P. 1
Teorema Del Limite Central

Teorema Del Limite Central

5.0

|Views: 1.504|Likes:
Publicado porArnoldo Ordonez

More info:

Published by: Arnoldo Ordonez on Oct 21, 2010
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOCX, PDF, TXT or read online from Scribd
See more
See less

06/09/2013

pdf

text

original

Principio del formulario

00052628706139 FORID:10

UTF-8

Search

w w w .w orldlingo
Final del formulario

Archivo multi-idioma
Accionado por WorldLingo

Teorema de límite central
Página principal › Índice multilingüe del archivo › Teorema de límite central

Elija su lengua: ish | Français | Español | Italiano | Português | Deutsch | Nederlands | Svenska | Ελληνικά | Русский | 한국어 | 日本語 | 简体中文 體中文 | ‫العربية‬

4. Gnedenko y Kolmogorov estados.1 Funciones de la densidad 2.. Lyapunov condición.1 Proceso de señal 4 Usos y ejemplos 5 Vea también 6 Notas . Para otras generalizaciones para la variación finita que no requieran la distribución idéntica.3 Carencia de la distribución idéntica   3.3 Relación a la ley de números grandes 2.4 Carencia de la independencia 4. vea Lindeberg condición. Formalmente.3. Contenido • • 1 Historia 2 Teorema de límite central clásico ○ ○ ○ ○ 2.1 Condición de Lyapunov 3.2 Condición de Lindeberg ○ • • • ○ 3. Puesto que muchas poblaciones verdaderas rinden distribuciones con finito variación.4 Declaraciones alternativas del teorema   2.2 Productos de variables al azar positivas 3.1 Prueba del teorema de límite central 2. esto explica el predominio de la distribución normal de la probabilidad. a teorema de límite central es cualquiera de un sistema de débilconvergencia resultados adentro teoría de las probabilidades. o la curva acampanada) si las variables al azar tienen a finito variación.Teorema de límite central teorema de límite central (CLT) estados esos la suma de una gran cantidad variables al azar independientes e idéntico-distribuidas esté aproximadamente distribuido normalmente (es decir.1 Teorema de límite central multidimensional 3.3.2 Funciones características • 3 Extensiones al teorema ○ ○ ○ 3.4.2 Convergencia al límite 2. siguiendo una distribución Gaussian. Todos expresan el hecho de que cualquier suma de muchas variables al azar idénticamente distribuidas de la independiente tenderá para ser distribuida según una “distribución particular del attractor”.

cuando. en 1901. que fue publicada en 1812. Hoy en día. trabajo foundational de Laplace que detalla. Lévy. que. La primera versión de este teorema fue postulada por el matemático Francés-llevado Abraham de Moivre. el teorema de límite central se considera ser el soberano oficioso de la teoría de las probabilidades. y Cramér durante los años 20.T. Esto que encontraba era lejano delante de su tiempo. así como Cauchy's. p. ” Una cuenta cuidadosa de la historia del teorema. Bessel's y Poissonlas 'contribuciones de s. el segundo las contribuciones cerca von Mises. utilizó la distribución normal para aproximar la distribución del número de cabezas resultando de muchas sacudidas de una moneda justa.L. son dados por Hans Fischer. el matemático ruso Aleksandr Lyapunov definido le de modo general y probado exacto cómo trabajó matemáticamente. en un ajuste general.[1] Dos cuentas históricas. Teorema de límite central clásico El teorema de límite central también se conoce como el segundo . Pero como con De Moivre. No era hasta que el diecinueveavo siglo era en un extremo que la importancia del teorema de límite central fue discernida. en un artículo notable publicado en 1733.[2] Vea a Bernstein (1945) para una discusión histórica que se centra en el trabajo de Pafnuty Chebyshev y sus estudiantes Andrey Markov y Aleksandr Lyapunov eso condujo a las primeras pruebas del C. una que cubre el desarrollo de Laplace a Cauchy.• • 7 Referencias 8 Acoplamientos externos Historia Tijms (2004. Laplace amplió a De Moivre que encontraba aproximando la distribución binomial con la distribución normal.169) escribe: “ El teorema de límite central tiene una historia interesante. Pólya. y fue olvidada casi hasta el matemático francés famoso Pierre-Simon Laplace rescatado le de oscuridad en su trabajo monumental DES Probabilités de Théorie Analytique. Lindeberg. Laplace encontrando recibido poca atención en su propio tiempo. son proporcionadas por Hald.

