1.

Distribuciones Derivadas del Muestreo

1.3 Teorema del Límite Central

1.3 Teorema del Límite Central

1.3.1 Teorema del Límite Central

Del ejemplo expuesto en la distribución de muestreo sugieren varios aspectos:

1.- La media de la distribución muestral de medias es igual a la media

poblacional, sin importar la magnitud de muestra, incluso si la población no es
normal.
2.- Al incrementarse el tamaño de la muestra la distribución muestral de
medias se acercará a la normalidad.
3.- La desviación de las medias del muestreo (error estándar) varía inversamente
proporcional a la magnitud de muestra.

Esta relación entre la forma de la distribución de la población y la forma de la

distribución de muestro se denomina teorema del límite central, el cual es tal
vez el más importante de toda la estadística inferencial, puesto que permite
utilizar estadísticas muestrales para hacer inferencias a parámetros poblacionales
sin saber nada sobre la forma de la distribución de frecuencias de esa población
más que lo que se puede obtener de la muestras. Este teorema queda enunciado
de la siguiente forma:

"Si " "es la media de una muestra aleatoria de tamaño "n" extraída de
una población con media " " y desviación finita (conocida) " ",
entonces

es el valor de una variable cuya función de distribución se aproxima a la

de la distribución normal estándar cuando

Donde:

.Z = puntuación estandarizada
= media muestral
= media poblacional o media de la distribución muestral
= error estándar de la media
OBSERVE Y ANALICE:

a) La media y desviación poblacional deben ser conocidas.

b) La magnitud de muestra debe ser grande ("n mayor o igual a 30", tiende a
infinito)
c) La distribución muestral tiende a ser normal
d) La fórmula de la distribución normal estándar muestral es parecida a la de
distribución normal estándar para variables aleatorias continuas, cambiando
únicamente los datos individuales por muestrales.

Los gráficos siguientes muestran que, independientemente de la forma de la

distribución poblacional, la distribución muestral de medias es aproximadamente

normal con media " " desviación , siendo la magnitud de la muestra

grande (n 30)
La ilustración muestra la tendencia hacia la normalidad para la distribución
muestral de medias como incrementos de tamaños muestrales.

Al cumplir la distribución muestral con la normalidad, también cumple con los

porcentajes de distribución especificados en la regla empírica. A continuación se
expondrá la representación gráfica del teorema del límite central

1.3.2 Casos especiales para el Cálculo del Error Estándar

Hasta este punto en nuestro análisis de las distribuciones de muestro hemos

utilizado la ecuación para calcular el error estándar de la media.

Esta ecuación está diseñada para situaciones en las que:

a) La población es infinita, es decir la magnitud poblacional es desconocida (N)

b) Para muestreo con reemplazo (es decir, después de que se ha muestreado
cada elemento, éste se regresa a la población antes de elegir el siguiente
elemento, de tal forma que es posible que el mismo elemento sea elegido más de
una vez (población infinita)
c) Para muestras cuya magnitud sea menor al 5% de la magnitud poblacional (n
< 0.05 N)

Existen casos en donde la magnitud poblacional es finita (N conocida), por

ejemplo estudios sobre los clientes de una empresa, la producción en un día
determinada en una fábrica manufacturera, etc. En estos casos la población es
conocida, así que es necesario modificar la ecuación del error estándar agregando
un factor de corrección, conocido como multiplicador de población finita

= error estándar de la distribución de medias

= desviación estándar de la población
n = Magnitud muestral
N = Magnitud Poblacional

Este factor se utiliza en los siguientes casos:

a) La población es finita, es decir la magnitud poblacional es conocida (N)

d) Para muestreo sin reemplazo
e) Para muestras cuya magnitud sea mayor al 5% de la magnitud poblacional n >
0.05 N

En muchos estudios inferenciales la desviación poblacional es desconocida,

pero se conoce la desviación de la(s) muestra(s), en estos casos para
calcular el error estándar se utiliza precisamente la desviación de la muestra
como un estimador de la poblacional, siempre y cuando la magnitud de la muestra
sea grande (por lo menos de 30 elementos n 30)

Para poder aplicar el TEOREMA DEL LÍMITE CENTRAL es necesario saber calcular
el error estándar de la distribución.
A continuación se ejemplificarán los casos mencionados para su calculo:

