Tema 4

Introducción:
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
Ley débil de los

Grandes Teoría de la Probabilidad
Números
Grado en Matemáticas
Ley fuerte de
los Grandes
Números
Teorema
Central del Curso 2019/2020. Facultad de Ciencias. Universidad de Cádiz
Límite
Contenido
Introducción:
Tipos de
convergencia
Tipos de 1 Introducción: Tipos de convergencia

convergencia
distribución
Covergencia en
probabilidad
2 Tipos de convergencia
de orden r
Convergencia en ley o distribución
Convergencia casi
segura
Covergencia en probabilidad
Ley débil de los Convergencia en media de orden r
Grandes
Números Convergencia casi segura
Ley fuerte de
los Grandes
Números 3 Ley débil de los Grandes Números
Teorema
Central del
Límite 4 Ley fuerte de los Grandes Números
5 Teorema Central del Límite

Convergencia de sucesiones de variables aleatorias
Introducción:
Tipos de
convergencia
Tipos de
convergencia
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 .
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
Teorema ¿Convergencia de los momentos?

Central del
Límite ¿Convergencia puntual?
Contenido
Introducción:
Tipos de
convergencia

convergencia
distribución
Covergencia en
probabilidad
de orden r
Convergencia casi
segura
Grandes
Ley fuerte de
los Grandes
Teorema
Central del

Convergencia en ley o en distribución
Introducción:
Tipos de
convergencia
Tipos de
convergencia
distribución
Definición: Convergencia en ley o en distribución
Covergencia en
probabilidad Sea {Xn } una sucesión de variables aleatorias y {Fn } la
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
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
distribución 
Covergencia en
n
probabilidad
Fn (x) = (FU (x)) = , 0≤x<θ
 θ
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
1
distribución
Covergencia en
Fn (x) = 1− , 0≤x<n
probabilidad  n
x ≥ n.

de orden r
1,
Convergencia casi
segura
Ley débil de los

¿Xn es v.a. discreta o continua? ... ¿Qué valores toma Xn ?
Grandes
Números
Observamos que Xn son v.a.’s discretas, valores de Xn : 0, n.
Ley fuerte de La función de masa de probabilidad de Xn ,
los Grandes
Números P[Xn = 0] = 1 − 1n y P[Xn = n] = n1 .
Teorema Estudiamos la convergencia en distribución de Xn : Claramente,
Central del
Límite
0, x < 0
lı́m Fn (x) = FX (x) =
n→∞ 1, x ≥ 0.
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 .
distribución
Covergencia en
L
probabilidad
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
distribución
Covergencia en
probabilidad Teorema 1 (Caso discreto)
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
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
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
distribución
Covergencia en
probabilidad
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
distribución
L
Covergencia en
probabilidad Si Xn → X, entonces
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
Sea {Xn } una sucesión de variables aleatorias y X otra variable
distribución
Covergencia en aleatoria, todas definidas sobre el mismo espacio de probabilidad
probabilidad
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
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.
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
distribución
2 Si Xn −→ X y Xn −→ Y, entonces P[X = Y] = 1.
P
Covergencia en
probabilidad 3 Si Xn −→ X, entonces
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
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
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
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
Se verifica que P(Bn ) ≤ P(|X − Xn | > c/2) + P(|Xn − Y| > c/2)

Fácilmente se tiene que lı́mn→∞ P(Bn ) = 0, por la hipótesis inicial. En
conclusión P(A) = 0.
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
distribución
P
Covergencia en
probabilidad 3 Si Xn −→ X, entonces
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
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
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
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
Se verifica que P(Bn ) ≤ P(|X − Xn | > c/2) + P(|Xn − Y| > c/2)

Fácilmente se tiene que lı́mn→∞ P(Bn ) = 0, por la hipótesis inicial. En
conclusión P(A) = 0.
P P
3 Si Xn −→ X entonces g(Xn )−→g(X), para toda función real y
Introducción:
continua g.
Tipos de
convergencia P
Xn −→ X ⇒ lı́mn→∞ P[|Xn − X| > ε] = 0, ∀ ε > 0.
Tipos de
convergencia
g es continua y por tanto es uniformemente continua en I ⊂ R un
distribución
intervalo cerrado, es decir:
Covergencia en
probabilidad
Dado ε > 0, existe un δ, tal que si x, y ∈ I con |x − y| ≤ δ, entonces
de orden r
|g(x) − g(y)| ≤ ε.
P
Convergencia casi
segura
Hay que demostrar que g(Xn )−→g(X), i.e.
Ley débil de los lı́mn→∞ P[|g(Xn ) − g(X)| > ε] = 0, ∀ ε > 0.
Grandes
Números
Particularizamos para I = [−2a, 2a] con a un número real a determinar...
Ley fuerte de
Consideramos ω ∈ Ω y ε > 0, entonces existe un δ > 0 tal que si
los Grandes |X(ω)| ≤ a, y |Xn (ω) − X(ω)| ≤ δ 0 = mı́n(δ, a), entonces
Números
|g(Xn (ω)) − g(X(ω))| ≤ ε. ¿Por qué?
Teorema
Central del |Xn (ω)| = |Xn (ω) − X(ω) + X(ω)| ≤ |Xn − X| + |X| ≤ 2a.
Límite Por tanto
{|Xn (ω) − X(ω)| ≤ δ 0 } ∩ {|X(ω)| ≤ a} ⊂ {|g(Xn (ω)) − g(X(ω))| ≤ ε}
Tomando complementarios, se verifica que

