Captulo 1

Convergencia
1.1 Introduccion
En este captulo estudiaremos el comportamiento asintotico de sucesiones
de variables aleatorias, daremos distintas deniciones de convergencia y de-
mostraremos dos de los Teoremas mas importantes de la Teora de Probabil-
idad, de hecho los dos resultados que podramos decir le dieron vida a esta
area del conocimiento.
Antes de estudiar las distintos modos de convergencia, es importante
preguntarse de donde surgen estos resultados? cual es la motivacion para el
estudio del comportamiento en el lmite de sucesiones de variables aleatorias.
Desde la prehistoria de la Probabilidad, se ha deseado dar una inter-
pretaci on a la Probabilidad, intuitivamente, se consideraba que la probabil-
idad de un evento era algo as como un lmite de frecuencias relativas (de
hecho la escuela frecuentista la dene as), es decir si A es un evento
P[A]
n
A
n
donde n
A
es el n umero de veces que ha ocurrido el evento A en n ensayos
independientes del mismo experimento.
A esta propiedad se le llamo (como lo hemos ya mencionado en ??) Regu-
laridad Estadstica. A un cuando ya hemos visto que esta denicion frecuen-
tista de la Probabilidad no tiene sentido, sera importante saber si desde el
punto de vista del Modelo Axiomatico de la Probabilidad existe una Ley
emanada de sus axiomas que sea la contraparte teorica de la regularidad
estadstica.
1
2 CAP

ITULO 1. CONVERGENCIA
Esta Ley conocida como La Ley de los Grandes N umeros sera estudiada
en las Secciones 2 y 3 de este Captulo y esencialmente dice los siguiente:
Teorema 1.1 Ley de los Grandes N umeros. Sea (X
n
)
n1
una sucesion de
variables aleatorias independientes e identicamente distribuidas con esper-
anza . Entonces

n
k=1
X
k
n
, converge en alg un sentido a .
Este Teorema no solo nos dice que efectivamente existe una Ley emanada
de los axiomas sino que provee de lo que en Estadstica se conoce como un
estimador de . Deniremos y demostraremos esta propiedad para dos tipos
de convergencia, a saber, la convergencia casi segura y la convergencia en
probablidad.
Sin embargo, el hecho de que

n
k=1
X
k
n
,
en ocasiones no es suciente. Mas precisamente, por ejemplo, en un contexto
de inferencia sea (X
n
)
n1
una sucesion de variables aleatorias independientes
e identicamente distribuidas seg un F
0
con media desconocida.
Supongamos que para cada n 1, S
n
=

n
k=1
X
k
y supongamos que
queremos probar con la ayuda de
Sn
n
que > 5. La Ley de los Grandes
N umeros nos dice que este cociente es muy cercano a para n sucientemente
grande, as es que en primera instancia podramos pensar que no es tan
descabellado. Sin embargo, se quiere mas, es decir, se quiere dar un criterio
que nos diga algo en el siguiente sentido:
Rechace la Hipotesis de > 5 si
Sn
n
excede a un cierto n umero.
Si se conociera la distribucion de
Sn
n
se podra exhibir ese cierto n umero
que garantizara que este cociente lo excede solo con probabilidad (por
ejemplo, = 0.05).
Sin embargo, lo que ocurre es que no conocemos su distribucion, supong-
amos que alguien demostro que su distribucion converge a una distribuci on
conocida cuando n . Entonces se podra usar la distribucion lmite como
una aproximacion.
El Teorema de Lmite Central es en este sentido y dice lo siguiente:
1.2. CONVERGENCIA CASI SEGURA 3
Teorema 1.2 Sea (X
n
)
n1
una sucesion de variables aleatorias independi-
entes, identicamente distribuidas con media y varianza
2
, entonces
lim
n
P
_
S
n
n

n
x
_
= P[X x],
donde X es una variable aleatoria N(0, 1).
El lmite del Teorema anterior es un lmite de las funciones de distribucion
y se conoce como convergencia en distribucion.
En todo este Captulo denotaremos por S
n
=

