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

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. Gnedenko y Kolmogorov estados.3.1 Teorema de límite central multidimensional 3.3 Carencia de la distribución idéntica   3. esto explica el predominio de la distribución normal de la probabilidad.1 Proceso de señal 4 Usos y ejemplos 5 Vea también 6 Notas . Lyapunov condición.4 Declaraciones alternativas del teorema   2. 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”.3 Relación a la ley de números grandes 2.1 Condición de Lyapunov 3..2 Productos de variables al azar positivas 3. Puesto que muchas poblaciones verdaderas rinden distribuciones con finito variación.4.1 Funciones de la densidad 2. Formalmente. a teorema de límite central es cualquiera de un sistema de débilconvergencia resultados adentro teoría de las probabilidades.4 Carencia de la independencia 4. Contenido • • 1 Historia 2 Teorema de límite central clásico ○ ○ ○ ○ 2. siguiendo una distribución Gaussian.2 Convergencia al límite 2.1 Prueba del teorema de límite central 2.2 Funciones características • 3 Extensiones al teorema ○ ○ ○ 3. vea Lindeberg condición. o la curva acampanada) si las variables al azar tienen a finito variación.2 Condición de Lindeberg ○ • • • ○ 3.3.4. Para otras generalizaciones para la variación finita que no requieran la distribución idéntica.

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

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

Barthe y Naor[citación necesitada]. 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. Suponga que tenemos una extensión asintótica de f (n): dividiendo ambas piezas cerca y tomar el límite producirá a1 . según lo probado por Artstein. algo a lo largo de estas líneas está sucediendo cuando Sn . serie asintótica es una de las herramientas más populares empleadas para acercar a tales preguntas. 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. la bola. Una suma de variables al azar discretas todavía está a variable al azar discreta. 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). Esto significa eso si construimos a histograma de las realizaciones de la suma de n las variables discretas idénticas independientes. Informal. 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. Si la tercera central momento E ((X1 μ del −)3) existe y es finita. uno puede decir: "f(n) crece aproximadamente como ". La convergencia normal es monotónica.número muy grande de observaciones estirar en las colas.el coeficiente en el término highest-order en la extensión que representa la tarifa en la cual f(n) cambios en su término principal. El teorema de límite central se aplica particularmente a las sumas de independiente y distribuyó idénticamente variables al azar discretas. en el sentido que entropía de Zn aumentos monotónico a el de la distribución normal. 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. 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).

bajo condiciones indicadas arriba. Una declaración equivalente se puede hacer alrededor Fourier transforma.d. donde ξ se distribuye como N(0. Funciones características Desde función característica de una circunvolución está el producto de las funciones características de las densidades implicadas. X3. 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.. después el teorema . 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. son i. Interesante bastante. y por el teorema de límite central. 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. La ley del logaritmo iterado nos dice qué está sucediendo “entre” la ley de números grandes y del teorema de límite central. 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. 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.. σ2) cuáles proporcionan valores de las primeras dos constantes en la extensión informal: Podía ser demostrado[citación necesitada] eso si X1. 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).i.se está estudiando en teoría de las probabilidades clásica. con vector malo μ y matriz de la covariaciónΣ (entre los componentes individuales del vector). bajo condiciones indicadas arriba. Bajo cierta regularidad condiciona. puesto que la función característica es esencialmente un Fourier transforme. por la ley de números grandes. Ahora. .

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

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

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

N. vol. K.Chebysheva. Cambridge: Prensa de la universidad de Cambridge.N. Naor.Chebyshev en la teoría de las probabilidades. 975-982 (2004). CAUSEweb. 47-54. 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 . Chebyshev. Wesolowski. S. G. Barthe y A. Comunicaciones electrónicas en probabilidad. tamaño de muestra. Nauchnoe Nasledie P. Canadá. 1945. 2004. Bernstein.Toronto. 2002. Probabilidad que entiende: Reglas Chance en vida diaria.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. “solución del problema de Shannon en el Monotonicity de la entropía”. Artstein.Bernstein. L.] Academiya Nauk SSSR. Diario de la sociedad matemática americana 17. Primera parte: Matemáticas] corregidas por el S.estadística ". (Ruso) [la herencia científica del P. 7. Moscú-Leningrad. y estadística de la muestra. [2] Otra prueba. Weisstein. pp. Referencias • Henk Tijms. “Asymptotics de productos de sumas y U. F.L.L. Bola. Teorema de límite central en • • • Acoplamientos externos • • • • • • • • • • . S. Vypusk Pervyi: Matematika. En el trabajo de P. El proyecto de demostraciones del volframio.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. Eric W. Rempala y J. 174 pp.

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

Sign up to vote on this title
UsefulNot useful