Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Nociones preliminares
(a) Convergencia puntual: Es el tipo de convergencia más estricta de las que ver-
emos. Sea ! 2 ⌦. Para cada ! fijo, X1 (!), X2 (!), ... es una sucesión de números
reales, por tanto, se define convergencia puntual de la sucesión de variables aleato-
rias X1 , X2 , ... a la variable aleatoria X como:
X(!) = limn!1 Xn (!)
Notación: Xn ! X; 8! 2 ⌦
Ejemplo: La distribución t de Student converge puntualmente a la Normal
Estándar cuando su parámetro n ! 1
1
Estadı́stica Hrayr Der Hagopian Tlapanco
(b) Convergencia casi segura: Este tipo de convergencia es menos estricta que la
puntual. Diremos que la sucesión de variables aleatorias X1 , X2 , ... converge casi
seguramente a la variable aleatoria X si:
P(! 2 ⌦ : Xn (!) ! X(!)) = 1
En este caso, no necesariamente se cumple que Xn (!) ! X(!); 8! 2 ⌦, más
bien exige que aquellos ! 2 ⌦ para los que no se cumpla, tengan una medida de
probabilidad asociada de cero.
c.s.
Notación: Xn ! X
Ejemplo: La Ley (fuerte) de los Números Grandes
(c) Convergencia en probabilidad: Este tipo de convergencia es menos estricta
que los previos dos. Diremos que una sucesión de variables aleatorias X1 , X2 , ...
es convergente en probabilidad a la variable aleatoria X si:
8" > 0 se tiene que P(! 2 ⌦ : |Xn (!) X(!)| > ") ! 0 cuando n ! 1
Es decir, la probabilidad de que la distancia entre Xn (!) & X(!) sea mayor a "
tiende a cero.
p
Notación: Xn ! X
Ejemplo: La Ley (débil) de los Números Grandes
(d) Convergencia en distribución: Es la menos estricta de las cuatro convergen-
cias. Diremos que una sucesión de variables aleatorias X1 , X2 , ... converge en
distribución a la variable aleatoria X si:
Cuando n ! 1 ) FXn (x) ! FX (x); 8x donde FX (x) es continua.
Equivalentemente se puede decir que la sucesión X1 , X2 , ... es convergente en dis-
tribución a la variable aleatoria X si:
limn!1 P(Xn x) = P(X x); 8x donde FX (x) es continua.
d
Notación: Xn ! X
Ejemplo: El Teorema Central del Lı́mite
• Toda sucesión convergente puntualmente lo será casi con seguridad, pero no toda
sucesión convergente casi con seguridad será convergente puntualmente
• Toda sucesión convergente casi con seguridad será convergente en probabilidad,
pero no toda sucesión convergente en probabilidad lo será casi seguramente
• Toda sucesión convergente en probabilidad lo será en distribución, pero no toda
sucesión convergente en distribución lo será en probabilidad
• Por transitividad de las implicaciones, toda sucesión convergente puntualmente
será convergente en probabilidad y en distribución aunque lo recı́proco no nece-
sariamente se cumple
• Por transitividad de las implicaciones, toda sucesión convergente casi seguramente
será convergente en distribución, pero lo recı́proco no necesariamente se sigue
2
Estadı́stica Hrayr Der Hagopian Tlapanco
Teorema: Sea X1 , X2 , ... una sucesión infinita de variables aleatorias i.i.d. con media
finita µ. Entonces: P
Cuando n ! 1 se tiene que n1 ni=1 Xi ! µ
con convergencia casi segura (Ley fuerte) y convergencia en probabilidad (Ley débil).
Básicamente la Ley de los Números Grandes dice que el promedio o media aritmética de
una sucesión muy grande de variables aleatorias i.i.d. converge a la media o Esperanza de
la distribución, cuando ésta existe y es finita.
[Esbozo de demostración.]
Haremos un esbozo de demostración para la Ley débil. Al final se harán dos observaciones
que justifiquen porque no constituye una demostración rigurosa.
