la función característica

asociada a una variable aleatoria oa su distribución

cómo se define entonces a esta función
bueno consideremos que x es una variable
aleatoria cualquiera la función
característica de x o de su distribución
es la función fidel definida como la
esperanza de ala y tx y que se calcula
como indica esta integral en donde y es
la unidad de los números imaginarios
esto es raíz de menos 1
observé que escribiendo a la exponencial
de x como coseno dt x + y seno de tx la
función característica se puede escribir
como la suma de estas dos integrales de
riman estiles de funciones reales con
valores reales de esta forma la función
característica es una función definida
para todo número real t y que toma
valores complejos a diferencia de la
función generadora de momentos vamos a
demostrar que la función característica
siempre existe para cualquier
distribución de probabilidad
demostraremos que la norma de fidel es
menor o igual a 1 para todo número real
de esto entonces significa que la
función característica toma valores
complejos con norma menor o igual a 1
la demostración no es muy complicada
tenemos que la norma de fide t
se escribe como la norma de esta
integral
era la tx de fx
y resulta que esto es menor o igual a la
integral
sobre todo ere de la norma del número
era la y tx
de fx
la norma de esta exponencial es siempre
uno de modo que esto se reduce a la
integral sobre todo r de la diferencial
de la función de distribución y esto es
1
en particular
tenemos que la función característica
evaluada en 0 es el número real 1 vamos
 a ver dos ejemplos del cálculo de la
función característica
consideremos que x es una variable
aleatoria discreta con distribución pues
son de parámetro holanda vamos a
calcular su función característica
entonces fidel es esta esperanza que se
puede escribir como la suma para x desde
cero hasta infinito de alá y de x por
era la menos lambda landa la x entre x
factorial
agrupamos estas expresiones de la
siguiente forma esto es real a menos
lambda por la suma para x desde cero
hasta infinito
de lambda por delante a la equis
/ x factorial
como en el caso de variables reales esta
serie infinita sigue siendo una
exponencial de modo que esto se reduce a
la menos lambda por la exponencial de
lambda y a la t
factor izando tenemos que esto es era la
menos blanda que multiplica a uno menos
t
esta es entonces la función
característica de la distribución por
acción de parámetro lambda ahora veamos
un ejemplo en el caso continuo
consideremos ahora que x es una variable
aleatoria continua con distribución
exponencial de parámetro lambda su
función característica se calcula
entonces como la integral
a la tx por la función de densidad
exponencial
esto es blanda era la menos lambda x px
esto se puede escribir como la integral
de coseno de tx
por lambda el ala menos landa x de x
más veces la integral
de seno dt x por lambda era la menos
lambda x de x estas integrales se pueden
resolver aplicando el método de
integración por partes
dos veces puede entonces comprobarse que
la primera integral es igual a lambda
 cuadrada entre lambda cuadrada más t
cuadrada
y la segunda integral vale
lambda t / lambda cuadrada más que
cuadrada
esto puede simplificarse en la expresión
lambda
sobre langa - y t
esta es entonces la función
característica de la distribución
exponencial de parámetro lambda vamos a
borrar algunos de estos cálculos para
hacer una observación
la observación consiste en que podemos
escribir esta integral de la siguiente
forma
esto es lambda / lambda - y t por la
integral
d
lambda - y t
por la exponencial de menos lambda menos
it por x de x
y entonces está integral
vale 1 puesto que el integrando es la
función de densidad de una exponencial
de parámetro lambda menos it pero ahora
el parámetro no es un número real es un
número complejo aquí se necesitaría la
teoría de la variable compleja para
demostrar formalmente que está integral
efectivamente es 1 de tal forma que si
esto fuera así entonces efectivamente
obtenemos el resultado que habíamos
anunciado antes para concluir esta
sección vamos a demostrar el siguiente
resultado elemental acerca de la función
característica
supongamos que xy ya son dos variables
aleatorias independientes entonces la
función característica de la variable
aleatoria suma x que es igual al
producto de las funciones
