TALLER No.

4 – TEORIA DEL LIMITE CENTRAL

Presentado por:

Luz Ángela Petevi Salazar ID. 634485

Sandra Leticia Toro Fernández ID 590202

Presentado a:

Luis Uriel Ninco N.

Corporación Universitaria Minuto de Dios

Garzón – Huila
2020

pág. 1
 TABLA DE CONTENIDO
Pág.

INTRODUCCIÓN---------------------------------------------------------------------------------- 3
OBJETIVOS----------------------------------------------------------------------------------------- 4

1. PUNTO1------------------------------------------------------------------------------------- 5-6
2. PUNTO 2------------------------------------------------------------------------------------ 6-7
3. PUNTO CUADRO EXCEL------------------------------------------------------------- 7-15

CONCLUSIONES--------------------------------------------------------------------------------- 16
BIBLIOGRAFIA----------------------------------------------------------------------------------- 17

pág. 2
 INTRODUCCIÓN

Una variable aleatoria se define continua cuando el conjunto de valores que puede tomar es
un infinito continuo, es decir, puede tomar cualquier valor en un intervalo. Por el contrario,
se define discreta cuando están medidas finitas o infinitas numerables, representan algo que
podemos contar, y no suelen llevar decimales. Las distribuciones de probabilidad más
utilizadas en variables discretas son la distribución binomial y la distribución de Poisson. La
distribución más frecuente en el caso de las variables continuas es la distribución normal.

El Teorema Central del Límite indica que, en condiciones muy generales, la distribución de
la suma de variables aleatorias tiende a una distribución normal cuando la cantidad de
variables es muy grande. Es decir, garantiza una distribución normal cuando n es
suficientemente grande.

La distribución de frecuencias es uno de los primeros pasos que debemos realizar al inicio
del análisis estadístico, conjuntamente con la aplicación de las medidas descriptivas, y refleja
cómo se reparten los individuos de una muestra según los valores de una variable. Cuando
se trata de poblaciones, las probabilidades de observar los diferentes valores de una variable
aleatoria pueden expresarse como una función de probabilidad.

pág. 3
 OBJETIVOS

OBJETIVO GENERAL:

- Conocer más específicamente todo lo concerniente a la teoría del límite central

OBJETIVOS ESPECIFICOS:

- Reconocer todos los aspectos relacionados con el limite central.

- Consultar sobre el teorema del límite central.

pág. 4
 TALLER No. 4 – TEORIA DEL LIMITE CENTRAL

1. Se espera que el diámetro de las pelotas de ping-pong manufacturadas en una gran

fábrica tengan una distribución normal con una media de 1.30 pulgadas y una
desviación estándar de 0.04 pulgadas.

¿Cuál es la probabilidad de que una pelota de ping-pong seleccionada aleatoriamente

tenga un diámetro de:

a. Entre 1.28 y 1.30 pulgadas

b. Entre 1.31 y 1.33 pulgadas.

Respuesta:
Datos:
µ = 1,30 𝑃𝑈𝐿𝐺
 = 0.04 𝑃𝑈𝐿𝐺
𝐴) 𝑥1 = 1.28 𝑥2 = 1.30 𝑃𝑈𝐿𝐺
𝐵) 𝑋 = 1.31 − 1.33 𝑃𝑈𝐿𝐺

a.

1.28 − 1.30 −0.02

𝑧1 = = = −0.5
0.04 0.04

b.

1.3 − 1.3
𝑧2 = = 0
0.04

𝑃(1.28 ≤ 𝑋 ≤ 1.30) = 0.1915 + 0

𝑃(1.28 ≤ 𝑋 ≤ 1.30) = 0.1915

𝑃(1.28 ≤ 𝑋 ≤ 1.30) = 19.15%

El 19.15% es la probabilidad de que las pelotas de Ping Pon estén entre 1.28 y 1.30 Pulgadas.

pág. 5
 Grafica:

2. La cantidad de tiempo que un pagador tarda con cada cliente tiene una media de
población 3.1 minutos y una desviación estándar de 0.40 minutos. Si se selecciona
una muestra aleatoria de 16 clientes.

a) ¿Cuál es la probabilidad de que el tiempo promedio por cliente sea de al menos 3

minutos?

