Professional Documents
Culture Documents
n
k=1
X
k
n
E(X)
_
= 0.
El adjetivo debil ha sido introducido para distinguir este resultado de la llamada ley fuerte
de los n umeros grandes, que establece que en realidad la convergencia del promedio emprico
a la esperanza es casi segura. En terminos del juego de la ruleta americana, la ley de los n umeros
grandes nos indica que el valor promedio de la ganancia de la casa de apuestas por jugador tiende
a E(X) = 0,05263, y por lo tanto es positivo. Es decir, aunque de vez en cuando apareceran
jugadores afortunados que ganaran 35 dolares, la ley de los n umeros grandes establece siempre
existira una cantidad sucientemente grande de apuestas a partir de las cuales el balance para
la casa es favorable.
La demostracion de la ley debil de los n umeros grandes es sencilla, y se basa en la siguiente
observacion.
Lema 2.2. Sean X
1
, . . . , X
n
variables aleatorias centradas no correlacionadas de a pares. Luego
29
30 CAP
UMEROS GRANDES
V ar(X
1
+ + X
n
) = V ar(X
1
) + + V ar(X
n
).
Demostraci on. (Prueba de la ley debil de los n umeros grandes). Sea > 0. Por la
desigualdad de Tchebytschev y el lema anterior
P(|
X
1
+ +
X
n
|/n > )
1
2
V ar(X
1
)
n
.
Claramente el miembro izquierdo tiende a 0 cuando n tiende a .
La ley debil de los n umeros grandes sigue siendo valida si suponemos solo que la sucesion
de variables aleatorias es integrable. Veremos este resultado como un caso particular de la ley
fuerte de los n umeros grandes. Por otra parte, una variaci on del Lemma 2.2, demostrada por
Bengt von Bahr y Carl-Gustav Esseen, permite facilmente generalizar el Teorema 2.6.
Lema 2.3. (Desigualdad de von Bahr-Esseen). Sea {X
n
: n 1} una sucesi on de variables
aleatorias independientes y centradas. Luego para todo 1 r 2 se tiene que
E
k=1
X
k
r
4
n
k=1
E(|X
k
|
r
). (2.1)
Observaci on. Este resultado fue publicado en 1965 en The Annals of Statistics. El 4 que
aparece en el lado derecho de (2.1) se puede mejorar por un 2.
El primer paso para probar la desigualdad de von Bahr-Esseen, es el siguiente resultado de
Clarkson de 1936, introducido para el estudio de espacios uniformemente convexos.
Lema 2.4. (Desigualdad de Clarkson). Si 1 r 2, entonces para todo par de reales x e
y se tiene que
|x + y|
r
+|x y|
r
2(|x|
r
+|y|
r
).
Demostraci on. La desigualdad es trivialmente cierta para y = 0 o para r = 1. Luego, como
ambos miembros de la desigualdad son funciones pares, basta suponer que x y > 0 y r > 1.
Denimos t = y/x. Luego tenemos que probar que
(1 + t)
r
+ (1 t)
r
2(1 + t
r
).
Si f(r) = (1 + t)
r
+ (1 t)
r
y g(r) = 2(1 + t
r
), notemos que
g
(r) = 2t
r
lnt 0.
Ademas
f
(r) = (1 + t)
r
ln(1 + t) + (1 t)
r
ln(1 t).
Como f(2) = g(2), es suciente demostrar que f
(r) = (1 + t)
r
(ln(1 + t))
2
+ (1 t)
r
(ln(1 t))
2
0.
Luego, basta probar que f
(1) 0. Pero
f
EBIL DE LOS N
UMEROS GRANDES 31
En efecto, basta notar la segunda derivada de la funcion g(x) = xln x, es positiva, y por lo
tanto es una funcion convexa. Luego f
(r) 0.
Necesitamos un lema antes de probar la desigualdad de von Bahr-Esseen. En lo que sigue,
dada una variable aleatoria X, designaremos por X
|
r
4E|X|
r
. (2.3)
Supongamos ahora que la distribucion de Y condicionada a X es simetrica. Luego E|X+Y |
r
=
E|X Y |
r
, y de (2.2) tenemos que
E|X Y |
r
E|X|
r
+ E|Y |
r
. (2.4)
Demostraremos la desigualdad de von Bahr-Esseen ocupando un argumento de induccion. Cla-
ramente la desigualdad se satisface para n = 1. Supongamos ahora que es cierta para n m.
