Distribución

binomial

Herramientas
Matemáticas III
Estadística I

1
Variable aleatoria discreta
Por variable numérica, se entiende una variable que produce respuestas
numéricas ante una medición o un conteo. Así, podemos citar como
ejemplos: identificar cuántos varones existen en un determinado curso de la
universidad (conteo) o bien la frecuencia de arribo de los colectivos
interurbanos a determinado lugar (medición).
Podemos clasificar a las variables numéricas en discretas y continuas.
Cuando se desea recabar datos de un evento y este proceso implica una
medición, estamos tratando con una variable numérica continua.
En cambio, si al recabar los datos, el proceso surgen de un conteo entonces
la variable es una variable numérica discreta.

Valor esperado de una variable aleatoria. Esperanza

matemática

Si consideramos que los parámetros de la distribución son n y p y la media

de la distribución

μ = n.p,

Donde
n = es el número de ensayos;
p = probabilidad de aciertos;

Entonces definiremos la esperanza matemática o valor esperado de una

variable aleatoria como la media de la distribución:

E(x) = n.p.

Es una media aritmética ponderada de los resultados esperados.

Para encontrar el valor esperado de una variable aleatoria discreta,
realizamos el producto entre cada valor que la variable puede tomar y la
probabilidad de ocurrencia de ese valor y, posteriormente, sumamos dichos
productos. El valor esperado le da un valor a cada resultado posible según la
frecuencia con que se manifiesta. Por lo tanto, los más frecuentes tienen
asignado un peso mayor.

2
Distribuciones de variable aleatoria discreta
Para realizar un estudio de distribución de variable aleatoria, debemos
considerar todos los casos posibles en los que se puede presentar el evento;
son mutuamente excluyentes y exhaustivos.
Tendremos que tener en cuenta también que, en muchos casos, el evento
aleatorio puede tomar valores no numéricos.
En este caso, la distribucion de probabilidad es una lista mutuamente
excluyente de todos los resultados numéricos posibles; de tal manera que
cada probabilidad de ocurrencia se asocia con un resultado.
Hemos visto, en el punto anterior, la expresión de la media, μ:

𝜇 = 𝐸(𝑥) = ∑ 𝑋𝑖. 𝑃(𝑥𝑖) .

𝑖=1

𝑋𝑖 = 𝑖 − ésimo resultado de la variable aleatoria discreta 𝑋;

𝑃(𝑥𝑖) = probabilidad de ocurrencia del 𝑖 − ésimo resultado de 𝑋.

Varianza de una variable aleatoria discreta

Se calcula como la sumatoria de los productos entre el cuadrado de la

diferencia entre cada valor que adopta la variable y la media de la
distribución, y la probabilidad de que la variable adquiera ese valor.

𝑁
2 2
𝜎 = ∑[𝑋𝑖 − 𝐸(𝑥𝑖) ] . 𝑃(𝑥𝑖) .
𝑖=1

Desviación estándar de una variable aleatoria discreta

Hemos visto que la desviación estándar de la distribución está dada por la

raíz cuadrada de la varianza de dicha distribución.

Por lo tanto:

𝑁
2
𝜎= √𝜎 2 = √∑[𝑋𝑖 − 𝐸(𝑥𝑖) ] . 𝑃(𝑥𝑖) =
𝑖=1

3
Distribución binomial

Parámetros

Condiciones que debe cumplir una distribución para responder al modelo

binomial
Debe estar formada la distribución por n ensayos idénticos.

1) Cada resultado del ensayo puede lograr solo dos resultados, si a uno lo
denominamos acierto o éxito, el otro se denominará desacierto o fracaso.
2) Si a la probabilidad del éxito la llamamos P(acierto) = p, la probabilidad
del fracaso P(desacierto) = q; por lo tanto, q = 1- p.
3) Los eventos son independientes entre sí. Esto indica que el resultado
obtenido por cada ensayo es independiente del resultado de ensayos
anteriores.
4) La probabilidad del acierto se considera constante; esto significa que la
población es muy grande o infinita, o que los ensayos se realizan sin
reposición.

Expresión general

En este tipo de distribución, las probabilidades del número posible de

aciertos en n ensayos quedan determinadas por el desarrollo de la potencia
del binomio (q + p)n, donde el exponente n es el número de ensayos. El
desarrollo de dicha potencia se expresa como sigue:

(𝑞 + 𝑝)𝑛 = 𝑎0 . 𝑞 𝑛 . 𝑝0 + 𝑎1 . 𝑞 𝑛−1 𝑝1 + ⋯ + 𝑎𝑛 . 𝑞 0 . 𝑝𝑛 .

Los coeficientes ao, a1, . . ., an surgen de las combinaciones de n elementos

tomados de x en x.
De esta manera, la probabilidad de que, en n ensayos, se tengan x aciertos
está dada por la expresión:

𝑃(𝑥) = 𝑛. 𝐶𝑥 . 𝑞 𝑛−𝑥 . 𝑝 𝑥 .

Indica la cantidad de aciertos en n ensayos donde p es la probabilidad del

acierto y q = 1- p corresponde con la probabilidad del desacierto.

