Resumen C2 Probabilidades

(12) Sea (Xn : n N) sucesion de vs as .

Sean lm inf Xn : R {}

Consideremos (, B, P) espacio de probabilidad fijo.

lm inf Xn ()
n

Def. (Variable aleatoria) X : R es variable aleatoria si

C B(R) se tiene: X 1 (C) B.

y lm sup Xn : R {}
n

lm sup Xn ()

Obs: X 1 (C) = { : X() C} = {X C}

entonces, lm inf Xn y lm sup Xn son vs as .

n

Prop. Se tiene que X : R v.a. si: X 1 ((, a]) B

(a R).

Nota: f : R v.a., B con B B, entonces

(
f () si B
es v.a.
f 1B () =
0 si
/B

Obs: X 1 ((, a]) = { : X() (, a]} = { :

X() a} = {X a}

Nota. Si X : R es una funci

on, se tiene que: Def. (Independencia de vs as )
1
1
X (B(R)) = {X (C) : C B(R)} es una -algebra. (a) Las vs as X, Y : R son independientes si
Luego, X es v.a. si X 1 (B(R)) es una sub -algebra de B. (
P(X C, Y D) = P(X C)P(Y D) (C, D B(R))
algebra inducida en B)
Nota: Es decir, son independientes si
Prop. Las vs as cumplen las siguientes proposiciones:
{X C} es P-independiente de {Y D} (C, D B(R))
(b) Las vs as X1 , ..., Xn : R son independientes si
Qn
P{X1 C1 , ..., Xn Cn } =

1=1 P(Xi
(C1 , ..., Cn B(R))
Tn
Nota: {X1 C1 , ..., Xn Cn } = i=1 {Xi Ci }

(1) La funci
on constante Xa () a (a R) es una v.a. (
).
(2) Para B B la funci
on indicadora es v.a.
1B : R
(
1
1B () =
0

Ci )

(c) Las vs as (Xn : n N) son independientes si (X1 , ..., Xn )

son independientes n 2.

si B
si
/B

Prop. Sea I numerable, J I con |J| 2, entonces

(Xi : i I) son independientes (Xj : j J) son independientes

Nota: Esta funci

on es el elemento neutro de la multiplicacion
de funciones.
(3) X v.a. con R, entonces X es v.a.

Def. Sea X : R v.a. entonces PX : B(R) [0, 1],

1
(4) X, Y vs as , entonces X +Y es v.a. con (X +Y )() = X()+ C PX (C) = P(X (C)) con C B(R) define una medida
de probabilidad en (, B(R).
Y ().
Def. (Variable aleatoria discreta) Sea X : R v.a.. X se
dice discreta si I R conjunto numerable tal que: P(X I) = 1

(5) X v.a., entonces X es v.a.

(6) X, Y vs as , entonces XY es v.a.

Prop. Si X es v.a. discreta a valores en I, entonces PX

esta totalmente determinada por la densidad discreta pX dada
por: pX (a) = P(X = a)

(7) X, Y vs as , Y 6= 0, entonces X/Y es v.a. y:

(
X()
si Y () 6= 0
X
Y ()
1
()
=
(Y
=
6
0)
Y
0 si Y () = 0

Nota: Para a R\I, se tiene pX (a) = 0

Obs.
Si C B(R), entonces pX (C)
P
aCI pX (a).

(8) X, Y vs as , entonces mn{X, Y } y m

ax{X, Y } son vs as .

pX (C I)

(9) Se dice h : R R una funci

on boreliana si h1 (C) B(R)
1
Def. (Variable aleatoria constante) Sea I = {a}, entonces
(C B(R)). (o h (B(R)) B(R)).
p
X (a) = 1 y pX (b) = 0 (b 6= a)
Prop. X v.a. y g : R R boreliana, entonces g X es v.a.
Nota: h : R R continua o con un conjunto numerable de Def. (Bernoulli) La v.a. X se dice X Bernoulli(p) si X toma
discontinuidades aisladas es funci
on boreliana.
valores en I = {0, 1}, es decir: pX (1) = p y pX (0) = 1 p
(10) Sea (Xn : n N) sucesi
on de vs as . Si lm Xn () ( Nota: Si p = 1, entonces X 1. Si p = 0, entonces X 0.
n
), entonces lm Xn () es v.a.
n
Def. (Binomial) (que un suceso ocurra k-veces entre n) Sea n
Nota: lm Xn ()1{ lm Xn } es v.a.
1,
p [0, 1]. La v.a. X se dice X Binomial(n, p) si X toma
n
valores en I = {1, ..., n} tal que
(11) Sea (Xn : n N) sucesi
on de vs as , entonces nf Xn y
 