Respuesta:
3 − 3.1 −0.10
𝑧= = = −0.25
0.40 0.40
𝑃(𝑥 = 3) = 0.0713 + 0
𝑃(𝑥 = 3) = 0.0713
𝑃(𝑥 = 3) = 7.13%
La probabilidad de que el tiempo promedio por cliente sea de al menos 3 minutos es del 7.13%

pág. 6
 Gráfica:

3. Dada la tabla No 1. De una muestra de estudiantes de una universidad, se obtuvieron

los siguientes datos
No. No. libros Promedio
No. orden Facultad Sexo hermanos leídos calificación Actualmente Calificaciones Edad Estatura Peso
matemáticas trabaja ICFES (años) (Cm) (Kg)
2 2 2 2 2 4.1 1 360 20 158 48
9 3 2 0 6 3.4 2 320 20 170 70
12 3 1 6 3 3.6 2 330 18 174 78
35 2 2 0 7 3.6 1 280 22 155 60
41 3 1 3 5 4.1 2 320 16 170 72
63 3 2 4 2 3.1 2 320 24 172 69
74 2 2 2 4 3.6 2 325 20 169 66
113 1 1 1 3 3.4 2 280 23 178 82
147 3 1 1 8 5.0 1 310 17 174 83
175 1 2 3 2 2.6 1 270 15 165 60
199 2 2 0 2 3.9 2 290 26 171 66
214 1 1 1 7 3.5 2 310 22 172 80
234 1 1 1 2 3.6 2 320 20 168 70
268 3 1 3 12 3.9 1 310 21 166 64
327 3 1 1 8 5 1 310 17 174 83
331 1 2 0 6 3.4 2 380 20 165 58
364 1 2 3 2 3.3 2 280 16 166 58
400 3 2 0 6 3.6 2 280 17 148 46
405 1 2 2 11 4.6 2 400 24 165 60
470 1 2 3 2 3 1 300 20 164 70
507 3 1 1 8 5 1 310 17 174 83
512 1 2 0 3 2.8 1 310 20 171 59
545 2 1 6 10 3.9 2 310 17 171 64

pág. 7
 557 2 1 6 2 3.1 1 270 21 168 60
587 3 1 1 4 3.3 2 300 32 160 65
589 3 2 2 3 2.6 1 270 17 165 59
590 1 1 0 2 2.7 1 280 19 168 71
616 3 2 0 3 3.8 2 265 19 156 54
621 3 1 0 3 3 2 290 17 171 82
653 1 1 1 3 3.4 2 280 23 178 82
665 2 1 1 2 3.2 2 360 21 158 72
669 3 2 1 1 4 1 315 16 165 61
721 2 1 3 4 2.6 1 410 18 140 46
747 2 2 2 2 4 1 330 18 158 60
748 1 2 3 2 3.3 2 310 17 159 58
761 3 1 3 5 4.1 2 320 16 170 72
771 3 1 1 1 2.8 1 290 24 171 79
825 2 2 8 2 3.7 1 320 22 167 54
873 1 2 3 5 4.2 2 350 22 169 64
876 3 2 6 2 4 2 380 20 165 58
923 1 1 1 3 4.2 1 390 22 174 80
933 1 2 3 10 2.8 2 260 20 165 58
936 2 2 3 10 2.8 2 260 28 158 55
943 3 2 2 6 3.8 2 280 20 168 64
976 3 2 0 3 3.8 2 265 19 156 54
982 3 1 0 6 3 2 410 18 174 86
1001 3 1 3 5 3.1 2 280 17 169 76
1017 2 1 5 2 3.8 2 290 15 162 70
1025 2 1 1 2 3.2 2 360 21 158 72
1037 3 2 0 2 3.3 2 325 19 164 60

1. De la variable edad, calcule la probabilidad que esta sea mayor a 21.

Respuesta:

suma 993
µ 19,86
n 50
X 21
σ 3,3443
Z= 2,41

21 − 19.86
𝑍=
3.34
√50
1.14
𝑍=
3.34
7.07

pág. 8
 1.14
𝑍=
0.47

𝑍 = 2.43

𝑃(𝑋 < 21) = 0.4981 + 0

𝑃(𝑋 < 21) = 0.4981
𝑃(𝑋 < 21) = 49.81%

la probabilidad que esta sea mayor a 21 es de 49.81%

Gráfica:

2. De la variable edad, calcule la probabilidad de que este entre 19 y 21.

Respuesta:

suma 3321
suma 3321
µ 66,42
µ 66,42
n 50
n 50
X 21
X 19
σ 10,523
σ 10,523

pág. 9
 19 − 66.42 −47.42
𝑍1 = = = −4.51
10.523 10.523
21 − 66.42 −45.42
𝑍2 = = = −4.32
10.523 10.523

