Teora de Probabilidades

Alvaro Naupay G.

19 de junio de 2017
 Indice general

Prefacio iii

1. Teora de la Medida 1
1.1. Espacio de Probabilidad . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Distribuciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3. Variables Aleatorias . . . . . . . . . . . . . . . . . . . . . . . . . 16

2. Ley de los grandes numeros 17

2.1. Independencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.1.1. Condicioines suficientes para la independencia . . . . 19
2.1.2. Independencia, Distribucion y Esperanza . . . . . . . . 20
2.2. Leyes debiles de los grandes numeros . . . . . . . . . . . . . . 22
2.2.1. L2 Leyes debiles . . . . . . . . . . . . . . . . . . . . . . . 22
2.2.2. Arreglos triangulares . . . . . . . . . . . . . . . . . . . . 23
2.2.3. Truncamiento . . . . . . . . . . . . . . . . . . . . . . . . 23
2.3. Lemas de Borel-Cantelli . . . . . . . . . . . . . . . . . . . . . . 24

Bibliografa 29

Indice alfabetico 30
ii Indice general
 Prefacio

El objetivo del libro

iv Prefacio
 1
Teora de la Medida

En este captulo, recordaremos algunas definiciones y resultados de la

teora de la medida. Nuestro proposito aqu es dar una introduccion para
aquellos que no han visto estos conceptos antes y dar una revision para aque-
llos que si.

1.1. Espacio de Probabilidad

Aqu y en adelante, las definiciones seran escritas con este estilo. Empe-
zaremos con la mas basica de las definiciones. Un espacio de probabilidad es
una terna (, F, P) donde es un conjunto de resultados, F es un conjunto
de eventos, y P : F [0, 1] es una funcion asigna probabilidades a even-
tos. Asumiremos que F es una -algebra (o -cuerpo), es decir, una coleccion
(no vaca) de subconjuntos de que satisfacen:

(i) Si A F entonces Ac F, y

(ii) Si Ai F es una sucesion enumerable de conjuntos entonces i Ai F.

Aqu y en lo que sigue, contable significa finito o infinito numerable. Ya que

i Ai = (i Aci )c , se deduce que una -algebra es cerrado bajo la interseccion
enumerable. Omitimos esta ultima propiedad de la definicion para que sea
mas simple de verificar.
Si P, (, F) es llamado un espacio de medida, es decir, es un espacio sobre
el cual podemos poner una medida. Una medida es una funcion conjunto
aditiva enumerable no negativa; es decir, una funcion : F R con:

(i) (A) () = 0 para todo A F, y

(ii) Si Ai es una sucesion de enumerable de conjuntos, entonces

X
(i Ai ) = (Ai )
i
2 CAP. 1: TEORIA DE LA MEDIDA

Si () = 1, llamamos a una medida de probabilidad. En este libro, las

medidas de probabilidad son denotados usualmente por P.
Los siguientes resultados muestran algunas consecuencias de la defini-
cion de una medida que utilizaremos despues. En todos los casos, asumimos
que los conjuntos mencionados estan en F.
TEOREMA 1.1.1.
Sea una medida sobre (, F)

(i) Monotona. Si A B entonces (A) (B).

P
(ii) Subaditiva. Si A
m=1 Am entonces (A) m=1 (Am ).

(iii) Continuidad por debajo. Si Ai A (i.e., A1 A2 y i Ai =

A) entonces (Ai ) (A).

(iv) Continuidad por arriba. Si Ai A (i.e., A1 A2 y i Ai =

A), con (A1 ) < entonces (Ai ) (A).

Demostracion:
(i) Sea B \ A = B Ac la diferencia de dos conjuntos. Usando ] para
denotar la union disjunta, B = A ] (B \ A) luego
(B) = (A) + (B \ A) (A) .

(ii) Sea A0n = An A, B1 = A01 y para n > 1, Bn = A0n \ n1 0 c

m=1 (Am ) . Como los
Bn son disjuntos y tiene union A, tenemos, usando (i) de la definicion
de medida, Bm [A[m , y (i) de este teorema,

X
X
(A) = (Bm ) (Am )
m=1 m=1

(iii) Sea Bn = An \ An1 . Entonces los Bn son disjuntos y tienen

m=1 Bm =
n
A, m=1 Bm = An luego

X n
X
(A) = (Bm ) = lm (Bm ) = lm (An )
n n
m=1 m=1

(iv) A1 \ An A1 \ A luego (iii) implica (A1 \ An ) (A1 \ A). Como A1

A, tenemos (A1 \ A) = (A1 ) (A) y se deduce que (An ) (A).

Un ejemplo simple, que podra ser familiar con la probabilidad aprendida
en la escuela es:
SEC. 1.1: ESPACIO DE PROBABILIDAD 3

EJEMPLO 1.1.1 Espacio de probabilidad discreta. Sea = un conjunto enu-

merable, es decir, finito o infinito numerable. Sea F = el conjunto de todos
los subconjuntos de . Sea
X X
P(A) = p() donde p() 0 y p() = 1
A

Un poco de reflexion revela que este es la medida de probabilidad mas ge-

neral sobre este espacio. En muchos casos cuando es un conjunto finito,
tenemos p() = 1/|| donde || = el numero de puntos en .
Para un ejemplo concreto simple que requiera este nivel de generalidad,
considere el astragalo, dado usado en el antigua Egipto hecho de los huesos
del tobillo de las ovejas. Este dado podra venir a descansar sobre el lado
superior del hueso de cuatro puntos de apoyo o en la parte inferior por tres
puntos. Los lados del hueso eran ligeramente redondeados. El dado podra
venir a descansar en una pieza plana y estrecha de seis puntos o en algun
lugar en el resto de la parte de un punto. No hay ninguna razon para pensar
que los cuatro resultados son igualmente probables, por lo que necesitamos
probabilidades p1 , p3 , p4 y p6 para describir P. C
Para prepararnos para nuestra siguiente definicion, necesitamos:
Ejercicio 1.1.1 (i) Si Fi , i I son -algebras, entonces iI Fi tambien lo es.
Aqu I 6= es un conjunto arbitrario de ndices (i.e., posiblemente no nume-
rable). (ii) Usar el resultado en (i) para mostrar que si se nos da un conjunto
y una coleccion A de subconjuntos de , entonces existe un menor -alge-
bra conteniendo A. Llamaremos a este como el -algebra generado por A y
lo denotaremo por (A).
Sea Rd el conjunto de vectores (x1 , . . . , xd ) de numeros reales y R los
conjuntos de Borel, el menor -algebra conteniendo los conjuntos abiertos.
Cuando d = 1, dejamos de escribir el superndice.
EJEMPLO 1.1.2 Medida sobre la lnea real. Medidas sobre (R,R) son defini-
dos dando una probabilidad la funcion de medida Stieltjes con las siguientes
propiedades:
(i) F es nodecreciente.
(ii) F es continua a la derecha, esto es, lmyx F (y) = F (x).
C
TEOREMA 1.1.2.
Asociado con cada funcion de medida de Stieltjes F existe una unica
medida sobre (R,R) con

((a, b]) = F (b) F (a) (1.1.1)

4 CAP. 1: TEORIA DE LA MEDIDA

Cuando F (x) = x la medida resultante es llamada medida de Lebesgue..