Luego
E|S
m+1
|
r
= E|S
m
+ X
m+1
|
r
E|S
m
+ X
m+1
X
m+1
|
r
E|S
m
|
r
+ E|X
m+1
X
m+1
|
r
E|S
m
|
r
+ 4E|X
m+1
|
r
,
donde en la primera desigualdad hemos ocupado el Lemma 2.5, en la segunda la desigualdad
(2.4) y en la tercera la desigualdad (2.3). Por lo tanto es cierta para n = m+1, lo que termina
la demostracion.
Teorema 2.6. (Ley debil de los n umeros grandes: versi on con momentos de orden
r > 1). Consideremos una sucesi on {X
n
: n 1} de variables aleatorias i.i.d. con momentos
de orden r nitos, y r > 1. Luego, para todo > 0 se tiene
lm
n
P
_
n
k=1
X
k
n
E(X)
_
= 0.
32 CAP
UMEROS GRANDES
Proseguimos con una generalizaciones de la ley debil. La primera debilita la condicion de
integrabilidad.
Teorema 2.7. (Ley debil de los n umeros grandes generalizada). Sea {X
n
: n 1}
una sucesi on de variables aleatorias i.i.d. en un espacio de probabilidad (, M, P). Luego las
siguientes condiciones son equivalentes.
(i) Existe una sucesi on {a
n
: n 1} tal que para todo > 0,
lm
n
P
_
n
k=1
X
k
n
a
n
_
= 0.
(ii) lm
n
nP(|X| n) = 0.
Adem as, si (i) se satisface, necesariamente
a
n
= E(X1
|X|n
).
Demostraci on. Primero probamos que (ii) implica (i). Denimos X
n
= X
n
1
|Xn|n
. Por la
desigualdad de Tchebychev, para cada > 0
P
_
n
k=1
X
k
n
E(X
n
)
2
n
E((X
n
)
2
) + nP(|X
1
| n). (2.5)
Pero
E((X
n
)
2
) =
_
n
n
x
2
dF
X
1
(x) = n
2
(F
X
1
(n) F
X
1
(n)) 2
_
n
n
xF
X
1
(x)dx
= n
2
(F
X
1
(n) F
X
1
(n)) + 2
_
n
0
x(F
X
1
(x) F
X
1
(x))dx
= n
2
(F
X
1
(n) + 1 F
X
1
(n)) + 2
_
n
0
x(F
X
1
(x) + 1 F
X
1
(x))dx
= n
2
P(|X
1
| n) + 2
_
n
0
xP(|X
1
| x)dx. (2.6)
Esto prueba que el primer termino del lado derecho de la desigualdad (2.5) tiende a 0 cuando
n tiende a .
Corolario 2.8. Sea {X
n
: n 1} una sucesi on de variables aleatorias i.i.d. simetricas en un
espacio de probabilidad (, M, P). Luego las siguientes condiciones son equivalentes.
(i) Para todo > 0,
lm
n
P
_
n
k=1
X
k
n
_
= 0.
(ii) lm
n
nP(|X| n) = 0.
Ejemplo. El teorema anterior muestra que la ley debil de los n umeros grandes se puede
satisfacer aunque la distribucion com un de la sucesion no sea integrable. Por ejemplo, tomemos
F
X
denida por
1 F
X
(x) =
1
xln x
.
2.1. LA LEY D
EBIL DE LOS N
UMEROS GRANDES 33
La siguiente generalizacion de la ley debil de los n umeros grandes, muestra que incluso la
hipotesis de independencia no es necesaria.
Denici on 2.9. (Arreglo triangular). Un arreglo triangular de variables aleatorias es un
conjunto {X
n,k
} de variables aleatorias indexadas por n 1 y 1 k n.
Teorema 2.10. Consideremos un arreglo triangular {X
n,k
} de variables aleatorias integrables
en un espacio de probabilidad (, M, P). Luego, las siguientes condiciones son equivalentes.
