Convergencia de variables aleatorias

En la teoría de la probabilidad, existen varias nociones diferentes de convergencia de variables aleatorias. La convergencia de secuencias de variables aleatorias a alguna variable aleatoria límite es un concepto importante en la teoría de la probabilidad y sus aplicaciones a la estadística y los procesos estocásticos. Los mismos conceptos se conocen en matemáticas más generales como convergencia estocástica y formalizan la idea de que una secuencia de eventos esencialmente aleatorios o impredecibles a veces se puede esperar que se estabilice en un comportamiento que esencialmente no cambia cuando los elementos se alejan. suficiente en la secuencia se estudian. Las diferentes nociones posibles de convergencia se relacionan con cómo se puede caracterizar tal comportamiento: dos comportamientos fácilmente comprensibles son que la secuencia finalmente toma un valor constante y que los valores en la secuencia continúan cambiando pero pueden describirse mediante una distribución de probabilidad invariable.

Antecedentes

"Convergencia estocástica" formaliza la idea de que a veces se puede esperar que una secuencia de eventos esencialmente aleatorios o impredecibles se asiente en un patrón. El patrón puede ser, por ejemplo,

• Convergencia en el sentido clásico a un valor fijo, tal vez viene de un evento aleatorio
• Una creciente similitud de los resultados a lo que una función puramente determinista produciría
• Una preferencia creciente hacia un determinado resultado
• Una creciente "aversión" contra alejarse lejos de un determinado resultado
• Que la distribución de probabilidad que describa el siguiente resultado puede ser cada vez más similar a una determinada distribución

Algunos patrones menos obvios y más teóricos podrían ser

• Que la serie formada calculando el valor esperado de la distancia del resultado de un valor particular puede converger a 0
• Que la varianza de la variable aleatoria que describe el próximo evento crece más pequeña y menor.

Estos otros tipos de patrones que pueden surgir se reflejan en los diferentes tipos de convergencia estocástica que se han estudiado.

Si bien la discusión anterior se relaciona con la convergencia de una sola serie a un valor límite, la noción de la convergencia de dos series entre sí también es importante, pero esto se maneja fácilmente al estudiar la secuencia definida como la diferencia o la razón de las dos series.

Por ejemplo, si el promedio de n variables aleatorias independientes Y_i, i< /i> = 1,..., n, todos con la misma media finita y varianza, viene dado por

${displaystyle ¿Qué? ¿Qué?$

entonces, como n tiende a infinito, X_n converge en probabilidad (ver más abajo) a la media común, μ, de las variables aleatorias Y_i. Este resultado se conoce como la ley débil de los grandes números. Otras formas de convergencia son importantes en otros teoremas útiles, incluido el teorema del límite central.

A lo largo de lo siguiente, asumimos que (X_n) es una secuencia de variables aleatorias, y X es una variable aleatoria, y todos ellos se definen en el mismo espacio de probabilidad ${displaystyle (Omega{mathcal {F},operatorname {Pr})}$.

Convergencia en la distribución

Con este modo de convergencia, esperamos ver cada vez más el próximo resultado en una secuencia de experimentos aleatorios modelados cada vez mejor por una distribución de probabilidad dada.

La convergencia en la distribución es la forma más débil de convergencia que normalmente se analiza, ya que está implícita en todos los demás tipos de convergencia mencionados en este artículo. Sin embargo, la convergencia en la distribución se utiliza con mucha frecuencia en la práctica; la mayoría de las veces surge de la aplicación del teorema del límite central.

Definición

Una secuencia ${displaystyle X_{1},X_{2},ldots }$ de variables aleatorias reales, con funciones de distribución acumulativa ${displaystyle F_{1},F_{2},ldots }$, se dice que convergencia en la distribución, o convergen débilmente, o convergencia de la ley a una variable aleatoria X con función de distribución acumulativa F si

${displaystyle lim _{nto infty }F_{n}(x)=F(x),}$

para cada número ${displaystyle xin mathbb {R}$ en que F es continuo.