La prueba del Teorema 1.1.2 es larga y sinuosa, as que vamos a conten-
tarnos con describir las ideas principales que participan en esta seccion y
ocultar el resto de los detalles en el Apendice en la Seccion A1. La eleccion
del intervalo semicerrado derecho en (a, b] es dado por el hecho de que si
bn b entonces tenemos
n (a, bn ] = (a, b]
La siguiente definicion explicara la eleccion del intervalo abierto derecho.
Una coleccion S de conjuntos es dice una semialgebra si (i) es cerrado
bajo la interseccion, es decir, S, T S implica que S T S, y (ii) si S S
entonces S c es una union disjunta finita de conjuntos en S. Un importante
ejemplo de semialgebra es:

EJEMPLO 1.1.3 Sd = el conjunto vaco mas todos los conjuntos de la forma

(a1 , b1 ] (ad , bd ] Rd donde ai < bi

La definicion 1.1.1 da los valores de sobre el semialgebra S1 . Para pasar de

semialgebra a -algebra usaremos un paso intermedio. Una coleccion A de
subconjuntos de es llamado un algebra (o campo) si A, B A implica Ac
y A B estan en A. Ya que A B = (Ac B c )c , se deduce que A B A.
Obviamente una -algebra es un algebra. Un ejemplo en el cual lo contrario
es falso es:

EJEMPLO 1.1.4 Sea = Z = los enteros. A = la coleccion de A Z tal que

A o Ac es finito, es un algebra. C

Lema 1.1.3.
Si S es una semialgebra, entonces

S = {union disjunta finita de conjuntos en S}

es un algebra, llamada el algebra generada por S.

Demostracion: Supongamos A = ]i Si y B = ]j Tj , donde ] denota union

disjunta y asumiremos que los conjunto de ndices son finitos. Entonces A
B = ]i,j Si Tj S. En cuanto a los complementos, si A = ]i Si entonces
Ac = i Sic . La definicion de S implica Sic S. Hemos demostrado que S es
cerrado bajo la interseccion, por lo que se deduce por induccion que Ac S.

SEC. 1.1: ESPACIO DE PROBABILIDAD 5

EJEMPLO 1.1.5 Sea = R y S = S1 . Entonces S1 = el conjunto vaco mas

todos los conjuntos de la forma

ki=1 (ai , bi ] donde ai < bi

C
Dado una funcion conjunto sobre S, podemos extender esta a S con
n
X
(]ni=1 Ai ) = (Ai )
i=1

Con una medidad sobre una algebra A, nos referimos a una funcion conjunto
con
(i) (A) () = 0 para todo A A, y
(ii) si Ai A son disjuntos y union esta en A, entonces

X
(
i=1 Ai ) = (Ai )
i=1

se dice que es -finito si existe una sucesion de conjuntos An A tal que

(An ) < y n An = . Haciendo A01 = A1 y para n 2,

A0n = nm=1 Am o A0n = An (n1 c

m=1 Am ) A

Sin perdida de generalidad podemos asumir que An o los An son disjun-

tos.
El siguiente resultado nos ayuda a extender la medida definida sobre una
semialgebra S a la -algebra que genera, (S)

TEOREMA 1.1.4.
Sea S una semialgebra y sea definido sobre S teniendo () = 0.
Suponga (i) si S PS es una union disjunta finita de conjuntos Si S
entoncesP(S) = i (Si ), y (ii) si Si , S S con S = ]i1 Si entonces
(S) i1 (Si ). Entonces tiene una unica extension que es
una medida sobre S el algebar generada por S. Si es sigma-finito
entonces existe una unica extension que es una medida sobre (S).

En (ii) del teorema anterior, y en lo que sigue, i 1 indica una union conta-
ble, mientras que solo los subndices i o j indica una union finita. La prueba
del Teorema 1.4 es dada en la Seccion A.1. Para verificar la condicion (ii) del
teorema anterior, el siguiente resultado es util.
6 CAP. 1: TEORIA DE LA MEDIDA

Lema 1.1.5.
Suponga solo que (i) se cumple.

(a) Si A, Bi S con A = ]ni=1 Bi entonces (A) =

P
i (Bi ).

(b) Si A, Bi S con A ni=1 Bi entonces (A)

P
i (Bi ).

Demostracion: Observe que esto sigue de la definicon de que si A = ]i Bi es

union disjunta finita de conjuntos en S y Bi = ]j Si,j , entonces
X X
(A) = (Si,j ) = (Bi ) .
i,j i

Para probar (b), empezamos con el caso n = 1, B1 = B. B = A ] (B Ac ) y

B Ac S, luego

(A) (A) + (B Ac ) = (B) .

c
Manipulando ahora n > 1, sea Fk = B1c Bk1 Bk y note

i Bi = F1 ] ]
A = A (i Bi ) = (A F1 ) ] ] (A Fn )

as que el uso de (a), (b) con n = 1, y (a) nuevamente

n
X n
X
(A) = (A Fk ) (Fk ) = (i Bi )
k=1 k=1


Demostracion del Teorema 1.1.2. Sea S la semialgebra de intervalos semi
abiertos ]a, b] con a < b . Definir sobre S, comenzamos por
observar que

F () = lm F (x) y F () = lm F (x) existen

x x

y ((a, b]) = F (b) F (a) tiene sentido para todos los azb ya que
F () > y F () < .
Si ]a, b] = ]ni=1 ]ai , bi ] entonces despues de reetiquetar los intervalos debe-
mos tener a1 = a, bn = b, y ai = bi1 para 2 i n, as que la condicion
(i) en el Teorema 1.1.4 se cumple. Para comprobar (ii), suponga primero que
< a < b < , y ]a, b] i1 ]ai , bi ] donde (sin perdida de generalidad)
< ai < bi < . Tomando > 0 de modo que F (a + ) < F (a) + y tomar
i a fin de que
F (bi + i ) < F (bi ) + 2i
SEC. 1.1: ESPACIO DE PROBABILIDAD 7

