Esercitazione del 25/11/2011

Calcolo delle probabilit` a

Convergenza in distribuzione.
Sia {X
n
}
nN
una successione di variabili aleatorie reali. Sia X unulteriore
variabile aleatoria reale.
Denizione 1. Diremo che la successione di variabili aleatorie {X
n
}
nN
converge in distribuzione alla variabile aleatoria X se per quasi ogni t R
vale:
lim
n
F
X
n
(t) = F
X
(t) (1)
e scriveremo X
n
d
X.
Si pu`o dimostrare che allinterno della denizione sono cose equivalenti:
1) vericare la (1) su un insieme di misura uno.
2) vericare la (1) su un insieme denso.
3) vericare la (1) sullinsieme dei t R tali che F
X
`e continua in t.
Enunciamo il teorema di unicit` a della convergenza in distribuzione.
Theorem 1. Se X
n
d
X e X
n
d
Y allora X e Y hanno la stessa
distribuzione.
Enunciamo ora un criterio per la convergenza in distribuzione di v.a. discrete.
Theorem 2. Siano (X
n
)
n0
variabili aleatorie discrete con densit`a (x
n,r
, p
n,r
)
cio`e tali che P(X
n
= x
n,r
) = p
n,r
per ogni n e r, (con

r
p
n,r
= 1 n e x
n,r
1
=
x
n,r
2
per ogni n e r
1
= r
2
). Se lim
n+
x
n,r
= x
0,r
e lim
n+
p
n,r
= p
0,r
allora X
n
d
X.
E importante notare che nellapplicare il teorema 2 `e necessario vericare
che

r
p
0,r
= 1. Il prossimo `e un teorema che caratterizza la convergenza in
distribuzione di variabili aleatorie normali.
Theorem 3. Siano (X
n
)
n0
una successione di v.a. normali con distri-
buzione X
n
Norm(
n
,
2
n
) allora la successione delle v.a. X
n
converge in
distribuzione se e solo se i due seguenti limiti esistono e sono niti:
lim
n

n
=: lim
n

n
=: .
1
Inoltre se sigma > 0 allora X
n
converge in distribuzione ad un distribuzione
normale di media e varianza
2
mentre se = 0 allora X
n
converge in
distribuzione alla constante .
Il teorema 3 giustica la convenzione di indicare con Norm(, 0) la distri-
buzione di una v.a. costante (che vale quasi certamente ). Un ulteriore
teorema per la convergenza in distribuzione `e il seguente:
Theorem 4. Sia g unapplicazione continua da R in R. Siano (X
n
)
n0
una
successione di v.a. e sia X una ulteriore variabile aleatoria. Se X
n
d
X
allora g(X
n
)
d
g(X).
Esercizio 1. Sia (X
n
)
n0
una successione di v.a. con distribuzione
P(X
n
= k) =
_
n2
k
+3
k1
(n+1)4
k
per ogni k intero positivo
0 altrimenti
(a) Dimostrare che lequazione precedente denisce eettivamente una vari-
abile aleatoria discreta.
(b) Dimostrare che X
n
converge in distribuzione ad una v.a. geometrica di
parametro p. Quanto vale p?
Esercizio 2. Sia (X
n
)
n0
una successione di v.a. con distribuzione
P(X
n
= k) =
_
1
2
se k = 0 oppure k = n
0 altrimenti
(a) La successione (X
n
)
n0
converge in distribuzione?
(Giusticare la risposta.)
Esercizio 3. Sia (X
n
)
n0
una successione di v.a. con distribuzione
P(X
n
= k) =
_
_
_
n1
n
se k = 0
1
n
se k = n
0 altrimenti
(a) La successione (X
n
)
n0
converge in distribuzione?
(Giusticare la risposta.)
Convergenza in probabilit`a.
Sia {X
n
}
nN
una successione di variabili aleatorie reali. Sia X unulteriore
variabile aleatoria reale.
2
Denizione 2. Diremo che la successione di variabili aleatorie {X
n
}
nN
converge in probabilit`a alla variabile aleatoria X se per ogni > 0 vale:
lim
n
P(|X
n
X| > ) = 0 (2)
e scriveremo X
n
p
X.
Osserviamo innanzitutto che anche la (2) abbia senso le v.a. X
n
e la v.a.
X devono essere denite tutte sullo stesso spazio di probabilit` a. Enunciamo
il teorema di unicit` a per la convergenza in probabilit`a.
Theorem 5. Se X
n
p
X e X
n
p
Y allora P(X = Y ) = 1.
I prossimi due teoremi mettono in relazione la convergenza in probabilit` a e
quella in distribuzione.
Theorem 6. Se X
n
p
X allora X
n
d
X.
Theorem 7. Sia a R. Se X
n
d
a allora X
n
p
a.
Nel teorema 7 si sottointende lulteriore ipotesi che le X
n
siano denite sullo
stesso spazio di probabilit` a.
Theorem 8. Se X
n
p
X e Y
n
p
Y e g : R
2
R `e continua allora
g(X
n
, Y
n
)
p
g(X, Y ).
Esempio. Se X
n
p
X e Y
n
p
Y allora X
n
+Y
n
p
X +Y .
Esempio. Se X
n
p
X e allora X
k
n
p