nN
n k
sup Xn son vs as
pX (k) = P(X = k) =
p (1 p)nk
nN
k
Nota: Tener en cuenta que estas variables aleatorias estan
definidas en B(R), es decir, para Z : R : Z 1 (C) B
(C B(R))

Nota: Si p = 1, entonces P(X = n) = 1 y pX (k) = 0. Si p = 0,

entonces P(X = 0) = 1 y pX (k) = 0.
1

Def. (Binomial negativa) (cuantas veces tengo que hacer un ex- Prop. La funcion de distribucion FX verifica
perimento para que un suceso ocurra n veces) La v.a. X se dice
(0) F : R [0, 1] funcion.
X BN(n, p) si X toma valores en I = {1, ..., n} tal que


(i) F es creciente: x y F (x) F (y)
k1 n
pX (k) = P(X = k) =
p (1 p)kn
n1
(ii) F es continua por la derecha: F (x) =
lm
+

F (x + h)

h0 ,h>0

Prop. Si X1 , ..., Xn son vs as independientes, tales que

Xi Bernoulli(p) para i = 1, ..., n. Entonces:
n
X

(iii) lm F (x) = 1 y lm F (x) = 0

x

Obs. Una funcion F : Rn [0, 1] se dice funci

on de distribucion si cumple las propiedades (0), (i), (ii), (iii).

Xi Binomial(n, p)

i=1

Def. (Geometrica) (que el n-esimo sea el primer caso favorable)

Sea p [0, 1]. Decimos que Z Geometrica(p) si Z toma valores
en N tal que

Prop. Si F : R [0, 1] es funcion de distribuci

on, por
ser monotona (creciente) y finita, entonces tiene a lo m
as un
conjunto numerable de discontinuidades.

pZ (n) = P(Z = n) = (1 p)n1 p

Prop. Sea X v.a. y FX (x) = P(X x) (x R) su funci

on de
distrubucion. Notemos DFX = {x R : FX (x) 6= FX (x )} el
conjunto de puntos de discontinuidad de FX (tambien llamada
la parte puntual de F ), que es numerable. Se cumple:

Nota: Si p = 1 : P(Z = 1) = 1 y P(Z = n) = 0 (n > 1),

entonces Z 1.

(a) FX (x ) = PX ((, x)) = P(X < x)

Prop. Sea {Xi : i 1} vs as independientes, con

Xi Bernoulli(0) para i 1. Entonces Y = nf {i > 0 : Xi = 1}
(el primer indice en que Xi sale 1) es v.a. tal que
Y Geometrica(p)

(b) Si x DFX , entonces: FX (x) FX (x ) = P(X = x) Luego

DFX = {x R : P(X = x) > 0}
Obs. Si PX (DFX ) = 1, entonces X es v.a. discreta.

Obs. Si Z Geometrica(p) con p (0, 1):

X
X
pZ (n) = p
(1 p)n1 = 1
n1

2. Distribuci
on: Caso continuo

n1

Def. f : R R+ es funcion de densidad (le da peso de probaDef. (Geometrica Z+ ) Si Z Geometrica(p) con p (0, 1). La bilidad a los intervalos reales) si:
v.a. Z 1 se dir
a Geometrica(p) en Z+ . Esta v.a. toma valores
(i) f es boreliana.
en Z+ y verifica (n Z+ )
(ii) f (x) 0 (x R)
Z
Def. (Poisson) Sea 0, R+ . La v.a. X se dice X (iii)
f (x)dx = 1
R
Poisson() si X toma valores en Z+ tal que (n Z+ )
Z x
n

Teorema. F (x) =
f (t)dt con f funcion de densidad, es
e
pX (n) = P(X = n) =

n!
dF
funcion de distribucion con DF = . Ademas,
(x) = f (x)
X n
dx
Recordar que
= e
n!
Def. (Ley de X) Sea X : R v.a. Se define la ley de
n0
1
Prop. Sea 0 fijo. Sea pn (0, 1) con lmn n pn = , X: PX : B [0, 1] PX (C) = P(X (C)). Se puede definir
FX : R [0, 1] tal que FX (t) = PX ((, t])
entonces (k Z )
pZ1 (n) = P(Z 1 = n) = P(Z = n + 1) = (1 p)n p

 
n k
k
lm
pn (1 pn )nk =
e
n k
k!

