Cip

Curso intermedio de PROBABILIDAD
Luis Rinc on Departamento de Matem aticas Facultad de Ciencias UNAM Circuito Exterior de CU 04510 M exico DF Versi on: Octubre 2007
Una versi on actualizada del presente texto se encuentra disponible en formato electr onico en la direcci on http://www.matematicas.unam.mx/lars
ii
Contenido
1. Espacios de probabilidad 1.1. Espacios de probabilidad . 1.2. - algebras . . . . . . . . . 1.3. Medidas de probabilidad . 1.4. Independencia de eventos 1.5. Lema de Borel-Cantelli . . 1.6. Ejercicios . . . . . . . . .
. . . . . .
. . . . . .
. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . .
1 1 3 20 33 37 42 57 57 68 74 81 84 94 100 108
2. Variables aleatorias 2.1. Variables aleatorias . . . . . . 2.2. Funci on de distribuci on . . . 2.3. Tipos de variables aleatorias . 2.4. Integral de Riemann-Stieltjes 2.5. Caracter sticas num ericas . . 2.6. Distribuciones discretas . . . 2.7. Distribuciones continuas . . . 2.8. Ejercicios . . . . . . . . . . . 3. Vectores aleatorios 3.1. Vectores aleatorios . . . 3.2. Distribuci on conjunta . 3.3. Densidad conjunta . . . 3.4. Distribuci on marginal . 3.5. Distribuci on condicional . . . . . . . . . . . . . . .
141 . 141 . 144 . 149 . 156 . 160
iii
3.6. Independencia . . . . . . . . . . . . . . . . . . . . 3.7. Esperanza de una funci on de un vector aleatorio 3.8. Covarianza . . . . . . . . . . . . . . . . . . . . . 3.9. Coeciente de correlaci on . . . . . . . . . . . . . 3.10. Esperanza y varianza de un vector aleatorio . . . 3.11. Distribuciones multivariadas discretas . . . . . . 3.12. Distribuciones multivariadas continuas . . . . . . 3.13. Ejercicios . . . . . . . . . . . . . . . . . . . . . . 4. Esperanza condicional 4.1. Esperanza condicional 4.2. Esperanza condicional: 4.3. Algunas propiedades . 4.4. Varianza condicional . 4.5. Ejercicios . . . . . . . . . . . . . . . caso discreto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
163 168 171 173 179 181 183 186 213 214 216 221 223 226
5. Transformaciones 229 5.1. Transformaci on de una variable aleatoria . . . . . . . . . . . . 229 5.2. Transformaci on de un vector aleatorio . . . . . . . . . . . . . 235 5.3. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252 6. Dist. muestrales y estad sticas de orden 261 6.1. Distribuciones muestrales . . . . . . . . . . . . . . . . . . . . 263 6.2. Estad sticas de orden . . . . . . . . . . . . . . . . . . . . . . . 271 6.3. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 281 7. Convergencia 7.1. Tipos de convergencia . . . . . . . . . . . . 7.2. Relaciones entre los tipos de convergencia . 7.3. Dos resultados importantes de convergencia 7.4. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 287 287 297 303 306
8. Funciones generadoras 311 8.1. Funci on generadora de probabilidad . . . . . . . . . . . . . . 311 8.2. Funci on generadora de momentos . . . . . . . . . . . . . . . . 316 iv
8.3. Funci on caracter stica . . . . . . . . . . . . . . . . . . . . . . 323 8.4. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 336 9. Dos 9.1. 9.2. 9.3. 9.4. teoremas l mite Algunas desigualdades . . . Ley de los grandes n umeros Teorema central del l mite . Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 347 347 352 357 360 365 373
A. Distribuciones de probabilidad B. Conceptos y resultados varios
vi
Pr ologo
El presente texto est a dirigido a estudiantes de mitad de carrera de las licenciaturas de matem aticas, actuar a, y areas anes. Contiene el material b asico para un segundo curso de probabilidad, y tiene como origen las notas de clase del curso semestral de Probabilidad II, que he impartido durante los u ltimos a nos en la Facultad de Ciencias de la UNAM. El enfasis de este segundo curso se centra en la formalizaci on de algunos conceptos estudiados en un primer curso de probabilidad, y en el estudio de vectores aleatorios y sus varios conceptos relacionados. El lector puede comprobar que se hace poco enfasis en las aplicaciones, y que la exposici on cubre principalmente el desarrollo matem atico. El objetivo es que despu es de este curso, el estudiante pueda continuar con facilidad con un curso de estad stica matem atica, de procesos estoc asticos, o tal vez un curso avanzado de probabilidad o de teor a de la medida, teniendo como elementos b asicos los conceptos te oricos aqu desarrollados. En particular se incluye un cap tulo sobre esperanza condicional, cuyo uso y aplicaci on es cada vez m as frecuente. Tambi en se incluye un cap tulo sobre distribuciones muestrales y estad sticas de orden, con aplicaciones inmediatas en temas de la estad stica matem atica. Al nal de cada cap tulo el lector encontrar a una lista de ejercicios separados por temas. La mayor a de estos ejercicios son de tipo mec anico, algunos de ellos son muy sencillos de modo que el t ermino ejercicios me parece justo y adecuado. Pocos de estos ejercicios son originales, la mayor parte de vii
ellos son modicaciones de ejemplos o resultados cl asicos que se encuentran en la larga literatura existente. La intenci on de contar con este material es la de crear conanza y soltura por parte del alumno en el manejo de los conceptos y notaci on involucrados. El n umero de ejercicios excede lo que normalmente puede realizarse en un semestre, y el objetivo que siempre tuve en mente estos a nos fue el tener un n umero suciente de ellos para presentar algunos en clase, dejar otros para trabajo en casa, y asignar algunos otros para preguntas de examen, usando material ligeramente distinto cada semestre para evitar repeticiones. Durante la exposici on de los temas el lector encontrar a tambi en algunos otros ejercicios propuestos y algunos ejemplos resueltos. La presentaci on del material mantiene la estructura de las notas de clase, y creo que ser a particularmente u til al estudiante con poco tiempo para leer p arrafos completos, y quien s olo busca una denici on, un resultado, un ejemplo, un ejercicio, o tal vez orientaci on breve acerca de un concepto. En este sentido, el libro contiene tablas a manera de resumen, y los enunciados est an enmarcados para su f acil localizaci on. Tambi en he intentado que la notaci on fuera lo m as simple y m nima posible. Personalmente me gustan los libros con im agenes y diagramas, y he buscado plasmar ese gusto en este A TEX, y las gr acas fueron elaboradas texto. Este material fue escrito en L usando el paquete pstricks, lo cual ha sido realmente un placer. Al nal del texto aparece una lista de referencias que me permito sugerir al lector consultar para profundizar y a veces precisar en determinados temas. Algunos de estos textos no han sido mencionados expl citamente pero aparecen en la lista por que en alg un momento he obtenido inspiraci on de ellos. Agradezco sinceramente a todas aquellas personas, alumnos y profesores, quienes a trav es de sus comentarios y sugerencias, han contribuido al mejoramiento de este texto. Cualquier correcci on o comentario acerca de este trabajo ser a muy bien recibido en el correo electr onico que aparece abajo. Es mi intenci on mantener en el futuro, hasta donde me sea posible, una versi on electr onica actualizada, corregida y gratuita del presente texto. La p agina web donde puede obtenerse es
viii
http://www.matematicas.unam.mx/lars Por u ltimo, me parece importante mencionar que este texto ha sido posible, en gran medida, al excelente ambiente de trabajo y de libertad acad emica que he tenido la fortuna de encontrar en el Departamento de Matem aticas de la Facultad de Ciencias de la UNAM. Gracias a todos por su conanza y apoyo. Luis Rinc on Diciembre 2006 Ciudad Universitaria UNAM lars@fciencias.unam.mx
ix
Cap tulo 1
Espacios de probabilidad
La teor a de la probabilidad es la parte de las matem aticas que se encarga del estudio de los fen omenos o experimentos aleatorios. Se entiende por experimento aleatorio todo aquel experimento tal que cuando se le repite bajo las mismas condiciones iniciales, el resultado que se obtiene no siempre es el mismo. A menudo, y por muy diversas razones, es necesario aceptar que no es posible predecir el resultado de un experimento particular a un cuando se le haya efectuado con anterioridad varias veces bajo las mismas condiciones iniciales, y en consecuencia se considera aleatorio. Bajo estas circunstancias, la teor a de la probabilidad tiene el objetivo de modelar matem aticamente cualquier experimento aleatorio de inter es.
1.1.
Espacios de probabilidad
El modelo matem atico creado durante el primer tercio del siglo XX para estudiar los experimentos aleatorios es el as llamado espacio de probabilidad. Este modelo consiste de una terna ordenada, denotada usualmente por (, F , P ), en donde es un conjunto arbitrario, F es una - algebra de subconjuntos de , y P es una medida de probabilidad denida sobre F . Explicamos a continuaci on brevemente cada uno de estos elementos. 1
1.1. Espacios de probabilidad
Espacio muestral. El conjunto es llamado espacio muestral o espacio muestra, y tiene como objetivo agrupar a todos los posibles resultados del experimento aleatorio en cuesti on. No es imprescindible darle esta interpretaci on al conjunto , y matem aticamente se le considera entonces como un conjunto arbitrario. lgebra. Una clase o colecci -a on no vac a F de subconjuntos de es una - algebra si es cerrada bajo las operaciones de tomar complementos y uniones numerables. El t ermino - algebra se lee sigma- algebra. A los elementos de una - algebra se les llama eventos , sucesos, o conjuntos medibles. Debido a su uso extendido, se usa el t ermino medible, aunque tal vez lo correcto sea decir mensurable. En particular, un evento es simple o elemental si consta de a lo m as un elemento de , y es compuesto cuando consta de dos o m as elementos de . Medida de probabilidad. Una funci on P denida sobre una - algebra F y con valores en el intervalo [0, 1] es una medida de probabilidad si P () = 1 y es -aditiva, es decir, si cumple que P(
An ) =
n=1
P (An ),
n=1
on de cuando A1 , A2 , . . . son elementos de F que cumplen con la condici ser ajenos dos a dos, esto es, Ai Aj = para valores de i y j distintos. El n umero P (A) representa una forma de medir la posibilidad de observar la ocurrencia del evento A, al efectuar una vez el experimento aleatorio. Tenemos entonces formalmente la siguiente denici on. n. (Espacio de probabilidad). Un espacio de probabilidad Definicio es una terna (, F , P ), en donde es un conjunto arbitrario, F es una - algebra de subconjuntos de , y P es una medida de probabilidad denida sobre F . El objetivo es asociar un espacio de probabilidad al experimento aleatorio de inter es. No existen reglas establecidas para ello y adem as la posible asig-
Cap tulo 1. Espacios de probabilidad
naci on no es u nica, pues dependiendo del inter es del observador, se puede asociar un espacio de probabilidad u otro. En este primer cap tulo se estudian con m as detalle los conceptos de - algebra y medida de probabilidad. Empecemos con el primero.
1.2.
- algebras
En esta secci on se estudia el concepto de - algebra y se dene la m nima - algebra generada por una colecci on arbitraria de subconjuntos del espacio muestral. Recordemos nuevamente la denici on de esta estructura. n. ( -a lgebra, espacio medible, evento). Una colecci Definicio on F de subconjuntos de es una - algebra si cumple las siguientes condiciones: 1. F . 2. Si A F , entonces Ac F . 3. Si A1 , A2 , . . . F , entonces
n=1
An F .
A la pareja (, F ) se le llama espacio medible y a los elementos de F se les llama eventos o conjuntos medibles. En palabras, una - algebra es una colecci on de subconjuntos de que no es vac a y que es cerrada bajo las operaciones de tomar complemento y efectuar uniones innitas numerables. Estas propiedades garantizan que la colecci on es cerrada al efectuar las operaciones usuales entre conjuntos, es decir, al tomar las operaciones de uni on, intersecci on, complemento, diferencia, diferencia sim etrica, etc. se obtienen nuevamente elementos de la misma colecci on.
lgebras 1.2. -a
En probabilidad elemental el conjunto denota el espacio muestral o conjunto de posibles resultados de un experimento aleatorio, y los elementos de F representan eventos en el experimento aleatorio. Una - algebra es entonces una estructura que nos permite agrupar ciertos subconjuntos de de inter es, aquellos a los cuales se desea calcular su probabilidad, y esta estructura constituye el dominio de denici on de una medida de probabilidad. Cuando el espacio muestral es nito normalmente se toma como - algebra el conjunto potencia de , pero para espacio muestrales m as generales no siempre puede tomarse esa estructura tan grande, y deben considerarse entonces - algebras m as peque nas, es por ello que se estudian estas estructuras. En general existen varias - algebras que pueden asociarse a un conjunto cualquiera no vac o como se muestra a continuaci on. Ejemplo Sea un conjunto cualquiera no vac o. Es inmediato comprobar que cada una de las siguientes colecciones es una - algebra de subconjuntos de . La - algebra del primer inciso es la - algebra m as peque na que podemos asociar a un conjunto cualquiera , y la - algebra del u ltimo inciso es la m as grande. a) F1 = {, }. b) F2 = {, A, Ac , }, en donde A . c) F3 = 2 , conjunto potencia.
Ejemplo. Sean A y B subconjuntos de tales que A B . La siguiente colecci on es una - algebra de subconjuntos de que contiene expl citamente a los conjuntos A y B . Puede usted vericar tal armaci on con la ayuda de un diagrama de Venn? F = {, A, B, Ac , B c , B A, (B A)c , }
Ejercicio. Sea un conjunto no numerable. Demuestre que la colecci on c F dada por {A : A o A es nito o numerable} es una - algebra.
A D
Figura 1.1: Una - algebra es una colecci on F = {A, B, C, D, E, . . .} de subconjuntos que no es vac a y que es cerrada bajo complementos y uniones numerables. En la Figura 1.1 puede observarse una representaci on gr aca de una algebra como una colecci on de subconjuntos de . En la secci on de ejercicios se pueden encontrar algunos otros ejemplos de - algebras. El uso de la letra F para denotar una - algebra proviene del nombre en ingl es eld que signica campo. A menudo se usa tambi en el t ermino -campo en lugar de - algebra. Observe con cuidado el uso y signicado de los s mbolos de contenci on y pertenencia: A y A F . Demostraremos a continuaci on algunas otras propiedades generales de las - algebras. n. Sea F una - Proposicio algebra de subconjuntos de . Entonces 1. F . 2. Si A1 , A2 , . . . F , entonces
n=1
An F .
3. Si A, B F , entonces A B F , y AB F .
Demostraci on. 1. Como F y F es una colecci on cerrada bajo complementos, en-
6
tonces c = F .
lgebras 1.2. -a
c c 2. Si A1 , A2 , . . . F , entonces Ac 1 , A2 , . . . F . Por lo tanto n=1 An F . Tomando complementos y usando las leyes de De Morgan se obtiene el resultado.
3. Estas proposiciones se siguen de lo demostrado antes y de las deniciones A B := A B c , y AB := (A B ) (B A).
La proposici on anterior establece entonces que las - algebras son estructuras tambi en cerradas bajo las operaciones de diferencia e intersecciones numerables. En la secci on de ejercicios pueden encontrarse algunas otras deniciones de - algebra equivalentes a la que hemos enunciado, y que involucran las operaciones de la proposici on anterior. Una operaci on de particular importancia es aquella en la que se intersectan dos - algebras produciendo una nueva - algebra, este es el contenido del siguiente resultado. n. La intersecci Proposicio on de dos - algebras es una - algebra.
Demostraci on. Sean F1 y F2 dos - algebras de subconjuntos de un mismo . Entonces F1 F2 es aquella colecci on de subconjuntos de cuyos elementos pertenecen tanto a F1 como a F2 . Demostraremos que F1 F2 es una - algebra. a) Como F1 y F2 son - algebras, entonces F1 y F2 . Por lo tanto F1 F2 . b) Sea A un elemento en F1 F2 . Entonces A F1 y A F2 . Por lo tanto Ac F1 y Ac F2 , es decir, Ac F1 F2 .
c) Sea A1 , A2 , . . . una sucesi on de elementos en la intersecci on F1 F2 . Entonces A1 , A2 , . . . F1 y A1 , A2 , . . . F2 . Por lo tanto n=1 An F1 y n=1 An F2 , es decir, n=1 An F1 F2 .
Hemos entonces comprobado que si F1 y F2 son dos - algebras de un mismo conjunto , entonces F1 F2 es nuevamente una - algebra de subconjuntos de , naturalmente m as peque na que F1 y F2 en el sentido F1 F2 F1 , F2 . La siguiente pregunta consiste en vericar si la uni on de dos algebras produce nuevamente una - algebra. En este caso la respuesta es negativa. En general no es cierto que la uni on de dos - algebras produce una nueva - algebra. V eanse por ejemplo los ejercicios 9 y 10 a este respecto. Por otro lado se puede extender la validez de la proposici on reci en demostrada a intersecciones m as generales como indica el siguiente resultado. n. La intersecci Proposicio on nita, innita numerable o bien arbitraria de - algebras es nuevamente una - algebra.
Demostraci on. Sea T un conjunto arbitrario distinto del vac o. Suponga que para cada t en T se tiene una - algebra Ft de subconjuntos de . Sea F = tT Ft . Siguiendo los mismos pasos que en la demostraci on anterior es f acil probar que F es una - algebra. Observe que como T es un conjunto arbitrario, la - algebra F es efectivamente una intersecci on arbitraria de - algebras. Lo demostrado anteriormente garantiza que la siguiente denici on tiene sentido. n. ( -a lgebra generada). Sea C una colecci Definicio on no vac a de subconjuntos de . La - algebra generada por C , denotada por (C ), es la colecci on (C ) = {F : F es - algebra y C F }.
Es decir, la colecci on (C ) es la intersecci on de todas aquellas - algebras que contienen a C . Por la proposici on anterior sabemos que (C ) es una
lgebras 1.2. -a
- algebra. A (C ) tambi en se le llama m nima - algebra generada por C , y el adjetivo m nima es claro a partir del hecho de que es la - algebra m as peque na que contiene a la colecci on C . Es decir, si F es una - algebra que contiene a C , entonces forzosamente (C ) F . Observe que C (C ) pues a la colecci on C se le han a nadido posiblemente algunos otros subconjuntos para convertirla en la - algebra (C ). Ejemplo. Sean A, B con A y B ajenos. Dena la colecci on C = {A, B }. En general esta colecci on no es una - algebra pero podemos a nadirle algunos subconjuntos de para encontrar la - algebra generada por C . Resulta que la m nima - algebra que contiene a la colecci on C es la siguiente. Puede usted demostrar tal armaci on? (C ) = {, A, B, (A B )c , A B, Ac , B c , }.
Los siguientes dos resultados son proposiciones sencillas y naturales acerca de - algebras generadas. Las demostraciones son cortas pero requieren algunos momentos de reexi on en una primera lectura. n. Sean C1 y C2 dos colecciones de subconjuntos de tales Proposicio que C1 C2 . Entonces (C1 ) (C2 ). Demostraci on. Claramente C1 C2 (C2 ). Entonces (C2 ) es una algebra que contiene a la colecci on C1 . Por lo tanto (C1 ) (C2 ). n. Si F es una - Proposicio algebra, entonces (F ) = F .
Demostraci on. Sabemos que F (F ). Por otro lado como F es una algebra que contiene a F , entonces (F ) F . Esto demuestra la igualdad.
Ejercicio. Demuestre que ( (C )) = (C ), en donde C una colecci on de subconjuntos de . Ejercicio. Demuestre que (C1 C2 ) = ( (C1 ) (C2 ) ), en donde C1 y C2 son dos colecciones no vac as de subconjuntos de .
Otras estructuras de subconjuntos

En esta secci on se presentan los conceptos de algebra y semi- algebra, y su relaci on con - algebras. No estudiaremos estas estructuras con detalle pero las mencionamos porque desempe nan un papel importante en la construcci on y extensi on de medidas de probabilidad. n. (Algebra Definicio ). Una colecci on A de subconjuntos de es una algebra si cumple las siguientes condiciones: 1. A . 2. Si A A , entonces Ac A .
n
3. Si A1 , . . . , An A , entonces
k =1
Ak A .
La diferencia entre una algebra y una - algebra estriba en que para la primera se pide que sea una colecci on cerrada bajo uniones nitas mientras que la segunda es una colecci on cerrada bajo uniones innitas numerables. Claramente toda - algebra es una algebra.
10
lgebras 1.2. -a
n. (Semia lgebra). Una colecci Definicio on S de subconjuntos de es una semi algebra si cumple las siguientes condiciones: 1. S . 2. Si A, B S , entonces A B S . 3. Si A, A1 S son tales que A1 A, entonces existen A2 , . . . , An S tales que los subconjuntos A1 , . . . , An son ajenos dos a dos y se cumple que
n
A=
k =1
Ak .
Los conceptos de - algebra, algebra y semi algebra est an relacionados como se muestra en la Figura 1.2. En la secci on de ejercicios se pide demostrar las implicaciones y no implicaciones que se obtienen de este diagrama.
- algebras
algebras semi algebras
Figura 1.2: Relaci on general entre - algebras, algebras y semi algebras. A continuaci on se estudia un ejemplo particular de - algebra de subconjuntos de n umeros reales: la - algebra de Borel.
11
Conjuntos de Borel
Considere la colecci on de todos los intervalos abiertos (a, b) de R, en donde a b. A la m nima - algebra generada por esta colecci on se le llama algebra de Borel de R, y se le denota por B (R). n. ( -a lgebra de Borel de R). Definicio B (R) = { (a, b) R : a b } . A los elementos de B (R) se les llama conjuntos de Borel , Borelianos o conjuntos Borel medibles. De esta forma se puede asociar la - algebra B (R) al conjunto de n umeros reales, y obtener as el espacio medible (R, B (R)). Se muestran a continuaci on algunos elementos expl citos de esta - algebra. n. Para cualesquiera n Proposicio umeros reales a b, los intervalos [a, b], (a, ), (, b), [a, b), (a, b] y {a}, son todos elementos de B (R). Demostraci on. Primeramente observe que los intervalos cerrados [a, b] son conjuntos Borelianos, pues podemos escribirlos en t erminos de una intersecci on numerable de intervalos abiertos de la siguiente forma
[a, b] =
n=1
(a
1 1 , b + ). n n
Observe que cada elemento de la intersecci on anterior es un conjunto Boreliano. Siendo B (R) una - algebra, la intersecci on innita es un elemento de B (R). De esta forma se concluye que cada intervalo cerrado es un conjunto
12
lgebras 1.2. -a
de Borel. As mismo tenemos que (a, ) = y (, b) =
n=1 n=1
(a, a + n) B (R), (b n, b) B (R).
Por lo tanto [a, ) = y (, b] =
n=1 n=1
(a
1 , ) B (R), n 1 ) B (R). n
(, b +
De forma an aloga se puede hacer ver que los intervalos semiabiertos de la forma [a, b) y (a, b] son conjuntos Borelianos. Los conjuntos que constan de un solo n umero tambi en son conjuntos Borelianos pues {a} =
n=1
(a
1 1 , a + ). n n
Complementos, intersecciones y uniones numerables de estos conjuntos son todos ellos Borelianos. Este hecho puede utilizarse para comprobar los siguientes resultados. Ejercicio. Demuestre directamente que N, Z y Q son elementos de B (R). Demuestre adem as que el conjunto de n umeros irracionales es un conjunto de Borel de R. Adem as de la denici on enunciada, existen otras formas equivalentes de generar a los conjuntos Borelianos. Este es el contenido de la siguiente proposici on.
13
n. Las siguientes - Proposicio algebras son todas id enticas a B (R). 1. 2. 3. { [a, b] : a b }. 4. 5. { (a, ) : a R }.
{ (a, b] : a b }. { [a, b) : a b }.
{ (, b) : b R }.
Demostraci on. Se prueba u nicamente el primer inciso, el resto de ellos se demuestra usando el mismo procedimiento. Para demostrar que B (R) = {[a, b] : a b} se verican ambas contenciones. Claramente [a, b] B (R), por lo tanto {[a, b] : a b} B (R). Entonces {[a, b] : a b} B (R). Ahora se demuestra la contenci on contraria. Sabemos que (a, b) {[a, b] : 1 1 ]. Entonces {(a, b) : a b} {[a, b] : a b} pues (a, b) = n=1 [a + n , b n a b}. Por lo tanto B (R) {[a, b] : a b}. De manera equivalente se puede denir a B (R) como la m nima - algebra generada por todos los subconjuntos abiertos de R. En ambos casos la algebra generada es B (R). Es natural preguntarse si la colecci on B (R) contiene a todos los subconjuntos de R. La respuesta es negativa, es decir, puede demostrarse que existe un subconjunto de los n umeros reales que no pertenece a la colecci on B (R). La construcci on del tal conjunto no es sencilla, y puede obtenerse indirectamente de la siguiente forma: la colecci on B (R) est a contenida en una clase m as amplia llamada la colecci on de conjuntos Lebesgue medibles de R, y se demuestra que existen subconjuntos de R que no son Lebesgue medibles, y por tanto tampoco Borel medibles. Los detalles de estas armaciones pueden encontrarse en textos de teor a de la medida, como por ejemplo [5] o [14]. Es posible tambi en considerar la - algebra de conjuntos de Borel restringidos a una porci on de los n umeros reales como se indica a continuaci on.
14
lgebras 1.2. -a
n. Sea A B (R). La - Definicio algebra de Borel de A, denotada por B (A) o por A B (R), se dene como sigue B (A) = {A B : B B (R)}.
No es dif cil comprobar que la colecci on B (A) es efectivamente una - algebra de subconjuntos de A. Observe que el nuevo conjunto total es A y no R. El concepto de - algebra de Borel de R puede extenderse a dimensiones mayores de la siguiente forma. Considere la colecci on C de todas los rect angulos abiertos de R2 , es decir, C = {(a, b) (c, d) : a b, c d}. Se denen los conjuntos de Borel de R2 como los elementos de la m nima 2 - algebra generada por la colecci on C , es decir, B (R ) = (C ). De manera equivalente se puede denir B (R2 ) = (B (R) B (R)). En forma an aloga n se dene B (R ) usando productos cartesianos de intervalos. n. ( -a lgebra de Borel de Rn ). Definicio B (Rn ) = (B (R) B (R)). En general el producto cartesiano de dos - algebras no es una - algebra de subconjuntos del espacio producto, de modo que debe anteponerse la operaci on a tal colecci on para convertirla en una - algebra. lgebra producto). Demuestre que el producto carteEjercicio. ( -a siano de dos - algebras no es necesariamente - algebra. Esto es, suponga que (1 , F1 ) y (2 , F2 ) son dos espacios medibles. Mediante un ejemplo muestre que F1 F2 no necesariamente es una - algebra de subconjuntos del espacio producto 1 2 . Se dene entonces la - algebra producto como
Cap tulo 1. Espacios de probabilidad (F1 F2 ).
15
Ejercicio. Demuestre que la - algebra {(a, b) (c, d) : a b, c d} coincide con (B (R) B (R)).
Sucesiones de eventos
En esta secci on se estudia el concepto de convergencia de una sucesi on innita de eventos. Para enunciar tal concepto necesitaremos antes las deniciones de l mite superior y l mite inferior para conjuntos. Estas deniciones son an alogas al caso de sucesiones num ericas como puede consultarse en un ap endice al nal del texto. n. (L Definicio mite superior e inferior). Para una sucesi on de eventos {An : n N}, se dene el l mite superior y el l mite inferior como sigue: 1. l m sup An =
n
Ak .
n=1 k =n
2. l m inf An =
n
Ak .
n=1 k =n
Tanto el l mite superior como el l mite inferior son operaciones bien denidas, es decir, el resultado siempre existe y es u nico. En cada caso, el conjunto resultante es siempre un evento, es decir, un conjunto medible. Es sencillo tambi en comprobar que l m inf An l m sup An .
n n
Tampoco es dif cil vericar que un elemento pertenece al evento l mite superior si, y s olo si, pertenece a una innidad de elementos de la sucesi on. En
16
lgebras 1.2. -a
algunos textos de habla inglesa el evento l mite superior se escribe (An i.o.), en donde las letras i.o. signican innitely often. Por otro lado un elemento pertenece al evento l mite inferior si, y s olo si, pertenece a todos los elementos de la sucesi on excepto un n umero nito de ellos. Con estos conceptos podemos ahora establecer la denici on de convergencia de una sucesi on de eventos. n. (Convergencia de eventos). Sea {An : n N} una Definicio sucesi on de eventos. Si existe un evento A tal que m sup An = A, l m inf An = l
n n
entonces se dice que la sucesi on converge al evento A, y se escribe l m An = A.
Para calcular el posible l mite de una sucesi on de eventos debemos entonces calcular el l mite superior y el l mite inferior, y cuando el resultado de ambas operaciones coincida, entonces a tal resultado com un se le llama el l mite de la sucesi on. Ejemplo. Para cada n umero natural n dena el conjunto An = [1/n, 0] si n es impar, y An = [0, 1/n] si n es par. Entonces l m An = {0} pues
n
l m sup An =
n
Ak = Ak =
l m inf An =
n
n=1 k =n n=1 k =n
n=1 n=1
[1/n, 1/n] = {0}, {0} = {0}.
Ejercicio. Sea A un evento. Demuestre que la siguiente sucesi on de eventos no es convergente. A si n es impar, An = Ac si n es par.
17
Como el ejercicio anterior muestra, no todas las sucesiones de eventos convergen. Demostramos a continuaci on que en particular toda sucesi on mon otona es convergente. M as adelante presentaremos algunos otros ejemplos concretos de sucesiones de eventos, y en la secci on de ejercicios se encuentran algunos mas. n. Sea {An : n N} una sucesi Proposicio on mon otona de eventos. 1. Si A1 A2 , entonces l m An =
n n=1 n=1
An .
2. Si A1 A2 , entonces l m An =
n
An .
Demostraci on. 1. Como la sucesi on es creciente, entonces (observe el valor inicial del sub ndice en las operaciones de uni on e intersecci on),
k =n k =n
Ak =
k =1
Ak ,
y Por lo tanto l m sup An =

n
Ak = An .
Ak = Ak =
Ak =
k =1
Ak ,
l m inf An =
n
n=1 k =n n=1 k =n
n=1 k =1 n=1
An .
18
lgebras 1.2. -a 2. El procedimiento es completamente an alogo al inciso anterior. En este caso como la sucesi on es decreciente se tiene que
k =n k =n
Ak =
k =1
Ak ,
y Entonces l m sup An =
n
Ak = An .
Ak = Ak =
l m inf An =
n
n=1 k =n n=1 k =n
An , n=1
n=1 k =1
Ak =
k =1
Ak .
El siguiente resultado establece que a partir de una sucesi on de eventos puede construirse otra sucesi on cuyos elementos son ajenos dos a dos, y cuya uni on es la uni on de la sucesi on original. Este procedimiento de separaci on ser a de utilidad m as adelante.
19
n. Sea {An : n N} una sucesi Proposicio on de eventos. Dena B1 = A1 , y Bn = An

n1 k =1
Ak ,
para n 2.
Entonces la sucesi on de eventos {Bn : n N} satisface las siguientes propiedades: 1. Bn An . 2. Bn Bm = , si n = m. 3.

n=1 n=1
Bn =
An .
Demostraci on. 1. Esto es evidente a partir de la denici on de Bn . 2. Sin p erdida de generalidad suponga que n < m, entonces Bn Bm = (An = (An = .
n1 k =1 n1
Ak ) (Am Ac k ) (Am
m1 k =1 m1 k =1
Ak )
Ac k)
k =1 An Ac n
3. Consideraremos cada contenci on por separado. Como cada Bn est a contenido en An , entonces el lado izquierdo es efectivamente un subconjunto del lado derecho. Por el contrario, sea x un elemento en
20
n=1 An .
1.3. Medidas de probabilidad Entonces existe un ndice n tal que x An . Sea n0 el primer ndice tal que x An0 y x / Aj para 1 j n0 1. Entonces 0 1 x An0 n A = B . Por lo tanto x pertenece a n n0 n=1 n=1 Bn .
1.3.
Medidas de probabilidad
En esta secci on y en lo que resta del presente cap tulo se estudian algunas propiedades de las medidas de probabilidad. Empezaremos por recordar nuevamente la denici on de este concepto. n. (Medida de probabilidad). Sea (, F ) un espacio meDefinicio dible. Una medida de probabilidad es una funci on P : F [0, 1] que satisface 1. P () = 1. 2. P (A) 0, para cualquier A F . 3. Si A1 , A2 , . . . F son ajenos dos a dos, esto es, An Am = para n = m, entonces P (
An ) =
P (An ).
n=1
n=1
Entonces toda funci on P denida sobre una - algebra F , con valores en el intervalo [0, 1] y que cumpla los tres postulados anteriores se le llama medida de probabilidad o probabilidad axiom atica. Estos axiomas fueron establecidos por A. N. Kolmogorov en 1933. En particular, la tercera propiedad se conoce con el nombre de -aditividad. sica). Considere un experimento aleatorio Ejemplo. (Probabilidad cla con espacio muestral un conjunto nito . Asocie a este conjunto la -
21
lgebra 2 , y para cualquier subconjunto A de dena P (A) = #A/#. a Entonces P es una medida de probabilidad, y es llamada probabilidad cl asica. De acuerdo a esta denici on, para calcular la probabilidad de un evento es necesario entonces conocer su cardinalidad. En los inicios de la teor a de la probabilidad se consideraban u nicamente modelos de este tipo, los cuales eran estudiados en el contexto de los juegos de azar. De esta forma de calcular probabilidades surgen muchos y muy variados problemas de conteo, algunos de los cuales pueden no ser f aciles de resolver. Por ejemplo, si cuatro parejas se sientan al azar en una mesa circular, cu al es la probabilidad de que ninguna persona se siente junto a su pareja? Ejemplo. Considere un experimento aleatorio con espacio muestral el conjunto de n umeros naturales N. Asocie a este conjunto la - algebra 2N . Para cualquier subconjunto A de N dena 1 P (A) = . 2n
nA
Es decir, el n umero natural n tiene asociada la probabilidad 1/2n , como se muestra en la Figura 1.3. No es dif cil vericar que P es efectivamente una medida de probabilidad concentrada en el conjunto de n umeros naturales.
P (X = x) 1 2
umeros naturales. Figura 1.3: Una medida de probabilidad concentrada en los n
Ejemplo. Considere el espacio medible (R, B (R)). Sea f : R [0, ) una funci on no negativa y continua, tal que su integral sobre el intervalo
22
1.3. Medidas de probabilidad
(, ) es uno. La funci on P denida para cualquier conjunto de Borel A por la siguiente integral, es una medida de probabilidad. P (A) =
A
f (x) dx.
on tal que Ejemplo. (Probabilidad geom etrica). Sea R2 una regi su area es positiva y nita. Sea F una - algebra de subconjuntos de para los cuales el concepto de area est e bien denido. Para cada A en F dena P (A) = Area (A)/Area (). La funci on P resulta ser una medida de probabilidad, y es llamada probabilidad geom etrica. Esta denici on puede extenderse a espacios de dimensi on mayor de manera evidente. Un ejemplo en donde se utiliza esta forma de calcular probabilidades es el siguiente: cu al es la probabilidad de que una dardo lanzado al azar sobre un tablero circular de radio unitario caiga en el c rculo circunscrito de radio 1/2? En la siguiente secci on estudiaremos algunas propiedades generales que cumple toda medida de probabilidad, y a lo largo del texto consideraremos varios modelos particulares para el c alculo de probabilidades.
Propiedades elementales
A partir de los postulados enunciados en la secci on anterior es posible demostrar una extensa serie de propiedades que cumplen todas las medidas de probabilidad. En esta secci on se estudian algunas propiedades elementales que posiblemente ya conoce el lector, y m as adelante se demuestran otras propiedades ligeramente m as avanzadas.
23
n. Sea (, F , P ) un espacio de probabilidad. Entonces Proposicio 1. P () = 0. 2. Si A1 , . . . , An F son ajenos dos a dos, entonces
n n
P(
k =1
Ak ) =
k =1
P (Ak ).
3. P (Ac ) = 1 P (A). 4. Si A B , entonces P (B A) = P (B ) P (A). 5. Si A B , entonces P (A) P (B ). 6. 0 P (A) 1. 7. P (A B ) = P (A) + P (B ) P (A B ). 8. P (A B ) P (A) + P (B ).
Demostraci on. 1. Como = , por la -aditividad se tiene que P () = nicamente cuando P () = 0. n=1 P (), lo cual sucede u 2. Se toma An+1 = An+2 = = , y la igualdad se obtiene al aplicar la -aditividad y la propiedad anterior. 3. Se expresa a como la uni on disjunta A Ac . Aplicamos P y obtenemos la igualdad requerida. 4. Escribimos B = A (B A). Aplicando P obtenemos P (B ) P (A) = P (B A). 5. Como la probabilidad de cualquier evento es un n umero no negativo, el resultado se sigue de la propiedad anterior.
24
1.3. Medidas de probabilidad 6. La primera desigualdad es el segundo axioma, y la segunda es consecuencia de la propiedad anterior cuando B = y el primer axioma. 7. Descomponemos el evento A B como la siguiente uni on de tres eventos disjuntos dos a dos: A B = (A B ) (A B ) (B A) = (A A B ) (A B ) (B A B ). Por lo tanto P (A B ) = P (A) P (A B ) + P (A B ) + P (B ) P (A B ). 8. Esta propiedad es consecuencia de la anterior y el segundo axioma.
La propiedad (2) establece que las probabilidades son funciones nitamente aditivas, y la propiedad (5) que son funciones mon otonas. La desigualdad (8) dice que las probabilidades son funciones nitamente subaditivas. Veamos algunas otras propiedades. n. (Desigualdades de Boole). Sea {An : n N} una Proposicio sucesi on de eventos. Entonces 1. P (
n=1
An )
n=1
P (An ).
n=1
2. P (
n=1
An ) 1
P (Ac n ).
Demostraci on. 1. Tome B1 = A1 , y para n 2 dena Bn = An

n1 k =1
Ak .
25
Hemos demostrado antes que {Bn : n N} es una sucesi on de eventos disjuntos dos a dos tales que Bn An y A = n n=1 n=1 Bn . Por lo tanto P(
An ) = P ( =
n=1 n=1
Bn )
n=1
n=1
P (Bn ) P (An ).
2. Esta desigualdad se sigue de la primera al considerar la sucesi on de los complementos.
n. Sea {An : n N} una sucesi Proposicio on de eventos. 1. Si P (An ) = 1 para toda n, entonces P (
n=1 An )
= 1. = 1. = 0.
2. Si P (An ) = 1 para alguna n, entonces P ( 3. Si P (An ) = 0 para alguna n, entonces P ( 4. Si P (An ) = 0 para toda n, entonces P (
n=1 An ) n=1 An )
n=1 An )
= 0.
Demostraci on.
26
1.3. Medidas de probabilidad 1. Por las leyes de De Morgan y la desigualdad de Boole, P(
n=1
An ) = 1 P ( 1 = 1.
Ac n)
n=1
P (Ac n)
n=1
2. Como An 3. Como
n=1
n=1
An , se tiene que 1 = P (An ) P (
An ).
n=1
An An , entonces P (
n=1
An ) P (An ) = 0.
n=1
4. Por la desigualdad de Boole, P (
n=1
An )
P (An ) = 0.
Las propiedades (1) y (4) de la proposici on anterior pueden interpretarse de la siguiente forma. Intersectar dos eventos produce en general un evento m as peque no, o por lo menos no mayor a los intersectandos. Sin embargo la propiedad (1) establece que la intersecci on, a un innita, de eventos con probabilidad uno produce un evento con probabilidad uno. An alogamente, unir dos eventos produce en general un evento mayor, pero por la propiedad (4), la uni on, a un innita, de eventos con probabilidad cero tiene probabilidad cero. Dos de las propiedades elementales m as conocidas y de amplia aplicaci on son la f ormula de probabilidad total y la f ormula de Bayes. Estas f ormulas hacen uso de la probabilidad condicional de un evento A dado otro evento B denida como sigue P (A | B ) := P (A B )/P (B ), cuando P (B ) = 0.
27
Ejercicio. (Teorema de probabilidad total). Sea (, F , P ) un espacio de probabilidad, y sea {A1 , A2 , . . .} una partici on de tal que cada elemento de la partici on es un evento con probabilidad estrictamente positiva. Demuestre que para cualquier evento B , P (B ) =
n=1
P (B | An )P (An ).
Ejercicio. (Teorema de Bayes). Sea (, F , P ) un espacio de probabilidad, y sea A1 , A2 , . . . una partici on de tal que cada elemento de la partici on es un evento con probabilidad estrictamente positiva. Demuestre que para cualquier evento B tal que P (B ) > 0, y para cualquier m 1 jo, P (Am | B ) =
P (B | Am )P (Am ) P (B |An )P (An )
n=1
n de espacios). Se dice que un espacio de proEjercicio. (Completacio babilidad (, F , P ) es completo si cada vez que se tenga la situaci on A B con B F y P (B ) = 0, entonces tambi en se tiene que A F y P (A) = 0. Un espacio de probabilidad (, F , P ) que no es completo puede ser completado de la siguiente forma. Se toma el mismo y se dene la colecci on F de todos aquellos subconjuntos A para los cuales existan B y C en F con P (C ) = 0, tales que B A B C . Para tal conjunto A se dene , P (A) = P (B ). Entonces resulta que (, F ) es un espacio de probabilidad P completo, y se llama la completaci on de (, F , P ). Verique esta armaci on demostrando los siguientes incisos. es efectivamente una - a) F algebra. . b) F F
28
1.3. Medidas de probabilidad (A) no depende del subconjunto B asociado, es c) La denici on de P decir, la denici on es u nica.
. es una medida de probabilidad sobre F d) P (A) = P (A), para cada A en F . e) P , P ) es completo. f) El espacio de probabilidad (, F , P ) es el espacio de probabilidad completo m g) (, F as peque no que contiene a (, F , P ), es decir, si (, F1 , P1 ) es otro espacio de probabilidad completo tal que F F1 y P1 = P sobre F , entonces . F1 y P = P1 sobre F F
Continuidad
Ahora demostraremos que las medidas de probabilidad son funciones continuas. Primero se prueba este resultado importante para dos tipos de sucesiones particulares, aquellas que son mon otonas crecientes o decrecientes, y despu es se prueba en general. Empezaremos con el caso de sucesiones crecientes. n. Sea {An : n N} una sucesi Proposicio on no decreciente de eventos, esto es, A1 A2 . Entonces P(
An ) = l m P (An ).
n
n=1
Demostraci on. Como An An+1 , tenemos que P (An ) P (An+1 ). Por lo tanto la sucesi on num erica {P (An ) : n N} es no decreciente y acotada
29
superiormente por uno. Entonces el l mite de esta sucesi on existe y el lado derecho de la igualdad tiene sentido. Dena los eventos B1 = A1 , y Bn = An An1 , para n 2.
La sucesi on {Bn : n N} es una colecci on de eventos disjuntos dos a dos, y es tal que
An =
Bn .
n=1
n=1
Por lo tanto P(
An ) = P ( =
n=1
Bn )
n=1
n=1
P (Bn )
n=2 n=2 n=2
= P (B1 ) + = P (A1 ) + = P (A1 ) +
P (Bn ) P (An An1 ) P (An ) P (An1 )

m
= P (A1 ) + l m
m m
n=2
P (An ) P (An1 )
= P (A1 ) + l m P (Am ) P (A1 ) =

m
l m P (Am ).
30
1.3. Medidas de probabilidad
Las medidas de probabilidad tambi en son continuas respecto de sucesiones no crecientes de eventos. Esta armaci on es el contenido del siguiente resultado que se demuestra a partir de la proposici on anterior. n. Sea {An : n N} una sucesi Proposicio on no creciente de eventos, esto es, A1 A2 . Entonces P(
An ) = l m P (An ).
n
n=1
c Demostraci on. Observe que si An An+1 , entonces Ac n An+1 . Por la proposici on anterior,
P(
Ac m P (Ac n ) = l n ).
n
n=1
Aplicando las leyes de De Morgan, 1 P(
n=1
An ) = l m (1 P (An )),
n
de donde se sigue inmediatamente el resultado. Ahora se enuncia un resultado m as fuerte. Demostraremos que las medidas de probabilidad son funciones continuas. Esta propiedad es muy u til pues permite el c alculo de probabilidades en procedimientos l mite, y se encuentra siempre presente de manera impl cita en toda la teor a que se desarrolla m as adelante.
31
n. (Continuidad de la probabilidad). Sea {An : n Proposicio N} una sucesi on de eventos convergente al evento A. Entonces
n
l m P (An ) = P (A).
Demostraci on. La prueba se basa en las siguientes dos desigualdades: a) l m sup P (An ) P (l m sup An ).
n n
b) P (l m inf An ) l m inf P (An ).

n n
Como la sucesi on de eventos es convergente al evento A, entonces el l mite superior y el l mite inferior son iguales a A. Se sigue entonces de las desigualdades (a) y (b) que m sup An ) l m sup P (An ) P (l
n n
= P (A)
= P (l m inf An ) l m inf P (An ).

n n
De donde se concluye el resultado. Nos concentraremos ahora en demostrar las desigualdades enunciadas. a) Como An
k =n Ak ,
entonces P (An ) P (
Ak ),
k =n
32
1.3. Medidas de probabilidad en donde { on decreciente de eventos. k =n Ak : n N} es una sucesi Tomando el l mite superior se obtiene l m sup P (An ) l m sup P (
n n
Ak )
l m P (
k =n
Ak ) Ak )
= P ( l m = P(
k =n k =n
Ak )
n=1 k =n
= P (l m sup An ).
n
b) Como
k =n Ak
An , entonces P(
k =n
Ak ) P (An ),
en donde { on creciente de eventos. k =n Ak : n N} es una sucesi Tomando el l mite inferior se obtiene l m inf P (An ) l m inf P (
n n
Ak )
l m P (
k =n
Ak ) Ak )
= P ( l m = P(
k =n k =n
Ak )
n=1 k =n
= P (l m inf An ).
n
33
Ejemplo. Se lanza un dado equilibrado una innidad de veces. Sea An el evento correspondiente a obtener el evento A = {2, 4, 6} en cada uno de los primeros n lanzamientos del dado. Entonces claramente An An+1 y P (An ) = 1/2n para cualquier n en N. Por lo tanto l m An =
n=1
An .
Entonces P(
An ) = P ( l m An ) = l m P (An ) = l m 1/2n = 0.
n n n
n=1
El evento n=1 An se interpreta como aquel conjunto de resultados en el que siempre se obtiene un n umero par en cada uno de los lanzamientos. Hemos demostrado que la probabilidad de tal evento es cero. En consecuencia la probabilidad de que eventualmente aparezca un n umero impar es uno. Observe que el argumento presentado funciona de la misma forma cuando el evento A es cualquier subconjunto propio de distinto del vac o. Por ejemplo, si A = {1, 2, 3, 4, 5}, entonces la probabilidad de nunca obtener 6 es cero. Por lo tanto, con probabilidad uno, cada una de las caras del dado aparecer a eventualmente. Puede demostrarse adem as que cada una de las caras aparecer a una innidad de veces con probabilidad uno.
1.4.
Independencia de eventos
En esta secci on se dene el concepto importante de independencia de eventos. La independencia es un tema central en la teor a de la probabilidad, y uno de sus rasgos distintivos. De manera natural la independencia aparecer a con frecuencia a lo largo del texto a partir de ahora, y ayudar a a
34
1.4. Independencia de eventos
simplicar el c alculo de probabilidades. La denici on matem atica es la siguiente. n. (Independencia de dos eventos). Dos eventos A y B Definicio son independientes, y se escribe A B , cuando P (A B ) = P (A)P (B ).
A menudo aceptar la hip otesis de que dos eventos son independientes es una cuesti on de apreciaci on por parte del observador. La independencia puede interpretarse en el sentido de que la ocurrencia de uno de los eventos no proporciona informaci on que modique la probabilidad de ocurrencia del segundo evento. Contrario a alguna primera concepci on intuitiva err onea, el hecho de que dos eventos sean independientes no implica que ellos sean ajenos. La proposici on contraria tampoco es v alida, dos eventos ajenos no necesariamente son independientes. Ejercicio. Demuestre que un evento es independiente consigo mismo si, y s olo si, su probabilidad es cero o uno. Ejercicio. Demuestre que un evento que tiene probabilidad cero o uno, es independiente de cualquier otro evento, incluyendo el mismo. Ejercicio. Demuestre que los eventos A y B son independientes si, y s olo si, a) A y B lo son. b) Ac y B lo son. c) A y B c lo son. La denici on de independencia puede extenderse a colecciones nitas e incluso innitas de eventos del siguiente modo.
35
n. (Independencia de varios eventos). Los eventos Definicio A1 , . . . , An son independientes si se cumplen todas y cada una de las siguientes condiciones: P (Ai Aj ) = P (Ai )P (Aj ), i, j distintos. (1.1) (1.2)
P (Ai Aj Ak ) = P (Ai )P (Aj )P (Ak ), i, j, k distintos. . . . P (A1 An ) = P (A1 ) P (An ).
M as generalmente, una colecci on innita de eventos es independiente si cualquier subcolecci on nita lo es. Observe que de acuerdo a la denici on anterior, se necesitan vericar o suponer varias condiciones para que n eventos sean independientes entre s . De hecho el n umero total de igualdades a demostrar es 2n n 1. Puede usted demostrar esta armaci on? En la siguiente secci on haremos uso del siguiente resultado. Ejercicio. Demuestre que los eventos A1 , . . . , An son independientes si, y c s olo si, los eventos Ac 1 , . . . , An lo son. Es posible adem as demostrar que la independencia dos a dos, igualdad (1.1) en la denici on, no implica en general la independencia tres a tres, igualdad (1.2), ni viceversa. Ejercicio. Se lanza una moneda equilibrada tres veces. Dena los eventos A = Se obtiene el mismo resultado en el 1er. y 2do. lanzamiento. B = Se obtiene el mismo resultado en el 2do. y 3er. lanzamiento. C = Se obtiene el mismo resultado en el 3er. y 1er. lanzamiento. Demuestre que los eventos A, B y C son independientes dos a dos, pero no independientes en su conjunto. Ejercicio. Sean A y B eventos no independientes, y sea C = . Demuestre que A, B y C son independientes tres a tres pero no son independientes dos
36
a dos.
1.4. Independencia de eventos
Tambi en se tiene la noci on de independencia entre dos o mas clases de eventos. La denici on es la siguiente, como siempre se presupone un espacio de probabilidad (, F , P ) dado. n. (Independencia de clases). Las clases no vac Definicio as de eventos C1 , . . . , Cn son independientes si los eventos A1 , . . . , An lo son para cualesquiera Ai en Ci , i = 1, . . . , n. M as generalmente, un conjunto innito de clases no vac as de eventos es independiente si cualquier subconjunto nito lo es. En particular, dos - algebras F1 y F2 son independientes si para cada A en F1 y cada B en F2 se cumple que P (A B ) = P (A)P (B ). An alogamente para un n umero nito de - algebras o bien un n umero innito de ellas. Ejemplo. (El problema del mono). Un mono escribe caracteres al azar en una m aquina de escribir. Cu al es la probabilidad de que eventualmente obtenga exactamente, y sin ning un error, las obras completas de Shakespeare?
Figura 1.4: Mono escribiendo al azar. Demostramos a continuaci on que la probabilidad de este raro evento es uno. Imagine entonces que un mono escribe caracteres al azar en una m aquina de escribir, y que lo hace de manera continua generando una sucesi on lineal de caracteres. Sea m el total de caracteres disponibles en una m aquina de escribir, y sea N el total de caracteres de los que constan las obras comple-
37
tas de Shakespeare. Segmentamos el arreglo lineal de caracteres generados por el mono en bloques disjuntos de N caracteres, uno despu es de otro, y observamos si alg un bloque contiene las obras de Shakespeare. Por ejemplo, Xku aT s hwW pzq Ot
N N
Para cada n umero natural k dena el evento Ak correspondiente a que el k esimo bloque contiene exactamente, y sin error alguno, las obras completas de Shakespeare. Observe que los eventos Ak son independientes pues los bloques no se sobreponen, adem as P (Ak ) = (1/m)N = p, o bien P (Ac k) = c c on en 1 p. Dena el evento Bk como A1 Ak , que indica la situaci la que el mono no obtiene exito en los primeros k bloques. Observe que Bk+1 Bk , es decir la sucesi on es decreciente, por lo tanto
k k =1 Bk
l m Bk =
Bk ,
k =1
en donde el evento se interpreta como aquel en el que el mono nunca tiene exito. Entonces, usando la propiedad de continuidad de las medidas de probabilidad para sucesiones decrecientes, se tiene que P(
k =1
Bk ) = l m P (Bk ) = l m (1 p)k = 0.
k k
Por lo tanto la probabilidad del evento complemento es uno, es decir, la probabilidad de que eventualmente el mono obtenga exito es uno. M as adelante se presentar an otras formas de resolver este mismo problema usando el lema de Borel-Cantelli, y despu es usando la ley fuerte de los grandes n umeros. En [25] aparece una estimaci on del tiempo promedio de espera para que el mono obtenga el primer exito.
1.5.
Lema de Borel-Cantelli
Concluimos este cap tulo con el enunciado y demostraci on del famoso lema de Borel-Cantelli. El objetivo es demostrar este resultado y con ello poner
38
1.5. Lema de Borel-Cantelli
en pr actica algunas propiedades de las medidas de probabilidad, aunque tambi en lo usaremos para presentar un par de aplicaciones y para demostrar la ley fuerte de los grandes n umeros en la u ltima parte del curso. n. (Lema de Borel-Cantelli). Sea {An : n N} una Proposicio sucesi on de eventos, y dena A = l m sup An .
n
1. Si
n=1
P (An ) < , entonces P (A) = 0.
2. Si A1 , A2 , . . . son independientes y P (A) = 1.
n=1
P (An ) = , entonces
Demostraci on. 1. Para cada n umero natural n, P (A) P (
k =n
Ak )
k =n
P (Ak ).
Como n=1 P (An ) < , el lado derecho tiende a cero cuando n tiende a innito. Esto implica que P (A) = 0. 2. Es suciente demostrar que para todo n umero natural n se cumple la igualdad P ( A ) = 1, pues la intersecci on numerable de eventos k =n k
Cap tulo 1. Espacios de probabilidad con probabilidad uno tiene probabilidad uno. Para cada m > n, 1 P(
m
39
k =n
Ak ) 1 P (
m
Ak )
k =n
= P(
k =n m
Ac k) [1 P (Ak )]
m
k =n
exp(
P (Ak )).
k =n
Para obtener la u ltima expresi on se usa la desigualdad: 1 x ex , v alida para cualquier n umero real x. Como n=1 P (An ) = , el lado derecho tiende a cero cuando m tiende a innito. Por lo tanto P( k =n Ak ) = 1 para cualquier valor de n y entonces P (A) = 1.
Ejemplo. (El problema del mono, nuevamente). El problema de encontrar la probabilidad de que un mono que escribe caracteres al azar en una m aquina de escribir, eventualmente escriba las obras completas de Shakespeare, puede resolverse tambi en usando el lema de Borel-Cantelli. Suponga que N es el total de caracteres de los que constan las obras completas de Shakespeare y considere nuevamente la divisi on por bloques de longitud N : x1 , . . . , xN , xN +1 , . . . , x2N , . . . El evento Ak se dene nuevamente como aquel en el que el mono tiene exito en el k- esimo bloque. Si nuevamente m denota el total de caracteres disponibles, entonces la probabilidad del evento Ak es (1/m)N , y claramente la sucesi on A1 , A2 , . . . constituye una sucesi on de eventos independientes tales N = . Entonces por la segunda parte del que P ( A ) = (1 /m ) k k =1 k =1
40
1.5. Lema de Borel-Cantelli
lema de Borel-Cantelli, la probabilidad del l mite superior de la sucesi on Ak es uno. Ahora s olo hay que recordar que el evento l m supk Ak corresponde a aquel en el que una innidad de eventos Ak ocurren. Es decir, con probabilidad uno, el mono tiene, no uno, sino una innidad de exitos! Ejercicio. Se lanza una moneda honesta una innidad de veces. Use el lema de Borel-Cantelli para demostrar que la probabilidad de que cada cara aparezca una innidad de veces es uno. Importa que la moneda sea honesta? on de resultados consecutivos particuEjercicio. Sea x1 , . . . , xn una sucesi lar obtenida de lanzar una moneda n veces. Considere ahora el experimento de lanzar la moneda una innidad de veces. Use el lema de Borel-Cantelli para calcular la probabilidad de que aparezca una innidad de veces la sucesi on particular mencionada.
41
Andrey Nikolaevich Kolmogorov (Rusia 19031987) Creci o bajo el amparo de su t a Vera Yakovlena, pues su madre muri o en el parto y su padre fue exiliado. Trabaj o un tiempo como conductor de trenes. En 1920 ingres o a la Universidad Estatal de Mosc u, en donde adem as de matem aticas tom o cursos de metalurgia y sobre historia de Rusia. A un siendo estudiante de licenciatura empez o a publicar trabajos de investigaci on graduandose en 1925. Termin o su doctorado en 1929, y para entonces ya ten a 18 publicaciones. Contribuy o brillantemente en varias areas de las matem aticas como: an alisis, probabilidad, procesos estoc asticos, l ogica, an alisis funcional, geometr a, topolog a, sistemas din amicos, movimiento de los planetas, turbulencia, etc. Kolmogorov ten a particular inter es en proveer de atenci on y educaci on especial a ni nos con habilidades sobresalientes. Recibi o un sinn umero de premios y reconocimientos de distintos pa ses, y fue miembro de varias sociedades y academias cient cas. Fuente: Archivo MacTutor, Universidad de St. Andrews.
42
1.6. Ejercicios
1.6.
Ejercicios
- algebras
n alternativa de -a lgebra. Demuestre que F es una 1. Definicio - algebra de subconjuntos de si, y s olo si, satisface las siguientes propiedades: a) F .
b ) A F Ac F .
c ) Si A1 , A2 , . . . F , entonces
n=1 An
F.
n alternativa de -a lgebra. Demuestre que F es una 2. Definicio - algebra de subconjuntos de si, y s olo si, satisface las siguientes propiedades: a) F .
c ) Si A1 , A2 , . . . F , entonces
b ) A, B F A B F .
n=1 An
F.
3. Sean A1 , . . . , An eventos de un espacio muestral . Demuestre que el conjunto de elementos de que pertenecen a exactamente k de estos eventos es un evento, 1 k n. 4. Sea F una - algebra de subconjuntos de . Demuestre que la colecci on algebra. Compruebe que F c y F F c = {F c : F F } es una - coinciden. 5. Sea = {a, b, c, d}, y sean A = {a, b} y B = {b, c}. Dena la colecci on C = {A, B }. Claramente C no es una - algebra. Encuentre (C ). 6. Sea F una - algebra de subconjuntos de y sea A un elemento de F . Demuestre que la colecci on {A F : F F } es una - algebra de subconjuntos de A. Se usan los s mbolos FA o A F para denotar a esta colecci on.
43
7. Sean 1 y 2 dos conjuntos arbitrarios, y sea X : 1 2 una funci on en donde (2 , F2 ) es un espacio medible. Demuestre que la siguiente colecci on es una - algebra de subconjuntos de 1 : X 1 F2 = {X 1 F : F F2 }. 8. Es la diferencia de dos - algebras una - algebra? Demuestre o proporcione un contraejemplo. algebras de subconjuntos de . Demuestre que 9. Sean F1 y F2 dos - F1 F2 no necesariamente es una - algebra. Para ello considere el espacio = {1, 2, 3} y las - algebras F1 = {, {1}, {2, 3}, } y F2 = {, {1, 2}, {3}, }. 10. Sean F1 y F2 dos - algebras de subconjuntos de tales que F1 F2 . Demuestre que F1 F2 es una - algebra. 11. Sea T un conjunto arbitrario distinto del vac o. Suponga que para cada t en T se tiene una - algebra Ft de subconjuntos de . Demuestre con detalle que tT Ft es una - algebra. 12. Sean A, B arbitrarios. Demuestre que la cardinalidad de {A, B } es a lo sumo 16. 13. Sean A, B arbitrarios. Encuentre expl citamente todos los elementos de {A, B }. Por el ejercicio anterior, el total de elementos en {A, B } es, en el caso m as general, 16. 14. Sea {A1 , . . . , An } una partici on nita de , es decir, la uni on de todos estos conjuntos es , ninguno de ellos es vac o y la intersecci on de cualesquiera dos de ellos es vac a. Demuestre que la cardinalidad de {A1 , . . . , An } es 2n . 15. Demuestre que toda - algebra de un espacio muestral nito contiene un n umero par de elementos. 16. Sea {A, B, C } una partici on de . Encuentre expl citamente los ocho elementos de {A, B, C }.
44
1.6. Ejercicios
17. Sea C una colecci on de subconjuntos de . Diga falso o verdadero justicando en cada caso: C (C ) 2 . algebra de subconjuntos de y que no 18. Demuestre que 2 es una - existe una - algebra de subconjuntos de que sea m as grande. 19. Sea un conjunto, F una - algebra de subconjuntos de y sea A un evento cualquiera. De cada una de las dos expresiones siguientes determine la que es notacionalmente correcta. Explique su respuesta. a) F o F. b) A o A . c) F o F.
d) A F o A F.
- algebras, algebras y semi algebras

n alternativa de a lgebra. Demuestre que F es una 20. Definicio algebra de subconjuntos de si, y s olo si, cumple las siguientes condiciones: a) F .
b ) Si A, B F , entonces A B F . F es - algebra F es algebra F es semi algebra.
21. Demuestre que
lgebra = -a lgebra. Sea = (0, 1] y dena la colecci 22. a on F de subconjuntos de la forma

n
(ai , bi ],
i=1
en donde (ai , bi ] (0, 1] con (ai , bi ] (aj , bj ] = para i = j y n N. Demuestre que F es una algebra pero no una - algebra.
45
23. Mediante un contraejemplo demuestre que no toda semi algebra es una algebra.
Conjuntos de Borel
24. Demuestre que B (R) = {(a, b] : a b}. 25. Demuestre que B (R) = {[a, b) : a b}. 26. Demuestre que B (R) = {(a, ) : a R}. 27. Demuestre que B (R) = {[a, ) : a R}. 28. Demuestre que B (R) = {(, b) : b R}. 29. Demuestre que B (R) = {(, b] : b R}. 30. Sea A B (R). Demuestre que B (A) es efectivamente una - algebra de subconjuntos de A. 31. Diga falso o verdadero. Justique su respuesta.
1 1 a ) { ( n+1 ,n ] : n N } = B (0, 1]. 1 1 1 ,n ] : n N } = { (0, n ] : n N }. c ) { ( n+1 1 b ) { (0, n ] : n N } = B (0, 1].
32. Demuestre que B (R2 ) = {[a, b] [c, d] : a b, c d}. 33. Demuestre que B (R2 ) = {(, a) (, b) : a, b R}. 34. Demuestre que B (R2 ) = {(a, ) (b, ) : a, b R}.
Sucesiones de eventos
35. Sea {An : n N} una sucesi on de eventos. Demuestre que a ) l m sup An es un evento.
n
46
1.6. Ejercicios b ) l m inf An es un evento. c ) l m inf An l m sup An .