Los intervalos abiertos ]ai , bi + i [ cubren a [a + , b], por lo que existe un

subcubrimiento finito ]i , i [, 1 j J. Ya que ]a + , b] Jj=1 ]j , j ], Del
Lema 1.1.5 (b) implica
J
X
X
F (b)F (a + ) F (j ) F (j ) (F (bi + i ) F (ai )) .
j=1 i=1

As, por la eleccion de los y i ,

X
F (b) F (a) 2 + (F (bi ) F (ai ))
i=1

y como es arbitrario, hemos demostrado el resultado en el caso < a <

b < . Para eliminar la ultima restriccion, observe que si ]a, b] i ]ai , bi ] y
]A, B] ]a, b] se cumple que < A < B < , entonces tenemos que

X
F (B) F (A) (F (bi ) F (ai )) .
i=1

Ya que el ultimo resultado se cumple para cualquier ]A, B] ]a, b] finito, el

resultado deseado se deduce. 

Medida sobre Rd

Nuestro proximo objetivo es demostrar la version del Teorema 1.1.2 para Rd .

El primer paso es introducir los supuestos sobre la funcion que define F . Por
analoga con el caso d = 1 es natural asumir:
(i) Esta es no decreciente, es decir, si x y (significando xi yi para todo
i), entonces F (x) F (y).
(ii) F es continua derecha, es decir, lmyx F (y) = F (x) (aqu y x significa
cada yi xi ).
Sin embargo esta vez esto no es suficiente. Considere la siguiente F :


1 si x1 , x2 1
2/3 si x1 1 y 0 x2 < 1

F (x1 , x2 ) =

2/3 si x2 1 y 0 x2 < 1
0 en otro caso.

Ver Figura 1.1 para un cuadro. Un poco de reflexion muestra que

(]a1 , b1 ]]a2 , b2 ]) = (] , b1 ]] , b2 ]) (] , a1 ]] , b2 ])
(] , b1 ]] , a2 ]) + (] , a1 ]] , a2 ])
= F (b1 , b2 ) F (a1 , b2 ) F (b1 , a2 ) + F (a1 , a2 )
8 CAP. 1: TEORIA DE LA MEDIDA

Usando esto con a1 = a2 = 1 y b1 = b2 = 1 y haciendo 0, vemos que

({1, 1}) = 1 2/3 2/3 + 0 = 1/3

0 2/3 1

0 0 2/3

0 0 0

Figura 1.1: Imagen del contraejemplo

Razonando de manera analoga mostrar que ({1, 0}) = ({0, 1}) = 2/3.
Para formular la tercera y ultima condicion para F definimos una medida,
haciendo

A =]a1 , b2 ] ]ad , bd ]
V = {a1 , b1 } {ad , bd }

donde < ai < bi < . Destacar que los s no son permitidos, llama-
remos A un rectangulo finito. Por tanto V = los vertices del rectangulo A. Si
v V , pongamos

sgn(v) = (1)#de as en v
X
4A F = sgn(vF (v))
vV

Vamos a dejar que (A) = 4A F , por lo que debemos asumir

(iii) 4A F 0 para todos los rectangulos A.

TEOREMA 1.1.6.
Suponer que F : Rd [0, 1] satisfce (i)-(iii) dados anteriormente.
Entonces existe una unica medida de probabilidad sobre (Rd , Rd )
de modo tal que (A) = 4A F para todos los rectangulos finitos.
SEC. 1.1: ESPACIO DE PROBABILIDAD 9

Figura 1.2: Conversion de una subdivision a una normal.

Qd
EJEMPLO 1.1.6 Suponer F (x) = i=1 Fi (x), donde el Fi satisface (i) y (ii) del
Teorema (1.1.2). En este caso,
d
Y
4A F = (Fi (bi ) Fi (ai )) .
i=1

Donde Fi (x) = x para todo i, la medida resultante es la medida de Lebesgue

sobre Rd . C

Demostracion: Dejamos que (A) = 4A F para todos los rectangulos finitos y

luego usando monotonicidad para extender la definicion a Sd . Para compro-
bar (i) del Teorema 1.1.4, pongamos A = ]k Bk una subdivision normal de A
si existe una sucesion ai = i,0 < i,1 < < i,ni = bi de modo que cada
rectangulo Bk tiene la forma

]1,j1 1 , 1,j1 ] ]d,jd 1 , d,jd ] donde 1 ji ni .

Es facil de ver que para una division normal (A) = k (Bk ). (Primero consi-
P
dere el caso en que los puntos finales son finitos, y luego tomar lmites para
llegar al caso general). Extender este resultado a la subdivision finita general
A = ]j Aj , subdividir aun mas para conseguir una normal, ver Figura 1.2.
La prueba de (ii) es caso identica a la del Teorema (1.1.2). Para hacer las
cosas mas faciles de escribir y llevar a cabo las analogas con el Teorema
(1.1.2), dejamos que

]x, y[ =]x1 , y1 [ ]xd , yd [

]x, y] =]x1 , y1 ] ]xd , yd [
[x, y] = [x1 , y1 ] [xd , yd ]

para x, y, Rd . Suponer primero que < a < b < , donde las desigual-
dades significan que cada componente es finito, y suponer ]a, b] i1 ]ai , bi ],
10 CAP. 1: TEORIA DE LA MEDIDA

donde (sin perdida de generalidad) < ai < bi < . Sea 1 = (1, . . . , 1),
elegir un > 0 de modo que
(]a + 1, b]) < (]a, b]) +
y escoger i de manera que
(]a, bi + i 1]) < (]ai , bi ]) + 2i .
Los rectangulos abiertos ]ai , bi + i 1[ cubren [a + 1, b], por lo que hay un
subcubrimiento finito ]j , j [, 1 j J. Ya que ]a + 1, b] Jj=1 ]j , j ], (b)
en el Lema 1.1.5 implica que
J
X
X
j j
([a + 1, b]) (] , ]) (]ai , bi + i 1]) .
j=1 i=1

