Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Convergencias Estocásticas
Curso de Probabilidad (UCM) - 2017/2018
−p
iu
ϕGamma(a,p) (u) = 1 −
a
Por lo que:
− n2 − n
i nt
it 2
ϕYn (t) = 1− 1 = 1− n
2 2
Se tiene entonces:
− n
it 2
lı́m ϕYn (t) = lı́m 1 − n = eit
n→∞ n→∞
2
it
Ahora bien, e se corresponde con la función característica de una variable aleatoria Y
degenerada en 1. De acuerdo con el Teorema de Continuidad de Paul-Levy, podemos
razonar entonces que:
L
lı́m ϕYn (t) = ϕY (t) =⇒ Yn −→ Y ≡ 1
n→∞
1
Ej. 2. Sea {Xn : n ≥ 1} una sucesión de variables aleatorias independientes e idénti-
camente distribuidas Bernoulli de parámetro p, con 0 < p < 1. Sea la variable aleatoria
Vn = X1 X2 · · · Xn . Estudiar la convergencia en ley, la convergencia en probabilidad y la
convergencia casi segura de la sucesión {Vn : n ≥ 1}.
Convergencia en Ley
P (Vn = 1) = P (X1 = 1, . . . , Xn = 1) = pn
P (Vn = 0) = 1 − P (X1 = 1, . . . , Xn = 1) = 1 − pn
0 v<0
si
FVn (v) = 1 − pn si 0≤v<1
1 si 1≤v
Se tiene entonces: (
0 si v<0
lı́m FVn (v) =
n→∞ 1 si 0≤v
Ahora bien, esta función límite se corresponde con la función de distribución de
una variable aleatoria V degenerada en 0, por lo que la sucesión {Vn : n ≥ 1}
converge en ley a V ≡ 0:
L
Vn −→ V ≡ 0
Convergencia en Probabilidad
P
Vn −→ V ≡ 0
∞
!
c.s.
[
Vn −→ V ⇐⇒ lı́m P {ω ∈ Ω : |Vm (ω) − V (ω)| ≥ ε} = 0, ∀ε > 0
n→∞
m=n
2
En nuestro caso concreto, como el candidato a límite es V ≡ 0, debemos estudiar
si dado ε>0 se tiene:
∞
!
[
lı́m P {ω ∈ Ω : |Vm (ω)| ≥ ε} =0
n→∞
m=n
∞
!
\
lı́m P {ω ∈ Ω : |Vm (ω)| < ε} =1
n→∞
m=n
∞
!
\
lı́m P {ω ∈ Ω : |Vm (ω)| < ε} = lı́m P (Ω) = lı́m 1 = 1
n→∞ n→∞ n→∞
m=n
Nos basta por consiguiente con estudiar el caso en que 0 < ε ≤ 1. Siendo así:
∞
! ∞
!
\ \
lı́m P {ω ∈ Ω : |Vm (ω)| < ε} = lı́m P {ω ∈ Ω : |Vm (ω)| = 0}
n→∞ n→∞
m=n m=n
Ahora bien:
∞
\
{ω ∈ Ω : |Vm (ω)| = 0} ⊂ {ω ∈ Ω : |Vn (ω)| = 0}
m=n
Qm
• Por denición, Vm = Vn j=n+1 Xj para cada m > n. Luego si Vn (ω) = 0,
entonces Vm (ω) = 0 para cada m > n. Así:
∞
\
{ω ∈ Ω : |Vm (ω)| = 0} ⊃ {ω ∈ Ω : |Vn (ω)| = 0}
m=n
Luego:
∞
\
{ω ∈ Ω : |Vm (ω)| = 0} = {ω ∈ Ω : |Vn (ω)| = 0}
m=n
Y concluimos que:
∞
!
\
lı́m P {ω ∈ Ω : |Vm (ω)| < ε} = lı́m P ({ω ∈ Ω : |Vn (ω)| = 0})
n→∞ n→∞
m=n
= lı́m 1 − pn = 1
n→∞
Es decir:
c.s.