n
k=1
X
k
.
1.2 Convergencia Casi segura
En toda esta seccion consideraremos (, F, P) un espacio de probabilidad
jo. Las sucesiones de variables aleatorias estaran denidas en este espacio.
Denicion 1.1 Convergencia Puntual. Una sucesion de variables aleatorias
(X
n
)
n1
se dice que converge en el punto si la sucesion de n umeros
reales (X
n
())
n1
converge.
Denicion 1.2 Conjunto de Convergencia. El conjunto de puntos
para los cuales la sucesion (X
n
())
n1
converge sera llamado el conjunto de
convergencia.
Sea (X
n
)
n1
una sucesion de variables aleatorias y C su conjunto de conver-
gencia. Consideremos la funcion X : R denida por:
X() =
_
lim
n
X
n
(), si C,
c, si C
c
.
(1.1) {variablelimite}
Para jo tal que X
n
() no converge a X(), entonces de la denicion
de convergencia de sucesiones de n umeros reales, existe > 0 tal que
|X
n
X| > , para una innidad de n

s.
Observese que para cada > 0
{ ||X
n
() X()| > , para una innidad de n

s}
=

n=1

_
l=n
{ | |X
l
() X()| > }
=

n=1

_
l=n
[ |X
l
X| > ] (Notacion). (1.2)
4 CAP

ITULO 1. CONVERGENCIA
Luego entonces, el complemento del conjunto de convergencia C estara dado
por:
C
c
=

_
k=1
_

n=1

_
l=n
_
|X
l
X| >
1
k
_
_
. (1.3) {conjuntoconvergencia}
Claramente el conjunto de convergencia es un evento y podemos concluir
entonces que la sucesion (X
n
)
n1
, converge a X sobre C.
Denicion 1.3 Convergencia Casi Segura. Una sucesion de variables aleato-
rias (X
n
)
n1
se dice que converge casi seguramente si su conjunto de conver-
gencia tiene probabilidad 1.
La convergencia casi segura la denotaremos por
X
n
c.s.
X
donde X es la variable aleatoria denida por la expresion (1.1).
Observese que:
X
n
c.s.
X, P[X
n
, no converge a X] = P[C
c
] = 0
Ejemplo 1.1 Consideremos el experimento de elegir un punto al azar en el
intervalo (0, 1). Para cada n 1, denimos
X
n
() =
1
n
[n],
donde [] denota la parte entera de .
Es claro que
lim
n
X
n
() = X() = , para toda .
Por lo tanto, X
n
c.s.
X.
Ejemplo 1.2 Sea (X
n
)
n1
una sucesion de variables aleatorias independi-
entes, identicamente distribuidas, con funcion de distribucion F. Supong-
amos que F(x) < 1 para toda x < x
0
, x
0
R . Para cada n 1 sea
X
(n)
denida por:
X
(n)
= max{X
1
, ..., X
n
}
Entonces
lim
n
X
(n)
= x
0
, casi seguramente
1.2. CONVERGENCIA CASI SEGURA 5
Para cada jo, la sucesion (X
(n)
())
n1
es una sucesion creciente. Por
lo tanto, si x
0
= , converge a un lmite nito si y solo si esta acotada. Sea
C = { | (X
(n)
())
n1
converge a un lmite nito}
= { | (X
(n)
())
n1
, esta acotada}.
Demostraremos que
P[C] = 0.
Observese que
C =

_
M=1
[X
(n)
< M, n 1],
por lo tanto, es suciente probar que para cada M IN,
P[X
(n)
< M, n 1] = 0
As, para toda k 1 y puesto que las variables aleatorias X
n
, n 1 son
independientes
P[X
(n)
< M, n 1] P[X
(n)
< M, 1 n k] = F
k
(M).
Por hipotesis F(x) < 1 para toda x R, lo que implica que F
k
(M) 0
cuando k . Por lo tanto,
P[X
(n)
< M, n 1] = 0.
Si x
0
< , para cada la sucesion converge, ya que P[X
(n))
x
0
] =
1. y el lmite es menor o igual que x
0
. Para cada M < x
0
, sea
C
M
= { | lim
n
X
(n)
() M},
lim
n
X
(n)
() M, si y solo si X
(n)
< M, n 1.
Siguiendo la misma demostracion que en el caso anterior, tenemos que
P[C
M
] = 0, para toda M < x
0
,
por lo tanto el lmite es igual a x
0
.
2
6 CAP

