Muestreo con reposición y sin reposición

Una población consta de los cinco números 2, 3, 6, 8 y 11. Considerar todas las muestras
de tamaño 2 que pueden extraerse de esta población sin reposición. Encontrar:
a) la media de la población
b) la desviación estándar de la población,
c) la media de la distribución muestral de las medias y
d) la desviación estándar de la distribución muestral de las medias (es decir, el error
estándar de las medias).
Media
Ejercicio 1
Ejercicio 1
Fórmulas (sin reposición)
Muestreo con reposición y sin reposición

Una población consta de los cinco números 2, 3, 6, 8 y 11. Considerar todas las muestras

(2, 3) (3, 6) (6, 8) (8, 11)

(2, 6) (3, 8) (6, 11)
(2, 8) (3, 11)
(2, 11)
Distribución de probabilidad normal estandar

La distribución normal estándar, o tipificada o reducida, es aquella que tiene por

media el valor cero, μ = 0, y por desviación típica la unidad, σ =1.

La probabilidad de la variable X dependerá del área del recinto sombreado en la

figura. Y para calcularla utilizaremos una tabla.
Distribución de probabilidad normal estandar
Tipificación de la variable

Para poder utilizar la tabla tenemos que transformar la variable X que sigue una
distribución N(μ, σ) en otra variable Z que siga una distribución N(0, 1).
Distribución de probabilidad normal estándar

Ejemplo 1.
Calcular la probabilidad de que las bolsas de Ruffles verdes pesen entre 283gr y 285.5gr
Considere que el peso de la bolsa tiene una distribución normal con una media de
283gr y una distribución estándar de 1.6gr

Datos: Fórmula P(283 <= peso <= 285.5)

μ= Z = (X – μ) / σ
σ=
X=
Distribución de probabilidad normal estándar

Ejemplo 1.
Calcular la probabilidad de que las bolsas de Ruffles verdes pesen entre 283gr y 285.5gr
Considere que el peso de la bolsa tiene una distribución normal con una media de
283gr y una distribución estándar de 1.6gr

(283 – 283) / 1.6 = 0

(285.5 -283) / 1.6 = 1.56
P = 0.4406
Distribución de probabilidad normal estándar

Ejemplo 2.
El sueldo medio de un supervisor de turno de una maquiladora, tiene una distribución
normal, con una media de $1000 y una desviación estándar de $100, ¿Cuál es la
probabilidad de seleccionar un supervisor con un sueldo menor a $1100?

Datos: Fórmula P(Sueldo < $1100)

μ= Z = (X – μ) / σ
σ=
X=
Distribución de probabilidad normal estándar

Ejemplo 2.
El sueldo medio de un supervisor de turno de una maquiladora, tiene una distribución
normal, con una media de $1000 y una desviación estándar de $100, ¿Cuál es la
probabilidad de seleccionar un supervisor con un sueldo menor a $1100?

Datos: Fórmula P(Sueldo < $1100)

μ = $1000 Z = (X – μ) / σ
σ = $100
X = $1100
Distribución de probabilidad normal estándar

Ejemplo 2.
El sueldo medio de un supervisor de turno de una maquiladora, tiene una distribución
normal, con una media de $1000 y una desviación estándar de $100, ¿Cuál es la
probabilidad de seleccionar un supervisor con un sueldo menor a $1100?

Datos: Fórmula P(Sueldo < $1100)

μ = $1000 Z = (1100 – 1000) / 100
σ = $100 Z=1
X = $1100
P = 0.3413 + 0.5 = 0.8413
Distribución de probabilidad normal estándar

Ejemplo 3 (más allá de Z o -Z).

El sueldo medio de un supervisor de turno de una maquiladora, tiene una distribución
normal, con una media de $1000 y una desviación estándar de $100, ¿Cuál es la
probabilidad de seleccionar un supervisor con un sueldo menor a $790?

Datos: Fórmula P(Sueldo < $790)

μ = $1000 Z = (X – μ) / σ
σ = $100
X = $790
Distribución de probabilidad normal estándar

Ejemplo 3 (más allá de Z o -Z).

El sueldo medio de un supervisor de turno de una maquiladora, tiene una distribución
normal, con una media de $1000 y una desviación estándar de $100, ¿Cuál es la
probabilidad de seleccionar un supervisor con un sueldo menor a $790?

Datos: Fórmula P(Sueldo < $790)

μ = $1000 Z = (790 – 1000) / 100
σ = $100 Z = -2.1
X = $790 Tabla = 0.4821
Distribución de probabilidad normal estándar

Ejemplo 3 (más allá de Z o -Z).