Características de la distribución binomial

4
Media

Como hemos visto, los parámetros de esta distribución son n y p, y su media

de la distribución es:
𝜇 = 𝑛. 𝑝.

Por lo tanto, si la esperanza matemática o valor esperado de una variable

aleatoria es igual que la media de la distribución, esto implica que:

E(x) = n.p.

Varianza

Podemos considerar la varianza como:

Var(x) = n.p.q.

Desvío estándar

Y a la desviación estándar, como:

𝜎 = √𝑉𝑎𝑟𝑥 = √𝑛. 𝑝. 𝑞.

Además, debe cumplirse que:

∑ 𝑃(𝑥𝑖) = 1.

Para todo i desde 0 a n.

5
Bibliografía de referencias
Levin, R. I., y Rubin, D. S. (2004). Estadística para administración y economía
(7.a ed.). México: Pearson Educación.

6
 Distribución
de Poisson

Herramientas
Matemáticas III
Estadística I

1
Distribución de Poisson
Este tipo de distribución es apropiada para determinadas situaciones
donde se analizan eventos aleatorios con restricciones predeterminadas,
como la cantidad de hechos o eventos producidos en un intervalo de
tiempo o de espacio.
Entre ellos, se puede analizar la distribución de llamadas telefónicas de un
central de remises, los trámites de contribuyentes en una oficina pública, las
personas que llegan a una farmacia mutual y el número de colectivos que
llegan a destino en una terminal de una gran ciudad.

Como veremos, en la recolección de datos de estos ejemplos, existe una

característica comun: se pueden analizar a traves de una variable aleatoria
discreta por lo que se tratan de números enteros, ya que provienen de un
conteo, por ejemplo: 0, 1, 2, 3, 4, 5, etcétera.

Parámetro

Esta distribución tiene como parámetro un solo valor, el promedio de

ocurrencia, al que denominaremos con la letra lambda (λ). Este parámetro
(λ) representa el número medio de eventos por intervalos de tiempo.

Expresión general

La expresión matemática que resuelve esta distribución donde,

generalmente, la letra X representa a esta variable discreta y puede tomar
valores enteros (0, 1, 2, 3, 4, 5, etc.) es:

𝜆𝑥 . 𝑒 −𝜆
𝑃(𝑥) = .
𝑥!

2
Donde:

x = número de éxitos/ocurrencias;
λ = promedio de ocurrencias;
e = logaritmo neperiano (e = 2,717281...).
En esta distribución, debe cumplirse que:
∑ 𝑃(𝑥𝑖) = 1,

Donde i varía, al menos teóricamente, entre cero e infinito.

La utilización de la tabla de Poisson permite no realizar a mano los cálculos
de las probabilidades para encontrar similares resultados.

Media
En la distribución de Poisson, la media es igual que el valor esperado. E(x) es
igual que la esperanza matemática, que, en esta distribución, coincidiría con
λ, es decir, lambda, lo que nos quedaría expresado de esta manera:

𝜇 = 𝜆 = 𝐸(𝑥).

Varianza
La varianza, siguiendo el mismo razonamiento, también es igual a λ:

𝜎 2 = 𝑉𝑎𝑟(𝑥)= λ.

Desvío estándar

La desviación estándar:

𝜎 = √𝜎 2 = √𝜆.

En ciertas oportunidades, si queremos evitar la densa tarea de calcular

distribuciones binomiales de probabilidad, podemos recurrir a la
distribución de Poisson. Esta puede ser una razonable aproximación a la
binomial si se cumplen ciertas condiciones. Una de esas situaciones ocurre

3
cuando n es grande y p es pequeña, es decir, si el número de ensayos es
grande y la probabilidad binomial de tener éxito es pequeña.
Una estimación, utilizada con más frecuencia por los expertos en el tema, es
que la distribución de Poisson provee una buena aproximación a la
distribución binomial cuando n es igual o mayor que 20, y p es igual o menor
que 0,05.

En los casos en que se cumplen estas condiciones, podemos sustituir la

media de la distribución binomial (n.p) por la media de la distribución de
Poisson (λ).

(𝑛. 𝑝)𝑥 . 𝑒 −𝑛.𝑝

𝑃(𝑥) = .
𝑥!

4
Bibliografía de referencias
Levin, R. I., y Rubin, D. S. (2004). Estadística para administración y economía
(7.a ed.). México: Pearson Educación.

5
 Distribución
hipergeométrica

Herramientas
Matemáticas III
Estadística I

1
Distribución hipergeométrica
Es la distribución correcta para calcular el riesgo del consumidor; a menudo, se
aproxima a la distribución binomial.
Si contamos una población finita de tamaño N y, de estos N elementos de la
población, solamente k de ellos cumplen con una característica particular,
deducimos que N - k es la cantidad de elementos de la población que no cumplen
con esa condición.
Si de la población se extrae una muestra de n elementos de manera tal que se
cumpla que:

n/N >= 0,05,

entonces la probabilidad de que, en la muestra de n elementos, se tengan x de

los k está dada por la expresión:

(𝑁−𝑘)
𝐶(𝑛−𝑥) . 𝐶𝑥𝑘
𝑃(𝑥) = .
𝐶𝑛𝑁

Parámetros
Nos preguntamos: ¿por qué, si el evento presenta características similares a las
de una distribución binomial, no se resuelve mediante ese modelo, o bien
buscamos esta alternativa? La respuesta es que existen motivos que hacen que
se prefiera utilizar este tipo de distribución por sobre la binomial.

 que la población es finita, y el tamaño de la muestra es grande, significativo

respecto del tamaño poblacional y, por lo tanto, modifica la probabilidad de
elegir;
 el muestreo se realiza sin reposición y, al ser significativa, el tamaño de la
muestra con respecto al tamaño de la población modifica la probabilidad de
acierto.

