conocemos la desviacin tpica de la variable, tambin
podemos hacer clculos con la distribucin t de Student.
En esta sesin veremos cmo debemos proceder cuando no sabemos si la va-
riable de inters sigue una distribucin normal o no, o cuando sabemos seguro
que su distribucin no es normal.
Cuando la muestra es lo bastante grande, la solucin nos viene dada por uno
de los resultados fundamentales de la estadstica: el teorema del lmite central.
Lo introduciremos con un caso particular: el estudio de la binomial.
1. Aproximacin de la binomial a la normal
Supongamos que jugamos diariamente a un nmero de una lotera que, entre
otros premios, devuelve el importe jugado a todos los nmeros que acaban en
la misma cifra que el nmero ganador.
Consideremos la variable X(n), que no da el nmero de veces que nos han devuel-
to el importe jugado cuando se han realizado n sorteos. En este caso sabemos que
la variable aleatoria X(n) sigue una distribucin binomial de parmetros n y p = binomial de parmetros n y p,
0,1. En efecto, se han hecho n sorteos (es decir, se ha repetido un mismo expe-
rimento n veces de manera independiente) y en cada sorteo la probabilidad de
que nos devuelvan el dinero es p = 1/10 = 0,1 (probabilidad de xito). Sin em-
bargo, observemos qu sucede al aumentar el valor de n con la funcin de den-
sidad de probabilidad de la variable X(n). Si dibujamos esta funcin de
densidad de probabilidad para n = 3, obtenemos el grfico siguiente:
Teorema del lmite central FUOC P03/75057/01008 13 Teorema del lmite central
El teorema del lmite central
La distribucin de la media muestral de una poblacin normal es una distri-
bucin normal con la misma media poblacional y con desviacin tpica el
error estndar. Este hecho nos permite calcular probabilidades cuando tene-
mos una muestra de una variable con distribucin normal y desviacin tpica
conocida. Cuando no conocemos la desviacin tpica de la variable, tambin
podemos hacer clculos con la distribucin t de Student.
En esta sesin veremos cmo debemos proceder cuando no sabemos si la va-
riable de inters sigue una distribucin normal o no, o cuando sabemos seguro
que su distribucin no es normal.
Cuando la muestra es lo bastante grande, la solucin nos viene dada por uno
de los resultados fundamentales de la estadstica: el teorema del lmite central.
Lo introduciremos con un caso particular: el estudio de la binomial.
1. Aproximacin de la binomial a la normal
Supongamos que jugamos diariamente a un nmero de una lotera que, entre
otros premios, devuelve el importe jugado a todos los nmeros que acaban en
la misma cifra que el nmero ganador.
Consideremos la variable X(n), que no da el nmero de veces que nos han devuel-
Binomial Binomial
to el importe jugado cuando se han realizado n sorteos. En este caso sabemos que
Si X sigue una distribucin Si X sigue una distribucin
la variable aleatoria X(n) sigue una distribucin binomial de parmetros n y p = binomial de parmetros n y p,
entonces: 0,1. En efecto, se han hecho n sorteos (es decir, se ha repetido un mismo expe- entonces:
P ( X = k ) = n p ( 1 p ) P ( X = k ) = n p ( 1 p )
k nk k nk
k rimento n veces de manera independiente) y en cada sorteo la probabilidad de k
para los k {0, ..., n} que nos devuelvan el dinero es p = 1/10 = 0,1 (probabilidad de xito). Sin em- para los k {0, ..., n}
bargo, observemos qu sucede al aumentar el valor de n con la funcin de den-
sidad de probabilidad de la variable X(n). Si dibujamos esta funcin de
densidad de probabilidad para n = 3, obtenemos el grfico siguiente:
 FUOC P03/75057/01008 14 Teorema del lmite central FUOC P03/75057/01008 14 Teorema del lmite central

Si ahora consideramos n = 10, los posibles valores van del 0 al 10, y el grfico Si ahora consideramos n = 10, los posibles valores van del 0 al 10, y el grfico
de la funcin de densidad de probabilidad es: de la funcin de densidad de probabilidad es:

Si tomamos n = 100, el grfico es: Si tomamos n = 100, el grfico es:

Y si por ejemplo tomamos n = 500, el grfico de la funcin de probabilidad es: Y si por ejemplo tomamos n = 500, el grfico de la funcin de probabilidad es:
 FUOC P03/75057/01008 15 Teorema del lmite central FUOC P03/75057/01008 15 Teorema del lmite central