El sueldo medio de un supervisor de turno de una maquiladora, tiene una distribución
normal, con una media de $1000 y una desviación estándar de $100, ¿Cuál es la
probabilidad de seleccionar un supervisor con un sueldo menor a $790?

Datos: Fórmula P(Sueldo < $790)

μ = $1000 Z = (790 – 1000) / 100
σ = $100 Z = -2.1
X = $790 Tabla = 0.4821
P = 0.5 – 0.4821 = 0.0179
Distribución de probabilidad normal estándar

Ejemplo 4 (más allá de Z o -Z).

La temperatura del champurrado que vende la Sra. Juanita tiene una distribución de
probabilidad normal con una media de 150 grados. La desviación estándar de esta
distribución es de 5 grados. ¿Cuál será la probabilidad de que el champurrado sea más
de 164 grados?

Datos: Fórmula P(temp > 164°)

μ = 150 grados Z = (X – μ) / σ
σ = 5 grados
X = 164 grados
Distribución de probabilidad normal estándar

Ejemplo 4 (más allá de Z o -Z).

La temperatura del champurrado que vende la Sra. Juquilita tiene una distribución de
probabilidad normal con una media de 150 grados. La desviación estándar de esta
distribución es de 5 grados. ¿Cuál será la probabilidad de que el champurrado sea más
de 164 grados?

Datos: Fórmula P(temp > 164°)

μ = 150 grados Z = (164 – 150) / 5

σ = 5 grados Z = 2.8
X = 164 grados Tabla = 0.4974
Distribución de probabilidad normal estándar

Ejemplo 4 (más allá de Z o -Z).

La temperatura del champurrado que vende la Sra. Juquilita tiene una distribución de
probabilidad normal con una media de 150 grados. La desviación estándar de esta
distribución es de 5 grados. ¿Cuál será la probabilidad de que el champurrado sea más
de 164 grados?

Datos: Fórmula P(temp > 164°)

μ = 150 grados Z = (164 – 150) / 5 P = 0.5 – 0.4974

σ = 5 grados Z = 2.8 P = 0.0026

X = 164 grados Tabla = 0.4974 P = 0.26%

Distribución de probabilidad normal estándar

Ejemplo 5
Los ingresos semanales de los supervisores de una maquiladora, tienen una distribución
de probabilidad normal, con una media de $1000 y una desviación estándar de $100.
¿Cuál es la probabilidad de seleccionar un supervisor que gane entre $840 y $1200?

Datos: Fórmula P(840 <= Sueldo <= $1200)

μ = $1000 Z = (X – μ) / σ
σ = $100
X = $840
$1200
Distribución de probabilidad normal estándar

Ejemplo 5
Los ingresos semanales de los supervisores de una maquiladora, tienen una distribución
de probabilidad normal, con una media de $1000 y una desviación estándar de $100.
¿Cuál es la probabilidad de seleccionar un superviso que gane entre $840 y $1200?

Datos: Fórmula P(840 <= Sueldo <= $1200)

μ = $1000 Z = (840 – 1000) / 100
σ = $100 Z = - 1.6
X = $840 Tabla = 0.4452
$1200
Distribución de probabilidad normal estándar

Ejemplo 5
Los ingresos semanales de los supervisores de una maquiladora, tienen una distribución
de probabilidad normal, con una media de $1000 y una desviación estándar de $100.
¿Cuál es la probabilidad de seleccionar un superviso que gane entre $840 y $1200?

Datos: Fórmula P(840 <= Sueldo <= $1200)

μ = $1000 Z = (1200 – 1000) / 100
σ = $100 Z=2
X = $840 Tabla = 0.4772
$1200
Distribución de probabilidad normal estándar

Ejemplo 5
Los ingresos semanales de los supervisores de una maquiladora, tienen una distribución
de probabilidad normal, con una media de $1000 y una desviación estándar de $100.
¿Cuál es la probabilidad de seleccionar un superviso que gane entre $840 y $1200?

Datos: Fórmula P(840 <= Sueldo <= $1200)

μ = $1000 Z = (1200 – 1000) / 100 P = 0.4452 + 0.4772
σ = $100 Z=2 P = 0.9224
X = $840 Tabla = 0.4772 P = 92.24%
$1200
Teorema del límite central

“Las medias de muestras grandes y aleatorias son

aproximadamente normales”
Teorema del límite central

El teorema del límite central es un teorema fundamental de probabilidad y estadística.