{|g(Xn (ω)) − g(X(ω))| > ε} ⊂ {|Xn (ω) − X(ω)| > δ 0 } ∪ {|X(ω)| > a}
Continuación demostración prop. 3
Introducción:
Tipos de {|g(Xn )) − g(X)| > ε} ⊂ {|Xn − X| > δ 0 } ∪ {|X| > a}
convergencia
Tipos de
Tomando probabilidades,
convergencia
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,
P[|g(Xn ) − g(X)| > ε] ≤ 0

P P P
4 Si Xn −→ X e Yn −→Y, entonces Xn ± Yn −→X ± Y.
Introducción:
Tipos de
convergencia Se verá la suma, de forma análoga sería la diferencia.
P
Tipos de Xn −→ X ⇒ lı́mn→∞ P[|Xn − X| > ε] = 0, ∀ ε > 0.
convergencia
P
distribución
Yn −→ Y ⇒ lı́mn→∞ P[|Yn − Y| > ε] = 0, ∀ ε > 0.
Covergencia en
probabilidad Nuestro objetivo: lı́mn→∞ P[|(Xn + Yn ) − (X + Y)| > ε] = 0
de orden r Razonando de manera análoga, se tiene que
Convergencia casi
segura
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
El conjunto de puntos de discontinuidad de una función de
distribución
Covergencia en
distribución F es numerable.
probabilidad
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−
el salto de F en x (F es continua por la derecha).
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
∞
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
lo que implica N ≤ n. Por tanto, Dn tiene como mucho n puntos,

por tanto D es numerable. 2
Introducción:
Tipos de Teorema 3
convergencia
P L
Tipos de Si Xn → X entonces, Xn −→X.
convergencia
distribución
Covergencia en
Demostración
probabilidad
de orden r Xn → X ⇒ lı́mn→∞ P[|Xn − X| > ε] = 0, ∀ ε > 0
Convergencia casi
segura
Nuestro objetivo:
Ley débil de los
Grandes
Sean Fn y F,, las funciones de distribución de Xn y X,
Números
respectivamente. Hay que probar que
Ley fuerte de
los Grandes
Números lim Fn (x) = F(x), para cada x ∈ CF .
n→∞
Teorema
Central del
Límite Sea x ∈ CF (un punto de continuidad de F), consideraremos x0 y
x00 tal que x0 < x < x00 , demostraremos que F(x0 ) ≤ lim Fn (x) y
n→∞
lim Fn (x) ≤ F(x00 ).
n→∞
De esta forma F(x0 ) ≤ lim Fn (x) ≤ lim Fn (x) ≤ F(x00 )
n→∞ n→∞
Introducción:
Tipos de Teorema 3
convergencia
P L
Tipos de Si Xn → X entonces, Xn −→X.
convergencia
distribución
Covergencia en
Demostración
probabilidad
de orden r Xn → X ⇒ lı́mn→∞ P[|Xn − X| > ε] = 0, ∀ ε > 0
Convergencia casi
segura
Nuestro objetivo:
Ley débil de los
Grandes
Sean Fn y F,, las funciones de distribución de Xn y X,
Números
respectivamente. Hay que probar que
Ley fuerte de
los Grandes
Números lim Fn (x) = F(x), para cada x ∈ CF .
n→∞
Teorema
Central del
Límite Sea x ∈ CF (un punto de continuidad de F), consideraremos x0 y
x00 tal que x0 < x < x00 , demostraremos que F(x0 ) ≤ lim Fn (x) y
n→∞
lim Fn (x) ≤ F(x00 ).
n→∞
De esta forma F(x0 ) ≤ lim Fn (x) ≤ lim Fn (x) ≤ F(x00 )
n→∞ n→∞
Continuación de la demostración
Introducción: Dado x0 < x, se tiene
Tipos de
convergencia {X ≤ x0 } = {Xn ≤ x, X ≤ x0 } ∪ {Xn > x, X ≤ x0 } ⊆
Tipos de ⊆ {Xn ≤ x} ∪ {Xn − X > x − x0 } ⊆ {Xn ≤ x} ∪ {|Xn − X| > x − x0 }
convergencia
distribución
P X ≤ x0 ≤ P (Xn ≤ x) + P |Xn − X| > x − x0

Covergencia en
probabilidad
de orden r
Convergencia casi
Por tanto,
segura
F(x0 ) ≤ Fn (x) + P |Xn − X| > x − x0 .