características la demostración es
similar al resultado análogo para la
función generadora de probabilidad y
para la función generadora de momentos
tenemos que por definición fi de x más
 gente
es la esperanza de que a la ite
x
esto se puede escribir como la esperanza
de ala y tx por la i d y en donde estas
dos exponenciales son variables
aleatorias independientes y por lo tanto
esta esperanza se escribe como el
producto de las esperanzas esto es la
esperanza de la ite x
por la esperanza de que a la que yo
y esto es
la función característica de x

FUNCION CARACTERIZTICA MOMENTOS

como se obtiene en los momentos de una

variable aleatoria a partir de su
función característica la respuesta es
el contenido del siguiente resultado
si x es una variable aleatoria con
enésimo momento finito entonces la
enésima derivada de su función
característica evaluada en t igual a 0
es igual a i a la n por la esperanza de
x a la n
en esta demostración usaremos el teorema
de convergencia dominada de leve
consideremos entonces el caso en igual a
1 y calculemos la primera derivada
tenemos que 1 / h
para cualquier h positiva
por fin
de temas h
- filete
es igual
1 / h la esperanza
de gea la tx
por qué a la iss h x así es como se
puede escribir de temas h - de ala y de
x
y esto es igual a la esperanza
de irala y tx que multiplica a gala y h
x-1
sobre h
aquí tenemos que tomar el límite cuando
h tiende a 0 y para ello vamos a hacer
 las siguientes observaciones
primero tenemos que el límite de esta
variable aleatoria cuando h tiende a 0
aquí tenemos el ala y tx que multiplica
a la y h x menos 1
/h
es igual a la de x
puf
y x y este límite es el sentido puntual
además tenemos la siguiente estimación
tenemos que la norma
de la que x
por el ala y h x menos 1
/h
es menor o igual
a la norma de ala y h x menos 1
sobre h
y esto se puede escribir como la
siguiente integral
esto es 1 / h afuera de la integral de 0
h de iu por x por la exponencial de y sx
de s
y esto a su vez es menor o igual que 1 /
h
por valor absoluto de x
por la integral de 0 a h
de la norma del ala y sx que es uno de
ese entonces esto se reduce a el valor
absoluto de x
estas observaciones garantizan que al
tomar el límite cuando h tiende a 0 en
esta expresión podamos intercambiar el
límite con la esperanza
entonces tenemos que la derivada al
respecto de t
decídete
es el límite
cuando h tiende a 0 de 1 / h
por fin
de temas h
- filete
y entonces esto se puede escribir como
el límite
cuando h tiende a 0
de la esperanza
de 1 / h
por el ala y tx que multiplica a la iss
 hx1 es 1
por el teorema de convergencia dominador
del bec podemos intercambiar aquí el
límite con la esperanza y entonces por
lo visto antes esto es igual a la
esperanza de iu por x por el ala y t x
de manera similar se puede demostrar el
siguiente resultado
tenemos que la derivada en la enzima
decídete
es igual a la esperanza
d
y por equis al adn
por la exponencial x
evaluando ente igual a cero tenemos lo
siguiente
entonces esta derivada evaluada entre
igual a 0 se puede escribir como límite
cuando te tiende a cero de la esperanza
de esta variable a torio y x a la n la
exponencial de ite x
aquí nuevamente nos gustaría
intercambiar el límite con la esperanza
y usaremos por segunda vez el teorema de
convergencia dominada de leve
primero observamos que el límite
cuando te tiende a cero de esta variable
aleatoria y x a la n por la exponencial
de x es igual a y x a la n
puntualmente
y además observamos que la norma de esta
variable a thor ya y x a la n
la exponencial de it x
es menor o igual a la norma o valor
absoluto de x en este caso a la enésima
potencia lo cual tiene esperanza finita
por hipótesis por lo tanto al
intercambiar esperanza con límite
tenemos que la enésima derivada
decídete
evaluada entre igual a cero
es igual a la esperanza del límite que
es x a la n
y esto es igual a ia la n por el enésimo
momento de x
esto concluye la demostración
veamos ahora un ejemplo
 supongamos que x es una variable
aleatoria con distribución exponencial
de parámetro langa entonces su función
característica de t es igual a lambda
entre la cndh a menos it que se puede
escribir como lambda portland a menos y
te ala menos 1 entonces se puede
demostrar que la enésima derivada
decídete
es igual a lambda veces
- 1 a la n por emi factorial
- y al adn
por landa - it
al menos m - 1
