En simulación, la situación típica es aquella en la que uno ejecuta un gran número de veces un lazo, calculando en cada pasada la realización de variables aleatorias independientes. El resultado que esperamos obtener es en general estimar una esperanza. También en simulación, como sucede en la Física o en la Biología, debemos dar un resultado indicando su exactitud. El Teorema del Límite Centrado es el que nos permite calcular esta exactitud.
La ley de converge a la ley normal , es decir para todo :
Interpretación:
En el Teorema del Límite Centrado, es el valor que hay que estimar. Los valores constituyen una muestra de mediciones aleatorias independientes de esperanza . La cantidad es la media empírica de la muestra, la cual según la Ley de los Grandes Números debe converger a la esperanza . El Teorema del Límite Centrado da la exactitud de esta aproximación. Podemos leerlo intuitivamente de la siguiente manera. Si es lo suficientemente grande entonces se encuentra muy probablemente comprendida entre y (la probabilidad es ). Tenemos además:
El Teorema del Límite Centrado se utiliza para valores finitos de
. La idea concreta es la siguiente. Si es lo
suficientemente grande, la variable
centrada y reducida (esperanza
0 y varianza ) asociada a la suma de variables
independientes sigue aproximadamente la ley
. Si se
realiza una cantidad suficiente de simulaciones de y si
trazamos un histograma de los valores obtenidos, este no estará
muy alejado de la curva
. No más
lejos en todo caso que si hubiésemos simulado variables aleatorias
de ley
. Si sigue la ley
,
entonces
sigue la ley
.
También podemos decir que para lo suficientemente grande una
suma de variables aleatorias independientes sigue
aproximadamente una ley normal, cuya esperanza y cuya varianza son
respectivamente la suma de las esperanzas y la suma de las
varianzas de las variables que se suman. El problema es saber a
partir de qué valor es ``lo suficientemente grande'', para
obtener la exactitud que se desea. Esto depende mucho de la ley
de las . La aproximación es mejor según que esta ley
sea más simétrica. En particular el buen comportamiento de
la ley uniforme, a la vista de lo que plantea el Teorema
del Límite Centrado, conduce a un algoritmo aproximado de simulación para
la ley
.
Repetir veces
Random
finRepetir
Justificación:
Si designa la sucesión de llamadas de Random (sucesión de variables independientes de ley uniforme en , se tiene:
Se evita una división y se obtiene una aproximación que ya es
buena tomando . Este algoritmo no es aconsejado su empleo
con los generadores clásicos. Su inconveniente principal es que
realiza muchas llamadas a
Random, lo que plantea el problema
de la independencia de las realizaciones sucesivas. Para las leyes
más disimétricas como la
ley exponencial, la
aproximación normal no es válida para la suma de algunas decenas
de variables. Se puede considerar justificada a partir de la suma
de algunos centenares. En
simulación, son miles, si no millones,
de variables que son engendradas, y el usar la aproximación normal
es completamente legítimo.