Ley débil de los

Grandes
Números
Ley fuerte de P
los Grandes Como Xn → X, se tiene que
Números
P |Xn − X| > x − x0 → 0 cuando n → ∞,

Teorema

Central del
Límite
ya que x − x0 > 0, por lo que
F(x0 ) ≤ lim Fn (x)

n→∞
Continuación de la demostración
Introducción:
Tipos de
convergencia
Mediante un razonamiento similiar y tomando x < x00 , obtenemos
Tipos de
convergencia lim Fn (x) ≤ F(x00 ).
Convergencia en ley o n→∞
distribución
Covergencia en
probabilidad
Por tanto, dados x0 < x < x00 ,
de orden r
Convergencia casi
segura
F(x0 ) ≤ lim Fn (x) ≤ lim Fn (x) ≤ F(x00 ).
Ley débil de los n→∞ n→∞
Grandes
Números
Ahora usamos que el conjunto de puntos de continuidad de F es
Ley fuerte de
los Grandes denso. Si x ∈ CF y hacemos que x0 ↑ x y que x00 ↓ x, con
Números
Teorema
x0 , x00 ∈ CF tenemos
Central del
Límite
F(x) = lim Fn (x)
n→∞
en todos los puntos de continuidad de F. 2

Ejemplo 4: c. en ley no implica c. en probabilidad.
Introducción:
Tipos de
convergencia
Sean X, X1 , X2 , ... variables idénticamente distribuidas tal que la
Tipos de distribución conjunta de (Xn , X) viene dada por:
convergencia
Xn
distribución
Covergencia en
X\ 0 1
probabilidad
0 0 1/2 1/2
de orden r
Convergencia casi 1 1/2 0 1/2
segura
Ley débil de los

1/2 1/2 1
Grandes
Números
¿Converge Xn en distribución?
Ley fuerte de L
los Grandes
Números
Claramente, Xn → X. Sin embargo,
Teorema

Central del 1
Límite P |Xn − X| > = P [|Xn − X| = 1]
2
= 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
distribución
Covergencia en
Observación: El teorema anterior muestra que la convergencia
probabilidad
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
distribución Ahora, dado ε > 0, Hqp lı́mn→∞ P [|Xn − k| > ε] = 0
Covergencia en
probabilidad
de orden r
P [|Xn − k| > ε] = 1 − P [|Xn − k| ≤ ε] = 1 − P [k − ε ≤ Xn ≤ k + ε] =
Convergencia casi
segura
Ley débil de los

1 − (P [Xn ≤ k + ε] − P [Xn < k − ε]) =
Grandes
Números
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
)
P
distribución
|Xn − Yn | → 0 L
Covergencia en
probabilidad
L ⇒ Xn → Y
de orden r
Yn → Y
Convergencia casi
segura
Ley débil de los

Por cuestiones prácticas, uso otra nomenclatura para las variables
Grandes
Números
Lema 1: Lema de Slutsky
Ley fuerte de
los Grandes Sea {Un }, {Vn } sucesiones de variables aleatorias. Entonces,
Números
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
distribución
Covergencia en
Teorema 5
probabilidad
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
distribución
Covergencia en
probabilidad
Demostración parte 1
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
distribución
Covergencia en
Teorema 5
probabilidad
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
distribución
Covergencia en
probabilidad
Demostración parte 1
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 Demostración parte 2. Caso c = 0.

convergencia
Convergencia en ley o Para cualquier k > 0 fijo, (que se determinará), se tiene
distribución
Covergencia en
probabilidad
h εi h εi
Convergencia en media P [|Xn Yn | > ε] = P |Xn Yn | > ε, |Yn | ≤ +P |Xn Yn | > ε, |Yn | > ≤
de orden r k k
Convergencia casi
segura h εi
≤ P [|Xn | > k] + P |Yn | > ≤
k
h εi
≤ 1 − (Fn (k) − Fn (−k)) + P |Yn | > .
k
P L
Como Yn → 0 y Xn → X, considerando que k, −k ∈ CF .
0 ≤ lim P [|Xn Yn | > ε] ≤ 1 − (FX (k) − FX (−k)).

n→∞
Además, podemos tomar k lo suficientemente grande como para que

1 − (FX (k) − FX (−k)) sea tan pequeña como queramos. Se deduce que
P
Xn Yn → 0. 2
Introducción:
Tipos de
convergencia
Tipos de ( )
convergencia L
Xn → X L
distribución
2 Si P entonces Xn Yn → cX
Covergencia en
probabilidad
Yn → c
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
distribución
Covergencia en
Sea {Zn } una sucesión de variables aleatorias independientes e
probabilidad
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
distribución
Covergencia en
probabilidad
Definición: Convergencia en media de orden r
Sea {Xn } y X variables aleatorias tales que E[|Xn |r ] < ∞ y
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
limn→∞ E [|Xn − X|r ] = 0

r
y lo denotamos por Xn −→ X.
Introducción:
Tipos de Ejemplo 5
convergencia
Tipos de
Sea {Xn } una sucesión de variables aleatorias discretas que toman
convergencia los valores {0, 1} con funciones de masa de probabilidad
distribución
Covergencia en
probabilidad 1 1
Convergencia en media P [Xn = 0] = 1 − P [Xn = 1] =
de orden r n n
Convergencia casi
segura
¿Converge Xn en media de orden r? ¿A qué límite?

r
Veamos que Xn → 0, para todo r > 0.
Observamos que
1
E [|Xn |r ] = → 0
n
r
cuando n → ∞. Por tanto, Xn → X, siendo X la variable
degenerada en 0.
Teorema 6
r P
Introducción:
Tipos de
Si Xn → X para algún r > 0, entonces Xn → X.
convergencia
Tipos de
convergencia Demostración
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
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
Sin embargo, E [|Xn |r ] = 1 9 0.