por lo tanto la evaluación entre igual a
cero
produce el siguiente resultado esto es
igual a y al adn
por el factorial entre lambda alain este
término es el enésimo momento px
observé que el resultado anterior no
establece que la enésima derivada de la
función característica evaluada en 0
produce el enésimo momento de la
variable aleatoria es necesario saber de
antemano que este enésimo momento es
finito para concluir vamos a mencionar
el siguiente corolario
suponiendo nuevamente que x tiene el
máximo momento finito la serie de taylor
alrededor del 0 y hasta el término n de
la función característica adquiere esta
expresión esto es consecuencia de la
proposición anterior en donde el residuo
de la serie se ha escrito como el
término o pequeña del valor absoluto de
t a la n esta expansión nos será de
utilidad más adelante con esto
concluimos la sección
Español (generados automáticamente)

FUNCION CARCTERITICA FORMULA DE INVERSION

función de distribución podemos
aplicar la definición y calcular una
única función característica en esta
sección demostraremos que existe una
 relación biunívoca entre las funciones
de distribución y las funciones
características es decir la función
característica caracteriza de manera
única a la distribución de probabilidad
primero presentaremos los resultados y
después daremos las demostraciones el
resultado fundamental es la siguiente
fórmula de inversión de paul de be
o sea x una variable aleatoria con
función de distribución
fx y función característica y de t para
cualesquiera números reales x menor que
llegue se cumple esta identidad esta es
la fórmula de inversión de paul iby
observe que en el lado izquierdo aparece
únicamente la función de distribución y
que en el lado derecho aparece la
función característica recordemos que fx
- denota el límite por la izquierda de
la función f
en el punto x observemos además que
cuando f es continua en los puntos xy
que el lado izquierdo
se reduce a la expresión efe
- efe de x
el siguiente resultado particular
establece que si x es una variable
aleatoria absolutamente continua con
función de densidad fx y función
característica fi de t entonces la
función de densidad f x se puede
reconstruir a partir de la función
característica como indica esta fórmula
y como otra consecuencia de la fórmula
de inversión de paul iby tenemos el
siguiente resultado que establece que la
función característica determina de
manera única a la distribución de
probabilidad
tenemos que las variables aleatorias xy
tienen la misma distribución sí solos y
sus funciones características coinciden
en lo que resta de esta sección vamos a
dedicarnos a demostrar estos resultados
tenemos nuevamente aquí la fórmula de
infección de paul iby y vamos a dar su
 demostración
tomemos t mayúscula mayor que 0
y llamemos y dt
a esta expresión 1 / 2 pi
la integral de menos que ate
de 1 / t
por esta diferencia de exponenciales a
la menos y tx - que al menos y tape
por la función característica
de que
este es el lado derecho de la fórmula
sin tomar el límite sustituyamos ahora
la expresión para la función
característica
tenemos que esto es igual a 1 / 2 pi
la integral del en usted
1 entre y tape
por este factor
por la función característica que le
escribimos como la integral sobre todo r
a la receta
de fz
vitti
y ahora intercambiamos las integrales
esto es igual a 1 / 2 pi
de la integral sobre todo r
de la integral de menos te ate
de uno entre ítem que multiplica a lo
siguiente esto es de la ite
z menos x
- la exponencial de it
por z - sí
dt
df z
por supuesto hemos distribuido el factor
a la receta de la función característica
dentro del corchete el cambio en el
orden de integración es válido pues el
integrando es una función continua y
acotada
vamos a expresar ahora estas
exponenciales en términos de senos y
cosenos
entonces esto es igual a 1 / 2 pi
de la integral sobre todo r
de la integral de menos que ate
de uno entre y qué
 que multiplica a coseno
dt veces z - x
más veces seno
dt z - x
- coseno
dt zeta -
- y veces seno
dt z - g
y tenemos las diferenciales de t
de efe
en 7
después tenemos las siguientes
observaciones
primero tenemos que la integral de menos
tt
de coseno de aporte sobre tel
dt es igual a 0 por ser el integrando
una función impar y esto es válido para
cualquier a número real
segundo tenemos que la integral de menos