The forests of the Urals are inhabited by typical Siberian animals such as elk, brown bear, fox, wolf, wolverine, lynx, squirrel and sable (only in the north). Since the mountains are easily accessible, there are no mountain-specific species. In the Middle Urals, there is a rare mixture of sable and marten called kidus. In the southern Urals, the European badger and polecat abound. Reptiles and amphibians such as the common viper, lizards and snakes live in the Central and Southern Urals. Among the species of birds that live in the area are the capercaillie, black grouse, grévol, nutcracker and cuckoos. During the summer, the Southern and Central Urals are visited by songbirds, such as the nightingale and flycatchers.

The steppes of the southern Urals are inhabited by hares and rodents such as marmots, squirrels, and gerbils. There are many varieties of birds of prey such as kestrels and buzzards. Few animals inhabit the polar Urals, and those that do are characteristic of the tundra and include arctic fox, tundra pheasant, lemming, and reindeer. Birds in these areas include the arctic hawk, snowy owl, and ptarmigan.

${displaystyle {begin{aligned}{}\\\fn}\\fn}\\\fn}\\\\\\\cH0}\\\\cH0}\\\cH0}}\\\\\cH0}\cH3n}\cH3n}\cH3n}\\cH3n}cH00}cH00}cH00}\cH3n}\\\\\\\cH00}\\\cH3n}\cH3n}cH3n}\\\\\cH00}cH00}cH3n}cH3n}\\\\\\cH3n}}\cH {xrightarrow {d} X, X_{n} {xrightarrow {fnMithcal}} X, X_{n} {xrightarrow {fnMithcal}} X, X_{n} {xrightarrow {d} {fnMitcal {}_{X}\\fn}rightsquigarrow X, X_{n}Rightarrow X,\ {fn}(X_{n})to {fnMithcal {L}(X),\\\\\\\\\\fn}}}$

()1)

Donde ${displaystyle scriptstyle {Mathcal {L}_{X}$ es la ley (distribución de la probabilidad) X. Por ejemplo, si X es normal que podamos escribir ${displaystyle ¿Qué?$.

Para vectores aleatorios {X₁, X₂,...} ⊂ R^k la convergencia en la distribución se define de manera similar. Decimos que esta secuencia converge en distribución a un k-vector X si

${displaystyle lim _{nto infty }operatorname [Pr] (X_{n}in A)=operatorname (Xin A)}$

para cada A ⊂ R^k que es un conjunto de continuidad de X.

La definición de convergencia en la distribución puede extenderse de vectores aleatorios a elementos aleatorios más generales en espacios métricos arbitrarios, e incluso a las "variables aleatorias" que no son medibles, una situación que ocurre, por ejemplo, en el estudio de procesos empíricos.. Esta es la "convergencia débil de leyes sin leyes definidas", excepto asintóticamente.

En este caso es preferible el término convergencia débil (ver convergencia débil de medidas), y decimos que una secuencia de elementos aleatorios {X< sub>n} converge débilmente a X (indicado como X_n ⇒ X) si

${displaystyle operatorname {E} ^{*}h(X_{n})to operatorname {E} ,h(X)}$

para todas las funciones acotadas continuas h. Aquí E* denota la expectativa externa, que es la expectativa de una "función medible más pequeña g que domina h(X_n)”.

