Teorema central del limite

El teorema central del límite (TCL) es una teoría estadística que establece que, dada
una muestra suficientemente grande de la población, la distribución de las medias
muestrales seguirá una distribución normal.

Además, el TCL afirma que a medida que el tamaño de la muestra se incrementa,

la media muestral se acercará a la media de la población. Por tanto, mediante el TCL
podemos definir la distribución de la media muestral de una determinada población
con una varianza conocida. De manera que la distribución seguirá una distribución
normal si el tamaño de la muestra es lo suficientemente grande.

Principales propiedades del teorema central del límite

El teorema central del límite tiene una serie de propiedades de gran utilidad en el
ámbito estadístico y probabilístico. Las principales son:

• Si el tamaño de la muestra es suficientemente grande, la distribución de las

medias muestrales seguirá aproximadamente una distribución normal. El TCL
considera una muestra como grande cuando el tamaño de la misma es
superior a 30. Por tanto, si la muestra es superior a 30, la media muestral
tendrá una función de distribución próxima a una normal. Y esto se cumple
independientemente de la forma de la distribución con la que estamos
trabajando.
• La media poblacional y la media muestral serán iguales. Es decir, la media de
la distribución de todas las medias muestrales será igual a la media del total
de la población.
• La varianza de la distribución de las medias muestrales será σ²/n. Que es la
varianza de la población dividido entre el tamaño de la muestra.

Que la distribución de las medias muestrales se parezca a una normal es

tremendamente útil. Porque la distribución normal es muy fácil de aplicar para
realizar contrastes de hipótesis y construcción de intervalos de confianza. En
estadística que una distribución sea normal es bastante importante, dado que
muchos estadísticos requieren este tipo de distribución. Además, el TCL nos
permitirá hacer inferencia sobre la media poblacional a través de la media muestral.
Y esto es de gran utilidad cuando por falta de medios no podemos recolectar datos
de toda una población.
Teorema de Chebyshev

El Teorema de Chebyshev es considerado una desigualdad probabilística,

proporciona un límite superior a la probabilidad de que la desviación absoluta de
una variable correspondiente o aleatoria, de su medida, excede un umbral dado. En
general, el Teorema de Chebyshev se usa para medir la dispersión de los datos para
cualquier distribución.

El Teorema de Chebyshev explica que al menos 1-1/k2 de datos de una muestra

deben caer dentro de K, que es las desviaciones estándar de estándar de la media.
En cualquier ejercicio o prueba, el K es un número real positivo mayor que uno. En
un conjunto de datos que se distribuye, o se encuentra en forma de curva de
campana, este posee unas ciertas características interesantes que vale la pena
resaltar. Uno de ellos se ocupa de la propagación de los datos, cuando se encuentra
en relación con el número de la desviación estándar de la media.

Cuando sucede una distribución normal, se sabe que al menos un 68% de los datos
es una desviación estándar de la media. Por otro lado, el 95% son dos desviaciones
están de la media, y el 99% aproximadamente se encuentra dentro de las tres
desviaciones estándar de la media. Sin embargo, si el conjunto de estos datos no se
logra distribuir adecuadamente, en forma de curva de campana, entonces la
cantidad diferente podría encontrarse dentro de una desviación estándar. El
Teorema de Chebyshev es el encargado de explicar una manera de saber qué
fracción de datos se encuentra dentro de las desviaciones estándar K de la media
para cualquier conjunto de datos en específico.

Esta fórmula es la siguiente.

Probabilidad = 1 – (1 / k 2)

Donde, matemáticamente, los valores menores o iguales a 1 no son válidos para este
cálculo. Sin embargo, conectar los valores de k para 2 y 3 es más simple de lo que
parece. En esos casos de 2 y 3, el Teorema de Chebyshev establece que al menos el
75% de los datos caerán dentro de las 2 desviaciones estándar de la media y se
espera que el 89% de los datos caigan dentro de las 3 desviaciones estándar de la
media.

Esto es menos preciso que los 95% y 99.7% que se pueden usar para una distribución
normal conocida; sin embargo, el Teorema de Chebyshev es cierta para todas las
distribuciones de los datos, no solo para una distribución normal.