U N RESULTADO G LIVENKO -C ANTELLI B OOTSTRAP PARA LA

M EDIDA DE P OBREZA DE F OSTER -G REER -T HORBECKE

Pedro A. Harmath† , Josefa Ramoni-Perazzi‡ y Abelardo Monsalve-Cobis†‡
†
Universidad Austral, Facultad de Ciencias Empresariales, Departamento de Matemática, Rosario, Argentina,
PHarmath@austral.edu.ar
‡
Universidad Industrial de Santander, Facultad de Ciencias Humanas, Escuela de Economı́a y Administración,
Bucaramanga, Colombia, jramoniperazzi@gmail.com
†‡
Universidad de Vigo, Facultad de Ciencias Económicas y Empresariales, Instituto Tecnológico de Matemática
Industrial, Vigo, España, amonsalve@uvigo.es

Resumen: En esta investigación desarrollamos una ley fuerte de los grandes números en el contexto de los procesos
empı́ricos bootstrap. Asumiendo la medida de pobreza de Foster-Greer-Thorbecke (FGT) como un proceso del tipo
Glivenko-Cantelli y como uno del tipo bootstrap, probamos que ambos procesos son asintóticamente equivalentes
respecto a su convergencia casi segura exterior. Este resultado refleja que si el proceso FGT considerado como un
estimador de los niveles de pobreza (estadı́stico) converge casi siempre a los reales y desconocidos niveles de pobre-
za (parámetro) reflejados en la función de medias del proceso correspondiente, entonces el proceso FGT bootstrap
considerado como el estimador bootstrap de los niveles de pobreza (estadı́stico bootstrap) converge casi siempre al
correspondiente estimador; y el recı́proco también es cierto, todo ello para una muestra de ingresos estadı́sticamente
grande y representativa de un universo estadı́stico de hogares.
Palabras clave: medida de pobreza de Foster-Greer-Thorbecke, convergencia de procesos empı́ricos, clases Glivenko-
Cantelli, procesos empı́ricos bootstrap.
2000 AMS Subject Classification: 91B82 - 97K60 - 62G30 - 62F40

