LEY DE LOS GRANDES NÚMEROS

En teoría de probabilidad, existe un resultado matemático de suma importancia,

llamado la Ley de los Grandes Números, que dice lo siguiente:

Si X1, X2, X3, X4, ..., Xn, son observaciones de realizaciones repetidas de una
variable aleatoria X, y n es un número grande, entonces

(# veces que X cae en x)/n es aproximadamente igual a f(x) para x=0,1,2,3,4,5, ...

Aquí, “grande'' en términos prácticos es del orden de 25-30 para muchas

situaciones. La cantidad

(# veces que X cae en x)/n

recibe el nombre de frecuencia relativa, y la denotaremos por

Al conteo

# veces que X cae en x

lo denotaremos con el símbolo o (la letra o es por frecuencia ``observada'').

Nota que para que se cumpla la Ley de los Grandes Números, no importa que
sepamos o no cuál es f(x).

Nota que la frecuencia relativa es una cantidad aleatoria que tiene las siguientes
propiedades:

1. para cualquier x=0,1,2,3,4,5, ...

2.

Las leyes de los grandes números explican por qué el promedio de una muestra al
azar de una población de gran tamaño tenderá a estar cerca de la media de la
población completa.

Cuando las variables aleatorias tienen una varianza finita, el teorema central del
límite extiende nuestro entendimiento de la convergencia de su promedio
describiendo la distribución de diferencias estandarizadas entre la suma de
variables aleatorias y el valor esperado de esta suma: sin importar la distribución
subyacente de las variables aleatorias, esta diferencia estandarizada converge a
una variable aleatoria normal estándar.

La frase "ley de los grandes números" es también usada ocasionalmente para

referirse al principio de que la probabilidad de que cualquier evento posible
(incluso uno improbable) ocurra al menos una vez en una serie, incrementa con el
número de eventos en la serie. Por ejemplo, la probabilidad de que un individuo
gane la lotería es bastante baja; sin embargo, la probabilidad de que alguien gane
la lotería es bastante alta, suponiendo que suficientes personas comprasen
boletos de lotería.

LA LEY DÉBIL DE LOS GRANDES NÚMEROS.

Establece si X1, X2, X3, ... es una sucesión infinita de variables aleatorias
independientes que tienen el mismo valor esperado μ y varianza σ2, entonces el
promedio
converge en probabilidad a μ. En otras palabras, para cualquier número positivo ε
se tiene

LA LEY FUERTE DE LOS GRANDES NÚMEROS.

Establece que si X1, X2, X3, ... es una sucesión infinita de variables aleatorias
independientes e idénticamente distribuidas que cumplen E(|Xi|) < ∞   y tienen el
valor esperado μ, entonces

Es decir, el promedio de las variables aleatorias converge a μ casi seguramente

(en un conjunto de probabilidad 1).

Esta ley justifica la interpretación intuitiva de que el valor esperado de una variable
aleatoria como el "promedio a largo plazo al hacer un muestreo repetitivo".

El Teorema de Bernoulli es un caso particular de la Ley de los grandes números,

que precisa la aproximación frecuencial de un suceso a la probabilidad p de que
este ocurra a medida que se va repitiendo el experimento.

Dados un suceso A, su probabilidad p de ocurrencia, y n pruebas independientes

para determinar la ocurrencia o no-ocurrencia de A.
Sea f el número de veces que se presenta A en los n ensayos y un número
positivo cualquiera, la probabilidad de que la frecuencia relativa f/n discrepe de p
en más de (en valor absoluto) tiende a cero al tender n a infinito. Es decir:
Si disponemos de dos variables aleatorias podemos definir distribuciones
bidimensionales de forma semejante al caso unidimensional. Para el caso
discreto tendremos

p ( x, y )= P ( X = x, Y = y ) .

Con: ∑ ∑ p( x , y)=1 , p( x , y )≥0 .

x y

Podemos encontrar la probabilidad marginal de la variable aleatoria X

sumando sobre todos los posibles valores de la variable aleatoria Y:

p X ( x )=∑ p ( x , y )
y

Igualmente, podemos encontrar probabilidad marginal de la variable aleatoria Y

sumando sobre todos los posibles valores de la variable aleatoria Y:

pY ( y )=∑ p( x , y )
x

Podemos encontrar la probabilidad marginal de la variable aleatoria X

sumando sobre todos los posibles valores de la variable aleatoria Y:

p X ( x)=∑ p( x , y)
y

FUNCION DE PROBABIIDAD CONDICIONAL

La función de probabilidad condicional de X dado Y = y es

p (x,y )
p( x|y )=
pY ( y )
Y la función de probabilidad condicional de Y dado X = x es:

p (x,y )
p( y|x )=
pX ( x )

La definición para dos variables aleatorias continuas es semejante: F(x,y) = P(X £ x,

Y£ y).

La densidad de probabilidad f(x,y) se obtiene derivando la función de probabilidad

con respecto a sus argumentos

∂2 F ( x, y) ∂2 F( x , y )
= =f ( x , y )
∂x∂ y ∂ y∂ x

por supuesto:

f ( x , y )≥0,
∞ ∞
∫ ∫ f ( x, y)dxdy=1
−∞ −∞