Vn −→ V ≡ 0
3
Ej. 3. Sea (X, Y ) una variable aleatoria bidimensional con función de densidad conjunta:
x
si 0 < x, −1 < y < 1
(
1
4
e− 2
f (x, y) =
0 en caso contrario
Se pide:
(a) Sea {Xn : n ≥ 1} una sucesión de variables aleatorias independientes e idéntica-
mente distribuidas con ley L(X). Hallar la distribución de:
n
X
Yn = Xj
j=1
x x #y=1
1
e− 2 y e− 2
Z Z
fX (x) = f (x, y) dy = I(0,∞) (x) dy = I(0,∞) (x)
R -1 4 4
y=-1
x
e− 2
= I(0,∞) (x)
2
1
X sigue una
Por tanto, distribución Gamma de parámetros
2
y p = 1. Como a=
{Xn : n ≥ 1} es una sucesión de variables aleatorias independientes e idénti-
camente distribuidas con ley L(X), Xn = X para cada n ≥ 1. De esta forma,
Yn = nj=1 Xj sigue una distribución Gamma de parámetros a 1
P
= 2
y p = n. Así,
podemos calcular la función característica de Vn como:
1
it 2 Yn
itVn t
ϕVn (t) = E e =E e n = ϕGamma 1 ,n n2
2
4
Ahora bien, 1 se corresponde con la función característica de una variable aleatoria
V degenerada en 0. De acuerdo con el Teorema de Continuidad de Paul-Levy,
podemos razonar entonces que:
L
lı́m ϕVn (t) = ϕV (t) =⇒ Vn −→ V ≡ 0
n→∞
x
∞
(nx)z e−nx e− 2
Z Z
fZn (z) = P (Zn = z | X = x)fX (x) dx = dx
R 0 z! 2
∞
nz
Z
2n+1
= e− 2
x
xz dx
2 z! 0
nz z! (2n)z
fZn (z) = =
2 z! ( 2n+1
2
)z+1 (2n + 1)z+1
Por tanto, podemos calcular la función característica de Zn como:
∞ ∞ z
(2n)z 2neit
itZn
X
itz 1 X
ϕZn (t) = E e = e =
z=0
(2n + 1)z+1 2n + 1 z=0 2n + 1
1 1 1
ϕZn (t) = it =
2n + 1 1 − 2ne 1 + 2n(1 − eit )
2n+1
L
Zn −→ Z =⇒ lı́m ϕZn (t) = ϕZ (t)
n→∞
5
Ej. 4. Demostrar que si {Xn : n ≥ 1} es una sucesión de variables aleatorias inde-
pendientes que converge en ley a la constante c, entonces la sucesión {eXn : n ≥ 1}
converge en ley hacia ec . Usar este resultado para estudiar la convergencia en ley y en
probabilidad de
n
!1
Y n
Yn = Xj ,
j=1
L L
Xn −→ c =⇒ eXn −→ ec
Así pues, sea {Xn : n ≥ 1} una sucesión de variables aleatorias independientes que
converge en ley a la variable aleatoria X ≡ c:
L
Xn −→ X ≡ c
(
0 si x<c
lı́m FXn (x) = FX (x) =
n→∞ 1 si c≤x
Por lo que:
(
0 si ln (z) < c
lı́m FZn (z) = lı́m FXn (ln (z)) = FX (ln (z)) =
n→∞ n→∞ 1 si c ≤ ln (z)
O lo que es lo mismo:
(
0 si z < ec
lı́m FZn (z) = FZ (z) =
n→∞ 1 si ec ≤ z
n
!1
Y n
Yn = Xj
j=1
6
Denamos la sucesión de variables aleatorias {Zn : n ≥ 1} donde Zn = ln (Yn ) =
1
Pn
n j=1 ln (Xj ). Entonces podemos calcular la función característica de Zn como:
Yn Yn
1 Pn 1
it ln (X ) it ln (X )
itZn
ϕZn (t) = E e =E e n j=1 j
= E e n j
= ϕln (Xj ) ( nt )
j=1 j=1
n
= ϕln (X1 ) ( nt )
Donde:
1 1 1 x=1
x1+iu
Z Z Z
ln (xiu )
ϕln (X1 ) (u) = E eiu ln (X1 ) = iu ln (x) iu
e dx = e dx = x dx =
0 0 0 1 + iu x=0
= (1 + iu)−1
Ahora bien, e−it se corresponde con la función característica de una variable aleatoria Z
degenerada en −1. De acuerdo con el Teorema de Continuidad de Paul-Levy, podemos
razonar entonces que:
L
lı́m ϕZn (t) = ϕZ (t) =⇒ Zn −→ Z ≡ −1
n→∞
L
Yn = eZn −→ Y = eZ ≡ e−1
Es decir, que la sucesión {Yn : n ≥ 1} converge en ley a Y ≡ e−1 . Además, como tenemos
convergencia en ley a una constante, se tiene también convergencia en probabilidad a
dicha constante. En denitiva:
P
Yn −→ Y ≡ e−1
(a) Xj ∼ N (0, σ 2 ), j ≥ 0.
