Vous êtes sur la page 1sur 18

CONVERGENCIA

Resumen. En este escrito estudiamos uno de los temas de mayor relevancia para
la teorı́a de la probabilidad. Nos interesa conocer las propiedades de convergen-
cia de una sucesión de variables aleatorias {Xn }n∈N . Una sucesión de variables
aleatorias es por supuesto una sucesión de funciones, y naturalmente podemos
hablar de convergencia puntual en el sentido ordinario. Ahora bien, los concep-
tos de medida de probabilidad, esperanza y función de distribución, dan lugar
a nuevas formas de convergencia diferentes a la ordinaria. La importancia de
estos conceptos de convergencia radica en que no dependen, necesariamente, de
propiedades puntuales de las variables aleatorias, sino de sus caracterı́sticas es-
tocásticas. Aquı́ estudiaremos las relaciones que guardan los distintos modos de
convergencia y sus diferencias.

Modos de convergencia
En todo momento consideraremos un espacio de probabilidad (Ω, F, P), una
sucesión {Xn }n∈N de variables aleatorias definidas en este espacio y X una variable
aleatoria definida también en este espacio.

1. Convergencia puntual
Como sabemos, toda variable aleatoria es una función con una propiedad partic-
ular (que la imagen inversa de todo boreliano en R es un elemento de la σ-álgebra
F), entonces los primeros dos tipos de convergencia que analizaremos son dos
formas ordinarias de convergencia de funciones, es decir, lı́mites puntuales, cuyo
sentido nos remite poco a algún concepto probabilı́stico.
Definición 1.1 (Convergencia). Decimos que la sucesión {Xn }n∈N converge a X,
si para cada  > 0 y cada ω ∈ Ω existe N = N(, ω) ∈ N (número natural cuya
elección depende quizás tanto de  como de ω) tal que
|Xn (ω) − X(ω)| < ,
para toda n ≥ N. O equivalentemente,
lim Xn (ω) = X(ω).
n→∞

Usamos la notación
Xn → X.
En algunas ocasiones, para referirnos a este tipo de convergencia agregaremos el
adjetivo “ordinaria”. Ası́, nos referiremos a ella como convergencia ordinaria. En
esta primera definición, el significado de la palabra “convergencia” se hace sentir
de forma muy directa y precisa como lı́mite puntual.
1
CONVERGENCIA 2

Ejemplo 1.1. Sea Ω = (0, 1), F = B((0, 1)) y sea P la medida uniforme sobre el
intervalo (0, 1). Definimos Xn : Ω → R como Xn (ω) = ωn , para toda ω ∈ Ω y toda
n ∈ N. Tenemos,
lim Xn (ω) = lim ωn = 0,
n→∞ n→∞
para toda ω ∈ Ω. Luego, Xn → X ≡ 0.
El lector recordará de sus cursos elementales de cálculo esta definición, y segu-
ramente sabrá que existe un modo de aproximación puntual mucho más general.
Definición 1.2 (Convergencia Uniforme). Decimos que la sucesión {Xn }n∈N con-
verge uniformemente a X, si para cada  > 0 existe N = N() ∈ N (número
natural cuya elección depende exclusivamente de ) tal que
|Xn (ω) − X(ω)| < ,
para toda ω ∈ Ω y toda n ≥ N. La notación usada es
u
Xn →
− X.
Ejemplo 1.2. Sea (Ω, F, P) como en el ejemplo anterior. Definimos ahora Xn ≡
u
1/n, para toda n ∈ N. Entonces Xn → − X ≡ 0. En efecto, para  > 0 existe N ∈ N
(el cual depende solo de ) tal que 1/N < . Por consiguiente
1
|Xn (ω) − X(ω)| = < ,
n
para toda ω ∈ Ω y toda n ≥ N.
Teorema 1.1. Si la sucesión {Xn }n∈N converge uniformemente a X, entonces también
converge a X en el sentido ordinario.
La demostración de este hecho es inmediata y el lector puede comprobarla sin
ninguna dificultad. El siguiente ejemplo demuestra que la implicación contraria no
es válida en general.
Ejemplo 1.3. Sea Ω = [0, 1], F = B([0, 1]) y consideremos la medida uniforme P
sobre el intervalo [0, 1]. Definimos las variables Xn ≡ nI[1−1/n,1−1/(n+1)] , para toda
1
n ∈ N. Si ω ∈ [0, 1), entonces existe N ∈ N tal que ω < 1 − , para toda n ≥ N.
n
Luego
(1) lim Xn (ω) = 0.
n→∞
Por otra parte, Xn (1) = 0 para toda n ∈ N. De modo que la ecuación (??) es válida
también para ω = 1. Sin embargo, esta convergencia no es uniforme. Si fijamos
 = 1, entonces para cada número N > 1 (N ∈ N) existe ω0 en [0, 1] tal que
1 1
1− < ω0 < 1 − ,
N N+1
de donde
|XN (ω0 ) − X(ω0 )| = N > 1 = .
CONVERGENCIA 3

