Teorema Central del Limite

Jimena Blaiotta D.N.I. 29905968 jblaiotta@yahoo.com.ar Guido Spano 933, Lanus C.P. 1824 L.U.298/02 Pablo Delieutraz D.N.I. 25227711 pdelieutraz@yahoo.com.ar M. T. de Alvear 1265, Cap. Fed. C.P. 1058 L.U. 229/99

Universidad de Buenos Aires Facultad de Ciencias Exactas y Naturales 30 de julio de 2004

ndice
1. Introduccin 2. Deniciones Bsicas 3. Aproximacin normal de la distribucin binomial
3.1. Primera versin del Teorema Central del Lmite. . . . . . . . . . 3.2. Uso de la aproximacin normal a la binomial. . . . . . . . . . . . 4.1. Suma de variables aleatorias independientes . . . . . . . . 4.2. Herramientas utilizadas por Laplace . . . . . . . . . . . . 4.2.1. Mtodo de Laplace para aproximar integrales . . . 4.2.2. Funciones caractersticas . . . . . . . . . . . . . . . 4.3. La deduccin de la aproximacin a la distribucin normal . . . . . . . . . . . . . . . . . . . .

2 2 3
3 4 6 6 6 6 7

4. Teorema Central del Lmite de Laplace

5. El Teorema Central del Lmite durante el perodo 1810-1853

5.1. Simon Denis Poisson (1824) . . . . . . . . . . . . . . . . . . . . 5.2. Peter Gustav Lejeune Dirichlet (1846) . . . . . . . . . . . . . . . 5.3. Augustin Louis Cauchy (1853) . . . . . . . . . . . . . . . . . . .

9 9 9

6. El Teorema Central del Lmite y sus primeras demostraciones rigurosas 10

6.1. 6.2. 6.3. 6.4. Teorema Teorema Teorema Teorema Central Central Central Central del del del del Lmite Lmite Lmite Lmite de de de de Liapunov . . . . Lindeberg . . . Lindeberg-Lvy Lindeberg-Feller . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

10 11 12 13 14 15

7. Generalizaciones del Teorema Central del Lmite

7.1. El Teorema Central del Lmite para variables dependientes . . . 7.2. El Teorema Central del Lmite para vectores aleatorios . . . . . .

14

1. Introduccin
El Teorema Central de Lmite no es un nico teorema, sino que consiste en un conjunto de resultados acerca del comportamiento de la distribucin de la suma (o promedio) de variables aleatorias. Con Teorema Central del Lmite nos referiremos a todo teorema en el que se arma, bajo ciertas hiptesis, que la distribucin de la suma de un nmero muy grande de variables aleatorias se aproxima a una distribucin normal. El trmino Central, debido a Poly (1920), signica fundamental, o de mportancia central, este describe el rol que cumple este teorema en la teora de probabilidades. Su importancia radica en que este conjunto de teoremas desvelan las razones por las cuales, en muchos campos de aplicacin, se encuentran en todo momento distribuciones normales, o casi normales. Un ejemplo tpico de este hecho es el caso de los errores de medida. Con respecto a este tema, Laplace propuso una hiptesis que parece ser plausible. Considera el error total como una suma de numerosos errores elementales muy pequeos debidos a causas independientes. Es casi indudable que varias causas independientes o casi independientes contribuyen al eror total. As por ejemplo, en las observaciones astronmicas, pequeas variaciones de temperatura, corrientes irregulares de aire, vibraciones de edicios y hasta el estado de los rganos de los sentidos de un observador, pueden considerarse como algunas pocas de dichas causas numerosas. El Teorema Central del Lmite es obra de muchos grandes matemticos. Dentro de la historia del Teorema Central del Lmite Laplace ocupa un lugar fundamental: a pesar de que nunca enunci formalmente este resultado, ni lo demostr rigurosamente, a l le debemos este importante descubrimeiento.

