Procesos Estocasticos Nociones deProbabilidades

CAPITULO I
Probabilidad
Dado un ensayo aleatorio llamaremos espacio muestral al conjunto de eventos simples. Por
ejemplo
!"# Tirar un dado$ =%"$&$'$($)$*+
!&# Tirar & dados$ =%!"$"#$ !"$&#$...$ !)$*#$ !*$*#+
!'# Ele,ir un punto al a-ar en ./$"0$ =%1 /1"+
Llamaremos evento a un subconjunto de . Por ejemplo
!"# A= 2El n3mero es par4 = %&$($*+
!&# 5= 2La suma es "/4 = %!($*#$ !)$)#$!*$(#+
!'# C= %1 /1"6&+
Probabilidad de un evento !motivaci7n emp8rica#. 9epitamos un ensayo n veces y supon,amos
:ue un evento A del mismo aparece ;n veces. <ea
=n=;n6n= =recuencia relativa de A en n ensayos.
Es un >ec>o emp8rico :ue =n tiende a un n3mero =ijo. A este n3mero lo llamamos probabilidad del
evento A.
= espacio muestral= un conjunto.
Evento A= subconjunto de
/= evento imposible !nunca ocurre#
= evento cierto !siempre ocurre#
Como los eventos son conjuntos$ valen para ellos las mismas operaciones y relaciones de los
conjuntos pero se usan para ellas un len,uaje peculiar a la teor8a de probabilidades
!"# <i A5 decimos :ue la ocurrencia de A implica la ocurrencia de 5
!&# <i A5 5A A=5.
!'# A
c
= A no ocurre.
/
c
= $
c
= /$ A
c c
= A$ A5 5
c
A
c
!(# A+5 = A ocurre o 5 ocurre o ambos ocurren = Por lo menos uno de los eventos ocurre.
A+5?5+A$ A+/=A$ A+=$ A+!5+C#=!A+5#+C=A+5+C.
Dados A"$A&$A'$... escribimos Ai = Por lo menos uno ocurre.
!)# A5= A y 5 ocurren simult@neamente.
A/=/$ AA=A$ A?A$ A5=5A$ !A5#C=A!5C#=A5C.
Ai = Ocurrencia simult@nea de A"$A&$A'$...
!*# Leyes distributivas !A+5#C=AC+5C$
!A# A5= A ocurre y 5 no ocurre= A5
c
A5 5A$ !A5#+5 A$ !A5#C=AC5C$ A= A
c
= A
c
.
!B# A5= !A5#+!5A#= A5
c
+A
c
5

= Ocurre e1actamente uno de los eventos.

A A
c
A+5 A5
A+5= Por lo menos uno de los dos eventos ocurre. A5= Ambos eventos ocurren
A
c
5
c
= Nin,uno ocurre A5
c
+A
c
5= E1actamente uno de los eventos ocurre.
!A+5#
c
= A
c
5
c
$ !A5#
c
= A
c
+5
c
!9elaciones de De Cor,an #.
1. 9elaciones entre eventos
"
Procesos Estocasticos Nociones deProbabilidades
A+5+C= Por lo menos uno ocurre. A5C= Los tres ocurren.
A
c
5
c
C
c
= Nin,uno ocurre.
A 5
c
C
c
+ A
c
5 C
c
+A
c
5
c
C = E1actamente uno ocurre.

A5C
c
+ A5
c
C + A
c
5C = E1actamente dos ocurren.
A5 + 5C+ AC = Por lo menos & ocurren.
Desi,nemos mediante B a una =amilia de subconjuntos de . . Decimos :ue B es una algebra si es
cerrada bajo un n3mero =inito de operaciones de conjuntos. C@s precisamente$ !"# A B
A
c
B !&# A$5 B A+5B. <e deduce :ue A5$ A5 y A5 pertenecen a B.
Decimos :ue B es una algebra si es cerrada bajo un n3mero in=inito contable de operaciones de
conjuntos. Cas precisamente !"# A B A
c
B !&# AnB An B. En particular$ se deduce
:ue si AnB AnB.
Un ejemplo de un al,ebra :ue tambiDn es al,ebra es la =amilia de todos los subconjuntos de .
Dado un espacio muestral y una =amilia de eventos B =% A

+$ A

$ :ueremos asociar a cada

evento A

un n3mero P!A

#$ probabilidad de A

$ :ue satis=a,a las propiedades su,eridas por la

=recuencia relativa emp8rica. Primero consideraremos el caso en :ue es =inito.
= %" $& $ ... $ m+. B = =amilia de todos los subconjuntos de . B tiene &
m
eventos C!m$"#+
C!m$&#+...+C!m$m#= &
m
" m@s el evento imposible.
Llamemos ;n!A# a la =recuencia de A en n ensayos . Como ;n6n 2tiende4 a P!A# debemos tener
P!A#/. Como ;n!#6n=" debemos tener P!#=". <i A5=/ vemos :ue ;n!A+5#=;n!A#+;n!5# por
lo :ue debemos tener P!A+5#=P!A#+P!5# si A5=/. Esto su,iere el si,uiente
Sistema de Axiomas. Para & eventos cuales:uiera A y 5 debe valer
I. P!A# /
II. P!#="
III. P!A+5#=P!A#+P!5# si A5=/
Definicin La terna !$B$P# se llama un espacio de probabilidades
<e deduce de los a1iomas las si,uientes consecuencias
!"# A5P!A#P!5# !&# P!A# " !'# P!/# = / !(# P!A
c
# = "P!A#
!)# P!5A# = P!5# P!A5#. En particular$ A5P!5A#=P!5#P!A#
!*# A"$A&$...$An son mutualmente e1cluyentes implica P!A"+A&+...+An#=P!A"#+P!A&#+...+P!An#
!A# P!A+5# = P!A#+P!5#P!A5#
!B# Desigualdad de Boole
P!A"+A&+...+An# P!A"#+P!A&#+...+P!An#
Consideremos un espacio muestral =inito ={"$&$...$m} y una probabilidad P de=inida sobre B
!todos los subconjuntos de #$ es decir$ una =unci7n :ue satis=ace los a1iomas I$II y III. <ea
Ai= %i+ !i="$&$..$m#
Es decir$ %Ai+ es la =amilia de eventos simples. Escribamos
P!Ai#=pi !"#
Cual:uier A B tiene la =orma A=%i"$ i&$...$i;+ y su probabilidad es
P!A#= pi"+pi&+...+pi; !&#
Ademas tenemos :ue
2. <istema de a1iomas
&
Procesos Estocasticos Nociones deProbabilidades
pi0 y pi=" !'#
9ec8procamente$ dado cual:uier conjunto =inito de m n3meros reales pi :ue satis=acen !'# si
de=inimos P mediante !"# y !&# obtenenos una probabilidad para !,B#
Ejemlo
Tirar un dado. =%"$&$...$*+. B = %los *( subconjuntos de +. Ai?2resultado es i4. Por ra-ones de
simetr8a podemos suponer :ue P!Ai#?"6*. Podemos obtener P!A# para cual:uier A. Por ejemplo
A= 2resultado es par4. P!A#= P!A&#+P!A(#+P!A*#= "6*+"6*+"6*="6&.
Observamos :ue cuando suponemos P!Ai#= constante$ la probabilidad de cual:uier evento
A=%i"$ i&$...$i;+ es P!A#=;6m. Esta es la definicin clsica de probabilidad
P A
Numero de casos =avorables a A
Numero de casos posibles
! # =
Ejemlo 1
Tirar una moneda. =%C$<+. B=%/$C$<$+. P!C#=p$ P!<#=:="p !/p"#.
<i la moneda est@ balanceada p="6&.
Ejemlo 2
Una caja contiene a bolillas blancas y b bolillas ne,ras. <acamos una bolilla al a-ar.
= %5" $ 5& $ ... $5a $ N" $N& $...$Nb+. B tiene &
a+b
eventos.
A= 2bolilla blanca4. P!A#= a6!a+b#
5= 2bolilla ne,ra4. P!5#= b6!a+b#
Ejemlo !
Una caja contiene m tarjetas numeradas de " a m. E1traemos en secuencia las m tarjetas al a-ar. =
%todas las permutaciones de "$&$...$m+. contiene mE posibles resultados.
A= 2los n3meros aparecen en el orden natural4. P!A#="6mE
Consideremos el mismo ejemplo pero a>ora reempla-amos la tarjeta cada ve-. E1traemos m veces.
= %!i" $i& $ ... $ im# i;="$&$...$m+. contiene m
m
posibles resultados.
A= 2los n3meros aparecen en el orden natural4. P!A#="6m
m
5= 2los m n3meros son distintos4. P!5#=mE6m
m
Finalmente supon,amos :ue e1traemos n !m# tarjetas con reempla-o.
5= 2los n n3meros son distintos4. P!5#= m!m"#...!mn+"#6m
n
Ejemlo " !distribuci7n binomial#
Tenemos m cajas cada una de las cuales contiene a bolas blancas y b bolas ne,ras. E1traemos una
bola de cada caja. esta =ormada por las mGplas !1" $ 1& $...$ 1m# donde 1i representa una bola de la
caja i. Hay un total de !a+b#
m
mGplas. Consideremos el evento

