6.4.

EL TEOREMA CENTRAL DEL LÍMITE 99

Xg

Xc

5 5.25

Figura 6.7: peso de un pollo de granja y peso de un pollo de criadero


normal

Xg ∼ µg = µx + µx = 2µx = 2.5 + 2.5 = 5

 2
σg = σx2 + σx2 = 2σx2 = (0.25)2 + (0.25)2 = 0.125
se requiere calcular P (Xg > Xc ) = P (Xg − Xc > 0) , llamando W = Xg − Xc por (ii) es

normal

W ∼ µw = 1µg + (−1)µc = 5 − 5.25 = −0.25

 2
σw = 12 σg2 + (−1)2 σc2 = 0.125 + 0.2225 = 0.3475
 
0 − (−025)
P (Xg > Xc ) = P (Xg − Xc > 0) = P (W > 0) = P Z > √ = P (Z > 0,42) = 0.335
0.3475
El 33.5 % de las cajas con dos pollos de granja pesan más que una caja con un pollo de cada clase.

6.4. El teorema central del lı́mite

Consideremos la suma Sn = X1 + X2 + · · · + Xn de n variables aleatorias independientes e idénticamente
distribuı́das (tienen la misma función densidad) con media µ y variancia σ 2 . El significado de esta suma
es como se ha estudiado en el ejemplo(64) inciso (c). Calculamos la media y la variancia de Sn

E(Sn ) = E(X1 + X2 + · · · + Xn ) = E(X1 ) + · · · + E(Xn ) = nµ (6.1)

2
V (Sn ) = V (X1 + X2 + · · · + Xn ) = V (X1 ) + · · · + V (Xn ) = nσ (6.2)

que se siguen de las igualdades (5.2) y (5.3) de la sección h5.2i

Al estandarizar esta variable, es decir, al hacer el cambio de variable
X − µx X1 + X2 + · · · + Xn − nµ
Zn = = √
σx σ n
resulta que la media y la variancia de Zn son
E(X1 + X2 + · · · + Xn ) − nµ nµ − nµ
E(Zn ) = √ = √ =0 (6.3)
σ n σ n
nσ 2
 
X1 + X2 + · · · + Xn − nµ V (X1 + X2 + · · · + Xn )
V (Zn ) = V √ = 2
= =1 (6.4)
σ n nσ nσ 2

la validez de esta última surge de la propiedad(2.8). El teorema central del lı́mite dice que Zn que es
una suma de variables se aproxima a una variable normal estándar
100 CAPÍTULO 6.

6.4.1. Teorma central del lı́mite

Sea X1 , X2 , · · · , Xn una secuencia de variables aleatorias idénticamente distribuı́das con media µ y
variancia σ 2 y sea
X1 + X2 + · · · + Xn − nµ
Zn = √
σ n
entonces, la función de distribución de Zn converge a la función de distribución de la variable normal
estándar Z Z z
1 1 2
F (Z = z) = √ e− 2 x dx
σ 2π −∞
en el sentido que

lı́m P (Zn ≤ z) = F (Z = z) lo que significa que P (Zn ≤ z) ' F (Z = z)

