Funciones caractersticas
Una1 funcion caracterstica es una funcion que toma valores complejos y tiene argumento real. Definida a partir de una variable aleatoria X,
caracteriza la distribucion F (x) de esta variable aleatoria. Las funciones
caractersticas son especialemente adecuadas para el estudio de la convergencia debil de variables aleatorias independientes, y seran utilizadas a
lo largo del captulo 7. Dadas dos variables aleatorias
X e Y , definimos
la variable aletoria compleja Z = X + iY , donde i = 1 es la unidad
imaginaria. Si la variables aleatorias X, Y tienen esperanzas respectivas
E X, E Y , definimos la esperanza matematica de la variable aleatoria compleja Z mediante E Z = E X + i E Y . No es difcil verificar (tomando
partes real e imaginaria), que si a, b son dos n
umeros complejos, se tiene
E(aZ + b) = a E Z + b ; y que si Z1 , Z2 son dos variables aleatorias complejas, se tiene E(Z1 + Z2 ) = E Z1 + E Z2 . Si z = a + ib es un n
umero
complejo, designamos z = a ib el complejo conjugado de z.
6.1.
Consideremos una variable aleatoria X definida en un espacio de probabilidad (, A, P). Llamamos funcion caracterstica de la variable aleatoria
X a la funcion f (t), definida para todo t real, mediante la igualdad
f (t) = E eitX .
(6.1)
1
Captulo 6 del libro Teora de la Probabilidad por Valentn Petrov y Ernesto
Mordecki
(6.2)
Como las variables aleatorias cos tX y sen tX estan acotadas para todo t
real, sus esperanzas matematicas existen. Por esto, la funcion caracterstica de una variable aleatoria arbitraria X esta correctamente definida para
todo t real.
De acuerdo a la definicion de esperanza matematica, tenemos
Z
eitX d P .
(6.3)
f (t) =
eitx p(x)dx,
f (t) =
(6.6)
Ejemplo 6.2. Sea X una variable aleatoria con distribucion binomial con
parametros (n, p). Aplicando (6.5), obtenemos
f (t) =
n
X
itm
m=0
n
n m nm X n
p q
=
(peit )m q nm = (peit + q)n ,
m
m
m=0
donde q = 1 p.
Ejemplo 6.3. Si X tiene distribucion de Poisson con parametro > 0,
aplicando la formula (6.5), obtenemos
itX
f (t) = E e
X
m=0
itm
m!
=e
X
(eit )m
it
it
= e ee = e(e 1) .
m!
m=0
f (t) = et
itX
.
e(it)x dx =
f (t) = E e =
it
0
Estudiemos ahora las propiedades que verifica la funcion caracterstica
f (t) de una variable aleatoria X con funcion de distribucion F (x). Las dos
primeras propiedades son evidentes.
Propiedad 1. Se tiene f (0) = 1.
Propiedad 2. Se tiene |f (t)| 1 para cualquier t R.
Propiedad 3. La funcion caracterstica f (t) es uniformemente continua
en la recta real.
Demostracion. La demostracion, basada en la formula (6.3), se adapta
sin dificultad si tomamos como definicion cualquiera de las formulas (6.4),
(6.5) o (6.6).
Sean t, h reales arbitrarios. De (6.3), tenemos
Z
f (t + h) f (t) =
eitX (eihX 1)d P .
(6.7)
iu
B
B
Z
2 P(B) +
|hX|d P 2 P(|X| A) + A|h|
(1 m k),
(6.8)
donde m = E(X m ).
Demostracion. Derivando formalmente m veces, con respecto de t, bajo
el signo de integracion en la formula (6.4), obtenemos
Z
(m)
f (t) =
(ix)m eitx dF (x).
