Académique Documents
Professionnel Documents
Culture Documents
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
un n3mero P!A
#$ probabilidad de A
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 $... ocurren.
Entonces P!AQ#?
lim
n
P !
A
i
i n =
#
Demostraci7n <e deduce directamente del teorema de continuidad II.
!(a# El si,uiente es un importante corolario de !(#.
<i
P A
i
i
! #
=
"
M entonces P!AQ#=/.
Demostraci7n
P !
A
i
i n =
#
P A
i
i n
! #
=
+ son intervalos disjuntos contenidos en ./$"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
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 ./$t0. =!1#= "6t.
t
E!#= 1=!1#d1=1!"6t#d1= t6&
/
Ejemlo
"A
Procesos Estocasticos Nociones deProbabilidades
tiene una distribuci7n normal. !1#= e1p!1
&
6&# 6 !&#
"6&
Ejemlo
tiene una distribuci7n de Cauc>y. =!1#= !"6#!"6!"+1
&
##
1=!1#d1= !&6# 16!"+1
&
# d1 = . Por lo tanto$ 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$b0. Al l8mite lo escribimos
b
I= ,!1# d>!1#
a
y lo llamamos inte,ral de <tieltjes. <e demuestra :ue si ,!1# es continua y >!1# es de variaci7n
acotada entonces I e1iste. !Una =unci7n es de variaci7n acotada si y s7lo si es la di=erencia de &
=unciones no decrecientes#.
Ejemlo
<upon,amos :ue >!1# es constante a tramos con saltos %pi+ en los puntos %ai+. Entonces si >!1# es
continua a la derec>a
b
,!1# d>!1#= ,!ai#pi donde la sumatoria se e1tiende a los ai tales :ue aMaib.
a
Ejemlo 1
<upon,amos :ue ,!1# es continua y H!1#= a >!1#d1 para a1b entonces
b b
,!1# dH!1#= ,!1# >!1# d1
a a
b b
<i ,!1# d>!1# e1iste para cual:uier intervalo y lim e1iste cuando a y b entonces
a
a
escribimos ,!1# d>!1#
&
#. Esta probabilidad$ 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 /$"$&$... y
escribiremos p;?P!?;#.
-
es una variable aleatoria compleja para cada - =ijo complejo. Consideremos
E!-
# =
;=
/
p; -
;
. Observemos :ue si - " -
/
p; -
;
para - " se llama funcin generatriz de .
La =unci7n N!-# es anal8tica para -M" de manera :ue podemos obtener las derivadas de todos los
ordenes derivando la serie de potencias :ue la de=ine. As8 encontramos
N
!j#
!-# =
; j =
p; ;!;"#...!;j+"# -
;j
!-M"# !Q#
La N!-# determina la distribuci7n de univocamente. En e=ecto$ 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"AP!A"#0 .P!A"A&A'#6P!A"A� ? 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& $... son m.i y P!Ai# = entonces con probabilidad " in=inito de los eventos de la
sucesi7n ocurren.
Demostraci7n
AQ = Ai !el evento AQ si,ni=ica :ue in=inito de los Ai ocurren#
n?" i?n
!AQ#
c
= Ai
c
n?" i?n
N N N
!"P!Ai
## e1p!P!Ai## = e1p ! P!Ai# #
i?n i?n i?n
Cuando N el 3ltimo tDrmino tiende a / por:ue la serie es diver,ente por >ip7tesis. As8 :ue
P! Ai
c
# = / P!!AQ#
c
# = / P!AQ# ="Y
i?n
<ea !$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