Facultad de Economía y Empresa. Grado en Administración y Dirección de Empresas.

Estadística I. Curso 2021-2022.

TEMA 8: CONVERGENCIA Y TEOREMA CENTRAL DEL LIMITE

8.1.- CONVERGENCIA EN PROBABILIDAD

En Estadística, la palabra “convergencia” hace referencia a las propiedades asintóticas de

las variables aleatorias; es una extensión de la idea de lím ite al campo estadístico.
Se puede hablar de cuatro tipos de convergencia de sucesiones de variables aleatorias:
convergencia casi segura, en probabilidad, en distribución y en media de orden r.
Se dice que una sucesión de variables aleatorias X1, X2, ..., Xn, ..., converge en
probabilidad a una constante k si

lím P( X
n →∞
n − k < ε)=1

 Aplicación: teorema de Bernoulli

Sea S un suceso que puede ocurrir con probabilidad p. Sea una sucesión de variables
aleatorias independientes dada por
X1: número de veces que S ocurre en un intento [x1 = 0, 1; X1 ~ B(1,p)].
X2: número de veces que S ocurre en dos intentos [x2 = 0, 1, 2; X2 ~ B(2,p)].
...

Xn: número de veces que S ocurre en n intentos [xn = 0, 1, 2, ..., n; Xn ~ B(n,p)].

...
X1 X 2 X 3 X
Se define la sucesión , , , ..., n , ..., de manera que
1 2 3 n
Xn
= número de veces que ocurre S/número total de intentos.
n

Si Xn ~ B(n,p), entonces:

E ( X n ) = n ⋅ p , Var ( X n ) = n ⋅ p ⋅ (1 − p )

-1-
 Facultad de Economía y Empresa. Grado en Administración y Dirección de Empresas.
Estadística I. Curso 2021-2022.

X  n⋅ p X  n ⋅ p ⋅ (1 − p ) p ⋅ (1 − p )
E n = = p , Var  n = =
 n  n  n  n2 n

De aquí se demuestra que:

P(|frec. relativa de S en n intentos – probabilidad verdadera de X| > ε) =

 X  Xn
= P
n
− p > ε  = (si = Yn y aplicando el teorema de Markov) =
 n  n

E (Yn − p ) Var (Yn ) p ⋅ (1 − p )

[ ]≤
2

= P (Yn − p ) > ε
2 2
= = .
ε 2
ε 2
n ⋅ε 2

[
En general se observa que P X − µ > ε ] ≤ Var ( X ) .
ε2

Con este teorema se demuestra que la frecuencia relativa converge a la verdadera

probabilidad del suceso, si bien también se puede utilizar para calcular el número de veces
que debemos repetir el experimento para estar seguros de tener una aproximación
1
satisfactoria. Para esto último suponemos p = (peor de los escenarios), por lo que
2

p ⋅ (1 − p ) 1
P (Yn − p < ε ) ≥ 1 − ≥ 1−
n ⋅ε 2
4 ⋅ n ⋅ε 2

8.2.- CONVERGENCIA EN DISTRIBUCIÓN

Se dice que una sucesión de variables aleatorias X1, X2, ..., Xn, ... converge en distribución a la
v.a. X si y sólo si la correspondiente sucesión de funciones de distribución F1(x), F2(x), ..., Fn(x), ...
tiende a la función de distribución de X, F(x), es decir,

lím F (x ) = F (x )
n →∞
n

También se dice que F es la distribución asintótica de Xn.

-2-
 Facultad de Economía y Empresa. Grado en Administración y Dirección de Empresas.
Estadística I. Curso 2021-2022.

8.3.- TEOREMA CENTRAL DEL LIMITE

La distribución de la suma de variables aleatorias, en determinadas condiciones, se puede

aproximar por una distribución normal. El Teorema Central del Límite hace referencia al
conjunto de resultados que establecen las condiciones bajo las cuales es válida dicha
aproximación.

Form ulación

Sean X1, X2, ..., Xn variables aleatorias independientes con función de distribución F(x),
E ( X i ) = µ , y Var ( X i ) = σ 2 . Se define la v.a. Y = X1 + X2 + ... +Xn, con E (Y ) = n ⋅ µ ,

Var (Y ) = n ⋅ σ 2 , DT (Y ) = σ ⋅ n .
Entonces, si n → ∞,

( )
a
Y ~ N n ⋅ µ, σ ⋅ n

cualquiera que sea la función de distribución F(x).

Y − n⋅µ a
Tipificación de Y: ~ N (0,1)
σ⋅ n
De forma inmediata se obtiene que, si n → ∞, la media de las variables aleatorias,
X1 +  + X n
X = , converge en distribución a una normal de media µ y desviación típica
n
σ n , es decir,

X=
X1 +  + X n a
n
(
~ N µ, σ n )

X −µ a
Tipificación de X : ~ N (0,1) .
σ n

Este material ha sido elaborado para el desarrollo de las clases de la asignatura Estadística I
del Grado en ADE de la Facultad de Economía y Empresa de la UDC, por las profesoras Beatriz
García-Carro Peña, María Carmen Sánchez Sellero, Estefanía Mourelle Espasandín y Eva María
Lado González.

-3-