ITULO 1. CONVERGENCIA
Ejemplo 1.3 Consideremos una sucesion innita de ensayos Bernoulli in-
dependientes con probabilidad p (< 1) de exito. Sea
X
n
() =
_
n, si los primeros n ensayos fueron fracaso,
k, si el primer exito ocurrio en el ensayo k, k n.
Entonces, X
n
c.s.
X, donde X es una variable aleatoria Geometrica con
parametro p.
Para cada la sucesion (X
n
())
n1
es no-decreciente, por lo tanto,
la sucesion no converge si y solo si tiende a innito. Probaremos que la
probabilidad del conjunto de las tales que la sucesion tiende a tiene
probabilidad cero:
P[lim
n
X
n
= ] = P
_

n1
[X
n
= n]
_
P[X
n
= n] = (1 p)
n1
0.
Es claro de la denicion que si (X
n
())
n1
converge, esto implica que es
constante a partir de una cierta k 1, donde k es el ensayo en el que ocurre
el primer exito. Por lo tanto la variable aleatoria lmite es una variable
aleatoria Geometrica con parametro p.
2
Finalmente demostraremos La Ley de los Grandes N umeros mencionada en
la Introduccion.
Teorema 1.3 Ley Fuerte de Los Grandes N umeros. (Kolmogorov). Sea
(X
n
)
n1
una sucesion de variables aleatorias independientes e identicamente
distribuidas. Entonces
S
n
n
converge casi seguramente,
si y solo si las variables aleatorias X
n
tienen esperanza nita y
S
n
n
c.s.
E[X
1
],
donde S
n
=

n
k=1
X
k
.
1.2. CONVERGENCIA CASI SEGURA 7
La demostracion de la Ley Fuerte de los Grandes N umeros es complicada
y esta mas alla de los conocimientos del nivel de este libro, por lo que nos
contentaremos con demostrar una Ley Fuerte diferente cuya demostracion es
muy simple.
El resultado que probaremos a un cuando impone condiciones mas fuertes
sobre la existencia de los momentos de las variables aleatorias, no requiere
que estas sean identicamente distribuidas. Recuerdese que de la expresion
1.3 demostrar la convergencia casi segura es equivalente a probar que la
probabilidad del complemento del conjunto de convergencia C es igual a cero.
El Lema siguiente conocido como el Lema de Borel-Cantelli sera fundamental
en la demostracion.
Lema 1.1 Lema de Borel-Cantelli. Sea (A
n
)
n1
una sucesion de eventos tal
que

n1
P[A
n
] < . Entonces
P[A
n
, ocurra para una innidad de n

s] = P[

n=1

_
l=n
A
l
] = 0.
Demostracion
De la denicion se tiene que para toda n 1,
P
_

n=1

_
l=n
A
l
_
P
_

_
l=n
A
l
_

l=n
P[A
l
]
Por hip otesis

n=1
P[A
n
] < , por lo tanto,

l=n
P[A
l
] 0 cuando n
, de donde P[

n=1

l=n
A
l
] = 0.
2
Teorema 1.4 Una Ley Fuerte de los Grandes N umeros. Sea (X
n
)
n1
una
sucesion de variables aleatorias independientes, con cuarto momento nito.
Supongamos que para toda n 1, E[X
n
] = , V ar(X
n
) =
2
y E[(X
n

)
4
] = . Entonces
S
n
n
c.s.
,
donde S
n
=

n
k=1
X
k
.
Demostracion
8 CAP

ITULO 1. CONVERGENCIA
De la expresion 1.3, es suciente demostrar que para toda > 0,
P
_

S
n
n

> , o.i.
_
= 0.
Por el Lema anterior basta probar que

n=1
P
_

S
n
n

>
_
< .
De la Desigualdad de Bienayme-Chebyshev y puesto que las variables aleato-
rias X
k
son independientes, con varianza y cuartos momentos centrales co-
munes se tiene
P
_

S
n
n

>
_
= P
_

k=1
(X
k

> n
_

1
(n)
4
E[(
n

k=1
(X
k
))
4
]
=
1
(n)
4
[nE[(X
1
)
4
] +n(n 1)(E[(X
1
)
2
])
2

K
n
2
,
donde K es una constante. Ya que

n1
1
n
2
=

2
6
, se obtiene que

n=1
P
_

S
n
n

>
_
< .
2
Una consecuencia de la Ley de los Grandes N umeros es la aproximacion de
la distribucion de una variable aleatoria por lo que llamaremos el Proceso
Emprico y que denimos a continuacion:
Sea (X
n
)
n1
una sucesion de v.a.i.i.d. Para cada x R y n N denimos
11
[Xnx]
=
_
1, si X
n
x,
0, si X
n
> x,
y
N
n
(x) =
S
n
(x)
n
=
1
n
n