Si recordamos, en la distribución binomial, la probabilidad de lo que

consideramos acierto se mantiene constante, y esto se logra únicamente si el
muestreo se realiza con reposición o la población es infinita o muy grande.

2
Expresión general
Esta expresión se basa en la teoría combinatoria, donde:

N = tamaño de la población;

n = tamaño de la muestra;

k = número de éxitos en la población;

x = número de éxitos en la muestra;

(𝑁−𝑘)
𝐶(𝑛−𝑥) . 𝐶𝑥𝑘
𝑃(𝑥) = .
𝐶𝑛𝑁

Para encontrar la expresión que dé la media de la distribución hipergeométrica,

debemos recordar nuevamente que la media corresponde con el valor esperado
o esperanza matemática.
Además, si el muestreo es representativo de la población, la media de la muestra
tenderá a ser igual que la media poblacional:

𝑘 𝐸(𝑥)
𝜇= = .
𝑁. 100 𝑛. 100

Por lo tanto, despejando E(x), tendremos:

𝑛
𝐸(𝑥) = .
𝑁. 𝑘

3
Bibliografía de Referencias
Levin, R. I., y Rubin, D. S. (2004). Estadística para administración y economía (7.a
ed.). México: Pearson Educación.

4
 Distribución
de variable
continua

Herramientas
Matemáticas III
Estadística I

1
Distribución de variable
continua
Como habíamos visto, las variables podían ser continuas o discretas; de esta
manera, podemos entonces clasificar los modelos de acuerdo con el tipo de
variable.

 Variable discreta:
o binomial;
o de Poisson;
o hipergeométrica.

 Variable continua:
o normal;
o T (de Student);
o chi cuadrado.

En este concepto, se trata solamente la distribución continua normal.

Distribución normal

Definiremos ahora, una distribución que analice las probabilidades de que la

variable aleatoria adopte un valor dentro de un intervalo. La distribución de
variable continua, que responde en forma más general a más cantidad de
casos y situaciones en las que la variable se mide en un intervalo, es la
distribución normal, también llamada distribución de Gauss.
La distribución normal es reconocida en Estadística por varias razones.

En el ámbito empresarial, existen muchas variables de medición, cuyas

distribuciones se asimilan a la distribución normal.

 La distribución normal puede asimilarse a distribuciones de variables

discretas como la distribución binomial y la distribución de Poisson; lo que
simplifica el trabajo.
 La distribución normal es una herramienta muy importante para la
estadística inferencial a través del teorema de límite central.

2
Distribución normal estándar

1) Tiene forma de campana, de allí el nombre de campana de Gauss.

2) Su eje de simetría respecto del eje vertical pasa por la abscisa de
mayor ordenada.
3) El valor de la abscisa de mayor ordenada coincide con la media, la
mediana y la moda por ser simétrica respecto del eje vertical que pasa
por ese punto.
4) Las ramas de la campana son asintóticas respecto del eje horizontal y
se extienden desde -ꝏ al +ꝏ.
5) La expresión de la función toma el nombre de “función de densidad de
probabilidades” y su expresión es:

La forma de esta función está indicada en el siguiente gráfico:

Figura 1: Distribución Normal o Gaussiana

Fuente: Elaboración Propia

6) Se considera que la superficie encerrada por la función y el eje horizontal

son iguales a 1. Esto significa que la integral de la función F(x) entre los
límites - ꝏ y + ꝏ = 1 es ∫F(x).dx = 1.

3
7) La probabilidad de que la variable aleatoria tome un valor en un intervalo
(a; b) está dada por la superficie encerrada por la función y el eje
horizontal en ese intervalo:

P(a ≤ x ≤ b) = ∫F(x).dx.

Figura 2: Area bajo una curva normal

Fuente: Elaboración propia

8) La probabilidad que la variable tome un valor puntual es igual a cero: P(x

= a) = 0. Si el intervalo (a, b) disminuye, porque el extremo b se acerca a
a, la probabilidad disminuye. Y, en el límite, cuando b coincide con a, la
probabilidad toma el valor cero; ya que no se tiene superficie por no
existir un intervalo.
9) Otra de las características de la curva normal es que el área debajo de la
curva, entre el valor de la media aritmética y un punto cualquiera sobre
las abscisas está en función del número de desviaciones estándar.

4
Figura 3: Distribución Normal-Características

Fuente: Levin y Rubin, 2004, p. 209.