(i) Para todo > 0,
lm
n
P
_
1
n
n
k=1
X
n,k
1
n
n
k=1
E(X
n,k
)
>
_
= 0.
(ii)
lm
n
E
_
(
n
k=1
(X
n,k
E(X
n,k
)))
2
n
2
+ (
n
k=1
(X
n,k
E(X
n,k
)))
2
_
= 0.
Demostraci on. Para probar que (ii) implica (i) basta ocupar la desigualdad de Tchebychev
con la funcion x
2
/(n
2
+ x
2
). Ahora notemos que si Y es una variable aleatoria arbitraria, se
tiene que para tod > 0,
P(|Y | )
_
x
2
1 + x
2
dF
Y
(x)
2
.
Eligiendo Y =
(
P
n
k=1
(X
n,k
E(X
n,k
)))
2
n
2
+(
P
n
k=1
(X
n,k
E(X
n,k
)))
2
, vemos que esto implica que
E
_
Y
2
1 + Y
2
_
2
+ P(|Y | ).
Como > 0 es arbitrario, esto muestra que (i) implica (ii).
Tenemos el siguiente corolario con una condicion mas explcita.
Corolario 2.11. Sea {X
n,k
} un arreglo triangular de variables aleatorias de cuadrado inte-
grable en un espacio de probabilidad (, M, P). Supongamos que las siguientes condiciones se
satisfacen:
(i)
n
k=1
V ar(X
n,k
) = o(n
2
).
(ii) lm
n
sup
k,j:|kj|n
Cov(X
n,k
, X
n,j
) = 0,
Luego, para todo > 0 se tiene que
lm
n
P
_
1
n
n
k=1
X
n,k
1
n
n
k=1
E(X
n,k
)
>
_
= 0.
Pero la condici on (ii) implica que los dos terminos del lado derecho convergen a 0 cuando n
tiende a .
34 CAP
UMEROS GRANDES
Demostraci on. Por el Teorema 2.10, vemos que basta probar que
lm
n
1
n
2
E
_
_
_
n
k=1
(X
n,k
E(X
n,k
))
_
2
_
_
= 0.
La esperanza en esta expresion se puede escribir como
n
k=1
V ar(X
n,k
) +
1k,jn
Cov(X
n,k
, X
n,j
).
Por la hipotesis (i), basta probar que
lm
n
1
n
2
1k,jn
Cov(X
n,k
, X
n,j
) = 0.
Ahora, Cov(X
n,k
, X
n,j
)
_
V ar(X
n,k
)V ar(X
n,j
) V ar(X
n,k
) +V ar(X
n,j
). Luego, solo tene-
mos que probar que para todo > 0 existe un m tal que
lmsup
n
1
n
2
1k,jn:|kj|m
Cov(X
n,k
, X
n,j
) .
Pero esto es evidentemente cierto porque el termino del lado izquierdo de esta exresion es menor
o igual a sup
k,j:|kj|m
Cov(X
n,k
, X
n,j
) que tiende a 0 por la condicion (ii).
Una aplicacion interesante de la ley de los n umeros grandes para demostrar una version del
teorema de aproximacion de Weierstrass.
Teorema 2.12. (Teorema de Bernstein). Consideremos una funci on continua f en el in-
tervalo [0, 1]. Luego, los polinomios de Bernstein
B
n
(x) =
n
k=0
f(k/n)
_
n
k
_
x
k
(1 x)
nk
,
aproximan uniformemente a f en [0, 1].
2.2. Una version elemental de la ley fuerte de los n umeros gran-
des
La convergencia en probabilidad, en la ley debil de los n umeros grandes, se puede facilmente
transformar en convergencia casi segura, si le exigimos mas a la sucesion de variables aleatorias
i.i.d.
Teorema 2.13. (Versi on elemental de la ley fuerte de los n umeros grandes). Con-
sideremos una sucesi on {X
n
: n 1} de variables aleatorias i.i.d. con momentos de orden 4
nitos. Luego
P
_
lm
n
n
k=1
X
k
n
= E(X
1
)
_
= 1.