Hoja 5

Convergencias Estocásticas
Curso de Probabilidad (UCM) - 2017/2018

Ej. 1. Sea {Xn : n ≥ 1} una sucesión de variables aleatorias independientes e idén-

ticamente distribuidas Normales de media 0 y varianzaP 1. Estudiar la convergencia en
probabilidad de la sucesión {Yn : n ≥ 1}, donde Yn = n nj=1 Xj2 .
1

Sabemos que la suma de los cuadrados de n

variables aleatorias independientes Norma-
2
les de media 0 y varianza 1 sigue una distribución Xn (chi-cuadrado con n grados de
1
libertad). Ésta puede interpretarse como una distribución Gamma de parámetros a =
2
n
y p = . Por tanto, podemos calcular la función característica de Yn como:
2
 
1 Pn
it Xj
 itYn  t

t


ϕYn (t) = E e =E e n j=1 = ϕXn2 n
= ϕGamma 1 , n  n
2 2

La función característica de una variable aleatoria con distribución Gamma(a, p) es:

 −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→∞

Es decir, que la sucesión {Yn : n ≥ 1} converge en ley a Y ≡ 1. Además, como tenemos

convergencia en ley a una constante, se tiene también convergencia en probabilidad a
dicha constante. En denitiva:
P
Yn −→ Y ≡ 1

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}.

Analicemos cada una de las distintas convergencias pedidas de la sucesión {Vn : n ≥ 1}

por separado:

Convergencia en Ley

Para poder estudiar la convergencia en ley de la sucesión {Vn : n ≥ 1} debemos

en primer lugar encontrar la función de distribución de cada variable aleatoria Vn
con n ≥ 1. Por denición, Vn sólo puede tomar los valores 0 ó 1 al ser producto
de variables aleatorias independientes e idénticamente distribuidas Bernoulli de
parámetro p. Por tanto, Vn tiene la siguiente función de masa:

P (Vn = 1) = P (X1 = 1, . . . , Xn = 1) = pn

P (Vn = 0) = 1 − P (X1 = 1, . . . , Xn = 1) = 1 − pn

Lo que nos indica que Vn sigue una distribución Bernoulli de parámetro pn . De

esta forma, su función de distribución es:

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

Dado que la sucesión {Vn : n ≥ 1} converge en ley a V ≡ 0, se tiene también

convergencia en probabilidad a dicha constante. Es decir:

P
Vn −→ V ≡ 0

Convergencia Casi Segura

Utilizaremos la siguiente caracterización de la convergencia casi segura:

∞
!
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

O equivalentemente, mediante el uso del complementario, si:

∞
!
\
lı́m P {ω ∈ Ω : |Vm (ω)| < ε} =1
n→∞
m=n

Si 1 < ε, como |Vn | = 0 ó |Vn | = 1 para cada n ≥ 1, es claro que:

∞
!
\
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:

• Por el principio de inclusión de la intersección:

∞
\
{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

Estudiar la convergencia en ley de la sucesión {Vn : n ≥ 1}, donde Vn = 1

n2
Yn .
(b) Sea Zn una variable aleatoria tal que Zn | X = x es Poisson de parámetro nx.
Calcular la distribución de Zn y estudiar la convergencia en ley de la sucesión
{Zn : n ≥ 1}.

(a) Según la denición, podemos calcular la función de densidad marginal de X de la

siguiente forma:

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

La función característica de una variable aleatoria con distribución Gamma(a, p)

es:  −p
iu
ϕGamma(a,p) (u) = 1 −
a
Por lo que:
−n −n
i nt2 2it
 
n
ϕVn (t) = 1− 1 = 1−
2
n
Se tiene entonces:
 2it −n
2it
lı́m ϕVn (t) = lı́m 1 − n
= elı́mn→∞ n = e0 = 1
n→∞ n→∞ n

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→∞

Es decir, que la sucesión {Vn : n ≥ 1} converge en ley a V ≡ 0.