Def. (v.a. absolutamente continua) X v.a. es absolutamente

continua si FX es una funcon abs. continua.

Es decir, si Xn Binomial(n, pn ) entonces lm P(Xn = k) = Def. (abs. continua) F es abs. continua si  > 0, > 0 tal que
n
P(X = k) (converge a X Poisson()).
para cualquier particion numerable {(ak , bk )}kN , se tiene:
Prop. F
ormula de Stirling: lm
n

n!
=1
2n ( ne )n

X
kN

1. Distribuci
on: Caso general

|F (bk ) F (ak )| 

kN

Prop. X v.a. tiene distribucion FX abs. continua si fX

dFX
(densidad) tal que: fX (x) =
(x) con x R.
dx

Def. (Funci
on de distribuci
on) Sea X v.a. con

Densidades abs. cont.

FX : R [0, 1]

(1) (Uniforme) La v.a. X se dice X U ([a, b]) si tiene funci

on
de densidad:
(
1
si t [a, b]
fX (t) = ba
0 si t
/ [a, b]

x FX (x) = P(X x)
se le llama funci
on de distribuci
on
FX (x) = P(X (, x]) = PX ((, x]).

bk ak

de

X,

es

decir,

0 si t < a
entonces FX (t) =
fX (s)ds = 1 si t > b

ta
si t [a, b]
ba
Z

P(X C) = P(X C\{a}) = P(X C {a})

Teorema. (cambio de variables) Sea X v.a. abs. continua con

funcion de densidad fX . Sea D abierto, SfX D. Sea h : D
Obs. Si Y U (0, 1) y X = a + (b a)Y , entonces X R funcion C 1 (D). Supongamos que {z D : h0 (z) = 0} es finito.
U (a, b).
Entonces la v.a. Y () = (h X)() = h(X()) es abs. continua
y su densidad fY verifica (para y h(D))
(2) (Exponencial) La v.a. X se dice X exponencial() si tiene
t
funci
on de densidad: fX (t) = e
1{t>0} (al par
ametro
X
1
se le llama tasa).
fX (X(y))
fY (y) =
Z t
|h0 (X(y))|
1
x(y)h ({y})
e s 1{s>0} ds = (1 e t ) 1{t>0}
entonces FX (t) =

Nota: Si Y Geom(p), entonces P(Y > k) = e

= log(1 p)

y con

fY (y) =

Def. Sean X1 , ..., Xn vs as , entonces

~ = (X1 , ..., Xn ) definida por: X
~ : Rn
(i) La funcion X
~
X() = (Xi () : i = 1, ..., n) es un vector aleatorio,
~ 1 (D) B (D B(Rn ))
es decir, X

g(x)
es funci
on de densidad.
g(t)dt
R

~ 1 (D)) con D B(Rn ) es una medida de

(ii) PX~ (D) = P(X
~
probabilidad en (Rn , B(Rn ) (ley de probabilidad de X)

(4) (Normal) Si R y > 0. La v.a. X se dice X N (, 2 )

si tiene funci
on de densidad: fX (t)

1
2 2

12 ( t
)2

Obs 1. La integral de esta funci

on en R es 1.

Prop. Si X1 , ..., Xn son vs as independientes, se tiene que para

D = C1 C2 ... Cn con Ci B(R)
!
n
n
Y
Y
PXi (Ci )
Ci =
PX~

Obs 2. Si X N (o, 1), entonces + X N (, 2 )

(5) (Chi-cuadrado) La v.a. Z se dice Z X 2 (n) (n grados de
libertad) si Z = X12 +...+Xn2 , Xi N (0, 1), tiene densidad:

i=1

x(n/2)1 ex/2
2n/2 (n/2)

fZ (x) =

fX (h1 (y))

Obs 1. fY (y) = 0 si y
/ h(D).
Obs 2. h1 ({y}) = {x R : h(x) = y} = {x(y)} conjunto finito
de preimagenes.

