Académique Documents
Professionnel Documents
Culture Documents
1
Si A tiene probabilidad nula, dos variables X y X 0 iguales sobre Ac son iguales c.
s.; dicho de otra forma, la restriccion de X a Ac ya determina la clase de equivalencia X
de X. Una aplicacion medible de Ac en la recta real extendida (por ejemplo la restriccion
de X a Ac ) se llama v.a.r. definida c.s.. Siempre es posible prolongar una v.a. definida
c. s. a una v.a. en (, , P ) (por ejemplo dando el valor 0 como imagen de los puntos
donde no esta definida).
El interes de los espacios de probabilidad completos consiste en que se puede modificar
arbitrariamente una v.a. X sobre una parte de probabilidad 0 sin modificar el caracter
medible de X (ni, desde luego, su clase de equivalencia). Es importante observar que
completizando un espacio de probabilidad se aumenta el numero de v.a. pero no se intro-
duce ninguna nueva clase de equivalencia.
La introduccion de la probabilidad provoca nuevos tipos de convergencia que ahora
pasamos a estudiar.
Definicion 1.1 Se dice que una sucesion (Xn ) de v.a.r. converge c.s. si lim sup Xn =c.s.
lim inf Xn . El lmite de (Xn ) es entonces cualquiera de las v.a. de la clase de equivalencia
de la v.a. lim sup Xn .
De modo equivalente, podemos decir que la sucesion (Xn ) converge c.s. a la v.a. X,
representado por Xn c.s. X, cuando P (Xn X) = 1. Senalemos que en el modo de
convergencia definido tambien se consideran las convergencias a los valores + y .
De lo dicho anteriormente se desprende que esta convergencia es en realidad entre clases
de equivalencia, hecho que podemos expresar como:
Si Xn c.s. X y Xn =c.s. Yn para todo n, entonces tambien Yn c.s. X,
si Xn c.s. X y Xn c.s. Y , entonces X =c.s. Y.
Algunas propiedades evidentes de este tipo de convergencia resultan evidentes y son
consecuencia del tipo de argumento que hemos venido utilizando. Por su utilizacion mas
habitual, enunciamos algunas:
Si Xn c.s. X y Yn c.s. Y , entonces:
a) Xn + Yn c.s. X + Y
b) Xn .Yn c.s. X.Y
c) Xn /Yn c.s. X/Y
<
d) si f : < es continua: f (Xn ) c.s. f (X)
2
d*) Si Xn c.s. X y f : < < es una funcion continua en todos los puntos de un
conjunto C tal que P (X C) = 1, entonces f (Xn ) c.s. f (X).
En el resto del captulo consideraremos que todas las v. a. que intervienen son finitas
(aunque despues de las consideraciones anteriores es obvio que bastara suponer que son
finitas c.s.). En este caso la convergencia Xn c.s. X puede expresarse en terminos del
conjunto
[
\
\ 1
CX = { : |Xn () X()| < }, (1)
k=1 m=1 n=m k
[
\
\ \ 1
CCauchy = { : |Xn () Xn0 ()| < }. (2)
k=1 m=1 n=m n0 =m k
!
[
lim P
m
(|Xn X| > ) = 0.
n=m
\
!
[ 1
P { : |Xn () X()| < } = 1 para todo k.
m=1 n=m k
3
Ahora sustituir 1/k para todo k por para todo > 0 es trivialmente posible, y
tomando complementarios llegamos a la condicion equivalente
[
!
\
P { : |Xn () X()| > } = 0 para todo > 0. (3)
m=1 n=m
Finalmente, como los conjuntos n=m { : |Xn () X()| > } estan encajados y
S
[
! !
[ \
P (|Xn X| > ) & P (|Xn X| > ) = 0 para todo > 0.
n=m m=1 n=m
Nota 1.2.1 Es importante observar que la condicion expresada en (3) es igualmente una
caracterizacion de la convergencia Xn c.s. X, que tambien puede expresarse como
P (lim sup{ : |Xn () X()| > }) = 0 para todo > 0. (4)
Habitualmente sera casi imposible evaluar directamente P ( n=m (|Xn X| > )), por
S
4
que puede simplificarse algo eliminando uno de los contadores sin mas que tener en
cuenta que
(|Xn Xn0 | > ) (|Xn Xm | > /2) (|Xn0 Xm | > /2),
por lo que tambien podemos obtener la caracterizacion siguiente.
Proposicion 1.5 La sucesion (Xn )n es de Cauchy c.s. si y solo si para todo > 0,
!