Como aproximación para un número finito de observaciones.. ( Ley de números grandes es el primer. la función característica de Y es. X2... la distribución del promedio de la muestra acerca a la distribución normal con un µ y una variación malos σ2/n con independencia de la forma de la distribución original. requiere un ... definiendo la distribución de Znconverge hacia distribución normal estándar N (0.[3] Esto se escribe a menudo como donde es medio de la muestra.teorema fundamental de la probabilidad. sea un sistema de n independiente y variables al azar idénticamente distribuidas que tienen valores finitos del µ y de la variación malos σ2> 0. dado cerca Sn = X1 + . Convergencia al límite El teorema de límite central da solamente una distribución asintótica. Esto significa: si Φ (z) es función de distribución acumulativa de N(0. N (0.1). es fácil ver que el medio estandardizado de las observaciones X1. .1). con cero medio y variación de la unidad (var (Y) = 1). El dejar Yi sea (Xi μ) del −/σ. + Xn. y el teorema de límite central sigue de Teorema de la continuidad de Lévy. Prueba del teorema de límite central Para un teorema de tal importancia fundamental para estadística y probabilidad aplicada. X2. Entonces. entonces para cada número verdaderoz. la función característica de Zn es Pero. El teorema de límite central indica que como el tamaño de muestra n aumentos[3][4] . proporciona una aproximación razonable solamente cuando cerca del pico de la distribución normal. Es similar a la prueba de a (débil) ley de números grandes. Deje la suma de las variables al azar ser Sn.. . que confirma que convergencia de funciones características implica convergencia en la distribución. el teorema de límite central tiene usar notable simple de la prueba funciones características.1) como n ∞ de los acercamientos (esto es convergencia en la distribución).) Dejado X1.. este límite es justo la función característica de una distribución normal estándar. Para cualquier variable al azar. donde o (t2 ) es “poca notación de o“para una cierta función de t eso va a cero más rápidamente que t2. X3. Xn es Por las características simples de funciones características. el valor estandardizado de Xi. cerca Teorema de Taylor. tenemos o. Y.

según lo probado por Artstein. la bola. Si la tercera central momento E ((X1 μ del −)3) existe y es finita. Informal. Barthe y Naor[citación necesitada]. Una suma de variables al azar discretas todavía está a variable al azar discreta.el coeficiente en el término highest-order en la extensión que representa la tarifa en la cual f(n) cambios en su término principal. uno puede decir: "f(n) crece aproximadamente como ". entonces la convergencia antedicha está uniforme y la velocidad de la convergencia está por lo menos en la orden de 1n½ (véase Teorema de la Baya-Esséen). Tomando la diferencia en medio f(n) y su aproximación y después el dividirse por el término siguiente en la extensión llegamos a una declaración refinada alrededor f(n): aquí uno puede decir eso: “la diferencia entre la función y su aproximación crece aproximadamente como “La idea es ésa que divide la función por funciones de normalización apropiadas y mirar el comportamiento limitador del resultado puede decirnos mucho sobre el comportamiento limitador de la función original sí mismo. la curva que ensambla los centros de las caras superiores de los rectángulos que forman el histograma convergen hacia una curva gaussian como n acercamientos . Informal. Esto significa eso si construimos a histograma de las realizaciones de la suma de n las variables discretas idénticas independientes. Suponga que tenemos una extensión asintótica de f (n): dividiendo ambas piezas cerca y tomar el límite producirá a1 .número muy grande de observaciones estirar en las colas. en el sentido que entropía de Zn aumentos monotónico a el de la distribución normal. distribución binomial el artículo detalla tal uso del teorema de límite central en el caso simple de una variable discreta que toma solamente dos valores posibles. para enfrentarnos con una secuencia de variables al azar discretas de quién función de distribución de la probabilidad acumulativa converge hacia una función de distribución de la probabilidad acumulativa que corresponde a una variable continua (a saber de que del distribución normal). serie asintótica es una de las herramientas más populares empleadas para acercar a tales preguntas. El teorema de límite central se aplica particularmente a las sumas de independiente y distribuyó idénticamente variables al azar discretas. Relación a la ley de números grandes La ley de números grandes así como el teorema de límite central están las soluciones parciales a un problema general: “Cuál es el comportamiento la limitación Sn como n ¿acerca a infinito? “En análisis matemático. algo a lo largo de estas líneas está sucediendo cuando Sn . La convergencia normal es monotónica.