2. Deniciones Bsicas
Esta seccin tiene como objetivo establecer la terminologia y deniciones bsicas para evitar interrupciones posteriores y lograr una lectura ms uda. Una variable aleatoria (v.a.) X se dice Bernoulli si su funcin de probabilidad esta dada por: p(0) = P (X = 0) = 1 p p(1) = P (X = 1) = p para algn p (0, 1) Supongamos que se realizan n ensayos independientes, y que en cada uno se tienen dos resultados posibles: xito y fracaso. Supongamos tambin que p es la probabilidad de xito de cada ensayo. Si X representa el nmero de xitos que ocurren en los n ensayos, entonces X se dice una variable aleatoria binomial (o que tiene distribucin binomial) con parmetros (n, p) Obs. 1: una variable aleatoria Bernoulli es simplemente una binomial de parmetros (1, p)

Denicin 1

Denicin 2

Obs. 2: una v.a. binomial de parmetros (n, p) es la suma de n variables aleatorias Bernoulli con probabilidad p = P (Xi = 1) Obs. 3: si X es una variable aleatoria binomial con parmetros (n, p) notaremos b(k ; n, p) = P (X = k )

Denicin 3

Se llama funcin de densidad normal a

1 2 1 (x) = e 2 x 2

Denicin 4

La funcin de distribucin normal es

1 (x) = 2

e 2 t dt

1 2

Denicin 5

Sea X una v.a., se llama funcin caracterstica de X a

X (t) = E(eitX ) =

eitx dF (x)

El momento de orden n es E(X n ) El momento absoluto de orden n es E(|X |n ) El n-simo momento centrado de X es el momento de orden n de X E(X ), es decir E((X E(X ))n ) .

Denicin 6

3. Aproximacin normal de la distribucin binomial

3.1. Primera versin del Teorema Central del Lmite.
La aproximacin normal a la distribucin binomial tiene considerable valor terico y prctico. Desempe un papel importante en el desarrollo de la teora de probabilidades, ya que condujo al primer teorema del lmite. Esta primer versin del Teorema Central del Lmite fue dada por De Moivre 1 en su libro The Doctrine of Chances (1733) 1 , para el caso especial p = 2 . Laplace generaliz al caso p arbitrario y el resultado se enuncia como sigue:
en Inglaterra, tras haber escapado de Francia por la persecucin de los Protestantes. El ttulo del libro es un sinnimo de Teora de la Probabilidad en concordancia con la frase usada por Bayes en su famosa obra pstuma An Essay Toward Solving a Problem in the Doctrine of Chances
1 De Moivre escribi su libro The Doctrine of Chances en ingls pues en esa poca resida

3 tervalo k < Kn tal que Kn /n2 0, entonces para todo > 0 y n sucientemente grande se cumple: ak 1 < <1+ (1) h(kh)

Teorema 3.1 (De Moivre-Laplace) Si n y k est restringido a un in-

donde

ak = b(k + m; n, p)

donde m es el trmino central, es decir, el nico entero de la forma

m = np +

con q < p
1 npq

h=

Este teorema se puede enunciar de una forma ms clara, aunque menos precisa de la siguiente forma2 :

b(k ; n, p)

u2 1 e 2 2npq

(2)

np donde u = k npq Nota: observar que el k al que hace referencia el teorema 3.1 no es el mismo que el de la frmula (2)

3.2. Uso de la aproximacin normal a la binomial.

La aplicacin ms importante del teorema 3.1 consiste en obtener aproximaciones para las probabilidades de la forma
m

P X =
v =1

b(v ; n, p) =
k=m

ak

donde X es una variable aleatoria con distribucin binomial de parmetros n y p, y m es el trmino central. Dentro de los lmites de aplicacin del teorema 3.1 obtenemos una buena aproximacin cuando reeplazamos ak por h(kh). Esta cantidad puede interpretarse como el rea de un rectngulo de altura (kh), cuya base es un intervalo de longitud h con centro en kh. Como es habitual, reeemplazamos el rea del rectngulo por el rea correspondiente situada entre el eje x y la grca de ; como es sabido, el error que se comete es despreciable en el lmite cuando h 0. Cuando y son enteros, llegamos a la aproximacin

1 1 P X ( m + )h ( m )h 2 2
Sin embargo en la formulacin nal es preferible reemplazar z1 =
np npq ; np npq

el error que se comete con esta aproximacin tiende obviamente a z2 = cero junto con h. Por lo tanto hemos demostrado el siguiente
2 Esta aproximacin es buena cuando npq 30

Teorema 3.2 Para z1 y z2 jos, cuando n

P np + z1 npq X np + z2 npq (z2 ) (z1 )
(3)

La relacin de lmite adquiere una forma ms agradable si reemplazamos el trmino X por X np X = npq As podemos poner (3) como