7
(a) Supongamos que Xj ∼ N (0, σ 2 ) con j ≥ 0. Podemos calcular la función caracte-
rística de Yn como:
P Yn Yn
Xi 1
it n it n+1−j Xj
itYn t
ϕYn (t) = E e =E e j=0 2 n+1−j
= E e 2 = ϕXj ( 2n+1−j )
j=0 j=0
σ 2 u2
iuµ−
ϕN (µ,σ2 ) (u) = e 2
Por lo que:
σ 2 u2
ϕXj (u) = e− 2
n
σ 2 t2 σ 2 t2 Pn σ 2 t2 4n+1 −1
4j −
Y
lı́m ϕYn (t) = lı́m e− 22n+3−2j = lı́m e− 22n+3 j=0 = lı́m e 22n+3 4−1
n→∞ n→∞ n→∞ n→∞
j=0
σ 2 t2 4n+1 −1 σ 2 t2
= lı́m e− 6 4n+1 = e− 6
n→∞
Ahora bien, esta función límite se corresponde con la función característica de una
σ2
variable aleatoria Y Normal de media 0 y varianza . De acuerdo con el Teorema
3
de Continuidad de Paul-Levy, podemos razonar entonces que:
L 2
lı́m ϕYn (t) = ϕY (t) =⇒ Yn −→ Y ∼ N (0, σ3 )
n→∞
2
Es decir, que la sucesión {Yn : n ≥ 1} converge en ley a Y ∼ N (0, σ3 ).
P Yn Yn
Xi 1
it n it n+1−j Xj
itYn t
ϕYn (t) = E e =E e j=0 2 n+1−j
= E e 2 = ϕXj ( 2n+1−j )
j=0 j=0
Por lo que:
ϕXj (u) = e−|u|
Así que deducimos:
n
t
|t| Pn |t| 2n+1 −1
− n+1−j 2j −
Y
= lı́m e− 2n+1
lı́m ϕYn (t) = lı́m e 2 j=0 = lı́m e 2n+1 2−1
n→∞ n→∞ n→∞ n→∞
j=0
2n+1 −1
= lı́m e−|t| 2n+1 = e−|t|
n→∞
8
Ahora bien, esta función límite se corresponde con la función característica de una
variable aleatoria Y Cauchy de parámetros x0 = 0 y γ = 1. De acuerdo con el
Teorema de Continuidad de Paul-Levy, podemos razonar entonces que:
L
lı́m ϕYn (t) = ϕY (t) =⇒ Yn −→ Y ∼ Cauchy(0, 1)
n→∞
Ej. 6. Sea {Xn : n ≥ 1} una sucesión de variables aleatorias independientes con fun-
ciones de densidad:
1 n
fXn (x) =
π 1 + (nx)2
Estudiar la convergencia en probabilidad y la convergencia en media de orden 2 de {Xn :
n ≥ 1}.
Convergencia en Ley
1 x − x0 1
FCauchy(x0 ,γ) (x) = arctan +
π γ 2
Por lo que:
1 1
FXn (x) = arctan(nx) +
π 2
Se tiene entonces: (
0 si x < 0
lı́m FXn (x) =
n→∞ 1 si 0 ≤ x
Convergencia en Probabilidad
P
Xn −→ X ≡ 0
9
Convergencia en Media Cuadrática
lı́m E[Xn2 ] = 0
n→∞
Ahora bien:
∞ x=∞
ln (1 + (nx)2 )
Z Z
n 2nx
E[|Xn |] = |x| dx = dx =
R π (1 + (nx)2 ) 0 π (1 + (nx)2 ) nπ x=0
=∞
lı́m E[Xn2 ] 6= 0
n→∞
Ej. 7. Sea {Xn : n ≥ 1} una sucesión de variables aleatorias independientes con distri-
buciones de Poisson de parámetro n. Demostrar que
Xn − n
√
n
converge en ley a X , donde X es una variable aleatoria N (0, 1).