n→∞

El teorema central del lı́mite es sorprendentemente general. Excepto la independencia de las variables
y que la media y la variancia son finitas, no exige ningún otro requisito acerca de la distribución de X
que tanto puede ser discreta como continua o mixta. Este teorema es de enorme importancia por razones,
tanto conceptuales como prácticas. Del lado conceptual indica que la suma de un gran número de variables
aleatorias independientes es aproximadamente normal y como tal, se aplica en muchas situaciones en las
que un efecto aleatorio es el resultado de la suma de un gran número de factores aleatorios independientes.
Por el lado de lo práctico, el teorema elimina la necesidad de modelos probabilı́sticos detallados y de
manipulaciones tediosas para determinar funciones de densidad y/o de distribución de probabilidad.
Sencillamente permite el cálculo de probabilidades que se refieren a la tabla de la distribución normal
estándar, además, estos cálculos sólo requieren el conocimiento de la media y de la variancia de X y es
suficiente en general, la suma de 30 variables para que la aproximación sea razonable. Si las variables
que se suman tienen una función densidad simétrica, con muchas menos es suficiente. Por ejemplo, si se
suma variables uniformes, con cuatro o cinco ya es suficiente para que la variable suma se aproxime muy
bien por una variable normal. El teorema permite calcular probabilidades relacionadas con Zn como si
Zn fuera una variable normal estándar, ya que según la sección(6.3)inciso(ii) la “normalidad”se preserva
por transformaciones lineales, esto equivale a tratar a Sn como una variable normal con media nµ y
variancia nσ 2 según se desprende de (6.1) y (6.2)
Ejemplo 65. Se carga un avión con 100 paquetes cuyos pesos son variables aleatorias independientes
uniformemente distribuı́das entre 5 y 50 Kg. Cuál es la probabilidad que el peso total exceda los 3000
Kg.?
No es sencillo calcular la distribución de probabilidad del peso total y la probabilidad requerida, pero
una respuesta aproximada se puede obtene rápidamente usando el teorema.
Si X es el peso de un paquete, queremos calcular P (S100 > 3000) donde S100 es la suma de los pesos de
100 paquetes, es decir
S100 = X1 + X2 + · · · + X100
La media y la variancia de cada paquete son

5 + 50 (50 − 5)2
µ= = 27.5 σ2 = = 168.75
2 12
Ası́, por el teorema central del lı́mite

normal

S100 ' µS100 = 100µ = 100(27.5) = 2750

 2
σS100 = 100σ 2 = 100(168.75) = 16875

 
3000 − 2750
y P (S100 > 3000) ' P Z> √ = P (Z > 1.92) = 1 − F (Z = 2) = 0.0274
16875
6.4. EL TEOREMA CENTRAL DEL LÍMITE 101

Ejemplo 66. El peso de una batata es una variable aleatoria con función densidad de probabilidad
( 2
3x
3 0 ≤ x ≤ 30
f (X = x) 30
0 ∀ otro x

Se envasan 10 batatas por lata y se completa con almı́bar hasta los 300 gramos.

i) calcular la probabilidad que una lata tenga menos de 200 gramos de batata.
Definimos S10 = Peso de 10 batatas S10 = X1 + X2 + · · · + X10
Quizá no sea tan bueno en este caso usar una variable normal en reemplazo de la densidad de
la suma, ya que son solo 10 las variables que se suman y la función densidad del peso no es una
variable simétrica. La alternativa es la ingrata tarea de hallar la función de distribución del peso de
10 batatas, es decir, la distribución de probabilidad de S10

normal

S10 ' µS10 = 10µx

 2
σS10 = 10σx2

donde la media y la variancia del peso de una batata son los siguientes:
30 30
3x3 3x4
Z Z
45 135
µx = 3
dx = = 22.5 σx2 = 3
dx − µ2x = = 33.75
0 30 2 0 30 4
√

ası́ resulta S10 ∼ N 225, 337.5 gr.

3 x2
fHxL=
30 3

5 10 15 20 25 30 180 200 225 250 270

Figura 6.8: densidad del peso de una batata y aproximación a la distribución de probabilidad del peso
de 10 batatas por una variable normal usando el teorema central del lı́mite

 
200 − 225
P (S10 < 200) ' P Z< √ = P (Z < −1.36) = 0.087
337.5

ii) calcular la probabilidad que una lata tenga más de 50 gramos de almı́bar y hallar la función de
densidad de la cantidad de almı́bar en la lata y su media.
Sea Y =cantidad de almı́bar en la lata, entonces Y = 300 − S10
para hallar la función densidad de la cantidad de almı́bar en la lata, es más sencillo que rea-
lizar el cambio de variable, recordar que un cambio de variable lineal conserva la normalidad
(secciónh6.3i(i)). Resulta entonces que Y es una variable normal con media y variancia

µy = 300 − µS10 = 300 − 225 = 75 σy2 = σS2 10 = 337.5 ambas igualdades porh6.3iinciso(i)
 
50 − 75
y entonces P (Y > 50) = P Z > √ = P (Z > −1.36) = 0.913
337.5
102 CAPÍTULO 6.

