TEOREMA DEL L

IMITE CENTRAL

Sean X1 , X2 , ..., Xn variables aleatorias continuas

independientes
igualmente distribuidas
con media y varianza finitas
Definamos la variable Yn =

n
X

Xj y sea Z =

j=1

Yn my
2
y , donde my = E[Yn ] y y = V ar[Yn ].

Entonces, independientemente de la distribucion de las variables Xj , se verifica que

2
1
lm fZ (z) = ez /2 ,
n
2

< Z <

Demostraci
on
Obviamente, E[Z] = 0 y V ar[Z] = 1. Calculemos la funcion caracterstica, CZ (s) de la variable
aleatoria Z.
Y m
CZ (s) = E[eisZ ] = E[e

Como Yn =

n
X

is

n
y
y

(1)

Xj se verifica que E[Yn ] = nmx y, al ser las variables Xj independientes,

j=1

V ar[Yn ] = nV ar[X]. Operando en (1)

h
is
CZ (s) = E e

Xj mx

nx

h is
=E e n

Xj mx
x

i
=E

n
hY

is Xj mx

x
n

i
=

j=1

n
Y

h is Xj mx i
E e n x

j=1

ya que las variable Xj son independientes entre si. Como ademas todas las variables Xj tienen la
misma funcion de densidad,
n h is Xj mx ion n h is ion
W
CZ (s) = E e n x
= E e n
donde W =

Xmx
x

siendo X una cualquiera de las variables Xj .

Desarrollemos ahora e
e

is

W
n

is

W
n

en serie de Taylor alrededor del punto Wo = 0.

is
W 2 i2 s2 W 3 i3 s3 isn
e
=1+W +
+
,
2 n
3! n n
n

(, )

Tomando ahora esperanzas matematicas y observando que E[W ] = 0 y V ar[W ] = 1 obtenemos

h is i
1 h i3 s3 W 3 isn i
Rn
s2
s2
W

E e n
E

=1
e
=1
2n n
2n
n
6 n

Por tanto
h
s2
Rn in
CZ (s) = 1

2n
n
Tomando ahora lmites, y recordando que lm Rn = 0,
n

h
Rn in
s2
lm CZ (s) = lm 1

n
n
2n
n
Puede demostrarse (ver por ejemplo Lo`eve, 1976) que
h i3 s3 W 3 is i

lm Rn = lm E
e n =0
n
n
6 n
Y por consiguiente
h
h
s2
s2 in
s2 /2 in
lm CZ (s) = lm 1
= lm 1
= e 2
n
n
n
2n
n
A partir de aqu, vamos a calcular la funcion de densidad de Z (en el lmite). Recordando que la
relacion entre la funcion caracterstica y la funcion de densidad es
1
fX (x) =
2

eitx CX (t) dt

obtenemos
1
fZ (z) =
2

1
=
2

isz

"Z

1
=

s2

s2

1
ds =
2

s2

e 2 [cos(sz) + isen(sz)] ds =

Z
cos(sz) ds i lm

s2

e 2 cos(sz) ds =

a a

s2

sen(sz) ds =

z 2
z 2
1 1
1
2 e 2 =
e 2
2
2

Luego
z 2
1
fZ (z) =
e 2 ,
2

Observese que como Z =

lineal se obtiene

Yn my
y ,

en el lmite Z =

1
1
fY (y) =
e 2
2

Z (, )
Y m
,

ym 2

c.q.d

y operando sencillamente en esta relacion

Y (, )

que es la usualmente denominada distribucion normal con media m y desviacion tpica

REFERENCIA
Lo`
eve, M., Teora de la Probabilidad, Editorial Tecnos, Madrid, 1976