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.,
siguiendo una distribución Gaussian, o la curva acampanada) si las
variables al azar tienen a finito variación. Formalmente, a teorema
de límite central es cualquiera de un sistema de débil-
convergencia resultados adentro teoría de las probabilidades. 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”.
Puesto que muchas poblaciones verdaderas rinden distribuciones
con finito variación, esto explica el predominio de la distribución
normal de la probabilidad. Para otras generalizaciones para la
variación finita que no requieran la distribución idéntica, vea
Lindeberg condición, Lyapunov condición, Gnedenko y
Kolmogorov estados.

Contenido
• 1 Historia
• 2 Teorema de límite central clásico
○ 2.1 Prueba del teorema de límite central
○ 2.2 Convergencia al límite
○ 2.3 Relación a la ley de números grandes
○ 2.4 Declaraciones alternativas del teorema
 2.4.1 Funciones de la densidad
 2.4.2 Funciones características
• 3 Extensiones al teorema
○ 3.1 Teorema de límite central multidimensional
○ 3.2 Productos de variables al azar positivas
○ 3.3 Carencia de la distribución idéntica
 3.3.1 Condición de Lyapunov
 3.3.2 Condición de Lindeberg
○ 3.4 Carencia de la independencia
• 4 Usos y ejemplos
○ 4.1 Proceso de señal
• 5 Vea también
• 6 Notas
 • 7 Referencias
• 8 Acoplamientos externos

Historia
Tijms (2004, p.169) escribe:

“ El teorema de límite central tiene una historia

interesante. La primera versión de este teorema
fue postulada por el matemático Francés-llevado
Abraham de Moivre, que, en un artículo notable
publicado en 1733, utilizó la distribución normal
para aproximar la distribución del número de
cabezas resultando de muchas sacudidas de una
moneda justa. Esto que encontraba era lejano
delante de su tiempo, 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, que fue publicada en 1812. Laplace
amplió a De Moivre que encontraba
aproximando la distribución binomial con la
distribución normal. Pero como con De Moivre,
Laplace encontrando recibido poca atención en
su propio tiempo. No era hasta que el
diecinueveavo siglo era en un extremo que la
importancia del teorema de límite central fue
discernida, cuando, en 1901, el matemático ruso
Aleksandr Lyapunov definido le de modo
general y probado exacto cómo trabajó
matemáticamente. Hoy en día, el teorema de
límite central se considera ser el soberano
oficioso de la teoría de las probabilidades. ”
Una cuenta cuidadosa de la historia del teorema, trabajo
foundational de Laplace que detalla, así como Cauchy's, Bessel's y
Poissonlas 'contribuciones de s, son proporcionadas por Hald.[1]
Dos cuentas históricas, una que cubre el desarrollo de Laplace a
Cauchy, el segundo las contribuciones cerca von Mises, Pólya,
Lindeberg, Lévy, y Cramér durante los años 20, son dados por
Hans Fischer.[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.L.T. en un ajuste general.
Teorema de límite central clásico
El teorema de límite central también se conoce como el segundo
teorema fundamental de la probabilidad. ( Ley de números grandes
es el primer.)
Dejado X1, X2, X3, ... 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. El teorema de límite central indica que
como el tamaño de muestra n aumentos[3][4] , 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.
Deje la suma de las variables al azar ser Sn, dado cerca
Sn = X1 + ... + Xn. Entonces, definiendo
la distribución de Znconverge hacia distribución normal estándar N
(0.1) como n ∞ de los acercamientos (esto es convergencia en la
distribución).[3] Esto se escribe a menudo como
donde
es medio de la muestra.
Esto significa: si Φ (z) es función de distribución acumulativa de
N(0.1), entonces para cada número verdaderoz, tenemos
o,
Prueba del teorema de límite central
Para un teorema de tal importancia fundamental para estadística y
probabilidad aplicada, el teorema de límite central tiene usar
notable simple de la prueba funciones características. Es similar a
la prueba de a (débil) ley de números grandes. Para cualquier
variable al azar, Y, con cero medio y variación de la unidad (var (Y)
= 1), la función característica de Y es, cerca Teorema de Taylor,
donde o (t2 ) es “poca notación de o“para una cierta función de t
eso va a cero más rápidamente que t2. El dejar Yi sea (Xi μ) del −/σ,
el valor estandardizado de Xi, es fácil ver que el medio
estandardizado de las observaciones X1, X2, ..., Xn es
Por las características simples de funciones características, la
función característica de Zn es
Pero, este límite es justo la función característica de una
distribución normal estándar, N (0.1), y el teorema de límite central
sigue de Teorema de la continuidad de Lévy, que confirma que
convergencia de funciones características implica convergencia en
la distribución.
Convergencia al límite
El teorema de límite central da solamente una distribución
asintótica. Como aproximación para un número finito de
observaciones, proporciona una aproximación razonable solamente
cuando cerca del pico de la distribución normal; requiere un
número muy grande de observaciones estirar en las colas.
Si la tercera central momento E ((X1 μ del −)3) existe y es finita,
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).
La convergencia normal es monotónica, en el sentido que entropía
de Zn aumentos monotónico a el de la distribución normal, según lo
probado por Artstein, la bola, Barthe y Naor[citación necesitada].
El teorema de límite central se aplica particularmente a las sumas
de independiente y distribuyó idénticamente variables al azar
discretas. Una suma de variables al azar discretas todavía está a
variable al azar discreta, 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). Esto
significa eso si construimos a histograma de las realizaciones de la
suma de n las variables discretas idénticas independientes, 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 . 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.
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, serie asintótica es una de las herramientas más
populares empleadas para acercar a tales preguntas.
Suponga que tenemos una extensión asintótica de f (n):
dividiendo ambas piezas cerca y tomar el límite producirá a1 - el
coeficiente en el término highest-order en la extensión que
representa la tarifa en la cual f(n) cambios en su término principal.
Informal, uno puede decir: "f(n) crece aproximadamente como ".
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.
Informal, algo a lo largo de estas líneas está sucediendo cuando Sn
se está estudiando en teoría de las probabilidades clásica. Bajo
cierta regularidad condiciona, por la ley de números grandes, y por
el teorema de límite central, donde ξ se distribuye como N(0, σ2)
cuáles proporcionan valores de las primeras dos constantes en la
extensión informal:
Podía ser demostrado[citación necesitada] eso si X1, X2, X3, ... son i.i.d. 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. Interesante
bastante, La ley del logaritmo iterado nos dice qué está sucediendo
“entre” la ley de números grandes y del teorema de límite central.
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.
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). 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, bajo condiciones
indicadas arriba.
Funciones características
Desde función característica de una circunvolución está el producto
de las funciones características de las densidades implicadas, 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,
bajo condiciones indicadas arriba.
Una declaración equivalente se puede hacer alrededor Fourier
transforma, puesto que la función característica es esencialmente
un Fourier transforme.
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, con
vector malo μ y matriz de la covariaciónΣ (entre los componentes
individuales del vector). Ahora, si tomamos las adiciones de estos
vectores como siendo componentwise hecho, después el teorema
de límite central multidimensional indica eso cuando está escalado,
éstos convergen a a distribución normal multivariate.
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, pero qué sobre el
producto? Bien, logaritmo de un producto está simplemente la
suma de los registros de los factores, tan el registro de un producto
de las variables al azar que toman solamente valores positivos