Vemos, pues, que el perfil de este grfico cada vez se parece ms al de la funcin
de densidad de probabilidad de una variable aleatoria normal. La conclusin
que extraemos de este experimento es que si n es lo bastante grande, la variable
aleatoria X(n) es aproximadamente normal. Determinaremos ahora la media y
la desviacin de esta variable aleatoria, que sern las correspondientes a la mis-
ma X(n):
Vemos, pues, que el perfil de este grfico cada vez se parece ms al de la funcin
de densidad de probabilidad de una variable aleatoria normal. La conclusin
que extraemos de este experimento es que si n es lo bastante grande, la variable
aleatoria X(n) es aproximadamente normal. Determinaremos ahora la media y
la desviacin de esta variable aleatoria, que sern las correspondientes a la mis-
ma X(n):

La esperanza de esta variable es: La esperanza de esta variable es:

n p = 0,1 n n p = 0,1 n

y la varianza: y la varianza:

np(1 p) = n(0,1) (0,9) = 0,09n np(1 p) = n(0,1) (0,9) = 0,09n

stos sern los parmetros de la variable aleatoria normal que aproxima la dis- stos sern los parmetros de la variable aleatoria normal que aproxima la dis-
tribucin de X(n). As pues, si n es lo bastante grande, X(n) se comporta como tribucin de X(n). As pues, si n es lo bastante grande, X(n) se comporta como
una N(0,1n; 0,09n). una N(0,1n; 0,09n).

Sea X una variable aleatoria con distribucin binomial de parmetros n Sea X una variable aleatoria con distribucin binomial de parmetros n
y p. Si n es grande, entonces la distribucin de X es aproximadamente y p. Si n es grande, entonces la distribucin de X es aproximadamente
2
normal con esperanza = np y varianza = np(1 p). En la prctica se normal con esperanza = np y varianza 2 = np(1 p). En la prctica se
suele utilizar esta aproximacin cuando np y n(1 p) son mayores que suele utilizar esta aproximacin cuando np y n(1 p) son mayores que
5, o bien cuando n > 30. 5, o bien cuando n > 30.

Este resultado nos permite simplificar bastante los clculos en algunas situa- Este resultado nos permite simplificar bastante los clculos en algunas situa-
ciones. ciones.

Ejemplo de la lotera Ejemplo de la lotera

Cul es la probabilidad aproximada de que en un ao nos hayan devuelto el dinero al Cul es la probabilidad aproximada de que en un ao nos hayan devuelto el dinero al
menos cincuenta veces? De hecho, debemos calcular la probabilidad P(X(365) 50). Si menos cincuenta veces? De hecho, debemos calcular la probabilidad P(X(365) 50). Si
quisiramos obtener el valor exacto de esta probabilidad, por el hecho de que X(365) quisiramos obtener el valor exacto de esta probabilidad, por el hecho de que X(365)
es una binomial de parmetros 365 y p = 0,1, deberamos hacer el clculo siguiente: es una binomial de parmetros 365 y p = 0,1, deberamos hacer el clculo siguiente:

P(X(365) 50) = 1 P(X(365) < 50) = P(X(365) 50) = 1 P(X(365) < 50) =

= 1 P(X(365) = 0) P(X(365) = 1) P(X(365) = 2) ... P(X(365) = 49) = 1 P(X(365) = 0) P(X(365) = 1) P(X(365) = 2) ... P(X(365) = 49)

donde cada una de estas probabilidades se encontrara mediante la frmula de la binomial donde cada una de estas probabilidades se encontrara mediante la frmula de la binomial
que ya conocemos, en nuestro caso: que ya conocemos, en nuestro caso:

P ( X ( 365 ) = k ) = 365 ( 0,1 ) ( 0,9 ) P ( X ( 365 ) = k ) = 365 ( 0,1 ) ( 0,9 )

k 365 k k 365 k
k k

En cambio, si renunciamos a pedir que la probabilidad sea exacta y nos conformamos con En cambio, si renunciamos a pedir que la probabilidad sea exacta y nos conformamos con
una muy buena aproximacin, podemos utilizar el hecho de que la distribucin de X(365) una muy buena aproximacin, podemos utilizar el hecho de que la distribucin de X(365)
se puede aproximar por una normal de parmetros = 365 0,1 = 36,5 y 2 = 365 0,09 = se puede aproximar por una normal de parmetros = 365 0,1 = 36,5 y 2 = 365 0,09 =
32,85. As: 32,85. As:

( 365 ) 36,5- 50 36,5- ( 365 ) 36,5- 50 36,5-

P ( X ( 365 ) 50 ) = P X
------------------------------------- ------------------------ P ( X ( 365 ) 50 ) = P X
------------------------------------- ------------------------
32,85 32,85 32,85 32,85
 FUOC P03/75057/01008 16 Teorema del lmite central FUOC P03/75057/01008 16 Teorema del lmite central

y si llamamos Z a una variable aleatoria normal (0,1), esta probabilidad ser aproximada- y si llamamos Z a una variable aleatoria normal (0,1), esta probabilidad ser aproximada-
mente: mente:

50 36,5 50 36,5
P Z ------------------------- = P ( Z 2,36 ) = 0,0091 P Z ------------------------- = P ( Z 2,36 ) = 0,0091
32,85 32,85

Por tanto, la probabilidad aproximada de que nos devuelvan el dinero cincuenta veces o Por tanto, la probabilidad aproximada de que nos devuelvan el dinero cincuenta veces o
ms a lo largo del ao es nicamente del 0,0091. ms a lo largo del ao es nicamente del 0,0091.