n n n
36. Demuestre que el evento a ) l m sup An coincide con el conjunto b ) l m inf An coincide con el conjunto
n n
{ An para una innidad de valores de n}.
{ An para toda n excepto un n umero nito de ellas}. 37. Suponga An Bn para cada n en N. Demuestre o proporcione un contraejemplo. a ) l m sup An l m sup Bn . b ) l m inf An l m inf Bn . m inf Bn . c ) l m sup An l
n n n n n n
38. Sea {An : n N} una sucesi on de eventos. Demuestre que a ) ( l m inf An )c = l m sup Ac n. b ) ( l m sup An ) = l m inf Ac n. c ) P ( l m inf An ) = 1 P ( l m sup Ac n ). d ) P ( l m sup An ) = 1 P ( l m inf Ac n ).
n n n n n n n c n
39. Sea {An : n N} una sucesi on de eventos. Demuestre que

c a ) l m An = A l m Ac n =A .
b ) l m An = A l m 1An = 1A .
n n
El s mbolo 1A denota la funci on indicadora del conjunto A. V ease el ap endice al nal del texto para la denici on y algunas propiedades de esta funci on.
47
40. Sea {an : n N} una sucesi on de n umeros no negativos convergente al n umero a 0. Sea An = [0, an ]. Calcule l m inf An y l m sup An .
n n
41. Determine si cada una de las siguientes sucesiones de conjuntos es convergente. a ) An = (1/n, 2 + (1)n ) R. b ) An = {(x, y ) R2 : x2 + y 2 (1 + 1/n)n }.
c ) An = {(x, y ) R2 : x2 + y 2 2 + sen(n/2)}. 42. Demuestre que las siguientes sucesiones de eventos no son convergentes. a ) An = si n es impar, y An = si n es par. b ) An = (0, 1 + (1)n ) R. 43. Suponga que l m An = A, y l m Bn = B . Determine si la siguiente n n sucesi on es convergente. Cn = An si n es impar, Bn si n es par.
44. Encuentre condiciones sobre los eventos A y B para que la siguiente sucesi on de eventos sea convergente. An = A B si n es impar, si n es par.
45. Suponga que l m An = A. Demuestre que para cualquier evento B ,

n
a ) l m (An B ) = A B . b ) l m (An B ) = A B . c ) l m (An B ) = A B . d ) l m (An B ) = AB .

n n n n
48
1.6. Ejercicios
46. Suponga que l m An = A y l m Bn = B . Diga falso o verdadero. n n Demuestre en cada caso. a ) l m l m (An Bm ) = A B . b ) l m l m (An Bm ) = A B . m (An Bm ) = A B . c ) l m l d ) l m l m (An Bm ) = AB .
n m n m n m n m
47. Suponga que l m An = A y l m Bn = B . Diga falso o verdadero. n n Demuestre en cada caso. a ) l m (An Bn ) = A B . b ) l m (An Bn ) = A B . c ) l m (An Bn ) = A B . d ) l m (An Bn ) = AB .
n n n n
Medidas de probabilidad
48. Determine completamente un espacio de probabilidad (, F , P ) para el experimento aleatorio de a ) lanzar una moneda equilibrada. b ) lanzar un dado equilibrado. c ) escoger al azar un n umero real dentro del intervalo unitario [0, 1]. d ) extraer dos bolas de una urna en donde hay dos bolas blancas y dos negras. e ) lanzar una moneda honesta repetidas veces hasta que hayan aparecido ambas caras.
49
49. Medida de probabilidad discreta. Sea {xn : n N} una sucesi on de n umeros reales y sea {an : n N} otra sucesi on de n umeros reales no negativos tal que a = 1. Demuestre que la funci on n=1 n P : B (R) [0, 1] denida de la siguiente forma es una medida de probabilidad. P (A) =
n=1
an 1{n : xn A} (n).
50. Sean P y Q dos medidas de probabilidad denidas sobre una misma algebra. Demuestre que P + (1 )Q es una medida de probabilidad para cada en [0, 1]. 51. Sea P una medida de probabilidad. Determine si las siguientes funciones tambi en son medidas de probabilidad: a) 1 P . b) (1 + P )/2. c) P 2 . d) |P |. e) 4 P (1 P ). f) P.
52. Determine si las siguientes funciones son medidas de probabilidad. a ) P () = 1 y P (A) = 0 para cualquier otro evento A. b ) P () = 0 y P (A) = 1 para cualquier otro evento A. 53. Considere el espacio medible (N, 2N ). Demuestre en cada caso que P es una medida de probabilidad. Para cada A 2N dena: a ) P (A) =
nA
2/3n . 1/2n .
b ) P (A) =
nA
54. Sea = {1, . . . , n}, y considere el espacio medible (, 2 ). Investigue en cada caso si P es una medida de probabilidad. Para cada A 2 dena: a ) P (A) =
k A
2k . n(n + 1)
50
b ) P (A) =
k A
1.6. Ejercicios 1 (1 ). k
55. Considere el espacio medible ((0, 1), B (0, 1)). Demuestre en cada caso que P es una medida de probabilidad. Para cada A B (0, 1) dena: a ) P (A) =
A
2x dx. 3 x dx. 2
b ) P (A) =
A
56. Probabilidad condicional. Sea (, F , P ) un espacio de probabilidad, y sea B un evento con probabilidad estrictamente positiva. Demuestre que la probabilidad condicional denida para cada A en F como sigue: P (A | B ) = P (A B )/P (B ), es una medida de probabilidad. En consecuencia, toda propiedad v alida para una medida de probabilidad es tambi en v alida para la probabilidad condicional. 57. Sea P una medida de probabilidad, y sean P1 ( ) = P ( | B ) y P2 ( ) = P1 ( | C ), en donde P (B ) > 0 y P (C ) > 0. Demuestre que para cualquier evento A, P2 (A) = P (A | B C ). 58. Demuestre que P (A | B ) 1 P (Ac )/P (B ), en donde P (B ) > 0. 59. Sea P una medida de probabilidad denida sobre la - algebra F . Demuestre que la colecci on {A F : P (A) = 0 o P (A) = 1} es una sub - algebra de F .
Propiedades elementales
60. Demuestre que P () = 0, sin usar P () = 1. 61. Demuestre que P (A B ) P (A)P (B ) = P (Ac )P (B ) P (Ac B ). 62. Demuestre que P (AB ) m n{P (A), P (B )} P (A) m ax{P (A), P (B )} P (AB ).
Cap tulo 1. Espacios de probabilidad 63. Demuestre que P (A B C ) = P (A) + P (B ) + P (C ) +P (A B C ). 64. Demuestre que P (A B C ) = P (A) + P (Ac B ) + P (Ac B c C ). 65. Demuestre que P(
c c Ai ) = P (A1 ) + P (Ac 1 A2 ) + P (A1 A2 A3 ) + c +P (Ac 1 An1 An ) +
51
P (A B ) P (A C ) P (B C )
i=1
rmula de inclusio n y exclusio n. Demuestre que 66. Fo

n n
P(
i=1
Ai ) =
i=1
P (Ai )
i<j
P (Ai Aj )
+
i<j<k
P (Ai Aj Ak )
+ (1)n+1 P (A1 An ). 67. Demuestre que

n n
P(
i=1
Ai ) =
i=1
P (Ai )
i<j
P (Ai Aj )
+
i<j<k
P (Ai Aj Ak )
+ (1)n+1 P (A1 An ).
52
n
1.6. Ejercicios
n
68. Demuestre que P (

k =1
Ak ) 1
P (Ac k ).
k =1
69. Demuestre que 0 P (A B ) P (A) P (A B ) P (A) + P (B ) 2. 70. Diga falso o verdadero. Demuestre en cada caso. a ) P (B A) = P (B ) P (A).
b ) P (A B ) = P (A B ) + P (B A). c ) P (A) > 0 P (A B ) > 0.
d ) P (A) > 0 P (A B ) > 0. e ) P (A) < 1 P (A B ) < 1. f ) P (A) < 1 P (A B ) < 1.
71. Diga falso o verdadero. Demuestre en cada caso. a ) P (A) = 0 P (A B ) = 0. c ) P (A B ) = 0 P (A) = 0. b ) P (A) = 0 P (A B ) = 0.
d ) P (A B ) = 0 P (A) = 0. e ) P (A) = 1 P (A B ) = 1. f ) P (A) = 1 P (A B ) = 1.
h ) P (A B ) = 1 P (A) = 1. 72. Diga falso o verdadero. Demuestre en cada caso. a ) P (A B ) P (A) P (B c ). c ) P (A B ) P (A)P (B ).
g ) P (A B ) = 1 P (A) = 1.
b ) P (A B ) = P (A) P (A B ).
Cap tulo 1. Espacios de probabilidad d ) P (A B ) P (A) + P (B ). e ) P (A | B ) P (A).
53
f ) P (A | B ) P (A) P (B | A) P (B ).
73. Se lanza una moneda tantas veces como indica un dado previamente lanzado. Tanto la moneda como el dado estan equilibrados. Calcule la probabilidad de que: a ) se obtengan ambas caras de la moneda igual n umero de veces. b ) se obtenga una misma cara siempre. 74. En una primera caja se encuentran dos canicas blancas y tres negras, en una segunda caja hay tres blancas y cinco negras, y en una tercera caja hay dos blancas y una negra. De la primera caja se extrae al azar una canica y se deposita en la segunda caja, despu es se extrae nuevamente al azar una canica de la segunda caja y se deposita en la tercera caja. Despu es de este proceso se obtiene al azar una canica de la tercera caja, encuentre la probabilidad de que esta sea blanca. 75. Un dado equilibrado se lanza tres veces consecutivas, y resulta que la suma de los tres n umeros obtenidos es 11. Encuentre la probabilidad de que en el primer lanzamiento se haya obtenido un 5. 76. Una primera caja contiene tres canicas blancas y dos negras. Una segunda caja contiene dos canicas blancas y cuatro negras. Se escoge una caja al azar y se extrae un canica. Unicamente se conoce que la canica obtenida es blanca, encuentre la probabilidad de que esta haya sido obtenida de la primera caja. 77. Regla del producto. Demuestre que P (A1 An ) = P (A1 )P (A2 |A1 )P (A3 |A1 A2 ) P (An |A1 An1 ). 78. Desigualdad de Bonferroni. Demuestre que
n n
P(
i=1
Ai )
i=1
P (Ai )
i<j
P (Ai Aj ).
54
1.6. Ejercicios
79. Desigualdad de Kounias. Demuestre que

n n n
P(
i=1
Ai ) m n {
j
i=1
P (Ai )
i=j
i=1
P (Ai Aj ) }.
Continuidad
80. Se lanza una moneda honesta una innidad de veces. Demuestre que la probabilidad de que eventualmente cada una de las dos caras aparezca es uno. 81. Se lanza un dado equilibrado una innidad de veces. Demuestre que la probabilidad de que eventualmente cada una de las seis caras aparezca es uno. 82. Sea A un evento con probabilidad estrictamente positiva. Demuestre que si se efect ua una innidad de ensayos independientes del experimento aleatorio, la probabilidad de que nunca ocurra el evento A es cero.
Independencia de eventos
83. Diga falso o verdadero. Demuestre o proporcione un contraejemplo. a) A A. b) A Ac . c) A . d) A .
84. Es la independencia de dos eventos una relaci on de equivalencia? 85. Mediante un contraejemplo demuestre que si A y B son independientes, entonces no necesariamente son ajenos. Demuestre tambi en que si A y B son ajenos, entonces tampoco se sigue necesariamente que estos eventos sean independientes.
Cap tulo 1. Espacios de probabilidad 86. Sean A1 , . . . , An independientes. Demuestre que

n n
55
P(
k =1
Ak ) = 1
k =1
[1 P (Ak )].
87. Sea A1 , A2 , . . . una sucesi on innita de eventos. Dena Bn =

k =n
Ak
Cn =
k =n
Ak .
Demuestre que si Bn y Cn son independientes para cada n, entonces los eventos l mite superior y l mite inferior de la sucesi on An tambi en son independientes. En particular, cuando la sucesi on An converge al evento A, entonces A tiene probabilidad cero o uno. 88. Sean A y B independientes. Demuestre que {A} y {B } son independientes.
Lema de Borel-Cantelli
89. Se lanza un dado equilibrado una innidad de veces. Demuestre que con probabilidad uno cada una de las seis caras aparece una innidad de veces. 90. Sea A un evento con probabilidad positiva. Use el lema de BorelCantelli para demostrar que si se efect ua una innidad de ensayos independientes del experimento aleatorio, la probabilidad de que ocurra una innidad de veces el evento A, es uno.
Cap tulo 2
Variables aleatorias
En este cap tulo se estudian los conceptos de variable aleatoria, funci on de distribuci on, funci on de densidad y esperanza. Se estudian tambi en algunas distribuciones de probabilidad de variables aleatorias discretas y continuas particulares. A partir de ahora y en el resto del curso consideraremos como elemento base un espacio de probabilidad (, F , P ).
2.1.
Una variable aleatoria es una funci on del espacio muestral en el conjunto de n umeros reales que adem as satisface cierta condici on de medibilidad. Representa una traducci on de cada uno de los resultados del espacio muestral en n umeros reales. Mediante una variable aleatoria uno puede considerar que el posible experimento aleatorio en cuesti on no produce como resultados elementos de sino n umeros reales. El concepto de variable aleatoria es fundamental en la teor a de la probabilidad, y una vez que enunciemos su denici on, el t ermino aparecer a con mucha frecuencia a lo largo del curso.
57
58
2.1. Variables aleatorias
n. (Variable aleatoria). Una variable aleatoria real es Definicio una funci on X : R tal que para cualquier conjunto Boreliano B , se cumple que el conjunto X 1 B es un elemento de F .
X ( ) R
Figura 2.1: Una variable aleatoria es una funci on medible de en R. Gr acamente una variable aleatoria puede representarse como se muestra en la Figura 2.1. Esto es, una variable aleatoria (a veces se escribe simplemente v.a.) es una funci on de en R tal que la imagen inversa de cualquier conjunto Boreliano es un elemento de la - algebra del espacio de probabilidad. Esta condici on se conoce como medibilidad en teor a de la medida, y se dice entonces que dicha funci on es medible respecto de las - algebras F y B (R). En un ap endice al nal del texto aparece una secci on que contiene una discusi on breve del concepto de imagen inversa de una funci on, que para el caso de variables aleatorias puede ilustrarse gr acamente como se indica en la Figura 2.2. Explicamos a continuaci on la raz on t ecnica por la cual se le pide a una funci on X : R que cumpla la condici on de medibilidad. Recordemos que P es una medida de probabilidad denida sobre el espacio medible (, F ). Si X es una variable aleatoria, entonces podemos trasladar la medida de probabilidad P al espacio medible (R, B (R)) del siguiente modo: Si B es un conjunto Boreliano denimos PX (B ) = P (X 1 B ), lo cual es posible pues el conjunto X 1 B es un elemento de F , dominio de denici on de P . La funci on PX : B (R) [0, 1] resulta ser una medida de probabilidad, y se le llama por tanto la medida de probabilidad inducida por la variable aleatoria.
Cap tulo 2. Variables aleatorias
59
X 1
X 1 B
B R
Figura 2.2: La imagen inversa de un conjunto de Borel. Se le conoce tambi en con el nombre de distribuci on o ley de probabilidad de X . A menudo se le denota por L(X ). De este modo se construye el espacio de probabilidad (R, B (R), PX ). Si B es un conjunto Boreliano, se usan los s mbolos X 1 B y (X B ) para denotar el conjunto { : X ( ) B }. Por ejemplo, el conjunto { : X ( ) [0, )} puede ser denotado por X 1 [0, ) o (X [0, )), o simplemente por (X 0), incluyendo los par entesis. Veamos otro ejemplo, si (a, b) es un intervalo de la recta real, se puede usar el s mbolo X 1 (a, b), o (X (a, b)), o bien (a < X < b) para denotar el conjunto { : X ( ) (a, b)}. Para hacer la escritura m as corta, a menudo se omite el argumento de una variable X y se omite tambi en el t ermino variable aleatoria para X suponiendo, en la mayor a de las veces, que lo es. Para comprobar que una funci on X : R es realmente una variable aleatoria, la denici on requiere vericar la condici on X 1 B F para cualquier conjunto Boreliano B . En muy pocos casos tal condici on puede comprobarse de manera tan directa. La siguiente proposici on establece que no es necesario demostrar la condici on de medibilidad para cualquier conjunto Boreliano B , sino que es suciente tomar intervalos de la forma (, x], para cada x en R. Este resultado, como uno puede imaginar, es de suma utilidad y lo usaremos con frecuencia en el resto del cap tulo.
60
n. Una funci Proposicio on X : R es una variable aleatoria si, y s olo si, para cada x en R se cumple que (X x) F . Demostraci on. () Si X es variable aleatoria, entonces claramente se cumple que para cualquier n umero real x el conjunto (X x) es un elemento de F . () Ahora suponga que para cada real x, el conjunto (X x) es un elemento de F . Sean B y C las colecciones B = {B B (R) : X 1 B F }, C = {(, x] : x R}.
Entonces claramente C B B (R). La primera contenci on es por hip otesis, y la segunda es por denici on de la colecci on B . Suponga por un momento que B es una - algebra de subconjuntos de R. Entonces B es una - algebra que contiene a C . Por lo tanto (C ) = B (R) B . Esto implica que B = B (R), y entonces X es variable aleatoria. Resta entonces hacer ver que B es efectivamente una - algebra. a) Primeramente tenemos que R B , pues R B (R) y X 1 R = F.
b) Sea B B . Entonces B B (R) y X 1 B F . Por lo tanto B c B (R) y X 1 B c = (X 1 B )c F . Es decir, B c B .
c) Sea B1 , B2 , . . . una sucesi on en B . Es decir, para cada n umero natural n, Bn B (R) y X 1 Bn F . Entonces n=1 Bn 1 B = X 1 B F . Es decir, B (R) y X n n=1 n=1 n n=1 Bn B.
Adem as de la condici on anterior para demostrar que una funci on es variable aleatoria, existen otras condiciones igualmente equivalentes y u tiles.
61
Por ejemplo, X es variable aleatoria si para cada x en R, (X < x) F , o (X > x) F , o (X x) F . Cualquiera de estas condiciones es necesaria y suciente para que X sea variable aleatoria. Tambi en es equivalente la condici on (a < X < b) F , para cualquier intervalo (a, b) de R. La demostraci on de todas estas aseveraciones es completamente an aloga al caso demostrado arriba y se pide desarrollar los detalles en la secci on de ejercicios. Considere ahora los espacios medibles (, F ) y (R, B (R)). Si X es una funci on de en R, entonces se denota por (X ) a la m nima - algebra de subconjuntos de respecto de la cual X es variable aleatoria. n. Definicio (X ) = { X 1 B : B B (R) }.
Es sencillo probar que tal colecci on de im agenes inversas es efectivamente una - algebra, y claramente X es variable aleatoria si, y s olo si, (X ) F . En particular, se dice que una funci on g : R R es Borel medible si g1 B B (R), para cada B en B (R). Ejercicio. Diga falso o verdadero. Demuestre en cada caso. a) (X ) = (X 2 ). b) (X ) = (X ). c) (X ) = (2X ). A continuaci on se demuestra que algunas operaciones b asicas entre variables aleatorias producen nuevas variables aleatorias. Suponga entonces que (, F , P ) es un espacio de probabilidad dado. Todas las variables aleatorias que se consideran a continuaci on est an denidas sobre este mismo espacio de probabilidad. n. La funci Proposicio on constante X = c es una variable aleatoria.
Demostraci on. Sea B un elemento cualquiera de B (R). Para la funci on 1 1 constante X = c se tiene que X B = si c B , y X B = si c / B. En ambos casos el conjunto X 1 B es un elemento de F , por lo tanto X es
62
variable aleatoria.
n. Si X es variable aleatoria y c es una constante, entonces Proposicio cX tambi en es variable aleatoria.
Demostraci on. Comprobaremos que para cada n umero real x, la imagen inversa del conjunto (, x], bajo la funci on cX , es un elemento de F . Tenemos tres casos: Si c > 0, entonces el conjunto (cX x) = (X x/c) es un elemento de F , pues X es v.a. Si c < 0, entonces nuevamente el conjunto (cX x) = (X x/c) es un elemento de F pues X es v.a. Finalmente si c = 0, entonces es claro que cX es la constante cero que es v.a. por la proposici on anterior. n. Si X y Y son v.a.s, entonces X + Y es variable aleatoria. Proposicio
Demostraci on. Probaremos que para cada n umero real x, el conjunto (X + Y > x) es un elemento de F . Para ello usaremos la igualdad (X + Y > x) =
r Q
(X > r ) (Y > x r ).
(2.1)
Es claro que a partir de esta igualdad se concluye que el conjunto (X + Y > x) es un elemento de F , pues tanto X como Y son variables aleatorias, y la operaci on de uni on involucrada es numerable. Resta entonces demostrar (2.1). () Sea en tal que X ( ) + Y ( ) > x. Entonces X ( ) > x Y ( ). Como los n umeros racionales son un conjunto denso en R, tenemos que existe un n umero racional r tal que X ( ) > r > x Y ( ). Por lo tanto X ( ) > r y Y ( ) > x r . De aqui se desprende que es un elemento del lado derecho.
63
() Sea ahora un elemento de rQ (X > r ) (Y > x r ). Entonces existe un n umero racional r0 tal que X ( ) > r0 y Y ( ) > x r0 . Sumando obtenemos X ( ) + Y ( ) > x, y por lo tanto es tambi en un elemento del lado izquierdo.
n. Si X y Y son v.a.s, entonces XY es variable aleatoria. Proposicio
Demostraci on. Suponga primero el caso particular X = Y . Entonces necesitamos probar que para todo n umero real x, el conjunto (X 2 x) es un elemento de F . Pero esto es cierto pues (X 2 x) = si x < 0, y (X 2 x) = ( x X x) si x 0. En ambos casos, el conjunto (X 2 x) es un elemento de F . Para el caso general, X = Y , usamos la f ormula XY = ( (X + Y )2 (X Y )2 )/4. Por lo demostrado antes, el producto XY es efectivamente una variable aleatoria. Como consecuencia se cumple que si multiplicamos X por s misma n veces, entonces X n es variable aleatoria. Por lo tanto toda funci on polinomial de una variable aleatoria es tambi en variable aleatoria. n. Sean X y Y v.a.s con Y = 0. Entonces X/Y es variable Proposicio aleatoria.
Demostraci on. Como el producto de variables aleatorias es nuevamente una variable aleatoria, es suciente demostrar que 1/Y es variable aleatoria. Para
64
cualquier n umero real y > 0 tenemos que ( 1 1 1 y ) = ( y, Y > 0) ( y, Y < 0) Y Y Y 1 1 = (Y , Y > 0) (Y , Y < 0) y y 1 = (Y ) (Y < 0), y
que es un elemento de F puesto que Y es variable aleatoria. Por otro lado, si y < 0 tenemos que ( 1 1 1 y ) = ( y, Y > 0) ( y, Y < 0) Y Y Y 1 1 = (Y , Y > 0) (Y , Y < 0) y y 1 = (Y , Y < 0) y 1 = ( Y < 0). y
Nuevamente vemos que este conjunto es un elemento de F , puesto que Y es v.a. Finalmente cuando y = 0 obtenemos una vez mas un elemento de F pues ( 1 1 1 0) = ( 0, Y > 0) ( 0, Y < 0) Y Y Y = (Y < 0) = (Y < 0).
n. Si X y Y son variables aleatorias, entonces m Proposicio ax{X, Y } y m n{X, Y } tambi en lo son.
Cap tulo 2. Variables aleatorias Demostraci on. Para cualquier n umero real x, (m ax{X, Y } x) = (X x, Y x) = (X x) (Y x). An alogamente, (m n{X, Y } x) = (X x, Y x) = (X x) (Y x).
65
Como consecuencia se obtiene que tanto X + = m ax{0, X } como X = m n{0, X } son variables aleatorias. n. Si X es variable aleatoria, entonces |X | es variable aleaProposicio toria.
Demostraci on. Si x 0, entonces (|X | x) = (x X x), y si x < 0, entonces (|X | x) = F , de modo que |X | es variable aleatoria. Alternativamente se puede escribir |X | = X + + X , y por lo expuesto anteriormente obtener la misma conclusi on. Se muestra a continuaci on que en general el rec proco de la proposici on anterior es falso, esto es, si X : R es una funci on tal que |X | es variable aleatoria, entonces no necesariamente X es variable aleatoria. Ejemplo. Considere el espacio muestral = {1, 0, 1} junto con la algebra F = {, {0}, {1, 1}, }. Sea X : R la funci on identidad X ( ) = . Entonces |X | es variable aleatoria pues para cualquier conjunto Boreliano B , si 0, 1 B, {1, 1} si 0 / B y 1 B, |X |1 B = {0} si 0 B y 1 / B, si 0, 1 / B.
66
Es decir, |X |1 B es un elemento de F . Sin embargo X no es variable aleatoria pues el conjunto X 1 {1} = {1} no es un elemento de F . Ahora consideraremos algunas operaciones l mite en sucesiones innitas de variables aleatorias. S olo consideraremos variables aleatorias con valores nitos, de modo que impondremos condiciones sobre la nitud del resultado al tomar tales operaciones l mite. n. Sea X1 , X2 , . . . una sucesi Proposicio on innita de variables aleatorias tales que para cada en , los n umeros sup {X1 ( ), X2 ( ), . . .} e nf {X1 ( ), X2 ( ), . . .} nf {Xn } son variables son nitos. Entonces las funciones sup {Xn } e aleatorias.
n0 n0
Demostraci on. Para cualquier n umero real x, ( sup Xn x ) =

n0
( nf Xn x ) =
n0
n=1 n=1
(Xn x), (Xn x).
El siguiente resultado hace uso de las operaciones de l mite superior e inferior para sucesiones num ericas, el lector puede encontrar una revisi on breve de estas operaciones al nal del texto.
67
n. Sea X1 , X2 , . . . una sucesi Proposicio on innita de variables aleatorias tales que para cada en , los n umeros m inf {X1 ( ), X2 ( ), . . .} l m sup {X1 ( ), X2 ( ), . . .} y l son nitos. Entonces las funciones l m sup Xn y l m inf Xn son variables aleatorias.
n n
Demostraci on. Esto es consecuencia de la proposici on anterior pues l m sup Xn = nf ( sup Xn ), y nf Xn ). l m inf Xn = sup (
n k nk n k nk
Finalmente demostramos que el l mite de una sucesi on de variables aleatorias convergente es variable aleatoria. n. Sea X1 , X2 , . . . una sucesi Proposicio on innita de variables aleatorias tales que l m Xn ( ) existe y es nito para cada . Entonces n la funci on l m Xn es una variable aleatoria.
n
Demostraci on. Como el l mite de Xn existe, los l mites superior e inferior de esta sucesi on coinciden. Entonces por lo demostrado antes, el l mite de Xn es variable aleatoria.
68
n de distribucio n 2.2. Funcio
2.2.
Funci on de distribuci on
Toda variable aleatoria tiene asociada una funci on llamada funci on de distribuci on. En esta secci on se dene esta importante funci on y se demuestran algunas de sus propiedades. n. (Funcio n de distribucio n). La funci Definicio on de distribuci on de una variable aleatoria X es la funci on F (x) : R [0, 1], denida como sigue F (x) = P (X x).
Cuando sea necesario especicar la variable aleatoria en cuesti on se escribe FX (x), pero en general se omite el sub ndice X cuando no haya posibilidad de confusi on. El argumento de la funci on es la letra min uscula x que puede tomar cualquier valor real. Por razones obvias a esta funci on se le conoce tambi en con el nombre de funci on de acumulaci on de probabilidad, o funci on de probabilidad acumulada. Observe que la funci on de distribuci on de una variable aleatoria est a denida sobre la totalidad del conjunto de n umeros reales, y siendo una probabilidad, toma valores en el intervalo [0, 1]. La funci on de distribuci on es importante pues, como se ilustrar a m as adelante, contiene ella toda la informaci on de la variable aleatoria y la correspondiente medida de probabilidad. Veremos a continuaci on algunas propiedades b asicas de esta funci on, en una de las cuales aparece la expresi on F (x+), que signica el l mite por la derecha de la funci on F en el punto x. Aparecer a tambi en la expresi on F (x), que signica, de manera an aloga, el l mite por la izquierda de la funci on F en el punto x.
69
n. Sea F (x) la funci Proposicio on de distribuci on de una variable aleatoria. Entonces 1. 2.

x +
l m F (x) = 1. l m F (x) = 0.
3. Si x1 x2 , entonces F (x1 ) F (x2 ). 4. F (x) es continua por la derecha, es decir, F (x+) = F (x).
Demostraci on. 1. Sea x1 , x2 , . . . una sucesi on cualquiera de n umeros reales creciente a innito, y sean los eventos An = (X xn ). Entonces {An : n N} es una sucesi on de eventos creciente cuyo l mite es . Por la propiedad de continuidad
n
m P (An ) = P () = 1. l m F (xn ) = l
n
Dado que R es un espacio m etrico, lo anterior implica que F (x) converge a uno cuando x tiende a innito. 2. Sea ahora {xn : n N} una sucesi on cualquiera de n umeros reales decreciente a menos innito, y sean los eventos An = (X xn ). Entonces {An : n N} es una sucesi on de eventos decreciente al conjunto vac o. Nuevamente por la propiedad de continuidad
n
l m F (xn ) = l m P (An ) = P () = 0.
n
Por lo tanto, F (x) converge a cero cuando x tiende a menos innito.
70
3. Para x1 x2 ,
F (x1 ) F (x1 ) + P (x1 < X x2 ) = P (X x2 ) = F (x2 ).
= P [(X x1 ) (x1 < X x2 )]
on cualquiera de n umeros reales no negativos 4. Sea x1 , x2 , . . . una sucesi y decreciente a cero. Entonces F (x + xn ) = F (x) + P (x < X x + xn ), en donde An = (x < X x + xn ) es una sucesi on de eventos decreciente al conjunto vac o. Por lo tanto l m F (x + xn ) = F (x). Es decir F (x+) = F (x).
n
Se tiene adem as la siguiente denici on general de funci on de distribuci on, no haciendo referencia a variables aleatorias ni a espacios de probabilidad particulares. n. (Funcio n de distribucio n). Una funci Definicio on F (x) : R [0, 1] es llamada funci on de distribuci on si cumple las cuatro propiedades anteriores. Una especie de rec proco de la u ltima proposici on es v alido y ello justica la importancia de la funci on de distribuci on. Se enuncia a continuaci on este interesante resultado cuya demostraci on omitiremos y puede encontrarse por ejemplo en [15]. n. Sea F (x) : R [0, 1] una funci Proposicio on de distribuci on. Entonces existe un espacio de probabilidad (, F , P ) y una variable aleatoria X cuya funci on de distribuci on es F (x).
71
Por lo tanto basta dar una funci on de distribuci on espec ca para saber que existe un cierto espacio de probabilidad y una variable aleatoria denida sobre el y cuya funci on de distribuci on es la especicada. Este es el punto de vista que a menudo se adopta en el estudio de las variables aleatorias, quedando un espacio de probabilidad no especicado en el fondo como elemento base en todas las consideraciones. A continuaci on se presentan algunos ejemplos gr acos de funciones de distribuci on. La gr aca de la izquierda en la Figura 2.3 corresponde a la funci on de distribuci on de una variable aleatoria discreta, y la gr aca de la derecha muestra el comportamiento t pico de una funci on de distribuci on continua. Tambi en pueden presentarse situaciones como la que se muestra en la Figura 2.4, y que corresponde al caso de una variable aleatoria mixta. La denici on de variable aleatoria discreta, continua y mixta aparece en la siguiente secci on.
F (x) 1 1
F (x)
Figura 2.3: Funciones de distribuci on discreta y continua. Se demuestran ahora algunas otras propiedades que establecen la forma de calcular probabilidades usando la funci on de distribuci on.
72
F (x) 1
Figura 2.4: Una funci on de distribuci on mixta. n. Sea X una variable aleatoria con funci Proposicio on de distribuci on F (x). Para cualesquiera n umeros reales a < b, 1. P (X < a) = F (a). 2. P (X = a) = F (a) F (a). 3. P (a < X b) = F (b) F (a). 4. P (a X b) = F (b) F (a). 5. P (a < X < b) = F (b) F (a). 6. P (a X < b) = F (b) F (a).
Demostraci on. 1. Sea x1 , x2 , . . . una sucesi on de n umeros reales positivos y decreciente a cero. Sea An el evento (X a xn ). Entonces {An : n N} es una sucesi on de eventos decreciente al evento (X < a). Por la propiedad de continuidad P (X < a) = l m P (An ) = l m F (a xn ) = F (a).
n n
Cap tulo 2. Variables aleatorias 2. Simplemente se escribe P (X = a) = P (X a) P (X < a) = F (a) F (a). 3. 6. Estas igualdades se sigue directamente de las dos primeras.
73
F (x) 1
P (X = x) = F (x) F (x)
Figura 2.5: Una discontinuidad de F (x) y su signicado. Observe que como F (x) es una funci on no decreciente y continua por la derecha, la probabilidad P (X = x) es igual a F (x) F (x), que representa el tama no del salto o discontinuidad de la funci on de distribuci on en el punto x. Esto se muestra en la Figura 2.5. En consecuencia, cuando F (x) es una funci on continua y para a < b,
F (b) F (a) = P (a < X b) = P (a < X < b)
= P (a X b) = P (a X < b).
Es decir, cuando F (x) es una funci on continua, incluir o excluir los extremos de un intervalo no afecta el valor de la probabilidad de dicho intervalo. Por
74
2.3. Tipos de variables aleatorias
lo tanto, para cualquier n umero real x, la probabilidad del evento (X = x) es cero. Finalizamos esta secci on con un resultado interesante cuya prueba es sorprendentemente simple. n. Toda funci Proposicio on de distribuci on tiene a lo sumo un n umero numerable de discontinuidades.
Demostraci on. Sea D el conjunto de puntos de discontinuidad de una funci on de distribuci on F (x). Para cada n umero natural n dena los subconjuntos 1 1 Dn = { x D : < F (x) F (x) }. n+1 n Cada conjunto Dn tiene a lo sumo n elementos. Como D = concluye que D es numerable.
n=1 Dn ,
se
2.3.
Tipos de variables aleatorias
Las variables aleatorias se clasican en varios tipos dependiendo de las caracter sticas de la correspondiente funci on de distribuci on. Al menos existen tres tipos: discretas, continuas, y mezclas de las dos anteriores. Veamos su denici on.
75
n. (Variable aleatoria discreta). La variable aleatoria Definicio X se llama discreta si su correspondiente funci on de distribuci on F (x) es una funci on constante por pedazos. Sean x1 , x2 , . . . los puntos de discontinuidad de F (x). En cada uno de estos puntos el tama no de la on f (x) discontinuidad es P (X = xi ) = F (xi ) F (xi ) > 0. A la funci que indica estos incrementos se le llama funci on de probabilidad de X , y se dene como sigue f (x) = P (X = x) si x = x1 , x2 , . . . 0 otro caso. (2.2)
La funci on de distribuci on se reconstruye de la forma siguiente F (x) =

ux
f (u).
En este caso se dice tambi en que la funci on de distribuci on es discreta, adem as la funci on de probabilidad f (x) siempre existe, y se le llama tambi en funci on de masa de probabilidad. Tambi en se acostumbra usar el t ermino funci on de densidad, como una analog a con el caso de variables aleatorias continuas denidas m as adelante. Cuando sea necesario especicarlo se escribe fX (x) en lugar de f (x). Observe que la funci on de probabilidad f (x) es una funci on no negativa que suma uno en el sentido i f (xi ) = 1. Rec procamente, toda funci on de la forma (2.2) que cumpla estas dos propiedades se le llama funci on de probabilidad, sin que haya necesariamente una variable aleatoria de por medio. Veamos ahora el caso continuo. n. (Variable aleatoria continua). La variable aleatoria Definicio X se llama continua si su correspondiente funci on de distribuci on es una funci on continua. En tal caso tambi en se dice que la distribuci on es continua. Las distribuciones continuas se clasican a su vez en distribuciones absolutamente continuas
76
y distribuciones singulares. n. (Variable aleatoria absolutamente continua). La Definicio variable aleatoria continua X con funci on de distribuci on F (x) se llama absolutamente continua, si existe una funci on no negativa e integrable f tal que para cualquier valor de x se cumple
x
F (x) =
f (u) du.
(2.3)
En tal caso a la funci on f (x) se le llama funci on de densidad de X . A un cuando exista una funci on no negativa e integrable f que cumpla (2.3), esta puede no ser u nica, pues basta modicarla en un punto para que sea ligeramente distinta pero a un as seguir cumpliendo (2.3). A pesar de ello, nos referiremos a la funci on de densidad como si esta fuera u nica, y ello se justica por el hecho de que las probabilidades son las mismas, ya sea usando una funci on de densidad o modicaciones de ella que cumplan (2.3). Es claro que la funci on de densidad de una variable aleatoria absolutamente continua es no negativa y su integral sobre toda la recta real es uno. Rec procamente, toda funci on f (x) no negativa que integre uno en R se llama funci on de densidad. Si X es absolutamente continua con funci on de distribuci on F (x) y funci on de densidad continua f (x), entonces el teorema fundamental del c alculo establece que, a partir de (2.3), F (x) = f (x). Adem as, la probabilidad de que X tome un valor en el intervalo (a, b) es el area bajo la funci on de densidad sobre dicho intervalo. Esto se ilustra en la Figura 2.6, la probabilidad es la misma si se incluyen o excluyen los extremos del intervalo. Pueden construirse ejemplos de variables aleatorias continuas que no tienen funci on de densidad, es decir, que no existe una funci on f no negativa e integrable que cumpla (2.3) para cualquier n umero real x. En tales situaciones se dice que la distribuci on es singular.
77
f (x)
P (X (a, b)) =
f (x) dx
a
x a b
area bajo la funci on de densidad. Figura 2.6: La probabilidad como el
n. (Variable aleatoria singular). La variable aleatoria Definicio continua X , o su correspondiente funci on de distribuci on F (x), se llama singular si F (x) = 0 casi seguramente. El t ermino casi seguramente que aparece en esta denici on se reere a que la igualdad se cumple en todos los puntos x excepto en un conjunto cuya medida de Lebesgue es cero. Las distribuciones singulares son un poco m as delicadas de estudiar y no haremos mayor enfasis en ellas. La distribuci on de Cantor es un ejemplo de este tipo de distribuciones y se construye mediante un proceso l mite. Los detalles pueden encontrarse en [13] o [19]. n. (Variable aleatoria mixta). Una variable aleatoria que Definicio no es discreta ni continua se llama variable aleatoria mixta. No es dif cil encontrar situaciones en donde la variable aleatoria en estudio es mixta, el siguiente ejemplo es una muestra de ello. Ejemplo (Una variable aleatoria que no es discreta ni continua). Sea X una variable aleatoria con funci on de distribuci on FX (x) = 1 ex 0 si x > 0, si x 0.
78
Como la funci on FX (x) es continua, entonces la variable aleatoria X es continua. Sea M > 0 una constante. Las gr acas de las funciones de distribuci on de las variables X y la constante M (vista como variable aleatoria), se muestran en la Figura 2.7.
FX (x) FM (x)
x M
Figura 2.7: Funciones de distribuci on de la variable X y la constante M . Sea Y = m n{X, M }. Puede comprobarse que la funci on de distribuci on de Y es 0 FY (y ) = 1 ey 1 si y 0, si 0 < y < M, si y M,
con gr aca como en la Figura 2.8. Es claro que esta funci on de distribuci on no es constante por pedazos pues es creciente en el intervalo (0, M ), por lo tanto no es discreta, y tampoco es continua pues tiene una discontinuidad en y = M . Por lo tanto Y es una variable aleatoria que no es discreta ni continua.
Finalmente enunciamos un resultado general cuya demostraci on puede encontrarse en [7] o [13].

FY (y )
79
y M Figura 2.8: Funci on de distribuci on de la variable Y = m n{X, M }.
n. Toda funci Proposicio on de distribuci on F (x) se puede escribir como una combinaci on lineal convexa de una funci on de distribuci on discreta F d (x) y otra continua F c (x), es decir, admite la siguiente representaci on F (x) = F d (x) + (1 )F c (x), en donde 0 1. En todos los casos que consideraremos en este texto la distribuci on continua de esta descomposici on ser a absolutamente continua. En el caso general, esta distribuci on continua puede a su vez escribirse como otra combinaci on lineal convexa entre una distribuci on absolutamente continua y una distribuci on continua singular. Esto lleva al resultado general de que cualquier distribuci on puede escribirse como una combinaci on lineal convexa de los tres tipos b asicos de distribuciones. Ejemplo. Considere nuevamente la funci on de distribuci on de la variable Y = m n{X, M } analizada en el ejemplo anterior. Hemos visto que esta distribuci on no es discreta ni continua, sin embargo puede descomponerse en la combinaci on lineal convexa FY (y ) = eM F d (y ) + (1 eM )F c (y ), en donde F d (y ) es la distribuci on discreta de la variable constante M , y
80
F c (y ) es la distribuci on continua 0 1 ey c FY (y ) = M 1e 1
si y 0, si 0 < y < M, si y M.
Igualdad de variables aleatorias

Dos variables aleatorias X y Y son estrictamente iguales si para cada se cumple X ( ) = Y ( ). Existen, sin embargo, otras formas m as d ebiles de igualdad que enunciaremos a continuaci on. n. (Igualdad de variables aleatorias). Se dice que dos Definicio variables aleatorias X y Y son a) iguales casi seguramente, y se escribe X = Y c.s., o bien X = Y , si se cumple que P (X = Y ) = 1. M as generalmente, un evento ocurre casi seguramente si su probabilidad es uno. b) iguales en distribuci on, y se escribe X = Y , si sus correspondientes funciones de distribuci on coinciden, es decir, si FX (x) = FY (x) para cada n umero real x.
d c.s.
Es interesante observar que la igualdad casi segura es m as fuerte que la igualdad en distribuci on, es decir, si X y Y son iguales casi seguramente, entonces son iguales en distribuci on. Sin embargo, si X y Y tienen la misma distribuci on, entonces no necesariamente son iguales casi seguramente. A menos que se indique lo contrario, cuando aparezca una expresi on de igualdad entre variables aleatorias, se considera que la igualdad es v alida en el sentido fuerte, es decir, casi seguro.
81
Ejercicio. Sean X y Y dos variables aleatorias. Demuestre que el conjunto (X = Y ) es un evento. En consecuencia tiene sentido calcular la probabilidad de tal conjunto. Ejercicio. Demuestre que si X = Y c.s., entonces X = Y . Por el contrario, d demuestre que si X = Y , entonces no necesariamente X = Y c.s. Considere por ejemplo la variable X tal que P (X = 1) = P (X = 1) = 1/2, y dena Y = X .
d
2.4.
Integral de Riemann-Stieltjes
En esta secci on se dene la integral de Riemann-Stieltjes. Esta es una integral de la forma

b
h(x) dF (x),
a
en donde las funciones h(x) y F (x) deben cumplir ciertas condiciones para que la integral tenga sentido y est e bien denida. Esta integral es una generalizaci on de la integral usual de Riemann. Al integrando h(x) se le pide inicialmente que sea una funci on acotada en el intervalo (a, b], aunque despu es se omitir a esta condici on. A la funci on integradora F (x) se le pide que sea continua por la derecha, mon otona no decreciente y tal que F () F () < M , para alg un n umero M > 0. Observe que F (x) debe cumplir propiedades semejantes a las de una funci on de distribuci on, y de hecho la notaci on es la misma. Esto no es coincidencia pues usaremos las funciones de distribuci on como funciones integradoras. Presentamos a continuaci on la denici on de la integral de Riemann-Stieltjes bajo las condiciones arriba se naladas. En [15] puede encontrarse una exposici on m as completa y rigurosa de esta integral. Sea {a = x0 < x1 < < xn = b} una partici on nita del intervalo (a, b], y dena y h(xi ) = nf {h(x) : xi1 < x xi }. h(xi ) = sup {h(x) : xi1 < x xi },
82
2.4. Integral de Riemann-Stieltjes
Se dene la suma superior e inferior de Riemann-Stieltjes como sigue

n
Sn =
i=1 n
(xi ) [ F (xi ) F (xi1 ) ], h h(xi ) [ F (xi ) F (xi1 ) ].
Sn =
i=1
Ahora se toma el l mite cuando n tiende a innito de tal forma que la longitud m ax{|xi xi1 | : 1 i n} tienda a cero. Si sucede que < l m S n = l m S n < ,
n n
entonces a este valor com un se le llama la integral de Riemann-Stieltjes de la funci on h(x) respecto de la funci on F (x) sobre el intervalo (a, b], y se le denota por
b
h(x) dF (x),
a
Y entonces se dene
Cuando la funci on h(x) no es acotada N hN (x) = h(x) N

b
se hace uso de la funci on auxiliar si h(x) < N, si h(x) > N. si |h(x)| N,
h(x) dF (x) = l m
a
N a
hN (x) dF (x),
cuando este l mite existe. Se puede extender la denici on de esta integral de la siguiente forma
b
h(x) dF (x) = l m
a,b a
h(x) dF (x),
cuando el l mite del lado derecho exista y est e bien denido.
83
La integral de Riemann-Stieltjes tiene varias propiedades semejantes a la integral de Riemann, enunciaremos a continuaci on algunas de ellas. Primeramente es lineal tanto en el integrando como en el integrador, es decir, si es constante, entonces
b b b
a)
a b
(h1 (x) + h2 (x)) dF (x) =

a b
h1 (x) dF (x) +
a b
h2 (x) dF (x). h(x) dF2 (x).

a
b)
a
h(x) d(F1 (x) + F2 (x)) =

a
h(x) dF1 (x) +
Cuando h(x) tiene primera derivada continua se cumple la f ormula

b b
c)
a
h(x) dF (x) = h(b)F (b) h(a)F (a)
F (x)h (x) dx.
De particular importancia en la teor a de la probabilidad son los siguientes dos casos particulares. Cuando F (x) es diferenciable se tiene la igualdad
b b
d)
a
h(x) dF (x) =
a
h(x)F (x) dx.
Es decir, integrar respecto de una funci on de distribuci on absolutamente continua se reduce a efectuar una integral de Riemann. El otro caso interesante ocurre cuando h(x) es continua y F (x) es constante excepto en los puntos x1 , x2 , . . ., en donde la funci on tiene saltos positivos de tama no p(x1 ), p(x2 ), . . . respectivamente. En este caso y suponiendo convergencia,
b
e)
a
h(x) dF (x) =
i=1
h(xi ) p(xi ).
Esto signica que integrar respecto de la funci on de distribuci on de una variable aleatoria discreta se reduce a efectuar una suma. Finalmente enunciamos la propiedad que ilustra el hecho de que la integral de Riemann es
84
2.5. Caracter sticas num ericas
un caso particular de la integral de Riemann-Stieltjes. Cuando F (x) = x se cumple

b b
f)
a
h(x) dF (x) =
a
h(x) dx.
En la siguiente secci on usaremos las funciones de distribuci on como funciones integradoras. Como toda funci on de distribuci on F (x) se puede descomponer en una suma convexa F d (x) + (1 )F c (x), en donde F d (x) es discreta y F c (x) es continua, entonces
b b
h(x) dF (x) =
a a
h(x) dF d (x) + (1 )
b a
h(x) dF c (x).
En algunos casos usaremos tambi en la integral de Riemann-Stieltjes en varias dimensiones. Por ejemplo, sean h(x, y ) y F (x, y ) funciones de dos variables, sea {a = x0 < x1 < < xn = b} una partici on de (a, b] y sea {c = y0 < y1 < < ym = d} una partici on de (c, d], entonces se dene
b a c d n m
h(x, y ) dF (x, y ) = l m
n,m i=1 j =1
h(xi , yj ) F (xi , yj ),
en donde F (xi , yj ) es el incremento de F en el rect angulo (xi1 , xi ] (yj 1 , yj ]. Por ahora no es clara la forma de denir este incremento pero retomaremos este concepto una vez que se haya denido a la funci on de distribuci on en dimensiones mayores.
2.5.
Caracter sticas num ericas
Se estudian a continuaci on algunas caracter sticas num ericas asociadas a variables aleatorias. En particular, se denen los conceptos de esperanza, varianza y m as generalmente los momentos de una variable aleatoria. Para ello haremos uso de la integral de Riemann-Stieltjes mencionada antes.
85
Esperanza
La esperanza de una variable aleatoria es un n umero que representa el promedio ponderado de sus posibles valores, se calcula como se indica a continuaci on. n. (Esperanza). Sea X con funci Definicio on de distribuci on F (x). La esperanza de X , denotada por E (X ), se dene como el n umero E (X ) =

x dF (x),
cuando esta integral sea absolutamente convergente, es decir, cuando |x| dF (x) < , y en tal caso se dice que X es integrable, o que tiene esperanza nita. A la esperanza se le conoce tambi en con el nombre de media, valor esperado, valor promedio o valor medio, y en general se usa la letra griega (mu) para denotarla. En la teor a de la medida [5] [14] [29] se dene la esperanza de una variable aleatoria o funci on medible X mediante una integral m as general llamada integral de Lebesgue, y se denota por X ( ) dP ( ).
En algunas ocasiones usaremos esta expresi on para tener compatibilidad en notaci on con la teor a general. Cuando X es discreta con funci on de probabilidad f (x), su esperanza, si existe, se calcula como sigue E (X ) = x xf (x). Si X es absolutamente continua con funci on de densidad f (x), entonces su esperanza, si existe, es E (X ) = xf (x) dx. Ejemplos. a) Sea X con valores en el conjunto {1, 2, . . .}, y con funci on de probabilidad f (x) = P (X = x) = 1/2x , para x 1. Entonces E (X ) =
86
x=1 xf (x)
2.5. Caracter sticas num ericas =

x x=1 x/2
= 2.
b) Sea X continua con funci on de densidad f (x) = 2x, para 0 < x < 1. 1 Entonces E (X ) = xf (x) dx = 0 x 2x dx = 2/3.
La integral o suma arriba mencionados pueden no existir y en ese caso se dice que la variable aleatoria no tiene esperanza nita. El siguiente ejercicio contiene un par de ejemplos que ilustran esta situaci on. V ease tambi en el ejercicio 151. Ejercicio. Demuestre que no existe la esperanza de X cuando su funci on de probabilidad o de densidad es a) f (x) = 1 , x(x + 1) para x = 1, 2, . . .
b) f (x) = 1/x2 ,
para x > 1.
Ejemplo. Sea X una variable aleatoria con la siguiente funci on de distribuci on. La forma de esta funci on puede apreciarse m as f acilmente a trav es de su gr aca, la cual se muestra en la Figura 2.9. 0 x/4 F (x) = 2/4 1/4 + x/4 1 si si si si si x < 0, 0 x < 1, 1 x < 2, 2 x < 3, x 3.
De acuerdo a las propiedades de la integral de Riemann-Stieltjes, la espe-
87
F (x) 1 3/4 2/4 1/4 x
Figura 2.9: Una funci on de distribuci on mixta. ranza de X es entonces E (X ) = =

0 1
x dF (x) 1 2 1 3 2 dx + 1 ( ) + 2 ( ) + 4 4 4 4 4
3
x
2
1 dx. 4
Despu es de algunos c alculos se encuentra que la esperanza es 15/4. Observe la forma mixta en la que esta integral es calculada: en las partes crecientes se calcula como si fuera una distribuci on continua, despu es se a naden los puntos de discontinuidad ponderados por el tama no del salto. Con frecuencia surge el problema de calcular esperanzas de funciones de variables aleatorias, es decir, si X es una variable aleatoria y g : R R es una funci on Borel medible, entonces g(X ) es una variable aleatoria y el problema es encontrar su esperanza. Usando directamente la denici on, la esperanza de g(X ) se calcula del siguiente modo: E [g(X )] =

x dFg(X ) (x),
pero ello requiere encontrar primero la distribuci on de g(X ), lo cual puede no ser f acil en muchos casos. Afortunadamente se cuenta con el siguiente resultado que establece una forma muy conveniente de calcular la esperanza de
88
g(X ), sin conocer su distribuci on, pero suponiendo conocida la distribuci on de X . n de una v.a.) Sea X con Teorema. (Esperanza de una funcio funci on de distribuci on FX (x), y sea g : R R una funci on Borel medible tal que g(X ) tiene esperanza nita. Entonces E [g(X )] =

g(x) dFX (x).
La demostraci on de este resultado en general no es sencilla y la omitiremos, aunque un camino c omodo que puede adoptarse es aceptar la f ormula anterior como la denici on de la esperanza de g(X ). En particular, cuando la funci on g es la identidad, se recupera la denici on b asica de esperanza. Por otro lado, cuando X es discreta, la demostraci on del teorema resulta no ser complicada. Ejercicio. Sea X una variable aleatoria discreta con valores en el conjunto on Borel medible tal que g(X ) tiene {x1 , x2 , . . .}, y sea g : R R una funci esperanza nita. Demuestre que E [g(X )] =
i=1
g(xi )P (X = xi ).
Se establecen a continuaci on algunas propiedades de la esperanza.
89
n. (Propiedades de la esperanza). Sean X y Y con Proposicio esperanza nita, y sea c una constante. Entonces 1. E (c) = c. 2. E (c X ) = c E (X ). 3. Si X 0, entonces E (X ) 0. 4. Si X Y , entonces E (X ) E (Y ). 5. E (X + Y ) = E (X ) + E (Y ).
Las demostraciones de las primeras cuatro propiedades son sencillas pues se siguen directamente de la denici on. La u ltima propiedad es f acilmente demostrable en el caso discreto. El caso general ser a demostrado m as adelante. Ejercicio. Sean X y Y discretas ambas con esperanza nita. Demuestre directamente que E (X + Y ) = E (X ) + E (Y ). n. Sea X con funci Proposicio on de distribuci on F (x), la cual admite la descomposici on F (x) = F d (x) + (1 )F c (x), en donde [0, 1], F d (x) es una funci on de distribuci on discreta, y F c (x) es una funci on de distribuci on continua. Sea Xd con distribuci on d c F (x), y sea Xc con distribuci on F (x). Entonces X tiene esperanza nita si, y s olo si, tanto Xd como Xc tienen esperanza nita, y en tal caso, E (X ) = E (Xd ) + (1 )E (Xc ).
90
Este resultado es inmediato de demostrar usando la propiedad de linealidad de la integral de Riemann-Stieltjes respecto de la funci on integradora.
Varianza
La varianza de una variable aleatoria es una medida del grado de dispersi on de los diferentes valores tomados por la variable, su denici on es la siguiente. n. (Varianza). La varianza de una variable aleatoria X , deDefinicio notada por Var(X ), se dene como la siguiente esperanza, si esta existe, Var(X ) = E (X E (X ))2 .
Cuando X es discreta con funci on de probabilidad f (x) y esperanza nita , la varianza de X , cuando existe, se calcula como sigue Var(X ) = x (x )2 f (x). Si X es absolutamente continua con funci on de densidad f (x) y esperanza nita , entonces la varianza de X , cuando existe, es Var(X ) = 2 mbolo (x ) f (x) dx. La varianza se denota regularmente por el s 2 (sigma cuadrada). A la ra z cuadrada positiva de Var(X ) se le llama desviaci on est andar, y se le denota naturalmente por . Nuevamente hay casos en los que la varianza no es nita, y en esa situaciones se dice que la variable aleatoria no tiene varianza. Observe que para calcular la varianza se necesita conocer primero la esperanza. Ejercicio. Demuestre que la varianza de una variable aleatoria con la siguiente funci on de densidad no existe. f (x) = 2/x3 si x > 1, 0 otro caso.
91
Enunciamos a continuaci on algunas propiedades de la varianza. n. (Propiedades de la varianza). Sean X y Y con vaProposicio rianza nita, y sea c una constante. Entonces 1. Var(X ) 0. 2. Var(c) = 0. 3. Var(c X ) = c2 Var(X ). 4. Var(X + c) = Var(X ). 5. Var(X ) = E (X 2 ) E 2 (X ). 6. En general, Var(X + Y ) = Var(X ) + Var(Y ).
La demostraci on de estas propiedades es sencilla pues todas ellas, excepto la u ltima, se siguen directamente de la denici on y de la propiedad lineal de la esperanza. Para la u ltima propiedad puede tomarse Y = X , con Var(X ) = 0, y vericarse la no igualdad. Otras propiedades de la varianza aparecen m as adelante. Ejercicio. Demuestre que Var(X ) = E (X (X 1)) E (X )(E (X ) 1).
Momentos
Los momentos de una variable aleatoria son n umeros que representan algunas caracter sticas de la distribuci on de probabilidad asociada. Bajo ciertas condiciones el conjunto de momentos determinan de manera u nica a la distribuci on de probabilidad.
92
n. (Momentos). Sea X una variable aleatoria con esperanza Definicio y sea n un n umero natural. Cuando existe, el n umero 1. E (X n ) es el n- esimo momento de X . 2. E |X |n es el n- esimo momento absoluto de X . 3. E [(X )n ] es el n- esimo momento central de X . 4. E |X |n es el n- esimo momento central absoluto de X . 5. E [X (X 1) (X n + 1)] es el n- esimo momento factorial de X . Observe que el primer momento es la esperanza, y el segundo momento central es la varianza. En algunos textos al n- esimo momento se le denota por , mientras que el n - e simo momento central es n . En el cap tulo n sobre funciones generadoras se estudian ciertas funciones asociadas a las distribuciones de probabilidad, y a trav es de las cuales los momentos de una variable aleatoria pueden ser encontrados, cuando existen, de manera m as eciente. El problema de los momentos consiste en determinar condiciones necesarias y sucientes para que los momentos de una variable aleatoria determinen de manera u nica su distribuci on de probabilidad. Por ejemplo, puede demostrarse que si X es tal que los n umeros E (X ), E (X 2 ), . . . son todos nitos y si se cumple que la serie n t E (X n ) n!
n=0
es absolutamente convergente para alg un t > 0, entonces la sucesi on de momentos determina de manera u nica a la distribuci on de X . Las condiciones mencionadas son sucientes pero no necesarias.
93
Cuantiles
n. (Cuantil). Sea p un n Definicio umero real cualquiera en el intervalo unitario (0, 1). Se le llama cuantil de orden p de una variable aleatoria X o de su distribuci on, a cualquier n umero xp que cumpla las condiciones P (X xp ) p,
P (X xp ) 1 p.
Es decir, el cuantil de orden p es aquel n umero que acumula a su izquierda una probabilidad mayor o igual a p, y al mismo tiempo acumula a su derecha una probabilidad de por lo menos 1 p. En general este n umero no es necesariamente u nico. Sin embargo, cuando la correspondiente funci on de distribuci on es estrictamente creciente, se cumple que el cuantil de cualquier orden es u nico. A los cuantiles de orden 1/4, 1/2 y 3/4 se les llama tambi en cuartiles. En particular al cuantil de orden 1/2 se le llama mediana. Es decir, la mediana es aquel n umero m que cumple las desigualdades P (X m) 1/2,
P (X m) 1/2.
La mediana de una variable aleatoria es una medida de tendencia central que permite dividir en dos partes iguales a la distribuci on de probabilidad cuando esta es continua y estrictamente creciente. Usando el concepto de mediana ejemplicaremos la posible no unicidad de los cuantiles. Ejemplo. Sea X es una variable aleatoria discreta tal que P (X = 1) = 1/2, y P (X = 0) = 1/2. Cualquier n umero en el intervalo [0, 1] es una mediana de X .
94
2.6. Distribuciones discretas
Moda
La moda es otra caracter stica num erica de las variables aleatorias, y se dene u nicamente para distribuciones discretas o absolutamente continuas de la siguiente forma. n. (Moda). La moda de una variable aleatoria o de su disDefinicio tribuci on, discreta o absolutamente continua, es aquel punto donde la funci on de densidad tiene un m aximo local. Por ejemplo, si X es una variable aleatoria discreta con valores x1 < x2 < x3 < , y con probabilidades respectivas p1 , p2 , p3 , . . ., entonces X tiene una moda en el punto xk si pk1 pk pk+1 . Es evidente que pueden existir varias modas para una misma variable aleatoria. Cuando la moda es u nica se dice que la distribuci on es unimodal, y cuando hay varias modas se dice que es multimodal.
2.6.
Distribuciones discretas
En esta secci on se estudian algunas distribuciones discretas de probabilidad de uso com un. Estas distribuciones son ejemplos particulares de medidas de probabilidad concentradas en un conjunto discreto de n umeros reales. Se presentan estos ejemplos sin hacer mayor enfasis en las aplicaciones de los modelos. En el Ap endice A, al nal del libro, aparecen algunas otras distribuciones de probabilidad. n uniforme discreta. La variable X tiene una distribuci Distribucio on uniforme sobre el conjunto {x1 , . . . , xn } si la probabilidad de que X tome cualquiera de estos valores es 1/n. Esta distribuci on surge en espacios de probabilidad equiprobables, esto es, en situaciones en donde se tienen n resultados diferentes y todos ellos tienen la misma probabilidad de ocurrir. Los juegos de loter a justos son un ejemplo donde puede aplicarse esta dis-
95
tribuci on. Se escribe X unif{x1 , . . . , xn }, y su funci on de probabilidad es 1/n si x = x1 , . . . , xn , f (x) = 0 otro caso. Por ejemplo, la funci on de probabilidad uniforme sobre el conjunto {1, . . . , 5} tiene gr aca como en la Figura 2.10. Es f acil ver que, en el caso general, E (X ) = y Var(X ) = 1 n 1 n
n
xi ,
i=1 n i=1
(xi E (X ))2 .
f (x) 1/5
Figura 2.10: Funci on de probabilidad unif{1, . . . , 5}. n Bernoulli. Un ensayo Bernoulli es un experimento aleaDistribucio torio con u nicamente dos posibles resultados, llamados gen ericamente exito y fracaso, y con probabilidades respectivas p y 1 p. Se dene la variable aleatoria X como aquella funci on que lleva el resultado exito al n umero 1, y el resultado fracaso al n umero 0. Entonces se dice que X tiene una distribuci on Bernoulli con par ametro p (0, 1). Se escribe X Ber(p) y la correspondiente funci on de probabilidad es si x = 0, 1p p si x = 1, f (x) = 0 otro caso,
96
cuya gr aca es como en la Figura 2.11. Es sencillo vericar que E (X ) = p, y Var(X ) = p(1 p). En particular, si A es un evento con probabilidad p, entonces la funci on indicadora 1A es una variable aleatoria con distribuci on Ber(p).
f (x) 0.7 0.3 x 0 1
Figura 2.11: Funci on de probabilidad Ber(p) con p =0.7. n binomial. Suponga que se realizan n ensayos independienDistribucio tes Bernoulli en donde la probabilidad de exito en cada uno de ellos es p (0, 1). El espacio muestral de este experimento consiste de todas las posibles sucesiones de longitud n de exitos y fracasos. Usando el principio multiplicativo, es f acil ver que este conjunto tiene 2n elementos. Si ahora se dene la variable aleatoria X como el n umero de exitos en cada una de estas sucesiones, entonces X toma los valores 0, 1, . . . , n, y se dice que X tiene una distribuci on binomial con par ametros n y p. Se escribe X bin(n, p), y su funci on de probabilidad es n px (1 p)nx si x = 0, 1, . . . , n, x f (x) = 0 otro caso.
Se puede demostrar que E (X ) = np, y Var(X ) = np(1p). En las gr acas de la Figura 2.12 se muestra el comportamiento de esta funci on de probabilidad. n geom Distribucio etrica. Suponga que se tiene una sucesi on innita de ensayos independientes Bernoulli en donde la probabilidad de exito en
97
f (x) 0.3 0.2 0.1 n = 10 p = 0.3 x
f (x)
0.3 0.2 0.1 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10

x n = 10 p = 0.5
Figura 2.12: Funci on de probabilidad bin(n, p). cada uno de ellos es p (0, 1). Se dene X como el n umero de fracasos antes de obtener el primer exito. Se dice entonces que X tiene una distribuci on geom etrica con par ametro p. Se escribe X geo(p), y su funci on de probabilidad es p(1 p)x 0 si x = 0, 1, . . . otro caso.
f (x) =
f (x) 0.4 0.3 0.2 0.1
1 2 3 4 5 6 7 8 9 10
Figura 2.13: Funci on de probabilidad geo(p) con p =0.4. Para esta distribuci on se puede demostrar que E (X ) = (1p)/p, y Var(X ) = (1 p)/p2 . En algunos textos se dene tambi en la distribuci on geom etrica
98
como el n umero de ensayos, (y no el de fracasos), antes del primer exito. En tal caso, la funci on de probabilidad es f (x) = p(1 p)x1 , para x = 1, 2, . . .. La media es entonces 1/p y la varianza es como antes. n Poisson. La variable aleatoria discreta X tiene una distriDistribucio buci on Poisson con par ametro > 0, y se escribe X Poisson() si su funci on de probabilidad es x e x! f (x) = 0
si x = 0, 1, . . . otro caso.
Esta distribuci on fue descubierta por Sime on Denis Poisson en 1873 como l mite de la distribuci on binomial, al respecto v ease el ejercicio 223. Puede demostrarse que E (X ) = , y Var(X ) = . La gr aca de la funci on de probabilidad Poisson se muestra en la Figura 2.14.
f (x) 0.3 0.2 0.1
Figura 2.14: Funci on de probabilidad Poisson() con = 2. n binomial negativa. Suponga que se tiene una sucesi Distribucio on innita de ensayos independientes Bernoulli en donde la probabilidad de exito en cada ensayo es p (0, 1). Sea X el n umero de fracasos antes de obtener el r - esimo exito. Se dice entonces que X tiene una distribuci on binomial negativa con par ametros r y p. Se escribe X bin neg(r, p), y su
Cap tulo 2. Variables aleatorias funci on de probabilidad es r+x1 x f (x) = 0
99
pr (1 p)x
si x = 0, 1 . . . otro caso.
Se puede demostrar que E (X ) = r (1 p)/p, y Var(X ) = r (1 p)/p2 . Es claro que esta distribuci on es una generalizaci on de la distribuci on geom etrica, la cual se obtiene cuando el par ametro r toma el valor 1. Para r = 3 y p =0.2, la funci on de probabilidad binomial negativa tiene la forma como en la Figura 2.15.
f (x) 0.06 0.04 0.02 x
10
15
20
25
30
Figura 2.15: Funci on de probabilidad bin neg(r, p) con r = 3 y p =0.2. n hipergeom Distribucio etrica. Suponga que se tiene un conjunto de N objetos de los cuales K son de una primera clase, y N K son de una segunda clase. Suponga que de este conjunto se toma una muestra de tama no n, sin reemplazo y en donde el orden de los objetos seleccionados no importa. Se dene X como el n umero de objetos de la primera clase contenidos en la muestra seleccionada. Entonces X puede tomar los valores 0, 1, . . . , n, suponiendo n K . Decimos que X tiene una distribuci on hipergeom etrica con par ametros N , K y n, se escribe X hipergeo(N, K, n), y su funci on de probabilidad es
100