A;= 2salen ; bolas blancas y mG; bolas ne,ras4
Para contar las mGplas =avorables a A; procedemos de la si,uiente manera.
Primero$ ima,inamos :ue asi,namos las ; componentes de la mGpla donde aparecen las bolillas
blancas. Observamos :ue >ay C!m$;# posibles asi,naciones. Contemos a>ora cuantas mGplas
distintas >ay para una dada asi,naci7n. <ea$ por ejemplo
N555NN...5N
!. Ejemplos cl@sicos de c@lculo de probabilidades
'
Procesos Estocasticos Nociones deProbabilidades
El numero de mGplas con esta asi,naci7n es baaabb...ab = a
;
b
m;
Por lo tanto$ el numero de mGplas =avorables a A; es C!m$;# a
;
b
m;
. Concluimos
P!A;# = C!m$;#a
;
b
m;
6!a+b#
m
Llamando p=a6!a+b# y :="p tenemos
P!A;#= C!m$;#p
;
:
m;
!;=/$"$&$...$m#
Advirtamos :ue el problema es el mismo si e1traemos m bolas con reempla-o de una sola caja :ue
contiene a bolas blancas y b bolas ne,ras.
Ejemlo # !distribuci7n >iper,eomDtrica#
En una caja >ay a bolas blancas y b bolas ne,ras. E1traemos m !a+b# bolas sin reempla-ar.
Iueremos >allar
P;= Probabilidad de obtener ; bolas blancas !y m; ne,ras#.
En este caso esta constituido por los subconjuntos de tamaJo m del conjunto de las a+b bolas.
De esta manera el e1perimento tiene C!a+b$m# posibles resultados.
Contemos a>ora los subconjuntos :ue tienen ; bolas blancas. Observemos :ue tal subconjunto
resulta de combinar un subconjunto de ; bolas blancas del conjunto de a bolas blancas y un
subconjunto de m; bolas ne,ras del conjunto de b bolas ne,ras.
P;? C!a$;# C!b$mG;# 6 C!aKb$m#
Ejemlo $ !Covimiento broLniano#
Una part8cula se mueve sobre el eje 1 con saltos unitarios " empe-ando por el ori,en. Iueremos
>allar P!n$1#? P!se encuentra en 1 lue,o de n saltos#. Llamemos camino !"$"$"$"$...$"# a la
secuencia de n saltos. <uponemos :ue los &
n
caminos son i,ualmente probables. Los posibles
valores de 1 son n$n&$n($...$ n+&$n.
<ea a el n3mero de saltos a la derec>a y b el numero de saltos a la i-:uierda. Debemos tener
a+b?n y ab?1 a? !n+1#6& y b? !n1#6&.
N3mero de casos =avorables? C!a+b$a#? C!n$!n+1#6&# P!n$1#= C!n$!n+1#6&#6 &
n
Consideraremos el caso de & dimensiones. Consideremos la =amilia de todos los rect@n,ulos en 9
&
9= %!1$y# a"M1Ma& $ b"MyMb&+. Admitimos :ue cual:uier M puede ser sustu8do por . 9 es un
rectngulo. De=inimos
!9#= !a&a"#!b&b"#.
Llamemos
R= Familia de los rect@n,ulos.
de=inida en R tiene las si,uientes propiedades !9#/ y si 9=9"+9& y 9"9&= entonces
!9"+9&#= !9"#+ !9&#. Por inducci7n$ se deduce :ue !9"+9&+...+9n# #=!9"#+!9&#+...
+!9n# si 9i9j= para ij. C@s a3n$ usando el teorema de HeineG5orel $ se puede mostrar :ue si
9=9"K9&+... $ 9i 9j= entonces !9#?!9i#. Esta propiedad se llama Gaditividad
se llama una medida de=inida en R. Pero R es una =amilia muy pe:ueJa de conjuntos. Por
ejemplo$ la uni7n de & conjuntos en R $ en ,eneral$ no pertenece a R . Deseamos e1tender el
concepto de medida a una =amilia m@s ,rande donde se puedan reali-ar las operaciones de conjunto
sin salir de la =amilia. Consideremos
A = %Familia de los conjuntos elementales+
Llamamos conjunto elemental a una uni7n =inita de rect@n,ulos disjuntos. <i A A
". Nenerali-aci7n del concepto de @rea
(
Procesos Estocasticos Nociones deProbabilidades
A=9"+9&+...+9n con 9i9j= si ij y 9i R
De=inimos

O
!A#=!9"#+!9&#+...+ !9n#
<e puede mostrar !i#
O
!A# est@ bien de=inida$ es decir$ si A=9"+9&+...+9n= 9"

+9&

+...+9m

entonces
!9"#+!9&#+...+ !9n#= !9"P#+!9&P#+...+ !9mP#. !ii#
O
!9#= !9# si 9R $ es decir$

O
es una e1tensi7n de !iii#
O
!A#/. !iv# <i A=A"+A& y A"A&?
O
!A#=
O
!A" #+
O
!A&#. Por
inducci7n$ es cierto para un n3mero =inito y$ por el teorema de HeineG5orel$ se puede demostrar
:ue
O
es tambiDn -aditivo.
Pero A no es una G@l,ebra$ es decir$ no es cerrada por un n3mero contable de operaciones de
conjunto. E1tenderemos la medida a una =amilia m@s ,eneral :ue es una -al,ebra.
Primero$ se de=ine para cual:uier conjunto < la medida exterior:
Q!<#= in= %
O
!A" #+
O
!A&#+... Ai A $ <A"+A&+...+
<i < A entonces Q!<#=
O
!<#. Pero Q de=inida para cual:uier subconjunto no es -aditiva$ es
decir$ esta ,enerali-aci7n es e1cesiva. En cambio$ de=inamos AQ mediante
< AQ si para cual:uier R/ e1iste un conjunto elemental A tal :ue Q!<A#M .
<e puede mostrar :ue AQ es una -@l,ebra y Q es -aditiva sobre AQ. Esta claro :ue A AQ.
De todas las -al,ebras :ue contienen a A consideremos la menor y llamemosla B. Q es -aditiva
en B .A los conjuntos de B los llamamos conjuntos de 5orel. Q se llama medida de Lebes,ue. <e
puede demostrar :ue Q es la e1tensi7n 3nica de la medida de los rectan,ulos de=inida m@s arriba.
Finalmente$ Sc7mo se puede computar Q!<# para < B T. E1iste una secuencia de conjuntos
elementales An tal :ue Q!<An#M"6n. <e puede demostrar :ue lim
O
!An# = Q!<#.
Ejemlo El area debajo la parabola y?1
&
entre 1?/ y 1?" se encuentra como limite del area de
conjuntos elementales.
n
y=1
&

O
!An#= !"6n# !;6n#
&
= n!n+"#!&n+"#6*n
'
;?"
Q!<#= lim
O
!An#= "6'
" 1
Lo :ue >emos >ec>o para 9
&
se puede repetir para cual:uier n3mero de dimensiones.
Habiendo de=inido la medida de Lebes,ue en 9
&
podemos dar un ejemplo de ensayo aleatorio con
un espacio muestral in=inito ele,ir un punto al a-ar en un c8rculo.
= %!u$v# u
&
+v
&
9
&
+
De=inamos
P!A#=!A#69
&
Uemos :ue los si,uientes a1iomas se satis=acen !i# P!A#/ !ii# P!#=" !iii# <i A" $A& $A' $... son
disjuntos entonces P!A" +A& +A'+...#= P!Ai#.
Uemos :ue en este caso tiene sentido considerar una secuencia in=inita de eventos. Observamos :ue
A no puede ser cual:uier subconjunto de sino un conjunto medible. Esto su,iere el si,uiente
Sistema de Axiomas
Dado un conjunto !resultados de un ensayo aleatorio# y una G@l,ebra B de subconjuntos de
!=amilia de eventos#$ una =unci7n P en B se llama una probabilidad si y solo si satis=ace
!"# P!A#/
!&# P!#="
!'# <i An son mutualmente e1cluyentes P!An#= P!An#.
Observemos :ue !'# implica aditividad =inita. En e=ecto
= +/+/+... P!#=P!#+P!/#+P!/#+... P!/#=/
)
Procesos Estocasticos Nociones deProbabilidades
P!A" + A&# ? P!A" + A& + / + / +...#= P!A" #+P!A&#
!"# Desigualdad de Boole <i A" $ A& $...$ An $... es una secuencia de eventos entonces
P!Ai#P!Ai#
Demostraci7n
Ai = A" + A"
c
A& + A"
c
A&
c
A' + ... + A"
c
A&
c
... An"
c
An + ...
P!Ai# = P!A"# + P!A"
c
A&# + P!A"
c
A&
c
A'# + ... + P!A"
c
A&
c
... An"
c
An# + ...
P!Ai# P!A"# + P!A&# + P!A'# + ... + P!An# + ...
!&# %eorema de continuidad I <ea A" A& $...$ An $... Entonces P!Ai#? lim P!An#.
Demostraci7n
P!Ai#= P!A"# + P!A"
c
A&# + P!A"
c
A&
c
A'# + ... + P!A"
c
A&
c
... An"
c
An# + ...
Pero A"
c
A&
c
... An"
c
An = An"
c
An = AnAn". Adem@s$ P!AnAn" #= P!An#P!An"#. Usando esto
P!Ai#= lim !P!A"#+P!A&#P!A"#+...+P!An#P!An"##? lim P!An #
!'# %eorema de continuidad II <ea A" A& $...$An... <ea A=An . Entonces P!A#= lim
P!An#.
Demostraci7n
A"
c
A&
c
$...$ An
c
$... y A
c
= An
c
. Por el teorema anterior P!A
c
#= lim P!An
c
#="limP!An#
P!A#= limP!An#.
!(# &ema de Borel'(antelli I <ea A" $ A& $...$ An $... una secuencia de eventos . Llamemos


AQ= Ai

n?" i?n
AQ= Para todo n ocurre$ por lo menos$ uno de los eventos An $ An+" $ An+& $ ...
= In=inito de los eventos A" $ A& $...$ An $... ocurren.
Entonces P!AQ#?
lim
n
P !
A
i
i n =

#
Demostraci7n <e deduce directamente del teorema de continuidad II.
!(a# El si,uiente es un importante corolario de !(#.
<i
P A
i
i
! #
=

