Ficha de uso

Introducción

La densidad de una suma

Si X e Y son independientes, la densidad de S = X + Y es la convolución de sus densidades:

f_S(s) = ∫ f_X(x) f_Y(s − x) dx.

La suma de dos uniformes U[0, 1] es un triángulo; la de tres, tres trozos de parábola; y cada nueva suma suaviza más el resultado. Las medias y las varianzas se suman: S_n = X₁ + … + X_n, con X_i independientes de media μ y varianza σ², tiene media nμ y varianza nσ².

El teorema

El teorema del límite central dice que la suma normalizada

Z_n = (S_n − nμ)/(√n σ)

tiende a una gaussiana N(0, 1) cuando n → ∞, sea cual sea la distribución de las X_i, con tal de que tengan varianza finita. Por eso el ruido térmico, que suma la contribución de muchísimos electrones, es gaussiano; y por eso la media de N muestras de Monte Carlo es casi gaussiana.

Qué tan deprisa

La convergencia es más rápida si la distribución de partida es simétrica. La asimetría E{(X − μ)³}/σ³ de Z_n es la de X dividida por √n: la exponencial (asimetría 2) necesita muchos más términos que la uniforme (asimetría 0). Las colas son lo último en converger: una suma de n uniformes está acotada y nunca llega a valores muy grandes, aunque su centro sea casi gaussiano.

Cuando no se cumple

La distribución de Cauchy, f(x) = 1/(π(1 + x²)), no tiene media ni varianza: sus colas caen tan despacio que la integral de x² diverge. La media de n variables de Cauchy es otra Cauchy idéntica: promediar no sirve de nada.

Guía de uso

Ejercicios

1. Dos uniformes. Con la uniforme y n = 2, ¿qué forma tiene la densidad de Z₂? ¿Por qué P(|Z| > 3) es exactamente cero?

Solución Es un triángulo: la convolución de dos pulsos, como en el ejercicio 9 de la hoja. S₂ está en [0, 2], así que |Z₂| ≤ 1/(√2 · 0,289) = 2,45, y nunca pasa de 3. La gaussiana daría 0,0027.

2. Doce uniformes. Con n = 12 y 50 000 sumas, compara con la gaussiana. ¿Por qué Z₁₂ = S₁₂ − 6?

Solución Con σ² = 1/12, √12 σ = 1: Z₁₂ = S₁₂ − 6. El histograma es casi indistinguible de N(0, 1): P(|Z| ≤ 1) = 0,680 y P(|Z| > 3) = 0,0022, frente a 0,683 y 0,0027. Es el viejo generador gaussiano de la hoja (ejercicio 9), acotado en ±6.

3. La exponencial. Con la exponencial, ¿cuánto vale la asimetría de las muestras con n = 1, 10 y 50? Compárala con 2/√n. ¿Qué se ve en las colas?

Solución Sale 1,93, 0,60 y 0,26, frente a 2, 0,63 y 0,28. Con n = 10 el centro ya se parece a la gaussiana (P(|Z| ≤ 1) = 0,687), pero la cola derecha sigue pesando más: P(|Z| > 3) = 0,0064, más del doble que 0,0027. Con n = 50, 0,0028. La densidad exacta es una gamma.

4. Una variable discreta. Con la Bernoulli de p = 0,2 y n = 5 y 50, ¿qué valores puede tomar Z_n? ¿Por qué P(|Z| ≤ 1) sale tan lejos de 0,683 con n = 5?

Solución S_n es binomial y solo toma n + 1 valores, separados 1/(√n σ) = 1/(0,4√n) en Z_n: 1,12 con n = 5. Con tan pocos valores, P(|Z| ≤ 1) depende de cuáles caen dentro y sale 0,41. Con n = 50 la red es más fina (0,35) y sale 0,63. El teorema habla de la distribución, no de la densidad: una variable discreta nunca tiene densidad gaussiana, pero su F se acerca a la de la gaussiana.

5. Cauchy. Con Cauchy, compara n = 1 y n = 50. ¿Se concentra la media? ¿Cuánto vale P(|S_n/n| ≤ 1)?

Solución No se concentra: el histograma de S_n/n es el mismo para cualquier n, y P(|S_n/n| ≤ 1) = (2/π) arctan 1 = 0,5 en los dos casos (sale 0,504 y 0,500). P(|S_n/n| > 3) = 1 − (2/π) arctan 3 = 0,205. La varianza muestral sale enorme y cambia mucho de una simulación a otra, porque la verdadera es infinita.

Para profundizar

Relación con otros conceptos