(6.9)
Esto permite demostrar que la derivacion bajo el signo de integral es valida, y obtener la formula (6.9). Sustituyendo t = 0 en (6.9) se obtiene (6.8).
u(xk )pk
concluyendo la demostracion.
donde uk (x) y vk (x) son funciones de argumento real, que toman valores
reales (k = 1, 2). Esto es sencillo de demostrar, aplicando el lema anterior
a las partes real e imaginaria del producto u(X)v(Y ).
Propiedad 6. Consideremos dos variables aleatorias independientes X
e Y , con funciones caractersticas f (t) y g(t) respectivamente. Sea h(t)
la funcion caracterstica de la suma X + Y . Entonces, se verifica h(t) =
f (t)g(t).
Demostracion. Tenemos
h(t) = E e
it(X+Y )
itX itY
=E e
6.2.
F
ormula de inversi
on. Teorema de unicidad
eitx2 eitx1
f (t)dt.
it
(6.11)
du = ,
du C (x 0),
u
2
u
0
0
de donde obtenemos, que
(
/2, si h < 0,
lm R(h, T ) =
T
/2,
si h > 0.
(6.12)
Z Z T it(yx2 )
e
eit(yx1 )
dt dF (y)
=
it
T
Z Z T
sen t(y x2 ) sen t(y x1 )
dt dF (y)
=
t
T
Z
=2
R(y x2 , T ) R(y x1 , T ) dF (y).
RT
donde utilizamos que T cos(t)/t dt = 0 para todo real, para obtener
la u
ltima igualdad. Respecto del comportamiento asintotico del u
ltimo
integrando, tomando por ejemplo x1 < x2 , en vista de (6.12), tenemos
0, si y < x1 ,
lm R(y x2 , T ) R(y x1 , T ) = , si x1 < y < x2 ,
(6.13)
T
0, si x2 < y.
La u
ltima etapa de la demostracion consiste en verificar que el lmite de
I cuando T es la integral del lmite obtenido en (6.13). Para esto
elegimos > 0, de forma que x1 + < x2 , y consideramos la integral
I como la suma de cinco integrales, designadas Ik (i = 1, . . . , 5), en los
intervalos de integracion (, x1 ], (x1 , x1 + P
], (x1 + , x2 ],
(x2 , x2 + ], y (x2 + , ). Tenemos entonces I = 5i=1 Ik .
Sea > 0 arbitrario. Tenemos
Z
I1 = 2
R(y x2 , T ) R(y x1 , T ) dF (y).
(,x1 ]
10
si es suficientemente peque
no (independientemente de T ), dado que x1
es un punto de continuidad de F (x). La situacion con I4 es analoga, y
por esto |I4 | < si es suficientemente peque
no. Por u
ltimo, como la
convergencia en (6.13) es uniforme, para la tercer integral tenemos
Z
I3 = 2
R(y x2 , T ) R(y x1 , T ) dF (y)
(x1 +,x2 ]
2 F (x2 ) F (x1 + ) ,
si T . En conclusion, para todo suficientemente peque
no, tenemos
I 2 F (x2 ) F (x1 + ) |I1 | + |I2 | + |I4 | + |I5 |
+ I 2 F (x2 ) F (x1 + ) < 5,
si T es suficientemente grande. Como x1 y x2 son puntos de continuidad
de la funcion F (x), esto concluye la demostracion.
Teorema 6.2 (Unicidad). Sean f (t), g(t) las funciones caractersticas
correspondientes a dos funciones de distribucion F (x), G(x). Supongamos
que f (t) = g(t) para todo t real. Entonces, se verifica F (x) = G(x) para
todo x real.
Demostracion. Sea C el conjunto de los puntos en el que ambas funciones F (x) y G(x) son continuas. Como F (x) y G(x) son funciones de
distribucion, el complemento del conjunto C es, a lo sumo, numerable.
Sean entonces x, y1 , y2 , . . . puntos de C, tales que yn (n ).
Aplicando el teorema 6.1, obtenemos que F (x) F (yn ) = G(x) G(yn ),
y tomando lmite si n en la igualdad anterior, resulta
F (x) = G(x) para todo x en C.
