Académique Documents
Professionnel Documents
Culture Documents
Fsicas y Matematicas
Universidad de Chile
Martinez, Servet
MA3401 - Probabilidades
Transcriptor:
Alan Beltran Flores1
Otono 2013
1
Agradecimientos a Constanza Yovaniniz, Camilo Ulloa y Esteban Roman, que pasaron sus apuntes de clases
a las que falte (justificadamente, por supuesto)
2
Indice general
Clase 01 - 12/03/2013 1
Clase 02 - 14/03/2013 5
Clase 03 - 19/03/2013 9
Clase 04 - 21/03/2013 13
Clase 05 - 26/03/2013 17
Clase 06 - 28/03/2013 21
Clase 07 - 02/04/2013 23
Clase 08 - 04/04/2013 25
Clase 09 - 09/04/2013 27
Clase 10 - 16/04/2013 31
Clase 11 - 18/04/2013 35
Clase 12 - 23/04/2013 37
Clase 13 - 25/04/2013 41
Clase 14 - 29/04/2013 45
Clase 15 - 02/05/2013 49
Clase 16 - 07/05/2013 53
Clase 17 - 09/05/2013 57
Clase 18 - 14/05/2013 61
Clase 19 - 16/05/2013 63
3
4 INDICE GENERAL
Clase 01 - 12/03/2013
Axiomatica de Probabilidades
- 6= conjunto de puntos llamado espacio muestral
- clase de eventos
Los elementos de son subconjuntos de , es decir, P(), en donde P() = { }
es el conjunto potencia de .
Propiedad Toda -algebra es un algebra [de conjuntos], es decir, verifica las propiedades 0,
1, 2 y:
30 . A, B A B
1
2 INDICE GENERAL
Por 3 !
n
[ n+1
[
Bi Bn+1 Bi
i=1 i=1
Para numerables:
!c !c
[ \ \ [
Bi = (Bic ) | Bi = (Bic )
nN nN nN nN
\
Nota Bi = { : Bn , n N}
nN
Demostracion
n
0 [
a) B1 , ..., Bn (2) B1c , ..., Bnc (3 ) Bic
i=1
n
!c n
[ \
Bic = Bi
i=1 i=1
b) Es analoga a la anterior.
A, B A \ B
A, B A 4 B
INDICE GENERAL 3
A\B = A Bc
A4B = (A \ B) (B \ A) = (A B c ) (B Ac )
lm sup Bn
n
lm inf Bn
n
En donde:
\ [
lm sup Bn = Bk
n
nN kn
[ \
lm inf Bn = Bk
n
nN kn
Nota
|A| = Cardinal de A
Demostracion
0. 0 P()
1. , ; , 0 , 0
2. B 0 B c 0
[
3. (Bn : n N) 0 Bn 0
nN
Nota \
= {B P() : B }
Demostracion
\
0. P() P()
\
1. , ,
\ \
2. B B B c B c
\
3. (Bn : n N) (Bn : n N)
[ [ \
Bn Bn
nN nN
Clase 02 - 14/03/2013
a) N = {, } -algebra trivial
b) P() -algebra discreta
a) () es -algebra.
b) ()
c) Si y es -algebra, entonces ()
5
6 INDICE GENERAL
\
Hemos probado que () = verifica (a, b, c). Ademas, es la unica -algebra que lo hace,
pues si 0 tambien lo verificase, deduciriamos de (c) que 0 () y que () 0 , concluyendo
que 0 = ().
n
Y
Nota |ai , bi | Rn (Rn ), ai , bi tal que ai bi .
i=1
a) P es funcion P : [0, 1]
B P(B)
b) P() = 1
!
[ X
c) (Bn : n N) familia disjunta en se tiene que P Bn = P(Bn )
nN nN
(0) : R+ {}
(1) () = 0
(2) es -aditiva
((a, b]) = b a, a b en R
9
10 INDICE GENERAL
Nota Las propiedades a), b), c) y e) son comunes a todas las medidas.
Demostracion
e) A B = A B B \ A A \ B = A B (B \ A B) (A \ A B). Luego:
a)
P(A B) = P(A B) + P(B \ A B) + P(A \ A B)
b)
= P(A B) + P(B) P(A B) + P(A) P(A B)
= P(A) + P(B) P(A B)
Primero suma todos las probabilidades de conjuntos, luego le resta las intersecciones dobles,
despues le suma las intersecciones triples, le resta las cuadruples y as.
Para el caso n = 2 obtenemos e). Para el caso n = 3 obtenemos:
Demostracion
Demostracion Se demuestran:
(a) por sub--aditividad.
(b) por (a) y Morgan.
Clase 04 - 21/03/2013
Probabilidad Condicional
Sea (, , P) un espacio de probabilidades, que vamos a usar de aqu en adelante.