Si solo se requiere calcular una probabilidad, no es necesario realizar el cambio de variable, basta
con conocer la densidad de S10 y la relación funcional Y = ϕ(s) = 300 − S10
 
250 − 225
P (Y > 50) = P (300 − S10 > 50) = P (S10 < 250) = P Z < √ = P (Z < 1.36) = 0.913
337.5

iii) la batata elaborada cuesta $0.10 el gramo.

el almı́bar cuesta $0.02 el gramo
el costo de cada envase es $1.20
Hallar la función densidad de probabilidad del costo de una lata y la del precio de venta de una
lata si se quiere ganar 20 %

Sea C el costo del producto, C = 0.1S10 + 0.02 Y + 1.20. Calcular la media de C no ofrece inconveniente

µc = 0.1µS10 + 0.02µy + 1.20 = 0.1(225) + 0.02(75) + 1.20 = 25.20

pero el cálculo de la variancia sı́ ya que S10 e Y no son variables independientes, por lo que no es correcto
calcular la variancia del costo como σc2 = (0.1)2 σS2 10 + (0.02)2 σy2 . Es necesario expresar Y en términos
de S10 y el costo en función de una sola variable.

C = 0.1S10 + 0.02(300 − S10 ) + 1.20 = 0.08S10 + 7.20

y se sigue nuevamente de h6.3iinciso(i) que C es una variable normal con media y variancia

µc = (0.08)µs10 + 7.20 = 0.08(225) + 7.20 = 25.20 σc = (0.08)2 σs210 = (0.08)2 (337.5) = 2.16
√
esto es, C ∼ N (25.20, 2.16)pesos.

De igual manera resulta definiendo W =ganancia; W =1.20 C

µw = 1.20µc = 1.20(25.20) = 30.24 σw = (1.20)2 σc2 = (1.20)2 (2.16) = 3.1104

√
ası́, W ∼ N (30.24, 3.1104)pesos.
Ejemplo 67. Se tiene un producción de bombones donde el 70 % son de fruta y el 30 % son de licor.
El peso de los de fruta es uniforme (7,13) y el peso de los de licor es uniforme (9,21), ambos pesos
expresados en gramos.

a) Se arman cajas con 15 bombones elegidos al azar. Calcular la probabilidad que una caja tenga 3 de
licor.
b) Se arman cajas con 12 de fruta y 3 de licor. Calcular la probabilidad que la caja pese menos de 170
gramos.
c) Cuál es la probabilidad que una caja que tiene 12 de fruta y tres de licor pese más que una caja que
tiene 12 de licor y 3 de fruta?
d) Hallar la probabilidad que una caja con 15 bombones pese menos de 170 gramos
e) Cuál es el peso a etiquetar en cada caja con 15 bombones para que satisfaga la norma del 3 %?
f) Cuál es el peso de de las cajas que tienen 15 bombones?

(a) La variable r=cantidad de bombones de licor en la caja es claramente binomial:

