Captulo 2

Ley de los n umeros grandes

2.1. La ley debil de los n umeros grandes
Los juegos de azar, basan su sistema de ganancias, fundamentalmente en la estabilidad a
largo plazo garantizada por las leyes de la probabilidad. Consideremos el juego de la ruleta
americana. Esta consiste en una rueda en posicion horizontal, por donde puede circular una
peque na bola. La rueda esta subdividida en 38 zonas enumeradas, cada una de las cuales
subtiende un angulo de la misma magnitud. Al estabilizarse el movimiento de la bola, esta
permanece quieta en una de las zona. En un juego tpico, el jugador paga 1 dolar por apostar
la salida de uno de los 38 n umeros. En caso de ganar, se le devuelve el dolar mas 35 dolares
adicionales. En caso de perder, pierde un dolar. Suponiendo que la probabilidad de salida de
los n umeros es uniforme, el valor esperado de la ganancia X del jugador sera
E(X) = 1
37
38
+ 35
1
38
= 0,05263
Podramos preguntarnos que importancia tiene este calculo. La ley de los n umeros grandes,
descubierta por Jacob Bernoulli en el siglo 18 nos da la respuesta.
Teorema 2.1. (Ley debil de los n umeros grandes: versi on con momentos de orden 2).
Consideremos una sucesi on {X
n
: n 1} de variables aleatorias i.i.d. de cuadrado integrable.
Luego, para todo > 0 se tiene
lm
n
P
_

n
k=1
X
k
n
E(X)

_
= 0.
El adjetivo debil ha sido introducido para distinguir este resultado de la llamada ley fuerte
de los n umeros grandes, que establece que en realidad la convergencia del promedio emprico
a la esperanza es casi segura. En terminos del juego de la ruleta americana, la ley de los n umeros
grandes nos indica que el valor promedio de la ganancia de la casa de apuestas por jugador tiende
a E(X) = 0,05263, y por lo tanto es positivo. Es decir, aunque de vez en cuando apareceran
jugadores afortunados que ganaran 35 dolares, la ley de los n umeros grandes establece siempre
existira una cantidad sucientemente grande de apuestas a partir de las cuales el balance para
la casa es favorable.
La demostracion de la ley debil de los n umeros grandes es sencilla, y se basa en la siguiente
observacion.
Lema 2.2. Sean X
1
, . . . , X
n
variables aleatorias centradas no correlacionadas de a pares. Luego
29
30 CAP

ITULO 2. LEY DE LOS N

UMEROS GRANDES
V ar(X
1
+ + X
n
) = V ar(X
1
) + + V ar(X
n
).
Demostraci on. (Prueba de la ley debil de los n umeros grandes). Sea > 0. Por la
desigualdad de Tchebytschev y el lema anterior
P(|

X
1
+ +

X
n
|/n > )
1

2
V ar(X
1
)
n
.
Claramente el miembro izquierdo tiende a 0 cuando n tiende a .
La ley debil de los n umeros grandes sigue siendo valida si suponemos solo que la sucesion
de variables aleatorias es integrable. Veremos este resultado como un caso particular de la ley
fuerte de los n umeros grandes. Por otra parte, una variaci on del Lemma 2.2, demostrada por
Bengt von Bahr y Carl-Gustav Esseen, permite facilmente generalizar el Teorema 2.6.
Lema 2.3. (Desigualdad de von Bahr-Esseen). Sea {X
n
: n 1} una sucesi on de variables
aleatorias independientes y centradas. Luego para todo 1 r 2 se tiene que
E

k=1
X
k

r
4
n

k=1
E(|X
k
|
r
). (2.1)
Observaci on. Este resultado fue publicado en 1965 en The Annals of Statistics. El 4 que
aparece en el lado derecho de (2.1) se puede mejorar por un 2.
El primer paso para probar la desigualdad de von Bahr-Esseen, es el siguiente resultado de
Clarkson de 1936, introducido para el estudio de espacios uniformemente convexos.
Lema 2.4. (Desigualdad de Clarkson). Si 1 r 2, entonces para todo par de reales x e
y se tiene que
|x + y|
r
+|x y|
r
2(|x|
r
+|y|
r
).
Demostraci on. La desigualdad es trivialmente cierta para y = 0 o para r = 1. Luego, como
ambos miembros de la desigualdad son funciones pares, basta suponer que x y > 0 y r > 1.
Denimos t = y/x. Luego tenemos que probar que
(1 + t)
r
+ (1 t)
r
2(1 + t
r
).
Si f(r) = (1 + t)
r
+ (1 t)
r
y g(r) = 2(1 + t
r
), notemos que
g

(r) = 2t
r
lnt 0.
Ademas
f

(r) = (1 + t)
r
ln(1 + t) + (1 t)
r
ln(1 t).
Como f(2) = g(2), es suciente demostrar que f

(r) 0. Ahora notemos que

f

(r) = (1 + t)
r
(ln(1 + t))
2
+ (1 t)
r
(ln(1 t))
2
0.
Luego, basta probar que f

(1) 0. Pero
f

(1) = (1 + t) ln(1 + t) + (1 t) ln(1 t) 0.