13
14 INDICE GENERAL
Propiedad Sea P(B) > 0. Entonces P( |B) : |B [0, 1] es una medida de probabilidad
A P(A|B)
en (B, |B ), es decir, (B, |B , P( |B)) es espacio de probabilidad.
Demostracion
P( B)
(a) P(|B) = =0
P(B)
P(B B)
(b) P(B|B) = =1
P(B)
!
[ X
(c) Nos basta demostrar que (Bn : n N) se cumple P An B = P(An |B)
nN nN
(pues |B ). En efecto:
! !
[ 1 [ 1 X X
An B = P An B = P(An B) = P(An |B)
P
P(B) P(B)
nN nN nN nN
(a) P(B|B) = 1
(b) P(|B) = 0
(c) P(A4B) = 0 P(A|B) = 1
(d) P(A4B c ) = 1 P(A|B) = 0
(e) P(|B) = 1
(f) P(A) = 1 P(A|B) = 1
(g) P(A) = 0 P(A|B) = 0
(h) P(B) = 1 P(A|B) = P(A), A
Demostracion PROPUESTOS. Puede ser util, para (c), (d), (f) y (g), probar:
Formula de Bayes
Sea I un conjunto numerable (finito o no). Sea (Ai : i I) particion medible de , es
decir:
(0) (Ai : i I)
(p1 ) i I) disjuntos
(Ai : [
(p2 ) = Ai
iI
INDICE GENERAL 15
[ X
Luego, intersectando, B : B = (B Ai ), de donde P(B) = P(B Ai ). Si asumimos
iI iI
X
P(Ai ) > 0 i I, tenemos que P(B) = P(B|Ai ) P(Ai ). Si P(B) > 0, verificamos, j I:
iI
P(B|Aj ) P(Aj )
P(Aj |B) = X Conocida como la formula de Bayes
P(B|Ai ) P(Ai )
iI
Demostracion
Independencia
Definicion A, B se dicen (P-)independientes (notado
)si P(A B) = P(A) P(B)
Propiedades
Demostracion
Proposicion B
A AB c
c
A B c
c
A B c
17
18 INDICE GENERAL
Demostracion ...
X 0
(i) p()
(ii) p() = 1
Caso finito
Por lo dicho, una medida de probabilidad en (, ) esta dada por p : R+ .
La medida de probabilidad llamada equiprobable en es tal que
1
p() = ,
||
Combinatoria
Recordemos algunas igualdades de cardinalidad. Notaremos por In un conjunto de n ele-
mentos, |In | = n. Para todo efecto de cardinalidad podemos suponer In = {1, . . . , n}, (I0 = ,
|I0 | = 0)
Se tiene: k
Y Y k k
Y
Inl = |Inl | = nl
l=1 l=1 l=1
Luego |Ink | = nk . Esta igualdad se puede escribir como |F(Ik , In )| = nk , donde F(Ik , In ) =
{f : Ik In }. En efecto F(Ik , In ) Ink es una biyeccion.
f (f (i) : i Ik )
Sea I(Ik , In ) = {f : Ik In , f inyectiva}. Se tiene I(Ik , In ) 6= solo en el caso k n.
Supongamos k n. Se tiene
n!
|I(Ik , In )| = = n(n 1) (n k + 1)
(n k)!
k1
Y
Demostracion I(Ik , In ) Inl
l=0
f (f (1), . . . , f (k))
Si f es inyectiva,
k1 In , f (2) In \ {f1 }, . . . , f (k) In \ {f (1), . . . , f (k 1)}. Luego
f (1)k1
Y Y
|I(Ik , In )| = Inl = (n l) = n(n 1) (n k + 1)
l=0 l=0
En particular, para k = n, I(Ik , In ) = P er(In ), conjunto de biyecciones de In In cuyos
elementos particion se llaman permutaciones de In . Se cumple que |P er(In )| = n!
21
22 INDICE GENERAL
f g {f (i) : i Ik } = {g(i) : i Ik }
f (Ik ) = g(Ik ) : los conjuntos imagen son los mismos
i : Pk (n) I(Ik , In )/
B i(B) = {f I(Ik , In ) : f (Ik ) = B}
i esta bien definido, pues |B| = k = |f (Ik )| f I(Ik , In ). Ademas, i es claramente biyeccion.
Luego:
n!
|Pk (n)| = |I(Ik , In )/ | =
(n k)! k!
pues f I(Ik , In ), |Clase de equivalencia de f | = |P er(f (1), . . . , f (k))| = k!
k
X
Definicion Sea In . Sean n1 , . . . , nk 0 tal que = n. Definimos
i=1
Hipergeometrica
Hay una urna con n bolas, de las cuales n1 son rojas y n2 = n n1 son negras. Sea 1 k1
k n. Se saca al azar k bolas. Cual es la probabilidad de que se hayan sacado exactamente
k1 bolas rojas? (Con k2 = k k1 bolas negras)
Clase 07 - 02/04/2013
Revisitemos la Hipergeomeometrica.
