Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tipos de
convergencia
Tipos de
convergencia
Convergencia en ley o
distribución
Tema 4: Convergencia de sucesiones de
Covergencia en
probabilidad
Convergencia en media
variables aleatorias. Teoremas Límites
de orden r
Convergencia casi
segura
Teorema
Central del Curso 2019/2020. Facultad de Ciencias. Universidad de Cádiz
Límite
Contenido
Introducción:
Tipos de
convergencia
Tipos de
convergencia
Convergencia en ley o
distribución
Sea {Xn }n≥1 una sucesión de v.a.’s, tal que Fn es la f. de
Covergencia en
probabilidad
distribución asociada a Xn .
Convergencia en media
de orden r Sea X una v.a. (candidata a límite) con función de distribución F.
Convergencia casi
segura ¿Cómo se puede entender la convergencia de Xn a X?
Ley débil de los
Grandes ¿A través de la convergencia de las correspondientes
Números
funciones de distribución?
Ley fuerte de
los Grandes ¿Convergencia de las probabilidades de algunos sucesos?
Números
Tipos de
convergencia
Convergencia en ley o
distribución
Definición: Convergencia en ley o en distribución
Covergencia en
probabilidad Sea {Xn } una sucesión de variables aleatorias y {Fn } la
Convergencia en media
de orden r correspondiente sucesión de funciones de distribución, diremos
Convergencia casi
segura
que {Xn } converge en ley o distribución a X con función de
Ley débil de los L
Grandes distribución F y escribiremos Xn −→ X, si
Números
Ley fuerte de
los Grandes lim Fn (x) = F(x)
Números n→∞
Teorema
Central del en todo punto x de continuidad de F, (x ∈ CF ), (y se dirá que {Fn }
Límite w
converge en ley o débilmente a F, y lo denotamos Fn → F.)
Observación: una sucesión de funciones de distribución puede
Introducción: converger a una función que no sea función de distribución. Tal es
Tipos de
convergencia el caso, por ejemplo, de la sucesión {Fn }, donde
Tipos de
convergencia 0, x < n
Convergencia en ley o Fn (x) =
distribución
Covergencia en
1, x ≥ n.
probabilidad
Convergencia en media
de orden r ¿A qué variable aleatoria está asociada Fn ?
Convergencia casi
segura
Fn (x) es la función de distribución de una variable aleatoria
Ley débil de los
Grandes discreta, que además es degenerada en el punto x = n, es decir
Números
Xn = n.
Ley fuerte de
los Grandes Recordad: Se dice que una v.a. X es degenerada en un valor real
Números
a ∈ R si toma dicho valor con probabilidad 1, es decir
Teorema
Central del P(X = a) = 1. Además se tiene que E(X) = a y Var(X) = 0.
Límite
¿A qué converge Fn (x)?
Podemos observar que lı́mn→∞ Fn (x) = 0, para todo x ∈ R.
La función idénticamente nula no es una función de distribución
¿Por qué?
Ejemplo 1. Sean X1 , ..., Xn v.a’s i.i.d U ∼ U(0, θ). Consideremos
la sucesión de variables aleatorias {X(n) } donde
Introducción: X(n) = max{X1 , ..., Xn }. Estudiemos su convergencia en
Tipos de
convergencia distribución. La función de distribución asociada a X(n) , denotada
Tipos de por Fn (x) viene dada por
convergencia
0, x n x < 0
Convergencia en ley o
distribución
Covergencia en
n
probabilidad
Fn (x) = (FU (x)) = , 0≤x<θ
θ
Convergencia en media
de orden r
Convergencia casi
segura
1, x ≥ θ.
Ley débil de los
Grandes
¿Cuál es lı́mn→∞ Fn (x)?
Números Se ve claramente que Fn (x) converge, cuando n → ∞, hacia
Ley fuerte de
los Grandes 0, x < θ
Números lı́m Fn (x) =
n→∞ 1, x ≥ θ,
Teorema
Central del
Límite ¿Es función de distribución? ¿De qué variable aleatoria?
Observamos que
lı́m Fn (x) = FX (x)
n→∞
para todo x ∈ R, siendo X la v.a. degenerada en θ, i.e. X = θ
L
Xn −→ X, con X = θ.
Observación: La convergencia en distribución de una sucesión de
Introducción:
variables aleatorias no implica la convergencia de sus momentos.
Tipos de
convergencia
Ejemplo 2. Sea {Xn } una sucesión de variables aleatorias con
Tipos de
convergencia
0,
x<0
Convergencia en ley o
1
distribución
Covergencia en
Fn (x) = 1− , 0≤x<n
probabilidad n
x ≥ n.
Convergencia en media
de orden r
1,
Convergencia casi
segura
L
con X v.a. degenerada, X = 0. Por tanto Xn → X, con X = 0
Continuación del Ejemplo 2
Introducción:
Tipos de
convergencia
Tipos de
Xn : 0, n,
convergencia P[Xn = 0] = 1 − 1n , P[Xn = n] = n1 .
Convergencia en ley o
distribución
Covergencia en
L
probabilidad
Convergencia en media
Xn → 0, cuando n → ∞.
de orden r
Convergencia casi
segura ¿Se verifica que lı́mn→∞ E[Xnk ] = E[X k ]?
Ley débil de los
¿Cuánto vale E Xnk ?
Grandes
Números
Ley fuerte de 1
E Xnk = nk = nk−1 , k = 1, 2, ....
los Grandes
Números n
Teorema
Por
otra
parte, X es una variable degenerada en 0, por lo que
Central del k
E X = 0.
Límite
Por tanto la respuesta a la pregunta es ...negativa.
En conclusión la convergencia en distribución no implica la
convergencia de los momentos.
En particular...
Introducción:
Tipos de
convergencia
Tipos de
convergencia
Convergencia en ley o
distribución
Covergencia en
probabilidad Teorema 1 (Caso discreto)
Convergencia en media
de orden r
Convergencia casi
Sean {Xn } y X variables aleatorias discretas que toma valores en
segura
los enteros no negativos. Sea P[Xn = k], k = 0, 1, 2, . . ., la función
Ley débil de los
Grandes de masa de probabilidad de Xn y sea P[X = k], k = 0, 1, 2, . . . la
Números
función de masa de probabilidad de X. Entonces,
Ley fuerte de
los Grandes
Números L
Xn −→ X, si y solo si limn→∞ P[Xn = k] = P[X = k], k = 0, 1, 2, . . .
Teorema
Central del
Límite
En particular...
