13 hechos sobre la desigualdad de Chebyshev y el teorema del límite central

En la teoría de la probabilidad el Desigualdad de Chebyshev El teorema del límite central se ocupa de las situaciones en las que queremos encontrar la distribución de probabilidad de la suma de un gran número de variables aleatorias en condiciones aproximadamente normales. Antes de mirar los teoremas del límite, vemos algunas de las desigualdades, que proporcionan los límites para las probabilidades si el se conoce la media y la varianza.

La desigualdad de Markov

La desigualdad de Markov para la variable aleatoria X que toma solo un valor positivo para a> 0 es

gif

para probar esto para un> 0 considerar

Como

gif

ahora teniendo la expectativa de esta desigualdad obtenemos

gif

la razón es

gif

que da la desigualdad de Markov para a> 0 como

gif

La desigualdad de Chebyshev

 por lo finito media y varianza de la variable aleatoria X la desigualdad de Chebyshev para k>0 es

gif

donde sigma y mu representan la varianza y la media de la variable aleatoria, para probar esto usamos el La desigualdad de Markov como la variable aleatoria no negativa

gif

para el valor de a como un cuadrado constante, por lo tanto

gif

esta ecuación es equivalente a

gif

tan claramente

gif

Ejemplos de las desigualdades de Markov y Chebyshev:

  1. Si la producción de un artículo específico se toma como variable aleatoria para la semana con media 50, calcule la probabilidad de que la producción exceda 75 en una semana y cuál sería la probabilidad si la producción de una semana está entre 40 y 60 siempre que la varianza para ese semana es 25?

Solución: Considere la variable aleatoria X para la producción del artículo durante una semana y luego, para encontrar la probabilidad de producción superior a 75, usaremos La desigualdad de Markov as

gif

Ahora, la probabilidad de producción entre 40 y 60 con varianza de 25 usaremos La desigualdad de Chebyshev as

gif

so

gif

esto muestra que la probabilidad de la semana si la producción está entre 40 y 60 es 3/4.

2. Demuestre que la desigualdad de chebyshev que proporciona el límite superior de la probabilidad no está particularmente más cerca del valor real de la probabilidad.

Solución:

Considere que la variable aleatoria X se distribuye uniformemente con media 5 y varianza 25/3 en el intervalo (0,1) y luego por el la desigualdad de chebyshev podemos escribir

gif.latex?P%28%7CX

pero la probabilidad real será

gif.latex?P%28%7CX 5%7C%26gt%3B4%5C%7D%3D0

que está lejos de la probabilidad real de igual manera si tomamos la variable aleatoria X como distribuida normalmente con media y varianza, entonces La desigualdad de Chebyshev se mostrarán

gif

pero la probabilidad real es

gif.latex?P%28%7CX %5Cmu%7C%26gt%3B2%20%5Csigma%5C%7D%3DP%5Cleft%5C%7B%5Cleft%7C%5Cfrac%7BX %5Cmu%7D%7B%5Csigma%7D%5Cright%7C%26gt%3B2%5Cright%5C%7D%3D2%5B1

Ley débil de los números grandes

La ley débil para la secuencia de variables aleatorias será seguida por el resultado de que La desigualdad de Chebyshev se puede utilizar como herramienta para pruebas, por ejemplo, para demostrar

gif

si la varianza es cero, las únicas variables aleatorias que tienen varianzas iguales a 0 son las que son constantes con probabilidad 1, así que por La desigualdad de Chebyshev para n mayor o igual a 1

gif

as

gif

por la continuidad de la probabilidad

gif

que prueba el resultado.

Para probar esto, asumimos que la varianza también es finita para cada variable aleatoria en la secuencia, por lo que la expectativa y la varianza

gif

ahora desde el La desigualdad de Chebyshev el límite superior de la probabilidad como

gif

que para n tendiendo al infinito será

gif

Teorema del límite central

La teorema del límite central es uno de los resultados importantes en la teoría de la probabilidad, ya que da la distribución a la suma de números grandes que es aproximadamente normal Además del método para encontrar las probabilidades aproximadas para sumas de variables aleatorias independientes, el teorema del límite central también muestra que las frecuencias empíricas de tantas poblaciones naturales exhiben curvas medias normales en forma de campana. Antes de dar la explicación detallada de este teorema, usamos el resultado.