As, por la eleccion de y i ,

X
(]a, b]) 2 + (]ai , bi ])
i=1

y como es arbitrario, tenemos demostrado el resultado en el caso <

a < b < . La prueba se puede completar exactamente igual que antes. 
Ejercicio

1.1.2 Sea = R, F = todos los subconjuntos de tal manera que A o Ac sean

enumerables, P(A) = 0 en el primer caso y = 1 en el segundo. Mostrar
que (, F, P) es un espacio de probabilidad.
1.1.3 Recordando la definicion de Sd del ejemplo ??. Mostrar que (Sd ) = Rd ,
los subconjuntos de Borel de Rd .
1.1.4 Una algebra F se dice generado enumerablemente si existe un colec-
cion enumerable C F de modo que (C) = F. Mostrar que Rd es
generado enumerablemente.
1.1.5 (i) Mostrar que si F1 F2 . . . son algebras, entonces i Fi es un
algebra. (ii) Dar un ejemplo para mostrar que i Fi no necesariamente
es una algebra.
1.1.6 Un conjunto A {1, 2, . . .} se dice que tiene densidad asintotica si
lm |A {1, 2, . . . , n}|/n = .
n

Sea A la coleccion de conjuntos para los cuales la densidad asintotica

existe. Es A una algebra y/o una algebra ?
SEC. 1.2: DISTRIBUCIONES 11

1.2. Distribuciones

Los espacios de probabilidad se convierten mas interesantes cuando de-

finimos variables aleatorias en ellos. Una funcion real valuada X definida
sobre se dice que es una variable aleatoria si para cada conjunto de Borel
B R tenemos X 1 (B) = { : X() B} F. Cuando necesitemos enfati-
zar el algebra, diremos que X es Fmedible o escribiremos X F. si es
un espacio de probabilidad discreto (ver Ejemplo 1.1.1), entonces cualquier
funcion X : R es una variable aleatoria. Un segundo ejemplo trivial
pero util de variable aleatoria es la funcion indicador de un conjunto A F:


1 A
1A () =
0
/A

La notacion pretende recordarle que esta funcion es 1 sobre A. Los analstas

llaman este objeto la funcion caracterstica de A. En probabilidad, este termino
es usado para lago un poco diferente. (Ver Seccion 3.3).
Si X es una variable aleatoria, entonces X induce una medida de proba-
bilidad sobre R llamada su distribucion estableciendo (A) = P[X A] para
los conjuntos de Borel A. Usando la notacion introducida anteriormente, el
lado derecho puede escribirse como P[X 1 (A)]. En otras palabras, retiramos
A R hacia atras X 1 (A) F y luego tomamos P de ese conjunto.
Verificar que es una medida de probabilidad observamos que si los Ai
son disjuntos, entonces usando la definicion de ; del hecho de que X cae en
la union si y solo si este cae en uno de los Ai ; del hecho de que si los conjuntos
Ai R son disjuntos entonces los eventos {X Ai } son disjuntos; y otra vez
de la definicion de , tenemos que:

X X
(i Ai ) = P(X i Ai ) = P(i {X Ai }) = P(X Ai ) = (Ai )
i i

Figura 1.3: Definicion de la defincion de X.

La distribucion de una variable aleatoria X es usualmente descrito dando

su funcion de distribucion, F (x) = P[X x].
12 CAP. 1: TEORIA DE LA MEDIDA

TEOREMA 1.2.1.
Cualquier funcion de distribucion F tiene las siguientes propiedades:

(i) F es no decreciente.

(ii) lmx F (x) = 1, lmx F (x) = 0.

(iii) F es continua por la derecha, es decir, lmyx F (y) = F (x).

(iv) Si F (x) = lmyx F (y) entonces F (x) = P[X < x].

(v) P[X = x] = F (x) F (x).

Demostracion: Para demostrar (i), note que si x y entonces [X x] [X

y], y entonces usando (i) en el Teorema 1.1.1 para concluir que P[X x]
P[X y].
Para (ii), observamos que si x , entonces [X x] , mientras que si
x , entonces [X x] , y luego usar (iii) y (iv) del Teorema 1.1.1.
En (iii), observamos que si y x, entonces [X y] [X x].
Con (iv), observamos que si y x, entonces [X y] [X < x].
Finalmente con (v), notar que P[X = x] = P[X x] P[X < x] y usar (iii)
y (iv). 
El siguiente resultado muestra que hemos encontrado mas que suficientes
resultados para caracterizar las funciones de distribucion.

TEOREMA 1.2.2.
Si F satisface (i), (ii) y (iii) en el teorema 1.2.1, entonces este es la
funcion de distribucion de alguna variable aleatoria.

Demostracion: Sea =]0, 1[, F = los conjuntos de Borel, y P = medida de

Lebesgue. Si ]0, 1[, haciendo

X() = sup{y : F (y) < } .

Una vez que se muestre que

{ : X() x} = { : F (x)} ()

el resultado deseado se deduce inmediatamente ya que P[ : F (x)] =

F (x), (Recordar que P es Lebesgue medible). Para verificar (), observar que
si F (x) entonces X() x, ya que x
/ {y : F (y < )}. Por otro lado si
> F (x), entonces como F es continua a la derecha, existe un > 0 tal que
F (x + ) < y X() x + > x. 
SEC. 1.2: DISTRIBUCIONES 13

Figura 1.4: Dibujo de la inversa definida en la demostracion del

Teorema 1.2.2.
Aun que F no sea inyectiva y sobre, llamaremos a X la inversa de F y la
denotaremos por F 1 . El esquema en la prueba del Teorema 1.2.2 es util en la
generacion de variables aleatorias en la computadora. Algoritmos estandares
generan variables aleatorias U con distribucion uniforme; luego uno aplica la
inversa de la funcion de distribucion definida en Teorema 1.2.2 para obtener
la variable aleatoria F 1 (U ) con funcion de distribucion F .
Si X e Y inducen la misma distribucion sobre (R, R), diremos que X
e Y son iguales en distribucion. En vista del Teorema 1.1.2, esto se cumple
si y solo si X e Y tienen la misma funcion de distribucion, es decir, P[X
x] = P[Y x] para todo x. Cuando X e Y tiene la misma distribucion, nos
gustara escribir
d
X=Y
pero esto es muy alto para usarlo al escribir, por lo que por razones tipografi-
cas tambien usaremos X =d Y .
Cuando la funcion de distribucion F (x) = P[X x] tiene la forma
Z
F (x) = f (y)dy (1.2.1)
x

diremos que X tiene funcion de densidad f . Para recordar, a menudo es util

pensar sobre f (x) como P[X = x] aunque
Z x
P[X = x] = lm f (y)dy = 0
0 x+

Por demanda popular, hemos dejado nuestra practica anterior de escribir

P[X = x] para la funcion de densidad. En su lugar usaremos cosas como la
encantadora e informativa fX (x).
Podemos empezar con f y el uso de (1.2.1) para definir la funcion de
distribucion F . Con el fin de terminar
R con una funcion de distribucion es
necesario y suficiente que f (x) 0 y f (x)dx = 1. Tres ejemplos que seran
importantes en lo que sigue son:
14 CAP. 1: TEORIA DE LA MEDIDA