En este escrito actualizaremos un cuadro que ilustrará de manera esquemática


las relaciones válidas en general, que guardan los distintos tipos de convergencia.
El primer cuadro queda como sigue
C. u. =⇒ C. o.
donde la letra mayúscula C abrevia la palabra convergencia, y las letras en minúscula
que le siguen son la primera letra del tipo de convergencia del que se trate. Ası́,
C. u. significa convergencia uniforme; y C. o. significa convergencia ordinaria.
Mantendremos esta regla de escritura para nuestro cuadro, salvo cuando sea más
práctico introducir otros sı́mbolos, de cualqueir modo, llegado ese momento será
perfectamente comprensible aquello que sea escrito.
CONVERGENCIA 4

2. Convergencia casi segura


En probabilidad el término “casi seguro” refiere un evento cuya ocurrencia es de
probabilidad uno, o equivalentemente, cuya no ocurrencia es de probabilidad cero.
Esta situación no es equivalente a suponer que tal evento es el único evento posible.
Imaginemos, por ejemplo, que del intervalo cerrado [0, 1] elegimos un punto al
azar. Evidentemente, la probabilidad de que dicho punto esté en el intervalo abierto
(0, 1) es uno, y sin embargo no podemos descartar la posibilidad de que el punto
elegido sea 1 ó 0. De modo que el evento “el punto elegido está en (0, 1)” es un
evento casi seguro, aunque no es el único posible, y mucho menos es el evento total
Ω.
En términos de aproximación, ¿cómo ajustamos este concepto? Intuitiva-
mente, el término convergencia casi segura significa que la sucesión de variables
aleatorias {Xn }n∈N converge puntualmente a otra variable aleatoria X en “casi todo”
Ω, excepto quizás sobre un subconjunto de Ω muy “pequeño” (en sentido estricto,
con probabilidad cero). Veamos un ejemplo para aclarar estas ideas.
Ejemplo 2.1. Sea (Ω, F, P) como en el Ejemplo ??. Si definimos las variables
X1 ≡ 1 y h 
si ω ∈ 0, 12 − n1 ,




 0
  h 
n2 ω + n 1 − n2 si ω ∈ 12 − n1 , 12 ,





   h 
Xn (ω) =  −n ω + n 1 + n2 si ω ∈ 12 , 12 + n1 ,

 2

 h 
si ω ∈ 12 + n1 , 1 ,





 0
si ω = 1,

 n

para toda n ≥ 2, entonces



0
 si ω , 1/2 y ω , 1,
lim Xn (ω) = 

n→∞ ∞
 si ω = 1/2 ó ω = 1.
Es decir, {Xn }n∈N converge a X ≡ 0 excepto en el conjunto {1/2, 1}, el cual tiene
probabilidad 0. De modo que {Xn }n∈N converge casi seguramente a X ≡ 0.
Definición 2.1 (Convergencia casi segura). Decimos que la sucesión {Xn }n∈N con-
verge casi seguramente (o con probabilidad 1) a X, si existe A ∈ F tal que
P[A] = 0 (es decir, A es nulo) y
lim Xn (ω) = X(ω),
n→∞
para toda ω ∈ Ac . Y en tal caso usamos la notación
c.s.
Xn −−→ X.
Existe una definición alternativa para este modo de convergencia, útil en la
solución de algunos problemas prácticos y teóricos.
Proposición 2.1. La sucesión {Xn }n∈N converge casi seguramente a X si y sólo si
 
P ω ∈ Ω : lim Xn (ω) = X(ω) = 1.
n→∞
CONVERGENCIA 5

Primero debemos mostrar que el enunciado de la proposición es coherente.