2.7. Distribuciones continuas
K x
f (x) =
La gr aca de esta funci on se muestra en la Figura 2.16. Es posible comprobar que K , N K N K N n Var(X ) = n . N N N 1 E (X ) = n
f (x) 0.4 0.3 0.2 0.1 x N = 20 K=7 n=5
N n
N K nx

si x = 0, 1, . . . , n,
otro caso.
Figura 2.16: Funci on de probabilidad hipergeo(N, K, n).
2.7.
Distribuciones continuas
Ahora se estudian algunas distribuciones de probabilidad de variables aleatorias absolutamente continuas. Algunas otras distribuciones continuas que surgen en la estad stica ser an estudiadas en el Cap tulo 5.
101
n uniforme continua. La variable aleatoria X tiene distriDistribucio buci on uniforme en el intervalo (a, b) y se escribe X unif(a, b), cuando su funci on de densidad es 1 ba f (x) = 0
si x (a, b), otro caso.
En este caso es inmediato vericar que E (X ) = (a + b)/2, y Var(X ) = (b a)2 /12. La gr aca de esta funci on de densidad se muestra en la Figura 2.17
f (x)
1 ba
Figura 2.17: Funci on de densidad unif(a, b). n exponencial. La variable continua X tiene una distribuDistribucio ci on exponencial con par ametro > 0 y se escribe X exp() cuando tiene funci on de densidad ex 0 si x > 0, si x 0.
f (x) =
Para esta distribuci on es muy sencillo vericar que E (X ) = 1/, y Var(X ) = 1/2 . Su gr aca se muestra en la Figura 2.18. n gama. La variable aleatoria continua X tiene distribuci Distribucio on
102
f (x)
Figura 2.18: Funci on de densidad exp(). gama con par ametros n > 0 y > 0 si su funci on de densidad es n1 (x) ex (n) f (x) = 0
si x > 0, si x 0.
En tal caso se escribe X gama(n, ). La gr aca de esta funci on se muestra en la Figura 2.19. El t ermino (n) es la funci on gama denida como sigue (n) =
0
tn1 et dt,
para valores de n tal que la integral es convergente. Esta funci on satisface las siguientes propiedades: a) (n + 1) = n(n). b) (n + 1) = n! para n entero positivo. c) (2) = (1) = 1. d) (1/2) = .
103
Observe que cuando el par ametro n toma el valor 1, la distribuci on gama(n, ) se reduce a la distribuci on exp(). Resolviendo un par de integrales se puede demostrar que E (X ) = n/, y Var(X ) = n/2 .
=5 f (x) =4 =3 f (x) n=5 n=7 n = 10
x n=5 =3
Figura 2.19: Funci on de densidad gama(n, ). Nota. La terminolog a usada para esta distribuci on no es est andar. En algunos otros textos aparece como gama(, n), es decir, los par ametros son los mismos pero se presentan en el orden contrario. Puede entonces haber confusi on cuando se escribe por ejemplo gama(2, 3). En ocasiones se usa el par ametro 1/ en lugar de . n beta. La variable continua X tiene distribuci Distribucio on beta con par ametros a > 0 y b > 0, y se escribe X beta(a, b) cuando su funci on de densidad es 1 xa1 (1 x)b1 si 0 < x < 1, B (a, b) f (x) = 0 otro caso. En la Figura 2.20 se ilustra la forma de esta funci on para varios valores de los par ametros. El t ermino B (a, b) se conoce como la funci on beta, y se
104
dene para a > 0 y b > 0 como sigue

1
B (a, b) =
0
xa1 (1 x)b1 dx.
Esta funci on satisface las siguientes propiedades. a) B (a, b) = B (b, a). b) B (a, b) = (a)(b) . (a + b)
f (x)
3 2 1
a=2 b=6 a=4 b=4
a=6 b=2 a=1 b=1 x
1 Figura 2.20: Funci on de densidad beta(a, b). Por simetr a se tiene que si X tiene distribuci on beta(a, b), entonces 1 X tiene distribuci on beta(b, a). Para esta distribuci on se tiene que a E (X ) = , a+b ab y Var(X ) = . (a + b + 1)(a + b)2 n normal. Esta es posiblemente la distribuci Distribucio on de probabilidad de mayor importancia. Se dice que la variable aleatoria continua X tiene una distribuci on normal o Gausiana si su funci on de densidad es 1 2 2 f (x) = e(x) /2 , 2 2
105
en donde R y 2 > 0 son dos par ametros. En este caso se escribe X N(, 2 ). No es dif cil demostrar que E (X ) = , y Var(X ) = 2 . La gr aca de la funci on de densidad normal aparece en la Figura 2.21, en ella se muestra el signicado geom etrico de los par ametros. Cuando se hacen variar estos par ametros la funci on de densidad cambia como se ilustra en la Figura 2.22.
f (x)
Figura 2.21: Funci on de densidad N(, 2 ).
f (x)
f (x)
x variando, 2 constante constante, 2 variando
Figura 2.22: Funci on de densidad N(, 2 ) variando los par ametros. En particular se dice que X tiene una distribuci on normal est andar si = 0 2 y = 1. En este caso particular, la funci on de densidad se reduce a la expresi on m as sencilla 1 2 f (x) = ex /2 . 2 Es posible transformar una variable aleatoria normal no est andar en una
106
est andar mediante la siguiente operaci on llamada estandarizaci on. La demostraci on de este resultado es elemental y se deja como ejercicio. n. X N(, 2 ) Z = Proposicio X N(0, 1).
Com unmente se usa la letra Z para denotar una variable aleatoria con distribuci on normal est andar. En particular la funci on (x) denota la funci on de distribuci on de una variable aleatoria normal est andar, es decir,
x
(x) = P (Z x) =
1 2 eu /2 du. 2
(x)
x Figura 2.23: Area cubierta por la funci on de distribuci on (x) = P (Z x).
Los valores de esta funci on no pueden encontrarse de manera expl cita, asi es que se usan m etodos num ericos para aproximar la integral para distintos valores de x. En una tabla al nal del texto pueden encontrarse estos valores aproximados. n log normal. Si X tiene distribuci Distribucio on N(, 2 ), entonces la X variable Y = e tiene una distribuci on log normal(, 2 ), y su funci on de densidad es (ln y )2 1 exp ( ) si y > 0, 2 2 y 2 2 f (y ) = 0 si y 0.
107
La gr aca de esta funci on de densidad se muestra en la Figura 2.24. Se puede demostrar que E (Y ) = exp( + 2 /2), y Var(Y ) = exp(2 + 2 2 ) exp(2 + 2 ).
f (y )
0.025
10
15
20
25
Figura 2.24: Funci on de densidad log normal(, 2 ) con = 3 y 2 = 2. Algunas otras distribuciones continuas de inter es se encuentran en el cap tulo sobre distribuciones muestrales.
108
2.8. Ejercicios
2.8.
Ejercicios
91. Demuestre que la funci on identidad X ( ) = no es variable aleatoria cuando = {1, 2, 3} y F = {, {1}, {2, 3}, }. 92. Sea = {1, , 0, 1} y F = {, {0}, {1, 1}, }. Considere la funci on identidad X ( ) = . Demuestre que X 2 es variable aleatoria pero X no lo es. 93. Considere el espacio medible (, F ), con F = {, }. Demuestre que la funci on X : R es variable aleatoria si, y s olo si, X es constante. 94. Sea (, F ) un espacio medible tal que F = {, , A, Ac } con A . Demuestre que toda funci on medible X : R es constante en A y c en A . Por lo tanto toda funci on medible respecto de esta - algebra toma a lo sumo dos valores distintos. El siguiente ejercicio generaliza este resultado. 95. Sea A1 , . . . , An una partici on nita de , y considere el espacio medible (, F ), con F = {A1 , . . . , An }. Demuestre que X : R es variable aleatoria si, y s olo si, X es constante en cada elemento de la partici on. En consecuencia, X toma a lo sumo n valores distintos. 96. Demuestre que X es variable aleatoria si, y s olo si, (X < x) F para cada n umero real x. 97. Demuestre que X es variable aleatoria si, y s olo si, (X x) F para cada n umero real x. 98. Demuestre que X es variable aleatoria si, y s olo si, (X > x) F para cada n umero real x. 99. Demuestre que X es variable aleatoria si, y s olo si, (a < X < b) F para cada intervalo (a, b) de R.
109
100. Sea c una constante y X una variable aleatoria. Demuestre directamente que las siguientes funciones tambi en son variables aleatorias: cX , X + c, m ax{X, c}, m n{X, c}. 101. Demuestre directamente que la diferencia de dos variables aleatorias es variable aleatoria. 102. Sea X una variable aleatoria cualquiera. Demuestre que la parte entera de X , denotada por X , es una variable aleatoria discreta, es decir, toma un n umero numerable de valores. 103. Demuestre que el conjunto de variables aleatorias denidas sobre un espacio de probabilidad es un espacio vectorial con las operaciones usuales de suma y producto por escalares. 104. Sean X y Y variables aleatorias. Demuestre directamente que tanto m ax{X, Y } como m n{X, Y } son variables aleatorias. 105. Demuestre directamente que si X es variable aleatoria, entonces tambi en lo son X n y 2X 3 5X . 106. Demuestre que X es variable aleatoria si, y s olo si, tanto X + = m ax{0, X } como X = m n{0, X }, lo son. 107. Sea A . Demuestre que la funci on indicadora 1A : R es variable aleatoria si, y s olo si, el conjunto A es medible. V ease el ap endice al nal del texto para la denici on y algunas propiedades de la funci on indicadora. 108. Sean A, B . Diga falso o verdadero. Demuestre en cada caso. a ) A, B medibles 1A + 1B es v.a. b ) 1A + 1B es v.a. A, B son medibles.
109. Sean A, B subconjuntos disjuntos de y sean a, b dos n umeros reales distintos. Demuestre que a1A + b1B es v.a. A, B son medibles.
110
2.8. Ejercicios Una de estas implicaciones resulta falsa cuando se omite la condici on de que los n umeros a y b son distintos. Cu al de ellas es?
110. Sean A1 , . . . , An subconjuntos disjuntos de , y sean a1 , . . . , an constantes distintas. Demuestre que

n i=1
ai 1Ai es v.a. A1 , . . . , An son medibles.
111. Sean A y B dos eventos, y sean 1A y 1B las correspondientes funciones indicadoras. Directamente de la denici on demuestre que las funciones 1A + 1B , 1A 1B y 1A 1B son variables aleatorias. 112. Sean X y Y dos variables aleatorias. Demuestre que los conjuntos (X Y ), (X = Y ), (X Y < 1), (X Y > 0), (X Y ) y (X = Y ) son eventos. 113. Sean X , Y y Z tres variables aleatorias. Demuestre que los conjuntos (X Y Z ), (X = Y = Z ) y (X > Y > Z ) son eventos. 114. Sea X una variable aleatoria y g : R R una funci on Borel medible. Demuestre que g(X ) = g X : R es tambi en una variable aleatoria. Sugerencia: Demuestre que la colecci on B = {B B (R) : g1 B B (R)} coincide con B (R) usando los siguientes dos resultados: (1) Dada una funci on continua de R en R, la imagen inversa de un conjunto abierto es nuevamente un conjunto abierto. (2) Todo conjunto abierto de R distinto del vac o puede expresarse como una uni on numerable de intervalos abiertos. 115. Sea X una variable aleatoria. Demuestre que las funciones eX , sen X , y cos X son variables aleatorias. 116. Sea X : R una funci on. Proporcione un ejemplo en el que X 2 es variable aleatoria pero |X | no lo es. 117. Sean X1 , . . . , Xn variables aleatorias. Demuestre que
Cap tulo 2. Variables aleatorias = 1 a) X n b) S2

n
111
Xi
i=1 n i=1
es v.a. )2 (Xi X es v.a.
1 = n1
118. Sea X una variable aleatoria, y sean a < b dos constantes. Demuestre que las siguientes funciones son variables aleatorias. a) Y = X si X < a, a si X a.
a si X < a, b) Y = X si a X b, b si X > b. c) Y = X si |X | a, 0 si |X | > a,
suponiendo a > 0.
119. Se dene la funci on signo como sigue +1 1 signo(x) = 0
si x > 0, si x < 0, si x = 0.
Demuestre que si X es variable aleatoria, entonces signo(X ) tambi en lo es. Es cierto el rec proco?
120. Sea (, F , P ) un espacio de probabilidad, y sea X : R una funci on. Demuestre que la colecci on {X 1 B : B B (R)} es una sub - algebra de F si, y s olo si, X es variable aleatoria. A esta colecci on se le denota por (X ), y es la m nima - algebra respecto de la cual X es variable aleatoria. 121. Sea X una variable aleatoria con valores en el conjunto {0, 1, . . .}. Sea (X )10 el valor de X m odulo 10. Demuestre que (X )10 es tambi en variable aleatoria.
112
2.8. Ejercicios
122. Medida de probabilidad inducida. Sean (1 , F1 ) y (2 , F2 ) dos espacios medibles, y sea X : 1 2 una funci on medible, es decir, para cualquier A en F2 se cumple que X 1 A F1 . Suponga que P : F1 [0, 1] es una medida de probabilidad. Demuestre que P X 1 : F2 [0, 1] es tambi en una medida de probabilidad. A esta funci on se le llama medida de probabilidad inducida por X . 123. Sea c una constante distinta de cero, y sea X una variable aleatoria. Demuestre o proporcione un contraejemplo. a ) (cX ) = (X ). b ) (X + c) = (X ). c ) (X ) = (X 2 ).
Funci on de distribuci on
124. Graque y demuestre que las siguientes funciones son de distribuci on. a ) F (x) = b ) F (x) = 1 ex 0 si x > 0, si x 0.
1 (1 + x)ex 0
125. Investigue si las siguientes funciones son de distribuci on. a ) F (x) = b ) F (x) = 1 ex 0 e1/x 0
2
si x < 1, 0 c ) F (x) = (x + 1)/2 si x [1, 1], 1 si x > 1. si x > 0, si x 0.
si x > 0, si x 0.
d ) F (x) = ex /(ex + ex ), para x R.
c ) F (x) = ex /(1 + ex ), para x R.
si x > 0, si x 0.
113
126. Sean F (x) y G(x) dos funciones de distribuci on. Determine si las siguientes funciones son de distribuci on. a ) aF (x) + (1 a)G(x), con 0 a 1. b ) F (x) + G(x). c ) F (x)G(x). 2 G(x) d) . 1 + F (x) 127. Sea X con funci on de distribuci on la especicada abajo. Graque F (x) y demuestre que es efectivamente una funci on de distribuci on. Calcule adem as P (X 4), P (X > 1), P (4 < X < 6) y P (X = 2). F (x) = 0 si x < 2, 2 1 4/x si x 2.
129. En la escuela rusa de probabilidad se dene la funci on de distribuci on de una variable aleatoria X como G(x) = P (X < x). Observe el signo < en lugar de . Demuestre que esta funci on cumple todas las propiedades de una funci on de distribuci on, excepto que ahora la continuidad es por la izquierda. 130. Sea F (x) una funci on de distribuci on continua. Demuestre que para cualquier entero n 1, las siguientes funciones tambi en son de distribuci on.
128. Sea X con funci on de distribuci on la especicada abajo. Graque F (x) y demuestre que es efectivamente una funci on de distribuci on. Calcule adem as P (X 1), P (X = 1), P (0 < X < 3), P (X = 4) y P (X 3). 0 si x < 0, 0.2 si 0 x < 1, F (x) = 0.5 si 1 x < 3, 0.9 si 3 x < 4, 1 si x 4.
114
a ) [F (x)]n . b ) 1 [1 F (x)]n .
2.8. Ejercicios
131. Sea X con funci on de distribuci on F (x). Diga falso o verdadero, demuestre en cada caso. Para todo x R, a ) F (x) = P (X < x) + P (X = x). c ) 1 P (X < x) P (X > x) = P (X = x). 1 1 d ) F (x) P (X = x) = (F (x) + F (x)). 2 2 132. Encuentre la funci on de distribuci on de la variable Y en t erminos de la funci on de distribuci on de X cuando n{0, X }. a) Y = aX + b, con a, b constantes. f ) Y = X = m X b) Y = e . g) Y = |X |. c) Y = eX . h) Y = X . d) Y = X 2 . i) Y = sen X . e) Y = X + = m ax{0, X }. j ) Y = cos X . 133. Sea X con funci on de distribuci on FX (x), y sean a < b dos constantes. Calcule la funci on de distribuci on de Y en t erminos de la funci on de distribuci on de X , y muestre gr acamente el comportamiento de FY (y ) en los puntos a y b. a) Y = X si X < a, a si X a. b ) 1 F (x) = P (X x).
a si X < a, b) Y = X si a X b, b si X > b. c) Y = X si |X | a, 0 si |X | > a,
con
a > 0.
134. Sean F (x) y G(x) dos funciones de distribuci on continuas y estrictamente crecientes. Demuestre que
Cap tulo 2. Variables aleatorias a ) si F (x) G(x), entonces F 1 (y ) G1 (y ).
115
b ) si X tiene funci on de distribuci on F (x), entonces Y = G1 (F (X )) tiene funci on de distribuci on G(x). c ) si F (x) G(x), entonces existen variables aleatorias X y Y cuyas funciones de distribuci on son F (x) y G(x) respectivamente, y son tales que X Y . Sugerencia: Use el inciso anterior.
135. Sea X con funci on de distribuci on F (x). Demuestre que F (x) es conolo si, P (X = x0 ) = 0. tinua en x = x0 si, y s
Tipos de variables aleatorias

136. Encuentre la constante c que hace a f (x) una funci on de probabilidad. a ) f (x) = c , para x = 1, 2, . . . x(x + 1) b ) f (x) = c ex , para x = 1, 2, . . . c ) f (x) = c/x!, para x = 1, 2, . . . 137. Encuentre la constante c que hace a f (x) una funci on de densidad. a ) f (x) = c x2 , para 0 < x < 1. b ) f (x) = c xe2x , para x > 0. c ) f (x) = c x2 , para x > 1. c ex , para x R. d ) f (x) = (1 + ex )2 e ) f (x) = c x(1 x), para 0 < x < 1. c f ) f (x) = , para 0 < x < 1. 1 x2 c g ) f (x) = , para x R. 1 + x2 138. Demuestre que las siguientes funciones son de densidad. Encuentre la correspondiente funci on de distribuci on y demuestre que esta es efectivamente una funci on de distribuci on. Graque ambas funciones.
2
116
2.8. Ejercicios a ) f (x) = 2x, para x (0, 1).
b ) f (x) = 3x2 /2, para x (1, 1).
d ) f (x) = 2x/m2 , para x (0, m), con m > 0. e ) f (x) = 1/(1 x)2 , para x (0, 1/2). f ) f (x) = e|x| /2, para x R.
c ) f (x) = 1 x/2, para x (0, 2).
139. Demuestre que las siguientes funciones son de distribuci on. Encuentre la correspondiente funci on de densidad y compruebe que esta es efectivamente una funci on de densidad. Graque ambas funciones. a ) F (x) = 0 1 si x < 0, si x 0.
c ) F (x) = ex /(1 + ex ). 1 x |u| e du. d ) F (x) = 2
0 b ) F (x) = x 1
si x 0, si 0 < x < 1, si x 1.
140. Sea f (x) una funci on de densidad y sea c una constante cualquiera. Demuestre que f (x + c) es tambi en una funci on de densidad. 141. Diga falso o verdadero. Demuestre en cada caso. a ) Toda funci on de densidad es acotada. b ) Toda funci on de distribuci on es acotada. 142. Sea X absolutamente continua, y sea Y = aX + b con a y b constantes. Demuestre que si a = 0, entonces fY (y ) = 1 fX ((y b)/a). |a|
117
Igualdad de variables aleatorias

143. Demuestre que la igualdad casi segura de variables aleatorias es una relaci on de equivalencia. Cumple tal propiedad la igualdad en distribuci on? 144. Sea X 0 tal que E (X ) = 0. Demuestre que X = 0 c.s. Sugerencia: Para cada natural n dena el evento An = (X 1/n). Compruebe que E (X ) E (X 1An ) P (An )/n. Esto lleva a la conclusi on de que P (An ) = 0 y por lo tanto P (n=1 An ) = 0. Ahora compruebe que los eventos (X > 0) y n=1 An coinciden. Alternativamente puede usarse la desigualdad de Markov (ver p agina 347).
Integral de Riemann-Stieltjes
145. Sea X una variable aleatoria con funci on de distribuci on F , y sea a cualquier n umero real. Demuestre que

1{a} (x) dF (x) = P (X = a).
146. Sea X una variable aleatoria con funci on de distribuci on F , y sea (a, b) R. Demuestre que

1(a,b) (x) dF (x) = P (a < X < b).
147. Sea F una funci on de distribuci on absolutamente continua. Demuestre que para cualesquiera n umeros naturales n y m,

F n (x) dF m (x) =
m . n+m
118 Esperanza
2.8. Ejercicios
148. Calcule la esperanza de X cuya funci on de probabilidad o de densidad es a ) f (x) = 1/5, para x = 2, 1, 0, 1, 2. b ) f (x) = e1 /x!, para x = 0, 1, 2, . . . c ) f (x) = |x|, para 1 < x < 1.
d ) f (x) = e|x| /2, para x R.
149. Calcule la esperanza de una variable aleatoria cuya funci on de distribuci on es 1 ex /2 si x > 1, F (x) = 0 si x 1. 150. Sean X y Y con esperanza nita, y sea c una constante. Demuestre que a ) E (c) = c. b ) E (cX ) = cE (X ). c ) E (X + c) = E (X ) + c. d ) Si X 0, entonces E (X ) 0. f ) |E (X )| E |X |. e ) Si X Y , entonces E (X ) E (Y ).
151. Demuestre que no existe la esperanza de X cuando su funci on de probabilidad o de densidad es a ) f (x) = b ) f (x) = 3 2 x2 , para x Z \ {0}. para x R.
1 , (1 + x2 )
119
152. La paradoja de San Petersburgo. Un juego consiste en lanzar una moneda equilibrada repetidas veces hasta que una de las caras, seleccionada previamente, aparezca por primera vez. Si un jugador lanza la moneda y requiere de n lanzamientos para que se cumpla la condici on, entonces recibe 2n unidades monetarias. Cu al debe ser el pago inicial justo para ingresar a este juego? on de eventos que forman una partici on 153. Sea {A1 , A2 , . . .} una colecci de tal que cada elemento de la partici on tiene probabilidad estrictamente positiva. Sea X una variable aleatoria discreta con esperanza nita. Para cualquier evento A con probabilidad positiva dena E (X | A) = Demuestre que E (X ) =
i=1
xP (X = x | A).
E (X | Ai )P (Ai ).
154. Sean X y Y con esperanza nita. Demuestre que a ) E (m n{X, Y }) m n{E (X ), E (Y )} E (X ).
b ) E (m ax{X, Y }) m ax{E (X ), E (Y )} E (X ).
155. Sea X > 0, discreta y con esperanza nita. Demuestre directamente que E (X )E (1/X ) 1. Este resultado puede ser demostrado usando la desigualdad de Jensen (ver p agina 127), pero en este ejercicio se pide obtener el resultado sin usar dicha desigualdad. 156. Sea X discreta con valores no negativos x1 x2 xk . Demuestre que a ) l m b ) l m E (X n+1 ) = xk , n E (X n )
n
E (X n ) = x1 .
120
2.8. Ejercicios
157. Sea X discreta con valores 0, 1, . . . y con esperanza nita. Demuestre que E (X ) =
n=1
P (X n) =
P (X > n).
n=0
Use esta f ormula para demostrar que a ) si X tiene distribuci on geo(p), entonces E (X ) = (1 p)/p. b ) si X tiene distribuci on Poisson(), entonces E (X ) = . 158. Sea X 0 con esperanza nita, y suponga que para alg un p (0, 1), se cumple la desigualdad P (X k) pk , para cada k = 0, 1, . . .. Demuestre que E (X ) 1/(1 p). 159. Sea X 0 con esperanza nita no necesariamente discreta. Para cada n umero natural n dena el evento An = (n 1 X < n). Demuestre que
n=1
(n 1)1An X <
n1An .
n=1
Ahora demuestre las desigualdades

n=1
P (X n) E (X ) < 1 +
n=1
P (X n).
160. Sea X con funci on de distribuci on F (x). Demuestre que si X tiene esperanza nita, entonces a ) l m x (1 F (x)) = 0. b)
x x
l m x F (x) = 0.
El rec proco sin embargo es falso, v ease [4]. 161. Sea X con funci on de distribuci on F (x), y con esperanza nita. Demuestre que E (X ) =
0 0
[1 F (x)]dx
F (x)dx.
121
Gr acamente estas integrales pueden interpretarse como se indica en la Figura 2.25.

F (x)
areas. Figura 2.25: La esperanza como la diferencia de dos
Use esta f ormula para demostrar que a ) si X tiene distribuci on exp(), entonces E (X ) = 1/. b ) si X tiene distribuci on gama(n, ), entonces E (X ) = n/. 162. Sea X una variable aleatoria no negativa con funci on de distribuci on continua F (x) y con esperanza nita . Demuestre que la siguiente funci on es de distribuci on. 1 1 (1 F (x)) dx si y > 0, y G(y ) = 0 si y 0. 163. Sea X con funci on de distribuci on continua F (x), y con esperanza nita . Demuestre que
Demuestre que la esperanza de esta distribuci on es 2 E (X 2 )/, suponiendo que el segundo momento de X es nito.
F (x)dx =
[1 F (x)]dx.
164. Demuestre que la condici on E (X ) = 0 no implica que X es sim etrica alrededor de cero. Sugerencia: Considere X tal que P (X = 1) = 1/2,
122
2.8. Ejercicios P (X = 0) = 1/8, P (X = 1) = 1/4 y P (X = 2) = 1/8. Puede usted construir un ejemplo de una distribuci on continua con esperanza cero, que no sea sim etrica?
165. Calcule la esperanza de una variable aleatoria con funci on de distribuci on continua dada por la gr aca de la Figura 2.26. Calcule y graque adem as la correspondiente funci on de densidad.
F (x) 1 1/2
3 2 1
Figura 2.26: Una funci on de distribuci on continua. 166. Calcule la esperanza de una variable aleatoria con funci on de distribuci on dada por la gr aca de la Figura 2.27.
F (x) 1 3/4 2/4 1/4 x
Figura 2.27: Una funci on de distribuci on mixta. 167. Demuestre que si X = 0 c.s., entonces E (X ) = 0. 168. Sean X y Y con esperanza nita tales que X = Y c.s. Demuestre que E (X ) = E (Y ).
123
Varianza
169. Calcule la varianza de X cuya funci on de probabilidad o de densidad es a ) f (x) = 1/5, para x = 2, 1, 0, 1, 2. b ) f (x) = e1 /x!, para x = 0, 1, 2, . . . c ) f (x) = |x|, para 1 < x < 1.
d ) f (x) = e|x| /2, para x R.
170. Sean X y Y con varianza nita y sea c una constante. Demuestre las siguientes propiedades de la varianza. a ) Var(X ) 0. b ) Var(cX ) = c2 Var(X ). c ) Var(X + c) = Var(X ). d ) Var(X ) = E (X 2 ) E 2 (X ). 171. Use la desigualdad de Chebyshev para demostrar que Var(X ) = 0 si, y s olo si, X es constante. 172. Sea X con valores en [a, b]. Demuestre que a ) a E (X ) b. b ) 0 Var(X ) (b a)2 /4.
n del error cuadra tico medio. Sea X con segundo 173. Minimizacio momento nito. A la funci on g(u) = E [(X u)2 ] se le conoce como error cuadr atico medio. Demuestre que g(u) se minimiza cuando u = E (X ). En consecuencia, para cualquier valor real de u, Var(X ) E [(X u)2 ]. 174. Sea X con varianza nita y sea c una constante. Demuestre que E (X c)2 = Var(X ) + (E (X ) c)2 .
124
2.8. Ejercicios
175. Sea X con media y varianza 2 . Demuestre que E |X | . Sugerencia: Var(|X |) 0. 176. Diga falso o verdadero. Demuestre en cada caso. a ) Si X Y , entonces Var(X ) Var(Y ). b ) Var(X ) E (X 2 ). c ) E 2 (X ) E (X 2 ). 177. Sea X una variable aleatoria con varianza nita, y sea a una constante. Diga si las siguientes armaciones son falsas o verdaderas, demuestre en cada caso. a ) E (m n{X, a}) E (X ) E (m ax{X, a}). b ) Var(m n{X, a}) Var(X ) Var(m ax{X, a}). 178. Sean X y Y con varianza nita. Diga si las siguientes desigualdades son falsas o verdaderas, demuestre en cada caso. a ) Var(m n{X, Y }) Var(X ) Var(m ax{X, Y }). b ) Var(X + Y ) 2 ( Var(X ) + Var(Y ) ). c) Var(X + Y ) Var(X ) + Var(Y ). 179. Sea X con varianza nita, y sea c una constante cualquiera. Diga si las siguientes armaciones son falsas o verdaderas, demuestre en cada caso. a ) Var(X + c) = Var(X c). b ) Var(|X |) Var(X ). c ) Var(|X c|) Var(X ). 180. Calcule la varianza de una variable aleatoria cuya funci on de distribuci on est a dada por la gr aca de la Figura 2.28. 181. Sean X y Y independientes y con segundo momento nito. Demuestre que Var(XY ) = Var(X ) Var(Y ) + E 2 (X ) Var(Y ) + E 2 (Y ) Var(X ).
125
F (x) 1 3/4 1/4 x
3 2 1
Figura 2.28: Una funci on de distribuci on mixta. 182. Sean X y Y con segundo momento nito. Demuestre que | Var(X ) Var(Y )| Var(X Y ) Var(X ) + Var(Y ).
Momentos
183. Calcule el n- esimo momento de una variable aleatoria cuya funci on de probabilidad o de densidad es a ) f (x) = 1/5, para x = 2, 1, 0, 1, 2. b ) f (x) = e1 /x!, para x = 0, 1, 2, . . . c ) f (x) = |x|, para 1 < x < 1.
d ) f (x) = e|x| /2, para x R.
184. Sea X con n- esimo momento nito. Demuestre que para cualquier n umero natural m n, se cumple E |X |m E |X |n . Este resultado establece que si el n- esimo momento de una variable aleatoria es nito, entonces todos los momentos anteriores a n tambi en son nitos. Sugerencia: |X |m = |X |m 1(|X |1) + |X |m 1(|X |>1) . 185. Sea X con distribuci on sim etrica alrededor de x = 0, y con cuarto momento nito. Demuestre que para cualquier n umero real a, E (X 4 ) E (X a)4 .
126
2.8. Ejercicios
186. Sea 1A la funci on indicadora de un evento A. Demuestre que a ) E (1A ) = E (1n A ) = P (A). b ) Var(1A ) = P (A)(1 P (A)) 1/4. 187. Sea X con n- esimo momento nito. Demuestre que E |X |n = n
0 0
xn1 (1 F (x)) dx + n
|x|n1 F (x) dx.
188. Sea X discreta con valores en el conjunto {0, 1, . . . }, y con segundo momento nito. Demuestre que E (X 2 ) =
n=1
(2n 1)P (X n).
189. Sea X 0 continua y con segundo momento nito. Demuestre que E (X 2 ) = 2

0
xP (X > x) dx.
190. Espacio L1 . Demuestre que el espacio L1 (, F , P ) consistente de todas las variables aleatorias X tales que E |X | < , es un espacio vectorial. Para resolver este ejercicio suponga v alida la propiedad de linealidad de la esperanza. Tal propiedad ser a demostrada m as adelante. 191. Desigualdad de Cauchy-Schwarz. Sean X y Y con segundo momento nito. Demuestre que E 2 (XY ) E (X 2 )E (Y 2 ). Sugerencia: Para cualquier valor real de t, la esperanza de (tX + Y )2 es no negativa. Desarrolle el cuadrado y encuentre una ecuaci on cuadr atica en t. Qu e puede decir de su discriminante?

u(x) u(a) + (x a)m u(a) x
127
Figura 2.29: Convexidad. 192. Espacio L2 . Use la desigualdad de Cauchy-Schwarz para demostrar que el espacio L2 (, F , P ) consistente de todas las variables aleatorias X tales que E |X |2 < , es un espacio vectorial. 193. Desigualdad de Jensen. Sea u una funci on convexa, y sea X una variable aleatoria con esperanza nita. Demuestre que u(E (X )) E (u(X )). Sugerencia: La funci on u es convexa si para cada a existe un n umero m tal que u(x) u(a) + (x a)m, para todo x. Esto se muestra en la Figura 2.29. Alternativamente, una funci on u es convexa si u(tx + (1 t)y ) tu(x) + (1 t)u(y ), para cualesquiera par de n umeros x y y dentro del dominio de denici on de u, y para cualquier t en el intervalo [0, 1]. Debe suponerse adem as que el n umero tx + (1 t)y pertenece tambi en al dominio de denici on de la funci on. Vea el siguiente ejercicio para algunos ejemplos particulares de funciones convexas. 194. Sea X con esperanza nita. Use la desigualdad de Jensen para demostrar que a ) eE (X ) E (eX ).
b ) E 2 (X ) E (X 2 ).
c ) m ax{a, E (X )} E {m ax{a, X }),
a constante.
128
d) 1 E (1/X ), E (X )
2.8. Ejercicios
suponiendo X > 0.
195. Demuestre que si X es una variable aleatoria acotada casi seguramente, es decir, existe k > 0 tal que P (|X | k) = 1, entonces todos los momentos de X existen. 196. Sea X una variable aleatoria con funci on de densidad dada por f (x) = n/xn+1 0 si x > 1, otro caso.
Demuestre que esta funci on es de densidad para cualquier valor natural del par ametro n. Demuestre adem as que tal variable aleatoria tiene momentos nitos de orden 1, 2, . . . , n 1, pero el n- esimo momento y superiores no existen. 197. Desigualdad cr . Demuestre que para cada r > 0, E |X + Y |r cr ( E |X |r + E |Y |r ), en donde cr es una constante dada por cr = 1 2r1 si 0 < r 1, si r > 1.
En particular, este resultado establece que si X y Y tienen r - esimo momento absoluto nito, entonces X +Y tambi en. Sugerencia: A partir de la identidad (1+ t)r = cr (1+ tr ), v alida para cada t 0, demuestre que para cualesquiera n umeros reales x y y , |x + y |r cr ( |x|r + |y |r ). lder. Sean r y s dos n 198. Desigualdad de Ho umeros reales tales que r > 1 y 1/r + 1/s = 1. Demuestre que E |XY | (E |X |r )1/r (E |Y |s )1/s . Sugerencia: Use la desigualdad |xy | |x|r /r + |y |s /s, v alida para cualesquiera n umeros reales x y y , y para r y s con las condiciones mencionadas. El caso r = s = 2 corresponde a la desigualdad de Cauchy-Schwarz.
Cap tulo 2. Variables aleatorias 199. Desigualdad de Minkowski. Demuestre que para cada r 1, E 1/r |X + Y |r E 1/r |X |r + E 1/r |Y |r .
129
Sugerencia: E |X + Y |r E (|X | |X + Y |r1 ) + E (|Y | |X + Y |r1 ), ahora use la desigualdad de H older.
Cuantiles
200. Calcule los cuartiles de la distribuci on normal est andar. 201. Calcule los cuartiles de la distribuci on exponencial de par ametro . n del error absoluto medio. A la funci 202. Minimizacio on g(u) = E |X u| se le conoce como error absoluto medio. Demuestre que si m una mediana de X , entonces para cualquier n umero real u, E |X m| E |X u|. Demuestre adem as que la igualdad se cumple si, y s olo si, u es cualquier otra mediana de X . 203. Sea X una variable aleatoria con segundo momento nito y sea m una de sus medianas. Demuestre que |m E (X )| 2 Var(X ).
Distribuci on uniforme discreta

204. Sea X con distribuci on unif{1, . . . , n}. Demuestre que a ) E (X ) = (n + 1)/2. b ) E (X 2 ) = (n + 1)(2n + 1)/6. c ) Var(X ) = (n2 1)/12. 205. Se escogen al azar y de manera independiente dos n umeros a y b dentro del conjunto {1, . . . , n}. Demuestre que la probabilidad de que el cociente a/b sea menor o igual a uno es (n + 1)/2n.
130
2.8. Ejercicios
Distribuci on Bernoulli
206. Compruebe que la funci on de probabilidad de la distribuci on Ber(p) efectivamente lo es. Obtenga adem as la correspondiente funci on de distribuci on. Graque ambas funciones. 207. Sea X con distribuci on Ber(p). Demuestre que E (X n ) = p, para cada n 1. En particular, compruebe que Var(X ) = p(1 p).
Distribuci on binomial
208. Use el teorema del binomio para comprobar que la funci on de probabilidad de la distribuci on bin(n, p) efectivamente lo es. 209. Sea X con distribuci on bin(n, p). Demuestre que a ) E (X ) = np. b ) E (X 2 ) = np(1 p + np). d ) E (X np)3 = np(1 p)(1 2p). c ) Var(X ) = np(1 p).
e ) E (X np)4 = 3n2 p2 (1 p)2 + np(1 p)(1 6(1 p)p).
210. Sea X con distribuci on bin(n, p). Demuestre que Y = n X tiene distribuci on bin(n, 1 p). 211. Sea X con distribuci on bin(n, p). Demuestre que a ) P (X = x + 1) = p nx P (X = x). 1p x+1 b ) P (X = x 1) P (X = x + 1) P 2 (X = x).
212. Sea X con distribuci on bin(n, p). Demuestre que 1 a ) P (X {1, 3, 5, . . . }) = (1 (1 2p)n ). 2
131
1 b ) P (X {0, 2, 4, . . . }) = (1 + (1 2p)n ). 2 213. Se lanza una moneda equilibrada 6 veces. Calcule la probabilidad de que cada cara se obtenga exactamente 3 veces.
Distribuci on geom etrica

214. Compruebe que la funci on de probabilidad de la distribuci on geo(p) efectivamente lo es. Demuestre que la correspondiente funci on de distribuci on es F (x) = 1 (1 p)x+1 0 si x 0, si x < 0.
La expresi on x denota la parte entera de x. 215. Sea X con distribuci on geo(p). Demuestre que a ) E (X ) = (1 p)/p. b ) Var(X ) = (1 p)/p2 . 216. Sea X con distribuci on geo(p). Demuestre que P (X n) = (1 p)n . Use este resultado y la f ormula del ejercicio 157 para demostrar que E (X ) = (1 p)/p. n geom 217. La distribucio etrica no tiene memoria. Sea X con distribuci on geo(p). Demuestre que para cualesquiera x, y = 0, 1, . . . P (X x + y | X x) = P (X y ). Esta es la u nica distribuci on discreta con tal propiedad, compare con el siguiente ejercicio. 218. Sea X una variable aleatoria discreta con valores en {0, 1, . . .} y tal que para cualquier x, y = 0, 1, . . . se cumple la igualdad P (X x + y | X x) = P (X y ). Demuestre que existe un n umero p (0, 1) tal que X tiene distribuci on geo(p).
132
2.8. Ejercicios
Distribuci on Poisson
219. Compruebe que la funci on de probabilidad de la distribuci on Poisson() efectivamente lo es. 220. Sea X con distribuci on Poisson(). Demuestre que a ) E (X ) = . b ) E (X 2 ) = ( + 1). c ) Var(X ) = . d ) E (X 3 ) = E (X + 1)2 . 221. Sea X con distribuci on Poisson(). Demuestre que a ) P (X = x + 1) = P (X = x). x+1 b ) P (X = x 1) P (X = x + 1) P 2 (X = x).
222. Sea X con distribuci on Poisson(). Demuestre que 1 a ) P (X {1, 3, 5, . . . }) = (1 e2 ). 2 1 b ) P (X {0, 2, 4, . . . }) = (1 + e2 ). 2 223. Teorema de Poisson (Convergencia de la dist. binomial a la dist. Poisson). Para cada entero positivo n, sea Xn con distribuci on bin(n, /n) con > 0. Demuestre que para cada k = 0, 1, . . . l m P (Xn = k) = e k . k!
A este resultado tambi en se le conoce con el nombre de ley de eventos raros.
133
Distribuci on binomial negativa

224. Compruebe que la funci on de probabilidad de la distribuci on bin neg(r, p) efectivamente lo es. 225. Sea X con distribuci on bin neg(r, p). Demuestre que a ) E (X ) = r (1 p)/p. b ) Var(X ) = r (1 p)/p2 .
226. Convergencia de la dist. binomial negativa a la dist. Poisson. Sea X1 , X2 , . . . una sucesi on de variables tal que cada una de ellas tiene distribuci on bin neg(n, p) con p = n/( + n) para alg un > 0. Demuestre que para cada k = 0, 1, . . . l m P (Xn = k) = e k . k!
Distribuci on hipergeom etrica

227. Compruebe que la funci on de probabilidad de la distribuci on hipergeom etrica efectivamente lo es. trica a la dist. bino228. Convergencia de la dist. hipergeome mial. Sea X con distribuci on hipergeo(N, K, n). Demuestre que cuando N y K tienden a innito de tal forma que K/N p, entonces
N,K
l m
P (X = x) =
n x
px (1 p)nx .
Distribuci on uniforme continua

229. Compruebe que la funci on de densidad de la distribuci on unif(a, b) efectivamente lo es. Calcule adem as la correspondiente funci on de distribuci on. Graque ambas funciones.
134
2.8. Ejercicios
230. Sea X con distribuci on unif(a, b). Demuestre que a ) E (X ) = (a + b)/2. bn+1 an+1 b ) E (X n ) = . (n + 1)(b a) c ) Var(X ) = (b a)2 /12. 231. Sea X con distribuci on unif(0, 1). Demuestre que E (X n ) = 1/(n + 1). 232. Sea X con distribuci on unif(1, 1). Demuestre que para n = 0, 1, 2, . . . E (X n ) = 1/n + 1 0 si n es par, si n es impar.
233. Sea X con distribuci on unif(0, 1). Obtenga la distribuci on de a ) Y = 10X 5. b ) Y = 4X (1 X ). 234. Sea X con distribuci on unif(0, 1) y sea 0 < p < 1. Demuestre que la variable aleatoria Y = ln X/ ln(1 p) tiene distribuci on geo(p). La expresi on x denota la parte entera de x. 235. Sea X con distribuci on unif(0, 1). Dena a Y como el primer d gito decimal de X . Demuestre que Y tiene distribuci on uniforme en el conjunto {0, 1, . . . , 9}.
Distribuci on exponencial
236. Compruebe que la funci on de densidad de la distribuci on exp() efectivamente lo es. Demuestre que la correspondiente funci on de distribuci on es 1 ex si x > 0, F (x) = 0 si x 0. Demuestre adem as que para cualquier x, y > 0, F (x + y ) F (y ) = F (x)(1 F (y )).
135
237. Demuestre que la esperanza de la distribuci on exp() es 1/, y la varianza es 1/2 . n exponencial no tiene memoria. Sea X con 238. La distribucio distribuci on exp(). Demuestre que P (X x + y | X x) = P (X y ). La distribuci on exponencial es la u nica distribuci on absolutamente continua que satisface esta propiedad, al respecto ver el siguiente ejercicio. 239. Sea X una variable aleatoria absolutamente continua con valores en el intervalo (0, ), y tal que para cualesquiera x, y > 0 se cumple P (X x + y | X x) = P (X y ). Demuestre que existe una constante > 0 tal que X tiene distribuci on exp(). 240. Sea X una variable aleatoria con funci on de distribuci on continua F (x), estrictamente creciente y tal que 0 < F (x) < 1. Demuestre que la variable aleatoria Y = ln F (X ) tiene distribuci on exponencial con par ametro = 1. 241. Sea a > 0. Demuestre que si X se distribuye exp(), entonces aX se distribuye exp(/a). 242. Se dice que la variable X tiene una distribuci on exponencial bilateral (o exponencial doble) con par ametro > 0 si su funci on de densidad es 1 f (x) = e|x| , para x R. 2 Demuestre que la esperanza de esta distribuci on es cero, y la varianza 2 es 2/ . 243. Sea X una variable aleatoria con distribuci on exponencial de par ametro , y sea a una constante positiva. Calcule la esperanza y varianza de la variable m n{X, a}.
136 Distribuci on gama
2.8. Ejercicios
244. Compruebe que la funci on de densidad de la distribuci on gama(n, ) efectivamente lo es. Verique adem as que esta distribuci on se reduce a la distribuci on exp() cuando n = 1. 245. Sea a > 0. Demuestre que si X se distribuye gama(n, ), entonces aX se distribuye gama(n, /a). 246. Sea X con distribuci on gama(n, ). Demuestre que la funci on de distribuci on de X es n1 (x)k 1 ex si x > 0, F (x) = k! k =0 0 si x 0. 247. Sea X con distribuci on gama(n, ). Demuestre que a ) E (X ) = n/. (m + n) b ) E (X m ) = m , para m = 0, 1, . . . (n) c ) Var(X ) = n/2 . 248. Recuerde que la funci on gama se dene para cada valor de n tal que la siguiente integral es convergente (n) =
0
tn1 et dt.
Demuestre que esta funci on cumple las siguientes propiedades. a ) (n + 1) = n(n). b ) (n + 1) = n! para n entero. c ) (2) = (1) = 1. d ) (1/2) = . 1 3 5 (2n 1) e ) (n + 1/2) = 2n
para n entero.
137
Distribuci on beta
249. Compruebe que la funci on de densidad de la distribuci on beta(a, b) efectivamente lo es. Verique adem as que esta distribuci on se reduce a la distribuci on unif(0, 1) cuando a = b = 1. 250. Sea X con distribuci on beta(a, b). Demuestre que a ) E (X ) = a . a+b B (a + n, b) b ) E (X n ) = . B (a, b) ab c ) Var(X ) = . (a + b + 1)(a + b)2
251. Sea X con distribuci on beta(a, b). Demuestre que a ) a = E (X ) [ E (X )(1 E (X )) 1 ]. Var(X ) E (X )(1 E (X )) b ) b = (1 E (X )) [ 1 ]. Var(X ) E (X )(1 E (X )) c) a + b = 1. Var(X )
252. Recuerde que la funci on beta se dene para cada a, b > 0 de la forma
1
B (a, b) =
0
xa1 (1 x)b1 dx.
Demuestre que esta funci on cumple las siguientes propiedades. a ) B (a, b) = B (b, a). b ) B (a, b) = (a)(b)/(a + b). c ) B (a, 1) = 1/a. d ) B (1, b) = 1/b. e ) B (a + 1, b) = a B (a, b + 1). b
138
f ) B (a + 1, b) =
2.8. Ejercicios a B (a, b). a+b b B (a, b). g ) B (a, b + 1) = a+b h ) B (1/2, 1/2) = .
253. Sea X con distribuci on beta(1/2, 1/2). En este caso se dice que X tiene una distribuci on arcoseno. a ) Calcule y graque f (x). b ) Demuestre directamente que f (x) es una funci on de densidad. c ) Demuestre directamente que E (X ) = 1/2, y Var(X ) = 1/8. 254. Sea X con distribuci on beta(a, b). 0 F (x) = xa 1 Demuestre que para a > 0 y b = 1, si x 0, si 0 < x < 1, si x 1.
255. Sea X con distribuci on beta(a, b). Demuestre que para a = 1 y b > 0, si x 0, 0 F (x) = 1 (1 x)b si 0 < x < 1, 1 si x 1.
256. Demuestre que X tiene distribuci on beta(a, b) si, y s olo si, 1 X tiene distribuci on beta(b, a).
Distribuci on normal
257. Demuestre que la funci on de densidad de la distribuci on N(, 2 ) a ) es efectivamente una funci on de densidad. b ) es sim etrica respecto de x = . c ) alcanza su m aximo en x = .
Cap tulo 2. Variables aleatorias d ) tiene puntos de inexi on en x = .
139
258. Sea X con distribuci on N(, 2 ). Demuestre que E (X ) = y Var(X ) = 2 . 259. Sea X con distribuci on N(, 2 ). Demuestre que para cada n = 0, 1, 2, . . . E |X |n = 1 3 5 (n 1) n 0 si n es par, si n es impar.
260. Sea X con distribuci on N(, 2 ). Demuestre que a ) P ( < X < + ) = 0.68269.
b ) P ( 2 < X < + 2 ) = 0.9545. c ) P ( 3 < X < + 3 ) = 0.9973.
261. Sea X con distribuci on normal est andar. Demuestre que para cada n = 0, 1, . . . n! si n es par, n n/ 2 E (X ) = 2 (n/2)! 0 si n es impar.
262. Sea X con distribuci on N(, 2 ). Demuestre que Y = aX + b, con a = 0, tiene una distribuci on normal. Encuentre los par ametros correspondientes.
263. Sea X con distribuci on N(, 2 ). Demuestre que la variable aleatoria X tambi en tiene una distribuci on normal. Encuentre los par ametros correspondientes. 264. Sea X con distribuci on normal est andar. Demuestre que X 2 tiene una distribuci on 2 (1). Rec procamente, Ser a cierto que si Y tiene distribuci on, 2 (1) entonces Y tiene distribuci on N(0, 1)? 265. Encuentre la funci on de densidad de la variable aleatoria |X |, cuando X tiene distribuci on normal est andar.
140
2.8. Ejercicios
266. El cociente de Mills. Sea (x) la funci on de densidad de la distribuci on normal est andar, y sea (x) la correspondiente funci on de distribuci on. Demuestre que a ) (x) + x(x) = 0. 1 1 (x) 1 1 3 1 b) 3 < < 3 + 5, x x (x) x x x
para x > 0.
Distribuci on log normal