Significa que esa superficie es proporcional al número de desviaciones

estándar de la distancia entre la media y X, siendo X un punto genérico. En
fórmulas, lo podemos expresar así:

z.σ = x – μ,

donde Z es el coeficiente de proporcionalidad que indica la cantidad de

desviaciones estándar correspondientes con la diferencia de abscisas entre
X y la media. El valor de Z puede adoptar valores entre cero y un poco más
de 3; ya que, si recordamos la regla empírica que indicando que el 99,7 % de
las observaciones de una distribución normal ocurren en el intervalo
comprendido entre la media menos 3σ y la media más 3σ.
Con estas características, se construye una distribución con los valores de z,
y dicha distribución se llamará “distribución normal estándar”, cuya media
es:

𝜇(𝑧) = 0,

y su desviación estándar:

𝜎(𝑧) = 1.

5
Se construyeron tablas para distribución normal estándar (DNE), donde,
para cada valor de Z, se obtuvo un porcentaje del área total, y estas tablas
se encuentran en los apéndices de la bibliografía. En esta tabla, verificamos
que el área encerrada por la DNE, para z = 1, es igual a 0,3413; para z = 2, a
0,4772; y para z = 3, a 0,4987, de acuerdo con lo expresado por la ley
empírica. Como ejercicio, prueba corroborar la ley empírica con estos
resultados.

Resolución de una distribución binomial por aproximación con

la normal

Cuando una distribución binomial presenta un número de ensayos elevados,

n grande, y la probabilidad del éxito es próxima a 0,5, dicha distribución
puede ser resuelta por aproximación con la distribución normal. Para lo cual,
haremos algunas consideraciones para tener en cuenta.

 Las medias de las distribuciones normal y binomial son iguales:

𝜇(𝑥) = 𝑛. 𝑝.

 Los desvíos estándar de las distribuciones normal y binomial son iguales:

𝜎(𝑥) = √𝑛. 𝑝. 𝑞.

 No olvides que la distribución normal responde a una variable del tipo

continua (por medición); la binomial, en cambio, a una variable del tipo
discreta (por conteo).

6
Resolución de una Distribución de Poisson por aproximación
con la normal

Esta expresión corresponde a una Distribución de Poisson para el cálculo de

probabilidades en variables aleatorias discretas.

Si bien sirve para el cálculo en forma manual, es muy engorroso utilizarla por
lo que podemos utilizar las tablas para calcular las probabilidades de
Poisson.
Para poder asimilar este tipo de distribución a una distribución normal,
siempre con las precauciones del caso, deberíamos realizar los reemplazos
que vemos a continuación.

Podemos utilizar la Distribución de Poisson como una aproximación de la

Distribución Binomial, sustituyendo a por n.p, condicionado solamente a
que n ≥ 20 y p ≤ 0,05

Esta expresión permite que, calculando Z; se pueda utilizar una tabla de

distribución normal estandar para calcular la probabilidad que esté dentro
de una distancia Z de la media artimética

7
Bibliografía de referencias
Levin, R. I., y Rubin, D. S. (2004). Estadística para administración y economía
(7.a ed.). México: Pearson Educación.

8
 Tipos de
muestras

Herramientas
Matemáticas III -
Estadística I

1
Muestreo. Clasificación

Muestras

Algunas de las razones para extraer una muestra son:

 Requiere de menos tiempo que un censo.
 Es menos costosa que un censo, tanto para extraerla como para
procesarla.
 Es menos molesta y más práctica de gestionar que un censo.

Para evitar tener que realizar un censo completo de la población, los

procedimientos de muestreo estadístico se concentran en seleccionar un
pequeño grupo representativo de Ia población para que luego los
resultados de la muestra se utilicen para estimar las características de la
población.
Se recordarán algunas definiciones:
 Población: son todos los elementos o personas que se quieren estudiar.
 Parámetro: es una característica de la población.
 Enumeración completa o censo: cada persona o elemento de la
población que se desea describir.
 Muestra: una porción escogida de la población.
 Estadística: es una característica de una muestra.

Las dos maneras de clasificar los muestreos son:

 El muestreo no aleatorio o de juicio:
Es cuando se utiliza la experiencia individual de una persona respecto al
tema en cuestión y sus apreciaciones particulares para reconocer a los
componentes de la población que deben incorporarse en la muestra.
 El muestreo aleatorio o de probabilidad:
Es cuando cada uno de los integrantes de la población tiene idéntica
posibilidad de ser elegidos para la muestra.

2
 Muestra
Sistemática

Muestra Muestras Muestra

Aleatoria probabilisticas Estratificada
Simple

Muestra
Globalizada o por
Conglomerados

Muestra Por
Juicio

Muestra
Muestras No Muestra Por
Bola de
probabilisticas Cuotas
nieve

Muestra Por
Conveniencia

Muestreo aleatorio simple

Cuando todas las muestras que se pueden extraer de una población tienen
la misma posibilidad de ser elegidas se llama muestreo aleatorio simple.
Teniendo cada muestra el mismo tamaño, cualesquiera de ellas tiene la
misma probabilidad de ser seleccionada.

Pueden elegirse las muestras con sustitución o sin sustitución.