P z1 X z2 (z2 ) (z1 )
Observacin: al usar la aproximacin normal a la distribucin binomial, estamos aproximando la distribucin de una variable aleatoria discreta con la distribucin de una variable aleatoria continua. Por lo tanto hay que tener algn cuidado con los puntos extremos del intervalo considerado. Por ejemplo, para una variable aleatoria continua, P (X = 3) = 0, mientras que para una variable aleatoria discreta esta probabilidad puede ser positiva. Se ha encontrado que la siguiente correccin para continuidad mejora la aproximacin anterior:

P (X = k )

P (k

1 2

1 X k+ 2 ) 1 2

P (a X b)

P (a

X b+ 1 2)

APROXIMAR!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!

4. Teorema Central del Lmite de Laplace

En esta seccin daremos una idea de la forma en que trabaj Laplace. El resultado obtenido por Laplace alrededor de 1810, en notacin moderna, es el siguiente3 :

Teorema 4.1 Sean X1 , . . . , Xn variables aleatorias independientes, identicamente distribuidas (iid) y acotadas, discretas o absolutamente continuas. Y sean = E(X1 ) y 2 = Var(X1 ). Si n es sucientemente grande, vale la siguiente aproximacin:
1 P (n + r1 n X1 + . . . + Xn n + r2 n) 2
r2 r1

1 t22 e 2 dt

Observar que el teorema de De Moivre-Laplace es un caso muy particular del teorema 4.1 si pensamos a la variable aleatoria binomial X como suma de variables aleatorias independientes Bernoulli Xi .
haber establecido explcitamente las hiptesis, como tampoco haber dado una demostracin totalmente rigurosa, a l se debe este importante descubrimiento
3 A menudo nos referiremos a este teorema como el T.C.L. de Laplace, ya que, a pesar de no

4.1. Suma de variables aleatorias independientes

La suma de variables aleatorias independientes jug un papel importante en el trabajo probabilstico de Laplace desde sus ms tempranos comienzos. En uno de sus primeros papers publicados, Laplace (1776) apunt a calcular la probabilidad de que la suma de los ngulos de inclinacin de las rbitas de los cometas no sobrepase un cierto valor o, que la media aritmtica de esos ngulos est entre dos lmites dados. l supuso que la distribucin de las medidas de los ngulos era aleatoria como as tambin supuso tcitamente que todos los ngulos eran estocsticamente independientes. Laplace tuvo xito en calcular estas probabilidades para un nmero arbitrario de cometas. En el caso de un nmero considerable de cuerpos celestes las frmulas obtenidas eran demasiado complicadas para una evaluacin numrica directa. En esta etapa de su trabajo matemtico Laplace no pudo desarrollar aproximaciones usables.

4.2. Herramientas utilizadas por Laplace

4.2.1. Mtodo de Laplace para aproximar integrales
En su trabajo "Mmoire sur la probabilit des causes"(1774), Laplace desarroll tcnicas para aproximar integrales que dependen de un "gran parmetro", como por ejemplo la funcin Gamma

(s + 1) =
0

ex xs dx

donde s es el "gran parmetro". La idea bsica del "mtodo de aproximacin laplaciano"es la siguiente: Sea f el integrando que depende de un "gran parmetro", y supongamos que f tiene un nico mximo muy pronunuciado de manera tal que la integral sobre un intervalo pequeo alrededor de este mximo contribuye considerablemente al resultado de la integral. Entonces se puede esperar que la funcin f sea asintticamente igual a una funcin de la forma

f (a)e(xa)

2k

...

si f alcanza su mximo en x = a. Basado en esta idea, el mtodo de Laplace consiste en desarrollar en series apropiadas alrededor de la abscisa del mximo. En el caso de muchas frmulas probabilsticas este mtodo de aproximacin funcionaba bastante bien. En su artculo de 1774, Laplace trat problemas de aproximacin con un estilo analtico muy parecido al de Euler. En su trabajo posterior dej el estilo euleriano y desarroll, inuenciado por el anlisis algebraico de Lagrange, un estilo especial algoritmico-algebraico trabajando principalmente con desarrollos en series formales. La deduccin de Laplace del T.C.L. fue escrita en este estilo.