Propiedades

• Desde F()a) = Pr(X ≤ a), la convergencia en la distribución significa que la probabilidad de X_n estar en un rango determinado es aproximadamente igual a la probabilidad de que el valor X está en ese rango, proporcionado n es suficientemente grande.
• En general, la convergencia en la distribución no implica que la secuencia de funciones de densidad de probabilidad correspondiente también confluya. Como ejemplo uno puede considerar variables aleatorias con densidades f_n()x) = (1 + cos(2)πnx)1_(0,1). Estas variables aleatorias convergen en la distribución a un uniforme U(0, 1), mientras que sus densidades no convergen en absoluto.
  • Sin embargo, según Teorema de Scheffé, convergencia de las funciones de densidad de probabilidad implica convergencia en la distribución.
• El portmanteau lemma proporciona varias definiciones equivalentes de convergencia en la distribución. Aunque estas definiciones son menos intuitivas, se utilizan para probar una serie de teoremas estadísticos. La lema declara que {}X_n} convergencias en la distribución a X si y sólo si alguna de las siguientes declaraciones es verdadera:
  • ${displaystyle Pr(X_{n}leq x)to Pr(Xleq x)}$ para todos los puntos de continuidad ${displaystyle xmapsto Pr(Xleq x)}$;
  • ${displaystyle operatorname {E} f(X_{n})to operatorname {E} f(X)}$ para todas las funciones fijas y continuas ${displaystyle f}$ (donde) ${displaystyle operatorname {E}$ denota el operador de valor previsto);
  • ${displaystyle operatorname {E} f(X_{n})to operatorname {E} f(X)}$ para todas las funciones ligadas, Lipschitz ${displaystyle f}$;
  • ${displaystyle lim inf operatorname {E} f(X_{n})geq operatorname {E} f(X)}$ para todas las funciones no negativas y continuas ${displaystyle f}$;
  • ${displaystyle lim inf Pr(X_{n}in G)geq Pr(Xin G)}$ para cada conjunto abierto ${displaystyle G.$;
  • ${displaystyle lim sup Pr(X_{n}in F)leq Pr(Xin F)}$ para cada conjunto cerrado ${displaystyle F}$;
  • ${displaystyle Pr(X_{n}in B)to Pr(Xin B)}$ para todos los conjuntos de continuidad ${displaystyle B}$ de variable aleatoria ${displaystyle X}$;
  • ${displaystyle limsup operatorname {E} f(X_{n})leq operatorname {E} f(X)}$ para cada función semicontinua superior ${displaystyle f}$ atado anteriormente;
  • ${displaystyle liminf operatorname {E} f(X_{n})geq operatorname {E} f(X)}$ para cada función semicontinua inferior ${displaystyle f}$ Atado abajo.
• El Teorema de cartografía continua declara que para una función continua g, si la secuencia {}X_n} convergencias en la distribución a X, entonces {}g()X_n) convergencias en la distribución a g()X).
  • Note however that convergence in distribution of {}X_n} a X y {}Y_n} a Y en general no implica convergencia en la distribución de {}X_n + Y_n} a X + Y o de {}X_nY_n} a XY.
• Teorema de continuidad de Lévy: la secuencia {}X_n} convergencias en la distribución a X si y sólo si la secuencia de funciones características correspondientes {}φ_n} converge punto a la función característica φ de X.
• La convergencia en la distribución es palpable por la métrica Lévy-Prokhorov.
• Un vínculo natural a la convergencia en la distribución es el teorema de representación de Skorokhod.

Convergencia en probabilidad

La idea básica detrás de este tipo de convergencia es que la probabilidad de un resultado "inusual" se vuelve cada vez más pequeña a medida que avanza la secuencia.

El concepto de convergencia en probabilidad se usa muy a menudo en estadística. Por ejemplo, un estimador se llama consistente si converge en probabilidad a la cantidad que se estima. La convergencia en probabilidad es también el tipo de convergencia que establece la ley débil de los grandes números.

Definición

Una secuencia {X_n} de variables aleatorias converge en probabilidad hacia la variable aleatoria X si para todo ε > 0

${displaystyle lim _{nto infty }Pr {big (}PrinceX_{n}-X insistenciavarepsilon {big)}=0.}$

Más explícitamente, sea P_n(ε) la probabilidad de que X_n está fuera de la bola de radio ε con centro en X. Entonces se dice que X_n converge en probabilidad a X si para cualquier ε > 0 y cualquier δ > 0 existe un número N (que puede depender de ε y δ) tal que para todo n ≥ < i>N, P_n(ε) < δ (la definición de límite).

Observe que para que la condición se cumpla, no es posible que para cada n las variables aleatorias X y X _n son independientes (y, por lo tanto, la convergencia en probabilidad es una condición en las cdf's conjuntas, a diferencia de la convergencia en distribución, que es una condición en las cdf's individuales). s), a menos que X sea determinista como la ley débil de los grandes números. Al mismo tiempo, el caso de una X determinista no puede, siempre que el valor determinista sea un punto de discontinuidad (no aislado), ser manejado por convergencia en la distribución, donde los puntos de discontinuidad tienen que ser excluidos explícitamente.