[
lim P (|Xn Xm | > ) = 0.
m
n=m
5
de ese conjunto. Esto significa que para garantizar que se da la convergencia Xn (0 )
X(0 ) en un punto 0 , basta con asegurar que ese punto esta en algun conjunto en el
que se de una convergencia uniforme. En consecuencia, tomando la sucesion de conjuntos
1/n que el enunciado garantiza para cada valor de n, en el conjunto := n=1 1/n
tendramos convergencia y su probabilidad verifica P ( ) P (1/n ) > 1 1/n para todo
n, lo que nos lleva a P ( ) = 1. 2
CONVERGENCIA EN PROBABILIDAD.
6
sentencia (recordemos que la igualdad casi seguro implica la igualdad en distribucion), y
la segunda es consecuencia de un argumento habitual en este tipo de convergencia:
Como (X 6= Y ) = (|X Y | > 0) = n=1 (|X Y | > 1/n), para probar que X =
c.s.
Y
bastara probar que P (|X Y | > ) = 0 para todo > 0, por lo que consideramos la
contencion conjuntista elemental (|X Y | > ) (|X Z| > /2) (|Z Y | > /2), que
nos lleva a
P (|X Y | > ) P (|X Xn | > /2) + P (|Xn Y | > /2) 0,
concluyendo que efectivamente P (|X Y | > ) = 0.
Como en el caso de la convergencia casi segura, tambien aqu manejaremos el concepto
de sucesion de Cauchy.
Definicion 1.9 Una sucesion (Xn )n es de Cauchy en probabilidad si para todo > 0,
P (|Xn Xm | > ) 0 cuando n, m .
Volviendo a la relacion entre las convergencias c.s. y en probabilidad, es facil obtener
contraejemplos que muestran que la convergencia en probabilidad no implica la conver-
gencia c.s. Si recurrimos a un espacio probabilstico como el intervalo (0, 1] con la medida
de Lebesgue, que ya nos es familiar, podemos construir un ejemplo sencillo basado en una
sucesion de conjuntos cada vez mas pequenos pero que continuamente recorren el espacio:
7
da la condicion entonces el mismo argumento de antes nos da la desigualdad n=1 P (|Xn | >
) p
n=1 n , que es una igualdad para cada (0, 1). El corolario 1.4 probara entonces
que la condicion es suficiente, pero si recurrimos a nuestra primera ley 0-1, obtenida a
partir de los lemas de Borel-Cantelli, los sucesos (independientes) (Xn = 1) ocurriran
infinitas veces con probabilidad 0 o 1, y sera con probabilidad 0 si y solo si n=1 pn < .
Esto demuestra que P (lim sup{ : |Xn ()| > }) = 0 si y solo si n=1 n < , y la
p
caracterizacion de la convergencia casi seguro obtenida en (4) prueba el resultado.
Nota 1.10.1 Observese que la primera parte del ejemplo solo involucra las distribuciones
individuales de las variables. Sea cual sea la relacion de dependencia probabilstica entre
las variables la conclusion sera la misma. La segunda parte, en cambio, esta comple-
tamente vinculada a un tipo concreto de relacion (la independencia) que junto con las
distribuciones individuales determina completamente la distribucion conjunta de toda la
sucesion. Tambien podemos anticiparnos a un resultado general que obtendremos a conti-
nuacion, notando que si la sucesion (pn )n converge a 0, podemos garantizar que existe una
subsucesion (pnk )k tal que la serie
k=1 pnk < , y que esta condicion, por el primer lema
de Borel-Cantelli (o si se quiere por el corolario 1.4) garantiza la convergencia casi seguro
de la correspondiente subsucesion (Xnk )k cualquiera que sea la relacion de dependencia
que exista entre las variables.
Otra cuestion destacable es que nuestra intuicion matematica sobre la convergencia de
funciones se queda un poco perdida ante esta convergencia en la que difcilmente podremos
recurrir a una variable candidata a ser la variable lmite de la sucesion. Sin embargo esta
dificultad podra a menudo sortearse a partir de la caracterizacion de la convergencia en
probabilidad en terminos de la casi seguro que obtendremos pronto.
Proposicion 1.11 Si la sucesion (Xn )n converge en probabilidad a la variable X, en-
tonces existe una subsucesion (Xnk )k que converge casi seguro a X
Demostracion: La idea de la demostracion es muy parecida a la que hemos destacado en
la nota anterior. La dificultad anadida en la situacion general es que las variables no solo
toman los valores 0 y 1, por lo que la forma en la que se de la aproximacion juega su
papel. En otras palabras, para distintos s tendramos distintas subsucesiones con series
convergentes. Para resolver este problema recurriremos a un proceso diagonal, habitual
en el pensamiento matematico.
