LICEO

UNIVERSIDAD PEDRO DE GANTE

“POR UNA CULTURA HUMANISTA Y TRASCENDENTE”
LICENCIATURA EN CONTADURÍA PÚBLICA
TERCER CUATRIMESTRE

NOMBRE Y MATRÍCULA:
IRENE GUADALUPE PLIEGO MONRREAL
UCF18070062

TEMA:
Actividad de aprendizaje 3
“LÍMITE CENTRAL Y DEFINICIÓN NO PARAMÉTRICA”

CATEDRÁTICO:
DR. YASUNARI CRISTÓBAL MUÑOZ
“ESTADÍSTICA II”

2 de noviembre de 2019
 ÍNDICE

OBJETIVOS ................................................................................................................ 3

INTRODUCCIÓN. ........................................................................................................ 4

I. TEORÍA DE LÍMITE CENTRAL (MEDIA Y VARIANZA) .................................... 5

II. DISTRIBUCIÓN NORMAL ESTÁNDAR ............................................................ 7

III. USO DE TABLA DE DISTRIBUCIÓN NORMAL. ............................................... 8

IV. EJEMPLO DE CÁLCULO DE LA PROBABILIDAD ESPERADA AL SOLICITAR

CIERTO VALOR (similar al 3er video) ....................................................................... 17

CONCLUSIONES. ..................................................................................................... 19

BIBLIOGRAFIA: ......................................................................................................... 20
 OBJETIVOS
Objetivo general del tema 3: analizaremos la importancia del límite central como base
primordial de la experimentación.

 Para cumplir con este objetivo analizaran el texto anexo ubicado en la sección de
archivos con el título “Distribuciones muestrales y limite central” y visualizar los
siguientes videos:
 https://www.youtube.com/watch?v=TV94pc-R4nA
 https://www.youtube.com/watch?v=46DgBP9VwtE
 https://www.youtube.com/watch?v=o2afi9BKRIM
 https://www.youtube.com/watch?v=LxFKMNmsDg8&t=423s

 Al finalizar estas actividades deberá entregar en un documento Excel donde

presente los datos de un experimento. Estos datos puede obtenerlos de internet,
pero debe especificar la fuente de donde los obtuvo (un mínimo de 300 datos
muestreados de un universo conocido).
 A estos datos debe calcularle y especificar en el documento lo siguiente:

o *Media poblacional
o *Varianza poblacional
o *Tamaño de muestra
o *Moda muestral
o *Media muestral
o *Mediana muestral
o *Varianza muestral

 Una vez calculado lo anterior deberá presentar en formato pdf un ejemplo de cálculo
de la probabilidad esperada al solicitar un cierto valor (el cual debe de especificar).
Este ejemplo debe ser muy similar al 3er video, pero con datos diferentes.

 Finalmente deberá especificar si este experimento seria paramétrico o no paramétrico

y porque puede afirmar esto de acuerdo a su definición.

3
 INTRODUCCIÓN.

La investigación del presente trabajo tiene como objetivo conocer y entender la

importancia del límite central como base primordial de la experimentación.

El teorema del límite central es un resultado de la teoría de la probabilidad. Este

teorema aparece en varios lugares en el campo de la estadística. Aunque el teorema
del límite central puede parecer abstracto y desprovisto de cualquier aplicación, este
teorema es en realidad muy importante para la práctica de la estadística.

Todo tiene que ver con la distribución de nuestra población. Como veremos, este
teorema nos permite simplificar los problemas en estadística al permitirnos trabajar
con una distribución que es aproximadamente normal.
Por lo tanto, aunque no conozcamos la forma de la distribución de donde provienen
nuestros datos, el teorema del límite central dice que podemos tratar la distribución del
muestreo como si fuera normal. Por supuesto, para que las conclusiones del teorema
se mantengan, necesitamos un tamaño de muestra que sea lo suficientemente grande.
El análisis exploratorio de datos puede ayudarnos a determinar qué tan grande es la
muestra necesaria para una situación dada.

Atentamente.
Irene G. Pliego Monrreal
 I. TEORÍA DE LÍMITE CENTRAL (MEDIA Y VARIANZA)
El teorema central del límite (TCL) es una teoría estadística que establece que, dada
una muestra suficientemente grande de la población, la distribución de las medias
muestrales seguirá una distribución normal.
Además, el TCL afirma que a medida que el tamaño de la muestra se incrementa, la
media muestral se acercará a la media de la población. Por tanto, mediante el TCL
podemos definir la distribución de la media muestral de una determinada población
con una varianza conocida. De manera que la distribución seguirá una distribución
normal si el tamaño de la muestra es lo suficientemente grande.