Si fuera con sustitución el muestreo, esto significaria que cada componente

seleccionado, luego de ser considerado se reintegra a la población, donde
puede ser elegido nuevamente.

3
En cambio, si el muestreo es sin sustitución, indica que si un componente
es extraído, no será posible su eleccion nuevamente.

Aún cuando la elección de la muestra, sea con o sin sustitución, existen

procedimientos de elección de las muestras faciles de aplicar y con
fundamentos prácticos y lógicos comprobados.
Ejemplo de ellos son las tablas de números aleatorios.

Muestreo globalizado

Este tipo de procedimientos de muestreo se utiliza cuando hay grupos con

gran homogeneidad dentro de una población determinada.
Cuando algún administrador debe encargar un estudio de mercado para
insertar algún producto en el mismo, tiende a recurrir a este tipo de
muestreo.
Para la aplicación de este método, se debería dividir la población en
clústers o agrupamientos lo más heterogéneos posibles internamente y
similares entre si, y se toma de cada grupo una muestra aleatoria simple.
La precisión de este muestreo reside en el diseño del mismo, ya que los
resultados pueden ser mas precisos y más economicos que otro tipo de
método.

Muestreo estratificado

La población, en este método, es dividida según componentes comunes, en

estratos o grupos lo más homogéneos posibles.

A partir de esto, se extrae una muestra aleatoria simple de cada grupo y se

realizan los cálculos con los resultados de cada grupo, combinandolos y
aplicandolos a la población total.

Al asegurarnos que los componentes de cada estrato de la población están

representados, nos garantizamos una eficiencia superior que el aleatorio
simple y el sistemático, ya que gracias a la homogeneidad de los
componentes de cada grupo estimamos los parámetros de la población
total con más precision.
Es un método apropiado cuando naturalmente la población en estudio se
encuentra subdividida en estratos de diferentes tamaños y necesariamente
se debe considerar esa contingencia.

4
Muestreo sistemático

Sus cualidades son similares a las vistas en el muestreo aleatorio simple.

Se listan los elementos de la población. Posteriormente, se obtiene el
cociente entre el número de componentes de la población y el número de
componentes de la muestra, cociente que me indicará la cantidad de
intervalos en que dividiremos a nuestra población.
Luego, se selecciona para el muestreo, cada componente de la lista a partir
de un valor inicial que debe encontrarse dentro de cada intervalo en la
misma posición dentro del mismo.

Como ejemplo podemos citar que si se tiene una población de 100

elementos y se quiere considerar una muestra de 10 elementos, se
enumeran todos estos elementos, se dividen 10 intervalos y se considera, a
modo de ejemplo, el cuarto número de cada intervalo: el 4, 14, 24 y así en
cada uno de esos intervalos.

Como se vió, es diferente del muestreo aleatorio simple, ya que en este

cada componente debería tener la misma posibilidad de ser elegido, en
cambio en este método no es así.

Ya que en este caso no se cumple, existe la dificultad al incluir un error en

el proceso de muestreo.
Según lo que acabamos de ver, la posibilidad de que esa muestra no sea
representativa es alta.
Sin embargo, también tiene algunas ventajas. Este tipo de muestreo
soporta ciertos reparos cuando los componentes de los intervalos entran
en un patrón secuencial, aunque como ventajas podemos citar que puede
requerir de menos tiempo y un costo menor que el muestreo aleatorio
simple.

Distribución de muestreo
En los anteriores apartados, se han analizado las diferentes formas de
determinar las muestras de una población con el objetivo de obtener los
estadísticos para poder inferir sobre los parámetros de la población.

Los estadísticos calculados en cada muestra serán distintos entre sí y

tampoco se puede esperar que sean iguales a los parámetros
poblacionales.

5
El trabajo de uno es inferir el desvío estándar de la población, según el
desvío estándar de una muestra S y correlativamente la media poblacional
μ, según el valor de la media muestral 𝑥̅ . Con el mismo razonamiento, se
podría determinar la proporción p en la población que se contará de la
proporción p de la muestra.

El desafío es inferir sobre los parámetros, reduciendo al mínimo lo

expresado sobre las diferencias entre esos parámetros y los estadísticos
homólogos.

Supón que el parámetro que se va a inferir sea la media. Si de una

población se toma un número determinado N de muestras y se supone que
es la media del parámetro de la población que se va a estimar, se espera
que las medias de las distintas muestras sean diferentes entre sí y distintas
también a la media de la población. Estas diferencias surgen como lógicas
si se tiene en cuenta lo aleatorio del muestreo. Es esta la razón por la cual,
para poder hacer alguna inferencia sobre la media de la población,
teniendo en cuenta los valores estadísticos, será necesario tener en cuenta
la forma en que varían estos en el muestreo.

Esta variabilidad producida en los estadísticos de las distintas muestras

están relacionadas con:

 Características de la población: si la población presenta una gran

heterogeneidad, mayor será la amplitud de la distribución de muestreo.
 Tamaño de la muestra: si se aumenta el tamaño de la muestra, habrá
una menor dispersión en los valores y la inferencia en los parámetros
tendrá una mayor exactitud.
 Tipo de parámetro en estudio: según el parámetro que se va a estimar,
tendrá características particulares la distribución de muestreo que se va
a analizar.