1. I NTRODUCCI ÓN
Sea N un universo estadı́stico de hogares, tal que para cada uno de ellos es posible determinar su nivel de
ingreso. En [3] y [4] tenemos que P : Rn+1 + → [0, 1] es una función de medición de la pobreza, donde
y = (y1 , y2 , ..., yn ) ∈ Rn+ es un vector muestral de ingresos, y z ∈ R+ una lı́nea de pobreza tal que un
hogar j de cualquier muestra aleatoria de tamaño n sin reemplazo se considera α pobre si yj < z. En [2] se
q z−y
establece la conocida medida de pobreza F GT (y, z, α) = n1 j=1 j
P
z , con α ≥ 0 el parámetro de
aversión a la pobreza, y q el número de pobres para la m.a.n.
Dado el espacio de probabilidad producto (Ω, Σ, P ):=(X N , AN , PN ). En este marco de referencia, X N
es el espacio muestral de todas las sucesiones infinito-numerables de ingresos, tal que para cada sucesión
o punto genérico muestral ω := (y1 , y2 , ...) ∈ X N , podemos definir una función o proyección coordenada
Y : X N → X tal que Y (ω) = y ∈ X , con función de distribución F(z) = P(Y ≤ z). Es más, podemos
definir una colección finita de proyecciones i.i.d.∼ P, Y1 , Y2 , ..., Yn , tal que para cada j ∈ N, Yj : X N → X
representa el nivel de ingreso observado para el j-ésimo hogar de la m.a.n en el espacio de probabilidad
(X , A, P), pues para la sucesión ω := (y1 , y2 , ...) ∈ X N , Yj (ω) = yj ∈ X , con función de distribución
]{Yj <z:1≤j≤n}
empı́rica Fn (z) = n1 nj=1 I{Yj < z} =
P
n , donde q = n · Fn (z).
n
La colección {Yj }j=1 es un proceso estocástico basado en una m.a. de n variables aleatorias definidas
en (X N , AN , PN ) con valores en (X , A, P); es decir, un proceso empı́rico de n funciones o proyecciones
1 Pn
coordenadas, cuya medida empı́rica se define por Pn := n j=1 δYj , donde Pn : X N × A → [0, 1].
Si definimos unaclase de funciones FΓ := {fα : X → R : fα ∈ L1 (X , A, P), α = 0, 1, 2}, tal que
α
z−y j
fα (yj ) = z · I{yj < z}. Entonces para ω := (y1 , y2 , ...) ∈ X N fijo tenemos: fα 7→ Pn (fα ) =
1 Pn
R R z  z−yj α
n f
j=1 α j (Y ) = f
X α j(y )dP (y
n j ) = 0 z dFn (yj ) = EFn (fα (Yj )). Estas son las trayectorias
del proceso empı́rico funcional o F-indexado FGT {Pn (fα ) : fα ∈ FΓ , α = 0, 1, 2}, con las composiciones
fα (Yj ) ≡ fα ◦ Yj : X N → X → R, para todo α = 0, 1, 2, j = 1, 2, ..., n, cuya condición de segundos
momentos finitos E(Yj2 · I{Yj < z}) < ∞ asegura el buen comportamiento (en media) de las trayectorias
(ver [4], págs. 75–76).
 La técnica bootstrap fue introducida por Efron en 1979 [1], como un método para estimar la distribución
muestral de un estadı́stico. Ası́ pues, para n muestras bootstrap con reemplazo Ŷ1 , Ŷ2 , ..., Ŷn de Pn , la
1 Pn
medida empı́rica bootstrap de Efron es P̂n := n j=1 δŶj . Como en [5, 6], sea {Wnj }nj=1 una colección
de variables aleatorias en (W, D, PW ) independientes para todo n ∈ N. Estas son pesos aleatorios, en el
sentido que cada componente Wnj refleja el número de veces que Yj es seleccionada para los n ensayos
0
de la muestra bootstrap con reemplazo. Especı́ficamente, suponemos que W n = (Wn1 , Wn2 , ..., Wnn )
0
satisface las siguientes condiciones: A1. W n = (Wn1 , Wn2 , ..., Wnn ) is intercambiable para cada n =
1, 2, ..., esto es, para cualquier permutación π = (π(1), π(2), ..., π(n)) de (1,2,...,n), la distribución conjunta
0
de π(W n ) = (Wnπ(1) , Wnπ(2) , ..., Wnπ(n) ) es la misma que la de W n . A2. Wnj ≥ 0 para todo n, j, y
Xn
Wnj = n, para todo n.
j=1
1 Pn
Sea P̂W
n := n j=1 Wnj δYj la medida empı́rica bootstrap con pesos intercambiables, podemos de-
1 Pn
finir las trayectorias fα 7→ P̂W n (fα ) = n j=1 Wnj fα (Yj ) del proceso empı́rico bootstrap funcional o
W
F-indexado FGT {P̂n (fα ) : fα ∈ FΓ , α = 0, 1, 2}, tal y como lo hicimos para el proceso empı́rico FGT
arriba, para entonces relacionarlos y desarrollar una caracterización de ley fuerte de los grandes números
en el contexto de los procesos empı́ricos bootstrap, donde ξnj := Wnj − 1 para todo n, j, con las condi-
ción B1 tal yR como A1, y las adicionales: B2. La norma L2,1 de ξn1 es uniformemente acotada; esto es:
∞p
kξn1 k2,1 = 0 PW (|ξn1 | ≥ t)dt ≤ k < ∞. B3. ξn1 satisface la condición de segundo momento débil:
lı́m lı́m sup t2 PW (|ξn1 | ≥ t) = 0.
t→∞ n→∞

2. E L RESULTADO PRINCIPAL
Teorema 1 (Glivenko-Cantelli bootstrap para la medida de pobreza FGT) Dado el espacio de proba-
bilidad producto básico (X N , AN , PN ) × (W, D, PW ) × (Z, C, P ). Sea {Zj }nj=1 un proceso empı́rico i.i.d.,
donde Zj := δYj −P, con Yj : X N → X i.i.d. ∼ P tal que E(Yj2 ·I{Yj < z}) < ∞ para todo j = 1, 2, ..., n,
donde z ∈ R+ es la lı́nea de pobreza establecida. Además, sean {j }nj=1 una colección i.i.d. Rademacher,
y {ξnj }nj=1 una colección de pesos aleatorios i.i.d. con media E(ξnj ) = µ que satisface B1-B3, donde
ξnj := Wnj − 1 con {Wnj }nj=1 que satisface A1-A2, independientes una de la otra, y de la colección
{Zj }nj=1 . Sea además FΓ := {fα : X → R : fα ∈ L1 (X , A, P), α = 0, 1, 2} con la función de cubrimiento
medible F ∗ : X → R definida por F ∗ := (kfα kFΓ )∗ ∈ L1 (X , A, P), y

