CAPITULO 2.

LEY DE LOS NUMEROS

GRANDES

34

n. Por el Teorema 2.10, vemos que basta probar que

Demostracio

!2
n
X
1
E
(Xn,k E(Xn,k )) = 0.
lm
n n2
k=1

La esperanza en esta expresion se puede escribir como

n
X

V ar(Xn,k ) +

Cov(Xn,k , Xn,j ).

1k,jn

k=1

Por la hipotesis (i), basta probar que

1
n n2
lm

Cov(Xn,k , Xn,j ) = 0.

1k,jn

Ahora, Cov(Xn,k , Xn,j ) V ar(Xn,k )V ar(Xn,j ) V ar(Xn,k ) + V ar(Xn,j ). Luego, solo tenemos que probar que para todo > 0 existe un m tal que
lm sup
n

1
n2

Cov(Xn,k , Xn,j ) .

1k,jn:|kj|m

Pero esto es evidentemente cierto porque el termino del lado izquierdo de esta exresion es menor
o igual a supk,j:|kj|m Cov(Xn,k , Xn,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 intervalo [0, 1]. Luego, los polinomios de Bernstein
Bn (x) =

n
X
k=0

f (k/n)

n
k

xk (1 x)nk ,

aproximan uniformemente a f en [0, 1].

2.2.

Una versi
on elemental de la ley fuerte de los n
umeros grandes

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). Consideremos una sucesi
on {Xn : n 1} de variables aleatorias i.i.d. con momentos de orden 4
finitos. Luego
Pn


k=1 Xk
= E(X1 ) = 1.
P lm
n
n

 ELEMENTAL DE LA LEY FUERTE DE LOS NUMEROS

2.2. UNA VERSION

GRANDES35
n. Basta probar que para todo > 0,
Demostracio

 Pn

 k=1 Xk

E(X1 )
lm sup 
n
n

P c.s.

Es decir que


 Pn

 k=1 Xk



P 
E(X1 ) > i.o. = 0.
n

(2.7)

Ahora, si Yk = Xk E(Xk ), vemos que

n
X



 Pn

 k=1 Xk
1


E(X1 ) > 4 4 E
P 
n
n

Pero
E

n
X
k=1

Yk

!4

Ocupando el hecho que E(Y

(2.8) esta acotada por

E(Yi Yj Yk Yl ) = nE(Y14 ) +

i,j,k,l

)2

k=1

Yk

!4

(2.8)

n(n 1)
E(Y12 )2 .
2

E(Y 2 ), vemos entonces que la probabilidad en la ecuacion

2 1
E(Y 4 ).
4 n 2
Como esto define una serie sumable, el lema de Borel-Cantelli implica (2.7).
Ahora estudiaremos una contraparte del lema de Borel-Cantelli estudiado en el captulo
anterior, que nos permitira obtener algunas conclusiones sobre las condiciones bajo las que se
satisface una ley de los n
umeros grandes.
Teorema 2.14. (Segundo P
lema de Borel-Cantelli). Sea {An } una sucesi
on de eventos
independientes que satisface
P
(A
)
=
.
Luego
n
n=1
P (An i.o.) = 1.

(2.9)

n. Sean k > n naturales. Luego

Demostracio
P (kj=n Acj ) = kj=n (1 P (Aj )) e

Pk

j=n

P (Aj )

donde hemos ocupado la desigualdad 1 x ex . Luego, P (

j=1 Aj ) = 1, lo que claramente
implica (2.9).
Una aplicacion interesante de este resultado es la siguiente.
Teorema 2.15. Sea {Xn } una sucesi
on de variables aleatorias i.i.d. Supongamos que X1 no
es integrable. Luego
!
n
1X
Xk existe = 0.
P lm
n n
k=1


CAPITULO 2. LEY DE LOS NUMEROS
GRANDES

36

Teorema 2.16. (Condici

on necesaria para la ley fuerte). Sea {Xn : n 1} una sucesi
on
de variables aleatorias i.i.d. en un espacio de probabilidad (, M, P ). Supongamos que X1 no
es integrable. Luego, si {an } es una sucesi
on de n
umeros reales,

 Pn
 k=1 Xk


an  = , P c.s.
lm sup 
n
n

2.3.

