Ley de los grandes nmeros En la teora de la probabilidad, bajo el trmino genrico de La ley de los grandes nmeros se engloban varios

teoremas que describen el comportamiento del promedio de una sucesin devariables aleatorias conforme aumenta su nmero de ensayos. Estos teoremas prescriben condiciones suficientes para garantizar que dicho promedio converge (en los sentidos explicados abajo) al promedio de las esperanzas de las variables aleatorias involucradas. Las distintas formulaciones de la ley de los grandes nmeros (y sus condiciones asociadas) especifican la convergencia de formas distintas. Las leyes de los grandes nmeros explican por qu el promedio de una muestra al azar de una poblacin de gran tamao tender a estar cerca de la media de la poblacin completa. Cuando las variables aleatorias tienen una varianza finita, el teorema central del lmite extiende nuestro entendimiento de la convergencia de su promedio describiendo la distribucin de diferencias estandarizadas entre la suma de variables aleatorias y el valor esperado de esta suma: sin importar la distribucin subyacente de las variables aleatorias, esta diferencia estandarizada converge a una variable aleatoria normal estndar. La frase "ley de los grandes nmeros" es tambin usada ocasionalmente para referirse al principio de que la probabilidad de que cualquier evento posible (incluso uno improbable) ocurra al menos una vez en una serie, incrementa con el nmero de eventos en la serie. Por ejemplo, la probabilidad de que un individuo gane la lotera es bastante baja; sin embargo, la probabilidad de quealguien gane la lotera es bastante alta, suponiendo que suficientes personas comprasen boletos converge en probabilidad a . En otras palabras, para cualquier nmero positivo se tiene

[editar]Ley fuerte La ley fuerte de los grandes nmeros establece que si X1, X2, X3, ... es una sucesin infinita de variables aleatorias independientes e idnticamente distribuidas que cumplen E(|Xi|) < y tienen el valor esperado , entonces

es decir, el promedio de las variables aleatorias converge a casi seguramente (en un conjunto de probabilidad 1). Esta ley justifica la interpretacin intuitiva de que el valor esperado de una variable aleatoria como el "promedio a largo plazo al hacer un muestreo repetitivo".

Demostracin (resultado preliminar)[ocultar] Demostraremos el siguiente resultado: Sea una sucesin de variables aleatorias

independientes e integrables con

(esperanza 0) y

; entonces, el

promedio casi seguramente cuando . Este teorema no asume que las variables aleatorias son idnticamente distribuidas pero controla el crecimiento de las varianzas. Para demostrar el teorema haremos uso del siguiente lema: Desigualdad Maximal. Sean sean cumplen y constantes positivas que para cada i. Luego variables aleatorias independientes y

Demostracin del lema: Sean la variable aleatoria

. Definamos asimismo

Tenemos entonces:

Ahora bien, si

entonces implica que

por ende:

con lo que se concluye el lema. (Fin demostracin del lema) Sigamos con la demostracin del teorema: Definamos

Tenemos entonces que la serie

es convergente pues:

La convergencia c.t.p. que asegura el teorema es equivalente a:

Por el lema de Borel-Cantelli, es suficiente demostrar que, para todo

( 1) Cada probabilidad en la suma anterior puede ser acotada por:

Ahora se aplica la desigualdad maximal:

La ltima desigualdad de la lnea anterior se justifica por la desigualdad de Chebyshev. Una nueva aplicacin de esta misma desigualdad nos permite acotar los :

Es decir, hemos logrado acotar cada sumando de la (1) por una constante por los trminos de una sumatoria que sabemos convergente, demostrando la convergencia de dicha sumatoria y concluyendo via Borel-Cantelli la convergencia fuerte del teorema. (Fin de la demostracin)

Demostracin de la ley fuerte de los grandes nmeros (Kolmogorov)[ocultar] Sea una sucesin de variables aleatorias independientes, integrables e idnticamente

distribuidas con seguramente cuando Definamos que representante, digamos

(esperanza 0), entonces, el promedio . y . Tenemos

casi

. Adems, usando la hiptesis de distribuciones genrica por un . Tenemos entonces:

idnticas, podemos en general reemplazar (no siempre) una distribucin

(1) La ltima convergencia a cero viene dada por la convergencia puntual ms convergencia dominada por . Tambin tenemos que:

(2) La tercera igualdad viene de que para cualquier variable aleatoria se cumple que:

La (2) implica, por Borel-Canteli, que el conjunto probabilidad cero. Por lo tanto, en un conjunto de probabilidad 1 se cumple:

tiene

(3) De la desigualdad podemos deducir que:

Por el teorema anteriormente demostrado tenemos:

(4) casi seguramente. Como adems tenemos que:

Entonces, de las ecuaciones (1), (3) y (4) se deduce que puntos, concluyendo el teorema.

en casi en todos los

Ley de los Grandes Nmeros Se considera el primer teorema fundamental de la teora de la probabilidad. Bsicamente el teorema establece que la frecuencia relativa de los resultados de un cierto experimento aleatorio, tienden a estabilizarse en cierto nmero, que es precsamente la probabilidad , cuando el experimento se realiza muchas veces. Una demostracin terica del teorema es laboriosa, por lo que no tiene sentido exponerla en esta pgina. Si alguien est interesado en una demostracin tanto de este teorema cmo del Teorema Central del Lmite puede mirar en : Introduction to probability que es un libro de introduccin a la probabilidad, disponible en lnea, de forma totalmente gratuita. El nico inconveniente es que est en ingls. Aqu nos conformaremos con simular un experimento aleatorio, que nos aproxime de una manera intuitiva a los resultados que establece el teorema. El experimento que vamos a simular es el de dar un golpe a una bola de billar situada en la mesa de juego, en el sentido que indica la flecha, y medir la distancia desde el extremo izquierdo de la mesa al punto en el que la bola se detiene.

Si la mesa, tiene 1 metro de longitud, el resultado del experimento, puede tomar cualquier valor comprendido entre cero y uno. Sabemos que el espacio muestral que resulta de este experimento es un espacio muestral continuo. Para simplificar la simulacin, podemos considerar la longitud de la mesa de billar, dividida en 10 partes iguales. Consideraremos que el resultado del experimento es que la bola se detenga en alguna de las 10 partes. En este caso los posibles resultados son 10 y como todos los resultados tienen la misma posibilidad, estamos ante un espacio de probabilidad discreto y equiprobable. La simulacin consiste en que el ordenador genere aleatoriamente un nmero comprendido entre 0 y 1, que representar la distancia a la que se detiene la bola de billar. La probabilidad de que este nmero caiga en el primer intervalo es 1/10, lo mismo en cada uno de los intervalos restantes. El experimento va a consistir en repetir 10 veces el golpe a la bola. Sobre un sistema de referencia, colocamos, sobre el eje XX, los 10 intervalos en que hemos dividido la longitud de la mesa de billar, y sobre el eje YY las frecuencias relativas de cada uno de estos intervalos, veremos cmo las frecuencias relativas, varan de una ejecucin del experimento a otra. Pero si aumentamos el nmero de veces que golpeamos la bola a 20, 30 y as sucesivamente, observaremos que las frecuencias relativas de cada intervalo tienden a estabilizarse en torno a 0,1, que es la probabilidad que asignamos a que la bola se detenga en uno de los intervalos. Este es el resultado que demuestra el teorema conocido cmo : Ley de los Grandes Nmeros

Para realizar la simulacin del experimento slo tenemos que escribir el nmero de veces que queremos golpear la bola, por defecto 10, y hacer click en el botn de "Ejecutar". Simulacin del experimento Teorema Central del Lmite Es el segundo teorema fundamental de la teora de la probabilidad. El Teorema Central del Lmite establece lo que pasa cuando tenemos la suma de un gran nmero de variables aleatorias independientes. Por ejemplo si en el experimento anterior en lugar de considerar una bola, consideramos 10 bolas y el experimento consiste en calcular la media de las distancias a la que se detiene cada una de las bolas.

Como hemos visto , la distribucin de probabilidades cuando el experimento se realiza sobre una bola es uniforme ; las probabilidades son las mismas para cada resultado. Si en lugar de una bola consideramos varias y en lugar de las distancias individuales consideramos la media, aparecen otras distribuciones. Si aumentamos el nmero de bolas con que realizamos el experimento por encima de 30. La distribucin de las medias es muy aproximadamente una Distribucin Normal. Este es el resultado que establece el Teorema Central del Lmite. Para realizar la simulacin que se propone a continuacin, slo tenemos que poner el nmero de bolas con el que queremos realizar el experimento (para

calcular la media), entre 10 y 50, y el nmero de veces que queremos repetir el experimento, entre 10 y 1000. Despues hacer click en el botn: Ejecutar. En la simulacin debemos observar cmo a medida que aumenta el nmero de bolas la distribucin de probabilidades tiende a una Distribucin Normal y como a medida que aumentamos el nmero de veces que repetimos el experimento, las frecuencias relativas tienden a estabilizarse.