Algunas propiedades de la c. en media de orden r
Introducción:
r s
Tipos de
convergencia
1 Si Xn → X entonces, Xn → X para 0 < s < r.
r
Tipos de 2 Si Xn → X entonces, lı́mn→∞ E [|Xn |r ] = E [|X|r ]
convergencia
distribución Será necesario las dos siguientes desigualdades
Covergencia en
probabilidad
de orden r
Desigualdad de Cauchy-Schwarz
Convergencia casi
segura Sean X e Y dos variables aleatorias. Entonces
(E [XY])2 ≤ E X 2 E Y 2

y la igualdad se verifica si y sólo si Y depende linealmente de X

con probabilidad 1.
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
r
Si Xn → X, entonces lı́mn→∞ E [|Xn − X|r ] = 0. Nuestro objetivo
distribución
Covergencia en
probabilidad
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,
0 ≤ E[|Xn − X|s ] ≤ (E [|Xn − X|r ])s/r → 0

s
cuando n → ∞. En conclusión Xn → X para 0 < s < r.
Convergencia en media cuadrática
Introducción:
Tipos de
En el caso r = 2, se tiene el siguiente teorema.
convergencia
Tipos de
Teorema 7
convergencia 2
distribución
Si Xn → X entonces lı́m
2n→∞ E [Xn ] = E [X] y
2

Covergencia en
probabilidad
lı́mn→∞ E Xn = E X .
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
distribución lugar es demostrar que lı́mn→∞ E[Xn2 ] = E[X 2 ].
Covergencia en
probabilidad Para ello, consideramos
de orden r
E Xn2 = E (Xn − X + X)2

Convergencia casi

segura
Ley débil de los h i

= E (Xn − X)2 + E X 2 + 2E [X (Xn − X)] (1)

Grandes
Números
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 → ∞.
¿Por qué? Por tanto, tomando límite en (1) se tiene

lı́mn→∞ E[Xn2 ] = E[X 2 ].
Cuestión propuesta de la convergencia en media
Introducción: cuadrática
Tipos de
convergencia
Tipos de
convergencia
distribución
Covergencia en
probabilidad
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
distribución
y la igualdad se verifica si y sólo si Y depende linealmente de X con
Covergencia en
probabilidad
probabilidad 1.
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

de donde se deduce (2).

Desigualdad de Jensen
Introducción:
Tipos de
convergencia
Tipos de
convergencia
Sea X una variable aleatoria y g una función convexa. Entonces
distribución
Covergencia en g (E [X]) ≤ E [g (X)] .
probabilidad
de orden r
Convergencia casi
segura
Ley débil de los Demostración

Grandes
Números Damos la demostración para g definida en un intervalo abierto I
Ley fuerte de
los Grandes
(que puede ser todo R) y tomamos un punto (t, g(t)) de su grafo.
Números Como g es convexa, se tiene que g(x) ≥ g(t) + g0 (t)(x − t), para
Teorema
Central del
todo x ∈ I. Tomando esperanzas, se tiene que
Límite
E [g(X)] ≥ g(t) + g0 (t)E [X − t] para todo t ∈ I. En particular,
tomando t = E (X) , se obtiene el resultado.
Convergencia casi segura
Introducción:
Tipos de
convergencia
Tipos de
convergencia Definición: Convergencia casi-segura
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
Ley débil de los

Grandes El conjunto de puntos de convergencia:
Números
C = {limn→∞ Xn = X} = {ω ∈ Ω : limn→∞ Xn (ω) = X(ω)}.
Ley fuerte de
los Grandes La convergencia casi-segura supone que P(C) = 1, ó
Números
equivalentemente P(C) = 0.
Teorema
Central del c.s. c.s.
Límite Observad que Xn −→X si y sólo si Xn − X −→0.
No es fácil tratar con el conjunto de puntos de convergencia.

Introducción:
Tipos de Teorema 8 (Caracterización)
convergencia
c.s.
Tipos de Xn −→X si y solo si, para cada > 0
convergencia
distribución
Covergencia en
probabilidad
limn→∞ P sup |Xm − X| > = 0
Convergencia en media m≥n
de orden r
Convergencia casi
segura
Observamos:
Ley débil de los
Grandes ∞
[
Números
ω ∈ Ω : sup |Xm (ω) − X(ω)| > ε = {|Xm (ω) − X(ω)| > ε}
Ley fuerte de
los Grandes
m≥n m=n
Números
c.s.
Teorema Por tanto Xn −→X si y solo si, para cada > 0,
Central del
Límite "∞ #
[
lı́m P {|Xm − X| > ε} = 0.
n→∞
m=n
S∞
Si denominamos An,ε = m=n {|Xm − X| > ε}, se tendrá que
lı́mn→∞ P(An,ε ) = 0.
Ejemplo
Introducción:
Tipos de Ejemplo 7
convergencia
Tipos de Sea {Xn } una sucesión de variables aleatorias discretas, tales que
convergencia
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.
distribución ∞
X
Covergencia en
probabilidad
lı́m am = 0.
de orden r
n→∞
m=n
Convergencia casi
segura
Ley débil de los Esta propiedad se deduce fácilmente a partir de la siguiente