267. Demuestre que la funci on de densidad de una distribuci on log normal(, 2 ) efectivamente lo es. 268. Sea X con distribuci on log normal(, 2 ). Demuestre que a ) E (X ) = exp( + 2 /2). b ) Var(X ) = exp(2 + 2 2 ) exp(2 + 2 ). c ) E (ln X ) = . d ) Var(ln X ) = 2 .
Cap tulo 3
Vectores aleatorios
En este cap tulo se extiende el concepto de variable aleatoria con valores reales a variables aleatorias con valores en Rn , a tales funciones las llamaremos vectores aleatorios. Estudiaremos adem as varios conceptos importantes relacionados con estas funciones.
3.1.
Vectores aleatorios
Recuerde que hemos supuesto que se tiene siempre como elemento base un espacio de probabilidad (, F , P ). n. (Vector aleatorio). Un vector aleatorio es una funci Definicio on X : Rn tal que para cualquier conjunto B en B (Rn ), se cumple que la imagen inversa X 1 B es un elemento de F . Dado entonces que un vector aleatorio es una funci on de en Rn , este puede representar de la forma X = (X1 , . . . , Xn ) en donde cada coordenada es una funci on de en R. Demostraremos a continuaci on que la condici on que aparece en la denici on anterior es equivalente a solicitar que cada 141
142
3.1. Vectores aleatorios
coordenada de este vector sea una variable aleatoria. En consecuencia, es correcto denir un vector aleatorio simplemente como un vector de variables aleatorias. V ease la Figura 3.1. Puede demostrarse adem as que si se parte de n espacios de probabilidad en donde est an denidas n variables aleatorias respectivamente, entonces existe un espacio de probabilidad, el espacio de probabilidad producto, en donde el vector aleatorio est a denido.
(X1 , . . . , Xn )
(X1 ( ), . . . , Xn ( )) Rn
Figura 3.1: Un vector aleatorio es una funci on de en Rn . n. Una funci Proposicio on (X1 , . . . , Xn ) : Rn es un vector aleatorio si, y s olo si, cada coordenada es una variable aleatoria.
Demostraci on. Sea (X1 , . . . , Xn ) un vector aleatorio. La imagen inversa de cualquier conjunto de Borel de Rn es entonces un elemento de la - algebra del espacio de probabilidad. En particular, la imagen inversa del conjunto B R R pertenece a F , para cualquier Boreliano B de R. 1 Pero esta imagen inversa es simplemente X1 B . Esto demuestra que X1 es variable aleatoria. De manera an aloga se procede con las otras coordenadas del vector. Suponga ahora que cada coordenada de una funci on (X1 , . . . , Xn ) : Rn es una variable aleatoria. Considere la colecci on B = {B B (Rn ) : (X1 , . . . , Xn )1 B F }. Como cada coordenada es una variable aleatoria, los conjuntos de Borel de Rn de la forma B1 Bn , en donde cada factor de este producto es un Boreliano de R, es un elemento
Cap tulo 3. Vectores aleatorios de la colecci on B . Entonces B (R) B (R) B B (Rn ). Es f acil demostrar que la colecci on B es una - algebra. Asi que (B (R) B (R)) B B (Rn ).
143
Pero ambos extremos de esta ecuaci on coinciden, de modo que B = B (Rn ), y por lo tanto la funci on (X1 , . . . , Xn ) es un vector aleatorio. Para simplicar la escritura, donde sea posible se usan u nicamente vectores aleatorios bidimensionales, esto es, de la forma (X, Y ). En la mayor a de los casos, las deniciones y resultados son f acilmente extendidos a dimensiones mayores. Por ejemplo, el siguiente resultado es an alogo al caso unidimensional y puede extenderse al caso de n dimensiones: un vector aleatorio (X, Y ) : R2 genera el espacio de probabilidad (R2 , B (R2 ), PX,Y ), en donde B (R2 ) es la - algebra de conjuntos de Borel de R2 , y PX,Y es una medida de probabilidad denida sobre esta - algebra, e inducida por el vector aleatorio de la siguiente forma. Para cualquier B en B (R2 ), PX,Y (B ) = P ((X, Y )1 B ). Nuestro objetivo es estudiar estas nuevas medidas de probabilidad, o equivalentemente, los vectores aleatorios que las generan. En la mayor a de los casos, aunque no u nicamente, consideraremos vectores aleatorios como los que se denen a continuaci on. n. (Vector discreto y continuo). Se dice que el vector Definicio (X, Y ) es discreto si cada coordenada es una variable aleatoria discreta, y se dice que es continuo en caso de que cada coordenada lo sea.
144
n conjunta 3.2. Distribucio
3.2.
Distribuci on conjunta
Como en el caso de variables aleatorias, todo vector aleatorio induce una medida de probabilidad, ahora sobre Rn . Esta medida de probabilidad puede estudiarse, de manera equivalente, mediante la funci on de distribuci on conjunta denida a continuaci on. n. (Funcio n de distribucio n conjunta). La funci Definicio on de distribuci on de un vector (X, Y ), denotada por F (x, y ) : R2 [0, 1], se dene como sigue F (x, y ) = P (X x, Y y ).
El n umero F (x, y ) es entonces la probabilidad de que el vector aleatorio tome alg un valor en la rect angulo innito (, x] (, y ], el cual se muestra en la Figura 3.2. En palabras, la funci on F (x, y ) es la probabilidad de que X sea menor o igual a x, y al mismo tiempo Y sea menor o igual a y , esto es simplemente la probabilidad del evento (X x) (Y y ).
(x, y )
Figura 3.2: El n umero F (x, y ) = P (X x, Y y ) es la probabilidad de que el vector (X, Y ) tome un valor en la regi on sombreada. A la funci on F (x, y ) se le conoce tambi en como funci on de distribuci on bivariada de X y Y , y en general a la distribuci on conjunta de un vector aleatorio
Cap tulo 3. Vectores aleatorios
145
de cualquier dimensi on nita se le llama distribuci on multivariada. Naturalmente, en el caso unidimensional, la distribuci on se llama univariada. Cuando sea necesario especicarlo se escribe FX,Y (x, y ) en lugar de F (x, y ), y es evidente la forma de extender la denici on para el caso de vectores aleatorios de m as de dos coordenadas. Con el n de mantener la notaci on simple, en la medida de lo posible se mantiene la correspondencia de las letras, es decir, x es un valor asociado a X , y y es un valor asociado a Y . Las funciones de distribuci on conjunta satisfacen propiedades semejantes al caso unidimensional, se estudian a continuaci on algunas de ellas. n. Toda funci Proposicio on de distribuci on conjunta F (x, y ) satisface las siguientes propiedades. 1. 2.
x,y
l m F (x, y ) = 1, ambas variables. l m F (x, y ) = 0, alguna de las variables.
x,y
3. F (x, y ) es no decreciente en cada variable. 4. F (x, y ) es continua por la derecha en cada variable. 5. Si a1 < b1 y a2 < b2 , entonces F (b1 , b2 ) F (a1 , b2 ) F (b1 , a2 ) + F (a1 , a2 ) 0.
La demostraci on de las propiedades (1) a (4) es completamente an aloga al caso unidimensional y por tanto la omitiremos. Respecto a la propiedad (5) observe que la expresi on F (b1 , b2 ) F (a1 , b2 ) F (b1 , a2 ) + F (a1 , a2 ) corresponde a la probabilidad del evento (a1 < X b1 , a2 < Y b2 ). De modo que (5) se traduce simplemente en solicitar que la probabilidad de que el vector (X, Y ) tome valores en el rect angulo (a1 , b1 ] (a2 , b2 ], sea no negativa. Este rect angulo se muestra en la Figura 3.3.
146
n conjunta 3.2. Distribucio
b2
a2
a1
b1
Figura 3.3: La probabilidad asociada al rect angulo (a1 , b1 ] (a2 , b2 ] es P (a1 < X b1 , a2 < Y b2 ) = F (b1 , b2 ) F (a1 , b2 ) F (b1 , a2 ) + F (a1 , a2 ). Ejercicio. Graque y demuestre que la siguiente funci on es de distribuci on. (1 ex )(1 ey ) si x, y > 0, otro caso.
F (x, y ) =
A diferencia del caso unidimensional, las propiedades (1) a (4) no son sucientes para asegurar que una funci on F (x, y ) asigna probabilidad no negativa a cualquier rect angulo. El siguiente ejercicio muestra un ejemplo de esta situaci on. V ease tambi en el ejercicio 272. Ejercicio. Graque y demuestre que la funci on que aparece abajo no es de distribuci on. Este es un ejemplo de una funci on que tiene el comportamiento l mite adecuado en innito, es continua por la derecha y no decreciente en cada variable, pero no es funci on de distribuci on pues asigna valores negativos a algunas regiones del plano. Por ejemplo calcule la probabilidad del cuadrado (1, 1] (1, 1]. F (x, y ) = 0 si x + y < 0, 1 si x + y 0.
147
n. (Funcio n de distribucio n conjunta). Una funci Definicio on 2 cualquiera F (x, y ) : R [0, 1], no necesariamente denida en t erminos de un vector aleatorio, es una funci on de distribuci on conjunta si cumple con las cinco propiedades enunciadas en la proposici on anterior. M as adelante se mostrar an otros ejemplos concretos de funciones de distribuci on conjunta. Para tres dimensiones se tiene la siguiente denici on. Se dice que la funci on 3 F : R [0, 1] es una funci on de distribuci on si cumple las primeras cuatro propiedades anteriores y la quinta propiedad se reemplaza por la siguiente condici on: Para cualesquiera n umeros reales a1 < b1 , a2 < b2 , y a3 < b3 , F (b1 , b2 , b3 ) F (a1 , b2 , b3 ) F (b1 , a2 , b3 ) F (b1 , b2 , a3 )
+F (a1 , a2 , b3 ) + F (a1 , b2 , a3 ) + F (b1 , a2 , a3 ) F (a1 , a2 , a3 ) 0.
En t erminos de vectores aleatorios se puede demostrar que el lado izquierdo de esta desigualdad corresponde a la probabilidad del evento (a1 < X1 b1 , a2 < X2 b2 , a3 < X3 b3 ), es decir, se trata de la probabilidad de que el vector aleatorio (X1 , X2 , X3 ) tome alg un valor dentro del paralelep pedo que se muestra en la Figura 3.4. La condici on anterior establece entonces que este n umero debe ser mayor o igual a cero. M as generalmente, se tiene la siguiente denici on.
148
n conjunta 3.2. Distribucio z

b3
a3
a2 a1 b1
b2
x Figura 3.4: Regi on (a1 , b1 ] (a2 , b2 ] (a3 , b3 ]. n. (Funcio n de distribucio n conjunta). Una funci Definicio on F : Rn [0, 1] es una funci on de distribuci on si cumple las primeras cuatro propiedades anteriores y, adicionalmente, para cualesquiera n umeros reales a1 < b1 , a2 < b2 , . . ., an < bn , (1)#a F (x1 , . . . , xn ) 0,
xi {ai ,bi }
en donde #a es el n umero de veces que alguna de las variables xi toma el valor ai en la evaluaci on de la funci on F . Nuevamente la suma que aparece en esta denici on corresponde a la probabilidad del evento (a1 < X1 b1 , . . . , an < Xn bn ), y la condici on requiere simplemente que este n umero sea no negativo. Finalmente enunciamos un resultado que establece la importancia de la funci on de distribuci on, y cuya demostraci on puede ser encontrada por ejemplo en [19]. La prueba no es sencilla pero es an aloga al caso unidimensional.
149
n. Sea F : Rn [0, 1] una funci Proposicio on de distribuci on. Entonces existe un espacio de probabilidad, y un vector aleatorio, cuya funci on de distribuci on es F . Es decir, este resultado garantiza la existencia de un espacio de probabilidad (, F , P ) en donde se encuentra denido un vector aleatorio (X1 , . . . , Xn ) con funci on de distribuci on la especicada. En lo que resta del cap tulo hablaremos de vectores aleatorios suponiendo que existe un espacio de probabilidad base asociado.
3.3.
Densidad conjunta
Como en el caso unidimensional, algunos vectores tienen asociada otra funci on llamada de probabilidad o de densidad, y la cual se dene a continuaci on. n. (Funcio n de probabilidad conjunta). La funci Definicio on de probabilidad de un vector discreto (X, Y ) es la funci on f (x, y ) : R2 [0, 1] dada por f (x, y ) = P (X = x, Y = y ). A esta funci on tambi en se le llama funci on de probabilidad conjunta de las variables X y Y . Es evidente que la funci on de probabilidad de un vector discreto cumple las siguientes propiedades. a) f (x, y ) 0. b)
x,y
f (x, y ) = 1.
Rec procamente, toda funci on no negativa f (x, y ) : R2 [0, 1] que sea es-
150
3.3. Densidad conjunta
trictamente positiva u nicamente en un subconjunto discreto de R2 y que sume uno, se llama funci on de probabilidad conjunta. La denici on de funci on de probabilidad en el caso discreto multidimensional es evidente. Es claro tambi en que la correspondiente funci on de distribuci on se puede calcular a partir de la funci on de probabilidad de la siguiente forma: F (x, y ) = P (X x, Y y ) = f (u, v ).
ux v y
Ejemplo. La funci on f (x, y ) = 1/4, para x, y = 1, 2, es una funci on de probabilidad conjunta pues es no negativa y suma uno, corresponde a la distribuci on uniforme sobre el conjunto {1, 2} {1, 2}. La gr aca se muestra en la Figura 3.5. f (x, y )
1/4 2
1 1 2
x Figura 3.5: Funci on de probabilidad f (x, y ) = 1/4, para x, y = 1, 2. La correspondiente funci on de distribuci on 0 1/4 F (x, y ) = f (u, v ) = 2/4 ux v y 2/4 1 cuya gr aca se encuentra en la Figura 3.6. es si si si si si x<1 o y < 1, 1 x < 2, 1 y < 2, 1 x < 2, y 2, x 2, 1 y < 2, x 2 y y 2,
Cap tulo 3. Vectores aleatorios F (x, y )
151
2 1 1 2
Figura 3.6: Ejemplo de funci on de distribuci on discreta.
Ejemplo. La funci on denida por f (x, y ) = (1/2)x+y para x, y N, e id enticamente cero fuera de este conjunto discreto, es una funci on de probabilidad bivariada pues es no negativa y suma uno. En efecto,
x,y =1
f (x, y ) =
x,y =1
1 2x+y
=(
1 2 ) = 1. 2x x=1
Para el caso de vectores continuos se tiene la siguiente denici on.
152
n. (Funcio n de densidad conjunta). Sea (X, Y ) un vecDefinicio tor continuo con funci on de distribuci on F (x, y ). Se dice que (X, Y ) es absolutamente continuo si existe una funci on no negativa e integrable f (x, y ) : R2 [0, ), tal que, para todo (x, y ) en R2 , se cumple la igualdad
x y
F (x, y ) =

f (u, v ) dv du.
on de A la funci on f (x, y ) se le denota por fX,Y (x, y ), y se le llama funci densidad conjunta de X y Y . As como en el caso unidimensional, no existe realmente unicidad para la funci on de densidad pues basta modicarla en algunos puntos para ser distinta pero seguir cumpliendo la igualdad anterior, sin embargo la funci on de distribuci on y por tanto las probabilidades, permanecen sin cambio alguno. Es claro que la funci on de densidad conjunta f (x, y ) de un vector absolutamente continuo cumple las siguientes propiedades. a) f (x, y ) 0. b)

f (x, y ) dx dy = 1.
Rec procamente, toda funci on no negativa f : R2 [0, ), que integre uno, se llama funci on de densidad conjunta. En particular, cuando f (x, y ) es continua, 2 f (x, y ) = F (x, y ). yx Observe que, en el caso absolutamente continuo y conociendo la funci on de densidad conjunta, la probabilidad del evento (a X b, c Y d) no cambia si se incluyen o se excluyen los extremos de cada intervalo, y se calcula como la integral doble que se ilustra en la Figura 3.7.
153
f (x, y )
y
b d
a b
P (a X b, c Y d) =
f (x, y ) dy dx
a c
x Figura 3.7: La probabilidad como el volumen bajo una supercie. Ejemplo. La funci on f : R2 [0, ) dada por la siguiente expresi on es una funci on de densidad pues es no negativa e integra uno. 1/4 0 si x, y [0, 2], otro caso.
f (x, y ) =
Esta funci on de densidad conjunta corresponde a la distribuci on uniforme del vector (X, Y ) en el cuadrado [0, 2] [0, 2]. La gr aca se muestra en la Figura 3.8. Para calcular la correspondiente funci on de distribuci on F (x, y ) se debe calcular la doble integral para los distintos valores de x y y . Esta doble integral toma distintas expresiones en cada una de las cinco regiones que aparecen en la parte izquierda de la Figura 3.9. Despu es de algunos c alculos elementales se encuentra que la funci on de distribuci on conjunta tiene la
154
f (x, y )
1/4 2
x Figura 3.8: Funci on de densidad f (x, y ) = 1/4, para x, y [0, 2]. siguiente expresi on cuya gr aca aparece en la parte derecha de la Figura 3.9.
x y
F (x, y ) = 0 xy/4 x/2 = y/2 1

f (u, v )dvdu si x < 0 o y < 0, si 0 x, y < 2, si 0 x < 2, y 2, si 0 y < 2, x 2, si x 2 y y 2.
Ejercicio. Demuestre que la siguiente funci on es de densidad. Calcule P (X = Y ), P (X = 1) y P (X + Y = n + 1). Puede usted calcular la

y x/2 0 2 xy/4 2 0 0 y/2 x 2 2 1
155
F (x, y ) y
Figura 3.9: Ejemplo de funci on de distribuci on continua bivariada. correspondiente funci on de distribuci on? 4xy si x, y = 1, . . . , n, 2 n (n + 1)2 f (x, y ) = 0 otro caso. Ejercicio. Demuestre que la siguiente funci on es de densidad. Encuentre la correspondiente funci on de distribuci on y graque ambas funciones. Calcule adem as P (1/3 < X < 1, 0 < Y < 1/2), P (Y > X ) y P (X > 1/2). f (x, y ) = x+y 0 si 0 < x, y < 1, otro caso.
Ejercicio. Demuestre que la siguiente funci on es de densidad. Encuentre la correspondiente funci on de distribuci on y calcule P (1 < X < 2, 1 < Y < 2), P (X > 1) y P (Y + X > 2). f (x, y ) = 3(x2 + y 2 )/16 0 si 0 < x < y < 2, otro caso.
156
n marginal 3.4. Distribucio
3.4.
Distribuci on marginal
Dada la funci on de distribuci on F (x, y ) de un vector aleatorio (X, Y ), es posible obtener la funci on de distribuci on de cada variable aleatoria por separado mediante el siguiente procedimiento. n. (Funcio n de distribucio n marginal). Sea (X, Y ) un Definicio vector con funci on de distribuci on F (x, y ). A la funci on F (x) = l m F (x, y )
y
se le conoce como la funci on de distribuci on marginal de X . An alogamente se dene la funci on de distribuci on marginal de Y como F (y ) = l m F (x, y ).
x
No es dif cil vericar que las funciones de distribuci on marginales son efectivamente funciones de distribuci on univariadas. En el caso de vectores de dimensi on mayor, se puede obtener la distribuci on marginal de cualquier subconjunto de variables aleatorios del vector original mediante un procedimiento similar. Ejemplo. En un ejemplo anterior hab amos encontrado la siguiente funci on
Cap tulo 3. Vectores aleatorios de distribuci on conjunta 0 xy/4 FX,Y (x, y ) = x/2 y/2 1 si x < 0 o y < 0, si 0 x, y < 2, si 0 x < 2, y 2, si 0 y < 2, x 2, si x 2 y y 2.
157
Puede usted encontrar ahora FY (y )?
Esta funci on esta denida de manera distinta en cada una de las cinco regiones disjuntas y exhaustivas del plano Cartesiano dadas por las condiciones anteriores. Para encontrar, por ejemplo, la funci on de distribuci on marginal FX (x) simplemente tenemos que hacer la variable y tender a innito en las regiones donde ello sea posible. Ello puede hacerse en las regiones dadas por las condiciones del primer, tercer y quinto rengl on de la lista anterior. Esto da como resultado 0 si x < 0, x/2 si 0 x < 2, FX (x) = 1 si x 2. Ejercicio. Encuentre las funciones de (X, Y ) cuya funci on de distribuci on es 0 2 3 3x y/5 + 2xy /5 3x2 /5 + 2x/5 F (x, y ) = 3y/5 + 2y 3 /5 1 distribuci on marginales del vector si x < 0 o y < 0, si 0 x < 1 y 0 y < 1, si 0 x < 1 y y 1, si x 1 y 0 y < 1, si x 1 y y 1.
Para el caso de funciones de densidad conjunta, se pueden obtener las funciones de densidad individuales como indica la siguiente denici on.
158
n marginal 3.4. Distribucio
n. (Funcio n de densidad marginal). Sea (X, Y ) un vector Definicio absolutamente continuo con funci on de densidad f (x, y ). A la funci on f (x) =

f (x, y ) dy
se le conoce como la funci on de densidad marginal de X . An alogamente se dene la funci on de densidad marginal de Y como f (y ) =

f (x, y ) dx.
Si (X, Y ) es un vector discreto la integral se reemplaza por una suma. Tampoco es dif cil comprobar que las funciones de densidad marginales son efectivamente funciones de densidad univariadas. Las dos deniciones anteriores pueden extenderse de manera evidente cuando se tenga un vector aleatorio de cualquier dimensi on nita. Tambi en es posible calcular las funciones de densidad y de distribuci on de (X, Y ) a partir, por ejemplo, de las funciones correspondientes del vector (X, Y, Z ). Ejercicio. Calcule las funciones de densidad marginales del vector aleatorio discreto (X, Y ) cuya funci on de probabilidad esta dada por la siguiente tabla. x\y 1 2 3 1 1/45 2/45 3/45 0 4/45 5/45 6/45 1 7/45 8/45 9/45
Ejercicio. Calcule las funciones de densidad marginales del vector aleatorio continuo (X, Y ) cuya funci on de densidad es f (x, y ) = 3(x2 + y 2 )/16 0 si 0 < x < y < 2, otro caso.
159
Observe que la distribuci on conjunta determina de manera u nica a las distribuciones marginales. Sin embargo, si lo que se conoce son las distribuciones marginales, entonces puede haber varias distribuciones conjuntas que produzcan las marginales dadas. La forma de producir la distribuci on conjunta se llama acoplamiento, y la distribuci on conjunta obtenida se llama a veces distribuci on de acoplamiento o c opula. Dos variables aleatorias X y Y siempre pueden acoplarse de la forma FX,Y (x, y ) = FX (x)FY (y ), que es el caso donde se han hecho independientes una de la otra, pero puede haber otras formas de hacerlo. En el siguiente ejemplo se muestra una situaci on concreta en el caso discreto. Ejemplo. Sean X y Y discretas ambas con distribuci on uniforme en el conjunto {0, 1}, es decir, su distribuci on de probabilidad es f (x) = 1/2 si x = 0, 1, 0 otro caso.
Sean a 0 y b 0 tales que a + b = 1/2. Entonces la siguiente densidad conjunta tiene como densidades marginales las especicadas para X y para Y. x\y 0 1 0 a b 1 b a
Observe que esta densidad conjunta es en realidad toda una familia de densidades conjuntas que producen las densidades marginales especicadas. En este caso X y Y son independientes si, y s olo si, a = b = 1/4.
160
n condicional 3.5. Distribucio
3.5.
Distribuci on condicional
La siguiente denici on es una extensi on del concepto elemental de probabilidad condicional de eventos. n. (Funcio n de densidad condicional). Sea (X, Y ) un Definicio vector con funci on de densidad fX,Y (x, y ), y sea y tal que fY (y ) = 0. A la funci on fX,Y (x, y ) x fX |Y (x|y ) = fY (y ) se le conoce como la funci on de densidad condicional de X dado que Y toma el valor y . No es dif cil comprobar que esta funci on es efectivamente una funci on de densidad, tanto en el caso discreto como en el continuo. Observe que el valor y permanece jo y la funci on es vista como una funci on de la variable real x, esto puede observarse en el siguiente ejemplo. Ejemplo. Considere la funci on de densidad conjunta fX,Y (x, y ) = 24x(1 y ) si 0 < x < y < 1, 0 otro caso.
Es sencillo comprobar que para cualquier valor jo de y en el intervalo (0, 1), la funci on de densidad condicional de X dado Y es la que aparece m as abajo. Es tambi en inmediato vericar que esta funci on, vista como funci on de x, es de densidad. El valor de y puede entonces considerarse como un par ametro de esta nueva distribuci on. fX |Y (x|y ) = 2x/y 2 si 0 < x < y, 0 otro caso.
An alogamente puede comprobarse que para cualquier x en (0, 1) jo, fY |X (y |x) = 2(1 y )/(x 1)2 si x < y < 1, 0 otro caso.
161
Ejercicio. Calcule las funciones de densidad condicionales fY |X (y |x) y fX |Y (x|y ) a partir de la siguiente funci on de densidad conjunta f (x, y ) = 3(x2 + y 2 )/16 0 si 0 < x < y < 2, otro caso.
Se pueden denir tambi en funciones de distribuci on condicionales de la siguiente forma. n. (Funcio n de distribucio n condicional). Sea (X, Y ) Definicio un vector aleatorio absolutamente continuo con funci on de densidad fX,Y (x, y ), y sea y tal que fY (y ) = 0. A la funci on
x
x FX |Y (x|y ) =
fX |Y (u|y ) du
se le conoce como la funci on de distribuci on condicional de X dado que Y toma el valor y . Cuando el vector aleatorio (X, Y ) es discreto la integral se substituye por la suma correspondiente. Nuevamente resulta que la funci on de distribuci on condicional es efectivamente una funci on de distribuci on. En el caso absolutamente continuo y suponiendo x fX |Y (x|y ) continua, por el teorema fundamental del c alculo se tiene que fX |Y (x|y ) = F (x|y ). x X |Y Ejemplo. Considere nuevamente la funci on de densidad conjunta del ejemplo anterior, fX,Y (x, y ) = 24x(1 y ), para 0 < x < y < 1. Para y jo en el
162
n condicional 3.5. Distribucio
intervalo (0, 1) se tiene que si x 0, 0 FX |Y (x|y ) = fX |Y (u|y ) du = x2 /y 2 si 0 < x < y, 1 si x y.

x
Puede tambi en denirse la esperanza condicional de la siguiente forma. n. Sea (X, Y ) un vector con funci Definicio on de distribuci on FX,Y (x, y ), y sea y un valor tal que fY (y ) = 0. Si X tiene esperanza nita, entonces se dene E (X | Y = y ) =

x dFX |Y (x|y ).
En el siguiente cap tulo veremos una denici on mucho m as general de este concepto. Ejercicio. Calcule la funci on de distribuci on condicional FX |Y (x|y ) a partir de la funci on de densidad conjunta fX,Y (x, y ) = 3(x2 + y 2 )/16, para 0 < x < y < 2. Calcule adem as E (X | Y = y ) para cualquier valor de y en el intervalo (0, 2). Ejercicio. Calcule E (X | Y = y ) para y = /4, cuando (X, Y ) es un vector absolutamente continuo con funci on de densidad f (x, y ) = (1/2) sen(x + y ), para x, y (0, /2). Ejercicio. Sea (X, Y ) un vector aleatorio tal que X tiene esperanza nita y Y es discreta con valores 0, 1, . . . tal que P (Y = n) > 0 para n = 0, 1, . . . Demuestre que E (X ) =
n=0
E (X | Y = n) P (Y = n).
163
3.6.
Independencia
Podemos ahora denir el importante concepto de independencia de variables aleatorias. Primero deniremos tal concepto para dos variables aleatorias, despu es lo haremos para n variables, y nalmente para una colecci on arbitraria de variables aleatorias. n. (Independencia de dos variables aleatorias). Se Definicio dice que X y Y son independientes, y a menudo se escribe X Y , si para cada par de conjuntos de Borel A, B de R, se cumple la igualdad P (X A, Y B ) = P (X A) P (X B ). (3.1)
En t erminos de la siempre existente funci on de distribuci on, la independencia de dos variables aleatorias se puede expresar como indica el siguiente resultado. n. (Independencia de dos variables aleatorias). Las Proposicio variables aleatorias X y Y son independientes si, y s olo si, para cada 2 (x, y ) en R se cumple la igualdad FX,Y (x, y ) = FX (x) FY (y ). (3.2)
Demostraci on. Si X y Y son independientes, entonces tomando A = (, x] y B = (, y ] en (3.1) se obtiene (3.2). Suponga ahora que se cumple (3.2)
164
3.6. Independencia
para cualesquiera x y y en R. Dena la colecci on A = {A B (R) : P (X A, Y y ) = P (X A) P (Y y ), y R }. No es dif cil demostrar que A es una - algebra y usando la hip otesis resulta que A = B (R). Sea ahora A un elemento cualquiera jo de B (R). Dena la colecci on B = {B B (R) : P (X A, Y B ) = P (X A) P (Y B ) }. Se puede comprobar nuevamente que B es una - algebra, y de hecho B = B (R). De esta forma, para cualquier A y B en B (R), se cumple la condici on (3.1). El concepto de independencia de variables aleatorias es una extensi on de la misma propiedad para eventos. Cuando la funci on de densidad conjunta existe, la condici on de independencia de X y Y es equivalente a solicitar que para cualesquiera n umeros reales x y y , se cumpla la identidad fX,Y (x, y ) = fX (x) fY (y ). (3.3)
En el caso discreto, la armaci on anterior es completamente correcta. Para el caso continuo hay una observaci on t ecnica que es necesario mencionar. Como en este caso las funciones de densidad pueden ser modicadas sin que cambie la funci on de distribuci on asociada, la igualdad (3.3) puede 2 no cumplirse para cada (x, y ) R , entonces se permite que la igualdad no se cumpla en un conjunto de medida de Lebesgue cero, por ejemplo, un conjunto numerable de parejas (x, y ) en R2 , y entonces habr a independencia en el caso continuo si se cumple (3.3), salvo conjuntos de medida de Lebesgue cero. Ejemplo. Sea (X, Y ) un vector aleatorio con funci on de densidad f (x, y ) = 4xy, para 0 x, y 1, y cuya gr aca aparece en la Figura 3.10. La funci on de densidad marginal de X se calcula de la siguiente forma. Para 0 x 1, fX (x) =
1
f (x, y )dy =
0
4xydy = 2x.
165
f (x, y )
4
x Figura 3.10: Funci on de densidad f (x, y ) = 4xy , para 0 x, y 1. An alogamente fY (y ) = 2y para 0 y 1. En consecuencia, X y Y son independientes pues para cada par (x, y ), se cumple fX,Y (x, y ) = fX (x) fY (y ). Ejercicio. Determine si las variables aleatorias continuas X y Y son independientes cuando su funci on de densidad conjunta es fX,Y (x, y ) = 3(x2 + y 2 )/32 0 si 0 < x, y < 2, otro caso.
El concepto de independencia puede ser extendido claramente al caso de varias variables aleatorias de la forma siguiente.
166
3.6. Independencia
n. (Independencia de varias variables aleatorias). Se Definicio dice que las variables X1 , . . . , Xn son independientes si para cualesquiera Borelianos A1 , . . . , An de R, se cumple P (X1 A1 , . . . , Xn An ) = P (X1 A1 ) P (Xn An ). M as a un, una colecci on innita de variables aleatorias es independiente si cualquier subconjunto nito de ella lo es. Usando un procedimiento similar al caso de dos variables aleatorias, puede demostrarse que la condici on de independencia de n variables aleatorias es equivalente a solicitar que para cualquier vector (x1 , . . . , xn ) en Rn se cumpla la igualdad FX1 ,...,Xn (x1 , . . . , xn ) = FX1 (x1 ) FXn (xn ). Y en t erminos de la funci on de densidad, cuando esta exista y salvo un conjunto de medida cero, la condici on es fX1 ,...,Xn (x1 , . . . , xn ) = fX1 (x1 ) fXn (xn ). Cuando las variables X1 , . . . , Xn son independientes y tomando conjuntos Borelianos adecuados en la denici on general, puede comprobarse que cualquier subconjunto de estas variables tambi en son independientes. El rec proco, sin embargo, es en general falso como se pide demostrar a continuaci on. Ejercicio. Sean X y Y independientes ambas con distribuci on uniforme en el conjunto {1, 1}. Sea Z = XY . Demuestre que X, Y y Z son independientes dos a dos pero no lo son en su conjunto. n. Sean X y Y independientes, y sean g y h dos funciones de Proposicio R en R, Borel medibles. Entonces las variables aleatorias g(X ) y h(Y ) tambi en son independientes.
167
Demostraci on. Sean A y B cualesquiera dos conjuntos de Borel de R. Entonces P ( g(X ) A, h(Y ) B ) = P ( X g1 (A), Y h1 (B ) ) = P ( g(X ) A ) P ( h(Y ) B ). = P ( X g1 (A) ) P ( Y h1 (B ) )
Este resultado puede extenderse f acilmente al caso n-dimensional, y de esta forma obtener que la composici on de n funciones Borel medibles aplicadas, respectivamente, a n variables aleatorias independientes, produce nuevamente variables aleatorias independientes. La denici on de independencia de dos variables aleatorias puede extenderse al caso de dos vectores aleatorios de cualquier dimensi on de la forma siguiente. n. (Independencia de dos vectores aleatorios). Se diDefinicio ce que los vectores X = (X1 , . . . , Xn ) y Y = (Y1 , . . . , Ym ) son independientes, si para cada A en B (Rn ), y cada B en B (Rm ), se cumple la igualdad P (X A, Y B ) = P (X A) P (Y B ). (3.4)
Naturalmente esta denici on puede extenderse un poco m as para incluir la independencia de un n umero nito de vectores aleatorios, no necesariamente todos de la misma dimensi on. Y nuevamente, una colecci on innita de vectores aleatorios es independiente si cualquier subcolecci on nita de ellos lo es. Ejercicio. Demuestre que si los vectores (X1 , . . . , Xn ) y (Y1 , . . . , Ym ) son independientes, entonces las variables Xi y Yj son independientes para cualquier posible valor de los ndices i y j .
168
n de un vector aleatorio 3.7. Esperanza de una funcio
3.7.
Esperanza de una funci on de un vector aleatorio
Si (X, Y ) es un vector aleatorio y : R2 R es una funci on Borel medible, entonces (X, Y ) es una variable aleatoria y el problema nuevamente es encontrar su esperanza. Usando directamente la denici on, la esperanza de (X, Y ) se calcula del siguiente modo: E [(X, Y )] =

x dF(X,Y ) (x),
pero, as como en el caso unidimensional, ello requiere encontrar primero la distribuci on de (X, Y ), lo cual puede ser dif cil en muchos casos. El siguiente resultado establece una forma alternativa de calcular la esperanza de (X, Y ), sin conocer su distribuci on, pero conociendo, por supuesto, la distribuci on del vector (X, Y ). n de un vector aleatoTeorema (Esperanza de una funcio rio). Sea (X, Y ) un vector aleatorio, y sea : R2 R una funci on Borel medible tal que la variable aleatoria (X, Y ) tiene esperanza nita. Entonces E [(X, Y )] =
R2
(x, y ) dFX,Y (x, y ).
(3.5)
Nuevamente omitiremos la demostraci on de este resultado. Observe que se trata de una integral de Riemann-Stieltjes en dos dimensiones. El incremento de F en el rect angulo (xi1 , xi ] (yj 1 , yj ] es F (xi , yj ) F (xi , yj 1 ) F (xi1 , yj ) + F (xi1 , yj 1 ). V ease nuevamente la Figura 3.3 para comprobar esta expresi on. En el caso
Cap tulo 3. Vectores aleatorios cuando X y Y son independientes, este incremento es F (xi )F (yj ) F (xi )F (yj 1 ) F (xi1 )F (yj ) + F (xi1 )F (yj 1 ) = F (xi ) F (yj ),
169
= (F (xi ) F (xi1 ))(F (yj ) F (yj 1 ))
es decir, la integral bidimensional se separa en dos integrales, y se puede escribir E [(X, Y )] = (x, y ) dFX (x) dFY (y ).
R2
Cuando el vector (X, Y ) es discreto, la f ormula (3.5) se reduce a E [(X, Y )] =

x,y
(x, y ) P (X = x, Y = y ),
en donde la suma se efect ua sobre todos los posibles valores (x, y ) del vector. En este caso la demostraci on del teorema resulta no muy complicada, y se pide dar los detalles en el siguiente ejercicio. Ejercicio. Sea (X, Y ) un vector aleatorio discreto con valores en el conon junto producto {x1 , x2 , . . .} {y1 , y2 , . . .}, y sea : R2 R una funci Borel medible tal que la variable (X, Y ) tiene esperanza nita. Demuestre que E [(X, Y )] =

(xi , yj ) P (X = xi , Y = yj ).
i=1 j =1
En el caso cuando (X, Y ) es absolutamente continuo, la expresi on (3.5) se escribe E [(X, Y )] = (x, y ) fX,Y (x, y ) dxdy.
R2
Con ayuda de este resultado podemos ahora demostrar que la esperanza separa sumas.
170
n de un vector aleatorio 3.7. Esperanza de una funcio
n. Sean X y Y con esperanza nita. Entonces Proposicio E (X + Y ) = E (X ) + E (Y ).
Demostraci on. Sean (x, y ) = x + y , 1 (x, y ) = x, y 2 (x, y ) = y . Entonces E (X + Y ) = E ((X, Y )) =

R2
(x + y ) dFX,Y (x, y ) x dFX,Y (x, y ) + y dFX,Y (x, y )
=
R2
R2
= E (1 (X, Y )) + E (2 (X, Y )) = E (X ) + E (Y ).
n. Sean X y Y independientes, y sean g y h dos funciones Proposicio Borel medibles tales que g(X ) y h(Y ) tienen esperanza nita. Entonces E [g(X )h(Y )] = E [g(X )] E [h(Y )]. En particular, E (X Y ) = E (X ) E (Y ).
Demostraci on. E [g(X ) h(Y )] =

R2
g(x) h(y ) dFX,Y (x, y ) g(x) h(y ) dFX (x) dFY (y )
=
R2
= E [g(X )] E [h(Y )].
171
En general, el rec proco de la armaci on anterior es falso, es decir, la condici on E (XY ) = E (X )E (Y ) no es suciente para poder concluir que X y Y son independientes. Por ejemplo, considere el vector aleatorio discreto (X, Y ) con funci on de probabilidad x\y 1 0 1 1 1/5 0 1/5 0 0 1/5 0 1 1/5 0 1/5
Es sencillo vericar que E (XY ) = E (X )E (Y ) = 0, sin embargo X y Y no son independientes pues P (X = 0, Y = 0) = 1/5, mientras que P (X = 0)P (Y = 0) = 1/25. Otros ejemplos de esta misma situaci on pueden encontrarse en el ejercicio 352 en la p agina 203.
3.8.
Covarianza
En esta secci on se dene y estudia la covarianza entre dos variables aleatorias. Una interpretaci on de este n umero, ligeramente modicado, ser a dada en la siguiente secci on. n. (Covarianza). La covarianza de X y Y , denotada por Definicio Cov(X, Y ), es el n umero Cov(X, Y ) = E [(X E (X ))(Y E (Y ))] .
Para que la denici on anterior tenga sentido es necesario suponer que las esperanzas E (X ), E (Y ) y E (XY ) son nitas. En general cuando se escribe Cov(X, Y ), se suponen tales condiciones. Se revisan a continuaci on algunas propiedades de la covarianza.
172
3.8. Covarianza
n. Sean X y Y variables aleatorias y sea c una constante. Proposicio Entonces 1. Cov(X, Y ) = E (XY ) E (X )E (Y ). 2. Cov(X, Y ) = Cov(Y, X ). 3. Cov(X, X ) = Var(X ). 4. Cov(c, Y ) = 0. 5. Cov(cX, Y ) = c Cov(X, Y ). 6. Cov(X1 + X2 , Y ) = Cov(X1 , Y ) + Cov(X2 , Y ). 7. Si X y Y son independientes, entonces Cov(X, Y ) = 0. 8. En general, Cov(X, Y ) = 0 = X ,Y independientes.
Demostraci on. 1. Por la propiedad de linealidad de la esperanza, Cov(X, Y ) = E [(X E (X ))(Y E (Y ))] = E (XY ) E (X )E (Y ).
= E [XY Y E (X ) XE (Y ) + E (X )E (Y )]
2. - 4. Estas propiedades se siguen directamente de la denici on. 5. - 6. Esto es consecuencia de la denici on y de la linealidad de la esperanza. 7. Esta propiedad se obtiene f acilmente de la primera pues E (XY ) = E (X )E (Y ) cuando X y Y son independientes.
Cap tulo 3. Vectores aleatorios 8. Sea (X, Y ) un vector 1/8 fX,Y (x, y ) = 1/2 0 Entonces X y Y 1/4 fX (x) = 1/2 0 aleatorio discreto con funci on de densidad
173
si (x, y ) {(1, 1), (1, 1), (1, 1), (1, 1)}, si (x, y ) = (0, 0), otro caso.
Puede entonces comprobarse que Cov(X, Y ) = 0. Sin embargo X y Y no son independientes pues en particular P (X = 0, Y = 0) = 1/2, mientras que P (X = 0)P (Y = 0) = 1/4.
tienen id enticas densidades marginales, si x {1, 1}, 1/4 si y {1, 1}, si x = 0, fY (y ) = 1/2 si y = 0, otro caso. 0 otro caso.
Observe en particular que la covarianza es una funci on bilineal y sim etrica. Estas propiedades ser an de utilidad en la siguiente secci on. M as adelante demostraremos que, en el caso especial cuando el vector (X, Y ) tiene distribuci on normal bivariada, la condici on de covarianza cero implica que estas variables son efectivamente independientes. Ejercicio. Sean X y Y independientes. Demuestre que Cov(X + Y, Y ) = Var(Y ).
3.9.
Coeciente de correlaci on
El coeciente de correlaci on de dos variables aleatorias es un n umero real que mide el grado de dependencia lineal que existe entre ellas. Su denici on es la siguiente.
174
n 3.9. Coeficiente de correlacio
n. (Coeficiente de correlacio n). El coeciente de coDefinicio rrelaci on de las variables aleatorias X y Y , denotado por (X, Y ), es el n umero Cov(X, Y ) (X, Y ) = . Var(X ) Var(Y )
Naturalmente en esta denici on se necesita suponer que las varianzas son estrictamente positivas y nitas. Vista como funci on de dos variables aleatorias, el coeciente de correlaci on es una funci on sim etrica pero no es lineal pues no separa sumas ni multiplicaciones por constantes. Ejercicio. Demuestre que, en general, a) (c X, Y ) = c (X, Y ), c constante. b) (X1 + X2 , Y ) = (X1 , Y ) + (X2 , Y ).
La interpretaci on dada al coeciente de correlaci on se justica a partir de los siguientes resultados. n. El coeciente de correlaci Proposicio on satisface las siguientes propiedades. 1. Si X y Y son independientes, entonces (X, Y ) = 0. 2. 1 (X, Y ) 1. 3. |(X, Y )| = 1 si, y s olo si, existen constantes a y b tales que, con probabilidad uno, Y = aX + b, con a > 0 si (X, Y ) = 1, y a < 0 si (X, Y ) = 1.
Cap tulo 3. Vectores aleatorios Demostraci on.
175
1. Si X y Y son independientes, entonces Cov(X, Y ) = 0, y por lo tanto (X, Y ) = 0. 2. Suponga primero que X y Y son tales que E (X ) = E (Y ) = 0, y Var(X ) = Var(Y ) = 1. Para cualquier valor de , 0 Var(X + Y )
= E (X + Y )2 E 2 (X + Y ) = 1 + 2E (XY ) + 2 .
El caso = 1 produce el resultado E (XY ) 1, mientras que para = 1 se obtiene E (XY ) 1. Es decir, 1 E (XY ) 1. Observe que estas desigualdades tambi en pueden ser obtenidas a partir de la desigualdad de Cauchy-Schwarz. Ahora se aplica este resultado a las variables aleatorias (X X )/X y (Y Y )/Y , que evidentemente son centradas y con varianza unitaria. Entonces 1 E ( X X Y Y ) 1. X Y
El t ermino de enmedio es (X, Y ). 3. Si X y Y son tales que Y = aX + b con a = 0 y b constantes, entonces (X, Y ) = Cov(X, aX + b) a = . |a| Var(X )Var(aX + b)
Por lo tanto (X, Y ) = 1 cuando a > 0, y (X, Y ) = 1 cuando a < 0. Inversamente, suponga que X y Y son tales que |(X, Y )| = 1. Dena U = (X X )/X y V = (Y Y )/Y . Entonces claramente E (U ) = E (V ) = 0, y Var(U ) = Var(V ) = 1. Por lo tanto (U, V ) = E (U V ). Es f acil ver tambi en que |(U, V )| = |(X, Y )| = 1. Si (U, V ) = 1,
176
entonces
Var(U V ) = E (U V )2 E 2 (U V ) = E (U V )2 = 0. = 2(1 E (U V ))
Esto signica que con probabilidad uno, la variable U V es constante. Esto es, para alguna constante c, con probabilidad uno, U V = c. Pero esta constante c debe ser cero pues E (U V ) = 0. Por lo tanto, X X Y Y = , X Y de donde se obtiene Y = Y + (X X )Y /X . Esto establece una relaci on lineal directa entre X y Y . En cambio, si (U, V ) = 1, entonces Var(U + V ) = E (U + V )2 E 2 (U + V ) = E (U + V )2 = 0. Esto signica nuevamente que con probabilidad uno, la variable U + V es constante. Esto es, para alguna constante c, con probabilidad uno, U + V = c. Nuevamente la constante c es cero pues E (U + V ) = 0. Por lo tanto, X X Y Y = , Y Y de donde se obtiene Y = Y (X X )Y /X . Esto establece una relaci on lineal, ahora inversa, entre X y Y . Uniendo los u ltimos dos resultados se obtiene que, cuando |(X, Y )| = 1, con probabilidad uno, Y = [ (X, Y ) Y Y ] X + [ Y (X, Y ) X ]. X X = 2(1 + E (U V ))
177
Ejercicio. Sean X y Y independientes e id enticamente distribuidas. Demuestre que (X + Y, X Y ) = 0. n. (Correlacio n positiva, negativa o nula). CuanDefinicio do (X, Y ) = 0 se dice que X y Y son no correlacionadas. Cuando |(X, Y )| = 1 se dice que X y Y est an perfectamente correlacionadas positiva o negativamente, de acuerdo al signo de (X, Y ). Nuevamente observe que, en general, la condici on (X, Y ) = 0 no es suciente para poder armar que X y Y son independientes, excepto en el caso normal. Esto es consecuencia del mismo resultado para la covarianza. Ejercicio. Sea X una variable aleatoria discreta con distribuci on uniforme en el conjunto {2, 1, 1, 2}, y dena Y = X 2 . Demuestre que el coeciente de correlaci on entre X y Y es cero, y sin embargo X y Y no son independientes. Adicionalmente en los ejercicios 380 y 381 de la p agina 208 se muestran situaciones concretas de este mismo resultado tanto en el caso discreto como en el continuo. Sin embargo, cuando la distribuci on de (X, Y ) es normal y (X, Y ) = 0, entonces efectivamente se cumple que X y Y son independientes. Demostraremos esto a continuaci on. n. Si (X, Y ) es un vector con distribuci Proposicio on normal bivariada tal que (X, Y ) = 0, entonces X y Y son independientes.
Demostraci on. Como veremos m as adelante, la funci on de densidad normal
178
bivariada est a dada por la siguiente expresi on: f (x, y ) = 1 21 2 1 2 1 x 1 y 2 y 2 2 x 1 2 exp ( ) 2( )( )+( ) 2 2(1 ) 1 1 2 2
2 = Var(X ), = E (Y ), 2 = Var(Y ), y (1, 1). en donde 1 = E (X ), 1 2 2 Se pueden calcular directamente las funciones de densidad marginales y comprobar que
f (x) = y f (y ) =
1
2 21
2 exp[(x 1 )2 /21 ] 2 exp[(y 2 )2 /22 ],
1
2 22
2 ), y Y tiene distribuci 2 ). es decir, X tiene distribuci on N (1 , 1 on N (2 , 2 Despu es de hacer algunos c alculos sencillos se puede demostrar que el coeciente de correlaci on entre X y Y es , y comprobar nalmente que cuando este n umero es cero, se verica la igualdad fX,Y (x, y ) = fX (x)fY (y ), para cualesquiera valores reales de x y y .
En resumen tenemos la siguiente tabla.
179
n Propiedades del coeficiente de correlacio
(X, Y ) [1, 1]. |(X, Y )| = 1 si, y s olo si, Y = aX + b, con probabilidad uno. Si X Y, entonces (X, Y ) = 0. En general, (X, Y ) = 0 = X Y . Si (X, Y ) tiene dist. normal y (X, Y ) = 0, entonces X Y .
3.10.
Esperanza y varianza de un vector aleatorio
Los conceptos de esperanza y varianza para una variable aleatoria pueden extenderse al caso de vectores aleatorios de cualquier dimensi on de la siguiente forma. n. (Esperanza y varianza de un vector). Sea X el vecDefinicio tor aleatorio (X1 , . . . , Xn ). Cuando cada coordenada del vector tiene esperanza nita se dene la esperanza de X como el vector num erico E (X ) = (E (X1 ), . . . , E (Xn )). Si cada coordenada del vector aleatorio tiene segundo momento nito, entonces la varianza de X se dene como la matriz cuadrada Var(X1 ) Cov(X1 , X2 ) Cov(X1 , Xn ) Cov(X2 , X1 ) Var(X2 ) Cov(X2 , Xn ) Var(X ) = . . . . . . . . . . Cov(Xn , X1 ) Cov(Xn , X2 ) Var(Xn )
nn
180
3.10. Esperanza y varianza de un vector aleatorio
La varianza de un vector X puede expresarse como sigue E (X E (X ))t (X E (X )) , on X . Observe que (X en donde X t signica transpuesta del vector rengl E (X ))t es un vector columna de dimensi on n1, mientras que (X E (X )) es un vector rengl on de dimensi on 1 n. De modo que el producto de estos dos vectores, en el orden indicado, resulta en una matriz cuadrada de dimensi on n n cuya entrada (i, j ) es E [(Xi E (Xi ))(Xj E (Xj ))] = Cov(Xi , Xj ). Esta matriz tambi en se llama matriz de varianzas y covarianzas, y tiene las siguientes propiedades. n. La matriz Var(X ) es sim Proposicio etrica y positiva denida. Esto u ltimo signica que para cualquier vector = (1 , . . . , n ) de Rn se cumple la desigualdad Var(X ), 0, en donde , denota el producto interior usual de Rn .
Demostraci on. La simetr a se sigue de la igualdad Cov(Xi , Xj ) = Cov(Xj , Xi ). La propiedad de ser positiva denida se obtiene usando la bilinealidad de la covarianza,
n
Var(X ),
=
i,j =1 n
Cov(Xi , Xj )i j Cov(i Xi , j Xj )
i,j =1 n n
= Cov(
i=1 n
i Xi ,
j =1
j Xj )
= Var(
i=1
i Xi ) 0.
181
Se puede tambi en denir la matriz de coecientes de correlaci on del vector X como sigue (X1 , X1 ) (X1 , Xn ) . . . . (X ) = . . (Xn , X1 ) (Xn , Xn )
nn
A esta matriz tambi en se le llama matriz de correlaci on. Cumple la propiedad de ser sim etrica y tener todos los elementos de la diagonal iguales a uno.
3.11.
Distribuciones multivariadas discretas
En esta secci on se estudian algunas distribuciones discretas de vectores aleatorios. Estas distribuciones son ejemplos particulares de medidas de probabilidad sobre Rn , para alg un valor natural de n. n multinomial. Suponga que se tiene un experimento aleatoDistribucio rio con k posibles resultados distintos. Las probabilidades para cada uno de estos resultados son respectivamente p1 , . . . , pk , en donde p1 + + pk = 1. Ahora suponga que se tienen n ensayos sucesivos independientes del experimento anterior, y dena las variables aleatorias discretas X1 , . . . , Xk , como aquellas que registran el n umero de veces que se obtienen cada uno de los k posibles resultados en los n ensayos. Observe que la u ltima variable Xk est a determinada por las anteriores pues Xk = n X1 Xk1 . on Entonces se dice que el vector X = (X1 , . . . , Xk1 ) tiene una distribuci multinomial(n, p1 , . . . , pk1 ), y su funci on de densidad es
f (x1 , . . . , xk1 ) =
n x1 xk 0
xk 1 px 1 pk
si x1 , . . . , xk = 0, 1, . . . , n con x1 + + xk = n, otro caso.
182
3.11. Distribuciones multivariadas discretas
Los par ametros de esta distribuci on son entonces el n umero de ensayos n, y las k 1 probabilidades p1 , . . . , pk1 . El factor que aparece en par entesis en la funci on de densidad conjunta se conoce como coeciente multinomial y se dene como sigue n x1 xk = n! . x1 ! xk !
En particular, se dice que el vector (X1 , X2 ) tiene distribuci on trinomial con par ametros (n, p1 , p2 ) si su funci on de densidad es f (x1 , x2 ) = n! px1 px2 (1 p1 p2 )nx1 x2 x1 ! x2 ! (n x1 x2 )! 1 2
para x1 , x2 = 0, 1, . . . , n, tales que x1 + x2 n. En el caso general no es dif cil comprobar que la distribuci on marginal de la variable Xi es bin(n, pi ), para i = 1, . . . , k 1. Puede adem as demostrarse que E (X ) = (np1 , . . . , npk1 ), y [Var(X )]ij = npi (1 pi ) npi pj si i = j, si i = j.
Observe que cuando u nicamente hay dos posibles resultados en cada ensayo, es decir k = 2, la distribuci on multinomial se reduce a la distribuci on binomial. n hipergeom Distribucio etrica multivariada. Suponga que se tienen N objetos de los cuales N1 son de un primer tipo, N2 son de un segundo tipo y as sucesivamente con Nk objetos de tipo k. Entonces N1 + + Nk = N . Suponga que de la totalidad de objetos se obtiene una muestra sin reemplazo de tama no n, y dena la variables X1 , . . . , Xk , como aquellas que representan el n umero de objetos seleccionados de cada tipo. Se dice entonces que el vector X = (X1 , . . . , Xk ) tiene una distribuci on hipergeom etrica
Cap tulo 3. Vectores aleatorios multivariada y su funci on de densidad es N1 x1 N n Nk xk
183
f (x1 , . . . , xk ) =
en donde cada variable xi toma valores en el conjunto {0, 1, . . . , n} pero sujeto a la condici on xi Ni , y en donde adem as debe cumplirse que x1 + + xk = n. Se dice entonces que el vector (X1 , . . . , Xk ) tiene distribuci on hipergeom etrica multivariada (N, N1 , . . . , Nk , n). Observe que cuando u nicamente hay dos tipos de objetos, es decir k = 2, la distribuci on hipergeom etrica multivariada se reduce a la distribuci on hipergeom etrica univariada. En la secci on de ejercicios aparecen expresiones para la esperanza y varianza de esta distribuci on.
3.12.
Distribuciones multivariadas continuas
Ahora estudiamos algunas distribuciones continuas de vectores aleatorios. n uniforme bivariada. Se dice que las variables aleatorias Distribucio continuas X y Y tienen una distribuci on conjunta uniforme en el rect angulo (a, b) (c, d), si su funci on de densidad es 1 si x (a, b), y (c, d), ( b a )( d c) f (x, y ) = 0 otro caso.
Se escribe (X, Y ) unif(a, b) (c, d). Se puede observar inmediatamente que las distribuciones marginales son nuevamente uniformes, adem as X y Y siempre son independientes. Es f acil tambi en comprobar que E (X, Y ) = ((a + b)/2, (c + d)/2), y que Var(X, Y ) = (b a)2 /12 0 0 (d c)2 /12 .
184
3.12. Distribuciones multivariadas continuas
De manera evidente esta distribuci on puede extenderse al caso de n dimensiones conserv andose las mismas propiedades mencionadas. n normal bivariada. Se dice que las variables aleatorias conDistribucio tinuas X y Y tienen una distribuci on normal bivariada si su funci on de densidad conjunta es
f (x, y ) =
21 2 1 2 1 x 1 2 x 1 y 2 y 2 2 exp ( ) 2( )( )+( ) 2(1 2 ) 2 1 2 2
para cualesquiera valores reales de x y y , y en donde 1 < < 1, 1 > 0, 2 > 0, y 1 , 2 son dos constantes reales sin restricci on. Se escribe entonces 2 2 (X, Y ) N(1 , 1 , 2 , 2 , ). Cuando 1 = 2 = 0, y 1 = 2 = 1, la distribuci on se llama normal bivariada est andar, y su gr aca se muestra en la Figura 3.11 cuando = 0. En el siguiente ejercicio se enuncian algunas propiedades de esta distribuci on. f (x, y )
on de densidad normal bivariada est andar. Figura 3.11: Funci

2 , , 2 , ). DeEjercicio. Sea (X, Y ) un vector con distribuci on N(1 , 1 2 2 muestre que

2 ). a) X tiene distribuci on marginal N(1 , 1 2 ). b) Y tiene distribuci on marginal N(2 , 2
185
c) (X, Y ) = . d) X y Y son independientes si, y s olo si, = 0. e) E (X, Y ) = (1 , 2 ). f) Var(X, Y ) =

2 1 1 2 2 1 2 2
Es interesante observar que existen distribuciones bivariadas con densidades marginales normales, pero cuya distribuci on conjunta no lo es. En el ejercicio 398 en la p agina 211 se presenta un ejemplo al respecto. n normal multivariada. Se dice que el vector (X1 , . . . , Xn ) Distribucio tiene una distribuci on normal multivariada si su funci on de densidad es f (x) = (2 )n/2 1 1 exp [ (x )1 (x )t ], 2 det
umeros en donde x = (x1 , . . . , xn ) y = (1 , . . . , n ) son dos vectores de n reales, es una matriz de dimensi on n n positiva denida, es decir, xxt 0 para cualquier vector x = (x1 , . . . , xn ) de Rn , y 1 es la matriz inversa de . Como es usual, xt denota el vector transpuesto del vector rengl on x. Cuando n = 1 o n = 2, con adecuada, se obtienen las distribuciones normal univariada y bivariada mencionadas antes.
186
3.13. Ejercicios
3.13.
Ejercicios
Vectores aleatorios
269. Sea (, F , P ) un espacio de probabilidad y sea (X1 , . . . , Xn ) : Rn una funci on tal que cada coordenada es una variable aleatoria. Demuestre que la siguiente colecci on es una sub - algebra de B (Rn ). {B B (Rn ) : (X1 , . . . , Xn )1 B F }.
Distribuci on conjunta
270. Graque y demuestre que las siguientes funciones son de distribuci on. 1 1 a ) F (x, y ) = (1 ex )( + tan1 y ), para x > 0, y R. 2 b ) F (x, y ) = 1 ex ey + exy , para x, y > 0. 271. Investigue si las siguientes funciones son de distribuci on. a ) F (x, y ) = 1 exy , para x, y > 0. b ) F (x, y ) = 1 exy , para x, y > 0.
272. Demuestre que la siguiente funci on no es de distribuci on. Extienda este resultado al caso n-dimensional. F (x, y, z ) = 0 si x + y + z < 0, 1 si x + y + z 0.
273. Demuestre que la siguiente funci on no es de distribuci on. F (x, y ) = m n{1, m ax{x, y }} 0 si x, y > 0, otro caso.
274. Sean F (x) y G(x) dos funciones de distribuci on. Demuestre o proporcione un contraejemplo para las siguientes armaciones.
Cap tulo 3. Vectores aleatorios a ) F (x)G(x) es una funci on de distribuci on univariada. b ) F (x)G(y ) es una funci on de distribuci on bivariada. c ) F n (x) es una funci on de distribuci on univariada. d ) F n (x)Gm (y ) es una funci on de distribuci on bivariada.
187
275. Sean X y Y dos variables aleatorias, y sean x y y cualesquiera n umeros reales. Diga falso o verdadero. Demuestre en cada caso. a ) P (X > x, Y > y ) = 1 P (X x, Y y ). c ) P (X x) = P (X x, Y x) + P (X x, Y > x). b ) P (X x, Y y ) P (X x).
d ) P (X + Y x) P (X x). e ) P (XY < 0) P (X < 0).
276. Sean X y Y variables aleatorias con funci on de distribuci on conjunta F (x, y ). Demuestre que para cualesquiera n umeros reales a < b y c < d, P (a < X b, c < Y d) = F (b, d) + F (a, c) F (a, d) F (b, c). 277. Sean X1 , X2 y X3 variables aleatorias con funci on de distribuci on conjunta F (x1 , x2 , x3 ). Demuestre que para cualesquiera n umeros reales a1 < b1 , a2 < b2 y a3 < b3 , P (a1 < X1 b1 , a2 < X2 b2 , a3 < X3 b3 ) +F (a1 , a2 , b3 ) + F (a1 , b2 , a3 ) + F (b1 , a2 , a3 )
= F (b1 , b2 , b3 ) F (a1 , b2 , b3 ) F (b1 , a2 , b3 ) F (b1 , b2 , a3 ) F (a1 , a2 , a3 ). 278. Demuestre que para cualquier vector aleatorio (X, Y ) y para cualquier valor real de u, FX,Y (u, u) = FX Y (u), es decir, la funci on de distribuci on del m aximo de dos variables aleatorias es la distribuci on conjunta evaluada en la diagonal. Extienda este resultado al caso n-dimensional.
188
3.13. Ejercicios
279. Sea (X, Y ) un vector con funci on de distribuci on F (x, y ), y con distribuciones marginales F (x) y F (y ), respectivamente. Demuestre que para todo x y y en R, F (x) + F (y ) 1 F (x, y ) F (x)F (y ).
280. Cotas de Fr echet. Sea (X, Y ) un vector con funci on de distribuci on F (x, y ), y con distribuciones marginales F (x) y F (y ), respectivamente. Demuestre que para todo x y y en R, m ax{F (x) + F (y ) 1, 0} F (x, y ) m n{F (x), F (y )}. 281. Considere el espacio = (0, 1)(0, 1) junto con la - algebra B ((0, 1) (0, 1)) y P la medida de probabilidad uniforme sobre . Sea (X, Y ) el vector aleatorio denido sobre este espacio de probabilidad dado por X (1 , 2 ) = 1 2 y Y (1 , 2 ) = 1 2 . Demuestre que (X, Y ) es efectivamente un vector aleatorio y encuentre su funci on de distribuci on.
Densidad conjunta
282. Demuestre que la funci on de densidad de un vector (X, Y ) absolutamente continuo puede ser encontrada, a partir de la funci on de distribuci on, de las siguientes formas alternativas: a ) f (x, y ) = 2 P (X > x, Y > y ). xy 2 b ) f (x, y ) = P (X x, Y > y ). xy 2 c ) f (x, y ) = P (X > x, Y y ). xy 1 , ab
283. Graque y demuestre que las siguientes funciones son de densidad. a ) f (x, y ) = para 0 < x < a, 0 < y < b.
Cap tulo 3. Vectores aleatorios b ) f (x, y ) = 4xy, para 0 x, y 1.
189
d ) f (x, y ) = 9x2 y 2 /4, para 1 x, y 1. e ) f (x, y ) = exy , para x, y > 0. f ) f (x, y ) = ex , para 0 < y < x. 284. Calcule la constante c que hace a f una funci on de densidad. a ) f (x) = c x, para 0 x 1.
c ) f (x, y ) = 6x2 y, para 0 x, y 1.
b ) f (x, y ) = c x, para 0 < y < x < 1. c ) f (x, y ) = c (x + y ), para 0 x, y 1.
d ) f (x, y ) = c (1 x)(1 y ) para 1 < x, y < 1. e ) f (x, y ) = c x(y x) para 0 < x < y < 1. f ) f (x, y ) = c (x2 + 1 2 xy ), para 0 < x < 1, 0 < y < 2.
h ) f (x, y, z ) = c x(y x)(z y ), para 0 < x < y < z < 1.
g ) f (x, y, z ) = c (x + y + z ), para 0 x, y, z 1.
i ) f (x1 , . . . , xn ) = c (x1 + + xn ), para 0 x1 , . . . , xn 1.
285. Encuentre la funci on de densidad del vector (X, Y ) cuya funci on de distribuci on es 1 1 a ) F (x, y ) = (1 ex )( + tan1 y ), para x > 0, y R. 2 b ) F (x, y ) = 1 ex ey + exy , para x, y > 0. 286. Encuentre la funci on de distribuci on del vector (X, Y ) cuya funci on de densidad es a ) f (x, y ) = 1 , para 0 < x < a, 0 < y < b. ab b ) f (x, y ) = exy , para x, y > 0. c ) f (x, y ) = ey , para 0 < x < y . d ) f (x, y ) = 2exy , para 0 < x < y .
190
3.13. Ejercicios
287. Sean f (x) y g(x) dos funciones de densidad. Demuestre o proporcione un contraejemplo para las siguientes armaciones: a ) x f (x)g(x) es una funci on de densidad univariada. 288. Sea (X, Y, Z ) un vector con funci on de densidad f (x, y, z ) = 3 e(x+y+z ) si x, y, z > 0, 0 otro caso,
b ) (x, y ) f (x)g(y ) es una funci on de densidad bivariada.
en donde es una constante. Calcule P (X < 1, Y > 2, Z < 3), P (X > 2, Y < 1) y P (X + Y + Z < 1). 289. Sean X y Y independientes ambas con distribuci on exp(). Encuentre la funci on de densidad y de distribuci on de las variables X Y y X Y , cada una de ellas por separado y despu es de manera conjunta.
Distribuci on marginal
290. Suponiendo el caso absolutamente continuo, demuestre que la funci on de densidad marginal fX (x) = fX,Y (x, y ) dy es efectivamente una funci on de densidad univariada. 291. Demuestre que la funci on de distribuci on marginal x FX (x) = l m FX,Y (x, y )
y
es efectivamente una funci on de distribuci on univariada. 292. Encuentre las funciones de distribuci on marginales del vector (X, Y ) cuya funci on de distribuci on es a ) F (x, y ) = (1 ex )(1 ey ), para x, y > 0.
2 2
b ) F (x, y ) = (1 ex )(1 ey ), para x, y > 0.
191
293. Encuentre las funciones de densidad marginales del vector (X, Y ) cuya funci on de densidad es 1 a ) f (x, y ) = , para 0 < x < a, 0 < y < b. ab b ) f (x, y ) = 4xy, para 0 < x, y < 1. d ) f (x, y ) = (x + 2y )/4, para 0 < x < 2 y 0 < y < 1. e ) f (x, y ) = 2(4x + y )/5, para 0 < x, y < 1. f ) f (x, y ) = 1/x, para 0 < y < x < 1. g ) f (x, y ) = 3/2, para 0 < y < x2 < 1. h ) f (x, y ) = 2x/y 2 , para 0 < x < 1 y y > 1. 294. Encuentre la constante c que hace a f una funci on de densidad. Encuentre adem as las funciones de densidad marginales, la funci on de distribuci on conjunta asociada y las funciones de distribuci on marginales. a ) f (x, y ) = c m n{x, y } para 0 < x, y < 1. para 0 < x, y < 1. b ) f (x, y ) = c m ax{x + y 1, 0} c ) f (x, y ) = 24x(1 x y ), para x, y > 0 y x + y < 1.
295. Sea 0 < a < 1 y dena la funci on f (x, y ) = ax (1 a)y , para x, y = 1, 2, . . . Demuestre que f (x, y ) es una funci on de densidad y calcule las funciones de densidad y de distribuci on marginales. Calcule adem as FX,Y (x, y ). 296. Sean a y b dos constantes positivas. Calcule las densidades marginales del vector (X, Y ) con funci on de densidad uniforme en la regi on que aparece en la Figura 3.12.
Distribuci on condicional
297. Demuestre que la funci on de distribuci on condicional x FX |Y (x|y ) = x on de distribuci on univa fX |Y (u|y ) du es efectivamente una funci riada.
192
3.13. Ejercicios
y b x
a b
Figura 3.12: 298. Demuestre que la funci on de densidad condicional x fX |Y (x|y ) = fX,Y (x, y )/fY (y ) es efectivamente una funci on de densidad univariada. En el caso absolutamente continuo compruebe adem as que fX |Y (x|y ) = /x FX |Y (x|y ). n exponencial no tiene memoria. Sea X con 299. La distribucio distribuci on exp() y sea t > 0 jo. Demuestre que la distribuci on condicional de X t, dado que X t, sigue siendo exp(). 300. Calcule las funciones condicionales fX |Y (x|y ) y FX |Y (x|y ), para las siguientes funciones de densidad. a ) f (x, y ) = 1 , para 0 < x < a, 0 < y < b. ab b ) f (x, y ) = 4xy, para 0 < x, y < 1. c ) f (x, y ) = 24x(1 x y ), para x, y > 0 y x + y < 1.
d ) f (x, y ) = (x + 2y )/4, para 0 < x < 2 y 0 < y < 1. e ) f (x, y ) = 2(4x + y )/5, para 0 < x, y < 1. f ) f (x, y ) = 1/x, para 0 < y < x < 1. g ) f (x, y ) = xy/25, para 0 < x < 2, 0 < y < 5.
301. Calcule las funciones condicionales FX | Y (x | y ) y fX | Y (x | y ), para las siguientes funciones de distribuci on conjunta. 1 1 a ) F (x, y ) = (1 ex )( + tan1 y ), para x 0. 2
Cap tulo 3. Vectores aleatorios b ) F (x, y ) = 1 ex ey + exy , para x, y 0.
193
302. Se hacen tres lanzamientos de una moneda equilibrada cuyos resultados llamaremos cara y cruz. Sea X la variable que denota el n umero de caras que se obtienen en los dos primeros lanzamientos, y sea Y la variable que denota el n umero de cruces en los dos u ltimos lanzamientos. Calcule fX,Y (x, y ), fX (x), fY (y ) y fY |X (y |x) para x = 0, 1, 2. 303. Sea (X, Y ) un vector con funci on de densidad f (x, y ) = (x + y )/8, para 0 x, y 2, con gr aca como se muestra en la Figura 3.13. Compruebe que f (x, y ) es una funci on de densidad y calcule
f (x, y ) y
Figura 3.13: Funci on de densidad f (x, y ) = (x + y )/8, para x, y [0, 2]. a) fX (x). b) fY (y ). c) FX,Y (x, y ). d) FX (x). e) FY (y ). g) fY |X (y |x). f) fX |Y (x|y ). h) FX |Y (x|y ). j) P (Y > X ). k) P (X > 1 | Y < 1). l) P (X > 1). m) P (X + Y > 1). n) P (|X Y | > 1). i) FY |X (y |x).
194
3.13. Ejercicios
304. Sea (X, Y ) un vector con funci on de densidad f (x, y ) = 8xy , para 0 < x < y < 1. Graque y compruebe que f (x, y ) es una funci on de densidad. Calcule adem as a) fX (x). b) fY (y ). c) FX,Y (x, y ). d) FX (x). e) FY (y ). f) fX |Y (x|y ). h) FX |Y (x|y ). j) P (Y < 1/2, X < 1/2). l) P (XY < 1). m) P (X + Y < 1). k) P (Y > 1/2 | X > 1/2). i) FY |X (y |x).
g) fY |X (y |x).
n) P (|X Y | < 1).
x y , 305. Sea (X, Y ) un vector con funci on de densidad f (x, y ) = 1 2 (x + y ) e para x, y > 0, cuya gr aca aparece en la Figura 3.14. Compruebe que f (x, y ) es una funci on de densidad y calcule
f (x, y )
x
x y Figura 3.14: Funci on de densidad f (x, y ) = 1 , para x, y > 0. 2 (x + y ) e
Cap tulo 3. Vectores aleatorios a) fX (x). b) fY (y ). c) FX,Y (x, y ). d) FX (x). e) FY (y ). g) fY |X (y |x). f) fX |Y (x|y ). h) FX |Y (x|y ). j) P (0 < X < 1, 0 < Y < 1). k) P (Y > 2 | X < 1). l) P (XY < 1). m) P (X + Y > 1). n) P (|X Y | < 1). i) FY |X (y |x).
195
306. Sea (X, Y ) un vector con funci on de densidad f (x, y ) = 4x(1 y ), para 0 < x, y < 1, cuya gr aca se muestra en la Figura 3.15.
f (x, y )
Figura 3.15: Funci on de densidad f (x, y ) = 4x(1 y ), para 0 < x, y < 1. Compruebe que f (x, y ) es efectivamente una funci on de densidad y calcule
196
a) fX (x). b) fY (y ). c) FX,Y (x, y ). d) FX (x). e) FY (y ). g) fY |X (y |x). f) fX |Y (x|y ).
3.13. Ejercicios h) FX |Y (x|y ). j) P (X > 1/2). k) P (1/4 < Y < 3/4 | X < 1/2). l) P (Y > X 2 ). n) P (|X 2Y | < 1). m) P (2X Y > 1). i) FY |X (y |x).
307. Sea (X, Y ) un vector con funci on de densidad f (x, y ) = 3y , para 0 < x < y < 1. Compruebe que f (x, y ) es efectivamente una funci on de densidad y calcule a ) P (X + Y < 1/2). b ) fX (x) y fY (y ). c ) E (Y ) y E (Y | X = x). 308. Sea (X, Y ) un vector con distribuci on uniforme en el conjunto {1, . . . , 6} {1, . . . , 6}. Calcule a ) P (X = Y ). b ) P (X + Y 6). c ) fX (x) y fY (y ). d ) E (X | X + Y = 6). 309. Sea (X, Y ) un vector con funci on de densidad dada por la siguiente tabla x\y -1 0 1 1 .3 .05 .05 2 .05 .2 .05 3 .1 .1 .1 Calcule a ) P (X = 2), P (X + Y = 1) y P (Y X ).
Cap tulo 3. Vectores aleatorios b ) fX (x) y fY (y ). d ) E (Y | X = x) para x = 1, 2, 3. c ) fY | X (y | x) para x = 1, 2, 3.
197
310. Sean X y Y independientes ambas con distribuci on exp(). Demuestre que la distribuci on condicional de X dado que X + Y = u, es uniforme en el intervalo (0, u). 311. Sean A y B dos eventos con probabilidad positiva y sea X una variable con esperanza nita. Demuestre o proporcione un contraejemplo. a ) Si A B , entonces E (X | A) E (X | B ). b ) E (X | A) E (X ).
Independencia de variables aleatorias

