TECNOLGICO NACIONAL DE MXICO

INSTITUTO TECNOLGICO DE PUEBLA

ESTADISTICA INFERENCIAL
QUIM. FRANCISCO PARTIDA HERNNDEZ

MARTES Y JUEVES 7:00-9:00

TEOREMA DE LMITE CENTRAL Y SUS POSTULADOS

AGUILAR MARCOS RODOLFO

CORTES MELO ANTONIO
HERNANDEZ VELAZQUEZ REYNA GUADALUPE
PEA MUOZ BENITO MAXIMILIANO

OBJETIVOS:
Identificar la importancia del teorema del lmite central y sus aplicaciones.

INDICE
OBJETIVO
INTRODUCCIN
TEOREMA DE LIMITE CENTRAL

INTRODUCCIN

Cuando deseamos resolver problemas de Estadstica Descriptiva e Inferencial II

para variables continuas tenemos que contestar una pregunta importante: la
poblacin a estudiar se distribuye en forma normal o no? En otros trminos, la
forma de la curva de frecuencias sigue el patrn de la campana de Gauss? En la
respuesta est parte de la solucin. Si los datos se distribuyen en forma normal el
tamao de muestra puede ser pequeo (n < 30) o grande (n 30). Emplendose
en el primer caso una distribucin especial llamada t de Student para el clculo de
probabilidades; pero si la distribucin no es normal o aproximadamente normal,
qu debemos hacer para resolver un problema?

TEOREMA DE LMITE CENTRAL

La respuesta a la pregunta anterior se puede contestar en base a lo que dice el
teorema de lmite central, cabe destacar que este teorema es, tal vez el ms
importante de la estadstica inferencial.
El teorema dice lo siguiente:
La distribucin de muestreo de la media se aproxima a la (distribucin) normal al
incrementarse el tamao de la muestra
Levin, Richard I. y Rubin, David S. Estadstica para Administradores. Editorial
Pearson, 6. Edicin, pp.338
Los autores han citado al pie de pgina que la importancia del teorema del lmite
central es que nos permite usar estadsticos de muestra para hacer inferencias
con respecto a los parmetros de poblacin sin saber nada sobre la forma de la
distribucin de frecuencias de esa poblacin ms que lo que podamos obtener de
esa muestra
Sin embargo, al revisar otra fuente de consulta se encontr que en el libro
Introduccin a la Estadstica los profesores Arnold Naiman, Robert Rosenfeld y
Gene Zirkel nos hacen ver que en la distribucin de las medias de gran cantidad
de muestras tomadas de una poblacin tiene, en teora, tres caractersticas:
1.- la media es normal
2.- La media

es igual a la media de la poblacin original,

= pop

3. La desviacin estndar es ms pequea que la correspondiente a la poblacin

original. Lo pequea que sea depende del tamao de la muestra.
m

pop

La exactitud con la que se cumple el teorema depender de dos factores:

1.- El tamao n de cada una de las muestras.
En teora, cuando ms grande es una muestra ms cercana se encuentra la
distribucin de una distribucin normal. Para muchas aplicaciones una muestra
cuyo tamao es mayor que 30, llevar a una distribucin de medias muy cercana a
la normal, de manera tal que los clculos basados en valores correspondientes a
una distribucin normal proporcionarn resultados favorables.
2. La forma de la distribucin original.
Si la distribucin de la poblacin es muy parecida a la normal, entonces pueden
utilizarse muestras de menor tamao y esperar que las medias muestrales tengan,
en forma aproximada, una distribucin normal. En muchas aplicaciones
estadsticas, las poblaciones son de tal naturaleza que se puede suponer que el
teorema se verifica.
En el libro de Estadstica Descriptiva e Inferencial II se encontraron los siguientes
trminos:
Si se extraen todas las posibles muestras de igual tamao(n) de una poblacin
pop
pop
dada que tiene media
y desviacin tpica
, el Teorema del Lmite
central indica que:
La distribucin de las medias muestrales m se distribuye aproximadamente en
pop
forma normal con media
y su desviacin estndar ser ms pequea que
la desviacin estndar de la poblacin de acuerdo al valor

pop

/ n, siempre y

cuando el tamao de muestra sea muy grandes.

En resumen se puede inferir que:
El teorema de lmite central dice que si una poblacin tiene media y desviacin
tpica , y tomamos muestras de tamao n (n > 30, cualquier tamao si la
poblacin es "normal"), las medias de estas muestras siguen aproximadamente la
distribucin:

2 .- Per mi te aver iguar la pro ba bili dad de que la me dia de una mue stra
co ncre ta est en un cie r to inte r valo .

3 . Per mite calcular la pro ba bili dad de que la su ma de lo s e le me nto s de

una mue stra e st , a pr ior i, e n un cie r to in ter val o.

4 .- Infe r ir la me dia de la po blaci n a par tir de una mue stra.

Eje mplo

L as bo lsas de sal e nvasadas po r una m quina tie ne n = 50 0 g y =

35 g. L as bo lsas se e mpa que tar o n e n cajas de 1 00 uni dade s.

1 . C alcular la pro ba bilid ad de que la me dia de lo s pe so s de las

bo lsas de un paq ue te se a me nor que 49 5 g.

BIBLIOGRAFIA

Naiman, Arnold, et all. Entendiendo Estadstica. Editorial McGraw Hill,

Mxico 1988, pp.38
Levin, Richard I. y Rubin, David S. Estadstica para Administradores.
Editorial Pearson, 6. Edicin, pp.338
Snchez, Victor. Estadstica Descriptiva e Inferencial II. Mxico, pp.123