4.2.2. Funciones caractersticas

La herramienta de Laplace que fue crucial para su xito en aproximar distribuciones de sumas de variables aleatorias independientes por distribuciones normales fue su modicacin de las funciones generatrices. 6

Mostraremos la esencia de su procedimiento, en el caso especial de variables aleatorias idntica y simetricamente distribuidas X1 , . . . , Xn las cuales toman los k valores m (m es un nmero natural dado y k = m, . . . , m) con las respectivas probabilidades pk = pk . Para calcular la probabilidad
n

Pj = P
i=1

Xi =

j m

(nm j nm)
m

Laplace utiliz la funcin generatriz T (t) = k=m pk tk . Debido a la independencia de las variables Xi (presupuesta tacitamente por Laplace) Pj es igual al coeciente de tj en [T (t)]n despus de desarrollar el producto. La ejecucin directa de este mtodo es complicada. Laplace introdujo el truco de sustituir la variable t por eix (donde i2 = 1). De esta forma surgen, para un caso particular, lo que hoy llamamos funciones caractersticas. Usando la igualdad

1 2
se deduce

eitx eisx dx = ts
m

(t, s Z)
n

1 Pj = 2

ijx k=m

pk eikx

dx

4.3. La deduccin de la aproximacin a la distribucin normal

La ltima integral era, al menos formalmente, accesible para aplicar los mtodos de aproximacin de integrales de Laplace. Sin embargo era necesario una modicacin, ya que Laplace no consider el desarrollo de todo el integrando alrededor de su mximo en x = 0, sino que solo lo hizo para el factor
m

pk eikx
k=m

que es la funcin caracterstica de X1 + + Xn Desarrollando eikx en series de potencias se obtiene:

Pj = 1 2

1 2

eijx
k=m

pk eikx

dx =
n

eijx
k=m

pk (1 k 2 x2

ik 3 x3 + 6

dx
m k=m

Teniendo en cuenta que pk = pk y con la abreviacin m2 2 = obtenemos:

pk k 2

Pj =

1 2

eijx 1

m2 2 x2 + 2

dx

La expansin formal de 7

m2 2 x2 + 2 en una serie de potencias de x, da lugar a

log 1 log(z ) = y por lo tanto

=: logz

m2 2 nx2 m4 4 nx4 + , 2 8 m4 4 nx4 + 8

z = e

m2 2 nx2 2

4 4 nx4 8

= e

m2 2 nx2 2

Despus de la sustisucin x =

y n

resulta
2 2 nx2 2

Pj =

1 2 n

n n

y m ij n

m4 4 nx4 + dy 8

Para una aproximacin con n grande, ignoramos, al igual que Laplace algunos trminos, y al mismo tiempo cambiamos los lmites de integracin, obteniendo:

Pj

1 2 n

y m ij n

2 2 nx2 2

dy

esta ltima integral es igual a

m 2n

e 2m2 2 n

j2

La suma de esta ltima expresin desde r1 n hasta r2 n, que puede ser aproximada por una integral, da lugar a una aproximacin para P r1 n Xi r2 n

que se corresponde con el enunciado del teorema 4.1. Segn Laplace es posible generalizar a variables absolutamente continuas suponiendo que m es "innitamente grande". Su intento por demostrar esta importante proposicin no resiste un anlisis riguroso moderno y, por otra parte, no se puede hacer esta demostracin en forma rigurosa.

5. El Teorema Central del Lmite durante el perodo 1810-1853

La versin del T.C.L. de Laplace sirvi principalmente como una herramienta de "sentido comn", y su importancia fue determinada por un campo fuera de las matemticas. A mediados del siglo XIX el T.C.L. se hizo parte de la propia matemtica a travs de las contribuciones de Dirichlet y Cauchy. A pesar de los intentos realizados por diversos matemticos, durante este perodo no se encuentran demostraciones rigurosas del T.C.L. de Laplace. Esto solo se lograra despus de muchos aos. 8

5.1. Simon Denis Poisson (1824)

Poisson generaliz el T.C.L. de Laplace a sumas y combinaciones lineales de errores observacionales con diferentes distribuciones (no necesariamente simtricas). Seal la importancia de las presuposiciones, a diferencia de Laplace, que nunca las enunci explicitamnete. Poisson trabaj principalmente con contraejemplos (de un teorema no formulado claramente por Laplace), el ms importante de ellos es el siguiente: La suma de variables aleatorias Xi independientes, identicamente distribudas (i.i.d.) con funcin de densidad

f (x) =

1 (1 + x2 )

no se aproxima a una distribucin normal, an cuando la cantidad de sumandos sea muy grande. Obviamente, alguna de las hiptesis del que hoy conocemos como teorema de Laplace (teorema 4.1), no se cumple. Se puede demostrar facilmente que la E(Xi ) no existe. Poisson, tambin observ que estos casos no se encuentran en la prctica. Las variables aleatorias con funcin de densidad f jugaran un rol muy importante en el trabajo posterior de Cauchy, es por este motivo que hoy lleva su nombre.