Grandes
Números
igualdad que es válida para cualquier n ≥ 1.
Ley fuerte de
los Grandes
n−1
X ∞
X
Números
a= am + am
Teorema
Central del
m=1 m=n
Límite
Observamos que el primer sumando converge cuando n → ∞ al
valor a, que es la suma de la serie, y por tanto el segundo sumando
debe converger a cero.
¿Qué se puede decir del resto de la serie, si la serie es
divergente?....Pensadlo
Introducción:
Tipos de Proposición 1
convergencia P∞
Tipos de
Si para todo ε > 0 se tiene que n=1 P (|Xn − X| > ε) < ∞,
convergencia c.s
entonces Xn → X.
distribución
Covergencia en
probabilidad
Demostración
de orden r
Convergencia casi La demostración es inmediata.
segura c.s
Nuestro objetivo es demostrar que se tiene que Xn → X, o
Ley débil de los
Grandes equivalentemente por el teorema de caracterización,
Números
 
Ley fuerte de
los Grandes
[
Números lı́m P  {|Xm − X| > ε} = 0.
n→∞
Teorema m≥n
Central del
Límite hS i P
∞
Veamos 0 ≤ P m≥n {|Xm − X| > ε} ≤ m=n P [|Xm − X| > ε]
Se corresponde por tanto con el resto de una serie que por hipótesis es
convergente. Por tanto P∞
0 ≤ P [∪m≥n {|Xm − X| > ε}] ≤ m=n P [|Xm − X| > ε] → 0 cuando
c.s
n → ∞, es decir Xn → X. 2
El siguiente resultado muestra como la convergencia casi segura
implica la convergencia en probabilidad
Introducción:
Tipos de Teorema 9
convergencia
c.s. P
Tipos de Si Xn −→X, entonces Xn −→X.
convergencia
El recíproco no se tiene en general.
distribución
Covergencia en
probabilidad
Convergencia en media Demostración
de orden r
c.s.
Convergencia casi
segura Si Xn −→X,
hSpor el teorema de caracterización
i se tiene que
Ley débil de los
Grandes
limn→∞ P m≥n {|Xm − X| > ε} = 0.
Números
P
Ley fuerte de Nuestro objetivo es demostrar que Xn −→X. Es inmediato, ya que
los Grandes
Números [
Teorema {|Xn − X| > ε} ⊆ {|Xm − X| > ε}
Central del
Límite m≥n
 
[
0 ≤ P [|Xn − X| > ε] ≤ P  {|Xm − X| > ε} → 0
m≥n
P
cuando n → ∞, por hipótesis. En conclusión Xn −→X. 2
Introducción:
Tipos de
convergencia Como consecuencia del Lema de Borel-Cantelli, se verifica el
Tipos de
convergencia
siguiente resultado.
distribución
Covergencia en
Teorema 10
probabilidad
c.s
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 débil de los

Grandes
n=1 P (|Xn − X| > ε) < ∞.
Números
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
Observación
distribución
Covergencia en En general, la convergencia casi segura y la convergencia en
probabilidad
de orden r
media de orden r no están relacionadas.
Convergencia casi
segura
Ley débil de los Ejemplo 8

Grandes
Números Sea {Xn } una sucesión de variables aleatorias discretas, tales que
Ley fuerte de Valores de Xn : {0, n}, con funciones de masa de probabilidad
los Grandes
Números
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
distribución
Covergencia en
probabilidad Ejemplo 9
de orden r
Convergencia casi Sea {Xn } una sucesión de variables aleatorias discretas
segura
Ley débil de los

independientes, tales que
Grandes Valores de Xn : {0, 1}, con funciones de masa de probabilidad
Números
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
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
Se aplica el Lema de Borel-Cantelli para obtener el Teorema 10,

con An = {|Xn − X| > ε}.
Contenido
Introducción:
Tipos de
convergencia

convergencia
distribución
Covergencia en
probabilidad
de orden r
Convergencia casi
segura
Grandes
Ley fuerte de
los Grandes
Teorema
Central del