EJEMPLO 1.2.1 Distribucion Uniforme sobre ]0, 1[. f (x) = 1 para x ]0, 1[ y
0 en otro caso. Funcion de distribucion:

0 x0
F (x) = x 0x1
1 x>1

C
EJEMPLO 1.2.2 Distribucion exponencial con razon . f (x) = ex para
x 0 y 0 en otro caso. Funcion de distribucion:

0 x0
F (x) = x
1e x0
C
EJEMPLO 1.2.3 Distribucion normal estandar.
f (x) = (2)1/2 exp(x2 /2)
C
En este caso, no hay una expresion en forma cerrada para F (x), pero tenemos
los siguientes lmites que son utiles para valores grandes de x:
TEOREMA 1.2.3.
Para x > 0,
Z x
1 3
(x 2
x ) exp(x /2) exp(y 2 /2)dy x1 exp(x2 /2)

Demostracion: Cambiando variables y = x + z y usando exp(z 2 /2) 1 nos

da
Z Z
2 2
exp(y /2)dy exp(x /2) exp(xz)dz = x1 exp(x2 /2) .
x 0

Para la otra direccion, observamos

Z
(1 3y 4 ) exp(y 2 /2)dy = (x1 x3 ) exp(x2 /2)
x


Una funcion de distribucion sobre R se dice que es continua absoluta-
mente si este tiene una densidad y singular si la medida correspondiente es
singular w.r.t. Lebesgue medible. Ver Seccion A.4 para mas de estas nociones.
Un ejemplo de una distribucion singular es:
SEC. 1.2: DISTRIBUCIONES 15

EJEMPLO 1.2.4 Distribucion Uniforme sobre el conjunto de Cantor. El con-

junto de Cantor C es definido mediante la eliminacion de ]1/3, 2/3[ del in-
tervalo [0, 1] y luego eliminar el tercio central de cada intervalo que resta.
Definimos una funcion de distribucion asociada estableciendo F (x) = 0 pa-
ra x 0, F (x) = 11/2 para x [1/3, 2/3], F (x) = 1/4 para x [1/9, 2/9],
F (x) = 3/4 para x [7/9, 8/9], . . .. No existe f para el cual (1.2.1) cumple
porque tal f podra ser igual 0 sobre un conjunto de medida 1. De la defini-
cion, es inmediato que la medida correspondiente tiene (C c ) = 0. C
Una medida de probabilidad P (o su funcion de distribucion asociada) se
dira discreta si existe una conjunto enumerable S con P(S c ) = 0. El ejemplo
mas simple de una distribucion discreta es

EJEMPLO 1.2.5 Masa de puntos en 0. F (x) = 1 para x 0, F (x) = 0 para

x < 0.

Figura 1.5: Funcion de distribucion de Cantor.

En la seccion 1.6, veremos las distribuciones de Bernoulli, Poisson y geometri-

ca. El siguiente ejemplo muestra que la funcion de distribucion asociada con
la medida de probabilidad discreta puede ser bastante salvaje. C

EJEMPLO 1.2.6 Discontinuidad Pdensa. Sean q1 , q2 , . . . una enumeracion de

los racionales. Sean i > 0 con i=0 i = 1 y sea

X
F (x) = i 1[qi ,i (x)
i=0

donde 1[,i (x) = 1 si x [, i y cero en cualquier otro caso. C

Ejercicios
1.2.1 Suponga que X e Y son variables aleatorias sobre (.F, P ) y sea A F.
Mostrar que si hacemos Z() = X() para A y Z() = Y () para
AC , entonces Z es una variable aleatoria.
1.2.2 Sea con la distribucion normal estandar. Usar el Teorema 1.2.3 para
obtener cotas superior e inferior sobre P ( 4).
1.2.3 Mostrar que la funcion de distribucion tiene a lo mucho una cantidad
contable de discontinuidades.
1.2.4 Mostrar que si F (x) = P (X x) es continua entonces Y = F (X) tiene
distribucion uniforme sobre (0, 1), esto es, si y [0, 1], P (Y y) = y.
16 CAP. 1: TEORIA DE LA MEDIDA

1.3. Variables Aleatorias

En esta seccion, desarrollaremos algunos resultados que nos ayudaran a
probar que las cantidades que demostramos son variables aleatorias, esto es,
ellos son medibles. Dado que mas de lo que tenemos que decir es verdad para
elementos aleatorias de un espacio medible arbitrario (S, S) y las pruebas son
las mismas (algunas veces mas faciles), desarrollaremos nuestros resultados
en esta generalidad. Primero necesitamos una definicion. Una funcion X :
S se dira aplicacion medible de (, F) a (S, S) si

X 1 (B) { : X() B} F para todo B S

Si (S, S) = (Rd , Rd ) y d > 1, entonces X es llamado un vector aleatorio. De

hecho, si d = 1, X es llamado una variable aleatoria, o para abreviar v.a..
El siguiente resultado es util para probar que las aplicaciones son medi-
bles.

TEOREMA 1.3.1.
Si { : X() A} F para todo A A y A genera S (i.e., S es el
menor -algebra que contiene A), entonces X es medible.

Demostracion: Escribiendo {X B} como abreviacion para { : X() B},

tenemos

{X i Bi } = i {X Bi }
{X B C } = {X B}C

As que la clase de conjuntos B = {B : {X B} F} es una -algebra.