h Pn i Yn n
itYj Y
ϕ j=1 Yj (t) = E e
Pn it j=1 Yj
= E e = ϕYj (t) = (ϕY1 (t))n
j=1 j=1
Por lo que:
iu −1
ϕY1 (u) = ee
Así que deducimos:
iu n
ϕPnj=1 Yj (t) = ee −1 = en(e −1)
iu
Ahora bien, esta función se corresponde con la función característica de una variable
Pn
aleatoria Poisson de parámetro n. Por tanto, Xn = j=1 Yj . Sabemos que siendo Xn ∼
P oisson(n) se tiene E[Xn ] = V ar(Xn ) = n, por lo que estamos en condiciones
Pn de aplicar
el Teorema Central del Límite a la sucesión {Yn : n ≥ 1} con Xn = j=1 Yj :
Xn − E[Xn ] L
p −→ X ∼ N (0, 1)
V ar(Xn )
10
En particular:
Xn − n L
√ −→ X ∼ N (0, 1)
n
Obteniéndose el resultado buscado.
y<0
FYn (y) = P (Yn ≤ y) = P máx Xj ≤ y =P máx Xj < 0 = 0
1≤j≤n 1≤j≤n
0≤y<1
n
Y n
Y
FYn (y) = P (Yn ≤ y) = P máx Xj ≤ y = P (Xj ≤ y) = y = yn
1≤j≤n
j=1 j=1
1≤y
FYn (y) = P (Yn ≤ y) = P máx Xj ≤ y =P máx Xj ≤ 1 = 1
1≤j≤n 1≤j≤n
En resumen:
0 y<0
si
FYn (y) = yn si 0≤y<1
1 si 1≤y
Se tiene entonces: (
0 si y<1
lı́m FYn (y) =
n→∞ 1 si 1≤y
Ahora bien, esta función límite se corresponde con la función de distribución de
una variable aleatoria Y degenerada en 1, por lo que la sucesión {Yn : n ≥ 1}
converge en ley a Y ≡ 1:
L
Yn −→ Y ≡ 1
11
(b) Primero calculemos la función de distribución de Zn con n ≥ 1. Podemos deducir
de la denición de Zn que:
z z
FZn (z) = P (Zn ≤ z) = P (n Yn ≤ z) = P Yn ≤ n
= F Yn n
Por lo que:
0 si z<0
z n
FZn (z) = n
si 0≤z<n
1 si n≤z
Se tiene entonces:
lı́m FZn (z) = 0
n→∞
Por lo que:
0 si t<0
n
t
FTn (t) = 1− 1− nα
si 0 ≤ t < nα
nα ≤ t
1 si
α=1 (
0 si t<0
lı́m FTn (t) =
n→∞ 1 − e−t si 0≤t
Ahora bien, esta función límite se corresponde con la función de distribución
de una variable aleatoria T Exponencial de tasa 1, por lo que la sucesión
{Tn : n ≥ 1} converge en ley a T ∼ Exp(1):
L
Tn −→ T ∼ Exp(1)
α>1
0 t<0
(
si
lı́m FTn (t) = t =0
n→∞
1 − e− lı́mn→∞ nα−1 si 0≤t
Esta función límite no se corresponde con la función de distribución de nin-
guna variable aleatoria, luego {Tn : n ≥ 1} no converge en ley.
12
α<1
( (
0 si t<0 0 si t<0
lı́m FTn (t) = =
n1−α t
n→∞ 1 − e− lı́mn→∞ si 0≤t 1 si 0≤t
Ahora bien, esta función límite se corresponde con la función de distribución
de una variable aleatoria T degenerada en 0, por lo que la sucesión {Tn : n ≥
1} converge en ley a T ≡ 0:
L
Tn −→ T ≡ 0
(a) Analicemos cada una de las leyes de los grandes números por separado:
Entonces: Pn Pn
j=1 Xj − j=1 µj P
Pn 2
−→ 0
j=1 σj
13
Además:
n n
1 X 1 X 1
lı́m 2 V ar(Xj ) = lı́m 2 1 = lı́m = 0
n→∞ n n→∞ n n→∞ n
j=1 j=1
Pn Pn
j=1 Xj − j=1 µj c.s.
−→ 0
n
Es decir, {Xn : n ≥ 1} verica la ley fuerte de los grandes números.