i=1
11
[Xnx]
.
1.3. CONVERGENCIA EN PROBABILIDAD 9
A Las variables aleatorias N
n
(x), x R se le conoce como el Proceso
Emprico.
Corolario 1.1 Sea (X
n
)
n1
una sucesion de v.a.i.i.d. con funcion de dis-
tribucion F. Entonces, para cada x R
N
n
(x)
c.s.
F(x), cuando n
La demostracion se sigue inmediatamente de la Ley Fuerte de los Grandes
N umeros. De hecho se tiene un resultado mas fuerte que no demostraremos:
Teorema 1.5 Teorema de Glivenko-Cantelli. Sea (X
n
)
n1
una sucesion de
v.a.i.i., con distribucion F. entonces
sup
xR
|N
n
(x) F(x)|
c.s.
0, cuando n .
1.3 Convergencia en Probabilidad
Un tipo de convergencia mas debil que la convergencia casi segura es la lla-
mada convergencia en probabilidad. Antes de dar la denicion consideremos
el siguiente ejemplo que es muy ilustrativo.
{ejeconvprob}
Ejemplo 1.4 Consideremos nuevamente el experimento de elegir un punto
al azar en el intervalo (0, 1) y sea (X
nk
)
n1,0kn1
una sucesion de variables
aleatorias denidas de la de siguiente manera:
X
nk
() =
_
1,
k
n
<
k+1
n
, si 0 k n 1,
0, en otro caso.
Esto es, tenemos el siguiente arreglo:
X
10
X
20
, X
21
X
30
, X
31
, X
32
.
.
.
.
.
.
.
.
.
X
n0
, X
n1
, X
n2
, , X
nn1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
10 CAP

ITULO 1. CONVERGENCIA
GRAFICAS
Es posible escribir el arreglo como una sola sucesion, (Y
m
)
m1
de la sigu-
iente manera:
Y
n(n1)/2+k+1
= X
nk
,
Observese que para cada (0, 1) hay una innidad de parejas (n, k) para
las que X
nk
= 0 y tambien una innidad para las que X
nk
= 1. Por lo
tanto, para toda (0, 1) la sucesion (Y
m
())
m1
no converge, es decir, su
conjunto de convergencia tiene probabilidad cero.
Sin embargo, es claro que para n sucientemente grande, las variables
aleatorias X
nk
son muy parecidas a la variable aleatoria X 0. De hecho
son iguales a cero excepto en un conjunto de probabilidad
1
n
, lo que sugiere
la siguiente denicion:
Denicion 1.4 Convergencia en Probabilidad. Una sucesion (X
n
)
n1
de
variables aleatorias se dice que converge en probabilidad a la variable aleatoria
X si para cada > 0 se satisface:
lim
n
P[|X
n
X| > ] = 0
La convergencia en probabilidad sera denotada por X
n
P
X.
Claramente la sucesion de variables aleatorias (Y
m
)
m1
del Ejemplo 1.4 con-
verge en probabilidad a la variable aleatoria X 0.
A continuacion presentamos algunas de las Leyes Debiles de los Grandes
N umeros. El apellido Debiles se reere a la convergencia en probabilidad y
no casi segura que como hemos visto con el Ejemplo 1.4 es mas debil.
Teorema 1.6 Sea (X
n
)
n1
una sucesion de variables aleatorias, entonces
1. Ley Debil de los Grandes N umeros de Bernoulli. Si X
1
, X
2
, ...., X
n
, ...
son variables aleatorias independientes identicamente distribuidas, con
distribucion Bernoulli con parametro p, entonces
S
n
n
P
p.
2. Ley Debil de los Grandes N umeros. Si X
1
, ..., X
n
, ... son variables
aleatorias independientes identicamente distribuidas con E[X
1
] = ,
entonces
S
n
n
P
.
1.3. CONVERGENCIA EN PROBABILIDAD 11
3. Ley Debil de los Grandes N umeros de Poisson. Si X
1
, ..., X
n
, ... son
variables aleatorias independientes, y para cada i, X
i
tiene distribucion
Bernoulli con parametro p
i
, i 1, entonces
S
n
n
E
_
S
n
n
_
P
0.
4. Ley Debil de Chebyshev. Si X
1
, ..., X
n
, ... son variables aleatorias no
correlacionadas, es decir, Cov(X
i
, X
j
) = 0 para i = j, y V ar(X
i
)
M < para toda i 1, entonces
S
n
n
E
_
S
n
n
_
P
0.
5. Ley Debil de Markov. Si X
1
, ..., X
n
, ... son variables aleatorias con se-
gundo momento nito tales que:
V ar
_
S
n
n
_
0, Condicion de Markov,
Entonces
S
n
n
E
_
S
n
n
_
P
0.
Demostracion
De estas Leyes puede demostrarse facilmente que
(i) La Ley Debil de Markov es mas fuerte que la de Chebyshev y que la Ley
Debil.
(ii) La Ley Debil de Chebyshev es mas fuerte que la de Poisson.
(iii) La Ley Debil de Poisson es mas fuerte que la de Bernoulli.
(iv) La Ley Debil es mas fuerte que la de Bernoulli.
Luego entonces, es suciente demostrar la Ley de Markov, la cual se sigue de
la Desigualdad de Bienayme-Chebyshev:
Dada > 0, se tiene:
P
_