z − yj α
 
fα (yj ) = · I{yj < z},
z
para todo yj ∈ X y cualquier umbral de pobreza z > 0. Entonces son equivalentes:
c.s.∗
(i) FΓ es fuerte P-Glivenko-Cantelli; esto es, kPn − PkFΓ = sup |Pn (fα ) − P(fα )| −−−→ 0, cuando
fα ∈FΓ
Rz
α
n → ∞, con P(fα ) = X fα (y)dPY (y) = 0 z−y
R
z dF(y) = E F (fα (Y )) la función de medias del p.e.
c.s.∗
(ii) kP̂W
n − Pn kFΓ −
−−→ 0, cuando n → ∞.
Prueba. (i)⇒(ii): (a) Del lema 3, sigue que E∗ kZ1 kFΓ = P∗ kfα (Y1 ) − P(fα )kFΓ < ∞. (b) Al asu-
|ξnj |
mir las condiciones B2 y B3, por el lema 7 tenemos E máx → 0. (c) kξn1 k2,1 < ∞, por
1≤j≤n n
∗
B2. (d) Por el lema 4 de Strobl, el proceso {kPn kFΓ , Σn }n∈N es una submartingala hacia atrás tal que
kPn k∗FΓ ≤ Pn (F ∗ ) < ∞. Como kPn k∗FΓ · I{kPn k∗FΓ > M } ≤ Pn (F ∗ ) · I{Pn (F ∗ ) > M } para M > 0,
entonces sigue que lı́m E(kPn k∗FΓ · I{kPn k∗FΓ > M }) = 0; es decir, kPn k∗FΓ es uniformemente inte-
M →∞
grable, y consecuentemente L1 -acotado. Por el lema 1 de Doob, sigue que kPn k∗FΓ converge casi siempre
a.s.∗
a un lı́mite finito, y por la hipótesis G.-C. y la continuidad de la norma uniforme, kPn kFΓ −−−→ kPkFΓ .
Consecuentemente, por el lema 2 sigue que E∗ kPn − PkFΓ → 0, cuando n → ∞, y por la cota inferior de
n
X
∗ 1

(1) en el lema 5, lı́m E j Zj
= 0. Esto concluye (d).
n→∞ n FΓ
j=1
 n n
1X 1X
Por A2, podemos escribir: P̂W
n − Pn = (Wnj − 1)(δYj − P) ≡ ξnj Zj . Luego, al considerar
n n
j=1 j=1
la cota superior de (2) en el lema 6, por (a)-(d) sigue que E∗ kP̂W
n − Pn kFΓ → 0, cuando n → ∞. Por lo
tanto kP̂W ∗ → 0, pues la convergencia en media (exterior) implica la convergencia en probabili-
P
n − Pn kFΓ −
dad (exterior). Sea Ḟ ∗ := (kfα − P(fα )kFΓ )∗ ∈ L1 (X , A, P) la función de cubrimiento medible de la clase
n ∗ n
1 X 1X
˙ |ξnj |· Ḟ ∗ . Usando

FΓ := {fα −P(fα ) : fα ∈ FΓ }, no es difı́cil ver que
ξnj [fα −P(fα )] ≤
n
FΓ n
j=1 j=1
esto y la condición B1, podemos emular nuevamente el lema 4 para ver que {kP̂W
n − Pn k∗FΓ , Σn }n∈N
es una
∗ W
submartingala hacia atrás. Por la desigualdad anterior, sup E kP̂n − Pn kFΓ < ∞, y del lema 1 de Doob
n∈N
kP̂W − Pn kFΓ converge casi siempre a un lı́mite finito; pero kP̂W ∗ → 0,
P
aplicado arriba, sigue que n n − P n k FΓ −
c.s.∗
por consiguiente este lı́mite debe ser igual a cero, y por ello concluimos que kP̂W
n − Pn kFΓ −
−−→ 0.