Introducción:
Tipos de Teorema 1 (Caso discreto)
convergencia
Tipos de Sean {Xn } y X variables aleatorias discretas que toma valores en los
convergencia
Convergencia en ley o
enteros no negativos. Sea P[Xn = k], k = 0, 1, 2, . . ., la función de masa
distribución
Covergencia en
de probabilidad de Xn y sea P[X = k], k = 0, 1, 2, . . . la función de masa
probabilidad
Convergencia en media
de probabilidad de X. Entonces,
de orden r
Convergencia casi
L
segura
Xn −→ X, si y solo si limn→∞ P[Xn = k] = P[X = k], k = 0, 1, 2, . . .
Ley débil de los
Grandes L
Números Demostración:⇒ Si Xn −→ X, es decir lı́mn→∞ Fn (x) = F(x), para
Ley fuerte de todo x ∈ CF = {x ∈ R : x 6= 0, 1, 2, . . .}.
los Grandes
Números
¿limn→∞ P[Xn = k] = P[X = k], para k = 0, 1, 2, . . .?
Teorema
P[Xn = k] = Fn (k + ε) − Fn (k − ε) con 0 < ε < 1 fijado. Así,
Central del k + ε, k − ε ∈ CF . Tomando límites y utilizando la hipótesis de partida
Límite
limn→∞ P[Xn = k] = F(k + ε) − F(k − ε) = P[X = k].
⇐ Si se tiene que limn→∞ P[Xn = k] = P[X = k], estudiemos
P
lı́mn→∞ Fn (x). Sabemos que Fn (x) = k≤x P[Xn = k], por tanto
P P
lı́mn→∞ Fn (x) = k≤x lı́mn→∞ P[Xn = k] = k≤x P[X = k] = F(x),
se verifica además para todo x ∈ R.
Convergencia en distribución
Introducción:
Tipos de
convergencia
Tipos de
convergencia
Convergencia en ley o
distribución
Covergencia en
probabilidad
Convergencia en media
de orden r
Cuestión propuesta
Convergencia casi
segura Sean F, Fn funciones de distribución que admiten funciones de
Ley débil de los densidad f y fn , respectivamente. Si fn (x) → f (x) e.c.t xa , entonces
Grandes
Números Fn converge en distribución a F.
Ley fuerte de
a
los Grandes en casi todo punto, es decir, P (x : fn (x) no converge a f (x)) = 0
Números
Teorema
Central del
Límite
Algunas propiedades de la convergencia en
Introducción: distribución
Tipos de
convergencia
Tipos de
convergencia
Convergencia en ley o
distribución
L
Covergencia en
probabilidad Si Xn → X, entonces
Convergencia en media
de orden r L
Convergencia casi
segura
1 Xn + c → X + c, para cualquier c ∈ R.
Ley débil de los
La demostración se queda como cuestión propuesta.
Grandes L
Números 2 cXn → cX, con c 6= 0.
Ley fuerte de
los Grandes
Cuestión propuesta: demostrar dicha propiedad, únicamente
Números en el caso de c > 0.
Teorema L
Central del 3 g(Xn ) → g(X) para toda función real y continua g.
Límite
No se demostrará.
Convergencia en probabilidad
Introducción:
Tipos de
convergencia
Tipos de
Definición: Convergencia en probabilidad
convergencia
Convergencia en ley o
Sea {Xn } una sucesión de variables aleatorias y X otra variable
distribución
Covergencia en aleatoria, todas definidas sobre el mismo espacio de probabilidad
probabilidad
Convergencia en media
de orden r
(Ω, S, P). Diremos que {Xn } converge en probabilidad hacia la
P
Convergencia casi
segura variable aleatoria X (y se denota Xn → X) si para todo ε > 0
Ley débil de los
Grandes
Números lı́m P [|Xn − X| > ε] = 0.
n→∞
Ley fuerte de
los Grandes
Números Observación: La convergencia en probabilidad no se interpreta en
Teorema el sentido de una convergencia de variables en análisis. Es decir,
Central del
P
Límite
Xn → X no significa que dado ε > 0 existe n0 tal que
|Xn − X| ≤ ε para todo n ≥ n0 , lo que significa es que la sucesión
de probabilidades {P [|Xn − X| > ε]} tiende a cero cuando n
tiende a ∞.
Convergencia en probabilidad
Introducción:
Tipos de
convergencia
Tipos de
convergencia
Ejemplo 3. Sea {Xn } una sucesión de variables aleatorias
Convergencia en ley o
distribución
discretas definidas por
Covergencia en
probabilidad Valores de Xn : 0, 1
Convergencia en media 1 1
de orden r
P [Xn = 0] = 1 − y P [Xn = 1] =
Convergencia casi
segura n n
P
Ley débil de los Veamos que Xn → 0, cuando n → ∞.
Grandes
Números Para ello, dado ε > 0 estudiamos lı́mn→∞ P [|Xn | > ε]
Ley fuerte de
los Grandes ( 1
Números
P [Xn = 1] = , si 0 < ε < 1
Teorema
P [|Xn | > ε] = n
Central del 0, si ε ≥ 1.
Límite
P
Se deduce que P [|Xn | > ε] → 0 cuando n → ∞, es decir, Xn → 0.
Algunas propiedades de la convergencia en
Introducción: probabilidad
Tipos de
convergencia
P P
Tipos de
1 Xn −→ X si y solo si Xn − X → 0. Se tiene por definición.
convergencia P P
Convergencia en ley o
distribución
2 Si Xn −→ X y Xn −→ Y, entonces P[X = Y] = 1.
P
Covergencia en
probabilidad 3 Si Xn −→ X, entonces
Convergencia en media
de orden r
P
Convergencia casi
segura g(Xn )−→g(X),
Ley débil de los
Grandes para toda función real y continua g
Números
P P
Ley fuerte de
4 Si Xn −→ X e Yn −→Y, entonces
los Grandes
Números P
Xn ± Yn −→X ± Y
Teorema
Central del P P
Límite 5 Si Xn −→ X e Yn −→Y, entonces
P
Xn Yn −→XY
P P P
6 Si Xn −→ X e Yn −→Y, entonces g(Xn , Yn )−→g(X, Y), para
toda g : R2 → R continua. No se demostrará.
P P
2 Si Xn −→ X y Xn −→ Y, entonces P[X = Y] = 1.
Introducción:
P
Tipos de
convergencia
Xn −→ X ⇒ lı́mn→∞ P[|Xn − X| > ε] = 0, ∀ ε > 0.
