El teorema del límite central o teorema central del límite (el nombre viene de un documento científico

escrito por George Pólya en 1920, titulado Über den zentralen Grenzwertsatz der
Wahrscheinlichkeitsrechnung und das Momentenproblem[1] [Sobre el «teorema del límite»
(Grenzwertsatz) central del cálculo probabilístico y el problema de los momentos] por lo que lo central
[importante] es el teorema, no el límite) indica que, en condiciones muy generales, si Sn es la suma de n
variables aleatorias independientes y de varianza no nula pero finita, entonces la función de distribución
de Sn «se aproxima bien» a una distribución normal (también llamada distribución gaussiana, curva de
Gauss o campana de Gauss). Así pues, el teorema asegura que esto ocurre cuando la suma de estas
variables aleatorias e independientes es lo suficientemente grande.[2][3]

Definición

Editar

Sea {\displaystyle {\mathcal {N}}(\mu ,\sigma ^{2})} {\displaystyle {\mathcal {N}}(\mu ,\sigma ^{2})} la
función de densidad de la distribución normal definida como[2]

{\displaystyle f_{\mu ,\sigma ^{2}}(x)={\tfrac {1}{\sqrt {2\pi \sigma ^{2}}}}\;e^{-{\frac {(x-\mu )^{2}}
{2\sigma ^{2}}}},} {\displaystyle f_{\mu ,\sigma ^{2}}(x)={\tfrac {1}{\sqrt {2\pi \sigma ^{2}}}}\;e^{-{\frac
{(x-\mu )^{2}}{2\sigma ^{2}}}},}

con una media µ y una varianza σ2. El caso en el que su función de densidad sea {\displaystyle {\mathcal
{N}}(0,1)} {\displaystyle {\mathcal {N}}(0,1)}, a la distribución se le conoce como normal estándar.

Se define Sn como la suma de n variables aleatorias, independientes, idénticamente distribuidas, y con

una media µ y varianza σ2 finitas (σ2≠0):

{\displaystyle S_{n}=X_{1}+\cdots +X_{n}\,} {\displaystyle S_{n}=X_{1}+\cdots +X_{n}\,}

de manera que, la media de Sn es n·µ y la varianza n·σ2, dado que son variables aleatorias
independientes. Con tal de hacer más fácil la comprensión del teorema y su posterior uso, se hace una
estandarización de Sn como
{\displaystyle Z_{n}\ =\ {\frac {S_{n}-n\mu }{\sigma {\sqrt {n}}}}} {\displaystyle Z_{n}\ =\ {\frac {S_{n}-
n\mu }{\sigma {\sqrt {n}}}}}

para que la media de la nueva variable sea igual a 0 y la desviación estándar sea igual a 1. Así, las
variables Zn convergerán en distribución a la distribución normal estándar N(0,1), cuando n tienda a
infinito. Como consecuencia, si Φ(z) es la función de distribución de N(0,1), para cada número real z:

{\displaystyle \lim _{n\to \infty }\operatorname {Pr} (Z_{n}\leq z)=\Phi (z)\,} {\displaystyle \lim _{n\to
\infty }\operatorname {Pr} (Z_{n}\leq z)=\Phi (z)\,}

donde Pr( ) indica probabilidad y lim se refiere a límite matemático.

Enunciado formal

Editar

De manera formal, normalizada y compacta el enunciado del teorema es:[4]

Teorema del límite central: Sea {\displaystyle {X_{1}}} {\displaystyle {X_{1}}}, {\displaystyle {X_{2}}}
{\displaystyle {X_{2}}}, ..., {\displaystyle {X_{n}}} {\displaystyle {X_{n}}} un conjunto de variables
aleatorias, independientes e idénticamente distribuidas con media μ y varianza {\displaystyle 0<\sigma
^{2}<\infty } {\displaystyle 0<\sigma ^{2}<\infty }. Sea

{\displaystyle S_{n}=X_{1}+\cdots +X_{n}\,} {\displaystyle S_{n}=X_{1}+\cdots +X_{n}\,}

Entonces

{\displaystyle \lim _{n\to \infty }\Pr \left({\frac {S_{n}-n\mu }{\sigma {\sqrt {n}}}}\leq z\right)=\Phi (z)\,}
{\displaystyle \lim _{n\to \infty }\Pr \left({\frac {S_{n}-n\mu }{\sigma {\sqrt {n}}}}\leq z\right)=\Phi (z)\,}.

Es muy común encontrarlo con la variable estandarizada Zn en función de la media muestral

{\displaystyle {\overline {X}}_{n}} {\displaystyle {\overline {X}}_{n}},
{\displaystyle {\frac {{\overline {X}}_{n}-\mu }{\sigma /{\sqrt {n}}}},} {\displaystyle {\frac {{\overline
{X}}_{n}-\mu }{\sigma /{\sqrt {n}}}},}

puesto que son equivalentes, así como encontrarlo en versiones no normalizadas como puede ser:[5][6]

Teorema (del límite central): Sea {\displaystyle {X_{1}}} {\displaystyle {X_{1}}}, {\displaystyle {X_{2}}}
{\displaystyle {X_{2}}}, ..., {\displaystyle {X_{n}}} {\displaystyle {X_{n}}} un conjunto de variables
aleatorias, independientes e idénticamente distribuidas de una distribución con media μ y varianza
σ2≠0. Entonces, si n es suficientemente grande, la variable aleatoria

{\displaystyle {\bar {X}}={\frac {1}{n}}\sum _{i=1}^{n}X_{i}} {\displaystyle {\bar {X}}={\frac {1}{n}}\sum

_{i=1}^{n}X_{i}}

tiene aproximadamente una distribución normal con {\displaystyle \mu _{\bar {X}}=\mu }
{\displaystyle \mu _{\bar {X}}=\mu } y {\displaystyle \sigma _{\bar {X}}^{2}={\frac {\sigma ^{2}}{n}}}
{\displaystyle \sigma _{\bar {X}}^{2}={\frac {\sigma ^{2}}{n}}}.

Nota: es importante remarcar que este teorema no dice nada acerca de la distribución de {\displaystyle
{X_{i}}} {\displaystyle {X_{i}}}, excepto la existencia de media y varianza.[5]