Calculadora de distribución de la media muestral
Calcula probabilidades para la media muestral con el teorema central del límite: error estándar, puntuación z y probabilidad exacta en segundos.
Introduce la media poblacional, la desviación estándar y el tamaño de muestra; luego elige el tipo de probabilidad y proporciona los valores de la media muestral para obtener un resultado instantáneo.
Calculadora de distribución de la media muestral
Calcula probabilidades para la media muestral con el teorema central del límite: error estándar, puntuación z y probabilidad exacta en segundos.
Calcula la probabilidad de que la media muestral sea menor que un valor dado x₁.
Acerca de la calculadora de distribución de la media muestral
La distribución muestral de la media describe cómo varía la media de una muestra aleatoria de una muestra a otra cuando se extraen repetidamente muestras del mismo tamaño de la misma población. Es uno de los conceptos más importantes de la estadística inferencial, porque constituye 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, independientemente de 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. Para poblaciones que ya tienen distribución normal, el resultado se cumple 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 reduce el SE, lo que significa que las muestras grandes producen estimaciones más precisas de la media poblacional. Esta es la explicación matemática de por qué duplicar un tamaño de muestra reduce el error estándar a la mitad y de por qué los investigadores invierten en recopilar más datos para disminuir la incertidumbre.
Una vez conocido el error estándar, cualquier media muestral x̄ puede convertirse en una puntuación z mediante z = (x̄ − μ) / SE. La puntuación 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)— da la probabilidad exacta de que la media muestral esté 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 inferior a x. La segunda, P(X̄ > x), da la probabilidad de cola derecha (superior). La tercera, P(x₁ < X̄ < x₂), da la probabilidad de que la media muestral caiga entre dos valores especificados, calculada como la diferencia entre dos probabilidades normales acumuladas.
Los usos prácticos abarcan todos los ámbitos. Un ingeniero de calidad controla si un lote de componentes tiene una dimensión media fuera de tolerancia. Un nutricionista verifica si la ingesta calórica media de un grupo muestreado podría provenir de una población con un promedio conocido. Un analista financiero estima la probabilidad de que el rendimiento diario medio durante un trimestre supere un umbral. Un investigador clínico determina la probabilidad de que la reducción media de la presión arterial en una muestra refleje un efecto poblacional real. En cada caso, esta calculadora ofrece la respuesta de probabilidad 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% | Puntuaciones de examen: aproximadamente un 14% de probabilidad de que una clase de 30 estudiantes tenga un promedio inferior a 78 cuando la media real es 80. |
| μ=1000, σ=50, n=40, P(X̄ > 1010) | ≈ 10.3% | Vida útil de bombillas: 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: un 84% de probabilidad de que la media muestral caiga dentro de 0.1 tazas de la media poblacional. |
| μ=0.05, σ=1, n=100, P(X̄ < 0) | ≈ 30.9% | Rendimientos bursátiles: un 31% de probabilidad de que el rendimiento medio de 100 días sea negativo cuando la media real es 0.05%. |
Cómo usar la calculadora de distribución muestral
- Introduce la media poblacional (μ), el promedio conocido o supuesto de toda la población.
- Introduce la desviación estándar poblacional (σ), que debe ser un número positivo.
- Introduce el tamaño de muestra (n), el número de observaciones en cada muestra (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.
- Introduce los valores de la media muestral y haz clic en Calcular para ver el error estándar, la puntuación z y la probabilidad exacta.
Preguntas frecuentes sobre 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 extraer 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 producen estimaciones más precisas de la media.
¿Cuándo puedo usar esta calculadora?
Puedes usarla siempre que conozcas la desviación estándar poblacional σ y el tamaño de muestra n sea lo bastante grande para que se aplique el teorema central del límite (generalmente n ≥ 30). También es válida para cualquier n cuando la población está normalmente distribuida. Si σ es desconocida, debes usar la distribución t.
¿Cómo se calcula aquí la puntuación z?
La puntuación 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 tu media muestral objetivo de la media poblacional, lo que permite convertir esa distancia en una probabilidad mediante la tabla normal estándar.
¿Por qué un tamaño de muestra mayor produce una dispersión de probabilidad menor?
Porque SE = σ/√n; duplicar n reduce el SE por un factor de √2 ≈ 1.41. Un SE menor significa que la distribución muestral es más alta y estrecha: las medias muestrales se agrupan más cerca de μ. Como resultado, las medias muestrales extremas son menos probables y los intervalos de confianza se acortan, por eso recopilar más datos mejora la precisión de cualquier estimación.
¿Qué calcula el modo de probabilidad «entre»?
El modo entre calcula P(x₁ < X̄ < x₂): la probabilidad de que una media muestral aleatoria caiga estrictamente entre x₁ y x₂. Se calcula como Φ(z₂) − Φ(z₁), donde z₁ y z₂ son las puntuaciones z de x₁ y x₂, respectivamente. Es útil cuando quieres saber la probabilidad de que la media muestral permanezca dentro de un rango aceptable alrededor de la media poblacional.