P
Tipos de Xn −→ Y ⇒ lı́mn→∞ P[|Xn − Y| > ε] = 0, ∀ ε > 0.
convergencia
Convergencia en ley o
Nuestro objetivo: Demostrar que P(X = Y) = 1 ⇔ P(X 6= Y) = 0, ⇔
distribución
Covergencia en
P[|X − Y| > c] = 0, para todo c > 0. Para ello, consideramos el suceso
probabilidad
{|X − Y| > c} = {ω ∈ Ω : |X(ω) − Y(ω)| > c} = A
Convergencia en media
de orden r Si conseguimos encontrar Bn , tal que A ⊂ Bn , para todo n ≥ 1, y
Convergencia casi
segura lı́mn→∞ P(Bn ) = 0, habríamos terminado...¿Por qué?
Ley débil de los 0 ≤ P(A) ≤ P(Bn ), por tanto 0 ≤ P(A) ≤ lı́mn→∞ P(Bn ) = 0.
Grandes
Números Para encontrar dicho suceso Bn ....habrá que utilizar la hipótesis.
Ley fuerte de Observad que fijado c > 0,
los Grandes
Números
ω ∈ A = {|X − Y| > c} = {|(X − Xn ) + (Xn − Y)| > c}, implica que
Teorema
|X(ω) − Xn (ω)| > c/2 ó |Xn (ω) − Y(ω)| > c/2. Por tanto
Central del
Límite
A ⊂ {|X − Xn | > c/2} ∪ {|Xn − Y| > c/2} = Bn
Tipos de
Tomando probabilidades,
convergencia
Convergencia en ley o
distribución 0 ≤ P[|g(Xn ) − g(X)| > ε] ≤ P[|Xn − X| > δ 0 ] + P[|X| > a].
Covergencia en
probabilidad
Convergencia en media P
de orden r
Convergencia casi
Sabemos que Xn −→ X,
segura
Dado 0 , existirá un n0 , tal que para todo n ≥ n0 , se verifica que
Ley débil de los
Grandes P[|Xn − X| > δ 0 ] ≤ 0 /2.
Números
Por otro lado, lı́ma→∞ P[|X| > a] = 0, dado el mismo 0 podemos
Ley fuerte de
los Grandes determinar a suficientemente grande tal que P[|X| > a] ≤ 0 /2.
Números
En conclusión, con dicho a suficientemente grande, se verifica que
Teorema
Central del lı́mn→∞ P[|g(Xn ) − g(X)| > ε] = 0,
Límite
ya que dado 0 y el valor fijado de a, existe un n0 , tal que para todo
n ≥ n0 , se verifica que,
Ley débil de los {|(Xn +Yn )−(X+Y)| > ε} ⊂ {|Xn −X| > ε/2}∪{|Yn −Y| > ε/2}
Grandes
Números
Ley fuerte de
tomando probabilidades, se verifica que
los Grandes
Números
0 ≤ P[|(Xn +Yn )−(X+Y)| > ε] ≤ P[|Xn −X| > ε/2]+P[|Yn −Y| > ε/2]
Teorema
Central del
Límite y tomando límites se tiene lo que se quiere.
P P P
5 Si Xn −→ X e Yn −→Y, entonces Xn Yn −→XY.
Basta expresar Xn Yn = 14 (Xn + Yn )2 − (Xn − Yn )2 .....terminar.
Relación entre la c. en ley y la c. en probabilidad
Introducción:
Tipos de
Resultados previos:
convergencia
Tipos de
Teorema 2
convergencia
Convergencia en ley o
El conjunto de puntos de discontinuidad de una función de
distribución
Covergencia en
distribución F es numerable.
probabilidad
Convergencia en media
de orden r Corolario: El conjunto de puntos de continuidad de una función
Convergencia casi
segura de distribución F es denso.
Ley débil de los
Grandes Demostración del teorema 5
Números
Ley fuerte de
Sea D el conjunto de puntos de discontinuidad de F, (D = CF ).
los Grandes
Números
Observamos que como F es función de distribución, para cada
Teorema x ∈ D,
Central del
Límite
p(x) = F(x) − lim F(t) = F(x) − F(x− ) > 0,
t→x−
D = {x ∈ R : p(x) > 0}
Continuación demostración del teorema 5
Introducción: Sea
Tipos de 1 1
convergencia Dn = x ∈ D : < p(x) ≤ ,
Tipos de
n+1 n
convergencia
∞
Convergencia en ley o
distribución Entonces, D = ∪ Dn . Además,
Covergencia en n=1
probabilidad
Convergencia en media X
de orden r
Convergencia casi p(x) ≤ 1
segura
x∈D
Ley débil de los
Grandes
Números Veamos que en Dn hay, a lo sumo, n puntos: supongamos
P que en
Ley fuerte de
los Grandes
Dn hay N > n puntos. Entonces, ¿puedo acotar p(x)?
Números x∈Dn
Teorema
Central del N X
Límite < p(x) ≤ 1
n+1
x∈Dn
Ley fuerte de P
los Grandes Como Xn → X, se tiene que
Números
Teorema
x0 , x00 ∈ CF tenemos
Central del
Límite
F(x) = lim Fn (x)
n→∞
= P [Xn = 0, X = 1] + P [Xn = 1, X = 0] = 1 9 0
L P
Por tanto, Xn → X sin embargo Xn 9 X .
Caso excepcional
Introducción:
Tipos de Teorema 4
convergencia
L P
Tipos de Sea k constante. Si Xn → k entonces Xn → k.
convergencia
Convergencia en ley o
distribución
Covergencia en
Observación: El teorema anterior muestra que la convergencia
probabilidad
Convergencia en media
en ley del Ejemplo 2, es también convergencia en probabilidad.
de orden r P
Convergencia casi
segura
Por tanto, dicho ejemplo demuestra que Xn → X no implica, en
Ley débil de los
general, la convergencia de los momentos.
Grandes
Números Demostración del teorema 4
Ley fuerte de L
los Grandes
Números
Que Xn → k implica que Xn converge en ley a la v.a. degenerada
Teorema
en el punto x = k, (X = k). Sea Fk la función de distribución de la
Central del L
Límite variable degenerada en k. Como Xn → k, se tiene que, para cada
x 6= k (puntos de continuidad de Fk )
0, x < k
lim Fn (x) = Fk (x) =
n→∞ 1, x ≥ k.