"
M entonces P!AQ#=/.
Demostraci7n
P !
A
i
i n =

#
P A
i
i n
! #
=

:ue tiende a / cuando n tiende a in=inito

Ejemlo 1
<ea un conjunto =inito de 5orel en 9
n
y !#R/. <ea B= % subconjuntos de 5orel de +. Para
A B de=inamos P!A#= !A#6!#. Obtenemos un espacio de probabilidades :ue describe el
e1perimento 2ele,ir un punto al a-ar en 4
Ejemlo 2
#. Consecuencias adicionales debidas al a1ioma de Gaditividad
$. Ejemplos ,eomDtricos de c@lculo de probabilidades
*
Procesos Estocasticos Nociones deProbabilidades
Elejir & puntos al a-ar en ./$t0.
= %!u$v# /ut$ /vt+ B= %subconjuntos de 5orel de +
P!A#= !A#6!#= !A#6t
&
A B
!a# <ea A el evento 2distancia entre los puntos 14
uv 1 uv 1 vu 1
El evento A est@ representado por la =ranja en la =i,ura. Por lo tanto
v
P!A#= ! t
&
!t1#
&
# 6 t
&
/1t t

A
1

1 t u
!b# Los puntos u y v dividen el se,mento ./$t0 en ' partes.
/ u v t

<ea 5 el evento 2se puede =ormar un tr8an,ulo con las ' partes4.
Advertimos :ue para =ormar un tr8an,ulo cual:uier lado debe ser menor :ue la suma de los otros.
Estas ' condiciones se e1presan para el caso uMv
u M tu v
vu M t!vu# t
tv M v
En el plano !u$v# estas ' condiciones est@n 5
representadas por el tr8an,ulo superior de la t6&
=i,ura. Un resultado simDtrico se obtiene para 5
vMu. Por lo tanto
P!5#? & !"6&# !t6&#
&
6 t
&
= V t6& t u
Ejercicio 1 Encontrar mas simples e1presiones de !a# !A+5#!A+5
c
#. !b# !A+5#!A
c
+5#!A+5
c
#.
!c# !A+5#!A+C#.
Ejercicio 2 <uponiendo :ue P!A#$P!5# y P!A5# son datos >allar P!A+5#$ P!A
c
+ 5
c
#$ P!A
c
#$
P!A5
c
#$ P!A
c
5#$ P!A5#.
Ejercicio ! <ea P!A#=P!5#=/.B. Hallar los posibles valores de P!A5#.
Ejercicio " Cual es la probabilidad :ue entre &r personas ele,idas al a-ar entre n parejas casadas
resulten e1actamente ; parejas casadas T
Ejercicio # N bolillas son distribuidas en n cajas. Hallar la probabilidad :ue e1actamente ; cajas
resulten vac8as.
Ejercicio $ Dos puntos se eli,en al a-ar en un se,mento de lon,itud t. Estos dividen el se,mento
en otros tres se,mentos. <ean " $ & $ ' sus lon,itudes. Encontrar
!a# P! i 1 # para i="$&$'
!b# P!ma1!"$&$'# 1#
!c# P!min!"$&$' # 1#
A
Procesos Estocasticos Nociones deProbabilidades
CAPITULO II
Uariable Aleatoria y Funci7n Distribuci7n
Tiramos un dado. Llamemos =n3mero de puntos obtenidos. <upon,amos :ue >ay & ju,adores A
y 5 y :ue A ,ana " peso si el resultado es par. Llamemos A= ,anancia neta de A. Finalmente$ sea
=
&
. El espacio muestral es =%+$ ="$&$...$*. Tenemos
" & ' ( ) *
" & ' ( ) *
A " " " " " "
5 " " " " " "
" ( W "* &) '*
$ A $ 5 y son ejemplos de 2variables aleatorias4 de=inidas en . Es decir$ una variable
aleatoria es una =unci7n real de=inida en . Dada una variable aleatoria$ escribiremos !# cuando
:ueramos poner de mani=iesto la relaci7n =uncional.
Consideremos el evento %A+ donde A es un conjunto de 9
"
. Es decir$ %A+ es el subconjunto
% !#A+
Esto ser@ un evento si pertenece a B del espacio de probabilidades !$B$P#. Como esto podr8a no
ser cierto debemos >acer adecuadas restricciones para :ue
% !#A+ B !Q#
No podemos permitir :ue A sea cual:uier conjunto de 9 a menos :ue sea =inito. <entamos la
Definicin
Una =unci7n real !# de=inida en el espacio muestral de un espacio de probabilidades !$B$P#
se llama una variable aleatoria real si para cada 19 % !#1+ B.
Ueremos m@s adelante :ue si !# es una variable aleatoria entonces la condici7n !Q# se veri=ica
para cual:uier A :ue pertene-ca a la menor Gal,ebra :ue contiene a los intervalos !conjuntos de
5orel#.
Ejemlo
<ea A+B un evento de un espacio de probabilidades. <u funcin indicadora A!#?" si A y
?/ en caso contrario. A es una variable aleatoria por:ue
si 1M/ %A1+? B.
si 1" %A1+? B
si /1M" %A1+?A
c
B
Ejemlo
Elejimos al a-ar un punto en el intervalo abierto !/$"#.
= % /MM"+
B= %conjuntos de 5orel de +
A B$ P!A#= medida de Lebes,ue de A.
!a# <ea !#=distancia de al ori,en$ es decir$ !#=. !# es una variable aleatoria por:ue
<i 1"$ % !#1+=B
<i 1/$ % !#1+=B
). Uariables Aleatorias
B
Procesos Estocasticos Nociones deProbabilidades
<i /M1M"$ % !#1+= !/$10 B
!b# Consideremos la e1pansi7n decimal de =n6"/
n
. !conven,amos en representar /."WWW...=/.&$
as8 la e1pansi7n es 3nica#. Consideremos n!#. Entonces n!# es una variable aleatoria por:ue
% n!#1+ es una union de intervalos.
Ejemlo
Ele,ir & puntos al a-ar en ./$t0.
=%!u$v# /ut$ /vt+
B= %conjuntos de 5orel de +
P!A#= !A#6t
&
donde !A# es la
medida de Lebes,ue de A.
De=inamos !#= uv.
Entonces el conjunto %!#1+B !ver =i,ura#
Ejemlo
Ele,ir un punto al a-ar en !/$"#. <ea C un conjunto no medible en !/$"#. De=inamos !#=" si
C y / en caso contrario. !# no es una variable aleatoria. En e=ecto$ %!#M X += C
c
B
<ea =() una variable aleatoria. La =unci7n
F!1#= P! 1#= P!: () 1#
se llama funcin distribucin de . Ueremos m@s adelante :ue F!1# contiene toda la in=ormaci7n
:ue interesa de $ es decir$ permite computar P!A# para todo conjunto de 5orel A.
Ejemlo
Tirar un dado. <ea ="$&$'$($)$*. Es decir$ !#=

F!1#
"

" & ' ( ) *
Ejemlo
Ele,ir un punto al a-ar en ./$"0. <ea la distancia al ori,en$ es decir$ !#=
Ejemlo
*. Funci7n Distribuci7n
W
t
1
"
1
v
u
1
F!1#
1
"
Procesos Estocasticos Nociones deProbabilidades
Ele,ir & puntos al a-ar en !/$"#. <ea la distancia entre ambos. F!1#= &11
&
para /1". F!1#=/
para 1M/ y F!1#=" para 1R"
F!1#
"
" 1
%eorema
<ea F!1# = P! 1# donde es una variable aleatoria de=inida en !$B,P#. Entonces
!"# lim F!1#= " cuando 1 y limF!1#=/ cuando 1.
!&# F!1# es no decreciente.
!'# F!1# es continua a la derec>a$ es decir$ F!1#=F!1+/#.
Demostraci7n
!"# Ele,ir una secuencia 1n. De=inir An= % R 1n+$ entonces A" A& ...An... Tenemos :ue
A=An?/. En e=ecto$ para cual:uier e1iste n tal :ue !#M1n An.
Por lo tanto$ por el teorema de continuidad lim P!An#= P!A#=/.
P!An#=P! R 1n#? "P! 1n#= "F!1n#/ F!1n#".
De manera similar se puede demostrar :ue F!1#/ cuando 1.
!&# <i 1My P!y#= P!1# + P!1My# P!1#
!'# <ea 1n1. De=inamos An=%1M1n+ A" A& ...An ... Entonces An=/ lim P!An#=/.
Pero P!An#=F!1n#F!1#/.Y
%eorema
!# es una variable aleatoria si cual:uiera de los si,uientes conjuntos pertenece a B para todo 1
!"# %1+ !&# %R1+ !'# %1+ !(# %M1+
(lase de funciones +ue son variables aleatorias.
I. <i es una variable aleatoria entonces +c es una variable aleatoria.
II. <i es una variable aleatoria entonces c es una variable aleatoria.
III. <i y son variables aleatorias entonces % M +B.
% M += % M r+%r M +B. !La union se reali-a sobre todos los racionales r#
IU. <i y son variables aleatorias entonces + y son variables aleatorias.
U. <i es una variable aleatoria entonces
&
es una variable aleatoria.
UI. <i y son variables aleatorias entonces es una variable aleatoria.
UII. <i P!1# es un polinomio entonces P!# es una variable aleatoria.
UIII. <i ,!1# 99 es continua entonces ,!# es una variable aleatoria.
%,!# M1+= % pertenece a un conjunto abierto de 9+. Un conjunto abierto es una union contable
de intervalos disjuntos lo :ue es un conjunto :ue pertenece a B.
IZ. ma1 ! $# y min! $# son variables aleatorias.
%ma1 ! $# 1+ = % 1+% 1+ B.
%min! $# 1+= % 1+% 1+ B.
Z. <i n es una sucesi7n de variables aleatorias y n!)(# e1iste entonces (# es una v.a.
,. Propiedades de las variables aleatorias
"/
Procesos Estocasticos Nociones deProbabilidades

% M 1+ = %n M 1"6;+ B.