(ii)⇒(i): Bajo A1, {kP̂W ∗

n kFΓ , Σn }n∈N es una submartingala hacia atrás por el resultado de Strobl, tal que se
satisface kP̂W ∗ W ∗ W ∗
n kFΓ ≤ P̂n (F ) < ∞. De esta desigualdad, sigue que kP̂n kFΓ es uniformemente integrable,
y en efecto L1 -acotado. Aplicando nuevamente el resultado de Doob, kP̂W ∗
n kFΓ converge casi siempre a un
a.s.∗
lı́mite finito, y por la hipótesis (ii) y la continuidad de k · kFΓ , entonces tenemos kP̂W
n k FΓ −−−→ kPn kFΓ .
Consecuentemente, por el lema 2 sigue que E∗ kP̂W n − P k
n FΓ → 0, cuando n → ∞. Considerando entonces
n
1 X
la cota inferior de (2) en el lema 6, es claro que lı́m E∗

j Zj
= 0, y por la cota superior de (1)
n→∞ n FΓ
j=1

E∗ kP ∗ → 0; es decir, F
P
en el lema 5, n − PkFΓ → 0, cuando n → ∞. Este hecho implica que kPn − PkFΓ − Γ
es débil P-Glivenko-Cantelli. Por último, {kPn − Pk∗FΓ , Σn }n∈N es submartingala hacia atrás por el lema
4 de Strobl, con E(kPn − Pk∗FΓ ) ≤ 2P(F ∗ ) < ∞, para todo n ∈ N. Consecuentemente, también es cierto
sup E∗ (kPn − PkFΓ ) < ∞, y aplicando nuevamente el lema 1 de Doob, sique que kPn − PkFΓ converge
n∈N
casi siempre a un lı́mite finito; pero kPn − Pk∗FΓ −
P
→ 0, por consiguiente este lı́mite debe ser igual a cero, y
c.s.∗
por ello concluimos que kPn − PkFΓ −−−→ 0, finalizando ası́ la demostración. 

3. L EMAS REQUERIDOS PARA EL RESULTADO PRINCIPAL

Lema 1 (Doob) Sea {Yn }n∈N una submartingala hacia atrás en (Ω, Σ, P ) tal que sup E(|Yn |) < ∞. En-
n∈N
tonces existe una variable aleatoria integrable Y tal que: lı́m Yn = Y c.s.
n→∞

Prueba. Ver [4], págs. 45–47. 

Lema 2 (Convergencia en media) Sea {Yn }n∈N una submartingala hacia atrás en (Ω, Σ, P ) uniforme-
mente integrable, entonces este proceso es convergente en media; esto es: lı́m E(|Yn − Y |) = 0.
n→∞

Prueba. Ver [4], págs. 47–48. 

Lema 3 (Necesidad de integrabilidad) Si la clase de funciones FΓ es fuerte P-Glivenko-Cantelli; es decir,

a.s.∗
kPn − PkFΓ −−−→ 0, cuando n → ∞. Entonces: P∗ kfα − P(fα )kFΓ < ∞.

Prueba. Ver [4], págs. 83–84. 

Lema 4 (Strobl) Sean (Ω, Σ, P ):=(X N , AN , PN ), y FΓ ⊂ L1 (X , A, P) con una función de cubrimiento

medible F ∗ ∈ L1 (X , A, P). Entonces {kPn − Pk∗FΓ , Σn }n∈N es una submartingala hacia atrás; esto es: (1)
kPn − Pk∗FΓ es Σn -medible, (2) P -integrable, (3) kPn+1 − Pk∗FΓ ≤ E(kPn − Pk∗FΓ Σn+1 ) c.s.-P , donde

Σn es la la menor σ-álgebra que contiene los conjuntos B ∈ Σ de medida cero; P (B) = 0, y los conjuntos
{A ∈ Σ : IA (y) = IA (πy)}; esto es, invariantes bajo cualquier permutación π ∈ S(n) de las primeras n
coordenadas Yj : X N → X , con la diferencia simétrica A4B := (A\B) ∪ (B\A), tal que Σn ⊃ Σn+1 ,
0 0 0
para todo n ∈ N, con S(n) := {π : π(j) = j si, y sólo si, π(j ) = j, para todo j, j ≤ n ∈ N}.