"Si la secuencia de variables aleatorias Z1,Z2,…. tienen la función de distribución y la función generadora de momentos como FZn y Mzn luego

gif

Teorema del límite central: Para la secuencia de variables aleatorias independientes e idénticamente distribuidas X1,X2,……. cada uno de los cuales tiene la media μ y varianza σ2 entonces la distribución de la suma

gif

tiende a la normal estándar ya que n tiende a infinito para que a sean valores reales

Prueba: Para probar el resultado, considere la media como cero y la varianza como uno, es decir. μ = 0 y σ2= 1 y el función generadora de momentos para Xi existe y tiene un valor finito, por lo que la función generadora de momentos para la variable aleatoria Xi/ √n será

gif

hene la función generadora de momentos para la suma ΣXi/ √n será

gif

Ahora tomemos L (t) = logM (t)

so

gif

para mostrar la prueba que mostramos primero

mostrando su forma equivalente

202%

desde

por lo tanto, esto muestra el resultado para la media cero y la varianza 1, y este mismo resultado se sigue para el caso general también tomando

%20%5Csigma

y para cada uno tenemos

gif

Ejemplo del teorema del límite central

Para calcular la distancia en años luz de una estrella desde el laboratorio de un astrónomo, está usando algunas técnicas de medición, pero debido al cambio en la atmósfera cada vez que la distancia medida no es exacta pero con algún error, para encontrar la distancia exacta que planea recorrer. observar continuamente en una secuencia y el promedio de estas distancias como la distancia estimada, Si considera los valores de medición distribuidos idénticamente y una variable aleatoria independiente con media dy varianza de 4 años luz, encuentre el número de medición a realizar para obtener el error 0.5 en el valor estimado y real?

Solución: Consideremos las medidas como las variables aleatorias independientes en la secuencia X1,X2,…….Xn así que por el Teorema del límite central podemos escribir

gif

que es la aproximación al estándar distribución normal por lo que la probabilidad será

CódigoCogsEqn 76

así que para obtener la precisión de la medición al 95 por ciento, el astrónomo debe medir n * distancias donde

gif.latex?2%20%5CPhi%5Cleft%28%5Cfrac%7B%5Csqrt%7Bn%5E%7B*%7D%7D%7D%7B4%7D%5Cright%29

entonces de la tabla de distribución normal podemos escribirlo como

que dice que la medición debe realizarse 62 veces, esto también se puede observar con la ayuda de La desigualdad de Chebyshev tomando

gif

entonces la desigualdad resulta en

gif.latex?P%5Cleft%5C%7B%5Cleft%7C%5Csum %7Bi%3D1%7D%5E%7Bn%7D%20%5Cfrac%7BX %7Bi%7D%7D%7Bn%7D d%5Cright%7C%26gt%3B0.5%5Cright%5C%7D%20%5Cleq%20%5Cfrac%7B4%7D%7Bn%280

por lo tanto, para n = 16 / 0.05 = 320, lo que da certeza de que solo habrá un error de 5% en la medición de la distancia de la estrella desde el laboratorio de observaciones.

2. El número de estudiantes admitidos en el curso de ingeniería se distribuye en Poisson con una media de 100, se decidió que si los estudiantes admitidos son 120 o más la enseñanza será en dos secciones de lo contrario en una sola sección, cuál será la probabilidad de que haya ¿Serán dos secciones para el curso?

Solución: Siguiendo la distribución de Poisson, la solución exacta será

gif

que obviamente no da el valor numérico particular, si consideramos la variable aleatoria X como los estudiantes admitieron entonces por el teorema del límite central

que puede ser

gif.latex?%5Cbegin%7Barray%7D%7Bl%7D%20%3DP%5Cleft%5C%7B%5Cfrac%7BX 100%7D%7B%5Csqrt%7B100%7D%7D%20%5Cgeq%20%5Cfrac%7B119.5 100%7D%7B%5Csqrt%7B100%7D%7D%5Cright%5C%7D%20%5C%5C%20%5Capprox%201

que es el valor numérico.

3. Calcule la probabilidad de que la suma de diez dados cuando se lance esté entre 30 y 40, incluidos 30 y 40.

Solución: aquí considerando el dado como Xi para diez valores de i. la media y la varianza serán

gif

siguiendo así el teorema del límite central podemos escribir

gif.latex?%5Cbegin%7Baligned%7D%20P%5B29.5%20%5Cleq%20X%20%5Cleq%2040.5%5C%7D%20%26amp%3B%3DP%5Cleft%5C%7B%5Cfrac%7B29.5 35%7D%7B%5Csqrt%7B%5Cfrac%7B350%7D%7B12%7D%7D%7D%20%5Cleq%20%5Cfrac%7BX 35%7D%7B%5Csqrt%7B%5Cfrac%7B350%7D%7B12%7D%7D%7D%20%5Cleq%20%5Cfrac%7B40.5 35%7D%7B%5Csqrt%7B%5Cfrac%7B350%7D%7B12%7D%7D%7D%5Cright%5C%7D%20%5C%5C%20%26amp%3B%20%5Capprox%202%20%5CPhi%281.0184%29

que es la probabilidad requerida.