312. Sean X y Y variables aleatorias discretas con valores en los conjuntos {x1 , x2 , . . .} y {y1 , y2 , . . .}, respectivamente. Demuestre que X y Y son independientes si, y s olo si, para cualesquiera valores de los ndices i, j = 1, 2, . . . P (X = xi , Y = yj ) = P (X = xi ) P (Y = yj ). 313. Sea (X, Y ) un vector aleatorio absolutamente continuo con funci on de densidad fX,Y (x, y ). Demuestre que las variables X y Y son independientes si, y s olo si, para casi todo par de n umeros x y y se cumple fX,Y (x, y ) = fX (x) fY (y ). 314. Demuestre la variable aleatoria constante es independiente de cualquier otra variable aleatoria. Inversamente, suponga que X es independiente de cualquier otra variable aleatoria, demuestre que X es constante. 315. Demuestre que los eventos A y B son independientes si, y s olo si, las variables aleatorias indicadoras 1A y 1B lo son.
198
3.13. Ejercicios
316. Demuestre que si tres variables aleatorias son independientes, entonces cualesquiera dos de ellas lo son. M as generalmente, demuestre que cualquier subconjunto nito de un conjunto de variables aleatorias independientes tambi en lo es. 317. Sean X y Y independientes. Demuestre que cada uno de los siguientes pares de variables aleatorias tambi en son independientes. El siguiente ejercicio generaliza este resultado. a) X y Y . b) |X | y |Y |.
318. Sean X1 , . . . , Xn independientes, y sean g1 , . . . , gn : R R funciones Borel medibles. Demuestre que las variables g1 (X1 ), . . . , gn (Xn ) son independientes. 319. Demuestre que las variables aleatorias X1 , . . . , Xn son independientes si, y s olo si, para cualquier vector (x1 , . . . , xn ) en Rn se cumple FX1 ,...,Xn (x1 , . . . , xn ) = FX1 (x1 ) FXn (xn ). 320. Sean X1 , . . . , Xn independientes, y sea 1 k < n. Sean g : Rk R y h : Rnk R funciones Borel medibles. Demuestre que las variables aleatorias g(X1 , . . . , Xk ) y h(Xk+1 , . . . , Xn ) son independientes. 321. Sean X y Y dos variables aleatorias independientes. Recuerde las deax{0, X } y X = m n{0, X }. Demuestre que cada niciones X + = m uno de los siguientes pares de variables aleatorias tambi en son independientes. a) X + y Y + . b) X + y Y . c) X y Y + . d) X y Y .
322. Determine si las siguientes son funciones de densidad de variables aleatorias independientes. a ) f (x, y ) = 1 , para 0 < x < a, 0 < y < b. ab b ) f (x, y ) = 2x, para 0 < x, y < 1. c ) f (x, y ) = 2exy , para 0 < x < y .
Cap tulo 3. Vectores aleatorios d ) f (x, y ) = exy , para x, y > 0. e ) f (x, y ) = 3(x2 + y 2 )/8, para x, y [1, 1]. f ) f (x, y ) = 3x(1 xy ), para 0 < x, y < 1.
199
323. Determine si las siguientes son funciones de distribuci on de variables aleatorias independientes. a ) F (x, y ) = (1 ex )(1 ey ), para x, y > 0.
2 2
b ) F (x, y ) = (1 ex )(1 ey ), para x, y > 0.
324. Demuestre que X y Y son independientes si, y s olo si, cualquiera de las siguientes condiciones se cumple: Para cada par de n umeros reales x y y, a ) P (X > x, Y > y ) = P (X > x) P (Y > y ). b ) P (X x, Y > y ) = P (X x) P (Y > y ). c ) P (X > x, Y y ) = P (X > x) P (Y y ). 325. Demuestre que X y Y son independientes si, y s olo si, para cualesquiera n umeros reales a < b y c < d, P (a < X b, c < Y d) = P (a < X b) P (c < Y d). 326. Diga falso o verdadero. Demuestre en cada caso. a ) X, Y independientes X, Y 2 independientes.
b ) X, Y independientes X 2 , Y 2 independientes.
d ) X, Y independientes X + Y, X Y independientes. e ) X, Y independientes XY, Y independientes. f ) X, Y, Z independientes X + Y, Z independientes.
c ) X, Y independientes X + Y, Y independientes.
g ) X, Y, Z independientes XY, Z independientes.
200
3.13. Ejercicios
327. Sean X y Y independientes ambas con distribuci on normal est andar. Demuestre que Z = aX + bY + c tiene distribuci on normal cuando ab = 0. Encuentre la esperanza y varianza de Z . 328. Sean X1 , . . . , Xn variables aleatorias independientes cada una con distribuci on Ber(p). Calcule P (X1 + + Xn = k) para k = 0, 1, . . . , n. 329. Sean X y Y independientes ambas con distribuci on unif{1, . . . , n}. Encuentre la distribuci on del vector (U, V ) = (X + Y, X Y ). Determine adem as si las variables U y V son independientes. 330. Sean X y Y independientes con valores enteros naturales y con esperanza nita. Demuestre que E (m n{X, Y }) =
n=1
P (X n)P (Y n).
331. Sean X y Y independientes con distribuci on Poisson de par ametros 1 y 2 respectivamente. Demuestre que la distribuci on condicional de X dado que X + Y = n es bin(n, 1 /(1 + 2 )). 332. Encuentre la funci on de densidad de X + Y cuando X y Y son independientes con distribuci on uniforme en los conjuntos {0, 1, . . . , n} y {0, 1, . . . , m} respectivamente. 333. Sean X1 , . . . , Xn independientes con distribuci on geo(p). Demuestre que la variable X1 + + Xn tiene distribuci on bin neg(n, p). 334. Sean X y Y independientes. Encuentre la funci on de distribuci on de Z en t erminos de FX (x) y FY (y ) cuando a) Z = m ax{X, Y }. b) Z = m n{X, Y }.
335. Sean X y Y independientes ambas con distribuci on exp(), y sea a una constante. Calcule P (m ax{X, Y } aX ) y P (m n{X, Y } aX ). 336. Sean X y Y independientes con distribuci on exp(1 ) y exp(2 ) respectivamente. Demuestre que P (Y > X ) = 1 /(1 + 2 ).
201
337. Sean X y Y independientes e id enticamente distribuidas. Demuestre que P (Y > X ) = 1/2. 338. Sean X y Y variables independientes con distribuci on exponencial con par ametros 1 y 2 respectivamente. Demuestre que m n{X, Y } tiene distribuci on exponencial con par ametro 1 + 2 , y que P (X1 = m n{X1 , X2 }) = 1 /(1 + 2 ). Este resultado puede extenderse al caso de n variables independientes exponenciales. 339. Usando la siguiente tabla, construya una funci on de densidad f (x, y ) de un vector discreto (X, Y ), distinta de la densidad uniforme, con la condici on de que X y Y sean independientes. x\y 0 1 0 1
340. Sea (X, Y ) un vector discreto con distribuci on de probabilidad uniforme en el conjunto {1, . . . , n}{1, . . . , m}, con n y m enteros positivos. Demuestre que X y Y son independientes. 341. Sea (X, Y ) un vector con funci on de densidad f (x, y ) = c (1 x), para 0 < x < y < 1. a ) Encuentre el valor de c que hace a f (x, y ) una funci on de densidad y graque esta funci on. b ) Calcule P (X + Y > 1) y P (X 1/2). c ) Encuentre las funciones de densidad marginales fX (x) y fY (y ).
d ) Determine si X y Y son independientes. 342. Sea (X, Y ) un vector aleatorio con funci on de densidad f (x, y ) = c/2x+y , para x = 0, 1, 2, y y = 1, 2. Encuentre el valor de la constante c y determine si X y Y son independientes. Calcule adem as las probabilidades P (X = 1), P (X = 2 | Y = 2) y P (XY = 2). 343. Sea (X, Y ) un vector aleatorio con funci on de densidad f (x, y ) = 2, para 0 < x < y < 1.
202
3.13. Ejercicios a ) Graque y demuestre que f (x, y ) es una funci on de densidad. b ) Encuentre las funciones de densidad marginales fX (x) y fY (y ). c ) Determine si X y Y son independientes. d ) Calcule P (Y > X ) y P (Y > X 2 ).
344. Sea (X, Y ) un vector con funci on de densidad f (x, y ) = c |x + y |, para 1 < x, y < 1. a ) Encuentre el valor de la constante c que hace a f (x, y ) una funci on de densidad y graque esta funci on. b ) Calcule P (X > 0), P (XY > 0) y P (0 < X + Y < 1). c ) Encuentre las funciones de densidad marginales fX (x) y fY (y ). d ) Determine si X y Y son independientes. 345. Sean X y Y independientes con distribuci on bin(n, p) y bin(m, p), respectivamente. Demuestre que X +Y tiene distribuci on bin(n+m, p). 346. Sean X y Y independientes con distribuci on Poisson con par ametros 1 y 2 respectivamente. Demuestre que X + Y tiene distribuci on Poisson(1 + 2 ). 347. Sea (X, Y, Z ) un vector aleatorio con funci on de densidad f (x, y, z ) = 8xyz , para 0 < x, y, z < 1. a ) Compruebe que f (x, y, z ) es una funci on de densidad. b ) Calcule P (X < Y < Z ) y P (X + Y + Z < 1). c ) Encuentre fX,Y (x, y ), fX,Z (x, z ) y fY,Z (y, z ). d ) Determine si X , Y y Z son independientes. 348. Sea (X, Y, Z ) un vector aleatorio con funci on de densidad f (x, y, z ) = 24x, para 0 < x < y < z < 1. a ) Compruebe que f (x, y, z ) es una funci on de densidad. b ) Calcule P (X + Y < 1) y P (Z X > 1/2).
Cap tulo 3. Vectores aleatorios c ) Encuentre fX,Y (x, y ), fX,Z (x, z ) y fY,Z (y, z ). d ) Determine si X , Y y Z son independientes.
203
349. Sea X1 , X2 , . . . una sucesi on de variables aleatorias independientes cada una con distribuci on unif(0, 1). Demuestre que para cualquier > 0, ax{X1 , . . . , Xn } 1 /n) = e . l m P (m
n
350. Sean X y Y independientes con distribuci on Poisson de par ametros 1 y 2 respectivamente. Demuestre que E (X | X + Y = n) = n 1 . 1 + 2
351. Encuentre una distribuci on conjunta de dos variables aleatorias X y Y que no sean independientes y que Y tenga distribuci on marginal Ber(p).
Esperanza de una funci on de un vector aleatorio

352. Demuestre que la condici on E (XY ) = E (X )E (Y ) no implica necesariamente que X y Y son independientes. Para ello considere cualquiera de los siguientes ejemplos. 1/8 si (x, y ) = (1, 1), (1, 1), (1, 1), (1, 1), a ) f (x, y ) = 1/2 si (x, y ) = (0, 0), 0 otro caso. b ) f (x, y ) = 3(x2 + y 2 )/8, para x, y [1, 1]. c ) X con distribuci on uniforme en {1, 0, 1} y Y = 1(X =0) . 353. Demuestre que si las variables X1 , . . . , Xn son independientes e integrables, entonces E (X1 Xn ) = E (X1 ) E (Xn ). 354. Sean X y Y independientes. Diga falso o verdadero justicando en cada caso.
204
3.13. Ejercicios a ) Var(X + Y ) = Var(X ) + Var(Y ). b ) Var(X Y ) = Var(X ) Var(Y ). c ) Var(XY ) = Var(X )Var(Y ).
355. Sean X y Y variables aleatorias independientes con varianza nita. Demuestre que Var(XY ) = Var(X ) Var(Y ) + E 2 (X ) Var(Y ) + E 2 (Y ) Var(X ). 356. Sean X1 , . . . , Xn independientes con id entica distribuci on y con esperanza nita. Demuestre que si x es tal que fX1 ++Xn (x) = 0, entonces E (X1 | X1 + + Xn = x) = x . n
357. Sea (X, Y ) un vector aleatorio discreto con funci on de densidad f (x, y ) dada por la siguiente tabla. x\y 1 2 3 -1 .1 .06 .1 0 .05 .2 .05 1 .1 .04 .3
a ) Graque f (x, y ) y compruebe que efectivamente se trata de una funci on de densidad conjunta. b ) Calcule y graque las densidades marginales fX (x) y fY (y ). Verique que ambas funciones son efectivamente de densidad. c ) Demuestre que X y Y no son independientes. d ) Calcule E (XY ) y fX +Y (u). 358. Sea (X, Y ) un vector discreto con siguiente tabla. x\y 2 1 2/18 2 3/18 3 1/18 funci on de densidad dada por la 4 3/18 5/18 1/18 6 1/18 1/18 1/18
205
a ) Graque f (x, y ) y compruebe que efectivamente es una funci on de densidad conjunta. b ) Calcule y graque las densidades marginales fX (x) y fY (y ). Verique que ambas son efectivamente funciones de densidad. c ) Demuestre que X y Y no son independientes. d ) Calcule E (XY ) y fX +Y (u). 359. Sea (X, Y ) un vector aleatorio con funci on de densidad dada por f (x, y ) = 8xy si 0 < y < x < 1, 0 otro caso.
a ) Graque f (x, y ) y compruebe que efectivamente es una funci on de densidad conjunta. b ) Encuentre y graque las densidades marginales fX (x) y fY (y ). Verique que ambas son efectivamente funciones de densidad. c ) Demuestre que X y Y no son independientes. d ) Calcule E (XY ) y fX +Y (u).
Esperanza y varianza de un vector

360. Calcule la esperanza y varianza del vector aleatorio (X, Y ) cuya funci on de densidad conjunta es a ) f (x, y ) = 1 , para 0 < x < a, 0 < y < b. ab b ) f (x, y ) = 4xy, para x, y [0, 1].
Covarianza
361. Sea a cualquier n umero real jo. Encuentre variables aleatorias X y Y tales que Cov(X, Y ) = a,
206
3.13. Ejercicios
362. Diga falso o verdadero. Demuestre en cada caso. a ) X 0, Y 0 Cov(X, Y ) 0.
d ) Cov(X, Y ) = a, Cov(Y, Z ) = a Cov(X, Z ) = a. 363. Diga falso o verdadero. Demuestre en cada caso. a ) Cov(X, Y ) 0.
c ) Cov(X, Y ) > 0, Cov(Y, Z ) > 0 Cov(X, Z ) > 0.
b ) Cov(X, Y ) = 0, Cov(Y, Z ) = 0 Cov(X, Z ) = 0.
b ) Cov(aX, bY ) = ab Cov(X, Y ), con a, b constantes. c ) Cov(X, aY + b) = a Cov(X, Y ) + b, con a, b constantes.
364. Demuestre que a ) Cov(X, Y ) = E (XY ) E (X )E (Y ). b ) Cov(X, Y ) = Cov(Y, X ). c ) Cov(X, X ) = Var(X ). d ) Cov(X, X ) = Var(X ). e ) Cov(aX + b, Y ) = a Cov(X, Y ), con a, b constantes. f ) Cov(X1 + X2 , Y ) = Cov(X1 , Y ) + Cov(X2 , Y ). 365. Demuestre que la condici on Cov(X, Y ) = 0 no es suciente para concluir que X y Y son independientes. En el texto se proporciona un ejemplo para un vector discreto, construya ahora un ejemplo para un vector continuo. 366. Demuestre que Var(X Y ) = Var(X ) + Var(Y ) 2 Cov(X, Y ). 367. Demuestre que
n
a ) Var(X1 + + Xn ) =
Var(Xk ) + 2
k =1 j<k
Cov(Xj , Xk ).

n m n m
207
b ) Cov(
i=1
ai Xi ,
j =1
bj Yj ) =
i=1 j =1
ai bj Cov(Xi , Yj ).
368. Sean X1 , . . . , Xn independientes y con varianza nita. Demuestre que

n
Var(X1 + + Xn ) =
Var(Xk ).
k =1
entica distribuci on. Dena 369. Sean X1 , . . . , Xn independientes y con id = (X1 + + Xn )/n. Demuestre que para cada k = 1, . . . , n, X X ) = 0. Cov(Xk X, 370. Sea (X, Y ) con distribuci on uniforme en el conjunto {1, . . . , n}{1, . . . , n}. Demuestre que Cov(X, Y ) = 0. 371. Sea (X, Y ) con distribuci on uniforme en el conjunto (a, b) (c, d). Demuestre que Cov(X, Y ) = 0. 372. Calcule la covarianza de X y Y cuya funci on de densidad conjunta est a dada por la siguiente tabla. x\y -1 1 -1 1/12 3/12 0 2/12 2/12 1 3/12 1/12
373. Calcule la covarianza de X y Y cuya funci on de densidad conjunta est a dada por la siguiente tabla. x\y 2 4 6 1 .2 .05 .05 2 .05 .1 .1 3 .15 .15 .15
374. Calcule la covarianza de X y Y , cuya funci on de densidad conjunta es a ) f (x, y ) = 1 , para 0 < x < a, 0 < y < b. ab
208
3.13. Ejercicios b ) f (x, y ) = 3x2 y, para 1 < x < 1, 0 < y < 1. d ) f (x, y ) = exy , para x, y > 0. c ) f (x, y ) = ex /2, para |y | < x.
2 , , 2 , ). 375. Sea (X, Y ) un vector con distribuci on normal N(X , X Y Y Demuestre que Cov(X, Y ) = X Y .
Coeciente de correlaci on
376. Demuestre nuevamente que 1 (X, Y ) 1, ahora a partir de la desigualdad de Cauchy-Schwarz. 377. Diga falso o verdadero. Demuestre en cada caso. a ) (X, Y ) = 0, (Y, Z ) = 0 (X, Z ) = 0. b ) (X, Y ) > 0, (Y, Z ) > 0 (X, Z ) > 0. c ) (X, Y ) < 0, (Y, Z ) < 0 (X, Z ) < 0.
d ) (X, Y ) = 1, (Y, Z ) = 1 (X, Z ) = 1. f ) (X, Y )(Y, Z ) = 1 (X, Z ) = 1.
e ) (X, Y ) = 1, (Y, Z ) = 1 (X, Z ) = 1.
g ) (X, Y ) = a, (Y, Z ) = a (X, Z ) = a. 378. Diga falso verdadero. Demuestre en cada caso. a ) (X, Y ) = (Y, X ). b ) (X + a, Y ) = (X, Y ), a constante. c ) (aX + b, Y ) = a (X, Y ) + b, a, b constantes. 379. Sea a un n umero cualquiera en [1, 1]. Encuentre variables aleatorias X y Y tales que (X, Y ) = a. 380. Sean X y Y independientes con distribuci on Ber(p) con p = 1/2. Demuestre que el coeciente de correlaci on entre X + Y y |X Y | es cero, y sin embargo estas variables aleatorias no son independientes.
209
381. Sea X con distribuci on normal est andar. Demuestre que el coeciente de correlaci on entre X y X 2 es cero, y sin embargo estas variables no son independientes. Este resultado puede extenderse al caso en el que la distribuci on de X cumple la condici on E (X ) = E (X 3 ) = 0. 382. Sea X una variable aleatoria y sean a y b constantes. Demuestre que a ) (X, X ) = 1. b ) (X, X ) = 1. c ) (X, aX + b) = signo(a). 383. Demuestre que (aX + b, cY + d) = ac = 0. Recuerde que +1 signo(x) = 1 0 signo(ac) (X, Y ), en donde si x > 0, si x < 0, si x = 0.
384. Calcule el coeciente de correlaci on de X y Y cuya funci on de densidad conjunta est a dada por la siguiente tabla. x\y 0 1 1 1/8 1/2 2 1/4 1/8
385. Calcule el coeciente de correlaci on de X y Y cuya funci on de densidad conjunta est a dada por la siguiente tabla. x\y 2 4 6 1 1/9 1/9 1/9 2 1/9 1/9 1/9 3 1/9 1/9 1/9
386. Calcule el coeciente de correlaci on de X y Y con distribuci on conjunta uniforme en el conjunto
210
3.13. Ejercicios a ) {1, . . . , n} {1, . . . , n}. b ) [1, 1] [1, 1].
387. Sea X con distribuci on bin(n, p) y sea Y = n X . Demuestre que Cov(X, Y ) = np(1 p), y por lo tanto (X, Y ) = 1. 388. Calcule el coeciente de correlaci on de X y Y cuya funci on de densidad conjunta es a ) f (x, y ) = b ) f (x, y ) = c ) f (x, y ) =
1 2 sen(x ex /2,
+ y ), para x, y [0, /2]. para |y | < x. para x, y > 0.
exy ,
2 , , 2 , ). 389. Sea (X, Y ) un vector con distribuci on normal N(X , X Y Y Demuestre que (X, Y ) = .
Distribuci on multinomial
390. Demuestre que la funci on de densidad de la distribuci on multinomial efectivamente lo es. 391. Sea (X1 , . . . , Xk1 ) un vector con distribuci on multinomial de par ametros (n, p1 , . . . , pk1 ). Demuestre que cada coordenada Xi tiene distribuci on marginal bin(n, pi ), para i = 1, . . . , k 1. 392. Sea X = (X1 , . . . , Xk1 ) un vector con distribuci on multinomial de par ametros (n, p1 , . . . , pk1 ). Demuestre que E (X ) = (np1 , . . . , npk1 ) y que npi (1 pi ) si i = j, [Var(X )]ij = npi pj si i = j. Observe que en el caso i = j , el signo negativo en la covarianza indica que cuando una variable crece la otra decrece.
211
Distribuci on hipergeom etrica multivariada

393. Demuestre que la funci on de densidad de la distribuci on hipergeom etrica multivariada efectivamente lo es. 394. Sea (X1 , . . . , Xk ) un vector con distribuci on hipergeom etrica multivariada con par ametros (N, N1 , . . . , Nk , n). Demuestre que cada coordenada Xi tiene distribuci on hipergeom etrica univariada con par ametros (N, Ni , n), para i = 1, . . . , k. 395. Sea X = (X1 , . . . , Xk ) con distribuci on hipergeom etrica multivariada con par ametros (N, N1 , . . . , Nk , n). Demuestre que E (X ) = (nN1 /N, . . . , nNk /N ), y que Ni N Ni N n si i = j, n N N N 1 [Var(X )]ij = n Ni Nj n N si i = j. N N N 1
Distribuci on normal bivariada
396. Demuestre que la funci on de densidad de la distribuci on normal bivariada efectivamente lo es.
2 , , 2 , ). De397. Sea (X, Y ) un vector con distribuci on normal N(1 , 1 2 2 2 muestre que X tiene distribuci on marginal N(1 , 1 ), y Y tiene distri2 ). V buci on marginal N(2 , 2 ease el siguiente ejercicio para vericar que el rec proco de este resultado es falso.
398. Sea f (x, y ) la funci on de densidad normal bivariada est andar con = 0. Dena 2f (x, y ) si xy < 0, g(x, y ) = 0 si xy 0. Demuestre que g(x, y ) es una funci on de densidad bivariada que no es normal pero cuyas densidades marginales son normales est andar.
212
3.13. Ejercicios
2 , , 2 , ). De399. Sea (X, Y ) un vector con distribuci on normal (X , X Y Y muestre que E (X ) = (X , Y ), y
Var(X, Y ) =
2 X X Y
X Y 2 Y
2 , , 2 , ). De400. Sea (X, Y ) un vector con distribuci on normal N(1 , 1 2 2 muestre que la distribuci on condicional de Y dado que X = x es 2 (1 2 ), y que la normal con media 2 + (x 1 )2 /1 y varianza 2 distribuci on condicional de X dado que Y = y es normal con media 2 (1 2 ). 1 + (y 2 )1 /2 y varianza 1
401. Demuestre que a trav es del cambio de variable (u, v ) = ((xX )/X , (y on de densidad normal bivariada se puede escribir Y )/Y ), la funci como sigue f (u, v ) = 1 2 1 2 exp ( 1 1 (u v )2 v 2 ). 2 2(1 ) 2
Sea c > 0 y dena k = 1/(2c 1 2 ). Demuestre ahora que las l neas de contorno f (u, v ) = c son las elipses (u v )2 v2 + = 1. 2 ln k2(1 ) ln k2 Cuando = 0 las elipses se reducen al c rculo u2 + v 2 = ln k2 .
Cap tulo 4
Esperanza condicional
En este cap tulo se presenta una breve introducci on al concepto de esperanza condicional de una variable aleatoria respecto de una - algebra, y se estudian algunas de sus propiedades elementales. Consideraremos que se cuenta con un espacio de probabilidad base (, F , P ), y que G es una sub - algebra de F . Hemos denido antes la esperanza de una variable aleatoria X como la integral de Riemann-Stieltjes E (X ) =

x dFX (x),
sin embargo, para hacer la notaci on m as simple en este cap tulo, es conveniente en algunas ocasiones adoptar la notaci on de la teor a de la medida y denotar la esperanza de una variable aleatoria X mediante la siguiente integral E (X ) =
X dP.
Esto corresponde a la integral de Lebesgue de la funci on medible X respecto de la medida de probabilidad P . Recordemos que si se conoce la distribuci on de un vector (X, Y ) y se toma un valor y tal que fY (y ) = 0, la esperanza condicional de X dado Y = y es
213
214
la funci on
4.1. Esperanza condicional
y E (X | Y = y ) =
x dFX |Y (x|y ),
cuando fY (y ) = 0. De manera an aloga, si A es un evento con probabilidad positiva y X es una variable aleatoria integrable, la esperanza condicional de X dado A es el n umero E (X | A) =

x dFX |A (x),
en donde FX |A (x) = P (X x | A) = P (X x, A)/P (A). La esperanza condicional que deniremos en este cap tulo generaliza estos conceptos.
4.1.
He aqui la denici on general. Es importante hacer enfasis que la esperanza condicional, a pesar de su nombre, no es un n umero, aunque puede serlo, sino una variable aleatoria. n. (Esperanza condicional). Sea X una variable aleatoria Definicio con esperanza nita, y sea G una sub- - algebra de F . La esperanza condicional de X dado G , es una variable aleatoria denotada por E (X | G ), que cumple las siguientes tres propiedades. a) Es G -medible. b) Tiene esperanza nita. c) Para cualquier evento G en G , E ( X | G ) dP = X dP.
G
(4.1)
Cap tulo 4. Esperanza condicional
215
Parte de la dicultad para entender esta denici on general es que no se proporciona una f ormula expl cita para esta variable aleatoria sino u nicamente las propiedades que cumple. El objetivo de este cap tulo es encontrar el signicado de esta variable aleatoria, interpretar su signicado y explicar su relaci on con el concepto de esperanza condicional elemental, E (X | Y = y ), mencionado antes. Haremos lo anterior principalmente en el caso cuando la - algebra G es generada por una variable aleatoria discreta. Usando el teorema de Radon-Nikodym (v ease por ejemplo [5]), puede demostrarse que esta variable aleatoria existe y es u nica casi seguramente, esto signica que si existe otra variable aleatoria que cumple las tres propiedades de la denici on anterior, entonces con probabilidad uno coincide con E (X | G ). En lo sucesivo cuando se establezca que esta variable aleatoria es igual a alguna otra variable, la igualdad debe entonces entenderse en el sentido casi seguro, es decir, que la igualdad se verica con probabilidad uno. n. Notacio a) Cuando la - algebra G es igual a (Y ), para alguna variable aleatoria Y , la esperanza condicional se escribe simplemente como E (X | Y ), en lugar de E (X | (Y )). b) Si A es un evento, entonces la esperanza condicional E (1A | G ) se denota por P (A | G ). En la siguiente secci on estudiaremos con m as detalle la variable E (X | Y ) cuando Y es una variable aleatoria discreta.
216
4.2. Esperanza condicional: caso discreto
4.2.
Esperanza condicional: caso discreto
Sean X y Y dos variables aleatorias. Suponga que X tiene esperanza nita y que Y es discreta con posibles valores y1 , y2 , . . . La esperanza condicional de X dado el evento (Y = yj ) es el n umero E (X | Y = yj ). Este valor depende naturalmente del evento (Y = yj ), y podemos considerar que es una funci on on denida sobre el de los posibles valores yj , o bien que tenemos una funci espacio muestral de la siguiente forma: Si es tal que Y ( ) = yj , entonces E (X | Y )( ) = E (X | Y = yj ). Observe que E (X | Y ) toma a lo sumo tantos valores distintos como lo hace la variable Y . Globalmente se puede escribir esta funci on en t erminos de funciones indicadoras como sigue E (X | Y )( ) =
j =1
E (X | Y = yj ) 1(Y =yj ) ( ).
De este modo se construye la funci on E (X | Y ) : R, que resulta ser una variable aleatoria, y corresponde a un caso particular de la denici on general enunciada antes. Demostraremos esto a continuaci on.
217
n. (Esperanza condicional, caso discreto). Sea X Proposicio una variable aleatoria integrable, y sea Y discreta con valores y1 , y2 , . . . La funci on E (X | Y ) : R dada por E (X | Y )( ) = E (X | Y = yj ) si Y ( ) = yj , es una variable aleatoria que cumple las siguientes propiedades. a) Es (Y )-medible. b) Tiene esperanza nita. c) Para cualquier evento G en (Y ), E ( X | Y ) dP = X dP.
G
(4.2)
Demostraci on. a) A trav es de sus posibles valores la variable aleatoria Y secciona el espacio muestral en eventos disjuntos, a saber, (Y = y1 ), (Y = y2 ), . . . La m nima - algebra respecto de la cual la funci on Y es variable aleatoria es (Y ) = {(Y = y1 ), (Y = y2 ) . . .} F . Como E (X | Y ) es constante en cada elemento de la partici on, resulta que esta funci on es (Y )-medible, y en consecuencia es verdaderamente una variable aleatoria. b) Tomando el evento G como en la tercera propiedad se obtiene que tanto X como E (X | Y ) tienen la misma esperanza. c) Como cada elemento de (Y ) es una uni on ajena de elementos de la forma (Y = yj ), por propiedades de la integral es suciente demos-
218
4.2. Esperanza condicional: caso discreto trar (4.2) para estos eventos simples. Tenemos entonces que
(Y =yj )
E (X | Y )( ) dP ( ) = E (X | Y = yj ) P (Y = yj ) =
X ( ) dP ( | Y = yj ) P (Y = yj ) X ( ) dP (, Y = yj )
=
(Y =yj )
X ( ) dP ( ).
Observe la diferencia entre E (X | Y = yj ) y E (X | Y ). El primer t ermino es un posible valor num erico del segundo t ermino que es una variable aleatoria, sin embargo a ambas expresiones se les llama esperanza condicional. Veremos a continuaci on un caso particular de esta variable aleatoria. Demostraremos que la esperanza condicional puede verse como una generalizaci on del concepto b asico de probabilidad condicional, y tambi en puede considerarse como una generalizaci on del concepto de esperanza. n. Sea X con esperanza nita, y sean A y B eventos tales Proposicio que 0 < P (B ) < 1. Entonces 1. E ( X | {, } ) = E (X ). 2. E ( 1A | {, } ) = P (A). 3. E ( 1A | {, B, B c , } ) = P (A | B ) 1B + P (A | B c ) 1B c .
Demostraci on. 1. Esta igualdad se sigue del hecho que la variable E (X | G ) es medible respecto de G , y de que cualquier funci on medible respecto de la
219
- algebra {, } es constante. La tercera condici on en la denici on general de esperanza condicional implica que esta constante debe ser E (X ). 2. Esta igualdad es evidentemente un caso particular de la primera. 3. Observe que toda funci on medible respecto de la - algebra G dada por {, B, B c , } es constante tanto en B como en B c . Adem as,
B
E ( 1A | G ) dP =
1A dP = P (A B ).
Como la variable aleatoria E ( 1A | G ) es constante en B , el lado izquierdo es igual a E ( 1A | G )( ) P (B ), para cualquier en B . De donde se alisis obtiene E ( 1A | G )( ) = P (A | B ), para cualquier en B . El an es an alogo al considerar el evento B c , y de esto se obtiene la f ormula enunciada.
Observe en particular que la tercera propiedad dice que si la - algebra G es generada por la partici on elemental {B, B c }, entonces la esperanza condicional de 1A es una variable aleatoria que toma dos valores: P (A | B ) sobre B , y P (A | B c ) sobre B c . El siguiente ejercicio es una generalizaci on de este resultado. Ejercicio. Sea B1 , . . . , Bn una partici on de tal que cada uno de estos elementos tiene probabilidad estrictamente positiva. Demuestre que para cualquier evento A,
n
E (1A | {B1 , . . . , Bn }) =
i=1
P (A | Bi ) 1Bi .
Ejercicio. Encuentre una distribuci on conjunta de dos variables aleatorias
220
4.2. Esperanza condicional: caso discreto
X y Y de tal forma que E (X | Y ) tenga distribuci on Ber(p). La variable E (X | G ) puede interpretarse como la esperanza condicional de X dada la informaci on de la - algebra G . Ilustraremos esto en el siguiente ejemplo. Ejemplo. Considere el experimento aleatorio de lanzar un dado equilibrado e intentar adivinar el resultado que se obtiene. Suponga, por ejemplo, que se apuesta a que se obtiene el n umero 2. Dena los eventos A = {2}, B = {2, 4, 6} y la colecci on G = {, , B, B c }. Esta - algebra puede distinguir los resultados Cae n umero par, evento B , y Cae n umero impar, evento B c . Entonces E (1A | G ) = P (A | B ) 1B ( ) + P (A | B c ) 1B c ( ) 1 = 1B ( ) + 0 1B c ( ) 3 1 si B, 3 = 0 si B c .
De esta forma E (1A | G ) es una funci on que reporta las probabilidades de ganar apostando por el n umero 2 en cada una de las dos situaciones que la - algebra G distingue: resultado par o impar. Si se toma, en cambio, G = 2 con = {1, 2, 3, 4, 5, 6}, es decir, la - algebra distingue totalmente el resultado del lanzamiento del dado, entonces deniendo los eventos Bi = {i}, para i = 1, . . . , 6, tenemos
6
E (1A | G ) =
i=1
P (A | Bi ) 1Bi = P (A | A) 1A = 1A .
Es decir, no hay sorpresas, cuando se sabe con precisi on el resultado del experimento, conocemos obviamente la probabilidad de ganar apostando por el numero 2, esta es cero o uno.
221
4.3.
Algunas propiedades
Veremos ahora algunas propiedades generales de la esperanza condicional, otras propiedades se encuentran en la secci on de ejercicios. Recordemos que las identidades o desigualdades que se establezcan para la esperanza condicional son v alidas en el sentido casi seguro, es decir, con probabilidad uno se cumplen las armaciones. En un ap endice al nal del texto se encuentra una lista m as completa de propiedades de esta variable aleatoria. n. Sean X y Y variables aleatorias con esperanza nita y Proposicio sea c una constante. Entonces 1. Si X 0, entonces E (X | G ) 0. 2. E (c X + Y | G ) = c E (X | G ) + E (Y | G ). 3. Si X Y , entonces E (X | G ) E (Y | G ). 4. E (E (X | G )) = E (X ). 5. Si X es G -medible, entonces E (X | G ) = X c.s. En particular, E (c | G ) = c. 6. Si G1 G2 , entonces E (E (X | G1 ) | G2 ) = E (E (X | G2 ) | G1 ) = E (X | G1 ).
Demostraci on. 1. Por contradicci on, suponga que existe G en G con probabilidad estrictamente positiva tal que E (X | G ) 1G < 0. Entonces tomando esperanzas se obtiene E (X 1G ) < 0. Por otro lado, como X 0, E (X 1G ) 0.
222
4.3. Algunas propiedades
2. Esta igualdad es consecuencia de la linealidad de la esperanza no condicional, junto con (4.1) y la propiedad de unicidad. 3. Esto consecuencia de la primera propiedad y la linealidad aplicadas a la variable Y X 0. 4. Esta propiedad se obtiene tomando G = en la igualdad (4.1). 5. Si X es G -medible, entonces X mismo cumple con las tres propiedades de la denici on de esperanza condicional, por la unicidad se obtiene la igualdad casi segura. 6. Para todo G G1 G2 ,
G
E (E (X | G1 ) | G2 ) dP =
E (X | G1 ) dP =
X dP.
G
An alogamente, E (E (X | G2 ) | G1 ) dP = E (X | G2 ) dP = X dP.
G
En particular observe que la segunda propiedad dice que la esperanza condicional es lineal, mientras que la cuarta propiedad establece que las variables aleatorias X y E (X | G ) tienen la misma esperanza, o en t erminos de informaci on, la - algebra trivial {, } realmente no proporciona ninguna informaci on adicional del experimento aleatorio y por lo tanto la esperanza se calcula directamente sobre la variable aleatoria. Ejercicio. Demuestre las siguientes desigualdades: a) | E (X | G ) | E ( |X | | G ). b) E |E (X | G )| E ( |X | ).
Ejercicio. Sean X y Y independientes cada una con distribuci on Ber(p). Encuentre E (X | X + Y ). Una introducci on a la esperanza condicional ligeramente m as completa a la
223
presentada en esta secci on, aunque tambi en sencilla y breve, puede encontrarse en [24]. Un tratamiento m as completo y riguroso puede consultarse por ejemplo en [18] o [31].
4.4.
Varianza condicional
Usando la esperanza condicional se puede obtener la varianza condicional de una variable aleatoria respecto de una - algebra de la siguiente forma. n. (Varianza condicional). Sea X con segundo momento Definicio nito, y sea G una sub- - algebra de F . La varianza condicional de X dado G , denotada por Var(X | G ), se dene como la variable aleatoria Var(X | G ) = E [ (X E (X |G ))2 | G ].
Nuevamente hacemos enfasis en que la varianza condicional no es necesariamente un n umero sino una variable aleatoria en general, G -medible por denici on, y como en el caso no condicional, es no negativa. Despu es de un c alculo sencillo se puede comprobar que se reconstruye la varianza no condicional en el siguiente caso particular: Var(X | {, }) = Var(X ). Demostraremos a continuaci on algunas propiedades elementales de esta variable aleatoria. Otras propiedades se encuentran en la secci on de ejercicios.
224
4.4. Varianza condicional
n. Sean X y Y con varianza nita, y sea c una constante. Proposicio Entonces 1. Var(X | G ) 0. 2. Var(c | G ) = 0. 3. Var(c X | G ) = c2 Var(X | G ). 4. Var(X + c | G ) = Var(X | G ). 5. En general, Var(X + Y | G ) = Var(X | G ) + Var(Y | G ). 6. Var(X | G ) = E (X 2 | G ) E 2 (X | G ). 7. Var(X ) = E [Var(X | G )] + Var[E (X | G )].
Demostraci on. 1. 4. Estas propiedades son una consecuencia inmediata de las propiedades ya demostradas de la esperanza condicional. 5. Nuevamente es suciente tomar Y = X para vericar la no igualdad. 6. Esta igualdad se obtiene a partir de la denici on al desarrollar el cuadrado y utilizar las propiedades de linealidad de la esperanza condicional. 7. Tomando esperanza en la igualdad previa se obtiene E [Var(X | G )] = E (X 2 ) E [E 2 (X | G )]. Por otro lado, Var[E (X | G )] = E [E 2 (X | G )] E 2 [E (X | G )] = E [E 2 (X | G )] E 2 (X ). Sumando estas u ltimas dos expresiones se obtiene el resultado.
225
Nuevamente cuando la sub- - algebra G es (Y ), para alguna variable aleatoria Y , entonces Var(X | G ) se escribe Var(X | Y ), y puede tomarse como denici on cualquiera de las siguientes expresiones: Var(X | Y ) = E ( (X E (X | Y ))2 | Y ) E (X 2 | Y ) E 2 (X | Y ).
Ejercicio. Demuestre que la esperanza de la variable Var(X | G ) es: a) E (X 2 ) E (E 2 (X | G )). b) E (X E (X | G ))2 .
226
4.5. Ejercicios
4.5.
Ejercicios
402. Demuestre que si c es una constante, entonces E (c | G ) = c, para cualquier sub- - algebra G . 403. Sea A un evento. Demuestre que E (1A | {, }) = P (A). 404. Sea X integrable y sea Y constante. Demuestre que E (X | Y ) = E (X ). 405. Sea X una variable aleatoria con esperanza nita. Demuestre que E (X | {, }) = E (X ). 406. Sean A y B dos eventos tales que 0 < P (B ) < 1. Demuestre que E (1A | 1B )( ) = P (A | B ) si B, P (A | B c ) si / B.
407. Sea X con esperanza nita y sea B un evento tal que 0 < P (B ) < 1. Demuestre que E (X | {, B, B c , }) = E (X | B ) 1B + E (X | B c ) 1B c . 408. Encuentre E (X | Y ) cuando X y Y se distribuyen de manera conjunta de acuerdo a la siguiente tabla. x\y 1 2 -1 2/12 3/12 0 2/12 2/12 1 2/12 1/12
409. Encuentre una distribuci on conjunta de dos variables aleatorias X y Y de tal forma que E (X | Y ) tenga distribuci on unif{1, 1}. 410. Se ha demostrado que si X 0 es integrable, entonces E (X | G ) 0. Demuestre que el rec proco es en general falso. 411. Sea c una constante. Diga falso o verdadero. Demuestre o proporcione un contraejemplo.
Cap tulo 4. Esperanza condicional a) E (X | X ) = X . b) E (X 2 | X ) = X 2 . c) E (X | X 2 ) = X . d) E (X | cX ) = X . e) E (X | X + c) = X .
227
f) E (X | X + Y ) = X .
412. Demuestre que E (E 2 (X | G )) = E (X E (X | G )). 413. Sea B1 , . . . , Bn una partici on nita de en donde cada elemento tiene probabilidad positiva, y sean b1 , . . . , bn constantes cualesquiera. Dena la variable aleatoria discreta
n
Y =
i=1
bi 1Bi .
Sea X con segundo momento nito. Demuestre que la distancia entre X y Y denida por d(X, Y ) = [E (X Y )2 ]1/2 es m nima cuando bi = E (X | Bi ), es decir, cuando la variable Y es la esperanza condicional E (X | Y ). Sugerencia: observe que E (X Y )2 = n i=1 E [(X 2 bi ) | Bi )P (Bi ), y la suma es m nima si, y s olo si, cada sumando lo es. 414. Desigualdad de Cauchy-Schwarz condicional. Sean X y Y con segundo momento nito. Demuestre que E 2 (XY | G ) E (X 2 | G ) E (Y 2 | G ). Sugerencia: proceda como en la desigualdad de Cauchy-Schwarz en el caso no condicional, vea el ejercicio 191. 415. Desigualdad de Markov condicional. Sea X 0 integrable. Demuestre que para cualquier constante > 0, P (X | G ) 1 E (X | G ).
Sugerencia: Vea la demostraci on de la desigualdad de Markov no condicional en la p agina 347. 416. Sean X1 , X2 . . . independientes id enticamente distribuidas y con esperanza nita. Dena Sn = X1 + +Xn . Demuestre que para 1 k n,
228
a ) E (Xk | Sn ) = Sn /n.
4.5. Ejercicios
d ) E (Sk | {Sn , Sn+1 , . . .}) = k Sn /n.
c ) E (Xk | {Sn , Sn+1 , . . .}) = Sn /n.
b ) E (Sk | Sn ) = k Sn /n.
Varianza condicional
417. Demuestre que a ) Var(X | {, }) = Var(X ).
b ) Var(1A | {, }) = P (A)(1 P (A)).
418. Encuentre Var(X | Y ) cuando X y Y se distribuyen de manera conjunta de acuerdo a la siguiente tabla. x\y 1 2 -1 2/12 3/12 0 2/12 2/12 1 2/12 1/12
419. Demuestre que E ( Var(X | G ) | G ) = Var(X | G ). 420. Demuestre que Var(X ) Var(X | G ). 421. Demuestre que E (X 2 | G ) E 2 (X | G ). 422. Demuestre que a ) si X es G -medible, entonces Var(X | G ) = 0. b ) Var( Var(X | G ) | G ) = 0. c ) si X es G -medible, entonces Var(Var(X | G )) = 0.
Cap tulo 5
Transformaciones
Sea X una variable aleatoria con distribuci on conocida, y sea es una funci on tal que Y = (X ) es otra variable aleatoria. Cu al es la distribuci on de Y ? En este cap tulo se da respuesta a esta pregunta tanto en el caso unidimensional como en el caso de vectores aleatorios. En particular, se encuentran f ormulas expl citas para la funci on de densidad de la suma, diferencia, producto y cociente de dos variables aleatorias absolutamente continuas.
5.1.
Transformaci on de una variable aleatoria
En esta secci on se estudian un par de resultados que proveen de f ormulas para la funci on de densidad de la variable (X ), en t erminos de la funci on de densidad de X . Gr acamente tal transformaci on se muestra en la Figura 5.1.
229
230
n de una variable aleatoria 5.1. Transformacio
X ( ) R Y = (X )
(X ( )) R
Figura 5.1: La composici on Y = X . Teorema de cambio de variable 1. Sea X una variable aleatoria continua con valores dentro de un intervalo (a, b) R, y con funci on de densidad fX (x). Sea : (a, b) R una funci on continua, estrictamente creciente o decreciente, y con inversa diferenciable. Entonces la variable aleatoria Y = (X ) toma valores dentro del intervalo (a, b), y tiene funci on de densidad f (1 (y )) | d 1 (y )| para y (a, b), X dy fY (y ) = 0 otro caso. Demostraci on. Suponga primero el caso estrictamente creciente. Entonces para y (a, b), FY (y ) = P (Y y ) = P ((X ) y ) = FX (1 (y )).
= P (X 1 (y ))
Cap tulo 5. Transformaciones Derivando se obtiene fY (y ) = fX (1 (y ))
231
decreciente,
d 1 (y ). Para estrictamente dy
FY (y ) = P (Y y )
= P ((X ) y )
= P (X 1 (y )) Entonces fY (y ) = fX (1 (y )) [ el resultado enunciado.
= 1 FX (1 (y )). d 1 (y )]. En cualquiera caso se obtiene dy
Por ejemplo, la funci on (x) = ex , denida sobre toda la recta real cumple con las condiciones del teorema anterior. Usaremos esta funci on para mostrar con dos ejemplos la forma de aplicar este resultado.
(x) = ex
Figura 5.2: La transformaci on (x) = ex . n log normal). Sea X con distribuci Ejemplo. (Distribucio on N(, 2 ), x y sea la funci on estrictamente creciente (x) = e , con inversa diferencia 1 ble (y ) = ln y . Entonces la variable aleatoria Y = eX toma valores en el intervalo (0, ), y su distribuci on se conoce con el nombre de distribuci on log normal(, 2 ). Su funci on de densidad tiene la siguiente expresi on cuya
232
gr aca ha sido mostrada antes en la Figura 2.24. (ln y )2 1 exp [ ] 2 2 y 2 2 fY (y ) = 0
si y > 0, si y 0.
n log gama). Sea X con distribuci Ejemplo. (Distribucio on gama(n, ), x 1 y sea nuevamente (x) = e , con inversa diferenciable (y ) = ln y . Entonces la variable aleatoria Y = eX toma valores en el intervalo (0, ), y su distribuci on se conoce como distribuci on log gama(n, ). Su funci on de densidad es n1 ( ln y ) y 1 si y > 0, (n) fY (y ) = 0 si y 0. El resultado anterior puede extenderse al caso en el que la transformaci on es estrictamente mon otona por pedazos. Se enuncia y demuestra a continuaci on este resultado cuando la transformaci on se descompone en dos partes mon otonas, siendo f acil la extensi on cuando se tiene un mayor n umero de secciones. Ejercicio. Encuentre la funci on de densidad del cuadrado de una variable aleatoria con distribuci on exp(). Ejercicio. Sea X con distribuci on unif(0, 1) y sea > 0. Demuestre que
Cap tulo 5. Transformaciones la variable aleatoria Y = (1/) ln X tiene distribuci on exp().
233
Teorema de cambio de variable 2. Sea X una variable aleatoria continua con valores dentro de un intervalo (a, c) R, y con funci on de densidad fX (x). Sea : (a, c) R una funci on tal que admite la descomposici on (x) = 1 (x) 2 (x) si x (a, b), si x (b, c),
en donde a < b < c, y cada una de las funciones 1 (x) : (a, b) R y 2 (x) : (b, c) R es continua, estrictamente creciente o decreciente, y con inversa diferenciable. Entonces la variable aleatoria Y = (X ) toma valores dentro del intervalo (a, c), y tiene funci on de densidad
1 fY (y ) = fX ( 1 (y )) |
d 1 (y )| 11 (a,b) (y ) dy 1 d 1 1 + fX ( (y )| 12 (b,c) (y ). 2 (y )) | dy 2
Demostraci on. La prueba es an aloga al caso anterior, u nicamente hay que hacer el an alisis sobre cada uno de los intervalos de monoton a estricta. Para cualquier y en R, FY (y ) = P (Y y ) = P ((X ) y )
= P [(1 (X ) y ) (X (a, b))]
+ P [(2 (X ) y ) (X (b, c))].
Nos interesa el comportamiento de estas probabilidades como funciones de y , puesto que calcularemos la derivada de ellas para encontrar fY (y ). Por ejemplo, la primera probabilidad, vista como funci on de y , es y P [(1 (X ) y ) (X (a, b))],
234
que permanece constante para y / 1 (a, b), de modo que, suponiendo por ejemplo 1 creciente, y para y 1 (a, b), d P [(1 (X ) y ) (X (a, b))] = dy d 1 P [(X 1 (y )) (X (a, b))] dy d 1 = P [a < X 1 (y )] dy d 1 = FX ( 1 (y )) dy d 1 1 = fX ( (y ). 1 (y )) dy 1
De manera an aloga se procede respecto del segundo sumando, considerando tambi en el caso cuando se presenta la monoton a decreciente. De esta forma se obtiene la f ormula enunciada. Ejemplo. Sea X continua con funci on de densidad fX (x). Considere la 2 transformaci on (x) = x , la cual es estrictamente decreciente en (, 0), y estrictamente creciente en (0, ).
(x) = x2
Figura 5.3: La transformaci on (x) = x2 como dos secciones mon otonas. Dena entonces las funciones mon otonas 1 (x) = x2 sobre (, 0), y 1 2 2 (x) = x sobre (0, ). Entonces sus inversas son 1 (y ) = y , y 1 y . La variable Y = X 2 tiene por lo tanto funci on de densi2 (y ) = dad 1 1 f (y ) + fX ( y ) si y > 0, X 2 y 2 y fY (y ) = 0 si y 0.
Cap tulo 5. Transformaciones
235
Ejercicio. Sea X con distribuci on uniforme en el intervalo (0, 1). Demuestre que la funci on de densidad de la variable Y = 4X (1 X ) es 1 si 0 < y < 1, 2 1y f (y ) = 0 otro caso. Ejercicio. Sea X con distribuci on normal est andar. Demuestre que la variable aleatoria Y = |X | tiene funci on de densidad 2 y2 /2 e si y > 0, f (y ) = 0 si y 0. Ejercicio. Sea X con distribuci on uniforme en el intervalo [1, 1]. Encuentre la funci on de densidad de la variable Y = 1 X 2 .
5.2.
Transformaci on de un vector aleatorio
Suponga ahora que (X, Y ) es un vector con funci on de densidad conocida, y (x, y ) es una funci on denida en alg un subconjunto de R2 y con valores 2 en R . El problema es encontrar la funci on de densidad del nuevo vector (X, Y ). Gr acamente esta transformaci on se ilustra en la Figura 5.4. La transformaci on (x, y ) se escribir a como (1 (x, y ), 2 (x, y )), y la derivada de la primera componente respecto de x, por ejemplo, se escribe x 1 .
236
n de un vector aleatorio 5.2. Transformacio
(X, Y )
R2
(U, V ) = (X, Y )
R2
Figura 5.4: La composici on (X, Y ). Teorema de cambio de variable 3. Sea (X, Y ) un vector continuo con valores en I R2 , y con funci on de densidad fX,Y (x, y ). Sea (x, y ) : I R2 una funci on continua con inversa 1 (u, v ) diferenciable. Entonces el vector (U, V ) = (X, Y ) toma valores en (I ) y tiene funci on de densidad fU,V (u, v ) = en donde J (u, v ) = fX,Y (1 (u, v )) |J (u, v )| para (u, v ) (I ), otro caso, (5.1)
1 1 u v 1 1 1 1 u v 2 2
Una prueba rigurosa de este teorema resulta ser un tanto elaborada y la omitiremos. Sin embargo, puede usarse el siguiente argumento intuitivo para encontrar la f ormula enunciada. Sea (U, V ) = (X, Y ) = (1 (X, Y ), 2 (X, Y )), con inversa
1 1 (X, Y ) = 1 (U, V ) = ( 1 (U, V ), 2 (U, V )).
Sea A el rect angulo de area innitesimal de esquinas con coordenadas (x, y ), (x+ dx, y ), (x, y + dy ) y (x + dx, y + dy ). Bajo la transformaci on las coordenadas de las esquinas del rect angulo A se transforman en las siguientes
Cap tulo 5. Transformaciones coordenadas: (x, y ) (1 (x, y ), 2 (x, y )). (x + dx, y ) (1 (x + dx, y ), 2 (x + dx, y )) . = (1 (x, y ) + x 1 (x, y )dx, 2 (x, y ) +x 2 (x, y )dx. (x, y + dy ) (1 (x, y + dy ), 2 (x, y + dy )) . = (1 (x, y ) + y 1 (x, y )dy, 2 (x, y ) +y 2 (x, y )dy. (x + dx, y + dy ) (1 (x + dx, y + dy ), 2 (x + dx, y + dy )) . = (1 (x, y ) + x 1 (x, y )dx + y 1 (x, y )dy, 2 (x, y ) + x 2 (x, y )dx + y 2 (x, y )dy ).
237
Gr acamente la transformaci on de estos puntos se muestra en la Figura 5.5.

