Trabajo Monogr

afico
Probabilidades en Espacios
Abstractos: una introducci on.
Matas Carrasco
Orientador: Dr. Ricardo Fraiman
26 de Diciembre de 2005.
Licenciatura en Matem atica
Facultad de Ciendicas
Universidad de la Rep ublica
Uruguay
Resumen
Se consideran elementos aleatorios (e.a.) en un espacio de Banach separable (X, ||). Se
dene el valor esperado de un e.a. en X por medio de la integral de Pettis. Se prueba una
ley fuerte de los grandes n umeros (l.f.g.n.) para una sucesi on de e.a. x
n
independientes
con identica distribuci on en X bajo la hip otesis de E|x
1
| < . En el caso en que X es un
espacio de Hilbert, se extienden otros resultado sobre la l.f.g.n. conocidos en el caso real, y
se muestran contraejemplos de los mismo para espacios m as generales.
En la segunda parte del trabajo consideramos X un espacio de Hilbert separable. Mediante
la funci on caracterstica (f.c.) de una medida de probabilidad en X se dene un e.a. gaussiano.
Se prueba la existencia utilizando el teorema de Minlos-Sazonov cuya prueba tambien damos
aqu. Se demuestra un criterio para la compacidad relativa (de hecho un criterio para la
tensi on) debido a Prohorov y se prueba un teorema central del lmite para e.a. independientes
e identicamente distribudos con varianza nita.
Palabras claves: probabilidades en espacios de Banach, ley de los grandes n umeros,
funci on caracterstica, elementos aleatorios gaussianos, teorema central del lmite.
Abstract
Random elements (r.e.) in a separable Banach space (X, ||) are considered. We dened the
expected value of a r.e. in X by means of the Pettis integral. We prove a strong law of large
numbers (s.l.l.n.) for a sequence of independent with the same distribution r.e. x
n
in X,
under the hypothesis of E|x
1
| < . In the case in that X is a Hilbert space, we extend
other known results on s.l.l.n. of the real case, and we show some counter-examples of the
same one for more general spaces.
In the second part of the work we considered the case in that X is a separable Hilbert
space. By means of the characteristic function (c.f.) of a probability measure in X we dened
a gaussian r.e.. The existence is proven using the theorem of Minlos-Sazonov whose proof also
we give here. We demonstrated a criterion for the relative compactness (in fact is a criterion
for the tension property) due to Prohorov and a central limit theorem for independent, with
the same distribution and nite variances r.e. is proven.
Key words and phrases: probabilities on Banach spaces, law of large numbers, cha-
racteristic functional, gaussian random elements, central limit theorem.

Indice general
1. Elementos Aleatorios en Espacios Metricos. 7
1.1. Denici on de elemento aleatorio. . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2. Propiedades b asicas de los elementos aleatorios. . . . . . . . . . . . . . . . . . 9
1.3. Elementos aleatorios en espacios normados. . . . . . . . . . . . . . . . . . . . 13
1.4. Valor esperado de un elemento aleatorio. . . . . . . . . . . . . . . . . . . . . . 20
2. Ley de los Grandes N umeros. 26
2.1. Generalizaci on a espacios de Hilbert separables. . . . . . . . . . . . . . . . . . 26
2.1.1. Deniciones y aspectos b asicos. . . . . . . . . . . . . . . . . . . . . . . 26
2.1.2. Sucesiones de elementos aleatorios no correlacionados. . . . . . . . . . 31
2.1.3. Sucesiones de elementos aleatorios independientes. . . . . . . . . . . . 35
2.2. Generalizaci on a espacios de Banach separables. . . . . . . . . . . . . . . . . . 37
3. Teorema Central del Lmite. 42
3.1. Convergencia debil en espacios metricos. . . . . . . . . . . . . . . . . . . . . . 42
3.2. Funciones caractersticas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.3. Teorema de Minlos-Sazonov. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.4. Distribuci on gaussiana y el teorema central del lmite. . . . . . . . . . . . . . 56
3
Introducci on.
El estudio de la teora de probabilidades en espacios abstractos ocupa hoy en da un
importante lugar en dicha disciplina. La necesidad de estudio en esta subrama de la teora
de probabilidades se maniesta hace ya varios a nos, teniendo sus primeros impulsos en los
trabajos de M. Frechet(1948) y posteriormente E. Mourier(1953). Por esos a nos, la consi-
deraci on de los procesos estoc asticos como elementos aleatorios en un espacio de funciones
-es decir, una variable aleatoria a valores en un espacio funcional- realizada por Doob(1947),
Mann(1951), Prohorov(1956) -y la escuela Rusa en general-, ha inspirado entre otras cosas
el estudio de los teoremas lmites para elementos aleatorios abstractos. Muchas de las leyes
de los grandes n umeros fueron generalizadas a elementos aleatorios que toman valores en
un espacio abstracto. Por ejemplo, Mourier en los a nos 1953 y 1956 generaliz o la ley fuerte
para elementos aleatorios independientes e identicamente distribudos a valores en un espa-
cio de Banach separable. Posteriormente, Beck(1963) generaliz o la ley fuerte para variables
independientes no necesariamente con la misma distribuci on pero a expensas de exigirle al
espacio una condici on de convexidad, condici on que resulta equivalente a la validez de la
ley fuerte de Kolmogorov.
1
De este modo se ve claramente un vnculo muy profundo entre
an alisis y probabilidad; en este caso relacionados con aspectos geometricos de los espacios
de Banach. Por ser este uno de los puntos de contacto de mayor actividad entre estas dos
grandes disciplinas de la matem atica, se encuentra una riqueza enorme de metodos nuevos no
provenientes de ninguna de ellas en particular. El estudio de la convergencia debil de medidas
y los teoremas lmites en general tambien tuvieron sus generalizaciones.
La importancia de estos estudios no es simplemente la importancia que tiene toda abstrac-
ci on, que de hecho es mucha. No s olo se trata de expandir las fronteras de la misma, sino que
las aplicaciones tanto de car acter te orico como pr actico son relevantes. Las aplicaciones del
estudio de la convergencia debil en espacios m as abstractos y los teoremas lmites en general
1
Para elementos aleatorios independientes no necesariamente con la misma distribuci on.
4
tanto dentro de la propia disciplina como su vinculaci on con otras, ha sido muy fructfero.
Otro aspecto importante son las aplicaciones estadsticas. En contraste con un enfoque que
consiste en un tratamiento de datos innito-dimensionales mediante aproximaciones con ba-
ses adecuadas, considerar la propia naturaleza innito dimensional de los datos puede ser
muy provechoso. As, la necesidad de tener espacios y teoras capaces de manipular dichos
objetos es muy importante; inclusive para problemas muy sencillos en estadstica como pue-
den ser el problema de posici on o el problema de regresi on. Por ejemplo, surge la necesidad
de denir de forma adecuada el concepto de mediana, el concepto de forma cuadr atica, entre
muchos otros problemas estadsticos en espacios de Banach. Son temas que no hemos tratado
aqu pero que reejan un panorama bastante amplio de cosas por hacer, es decir, en forma
un tanto exagerada podramos armar que hay mucha estadstica -innito dimensional- que
requiere ser estudiada.
El objetivo de esta monograa es el de exponer en forma detallada y autocontenida
algunas partes importantes de la teora. En el primer captulo introducimos los conceptos
b asicos, las deniciones necesarias y los problemas que se plantean al extender los tipos de
espacios con los que se trabaja. Se dene el concepto de valor esperado por medio de la
integral de Pettis para espacios normados y se prueba un teorema de existencia.
En el captulo dos se trabaja con la ley de los grandes n umeros. La teora en espacios de
Hilbert separables se desarrolla sin problemas utilizando pr acticamente los mismos metodos
que en el caso de variables reales. As, son v alidos los teoremas de Rademacher-Mensov para
el caso ortogonal, las desigualdades de Kolmogorov y ambas leyes fuertes de Kolmogorov
para el caso independiente. Sin embargo, para espacios de Banach la teora es m as trabajosa,
valiendo s el teorema de Mourier que mecionamos arriba pero siendo falsas en un contexto
general las leyes fuertes y debiles para el caso independiente cuando se imponen condiciones en
las varianzas. Hecho fundamental es la invalidez de la propiedad de aditividad de la varianza
para elementos independientes. La generalizaci on de estos teoremas en este caso requiere la
exigencia de condiciones de convexidad como ya dijimos.
En el capitulo tres estudiamos la convergencia debil y el teorema central del lmite.
La primera en un contexto bastante general y el segundo exclusivamente para el caso de
elementos aleatorios i.i.d. a valores en un espacio de Hilbert. Se estudia el teorema de Prohorov
donde se arma que la propiedad de tensi on en una familia de probabilidades es suciente para
la compacidad relativa y que es tambien necesaria en el caso separable y completo. Estudiamos
tambien un criterio para la tensi on debido a Prohorov para medidas en espacios de Hilbert.
El metodo utilizado es exclusivamente el de las funciones caractersticas o transformada de
5
Fourier, lo cual implica el estudio de los S-operadores. Se dene as la distribuci on gaussiana
en terminos de su funci on caracterstica mediante el teorema de Milnos-Sazonov, que es una
extensi on del teorema de Bochner para el caso innito dimensional.
Por ultimo mencionamos que hemos estudiado una peque na parte de la teora. Muchos
resultados existen; como por ejemplo teoremas lmites para arreglos triangulares que cumplan
la condici on de Lindeberg pueden ser extendidos a espacios de Hilbert. Tambien el estudio de
las distribuciones innitamente divisibles en estructuras algebraicas m as generales. En este
sentido este trabajo consiste en una caja de herramientas, tanto para proseguir en estudios
de car acter te orico como estudios aplicados.
6
Captulo 1
Elementos Aleatorios en Espacios
Metricos.
1.1. Denici on de elemento aleatorio.
Sea (M, d) un espacio metrico, denotamos por B
M
la - algebra de Borel en M -la menor
- algebra de M que contiene a los subconjuntos abiertos de M-. En este contexto deci-
mos que una aplicaci on T : M N, donde N es otro espacio metrico, es Borel medible si
T
1
(B) = x M : T(x) B B
M
para todo subconjunto boreliano B B
N
. En lo que
sigue trabajaremos siempre con un espacio de probabilidad jo (, /, P).
Denici on 1.1. Una aplicaci on v : M se dice un elemento aleatorio (e.a.) en M, si
v
1
(B) = : v() B / para todo subconjunto B B
M
; es decir, la aplicaci on v
es (/, B
M
)-medible.
Si M = R con la metrica usual, la noci on de elemento aleatorio es la misma que la
de variable aleatoria. Lo mismo ocurre en R
n
, pues los abiertos son uniones numerables de
rect angulos abiertos I
1
I
2
I
n
, donde cada I
i
= (a
i
, b
i
) es un intervalo abierto de
R. Luego una funci on x = (x
1
, , x
n
) : R
n
es un elemento aleatorio en R
n
si y s olo si
cada x
i
: R es una variable aleatoria.
Obtenemos otro ejemplo si consideramos s el conjunto de las sucesiones en R con la
metrica producto: si x = x
n
e y = y
n
entonces
d(x, y) =
+

n=1
1
2
n
[x
n
y
n
[
1 +[x
n
y
n
[
7
Las proyecciones
n
: s R dadas por
n
(x) = x
n
son continuas y por ende Borel medibles.
Sean x s, r > 0 y consideremos
B(x, r) = y s : d(y, x) < r
la bola abierta de centro x y radio r. Para cada entero positivo m y cada > 0 denimos los
conjuntos abiertos
N
x
m,
=
_
y :
1
2
i
[y
i
x
i
[
1 +[y
i
x
i
[
< para i = 1, 2, . . . , m
_
Sea m 1 tal que

nm+1
2
n
< r/2. Entonces si y N
x
m,
para = r/2m, tenemos que
d(y, x) < r de donde el conjunto abierto N
x
m,
B(x, r). Luego la familia de estos conjuntos
forman una base para la topologa de s, y m as a un, todo abierto de s es uni on numerable de
conjuntos de esta familia; es decir, s es separable.
Sea v : s un elemento aleatorio en s. Escribimos para cada ,
v() = (v
1
(), v
2
(), . . .)
donde cada v
i
: R. Luego como v
i
=
i
(v), tenemos que v
i
es una variable aleatoria para
cada i 1.
Reciprocamente, supongamos que cada v
i
es una variable aleatoria. Como
() v
1
(I
1
I
m
R ) =
m

i=1
v
1
i
(I
i
)
tenemos que si cada I
i
es un abierto en R, () pertenece a /, por lo que v es un elemento
aleatorio en s. En resumen, v = (v
1
, v
2
, ) es un elemento aleatorio en s si y s olo si cada v
i
es una variable aleatoria en R. Luego podemos pensar a los elementos aleatorios en s como
una sucesi on de variables aleatorias en R.
Es importante notar que en los tres ejemplos que vimos, pudimos caracterizar a los ele-
mentos aleatorios en terminos de sus coordenadas utilizando fuertemente que dichos espacios
eran espacios metricos separables.

Esta es una caracterstica que como veremos m as adelante
se mantiene en los espacios separables en general.
Muchas veces se utiliza la noci on de elemento aleatorio de Radon, que exige adem as que
la distribuci on de dicho elemento aleatorio sea una medida de probabilidad tensa en M
1
.
Una noci on ligeramente m as debil que la denici on que nosotros dimos es la siguiente: si el
1
Estos conceptos los deniremos m as adelante.
8
espacio M es un espacio de Banach y B

denota su dual topol ogico, se dice que v es un

elemento aleatorio -en el sentido debil- si para todo f B

, f(v) es una variable aleatoria.

