TEOREMA DEL L

IMITE CENTRAL
Sean X
1
, X
2
, ..., X
n
variables aleatorias continuas
independientes
igualmente distribuidas
con media y varianza nitas
Denamos la variable Y
n
=
n

j=1
X
j
y sea Z =
Y
n
m
y

y
, donde m
y
= E[Y
n
] y
2
y
= V ar[Y
n
].
Entonces, independientemente de la distribucion de las variables X
j
, se verica que
lm
n
f
Z
(z) =
1

2
e
z
2
/2
, < Z <
Demostracion
Obviamente, E[Z] = 0 y V ar[Z] = 1. Calculemos la funcion caracterstica, C
Z
(s) de la variable
aleatoria Z.
C
Z
(s) = E[e
isZ
] = E[e
is
Y
n
m
y

y
] (1)
Como Y
n
=
n

j=1
X
j
se verica que E[Y
n
] = nm
x
y, al ser las variables X
j
independientes,
V ar[Y
n
] = nV ar[X]. Operando en (1)
C
Z
(s) = E
_
e
is

_
X
j
m
x
_

n
x
_
= E
_
e
is

_
X
j
m
x
_

x
_
= E
_
n

j=1
e
is

n
X
j
m
x

x
_
=
n

j=1
E
_
e
is

n
X
j
m
x

x
_
ya que las variable X
j
son independientes entre si. Como ademas todas las variables X
j
tienen la
misma funcion de densidad,
C
Z
(s) =
_
E
_
e
is

n
X
j
m
x

x
__
n
=
_
E
_
e
is

n
W
__
n
donde W =
Xm
x

x
siendo X una cualquiera de las variables X
j
.
Desarrollemos ahora e
is

n
W
en serie de Taylor alrededor del punto W
o
= 0.
e
is

n
W
= 1 + W
is

n
+
W
2
2
i
2
s
2
n
+
W
3
3!
i
3
s
3
n

n
e
is

, (, )
Tomando ahora esperanzas matematicas y observando que E[W] = 0 y V ar[W] = 1 obtenemos
E
_
e
is

n
W
_
= 1
s
2
2n

1
n
E
_
i
3
s
3
W
3
6

n
e
is

_
= 1
s
2
2n

R
n
n
Por tanto
C
Z
(s) =
_
1
s
2
2n

R
n
n
_
n
Tomando ahora lmites, y recordando que lm
n
R
n
= 0,
lm
n
C
Z
(s) = lm
n
_
1
s
2
2n

R
n
n
_
n
Puede demostrarse (ver por ejemplo Lo`eve, 1976) que
lm
n
R
n
= lm
n
E
_
i
3
s
3
W
3
6

n
e
is

_
= 0
Y por consiguiente
lm
n
C
Z
(s) = lm
n
_
1
s
2
2n
_
n
= lm
n
_
1
s
2
/2
n
_
n
= e

s
2
2
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
f
X
(x) =
1
2
_

e
itx
C
X
(t) dt
obtenemos
f
Z
(z) =
1
2
_

e
isz
e

s
2
2
ds =
1
2
_

s
2
2
[cos(sz) + isen(sz)] ds =
=
1
2
_
_

s
2
2
cos(sz) ds i lm
a
_
a
a
e

s
2
2
sen(sz) ds
_
=
=
1

_

0
e

s
2
2
cos(sz) ds =
1

1
2

2 e
z
2
2
=
1

2
e
z
2
2
Luego
f
Z
(z) =
1

2
e
z
2
2
, Z (, ) c.q.d
Observese que como Z =
Y
n
m
y

y
, en el lmite Z =
Y m

, y operando sencillamente en esta relacion

lineal se obtiene
f
Y
(y) =
1

2
e

1
2
_
ym

_
2
, 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