The Central Limit Theorem · El Teorema del Límite Central
| English | Español |
|---|---|
| Central Limit Theorem/ˈsentrəl ˈlɪmɪt ˈθɪərəm/ | Teorema del Límite Central |
| population distribution/ˌpɒpjʊˈleɪʃn ˌdɪstrɪˈbjuːʃn/ | distribución de la población |
The most important theorem
- The Central Limit Theorem (CLT) 中心极限定理 is the engine behind most inference.
- It says: the sampling distribution of the sample mean $\bar{x}$ is approximately normal for a large sample.
- This holds no matter what the population's own shape is.
- A near-magical result — normality emerges from averaging.
El teorema más importante
- El Teorema del Límite Central (TLC) 中心极限定理 es el motor detrás de la mayoría de las inferencias.
- Dice que: la distribución muestral de la media muestral $\bar{x}$ es aproximadamente normal para una muestra grande.
- Esto se cumple sin importar cuál sea la forma propia de la población.
- Un resultado casi mágico: la normalidad emerge al promediar.
Works even for weird populations
- The population distribution 总体分布 can be skewed, bimodal, or bizarre.
- Yet the distribution of $\bar{x}$ over many samples still turns out roughly normal.
- Averaging "smooths out" the population's odd shape.
- Only a large enough sample is needed — not a normal population.
Funciona incluso con poblaciones extrañas
- La distribución de la población 总体分布 puede ser asimétrica, bimodal o extraña.
- Sin embargo, la distribución de $\bar{x}$ a lo largo de muchas muestras sigue resultando aproximadamente normal.
- Promediar "suaviza" la forma peculiar de la población.
- Solo se necesita una muestra lo suficientemente grande; no se requiere una población normal.
The n ≥ 30 guideline
- A common rule of thumb: $n \ge 30$ is usually enough for the CLT to kick in.
- For a roughly symmetric population, smaller $n$ can already be fine.
- For a very skewed population, you may want $n$ even larger.
- The guideline is practical, not an exact law.
La directriz de n ≥ 30
- Una regla práctica común: $n \ge 30$ suele ser suficiente para que el TLC entre en juego.
- Para una población aproximadamente simétrica, $n$ más pequeños ya pueden ser adecuados.
- Para una población muy asimétrica, puede que desees $n$ aún más grandes.
- La directriz es práctica, no una ley exacta.
Bigger n, better normality
- The larger the sample size, the more nearly normal the sampling distribution of $\bar{x}$.
- Larger $n$ also makes the sampling distribution narrower (less spread).
- So big samples give estimates that are both more normal and more precise.
- This is why sample size matters so much in study design.
Mayor n, mejor normalidad
- Cuanto mayor es el tamaño de la muestra, la más cercana a la normalidad es la distribución muestral de $\bar{x}$.
- Los $n$ más grandes también hacen que la distribución muestral sea más estrecha (menos dispersión).
- Por tanto, las muestras grandes proporcionan estimaciones que son tanto más normales como más precisas.
- Es por esto que el tamaño de la muestra importa tanto en el diseño de estudios.
The CLT is about the sampling distribution of $\bar{x}$, not the data itself. A large sample does not make the population or the raw data normal — it makes the distribution of the sample mean approximately normal. If the population is already normal, $\bar{x}$ is exactly normal for any $n$; the CLT only matters when it isn't.
El TLC trata sobre la distribución muestral de $\bar{x}$, no sobre los datos en sí. Una muestra grande no hace que la población o los datos crudos sean normales; hace que la distribución de la media muestral sea aproximadamente normal. Si la población ya es normal, $\bar{x}$ es exactamente normal para cualquier $n$; el TLC solo es relevante cuando no lo es.
Incomes are strongly right-skewed (a few very high earners).
- One sample's incomes look skewed — the CLT says nothing about that.
- But average the incomes of $n = 50$ people, and repeat: those $\bar{x}$ values form a roughly normal distribution.
- So we can use a normal model for $\bar{x}$ even though incomes aren't normal.
Los ingresos están fuertemente asimetrizados a la derecha (unos pocos ganadores de ingresos muy altos).
- Los ingresos de una sola muestra parecen asimétricos; el TLC no dice nada sobre eso.
- Pero si promedian los ingresos de $n = 50$ personas y repiten: esos $\bar{x}$ valores forman una distribución aproximadamente normal.
- Así podemos usar un modelo normal para $\bar{x}$ aunque los ingresos no sean normales.
The Central Limit Theorem says the sampling distribution of $\bar{x}$ is approximately normal for a large sample size, even when the population distribution isn't normal. A common guideline is $n \ge 30$; a larger sample makes the sampling distribution both more normal and narrower.
El Teorema del Límite Central dice que la distribución muestral de $\bar{x}$ es aproximadamente normal para un tamaño de muestra grande, incluso cuando la distribución de la población no es normal. Una directriz común es $n \ge 30$; una muestra más grande hace que la distribución muestral sea tanto más normal como más estrecha.
Normality emerges from averaging · La normalidad emerge al promediar
For large n, x-bar is approximately normal even from a skewed population. · Para n grande, x-bar es aproximadamente normal incluso a partir de una población sesgada.
The Central Limit Theorem says that for a large sample, the sampling distribution of x-bar is... · El Teorema del Límite Central dice que para una muestra grande, la distribución muestral de x-bar es...
The CLT delivers approximate normality of x-bar for large n. · El TLC proporciona la aproximación a la normalidad de x-bar para n grande.
The CLT requires the population itself to be normal. · El TLC requiere que la propia población sea normal.
It works even for skewed populations — that's the point. · Funciona incluso para poblaciones sesgadas — ese es el punto.
What sample size is the common rule-of-thumb minimum for applying the CLT? · ¿Cuál es el tamaño de muestra mínimo común según la regla empírica para aplicar el TLC?
n ≥ 30 is the usual guideline. · n ≥ 30 es la guía habitual.
As the sample size increases, the sampling distribution of x-bar becomes... · A medida que aumenta el tamaño de la muestra, la distribución muestral de x-bar se vuelve...
Bigger n → more normal and less spread. · N mayor → más normal y menor dispersión.
The CLT makes the raw data values normal, not just the distribution of x-bar. · El TLC hace que los valores crudos de los datos sean normales, no solo la distribución de x-bar.
It's about the sampling distribution of the mean, not the raw data. · Se trata de la distribución muestral de la media, no de los datos crudos.