UtilizacinPrcticadel

TeoremaCentraldelLmite

Apellidos,nombre

MartnezGmez,Mnica(momargo@eio.upv.es)
MarBenlloch,Manuel(mamaben@eio.upv.es)

Departamento

Estadstica,InvestigacinOperativaAplicadasy
Calidad

Centro

UniversidadPolitcnicadeValencia

1
UtilizacinPrcticadelTeoremaCentraldelLmite

1. Resumendelasideasclave
EnesteartculovamosaconocerlascaractersticasbsicasdelTeoremaCentraldelLmiteysusposibles
aplicacionesprcticasconlafinalidaddeconstruirunaespeciedecatlogoalqueacudirparaelclculo
deprobabilidadesdedistribucionesdiscretas,comobinomialoPoissonmedianteaproximacionesala
distribucinnormal.

2. Introduccin
Qu diferencia existe en el clculo de probabilidades de la variables aleatorias (V.A.) discretas, que
siguen distribuciones binomiales o de Poisson y el clculo de probabilidades de variables aleatorias
continuasquesiguenunadistribucinnormal?

Unavariablealeatoriasedefinecontinuacuandoelconjuntodevaloresquepuedetomaresuninfinito
continuo, es decir, puede tomar cualquier valor en un intervalo. Por el contrario, se define discreta
cuandoestnmedidasfinitasoinfinitasnumerables,representanalgoquepodemoscontar,ynosuelen
llevar decimales. Las distribuciones de probabilidad ms utilizadas en variables discretas son la
distribucin binomial y la distribucin de Poisson. La distribucin ms frecuente en el caso de las
variablescontinuasesladistribucinnormal.

ElTeoremaCentraldelLmiteindicaque,encondicionesmuygenerales,ladistribucindelasumade
variablesaleatoriastiendeaunadistribucinnormalcuandolacantidaddevariablesesmuygrande.Es
decir,garantizaunadistribucinnormalcuandonessuficientementegrande.

Enesteobjetodeaprendizaje,conoceremoslascaractersticasypropiedadesdelTeoremaCentraldel
Lmite. Utilizamos ejemplos y ejercicios donde descubriremos las razones por las cuales, en muchos
camposdeaplicacin,seencuentranentodomomentodistribucionesnormales,ocasinormalesyaque
cuandonessuficientementegrande,devariablesindependientesytodasellassiguenelmismomodelo
dedistribucin(cualquieraquestesea),lasumadeellassedistribuyesegnunadistribucinnormal,
siendoaplicatantoasumadevariablesdiscretascomodevariablescontinuas,loquefacilitarelclculo
de las probabilidades. Finalmente, resaltamos los conceptos bsicos de aprendizaje con respecto al
TeoremaCentraldelLmiteysusaplicacionesprcticas.

3. Objetivos

MostrarlascaractersticasypropiedadesdelteoremaCentraldelLmites
2

UtilizacinPrcticadelTeoremaCentraldelLmite

Utilizar la distribucin normal para aproximar el clculo de probabilidades de variables

discretasdePoisson.

Utilizar la distribucin normal para aproximar el clculo de probabilidades de variables

discretasdeBinomial.

4. ElTeoremaCentraldeLmite
Este teorema afirma que la distribucin de medias mustrales tiende hacia una distribucin normal,
aunque las muestras procedan de una distribucin no normal determinar un modelo de probabilidad
paradescribirelcomportamientodeunavariablecontinua.

EsunTeoremadegranimportanciaenEstadstica,especialmenteparalapartedeInferenciaEstadstica.
Establece que si X1,.,Xn son variables aleatorias independientes con media i y varianza i2, al
margendeltipodedistribucinquesiganlossumandos,lasumadetodasellas,Y=X1++Xntiendea
distribuirse aproximadamente normal, con media = (1+..+ n) y varianza 2
=( 1 +.+ k )/n,siendolasaproximacionesmejoresamedidaqueaumentan.
2

De acuerdo con el resultado siempre que observemos una variable que sea el resultado de muchas
causas independientes, esperamos que su distribucin sea aproximadamente normal, de ah la
frecuenciaconlaquesepresentanenrealidadvariablesaleatoriascuyadistribucinpuedeaproximarse
aladistribucinnormal,debidoaquemuchasdestasvariablesrealespuedenconsiderarselasumade
variables independientes. Por ejemplo, las medidas fsicas de una persona son debidas a muchas
variables:gentica,alimentacin,ejerciciofsico,etc.yseesperanquesiganunadistribucinnormal.

