Teorema del lmite central

Definicin:
El teorema central del lmite es uno de los resultados fundamentales de la estadstica. Este
teorema nos dice que si una muestra es lo bastante grande (generalmente cuando el tamao
muestral (n) supera los 30), sea cual sea la distribucin de la media muestral, seguir
aproximadamente una distribucin normal. Es decir, dada cualquier variable aleatoria, si
extraemos muestras de tamao n (n>30) y calculamos los promedios mustrales, dichos
promedios seguirn una distribucin normal. Adems, la media ser la misma que la de la
variable de inters, y la desviacin estndar de la media muestral ser aproximadamente el
error estndar.
La importancia del teorema central del lmite radica en que mediante un conjunto de
teoremas, se desvela las razones por las cuales, en muchos campos de aplicacin, se
encuentran en todo momento distribuciones normales o casi.
La distribucin de la media muestral de una poblacin normal es una distribucin normal
con la misma media poblacional y con desviacin tpica el error estndar. Este hecho nos
permite calcular probabilidades cuando tenemos una muestra de una variable con
distribucin normal y desviacin tpica conocida. Cuando no conocemos la desviacin
tpica de la variable, tambin podemos hacer clculos con la distribucin t de Student.
Cuando la muestra es lo bastante grande, la solucin nos viene dada por uno de los
resultados fundamentales de la estadstica: el teorema del lmite central.
La frmula formal que se utiliza para resolver problemas de este tema es:

Consecuencias
1. Permite averiguar la probabilidad de que la media de una muestra concreta est en
un cierto intervalo.
2. Permite calcular la probabilidad de que la suma de los elementos de una muestra
est, a priori, en un cierto intervalo.

3. Inferir la media de la poblacin a partir de una muestra.

Ejemplo: la variable "tirar una moneda al aire" sigue la distribucin de Bernouilli. Si
lanzamos la moneda al aire 50 veces, la suma de estas 50 variables (cada una independiente
entre s) se distribuye segn una distribucin normal.
Este teorema se aplica tanto a suma de variables discretas como de variables continuas. Los
parmetros de la distribucin normal son:
Media: n * m (media de la variable individual multiplicada por el nmero de variables
independientes)
Varianza: n * s2 (varianza de la variable individual multiplicada por el nmero de variables
individuales)
Ejemplo: Se lanza una moneda al aire 100 veces, si sale cara le damos el valor 1 y si sale
cruz el valor 0. Cada lanzamiento es una variable independiente que se distribuye segn el
modelo de Bernouilli, con media 0,5 y varianza 0,25. Calcular la probabilidad de que en
estos 100 lanzamientos salgan ms de 60 caras.
La variable suma de estas 100 variables independientes se distribuye, por tanto, segn una
distribucin normal.
Media = 100 * 0,5 = 50
Varianza = 100 * 0,25 = 25
Para ver la probabilidad de que salgan ms de 60 caras calculamos la variable normal
tipificada equivalente:
(*) 5 es la raiz cuadrada de 25, o sea la desviacin tpica de esta distribucin
Por lo tanto:
P (X > 60) = P (Y > 2,0) = 1- P (Y < 2,0) = 1 - 0,9772 = 0,0228

Es decir, la probabilidad de que al tirar 100 veces la moneda salgan ms de 60 caras es tan
slo del 2,28%
Las bolsas de sal envasadas por una mquina tienen = 500 g y = 35 g. Las bolsas se
empaquetaron en cajas de 100 unidades.
1. Calcular la probabilidad de que la media de los pesos de las bolsas de un paquete
sea menor que 495 g.

2.

Calcular la probabilidad de que una caja 100 de bolsas pese ms de 51 kg.

Referencias Bibliogrficas
Ross, Sheldon M (2008) Introduccin a la estadstica Editorial Reverte
Maronna, Ricardo. Probabilidad y estadstica para estudiantes de CienciasExacta.
Universidad Nacional de la Plata