Ley débil de los Grandes Números. Planteamiento
Introducción: del Problema
Tipos de
convergencia
Tipos de
convergencia
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
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
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
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 )
Introducción:
Tipos de
convergencia
Tipos de
convergencia
distribución Corolario 1
Covergencia en
probabilidad
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 ) = +∞.
Introducción:
Tipos de
convergencia
Corolario 2
Tipos de
convergencia Sea {Xn } una sucesión de variables aleatorias independientes e
distribución idénticamente distribuidas
Pn con E [Xn ] = µ y var(Xn ) = σ 2 < ∞.
Covergencia en
probabilidad Denotemos Sn = i=1 Xi . Entonces,
de orden r
Convergencia casi
segura Sn P
−→ µ. (4)
Ley débil de los n
Grandes
Números
Ley fuerte de Demostración

los Grandes
Números
Sn P
Teorema Bastará ver que − µ −→ 0. Usando la desigualdad de
Central del n
Límite Chebychev se tiene que
n o var(Sn )
0 ≤ P Sn −nµ n > ε = P {|Sn − E[Sn ]| > nε} ≤ 2 2 =
ε n
nσ 2 2
= εσ2 n → 0 cuando n → ∞. Por tanto se tiene (4).
ε2 n2
Ley débil de los Grandes Números. Ejemplo
Introducción:
Tipos de
convergencia
Tipos de
convergencia
distribución
En particular...
Covergencia en
probabilidad Sean X1 , ..., Xn independientes e idénticamente distribuidas según
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.
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
distribución
sin demostración
Covergencia en
probabilidad Teorema de Kintchine (Teorema 13)
de orden r
Convergencia casi Sea {Xn } una sucesión de variables aleatorias independientes e
segura
Ley débil de los

idénticamente distribuidas con media finita E [Xn ] = µ. Entonces,
Grandes
Números
Sn P
Ley fuerte de −→ µ.
los Grandes n
Números
Teorema La ley débil de los grandes números es una de las aplicaciones

Central del
Límite más importantes de la convergencia en probabilidad, en la que se
garantiza en las condiciones adecuadas que el valor medio de la
muestra tiende a aproximarse (en este caso se garantiza la
convergencia en probabilidad) al valor medio de la población
cuando el tamaño muestral es grande. Veamos que se puede
afirmar la convergencia casi seguro.
Contenido
Introducción:
Tipos de
convergencia

convergencia
distribución
Covergencia en
probabilidad
de orden r
Convergencia casi
segura
Grandes
Ley fuerte de
los Grandes
Teorema
Central del

Ley fuerte de los Grandes Números. Planteamiento
Introducción: del Problema
Tipos de
convergencia
Tipos de
convergencia
distribución
Covergencia en
probabilidad El problema que se plantea es el siguiente:
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
Ley fuerte de Sn − An c.s.

los Grandes −→0?
Números Bn
Teorema
Central del En el caso que existan, se dirá que Xn obedece la L.F.G.N.
Límite
respecto de {An } y {Bn }.
Ley Fuerte de los Grandes Números. Resultados
Introducción:
Tipos de
convergencia
Tipos de
convergencia
Teorema 14
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:
de orden r
Convergencia casi
segura
Ley débil de los Sn c.s.

Grandes −→µ
Números n
Ley fuerte de
los Grandes
Números Condición necesaria y suficiente de Kolmogorov (Teorema 15)
Teorema
Central del {Xn } independientes e idénticamente distribuidas (i.i.d.). Entonces
Límite
Sn c.s.
−→µ si y solo si E[|X|] < ∞, y en tal caso E(X1 ) = µ
n
Contenido
Introducción:
Tipos de
convergencia

convergencia
distribución
Covergencia en
probabilidad
de orden r
Convergencia casi
segura
Grandes
Ley fuerte de
los Grandes
Teorema
Central del

Teorema Central del Límite. Planteamiento del
Introducción: problema
Tipos de
convergencia
Tipos de
Sea {Xn } una sucesión de variables
Pn aleatorias y consideramos la
convergencia
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
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
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
Introducción:
Tipos de
convergencia Ejemplo
Tipos de
convergencia Sea {Xn } una sucesión de variables aleatorias discretas con
distribución función de masa de probabilidad:
Covergencia en
probabilidad
de orden r P [Xn = −n] = 1, para n = 1, 2, ...
Convergencia casi
segura
Ley débil de los por tanto son v.a.’s degeneradas, Xn = −n.

Grandes
Números Entonces, la función generatriz de momentos de Xn es
Mn (t) = E etXn = e−tn para todo n ≥ 1. Por tanto,

Ley fuerte de
los Grandes
Números
Teorema Mn (t) → 0 cuando n → ∞ para todo t > 0,

Central del
Límite
Mn (t) → ∞ cuando n → ∞ para todo t < 0
y
Mn (t) → 1 en t = 0
Continuación del ejemplo
Introducción:
Tipos de
convergencia Continuación...
Tipos de
convergencia Es decir,
distribución 
Covergencia en
probabilidad
 0, t > 0
de orden r
Mn (t) → M(t) = 1, t = 0 cuando n → ∞.
∞, t < 0
Convergencia casi

segura
Ley débil de los

Grandes
Números
Pero M(t) no es una función generatriz de momentos, ya que no
Ley fuerte de está definida en un entorno del origen. Además
los Grandes
Números
0, x < −n
Teorema Fn (x) = ,
Central del 1, x ≥ −n
Límite
por tanto lı́mn→∞ Fn (x) = 1 y F(x) = 1 no es una función de

distribución. Por tanto la sucesión de v.a.’s Xn no converge en
distribución.
Introducción: L
Tipos de Sea {Xn } una sucesión de variables aleatorias tales que Xn −→ X, donde
convergencia
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
distribución
Covergencia en
Mn (t) hacia M(t) cuando n → ∞? La respuesta es que no (se pueden
probabilidad
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
limn→∞ Mn (t) = M(t) para todo t ∈ [−t1 , t1 ]