(3) (Gamma) Sea > 0. La v.a. X se dice X Gamma() si

1
tiene funci
on de densidad: fX (t) = ()
et e1 1(t>0)
Z
ex e1 dx
con () =
0
Z
Obs. Si g 0 es tal que
g(x)dx < , entonces f (x) =
R

1
|h0 (h1 (y))|

i=1

~ = (X1 , ..., Xn ) v.a. sus

Def. (Ley marginal y conjunta) Para X
componentes (marginales) son: X1 , ..., XN . La ley de Xi verifica:
PXi : B(R) [0, 1]

Obs. Si X es v.a. N (0, 1), entonces X 2 X 2 (1)

PXi (Di ) = P(Xi Di ) (Di B(R))

Prop. Si X tiene distribuci

on abs. continua, entonces no carga
puntos, es decir, P(X = x) = 0 (x R).

A PXi le llamamos ley marginal i-esima de la ley conjunta PX~ .

Obs. Esto implica que para v.a. continuas P(x D) = 0 (D R

numerable).

Q
Nota: j6=i R Di = {X = (X1 , ..., Xn ) R : Xi Di } (tiene
restriccion solo en la coordenada i-esima)

X
3. Distribuci
on/vectores: Caso discreto
Nota: Si FX es continua y fX (x) = dF
dx (x) entonces consideramos FX abs. continua (excepto en un conjunto numerable de
Supongamos X1 , ..., XN son vs as discretas (toman valores en I
puntos aislados) con densidad fX .
numerable), P(Xi I) = 1 (i = 1, ...., N ).
Z
Def. Si f : R R+ verifica f (x) 0 (x R) y
f (x)dx,
N
[

(1) Si P(Xi Ii ) = 1 para Ii numerable, tomamos I =

Ii
entonces F : R [0, 1] definida por:

i=1

~ = (X1 , ..., XN ), se tiene

(2) Sea X

F (x) =

f (u)du

N
[

~ I )=P
P(X
{Xi I} = 1
es funci
on de distribuci
on (continua y abs. continua). Luego, se
i=1
define una medida de probabilidad en (R, B(R)) por la formula:
Z
Def. (densidad de prob.) PX~ (a1 , ..., an ) = P(X1 = a1 , ..., Xn =
P (C) =
f (x)dx (C B(R))
~ y verifica:
an ) se llama densidad de probabilidad discreta de X
C
N

Def. SF = {x R : fX (x) > 0}

(1) PX~ (~a) 0 (~a Rn )

(2) PX~ (~a) > 0 ~a I n
X
(3)
PX~ (~a) = 1

Obs 1. P(X SFc ) = 0

Obs 2. Si X es abs. continua, entonces podemos agregar o restar puntos (porque tienen medida nula), es decir,

~
aI n

~ F ~ (X)
~ defiDef. (distribuci
on) Sean FX~ : R [0, 1], X
!X
n
Y
~ = P(X
~ ~x) = PX
nida por: FX~ (X)
(, xi ] Llamamos
i

~ = (X1 , .., Xn ) vector aleatorio abs. continuo

Prop. Sea X
con densidad conjunta fX~ . X1 , .., Xn son independientes ssi
n
Y
(~x Rn ) fX~ (~x) =
fXi (xi )

i=1

~
a FX~ funci
on de distribuci
on de X

i=1

Prop. Se cumple:
Prop. Las vs as X1 , .., Xn son independientes ssi (~a I n ) se
n
Y
tiene PX~ (a1 , .., an ) =
PXi (ai )

(a) Si X1 , .., Xn son vs as independientes y hi : R

R, i = 1, .., n. son funciones borelianas, entonces las vs as
h1 (X1 ), .., hn (Xn ) son vs as independientes.

i=1

3. Distribuci
on/vectores: Caso continuo

(b) Los conjuntos B1 , .., Bn ( B) son P-independientes ssi las

vs as 1B1 , .., 1Bn son independientes.