tt
de seno de aporte sobre t
dt se puede escribir como dos veces la
integral de 0 a t
de la misma expresión seno de ate
sobre ti dt y esto es debido a que el
integrando es una función par ahora el
siguiente resultado no es evidente pero
puede demostrarse que cuando te tiende a
infinito
esta integral convergen a ti por la
función signo
del número a es decir esto es igual a lo
siguiente
es igual a pi
si a es positivo
es igual a menos
si a es negativo y vale 0
si a es igual a cero
entonces por la observación del inciso a
tenemos que este término desaparece este
también
y este factor y junto con este otro
cancelan el factor y que aparece abajo
veamos entonces a que se reduce todo
esto
por lo tanto y dt
 se puede escribir como 1 / 2
por la integral sobre todo r
de dos veces la integral de cero a t
de seno
dt zeta x
sobre té
dt
- dos veces la integral de 0 a t
de seno de qué
z menos
sobre ti
dt
efe un set
vamos a escribir esto como una esperanza
esto es 1 / 2 pi
de la esperanza
de dos veces la integral de 0 a t
seno de t
x-x
sobre té dt
- dos veces la integral de 0 a t
de seno de t
x
sobre ti
dt
ahora tomemos el límite cuando t
mayúscula tiende a infinito
tenemos entonces que el límite cuando te
tiende a infinito de iu de t
aquí en realidad este mayúscula
entonces esto es igual al límite de la
esperanza anterior puede justificarse
mediante el teorema de convergencia
dominada de leve que este límite y la
esperanza se pueden intercambiar de modo
que el límite de la esperanza será la
esperanza del límite esto es entonces
igual a uno entre dos pi
de la esperanza
del límite que es mi vez es la función
signo
de x x
- pi veces la función
signo
de equis noche
esto es consecuencia de la observación
en el inciso b anterior a continuación
 vamos a cancelar el factor pi en esta
expresión arriba y abajo
entonces esto es igual a un medio
de la esperanza
la función signo evaluada en la variable
at oria x - x menos signo
en x menos
puesto que la función signo puede tomar
únicamente los valores 1 - 1 o 0
escribiremos a esta esperanza de la
siguiente forma
esto es igual a un medio
que multiplica al valor 1
por la probabilidad de que x x sea mayor
que 0 esto es la probabilidad de que x
sea mayor que x después tenemos el valor
menos 1 por la probabilidad de que x x
sea negativo esto es la probabilidad de
que x sea menor que x estrictamente
y el valor cero ya no lo escribimos
después tenemos menos 1 por la
probabilidad
de que x sea mayor que llegue
+ 1 por la probabilidad de que x sea
estrictamente menor que
en términos de la función de
distribución esto se escribe de la
siguiente forma esto es un medio
que multiplica a la probabilidad de que
x es estrictamente mayor que x se puede
escribir como 1 - f x
después menos la probabilidad de que x
sean estrictamente menor que x es f de x
menos después tenemos aquí menos uno más
efe de yale
este es el tercer sumando finalmente el
cuarto sumando es igual a efe
de menos
después tenemos que este 1 cancela este
menos 1 entonces esto se puede escribir
así un medio d
efe
más efe de menos
- un medio
de fx
más efe de x menos
esta es la expresión que aparece en el
 lado izquierdo de la fórmula de
inversión de paulette y con esto
concluimos la demostración
veamos ahora la demostración del segundo
resultado esta es la fórmula de
inversión en el caso absolutamente
continuo si x es una variable aleatoria
absolutamente continua con función de
densidad fx y función característica fi
de t entonces la función de densidad fx
se puede reconstruir o recuperar a
partir de la función característica y de
t como indica esta expresión esta
fórmula puede demostrarse de la
siguiente manera
como efe es una función continua por
hipótesis para cualesquiera números
reales x menor que y por la fórmula de
inversión de paul iby que acabamos de
demostrar tenemos que se cumple esta
identidad en donde el lado derecho se
puede escribir de la siguiente forma
a continuación se escribe el cociente
que aparece en el integrando como una
integral
esto es la integral de x allí de la
menos y tz de zeta finalmente
intercambiando el orden de las
integrales tenemos lo siguiente
entonces como efe - fx se puede escribir
como la integral de x allí de esta
expresión
este término debe ser la función de
densidad de x
esto concluye la demostración
finalmente demostraremos que la función
