Cargando aplicación...
Preparando tu experiencia meskeIA
Lanza muestras de distribuciones muy distintas y mira cómo, al promediar, emerge siempre la curva normal. Es la magia que sostiene buena parte de la estadística.
Tiempos de espera: muchos valores pequeños y una cola larga hacia la derecha. Muy asimétrica.
Por qué la curva normal aparece en todas partes
El Teorema Central del Límite (TCL) afirma algo casi mágico: si tomas muestras independientes de una población —da igual su forma original— y promedias cada muestra, la distribución de esas medias muestrales tiende a una normal a medida que el tamaño muestral n crece. Es la razón última de por qué la campana de Gauss aparece en tantísimos contextos.
En este simulador puedes verificarlo en directo: prueba la exponencial (muy asimétrica) con n = 1 y verás la cola larga típica; sube a n = 30 y la distribución de medias se vuelve indistinguible de una normal centrada en 1.
| Contexto | Variable individual | Variable agregada (normal por TCL) | Aplicación |
|---|---|---|---|
| Encuestas electorales | Voto de una persona (0/1) | % de voto sobre n = 1000 personas | Margen de error ≈ ±3 % |
| Control de calidad | Diámetro de un tornillo | Media de 30 tornillos por lote | Cartas de control Six Sigma |
| Investigación clínica | Respuesta de un paciente | Media de mejora en n pacientes | Comparar tratamiento vs placebo |
| Finanzas | Rentabilidad diaria de una acción | Rentabilidad media anual | VaR y modelos de riesgo |
| Medición física | Una lectura individual ruidosa | Media de 100 lecturas | Reducir error de medida |
| Educación | Nota de un alumno en el examen de admisión universitaria (EBAU en España; examen de preparatoria o educación media en Latinoamérica) | Nota media por centro | Rankings y comparaciones |
El margen de error de las encuestas ("±3 %, 95 % de confianza") sale directamente del TCL: sin él, no podríamos inferir nada sobre la población a partir de unos cientos de personas.
Las cartas X̄-R del control de calidad asumen que la media de los lotes es normal. Sin el TCL, no podrías detectar desviaciones del proceso con muestras pequeñas.
X̄ ± 1,96·σ/√n es el intervalo al 95 %. La forma normal de X̄ (gracias al TCL) hace que ese 1,96 sea válido aunque la población no sea normal, si n es razonablemente grande.
Para estimar magnitudes complicadas (precio de una opción financiera, integrales sin solución analítica), simulamos N veces y promediamos. El TCL nos dice cuán precisa es esa estimación.
La regla práctica es n ≥ 30. Pero depende de cuán asimétrica sea la población original: si es casi simétrica, con n = 5 ya basta; si es muy sesgada (Bernoulli con p = 0,99 o exponencial), puede hacer falta n = 100 o más.
💡 En el simulador, prueba la Bernoulli (p=0,9) con n = 5 (asimétrico) y luego con n = 100 (casi normal). Verás la diferencia.
NO. El TCL no toca la distribución original: una exponencial sigue siendo exponencial. Lo que se vuelve normal es la distribución de las medias muestrales X̄, calculadas sobre muchas muestras.
💡 En el simulador, mira los dos paneles: arriba la población (que no cambia), abajo la distribución de medias (que sí evoluciona con n).
Entonces el TCL clásico NO se cumple. La distribución de Cauchy es el ejemplo: por mucho que aumentes n, la media muestral sigue distribución Cauchy, no normal. Por suerte, casi todas las variables "reales" tienen varianza finita.
💡 Eventos extremos (terremotos, virales, ingresos top 1 %) tienen colas tan pesadas que el TCL puede tardar mucho en aplicarse o no hacerlo.
La LGN dice que X̄ converge a μ (la media muestral se acerca a la poblacional). El TCL es más fino: dice cómo se acerca, con qué forma de distribución y a qué velocidad (σ/√n). Sin el TCL no podríamos calcular intervalos de confianza ni p-valores.
💡 LGN responde "¿a dónde va X̄?". TCL responde "¿cómo se distribuye X̄ alrededor de ahí?".
Sí. Si la media converge a N(μ, σ/√n), la suma converge a N(n·μ, σ·√n). De hecho, fue así como se demostró históricamente. La regla general: cualquier combinación lineal de muchas variables independientes tiende a la normal.
💡 Por eso la distribución binomial B(n, p) se aproxima por una N(np, √(np(1−p))) cuando n es grande: una binomial es la suma de n Bernoulli.
¿Qué medimos en cada observación? ¿Cuál es su media μ y su desviación σ poblacionales (o estimadas)? Anótalo: el TCL trabaja sobre estos dos números.
Si la población es casi simétrica, n ≥ 30 sobra. Si es muy asimétrica (exponencial, lognormal, ingresos), apunta a n ≥ 100. Si es Bernoulli con p extremo, comprueba np y n(1−p) ambos > 10.
Esta es la desviación típica del estimador, también llamada error estándar de la media. Es el número que te dice cuán precisa es tu estimación.
Al 95 %: X̄ ± 1,96 · σ/√n. Al 99 %: X̄ ± 2,576 · σ/√n. Si σ es desconocida y n es pequeño (n < 30), usa la t de Student en lugar de la normal.
"Estamos un 95 % seguros de que la nota media de la promoción está entre 6,2 y 6,8". No es una probabilidad sobre μ —que es fija—, sino sobre el procedimiento.
Si tu población tiene skew muy alto (datos económicos, tiempos de espera), no apliques el TCL con n = 30 sin más. Aumenta n o usa métodos robustos (bootstrap, mediana).
Para reducir el error a la mitad necesitas cuadruplicar la muestra. Esta es la ley de los retornos decrecientes en muestreo: el coste por unidad de precisión es cada vez mayor.
Cuando estimas σ con la muestra (s) y n < 30, los cuantiles de la normal se quedan cortos. La t corrige esa incertidumbre extra. A partir de n = 30, t ≈ z y da igual cuál uses.
Antes de aplicar fórmulas, lanza una simulación Monte Carlo como esta. Si el TCL no se nota con tu n y tu población, las fórmulas tampoco te darán intervalos válidos.