5.2. Peter Gustav Lejeune Dirichlet (1846)

Dirichlet es conocido por sus contibuciones pioneras a la fsica matemtica y a la teora de nmeros. En el campo de la teora de las probabilidades solamente se pueden encontrar unas breves notas, aunque durante su perodo en Berln (1828-1855) frecuentemente dict cursos en teora de las probabilidades o teora del error, donde present nuevas y originales ideas. El inters principal de Dirichlet no era el tratramiento de las aplicaciones o fundamentos probabilsticos, sino mas bien, la discusin de los problemas anliticos generados. l consider estos problemas como aplicaciones de la teora de integrales denidas, y por lo tanto a varios de sus cursos concernientes a estos temas los llam Anwendungen der Integralrechnung. Por ejemplo, la demostracin del T.C.L. fue presentada en 1 hora extra de un curso de 4 hs. sobre integrales denidas.

5.3. Augustin Louis Cauchy (1853)

El ltimo artculo de Cauchy, en un total de 8 papers, contien una interesante discusin sobre la aproximacin a la distribucin normal de combinaciones lineales de errores aleatorios. Bsicamente, su lnea de argumentacin anlitica es similar a la de Dirichlet y muestra mtodos que an son utilizados en el tratamiento moderno del T.C.L.. Cauchy utiliz funciones caractersticas y teoremas de inversin para demostrar el caso de variables aleatorias continuas i.i.d. con funcin de densidad simtrica y soporte compacto.

6. El Teorema Central del Lmite y sus primeras demostraciones rigurosas

6.1. Teorema Central del Lmite de Liapunov
Las primeras demostraciones realmente rigurosas de T.C.L. son el resultado de la labor de tres grandes matemticos rusos: Tshebyshev (1887), Markov (1898) y Liapunov (1900-1901). Tshbyshev y Markov lo hicieron utilizando el mtodo de los momentos. Liapunov fue el primero en utilizar el mtodo de las funciones caractersticas. l, ha demostrado por este mtodo, que el T.C.L. era aplicable con hiptesis mucho ms generales que los de Tshbyshev y Markov 4 adems su mtodo de demostracin tiene la ventaja de la simplicidad. El resultado es el siguiente:

Teorema 6.1 (Liapunov) Sean (Xk )kN v.a. independientes cuyos tres primeros
momentos existen, y sean: mk = E(Xk ), 2 = Var(Xk ) < ak = E((Xk mk )3 )momento centrado de tercer orden bk = E(|Xk mk |3 )momento centrado absoluto de tercer orden Llamemos
n n 2 k k=1

sn :=

Bn :=

bk
k=1

Si se verica la siguiente condicin (condicin de Liapunov):

n

l m

Bn =0 sn

(4)

entonces

l m Fn (x) = (x)

donde Fn es la funcin de distribucin de

Sn = n k=1 (Xk

mk )

sn

Observacin: si las v.a. (Xk )kN son identicamente distribudas, entonces la condicin de Liapunov se cumple. En efecto, en este caso son iguales todos los desvos k (llamemos = k ), y tambin son iguales todos los momentos bk (llamemos b = bk ), entonces resulta

sn = n 3 Bn = b 3 n
Luego

3 1 b Bn = l m = 0 n sn n 6 n l m

4 Markov seal a continuacin que se puede demostrar tambin el teorema de Liapunov por el mtodo de los momentos.

10

Aunque para variables identicamente distribudas la condicin de Liapunov se cumple, observemos que no se puede deducir el teorema de Laplace a partir del teorema de Liapunov, ya que puede existir
+

x2 dF (x)

pero

|x|3 dF (x) = +

e incluso que sea

+

|x|2+ dF (x) = +

> 0.