6
Referencias
Levin, R. I., y Rubin, D. S. (2004). Estadística para administración y economía (7.a
ed.). México: Pearson Educación.

7
 Teorema central
del límite

Herramientas
Matemáticas III -
Estadística I

1
Teorema central del límite
Habiendo realizado muchas distribuciones con diferentes formas, distintas
de la distribución normal, y se demostró que se deberían considerar con el
Teorema del Límite Central, que nos permite inferir sobre la media
poblacional, a partir de la distribución de la media muestral, de manera
independiente de la forma de su distribución.

Cuando el tamaño de la muestra es sustancialmente grande (>30), El

teorema Central del Límite nos indica que la distribución muestral de la
media, tiene una forma aproximadamente normal, cada vez más normal
cuanto mayor es el número de muestras e independiente de la forma de la
distribución de su población.

2
Figura 1: Distribución muestral de Ia media de distintas poblaciones para
muestras de n = 2, 5 y 30.

Fuente: Berenson, M. y Levine, D. (1996). Estadística Básica en Administración. Sexta edición.

México: Prentice Hall.

En esa caracteristica reside su importancia, es decir que permite inferir

sobre parámetros poblacionales a través del análisis de las estadísticas de
las muestras con independencia de la forma de la distribución de
frecuencia de la población.

3
Concepto de error muestral estándar
Al igual que la distribución de las proporciones muestrales, tienen un
comportamiento similar a la distribución de las medias muestrales. Para la
estimación de la proporción poblacional, se seguirá un procedimiento
similar al utilizado para la estimación de la media.

Extraída la muestra y calculada de la misma la proporción (p), se necesita

definir el valor del error muestral estándar de las proporciones.

Figura 2: Fórmula de error muestral estandar

Fuente: RICHARD I. LEVIN y DAVID RUBIN. “Estadística para Administración y Economía”. 7ª Edición
Revisada- Ed. Pearson 2012- México.

Si no se contase con la proporción poblacional, se debe considerar la

situación más desfavorable, es decir:

p = 0,5

Es de práctica generalizada utilizar los valores de la proporción de la

muestra en reemplazo de la proporción poblacional; en ese caso:

Figura 3: Error muestral estandar en función de p

Fuente: RICHARD I. LEVIN y DAVID RUBIN. “Estadística para Administración y Economía”. 7ª Edición
Revisada- Ed. Pearson 2012- México.

Si se presentan poblaciones finitas y el tamaño de la muestra es tal que

n/N ≥ 0,05, se hace necesario aplicar el factor de corrección de
poblaciones finitas para la determinación de p:

Figura 4: Factor de corrección de poblaciones finitas

4
Fuente: RICHARD I. LEVIN y DAVID RUBIN. “Estadística para Administración y Economía”. 7ª Edición
Revisada- Ed. Pearson 2012- México.

Se tendría:

Figura 5: Error muestral estandar corregido para poblaciones finitas

Fuente: RICHARD I. LEVIN y DAVID RUBIN. “Estadística para Administración y Economía”. 7ª Edición
Revisada- Ed. Pearson 2012- México.

5
Referencias
Levin, R. I., y Rubin, D. S. (2004). Estadística para administración y economía (7.a
ed.). México: Pearson Educación.

6
 Estimación y
error muestral

Herramientas
Matemáticas III -
Estadística I

1
 Estimación. Concepto

Es el proceso de utilizar un estadístico para inferir sobre el valor del

parámetro poblacional desconocido. El objetivo final de la estadística es el
de inferir acerca de una población a partir de la información adquirida de
una muestra, y justamente está basada en la estimación. Suele ser la media
el parámetro más estimado además de ser el de mayor exactitud.

Tipos de estimación:

 De punto: cuando al parámetro se le asigna un único valor.

 De intervalo: cuando al parámetro se le asigna un valor dentro de un
intervalo.

Error muestral

Si se estima la media poblacional a través de la media de una muestra, se

comete un error, el cual es igual a:

E = x –m
El cual, expresado como una proporción del desvío estándar de esa
distribución que se denomina como error muestral estándar, es:

̅−𝛍
𝐄 = 𝐳. 𝛔(𝐗̅) = 𝐗

Si se tiene en cuenta que:

𝝈
𝝈(𝑿̅) =
√𝒏
La expresión del error de estimación será:

σ
E = z.
√n
El error de estimación es un valor que se puede estimar a priori como el
máximo error permitido entre el valor de la media de una muestra y el

2
valor de la media poblacional, siendo este error función de z del desvío
estándar poblacional y de n, tamaño de la muestra:

z: que definirá el grado de bondad o nivel de confianza.

σ: desvío estándar poblacional.
n: tamaño de la muestra.

Estimación puntual
Es un número determinado a través de una fórmula que se utiliza para
estimar un parámetro de población desconocido. El ejemplo más simple lo
constituye la media, ya que está dada por la expresión matemática:

∑(𝒙(𝒊). 𝒇(𝒊) )
̅=
𝑿
𝒏

Una estimación puntual es mucho más útil si viene acompañada por una
estimación del error que podría estar implicado.

