Académique Documents
Professionnel Documents
Culture Documents
lm inf Xn ()
n
y lm sup Xn : R {}
n
lm sup Xn ()
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 )
si B
si
/B
pX (C I)
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
Xi Binomial(n, p)
i=1
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!
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
Def. (Funci
on de distribuci
on) Sea X v.a. con
FX : R [0, 1]
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
y con
fY (y) =
g(x)
es funci
on de densidad.
g(t)dt
R
1
2 2
12 ( t
)2
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.
1
|h0 (h1 (y))|
i=1
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
[
i=1
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
~
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
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 )
i=1
3. Distribuci
on/vectores: Caso continuo
kZ
Rn
(1) es conmutativo.
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
~ y ))
fX~ (X(~
1
fX~ (h~1 (~y ))
| det J~h (~h1 (~y ))|
/ ~h(D).
Obs 1. fY~ (~y) = 0 si ~y
Def. (distribuci
on conjunta y marginal)
n
X
n
k=0
Progresion geometrica:
n
X
k=0
i=1
1 rn
a rk = a
1r
ank bk