1.3.3 Ejemplos

* Para encontrar los valores de la puntuaciones en Tabla consultar la

siguiente dirección:
http://www.fie.us.es/~calvo/tablas_estadisticas.html

EJEMPLO 1
POBLACIÓN INFINITA, DESVIACIÓN POBLACIONAL CONOCIDA ( ), NO
IMPORTANDO LA MAGNITUD DE LA MUESTRA (n)

a) Un despacho contable tiene un gran número de clientes. El contador general

sabe que en promedio las cuentas por cobrar son de $30,000 y que la desviación
es de $ 2000.00. Si el contador toma una muestra de 25 cuentas por cobrar:

Calcule el error estándar de la distribución

:__ SOLUCIÓN:___ :

OBSERVE Y ANALICE: Este problema cae en el primer caso del uso de la aplicación
del teorema del límite central, puesto que se conoce la desviación población y
no importa cual sea la magnitud de la muestra

EJEMPLO 2
POBLACIÓN INFINITA, DESVIACIÓN POBLACIONAL DESCONOCIDA ( n
30), MUESTRA GRANDE (n 30), DESVIACIÓN MUESTRAL CONOCIDA ( S )

b) Suponga ahora que el contador no conoce la desviación de todas las cuentas

por cobrar, pero sí la desviación de una muestra de 36 cuentas, la cual es de s=
$1800.00. Calcule ahora el error estándar de la distribución

:__ SOLUCIÓN::___

OBSERVE Y ANALICE: Este es el tercer caso de la aplicación del teorema del límite
central ya que se desconoce la desviación poblacional, pero como n 30 se
puede utilizar su desviación como estimador de la desviación poblacional.

EJEMPLO 3
POBLACIÓN FINITA

c) Supóngase que el contador sabe que el número total de cuentas por cobrar es
del 1000, con desviación $ 2000.00 y media de $30 000.00. Si selecciona una
muestra de 75 cuentas , calcule el error estándar de la distribución .

:__ SOLUCIÓN::___

En este ejemplo se está proporcionando la magnitud poblacional "N" y la

magnitud de la muestra "n" por lo tanto se tiene que comprobar si:

n > 0.05 N ó n < 0.05 N ya que el cálculo del error estándar de distribución es
diferente para cada caso:

75 > 0.05 ( 1000 )

75 > 50 por lo tanto se tendrá que calcular el error de distribución utilizando el
factor de corrección:

OBSERVE Y ANALICE: En el caso que n < 0.05 N, el cálculo del error estándar de
la distribución hubiera sido:

Una vez que se ha analizado los diferentes casos para calcular el error estándar
de la distribución, a continuación se ejemplificará las aplicaciones que teorema
de límite central

EJEMPLO 4

La distribución de los ingresos anuales de todos los pagadores de un banco con

cinco años de experiencia es aproximadamente normal con media de $ 19 000.00
y desviación de $ 2 000.00. Si se extrae una muestra de 30 pagadores, ¿Cuál es
la probabilidad de que el promedio de los ingresos anuales para la muestra sea:

a) Mayor a $ 19750.00
b) Entre $ 18 250 y $ 19 750

:__ SOLUCIÓN::___

OBSERVE: El problema es parecido a los de distribución de probabilidad normal

para variables, la diferencia es que ahora se esta trabjando con datos muestrales
y por lo tanto se tendrá que aplicar el teorema del límite central,

a)

estandarizando

Como se conoce la desviación poblacional y además la magnitud de la muestra es

mayor que 30

b) Entre $ 18 250 y $ 19 750

estandarizando
1.3.4 Diagramas

CONCLUSIONES
1.- La media de la distribución muestral de medias es igual a la
media poblacional, sin importar la magnitud de muestra, incluso si la
población no es normal.

2.- Al incrementarse el tamaño de la muestra la distribución muestral

de medias se acercará a la normalidad.