(b) De acuerdo con el Teorema de la Probabilidad Total, podemos calcular la función
de masa de Zn con n≥1 para z≥0 de la siguiente forma:

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

El integrando se corresponde con el núcleo de una distribución Gamma de paráme-

2n+1
tros a = y p = z + 1. La integral del núcleo de una distribución Gamma(a, p)
2
es: Z ∞
Γ(p)
e−au up−1 du = p
0 a
Sabiendo además que Γ(p) = (p − 1)! para p ∈ N, deducimos que:

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

Donde, a partir de la expresión de la suma de series geométricas de razón menor

que 1, deducimos:

1 1 1
ϕZn (t) = it =
2n + 1 1 − 2ne 1 + 2n(1 − eit )
2n+1

Sabiendo que eit = 1 si y sólo si k ∈ Z.

t = 2kπ con Se tiene entonces:
(
1 1 si t = 2kπ, k ∈ Z
lı́m ϕZn (t) = lı́m =
n→∞ n→∞ 1 + 2n(1 − eit ) 0 si t 6= 2kπ, k ∈ Z

Ahora bien, esta función no es continua, luego no se corresponde con la función

característica de ninguna variable aleatoria. Dado que según el Teorema de Conti-
nuidad de Paul-Levy:

L
Zn −→ Z =⇒ lı́m ϕZn (t) = ϕZ (t)
n→∞

Podemos concluir que la sucesión {Zn : n ≥ 1} no converge en ley.

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

donde {Xn : n ≥ 1} es una sucesión de variables aleatorias independientes e idéntica-

mente distribuidas Uniformes sobre el intervalo (0, 1).

Comencemos demostrando el primer resultado, es decir:

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

Si FXn (x) = P (Xn ≤ x) es la función de distribución de Xn para cada n ≥ 1, entonces:

(
0 si x<c
lı́m FXn (x) = FX (x) =
n→∞ 1 si c≤x

Sean Zn = eXn y FZn (z) = P (Zn ≤ z) su función de distribución con n ≥ 1. Se verica:

FZn (z) = P (Zn ≤ z) = P eXn ≤ z = P (Xn ≤ ln (z)) = FXn (ln (z))

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

Donde Z ≡ ec . Por tanto:

L
Zn −→ Z ≡ ec
Habiendo demostrado este resultado, sean {Xn : n ≥ 1} una sucesión de variables
aleatorias independientes e idénticamente distribuidas Uniformes sobre el intervalo (0, 1)
e {Yn : n ≥ 1} la sucesión de variables aleatorias tal que:

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

Así que deducimos:

it −n
= e−it


lı́m ϕZn (t) = lı́m 1 + n
n→∞ n→∞

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→∞

Sabiendo esto y a partir del resultado anterior:

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

Ej. 5.Sea {Xn : n ≥ 0} una sucesión de variables aleatorias independientes e idéntica-

mente distribuidas y denamos:
n
X Xj
Yn = n+1−j
j=0
2

Estudiar la convergencia en ley de {Yn : n ≥ 0} cuando:

(a) Xj ∼ N (0, σ 2 ), j ≥ 0.

(b) Xj ∼ Cauchy(0, 1), 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

Donde la función característica de una variable aleatoria N (µ, σ 2 ) es:

σ 2 u2
iuµ−
ϕN (µ,σ2 ) (u) = e 2

Por lo que:
σ 2 u2
ϕXj (u) = e− 2

Así que deducimos:

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 ).

(b) Supongamos que Xj ∼ Cauchy(0, 1) con j ≥ 0. Podemos calcular la función

característica 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

Donde la función característica de una variable aleatoria Cauchy(x0 , γ) es:

ϕCauchy(x0 ,γ) (u) = eiux0 −γ|u|

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→∞

Es decir, que la sucesión {Yn : n ≥ 1} converge en ley a Y ∼ Cauchy(0, 1).

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}.

Analicemos cada una de las distintas convergencias pedidas de la sucesión {Vn : 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

Para poder estudiar la convergencia en ley de la sucesión {Xn : n ≥ 1} debemos

en primer lugar encontrar la función de distribución de cada variable aleatoria Xn
con n ≥ 1. Démonos cuenta de que la función de densidad de Xn nos indica que
ésta sigue una distribución Cauchy de parámetros x0 = 0 y γ = n1 . La función de
distribución de una variable aleatoria Cauchy(x0 , γ) es:

 
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

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

Dado que la sucesión {Xn : n ≥ 1} converge en ley a X ≡ 0, se tiene también

convergencia en probabilidad a dicha constante. Es decir:

P
Xn −→ X ≡ 0

9
 Convergencia en Media Cuadrática

Como el candidato a límite es X ≡ 0, debemos estudiar si:

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

=∞

Como E[|Xn |] = ∞, entonces E[Xn2 ] = ∞. Así pues:

lı́m E[Xn2 ] 6= 0
n→∞

Lo cual nos indica que {Xn : n ≥ 1} no converge en media cuadrática.