Esta ultima denici on es m as tratable si el espacio B cumple la siguiente propiedad: existe
un conjunto numerable D, contenido en la bola unidad B

, tal que para todo x B

|x| = sup
D
f(x)
pues hace || una variable aleatoria. No entraremos en estos temas, pero mencionamos que en
el caso separable toda noci on razonable de medibilidad de los elementos aleatorios coincide
con la que nosotros dimos.
1.2. Propiedades basicas de los elementos aleatorios.
En esta secci on trataremos de extender las propiedades b asicas de las variables aleatorias
en R a elementos aleatorios en un espacio metrico general.
Proposici on 1.1. Sean M y M
1
espacios metricos y T : M M
1
una funci on Borel
medible. Entonces si v es un e.a. en M, v
1
= T(v) es un e.a. en M
1
.
Demostraci on. Basta observar que la composici on de una funci on (/, B
M
)-medible con una
aplicaci on Borel medible, es tambien (/, B
M
)-medible.
Proposici on 1.2. Sea E
n

n1
una sucesi on de conjuntos en / tales que E
n
E
m
=
si n ,= m, y =

n1
E
n
. Sea adem as x
n
una sucesi on en M. Entonces la funci on
v : M tal que v() = x
n
cuando E
n
, es un elemento aleatorio en M.
Demostraci on. Sea B B
M
. Entonces si x
n
k

k1
es el conjunto de valores de v tales que
x
n
k
B, tenemos que v
1
(B) =

k1
E
n
k
/.
Proposici on 1.3. Sea v
n

n1
una sucesi on de e.a. en M tal que v
n
() v() para cada
. Entonces la aplicaci on denida por v() es un e.a. en M.
Demostraci on. Necesitamos probar que v es Borel medible. Como podemos generar B
M
con
los conjuntos cerrados, bastar a probar que v
1
(C) / para todo C M cerrado. La clave
consiste en escribir v
1
(C) de una forma conveniente.
Sea v() C. Como v
n
() v(), dado k 1
d(v
n
(), v()) <
1
k
9
a partir de un m -que depende de -. Entonces
v
n
() C
k
= x M : d(x, C) <
1
k

para todo n m.
2
Es decir que

nm
v
1
n
(C
k
). Como esto debe ocurrir para todo k 1
concluimos que

k1

m1

nm
v
1
n
(C
k
).
Reciprocamente si

k1

m1

nm
v
1
n
(C
k
), entonces dado k 1, existe m 1 tal
que

nm
v
1
n
(C
k
). Luego para cada n m, existe x
n
C tal que
d(x
n
, v
n
()) <
1
k
Como v
n
() v(), si n n
0
tenemos que d(v
n
(), v()) <
1
k
, de donde
d(v(), x
n
) d(v(), v
n
()) +d(v
n
(), x
n
) <
2
k
si n m axm, n
0
. Esto implica que d(v(), C) = 0, es decir v() C = C pues C es
cerrado. Es decir, v
1
(C). En resumen,
v
1
(C) =

k1
_
m1

nm
v
1
n
(C
k
)
que es un conjunto medible -de /-, pues cada C
k
es abierto en M y cada v
n
es un elemento
aleatorio en M.
Usaremos estas dos proposiciones para probar que en un espacio metrico separable M,
todo elemento aleatorio es el lmite uniforme de una sucesi on de elementos aleatorios dis-
cretos que toman una cantidad numerable de valores. Para esto precisamos el siguiente
lema.
Lema 1.1. Sea M un espacio metrico separable. Entonces dado > 0 arbitrario, existe una
funci on T : M M Borel medible, tal que T toma un conjunto numerable de valores y
d(T(x), x) < para todo x M.
Demostraci on. Sea x
n
un subconjunto denso numerable en M. Consideremos los conjuntos
E
1
= B(x
1
, ) y
E
n
= B(x
n
, )
n1
_
i=1
B(x
i
, ) para n > 1
2
Aqu d(x, C) = inf{d(x, y) : y C}.
10
Entonces los conjuntos E
n

n1
son disjuntos dos a dos y cubren M. Podemos denir entonces
T(x) = x
n
si x E
n
. Es claro que T es Borel medible, pues si x
n
k

k1
son aquellos elementos
del conjunto denso que est an en B, para un B B
M
dado, entonces
T
1
(B) =
_
k1
E
n
k
B
M
ya que cada E
n
es un boreliano. Adem as dado x M, x E
n
para alg un n, por lo que
T(x) = x
n
y d(T(x), x) = d(x
n
, x) < .
Proposici on 1.4. Sea M un espacio metrico separable. Un mapa v : M es un e.a. en
M, si y s olo si existe una sucesi on v
n
de e.a. discretos en M que converge uniformemente
a v.
Demostraci on. Supongamos que v : M es un elemento aleatorio en M. Para cada
n 1, como M es separable sabemos que existe T
n
: M M Borel medible, que toma
una cantidad numerable de valores y tal que d(T
n
(x), x) < n
1
para todo x M. Entonces
denimos v
n
: M dado por v
n
= T
n
(v). Luego v
n
es un e.a. discreto en M tal que
sup

d(v
n
(), v()) <
1
n
de donde v
n
converge uniformemente en a v.
Reciprocamente supongamos que existe tal sucesi on v
n
de e.a. discretos que converge
uniformemente a v. Como en particular v
n
() v() para todo , sabemos por la
proposici on anterior que v es un elemento aleatorio en M.
Dados dos elementos aleatorios u y v en M la funci on x = d(u, v) -en un contexto general-
no tiene por que en principio ser medible, es decir, no tiene por que ser una variable aleatoria.
Como veremos m as adelante, muchos resultados y deniciones se expresan en terminos de la
metrica d, lo cual restringe en una primera instancia la clase de espacios que nos interesan.
Una condici on suciente para que x sea una variable aleatoria es que el espacio M sea
separable. Denotamos B
M
1
B
M
2
la - algebra generada por los conjuntos de la forma A
1
A
2
tales que A
i
B
M
i
.
Proposici on 1.5. Sean u y v e.a. en un espacio metrico M. Si M es separable, entonces
d(u, v) es una variable aleatoria.
Demostraci on. Sabemos que la funci on d : M M R es continua, luego es Borel medible.
Tambien sabemos que u, v : M son funciones (/, B
M
)-medibles, si y s olo si el mapa
11
(u(), v()) es medible sobre la - algebra producto B
M
B
M
en M M. Como M es
separable sabemos que B
MM
= B
M
B
M
. Lo anterior implica que al ser u y v medibles,
(u, v) sea un e.a. en M M. Luego la composici on x = d(u, v) es un e.a. en R, es decir, una
variable aleatoria.
Consideremos un espacio metrico M discreto con cardinal superior al de R. Como todo
subconjunto de M es abierto,
B
M
B
M
= (A
1
A
2
: A
i
M
i
abierto) = (A
1
A
2
: A
i
M
i
)
Adem as = (x, y) : x = y es un subconjunto cerrado de M M
3
y por ende B
MM
.
En realidad B
MM
= T(M M) pues el producto de discretos es tambien discreto. Pero
/ B
M
B
M
. (Ver Halmos, Measure Theory, Problema 2 p ag. 261).
Consideremos = MM y / = B
M
B
M
. Entonces las proyecciones u, v : M dadas
por u(x, y) = x y v(x, y) = y son medibles como funciones entre estos espacios. Veamos que
x = d(u, v) no es una variable aleatoria. Lo que ocurre es que es un boreliano en M M,
pero / / por lo que (u, v) no es un elemento aleatorio en MM. As, como = d
1
(0)
y 0 B
R
, x
1
(0) = / / con lo cual x no es una variable aleatoria.
Debido a esto nos restringiremos a espacios metricos (M, d) separables para dar las si-
guientes deniciones. Igualmente siempre que sea posible dar los resultados en un contexto
m as general, lo haremos.
Denici on 1.2. Sea v
n

n1
una sucesi on de e.a. y v un e.a. en un espacio metrico separable
M. Decimos que v
n
converge a v:
con probabilidad 1 o casi seguramente (v
n
v c.s.) si
P ( : d(v
n
(), v()) 0) = 1
en probabilidad (v
n

P
v) si para todo > 0,
P ( : d(v
n
(), v()) ) 0
en la r-media (v
n

r
v) con r > 0, si
Ed(v
n
, v)
r
0
3
Esto es pues = d
1
({0}).
12
Es decir, decimos que v
n
converge a v casi seguramente, en probabilidad o en r-media,
cuando la variable aleatoria x
n
= d(v
n
, v) converge a cero casi seguramente, en probabilidad
o en r-media, respectivamente.
Como nuestro primer objetivo es la ley de los grandes n umeros, no damos aqu la denici on
de convergencia en distribuci on que veremos m as adelante. Cuando hablemos de la ley fuerte
de los grandes n umeros, nos estaremos reriendo a la convergencia de los promedios en
el sentido casi seguro, y si usamos la palabra debil, ser a en el sentido de convergencia en
probabilidad.
Las relaciones entre los distintos tipos de convergencia son exactamente las mismas que en
el caso real. Es decir, por ejemplo la convergencia c.s. implica la convergencia en probabilidad.
Otra propiedad que extendemos es por ejemplo la desigualdad de Markov. Como d(u, v) es
una variable aleatoria no negativa, si existe Ed(u, v)
r
para alg un r > 0, tenemos que
P (d(u, v) )
1

r
Ed(u, v)
r
para todo > 0. Luego si v
n

r
v para alg un r > 0, aplicando esta desigualdad vemos que
v
n

P
v.
Sea v
n
una sucesi on de e.a. y v un e.a. en un espacio metrico separable M. Si existe un
r > 0 tal que
+

n=1
Ed(v
n
, v)
r
< +
entonces v
n
v c.s.. Las pruebas detalladas de estos resultados no las hacemos aqu pues
son totalmente an alogas a las mismas para el caso real. De todos modos se puede consultar
Padgett-Taylor[3].
1.3. Elementos aleatorios en espacios normados.
En esta secci on veremos algunas propiedades de los elementos aleatorios cuando el espacio
metrico M es un espacio normado, es decir, un espacio vectorial E con una norma que
denotaremos por ||. En estas condiciones tenemos denido el espacio dual E

de E, formado
por los funcionales lineales f : E R continuos, es decir aquellos para los cuales
|f| = sup
|x|=1
[f(x)[ < +

Este tambien es un espacio normado -en realidad es de Banach- con esta misma norma.
13
Como la norma es una funci on continua tenemos que si v : E es un elemento aleatorio
en E, entonces |v| es una variable aleatoria
4
. Del mismo modo cada funcional f E

es una
funci on continua, por lo tanto f(v) es una variable aleatoria para cada f E

. En el caso
separable el hecho de ser una variable aleatoria f(v) para cada f E

nos garantiza que v

sea un elemento aleatorio. La idea de la demostraci on de esto la utilizaremos bastante, por
lo que nos ser a mejor disponer del siguiente lema.
Lema 1.2. Sea (E, ||) un espacio normado separable. Si x
n
es un subconjunto denso en
S(0, 1) = x E : |x| = 1, sea g
n
E

tal que |g
n
| = 1 y g
n
(x
n
) = 1 para cada n 1.
Entonces
5
B[0, 1] =

n1
x E : g
n
(x) 1
Demostraci on. Si x B[0, 1], entonces para cada n 1 tenemos que [g
n
(x)[ |g
n
| |x| =
|x| 1, de donde x A =

n1
x E : g
n
(x) 1.
Sea x / B[0, 1], es decir |x| > 1. Entonces por la densidad de x
n
, existe x
n
k
tal que
_
_
_
x
|x|
x
n
k
_
_
_ <
1
k
. Luego tenemos que

g
n
k
_
x
|x|
x
n
k
_

_
_
_
_
x
|x|
x
n
k
_
_
_
_
<
1
k
Pero como g
n
k
_
x
|x|
x
n
k
_
=
g
n
k
(x)
|x|
1, tenemos que
[g
n
k
(x)|x|[
|x|

k
0, es decir
g
n
k
(x)
k
|x|
Luego existe k sucientemente grande tal que g
n
k
(x) > 1. Entonces x / A.
Proposici on 1.6. Sea (E, ||) un espacio normado separable. Consideremos la familia T
de los conjuntos
x E : (f
1
(x), . . . , f
n
(x)) B
dende n 1, f
i
E

y B B
R
n para i = 1, . . . , n. Entonces B
E
= (T).
Demostraci on. Consideremos la familia ligeramente distinta T
0
formada por los conjuntos
de la forma
x E : f
1
(x) B
1
, . . . , f
n
(x) B
n

4
Observar que no es necesario que E sea separable.
5
Denotamos a la bola cerrada de esta manera
14
con n 1, f
i
E

y B
i
B
R
. Como T
0
T, tenemos que (T
0
) (T) y como los
funcionales son continuos es claro que (T
0
) B
E
. Luego bastar a probar que B
E
(T
0
).
Pero al ser E separable todo abierto es uni on numerable de bolas abiertas, las cuales son
uniones numerables de bolas cerradas, por lo que es suciente ver que estas ultimas pertenecen
a (T
0
).
Sea B[x
0
, r] una bola cerrada de centro x
0
y radio r > 0 en E. Denimos T : E E
dada por T(x) =
1
r
(xx
0
), entonces T es un homeomorsmo y por el lema anterior tenemos
que
B[x
0
, r] = T
1
(B[0, 1]) = T
1
(

n1
x E : g
n
(x) 1) =

n1
T
1
(x E : g
n
(x) 1) =

n1
x : g
n
(T(x)) 1 =

n1
x : g
n
(x) r +g
n
(x
0
) =

n1
g
1
n
((,
n
]) (T
0
)
M as a un, hemos probado que B
E
= (f
1
((, r]) : r R, f E

).
Corolario 1.1. Sea (E, ||) un espacio normado separable. Si v : E es tal que f(v) es
una variable aleatoria para cada f E

, entonces v es un e.a. en E.
Demostraci on. Como f(v) : R es medible el conjunto f(v) B es medible para todo
f E

y todo B B
R
. Es decir, el conjunto
v f
1
(B) /
para todo f E

y B B
R
. Entonces v es (/, (T
0
))-medible y como por el lema (T
0
) =
B
E
, v es un e.a. en E.
Corolario 1.2. Sean v
1
, . . . , v
n
elementos aleatorios en un espacio normado separable E. Si

1
, . . . ,
n
son reales arbitrarios, entonces

n
i=1

i
v
i
es un elemento aleatorio en E.
Demostraci on. Sea f E

arbitrario. Entonces f (

n
i=1

i
v
i
) =

n
i

i
f(v
i
), y como una
combinaci on lineal de variables aleatorias -en R- es tambien una variable aleatoria, concluimos
por el corolario anterior que

n
i=1

i
v
i
es un elemento aleatorio en E.
Como ejemplo podemos caracterizar utilizando lo que tenemos hasta ahora, cu ales son los
elementos aleatorios en ciertos espacios. Si denotamos l
1
el espacio vectorial de las sucesiones
15
reales absolutamente sumables con la norma |x| =

n1
[x
n
[, entonces v = (v
1
, v
2
, ) es un
elemento aleatorio en l
1
, si y s olo si v
i
es una sucesi on de variables aleatorias absolutamente
sumables. Si v es un elemento aleatorio en l
1
, entonces
i
v = v
i
es una variable aleatoria
pues
i
-la proyecci on can onica- es una funci on continua. Reciprocamente, supongamos que
v
n
l
1
es una sucesi on de variables aleatorias. Sea f (l
1
)

, entonces existe a
n
l

-las sucesi ones reales acotadas con la norma del supremo- tal que f(x) =

n1
a
n
x
n
para
todo x l
1
. Luego
f(v)() =

n1
a
n
v
n
() = lm
N+
N

n=1
a
n
v
n
()
por lo que es medible al ser lmite de funciones medibles. Como f es arbitrario, tenemos que
v es un elemento aleatorio en l
1
.
Estos mismos argumentos nos permiten armar que si l
p
= x = x
n
:

n1
[x
n
[
p
<
+ con la norma |x| =
_

n1
[x
n
[
p
_1
p
para p > 1, entonces los elementos aleatorios en l
p
son las sucesiones v
n
de variables aleatorias en l
p
.
Proposici on 1.7. Sean E un espacio normado
6
, v un elemento aleatorio en E y una
variable aleatoria. Entonces v es un elemento aleatorio en E.
Demostraci on. Supongamos primero que es discreta, es decir toma una cantidad numerable
de valores; a saber x
1
, x
2
, . . .. Sea B B
E
, entonces
(v)
1
(B) = (v)
1
(B)
_
n1
E
n
=
_
n1
(v)
1
(B) E
n
donde E
n
= : () = x
n
. Como (v)
1
(B) = : ()v() B y en E
n
() = x
n
, tenemos que
(v)
1
(B) E
n
= : x
n
v() B = : v() T
1
n
(B)
con T
n
: E E dada por T
n
(v) = x
n
v. Como T
n
es continua, al ser B un boreliano tambien
lo es su preimagen por T
n
. Luego como v es un elemento aleatorio, (v)
1
(B) E
n
/, de
donde tambien (v)
1
(B) /.
En el caso general, sabemos que existe
n
una sucesi on de variables aleatorias discretas
que convergen puntualmente a . Nuevamente por la continuidad de la multiplicaci on por
escalares, tenemos que

n
()v()
n
()v()
6
No necesariamente separable.
16
para cada , y por lo tanto v es un elemento aleatorio por ser lmite de elementos
aleatorios en E.
Si v es un elemento aleatorio en un espacio metrico M, entonces este dene una medida
de probabilidad en (M, B
M
) dada por
P
v
(B) = P
_
v
1
(B)
_
= P (v B)
A esta medida de probabilidad P
v
la llamaremos distribuci on o ley de v. Las siguientes
deniciones que vamos a dar las podemos formular sin problemas en un espacio metrico en
general, a pesar de estar esta secci on destinada a estudiar elementos aleatorios en espacios
normados.
Denici on 1.3. Sean v
1
y v
2
dos elementos aleatorios en un espacio metrico M. Decimos
que v
1
y v
2
son identicamente distribuidos si
P (v
1
B) = P (v
2
B)
para todo subconjunto boreliano B B
M
. Es decir, si las medidas de probabilidad induci-
das por ambos en M coinciden. Diremos que una familia de elementos aleatorios en M es
identicamente distribuida, si dos cualquiera de la familia son identicamente distribuidos.
Denici on 1.4. Dado un conjunto nito de elementos aleatorios v
1
, . . . , v
n
en un espacio
metrico M, decimos que son independientes si
P (v
1
B
1
, . . . , v
n
B
n
) = P (v
1
B
1
) P (v
n
B
n
)
para toda colecci on B
1
, . . . , B
n
B
M
. Decimos que una colecci on arbitraria de elementos alea-
torios en M es independiente si todo subconjunto nito de esta, est a formado por elementos
aleatorios independientes.
Proposici on 1.8. Sean v
1
y v
2
elementos aleatorios independientes e identicamente distri-
buidos en un espacio metrico M, y sea una funci on Borel medible de M en otro espacio
metrico M
1
. Entonces (v
1
) y (v
2
) son elementos aleatorios independientes e identicamente
distribuidos en M
1
.
Demostraci on. Sea B
1
B
M
1
, entonces B =
1
(B
1
) B
M
, de donde
P ((v
1
) B
1
) = P
_
v
1