La desigualdad de Kolmogorov

Aqu desarrollaremos algunas herramientas que posteriormente nos permitiran demostrar

la ley fuerte de los n
umeros grandes bajo la hipotesis de integrabilidad de los terminos de
la sucesion de variables aleatorias. En el resto de este captulo, dadas variables aleatorias
X1 , . . . , Xn definimos
Sn = X1 + + Xn .
Lema 2.17. (Desigualdad de Kolmogorov). Sean X1 , . . . , Xn variables aleatorias independientes tales que E(Xi ) = 0 y V ar(Xi ) = i2 < para 1 i n. Luego para todo > 0 se
tiene que
Pn
k2
.
P ( sup Sm ) k=1
2
1mn
n. Consideremos los eventos Fm = {|S1 | < , . . . , |Sk1 | < , |Sk | }. Luego
Demostracio
P (Fm )

1
2

R 2
2 dP 1
S
(Sm + (Sn Sm )2 )dP
2
m
Fm

R
2 dP.
= 12 Fm Sm

(2.10)

Ocupando el hecho de que {Sn } = nm=1 Fm , donde la union es disjunta, y sumando sobre
la desigualdad (2.10), terminamos la demostracion.
Tenemos la primera aplicacion de la desigualdad de Kolmogorov.
Teorema 2.18. (Teorema de una serie de Kolmogorov).
Sea {Xn : n 1} una sucesi
on
P
de variables aleatorias independientes centradas tales que
V
ar(X
)
<
.
Luego,
la
serie
n
n=1

Xn ,

n=1

converge c.s.

n. Por la desigualdad de Kolmogorov, para todo > 0 y m n,

Demostracio

1 X
V ar(Xi ).
P ( sup |Si Sm | ) 2

min
k=m+1

Por lo tanto

lm sup P ( sup |Si Sm | ) = 0.

m nm

min

37

2.3. LA DESIGUALDAD DE KOLMOGOROV

Es decir
lm P ( sup |Si Sm | ) = 0.

mi<

Esto implica que existe una subsucesion {mj } de {m} tal que la serie definida por P (supmj i< |Si
Smj | ), es convergente. Por el lema de Borel-Cantelli, esta subsucesion de supmj i< |Si
Smj | converge casi seguramente a 0. Como supmi< |Si Sm | es decreciente, esto implica que
converge casi seguramente a 0.
Teorema 2.19. (Teorema de las dos series de Kolmogorov). Sea {Xn : n 1} una
sucesi
on de variables aleatorias independientes
P n) y
P
P de2 cuadrado integrable. Sea mn = E(X
2
n = V ar(Xn ). Luego, si las series n mn y n n son convergentes, entonces la serie n Xn
converge casi seguramente.
n. Basta aplicar el teorema anterior a la sucesion definida por Xn = Xn mn .
Demostracio
Lema 2.20. Sea {Xn } una sucesi
on de variablesP
aleatorias independientes centradas y acotadas
por
una
constante
K
>
0.
Luego,
si
la
serie
n Xn es c.s. convergente, entonces la serie
P
n V ar(Xn ) es convergente.

n. Consideremos el evento En = {|S1 | C, . . . , |Sn | C}. Necesariamente,

Demostracio
existe un C > 0 y un > 0 tal que P (En ) para todo n. Por otra parte
Z
Z
Z
2
2
2
Sn1 dP + V ar(Xn ).
(Sn1 + Xn )dP
Sn dP =
En1

En1

En1

Ademas
Z

En1

Sn2 dP

En

Sn2 dP + P (En1 Enc )(C + K)2 .

De aqu deducimos que

V ar(Xn )

k=1

1 2
(C + ( + K)2 ).
2

Teorema 2.21. (Teorema de las tres series de Kolmogorov). Sea {Xn : n 1} una
sucesi
on de variables aleatorias independientes. Luego las siguientes afirmaciones son equivalentes.
1. La serie

n Xn

converge casi seguramente.

2. Existe una constante K > 0 tal que la siguientes tres series convergen,
X

P (|Xn | > K),

X
n

E(Xn 1|Xn |K ),


CAPITULO 2. LEY DE LOS NUMEROS
GRANDES

38
y

V ar(Xn 1|Xn |K ).

