School Work">
Teorema Del Límite Central
Teorema Del Límite Central
Teorema Del Límite Central
Introduccin
El teorema central del lmite, uno de los fundamentales en estadstica,
estudia el comportamiento de la suma de variables aleatorias, cuando crece el
nmero de sumandos, asegurando su convergencia hacia una distribucin
normal en condiciones muy generales. Este teorema, del cual existen
diferentes versiones que se han ido desarrollando a lo largo de la historia, tiene
una gran aplicacin en inferencia estadstica, pues muchos parmetros de
diferentes distribuciones de probabilidad, como la media, pueden expresarse
en funcin de una suma de variables. Permite tambin aproximar muchas
distribuciones de uso frecuente: binomial, Poisson, chi cuadrado, t-student,
gamma, etc., cuando sus parmetros crecen y el clculo se hace difcil. Por otro
lado, la suma de variables aleatorias aparece en forma natural en muchas
aplicaciones de la ingeniera: determinacin de masa forestal, carga soportada
por una estructura, tiempo de espera de servicios, etc.
El teorema se apoya y relaciona entre s con otros conceptos y procedimientos
bsicos en estadstica, como los de variable aleatoria y sus transformaciones,
distribucin muestral, convergencia, tipificacin, clculo de probabilidades, etc.
La distribucin de frecuencias es uno de los primeros pasos que debemos
realizar al inicio del anlisis estadstico, conjuntamente con la aplicacin de las
medidas descriptivas, y refleja cmo se reparten los individuos de una muestra
segn los valores de una variable. Cuando se trata de poblaciones, la
probabilidad de observar los diferentes valores de una variable aleatoria
pueden expresarse como una funcin de probabilidad. La mayora de los
fenmenos de inters en investigacin cientfica, como pueden ser la talla y la
presin arterial, siguen unas leyes o distribuciones de probabilidad tericas,
especificadas matemticamente en las que se basan la mayora de los
mtodos estadsticos. La distribucin ms conocida es la distribucin Normal o
de Gauss. Muchos de los procedimientos estadsticos habitualmente utilizados
asumen la normalidad de los datos observados. Aunque muchas de estas
tcnicas no son demasiado sensibles a desviaciones de la distribucin normal,
y en general esta hiptesis puede obviarse cuando se dispone de un nmero
suficiente de datos (teorema central del lmite), resulta recomendable
contrastar si se puede asumir o no una distribucin Normal.
Para decidir si nuestra muestra procede o no de una distribucin normal
existen grficos y contrastes de hiptesis que pueden ayudarnos. Cuando los
datos no son normales pueden transformarse o emplearse otros mtodos
estadsticos que no exijan este tipo de restricciones, llamados los mtodos no
paramtricos. [Alvarado, H., Batanero, C.. (2008). SIGNIFICADO DEL TEOREMA
CENTRAL DEL LIMITE EN TEXTOS UNIVERSITARIOS DE PROBABILIDAD Y
Marco Terico
Sabemos que la distribucin de la media muestral de una variable normal o
bien tiene distribucin normal o bien se corresponde con una t de Student.
Tambin hemos visto que si las variables originales siguen una distribucin de
Bernoulli, entonces su media es una proporcin y, en este caso, cuando n es lo
bastante grande, su distribucin muestral tambin es una normal.
El ltimo resultado es cierto sea cual sea la distribucin de los datos originales.
Es decir, no es preciso que partamos ni de distribuciones normales ni de
distribuciones de Bernoulli, ya que para muestras de tamaos lo bastante
grandes, la distribucin de la media muestral es normal sea cual sea la
distribucin original. Este resultado fundamental de la estadstica tiene un
nombre propio: el teorema del lmite central.
El teorema del lmite central dice que si una muestra es lo bastante grande (n
> 30), sea cual sea la distribucin de la variable de inters, la distribucin de la
media muestral ser aproximadamente una normal. Adems, la media ser la
misma que la de la variable de inters, y la desviacin t- pica de la media
muestral ser aproximadamente el error estndar. [Rovira, C.. (2008).
Teorema del Lmite Central. Noviembre 22, 2009, de UOC Sitio web:
http://www.calidad.com.mx/docs/art_64_1.pdf ]
Una consecuencia de este teorema es la siguiente: Dada cualquier variable con
aleatoria con esperanza E(x) y para n lo bastante grande, la distribucin de la
variable es una normal estndar.
Siempre que se quiera realizar un estudio, debemos medir las variables que
caracterizan los resultados del mismo. Tales variables se conocen como
variables aleatorias. Decimos que una variable es continua si puede tomar
cualquier valor en un intervalo conocido y es discreta si slo puede tomar
algunos valores. Si cada vez hiciramos los intervalos ms estrechos, as como
tambin aumentramos el tamao de muestra veramos que el histograma
tiende a estabilizarse llegando a convertirse su perfil en la grfica de una
funcin. De esta forma, las distribuciones de probabilidad de variables
continuas se definen mediante una funcin y=f(x) llamada funcin de
probabilidad o funcin de densidad y asocia valores de una variable aleatoria
con sus respectivas probabilidades.
La funcin de densidad de una variable aleatoria cumple que es positiva en
todo su dominio, que toma valores entre 0 y 1 y que permite obtener la
Var ( x)= 2
E ( x )=
Sn
S n en el caso discreto. El
teorema central del lmite afirma que, para todo nmero real Z,
2
lim f n ( z )=
1
z
exp (
) .
2
2
con
E ( x )=
y con
Var (x)= 2
i=1,2, .n
Sea
Sn / 2
Z n = (
y una varianza
, entonces, si n es lo
S n= X i
se
y varianza
n 2 .
5. Enunciado del teorema de forma general. Son varios los textos aplicados
desviacin finita
, / n ) con media
y desviacin tpica
, /n
Propiedades