Lema 2.1. Sea {Xn }n∈N una sucesión de funciones reales definidas sobre un con-
junto Ω y sea X una funicón real definida sobre el mismo conjunto Ω. Entonces
  \ ∞ [∞ \ ∞
(2) ω ∈ Ω : lim Xn (ω) = X(ω) = {ω ∈ Ω : |Xm (ω) − X(ω)| < 1/k}.
n→∞
k=1 n=1 m=n
En particular, si (Ω,F, P) es un espacio de probabilidad,
 y Xn y X son variables
aleatorias, entonces ω ∈ Ω : lim Xn (ω) = X(ω) ∈ F.
n→∞

Demostración. Es evidente, dado que Xn (ω) → X(ω) si y sólo si, para toda k ≥ 1,
existe un npumero natural n, tal que |Xm (ω) − X(ω)| < 1/k si m ≥ n. 
Demostración de la Proposición. Supongamos convergencia casi segura, y sea en-
tonces A ∈ F el evento nulo tal que la sucesión converge a X en Ac . Entonces
 
Ac ⊆ ω ∈ Ω : lim Xn (ω) = X(ω) .
n→∞
De donde,
 
(3) P ω ∈ Ω : lim Xn (ω) = X(ω) = 1.
n→∞
n oc
Inversamente, si suponemos cierta la igualdad anterior, podemos definir A = ω ∈ Ω : lim Xn (ω) = X(ω) .
n→∞
Entonces P[A] = 0 y la sucesión converge a X en Ac , por hipótesis. 
Ejemplo 2.2. Sea (Ω, F, P) como en el Ejemplo ??. Definimos Xn (ω) = ωn , para
toda ω ∈ Ω y n ∈ N. Entonces

0 si ω ∈ [0, 1)

lim Xn (ω) = 

n→∞ 1 si ω = 1.

Luego,  
P ω ∈ Ω : lim Xn (ω) = X(ω) = P[0, 1) = 1.
n→∞
c.s.
Por lo tanto Xn −−→ X ≡ 0.
Teorema 2.1. Si {Xn }n∈N converge a X entonces converge casi seguramente a X.
Demostración. Sea A = ∅, entonces P[A] = 0, y por hipótesis
lim Xn (ω) = X(ω),
n→∞
para toda ω ∈ Ω = Ac . Luego, la sucesión converge casi seguramente a X. 
Sin embargo, la implicación contraria es falsa.
Ejemplo 2.3. Sea (Ω, F, P) como en el Ejemplo ??. Si definimos Xn ≡ nI[0,1/n] ,
para toda n ∈ N, entonces

0
 si ω ∈ (0, 1], y
lim (ω) = 

n→∞ ∞ si ω = 0.

CONVERGENCIA 6

1
En efecto, sea ω ∈ (0, 1] y N ∈ N tal que 0 < < ω para toda n > N, entonces
n
Xn (ω) = 0.
Por consiguiente
lim Xn (ω) = 0,
n→∞
para cada ω ∈ (0, 1]. Por otra parte
Xn (0) = n,
para toda n ∈ N. En consecuencia
lim Xn (0) = ∞.
n→∞
De este modo, {Xn }n∈N converge casi seguramente a X ≡ 0, pero no converge a X
en todo Ω, pues existe ω = 0 en donde el lı́mite de Xn (ω) es infinito.
Como corolario, la convergencia uniforme implica la convergencia casi segura
en todos los casos, pero tal situación es inválida en el sentido inverso. La actual-
ización de nuestro esquema queda de la siguiente manera
C.u. =⇒ C.o.

C.c.s.
Si una sucesión {Xn }n∈N converge puntualmente (ya sea uniformemente o en
forma ordinaria) tanto a X como a Y (ambas variables aleatorias por supuesto)
entonces X ≡ Y, esto es, X(ω) = Y(ω) para toda ω ∈ Ω. Sin embargo, en caso
de que la convergencia sea casi segura, entonces no es posible afirmar que X(ω) =
Y(ω) para toda ω ∈ Ω. Por ejemplo, si en el Ejemplo ?? consideramos Y = I{1}
c.s.
entonces tendremos que Xn −−→ Y (lo cual es sencillo probar), y sabemos que
c.s.
Xn −−→ X ≡ 0, no obstante 1 = Y(1) , X(1) = 0. De hecho, en este ejemplo
notamos que el evento (X , Y) solo consiste del elemento ω = 1, por ello P[X ,
Y] = 0, o lo que es equivalente, P[X = Y] = 1. El resultado siguiente afirma que
esta situación es cierta en todo caso.
Proposición 2.2. Si la sucesión de variables aleatorias {Xn }n∈N converge casi se-
guramente a dos variables X y Y, entonces P[X = Y] = 1.
Demostración. Definimos los eventos
   