característica determina de manera única
a la distribución de probabilidad esto
es las variables x y tienen la misma
distribución si y sólo si sus funciones
características coinciden veamos la
demostración
demostremos primero la implicación de
izquierda a derecha en realidad aquí no
hay nada que demostrar puesto que si x y
jet tienen la misma distribución
entonces al aplicar la definición de
 función característica las esperanzas
deben coincidir veamos ahora la
implicación de derecha a izquierda
haciendo extender a menos infinito en la
fórmula de inversión de paul iby se
obtiene la siguiente expresión el lado
izquierdo se reduce a un medio de fede y
más
efe deje menos y en el lado derecho
dejamos el límite indicado a
continuación tomamos un valor z
estrictamente menor que y fijo
y vamos a tomar un segundo límite cuando
se tiende a z
se obtiene entonces la siguiente fórmula
como la función de distribución es
continua por la derecha el lado
izquierdo se reduce a efe dz en el lado
derecho
dejamos indicado nuevamente el límite
dado que todas las operaciones indicadas
en el lado derecho de esta fórmula
producen un único resultado tenemos que
a partir de una función característica
filete se obtiene una única función de
distribución
efe dz esto concluye la demostración
y con esto también concluimos la sección
Español (generados automáticamente)
FUNCION CARACTERISTICA: CONTINUDAD
mportante de la función característica
se trata de la propiedad de continuidad
pero no en su argumento como función
sino respecto de la variable aleatoria
la sucesión de variables aleatorias x n
convergen distribución a la variable
aleatoria x si y sólo si la función
característica de x n convergía la
función característica de x para todo t
número real demostraremos primero la
implicación de izquierda a derecha
tenemos entonces que el fin de x n 20
es por definición igual a la esperanza
de que a la vista x m
esto se puede escribir como la esperanza
de coseno de la variable tx.n
 más veces la esperanza de la variable
seno de 'the x n
como las funciones coseno y seno son
funciones continuas y acotadas por el
teorema de convergencia dominada tenemos
que cuando n tiende a infinito
esto converge
a la esperanza
de coseno de tx
más veces la esperanza de seno dt por
equis
esto es igual a la esperanza de ala y
que por equis
qué es la definición de función
característica de la variable aleatoria
de x gente
la implicación de derecha a izquierda es
más complicada de mostrar de modo que
daremos únicamente una guía de una
posible demostración sin proporcionar
mayores detalles
entonces vamos a suponer
de x en el ente
converge afi x ente
para todo t el número real entonces esta
convergencia
garantiza que la sucesión de variables
aleatorias o sus funciones de
distribución f x1 fx2 etcétera es
hermética
esta es una de las partes que no
demostraremos la convergencia de las
funciones características implica la
hermeticidad de la sucesión de variables
aleatorias la definición de hermeticidad
es la siguiente
para cada épsilon mayor que 0 existe una
constante ce tal que la probabilidad de
que x n en valor absoluto exceda c es
menor que epsilon para cualquier n mayor
que algún número natural n mayúscula
esto significa que la distribución de
cada una de las variables aleatorias x n
de la sucesión se concentra
principalmente en el intervalo menos c
como veremos a continuación algunos
resultados que nos muestran la utilidad
 de la propiedad de hermeticidad para
sucesiones de variables aleatorias
tenemos primero el siguiente resultado
general
supongamos que tenemos una sucesión de
funciones de distribución f1 a f2
etcétera la pregunta es existe algún
límite para esta sucesión converge es
siempre a una función de distribución en
general la respuesta es negativa sin
embargo se puede garantizar que existe
una sub sucesión que estamos aquí
denotando por fm 1 fm 2 etcétera que es
convergente a una función f mayúscula en
todo punto de continuidad de esta última
la función f mayúscula es no decreciente
es continua por la derecha y toma
valores entre 0 y 1 la función f
mayúscula es casi una función de
distribución exceptuando su
comportamiento límite en más menos
infinito como una consecuencia de este
resultado tenemos el siguiente corolario
en donde aparece la condición de
hermeticidad
si la sucesión de variables aleatorias o