;?" m?" n?m

Ejemlo
<ea una variable aleatoria. Para un entero positivo =ijo n de=inimos la variable n por la condici7n
:ue sea i,ual a j6n si j6n M !jK"#6n para cada j? ...&$ "$ /$ "$ &$...
Iueremos ver :ue la n asi de=inida es una variable aleatoria.
Llamemos Aj ? % j6n M!# !jK"#6n+. Como es una v.a. los Aj son eventos. La variable n
admite la representaci7n en serie
n ?j !j6n# Aj
Como cual:uier suma parcial de la serie es una v.a.$ la serie es una v.a. por el punto Z de arriba.
9ecordemos :ue P! = a#= F!a# F!a/#. E1isten & casos
!"# P! = a#= / F!1# es continua en 1=a
!&# P! = a#R / F!1# es discontinua en 1=a
%eorema
El conjunto de puntos de discontinuidad de una =unci7n distribuci7n F!1# es contable.
Demostraci7n
Para cada punto de discontinuidad consideremos el intervalo I

= !F!/#$ F!##. Entonces la

=amilia %I

+ son intervalos disjuntos contenidos en ./$"0. Esta =amilia es contable por:ue podemos
ele,ir un racional distinto en cada intervalo.
(aso continuo
<i para todo 1 P!=1#=/$ es decir$ F!1# es continua para todo 1 $ diremos :ue es una v.a.
continua.
(aso discreto
<ea D=%an+ el conjunto de puntos de discontinuidad de F!1#. <i P!=an# = " diremos :ue es
una v.a. discreta. anD
Nos re=erimos a los an como los valores posibles de . En este caso$ F!1# es una =unci7n escalera.
F!1#= P!=an#. <i escribimos pn= P!=an# podemos e1presar P!<#= pn.
an1 an<
-bservacin <i F!1# es una =unci7n distribuci7n cual:uiera se puede e1presar
F!1#=c"F"!1#+c&F&!1# donde F" es continua $ F& es discreta$ c"+c&=" y c" $c& /.
(aso absolutamente continuo
<ea I ? !1; $ y;# una union contable de intervalos disjuntos y !I#= !y;1;#. F!1# se llama
absolutamente continua si para cada >/ e1iste tal :ue F!y;#F!1;# M si !I#M . Esto se

1
veri=ica si y solo si F!1# tiene una derivada =!1# tal :ue
=!1#d1 = " y F!1#=

=!1#d1.
En este caso la =!1# se llama =unci7n densidad.
<i < es un conjunto de 5orel

P!<#= < =!1#d1 =

<!1# =!1#d1 donde <!1# es la =unci7n caracter8stica de <. En particular$

b
P!aMb#= a =!1#d1
Ejemlo
1.. Clasi=icaci7n de =unciones de distribuci7n
""
Procesos Estocasticos Nociones deProbabilidades
Un punto se eli,e al a-ar en !/$"# entonces F!1#? 1 si /1"$ F!1#=/ si 1M/$ F!1#=" si 1R". De
donde =!1#=" si /M1M"$ =!1#=/ si 1M/ o 1R".
(aso Singular
<i F!1# es una =unci7n distribuci7n continua tal :ue FP!1#=/ salvo un conjunto de medida cero$ se
llama sin,ular. <e puede demostrar :ue cual:uier =unci7n de distribuci7n continua puede
e1presarse
F!1#=c"F"!1#+c&F&!1# donde F" es abs. continua $ F& es sin,ular$ c"+c&=" y c" $c& /
Ejemlos de distribucin discreta
!"# Distribucin Binomial
<e e1traen m bolas con reempla-o de una caja :ue contiene a bolas blancas y b bolas ne,ras. <ea
m= n3mero de bolas blancas obtenidas. Posibles valores /$"$&$...$m.
P!m=;#= C!m$;# p
;
:
m;
!p=a6a+b y :=b6a+b#
Decimos :ue m tiene una distribuci7n de 5ernoulli con parametros m y p.
!&# Distribucin /eom0trica
De la misma caja e1traemos bolas con reempla-o >asta encontrar una bola blanca. <ea
= n3mero de ensayos re:ueridos >asta :ue aparece una bola blanca. Posibles valores "$&$'$...
P!=;#= p:
;"
Decimos :ue tiene una distribucin de Pascal !o ,eomDtrica# con parametro p.
!'# Distribucin 1iergeom0trica
Una caja contiene a bolas blancas y b bolas ne,ras. <e e1traen al a-ar n bolas. <ea
= n3mero de bolas blancas obtenidas.
P! =;#= C!a$;# C!b$n;# 6C!a+b$n#
Decimos :ue tiene una distribuci7n >iper,eometrica con parametros a$b y n.
Observamos :ue C!a$;#C!b$n;# = C!a+b$n# donde la suma se >ace para ;=/$"$&$...$a.

!(# Distribucin de Poisson
Una variable aleatoria cuya distribuci7n esta dada por P! =;#= e
a
a
;
6 ;E !;=/$"$&$...# se
dice :ue tiene una distribuci7n de Poisson con parametro a !R/#.
Ejemlos de distribucin continua
!"# Distribucin uniforme
Ele,ir un punto al a-ar en el intervalo !a$b#.
/ si 1Ma / si 1Ma
P!1#= !1a#6!ba# si a1b =!1#= "6!ba# si aM1Mb
" si 1Rb / si 1Rb
Decimos :ue tiene una distribuci7n uni=orme en !a$b#
!&# Distribucin exonencial
Consideremos una variable aleatoria para la cual
" e
1
si 1R/ e
1
si 1R/
P!1#= =!1#=
/ si 1/ / si 1M/
Decimos :ue tiene una distribuci7n e1ponencial con par@metro !R/#.
-bservacin

Cual:uier =unci7n =!1# no ne,ativa y tal :ue

=!1#d1 =1 puede servir como =unci7n densidad.

"&
Procesos Estocasticos Nociones deProbabilidades
Introducimos a continuaci7n ' casos de interDs.
!'# Distribucin gamma
La si,uiente inte,ral conver,ente de=ine la =unci7n ,amma
!a#=
/

e
1
1
a"
d1 !aR/#.
Observamos :ue !"#=". Adem@s$ inte,rando por partes obtenemos !a#= !a"# !a"# para aR".
De donde se tiene para a entero positivo !a#= !a"#!a&#...&."= !a"#E
De=inamos para aR/
e
1
1
a"
6!a# si 1R/ 1
,a!1#= Na!1#= / ,a!1#d1
/ si 1/
<i P!1#= Na!1# decimos :ue tiene una distribuci7n ,amma con parametro a !R/#.
Observemos :ue para a?" tenemos una distribuci7n e1ponencial.
!(# Distribucin normal
Consideremos la =unci7n
!1#= !&#
X
e1p !1
&
6&#
"
&
"
&
&

e
1

Costramos primero :ue !1# es una =unci7n densidad. <ea I? ! # 1 d1

. Costramos :ue I
&
=
".
I
&
= !"6&# e1p !1
&
6&# d1 e1p !y
&
6&# dy = !"6&# e1p!!1
&
+y
&
#6&# d1dy
Introducimos coordenadas polares 1=r cos $ y=rsen obtenemos
& &
I
&
= !"6&# / / e1p!r
&
6&# r drd = !"6&# / d / e1p!r
&
6&# r dr ? e1p!r
&
6&#/ = "
A>ora de=inamos
1
!1# ?

!1#d1
<i P!1#= !1# decimos :ue tiene una distribuci7n normal.
Cas ,eneralmente = + a !R/# tambien se dice :ue tiene una distribuci7n normal con
par@metros a y
&
y usaremos la notaci7n N!a$
&
#. La =unci7n distribuci7n de es
P! + a1# = P!!1a#6#= !!1a#6# y la correspondiente =unci7n densidad resulta
!"6#!!1a#6#?
"
&
"
&
&
&

e
1 a

! #
!)# Distribucin de (auc12
Consideremos la =unci7n =!1#= !"6#!"+1
&
#
"
F!1#= ? = 1 d1
1
! #

= X + !"6#arct,t 1
<i P! 1#= F!1# decimos :ue tiene una distribuci7n de Cauc>y. Tambien decimos :ue =a+b
tiene una distribuci7n de Cauc>y con parametros a y b.
P!1#= P! !1b#6a#? X + !"6# arct,t !1b#6a.
Ejercicio 1
La variable tiene una distribuci7n uni=orme en !/$&#. Encontrar la =unci7n distribuci7n y la
=unci7n densidad de
!a# = cos
!b# = sen
!c# = t,t
Ejercicio 2
"'
Procesos Estocasticos Nociones deProbabilidades
<ea P!1# = F!1# una =unci7n distribuci7n continua. Hallar N!1# = P!1# donde !a# = F!#
!b# = . F!# 0
&
!c# = F!# ." F!#0
Ejercicio !
<upon,amos :ue tiene una distribuci7n uni=orme en el intervalo !/$"#. Hallar la =unci7n
distribuci7n y la =unci7n densidad de = lo, .
CAPITULO III
Esperan-a
Consideremos un e1perimento en el cual se observa una variable aleatoria . 9epitamos el
e1perimento n veces y observemos los valores cada ve- 1"$1&$...$1n. Consideremos el promedio
pn = !1"+1&+...+1n#6n. Cuando n pn =luctuar@ alrededor de un cierto n3mero :ue llamamos la
esperan-a de la variable aleatoria. Por ejemplo$ si el e1perimento consiste en tirar un dado la
esperan-a es '.).
<ea %aj+ el conjunto de los posibles valores y llamemos P!=aj#=pj $ pj=". 9epitamos el
e1perimento n veces y llamemos
nj= n3mero de ocurrencias de aj $ nj=n.Tenemos
!1"+1&+...+1n#6n = aj !nj 6n#
!nj 6n# =luctura alrededor de pj de manera :ue el promedio =luct3a alrededor de aj pj .
Definicin
<ea %an+ una sucesion de numeros reales !o una sucesion =inita#. <ea %An+ una partici7n de en
eventos. Consideremos una variable discreta de=inida por
? n anAn !"#
De=inimos la esperanza de mediante
E!#?n an P%An+ !&#
<upuesto :ue la serie sea absolutamente conver,ente. <i la serie no conver,e absolutamente
decimos :ue la esperan-a no e1iste.
-bservaciones
"# <i los an son distintos podemos escribir E!#?n an P%?an+
&# Para la =unci7n indicadora de un evento A tenemos E%A+?P%A+
'# <i ,!1# es una =unci7n real tenemos :ue ,!#?n ,!an # P%An+. En particular
E% +? n an P%An+.
Aclaracin
Una misma =unci7n puede tener dos representaciones$ es decir$
n anAn ? n bn5n !'#
Para :ue la de=inici7n de esperan-a :ue >emos dado no sea ambi,ua$ veri=icamos :ue ambas
representaciones conducen al mismo resultado. Es decir$ tenemos :ue mostrar las si,uientes sumas
dan el mismo resultado
n an P%An+? n ; an P%An5;+
; b; P%5;+? ; n b; P%5;An+
A>ora$ an y b; es el valor de !# cuando An5; por lo :ue an ? b; si An5;. Por lo tanto si
P%An5;+R/ el termino correspondiente de ambas sumas dobles deben ser i,uales.
Ejemlo 1
<e tira un dado. La esperan-a es "6* !"+&+'+(+)+*#= '.)
Ejemlo 2
Cada una de m cajas tiene a bolas blancas y b bolas ne,ras. <e e1trae una bola de cada caja. <ea
11. Esperan-a de una variable aleatoria discreta
"(
Procesos Estocasticos Nociones deProbabilidades
= n3mero de bolas blancas. p;= C!m$;# p
;
:
m;
!p=a6a+b y :="p#.
m
E!#= ; C!m$;# p
;
:
m;

