ANÁLISIS

MULTIVARIANTE II
Tarea 2:
“TEOREMA DEL LIMITE CENTRAL”.

Docente: Dr. Luis Vera

Integrantes:
Yumiceba Janneth (70)
Pilataxi María (81)
Urquizo Diego (105)
Miranda Geovanny (247)
Peñafiel Gissela (282)
Caín Timoteo (265)
Valente Galo (254)

Periodo Académico
2021-2022

Riobamba-Ecuador
 TEOREMA DEL LÍMITE CENTRAL

a) Enunciar el teorema central del límite en un contexto multivariante.

En la teoría de la probabilidad, el teorema del límite central (CLT) establece que, en muchas
situaciones, cuando se suman variables aleatorias independientes, su suma correctamente
normalizada tiende hacia una distribución normal (informalmente una curva de campana) incluso
si las variables originales en sí mismas no son normalmente repartido. El teorema es un concepto
clave en la teoría de la probabilidad porque implica que probabilística y estadística. Los métodos
que funcionan para distribuciones normales pueden ser aplicables a muchos problemas que
involucran otros tipos de distribuciones. Este teorema ha experimentado muchos cambios durante
el desarrollo formal de la teoría de la probabilidad.

TEOREMA:

Las pruebas que utilizan funciones características pueden extenderse a casos en los que cada
individuo Xi es un vector aleatorio en ℝ𝑘 con un vector medio 𝜇 = 𝔼[𝑋𝑖 ] y matriz de covarianza
∑, “entre los componentes del vector”, y estos vectores aleatorios son independientes y están
distribuidos de forma idéntica. La suma de estos vectores se realiza por componentes. El teorema
del límite central multidimensional establece que cuando se escala, las sumas convergen en una
distribución normal multivariante.

Donde:

𝑋𝑖(1)
𝑋𝑖 = [ ⋮ ]
𝑋𝑖(𝑘)

sea el k -vector. El atrevido en Xi significa que es un vector aleatorio, no una variable aleatoria
(univariante). Entonces la suma de los vectores aleatorios será

∑[𝑋𝑖(1) ]
𝑋1(1) 𝑋2(1) 𝑋𝑛(1) 𝑖=1
𝑛

[ ⋮ ]+ [ ⋮ ] +⋯+ [ ⋮ ] = ⋮ = ∑ 𝑋𝑖
𝑛
𝑋1(𝑘) 𝑋2(𝑘) 𝑋𝑛(𝑘) 𝑖=1
∑[𝑋𝑖(𝑘) ]
[ 𝑖=1 ]

Y el promedio viene siendo

 𝑛

∑[𝑋𝑖(1) ]
𝑛 𝑋̅𝑖(1)
1 1 𝑖=1
∑ 𝑋𝑖 = ⋮ = [ ⋮ ] = 𝑋̅𝑛
𝑛 𝑛 𝑛
𝑖=1 𝑋̅𝑖(𝑘)
∑[𝑋𝑖(𝑘) ]
[ 𝑖=1 ]

Por lo tanto

𝑛 𝑛
1 1
∑[𝑋𝑖 − 𝔼(𝑋𝑖 )] = ∑(𝑋𝑖 − 𝜇) = √𝑛(𝑋̅𝑛 − 𝜇)
𝑛 √ 𝑛
𝑖=1 𝑖=1

El teorema de limite central multivariado establece que

̅ 𝒏 − 𝝁) 𝒅 𝑵𝒌 (𝟎, 𝚺) por n→ ∞
√𝒏(𝑿
→

donde la matriz de covarianza ∑ es igual a:

𝑉𝑎𝑟(𝑋1(1) ) 𝐶𝑜𝑣(𝑋1(1) , 𝑋1(2) ) 𝐶𝑜𝑣(𝑋1(1) , 𝑋1(3) ) … 𝐶𝑜𝑣(𝑋1(1) , 𝑋1(𝑘) )