Observad que hemos calculado P(X(365) 50), pero que esta cantidad es la misma que Observad que hemos calculado P(X(365) 50), pero que esta cantidad es la misma que
P(X(365) 49,5), ya que la variable slo toma valores naturales. Fijaos en que si la aproxi- P(X(365) 49,5), ya que la variable slo toma valores naturales. Fijaos en que si la aproxi-
mamos por la normal, obtendremos: mamos por la normal, obtendremos:

X ( 365 ) 36,5 49,5 36,5 X ( 365 ) 36,5 49,5 36,5

P ( X ( 365 ) 49,5 ) = P -------------------------------------- ------------------------------- P ( X ( 365 ) 49,5 ) = P -------------------------------------- -------------------------------
32,85 32,85 32,85 32,85

49,5 36,5 49,5 36,5

= P Z ------------------------------- = P ( Z 2,26 ) = 0,0119 = P Z ------------------------------- = P ( Z 2,26 ) = 0,0119
32,85 32,85

que es una cantidad ligeramente diferente de la obtenida antes. Se dice que este valor se que es una cantidad ligeramente diferente de la obtenida antes. Se dice que este valor se
ha obtenido haciendo una correccin de continuidad, ya que aproximamos una varia- ha obtenido haciendo una correccin de continuidad, ya que aproximamos una varia-
ble discreta por una continua. Podemos considerar buenos los dos resultados. ble discreta por una continua. Podemos considerar buenos los dos resultados.

1.1. Estudio de la proporcin 1.1. Estudio de la proporcin

Hemos visto que cuando n es grande, podemos aproximar una binomial (n,p) Hemos visto que cuando n es grande, podemos aproximar una binomial (n,p)
2
por una normal de parmetros = np y = np(1 p). Por otro lado, sabemos por una normal de parmetros = np y 2 = np(1 p). Por otro lado, sabemos
que podemos considerar la variable aleatoria binomial como la suma de n va- que podemos considerar la variable aleatoria binomial como la suma de n va-
riables aleatorias con distribucin de Bernoulli de parmetro p. Si dividimos riables aleatorias con distribucin de Bernoulli de parmetro p. Si dividimos
esta suma por n, obtenemos claramente la proporcin de xitos. esta suma por n, obtenemos claramente la proporcin de xitos.
Ejemplo de la lotera Ejemplo de la lotera

En el ejemplo de la lotera po- En el ejemplo de la lotera po-

Una proporcin corresponde a hacer la media de n variables aleatorias demos pensar que X(n), el n-
mero de veces que nos han
de Bernoulli de parmetro p, donde n es el tamao de la muestra y p, la devuelto el dinero en n sorteos,
es una suma de n variables,
probabilidad de xito de cada acontecimiento individual. cada una de las cuales vale 1
si aquel da concreto nos han
devuelto el dinero, y 0 en caso
contrario. La suma de las n va-
Ejemplo de clculo de una proporcin riables nos da el nmero de ve-
ces que nos han devuelto el
Si queremos calcular la proporcin de catalanes que se ha conectado hoy a Internet, pode- dinero en los n sorteos, y si
dividimos por n obtenemos la
mos considerar que a cada cataln le corresponde una variable Bernoulli que vale 1 si se co-
proporcin de sorteos en los
necta o 0 si no lo hace. Para calcular la proporcin, debemos dividir el nmero de catalanes que esto sucede.
que se han conectado por el nmero total de catalanes.
Una proporcin corresponde a hacer la media de n variables aleatorias demos pensar que X(n), el n-
mero de veces que nos han
de Bernoulli de parmetro p, donde n es el tamao de la muestra y p, la devuelto el dinero en n sorteos,
es una suma de n variables,
probabilidad de xito de cada acontecimiento individual. cada una de las cuales vale 1
si aquel da concreto nos han
devuelto el dinero, y 0 en caso
contrario. La suma de las n va-
Ejemplo de clculo de una proporcin riables nos da el nmero de ve-
ces que nos han devuelto el
Si queremos calcular la proporcin de catalanes que se ha conectado hoy a Internet, pode- dinero en los n sorteos, y si
dividimos por n obtenemos la
mos considerar que a cada cataln le corresponde una variable Bernoulli que vale 1 si se co-
proporcin de sorteos en los
necta o 0 si no lo hace. Para calcular la proporcin, debemos dividir el nmero de catalanes que esto sucede.
que se han conectado por el nmero total de catalanes.

