Académique Documents
Professionnel Documents
Culture Documents
S n X 1 X 2 ... X n
teniendo en cuenta que:
S n S n 1 X n 3
Veamos un ejemplo: Supongamos que lanzamos un dado
dos veces. Sea el resultado del primer lanzamiento la variable
aleatoria X1 y del segundo, la variable aleatoria X2 , ambas
con la misma distribucin de probabilidad que llamaremos
m(x). Calculemos la funcin de distribucin de probabilidad
para S2 = X1 + X2.
P( S 2 s ) m( X
k
1 k ) m( X 2 s k )
4
(....)
Si quisiramos calcular S3 = X1 + X2 + X3 , tendramos:
(...)
Este es el resultado
grfico para la suma
S10 de 10 dados.
5
Y estos son los resultados
grficos para las sumas
S20 y S30 de 20 y 30 dados,
respectivamente.
Veremos por qu ms
adelante, cuando hablemos
del teorema central del
lmite.
6
Suma de variables aleatorias continuas
( f g )( z ) f ( z y ) g ( y )dy
g ( z x) f ( x)dx
7
8
Suma de dos variables aleatorias
uniformes independientes
Supongamos que escogemos dos variables aleatorias
independientes del intervalo [0;1] con densidad de
probabilidad, digamos X, Y, entonces su suma
Z=X+Y, sus distribuciones uniformes, son:
fX (x)=fY (x)=1, si 0x1, 0 en cualquier otro caso
fZ (z)=fX (z-y)fY (y)dy
fZ (z)=01fX (z-y)dy
Suma de dos variables aleatorias uniformes
independientes
Dos distribuciones
uniformes U(0,1).
Obtenemos la
densidad de
probabilidad de la
suma de las dos
variables por
convolucin de sus
densidades.
10
11
1
f Z ( z ) f X ( z y )dy
0
12
Convolucin de dos densidades de probabilidad
uniformes U(0,1).
13
Suma de dos variables aleatorias
exponenciales independientes
Dos densidades
de probabilidad
exponenciales
Exp().
Obtenemos la
densidad de
probabilidad de la
suma de las dos
variables por
convolucin de sus
densidades.
14
Convolucin de dos
densidades de probabilidad
exponenciales Exp().
15
Suma de dos variables aleatorias
normales independientes
17
Suma de n variables aleatorias independientes
S n X 1 X 2 ... X n
Teniendo en cuenta que:
S n S n 1 X n
Y que:
f S 2 ( x) f X1 f X 2 ( x)
Tendremos para n variables aleatorias independientes:
f S n ( x) f X1 f X 2 ... f X n ( x)
18
Recuerda que la convolucin es una operacin conmutativa y asociativa.
Suma de n
uniformes
19
Suma de n
normales
20
Suma de n
exponenciales
21
Teorema central del lmite
En condiciones muy generales la suma de n
variables aleatorias , independientes e
idnticamente distribuidas con media y varianza
distinta de cero 2, tiende a la distribucin normal
a medida que n tiende a infinito.
S n X 1 X 2 ... X n
P
(
x
k
)1k 2
O bien, haciendo: k
Pafnuti Lvovic Cebicev
P( x )
2 2
(1821-1894)
23
Demostracin:
2 x 2 f ( x)dx
x 2 f ( x)dx
x
f ( x)dx f ( x)dx
2 2
x x
P x
P x
2 2
24
Para el caso discreto la demostracin es semejante.
Ley de los grandes nmeros (en forma dbil)
Sean X1, X2, ..., Xn variables aleatorias
independientes, con la misma distribucin (misma
media y varianza 2). Entonces, para
Sn = X1 + X2 + ... + Xn y cualquier real > 0:
La frase "ley de los grandes nmeros"
es tambin usada ocasionalmente para Sn
referirse al principio de que la
probabilidad de que cualquier evento
lim P 0
posible (incluso uno improbable) ocurra
n
n
al menos una vez en una serie,
incrementa con el nmero de eventos en
la serie. Por ejemplo, la probabilidad de
o de forma equivalente :
que un individuo gane la lotera es
bastante baja; sin embargo, la Sn
probabilidad de que alguien gane la lim P 1
lotera es bastante alta, suponiendo que
suficientes personas comprasen boletos
n
n
de lotera. Wikipedia 26
Demostracin:
n
S n 2
2
S n n
Var 2 ; E
n n n n n
Sn 2
P 2 Usando la desigualdad
n
de Chebyshev y fijado
n un psiln:
Sn
lim P 0
n
n
o de forma equivalente :
Sn
lim P 1
n
n 27
Observa que Sn/n es un promedio y por eso a la ley de
los grandes nmeros suele conocerse tambin como
ley de los promedios.
Sn 1
P 1
n 2
28
Distribuciones para el nmero de caras en n lanzamientos de una moneda.
La ley de los grandes nmeros predice que el porcentaje de caras para n
grande estar prximo a 1/2.
En las grficas se ha
marcado con puntos
las probabilidades
comprendidas entre
0.45 y 0.55.
2 12
Sn
2
Sn 1 1
E ; Var
n 2 n n 12n
De modo que, para cualquier > 0, tendremos:
Sn 2 1
P 2
n 12 n 2
31
Una aplicacin al Mtodo de Monte Carlo
Sea g(x) una funcin
continua definida en
el intervalo [0,1] y con
imagen en [0,1].
Vimos cmo estimar
el rea bajo la funcin,
su integral, generando
pares de nmeros (x,y)
al azar.
E (Yn ) g ( x) dx 1
1 2
2 2
0
Y1 Y2 ... Yn 2 1
P 2 2
n n n
Que podemos leer como: la diferencia entre el rea estimada
y la real, el error que cometemos, es mayor que psilon con
probabilidad 1/n2. 33
34