In = J J c In = representa urna con n bolitas
J = conjunto de bolas rojas |J| = n1
J c = conjunto de bolas negras |J c | = n2 = n n1
El experimento consiste en sacar al azar un conjunto de k bolitas. Nos preguntamos por la
probabilidad de que este conjunto contuviera k1 bolitas rojas y luego k2 = k k1 bolitas negras,
donde 0 k1 k n.
Tomemos:
= Pk (n) = { : In , || = k}
El conjunto al azar, es un conjunto que se escoje de manera equiprobable en , es
1 1 1
decir, P({}) = = = ,
|| |Pk (n)| n
k
Nos interesa calcular P(A), en donde:
A = { : | J| = k1 , | J c | = k k1 }
= { : | J| = k1 } Ya que || = k,
X |A| |A|
Con lo que P(A) = P({}) = =
|| n
A
k
Ademas |A| : A Pk1 (n1 ) P(k2 )(n2 )
J Jc
que es claramente un biyeccion, por lo que concluimos que:
n n n1 n n1
k1 k k1 kk
P(Ak ) = 2 = 2
n n
k k
Que es tambien:
k nk
k1 nk
P(Ak ) = 1
n
n1
En donde In = J J c ; = Pk (n) = { In : || = k}; Ak = { : | J| = k} es
cambiada a In = K K c ; e = Pn (n) = { In : || = n1 }; A
1
g k1 = { : | K| = k}
e
23
24 INDICE GENERAL
Generalizacion de la Hipergeometrica
Sea una urna In con n bolas, In esta particionado en bolas de r colores distintos.
[r Xr
In = Jl , Jl =bolas de color l. Notamos que Jl = nl , luego n = nl
l=1 l=1
Se saca al azar un conjunto de k bolas. Cual es la probabilidad de que obtenga k1 bolas de
r
X
J1 , ..., kr bolas de Jr ? Notar que k = kl
l=1
1 1
= Pk (n) = { : In , || = k}; P({}) = =
|| n
k
Akl = { : | Jl | = kl }, l = 1, . . . , r
Se tiene que Ak1 ...kr Pk1 (J1 ) Pkr (Jr ) es biyeccion, luego:
( J1 , . . . , Jr )
Y r
n1 nr nl
|Ak1 ,...,kr | = =
k1 kr kl
l=1
r
nl
Y
kl
Luego, la probabilidad buscada es: P(Ak1 ,...,kr ) = l=1 Notemos que si n = 2 es igual a
n
k
lo que habiamos hecho antes.
Variables Aleatorias
Sea (, , P) espacio de probabilidad que consideraremos fijo.
Propiedades
Nota Por (iii) y (iv), el conjunto de v. a. es espacio vectorial; por (iii), (iv) y (v) el conjunto
de v. a. es un algebra conmutativa; por (vii) el conjunto de v. a. es un reticulado (cerrado para
el maximo y el mnimo); por (i), (iii), (iv) y (v) el conjunto de v. a. es un algebra conmutativa
unitaria, pues la funcion constante 1 : R es el neutro de la multiplicacion.
1() = 1
25
26 INDICE GENERAL
La segunda parte de (ii), resulta de lo hecho previamente (la parte si) y de (*?) tomando
C = {1} P(R), para la parte solo si.
Demostracion (Continuacion)
(iii) Sea X v. a. y R. Digamos 6= 0. Para C (R) debemos mostrar que (X)1 (C)
1 1
. Se tiene (X)1 (C) = { : X() C} = { : X() C} = X 1 ( C), en donde
1 1
C = {y R : y C} (R). Luego, como X es v. a., X 1 ( C) .
(vi) Sean X, Y v. a. Por demostrar que Z = max(X, Y ) es v. a. Para esto, basta probar que
Z 1 ((, a]) a R
Corolario
X
a) Sean X, Y v. a. Entonces, es v. a.
Y {Y 6=0}
b) Sea (Xn : n N) sucesion de v. a. Entonces ( lm Xn ) es v. a.
n { lm Xn }
n
X
Observacion Y () = 0 = 0 por definicion.
Y
es 1 si lm Xn y 0 en caso contrario.
{ lm Xn } n
n
27
28 INDICE GENERAL
Nota Todas las funciones continuas o con un conjunto aislado numerable de discontinuida-
des son funciones borelianas.
Si C (R), la indicadora 1C es boreliana.
El conjunto de funciones borelianas tiene las propiedades ya descritas de v. a. (espacio
vectorial, reticulado, algebra unitaria).