(6.14)
11
2 /2
.
it + it
(6.15)
1
1
=
+
=
.
+ it + it
it + it
itx
(6.16)
12
Veamos un corolario mas del teorema de unicidad: si la funcion caracterstica f (t) de una variable aleatoria dada es real, entonces la variable
aleatoria es simetrica. En efecto, como f (t) es real, aplicando la propiedad
7, tenemos
f (t) = f (t) = f (t).
Por otra parte, f (t) = E eitX es la funcion caracterstica de la variable
aleatoria X en el punto t. De la coincidencia de las funciones caractersticas se obtiene la igualdad de las distribuciones de las variables aleatorias
X y X, aplicando el teorema 6.2. Conclumos que X es simetrica.
En vista de lo recien demostrado y de la propiedad 8, llegamos a la
siguiente conclusion: una variable aleatoria es simetrica si y solo si su
funcion caracterstica es real.
6.3.
Teoremas de Helly
13
si x n,
0,
Fn (x) = 1/2, si n < x n,
1,
si n x.
Es claro que Fn (x) 1/2 (n ) para todo x real, y en consecuencia la sucesion {Fn (x)} considerada converge debilmente a la funcion
F (x) = 1/2. Sin embargo, la convergencia completa no tiene lugar, dado que Fn () = 0, Fn (+) = 1 para todo n, y tenemos F () =
F () = 1/2.
Teorema 6.3 (Helly). Consideremos una sucesion {Fn (x)} de funciones
no decrecientes. Supongamos que existen constantes A y B tales que se
verifica A Fn (x) B para todo x real y para todo n. Entonces, la
sucesion dada contiene una subsucesion {Fnk (x)} que converge debilmente
a una cierta funcion F (x), no decreciente y acotada.
En la demostracion de este teorema utilizamos el siguiente resultado.
Lema 6.2. Si Fn (x) F (x) para todo x D, donde D es un conjunto
denso en la recta real, entonces Fn F .
Demostracion del lema. Sea x un punto de continuidad de F (x). Como D
es denso, existen dos sucesiones {x0k } y {x00k } que verifican x0k < x < x00k
para todo k y lmk x0n = lmk x00k = x. Para cada k y cada n, tenemos
Fn (x0k ) Fn (x) Fn (x00k ).
Como lmn Fn (x0k ) = F (x0k ) y lmn Fn (x00k ) = F (x00k ), de las desigualdades anteriores, si n , obtenemos
F (x0k ) lm inf Fn (x) lm sup Fn (x) F (x00k ).
n
Entonces, el lmn Fn (x) existe, y vale F (x). Como el punto de continuidad es arbitrario, esto concluye la demostracion.
14
C = F () F ().
xR
(6.17)
15
Como g(x) es una funcion continua, existe una particion del intervalo
[a, b], designada a = x0 < x1 < < xN = b, formada por puntos de
continuidad de F (x), y tales que se verifica |g(x) g(xk )| < si x
(xk1 , xk ) (k = 1, . . . , N ).
Consideremos la funcion auxiliar
(
g(xk ), si x (xk1 , xk ] (k = 1, . . . , N ),
g0 (x) =
0,
en otro caso,
que podemos tambien definir como g0 (x) =
Z
Z
I=
g(x)dF (x), In =
PN
k=1
g(x)dFn (x).
Z
Z
+
g0 (x)dFn (x)
g0 (x)dF (x)
Z
+
g(x) g0 (x) dF (x)
(6.18)
(6.19)
(6.20)
= S1 + S2 + S3 .
Acotemos cada uno de los tres sumandos anteriores. Para S3 en (6.20),
tenemos
Z a
Z b
Z
g(x)dF (x) +
g(x) g0 (x)dF (x) +
g(x)dF (x)
|S3 |
b
a
G F (a) F () + F (b) F (a) +G F () F (b)
(6.21)
/3 + /3 + /3 = ,
en vista de (6.17) y la desigualdad F (b) F (a) C.
