k=1
n n k=1 1, t=0
2. X ∼ U [0, 1]
et −1
, t 6= 0
MX (t) = t
1, t=0
Teorema 5 Sea X una v.a. acotada, esto es X(ω) ≤ K, ∀ω ∈ Ω y para algn K. Entonces
E(etX ) existe ∀t ∈ R.
Demostración Como |X| ≤ K, entonces tX ≤ |t|K, lo que implica 0 ≤ etX ≤ e|t|K y luego
0 ≤ E(etX ) ≤ e|t|K < ∞, ∀t ∈ R.
1
Ejemplos
1. X ∼ Bin (n, p), en este caso X es acotada =⇒ MX est definida para todo t ∈ R.
n n
tk n n
X X
tX k n−k
MX (t) = E(e ) = e p q = (pet )k q n−k = (pet + q)n .
k=0
k k=0
k
2
1
1. X ∼ U [0, 1] sabemos que E(X) = 2
y por otra parte
MX (t) − 1 et − 1 − t et − 1 1
MX0 (0) = lim = lim 2
= lim = .
t→0 t t→0 t t→0 2t 2
A la última igualdad se llega vı́a la regla de l’Hôpital.
2 t2 +µt
2. X ∼ N (µ, σ 2 ) Ya vimos que le función generatriz es MX (t) = eσ 2 . Ası́ tenemos
d σ2 t2 +µt 2 t2
E(X) = (e 2 )|t=0 = (σ 2 t + µ)eσ 2 +µt |t=0 = µ
dt
d2 σ2 t2 +µt
E(X 2 ) = (e 2 )|t=0 = µ2 + σ 2 .
dt2
Ası́
Var(X) = E(X 2 ) − [E(X)]2 = µ2 + σ 2 − µ2 = σ 2 .
Observación 9
√ Xn − µ Xn − µ X n − E(X n ) D
n = = q → N (0, 1).
σ √σ
n Var(X n )
4
que la elección sin reemplazo es aproximadamente equivalente a la elección con reemplazo si la
poblacin es grande. Se quiere hallar n de tal modo que
P |X n − p| < ε = 0.95.
Se tiene además E(Xi ) = p y Var(Xi ) = p(1 − p). Ası́ si Φ es la distribución de la normal
estándar se cumple:
√ √ √ !
nε n(X n − p) nε
P |X n − p| < ε = P −ε < X n − p < ε = P − p < p <p
p(1 − p) p(1 − p) p(1 − p)
√ ! √ ! √ !
nε nε nε
≈Φ p − Φ −p = 2Φ p − 1 = 0.95
p(1 − p) p(1 − p) p(1 − p)
Esto implica que se debe encontrar un z tal que Φ(z) = 0.95+1
2
= 0.975, al buscar en la tabla
normal se encuentra z ≈ 1.96. Esto implica que
√
nε (1.96)2 p(1 − p)
p = 1.96 =⇒ n = .
p(1 − p) ε2
(1.96)2
Ahora bien como p(1 − p) ≤ 14 , se puede suponer n = 4ε2
. Si a manera de ejemplo ponemos
ε = 0.01 entonces n ≥ 9604.
100
X 100 1 k 1 100−k
• P{S > 50} = ( ) ( ) = 1 − P (S ≤ 50)
k=51
k 2 2
! !
S − np 50 − np S − np 1
=1−P p ≤p =1−P p ≤ 0 ≈ 1 − Φ(0) = .
np(1 − p) np(1 − p) np(1 − p) 2
• !
S − np 60 − 50
P(S > 60) = 1 − P(S ≤ 60) = P p ≤
np(1 − p) 5
≈ 1 − Φ(2) ≈ 1 − 0.9772 = 0.028.
5
3 Otra demostración del TCL (por el método de la fun-
ciones diferenciables (Método de Trotter)
En estas notas daremos una demostración del Teorema Central del lı́mite para variables con
densidad o discretas. Comenzaremos recordando algunas propiedades de las variables aleato-
rias Gaussianas. Decimos que una variable aleatoria (v.a.) tiene una distribución Gaussiana
2
−x
estándar (en notación N (0, 1)) si tiene como densidad a la función ϕ(x) = e√2π2 , además si Z
es N (0, 1) entonces la variable Y = σZ + µ tiene media µ y varianza σ 2 . Diremos que Y es
Gaussiana con media µ y varianza σ 2 y la denotaremos como N (µ, σ 2 ) su densidad es σ1 ϕ( x−µ
σ
).
