# Demostrador del Teorema del Límite Central Observa el Teorema del Límite Central en acción: muestrea de una distribución de origen no normal (uniforme, exponencial, Poisson o Bernoulli), grafica el histograma de las medias muestrales y superpone la curva Normal predicha N(μ, σ²/n). Compara media y error estándar empíricos vs teóricos y observa cómo la convergencia se afianza al crecer n. > Página canónica: https://elysiatools.com/es/tools/central-limit-theorem-demonstrator - **Categoría:** Data Visualization - **Palabras clave:** teorema del límite central, clt, distribución muestral, distribución normal, gaussiana, estadística, probabilidad, media muestral, error estándar, monte carlo, histograma, ciencia de datos, enseñanza ## Descripción general Una herramienta de enseñanza estadística interactiva para estudiantes de introducción a la estadística / ciencia de datos, instructores de pruebas A/B y profesores de AP Statistics: 1. **Distribución de origen** — elige una población claramente no normal: Uniforme(0,1), Exponencial(λ=1), Poisson(λ=4) o Bernoulli(p=0.3). 2. **Tamaño de muestra n** — cuántas extracciones por media. Auméntalo para ver la distribución estrecharse (dispersión ∝ σ/√n) y tomar forma de campana. 3. **Número de muestras** — cuántas medias generar (resolución del histograma). 4. **Salida** — histograma de medias con la curva Normal teórica superpuesta, más media y error estándar empíricos vs teóricos, y un rug plot de los datos crudos. Usa un PRNG con semilla (mulberry32), así cada ejecución con los mismos parámetros es reproducible — ideal para demos de clase donde todos ven la misma imagen. ## Entradas - **Distribución de origen** (select) - **Tamaño de muestra (n)** (number): Draws per sample mean. Larger n → narrower, more normal sampling distribution. - **Número de muestras** (number): How many sample means to generate (histogram resolution). - **Número de bins** (number): 40 - **Semilla aleatoria** (number): Same seed → identical results (reproducible demos). - **Decimales** (number): 3 ## Cuándo usarlo - Al enseñar o estudiar conceptos fundamentales de probabilidad y estadística en cursos académicos o de ciencia de datos. - Para ilustrar de forma práctica cómo el tamaño de la muestra influye en la forma y la dispersión de la distribución muestral. - Durante la planificación de pruebas A/B para comprender la base matemática detrás del error estándar y los intervalos de confianza. ## Cómo funciona - Selecciona una distribución de origen no normal (Uniforme, Exponencial, Poisson o Bernoulli) para definir la población inicial. - Configura el tamaño de la muestra (n) por cada media y el número total de muestras (repeticiones) para la simulación. - Establece una semilla aleatoria si deseas que los datos generados por el algoritmo sean completamente reproducibles. - Ejecuta la simulación para obtener el histograma de las medias muestrales con la curva normal teórica N(μ, σ²/n) superpuesta. ## Casos de uso - Demostraciones interactivas en el aula para profesores de estadística que explican la convergencia y la ley de los grandes números. - Autoaprendizaje visual para estudiantes que necesitan asimilar la diferencia entre la distribución de datos crudos y la distribución muestral. - Simulaciones rápidas de Monte Carlo para analistas que evalúan el comportamiento de estimadores bajo poblaciones sesgadas. ## Preguntas frecuentes ### ¿Qué distribuciones de origen puedo seleccionar? Puedes elegir entre las distribuciones Uniforme (0-1), Exponencial (λ=1), Poisson (λ=4) y Bernoulli (p=0.3). ### ¿Por qué es importante el tamaño de la muestra (n)? A mayor tamaño de muestra, la distribución de las medias se asemeja más a una curva normal y el error estándar disminuye. ### ¿Para qué sirve la semilla aleatoria? Permite obtener exactamente los mismos resultados en ejecuciones consecutivas, lo que facilita las demostraciones en vivo. ### ¿Qué representa la curva roja superpuesta en el gráfico? Representa la distribución normal teórica predicha por el Teorema del Límite Central utilizando la media y varianza teóricas. ### ¿Cómo se calcula el error estándar en la herramienta? Se calcula tanto el valor teórico (desviación estándar de la población dividida por la raíz de n) como el empírico obtenido de la simulación. ## Herramientas relacionadas - [Evaluador de calidad de chunks RAG](https://elysiatools.com/es/tools/ai-rag-chunk-quality-scorer): Evalúa esquemas candidatos de división en chunks RAG para un documento en cuatro métricas — coherencia (límites limpios de frase/párrafo), cobertura (foco temático / concentración de términos clave), salud del solape de contexto y consistencia de tamaño — compara hasta tres esquemas y recomienda el mejor. Heurísticas offline, sin llamadas a modelo. - [Resolvedor de alias de encabezados CSV](https://elysiatools.com/es/tools/csv-header-alias-resolver): Mapea encabezados CSV desordenados a un esquema destino limpio. Pega un CSV cuya primera fila tenga nombres de columna inconsistentes (Customer ID, user_id, customerId, CUST_ID…) junto con tu esquema destino (una columna por línea) y un diccionario opcional "alias=objetivo". Cada