P. 1
Teorema de Chebyshev

Teorema de Chebyshev

1.0

|Views: 18.168|Likes:
Publicado porRicardo Guerrero

More info:

Published by: Ricardo Guerrero on Feb 10, 2011
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

08/21/2013

pdf

text

original

Universidad Nacional Autónoma de México Colegio de Ciencias y Humanidades Lizamar Escobar Estrada Grupo: 611

Teorema de Chebyshev

El matemático ruso P. L. Chebyschev (1821²1894) descubrió que la fracción de área entre cualesquiera dos valores simétricos alrededor de la media está relacionada con la desviación estándar. Como el área bajo una curva de distribución de probabilidad, o de un histograma de probabilidad, suma 1, el área entre cualesquiera dos números es la probabilidad de que la variable aleatoria tome un valor entre estos números. El siguiente teorema, debido a Chebyshev da una estimación conservadora de la probabi8lidad de que una variable aleatoria tome un valor dentro de desviaciones estándar de su media para cualquier número real proporcionaremos la demostración solo para el caso continuo y se deja el caso discreto como ejercicio. En probabilidad, la desigualdad de Chebyshev es un resultado estadístico que ofrece una cota inferior a la probabilidad de que el valor de una variable aleatoria con varianza finita esté a una cierta distancia de su esperanza matemática o de su media; equivalentemente, el teorema proporciona una cota superior a la probabilidad de que los valores caigan fuera de esa distancia respecto de la media.

El teorema es aplicable incluso en distribuciones que no tienen forma de "curva de campana" y acota la cantidad de datos

Sin embargo. Teorema: Sea X una variable aleatoria de media y varianza finita . es posible construir una variable aleatoria cuyas cotas de Chebyshev sean exactamente iguales a las probabilidades reales. El teorema se emplea para demostrar la ley débil de los números grandes. El teorema puede ser útil a pesar de las cotas imprecisas porque se aplica a una amplia gama de variables que incluye las que están muy alejadas de la distribución normal.wikimedia. +¥2 ). De la desigualdad de Chebyshev se deduce que al menos el 75% de los artículos tendrán una extensión comprendida entre 600 y 1400 caracteres (k = 2). al menos la mitad de los valores caerán en el intervalo ( -¥2 . Las cotas proporcionadas por la desigualdad de Chebyshev. El teorema recibe su nombre del matemático Pafnuty Chebyshev. k\sigma)\leq\frac{1}{k^2}. en general el teorema proporcionará cotas poco precisas. supongamos que los artículos de Wikipedia tienen una extensión media de 1000 caracteres y una desviación típica de 200 caracteres.que están o no "en medio". Entonces.png"> Sólo los casos con k > 1 proporcionan información útil.   Para ilustrar este resultado. . Otra consecuencia del teorema es que para cada distribución de media y desviación típica finita . no se pueden mejorar." src="http://upload. para todo número real k > 0. en general. y porque las cotas son fáciles de calcular.org/math/a/b/c/abc4ac8eeb75c0 db369ab6c6f8be19ec.

Cuanto mas grande sea el valor de n.5. 1. x) x § N( x. Si la distribución madre es normal.. si n es suficientemente grande.. . ². y T0 tiene también aproximadamente una x ² = distribución normal con T0 = n. x) Ejemplo 1: Si se sabe que la dureza Rockwell de pernos de cierto tipo tiene un valor medio de 50 y desviación estándar de 1. independientemente del tamaño. ¿cuál es la probabilidad de que la dureza muestral media para una muestra aleatoria de 9 pernos sea por lo menos 52? b) ¿Cuál es la probabilidad (aproximada) de que la dureza muestral media para una muestra aleatoria de 40 pernos sea al menos 52? x = 50 = 1.. X tiene aproximadamente una distribución normal con x = y ²/n. mejor será la aproximación. ²T0 = n. .¥9) z = (x . se puede usar el TLC.TEOREMA DEL LIMITE CENTRAL Teorema: Sea X1. la distribución de la media muestral también es normal. x § N( x.5.)/( /¥n) .5) a) n=9 x = 52 x § N(50. a) Si la distribución es normal. El Teorema del Límite Central garantiza una distribución normal cuando n es suficientemente grande Si n > 30. Entonces.5 x § N(50. X2. Xn una muestra aleatoria de una distribución con media y varianza ². 1.

La probabilidad de que la media muestral sea superior a 52 es: P(x • 52) = P(z • 4) = 0 Con el valor de z obtenido de tablas: P(x1 ” x ” x2) = P(z1 ” z ” z2) = (z) Tener en cuenta que los valores para: (z) = P(z ” z1) b) n = 40 Con el valor de z obtenido de tablas: P(x • 52) = P(z • 8.4327) = 0 .

en el proceso de generación de números aleatorios con distribución normal. Montgomery. Hines y D. La distribución de las variables Xk es acampanada y aceptablemente simétrica. (CECSA 1998. Esta regla es aceptada en el control estadístico del proceso y en otras áeas de aplicación. proponen lo que llaman ´reglas empíricas imperfectasµ para el caso en que la distribución de las variables Xk entre en uno de los siguientes tres grupos: 1) Buen comportamiento. pág. La distribución de las variables Xk es razonablemente uniforme. en su texto Probabilidad y Estadística para Ingeniería. 238). se hacen la pregunta ´¿Qué tan grande debe ser n para obtener resultados razonables utilizando la distribución normal para aproximar la distribución de X(n)? Después de confesar que no es una pregunta fácil de responder puesto que la respuesta depende tanto de las características de la distribución de las variables Xk. Aquí cualquier recomendación es de alto riesgo. Comportamiento moderado. En este caso n • 4. La distribución concentra su masa en los extremos. como del significado de ´resultados razonablesµ. 2) 3) . Esta regla también es seguida por los especialistas en simulación. pero n • 100 suele dar resultados satisfactorios.Reglas empíricas W.W. En este caso n • 4. Comportamiento nocivo.

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)//-->