Los datos del mundo real en el que vivimos distan mucho de estar ordenados. Algunos se concentran hacia un lado, otros presentan varios picos y otros se dispersan de forma irregular, sin seguir ningún patrón.
Sin embargo, incluso con datos tan desordenados, los estadísticos consiguen estimar con precisión las características del conjunto. ¿Cómo es posible predecir con gran precisión la estatura media de todos los adultos de Corea del Sur o el porcentaje de apoyo en unas elecciones nacionales sin tener que encuestar a todo el mundo?
En el centro de esa respuesta está el teorema central del límite (Central Limit Theorem, CLT), considerado uno de los teoremas más bellos y potentes de la estadística.
En estadística, llamamos población (Population) al conjunto completo que realmente queremos conocer y muestra (Sample) al subconjunto que extraemos de la población debido a las limitaciones prácticas.
El problema es que resulta difícil saber de antemano si la población que queremos analizar sigue una distribución normal, es decir, una distribución simétrica en forma de campana. Podemos hacer inferencias sin conocer con exactitud la distribución de la población, pero debemos comprobar que el procedimiento de muestreo y la distribución satisfacen las condiciones del método que vamos a utilizar.
La forma básica del teorema central del límite se ocupa de la media de observaciones independientes e idénticamente distribuidas. Si la media poblacional es finita y la varianza es finita y mayor que 0, la distribución de la media muestral estandarizada se aproxima a la distribución normal estándar a medida que aumenta el tamaño de la muestra.
Cómo funciona el teorema central del límite
Definición matemática del teorema central del límite
El teorema central del límite se enuncia formalmente del siguiente modo.
[Definición]
Sea X̄ₙ la media de X₁, …, Xₙ, variables independientes e idénticamente distribuidas, y sean μ la media poblacional y σ² la varianza poblacional (0 < σ² < ∞). Cuando n → ∞, √n(X̄ₙ − μ)/σ converge en distribución a la normal estándar N(0, 1). Por lo tanto, para valores suficientemente grandes de n, la distribución de X̄ₙ puede aproximarse mediante N(μ, σ²/n). Aquí, σ² es la varianza poblacional y se distingue de la varianza muestral s². El tamaño muestral necesario depende de características de la población como su asimetría y sus colas, por lo que n = 30 no es un criterio universal que garantice una aproximación suficiente.
Conviene tener presentes 3 puntos clave.
- Si las observaciones son independientes e idénticamente distribuidas y la media es finita y la varianza es positiva y finita, el teorema también se aplica cuando la población sigue una distribución uniforme, exponencial o asimétrica.
- La aproximación normal se aplica a la distribución de la media muestral. Para entender la diferencia con la distribución de las observaciones originales, se puede mantener fijo n, extraer muestras repetidamente con el mismo procedimiento y calcular una media para cada muestra.
- En las condiciones anteriores, el error estándar de la media muestral es σ/√n. Si se desconoce la desviación estándar poblacional σ, se estima el error estándar mediante s/√n, donde s es la desviación estándar muestral.
El lanzamiento de dados como ejemplo intuitivo
Si cuesta hacerse una idea del teorema central del límite, pensemos en el experimento más sencillo de lanzamiento de dados.
Al lanzar 1 dado, todos los resultados del 1 al 6 tienen la misma probabilidad, 1/6 cada uno. Al representar gráficamente esta distribución de probabilidad se obtiene una distribución uniforme (Uniform Distribution) de perfil plano. Su forma dista mucho de la de una campana.
Aumentemos ahora el número de lanzamientos del dado (el tamaño muestral n) y calculemos la media de los resultados.
Con 1 dado (n=1), las medias posibles son 1, 2, 3, 4, 5 y 6, y todos los resultados tienen la misma probabilidad. El gráfico tiene un perfil horizontal.
Para la media de 2 dados (n=2), la única forma de que la media de los resultados sea 1 es que salga (1, 1). Para obtener 3.5 hay muchas más combinaciones, entre ellas (1, 6), (2, 5) y (3, 4). El gráfico adopta una forma triangular, con un pico en el centro (3.5) y valores más bajos en ambos extremos.