S
n
n
E
_
S
n
n
_

>
_

V ar
_
Sn
n
_

2
.
12 CAP

ITULO 1. CONVERGENCIA
La Condicion de Markov implica as la convergencia en probabilidad.
2
Como hemos visto en el Ejemplo 1.4 la convergencia en probabilidad no
implica la convergencia casi segura, sin embargo, el recproco si es valido:
Teorema 1.7 Sea (X
n
)
n1
una sucesion de variables aleatorias. Si X
n
c.s.
X
entonces X
n
P
X.
Demostracion
Supongamos que X
n
c.s.
X y sea C su conjunto de convergencia. Entonces
para n 1 y > 0:
[|X
n
X| > ]
_
kn
[|X
k
X| > ].
Sea
B() =

n1

_
k=n
[|X
k
X| < ],
entonces B() C
c
, por lo tanto P[B()] = 0. Por otro lado,
0 = P[B()] = lim
n
P[
_
kn
[|X
k
X| > ],
de donde se obtiene el resultado.
2
Volviendo al Ejemplo 1.4 se puede observar que si bien el conjunto de conver-
gencia de la sucesion tiene probabilidad 0 se puede considerar una subsucesi on
que converge casi seguramente a la variable aleatoria X = 0, por ejemplo la
subsucesion (X
n1
)
n1
. Esto no es casual, de hecho es un resultado general,
que enunciamos a continuacion pero que omitimos su demostracion.
Teorema 1.8 Sea (X
n
)
n1
una sucesion de variables aleatorias. Si X
n
P
X
entonces existe una subsucesion (X
n
k
)
n
k
1
tal que X
n
k
c.s.
X.
1.4. CONVERGENCIA EN DISTRIBUCI

ON 13
1.4 Convergencia en Distribucion
En las deniciones de convergencia casi segura y en probabilidad, se considero
un espacio de probabilidad (, F, P) jo en donde estaban denidas todas
las variables aleatorias. La convergencia en distribucion que se denira a
continuacion es un concepto que se reere no a una propiedad de convergencia
de las variables aleatorias sino de las funciones de distribucion. As, las
variables aleatorias en consideracion en esta seccion pueden estar denidas
en distintos espacios de probabilidad.
Denicion 1.5 Sea (X
n
)
n1
una sucesion de variables aleatorias y (F
n
)
n1
la sucesion correspondiente de funciones de distribucion. Diremos que X
n
converge en distribucion a (la variable aleatoria) X con funcion de dis-
tribucion F, si
lim
n
F
n
(x) = F(x),
para todo x R, punto de continuidad de F. La convergencia en distribucion
la denotaremos X
n
D
X (o F
n
D
F).
Ejemplo 1.5 Para cada n 1 sea X
n
una variable aleatoria uniforme sobre
el intervalo (
1
n
,
1
n
). Entonces X
n
D
X, donde P[X = 0] = 1.
La funcion de distribucion F
n
de X
n
esta dada por
F
n
(x) =
_
_
_
0, si x
1
n
,
1
2
(1 +nx), si
1
n
< x <
1
n
,
1, si x
1
n
.
Cuando n la sucesion de funciones F
n
tiende a G, donde
G(x) =
_
_
_
0, si x < 0,
1
2
, si x = 0,
1, si x > 0.
La funcion G no es una funcion de distribucion ya que no es continua por la
derecha. Consideremos la funcion de distribucion F de la variable aleatoria
X que es la constante igual a 0, es decir,
F(x) =
_
0, si x < 0,
1, si x 0,
14 CAP