Ya sabemos que E[Xn ] = 0 y V ar(Xn ) = 1. Además se tiene que:
∞ ∞
X V ar(Xj ) X 1
= <∞
j=1
j2 j=1
j2
(b) Analicemos cada una de las leyes de los grandes números por separado:
Entonces: Pn Pn
j=1 Xj − j=1 µj P
Pn 2
−→ 0
j=1 σj
p 1 p 1
E[Xn ] = ln (n + α) + − ln (n + α) =0
2 2
Y su varianza:
14
Además, como la función logaritmo es una función creciente:
n n n
1 X 1 X 1 X
lı́m V ar(X j ) = lı́m ln (j + α) ≤ lı́m ln (n + α)
n→∞ n2 n→∞ n2 n→∞ n2
j=1 j=1 j=1
ln (n + α)
= lı́m =0
n→∞ n
Por lo que estamos en las condiciones del teorema y {Xn : n ≥ 1} verica la
ley débil de los grandes números.
Pn Pn
j=1 Xj − j=1 µj c.s.
−→ 0
n
Es decir, {Xn : n ≥ 1} verica la ley fuerte de los grandes números.
√
Ya sabemos que que ln (x) ≤
E[Xn ] = 0 y V ar(Xn ) = ln (n + α). Veamos √ x
si x > 0. Para ello denamos la función auxiliar g(x) = x − ln (x). Su
derivada es:
1 1
g 0 (x) = √ −
2 x x
Se tiene entonces:
1 1 √
g 0 (x) = √ − = 0 ⇐⇒ x−2=0 ⇐⇒ x=4
2 x x
1 1
g 00 (x) = − √ + 2
4 x3 x
15
Ej. 10. Estudiar la convergencia en ley de la sucesión {Yn : n ≥ 1}, donde Yn =
j y {Xn : n ≥ 1} es una sucesión de variables aleatorias independientes con
Pn
j=1 X
función de masa:
1 1 1
P Xn = n =P Xn = − n =
2 2 2
h Pn i Yn n
Y
ϕYn (t) = E eitYn = E eit j=1 Xj = E eitXj =
ϕXj (t)
j=1 j=1
Donde:
Pero si t 6= 0, aplicando la fórmula del seno del ángulo doble (sen (2α) = 2 sen (α) cos (α))
podemos reformular la función característica de Xj como:
u
sen ( 2j−1 )
ϕXj (u) = cos ( 2uj ) = u
2 sen ( 2j )
De donde deducimos, usando que sen (x) y x son funciones innitésimamente equivalen-
tes, que:
n t
Y sen (
2j−1
) sen (t) sen (t)
lı́m ϕYn (t) = lı́m t = lı́m t =
n→∞ n→∞ 2 sen ( 2j ) n→∞ 2n sen ( 2n ) t
j=1
16
Analicemos cada una de las distintas convergencias pedidas de la sucesión {Yn : n ≥ 1}
por separado:
Convergencia en Ley
1
−λ 1−
P (Yn = 1) = P (1 − 1
n
≤ X < n) = FX (n) − FX (1 − 1
n
) = e n − e−λn
Se tiene entonces:
0 y<0
si
lı́m FYn (y) = 1 − e−λ si 0≤y<1
n→∞
1 si 1≤y
Ahora bien, esta función límite se corresponde con la función de distribución de una
−λ
variable aleatoria Y Bernoulli de parámetro e , por lo que la sucesión {Yn : n ≥ 1}
−λ
converge en ley a Y ∼ Bernoulli(e ):
L
Yn −→ Y ∼ Bernoulli(e−λ )
Convergencia en Probabilidad
P
Yn −→ Y ⇐⇒ lı́m P ({ω ∈ Ω : |Yn (ω) − Y (ω)| > ε}) = 0, ∀ε > 0
n→∞
17
Distingamos dos casos en función del valor de ε > 0:
1
P ({ω ∈ Ω : |Yn (ω) − Y (ω)| > ε}) = P (1 − n
≤ X < 1) + P (n ≤ X)
Por lo que:
P
Yn −→ Y ∼ Bernoulli(e−λ )
∞
!
c.s.