(1 + y 1 , 2 + y 2 ) y + dy A y (1 , 2 ) x x + dx (A) (1 + x 1 + y 1 , 2 + x 2 + y 2 ) (1 + x 1 , 2 + x 2 )
Figura 5.5: La transformaci on aplicada al rect angulo A. Entonces P ((X, Y ) A) = P ((U, V ) (A)). Por lo tanto fX,Y (x, y ) dxdy = fU,V (u, v ) Area de (A).
238
En donde
Area de (A) = |x 1 y 2 x 2 y 1 | dxdy x 1 y 1 x 2 y 2 = |J (x, y )| dxdy. = dxdy
Adem as |J (x, y )| =
1 . Por lo tanto |J (u, v )| dxdy . |J (u, v )|
fX,Y (x, y ) dxdy = fU,V (u, v )
1 1 Es decir, fU,V (u, v ) = fX,Y ( 1 (u, v ), 2 (u, v ))|J (u, v )|.
Como ejemplo de aplicaci on de esta f ormula, en las secciones siguientes encontraremos expresiones para la funci on de densidad de la suma, diferencia, producto y cociente de dos variables aleatorias. Las f ormulas generales sobre transformaciones encontradas hasta ahora se resumen en la siguiente tabla, que s olo sirve como referencia general pues no se mencionan las condiciones precisas de su validez.
Transformaciones d 1 (y )|. dy
Y = (X )
fY (y ) = fX (1 (y )) |
(U, V ) = (X, Y )
fU,V (u, v ) = fX,Y (1 (u, v )) |J (u, v )|, en donde J (u, v ) =

1 u 1 1 u 2 1 v 1 1 v 2
239
Distribuci on de la suma
El siguiente resultado proporciona una f ormula para la funci on de densidad de la suma de dos variables aleatorias absolutamente continuas. n. Sea (X, Y ) un vector absolutamente continuo con funci Proposicio on de densidad fX,Y (x, y ). Entonces X + Y tiene funci on de densidad fX +Y (u) =

fX,Y (u v, v ) dv.
(5.2)
Demostraci on. Sea : R2 R2 la transformaci on (x, y ) = (x + y, y ), con 1 inversa (u, v ) = (u v, v ). El Jacobiano de la transformaci on inversa es J (u, v ) =
1 1 u v 1 1 1 1 u 2 v 2
1 1 0 1
= 1.
Por la f ormula (5.1), fX +Y,Y (u, v ) = fX,Y (u v, v ). Integrando respecto a v se obtiene (5.2). Observe que haciendo el cambio de variable z (v ) = u v en (5.2) se obtiene la expresi on equivalente fX +Y (u) =

fX,Y (z, u z ) dz.
(5.3)
Ello reeja el hecho de que la suma de dos variables aleatorias es conmutativa. En particular, cuando X y Y son independientes, la f ormula (5.2) se reduce a fX +Y (u) = =

fX (u v )fY (v ) dv fX (u v ) dFY (v ).
(5.4)
240
Integrando respecto de u e intercambiando el orden de las integrales se obtiene la correspondiente funci on de distribuci on FX +Y (u) =

FX (u v ) dFY (v ).
M as generalmente, puede demostrarse que esta f ormula es v alida para cualesquiera dos variables aleatorias independientes X y Y , incluyendo el caso cuando una de ellas es discreta y la otra continua. En el caso cuando X y Y son discretas, independientes y con valores enteros, es sencillo vericar que la funci on de probabilidad de X + Y es, en completa analog a con (5.4), fX +Y (u) = k fX (u k)fY (k), en donde la suma se toma sobre todos los posibles valores enteros k que la variable aleatoria Y puede tomar. Ejercicio. Use la f ormula anterior para demostrar que si X y Y son independientes con distribuci on bin(n, p) y bin(m, p) respectivamente, entonces X + Y tiene distribuci on bin(n + m, p). Puede obtenerse la misma f ormula (5.2) mediante el procedimiento usual de encontrar primero la funci on de distribuci on de X + Y y despu es derivar para encontrar la funci on de densidad. El procedimiento se muestra a continuaci on. FX +Y (u) = P (X + Y u) = = fX,Y (x, y ) dy dx
x +y u ux
fX,Y (x, y ) dy dx.
La regi on de integraci on se muestra en la Figura 5.6. Derivando respecto a u se obtiene fX +Y (u) =

fX,Y (x, u x) dx,

y u
241
Figura 5.6: Regi on de integraci on x + y u. que corresponde a la expresi on (5.3) equivalente a (5.2). Ejercicio. Sean X y Y independientes cada una con distribuci on normal est andar. Use (5.2) para demostrar que X + Y tiene distribuci on N(0, 2), es decir, su funci on de densidad es 1 2 f (u) = eu /4 . 2
Ejercicio. Encuentre la funci on de densidad de X + Y cuando X y Y tienen funci on de densidad conjunta f (x, y ) = 3(x2 + y 2 )/16 si 0 < x < y < 2, 0 otro caso.
Ejercicio. Sea (X, Y, Z ) un vector absolutamente continuo con funci on de densidad fX,Y,Z (x, y, z ). Demuestre que la variable X + Y + Z tiene funci on de densidad f (u) =

fX,Y,Z (u y z, y, z ) dydz.
Aplique esta f ormula para encontrar la funci on de densidad de la suma de tres variables aleatorias independientes, en donde cada sumando tiene
242
distribuci on unif(0, 1). n. La convoluci Convolucio on de dos funciones de densidad continuas f1 y f2 , es una funci on de densidad denotada por f1 f2 , y denida como sigue (f1 f2 )(x) =

f1 (x y )f2 (y ) dy.
M as generalmente, la convoluci on de dos funciones de distribuci on F1 y F2 es la funci on de distribuci on (F1 F2 )(x) =

F1 (x y )dF2 (y ).
En consecuencia, si X y Y son dos variables aleatorias independientes con correspondientes funciones de distribuci on FX y FY , entonces la funci on de distribuci on de la variable X + Y es la convoluci on FX FY . No es dif cil comprobar que FX FY = FY FX . En particular, la suma de n variables aleatorias independientes todas con la misma funci on de distribuci on F tiene funci on de distribuci on F F , que se escribe simplemente como F n . Observe que hemos denotado la convoluci on por el mismo s mbolo, primero cuando los argumentos son funciones de densidad y en el otro cuando son funciones de distribuci on. Para el caso de funciones de distribuci on absolutamente continuas, se tiene la relaci on d (F1 F2 )(x) = (f1 f2 )(x). dx
Distribuci on de la diferencia
Se encontrar a ahora una f ormula para la funci on de densidad de la diferencia de dos variables aleatorias.
243
n. Sea (X, Y ) un vector absolutamente continuo con funci Proposicio on on de densidad de densidad fX,Y (x, y ). Entonces X Y tiene funci fX Y (u) =

fX,Y (u + v, v ) dv.
(5.5)
Demostraci on. Procedemos como en la secci on anterior. Sea : R2 R2 la transformaci on (x, y ) = (x y, y ) con inversa 1 (u, v ) = (u + v, v ). El Jacobiano de la transformaci on inversa es J (u, v ) =
1 1 v u 1 1 1 1 u v 2 2
1 1 0 1
= 1.
Por la f ormula (5.1), fX Y,Y (u, v ) = fX,Y (u + v, v ). Integrando respecto a v se obtiene (5.5). Con el cambio de variable z (v ) = u + v en (5.5) se obtiene la expresi on equivalente fX Y (u) =

fX,Y (z, z u) dz.
(5.6)
Cuando X y Y son independientes la f ormula (5.5) se reduce a fX Y (u) =

fX (u + v )fY (v ) dv.
En el caso discreto cuando X y Y son independientes con valores enteros, la variable X Y tambi en toma valores enteros, y tiene funci on de probabilidad fX Y (u) = fX (u + k)fY (k),
k
en donde la suma se toma sobre todos los posibles valores enteros k que Y puede tomar.
244
Nuevamente se puede demostrar (5.5) mediante el procedimiento usual de encontrar primero la funci on de distribuci on y despu es derivar para encontrar la funci on de densidad. Por denici on, FX Y (u) = P (X Y u) = =
x y u x u
fX,Y (x, y ) dy dx fX,Y (x, y ) dy dx.
La regi on de integraci on aparece en la Figura 5.7.

y
Figura 5.7: Regi on de integraci on x y u. Derivando respecto a u se obtiene (5.6) equivalente a (5.5). A partir de la f ormula para la suma de dos variables aleatorias se puede construir una tercera demostraci on de (5.5). Por la f ormula para la suma, fX Y (u) = fX +(Y ) (u) =

fX,Y (u v, v ) dv.
Haciendo el cambio de variable x = v , se obtiene fX Y (u) = =

fX,Y (u + x, x) dx fX,Y (u + x, x) dx.
245
Ejercicio. Sean X y Y independientes cada una con distribuci on normal est andar. Use (5.5) para demostrar que X Y tiene distribuci on N(0, 2), es decir, su funci on de densidad es 1 2 f (u) = eu /4 . 2
Ejercicio. Encuentre la funci on de densidad de Y X cuando X y Y tienen funci on de densidad conjunta f (x, y ) = 3(x2 + y 2 )/16 si 0 < x < y < 2, 0 otro caso.
Ejercicio. Sean X y Y independientes cada una con distribuci on normal est andar. En ejercicios anteriores se ha pedido comprobar que tanto X + Y como X Y tienen distribuci on N(0, 2). Demuestre ahora que X + Y y X Y son independientes. Ejercicio. Sea (X, Y, Z ) un vector absolutamente continuo con funci on de on densidad fX,Y,Z (x, y, z ). Demuestre que la variable X Y Z tiene funci de densidad fX Y Z (u) =

fX,Y,Z (u + y + z, y, z ) dydz.
Aplique esta f ormula para encontrar la funci on de densidad de X Y Z , cuando estas variables son independientes y cada una de ellas tiene distribuci on unif(0, 1).
Distribuci on del producto

Ahora se encontrar a una f ormula para la funci on de densidad del producto de dos variables aleatorias absolutamente continuas.
246
n. Sea (X, Y ) un vector absolutamente continuo con funci Proposicio on on de densidad de densidad fX,Y (x, y ). Entonces XY tiene funci fXY (u) =

fX,Y (u/v, v ) |1/v | dv.
(5.7)
Demostraci on. Se usa nuevamente la f ormula (5.1). Sea : R2 R2 la transformaci on (x, y ) = (xy, y ) cuya inversa es, para v = 0, 1 (u, v ) = (u/v, v ). El Jacobiano de la transformaci on inversa es J (u, v ) =
1 1 u v 1 1 1 1 u 2 v 2
1/v u/v 2 0 1
= 1/v.
Por la f ormula (5.1), para v = 0, fXY,Y (u, v ) = fX,Y (u/v, v ) |1/v |. Integrando respecto a v se obtiene (5.7). Haciendo x(v ) = u/v en (5.7) se obtiene la expresi on equivalente fXY (u) =

fX,Y (x, u/x) |1/x| dx.
(5.8)
Cuando X y Y son independientes (5.7) se reduce a fXY (u) = fX (u/v )fY (v ) |1/v | dv.
Usaremos nuevamente el procedimiento usual de encontrar primero la funci on de distribuci on de XY y despu es derivar para encontrar la funci on de densidad. Por denici on, FXY (u) = P (XY u) = = fX,Y (x, y ) dy dx
xy u 0 u/x 0 u/x
fX,Y (x, y ) dydx +
fX,Y (x, y ) dydx.
Cap tulo 5. Transformaciones La regi on de integraci on se muestra en la Figura 5.8.

y y y
247
u<0
u=0
u>0
Figura 5.8: Regi on de integraci on xy u. Derivando respecto a u,

0
fXY (u) =
fX,Y (x, u/x)(1/x) dydx

0
+ =

fX,Y (x, u/x)(1/x) dydx.
fX,Y (x, u/x)|1/x| dx,
que corresponde a (5.8), equivalente a (5.7). Ejercicio. Encuentre la funci on de densidad de XY cuando X y Y tienen funci on de densidad conjunta f (x, y ) = 3(x2 + y 2 )/16 si 0 < x < y < 2, 0 otro caso.
Ejercicio. Sea (X, Y, Z ) un vector absolutamente continuo con funci on de densidad fX,Y,Z (x, y, z ). Demuestre que la variable XY Z tiene funci on de densidad u 1 f (u) = fX,Y,Z ( , v, w) | | dv dw. vw vw
248
Aplique este resultado al caso cuando X , Y y Z son independientes cada una de ellas con distribuci on unif(0, 1).
Distribuci on del cociente

Finalmente se encontrar a una f ormula para el cociente de dos variables aleatorias absolutamente continuas. n. Sea (X, Y ) un vector absolutamente continuo con funci Proposicio on de densidad fX,Y (x, y ) y tal que Y = 0. Entonces X/Y tiene funci on de densidad fX/Y (u) = fX,Y (uv, v ) |v | dv. (5.9)
Demostraci on. Procederemos como en las secciones anteriores. Sea : R2 2 R la transformaci on (x, y ) = (x/y, y ) para y = 0, y con inversa 1 (u, v ) = (uv, v ). El Jacobiano de la transformaci on inversa es J (u, v ) =
1 1 u v 1 1 1 1 u 2 v 2
v u 0 1
= v.
Por la f ormula (5.1), fX/Y,Y (u, v ) = fX,Y (uv, v ) |v |, de donde se obtiene (5.9) integrando respecto a v . Haciendo x(v ) = uv en (5.9) se obtiene la expresi on equivalente fX/Y (u) =

fX,Y (x, x/u) |x/u2 | dx.
(5.10)
Observe nuevamente que cuando X y Y son independientes, el integrando en la f ormula (5.9) se escribe como el producto de las densidades marginales.
249
Ahora usaremos el procedimiento usual de encontrar primero la funci on de distribuci on y despu es derivar para encontrar la funci on de densidad. FX/Y (u) = P (X/Y u) = =
x/y u 0 uy
fX,Y (x, y ) dx dy fX,Y (x, y ) dx dy +

0 uy
fX,Y (x, y ) dx dy.
La regi on de integraci on se muestra en la Figura 5.9.

y y y
u<0
u=0
u>0
Figura 5.9: Regi on de integraci on x/y u. Derivando respecto a u,

0
fX/Y (u) = =
fX,Y (uy, y )y dy +
0
fX,Y (uy, y )y dy
fX,Y (uy, y )|y | dy.
A partir de la f ormula para el producto de dos variables aleatorias se puede construir una tercera demostraci on de (5.9) de la siguiente forma. fX/Y (u) = fX (1/Y ) (u) =

fX,1/Y (u/v, v ) |1/v | dv.
250
Haciendo el cambio de variable x = 1/v se obtiene fX/Y (u) = =

fX,1/Y (ux, 1/x)|x| dx fX,Y (ux, x)|x| dx.
Ejercicio. Sean X y Y independientes con distribuci on normal est andar. Demuestre que X/Y tiene distribuci on Cauchy, es decir, su funci on de densidad es 1 , para < u < . f (u) = (1 + u2 )
Ejercicio. Encuentre la funci on de densidad de X/Y cuando X y Y tienen funci on de densidad conjunta f (x, y ) = 3(x2 + y 2 )/16 si 0 < x < y < 2, 0 otro caso.
Ejercicio. Sea (X, Y, Z ) un vector absolutamente continuo con funci on de densidad fX,Y,Z (x, y, z ). Demuestre que la variable X/(Y Z ) tiene funci on de densidad f (u) =

fX,Y,Z (uvw, v, w) |vw| dv dw.
Aplique este resultado al caso cuando X , Y y Z son independientes cada una de ellas con distribuci on unif(0, 1). Las f ormulas para la funci on de densidad de las operaciones b asicas entre dos variables aleatorias encontradas en este cap tulo se resumen en la siguiente tabla.
251
rmulas para la suma, diferencia, producto y cociente Fo de dos variables aleatorias absolutamente continuas

fX +Y (u) = fX Y (u) = fXY (u) = fX/Y (u) =

fX,Y (u v, v ) dv fX,Y (u + v, v ) dv
fX,Y (u/v, v ) |1/v | dv
fX,Y (uv, v ) |v | dv
252
5.3. Ejercicios
5.3.
Ejercicios
Transformaci on de una variable aleatoria
423. Sea X con distribuci on exp(). Encuentre la funci on de densidad y de distribuci on de la variable Y = 1 exp(X ). 424. Encuentre la distribuci on de Y = 1/X cuando X tiene distribuci on: a) unif(0, 1). b) exp(). 425. Sea X continua con funci on de densidad fX (x). Demuestre que f|X | (x) = fX (x) + fX (x) 0 si x > 0, si x 0.
426. Sea X con distribuci on uniforme en el intervalo (0, 2 ). Encuentre la funci on de densidad de la variable a ) Y = sen(X ). b ) Y = cos(X ). 427. Encuentre la distribuci on de Y = X n para cada n en N, cuando X tiene distribuci on a ) unif(0, 1). b ) unif(1, 1). c ) exp(). 428. Sea X con distribuci on unif(1, 1). Encuentre la funci on de densidad de X 2 . 429. Sea X absolutamente continua con funci on de distribuci on F (x). Demuestre que Y = F (X ) tiene distribuci on unif[0, 1].
Cap tulo 5. Transformaciones 430. Encuentre la funci on de densidad de Y de densidad 1/2 fX (x) = 1/(2x2 ) 0
253
= 1/X cuando X tiene funci on si 0 < x 1, si x > 1, si x 0.
431. Sea X con distribuci on unif(a, b). Encuentre la distribuci on de la variable aleatoria Y = X/(b X ).
Transformaci on de un vector aleatorio

432. Sean X y Y independientes ambas con distribuci on unif(0, 1). Encuentre la funci on de densidad del vector a ) (X, X + Y ). b ) (X + Y, X Y ). 433. Sean X y Y independientes ambas con distribuci on unif(1, 1). Encuentre la funci on de densidad del vector a ) (X + Y, X Y ). b ) (X, |Y X |). c ) (X Y, Y X ). 434. Sea (X, Y ) un vector con distribuci on uniforme en el c rculo unitario 2 2 {(x, y ) : x + y 1}. Encuentre la funci on de densidad del vector (R, ) = ( X 2 + Y 2 , arctan(Y /X )). 435. Sean X y Y independientes cada una con distribuci on exp(). Demuestre que el vector (X, X + Y ) tiene funci on de densidad f (u, v ) = 2 ev si 0 < u < v, 0 otro caso.
436. Sea (X, Y ) con funci on de densidad fX,Y (x, y ). Demuestre que la funci on de densidad del vector (U, V ) = (X + Y, X/(X + Y )) es fU,V (u, v ) = fX,Y (uv, u(1 v ))u.
254
5.3. Ejercicios
Distribuci on de la suma
437. Encuentre la funci on de densidad de la suma de dos variables aleatorias cuya funci on de densidad conjunta es a ) f (x, y ) = 1 , para 0 < x < a, 0 < y < b. ab b ) f (x, y ) = exy , para x, y > 0. c ) f (x, y ) = ey , para 0 < x < y . d ) f (x, y ) = 8xy, para 0 < x < y < 1. e ) f (x, y ) = 4x(1 y ), para 0 < x, y < 1. 438. Encuentre la funci on de densidad de la suma de dos variables aleatorias independientes cada una de ellas con distribuci on: a) unif(0, 1). b) exp(). 439. Encuentre la funci on de densidad de la suma de dos variables aleatorias independientes cada una de ellas con funci on de densidad a ) f (x) = 2x, para 0 < x < 1. b ) f (x) = 6x(1 x), para 0 < x < 1. c ) f (x) = (1 + x)/2, para 1 < x < 1. 440. Encuentre la funci on de densidad de la suma de dos variables aleatorias independientes X y Y , tales que a ) X tiene distribuci on unif(1, 0) y Y tiene distribuci on unif(0, 1). b ) X tiene distribuci on unif(0, 1) y Y tiene distribuci on exp(). 441. Encuentre la funci on de densidad de la suma de dos variables aleatorias con distribuci on conjunta uniforme en el cuadrado (1, 1) (1, 1). 442. Encuentre la funci on de densidad de la suma de tres variables aleatorias con distribuci on conjunta uniforme en el cubo (1, 1) (1, 1) (1, 1).
255
443. Encuentre la funci on de densidad de la suma de n variables aleatorias con distribuci on conjunta uniforme en el hipercubo (1, 1) (1, 1) .
n
444. Demuestre que la suma de dos variables aleatorias independientes, cada una de ellas con distribuci on normal, tiene nuevamente distribuci on normal, con media la suma de las medias, y varianza la suma de las varianzas.
2) on N(k , k 445. Sean X1 , . . . , Xn independientes en donde Xk tiene distribuci para k = 1, . . . , n. Sean c1 , . . . , cn constantes dadas, no todas cero. Demuestre que n n n
k =1
ck Xk N(
ck k ,
k =1 k =1
2 c2 k k ).
446. Sean X1 , . . . , Xn independientes y con id entica distribuci on N(, 2 ). Demuestre que la media muestral dada por (X1 + + Xn )/n tiene distribuci on N(, 2 /n). 447. Demuestre que la suma de dos variables aleatorias independientes, cada una de ellas con distribuci on exp(), tiene distribuci on gama(2, ). M as generalmente, demuestre que la suma de n variables aleatorias independientes, cada una de ellas con distribuci on exp(), tiene distribuci on gama(n, ). 448. Demuestre que la suma de dos variables aleatorias independientes con distribuci on gama(n, ) y gama(m, ), tiene distribuci on gama(n + m, ). 449. Sean X y Y son discretas, independientes y con valores enteros. Demuestre que fX +Y (u) = k fX (u k )fY (k ), en donde la suma se efect ua sobre todos los posibles valores enteros k que la variable aleatoria Y puede tomar.
256
5.3. Ejercicios
450. Sea (X1 , . . . , Xn ) un vector aleatorio absolutamente continuo. Demuestre que la variable X1 + + Xn tiene funci on de densidad f (u) =

fX1 ,...,Xn (u v2 vn , v2 , . . . , vn ) dv2 dvn .
Aplique esta f ormula para encontrar la funci on de densidad de la suma de n variables aleatorias independientes, en donde cada sumando tiene distribuci on unif(0, 1).
Distribuci on de la diferencia
451. Encuentre la funci on de densidad de X Y , para (X, Y ) un vector con funci on de densidad a ) f (x, y ) = 1 , para 0 < x < a, 0 < y < b. ab b ) f (x, y ) = exy , para x, y > 0. c ) f (x, y ) = ey , para 0 < x < y . d ) f (x, y ) = 8xy, para 0 < x < y < 1. e ) f (x, y ) = 4x(1 y ), para 0 < x, y < 1. 452. Encuentre la funci on de densidad de X Y , cuando X y Y son independientes y ambas con distribuci on: a) unif(0, 1). b) exp(). 453. Encuentre la funci on de densidad de X Y , cuando X y Y son independientes y ambas con funci on de densidad a ) f (x) = 2x, para 0 < x < 1. b ) f (x) = 6x(1 x), para 0 < x < 1. c ) f (x) = (1 + x)/2, para 1 < x < 1. 454. Encuentre la funci on de densidad de X Y , cuando X y Y son independientes y tales que a ) X tiene distribuci on unif(1, 2) y Y tiene distribuci on unif(0, 1).
257
b ) X tiene distribuci on exp() y Y tiene distribuci on unif(0, 1). 455. Sea a una constante. Demuestre que la diferencia de dos variables aleatorias independientes ambas con distribuci on uniforme en el intervalo (a 1/2, a + 1/2) tiene funci on de densidad f (u) = 1 |u| 0 si 1 < u < 1, otro caso.
456. Demuestre que la diferencia de dos variables aleatorias independientes, cada una de ellas con distribuci on normal, tiene nuevamente distribuci on normal, con media la diferencia de las medias, y varianza la suma de las varianzas. 457. Sean X y Y son discretas, independientes y con valores enteros. Demuestre que fX Y (u) = k fX (u + k )fY (k ), en donde la suma se efect ua sobre todos los posibles valores enteros k que la variable aleatoria Y puede tomar. 458. Sea (X, Y, Z ) un vector aleatorio absolutamente continuo. Encuentre una f ormula para la funci on de densidad de la variable X + Y Z . 459. Sea (X, Y, Z ) un vector aleatorio absolutamente continuo. Encuentre una f ormula para la funci on de densidad de la variable X Y + Z . 460. Sea (X1 , . . . , Xn ) un vector absolutamente continuo con funci on de densidad fX1 ,...,Xn (x1 , . . . , xn ). Demuestre que la variable X1 X2 Xn tiene funci on de densidad f (u) =

fX1 ,...,Xn (u + v2 + + vn , v2 , . . . , vn ) dv2 dvn .
Aplique esta f ormula al caso cuando las variables X1 , . . . , Xn son independientes y cada una de ellas tiene distribuci on unif(0, 1).
258
5.3. Ejercicios
Distribuci on del producto

461. Encuentre la funci on de densidad del producto de dos variables aleatorias independientes ambas con distribuci on: a) unif(0, 1). b) exp(). 462. Encuentre la funci on de densidad del producto de dos variables aleatorias cuya funci on de densidad conjunta es a ) f (x, y ) = 1 , para 0 < x < a, 0 < y < b. ab b ) f (x, y ) = exy , para x, y > 0. c ) f (x, y ) = ey , para 0 < x < y . d ) f (x, y ) = 8xy, para 0 < x < y < 1. e ) f (x, y ) = 4x(1 y ), para 0 < x, y < 1. 463. Encuentre la funci on de densidad del producto de dos variables aleatorias independientes cada una de ellas con funci on de densidad a ) f (x) = 2x, para 0 < x < 1. b ) f (x) = 6x(1 x), para 0 < x < 1. c ) f (x) = (1 + x)/2, para 1 < x < 1. 464. Encuentre la funci on de densidad del producto de dos variables aleatorias independientes X y Y , tales que a ) X tiene distribuci on unif(1, 0) y Y tiene distribuci on unif(0, 1). b ) X tiene distribuci on unif(0, 1) y Y tiene distribuci on exp(). on de 465. Sea (X1 , . . . , Xn ) un vector absolutamente continuo con funci densidad fX1 ,...,Xn (x1 , . . . , xn ). Demuestre que la variable producto X1 Xn tiene funci on de densidad f (u) =

fX1 ,...,Xn (
u 1 , v2 , . . . , vn ) | | dv2 dvn . v2 vn v2 vn
Aplique este resultado al caso cuando todas las variables son independientes y cada una de ellas tiene distribuci on unif(0, 1).
259
Distribuci on del cociente

466. Encuentre la funci on de densidad de X/Y para (X, Y ) un vector con funci on de densidad 1 para 0 < x < a, 0 < y < b. a ) f (x, y ) = ab b ) f (x, y ) = exy , para x, y > 0. c ) f (x, y ) = ey , para 0 < x < y . d ) f (x, y ) = 8xy, para 0 < x < y < 1. e ) f (x, y ) = 4x(1 y ), para 0 < x, y < 1. f ) f (x, y ) = 2exy , para 0 < x < y . 467. Encuentre la funci on de densidad de X/Y cuando X y Y son independientes y ambas con distribuci on: a) unif(0, 1). b) exp(). 468. Encuentre la funci on de densidad de X/Y cuando X y Y son independientes y ambas con funci on de densidad a ) f (x) = 2x, para 0 < x < 1. b ) f (x) = 6x(1 x), para 0 < x < 1. c ) f (x) = (1 + x)/2, para 1 < x < 1. 469. Encuentre la funci on de densidad de X/Y cuando X y Y son independientes y son tales que a ) X tiene distribuci on unif(1, 0) y Y tiene distribuci on unif(0, 1). b ) X tiene distribuci on unif(0, 1) y Y tiene distribuci on exp(). 470. Sean X y Y independientes con distribuci on exp(). Encuentre la funci on de densidad de X/(X + Y ). 471. Sea (X1 , . . . , Xn ) un vector absolutamente continuo con funci on de densidad fX1 ,...,Xn (x1 , . . . , xn ). Demuestre que la variable X1 /(X2 Xn ) tiene funci on de densidad f (u) =

fX1 ,...,Xn (uv2 vn , v2 , . . . , vn ) |v2 vn | dv2 dvn .
260
5.3. Ejercicios Aplique este resultado al caso cuando X , Y y Z son independientes cada una de ellas con distribuci on unif(0, 1).
Cap tulo 6
Distribuciones muestrales y estad sticas de orden
En este cap tulo se estudian algunas distribuciones de probabilidad que surgen en la estad stica y otras areas de aplicaci on de la probabilidad. Se estudian tambi en algunas f ormulas para las distribuciones de las estad sticas de orden de una muestra aleatoria. n. (Muestra aleatoria). Una muestra aleatoria es una Definicio on colecci on de variables aleatorias X1 , . . . , Xn , que cumplen la condici de ser independientes y de tener cada una de ellas la misma distribuci on. Al n umero n se le llama tama no de la muestra aleatoria. A menudo se escribe m.a. para abreviar el t ermino muestra aleatoria, y se usan las siglas v.a.i.i.d. para denotar el t ermino variables aleatorias independientes e id enticamente distribuidas. Por lo tanto, una m.a. es una colecci on de v.a.i.i.d. n. (Estad Definicio stica). Una estad stica es una variable aleatoria de la forma g(X1 , . . . , Xn ), en donde X1 , . . . , Xn es una muestra aleatoon Borel medible. ria, y g : Rn R es una funci 261
262
Ejemplo. (Media y varianza muestral). La media muestral es una y denida como sigue estad stica denotada por X = 1 X n
n
Xi .
i=1
es una combinaci Observe que X on lineal de los elementos de la m.a. y por lo tanto es una variable aleatoria. Otro ejemplo importante de estad stica 2 es la varianza muestral, denotada por S y denida como sigue 1 S = n1
2 n i=1
)2 . (Xi X
Observe que en el denominador aparece el n umero de sumandos menos uno. La media y la varianza muestrales tienen la caracter stica de ser estimadores insesgados para la media y la varianza, respectivamente, de una distribuci on cualquiera. En particular, cuando la muestra aleatoria proviene de una distribuci on normal, resulta que la media y la varianza muestrales son independientes. Este es un resultado interesante e inesperado, y la demostraci on puede encontrarse en [20]. n. Sea X1 , . . . , Xn una m.a. de la distribuci Proposicio on N(, 2 ). En2 y S son independientes. tonces las estad sticas X Utilizaremos este resultado m as adelante. La proposici on reci en enunciada no es v alida para cualquier distribuci on de probabilidad, por ejemplo, no es dif cil vericar su no validez para una muestra aleatoria de la distribuci on Bernoulli.
Cap tulo 6. Dist. muestrales y estad sticas de orden
263
6.1.
Distribuciones muestrales
Se estudian a continuaci on algunas distribuciones que surgen en la estad stica al considerar funciones de una muestra aleatoria, en particular, la media y la varianza muestral. n ji-cuadrada. La variable aleatoria continua X tiene una Distribucio distribuci on ji-cuadrada con n > 0 grados de libertad, si su funci on de densidad es 1 1 n/2 n/21 x/2 x e si x > 0, (n/2) 2 f (x) = 0 si x 0.
En este caso se escribe X 2 (n). El t ermino 2 se lee ji-cuadrada. La gr aca de esta funci on de densidad se muestra en la Figura 6.1.
f (x)
1 2
n=1 n=2 n=3 n=4 x
Figura 6.1: Funci on de densidad 2 (n). Puede demostrarse que E (X ) = n, y Var(X ) = 2n. Observe que la distribuci on 2 (n) con n = 2 se reduce a la distribuci on exp() con = 1/2. La distribuci on ji-cuadrada puede encontrarse como indican los siguientes resultados. n. Si X N(0, 1), entonces X 2 2 (1). Proposicio
264
6.1. Distribuciones muestrales
Demostraci on. Para x > 0, 1 1 fX 2 (x) = fX ( x) + fX ( x) 2 x 2 x 1 = fX ( x) x 1 x/2 1 = e x 2 = 1 (1/2) 1 2

1/2
x1/21 ex/2 .
Esta es la funci on de densidad de la distribuci on 2 (1). La suma de dos o mas variables aleatorias independientes con distribuci on jicuadrada es nuevamente una variable aleatoria ji-cuadrada, y sus grados de libertad son la suma de los grados de libertad de cada uno de los sumandos. Este es el contenido de la siguiente proposici on. n. Sean X1 , . . . , Xm independientes tales que cada Xi tiene Proposicio distribuci on 2 (ni ), para i = 1, . . . , m. Entonces
m i=1
Xi 2 (n1 + + nm ).
Demostraci on. Es suciente demostrar el resultado para el caso de dos variables aleatorias. Sean X y Y independientes con distribuci on ji-cuadrada con grados de libertad n y m, respectivamente. Este ligero cambio en la
Cap tulo 6. Dist. muestrales y estad sticas de orden notaci on evitar a el uso de sub ndices. Por la f ormula (5.2), para u > 0,
u
265
fX +Y (u) =
0 u
fX (u v )fY (v ) dv 1 (n/2) 1 (m/2) 1 2 1 2

n/2
=
0
(u v )n/21 e(uv)/2
m/2
v m/21 ev/2 dv 1 2
(n+m)/2
1 (n/2)(m/2)
u 0
eu/2
(u v )n/21 v m/21 dv.
Haciendo el cambio de variable w(v ) = v/u se obtiene fX +Y (u) = 1 (n/2)(m/2)

1 0
1 2
(n+m)/2
eu/2 u(n+m)/21
(1 w)n/21 wm/21 dw.
La integral resultante es B (n/2, m/2). Entonces fX +Y (u) = = B (n/2, m/2) (n/2)(m/2) 1 ((n + m)/2) 1 2 1 2
(n+m)/2
eu/2 u(n+m)/21
(n+m)/2
eu/2 u(n+m)/21 .
Esta es la funci on de densidad de la distribuci on 2 (n + m). El resultado anterior puede demostrarse de una manera m as simple y elegante usando la funci on generadora de momentos o la funci on caracter stica, presentadas en el siguiente cap tulo.
266
n. Sean X1 , . . . , Xn independientes cada una con distribuProposicio ci on N(, 2 ). Entonces

n i=1
(Xi )2 2 (n). 2
Demostraci on. Esto es una consecuencia sencilla de las dos proposiciones anteriores. Como cada una de las variables Xi tiene distribuci on N(, 2 ), para i = 1, . . . , n, entonces (Xi )/ tiene distribuci on N(0, 1). Por lo tanto, (Xi )2 / 2 tiene distribuci on 2 (1). En consecuencia, n i=1 (Xi 2 2 2 ) / tiene distribuci on (n). Ahora se enuncia un resultado cuya demostraci on se pospone hasta que se cuente con la poderosa herramienta de las funciones generadoras de momentos. Este es el contenido del ejercicio 572 en la p agina 341. n. Sean X y Y independientes tales que X tiene distribuci Proposicio on 2 (n), y X + Y tiene distribuci on 2 (m) con m > n. Entonces Y tiene distribuci on 2 (m n). Con ayuda de esta proposici on se demuestra ahora el siguiente resultado de particular importancia en estad stica. n. Sean X1 , . . . , Xn independientes con distribuci Proposicio on 2 N(, ). Entonces n1 2 S 2 (n 1). 2
Cap tulo 6. Dist. muestrales y estad sticas de orden Demostraci on.

n i=1 n
267
(Xi )2 = =
i=1 n i=1
) + (X )]2 [(Xi X )2 + n(X )2 . (Xi X
Dividiendo entre 2 ,
n i=1
1 n1 2 X 2 )2 . ( X ) = S + ( i 2 2 / n
El t ermino del lado izquierdo tiene distribuci on 2 (n), mientras que el segundo sumando del lado derecho tiene distribuci on 2 (1). Por la proposici on 2 anterior, y recordando que X y S son independientes, se concluye que el primer sumando del lado derecho tiene distribuci on 2 (n 1). n t. La variable aleatoria continua X tiene una distribuci Distribucio on t de Student con n > 0 grados de libertad si su funci on de densidad est a dada por ((n + 1)/2) f (x) = (1 + x2 /n)(n+1)/2 , n (n/2) para < x < ,
cuya gr aca se muestra en la Figura 6.2, cualitativamente es muy parecida a la densidad normal est andar. En este caso se escribe X t(n). Esta distribuci on apareci o por primera vez en 1908 en un trabajo publicado por William Gosset bajo el seud onimo de Student. Cuando el valor del par ametro n es igual a uno se obtiene la distribuci on Cauchy. Se puede demostrar tambi en que E (X ) = 0, y Var(X ) = n/(n 2), para n > 2. La primera igualdad establece que esta distribuci on se encuentra siempre centrada en cero para cualquier valor del par ametro n. Se muestran a continuaci on algunas formas en las que surge esta distribuci on.
268
f (x) n = 100 n=3 n=1
Figura 6.2: Funci on de densidad t(n). n. Sean X N(0, 1) y Y 2 (n) independientes. Entonces Proposicio X t(n). Y /n
Demostraci on. Por independencia, la funci on de densidad conjunta de X y Y es, para y > 0, 1 1 2 fX,Y (x, y ) = ex /2 (n/2) 2 1 2
n/2
y n/21 ey/2 .
Se aplica la f ormula (5.1) para la transformaci on (x, y ) = (x, x/ y/n), con 1 2 2 inversa (s, t) = (s, ns /t ). El Jacobiano de la transformaci on inversa es J (s, t) = Por lo tanto fS,T (s, t) = fX (s)fY (ns2 /t2 ) 2ns2 /t3 = 1 1 2 es /2 (n/2) 2 1 2
n/2
x/s x/t y/s y/t
1 0 2 2sn/t 2ns2 /t3
= 2ns2 /t3 .
nn/21 sn2 ns2 /2t2 e 2ns2 /t3 . t n2
Cap tulo 6. Dist. muestrales y estad sticas de orden Integrando respecto a s, 1 nn/2 fT (t) = 2 2n/21 (n/2)tn+1
0
269
sn es
2 (1+n/t2 )/2
ds.
Ahora efectuamos el cambio de variable r (s) = s2 (1 + n/t2 )/2, de donde obtenemos dr = s(1 + n/t2 )ds, y entonces fT (t) = = 1 nn/2 2 2n/21 (n/2)tn+1 2 1 + n2 2 2t 1 ((n + 1)/2) , n (n/2) (1 + t2 /n)(n+1)/2
(n+1)/2 0
r (n1)/2 er dr
correspondiente a la funci on de densidad de la distribuci on t(n). Salvo la constante ((n + 1)/2), la u ltima integral corresponde a la densidad gama((n + 1)/2, ) con = 1. El siguiente resultado es usado en estad stica para efectuar estimaciones de la media de una poblaci on normal cuando la varianza es desconocida. n. Sea X1 , . . . , Xn una m.a. de una distribuci Proposicio on N(, 2 ). Entonces X t(n 1). S/ n
Demostraci on. Simplemente se aplica la proposici on reci en demostrada a las variables aleatorias independientes X N (0, 1) / n y n1 2 S 2 (n 1). 2
270
n F. La variable aleatoria continua X tiene una distribuci Distribucio on F de Snedecor con par ametros n > 0 y m > 0 si su funci on de densidad es
Se escribe X F(n, m). En la Figura 6.3 se muestra el comportamiento de esta funci on de densidad. f (x)
3/4 n=4 m = 100
((n + m)/2) n (n/2) (m/2) m f (x) = 0
n/2
xn/21 1 +
n x m
(n+m)/2
si x > 0, si x 0.
n=1 m=5
x Figura 6.3: Funci on de densidad F (n, m). Puede demostrarse que E (X ) = y Var(X ) = m , para m > 2, m2 2m2 (m + n 2) , para m > 4. n(m 2)2 (m 4)
Los siguientes dos resultados indican la forma de obtener esta distribuci on.
271
n. Sean X 2 (n) y Y 2 (m) independientes. Entonces Proposicio X/n F(n, m). Y /m
Demostraci on. Esta armaci on se obtiene directamente de la aplicaci on de la f ormula para la funci on de densidad del cociente de dos variables aleatorias. Recuerde que para n > 0, fX/n (x) = nfX (nx). n. Si X t(n), entonces X 2 F(1, n). Proposicio Demostraci on. El resultado se sigue f acilmente de la aplicaci on de la siguiente f ormula general. Para x > 0, y por la simetr a de la distribuci on t, 1 1 fX 2 (x) = ( fX ( x) + fX ( x) ) = fX ( x) . 2 x x
6.2.
Estad sticas de orden
Dada una muestra aleatoria X1 , . . . , Xn , podemos evaluar cada una de estas variables en un punto muestral cualquiera y obtener una colecci on de n umeros reales X1 ( ), . . . , Xn ( ). Estos n umeros pueden ser ordenados de menor a mayor incluyendo repeticiones. Si X(i) ( ) denota el i- esimo n umero ordenado, tenemos entonces la colecci on no decreciente de n umeros reales X(1) ( ) X(n) ( ).
272
6.2. Estad sticas de orden
Ahora hacemos variar el argumento y lo que se obtiene son las as llamadas estad sticas de orden. Este proceso de ordenamiento resulta ser de importancia en algunas aplicaciones. Tenemos entonces la siguiente denici on. n. (Estad Definicio sticas de orden). Sea X1 , . . . , Xn una muestra aleatoria. A las variables aleatorias ordenadas n {X1 , . . . , Xn }, X(1) = m
X(2) = m n {X1 , . . . , Xn } \ {X(1) },
n {X1 , . . . , Xn } \ {X(1) , X(2) }, X(3) = m . . . X(n) = m ax {X1 , . . . , Xn },
se les conoce con el nombre de estad sticas de orden. A X(1) se le llama primera estad stica de orden, a X(2) se le llama segunda estad stica de orden, etc. A X(i) se le llama i- esima estad stica de orden, i = 1, . . . , n. Observe que, aunque los elementos de la muestra aleatoria son variables aleatorias independientes, las estad sticas de orden no lo son, pues deben as que la imantener la relaci on X(1) X(2) X(n) . Observe adem esima estad stica de orden X(i) no necesariamente es igual a alguna variable de la muestra aleatoria en particular, sino que, en general, es una funci on de todas las variables de la muestra aleatoria. Nuestro objetivo es encontrar algunas f ormulas relacionadas con las distribuciones de probabilidad de las estad sticas de orden cuando se conoce la distribuci on de las variables de la muestra aleatoria, que por simplicidad se supondr a absolutamente continua. En lo que resta del cap tulo supondremos entonces que X1 , . . . , Xn es una muestra aleatoria en donde cada variable tiene funci on de densidad f (x) y funci on de distribuci on F (x).
273
Distribuciones individuales
Comenzamos encontrando la distribuci on de la primera y de la u ltima estad stica de orden de manera individual. n. Para n 1, Proposicio 1. fX(1) (x) = nf (x) [1 F (x)]n1 . 2. fX(n) (x) = nf (x) [F (x)]n1 .
Demostraci on. 1. Se calcula primero la funci on de distribuci on. FX(1) (x) = P (X(1) x) = P (m n{X1 , . . . , Xn } x)
= 1 P (m n{X1 , . . . , Xn } > x) = 1 [P (X1 > x)]n = 1 [1 F (x)]n . Entonces fX(1) (x) = nf (x) [1 F (x)]n1 . 2. Se procede de manera an aloga. FX(n) (x) = P (X(n) x) = P (m ax{X1 , . . . , Xn } x) = P (X1 x, . . . , Xn x) = [P (X1 x)]n = [F (x)]n . Por lo tanto fX(n) (x) = nf (x) [F (x)]n1 . = 1 P (X1 > x, . . . , Xn > x)
274
Ejercicio. Compruebe que las expresiones encontradas para fX(1) y fX(n) son efectivamente funciones de densidad. Encuentre en particular las expresiones para estas funciones cuando las variables de la muestra tienen distribuci on unif(0, 1). Ahora se presenta el resultado general acerca de la funci on de densidad de la i- esima estad stica de orden. n. La funci Proposicio on de densidad de la i- esima estad stica de orden es n fX(i) (x) = i f (x)[F (x)]i1 [1 F (x)]ni . i
Demostraci on. Para cada i dena la variable aleatoria Yi = 1(,x] (Xi ) = 1 si Xi x, 0 si Xi > x,
en donde Xi es el i- esimo elemento de la muestra aleatoria. Las variables Y1 , . . . , Yn son independientes y cada una de ellas puede considerarse un ensayo Bernoulli con probabilidad de exito, es decir tomar el valor 1, igual a P (Xi x) = F (x). Entonces la suma Y1 + + Yn corresponde al n umero de variables aleatorias Xi que cumplen la condici on Xi x, y por lo tanto esta suma tiene distribuci on bin(n, p), con p = F (x). Entonces FX(i) (x) = P (X(i) x)
n
= P (Y1 + + Yn i)
j =i
n j
[F (x)]j [1 F (x)]nj .
Cap tulo 6. Dist. muestrales y estad sticas de orden Derivando y despu es simplicando,
n
275
fX(i) (x) =
j =i n
n j
f (x)[F (x)]j 1 [1 F (x)]nj 1 [j (1 F (x)) (n j )F (x)] jf (x)[F (x)]j 1 [1 F (x)]nj n j (n j )f (x)[F (x)]j [1 F (x)]nj 1
=
j =i n
n j
j =i
n i
i f (x)[F (x)]i1 [1 F (x)]ni .
Ejercicio. Demuestre que la expresi on encontrada para fX(i) (x) es efectivamente una funci on de densidad. Verique que esta densidad se reduce a las encontradas antes cuando el ndice i toma los valores 1 o n. En particular, encuentre la funci on de densidad de la i- esima estad stica de orden suponiendo que las variables de la muestra tienen distribuci on unif(0, 1). A continuaci on se presenta un argumento corto e intuitivo que nos lleva al mismo resultado. Sea h > 0 arbitrario, y considere los siguientes tres intervalos ajenos (, x], (x, x + h] y (x + h, ).
i1 x 1 x+h ni
La probabilidad de que i 1 variables de la muestra tomen un valor en el intervalo (, x], una de ellas en (x, x + h], y el resto n i en (x + h, ) es, de acuerdo a la distribuci on multinomial, n! [F (x)]i1 [F (x + h) F (x)][1 F (x + h)]ni . (i 1)! 1! (n i)!
276
Esta probabilidad es aproximadamente igual a fX(i) (x)h. Dividiendo entre h, y despu es haciendo h tender a cero se obtiene nuevamente fX(i) (x) = n i i f (x)[F (x)]i1 [1 F (x)]ni .
Sea X1 , . . . , Xn una muestra aleatoria. A la variable aleatoria R = X(n) X(1) se le conoce como el rango de la muestra. El siguiente resultado provee de una f ormula para la funci on de densidad de esta variable. n. Para r > 0, Proposicio fR (r ) = n(n 1)

f (v )f (r + v )[F (r + v ) F (v )]n2 dv.
Demostraci on. Para x < y , FX(1) ,X(n) (x, y ) = P (X(1) x, X(n) y ) = P (X(n) y ) P (X(n) y, X(1) > x) = [F (y )]n [F (y ) F (x)]n .
= [F (y )]n P (x < X1 y, . . . , x < Xn y ) Por lo tanto, fX(1) ,X(n) (x, y ) = n(n 1)f (x)f (y )[F (y ) F (x)]n2 , para n 2. Ahora se usa la f ormula fY X (u) =
fX,Y (v, u + v ) dv
equivalente a (5.5) para la diferencia de dos variables aleatorias. Entonces para r > 0, fX(n) X(1) (r ) = n(n 1)

f (v )f (r + v )[F (r + v ) F (v )]n2 dv.
277
Ejercicio. Se escogen n puntos al azar con distribuci on uniforme en el intervalo unitario (0, 1). Demuestre que la funci on de densidad de la distancia m axima entre cualesquiera dos puntos es f (r ) = n(n 1)r n2 (1 r ) 0 si 0 < r < 1, otro caso.
Distribuciones conjuntas
Se presentan a continuaci on dos resultados acerca de la distribuci on conjunta de las estad sticas de orden. El primer resultado trata acerca de la distribuci on conjunta de todas ellas, despu es se considera la distribuci on conjunta de cualesquiera dos. n. Para x1 < < xn , Proposicio fX(1) ,...,X(n) (x1 , . . . , xn ) = n! f (x1 ) f (xn ).
Demostraci on. Se considera la funci on de distribuci on conjunta de todas las estad sticas de orden, y despu es se deriva n veces para encontrar la funci on de densidad. Para x1 < x2 < < xn , FX(1) ,...,X(n) (x1 , . . . , xn ) = P (X(1) x1 , X(2) x2 , . . . , X(n) xn ). Como (X(2) x2 ) = (x1 < X(2) x2 ) (X(2) x1 ), se obtiene la expresi on FX(1) ,...,X(n) (x1 , . . . , xn ) = P (X(1) x1 , x1 < X(2) x2 , . . . , X(n) xn ) + P (X(1) x1 , X(2) x1 , . . . , X(n) xn ).
278
Observe que el segundo sumando no depende de x2 , asi es que al tomar la derivada respecto de esta variable, este t ermino desaparece. De manera an aloga procedemos con los eventos (X(3) x3 ) hasta (X(n) xn ). Al nal se obtiene fX(1) ,...,X(n) (x1 , . . . , xn ) = n P (X(1) x1 , x1 < X(2) x2 , . . . , xn1 < X(n) xn ). x1 xn
Como ahora los intervalos involucrados son disjuntos, la distribuci on multinomial asegura que P (X(1) x1 , x1 < X(2) x2 , . . . , xn1 < X(n) xn ) = n! P (X1 x1 , x1 < X2 x2 , . . . , xn1 < Xn xn ) = n! F (x1 )[F (x2 ) F (x1 )] [F (xn ) F (xn1 )],
en donde la u ltima igualdad se sigue de la independencia e id entica distribuci on de las variables de la muestra. Ahora solo resta derivar para encontrar el resultado buscado, siendo m as sencillo encontrar las derivadas en el orden inverso. Ejercicio. Demuestre que la expresi on encontrada para la funci on de densidad conjunta de las estad sticas de orden es efectivamente una funci on de densidad multivariada. Encuentre adem as esta funci on cuando las variables de la muestra tienen distribuci on unif(0, 1). La siguiente demostraci on es una prueba corta pero no formal del mismo resultado. Sean x1 < x2 < < xn , y h > 0 sucientemente peque na tal que los intervalos (x1 , x1 + h], (x2 , x2 + h], . . . , (xn , xn + h] son ajenos. V ease la Figura 6.4. La probabilidad de que las variables aleatorias tomen valores, cada una de ellas, en uno y s olo uno de estos intervalos es, de acuerdo a la distribuci on multinomial, n! [F (x1 + h) F (x1 )] [F (xn + h) F (xn )]. 1! 1!
279
x1
x2
Figura 6.4:
xn
i1 x
ji1 y
1 y+h
nj
x+h
Figura 6.5: Esta probabilidad es aproximadamente igual a fX(1) ,...,X(n) (x1 , . . . , xn )hn . Dividiendo entre hn , y despu es haciendo h tender a cero se obtiene, una vez mas, fX(1) ,...,X(n) (x1 , . . . , xn ) = n!f (x1 ) f (xn ). Ahora nos interesa encontrar una f ormula para la densidad conjunta de cualesquiera dos estad sticas de orden. n. Suponga i < j . Para x < y , Proposicio fX(i) ,X(j) (x, y ) = n i, j i, n j i(j i) f (x)f (y )
[F (x)]i1 [F (y ) F (x)]j i1 [1 F (y )]nj .
Para este resultado se presenta u nicamente el argumento intuitivo usado antes. Sean x < y y considere los intervalos ajenos (, x], (x, x + h], (x + h, y ], (y, y + h], y (y + h, ) para h > 0 sucientemente peque na. v ease la Figura 6.5. La probabilidad de que i 1 variables de la muestra tomen un valor en
280
(, x], una de ellas en (x, x + h], j i + 1 variables en (x + h, y ], otra en (y, y + h], y el resto, n j variables, tomen un valor en (y + h, ) es, de acuerdo a la distribuci on multinomial, n! [F (x)]i1 [F (x + h) F (x)] (i 1)! 1! (j i 1)! 1! (n j )!
[F (y ) F (x + h)]j i1 [F (y + h) F (y )] [1 F (y + h)]nj . Esta probabilidad es aproximadamente igual a fX(i) ,X(j) (x, y ) h2 . Dividiendo entre h2 , y despu es haciendo h tender a cero se obtiene la f ormula enunciada. Ejercicio. Demuestre que la expresi on encontrada para la funci on de densidad conjunta de las estad sticas de orden X(i) y X(j ) es efectivamente una funci on de densidad bivariada. Encuentre adem as esta funci on cuando las variables de la muestra tienen distribuci on unif(0, 1). Las f ormulas para las funciones de densidad de las estad sticas de orden encontradas en este cap tulo se resumen en la siguiente tabla.
rmulas para las funciones de densidad de algunas Fo estad sticas de orden en el caso absolutamente continuo
fX(1) (x) = nf (x) [1 F (x)]n1 fX(n) (x) = nf (x) [F (x)]n1 fX(i) (x) = n i i f (x)[F (x)]i1 [1 F (x)]ni

fR (r ) = n(n 1)
f (v )f (r + v )[F (r + v ) F (v )]n2 dv,
para r > 0 en donde R = X(n) X(1)
fX(1) ,...,X(n) (x1 , . . . , xn ) = n! f (x1 ) f (xn ), para x1 < < xn fX(i) ,X(j) (x, y ) = n i, j i, n j i(j i) f (x)f (y )[F (x)]i1
[F (y ) F (x)]j i1 [1 F (y )]nj , para x < y e i < j
281
6.3.
Ejercicios
Media y varianza muestral
472. Sea X1 , . . . , Xn una muestra aleatoria de una distribuci on con media ) = y E (S 2 ) = 2 . Estos y varianza 2 . Demuestre que E (X y S 2 son resultados son de utilidad en estad stica y muestran que X estimadores insesgados para la media y varianza de la distribuci on. 473. Sea X1 , . . . , Xn una m.a. de una distribuci on con media y varianza 2 2 . Demuestre que Var(X ) = /n. Cu anto vale Var(S 2 )? on Ber(p). Demuestre que 474. Sea X1 , . . . , Xn una m.a. de una distribuci 2 las estad sticas X y S no son independientes.
Distribuci on 2
475. Demuestre que la funci on de densidad de la distribuci on 2 (n) efectivamente lo es. En particular, compruebe que la distribuci on 2 (n), con n = 2, se reduce a la distribuci on exp() con = 1/2. 476. Demuestre que la distribuci on gama(n/2, ), con = 1/2, se reduce a la distribuci on 2 (n). 477. Sea X con distribuci on 2 (n). Demuestre que a ) E (X ) = n. b ) E (X m ) = 2m (m + n/2)/(n/2), para m = 1, 2, . . . c ) Var(X ) = 2n. 478. Sean X1 , . . . , Xn independientes cada una con distribuci on N(, 2 ). Demuestre que )2 (X 2 (1). 2 /n
282
6.3. Ejercicios
479. Sean X1 , . . . , Xn independientes cada una con distribuci on normal est andar. Demuestre que
n i=1
Xi2 2 (n).
480. Sean X1 , . . . , Xn independientes tales que cada variable Xi tiene dis2 ) para i = 1, . . . , n. Demuestre que tribuci on N(i , i
n i=1
(Xi i )2 2 (n). 2 i
481. Sean X y Y on normal est andar. independientes ambas con distribuci Sean R = X 2 + Y 2 y = tan1 (Y /X ). Demuestre que a ) R2 tiene distribuci on 2 (n) con n = 2 grados de libertad. b ) tan tiene distribuci on Cauchy. c ) R y son independientes.
Distribuci on t
482. Demuestre que la funci on de densidad de una variable aleatoria X con distribuci on t(n) efectivamente lo es. Demuestre adem as que esta funci on tiene un m aximo en x = 0 y que a ) E (X ) = 0. b ) Var(X ) = n/(n 2), para n > 2. Compruebe adem as que esta distribuci on se reduce a la distribuci on Cauchy cuando el valor del par ametro n es uno. 483. Demuestre que la distribuci on t(n +1) tiene momentos nitos de orden menor o igual a n, pero ning un otro momento de orden superior.
283
Distribuci on F
484. Demuestre que la funci on de densidad de una variable aleatoria X con distribuci on F(n, m) efectivamente lo es. Demuestre adem as que a ) E (X ) = m/(m 2), b ) Var(X ) = 2m2 (m para m > 2.
+ n 2) , para m > 4 . n(m 2)2 (m 4)
485. Sea X con distribuci on F(n, m). Demuestre que Y = 1/X tiene distribuci on F(m, n), observe el cambio en el orden de los par ametros. Este resultado es u til para obtener valores de F que no aparecen en tablas de esta distribuci on que son comunes en textos de estad stica. 486. Sea X con distribuci on F(n, m). Demuestre que cuando m tiende a innito la funci on de densidad de nX converge a la funci on de densidad 2 de la distribuci on (n).
Estad sticas de orden: distribuciones individuales

487. Sea X1 , . . . , Xn una m.a. de una distribuci on unif(0, 1). Demuestre que la i- esima estad stica de orden tiene distribuci on beta(i, n + 1 i). Encuentre por lo tanto su esperanza y varianza. 488. Sea X1 , . . . , Xn una m.a. de una distribuci on exp(). Encuentre la funci on de densidad de la i- esima estad stica de orden. 489. Sean X(1) , X(2) las estad sticas de orden de una m.a. de tama no dos de una distribuci on N(, 2 ). Demuestre que E [X(1) ] = / y calcule E [X(2) ]. 490. Sea X1 , . . . , Xn una m.a. de una distribuci on F (x). Sea x un n umero real cualquiera, y para cada i = 1, . . . , n dena Yi = 1(,x] (Xi ). Demuestre que las variables Y1 , . . . , Yn son independientes, y cada una
284
6.3. Ejercicios de ellas tiene distribuci on Ber(p), con p = F (x). Este hecho fue utilizado en el procedimiento para encontrar la funci on de densidad de la i- esima estad stica de orden.
491. Sean X y Y absolutamente continuas e independientes. Dena V = m ax{X, Y }. Demuestre que a ) FV (v ) = FX (v )FY (v ). b ) fV (v ) = FX (v )fY (v ) + fX (v )FY (v ). c ) fV (v ) = 2F (v )f (v ), cuando X y X tienen la misma distribuci on. 492. Use el ejercicio anterior para encontrar la funci on de densidad del m aximo de dos variables aleatorias independientes cada una de ellas con distribuci on: a) unif(0, 1). b) exp(). 493. Sean X y Y absolutamente continuas e independientes. Dena U = m n{X, Y }. Demuestre que a ) FU (u) = 1 [1 FX (u)][1 FY (u)]. b ) fU (u) = [1 FX (u)]fY (u) + fX (u)[1 FY (u)].
c ) fU (u) = 2[1 F (u)]f (u), cuando X y Y tienen la misma distribuci on. 494. Use el ejercicio anterior para encontrar la funci on de densidad del m nimo de dos variables aleatorias independientes cada una de ellas con distribuci on: a) unif(0, 1). b) exp(). 495. Sean X1 , . . . , Xn variables aleatorias independientes en donde Xk tiene distribuci on exp(k ), para k = 1, . . . , n. Demuestre que la variable m n{X1 , . . . , Xn } tiene distribuci on exp(1 + + n ), y que P (Xk = m n{X1 , . . . , Xn }) = k /(1 + + n ).
285
Estad sticas de orden: distribuciones conjuntas

496. A partir de la f ormula para fX(1) ,...,X(n) (x1 , . . . , xn ), calcule la funci on de densidad marginal de X(1) , encontrando nuevamente que fX(1) (x) = nf (x)[1 F (x)]n1 . 497. A partir de la f ormula para fX(1) ,...,X(n) (x1 , . . . , xn ), calcule la funci on de densidad marginal de X(n) , encontrando nuevamente que fX(n) (x) = nf (x)[F (x)]n1 . 498. A partir de la f ormula para fX(1) ,...,X(n) (x1 , . . . , xn ), calcule la funci on de densidad marginal de X(i) , para i = 1, . . . , n, encontrando nuevamente que fX(i) (x) = n i i f (x)[F (x)]i1 [1 F (x)]ni .
499. A partir de la f ormula para fX(i) ,X(j) (x, y ), calcule la funci on de densidad marginal de X(i) , encontrando nuevamente que fX(i) (x) = n i i f (x)[F (x)]i1 [1 F (x)]ni .
500. Sea X1 , . . . , Xn una m.a. de una distribuci on unif(1, 1). Encuentre la funci on de densidad de a ) X(1) y X(2) conjuntamente. b ) R = X(n) X(1) . 501. Mediana muestral. La mediana de una muestra aleatoria X1 , . . . , Xn , denotada por Med(X1 , . . . , Xn ), se dene del siguiente modo. Considere las estad sticas de orden X(1) X(2) X(n) , entonces si n es impar, X( n+1 ) 2 Med(X1 , . . . , Xn ) = 1 [ X( n ) + X( n +1) ] si n es par. 2 2 2
286
6.3. Ejercicios Encuentre la funci on de densidad de la mediana de una muestra aleatoria de la distribuci on unif(0, 1), primero suponiendo que el tama no de la muestra n es impar, y despu es para n par.
502. Sea X1 , . . . , Xn una m.a. de una distribuci on unif(0, 1). Calcule el coeciente de correlaci on entre X(i) y X(j ) . on continua F (x) con fun503. Sea X1 , . . . , Xn una m.a. de una distribuci ci on de densidad f (x). Demuestre directamente que para x < y , fX(1) ,X(n) (x, y ) = n(n 1)f (x)f (y )[F (y ) F (x)]n2 . 504. Encuentre la funci on de densidad conjunta de X(1) y X(n) para una m.a. de tama no n de una distribuci on: a) unif(0, 1). b) exp(). 505. Calcule la covarianza entre X(1) y X(n) para una m.a. de tama no n de una distribuci on: a) unif(0, 1). b) exp().
Cap tulo 7
Convergencia
En este cap tulo se presenta una introducci on al tema de convergencia de variables aleatorias. Hist oricamente este tema surge a trav es de ciertas preguntas que se formularon acerca del comportamiento del promedio de van 1 riables aleatorias n ltima parte i=1 Xi cuando n crece a innito. En la u del texto estudiaremos algunos resultados importantes sobre este comportamiento limite particular. En este cap tulo estudiaremos distintas formas en que una sucesi on innita de variables aleatorias puede converger de manera general. En la mayor a de las situaciones que consideraremos supondremos que existe un espacio de probabilidad (, F , P ) en donde una sucesi on innita de variables aleatorias X1 , X2 , . . . estan todas ellas denidas.
7.1.
Tipos de convergencia
Convergencia puntual
Sea X1 , X2 , . . . una sucesi on innita de variables aleatorias. Al evaluar cada una de estas variables en un elemento se obtiene la sucesi on num erica X1 ( ), X2 ( ), . . . Suponga que esta sucesi on converge a un cierto n umero real denotado por X ( ). Si lo anterior se cumple para todos y cada uno 287
288
7.1. Tipos de convergencia
de los elementos de , entonces se dice que la sucesi on de variables aleatorias converge puntualmente, y su l mite es la funci on X : R denida naturalmente por X ( ) = l mn Xn ( ). Se ha demostrado antes que en esta situaci on la funci on l mite X es efectivamente una variable aleatoria. Formalmente se tiene entonces la siguiente denici on. n. (Convergencia puntual). La sucesi Definicio on de variables aleatorias X1 , X2 , . . . converge puntualmente a X si para cada en ,
n
l m Xn ( ) = X ( ).
Ejemplo. Considere el espacio medible ([0, 1], B [0, 1]), y dena la sucesi on n de variables aleatorias continuas Xn ( ) = . Como en este caso el espacio muestral es un subconjunto de n umeros reales, podemos gracar las variables aleatorias como en la Figura 7.1.
Xn ( )
1 Figura 7.1: Gr aca de la variable aleatoria Xn ( ) = n . Entonces para cada [0, 1), la sucesi on num erica Xn ( ) converge a 0, mientras que para = 1, y para cualquier valor de n, Xn ( ) = 1. De esta manera la sucesi on converge puntualmente a la variable aleatoria X ( ) = 0 si [0, 1), 1 si = 1.
Cap tulo 7. Convergencia
289
Ejercicio. Considere el espacio medible (N, 2N ). Determine si existe convergencia puntual para cada una de las siguientes sucesiones de variables aleatorias discretas. En caso armativo encuentre la variable aleatoria l min{, n} c) Xn ( ) = m ax{, n} te. a) Xn ( ) = mod n b) Xn ( ) = m Una sucesi on de variables aleatorias es entonces una sucesi on de funciones, pero a diferencia de la situaci on que se estudia en los cursos de an alisis matem atico, el dominio de denici on de estas funciones, es decir, el espacio muestral en este caso, no tiene una estructura algebraica excepto la dada por la - algebra y la medida de probabilidad. La forma en la que se utiliza esta medida de probabilidad es la que determina los distintos tipos de convergencia.
Convergencia casi segura

En algunas situaciones la convergencia puntual resulta ser una condici on muy fuerte pues se pide la convergencia de la sucesi on evaluada en todos y cada uno de los elementos del espacio muestral. Se puede ser menos estricto y pedir, por ejemplo, que la convergencia se verique en todo el espacio excepto en un subconjunto de probabilidad cero. n. (Convergencia casi segura). La sucesi Definicio on de variables aleatorias X1 , X2 , . . . converge casi seguramente a la variable X , si P { : l m Xn ( ) = X ( )} = 1.
n
Es decir, en la convergencia casi segura se permite que para algunos valores de , la sucesi on num erica X1 ( ), X2 ( ), . . . pueda no converger, sin embargo el subconjunto de en donde esto suceda debe tener probabilidad
290

c.s.
cero. Para indicar la convergencia casi segura se escribe Xn X , o bien l m Xn = X c.s. A menudo se utiliza el t ermino convergencia casi donden quiera, o bien convergencia casi siempre para denotar este tipo de convergencia. Observe que omitiendo el argumento , la condici on para la convergencia casi segura se escribe en la forma m as corta: P ( l mn Xn = X ) = 1, o simplemente P (Xn X ) = 1. Es posible demostrar que el conjunto { : Xn ( ) X ( )) es medible de modo que tiene sentido aplicar la probabilidad, al respecto v ease el ejercicio 506. Puede tambi en demostrarse que bajo este tipo de convergencia, el l mite es u nico casi seguramente, es decir, si Xn converge a X c.s. y tambi en converge a Y c.s., entonces X = Y casi seguramente. Ejemplo. Considere el espacio de probabilidad ([0, 1], B [0, 1], P ) con P la medida uniforme, es decir, la medida de probabilidad de un intervalo es su longitud. Dena la sucesi on de variables aleatorias como se muestran en la Figura 7.2.
Xn ( ) = 1[0,1/n] ( )
1/n
Figura 7.2: Gr aca de la variable aleatoria Xn ( ) = 1[0,1/n] ( ). Es decir, la variable Xn tiene distribuci on Bernoulli con par ametro p = 1/n, y converge casi seguramente a la variable aleatoria constante cero. Para demostrar esto se necesita vericar que P (Xn 0) = 1. Pero esta igualdad es evidente a partir del hecho de que el conjunto { : Xn ( ) 0} es el intervalo (0, 1], el cual tiene probabilidad uno. El punto = 0 es el u nico punto muestral para el cual Xn ( ) no converge a cero. Esto demuestra que
Cap tulo 7. Convergencia Xn 0.

