You are on page 1of 3

Geoestadstica

Tarea 2 Castaeda Alvarez Elder Teorema del Lmite Central SI UNA VARIABLE ALEATORIA Y ES LA SUMA DE n VARIABLES ALEATORIAS INDEPENDIENTES QUE SATISFACEN CIERTAS CONDICIONES GENERALES, PARA n SUFICIENTEMENTE GRANDE, Y SE ENCUENTRA APROXIMADAMENTE DISTRIBUIDA EN FORMA NORMAL. ENUNCIAMOS ESTO COMO UN TEOREMA, EL MS IMPORTANTE EN MATERA DE PROBABILIDAD Y ESTADSTICA: TEOREMA 1 SI x1, x2, ..., xn ES UNA SECUENCIA DE n VARIABLES ALEATORIAS INDEPENDIENTES CON E(xI) = i Y V(xi) = i2 (AMBAS FINITAS) Y y = x1, x2, ..., xn, EN CIERTAS CONDICIONES GENERALES,

TIENE UNA DISTRIBUCION N(0,1) APROXIMADA CONFORME n SE ACERCA A INFINITO. SI Fn ES LA FUNCION DE DISTRIBUCIN DE Zn, ENTONCES:

Ley de Nmeros Grandes En la teora de la probabilidad, bajo el trmino genrico de La ley de los grandes nmeros se engloban varios teoremas que describen el comportamiento del promedio de una sucesin de variables aleatorias conforme aumenta su nmero de ensayos. Estos teoremas prescriben condiciones suficientes para garantizar que dicho promedio converge (en los sentidos explicados abajo) al promedio de las esperanzas de las variables aleatorias involucradas. Las distintas formulaciones de la ley de los grandes nmeros (y sus condiciones asociadas) especifican la convergencia de formas distintas. Las leyes de los grandes nmeros explican por qu el promedio de una muestra al azar de una poblacin de gran tamao tender a estar cerca de la media de la poblacin completa. Cuando las variables aleatorias tienen una varianza finita, el teorema central del lmite extiende nuestro entendimiento de la convergencia de su promedio describiendo la distribucin de diferencias

Geoestadstica
Tarea 2 Castaeda Alvarez Elder estandarizadas entre la suma de variables aleatorias y el valor esperado de esta suma: sin importar la distribucin subyacente de las variables aleatorias, esta diferencia estandarizada converge a una variable aleatoria normal estndar. Ley de los nmeros pequeos

La creencia en la ley de los nmeros pequeos describe la fuerte tendencia de la gente a creer que la informacin obtenida en una pequea muestra, ser representativa de la poblacin total. Las personas utilizan una pequea muestra de informacin para dar resultados concluyentes y definitivos1. Teorema De Chebyshev seala la probabilidad de que variable aleatoria difiera de su media en t veces la desviacion estandar es por lo menos iguala 1/t. Para un conjunto cualquiera de observaciones (muestra o poblacin), la proporcin mnima de los valores que se encuentran dentro de k desviaciones estndares desde la media es al menos 1 1/k2, donde k es una constante mayor que 1.

Momentos Los momentos son una forma de generalizar toda la teora relativa a los parmetros estadsticos y guardan relacin con una buena parte de ellos. Dada una distribucin de datos estadsticos x1, x2, ..., xn, se define el momento central o momento centrado de orden k como

Para variables continuas la definicin cambia sumas discretas por integrales (suma continua), aunque la definicin es, esencialmente, la misma De esta definicin y las propiedades de los parmetros implicados que se han visto ms arriba, se deduce inmediatamente que:

y que

Se llama momento no centrado de orden k a la siguiente expresin:

De la definicin se deduce que:

Geoestadstica
Tarea 2 Castaeda Alvarez Elder

Opinin Creo que es muy importante la aplicacin de teoremas a casos de ndole geolgica en los cuales sea necesario conocer y describir mejor nuestros datos ,ya que de ello depender la buena interpretacin que demos al anlisis que realicemos. Pienso que es muy indispensable conocer la relacin que existe este los distintos teoremas para ampliar el conocimiento de nuestro objeto de estudio.

Bibliografa: Estadstica descriptiva, Santiago Fernndez Fernndez, Jos Mara Cordero Snchez 5 E.d,.