;?/
Observemos :ue si ;R/$ C!m$;#= !m6;#C!m"$;"#. As8 :ue ;C!m$;#? mC!m"$;"#.Por lo tanto
m
E!#= mp C!m"$;"# p
;"
:
m;
= mp !p+:#
m"
= mp
;?"
Ejemlo !
<upon,amos :ue P!=;#= p:
;"
!;="$&$'$...#. /MpM" y :="p.


E!#= p ;:
;"

;?"
Llamemos <= "+&:+':
&
+...
<:= :+&:
&
+...
<!":#= "+:+:
&
+... = "6!":# <= "6!":#
&
? "6p
&
. Por lo tanto
E!#= "6p
Ejemlo "
<upon,amos :ue ten,a una distribuci7n uni=orme en el intervalo !/$"0. <ea = ."60= parte entera
de "6. Entonces
P!=;#= P!; "6 <;+"#= P! "6!;+"# < "6;#= "6;!;K"#


E!#= ;6;!;+"#= "6!;+"#=

;?" ;?"
Por lo tanto la esperan-a de no es =inita.
En el mismo ejemplo sea a>ora = ."60 !"#
."60
!="$ &$ '$ ($...#
E!#= !"#
;
; 6 ;!;+"# = !"#
;
6 !;+"# = la serie depende del orden de la suma.
Tenemos :ue
!/# E!a#= a !donde a es un real#
!"# &inealidad <i E!# y E!# e1isten y a y b son reales
E!a K b# ? aE!# K bE!#
!&# 3onotonia <i E!# y E!# e1isten
E!# E!#
!'# 4orma <i E!# e1iste
E!# E! #.
Para veri=icar le e1istencia de la esperan-a importa seJalar :ue de la de=inici7n sur,e :ue E!#
e1iste si y solo si E! # e1iste. Adem@s$ es =@cil veri=icar :ue si y E!# e1iste entonces E!#
e1iste. En particular$ si C !cte.# entonces E!# e1iste.
Ueri=icamos :ue si y tienen esperan-a !"# K tiene esperan-a !&# E! K #? E!# KE! #
<ean an los distintos valores y b; los distintos valores de y sean An?%?an+y 5;?%?b;+
entonces es v@lida la si,uiente representaci7n
K ? n ; !an K b;# An 5;
Tenemos
12. Propiedades de la esperan-a
")
Procesos Estocasticos Nociones deProbabilidades
n ; an K b;P!An5;# n; !an Kb;# P!An5;# ? nanP!An# K ;b;P!5;#
Esto muestra $:ue si y tienen esperan-a entonces E! K# es =inita. Por otra parte$
E!K# ? n ; !an K b;#P!An5;# ?nanP!An# K ;b;P!5;#? E!# KE! #
Ejemlo
Cada una de m cajas contiene a bolas blancas y b bolas ne,ras. Tomamos una bola de cada caja.
<ea m= numero de bolas blancas. En un ejemplo anterior >emos mostrado :ue E!m#= mp.
Derivamos este resultado de otra manera. De=inamos las variables indicadoras
i = " si la bola e1tra8da de la caja i es blanca.
= / en caso contrario.
Entonces
P!i ="#= a!a+b#
m"
6 !a+b#
m
= a6!a+b#= p P!i =/#=:
Por lo tanto
E!i#= " p + / : = p
A>ora
m= " + & +...+ m. Aplicando !A# E!m#= m E!i#= mp
Ejemlo
Una caja contiene m tarjetas numeradas de " a m. E1traemos sucesivamente las m tarjetas.
Decimos :ue se produce una coincidencia si la tarjeta i se obtiene en la e1tracci7n i. <ea
m= n3mero de coincidencias. Entonces
m= " + & +...+ m donde i = " si >ay una coincidencia en la e1tracci7n i y = / en caso
contrario.
Tenemos :ue P!i="#= !m"#E6mE= "6m E!i#= "6m E!m#= " !independiente de mEE#
Consideremos a>ora la variable m
&
.
m
&
= "
&
+...+ m
&
+ " & +...+ m" m
E!i
&
#? "
&
!"6m# + /
&
!"!"6m## = "6m
Para ij tenemos E!i j #= " P!i j ="#= P!i ="$ j ="#= !m&#E6mE= "6m!mG"#.
E!m
&
#= m !"6m# + m!m"#6m!m"#= &
<ea una variable aleatoria. De=inamos n=j6n si j6nM!j+"#6n. n es una variable aleatoria discreta
con posibles valores /$ "6n$ &6n$... y P!n=j6n#=P!j6n M !j+"#6n#= F!!j+"#6n# F!j6n#. n es una
apro1imaci7n de y observemos :ue
/M n "6n.
Definicin E!#= lim E!n# cuando n.
El si,uiente teorema le da sentido a esta de=inici7n.
%eorema
<i E!n# e1iste para al,3n n entonces e1iste para cual:uier n y E!n# tiende a un l8mite =inito.
Demostraci7n
Tenemos :ue /Mm"6m y /Mn"6n nm ". En virtud de la acotaci7n nm tiene
esperan-a. A>ora n= m + !nm#. Por lo tanto si e1iste la esperan-a de m tambiDn e1iste la
esperan-a de n.
En este caso mostramos :ue E!n# es una sucesi7n de Cauc>y. Tenemos
nm "6m si nm
E!nm# E! nm#"6m E!n#E!m# "6m si nmY
Observemos :ue si E!n# no e1iste para al,un n entonces no e1iste para nin,un n. En este caso$
decimos :ue E!# no e1iste.
%eorema
1!. Esperan-a de una variable aleatoria ,eneral
"*
Procesos Estocasticos Nociones deProbabilidades
La nueva de=inici7n de esperan-a :ue >emos dado es consistente con el caso discreto.
Demostraci7n
<ea una variable discreta para la cual e1iste E!#. Como antes tenemos /Mn"6n. Por lo tanto$
n tiene esperan-a y como n=!n# resulta :ue E!n# e1iste. Pero entonces /E!#E!n#"6n
lo :ue implica E!n#E!#.Y
Las propiedades :ue >emos seJalado para la esperan-a de variables aleatorias discretas son
tambien v@lidas para el caso ,eneral como puede veri=icarse. Nos limitaremos a veri=icar la
si,uiente
%eorema
<i E!# y E!# e1isten entonces E!+# e1iste y E!+#= E!#+E!#.
Demostraci7n
Llamemos =+ y de=inamos n= j6n si j6nM!j+"#6n. En =orma similar de=inimos n y n.
Observemos :ue por nuestra de=inici7n de esperan-a E!n#E!# y E!n#E!#.Por otra parte
tenemos las si,uiente desi,ualdad /Mn"6n y similares para y . <umemos las desi,ualdades
"6n n M /
/ M n "6n
/ M n "6n
<e obtiene la desi,ualdad "6n n !n+n# &6n !Q#
Tenemos :ue n= !n+n# + !n !n+n##. El primer sumando tiene esperan-a por >ip7tesis y el
se,undo tiene esperan-a por:ue es una variable discreta acotada por !Q#. En consecuencia$ n tiene
esperan-a y E!n#E!#. Finalmente considerando la esperan-a de la variable acotada en !Q# y
>aciendo tender n a in=inito :ueda demostrado :ue E!#= E!#+E!#.Y
5eresentacin de la eseran6a mediante una integral 1
Consideraremos primero el caso absolutamente continuo. <ea P!1#=F!1#= =!1#d1

%eorema
E!# e1iste si y solo si 1 =!1# d1 M . En este caso E!#= 1 =!1# d1.
Demostraci7n
Nuevamente sea n la variable apro1imada de=inida m@s arriba. Tenemos