1
(B
1
)
_
= P (v
1
B)
17
= P (v
2
B) = P
_
v
2

1
(B
1
)
_
= P ((v
2
) B
1
)
por lo que (v
1
) y (v
2
) son identicamente distribuidos.
Sean B
1
, B
2
B
M
1
, entonces
P ((v
1
) B
1
, (v
2
) B
2
) = P
_
v
1

1
(B
1
), v
2

1
(B
2
)
_
= P
_
v
1

1
(B
1
)
_
P
_
v
2

1
(v
2
)
_
= P ((v
1
) B
1
) P ((v
2
) B
2
)
y tenemos as la independencia.
Es claro que este resultado se extiende con la misma demostraci on para una sucesi on de
elementos aleatorios.
Nuestro pr oximo objetivo es dar algunas condiciones bajo las cuales podamos garantizar
que dos elementos aleatorios en un espacio normado sean identicamente distribuidos.
Denici on 1.5. Sea T una familia de subconjuntos en B
M
. Decimos que T es una clase
determinante para B
M
si dadas dos medidas de probabilidad en B
M
, P y Q, tales que P(A) =
Q(A) para todo A T; necesariamente debe ser P(B) = Q(B) para todo B B
M
.
Proposici on 1.9. Sean E un espacio normado separable y v
1
, v
2
: E dos elementos
aleatorios en E. Entonces, v
1
y v
2
son identicamente distribuidos si y s olo si f(v
1
) y f(v
2
)
son variables aleatorias con igual distribuci on para todo f E

.
Demostraci on. Si v
1
y v
2
son identicamente distribuidos, como f E

es Borel medible por

la proposici on anterior f(v
1
) y f(v
2
) tambien lo son.
Supongamos que f(v
1
) tiene la misma distribuci on que f(v
2
) para todo f E

. Esto
quiere decir que P (f(v
1
) B) = P (f(v
2
) B) para todo f E

y B B
R
.
Como antes sea T la familia de subconjuntos de B
E
formada por los conjuntos de la forma
x E : (f
1
(x), , f
n
(x)) B
con f
i
E

y B B
R
n. Es claro que T es un algebra de conjuntos, por lo que bastar a probar
que las medidas de probabilidad inducidas por v
1
y v
2
coinciden en T.
Para esto, sea A T con
A = x : (f
1
(x), , f
n
(x)) B donde f
i
E

, B B
R
n
y denimos T : E R
n
como T(x) = (f
1
(x), , f
n
(x)). De este modo, al componer T
con v
i
obtenemos dos vectores aleatorios en R
n
, a saber T(v
i
) = (f
1
(v
i
), , f
n
(v
i
)). Por
18
Cramer-Wold sabemos que la distribuci on de estos est a unvocamente determinada por la
distribuci on de las combinaciones lineales de las coordenadas de dichos vectores. Es decir,
dados t
1
, . . . , t
n
R la distribuci on de

n
i=1
t
i
f
i
(v
j
) nos determina la distribuci on de T(v
j
)
al variar (t
1
, , t
n
) R
n
. Como

n
i=1
t
i
f
i
(v
j
) = (t
1
f
1
+ + t
n
f
n
)(v
j
) = g(v
j
) con g =
t
1
f
1
+ t
n
f
n
E

, concluimos por hip otesis que T(v

1
) y T(v
2
) tienen la misma distribuci on
en R
n
, es decir
P (T(v
1
) B) = P (T(v
2
) B)
Pero esto quiere decir que
P (v
1
A) = P ((f
1
(v
1
), , f
n
(v
1
)) B) =
P ((f
1
(v
2
), , f
n
(v
2
)) B) = P (v
2
A)
Luego P
v
1
= P
v
2
en (T). Como E es separable (T) = B
E
. Es decir, v
1
y v
2
tienen la misma
distribuci on.
Habamos probado que B
E
= (f
1
((, r]) : f E

, r R). Luego las intersecciones

nitas de los estos conjuntos forman un -sistema que genera la - algebra de Borel en E.
Recordamos que un -sistema es una colecci on de subconjuntos cerrada por intersecciones
nitas. De la prueba de la proposici on anterior podemos ver que si dos probabilidades coinci-
den en f
1
((, r]) : f E

, r R -llamaremos semiespacios a estos conjuntos- entonces

tambien coinciden en las intersecciones nitas. Luego la colecci on de semiespacios es una
clase determinante para E cuando este es separable.
Proposici on 1.10. Sean E un espacio normado y v
1
, v
2
: E dos elementos aleatorios
en E. Si v
1
y v
2
son independientes, entonces f(v
1
) y g(v
2
) son variables aleatorias indepen-
dientes para todo f, g E

. M as a un, si E es separable entonces el reciproco es cierto.

Demostraci on. La primera parte de la proposici on es inmediata y se deduce de la propo-
cisi on 1.8. Supongamos que E es separable y que f(v
1
) y g(v
2
) son variables aleatorias
independientes para todo f, g E

. Entonces E E es un espacio normado separable con

B
EE
= B
E
B
E
, de donde (v
1
, v
2
) es un elemento aleatorio en EE. Adem as cada funcional
F (E E)

es de la forma F(x, y) = F(x, 0) +F(0, y) = f(x) +g(y) con f, g E

. Luego
para probar que v
1
y v
2
son independientes debemos probar que P
v
1
,v
2
= P
v
1
P
v
2
-la medida
producto en E E-. Como los semiespacios (x, y) E E : F(x, y) r, F (E E)

19
y r R son una clase determinante, bastar a probar que ambas medidas de probabilidad
coinciden en estos semiespacios. Sea A = (x, y) : f(x) +g(y) r un semiespacio. Entonces
P
v
1
P
v
2
(A) =
_
E
P
v
2
(A
x
)dP
v
1
(x) =
_
E
P (f(x) +g(v
2
) r) dP
v
1
(x)
=
_
R
P (t +g(v
2
) r) dP
f(v
1
)
(t) = P
f(v
1
)
P
g(v
2
)
((, r])
= P (f(v
1
) +g(v
2
) r) = P
v
1
,v
2
(A)
Luego esta igualdad vale en todo B
EE
, es decir, v
1
y v
2
son independientes.
1.4. Valor esperado de un elemento aleatorio.
En esta secci on deniremos y estudiaremos el concepto de valor esperado o esperanza de
un elemento aleatorio en un espacio normado separable. Nos concentraremos por ahora en
denir tal concepto, demostrar unas propiedades b asicas y probar un resultado de existencia
para elementos aleatorios en espacios de Banach.
Denici on 1.6. Sean E un espacio normado separable y v un elemento aleatorio en E.
Llamaremos valor esperado de v a un elemento x E que cumpla
f(x) = Ef(v) =
_

f(v())dP()
para todo funcional f E

. En caso de existir tal elemento lo denotaremos x = Ev.

Como E

es una familia de funciones que separa puntos -es decir, si x ,= 0 E entonces

existe f E

tal que f(x) ,= 0- en caso de existir un elemento x que cumpla la denici on

anterior, debe ser unico. Pues si x
1
es otro que la cumple, se tiene que
f(x
1
) = Ef(v) = f(x) f E

de donde x x
1
= 0.
De una forma similar denimos la varianza de un elemento aleatorio como el promedio
de las distancias cuadr aticas de v a Ev. Es decir,
Denici on 1.7. Sea v un elemento aleatorio en un espacio normado separable E y supon-
gamos que existe su valor esperado Ev. Denimos la varianza de v como

2
(v) =
_

|v Ev|
2
dP
Llamaremos desvo est andar de v a (v), la raz cuadrada de la varianza.
20
Comencemos por ver algunas propiedades.
Proposici on 1.11. Sean E un espacio normado separable, v y w dos elementos aleatorios
en E y a E un elemento jo. Entonces
1. Si existen Ev y Ew, entonces Ev +w = Ev + Ew.
2. Si existe Ev y r R, entonces Erv = rEv.
3. Si v = a con probabilidad 1, entonces Ev = a.
4. Si v = a con probabilidad 1 y es una variable aleatoria tal que E existe, entonces
Ev = (E)a.
5. Si T : E F es un operador lineal acotado y Ev existe, entonces ET(v) tambien existe
y vale ET(v) = T(Ev).
6. Si Ev existe entonces |Ev| E|v|, pudiendo esta ultima ser innita.
Demostraci on. 1. Sea x = Ev + Ew. Entonces
f(x) = f(Ev + Ew) = f(Ev) +f(Ew)
= Ef(v) + Ef(w) = Ef(v) +f(w) = Ef(v +w)
para todo f E

.
2. Sea x = rEv. Entonces
f(x) = f(rEv) = rf(Ev) = rEf(v) = Erf(v) = Ef(rv)
para todo f E

.
3. Tenemos que f(a) = Ef(v) para todo f E

, pues f(v) = f(a) con probabilidad 1.

4. Tenemos que f((E)a) = (E)f(a) = E(f(a)) = E(f(v)) = Ef(v) para todo
f E

.
5. Sea y = T(Ev). Entonces si f F

,
f(y) = f(T(Ev)) = f T(Ev) = Ef T(v) = Ef(T(v))
pues f T E

.
21
6. Sea f E

tal que |f| = 1 y f(Ev) = |Ev|. Entonces

|Ev| = f(Ev) = [f(Ev)[ = [Ef(v)[
E[f(v)[ E|f| |v| = E|v|
El siguiente resultado nos garantiza la existencia del valor esperado de un elemento alea-
torio v en E, si E|v| < + y E es completo. Es importante tambien pues en la prueba
se calcula el valor esperado de elementos discretos en estas condiciones. Luego se obtiene la
esperanza de v aproximando por elementos discretos de la misma forma que se hace en R.
Proposici on 1.12. Sea E un espacio de Banach. Si v es un elemento aleatorio en E tal que
E|v| < +, entonces Ev existe.
Demostraci on. Supongamos primero que v es discreto y que toma los valores x
1
, x
2
, . . ..
Entonces bajo estas hip otesis tenemos que
E|v| =

n1
|x
n
| P (E
n
) < +
donde E
n
= v
1
(x
n
). Luego x
N
=

N
n=1
x
n
P (E
n
) converge por la completitud de E al
valor x =

n1
x
n
P (E
n
). Pero entoces si f E

f(x) = f
_
lm
N
N

n=1
x
n
P (E
n
)
_
= lm
N
N

n=1
P (E
n
) f(x
n
)
y como

N
n=1
P (E
n
) [f(x
n
)[ |f|

N
n=1
P (E
n
) |x
n
|, tenemos que

+
n=1
P (E
n
) [f(x
n
)[ <
+, de donde
f(x) =
+

n=1
P (E
n
) f(x
n
) = Ef(v)
Luego Ev =

+
n=1
P (E
n
) x
n
.
En el caso general, sea v
n
una sucesi on de elementos aleatorios discretos tales que
|v
n
v| <
1
n
para cada n. Por lo anterior sabemos que existe para cada n, Ev
n
E.
Probemos que Ev
n
es una sucesi on de Cauchy. Sea p N,
|Ev
n+p
Ev
n
| = |Ev
n+p
v
n
| E|v
n+p
v
n
|
1
n
+
1
n +p
0 p N
22
Como E es completo existe x E tal que lm
n
Ev
n
= x. Luego
[f(x) Ef(v)[ = [ lm
n
f(Ev
n
) Ef(v)[ lmsup
n
[Ef(v
n
) f(v)[
lmsup
n
E[f(v
n
v)[ |f| lm
n
E|v
n
v| = 0
de donde f(x) = Ef(v). Como esto vale para todo f E

, conclumos que x = Ev.

La hip otesis de completitud es en efecto necesaria. Por ejemplo consideremos el espacio
E = R

formado por todas las sucesiones reales con s olo una cantidad nita de terminos
no nulos, con la metrica del supremo. Entonces E no es completo. Sea v : R

tal
que P (v = e
n
) =
1
2
n
donde e
n
=
in

i1
R

. Entonces |v| = 1 con probabilidad 1,

y por lo tanto E|v| = 1 < +. Pero si pensamos a v como un e.a. en c
0
-las sucesiones
convergentes a cero- que es la clausura de R

, y por ende un espacio completo; entonces

Ev =

+
n=1
1
2
n
e
n
= 1/2, 1/4, 1/8, . . . c
0
pero no es un elemento de R

.
Consideremos el espacio c de las sucesiones reales convergentes. Entonces c es un espacio
de Banach separable con la norma
|x| = sup
n
[x
n
[ para x = x
n
c
Supongamos que v = v
n
es un e.a. en c tal que
() E|v| = Esup
n
[v
n
[ <
Armamos que Ev = Ev
n
. Como existe lm
n
v
n
en todo , por () podemos aplicar conver-
gencia dominada y concluir que tambien existe lm
n
Ev
n
= Elm
n
v
n
, de donde Ev
n
c.
Adem as, si f c