C X = ω ∈ Ω : lim Xn (ω) = X(ω) y CY = ω ∈ Ω : lim Xn (ω) = Y(ω) .
n→∞ n→∞
Si ω ∈ C X ∩ CY entonces
X(ω) = lim Xn (ω) = Y(ω),
n→∞
es decir ω ∈ (X = Y). De modo que C X ∩CY ⊂ (X = Y). Y dado que, por hipótesis,
P[C X ] = 1 = P[CY ], entonces P[X = Y] = 1. 
CONVERGENCIA 7

3. Convergencia en probabilidad
Podemos considerar una variable aleatoria Y como buena aproximación para
otra variable aleatoria X si para un número  > 0 cualquiera, la probabilidad
P[|Y − X| > ]
es “muy pequeña”. Esta idea podemos aplicarla para definir un nuevo modo de
convergencia.
Definición 3.1 (Convergencia en probabilidad). Decimos que la sucesión {Xn }n∈N
converge en probabilidad a X, si para cada  > 0,
lim P[|Xn − X| > ] = 0.
n→∞
Usamos la notación
P
Xn −
→ X.
Ejemplo 3.1. Sea X ≡ 0 y consideremos las variables aleatorias absolutamente
continuas Xn cuya función de densidad está dada por




 n2 x + n si x ∈ [−1/n, 0),
fn (x) = −n x + n si x ∈ [0, 1/n),

 2



 0
 en otro caso.
Para  > 0 existe un número natural N tal que 0 < 1/n < , para toda n ≥ N.
Por lo tanto [−1/n, 1/n] ⊂ [−, ]. Entonces, para toda n ≥ N,
1 = P[−1/n ≤ Xn ≤ 1/n] ≤ P[− ≤ Xn ≤ ] = P[|Xn | ≤ ] ≤ 1,
de donde P[|Xn | > ] = 0. En consecuencia,
lim P[|Xn − X| > ] = lim P[|Xn | > ] = 0.
n→∞ n→∞

La convergencia en probabilidad es menos fuerte que los anteriores modos de


convergencia.
Teorema 3.1. Si la sucesión {Xn }n∈N converge casi seguramente a X entonces
también converge en probabilidad a X.
Demostración. Por hipótesis existe A ∈ F nulo tal que lim Xn (ω) = X(ω) para
n→∞
toda ω ∈ Ac . Sea  > 0 y definimos en F la sucesión creciente de subconjuntos
Dn = {ω ∈ Ω : |Xm (ω) − X(ω)| ≤ , m ≥ n},

[
para toda n ∈ N. Si D = Dn entonces Ac ⊆ D, y por lo tanto
n=1
P[Ac ] = P[D] = lim P[Dn ] = 1.
n→∞
Por otra parte, si n ∈ N y si ω es tal que |Xn (ω) − X(ω)| > , entonces ω ∈ Dcn ,
luego
P[|Xn − X| > ] ≤ P[Dcn ] = 1 − P[Dn ],
CONVERGENCIA 8

de donde
lim P[|Xn − X| > ] = 0.
n→∞

La implicación contraria es falsa en general.
Ejemplo 3.2. Supongamos que {Xn }n∈N es una sucesión de variables aleatorias
independientes definidas sobre un mismo espacio de probabilidad (Ω, F, P) tales
que
1
si x = 1,



P[Xn = x] = 
n

 1
1 − si x = 0.


n
Tenemos entonces que dicha sucesión converge en probabilidad a X ≡ 0, pero no
converge casi seguramente a X. En efecto, para cada  ∈ (0, 1) tenemos que
1
P[|Xn − X| > ] = P[Xn = 1] = .
n
Y cuando  ≥ 1, entonces
P[|Xn − X| > ] = P[Xn > ] = 0.
En cualquier caso
lim P[|Xn − X| > ] = 0.
n→∞
Ahora definimos n o
C = ω ∈ Ω : lim Xn (ω) = 0 = X(ω) ,
n→∞
y para  > 0 fija y arbitraria también definimos los subconjuntos
B(n, ) = {ω ∈ Ω : |Xm (ω) − X(ω)| = Xm (ω) < , m ≥ n}, para toda n ∈ N.
Sea B() la unión (sobre n) de estos subconjuntos. Si ω ∈ C entonces existe n0 ∈ N
(que depende tanto de  como de ω) tal que Xm (ω) < , para toda m ≥ n0 . Esto es,
ω ∈ B(n0 , ). Por lo tanto C ⊆ B(). Ahora bien,

