Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 27 vistas

    Teoremas de Convergencia

    Cargado por

    Miguel Angel
    1) La Ley débil de los grandes números establece que la media muestral de una serie de variables aleatorias independientes convergerá casi seguramente a su esperanza matemática a medida que aumenta el tamaño de la muestra. 2) La desigualdad de Chebyshev mide la variabilidad de una variable aleatoria en relación a su esperanza mediante la varianza. Establece que la probabilidad de que la variable se desvíe de su esperanza disminuye a medida que aumenta la desviación. 3) El Teorema del Lí

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Teoremas de Convergencia

    Cargado por

    Miguel Angel
    27 vistas2 páginas
    1) La Ley débil de los grandes números establece que la media muestral de una serie de variables aleatorias independientes convergerá casi seguramente a su esperanza matemática a medida que aumenta el tamaño de la muestra. 2) La desigualdad de Chebyshev mide la variabilidad de una variable aleatoria en relación a su esperanza mediante la varianza. Establece que la probabilidad de que la variable se desvíe de su esperanza disminuye a medida que aumenta la desviación. 3) El Teorema del Lí

    Descripción original:

    Probabilidad

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    1) La Ley débil de los grandes números establece que la media muestral de una serie de variables aleatorias independientes convergerá casi seguramente a su esperanza matemática a medida que aumenta el tamaño de la muestra. 2) La desigualdad de Chebyshev mide la variabilidad de una variable aleatoria en relación a su esperanza mediante la varianza. Establece que la probabilidad de que la variable se desvíe de su esperanza disminuye a medida que aumenta la desviación. 3) El Teorema del Lí

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    27 vistas2 páginas

    Teoremas de Convergencia

    Cargado por

    Miguel Angel
    1) La Ley débil de los grandes números establece que la media muestral de una serie de variables aleatorias independientes convergerá casi seguramente a su esperanza matemática a medida que aumenta el tamaño de la muestra. 2) La desigualdad de Chebyshev mide la variabilidad de una variable aleatoria en relación a su esperanza mediante la varianza. Establece que la probabilidad de que la variable se desvíe de su esperanza disminuye a medida que aumenta la desviación. 3) El Teorema del Lí

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    de 2

    Teoremas de Convergencia

    1.- Ley débil de los grandes números

    Demostración:

    𝑆𝑒𝑎 {𝑋𝑛 }𝑛≥1 una sucesión de variables aleatorias independientes.

    𝐸(𝑋𝑛 ) = 𝜇, 𝑉𝑎𝑟(𝑋𝑛 ) = 𝜎 2 𝑛𝑛 = 1, 2, …
    Entonces, cualquiera que sea 𝜀 > 0, 𝑠𝑒 𝑡𝑖𝑒𝑛𝑒
    𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛
    lim 𝑃(| − 𝜇| ≥ 𝜀) = 0
    𝑛→∞ 𝑛
    Supongamos que 𝑆𝑛 − 𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 y aplicando a desigualdad de Tchebichev a la variable
    aleatoria 𝑆𝑛 /𝑛
    𝑛
    𝑆𝑛 1 1
    𝐸 ( ) − ∑ 𝐸(𝑋𝑡 ) = 𝑛𝜇 = 𝜇,
    𝑛 𝑛 𝑛
    𝑡=1
    𝑛 𝑛
    𝑆𝑛 1 1 𝑛𝜎 2 𝜎 2
    𝑉𝑎𝑟 ( ) = 2 𝑉𝑎𝑟 (∑ 𝑋𝑡 ) = 2 ∑ 𝑉𝑎𝑟(𝑋𝑡 ) = =
    𝑛 𝑛 𝑛 𝑛 𝑛
    𝑡=1 𝑡=1

    Aplicando la desigualdad:

    𝑆𝑛 1 𝜎2
    𝑃 (| − 𝜇| ≥ 𝜖) ≤ 2 →0
    𝑛 𝜖 𝑛
    Cuando 𝑛 → ∞, Esto prueba la ley débil de los grandes números.

    2.- Desigualdad de Chebyshev.

    La desigualdad de Chebyshev tiene como finalidad ser un medio para comprender como la
    varianza mide la variabilidad de una dada variable aleatoria con respecto a su esperanza
    matemática.

    Demostración:

    Sea X una variable aleatoria continua con esperanza E(X), sea c un número real y supongamos que
    𝐸[(𝑋 − 𝑐)2 ]existe y es finito. Entonces
    1
    ∀𝜖 >0 𝑃(|𝑋 − 𝑐| ≥ 𝜖) ≤ [(𝑋 − 𝑐)2 ]
    𝜖2
    Sea 𝑓(𝑥) 𝑙𝑎 𝑓𝑑𝑝 𝑑𝑒 𝑋. Tenemos:

    𝑃(|𝑋 − 𝑐| ≥ 𝜖) = ∫ 𝑓(𝑥) 𝑑𝑥
    |𝑋−𝑐|≥𝜖
    (𝑥−𝑐)2
    Si los valores de x que verifican |𝑥 − 𝑐| ≥ 𝜖 son los mismo que verifican 𝜖2
    ≥ 1, y 𝑓(𝑥) ≥ 0

    (𝑥 − 𝑐)2 ∞ (𝑥
    − 𝑐)2
    𝑃(|𝑋 − 𝑐| ≥ 𝜖) = ∫ 𝑓(𝑥) 𝑑𝑥 ≤ ∫ 𝑓(𝑥)𝑑𝑥 ≤ ∫ 𝑓(𝑥)𝑑𝑥
    𝜖2 −∞ 𝜖2
    |𝑥−𝑐|≥𝜖 |𝑥−𝑐|≥𝜖

    Esto quiere decir que los límites de integración. Teniendo en cuenta la expresión para la esperanza
    de una función H(x) de una variable aleatoria X:
    (𝑥−𝑐)2
    Si… 𝐻(𝑥) = Entonces:
    𝜖2
    ∞

    ∫ 𝐻(𝑥)𝑓(𝑥)𝑑𝑥 = 𝐸[𝐻(𝑋)]
    −∞

    Finalmente tendríamos:

    (𝑋 − 𝑐)2 1
    𝑃(|𝑋 − 𝑐| ≥ 𝜖) ≤ 𝐸 [ 2
    ] = 2 𝐸[(𝑋 − 𝑐)2 ]
    𝜖 𝜖

    3.- Central del límite.

    El teorema Central del Limite dice que si tenemos un grupo numeroso de variables independientes
    y todas ellas siguen el mismo modelo de distribución según una distribución normal con una t de
    Student. Cuando n es lo bastante grande, su distribución muestra también es una normal.

    Demostración.

    Sea 𝑋1 , 𝑋2 , … , 𝑋𝑛 son variables aleatorias (discretas o continuas) independientes con idéntico


    modelo de probabilidad de media 𝜇 y varianza 𝜎 2
    (𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 ) − 𝑛𝜇 (∑𝑛𝑖=1 𝑋1 ) − 𝑛𝜇
    𝑍= =
    𝜎√𝑛 𝜎 √𝑛
    Así vemos que este modelo se aproxima a una distribución normal.
    𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 ∑𝑛𝑖=1 𝑋1
    𝑋~ = =
    𝑛 𝑛
    𝜎
    𝑁(𝜇,
    √𝑛
    𝑥~ − 𝜇
    𝜎
    √𝑛
    Con este resultado probamos que el estadístico se distribuye como una variable equivalente a una
    distribución normal

    También podría gustarte