TEOREMA DEL L

IMITE CENTRAL

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

independientes
igualmente distribuidas
con media y varianza finitas
n
X Yn my 2
Definamos la variable Yn = Xj y sea Z = y , donde my = E[Yn ] y y = V ar[Yn ].
j=1
Entonces, independientemente de la distribucion de las variables Xj , se verifica que

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

Demostraci
on

Obviamente, E[Z] = 0 y V ar[Z] = 1. Calculemos la funcion caracterstica, CZ (s) de la variable

aleatoria Z. Y m n y
is
CZ (s) = E[eisZ ] = E[e y
] (1)
n
X
Como Yn = 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)

P P
h Xj mx i h is Xj mx i hY
n
is Xj mx i n
Y h is Xj mx i
is
CZ (s) = E e nx =E e n x =E e n x = E e n x
j=1 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
Xmx
donde W = x siendo X una cualquiera de las variables Xj .
is
W
Desarrollemos ahora e n en serie de Taylor alrededor del punto Wo = 0.
is
W is W 2 i2 s2 W 3 i3 s3 isn
e n =1+W + + e , (, )
n 2 n 3! n n

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

h is i s2 1 h i3 s3 W 3 isn i s2 Rn
W
E e n =1 E e =1
2n n 6 n 2n n
Por tanto

h s2 Rn in
CZ (s) = 1
2n n
Tomando ahora lmites, y recordando que lm Rn = 0,
n

h s2 Rn in
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 s2 in h s2 /2 in s2
lm CZ (s) = lm 1 = lm 1 = e 2
n n 2n n 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
Z
1
fX (x) = eitx CX (t) dt
2

obtenemos
Z Z
1 isz
2
s2 1 s2
fZ (z) = e e ds = e 2 [cos(sz) + isen(sz)] ds =
2 2
"Z Z #
a
1 2
s2
2
s2
= e cos(sz) ds i lm e sen(sz) ds =
2 a a
Z
1 s2 1 1 z 2 1 z 2
= e 2 cos(sz) ds = 2 e 2 = e 2
0 2 2
Luego

1 z 2
fZ (z) = e 2 , Z (, ) c.q.d
2
Yn my Y m
Observese que como Z = y , en el lmite Z = , y operando sencillamente en esta relacion
lineal se obtiene

ym 2
1 1
fY (y) = e 2 , Y (, )
2
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