Puesto que hemos visto que la suma de n distribuciones de Bernoulli de par-
Utilidad de las
metro p, que es una binomial (n,p), es aproximadamente una distribucin nor- proporciones
mal con media np y varianza np(1 p), est claro que la proporcin (que es la La estadstica cada vez se
suma de las n distribuciones de Bernoulli dividida por n), tendr esperanza p y des- utiliza ms y las encuestas
aparecen todos los da en los
viacin tpica p ( 1 p ) n. diarios. Nos interesa saber
qu proporcin de electores
votarn a un determinado par-
tido, qu proporcin de ciuda-
Por tanto, cuando el tamao de la muestra, n, es grande, la distribucin danos rechaza un determinado
plan o una determinada ley
de la proporcin es aproximadamente una distribucin normal de espe- que est preparando el gobier-
ranza p y desviacin tpica p ( 1 p ) n. En este caso p ( 1 p ) n corres- no, qu proporcin de consu-
midores estarn interesados en
ponde al error estndar. un nuevo producto que quere-
mos lanzar al mercado, etc.
Puesto que hemos visto que la suma de n distribuciones de Bernoulli de par-
Utilidad de las
metro p, que es una binomial (n,p), es aproximadamente una distribucin nor- proporciones
mal con media np y varianza np(1 p), est claro que la proporcin (que es la La estadstica cada vez se
suma de las n distribuciones de Bernoulli dividida por n), tendr esperanza p y des- utiliza ms y las encuestas
aparecen todos los da en los
viacin tpica p ( 1 p ) n. diarios. Nos interesa saber
qu proporcin de electores
votarn a un determinado par-
tido, qu proporcin de ciuda-
Por tanto, cuando el tamao de la muestra, n, es grande, la distribucin danos rechaza un determinado
plan o una determinada ley
de la proporcin es aproximadamente una distribucin normal de espe- que est preparando el gobier-
ranza p y desviacin tpica p ( 1 p ) n. En este caso p ( 1 p ) n corres- no, qu proporcin de consu-
midores estarn interesados en
ponde al error estndar. un nuevo producto que quere-
mos lanzar al mercado, etc.
 FUOC P03/75057/01008 17 Teorema del lmite central FUOC P03/75057/01008 17 Teorema del lmite central

Ejemplo de distribucin de la proporcin Ejemplo de distribucin de la proporcin

Preguntamos a una muestra de habitantes de una poblacin su opinin sobre la posible
construccin de un pantano. La probabilidad de que un individuo concreto de la pobla-
cin est de acuerdo con la construccin del pantano es p, y n es el nmero de habitantes
entrevistados. El 30% de los encuestados est a favor de la construccin del pantano, es decir,
podemos establecer que p = 0,3. Si hemos preguntado a cuatrocientos habitantes, entonces
encontramos que la distribucin de la proporcin de habitantes que estn a favor de la cons-
truccin del pantano, que denotaremos por p, es:
Preguntamos a una muestra de habitantes de una poblacin su opinin sobre la posible
construccin de un pantano. La probabilidad de que un individuo concreto de la pobla-
cin est de acuerdo con la construccin del pantano es p, y n es el nmero de habitantes
entrevistados. El 30% de los encuestados est a favor de la construccin del pantano, es decir,
podemos establecer que p = 0,3. Si hemos preguntado a cuatrocientos habitantes, entonces
encontramos que la distribucin de la proporcin de habitantes que estn a favor de la cons-
truccin del pantano, que denotaremos por p, es:

0,3 ( 1 0,3 ) 0,3 ( 1 0,3 )

N 0,3; -------------------------------- = N ( 0,3; 0,0005 ) N 0,3; -------------------------------- = N ( 0,3; 0,0005 )
400 400

Para calcular la probabilidad de que la proporcin de habitantes a favor sea mayor del 40%, Para calcular la probabilidad de que la proporcin de habitantes a favor sea mayor del 40%,
deberamos hacer: deberamos hacer:

p 0,3 0,4 0,3 p 0,3 0,4 0,3

P ( p > 0,4 ) = P ----------------------- > ------------------------ = P ( Z > 4,47 ) = 0 P ( p > 0,4 ) = P ----------------------- > ------------------------ = P ( Z > 4,47 ) = 0
0,0005 0,0005 0,0005 0,0005

donde Z indica una distribucin normal estndar. donde Z indica una distribucin normal estndar.