n
X
k
.
Convergenza quasi certa.
Sia {X
n
}
nN
una successione di variabili aleatorie reali. Sia X unulteriore
variabile aleatoria reale.
Denizione 3. Diremo che la successione di variabili aleatorie {X
n
}
nN
converge quasi certamente alla variabile aleatoria X se
P
_
lim
n
X
n
= X
_
= 1 (3)
e scriveremo X
n
q.c.
X.
Enunciamo il teorema di unicit` a per la convergenza quasi certa.
3
Theorem 9. Se X
n
q.c.
X e X
n
q.c.
Y allora P(X = Y ) = 1.
Theorem 10. Se X
n
q.c.
X allora X
n
p
X.
Theorem 11. Se X
n
p
X allora esiste una sottosuccessione di X
n
che
converge quasi certamente ad X.
Theorem 12. Se X
n
q.c.
X e Y
n
q.c.
Y e g : R
2
R `e continua allora
g(X
n
, Y
n
)
q.c.
g(X, Y ).
Esempio. Se X
n
q.c.
X, Y
n
q.c.
Y e Z
n
= X
n
Y
n
allora Z
n
q.c.
X Y .
Un utile criterio di convergenza quasi certa:
Theorem 13. Siano (X
n
)
nN
e X variabili aleatorie se per ogni > 0 vale

n
P(|X
n
X| ) < + allora X
n
q.c.
X.
Nel caso in cui (X
n
)
nN
sia una successione di v.a. indipendenti allora il
teorema 13 pu`o essere invertito nel seguente senso:
Theorem 14. Sia (X
n
)
nN
una successione di variabili aleatorie indipen-
denti. Se (X
n
)
nN
converge q.c.allora esiste una costante C R tale X
n
q.c.

C e per ogni > 0 vale

n
P(|X
n
X| ) < + .
Come conseguenza del teorema 14 otteniamo un corollario molto utile se si
vuole dimostrare che una successione di variabili aleatorie indipendenti non
corverge quasi certamente.
Corollario 15. Sia (X
n
)
nN
una successione di variabili aleatorie indipen-
denti tale che X
n
d
C, se per qualche > 0 si ha

