Académique Documents
Professionnel Documents
Culture Documents
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:
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
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.
La ley de
Interpretacin:
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
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
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.