2. El teorema del lmite central 2. El teorema del lmite central

Sabemos que la distribucin de la media muestral de una variable normal o Sabemos que la distribucin de la media muestral de una variable normal o
bien tiene distribucin normal o bien se corresponde con una t de Student. bien tiene distribucin normal o bien se corresponde con una t de Student.
Tambin hemos visto que si las variables originales siguen una distribucin de Tambin hemos visto que si las variables originales siguen una distribucin de
Bernoulli, entonces su media es una proporcin y, en este caso, cuando n es lo Bernoulli, entonces su media es una proporcin y, en este caso, cuando n es lo
bastante grande, su distribucin muestral tambin es una normal. bastante grande, su distribucin muestral tambin es una normal.

El ltimo resultado es cierto sea cual sea la distribucin de los datos originales. El ltimo resultado es cierto sea cual sea la distribucin de los datos originales.
Es decir, no es preciso que partamos ni de distribuciones normales ni de dis- Es decir, no es preciso que partamos ni de distribuciones normales ni de dis-
tribuciones de Bernoulli, ya que para muestras de tamaos lo bastante gran- tribuciones de Bernoulli, ya que para muestras de tamaos lo bastante gran-
des, la distribucin de la media muestral es normal sea cual sea la distribucin des, la distribucin de la media muestral es normal sea cual sea la distribucin
original. Este resultado fundamental de la estadstica tiene un nombre propio: original. Este resultado fundamental de la estadstica tiene un nombre propio:
el teorema del lmite central. el teorema del lmite central.

Qu significa n bastante Qu significa n bastante

El teorema del lmite central dice que si una muestra es lo bastante gran- grande? El teorema del lmite central dice que si una muestra es lo bastante gran- grande?
de (n > 30), sea cual sea la distribucin de la variable de inters, la distri- Consideraremos que n es lo de (n > 30), sea cual sea la distribucin de la variable de inters, la distri- Consideraremos que n es lo
bucin de la media muestral ser aproximadamente una normal. Adems, bastante grande cuando, bucin de la media muestral ser aproximadamente una normal. Adems, bastante grande cuando,
como mnimo, n > 30. como mnimo, n > 30.
la media ser la misma que la de la variable de inters, y la desviacin t- la media ser la misma que la de la variable de inters, y la desviacin t-
pica de la media muestral ser aproximadamente el error estndar. pica de la media muestral ser aproximadamente el error estndar.

Una consecuencia de este teorema es la siguiente: Una consecuencia de este teorema es la siguiente:

Clculo del error estndar Clculo del error estndar

Dada cualquier variable aleatoria con esperanza y para n lo bastante
Recordemos que si la variable
grande, la distribucin de la variable ( X ) ( error estndar ) es una tiene una desviacin tpica co-
normal estndar. nocida , el error estndar se
puede calcular como n .
Cuando es desconocida,
calculamos el error estndar
como s n .
Ejemplo de aplicacin del teorema del lmite central
Dada cualquier variable aleatoria con esperanza y para n lo bastante
Recordemos que si la variable
grande, la distribucin de la variable ( X ) ( error estndar ) es una tiene una desviacin tpica co-
normal estndar. nocida , el error estndar se
puede calcular como n .
Cuando es desconocida,
calculamos el error estndar
como s n .
Ejemplo de aplicacin del teorema del lmite central

Una empresa de mensajera que opera en la ciudad tarda una media de 35 minutos en lle- Una empresa de mensajera que opera en la ciudad tarda una media de 35 minutos en lle-
var un paquete, con una desviacin tpica de 8 minutos. Supongamos que durante el da var un paquete, con una desviacin tpica de 8 minutos. Supongamos que durante el da
de hoy han repartido doscientos paquetes. de hoy han repartido doscientos paquetes.
 FUOC P03/75057/01008 18 Teorema del lmite central FUOC P03/75057/01008 18 Teorema del lmite central

a) Cul es la probabilidad de que la media de los tiempos de entrega de hoy est entre a) Cul es la probabilidad de que la media de los tiempos de entrega de hoy est entre
30 y 35 minutos? 30 y 35 minutos?

b) Cul es la probabilidad de que, en total, para los doscientos paquetes hayan estado b) Cul es la probabilidad de que, en total, para los doscientos paquetes hayan estado
ms de 115 horas? ms de 115 horas?

