Capı́tol 5.

Teoremes lı́mit de la teoria de la Probabilitat

Primera Part

Els coneguts com a teoremes lı́mit de la Teoria de la Probabilitat constitueixen dos

tipus de resultats anomenats genèricament Lleis dels Grans Nombres i Teorema Central
del Lı́mit. Comencem amb el primer tipus.

1 Lleis dels Grans Nombres

S’anomena Llei dels Grans Nombres qualsevol proposició que estableix, sota certes condi-
cions, la convergència en probabilitat o bé quasi segura de les mitjanes aritmètiques d’un
nombre creixent a infinit de variables aleatòries. Si tenim convergència en probabilitat
parlem de Llei Feble dels Grans Nombres i si la convergència és quasi segura parlem de
Llei Forta dels Grans Nombres
Teorema 1.1. (Llei feble dels grans nombres). Sigui {Xn n ≥ 1} una successió de varia-
bles aleatòries amb moment de segon ordre finit, independents i idènticament distribuı̈des.
Sigui a l’esperança comuna de les Xn . Aleshores
n
1X P
Xi −→ a.
n i=1

Demostració: (del Teorema) Posem X n = n1 ni=1 Xi (aquesta variable aleatòria s’ano-

P
mena la mitjana mostral de X1 , . . . , Xn ). Tenim que
n n
1X 1X
E[X n ] = E(Xi ) = a = a,
n i=1 n i=1
i per la independència entre les v.a. X1 , . . . , Xn
n
1 X Var(X1 )
Var(X n ) = 2 Var(Xi ) = .
n i=1 n
Sigui ara ε > 0; per la desigualtat de Txebixev,
Var(X n ) Var(X1 )
0 ≤ P {|X n − a| ≥ ε} = P {|X n − E(X n )| ≥ ε} ≤ 2
= −→ 0,
ε ε2 n
quan n → ∞. Això ja dóna la convergència en probabilitat que buscàvem. 
Comentari: Si ens fixem, en la demostració l’únic lloc on hem usat la independència de
les v.a. de la successió és en el fet que la variància de la suma és suma de variàncies.
Com sabem, aquesta propietat també es compleix si les v.a. són incorrelacionades dos
a dos, cosa que és menys exigent que demanar que les v.a. siguin independents. És a
dir, també es compleix la conclusió del teorema anterior només suposant que les v.a. són
incorrelacionades dos a dos.

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

és, precisament, la freqüència relativa d’ocurrències d’A en les n repeticions de l’experi-

ment. Per tant la llei feble dels grans nombres assegura la convergència en probabilitat
de les freqüències relatives a la probabilitat de l’esdeveniment.

Aplicació 2: La regla de la mitjana aritmètica.

La Llei Feble dóna fonament a la regla de la mitjana aritmètica utilitzada en el processa-
ment dels resultats de mesuraments de magnituds fı́siques (pesos, longituds, forces..) als
laboratoris: per a l’estimació del valor d’una constant fı́sica desconeguda a mitjançant n
mesuraments de la seva magnitud es recomana prendre la mitjana aritmètica d’aquests
mesuraments.
Vegem la fonamentació: Suposem que X1 , . . . Xn són els resultats dels n mesuraments
de la constant a.
Degut a que habitualment els mesuraments van acompanyats d’error i no podem predir
el resultat de cada mesurament considerem que el resultat de l’ i-èsim mesurament és una
v.a.
X i = a + εi ,
on εi és l’error que es comet en l’i-èsim mesurament. Suposem que les εi , tenen totes la
mateixa distribució i que

E(εi ) = 0 Var(εi ) = σ 2 . (1)

Aquestes propietats impliquen que

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.

Aplicació 3. Consistència de la mitjana mostral com a estimador de la mitjana

poblacional
sigui X una certa v.a. amb moment de segon ordre finit i sigui X1 , X2 , . . . , Xn , . . . una
successió d’observacions independents de X. Aleshores la Llei feble dels Grans Nombres
ens diu que la successió de mitjanes mostrals
n
1X
Xn = Xi
n i=1

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

i la variància mostral corregida (que és la més usada):

n
1 X
Sn2 = (Xi − X n )2
n − 1 i=1

Vegem que, quan n → ∞,

S̃n2 −→
P
σ2.
En efecte, es pot provar fàcilment la següent fórmula (que és possible que conegueu d’Es-
tadı́stica Descriptiva):
n
2 1X 2
S̃n = X − X n )2 .
n i=1 i
Fem la prova:
n n
1X 1X 2
S̃n2 = (Xi − X n )2 = (X − 2Xi X n + (X n )2 ),
n i=1 n i=1 i

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

Finalment, tenint en compte que

n
1X
Xn = Xi ,
n i=1

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 .