Universidad Nacional de Colombia.
1 de septiembre de 2017
 Informe: “Comprobación computacional Teorema
del Limite Central”
Diego Eraso, Leonardo Mendieta
{ Dferasor, Clmendietag }@unal.edu.co}
Abstract--- in this report, one of the possible computational
ways of checking the central limit theorem is detailed
Index Terms - central limit theorem
I. INTRODUCCIÓN
La distribución normal es la más común entre todas las
distribuciones de probabilidad utilizadas en Estadística y tiene
importantes aplicaciones en la modelización de variables
estadísticas asociadas a los elementos de una población. Por
ejemplo, las medidas físicas del cuerpo humano en una
población, las características psíquicas medidas por test de
inteligencia o personalidad, las medidas de calidad en muchos
procesos industriales, los errores de las observaciones
astronómicas; siguen distribuciones normales. Una
justificación de la frecuente aparición de la distribución normal
es el teorema central del límite que establece que cuando los
resultados de un experimento sean debidos a un conjunto muy
grande de causas independientes, que actúan sumando sus
efectos, siendo cada efecto individual de poca importancia
respecto al conjunto, es esperable que los resultados sigan una
distribución normal.
Partiendo de la suposición anterior en el presente informe se
realizará una simulación utilizando el software RStudio en
lenguaje de programación R, para así verificar y entender de
cierta forma las implicaciones del teorema
II. MARCO TEÓRICO
A. Teorema del Limite Central
Sean X , X ,..., X n variables aleatorias
1 2
independientes con la misma distribución y con media  y
2
varianza  . Entonces
1
X  X ... Xn 2
X 1 2    N ( , )
n n n
(aprox )
Lo anterior indica que cuando la suma de variables aleatorias e
independientes es lo suficientemente grande la función de
distribución «se aproxima bien» a una distribución normal
[1]
B. RStudio
RStudio es un entorno de desarrollo integrado (IDE) para R
(lenguaje de programación). Incluye una consola, editor de
sintaxis que apoya la ejecución de código, así como
herramientas para el trazado, la depuración y la gestión del
espacio de trabajo.
RStudio tiene la misión de proporcionar el entorno informático
estadístico R. Permite un análisis y desarrollo para que
cualquiera pueda analizar los datos con R.[2]
III. RESULTADOS Y ANÁLISIS
A continuación, se entrará en detalle acerca del código y la
simulación para cumplir a cabalidad con lo pedido.
En el caso del código se explicarán las líneas de código más
relevantes y para las simulaciones se mostrarán capturas de la
ejecución del programa
A. Código en R
Primero se define una función para generar una muestra
aleatoria, cuyo tamaño se guarda en la variable SizeSample,
también se crean variables para poder cambiar el tamaño de la
muestra, el número de muestras y la distribución a utilizar
Universidad Nacional de Colombia. 1 de septiembre de 2017 2

x=genera(dist,SizeSample)
mat[i,]=x
SumaMediaMuestral[i]=mean(x)
}

Luego se inicializan las muestras generadas y los resultados de
cada muestra se almacenan en un vector.
par(mfrow=c(3, 3))
hist(mat[NumSample,],probability=TRUE)
hist(mat[NumSample-1,],probability=TRUE)
hist(mat[NumSample-2,],probability=TRUE)
hist(mat[NumSample-3,],probability=TRUE)
hist(mat[NumSample-4,],probability=TRUE)
hist(mat[NumSample-5,],probability=TRUE)
hist(SumaMediaMuestral,probability=TRUE)

B. Graficas

En la primera imagen se pueden ver 4 muestras de todas las

que se crearon para la simulación, se puede notar claramente,
Las diferencias en cuanto a los valores y la distribución que
sigue cada muestra

Por último, ya con la media de cada muestra se crean los

gráficos mediante la función de histograma

En la siguiente imagen se puede apreciar la suma de las

variables aleatorias con un comportamiento, muy similar al de
Código fuente la distribución normal

# _____ verificacion Teorema Central del Limite con R____

Diego Eraso
30/08/2017-Univesidad nacional de colombia

genera=function(dist,SizeSample){
if (dist=="binom"){
return(rbinom(SizeSample,100,0.4))
} else {
return(rexp(SizeSample,100))
}
}

SizeSample=100
NumSample=6000
dist="exp"
mat=matrix(, nrow = NumSample, ncol = SizeSample) IV. CONCLUSIONES
SumaMediaMuestral=vector()
 Se logro corroborar las afirmaciones del teorema
for (i in 1:NumSample){ central del límite, ya que la gráfica resultante de la
Universidad Nacional de Colombia. 1 de septiembre de 2017 3

suma de las variables aleatorias siguen un

comportamiento muy similar al de la distribución
normal
 las pruebas se realizaron para más de mil muestras
con 100 elementos para cada muestra, para menos
muestras y menos elementos se pudo notar una
gráfica con un comportamiento menos parecido al de
una distribución normal, lo cual comprueba el hecho
que se necesita un numero grande de muestras para
lograr apreciar la gráfica de una distribución normal

V. BIBLIOGRAFÍA

[1] https://es.wikipedia.org/wiki/Teorema_del_l%C3%A
Dmite_central
[2] https://es.wikipedia.org/wiki/RStudio