Consideremos la variable X = Tiempo de entrega del paquete. Sabemos que su media Consideremos la variable X = Tiempo de entrega del paquete. Sabemos que su media
es 35 minutos y su desviacin tpica, 8. Pero fijaos en que no sabemos si esta variable si- es 35 minutos y su desviacin tpica, 8. Pero fijaos en que no sabemos si esta variable si-
gue una distribucin normal. Durante el da de hoy se han entregado n = 200 paquetes. gue una distribucin normal. Durante el da de hoy se han entregado n = 200 paquetes.
Es decir, tenemos una muestra x1, x2, ..., xn de nuestra variable. Es decir, tenemos una muestra x1, x2, ..., xn de nuestra variable.

Por el teorema del lmite central sabemos que la media muestral se comporta como una Por el teorema del lmite central sabemos que la media muestral se comporta como una
normal de esperanza 35 y desviacin tpica: normal de esperanza 35 y desviacin tpica:

8 8
-------------- = 0,566 -------------- = 0,566
200 200

Si utilizamos esta aproximacin, ya podemos contestar a la pregunta a. Debemos calcular: Si utilizamos esta aproximacin, ya podemos contestar a la pregunta a. Debemos calcular:

30 35 X 35 35 35 30 35 X 35 35 35
P ( 30 X 35 ) = P ------------------- ----------------- ------------------- P ( 30 X 35 ) = P ------------------- ----------------- -------------------
0,566 0,566 0,566 0,566 0,566 0,566

que es aproximadamente igual a la probabilidad siguiente: que es aproximadamente igual a la probabilidad siguiente:

P 30 35 Z 35
------------------- 35 = P ( 8,83 Z 0 ) = P ( Z 0 ) P ( Z 8,83 ) =
------------------- P 30 35 Z 35
------------------- 35 = P ( 8,83 Z 0 ) = P ( Z 0 ) P ( Z 8,83 ) =
-------------------
0,566 0,566 0,566 0,566

= 0,5 0 = 0,5 = 0,5 0 = 0,5

donde Z es una normal (0,1). Es decir, tenemos una probabilidad aproximada del 0,4616 donde Z es una normal (0,1). Es decir, tenemos una probabilidad aproximada del 0,4616
de que la media del tiempo de entrega de hoy haya estado entre 30 y 35 minutos. de que la media del tiempo de entrega de hoy haya estado entre 30 y 35 minutos.

Por lo que respecta a la segunda pregunta, de entrada debemos pasar las horas a minutos, Por lo que respecta a la segunda pregunta, de entrada debemos pasar las horas a minutos,
ya que sta es la unidad con la que nos viene dada la variable. Observad que 115 horas por ya que sta es la unidad con la que nos viene dada la variable. Observad que 115 horas por
60 minutos nos dan 6.900 minutos. Se nos pide que calculemos la probabilidad siguiente: 60 minutos nos dan 6.900 minutos. Se nos pide que calculemos la probabilidad siguiente:

6.900 6.900
P X > --------------- = P ( X > 34,5 ) P X > --------------- = P ( X > 34,5 )
200 200

y como que sabemos que la media se distribuye aproximadamente como una normal de
media 35 y desviacin tpica 0,566 (supondremos siempre que la distribucin de la media
es normal, ya sea porque la variable de inters es normal o porque la muestra es lo bas-
tante grande), esta probabilidad se puede aproximar por la probabilidad de una distribu-
cin normal estndar Z:
y como que sabemos que la media se distribuye aproximadamente como una normal de
media 35 y desviacin tpica 0,566 (supondremos siempre que la distribucin de la media
es normal, ya sea porque la variable de inters es normal o porque la muestra es lo bas-
tante grande), esta probabilidad se puede aproximar por la probabilidad de una distribu-
cin normal estndar Z:

P Z > 34,5 35- = P ( Z > 0,88 ) = 1 P ( Z < 0,88 ) = 1 0,1894 = 0,8106

---------------------- P Z > 34,5 35- = P ( Z > 0,88 ) = 1 P ( Z < 0,88 ) = 1 0,1894 = 0,8106
----------------------
0,566 0,566

2.1. Control de calidad 2.1. Control de calidad

Uno de los casos ms habituales en los que podemos aplicar el teorema del l- Uno de los casos ms habituales en los que podemos aplicar el teorema del l-
mite central es a la hora de hacer un proceso de control de calidad. mite central es a la hora de hacer un proceso de control de calidad.

Entenderemos por control de calidad el seguimiento de cierta variable Entenderemos por control de calidad el seguimiento de cierta variable
aleatoria en un proceso de produccin a partir de la media de muestras aleatoria en un proceso de produccin a partir de la media de muestras
sucesivas. sucesivas.

