ISLAS RAMOS LUIS ALBERTO 2rv4

El Teorema del Lmite Central El Teorema del Lmite Central o Teorema Central del Lmite indica que, bajo condiciones muy generales, la distribucin de la suma de variables aleatorias tiende a una distribucin gaussiana cuando la cantidad de variables es muy grande. Existen diferentes versiones del teorema, en funcin de las condiciones utilizadas para asegurar la convergencia. Una de las ms simples establece que es suficiente que las variables que se suman sean independientes, idnticamente distribuidas, con valor esperado y varianza finitas. La aproximacin entre las dos distribuciones es en general mayor en el centro de las mismas que en sus extremos o colas, motivo por el cual se prefiere el nombre Teorema del Lmite Central (central califica al lmite, ms que al teorema). Esta relacin entre la forma de la distribucin de la poblacin y la forma de la distribucin de muestreo se denomina teorema del lmite central, que es tal vez el ms importante de toda la inferencia estadstica. Nos asegura que la distribucin de muestreo de la media se aproxima a la normal al incrementarse el tamao de la muestra. Hay situaciones tericas en las que el teorema del lmite central no se cumple, pero casi nunca se encuentran en la toma de decisiones prctica. Una muestra no tiene que ser muy grande para que la distribucin de muestreo de la media se acerque a la normal. Los estadsticos utilizan la distribucin normal como una aproximacin a la distribucin de muestreo siempre que el tamao de la muestra sea al menos de 30, pero la distribucin de muestreo de la media puede ser casi normal con muestras incluso de la mitad de ese tamao. La importancia del teorema del lmite central es que nos permite usar estadsticas 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 la 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 si) 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) Veamos ahora un ejemplo:

ISLAS RAMOS LUIS ALBERTO 2rv4

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%.