La convergencia en probabilidad se denota agregando la letra p sobre una flecha que indica convergencia, o usando el "plim" operador de límite de probabilidad:

${displaystyle ¿Qué? X, X_{n} {xrightarrow {P}cH00} X, {compset {ntoinfty}{operatorname {plim} - Sí.$

()2)

Para elementos aleatorios {X_n} en un espacio métrico separable (S< /i>, d), la convergencia en probabilidad se define de manera similar por

${displaystyle forall varepsilon √0,Pr {big (}d(X_{n},X)geq varepsilon {big)}to 0.}$

Propiedades

• La convergencia en la probabilidad implica convergencia en la distribución.^[prueba]
• En la dirección opuesta, la convergencia en la distribución implica convergencia en probabilidad cuando la variable aleatoria limitante X es una constante.^[prueba]
• La convergencia en probabilidad no implica una convergencia casi segura.^[prueba]
• El teorema de mapeo continuo establece que para cada función continua ${displaystyle g}$, si ${fnK}xrightarrow {p}$, entonces también${textstyle g(X_{n})xrightarrow {p} g(X)}$.
• La convergencia en probabilidad define una topología en el espacio de variables aleatorias sobre un espacio de probabilidad fijo. Esta topología es palpable por la Ky Fan métrica:
  $${displaystyle d(X,Y)=inf !{big{}varepsilon ¿Qué?$$

  
  o alternativamente por esta métrica
  $${displaystyle d(X,Y)=mathbb {E} left[min(PrincipalidadX-Y sobre la vida,1)right].}$$

  

Convergencia casi segura

Este es el tipo de convergencia estocástica que es más similar a la convergencia puntual conocida del análisis real elemental.

Definición

Decir que la secuencia X_n converge casi con seguridad o casi en todas partes o con probabilidad 1 o fuertemente hacia X significa que

$${displaystyle Pr !left(lim _{nto infty - Sí.$$

Esto significa que los valores X_n el valor X, en el sentido (ver casi seguro) que eventos para los cuales X_n no converge X tener probabilidad 0. Utilización del espacio de probabilidad ${displaystyle (Omega{mathcal {F}},Pr)}$ y el concepto de la variable aleatoria como función de Ω a R, esto equivale a la declaración

$${displaystyle Pr {Bigl (}omega in Omega:lim _{nto infty }X_{n}(omega)=X(omega){Bigr)}=1.}$$

Usando la noción de límite superior de una secuencia de conjuntos, la convergencia casi segura también se puede definir de la siguiente manera:

$${displaystyle Pr {Bigl (}limsup _{nto infty }{bigl {}omega in Omega: suyaX_{n}(omega)-X(omega) Mantener confianzavarepsilon {bigr}}}{�}quad {text{0}{f}f}f}fnfn0}fn0}fn0fnfn0fn0fn0fn0fn0fn0displaystyle {displaystyle {fnfnfnfnfnfnfnfnfn0}fnfnfnfnfnfnfnfnp]$$

La convergencia casi segura a menudo se denota agregando las letras a.s. sobre una flecha que indica convergencia:

${\displaystyle {\sestablecese {X_{n},{xrightarrow {mathrm {a.s.} - Sí.$

()3)

Para elementos genéricos al azar {}X_nEn un espacio métrico ${displaystyle (S,d)}$, la convergencia casi seguramente se define de manera similar:

$${displaystyle Pr {Bigl (}omega in Omega:,d{big (}X_{n}(omega),X(omega){big)},{underset {nto infty # {longrightarrow },0{Bigr)}=1}$$

Propiedades

• La convergencia casi segura implica convergencia en probabilidad (por lema de Fatou), y por lo tanto implica convergencia en distribución. Es la noción de convergencia utilizada en la ley fuerte de grandes números.
• El concepto de convergencia casi segura no viene de una topología en el espacio de variables aleatorias. Esto significa que no hay topología en el espacio de variables aleatorias tales que las secuencias casi seguramente convergentes son exactamente las secuencias convergentes con respecto a esa topología. En particular, no hay métrica de convergencia casi segura.

