Convergencia con variables aleatorias

Virgilio L. Foglia
November 25, 2007

Octubre 2006

Contents
1 Lema de Borel-Cantelli 2
1.1 Deniciones previas . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Lema de Borel-Cantelli . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.1 Corolario . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

2 Desigualdades con variables aleatorias 4

2.1 Desigualdad de Markov . . . . . . . . . . . . . . . . . . . . . . . 4
2.2 Teorema de Tchebichev . . . . . . . . . . . . . . . . . . . . . . . 4
2.3 Desigualdad de Kolmogorov . . . . . . . . . . . . . . . . . . . . . 5
2.3.1 Observacin . . . . . . . . . . . . . . . . . . . . . . . . . . 5

3 Convergencia con variables aleatorias 5

3.1 Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3.2 Conjunto de convergencia . . . . . . . . . . . . . . . . . . . . . . 6
3.3 Convergencia punto a punto . . . . . . . . . . . . . . . . . . . . . 7
3.3.1 Observacin . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.4 Convergencia en casi todo punto . . . . . . . . . . . . . . . . . . 7
3.4.1 Dos denicines equivalentes . . . . . . . . . . . . . . . . 8
3.5 Convergencia en Probabilidad . . . . . . . . . . . . . . . . . . . . 8
3.6 Convergencia en media Cuadrtica . . . . . . . . . . . . . . . . . 9
3.6.1 Teorema . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.7 Convergencia en Distribucin . . . . . . . . . . . . . . . . . . . . 9

4 Relacin entre los tipos de Convergencia 10

4.0.1 Observacin . . . . . . . . . . . . . . . . . . . . . . . . . . 12
4.1 Ejemplos de implicaciones que no son vlidas . . . . . . . . . . . 12
c:t:p P
4.1.1 Ejemplo 1 (Xn ! X : Xn ! X) . . . . . . . . . 12
mc P
4.1.2 Ejemplo 2 (Xn ! X : Xn ! X) . . . . . . . . . 13
mc c:t:p:
4.1.3 Ejemplo 3 (Xn ! X : Xn ! X) . . . . . . . . . 13

1
5 Conservacin por Funciones continuas 14

6 Leyes de los grandes nmeros 15

6.1 Ley dbil de los grandes nmeros . . . . . . . . . . . . . . . . . . 15
6.1.1 Comentarios . . . . . . . . . . . . . . . . . . . . . . . . . 15
6.2 Ley fuerte de los grandes nmeros . . . . . . . . . . . . . . . . . 16
6.2.1 Comentarios . . . . . . . . . . . . . . . . . . . . . . . . . 16

7 Teorema de la Convergencia Dominada 17

p
7.0.2 Ejemplo Xn ! X ; E(Xn ) ! E(X) . . . . . . . . . . 17

8 Alcances de los tipos de convergencia 17

9 Problemas 18
9.0.3 Problema 1 . . . . . . . . . . . . . . . . . . . . . . . . . . 18
9.0.4 Problema 2 . . . . . . . . . . . . . . . . . . . . . . . . . . 21
9.0.5 Problema 3 . . . . . . . . . . . . . . . . . . . . . . . . . . 22

1 Lema de Borel-Cantelli
1.1 Deniciones previas
Sea ( ; A; P ); un espacio de probabilidad, y A1 ; A2 ; :::; An ; :: una sucesin de
sucesos. Notar que cuando se efecta el experimento aleatorio ", y surge como
resultado un ! 2 ; habrn algunos An ; de la sucesin de sucesos, que se
realizarn, y otros que no. Si estamos interesados en los ! 2 ; que hacen que
se realicen por lo menos uno de los An de la sucesin, estaremos interesados
S
1
en el suceso A = Ai : Por otro lado si nos interesan los ! 2 ; que hacen
i=1
que se realicen todos los An de la sucesin, estaremos interesados en el suceso
T
1
A= Ai : En relacin a estos sucesos valen las siguientes proposiciones:
i=1

1
[
Si An An+1 y A = Ai =) P (A) = l{m P (An ) (1)
n!1
i=1

1
\
Si An An+1 y A = Ai =) P (A) = l{m P (An ) (2)
n!1
i=1

Aunque no se demuestran, son bastante naturales. Pero en temas de convergen-

cia con variables aleatorias suelen interesar otros sucesos, tambin construidos
con los An . Por ejemplo pueden intereasar los ! 2 ; que hacen que se realicen
innitos An . De otra manera, no importa cuanto avancemos el indice k; siem-
pre encontraremos ms adelante, sucesos que se realizarn. Se dene entonces
el lmite superior (A1 )de una sucesin de sucesos as:

2
 Lmite superior
1 [
\ 1
A1 = An = f! 2 : ! est en innitos An g (3)
k = 1n = k

Por ltimo, pueden interesar los ! 2 ;que hacen que se realicen todos los An a
partir de cierto indice.Se dene entonces el lmite inferior (A1 )de una sucesin
de sucesos as:
Lmite inferior
[1 \ 1
A1 = An = f! 2 : ! est todos los An a partir de cierto n0 g (4)
k = 1n = k

1.2 Lema de Borel-Cantelli

Sea ( ; A; P ); un espacio de probabilidad, y A1 ; A2 ; :::; An ; :: una sucesin de
sucesos.
X1
(a) Si P (An ) < 1 =) P (A1 ) = 0
n=1
1
X
(b) Si P (An ) = 1 y An son independientes =) P (A1 ) = 1
n=1

Para ambas demostraciones usamos que:

1 [
\ 1 [1
1
P (A ) = P ( An ) pero An es una sucesin decreciente
k = 1n = k n=k
en k ya que
1
[ [1 1
[ 1
[
An An An :::: y usando (2) P (A1 ) = l{m P ( An )
k!1
n=1 n=2 n=3 n=k