Demostracion
(0) PX esta bien definida en (R) pues X es v. a. Luego C (R), X 1 (C) , luego
P(X 1 (C)) [0, 1]
(1) PX (R) = P(X 1 (C)) = P() = 1
(2) Sean (Cn : n N) (R) familia disjunta de borelianos. Entonces:
! ! !
[ [ [ X X
1 1
PX Cn = P(X Cn ) = P (X Cn ) = P(X 1 (Cn )) = PX (Cn )
nN nN nN nN nN
C1 , . . . , Cn (R), { : Xi () Ci , i = 1, . . . , n}
n
\ n
\
{Xi Ci i = 1, . . . , n} = {Xi Ci } = X 1 (Ci )
i=1 i=1
INDICE GENERAL 29
n
! n
\ Y
Esto es: P {Xi Ci } = P(Xi Ci )
i=1 i=1
Yn
= PXi (Ci )
i=1
Demostracion Ejercicio.
30 INDICE GENERAL
Clase 10 - 16/04/2013
X 1 ({a}) = { : X() = a} , a I
Admitimos la generalizacion siguiente: X : R v. a. d. si I R numerable tal que
P(X I) = 1
31
32 INDICE GENERAL
Y a
Observacion Sean a, b R, a 6= b. Si P(Y = a) = 1 p , entonces X = es Bernoulli(p).
ba
P(Y = b) = p
Dicho de otro modo, si X es Bernoulli(p), entonces Y = a + bX es tal que P(Y = a) = 1 p .
P(Y = b) = p
n
X
Propiedades Sean X1 , . . . , Xn v. a. Bernoulli(p) independientes. Entonces Y = Xi es
i=0
n k
Binomial(n, p), es decir, P(Y = k) = p (1 p)nk , k = 0, . . . , n
k
Nota Binomial se puede ver como el numero k de caras que aparecen en n lanzamientos.
Demostracion
n
!
X
P(Y = k) = P Xi = k= P(|{i {1, . . . , n} : Xi = 1}| = k)
i=1 !
[ X
=P {{i In : Xi = 1} = J} = P(Xi = 1, i J; Xi = 0, i J k )
JIn JIn
|J|=k |J|=k
X Y Y X
|J| n|J| n k
= ( P(X = 1))( P(X = 0)) = p (1 p) = p (1 p)nk
0
|{z} k n
JIn iJ iJ JIn |{JIn :|J|=k}|=( k )
|J|=k |J|=k
INDICE GENERAL 33
Demostracion
P(Y = k) = P(nf({i N : Xi = 1}) = k) = P(Xi = 0 i < k; Xk = 1)
k1
Y
= P(Xi = 0)P(Xk = 1) = (1 p)k1 p
i=1
Comprobemos Se tiene
X X k
P(X Z+ ) = PX (k) = e = e e = 1
k!
kZ+ kZ+
Propiedad
Sea X Poisson(), entonces si Yn es Binomial(n, p(n)) y np(n) |{z}
n
P(X = k) = lm P(Yn = k)
x
Se puede interpretar como el numero de llamadas recibidas en una unidad de tiempo con una
escala
Clase 11 - 18/04/2013
Funcion de Distribucion
Tratemos el caso general de v. a. de X R. Vamos a describir PX (que la llamaremos ley
de X) como PX (C) = P(X 1 C) = P(X C) Cuando C = (, ] se tiene PX ((, x]) =
P(X x), x R Vemos que esto ultimo caracteriza la ley de X. A continuacion definiremos y
consideraremos generales:
Observaciones
Siempre existe F (x ) = lm+ F (x h) x R
h0
x es punto de continuidad si F (x ) = F (x+ ) = F (x)
x es punto de discontinuidad si F (x ) 6= F (x+ ) (Obviamente se tiene F (x ) F (x+ ))
Notamos DF = {x : F (x ) = 6 F (x+ )} el conjunto de discontinuidades de F
Teorema
a) Si P es una medida de probabilidad en (R, (R)), entonces F (x) := P((, x]), x R define
una funcion de distribucion.