Para S1 en (6.18), cambiando Fn por F , obtenemos
|S1 | G Fn (a) Fn ()
+ Fn (b) Fn (a) +G Fn () Fn (b) < ,
(6.22)
16
g0 (x)dFn (x) =
N
X
g(xk ) Fn (xk ) Fn (xk1 )
k=1
N
X
g(xk ) F (xk ) F (xk1 ) =
g0 (x)dF (x),
k=1
6.4.
Relaci
on entre la convergencia de distribuciones y de funciones caractersticas
(6.23)
17
Como eitx = cos tx + i sen tx, donde las funciones sen tx, cos tx son continuas y acotadas; y tenemos Fn F (x) (porque se trata de funciones de
distribucion), obtenemos (6.23) aplicando el teorema 6.4 de Helly.
Supongamos ahora que se verifica la condicion (6.23). En virtud del
teorema 6.3 de Helly, la sucesion {Fn (x)} contiene una cierta subsucesion
{Fnk (x)}, que converge debilmente a una cierta funcion F (x) no decreciente, que verifica 0 F (x) 1, y que elegimos continua por la derecha.
Demostremos que F (x) es una funcion de distribucion. Para esto hay que
demostrar que F () = 0 y F (+) = 1, lo que equivale a demostrar
que = F (+) F () = 1.
Supongamos que < 1 y sea tal que 0 < < 1 . Como f (0) = 1 y
f (t) es continua, para suficientemente peque
no es valida la desigualdad
Z
1
f (t)dt > 1 > + .
(6.24)
2
2
2
Como Fnk F , podemos elegir un real A > /(4) que verifique: F (x)
es continua en A y en A; para todo k suficientemente grande k (A) =
Fnk (A) Fnk (A) < + /4.
Introducimos ahora la funcion
Z
2
eitx dt = sen(x)
B(x) =
x
{|x|A}
Z
2
+
B(x)dFnk (x) 2k + .
A
{|x|>A}
En vista de la eleccion de A, dividendo por 2, obtenemos
Z
1
fnk (t)dt + .
2
2
18
f (t)dt + ,
2
2
lo que contradice la desigualdad (6.24). Entonces = 1 y F (x) es una
funcion de distribucion.
Por u
ltimo observemos, que como Fnk F , aplicando la primera
parte del teorema, obtenemos que f (t) es la funcion caracterstica que
corresponde a esta distribucion F (x).
Para terminar, resta demostrar que toda la sucesion {Fn (x)} converge
debilmente a F (x). Supongamos que esto no es cierto. Existe entonces una
subsucesion {Fn0 (x)}, que converge debilmente a una cierta funcion G(x),
que es distinta de F (x), en por lo menos un punto de continuidad. Una
argumentacion similar a la aplicada a {Fnk (x)} nos permite obtener, que
G(x) es una funcion de distribucion, y que f (t) es su funcion caracterstica.
Aplicando el teorema 6.2 de unicidad de funciones caractersticas obtenemos que F (x) = G(x) para todo x real, contradiciendo nuestro supuesto.
Entonces Fn F , lo que concluye la demostracion.
En el captulo 7 estudiaremos distintas variantes del teorema central
del lmite, cuyas demostraciones se basan el teorema recien demostrado.
6.5.
Ejercicios
6.5. Ejercicios
19
on discreta que
k= P(X = a + hk) = 1. (a) Encontrar una distribuci
no sea latice. (b) Demostrar que una distribucion con funcion caracterstica f (t) es latice si y solo si existe t0 6= 0 tal que |f (t0 )| = 1.
8. Sea X una variable aleatoria con distribucion latice, que toma los
valores a+hk (k = 0, 1, 2, . . . ), con probabilidades pk = P(X = a+kh).
Demostrar que se verifica
Z
h
eit(a+kh) f (t)dt
pk =
2 {|t|< h }
para todo k entero, donde f (t) es la funcion caracterstica de X.