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).

Sea {Yn : n ≥ 1} una sucesión de variables aleatorias independientes e idénticamen-

Pn
te distribuidas Poisson de parámetro 1
Pn . Comprobemos que Xn = j=1 Yj . Podemos
calcular la función característica de j=1 Yj como:

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

Donde la función característica de una variable aleatoria P oisson(λ) es:

ϕP oisson(λ) (u) = eλ(e )

iu −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.

Ej. 8. Sea {Xn : n ≥ 1} una sucesión de variables aleatorias independientes e idéntica-

mente distribuidas Uniformes sobre el intervalo (0, 1). Estudiar la convergencia en ley
de las siguientes sucesiones:

(a) {Yn : n ≥ 1}, donde Yn = máx(X1 , . . . , Xn ).

(b) {Zn : n ≥ 1}, donde Zn = n Yn .
(c) {Tn : n ≥ 1}, donde Tn = nα (1 − Yn ).

(a) Primero calculemos la función de distribución de Yn con n ≥ 1. Distingamos tres

casos:

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→∞

Esta función límite no se corresponde con la función de distribución de ninguna

variable aleatoria, luego {Zn : n ≥ 1} no converge en ley.

(c) Primero calculemos la función de distribución de Tn con n ≥ 1. Podemos deducir

de la denición de Tn que:

FTn (t) = P (Tn ≤ t) = P (nα (1 − Yn ) ≤ t) = P 1 − t t

nα
≤ Y n = 1 − F Yn 1 − nα

Por lo que: 

 0 si t<0

n
t
FTn (t) = 1− 1− nα
si 0 ≤ t < nα

nα ≤ t

 1 si

Distinguimos tres casos en función del parámetro α para el estudio de la conver-

gencia:

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

Ej. 9. Estudiar si las siguientes sucesiones de variables aleatorias independientes cum-

plen la ley débil y/o fuerte de los grandes números:
(a) {Xn : n ≥ 1}, donde:
1
P (Xn = 2n ) = P (Xn = −2n ) =
22n+1
1
P (Xn = 0) = 1 −
22n

(b) {Xn : n ≥ 1}, donde:

 p   p  1
P Xn = ln (n + α) = P Xn = − ln (n + α) = , α∈N
2

(a) Analicemos cada una de las leyes de los grandes números por separado:

Ley Débil de los Grandes Números

Vamos a hacer uso del siguiente resultado:

Teorema. Sea {Xn : n ≥ 1} una sucesión de variables aleatorias

Pn indepen-
dientes con E[Xn ] = µn y V ar(Xn ) = σn , tal que lı́mn→∞ n2 j=1 σj2 = 0.
2 1

Entonces: Pn Pn
j=1 Xj − j=1 µj P
Pn 2
−→ 0
j=1 σj

Es decir, {Xn : n ≥ 1} verica la ley débil de los grandes números.

En nuestro caso, la esperanza de las variables aleatorias Xn es:
 
1 1 1
E[Xn ] = (2n ) + (−2n ) + (0) 1 − 2n = 0
22n+1 22n+1 2
Y su varianza:

V ar(Xn ) = E[Xn2 ] − E[Xn ]2 = E[Xn2 ] − 02

 
n 2 1 n 2 1 2 1
= (2 ) + (−2 ) + (0) 1 − 2n = 1
22n+1 22n+1 2

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

Por lo que estamos en las condiciones del teorema y {Xn : n ≥ 1} verica la

ley débil de los grandes números.

Ley Fuerte de los Grandes Números

Vamos a hacer uso del siguiente resultado:

Teorema. Sea {Xn : n ≥ 1} una sucesión de variables aleatorias indepen-

σj2
dientes con E[Xn ] = µn y V ar(Xn ) = σn2 , tal que ∞
j=1 j 2 < ∞. Entonces:
P

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

Por lo que estamos en las condiciones del teorema y {Xn : n ≥ 1} verica la

ley fuerte de los grandes números.