3.- La desviación de la distribución muestral de medias es inferior a

la desviación poblacional , debido a que en una población, los valores
individuales pueden ser extremadamente pequeños o grandes y por lo
tanto poseer un rango grande. La disminución en es debido a que al
seleccionar aleatoriamente todas las muestras posibles, los valores
extremos pueden caer en una o varias muestras, afectando así a la media
de las muestra que los incluye, sin embargo su efecto disminuirá al
promediarse con los demás valores de la muestra. Además si se
incrementa la magnitud de la muestra, el efecto del valor extremo se
hace cada vez menor, puesto que se está promediando con más
observaciones:
Esto es: < cuanto la magnitud de muestra "n" es mayor, de aquí,
que el error estándar varía inversamente proporcional a la magnitud de
muestra

4.- La desviación de las medias del muestreo (error estándar de la

distribución) varía inversamente proporcional a la magnitud de muestra

TEOREMA DEL LÍMITE CENTRAL

"Si " "es la media de una muestra aleatoria de tamaño "n"

extraída de una población con media " " y desviación finita
(conocida) " ", entonces
 es el valor de una variable cuya función de distribución se
aproxima a la de la distribución normal estándar cuando

TEOREMA DE LÍMITE CENTRAL

___
• DESVIACIÓN POBLACIONAL • DESVIACIÓN POBLACIONAL
CONOCIDA DESCONOCIDA

• CUALQUIER MAGNITUD DE • DESVIACIÓN DE LA MUESTRA

MUESTRA CONOCIDA "s"
Población infinita Población infinita

n 30 ____

___

• Con reemplazo • Sin reemplazo

Población Finita n<0.05N Población Finita n<0.05N

• Población Finita n>0.05 N • Población Finita n>0.05 N

Sin reemplazo Sin reemplazo

(factor de corrección) (factor de corrección)

CASOS PARA EL CÁLCULO DEL ERROR

ESTÁNDAR DE DISTRIBUCIÓN
 1.- DESVIACIÓN POBLACIONAL 1.- DESVIACIÓN POBLACIONAL
___ CONOCIDA ( ) ___ DESCONOCIDA ( )
2.- CUALQUIER MAGNITUD DE 2.- DESVIACIÓN MUESTRAL
___ MUESTRA ___ CONOCIDA (S)
3.- MAGNITUD MUESTRAL:
___ n 30

MAGNITUD MAGNITUD MAGNITUD MAGNITUD

POBLACIONAL POBLACIONAL POBLACIONAL POBLACIONAL
DESCONOCIDA CONOCIDA DESCONOCIDA CONOCIDA

• n<0.05N • n<0.05N
• Con reemplazo • Con reemplazo

• n>0.05 N • n>0.05 N
• Sin reemplazo • Sin reemplazo

1.3.5 Ejercicios Resueltos

1.- Una máquina llena latas de sopa con un promedio de 15.9 onzas y una de
1 onza, se toma una muestra de 80 latas, sabiendo que la maquina llena 125
latas. ¿Cuál es la probabilidad de que la media de una muestra aleatoria de 80
latas este por debajo de 15.8 onzas?

DATOS:___
:__
:
P( <15.8)
= 15.9
=1
n = 80
Latas
N = 125

En este caso se proporción la magnitud poblacional N=125, por lo tanto para

calcular el error estándar es necesario checar si: n<0.05N ó n>0.05N

Sustituyendo los datos:

(0.05)(125) = 6.25
n > 0.05 N
80 > 6.25

Por lo tanto el error estándar se calcula con el factor de corrección

Estandarizando a la variable

P( <15.8)=P(Z<-1.49)=0.5 - P(0 z -1.49) = 0.5 - 0.4319= 0.0681

2.- Una institución bancaria calcula que sus cuentas de ahorros individuales está
normalmente distribuidas con media de $50 (miles de pesos) y una desviación
estándar de $10 (miles de pesos). Si el banco toma una muestra aleatoria de 36
cuentas. ¿Cuál es la probabilidad de que:

A) La media de la muestra esté entre 45 y 55 (miles de pesos)?

B) La media de la muestra tenga un valor mayor a 48 (miles de pesos)?

DATOS:
n = 36
= 50
= 10

a) P(45 55)
Estandarizando a la variable:
En este caso la magnitud de la población es desconocida, y n>30, por lo tanto el
error estándar se calcula por:

P(45 55) = P(-2.99 Z 2.99)=P( -2.99 Z 0) + P( 0 Z 2.99)=

0.4986+0.4986=0.9972

b) P( > 48)
P(Z >-1.19) = 0.5 + P(0 Z -1.19) = 0.5 + 0.38298=0.88298