1 Convergencias Estocasticas

En todo este captulo consideraremos un espacio probabilstico (, , P ), que nos servira

como marco de trabajo, al que estaran referidas todas las variables aleatorias (v.a.) que
aparezcan.
Diremos que un suceso A ocurre casi seguro (c.s.) cuando su probabilidad es 1
o, lo que es equivalente, cuando la probabilidad de que no ocurra A es 0. En particular,
por ejemplo, diremos que dos variables X e Y son iguales c.s. cuando P (X = Y ) = 1.
Representaremos este hecho por X =c.s. Y.
La distribucion de una variable aleatoria no depende del espacio en el que esta definida,
incluso dos variables igualmente distribuidas pueden estar definidas en diferentes espacios
probabilsticos y por tanto no tener sentido que sean iguales c.s.. No obstante v.a. iguales
c.s. siempre son igualmente distribuidas:
P (X A) = P (X A, X = Y ) + P (X A, X 6= Y ) = P (X A, X = Y ) =
P (Y A, X = Y ) = P (Y A) para cualquier A ,
ya que (X A, X 6= Y ), (Y A, X 6= Y ) estan contenidos en (X 6= Y ) y este conjunto
tiene probabilidad 0. Por tanto X =d Y (X e Y son igualmente distribuidas).
Es evidente que en el conjunto de las v.a. en (, , P ), la relacion de igualdad c.s. es
de equivalencia, como ejemplo obtendremos la propiedad transitiva: Si P (X = Y ) = 1 y
P (Y = Z) = 1, entonces
P (X = Z) P ((X = Y ) (Y = Z)) = 1,
puesto que la interseccion de dos conjuntos de probabilidad 1 tiene probabilidad 1. Es
sencillo probar igualmente que si X =c.s. X 0 , Y =c.s. Y 0 , Xn =c.s. Yn para todo n, y c <,
entonces:
cX =c.s. cX 0 , X + Y =c.s. X 0 + Y 0 , XY =c.s. X 0 Y 0 ,
sup Xn =c.s. sup Yn , inf Xn =c.s. inf Yn ,
n n n n

puesto que la interseccion (finita o) numerable de conjuntos de probabilidad 1 tiene proba-

bilidad 1, p. ej.:
 
P (sup Xn = sup Yn ) = P (sup Xn = sup Yn ) (n (Xn = Yn )) = P (n (Xn = Yn )) = 1.
n n n n

Dada una v.a. X, sea X = {X 0 v.a. en (, , P ) tales que X =c.s. X 0 }, es decir, la

clase de equivalencia de la v. a. X por la relacion que acabamos de introducir. Es evidente
que cualquier elemento de la clase X la determina completamente. La mayor parte de
los problemas de la Teora de la Probabilidad son relativos a las clases de equivalencia
de v.a. mas que a ellas mismas, y la importancia de las propiedades que hemos senalado
radica en que nos permiten operar sobre las clases de equivalencia de v.a. como si fueran
v.a., siempre que no se considere a la vez mas de una infinidad numerable de variables.

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)

e) si c <: c.Xn c.s. c.X

siempre que las operaciones consideradas no conduzcan a indeterminaciones. Es mas,
como veremos mas adelante (al final del captulo), todas estas propiedades pueden obte-
nerse como aplicacion de la d), que resulta evidente si se tiene en cuenta que en este
esquema la continuidad es equivalente a la continuidad por sucesiones. De hecho este
argumento puede utilizarse para obtener el siguiente, mucho mas util en las aplicaciones:

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).

CONVERGENCIA DE VARIABLES ALEATORIAS FINITAS

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

que no es otro que el conjunto de convergencia: CX = { : Xn () X()} (en

forma condensada CX = (Xn X)). Por otra parte, al excluir los valores infinitos, la
convergencia de una sucesion de numeros reales es equivalente a que sea de Cauchy, por
lo que introduciendo en la forma habitual la correspondiente propiedad casi seguro, nos
encontraramos con el concepto de sucesiones de Cauchy c.s., y a la equivalencia entre
sucesiones convergentes c.s. y sucesiones de Cauchy c.s. De forma analoga a la expresion
anterior del conjunto de convergencia, podemos describir el conjunto en el que la sucesion
(Xn ) es de Cauchy en la forma:

[
\
\ \ 1
CCauchy = { : |Xn () Xn0 ()| < }. (2)
k=1 m=1 n=m n0 =m k

La medibilidad de los conjuntos involucrados, tanto el de convergencia como el de la

verificacion de la propiedad de Cauchy, resulta un sencillo ejercicio tras las descripciones
obtenidas. Igualmente resulta conveniente recordar que la variable lmite de una sucesion,
(Xn ), no solo es medible en la -algebra que nos sirve de marco de referencia, tambien
es medible en cualquiera de las -algebras (Xn , Xn+1 , ), y por tanto en la asintotica
= n=1 (Xn , Xn+1 , ).
La siguiente caracterizacion es fundamental en el estudio de la convergencia casi seguro.