y por el teorema de límite central.i. y para alguno entonces por lo tanto es la energía más grande de n que si los servicios como función de normalización proporcionarían un no trivial (diferente a cero) limitando comportamiento.. Declaraciones alternativas del teorema Funciones de la densidad densidad de la suma de dos o más independientes las variables es circunvolución de sus densidades (si existen estas densidades). después el teorema . si tomamos las adiciones de estos vectores como siendo componentwise hecho. Dice específicamente que la función de normalización intermedio de tamaño entre n de la ley de números grandes y del teorema de límite central proporciona un comportamiento limitador no trivial. X2. Extensiones al teorema Teorema de límite central multidimensional Podemos extender fácilmente pruebas usando las funciones características para los casos donde cada uno individual Xi es una independiente y distribuido idénticamente vector al azar. σ2) cuáles proporcionan valores de las primeras dos constantes en la extensión informal: Podía ser demostrado[citación necesitada] eso si X1. Funciones características Desde función característica de una circunvolución está el producto de las funciones características de las densidades implicadas. Una declaración equivalente se puede hacer alrededor Fourier transforma.se está estudiando en teoría de las probabilidades clásica. son i. . bajo condiciones indicadas arriba.d. Ahora. X3. el teorema de límite central tiene otra nueva exposición: el producto de las funciones características de un número de funciones de la densidad tiende a la función característica de la densidad normal como el número de las funciones de la densidad aumenta sin límite. Bajo cierta regularidad condiciona. por la ley de números grandes.. con vector malo μ y matriz de la covariaciónΣ (entre los componentes individuales del vector). La ley del logaritmo iterado nos dice qué está sucediendo “entre” la ley de números grandes y del teorema de límite central. bajo condiciones indicadas arriba. Así el teorema de límite central se puede interpretar como declaración sobre las características de las funciones de la densidad bajo circunvolución: la circunvolución de un número de funciones de la densidad tiende a la densidad normal como el número de las funciones de la densidad aumenta sin límite. donde ξ se distribuye como N(0. puesto que la función característica es esencialmente un Fourier transforme. Interesante bastante.

Dejado Xn sea una secuencia de las variables al azar independientes definidas en el mismo espacio de la probabilidad. éstos convergen a a distribución normal multivariate. que hace que el producto sí mismo tiene a distribución log-normal. Para cada ε > 0 donde E ( U : V>c) es E ( U 1{V>c}). así que ellos siguen una distribución log-normal. su valor previsto es y su desviación de estándar es sn. Muchas cantidades físicas (especialmente masa o la longitud. Consideramos otra vez la suma . logaritmo de un producto está simplemente la suma de los registros de los factores. Condición de Lindeberg En el mismo ajuste y por la misma notación que arriba. que son una cuestión de escala y no pueden ser negativas) son el producto de diferente al azar los factores. Condición de Lyapunov Vea también Teorema de límite central de Lyapunov. y eso (Éste es Lyapunov condición). la expectativa de la variable al azar U 1{V>c} es de quién valor U si V>c y cero de otra . podemos substituir la condición de Lyapunov con más débil la siguiente (de Lindeberg en 1920). tan el registro de un producto de las variables al azar que toman solamente valores positivos tienden para tener una distribución normal. proporcionadas una de un número de condiciones se aplica.de límite central multidimensional indica eso cuando está escalado. Definimos Asuma que los terceros momentos centrales sea finito para cada n. Asuma eso Xn tiene μ previsto finito del valorn y σ finito de la desviación de estándarn. Carencia de la distribución idéntica El teorema de límite central también se aplica en el caso de las secuencias que no se distribuyen idénticamente. pero qué sobre el producto? Bien. Mientras que el teorema de límite central para las sumas de variables al azar requiere la condición de la variación finita.1). el teorema correspondiente para los productos requiere la condición correspondiente que la función de la densidad sea cuadradointegrable (véase Rempala 2002). es decir. Productos de variables al azar positivas ¿El teorema de límite central nos dice lo que a esperar sobre la suma de variables al azar independientes. si lo estandardizamos fijando entonces la distribución de Zn converge a la distribución normal estándar N (0.

teorema de límite central para los procesos que se mezclan y teorema de límite central para los cuerpos convexos. Usando generalizaciones del teorema de límite central. nosotros puede mirar a menudo un solo valor medido como el promedio cargado de una gran cantidad de efectos pequeños. Carencia de la independencia Hay algunos teoremas que tratan la caja de sumas de variables de la no-independiente. teorema de límite central de la martingala.manera. En casos tenga gusto del ruido electrónico. presentado como parte de Actividad de SOCR CLT. [1]. podemos entonces ver que éste (sin embargo no siempre) produciría a menudo una distribución final que es aproximadamente normal. Proceso de señal Las señales pueden ser alisadas aplicando a Filtro Gaussian. Esto justifica el uso común de esta distribución de substituir los efectos de variables inadvertidas en modelos como modelo linear. grados de la examinación.g. por ejemplo: • • teorema de límite central m-dependiente. . el teorema de límite central explica el aspecto común de la “curva de Bell” adentro estimaciones de la densidad aplicado a los datos del mundo real. Más bién la suma de variables independientes con influencia igual en el resultado una medida está generalmente.1). • La distribución de la probabilidad para la distancia total cubierta en a caminata al azar (predispuesto o imparcial) tenderá hacia a distribución normal. Debido al teorema de límite central esto que alisa se puede aproximar por varios pasos del filtro que puedan ser mucho más rápidos computado. Mover de un tirón una gran cantidad de monedas dará lugar a una distribución normal para el número total de cabezas (o equivalente el número total de colas). • • Usos y ejemplos Hay un número de ejemplos y de usos útiles e interesantes que se presentan del teorema de límite central. • De otro punto de vista. como el simple promedio móvil. que es justo circunvolución de una señal con escalada apropiadamente Función Gaussian. y así sucesivamente. Entonces la distribución de la suma estandardizada Zn converge hacia la distribución normal estándar N (0. Vea e. más normalidad que exhibe.