[
Yn −→ Y ⇐⇒ lı́m P {ω ∈ Ω : |Ym (ω) − Y (ω)| ≥ ε} = 0, ∀ε > 0
n→∞
m=n
Para poder estudiar con mayor facilidad las diferencias entre Yn , Ym con m>n e
Y, representemos las tres distribuciones en función de X:
18
En el diagrama se aprecia que:
∞
[
{ω ∈ Ω : |Ym (ω) − Y (ω)| ≥ ε} = {ω ∈ Ω : |Yn (ω) − Y (ω)| ≥ ε}
m=n
E[(Yn − Y )2 ] = (1)2 P (1 − 1
n
≤ X < 1) + (n − 1)2 P (n ≤ X)
1
−λ 1−
=e n − e−λ + (n − 1)2 e−λn
Por lo que:
lı́m E[(Yn − Y )2 ] = 0
n→∞
Y se tiene:
m2
Yn −→ Y ∼ Bernoulli(e−λ )
Es decir, que la sucesión {Yn : n ≥ 1} converge en media cuadrática a Y ∼
Bernoulli(e−λ ).
SeaX := Número de tuercas defectuosas en una caja. A raíz de los datos del enunciado,
X sigue una distribución Binomial de parámetros n = 100 y p = 0,035. El enunciado
pregunta por el porcentaje de cajas sin más de dos tuercas defectuosas, es decir, por
P (X ≤ 2). Podemos obtener el resultado de las dos siguiente formas:
19
(i) Distribución Binomial
k
X n
FBin(n,p) (k) = pk (1 − p)n−k , k ∈ {0, 1, . . . , n}
j=0
k
k
X 100
FX (k) = 0,035k 0,965100−k , k ∈ {0, 1, . . . , n}
j=0
k
Así pues:
P (X ≤ 2) = FX (2) ≈ 0,316
100
! P100 !
j=1 Xj − 3,5 2 − 3,5
X
P (X ≤ 2) = P Xj ≤ 2 =P √ ≤√
j=1
3,3775 3,3775
2 − 3,5
≈P Z≤ √ = P (Z ≤ −0,186) = 0,207
3,3775
Ej. 13. Una urna contiene diez bolas numeradas del cero al nueve. De la urna se extraen
n bolas con reemplazamiento:
(a) Señalar qué dice la ley de los grandes números sobre la aparición de ceros.
(b) Determinar cuántas extracciones será preciso efectuar para que, con probabilidad
0,95, la frecuencia relativa de aparición de ceros esté comprendida entre 0,09 y
0,11.
20
(c) Utilizar el Teorema Central del Límite para calcular
√
la probabilidad
√
de que, entre
los n números elegidos, el cinco aparezca entre 10 y 10 veces. Particularizar
n−3 n n+3 n
para n = 25 y n = 100.
1
Pn
(b) La frecuencia relativa de aparición de ceros viene dada por
n j=1 Xj . Buscamos
n0 ∈ N de forma que:
n0
!
1 X
P 0,09 ≤ Xj ≤ 0,11 ≥ 0,95
n0 j=1
n
! n
!
1 X 9n X 11n
P 0,09 ≤ Xj ≤ 0,11 = P ≤ Xj ≤
n j=1 100 j=1
100
9n n
Pn n 11n n
!
100
− 10 j=1 Xj − 10 100
− 10
=P √
3 n
≤ √
3 n
≤ √
3 n
10 10 10
√ √ √
n n n
≈P − ≤Z≤ = 2P Z ≤ −1
30 30 30
Luego buscamos n0 ∈ N tal que:
√ √
n0 n0
2P Z ≤ − 1 ≥ 0,95 ⇐⇒ P Z≤ ≥ 0,975
30 30
21
Consultando la tabla de la Normal Estándar (Z ∼ N (0, 1)) vemos que debemos
exigir:
√
n0
≥ 1,96 ⇐⇒ n0 ≥ 3457,44
30
Por lo que será preciso efectuar al menos 3458 extracciones para que, con probabi-
lidad 0,95, la frecuencia relativa de aparición de ceros esté comprendida entre 0,09
y 0,11.
√ n √ !
n−3 n X n+3 n
P ≤ Yj ≤
10 j=1
10
√ n √ ! Pn n
!
n−3 n X n+3 n j=1 Yj − 10
P ≤ Yj ≤ =P −1 ≤ √
3 n
≤1
10 j=1
10
10
≈ P (−1 ≤ Z ≤ 1) = 2P (Z ≤ 1) − 1
Si n = 25, entonces:
n
!