Proposicion 1.2 Xn c.s. X si y solo si, para todo  > 0,

!
[
lim P
m
(|Xn X| > ) = 0.
n=m

Demostracion: La caracterizacion (1) hace que la condicion P (CX ) = 1 sea equivalente a

\

!
[ 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

decrecen hacia su interseccion, por la continuidad monotona secuencial de la probabilidad,

tendremos que la condicion anterior es a su vez equivalente a la:

[

! !
[ \
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)

Una readaptacion del lenguaje utilizado nos da la siguiente interesante version de la

proposicion anterior.
Corolario 1.3 Xn c.s. X si y solo si, para todo  > 0,
!
lim P sup |Xn X| >  = 0.
m nm

Habitualmente sera casi imposible evaluar directamente P ( n=m (|Xn X| > )), por
S

lo que las demostraciones de convergencias casi seguro se basan en la obtencion de cotas

para las probabilidades P (|Xn X| > ) que garanticen que se da la condicion expresada
en la Proposicion 1.2. En particular, la desigualdad de Boole (P (
n=m An ) n=m P (An ))
nos da la condicion suficiente expresada en el siguiente corolario. (Notese que no estamos
mas que repitiendo el argumento que demuestra el primer lema de Borel-Cantelli.)
Corolario 1.4 Si
n=1 P (|Xn X| > ) < para todo  > 0, entonces Xn
c.s.
X.
Estos resultados tienen su replica inmediata en el marco de las sucesiones de Cauchy c.s.
Para ello observaremos en primer lugar que la misma secuencia de argumentos utilizada
en la Proposicion 1.2, partiendo de (2) conduce a la caracterizacion: La sucesion (Xn )n
es de Cauchy c.s. si y solo si para todo  > 0,


[
lim P (|Xn Xn0 | > ) = 0.
m
n,n0 =m

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

Un enunciado similar al de la condicion expresada en el corolario 1.4 sera de poca

utilidad, toda vez que involucrara a infinitas series. Sin embargo, moviendo los s
para conseguir mayores exigencias segun se avanza en la sucesion, podemos obtener una
condicion suficiente (y utilizable), cuya demostracion proponemos como ejercicio.
Proposicion 1.6 Sea (n )n una sucesion de numeros positivos que verifican
n=1 n < .
Si la sucesion (Xn )n verifica

n=1 P (|Xn Xn+1 | > n ) < ,

entonces es de Cauchy c.s.

Aunque el analisis detallado de la definicion y de las caracterizaciones obtenidas no
ofrece dudas, parece oportuno resaltar que la convergencia puntual garantizada (en un
conjunto de probabilidad 1) por la convergencia c.s. no necesariamente sera una conver-
gencia uniforme. Dicho de otra forma, en unos puntos la convergencia puede ser mucho
mas lenta que en otros. Sin embargo la intervencion de la probabilidad nos permite garan-
tizar que la convergencia podra considerarse como uniforme en conjuntos de probabilidad
arbitrariamente grande. Este resultado se conoce como teorema de Egorov y la caracteri-
zacion obtenida como convergencia casi uniforme (que resulta obviamente distinta de la
que llamaramos uniforme casi seguro.
Proposicion 1.7 (Teorema de Egorov) Una sucesion (Xn )n converge casi seguro a la
variable X si y solo si, para todo > 0, existe un conjunto tal que P ( ) > 1
y en ese conjunto Xn X uniformemente.
1
Demostracion: Si definimos los conjuntos m k := n=k (|Xn X| m ), por la proposicion
1.2, para cada m fijo tendremos que P (m k ) % 1, por lo que, para cada m existira un
ndice Mm tal que P (mMm ) > 1 /2 m
.
Si ahora hacemos := m
m=1 Mm , por supuesto sera un conjunto medible con P ( ) >
1. Ademas, para cualquier  > 0 prefijado, si tomamos m0 > 1/ y n es cualquier ndice
posterior a Mm0 , para cualquier se verificara que |Xn () X(| 1/m0 < , por
lo que efectivamente la convergencia es uniforme en el conjunto .
Comprobar que la condicion es suficiente es mucho mas simple porque obviamente la
convergencia uniforme en un conjunto implica la convergencia puntual en todos los puntos

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.