De la definicion de convergencia en probabilidad obtenemos que para cada k existira un
ndice Nk tal que P (|Xn X| > 1/k) < 21k para todo n Nk . Para construir la sucesion
de ndices comenzamos definiendo n1 = N1 , n2 = sup{N2 , n1 + 1} y, de forma recurrente
nk = sup{Nk , nk1 + 1}, .
Por el corolario 1.4 bastara con probar que para todo > 0 se tiene
k=1 P (|Xnk X| >
) < , pero debemos notar que si k0 es el primer k mayor que 1/, para cualquier k k0
se verificara que P (|Xnk X| > ) P (|Xnk X| > 1/k) < 21k , que garantiza que la serie
es convergente.2
8
matematica del lmite presente en la definicion 1.8:
> 0, > 0 N : P (|Xn X| > ) < n N.
Podramos haber optado por una mayor exigencia tambien en nuestra medida de cercana
entre las variables, recurriendo en ambos casos a 21k , sin que la demostracion hubiera
cambiado en nada. En realidad hemos recurrido a cantidades diferentes para resaltar mas
las posibilidades que nos ofrece este juego. Cuando comparamos contra una variable
fija las aproximaciones pueden ser mas lentas, pero si aplicamos un argumento similar
a sucesiones de Cauchy en probabilidad necesitamos una velocidad mas rapida en las
aproximaciones que consideremos para evitar que la acumulacion de infinitas cantidades
pequenas resulte demasiado grande. Recurriendo a 21k en ambos casos y repitiendo el
argumento de la demostracion anterior aplicado a una sucesion de Cauchy en probabilidad,
conseguiramos una subsucesion (Xnk )k que verificara 1
k=1 P (|Xnk Xnk+1 | > 2k ) < ,
y por el corolario 1.6 sera de Cauchy casi seguro. Como las sucesiones de Cauchy casi
seguro son convergentes casi seguro (hacia alguna variable X) tendremos, por tanto, una
variable X que nos servira como candidata a lmite en probabilidad de la sucesion global.
Como consecuencias de estas observaciones enunciamos los siguientes resultados, de los
que solo el segundo necesita completar algun detalle.
Proposicion 1.12 Si una sucesion (Xn )n es de Cauchy en probabilidad, entonces existe
una subsucesion (Xnk )k que es de Cauchy casi seguro.
Proposicion 1.13 Una sucesion (Xn )n es de Cauchy en probabilidad si y solo si es con-
vergente en probabilidad.
Demostracion: Por supuesto la convergencia en probabilidad implica trivialmente la
condicion de Cauchy en probabilidad. Para probar el recproco recurriremos a una sub-
sucesion (Xnk )k de Cauchy casi seguro, garantizada por la proposicion anterior, y a su
lmite c.s. que llamaremos X. Entonces podemos comparar la sucesion original con esta
variable, obteniendo
P (|Xn X| > ) P (|Xn Xnk | > /2) + P (|Xnk X| > /2)
por ser de Cauchy en probabilidad. 2
9
(Xn )n es de Cauchy c.s. si y solo si (Xni )n es de Cauchy c.s. para todo i = 1, 2, . . . , k.
Por otra parte, en <k todas las normas son equivalentes y manejando k(x1 , . . . , xk )k =
supi=1,...,k |xi | y k(x1 , . . . , xk )k1 = ki=1 |xi | se deduce sin dificultad que:
Veamos ahora como emplear esta propiedad d*) para probar que las operaciones ha-
bituales entre sucesiones que convergen en probabilidad mantienen esta convergencia:
10
Supongamos que Xn p X y Yn p Y . Entonces tambien los vectores aleatorios
(Xn , Yn ) p (X, Y ) y las operaciones suma o producto son continuas en <2 , por lo que
la aplicacion de d*) garantiza que Xn + Yn X + Y o que Xn .Yn p X.Y , e incluso,
si P (Y = 0) = 0 (la operacion cociente es continua en todos los puntos del conjunto
< (< {0})) podramos garantizar que Xn /Yn p X/Y .
Estos argumentos triviales contrastan fuertemente con los que todava pueden encon-
trarse en algunos textos, en los que cada uno de estos resultados se obtendra por argu-
mentos ad hoc mucho mas complejos. El lector queda invitado a realizar una demostracion
directa de d*) sin utilizar la caracterizacion de la convergencia en probabilidad en terminos
de la casi seguro.
11