X
P 1≤ Yj ≤ 4 ≈ 0,6826
j=1
Si n = 100, entonces:
n
!
X
P 7≤ Yj ≤ 13 ≈ 0,6826
j=1
22
Ej. 14. Sea {Xn : n ≥ 1} una sucesión de variables aleatorias independientes donde Xn
tiene función de masa:
1
P (Xn = −2) = P (Xn = −1) = P (Xn = 1) = P (Xn = 2) =
4n
1
P (Xn = 0) = 1 −
n
Estudiar la convergencia en ley, en probabilidad, en media cuadrática y casi segura.
Analizar si se cumple la ley fuerte de los grandes números.
Convergencia en Ley
Se tiene entonces: (
0 si x<0
lı́m FXn (x) =
n→∞ 1 si 0≤x
Ahora bien, esta función límite se corresponde con la función de distribución de
una variable aleatoria X degenerada en 0, por lo que la sucesión {Xn : n ≥ 1}
converge en ley a X ≡ 0:
L
Xn −→ X ≡ 0
Convergencia en Probabilidad
P
Xn −→ X ≡ 0
∞
!
c.s.
[
Xn −→ X ⇐⇒ lı́m P {ω ∈ Ω : |Xm (ω) − X(ω)| ≥ ε} = 0, ∀ε > 0
n→∞
m=n
23
En nuestro caso concreto, como el candidato a límite es X ≡ 0, debemos estudiar
si dado ε>0 se tiene:
∞
!
[
lı́m P {ω ∈ Ω : |Xm (ω)| ≥ ε} =0
n→∞
m=n
∞
!
\
lı́m P {ω ∈ Ω : |Xm (ω)| < ε} =1
n→∞
m=n
∞
! ∞
!
\ \
lı́m P {ω ∈ Ω : |Xm (ω)| < ε} = lı́m P {ω ∈ Ω : |Xm (ω)| = 0}
n→∞ n→∞
m=n m=n
k
!
\
= lı́m P lı́m {ω ∈ Ω : |Xm (ω)| = 0}
n→∞ k→∞
m=n
k
!
\
= lı́m lı́m P {ω ∈ Ω : |Xm (ω)| = 0}
n→∞ k→∞
m=n
k
Y
= lı́m lı́m P ({ω ∈ Ω : |Xm (ω)| = 0})
n→∞ k→∞
m=n
k
Y 1
= lı́m lı́m 1−
n→∞ k→∞
m=n
m
k
Y m−1 n−1
= lı́m lı́m = lı́m lı́m
n→∞ k→∞
m=n
m n→∞ k→∞ k
= lı́m 0 = 0
n→∞
Luego:
∞
!
\
lı́m P {ω ∈ Ω : |Xm (ω)| < ε} 6= 1
n→∞
m=n
24
De acuerdo a la función de masa de Xn :
2 1 2 1 2 1 1 1 5
E[Xn2 ] = (−2) + (−1) + (0) 1 − + (1)2 + (2)2 =
4n 4n n 4n 4n 2n
Por lo que:
5
lı́m E[Xn2 ] = lı́m =0
n→∞ n→∞ 2n
Y se tiene:
m2
Xn −→ X ≡ 0
Es decir, que la sucesión {Xn : n ≥ 1} converge en media cuadrática a X ≡ 0.
En cuanto a si {Xn : n ≥ 1} cumple la ley fuerte de los grandes números, vamos a hacer
uso del siguiente resultado:
Pn Pn
j=1 Xj − j=1 µj c.s.
−→ 0
n
Es decir, {Xn : n ≥ 1} verica la ley fuerte de los grandes números.
En nuestro caso, la esperanza de las variables aleatorias Xn es:
1 1 1 1 1
E[Xn ] = (−2) + (−1) + (0) 1 − + (1) + (2) =0
4n 4n n 4n 4n
Y su varianza:
5 5
V ar(Xn ) = E[Xn2 ] − E[Xn ]2 = − 02 =
2n 2n
Además se tiene que:
∞ ∞
X V ar(Xj ) X 5
= <∞
j=1
j2 j=1
2j 3
Por lo que estamos en las condiciones del teorema y {Xn : n ≥ 1} verica la ley fuerte
de los grandes números.