n
P(|X
n
C| ) =
+ allora X
n
non converge quasi certamente.
Il seguente teorema aerma che le successioni di v.a. limitate e monotone
convergono.
Theorem 16. Sia (X
n
)
nN
una successione di variabili aleatorie. Supponi-
amo che X
n
sia monotona in n cio`e X
n
X
n+1
(risp X
n
X
n+1
) per
ogni n. Se esiste una costante C tale che per ogni n vale luguaglianza
P(X
n
C) = 1 (risp. P(X
n
C) = 1 ) allora X
n
converge in distribuzione,
in probabilit`a e quasi certamente.
Il precedente teorema vale anche se sostituiamo la costante C con una ssata
variabile aleatoria Y (la v.a. Y non deve dipendere da n!).
4
Convergenza in L
p
. (Convergenza in media r-esima.)
Sia X una v.a. reale e sia p 1, diremo che X appartiene allo spazio L
p
se
||X||
p
L
p := E[|X|
p
] < + (4)
Sia {X
n
}
nN
una successione di variabili aleatorie reali in L
p
e sia X unulte-
riore variabile aleatoria reale in L
p
.
Denizione 4. Diremo che la successione di variabili aleatorie {X
n
}
nN
(X
n
L
p
) converge in L
p
alla variabile aleatoria X L
p
se
lim
n
E[|X
n
X|
p
] = 0 (5)
e scriveremo X
n
L
p
X.
La (5) `e equivalente a dire che ||X
n
X||
L
p
n
0.
Enunciamo il teorema di unicit` a per la convergenza in L
p
.
Theorem 17. Siano {X
n
}
nN
, X e Y v.a. in L
p
. Se X
n
L
p
X e X
n
L
p
Y
allora P(X = Y ) = 1.
Theorem 18. Se X
n
L
p
X allora X
n
p
X.
Theorem 19. Se 1 p
1
p
2
e X
n
L
p
2
X allora X
n
L
p
1
X.
Un teorema per la convergenza in L
p
analogo al teorema 16 `e il seguente:
Theorem 20. Siano (X
n
)
nN
e Y variabili aleatorie in L
p
. Supponiamo che
X
n
sia monotona in n cio`e X
n
X
n+1
(risp X
n
X
n+1
) per ogni n. Se
vale luguaglianza P(X
n
Y ) = 1 per ogni n (risp. P(X
n
Y ) = 1 ) allora
esiste una v.a. X in L
p
tale che X
n
L
p
X.
Theorem 21. Siano (X
n
)
nN
e Y variabili aleatorie in L
p
. Se vale lugua-
glianza P(|X
n
| Y ) = 1 per ogni n e X
n
p
X allora X
n
L
p
X.
5
Esercizi.
Esercizio 1
Siano Y e (X
n
)
(nN)
un insieme di variabili aleatorie indipendenti. Supponi-
amo che Y abbia distribuzione bernoulliana di parametro p =
1
6
e le X
n
siano uniformi sullintervallo (0, 3). Siano inne Z
n
= min(X
1
, X
2
, . . . , X
n
),
T
n
= min(Y, X
n
) e W
n
= T
1
T
2
T
n
.
(a) Studiare la convergenza in distribuzione di Z
n
.
(b) Studiare la convergenza in probabilit` a quasi certa e in L
p
di Z
n
.
(c) Calcolare F
T
n
. Qual `e il supporto di T
n
?
(d) Quanto vale la probabilit`a P(W
n
Z
n
)?
(e) Studiare la convergenza in distribuzione, in probabilit` a e quasi certa di
W
n
.
(f) Calcolare E[T
n
].
Svolgimento (a) Per studiare la convergenza in distribuzione di Z
n
calco-
liamo F
Z
n
.
F
X
n
(a) =
_
_
_
0 a < 0
a
3
0 a < 3
1 a 1
F
Z
n
(t) = P(Z
n
t) = P(min(X
1
, X
2
, . . . , X
n
) t) =
= 1 P(min(X
1
, X
2
, . . . , X
n
) > t) = 1 P(X
1
> t, X
2
> t, . . . , X
n
> t) =
= 1 P(X
1
> t) P(X
2
> t) P(X
n
> t) =
= 1 (1 F
X
1
(t)) (1 F
X
2
(t)) (1 F
X
n
(t)) =
= 1 (1 F
X
1
(t))
n
per t (0, 3) si ha F
Z
n
(t) = 1 (1
t
3
)
n
. Dunque:
F
Z
n
(t) =
_
_
_
0 t < 0
1 (1
t
3
)
n
0 t < 1
1 t 1
Per studiare la convergenza in distribuzione di Z
n
`e suciente studiare il
limite lim
n
F
Z
n
.
se t < 0 lim
n
0 = 0
se t (0, 3) lim
n
1 (1
t
3
)
n
= 1
se t > 3 lim
n
1 = 1
lim
n
F
Z
n
(t) =
_
_
_
0 t < 0
1 t (0, 3)
1 t > 3
6
Quindi dalla denizione 1 segue che Z
n
d
Z con F
Z
(t) =
_
0 t < 0
1 t 0
e
dunque Z
n
d
0.
(b) Poiche Z
n
converge in distribuzione ad una costante allora (teorema 7)
converge anche in probabilit` a: Z
n
p
0. Per lo studio della convergenza
quasi certa innanzitutto osserviamo che poiche converge in probabilit`a a 0
allora (per i teoremi 10 e 5) se converge in maniera quasi certa deve convergere
quasi certamente a zero. Dalla seguente disuguaglianza
Z
n+1
= min{Z
n
, X
n+1
} Z
n
segue che (Z
n
)
nN
`e una successione monotona inoltre P(Z
n
(0, 3)) = 1
dunque Z
n
`e anche limitata. Per il teorema 16 la successione Z
n
converge in
maniera quasi certa dunque
Z
n
q.c.
0 .
Inne per il teorema 20 segue che Z
n
L
p
0 .
(c) Si procede come per il quesito (a),
F
T
n
(t) = P(min(Y, X
n
) t) = 1 P(min(Y, X
n
) > t) =
= 1 P(Y > t, X
n
> t) = 1 P(Y > t) P(X
n
> t) =
= 1 (1 F
Y
(t)) (1 F
X
n
(t)) =
Poiche
F
X
n
(t) =
_
_
_
0 t < 0
t
3
0 t < 3
1 t
F
Y
n
(t) =
_
_
_
0 t < 0
5
6
0 t < 1
1 t 1
`e opportuno considerare separatamente i quattro casi: t < 0, t [0, 1),
t [1, 3) e t 3.
se t < 0 F
T
n
(t) = 1 (1 0)(1 0) = 0
se t [0, 1) F
T
n
(t) = 1 (1
5
6
)(1
t
3
) =
5
6
+
t
18
se t [1, 3) F
T
n
(t) = 1 (1 1)(1
t
3
) = 1
se t 3 F
T
n
(t) = 1 (1 1)(1 1) = 1
F
T
n
(t) =
_
_
_
0 t < 0
5
6
+
t
18
t [0, 1)
1 t 1
Il supporto di T
n
`e lintervallo chiuso [0, 1].
(d) Per risolvere questo quesito occorre utilizzare i risultati precedenti: sup-
porto di T
n
uguale allintervallo [0, 1] e T
n
X
n
.
7
Bisogna calcolare P(W
n
Z
n
) = P(T
1
T
2
. . . T
n
min(X
1
, X
2
, . . . , X
n
)).
Il supporto di T
n
uguale allintervallo [0, 1] ci dice che:
T
1
T
2
. . . T
n
min(T
1
, T
2
, . . . , T
n
)
Mentre dalla denizione T
n
= min(Y, X
n
) X
n
si ottiene:
min(T
1
, T
2
, . . . , T
n
) min(X
1
, X
2
, . . . , X
n
)
Applicando la propriet` a transitiva alle due precedenti disequazioni si ottiene:
T
1
T
2
. . . T
n
min(X
1
, X
2
, . . . , X
n
)
e dunque
P(W
n
Z
n
) = 1
Per convincersi del risultato appena ottenuto, si pu`o anche procedere nel
seguente modo, si suppone che il minimo min(X
1
, X
2
, . . . , X
n
) sia realizzato
in k cio`e min(X
1
, X
2
, . . . , X
n
) = X
k
quindi si ha
Z
n
= X
k
W
n
= T
1
T
2
. . . T
n
= (T
1
. . . T
k1
T
k+1
. . . T
n
) T
k
T
k
X
k
dove le ultime due disuguaglianze seguono dal fatto che (T
1
. . . T
k1
T
k+1

