DISTRIBUCIONES MUESTRALES

El término distribución muestral hace referencia al conjunto de medidas que se calculan a

partir de un conjunto de muestras que se extraen de la misma población. En términos
sencillos, la distribución muestral es el resultado de recolectar todas las muestras posibles
de tamaño n de una población.

TEOREMA DEL LÍMITE CENTRAL

Establece que si se toman muestras de tamaño n de una población, con media μ y

desviación estándar σ, la distribución muestral de la media se aproxima a una distribución
normal con los siguientes parametros:

• Para el valor de la media, se toma el valor de μ

𝝈
• Para el valor de la distribución estándar, se toma el valor de
√𝒏

Matemáticamente, lo anterior se expresa de la siguiente manera:

𝝈
̅ ~𝑵 (𝝁,
𝑿 )
√𝒏

De igual manera, el teorema establece que si se toman muestras de tamaño n de una

población, con proporción P, la distribución muestral de la proporción se puede aproximar
a una distribución normal con los siguientes parámetros:

• Para el valor de la media, se toma el valor de P

𝑷(𝟏−𝑷)
• Para el valor de la distribución estándar, se toma el valor de √
𝒏

En la expresión anterior, el valor 1 – P se representa como Q, es decir Q = 1 – P.

Matemáticamente, lo anterior se expresa de la siguiente manera:

 𝑷𝑸
̅ ~𝑵 (𝑷, √
𝑿 )
𝒏

Y esto resulta de gran utilidad, pues al extraer una muestra de alguna población, podemos
realizar el cálculo de probabilidades asociadas a la media muestral o a la proporción
muestral. Recuerda que este cálculo de probabilidades está relacionado con el manejo de
la tabla de la distribución normal estandarizada.

Ejemplo: La estatura de los estudiantes de una población, sigue una distribución normal con
una media de 1.63 m y una desviación estándar de 0.03 m. Si se eligen 9 estudiantes al azar,
determina la probabilidad de que la media muestral sea menor o igual que 1.62 m.

Solución: Sea X la variable aleatoria de la media muestral. Entonces el problema nos esta
pidiendo calcular 𝑃(𝑋 ≤ 1.62). Observa que la población sigue una distribución nomal con
parámetros μ = 1.63 y σ = 0.03. El tamaño de la muestra es n = 9.

De acuerdo al teorema del límite central, la distribución de la media muestral sería:

𝝈
̅ ~𝑵 (𝝁,
𝑿 )
√𝒏

Y sustituyendo los valores del ejercicio en la expresión anterior, obtenemos lo siguiente:

𝝈 𝟎. 𝟎𝟑 𝟎. 𝟎𝟑
̅ ~𝑵 (𝝁,
𝑿 ) = 𝑵 (𝟏. 𝟔𝟑, ) = 𝑵 (𝟏. 𝟔𝟑, ) = 𝑵(𝟏. 𝟔𝟑, 𝟎. 𝟎𝟏)
√𝒏 √𝟗 𝟑

Es decir, la media muestral se comportará como una distribución normal con parámetros
𝝁𝒎 = 𝟏. 𝟔𝟑 y 𝝈𝒎 = 𝟎. 𝟎𝟏. Hemos agregado el subíndice m, para hacer énfasis de que se
trata de la media muestral y de la desviación estándar muestral.

Tal y como procedimos en la sección anterior, ahora debemos normalizar (o estandarizar)

la variable aleatoria con la siguiente tranformación:

𝑿−𝝁
𝒁=
𝝈
Aplicando el cambio, obtenemos lo siguiente:

𝑿 − 𝝁𝒎 𝟏. 𝟔𝟐 − 𝟏. 𝟔𝟑 −𝟎. 𝟎𝟏
𝒁= = = = −𝟏
𝝈𝒎 𝟎. 𝟎𝟏 𝟎. 𝟎𝟏

Por lo tanto, 𝑷(𝑿 ≤ 𝟏. 𝟔𝟐) = 𝑷(𝒁 ≤ −𝟏). Bien, este problema es como los de la sección
anterior y bastará con aplicar la fórmula del caso correspondiente, es decir, la fórmula del
caso 2:

𝑃(𝑍 < −𝑧) = 𝑃(𝑍 > 𝑧) = 1 − 𝑃(𝑍 ≤ 𝑧)

Aplicando dicha fórmula se obtiene que:

𝑃(𝑍 < −1) = 𝑃(𝑍 > 1) = 1 − 𝑃(𝑍 ≤ 1) = 1 − 0.8413 = 0.1587

Es decir, la probabilidad de que el promedio de las estaturas de los 9 estudiantes elegidos,

sea menor o igual que 1.62 m, es de 0.1587 o 15.87%.

APROXIMACIÓN DE LA BINOMIAL A LA NORMAL

Bajo ciertas condiciones, una distribución binomial se puede aproximar a una distribución
normal. Recordemos que la distribución binomial es una distribución de probabilidad
discreta que cumple con las siguientes características:

• en cada prueba del experimento sólo son posibles 2 resultados: el suceso éxito y el
suceso fracaso.
• el resultado obtenido en cada prueba es independiente de los resultados previos
obtenidos.
• la probabilidad del suceso éxito es constante y se representa por p, mientras que la
probabilidad del suceso “fracaso” es (1 – p) y se representa por q.
• el experimento consta de un número n de pruebas.

Por éxito, entenderemos que es el resultado deseable que buscamos en la prueba. De esta
manera, el fracaso será lo que no buscamos en la prueba. En muchas ocasiones,
calcularemos el valor de uno en función del otro.
La distribución binomial suele representarse como 𝑩(𝒏, 𝒑), siendo n y p los parámetros de
dicha distribución. Así, si X es una variable aleatoria discreta que se comporta de acuerdo
con el modelo de la distribución binomial, entonces se puede escribir dicha relación
como 𝑿 ~ 𝑩(𝒏, 𝒑).