Principales propiedades del teorema central del límite.

El teorema central del límite tiene una serie de propiedades de gran utilidad en el
ámbito estadístico y probabilístico. Las principales son:
o Si el tamaño de la muestra es suficientemente grande, la distribución de las
medias muestrales seguirá aproximadamente una distribución normal. El TCL
considera una muestra como grande cuando el tamaño de la misma es superior
a 30. Por tanto, si la muestra es superior a 30, la media muestral tendrá una
función de distribución próxima a una normal. Y esto se cumple
independientemente de la forma de la distribución con la que estamos
trabajando.
o La media poblacional y la media muestral serán iguales. Es decir, la media de
la distribución de todas las medias muestrales será igual a la media del total de
la población.
o La varianza de la distribución de las medias muestrales será σ²/n. Que es la
varianza de la población dividido entre el tamaño de la muestra.
o Que la distribución de las medias muestrales se parezca a una normal es
tremendamente útil. Porque la distribución normal es muy fácil de aplicar para
realizar contrastes de hipótesis y construcción de intervalos de confianza.
En estadística que una distribución sea normal es bastante importante, dado
que muchos estadísticos requieren este tipo de distribución. Además, el TCL
nos permitirá hacer inferencia sobre la media poblacional a través de la media
muestral. Y esto es de gran utilidad cuando por falta de medios no podemos
recolectar datos de toda una población.
 II. DISTRIBUCIÓN NORMAL ESTÁNDAR
La distribución de la probabilidad normal es aquella en la cual, a partir de un punto
central de máxima frecuencia (µ Media), los valores mayores y menores que la media,
se distribuyen simétricamente a la derecha y a la izquierda, disminuyendo
gradualmente hasta desaparecer.

Este tipo de distribución es continua; es decir, cuando una variable aleatoria asume
cualquier valor en una escala continua de datos, de tal forma que ningún valor es más
probable que otro, entonces las probabilidades asociadas con la variable aleatoria se
pueden describir mediante una distribución uniforme.
 III. USO DE TABLA DE DISTRIBUCIÓN NORMAL.
Existen tablas por medio de las cuales podemos determinar el valor de “z”, conociendo
la media y la desviación estándar, para manejar estas tablas seguiremos 5 pasos:
Caso No. 1: P(X)=Z1+0.5
Ejemplo: Calcular el área o probabilidad en el intervalo: P (Z ≤ 2.44)

Por lo tanto la probabilidad sería:

De tablas:
Para Z=2.44 probabilidad = 0.4927

Caso No. 1: P(X)=Z1+0.5

P(X)= 0.4927+0.5= 0.9927
P(X)= 0.9927
Caso No. 2: P(X)=0.5-Z1
Ejemplo: Calcular el área o probabilidad en el intervalo: P (Z ≤ 1.73)

Por lo tanto la probabilidad sería:

De tablas:
Para Z=1.73 probabilidad = 0.4582

Caso No. 2: P(X)= 0.5-Z1

P(X)= 0.5-0.4582= 0.0418
P(X)= 0.0418
Caso No. 3: P(X)=Z1+Z2
Ejemplo: Calcular el área o probabilidad en el intervalo: P (-2.53 ≤X≤ 1.96)
Por lo tanto la probabilidad sería:
De tablas:
Para Z1=2.53 probabilidad = 0.4943
Para Z2=1.96 probabilidad = 0.4750

Caso No. 3: P(X)= Z1+Z2

P(X)= 0.4943 + 0.4750= 0.9693
P(X)= 0.9693
Caso No. 4: P(X)= Z2 - Z1
Ejemplo: Calcular el área o probabilidad en el intervalo: P (2.5 ≤X≤ 3.08)
Por lo tanto la probabilidad sería:
De tablas:
Para Z1=2.5 probabilidad = 0.4938
Para Z2=3.08 probabilidad = 0.4990

Caso No. 4: P(X)= Z2 - Z1

P(X)= 0.4990-0.4938= 0.0052
P(X)= 0.0052
Caso No. 5: P(X)= 1- (Z2+Z1)
Ejemplo: Calcular el área o probabilidad en el intervalo: P (-1.7 ≥X≥ 2.22)
Por lo tanto la probabilidad sería:
De tablas:
Para Z1=-1.7 probabilidad = 0.4554
Para Z2=2.22 probabilidad = 0.4868

