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.
12 predicciones con solución, siempre las mismas y en el mismo orden. Un profesor puede decir «haz los casos 3, 7 y 11» y corregir sin ambigüedad.
Primero predice, después mueve. Marca tu respuesta antes de tocar el simulador de arriba: si mueves el deslizador primero, verás qué pasa pero no habrás puesto a prueba lo que creías. Al comprobar se explica el mecanismo.
Elige la población uniforme entre 0 y 10 y deja 1.000 muestras. Antes de tocar nada: si subes el tamaño muestral de n = 1 a n = 30, ¿qué le ocurrirá al CENTRO del histograma de medias?
Tu predicción sobre el centro
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 campana ya está centrada en 1 y es mucho más simétrica, aunque todavía no del todo: la asimetría teórica a ese tamaño es 2/√30 ≈ 0,37, y en el panel la verás rondar ese valor. Con poblaciones tan asimétricas como ésta, la regla de «n = 30 basta» se queda corta y hace falta subir bastante más, como explica la pregunta sobre el tamaño en la sección de dudas.
| 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.