Ley de los Grandes Nmeros

Teorema 4.1 Sea una variable aleatoria que tiene varianza. Sea una sucesin de variables aleatorias independientes con la misma ley que Entonces para todo :

Demostracin : Se tiene:

La desigualdad de Bienaym-Tchebichev da:

cuando

La idea intuitiva es la siguiente: si medimos una misma cantidad aleatoria en una sucesin de experimentos independientes, entonces lamedia aritmtica de los valores observados va a estabilizarse sobre la esperanza. Como caso particular volvemos a encontrar la Ley de los Grandes Nmeros para la probabilidad de un evento. Para una sucesin de experimentos independientes denotemos por indicatriz del evento en el -simo experimento. Las y es la

siguen la ley de la frecuencia

Bernoulli de parmetro experimentaldel evento .

El

orden

de

magnitud

del es

error

cometido

al

aproximar

por

la media

: en la ltima desigualdad de la

demostracin, tomemos

. Se tiene:

Teorema del Lmite Centrado En simulacin, la situacin tpica es aquella en la que uno ejecuta un gran nmero de veces un lazo, calculando en cada pasada la realizacin de variables aleatorias independientes. El resultado que esperamos obtener es en general estimar una esperanza. Tambin en simulacin, como sucede en la Fsica o en la Biologa, debemos dar un resultado indicando su exactitud. El Teorema del Lmite Centrado es el que nos permite calcular esta exactitud.

Teorema 4.2 Sea

, una sucesin de variables aleatorias y de varianza ambas

independientes con una misma ley, de esperanza finitas. Denotemos:

La ley de

converge a la ley normal

, es decir para todo

Interpretacin:

En el Teorema del Lmite Centrado, valores constituyen

es el valor que hay que estimar. Los una muestra de mediciones aleatorias

independientes de esperanza . La cantidad es la media emprica de la muestra, la cual segn la Ley de los Grandes Nmeros debe converger a la esperanza . El Teorema del Lmite Centrado da la exactitud de esta aproximacin. Podemos leerlo intuitivamente de la siguiente manera. Si es lo suficientemente grande entonces comprendida entre y se encuentra muy probablemente ). Tenemos adems:

(la probabilidad es

o bien (media emprica) es igual a con una aproximacin de Esto lo formalizamos con la nocin de intervalo de confianza.

El Teorema del Lmite Centrado se utiliza para valores finitos de . La idea concreta es la siguiente. Si es lo suficientemente grande, la variable centrada y reducida (esperanza 0 y varianza ) asociada a la suma de variables

independientes sigue aproximadamente la ley suficiente de simulaciones de

. Si se realiza una cantidad

y si trazamos un histograma de los valores . No ms lejos en . Si .

obtenidos, este no estar muy alejado de la curva

todo caso que si hubisemos simulado variables aleatorias de ley sigue la ley , entonces sigue la ley

Tambin podemos decir que para lo suficientemente grande una suma de variables aleatorias independientes sigue aproximadamente una ley normal, cuya esperanza y cuya varianza son respectivamente la suma de las esperanzas y la suma de las varianzas de las variables que se suman. El problema es saber a partir de qu valor es ``lo suficientemente grande'', para obtener la exactitud

que se desea. Esto depende mucho de la ley de las . La aproximacin es mejor segn que esta ley sea ms simtrica. En particular el buen comportamiento de la ley uniforme, a la vista de lo que plantea el Teorema del Lmite Centrado, conduce a un algoritmo aproximado de simulacin para la ley .

Repetir

veces Random

finRepetir Justificacin:

Si

designa la sucesin de llamadas de Random (sucesin de variables , se tiene:

independientes de ley uniforme en

Se evita una divisin y se obtiene una aproximacin que ya es buena tomando . Este algoritmo no es aconsejado su empleo con los generadores clsicos. Su inconveniente principal es que realiza muchas llamadas a Random, lo que plantea el problema de la independencia de las realizaciones sucesivas. Para las leyes ms disimtricas como la ley exponencial, la aproximacin normal no es vlida para la suma de algunas decenas de variables. Se puede considerar justificada a partir de la suma de algunos centenares. En simulacin, son miles, si no millones, de variables que son engendradas, y el usar la aproximacin normal es completamente legtimo.