Probabilidad II

Henry Pant
Facultad de Matem aticas, UADY

1/ 12
Henry Pant (Facultad de Matem aticas, UADY) Probabilidad 1 / 12

6. Sucesiones de variables aleatorias

Objetivo: El alumno conocer a el concepto de sucesi on de variables aleatorias as como los tipos de convergencia m as importantes que surgen en probabilidad y que son de gran utilidad en estad stica. Deducir a y aplicar a la ley d ebil y ley fuerte de los grandes n umeros y el teorema central de l mite

2/ 12
Henry Pant (Facultad de Matem aticas, UADY) Probabilidad 2 / 12

6.1 Denici on de sucesiones de variables aleatorias

Denici on 6.1.1. Una sucesi on de variables aleatorias es una lista X1 , X2 , ... de variables aleatorias. Representaremos por {Xn , n 1} a una sucesi on de variables aleatorias. Ejemplo 6.1.2. 1. Si consideramos que las variables Xn N una sucesi on de variables aleatorias. 2. Sea Xn una variable con distribuci on f (x) = nenx , x > 0 0, otro caso 1 , 1 , entonces {Xn , n 1} es n

Entonces {Xn , n 1} es una sucesi on de variables aleatorias.

3/ 12
Henry Pant (Facultad de Matem aticas, UADY) Probabilidad 3 / 12

6.2 Tipos de convergencia

Denici on 6.2.1. La sucesi on {Xn , n 1} converge puntualmente a X si l mn Xn (w) = X (w) para toda w . Para este tipo de convergencia escribiremos Xn Xn . Ejemplo 6.2.2. En el espacio = [0, 1], la sucesi on de variables Xn (w) = wn converge puntualmente a X (w) = 0, 0 w < 1, 1, w = 1.

4/ 12
Henry Pant (Facultad de Matem aticas, UADY) Probabilidad 4 / 12

Denici on 6.2.3. La sucesi on {Xn , n 1} converge casi seguramente (c.s.) a la variable aleatoria X cuando n si P({w : Xn (w) X (w), n }) = 1. Este tipo de convergencia es conocida tambi en como convergencia con cs probabilidad 1. Escribiremos Xn X para denotar convergencia casi segura. Observaci on 6.2.4. Si A = { : Xn ( ) X ( ), n }, es decir, A es el conjunto de puntos en donde la sucesi on de n umeros reales Xn ( ) converge a cs X ( ). Entonces para obtener que Xn X es necesario vericar que P(A) = 1 o de manera equivalente, P(Ac ) = 0.

5/ 12
Henry Pant (Facultad de Matem aticas, UADY) Probabilidad 5 / 12

Ejemplo 6.2.5. Consideremos el espacio de probabilidad ([0, 1], B[0, 1], P) donde P es la medida uniforme, es decir, la longitud del intervalo. Denamos c.s. 1 (w ), (notemos que Xn Ber (1/n)). Entonces Xn 0. Xn (w) = 1[0, n ] Soluci on. Tenemos
n
1 (w ) = 1{0} (w ) = l m Xn (w) = l m 1[0, n ]

0, w (0, 1], 1, w = 0

De aqu , A = {w : Xn (w) 0, n } = (0, 1] y P(A) = 1. Por lo tanto, c.s. Xn 0.

6/ 12
Henry Pant (Facultad de Matem aticas, UADY) Probabilidad 6 / 12

Denici on 6.2.6. La sucesi on {Xn , n 1} converge en probabilidad a la variable aleatoria X cuando n si para toda > 0 se cumple que P(|Xn X | > ) 0 cuando n . Para este tipo de convergencia escribiremos Xn X . Ejemplo 6.2.7. Sea Xn Gamma(n, 1/n), entonces Xn 1. Soluci on. Notemos que E(Xn ) = 1 y Var(Xn ) = Chebyshev, tenemos que para > 0 se cumple P(|Xn 1| > )
1 n. p p

Por la desigualdad de

1 n2

y cuando n concluimos que P(|Xn 1| > ) 0.

7/ 12
Henry Pant (Facultad de Matem aticas, UADY) Probabilidad 7 / 12

Denici on 6.2.8. Sea r N. La sucesi on {Xn , n 1} converge en media r esima a la variable X cuando n si E[|Xn X |r ] 0 cuando n . Para este tipo de convergencia escribiremos Xn X cuando n . Observaci on 6.2.9. La convergencia en media dos, es decir, cuando r = 2, es conocida como convergencia en media cuadr atica. Ejemplo 6.2.10. Sean X1 , X2 , ... variables aleatorias tales que P(Xn = 0) = 1 Entonces Xn 0.
r r

1 , n

P(Xn = 1) =

1 , 2n

P(Xn = 1) =

1 . 2n

8/ 12
Henry Pant (Facultad de Matem aticas, UADY) Probabilidad 8 / 12

Soluci on. Tenemos E[|Xn X |r ] = E[|Xn 0|r ] = E[|Xn |r ] 1 1 = | 1|r + |0|r 1 2n n 1 1 = + 2n 2n 1 = n De aqu , cuando n , E[|Xn X |r ] 0. + |1|r 1 2n

9/ 12
Henry Pant (Facultad de Matem aticas, UADY) Probabilidad 9 / 12

Denici on 6.2.11. La sucesi on {Xn , n 1} converge en distribuci on a la variable X cuando n si FXn (x) FX (x) cuando n para toda x C (FX ) donde C (FX ) = {x : FX (x) es continua en x}. Para este tipo de convergencia escribiremos Xn X cuando n . Observaciones 6.2.12. 1. En la convergencia en distribuci on, las variables no necesariamente estan denidas en el mismo espacio de probabilidad. 2. Se puede demostrar que una funci on de distribuci on tiene a lo m as un n umero contable de discontinuidades, por lo que C (FX ) es denso en R, es decir, es toda la recta excepto a lo m as un n umero contable de puntos.
d

10/ 12
Henry Pant (Facultad de Matem aticas, UADY) Probabilidad 10 / 12

6.2.13. Sean X1 , X2 , ... variables aleatorias independientes con funci on de densidad com un f (x) = x1 , x > 1, > 0 0, otro caso

y denamos Yn = n1/ m ax1kn {Xk } para n 1. Demuestre que Yn converge en distribuci on cuando n y determine el l mite. Soluci on. La funci on de distribuci on de las variables Xn est a dada por F ( x) =
x 1

y 1 dy,

0,

x>1 otro caso

1 x , x > 1 0, otro caso

11/ 12
Henry Pant (Facultad de Matem aticas, UADY) Probabilidad 11 / 12

Se sigue que para cualquier x > 0, FYn (x) = = = = P m ax Xk xn1/

1kn

(F (xn1/ ))n n 1 1 nx 1+ x n
n

Finamente cuando n concluimos que FYn (x) ex Tarea. Ejercicios 1, 2, 4 de las notas.

12/ 12
Henry Pant (Facultad de Matem aticas, UADY) Probabilidad 12 / 12