(b) Analicemos cada una de las leyes de los grandes números por separado:

Ley Débil de los Grandes Números

Vamos a hacer uso del siguiente resultado:

Teorema. Sea {Xn : n ≥ 1} una sucesión de variables aleatorias

Pn indepen-
dientes con E[Xn ] = µn y V ar(Xn ) = σn , tal que lı́mn→∞ n2 j=1 σj2 = 0.
2 1

Entonces: Pn Pn
j=1 Xj − j=1 µj P
Pn 2
−→ 0
j=1 σj

Es decir, {Xn : n ≥ 1} verica la ley débil de los grandes números.

Xn es:
En nuestro caso, la esperanza de las variables aleatorias

p 1  p 1
E[Xn ] = ln (n + α) + − ln (n + α) =0
2 2
Y su varianza:

V ar(Xn ) = E[Xn2 ] − E[Xn ]2 = E[Xn2 ] − 02

p 2 1  p 2 1
= ln (n + α) + − ln (n + α) = ln (n + α)
2 2

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.

Ley Fuerte de los Grandes Números

Vamos a hacer uso del siguiente resultado:

Teorema. Sea {Xn : n ≥ 1} una sucesión de variables aleatorias indepen-

σj2
dientes con E[Xn ] = µn y V ar(Xn ) = σn2 , tal que ∞
j=1 j 2 < ∞. Entonces:
P

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

La segunda derivada de g es:

1 1
g 00 (x) = − √ + 2
4 x3 x

Por lo que g 00 (4) = 32

1
> 0 y g tiene un único mínimo en x = 4. Dado que
g(4) = 2 − ln (2) > 0, concluimos
√ que g es una función positiva en todo su
dominio y que ln (x) ≤ x si x > 0. Así pues:
∞ ∞ ∞ √
X V ar(Xj ) X ln (j + α) X j+α
= ≤ <∞
j=1
j2 j=1
j2 j=1
j2

Por lo que estamos en las condiciones del teorema y {Xn : n ≥ 1} verica la

ley fuerte de los grandes números.

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

Podemos calcular la función característica de Yn como:

h Pn i Yn n
 Y
ϕYn (t) = E eitYn = E eit j=1 Xj = E eitXj =
  
ϕXj (t)
j=1 j=1

Donde:

 1 iu 1 iu cos ( 2uj ) + i sen ( 2uj ) cos (− 2uj ) + i sen (− 2uj )

ϕXj (u) = E eiuXj = e 2j + e− 2j =

+
2 2 2 2
cos ( 2uj ) + i sen ( 2uj ) cos ( 2uj ) − i sen ( 2uj )
= + = cos ( 2uj )
2 2
Si t=0 es claro que:
n
Y
lı́m ϕYn (0) = lı́m cos (0) = 1
n→∞ n→∞
j=1

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

Ahora bien, si recordamos el Ejercicio 21 de la Hoja 3, esta función límite se corresponde

con la función característica de una variable aleatoria Y Uniforme sobre el intervalo
(−1, 1). De acuerdo con el Teorema de Continuidad de Paul-Levy, podemos razonar
entonces que:
L
lı́m ϕYn (t) = ϕY (t) =⇒ Yn −→ Y ∼ U(−1, 1)
n→∞

Es decir, que la sucesión {Yn : n ≥ 1} converge en ley a Y ∼ U(−1, 1).

Ej. 11. Sea X una variable aleatoria Exponencial de tasa λ. Sea:

si Xn (ω) ∈ [0, 1 − n1 )


 0

Yn (ω) = 1 si Xn (ω) ∈ [1 − n1 , n)

si Xn (ω) ∈ [n, ∞)

 n

Estudiar la convergencia en ley, en probabilidad, en media de orden 2 y casi segura de

la sucesión {Yn : n ≥ 1}.

