Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Ley Grandes Números PDF
Ley Grandes Números PDF
∞
P3 ( Z = z ) = ∑ P ( X = k ) ⋅ P (Y = z − k )
k = −∞
1 2
S n = X 1 + X 2 + ... + X n
teniendo en cuenta que:
S n = S n −1 + X n 3
Veamos un ejemplo: Supongamos que lanzamos un dado
dos veces. Sea el resultado del primer lanzamiento la variable
aleatoria X1 y del segundo, la variable aleatoria X2 , ambas
con la misma distribución de probabilidad que llamaremos
m(x). Calculemos la función de distribución de probabilidad
para S2 = X1 + X2.
∞
P( S 2 = s) = ∑ m( X
k = −∞
1 = k ) ⋅ m( X 2 = s − k )
4
(....)
Si quisiéramos calcular S3 = X1 + X2 + X3 , tendríamos:
(...)
Este es el resultado
gráfico para la suma
S10 de 10 dados.
5
Y estos son los resultados
gráficos para las sumas
S20 y S30 de 20 y 30 dados,
respectivamente.
∞
( f ∗ g )( z ) = ∫ f ( z − y ) g ( y )dy =
−∞
∞
∫−∞
g ( z − x) f ( x)dx
7
Suma de dos variables aleatorias uniformes
independientes
Dos distribuciones
uniformes U(0,1).
Obtenemos la
densidad de
probabilidad de la
suma de las dos
variables por
convolución de sus
densidades.
8
1
f Z ( z ) = ∫ f X ( z − y )dy
0
9
Convolución de dos densidades de probabilidad
uniformes U(0,1).
10
Suma de dos variables aleatorias
exponenciales independientes
Dos densidades
de probabilidad
exponenciales
Exp(λ).
Obtenemos la
densidad de
probabilidad de la
suma de las dos
variables por
convolución de sus
densidades.
11
Convolución de dos
densidades de probabilidad
exponenciales Exp(λ).
12
Suma de dos variables aleatorias
normales independientes
14
Suma de n variables aleatorias independientes
S n = X 1 + X 2 + ... + X n
Teniendo en cuenta que:
S n = S n −1 + X n
Y que:
(
f S 2 ( x) = f X1 ∗ f X 2 ( x) )
Tendremos para n variables aleatorias independientes:
(
f S n ( x) = f X 1 ∗ f X 2 ∗ ... ∗ f X n ( x) )
15
Recuerda que la convolución es una operación conmutativa y asociativa.
Suma de n
uniformes
16
Suma de n
normales
17
Suma de n
exponenciales
18
Teorema central del límite
En condiciones muy generales la suma de n
variables aleatorias , independientes e
idénticamente distribuidas con media μ y varianza
distinta de cero σ2, tiende a la distribución normal
a medida que n tiende a infinito.
S n = X 1 + X 2 + ... X n
P( x − µ ≥ kσ ) ≤ 1 k 2
O bien, haciendo: ε = kσ
P( x − µ ≥ ε ) ≤ σ ε
2 2 Pafnuti Lvovic Cebicev
(1821-1894)
20
Demostración:
∞
σ2= ∫ ( x − µ )2 f ( x)dx ≥
∫ ( x − µ )2 f ( x)dx ≥
−∞ x − µ ≥ε
≥ ∫µ εε f ( x)dx = ε ⋅ ∫µ fε ( x)dx
2 2
x− ≥ x− ≥
P( x − µ ≥ ε )
⇒ σ ≥ ε P( x − µ ≥ ε )
2 2
21
Para el caso discreto la demostración es semejante.
Ley de los grandes números (en forma débil)
Sean X1, X2, ..., Xn variables aleatorias
independientes, con la misma distribución (misma
media μ y varianza σ2). Entonces, para
Sn = X1 + X2 + ... + Xn y cualquier real ε > 0:
«La frase "ley de los grandes números"
es también usada ocasionalmente para
Sn
referirse al principio de que la
probabilidad de que cualquier evento
lim P − µ ≥ ε = 0
posible (incluso uno improbable) ocurra
n →∞
n
al menos una vez en una serie,
incrementa con el número de eventos
en la serie. Por ejemplo, la probabilidad
o de forma equivalente :
Sn
de que un individuo gane la lotería es
n
S n σ 2
σ 2
S n nµ
Var = 2 = ; E = =µ
n n n n n
Sn σ 2
⇒ P − µ ≥ ε ≤ 2 Usando la desigualdad
n n ε de Chebyshev y fijado
un épsilón:
Sn
⇒ lim P − µ ≥ ε = 0
n →∞
n
o de forma equivalente :
Sn
lim P − µ < ε = 1
n →∞
n 24
Observa que Sn/n es un promedio y por eso a la ley de
los grandes números suele conocerse también como
ley de los promedios.
Sn 1
P → = 1
n 2
25
Distribuciones para el número de caras en n lanzamientos de una moneda.
La ley de los grandes números predice que el porcentaje de caras para n
grande estará próximo a 1/2.
En las gráficas se ha
marcado con puntos
las probabilidades
comprendidas entre
0.45 y 0.55.
µ = E ( X i ) = ; σ = Var ( X i ) =
1 2 1
2 12
Sn 1 Sn σ
2
1
E = ; Var = =
n 2 n n 12n
De modo que, para cualquier ε > 0, tendremos:
Sn σ2 1
P − µ ≥ ε ≤ 2 =
n ε 12 n ε 2
28
Una aplicación al Método de Monte Carlo
Sea g(x) una función
continua definida en
el intervalo [0,1] y con
imagen en [0,1].
Vimos cómo estimar
el área bajo la función,
su integral, generando
pares de números (x,y)
al azar.
σ = E ((Yn − µ ) ) = ∫ (g ( x) − µ ) dx < 1
1 2
2 2
0
Y1 + Y2 + ... + Yn σ2 1
P − µ ≥ ε ≤ 2 = 2
n nε nε
Que podemos leer como: la diferencia entre el área estimada
y la real, el error que cometemos, es mayor que épsilon con
probabilidad 1/nε2. 30
31