Teorema en la teoría de la probabilidad.
En teoría de la probabilidad , el teorema de Slutsky extiende algunas propiedades de las operaciones algebraicas sobre secuencias convergentes de números reales a secuencias de variables aleatorias . [1]
El teorema lleva el nombre de Eugen Slutsky . [2] El teorema de Slutsky también se atribuye a Harald Cramér . [3]
Declaración
Sean secuencias de elementos aleatorios escalares/vectoriales/matriciales . Si converge en distribución a un elemento aleatorio y converge en probabilidad a una constante , entonces
- siempre que c sea invertible,
donde denota convergencia en la distribución .
Notas:
- El requisito de que Y n converja a una constante es importante: si convergiera a una variable aleatoria no degenerada, el teorema ya no sería válido. Por ejemplo, dejemos y . La suma de todos los valores de n . Además, , pero no converge en distribución a , donde , y y son independientes. [4]
- El teorema sigue siendo válido si reemplazamos todas las convergencias en distribución con convergencias en probabilidad.
Prueba
Este teorema se deriva del hecho de que si X n converge en distribución a X e Y n converge en probabilidad a una constante c , entonces el vector conjunto ( X n , Y n ) converge en distribución a ( X , c ) ( ver aquí ) .
A continuación aplicamos el teorema de mapeo continuo , reconociendo que las funciones g ( x , y ) = x + y , g ( x , y ) = xy y g ( x , y ) = x y −1 son continuas (para la última función para ser continua, y tiene que ser invertible).
Ver también
Referencias
- ^ Goldberger, Arthur S. (1964). Teoría econométrica . Nueva York: Wiley. págs. 117-120.
- ^ Slutsky, E. (1925). "Über stochastische Asymptoten und Grenzwerte". Metron (en alemán). 5 (3): 3–89. JFM 51.0380.03.
- ^ El teorema de Slutsky también se llama teorema de Cramér según la observación 11.1 (página 249) de Gut, Allan (2005). Probabilidad: un curso de posgrado . Springer-Verlag. ISBN 0-387-22833-0.
- ^ Véase Zeng, Donglin (otoño de 2018). "Teoría de muestras grandes de variables aleatorias (diapositivas de la conferencia)" (PDF) . Probabilidad avanzada e inferencia estadística I (BIOS 760) . Universidad de Carolina del Norte en Chapel Hill. Diapositiva 59.
Otras lecturas
- Casella, George; Berger, Roger L. (2001). Inferencia estadística . Arboleda del Pacífico: Duxbury. págs. 240-245. ISBN 0-534-24312-6.
- Grimmett, G.; Stirzaker, D. (2001). Probabilidad y procesos aleatorios (3ª ed.). Oxford.
- Hayashi, Fumio (2000). Econometría. Prensa de la Universidad de Princeton. págs. 92–93. ISBN 0-691-01018-8.