En primer lugar demostremos la siguiente proposición:
2 2
Z Z u−z2 z1 z2
1 − 12 2 + σ2
σ1
= e 2 dz1 dz2 ,
2πσ1 σ2 R −∞
derivando obtenemos
u2
Z
(u−z2 )2 z2
− 2 +σ 2 )
2(σ1
1 − 12 2 + 22 e 2
fZ (u) = e σ1 σ2
dz1 dz2 = √ p .
2πσ1 σ2 R 2π σ12 + σ22
Para obtener la última igualdad sólo hay que completar cuadrados judiciosamente en el ex-
ponente e integrar una vez. Supongamos ahora que le tesis es cierta par n − 1. Entonces
escribimos
Z = Z1 + Z2 + . . . + Zn−1 + Zn ,
pero por la hipótesis de inducción Yn−1 = Z1 + Z2 + . . . + Zn−1 es Gaussiana con varianza igual
a σ12 + . . . + σn−1
2
y entonces usando que Z = Yn−1 + Zn la demostración no es otra que la que
ya hicimos para n = 2.
Debemos definir convergencia en distribución:
6
Nuestro interés es demostrar el siguiente resultado. Este resultado es conocido desde hace mucho
tiempo y posee una larga historia. La demostración que haremos usa el método conocido con
el nombre de método de Trotter.
Antes de demostrar el teorema necesitamos dos lemas de carácter técnico que nos serán de
mucha utilidad en la prueba.
Lema 14 Si para toda función continua f tres veces derivable, acotada y con las tres derivadas
acotadas se tiene que
Ef (Xn ) → Ef (X),
entonces Fn (x) → F (x) (aquı́ Fn denota como antes la distribución de las Xn e igual F la de
X que suponemos una función continua).
E[Gδ (X)] ≤ lim inf Fn (x) ≤ lim sup Fn (x) ≤ E[G δ (X)].
n→∞ n→∞
F (x − δ) ≤ E[Gδ (X)]] ≤ lim inf Fn (x) ≤ lim sup Fn (x) ≤ E[G δ (X)] ≤ F (x + δ),
n→∞ n→∞
7
Esto es
F (x − δ) ≤ lim inf Fn (x) ≤ lim sup Fn (x) ≤ F (x + δ),
n→∞ n→∞
Hemos ası́ demostrado que para probar la convergencia en distribución sólo hay que ver-
ificarla en funciones tres veces derivables acotadas y con las tres derivadas acotadas. Ahora
necesitamos un segundo lema técnico. Definamos en primer lugar la siguiente distancia
d3 (F, G) = P3
sup |E[f (X)] − E[f (Y )]|.
{f : i=0 supx |f (i) (x)|≤1}
Las v.a. X e Y tienen distribución F y G respectivamente. El siguiente lema nos otorga una
segunda herramienta
Lema 15 Si {Xi }ni=1 e {Yi }ni=1 son dos colecciones de v.a. independientes entre ellas e inde-
pendientes entre si, entonces si denotamos
Fn (x) = P (X1 + . . . + Xn ≤ x) ,
y
Gn (x) = P (Y1 + . . . + Yn ≤ x) .
Si Hi es la distribución de Xi y Li la de Yi entonces
n
X
d3 (Fn , Gn ) ≤ d3 (Hi , Li ).
i=1
pero Z
I1 = | f (x1 + x2 )(h1 (x1 ) − l1 (x1 ))h2 (x2 )dx1 dx2 |
R2
Z
≤| |E[f (X1 + x2 ) − f (Y1 + x2 )]|h2 (x2 )dx2 .
R
8
1 2
Y definamos Zn−1 = X1 + . . . Xn−1 y Zn−1 = Y1 + . . . Yn−1 . Denotemos por FZn−1
i , i = 1, 2, las
respectivas distribuciones. Entonces con la misma f de antes
1 2
|E[f (X1 + . . . + Xn ) − f (Y1 + . . . + Yn )] = |E[f (Zn−1 + Xn ) − f (Zn−1 + Yn )]|
n−1
X
≤ d3 (FZn−1
1 , FZn−1
2 ) + d3 (Hn , Ln ) ≤ d3 (Hi , Li ) + d3 (Hn , Ln ).
i=1
o
En la à ltima desigualdad hemos usado la hipótesis de inducción. Tomando supremo del lado
izquierdo finalmente se tiene
n
X
d3 (Fn , Gn ) ≤ d3 (Hi , Li ).
i=1
9
n
X C C
≤ d3 (Xi , Yi ) ≤ n × 3= √ → 0.
i=1 n2 n
Demostrando el TCL. Observemos que en la tercera desigualdad hemos usado que las v.a.
poseen la misma distribución para diferentes ı́ndices i.
10