4. Para las variables aleatorias independientes uniformemente distribuidas Xi en el intervalo (0,1) cuál será la aproximación de la probabilidad

gif

Solución: De la distribución Unifrom sabemos que la media y la varianza serán

gif

Ahora usando el teorema del límite central podemos

gif.latex?%5Cbegin%7Baligned%7D%20P%5Cleft%5C%7B%5Csum %7B1%7D%5E%7B10%7D%20X %7Bi%7D%26gt%3B6%5Cright%5C%7D%20%26amp%3B%3DP%5Cleft%5C%7B%5Cfrac%7B%5Csum %7B1%7D%5E%7B10%7D%20X %7Bi%7D 5%7D%7B%5Csqrt%7B10%5Cleft%28%5Cfrac%7B1%7D%7B12%7D%5Cright%29%7D%7D%26gt%3B%5Cfrac%7B6 5%7D%7B%5Csqrt%7B10%5Cleft%28%5Cfrac%7B1%7D%7B12%7D%5Cright%29%7D%7D%5Cright%5C%7D%20%5C%5C%20%26amp%3B%20%5Capprox%201

por tanto, la suma de la variable aleatoria será del 14 por ciento.

5. Calcule que la probabilidad de que el evaluador del examen dé calificaciones será de 25 exámenes en 450 min iniciales si hay 50 exámenes cuyo tiempo de calificación es independiente con una media de 20 min y una desviación estándar de 4 min.

Solución: considere el tiempo necesario para calificar el examen con la variable aleatoria Xi por lo que la variable aleatoria X será

gif

Dado que esta tarea para el examen 25 está dentro de 450 minutos,

gif
gif
gif

aquí usando el teorema del límite central

gif.latex?%5Cbegin%7Baligned%7D%20P%5BX%20%5Cleq%20450%5C%7D%20%26amp%3B%3DP%5Cleft%28%5Cfrac%7BX 500%7D%7B%5Csqrt%7B400%7D%7D%20%5Cleq%20%5Cfrac%7B450 500%7D%7B%5Csqrt%7B400%7D%7D%5Cright%29%20%5C%5C%20%26amp%3B%20%5Capprox%20P%28Z%20%5Cleq 2.5%5C%7D%20%5C%5C%20%26amp%3B%3DP%28Z%20%5Cgeq%202.5%5C%7D%20%5C%5C%20%26amp%3B%3D1 %5CPhi%282.5%29%3D0

que es la probabilidad requerida.

Teorema del límite central para variables aleatorias independientes

Para la secuencia que no tiene una distribución idéntica pero que tiene variables aleatorias independientes X1,X2, ……. cada uno de los cuales tiene la media μ y la varianza σ2 siempre que satisfaga

  1. cada Xi está uniformemente acotado
  2. suma de las varianzas es infinita, entonces
gif

Ley fuerte de los números grandes

La Ley Fuerte de los Grandes Números es un concepto crucial de la teoría de probabilidad que dice que el promedio de la secuencia de variables aleatorias comúnmente distribuidas con probabilidad uno convergerá a la media de esa misma distribución

Posicionamiento: Para la secuencia de idénticamente distribuidos y variables aleatorias independientes X1,X2, ……. cada uno de los cuales tiene la media finita con probabilidad uno entonces

gif

Prueba: Para probar esto, considere que la media de cada una de las variables aleatorias es cero y la serie

gif

ahora para esto, considere el poder de esto como

después de tomar la expansión de los términos del lado derecho tenemos los términos de la forma

gif

ya que estos son independientes, por lo que la media de estos será

gif

con la ayuda de la combinación del par, la expansión de la serie ahora será

gif

desde

gif

so

gif

obtenemos

gif

esto sugiere la desigualdad

gif

por lo tanto

gif

Por la convergencia de la serie, ya que la probabilidad de cada variable aleatoria es uno, entonces

gif

desde

gif

si la media de cada variable aleatoria no es igual a cero, entonces con desviación y probabilidad uno podemos escribirlo como

gif

or

gif

que es el resultado requerido.