Como se ha repetido muchas veces a lo largo de este curso, el espacio de probabi-

lidad que nos sirve de marco de referencia es meramente una herramienta matematica
que nos permite garantizar que las variables que consideramos viven (quizas sera mas
adecuado decir que podran vivir) en un mismo espacio. Por ello el modo de trabajar
en la teora de la probabilidad ha de ser muy distinto de otros habituales en otras areas
de las matematicas. Nosotros no podremos recurrir a un punto ideal y a sus imagenes
obtenidas a traves de la sucesion de variables (aplicaciones al fin y al cabo) para estu-
diar el comportamiento de la sucesion. Nuestra informacion consistira tpicamente en el
conocimiento (a veces parcial) de las distribuciones o leyes de probabilidad engendradas
por las variables, a veces complementada por relaciones de dependencia entre ellas. La
convergencia en probabilidad resulta mas adecuada que la casi seguro para la mayora de
las aplicaciones, aunque puede depararnos alguna que otra sorpresa.
Definicion 1.8 Una sucesion (Xn )n converge en probabilidad a la variable X si para todo
 > 0,
P (|Xn X| > ) 0 cuando n .
Representaremos este hecho por Xn p X.
El sentido de esta definicion es garantizar que muy probablemente Xn estara muy
proxima a X para ndices suficientemente avanzados de la sucesion. Por supuesto, sin
mas que observar la caracterizacion (1.2) de la convergencia casi seguro, obtenemos que
esta convergencia es mas debil que aquella: Si una sucesion converge casi seguro a una
variable tambien lo hara en probabilidad, mientras que la implicacion contraria no es
necesariamente cierta. Antes de abordar esta cuestion observaremos que, al igual que en
la convergencia casi seguro, la convergencia en probabilidad es una convergencia entre
clases de equivalencia. De nuevo, la convergencia se mantiene si cambiamos las variables
de la sucesion o la variable lmite por otras iguales casi seguro, y las posibles variables
lmite coinciden c.s.:
Si Xn p X y Xn =c.s. Yn para todo n, entonces tambien Yn p X,
si Xn p X y Xn p Y , entonces X =c.s. Y.
En realidad, observando la definicion obtenemos facilmente que si para cada n se tiene
(Xn , X) =d (Yn , Y ), entonces tambien |Xn X| =d |Yn Y |, que es suficiente para garanti-
zar que P (|Xn X| > ) = P (|Yn Y | > ) para todo  > 0. Esto demuestra la primera

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:

X1 = I(0,1] , X2 = I(0,1/2] , X3 = I(1/2,1] , X4 = I(0,1/3] , X5 = I(1/3,2/3] , X6 = I(2/3,1] ,

Como la longitud de los intervalos, es decir la medida de Lebesgue, se hace cada
vez mas pequena, P (|Xn | > ) 0 y se tiene que Xn p 0. Sin embargo, cualquier
(0, 1] pertenece a infinitos conjuntos y no pertenece a otros infinitos conjuntos de los
involucrados en la sucesion, luego Xn () = 0 infinitas veces y Xn () = 1 infinitas veces,
por lo que P ( (0, 1] : (Xn ())n converge) = P () = 0.
La sencillez del ejemplo anterior contrasta con su interes desde el punto de vista proba-
bilstico. Aqu el espacio probabilstico y la construccion de las variables nos permiten
seguir el devenir de la secuencia de valores de las variables en cada punto. De hecho la
dependencia que se manifiesta entre las variables es muy distinta de las que interesan en
el estudio de los fenomenos aleatorios. Por supuesto eso no invalida el argumento que
prueba que la convergencia en probabilidad no implica la convergencia casi seguro, pero
el siguiente ejemplo, basado tambien en variables de Bernoulli (aquellas que solo toman
los valores 0 y 1) resulta muy ilustrativo en este caso.
Ejemplo 1.10 Sea (Xn )n una sucesion de variables de Bernoulli con parametros (pn )n
(es decir, para cada n P (Xn = 1) = pn y P (Xn = 0) = 1 pn ). La condicion necesaria
y suficiente para que Xn p 0 es que pn 0 porque (para cualquier  > 0) P (|Xn | >
) P (Xn = 1) = pn , y la anterior desigualdad es una igualdad para cada  (0, 1), por
lo que la condicion coincide con nuestra definicion de convergencia en probabilidad.
Si las variables de la sucesion anterior son independientes, entonces la condicion
necesaria y suficiente para que Xn c.s. 0 es que n=1 pn < . Efectivamente, si se

