ESTADÍSTICA APLICADA

A PROCESOS PRODUC TIVOS

Distribuciones muestrales

5 UNIDAD DE
CONOCIMIENTO

- Distribución normal.
- Distribuciones muestrales para medias.
Grandes muestras.
- Distribuciones muestrales para proporciones.
Grandes muestras.
Distribución normal

La distribución normal es una distribución de variable aleatoria continua, es

conocida como campana de Gauss, es la más conocida y utilizada en la es-
tadística

Este tipo de distribución es importante porque muchas distribuciones en la

ingeniería tienen esta forma, se pueden aproximar varias distribuciones dis-
cretas a la curva normal y es la base de la inferencia estadística.

Con la distribución normal se puede calcular la probabilidad de que los valores

de un experimento ocurran en cierto rango o intervalo; esta probabilidad se
mide con un área bajo la curva. Para el caso de la ingeniería podríamos deter-
minar la probabilidad del tiempo empleado en un proceso determinado y ver
la probabilidad de que el tiempo este entre 30 y 50 minutos por ejemplo. . y
tiene las siguientes características:

1. Es simétrica respecto al promedio, puesto que la media y mediana son

iguales.
2. Su apariencia es de una campana, por eso se denomina también campana
de Gauss
3. El área total bajo la curva es 1
4. La media aritmética es igual a 0.
5. La desviación es igual a 1.
6. La probabilidad de que X tome valores en un intervalo, es igual al área
sombreada bajo la curva
Para calcular la probabilidad se usa la misma tabla vista en la unidad curricu-
lar anterior y que se puede encontrar en:

Página 559 tabla E.9 Distribución normal estándar del libro: Levine, D., Kreh-
biel, M. & Berenson, M. (2014). Estadística para administración. Pearson Ed 6
Recuperado de http://zproxy.cun.edu.co:2152/?il=3695

La tabla siempre va a manejar z, que hacen referencia a una variable aleato-

ria normal estándar y que al dibujarla en la recta numérica en el eje x se en-
contrarán los valores z que generalmente varían entre -4 y 4 y el área bajo la
curva que está entre el z y el cero es el valor arrojado en la tabla.

Por ejemplo al buscar z = 0,76 en la tabla:

 Se encuentra un área de 0,2764, que quiere decir que del z=0,76 al 0 hay esa
área bajo la curva

Dado que la curva es simétrica esa misma área es igual al z negativo, es decir
a z=-0,76
Distribuciones muestrales para
medias - Grandes muestras

El principal interés de la inferencia estadística es hacer conclusiones de la po-

blación a partir de los datos de la muestra, por ejemplo a un político le intere-
san las encuestas preliminares en una muestra para saber cómo se van a
comportar los votos en las elecciones de toda la población.

Por su parte la distribución muestral es la distribución de todas las muestras

posibles de un tamaño dado. En la realidad se selecciona solo una muestra
aleatoria del total de la población y este es solo uno de los resultados de la
distribución muestral.

En estadística existen tres medidas de tendencia central: media, mediana y

moda; efectivamente el parámetro más más utilizado es la media y ésta se
usa para estimar la media poblacional. La distribución muestral de la media
es la distribución de todas las medias muestrales posibles de todas las mues-
tras posibles de un tamaño poblacional determinado.

La distribución muestral de la media se usa cuando se tienen variables cuanti-

tativas puesto que la media es el promedio de los datos obtenidos. Si se habla
de la media poblacional es el promedio de los datos poblacionales y al hablar
de la media muestral ésta es el promedio de los datos de la muestra elegida.
Si se tiene una mayor cantidad de medias muestrales, el parámetro se acer-
cará más a la media de la población, por tanto dicha distribución podrá deter-
minar el comportamiento de la muestra elegida en una investigación y se de-
terminará la probabilidad que existe la variable en un intervalo dado.