Convergencia segura o convergencia puntual

Decir que la secuencia de variables aleatorias (X_n) definida sobre el mismo espacio de probabilidad (es decir, un proceso aleatorio) converge seguramente o en todas partes o puntualmente hacia X significa

$${displaystyle lim _{nto infty }X_{n}(omega)=X(omega),,,forall omega in Omega. }$$

Esta es la noción de convergencia puntual de una secuencia de funciones extendida a una secuencia de variables aleatorias. (Tenga en cuenta que las variables aleatorias en sí mismas son funciones).

$${displaystyle left{omega inOmega mid lim _{nto infty }X_{n}(omega)=X(omega)right}= Omega.$$

La convergencia segura de una variable aleatoria implica todos los demás tipos de convergencia mencionados anteriormente, pero no hay beneficios en la teoría de la probabilidad al usar la convergencia segura en comparación con el uso de la convergencia casi segura. La diferencia entre los dos solo existe en conjuntos con probabilidad cero. Esta es la razón por la cual el concepto de convergencia segura de variables aleatorias se usa muy raramente.

Convergencia en la media

Dado un número real r ≥ 1, decimos que la secuencia X_n converge en la r-ésima media (o en la norma Lr) hacia la variable aleatoria X, si los r-ésimos momentos absolutos E(|< i>X_n|^r ) y E(|X|^r) de X_n y X< /i> existe, y

${displaystyle lim _{nto infty }operatorname {E} left(tox_{n}-X habit^{r}right)=0,}$

donde el operador E denota el valor esperado. Convergencia en r- nos dice que la expectativa de la r-el poder de la diferencia entre ${displaystyle X_{n}$ y ${displaystyle X}$ converge a cero.

Este tipo de convergencia a menudo se indica agregando la letra L^r sobre una flecha que indica convergencia:

${\displaystyle {\sestablecese {X_{n},{xrightarrow - Sí.$

()4)

Los casos más importantes de convergencia en r-ésima media son:

• Cuando X_n convergencias en r- significa X para r = 1, decimos que X_n convergencias en mal estado a X.
• Cuando X_n convergencias en r- significa X para r = 2, decimos que X_n convergencias en cuadrado medio (o en medio cuadrático) a X.

La convergencia en la r-ésima media, para r ≥ 1, implica convergencia en probabilidad (por la desigualdad de Markov). Además, si r > s ≥ 1, la convergencia en la r-ésima media implica la convergencia en la s-ésima media. Por lo tanto, la convergencia en el cuadrado medio implica la convergencia en la media.

También vale la pena notar que si

${\displaystyle {\sestablecese {X_{n}{xrightarrow - Sí.$,

()4)

entonces

${displaystyle lim _{nto infty E [sobrevivirX_{n} {r}]=E[respirar]}$

Propiedades

Siempre que el espacio de probabilidad esté completo:

• Si ${displaystyle X_{n} {xrightarrow {fnset} {} {}}fn} X.$ y ${displaystyle X_{n} {xrightarrow {fnset} {} {}}fn} Sí.$, entonces ${displaystyle X=Y}$ Casi seguro.
• Si ${displaystyle X_{n} {xrightarrow {fnMicrosoft Sans Serif}} X.$ y ${displaystyle X_{n} {xrightarrow {fnMicrosoft Sans Serif}} Sí.$, entonces ${displaystyle X=Y}$ Casi seguro.
• Si ${displaystyle X_{n} {xrightarrow {fnset} {} {} {fn}}}} {}} {fn}}}}} {}}} {}} {}}}}}} {}}}}} {}}}}} {}} {} {} {}}}}}}} {}}}}}}}}}}} {}}}}} {}}}}}}} {}}}}}} {}}} {}}}}}}}}}}}} {}}}}}}}}}}}}}}}}} {}}}}}}}}}}}} {}}}}}}}}}}}}}}}}}}}}}}}} {}}}}}}}}}}}}}} {}}}}}}}}}}}}}}}} {}}}}}}}}}} {}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}} X.$ y ${displaystyle X_{n} {xrightarrow {fnset} {} {} {fn}}}} {}} {fn}}}}} {}}} {}} {}}}}}} {}}}}} {}}}}} {}} {} {} {}}}}}}} {}}}}}}}}}}} {}}}}} {}}}}}}} {}}}}}} {}}} {}}}}}}}}}}}} {}}}}}}}}}}}}}}}}} {}}}}}}}}}}}} {}}}}}}}}}}}}}}}}}}}}}}}} {}}}}}}}}}}}}}} {}}}}}}}}}}}}}}}} {}}}}}}}}}} {}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}} Sí.$, entonces ${displaystyle X=Y}$ Casi seguro.
• Si ${displaystyle X_{n} {xrightarrow {fnset} {} {}}fn} X.$ y ${displaystyle Y... {xrightarrow {fnset} {} {}}fn} Sí.$, entonces ${displaystyle aX_{n}+bY_{n} {xrightarrow {fnset} {} {}}fn} aX+bY$ (para cualquier número real a y b) y ${displaystyle X_{n}Y_{n}{xrightarrow {fnK} {fnK}}} XY.$.
• Si ${displaystyle X_{n} {xrightarrow {fnMicrosoft Sans Serif}} X.$ y ${displaystyle Y... {xrightarrow {fnMicrosoft Sans Serif}} Sí.$, entonces ${displaystyle aX_{n}+bY_{n} {xrightarrow {fnMicrosoft Sans Serif}} aX+bY$ (para cualquier número real a y b) y ${displaystyle X_{n}Y_{n}{xrightarrow {fnMicrosoft Sans Serif} XY.$.
• Si ${displaystyle X_{n} {xrightarrow {fnset} {} {} {fn}}}} {}} {fn}}}}} {}}} {}} {}}}}}} {}}}}} {}}}}} {}} {} {} {}}}}}}} {}}}}}}}}}}} {}}}}} {}}}}}}} {}}}}}} {}}} {}}}}}}}}}}}} {}}}}}}}}}}}}}}}}} {}}}}}}}}}}}} {}}}}}}}}}}}}}}}}}}}}}}}} {}}}}}}}}}}}}}} {}}}}}}}}}}}}}}}} {}}}}}}}}}} {}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}} X.$ y ${displaystyle Y... {xrightarrow {fnset} {} {} {fn}}}} {}} {fn}}}}} {}}} {}} {}}}}}} {}}}}} {}}}}} {}} {} {} {}}}}}}} {}}}}}}}}}}} {}}}}} {}}}}}}} {}}}}}} {}}} {}}}}}}}}}}}} {}}}}}}}}}}}}}}}}} {}}}}}}}}}}}} {}}}}}}}}}}}}}}}}}}}}}}}} {}}}}}}}}}}}}}} {}}}}}}}}}}}}}}}} {}}}}}}}}}} {}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}} Sí.$, entonces ${displaystyle aX_{n}+bY_{n} {xrightarrow {fnset} {} {} {fn}}}} {}} {fn}}}}} {}}} {}} {}}}}}} {}}}}} {}}}}} {}} {} {} {}}}}}}} {}}}}}}}}}}} {}}}}} {}}}}}}} {}}}}}} {}}} {}}}}}}}}}}}} {}}}}}}}}}}}}}}}}} {}}}}}}}}}}}} {}}}}}}}}}}}}}}}}}}}}}}}} {}}}}}}}}}}}}}} {}}}}}}}}}}}}}}}} {}}}}}}}}}} {}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}} aX+bY$ (para cualquier número real a y b).
• Ninguna de las declaraciones anteriores es verdadera para la convergencia en la distribución.

La cadena de implicaciones entre las diversas nociones de convergencia se indican en sus respectivas secciones. Ellos son, usando la notación de flecha:

${displaystyle {begin{Matrix}{xrightarrow {sigualdad {fnK} {fnK}} {cH00FF}}}} {f}}}}} {c}}}}} {c}}}}}}} {c}}}}}}}}}} {c}}}}}}}}} {c}}}}}}}}}}}}}}}}}}}}}}} {]}}}}}}}}}}}}}}}} {]}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}} { ################################################################################################################################################################################################################################################################ {\fnMicrosoft Sans Serif}} {fnMicrosoft Sans Serif}}} {fnMicrosoft Sans Serif}}} {fnMicrosoft Sans Serif}}}} {fnMicrosoft Sans Serif}}}}} {\fnMicrosoft Sans Serif}}}}}}} { Rightarrow.$