de funciones de distribución es
hermética entonces el límite de
cualquier su sucesión convergente es
efectivamente una función de
distribución por lo tanto la condición
de hermeticidad y el saber que una sub
sucesión es convergente garantizan que
su límite es una función de distribución
verdadera finalmente tenemos el
siguiente resultado que nos ayudará a
completar la demostración
si la sucesión de funciones de
distribución es hermética y cada sub
sucesión converge a efe
entonces fm de x convergía de fx para
todo punto de continuidad x de f
continuando con la demostración y dado
este resultado debemos demostrar que
toda su sucesión convergen a efe
tenemos entonces la sucesión de
funciones de distribución f x1 fx2
 etcétera que es hermética vamos a
considerar cualquier sub sucesión y
vamos a llamarle efe n 1
efe m2 etcétera
cualquier sub sucesión
convergente
aquí estamos denotando por fm 1 a la
función de distribución de la variable
aleatoria x n 1
efe n 2 es la función de distribución de
la variable at oria x n 2 etcétera
vamos a llamar efe
al límite
de esta sub sucesión
cuando k tiende a infinito
en la primera parte de la demostración
comprobamos que la convergencia de las
funciones de distribución implica la
convergencia de las funciones
características
por lo tanto
tenemos que
sí
de mk en ti
converge a fidel
gente
pero por hipótesis
tenemos que fi de nk gente
convergen a fin de x entero
por lo tanto
y de gente
es igual a fi de x ente pero como la
función característica determina de
manera única a la distribución de las
variables aleatorias tenemos que
entonces x es igual a ye
en distribución
por lo tanto efe nk
converge a la función de distribución de
la variable aleatoria x por lo tanto
toda su sucesión convergente tiene como
límite a la función de distribución de
la variable aleatoria x
por el corolario 2
tenemos finalmente que x n converge x en
distribución esto concluye la
demostración
 de esta forma se puede demostrar la
propiedad de continuidad de la función
característica usaremos esta propiedad
para demostrar el teorema central del
límite
Ley de los grandes números: algunas demostraciones

la ley de
los grandes números en dos de sus
versiones la ley débil y la ley fuerte
la ley de bill establece que si x1 y x2
etcétera son variables aleatorias
independientes e idénticamente
distribuidas con media finita miu
entonces cuando n tiende a infinito
el promedio uno entre n suma de equis y
hasta n convergen distribución a la
constante mío recordemos que la
convergencia en distribución también se
le conoce con el nombre de convergencia
débil de allí el nombre de ley débil por
otro lado la ley fuerte de los grandes
números establece el mismo resultado
pero indicando que el resultado se
cumple en el sentido casi seguro
aquí conviene recordar el siguiente
diagrama general sobre convergencia de
variables aleatorias
y la convergencia casi segura implica la
convergencia en probabilidad y esto a su
vez implica la convergencia en
distribución de esta forma la
convergencia casi segura es más fuerte y
la convergencia y distribución es más
débil a continuación demostraremos la
ley débil de los grandes números usando
la desigualdad de chebyshev
en esta demostración se toma como
hipótesis adicional que la varianza de
las variables aleatorias también es
finita entonces se define ese n
igual a x 1 + + x2 hasta x l sobre él
después se observa que la esperanza de
sn es mío
y la varianza de ese él
 es
sigma cuadrada / n
suponiendo como hemos indicado
que la varianza de xy
el sigma cuadrado y que estamos
suponiendo que es finita
ahora aplicamos la desigualdad de xavi
chef a la variable aleatoria sn entonces
tenemos que la probabilidad de que el
valor absoluto de sn - min
sea mayor o igual a épsilon
es menor o igual a sigma cuadrada sobre
n épsilon cuadrado y por lo tanto cuando
n tiende a infinito este cociente tiende
a cero esto está indicando la
convergencia en probabilidad de la
variable sn a la constante new
es decir sn convergía mío cuando n
tiende a infinito en probabilidad ahora
recordemos el resultado general que dice
que la convergencia en probabilidad
hacia una constante es equivalente a la
convergencia en distribución a la misma
constante por lo tanto también tenemos
que sn con grecia mm en distribución
esto concluye la demostración veamos
ahora otra demostración del mismo