Para la media de 30 dados (n=30), si repetimos miles de veces el proceso de lanzar 30 dados y calcular su media, los valores extremos (medias de 1 o 6) prácticamente nunca aparecen y la mayoría de las medias se agrupan muy cerca de 3.5.
En este caso, el histograma de las medias muestrales adquiere una forma aproximadamente acampanada. Con un número finito de repeticiones, la curva normal solo se obtiene de forma aproximada y las medias de los dados siguen tomando valores discretos. En este ejemplo se supone que cada dado es equilibrado y que los lanzamientos son independientes entre sí.
Principales implicaciones del teorema central del límite
[Implicación 1] Flexibilidad respecto a la distribución
En las condiciones anteriores, se puede aplicar una aproximación normal a la media muestral incluso si la distribución de la población es asimétrica o se concentra hacia un lado. El valor de n necesario para la aproximación depende de la distribución.
[Implicación 2] Mayor precisión de la estimación
En las condiciones anteriores, al aumentar n disminuye el error estándar y las medias muestrales se concentran más alrededor de la media poblacional. Aun así, la media de una muestra individual puede quedar más lejos de la media poblacional que la de una muestra más pequeña.
[Implicación 3] Uso de técnicas de estandarización
Si se cumplen las condiciones y la aproximación normal es suficientemente precisa, se puede utilizar la distribución aproximada de la media muestral estandarizada para calcular intervalos de confianza y el p-value. Si se desconoce σ, también hay que tener en cuenta la incertidumbre de la estimación.
Aplicaciones en la vida cotidiana y en las empresas
El teorema central del límite es una teoría académica que también sirve como herramienta fundamental en numerosos ámbitos de la sociedad actual.
Encuestas electorales de las cadenas de televisión
Por razones de tiempo y costo, es imposible encuestar a los 4 grupos de diez millones de electores que componen el electorado de todo el país. Los institutos de opinión pública suelen extraer muestras de entre 1,000 y 2,000 personas para medir el apoyo electoral. Con una muestra probabilística adecuada y si se cumplen las condiciones de aproximación, se puede aproximar la distribución de la proporción muestral mediante una distribución normal para calcular el margen de error. Por ejemplo, con una muestra aleatoria simple de tamaño n = 1,000, una proporción del 50 % y sin aplicar la corrección por población finita, el margen de error al 95 % es de aproximadamente ±3.1 puntos porcentuales. El error total abarca además factores como la falta de respuesta y los errores de medición.
Control de calidad en la industria manufacturera (6 Sigma)
En una fábrica de semiconductores o de bebidas es imposible medir el peso y el grosor de todos los productos que se fabrican cada hora. Se calculan continuamente las medias de los productos seleccionados al azar y, con ayuda del teorema central del límite, se detecta en tiempo real si se produce alguna anomalía que lleve el proceso fuera de su intervalo normal, delimitado por los límites de control.
Pruebas A/B en servicios informáticos
Para comprobar el efecto de un nuevo diseño de botón en un sitio web o de un algoritmo de recomendación, se pueden comparar dos grupos de usuarios y medir la diferencia en el tiempo medio de permanencia o en la tasa de pago. En condiciones adecuadas, el teorema central del límite da fundamento a las pruebas aproximadas con muestras grandes. Su papel como supuesto básico depende de la prueba concreta, sea un t-test o un Z-test. También hay que verificar la asignación aleatoria, la independencia de las observaciones y las condiciones de la prueba apropiada para la métrica.
Un pilar de la estadística para controlar la incertidumbre
El teorema central del límite se considera especialmente importante en estadística porque sirve de «puente entre el mundo complejo y desordenado de los datos reales y el mundo claro y estructurado de la distribución normal».
Aunque se desconozca la distribución completa de la población, se pueden hacer inferencias estadísticas sobre la media si el muestreo es adecuado y se verifica que se cumplen las condiciones del teorema. El sesgo de selección y los errores de medición pueden persistir incluso con muestras grandes.
Hoy, cuando el análisis de datos y la inteligencia artificial marcan el rumbo de la sociedad en su conjunto, el teorema central del límite ofrece la guía más sólida y precisa para extraer conclusiones fiables de un mar de datos.