c.s.
291
Ejercicio. Sea A un evento cualquiera. Demuestre que la siguiente sucesi on de variables aleatorias no converge para ning un en . Xn = 1A 1Ac si n es par, si n es impar.
Convergencia en probabilidad
Un tipo de convergencia a un menos restrictiva que la convergencia casi segura es la convergencia en probabilidad la cual se dene a continuaci on. n. (Convergencia en probabilidad). La sucesi Definicio on de variables aleatorias X1 , X2 , . . . converge en probabilidad a X , si para cada > 0, l m P { : |Xn ( ) X ( )| > } = 0.
n
Para denotar la convergencia en probabilidad se escribe Xn X , y omitiendo el argumento la condici on se escribe l mn P ( |Xn X | > ) = 0. Nuevamente puede comprobarse que el l mite es u nico casi seguramente. Ejemplo. Considere el espacio de probabilidad ((0, 1), B (0, 1), P ), con P la medida uniforme. Dena la sucesi on de eventos A1 = (0, 1/2), A2 = (1/2, 1), A3 = (0, 1/3), A4 = (1/3, 2/3), A5 = (2/3, 1), A6 = (0, 1/4), A7 = (1/4, 2/4), A8 = (2/4, 3/4), A9 = (3/4, 1),
292
Sea Xn = 1An . Las gr acas de estas primeras variables aleatorias se muesp tran en la Figura 7.3. Entonces Xn 0 pues para cualquier > 0,
n
l m P (|Xn 0| > ) = l m P (An ) = 0.

n
Por otro lado observe que esta sucesi on de variables aleatorias no converge casi seguramente pues el conjunto { : l m Xn ( ) existe} es vac o.
n
X1
X2
1
X3 X4
1
X5
1 1 1 Figura 7.3: Gr acas de las primeras variables aleatorias Xn = 1An .
En algunos casos la aplicaci on de la desigualdad de Chebyshev resulta u til para demostrar este tipo de convergencia como se muestra a continuaci on. on de variables aleatorias indepenEjercicio. Sea X1 , X2 , . . . una sucesi dientes cada una de ellas con distribuci on N(, 2 ) y dena el promedio n 1 Sn = n i=1 Xi . Use la desigualdad de Chebyshev para demostrar que p Sn . Observe que el mismo argumento funciona para cualquier sucesi on de variables aleatorias independientes id enticamente distribuidas con varianza nita.
293
Convergencia en media
En este tipo de convergencia se usa la esperanza para determinar la cercan a entre dos variables aleatorias. n. (Convergencia en media). La sucesi Definicio on de variables aleatorias integrables X1 , X2 , . . . converge en media a la variable aleatoria integrable X si l m E |Xn X | = 0.
n
A este tipo de convergencia tambi en se le llama convergencia en L1 y se le denota por Xn X , o Xn X . A partir de la denici on de convergencia en media es inmediato preguntarse si de all se sigue la convergencia de la sucesi on de medias. La respuesta es armativa. Ejercicio. Use la desigualdad de Jensen para demostrar que si Xn X , entonces E (Xn ) E (X ).
m m L1
Convergencia en media cuadr atica

Nuevamente usando el concepto de esperanza pero ahora aplicado al segundo momento se tiene la convergencia en media cuadr atica. M as adelante demostraremos que la convergencia en media cuadr atica implica la convergencia en media.
294
n. (Convergencia en media cuadra tica). La sucesi Definicio on atica a X , si de variables aleatorias X1 , X2 , . . . converge en media cuadr
n
l m E |Xn X |2 = 0.
En este tipo de convergencia se presupone que tanto los elementos de la sucesi on como el l mite mismo son variables aleatorias con segundo momento nito. A este tipo de convergencia tambi en se le llama convergencia en L2 , y se le denota por Xn X , o Xn X . En general puede denirse la convergencia en Lk , para cada entero k 1, cuando se cumple la condici on E |Xn X |k 0. Resulta que mientras mayor es el valor de k, m as restrictiva es la condici on de convergencia.
m.c. L2
Convergencia en distribuci on
Este es el tipo de convergencia menos restrictiva de todas las mencionadas. En contextos m as generales se le llama tambi en convergencia d ebil. n. (Convergencia en distribucio n). La sucesi Definicio on de variables aleatorias X1 , X2 , . . . converge en distribuci on a X , si para todo punto x en donde la funci on FX (x) es continua, se cumple que
n
l m FXn (x) = FX (x).
En este caso se escribe Xn X , o FXn FX , o bien Xn FX . Por ejemplo, si la distribuci on l mite es la distribuci on normal est andar, puede d escribirse Xn N(0, 1). Observe que para este tipo de convergencia se hace
295
uso s olamente de las funciones de distribuci on y por lo tanto las variables aleatorias correspondientes pueden estar denidas en distintos espacios de probabilidad. La unicidad del l mite no se da en el sentido casi seguro como en los anteriores tipos de convergencia, sino en el sentido m as d ebil de igualdad de distribuciones. Ejemplo. Considere la sucesi on X1 , X2 , . . ., en donde cada Xn tiene distrid 2 buci on N(0, /n). Demostraremos que Xn 0. Como FXn (x) = 1 2 2 /n
x
eu
2 /2( 2 /n)
du,
e interpretando esta integral como el area bajo la curva de una funci on de densidad normal con media cero y varianza 2 /n, puede comprobarse que si x < 0, 0 1/2 si x = 0, l m FXn (x) = n 1 si x > 0. Gr acamente la distribuci on l mite se muestra en la Figura 7.4. Observe que la variable aleatoria constante X = 0 tiene funci on de distribuci on FX (x) =
d
0 1
si x < 0, si x 0.
n
punto x donde FX (x) es continua, esto es, para todo x en el conjunto R \{0}. Observe que las funciones FXn (x) no convergen a F (x) cuando x = 0.
Tenemos entonces que Xn 0, pues l m FXn (x) = FX (x) para todo
En la siguiente secci on demostraremos que la convergencia en probabilidad implica la convergencia en distribuci on. El rec proco en general es falso excepto cuando el l mite es una constante. Este es el contenido del siguiente resultado el cual ser a usado m as adelante para demostrar la ley d ebil de los grandes n umeros.
296

FXn (x) 1
Figura 7.4: Sucesi on y l mite de las funciones de distribuci on FXn (x).

p
n. Sea c una constante. Si Xn c, entonces Xn c. Proposicio Demostraci on. La funci on de distribuci on de la variable aleatoria constante c es 0 si x < c, F (x) = 1 si x c, que tiene un u nico punto de discontinuidad en x = c. Suponga entonces que FXn (x) F (x) para x = c. Para cualquier > 0 se tiene que P (|Xn c| ) = P (Xn c ) + P (Xn c + ) = FXn (c ) + 1 FXn (c + /2).
n
P (Xn c ) + P (Xn > c + /2)
De modo que l m P (|Xn c| ) = F (c ) + 1 F (c + /2) = 0. A manera de resumen y sin mayores precisiones, se presenta en la siguiente tabla las deniciones de los distintos tipos de convergencia mencionados. En la siguiente secci on se estudian las relaciones entre estos tipos de convergencia.
297
Convergencia puntual casi segura en media en media cuadr atica en probabilidad en distribuci on
n Definicio Xn ( ) X ( ) para cada en . P (Xn X ) = 1. E |Xn X | 0. E |Xn X |2 0. P (|Xn X | > ) 0. FXn (x) FX (x) en puntos de continuidad x de FX .
7.2.
Relaciones entre los tipos de convergencia
En esta secci on se establecen algunas relaciones generales entre los tipos de convergencia de variables aleatorias mencionados en la secci on anterior. En la Figura 7.5 se ilustran de manera gr aca estas relaciones. En este diagrama la contenci on se interpreta como implicaci on, por ejemplo, la convergencia casi segura implica la convergencia en probabilidad, y esta a su vez implica la convergencia en distribuci on. Estos y otros resultados se demuestran a continuaci on. n. Convergencia c.s. convergencia en prob. Proposicio Demostraci on. Sea > 0. Para cada natural n dena los eventos An =
k =n
(|Xk X | > ).
298
7.2. Relaciones entre los tipos de convergencia
Conv.
casi
segura
Conv. en m. c. Conv. en m.
Conv. en probabilidad Conv. en distribuci on
Figura 7.5: Relaci on entre los tipos de convergencia. Esta sucesi on es decreciente y su l mite es entonces la intersecci on de todos los eventos. Como (|Xn X | > ) An , entonces P (|Xn X | > ) P (An ). Por lo tanto,
n
l m P (|Xn X | > )
= P ( l m An ) = P(
n n=1
l m P (An )
An )
= P (|Xn X | > , para cada n 1 ) = P ( l m Xn = X ) = 0.

n
El rec proco de la proposici on anterior es, en general, falso, es decir, la convergencia en probabilidad no implica necesariamente la convergencia casi
299
siempre. Para comprobar esta armaci on se proporciona a continuaci on un ejemplo. Ejemplo. (En general, conv. en prob. = conv. c.s.). Considere el espacio de probabilidad ((0, 1), B (0, 1), P ), con P la medida uniforme. Dena nuevamente la sucesi on de eventos A1 = (0, 1/2), A2 = (1/2, 1), A3 = (0, 1/3), A4 = (1/3, 2/3), A5 = (2/3, 1), A6 = (0, 1/4), A7 = (1/4, 2/4), A8 = (2/4, 3/4), A9 = (3/4, 1), . . . y con ellos las variables aleatorias Xn = 1An , cuyas gr acas aparecen en la Figura 7.3. Hemos comprobado antes que p Xn 0, sin embargo la sucesi on no converge casi seguramente pues Xn (w) no converge para ning un . Ejemplo. (En general, conv. en media = convergencia c.s.). m Considere la sucesi on de variables Xn del ejemplo anterior. Entonces Xn 0 pues E |Xn 0| = P (An ) 0. Sin embargo esta sucesi on no converge c.s. El ejemplo anterior sirve tambi en para mostrar que, en general, la convergencia en media cuadr atica no implica la convergencia casi segura. En este ejemplo se cumple que E |Xn 0|2 0, y sin embargo Xn no converge a 0 c.s. Ejemplo. (En general, conv. c.s. = conv. en media). Considere el espacio ((0, 1), B (0, 1), P ), con P la medida de probabilidad uniforme. Dena la sucesi on Xn = n 1(0,1/n) . Entonces Xn converge a cero casi seguramente pues P (l m Xn = 0) = P () = 1. Sin embargo no hay convergencia en media pues E |Xn 0| = E (Xn ) = 1 0. Este ejemplo puede ser usado tambi en para demostrar que la convergencia casi segura no implica necesariamente la convergencia en media cuadr atica. n. Convergencia en m.c. convergencia en media. Proposicio
300
Demostraci on. La desigualdad de Jensen establece que para u convexa, u(E (X )) E (u(X )). Tomando u(x) = x2 se obtiene E 2 |Xn X | E |Xn X |2 , de donde se sigue el resultado. Alternativamente la u ltima desigualdad es consecuencia de la desigualdad de Cauchy-Schwarz. Ejemplo. (En general, conv. en media = conv. en m.c.) Sea Xn = n 1(0,1/n2 ) sobre el espacio ((0, 1), B (0, 1), P ), con P la medida uniforme. Entonces Xn converge a cero en media pues E |Xn 0| = E (Xn ) = 1/n 0. Sin embargo, no hay convergencia en media cuadr atica pues E |Xn 0|2 = 2 E (Xn ) = 1 0. n. Convergencia en media convergencia en prob. Proposicio Demostraci on. Para cada > 0 dena el evento An = (|Xn X | > ). Entonces ) E |Xn X | = E (|Xn X | 1An ) + E (|Xn X | 1Ac n E (|Xn X | 1An ) P (|Xn X | > ).
Por hip otesis, el lado izquierdo tiende a cero cuando n tiende a innito. Por lo tanto P (|Xn X | > ) 0. El rec proco del resultado anterior es, en general, falso. Ejemplo. (En general, conv. en prob. = conv. en media). Considere nuevamente el espacio ((0, 1), B (0, 1), P ), con P la medida uniforme, y dena las variables Xn = n 1(0,1/n) . Entonces Xn converge en probabilidad a cero pues para cualquier > 0, P (|Xn 0| > ) = P (Xn > ) = 1/n 0.
301
Sin embargo, la sucesi on no converge en media pues E |Xn 0| = E (Xn ) = 1 0. n. Convergencia en prob. convergencia en dist. Proposicio Demostraci on. Suponga que Xn X , y sea x un punto de continuidad de FX (x). Para cualquier > 0, FXn (x) = P (Xn x)
p
= P (Xn x, |Xn X | ) + P (Xn x, |Xn X | > ) P (X x + ) + P (|Xn X | > ).
Por hip otesis el segundo sumando del lado derecho tiende a cero cuando n tiende a innito. Entonces para cualquier > 0, l m sup FXn (x) FX (x + ).
n
Por la continuidad lateral, l m sup FXn (x) FX (x).

n
Ahora se demuestra la desigualdad inversa. Para cualquier > 0 FX (x ) = P (X x )
P (Xn x) + P (|Xn X | > ).
= P (X x , |Xn X | ) + P (X x , |Xn X | > )
Nuevamente el segundo sumando tiende a cero cuando n tiende a innito. Entonces FX (x ) l m inf FXn (x).
n
Por la continuidad en x, FX (x) l m inf FXn (x).

n
302
En resumen, FX (x) l m inf FXn (x) l m sup FXn (x) FX (x).

n n
El rec proco de la proposici on anterior no siempre es v alido, es decir, la convergencia en distribuci on no siempre implica la convergencia en probabilidad. Ejemplo. (En general, conv. en dist. = conv. en prob.) Sea X con distribuci on normal est andar, y sea Xn = X si n es par, X si n es impar.
FX (x), es decir, Xn X . Sin embargo la sucesi on no converge en probabilidad a X , pues para valores impares de n y para valores peque nos de > 0, P (|Xn X | > ) = P (2|X | > ) > 1/2. Lo anterior demuestra que l m P (|Xn X | > ) = 0.
n
en tiene distribuEntonces claramente cada una de las variable Xn tambi ci on normal est andar y por lo tanto para cualquier n umero real x, FXn (x)
d
Esto concluye la vericaci on y ejemplos de todas las implicaciones y no implicaciones que se derivan del diagrama de la Figura 7.5. El lector interesado en profundizar los temas aqui expuestos puede consultar el cap tulo 5 del libro de Karr [18], o el excelente texto de Gut [13], asi como los textos cl asicos de teor a de la medida [5] o [14], por ejemplo. Los resultados de convergencia en espacios de probabilidad aqui mencionados pueden no ser v alidos en espacios de medida m as generales.
303
7.3.
Dos resultados importantes de convergencia
Sea X1 , X2 , . . . una sucesi on de variables aleatorias con esperanza nita. Suponga que Xn converge casi seguramente a X . Es natural preguntarse si la sucesi on de n umeros E (Xn ) converge a E (X ). Tal convergencia num erica equivaldr a a poder intercambiar las operaciones de l mite y esperanza, es decir, l m E (Xn ) = E ( l m Xn ).
n n
Por ejemplo, considere el espacio ((0, 1), B (0, 1), P ), con P la medida de probabilidad uniforme. Hemos considerado antes la sucesi on de variables aleatorias Xn = n 1(0,1/n) , cuyo l mite es X = 0 casi seguramente. Sin embargo E (Xn ) es siempre 1 y no converge a E (X ) = 0. Este es un ejemplo sencillo en donde no es v alido intercambiar la esperanza y el l mite. En esta secci on se estudian dos resultados que establecen condiciones bajo las cuales es v alido este intercambio. tona. Sea 0 X1 X2 Teorema de convergencia mono una sucesi on de variables aleatorias convergente casi seguramente a una variable X . Entonces
n
l m E (Xn ) = E (X ).
Demostraci on. Como 0 Xn X , entonces 0 E (Xn ) E (X ). Por lo tanto l m E (Xn ) E (X ).

n
Ahora resta demostrar la desigualdad contraria. Primero se aproxima a X de la siguiente forma. Sea > 0 arbitrario, y para cada entero k 0 dena el evento Ak = ( k X < (k + 1) ). Esta es una colecci on de eventos disjuntos dos a dos, cuya uni on es . Dena ahora la variable aleatoria
304
7.3. Dos resultados importantes de convergencia
discreta aproximante Y ( ) = k si k X ( ) < (k + 1).
Observe que Y aproxima a X de la forma: Y X < Y + . O bien X < Y X . Por lo tanto, E (X ) E (Y ) E (X ). Para cada n umero natural n dena el evento Bn = (Xn Y ). No es dif cil comprobar que Bn . Por lo tanto, para k jo, Ak Bn Ak cuando n , y entonces P (Ak Bn ) P (Ak ). Ahora considere la variable aleatoria discreta Y 1Bn dada por Y ( ) si Bn , Y 1Bn ( ) = 0 si / Bn . Entonces 0 Y 1Bn Xn , y por lo tanto 0 E (Y 1Bn ) E (Xn ). Entonces
n
l m E (Xn ) = = =
n n
l m E (Y 1Bn ) l m
k =0 k =0 m k =0
E (Y 1Bn Ak ) k P (Bn Ak ) k P (Bn Ak )
l m
n m
l m
k P (Ak ).
k =0
Como esta desigualdad es v alida para cualquier m 0, se obtiene

n
l m E (Xn )
k =0
k P (Ak ) = E (Y ) E (X ) .
n
Dado que > 0 es arbitrario, se concluye que l m E (Xn ) E (X ). El siguiente resultado establece otro tipo de condici on suciente para obtener la misma conclusi on.
305
Teorema de convergencia dominada. Sea X1 , X2 , . . . una sucesi on de variables aleatorias para la cual existe otra variable Y integrable tal que |Xn | Y , para n 1. Si l m Xn = X c.s., entonces X y Xn son n integrables y l m E (Xn ) = E (X ).
n
Demostraci on. Sea Yn = nf {Xn , Xn+1 , . . .}. Entonces Yn X cuando n . Por lo tanto (Yn + Y ) (X + Y ), en donde Yn + Y 0, pues como Xn Y , entonces Xn Y para toda n, y por lo tanto Yn Y . Por el teorema de convergencia mon otona, E (Yn + Y ) E (X + Y ). De donde se obtiene E (Yn ) E (X ). Sea ahora Zn = sup{Xn , Xn+1 , . . .}. Entonces Zn X cuando n . Por lo tanto (Y Zn ) (Y X ), en donde Y Zn 0, pues como Xn Y para toda n, entonces Zn Y . Por el teorema de convergencia mon otona, E (Y Zn ) E (Y X ). De donde se obtiene E (Zn ) E (X ). Ahora observe que Yn Xn Zn . Por lo tanto E (Yn ) E (Xn ) E (Zn ). Al hacer n tender a innito se obtiene el resultado. Estos dos teoremas son herramientas fuertes en la teor a de la probabilidad. En particular, se usar an en la u ltima parte del curso para formalizar algunas demostraciones.
306
7.4. Ejercicios
7.4.
Ejercicios
Convergencia casi segura
506. Para la convergencia casi segura se pide que el conjunto { : Xn ( ) X ( )) tenga probabilidad uno. Demuestre la medibilidad de tal conjunto probando que es id entico al evento

k =1 m=1 n=m
( |Xn X | 1/k ).
507. Demuestre que en la convergencia casi segura, el l mite es u nico casi c.s. c.s. seguramente, es decir, si Xn X , y Xn Y , entonces X = Y casi seguramente. Sugerencia: |X Y | |X Xn | + |Xn Y |. 508. Demuestre que si Xn X , entonces aXn + b aX + b, en donde a y b son constantes. 509. Demuestre que si Xn X y Yn Y , entonces a ) Xn + Yn X + Y. b ) Xn Yn XY.
c.s. c.s. c.s. c.s. c.s. c.s.
510. Considere el espacio de probabilidad ([0, 1], B [0, 1], P ), con P la medida de probabilidad uniforme. Demuestre que la sucesi on Xn = n1[0,1/n) converge casi seguramente a la variable aleatoria constante cero. n equivalente para la convergencia casi segura. 511. Condicio c.s. Demuestre que Xn X si, y s olo si, para cualquier > 0, P ( |Xn X | > para una innidad de valores de n ) = 0.
512. Use el ejercicio anterior para demostrar que si para cualquier > 0, c.s. n=1 P (|Xn X | > ) < , entonces Xn X .
307
Convergencia en probabilidad
513. Demuestre que en la convergencia en probabilidad, el l mite es u nico p p casi seguramente, es decir, si Xn X , y Xn Y , entonces X = Y casi seguramente. Sugerencia: P (|X Y | > ) P (|X Xn | > /2)+ P (|Xn Y | > /2). 514. Considere el espacio de probabilidad ((0, 1], B (0, 1], P ), en donde P es la medida de probabilidad uniforme. Dena las variables aleatorias discretas n k Xn = 1 k 1 k . n ( m ,n]
k =1
Demuestre que Xn converge en probabilidad a una variable aleatoria con distribuci on uniforme en el intervalo (0, 1]. 515. Demuestre que si Xn X , entonces aXn + b aX + b, en donde a y b son constantes. 516. Suponga que Xn x y Yn y , en donde x y y son dos n umeros reales jos. Demuestre que a ) Xn + Yn x + y . b ) Xn Yn xy .
p p p p p p
c ) Si g es continua en x, entonces g(Xn ) g(x).

p p p
517. Demuestre que si Xn X y Yn Y , entonces a ) Xn + Yn X + Y . b ) Xn Yn XY .

p
518. Sean X1 , X2 , . . . variables aleatorias independientes cada una con distribuci on unif[a, b]. Demuestre que cuando n tiende a innito a ) m n{X1 , . . . , Xn } a.
p p
b ) m ax{X1 , . . . , Xn } b.
308
p
7.4. Ejercicios
p
2 X 2 . 519. Demuestre que si Xn X , entonces Xn
520. Sea c > 0 una constante. Use la desigualdad de Chebyshev para dep mostrar que si Xn tiene distribuci on gama(cn, n), entonces Xn c.
Convergencia en media
521. Demuestre que en la convergencia en media, el l mite es u nico casi m m seguramente, es decir, si Xn X , y Xn Y , entonces X = Y casi seguramente. Sugerencia: E |X Y | E |X Xn | + E |Xn Y |. 522. Demuestre que si Xn X , entonces aXn + b aX + b, en donde a y b constantes. 523. Suponga que Xn X y Yn Y . Demuestre que Xn + Yn X + m Y . Proporcione un contraejemplo para la armaci on: Xn Yn XY .
m m m m m
Convergencia en media cuadr atica

524. Demuestre que en la convergencia en media cuadr atica, el l mite es m.c. m.c. u nico casi seguramente, es decir, si Xn X , y Xn Y , entonces X = Y casi seguramente. Sugerencia: Por la desigualdad cr con r = 2, E |X Y |2 2 (E |X Xn |2 + E |Xn Y |2 ). 525. Demuestre que si Xn X , entonces aXn + b aX + b, en donde a y b son constantes. 526. Use la desigualdad de Cauchy-Schwarz para demostrar que si Xn m.c. m.c. X y Yn Y , entonces Xn + Yn X + Y .
m.c. m.c. m.c.
Convergencia en distribuci on
527. Demuestre que en la convergencia en distribuci on, el l mite es u nico d d en distribuci on, es decir, si Xn X , y Xn Y , entonces X y Y
309
tienen la misma distribuci on. Sugerencia: |FX (x) FY (x)| |FX (x) FXn (x)| + |FXn (x) FY (x)|. 528. Sea c una constante y suponga que Xn X y Yn Y . Demuestre que a ) cXn cX . b ) Xn + c X + c. 529. Demuestre que si Xn X y Yn Y , entonces no necesariamente d Xn + Yn X + Y . 530. Demuestre que a ) si Xn 0, entonces Xn 0.
d d d d d d p d d d d d d
b ) si Xn 0 y Yn 0, entonces Xn + Yn 0. c ) si Xn 0 y Yn 0, entonces Xn Yn 0. 531. Considere el espacio de probabilidad ([0, 1], B [0, 1], P ) en donde P es la medida de probabilidad uniforme. Demuestre que la sucesi on Xn = 1[0,1/2+1/n) converge en distribuci on a la variable aleatoria X = 1[0,1/2] . 532. Sea Xn con distribuci on unif[a 1/n, a + 1/n], en donde a es una constante. Demuestre que Xn a.
d
533. Sea Xn con distribuci on uniforme en el conjunto {0, 1, . . . , n}, y sea X continua con distribuci on uniforme en el intervalo [0, 1]. Demuestre que
1 n Xn
X .
534. Sea X con distribuci on uniforme en el conjunto {0, 1}. Demuestre que la siguiente sucesi on de variables aleatorias converge en distribuci on pero no converge en probabilidad. Xn = X si n es par, 1 X si n es impar.
310
7.4. Ejercicios
Relaciones entre los tipos de convergencia

535. Otro ejemplo de que la conv. casi segura no implica la conv. en media. Sea X1 , X2 , . . . una sucesi on de variables aleatorias independientes e id enticamente distribuidas tales que para cada n umero natural n, P (Xn = 0) = 1/4, P (Xn = 1) = 1/2 y P (Xn = 2) = 1/4. Dena el producto Yn = X1 X2 Xn . Demuestre que Yn converge a cero, casi seguramente, pero no as en media, ni en media cuadr atica. 536. Sea A1 , A2 , . . . una sucesi on de eventos convergente al evento A. En qu e sentido la sucesi on de variables aleatorias 1An converge a 1A ?
2 ) y X con distribuci 537. Sea Xn con distribuci on N(n , n on N(, 2 ). Su2 2 2 2 ponga n y n , con n , > 0. En qu e sentido Xn X ?
Cap tulo 8
Funciones generadoras
En este cap tulo se estudia la funci on generadora de probabilidad, la funci on generadora de momentos y la funci on caracter stica. Estas funciones son transformaciones de las distribuciones de probabilidad, y constituyen una herramienta muy u til en la teor a moderna de la probabilidad.
8.1.
Funci on generadora de probabilidad
n. (Funcio n generadora de probabilidad). La funci Definicio on generadora de probabilidad de una variable aleatoria X es la funci on G(t) = E (tX ), denida para valores reales de t tal que la esperanza sea convergente absolutamente. Cuando sea necesario especicarlo se escribe GX (t) en lugar de G(t), y se usan las letras f.g.p. en lugar de funci on generadora de probabilidad. Esta funci on se utiliza principalmente, aunque no u nicamente, para variables
311
312
n generadora de probabilidad 8.1. Funcio
aleatorias con valores enteros. Supondremos tal caso y sin p erdida de generalidad consideraremos que las variables toman valores en el conjunto {0, 1, . . .}, que corresponde a la mayor a de las variables aleatorias discretas estudiadas en este curso. En tal situaci on, G(t) =
k =0
tk P (X = k).
Es decir, la f.g.p. es una serie de potencias en t, con coecientes dados por la distribuci on de probabilidad, por ende el nombre de dicha funci on. Es importante observar que el radio de convergencia de esta serie es por lo menos uno, pues para |t| < 1, |G(t)|
k =0
|t| P (X = k)
k =0
P (X = k) = 1.
Calculando la k- esima derivada puede comprobarse adem as que a partir de la f.g.p. puede reconstruirse la funci on de densidad a trav es de la f ormula P (X = k) = G(k) (0)/k! Ejemplo. Sea X con distribuci on Poisson(). La f.g.p. de X est a denida para todo valor real de t y puede calcularse de la siguiente forma. G(t) =
k =0
tk e
k = e k!
k =0
(t)k = e et = e(1t) . k!
En la siguiente tabla se muestran ejemplos de funciones generadoras de probabilidad para algunas distribuciones discretas.
Cap tulo 8. Funciones generadoras
313
n Distribucio unif{x1 , . . . , xn } Ber(p) bin(n, p) geo(p) Poisson() bin neg(r, p)
n generadora de probabilidad Funcio G(t) = (tx1 + + txn )/n G(t) = 1 p + pt G(t) = (1 p + pt)n G(t) = p/[1 t(1 p)] G(t) = e(1t) G(t) = (p/[1 t(1 p)])r
La funci on generadora de probabilidad determina de manera u nica a la distribuci on en el siguiente sentido. Si X y Y tienen la misma distribuci on de probabilidad, entonces naturalmente GX (t) = GY (t), para valores de t donde esta esperanza exista. Inversamente, sean X y Y tales que GX (t) y GY (t) existen y coinciden en alg un intervalo no trivial alrededor del cero, entonces X y Y tienen la misma distribuci on. Estas y otras propiedades generales de la f.g.p. se estudian a continuaci on, m as adelante se ilustran estos resultados con algunos ejemplos.
314
n generadora de probabilidad 8.1. Funcio
n. (Propiedades de la f.g.p.). Proposicio 1. Sean X y Y variables aleatorias con valores en {0, 1, . . .} tales que GX (t) y GY (t) existen y coinciden en alg un intervalo alrededor de t = 0. Entonces X y Y tienen la misma distribuci on de probabilidad. 2. Si el n- esimo momento factorial de X existe, entonces l m dn GX (t) = E [X (X 1) (X n + 1)]. dtn
t1
3. Sean X y Y independientes con f.g.p. GX (t) y GY (t) respectivamente, entonces GX +Y (t) = GX (t) GY (t).
Demostraci on. 1. Para cada k 0, sean ak = P (X = k) y bk = P (Y = k). La igualdad GX (t) = GY (t) se escribe de la forma:
k =0
tk ak =
k =0
tk bk .
Para que estas dos series de potencias en t coincidan en alg un intervalo no trivial alrededor del cero, sus coecientes deben forzosamente coincidir, es decir, ak = bk para cada k 0. Esto signica que las distribuciones de probabilidad coinciden. 2. Como las series de potencia se pueden derivar t ermino a t ermino con-
Cap tulo 8. Funciones generadoras serv andose el mismo radio de convergencia, se tiene que G (t) = = = d dt
k =0 k =1 k =0
315
tk P (X = k)
d k t P (X = k) dt k tk1 P (X = k).
Como por hip otesis la esperanza existe, por el lema de Abel (ver ap endice),
t1
l m G (t) =
kP (X = k) = E (X ).
k =1
Para la segunda derivada se tiene G (t) =

k =2
k(k 1)tk2 P (X = k),
de modo que cuando el segundo momento existe, l m G (t) =

k =2
t1
k(k 1)P (X = k) = E (X (X 1)).
De manera an aloga se demuestra para las derivadas de orden superior. 3. Cuando X y Y son independientes, GX +Y (t) = E (tX +Y ) = E (tX tY ) = E (tX ) E (tY ) = GX (t) GY (t).
Ejemplo. Se ha encontrado que la f.g.p. de una variable aleatoria X con distribuci on Poisson() es G(t) = e(1t) . Usando esta funci on encontraremos la esperanza y varianza de X . Al derivar una vez se obtiene G (t) =
316
n generadora de momentos 8.2. Funcio
e(1t) , y al evaluar en t = 1, E (X ) = G (1) = . Derivando por segunda vez, G (t) = 2 e(1t) , y en t = 1 se obtiene E (X (X 1)) = G (1) = 2 . Por lo tanto Var(X ) = E (X 2 ) E 2 (X ) = 2 + 2 = . Debido a la segunda propiedad, a la f.g.p. tambi en se le conoce como funci on generadora de momentos factoriales. Ahora se muestra el uso de esta funci on para determinar la distribuci on de una variable aleatoria, el procedimiento es elegante y sencillo. Ejemplo. Suponga que X y Y son independientes con distribuci on Poisson(1 ) y Poisson(2 ), respectivamente. Entonces GX +Y (t) = GX (t) GY (t) = e1 (1t) e2 (1t) = e(1 +2 )(1t) . Esta expresi on corresponde a la f.g.p. de la distribuci on Poisson con par ameon Poisson(1 + 2 ). tro 1 + 2 . Debido a la unicidad, X + Y tiene distribuci La denici on de funci on generadora de probabilidad puede extenderse al caso de vectores aleatorios de la siguiente forma. La f.g.p. del vector (X, Y ) es la funci on GX,Y (s, t) = E (sX tY ), para valores reales de s y t donde esta esperanza sea absolutamente convergente. Puede demostrarse que las variables X y Y son independientes si, y s olo si, GX,Y (s, t) = GX (s) GY (t). La denici on de f.g.p. para vectores de dimensi on mayor es an aloga.
8.2.
Funci on generadora de momentos
Esta es otra funci on que se puede asociar a algunas distribuciones de probabilidad. Su existencia no est a garantizada en todos los casos, pero cuando existe, determina de manera u nica a la distribuci on de probabilidad asociada, y tiene propiedades semejantes a las de la funci on generadora de probabilidad. La funci on generadora de momentos se utiliza tanto para variables aleatorias discretas como continuas.
317
n. (Funcio n generadora de momentos). La funci Definicio on generadora de momentos de la variable aleatoria X es la funci on M (t) = E (etX ), denida para valores reales de t tales que la esperanza es absolutamente convergente. Nuevamente, cuando sea necesario especicarlo se escribe MX (t) en lugar de M (t), y se usan las letras f.g.m. en lugar del t ermino funci on generadora de momentos. La parte importante de esta funci on es su existencia en una vecindad no trivial alrededor del cero. Observe que la f.g.m. y la f.g.p. est an relacionadas, cuando existen, por la igualdad M (t) = G(et ). Ejemplo. Sea X con distribuci on gama(n, ). Entonces la f.g.m. de X puede calcularse de la siguiente forma. M (t) = (x)n1 ex dx (n) 0 [( t)x]n1 = n ( t)n ( t)e(t)x dx ( n ) 0 = [/( t)]n . etx
La u ltima integral vale uno pues el integrando es la funci on de densidad de una distribuci on gama. Observe que M (t) esta denida u nicamente para valores de t menores que . La siguiente tabla muestra algunos otros ejemplos de funciones generadoras de momentos para ciertas distribuciones continuas.
318
n Distribucio unif(a, b) exp() gama(n, ) N(, 2 ) 2 (n) t(n)
n generadora de momentos Funcio M (t) = (ebt eat )/(bt at) M (t) = /( t) M (t) = [/( t)]n M (t) = exp(t + 2 t2 /2) M (t) = (1 2t)n/2 M (t) no existe para t = 0
Se demuestran a continuaci on algunas propiedades b asicas de la f.g.m., y despu es se muestra su utilidad mediante algunos ejemplos. n. Sea X con f.g.m. M (t) nita para cada t (s, s), para Proposicio alg un s > 0. Entonces 1. Todos los momentos de X son nitos. 2. M (t) =
n=0
tn E (X n ). n!
3. M (t) tiene derivadas continuas de cualquier orden en (s, s), y se cumple dn M (t) = E (X n ). dtn t=0
Demostraci on.
Cap tulo 8. Funciones generadoras 1. La prueba se basa en las identidades: E |X |n = n y

0
319
(1 F (x)) xn1 dx + n
0
0 0
F (x) |x|n1 dx, F (x) etx dx,
M (t) = 1 + t
(1 F (x)) etx dx t
en donde, por hip otesis, las dos integrales de M (t) son nitas para cualquier t (s, s). Demostraremos que cada integral de la expresi on n de E |X | es menor o igual a la correspondiente integral de M (t). Para el caso x > 0 se toma cualquier t (0, s), y entonces (tx)n etx . n! Es decir, xn (n!/tn )etx . De modo que, salvo constantes, la primera integral de E |X |n es menor o igual a la primera integral de M (t), siendo esta u ltima nita, la primera tambi en. Para el caso x < 0 conviene tomar t (s, 0), pues en tal caso tx > 0 y entonces |tx|n e|tx| = etx . n! Es decir, |x|n (n!/|t|n )etx . Ahora la segunda integral de E |X |n es menor o igual a la segunda integral de M (t), siendo esta u ltima nita, la primera tambi en. De esta forma todos los momentos de X existen cuando M (t) es nita en alg un intervalo no trivial alrededor del cero. 2. Se usa la f ormula E (X n ) = n
0
(1 F (x)) xn1 dx n
F (x) xn1 dx.
320
n generadora de momentos 8.2. Funcio Entonces para cualquier t (s, s), y m 1,

m n=0
tn tn E (X n ) = 1 + n n! n! n=1
m
0 0
(1 F (x)) xn1 dx F (x) xn1 dx

m1 n t
n=1
tn n n!
= 1+t
0
(1 F (x)) F (x)
n=0 m1 n t n n=0
n!
xn dx
n!
x dx.
Usando el teorema de convergencia mon otona, o el de convergencia dominada, dependiendo de los valores de t y x, cada una de estas integrales es convergente, para cualquier t (s, s), cuando se hace m tender a innito. De modo que
n=0
tn E (X n ) = 1 + t n! = M (t).
(1 F (x)) etx dx t
F (x) etx dx
3. Dado que M (t) se puede expresar como una serie de potencias en t, diferenciando y evaluando en cero se obtienen los coecientes E (X n ).
Nota importante. El hecho de que el n- esimo momento de una variable aleatoria exista, no implica que este puede ser hallado a trav es de la n esima derivada de la f.g.m. evaluada en cero. Es decir, es necesario conocer la existencia de la f.g.m. para que pueda ser utilizada para obtener los momentos. Por ejemplo, una variable aleatoria con distribuci on t(n) tiene esperanza cero pero su f.g.m. M (t) no existe para t distinto de cero.
321
Ejemplo. Sea X con distribuci on gama(n, ). Hemos encontrado antes que para t < , M (t) = n ( t)n . Calcularemos ahora la esperanza y varianza de X con ayuda de la f.g.m. Derivando una vez, M (t) = n n( t)n1 . Al evaluar en t = 0 se obtiene E (X ) = n/. Derivando nuevamente, M (t) = n n(n +1)( t)n2 . Por lo tanto E (X 2 ) = M (0) = n(n +1)/2 . Entonces Var(X ) = n(n + 1)/2 n2 /2 = n/2 . Ejemplo. Suponga ahora que X y Y son independientes cada una con distribuci on gama(n, ) y gama(m, ), respectivamente. Entonces la f.g.m. de X + Y es MX +Y (t) = MX (t) MY (t) = n ( t)n m ( t)m = n+m ( t)nm . Esta es la expresi on de la f.g.m. de la distribuci on gama, ahora con par ametros n + m y . Se concluye entonces X + Y tiene distribuci on gama(n + m, ). Nuevamente, es sencillo demostrar que la funci on generadora de la suma de dos variables aleatorias independientes es el producto de las funciones generadoras individuales. n. Sean X y Y son independientes, y cuyas f.g.m. existen Proposicio en una vecindad no trivial alrededor del cero. Entonces para cualquier t (s, s) para alg un s > 0, MX +Y (t) = MX (t) MY (t).
Demostraci on. MX +Y (t) = E (et(X +Y ) ) = E (etX etY ) = E (etX ) E (etY ) = MX (t) MY (t).
322
Es interesante observar que la condici on MX +Y (t) = MX (t) MY (t) no es suciente para concluir que X y Y son independientes. Ejercicio. Sea (X, Y ) un vector aleatorio con funci on de densidad f (x, y ) = [1 + xy (x2 y 2 )]/4, para 1 < x, y < 1.
Demuestre que X y Y no son independientes y sin embargo se cumple la identidad MX +Y (t) = MX (t) MY (t). Como hemos mencionado antes, no todas las distribuciones de probabilidad permiten calcular la funci on generadora de momentos dentro de un intervalo no trivial alrededor del cero, ni todos los c alculos son tan sencillos como en el ejemplo mostrado. Por ejemplo, la f.g.m. de la distribuci on Cauchy est andar no existe para valores de t distintos de cero, esto se pide comprobar en el ejercicio 576. Por otro lado, cuando se tienen dos variables X y Y con la misma distribuci on, entonces sus funciones generadoras de momentos coinciden pues estas de obtienen a trav es de la funci on de distribuci on com un. Por el contrario, si MX (t) = MY (t) en una vecindad no trivial alrededor del cero, entonces puede demostrarse que sus distribuciones coinciden, este resultado y otro relativo a convergencia es el contenido de la siguiente proposici on, cuya demostraci on omitiremos. n. Proposicio 1. (Unicidad). Las variables X y Y tienen la misma distribuci on si, y s olo si, MX (t) = MY (t) para valores de t en una vecindad no trivial alrededor del cero. 2. (Continuidad). Sea X1 , X2 , . . . una sucesi on de variables aleatorias cuyas funciones generadoras de momentos existen todas ellas en alg un intervalo no trivial alrededor del cero. Sea X con f.g.m. d olo si, MXn (t) MX (t). MX (t). Entonces Xn X si, y s Para el caso de vectores aleatorios se tiene la siguiente denici on. La fun-
323
ci on generadora de momentos del vector (X, Y ) es la funci on MX,Y (s, t) = E (esX etY ), para valores reales de s y t donde esta esperanza sea absolutamente convergente. Puede demostrarse que las variables X y Y son independientes si, y s olo si, MX,Y (s, t) = MX (s) MY (t). La denici on de f.g.m. para vectores de dimensi on mayor es an aloga. En la secci on de ejercicios se pueden encontrar las funciones generadoras de momentos de algunas otras distribuciones de probabilidad, tanto discretas como continuas, as como en el primer ap endice al nal del libro.
8.3.
Funci on caracter stica
Esta es una funci on denida para cada distribuci on de probabilidad, y a diferencia de las funciones generadoras de probabilidad y de momentos estudiadas antes, siempre existe. n. (Funcio n caracter Definicio stica). La funci on caracter stica de la variable aleatoria X es la funci on (t) = E eitX , denida para cualquier n umero real t. El n umero i es la unidad de los n umeros imaginarios. Observe que la transformaci on X eitX lleva una variable aleatoria real X a una variable aleatoria con valores en los n umeros complejos de la forma cos(tX ) + i sen(tX ), en donde cada parte de este n umero complejo es una variable aleatoria real, es decir, se trata de un vector aleatorio bidimensional como los estudiados anteriormente. La funci on caracter stica puede entonces escribirse en la forma (t) = E (cos tX ) + i E (sen tX ). Nuevamente se escribe X (t) cuando sea necesario especicar que se trata de
324
n caracter 8.3. Funcio stica
la funci on caracter stica de X , y se escribe simplemente f.c. en lugar de funci on caracter stica. Observe que la f.c., la f.g.m. y la f.g.p. est an relacionadas, cuando existen las dos u ltimas, por las igualdades (t) = M (it) = G(eit ). Se muestran a continuaci on algunos ejemplos de la forma de encontrar la funci on caracter stica a partir de una distribuci on de probabilidad. Ejemplo. Sea X con distribuci on bin(n, p). Entonces (t) = E (eitX )
n
=
x=0 n
eitx n x
n x
px (1 p)nx
=
x=0
(peit )x (1 p)nx
= (1 p + peit )n .
Ejemplo. Sea X con distribuci on Poisson(). Entonces (t) = E (eitX ) =

x=0
eitx e
x x!
= e
= e
x=0 (1eit )
(eit )x x! .
Otros ejemplos de funciones caracter sticas de distribuciones discretas se muestra en la siguiente tabla. El lector puede comprobar cada una de estas expresiones.
325
n Distribucio Ber(p) bin(n, p) Poisson() geo(p) bin neg(r, p)
n caracter Funcio stica (t) = 1 p + peit (t) = (1 p + peit )n (t) = e(1e

it
(t) = p/(1 (1 p)eit ) (t) = [p/(1 (1 p)eit )]r
Ahora se mostrar a la forma de encontrar la funci on caracter stica para dos distribuciones continuas: la distribuci on normal y la distribuci on gama. Ejemplo. Sea X con distribuci on N(, 2 ). Entonces (t) = E (eitX ) = =

eitx 1
1 2 2
e(x)
2 /2 2
dx dx
2 )]2 /2 2
2 2
e(x
2 2x(it 2 )+2 )/2 2
= e(
2 +(it 2 )2 )/2 2 2 2 /2
1 2 2
e[x(it
dx
= eitt
Observe que el u ltimo integrando es la funci on de densidad normal con media el n umero complejo it 2 , y varianza 2 . El hecho de que esta integral tambi en vale uno puede comprobarse, por ejemplo, usando el principio de
326
continuaci on anal tica de la teor a de variable compleja. Ejemplo. Sea X con distribuci on gama(n, ). Entonces (t) = E (eitX ) =
0
eitx
(x)n1 x e dx (n)
(x)n1 e(it)x dx (n) 0 [( it)x]n1 n ( it) e(it)x dx = ( it)n 0 (n) n = ( ) . it = El u ltimo integrando es la funci on de densidad de la distribuci on gama(n, it). Nuevamente usando la teor a de variable compleja puede demostrarse rigurosamente que esta integral tambi en vale uno. La siguiente tabla muestra algunos otros ejemplos de funciones caracter sticas para variables aleatorias continuas.
n Distribucio
n caracter Funcio stica
unif(a, b) exp() gama(n, ) N(, 2 ) 2 (n) t(n)
(t) = (eibt eiat )/(ibt iat) (t) = /( it) (t) = [/( it)]n
(t) = (1 2it)n/2
(t) = exp(it 2 t2 /2)
(t) = e|t| , cuando n = 1.
327
La existencia de la funci on caracter stica para cualquier distribuci on de probabilidad se sigue del siguiente resultado. n. (Existencia). Para cualquier n Proposicio umero real t, |(t)| 1. En particular, (0) = 1.
Demostraci on. Para cualquier n umero real t, |(t)| = |

eitx dF (x)|
|eitx | dF (x) =
dF (x) = 1.
De modo que (t) es un n umero complejo de m odulo menor o igual a uno, para cualquier valor de t. Veremos a continuaci on algunas otras propiedades de esta importante funci on. En particular, demostraremos que los momentos de una variable aleatoria X pueden ser generados, cuando existen, con la f.c. a trav es de la f ormula (n) (0) = in E (X n ), y como en el caso de las funciones generadoras anteriores, cuando X y Y son independientes se cumple que X +Y (t) = X (t) Y (t), no siendo v alido en general el rec proco. n. Si X tiene n- Proposicio esimo momento nito, entonces 1. dn (t) dtn = in E (X n ).
t=0
2. Cuando t 0, (t) =
n1 k =0
(it)k (it)n E (X k ) + ( E (X n ) + o(1) ). k! n!
(8.1)
Demostraci on.
328
1. Para cualquier h distinto de cero, (t + h) (t) h = =

ei(t+h)x eitx dF (x) h eitx eihx 1 dF (x) h (8.2)
= E ( eitX Como l m
eihX 1 ). h
h0
eihx 1 = ix, entonces, puntualmente, h l m eitX eihX 1 = iX eitX . h
h0
Comprobaremos que las variables aleatorias de esta sucesi on, parametrizada por h, estan uniformemente acotadas por una variable aleatoria integrable, en efecto, |eitX eihX 1 eihX 1 | = | | h h 1 h iX eisX ds| = | h 0 1 h isX |X | |e | ds h 0 = |X |.
Por hip otesis, E |X | < , de modo que usando el teorema de convergencia dominada en (8.2) se obtiene d (t) = E [ iX eitX ]. dt Por el mismo procedimiento se encuentra que dn (t) = E [ (iX )n eitX ]. dtn
329
Tomando el l mite cuando t 0 y usando nuevamente el teorema de convergencia dominada, se demuestra nalmente que dn (t) dtn = in E (X n ).
t=0
2. La f ormula se sigue del inciso anterior y del siguiente resultado de an alisis. Si g es una funci on con valores reales o complejos y denida en alg un intervalo no trivial alrededor del origen con g(n) (0) nita, entonces cuando t 0, g(t) = g(0)+tg (0)+
t2 tn1 (n1) tn g (0)+ + g (0)+ ( g(n) (0)+o(1) ). 2! (n 1)! n!
En la u ltima parte del curso se usar a la expansi on (8.1) para demostrar la ley de los grandes n umeros y el teorema del l mite central. Para el primer resultado se supondr a el primer momento nito y la expansi on adquiere la expresi on (t) = 1 + it( E (X ) + o(1) ), cuando t 0. Para el teorema del l mite central se supondr a el segundo momento nito y la expresi on que se usa es (t) = 1 + it E (X ) + ((it)2 /2!)( E (X 2 ) + o(1) ), cuando t 0. n. Si X y Y son independientes, entonces X +Y (t) = Proposicio X (t) Y (t).
Demostraci on. Por independencia, X +Y (t) = E (eit(X +Y ) ) = E (eitX eitY ) = E (eitX ) E (eitY ) = X (t) Y (t).
Nota importante. El resultado anterior establece en particular que el producto de dos funciones caracter sticas es nuevamente una funci on caracter stica. Por otro lado, es necesario se nalar que la condici on X +Y (t) =
330
X (t) Y (t) no es suciente para concluir que las variables aleatorias X y Y son independientes. Ejercicio. Sea (X, Y ) un vector aleatorio con funci on de densidad f (x, y ) = [1 + xy (x2 y 2 )]/4, para 1 < x, y < 1.
Demuestre que X y Y no son independientes y sin embargo se cumple la identidad X +Y (t) = X (t) Y (t). Otra de las propiedades fundamentales de la funci on caracter stica es su capacidad de determinar de manera u nica a las distribuciones de probabilidad. A este respecto se tienen los siguientes resultados. n. (Fo rmula de inversio n de L` Proposicio evy). Sea X con funci on de distribuci on F (x), y funci on caracter stica (t). Si x < y son puntos de continuidad de F , entonces F (y ) F (x) = l m 1 T 2
T T
eitx eity (t) dt. it
Cuando x y y no necesariamente son puntos de continuidad de F , el lado 1 izquierdo es 1 2 (F (y ) + F (y )) 2 (F (x) + F (x)). Demostraci on. Para T > 0 sea I (T ) = = = = 1 2 1 2 1 2 1 2
T T T T T
eitx eity (t) dt it eitx eity [ it

eitz dF (z )] dt dF (z ) dt
eit(z x)
T T T
it
eit(z y)
eit(z x) eit(z y) dt dF (z ). it
331
El cambio en el orden de integraci on es permitido pues el integrando es una funci on continua y acotada en t [T, T ] y z R, incluyendo cuando t = 0, pues puede denirse esta funci on de acuerdo a su comportamiento l mite en ese punto, es decir, l m eit(z x) eit(z y) = y x. it
T T
t0
Desarrollando las exponenciales en t erminos de senos y cosenos se obtiene I (T ) = 1 2

1 ( cos t(z x) + i sen t(z x) it cos t(z y ) i sen t(z y ) ) dt dF (z ),
en donde para cualquier n umero real a, por ser coseno una funci on par, y seno una funci on impar,
T T T
cos(at) dt = 0, t sen(at) dt = 2 t
T 0
y
T
sen(at) dt. t
Por lo tanto I (T ) = 1 2
T
(2
0
sen t(z x) dt 2 t
T 0
sen t(z y ) dt ) dF (z ). t
El siguiente paso consiste en aplicar el teorema de convergencia dominada cuando T . La integral I (T ) es la esperanza de la variable aleatoria XT = 1 (2 2
T 0
sen t(X x) dt 2 t
T 0
sen t(X y ) dt ). t
Nos interesa encontrar el l mite de esta variable cuando T . Para ello se hace uso del siguiente resultado no trivial: si a > 0, T sen at si a < 0, l m 2 dt = signo(a) = T t 0 0 si a = 0.
332
Entonces, puntualmente,
T
l m XT
Adem as, las variables XT est an acotadas en valor absoluto por una constante pues para cualquier n umero real a,
T
1 ( signo(X x) signo(X y ) ) 2 1 1 (X ) + 1(x,y) (X ) = 2 {x,y} 0 si X < x, 1/2 si X = x, = 1 si x < X < y, 1/2 si X = y, 0 si X > y. =
| Por lo tanto
T
sen at dt| sup | t T >0
T 0
sen t dt| < . t
l m I (T ) = = = = =
1 1{x,y} (z ) + 1(x,y) (z ) ] dF (z ) 2 1 1 P (X = x) + P (X = y ) + P (x < X < y ) 2 2 1 1 P (x < X y ) + P (X = x) P (X = y ) 2 2 1 1 F (y ) F (x) + P (X = x) P (X = y ) 2 2 1 1 (F (y ) + F (y )) (F (x) + F (x)). 2 2 [
En particular, si x y y son puntos de continuidad de F , entonces el l mite de la integral es igual a F (y ) F (x). Como corolario del teorema de inversi on demostraremos que la funci on caracter stica determina de manera u nica a la distribuci on de probabilidad.
333
Teorema de unicidad. Si X y Y son tales que X (t) = Y (t) para todo valor real de t, entonces X y Y tienen la misma distribuci on.
Demostraci on. Sea (t) la funci on caracter stica com un. Sea z cualquier n umero real, y sean x y y tales que x < z < y . Haciendo x tender a , y y z , en la f ormula de inversi on de L` evy, se obtiene una u nica funci on de distribuci on dada por F (z ) = l m l m l m 1 2
T T
y z x T
eitx eity (t) dt. it
Cuando la condici on X (t) = Y (t) s olo se cumple en una vecindad del cero, no es necesariamente cierto que la distribuci on de probabilidad queda completamente especicada. V ease [13] para un ejemplo al respecto. En el caso absolutamente continuo se tiene la siguiente f ormula expl cita. n (Fo rmula de inversio n en el caso abs. continuo). Proposicio Sea X absolutamente continua con funci on de densidad f (x), y funci on caracter stica (t). Entonces f (x) = 1 2

eitx (t) dt.
Demostraci on. Sean x < y , dos puntos de continuidad de F . Por el teorema
334
de inversi on de L` evy, y por el teorema de Fubini, F (y ) F (x) = = = =

x
1 T 2 l m 1 2 1 2
y
T T
eitx eity (t) dt it
eitx eity (t) dt it

y x
eitx dx (t) dt. eitx (t) dt dx.
1 2
Por lo tanto el integrando debe ser la funci on de densidad de X . Es necesario se nalar que el uso de esta f ormula requiere conocer de antemano que la funci on caracter stica proviene de una variable aleatoria absolutamente continua. De aqui surge el problema, que u nicamente mencionamos, de encontrar condiciones sobre (t) que garanticen que la correspondiente variable aleatoria es absolutamente continua. Ahora se demuestra un resultado que ser a de utilidad en la u ltima parte del curso y que establece que la convergencia en distribuci on es equivalente a la convergencia puntual de las correspondientes funciones caracter sticas. El resultado es v alido como esta enunciado pero s olo demostraremos una de las implicaciones. Teorema de Continuidad. Sean X, X1 , X2 , . . . variables aleatorias. d Entonces Xn X si, y s olo si, Xn (t) X (t). Demostraci on. () Suponga que Xn (t) X (t). Entonces para dos puntos de continuidad x < y de FX , el teorema de inversi on de L` evy establece
Cap tulo 8. Funciones generadoras que FX (y ) FX (x) = = = 1 T 2 l m 1 T 2 l m

T T T T
335
eitx eity (t) dt. it eitx eity [ l m Xn (t) ] dt. n it
T itx 1 e eity [ Xn (t) ] dt. n T 2 T it = l m FXn (y ) FXn (x).
l m l m
Haciendo x tender a se obtiene FX (y ) = l m FXn (y ).

n
En el siguiente cap tulo usaremos este resultado para demostrar el teorema central del l mite. Finalmente mencionamos la denici on de funci on caracter stica para vectores aleatorios. La f.c. del vector (X, Y ) es la funci on X,Y (s, t) = E (eisX eitY ), para valores reales de s y t donde esta esperanza sea absolutamente convergente. Nuevamente puede demostrarse que las variables X y Y son independientes si, y s olo si, X,Y (s, t) = X (s) Y (t). De manera an aloga puede denirse la funci on caracter stica para vectores de dimensi on mayor.
336
8.4. Ejercicios
8.4.
Ejercicios
Funci on generadora de probabilidad
538. Sea X con varianza nita y con f.g.p. G(t). Demuestre que a ) E (X ) = G (1).
b ) E (X 2 ) = G (1) + G (1).
c ) Var(X ) = G (1) + G (1) [G (1)]2 .
539. Sean X y Y independientes, y sean a y b dos constantes. Demuestre que a ) P (X = k) = G(k) (0)/k! para k = 0, 1, . . . b ) GaX +b (t) = tb GX (ta ). c ) GX Y (t) = GX (t) GY (1/t). 540. Sean X1 , . . . , Xn independientes tales que Xk tiene f.g.p. Gk (t), para k = 1, . . . , n. Demuestre que GX1 ++Xn (t) = G1 (t) Gn (t). 541. Demuestre o proporcione un contraejemplo: Si GX +Y (t) = GX (t) GY (t), para valores de t en alg un intervalo no trivial alrededor del cero, entonces X y Y son independientes. 542. Sea X1 , X2 , . . . una sucesi on de v.a.i.i.d. con f.g.p. GX (t). Sea N otra variable aleatoria con valores en N, independiente de la sucesi on y con f.g.p. GN (t). Sea S = X1 + + XN . Demuestre que a ) GS (t) = GN (GX (t)). b ) E (S ) = E (N )E (X ), usando GS (t). c ) Var(S ) = E 2 (X ) Var(N ) + E (N ) Var(X ), usando GS (t). 543. Encuentre la funci on generadora de probabilidad, si existe, de una variable aleatoria con funci on de densidad
Cap tulo 8. Funciones generadoras 1 , para x = 1, 2, . . . x!(e 1) 1 b ) f (x) = , para x = 1, 2, . . . x(x + 1)
337
a ) f (x) =
544. Sea X con distribuci on Ber(p). Demuestre que a ) G(t) = 1 p + pt.
b ) E (X ) = p, usando G(t). c ) Var(X ) = p(1 p), usando G(t).
d ) E (X n ) = p, usando G(t).
545. Sea X con distribuci on bin(n, p). Demuestre que a ) G(t) = (1 p + pt)n .
b ) E (X ) = np, usando G(t).
c ) Var(X ) = np(1 p), usando G(t). 546. Sean X1 , . . . , Xn variables aleatorias independientes, cada una con distribuci on Ber(p). Use la f.g.p. para demostrar que la variable X1 + + Xn tiene distribuci on bin(n, p). 547. Sean X y Y independientes con distribuci on bin(n, p) y bin(m, p), respectivamente. Use la f.g.p. para demostrar que la variable X + Y tiene distribuci on bin(n + m, p). 548. Sea X con distribuci on bin(N, p), en donde N es una variable aleatoria con distribuci on bin(n, r ). Use la f.g.p. para demostrar que X tiene distribuci on bin(n, rp). 549. Sea X con distribuci on geo(p). Demuestre que a ) G(t) = p/[1 t(1 p)].
b ) E (X ) = (1 p)/p, usando G(t).
c ) Var(X ) = (1 p)/p2 , usando G(t).
338
8.4. Ejercicios
550. Sea X con distribuci on Poisson(). Demuestre que a ) G(t) = e(1t) . b ) E (X ) = , usando G(t). c ) Var(X ) = , usando G(t). 551. Sean X y Y independientes con distribuci on Poisson con par ametros 1 y 2 respectivamente. Use la f.g.p. para demostrar que la variable X + Y tiene distribuci on Poisson(1 + 2 ). 552. Sea X con distribuci on bin neg(r, p). Demuestre que a ) G(t) = [p/(1 t(1 p))]r .
c ) Var(X ) = r (1 p)/p2 , usando G(t).
b ) E (X ) = r (1 p)/p, usando G(t).
Funci on generadora de momentos