𝐶𝑜𝑣(𝑋1(2) , 𝑋1(1) ) 𝑉𝑎𝑟(𝑋1(2) ) 𝐶𝑜𝑣(𝑋1(2) , 𝑋1(3) ) … 𝐶𝑜𝑣(𝑋1(2) , 𝑋1(𝑘) )
Σ = 𝐶𝑜𝑣(𝑋1(3) , 𝑋1(1) ) 𝐶𝑜𝑣(𝑋1(3) , 𝑋1(2) ) 𝑉𝑎𝑟(𝑋1(3) ) … 𝐶𝑜𝑣(𝑋1(3) , 𝑋1(𝑘) )
⋮ ⋮ ⋮ ⋱ ⋮
[ 𝐶𝑜𝑣(𝑋 , 𝑋
1(𝑘) 1(1) ) 𝐶𝑜𝑣(𝑋 , 𝑋
1(𝑘) 1(2) ) 𝐶𝑜𝑣(𝑋1(𝑘) , 𝑋1(3) ) … 𝑉𝑎𝑟(𝑋1(𝑘) ) ]

La tasa de convergencia viene dada por el siguiente resultado tipo Berry-Esseen:

Teorema:

Deja X1,….., Xn se independiente ℝ𝑑 - vectores aleatorios valorados, cada uno con media cero.
Escribir 𝑆 = ∑𝑛𝑖=1 𝑋𝑖 y asumir Σ = 𝐶𝑜𝑣[𝑆] es invertible.

Dejar 𝑍~𝑁(0, Σ) ser un d-dimensional gaussiano con la misma media y la misma matriz de
covarianza que S. Luego, para todos los conjuntos convexos 𝑈 ⊆ ℝ𝑑 .

|ℙ[𝑆 ∈ 𝑈] − ℙ[𝑍 ∈ 𝑈]| ≤ 𝐶𝑑1/4 ⋎

donde C es una constante universal,

𝑛
1
3
⋎= ∑ 𝔼 [‖Σ−2 𝑋𝑖 ‖ ] , 𝑦‖. ‖2
2
𝑖=1

Denota la norma euclidia sobre ℝ𝑑 .

 b) Aplicar el teorema precedente en un contexto bidimensional.
Sea 𝑋1 , 𝑋2 , … , 𝑋𝑛 una variable aleatoria (v.a.) p-dimensional i.i.d. con 𝑋𝑖 ~ 𝑃(𝜆) que sigue
una distribución de Poisson.

Con 𝜆 = (2)
2
Cómo se sabe en una variable aleatoria que sigue una distribución de Poisson 𝔼(𝑋𝑖 ) = 𝜇 = 𝜆 y
𝜆 0
además que X1 y X2 son independientes entonces 𝑉𝑎𝑟(𝑋𝑖 ) = Σ = ( 1 )
0 𝜆2
𝑛 𝑛
1 1
∑[𝑋𝑖 − 𝔼(𝑋𝑖 )] = ∑(𝑋𝑖 − 𝜆) = √𝑛(𝑋̅𝑛 − 𝜆)
𝑛 √𝑛
𝑖=1 𝑖=1

Por la transformación y teorema de limite central multivariado se tiene que:

̅ 𝒏 − 𝝀) 𝒅 𝑵𝒌 (𝟎, 𝚺) por n→ ∞
√𝒏(𝑿
→

𝑁 = 15

Gráfica: 1 Realizado en MATLAB

𝑁 = 25
 Gráfica: 2 Realizado en MATLAB

𝑁 = 50

Gráfica: 3 Realizado en MATLAB

Conclusión: Por el teorema del límite central, partiendo de la distribución de Poisson y realizando
la transformación lineal √𝑛(𝑥̅ − 𝜇), se puede indicar que mientras el tamaño de la muestra va
creciendo la gráfica se aproxima cada vez más a la distribución Normal con
 0 2 0
𝜇=( ) 𝑦Σ=( ).
0 0 2

Bibliografía:

1. https://mathoverflow.net/questions/228335/multivariate-clt-with-varying-dimension-
size
2. https://en.wikipedia.org/wiki/Central_limit_theorem