. . . T
n
) [0, 1] e T
k
X
k
.
(e) Il risultato del quesito (c) T
n
[0, 1] ci dice che W
n
= T
1
T
2
. . . T
n
`e
una successione monotona e limitata, dunque converge quasi certamente, in
probabilit` a e in distribuzione. Per capire qual `e la variabile aleatoria a cui
converge si possono utilizzare i risultati dei quesito (b), (c) e (d). Da (d) e
(c) sappiamo che 0 W
n
Z
n
. Da (b) sappiamo che Z
n
converge quasi
certamente a zero.
Dimostriamo in maniera rigorosa che anche W
n
converge a zero. Sia (, A, P)
lo spazio di probabilit`a in cui sono denite le variabili aleatorie, sia A A l
evento
A = { : 0 W
n
() Z
n
() e lim
n
Z
n
() = 0}
allora per le ipotesi precedenti si ha:
P(A) = 1
mentre dalla denizione di A e dal teorema del confronto si ha che per ogni
A
lim
n
W
n
() = 0
Dunque
W
n
q.c.
0 W
n
p
0 W
n
d
0
8
(f) La variabile aleatoria W
n
`e mista P(T
n
= 0) =
5
6
, P(T
n
= 1) =
1
9
d
dt
F
T
n
(t) =
_
1
18
t (0, 1)
0 t / [0, 1]
da cui si ricava
E[T
n
] = 0 P(T
n
= 0) + 1 P(T
n
= 1) +
_
1
0
t
1
18
dt =
1
9
+
1
36
=
5
36
Esercizio 2
Sia (X
n
)
nN
una successione di variabili aleatorie indipendenti. Supponiamo
che ciascuna X
n
abbia distribuzione bernoulliana di parametro
1
n