Prueba. Ver [4], págs. 85–91. 

Lema 5 (Simetrización Rademacher) Dado (X N , AN , PN ) × (Z, C, P ), el espacio de probabilidad pro-

ducto básico. Sea {Yj }nj=1 un proceso empı́rico i.i.d.∼ P, y {j }nj=1 una colección i.i.d. Rademacher, inde-
pendiente de la colección {Yj }nj=1 . Entonces:
n n n
1 ∗ 1X ∗ 1
X ∗ 1
X
E
j (δYj − P) ≤ E
(δYj − P) ≤ 2E
j (δYj − P)
. (1)
2 n FΓ n FΓ n FΓ
j=1 j=1 j=1

Prueba. Ver [4], págs. 93–94. 

Lema 6 (Desigualdades para el proceso bootstrap con pesos aleatorios intercambiables) Dado el espa-
cio de probabilidad producto básico (X N , AN , PN ) × (W, D, PW ) × (Z, C, P ). Sea {Zj }nj=1 un proceso
empı́rico i.i.d. tal que para cada j ≤ n, E∗ kZj kFΓ < ∞. Sean {j }nj=1 una colección i.i.d. Rademacher,
y {ξnj }nj=1 una colección de pesos aleatorios i.i.d. intercambiables con kξn1 k2,1 < ∞ y E(ξnj ) = µ,
independientes una de la otra y de la colección {Zj }nj=1 . Para cualquier 1 ≤ n0 < n,

n n
1 ∗ 1
X ∗ 1
X
kξn1 − µk1 · E j Zj ≤ E
ξnj Zj
2 n FΓ n
FΓ
j=1 j=1
 
|ξnj |
≤ 2n0 E∗ kZ1 kFΓ · E máx
1≤j≤n n
 k 
kξn1 k2,1 ∗ 1
X
+4 √ · máx E √ j Zj . (2)
n n0 <k≤n k j=n0 +1
FΓ

Prueba. Ver [4], págs. 97–102. 

Lema 7 (Convergencia en media para el máximo de los pesos aleatorios intercambiables) Sea {|ξnj |}nj=1
una colección de pesos aleatorios i.i.d. intercambiables en (W, D, PW ) tal que se satisface B2 y B3. Enton-
ces {|ξn1 |}n∈N es uniformemente cuadrado-integrable; esto es, lı́m lı́m sup E(|ξn1 |2 · I{|ξn1 | ≥ t}) = 0.
t→∞ n→∞
 
|ξnj |
Consecuentemente, B2 y B3 también implica que: E máx → 0.
1≤j≤n n

Prueba. Ver [4], págs. 102–104. 

R EFERENCIAS
[1] B. E FRON, Bootstrap methods: Another look at the jackknife, Ann. Statist., 7 (1979), pp. 1-26.
[2] J. F OSTER , J. G REER , AND E. T HORBECKE, A Class of Decomposable Poverty Measures, Econometrica, 52 (1984), pp.
761-766.
[3] P. A. H ARMATH , A. M ONSALVE , Y J. R AMONI, Medición, Método Axiomático y Medidas de Pobreza: Una Revisión, MA-
TUA, Revista del Programa de Matemáticas, Universidad del Atlántico, Vol. IV (2017), pp. 1-15.
[4] P. A. H ARMATH, Análisis y Estimación de Medidas de Pobreza Unidimensionales bajo la Teorı́a de Procesos Empı́ricos
Bootstrap, Tesis Doctoral en Matemáticas, Universidad Centroccidental Lisandro Alvarado, enero 2018.
[5] J. P RAESTGAARD AND J. A. W ELLNER, Exchangeably Weighted Bootstraps of the General Empirical Process, Ann. Probab.,
21 (1993), pp. 2053-2086.
[6] J. A. W ELLNER, Some Converse Limit Theorems for Exchangeable Bootstraps, IMS Lecture Notes Monogr. Ser., 36 (2001),
pp. 593-606.