resultado sin hipótesis adicionales y
usando la función característica
llamemos nuevamente sn igual a la suma
de las equis
hasta l
sobre n
y de notemos porfi dt
a la función característica
de cualquiera de las variables
aleatorias x y entonces cuando te tiende
a cero
fidel se puede escribir de la siguiente
forma
filete es igual a uno más y te new más o
pequeña de valor absoluto de qué
la expansión se corta en el término
lineal pues únicamente sabemos que las
variables aleatorias xy tienen esperanza
finita new calculemos ahora la función
característica de ese n
 tenemos entonces que fin de sn gente
es igual a la esperanza de que al psn
por definición en términos de las
variables x y esto es igual a la
esperanza de que a la iss
te sobre n
por x1
más etcétera hasta x n
por la hipótesis de independencia de las
variables x y tenemos que esto se puede
escribir como
sí
dt / n
a la potencia n
y esto es igual a
uno más y te entre en mí
más pequeña de valor absoluto de t
a la n ahora consideraremos esta
expresión
como un solo término y entonces vamos a
desarrollar este binomio a la potencia n
tenemos entonces que este es el primer
sumando a la enésima potencia
esto es
uno más y te sobre en new a la n más los
otros sumandos que siempre tienen como
factor ao pequeña todos estos términos
se agrupan en o pequeña de valor
absoluto de t entre n
ahora tomemos el límite cuando n tiende
a infinito
y entonces tenemos que fin de sn gente
convergen
cuando n tiende a infinito
que alá
y te min
por la propiedad de continuidad de las
funciones características tenemos que sn
con grecia mil en distribución
esto concluye la demostración por el
resultado general que habíamos
mencionado antes sobre convergencia
hacia constantes tenemos el siguiente
corolario
también tenemos que sn convergen
probabilidad amigo veamos ahora una
demostración de la ley fuerte de los
 grandes números
en esta demostración supondremos que el
cuarto momento de las variables xy es
finito
vamos a denotar por sigma cuadrada a la
varianza
de equis y y vamos a considerar la
siguiente esperanza
la esperanza de la suma para y desde uno
hasta n de equis y menos
a la potencia 4a
esto se puede escribir de la siguiente
forma es la esperanza de
la suma desde uno hasta n de equis y
menos 1000
ese es el primer factor y el segundo
factor es el mismo término
suma hasta n x y menos
al cubo
por supuesto tenemos que esta es una
igualdad
ahora usando la hipótesis de
independencia e idéntica distribución y
después de trabajar un poco con todos
estos términos
se puede demostrar que esto es igual a n
veces la esperanza de x 1000 a la cuarta
más tres veces n por n
1
por sigma cuarta dejemos por ahora este
cálculo aquí el siguiente paso consiste
en aplicar la desigualdad de chebyshev
vamos a considerar entonces aquí la
función g de x
como x a la cuarta y esto es para x
mayor igual a cero la función es
entonces creciente para x mayor o igual
a cero y la versión de la desigualdad de
chebyshev que vamos a aplicar aquí es la
siguiente
entonces
por la desigualdad de sevilla
tenemos que la probabilidad de que uno
entre n suma de x
en valor absoluto sea mayor o igual a
epsilon
vamos a escribir primero esto así la
 probabilidad de qué
la suma de x is desde uno hasta n
-n
sea mayor o igual a n épsilon aquí
conviene agrupar el lado izquierdo de
esta desigualdad de la siguiente forma
esto es igual a la probabilidad
de que la suma para y desde uno hasta n
dx y new aquí está la agrupación
que esto sea mayor o igual a n épsilon
y ahora sí por la desigualdad de james
chef
esto es menor o igual a la esperanza de
la suma
desde uno hasta n tx y menos mil
a la potencia 4a
sobre n épsilon a la cuarta por el
resultado anterior
tenemos que esto es igual a n veces la
esperanza de x menos mil a la cuarta más
tres n n -1 sigma a la cuarta sobre
en epsilon a la 4a
para cualquier épsilon arbitrario vamos
a denotar por n el evento
el valor absoluto de 1 / n suma de x es
desde uno hasta n
- min
mayor o igual a s
entonces por los cálculos anteriores
se puede comprobar que la suma de las
probabilidades de estos eventos
para l desde uno hasta infinito
esto es finito
entonces por el lema de google canteli
tenemos que la probabilidad de que
ocurran los eventos a n para una
infinidad de valores de n
para una infinidad
de valores
de n
es cero
otra forma de escribir esto es que