P
n. Supongamos que la serie n Xn converge casi seguramente. Por la segunda
Demostracio
parte del lema de Borel-Cantelli se tiene que necesariamente la primera serie es convergente.
P
Ademas, casi seguramente existe un N tal que |Xn | K para n N . Luego se tiene que n Yn
converge c.s. donde Yn = Xn 1|Xn |K . Consideremos ahora para cada
aleatorias
P n, variables

independientes Yn con la misma

la serie n (Yn Yn ) converge c.s.
P ley que Yn . Claramente,
) converge. Pero V ar(Y Y ) = 2V ar(Y ).
Por el lema anterior,
la
serie
V
ar(Y

Y
n
n
n
n
n
n
P
Luego,
la
serie
V
ar(Y
)
es
convergente.
Por
el
teorema
de
una
serie
de
Kolmogorov,
la
serie
n
n
P
P
n (Yn E(Yn ) es c.s. convergente. Por lo tanto
n E(Yn ) es convergente.
Ahora supongamos que las tres series convergen. Por
P el teorema de una serie de Kolmogorov, la convergencia de la tercera serie implica que Pn (Yn E(Yn ) es convergente c.s. La
convergencia de la segunda serie implica entonces que n Yn es c.s. convergente. Finalmente,
la
P primera parte del lema de Borel-Cantelli y la convergencia de la primera serie implica que
n Xn es convergente.
El teorema de una serie de Kolmogorov puede ocuparse para probar que la serie

n=1

cn

sin(2nt)
,
n

donde {cn } son variables aleatorias normales centradas de varianza 1, es c.s. convergente. En
realidad, el lmite es lo que se conoce como movimiento browniano.

2.4.

Ley fuerte de los n

umeros grandes

Tenemos ahora todas las herramientas para demostrar la ley fuerte de los n
umeros grandes.
Comenzaremos con un primer lema sobre sucesiones reales que se puede probar ocupando suma
por partes.
Lema 2.22. Consideremos una sucesion real {xn : n 1} tal que

X
xn

n=1

converge. Luego

1X
xk = 0.
n n
lm

k=1

Teorema 2.23. (Ley fuerte de los n

umeros grandes). Sea {Xn : n 1} una sucesi
on de
variables aleatorias i.i.d. centradas e integrables. Luego
Pn
k=1 Xk
= 0.
lm
n
n


2.4. LEY FUERTE DE LOS NUMEROS
GRANDES

39

n. Para cada n consideremos la variable aleatoria Yn = Xn 1|Xn |n . Notemos

Demostracio
que

P
2
2
n=1 V ar((Yn /n) )
n=1 E((Yn /n) )
R
R
P
P
x2
x2 n|x| n12 dFX1 KE|X|.
n=1 |x|n n2 dFX1 =

Por el teorema de una serie de Kolmogorov, esto implica que

X
Yn E(Yn )

n=1

converge c.s. Ahora,

P (Xn 6= Yn ) =

P (|Xn | > n) < .

n=1

n=1

Luego, por el lema de Borel-Cantelli, la serie

X
Xn E(Yn )

n=1

converge c.s. Por el lema anterior esto implica que

n

1X
(Xk E(Yk ))
n n
lm

k=1

tiende a 0 c.s. Pero lmn E(Yn ) = 0, lo que demuestra el teorema.

Terminamos esta seccion con una aplicacion. Dada una sucesion de variables aleatorias i.i.d.
{Xn } definimos la funci
on de distribuci
on emprica de los primeros n terminos por
n

Fn (x) :=

1X
1(,x] (Xk ).
n
k=1

Teorema 2.24. (Teorema de Glivenko-Cantelli). Sea {Xn } una sucesi

on de variables
aleatorias i.i.d. Luego la funci
on de distribuci
on emprica de los primeros n terminos converge
c.s. a la funci
on de distribuci
on de X1 .
n. Por la ley fuerte de los n
Demostracio
umeros grandes es obvio que para cada x tenemos
que c.s.
lm |Fn (x) FX1 (x)| = 0.

Luego, podemos elegir una colecci

on finita de puntos x1 , . . . , xN tales que F (x1 ) , F (xN )
1 , F (xj+1 ) F (xj ) y c.s.
lm

sup |Fn (xj ) FX1 (xj )| = 0.

n 1jN

Es facil ver ocupando la monotona de FX1 y Fn que esto implica el teorema.