Dem(a):
1
[ 1
X
P (A1 ) = l{m P ( An ) l{m P (An ) = 0 (usando la hiptesis)
k!1 k!1
n=k n=k

Dem(b):
1
[ 1
\
P (A1 ) = l{m P ( An ) = 1 l{m P ( Acn )
k!1 k!1
n=k n=k
1
\ m
\ m
Y
Pero P ( Acn ) = l{m P ( Acn ) = l{m (1 P (An ))
m!1 m!1
n=k n=k n=k
p
pero 8p; 0 p 1 vale 1 p e luego
X
m

1
\ m
Y P (An )
P( Acn ) l{m e P (An )
= l{m e n=k = 0 (por hiptesis)
m!1 m!1
n=k n=k
1
Luego resulta que P (A ) = 1:

3
1.2.1 Corolario
1 \
[ 1
Si aplicamos leyes de Morgan a A1 = An resulta
k = 1n = k
1 [
\ 1
(A1 )c = Acn = (Ac )1
k = 1n = k
Luego si en lugar de la sucesin A1 ; A2 ; :::; An ; ::consideramos la sucesin de
complementos, o sea Ac1 ; Ac2 ; :::; Acn ; :el Lema de Borel-Cantelli queda
expresado:
1
X
(a) Si P (Acn ) < 1 =) P (A1 ) = 1
n=1

1
X
(b) Si P (Acn ) = 1 y An son independientes =) P (A1 ) = 0
n=1

2 Desigualdades con variables aleatorias

Ahora se presentan algunos teoremas que permiten en condiciones muy gen-
erales, acotar el calculo de ciertas probabilidades.Como no se asume el conocimiento
de las distribuciones de las v.a. involucradas, solo algunas medias y desvos, las
cotas proporcionadas son en general muy malas desde un punto de vista prctico.
Sin embargo, son muy tiles para estudiar convergencia con variables aleatorias.

2.1 Desigualdad de Markov

9
Sea X una v.a. >
>
=
g : R ! R 0 ; y par
=) P (jXj ") E(g(x))=g(")
g no decreciente en mdulo >
>
;
E(g(x)) < 1

Dem:

Como g(x) g(") para jXj "

y g(x) 0 para jXj < "
Resultar g(x) g(") IjXj " (X)
luego E(g(x)) g(") E(IjXj " (X)) = g(")P (jXj ")

2.2 Teorema de Tchebichev

2 2
Si X es una v.a. con <1 =) P (jX j ") ="2

Dem:

Resulta de tomar en la desigualdad de Markov la v.a, X y g(x) = x2 :

4
2.3 Desigualdad de Kolmogorov
9
X1 ; X2 ; ::; Xn v.a. indep. >
>
E(Xi ) = 0 V ar(Xi ) < 1 >
=
i =) P (max jSi j ") V ar(Sn )="2
X > 1 i n
Si = Xk >
>
;
k=1

2.3.1 Observacin
Si aplicamos la desigualdad de Tchebichev a la v.a. Sn resulta

P (jSn j ") V ar(Sn )="2

Pero en la desigualdad de Kolmogorov aparece P (max jSi j "). Sin embargo

1 i n
como
( )
fjSn j "g max jSi j " resulta P (jSn j ") P (max jSi j ")
1 i n 1 i n

Luego la armacin de Kolmogorov es ms fuerte, ya que

P (jSn j ") P (max jSi j ") V ar(Sn )="2

1 i n

3 Convergencia con variables aleatorias

3.1 Introduccin
Sea un experiento aleatorio ", y un espacio de probabilidad ( ; A; P ). Se dene
la sucesin de variables aleatorias
X1 : !R
X2 : !R
............ y X: !R
Xn : !R
............

Queremos analizar en que sentido podemos hablar de convergencia de la se-

cuencia X1 ; X2 ; :::Xn :::: a X: Obviamente la intencin es ver si para n grande,
podemos reemplazar Xn por X en algn sentido y, en caso armativo, precisar
el alcance de este reemplazo. O sea podremos para n grande:
aproximar P (Xn 5 a) por P (X 5 a) ?
aproximar E(Xn ) por E(X) ?
si Z es otra v.a. denida en el mismo espacio, aproximar Xn ;Z
por X;Z ?

5
Ejemplo Sea el experimento ":"tirar innitas veces una moneda", y supngase
denido un espacio de probabilidad ( ; A; P ):
Luego, un resultado del experimento ", tiene el aspecto:

! = (c; s; s; c; s; c; c; c:s; s; c; s; ::::::)

Sea la variable aleatoria X: "probabilidad de cara en el primer tiro", que en
realidad
es la constante 1/2.
Se denen para cada ! 2 :
X1 (!): "(nmero de caras en la primera tirada de ! )/ 1"
X2 (!): "(nmero de caras en las dos primeras tiradas de ! )/ 2"
X3 (!): "(nmero de caras en las tres primeras tiradas de ! )/ 3"
.......................................................................................
Xn (!): "(nmero de caras en las n primeras tiradas de ! )/ n"
....................................................................................
En este ejemplo queremos investigar, la posible convergencia
de la secuencia de variables aleatorias a la constante 1/2.

