LEY DE LOS GRANDES NÚMEROS

En teoría de probabilidad, existe un resultado matemático de suma importancia, llamado la Ley de los Grandes Números, que dice lo siguiente: Si X1, X2, X3, X4, ..., Xn, son observaciones de realizaciones repetidas de una variable aleatoria X, y n es un número grande, entonces (# veces que X cae en x)/n es aproximadamente igual a f(x) para x=0,1,2,3,4,5, ... Aquí, ³grande'' en términos prácticos es del orden de 25-30 para muchas situaciones. La cantidad (# veces que X cae en x)/n recibe el nombre de frecuencia relativa, y la denotaremos por

Al conteo # veces que X cae en x lo denotaremos con el símbolo o (la letra o es por frecuencia ``observada''). Nota que para que se cumpla la Ley de los Grandes Números, no importa que sepamos o no cuál es f(x). Nota que la frecuencia relativa es una cantidad aleatoria que tiene las siguientes propiedades:

1.

para cualquier x=0,1,2,3,4,5, ...

2. la probabilidad de que alguien gane la lotería es bastante alta. suponiendo que suficientes personas comprasen boletos de lotería. La frase "ley de los grandes números" es también 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. entonces el .. es una sucesión infinita de variables aleatorias independientes que tienen el mismo valor esperado promedio y varianza 2 . X2. esta diferencia estandarizada converge a una variable aleatoria normal estándar. LA LEY DÉBIL DE LOS GRANDES NÚMEROS.. incrementa con el número de eventos en la serie. sin embargo. X3. Las leyes de los grandes números explican por qué el promedio de una muestra al azar de una población de gran tamaño tenderá a estar cerca de la media de la población completa. Cuando las variables aleatorias tienen una varianza finita. Por ejemplo. la probabilidad de que un individuo gane la lotería es bastante baja. Establece si X1. . el teorema central del límite extiende nuestro entendimiento de la convergencia de su promedio describiendo la distribución de diferencias estandarizadas entre la suma de variables aleatorias y el valor esperado de esta suma: sin importar la distribución subyacente de las variables aleatorias.

entonces y tienen el Es decir. que precisa la aproximación frecuencial de un suceso a la probabilidad p de que este ocurra a medida que se va repitiendo el experimento. es una sucesión infinita de variables aleatorias independientes e idénticamente distribuidas que cumplen E(|Xi|) < ’ valor esperado . para cualquier número positivo se tiene LA LEY FUERTE DE LOS GRANDES NÚMEROS. casi seguramente Esta ley justifica la interpretación intuitiva de que el valor esperado de una variable aleatoria como el "promedio a largo plazo al hacer un muestreo repetitivo". Sea f el número de veces que se presenta A en los n ensayos y un número positivo cualquiera.. Es decir: .converge en probabilidad a .. . El Teorema de Bernoulli es un caso particular de la Ley de los grandes números. Establece que si X1. X2. su probabilidad p de ocurrencia. la probabilidad de que la frecuencia relativa f/n discrepe de p en más de (en valor absoluto) tiende a cero al tender n a infinito. y n pruebas independientes para determinar la ocurrencia o no-ocurrencia de A. Dados un suceso A. En otras palabras. X3. el promedio de las variables aleatorias converge a (en un conjunto de probabilidad 1).

! semejante al caso unidimensional. Con: §§ p( x.Si disponemos de dos variables aleatorias podemos definir distribuciones bidimensionales de forma discreto tendremos ! ! x. y ) Igualmente. Y p( x. y ) u 0. y) ! 1. y) P(X y) . Para el caso p(x. y) Podemos encontrar la probabilidad marginal de la variable aleatoria X sumando sobre todos los posibles valores de la variable aleatoria Y: ¡ p (x)   § p ( x. y ) y FUNCION DE PROBABIIDAD CONDICIONAL La función de probabilidad condicional de X dado Y = y es p(x|y) ! p(x. podemos encontrar probabilidad marginal de la variable aleatoria Y sumando sobre todos los posibles valores de la variable aleatoria Y: p Y (y) ! § x p ( x. x y Podemos encontrar la probabilidad marginal de la variable aleatoria X sumando sobre todos los posibles valores de la variable aleatoria Y: p X (x) ! § y p ( x.y) pY (y) .

y) = P(X e x. y ) u 0. Ye La definición para dos variables aleatorias continuas es semejante: y). g g ´ ´ f ( x.Y la función de probabilidad condicional de Y dado X = x es: p(y|x) ! p(x. y ) ! f ( x.y) se obtiene derivando la función de probabilidad con respecto a sus argumentos x 2 F ( x. La densidad de probabilidad f(x. y ) x 2 F ( x. y ) ! xyxx xxxy por supuesto: f ( x. y )dxdy ! 1  g g .y) p X (x) F(x.

Sign up to vote on this title
UsefulNot useful