1.

TEORÍA ASINTÓTICA
Jorge Eduardo Ortiz Triviño
Profesor Asociado
Departamento de Ingeniería de Sistemas e Industrial
Universidad Nacional de Colombia
jeortizt@unal.edu.co

(a) Se enuncian (sin demostración) varios resultados importantes de estadística.

(b) Entre estos resultados se encuentran el principio denominado Ley de los grandes
números y el Teorema del límite central.

1.1 MEDIA Y VARIANZA

Teorema 1—1

 X i i 1
i n
Si es una muestra aleatoria de la población f X  que tiene media  y varianza

 2 1 n
y sea X n   X i Entonces x  
  E X n   y  x2  Var  X n   1  2
n
n i 1

Demostración:
(Caso particular del teorema 1.1)

Definición 1—1: Convergencia de probabilidad

Una secuencia de variables aleatorias Z n  converge en probabilidad a la constante C si para

cada   0 se tiene que Limn P  Z n  C     0 .

NOTAS:

1
 1. Se suele denotar por: Z n 

P
C.

2. La constante C puede reemplazarse por una variable aleatoria Z.

Definición 1—2: Convergencia en Distribución

Una secuencia de variables aleatorias Z n  converge en distribución a la variable aleatoria Z

si Limn¥ FZn  t   Fz  t 

NOTAS:
1. Z n ~ FZ · y Z ~ FZ ·
n

2. Por notación se escribe: Z n 


D
Z

3. Una variable aleatoria Z se dice degenerada en C si PZ  C   1

4. La convergencia en distribución es una generalización de la convergencia en

probabilidad.

5. La distribución normal estándar tiene   0 y  2  1 , y generalmente, se

t t 1
1  2 x2
denota como n  0,1 o también escrita como  t     x dx   e dx
  2

así que Z n ~ n  0,1 y Z n 

D
 n  0,1 .

Teorema 1—2: (Polya)

Si Z n 

D
Z de manera que Z ~ F t  continua. Entonces

Sup Fn  t  - F  t  
n ¥
0
t

NOTA:
1. Para una demostración ver Parzen (1960).

2
Teorema 1—3

Si g  x  es una función continua. Entonces:

1. Si Z n 

P
C entonces g Z n  

P
g c 

2. Si Z n 

D
Z entonces g Z n  

D
g Z 

El teorema que sigue, debido a Slutsky, combina la convergencia en probabilidad y la

convergencia en distribución.

Teorema 1—4: Slutsky

Suponga que Z n 

D
Z y Yn 

P
C una constante finita. Entonces:

1. Z n  Yn 

D
Z  C.

2. Z nYn 

D
CZ y si C  0 entonces Z nYn 

D
0

3. Zn D Z
 para C  0

Yn C

Teorema 1—5: Chebyshev

E g x 
Sea X ~ f X x  y g ·  una función no negativa. Entonces P g  x   k  
k
Demostración:

1. E g x    g x  f x dx

x

  g x  f x dx    g x  f x dx

x:g  x k 
x
x: g x  k
x

3
 
x: g
 g x  f x dx
x k
x

 k f x x dx
x: g  x  k 

 kP  g  x   k 

2. Finalmente dividiendo entre k se sigue el resultado.

NOTAS:
1. E (Z 2 )
Es claro que P( Z  C )  .
C2

2. E ( g ( x))
Es fácil ver que: P( g ( x)  k )  1 
k

Teorema 1—6

Sea Z n  una secuencia de variables aleatorias de forma que E ( Z n )  C y Var ( Z n )  0

. Entonces:
Zn 

P
C
Demostración:

EZ n c 
2
1.
P( Z n  C   ) 
2

EZ n  C   EZ n  EZ n   EZ n   C 

2 2
2.

3. E Z n  E Z n   E Z n   C   Var Z n  
2
EZn c  0
2

4. Zn 

P
C

4
Teorema 1—7: Ley débil de los grandes números

Para X ~ f X  x  con  X  E  X  y  X2  Var  X  . Si  X i i 1 es

i n
una muestra aleatoria de

 X2
tamaño n y  y  dos constantes tales que   0 y 0    1 y si n  Entonces
 2
P   X n   X     1  

Demostración:
Usando la desigualdad de Chebyshev con: g  X    X n   X 
2
y k 2 Entonces:

E  X n   X  
2

P   X n   X     P  X n   X     P  X n   X    
2 2
 1  
  2
1 2

E  X n  Xn  
2

   X 2
 1   1   2
n
 1   En consecuencia,   X2 y, equivalentemente,
2  n
 X2
n .
 2
NOTA:
1. P Z n       1  
Z n estimación de 
 Máximo error permitido.
 Significancia.
1   Confianza.
¿Qué es n?

Ejemplo 1—1

 X desconocido.

 X2 = 1
¿Cuál debe ser el valor de n de forma que la probabilidad sea al menos 0.95 y el error no
supere 0.5?

5
Solución
2 1
n   80
 0, 05  0.5
2 2

1.2 TEOREMA DEL LÍMITE CENTRAL

Teorema 1—8: Límite central

Sea f X () , una densidad con media  X y varianza  X2   . Sea también X n la media

muestral de una muestra aleatoria de tamaño n de f X () y definiendo la variable aleatoria

X n  E  X n  X n  X
Z n como Z n   Entonces Zn 
D
 n  0,1    t  .
Var  X n  X
n

Demostración:
1 2
Función generadora de momentos de una variable aleatoria normal estándar mZ  t   e
t
2
y

denotando por mZn  t  la función generadora de momentos de Z n la estrategia de

demostración consiste en verificar que con forme el valor de n aumenta se tiene que

mZn  t  
D
 mZ  t  .

Operación Justificación

mZn  t   E etZn  Definición de función

generadora de momentos

aplicados a la variable Z n .

     Sustitución de acuerdo con la

   X   
 E exp  t  n X
  definición de la variable Z n
    X  
    
   n  

6
      Definición de promedio y
  t n  X   
 E exp    i X
  propiedad de la sumatoria.
  n i 1   X  
    
   n  

     Propiedad de la función
 n  t  X   
 E  exp   i X
  exponencial
 i 1 n  X  
    
   n  

n   t  X i  X   Independencia de las muestras

  E exp     
i 1   n  X    Xi . (La esperanza de un

producto de variables

aleatorias independientes es el

producto de las esperanzas

particulares). Adicionalmente

reducción del factor n .

n
  t  X i  X
  E exp  Yi   Definiendo Yi  .
i 1   n  X

Variable que evidentemente

tiene media 0 y varianza 1.

n
 t  Definición de función
  mYi  
i 1  n generadora de momentos para

Yi

n
 t  Todas las variable Yi tienen
  mY  
i 1  n
exactamente la misma función

generadora de momentos.

7
   t 
n Productoria de una constante
  mY  
  n  se convierte en potencia.

  
n Expansión en series de Taylor
  t  1  2   t  1  3  t 
2 3

 1   1    2!   2    3!   3    
   X   n   X   n   X   n    t 
de la función mY  .
 n

 11 
n Factorizando y recordando que
1  1 
 1   t 2   33  t 3   44  t 4  
 n2 3! n  X 4!n  X  1  0 y 2   X2 .

n 
1 2
t Es fácil verificar que el
 e 2

n
 a
lím 1    ea
n 
 n

 mZ  t  Función generadora de

momentos de una variable

normal.

NOTAS

1. Se omite la demostración por necesitar herramientas matemáticas sofisticadas.

2.  1 
Significa que X n  n  ,   .
 n 

3. El grado de aproximación depende de:

a) El tamaño de la muestra n .

b) De la densidad f X () .