En el campo de la estadística, la teoría asintótica, también conocida como teoría de muestras grandes, es un marco fundamental para evaluar las propiedades de los estimadores y las pruebas estadísticas. Este enfoque se basa en la premisa de que el tamaño de la muestra n puede crecer indefinidamente, evaluando el comportamiento de los estadísticos cuando n tiende a infinito (n → ∞). En la práctica, se considera que estas evaluaciones son aproximadamente válidas para tamaños de muestra finitos que sean lo suficientemente grandes.
Visión General
La mayoría de los problemas estadísticos comienzan con un conjunto de datos de tamaño n. La teoría asintótica procede asumiendo que es posible, en principio, seguir recolectando datos adicionales, permitiendo que el tamaño de la muestra crezca infinitamente. Bajo este supuesto, se pueden obtener resultados que no estarían disponibles para muestras de tamaño finito.
Un ejemplo clásico es la ley débil de los grandes números. Esta ley establece que para una secuencia de variables aleatorias independientes e idénticamente distribuidas (IID), el promedio de las primeras n observaciones converge en probabilidad al valor esperado (la media poblacional) a medida que n tiende a infinito.
Enfoques Asintóticos Alternativos
Aunque el enfoque estándar es n → ∞, existen variaciones dependiendo del modelo estadístico:
- Normalidad Asintótica Local: Se asume que el valor del parámetro verdadero varía ligeramente con n, permitiendo estudiar la regularidad de los estimadores.
- Alternativas Locales: Utilizadas frecuentemente en pruebas de raíz unitaria, donde la hipótesis nula se contrasta con una alternativa que se acerca a la nula a medida que la muestra crece.
- Expansión del Espacio de Parámetros: En algunos modelos, la dimensión del espacio de parámetros crece junto con n, permitiendo incorporar más efectos estructurales.
- Estimación de Densidad por Kernel: Se asume un parámetro de ancho de banda h que tiende a cero mientras n tiende a infinito, generalmente con una tasa de convergencia específica (h ∝ n-1/5).
Incluso cuando existen métodos numéricos computacionales altamente precisos para muestras finitas, el análisis asintótico sigue siendo valioso porque proporciona una comprensión cualitativa profunda de las herramientas cuantitativas.
Propiedades Asintóticas
Estimadores Puntuales
Para analizar la propiedad de un estimador, consideramos una secuencia de estimadores $(\hat{\theta}_n)_{n \in \mathbb{N}}$.
Consistencia
Se dice que una secuencia de estimadores es (débilmente) consistente si converge en probabilidad al valor verdadero del parámetro que se está estimando ($\theta_0$). Esto significa que a medida que el tamaño de la muestra aumenta, la probabilidad de que el estimador se aleje del valor real disminuye hacia cero.
Si la convergencia es de orden estocástico $1/a_n$ (escrito como $O_p(1/a_n)$), se define formalmente a través del límite de la probabilidad de que la diferencia escalada entre el estimador y el parámetro verdadero sea mayor que cualquier constante $K$ positiva.
