Professional Documents
Culture Documents
1
Aplicació 1: Definició freqüentista de probabilitat.
Considerem un esdeveniment A de probabilitat P (A). Repetim n cops l’experiment de
manera independent, i sigui
(
1, si a la repetició i-èsima succeeix A,
Xi =
0, en cas contrari.
Les variables Xi són independents, totes amb la mateixa distribució, concretament són de
tipus Bernoulli i
P {Xi = 1} = P (A), P {Xi = 0} = 1 − P (A),
i
E[Xi ] = P (A).
També tenim que com les v.a. tenen totes la mateixa distribució, totes les variàncies són
iguals i finites (ja que E[Xi2 ] = P (A) ≤ 1).
D’altra banda, la mitjana mostral
n
1X
Xn = Xi
n i=1
E(Xi ) = a Var(Xi ) = σ 2 .
2
La primera condició en (1) s’interpreta com absència d’error sistemàtic en els mesura-
ments. Si suposem a més que les v.a. X1 . . . , Xn són independents (això és raonable si
els resultats d’un mesurament no condicionen els resultats dels següents), podem aplicar
el Teorema anterior.
En aquest cas obtenim que
n
1X P
Xi −→ a.
n i=1
En conseqüència, la mitjana aritmètica dels resultats dels mesuraments d’una constant
fı́sica a convergeix en probabilitat, en tendir el nombre de mesuraments a infinit, al valor
d’aquesta constant.
***************************
L’aplicació més important a Estadı́stica és que lla Llei feble dels Grans Nombres ens
diu que la mitjana mostral és un estimador (feblement, perquè la convergència és en
probabilitat) consistent de la mitjana poblacional o esperança.
Donat un paràmetre θ de la llei d’una v.a. X, que volem estimar, i {θ̂n }n una successió
d’estimadors de θ és diu que és feblement consistent si
P
θ̂n −→ θ, quan n → ∞.
Si la convergència anterior és també quasi segura es diu que {θ̂n }n es una successió d’es-
timadors de θ fortament consistent.
El concepte de consistència s’interpreta intuı̈tivament com que, conforme anem prenent
més observacions a la nostra mostra, més ens anem aproximant al valor real del paràmetre,
cosa que és d’esperar que passi si realment els estimadors són bons.
convergeix en probabilitat a E(X1 ) = E(X) = µ. Això és el mateix que dir que la
successió d’estimadors de µ donada per {X n } és feblement consistent.
3
Aplicació 4. La variància mostral és un estimador consistent de la variància
poblacional
Donada una mostra d’una v.a. X es defineixen diversos estimadors de la variància
poblacional
σ 2 = Var(X).
Els més importants són la variància mostral (sense corregir):
n
1X
S̃n2 = (Xi − X n )2
n i=1
on hem aplicat el desenvolupament del quadrat d’una diferència. Tenint en compte que
dintre del sumatori X n no és més que una constant, la darrera expressió és igual a
n n
1X 2 1X 1
S̃n2 = Xi − 2X n Xi + n(X n )2 .
n i=1 n i=1 n
obtenim que
n n
1X 2 1X 2
S̃n2 = Xi − 2(X n )2 + (X n )2 = X − (X n )2 ,
n i=1 n i=1 i
4
que és precisament el que volı́em veure. La Llei dels Grans Nombres ens diu que com les
Xi2 també són independents i amb la mateixa distribució que X 2 , aleshores
n
1X 2 P
X −→ E(X 2 )
n i=1 i
i també, la Llei dels Grans Nombres ens diu que
P
X n −→ E(X).
Per tant,
n
1X 2 2
S̃n2 = Xi − (X n )2 −→
P
E(X 2 ) − E(X) = Var(X).
n i=1
En quant a la variància mostral corregida, tenim que
n
Sn2 = S̃ 2 .
n−1 n
n
Llavors, com n−1
tendeix a 1 i S̃n2 tendeix a σ 2 , tenim que també
Sn2 −→
P
σ2.
És a dir, usant el llenguatge estadı́stic, tenim que les dues variàncies mostrals són estima-
dors feblement consistents de la variància poblacional σ 2 .
L’enunciat de la Llei feble dels Grans Nombres que hem provat es pot millorar en el
sentit que es pot obtenir convergència quasi segura i a més es pot suprimir la hipòtesi que
existeixin moments de segon ordre.
Teorema 1.2. (Llei Forta dels Grans Nombres de Kolmogorov) Siguin X1 , . . . , Xn , . . .
v.a. independents, idènticament distribuı̈des (és a dir, totes les v.a. Xn tenen la mateixa
distribució). Suposem que les Xi tenen esperança finita i sigui µ = E(X1 ).
Aleshores n
1X
Xi −→ µ q.s..
n i=1
La prova d’aquest resultat és molt laboriosa (i gens fàcil!!) i per tant no la fem.
Com a conseqüència d’aquesta llei tenim que la convergència de les freqüències re-
latives d’ocurrència d’un esdeveniment en n proves independents cap a la probabilitat
de l’esdeveniment no només és en probabilitat sinó també quasi segurament. També la
convergència de les mitjanes aritmètiques dels mesuraments cap a la constant fı́sica a no
és només en probabilitat sinó quasi segura.
Finalment, com aplicació a l’Estadı́stica, tenim que la successió de mitjanes mostrals
és una successió d’estimadors fortament consistent de la mitjana poblacional µ i, si
la nostra v.a. X té moment de segon ordre finit, les variàncies mostrals són estimadors
fortament consistents de la variància poblacional σ 2 .