9. Utilizando el teorema 6.2 de unicidad, demostrar: si X e Y son variables aleatorias independientes, con distribucion de Poisson con parametros 1 y 2 respectivamente, entonces X + Y tiene distribucion de Poisson
con parametro 1 + 2 .
10. Consideremos una funcion caracterstica f (t) y dos constantes b, c,
que verifican 0 < c < 1, b > 0. Demostrar que si |f (t)| c, cuando |t| b,
entonces |f (t)| 1 (1 c2 )t2 /(8b2 ), si |t| < b.
11. Demostrar que si una funcion caracterstica verifica la condicion
lm sup |f (t)| < 1
|t|
20
Re
f
(t)
dt.
2
0
1 + x
14. Una funcion caracterstica se denomina infinitamente divisible si para
cada natural
n 1, existe una funcion caracterstica fn (t), tal que f (t) =
n
fn (t) . Demostrar las siguientes proposiciones: (a) Si f (t) y g(t) son funciones caractersticas infinitamente divisibles, entonces, f (t)g(t) es una
funcion caracterstica infinitamente divisible. (b) Si f (t) es funcion caracterstica infinitamente divisible, entonces, f (t) 6= 0 para todo t real.
(Sugerencia: utilizar la desigualdad del ejercicio 3.)
15. Si una funcion caracterstica verifica f (t) = 1+o(t2 ) (t 0), entonces
f (t) = 1 para todo t real.
16. Sea f (t) la funcion caracterstica de una variable aleatoria con distribucion no degenerada. Demostrar que existen reales positivos y ,
tales que |f (t)| 1 t2 para |t| .
17. Sea X una variable aleatoria con funcion caracterstica f (t), con distribucion latice, que toma los valores a + hk (k = 0, 1, 2, . . . ), donde
h > 0 y a son n
umeros reales fijos. El n
umero h se denomina el paso de la
distribucion. El pasoPh se denomina maximal, si no existe un par h1 , a1 ,
con h1 > h, tal que
que el paso
k= P(X = a1 + h1 k) = 1. Demostrar
h es maximal si y solo si se verifican las condiciones f (2/h) = 1, y
|f (t)| < 1 para 0 < |t| < 2/h.
18. Una funcion de distribucion, o su funcion caracterstica f (t), se denomina estable, cuando para todo par a1 y a2 de n
umeros reales positivos,
6.5. Ejercicios
21
existen a > 0 y b reales, tales que f (a1 t)f (a2 t) = eibt f (at). (a) Demostrar
que esta definicion es equivalente a la siguiente: la funcion de distribucion
F (x) es estable, si para todo a1 > 0, a2 > 0, b1 y b2 , existen a > 0 y b
reales tales que F (a1 x + b1 ) F (a2 x + b2 ) = F (ax + b), donde designa la
convolucion. (b) Determinar si son estables las siguientes distribuciones:
(i) degenerada, (ii) normal, (iii) uniforme, (iv) binomial, (v) de Poisson.
19. (a) Hallar la funcion caracterstica de una variable aleatoria con distribucion Gama, con parametros (, ). (b) Demostrar que si T1 , . . . , Tn
son variables aleatorias independientes con distribucion com
un exponencial de parametro , entonces, su suma T1 + + Tn , tiene densidad dada
por p(x) = n xn1 ex /(n 1)!.
Captulo 7
Teorema central del lmite
Se1 denomina teorema central del lmite a cualquier proposicion que
establece, bajo determinadas condiciones, que la funcion de distribucion
de la suma de una cantidad creciente a infinito de variables aleatorias, converge a la funcion de distribucion normal. Aplicando el teorema central del
lmite podemos aproximar la distribucion de la suma de un gran n
umero
de variables aleatorias, mediante la distribucion normal. En este captulo, dedicado a estudiar diversas variantes del teorema central del lmite,
comenzamos por el teorema de LindebergLevy que considera sumas de
variables independientes e identicamente distribudas. En la seccion 2 se
demuestra un resultado mas general: el teorema de Lindeberg, en el cual
no se supone que las variables aleatorias consideradas tienen la misma
distribucion.