553. Encuentre la funci on generadora de momentos, si existe, de una variable aleatoria con funci on de densidad a ) f (x) = 1 , para x = 1, 2, . . . x!(e 1)
b ) f (x) = e|x| /2, para < x < . 554. Sea X con varianza nita y con f.g.m. M (t). Demuestre que a ) E (X ) = M (0). b ) E (X 2 ) = M (0). c ) Var(X ) = M (0) (M (0))2 . 555. Sean X y Y independientes e id enticamente distribuidas con f.g.m. M (t). Demuestre que MX Y (t) = M (t) M (t). 556. Sea X con f.g.m. MX (t), y sean a y b dos constantes. Demuestre que MaX +b (t) = etb MX (at).
339
557. Sea X con f.g.m. MX (t). Diga falso o verdadero, demuestre en cada caso. a ) MX (t) 0.
b ) M2X (t) = MX (2t). c ) MX 2 (t) = MX (tX ).
558. Sea X con distribuci on Ber(p). Demuestre que a ) M (t) = 1 p + pet .
b ) E (X ) = p, usando M (t). c ) E (X n ) = p, usando M (t).
d ) Var(X ) = p(1 p), usando M (t). 559. Sea X con distribuci on bin(n, p). Demuestre que a ) M (t) = (1 p + pet )n .
b ) E (X ) = np, usando M (t).
c ) Var(X ) = np(1 p), usando M (t). on Ber(p). Use 560. Sean X1 , . . . , Xn independientes cada una con distribuci la f.g.m. para demostrar que la variable X1 + + Xn tiene distribuci on bin(n, p). 561. Sean X y Y independientes con distribuci on bin(n, p) y bin(m, p) respectivamente. Use la f.g.m. para demostrar que X + Y tiene distribuci on bin(n + m, p). 562. Sea X con distribuci on geo(p). Demuestre que a ) M (t) = p/[1 (1 p)et ].
c ) Var(X ) = (1 p)/p2 , usando M (t). 563. Sea X con distribuci on Poisson(). Demuestre que
b ) E (X ) = (1 p)/p, usando M (t).
340
8.4. Ejercicios a ) M (t) = exp[(et 1)].
b ) M (t) = M (t) + et M (t).
c ) E (X ) = , usando M (t). d ) Var(X ) = , usando M (t). e ) E [(X )3 ] = , usando M (t). 564. Sea X con distribuci on unif(a, b). Demuestre que a ) M (t) = ebt eat . (b a)t b ) E (X ) = (a + b)/2, usando M (t). c ) Var(X ) = (b a)2 /12, usando M (t). 565. Sea X con distribuci on exp(). Demuestre que a ) M (t) = /( t), para t < . b ) E (X ) = 1/, usando M (t). c ) Var(X ) = 1/2 , usando M (t). 566. Sea X con distribuci on N(, 2 ). Demuestre que a ) M (t) = exp(t + 2 t2 /2). b ) E (X ) = , usando M (t). c ) Var(X ) = 2 , usando M (t).
2 ) y N( , 2 ) 567. Sean X y Y independientes con distribuci on N(1 , 1 2 2 respectivamente. Use la f.g.m. para demostrar que X + Y tiene distri2 + 2 . buci on normal con media 1 + 2 y varianza 1 2
568. Sea X con distribuci on gama(n, ). Demuestre que a ) M (t) = [/( t)]n , para t < . b ) E (X ) = n/, usando M (t). c ) Var(X ) = n/2 , usando M (t).
341
569. Sean X y Y independientes ambas con distribuci on exp(). Use la f.g.m. para demostrar que X + Y tiene distribuci on gama(2, ). 570. Sean X y Y independientes con distribuci on gama(n, ) y gama(m, ) respectivamente. Use la f.g.m. para demostrar que la variable X + Y tiene distribuci on gama(n + m, ). 571. Sea X con distribuci on 2 (n). Demuestre que a ) M (t) = [1/(1 2t)]n/2 , para t < 1/2. b ) E (X ) = n, usando M (t). c ) Var(X ) = 2n, usando M (t). 572. Use la f.g.m. para demostrar que si X y Y son independientes tales que X tiene distribuci on 2 (n) y X + Y tiene distribuci on 2 (m) con m > n, entonces Y tiene distribuci on 2 (m n). 573. Sean X y Y independientes con distribuci on 2 (n) y 2 (m) respectivamente. Use la f.g.m. para demostrar que X + Y tiene distribuci on 2 (n + m). 574. Sea X con distribuci on N(, 2 ). Use la f.g.m. para demostrar que a ) X tiene distribuci on N(, 2 ). b ) aX + b tiene distribuci on N(a + b, a2 2 ), con a = 0. c ) (X )2 / 2 tiene distribuci on 2 (1). 575. Sean X1 , . . . , Xn independientes tales que Xk tiene f.g.m. Mk (t) para k = 1, . . . , n. Demuestre que MX1 ++Xn (t) = M1 (t) Mn (t). 576. Sea X con distribuci on Cauchy est andar. Demuestre que MX (t) = 1 si t = 0, si t = 0. 1 si t = 0, si t = 0.
577. Sea X con distribuci on t(n). Demuestre que MX (t) =
342
8.4. Ejercicios
578. Sea n un n umero natural. Demuestre que no existe la f.g.m. de la siguiente funci on de densidad. Esta distribuci on tiene momentos nitos de orden 1, 2, . . . , n 1, pero el n- esimo momento y superiores no existen. n/xn+1 si x > 1, f (x) = 0 otro caso.
Funci on caracter stica

579. Encuentre la funci on caracter stica de una variable aleatoria con funci on de densidad a ) f (x) = 1 , para x = 1, 2, . . . x!(e 1)
b ) f (x) = e|x| /2, para < x < . 580. Sea X con funci on caracter stica X (t), y sean a y b dos constantes. Demuestre que aX +b (t) = eitb X (at). 581. Demuestre que una funci on de distribuci on F (x) es sim etrica si, y s olo si, la correspondiente funci on caracter stica (t) es real. 582. Demuestre que la funci on caracter stica es una funci on uniformemente continua, es decir, para todo > 0 existe > 0 tal que para todo t y s con |t s| < , se cumple que |(t) (s)| < . 583. Demuestre que la funci on caracter stica satisface la igualdad (t) = (t), en donde z denota el complejo conjugado de z . 584. Sean 1 (t) y 2 (t) dos funciones caracter sticas, y sea [0, 1]. Demuestre que la combinaci on lineal convexa 1 (t) + (1 )2 (t) es una funci on caracter stica. 585. Sean X y Y independientes y con id entica distribuci on. Demuestre que X Y (t) = |X (t)|2 , en este caso la funci on caracter stica es una funci on real por que la variable X Y es sim etrica.
Cap tulo 8. Funciones generadoras 586. Sea X con distribuci on Ber(p). Demuestre que a ) (t) = 1 p + peit .
343
b ) E (X ) = p, usando (t).
d ) E (X n ) = p, usando (t), con n 1 entero. 587. Sea X con distribuci on bin(n, p). Hemos demostrado que la funci on caracter stica de esta distribuci on es (t) = (1 p + peit )n . Usando (t) demuestre ahora que a ) E (X ) = np. b ) E (X 2 ) = np(1 p + np). c ) Var(X ) = np(1 p). 588. Sea X con distribuci on Poisson(). Hemos demostrado que la funci on caracter stica de esta distribuci on es (t) = exp[(1 eit )]. Usando (t) compruebe que a ) E (X ) = . b ) E (X 2 ) = ( + 1). c ) Var(X ) = . 589. Sea X con distribuci on geo(p). Demuestre que a ) (t) = p/(1 (1 p)eit ).
c ) Var(X ) = p(1 p), usando (t).
b ) E (X ) = (1 p)/p, usando (t).
c ) Var(X ) = (1 p)/p2 , usando (t). 590. Sea X tiene distribuci on bin neg(r, p). Demuestre que a ) (t) = [p/(1 (1 p)eit )]r .
c ) Var(X ) = r (1 p)/p2 , usando (t).
b ) E (X ) = r (1 p)/p, usando (t).
344
8.4. Ejercicios
591. Sea X con distribuci on unif(a, a). Demuestre que (t) = (sen at)/at. 592. Sea X con distribuci on unif(a, b). Demuestre que a ) (t) = [eibt eiat ]/[it(b a)]. b ) E (X ) = (a + b)/2, usando (t). c ) Var(X ) = (b a)2 /12, usando (t).
593. Sea X con distribuci on N(, 2 ). Hemos demostrado que la funci on caracter stica de esta distribuci on es (t) = exp (it 2 t2 /2). Usando (t) compruebe que E (X ) = y Var(X ) = 2 . 594. Sea X con distribuci on normal est andar. Use la funci on caracter stica para demostrar que para n = 0, 1, . . . n! si n es par, n n/ 2 2 (n/2)! E (X ) = 0 si n es impar.
595. Sea X con distribuci on exp(). Demuestre que (t) = /( it). Use (t) para comprobar que E (X ) = 1/, y Var(X ) = 1/2 . 596. Sea X con distribuci on gama(n, ). Hemos encontrado que la funci on n caracter stica de esta distribuci on es (t) = [/( it)] . Usando (t) compruebe nuevamente que a ) E (X ) = n/. (m + n) b ) E (X m ) = m , (n) c ) Var(X ) = n/2 .
para m = 0, 1, . . .
597. Sean X y Y independientes ambas con distribuci on exp(). Use la funci on caracter stica para demostrar que la variable X + Y tiene distribuci on gama(2, ). 598. Sean X y Y independientes con distribuci on gama(n, ) y gama(m, ) respectivamente. Use la funci on caracter stica para demostrar que la variable X + Y tiene distribuci on gama(n + m, ).
345
599. Sea X con funci on de distribuci on F (x) = ex /(1 + ex ). Demuestre que F (x) es efectivamente una funci on de distribuci on, y calcule su funci on caracter stica asociada. Con ayuda de esta u ltima encuentre la esperanza y la varianza de X . 600. Sean X y Y independientes. Demuestre que XY (t) =

Y (tx) dFX (x) =
X (ty ) dFY (y ).
601. Mediante el c alculo de residuos de la teor a de variable compleja puede demostrarse que la distribuci on Cauchy est andar tiene funci on caracter stica 1 dx = e|t| . (t) = eitx 2) (1 + x Suponiendo este resultado, encuentre el error en el siguiente argumento para encontrar la f.g.m. de la distribuci on Cauchy: Como (t) = e|t| y M (t) = (it), entonces M (t) = e|it| = e|t| . El caso es que no existe la f.g.m. para la distribuci on Cauchy. 602. Sean X1 , . . . , Xn independientes cada una de ellas con distribuci on | Cauchy est andar, es decir, la funci on caracter stica es (t) = e t| . Use este resultado para demostrar que la v.a. Sn = (X1 + + Xn )/n tiene distribuci on Cauchy est andar para cualquier valor de n.
Cap tulo 9
Dos teoremas l mite
En este u ltimo cap tulo se estudian dos de los teoremas m as importantes en probabilidad: la ley de los grandes n umeros y el teorema central del l mite. Antes de ello se revisan algunas desigualdades de inter es general.
9.1.
Algunas desigualdades
n. (Desigualdad de Markov). Sea X 0 una variable Proposicio aleatoria con esperanza nita. Para cualquier > 0, P (X ) E (X ) .
347
348
Demostraci on.
9.1. Algunas desigualdades
E (X ) = E ( X 1(X ) + X 1(X<) ) E ( X 1(X ) ) E ( 1(X ) ) = P (X ).
En palabras, este resultado establece que la probabilidad de que X exceda un valor positivo est a acotada superiormente por la media entre . Existen otras versiones equivalentes de esta desigualdad, por ejemplo, a) P (|X | ) E |X |/. b) P (|X | ) E |X |n /n , con n en N. La siguiente desigualdad ser a usada en la siguiente secci on para demostrar la ley d ebil de los grandes n umeros. n. (Desigualdad de Chebyshev). Sea X una variable Proposicio aleatoria con media y varianza nita 2 . Para cualquier > 0, P (|X | ) 2 . 2 (9.1)
Demostraci on. 2 = E (X )2 = E (X )2 1(|X |) + (X )2 1(|X |<)
E (X )2 1(|X |) = 2 P (|X | ). E 2 1(|X |)
Cap tulo 9. Dos teoremas l mite
349
En palabras, esta desigualdad dice que la probabilidad de que X diera de su media en mas de est a acotada superiormente por la varianza entre 2 . A este resultado se le conoce tambi en con el nombre de desigualdad de Chebyshev-Bienaym e. Existen otras versiones de esta desigualdad equivalentes a la demostrada, por ejemplo, a) P (|X | ) 1/2 . b) P (|X | < ) 1 1/2 . c) P (|X | < ) 1 2 /2 . Ahora demostraremos una versi on de la desigualdad de Chebyshev un poco m as general. n. (Desigualdad de Chebyshev extendida). Sea X Proposicio una variable aleatoria, y sea g 0 una funci on no decreciente tal que g(X ) es una variable aleatoria con esperanza nita. Para cualquier > 0, P (X ) E [g(X )] . g() (9.2)
Demostraci on. E [g(X )] = E [ g(X ) 1(X ) + g(X ) 1(X<) ] E [ g() 1(X ) ] = g()P (X ). E [ g(X ) 1(X ) ]
350
9.1. Algunas desigualdades
Pafnuty Lvovich Chebyshev (Rusia, 18211894)
Andrei Andreyevich Markov (Rusia, 18561922)
Profesor y alumno. Fuente: Archivo MacTutor, Universidad de St. Andrews.
A partir de la desigualdad anterior y con una funci on g adecuada se pueden obtener tanto la desigualdad de Chebyshev como la desigualdad de Markov. n. (Desigualdad de Kolmogorov). Sean X1 , . . . , Xn inProposicio dependientes con media cero y segundo momento nito. Para cualquier > 0, n 1 P ( m ax {|X1 + + Xk |} ) 2 Var(Xk ). k
k =1
Demostraci on. Para cada k = 1, . . . , n, dena Sk = X1 + + Xk , cuya esperanza es cero por hip otesis. Observe que las variables Sk y Sn Sk son independientes y por lo tanto E (Sk (Sn Sk )) = 0. Dena ahora los eventos disjuntos Ak = ( |Sk | )
k 1 i=1
( |Si | < ),
351
en donde en particular A1 = ( |S1 | ). El evento de inter es puede escribirse como A = n A . Entonces k k =1

n 2 ) E (Sn
2 E (Sn 1A ) n k =1 n
=
k =1
2 E (Sn 1Ak )
E ( (Sk + (Sn Sk ))2 1Ak )

2 E ( (Sk + 2Sk (Sn Sk ) + (Sn Sk )2 ) 1Ak ) n 2 E (Sk 1Ak ) k =1 n
=
k =1 n
k =1
2 E (1Ak )
2 P (Ak )
k =1
= 2 P (A).
2 ) = Var(S ) = El resultado se obtiene al observar que E (Sn n n k =1 Var(Xk ).
Cuando n = 1 la desigualdad de Kolmogorov se reduce a la desigualdad de Chebyshev. En resumen se tiene la siguiente tabla.
Algunas desigualdades Markov: a) P (X ) E (X )/, para X 0.
b) P (|X | ) E |X |/. Chebyshev:
c) P (|X | ) E |X |n /n . a) P (|X | ) Var(X )/2 . b) P (X ) E [g (X )]/g (),

k
con g 0 no decreciente. 1 2
n
Kolmogorov:
P ( m ax{|X1 + + Xk |} )
Var(Xk ).
k=1
352
meros 9.2. Ley de los grandes nu
9.2.
Ley de los grandes n umeros
Este interesante resultado establece que, bajo ciertas condiciones, el promedio de variables aleatorias converge a una constante cuando el n umero de sumandos crece a innito. Demostraremos dos versiones de esta armaci on, las cuales se distinguen por el tipo de convergencia de la que se trate. La ley d ebil establece la convergencia en probabilidad y la ley fuerte dice que la convergencia es casi segura. La ley fuerte implica entonces la ley d ebil. Existen adem as varias generalizaciones de este resultado. bil de los grandes nu meros). Teorema de Bernoulli. (Ley de enticamente distribuidas con media Sean X1 , X2 , . . . independientes e id . Entonces n 1 p Xi . n
i=1
Demostraci on. Sea Sn = (X1 + + Xn )/n, y sea (t) la funci on caracter stica de cualquier elemento X de la sucesi on. Como X tiene esperanza nita y por la expansi on (8.1), (t) = 1 + it( + o(1)), cuando t 0. cuando t 0,
d
Por independencia la funci on caracter stica de Sn es entonces Sn (t) = n (t/n) = ( 1 + i(t/n)( + o(1)) )n ,
Haciendo n se obtiene Sn (t) eit , en donde eit es la funci on
caracter stica de la variable aleatoria constante . Esto implica que Sn . El resultado se obtiene al recordar que la convergencia en distribuci on a una constante es equivalente a la convergencia en probabilidad. Este mismo resultado puede demostrarse f acilmente a partir de la desigualdad de Chebyshev bajo la hip otesis adicional de existencia de la varianza.
353
El argumento es el siguiente. Sea nuevamente Sn = (X1 + + Xn )/n. Entonces E (Sn ) = y Var(Sn ) = 2 /n, suponiendo Var(X ) = 2 < . La desigualdad de Chebyshev aplicada a la variable Sn asegura que para cualquier > 0 se cumple P (|Sn | ) 2 /n2 . Basta ahora tomar el l mite cuando n tiende a innito para obtener el resultado. Damos a continuaci on un ejemplo sencillo de aplicaci on de la ley d ebil y m as adelante demostramos la ley fuerte. Ejemplo (Probabilidad frecuentista). Considere un experimento aleatorio cualquiera y sea A un evento. Se efect uan realizaciones independientes del experimento, y se observa en cada ensayo la ocurrencia o no ocurrencia esimo ensayo del evento A. Sea Xk la variable que toma el valor uno si en el k- se observa A, y cero en caso contrario. Entonces las variables X1 , X2 , . . . son independientes cada una con distribuci on Ber(p), en donde p es la probabilidad desconocida del evento A. Por lo tanto E (Xk ) = p y Var(Xk ) = p(1 p). La ley d ebil de los grandes n umeros asegura que la fracci on de ensayos en los que se observa el evento A converge, en probabilidad, a la constante desconocida p cuando el n umero de ensayos crece a innito. Esta es la denici on frecuentista de la probabilidad, y hemos entonces corroborado su validez con ayuda de la ley de los grandes n umeros. Ejemplo. A continuaci on se muestra gr acamente una simulaci on en computadora del comportamiento del cociente (X1 + + Xn )/n cuando n crece. Se muestra tambi en el c odigo MATLAB utilizado, el cual puede ser traducido f acilmente a cualquier otro lenguaje de programaci on. Se generaron 200 valores al azar usando la distribuci on discreta Ber(p), con p = 0.5. El comando binornd(n,p) genera un valor al azar de la distribuci on bin(n, p). Los A datos obtenidos por este paquete fueron luego trasladados a L TEX, usando pstricks, para generar la gr aca mostrada en la Figura 9.1. Los puntos gracados fueron unidos por una linea continua para una mejor visualizaci on del comportamiento inicial oscilante y su eventual estabilizaci on. Ejemplo. Esta es otra simulaci on en computadora del comportamiento del cociente (X1 + + Xn )/n cuando n crece, ahora usando la distribuci on
354
randn(state,150) N=200; S=zeros(1,N); Sn=zeros(1,N); p=0.5; R=binornd(1,p); S(1)=R; Sn(1)=R; 1/2 for j=2:N S(j)=S(j-1)+binornd(1,p); Sn(j)=S(j)/j; end plot([Sn],r-)
Sn /n
100
200
Figura 9.1: Comportamiento del cociente Sn /n cuando n crece cuando las variables Xi tienen distribuci on discreta Ber(p), con p = 0.5, y el c odigo MATLAB para generar la simulaci on.
continua N(1, 9). El comando randn genera valores al azar de la distribuci on normal est andar, de modo que la expresi on 1+3*randn corresponde a un valor de la distribuci on N(1, 9). Se generaron nuevamente 200 de estos valores y los resultados de muestran en la Figura 9.2. Es graticante observar las oscilaciones iniciales de dicho cociente y su eventual estabilizaci on hacia la media de la distribuci on. meros). Sean X1 , X2 , . . . Teorema. (Ley fuerte de los grandes nu independientes e id enticamente distribuidas con media . Entonces 1 n
n i=1
Xi .
c.s.
Demostraci on. (Suponiendo cuarto momento nito). Dada la id entica distribuci on de los elementos de la sucesi on, cualquier elemento de esta se denota simplemente por X . Suponga que E |X |2 = 2 y observe que
355
randn(state,1500) N=200; S=zeros(1,N); Sn=zeros(1,N); R=1+3*randn; S(1)=R; Sn(1)=R; for j=2:N S(j)=S(j-1)+1+3*randn; Sn(j)=S(j)/j; end plot([Sn],r-)
Sn /n
1 n
100
200
Figura 9.2: Comportamiento del cociente Sn /n cuando n crece usando la distribuci on normal con media uno y varianza nueve.
E (X ) = 0. Entonces por independencia,

n
E|
i=1
(Xi )|4 = nE |X |4 + 3n(n 1) 4 .

n i=1 (Xi )|
Por la desigualdad de Chebyshev (9.2) aplicada a la variable | y la funci on g(x) = x4 se obtiene, para > 0,
n n
P (|
i=1
(Xi )| > n) E |
i=1
(Xi )|4 /(n)4
= ( nE |X |4 + 3n(n 1) 4 )/(n)4 .
n 1 Sea el evento An = (| n i=1 Xi | > ). Entonces n=1 P (An ) < . Por el lema de Borel-Cantelli la probabilidad de que ocurra una innidad de eventos An es cero, es decir, con probabilidad uno, s olo un n umero nito de estos eventos ocurre. Por lo tanto con probabilidad uno, existe un n umero natural n a partir del cual ning un evento An se verica. Es decir,
1 P ( l m | n n
n i=1
Xi | ) = 1.
356
Como esta armaci on vale para cualquier > 0, se cumple que P ( l m 1 n n

n
Xi = ) = 1.
i=1
Ejemplo. (El problema del mono, nuevamente). Usaremos la ley fuerte de los grandes n umeros para dar otra soluci on al problema del mono. Considere entonces un mono que escribe caracteres al azar. Nos interesa encontrar la probabilidad de que el mono eventualmente escriba las obras completas de Shakespeare, las cuales, supondremos, tienen una longitud total de N caracteres. Nuevamente se consideran bloques de longitud N de la siguiente forma x1 , . . . , xN , xN +1 , . . . , x2N , . . . Sea Ak el evento correspondiente a que en el k- esimo bloque el mono tenga exito, y sea Xk la variable aleatoria indicadora del evento Ak , es decir, Xk = 1 si Ak ocurre, 0 si Ak no ocurre.
Se tiene entonces una sucesi on de variables aleatorias X1 , X2 , . . . independientes e id enticamente distribuidas Ber(p), con p = P (Ak ) = (1/m)N , suponiendo que el total de caracteres disponibles es m. En particular, la media de cada una de estas variables es E (Xk ) = p. Considere ahora la suma X1 + + Xn . Si para alg un valor de n esta suma es positiva, signica que alguno de los sumandos es distinto de cero, y por lo tanto que el mono ha tenido exito. Pero esto es justamente lo que garantiza la ley fuerte de los grandes n umeros pues P ( l m 1 n n
n
Xk = p ) = 1.
k =1
Es decir, con probabilidad uno la suma en esta ecuaci on es positiva. Esto implica que debe existir un valor de k tal que Xk = 1, y esto a su vez
357
signica que en el k- esimo bloque el mono ha tenido exito. M as a un, para que el promedio que aparece en esta ecuaci on sea positivo necesariamente la suma debe ser innita, y por lo tanto, deben existir una innidad de valores de k tal que Xk = 1. Esto quiere decir que con probabilidad uno el mono escribir a una innidad de veces las obras completas de Shakespeare.
9.3.
Teorema central del l mite
Concluimos el curso con el c elebre y famoso teorema central del l mite. Este resultado es de amplio uso en estad stica y otras ramas de aplicaci on de la probabilidad. Existen muchas versiones y generalizaciones de este teorema pero nos limitaremos a enunciar y demostrar una versi on simple y corta. Un caso particular de este resultado lleva el nombre de A. de Moivre y de P. S. Laplace. Teorema de De Moivre-Laplace. Sea X1 , X2 , . . . una sucesi on de variables aleatorias independientes tal que cada una de ellas tiene distribuci on Bernoulli con par ametro p (0, 1). Para cualesquiera n umeros reales a < b, l m P ( a < X1 + + Xn np 1 < b) = 2 np(1 p)
b a
ex
2 /2
dx.
En palabras este resultado establece que la variable aleatoria (X1 + + Xn np)/ np(1 p) converge en distribuci on a una variable aleatoria normal est andar, una demostraci on directa puede ser encontrada en [8]. Este teorema fue descubierto por A. de Moivre alrededor de 1733 en el caso cuando las variables aleatorias tienen distribuci on Bernoulli con p = 1/2. A nos despu es P. S. Laplace demostr o su validez para valores arbitrarios de p. El teorema de de Moivre-Laplace es una caso particular del siguiente resultado fundamental.
358
9.3. Teorema central del l mite
Teorema central del l mite. Sea X1 , X2 . . . una sucesi on de variables aleatorias independientes e id enticamente distribuidas tales que para cada natural n, E (Xn ) = y Var(Xn ) = 2 < . Entonces X1 + + Xn n d N(0, 1). n
Demostraci on. Observe que X1 + + Xn n (X1 )/ + + (Xn )/ = , n n en donde cada sumando del numerador en el lado derecho es una variable con media cero y varianza uno. As pues, sin p erdida de generalidad, supondremos que cada variable de la sucesi on tiene media cero y varianza uno. Considere entonces la suma Zn = (X1 + + Xn )/ n. Se desea probar que
d
2 /2
Zn N(0, 1). Para ello es suciente demostrar que Zn (t) et independencia e id entica distribuci on, Zn (t) = E ( eit(X1 ++Xn )/ n ) = ( X (t/ n) )n ,
. Por
on caracter stica de cualquier elemento de la en donde X (t) es la funci sucesi on, que por la expansi on (8.1) adquiere la expresi on, cuando t 0, 1 X (t) = 1 t2 (1 + o(1)). 2
Por lo tanto,
t2 (1 + o(1)) )n . 2n 2 Haciendo n se obtiene Zn (t) et /2 . Zn (t) = ( 1
El teorema central del l mite establece entonces que para cualquier n umero real x, X1 + + Xn n l m P ( x ) = P (Z x), n n
359
en donde Z tiene distribuci on normal est andar. Observe que la suma X1 + + Xn tiene media n y varianza n 2 , de modo que la expresi on de arriba es una especie de estandarizaci on de esta variable. Equivalentemente el resultado puede enunciarse del siguiente modo: (X1 + + Xn )/n d N(0, 1). / n Este teorema fue demostrado rigurosamente por A. M. Lyapunov alrededor de 1901. Observe que no hay ninguna hip otesis adicional sobre la distribuci on de las variables de la sucesi on, es decir, estas pueden tener cualquier distribuci on, s olo requiriendo la existencia de la media y la varianza.
360
9.4. Ejercicios
9.4.
Ejercicios
Desigualdad de Markov
603. Demuestre la desigualdad de Markov siguiendo los siguientes pasos: Suponga X 0, y para > 0 dena X = si X , 0 si X < .
Compruebe que X X . Ahora tome esperanza de ambos lados y calcule E (X ). 604. Use la desigualdad de Markov para demostrar que si X es una variable aleatoria no negativa con esperanza cero, entonces X = 0 casi seguramente. 605. Conv. en media Conv. en probabilidad. Demuestre que la convergencia en media implica la convergencia en probabilidad, usando la desigualdad de Markov aplicada a la variable aleatoria no negativa |Xn X |.
Desigualdad de Chebyshev
606. Conv. en m.c. Conv. en probabilidad. Use la desigualdad de Chebyshev (9.2) para demostrar directamente que la convergencia en media cuadr atica implica la convergencia en probabilidad. 607. Demuestre la desigualdad de Chebyshev (9.1) usando la desigualdad de Markov aplicada a la variable aleatoria no negativa |X |. 608. Use la desigualdad de Chebyshev para demostrar que si X es una variable aleatoria tal que E (X ) = a y Var(X ) = 0, entonces X es constante casi seguramente, es decir, P (X = a) = 1.
361
609. Sea X con media y varianza 2 . Use la desigualdad de Chebyshev para estimar la probabilidad de que X tome valores entre y + para cualquier > 0 constante. 610. A partir de la desigualdad de Chebyshev extendida (9.2) demuestre la desigualdad de Chebyshev (9.1) y la desigualdad de Markov. 611. Demuestre que P (|X | ) E |X |/, para > 0, a ) usando la desigualdad de Chebyshev extendida. b ) de manera directa. 612. Demuestre que P (|X | ) E |X |n /n , para > 0 y n N, a ) usando la desigualdad de Chebyshev extendida. b ) de manera directa. 613. Demuestre que P (X ) E (etX )/et , para > 0 y t > 0, a ) usando la desigualdad de Chebyshev extendida. b ) de manera directa. 614. Sea X discreta con funci on de probabilidad 1/18 si x = 1, 1, f (x) = 16/18 si x = 0, 0 otro caso.
Demuestre que el valor exacto de la probabilidad P (|X | 3 ) coincide con la estimaci on dada por la desigualdad de Chebyshev. Este resultado demuestra que, sin hip otesis adicionales, la cota superior dada por la desigualdad de Chebyshev es optima.
615. Considere la siguiente versi on de la desigualdad de Chebyshev P (|X | < ) 1 1/2 . Encuentre el m nimo valor de > 0 de tal modo que la probabilidad de que una variable aleatoria tome valores entre y + sea al menos 0.90.
362
9.4. Ejercicios
616. Desigualdad de Cantelli. Demuestre que si Var(X ) < , entonces para cualquier > 0, P (|X E (X )| > ) 2 Var(X ) . 2 + Var(X )
Ley de los grandes n umeros

617. Use la ley d ebil de los grandes n umeros para demostrar que si Xn p 1 tiene distribuci on bin(n, p), entonces n Xn p, cuando n tiende a innito. meros en media cuadra tica. Demues618. Ley de los grandes nu tre que si X1 , X2 , . . . son independientes con media y varianza 2 , entonces n 1 m.c. Xi . n
i=1
Observe que no se pide la hip otesis de id entica distribuci on para las variables aleatorias y que este resultado no es consecuencia de la ley fuerte. 619. Sean X1 , . . . , Xn independientes con distribuci on N(, 2 ). El promedio (X1 + + Xn )/n tiene distribuci on N(, 2 /n) para cualquier valor de n. Contradice esto la ley de los grandes n umeros? 620. En el ejercicio 602 se pide usar la funci on caracter stica para demostrar que si X1 , . . . , Xn son independientes con distribuci on Cauchy est andar, entonces el promedio Sn = (X1 + + Xn )/n tiene distribuci on Cauchy est andar, independientemente del valor de n. Contradice esto la ley de los grandes n umeros? 621. Se lanza una moneda equilibrada 2n veces. Calcule la probabilidad de que ambas caras caigan el mismo n umero de veces. Qu e le sucede a esta probabilidad cuando n tiende a innito? Contradice esto la ley de los grandes n umeros?
363
Teorema central del l mite

622. Use el teorema central del l mite para estimar la probabilidad de obtener mas de 520 aguilas en 1000 lanzamientos de una moneda honesta. 623. Sean X1 , X2 , . . . independientes con distribuci on Poisson() con = 1. Use el teorema central del l mite para demostrar que l m 1 en
n k =0
nk 1 = . k! 2
624. La probabilidad de ocurrencia de un evento en un ensayo es de 0.3. Cu al es la probabilidad de que la frecuencia relativa de este evento en 100 ensayos se encuentre entre 0.2 y 0.5?
Ap endice A
Distribuciones de probabilidad
Se presenta a continuaci on una lista en orden alfab etico de algunas distribuciones de probabilidad univariadas de uso com un. Como es costumbre, la funci on de probabilidad o de densidad se denota por f (x), y la funci on de distribuci on por F (x). Como en el texto, G(t) es la funci on generadora de probabilidad, M (t) es la funci on generadora de momentos, y (t) es la funci on caracter stica.
Distribuci on Bernoulli
X Ber(p), con p (0, 1). f (x) = px (1 p)1x para x = 0, 1. E (X ) = p. Var(X ) = p(1 p). G(t) = 1 p + pt. M (t) = 1 p + pet . Este es el modelo m as simple de variable aleatoria y corresponde a la observaci on de la ocurrencia o no ocurrencia de un evento. La suma de n variables independientes Ber(p) tiene distribuci on bin(n, p). 365
366
Distribuci on beta
X beta(a, b) con a > 0, b > 0. f (x) = xa1 (1 x)b1 /B (a, b), para x (0, 1). E (X ) = a/(a + b). Var(X ) = ab/[(a + b + 1)(a + b)2 ]. Cuando a = 1, b = 2 o a = 2, b = 1 se obtiene la distribuci on triangular.
Distribuci on binomial
X bin(n, p) con n N y p (0, 1). n f (x) = px (1 p)nx para x = 0, 1, . . . , n. x E (X ) = np. Var(X ) = np(1 p). G(t) = (1 p + pt)n . M (t) = [1 p + pet ]n . Una variable aleatoria binomial registra el n umero de exitos en n ensayos independientes Bernoulli en donde en cada ensayo la probabilidad de exito es p. La suma de dos variables independientes con distribuci on bin(n, p) y bin(m, p) tiene distribuci on bin(n + m, p).
Distribuci on binomial negativa

X bin neg(r, p) con r N y p (0, 1). r+x1 f (x) = pr (1 p)x para x = 0, 1, . . . x E (X ) = r (1 p)/p. Var(X ) = r (1 p)/p2 . G(t) = [p/(1 t(1 p))]r .
Ap endice A. Distribuciones de probabilidad
367
M (t) = [p/(1 qet )]r . Este es el modelo que se usa para contar el n umero de fracasos antes de obtener el r - esimo exito en una sucesi on de ensayos independientes Bernoulli, en donde en cada ensayo la probabilidad de exito es p. La distribuci on binomial negativa se reduce a la distribuci on geom etrica cuando r = 1.
Distribuci on Cauchy
X Cauchy(a, b) con a > 0 y b > 0. 1 f (x) = . b [1 + ((x a)/b)2 ] La esperanza, la varianza y cualquier momento no existen. La funci on generadora de momentos no existe para t = 0. (t) = exp(iat b|t|). Cuando a = 0 y b = 1 se obtiene la distribuci on Cauchy est andar, y coincide con la distribuci on t(n) con n = 1. En este caso, f (x) = 1/( (1 + x2 )), para x R. F (x) = 1/2 + (arctan x)/, para x R.
Distribuci on exponencial
X exp() con > 0. f (x) = ex , para x > 0. F (x) = 1 ex , para x > 0. E (X ) = 1/. Var(X ) = 1/2 . M (t) = /( t) para t < . (t) = /( it). La suma de n variables independientes exp() tiene distribuci on gama(n, ).
368
Distribuci on gama
X gama(n, ) con n > 0 y > 0. (x)n1 x f (x) = e para x > 0. (n) F (x) = 1 ex
n1 k =0
(x)k /k!
para x > 0 y n entero.
E (X ) = n/. Var(X ) = n/2 . M (t) = [/( t)]n , para t < . Cuando n = 1 la distribuci on gama se reduce a la distribuci on exponencial. Advertencia: para denotar esta distribuci on en algunos textos se usa el s mbolo gama(, n), es decir, el orden de los par ametros es distinto. En ocasiones se usa el par ametro 1/ en lugar de .
Distribuci on geom etrica

X geo(p) con p (0, 1). f (x) = p(1 p)x para x = 0, 1, . . . E (X ) = (1 p)/p. Var(X ) = (1 p)/p2 . G(t) = p/[1 t(1 p)]. M (t) = p/[1 (1 p)et ]. Esta variable se usa para modelar el n umero de fracasos antes de obtener el primer exito en una sucesi on de ensayos independientes Bernoulli, en donde en cada uno de ellos la probabilidad de exito es p. La distribuci on geom etrica es un caso particular de la distribuci on binomial negativa.
369
Distribuci on hipergeom etrica

X hipergeo(N, K, n) con N, K, n N y n K N . K N K N f (x) = / para x = 0, 1, . . . , n. x nx n E (X ) = nK/N . KN K N n Var(X ) = n . N N N 1 Si un conjunto de N elementos se puede separar en dos clases, una clase con K elementos y la otra con N K elementos, y si se seleccionan n elementos de este conjunto, entonces la variable X modela el n umero de elementos seleccionados de la primera clase.
Distribuci on ji-cuadrada
X 2 (n) con n > 0. 1 1 n/2 n/21 x/2 f (x) = x e para x > 0. (n/2) 2 E (X ) = n. Var(X ) = 2n. M (t) = (1 2t)n/2 para t < 1/2. (t) = (1 2it)n/2 . Si X tiene distribuci on N(0, 1), entonces X 2 tiene distribuci on 2 (1).
Distribuci on log normal

X log normal(, 2 ) con R y 2 > 0. 1 exp[(ln x )2 /2 2 ] para x > 0. f (x) = x 2 2 E (X ) = exp( + 2 /2).
370
E (X n ) = exp(n + n2 2 /2). Var(X ) = exp(2 + 2 2 ) exp(2 + 2 ). La funci on generadora de momentos no existe. Si X tiene distribuci on 2 X 2 N(, ), entonces e tiene distribuci on log normal(, ).
Distribuci on normal
X N(, 2 ) con R y 2 > 0. 2 2 1 e(x) /2 . f (x) = 2 2 E (X ) = . Var(X ) = 2 . M (t) = exp (t + 2 t2 /2). (t) = exp (it 2 t2 /2). Cuando = 0 y 2 = 1 se obtiene la distribuci on normal est andar. La suma o diferencia de dos variables independientes con distribuci on normal tiene distribuci on normal.
Distribuci on Pareto
X Pareto(a, b) con a > 0 y b > 0. f (x) = aba /(b + x)a+1 para x > 0. F (x) = 1 [b/(b + x)]a para x > 0. E (X ) = b/(a 1) para a > 1. Var(X ) = ab2 /[(a 1)2 (a 2)] para a > 2.
371
Distribuci on Poisson
X Poisson() con > 0. f (x) = e x /x! para x = 0, 1, . . . E (X ) = . Var(X ) = . G(t) = e(1t) . M (t) = exp [(et 1)]. La suma de dos variables independientes con distribuci on Poisson(1 ) y Poisson(2 ) tiene distribuci on Poisson(1 + 2 ).
Distribuci on t
X t(n) con n > 0. ((n + 1)/2) f (x) = (1 + x2 /n)(n+1)/2 . n (n/2) E (X ) = 0. Var(X ) = n/(n 2) para n > 2. M (t) no existe para t = 0. (t) = exp(|t|) , cuando n = 1. La expresi on de (t) resulta complicada para valores n 2.
Distribuci on uniforme discreta

X unif{x1 , . . . , xn } con n N. f (x) = 1/n para x = x1 , . . . , xn . E (X ) = (x1 + + xn )/n. Var(X ) = [(x1 )2 + + (xn )2 ]/n. G(t) = (tx1 + + txn )/n. M (t) = (ex1 t + + exn t )/n.
372
Distribuci on uniforme continua

X unif(a, b) con a < b. f (x) = 1/(b a) para x (a, b). F (x) = (x a)/(b a) para x (a, b). E (X ) = (a + b)/2. Var(X ) = (b a)2 /12. M (t) = (ebt eat )/(bt at).
Distribuci on Weibull
X Weibull(r, ) con r > 0 y > 0. r f (x) = e(x) rr xr1 para x > 0. r F (x) = 1 e(x) para x > 0. E (X ) = (1 + 1/r )/. Var(X ) = [(1 + 2/r ) 2 (1 + 1/r )]/2 . Cuando r = 1 se obtiene la distribuci on exp(). Cuando r = 2 se obtiene la distribuci on Rayleigh().
Ap endice B
Conceptos y resultados varios
El alfabeto griego
A B E , Z H ,
alfa beta gama delta epsilon zeta eta theta
I K M N Oo
iota kapa lambda mu nu xi omikron pi
P , , T , X
rho sigma tau upsilon phi ji o chi psi omega
373
374
Notaci on
B (R) ab ab AB x F (x+) F (x)
: : : : : : :
Conjuntos de Borel de R. m ax{a, b}. m n{a, b}. Independencia de los eventos A y B . Parte entera de x. L mite por la derecha de la funci on F en el punto x. L mite por la izquierda de la funci on F en el punto x.
Lema de Abel
Sea a0 , a1 , . . . una sucesi on de n umeros reales o complejos tal que la serie n a es convergente. Dena la funci on G(t) = n=0 n n=0 an t , la cual es convergente para valores de t por lo menos en el intervalo [0, 1]. El lema de Abel asegura que G(t) es una funci on continua por la izquierda en t = 1, es decir,
t1
l m G(t) =
an .
n=0
L mite superior e inferior

Sea a1 , a2 , . . . una sucesi on innita de n umeros reales. Para cada m natural dena bm = nf {am , am+1 , . . .}, y cm = sup {am , am+1 , . . .}. Claramente bm bm+1 , y cm cm+1 . Es decir, ambas sucesiones son mon otonas, la primera no decreciente y la segunda no creciente, por lo tanto son convergentes, no excluyendo con ello valores innitos. Al l mite de la sucesi on b1 b2 se le llama l mite inferior, y al l mite de c1 c2 se le
Ap endice B. Conceptos y resultados varios
375
llama l mite superior de la sucesi on a1 , a2 , . . .. A estos l mites se les denota por l m inf n an y l m supn an , respectivamente. Es inmediato comprobar que l m inf n an l m supn an . Adem as la sucesi on original es convergente al n umero a si, y s olo si, l m inf n an = l m supn an = a. Estos conceptos de l mite inferior y superior pueden extenderse al caso de sucesiones de eventos como se muestra en el primer cap tulo de este texto.
Imagen inversa
Sean A y B dos conjuntos. Considere una funci on X : A B. La imagen inversa de un conjunto B B es un subconjunto de A, denotado por X 1 B , y denido como sigue: X 1 B = {a A : X (a) B }.
X X 1 B A B B
Figura B.1: Imagen inversa. En palabras, la imagen inversa de B es aquella colecci on de elementos de A tal que al aplicarles la funci on X toman un valor dentro del conjunto B . Observe que X es una funci on puntual, es decir, lleva puntos de A en puntos de B, mientras que X 1 es una funci on conjuntista, es decir, lleva subconjuntos de B en subconjuntos de A. No debe confundirse X 1 con la funci on inversa de X . El concepto de imagen inversa es usado en este texto para denir a una variable aleatoria como una funci on medible. La imagen inversa cumple las siguientes propiedades:
376
a) X 1 B = A. b) X 1 (B c ) = (X 1 B )c . c) Si B1 B2 , entonces X 1 B1 X 1 B2 . d) X 1 (B2 B1 ) = X 1 B2 X 1 B1 . e) X 1 ( f) X 1 (
k =1 Bk ) k =1 Bk )
= =
1 B . k k =1 X 1 B . k k =1 X
olo si, X es sobre. g) X (X 1 B ) B , la igualdad se cumple si, y s h) A X 1 (XA), la igualdad se cumple si, y s olo si, X es inyectiva.
Si se tienen dos funciones X : A B y Y : B C, entonces para cualquier subconjunto C de C, se cumple (X Y )1 C = X 1 (Y 1 C ).
Funci on indicadora
La funci on indicadora de un conjunto A es la funci on 1A : {0, 1} dada por 1 si A, 0 si / A.
1A ( ) =
De este modo la funci on 1A toma el valor uno dentro del conjunto A, y cero fuera de el. Es sencillo vericar que esta funci on resulta ser una variable aleatoria si, y s olo si, el conjunto A es un evento. La funci on indicadora cumple, entre otras, las siguientes propiedades: a) 1AB = m ax {1A , 1B } = 1A + 1B 1A 1B .
Ap endice B. Conceptos y resultados varios b) 1AB = m n {1A , 1B } = 1A 1B . c) 1Ac = 1 1A . d) 1AB = 1A 1A 1B . e) 1AB = |1A 1B | = |1A 1B |2 = 1A + 1B 2 1A 1B . f) Si A B , entonces 1A 1B .
377
Sea (, F ) un espacio medible. Sean P y Q dos medidas de probabilidad. Se dice que Q es absolutamente continua respecto de P si cada vez que P (A) = 0, necesariamente Q(A) = 0 para cada A en F . En tal caso se escribe Q P . Teorema de Radon-Nikodym. Si Q P , entonces existe una variable aleatoria integrable que es u nica P -casi seguramente, y es tal que para cada evento A, Q(A) =
A
dP.
Se escribe = dQ/dP y se le llama la derivada de Radon-Nikodym. Con ayuda de este teorema es f acil demostrar la existencia y unicidad de la esperanza condicional. Sea (, F , P ) un espacio de probabilidad, sea X una variable aleatoria integrable, y sea G F una sub - algebra. Para cada A en G dena Q(A) = X dP.
A
Puede comprobarse que Q P cuando P se restringe a la - algebra G . El teorema de Radon-Nikodym garantiza entonces la existencia y unicidad P -casi segura de una variable aleatoria G -medible tal que para cada A en
378
G, X dP =
A A
dP,
A la variable le hemos denotado por E (X | G ). He aqui una lista de algunas de sus propiedades. 1. E (X | G ) es G -medible y tiene esperanza nita. 2.
G
E (X | G ) dP =
X dP,
G
para cualquier G G .
3. E (E (X | G )) = E (X ). 4. E (X | {, } ) = E (X ). 5. Si B es un evento tal que 0 < P (B ) < 1, entonces E (1A | {, B, B c , } ) = P (A | B )1B + P (A | B c )1B c . 6. Si B1 , . . . , Bn es una partici on de tal que cada elemento tiene probabilidad estrictamente positiva, entonces E (X | {B1 , . . . , Bn }) = E (X | B1 ) 1B1 + + E (X | Bn ) 1Bn . 7. E (X + Y | G ) = E (X | G ) + E (Y | G ). 8. Si X 0, entonces E (X | G ) 0. 9. Si X Y , entonces E (X | G ) E (Y | G ). 10. | E (X | G ) | E ( |X | | G ). 11. E |E (X | G )| E (|X |). 12. Caso discreto. Si Y toma los valores y1 , y2 , . . . con probabilidad estrictamente positiva, entonces E (X | Y ) = i=1 E (X | Y = yi ) 1(Y =yi ) . 13. Caso abs. continuo. Si es tal que Y ( ) = y , entonces E (X | Y )( ) =

x dFX |Y (x|y ),
cuando fY (y ) = 0.
Ap endice B. Conceptos y resultados varios
379
14. Si G1 G2 , entonces E (E (X | G1 ) | G2 ) = E (E (X | G2 ) | G1 ) = E (X | G1 ). 15. Si X es independiente de G , entonces E (X | G ) = E (X ). 16. Si X es G -medible, entonces E (X | G ) = X . En particular, E (c | G ) = c. 17. Si G1 y G2 son independientes, entonces E (X | (G1 G2 )) = E (X | G1 ) + E (X | G2 ) E (X ). Si adem as X es independiente de G2 , entonces E (X | (G1 G2 )) = E (X | G1 ). 18. Si Xn X , entonces E (Xn | G ) E (X | G ). tona. Si Xn 0 y Xn X 19. Teorema de convergencia mono c.s., entonces E (Xn | G ) E (X | G ) c.s. 20. Si XY es integrable y X es G -medible, entonces E (XY | G ) = X E (Y | G ). 21. X es independiente de G si, y s olo si, E (f (X ) | G ) = E (f (X )) para cualquier funci on Lebesgue medible f tal que f (X ) es integrable. 22. Desigualdad de Jensen. Si u es convexa y u(X ) es integrable, entonces u(E (X | G )) E (u(X ) | G ).
m m
380
Tabla de la distribuci on normal est andar
1 (x) = 2
x 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 3.0 3.1 3.2 3.3 3.4 0.00 0.5000 0.5398 0.5793 0.6179 0.6554 0.6915 0.7257 0.7580 0.7881 0.8159 0.8413 0.8643 0.8849 0.9032 0.9192 0.9332 0.9452 0.9554 0.9641 0.9713 0.9772 0.9821 0.9861 0.9893 0.9918 0.9938 0.9953 0.9965 0.9974 0.9981 0.9987 0.9990 0.9993 0.9995 0.9997 0.01 0.5040 0.5438 0.5832 0.6217 0.6591 0.6950 0.7291 0.7611 0.7910 0.8186 0.8438 0.8665 0.8869 0.9049 0.9207 0.9345 0.9463 0.9564 0.9649 0.9719 0.9778 0.9826 0.9864 0.9896 0.9920 0.9940 0.9955 0.9966 0.9975 0.9982 0.9987 0.9991 0.9993 0.9995 0.9997 0.02 0.5080 0.5478 0.5871 0.6255 0.6628 0.6985 0.7324 0.7642 0.7939 0.8212 0.8461 0.8686 0.8888 0.9066 0.9222 0.9357 0.9474 0.9573 0.9656 0.9726 0.9783 0.9830 0.9868 0.9898 0.9922 0.9941 0.9956 0.9967 0.9976 0.9982 0.9987 0.9991 0.9994 0.9995 0.9997 0.03 0.5120 0.5517 0.5910 0.6293 0.6664 0.7019 0.7357 0.7673 0.7967 0.8238 0.8485 0.8708 0.8907 0.9082 0.9236 0.9370 0.9484 0.9582 0.9664 0.9732 0.9788 0.9834 0.9871 0.9901 0.9925 0.9943 0.9957 0.9968 0.9977 0.9983 0.9988 0.9991 0.9994 0.9996 0.9997 0.04 0.5160 0.5557 0.5948 0.6331 0.6700 0.7054 0.7389 0.7704 0.7995 0.8264 0.8508 0.8729 0.8925 0.9099 0.9251 0.9382 0.9495 0.9591 0.9671 0.9738 0.9793 0.9838 0.9875 0.9904 0.9927 0.9945 0.9959 0.9969 0.9977 0.9984 0.9988 0.9992 0.9994 0.9996 0.9997
x
0.05
et
2 /2
dt
0.07 0.5279 0.5675 0.6064 0.6443 0.6808 0.7157 0.7486 0.7794 0.8078 0.8340 0.8577 0.8790 0.8980 0.9147 0.9292 0.9418 0.9525 0.9616 0.9693 0.9756 0.9808 0.9850 0.9884 0.9911 0.9932 0.9949 0.9962 0.9972 0.9979 0.9985 0.9989 0.9992 0.9995 0.9996 0.9997 0.08 0.5319 0.5714 0.6103 0.6480 0.6844 0.7190 0.7517 0.7823 0.8106 0.8365 0.8599 0.8810 0.8997 0.9162 0.9306 0.9429 0.9535 0.9625 0.9699 0.9761 0.9812 0.9854 0.9887 0.9913 0.9934 0.9951 0.9963 0.9973 0.9980 0.9986 0.9990 0.9993 0.9995 0.9996 0.9997 0.09 0.5359 0.5753 0.6141 0.6517 0.6879 0.7224 0.7549 0.7852 0.8133 0.8399 0.8621 0.8830 0.9015 0.9177 0.9319 0.9441 0.9545 0.9633 0.9706 0.9767 0.9817 0.9857 0.9890 0.9916 0.9936 0.9952 0.9964 0.9974 0.9981 0.9986 0.9990 0.9993 0.9995 0.9997 0.9998
0.06 0.5239 0.5636 0.6026 0.6406 0.6772 0.7123 0.7454 0.7764 0.8051 0.8315 0.8554 0.8770 0.8962 0.9131 0.9279 0.9406 0.9515 0.9608 0.9686 0.9750 0.9803 0.9846 0.9881 0.9909 0.9931 0.9948 0.9961 0.9971 0.9979 0.9985 0.9989 0.9992 0.9994 0.9996 0.9997
0.5199 0.5596 0.5987 0.6368 0.6736 0.7088 0.7422 0.7734 0.8023 0.8289 0.8531 0.8749 0.8944 0.9115 0.9265 0.9394 0.9505 0.9599 0.9678 0.9744 0.9798 0.9842 0.9878 0.9906 0.9929 0.9946 0.9960 0.9970 0.9978 0.9984 0.9989 0.9992 0.9994 0.9996 0.9997
Bibliograf a
[1] Barry R. J. (1981) Probabilidade: Um Curso em N vel Intermedi ario. IMPA-CNPq. [2] Blake I. F. (1979) An Introduction to Applied Probability. Wiley. [3] Bobrowski A. (2005) Functional Analysis for Probability and Stochastic Processes. Cambridge University Press. [4] Clarke L. E. (1975) Random Variables. Longman. [5] Cohn D. L. (1980) Measure Theory. Birkh auser. [6] Feller W. (1978) Introducci on a la Teor a de las Probabilidades y sus Aplicaciones. Vol. I y II. Limusa. [7] Fristedt B., Gray L. F. (1996) A Modern Approach to Probability Theory. Birkh auser. [8] Garc a Alvarez M. A. (2005) Introducci on a la Teor a de la Probabilidad. Primer Curso. Fondo de Cultura Econ omica. [9] Garc a Alvarez M. A. (2005) Introducci on a la Teor a de la Probabilidad. Segundo Curso. Fondo de Cultura Econ omica. [10] Grimmett G. R., Stirzaker D. R. (1982) Probability and Random Processes. Clarendon Press. 381
382
Bibliograf a
[11] Grimmett G. R., Stirzaker D. R. (1986) Probability: an Introduction. Oxford University Press. [12] Grimmett G. R., Stirzaker D. R. (2001) One Thousand Exercises in Probability. Oxford University Press. [13] Gut A. (2005) Probability: a Graduate Course. Springer. [14] Halmos P. R. (1960) Measure Theory. Van Nostrand. [15] Harris B. (1966) Theory of Probability. AddisonWesley. [16] Hoel P., Port S., Stone C. (1971) Probability Theory. Houghton Miin Co. [17] Jacod D., Protter P. (2000) Probability Essentials. SpringerVerlag. [18] Karr A. F. (1993) Probability. SpringerVerlag. [19] Laha R. G., Rohatgi V. K. (1979) Probability Theory. John Wiley & Sons. [20] Miller I., Miller M. (1999) John E. Freunds Mathematical Statistics 6th ed. PrenticeHall. [21] Mood A. M., Graybill F. A., Boes D. C. (1974) Introduction to the Theory of Statistics. McGraw Hill. [22] Parzen E. (1960) Modern Probability Theory and its Applications. Wiley. [23] Resnick S. I. (1999) A Probability Path. Birkh auser. [24] Rinc on L. (2004) Qu e es la esperanza condicional? Miscel anea Matem atica. No. 37, Agosto 2004, SMM. [25] Rinc on L. (2006) Sobre el problema del mono que escribe caracteres al azar. Miscel anea Matem atica. No. 42, SMM.
Bibliograf a
383
[26] Romano J. P. , Siegel A. F. (1986) Counterexamples in Probability and Statistics. Chapman & Hall. [27] Rosenthal J. S. (2000) A First Look at Rigorous Probability Theory. World Scientic. [28] Ross S. (1976) A First Course in Probability. Prentice Hall. [29] Villa Morales J. (2005) Introducci on a la Medida e Integraci on. Textos Universitarios, Ciencias B asicas. Universidad Aut onoma de Aguascalientes. [30] Von Plato J. (1994) Creating Modern Probability. Cambridge University Press. [31] Williams D. (1991) Probability with Martingales. Cambridge University Press. [32] Williams D. (2001) Weighing the Odds: A Course in Probability and Statistics. Cambridge University Press.
Indice
- algebra, 3 de Borel de R, 11 de Borel de Rn , 14 generada, 7 producto, 14 Algebra, 9 Acoplamiento, 159 Aditividad nita, 24 Borel-Cantelli, 38 C opula, 159 Cociente de Mills., 140 Coeciente de correlaci on, 174 multinomial, 182 Completaci on de espacios, 27 Conjunto Borel medible, 11 Boreliano, 11 de Borel, 11 medible, 3 Continuidad de la prob, 28, 30, 31 Convergencia
casi dondequiera, 290 casi segura, 289 casi siempre, 290 d ebil, 294 de eventos, 16 en distribuci on, 294 en media, 293 en media cuadr atica, 294 en probabilidad, 291 puntual, 288 Convoluci on, 242 Correlaci on negativa, 177 nula, 177 positiva, 177 Cotas de Fr echet, 188 Covarianza, 171 Cuantil de una v.a., 93 Cuartiles, 93 Desigualdad cr , 128 de Bonferroni, 53 de Boole, 24 de Cantelli, 362 384
Indice de Cauchy-Schwarz, 126 condicional, 227 de Chebyshev, 349 de H older, 128 de Jensen, 127 de Kolmogorov, 350 de Kounias, 54 de Markov, 347 condicional, 227 de Minkowski, 129 Desviaci on est andar, 90 Distribuci on absolutamente continua, 76 arcoseno, 138 Bernoulli, 95, 365 beta, 103, 366 binomial, 96, 366 binomial negativa, 98, 366 bivariada, 144 Cauchy, 367 continua, 75 de acoplamiento, 159 discreta, 75 exponencial, 101, 367 exponencial doble, 135 F de Snedecor, 270 gama, 101, 368 geom etrica, 96, 368 hipergeom etrica, 99, 369 multivariada, 182 ji-cuadrada, 263, 369 log gama, 232 log normal, 106, 231, 369 multimodal, 94 multinomial, 181 multivariada, 145 normal, 104, 370 bivariada, 184 est andar, 105 multivariada, 185 Pareto, 370 Poisson, 98, 371 Rayleigh, 372 singular, 76, 77 t de Student, 267, 371 trinomial, 182 uniforme bivariada, 183 continua, 101, 372 discreta, 94, 371 unimodal, 94 univariada, 145 Weibull, 372 Ensayo Bernoulli, 95 Error absoluto medio, 129 cuadr atico medio, 123 Espacio L1 , 126 L2 , 127 de probabilidad, 1, 2 completo, 27 medible, 3 muestral, 2 Esperanza condicional, 214, 377 condicional (evaluada), 162 de un vector, 179
385
386
Indice
de una funci on de un vector, 168 Funci on de probabilidad de una funci on de una v.a., 88 acumulada, 68 de una v.a., 85 conjunta, 149 Estad stica, 261 Funci on generadora Estad sticas de orden, 272 de momentos, 317 Evento, 2 de momentos factoriales, 316 casi seguro, 80 de probabilidad, 311 compuesto, 2 Igualdad simple, 2 casi segura, 80 F ormula en distribuci on, 80 de inclusi on y exlusi on, 51 Imagen inversa, 375 Funci on Independencia beta, 103 de - algebras, 36 Borel medible, 61 de clases, 36 de acumulaci on de prob, 68 de eventos, 34 de densidad, 75 de v.a.s, 163 de masa de probabilidad, 75 de vectores, 167 de probabilidad, 75 Integral de Riemann-Stieltjes, 81 gama, 102 L mite inferior indicadora, 376 de eventos, 15 medible, 112 de n umeros, 374 signo, 111 L mite superior Funci on caracter stica, 323 de eventos, 15 f ormula de inversi on, 330, 333 de n umeros, 374 teorema de continuidad, 334 Lema de Abel, 374 teorema de unicidad, 333 Ley de eventos raros, 132 Funci on de densidad, 76 Ley de los grandes n umeros, 352 condicional, 160 d e bil, 352 conjunta, 152 en media cuadr atica, 362 marginal, 158 fuerte, 354 Funci on de distribuci on, 68 condicional, 161 conjunta, 144 marginal, 156 Matriz de correlaci on, 181
Indice de covarianzas, 180 Media, 85 muestral, 262 Mediana de una v.a., 93 muestral, 285 Medibilidad, 58 Medida de probabilidad, 2, 20 inducida, 58 inducida por una v.a., 112 Moda de una v.a., 94 Momentos, 92 absolutos, 92 centrales, 92 centrales absolutos, 92 factoriales, 92 Muestra aleatoria, 261 Paradoja de San Petersburgo, 119 Probabilidad axiom atica, 20 cl asica, 21 condicional, 26 frecuentista, 353 geom etrica, 22 Problema de los momentos, 92 Rango de una m.a., 276 Regla del producto, 53 Semi algebra, 10 Teorema
387
central del l mite, 358 de Bayes, 27 de Bernoulli, 352 de cambio de variable, 230, 233, 236 de convergencia dominada, 305 de convergencia mon otona, 303 de de Moivre-Laplace, 357 de Poisson, 132 de probabilidad total, 27
Valor esperado, 85 medio, 85 promedio, 85 Variable aleatoria, 58 continua, 75, 76 discreta, 75 mixta, 77 singular, 76, 77 Varianza condicional, 223 de un vector, 179 de una v.a., 90 muestral, 262 Vector aleatorio, 141 continuo, 143 discreto, 143

Cip

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Cip

Uploaded by

Copyright:

Available Formats

Curso intermedio de PROBABILIDAD

141 . 141 . 144 . 149 . 156 . 160

A. Distribuciones de probabilidad B. Conceptos y resultados varios

1.1. Espacios de probabilidad

Cap tulo 1. Espacios de probabilidad

Cap tulo 1. Espacios de probabilidad

Demostraci on. 1. Como F y F es una colecci on cerrada bajo complementos, en-

3. Estas proposiciones se siguen de lo demostrado antes y de las deniciones A B := A B c , y AB := (A B ) (B A).

Cap tulo 1. Espacios de probabilidad

Cap tulo 1. Espacios de probabilidad

Otras estructuras de subconjuntos

algebras semi algebras

Cap tulo 1. Espacios de probabilidad

de Borel. As mismo tenemos que (a, ) = y (, b) =

(a, a + n) B (R), (b n, b) B (R).

Por lo tanto [a, ) = y (, b] =

Cap tulo 1. Espacios de probabilidad

Cap tulo 1. Espacios de probabilidad (F1 F2 ).

entonces se dice que la sucesi on converge al evento A, y se escribe l m An = A.

[1/n, 1/n] = {0}, {0} = {0}.

Cap tulo 1. Espacios de probabilidad

y Por lo tanto l m sup An =

Cap tulo 1. Espacios de probabilidad

n. Sea {An : n N} una sucesi Proposicio on de eventos. Dena B1 = A1 , y Bn = An

Entonces la sucesi on de eventos {Bn : n N} satisface las siguientes propiedades: 1. Bn An . 2. Bn Bm = , si n = m. 3.

Cap tulo 1. Espacios de probabilidad

umeros naturales. Figura 1.3: Una medida de probabilidad concentrada en los n

1.3. Medidas de probabilidad

Cap tulo 1. Espacios de probabilidad

3. P (Ac ) = 1 P (A). 4. Si A B , entonces P (B A) = P (B ) P (A). 5. Si A B , entonces P (A) P (B ). 6. 0 P (A) 1. 7. P (A B ) = P (A) + P (B ) P (A B ). 8. P (A B ) P (A) + P (B ).

Demostraci on. 1. Tome B1 = A1 , y para n 2 dena Bn = An

Cap tulo 1. Espacios de probabilidad

2. Esta desigualdad se sigue de la primera al considerar la sucesi on de los complementos.

1.3. Medidas de probabilidad 1. Por las leyes de De Morgan y la desigualdad de Boole, P(

An , se tiene que 1 = P (An ) P (

4. Por la desigualdad de Boole, P (

Cap tulo 1. Espacios de probabilidad

P (B | Am )P (Am ) P (B |An )P (An )

Cap tulo 1. Espacios de probabilidad

= P (B1 ) + = P (A1 ) + = P (A1 ) +

P (Bn ) P (An An1 ) P (An ) P (An1 )

= P (A1 ) + l m P (Am ) P (A1 ) =

1.3. Medidas de probabilidad

Aplicando las leyes de De Morgan, 1 P(

Cap tulo 1. Espacios de probabilidad

b) P (l m inf An ) l m inf P (An ).

= P (l m inf An ) l m inf P (An ).

Cap tulo 1. Espacios de probabilidad

1.4. Independencia de eventos

Cap tulo 1. Espacios de probabilidad

P (Ai Aj Ak ) = P (Ai )P (Aj )P (Ak ), i, j, k distintos. . . . P (A1 An ) = P (A1 ) P (An ).

1.4. Independencia de eventos

Cap tulo 1. Espacios de probabilidad

1.5. Lema de Borel-Cantelli

P (An ) < , entonces P (A) = 0.

2. Si A1 , A2 , . . . son independientes y P (A) = 1.

Demostraci on. 1. Para cada n umero natural n, P (A) P (

1.5. Lema de Borel-Cantelli

Cap tulo 1. Espacios de probabilidad

Cap tulo 1. Espacios de probabilidad

- algebras, algebras y semi algebras

b ) Si A, B F , entonces A B F . F es - algebra F es algebra F es semi algebra.

21. Demuestre que