, entonces podemos identicar f con (f

0
, f
n
) donde f
0
R y f
n
l
1
.
De este modo
f(Ev
n
) = f
0
lm
n
Ev
n
+

n1
f
n
Ev
n
= E
_
_
_
f
0
lm
n
v
n
+

n1
f
n
v
n
_
_
_
= Ef(v)
Consideremos ahora el espacio de Banach C = C[0, 1] de las funciones continuas x :
[0, 1] R con la norma
|x| = sup
t[0,1]
[x(t)[
Sea v un e.a. en C, tal que
E|v| = Esup
t
[v(t)[ <
23
Probaremos que Ev = Ev
t
: t [0, 1]. Primero observemos que la aplicaci on t Ev
t
-que
llamaremos x- es continua. En efecto tenemos que v
t+h
v
t
0 cuando h 0 y como
E|v| < nuevamente si aplicamos convergencia dominada vemos que
[Ev
t+h
Ev
t
[ E[v
t+h
v
t
[ 0
cuando h 0. Como C

es el conjunto de las medidas signadas nitas en [0, 1], tenemos que

dado C

,
(x) =
_
1
0
Ev
t
d(t) =
_
1
0
_

v(t, )dP()d(t) = E
__
1
0
v
t
d(t)
_
= E(v)
por lo que x = Ev.
A continuaci on veamos c omo podemos calcular el valor esperado cuando el espacio en el
que estamos trabajando tiene una base de Schauder. Sea E un espacio de Banach con base de
Schauder e
n
. Ponemos e

k
a las funcionales coordenadas relativas a la base e
n
, es decir,
si
x =

i
x
i
e
i
entonces e

k
(x) = x
k
. Como E es de Banach tenemos que -consecuencia del teorema de la
aplicaci on abierta- e

k
E

. Luego si v es un elemento aleatorio en E, e

k
(v) es una variable
aleatoria para todo k. M as a un, si consideramos P
n
los operadores de sumas parciales
P
n
(x) =
n

i=1
x
i
e
i
estos tambien son continuos. Como e
n
es una base, para cada x E jo tenemos que
|x P
n
(x)|
n
0
es decir, P
n
(x) x. Luego P
n
(v) converge puntualmente a v y podemos escribir
v = lm
n
P
n
(v) =

n
e

n
(v)e
n
Supongamos que existe Ev. Entonces debemos tener
e

k
(Ev) = Ee

k
(v)
de donde podemos escribir
Ev =

n
Ee

n
(v)e
n
24
Luego si identicamos v con la sucesi on (v
1
, v
2
, ) donde v
n
= e

n
(v) podemos identicar a
Ev con
Ev = (Ev
1
, Ev
2
, )
25
Captulo 2
Ley de los Grandes N umeros.
En este captulo estudiaremos la ley fuerte de los grandes n umeros para e.a.. En la primera
parte nos concentraremos en e.a. a valores en un espacio de Hilbert separable. Probaremos
las extensiones de las desigualdades de Rademacher-Mensov para el caso ortogonal y de
Kolmogorov para el caso independiente. Luego probaremos en ambos casos las leyes fuertes
que se deducen de estas. La teora en este caso transcurre del mismo modo que en el caso
real y se utilizan los mismos metodos de prueba.
En la segunda parte veremos la ley fuerte de Mourier para el caso i.i.d. en espacios de
Banach separables, analizaremos algunos ejemplos que invalidan las extensiones de la ley
fuerte y debil para e.a. independientes con restricciones en sus varianzas.
2.1. Generalizaci on a espacios de Hilbert separables.
2.1.1. Deniciones y aspectos basicos.
A lo largo de esta secci on denotamos por H un espacio de Hilbert real, que suponemos
separable, y denotamos por , ) su producto interno. De este modo tenemos denida la
norma como |x| =
_
x, x).
Si x e y son dos elementos aleatorios en H, entonces sabemos que |x y| es una variable
aleatoria y m as a un, tanto x + y como x y son elementos aleatorios en H. Deducimos
entonces que
x, y) =
1
4
_
|x +y|
2
|x y|
2
_
es una variable aleatoria. Esto lo podramos obtener diciendo que al ser H separable, B
HH
=
B
H
B
H
; luego tenemos que (x, y) es un elemento aleatorio en HH y como , ) : HH R
26
es una funci on continua, x, y) es una variable aleatoria.
Por la desigualdad de Markov que mencionamos en el captulo anterior, al ser d(x, y) =
|x y| tenemos que dado > 0
P (|x y| )
1

r
E|x y|
r
si E|x y|
r
< + para alg un r > 0.
Denici on 2.1. Sean x e y dos elementos aleatorios en H con E|x|
2
< +y E|y|
2
< +.
Decimos que x e y son no correlacionados si
Ex, y) = Ex, Ey)
Una familia arbitraria de elementos aleatorios es no correlacionada si dos cualquiera de ellos
lo son.
Cuando
Ex, y) = 0
decimos que x e y son ortogonales. As, una familia arbitraria de elementos aleatorios en H
es ortogonal si dos cualquiera de ellos los son. Si ademas E|x|
2
= 1 para todo elemento de
la familia, decimos que es una familia ortonormal.
Si x e y son tal que Ex = Ey = 0, entonces x e y son no correlacionados si y s olo si x e y
son ortogonales. Como
Ex Ex, y Ey) = Ex, y) Ex, Ey) EEx, y) +Ex, Ey)
y como , Ey) y Ex, ) son elementos de H

, de la denici on de valor esperado obtenemos

que Ex, Ey) = Ex, Ey) y EEx, y) = Ex, Ey). Entonces deducimos que
Ex Ex, y Ey) = Ex, y) Ex, Ey)
Luego podemos armar que x e y son no correlacionados si y s olo si x Ex e y Ey son
ortogonales.
Observemos que hemos exigido que los momentos segundos de x e y sean nitos. Esto
no es formalmente necesario pero bajo estas condiciones tenemos que
E[x, y)[ E|x| |y|
_
E|x|
2
_
1/2
_
E|y|
2
_
1/2
< +
por la desigualdad de Cauchy-Schwarz.
27
Los c alculos que hicimos recien nos permiten denir la covarianza de dos elementos alea-
torios x e y en H como
cov (x, y) = Ex Ex, y Ey) = Ex, y) Ex, Ey)
y tenemos que dos elementos aleatorios son no correlacionados si y s olo si su covarianza es
cero.
Habamos denido la varianza de un elemento aleatorio x como

2
(x) =
_

|x Ex|
2
dP = E|x Ex|
2
= cov (x, x)
y obtenemos como en el caso real,

2
(x) = E|x|
2
|Ex|
2
Adem as la desigualdad de Chebychev toma la siguiente forma:
Si x es un elemento aleatorio en H con varianza nita, entonces para todo > 0
P (|x Ex| )
1

2
(x)
que se deduce de la desigualdad de Markov para r = 2.
Sean x
1
, x
2
, . . . , x
n
elementos aleatorios en H. Entonces denotamos por s
n
= x
1
+ +x
n
.
As, tenemos que

2
(s
n
) = Es
n
Es
n
, s
n
Es
n
) = E
n

i=1
x
i
Ex
i
,
n

j=1
x
j
Ex
j
)
=
n

i=1
n

j=1
Ex
i
Ex
i
, x
j
Ex
j
) =
n

i=1

2
(x
i
) + 2

1i<jn
cov (x
i
, x
j
)
Osea

2
(s
n
) =
n

i=1

2
(x
i
) + 2

1i<jn
cov (x
i
, x
j
)
As tenemos probado el siguiente lema:
Lema 2.1. Si x
1
, . . . , x
n
son elementos aleatorias en H no correlacionados, entonces

2
(s
n
) =
n

i=1

2
(x
i
)
28
La importancia de este lema la veremos m as adelante y aunque es exactamente el mismo
resultado que en el caso real, es justamente el resultado que permite extender la teora del
caso real a los espacios de Hilbert.
Antes de comenzar con la ley de los grandes n umeros veremos una extensi on de los lemas
de Toeplitz y Kronecker para espacios de Banach, que usaremos m as adelante.
Lema 2.2 (Lema de Toeplitz). Sea u
nk

n,k1
una sucesi on doble de n umeros reales
positivos tales que
(1) lm
n+
+

k=1
u
nk
= 1 (2) lm
n+
u
nk
= 0 k = 1, 2, . . .
Sea s
1
, s
2
, . . . una sucesi on en un espacio de Banach B que converge a s. Entonces
t
n
=
+

k=1
u
nk
s
k

n
s
Demostraci on. Tenemos que
|t
n
s| =
_
_
_
_
_
+

k=1
u
nk
s
k
s
_
_
_
_
_
=
_
_
_
_
_
+

k=1
u
nk
(s
k
s) +
_
+

k=1
u
nk
1
_
s
_
_
_
_
_

_
_
_
_
_
k
0

k=1
u
nk
(s
k
s)
_
_
_
_
_
+
_
_
_
_
_
_
+

k=k
0
+1
u
nk
(s
k
s)
_
_
_
_
_
_
+

k=1
u
nk
1

|s|
Fijemos k
0
tal que |s
k
s| < para todo k k
0
. Entonces
_
_
_
_
_
_
+

k=k
0
+1
u
nk
(s
k
s)
_
_
_
_
_
_

k=k
0
+1
u
nk
|s
k
s| <
+

k=k
0
+1
u
nk
Si n
1
es tal que para todo n n
1
, u
nk
< para k = 1, 2, . . . , k
0
, entonces tenemos que
_
_
_
_
_
k
0

k=1
u
nk
(s
k
s)
_
_
_
_
_

k
0

k=1
u
nk
|s
k
s| < k
0

k
0

k=1
|s
k
s|
y sea n
0
n
1
tal que

+
k=1
u
nk
1

< para todo n n

0
. Entonces

k=1
u
nk
1

|s| < |s|

y como
+

k=k
0
+1
u
nk

k=1
u
nk
1

+
k
0

k=1
u
nk
+ 1 < 1 + +k
0
29
tenemos que para todo n n
0
|t
n
s| <
_
k
0

k=1
|s
k
s| + 1 +(k
0
+ 1) +|s|
_
= M(k
0
)
donde M(k
0
) es una constante jado el k
0
. Luego t
n

n
s.
Lema 2.3 (Lema de Kronecker). Sean x
n
una sucesi on en un espacio de Banach B y

n
una sucesi on creciente a innito de n umeros reales positivos. Si

+
n=1
x
n

n
converge en
B entonces,
x
1
+ +x
n

n
0
Demostraci on. Sea s
n
=

n
k=1
x
k

k
y s =

+
k=1
x
k

k
, es decir |s
n
s| 0. Entonces tenemos
que s
n
s
n1
=
x
n

n
para n 2 y si ponemos s
0
= 0 y
0
= 0 podemos hacerlo para n 1,
x
n
=
n
(s
n
s
n1
)
As tenemos que
1

n
n

k=1
x
k
=
1

n
n

k=1

k
(s
k
s
k1
)
=
1

n
_
s
0

1
+
n1

k=1
(
k

k+1
)s
k
+
n
s
n
_
= s
n

n1

k=0

k+1

k

n
s
k
Entonces si ponemos u
nk
=

k+1

n
> 0 para k = 0, 1, . . . , n 1 y u
nk
= 0 para k > n 1,
tenemos que
+

k=0
u
nk
=
1

n
n1

k=0

k+1

k
= 1
u
nk
=

k+1

k

n
0
pues
n
+. Luego por el lema de Toeplitz, tenemos que
t
n
=

k
u
nk
s
k
=
n1

k=0

k+1

k

n
s
k

n
s
y entonces
1

n
n

k=1
x
k
= s
n

n1

k=0

k+1

k

n
s
k

n
s s = 0
30
Corolario 2.1. Sea x
n
, una sucesi on de elementos aleatorios en un espacio de Banach
separable B. Si
+

n=1
x
n
n
es convergente en B con probabilidad 1, entonces
x
1
+ +x
n
n

n
0 c.s.
2.1.2. Sucesiones de elementos aleatorios no correlacionados.
Como vamos a trabajar con la esperanza del m aximo -en norma- de las sumas parciales
de e.a. ortogonales, nuestra pr oxima proposici on es una util desigualdad similar en su impor-
tancia a la desigualdad de Kolmogorov para elementos independientes, que nos servir a para
probar la ley fuerte para e.a. no correlacionados.
Proposici on 2.1 (Desigualdad de Rademacher-Mensov). Sean x
1
, x
2
, . . . , x
n
elemen-
tos aleatorios ortonormales en H y c
1
, c
2
, . . . , c
n
n umeros reales. Entonces
1
E m ax
1kn
_
_
_
_
_
_
k

j=1
c
j
x
j
_
_
_
_
_
_
2
(log
2
4n)
n

j=1
c
2
j
Demostraci on. Consideremos el caso n = 2

para un entero . Pongamos s

j
= c
1
x
1
+ +c
j
x
j
y z

= c
+1
x
+1
+ + c

para = u2
k
, = (u + 1)2
k
con k = 0, 1, . . . , y u =
0, 1, . . . , 2
k
1. Entonces cada
(1) s
j
=

i
z

i
para cierta cantidad de las z

de forma que podemos elegir

1

1
>
2

2
> .
2

2
1
3 2
2
.
.
.
0
0 1
2
2
2

1
k = 0
k = 2
k = 1
k =
.
.
.
1
El logaritmo es en base 2.
31
Por ejemplo, s
n
es la suma de las z

se naladas en el dibujo. De este modo la cantidad

de sumandos en (1) es menor o igual que y tenemos por Cauchy-Schwarz,
|s
j
|
2
=
__
_
_
_
_

i
z

i
_
_
_
_
_
_
2

i
|z

i
|
_
2

i
|z

i
|
2

,
|z

|
2
donde la ultima suma es tomada en todos los valores posibles de y . Como esto vale para
todo j tenemos que
(2) m ax
1kn
_
_
_
_
_
_
k

j=1
c
j
x
j
_
_
_
_
_
_
2
= m ax
1kn
|s
k
|
2

,
|z

|
2
Adem as
E

,
|z

|
2
=

,
E|z

|
2
=

,
c
2
+1
+ +c
2

donde la ultima igualdad se desprende de la ortonormalidad de los elementos. Como la ultima

suma es tomada en todos los valores de y , separando en los valores de k desde 0 hasta
y en cada una de ellas sumando de u2
k
hasta (u + 1)2
k
para los valores u = 0, . . . , 2
k
1;
obtenemos

,
c
2
+1
+ +c
2

k=0
2
k
1

u=0
c
2
u2
k
+1
+ +c
2
(1+u)2
k
=

k=0
2

j=1
c
2
j
= ( + 1)
2

j=1
c
2
j
de donde
E

,
|z

|
2
= ( + 1)
n

j=1
c
2
j
( + 1)
2
n

j=1
c
2
j
= log
2
2n
n

j=1
c
2
j
y tomando esperanzas en (2) obtenemos
E m ax
1kn
_
_
_
_
_
_
k

j=1
c
j
x
j
_
_
_
_
_
_
2
log
2
2n
n

j=1
c
2
j
En general, sea tal que 2

n < 2
+1
. Entonces ponemos c
n+1
= = c
2
+1 = 0 y
obtenemos que s
k
= s
n
para k n y
m ax
1k2
+1
|s
k
|
2
= m ax
1kn
|s
k
|
2
de donde
E m ax
1kn
|s
k
|
2
= E m ax
1k2
+1
|s
k
|
2
log
2
2
+2
2
+1

j=1
c
2
j
log
2
4n
n

j=1
c
2
j
32
Teorema 2.1 (Rademacher-Mensov). Sea x
n
una sucesi on de elementos aleatorios en
H ortonormales y c
n
una sucesi on de n umeros reales tales que
+

k=1
c
2
k
log
2
k < +
entonces
+

k=1
c
k
x
k
converge con probabilidad 1.
Demostraci on. Sea R
n
=

+
k=n
c
k
x
k
. Entonces por la ortonormalidad de los x
k
tenemos que
para todo m n, E|

m
k=n
c
k
x
k
|
2
=

m
k=n
c
2
k

k=1
c
2
k
< de donde tomando lmite,
E|R
n
|
2
=
+

k=n
c
2
k
Como
A =
+

k=1
c
2
k
log
2
k
+

k=n
c
2
k
log
2
k
+

k=n
c
2
k
log
2
n
tenemos que
+

k=n
c
2
k

A
log
2
n
por lo que
E|R
2
n|
2

A
n
2
lo cual implica que R
2
n
n
0 c.s.. Sea
D
n
= m ax
2
n
<k2
n+1
|R
k
R
2
n|
Entonces tenemos que
ED
2
n
= E m ax
2
n
<k2
n+1
_
_
_
_
_
_
k1