!j+"#6n !j+"#6n
E! n# = j6n P!n=j6n# = j6n =!1#d1 !1 + "6n# =!1# d1 = 1=!1#d1 + "6n

j? j? j 6n j? j6n
Usando "6n en lu,ar de "6n obtenemos la desi,ualdad inversa E! n# 1=!1#d1 "6n.
Concluimos :ue E! n# e1iste se,un sea o no conver,ente 1=!1#d1.
<uponiendo :ue e1iste E! n# y$ por lo tanto$ E!n# tenemos
!j+"#6n !j+"#6n
E!n#= j6n =!1#d1 1 =!1# d1 = 1 =!1#d1
j? j 6n j? j6n
!j+"#6n
E!n# !!1!"6n## =!1# d1 = 1 =!1#d1 "6n
j? j 6n
Por lo tanto$ E!n# 1 =!1#d1. Y
Ejemlo
<e eli,e un punto al a-ar en el intervalo ./$t0. =!1#= "6t.
t
E!#= 1=!1#d1=1!"6t#d1= t6&

/
Ejemlo
"A
Procesos Estocasticos Nociones deProbabilidades
tiene una distribuci7n normal. !1#= e1p!1
&
6&# 6 !&#
"6&

E!#= 1!1# d1 = / !1!1# es una =unci7n impar#

Ejemlo
tiene una distribuci7n de Cauc>y. =!1#= !"6#!"6!"+1
&
##

1=!1#d1= !&6# 16!"+1
&
# d1 = . Por lo tanto$ la esperan-a no e1iste.
/
Para e1presar la esperan-a de cual:uier variable aleatoria introduciremos la inte,ral de <tieltjes.
<upon,amos :ue ,!1# y >!1# est@n de=inidas en .a$b0. <ea a=1oM1"M1&M ...M1n=b una partici7n P de
.a$b0. Llamemos norma de P a N!P#= ma1 % 1"1/ $ 1&1" $...$ 1n1n" +. <i e1iste el l8mite
n
lim ,!1iQ# .>!1i#>!1i"#0 donde 1i" 1iQ 1i
N!P#/ i?"
decimos :ue ,!1# es inte,rable con respecto a >!1# en el intervalo .a$b0. Al l8mite lo escribimos
b
I= ,!1# d>!1#

a
y lo llamamos inte,ral de <tieltjes. <e demuestra :ue si ,!1# es continua y >!1# es de variaci7n
acotada entonces I e1iste. !Una =unci7n es de variaci7n acotada si y s7lo si es la di=erencia de &
=unciones no decrecientes#.
Ejemlo
<upon,amos :ue >!1# es constante a tramos con saltos %pi+ en los puntos %ai+. Entonces si >!1# es
continua a la derec>a
b
,!1# d>!1#= ,!ai#pi donde la sumatoria se e1tiende a los ai tales :ue aMaib.
a

Ejemlo 1
<upon,amos :ue ,!1# es continua y H!1#= a >!1#d1 para a1b entonces
b b
,!1# dH!1#= ,!1# >!1# d1
a a
b b
<i ,!1# d>!1# e1iste para cual:uier intervalo y lim e1iste cuando a y b entonces

a

a
escribimos ,!1# d>!1#

La inte,ral de <tieltjes tiene propiedades similares a la inte,ral de 9iemann. Por ejemplo

b b
,!1#dH!1#= ,!b#H!b#,!a#H!a# + H!1#d,!1#
a a
Habiendo introducido la inte,ral de <tieltjes podemos e1presar la esperan-a de cual:uier variable
aleatoria mediante una inte,ral
%eorema

<i P!1#? F!1# y 1dF!1# M entonces E!# e1iste y E!#= 1 dF!1#. <i 1dF!1# =
1". Inte,ral de <tieltjes
"B
Procesos Estocasticos Nociones deProbabilidades

entonces E!# no e1iste.

La demostraci7n es similar al caso de F absolutamente continua.Y
Por supuesto esta de=inici7n ,eneral se reduce en el caso discreto y abs. continuo a las de=iniciones
dadas anteriormente.
Finalmente seJalemos :ue si ,!1# es continua y = ,!# con P!1#= F!1# no necesitamos >allar la
distribuci7n de para calcular su esperan-a por:ue se tiene
E!#= ,!1# dF!1# supuesto :ue ,!1# d1 M .
%eorema 7Desigualdad de 3ar8ov9
<i / y E!# e1iste entonces P! a# E!#6a para cual:uier aR/
Demostraci7n
<ea A la =unci7n indicadora del evento% a+ . Entonces /a /E!a#E!#
aE!#E!# aP!a#E!#Y
Ejemlo
Una caja contiene m tarjetas numeradas de " a m. <acamos sucesivamente las m tarjetas y decimos
:ue >ay una coincidencia en la e1tracci7n i si aparece la tarjeta i. <ea m el n3mero de
coincidencias. Hemos visto :ue E!m#= ". Concluimos :ue P!ma#"6a.
Definicin
C;= E!
;
# se llama momento de orden k de la variable aleatoria .
Observemos :ue si e1iste C; entonces e1iste Cj para /j; por:ue
j
"+
;
si /j;.
<upon,amos :ue m=E!# e1ista entonces m es una nueva variable aleatoria.
Definicin
<i E!!m#
;
# e1iste se lo llama momento central de orden k de .
Definicin
El momento central de se,undo orden se llama varianza. <e lo denota por
&
Uar !# = E!!m#
&
# = E!
&
# !E!##
&
Definicin
!Uar!##
"6&
= se llama desvo standard.
es una medida de la 2dispersi7n4 de la variable aleatoria como ilustra el si,uiente teorema.
La desi,ualdad de Car;ov puede ajustarse cuando e1iste el momento de se,undo orden
%eorema 7Desigualdad de (1eb2s1ev9
<upon,amos :ue
&
e1ista y sea m=E!#. Entonces P! m # "6
&
para cual:uier R/.
Demostraci7n
P! m #= P! !m#
&

&

&
#. Esta probabilidad$ por la desi,ualdad de Car;ov$ es menor o
i,ual :ue E!!m#
&
#6
&

&
= "6
&
.Y
Ejemlo
Uolvemos al 3ltimo ejemplo. Hemos visto :ue E!n#=" y E!n
&
#=&Uar!n#= &"
&
= ". La
desi,ualdad de C>ebys>ev resulta P! n" # "6
&
. <i R" tenemos P!n "+# "6
&
. En
1#. Comentos
"W
Procesos Estocasticos Nociones deProbabilidades
cambio la desi,ualdad de Car;ov da P!n "+# "6!"+#. <e observa :ue la desi,ualdad de
C>ebys>ev es m@s estricta :ue la de Car;ov para &.
<i P!=c#=" entonces E!#=c$ E!
&
#=c
&
Uar!#=/. La inversa es tambien cierta.
%eorema
<i Uar!#=/ entonces P!= const#= ".
Demostraci7n
Primero mostramos :ue si / y E!#=/ entonces P!=/#=".
Por la desi,ualdad de Car;ov P!a#=/ para cual:uier aR/.
% R/ + = % "6n + donde la uni7n se >ace para n="$&$'$... Por la desi,ualdad de 5oole
P!R/# P!"6n# = / P!=/#=".
<ea a>ora Uar!#=/ o sea E!!m#
&
#=/ P!!m#
&
=/#=" o sea P!=m#=". Y
Ejemlo
tiene una distribuci7n uni=orme en !/$t#. Entonces
E!
;
#=
/
t

1
;
"6t d1 = t
;
6!;+"#
Por lo tanto$ E!#= t6&$ E!
&
#= t
&
6'$ Uar!#= t
&
6"&$ = t6&' P! t6& t6&' # "6
&
!

R/#.
Ejemlo
P!=;#= C!m$;# p
;
:
m;
!;=/$"$&$...$m# !/MpM"$ :="p#.
Hemos visto :ue E!#= mp. Uar!#= !;mp#
&
C!m$;#p
;
:
m;
= mp:. Costramos m@s adelante este
resultado. Aplicando la desi,ualdad de C>ebys>ev P! mp !mp:#
"6&
#"6
&
.
Por ejemplo$ sea = n3mero de caras al arrojar m veces una moneda
P! m6& !6&#m
"6&
#"6
&
.
%eorema
Uar!a+b#= a
&
Uar!#
La demostraci7n es obvia
<ea E!#=m y Uar!#=
&
R/
Definicin
!m#6 se llama variable standarizada.
En virtud de la desi,ualdad &
&
+
&
si e1isten E!
&
# y E!
&
# tambiDn e1iste E!#.
Adem@s$ observemos :ue e1iste Uar!# si y solo si e1iste E!
&
#
Definicin
<upon,amos :ue Uar!#M y Uar!#M. Llamamos covarianza de y a
Cov!$#= E!!m"#!m&## donde m"=E!# y m&=E!#.
Observemos :ue Cov! $#= E!#E!#E!#.
:arian6a de una suma de variables aleatorias
<upon,amos :ue " $ & $ ... $ n ten,an varian-as =initas entonces podemos e1presar la varian-a de
la suma de la si,uiente manera
Uar!" + &+ ... + n#= E! . !"m"#+...+!nmn# 0
&
#= E! !imi#
&
+ & !imi#!jmj# #
Uar!" + &+ ... + n#=
i
n
=