Y
P[B(n, )] = P[Xm < ]
m=n
Y∞
= P[Xm = 0]
m=n
∞ !
Y 1
= 1−
m=n
m
k !
Y m−1
= lim ,
n≤k→∞
m=n
m
pero
k
n−1 n+1−1
!
Y m−1 k−1 n−1
= · ··· = ,
m=n
m n n+1 k k
CONVERGENCIA 9

de donde
P[B(n, )] = 0,
para cada n ∈ N. Luego
P[C] = P[B()] = 0,
y entonces la sucesión no converge casi seguramente a X ≡ 0.
Como corolario podemos decir que los dos modos de aproximación puntual (or-
dinaria y uniforme) implican necesariamente convergencia en probabilidad, mien-
tras que la implicación contraria es falsa en general. Ası́, podemos actualizar el
esquema de modos de convergencia como sigue
C.u. ⇒ C.o.

C.c.s.
w
C.P.
La importancia real de la convergencia en probabilidad radica en el siguiente
resultado.
Teorema 3.2. Si {Xn }n∈N converge en probabilidad a X, entonces existe una sub-
sucesión {Xnk }k∈N que converge casi seguramente a X.
Demostración. Si Xn converge en porbabilidad a X, entonces para cada k ≥ 1,
existe nk ≥ 1 tal que
 1 1
P |Xnk − X| > < 2.
k k
De donde
∞  ∞
X 1 X 1
P |Xnk − X| > < < ∞.
k=1
k k=1
k2
Entonces, según el lema de Borel-Cantelli,
∞ ∞ 
\ [  1 
P  |Xnm − X| >  = 0,
k=1 m=k
m 

o equivalentemente,
∞ ∞ 
[ \  1 
P  |Xnm − X| ≤  = 1.
k=1 m=k
m
S∞ T∞  
Si ω ∈ k=1 m=k |Xnm − X| ≤ m1 , entonces para algún k ≥ 1,
1
, para todo m ≥ k,
|Xnm (ω) − X(ω)| ≤
m
de donde, lim Xnk (ω) = X(ω). En consecuencia,
k→∞
 
P lim Xnk = X = 1.
k→∞

CONVERGENCIA 10

Ahora un resultado análogo a la Proposición ??.


Proposición 3.1. Si la sucesión {Xn }n∈N converge en probabilidad a dos variables
aleatorias X y Y, entonces P[X = Y] = 1.
Demostración. Para toda  > 0,
   
0 ≤ P[|X − Y| > ] ≤ P |Xn − X| > + P |Xn − Y| > ,
2 2
entonces
   
0 ≤ P[|X − Y| > ] ≤ lim P |Xn − X| > + lim P |Xn − Y| > = 0,
n→∞ 2 n→∞ 2
de donde P[|X − Y| > ] = 0, para toda  > 0. Luego P[X = Y] = 1. 
CONVERGENCIA 11

4. Converegencia en r-media
Hemos estudiado ya un modo de aproximación que involucra el concepto de
medida de probabilidad, toca el turno para estudiar un modo de aproximación que
involucra el otro concepto fundamental en probabilidad, esperanza. La idea es
prácticamente análoga y puede escribirse como sigue. Supongamos que X y Y
son dos variables aleatorias (definidas sobre un mismo espacio de probabilidad);
si E(|X − Y|) existe y es muy pequeño, o incluso cero, entonces de cierta forma
las variables aleatorias X y Y son “muy parecidas” (de hecho, puede probarse que
P(X = Y) = 1 si E(|X − Y|) = 0). Esta idea intuitiva da origen a un modo más de
convergencia.

Definición 4.1 (Convergencia en r-media). Sea r > 0 y supongamos que las


variables aleatorias {Xn }n∈N y X tienen r-ésimo momento finito. Decimos que la
sucesión {Xn }n∈N converge en r-media (o en Lr ) a X, si

lim E[|Xn − X|r ] = 0.


n→∞

Usamos la notación
r Lr
Xn →
− X o también Xn −−→ X.