𝑃(19 ≤ 𝑋 ≤ 21) = 0.499997 + 0.49997

𝑃(19 ≤ 𝑋 ≤ 21) = 1.0
𝑃(19 ≤ 𝑋 ≤ 21) = 100%

la probabilidad de que este entre 19 y 21 es del 100%

Gráfica:

3. De la variable estatura, calcule la probabilidad que esta sea mayor a 160.

Respuesta:

suma 8296
µ 165,92
n 50
X 160
σ 7,44734

pág. 10
 160 − 165.92
𝑍=
7.44
√50
−5.92
𝑍=
7.44
7.07
−5.92
𝑍=
1.05
𝑍 = −5.64

𝑃(𝑋 < 160) = 0.50 + 0.50

𝑃(𝑋 < 160) = 1
𝑃(𝑋 < 160) = 100%

la probabilidad que esta sea mayor a 160 es del 100%

Gráfica:

pág. 11
 4. De la variable peso, calcule la probabilidad que esta sea menor a 72.
Respuesta:

suma 3321
µ 66,42
n 50
X 72
σ 10,523
72 − 66.42
𝑍=
10.523
√50
5.58
𝑍=
10.523
7.07
5.58
𝑍=
1.45
𝑍 = 3.85

𝑃(𝑋 > 72) = 0.4999

𝑃(𝑋 > 72) = 0.4999
𝑃(𝑋 > 72) = 49.99%

la probabilidad que esta sea menor a 72 es del 49.99%

Gráfica:

pág. 12
 5. De la variable peso, calcule la probabilidad que esta sea mayor a 70.
Respuesta:

suma 3321
µ 66,42
n 50
X 70
σ 10,523
70 − 66.42
𝑍=
10.523
√50
3.58
𝑍=
10.523
7.07
3.58
𝑍=
1.45
𝑍 = 2.47

𝑃(𝑋 < 70) = 0.4918 + 0

𝑃(𝑋 < 70) = 0.4918
𝑃(𝑋 < 70) = 49.18%

la probabilidad que esta sea mayor a 70 es del 49.18%

Gráfica:

pág. 13
 6. De la variable peso, calcule la probabilidad que esta sea menor a 68.
Respuesta:

suma 3321
µ 66,42
n 50
X 68
σ 10,523
68 − 66.42
𝑍=
10.523
√50
1.58
𝑍=
10.523
7.07
1.58
𝑍=
1.45
𝑍 = 1.09

𝑃(𝑋 > 68) = 0.3413 + 0

𝑃(𝑋 > 68) = 0.3413
𝑃(𝑋 > 68) = 34.13%

la probabilidad que esta sea menor a 68 es del 34.13%

Gráfica:

pág. 14
 7. De la variable Icfes, calcule la probabilidad que esta sea mayor a 345.

Respuesta:

suma 15685
µ 313,7
n 50
X 345
σ 39,7545

345 − 313.7
𝑍=
39.7545
√50
3.30
𝑍=
39.7545
7.07
31.30
𝑍=
5.62
𝑍 = 5.57

𝑃(𝑋 > 68) = 0.4999997 + 0

𝑃(𝑋 > 68) = 0.4999997
𝑃(𝑋 > 68) = 50%

la probabilidad que esta sea mayor a 345es del 50 %

Gráfica

pág. 15
 CONCLUSIONES

El Teorema Central del Límite establece que la suma de n variables aleatorias independientes
de varianza finita e idéntica distribución tiende a la distribución normal cuando n tiende a
infinito.
El Teorema Central del Límite, permite calcular razonablemente bien las probabilidades de
variables que siguen una distribución Binomial y de Poisson, siempre que el tamaño de
muestra sea suficientemente grande, lo cual equivale a que se cumpla que 𝑛𝑝(1‐ 𝑝) ≥ 9 o
que 𝜆 ≥ 9, respectivamente.
Una variable Binomial 𝐵(𝑛, 𝑝) se aproxima a una normal 𝑁(𝜇, 𝜎), mediante la siguiente
expresión:

𝐵(𝑛, 𝑝) ∼ 𝑁(𝑛𝑝, √𝑛𝑝(1‐ 𝑝)

Una variable Poisson 𝑃𝑠(𝜆) se aproxima a una normal 𝑁(𝜇, 𝜎), mediante la siguiente
expresión:

𝑃𝑠(𝜆) ∼ 𝑁(𝜆, √𝜆)

pág. 16
 Bibliografía

Edulcorada. (s.f.). Estadistica basica. Obtenido de https://bookdown.org/aquintela/EBE/el-

teorema-central-del-limite.html

pág. 17