3.2 Conjunto de convergencia

Como las variables aleatorias X1 ; X2 ; :::Xn ; ::y X, son en realidad todas fun-
ciones de ! R; notar que para cada ! 2 , X1 (!); X2 (!); :::Xn (!); ::es una
sucesin de nmeros reales, y X(!) es tambin un nmero real. Entonces ! 2
ser un punto de convergencia de la sucesin Xn (!) a X(!) sii

8" > 0; 9no 2 N; tq. si n no =) jXn (!) X(!)j < "

Si designamos ; el conjunto de puntos ! 2 ; en que se da la convergencia
puntual

= f! 2 : 8" > 0; 9no 2 N; tal que si n no =) jXn (!) X(!)j < "g

en palabras: ! ser un punto de convergencia, si 8" > 0; a partir de cierto no

se cumple siempre
jXn (!) X(!)j < "
Pero se expresar este conjunto de otra forma.
8 9
< \ =
= ! 2 : 8" > 0; 9no 2 N; con (jXn (!) X(!)j < ")
: ;
n=n0

8 9
< 1 \
[ =
= !2 : 8" > 0; (jXn (!) X(!)j < ") (5)
: ;
n0 =1n=n0

6
Como nos vemos en la necesidad de vericar el cumplimiento de una innidad
de condicines, denimos para cada " > 0; la sucesin de sucesos
A"n = f! 2 : jXn (!) X(!)j < "g
y entonces como
[ \ [ \
(jXn (!) X(!)j < ") = A"n = A"1
n0 =1n=n0 n0 =1n=n0

= f! 2 : 8" > 0; ! 2 A"1 g (6)

3.3 Convergencia punto a punto

Esta denicin de convergencia es la clsica del anlisis, para la convergencia
de sucesiones de funciones
Xn ! X sii = (7)
O sea, la sucesin de variables aleatorias X1 ; X2 ; :::Xn ; ::converge a la variable
aleatoria X, cuando la sucesin real X1 (!); X2 (!); :::Xn (!); ::converge a X(!),
en todo punto ! 2 .
Notar que en esta denicin, si bin suponemos que tanto las X1 ; X2 ; :::Xn ; :como
X; pertenecen a un mismo espacio de probabilidad ( ; A; P ); no interviene para
nada el P del espacio de probabilidad.

3.3.1 Observacin
Esta denicin de convergencia es demasiado fuerte. Notar que exige, para
todo resultado ! 2 ;la convergencia de la sucesin de nmeros reales X1 (!);
X2 (!); X3 (!); :::::::Xn (!)::: a X(!) Si en el ejemplo, al efectuar el experimento
aleatorio, el resultado es
! = (c; c; c; c; c; c; c; c:c; c; c; c; :::::)
(o sea salen todas caras), la sucesin de valores de las Xn (!) sera 1,1,1,1,1,1,: : :que
claramente no converge a 1/2. La pregunta aqu es: sern "muchos" los ! 2
en que no se da la convergencia?

3.4 Convergencia en casi todo punto

Esta es la primera denicin de convergencia en que haremos uso del concepto
de probabilidad. Aqu s interviene el P del espacio ( ; A; P ): Debemos aceptar
que a veces, como en la observacin anterior, obtendremos como resultado del
experimento aleatorio, un ! 2 en que no se logra la convergencia. Pero si el
conjunto de estos resultados tiene probabilidad cero, no estaremos restringiendo
mucho la denicin de convergencia (o, lo que es lo mismo, si el conjunto ;
de resultados en que se da la convergencia tiene probabilidad 1).Deniremos
entonces:
c:t:p:
Xn ! X sii P( ) = 1 (8)

7
3.4.1 Dos denicines equivalentes
Si recordamos el conjunto de ! 2 ; en que se da la convergencia puntual
= f! 2 : 8" > 0; 9no 2 N; tal que si n no =) jXn (!) X(!)j < "g
que en (5) lo expresamos como:
8 9
< 1 \
[ =
= ! 2 : 8" > 0; (jXn (!) X(!)j < ")
: ;
n0 =1n=n0

obviando detalles, la condicin P ( ) = 1; equivale a pedir que

1 \
[
8" > 0; P ( (jXn (!) X(!)j < ")) = 1
n0 =1n=n0

o sea
Primera denicin: 8" > 0; P (A"1 ) = 1
(9)
y tambin usando (1), esto equivale a:
\
Segunda denicin: 8" > 0; l{m P ( (jXn (!) X(!)j < ")) = 1 (10)
n0 !1
n=n0

Notar que para vericar el cumplimiento de la primera denicin, se puede

usar la parte (a) del Corolario de Borel-Cantelli, ya que si se cumple :
1
X 1
X
8" > 0 P (A"c
n ) = P (jXn (!) X(!)j ") < 1 =) P (A"1 ) = 1
n=1 n=1

Por otro lado, el cumplimiento de la parte (b) del Corolario de Borel-

Cantelli da una condicin suciente para el no cumplimiento de la con-
vergencia en c.t.p. ya que implica P (A"1 ) = 0 6= 1:
Respecto de la segunda denicin, quiere decir que 8" > 0; se podr
encontrar un n0 ; tal que el conjunto de los ! en que vale jXn (!) X(!)j <
" desde n0 en adelante, tendr probabilidad tan cercana a 1 como se
quiera.