tienden para tener una distribución normal, que hace que el
producto sí mismo tiene a distribución log-normal. Muchas
cantidades físicas (especialmente masa o la longitud, que son una
cuestión de escala y no pueden ser negativas) son el producto de
diferente al azar los factores, así que ellos siguen una distribución
log-normal.
Mientras que el teorema de límite central para las sumas de
variables al azar requiere la condición de la variación finita, el
teorema correspondiente para los productos requiere la condición
correspondiente que la función de la densidad sea cuadrado-
integrable (véase Rempala 2002).
Carencia de la distribución idéntica
El teorema de límite central también se aplica en el caso de las
secuencias que no se distribuyen idénticamente, proporcionadas
una de un número de condiciones se aplica.
Condición de Lyapunov
Vea también Teorema de límite central de Lyapunov.
Dejado Xn sea una secuencia de las variables al azar independientes
definidas en el mismo espacio de la probabilidad. 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, y eso
(Éste es Lyapunov condición). Consideramos otra vez la suma , su
valor previsto es y su desviación de estándar es sn, si lo
estandardizamos fijando
entonces la distribución de Zn converge a la distribución normal
estándar N (0.1).
Condición de Lindeberg
En el mismo ajuste y por la misma notación que arriba, podemos
substituir la condición de Lyapunov con más débil la siguiente (de
Lindeberg en 1920). Para cada ε > 0
donde E ( U : V>c) es E ( U 1{V>c}), es decir, la expectativa de la
variable al azar U 1{V>c} es de quién valor U si V>c y cero de otra
manera. Entonces la distribución de la suma estandardizada Zn
converge hacia la distribución normal estándar N (0.1).
Carencia de la independencia
Hay algunos teoremas que tratan la caja de sumas de variables de la
no-independiente, por ejemplo:
• teorema de límite central m-dependiente,
• teorema de límite central de la martingala,
• teorema de límite central para los procesos que se mezclan
y
• teorema de límite central para los cuerpos convexos.
Usos y ejemplos
Hay un número de ejemplos y de usos útiles e interesantes que se
presentan del teorema de límite central. Vea e.g. [1], presentado
como parte de Actividad de SOCR CLT.
• La distribución de la probabilidad para la distancia total
cubierta en a caminata al azar (predispuesto o imparcial)
tenderá hacia a distribución normal.
• 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).
De otro punto de vista, 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. En casos tenga gusto
del ruido electrónico, grados de la examinación, y así
sucesivamente, nosotros puede mirar a menudo un solo valor
medido como el promedio cargado de una gran cantidad de efectos
pequeños. Usando generalizaciones del teorema de límite central,
podemos entonces ver que éste (sin embargo no siempre)
produciría a menudo una distribución final que es
aproximadamente normal.
Más bién la suma de variables independientes con influencia igual
en el resultado una medida está generalmente, más normalidad que
exhibe. Esto justifica el uso común de esta distribución de
substituir los efectos de variables inadvertidas en modelos como
modelo linear.
Proceso de señal
Las señales pueden ser alisadas aplicando a Filtro Gaussian, que es
justo circunvolución de una señal con escalada apropiadamente
Función Gaussian. Debido al teorema de límite central esto que
alisa se puede aproximar por varios pasos del filtro que puedan ser
mucho más rápidos computado, como el simple promedio móvil.
El teorema de límite central implica eso para alcanzar un Gaussian
de variación σ2n filtros con las ventanas de variaciones con debe
ser aplicado.
Vea también
• Diversificación (finanzas)
• Ilustración del teorema de límite central
• Ley de números grandes - una conclusión más débil en el
mismo contexto
• Distribución Log-normal - qué conseguimos cuando
multiplicamos variables al azar en un contexto similar el
teorema de límite central
Notas
1. ^ Andreas Hald, Historia de la estadística matemática a
partir de 1750 a 1930, Ch.17.
2. ^Hans Fischer: (1) “El teorema de límite central de Laplace
a Cauchy: Cambios en objetivos estocásticos y en métodos
analíticos "; (2) “El teorema de límite central en los años
20”.
3. ^ ab Por décadas, el tamaño de muestra grande fue fijado
como n> 29; sin embargo, la investigación desde 1990, ha
indicado muestras más grandes, tales como 100 o 250,
pudieron ser necesarios si sesgan a la población lejos de
normal: más posición oblicua, más en gran parte la muestra
necesitó. Las condiciones pudieron ser raras, pero críticas
cuando ocurren: animaciones de computadora se utilizan
ilustrar los casos. El atajo con n > 29 ha permitido
Estudiante-t tablas a ajustar a formato en páginas limitadas;
sin embargo, ese tamaño de muestra pudo ser demasiado
pequeño. Vea debajo de “usar gráficos y la simulación.” por
Marasinghe y otros, 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, Chong Ho y el Dr. Juan
T. Behrens, universidad de estado del Arizona y Spencer
Anthony, Univ. de Oklahoma, reunión anual de la
asociación de investigación educativa americana,
presentada el 19 de abril de 1995, de papel revisado en el
12 Feb de 1997, Web page (alcanzado 2007-10-25):
CWisdom-rtf.
4. ^ Marasinghe, M., más manso, W., cocinero, D. Y Shin,
T.S. (el 1994 de agosto), “con gráficos y la simulación para
enseñar los conceptos estadísticos”, de papel presentó en la
reunión anual de la asociación americana del estadístico,
 Toronto, Canadá.
Referencias
• Henk Tijms, Probabilidad que entiende: Reglas Chance en
vida diaria, Cambridge: Prensa de la universidad de
Cambridge, 2004.
• S. Artstein, K. Bola, F. Barthe y A. Naor, “solución del
problema de Shannon en el Monotonicity de la entropía”,
Diario de la sociedad matemática americana 17, 975-982
(2004).
• S.N.Bernstein, En el trabajo de P.L.Chebyshev en la teoría
de las probabilidades, Nauchnoe Nasledie P.L.Chebysheva.
Vypusk Pervyi: Matematika. (Ruso) [la herencia científica
del P. L. Chebyshev. Primera parte: Matemáticas]
corregidas por el S. N. Bernstein.] Academiya Nauk SSSR,
Moscú-Leningrad, 1945. 174 pp.
• G. Rempala y J. Wesolowski, “Asymptotics de productos
de sumas y U- estadística ", Comunicaciones electrónicas
en probabilidad, vol. 7, pp. 47-54, 2002.
Acoplamientos externos
• 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 - 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, tamaño de muestra, y
estadística de la muestra.
• [2] Otra prueba.
• CAUSEweb.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, El proyecto
de demostraciones del volframio.
• Eric W. Weisstein, Teorema de límite central en
 MathWorld.

The original work was translated from English to Spanish. To view the original article please
click here.
Creative Commons Licence

Política de privacidad | Términos y condiciones | Traductor

© Copyright 2010 WorldLingo Translations LLC. Reservados todos los derechos.