Estableceremos un intervalo, de manera que las medias que caigan fuera de Estableceremos un intervalo, de manera que las medias que caigan fuera de
este intervalo nos indicarn que existe alguna anomala en el proceso de pro- este intervalo nos indicarn que existe alguna anomala en el proceso de pro-
 FUOC P03/75057/01008 19
duccin en aquel instante. Los lmites de este intervalo se denominan lmites
de control.
Si es la esperanza de la variable de inters, la desviacin tpica y conside-
ramos una muestra de esta variable de tamao n, los lmites de control ven-
drn dados por + 3 n y 3 n . Es decir, calculamos tres veces el
error estndar a lado y lado de la media. Por tanto, la longitud del intervalo es
dos veces el triple del error estndar.
Por qu tomamos este intervalo? Si aplicamos el teorema del lmite central so-
bre la variable de inters, sabemos que la media de n datos se distribuye como
una normal con media y varianza n . Se demuestra fcilmente que la pro-
babilidad de que una media est fuera del intervalo + 3 n y 3 n es
de 0,001 (esto significa que un valor fuera de este intervalo, si el proceso fun-
cionase correctamente, se puede dar slo con una probabilidad de 0,001). Por
tanto, cuando se d un valor fuera del intervalo, pensaremos que no es casua-
lidad y que el problema es que la variable no se comporta como suponamos.
Ejemplo de realizacin de un control de calidad
Consideremos una mquina que llena tarros de yogur. Supongamos que, de media, cada ta-
rro contiene 125 gramos de yogur con una desviacin tpica de 1,5 gramos. Todas las sema-
nas hacemos un control de la mquina: analizamos una muestra de treinta tarros y
calculamos la media de cada uno. En este ejemplo el error estndar es:
1,5
----------- = 0,274
30
Por tanto, los lmites de control sern:
125 + 3 0,274 = 125,82
125 3 0,274 = 124,18
As pues, si la media de las muestras semanales de tamao 30 est entre estos dos valores, con-
sideraremos que todo est correcto, mentras que si es inferior a 124,18 o superior a 125,82
supondremos que hay alguna anomala en el proceso de produccin, y habr que revisarlo.
Por cierto, fijaos en que para hacer este control de calidad slo se desperdician treinta yogures
a la semana.
3. Resumen
En esta sesin hemos presentado un resultado fundamental de la estadstica, el
teorema del lmite central. Lo hemos desarrollado a partir del estudio de una
proporcin. Hemos acabado viendo una de sus aplicaciones ms habituales, la
realizacin de un control de calidad.
Teorema del lmite central FUOC P03/75057/01008 19 Teorema del lmite central
duccin en aquel instante. Los lmites de este intervalo se denominan lmites
de control.
Si es la esperanza de la variable de inters, la desviacin tpica y conside-
ramos una muestra de esta variable de tamao n, los lmites de control ven-
drn dados por + 3 n y 3 n . Es decir, calculamos tres veces el
error estndar a lado y lado de la media. Por tanto, la longitud del intervalo es
dos veces el triple del error estndar.
Por qu tomamos este intervalo? Si aplicamos el teorema del lmite central so-
bre la variable de inters, sabemos que la media de n datos se distribuye como
una normal con media y varianza n . Se demuestra fcilmente que la pro-
babilidad de que una media est fuera del intervalo + 3 n y 3 n es
de 0,001 (esto significa que un valor fuera de este intervalo, si el proceso fun-
cionase correctamente, se puede dar slo con una probabilidad de 0,001). Por
tanto, cuando se d un valor fuera del intervalo, pensaremos que no es casua-
lidad y que el problema es que la variable no se comporta como suponamos.
Ejemplo de realizacin de un control de calidad
Consideremos una mquina que llena tarros de yogur. Supongamos que, de media, cada ta-
rro contiene 125 gramos de yogur con una desviacin tpica de 1,5 gramos. Todas las sema-
nas hacemos un control de la mquina: analizamos una muestra de treinta tarros y
calculamos la media de cada uno. En este ejemplo el error estndar es:
1,5
----------- = 0,274
30
Por tanto, los lmites de control sern:
125 + 3 0,274 = 125,82
125 3 0,274 = 124,18
As pues, si la media de las muestras semanales de tamao 30 est entre estos dos valores, con-
sideraremos que todo est correcto, mentras que si es inferior a 124,18 o superior a 125,82
supondremos que hay alguna anomala en el proceso de produccin, y habr que revisarlo.
Por cierto, fijaos en que para hacer este control de calidad slo se desperdician treinta yogures
a la semana.
3. Resumen
En esta sesin hemos presentado un resultado fundamental de la estadstica, el
teorema del lmite central. Lo hemos desarrollado a partir del estudio de una
proporcin. Hemos acabado viendo una de sus aplicaciones ms habituales, la
realizacin de un control de calidad.
 FUOC P03/75057/01008 20 Teorema del lmite central FUOC P03/75057/01008 20 Teorema del lmite central