La media de la muestra 𝑋̅ es el mejor estimador de la media de la

población 𝜇. Es el estimador más eficiente, siempre y cuando la muestra
sea lo suficientemente grande. Así, su distribución muestral puede ser
aproximada por medio de la distribución normal.

Estimación por intervalos

Describe un rango de valores dentro del cual es posible que esté un

parámetro de la población. Sin embargo, se necesita, debido a la
variabilidad de muestreo, tener en cuenta que los estadísticos no
coincidirán con los parámetros poblacionales, por lo cual es conveniente
acompañar al estimador puntual con una estimación de intervalo.

3
Estimaciones por intervalos de la media

Supón tener una población con media μ y desvío estándar s. De acuerdo

con el teorema central del límite, si de ella se extraen todas las muestras
posibles del mismo tamaño, cada una de las muestras tendrá su media X y
una desviación estándar muestral S.

Se sabe que con las medias de todas las muestras se genera la distribución
muestral de medias, la que es normal, y su media x m es igual a la media
poblacional.

Si se toma una muestra cualquiera, su media estará ubicada bajo la curva a

una distancia máxima E de la media poblacional, ya que, si se estima la
media poblacional a través de la media de esa muestra, se comete un
error, el cual está dado por E.

Figura 1: Gráfico de error de la media poblacional respecto de la media

muestral

Fuente: Lectura N°4- Pag. N°24-HERRAMIENTAS MATEMÁTICAS III (ESTADÍSTICA I) Profesor: MARIO
MARÍN

Si se considera una de las muestras, su media tendrá un valor x y se ubicará

sobre el eje de las abscisas a una distancia E de la media poblacional m. Por
lo tanto, si se estima la media poblacional a través de la media de esa
muestra, se comete un error, el cual es igual a:

E = x –m

4
El cual,si es expresado como una proporción del desvío estándar de esa
distribución, se denomina como error muestral estándar.

Determinación del tamaño de una muestra

El problema es determinar cuál es el tamaño de la muestra necesaria para

que el estadístico tenga la mayor exactitud y, por lo tanto, el error
cometido sea el menor posible o el que sea aceptable.

Determinación del tamaño de una muestra para estimar la

media poblacional

Si se analiza la distribución muestral para una muestra de tamaño n y se

ubica a la media de la muestra en el eje horizontal y a una distancia E al
que se ha denominado error en el que se ha incurrido cuando se ha
estimado la media poblacional (coincidente con la media de la distribución
muestral) con la media de esa muestra.

Ese error responde a la expresión:

𝑬 = 𝒁. 𝝈(𝑿)
̅̅̅̅

Si se tiene en cuenta que:

𝝈
𝝈(𝑿̅) =
√𝒏

Reemplazando en la primera expresión, se tiene:

𝝈
𝑬 = 𝒁.
√𝒏

Despejando el valor de n, se tiene:

𝒁. 𝝈 𝟐
𝒏=( )
𝑬

5
 Teniendo en cuenta entonces que:

 E: es el máximo error que se propuso cometer. Se llama error permitido.

 s: desviación estándar poblacional (cuando no se conoce, se tienen dos
opciones).
 Z: define el grado de seguridad con el que se efectúa la inferencia.
 n: tamaño de la muestra.

Determinación del tamaño de una muestra para proporciones

La determinación del tamaño de muestra para la determinación del

porcentaje poblacional se realiza de la misma manera que en la
determinación de tamaño de muestra para la media; teniendo en cuenta
que es este caso:

𝐩. 𝐪
𝛔(𝐩̅) = √
𝐧
Y:

𝐄 = 𝐙. 𝛔(𝐩̅)

Reemplazando y despejando n, se tiene:

𝐙 𝟐
𝐧 = ( ) . 𝐩. 𝐪
𝐄

El error tendrá que estar en relación con p. Si p es la proporción

poblacional, se la tiene expresada en porcentaje. Del mismo modo, se
tendrá a E.

Comúnmente, el porcentaje poblacional no se conoce, por lo que se puede

tomar una de dos opciones:

1) Método subjetivo. Se adopta un valor de p de acuerdo con experiencias

anteriores.

6
2) Si se determina que p toma el valor de 0,5, entonces q= (1-p) = 0,5. En este
caso, el producto de p. q toma su máximo valor.

7
Referencias
Levin, R. y Rubin, D. (1996). Estadística para administradores. México DF: Pearson
Educación.

8
 Tamaño de
la muestra

Herramientas
Matemáticas III -
Estadística I

1
Determinación del tamaño de
una muestra para estimar la
media poblacional

Para que se pueda inferir con la exactitud deseada un parámetro

poblacional, se debe tratar con cuidado el tamaño de la muestra que se va a
extraer y de ello dependerá el error que se cometerá.