"
Uar !i# + &
i j <

Cov!i $ j#
&/
Procesos Estocasticos Nociones deProbabilidades
En esta secci7n supondremos :ue es una variable aleatoria con valores posibles /$"$&$... y
escribiremos p;?P!?;#.
-

es una variable aleatoria compleja para cada - =ijo complejo. Consideremos
E!-

# =
;=

/
p; -
;
. Observemos :ue si - " -

" por lo cual E!-

# e1iste para - ".
Definicin
N!-# =
;=

/
p; -
;
para - " se llama funcin generatriz de .
La =unci7n N!-# es anal8tica para -M" de manera :ue podemos obtener las derivadas de todos los
ordenes derivando la serie de potencias :ue la de=ine. As8 encontramos
N
!j#
!-# =
; j =

p; ;!;"#...!;j+"# -
;j
!-M"# !Q#
La N!-# determina la distribuci7n de univocamente. En e=ecto$ tenemos
N
!j#
!/# = pj jE pj ? N
!j#
!/# 6 jE !jR"# !p/ = N!/##
Ejercicio 1
<ea P!=;#= C!a$;#C!b$n;#6C!a+b$n# para ;=/$"$&$...$a. Hallar la E!#.
Ejercicio 2
Una caja contiene m tarjetas numeradas "$&$...$m. <acamos r tarjetas simult@neamente. <ea el
n3mero m@s ,rande obtenido. Hallar la E!#.
Ejercicio !
N bolas se distribuyen al a-ar entre n cajas. Encontrar la esperan-a y la varian-a del n3mero de
cajas vac8as.
Ejercicio " 1
<upon,amos :ue P!1#= !"6!a## e
u
u
a"
du para 1R/. Hallar la E!
n
# para n="$&$'$...
Ejercicio #
<ea P!1# = !1# =
"
&
&
&

e
u
1
du

6
. Hallar E! # y Uar!#.
Ejercicio $
<ea la distancia de & puntos tomados al a-ar en !/$t#. Hallar E!# y Uar!#.
Ejercicio )
<ea P%?;+? e
a
a
;
6 ;E !;?/$"$&$...#. Hallar E!#$ Uar!# y
E
r

r?/$"$&$...
CAPITULO IU
Independencia
<ea !$B$P# un espacio de probabilidades y sean A y 5 dos eventos del mismo. <upon,amos :ue
repetimos el ensayo aleatorio n veces . <ea ;A el n3mero de veces :ue aparece A y de=inamos
similarmente ;5 y ;A5. Entonces
;A 6n P!A#$ ;5 6n P!5# y ;A5 6n P!A5#
1). Funcion Neneratri-
1*. Probabilidad condicional
&"
Procesos Estocasticos Nociones deProbabilidades
A>ora considDrese ;A5 6 ;A = =recuencia de 5 entre los ensayos en :ue A ocurri7.
Observamos :ue ;A5 6 ;A = !;A5 6n# 6 !;A 6n# P!A5# 6 P!A#
Definicin
<i P!A#/ de=inimos P!5A# = P!A5# 6 P!A# y llamamos a P!5A# la probabilidad de B dado A.
Ejercicio 21.1
Cada una de n cajas contiene a bolas blancas y b bolas ne,ras. <e toma una bola de la primera caja
y se la trans=iere a la se,unda$ lue,o se toma una de la se,unda y se la trans=iere a la tercera$ etc.
Finalmente una bola se e1trae de la 3ltima caja. Cual es la probabilidad de :ue sea blanca T
Ejemlos
719 Una caja contiene a bolas blancas y b ne,ras. <e e1traen sucesivamente & bolas.
A" = 2Primera bola es blanca4.
A& = 2<e,unda bola es blanca4.
P!A&A"# = P!A" A& #6P!A"# ? .a!a"# 6 !a+b#!a+b"#0 6 .a!a+b"# 6 !a+b#!a+b"#0 = !a"#6!a+b"#
729 & puntos se eli,en al a-ar en el intervalo !/$t#. Iuedan determinados ' se,mentos.
C=2Un tr8an,ulo puede =ormarse con los se,mentos4.
[a >emos computado P!C# = V .
A=2 Los puntos pertenecen a di=erentes mitades de !/$t#4 C A
P!A# = X
C A
P!CA# = P!AC#6P!A# = P!C#6P!A# = X
7!9 ConsidDrese las =amilias :ue tiene & >ijos !U=varon$ C=mujer#. <uponemos :ue las (
combinaciones !UC#$ !UU#$ !CU#$ !CC# son i,ualmente probables. <ea
A = 2La =amilia tiene un var7n4. A = %UU$UC$CU+
5 =2Ambos son varones4. 5 = %UU+ A5 = %UU+
P!5A# = P!A5#6P!A# = V 6 \ = "6'
De la de=inici7n
Acordamos :ue el se,undo miembro es nulo si P!A#=/ aun cuando P!5A# no estD de=inido.
Por inducci7n resulta :ue
P!A" A & ... A n # = P!A"# P!A&A"# P!A'A"A& # ... P!AnA"A& ... An" #
Por ejemplo
P!A"# P!A&A"# P!A'A"A& # = P!A"# .P!A"A&#6P!A"#0 .P!A"A&A'#6P!A"A&#0 ? P!A"A&A'#
%eorema de robabilidad total
<ea A" $ A& $ ... $ A; $ ... un sistema completo de eventos ! Ai Aj = / !ij# y Ai ? #. <ea 5
cual:uier evento entonces
Esto se ve advirtiendo :ue 5 = 5 = ; A; 5
P!A5# = P!A#P!5A#
P!5# = ; P!A;# P!5A;#
&&
Procesos Estocasticos Nociones deProbabilidades
Ejemlo
Tenemos m+" cajas. La primera tiene / bolas blancas y m bolas ne,ras. La se,unda tiene una bola
blanca y m" ne,ras$...$ la caja m+" tiene m bolas blancas. <e elije una caja al a-ar y se e1traen con
reposici7n n bolas. Cual es la probabilidad de obtener ; bolas blancas T
Llamemos
Ai =2 <e elije la caja i4 !i= /$"$&$...$m#
5 = 2<e obtienen ; bolas blancas y n; ne,ras4.
P!Ai # = "6!m+"#
P!5Ai # = C!n$;# pi
;
:i
n;
!pi=i6m$ :i ="pi#
m m
P!5# = P!Ai# P!5Ai# = .C!n$;#6!m+"#0 pi
;
:i
n;

i?/ i?/
;rmula de Ba2es
Los mismos supuestos :ue en el teorema de probabilidad total m@s P!5#R/.
P!Ai5 # = P!Ai5# 6 P!5# = .P!Ai#P!5Ai#0 6 . ; P!A;# P!5A;# 0
Ejemlo
El mismo ejemplo :ue el anterior pero aca buscamos la probabilidad :ue la caja i >aya sido la
ele,ida dado :ue se >a observado :ue se >an e1tra8do ; bolas blancas !y n; ne,ras#.
n
P!Ai5# =. !"6!m+"## C!n$;# pi
;
:i
n;
0 < . !"6!m+"## C!n$;# pj
;
:j
n;
0 =

j?/
= pi :i 6 j pj :j
Es interesante comparar P!Ai# con P!Ai5#. P!Ai# se llama probabilidad 2a riori4 y P!Ai5# se
llama probabilidad 2a osteriori4. En el ,ra=ico adjunto se comparan ambas para el caso
m="/$ n="/$ ;=).
/ " & ' ( ) * A B W "/
P!Ai# ./W/W ./W/W ./W/W ./W/W ./W/W ./W/W ./W/W ./W/W ./W/W ./W/W ./W/W
P!Ai5# .//// .//"* ./&W" .""'& .&&/A .&A/A .&&/A .""'& ./&W" .//"* .////
Ejemlo !Laplace#
Uolvemos al ejemplo anterior. <e elije al a-ar una caja. De la caja ele,ida se e1traen con reempla-o
n bolas. Iueremos la probabilidad :ue las n bolas sean blancas dado :ue las primeras n" son
blancas.
<ea 5n = las primeras n bolas son blancas.
m m "
P!5n# = !"6!m+"## pi
n
= !"6!m+"## !i6m#
n
1
n
d1 = "6!n+"#

