Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Con el Teorema Central del Límite nos referiremos, a que, bajo ciertas condiciones, la distribución de
probabilidades de una variable aleatoria definida como la suma de un número muy grande de variables
aleatorias se aproxima a una distribución normal.
El término, Central, se debió a Polyá (1920), significa fundamental, o de importancia central, este
describe el rol que cumple este teorema en la teoría de probabilidades.
𝑆𝑛 − ∑𝑛
𝑖=1 𝜇𝑖
𝑍𝑛 = , Tiene aproximadamente la distribución N(0, 1) cuando n →
√∑𝑛 2
𝑖=1 𝜎𝑖
Veamos ahora dos casos especiales del teorema central del límite:
CASO 1
donde:
E (𝑆𝑛 ) = E( 𝑋1 + 𝑋2 + 𝑋3 + … … … … … . . + 𝑋𝑛 ) = E(X1) + E(X2) + … + E(Xn ) = nµ
Ejemplo 1
Lanzar un dado y observar si sale o no el número 3
Ejemplo 2
Si, de la gráfica siguiente tomamos 30 dados, los lanzamos simultáneamente y observamos los dados
cuyas caras tienen el número 3, este experimento genera la variable:
Comportamiento probabilistico de S
0.25
0.2
0.15
p(s)
0.1
0.05
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31
s
Al lanzar 30 dados, el lanzamiento de cada dado constituye un ensayo Bernoulli, por lo tanto se tiene
30 ensayos Bernoulli en consecuencia, surgen las variables Xi, i = 1, 2, …. , 30 donde cada una tiene
distribución de probabilidad Bernoulli con la misma media, E(X)=P= 1/6 y la misma varianza V(X) =
5/36, y asumimos que son independientes.
Sea la variable: S = X1 + X2 + ….. + X30
Cuya esperanza, varianza y desviación estándar son:
V(S) =V(X1 + X2 + ….. + X30 ) = V(X1)) +V X2 ) + ….. +V( X30 ) = 30*PQ = 30(1/6)(5/6) = 4.16667
𝜎𝑆 = 2.04124
Ejemplo 3
Suponga que 30 instrumentos electrónicos, se usan de la manera siguiente: tan pronto como falla el
instrumento 1 empieza a actuar el instrumento 2, cuando falla el instrumento 2 empieza a actuar el
instrumento 3. etc. El tiempo de funcionamiento del i-esimo instrumento se denota con 𝐷𝑖 , i = 1, 2,
…… , 30 y es una variable aleatoria distribuida exponencialmente con parámetro 𝜆 = 0.1 por hora. Sea
T el tiempo total de funcionamiento de los 30 instrumentos electrónicos. ¿Cuál es la probabilidad de
que T exceda a 350 horas?
Solución
Sea la Variable aleatoria X: tiempo de funcionamiento del instrumento D
Cuyo recorrido es: RX: {x / x > 0 }
Y su fdp es f(x) = 0.1e- 0.1x, E(X) = 1 / 0.1 = 10 hr V(X) = 1/ 0.01 = 100 hr2
Comportamiento probabilistico de X
0.12
0.1
0.08
f(x)
0.06
0.04
0.02
0
0 10 20 30 40 50
x
𝑇 = ∑ 𝑋𝑖
𝑖=1
RT: {t / t > 0}
Comportamiento probabilistico de T
0.008
0.006
f(t)
0.004
0.002
0
0 100 200 300 400 500 600
t
Sea el evento:
Quiere decir que la probabilidad de que el tiempo total de funcionamiento de los 30 instrumentos
electrónicos hasta que su falla sea mayor a 350 horas, es de 0.1806.
Ejemplo 4
Una máquina automática, envasa arroz en bolsas en una cantidad cuyo peso tiene una esperanza igual
a 1 Kg y una desviación estándar de 0.01 Kg. Una segunda máquina empaca las bolsas en paquetes de
50 cada uno. Con el fin de verificar si el número de bolsas en cada paquete es exacto, se decide, que,
Solución
Sea la variable aleatoria:
X: Peso de una bolsa de arroz
Cuyo peso medio es 1 Kg y la desviación estándar 0.01 kg
No se sabe que distribución de probabilidades tiene, suponemos que es normal.
