Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Variables Aleatorias
La siguiente definicin introduce los morfismos en la categora
de los espacios medibles: las funciones medibles (en lenguaje
de teora de la medida) o variables aleatorias (en lenguaje
probabilstico).
DEFINICION. (Variable aleatoria) Sean (, A) y ( , A )
espacios medibles y X: una aplicacin. Diremos que X es
una variable aleatoria (v.a.), una funcin medible (o una funcin
(A, A)-medible, si se desea ms precisin) si:
X 1 (A) A, A A
n
n
n
n
Si (, A ) = ( R , R ) o ( R , R
v.a. n-dimensional; si
n = 1, diremos que X es una v.a. real (v.a. r.) Cuando no hay
duda de que -algebra A. estamos considerando en ,
llamaremos tambin funciones Borel-medibles a las v.a. ndimensionales
Observacin. Supondremos en lo que sigue que la notacin:
X: (, A) ( , A ) lleva implcito que X es (A, A)-medible.
Proposicin .
Si es una familia de partes de que engendra la algebra A, para comprobar que X es una v.a., es suficiente
probar que
X 1
funcin real X en
: X () x} A, x
X 1
X 1
(A) A .
Demostracin:
Sea B:= {A A :
X 1 ( A' )c A ; y si
U n A 'n
A
( n' )n
X 1
X 1
'c
( A )=
B pues
A 'n ) B.
(A) es una -
X 1
Es evidente que
IA
IA
() =
{ 10 sisi AA }
que A es el soporte de
IA.
x1
,..., x n
Xy
Ai
= {X =
xi
} ({X =
xi
denotar el conjunto,
X 1
xi
) = { : X () =
xi
xi I A
i
son medibles.
Proposicin
La composicin de funciones medibles es medible.
Las funciones crecientes de
en
son Borel-
medibles.
Las aplicaciones continuas entre espacios topolgicos son
medibles si aquellos se suponen provistos de sus
correspondientes -Algebras de Borel.
Las proyecciones en un espacio medible producto (finito o
no) son v.a. La -Algebra producto es la mas pequea que
hace medibles las proyecciones. Se verifica tambin que
una aplicacin a valores en un producto es medible si, y
solo si, se obtienen funciones medibles al componer con
las proyecciones. En particular, una aplicacin X =
xn
a valores en
componentes
Demostracin.
Xi
Rn
son v.a. r.
x1
,...,
(a) En efecto, si X : (, A) (, A) e Y :
1
(,A)(,A),entonces, para cada A A, (Y o X ) (A) =
X 1
1
( Y
(A))
X 1
(A) A.
i I i ,
, j I, la proyeccin j-
i I A i
Aj
Aj ,
medible
A
X 1
j
( j ) coincide con el rectngulo
i I A i
i I
Ai , donde
Ai
= i si
i j.
Por otra parte, si B es una -algebra en
i i
que hace
Ai
1
Ai, se verifica que i (Ai) B y, por tanto,
Ai
Ai, i
Io
Io
de I y cada eleccin de
, se verica que i I o
i Ai
B, pues
i Ai
1
i
( Ai
esta
1
i
Ai
i i
medibles y X:
son espacios
i Ai
rectngulo medible
Ai
i Ai
) =
X 1 i I o
= i I o
1
(i o X)
Io
Ai, existe
Io
si i I \
,y
(Ai))
(i o X)
(Ai)
) Proposicin.
R
-valoradas convergente
+
X
de X mediante:
+
X
+
X
de X y la
= mx(X, 0) y
como son X
+
X
Demostracin.
(i) Ntese que, dado x
R,
y |X| =
+
X
X .
{: X () > x} =
(ii) Sea (
x
Xn
n=1
k =n
se verifica que
{: n X n () x} = n { X n () x } A y
{: inf n X n () x} = n {=X n () x } A
(iii) La primera afirmacin es consecuencia de (ii). La segunda
es trivial.
Suma de Medidas. Medida Imagen. Distribuciones de
Probabilidad
En esta seccin se presentan diversos procedimientos para
construir nuevas medidas a partir de otras conocidas que son
especialmente tiles en el desarrollo del Clculo de
Probabilidades y de la Estadstica Matemtica. Presentaremos
tambin resultados que nos indican como se integra respecto a
esas nuevas medidas si sabemos integrar respecto a las
originales.
El primero de esos procedimientos es la suma de medidas.
TEOREMA . Sean (, A) un espacio medible, (
de nmeros reales positivos y (
an
) una sucesin
a n n
n
es una medida en
fd
a n . fd n
n
m Am
a n n
)=
Am
a n n
m
( Am .
f d
a n fd n
n
fm
f d
a n f d n
n
y
X:
x
definida en A por
1
(A) = ( X (A)) es una medida en A
Px , es una
aditiva.
Observacin 1: Hagamos notar aqu que todo el valor
probabilstico de una v.a. queda determinado por su distribucin;
dicho de otro modo, dos v.a. idnticamente distribuidas son
probabilsticamente equivalentes.