b) Si F : R [0, 1] es funcion de distribucion, entonces !P medida de probabilidad en (R, (R))
tal que F (x) = P((, x])
35
36 INDICE GENERAL
[
(3) Si xn , se tiene (, xn ) creciente y R = (, xn ). Por continuidad monotona
! nN
[
P(R) = P (, xn ) lm F (x) = 1
n
nN
\
(4) Si xn , (, xn ] es decreciente y = (, xn ], por lo que
nN
P() = lm P((, xn ]) lm F (xn ) = 0
n n
Demostracion Con (a) se obtienen todas las demas, asi que demostramos solo esa:
(a) Consideramos hn > 0, hn 0. Se tiene F (x ) = lm F (x hn ) = lm P((, x hn ))
n n
Clase 12 - 23/04/2013
Nota Observemos que si F (a ) = 0, entonces P([a, )) = 1, luego P(C) = P(C [a, )), C
(R). Si la (funcion
Z de) distribucion F tiene densidad f , entonces f (z) = 0, z (, a) y
luego P(C) = f (z) dz
C[a,)
Observacion Sea F (funcion de) distribucion con (funcion de) densidad f . Notemos que f
puede ser alterado o redefinido en un conjunto finito o numerable de punto sin que F o P sean
modificados. Mas generalmente, f puede modificarse en un conjunto A tal que (A) = 0 sin que
F o P sean modificados. Aqui : (R) [0, ) es la medida de Lebesgue.
37
38 INDICE GENERAL
Propiedad Sea U v. a. uniforme [0, 1). Entonces, la v. a. X = a + (b a)U es uniforme [a, b].
En efecto:
0 si x < a
x a
xa
FX (x) = P(X x) = P(a + (b a)U x) = P U = si x [a, b]
ba ba
1 si x > b
Z
g(z)
Nota General Si g(x) 0 y 0 < g(x) dx < , entonces f (z) = R es funcion de
g(x) dx
densidad (es decir, es la normalizacion de g)
INDICE GENERAL 39
z
Demostracion Tomando y = debemos mostrar que
Z Z r
1 2
y2 y2
2
e dy = 1, equivalente a e dy =
2 2
0
y
Haciendo el cambio x = queda
2
Z Z Z
2 2
+y 2 )
ex dx = equivalente a e(x dx dy =
2 4
0 0 0
Independencia
Propiedad Si X1 , . . . , Xn son v. a. independientes y hi : R R, i = 1, . . . , n son funciones
borelianas, entonces las v. a. h1 (X1 ), . . . , hn (Xn ) son independientes.
Como en el caso real, se tiene que FX1 ,...,Xn : Rn [0, 1] caracteriza la medida de probabi-
lidad PX1 ,...,Xn : (Rn ) [0, 1] D (Rn ),
D PX1 ,...,Xn (D) = P({(X1 , . . . , Xn ) D})
= P({ : (X1 (), . . . , Xn ()) D})
que es llamada ley conjunta de X1 , . . . , Xn
41
42 INDICE GENERAL
Definicion El vector aleatorio (X1 , . . . , Xn ) se dice abs. continuo si fX1 ,...,Xn : Rn R+ que
Zx1 Zxn
verifique: FX1 ,...,Xn (x1 , . . . , xn ) = fX1 ,...,Xn (z1 , . . . , zn ) dz1 . . . dzn , (x1 , . . . , xn ) Rn
A fX1 ,...,Xn se le llama (funcion de) densidad conjunta de (X1 , . . . , XN ). Necesariamente
fX1 ,...,Xn verifica:
d(FX1 ,...,Xn )
Ademas se cumple: (x1 , . . . , xn ) = fX1 ,...,Xn (x1 , . . . , xn ), (x1 , . . . , xn ) Rn
dx1 , . . . , dxn
Nota En este contexto fXi se llama la densidad marginal de fX1 ,...,Xn (Lo mismo con FXi , que
se llama la distribucion marginal de FX1 ,...,Xn )
Cambio de Variables
Lo haremos solo en caso de una v. a. (mas adelante veremos el caso del vector aleatorio).
Y = hX : R
Y () = hX() = h(X())
d
Aplicando queda:
dy
1 1
fY (y) = fX (h1 (y)) = fX (h1 (y)) 0 1
h0 (h1 (y)) |h (h (y))|
Veamos el caso no inyectivo: Por simpleza solo veremos el caso h0 6= 0, excepto por el punto
0
h (x0 ) = 0, en que la situacion es un maximo o minimo.
44 INDICE GENERAL
X 1
fY (y) = fX (X(y))
|h0 (X(y))|
X(y)h1 (y)
Ejemplo Sea X v. a. abs. continua con fX (x) > 0 x R. Sea h : R R con h(x) = x2 .