, con > 0.
Siano inne S
n
=
X
1
+X
2
+...+X
n
n
e W
n
= max{X
1
, X
2
, . . . , X
n
}.
(a) Per quali valori di > 0 la successione (X
n
)
nN
converge in distribuzione.
Per i valori di in cui converge indicare il limite.
(b) Per quali valori di > 0 la successione (X
n
)
nN
converge in probabilit`a.
Per i valori di in cui converge (in probabilit` a) indicare il limite.
(c) Per quali valori di > 0 la successione (X
n
)
nN
converge quasi certa-
mente. Per i valori di in cui converge (quasi certamente) indicare il limite.
(d) Per quali valori di > 0 la successione (X
n
)
nN
converge in L
p
. Per i
valori di in cui converge (in L
p
) indicare il limite.
(e) Studiare la convergenza quasi certa di (W
n
)
nN
.
(f) Calcolare E[S
n
]. (Lasciare il risultato sotto forma di sommato-
ria
(g*) Calcolare lim
n
E[S
n
].
(h) Studiare la convergenza in probabilit`a di (S
n
)
nN
. (Utilizzare il ri-
sultato del questito (g) e la disuguaglianza di Markov:
Per ogni T v.a. non negativa e per ogni x > 0 si ha P(T > x)
E[T]
x
)
(a) F
X
n
(x) =
_
_
_
0 x < 0
1
1
n

x [0, 1)
1 x 1
lim
n
F
X
n
(x) =
_
0 x < 0
1 x 1
X
n
d

n
0 > 0
9
(b) Poiche converge in distribuzione ad una costante allora (teorema 7) con-
verge anche in probabilit`a. X
n
p

n
0 > 0
(c) Vogliamo utilizzare il criterio di sommabilit` a (teorema 13 e corollario 15)
Nel nostro caso C = 0. Dobbiamo stimare la serie

n
P(|X
n
| > ) se `e
maggiore di 1 allora la stima `e banale. Consideriamo il caso (0, 1)

n
P(|X
n
| > ) =

n
1
n

_
= se 1
< se > 1
dunque X
n
q.c.

n
0 se e solo se > 1.
(d) Poiche X
n
e uniformemente limitata e converge in probabilit`a allora (teo-
rema 21) converge anche in L
p
dunque X
n
L
p

n
0 per ogni > 0. Un metodo
alternativo pu`o essere quello di applicare la denizione di convergenza in L
p
(denizione 4)
lim
n
E[|X
n
X|
p
] = lim
n
E[|X
n
|
p
] = lim
n
1
n

= 0
dunque converge (X
n
)
nN
converge a zero per ogni p 1 e per ogni > 0.
(e) (W
n
)
nN
`e una successione limitata e monotona dunque (teorema 16) con-
verge quasi certamente ad una variabile W. W
n
q.c.

