Académique Documents
Professionnel Documents
Culture Documents
variable aleatoria
15 de septiembre de 2008
Resumen
La definicion de esperanza de una variable aleatoria en los textos
clasicos es diferente a la definicion que se da en un curso de probabilidad basado en la teora de la medida. En este manuscrito se muestra
por que, efectivamente, estas dos definiciones coinciden.
Palabras clave: Esperanza, Variable aleatoria.
Abstract
In the basic texts, the definition of the expected value of a random
variable is different from the definition given in a probability course
based on the theory of measure. In this manuscript it is shown why
both definitions are in fact equivalent.
Key Words: Expected value, Random variable.
1.
Introducci
on
Z
E(X) =
xfX (x)dx.
(1.1)
1.1.
Resultado u
tiles
(1.3)
Notese que el espacio de llegada de una variable aleatoria puede ser medible
para diferentes medidas. Sin embargo, existe solo una medida de probabilidad
que cumple la anterior definicion y que esta ligada de forma estructural a la
variable aleatoria. Como ilustracion, el siguiente diagrama muestra como la
variable aleatoria X induce a la medida de probabilidad X .
(, F, P )
X-
(R, B, X := P X 1 ) .
Definici
on 1.3. Sea A un conjunto medible. La funcion indicadora para
A se define como
(
1, si A,
IA () =
(1.4)
0, en otro caso.
2
Definici
on 1.4. Una funcion simple es una combinaci
on lineal de las
funciones indicadoras de conjuntos medibles, definida como
() =
k
X
ai IAi ().
(1.5)
i=1
Resultado 1.1. Sea f una funcion de Borel no negativa sobre (, F). Entonces existe una sucesi
on de funciones simples {n } las cuales satisfacen
que 0 1 2 . . . n g y
lm n = g.
(1.6)
Definici
on 1.5. Para cualquier funcion de Borel f , se define la parte positiva
como
f+ () = max{f (w), 0}
(1.7)
y la parte negativa como
f () = max{f (w), 0}.
(1.8)
Definici
on 1.7. La integral de una funcion simple no negativa con respecto
a la medida esta dada por
Z
k
X
d =
ai (Ai ).
(1.11)
i=1
como caso particular, cuando la funcion simple consta de un solo termino tal
que a1 = 1, entonces la integral de esta funcion con respecto a la medida
esta dada por
Z
I(A)d = (A).
(1.12)
Resultado 1.4. (Teorema de Radon-Nikodym) Sea m la medida de Lebesgue.
Si X es absolutamente continua con respecto a m, entonces existe una funcion de Borel no negativa fX : R R tal que
Z
X (A) =
fX dm.
(1.13)
A
2.
Coincidencia
Cook (2008) afirma que el siguiente teorema es llamado la ley del estadstico inconsciente puesto que este es aplicado tan frecuentemente que se hace
de manera inconsciente e indiferente.
Resultado 2.1. Si g : R R es una funcion X -medible, entonces g(X) es
P -medible y ademas
Z
Z
g(X)dP =
g(x)fX (x)dx.
(2.1)
(2.2)
= X (A)
= P (X 1 (A)).
En donde se utiliza la definicion de integral dada por (1.9), el resultado
de Radon-Nikodyn y la definicion de medida inducida por una variable.
Por otro lado, definiendo S = { : X() A}, se tiene que
Z
Z
Z
IA (X())dP =
IA (X())dP +
IA (X())dP
Sc
ZS
Z
1dP +
0dP
=
c
S
S
Z
=
IS ()dP
S
= P ( : X() A) = P (X 1 (A)).
5
2. Funci
on simple: Como el teorema es valido para funciones indicadoras
y utilizando la linealidad de las integrales , se tiene que
Z
(x)fX (x)dx =
R
=
=
Z X
k
ai
i=1
k
X
ai
Z X
k
Z
i=1
R i=1
Z
k
X
IA (X())dP
ai IA (X())dP
i=1
(X())dP.
3. Funci
on no negativa: Dado que fX es la derivada de Radon-Nikodyn,
entonces es no negativa. Ahora, utilizando (2.4), se tiene que existe
una sucesion de funciones {fx n } las cuales satisfacen que 0 fx 1
fX 2 . . . fX n fX g y
lm fx n = fx g.
(2.4)
tiene que
Z
Z
g(X())dP =
lm n (X())dP
Z
= lm
n (X())dP
n
Z
= lm
(x)fX (x)dx
n R
Z
=
lm (x)fX (x)dx
n
R
Z
=
g(x)fX (x)dx,
(2.5)
Por consiguiente
Z
Z
Z
Z
g+ (X())dP g (X())dP =
g+ (x)fX (x)dx g (x)fX (x)dx.
Notese que cuando la funcion g es la funcion identica, se tiene que las dos
definiciones de esperanza coinciden. Es decir
Z
Z
E(X) =
xfX (x)dx =
XdP
(2.7)
R
3.
Discusi
on
Referencias
Cook, J. (2008), Relating two definitions of expectations, The Endeavour
blog. http://www.johndcook.com/blog/ .
Mood, A., Graybill, F. & Boes, D. (1963), Introduction to the Theory of
Statistics, McGraw-Hill.
Shao, J. (2003), mathematical Statistics, Springer.