7.1.
Teorema de LindebergL
evy
Decimos que X1 , X2 , . . . es una sucesion de variables aleatorias independientes, cuando las variables aleatorias X1 , . . . , Xn son mutuamente
independientes para cada n = 1, 2, . . . . Recordemos, que X1 , X2 , . . . es una
sucesion de variables aleatorias identicamente distribuidas cuando todas
las variables aleatorias consideradas tiene la misma distribucion.
Teorema 7.1 (LindebergLevy).
Consideremos una sucesion X1 , X2 , . . . de variables aleatorias independi1
Captulo 7 del libro Teora de la Probabilidad por Valentn Petrov y Ernesto
Mordecki
23
24
itZn
P
i(t/ n) n
k=1 Xk
= Ee
=E
n
Y
ei(t/
n)Xk
k=1
n
Y
E ei(t/
n)Xk
k=1
h t in
= v
,
n
(7.2)
u2
+ o(u2 ) (u 0),
2
(7.3)
v
=1
+o
(n ),
2n
n
n
dado que 1/n 0 si y solo si u 0.
25
(7.4)
X
r(z) = ln(1 + z) z =
(1)m1 z m /m.
m=2
|z| = |z|
m=2
X
m=0
|z|m =
|z|2
2|z|2 ,
1 |z|
1
porque (1 |z|)
que |z| 1/2. Esto prueba (7.4).
2, dado
Si z = v(t/ n)1 = t2 /(2n)+o(1/n), para n suficientemente grande
podemos aplicar la formula (7.4), para obtener
1
t
t2
= +o
,
ln v
2n
n
n
Fn (x) = P
x
n
Y + + Y
1
n
=P
x (x),
n
26
(7.5)
ex
2 /2
dx 0 (n ),
7.2.
27
Teorema de Lindeberg
Bn =
n
X
k2 ,
k=1
n
1 X
Fn (x) = P
(Xk ak ) x .
Bn k=1
(7.7)
it
k1
X
(it)
=0
k
1 ix X (ix)
dt =
e
.
i
!
=0
28
Entonces
Z |x| k
k
t
|x|k+1
ix X (ix)
dt =
,
= |I|
e
!
k!
(k
+
1)!
0
=0
concluyendo la demostracion.
Demostracion del teorema 7.2 de Lindeberg. Observemos en primer lugar
que podemos suponer an = 0 (n = 1, 2, . . . ). El caso general en el que
las variables aleatorias tienen esperanzas arbitrarias, se reduce a este caso
particular mediante la consideracion de las variables aleatorias Yn = Xn
an (n = 1, 2, . . . ) que verifican E Yn = 0, var Yn = n2 .
Supongamos entonces que E Xn = 0 (n = 1, 2, . . . ). En primer lugar,
demostremos que la condicion (7.6) de Lindeberg, que en nuestro caso es:
Para todo > 0
n Z
1 X
x2 dVk (x) 0 (n ),
n () =
Bn k=1 {|x|Bn }
implica la condicion:
1
max 2 0 (n ).
Bn 1kn k
(7.8)
{|x|< Bn }
n Z
X
2
Bn +
k=1 {|x| Bn }
{|x| Bn }
x2 dVk (x).