Ejercicios Ejercicios

1. En un experimento de laboratorio se mide el tiempo de una reaccin qumi-
ca. Se ha repetido el experimento 98 veces y se obtiene que la media de los 98
experimentos es de 5 segundos con una desviacin de 0,05 segundos. Cul es
la probabilidad de que la media poblacional difiera de la media muestral en
menos de 0,01 segundos?
1. En un experimento de laboratorio se mide el tiempo de una reaccin qumi-
ca. Se ha repetido el experimento 98 veces y se obtiene que la media de los 98
experimentos es de 5 segundos con una desviacin de 0,05 segundos. Cul es
la probabilidad de que la media poblacional difiera de la media muestral en
menos de 0,01 segundos?

2. Se establece un control de calidad para un proceso de produccin de balas.
Se ha dispuesto que cuando el proceso est bajo control, el dimetro de las balas
es de 1 cm, con una desviacin tpica de 0,003 cm. Cada hora se toman muestras
de nueve balas y se miden sus dimetros. Los dimetros de media de diez mues-
tras sucesivas, en centmetros, son:
2. Se establece un control de calidad para un proceso de produccin de balas.
Se ha dispuesto que cuando el proceso est bajo control, el dimetro de las balas
es de 1 cm, con una desviacin tpica de 0,003 cm. Cada hora se toman muestras
de nueve balas y se miden sus dimetros. Los dimetros de media de diez mues-
tras sucesivas, en centmetros, son:

1,0006 0,9997 0,9992 1,0012 1,0008 1,0006 0,9997 0,9992 1,0012 1,0008
1,0012 1,0018 1,0016 1,0020 1,0022 1,0012 1,0018 1,0016 1,0020 1,0022

Estableced cules son los lmites de control y explicad qu podis concluir so- Estableced cules son los lmites de control y explicad qu podis concluir so-
bre el proceso de produccin en estos instantes. bre el proceso de produccin en estos instantes.

Solucionario Solucionario

1. Dado que la muestra es grande, por el teorema del lmite central podemos 1. Dado que la muestra es grande, por el teorema del lmite central podemos
suponer que la distribucin de la media es una normal de media y desviacin suponer que la distribucin de la media es una normal de media y desviacin
tpica el error estndar. Por tanto, la probabilidad que nos preguntan, que es: tpica el error estndar. Por tanto, la probabilidad que nos preguntan, que es:

0,01 X 0,01 0,01 X 0,01
P ( X < 0,01 ) = P ( 0,01 < X < 0,01 ) = P ------------ < ------------- < ------------ = P ( X < 0,01 ) = P ( 0,01 < X < 0,01 ) = P ------------ < ------------- < ------------ =
0,05 0,05 0,05
------------ ------------ ------------ 0,05 0,05 0,05
------------ ------------ ------------
98 98 98 98 98 98

X X
= P 1,98 < ------------- < 1,98 = P 1,98 < ------------- < 1,98
0,05 0,05
------------ ------------
98 98

se puede aproximar por la probabilidad de una distribucin normal estndar Z: se puede aproximar por la probabilidad de una distribucin normal estndar Z:

P(1,98 < Z < 1,98) = 1 2 0,0239 = 0,9522. P(1,98 < Z < 1,98) = 1 2 0,0239 = 0,9522.

Por tanto, la probabilidad que nos piden es de 0,9522. Por tanto, la probabilidad que nos piden es de 0,9522.

2. Observamos que la media = 1 y que el error estndar es: 2. Observamos que la media = 1 y que el error estndar es:

0,003 0,003
------- = --------------- = 0,001 ------- = --------------- = 0,001
n 10 n 10
 FUOC P03/75057/01008 21
Por tanto, los lmites de control sern 1,003 y 0,997. Observemos que absoluta-
mente todas las medias que hemos obtenido de las sucesivas muestras estn
dentro del intervalo formado por los dos lmites de control. Es decir, no hay nin-
gn dato superior a 1,003 ni ningn dato inferior a 0,997. Por tanto, podemos
concluir que el proceso de control ha sido correcto durante el tiempo que lo he-
mos analizado, y que no hemos detectado ninguna anomala.
Teorema del lmite central FUOC P03/75057/01008 21 Teorema del lmite central
Por tanto, los lmites de control sern 1,003 y 0,997. Observemos que absoluta-
mente todas las medias que hemos obtenido de las sucesivas muestras estn
dentro del intervalo formado por los dos lmites de control. Es decir, no hay nin-
gn dato superior a 1,003 ni ningn dato inferior a 0,997. Por tanto, podemos
concluir que el proceso de control ha sido correcto durante el tiempo que lo he-
mos analizado, y que no hemos detectado ninguna anomala.