 
15
r ∼ b(n = 15, p = 0.3) y P (r = 3) = (0.3)3 (0.7)12 = 0.17
3
6.4. EL TEOREMA CENTRAL DEL LÍMITE 103

(b) El peso de una caja con 3 de licor y 12 de fruta es una variable X = XL1 +XL2 +XL3 +XF1 +· · ·+XF12
donde XL es la variable peso de un bombón de licor y XF es el peso de un bombón de fruta,
ası́ XL ∼ U (9, 21) y XF ∼ U (7, 13), luego por el teorema central del lı́mite el peso de la caja es
aproximadamente una variable normal

normal

X ∼ µx = 3µL + 12µF = 3(15) + 12(10) = 165

 2 2
σx = 3σL + 12σF2 = 3(12) + 12(3) = 72
 
170 − 165
P (X < 170) = P Z< √ = P (Z < 0.59) = F (Z = 0.59) = 0.722
72
(c) El peso de una caja con 12 de licor y 3 de fruta es una variable Y = XL1 +· · ·+XL12 +XF1 +XF2 +XF3

normal

Y ∼ µx = 12µL + 3µF = 12(15) + 3(10) = 210

 2 2
σx = 12σL + 3σF2 = 12(12) + 3(3) = 153

que una caja que tiene 12 de fruta y tres de licor pese más que una caja que tiene 12 de licor y 3 de
fruta significa X > Y o lo que es igual, que X − Y > 0. Dado que X e Y son variables normales, la
suma es también una variable normal (secciónh6.3-iii) ası́,

normal

X − Y = W ∼ µw = µx + µy = 165 − 210 = −45

 2
σx = σx2 + σy2 = 72 + 153 = 225
 
0 − (−45)
P (X > Y ) = P (X − Y > 0) = P (W > 0) = P Z > √ = P (Z > 3) = 0.00135
225
(d) A diferencia del item anterior, ahora no se sabe cuantos bombones de cada tipo se colocan en la caja.
Para hallar la densidad requerida, buscamos primero la función densidad del peso de un bombón y
luego usamos el teorema central del lı́mite sumando 15 variables.
Sea Xb el peso de un bombón, entonces usando el concepto de probabilidad total para variables
continuas (mezcla), según (4.2) es

f (Xb = x) = (0.3)f (XL = x) + (0.7)f (XF = x)

no es necesario explicitar esta función para utilizar el teorema central del lı́mite, basta con conocer
la media y la variancia del peso de un bombón, que son respectivamente

µb = (0.3)µL + (0.7)µF = (0.3)(15) + (0.7)(10) = 11.5 por (4.3)

σb2 = (0.3)σL
2
+ (0.7)σF2 + (0.3)(0.7)(µL − µF )2 por (4.4)
2
= (0.3)(12) + (0.7)(3) + (0.3)(0.7)(5) = 10.95

Ahora definimos Xc =peso de 15 bombones; Xc = Xb1 + · · · + Xb15 y por el teorema central del lı́mite
resulta 
normal

Xc ∼ µc = 15µb = 15(11.5) = 172.5

 2
σc = 15σb2 = 15(10.95) = 164.25
 
170 − 172.5
y P (X < 170) = P Z < √ = P (Z < −0.195) = F (Z = −0.195) = 0.4227
164.25
(e) Se necesita el valor de Xc que acumula un área de 3 %: P (Xc < x0 ) = 0.03.
104 CAPÍTULO 6.

 
x0 − µb
P (Xc < x0 ) = P Z<
σb
 
x0 − 172.5
=P Z< √
164.25
= 0.03
0.03
El valor de la variable normal estándar Xc
que satisface es z = −1.88, de modo que x 0 =148.4 172.5
Z
√ z0 =-1.88 0
x0 = 172.5 + (−1.88) 164.25 = 148.4

Si se imprime en cada caja con 15 bombones elegidos al azar que el peso es de 148.4 gr., aproxima-
damente el 3 % de las cajas no verifica el requerimiento (pesa menos que ese valor).
√

(f) Dado que el peso de la caja con 15 bombones es una variable normal, Xc ∼ N 172.5, 164.25 gr., de
lo visto en la sección(6.2.2) en un intervalo de 4 desvı́os de la media se√
encuentran todos los
√ valores
de la variable, es decir, las cajas de 15 bombones pesan entre 172.5 − 4 164.25 y 172.5 + 4 164.25,
en consecuencia se puede decir que las cajas pesan entre 121.24 y 223.76 gramos.