Dado que A B y A genera S, S B. 
Se deduce de las dos ecuaciones mostradas en la demostracion previa
que si S es un -algebra, entonces {{X B} : B S} es un -algebra. Es
el menor -algebra sobre que hace X una aplicacion medible. Es llamado
la -algebra generada por X y denotada por (X). Para futuras referencias
notaremos que
(X) = {{X B} : B S}
 2
Ley de los grandes numeros

2.1. Independencia
La teora de de la medida finaliza y empieza la probabilidad con la defi-
nicion de independencia. Comenzamos con lo que esperamos sea una defini-
cion familiar y trabajamos nuestro camino a una definicion que es apropiado
para nuestra configuracion actual.
Dos eventos A y B son independientes si P[A B] = P[A]P[B].
Dos variables aleatorias X e Y son independientes si para todo C, D R,

P[X C, Y D] = P[X C]P[Y D]

es decir, los eventos A = {X C} y B = {Y D} son independientes.

Dos campos F y G son independientes si para todo A F y B G los
eventos A y B son independientes.
Como los siguientes ejercicios muestran, le segunda definicion es un caso
especial de la tercera.

Ejercicio 2.1.1 (i) Mostrar que si X e Y son independientes entonces (X)

y (Y ) tambien lo son. (ii) Reciprocamente, si F y G son independientes,
X F y Y G, entonces X e Y son independientes.

La primera definicion es, a su vez, un caso especial de la segunda.

Ejercicio 2.1.2 (i) Mostrar que si A y B son independientes, entonces tam-

bien lo sin Ac y B, A y B c , y Ac y B c . (ii) Concluya que los eventos A y B son
independientes si y solo si sus variables aleatorias indicadoras 1A y 1B son
independientes.

En vista del hecho de que la primera definicion es un caso especial de la se-

gunda, que es un caso especial de la tercera, tomaremos cosas en el orden
opuesto cuando digamos que significa esto para varias cosas que sean inde-
pendientes. Empezaremos por reducir al caso de un numero finito de objetos.
18 CAP. 2: LEY DE LOS GRANDES NUMEROS

Una coleccion finita de objetos (cuerpo, variables aleatorias, o conjuntos)

se dice independiente si para cada subcoleccion finita lo es.
cuerpo F1 , F2 , . . . , Fn son independientes si siempre que Ai Fi para
i = 1, . . . , n tenemos
n
Y
n
P[i=1 Ai ] = P[Ai ]
i=1
Variables aleatorias X1 , . . . , Xn son independientes si siempre queBi R pa-
ra i = 1, . . . , n tenemos que
n
Y
P[ni=1 {Xi Bi }] = P[Xi Bi ]
i=1

Conjuntos A1 , . . . , An son independientes si siempre que I {1, . . . , n} tene-

mos que Y
P[iI Ai ] = P[Ai ]
iI
A primera vista, podra parecer que la ultima definicion no coincide con las
otras dos. Sin embargo, si se piensa en ello por un minuto, se vera que si la
variable indicador 1Ai , 1 i n son independientes y tomando Bi = {1}
para i I, y Bi = R para i
/ I entonces la condicion en la definicion resulta.
A la inversa,
Ejercicio 2.1.3 Sean A1 , A2 , . . . , An independientes. Mostrar (i)Ac1 , A2 , . . . , An
son independientes; (ii)1A1 , . . . , 1An son independientes.
Una de las primeras cosas para entender acerca de la definicion de eventos
independientes es que no es suficiente asumir que P[Ai Aj ] = P[Ai ]P [Aj ]
para todo i 6= j. Una sucesion de eventos A1 , . . . , An con la ultima propiedad
es llamado dos a dos independiente. Es claro que eventos independientes son
dos a dos independientes. El siguiente ejemplo muestra que lo contrario no
es cierto.
EJEMPLO 2.1.1 Sean X1 , X2 , X3 variables aleatorias independientes con
P[Xi = 0] = P [Xi = 1] = 1/2 .
C
Sean A1 = {X2 = X3 }, A2 = {X3 = X1 } y A3 = {X1 = X2 }. Estos eventos son
independientes dos a dos ya que si i 6= j, entonces
P[Ai Aj ] = P[X1 = X2 = X3 ] = 1/4 = P[Ai ]P [Aj ] .
pero estos no son independientes ya que
P[A1 A2 A3 ] = 1/4 6= 1/8 = P[A1 ]P[A2 ]P[A3 ]
SEC. 2.1: INDEPENDENCIA 19

A fin de mostrar que las variables aleatorias X e Y son independientes, te-

nemos que revisar que P [X A, Y B] = P [X A]P [Y B] para todo
conjunto de Borel A y B. Ya que existen muchos conjuntos de Borel, nuestro
siguiente topico es

2.1.1. Condicioines suficientes para la independencia

Nuestro principal resultado es el Teorema 2.1.3. Para formular este resul-
tado, necesitamos una definicion que generaliza todas nuestras definiciones
anteriores.
Colecciones de conjuntos A1 , A2 , . . . , An F se dicen que son indepen-
dientes
Q si siempre que Ai Ai y I {1, . . . , n} tenemos que P[iI Ai ] =
iI P[Ai ]

Lema 2.1.1.
Sin perdida de generalidad podemos suponer que cada Ai contiene
a . En este caso la condicion es equivalente a
n
Y
P[ni=1 Ai ] = P[Ai ] siempre que Ai Ai
i=1

ya que podemos establecer Ai = para i

/ I.

Demostracion: Si A1 , A2 , . . . , An son independientes y Ai = Ai {} entonces

A1 , A2 , . . . , An son independientes, ya que si Ai Ai y I = {j : Aj = } i
Ai = iI Ai . 
La prueba del Teorema 2.1.3 esta basada en el Teorema de Dynkin .
Para mostrar este resultado, necesitamos dos definiciones

TEOREMA 2.1.2 (Teorema ).

Si P es un sistema y L es un sistema que contiene a P, entonces
(P) L.

TEOREMA 2.1.3.
Suponer que A1 , A2 , . . . , An son independientes y cada Ai es un
sistema. Entonces (A1 ), (A2 ), . . . , (An ) son independientes.
20 CAP. 2: LEY DE LOS GRANDES NUMEROS

TEOREMA 2.1.4.
Con el fin de que X1 , . . . , Xn sean independientes, es suficiente que
para cada x1 , . . . , xn ] , ]
n
Y
P(X x1 , . . . , Xn xn ) = P(Xi xi )
i=1

Ejercicio 2.1.4 Suponer que (X1 , . . . , Xn ) tiene densidad f (x1 , x2 , . . . , xn ), es

decir
Z
P((X1 , X2 , . . . , Xn ) A) = f (x)dx para A Rn .
A

Si f (x) puede ser escrito como g1 (x1 ) gn (xn ) donde los gm 0 son me-
dibles, entonces X1 , X2 , . . . , Xn son independientes. Notar que los gm no se
supone que son las densidades de probabilidad.

