E S T A D Í S T I C A I A C T .

C A R L O S Q U I R O Z L I M A

TEOREMA DE LIMITE CENTRAL.

Si se obtiene una muestra de una población normal, entonces la media muestral

tiene una distribución normal sin importar el tamaño de la muestra. Sin embargo,
se puede demostrar que de hecho no importa el modelo de probabilidad del cual
se obtenga la muestra; mientras la media y la varianza existan, la distribución de
muestreo de `X se aproximará a una distribución normal conforme n
aumente. Lo anterior constituye uno de los más importantes teoremas en
inferencia estadística y se conoce como teorema del límite central.

Muestreo De Población no normales.

Recordemos que, si la población de la que se extraen las muestras es normal, la

distribución muestral de la media será normal sin importar el tamaño de la
muestra ¿Cómo es la distribución muestral de la media si la población de la que
se extraen las muestras no es normal?

En la práctica, tomamos muestras sin reemplazo de poblaciones que

generalmente son grandes pero cuya forma exacta y parámetros desconocemos;
en consecuencia, uno puede sospechar que la distribución muestral de la media
no tiene una forma básica, pero si el tamaño n de las muestras es grande (
n≥30 ), distribución muestral de la media tendrá forma acampanada; este
hecho es la esencia del famoso teorema del límite central.

Si x es la media de una muestra aleatoria de tamaño n tomada de una

población con media μ y varianza finita  , entonces la forma límite de la
2

distribución será una normal con μ=0 y σ =1

x− μ
Z=
σ
√n cuando n→ ∞

Teorema Del Límite Central: Si x es la media de una muestra aleatoria de

tamaño n tomada de una población con media μ y varianza finita 2 ,
entonces la forma límite de la distribución será una normal con μ=0 y σ =1
x−μ
Z=
σ
√n Cuando n→∞

Ejemplos:
E S T A D Í S T I C A I A C T . C A R L O S Q U I R O Z L I M A

1. Un estudio de tránsito revela que el número promedio de ocupantes de un

coche es 1.75 y la desviación estándar 0.65. En una muestra de 50 coches,
encuentre la probabilidad de que el número promedio de ocupantes sea mayor
que 2.

μ=1.75 , σ=0 .65 como n=50 puede usarse el TLC.

σ 0 . 65
σ x= = =0 .092
μ x=μ=1. 75 √ n √ 50 (Error estándar)

x−μ 2−1 . 75
Z= = =2. 72
σ 0 .092
√n

P ( X >2 )=P ( Z >2 .72 )= 0 .5−P(2.72)=0.5−0 . 4967=0 .0033

2. El gerente de una agencia de crédito ha calculado que el monto promedio del

dinero solicitado por clientes para un coche nuevo es de 4,685.54 dólares y σ =
748.72. Si durante el mes siguiente 40 personas reciben prestamos para
automóvil, cual es la probabilidad de que el monto promedio solicitado este
entre 4,500 y 4,800 dólares.

μ=4685.54 , σ =748. 72 como n=40≥30 puede usarse el TLC.

σ 748 . 72
σ x= = =118. 38
μ x=μ=4685 . 54 √ n √ 40
E S T A D Í S T I C A I A C T . C A R L O S Q U I R O Z L I M A

x−μ 4500−4685 .54 x−μ 4800−4685 .54

Z= = =−1 . 57 Z= = =0. 97
σ 118 .38 σ 118 .38
√n √n

P ( 4500<X <4800 )=P (−1 .57<Z <0 . 97 )=0 . 4418+0 .3340=0 .7758

SI EL TAMAÑO DE LA MUESTRA ES MENOR DE 30 O NO SE CONOCE LA

DESVIACION ESTANDAR POBLACIONAL, se utiliza la distribución t de
student.

DISTRIBUCIÓN T DE STUDENT

Se sabe que la distribución t se distribuye normalmente con una media μ y una

varianza s²/n, o la variable se distribuye normalmente con media cero y

varianza unitaria. Sin embargo, para calcular Z se requiere que s sea conocida.
Por lo tanto, se requiere una distribución para el caso en que s sea desconocido
y se pueda reemplazar por un estimativo, tal como s . Tal distribución es la
distribución t.

Teorema.
Si X y S² son la media y la varianza de una muestra aleatoria de tamaño n
tomada de una población normal con media μ y varianza s², entonces la
x−μ
t=
variable s / √n tiene la distribución t con n-1 grados de libertad.

Ejemplo.
En un recorrido de prueba de una hora cada uno, el consumo promedio de
gasolina de un motor fue 16.4 galones, con una desviación estándar de 2.1
galones. Se quiere saber si es cierta la afirmación de que "el consumo promedio
de gasolina es 12 galones/hora".

Respuesta:
Tenemos la siguiente información: n = 16, X = 16.4, s = 2.1 y μ = 12.0
Para responder la pregunta debemos verificar que tan probable es que una
muestra de 16.4 galones pertenezca a una distribución con una media de 12. Por
lo tanto, debemos calcular la probabilidad de que la media muestral sea mayor o
E S T A D Í S T I C A I A C T . C A R L O S Q U I R O Z L I M A

igual que 16.4 si la verdadera media de donde proviene dicha muestra es 12

galones. Esto es:

p ( x ≥16. 4 )= p
( s/x−μ√n ≥162.. 4−12 .0
1/ √ 16 )
= p ( t≥8 .38 )

Buscando en la tabla de la distribución t con 15 grados de libertad, tenemos que

para una probabilidad de 0.005 el respectivo valor de t es 2.947, lo cual implica
que la probabilidad para t = 8.38 es cero). Por lo tanto, concluimos que la
probabilidad de obtener una muestra con una media de 16.4 de una población
cuya media es 12.0 es cero, es decir, que "el consumo promedio de gasolina no
es 12 galones/hora", sino que es superior.