Liapunov tambin ha demostrado el T.C.L. con hiptesis ms dbiles. Para esto supuso la existencia, en lugar del tercer momento, del momento de orden 2 + ( > 0) y en lugar de la condicin de Liapunov exigi
n

l m

Bn ( ) =0 sn
1 2+

(5)

donde

Bn ( ) =
k=1

E |Xk mk |2+

6.2. Teorema Central del Lmite de Lindeberg

Lindeberg propuso una condicin an ms general que la condicin (4) la cual permite demostrar el T.C.L. Esta condicin es tambin, en cierto sentido necesaria.

Teorema 6.2 (Lindeberg) Sean X1 , X2 , . . . , Xk , . . . variables aleatorias independientes, cuyas medias k =E(Xk ) y desvos k = Var(Xk ) existen. Llamemos
n

sn :=
k=1

2 k

y Fk (x) a la funcin de distribucin de Xk k . Si siguinte condicin (condicin de Lindeberg)

n

> 0 , se cumple la

l m

1 s2 n

n
k=1 |x|> sn

x2 dFk (x) = 0

(6)

entonces

l m Gn (x) = (x)

donde Gn es la funcin de distribucin de

Sn = n k=1 (Xk

k )

sn
11

En los libros modernos de probabilidad, este teorema se demuestra usando funciones caractersticas. Lindeberg en su demostracin no las utiliz. Observacin: de la condicin de Liapunov (4) se deduce la condicin de Lindeberg (6), en efecto:

1 s2 n

n
k=1 |x|>

1 x dFk (x) 2 s sn n
2

n
k=1

|x| dFk (x) =

Bn sn

La condicin de Lindeberg tambin se puede deducir a partir de (5). Por lo tanto para demostrar el teorema de Liapunov, basta demostrar el teorema de Lindeberg (para una demostracin ver Rnyi [7]).

6.3. Teorema Central del Lmite de Lindeberg-Lvy

Teorema 6.3 (Lindeberg-Lvy) Sean X1 , X2 , . . . , Xk , . . . variables aleatorias i.i.d. con =E(Xk ) < y varianza positiva 2 =Var(Xk ) < . Y sean
Sn = n k=1

Xk n n

. y Fn las funciones de distribucin de Sn Entonces l m Fn (x) = (x) n

Para la demostracin de este teorema, necesitamos el siguiente lema previo que enunciamos sin demostracin. Lema: Si la sucesin de funciones caractersticas (n (t)) converge en cada punto t a una funcin (t) continua en algn intervalo |t| < , entonces la sucesin Fn (x) de las correspondientes funciones de distribucin converge a la funcin de distribucin F (x) que corresponde a la funcin caracterstica (t). Demostracin del Teorema 6.3. Todas las variables Xk tienen la misma distribucin, por lo tanto tambin tienen la misma funcin caracterstica X (t). Adems: E(Xk ) = 0 y Var(Xk ) = 2 Debido a las dos siguientes propiedades: 1. Si X e Y son variables aleatorias independientes, entonces:

X +Y (t) = X (t)Y (t)

2.

aX (t) = X (at)

de S de acuerdo a esto, la funcin caracterstica Sn n es

(t) = Sn X

(7)

El desarrollo en serie de Taylor de X (t) alrededor de t = 0 es:

1 X (t) = 1 2 t2 + o(t2 ) 2
12

(8)

Reemplazando la expresin (8) en la frmula (7) se obtiene:

(t) = Sn 1

t2 t2 +o 2n n t2 n

donde t tenemos:
n

l m no

=0

(9)

Sea

u=
Entonces

t2 t2 +o 2n n t2 t2 +o 2n n t2 t2 + no 2 n

(t) = nlog(1 + u) = n logSn

De la relacin (9) tenemos que

n 2 = e l m Sn
t2

Usando el lema previo, queda demostrado el teorema. Lindeberg (1922) di la primera demostracin rigurosa de un teorema ms general (teorema 6.2) que contiene al teorema 6.3, en efecto: si todas las variables Xk tienen la misma distribucin, con desvo nito , tenemos
+

F (x) = Fk (x),

x2 dF (x) = 2

y sn = n

De donde

1 n s2 n l m

x2 dFk (x) =
k=1 |x|> sn

1 l m 2 n

x2 dFk (x) = 0
|x|> sn

El teorema 6.3 es bsicamente una reformulacin del T.C.L. de Laplace (quien no di una demostracin rigurosa as como tampoco estableci claramente las hiptesis del teorema). Lvy en su demostracin del teorema 6.3 (1930-1935) reinvent la tcnica de las funciones caractersticas. Existen razones histricas de que Lvy no conoca el trabajo de Laplace: los libros franceses de esa poca (Bertrand (1889-1907), Poincar (1896-1912), Borel (1909-1924)) no mencionaban a Laplace ni a las funciones caractersticas, de hecho Lvy dud en usarlas en su trabajo debido a las crticas de Borel.