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

Nota 1.11.1 Queremos resaltar el diferente papel que se ha asignado en la demostracion

anterior a las cantidades 1/k y 21k que juegan el papel de  y en la formalizacion

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

Las convergencias casi seguro y en probabilidad, as como las correspondientes suce-

siones de Cauchy, pueden introducirse tambien en espacios metricos con las definiciones
obvias, una vez solventados los problemas de medibilidad de los correspondientes con-
juntos que intervienen en tales definiciones (en particular tales problemas no existen en
espacios separables). En el caso de vectores aleatorios kdimensionales, como en <k
consideramos la topologa producto, una sucesion de vectores converge si y solo si sus
componentes lo hacen a las del vector lmite, y por tanto el conjunto de convergencia de
la sucesion de vectores aleatorios Xn = (Xn1 , Xn2 , ..., Xnk ) es la interseccion de los conjuntos
de convergencia de las sucesiones (Xni ), i = 1, 2, . . . , k. En consecuencia tenemos que:
(Xn )n converge c.s. a X = (X 1 , ...X k ) si y solo si Xni c.s. X i para todo i = 1, 2, . . . k.

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:

(Xn )n converge en probabilidad a X si y solo si Xni p X i para todo i = 1, 2, . . . k.

(Xn )n es de Cauchy en probabilidad si y solo si (Xni )n es de Cauchy en probabilidad
para todo i = 1, 2, . . . , k.
Restringiendonos a la primera afirmacion, notese que P (kXn Xk1 > ) ki=1 P (|Xni
X i | > /k), y que P (|Xni X i | > ) P (kXn Xk > ).
A partir de estas consideraciones, reproducir los resultados obtenidos hasta ahora para
sucesiones de variables aleatorias a sucesiones de vectores aleatorios es un ejercicio ele-
mental. En particular la siguiente version de la proposicion 1.11 nos permite obtener
una caracterizacion de la convergencia en probabilidad en terminos de la convergencia
casi seguro que queremos destacar adecuadamente y que directamente enunciaremos en
el marco de las sucesiones de vectores aleatorios.
Proposicion 1.14 La sucesion (Xn )n converge en probabilidad al vector X si y solo si de
cada subsucesion (Xnm )m podemos extraer una nueva subsucesion (Xnmr )r que converge
casi seguro a X.
Demostracion: Puesto que toda subsucesion de una sucesion que converge en probabilidad
converge tambien en probabilidad (y al mismo vector aleatorio), la proposicion 1.11 apli-
cada a esta subsucesion garantiza la existencia de otra subsucesion de ella que converge
c.s.
Para probar la implicacion contraria podemos suponer que Xn no converge en probabili-
dad a X. Entonces existiran  > 0 y > 0 tales que P (kXn Xk > ) > para infinitos
ndices n. Por tanto existira una subsucesion (Xnm )m tal que P (kXnm Xk > ) > para
todo m. Por supuesto ni esta subsucesion ni ninguna que podamos extraer de ella podra
converger en probabilidad, y mucho menos casi seguro, que contradira la hipotesis. 2

La utilizacion de este resultado hace completamente trivial la obtencion de propiedades

analogas a las a), b),..., e) enunciadas para la convergencia casi seguro. De hecho es
igualmente trivial la obtencion de la propiedad
d*) Si Xn p X y f : <k <m es una funcion continua en todos los puntos de un
conjunto C k tal que P (X C) = 1, entonces f (Xn ) p f (X).
En efecto, si consideramos una subsucesion cualquiera (f (Xnm ))m , por la proposicion
1.14 existira una subsucesion (Xnmr )r que converge casi seguro a X, pero por la propiedad
d*) para la convergencia casi seguro entonces tambien (f (Xnmr ))r c.s. f (X), que, de
nuevo por la caracterizacion obtenida en la proposicion 1.14, implica que la sucesion
original (f (Xn ))n converge en probabilidad a f (X).

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