Y = hX = X 2 (y). Por lo anterior D = R = {x : fX (x) > 0}; h(D) = R+ . Y tiene densidad
fY (y) = 0 si y
/ R+ . Ademas, podemos considerar fY (0) = 0
Para y > 0 se tiene:
FY (y) = P(Y y) = P(X 2 y) = P( y X y)
= P(X y) P(X y) = FX ( y) FX ( y)
d
Luego, :
dy
1 1
fY (y) = fX ( y) + fX ( y)
2 y 2 y
X 1
h1 (y) = { y, y}, fY (y) = fX (X(y))
|h0 (X(y))|
X(y)h1 (y)
45
46 INDICE GENERAL
Entonces cada v.a X1 es abs. continua con densidad fXi dada por
+
Z +
Z Z
fXi (xi ) = dz1 dzn fX1 ,...,Xn (z1 , . . . , xi , . . . , zn ), Sin tomar en cuenta zi
|{z}
posicion i
Demostracion
FXi = P(Xi xi ) = P(X1 , . . . , Xi xi , . . . , Xn Xn )
= P((X1 , . . . , Xn ) (, xi ) Rn1 )
+
Z Zxi +
Z
= dz1 dzi dzn fX1 ,...,Xn (z1 , . . . , zn )
Zx
d
h(t)dt = h(x)
dx
+
Z +
Z
dFXi (xi )
fXi (xi ) = = dz1 dzn fX1 ,...,Xn (z1 , . . . , xi , . . . , zn )
dxi
Esperanza
La esperanza es el valor medio o esperado de una v. a.
+0
Z +
Z
Sobre la existencia: E(X) = x dFX (x) + x dFX (x)
0
| {z } | {z }
0 0
Z0 Z
E(X) no existe si x dFX (x) = y x dFX (x) =
0
Z0 Z
E(X) existe si x dFX (x) > y/o x dFX (x) > (el y implica que es finito)
0
Cada vez que escribamos E(X) supondremos que existe y es finita.
INDICE GENERAL 47
Propiedades
(a) Si Xa = a, v. a. cte.E(Xa ) = a
(b) Si X = 1B con B (funcin indicadora)E(1B ) = P(B)
(c) X 0 E(X) 0; X Y E(X) E(Y )
(d) X, Y v. a. , R. Entonces: E(X + Y ) = E(X) + E(Y ). (Lineal)
X
(e) Si X es discreta, es decir para cierto I numerable X = a1{X=a} , entonces
aI
X X
E(X) = aP(X = a) = aPX (a)
aI aI
+
Z
(f) Si X es abs. continua con densidad fX : E(X) = x fX (x)dx
+
Z
(g) Si h : R R Boreliano, entonces E(h(X)) = h(x) dFX (x), dFX (x)
Propiedades
(a) Si X1 , . . . , Xn son v. a. y h : Rn R funcion boreliana, entonces
h(X1 (), . . . , Xn () : R es v. a. Se tiene
h(X1 , . . . , Xn )
Z
E(h(X1 , . . . , Xn )) = h(X1 , . . . , Xn ) dFX1 ,...,Xn (x1 , . . . , xn )
Rn
49
50 INDICE GENERAL
n
Y
Y si ademas h(X1 , . . . , Xn ) = hi (xi ) queda
i=1
n
Z Y n Z
Y
E(h(X1 , . . . , Xn )) = hi (xi ) dFX1 (x1 ) . . . dFXn (xn ) = hi (xi ) dFXi (xi )
Rn i=1 i=1Rn
Demostracion Como X 0, si P(X = 0) < 1, a > 0 tal que P(X a) > 0. Ademas,
como X 0 se tiene X() a 1{Xa} . Luego, E(X) E(a)E(1{Xa} ) = aP(X a) lo que es
una contradiccion.
Propiedades
E(X 2k ) (E(X))2k , k 1
Si X 0, entonces E(X k ) (E(X))k , k 1
Es decir, m2k m2k
1 y si X 0, mk m1
k
Demostracion Por (i) y como g(x) = x2k es convexa para k 1 se deduce la primera. La
segunda se deduce de g : R+ R, g(x) = xk con k 1 es convexa y de X() = R+ .
Varianza
Definicion Sea X v. a. Su varianza es
Nota V ar(X) esta definida si E(X) es finita. V ar(X) es finita si E(X) y E(X 2 ) son finitas.
Para todo efecto consideraremos que V ar(X) existe y es finita.
INDICE GENERAL 51
Demostracion
(1) (X X )2 0 V ar(X) = E((X X )2 ) 0
(2) Sea Y = (X X )2 , se tiene Y 0. E(Y ) = V ar(X). Si V ar(X) = 0 se tiene E(Y ) = 0, y
se concluye P(Y = 0) = 1, esto es P(X = X ) = 1. Ademas P(X = a) = 1 para cierto a R se
tiene E(X) = a, de donde P(X = X ) = 1 y V ar(X) = E((X X )2 ) = 0. Juntando todo esto
se tienen las equivalencias.
(3) Sea Y = + X. Por linealidad E(Y ) = + E(X), es decir, Y = + E(X) = + X .
