Calculadora de distribución muestral de la media
Calcula probabilidades de la media muestral con el teorema central del límite: obtén el error estándar, el puntaje z y la probabilidad exacta en segundos.
Ingresa la media poblacional, la desviación estándar y el tamaño de muestra, luego elige un tipo de probabilidad y proporciona el valor o valores de la media muestral para obtener el resultado al instante.
Calculadora de distribución muestral de la media
Calcula probabilidades de la media muestral con el teorema central del límite: obtén el error estándar, el puntaje z y la probabilidad exacta en segundos.
Calcula la probabilidad de que la media muestral sea menor que un valor x₁ dado.
Acerca de la calculadora de distribución muestral de la media
La distribución muestral de la media describe cómo varía la media de una muestra aleatoria de una muestra a otra cuando se toman repetidamente muestras del mismo tamaño de la misma población. Es uno de los conceptos más importantes de la estadística inferencial porque es la base teórica de los intervalos de confianza, las pruebas de hipótesis y los gráficos de control de calidad en prácticamente todas las disciplinas científicas e industriales.
El teorema central del límite (TCL) es el motor que hace útil esta distribución. El TCL establece que, sin importar la forma de la distribución poblacional, la distribución muestral de la media se aproxima a una distribución normal a medida que aumenta el tamaño de muestra n. En la práctica, un tamaño de muestra de 30 o más suele ser suficiente para que la aproximación sea excelente. Si la población ya es normal, el resultado vale para cualquier tamaño de muestra, por pequeño que sea.
El error estándar de la media (SE) cuantifica la dispersión de la distribución muestral. Es igual a la desviación estándar poblacional σ dividida por la raíz cuadrada de n: SE = σ / √n. Un tamaño de muestra mayor hace que el SE sea menor, lo que significa que las muestras grandes producen estimaciones más precisas de la media poblacional. Esta es la explicación matemática de por qué duplicar el tamaño de muestra reduce el error estándar por un factor de √2 y por qué los investigadores invierten en recolectar más datos para reducir la incertidumbre.
Una vez conocido el error estándar, cualquier media muestral x̄ puede convertirse en un puntaje z usando z = (x̄ − μ) / SE. El puntaje z mide cuántos errores estándar separan a x̄ de la verdadera media poblacional μ. Como la distribución muestral es (aproximadamente) normal, la tabla normal estándar —o su equivalente matemático Φ(z)— proporciona la probabilidad exacta de que la media muestral quede por debajo, por encima o entre valores especificados.
Esta calculadora admite tres tipos de probabilidad. La primera, P(X̄ < x), da la probabilidad de cola izquierda de que una muestra aleatoria de tamaño n tenga una media menor que x. La segunda, P(X̄ > x), da la probabilidad de cola derecha. La tercera, P(x₁ < X̄ < x₂), da la probabilidad de que la media muestral esté entre dos valores especificados, calculada como la diferencia de dos probabilidades normales acumuladas.
Los usos prácticos abarcan todos los ámbitos. Un ingeniero de calidad puede vigilar si el promedio de una tanda de piezas está fuera de tolerancia. Un nutricionista puede comprobar si el consumo calórico medio de un grupo muestra proviene plausiblemente de una población con un promedio conocido. Un analista financiero puede estimar la probabilidad de que el rendimiento diario promedio de un trimestre supere un umbral. Un investigador clínico puede determinar si la reducción media de la presión arterial en una muestra refleja un efecto real en la población. En cada caso, esta calculadora ofrece la respuesta probabilística en un solo cálculo.