Estas propiedades, junto con otros casos especiales, se resumen en la siguiente lista:

• La convergencia casi segura implica convergencia en probabilidad:^[prueba]

  ${displaystyle ¿Qué? Xquad Rightarrow quad X_{n} {xrightarrow {fnset} {} {}}fn} X.$

• La convergencia en la probabilidad implica que existe una subsecuencia ${displaystyle (n_{k})}$ que casi seguramente converge:

  ${displaystyle ¿Por qué? Xquad Rightarrow quad X_{n_{k} xrightarrow {text{a.s}} X}$

• La convergencia en la probabilidad implica convergencia en la distribución:^[prueba]

  ${displaystyle X_{n} {xrightarrow {fnset} {} {}}fn} Xquad Rightarrow quad X_{n} {xrightarrow {fnset} {} {}}fn} X.$

• Convergencia en r- el orden significa convergencia en probabilidad:

  ${displaystyle X_{n} {xrightarrow {fnset} {} {} {fn}}}} {}} {fn}}}}} {}}} {}} {}}}}}} {}}}}} {}}}}} {}} {} {} {}}}}}}} {}}}}}}}}}}} {}}}}} {}}}}}}} {}}}}}} {}}} {}}}}}}}}}}}} {}}}}}}}}}}}}}}}}} {}}}}}}}}}}}} {}}}}}}}}}}}}}}}}}}}}}}}} {}}}}}}}}}}}}}} {}}}}}}}}}}}}}}}} {}}}}}}}}}} {}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}} Xquad Rightarrow quad X_{n} {xrightarrow {fnset} {} {}}fn} X.$

• Convergencia en r-la orden significa convergencia en orden inferior significa, asumiendo que ambas órdenes son mayores o iguales a una:

  ${displaystyle X_{n} {xrightarrow {fnset} {} {} {fn}}}} {}} {fn}}}}} {}}} {}} {}}}}}} {}}}}} {}}}}} {}} {} {} {}}}}}}} {}}}}}}}}}}} {}}}}} {}}}}}}} {}}}}}} {}}} {}}}}}}}}}}}} {}}}}}}}}}}}}}}}}} {}}}}}}}}}}}} {}}}}}}}}}}}}}}}}}}}}}}}} {}}}}}}}}}}}}}} {}}}}}}}}}}}}}}}} {}}}}}}}}}} {}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}} Xquad Rightarrow quad X_{n} {xrightarrow {fnset} {} {} {fn}}}} {}} {}}} {}}}}} {}} {}}} {}}}} {}}} {}}}}}} {}}}} {}} {}} {}}}} {}}}}}} {}}}}}}} {}}}}}}}}}}} {}}}}}} {}}}}}}} {}}}}}}}}}}}}}}}}}}}}}}}}}} {}}}}}}} {}}}}}}}} {}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}} {}}}}}}}}}}}}}}}} {}}}}}}}}}}} {}}}}}}}}}}}}}}}}}}}}}}}}} {}}}}}}}}}}}}}}} X.$ proporcionadas r ≥ s ≥ 1.

• Si X_n converge en la distribución a una constante c, entonces X_n converge en probabilidad de c:^[prueba]

  ${displaystyle X_{n} {xrightarrow {fn}cccfn}cccfn}cccccccccccccccccc\\\cccc\cccH3\cH3\\\\\cH3n}}ccccccccccccccccccccccccccccccccccccccccc\\ccccccccc\\\\\c\\cc\\c\\c\\\c\\ {xrightarrow {fnset} {} {}}fn} c,}$ proporcionadas c es una constante.