Ejercicio 2.1.5 Suponer

TEOREMA 2.1.5.
Suponer que Fi,j , 1 i n, 1 j m(i) son independientes y sean
Gi = (i Fi,j ). Entonces G1 , . . . , Gn son independientes.

TEOREMA 2.1.6.
Si para 1 i n, 1 j m(i), Xi,j son independientes y
fi : Rm(i) R son independientes, entonces fi (Xi,1 , . . . , Xi,m(i) ) son
independientes.

2.1.2. Independencia, Distribucion y Esperanza

TEOREMA 2.1.7.
Suponer que X1 , . . . , Xn son variables aleatorias independientes y Xi
tienen distribucion i . Entonces (X1 , . . . , Xn ) tiene distribucion 1
n .
SEC. 2.1: INDEPENDENCIA 21

TEOREMA 2.1.8.
Suponser que X e Y son independientes y tiene distribucion y .
Si h : R2 R es una funcion medible con h 0 o E|h(X, Y )| < ,
entonces ZZ
Eh(X, Y ) = h(x, y)(dx)(dy) .

En particular, si h(x, y) = f (x)g(y) donde f, g : R R son funciones

medibles con f, g 0 o E|f (x)| y E|g(Y )| < , entonces

Ef (X)g(Y ) = Ef (X) Eg(Y )

22 CAP. 2: LEY DE LOS GRANDES NUMEROS

2.2. Leyes debiles de los grandes numeros

2.2.1. L2 Leyes debiles

TEOREMA 2.2.1.
Sean X1 , . . . , Xn tienen E(Xi2 ) < y sean correlacionados. Entonces

Var(X1 + + Xn ) = Var(X1 ) + Var(Xn )

donde var(Y ) = la varianza de Y .

Lema 2.2.2.
Si p > 0 y E|Zn |p 0 entonces Zn 0 en probabilidad.

TEOREMA 2.2.3 (L2 ley debil).

Sean X1 , X2 , . . . variables aleatorias no correlacionadas con EXi =
y Var(Xi ) C < . Si Sn = X1 + + Xn entonces cuando n ,
Sn /n en L2 y en probabilidad.

EJEMPLO 2.2.1 Aproximacion polinomial. Sea f una funcion continua so-

bre [0, 1], y sea

n    
X n n n!
fn (x) = xm (1 x)nm f (m/n) donde =
m=0
m m m1(n m)!

el polinomio de Bernstein de grado n asociado con f . Entonces cuando n

sup |fn (x) f (x)| 0

x[0,1]

EJEMPLO 2.2.2 Un cubo el altas dimensiones es caso el borde de una bola.

C
SEC. 2.2: LEYES DEBILES DE LOS GRANDES NUMEROS 23

2.2.2. Arreglos triangulares

TEOREMA 2.2.4.
Sea n = ESn , n2 = Var(Sn ). Si n2 /b2n 0 entonces
Sn n
0 en probabilidad
bn

EJEMPLO 2.2.3 Problema del coleccionador de cupones. C

EJEMPLO 2.2.4 Permutaciones aleatorias. C

Lema 2.2.5.
1
Xn,1 , . . . , Xn,n son independientes y P (Xn,j = 1) = .
nj+1

EJEMPLO 2.2.5 Un problema de ocupacion. C

2.2.3. Truncamiento
TEOREMA 2.2.6 (Ley debil para arreglos triangulares.).
Para cada n sean Xn,k , 1 k n, independientes. Sea bn > 0 con
bn , y sea Xn,k = Xn,k 1(|Xn,k |bn ) . Suponer que cuando n
Pn
(i) k=1 P (|Xn,k | > bn ) 0, y
Pn
(ii) b2
n
2
k=1 E Xn,k 0.
Pn
Si dejamos que Sn = Xn,1 + + Xn,n y poner an = k=1 E Xn,k ,
entonces
(Sn an )/bn 0 en probabilidad

TEOREMA 2.2.7 (Ley debil de los grandes numeros.).

Sean X1 , X2 , . . . i.i.d. con

xP (|Xi | > x) 0 cuando x

Sea Sn = X1 + +Xn y sea n = E(X1 1(|X1 |n) ). Entonces Sn /nn

0 en probabilidad.
24 CAP. 2: LEY DE LOS GRANDES NUMEROS

Lema 2.2.8.
R
Si Y 0 y p > 0 entonces E(Y p ) = 0 py p1 P (Y > y)dy.

TEOREMA 2.2.9.
Sean X1 , X2 , . . . i.i.d. con E|Xi | < . Sea Sn = X1 + + Xn y sea
= EX1 . Entonces Sn /n en probabilidad.

EJEMPLO 2.2.6 Para un ejemplo donde la ley debil no se cumple, C

EJEMPLO 2.2.7 La paradoja de la calle Petersburg C

2.3. Lemas de Borel-Cantelli

TEOREMA 2.3.1 (Lema de Borel-Cantelli).
Si
P
n=1 P (An ) < entonces

P (An i.o.) = 0 .

El siguiente resultado es una aplicacion tpica del Lema de Borel-Canteli.

TEOREMA 2.3.2.
Xn X en probabilidad si y solo si para cada subsucesion Xn(m)
existe una subsucesion mas Xn(mk ) que converge casi seguramente a
X.
SEC. 2.3: LEMAS DE BOREL-CANTELLI 25

TEOREMA 2.3.3.
Sea yn una sucesion de elementos de un espacio topologico. Si cada
subsucesion yn(m) tiene ademas subsucesion yn(mk ) que converge a y,
entonces yn y.

Demostracion: Si yn 6 y, entonces existe un conjunto abierto G conteniendo y

y una subsucecion yn(m) con yn(m) / G para todo m, pero claramente no hay
subsucesiones de yn(m) convergentes a y. 
Observacion. Ya que existe una sucesion de variables aleatorias que con-
verge en probabilidad pero no a.s. (para un ejemplo, ver Ejercicios 2.3.13 o
2.3.14), esto sigue del Teorema 2.3.3 que la convergencia c.s.(casi seguramen-
te) no proviene de una metrica, o incluso de una topologa. Ejercicio 2.3.8
dara una metrica para la convergencia en probabilidad, y el Ejercicio 2.3.9
mostrara que el espacio de variables aleatorias es un espacio completo bajo
esta metrica.
El Teorema 2.3.2 nos permite reformular la convergencia en probabilidad
a convergencia casi seguramente. Un ejemplo de la utilidad de esto es
TEOREMA 2.3.4.
Si f es continua y Xn X en probabilidad entonces f (Xn )
f (X) en probabilidad. Si, ademas, f es acotada entonces Ef (Xn )
Ef (X).