Observacin 2: Dada una v.a. r. X en un espacio de
probabilidad (,A,P), se define su funcin de distribucin como
la aplicacin F : x R
F(x) = P(X x) =
Px
Px
montona,
0, x n
n
0 = F() :=
lim x F (x)
y1
lim x + F (x)
. Es claro que F queda unvocamente
anterior. Si g :
gd
(goX )d
IA'
con A A,entonces
gd X
X
1
= (A) = ( X (A)) d =
IA
'
IX
'
(A )
o X d ,
pues
IX
( A' )
IA
oX.
'
E(X) =
XdP
xd P x
R
Var(X) = E[ ( X EX) ] =
(xEX)2 dP x
R
(x)
[( X ()EX)2 ]
dP( =
T 1
gd T
A
'
, A A
E Px
EP
(f) =
una v.a. r.
(f o X).
Sean X : (, A,P)
(a)
K
A E( X ) (si existe)
X
(b) E(
n
E[ (X E(X )) ] =
(1)nk
k=0
(nk)
nk
K
E( X E (X )
.
Demostracin. (a)
j
E(
X
)=
X dP
X dP
X dP
{ X 1 }
P ( X1 ) +
{ X 1 }
{ X 1 }
(b) Trivial.
Proposicin
(a) (Desigualdad de Markov)
K E(
2
P(|X | k) k .
Demostracin.
(a)
K P(|X|
{ X }
dP
)=
Xk dP
E(
{ X }
L2 (,A,) se define
<
Cov( X ,Y )
VAR (X ) VAR (Y )
Observacin:
La desigualdad de Cauchy-Schwarz prueba que la covarianza
esta bien definida. Es sencillo probar que:
Cov(X,Y ) = E(XY ) E(X)E(Y ). Por otra parte, esa misma
desigualdad prueba que 1 (X,Y ) 1.
DESIGUALDAD DE JENSEN
Definicin.Sea f :
dados x,y
R
R
0.
Observacin:
Una funcin convexa en R es necesariamente continua. Adems
es posible probar que su derivada f (x) existe salvo quizs para
un conjunto a la suma numerable de valores de x, y que f es
creciente.
Ejercicio:
Una combinacin convexa de los
lineal :
n
i xi
i=1
xi
es una combinacin
es una funcin
convexa y
ixi
i=1
f(
ixi
i=1
i f (x i)
i=1
g(E[X]) E[g(X)])
en los siguientes casos : si X es no negativa y g(x) 0
para
x 0, o si X y g son arbitrarias y E(|g(X)|) < .
Prueba: Hagamos la demostracin primero , en el caso que X
toma slo finitos valores.
Sea
pi
= P {X=
xi
}.
Entonces :
n
pi xi
E[X] =
i=1
pi xi
g (E [X]) = g (
i=1
pi g (x i)
pi
= E[g(X)]
i=1
xi
con
n definamos ,
n
Sn
pi
i=1
S i xi
i=1
S i g( x i )
i=1
g ( E[X] ) = g(
pi xi
i=1
x
pi g( i)
= E[g(X)]
i=1
Ejemplo :
f(x) =
P
E [ X
E[Y |X = ( x 1 ,...,
xn
xn
de Y sobre X.
Lo dicho resuelve tericamente el problema general de
regresin, que consiste en encontrar la funcin de la variable
independiente X que mejor aproxima a la variable dependiente Y
en el sentido de los mnimos cuadrados. Pero en una situacin
concreta, ste es, en general, un problema difcil, en la medida
en que no es sencillo calcular esperanzas condicionales.
es:
b=
Cov (X , Y )
Var ( X )
a = E(Y) b.E(X) ;
http://masteres.ugr.es/moea/pages/tfm1011/analisisestadisticodeval
oresextremosyaplicaciones/!
http://www5.uva.es/estadmed/probvar/d_univar/d_univar9.htm#beta
y 1 (1 y ) 1
f ( y)
B( , )
, 0;0 y 1
:
B ( , ) y 1 (1 y ) 1 dy
( )( )
( )
donde:
t 1 (1 t ) 1
dt I y ( , )
B( , )
F ( y)
F ( p)
n
y 1 (1 y ) 1
dy p y (1 p)
B ( , )
y
I y ( , )
alfa y beta y
est relacionada con la propiedad de funcin
de probabilidad binomial. Cuando y=p se puede demostrar que:
E X
a
ab
V X
ab
(a b 1)(a b) 2
DISTRIBUCION DE PARETO
La distribucin de Pareto (Pareto, 1897) propuesta por este
autor como ley universal de distribucin de la renta en una
de forma y
es la renta mnima.
X0
X0
[ ]
X X
)=
,X
X0
Y la de distribucin es:
Fx
X0
=1-
La moda vale
X0
]
X
X0
,X
X0
y la mediana:
Me x
= X 0 2
El r-cuantil resulta:
qr
X0
(1 p)
=E(
E(X) =
> 2
X )=
X0
i
, si
X i0
i
, si
> 1 y Var(X) =
( X 0)2
( 2)( 1)2
, si
Var ( X)
E( X )
1
( 1)
, si > 2,
X0
. 2
F X ( X )=1