3
Estadı́stica Hrayr Der Hagopian Tlapanco
1
Pn
Supongamos que las variables aleatorias Xi tienen varianza finita 2 . Sea Sn = n i=1 Xi ,
puesto que por hipótesis inicial las variables aleatorias Xi son i.i.d.
P P P
) E(Sn ) = E( n1 ni=1 Xi ) = n1 E( ni=1 Xi ) = n1 ni=1 E(Xi ) = n1 nµ = µ
Pn Pn Pn 2
) V ar(Sn ) = V ar( n1 i=1 Xi ) = 1
n2
V ar( i=1 Xi ) = 1
n2 i=1 V ar(Xi ) = 1
n2
n 2 = n
2
Entonces Sn es una variable aleatoria con media µ & varianza n . Recordando que la
2
desigualdad de Chebyshev establece que P(|X µ| ") "2 , en este caso:
2
) P(|Sn µ| ") ( n ) "12
2
) P(|Sn µ| ") n"2
Observaciones:
1. Tuvimos que suponer adicionalmente que la varianza era finita. No obstante, esto
puede no ser el caso, como vimos en las notas de la distribución Pareto; si tenemos
X ⇠ P areto(xm , ↵) con xm = 1 & ↵ = 1.5, entonces exhibe comportamiento de “cisne
negro”, y tiene media finita, pero varianza infinita. La Ley de los Números Grandes
abarca ese caso también, pero este esbozo de demostración no.
4
Estadı́stica Hrayr Der Hagopian Tlapanco
5
Estadı́stica Hrayr Der Hagopian Tlapanco
x 35 -1
f (x) = P(X = x) 1
37
36
37
Si calculamos
P la Esperanza de esta variable aleatoria:
E(X) = x2RX xf (x) = (35)( 37 1
) + ( 1)( 36
37
) ⇡ 0.027 Si uno ve de forma miope las
cosas, muchos trabajadores en los casinos serán testigos de que con frecuencia, la casa
pierde. Sin embargo, el casino opera con un horizonte más amplio y permite que la Ley
de los Números Grandes haga lo suyo. Digamos que un casino tiene 8 ruletas operando
una vez por minuto por 12 horas seguidas. Esto es un total de 8 ⇥ 60 ⇥ 12 = 5760
veces por dı́a y al cabo de un año 2, 102, 400 veces. Esto es un número muy grande
(compárese con los mil lanzamientos de moneda en las simulaciones del inciso a)). Ası́,
al cabo de tantos ensayos, la casa habrá ganado, contrario a lo que un observador
miope concluirı́a. Un aspecto importante es que la ventaja de la casa (nombre que se
6
Estadı́stica Hrayr Der Hagopian Tlapanco
Teorema: Sea X1 , X2 , ... una sucesión infinita de variables aleatorias i.i.d. con media y
varianza finitas µ & 2 respectivamente. Entonces:
) nµ d
Cuando n ! 1, Zn = (X1 +...+X
p n
n 2
! N (0, 1)
2
Por otra parte, recordemos que en el caso de una distribución Normal, si X ⇠ N (µ, ),
entonces Z = X µ ⇠ N (0, 1) es una Normal Estándar.
Entonces, lo que el Teorema Central del Lı́mite sugiere, es que la variable aleatoria Sn
se distribuye normalmente, pues al restarle su media (µ) y dividir la diferencia entre su
desviación estándar ( pn , conocida como error estándar de la media aritmética muestral),
obtenemos una Normal Estándar, siempre que n sea lo suficientemente grande.
Nótese, sin embargo, que uno de los requisitos para que se cumpla el Teorema Central
del Lı́mite es que las variables aleatorias X1 , X2 , ... deben tener media y varianza finitas. De
nueva cuenta esto no necesariamente aplicarı́a para una sucesión de variables aleatorias i.i.d.
X1 , X2 , ... ⇠ P areto(xm , ↵) con ↵ = 1.5, y dadas las aplicaciones que se mencionaron en
notas previas de la Regla 80-20 o la Ley de Price, es claro que no es despreciable el número
de situaciones cotidianas para los cuales no aplica este Teorema.