j=2
n
c
j
x
j
_
_
_
_
_
_
2
log
2
(4(2
n+1
2
n
))
2
n+1
1

j=2
n
c
2
j
= (n + 2)
2
2
n+1
1

j=2
n
c
2
j
pero este ultimo es equivalente a
n
2
2
n+1
1

j=2
n
c
2
j
= log
2
2
n
2
n+1
1

j=2
n
c
2
j

2
n+1
1

j=2
n
c
2
j
log
2
j
33
Luego,

+
n=1
ED
2
n
< + lo cual implica que D
n
0 c.s.. Sea 2
n
k < 2
n+1
, entonces
|R
k
| |R
k
R
2
n| +|R
2
n| D
n
+|R
2
n| 0 c.s.
es decir, R
k

k
0 c.s.
Teorema 2.2. Sea x
n
una sucesi on de elementos aleatorios ortogonales en H tales que
Ex
i
= 0 para todo i. Si
+

k=1
E|x
k
|
2
k
2
log
2
k < +
entonces
x
1
+ +x
n
n
0 c.s.
Demostraci on. Consideremos y
n
=
x
n
(E|x
n
|
2
)
1/2
si E|x
n
|
2
,= 0 e y
n
= 0 si no
2
. Entonces
Ey
i
, y
j
) =
1
(E|x
i
|
2
)
1/2
1
(E|x
j
|
2
)
1/2
Ex
i
, x
j
) =
ij
es decir, y
n
es una sucesi on ortonormal de elementos aleatorios en H. Consideremos entonces
c
k
=
(E|x
k
|
2
)
1/2
k
y tenemos por hip otesis que
+

k=1
c
2
k
log
2
k =
+

k=1
E|x
k
|
2
k
2
log
2
k < +
Luego por el teorema de Rademacher-Mensov tenemos que
+

k=1
c
k
y
k
=
+

k=1
(E|x
k
|
2
)
1/2
k
x
k
(E|x
k
|
2
)
1/2
=
+

k=1
x
k
k
converge con probabilidad 1 y el lema de Kronecker nos permite armar la tesis.
Teorema 2.3. Sea x
n
una sucesi on de elementos aleatorios no correlacionados en H tal
que
+

k=1

2
(x
k
)
k
2
log
2
k < +
entonces
s
n
Es
n
n
0 c.s.
Demostraci on. Basta observar que y
n
= x
n
Ex
n
es una sucesi on ortogonal, tal que Ey
n
= 0
y E|y
n
|
2
=
2
(x
n
).
2
En este caso se tiene x
n
= 0 c.s..
34
2.1.3. Sucesiones de elementos aleatorios independientes.
Antes de demostrar los teoremas de esta secci on probaremos el siguiente lema,
Lema 2.4. Sean x e y dos elementos aleatorios en H tales que E|x|
2
< + y E|y|
2
< +.
Si x e y son independientes, entonces son no correlacionados.
Demostraci on. Como x e y son no correlacionados si y s olo si yEy y xEx son ortogonales,
podemos suponer que Ex = Ey = 0 y probar que x e y son ortogonales. Como H es un espacio
de Hilbert separable, existe una base ortonormal completa e
n
en la cual podemos escribir
el producto interno
x, y) =
+

n=1
x, e
n
)y, e
n
)
Como |x| |y| L
1
() y

n=1
x, e
n
)y, e
n
)

n=1
[x, e
n
)[ [y, e
n
)[
_
m

n=1
[x, e
n
)[
2
_
1/2
_
m

n=1
[y, e
n
)[
2
_
1/2
|x| |y|
podemos aplicar el teorema de convergencia dominada para escribir
Ex, y) = lm
m+
m

n=1
Ex, e
n
)y, e
n
)
Pero , e
n
) H

de donde x, e
n
) y y, e
n
) son independientes y
Ex, e
n
)y, e
n
) = Ex, e
n
)Ey, e
n
) = Ex, e
n
)Ey, e
n
) = 0
es decir, Ex, y) = 0 como queramos demostrar.
Teorema 2.4 (Desigualdad de Kolmogorov). Sean x
1
, x
2
, . . . , x
n
elementos aleatorios
independientes en H. Supongamos adem as que Ex
k
= 0 y
2
(x
k
) = E|x
k
|
2
< +, para
k = 1, . . . , n. Entonces para todo > 0
P
_
m ax
1kn
_
_
_
_
_
k

i=1
x
i
_
_
_
_
_
>
_

2
n

i=1

2
(x
i
)
35
Demostraci on. Fijemos un > 0. Pongamos =
_
m ax
1kn
_
_
_

k
i=1
x
i
_
_
_ >
_
. Para k =
1, 2, . . . , n sea

k
= |s
1
| , . . . , |s
k1
| , |s
k
| >
donde denotamos s
j
= x
1
+ +x
j
. Entonces es claro que

n
k=1

k
= , m as a un una uni on
disjunta. Adem as
_

|s
n
|
2
dP =
n

k=1
_

k
|s
n
|
2
dP =
n

k=1
_

k
|s
k
+s
n
s
k
|
2
dP
=
n

k=1
_

k
|s
k
|
2
dP +
n

k=1
_

k
|s
n
s
k
|
2
dP + 2
n

k=1
_

k
s
k
, s
n
s
k
)dP
Pero como
_

k
s
k
, s
n
s
k
)dP =
_

k
s
k
, s
n
s
k
)dP =
_

k
s
k
, s
n
s
k
)dP
= E1

k
s
k
, s
n
s
k
) = E1

k
s
k
, Es
n
s
k
) = 0
Tenemos que
n

i=1

2
(x
i
) =
2
(s
n
) = E|s
n
|
2
=
_

|s
n
|
2
dP
_

|s
n
|
2
dP
=
n

k=1
_

k
|s
k
|
2
dP +
n

k=1
_

k
|s
n
s
k
|
2
dP
n

k=1
_

k
|s
k
|
2
dP

2
n

k=1
P (
k
) =
2
P ()
de donde resulta la desigualdad.
Teorema 2.5. Sea x
n
una sucesi on de elementos aleatorios independientes en H. Si
+

n=1

2
(x
n
)
n
2
< +
entonces
1
n
n

i=1
x
i
Ex
i

n
0 c.s.
36
Demostraci on. Primero observamos que alcanza con probar el caso en que Ex
n
= 0 para
todo n. Denotamos con s
n
= x
1
+ x
n
, y denimos
M
n
= m ax
2
n
<k2
n+1
|s
k
|
k
Probaremos que M
n
0 c.s.. Dado > 0, tenemos que
P (M
n
> ) = P
_
m ax
2
n
<k2
n+1
|s
k
|
k
>
_
P
_
m ax
2
n
<k2
n+1
|s
k
| > 2
n
_
P
_
m ax
k2
n+1
|s
k
| > 2
n
_

2
4
n
2
n+1

k=1

2
(x
k
)
donde la ultima desigualdad se deduce de la desigualdad de Kolmogorov. Entonces

n=1
P (M
n
> )

n=1
1

2
4
n
2
n+1

k=1

2
(x
k
) =
2

k=1

2
(x
k
)

n:2
n+1
k
1
4
n
Para cada entero k 1, existe un unico entero j(k) tal que 2
j(k)
k 2
j(k)+1
. Luego

n:2
n+1
k
1
4
n
=

n=j(k)
1
4
n
=
4
3 4
j(k)

16
3k
2
De este modo

n=1
P (M
n
> )
16
3
2

k=1

2
(x
k
)
k
2
<
Entonces por Borel-Cantelli deducimos que M
n
0 c.s..
2.2. Generalizaci on a espacios de Banach separables.
Cuando trabajamos en un espacio de Banach vemos que la situaci on es dr asticamente
diferente. En los espacios de Hilbert no tuvimos ning un inconveniente en extender pr actica-
mente todos los resultados relativos a la ley fuerte de los grandes n umeros que conocemos
del caso real, y m as a un los metodos que utilizamos para probarlos fueron exactamente los
mismos. Se puede decir, que esto se debe al importante y simple resultado 2.1, la varianza
de la suma de e.a. no correlacionados es la suma de las varianzas.
Para espacios de Banach es muy poco lo que se puede decir en un contexto general. Por
ejemplo, no de forma inmediata pero s relativamente simple se puede extender la ley fuerte
de Kolmogorov para variables independientes con igual distribuci on, ley que prob o Mourier
37
en 1953. Las principales desventajas que aparecen en demostrar leyes para e.a. no correlacio-
nados radican en la carencia de un producto natural en el espacio, teniendo que recurrirse
a deniciones en el sentido debil. Pero sin ir tan lejos, la ley fuerte para e.a. independientes
no es cierta -en general- bajo la unica hipotesis de varianzas uniformemente acotadas. Tam-
poco es verdadera la ley fuerte de Kolmogorov -caso independientes s olo- que probamos en
la secci on anterior, ni siquiera para espacios uniformemente convexos y reexivos. Antes de
probar el teorema de Mourier veamos algunos ejemplos de todo esto.
Ejemplos
Consideremos el espacio l
1
de las sucesiones reales absolutamente sumables. Sean
n
l
1
dado
por
n
=
in

i
y A
n
una sucesi on de variables aleatorias reales tales que con probabilidad
1/2 toman los valores 1 y 1. Entonces denimos
v
n
= A
n

n
= 0, . . . , 0, A
n
, 0, . . .
Como podemos identicar (l
1
)

con l

, dado f = f
i
(l
1
)

tenemos que
f(v
n
) =

i
f
i
A
n

in
= f
n
A
n
por lo que f(v
n
) es una sucesi on de elementos aleatorios independientes para todo f (l
1
)

,
de donde v
n
es una sucesi on de e.a. independientes. Adem as tenemos que Ev
n
= 0 y como
|v
n
| = [A
n
[ = 1
deducimos que
2
(v
n
) = 1 para todo n. Sin embargo, tambien tenemos que
|v
1
+ +v
n
| = [A
1
[ + +[A
n
[ = n
de donde
2
(v
1
+ +v
n
) = n
2
y vemos que no se cumple el lema 2.1. M as a un
_
_
_
_
_
1
n
n

k=1
v
k
_
_
_
_
_
=
1
n
n

k=1
[A
k
[ = 1 n
por lo que n
1

n
1
v
k
no converge a cero.
Consideremos ahora el espacio l
p
con 1 < p < 2. Sea 1 p
1
< q < 1/2. Denotamos
igual que antes
n
y sea A
n
una sucesi on de variables aleatorias reales independientes que
38
toman los valores n
q
con probabilidad 1/2. Tomamos como antes v
n
= A
n

n
que forman
una sucesi on de e.a. independientes en l
p
. As, Ev
n
= 0 para cada n y
|v
n
| =
_

i
[A
n

in
[
p
_
1/p
= [A
n
[ = n
q
de donde
2
(v
n
) = n
2q
. Luego

2
(v
n
)
n
2
=

n
n
2q
n
2
=

n
n
2q2
<
Pero
_
_
_
_
_
1
n
n

k=1
v
n
_
_
_
_
_
p
=
1
n
p
n

k=1
[A
k
[
p
=
n

k=1
k
pq
n
p
>
n

k=[n/2]
k
pq
n
p
>
n

k=[n/2]
(n/2)
pq
n
p
>
n
pqp+1
2
pq+1

pues q > 1 p
1
.
Teorema 2.6 (de Mourier). Sea v
n
una sucesi on de elementos aleatorios independientes
e identicamente distribuidos en un espacio de Banach separable X. Si E|v
1
| < + entonces
1
n
n

i=1
v
i

n
Ev
1
c.s.
Demostraci on. Como E|v
1
| < + y X es un espacio de Banach separable, tenemos que
existe Ev
1
. Adem as como v
n
y v
1
son identicamente distribuidos tenemos que Ev
n
= Ev
1
para todo n.
Supongamos primero que los v
n
son discretos tomando una cantidad numerable de valores
a
n
. Para cada entero k 1 denimos
v
k
n
=
_
_
_
v
n
si v
n
a
1
, . . . , a
k

0 si no.
Entonces tenemos que v
k
n
son una sucesi on de elementos aleatorios independientes e iden-
ticamente distribuidos tales que
E
_
_
_v
k
1
_
_
_ =
k

i=1
|a
i
| P (v
1
= a
i
) E|v
1
| < +
y con la particularidad siguiente: toman valores en un espacio de Banach de dimensi on nita,
a saber V = a
1
, . . . , a
k
). Luego, para cada k existe A
1
k
de probabilidad 1 tal que
1
n
n

i=1
v
k
i

n
Ev
k
1
39
Sea tambien para cada k
r
k
n
= v
n
v
k
n
Entonces
_
_
r
k
n
_
_
es una sucesi on de variables aleatorias independientes e identicamente dis-
tribuidas con
E
_
_
_r
k
1
_
_
_ =
+

i=k+1
|a
i
| P (v
1
= a
i
) E|v
1
| < +
Luego para cada k existe A
2
k
de probabilidad 1 en donde
1
n
n

i=1
_
_
_r
k
i
_
_
_
n
E
_
_
_r
k
1
_
_
_
Como r
k
1

k
0 puntualmente en y E
_
_
r
k
1
_
_
E|v
1
| para todo k tenemos que
E
_
_
_r
k
1
_
_
_
k
0
Entonces, sean > 0 y k tal que
E
_
_
_r
k
1
_
_
_ <
Consideremos el conjunto A =

k
(A
1
k
A
2
k
) tambien de probabilidad 1. Luego en A vale
_
_
_
_
_
1
n
n

i=1
v
i
Ev
1
_
_
_
_
_

1
n
n

i=1
_
_
_r
k
i
_
_
_ +
_
_
_
_
_
1
n
n

i=1
v
k
i
Ev
k
1
_
_
_
_
_
+ E
_
_
_r
k
1
_
_
_
Como el primer termino converge al tercero que es menor que , podemos elegir n suciente-
mente grande para que su suma sea menor que 3. Para el termino del medio, como k es jo
por lo que observamos antes podemos tomar n grande para que sea menor que . Luego
_
_
_
_
_
1
n
n

i=1
v
i
Ev
1
_
_
_
_
_
< 4
para n n
0
.
En la situaci on general, como X es separable, para todo > 0 existe T