Luego, V ar( + X) = V ar(Y ) = E(( + X X )2 ) = E( 2 (X X )2 ) = 2 V ar(X)
(4) V ar(X) = E((X X )2 ) = E(X 2 2XX + 2X )
= E(X 2 ) 2E(X)X + 2X = E(X 2 ) 2X
(5) (C) = E((X C)2 ) = E(X 2 2CX + C 2 ) = E(X 2 ) 2CX + C 2 . Derivando con respecto
a C, obtenemos C = X . Volviendo a derivar con respecto a C obtenemos 2 y 2 > 0, luego en
C = X alcanza su mnimo y por definicion (X ) = V ar(X).
(6) Sean X, Y v. a. indep. Se tiene x+y = X + Y .
V ar(X + Y ) = E((X + Y X y )2 ) = E((X X )2 + 2(X X )(Y Y ) + (Y Y )2 ) .
= V ar(X) + 2E((X x )(Y Y )) + V ar(Y )
Como X, Y indep., E(X x )E(Y Y ) que es 0 por (g). Luego, V ar(X +Y ) = V ar(X)+V ar(Y )
Covarianza
Definicion Si X, Y son v. a., su Covarianza es:
Demostracion
(1) Por lo hecho en (6)
(2) Por un desarrollo analogo
(3) Directa
Definicion
Una v. a. Z tal que E(Z) = 0 se dice centrada
Una v. a. Z tal que E(Z) = 0 y V ar(Z) = 1 se dice normalizada.
Propiedades
Sea X v. a. Si E(X) es finita, entonces Z = X E(X) es centrada.
X E(X)
Sea X v. a. Si E(X) es finita y 0 < V ar(X) < , entonces Z = p es normalizada.
V ar(X)
Nota V ar(X) > 0 quiere decir que X no es constante.
Demostracion Punto 2:
!
X E(X) V ar(X)
V ar p = =1
V ar(X) |{z} V ar(X)
(3)
52 INDICE GENERAL
p X X
Nota X = V ar(X) se llama desviacion tpica. Luego, si X no es constante es
X
normalizada.
Clase 16 - 07/05/2013
Convolucion.
Probabilidades totales
z}|{ X
Demostracion PX+Y = P(X + Y = k) = P(X + Y = l|X = l)
X lZ X
= P(Y = k l|X = l) = P(Y = k l)P(X = l)
lZ
X lZ
= PY (k l)PX (l)
lZ
X
Nota La convolucion p q(k) = p(l)q(k l):
lZ
Es conmutativa: p q = q p
Es asociativa: p (q r) = (p q) r. Luego, se escribe p q r
(
1 Si k = 0
0 dada por 0 (k) = es neutro de : p 0 = 0 p = p, pues 0 es la
2 Si k 6= 0
densidad discreta de X = 0
53
54 INDICE GENERAL
k n2
P
k kl
X X1 i=1 li
X n1
X
PX1 ,...,Xn (k) = PX1 (l1 )PX2 (l2 ) PXn (k li )
l1 =0 l2 =0 ln1 i=0
Sea (X, Y ) vector aleatorio abs. continuo con densidad f(X,Y ) (x, y). Entonces:
Si ademas X e Y toman valores en R+ (fX (u) = fY (u) = 0 cuando u < 0), entonces X + Y
toma valores en R+ y se tiene:
Zz
fX+Y (z) = fX (x)fy (z x) dx
0
INDICE GENERAL 55
Demostracion
Z
FX+Y (z) = P(X + Y z) = P(X (x, x + dx], X + Y z)
Z
= P(X (x, x + dx], Y z x)
Z
= P(X (x, x + dx])P(Y z x)
Z
= fX (x)FY (z x)
d
Entonces, haciendo obtenemos:
dz Z
fX+Y (z) = fX (x)fY (z x) dx
Demostracion Induccion
f g = g f , es conmutativa.
f (g h) = (f g) h, es asociativa.
Desigualdades - Tchevycheff
Propiedades
2. Se aplica 1 a la v. a. Z = |X X |p y p .
56 INDICE GENERAL
Desigualdad de Tchevycheff
Sea X v. a., > 0, entonces
E(|X|)
1. P(|X| )
E(|X X |p )
2. Si X es finita, entonces: P(|X X | ) , p 1
ep
3. P(X ) et P(etX ), t > 0
Demostracion Se tiene:
1. |X| 1|X| . Luego, E(|X|) E(1|X|> ) = P(|X| )
2. Resulta de aplicar E a |X X |p p 1|XX |
Tipos de Convergencia
Primero veamos algunos tipos de convergencia. Sea (, , P) espacio de probabilidad y (Xn :
n N) es sucesion de v. a. y X es v. a.
Definicion
Lp
X en Lp (P) si para p 1, E(|Xn X|p ) |{z}
(c) Xn |{z} 0
n n
Proposicion Se tiene:
X Pcs Xn X en probabilidad.
(1) Xn |{z}
n
Lp
X Xn X en probabilidad.