n
W. Dalla denizione
delle W
n
`e chiaro che W `e denita nel modo seguente:
W =
_
1 Se X
n
= 1 per qualche n N
0 Se X
n
= 0 per ogni n N
In aggiunta alle richieste del testo `e possibile osservare che P(W = 0) =
P(X
n
= 0 n) =

n
(1
1
n

)
P(W = 0) = 0

n
1
n

= 1
Dunque per (0, 1] si ha P(W = 1) = 1.
(f) E[S
n
] =
X
1
+X
2
+...+X
n
n
=
1
n

n
i=1
1
i

(g) lim
n
E[S
n
] = lim
n
1
n

n
i=1
1
i

Se m < n allora
E[S
n
] =
1
n
m

i=1
1
i

+
1
n
n

i=m+1
1
i

m
n
+
n m
n
1
(m+ 1)

lim
n
E[S
n
] limsup
n
E[S
n
] limsup
n
m
n
+
n m
n
1
(m+ 1)

=
1
(1 +m)

10
Dunque per ogni m vale la disuguaglianza
limsup
n
E[S
n
]
1
(1 +m)

da cui segue
limsup
n
E[S
n
] 0
poiche inne E[S
n
] 0 si ha lim
n
E[S
n
] = 0.
(h) Poiche E[S
n
] tende a zero, un tentativo ragionevole `e quello di provare a
dimostrare che il limite in probabilit` a di S
n
sia proprio lo zero. Applichiamo
la denizione di convergenza in probabilit` a, dobbiamo mostrare che il limite
lim
n
P(S
n
0 > ) `e uguale a zero per ogni > 0. Dalla disuguaglianza
di Markov abbiamo P(S
n
> )
E[S
n
]

dunque
lim
n
P(S
n
0 > )
1

limsup
n
E[S
n
] = 0
da cui si ottiene S
n
p

n
0
Un metodo alternativo per risolvere il quesito (h) pu`o essere quello di cal-
colare prima la convergenza in L
p
con p = 1. Infatti per p = 1 si ha
lim
n
E[|S
n
0|
p
] = lim
n
E[|S
n
|] = 0 dunque S
n
converge in L
1
e quindi
converge anche in probabilit` a.
Un terzo metodo `e quello di usare la legge dei grandi numeri per v.a. non
correlate ed equilimitate in varianza. Dalla legge forte dei grandi numeri
segue che:
S
n
E[S
n
]
q.c.

n
0
da (g) sappiamo che E[S
n
]
q.c.

n
0 e dunque S
n
q.c.

n
0.
Esercizio 3
Sia (X
n
)
nN
una successione di variabili aleatorie i.i.d. con distribuzione
X
n
Unif(1, 5) e siano inoltre (Z
n
)
nN
e (T
n
)
nN
denite come segue:
Z
n
:=
X
1
+X
2
+ +X
n
n
T
n
:= min{X
1
, X
2
, . . . , X
n
}
(a) Calcolare F
X
n
, E[X
n
] e F
T
n
.
(b) Studiare la convergenza in distribuzione, in probabilit` a e quasi certa di
11
Z
n
.
(c) Studiare la convergenza in L
p
di Z
n
.
(d) Studiare la convergenza in distribuzione e in probabilit` a di T
n
.
(e) Studiare la convergenza in L
p
di T
n
.
Svolgimento
(a) Per le variabili aleatorie uniformi su (a, b) valgono le formule:
E[X] =
a +b
2
F
X
(x) =
_
_
_
0 x < a
xa
ba
a x < b
1 x b
dunque
E[X
n
] = 2 F
X
n
(x) =
_
_
_
0 x < 1
x+1
6
1 x < 5
1 x 5
Calcoliamo F
T
n
utilizzando la denizine di funzione di ripartizione.
F
T
N
(t) = P(T
n
t) = P(min{X
1
, X
2
, . . . , X
n
} t) =
passando al complementare...
= 1 P(min{X
1
, X
2
, . . . , X
n
} > t) = 1 P(X
1
> t, X
2
> t, . . . , X
n
> t) =
utilizzando lindipendenza
= 1P(X
1
> t) P(X
2
> t) P(X
n
> t) = 1(1F
X
1
(t)) (1F
X
2
(t))
(1 F
X
n
(t)) = 1 (1 F
X
1
(t))
n
Dunque
F
T
n
(x) =
_
_
_
0 x < 1
1
_
1
x+1
6
_
n
= 1
_
5x
6
_
n
1 x < 5
1 x 5
(b) Le (X
n
)
nN
sono v.a. i.i.d. con E[X
n
] = 2 dunque per la legge forte dei
grandi numeri si ha:
X
1
+X
2
+ +X
n
n
q.c.