ITULO 1. CONVERGENCIA
Claramente, de la denicion de convergencia en distribucion X
n
D
X, pues
F
n
(x) converge a F(x) para toda x = 0 y el 0 no es un punto de continuidad
de la funcion F.
Observese que en este ejemplo las variables aleatorias X
n
pueden estar
denidas en distintos espacios de probabilidad.
{constanten}
Ejemplo 1.6 Para cada n 1 sea X
n
la variable aleatoria constante igual
a n, es decir, P[X
n
= n] = 1. La funcion de distribucion F
n
de X
n
esta dada
por:
F
n
(x) = 11
[n,)
(x),
Luego, entonces
lim
n
F
n
(x) = 0, para toda x R.
Sin embargo, la funcion identicamente cero no es una funcion de distribucion.
Esto es, a un cuando para toda x R el lim
n
F
n
(x) existe, el lmite no
es funcion de distribucion, por lo tanto la sucesion (X
n
)
n1
no converge en
distribucion.
Ejemplo 1.7 Sea X una variable aleatoria N(0, 1). Para cada n 1 sea
X
n
la variable aleatoria denida por:
X
n
() = (1)
n
X().
La distribucion de X
n
es tambien N(0, 1), por lo tanto, X
n
D
X.
De este ejemplo se puede concluir que a un cuando las variables aleatorias
esten denidas en el mismo espacio de probabilidad, la convergencia en dis-
tribucion no nos da informacion acerca de la convergencia de las variables
aleatorias, pues en este caso,
|X
n
X| =
_
2X, si n es par,
0, si n es impar.
Ejemplo 1.8 Sea (X
n
)
n1
una sucesion de variables aleatorias independi-
entes e identicamente distribuidas Exponenciales con parametro > 0. Sea
M
n
= max {X
1
, ..., X
n
} y
Z
n
= M
n
log n,
1.4. CONVERGENCIA EN DISTRIBUCI

ON 15
enotonces, para cada x R y n tal que x + log n > 0
F
n
(x) = P[Z
n
x] = P[M
n

1

(x + log n)]
= (1 exp(
1

(x + log n))
n
=
_
1
e
x
n
_
n
.
Por lo tanto,
lim
n
F
n
(x) = exp(e
x
).
La funcion
F(x) = exp(e
x
),
es una funcion de distribucion llamada la distribucion Gumbel. Es decir
Z
n
D
Z, donde Z es una variables aleatoria con distribucion Gumbel.
Ejemplo 1.9 Sea (X
n
)
n1
una sucesion de variables aleatorias uniformes
en (0, 1). Sea M
n
= max {X
1
, ..., X
n
} y
Z
n
= n(M
n
1).
Claramente las variables aleatorias Z
n
toman valores en (, 0). Entonces,
para cada x > 0,
P[Z
n
x] = 1, para toda n 1.
Para x < 0 y n tal que
x
n
+ 1 (0, 1), tenemos
F
n
(x) = P[Z
n
x] = P[M
n

x
n
+ 1]
=
_
x
n
+ 1
_
n
.
De donde
lim
n
F
n
(x) = exp((x)), si x < 0.
La funcion
F(x) =
_
1, si x > 0,
exp((x)), si x 0,
16 CAP

ITULO 1. CONVERGENCIA
es una funcion de distribucion llamada Distribucion Weibull con parametro
= 1, es decir
Z
n
D
Z,
donde Z es una variable aleatoria con distribucion Weibull con parametro
= 1.
En general, es bastante difcil demostrar la convergencia en distribucion pues
la forma de estas funciones en ocasiones (como por ejemplo, en el caso Gaus-
siano) no es cerrada, es decir, se expresa en terminos de una integral. No solo
eso sino que como veremos mas adelante en lo que llamaremos el Teorema de
Lmite Central, los resultados importantes de convergencia en distribuci on
se reeren no a sucesiones particulares de variables aleatorias, sino a suce-
siones de variables aleatorias independientes e identicamente distribuidas con
la unica condicion adicional de la existencia de segundo momento nito.
Por otro lado, recuerdese que la funcion caracterstica caracteriza a la
funcion de distribucion, por lo que intuitivamente se podra esperar alguna
relacion entre la convergencia de las funciones caractersticas de una sucesi on
de variables aleatorias y su convergencia en distribucion. El siguiente Teo-
rema (de Levy-Cramer o Teorema de Continuidad de Levy) es en este sentido.
Teorema 1.9 Teorema de Levy-Cramer o de Continuidad de Levy. Una
sucesion de variables aleatorias (X
n
)
n1
converge en distribucion a la vari-
able aleatoria X si y solo para toda t R la sucesion (
n
(t))
n1
de sus
corespondientes funciones caractersticas converge a la funcion caracterstica
(t) de X.
Observese que en el Ejemplo 1.6 la funcion caracterstica de X
n
esta dada
por:

n
(t) = e
itn
,
y lim
n
e
itn
no existe, pues e
itn
= cos(tn) + isen(tn), por lo que tanto su
parte real como imaginaria oscilan cuando n .
Teorema 1.10 Teorema de Lmite Central (Clasico). Sea (X
n
)
n1
una sucesion
de variables aleatorias independientes identicamene distribuidas con esper-
anza y varianza
2
. Entonces
S
n
n

n
D
X,
donde X es una variable aleatoria N(0, 1).
1.4. CONVERGENCIA EN DISTRIBUCI

ON 17
Demostracion
Por el Teorema de Levy-Cramer es suciente demostrar que las funciones
caractersticas convergen. Para cada n 1, sea Y
n
=
Xn

, entonces
S
n
n

n
=
1

n
n

j=1
Y
j
.
Las variables aleatorias Y
1
, Y
2
, ... son independientes e identicamente dis-
tribuidas con media cero y varianza uno. Luego entonces

n
(t) = E
_
exp
_
it
S
n
n

n
__
= E
_
exp
_
it
1

n
n

j=1
Y
j
__
=
n

j=1
E
_
exp
_
it
1

n
Y
j
__
_

Y
1
_
t

n
__
n
.
donde
Y
1
es la funcion caracterstica de Y
1
(de hecho de todas las variables
aleatorias Y
n
).
De la expansion de la funcion caracterstica ?? se obtiene:

n
(t) =
_
1
t
2
2n
+o
_
1
n
__
.
Cuando n ,
_
1
t
2
2n
+o
_
1
n
_
_
e
t
2
/2
que es la funcion caracterstica
de una variable aleatoria N(0, 1).
2
Ejemplo 1.10 Una Aplicacion a Muestreo. En un lote de focos hay una
fraccion desconocida p de focos defectuosos. Utilizando el muestreo con reem-
plazo, se desea encontrar p con un error no mayor de 0.005.
Observese que
p =
N umero de focos defectuosos
N umero de focos en el lote
.
Sean X
1
, ..., X
n
variables aleatorias independientes Bernoulli con parametro
p. De la Ley de Fuerte de los Grandes N umeros, tenemos que
Sn
n
c.s.
p, por
18 CAP

ITULO 1. CONVERGENCIA
lo que para n grande se puede considerar a
Sn
n
como un estimador de p. La
Ley de Los Grandes N umeros no da suciente informacion pues no dice cual
es la velocidad de convergencia. Mas precisamente se desea encontrar n tal
que
P
_

S
n
n
p

< 0.005
_
> 0.95,
Observese que
P
_

S
n
n
p

< 0.05
_
= P
_

S
n
np
_
p(1 p)n

<
0.05n
_
p(1 p)n
_
.
Por el Teorema de Lmite Central se tiene que
S
n
np
_
p(1 p)n
D
X,
donde X es una variable aleatoria N(0, 1).
As, sea z
0
tal que N(z
0
) N(z
0
) = 0.95, donde N() = P[X ].
(Este valor se puede encontrar en las tablas de la distribucion Gaussiana) y
n sucientemente grande tal que
0.05

n
_
p(1 p)
z
0
,
esto es,
n 400p(1 p)z
2
0
.
En esta ultima expresion interviene p que es deconocida, sin embargo, inde-
pendientemente de su valor
1
4
p(1 p).
Luego entonces basta tomar n 100z
2
0
.
1.5 Evolucion del Problema
La Ley de los Grandes N umeros y el teorema de Lmite Central presenta-
dos son resultados sobre la convergencia de sumas normalizadas de vari-
ables aleatorias independientes e identicamente distribuidas, las primeras
1.5. EVOLUCI