DadoquelavariableBinomial,noesmsquelasumadenvariablesindependientes(olasumadelos
resultadosobtenidosalefectuarnrepeticionesdeunexperimentoaleatorioconunavariablealeatoria
queslopodatomardosposiblesvalores),sudistribucintiendaaaproximarsealanormalamedida
queaumentan,conmedia,laesperanzaE(X)=npyvarianza2=np(1p),resultadodemostradoporDe
Moivreen1733.EsteautorencontrquesiXesunavariableB(n,p),ladistribucin:
X np
np( 1 p )

Ecuacin1.Ecuacindeconvergenciadeladistribucinbinomialaladistribucinnormal.

convergehaciaunadistribucinnormaltipificadaoestandarizada,N(0,1)(Pea,2001).

3
UtilizacinPrcticadelTeoremaCentraldelLmite

Existemuchacontroversiaparadeterminareltamaodemuestraadecuadoparaquelaaproximacina
lanormalproporcioneresultadosaceptables.Aunquemuchosautoressueledarporaceptablecuando
el producto np(1p)>5, nosotros por mayor seguridad y fiabilidad de que las aproximaciones son
adecuadas, trabajaremos con la regla de que ducho producto sea np(1p) 9. En nuestro caso una
variableBinomialB(n,p)seaproximaaunanormalN(,),mediantelasiguienteexpresin:

B(n,p)N(np,np(1p)
Ecuacin2.Ecuacindetransformacindistribucinbinomialaladistribucinnormal.

Esta misma situacin aparece con variables de Poisson. Una variable aleatoria X que sigue una
distribucin Ps(), puede aproximarse a una distribucin normal con media, la esperanza E(X)= y
varianza2=,cuandonesgrande,loquerequiereelevadosvaloresde.Aunque,comoenelcasode
la binomial, muchos autores suelen dar por aceptable cuando el producto >5, nosotros por mayor
seguridadyfiabilidaddequelasaproximacionessonadecuadas,trabajaremosconlareglade9.

Elprocedimientoessimilaralcasoanterior.SiXesunavariablePs(),ladistribucin:

Ecuacin3.EcuacindeconvergenciadeladistribucindePoissonaladistribucinnormal.

convergehaciaunadistribucinnormalcontipificadaoestandarizada,N(0,1).
Esdecir,unavariablePs(),seaproximaaunanormalN(,),mediantelasiguienteexpresin:

Ps()N(,)
Ecuacin4.EcuacindetransformacindistribucinPoissonaladistribucinnormal.

Veamosalgunosejemplos:

Ejemplo1:Calcularlaprobabilidadobtener200puntosallanzar70dados.
SealavariableX~nmerodepuntosobtenidosenlos70lanzamientos~B(n=70,p=1/6).
Consideramoscadaunodelos70lanzamientoscomovariablesindependientes,conlocual
podemosaplicarelTeoremaCentraldelLmiteyaproximarlaaunadistribucinnormal,puesse
cumplequenp(1p)=9,72esdecir,9.

4
UtilizacinPrcticadelTeoremaCentraldelLmite

X ~ nmero de puntos obtenidos en los 20 lanzamientos ~ B (n=20, p=1/6) ~ N(E(X), (X)),

donde E(X) y (X) son la esperanza y la desviacin tpica de la distribucin binomial,
lanzamientode70dados.
Aprovecharemoslapropiedad,dequeconocidoslolaesperanza(opuntosmediosobtenidosal
lanzarundado)ylavarianzadelavariablepuntosobtenidosallanzarundado,quesigueuna
distribucinB(n=1,p=1/6),conunamediaE1(X)yunavarianza12(X),podemoscalcular,E(X)y
2(X)como:
E(X)=70*E1(X)=70*3,5=245
2(X)=70*12(X)=70*2,29=160,3

LuegoX~nmerodepuntosobtenidosenlos70lanzamientos~B(n=20,p=1/6)~N(245,12,66)
P( X > 200 ) = P( N ( 0 ,1 ) >

200 245
) = 1 P( N ( 0 ,1 > 3 ,55 ) = 1 0 ,00019 = 0 ,99981
12 ,66

Ejemplo 2: En un proceso de fabricacin se producen en promedio 2 defectos por minuto.