3.5 Convergencia en Probabilidad

Analizando el ltimo comentario, todava podemos disminuir las exigencias en
una denicin de convergencia, que sin embargo sea til para las variables aleato-
rias. Eliminando la parte en negrita del comentario (a la segunda denicin de
convergencia en casi todo punto), queda la denicin de convergencia en prob-
abilidad:
P
Xn ! X sii 8" > 0; l{m P (jXn Xj < ") = 1 (11)
n!1

8
Ejemplo En el problema de las monedas, si Cn :"nmero de caras en las n
pn v Bi (n; 1=2): Y como Xn = Cn =n; tambin
primeras tiradas de !" resulta C
E(Xn ) = 1=2; y (Xn ) = 1=(2 n). Luego por Tchebishev
8" > 0; 1 P (jXn (!) 1=2j < ") 1 1=(4n"2 )
P
y tomando lmite para n ! 1; resulta que Xn ! 1=2

3.6 Convergencia en media Cuadrtica

Dada la sucesin X1 ; X2 ; ::; Xn ; :: y X; todas en el mismo espacio ( ; A; P ): Se
dene convergencia en media cuadrtica:
MC
Xn ! X sii l{m E(Xn X)2 = 0 (12)
n!1

Notar que esta denicin de convergencia, a diferencia de la convergencia en

probabilidad, requiere la existencia de las esperanzas E(Xn X)2 :

3.6.1 Teorema
)
l{m E(Xn ) =
n!1 MC
=) Xn !
l{m V ar(Xn ) = 0
n!1

Dem:
E(Xn )2 = V ar(Xn ) + (E(Xn ) )2 y tomando lmite.
Este teorema es til en estadstica, ya que si se tiene una sucesin de
estimadores que son asintticamente insesgados,o sea X1 ; X2 ; : : : ; Xn ; : : : con
MC
E(Xn ) ! ; cuya varianza V ar(Xn ) ! 0; resultar Xn ! ; y tambin, como
p
se ver en (14) esto implica que Xn ! ; o sea la sucesin de estimadores ser
consistente.

3.7 Convergencia en Distribucin

En los cuatro tipos de convergencia estudiados hasta ahora tenamos la sucesin
X1 ; X2 ; X3 ; :::Xn ; :: y X; todas denidas en el mismo espacio ( ; A; P ); y
la convergencia resultaba de exigir distintas condiciones de cercana entre los
miembros de la sucesin y X: Y en el caso de convergencia en casi todo punto,
y en probabilidad, la vericacin de la convergencia sola no ser tarea fcil, ya
que exiga conocer el comportamiento probabilstico conjunto de los elementos
de la sucesin y de X: Que tal si ahora consideramos la sucesin de funciones
de distribucin de las variables que integran la secuencia:
FX1 ; FX2 ; FX3 ; ::::::FXn ; :::
y que esta sucesin de funciones converge a una funcin de distribucin FY ;(que
no tiene porque coincidir con FX ; ya que no hicimos intervenir para nada a X
en esta convergencia, es mas, podemos desconocer a X).Se dice entonces que
D
Xn ! Y: Pero notar que esto es un abuso de notacin por dos motivos:

9
 en realidad la convergencia es entre FXn ! FY
la variable Y es una variable dummy, representa cualquier variable aleato-
ria que tenga por funcin de distribucin a FY : No tiene porqu estar
denida en el espacio ( ; A; P ): La denicin de convergencia en distribu-
cin exige adems una condicin de continuidad:

8
< 9FY funcin de distribucin, tal que
D 8y; punto de continuidad de FY
Xn ! Y sii (13)
: l{m F (y) ! F (y)
Xn Y
n!1

Observacin Considerese dos variables aleatorias X; e Y;ambas N(0;1),

independientes, y denidas en un mismo espacio de probabilidad ( ; A; P ):
Se dene la sucesin:
X; X; X; ::::; X; :::: (o sea X1 = X; X2 = X; :::: etc.)
D
Notar que Xn ! Y pero Xn no converge a Y en ninguno de los cuatro
primeros tipos de convergencia.Y esto es debido a que al ser Xn e Y
independientes, no es posible asegurar su cercana para ningun ! 2 :
(por supuesto, aunque es trivial, vale la convergencia Xn ! X;para los
cuatro tipos de convergencia estudiados).

4 Relacin entre los tipos de Convergencia

Si X1 ; X2 ; :::Xn ; ::y X, estn denidas en un mismo espacio ( ; A; P ) :

c:t:p P D
Xn ! X =) Xn ! X =) Xn ! X =) Xn ! X
(a) (b) (c)
(d) (14)
*
mc
Xn !X

Dem(a):

Si = entonces P ( ) = P ( ) = 1

Dem(b):
\
Como (jXn (!) X(!)j < ") (jXn0 (!) X(!)j < "); resultar
n=n0
0 1
\
P@ (jXn (!) X(!)j < ")A P (jXn0 (!) X(!)j < ") 1
n=n0
como 8" > 0 el lado izquierdo tiende a 1, resulta la tesis.

Dem(c):

10
 tomando x, punto de continuidad de FX ; notar que si

jXn Xj < " y X >x+"

resultar
X " < Xn < X + " y X >x+"
luego x = (x + ") "<X " < Xn < X + " =) Xn > x; o sea:

(jXn Xj < ") \ (X > x + ") (Xn > x)

y complementando

(Xn x) (jXn Xj ") [ (X x + ")

luego FXn (x) P (jXn Xj ") + FX (x + ") y tomando l{m (ya que en x;
n!1
no tenemos asegurada la convergencia de FXn (x))
P
l{m FXn (x) FX (x + ") (usando que Xn ! X)
n!1

y tendiendo " ! 0; (usando la continuidad de FX en x)

l{m FXn (x) FX (x) (15)

n!1

en forma similar, pero partiendo de

(X < x ") (Xn x) [ (jXn Xj ")

y tomando lmite inferior se llega a:

FX (x) l{m FXn (x) (16)

n!1

luego juntando (15) y (16)

___
l{m FXn (x) FX (x) l{m FXn (x)
n!1 n!1

y de aqu sale que l{m FXn (x) = FX (x)

n!1

Dem(d):

Si usamos la desigualdad de Markov aplicada a Xn X y g(x) = x2 ;