Introducción:
continuación de la demostración del teorema 4
Tipos de
convergencia 0, x < k
lim Fn (x) = Fk (x) =
Tipos de n→∞ 1, x ≥ k.
convergencia
Convergencia en ley o
distribución Ahora, dado ε > 0, Hqp lı́mn→∞ P [|Xn − k| > ε] = 0
Covergencia en
probabilidad
Convergencia en media
de orden r
P [|Xn − k| > ε] = 1 − P [|Xn − k| ≤ ε] = 1 − P [k − ε ≤ Xn ≤ k + ε] =
Convergencia casi
segura
Ley fuerte de
los Grandes
= 1 − P [Xn ≤ k + ε] + P [Xn ≤ k − ε] − P[Xn = k − ]
Números
Teorema
= 1 − Fn (k + ε) + Fn (k − ε) − P[Xn = k − ]
Central del
Límite Así, lı́mn→∞ P [|Xn − k| > ε] =
1−Fk (k +ε)+Fk (k −ε)−lı́mn→∞ P[Xn = k −ε] = 1−1+0 = 0.
Ya que 0 ≤ P[Xn = k − ] ≤ P[Xn ≤ k − ] = Fn (k − ) → 0 2
Introducción:
Tipos de Lema 1: Lema de Slutsky
convergencia
Tipos de
Sea {Xn }, {Yn } sucesiones de variables aleatorias. Entonces,
convergencia
)
Convergencia en ley o
P
distribución
|Xn − Yn | → 0 L
Covergencia en
probabilidad
L ⇒ Xn → Y
Convergencia en media
de orden r
Yn → Y
Convergencia casi
segura
Teorema
)
P
Central del |Un − Vn | = |Vn − Un | → 0 L
Límite
L ⇒ Un → V
Vn → V
Como consecuencia del Lema de Slutsky
Introducción:
Tipos de
convergencia
Tipos de
convergencia
Convergencia en ley o
distribución
Covergencia en
Teorema 5
probabilidad
Convergencia en media
de orden r
Sean {Xn , Yn }, n = 1, 2, ..., una sucesión de pares de variables
Convergencia casi
segura
aleatorias y sea c una constante. Entonces:
( )
L
Ley débil de los
X → X
n o
n L
Grandes
Números
1 Si
P entonces Xn + Y n → X + c .
Yn → c
Ley fuerte de
los Grandes
( ) ( )
L L
Números
2 Si
Xn → X X n Y n → cX si c 6
= 0
Teorema P entonces P
Central del Yn → c Xn Yn → 0 si c = 0
Límite
Demostración parte 1 del Teorema 5
Introducción: ( )
Tipos de L
Xn → X
n o
L
convergencia 1 Si P entonces Xn + Yn → X + c .
Tipos de Yn → c
convergencia
Convergencia en ley o
distribución
Covergencia en
probabilidad
Demostración parte 1
Convergencia en media
de orden r L L
Convergencia casi Como Xn → X, se tiene que Xn + c → X + c (P1 de la conv. en
segura
P P
Ley débil de los ley). Además, de Yn → c, se deduce que |Yn − c| → 0, por la P1
Grandes
Números de la conv. en probabilidad.
Ley fuerte de Basta aplicar el Lema de Slutsky, con Vn = Xn + c, Un = Xn + Yn .
los Grandes
Números Observamos que Un − Vn = Yn − c,
Teorema
Central del P
Límite |Un − Vn | = |Yn − c| → 0
L
Además Vn = Xn + c → X + c.
L
Por tanto aplicando el L-S se verifica que Un = Xn + Yn → X + c.
2
Como consecuencia del Lema de Slutsky
Introducción:
Tipos de
convergencia
Tipos de
convergencia
Convergencia en ley o
distribución
Covergencia en
Teorema 5
probabilidad
Convergencia en media
de orden r
Sean {Xn , Yn }, n = 1, 2, ..., una sucesión de pares de variables
Convergencia casi
segura
aleatorias y sea c una constante. Entonces:
( )
L
X → X
n o
n L
1 Si
P entonces Xn + Y n → X + c .
Yn → c
( ) ( )
L L
2 Si
Xn → X X n Y n → cX si c 6
= 0
P entonces P
Yn → c Xn Yn → 0 si c = 0
Demostración parte 1 del Teorema 5
Introducción: ( )
Tipos de L
Xn → X
n o
L
convergencia 1 Si P entonces Xn + Yn → X + c .
Tipos de Yn → c
convergencia
Convergencia en ley o
distribución
Covergencia en
probabilidad
Demostración parte 1
Convergencia en media
de orden r L L
Convergencia casi Como Xn → X, se tiene que Xn + c → X + c (P1 de la conv. en
segura
P P
ley). Además, de Yn → c, se deduce que |Yn − c| → 0, por la P1
de la conv. en probabilidad.
Basta aplicar el Lema de Slutsky, con Vn = Xn + c, Un = Xn + Yn .
Observamos que Un − Vn = Yn − c,
P
|Un − Vn | = |Yn − c| → 0
L
Además Vn = Xn + c → X + c.
L
Por tanto aplicando el L-S se verifica que Un = Xn + Yn → X + c.
2
( )
L
Xn → X
P L
2 Si P entonces Xn Yn → 0 ⇐⇒ Xn Yn → 0
Introducción:
Yn → 0
Tipos de
convergencia
Tipos de ( )
convergencia L
Xn → X L
Convergencia en ley o
distribución
2 Si P entonces Xn Yn → cX
Covergencia en
probabilidad
Yn → c
Convergencia en media
de orden r
Convergencia casi
segura Cuestión propuesta
Demostrar la segunda parte del Teorema 5 para el caso de c 6= 0.
Para ello utiliza dicha propiedad para c = 0, (que se ha
demostrado anteriormente) y el Lema de Slutsky.
Ejercicio propuesto
Introducción:
Tipos de
convergencia
Tipos de
convergencia Ejercicio 1
Convergencia en ley o
distribución
Covergencia en
Sea {Zn } una sucesión de variables aleatorias independientes e
probabilidad
Convergencia en media
idénticamente distribuidas según N(0, 1). Se pide:
de orden r
1 Sea U = √ 1 Pn
Convergencia casi
segura
n n
( i=1 Zi ). Estudiar la convergencia en
distribución de Un .
Pn P
2 Sea V = 1 2 . Demostrar que V −→
n n i=1 Zi n 1.
3 A partir de los apartados anteriores estudiar la convergencia
en distribución de Wn definida de la siguiente forma.
√
n(Z1 + · · · + Zn )
Wn = .