Ejemplos: A continuación ilustraremos el Teorema Central del Lı́mite con algunas sim-
ulaciones hechas en R 2 :
7
Estadı́stica Hrayr Der Hagopian Tlapanco
Para cada uno de los experimentos se puede obtener Sn & Zn . En el experimento 1 por
ejemplo, Sn es S9 , pues el tamaño de la muestra es 9 y se están promediando 9 estaturas
a la vez. Por hipótesis inicial las estaturas observadas provienen de una distribución
N (170, 225), entonces sabemos que = 15 y se dijo que n = 9, por tanto, Zn = Z9 =
Sn p170
15/ 9
= Sn 5170 . Como estamos repitiendo el experimento 5,000 veces, habrá 5,000
valores para Sn y 5,000 valores para Zn . Las Figuras 5-7 muestran los resultados de
estos experimentos (simulados), representados por medio de un Histograma. Nótese
que conforme el tamaño de la muestra es mayor, i.e. conforme n ! 1, los valores de
Sn se desvı́an muy poco de la media poblacional µ = 170 3 . Por otra parte, parece que
Zn se distribuye Normal Estándar en los tres casos, esto se debe a que el experimento
se repitió un número relativamente grande de veces: 5000.
8
Estadı́stica Hrayr Der Hagopian Tlapanco
9
Estadı́stica Hrayr Der Hagopian Tlapanco
10
Estadı́stica Hrayr Der Hagopian Tlapanco
De forma análoga a los dos incisos anteriores, podemos calcular Sn & Zn . Las Figuras
10 y 11 muestran los resultados de los experimentos.
11
Estadı́stica Hrayr Der Hagopian Tlapanco
Nótese que en este caso, por el valor del parámetro ↵1 , la distribución tiene media
y varianza finitas, lo cual tiene como consecuencia que la distribución muestral de la
media aritmética muestral (i.e. la distribución de Sn ) es aproximadamente Normal.
Por otra parte, pensemos en los siguientes experimentos para la variable aleatoria Y :
12
Estadı́stica Hrayr Der Hagopian Tlapanco
• Experimento 11: Obtener una muestra aleatoria (con reemplazo) de 900 valores,
registrarlos y sacar el promedio (media aritmética) de la muestra. Repetir eso
5,000 veces.
Esto es un contraejemplo claro de que el Teorema Central del Lı́mite NO aplica para
todas las distribuciones. Vale la pena mencionar que varios temas económicos y/o
financieros exhiben comprtamiento de “cisne negro”, por ejemplo la distribución del
ingreso/riqueza. Otro ejemplo, es que en ocasiones se mide el riesgo de una inversión
con su desviación estándar. Sin embargo, ¿qué sucede si la varianza es infinita? En
Finanzas es común que se usen “distribuciones de colas pesadas” (como la Pareto con
varianza infinita), y se recurra a otras medidas de riesgo más sofisticadas que la simple
desviación estándar.
13
Estadı́stica Hrayr Der Hagopian Tlapanco
Después definimos una variable aleatoria (y también vector aleatorio) que podı́a ser disc-
reta o continua y mencionamos muchos conceptos asociados (que fue la parte aburrida del
curso): funciones de masa o densidad de probabilidad, funciones de distribución, momentos
centrales y crudos, función generadora de momentos, esperanza, varianza, sesgo, curtosis,
cuantiles, moda, distribuciones condicionales, distribuciones marginales, independencia de
variables aleatorias, covarianza, correlación, etc.
14
Estadı́stica Hrayr Der Hagopian Tlapanco
a ciertas regularidades conocidas como Teoremas Lı́mite: la Ley de los Números Grandes
y el Teorema Central del Lı́mite. En esta parte del curso hemos recurrido en ocasiones a
demostraciones o esbozos de demostración, pues es la forma de exhibir que estamos emple-
ando correctamente las reglas de inferencia para llegar a conclusiones verdaderas (siempre y
cuando sean verdaderos los axiomas y las premisas de las cuales partimos).
15