Para estimar la media poblacional

Cuando se estudió la distribución normal o gaussiana, se refería el cálculo a
una curva estándar en que cada punto sobre el eje de las abscisas respecto
de la media es una proporción de los desvíos estándar. Siguiendo esta línea
de acción, al considerar una muestra cuyo tamaño genéricamente se
llamaba n y su media al situarla en las abscisas difiere de la media
poblacional en una distancia que se denominará E (recuerda que la media
poblacional debe ser coincidente con la media muestral), que se calcula con
la siguiente fórmula:

𝐸 = 𝑧. 𝜎𝑥̅
Y considerando que:
𝜎
𝜎𝑥̅ =
√𝑛
Sustituyendo en la anterior expresión, se obtendrá el error cometido en
función del tamaño n de la muestra:

𝜎
𝐸 = 𝑧.
√𝑛
De la expresión que, si se despeja el tamaño de la muestra:

𝑧. 𝜎 2
𝑛=( )
𝐸

2
Donde:
 E: es el error máximo permitido que se pretende obtener.
 σ:es el desvío estándar poblacional.
 Z: es el grado de seguridad para ejecutar la inferencia.
 n: es el tamaño de la muestra que se quiere hallar para cumplir con la
consigna.

Ejemplo:

En una fábrica de pastillas de freno de automóviles, los pesos de la variedad

extradura para automóviles de la categoría SUV tienen un desvío estándar
de 25 g el par, y se desea estimar el peso promedio de la producción de esa
variedad para prever los insumos necesarios, considerando que el error que
se cometerá en la previsión no sea superior a 5 g con una bondad del 95 %.
Para ello, se debe estimar en primera instancia el tamaño necesario de la
muestra para que el error no supere ese valor.

El valor de Z extraído de la tabla correspondiente es de 1,96. Entonces, con

estos valores y la expresión anterior, se calcula:

1,96 . 25 2
𝑛=( )
5

𝑛 = 96 𝑝𝑎𝑠𝑡𝑖𝑙𝑙𝑎𝑠

En este caso, se conoce el desvío estándar poblacional; pero si se lo

desconoce, se puede utilizar alguno de estos tres procedimientos, según el
nivel de exigencia en cuanto a la exactitud:

a) Si ya se ha realizado el cálculo anteriormente con otra muestra similar y

sin haber cambiado sustancialmente las condiciones de trabajo, se podrá
utilizar el desvío estándar poblacional de ese estudio.
b) Si se considera el tipo de distribución al rango de ella, se lo divide por un
valor entero K y se utiliza ese valor como desvío estándar poblacional. El
valor de K toma valores según el sesgo de la distribución que se tenga: 4 para
distribuciones simétricas, 6 u 8, según el tenor del sesgo que se tenga.

𝑥𝑛 − 𝑥𝑖
𝜎=
𝐾
c) O bien, según la experiencia obtenida en casos similares, es decir, en
forma subjetiva.

3
Luego de definir el tamaño de la muestra apropiado, se debería calcular el
desvío estándar de la media de esa muestra y con ese valor por el valor de Z
se obtiene su producto. Si este producto es menor que la tolerancia (error
E), entonces el tamaño de la muestra es el correcto. En caso contrario, se
deberá aumentar el tamaño de la muestra para disminuir el error E.

Determinación del tamaño de una muestra para

proporciones
El cálculo de este tamaño de muestra se realiza en forma similar que el caso
anterior, siempre teniendo en cuenta que la proporción respecto al tamaño
poblacional puede estar expresado en decimales o en porcentaje. En este
caso, se debe considerar que:

𝜎 = √𝑝. 𝑞
Sustituyendo en la ecuación:

𝜎
𝜎𝑥̅ =
√𝑛
Se obtiene la siguiente expresión para el desvío estándar de la proporción
en función del tamaño de la muestra:

𝑝. 𝑞
𝜎𝑝̅ = √
𝑛
Y, por consiguiente, el error:
𝐸 = 𝑧. 𝜎𝑝̅

De donde, en forma similar al apartado anterior, se despeja el valor de n

mínimo que se va a exigir como tamaño de la muestra:

𝑧 2
𝑛 = ( ) . 𝑝. 𝑞
𝐸

4
En este caso, como siempre, el valor de p es la proporción entre los
elementos que poseen una característica determinada de la población y la
población total, y q es la proporción entre los elementos que no poseen esa
característica y la población total.

Debido a lo definido en el párrafo anterior, se sobreentiende que la suma de

p y q será 1 si ambos están expresados en decimales y será 100 % si lo
estuvieran en porcentajes. Si el porcentaje (o proporción poblacional) no se
conociese, se puede seguir alguno de los siguientes caminos:

Se puede otorgar a p el 50 %, por lo cual q, al ser 1-p, también tomaría el

valor de 50 %, con lo que el producto p.q tomaría su valor máximo, que
provocaría un tamaño de muestra más grande y por consiguiente el error E
estaría dentro de la tolerancia sugerida.

Se puede elegir, como el caso anterior, el valor de p en forma subjetiva,

según las experiencias de casos anteriores o muestras similares.

5
Referencias
Berenson, M., y Levine, D. (1996). Estadística Básica en Administración (6.a ed.).
México: Prentice Hall.

Levin, R. I., y Rubin, D. S. (2004). Estadística para administración y economía (7.a

ed.). México: Pearson Educación.