: X X Borel
medible que toma una cantidad numerable de valores y tal que |T

x x| para todo
x X. Entonces tenemos que para cada
_
_
_
_
_
1
n
n

i=1
v
i
Ev
1
_
_
_
_
_

1
n
n

i=1
|T

v
i
v
i
| +
_
_
_
_
_
1
n
n

i=1
T

v
i
ET

v
1
_
_
_
_
_
+ E|T

v
1
v
1
|
2 +
_
_
_
_
_
1
n
n

i=1
T

v
i
ET

v
1
_
_
_
_
_
40
Por lo que hemos probado el segundo termino converge a cero cuando n + en un
conjunto A

de probabilidad 1 para cada > 0. Sea

m
=
1
m
y sea A =

m
A
1/m
. Dado un
> 0 arbitrario jemos m tal que
1
m
< , entonces en el conjunto A vale
_
_
_
_
_
1
n
n

i=1
v
i
Ev
1
_
_
_
_
_
2 +
_
_
_
_
_
1
n
n

i=1
T
1/m
v
i
ET
1/m
v
1
_
_
_
_
_
< 3
si n n
0
.
Cuando se retira la hip otesis de identica distribuci on vimos que los teoremas fallan para
espacios de Banach en general. En el primer ejemplo la situaci on es un poco diferente que la
del segundo, ya que se puede probar que si el espacio cumple una condici on de convexidad,
es v alida la ley fuerte para e.a. independientes con varianzas uniformemente acotadas. La
condici on de la que hablamos es la condici on de Beck. Un espacio de Banach se dice del tipo
(B) si existen un entero positivo k y un > 0 tales que para todo x
1
, . . . , x
k
con norma menor
o igual que 1 se tiene
|x
1
x
k
| > k(1 )
para alguna elecci on de los signo + y . Dentro de esta clase se encuentran por ejemplo, los
espacios uniformemente convexos.
41
Captulo 3
Teorema Central del Lmite.
Estudiaremos ahora la convergencia en distribuci on de e.a., principalmente a valores en
un espacio de Hilbert. El captulo tiene como objetivo principal el teorema central del lmite
para e.a. indepenidentes e identicamente distribudos en un espacio de Hilbert separable.
Para ello, utilizamos el metodo de las funciones caractersticas, probamos la existencia de e.a.
gaussianos utilizando el teorema de Minlos-Sazonov. Estudiamos tambien las propiedades de
compacidad relativa de una familia de medidas de probabilidad en espacios metricos mediante
el teorema de Prohorov y damos un criterio para esta en espacios de Hilbert.
3.1. Convergencia debil en espacios metricos.
Sea (M, d) un espacio metrico y B la - algebra de Borel de M. Diremos que una suce-
si on P
n
de medidas de probabilidad en M converge debilmente a P -tambien medida de
probabilidad en M- si
_
M
f(x)dP
n
(x)
n
_
M
f(x)dP(x)
para toda funci on f : M R continua y acotada. En smbolos escribiremos P
n
P.
Hay muchas otras formas de denir este concepto, por supuesto todas equivalentes que no
probaremos aqu. Utilizaremos las siguientes:
P
n
P.
P(F) lmsup
n
P
n
(F) para todo F M cerrado.
P(G) lminf
n
P
n
(G) para todo G M abierto.
P
n
(A)
n
P(A) para todo A B tal que P(A) = 0.
42
Los conjuntos que cumplan P(A) = 0 los llamaremos conjuntos de P-continuidad o simple-
mente de continuidad.
El concepto de tensi on es uno de los m as importantes que manejaremos. Dada una familia
arbitraria de medidas de probabilidad en M, diremos que es tensa si para cada > 0 existe
un compacto K M tal que
P(K) > 1
para toda P . La importancia de este concepto radica en el siguiente teorema de Prohorov.
Teorema 3.1. Sea una familia de medidas de probabilidad en M. Si es tensa, entonces
es relativamente compacta.
Demostraci on. Sea P
n
una sucesi on en . Debemos probar que existe una subsucesi on que
converge debilmente a una medida de probabilidad P no necesariamente perteneciente a .
Elegimos K
1
M compacto de forma tal que P
n
(K
1
) > 0 para todo n. A continuaci on,
elegimos

K
2
M tal que P
n
(

K
2
) > 1
1
2
para todo n. Sea K
2
= K
1


K
2
que tambien es
compacto. De este modo, obtenemos una sucesi on creciente K
u
de subconjuntos compactos
tales que
P
n
(K
u
) > 1
1
u
, n, u
Tomamos K =

u
K
u
-puede no ser compacto-. Entonces K es un subconjunto separable de
M pues cada K
u
lo es al ser compacto. As, existe una familia / numerable de abiertos -de
hecho bolas abiertas- con la siguiente propiedad: para todo abierto G de M y todo punto
x K G existe un abierto A /, x A A G. Sea H formada por el conjunto vaco
y la familia numerable de las uniones nitas de conjuntos de la forma A K
u
con A / y
u 1.
Como para cada H H la sucesi on P
n
(H) est a acotada y H es numerable, aplicando
un razonamiento diagonal podemos extraer una subsucesi on P
n
i
tal que exista el lmite
(H) = lm
i
P
n
i
(H)
para todo H H. La idea es a partir de extender primero a todos los abiertos, para luego
construir una medida exterior que restringida a los borelianos funcione bien.
Veamos primero que propiedades cumple . Si H
1
H
2
, entonces como
(H
1
) = lmP
n
i
(H
1
) lmP
n
i
(H
2
) = (H
2
)
es mon otona; este mismo argumento nos muestra que es subaditiva en uniones nitas,
aditiva en uniones nitas disjuntas y () = 0.
43
Para cada abierto G de M denimos
(G) = sup
HG
(H)
As, tenemos que () = () = 0. Si G
1
G
2
, como todo H que este includo en G
1
lo estar a tambien en G
2
, tenemos que es mon otona. A continuaci on denimos para cada
subconjunto S de M
(S) = inf
SG
(G)
donde el nmo lo tomamos en todos los abiertos que contengan a S. Veamos entonces que
es una medida exterior.
Tenemos por un lado que (G) (G) para todo G abierto, pues siempre este es un
abierto que se contiene a si mismo. Pero por la monotona de debe ser (G) = (G); es
decir y coinciden en los abiertos. As, en particular () = () = 0. Adem as, si S
1
S
2
todo abierto que contenga a S
2
tambien contendr a a S
1
, y en consecuencia es tambien
mon otona. Resta probar que es subaditiva en uniones numerables.
Sean G
1
y G
2
abiertos. Sea H H tal que H G
1
G
2
. Denimos los conjuntos cerrados
F
1
= x H : d(x, G
c
1
) d(x, G
c
2
)
F
2
= x H : d(x, G
c
2
) d(x, G
c
1
)
Es claro que F
1
y F
2
son cerrados. Sea x F
1
, si x estuviera en G
c
1
claramente tendramos
d(x, G
c
1
) = 0 y por lo tanto d(x, G
c
2
) = 0. Al ser este cerrado tendramos que x G
c
2
pero
esto implicara que x (G
1
G
2
)
c
H
c
lo cual es absurdo. Luego F
1
G
1
y del mismo
modo probamos que F
2
G
2
. Observemos adem as que H F
1
F
2
.
El paso siguiente ser a encontrar subconjuntos H
1
y H
2
de H que esten entre medio de F
i
y G
i
, es decir, que F
i
H
i
G
i
. Procedamos con F
1
. Como H H,
H =
l
_
j=1
A
j
K
u
j
para ciertos A
j
/ y enteros u
j
. Sea u = m axu
j
, entonces F
1
K
u
que es compacto por
lo que F
1
tambien lo es. Para cada punto x F
1
, como F
1
G
1
podemos encontrar A
x
/
tal que x A
x
A
x
G
1
. Luego existen x
1
, . . . , x
r
en F
1
tales que
F
1

r
_
j=1
A
x
j
44
Sea entonces H
1
=

r
j=1
A
x
j
K
u
. Del mismo modo procedemos con F
2
.
Luego tenemos que
(H) (H
1
H
2
) (H
1
) +(H
2
) (G
1
) +(G
2
)
y tomando supremo en H tenemos (G
1
G
2
) (G
1
) +(G
2
). Podemos concluir entonces
que es nitamente subaditiva.
Sea G
k
una sucesi on de abiertos arbitraria. Tomamos H

k
G
k
con H H. Como
H es compacto deben existir G
k
1
, . . . , G
k
N
tales que H

N
j=1
G
k
j
. Entonces
(H)
_
_
N
_
j=1
G
k
j
_
_

j=1
(G
k
j
)

k
(G
k
)
y tomando supremo en H obtenemos que

_
_
k
G
k
_

k
(G
k
)
Podemos probar ahora que es -subaditiva. Sea S
k
una sucesi on de subconjuntos de
M. Dado > 0 arbitrario, para cada k elegimos G
k
S
k
abierto tal que (G
k
) < (S
k
) +

2
k
.
Luego como G =

k
G
k
es un abierto que contiene a

k
S
k
tenemos que

_
_
k
S
k
_

_
_
k
G
k
_

k
(G
k
)

k
(S
k
) +
Como es arbitrario conclumos que es -subaditiva. Es decir, efectivamente es una
medida exterior.
Probemos ahora que todo cerrado es -medible. Sean F M un cerrado, G M un
abierto y > 0 dado. Sea H
0
H tal que H
0
G F
c
y (G F
c
) < (H
0
) + . Elegimos
ahora H
1
H tal que H
1
G H
c
0
y (G H
c
0
) < (H
1
) +. Entonces tenemos que
(G F) +(G F
c
) (G H
c
0
) +(G F
c
) (H
1
) +(H
0
) + 2
= (H
0
H
1
) + 2 (G) + 2
Luego
(G) (G F) +(G F
c
) para todo G abierto.
Si L M es un conjunto arbitrario, entonces como para todo L G abierto se tiene que
(L F) +(L F
c
) (G F) +(G F
c
) (G)
45
tomando nmo en G obtenemos la desigualdad que buscabamos. Como los conjuntos -
medibles son una - algebra que contiene a los cerrados, contiene a los borelianos. Adem as al
ser una medida cuando la restringimos a los conjuntos -medibles, podemos obtener una
medida denida en los borelianos simplemente con la restricci on de a estos. Adem as como
K
u
H para todo u
1
se tiene
1 (M) = (M) = sup
HM
(H) sup
u
(K
u
) sup
u
1
1
u
= 1
de donde P = [
B
es una medida de probabilidad.
Adem as, para todo abierto G se tiene que
P(G) = (G) = sup
HG
(H)
Como P
n
i
(H) P
n
i
(G) para todo n
i
tenemos que
(H) = lm
i
P
n
i
(H) lminf
i
P
n
i
(G) H G
y en conclusi on se obtiene que
P(G) lminf
i
P
n
i
(G)
para todo abierto G de donde P
n
i
P.
Teorema 3.2. Sea M un espacio metrico completo y separable. Si es una familia de
medidas de probabilidad en M relativamente compacta, entonces es tensa.
Demostraci on. Fijemos > 0. Probemos primero lo siguiente: si G
n
es una sucesi on cre-
ciente a M de abiertos, entonces existe n tal que P(G
n
) > 1 para toda P . Si no fuera
as, tendramos para cada n una P
n
para la cual P
n
(G
n
) 1 . Como es relativa-
mente compacta debe existir Q medida de probabilidad y una subsucesi on P
n
i
tales que
P
n
i
Q. Pero como Q(M) = lmQ(G
n
) y para cada m n tenemos P
n
G
m
1 , vale
para todo n jo
Q(G
n
) lminf
i
P
n
i
(G
n
) 1
de donde Q(M) 1 lo cual es absurdo. Consideremos los conjuntos A
ik
= B(x
i
, 1/k) donde
x
k
es un conjunto denso numerable en M. Entonces para cada k tenemos que

i
A
ik
= M,
por lo que debe existir n = n(k) tal que
P(
n(k)
_
i=1
A
ik
) > 1

2
k
1
Como son compactos est an incluidos en una uni on nita de elementos de A.
46
para toda P . Luego sea A =

n(k)
i=1
A
ik
. Entonces A es un conjunto totalmente acotado
y como M es completo, K = A es compacto. Pero adem as,
P(K
c
) P(A
c
)

k
P
_
_
(
n(k)
_
i=1
A
ik
)
c
_
_
<
es decir, K es el compacto que buscabamos.
A continuaci on probaremos un teorema tambien de Prohorov que nos da un criterio para
determinar la tensi on de una familia de probabilidades en un espacio de Hilbert separable.
Sea entonces H de Hilbert separable y sea e
i
una base ortonormal completa de H. Entonces
para cada x H y para cada N 1 denimos
r
2
N
(x) =

i=N
x, e
i
)
2
=

i=N
x
2
i
donde denotamos x
i
= x, e
i
).
Teorema 3.3. Sea una familia arbitraria de medidas de probabilidad en H. Si se cumple
lm
N
sup
P
_
H
r
2
N
(x)dP(x) = 0
entonces es tensa.
Demostraci on. Denotemos
N
= sup
P
_
H
r
2
N
(x)dP(x). Es claro que
N
es decreciente, y
la hip otesis del teorema es que
N
0. Fijemos > 0. Entonces podemos encontrar -pasando
si es necesario por una subsucesi on- una sucesi on 0 <
N
tal que

N

N

N
.
Denimos entonces los conjuntos
K
N
= x H : r
2
N
(x)
1
N

y consideremos K =

N
K
N
. Como K K
1
= x : |x|
2

1
1
tenemos que K es debil-
mente -secuencialmente- compacto. Probemos que K es efectivamente compacto en norma.
Consideremos x
m
una sucesi on en K. Entonces existe una subsucesi on x
m
y un x K
tales que x
m
x debilmente. Pero como
|x
m
x|
2
=

i
x
m
x, e
i
)
2
=
N1

i=1
x
m
x, e
i
)
2
+

i=N
x
m
x, e
i
)
2
Para cada i tenemos que
x
m
x, e
i
)
2
= x
m
, e
i
)
2
+x, e
i
)
2
2x
m
, e
i
)x, e
i
)
47
x
m
, e
i
)
2
+x, e
i
)
2
+ 2[x
m
, e
i
)[[x, e
i
)[
De donde sumando tenemos que

i=N
x
m
x, e
i
)
2
r
2
N
(x
m
) +r
2
N
(x) + 2

i=N
[x
m
, e
i
)[[x, e
i
)[
r
2
N
(x
m
) +r
2
N
(x) + 2
_

i=N
x
m
, e
i
)
2
_
1/2
_

i=N
x, e
i
)
2
_
1/2
= (r
N
(x
m
) +r
N
(x))
2

N
Luego tenemos que
|x
m
x|
2

N1

i=1
x
m
x, e
i
)
2
+
4

N
Entonces eligiendo primero N para que
4

N
<

2
y luego haciendo m
t
sucientemente grande
para que la suma nita sea tambien menor que /2 tenemos que
|x
m
x|
2
<
si m
t
es sucientemente grande.
Por ultimo vemos por la desigualdad de Chebychev que para toda P
P(K
c
)

N
P(K
c
N
)

N
_
H
r
2
N
(x)dP(x)

N
<
3.2. Funciones caractersticas.
Nuevamente nos concentramos en un espacio de Banach X separable y sea X

su espacio
dual. Consideremos una medida de probabilidad en B, la - algebra de Borel de X. Deniremos
la transformada de Fourier de P que denotaremos por

P : X

C como

P(l) =
_
X
e
il(x)
dP(x) l X

De este modo tenemos que

P(0) = 1 y que [

P(l)[ 1 para todo l X

. Adem as como
[

P(l +h)

P(l)[
_
M
[e
ih(x)
1[dP(x)
_
M
mn|h| |x| , 2dP(x)
48
Y el integrando en la derecha est a acotado por 2 y converge a cero cuando h 0 para cada x,
aplicando el teorema de la convergencia dominada vemos que

P es uniformemente continua.
Tambien vemos f acilmente que

P(l) =

P(l) y que si P
1
y P
2
son dos medidas de
probabilidad en X, denotando P
1
P
2
la convoluci on tenemos que

P
1
P
2
(l) =

P
1
(l)

P
2
(l) l X

Por ultimo mencionamos que al igual que en el caso nito dimensional tenemos que

P es
denida positiva.
Proposici on 3.1 (Unicidad). Sean P
1
y P
2
dos medidas de probabilidad en X. Si

P
1
=

P
2
entonces P
1
= P
2
.
Demostraci on. Sea l X

jo. Consideremos l : X R como una aplicaci on medible y

denamos
i
= P
i
(l
1
), es decir para todo boreliano A de R tenemos que
i
(A) = P
i
(l
1
(A)).
Entonces como tl X

para todo t R tenemos por la f ormula de cambio de variable que

P
i
(tl) =
_
X
e
itl(x)
dP
i
(x) =
_
R
e
itu
d
i
(u) =
i
(t)
Pero entonces
1
=
2
y por el teorema de unicidad para R debe ser
1
=
2
. Pero como los
semi-espacios son una clase determinante debemos tener P
1
= P
2
.
Proposici on 3.2 (Continuidad). Supongamos que P
n
es una sucesi on de medidas de
probabilidad en X tal que P
n
P, entonces

P
n
(l)

P(l) para todo l X

. Reciprocamente,
si P
n
es una sucesi on tensa de medidas de probabilidad tal que