encabezado se resuelve en cuatro pasadas — exacto, diccionario, normalizado (quita mayúsculas/acentos/separadores/camelCase) y distancia de edición difusa — y se muestra en una tabla con método y confianza, más cobertura de destino y una exportación CSV opcional. - [Extractor de tokens de tema ECharts](https://elysiatools.com/es/tools/echarts-theme-token-extractor): Extrae design tokens — colores, números, tamaños de fuente y cadenas — de un JSON de tema ECharts y expórtalos directamente a tu design system. Pega un objeto de tema (el que registras y pasas a echarts.init(dom, themeName)) y la herramienta recorre cada hoja, etiquetando cada color (con normalización opcional nombrado/rgb → hex), número de espaciado, tamaño de fuente y cadena, para luego emitir variables CSS limpias, una configuración theme.extend de Tailwind, tokens.json de Style Dictionary o variables SCSS. Tiende el puente entre un tema de visualización ECharts y los tokens de diseño Figma/CSS/Tailwind sin copiar cada valor a mano. - [Constructor de firmas de correo HTML](https://elysiatools.com/es/tools/email-signature-html-builder): Genera una firma de correo HTML limpia y lista para copiar-pegar que se ve correctamente en Gmail, Outlook y Apple Mail — con avatar/logo, iconos sociales (auto-detectados desde tus enlaces), color de acento, tema claro/oscuro/auto, y un diseño basado en tablas con estilos en línea seguro para correo. Copia el HTML y pégalo en tu cliente. - [De paleta de imagen a design tokens](https://elysiatools.com/es/tools/image-to-design-tokens): Extrae los colores dominantes de una imagen con k-means y expórtalos como variables CSS / SCSS / configuración Tailwind / tokens JSON, con nombres y escala de tonos - [Solucionador de Órbita de Kepler](https://elysiatools.com/es/tools/kepler-orbit-solver): Resuelve numéricamente la ecuación de Kepler E − e·sin(E) = M para la anomalía excéntrica E, la anomalía verdadera ν, el radio orbital y la velocidad relativa, con métodos de Newton/bisección/punto fijo, historial de convergencia y un diagrama SVG - [Calculadora de Masa Magra](https://elysiatools.com/es/tools/lean-body-mass-calculator): Estima la masa magra (LBM) y el porcentaje de grasa corporal con las fórmulas de Boer, Hume y James según sexo, edad, peso y altura. Boer es el estándar clínico. - [Simulador de Competencia Interespecífica Lotka–Volterra](https://elysiatools.com/es/tools/lotka-volterra-competition): Resuelve y visualiza el sistema de competencia de Lotka–Volterra: dN₁/dt = r₁N₁(1−(N₁+α₁₂N₂)/K₁), dN₂/dt = r₂N₂(1−(N₂+α₂₁N₁)/K₂). Integración RK4 (6000 pasos) con curvas N(t) de ambas especies y plano de fases N₁–N₂ con isoclinas de crecimiento nulo y trayectoria. Clasifica automáticamente los cuatro desenlaces clásicos por la geometría de las isoclinas — coexistencia estable (competencia interespecífica menor que la intraespecífica en ambos sentidos), exclusión de una u otra especie y efecto prioritario biestable — e informa el equilibrio de coexistencia N₁*=(K₁−α₁₂K₂)/(1−α₁₂α₂₁), N₂*=(K₂−α₂₁K₁)/(1−α₁₂α₂₁), las poblaciones finales y las extinciones. Admite casos límite (una especie parte de 0). ## Ejemplos - [Ejemplos de Procesamiento de Imágenes Web Python](https://elysiatools.com/es/samples/web-image-processing-python): Ejemplos de procesamiento de imágenes Web Python usando PIL/Pillow incluyendo lectura, guardado, redimensionamiento y conversión de formato - [Ejemplos de Procesamiento de Imágenes Android Java](https://elysiatools.com/es/samples/android-image-processing-java): Ejemplos de procesamiento de imágenes Android Java incluyendo lectura/escritura, escalado y conversión de formato - [Ejemplos de Procesamiento de Imágenes Android Kotlin](https://elysiatools.com/es/samples/android-image-processing-kotlin): Ejemplos de procesamiento de imágenes Android Kotlin incluyendo lectura/escritura, escalado y conversión de formato - [Ejemplos de Procesamiento de Imágenes Web Rust](https://elysiatools.com/es/samples/web-image-processing-rust): Ejemplos de procesamiento de imágenes Web Rust incluyendo lectura/escritura, escalado y conversión de formato ## Contenido relacionado - [Herramientas de codigo de barras, QR y etiquetas](https://elysiatools.com/es/hubs/barcode-utility): Reune en un solo hub herramientas para generar codigos de barras, crear y decodificar QR, validar UPC/EAN, compartir WiFi por QR y preparar etiquetas imprimibles. - [Herramientas de codificacion y conversion de audio](https://elysiatools.com/es/hubs/audio-convert): Compara conversion de formatos de audio, cambios de bitrate, conversion de frecuencia de muestreo, cambio de codec y exportacion en un solo hub. - [Herramientas de conversion de formatos de imagen y exportacion animada](https://elysiatools.com/es/hubs/image-convert): Compara convertidores de imagen para JPG, PNG, GIF, AVIF, WebP, TIFF, ICO, base64 y salidas pensadas para animacion en un solo hub. - [Herramientas de intercambio JSON y traduccion de formatos](https://elysiatools.com/es/hubs/json-convert): Compara herramientas de conversion JSON para CSV, YAML, TOML, GraphQL, XML, Markdown, Excel, BSON, EDN y otros formatos estructurados en un solo hub.