n
E[X
n
] = 2
Dunque
Z
n
q.c.
2
Per il teorema 10
Z
n
p.
2
12
Per il teorema 6
Z
n
d.
2
(c) Vogliamo mostrare che per (Z
n
)
nN
valgono le ipotesi del teorema 21.
Sappiamo gi` a da (b) che Z
n
p.
2 dobbiamo mostrare che (Z
n
)
nN
`e uni-
formemente limitata. X
n
ha distribuzione uniforme su (1, 5) dunque vale
|X
n
| 5 q.c.
|Z
n
| =

X
1
+X
2
+ +X
n
n

|X
1
| +|X
2
| + +|X
n
|
n
|Z
n
|
n volte
..
5 + 5 + + 5
n
=
5n
n
= 5
Le condizioni del teorema 21 sono soddisfatte (con Y = 5) dunque
Z
n
L
p
2
(d) Cominciamo con lo studio della convergenza in distribuzione. Bisogna
calcolare il lim
n
F
T
n
.
F
T
n
(t) =
_
_
_
0 t < 1
1
_
1
t+1
6
_
n
= 1
_
5t
6
_
n
1 t < 5
1 t 5
Se t < 1 allora lim
n
F
T
n
(t) = lim
n
0 = 0
Se t = 1 allora lim
n
F
T
n
(t) = lim
n
1 1
n
= 0
Se 1 < t < 5 allora lim
n
F
T
n
(t) = lim
n
1
_
5 t
6
_
n
t (1, 5) implica che 0 <
5t
6
< 1 e dunque
lim
n
F
T
n
(t) = 1
Se t 5 allora lim
n
F
T
n
(t) = lim
n
1 = 1
In conclusione
lim
n
F
T
n
(t) =
_
0 t 1
1 t > 1
Dunque T
n
converge in distribuzione ad una variabile aleatoria T con dis-
tribuzione:
F
T
(t) =
_
0 t < 1
1 t 1
13
ovvero
T
n
d.
1
Per il teorema 7 allora
T
n
p.
1
Vogliamo inoltre mostrare che sono soddisfatte le ipotesi del teorema 16 e che
dunque vi `e anche convergenza quasi certa (questa parte non `e espressamente
richiesta dal testo).
T
n+1
= min{X
1
, X
2
, . . . , X
n
, X
n+1
} = min{T
n
, X
n+1
}
Dunque
T
n+1
T
n
inoltre X
n
1 implica T
n
1 per ogni n. Per il teorema 16 allora T
n
converge quasi certamente. Per lunicit` a del limite si ha:
T
n
q.c.
1
(e) Per mostrare la convergenza in L
p
sar` a suciente vericare le ipotesi del
teorema 21 per T
n
.
1) T
n
`e v.a. limitata infatti P(T
n
5) = 1.
2) T
n
p
1 segue dal quesito (d).
Esercizio 4
Sia (X
n
)
nN
una successione di variabili aleatorie indipendenti. Supponiamo
che ciascuna X
n
abbia distribuzione assolutamente continua con densit`a f
X
n
data da:
f
X
n
(x) =
_
0 x 0
n
2
(n
2
x+1)
2
x > 0
(a) Calcolare la funzione di ripartizione F
X
n
.
(b) Studiare la convergenza in distribuzione ed in probabilit` a di (X
n
)
nN
.
(c) Studiare la convergenza quasi certa di (X
n
)
nN
.
(d) Quanto vale E[X
2
n
]? Cosa si pu` o dire della convergenza in media r-esima
della successione (X
n
)
nN
se r = 2? (Sugg.: Per il calcolo di E[X
2
n
] pu` o
essere utile considerare il limite: lim
x
x
2
f
X
n
(x).)
Svolgimento In aula.
14