Ejemplos de distribución muestral
Escenarios reales que muestran cómo aplicar la calculadora de distribución muestral.
| Escenario | Probabilidad | Interpretación |
|---|---|---|
| μ=80, σ=10, n=30, P(X̄ < 78) | ≈ 13.6% | Calificaciones de examen: hay aproximadamente un 14% de probabilidad de que una clase de 30 estudiantes tenga un promedio menor que 78 cuando la media real es 80. |
| μ=1000, σ=50, n=40, P(X̄ > 1010) | ≈ 10.3% | Vida útil de bombillas: hay alrededor de un 10% de probabilidad de que un lote de 40 bombillas promedie más de 1010 horas. |
| μ=3, σ=0.5, n=50, P(2.9 < X̄ < 3.1) | ≈ 84.3% | Tazas de café: hay una probabilidad del 84% de que la media muestral quede a 0.1 tazas de la media poblacional. |
| μ=0.05, σ=1, n=100, P(X̄ < 0) | ≈ 30.9% | Rendimientos bursátiles: hay una probabilidad del 31% de que el rendimiento promedio de 100 días sea negativo cuando la media real es 0.05%. |
Cómo usar la calculadora de distribución muestral
- Ingresa la media poblacional (μ), el promedio conocido o supuesto de toda la población.
- Ingresa la desviación estándar poblacional (σ), que debe ser un número positivo.
- Ingresa el tamaño de muestra (n), el número de observaciones en cada muestra, como entero ≥ 2.
- Elige el tipo de probabilidad: P(X̄ < x) para cola izquierda, P(X̄ > x) para cola derecha o P(x₁ < X̄ < x₂) para una probabilidad de intervalo.
- Ingresa la media muestral y haz clic en Calcular para ver el error estándar, el puntaje z y la probabilidad exacta.
Preguntas frecuentes sobre la distribución muestral
¿Qué es la distribución muestral de la media?
Es la distribución de probabilidad de todas las medias muestrales posibles que podrían obtenerse al tomar repetidamente muestras aleatorias de tamaño n de una población. El teorema central del límite garantiza que esta distribución es aproximadamente normal para n grande, con media igual a la media poblacional μ y desviación estándar igual al error estándar SE = σ/√n.
¿Qué es el error estándar y en qué se diferencia de la desviación estándar?
La desviación estándar (σ) mide la dispersión de los datos individuales alrededor de la media poblacional. El error estándar (SE = σ/√n) mide la dispersión de las medias muestrales alrededor de μ. El SE disminuye a medida que n crece; las muestras más grandes dan estimaciones más precisas de la media.
¿Cuándo puedo usar esta calculadora?
Puedes usarla siempre que conozcas la desviación estándar poblacional σ y el tamaño n sea lo bastante grande para que aplique el teorema central del límite (generalmente n ≥ 30). También es válida para cualquier n cuando la población ya es normal. Si σ es desconocida, debes usar la distribución t en su lugar.
¿Cómo se calcula aquí el puntaje z?
El puntaje z se calcula como z = (x̄ − μ) / SE, donde x̄ es la media muestral que proporcionas, μ es la media poblacional y SE = σ/√n. Indica cuántos errores estándar separan la media muestral objetivo de la media poblacional, lo que permite convertir esa distancia en probabilidad con la tabla normal estándar.
¿Por qué un tamaño de muestra mayor da una dispersión de probabilidad menor?
Porque SE = σ/√n; al duplicar n, SE se reduce por un factor de √2. Un SE menor significa que la distribución muestral es más alta y más estrecha, y que las medias muestrales se agrupan más cerca de μ. Como resultado, las medias extremas son menos probables y los intervalos de confianza son más cortos, por eso recolectar más datos mejora la precisión de cualquier estimación.
¿Qué calcula el modo de probabilidad 'between'?
El modo between calcula P(x₁ < X̄ < x₂), la probabilidad de que una media muestral aleatoria quede estrictamente entre x₁ y x₂. Se obtiene como Φ(z₂) − Φ(z₁), donde z₁ y z₂ son los puntajes z de x₁ y x₂, respectivamente. Es útil cuando quieres saber si la media muestral permanece dentro de un rango aceptable alrededor de la media poblacional.