Z12 + · · · Zn2
Convergencia en media de orden r
Introducción:
Tipos de
convergencia
Tipos de
convergencia
Convergencia en ley o
distribución
Covergencia en
probabilidad
Definición: Convergencia en media de orden r
Sea {Xn } y X variables aleatorias tales que E[|Xn |r ] < ∞ y
Convergencia en media
de orden r
Convergencia casi
segura
E[|X|r ] < ∞ para algún r > 0. Se dice que {Xn } converge a X en
media de orden r si
Tipos de
Sea {Xn } una sucesión de variables aleatorias discretas que toman
convergencia los valores {0, 1} con funciones de masa de probabilidad
Convergencia en ley o
distribución
Covergencia en
probabilidad 1 1
Convergencia en media P [Xn = 0] = 1 − P [Xn = 1] =
de orden r n n
Convergencia casi
segura
Tipos de
convergencia Demostración
Convergencia en ley o
r
distribución
Covergencia en
Si Xn → X para algún r > 0, entonces limn→∞ E [|Xn − X|r ] = 0.
probabilidad
Convergencia en media Nuestro objetivo es demostrar que dado ε > 0,
de orden r
Convergencia casi
segura
lı́mn→∞ P[|Xn − X| > ε] = 0.
¿Cómo acotamos superiormente 0 ≤ P [|Xn − X| > ε] ≤ ?
Por la desigualdad de Markov: Dada X una variable aleatoria.
E [|X|r ]
P [|X| ≥ k] ≤ ,
kr
para r > 0 y k > 0.
Para cada ε > 0
E [|Xn − X|r ]
0 ≤ P [|Xn − X| > ε] ≤ → 0 cuando n → ∞.
εr
La convergencia en probabilidad no implica, en
Introducción: general, la convergencia en media de orden r
Tipos de
convergencia
Tipos de
convergencia
Convergencia en ley o Ejemplo 6
distribución
Covergencia en
probabilidad Sea {Xn } una sucesión de variables aleatorias discretas, tales que
Convergencia en media
de orden r Valores de Xn : {0, n}, con funciones de masa de probabilidad
Convergencia casi
segura
1 1
P [Xn = 0] = 1− , P [Xn = n] = con r > 0, n = 1, 2, ...
nr nr
P
¿Converge Xn en probabilidad? Xn → 0 ya que
P [Xn = n] , si ε < n
P [|Xn | > ε] = → 0, cuando n → ∞.
0, si ε > n
(E [XY])2 ≤ E X 2 E Y 2
Desigualdad de Jensen
Sea X una variable aleatoria y g una función convexa. Entonces
g (E [X]) ≤ E [g (X)] .
Algunas propiedades de la c. en media de orden r
Introducción: r s
Tipos de 1 Si Xn → X entonces, Xn → X para 0 < s < r.
convergencia
Tipos de
convergencia Demostración de la propiedad 1
Convergencia en ley o
r
Si Xn → X, entonces lı́mn→∞ E [|Xn − X|r ] = 0. Nuestro objetivo
distribución
Covergencia en
probabilidad
Convergencia en media
de orden r
es demostrar que lı́mn→∞ E [|Xn − X|s ] = 0, para todo 0 < s < r,
Convergencia casi
segura
Para ello consideramos la función g(x) = xr/s . ¿Es una función
Ley débil de los convexa? Como s < r, se verifica que g(x) es convexa. Por tanto
Grandes
Números aplicaremos la desigualdad de Jensen: g (E[Y]) ≤ E[g(Y)],
Ley fuerte de considerando como v.a. Y = |Xn − X|s
los Grandes
Números h i
Teorema (E[|Xn − X|s ])r/s ≤ E (|Xn − X|s )r/s = E [|Xn − X|r ]
Central del
Límite
Por tanto,
Tipos de
Teorema 7
convergencia 2
Convergencia en ley o
distribución
Si Xn → X entonces lı́m
2n→∞ E [Xn ] = E [X] y
2
Covergencia en
probabilidad
lı́mn→∞ E Xn = E X .
Convergencia en media
de orden r
Convergencia casi
segura Demostración del Teorema 7
Ley débil de los 2 1
Grandes Como Xn → X, entonces Xn → X, es decir lı́mn→∞ E[|Xn − X|2 ] = 0 y
Números
lı́mn→∞ E[|Xn − X|] = 0.
Ley fuerte de
los Grandes
Nuestro objetivo, en primer lugar es demostrar lı́mn→∞ E[Xn ] = E[X].
Números Sea E [X] = µ. Bastará ver que |E (Xn ) − µ| = |E(Xn − X)| → 0.
Teorema
Central del
Límite |E (Xn ) − µ| = |E(Xn − X)| ≤ E [|Xn − X|]
Hemos aplicado la desigualdad de Jensen con la función convexa
g(x) = |x|
Por tanto lı́mn→∞ |E(Xn ) − µ)| = 0, cuando n → ∞, es decir,
lim E [Xn ] = µ.
n→∞
Demostración del Teorema 7....continuación
Introducción:
Tipos de
convergencia Continuación demostración del Teorema 7
Tipos de
convergencia A partir de lı́mn→∞ E[|Xn − X|2 ] = 0 nuestro objetivo en segundo
Convergencia en ley o
distribución lugar es demostrar que lı́mn→∞ E[Xn2 ] = E[X 2 ].
Covergencia en
probabilidad Para ello, consideramos
Convergencia en media
de orden r
Ley fuerte de
los Grandes
Números
La desigualdad de Cauchy-Schwarz implica que
Teorema r h i
Central del
Límite |E [X (Xn − X)]| ≤ E [X 2 ] E (Xn − X)2 → 0 cuando n → ∞.
Tipos de
convergencia
Convergencia en ley o
distribución
Covergencia en
probabilidad
Convergencia en media
de orden r Cuestión propuesta
Convergencia casi
segura
2
Ley débil de los Demostrar que Xn → c, con c ∈ R una constante fijada si y solo si
Grandes
Números se verifica
Ley fuerte de lı́m E[Xn ] = c
los Grandes n→∞
Números
Teorema
lı́m var[Xn ] = 0
n→∞
Central del
Límite
Desigualdad de Cauchy-Schwarz
Introducción: Sean X e Y dos variables aleatorias. Entonces
Tipos de
convergencia
2
(E [XY]) ≤ E X 2 E Y 2
Tipos de
(2)
convergencia
Convergencia en ley o
distribución
y la igualdad se verifica si y sólo si Y depende linealmente de X con
Covergencia en
probabilidad
probabilidad 1.