2.1. LA LEY D

EBIL DE LOS N

UMEROS GRANDES 31
En efecto, basta notar la segunda derivada de la funcion g(x) = xln x, es positiva, y por lo
tanto es una funcion convexa. Luego f

(r) 0.
Necesitamos un lema antes de probar la desigualdad de von Bahr-Esseen. En lo que sigue,
dada una variable aleatoria X, designaremos por X

a una variable aleatoria independiente de

X pero con la misma distribucion.
Lema 2.5. Sean X e Y variables aleatorias centradas e independientes. Supongamos que para
alg un r 1 se tiene que E|X|
r
< y E|Y |
r
< . Luego
E|X|
r
E|X + Y |
r
.
Demostraci on. Por la desigualdad de Jensen para esperanza condicional
E|X|
r
= E(|E(X + Y |X)|
r
) E(E(|X + Y |
r
|X)) = E|X + Y |
r
.
Demostraci on. (Prueba de la desigualdad de von Bahr-Esseen). Si X e Y son variables
aleatorias arbitrarias, la desigualdad de Clarkson implica que
E|X + Y |
r
+ E|X Y |
r
2(E|X|
r
+ E|Y |
r
). (2.2)
Luego
E|X X

|
r
4E|X|
r
. (2.3)
Supongamos ahora que la distribucion de Y condicionada a X es simetrica. Luego E|X+Y |
r
=
E|X Y |
r
, y de (2.2) tenemos que
E|X Y |
r
E|X|
r
+ E|Y |
r
. (2.4)
Demostraremos la desigualdad de von Bahr-Esseen ocupando un argumento de induccion. Cla-
ramente la desigualdad se satisface para n = 1. Supongamos ahora que es cierta para n m.
Luego
E|S
m+1
|
r
= E|S
m
+ X
m+1
|
r
E|S
m
+ X
m+1
X

m+1
|
r
E|S
m
|
r
+ E|X
m+1
X

m+1
|
r
E|S
m
|
r
+ 4E|X
m+1
|
r
,
donde en la primera desigualdad hemos ocupado el Lemma 2.5, en la segunda la desigualdad
(2.4) y en la tercera la desigualdad (2.3). Por lo tanto es cierta para n = m+1, lo que termina
la demostracion.
Teorema 2.6. (Ley debil de los n umeros grandes: versi on con momentos de orden
r > 1). Consideremos una sucesi on {X
n
: n 1} de variables aleatorias i.i.d. con momentos
de orden r nitos, y r > 1. Luego, para todo > 0 se tiene
lm
n
P
_

n
k=1
X
k
n
E(X)

_
= 0.
32 CAP

ITULO 2. LEY DE LOS N

UMEROS GRANDES
Proseguimos con una generalizaciones de la ley debil. La primera debilita la condicion de
integrabilidad.
Teorema 2.7. (Ley debil de los n umeros grandes generalizada). Sea {X
n
: n 1}
una sucesi on de variables aleatorias i.i.d. en un espacio de probabilidad (, M, P). Luego las
siguientes condiciones son equivalentes.
(i) Existe una sucesi on {a
n
: n 1} tal que para todo > 0,
lm
n
P
_

n
k=1
X
k
n
a
n

_
= 0.
(ii) lm
n
nP(|X| n) = 0.
Adem as, si (i) se satisface, necesariamente
a
n
= E(X1
|X|n
).
Demostraci on. Primero probamos que (ii) implica (i). Denimos X

n
= X
n
1
|Xn|n
. Por la
desigualdad de Tchebychev, para cada > 0
P
_

n
k=1
X
k
n
E(X

n
)

2
n
E((X

n
)
2
) + nP(|X
1
| n). (2.5)
Pero
E((X

n
)
2
) =
_
n
n
x
2
dF
X
1
(x) = n
2
(F
X
1
(n) F
X
1
(n)) 2
_
n
n
xF
X
1
(x)dx
= n
2
(F
X
1
(n) F
X
1
(n)) + 2
_
n
0
x(F
X
1
(x) F
X
1
(x))dx
= n
2
(F
X
1
(n) + 1 F
X
1
(n)) + 2
_
n
0
x(F
X
1
(x) + 1 F
X
1
(x))dx
= n
2
P(|X
1
| n) + 2
_
n
0
xP(|X
1
| x)dx. (2.6)
Esto prueba que el primer termino del lado derecho de la desigualdad (2.5) tiende a 0 cuando
n tiende a .
Corolario 2.8. Sea {X
n
: n 1} una sucesi on de variables aleatorias i.i.d. simetricas en un
espacio de probabilidad (, M, P). Luego las siguientes condiciones son equivalentes.
(i) Para todo > 0,
lm
n
P
_

n
k=1
X
k
n

_
= 0.
(ii) lm
n
nP(|X| n) = 0.
Ejemplo. El teorema anterior muestra que la ley debil de los n umeros grandes se puede
satisfacer aunque la distribucion com un de la sucesion no sea integrable. Por ejemplo, tomemos
F
X
denida por
1 F
X
(x) =
1
xln x
.
2.1. LA LEY D

