Teorema Central del

Lmite

Teorema Central del Lmite

Autor: Prof. Gerardo Gastn Garca

Razn de ser: Beca de iniciacin a la investigacin, Nivel
I

Instituto Nacional
Pesquero

de

Investigacin

Mar del Plata, 28 de octubre de 2013.

Desarrollo

Introduccin:
En este trabajo se pretende un breve repaso de las distintas versiones
del Teorema central del lmite o Teorema del lmite central y sus
aplicaciones. En primer lugar se harn las interpretaciones y observaciones
en cada caso para luego aplicar esto a ejemplos puntuales. Por ltimo se
har una demostracin o ms bien un esquema de demostracin, ya que no
se quiere desarrollar una teora completa del TCL, intentar esto podra
elevar la complejidad y extender demasiado la monografa desvindose del
objetivo planteado.
De manera sencilla el teorema central del lmite indica que siempre que se
seleccione una muestra aleatoria de tamao n de cualquier distribucin con
esperanza y varianza , la media muestral

tiene una distribucin

que es aproximadamente normal con media y varianza /n. Cuanto

mayor sea el tamao de n, es decir, de la muestra mejor ser la
aproximacin a la distribucin normal. En muchos sitios se puede encontrar
que consideran como adecuado un n>30.
Una primera demostracin pero para una muestra aleatoria de Bernoulli fue
la de A. de Moivre a principios del siglo XVIII.
Aleksander Mikhailovich Lyapunov (1857-1918) dio en el ao 1901 una
demostracin en condiciones muy generales de este gran teorema. Esta
versin es para suma de variables aleatorias independientes pero que no
tienen por qu estar idnticamente distribuidas.
A principios de la dcada del 1920, J.W. Lindeberg y P. Lvy dieron la
demostracin para una muestra aleatoria de una distribucin arbitraria.
Con respecto a la denominacin Teorema central del lmite, central hace
referencia al lmite, como se ver ms adelante. Por esta razn muchos
autores prefieren llamarlo Teorema del lmite central.

Desarrollo:
A continuacin se enunciarn las tres versiones del teorema en el
orden histrico para hacerlo ms didctico.
Teorema 1. Teorema del lmite central para variables aleatorias de
Bernoulli.
Supngase que las variables aleatorias X1, X2, , Xn son
independientes y que X i tiene una distribucin de Bernoulli con parmetro pi

(i=1, 2, ). Supngase adems que la sucesin infinita

pi qi
i=1

es

divergente y sea
n

X i pi

i=1
Y n= i=1 n
1 /2
( pi q i )
i=1

Entonces para cualquier

xR

lim P ( Y n x )= ( x )

Siendo

la funcin de distribucin de la distribucin normal tipificada (o

estndar).
Ejemplo1
La variable tirar una moneda al aire sigue una distribucin de
Bernoulli. Ahora, se lanza una moneda al aire 100 veces, si sale cara le
damos el valor 1 y si sale cruz el valor 0. Cada lanzamiento es una variable
independiente que se distribuye segn el modelo de Bernoulli, con media
0,5 y varianza 0,25. Calcular la probabilidad de que en estos 100
lanzamientos salgan ms de 60 caras.
La variable suma de estas 100 variables independientes sigue
aproximadamente una distribucin normal por el TCL.

pi

= 100 * 0,5 = 50 (media de la variable suma)

i=1

pi qi

= 100 * 0,25 = 25 (varianza de la variable suma)

i=1

Para ver la probabilidad de que salgan ms de 60 caras calculamos la

variable normal tipificada equivalente:
100

X i50

Y 100 = i =1

Por lo tanto:
100

P(

Xi
i=1

6050
) = P (Y100>2) = 1- P (Y100 < 2) = 1 5

> 60) = P (Y100 >

0,9772 = 0,0228
Es decir, la probabilidad de que al tirar 100 veces la moneda salgan ms de
60 caras es tan slo del 2,28%.

Teorema 2. Teorema central del lmite para la suma de variables

aleatorias (Lyapunov)
Supngase
independientes

que
y

que

las

variables

aleatorias

E (| X ii| ) <

para

supngase que
n

E (|X i i| )
lim

i=1

3 /2

( )

i=1

2
i

Por ltimo, sea la variable aleatoria

n

X i i

Y n= i=1 n i=1
1/ 2
( 2i )
i=1

=0

(1)

X1,

X2,

i=1, 2, , n .