Demostracion: Si Xn(m) es una subsucesion enntonces el Teorema 2.3.2 implica

que existe una subsucesion mas Xn(mk ) X casi seguramente. Ya que f es
continua, el Ejercicio 1.3.3 implica que f (Xn(mk ) ) f (X) casi seguramente y
el Teorema 2.3.2 implica que f (Xn ) en probabilidad. Si f es acotado, enton-
ces el teorema de convergencia acotada implica que Ef (Xn(mk ) ) Ef (X), y
aplicando el Teorema 2.3.3 a yn = Ef (Xn ) nos da el resultado deseado. 
Como nuestra segunda aplicacion del Lema de Borel-Cantelli, obtenemos
nuestra primea ley fuerte de grandes numeros.
TEOREMA 2.3.5.
Sean X1 , X2 , . . . i.i.d. con EXi = y EXi4 < . Si Sn = x1 + + Xn
entonces Sn /n a.s.(almost surely)

Demostracion: Dejando que Xi0 = Xi , podemos suponer sin perdida de

generalidad que = 0. Ahora
n
!4
X X
ESn4 = E Xi = E Xi Xj Xk Xl .
i=1 1i,j,k,ln
26 CAP. 2: LEY DE LOS GRANDES NUMEROS

Los terminos en la suma que son la forma E(Xi3 Xj ), E(Xi2 Xj Xk ) y E(Xi Xj Xk Xl )

son 0 (si i, j, k, l son distintos) ya que la esperanza del producto es el pro-
ducto de las esperanzas, y en cada caso uno de los terminos tiene esperan-
za 0. Lo unicos terminos que no se anulan son aquellos de la forma EXi4 y
EXi2 Xj2 = (EXi2 )2 . Hay n y 3n(n 1) de esos terminos, respectivamente. (En
el segundo caso podemos elegir los dos ndices en n(n 1)/2 maneras, y con
los ndices fijados, el termino puede aparece en total de seis maneras.) La
ultima observacion implica que
ESn4 = nEX14 + 3(n2 n)(EX12 )2 Cn2
donde C < . La desigualdad de Chebyshev nos da
P (|Sn | > n) E(Sn4 )/(n)4 C/(n2 4 )
Sumando sobre n y usando el lema de Borel-Cantelli da P (|Sn | > ni.o.) = 0.
Ya que es arbitrario, la prueba se completa. 
Lo contrario del Lema Borel-Canteli es trivialmente falso.
EJEMPLO 2.3.1 Sea = (0, 1), F =conjuntos de Borel, P = medida de Le-
Pan 0 cuando n , entonces lm sup An =
besgue. Si An = (0, an ) donde
, pero si an 1/n, tenemos an = . C
El ejemplo que acabamos de dar sugiere que para los conjuntos generales
no podemos decir mucho mas que el siguiente resultado.
Ejercicio 2.3.1 Demostrar que P(lm sup An ) lm sup P(An ) y
P(lm inf An ) lm inf P(An ).
Para eventos independientes, sin embargo, la condicion necesaria para
P(lm sup An ) > 0 es suficiente para P(lm sup An ) = 1.
TEOREMA 2.3.6 (El segundo Lema de Borel-Cantelli).
P
Si los eventos An son independientes, entonces P(An ) = implica
que P(An i.o.) = 1.

Demostracion: Sea M < N < . Independencia y 1 x ex implica que

N
Y N
Y
P(N c
n=M An ) = (1 P(An )) exp(P(An ))
n=M n=M
N
!
X
= exp P(An ) 0 cuando N
n=M

Luego P(
n=M An ) = 1 para todo M , y como n=M An lm sup An se sigue
que P(lm sup An ) = 1.  Una aplicacion tpica del segundo lema de
Borel-Cantelli es:
SEC. 2.3: LEMAS DE BOREL-CANTELLI 27

TEOREMA 2.3.7.
Si X1 , X2 , . . . son i.i.d. con E|Xi | = , entonces P(|Xn | n i.o.) = 1.
Luego si Sn = X1 + +Xn entonces P(lm Sn /nexiste ], [) = 0.

Demostracion: Del Lema 2.2.8, tomamos

Z
X
E|X1 | = P(|X1 | > x)dx P(|X1 | > n) .
0 n=0

Ya que E|X1 | = y X1 , X2 , . . . son i.i.d., se sigue del segundo lema de Borel-

Cantelli que P(|Xn | n i.o.) = 1. Para demostrar la segunda afirmacion,
observar que
Sn Sn+1 Sn Xn+1
=
n n + 1 n(n + 1) n + 1
y sobre C { : lmn Sn /n existe ] , [}, Sn /(n(n + 1)) 0. Luego,
sobre C { : |Xn | n i.o.}, tenemos
 
 Sn
 n+1  > 2
S 
n i.o.
n + 1 3

contradiciendo el hecho de que C. Desde la ultima observacion, conclui-

mos que
{ : |Xn | n i.o.} C =
y como P(|Xn | n i.o.) = 1, se sigue que P(C) = 0.

28 CAP. 2: LEY DE LOS GRANDES NUMEROS
 Bibliografa

[1] A.F. Izmailov y M.V. Solodov, Metodos Numericos de Optimizacion(en ru-

so), Fiziko-Matematicheskaya Literatura, Moscu, 2003. 304 pp. ISBN: 5-
9221-0045-9

[2] A.F. Izmailov y M.V. Solodov, Optimizacion, Vol.2: Metodos Computacio-

nales, IMPA, Rio de Janeiro, 2007.

[3] E.L. Lima, Algebra Lineal(sexta edicion), Coleccion Matematica Univer-

sitaria, IMPA, 2003.

[4] E.L. Lima, Analisis Real, Vol.1(septima edicion), Coleccion Matematica

Universitaria, IMPA, 2004.

[5] E.L. Lima, Analisis Real, Vol.2, Coleccion Matematica Universitaria, IM-
PA, 2004.
 Indice alfabetico

Algebra
generado por, 3
Conjunto
de Borel, 3
Medida
de Lebesgue, 4
Semialgebra, 4
sigma
finito, 5

30