Ejemplo 4.1. Para cada n ∈ N sea Xn una variable aleatoria con distribución
uniforme sobre el intervalo (−1/n, 1/n), y sea X ≡ 0. Entonces, si r > 0,

E[|Xn − X|r ] = E[|Xn |r ]


Z 1/n
n
= |x|r dx
−1/n 2
Z 1/n
=n xr dx
0
n r+1 1/n
= x
r+1 0
1
= .
(r + 1)nr
Luego,
lim E[|Xn − X|r ] = 0.
n→∞
r
Esto es Xn →
− X ≡ 0.

Ahora analizaremos las relaciones que guarda este modo de convergencia con el
resto.

Ejemplo 4.2. Este ejemplo muestra que la convergencia en r-media no implica en


general la convergecia casi segura. Sea r > 0 y consideremos la sucesión {Xn }n∈N
CONVERGENCIA 12

del Ejemplo ?? y X ≡ 0. Tenemos que para toda n ∈ N,


E[|Xn − X|r ] = E[Xnr ]
= 1r · P[Xn = 1] + 0r · P[Xn = 0]
1
= ,
n
de donde,
lim E[|Xn − X|r ] = 0.
n→∞
Sin embargo, sabemos (Ejemplo ??) que no hay convergencia casi segura.
Podemos deducir que la convergencia en r-media no implica ninguno de los
modos de convergencia puntual (la ordinaria y la uniforme).
Ejemplo 4.3. Este ejemplo demuestra ahora que la convergencia puntual no im-
plica la convergencia en r-media. Consideremos la sucesión {Xn }n∈N sobre el espa-
cio de probabilidad del Ejemplo ??. Sabemos, por dicho ejemplo, que tal sucesión
converge a X ≡ 0. Ahora, si r > 0, entonces E[|Xn − X|r ] = nr−1 . Por lo tanto, si
escogemos r > 1,
lim E[|Xn − X|r ] = ∞.
n→∞

Sin embargo, el modo de convergencia en r-media no se resiste al modo de


convergencia uniforme.
Teorema 4.1. Si la sucesión de variables aleatorias {Xn }n∈N converge uniforme-
mente a X, y cada Xn tiene r-ésimo momento finito (r > 0), entonces también
converge en r-media a X.
Demostración. Sea  > 0. Por hipótesis existe N = N() (depende solo de ) tal
que
|Xn (ω) − X(ω)| < ,
para toda ω ∈ Ω y toda n > N. Entonces, dado que la esperanza es monótona,
E[|Xn − X|r ] < E[ r ] =  r
para toda n > N. Por consiguiente,
lim E[|Xn − X|r ] = 0.
n→∞

La convergencia en probabilidad es más débil que el modo en r-media.
Teorema 4.2. Si la sucesión de variables aleatorias {Xn }n∈N converge en r-media
(r > 0) a X entonces converge en probabilidad a X.
Demostración. Sea  > 0. Definimos los subconjuntos An = {ω ∈ Ω : |Xn (ω) −
X(ω)| > } y consideramos las funciones indicadoras IAn , para toda n ∈ N. En-
tonces para toda ω ∈ Ω y toda n ∈ N,
|Xn (ω) − X(ω)|r ≥ |Xn (ω) − X(ω)|r · IAn (ω) ≥  r IAn (ω),
CONVERGENCIA 13

luego,
E[|Xn − X|r ] ≥  r E[IAn ],
pero
E[IAn ] = P[An ],
de donde
1
· E[|Xn − X|] ≥ P[An ].
r
Ahora, por hipótesis, lim P[|Xn − X|r ] = 0, entonces
n→∞

lim P[|Xn − X| > ] = 0.


n→∞


Finalmente, con el siguiente ejemplo mostramos que la implicación contraria


del último teorema es falsa en general.
Ejemplo 4.4. Sea r > 0. Definimos la sucesión {Xn }n∈N de variables aleatorias
tales que
1

si x = n3/r ,



 n2


P[Xn = x] = 


 1
1 − 2 si x = 0,



n
y consideremos la variable aleatoria X ≡ 0. Para cada  > 0, existe N ∈ N tal que
n3/r > , para toda n ≥ N. Entonces
P[|Xn − X| > ] = P[Xn > ]
= P[Xn = n3/r ]
1
= 2,
n
para n ≥ N. Luego
lim P[|Xn − X| > ] = 0.
n→∞
Sin embargo,
E[|Xn − X|r ] = E[Xnr ]
= (n3/r )r · P[Xn = n3/r ] + 0 · P[Xn = 0]
n3
=
n2
= n,
para toda n ∈ N. De donde
lim E[|Xn − X|r ] = ∞.
n→∞
CONVERGENCIA 14

Con todo lo anterior, podemos armar el cuadro de modos de convergencia sigu-


iente.