Xn

son

Adems,

Entonces, para cualquier nmero real x,

lim P ( Y n x )= ( x )

(2)

Observacin: El teorema dice que si se verifica la ecuacin (1), entonces

n

Xi

para cualquier valor grande de n, la distribucin de

i=1

ser

aproximadamente una distribucin normal con media

ui
i=1

y varianza

2i
i=1

Ejemplo 2
El gasto mensual de la familia Robles sigue una distribucin normal
de media de 6.000 pesos y varianza 500. Supongamos que el gasto de cada
mes es independiente del de los otros meses. Si el ingreso anual es de
74.000pesos, cul es la probabilidad de que no gasten ms de lo que
ganan por ao?
12

El gasto anual es la variable aleatoria

Xi
i=1

que por el TCL tiene una

distribucin aproximadamente normal con media 12*6.000 = 72.000 y

varianza 12*500 = 6.000
12

12

Entonces, P (

Xi
i=1

< 74.000) = P (

X i72.000
i=1

6.000

<

74.00072.000 ) = P
6000

(Z< 12,9099) =1
Por el TCL Z sigue aproximadamente una distribucin normal tipificada. El
resultado indica que es certero que no se va a gastar el total del ingreso
anual.
Teorema3.
Teorema central del lmite para la media muestral
(Lindeberg y Lvy)
Si las variables aleatorias X1, X2, , Xn constituyen una muestra
aleatoria de tamao n de una distribucin con media y varianza

0< 2< ), entonces para cualquier nmero real

x ,

lim P

1/ 2

( X n )

x = ( x )

(3)

Observaciones:

La interpretacin es: Si se selecciona una muestra aleatoria grande

de

cualquier

distribucin

con

media

varianza

independientemente de si esta distribucin es continua o discreta,

n )
n1/ 2 ( X

entonces la distribucin de la variable aleatoria

aproximadamente una distribucin normal tipificada.

Del teorema tambin se deduce que la distribucin de

con media y varianza

ser

X n es normal

2
n

La ecuacin (2) se reduce a la ecuacin (3) cuando las variables

aleatorias X1, X2, , Xn estn idnticamente distribuidas y existen los
momentos de orden 3 de las variables.

Ejemplo 3
Se selecciona una muestra aleatoria de tamao
uniforme sobre el intervalo (0,1).

|X 12| 0.1
n

n=12

de una distribucin

Se determinar el valor de P (

).

La media de la distribucin uniforme en el intervalo (0,1) es

varianza es

X n

1
12 . Dado

n=12

y la

se deduce del TCL que la distribucin de

ser aproximadamente una distribucin normal con media

varianza

1
2

1
144 .

1
2

 n 1
X
2
Por lo tanto la distribucin de la variable aleatoria

1
144

ser

aproximadamente una distribucin normal tipificada.

Entonces,
P(

|X 12| 0.1
n

)=P(

1
n 1 1 , 2
12 X n 1 ,2 ) = P [ 1 , 2 12 X
]=
2
2

( 1 ,2 ) (1 , 2 )=2 ( 1 ,2 )1=0 , 7698 .

Convergencia de las funciones generadoras de momentos

Antes de comenzar con la demostracin del TCL se va a enunciar un
teorema para tal fin.
Teorema 4
Sea X1, X2, una sucesin de variables aleatorias, y para cualquier entero
n, sea Fn la funcin de distribucin de X n y sea la funcin generadora de
momentos de Xn, Adems sea X* otra variable aleatoria con funcin de
distribucin F* y funcin generadora de momentos *. Supngase que
existen las funciones generadoras de momentos n y * (n=1, 2, ). Si

lim n ( t )=(t)

para todos los valores de t en un intervalo alrededor del

punto t=0, entonces las sucesin X1, X2, converge en distribucin a X*.
Nota: La demostracin a este teorema requiere tcnicas demasiado
avanzadas para ser presentadas aqu.

