Las Aplicaciones Estadísticas Fueron Las Que Motivaron El Estudio De Sucesiones De Variables Aleatorias Al Considerar Tamaños De Muestra Grandes Para Hacer Inferencias
Modos de Convergencia
Supongamos un fenómeno aletorio ε al que le asociamos elespacio probabilístico (Ω,F,P). Para cada n€IN, sea Xn una variable aleatoria definida en (Ω,F,P).
Convergencia en Distribución
La convergencia en distribución es la convergencia más débil pero es la más utilizada en las aplicaciones. Esto debido a que contamos con una colección de teoremas que nos permiten verificarla y porque nos permite aproximar la función de distribución de Xn con al funciónde distribución límite. Una sucesión de funciones de distribución puede o no converger a una función de distribución.
La convergencia en distribución establece la convergencia punto a punto de la sucesión de las funciones de distribución. Con la restricción de que la convergencia se cumpla en puntos x que sean puntos de continuidad de la función límite.
Sean Fxn() la función de distribución deXn y Fx() la función de distribución de X. Decimos que Xn converge en distribución a X y escribimos Xn -> X cuando:
Lím Fxn (x)= Fx(x)
n->∞
para todo x€ IR que sea punto de continuidad de Fx().
Convergencia en Probabilidad
Decimos que Xn converge en probabilidad a X y se escribe Xn-P->X cuando para cada ε>0 dadoLím P[ |Xn-X|>ε]=0
n->∞
Al escribir | Xn-X|>ε como |Xn(ω)-X(ω)|>ε, nos damos cuenta que la definición establece que Xn converge en probabilidad a X cuando la probabilidad del conjunto de las ω’s donde Xn(ω) dista de X(ω) en más de ε tiende a cero.
La convergencia en probabilidad toma en cuenta la convergencia de una sucesión de númerosreales y no la convergencia de una sucesión de eventos. La convergencia en probabilidad es también llamada convergencia en medida.
Decimos que Xn converge con probabilidad uno a X y se escribe Xn->X con probabilidad 1, si:
P [lím Xn=x]
n->∞
Y podemos reescribirlo como :
P({ω€Ω; Lím Xn(ω)=X(ω)})=1n->∞
Esta establece que el conjunto de resultados elementales ω para los cuales Xn(ω) -> X(ω) tiene probabilidad uno. De aquí se establece que la convergencia es “casi segura”.
La convergencia con probabilidad uno implica la convergencia en probabilidad y que esta última implica la convergencia en distribución. La convergencia con probabilidad uno es lamas restrictiva y en general, no es sencilla de verificar.
Las definiciones dadas pueden generalizarse a vectores aleatorios; así, si X1, X2, … y X son v.a’s de k≥2 componentes, k€ IN, con Fdd’s Fx(), i €IN y Fxi() decimos que:
i) Xn converge en distribución a X si para cada x€IRk que sea punto de cnotinuidad de Fx() tenemos que
Lím Fxn (x) = Fx(x)n->∞
ii) Xn converge en probabilidad a X si la i-ésima componente de Xn converge en probabilidad a la i-ésima componente de X, para i=1,…,k
iii) Xn converge en probabilidad uno a x si la componente i-ésima de Xn converge con probabilidad uno a la componente i-ésima de X, para i=1,…,k
Podemos tener convergencia en distribución sin tener la convergencia de las funciones dedensidad.
Teorema de Pólya:
Sean Xn una v.a. para cada n€ IN, Fxn() la F.d.d. de Xn y F(). Si para cada x€ IR tenemos que, Fxn (x)->F(x) y F() es continua, entonces la convergencia es uniforme. Es decir, bajo las condiciones del teorema, para ε>0 dado, existe una banda de amplitud ε alrededor de F() tal que si n ≥N(ε) entonces, Fxn() queda dentro de la banda.
Teorema de Helly-Bray...
Regístrate para leer el documento completo.