(2) Xn |{z}
n
Demostracion
\ [ \
X Pcs si y solo si P(
Luego, Xn |{z} C(m, k)) = 1
n mN nN kn
57
58 INDICE GENERAL
[ \
Se tiene que C(m, k) decrece con m, de donde:
nN kn
[ \
X Pcs si y solo si m N P(
Xn |{z} C(m, k)) = 1
n nN kn
\ [
esto es si y solo si m N P( ( C(m, k)c )) = 0
nN kn
[
Se tiene que C(m, k) decrece con n, de donde:
kn
[
X Pcs si y solo si m N lm P(
Xn |{z} C(m, k)c ) = 0
n
n kn
[
Como C(m, n)c C(m, k)c , se tiene que lo anterior implica
kn
E(|Xn X|p )
(2) Por Tchevycheff, > 0 se tiene P(|Xn X| )
p
Entonces:
Lp
X, subsucesion nk % tal que Xn |{z}
1. Si Xn |{z} X con Pcs
n n
Lp
X con Pcs y sup |Xn | Y , con E(|Y |p ) < , entonces Xn |{z}
2. Si Xn |{z} X
h1
n n
Ejemplo Tomemos = [0, 1], ([0, 1]) = {B (R) : tales que B [0, 1]} y P = , medida
de Lebesgue en ([0, 1], ([0, 1])), es decir, ((a, b]) = b a, (a, b] [0, 1]
Todo n [N lo representamos de manera unica como n = 2l + r, l 0, r {0, 1, . . . , 2l 1},
ya que N = {2l , . . . , 2l+1 1}. Entonces: Xn = 1( r , r+1 )
2l 2l
l0
Para > 0 se tiene
r r+1 1
P(|Xn | > ) = (|Xn | > ) = , = 0
2l 2l 2l |{z}
n
Es decir:
N
1 X
P({ : lm Xn () = E(X1 )}) = 1
N N
n=1
Que significa que el promedio emprico converge al teorico, y se le llama a menudo Teorema
Fuerte de los Grandes Numeros.
Nota Si Xn Bernoulli(p), se tiene E(Xn ) = p. Luego, en este caso el Teorema de los Grandes
Numeros:
N
1 X
p, Pcs
Xn |{z}
N n=1 N
N
!
X
Xn = |{n {1, . . . , N } : Xn 1}| Binomial(n, p)
n=1
Por hipotesis E(X1 ) es finito. Probaremos bajo estas hipotesis la convergencia en L2 , ya que
probamos que implica la convergencia en probabilidad.
XN
Sea Sn = Xn . Se tiene:
n=1
N
! N
Sn 1 X 1 X V ar(X1 )
V ar = 2 V ar Xn =
|{z} N 2 V ar(Xn ) |{z}
=
N N n=1 n=1
N
ind. = dist.
Luego: " #
Sn L2 V ar(X1 )
E(X1 ) pues 0
N |{z} N |{z}
N N
V ar SNn
Sn V ar(X1 )
P E(X1 )
= 0
N 2 2 N |{z}
N
Nota
n n
1X 1X
Xi E(X1 ) = (Xi E(Xi )), pues E(Xi ) = E(X1 ), i N
n i=1 n i=1
1
Expansion Diadica y v. a. Bernoulli
2
Ah, s, s
61
62 INDICE GENERAL
dn X (s)
(e) Si E(|X n |) < , entonces = (1)n E(X n )
dsn 0
(f) Si X es discreta
X tomando valores
X en el conjunto numerable I [m, ), se tiene:
sa sa
X (s) = e PX (a) = e P(X = a)
aI aI
Demostracion
(a) esX esm si X m
(b) e0X = 1
Z Z
Nota FX (x) = 1(,X] (z) dFX (z), X (s) = esz dFX (z)
Se tiene entonces:
Z Z Z
itx
X (t) = e FX (x) = cos(tx) dFX (x) + i sin(tx) dFX (x)
Propiedades
(b) |X (t)| 1, t R
63
64 INDICE GENERAL
(f) Si X : discreta
X a valores en XI R numerable
itx
X (t) = e PX (a) = eitx P(X = a)
aI aI
Demostracion
(0) X v. a. cos(tx) y sin(tx) son v. a. Estan acotados, toman valores en [1, 1] por lo que
E(cos(tX)) y E(sin(tX)) y son finitas, de donde X (t) C esta bien definido.
Ejemplo
Propiedad Si X N (, 2 ), entonces:
1 2
2
X (t) = eit 2 t , t R
En particular, si X N (0, 1), entonces:
t2
X (t) = e 2
INDICE GENERAL 65
Y despues con un poquito de magia (que tengo que anadir despues) sale.
D
Propiedad Xn X en probabilidad Xn X
n