P
Consideremos ahora Zn = nk=1 Xk / Bn y calculemos su funcion caracterstica fn (t) en terminos de vk (t), la funcion caracterstica de Xk (k =
29
1, . . . , n). Tenemos
fn (t) = E e
itZn
= Ee
P
i(t/ Bn ) n
k=1 Xk
=E
n
Y
ei(t/
Bn )Xk
k=1
n
Y
E ei(t/
k=1
Bn )Xk
n
Y
t
=
vk
,
B
n
k=1
(7.9)
B
n
1 =
dVk (x)
e
1
vk
Bn
Bn
2 Z +
t
t2 k2
x2 dVk (x) =
(7.10)
2Bn
2Bn
t2
1
max 2 0 (n ),
(7.11)
2
Bn 1kn k
seg
un vimos en la formula
(7.8). Luego, si n es suficientemente grande,
designando zk = vk (t/ Bn ) 1, se verifica |zk | < 1/2 para todo k =
1, . . . , n, y podemos utilizar el desarrollo del logaritmo (7.4), para obtener
t
2
t4 4 t4 k2
1
|rk (t)| 2vk
1
k
max 2 ,
2
2Bn
2Bn Bn 1kn k
Bn
30
max k2 0 (n ),
|Rn (t)| =
|rk (t)|
2
B
B
n
n 1kn
k=1
k=1
n
X
(7.12)
t2 k2
itx
(itx)2
itx/ Bn
1+
e
1
=
dVk (x)
Ik = vk
2Bn
2Bn
Bn
Bn
3/2
{|x| Bn } Bn
{|x|< Bn } 6Bn
Z
k2 |t|3
t2
+
|x|2 dVk (x).
(7.13)
6Bn
Bn {|x| Bn }
Estamos en condiciones de concluir la demostracion. Utilizando el lema
7.2, tenemos
t t2 2 i
t2 X h
k
ln fn (t) + =
ln vk
+
2
2Bn
Bn
k=1
Xh t
(it)2 k2 i
=
vk
1
+ Rn (t)
2Bn
Bn
k=1
=
n
X
k=1
Ik + Rn (t).
31
(k = 1, . . . , n).
Bn
Pn
Pn
Poniendo Zn =
k=1 (Xk ak )/ Bn , tenemos Zn =
k=1 Xnk . Demostremos que la condicion de Lindeberg implica la condicion: Para todo
>0
P max |Xnk | 0 (n ).
(7.14)
Xnk =
1kn
{|xak | Bn }
Z
1
2
(x ak )2 dVk (x).
Bn {|xak |Bn }
32
Por esto,
max |Xnk | P
1kn
n
[
|Xnk |
k=1
n
XZ
1
2 Bn
k=1
{|xak | Bn }
n
X
P |Xnk |
k=1
(x ak )2 dVk (x) =
1
n (),
2
7.3.
Teorema de Lyapunov
n
X
k=1
k2 ,
n
1 X
(Xk ak ) x .
Fn (x) = P
Bn k=1
33
1+/2
Bn
k=1 {|xak | Bn }
n Z
X
1
1
Bn
k=1
n
X
k2 ,
k=1
n
1 X
(Xk ak ) x ,
Fn (x) = P
Bn k=1
Ln = Ln (1) =
n
1 X
3/2
Bn k=1
E |Xn an |3 .
Entonces
|Fn (x) (x)| ALn
(7.16)
34
,
Ln = , con =
3
n
aplicando la desigualdad (7.16) de Esseen, obtenemos
A
|Fn (x) (x)|
n
(7.17)
para todo x real y todo n = 1, 2, . . . Es posible demostrar (ver por ejemplo 5.2 en [?]), que sin la introduccion de condicionesadicionales, esta
acotacion es optima en el siguiente sentido: el termino n en el denominador, a la derechaen (7.17), no se puede sustituir por una funcion g(n),
que verifique g(n)/ n (n ).
7.4.
Ejercicios
7.4. Ejercicios
35
k=1
para todo n, donde A y B son constantes positivas. Es aplicable el teorema central del lmite a esta sucesion?
11. Sea {Xn } una sucesion de variables aleatorias independientes, con
esperanza matematica nula. Supongamos que se verifica
n
n
1+
X
X
2
E |Xk | ln |Xk |
Bn,
E |Xk |2 An,
k=1
k=1
36