Teorema del límite central

Este teorema, tal vez, el más importante de toda la inferencia estadística,
pues asegura que la distribución de muestreo de la media se aproxima a la
normal al incrementarse el tamaño de la muestra. La importancia del teorema
del límite central es que nos permite usar estadísticas de muestra para hacer
inferencias con respecto a los parámetros de población, sin saber sobre la
forma de la distribución de frecuencia de esa población más que lo que poda-
mos obtener de la muestra

Si en una población se establece que no se encuentra normalmente distribui-

da, es decir, que no tiene forma de campana o es asimétrica, y se extraen
todas las muestras posibles de una población, de igual tamaño menores que
30, las medias muestrales obtenidas tendrán una distribución igual a la de la
población de donde fueron extraídas, es decir, no van a estar normalmente
distribuidas. Si por el contrario, las muestras son grandes, mayores que 30, la
distribución obtenida con las medias muestrales provenientes de esa po-
blación tendrá un comportamiento igual al de la normal, por más que su po-
blación no lo sea.
 Error estándar de la media
Dado que estamos hablando de muestras para estimar la población, el error
estándar de la media expresa la manera en que las medias muestrales varían
de una muestra a otra; a medida que aumenta el tamaño de la muestra el
error estándar disminuye porque se está aproximando al estimador poblacio-
nal. Su fórmula es:

Donde:
σ_x es el error estándar de la media
σ es la desviación poblacional
n es el tamaño de la muestra

Cálculo de z para la distribución muestral de la media

Como estamos hablando de medias muestrales, la media de las muestras se-
leccionadas debe transformarse en una variable aleatoria cuantitativa están-
dar z para calcular el área bajo la curva y por ende la probabilidad de ocurren-
cia. La fórmula es:

Ejemplo

Un dispensador de gaseosas se encuentra regulado para que las onzas servi-

das tengan una distribución normal. Este dispensador tiene una media de 11
onzas y desviación típica de 0,82 onzas. Si se tiene una muestra de 36 vasos
elegidos al azar ¿Cuál es la probabilidad de que la media sea menor de 10,8
onzas?

Paso 1: identificar el tipo de variable

Para la solución, en primer lugar se puede observar que las onzas es una vari-
able cuantitativa y por tanto se puede aplicar la fórmula mencionada previa-
mente.

Paso 2: identificar los datos

Del enunciado se pueden obtener los siguientes datos.
Paso 3: Encontrar el error estándar

Paso 4: Transformar la media muestral en z

10,8 onzas es equivalente a -1,46

Paso 5: Encontrar el área de z en la tabla

Al ubicarlo en la tabla se encuentra un área de 0,4279 que es el área bajo la

curva que está entre -1,46 y 0
 Paso 6: Identificar el área que está pidiendo el problema
Dado que se está solicitando de que la media sea menor de 10,8 onzas,
quiere decir que es el área a la izquierda de -1,46

Paso 7: Calcular el área que está pidiendo el problema

Como sabemos que del z= 0 a la izquierda equivale a 0,5, entonces a ese
valor le quitamos (restamos) el área azul del paso 5, quedará el área roja so-
licitada.

Por tanto
P(x <10,8)=P(z<-1,46)=0,5-0,4279=0,0721
Hay una probabilidad del 7,21% de que el promedio de gaseosa servida en la
muestra de vasos sea menor a 10.8 onzas

Facultad de Estudios a Distancia UMNG (2015, Septiembre 29). Distribución

de la Media Muestral [Vídeo]. Recuperado de https://youtu.be/XX0A4Vq5R_g
Distribuciones muestrales para
proporciones - Grandes muestras

Para el caso de las variables cualitativas, en inferencia estadística se usa una

categoría que solo contempla dos opciones, por ejemplo, para una muestra
de una producción de artículos, es indispensable determinar si hay o no
artículos defectuosos y de allí se establece la proporción de artículos defectu-
osos y la proporción de artículos no defectuosos.