2
P (jXn Xj ") E(Xn"2 X) que por hiptesis ! 0; cuando n ! 1:

11
4.0.1 Observacin
En la denicin de convergencia en distribucin se exigi una condicin
de continuidad. Veamos el porqu de esta exigencia. Consideremos la
sucesin de v.a. constantes
1 1 1 1 1
Xn = ; o sea: ; ; ;::::::; ;:::
n 1 2 3 n
Claramente Xn converge a X = 0; en los cuatro primeros tipos de con-
vergencia. Pero veamos que pasa con la convergencia en distribucin:
para x > 0; FXn (x) ! 1 = FX (x)
para x < 0; FXn (x) ! 0 = FX (x)
pero para x = 0; que no es punto de continuidad de FX (x), resulta
FXn (0) ! 0 6= 1 = FX (0): Luego la exigencia de convergencia solo en
los puntos de continuidad de FX (x), permite la validez de la implicacin
(c) anterior.
En (c), si X es una constante, vale el () : O sea vale:
P D
Xn ! c () Xn ! c
Se vern ahora algunos ejemplos de implicaciones que no son ciertas.

4.1 Ejemplos de implicaciones que no son vlidas

c:t:p P
4.1.1 Ejemplo 1 (Xn ! X : Xn ! X)
1
Sea la sucesin X1 ; X2 ; ::; Xn ; :: de v.a. independientes con: P (Xn = 0) = 1 n
1 P c:t:p
y P (Xn = 1) = n probar que Xn ! 0 pero sin embargo Xn 9 0:
Solucin:
1
Como 8" > 0; l{m P (jXn 0j < ") = l{m (1 n) = 1 resulta que
n!1 n!1
P
Xn ! 0: Veamos la convergencia en casi todo punto. Deno
1
8" > 0; A"c
n = fjXn 0j "g ; con P (A"c
n )=
n
1
X 1
X
1 c:t:p
Como P (A"c
n )= n = 1 =) P (A"1 ) = 0 6= 1. Luego Xn 9 0:
n=1 n=1

Observacin:
1
Notar que si la funcin de probabilidad de las Xi fuese P (Xn = 0) = 1 n2
1 P 1
y P (Xn = 1) = n2 resultara tambin que Xn ! 0 (ya que l{m (1 n2 ) = 1)
n!1
1
X 1
X
c:t:p 1
y adems Xn ! 0 ya que ahora P (A"c
n )= n2 < 1 =) P (A"1 ) = 1:
n=1 n=1

12
 mc P
4.1.2 Ejemplo 2 (Xn ! X : Xn ! X)
1
Sea la sucesin X1 ; X2 ; ::; Xn ; :: de v.a. independientes con: P (Xn = 0) = 1 n
1 P mc
y P (Xn = n) = n probar que Xn ! 0 pero sin embargo Xn 9 0:

Solucin
1
Como 8" > 0; l{m P (jXn 0j < ") = l{m (1 n) = 1; resulta que
n!1 n!1
P
Xn ! 0: Veamos ahora la convergencia en media cuadrtica.
1 1
l{m E(Xn 0)2 = l{m E(Xn )2 = l{m 02 (1 ) + n2 = l{m n = 1
n!1 n!1 n!1 n n n!1

luego no se cumple la convergencia en media cuadrtica.

mc c:t:p:
4.1.3 Ejemplo 3 (Xn ! X : Xn ! X)
Sea U v U (0; 1) y se dene la sucesin de v.a. Xn = n IfU < 1 g .Vericar que
n
la sucesin converge c.t.p. a 0; pero no en media cuadrtica.

Solucin:

Por de pronto notar que se trata de una sucesin de v.a. no independientes,

ya que todas las Xi ; dependen de la misma variable aleatoria U: Para aplicar el
corolario de Borel-Cantelli deno:

n o n "o
8" > 0; A"c
n = fjXn 0j "g = n IfU < 1
g " = IfU < 1
g
n n n
"
como siempre n > 0;
" 1 1
P (IfU < 1
g ) = P (IfU < 1
g = 1) = P (U < n ) = n
n n n

1
X 1
X
1
luego P (A"c
n )= n = 1: Como esta serie no es convergente, no podemos
n=1 n=1
concluir que P (A"1 ) = 1; como queramos. Pero tampoco que P (A"1 ) = 0; ya
que la segunda implicacin del corolario de Borel-Cantelli exige que los A"n sean
independientes, y aqu esto no es cierto. Sin embargo notar que 8u > 0; todas
c:t:p:
las Xn = 0 a partir de n > u1 . Luego Xn ! 0: Veamos la convergencia en
media cuadrtica.

l{m E(Xn 0)2 = l{m E(n IfU < 1

2
l{m n2 E( If2U
g ) = n!1 < 1
g)
n!1 n!1 n n

1 1
= l{m n2 P (U < ) = l{m n2 = l{m n = 1
n!1 n n!1 n n!1
Luego no se cumple la convergencia en media cuadrtica.

