Teorema central del límite
Mapa conceptual
Qué afirma, en claro
El teorema central del límite dice que la media de n observaciones aleatorias e independientes de una misma población, con media y varianza finitas, tiende a distribuirse normalmente cuando n crece. La normalidad no es un requisito de los datos: es una propiedad de promediar muchos.
Distribución muestral
Si repitieses el experimento de tomar una muestra infinitas veces y calcularas su media cada vez, esas medias tendrían su propia distribución: la distribución muestral de la media. El TCL describe su forma (normal) y sus parámetros.
Centro en la media real
La media de la distribución muestral coincide con la media de la población. Es decir, promediar muestras no sesga: la media muestral es un estimador insesgado del promedio poblacional. El centro acierta en promedio, aunque cada muestra particular se desvíe.
Dispersión que se encoge
La desviación típica de la media muestral es la desviación poblacional dividida entre la raíz de n: el llamado error estándar. Al aumentar n, la distribución de la media se estrecha alrededor de la media real. Más datos, menos variabilidad del promedio.
Por qué raíz de n
Los errores individuales se compensan: al promediar, parte del ruido se cancela. Como las varianzas de variables independientes se suman, la varianza de la media cae como n, y su desviación típica, como raíz de n. Por eso la precisión tiene rendimientos decrecientes.
Independencia y tamaño
El teorema exige observaciones independientes y varianza finita. Si las muestras se correlacionan o la distribución tiene colas tan pesadas que la varianza no existe, la convergencia a la normal puede fallar o ser lentísima. Conocer los límites evita aplicar el TCL a ciegas.
¿Cuánto es «suficiente»?
No hay número mágico. Para distribuciones cercanas a la normal, n de decenas basta; para muy sesgadas o con atípicos extremos hacen falta cientos. La regla práctica de «n mayor que 30» es un recordatorio, no una garantía universal.
Convergencia visual
- Una población muy sesgada produce medias muestrales aún sesgadas con n pequeño.
- Al crecer n, la histograma de medias se redondea hacia la campana.
- La asimetría de la campana original desaparece en la distribución de medias.
- El ancho de la campana se reduce conforme a raíz de n.
No confundir con los datos
El TCL no dice que los datos se vuelvan normales; dice que la MEDIA de muchos datos se distribuye normalmente. Una población puede seguir sesgada y aun así su media muestral concentrarse en una campana. Mezclar ambas distribuciones es el error conceptual más común.
La base de los intervalos
Gracias al TCL se puede construir un intervalo de confianza para la media sin asumir normalidad de los datos: basta con que n sea bastante para que la media muestral sea aproximadamente normal. Es el pilar de la estimación por intervalo.
Aplicabilidad en la práctica
- Identifica el estadístico medio que te interesa (media, proporción).
- Verifica independencia y varianza finita.
- Confirma que n es suficiente para la forma de la población.
- Aproxima la distribución muestral a normal con su error estándar.
- Construye intervalos y pruebas sobre esa normal.
El caso de las proporciones
Promediar ceros y unos (éxito o fracaso) da una proporción, que es una media. El TCL garantiza que, con suficientes ensayos, la proporción muestral se distribuye casi normalmente: de ahí los márgenes de error de las encuestas.
Errores frecuentes
- Aplicar el TCL a muestras dependientes (series temporales, datos agrupados) sin corregir.
- Creer que normaliza los datos originales en lugar de la media.
- Invocar «n mayor que 30» con poblaciones de varianza casi inexistente por extremos.
El teorema central del límite exige que la población original siga una distribución normal.
Intuición de la cancelación
Los valores por encima y por debajo de la media tienden a compensarse. Cuantos más términos sumes, más estable es ese equilibrio y menos pesa un desvío individual. Esa compensación es la fuerza que concentra la media alrededor del valor real.
Más allá de la media
Versiones del TCL cubren otras funciones (mediana, correlación, cuantiles) bajo condiciones técnicas. Donde el TCL clásico no llega, el método bootstrap ofrece una alternativa computacional para estimar la distribución muestral sin supuestos de forma.
El teorema en frases
Ordena el razonamiento del teorema central del límite:
Poblacion
Muestra
Promediar
Campana
Seeing Theory
Demostración interactiva del teorema central del límite.
Explica a alguien sin formación por qué una encuesta con 1000 personas permite estimar la opinión de millones, apelando al comportamiento de la media muestral.
NIST Engineering Statistics Handbook
Referencia completa de métodos estadísticos.