En este sentido, la proporción es definida como una fracción de la población

que posee una característica dada y está varía entre 0 y 1 o en su defecto
cuando está en porcentaje varía entre 0% y 100%.
 Error estándar de la proporción
Dado que estamos hablando de muestras para estimar la población, el error
estándar de la proporción expresa la manera en que las proporciones mues-
trales varían de una muestra a otra; a medida que aumenta el tamaño de la
muestra el error estándar disminuye porque se está aproximando al estima-
dor poblacional. Su fórmula es:

Donde:
σ_p es el error estándar de la proporción
P es la proporción de aceptación de la poblacional
Q es la proporción restante de la población: Q=1-P
n es el tamaño de la muestra

Cálculo de z para la distribución muestral de la proporción

Para el caso de las proporciones, la proporción de aceptación de las muestras
seleccionadas debe transformarse en una variable aleatoria cuantitativa es-
tándar z para calcular el área bajo la curva y por ende la probabilidad de ocur-
rencia. La fórmula es:

Ejemplo:

El gerente de ventas de una empresa sabe que el 16% de sus clientes no

pagan cumplidamente sus deudas. Suponga que selecciona una muestra de
32 clientes. ¿Cuál es la probabilidad de que 6 o más no sean cumplidos en sus
obligaciones?

Paso 1: identificar el tipo de variable

Para la solución, se puede observar que es una variable cualitativa, puesto
que estamos averiguando si clientes pagan o no a tiempo sus deudas y por
tanto se puede aplicar la fórmula mencionada previamente.
 Paso 2: identificar los datos
Del enunciado se pueden obtener los siguientes datos.

Paso 3: Encontrar el error estándar

Paso 4: Transformar la proporción muestral en z

19% de la muestra que no pagan sus deudas a tiempo es equivalente a 0,42

 Paso 5: Encontrar el área de z en la tabla
Al ubicar el z en la tabla se obtiene 0,1628 que indica el área bajo la curva
entre 0 y 0,42

Paso 6: Identificar el área que está pidiendo el problema

Dado que se está solicitando que 6 o más no sean cumplidos en sus obliga-
ciones, quiere decir que es el área a la derecha de 0,42
 Paso 7: Calcular el área que está pidiendo el problema
Como sabemos que del z= 0 a la derecha equivale a 0,5, entonces a ese valor
le quitamos (restamos) el área azul del paso 5, quedará el área roja solicita-
da.

Por tanto

Hay una probabilidad del 33,72% de que 6 o más clientes no paguen cumplid-
amente sus deudas.

Facultad de Estudios a Distancia UMNG (2015, Septiembre 29). Distribución

Muestral de la Proporción [Vídeo]. Recuperado de https://youtu.be/S-
JL3wLC62EM
Bibliografía o Referencias:

1
Johnson, R. (2012). Distribuciones muestrales. En: Probabilidad y estadística
para ingenieros. Pearson pp. 187-189. Recuperado de http://zproxy.-
cun.edu.co:2152/?il=4790
2
Walpole, R., Myers, R. & Myers, S. (2012). Distribuciones muestrales. En
Probabilidad y estadística para ingenierías y ciencias. Pearson pp. 232-241.
Recuperado de http://zproxy.cun.edu.co:2152/?il=3375
3
Levine, D., Krehbiel, M. & Berenson, M. (2014). Estadística para adminis-
tración. Pearson Ed 6 pp. 238 - 241 Recuperado de http://zproxy.-
cun.edu.co:2152/?il=3695
4
Levine, D., Krehbiel, M. & Berenson, M. (2014). Distribución de muestreo de
la proporción. En Estadística para administración. Pearson Ed 6 pp. 245 -
246 Recuperado de http://zproxy.cun.edu.co:2152/?il=3695
5
Martínez, B. C. (2012). Distribución de medias muestrales. En: Estadística y
muestreo (13a. ed.).pp.278 – 283 Recuperado de https://ebookcentral.pro-
quest.com/lib/bibliocunsp/reader.ac-
tion?ppg=300&docID=3199239&tm=1535150026396
6
Martínez, B. C. (2012). Distribución muestral de una proporción. En: Es-
tadística y muestreo (13a. ed.).pp.287 – 290 Recuperado de https://ebook-
central.proquest.com/lib/bibliocunsp/reader.ac-
tion?ppg=309&docID=3199239&tm=1535150088759
7
Martínez, B. C. (2012). Distribución de diferencia entre dos medias mues-
trales. En: Estadística y muestreo (13a. ed.).pp.293 – 297 Recuperado de
https://ebookcentral.proquest.com/lib/bibliocunsp/reader.ac-
tion?ppg=315&docID=3199239&tm=1535150212022