EBIL DE LOS N

UMEROS GRANDES 33
La siguiente generalizacion de la ley debil de los n umeros grandes, muestra que incluso la
hipotesis de independencia no es necesaria.
Denici on 2.9. (Arreglo triangular). Un arreglo triangular de variables aleatorias es un
conjunto {X
n,k
} de variables aleatorias indexadas por n 1 y 1 k n.
Teorema 2.10. Consideremos un arreglo triangular {X
n,k
} de variables aleatorias integrables
en un espacio de probabilidad (, M, P). Luego, las siguientes condiciones son equivalentes.
(i) Para todo > 0,
lm
n
P
_

1
n
n

k=1
X
n,k

1
n
n

k=1
E(X
n,k
)

>
_
= 0.
(ii)
lm
n
E
_
(

n
k=1
(X
n,k
E(X
n,k
)))
2
n
2
+ (

n
k=1
(X
n,k
E(X
n,k
)))
2
_
= 0.
Demostraci on. Para probar que (ii) implica (i) basta ocupar la desigualdad de Tchebychev
con la funcion x
2
/(n
2
+ x
2
). Ahora notemos que si Y es una variable aleatoria arbitraria, se
tiene que para tod > 0,
P(|Y | )
_
x
2
1 + x
2
dF
Y
(x)
2
.
Eligiendo Y =
(
P
n
k=1
(X
n,k
E(X
n,k
)))
2
n
2
+(
P
n
k=1
(X
n,k
E(X
n,k
)))
2
, vemos que esto implica que
E
_
Y
2
1 + Y
2
_

2
+ P(|Y | ).
Como > 0 es arbitrario, esto muestra que (i) implica (ii).
Tenemos el siguiente corolario con una condicion mas explcita.
Corolario 2.11. Sea {X
n,k
} un arreglo triangular de variables aleatorias de cuadrado inte-
grable en un espacio de probabilidad (, M, P). Supongamos que las siguientes condiciones se
satisfacen:
(i)

n
k=1
V ar(X
n,k
) = o(n
2
).
(ii) lm
n
sup
k,j:|kj|n
Cov(X
n,k
, X
n,j
) = 0,
Luego, para todo > 0 se tiene que
lm
n
P
_

1
n
n

k=1
X
n,k

1
n
n

k=1
E(X
n,k
)

>
_
= 0.
Pero la condici on (ii) implica que los dos terminos del lado derecho convergen a 0 cuando n
tiende a .
34 CAP

ITULO 2. LEY DE LOS N

UMEROS GRANDES
Demostraci on. Por el Teorema 2.10, vemos que basta probar que
lm
n
1
n
2
E
_
_
_
n

k=1
(X
n,k
E(X
n,k
))
_
2
_
_
= 0.
La esperanza en esta expresion se puede escribir como
n

k=1
V ar(X
n,k
) +

1k,jn
Cov(X
n,k
, X
n,j
).
Por la hipotesis (i), basta probar que
lm
n
1
n
2

1k,jn
Cov(X
n,k
, X
n,j
) = 0.
Ahora, Cov(X
n,k
, X
n,j
)
_
V ar(X
n,k
)V ar(X
n,j
) V ar(X
n,k
) +V ar(X
n,j
). Luego, solo tene-
mos que probar que para todo > 0 existe un m tal que
lmsup
n
1
n
2

1k,jn:|kj|m
Cov(X
n,k
, X
n,j
) .
Pero esto es evidentemente cierto porque el termino del lado izquierdo de esta exresion es menor
o igual a sup
k,j:|kj|m
Cov(X
n,k
, X
n,j
) que tiende a 0 por la condicion (ii).
Una aplicacion interesante de la ley de los n umeros grandes para demostrar una version del
teorema de aproximacion de Weierstrass.
Teorema 2.12. (Teorema de Bernstein). Consideremos una funci on continua f en el in-
tervalo [0, 1]. Luego, los polinomios de Bernstein
B
n
(x) =
n

k=0
f(k/n)
_
n
k
_
x
k
(1 x)
nk
,
aproximan uniformemente a f en [0, 1].
2.2. Una version elemental de la ley fuerte de los n umeros gran-
des
La convergencia en probabilidad, en la ley debil de los n umeros grandes, se puede facilmente
transformar en convergencia casi segura, si le exigimos mas a la sucesion de variables aleatorias
i.i.d.
Teorema 2.13. (Versi on elemental de la ley fuerte de los n umeros grandes). Con-
sideremos una sucesi on {X
n
: n 1} de variables aleatorias i.i.d. con momentos de orden 4
nitos. Luego
P
_
lm
n

n
k=1
X
k
n
= E(X
1
)
_
= 1.