L
entonces Xn −→ X.
Teorema Central del Límite
Introducción:
Tipos de Teorema Central del Límite de Lindeber-Lévy (Teorema 17)
convergencia
Sea {Xn } una sucesión de variables aleatorias independientes e
Tipos de
convergencia idénticamente distribuidas con E [Xn ] = µ y conP
n
distribución 0 < var(Xn ) = σ 2 < ∞. Denotemos por Sn = i=1 Xi . Entonces,
Covergencia en
probabilidad
Convergencia en media Sn − nµ L
de orden r √ −→ N (0, 1) (5)
Convergencia casi
segura
σ n
Ley débil de los
Grandes
Números
Demostración
Ley fuerte de Supondremos que existe la función generatriz de momentos de Xi para
los Grandes
Números
todo i, (aunque no es necesario que exista para que el resultado sea
cierto). Distinguimos dos casos:
Teorema
Central del (a) Supongamos que E [Xn ] = 0 y var(Xn ) = 1. Sea M(t) la función
Límite
Sn
generatriz de momentos de Xn . Sea Mn (t) la f.g.m. de √ .
n
tSn
 
√
t
n
2
Mn (t) = E e n  = M √ . Hqp lı́mn→∞ ln Mn (t) = t2 .
 
n

t
ln M √
t n
Introducción:
Tipos de ln Mn (t) = n ln M √ = .
convergencia n 1/n
= ln
Denotemos L(t) M(t). Así
Tipos de
convergencia
Convergencia en ley o t
distribución
lı́mn→∞ ln M √ = L(0) = 0. Aplicamos la regla de
Covergencia en
probabilidad
n
de orden r
L’Hôpital: √
Convergencia casi L0 (t/ n) t
segura
lı́m ln Mn (t) = lı́m √
Ley débil de los n→∞ n→∞ 2/ n
Grandes
Números M 0 (0)
y como L0 (0) = M(0) = E [X] = 0, usamos nuevamente la regla
Ley fuerte de
los Grandes de L’Hôpital
Números
√
Teorema L00 (t/ n) t2
Central del lı́m ln Mn (t) = lı́m
Límite n→∞ n→∞ 2
M 00 (0)M(0)−(M 0 (0))2
como L00 (0) = (M(0))2
= var (X) = 1. Por tanto,
t2
t2
lı́m ln Mn (t) = , es decir Mn (t) → e 2 cuando n → ∞,
n→∞ 2
Continuación de la demostración del TCL
Introducción:
Tipos de
Hemos probado que
convergencia
Tipos de
t2
convergencia
lı́m Mn (t) = e 2 ,
distribución n→∞
Covergencia en
probabilidad
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
distribución
Ejemplo
Covergencia en
probabilidad Sean X1 , ..., Xn variables aleatorias independientes e
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
Teorema ¿Qué distribución sigue Sn ? Sn ∼ B(n, p)

Central del
Límite Se trata de la aproximación de la distribución Binomial a la
distribución Normal.
Introducción: L
Tipos de Sea {Xn } una sucesión de variables aleatorias tales que Xn −→ X, donde
convergencia
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
distribución
Covergencia en
Mn (t) hacia M(t) cuando n → ∞? La respuesta es que no (se pueden
probabilidad
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
limn→∞ Mn (t) = M(t) para todo t ∈ [−t1 , t1 ]

L
entonces Xn −→ X.
Teorema Central del Límite
Introducción:
Tipos de Teorema Central del Límite de Lindeber-Lévy (Teorema 17)
convergencia
Tipos de
convergencia idénticamente distribuidas con E [Xn ] = µ y conP
n
distribución 0 < var(Xn ) = σ 2 < ∞. Denotemos por Sn = i=1 Xi . Entonces,
Covergencia en
probabilidad
Convergencia en media Sn − nµ L
de orden r √ −→ Z, con Z ∼ N (0, 1) (5)
Convergencia casi
segura
σ n
Ley débil de los
Grandes
Números
Demostración
Ley fuerte de Supondremos que existe la función generatriz de momentos de Xi para
los Grandes
Números
todo i, (aunque no es necesario que exista para que el resultado sea
cierto). Distinguimos dos casos:
Teorema
Central del (a) Supongamos que E [Xn ] = 0 y var(Xn ) = 1. Sea M(t) la función
Límite
Sn
generatriz de momentos de Xn . Sea Mn (t) la f.g.m. de √ .
n
tSn
 
√
t
n
2
Mn (t) = E e n  = M √ . Hqp lı́mn→∞ ln Mn (t) = t2 .
 