Convergencia en media
de orden r
Convergencia casi
Demostración
segura
Ley débil de los
Supongamos que E X 2 < ∞ y E Y 2 < ∞. La función h(t) definida
Grandes por
Números h i
2
h(t) = E (X + tY) = E X 2 + 2tE [XY] + t2 E Y 2
Ley fuerte de
los Grandes
Números
verifica h(t) ≥ 0, para todo t. Por tanto, la ecuación de segundo grado
Teorema
Central del
h(t) = 0 o bien tiene una raiz real doble, o bien tiene dos raices
Límite complejas.
En cualquier caso, el discriminante verifica
2
∆ = 4 (E [XY]) − 4E X 2 E Y 2 ≤ 0
Tipos de
convergencia
Sea X una variable aleatoria y g una función convexa. Entonces
Convergencia en ley o
distribución
Covergencia en g (E [X]) ≤ E [g (X)] .
probabilidad
Convergencia en media
de orden r
Convergencia casi
segura
Tipos de
convergencia Definición: Convergencia casi-segura
Convergencia en ley o
distribución
Covergencia en
Sean {Xn } y X variables aleatorias definidas sobre el mismo
c.s.
probabilidad
Convergencia en media espacio de probabilidad (Ω, S, P). Se dirá que Xn −→X si se
de orden r
Convergencia casi verifica que P (limn→∞ Xn = X) = 1.
segura
Tipos de Sea {Xn } una sucesión de variables aleatorias discretas, tales que
convergencia
Convergencia en ley o
Valores de Xn : {0, 1}, con funciones de masa de probabilidad
distribución
Covergencia en
probabilidad 1 1
Convergencia en media P [Xn = 0] = 1 − , P [Xn = 1] = con n = 1, 2, ...
de orden r
Convergencia casi
n2 n2
segura
c.s.
Ley débil de los
Grandes
¿Converge Xn casi-seguro? Veamos que Xn → 0. Por el teorema
Números de caracterización bastará estudiar para cada ε > 0 el límite de
Ley fuerte de
los Grandes
P(An,ε ) cuando n → ∞. Si ε ≥ 1, fácilmente se tiene que dicha
Números probabilidad es nula. Consideramos que 0 < ε < 1, entonces
Teorema
Central del ∞
! ∞
!
Límite [ [
0 ≤ P {|Xm | > ε} = P {Xm = 1} ≤
m=n m=n
∞ ∞
X X 1
≤ P[Xm = 1] = 2
→ 0 ¿Por qué?
m=n m=n
m
El resto de una serie convergente
Introducción:
Tipos de
Sea {am }m≥1
P∞una sucesión en R de términos no negativos.
convergencia Si la serie m=1 am = a es convergente, se tiene que el resto de la
Tipos de
convergencia
serie converge a cero, i.e.
Convergencia en ley o
distribución ∞
X
Covergencia en
probabilidad
lı́m am = 0.
Convergencia en media
de orden r
n→∞
m=n
Convergencia casi
segura
P
cuando n → ∞, por hipótesis. En conclusión Xn −→X. 2
Convergencia casi segura
Introducción:
Tipos de
convergencia Como consecuencia del Lema de Borel-Cantelli, se verifica el
Tipos de
convergencia
siguiente resultado.
Convergencia en ley o
distribución
Covergencia en
Teorema 10
probabilidad
c.s
Convergencia en media
de orden r
Si la sucesión {Xn } es de v.a’s independientes, entonces Xn → X
Py∞sólo si para todo ε > 0 se tiene que
si
Convergencia casi
segura
Ley fuerte de
los Grandes
Teorema 11
Números
Sea {Xn } una sucesión de variables aleatorias positivas,
Teorema P c.s.
Central del
Límite
estrictamente decreciente tal que Xn −→0, entonces Xn −→0
Cuestión propuesta
Demostrad el Teorema 11.
La c. casi-segura y la c. en media de orden r no
Introducción: están relacionadas
Tipos de
convergencia
Tipos de
convergencia
Convergencia en ley o
Observación
distribución
Covergencia en En general, la convergencia casi segura y la convergencia en
probabilidad
Convergencia en media
de orden r
media de orden r no están relacionadas.
Convergencia casi
segura
Teorema
1 1
Central del P [Xn = 0] = 1− , P [Xn = n] = con r > 1, n = 1, 2, ...
Límite nr nr
Comprobad que dicha sucesión converge casi-seguro a la variable
c.s.
aleatoria degenerada en cero, i.e. Xn −→0 y sin embargo no se
r
tiene la convergencia en media de orden r, Xn 90.
La c. en media de orden r no implica la c.
Introducción: casi-segura
Tipos de
convergencia
Tipos de
convergencia
Convergencia en ley o
distribución
Covergencia en
probabilidad Ejemplo 9
Convergencia en media
de orden r
Convergencia casi Sea {Xn } una sucesión de variables aleatorias discretas
segura
Ley fuerte de
los Grandes
1 1
Números P [Xn = 0] = 1 − , P [Xn = 1] = con n = 1, 2, ...
n n
Teorema
Central del
Límite Comprobad que Xn converge en media de orden r para cualquier
r > 0 y no se tiene la convergencia casi-segura.
Lema de Borel-Cantelli
Introducción:
Tipos de
convergencia
Tipos de
convergencia
Lema de Borel-Cantelli
Convergencia en ley o
distribución Sean {An}n≥1 una sucesión de sucesos en el espacio de
Covergencia en
probabilidad probabilidad (Ω, S, P).
Convergencia en media P∞
de orden r
1 Si P(An ) < +∞, entonces P(lı́m sup An ) = 0.
Convergencia casi
segura Pn=1
∞
n=1 P(An ) = +∞ y además los An son independientes,
2 Si
Ley débil de los
Grandes
Números
entonces P(lı́m sup An ) = 1.
Ley fuerte de
los Grandes Recordad que
Números ∞ [
\ ∞
Teorema
Central del
lı́m sup An = Am .
Límite n=1 m=n
Tipos de
convergencia
Convergencia en ley o
distribución El problema de la ley débil de los grandes números se plantea de
Covergencia en
probabilidad la siguiente forma: sea {Xn } una sucesión de variables
Pn aleatorias y
Convergencia en media
de orden r consideramos la sucesión de v.a. {Sn } con Sn = i=1 Xi , ¿existen
Convergencia casi
segura sucesiones de números reales {An } y {Bn }, con Bn > 0 y
Ley débil de los
Grandes
lim Bn = ∞, tal que
Números
n→∞
Ley fuerte de
los Grandes Sn − An P
Números −→0?
