Conceptos de convergencia

Probabilidades

Profesor:
Jaime Arrué Alvarez
Universidad de Antofagasta
Facultad de Ciencias Básicas
Departamento de Matemáticas
Magı́ster en Ciencias:
Mención Estadı́stica Industrial

11 de julio de 2022
Probabilidades
 Convergencia en probabilidad
Conceptos de convergencia Convergencia casi segura
Convergencia en distribución

Contenidos I

1 Conceptos de convergencia
Convergencia en probabilidad
Convergencia casi segura
Convergencia en distribución

Probabilidades
 Convergencia en probabilidad
Conceptos de convergencia Convergencia casi segura
Convergencia en distribución

Def.: Una secuencia de v.a. X1 , X2 .... converge en probabilidad (c.p.) hacia la

c.p.
v.a. X, denotada por Xn −→ X , si ∀ε > 0
lı́m P(|Xn − X | ≥ ε) = 0 ó lı́m P(|Xn − X | < ε) = 1
n→∞ n→∞

Generalmente, la secuencia de v.a. corresponde a medias muestrales y la v.a.

lı́mite es constante. Un resultado importante es el siguiente.

Teo.: (Ley débil de los grandes números (l.d.g.n.)).

Sean X1 , X2 .... v.a.i.i.d. con E [Xi ] = µ y V (Xi ) = σ 2 < ∞. Si se define

Xn
X n = 1/n Xi , entonces, ∀ε > 0:
i=1

lı́m P(|X n − µ| < ε) = 1

n→∞

Probabilidades
 Convergencia en probabilidad
Conceptos de convergencia Convergencia casi segura
Convergencia en distribución

c.p.
es decir, X n −→ µ.
Ejem.: Suponga se tiene la secuencia X1 , X2 .... v.a.i.i.d. con E [Xi ] = µ y
V (Xi ) = σ 2 < ∞. Si se define:
n
1 X
Sn2 = (Xi − Xn )2
n − 1 i=1

Para probar la l.d.g.n. para Sn2 se usa la desigualdad de Chebychev:

E [(Sn2 − σ 2 )2 ] V (Sn2 )
P(|Sn2 − σ 2 | ≥ ε) ≤ 2
=
ε ε2
c.p.
Una condición suficiente para que Sn2 −→ σ 2 es que V (Sn2 ) → 0 cuando
n → ∞.
Teo.: Si X1 , X2 .... converge en probabilidad hacia la v.a. X y h es una función
continua, entonces h(X1 ), h(X2 ).... converge en probabilidad hacia h(X ).

Probabilidades
 Convergencia en probabilidad
Conceptos de convergencia Convergencia casi segura
Convergencia en distribución

Def.: Una secuencia de v.a., X1 , X2 .... converge casi seguro (c.s.) hacia la
c.s.
v.a. X , denotado por Xn −→ X , si ∀ε > 0,
 
P lı́m (|Xn − X | < ε) = 1
n→∞

Ejem.: Sea el E.M. S= [0,1] con distribución de probabilidad uniforme. Se

definen las v.a. Xn (s) = s + s n y X (s) = s. ∀s ∈ [0, 1), s n → 0 conforme
n → ∞ y Xn (s) → s = X (s). Sin embargo, Xn (1) = 2, ∀n, tal que
Xn (1) 9 X (1) = 1. Pero como la convergencia ocurre en el conjunto [0, 1) y
c.s.
P([0, 1)) = 1, Xn −→ X .

Probabilidades
 Convergencia en probabilidad
Conceptos de convergencia Convergencia casi segura
Convergencia en distribución

Teo.: Ley fuerte de los grandes números (l.f.g.n.)

Sean X1 , X2 .... v.a.i.i.d. con E [Xi ] = µ y V (Xi ) = σ 2 < ∞ y se define

Xn
X = 1/n Xi . Entonces, ∀ε > 0,
i=1


P lı́m |X n − µ| < ε =1
n→∞
c.s.
es decir, X n −→ µ.

Probabilidades
 Convergencia en probabilidad
Conceptos de convergencia Convergencia casi segura
Convergencia en distribución

Def.: Una secuencia de v.a., X1 , X2 .... converge en distribución (c.d.) a la

c.d.
v.a. X, denotada por Xn −→ X , si:
lı́m FXn (x) = FX (x)
n→∞

en todos los puntos x donde FX (x) es continua.

