Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Objetivos 1. Motivacin estudio secuencias de VAs. o 2. Convergencia de valores. 3. Convergencia de distribuciones de probabilidad.
Bibliograf a Dekking et al. (2005). Cap tulos 13-14. Wasserman (2005). Cap tulo 5. Wooldridge (2006). Apndice B. e
Este tema introduce la teor para grandes muestras o asinttica, y esta basada en el a o estudio del comportamiento l mite de secuencia de VAs. Los dos resultados bsicos son a la ley de los grandes nmeros y el teorema central del l u mite.
5.1.
Tipos de convergencia
Sea X1 , X2 , . . . , una secuencia de VAs y sea X otra VA. Sea Fn la CDF de Xn y sea F la CDF de X. Xn converge a X en probabilidad, Xn p X, si para cada > 0, Pr (|Xn X| > ) 0 cuando n . Si Xn p X, tambin escribimos e p l Xn = X m
n
y tambin e Xn = X + op (1) donde op (1) indica que la diferencia Xn X converge a 0 en probabilidad. Xn converge a X en distribucin, Xn d X, si o
n
l Fn (t) = F (t) m
para todo t donde F es continua. Xn converge a X en media cuadrtica, Xn 2 X, si a E (Xn X)2 0 cuando n . Ejemplo: si Xn N (0, 1/n) , entonces Xn p 0, d 0.
Xn 2 X Xn p X Xn d X
En general ninguna de las implicaciones contrarias es cierta, con esta excepcin. o Tampoco es cierto en general que si Xn p X implica que EXn EX.
Propiedades: Sean Xn , X, Yn , Y RVs y g una funcin continua. o Xn p X y Yn p Y, entonces Xn + Yn p X + Y. Xn 2 X y Yn 2 Y, entonces Xn + Yn 2 X + Y. Xn d X y Yn d c, entonces Xn + Yn d X + c.[Slutsky Th] Xn p X y Yn p Y, entonces Xn Yn p X Y. Xn d X y Yn d c, entonces Xn Yn d cX. [Slutsky Th] Xn p X, entonces g (Xn ) p g (X) . Xn d X, entonces g (Xn ) d g (X) . [Continuous Mapping Th]
5.2.
Sea X1 , X2 , . . . , Xn una muestra IID con = EX1 y 2 = V (X1 ) . La media muestral es n 1 Xn = Xi n i=1 con E Xn = y V Xn = 2 /n.
Teorema. Ley Dbil de los Grandes N meros. Si X1 , X2 , . . . , Xn son una muestra e u IID, entonces Xn p . Prueba: Desigualdad de Chebysev, asumiendo que < .
Ejemplo. Xi Bernoulli(p = 0,5) Pr 0,4 Xn 0,6 ? En ese caso decimos que Xn es consistente para estimar p.
= =
1 n1
Xi Xn
i=1
n n1
p
1 n
Xi2
i=1
n 2 X n1 n
n
n l m n n 1
1 p l m n n
Xi2
i=1 2
n n n 1 l m
p l Xn m 2
n
= 1 EX 2 1 (EX)2 = EX 2 = 2 .
5.3.
Por la LDGN sabemos que Xn est cerca de con alta probabilidad segn aumenta n, a u n. pero eso no nos permite conocer la distribucin de probabilidad de X o Sea X1 , X2 , . . . , Xn una muestra IID con = EX1 y 2 = V (X1 ) . Entonces, para n grande, Xn tiene una distribucin aproximadamente Normal con media E Xn = y o varanza V Xn = 2 /n.
Teorema. Teorema Central del L mite. Si X1 , X2 , . . . , Xn son una muestra IID con 2 = EX1 y = V (X1 ), entonces n Xn Xn = d Z, Zn = V Xn donde Z N (0, 1) . Notacin. Alternativas: o Zn
dN
(0, 1)
Zn N (0, 1) 2 Xn N , n 2 Xn N 0, n 2 n Xn N 0, n n Xn N (0, 1) . En general no sabemos cuanto vale , pero aplicando Slutsky, tenemos que: Teorema. Bajo las mismas condiciones del TCL, como Sn p porque g (x) = x2 es una funcin continua, o n Xn d N (0, 1) . Sn
Teorema Central del L mite Multivariante. Sean X1 , X2 , . . . , Xn vectores aleatorios IID con X1i X2i . Xi = . . Xki con media = y matriz de varianzas-covarianzas , C (X1i , Xki ) . ... . = . . C (Xki , X1i ) V (Xki ) V (X1i ) . . . Entonces n Xn 1/2 n Xn d N (0, ) , d N (0, Ik ) 1 2 . . . k EX1i EX2i . . . EXki
5.4.
Mtodo delta e
2 n 2 n .
Teorema. (Mtodo Delta Multivariante). Si Yn = (Yn1 , . . . Ynk ) es una secuencia de e vectores aleatorios tal que n Yn d N (0, ) y g : Rk R es diferenciable, tal que
g () , entonces
T
n g Yn g () d N 0,
2 Ejemplo. Distribucin asinttica de Xn . Sea g (x) = x2 , entonces g (x) = 2x. Por tanto, o o si 2 Xn N , n entonces g Xn N = N es decir g () , (g ()) 2 , (2)2 2 n
2
2 n
2 Xn 2 n N (0, 1) . 2
Qu ocurre si = 0? e 7