Paquete
Bolsa
𝑋1 𝑋2
Y ~ N ( 𝜇𝑌 , 𝜎𝑌2 )
𝜇𝑌 = 50*1 = 50 kg 𝜎𝑌2 = 50*0.0001 = 0.005 Y = 0.070711
Sea el evento
A: Un paquete que tiene 50 bolsas sea considerado como si no las tuviera
A = [Y< 49.8] U [Y > 50.2]
P(A) = P[Y< 49.8] + P[Y > 50.2]
A partir de los ejemplos mostrados, podemos indicar, que cuando se considera un número grande de
variables aleatorias, sean discretas o continuas la suma de estas variables se aproxima a una
distribución normal.
CASO 2
𝑛
∑ 𝑋 ∑𝑛
𝑖=1 𝑉(𝑋𝑖 ) 𝑛𝜎𝑋2
𝜎𝑋2
b. 𝑉(𝑋̅𝑛 ) = 𝑉 ( 𝑖=1 𝑖 ) = = = = 𝜎𝑋2̅
𝑛 𝑛2 𝑛2 𝑛
𝜇𝑋 𝑋̅
Ejemplo 5
Sea la variable aleatoria X, con E(X) = 𝜇𝑋 V(X) = 𝜎𝑋2 y con fdp 𝑓𝑋 (𝑥) normal
X
𝜇𝑋
Sean las variables aleatorias X1, X2
Y sea la variable aleatoria:
M: Media muestral de X
𝑋 +𝑋
M = 1 2 cuya
2
𝐸(𝑋 )+𝐸(𝑋 ) 𝜇 +𝜇
E(M) = 1 2 2 = 𝑋 2 𝑋 = 𝜇𝑋
2 2 2
𝑋 +𝑋 𝑉(𝑋1 )+𝑉(𝑋2 )
V(M) = 𝑉 ( 1 2 ) =
2 4
=𝜎𝑋+4 𝜎𝑋 = 𝜎𝑋
2
= 𝜎𝑀2
𝜎𝑋
𝜎𝑀 =
√2
RM: (𝐸(𝑀) − 4𝜎𝑀 , 𝐸(𝑀) + 4𝜎𝑀 )
Si asumimos que X: talla del estudiante sanmarquino, con 𝜇𝑋 = 170 cm y 𝜎𝑋2 = 16 cm2
Entonces RX: (154, 186) y su fdp es normal
𝜇𝑋 = 170 X
LIC. MARÍA A. ZACARÍAS D. 58
Sea la variable aleatoria M: media muestral de la talla, donde:
𝑋 +𝑋
M = 1 2 2 esta variable aleatoria tiene distribución normal, porque las Xi son normales y suma de
normales es normal, luego su recorrido es:
𝑅𝑀 : (158.68, 181.32)
𝜇 = 170 M
Se selecciona una muestra de 2 estudiantes y se les pregunta cuál es su talla, y se calcula su talla media
m1 = (168 + 173)2 = 170.5 cm
Se selecciona una muestra de 2 estudiantes y se les pregunta cuál es su talla, y se calcula su talla media
m2=(164+169)/2 =166.5
Se selecciona una muestra de 2 estudiantes y se les pregunta cuál es su talla, y se calcula su talla media
m3 =(165+172)/2 = 168.5
Si se ubica cada valor de la media muestral (m) dentro del recorrido de la variable aleatoria Media
muestral de la talla (M), vemos que están en torno al valor de 𝜇𝑋= 170 cm que es el valor de la media
poblacional de la variable X
Ejemplo 6
Las barras de pan de centeno que cierta panadería distribuye a las tiendas locales tienen una longitud
media de 30 centímetros y una desviación estándar de 2 centímetros. Se supone que las longitudes
están distribuidas normalmente. De la producción de pan de la mañana de un día, el dueño de la
panadería tomó una muestra aleatoria de 5 barras de pan de centeno para medir su longitud, ¿Cuál es
la probabilidad de que la longitud media muestral, sea
a. Mayor de 31.5 cm?
b. Este entre 29.5 y 31.8 cm?
c. Menor que 28.8 cm?