16
Analicemos cada una de las distintas convergencias pedidas de la sucesión {Yn : n ≥ 1}
por separado:

Convergencia en Ley

Para poder estudiar la convergencia en ley de la sucesión {Yn : n ≥ 1} debemos

en primer lugar encontrar la función de distribución de cada variable aleatoria
Yn con n ≥ 1. Recordemos que la función de distribución de la variable aleatoria
X ∼ Exp(λ) es: (
0 si x<0
FX (x) =
1 − e−λx si 0≤x
Por tanto, Yn tiene la siguiente función de masa:
1
 
1 1 −λ 1−
P (Yn = 0) = P (0 ≤ X < 1 − n
) = FX (1 − n
) − FX (0) = 1 − e n

1
 
−λ 1−
P (Yn = 1) = P (1 − 1
n
≤ X < n) = FX (n) − FX (1 − 1
n
) = e n − e−λn

P (Yn = n) = P (n ≤ X) = 1 − FX (n) = e−λn

De esta forma, su función de distribución es:


 0 si y<0

1
  
 −λ 1−
1−e n si 0≤y<1

FYn (y) =



 1 − e−λn si 1≤y<n

1 n≤y

si

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

Utilizaremos la siguiente caracterización de la convergencia en probabilidad:

P
Yn −→ Y ⇐⇒ lı́m P ({ω ∈ Ω : |Yn (ω) − Y (ω)| > ε}) = 0, ∀ε > 0
n→∞

Démonos cuenta, mediante el paso al límite, de que:

(
0 si Xn (ω) ∈ [0, 1)
Y (ω) =
1 si Xn (ω) ∈ [1, ∞)
Para poder estudiar con mayor facilidad las diferencias entre Yn e Y , representemos
ambas distribuciones en función de X:

17
Distingamos dos casos en función del valor de ε > 0:

• Si 0 < ε < 1, entonces:

1
P ({ω ∈ Ω : |Yn (ω) − Y (ω)| > ε}) = P (1 − n
≤ X < 1) + P (n ≤ X)

= (FX (1) − FX (1 − n1 )) + (1 − FX (n))

1
 
−λ 1−
=e n − e−λ + e−λn

• Si 1 ≤ ε, entonces (con n>ε+1 sucientemente grande):

P ({ω ∈ Ω : |Yn (ω) − Y (ω)| > ε}) = P (n ≤ X) = (1 − FX (n)) = e−λn

En cualquiera de ellos se verica:

lı́m P ({ω ∈ Ω : |Yn (ω) − Y (ω)| > ε}) = 0

n→∞

Por lo que:
P
Yn −→ Y ∼ Bernoulli(e−λ )

Convergencia Casi Segura

Utilizaremos la siguiente caracterización de la convergencia casi segura:

∞
!
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

Por tanto, nos basta con comprobar si:

lı́m P ({ω ∈ Ω : |Yn (ω) − Y (ω)| ≥ ε}) = 0, ∀ε > 0

n→∞

Ahora bien, esto ya se ha hecho para la convergencia en probabilidad. Luego con-

cluimos que:
c.s.
Yn −→ Y ∼ Bernoulli(e−λ )

Convergencia en Media Cuadrática

Debemos estudiar si:

lı́m E[(Yn − Y )2 ] = 0
n→∞

De acuerdo a las diferencias entre Yn e Y identicadas para la convergencia en

probabilidad:

E[(Yn − Y )2 ] = (1)2 P (1 − 1
n
≤ X < 1) + (n − 1)2 P (n ≤ X)

= FX (1) − FX (1 − n1 ) + (n − 1)2 (1 − FX (n))

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 ).

Ej. 12. Una empresa está especializada en la producción de tuercas. La experiencia en

los últimos años muestra que la probabilidad de producir una tuerca defectuosa es 0,035.
Las tuercas se empaquetan en cajas de 100 unidades. Determinar el porcentaje de cajas
sin más de dos tuercas defectuosas.

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

La función de distribución de una variable aleatoria Bin(n, p) es:

k  
X n
FBin(n,p) (k) = pk (1 − p)n−k , k ∈ {0, 1, . . . , n}
j=0
k

Luego en nuestro caso concreto con X ∼ Bin(100; 0,035) tenemos:

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

(ii) Teorema Central del Límite

Sea {Xn : n ≥ 1} una sucesión de variables aleatorias independientes e idén-

Pn
ticamente distribuidas Bernoulli de parámetro p. Es conocido que j=1 Xj ∼
Bin(n, p). Se tiene entonces E[ nj=1 Xj ] = np y V ar( nj=1 Xj ) = np(1 − p), por lo
P P
que estamos en condiciones de aplicar el Teorema Central del Límite a la sucesión
{Xn : n ≥ 1}: Pn
Xj − E[ nj=1 Xj ] L
P
j=1
q −→ Z ∼ N (0, 1)
V ar( nj=1 Xj )
P

En nuestro caso concreto:

Pn
Xj − np L
pj=1 −→ Z ∼ N (0, 1)
np(1 − p)
P100
Dado que X = j=1 Xj particularizando para n = 100 y p = 0,035, mediante
aproximación asintótica podemos calcular:

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.