P
n
(l) (l) para todo
l X

, para cierta funci on : X

C, entonces existe P medida de probabilidad en X tal

que P
n
P y

P = .
Demostraci on. Si P
n
P entonces como

P
n
(l) es la integral de una funci on continua y
acotada la conclusi on la deducimos de la denici on.
Reciprocamente, como P
n
es tensa existe una subsucesi on P
n
i
y una medida de
probabilidad P, tal que P
n
i
P. Pero entonces por lo que recien probamos tenemos que

P
n
i
(l)

P(l) para todo l X

. Como tambien se tiene

P
n
i
(l) (l) debe ser =

P.
Pero este argumento muestra que lo mismo ocurre para cualquier subsucesi on. Es decir, toda
subsucesi on que converja debilmente converge en efecto a una misma medida lmite, a saber
P, debido a la unicidad de la transformada de Fourier. Luego necesariamente P
n
P.
49
Si x es un elemento aleatorio en X denimos la funci on caracterstica de x,
x
: X

C
como la transformada de Fourier de su distribuci on. Es decir

x
(l) =
_
X
e
il(y)
dP
x
(y) = Ee
il(x)
Por ultimo, observemos que si H es un espacio de Hilbert separable, la correspondencia
que nos brinda el teorema de Riesz entre H y H

dada por h , h) establece un isomorsmo

lineal isometrico. Entonces podemos pensar la transformada de Fourier de una medida de
probabilidad en H como una aplicaci on

P : H C dada por

P(h) =
_
H
e
ix,h)
dP(x)
y esta conserva las propiedades que recien probamos.
3.3. Teorema de Minlos-Sazonov.
En esta secci on demostraremos el teorema de Minlos-Sazonov que es una generalizaci on
para espacios de Hilbert separables del teorema de Bochner. Es decir, se plantea el siguiente
problema: dada una funci on : H C continua con (0) = 1, cu ando es una funci on
caracterstica? En el caso nito dimensional es conocido el teorema de Bochner que arma
que una condici on necesaria y suciente para que sea una funci on caractersta es que
sea denida positiva. El resultado de Minlos-Sazonov lo utilizaremos para poder denir un
elemento gaussiano en H. Para probarlo necesitamos algunas herramientas.
Sea H un espacio de Hilbert real y separable. Denotamos B la - algebra de Borel en H.
El lema que sigue b asicamente lo hemos probado en la proposici on 1.6 de la secci on 1.3, pero
para hacer esta secci on m as autocontenida lo enunciaremos y probaremos de nuevo en una
forma ligeramente distinta.
Dado un subespacio nito dimensional | de H denotamos B
|
la - algebra de Borel en
|. Sea
|
la proyecci on ortogonal sobre |, entonces diremos que un subconjunto E H es
un cilindro de base | si existe B B
|
tal que E =
1
|
B. Llamamos B
|
la - algebra de
todos los cilindros de base |. Por ultimo sea B
0
=

|
B
|
. Como a un cilidro siempre se le
puede ampliar la base, es f acil ver que B
0
es un algebra. La continuidad de las proyecciones
nos garantiza que todo cilindro es boreliano y de hecho vale el siguiente lema.
Lema 3.1. B coincide con (B
0
).
50
Demostraci on. Basta ver que toda bola cerrada pertenece a (B
0
). Sea
S = x H : |x x
0
|
Consideremos una base ortonormal e
i
y sea |
n
= e
1
, . . . , e
n
). Entonces denimos
S
n
= x : |
n
(x x
0
)|
es decir, S
n
=
1
n
B
n
donde B
n
es la bola cerrada de centro
n
(x
0
) y radio en |
n
. Luego
cada S
n
B
0
. Es claro que como |
n
(x x
0
)| |x x
0
| se tiene que S S
n
para todo n.
Veamos que

n
S
n
S.
De hecho, si x / S entonces existe > 0 tal que
|x x
0
| = +
Como
n
(x x
0
) x x
0
, para n sucientemente grande se tiene necesariamente que
|
n
(x x
0
)| > .
Dada una medida de probabilidad P en (H, B) podemos denir una familia de probabili-
dades P
|
en (|, B
|
) de la siguiente manera. Como
|
es una funci on continua de H en
| podemos escribir para cada B B
|
P
|
(B) = P(
1
|
B)
A las P
|
las llamaremos proyecciones de P.
Denici on 3.1. Sea Q
|
una familia de medidas de probabilidad en (|, B
|
). Decimos
que es una familia compatible si para todo |
1
|
2
y todo E B
|
1
se tiene que
Q
|
1
(E) = Q
|
2
_

1
|
1
E |
2
_
Es claro por como denimos las proyecciones de una medida de probabilidad en H que
estas forman una familia compatible. Nuestra siguente proposici on dar a una condici on ne-
cesaria y suciente para que dada una familia compatible de medidas nito-dimensionales,
exista una medida P cuyas proyecciones coincidan con la familia original.
Proposici on 3.3. Sea P
|
una familia compatible de medidas de probabilidad nito-dimensionales
en H. Entonces existe una probabilidad P denida en H tal que las proyecciones de P son
las P
|
si y s olo si para todo > 0 existe N
0
tal que si N N
0
entonces,
sup P
|
(|x| N |) <
donde el supremo es tomado en todos los subespacios | de dimensi on nita.
51
Demostraci on. De existir dicha P entonces como P(|x| N)
N
0, dado > 0 existe
N
0
tal que si N N
0
entonces
P(|x| N) <
Luego dado | de dimension nita tenemos que
P
|
(|x| N |) = P(
1
|
|x| N |) P(|x| N) <
Probemos el reciproco. Como la familia P
|
es compatible podemos denir sin ambig uedad
la funci on de conjuntos en B
0
siguiente; si E B
0
entonces existe | de dimensi on nita y
B B
|
tal que E =
1
|
B. Entonces ponemos
P(E) = P
|
(B)
De este modo vemos que P es positiva, nitamente aditiva -pues a todo cilindro se le puede
agrandar la base- y P(H) = 1. Como B
0
es un algebra que genera los borelianos bastar a pro-
bar que P es -aditiva en B
0
o lo que es equivalente, la continuidad por arriba en el vaco.
Sea entonces E
n
una sucesi on decreciente al vaco de conjuntos en B
0
. Probaremos que
P(E
n
) 0. Para cada n sea |
n
un subespacio de dimensi on nita con E
n
B
|
n
y podemos
suponer sin perdida de generalidad que |
n
es creciente -nuevamente esto es pues a todo
cilindro se le puede agrandar la base-. Para cada n sabemos que existe B
n
B
|
n
tal que
E
n
=
1
n
B
n
, donde
n
denota la proyecci on ortogonal sobre |
n
.
Supongamos primero que cada B
n
es un subconjunto compacto por lo tanto cerrado y
acotado de |
n
. En este caso, como las proyecciones son debilmente continuas tenemos que
cada E
n
es debilmente cerrado. Sea
S
N
= x : |x| N
Entonces sabemos que S
N
es un conjunto debilmente compacto y por lo tanto tambien lo
es para todo n, S
N
E
n
. Adem as como S
N
E
n
por la compacidad debe existir un
n
0
= n
0
(N) tal que S
N
E
n
= para todo n n
0
. Dado > 0, sea N = N() tal que
sup P
|
(|x| N |) <
Luego por lo anterior, existe n
0
= n
0
(N) = n
0
() tal que E
n
x : |x| > N si n n
0
.
Como B
n
E
n
tenemos que
P(E
n
) = P
|
n
(B
n
) P
|
n
(|x| > N |
n
) <
52
Veamos el caso general. Sea > 0 y para cada n sea C
n
B
n
compacto tal que P
|
n
(B
n

C
n
) < /2
n
. Sea F
n
=
1
n
C
n
, entonces F
n
E
n
y P(E
n
F
n
) = P
|
n
(B
n
C
n
) < /2
n
.
Como F
n
no tiene por que ser una sucesi on decreciente, tomamos G
n
= F
1
F
n
.
Entonces tenemos que G
n
F
n
E
n
y adem as
G
n
=
1
1
(C
1
)
1
n
(C
n
)
y como
1
i
(C
i
) =
1
n
(
1
i
(C
i
) |
n
), tenemos que
G
n
=
1
n
((
1
1
(C
1
)
n1
(C
n1
) C
n
) |
n
)
Luego si ponemos D
n
= (
1
1
(C
1
)
n1
(C
n1
) C
n
) |
n
, vemos que G
n
=
1
n
(D
n
)
con D
n
compacto. Adem as
P(E
n
G
n
) = P(
n
_
i=1
E
n
F
i
)
n

i=1
P(E
n
F
i
)
n

i=1
P(E
i
F
i
) <
Pero G
n
decrece al vaco pues cada G
n
E
n
y por lo que probamos anteriormente P(G
n
)
0. Pero entonces
0 lmsup
n
P(E
n
) lm
n
P(G
n
) + =
y como es arbitrario se concluye la demostraci on.
Teorema 3.4 (Minlos-Sazonov). Sea : H C una funci on continua, denida positiva y
tal que (0) = 1. Entonces es una funci on caracterstica si y s olo si se verica la siguiente
condici on: para todo > 0 existe un S-operador en H, S

tal que si S

x, x) < 1 entonces
1 '(x) <
Demostraci on. Supongamos que es la transformada de Fourier de una medida de probabili-
dad P. Entonces claramente es continua, denida positiva y (0) = 1. Veamos que cumple
la condici on. Sea > 0. Entonces
1 '(x) = 2
_
H
sen
2
_
y, x)
2
_
dP(y)
= 2
_
|x|
sen
2
_
y, x)
2
_
dP(y) + 2
_
|x|>
sen
2
_
y, x)
2
_
dP(y)

_
|x|
y, x)
2
2
dP(y) + 2P(|x| > ) <
_
|x|
y, x)
2
2
dP(y) +

2
53
donde > 0 lo elegimos para que P(|x| > ) <

4
. Denimos : H H R como
(v, w) =
_
|x|
y, v)y, w)dP(y)
Entonces es una forma bilineal simetrica en H y
[(v, w)[
2
|v| |w|
Luego existe S operador lineal acotado en H tal que Sv, w) = (v, w) para todo v, w H.
Se ve f acilmente que S es autoadjunto, positivo, compacto y de traza nita, es decir un
S-operador en H. Sea S

=
1

S entonces tenemos que

1 '(x)

2
S

x, x) +

2
y esto nos da el operador que buscabamos.
Probemos el reciproco. Sea | un subespacio de dimensi on nita de H. Entonces la res-
tricci on de a | es una funci on continua, denida positiva y tal que (0) = 1. Luego por el
teorema de Bochner en dimensi on nita sabemos que existe una medida de probabilidad P
|
en B
|
tal que es su transformada de Fourier, es decir vale la siguiente represenatci on para
todo h |,
(h) =
_
|
e
ix,h)
dP
|
(x)
Probaremos que P
|
es una familia compatible. Sean |
1
|
2
subespacios de dimensi on
nita de H, entonces si : |
2
|
1
denota la restricci on de la proyecci on ortogonal sobre
|
1
a |
2
, lo que debemos probar es que P
|
2

1
= P
|
1
. Para esto jemos x |
1
. Si miramos
a x como elemento de |
2
podemos escribir
_
|
1
exp(ix, y))dP
|
1
(y) = (x) =
_
|
2
exp(ix, y))dP
|
2
(y)
=
_
|
2
exp(ix, (y)))dP
|
2
(y) =
_
|
1
exp(ix, y))dP
|
2

1
(y)
y la igualdad que buscabamos se deduce de la unicidad de la transformada de Fourier, en
este caso para medidas en |
1
. Por la proposici on anterior bastar a ver que para cada > 0
existe N
0
tal que si N N
0
se tiene que
sup P
|
(|x| N |) <
para probar la existencia de una medida de probabilidad P cuyas proyecciones sean P
|
.
Veamos primero lo siguiente, dado > 0 y N 1 tenemos que
_
|
1 exp
_

2
|x|
2
_
dP
|
(x)
_
|x|N
1 exp
_

2
|x|
2
_
dP
|
(x)
54

_
|x|N
1 exp
_

2
N
2
_
dP
|
(x) =
_
1 exp
_

2
N
2
__
P
|
(|x| N)
Observemos lo siguiente, el integrando que utilizamos es la transformada de Fourier de una
distribuci on normal multivariada en | con media cero y matriz de covarianza I. Entonces
si d = dim(|) escribiendo el integrando como la integral de cosx, u)z

(u)d
d
(u) con u |;
donde hemos denotado z

la densidad gaussiana y
d
la medida de Lebesgue; vemos que
podemos hacer Fubini e intercambiar las integrales para llegar a la siguiente igualdad:
_
|
1 exp
_

2
|x|
2
_
dP
|
(x) =
_
|
(1 '(u))
1
(2)
d/2
exp
_

1
2
|u|
2
_
d
d
(u)

_
|
_

2
+ 2S

u, u)
_
1
(2)
d/2
exp
_

1
2
|u|
2
_
d
d
(u)
donde S

es el S-operador que sabemos existe por hip otesis. Sea e

i
una base ortonormal
completa de H tal que e
1
, . . . , e
d
es base de |. Entonces como
_
|
u, e
i
)u, e
j
)z

(u)d
d
(u) =
ij
tenemos que
_
|
_

2
+ 2S

u, u)
_
1
(2)
d/2
exp
_

1
2
|u|
2
_
d
d
(u)
=

2
+ 2
d

i,j=1
S

e
i
, e
j
)
_
|
u, e
i
)u, e
j
)z

(u)d
d
(u)
=

2
+ 2
d

i=1
S

e
i
, e
i
)
_
|
u, e
i
)
2
1
(2)
d/2
exp
_

1
2
|u|
2
_
d
d
(u)
=

2
+ 2
d

i=1
S

e
i
, e
i
)