Probabilidades
 Convergencia en probabilidad
Conceptos de convergencia Convergencia casi segura
Convergencia en distribución

Ejem.: Sean X1 , X2 .... v.a. con distribución U(0, 1) y sea X(n) = máx Xi .
1≤i≤n
Conforme n → ∞ se espera que X(n) se encuentre cerca de 1, entonces ∀ε > 0:




P |X(n) − 1| ≥ ε = P X(n) ≥ 1 + ε + P X(n) ≤ 1 − ε


= P X(n) ≤ 1 − ε
= P (Xi ≤ 1 − ε, i = 1, .., n)
= (1 − ε)n
c.p.
luego X(n) −→ 1. Además, si se toma ε = t/n se tiene:
P X(n) ≤ 1 − t/n = (1 − t/n)n → e −t

lo cual es equivalente a:
P n(1 − X(n) ) ≤ t → 1 − e −t

c.d.
es decir, la v.a. n(1 − X(n) ) −→ exp(1).

Probabilidades
 Convergencia en probabilidad
Conceptos de convergencia Convergencia casi segura
Convergencia en distribución

Teo.: (Teorema central del lı́mite (T.C.L.))

Sean X1 , X2 .... v.a.i.i.d. cuyas f.g.m. existen en alguna vecindad de 0. Sea

X n
E [Xi ] = µ finito y V (Xi ) = σ 2 < ∞. Se define X n = 1/n Xi y sea Fn (x) la
i=1
√
f.d.a. de n(X n − µ)/σ. Entonces,
lı́m Fn (x) = Φ(x), −∞ < x < ∞
n→∞

esto es,
√
n(X n − µ)
→ N (0, 1).
σ

Probabilidades
 Convergencia en probabilidad
Conceptos de convergencia Convergencia casi segura
Convergencia en distribución

Teo.: (Forma fuerte del Teorema central del lı́mite (F.T.C.L.))

Sean X1 , X2 .... v.a.i.i.d. con E [Xi ] = µ finito y V (Xi ) = σ 2 < ∞. Se define

n
X √
X n = 1/n Xi y sea Fn (x) la f.d.a. de n(X n − µ)/σ. Entonces,
i=1

lı́m Fn (x) = Φ(x), −∞ < x < ∞

n→∞

esto es,
√
n(X n − µ)
→ N (0, 1)
σ

Probabilidades
 Convergencia en probabilidad
Conceptos de convergencia Convergencia casi segura
Convergencia en distribución

Ejem.: Suponga que X1 , X2 .... es una m.a. de una distribución BN (r , p).

Sabemos :
r (1 − p) r (1 − p)
E [X ] = y V (X ) =
p p2
El T.C.L. dice que:
√
n(X n − r (1 − p)/p)
p → N (0, 1).
r (1 − p)/p 2
Por ejemplo si r = 10, p = 1/2 y n = 30 entonces:

Probabilidades
 Convergencia en probabilidad
Conceptos de convergencia Convergencia casi segura
Convergencia en distribución

30
!
X
P(X ≤ 11) = P Xi ≤ 330
i=1
30
!   
300 x
X 300 + x − 1 1 1
=
i=1
x 2 2
= 0, 8916
Pn
ya que i=1 Xi ∼ BN (nr , p). Usando el T.C.L.:
√ √ 
30(X − 10) 30(11 − 10)
P(X ≤ 11) = P √ ≤ √
20 20
≈ P(Z ≤ 1, 2247)
≈ 0, 888

Probabilidades
 Convergencia en probabilidad
Conceptos de convergencia Convergencia casi segura
Convergencia en distribución

c.d. c.p.
Teo.: (Teorema de Slutsky) Si Xn −→ X y Yn −→ a en probabilidad, donde a
es constante, entonces:
c.d.
Yn Xn −→ aX
c.d.
Xn + Yn −→ X + a
Ejem.: Suponga que:
√
n(X n − µ)
→ N (0, 1)
σ
pero el valor de σ no se conoce. Según ejemplo anterior, si lı́m Sn2 = 0,
n→∞
c.p. c.p.
entonces Sn2 −→ σ 2 . Se puede probar que σ/Sn −→ 1 y según el teorema de
Slutsky:
√ √
n(X n − µ) σ n(X n − µ)
= → N (0, 1)
Sn Sn σ

Probabilidades
 Convergencia en probabilidad
Conceptos de convergencia Convergencia casi segura
Convergencia en distribución

Teo.: (Método Delta)

Sea Xn es una m.a. una secuencia de v.a. que satisface
√ c.d.
n(Xn − θ) −→ N (0, σ 2 ). Para una función g y un valor especı́fico θ,
supongamos que g 0 (θ) 6= 0. Entonces
√ c.d.
n[g (Xn ) − g (θ)] −→ N (0, σ 2 [g 0 (θ)]2 )

Probabilidades