(a) Sea {Xn : n ≥ 1} una sucesión de variables aleatorias independientes e idéntica-

1
mente distribuidas Bernoulli de parámetro p = 10 de forma que Xn := Aparece
un cero en la n-ésima extracción. La frecuencia relativa de aparición de ceros en
n extracciones vendrá dada por n1 nj=1 Xj . En virtud del Teorema de Bernoulli se
P
tiene:
n
1X P 1
Xj −→ p =
n j=1
10
Pero es que además, de acuerdo a la Ley Fuerte de Borel de los Grandes Números,
también se verica:
n
1X c.s. 1
Xj −→ p =
n j=1 10
Luego lo que dice la ley de los grandes números sobre la aparición de ceros es
que, según el número de extracciones tiende a innito, la frecuencia relativa de
aparición de ceros converge casi seguro a la proporción de ceros en la urna.

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

Aplicando el Teorema Central del Límite a la sucesión {Xn : n ≥ 1} de igual

manera que en el ejercicio anterior, se obtiene:
Pn n
j=1 Xj − 10 L
√
3 n
−→ Z ∼ N (0, 1)
10

Mediante aproximación asintótica podemos calcular entonces:

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.

(c) Razonando de manera análoga al apartado anterior, la aparición de cincos viene

Pn
dada por j=1 Yj donde {Yn : n ≥ 1} es una sucesión de variables aleatorias
1
independientes e idénticamente distribuidas Bernoulli de parámetro p = de
10
forma que Yn := Aparece un cinco en la n-ésima extracción. Queremos calcular:

√ n √ !
n−3 n X n+3 n
P ≤ Yj ≤
10 j=1
10

Aplicando el Teorema Central del Límite a la sucesión {Yn : n ≥ 1} de igual

manera que en el apartado anterior, se obtiene:
Pn n
j=1 Yj − 10 L
√
3 n
−→ Z ∼ N (0, 1)
10

Mediante aproximación asintótica podemos calcular entonces:

√ 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

Consultando la tabla de la Normal Estándar (Z ∼ N (0, 1)) podemos deducir que

este valor es:
√ n √ !
n−3 n X n+3 n
P ≤ Yj ≤ ≈ 0,6826
10 j=1
10
Particularizando:

Si n = 25, entonces:

n
!
X
P 1≤ Yj ≤ 4 ≈ 0,6826
j=1

Luego esperamos encontrar entre 1 y 4 cincos con probabilidad 0,6826.

Si n = 100, entonces:

n
!
X
P 7≤ Yj ≤ 13 ≈ 0,6826
j=1

Luego esperamos encontrar entre 7 y 13 cincos con probabilidad 0,6826.

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.

Analicemos cada una de las distintas convergencias pedidas de la sucesión {Xn : n ≥ 1}

por separado:

Convergencia en Ley

Para poder estudiar la convergencia en ley de la sucesión {Xn : n ≥ 1} debemos

en primer lugar encontrar la función de distribución de cada variable aleatoria Xn
con n ≥ 1. A partir de la función de masa dada por el enunciado:


 0 si x < −2

1
− 2 ≤ x < −1

si



 4n
 1
−1≤x<0

 si
2n
FXn (x) = 1


 1 − 2n si 0≤x<1

1
1 − 4n 1≤x<2

si





1 2≤x

si

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

Dado que la sucesión {Xn : n ≥ 1} converge en ley a X ≡ 0, se tiene también

convergencia en probabilidad a dicha constante. Es decir:

P
Xn −→ X ≡ 0

Convergencia Casi Segura

Utilizaremos la siguiente caracterización de la convergencia casi segura:

∞
!
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

O equivalentemente, mediante el uso del complementario, si:

∞
!
\
lı́m P {ω ∈ Ω : |Xm (ω)| < ε} =1
n→∞
m=n

Supongamos que 0 < ε ≤ 1. Siendo así:

∞
! ∞
!
\ \
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

Lo cual nos indica que {Xn : n ≥ 1} no converge casi seguro a X ≡ 0.