Bn
Teorema
Central del
Límite En el caso que existan, se dirá que {Xn } obedece la L.D.G.N.
respecto de {An } y {Bn }.
Consideraremos An = E[Sn ] y Bn = var[Sn ]
Ley débil de los Grandes Números. Resultados
Introducción:
Tipos de
convergencia Teorema 12
Tipos de
convergencia Sea {Xn } una sucesión de variables aleatorias incorreladas dos a dos
Convergencia en ley o
distribución (cov(Xi , Xj ) = 0, i 6= j), con E [Xn ] = µn y var(Xn ) = σn2 . Denotemos
Covergencia en Pn n
Sn = i=1 Xi . Si lim σi2 = ∞, entonces
probabilidad
P
Convergencia en media
de orden r
n→∞i=1
Convergencia casi
segura
Sn − E(Sn ) P
Ley débil de los −→ 0 (3)
Grandes var(Sn )
Números
Ley fuerte de
los Grandes
Números
Demostración
Pn
Teorema Observamos que var(Sn ) = i=1 σi2 , por tanto por hipótesis
Central del
Límite lı́mn→∞ var(Sn ) = +∞. Usando
la desigualdad de Chebychev
Sn − E[Sn ]
0≤P > ε = P (|Sn − E[Sn ]| > εvar(Sn )) ≤
var(Sn )
var(Sn ) 1
= 2 → 0 cuando n → ∞. Por tanto se tiene (3).
ε2 var(Sn )2 ε var(Sn )
Ley débil de los Grandes Números. Resultados
Introducción:
Tipos de
convergencia
Tipos de
convergencia
Convergencia en ley o
distribución Corolario 1
Covergencia en
probabilidad
Convergencia en media
de orden r
Sea {Xn } una sucesión de variables aleatorias incorreladas dos a
Convergencia casi
segura dos (cov(Xi , Xj ) = 0, i 6= j), con E [Xn ]P
=µy
Ley débil de los var(Xn ) = σ 2 < ∞. Denotemos Sn = ni=1 Xi . Entonces,
Grandes
Números
Sn − nµ P
Ley fuerte de
−→ 0
los Grandes
Números
nσ 2
Teorema
Central del La demostración es inmediata aplicando el resultado anterior, ya
Límite
que var(Sn ) = nσ 2 , y lı́mn→∞ var(Sn ) = +∞.
Ley débil de los Grandes Números. Resultados
Introducción:
Tipos de
convergencia
Corolario 2
Tipos de
convergencia Sea {Xn } una sucesión de variables aleatorias independientes e
Convergencia en ley o
distribución idénticamente distribuidas
Pn con E [Xn ] = µ y var(Xn ) = σ 2 < ∞.
Covergencia en
probabilidad Denotemos Sn = i=1 Xi . Entonces,
Convergencia en media
de orden r
Convergencia casi
segura Sn P
−→ µ. (4)
Ley débil de los n
Grandes
Números
Tipos de
convergencia
Convergencia en ley o
distribución
En particular...
Covergencia en
probabilidad Sean X1 , ..., Xn independientes e idénticamente distribuidas según
Convergencia en media
de orden r una distribución de Bernoulli de parámetro p. Como
Convergencia casi
segura
var(Xi ) = p(1 − p) < ∞, se tiene
Ley débil de los
Grandes
Números Sn P
−→ p.
Ley fuerte de n
los Grandes
Números
Sn
Teorema Observad que es la proporción de éxitos en n pruebas de
Central del
Límite
n
Bernoulli de parámetro p.
Ley débil de los Grandes Números. Resultados
Introducción:
Tipos de
El Corolario 2 exige como hipótesis que la varianza sea finita. De
convergencia hecho, hay un resultado más fuerte, que no necesita ninguna
Tipos de
convergencia
hipótesis sobre la varianza. Es un resultado importante que damos
Convergencia en ley o
distribución
sin demostración
Covergencia en
probabilidad Teorema de Kintchine (Teorema 13)
Convergencia en media
de orden r
Convergencia casi Sea {Xn } una sucesión de variables aleatorias independientes e
segura
Tipos de
convergencia
Convergencia en ley o
distribución
Covergencia en
probabilidad El problema que se plantea es el siguiente:
Convergencia en media
de orden r Sea {Xn } una sucesión
Pn de v.a. y consideramos la sucesión de v.a.
Convergencia casi
segura {Sn } con Sn = i=1 Xi , ¿existen An ; Bn > 0 sucesiones de
Ley débil de los
Grandes
números reales, con limn→∞ Bn = ∞, tal que
Números
Tipos de
convergencia
Teorema 14
Convergencia en ley o
distribución Sean {Xn } variables aleatorias independientes e idénticamente
4
i ) = µ) y E(X1 ) < ∞
distribuidas (i.i.d.), E(X1 ) = µ (E(XP
Covergencia en
probabilidad
n
(E(Xi4 ) < ∞). Consideramos Sn = i=1 Xi . Entonces:
Convergencia en media
de orden r
Convergencia casi
segura
Sn c.s.
−→µ si y solo si E[|X|] < ∞, y en tal caso E(X1 ) = µ
n
Contenido
Introducción:
Tipos de
convergencia
Tipos de
Sea {Xn } una sucesión de variables
Pn aleatorias y consideramos la
convergencia
Convergencia en ley o
sucesión de v.a. {Sn } con Sn = i=1 Xi . Las leyes de los grandes
distribución
Covergencia en
números estudian la convergencia de la sucesión
probabilidad
Convergencia en media
de orden r
Convergencia casi
Sn − An
segura
Bn
Ley débil de los
Grandes
Números hacia una variable degenerada, donde {An } y {Bn } son sucesiones
Ley fuerte de
los Grandes
de números reales, con Bn > 0 y lim Bn = ∞. En esta sección
n→∞
Números
estudiamos la convergencia de dicha sucesión hacia una variable
Teorema
Central del no degenerada y particularmente hacia una variable Normal
Límite
estándar.
Para demostrar la versión de Lindeberg-Lévy del teorema central
del límite usaremos un argumento basado en funciones
generatrices de momentos. Hagamos, por tanto, algunas
consideras previas respecto a este tipo de convergencia
Sobre la convergencia de las funciones generatrices
Introducción:
Tipos de
convergencia
Tipos de
convergencia
Convergencia en ley o
distribución
Covergencia en
probabilidad
Convergencia en media Sea {Xn } una sucesión de variables aleatorias, Sea Fn la función
de orden r
Convergencia casi
segura
de distribución de Xn , n = 1, 2, ... y supongamos que la función
Ley débil de los
generatriz de momentos de Xn existe y es Mn (t). Nos preguntamos
Grandes
Números
qué le ocurre a Mn (t) cuando n → ∞. Si converge ¿lo hace
Ley fuerte de siempre hacia una función generatriz de momentos? El siguiente
los Grandes
Números
contraejemplo muestra que no.