n

t
ln M √
t n
Introducción:
Tipos de ln Mn (t) = n ln M √ = .
convergencia n 1/n
= ln
Denotemos L(t) M(t). Así
Tipos de
convergencia
Convergencia en ley o t
distribución
lı́mn→∞ ln M √ = L(0) = 0. Aplicamos la regla de
Covergencia en
probabilidad
n
de orden r
L’Hôpital: √
Convergencia casi L0 (t/ n) t
segura
lı́m ln Mn (t) = lı́m √
Ley débil de los n→∞ n→∞ 2/ n
Grandes
Números M 0 (0)
y como L0 (0) = M(0) = E [X] = 0, usamos nuevamente la regla
Ley fuerte de
los Grandes de L’Hôpital
Números
√
Teorema L00 (t/ n) t2
Central del lı́m ln Mn (t) = lı́m
Límite n→∞ n→∞ 2
M 00 (0)M(0)−(M 0 (0))2
como L00 (0) = (M(0))2
= var (X) = 1. Por tanto,
t2
t2
lı́m ln Mn (t) = , es decir Mn (t) → e 2 cuando n → ∞,
n→∞ 2
Continuación de la demostración del TCL
Introducción:
Tipos de
Hemos probado que
convergencia
Tipos de
t2
convergencia
lı́m Mn (t) = e 2 ,
distribución
n→∞
Covergencia en
probabilidad 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
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
distribución
Covergencia en
probabilidad
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
distribución
Ejemplo
Covergencia en
probabilidad Sean X1 , ..., Xn variables aleatorias independientes e
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
Teorema ¿Qué distribución sigue Sn ? Sn ∼ B(n, p)

Central del
Límite Se trata de la aproximación de la distribución Binomial a la
distribución Normal.

Tema 4

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tema 4

Cargado por

Copyright:

Formatos disponibles

Introducción:

Ley débil de los

Tipos de 1 Introducción: Tipos de convergencia

5 Teorema Central del Límite

Teorema ¿Convergencia de los momentos?

Tipos de 1 Introducción: Tipos de convergencia

5 Teorema Central del Límite

Ley débil de los

Se verifica que P(Bn ) ≤ P(|X − Xn | > c/2) + P(|Xn − Y| > c/2)

Se verifica que P(Bn ) ≤ P(|X − Xn | > c/2) + P(|Xn − Y| > c/2)

{|Xn (ω) − X(ω)| ≤ δ 0 } ∩ {|X(ω)| ≤ a} ⊂ {|g(Xn (ω)) − g(X(ω))| ≤ ε}

Tomando complementarios, se verifica que

P[|g(Xn ) − g(X)| > ε] ≤ 0

el salto de F en x (F es continua por la derecha).

lo que implica N ≤ n. Por tanto, Dn tiene como mucho n puntos,

P X ≤ x0 ≤ P (Xn ≤ x) + P |Xn − X| > x − x0

F(x0 ) ≤ Fn (x) + P |Xn − X| > x − x0 .

P |Xn − X| > x − x0 → 0 cuando n → ∞,

ya que x − x0 > 0, por lo que

F(x0 ) ≤ lim Fn (x)

en todos los puntos de continuidad de F. 2

Ley débil de los

Ley débil de los

Ley débil de los

Tipos de Demostración parte 2. Caso c = 0.

0 ≤ lim P [|Xn Yn | > ε] ≤ 1 − (FX (k) − FX (−k)).

Además, podemos tomar k lo suficientemente grande como para que

limn→∞ E [|Xn − X|r ] = 0

¿Converge Xn en media de orden r? ¿A qué límite?

Sin embargo, E [|Xn |r ] = 1 9 0.

y la igualdad se verifica si y sólo si Y depende linealmente de X

0 ≤ E[|Xn − X|s ] ≤ (E [|Xn − X|r ])s/r → 0

E Xn2 = E (Xn − X + X)2

Ley débil de los h i

¿Por qué? Por tanto, tomando límite en (1) se tiene

de donde se deduce (2).

Ley débil de los Demostración

Ley débil de los

No es fácil tratar con el conjunto de puntos de convergencia.

Ley débil de los Esta propiedad se deduce fácilmente a partir de la siguiente

Ley débil de los

Ley débil de los Ejemplo 8

Ley débil de los

Se aplica el Lema de Borel-Cantelli para obtener el Teorema 10,

Tipos de 1 Introducción: Tipos de convergencia

5 Teorema Central del Límite

Ley fuerte de Demostración

Ley débil de los

Teorema La ley débil de los grandes números es una de las aplicaciones

Tipos de 1 Introducción: Tipos de convergencia

5 Teorema Central del Límite

Ley fuerte de Sn − An c.s.

Ley débil de los Sn c.s.

Tipos de 1 Introducción: Tipos de convergencia

5 Teorema Central del Límite

Ley débil de los por tanto son v.a.’s degeneradas, Xn = −n.

Teorema Mn (t) → 0 cuando n → ∞ para todo t > 0,

Ley débil de los

por tanto lı́mn→∞ Fn (x) = 1 y F(x) = 1 no es una función de

limn→∞ Mn (t) = M(t) para todo t ∈ [−t1 , t1 ]

Teorema ¿Qué distribución sigue Sn ? Sn ∼ B(n, p)

limn→∞ Mn (t) = M(t) para todo t ∈ [−t1 , t1 ]

Teorema ¿Qué distribución sigue Sn ? Sn ∼ B(n, p)

También podría gustarte

P[|g(Xn ) − g(X)| > ε] ≤ 0