Convergencia en Media Cuadrática

Debemos estudiar si:

lı́m E[(Xn − X)2 ] = 0
n→∞

En nuestro caso concreto, como el candidato a límite es X ≡ 0, debemos estudiar

si:
lı́m E[Xn2 ] = 0
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:

Teorema. Sea {Xn : n ≥ 1} una sucesión de variables aleatorias independientes con

σj2
E[Xn ] = µn y V ar(Xn ) = σn2 , tal que ∞j=1 j 2 < ∞. Entonces:
P

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

Estudiar la convergencia en probabilidad, casi segura y en media cuadrática de la sucesión

{Xn : n ≥ 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

Para poder estudiar la convergencia en ley de la sucesión {Xn : n ≥ 1} debemos

en primer lugar encontrar la función de distribución de cada variable aleatoria Xn
1 1
con n ≥ 1. Es claro que si ξ ∼ U(− , ), entonces η = θ ξ ∼ U(−1, 1). Recordemos
θ θ
que la función de distribución de una variable aleatoria Uniforme sobre el intervalo
(a, b) es:
0 y<a

 si

y−a
FU (a,b) (y) = b−a
si a≤y<b


1 si b≤y
Por lo que: 

 0 si y < −1

y+1
Fη (y) = 2
si −1≤y <1


 1 si 1≤y
Así pues, Xn tiene la siguiente función de masa:

P (Xn = −1) = P (−1 < X < − n1 ) = Fη (− n1 ) − Fη (−1) = 1 1

2
1− n

P (Xn = 0) = P (− n1 ≤ X < n1 ) = Fη ( n1 ) − Fη (− n1 ) = 1
n

P (Xn = 1) = P ( n1 ≤ X < 1) = Fη (1) − Fη ( n1 ) = 1 1

2
1− n

De esta forma, su función de distribución es:

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

Utilizaremos la siguiente caracterización de la convergencia en probabilidad:

P
Xn −→ X ⇐⇒ lı́m P ({ω ∈ Ω : |Xn (ω) − X(ω)| > ε}) = 0, ∀ε > 0
n→∞

Démonos cuenta, mediante el paso al límite, de que:

−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:

Distingamos dos casos en función del valor de ε > 0:

• Si 0 < ε < 1, entonces:

P ({ω ∈ Ω : |Xn (ω) − X(ω)| > ε}) = P (− n1 ≤ η < 0) + P (0 < η < n1 )

= (Fη (0) − Fη (− n1 ))+ (Fη ( n1 ) − Fη (0)) = 1

n

• Si 1 ≤ ε, entonces:

P ({ω ∈ Ω : |Xn (ω) − X(ω)| > ε}) = P (∅) = 0

En cualquiera de ellos se verica:

lı́m P ({ω ∈ Ω : |Xn (ω) − X(ω)| > ε}) = 0

n→∞

Por lo que:
P
Xn −→ X
Convergencia Casi Segura

Utilizaremos la siguiente caracterización de la 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 tanto, nos basta con comprobar si:

lı́m P ({ω ∈ Ω : |Xn (ω) − X(ω)| ≥ ε}) = 0, ∀ε > 0

n→∞

Ahora bien, esto ya se ha hecho para la convergencia en probabilidad. Luego con-

cluimos que:
c.s.
Xn −→ X

Convergencia en Media Cuadrática

Debemos estudiar si:

lı́m E[(Xn − X)2 ] = 0
n→∞

De acuerdo a las diferencias entre Xn y X identicadas para la convergencia en

probabilidad:

E[(Xn − X)2 ] = (1)2 P (− n1 ≤ η < 0) + (−1)2 P (0 < η < n1 )

= (Fη (0) − Fη (− n1 )) + (Fη ( n1 ) − Fη (0)) = 1

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 )

En nuestro caso concreto:

Yn − n L
√ −→ Z ∼ N (0, 1)
n
Mediante aproximación asintótica podemos calcular entonces:

     
24 − n Yn − n 24 − n 24 − n
P (24 ≤ Yn ) = P √ ≤ √ ≈P √ ≤Z =1−P Z≤ √
n n n n

Luego buscamos n0 ∈ N tal que:

   
24 − n0 24 − n0
1−P Z ≤ √ ≥ 0,95 ⇐⇒ P Z≤ √ ≤ 0,05
n0 n0

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