13
5 Conservacin por Funciones continuas
Tanto la convergencia punto a punto, en casi todo punto como en probabilidad
se conservan a travs de las funciones continuas.O sea:

Si g : R2 ! R es continua, valen:
Xn ! X; Yn ! Y =) g(Xn ; Yn ) ! g(X; Y )
c:t:p c:t:p c:t:p (17)
Xn ! X; Yn ! Y =) g(Xn ; Yn ) ! g(X; Y )
p p p
Xn ! X; Yn ! Y =) g(Xn ; Yn ) ! g(X; Y )
Dem: (solo para convergencia c.t.p.)
Sea
X = f! : Xn (!) ! X(!)g con P ( X ) = 1
Y = f! : Yn (!) ! Y (!)g con P ( Y ) = 1
como
0 P ( X \ Y )c = P ( cX [ cY ) P ( cX ) + P ( cY ) = 0
Luego resulta tambin que P ( X \ Y ) = 1. Pero si ! 2 X \ Y ;es punto de
convergencia de Xn (!) y de Yn (!);y al ser g continua, ser punto de convergencia
tambin de g(Xn ; Yn ). O sea,

! 2 f! : g(Xn ; Yn ) ! g(X; Y )g

luego vale la inclusin

X \ Y f! : g(Xn ; Yn ) ! g(X; Y )g

y tomando probabilidad

1 = P( X \ Y ) P f! : g(Xn ; Yn ) ! g(X; Y )g 1

Luego P f! : g(Xn ; Yn ) ! g(X; Y )g = 1; y resulta la tesis.

ctp ctp
En particular si Xn ! X; Yn ! Y valdrn tambin:
ctp
Xn + Yn ! X + Y
ctp
Xn Yn ! XY
ctp
Xn =Yn ! X=Y (si P (Y = 0) = 0)

p p
Y si Xn ! X; Yn ! Y valdrn tambin:
p
Xn + Yn ! X + Y
p
Xn Yn ! XY
p
Xn =Yn ! X=Y (si P (Y = 0) = 0)

14
 Notar que este teorema de conservacin no vale para la convergencia en
distribucin, o sea
d d d
Xn ! X; Yn ! Y ; g(Xn ; Yn ) ! g(X; Y )

ya que al ser tanto X como Y; variables dummy, no conocemos su compor-

tamiento conjunto, y por lo tanto tampoco el de g(X; Y ):
Sin embargo vale
d d
Xn ! X =) g(Xn ) ! g(X)

6 Leyes de los grandes nmeros

6.1 Ley dbil de los grandes nmeros
Sea la sucesin de v.a.no correlacionadas X1 ; X2 ; X3 ; :::; Xn ; :::con
2
E(Xi ) = i y V ar(Xi ) = i

1
P
n
Sea X n = n Xi ; y la nueva sucesin X 1 ; X 2 ; X 3 ; :::; X n ; : : : Luego si:
i=1
p
l{m V ar(X n ) = 0 =) Xn E(X n ) !0
n!1

Dem:

Usando Tchebichev P ( X n E(X n ) ") V ar(X n )="2 ;y tomando lmite.

6.1.1 Comentarios
2 2
Notar que si las i estn acotadas, o sea si 8i; i K

1 2 2 1
V ar(X n ) = ( 1 + :: + n) nK = K=n ! 0
n2 n2
luego vale la ley dbil.
Sean X1 ; X2 ; X3 ; :; Xn ; observaciones i.i.d de una v.a. X con media ;
y desvo : Como E(X n ) = y V ar(X n ) = 2 =n ! 0. Resulta que
p
Xn !0

o sea
p
Xn !
Notar que esto justica el tomar el promedio de observaciones independi-
entes de una v.a. X; como una estimacin de su media :

15
 Supngase un experiento aleatorio ", y un espacio de probabilidad ( ; A; P ):Sea
A ; un suceso del cual queremos estimar P (A): Ahora se repite en
forma independiente el experimento ", registrando cada vez el valor de la
v.a.
1 si ! i 2 A
Xi = IA (! i ) =
0 si ! i 2
=A
luego

E(Xi ) = E(IA (! i )) = P (A) y V ar(Xi ) = V ar(IA (! i )) = P (A)(1 P (A))

Se tiene entonces la sucesin

p de v.a. i.i.d. IA (! 1 ); IA (! 2 ); :::; IA (! n )::con
media P (A) y desvo P (A)(1 P (A)): Segn el resultado anterior re-
p
sultar IA (! n ) ! :P (A):Pero:

IA (! n ) = (IA (! 1 ) + IA (! 2 ) + ::: + IA (! n ))=n

= (# realizaciones de A en las n repeticionesde ")=n
= frecuencia relativa de A = fr A

Luego
p
fr A ! P (A)

6.2 Ley fuerte de los grandes nmeros

Sea la sucesin de v.a.independientes X1 ; X2 ; X3 ; :::; Xn ; :::con
2
E(Xi ) = i y V ar(Xi ) = i

1
P
n __ __ __ __
Sea X n = n Xi ; y la nueva sucesin X 1 ; X 2 ; X 3 ; :::; X n : : : ; :Luego si:
i=1

1
X
2 2 c:t:p
i =i <1 =) Xn E(X n ) !0
i=1

6.2.1 Comentarios
2 2
Notar que si las i estn acotadas, o sea 8i; i K;
1
X 1
X 1
X
2 2
i =i K 2 =i2 K2 1=i2 < 1
i=1 i=1 i=1

luego vale la ley fuerte.

Por este motivo se aplican los comentarios hechos respecto de la ley dbil
y valdrn
c:t:p: c:t:p:
Xn ! y fr A ! P (A) :

16
 Se mencionar la Ley fuerte de Kolmogorov. Sea la sucesin de v.a
P
n
iid X1 ; X2 ; X3 ; :::; Xn ; :::con E(Xi ) = . Sea X n = n1 Xi ;y la nueva
i=1
sucesin X 1 ; X 2 ; X 3 ; :::; X n ; :Luego :
c:t:p:
Xn !