• Si X_n convergencias en la distribución a X y la diferencia entre X_n y Y_n converge en probabilidad a cero, entonces Y_n también converge en la distribución a X:^[prueba]

  ${displaystyle X_{n} {xrightarrow {fnset} {} {}}fn} X,\\ Silencio* {xrightarrow {fnK}}} 0 quad Rightarrow quad Y_{n} {xrightarrow {fnK}}} X.$

• Si X_n convergencias en la distribución a X y Y_n converge en la distribución a una constante c, entonces el vector conjunto ()X_n,Y_n) convergencias en la distribución a ${displaystyle (X,c)}$:^[prueba]

  ${displaystyle X_{n} {xrightarrow {fnset} {} {}}fn} X, Y_{n} {xrightarrow {overset {}cccc\ccc\cc\cH00}cccc\cccc\\cn}ccccccccccccccccH3n}ccccccccccccccccccccccccccccccccccccccccccccc\\\\\ccccccccc\\\\\c\\\c\cc\\c\\\\\ {xrightarrow {fnK}}} (X,c)}$ proporcionadas c es una constante.

  Tenga en cuenta que la condición Y_n converge a una constante es importante, si fuera a converger a una variable aleatoria Y entonces no podríamos concluir que ()X_n,Y_n) convergencias a ${displaystyle (X,Y)}$.

• Si X_n converge en probabilidad de X y Y_n converge en probabilidad de Y, entonces el vector conjunto ()X_n,Y_n) converge en probabilidad de ()X,Y):^[prueba]

  ${displaystyle X_{n} {xrightarrow {fnset} {} {}}fn} X, Y_{n} {xrightarrow {fnK}}} Y quad Rightarrow quad (X_{n},Y_{n}) {xrightarrow {fnK}}} (X, Y)}$

• Si X_n converge en probabilidad de X, y si P(en inglés)X_n■ ≤ b) = 1 para todos n y algunos b, entonces X_n convergencias en rsignifica X para todos r ≥ 1. En otras palabras, si X_n converge en probabilidad de X y todas las variables aleatorias X_n son casi seguramente atados arriba y abajo, entonces X_n convergencias a X también en cualquier rQuiero decir.
• Representación casi segura. Por lo general, la convergencia en la distribución no implica casi seguro la convergencia. Sin embargo, para una secuencia dada {X_n} que converge en distribución a X₀ siempre es posible encontrar un nuevo espacio de probabilidad (Ω, F, P) y variables aleatorias {Y_n, n = 0, 1,...} definido en ella tal que Y_n es igual en la distribución a X_n para cada uno n ≥ 0, y Y_n convergencias a Y₀ Casi seguro.
• Si para todos ε ■ 0,

  ${displaystyle sum _{n}mathbb {P} left(ыX_{n}-X insistenvarepsilon right)$

  entonces decimos que X_n converge casi completamente, o casi en probabilidad hacia X. Cuando X_n converge casi completamente hacia X entonces también converge casi seguramente a X. En otras palabras, si X_n converge en probabilidad de X lo suficientemente rápido (es decir, la secuencia anterior de probabilidades de cola es sumible para todos ε ■ 0), entonces X_n también converge casi seguramente X. Esta es una implicación directa del Borel-Cantelli lemma.

• Si S_n es una suma n variables aleatorias independientes reales:

  ${displaystyle S_{n}=X_{1}+cdots #$

  entonces S_n converge casi seguro si y sólo si S_n converge en probabilidad.

• El teorema de convergencia dominado da condiciones suficientes para una convergencia casi segura para implicar L¹- Convergencia:

${displaystyle left. {begin{matrix}X_{n}{xrightarrow {fn}\fn}\fn}\fn}fn\fn}\\\mhm {cHFFFF} {fn}fn}fn}fn}fn}fn}fn}fn\\fn0}\\fn\\\\\fnfn}fn}fn\\\\\\\\\\\\\\\fnH3n}fn}fn}fn}\\\fn}fn}\\fn}fn}fn}fn}fn}fn}fn}fn}fn}fn}fn}fn}fn}\\fn}fn}\\\\\ Rightarrow quad X_{n}{xrightarrow ¿Qué?$

()5)

• Una condición necesaria y suficiente L¹ convergencia ${displaystyle X_{n}{xrightarrow {sigualdad - Sí.$ y la secuencia (X_n) es uniformemente integrador.
• Si ${displaystyle X_{n}$ son discretos e independientes, entonces ${displaystyle ¿Qué? {p}{rightarrow }X}$ implica que ${displaystyle ¿Qué?$. Esta es una consecuencia del segundo Borel-Cantelli lemma.