Calcular la aproximadamente la probabilidad de que en una hora se produzcan ms de 150
defectos.
X~NmerodefectosporminutosigueunadistribucindePoissondeparmetro=2.

Enconsecuencia,Y~NmerodedefectosporhorasigueunadistribucindePoissonde
parmetrohora=60*2=120.
Consideramoscadaunodelosdefectosporminutocomovariablesindependientes,conlocual
podemosaplicarelTeoremaCentraldelLmiteyaproximarlaaunadistribucinnormal,puesse
cumplequehora9.
Y~NmerodedefectosporhorasigueunadistribucindePs(hora120)~N(E(X),(X)),donde
E(X)y(X)sonlaesperanzayladesviacintpicadeladePoisson.
E(X)=hora=120
2(X)=hora=120
P( Y > 150 ) = P( N ( 0 ,1 ) >

200 120
) = P( N ( 0 ,1 > 2 ,74 ) = 0 ,0031
10 ,95

5
UtilizacinPrcticadelTeoremaCentraldelLmite

5. Cierre

El Teorema Central del Lmite establece que la suma de n variables aleatorias independientes de

varianzafinitaeidnticadistribucintiendealadistribucinnormalcuandontiendeainfinito.
ElTeoremaCentraldelLmite,permitecalcularrazonablementebienlasprobabilidadesdevariables
que siguen una distribucin Binomial y de Poisson, siempre que el tamao de muestra sea
suficientementegrande,locualequivaleaquesecumplaquenp(1p)9oque9,respectivamente.

UnavariableBinomialB(n,p)seaproximaaunanormalN(,),mediantelasiguienteexpresin:
B(n,p)N(np,np(1p)

UnavariablePoissonPs()seaproximaaunanormalN(,),mediantelasiguienteexpresin:
Ps()N(,)

6. Bibliografa
6.1. Libros:
[1]
[2]
[3]
[6]
[7]

MartnPliego,F.J.(2004).IntroduccinalaEstadsticaEconmicayEmpresarial.(Ed.)Thomson.
Madrid.
Mendenhall, W.; Reinmuth, J.E. (1978). Estadstica para administracin y economa. (Ed.) Grupo
EditorialIberoamericana.ISBN9687270136.
Pea, D. (2001). Fundamentos de Estadstica. (Ed.) Alianza Editorial, S.A. Madrid. ISBN: 84206
86964.
Romero,RyZnica,L.R.(1993).Estadstica(ProyectodeInnovacinEducativa).SPUPV93.637.
Romero,RyZnica,L.R.(2000).IntroduccinalaEstadstica.(Ed.).SPUPV2000.4071.

6.2. Referenciasdefuenteselectrnicas:
[8] http://personal5.iddeo.es/ztt/Tem/t21_distribucion_normal.htm(Consultado17/10/08).
[9] http://74.125.39.104/search?q=cache:nIXKW90gaC0J:www.udl.es/usuaris/seio2003/treballs/06_2_
1.pdf+PAPEL+PROBABIL%C3%8DSTICO&hl=es&ct=clnk&cd=7&gl=es
[10] http://sauce.pntic.mec.es/~jpeo0002/Archivos/PDF/XT03.pdf
[11] http://www.vitutor.com/pro/5/a_g.html
[12] http://es.geocities.com/pilar_zutabe/EJERCICIOS/1BACHILLERHUMANISTICO/Ejerciciosdistribucion
normal.htm
[13] http://www.digeo.cl/asignaturas/mat/EjerciciosDistribucionNormal.pdf
[14] http://www.fisterra.com/mbe/investiga/distr_normal/distr_normal.asp
[15] www1.uprh.edu/.../La%20distribucion%20normal/Modulo%20Sobre%20La%20Distribucion%20Nor
mal%

6
UtilizacinPrcticadelTeoremaCentraldelLmite