Caso No. 5: P(X)= 1- (Z2+Z1)

P(X)= 1 – (0.4868+0.4554)= 1-0.9422= 0.0578
P(X)= 0.0578
 IV. EJEMPLO DE CÁLCULO DE LA PROBABILIDAD ESPERADA
AL SOLICITAR CIERTO VALOR (similar al 3er video)
Un banco lleva una estadística de los reclamos de los clientes en todas sus sucursales
y notó que está distribuida normalmente, con una media de 305 reclamos por año y
una desviación estándar de 27 reclamos.
Obtenga la probabilidad de que, en una muestra aleatoria de 33 sucursales, se tengan
290 reclamos por año.
𝑋̅−𝜇
Fórmula: 𝑍 = 𝜎
√𝑛

(290−305)
Sustituir valores: 𝑍 = 27 = -3.1914
√33

Buscamos los valores en las tablas:

P(X)= 1- (Z2+Z1)

De tablas tenemos: 0.9993

Pero como es negativo restamos 1: 1-0.9993= 0.0007
P(X)= 0.0007
Finalmente deberá especificar si este experimento seria paramétrico o no paramétrico
y porque puede afirmar esto de acuerdo a su definición.

La mayoría de procedimientos paramétricos requiere conocer la forma de distribución

para las mediciones resultantes de la población estudiada. Para la inferencia
paramétrica es requerida como mínimo una escala de intervalo, esto quiere decir que
nuestros datos deben tener un orden y una numeración del intervalo.
La diferencia entre estadística paramétrica y no paramétrica está basada en el
conocimiento o desconocimiento de la distribución de probabilidad de la
variable que se pretende estudiar.
La estadística paramétrica utiliza cálculos y procedimientos asumiendo que conoce
cómo se distribuye la variable aleatoria a estudiar. Por el contrario, la estadística no
paramétrica utiliza métodos para conocer cómo se distribuye un fenómeno para, más
tarde, utilizar técnicas de estadística paramétrica.
En este caso, en base al ejemplo anterior analizado del Banco, podemos decir que es
paramétrico, puesto que se conocen los datos del parámetro a estudiar, tales como la
media y la desviación estándar.

Nota: anexo ejemplo de otro experimento en Excel.

CONCLUSIONES.

A través de esta investigación se ha podido entender que el teorema del límite central
es un teorema fundamental de probabilidad y estadística.
El teorema describe la distribución de la media de una muestra aleatoria proveniente
de una población con varianza finita. Cuando el tamaño de la muestra es lo
suficientemente grande, la distribución de las medias sigue aproximadamente una
distribución normal.
El teorema se aplica independientemente de la forma de la distribución de la población.
Muchos procedimientos estadísticos comunes requieren que los datos sean
aproximadamente normales. El teorema de límite central le permite aplicar estos
procedimientos útiles a poblaciones que son considerablemente no normales. El
tamaño que debe tener la muestra depende de la forma de la distribución original.
La distribución más conocida es la distribución Normal o de Gauss. Muchos de los
procedimientos estadísticos habitualmente utilizados asumen la normalidad de los
datos observados. Aunque muchas de estas técnicas no son demasiado sensibles a
desviaciones de la distribución normal, y en general esta hipótesis puede obviarse
cuando se dispone de un número suficiente de datos (teorema central del límite),
resulta recomendable contrastar si se puede asumir o no una distribución Normal.
Para decidir si nuestra muestra procede o no de una distribución normal existen
gráficos (gráficos P-P y Q-Q) y contrastes de hipótesis (test de Kolmogorov-Smirnov)
que pueden ayudarnos. Cuando los datos no son normales pueden transformarse o
emplearse otros métodos estadísticos que no exijan este tipo de restricciones,
llamados los métodos no paramétricos.

Atentamente.
Irene G. Pliego Monrreal
BIBLIOGRAFIA:

 https://www.youtube.com/watch?v=TV94pc-R4nA
 https://www.youtube.com/watch?v=46DgBP9VwtE
 https://www.youtube.com/watch?v=o2afi9BKRIM
 https://www.youtube.com/watch?v=LxFKMNmsDg8&t=423s

 Distribuciones de probabilidad. El teorema central del límite. Neus Canal Díaz

 Manual de Publicaciones de la American Psychological Asociation (APA). Tercera
Edición, traducida de la sexta en inglés.