Desigualdad de Chebyshev unilateral

La desigualdad de Chebysheve unilateral para la variable aleatoria X con media cero y varianza finita si a> 0 es

Desigualdad de Chebyshev
desigualdad de chebyshev

para probar esto, considere para b> 0 sea la variable aleatoria X como

gif

lo que da

gif

así que usando el La desigualdad de Markov

Desigualdad de Chebyshev
chebyshev unilateral

lo que da la desigualdad requerida. para la media y la varianza podemos escribirlo como

gif

Esto además se puede escribir como

gif

Ejemplo:

Encuentre el límite superior de la probabilidad de que la producción de la empresa que se distribuye aleatoriamente sea de al menos 120, si la producción de esta determinada empresa tiene una media de 100 y una varianza de 400.

Solución:

Usando el unilateral desigualdad de chebyshev

gif

entonces esto da la probabilidad de la producción dentro de una semana al menos 120 es 1/2, ahora el límite para esta probabilidad se obtendrá usando La desigualdad de Markov

que muestra el límite superior de la probabilidad.

Ejemplo:

Se toman cien pares de doscientas personas que tienen cien hombres y cien mujeres y se encuentra el límite superior de la probabilidad de que como máximo treinta pares estén formados por hombres y mujeres.

Solución:

Deje que la variable aleatoria Xi as

gif

por lo que el par se puede expresar como

gif

Dado que todos los hombres tienen la misma probabilidad de estar emparejados con las personas restantes en las que cien son mujeres, la media

gif

de la misma manera si i y j no son iguales, entonces

gif

as

20197%

por lo tanto tenemos

gif
gif
gif
gif
gif

usando el desigualdad de chebyshev

gif.latex?P%5C%7BX%20%5Cleq%2030%5C%7D%20%5Cleq%20P%5C%7B%7CX

que dice que la posibilidad de emparejar 30 hombres con mujeres es menos de seis, por lo que podemos mejorar el límite usando desigualdad chebyshev unilateral

gif.latex?%5Cbegin%7Baligned%7D%20P%5BX%20%5Cleq%2030%5C%7D%20%26amp%3B%3DP%5BX%20%5Cleq%2050.25

Atado a Chernoff

Si la función generadora de momento ya se conoce entonces

gif

as

gif

de la misma manera podemos escribir para t <0 como

gif

Por lo tanto, el límite de Chernoff se puede definir como

gif

esta desigualdad representa todos los valores de t positivos o negativos.

Límites de Chernoff para la variable aleatoria normal estándar

Los límites de Chernoff para el estándar variable aleatoria normal cuya función generadora de momentos

%202%7D

is

así que minimizar esta desigualdad y los términos de potencia del lado derecho da para a> 0

%202%7D

y para un <0 es

%202%7D

Límites de Chernoff para la variable aleatoria de Poisson

Los límites de Chernoff para la variable aleatoria de Poisson cuya función generadora de momento

gif

is

gif

así que minimizar esta desigualdad y los términos de potencia del lado derecho da para a> 0

%20%5Clambda 1%29%7D%5Cleft%28%5Cfrac%7B%5Clambda%7D%7Bi%7D%5Cright%29

y seria

gif

Ejemplo de Chernoff Bounds

En un juego, si un jugador tiene la misma probabilidad de ganar o perder el juego independientemente de cualquier puntaje pasado, encuentre el límite de chernoff para la probabilidad

Solución: Sea Xi denotar la victoria del jugador, entonces la probabilidad será

gif

para la secuencia de n jugadas deja

gif

por lo que la función generadora de momento será

gif

aquí usando las expansiones de términos exponenciales

CódigoCogsEqn 77

entonces tenemos

%202%7D

ahora aplicando la propiedad de la función generadora de momentos

%202%7D%20%5Cend%7Baligned%7D

Esto da la desigualdad

%202%20n%7D%20%5Cquad%20a%26gt%3B0

por lo tanto

Conclusión:

Se discutieron las desigualdades y el teorema del límite para los números grandes y también se tomaron los ejemplos justificables para los límites de las probabilidades para vislumbrar la idea. el concepto fácilmente, si necesita más lectura, consulte los libros a continuación o para obtener más artículos sobre probabilidad, siga nuestras Páginas de matemáticas.

Un primer curso de probabilidad de Sheldon Ross

Esquemas de probabilidad y estadística de Schaum

Una introducción a la probabilidad y la estadística por ROHATGI y SALEH