6.4. Teorema Central del Lmite de Lindeberg-Feller

Feller demostr que la condicin de Lindeberg es necesaria en el siguiente sentido: Si valen las dos condiciones siguientes:
n 1kn

l m m ax (

k )=0 sn

l m Fn (x) = (x)

entonces se cumple la condicin de Lindeberg, es decir 13

1 n s2 n l m

n
k=1 |x|> sn

(x)2 dFk (x) = 0

Ms an, tenemos el siguiente resultado:

rias independientes cuyas varianzas existen, y sea Gk (x) la funcin de distribucin de de Xk , =E(Xk ), k = Var(Xk ), llamemos Fn (x) a la funcin de distribucin de
Sn

Teorema 6.4 (Lindeberg-Feller) Sean X1 , X2 , . . . , Xk , . . . variables aleato-

n k=1 (Xk

k )

sn

donde sn =
k=1

Entonces las relaciones

n

l m max1kn (

k )=0 sn

l m Fn (x) = (x)

valen, si y solo si, > 0

1 n s2 n l m
n

(x k )2 dGk (x) = 0
k=1 |xk |> sn

De este ltimo teorema se puede deducir otra condicin necesaria y suciente:

Teorema 6.5 (Teorema) Sean X1 , X2 , . . . , Xk , . . . variables aleatorias independientes uniformemente acotadas, es decir: existe una constante a > 0 tal que k P(|Xk | a) = 1
y supongamos que Var(Xk ) = 0 k . Entonces l m Fn (x) l m s2 n =
n n

7. Generalizaciones del Teorema Central del Lmite

7.1. El Teorema Central del Lmite para variables dependientes
Markov fue el primero en intentar relajar la condicin de independencia en el T.C.L. y consider variables aleatorias dependientes, las cuales dan paso a su teorema Cadenas de Markov. El trabajo de Bernstein (1926) sobre variables dependientes puede considerarse como una extraordinaria contribucin moderna a la Teora de la Probabilidad, sin embargo, las condiciones establecidas por Bernstein para la validez de los teoremas son bastante complicadas.

14

7.2. El Teorema Central del Lmite para vectores aleatorios

El Teorema Central del Lmite para variables aleatorias puede ser generalizado para vectores aleatorios. La primer demostracin rigurosa del TCL para el caso de vectores aletorios independientes fue publicada por Bernstein en 1926. Su demostracin sigue la lnea de la demostracin de Liapunov para sumas de variables aleatorias independientes. Ms an, Bernstein mostr'0 que el TCL es vlido en el caso de vectores aleatorios dependientes cuando se cumplen cieras condiciones adicionales. Laplace en 1810 ya haba sealado la posibilidad de tales extenciones.

15

Referencias
[1] Julie Xiuyu Cong: Historical Development of Central Limit Theorem ; 2003 [2] W. Feller: Introduccin a la teora de las probabilidades y sus aplicaciones ; Limusa, 1996 [3] H. Fischer: The Central Limit Theorem from Laplace to Cauchy ; 2000 [4] M. Fisz: Probability Theory and Mathematical Statistics ; John Wiley & Sons, Inc., 1963 [5] P. Meyer: Probabilidad y aplicaiones estadsticas ; Fondo Educativo Interamericano, S.A., 1963 [6] F. Mosteller; R. Rourke; G. B. Thomas, Jr: Probability and Statistics ; Addison-Wesley Publishing Company, Inc., 1961 [7] A. Rnyi: Clculo de Probabilidades ; Editorial Revert, S.A., 1976 [8] S. Ross: A First Course in Probability ; Prentice Hall, Inc., cuarta ed., 1994 [9] J. V. Uspensky: Introduction to Mathematical Probability ; Mc Graw-Hill Book Company London, 1937

16