Estad stica.

Tema 5 Convergencia de Variables Aleatorias

5.1. Tipos de convergencia 5.2. Ley de los grandes nmeros u 5.3. Teorema central del l mite 5.4. Mtodo delta e

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

Estad stica. 5. Convergencia de Variables Aleatorias

Carlos Velasco. MEI UC3M. 2007/08

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.

Estad stica. 5. Convergencia de Variables Aleatorias

Carlos Velasco. MEI UC3M. 2007/08

Relacin entre las convergencias: o

Xn 2 X Xn p X Xn d X

implica que Xn p X. implica que Xn d X. y si Pr (X = c) = 1 para algn nmero real c, entonces Xn p X. u u

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]

En general no es verdad que Xn d X y Yn d Y, entonces Xn + Yn d X + Y.

Estad stica. 5. Convergencia de Variables Aleatorias

Carlos Velasco. MEI UC3M. 2007/08

5.2.

Ley de los Grandes N meros u

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.

Ejemplo: Convergencia varianza muestral es

2 Sn

= =

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 .

Estad stica. 5. Convergencia de Variables Aleatorias

Carlos Velasco. MEI UC3M. 2007/08

5.3.

Teorema Central del L mite

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

Estad stica. 5. Convergencia de Variables Aleatorias

Carlos Velasco. MEI UC3M. 2007/08

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

donde Ik es la matriz identidad de dimensin k. o

Estad stica. 5. Convergencia de Variables Aleatorias

Carlos Velasco. MEI UC3M. 2007/08

5.4.

Mtodo delta e

Teorema. (Mtodo Delta) Si e n Yn d N (0, 1)

y g es diferenciable, tal que g () = 0, entonces n g Yn g () d N (0, 1) , |g () | es decir si Yn N entonces g Yn N g () , (g ())

2

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