Demostracin del Teorema 3:

Supngase que las variables X1, X2,, Xn constituyen una muestra aleatoria
de tamao n de una distribucin con media y varianza

. Supngase

adems por conveniencia, que existe la f.g.m. (funcin generadora de

momentos) de esta distribucin, aunque el teorema central del lmite es
cierto an sin esta suposicin.

i=1, , n

Para

Y 1 , , Y n

sea

Y i=

X i

. Entonces las variables aleatorias

son independientes idnticamente distribuidas y cada una tiene

media 0 y varianza 1. Adems, sea

) 1 n
n 1/ 2 ( X
n
Zn=
= 1 /2 Y i .

n i =1
Z n converge en distribucin a una variable

Se demostrar ahora que

aleatoria con distribucin normal tipificada, como se indica en la ecuacin

Zn

(1), demostrando que la f.g.m. de

converge a la f.g.m. de la

distribucin normal tipificada.

Si

(t) denota la f.g.m. de cada variable aleatoria

Y i (i=1, , n) ,

entonces (*) resulta que la f.g.m. de la suma

Adems, por teorema resulta que la f.g.m.

Yi
i=1

n (t )

ser
de

[ (t)]
Zn

ser

[ ( )]

t
n ( t )= 1 /2
n

' ( 0 ) =E ( Y i )=0

En este problema

expansin en serie de Taylor de

(t)

'' ( 0 )=E ( Y 2i )=1 . Po tanto, la

alrededor del punto

t =0

tiene la

siguiente forma:

( t )= ( 0 ) +t ' ( 0 ) +

t '' ( ) t ' '' ( )

t t
0 + 0 +=1+ + ' ' ' ( 0 ) +
2!
3!
2 3!

Adems,

t2
t3
' ''
n ( t )= 1+ +
( 0 ) +
2n 3 ! n3 /2

En anlisis se demuestra que si el

lim an=b

entonces

para unos nmeros

an

y b,

an
=e b .
n

( )

lim 1+

Pero

3
t 2 t ' ' ' (0)
t2
lim +
+ =
2
n 2
3 ! n3 /2

Por lo tanto,
1

lim n ( t ) =e 2

(4)

La parte derecha de (4) es la f.g.m. de la distribucin normal tipificada, del

teorema 4 resulta que la distribucin asinttica de

Zn

debe ser la

distribucin normal tipificada.

Conclusiones:
o
o

El teorema de central del lmite garantiza una distribucin normal

cuando n es suficientemente grande.
El teorema central del lmite proporciona una explicacin plausible
para el hecho de que las distribuciones de las variables aleatorias de
muchos experimentos fsicos sean aproximadamente normales. Por
ejemplo la estatura de una persona est afectada por muchos
factores aleatorios. Si la estatura de cada persona se determina
sumando los valores de estos factores individuales, entonces la
distribucin de las estaturas de un gran nmero de personas ser
aproximadamente normal.
La gran importancia del teorema est ligada con las propiedades
matemticas de la distribucin normal. Si una muestra aleatoria es
seleccionada de una distribucin normal entonces, suelen obtenerse
explcitamente las distribuciones de varias funciones importantes de
las observaciones muestrales que adems resultan tener una forma
sencilla.
Existen diferentes versiones del teorema, en funcin de las
condiciones utilizadas para asegurar la convergencia. Como principal
diferencia, est si las variables deben ser idnticamente distribuidas
o no.
La aproximacin entre las dos distribuciones es, en general, mayor en
el centro de las mismas que en sus extremos o colas, motivo por el
cual se prefiere el nombre "teorema del lmite central" ("central"
califica al lmite).

Sitios web consultados:

1.
2.
3.
4.

http://es.wikipedia.org/wiki/Teorema_del_l%C3%ADmite_central
http://www.estadisticafacil.com/Main/TeoremaDelLimiteCentral
http://nutriserver.com/Cursos/Bioestadistica/Limite_Central.html
http://www.fisicanet.com.ar/matematica/estadisticas/ap01_teorema_li
mite_central.php
5. http://es.scribd.com/doc/26612892/Teorema-Limite-Central

Bibliografa:
1. DeGroot M. Probabilidad y estadstica. Segunda Edicin,
Wilmington: Addison-Wesley Iberoamericana S.A., 1988. 694 p.

10