Ej. 15. Sea ξ una variable aleatoria Uniforme sobre el intervalo (− 1θ , 1θ ). Se denen las
variables aleatorias η = θ ξ y Xn con n ≥ 1 donde:
si η(ω) ∈ (−1, − n1 )
−1
Xn (ω) = 0 si η(ω) ∈ [− n1 , n1 )
si η(ω) ∈ [ n1 , 1)
1
25
Analicemos cada una de las distintas convergencias pedidas de la sucesión {Xn : n ≥ 1}
por separado. Añadamos la convergencia en ley para tener un candidato a límite (en
caso de que haya convergencia en ley):
Convergencia en Ley
P (Xn = 0) = P (− n1 ≤ X < n1 ) = Fη ( n1 ) − Fη (− n1 ) = 1
n
x < −1
0 si
1 1
1− −1≤x<0
si
2 n
FXn (x) = 1 1
2
1+ n
si 0≤x<1
1≤x
1 si
Se tiene entonces:
0 x < −1
si
1
lı́m FXn (x) = 2
si −1≤x<1
n→∞
1 si 1≤x
Ahora bien, esta función límite se corresponde con la función de distribución de una
1
variable aleatoria X discreta con función de masa P (X = −1) = P (X = 1) = ,
2
por lo que la sucesión {Xn : n ≥ 1} converge en ley a X :
L
Xn −→ X
26
Convergencia en Probabilidad
P
Xn −→ X ⇐⇒ lı́m P ({ω ∈ Ω : |Xn (ω) − X(ω)| > ε}) = 0, ∀ε > 0
n→∞
−1 Xn (ω) ∈ (−1, 0)
si
X(ω) = 0 si Xn (ω) ∈ {0}
1 si Xn (ω) ∈ (0, 1)
Para poder estudiar con mayor facilidad las diferencias entre Xn y X, represente-
mos ambas distribuciones en función de η:
• Si 1 ≤ ε, entonces:
Por lo que:
P
Xn −→ X
Convergencia Casi Segura
∞
!
c.s.
[
Xn −→ X ⇐⇒ lı́m P {ω ∈ Ω : |Xm (ω) − X(ω)| ≥ ε} = 0, ∀ε > 0
n→∞
m=n
Para poder estudiar con mayor facilidad las diferencias entre Xn , Xm con m>n
y X, representemos las tres distribuciones en función de η:
27
En el diagrama se aprecia que:
∞
[
{ω ∈ Ω : |Xm (ω) − X(ω)| ≥ ε} = {ω ∈ Ω : |Xn (ω) − X(ω)| ≥ ε}
m=n
Por lo que:
lı́m E[(Xn − X)2 ] = 0
n→∞
Y se tiene:
m2
Xn −→ X
Es decir, que la sucesión {Xn : n ≥ 1} converge en media cuadrática a X.
Ej. 16. La duración de una bombilla se distribuye Exponencial con media un mes. Ca-
da vez que una bombilla se estropea es reemplazada inmediatamente por otra nueva.
Determinar cuál es el número mínimo de bombillas que deben tenerse para que, con
probabilidad 0,95, tengamos luz durante un intervalo de tiempo de dos años.
28
Sea {Xn : n ≥ 1} una sucesión de variables aleatorias independientes e idénticamente
distribuidas Exponencial de tasa λ = 1 donde Xn := Duración (meses) de la bombilla
n-ésima. Sea Yn = nj=1 Xj := Duración total (meses) de las primeras n bombillas,
P
entonces Yn sigue una distribución Gamma de parámetros a = 1 y p = n. Buscamos
n0 ∈ N de forma que:
P (24 ≤ Yn0 ) ≥ 0,95
p
Se tiene que E[Yn ] =
a
= n y V ar(Yn ) = ap2 = n, por lo que estamos en condiciones de
aplicar el Teorema Central del Límite a la sucesión {Xn : n ≥ 1}:
Yn − E[Yn ] L
p −→ Z ∼ N (0, 1)
Yn )
24 − n Yn − n 24 − n 24 − n
P (24 ≤ Yn ) = P √ ≤ √ ≈P √ ≤Z =1−P Z≤ √
n n n n
Consultando la tabla de la Normal Estándar (Z ∼ N (0, 1)) vemos que debemos exigir:
24 − n0
√ ≥ −1,645 ⇐⇒ n0 ≥ 33,52
n0
Por lo que será preciso tener al menos 34 bombillas para que, con probabilidad 0,95,
tengamos luz durante un intervalo de tiempo de dos años (24 meses).
29