Notar que este teorema agrega la exigencia que las variables esten idn-
ticamente distribudas,con media comn , pero que no requiere la
existencia de 2 :

7 Teorema de la Convergencia Dominada

Una sucesin de v.a.Xn puede converger a otra v.a. X; sin embargo no siempre
ocurre que la sucesin de medias E(Xn ) converge a E(X):Las condiciones para
esto se dan en el siguiente Teorema(Lebesgue).Sean la sucesin X1 ; X2 ; :::; Xn ; :::
y las v.a. X y Z; todas en el espacio ( ; A; P ):Con

Z 0; E(Z) < 1; y jXn j Z 8n

Luego s:
p
Xn ! X =) E(Xn ) ! E(X)

p
7.0.2 Ejemplo Xn ! X ; E(Xn ) ! E(X)
1 1
Sea X1 ; X2 ; : : : ; Xn ; : : :con P (Xn = 0) = 1 n y P (Xn = n) = n. Probar que
p
Xn ! 0 pero E(Xn ) 9 E(X) = 0:Como:
1 p
8" > 0; l{m P (jXn 0j < ") = l{m (1 ) = 1 luego Xn ! 0
n!1 n!1 n
pero:
1 1
8n; E(Xn ) = 0(1 ) + n = 1 luego E(Xn ) ! 1 6= 0 = E(X)
n n n!1

8 Alcances de los tipos de convergencia

Planteamos en la introduccin, en el caso de convergencia, si para n grande
podremos en algn sentido reemplazar Xn ; por X; precisando el alcance de
este reemplazo. O sea si podemos:

Aproximar P (Xn 5 a) por P (X 5 a) ?

D
Si se cumple Xn ! X; resultar l{m FXn (x) = FX (x) en todo x de
n!1
continuidad.de FX (x):Esto es l{m P (Xn 5 a) = P (X 5 a) O sea, ya
n!1
que la convergencia en distribucin es la ms dbil de los cuatro tipos de

17
 convergencia estudiados, la aproximacin de P (Xn 5 a) por P (X 5 a)
ser vlida para las cuatro convergencias, solo con la restriccin que FX (x)
sea continua en a:
Aproximar E(Xn ) por E(X) ?
Vimos que si se cumplen las hiptesis del Teorema de Convergencia Dom-
inada la aproximacin de E(Xn ) por E(X) s ser posible.
si Z es otra v.a. en el mismo espacio, aproximar Xn ;Z por X;Z ?
p p
Dado que Xn ;Z = [E(Xn Z) E(Xn )E(Z)] = E(Xn2 ) E 2 (Xn ) 2 aqu
Z
nuevamente necesitaremos el Teorema de Convergencia Dominada, para
asegurar el cumplimiento de:
p p p
E(Xn Z) ! E(XZ); E(Xn ) ! E(X); E(Xn2 ) ! E(X 2 )
2 2
y desde ya, suponiendo que X 6= 0; y Z 6= 0:

9 Problemas
9.0.3 Problema 1
Supongase que la concentracin de una substancia en un producto
medicinal es una variable aleatoria C v N ( c ; c ); en p.p.m.(partes
por milln).Y que para determinar esta concentracin se utiliza un
instrumento, que tiene un error aleatorio E v N (0; e ):Para atenuar
el efecto del error del instrumento, se propone efectuar n determi-
naciones de concentracin y promediarlas. Dado que en cada deter-
minacin el valor que proporciona el instrumento es Xi = C + Ei ;
el promedio de n determinaciones ser
__ (C + E1 ) + (C + E2 ) + (C + E3 ) + :::: + (C + En )
Xn =
n
E1 + E2 + E3 + :::En
= C+
n
Se quiere estudiar la posible convergencia de
X 1 ; X 2 ; X 3 ; :::::; X n ; : : : ! C
Notar que en trminos prcticos, esto justicara la propuesta de
efectuar n determinaciones y promediarlas, ya que esto atenua el
efecto del error del instrumento. Podemos tomar como experimento
aleatorio a
" : "tomar un producto y determinar la concentracin una innidad de veces"
y el espacio muestral en que estn denidas todas estas variables
aleatorias a:
= f! : ! = (c; e1 ; e2 ; e3 ; :::::; en ; :::::); c = "concentracin"; ei = "errores"g

18
 (a) Convergencia punto a punto

Tomemos un producto cuya concentracin es c =10 ppm, y supongamos que

en todas las determinaciones del instrumento el error es ei =2 ppm, luego

! = (10; 2; 2; 2; :::::; 2; :::::)

y la sucesin X 1 ; X 2 ; X 3 ; :::::; X n ; : : :quedara 12; 12; 12; :::; 12; ::: 9 10

claramente no convergente. Luego no se cumple la convergencia funcional.
ya que 6= :

(b) Convergencia en probabilidad

Tenemos que ver si 8" > 0; l{m P ( X n C < ") = 1

n!1
pero P ( Xn C < ") = P ( C + E1 +E2 +En
3 +:::En
C < ")
E1 +E2 +E3 +:::En
= P( p n p < ")
= (" n= e)p ( " n= e)
=1 2 ( " n= e) ! 1(para n ! 1)
P
Luego X n ! C:

(c) Convergencia en casi todo punto

Habra que ver s

\ __
8" > 0; l{m P ( ( Xn C < ")) = 1
n0 !1
n=n0

Pero mejor utilicemos la otra denicin: 8" > 0; P (A"1 ) = 1;tratando de

apoyarnos en el corolario del Lema de Borel-Cantelli. Denimos
n __ o
A"c
n = ! 2 : Xn C "

Luego __ p
P (A"c
n ) = P( X n C ") = 2 ( " n= e)

O sea:
1
X 1
X p
P (A"c
n )= 2 ( " n= e)
n=1 n=1

Pero a partir de cierto u0 vale ( u) 1=u4 luego ( PROBARLO)

1
X nX
0 1 1
p 2 4e X 1
P (A"c
n ) 2 ( " n= e) +
n=1 n=1
" 4 n = n n2
0

que es convergente, entonces por__

el corolario de Borell-Cantelli resulta que
" c:t:p:
P (A1 ) = 1; y de aqu sale que X n ! C:

19
 (d) Convergencia en media cuadrtica
__
Tengo que analizar l{m E( X n C)2 = l{m E( E1 +E2 +E n
3 +:::En 2
) =
n!1 n!1 h 2
i
l{m E 2 ( E1 +E2 +E
n
3 +:::En
) + V ar( E1 +E2 +E
n
3 +:::En
) = l{m 0 + n
e
=0
n!1 __ n!1
mc
Luego X n ! C:

(e) Convergencia en distribucin

Consideremos la sucesin F_X_ ; F_X_ ; F_X_ ; ::::::F_X_ ; :::

__ 1 2 3 __ n
p
Como X n = C + E1 +E2 +E 3 +:::En
n p resultar X n ~N ( c; 2 + 2 =n)
c e
Luego FX (u) = ((u
_ _ )= 2 2
+ e =n)
c c
n p
pero l{m (u 2 + 2 =n = (u
c )= c e c )= c y al ser funcin continua
n!1
resulta l{m FX
_ _ (u) = ((u c )= c ) = FC (u)
n!1 n
__
d
Luego Xn ! C:

(b) y (c) de otra forma

Considrese la sucesin de variables aleatorias independientes

2
E1 ; E2 ; E3 ; :::; En ; ::: conE(Ei ) = 0 V ar(Ei ) = e

__
1
P
n
y la sucesin de E n = n Ei como
i=1

__ 2 __
e p
V ar( E n ) = ! 0 vale la Ley dbil y E n ! 0
n n!1

1
X 1
X
2 2 2
Adems como e =i = e 1=i2 < 1 vale tambin la Ley fuerte y
i=1 i=1
__
c:t:p:
En !0

Consideremos ahora la sucesin de variables aleatorias C; C; C; :::; C; :::se tendr

tambin que
p c:t:p:
C !C y C ! C
Luego aplicando la conservacin de la convergencia a travs de funciones con-
tinuas(y la suma lo es)
__ __ __
p p p p
C ! C; E n ! 0 =) (C + E n ) ! C o sea X n ! C
__ __ __
c:t:p: c:t:p: c:t:p: c:t:p:
C ! C; En ! 0 =) (C + E n ) ! C o sea X n !C

20
9.0.4 Problema 2
Sean X1 ; X2 ; :::; Xn ; :: v.a. i.i.d. U (0; ): Se denen:
X(1)n = m{n(X1 ; X2 ; ::; Xn ); X(n)n = max(X1 ; X2 ; ::; Xn )
Un = nX(1)n ; Vn = n( X(n)n )
Probar que:
p
(a) X(1)n ! 0
p
(b) X(n)n !
d
(c) Un ! U; con U v G(1; 1 )
d
(d) Vn ! V; con V v G(1; 1 )
En lo que sigue se usar lo siguiente:
FX(1)n (x) = P (X(1)n x) = 1 P (X(1)n > x)
= 1 P [(X1 > x) \ (X2 > x) \ \ (Xn > x)]
Q
n
x n n
=1 P (Xi > x) = 1 =1 1 x
i=1
FX(n)n (x) = P (X(n)n x) = P [(X1 x) \ (X2 x) \ \ (Xn x)]
Q
n
= P (Xi x) = ( x )n
i=1

Sol(a):
8" > 0; l{m P ( X(1)n 0 < ") = l{m P (X(1)n < ")
n!1 n!1
" n
= l{m FX(1)n (") = l{m 1 1 =1
n!1 n!1

Sol(b):
8" > 0; l{m P ( X(n)n < ") = l{m P ( (X(n)n ) < ")
n!1 n!1
= l{m P (X(n)n > ") = 1 l{m P (X(n)n ")
n!1 n!1
" n " n
= 1 l{m FX(n)n ( ") = 1 l{m ( ) =1 l{m (1 ) =1
n!1 n!1 n!1

Sol(c):
u
Analicemos FUn (u) = P (Un u) = P (nX(1)n u) = P (X(1)n n)
n n
= FX(1)n ( nu ) = 11 u
n =1 1 u=n
h n i u
u=
l{m FUn (u) = l{m 1 1 n =1 e
n!1 n!1
u
pero si FU (u) = 1 e resulta U ~G(1; 1 ); luego resulta la tesis.
Sol(d):
v
Analicemos FVn (v) = P (Vn v) = P (n( X(n)n ) v) = P (X(n)n n)
n
v v v=
=1 FX(1)n ( n) =1 (1 n )n = 1 1 n
h ni v
v=
luego l{m FVn (v) = l{m 1 1 n =1 e
n!1 n!1
resulta V v G(1; 1 ); luego resulta la tesis.
v
pero si FV (v) = 1 e

21
9.0.5 Problema 3
Sean X1 ; X2 ; :::; Xn ; :: v.a. i.i.d. U (0; ): Hallar el lmite en c.t.p. de
n
Y 1
Yn = ( Xi ) n
i=1

Sol: expresando
1
P
n
n ln Xi
Yn = e i=1

y como la sucesin de v.a. independientes .ln X1 ; ln X2 ; ::; ln Xn ; ::tiene

Z
1 2
E(ln Xi ) = ln x dx = ln 1; y V ar(ln Xi ) = <1
0

y
1
X 1
X
2 2 2
i =i = 1=i2 < 1
i=1 i=1

1
P
n c:t:p:
por la Ley Fuerte resulta n ln Xi ! ln 1; y por el Teorema
i=1
de Conservacin. de Convergencia para funciones continuas

1
P
n
n ln Xi c:t:p:
Yn = e i=1 ! eln 1
= e 1

22