Solución
X: Longitud de la barra de pan de centeno
RX: (22, 38)
𝜇𝑋 = 30 cm 𝜎𝑋2 = 4 cm2
1 1 𝑥− 30 2
𝑓(𝑥) = 𝑒𝑥𝑝 − ( ) ,
2√ 2∗𝜋 2 2
X1: X2: X3 X4 X5
𝑋 +𝑋 +𝑋 +𝑋 +𝑋
M = 1 2 53 4 5
E(M)= 30 V(M) = 4/5 𝜎𝑀 = 0.89
1 1 𝑚− 30 2
fM(m)= 𝑒𝑥𝑝 − ( ) ,
0.89√ 2∗𝜋 2 0.89
Ejemplo 7
La forma de la distribución de los datos de la masa, Y, de las cartas que se enviaron por correo un cierto
día no se conoce, y si, la masa total de 500 cartas, que es 1000 gr, y su desviación estándar 3 gr.
Respectivamente. Se selecciona una m.a de 50 cartas.
a. ¿Cuál cree que es la fdp de la variable poblacional?
b. ¿Cuál es la distribución muestral o distribución de probabilidad de la media muestral del Peso?
c. 𝑃(|𝑌̅ − 𝜇𝑌 | < 2)
d. 𝑃(25 < 𝑌̅ < 31)
Ejemplo 8
Una máquina que empaqueta bolsas de café automáticamente, está regulada para embalar bolsas
cuyos pesos se distribuyen normalmente con media 500 gramos y desviación estándar 10 gramos. Se
sabe también que, a veces la máquina se desregula y cuando esto ocurre, el único parámetro que se
altera es la media (500 gr) permaneciendo la varianza. Para mantener la producción bajo control se
selecciona una m. a. de 110 bolsas y luego se pesa. Calcular la probabilidad de que el peso medio de
las 110 bolsas defiera de 500 en menos de 2 gramos. Asimismo, halle la probabilidad de los siguientes
eventos
a. Es menor de 497 gr.
b. Es mayor de 498
Solución
Nota. De lo anterior podemos decir, que 𝑋1 , 𝑋2 , 𝑋3 , … , 𝑋110 constituye una muestra aleatoria de X
∑110
𝑖=1 𝑋𝑖
Se define la variable aleatoria 𝑋̅ = 110
110
E( X ) i
500 + 500 + ... + 500 110*500
Cuya X = E ( X ) = i =1
= = = 500
110 110 110
2
2 𝜎 100
𝑉(𝑋̅) = 𝜎𝑋̅ = 𝑋 = 110 = 0.909090 𝜎𝑋̅ = 0.953463
𝑛
1 1 𝑥̅ − 500 2
𝑓(𝑥̅ ) = 𝑒𝑥𝑝 − ( )
0.953462√ 2∗𝜋 2 0.953463
Sea el evento:
Gráfica de distribución
Normal; Media=500; Desv.Est.=0,953463
0,9641
0,4
0,3
Densidad
0,2
0,1
0,0
498 500 502
Media muestral
P(B) = P[498 < 𝑋̅ < 502] = P[𝑋̅ < 502] - P[𝑋̅ < 498] = 0,982030535 - 0.017969465 = 0.9641
Sea el evento:
Gráfica de distribución
Normal; Media=500; Desv.Est.=0,953463
0,4
0,3
Densidad
0,2
0,1
0,1471
0,0
499 500
Media muestral
Gráfica de distribución
Normal; Media=500; Desv.Est.=0,953463
0,4
0,9820
0,3
Densidad
0,2
0,1
0,0
498 500
Media muestral
25
tamaño n = 5, entonces la variable aleatoria 𝑋̅ tiene como E(𝑋̅)= 50, V(𝑋̅ ) = 𝜎𝑋2̅ = 5 =5
➢ Sea la variable X con fdp normal, cuya = 50 y = 25 tomemos una muestra de
2
25
tamaño n = 10, entonces la variable aleatoria 𝑋̅ tiene como E(𝑋̅)= 50, V(𝑋̅ ) = 𝜎𝑋2̅ = =2.5
10
0,20
Densidad
0,15
0,10
0,05
0,00
5,0 7,5 10,0 12,5 15,0 17,5 20,0
Media muestral
Esta gráfica nos dice, que las medias muestrales obtenidas para muestras de tamaño 10, sus valores
están más cerca de 12.5 que es el valor de la media poblacional a diferencia de las medias
muestrales obtenidas para muestras de tamaño 5, sus valores están más alejadas de 12.5, es decir,
cuando el tamaño de muestra aumenta la dispersión de la media muestral es menor, es decir el valor
de la media muestral está más cerca de