El teorema describe la distribución de la media de una muestra aleatoria proveniente de
una población con varianza finita. Cuando el tamaño de la muestra es lo
suficientemente grande, la distribución de las medias sigue aproximadamente una
distribución normal.
Teorema del límite central

El teorema se aplica independientemente de la forma de la distribución de la población.

Muchos procedimientos estadísticos comunes requieren que los datos sean
aproximadamente normales. El teorema de límite central le permite aplicar estos
procedimientos útiles a poblaciones que son considerablemente no normales.
Teorema del límite central

El tamaño que debe tener la muestra depende de la forma de la distribución original. Si

la distribución de la población es simétrica, un tamaño de muestra de 5 podría producir
una aproximación adecuada. Si la distribución de la población es considerablemente
asimétrica, es necesario un tamaño de muestra más grande. Por ejemplo, la distribución
de la media puede ser aproximadamente normal si el tamaño de la muestra es mayor
que 50. Las siguientes gráficas muestran ejemplos de cómo la distribución afecta el
tamaño de la muestra que se necesita.
Teorema del límite central
Teorema del límite central

El teorema del límite central y el error estándar de la media y de la proporción están

basados en que las muestras son seleccionadas con reemplazo. Sin embargo, en
virtualmente todos los casos reales, el muestreo se hace sin reposición en poblaciones
con tamaño finito N. En estos casos, y particularmente cuando el tamaño de la muestra
NO ES PEQUEÑO en comparación con el de la población (por ejemplo, más del 5% de la
población) de manera que:
Teorema del límite central

El teorema del límite central y el error estándar de la media y de la proporción están

Siendo n el tamaño de la muestra y N el de la población. Entonces es necesario emplear
un Factor de Corrección para Población Finita para la desviación estándar:
Distribución de probabilidad normal estándar

Ejemplo 1
Una empresa eléctrica fabrica baterías que tienen una duración que se distribuye
aproximadamente en forma normal, con media de 800 horas y desviación estándar de
40 horas. Encuentre la probabilidad de que una muestra aleatoria de 16 baterías tenga
una vida promedio de menos de 775 horas.
Datos: Fórmula
μ = 800 Z = (775 – 800) / (40) / √16
σ = 40 Z = -2.5
X = 775 Tabla = 0.5 - 0.4938
n = 16 .0062 = 0.62%
Distribución de probabilidad normal estándar

Ejemplo 2
Una máquina llena bolsas de botanas con un contenido medio de 150gr y una varianza
de 120gr. Si se toma una muestra aleatoria de 40 bolsas. ¿Cuál es la probabilidad de que
la media muestral esté entre 145gr y 153gr?
Datos:
μ = 150 Fórmula

σ =√120
X = 145, 153
n = 40
Distribución de probabilidad normal estándar

Ejemplo 3
Las estaturas de 1000 estudiantes están distribuidas aproximadamente en forma normal
con una media de 174.5 centímetros y una desviación estándar de 6.9. centímetros. Si
se extraen 200 muestras aleatorias de tamaño 25 sin reemplazo de esta población,
determine:
a) El número de las medias muestrales que caen entre 172.5 y 175.8 centímetros.
b) El número de medias muestrales que caen por debajo de 172 centímetros.
Distribución de probabilidad normal estándar

σ/√n * √((N – n) / (N - 1)) 6.9/ 5 √((1000 – 25) / (1000 - 1)) = 1.36

(172. 5 – 174.5) / 1.36 = -1.47

(175.8 – 174.5) / 1.36 = 0.96
Distribución de probabilidad normal estándar

σ/√n * √((N – n) / (N - 1)) 6.9/ 5 √((1000 – 25) / (1000 - 1)) = 1.36

(172. 5 – 174.5) / 1.36 = -1.47

(175.8 – 174.5) / 1.36 = 0.96

(0.761)(200) = 152 Medias muestrales

(172 – 174.5) / 1.36 = -1.83

Área = 0.0330 0.0330(200) = 7 Medias muestrales
Muestreo con reposición y sin reposición

Supóngase que las estaturas de 3 000 estudiantes del sexo masculino de una
universidad tienen una distribución normal con media 68.0 pulgadas (in) y desviación
estándar 3.0 in. Si se obtienen 80 muestras, cada una de 25 estudiantes, ¿cuáles serán la
media y la desviación estándar esperadas de la distribución muestral de las medias si el
muestreo se hace: a) con reposición y b) sin reposición?