Por ejemplo, si 𝑿 ~ 𝑩(𝟏𝟎, 𝟎. 𝟐𝟓), entonces los parámetros de la distribución binomial son
n = 10 y p = 0.25. La distribución binomial se estudió a detalle en el curso de Probabilidad
y Estadística.

Para llevar a cabo el proceso de aproximación, los parámetros de la distribución binomial

deben cumplir con los siguientes tres criterios:

1. 𝑄𝑢𝑒 𝑛 ≥ 20
2. 𝑄𝑢𝑒 𝑛𝑝 ≥ 5
3. 𝑄𝑢𝑒 𝑛𝑞 ≥ 5

De esta manera, una distribución binomial con parámetros n y p se puede transformar en

una distribución normal de parámetros µ y σ de la siguiente manera:

1. Calculamos µ = 𝑛𝑝
2. 𝐶𝑎𝑙𝑐𝑢𝑙𝑎𝑚𝑜𝑠 𝜎 = √𝑛𝑝𝑞

La transformación anterior se puede visualizar de la siguiente manera:

𝐵(𝑛, 𝑝) 𝑁(µ = 𝑛𝑝, 𝜎 = √𝑛𝑝𝑞)

Ahora, se ha obtenido una distribución normal. Sin embargo, para poder utilizar la tabla de
la distribución normal estándar, debemos realizar el proceso de “normalización o
estandarización” que revisamos en secciones anteriores. Con ello, lograremos obtener una
distribución normal estándar (es decir, de parámetros µ = 0 𝑦 𝜎 = 1). ¿Y por qué es
importante esto? Porque el cálculo de valores de probabilidad resulta ser más sencillo, ya
que solo se requiere del uso de la tabla de los valores de probabilidad de la distribución
normal estándar.
Como último paso del proceso de aproximación, vamos a introducir un factor de ajuste. Esto
obedece principalmente al hecho de que, la distribución binomial es de carácter discreto,
mientras que la distribución normal es de carácter continuo. A este factor se le llama “factor
de corrección de continuidad” y tendrá siempre un valor de 0.5. Veamos cómo se aplica:

• 𝑆𝑖 𝑃(𝑋 = 𝑘), 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑢𝑡𝑖𝑙𝑖𝑧𝑎𝑟 𝑃(𝑘 − 0.5 ≤ 𝑋 ≤ 𝑘 + 0.5)

• 𝑆𝑖 𝑃(𝑋 ≥ 𝑘), 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑢𝑡𝑖𝑙𝑖𝑧𝑎𝑟 𝑃(𝑋 ≥ 𝑘 − 0.5)
• 𝑆𝑖 𝑃(𝑋 > 𝑘), 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑢𝑡𝑖𝑙𝑙𝑧𝑎𝑟 𝑃(𝑋 ≥ 𝑘 + 0.5)
• 𝑆𝑖 𝑃(𝑋 ≤ 𝑘), 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑢𝑡𝑖𝑙𝑖𝑧𝑎𝑟 𝑃(𝑋 ≤ 𝑘 + 0.5)
• 𝑆𝑖 𝑃(𝑋 < 𝑘), 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑢𝑡𝑖𝑙𝑖𝑧𝑎𝑟 𝑃(𝑋 ≤ 𝑘 − 0.5)

Ejemplo: Sea 𝑋 ~ 𝐵(30, 0.6) (es decir, X es una variable aleatoria discreta que se comporta
de acuerdo al modelo de la distribución binomial y cuyos paramétros son n = 30 y p = 0.6).
Determina el valor de 𝑃(𝑋 <= 19) a través de la aproximación de una distribución normal.

Solución: Primero, vamos a realizar el ajuste de corrección de continuidad, de acuerdo con

lo visto hace un momento. De esta manera tenemos que:

𝑃(𝑋 <= 19) = 𝑃(𝑋 ≤ 19 + 0.5) = 𝑃(𝑋 ≤ 19.5)

Como paso siguiente, debemos calcular el valor de µ y de σ:

µ = 𝑛𝑝 = (30)(0.6) = 18

𝜎 = √𝑛𝑝𝑞 = √(30)(0.6)(0.4) = √7.2 = 2.6832

Entonces, hemos obtenido la siguiente transformación:

𝐵(𝑛 = 30, 𝑝 = 0.6) 𝑁(µ = 18, 𝜎 = 2.6832)

Ahora, debemos realizar el proceso de normalización o estandarización:

𝑘−µ
𝑃(𝑋 ≤ 𝑘) = 𝑃 (𝑍 ≤ )
𝜎
19.5 − 18 1.5
𝑃(𝑋 ≤ 19.5) = 𝑃 (𝑍 ≤ ) = 𝑃 (𝑍 ≤ ) = 𝑃(𝑍 ≤ 0.5590) ≈ 𝑃(𝑋 ≤ 0.56)
2.6832 2.6832
Entonces, el problema original era calcular 𝑃(𝑋 ≤ 19.5), pero con el proceso de
aproximación se ha transformado en calcular 𝑃(𝑍 ≤ 0.56). lo cual es sencillo de resolver
por medio de la tabla Z:

𝑃(𝑍 ≤ 0.56) ≈ 0.5 + 0.2123 = 0.7123

Como podrás observar, el proceso de aproximación es conveniente debido a que simplifica

considerablemete los cálculos a realizar.
BIBLIOGRAFÍA

Triola, M. (2013). Estadística. México: Pearson Educación