C.u. =⇒ C.o.
⇓ ⇓
C.Lr C.c.s.
u w
C.P.

El lı́mite en r-media también es estocásticamente único, como los modos de


convergencia casi segura y en probabilidad.

Proposición 4.1. Si la sucesión {Xn }n∈N converge en r-media a dos variables aleato-
rias X y Y,
entonces P[X = Y] = 1.

Demostración. La convergencia en r-media, implica la convergencia en probabili-


dad, por la Proposición ??, se sigue el resultado. 

Existe un criterio para determinar cuando una sucesión de variables aleatorias


converge en r-media a otra variable X.

Teorema 4.3. Si {Xn }n∈N coneverge en r-media a X, entonces

lim E[|Xn |r ] = E[|X|r ].


n→∞

Demostración. Supongamos primero que r ∈ (0, 1]. Tenemos que



E[|Xn |r ] − E[|X|r ] = E[|Xn |r − |X|r ]
h i
≤ E |Xn |r − |X|r
h r i
≤ E |Xn | − |X|
≤ E |Xn − X|r | ,
 

de donde se sigue el resultado. Cuando r > 1, el resultado se sigue de la desigual-


dad de Minkowsky. 

Sin embargo, lejos de lo que podrı́a intuirse, la implicación contraria es falsa.

Ejemplo 4.5. Consideremos (Ω, F, P) y {Xn }n∈N como en el Ejemplo ??. Sea
además X ≡ 1. Entonces
1
lim E[|Xn |] = lim n · = 1 = E[|X|].
n→∞ n→∞ n
CONVERGENCIA 15

Sin embargo,
E[|Xn − X|] = E[|Xn − 1|]
= 1 · P |Xn − 1| = 1 + (n − 1) · P |Xn − 1| = n − 1
   

= 1 · P[Xn = 0] + (n − 1) · P[Xn = n]
1 n−1
=1− +
n ! n
1
=2 1− ,
n
de donde,
lim E[|Xn − X|] = 2.
n→∞
Por tanto Xn no converge en L1 a X.
CONVERGENCIA 16

5. Convergencia en distribución
Ahora estudiamos el último y más simple tipo de convergencia, el cual remite al
también importante concepto de función de distribución.
Definición 5.1 (Convergencia en distribución o débil). Sean {Xn }n∈N y X variables
aleatorias, y {Fn }n∈N y F las respectivas funciones de distribución. Decimos que
la sucesión {Xn }n∈N converge en distribución (o débilmente o en ley) a X si
lim Fn (x) = F(x),
n→∞

para todo punto x de continuidad de F. En tal caso usamos la notación


D D
Xn −→ X o también Fn −→ F.
Ejemplo 5.1. Este ejemplo muestra que la convergencia en distribución se veri-
fica sólo en los puntos de continuidad de la distribución F. Sea Xn una variable
aleatoria con distribución uniforme sobre el intervalo (0, 1/n), para cada n ∈ N, y
consideremos la variable aleatoria constante X ≡ 0. Entonces




 0 si x < 0,
Fn (x) =  nx si 0 ≤ x < 1/n,





1 si x ≥ 1/n.