2
+ 2tr(S

)
En resumen, tenemos que
P
|
(|x| N)
_

2
+ 2tr(S

)
__
1 exp
_

2
N
2
__
1
y eligiendo primero y N despues podemos hacer dicha probabilidad arbitrariamente pe-
que na.
Hemos probado entonces que existe una medida de probabilidad P en H tal que sus
proyecciones son P
|
. Veamos pues que es en efecto la transformada de Fourier de P. Sea |
n
55
una sucesi on creciente a un subespacio denso. Denotamos por P
n
la medida de probabilidad
en |
n
y
n
la proyecci on. Entonces, dado x H tenemos que
(
n
(x)) =
_
|
n
exp(i
n
(x), y))dP
n
(y) =
_
H
exp(i
n
(x),
n
(y)))dP(y)
=
_
H
exp(i
n
(x), y))dP(y)
Como
n
(x) x para todo x H el teorema de convergencia dominada y la continuidad de
nos conducen a la igualdad
(x) =
_
H
exp(ix, y))dP(y)
Es decir, es la transformada de Fourier de P.
3.4. Distribuci on gaussiana y el teorema central del lmite.
En esta secci on trabajaremos en el conjunto T
2
de las medidas de probabilidad en un
espacio de Hilbert separable H, tales que
_
H
|x|
2
dP(x) <
Si P T
2
vemos que
_
H
|x| dP(x) < tambien y por la desigualdad de Cauchy-Schwarz
tambien lo es
_
H
x, y)dP(x) <
para todo y H. Adem as como la aplicaci on y
_
H
x, y)dP es lineal y continua existe
u
P
H unvocamente determinado por P tal que
u
P
, y) =
_
H
x, y)dP(x) y H
Por esta ultima igualdad vemos que u
P
no es m as que el valor esperado de un elemento
aleatorio en H que tenga a P como distribuci on.
De forma totalmente an aloga vemos que
_
H
x, y)x, z)dP(x) <
para toda P T
2
y todo y, z H. Como la aplicaci on
(y, z)
_
H
x, y)x, z)dP(x) u
P
, y)u
P
, z)
56
es bilineal y continua existe un operador lineal acotado S
P
: H H determinado de manera
unica por la distribuci on P, que cumple
S
P
y, z) =
_
H
x, y)x, z)dP(x) u
P
, y)u
P
, z) =
_
H
x u
P
, y)x u
P
, z)dP(x)
As en particular vemos que S
P
y, y) =
_
H
x u
P
, y)
2
dP 0 para todo y H. Llamaremos
a este operador, el operador de covarianza de la distribuci on P. Resumimos en la siguiente
proposici on las propiedades de S
P
.
Proposici on 3.4. Si P T
2
y S
P
es el operador de covarianza de P, entonces
(i) S
P
es autoadjunto.
(ii) S
P
es positivo, esto es S
P
y, y) 0 para todo y H.
(iii) S
P
es un operador compacto, esto es la imagen de un conjunto acotado es relativamente
compacta.
(iv) S
P
tiene traza nita.
Demostraci on. (i) Basta observar que la forma bilineal que dene S
P
es simetrica, esto es
(y, z) = (z, y).
(ii) Ya lo probamos arriba.
(iii) y (iv) Para probar que S
P
es compacto bastar a probar que se cumple (iv). Sea e
i
una base
ortonormal completa de H. Entonces como
S
P
e
i
, e
i
) =
_
H
x, e
i
)
2
dP(x) u
P
, e
i
)
2
para cada n tenemos que
n

i=1
S
P
e
i
, e
i
) =
_
H
n

i=1
x, e
i
)
2
dP(x)
n

i=1
u
P
, e
i
)
2
Y como el integrando de la derecha esta acotado por |x|
2
que tiene integral nita
vemos que podemos pasar al lmite y entonces
tr(S
P
) =

i=1
S
P
e
i
, e
i
) =
_
H

i=1
x, e
i
)
2
dP(x)

i=1
u
P
, e
i
)
2
=
_
H
|x u
P
|
2
dP(x) <
57
Como S
P
es postivo existe el operador raz cuadrada S
1/2
P
y tenemos entonces que

i
_
_
_S
1/2
P
e
i
_
_
_
2
=

i
S
1/2
P
e
i
, S
1/2
P
e
i
) =

i
S
P
e
i
, e
i
) = tr(S
P
) <
Por lo que la raz de S
P
es un operador de Hilbert-Schmidt y en consecuencia es
compacto. Como los operadores compactos son un ideal en los operadores de H y
(S
1/2
P
)
2
= S
P
concluimos que S
P
es compacto.
A todo operador lineal acotado que cumpla las condiciones (i),(ii),(iii) y (iv) lo llamaremos
un S-operador.
Proposici on 3.5. Sea : H C la funci on denida por
(y) = exp
_
i, y)
1
2
Sy, y)
_
donde H y S es un S-operador. Entonces existe una medida de probabilidad P en H tal
que =

P. Adem as P T
2
, es el valor medio de P y S es el operador de covarianza de
P.
Demostraci on. Claramente es continua y (0) = 1. Sea e
i
una base ortonormal de H
y denotemos V
n
el subespacio de dimensi on nita generado por e
1
, . . . , e
n
. Entonces si
x =

n
i=1
x
i
e
i
V
n
tenemos que
(x) = exp
_
_
i
n

i=1
x
i
, e
i
) +
1
2
n

i,j=1
x
i
x
j
Se
i
, e
j
)
_
_
Esto muestra que restringida a V
n
es la transformada de Fourier de una distribuci on normal
en R
n
con media (, e
i
))
n
i=1
y matriz de covarianza
n
= (Se
i
, e
j
))
n
i,j=1
-recordar que S es
autoadjunto y positivo-. Luego cada restricci on a los V
n
debe ser una funci on denida positiva.
Llamemos
n
a restringida a V
n
. Sean z
1
, . . . , z
N
n umeros complejos y h
1
, . . . , h
N
elementos
de H. Para cada n ponemos h
n
i
=
n
(h
i
) =

n
j=1
h
i
, e
j
)e
j
V
n
para i = 1, . . . , N, donde
n
es la proyecci on ortogonal sobre V
n
. As tenemos que
N

k,l=1
z
k
z
l
(h
n
k
h
n
l
) =
N

k,l=1
z
k
z
l

n
(h
n
k
h
n
l
) 0
Cuando n ,
n
(h
i
) h
i
y como es continua resulta que (h
n
k
h
n
l
) (h
k
h
l
) por
lo que tomando lmite
N

k,l=1
z
k
z
l
(h
k
h
l
) 0
58
Es decir, es denida positiva. Para terminar la prueba por el teorema de Minlos-Sazonov,
ser a suciente mostrar que para cada > 0 existe un S-operador S

tal que para todo x H

que virique S

x, x) < 1 se tiene 0 1 '(x) < .

Por un lado
0 1 '(x) = 1 cos, x) exp
_

1
2
Sx, x)
_
= 1 exp
_

1
2
Sx, x)
_
+ (1 cos, x)) exp
_

1
2
Sx, x)
_

1
2
Sx, x) +
1
2
, x)
2
=
_
S +T

2
_
x, x) = S

x, x)
donde T

x = , x) y S

= (S+T

)/2. Luego bastar a probar que S

es un S-operador. Como
T

x, x) = , x)
2
0 para todo x H tenemos que T

es un operador positivo. Adem as

es compacto pues su imagen tiene dimensi on uno. Se ve f acilmente que T

es autoadjunto y
adem as
tr(T

) =

i
T

e
i
, e
i
) = ||
2
<
Por lo que T

es de hecho un S-operador. Luego al ser S

combinaci on lineal positiva de

S-operadores tambien es un S-operador.
Probemos ahora que la medida de probabilidad P denida por est a efectivamente en
T
2
. No perdemos generalidad con suponer que = 0. Entonces
'(x) = exp
_
1
2
Sx, x)
_
=
_
H
cosy, x)dP(y) = 1 2
_
H
sen
2
y, x)
2
dP(y)
exp
_
2
_
H
sen
2
y, x)
2
dP(y)
_
de donde deducimos que
2
_
H
sen
2
y, x)
2
dP(y)
1
2
Sx, x)
para todo x H. Evaluando esta ultima desigualdad en tx con t R positivo y tomando
lmite en t 0 tenemos que
lminf
t0
2
t
2
_
H
sen
2
ty, x)
2
dP(y)
1
2
Sx, x) x H
Como el integrando t
2
sen
2
(ty, x)/2) y, x)
2
/4 cuando t 0, el lema de Fatou nos dice
que
_
H
y, x)
2
dP(x) Sx, x) x H
59
Luego deducimos que
_
H
n

i=1
y, e
i
)
2
dP(y)
n

i=1
Se
i
, e
i
) tr(S) <
y por el teorema de convergencia dominada deducimos que
_
H
|y|
2
dP(y) tr(S) <
Probaremos ahora que y S son el valor medio y el operador de covarianza de P respectiva-
mente. Para esto sea v un elemento aleatorio con distribuci on P. Consideremos , h) H

para un h H jo, entonces tenemos que v, h) es una variable aleatoria real tal que su
funci on caracterstica esta dada por

v,h)
(t) =
_
R
e
its
dF(s) =
_
H
e
itx,h)
dP(x) =

P(th)
= exp
_
it, h)
t
2
2
Sh, h)
_
Luego para todo h H tenemos que v, h) es una variable aleatoria con distribuci on normal,
Ev, h) = , h) y
2
(v, h)) = Sh, h). Esto implica por denici on de valor medio que es
el valor esperado de v. Adem as tenemos que

2
(v, h)) =
_
R
(s , h))
2
dF(s) =
_
H
x , h)
2
dP(x) = Sh, h)
para todo h H y por la identidad de polarizaci on esto dene de manera unica a S y vemos
que S = S
P
.
Denici on 3.2. Diremos que un elemento aleatorio en H tiene distribuci on gaussiana o que
es gaussiano, si su distribuci on P tiene como transformada de Fourier

P(h) = exp
_
i, h)
Sh, h)
2
_
donde en esta igualdad H y S es un S-operador.
Proposici on 3.6. Sea v un elemento aleatorio en H. Entonces v tiene distribuci on gaussiana
si y s olo si v, h) es una variable aleatoria con distribuci on normal para todo h H.
60
Demostraci on. En la demostraci on del teorema anterior vimos que si un elemento aleatorio
es gaussiano, entonces para todo h H, se tiene que v, h) tiene distribuci on normal. Es
decir, nos falta probar el recproco.
Supongamos que v, h) es normal para todo h H de media
h
y varianza
2
h
. Denotamos
por P la distribuci on de v. Entonces pongamos v =

i
v
i
e
i
donde e
i
es una base ortonormal
de H y v
i
= v, e
i
). Por hip otesis cada v
i
es una variable aleatoria normal de par ametros
i
y
2
i
. Adem as tenemos que

i
v
2
i
= |v|
2
=
2
por lo que la serie de la izquierda converge c.s. a una variable aleatoria nita
2
. Para cada
N consideremos el vector aleatorio en R
N
dado por u
N
= (v
1
, . . . , v
N
). Luego u
N
tiene
distribuci on gaussiana. En efecto dado (t
1
, . . . , t
N
) R
N
arbitrario tenemos que
t
1
v
1
+ +t
N
v
N
= v,
N

i=1
t
i
e
i
)
que tiene distribuci on gaussiana. El vector de coordenadas m
N
= (
1
, . . . ,
N
) no es otra
cosa que el valor medio de dicho vector aleatorio. Adem as tenemos que

2
N
= |u
N
|
2
=
N

i=1
v
2
i

2
R
N

+
u
N
O

m
N
Sea el plano perpendicular -en R
N
- al subespacio generado por m
N
-es decir a la
recta Om
n
- que pasa por el punto m
N
. Vemos que la probabilidad de que u
n
este en uno
u otro semi-espacio es la misma, es decir P (u
N

+
) = 1/2, por lo que con probabilidad
mayor o igual que 1/2 tenemos que |m
N
| .Esto implica que si la sucesi on
|m
N
|
2
=
N

i=1

2
i
61
no estuviera acotada, tendramos una probabilidad superior o igual a 1/2 de que
2
tampoco
lo estuviera lo cual es imposible. Luego necesariamente debe ser

2
i
<
Podemos denir entonces el vector H poniendo =

i
e
i
. Como sabemos que v tiene
esperanza si y s olo si v la tiene, podemos suponer que = 0.
Consideremos
N
: H V
N
las proyecciones ortogonales sobre los subespacios V
N
gene-
rados por e
1
, . . . , e
N
. Sea h H jo, como
N
(x) x para todo x,
Eexp(it
N
(v), h)) =
_
H
exp(it
N
(x), h))dP(x)
=
_
H
exp(itx,
N
(h))dP(x) =
v
(
N
(th))
v
(th) = Eexp(itv, h))
para todo t R. Luego la funci on caracterstica
N
de
N
(v), h) converge puntualmente
a la funci on caracterstica de v, h). Adem as como son variables gaussianas, existen los
momentos y podemos escribir
(t) = 1 +i
h
t +r
1
(t) y
N
(t) = 1 +r
2
(t)
donde

r
i
(t)
t

0 si [t[ 0
Luego jemos t > 0, entonces
[
h
[[t[ [(t)
N
(t)[ +[r
1
(t) r
2
(t)[
y haciendo N tenemos que
[
h
[
[r
1
(t)[ +[r
2
(t)[
[t[
0
cuando [t[ 0. Esto muestra que Ev, h) = 0 para todo h H, de donde existe Ev = 0. En
general -cuando ,= 0- se tiene Ev = .
De manera muy similar, utilizando el mismo tipo de razonamientos pero de una forma
un tanto m as engorrosa, se puede probar que E|v|
2
< .
2
Esto implica que P T
2
y nos
2
El lector interesado puede consultar E. Mourier, Annales de lInst. H. Poincare, vol. 13, no. 3, 1953, p ag.
161-244.
62
garantiza la existencia del S-operador de covarianza S de P. Por denici on tenemos entonces
que
Sh, h) =
2
(v, h)) =
2
h
Luego para cada t R y h H jos vale que

v
(th) = Eexp(itv, h)) = exp
_
it
h

t
2
2

2
h
_
= exp
_
it, h)
t
2
2
Sh, h)
_
Esto vale en particular para t = 1, lo que muestra que v es un e.a. gaussiano.
La proposici on anterior es la que permite conectar la denici on que nosotros dimos de
e.a. gaussiano en un espacio de Hilbert, con su equivalente para espacios de Banach. Nuestro
ultimo teorema es una generalizaci on del teorema central del lmite para v.a. i.i.d. en R.
Teorema 3.5. Sea v
n
una sucesi on de elementos aleatorios independientes e identicamente
distribudos en H, tal que la distribuci on de v
1
est a en T
2
y E(v
1
) = 0. Si S es el operador
de covarianza de v
1
y denimos
z
n
=
1
n
1/2
n

i=1
v
i
Entonces
z
n
N
donde N es la distribuci on gaussiana con media 0 y operador de covarianza S.
Demostraci on. Sea h H jo. Entonces v
n
, h) es una sucesi on de variables aleatorias
independientes e identicamente distribudas en R con media cero y varianza Sh, h). Luego
por el teorema central de lmite en R, sabemos que
z
n
, h) =
1
n
1/2
n

i=1
v
i
, h) N(0, Sh, h))
Como la transformada de Fourier de z
n
, h) es

z
n
,h)
(t) =

P
z
n
(th)
y como

z
n
,h)
(t)
n
exp
_
t
2
2
Sh, h)
_
63
para todo t R, tenemos que en particular para t = 1,

P
z
n
(h)
n
exp
_
Sh, h)
2
_
Como esto vale para todo h H tenemos la convergencia puntual. Veamos ahora que P
z
n

es tensa.
Fijemos e
i
una base ortonormal completa de H. Entonces para cada m N,
_
H
m

i=N
x, e
i
)
2
dP
z
n
(x) =
m

i=N
_
H
x, e
i
)
2
dP
z
n
(x) =
m

i=N

2
(z
n
, e
i
)) =
m

i=N
Se
i
, e
i
)
y como podemos pasar al lmite pues la varianza es nita, tenemos que
_
H
r
2
N
(x)dP
z
n
(x) =

i=N
Se
i
, e
i
)
para todo n. Luego como esta serie converge pues es la traza de S, tenemos que el lmite en
N es cero. Entonces la sucesi on es tensa. El teorema de continuidad nos garantiza que P
z
n
converge en distribuci on a una medida de probabilidad cuya funci on carcaterstica es (*).
64
Bibliografa
[*] Para los captulos 1 y 2, la bibliografa utilizada fue esencialmente Padgett-Taylor[4] y
Revesz[6]. Para el capitulo 3 utilizamos Billingsley[1], Grenander[2], Laha-Rohatgi[3] y
Parthasarathy[5].
[1] P. Billingsley - Convergence of Probability Measures. John Wiley & Sons. New York,
1968.
[2] U. Grenander - Probabilities on Algebraic Structures. Stockholm, New York, Almqvist
& WiksellWiley, 1963.
[3] R.G. Laha and V.K. Rohatgi - Probability Theory. John Wiley & Sons. 1979.
[4] W.J. Padgett and R.L. Taylor - Laws of Large Number for Normed Linear Spaces and
Certain Frechet Spaces. Lecture Notes in Mathematics. Springer-Verlag 1973.
[5] K.R. Parthasarathy - Probability Measures on Metric Spaces. New York, Academic
Press. 1967.
[6] P. Revesz - The laws of large numbers.- Academic Press, New York, 1968.
65