~ es abs. continuo o tiene distribucion

Def. El vector aleatorio X
FX~ abs. continua si fX~ (funci
on de densidad) tal que:
Prop. Seam X1 , .., Xn vs as independientes. Sean J1 , .., Jk
conjuntos disjuntos de {1, .., n}. Sean hi : R|Ji | R funciones
n FX~
borelianas. Entonces Y1 , .., Yk son vs as independientes, donde
(~x)
fX~ (~x) =
x1 ...xn
Yi = hi (Xk : k Ji ) (i = 1, .., k)
Prop. La funci
on de densidad fX~ (~x) verifica:

Def. (convolucion: caso discreto) Sean p, q funciones defi+

nidas de
a definida por:
XZ R . La convolucion p q est
pq =
p(k) q(n k) Suponemos que la suma es finita.

(1) fX~ (~x) 0 (~x Rn )

Z
(2)
fX~ (~x)dx1 ...dxn = 1

kZ

Rn

(1) es conmutativo.

~ vector aleatorio abs. conTeorema. (cambio de variables) Sea X

tinuo con funci
on de densidad fX~ . Sea D Rn abierto, SfX~ D.
Sea ~h : D Rn funci
on C 1 (D). Consideremos el vector aleato~ = (~h X)
~ = (Y1 , ..., Yn ) con Yi = hi (X).
~ Supongamos que
rio Y


hi
: 1 i, j n no singular (excepto
el Jacobiano J(~x) =
xj
en un conjunto finito de puntos aislados de D). Entonces Y tiene
ley abs. continua y su densidad fY~ verifica:

fY~ (~y ) =

~ y ))|
| det J~h (X(~
~
x(~
y )h1 ({~
y })

o
fY~ (~y ) =

(2) es asociativo.
(3) El elemento neutro para es:
0 : Z R+
(
1
n 0 (n) =
0

si n = 0
si n =
6 0

(4) Si p y q concentradas en N (p(n) = q(n) = 0 ( n < 0) ,

entonces p q esta concentrada en N.

~ y ))
fX~ (X(~

Def. (convolucion: caso continuo) Sean f y g funciones de R

R+ . La convolucion f g : R R+ esta definida por:
Z
f g(x) =
f (y) g(x y)dy (x R)

1
fX~ (h~1 (~y ))
| det J~h (~h1 (~y ))|

/ ~h(D).
Obs 1. fY~ (~y) = 0 si ~y

(1) El elemento neutro para en el caso continuo es el delta de

Dirac en 0, que verifica:
Z
Z
f (y) 0 (x y)dy =
0 (y) f (x y)dy

Obs 2. h ({~y }) = {~x D : ~h(~x) = ~y } conjunto finito de

preimagenes.
1

Def. (distribuci
on conjunta y marginal)

(a) FX~ (~x) = P(Xi xi , i = 1, .., n) distribuci

on conjunta de (2) Si f y g concentradas en R+ (f (x) = g(x) = 0 ( x < 0) ,
entonces f g esta concentrada en R+ .
~
X y FXi (xi ) = P(Xi xi ) distribuci
on marginal de Xi . Se
tiene:
Prop. (Sumas de vs as independientes) Sea X, Y vs as discretas
indep. a valores en Z con densidades PX , PY . Entonces, X + Y
FXi (xi ) = x lm
FX~ (x1 , .., xi , .., xn ) = FX~ (, .., xi , .., )
j
es a valores en Z con densidad discreta PX+Y = PX PY
j6=i
Nota: Si X 0, entonces PX = 0
~ tiene ley abs. continua con densidad f ~ , entonces cada
(b) Si X
X
Xi tiene ley abs. continua con funci
on de densidad fXi . Se
tiene:
Z Z
fXi (xi ) =
..
fX~ (y1 , .., xi , .., yn )dy1 ..dyi1 dyi+1 ..dyn

Prop. (Sumas de vs as independientes) Sea X, Y vs as

abs.continuas indep. con densidades fX , fY . Entonces, X + Y es
v.a. abs. continua con funcion de densidad fX+Y = fX fY
Recuerdos

Formula del binomio de Newton: (a + b)n =

Prop. (caso general) Las vs as X1 , .., Xn son independientes ssi
n
Y
(~x Rn ) se tiene FX~ (x1 , .., xn ) =
FXi (xi )

n  
X
n
k=0

Progresion geometrica:

n
X
k=0

i=1

1 rn
a rk = a
1r

ank bk