existe un número natural n mayúscula
tal qué
la probabilidad de a en el complemento
para cualquier n mayor que en mayúscula
es 1
 es decir
la probabilidad de que el límite
cuando n tiende a infinito
de valor absoluto de 1 / n suma de x
desde 1 hasta en menos 1000
menor o igual a épsilon
es 1
en realidad es estrictamente menor que
épsilon pero no hay ningún problema si
uno deja el menor o igual como exelon es
mayor que cero y arbitraria de aquí se
concluye que
la probabilidad de que el límite cuando
n tiende a infinito de valor absoluto 1
/ n suma de xy
de 1 n menos igual a 0
es uno
es decir la probabilidad de que el
límite cuando n tiende a infinito de 1
entre n
suma de x
sea igual a mí esto es uno
pero esta es la definición de la
convergencia casi segura de la variable
1 / n suma de x y a la constante new
entonces 1 / n
suma de xy
con bergia min
casi seguramente
esto concluye la demostración
de esta forma es que hemos demostrado la
ley débil y la ley fuerte de los grandes
números
El teorema central del límite: demostración usando f.c
el
teorema central del límite este
resultado importante dice lo siguiente
si x 1 x 2 etcétera son variables
aleatorias independientes idénticamente
distribuidas y con medio ambiente y
varianza finita sigma cuadrada entonces
la variable aleatoria dada por 1 / n por
la suma de x y hasta n menos bien entre
sigma entre raíz de n convergen
distribución a una variable aleatoria
normal estándar observe que la variable
 aleatoria 1 / n suma de x y hasta n
tiene media mil y varianza sigma
cuadrada / n de modo que una forma de
recordar esta expresión es considerar el
promedio parcial hasta n restarle su
media que es view y dividir entre su
desviación estándar
esto es sigma / raíz de n entonces sin
importar la distribución particular de
las variables x y el cociente indicado
convergen distribución a una variable
aleatoria normal estándar para la
demostración usaremos la función
característica y varias de sus
propiedades en particular usaremos la
propiedad
y la propiedad que establece que la
función característica determina de
manera única a las distribuciones de
probabilidad
recordemos además que la distribución
normal de parámetros muy sigma cuadrada
tiene la siguiente función
característica
y cuando mío es igual a 0 y sigma
cuadrada es igual a 1 la función
característica se reduce a la siguiente
expresión
veamos entonces la demostración del
teorema central del límite usando la
función característica
sin pérdida de generalidad vamos a
suponer
qué
no es igual a cero
y sigma cuadrada es igual a 1 en este
caso el consciente que aparece en el
enunciado se reduce a lo siguiente
vamos a llamarle zn a ese cociente y
éste adquiere la expresión x1 más hasta
xn
sobre raíz de n
nuestro objetivo entonces es demostrar
que esta variable aleatoria zn converge
a zeta en distribución calcularemos
ahora la función característica de esta
variable la historia zn tenemos que la
 función característica de zeta
n ente
se escribe por definición como la
esperanza de ir a la iss
aquí tenemos el factor t entre raíz de n
que multiplica a x 1 + + x n
por la hipótesis de independencia de las
variables x y tenemos que esto se puede
escribir como la función característica
de cualquiera de las variables x y
evaluada en t sobre raíz de n
a la potencia n ahora como cada variable
x
tiene media 0 y segundo momento 1 la
expansión de su función característica
adquiere la siguiente forma
entonces
cuando se tiende a cero
tenemos que si x ente
se puede escribir como uno menos un
medio de t cuadrada
más pequeña dt cuadrada
por lo tanto he de zn en ti
es igual a 1 menos un medio d
de cuadrada sobre n más
o pequeña que esté cuadrada sobre n
a la potencia n
ahora consideramos esta expresión
como un solo término y entonces al
elevar este binomio a la enésima
potencia se obtiene lo siguiente
tenemos que esto es igual a 1 menos un
medio de t cuadrada sobre n a la n más
los otros sumandos que siempre tienen
como factor ao pequeña
todos ellos se encapsulan en el término
o pequeña dt cuadrada sobre m
de esta manera cuando emitiendo infinito
esto convergen a
a la menos te cuadrada sobre dos y como
hemos recordado antes esta es la función
característica de la distribución normal
estándar
por la propiedad de continuidad tenemos
entonces como consecuencia que zn
converge a z en distribución