Y por otra parte,



0
 si x < 0,
F(x) = 

1
 si x ≥ 0.
Si x < 0, entonces Fn (x) = 0, para toda n ∈ N, y en consecuencia
lim Fn (x) = 0 = F(x).
n→∞

Si x > 0, entonces para alguna N ∈ N, 0 < 1/n < x, para toda n ≥ N. Conse-
cuentemente Fn (x) = 1 para toda n ≥ N. De donde,
lim Fn (x) = 1 = F(x).
n→∞
D
Entonces Xn −→ X ≡ 0. Sin embargo, Fn (0) = 0 para toda n ∈ N y por lo tanto
lim Fn (0) = 0 , 1 = F(0).
n→∞

El ejemplo más importante de este tipo de convergencia es el teorema de lı́mite


central. Ahora probaremos que este modo de convergencia es el más débil.
Teorema 5.1. Si la sucesión {Xn }n∈N converge en probabilidad a X, entonces
también converge en distribución a X.
Demostración. Sea  > 0. Si x es un punto de continuidad de F, entonces existen
x0 y x1 , x0 < x1 , tales que x ∈ (x0 , x1 ) y además
F(x) <  + F(x0 ) y F(x1 ) < F(x) + .
CONVERGENCIA 17

Por otra parte, tenemos que


Fn (x) = P[Xn ≤ x]
= P[Xn ≤ x, X ≤ x1 ] + P[Xn ≤ x, X > x1 ]
≤ P[X ≤ x1 ] + P[|Xn − X| ≥ x1 − x],
por lo tanto
lim sup Fn (x) ≤ F(x1 ),
n→∞
pues por hipótesis lim P[|Xn − X| ≥ x1 − x] = 0.
n→∞
Der forma análoga,
F(x0 ) ≤ lim inf Fn (x).
n→∞
De este modo,
F(x) −  < F(x0 ) ≤ lim inf Fn (x) ≤ lim sup Fn (x) ≤ F(x1 ) <  + F(x),
n→∞ n→∞
luego, si  ↓ 0, entonces
lim Fn (x) = F(x).
n→∞

Si embargo la implicación contraria es falsa.
Ejemplo 5.2. Sea Ω = {ω1 , ω2 , ω3 , ω4 } un conjunto de cuatro elementos, y con-
sideremos F = P(Ω) y la medida P : F → [0, 1] uniforme sobre Ω (esto es
P[{ωi }] = 1/4, i = 1, 2, 3, 4). Definimos las variables X ≡ IA , con A = {ω3 , ω4 }, y
Xn ≡ IAc , para toda n ∈ N. Entonces
0 si x < 0,






1

F(x) = 

si x ∈ [0, 1),




 2
1 si x ≥ 1,

y también
si x < 0,




 0

1

Fn (x) = 

si x ∈ [0, 1),




 2
1 si x ≥ 1,

D
para toda n ∈ N. De manera que Xn −→ X. Por otro lado, sea  ∈ (0, 1). Tenemos,
lim P[|Xn − X| > ] = 1,
n→∞
pues |Xn (ω) − X(ω)| = 1, para toda ω ∈ Ω, y para toda n ∈ N.
De lo anterior deducimos que cualquier modo de convergencia implica la con-
vergencia en distribución, pero la convergencia en distribución no implica ningún
otro modo de aproximación. De ahı́ se justifica el nombre de convergencia débil
que recibe este tipo de aproximación.
Finalmente, nuestro cuadro queda completo con la forma siguiente
CONVERGENCIA 18

C.u. =⇒ C.o.
⇓ ⇓
C.Lr C.c.s.
u w
C.P.

C.D.
Un aspecto interesante que resalta en forma precisa el sentido de debilidad de
este modo de convergencia, es que no es posible garantizar unicidad estocástica.
Ejemplo 5.3. Sea (Ω, F, P) como en el Ejemplo ??. Definimos las variables aleato-
rias X ≡ 1[0,1/2) y Y ≡ 1[1/2,1] . Tenemos que P[X = Y] = P[∅] = 0. Por otra parte,




 0 si ξ < 0,
F X (ξ) = FY (ξ) =  0 ≤ ξ < 1,

1/2

 si
si ξ ≥ 1.


1

Ahora, definimos los conjuntos An := [1/4 − 1/n, 3/4 + 1/n] y las variables
Zn ≡ 1An . Entonces,




 0 si ξ < 0,
Fn (ξ) =  1/2 − 2/n si 0 ≤ ξ < 1,



si ξ ≥ 1.


1

D D
Por lo tanto Zn −→ X y Zn −→ Y.
Sin embargo, podemos hablar de otro tipo de unicidad para un lı́mite débil (lla-
mado comunmente unicidad en ley) .
Teorema 5.2. Si la suceción de variables alatorias {Xn }n∈N converge en distribución
a dos variables aletorias X y Y, entonces F X = FY , donde F X y FY son las dis-
tribuciones de X y de Y respectivamente.

Vous aimerez peut-être aussi