Teorema
Central del
Límite
Sobre la convergencia de las funciones generatrices
Introducción:
Tipos de
convergencia Ejemplo
Tipos de
convergencia Sea {Xn } una sucesión de variables aleatorias discretas con
Convergencia en ley o
distribución función de masa de probabilidad:
Covergencia en
probabilidad
Convergencia en media
de orden r P [Xn = −n] = 1, para n = 1, 2, ...
Convergencia casi
segura
Tipos de
X es una variable aleatoria con función generatriz M(t). Si Mn (t) es la
convergencia función generatriz asociada a Xn ¿convege necesariamente la sucesión
Convergencia en ley o
distribución
Covergencia en
Mn (t) hacia M(t) cuando n → ∞? La respuesta es que no (se pueden
probabilidad
Convergencia en media
encontrar contraejemplos). Estudiemos el recíproco,
de orden r
Convergencia casi
segura Teorema 16
Ley débil de los
Grandes
Números
Sea {Xn } una sucesión de variables aleatorias con
Ley fuerte de
correspondientes funciones generatrices {Mn (t)} y supongamos
los Grandes
Números
que Mn (t) existe para |t| ≤ t0 y para todo n. Supongamos también
Teorema
que existe una variable aleatoria X con función generatriz M, y
Central del
Límite
que ésta existe para |t| ≤ t1 < t0 . En tales hipótesis, si
Tipos de
t2
convergencia
Convergencia en ley o
lı́m Mn (t) = e 2 ,
distribución n→∞
Covergencia en
probabilidad
Convergencia en media
es decir, Mn (t) converge a la función generatriz de una N(0, 1).
de orden r
Convergencia casi
Utilizando el Teorema 16, se deduce que
segura
S L
√n −→ N(0, 1)
Ley débil de los
Grandes
Números n
Ley fuerte de
los Grandes
Números (b) Caso general, con E [Xn ] = µ y var(Xn ) = σ 2 . Se considera la
Teorema Xn − µ
Central del variable Yn = . Entonces, E [Yn ] = 0 y var(Yn ) = 1. Por
Límite σ
(a), se tiene que Pn
i=1 Yi L
√ −→ N(0, 1),
n
pero esto es lo mismo que (5), lo que demuestra el resultado.
Comprobad que es lo mismo.
Teorema Central del Límite: Ejemplo
Introducción:
Tipos de
convergencia
Tipos de
convergencia
Convergencia en ley o
distribución
Ejemplo
Covergencia en
probabilidad Sean X1 , ..., Xn variables aleatorias independientes e
Convergencia en media
de orden r idénticamente distribuidas, Xi ∼ Be(p). Sea q = 1 − p y
Convergencia casi
denotemos por Sn = ni=1 Xi . Entonces,
segura
P
Ley débil de los
Grandes
Números Sn − np L
√ −→ N(0, 1)
Ley fuerte de
los Grandes
npq
Números
Tipos de
X es una variable aleatoria con función generatriz M(t). Si Mn (t) es la
convergencia función generatriz asociada a Xn ¿convege necesariamente la sucesión
Convergencia en ley o
distribución
Covergencia en
Mn (t) hacia M(t) cuando n → ∞? La respuesta es que no (se pueden
probabilidad
Convergencia en media
encontrar contraejemplos). Estudiemos el recíproco,
de orden r
Convergencia casi
segura Teorema 16
Ley débil de los
Grandes
Números
Sea {Xn } una sucesión de variables aleatorias con
Ley fuerte de
correspondientes funciones generatrices {Mn (t)} y supongamos
los Grandes
Números
que Mn (t) existe para |t| ≤ t0 y para todo n. Supongamos también
Teorema
que existe una variable aleatoria X con función generatriz M, y
Central del
Límite
que ésta existe para |t| ≤ t1 < t0 . En tales hipótesis, si
Tipos de
t2
convergencia
lı́m Mn (t) = e 2 ,
Convergencia en ley o
distribución
n→∞
Covergencia en
probabilidad es decir, Mn (t) converge a la función generatriz de una N(0, 1).
Convergencia en media
de orden r
Convergencia casi
Utilizando el Teorema 16, se deduce que
segura
S L
Ley débil de los √n −→ Z, con Z ∼ N(0, 1)
Grandes
Números
n
Ley fuerte de
los Grandes (b) Caso general, con E [Xn ] = µ y var(Xn ) = σ 2 . Se considera la
Números
Xn − µ
Teorema variable Yn = . Entonces, E [Yn ] = 0 y var(Yn ) = 1. Por
Central del σ
Límite (a), se tiene que
Pn
i=1 Yi L
√ −→ Z, con Z ∼ N(0, 1),
n
pero esto es lo mismo que (5), lo que demuestra el resultado.
Comprobad que es lo mismo.
Observación
Introducción:
Tipos de
convergencia
Tipos de
convergencia
Convergencia en ley o
distribución
Covergencia en
Sea {Xn } una sucesión de variables aleatorias independientes e
probabilidad
Convergencia en media
idénticamente distribuidas con E [Xn ] = µ y conP
n
de orden r
Xi
Convergencia casi
segura 0 < var(Xn ) = σ 2 < ∞. Denotemos por X n = i=1 , la
Ley débil de los
n
Grandes
sucesión de medias muestrales. Entonces, por el TCL
Números
Ley fuerte de Xn − µ √ L
los Grandes n −→ Z, con Z ∼ N (0, 1)
Números σ
Teorema
Central del ¿Por qué?
Límite
Teorema Central del Límite: Ejemplo
Introducción:
Tipos de
convergencia
Tipos de
convergencia
Convergencia en ley o
distribución
Ejemplo
Covergencia en
probabilidad Sean X1 , ..., Xn variables aleatorias independientes e
Convergencia en media
de orden r idénticamente distribuidas, Xi ∼ Be(p). Sea q = 1 − p y
Convergencia casi
denotemos por Sn = ni=1 Xi . Entonces,
segura
P
Ley débil de los
Grandes
Números Sn − np L
√ −→ Z, conZ ∼ N(0, 1)
Ley fuerte de
los Grandes
npq
Números