tales como 100 o 250. Chong Ho y el Dr. ^Hans Fischer: (1) “El teorema de límite central de Laplace a Cauchy: Cambios en objetivos estocásticos y en métodos analíticos ". Web page (alcanzado 2007-10-25): CWisdom-rtf. (2) “El teorema de límite central en los años 20”. de Oklahoma. M. “con gráficos y la simulación para enseñar los conceptos estadísticos”. Juan T. de papel presentó en la reunión anual de la asociación americana del estadístico.17. 2. (el 1994 de agosto). pero críticas cuando ocurren: animaciones de computadora se utilizan ilustrar los casos. Las condiciones pudieron ser raras. T. 4. .. Univ. Vea debajo de “usar gráficos y la simulación.El teorema de límite central implica eso para alcanzar un Gaussian de variación σ2n filtros con las ventanas de variaciones con debe ser aplicado. universidad de estado del Arizona y Spencer Anthony.qué conseguimos cuando multiplicamos variables al azar en un contexto similar el teorema de límite central Notas 1. ^ ab Por décadas. presentada el 19 de abril de 1995. Behrens. Y Shin. Historia de la estadística matemática a partir de 1750 a 1930. ha indicado muestras más grandes. sin embargo. Ch. ese tamaño de muestra pudo ser demasiado pequeño. la investigación desde 1990.una conclusión más débil en el mismo contexto Distribución Log-normal . Vea también • • • • Diversificación (finanzas) Ilustración del teorema de límite central Ley de números grandes . ^ Andreas Hald. cocinero. sin embargo. de papel revisado en el 12 Feb de 1997. reunión anual de la asociación de investigación educativa americana.. más manso. El atajo con n > 29 ha permitido Estudiante-t tablas a ajustar a formato en páginas limitadas. el tamaño de muestra grande fue fijado como n> 29. 3. y vea la “identificación de ideas falsas en el teorema de límite central y los conceptos relacionados y la evaluación de los medios de la computadora como herramienta remediadora” por Yu. D. W. pudieron ser necesarios si sesgan a la población lejos de normal: más posición oblicua.S.” por Marasinghe y otros. más en gran parte la muestra necesitó. ^ Marasinghe.

Eric W. Bernstein. Probabilidad que entiende: Reglas Chance en vida diaria. Primera parte: Matemáticas] corregidas por el S. Bola. 174 pp.org es un sitio con muchos recursos para la estadística de enseñanza incluyendo el teorema de límite central El teorema de límite central por Chris Boucher. Chebyshev. Rempala y J. 1945. L. 47-54. G. Teorema de límite central en • • • Acoplamientos externos • • • • • • • • • • . y estadística de la muestra. Barthe y A.Chebyshev en la teoría de las probabilidades. tamaño de muestra.ProbLab) simulación interactiva con una variedad de parámetros modificables Actividad general del teorema de límite central y el corresponder Applet de SOCR CLT (Seleccione el experimento de la distribución CLT del muestreo de la lista drop-down de Experimentos de SOCR) Genere las distribuciones del muestreo en Excel Especifique a población arbitraria. Naor. Diario de la sociedad matemática americana 17. N.N. S. Canadá. pp. El proyecto de demostraciones del volframio.estadística ". Wesolowski. Referencias • Henk Tijms. 7. Vypusk Pervyi: Matematika. vol. (Ruso) [la herencia científica del P. Moscú-Leningrad. 2002. “solución del problema de Shannon en el Monotonicity de la entropía”.Bernstein. CAUSEweb. Ejemplos animados del CLT Teorema de límite central Java Teorema de límite central simulación interactiva al experimento con varios parámetros CLT en NetLogo (probabilidad conectada .Chebysheva. “Asymptotics de productos de sumas y U.L. Nauchnoe Nasledie P.Toronto. S. En el trabajo de P. F. Comunicaciones electrónicas en probabilidad. Artstein. K. Cambridge: Prensa de la universidad de Cambridge. 2004. Weisstein.] Academiya Nauk SSSR. 975-982 (2004).L. [2] Otra prueba.

The original work was translated from English to Spanish. . To view the original article please click here. Creative Commons Licence Política de privacidad | Términos y condiciones | Traductor © Copyright 2010 WorldLingo Translations LLC. Reservados todos los derechos.MathWorld.

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->