ON DEL PROBLEMA 19
demostraciones (en el caso de variables aleatorias Bernoulli) datan del siglo
XVIII con los trabajos de Bernoulli, Laplace y De Moivre.
Los resultados que se presentan aqu son los llamados clasicos, y como
hemos visto se imponen condiciones fuertes sobre las distribuciones de las
variable aleatorias. Observese que en los casos descritos las variables aleato-
rias se centran con respecto a la media y se normalizan con respecto a la
varianza, ademas de que se supone que son independientes e identicamente
distribuidas.
Sin embargo, dada una sucesion arbitraria de variables aleatorias podramos
preguntarnos si es posible la existencia de una Ley de Grandes N umeros y un
Teorema de Lmite Central en alg un sentido. Mas precisamente este prob-
lema podra plantearse de la siguiente manera:
Dada una sucesion (X
n
)
n1
de variables aleatorias, existen constantes
(a
n
)
n1
, (b
n
)
n1
tales que
S
n
a
n
b
n
,
converja (en probabilidad) a una constante, o (en distribucion) a una dis-
tribucion Gaussiana? Algunas de las respuestas a estas preguntas pueden
consultars en ??, por ejemplo, cuando las variables aleatorias son independi-
entes mas no identicamente distribuidas. Resultados en este sentido existen
tambien cuando se debilita la condicion de independencia ??
En este siglo, Levy plantea un problema mas general:
Encontrar la familia de posibles distribuciones lmites de sumas normal-
izadas de variables aleatorias independientes e identicamente distribuidas, es
decir, sin imponer condiciones sobre la existencia de los momentos. Levy
considera el caso de segundo momento innito y primer momento nito o
innito.
Naturalmente, el problema de posibles distribuciones lmites de sumas
normalizadas de variables aleatorias independientes no necesariamente identicamente
distribuidas surge al mismo tiempo puede consultarse ??.
20 CAP

ITULO 1. CONVERGENCIA
Tarea III
Probabilidad II
1. Demuestre que la Ley Debil de Poisson es un caso particular de la Ley
Debil de Chebyshev.
2. Para cada n 1 sea X
n
una variable aleatoria N(n,
2
). Las variables
aleatorias X
n
, n 1 convergen en distribucion?.
3. Para cada n 1 sea X
n
una variable aleatoria N(,
1
n
). Las variables
aleatorias X
n
, n 1 convergen en distribucion?.
4. Sea (X
n
)
n1
una sucesion de variables aleatorias independientes, identicamente
distribuidas con distribucion Pareto con parametros , K > 0 dada por:
F(x) =
_
0, si x < K
1/
,
1 Kx

, si x K
1/
.
Sea M
n
= max {X
1
, ..., X
n
} y Z
n
=
Mn
(Kn)
1/
. Demuestre que Z
n
D
Z
donde Z es una variable aleatoria con distribucion dada por:
F
Z
(x) =
_
0, si x < 0,
exp(x

), si x 0.
A F
Z
se le conoce como la distribucion Frechet con parametro > 0.
5. Para los incisos (i)-(iv) genere (en el programa de computacion que
sepa usar) muestras de variables aleatorias X
1
, ..., X
n
, independientes
e identicamente distribuidas.
(a) Calcule S
n
=

n
i=1
X
i
,
(b) Calcule
Sn
n
comparelo con el resultado de la Ley de los Grandes
N umeros, para n = 10, 100, 1000, .
(c) Calcule para la muestra generada el proceso emprico N(x) denido
en las notas, compare los resultados con la distribucion de las vari-
ables aleatorias. (Teorema de Glivenko-Cantelli).
(i) Variables aleatorias Bernoulli con parametro p (para tres distintos
valores del parametro).
1.5. EVOLUCI

ON DEL PROBLEMA 21
(ii) Variables aleatorias Binomiales con parametros k, p (para tres
valores distintos de (k, p)).
(iii) Variables aleatorias Exponenciales con parametro > 0 (para
tres valores distintos del parametro).
(iv) Variables aleatorias Gamma con parametros , . (para tres dis-
tintos valores de los parametros.)
6. Compare la distribucion de

n
i=1
X
i
con la aproximacion del Teorema
de Lmite Central, para las variables aleatorias (i)-(iv) del ejercicio
anterior. Es decir, considere X
1
, ..., X
n
v. a.i.i.d. S
n
=

n
i=1
X
i
,
entonces
P[S
n
x] P
_
X
x n

n
2
_
,
donde E[X
i
] = ,V ar(X
i
) =
2
y X es una variable aleatoria N(0, 1).
No use simulaciones en este ejercicio sino la distribucion exacta. Para
n = 10, 30, 50.