i?/ i?/ /
Observemos :ue 5n5n" por lo :ue P!5n5n"#? P!5n#. 9esulta
P!5n5n"# = P!5n# 6 P!5n"# n6!n+"#
&'
Procesos Estocasticos Nociones deProbabilidades
-0.05
0
0.05
0.1
0.15
0.2
0.25
0.3
0 2 4 6 8 10
A y 5 son & eventos de un espacio de probabilidades !$B$P#. <i P!A# ? P!A5# es natural decir
:ue A no depende de 5. En este caso P!A# = P!A5# 6 P!5# P!A5# = P!A# P!5#.
Definicin
A y 5 los llamamos independientes cuando P!A5# = P!A#P!5#.
Ejemlo
Una caja contiene a bolas blancas y b ne,ras. <acamos sucesivamente & bolas.
A=2La primera es blanca4. 5=2La se,unda es blanca4.
!i# Con reempla-o
P!A5# = a a 6 !a+b#!a+b# P!A# = a!a+b#6!a+b#
&
P!5# = !a+b#a6!a+b#
&
Por lo tanto A y 5 son independientes.
!ii# <in reempla-o
P!A5# = a!a"# 6 !a+b#!a+b"# P!A# = a!a+b"# 6 !a+b#!a+b"# = a 6 !a+b#
P!5# ? .a!a"#+ba0 6 !a+b#!a+b"# = a6!a+b#
Por lo tanto$ A y 5 no son independientes.
Ejemlo
Consideremos una =amilia con ' >ijos. 9epresentemos C?mujer y U?var7n. <upon,amos :ue los
si,uientes resultados son e:uiprobables
!UUU# !UUC# !UCU# !CUU# !UCC# !CUC# !CCU# !CCC#
Ele,imos una =amilia al a-ar. <ea
A = 2La =amilia tiene un varon y una mujer4.
5 = A lo sumo tiene una mujer
P!A# = *6B = \ P!5# = X P!A5# = '6B
Por lo tanto son independientes.
Definicin
Decimos :ue n !&# eventos son mutualmente independientes si se veri=ican las si,uientes
condiciones. Tomemos un subconjunto cual:uiera de los n eventos %Ai" $ Ai& $ ... $ Ai;+ !&;n#.
Entonces debemos tener P!Ai" $ Ai& $ ... $ Ai;# = P!Ai"# P!Ai&# ... P!Ai;#.
El n3mero de condiciones :ue deben veri=icarse es C!n$&#+C!n$'#+...+C!n$n# = &
n
n". Este
n3mero parece abrumador pero$ a=ortunadamente$ en los ejemplos :ue normalmente interesan la
independencia es obvia y no necesita veri=icarse.
En el caso de ' eventos A$5 y C las condiciones para la independencia mutua son las si,uientes
1,. Independencia de eventos
&(
Procesos Estocasticos Nociones deProbabilidades
P!A5# = P!A#P!5#
P!AC# = P!A#P!C#
P!5C# = P!5#P!C#
P!A5C# = P!A#P!5#P!C#
El n3mero de condiciones no puede reducirse. Por ejemplo$ la independencia de los eventos
tomados de a & no implica la cuarta condici7n como muestra el si,uiente ejemplo.
Ejemlo
<e tira un dado & veces.
A= 2Primer resultado es impar4.
5 = 2<e,undo resultado es impar4.
C ? 2La suma es impar4.
P!A# = '*6'* = X P!5# = *'6'* = X P!C# = !'' + ''#6'* = X
P!A5# = ''6'* = V P!AC# = ''6'* P!5C# ? ''6'* = V
Pero P!A5C# = /
Ejemlo
Una caja contiene ' tarjetas numeradas "$&$'. 9etiramos sucesivamente las ' tarjetas.
A" = 2El primer n3mero :ue aparece es " o & o '4.
A& = 2El se,undo n3mero es mayor :ue el primero4.
A' = 2El tercer n3mero es mayor :ue el primero y el se,undo4.
!" & '# !" ' &# !& " '# !& ' "# !' " &# !' & "#
P!A"#= " P!A&#= '6*= X P!A'#= &6*= "6' P!A"A&#? '6*= X P!A"A'#= &6*= "6'
P!A&A'#= "6* P!A"A&A'#= "6*
<e concluye :ue los eventos son mutualmente independientes.
En este ejemplo la independencia no es intuitivamente clara. En el si,uiente ejemplo la
independencia esta clara de antemano.
Ejemlo
Tenemos n cajas y cada una contiene a bolas blancas y b bolas ne,ras. <acamos una bola de cada
caja. <ea
Ai =2<e saca una bola blanca de la caja i4.
P!Ai#= .a!a+b#
n"
0 6 !a+b#
n
= a6!a+b# P!AiAj#= .a
&
!a+b#
n&
0 6 !a+b#
n
= a
&
6!a+b#
&
!ij#
En ,eneral
P!Ai" Ai& ... Ai;#= .a
;
!a+b#
n;
0 6 !a+b#
n
= a
;
6!a+b#
;
= P!Ai"#...P!Ai;#
Por lo tanto A" $ A& $ ... $ An son mutualmente independientes.
Definicin
La secuencia in=inita de eventos A" $ A& $ ... son mutualmente independientes si para cada =inito n
A" $ A& $ ... $ An son m.i.
-bservacin
<i Ay 5 son independientes entonces
!"# A
c
y 5 son independientes.
!&# A y 5
c
son independientes.
!'# A
c
y 5
c
son independientes.
En e=ecto$ P!A5
c
# = P!A# P!A5# = P!A# P!A#P!5# = P!A#!"P!5## = P!A#P!5
c
#. El mismo
ar,umento se aplica P!A
c
5#. Finalmente la independencia de A y 5
c
conduce a la independencia de
A
c
y 5
c
.
Este >ec>o tiene el si,uiente corolario. <i A" $ A& $... son m.i. entonces A" $ A&
c
$ A' $ A(
c
$ A)
c
$...
son m.i donde no importa cuales eventos >emos reempla-ado por sus complementos.
&ema de Borel'(antelli II
&)
Procesos Estocasticos Nociones deProbabilidades
<i A" $ A& $... son m.i y P!Ai# = entonces con probabilidad " in=inito de los eventos de la
sucesi7n ocurren.
Demostraci7n


AQ = Ai !el evento AQ si,ni=ica :ue in=inito de los Ai ocurren#

n?" i?n

!AQ#
c
= Ai
c
n?" i?n

Observamos :ue el evento Ai

c
es monotono con n. Aplicando el teorema de continuidad

i?n
P!!AQ#
c
# = lim P! Ai
c
#. Costramos a>ora :ue este limite es cero. <ea NRn.

n i?n

N N N
/ P! Ai
c
# P! Ai
c
# = P!Ai
c
# = !"P!Ai

##

i?n i?n i?n i?n
Usando la desi,ualdad "1 e
1

N N N
!"P!Ai

## e1p!P!Ai## = e1p ! P!Ai# #
i?n i?n i?n
Cuando N el 3ltimo tDrmino tiende a / por:ue la serie es diver,ente por >ip7tesis. As8 :ue

P! Ai
c
# = / P!!AQ#
c
# = / P!AQ# ="Y

i?n
<ea !$B$P# un espacio de probabilidades y "!#$&!#$...$n!# variables aleatorias.
Definicin
<i los eventos %"<"+$ %&<&+$ ... $ %n<n+ son m.i. para cual:uier elecci7n de <"$<&$...$<n $
donde <i son conjuntos de 5orel de 9
"
$ decimos :ue " $& $...$n son m.i.
<e puede demostrar :ue es su=iciente :ue sean m.i. los eventos %"1"+$ %&1&+$ ... $ %n1n+
para cual:uier elecci7n de 1" $1& $...$ 1n .
<ea Fi !1i#= P!i 1i# la =unci7n de distribuci7n mar,inal de i .
<ea F!1" $ ... $ 1n# = P!"1" $ ... $n1n# la =unci7n de distribuci7n conjunta de " $ ... $ n
La independencia mutua de " $ ... $ n implica :ue
!Q#
Iueremos ver :ue$ a su ve-$ !Q# implica :ue " $ ... $ n son m.i. <upon,amos :ue !Q# es
cierta entonces debemos mostrar :ue
P!i"1" $ ... $ i;1# = P!i"1"# ... P!i;1#
para cual:uier subconjunto % i"$ ... $ i;+ de %" $ ... $ n+ !;&#
Hacemos la demostraci7n para un caso particular :ue muestra la idea ,eneral. Consideremos
P!"1" $ &1& $ '1'# = P!"1" $ &1& $ '1' $ (M$ ... $ nM# = F!1"$1&$1'$$...$# =
= F!1"# F!1&# F!1'#. " ... " = P!"1"# P!&1&# P!'1'#
En consecuencia$ podemos dar la si,uiente de=inici7n alternativa
2.. Independencia de variables aleatorias
F!1" $ ... $ 1n# = F" !1"# ... Fn !1n#
&*
Procesos Estocasticos Nociones deProbabilidades
Definicin 7bis9
" $ ... $ n son mutualmente independientes si F!1" $ ... $ 1n# = F" !1"# ... Fn !1n#.

1" 1n 1i
<i F!1" $...$ 1n# = ... =!u" $...$ un# du" ... dun y dist. mar,inal Fi !1i# ? =i !u# du entonces se puede


demostrar :ue la independencia mutua es e:uivalente a
=!1" $ ... $1n# = ="!1"#...=!1n#. !p.p.#
En el caso discreto$ sean las variables " $ ... $ n discretas con valores posibles de i a;
!i#
!;="$&$..#
entonces independencia mutua es e:uivalente a
P!"=a;"
!"#
$ &=a;&
!&#
$ ... $ n=a;n
!n#
# = P! "=a;"
!"#
# P! &=a;&
!&#
# ... P! n=a;n
!n#
#
Definicin
Una sucesi7n de variables aleatorias " $ & $ ... $ n $... se dice :ue son mutualmente independientes
si cual:uier subconjunto =inito de las mismas lo es o$ lo :ue es e:uivalente$ si " $ & $ ... $ n son
m.i. para cual:uier n.
%eorema
<i y son independientes y tienen esperan-as =initas entonces tiene esperan-a =inita y
E!# ? E!#E!#.
Demostraci7n
19 Haremos la demostraci7n primero para el caso discreto.
<ean %ai+ y %b;+ los valores posibles de y respectivamente.
i j ai b; P!i?ai$?b;# ? i jai b; P!i?ai#P!?b;# ? i ai P!i?ai# ;b; P!?b;# ?
? E! #E! # M
Esto muestra :ue E!# e1iste. <uprimiendo los si,nos de valor absoluto en la e1presi7n de arriba
resulta E!# ? E!#E!#.
El resultado se e1tiende en =orma obvia a n variables.
29 <ean n ? j6n si j6nM!jK"#6n$ n? j6n si j6nM !jK"#6n$ n? j6n si j6nM !jK"#6n
Observamos :ue
nn? !n# K ! n#n
nn !"6n# K!"6n# n
Adem@s
nn n n K nn "6n K!"6n# K!"6n# n
Como el tercer miembro de la desi,ualdad tiene esperan-a por >ip7tesis resulta :ue nn n tiene
esperan-a y
E!nn n#/
A>ora
n ? n n K nn n
Esto muestra :ue n tiene esperan-a y por de=inici7n de esperan-a E!n#E!#. Por 1.
E!n n#? E!n#E! n# E!#E!#Y
:arian6a de una suma de variables indeendientes
<i y son independientes entonces Cov! $ #? E! # E!#E!#?/ por:ue E! #? E!#E!#
Como Uar!" + &+ ... + n#= Uar !i# + & Cov!i $ j#

i?" iMj
9esulta :ue si las variables " $ & $ ... $ n son m.i. independientes o son s7lo inependientes de a
pares se tiene :ue sus varian-as son aditivas$ es decir
Uar!" + &+ ... + n#=
Uar
i
i
n
! #
=

"
&A
Procesos Estocasticos Nociones deProbabilidades
Ejercicio 1
En un e1amen se dan m respuestas a una pre,unta. <upon,amos :ue p es la probabilidad :ue el
e1aminado sepa la respuesta correcta y :ue si no la sabe eli,e al a-ar. SCu@l es la probabilidad :ue
supiera la respuesta dado el >ec>o :ue eli,i7 la correctaT
Ejercicio 2
<ean y dos variables aleatorias. <e llama coe=iciente de correlaci7n a



! $ #
cov! $ #
var! # var! #
=
<ea n el n3mero de e1itos en n ensayos con probabilidad p de e1ito. Hallar !m $n# m$n?"$&$...
&B