Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Departamento de Matemticas
Hermosillo, Sonora
Agosto 2004
ndice
1 Introduccin
4 Aplicaciones
5
7
7
8
11
12
15
15
17
23
5 Conclusiones
23
25
26
29
33
NDICE
Captulo 1
Introduccin
La desigualdad de Chebyshev es uno de los resultados clsicos ms importantes de la teora de probabilidad. Establece que para una variable aleatoria
X,
r
Vak(X)
P(IX
k)
2 , k > 0,
donde ji = EX, la cual debe de ser finita.
Generalmente, la demostracin de este resultado se basa en la siguiente
desigualdad conocida como desigualdad de Markov:
P(X k)
EXT
k* '
k,r > 0.
CAPTULO 1. INTRODUCCIN
EiXr
para k > 0?
El objetivo principal del presente trabajo es obtener una expresin de la
mejor constante C*(r).
El desarrollo de esta teora se basa principalmente en aplicar tcnicas
de optimizacin para el clculo de estas cotas. Esto nos permite resolver
otro tipo de problemas relacionados con la desviacin media absoluta de una
variable aleatoria, as como problemas de otras reas de las matemticas.
La estructura del trabajo es la siguiente. En el Captulo 2 presentamos
la desigualdad de Chebyshev y otras desigualdades relacionadas, as como
sus principales aplicaciones. Despus, en el Captulo 3, se desarrollar la
teora que nos lleva al clculo de la mejor constante en las desigualdades
tipo Chebyshev, y en el Captulo 4 se presentan aplicaciones de esta teora.
Finalmente, en el Captulo 5 se exponen las conclusiones del trabajo.
Captulo 2
La Desigualdad de Chebyshev:
Aplicaciones y Resultados
Relacionados
2.1 La Desigualdad de Chebyshev .
La desigualdad de Chebyshev, como ya se ha mencionado, juega un papel
importante en la teora de la probabilidad por sus mltiples aplicaciones.
En este captulo se presentan las ms importantes de ellas, as como otros
resultados relacionados.
La forma ms conocida de la desigualdad de Chebyshev es la siguiente:
Teorema 2.1.1 (Desigualdad de Chebyshev). Sea X una variable aleatoria con esperanza finita p. Entonces, para todo k > 0,
Lema 2.1.1. Sea X una variable aleatoria no negativa. Entonces, para todo
k > 0,
X
P (X ) k) Ek
Demostracin. Obsrvese que
EX = E[XI[o,k)(X) + XIN,03)(X)]
= E[X I[0,k)(X)]+ E[XI[ke)(X)]
E[XIN,0)(X)],
donde IA es la funcin indicadora del conjunto A
Por otro lado
EX
P(X ) k)
P(X ) k) (
kr
EXr
.
kr
EXr
.
kr
kz
E (X p) 2
Var(X)
k2
k2
Var(X) 1
10 2 4
Sn ) 1
E (
n
n
EX1,,
k=1
1
Sn)
Var (=
n
Var(Xk).
k=1
-7-1E E (t)
n2E2
(2.1)
para todo n ) 1.
La relacin (2.1) es el punto clave en la demostracin de los siguientes
resultados.
Teorema 2.2.1 (Ley Dbil de los Grandes Nmeros). Sean X1 , X2, . .
n - oo
c) = 0.
Entonces,
0.
111
limPl
76-100
S 1
EEXk <
n n k=1
= 1.
S
Var eit
n'
De acuerdo a la relacin (2.1) tenemos que
1 EXk
n k=1
Vn
<
EXk
nroo
lim P
n>m
X
< = 1.
n p
lim P
71-3.00
X E n171=1 Pm
< =
11
1.
X=
Teorema 2 2 4 (Markov).
X2 , .
es tal que
EXk <
1.
Sn
P
.- E) <
ne2
Si
0- 2
562'
P(1 P)
ne2
JJ
E =
cuando
10 051)2) 2 = 2500.
0.
P(Y ?.. A p)
(2.2)
P(Y a)
a > 0.
(2.3)
A> 0.
(2.4)
P(Y a)
a > 0.
h > 0.
P(Y p h)
(2.5)
(2.6)
h
p+ h
p+h.
Desigualdad de Bernstein
La desigualdad de Bernstein establece que
P(X b)
Mx(t)
ebt
(2.7)
13
at
Een
ebt
Mx(t)
ebt
por lo tanto
P(X
b)
Mx (t)
e"
Desigualdad de Gauss
En el ao de 1821, Gauss publica este resultado en su libro "Theoria
combinationis observationum erroribus minimis obnoxiae, pars prior", el cual
dice lo siguiente:
Sea X una variable aleatoria unimodal con moda en cero. Entonces, para
k > 0,
4 Er
P(IXI > k)
9 k2
Desigualdad de Camp-Meidell
En el el ao de 1922, B.H. Camp y B. Meidell presentan el siguiente
resultado.
Sea X una variable aleatoria unimodal con moda en po. Entonces
P(IX
Acr) <
4 1+ sz
9 (A s)2
( r r
1) r EikXr ir'
Captulo 3
La Mejor Desigualdad tipo
Chebyshev
3.1 Planteamiento del Problema
En el captulo anterior se analizaron varios resultados alrededor de la desigualdad de Chebyshev. Esta desigualdad toma distintas formas depen' diendo de la variable aleatoria a analizar (no negativa, valor absoluto, suma
parcial de n variables aleatorias i.i.d., etc.), pero todas se deducen de la
desigualdad de Markov
P(IX1 > k) ( EiXir '
k,r > 0.
A este tipo de desigualdades se les conoce como Desigualdades tipo Chebyshev.
4 X2
9 Ek2 '
15
para k > 0.
(M)
EIXi
r + 1)
kr r'
IE X ir
kr
17
F. Entonces:
supz>o{xrP(IXI>x)}
C * (r)
EXj*
Si I.X1 tiene funcin de densidad f, entonces
cy ( n
C*(r) (" Pi> 0{xr-1-1 f (x)} =
nr)
rEIX1*
sen (tx)
2t
(1
irEIXI r Brujj {zr r
0(t))dt}
Observemos que la parte a) del Teorema 3.2.1 nos proporciona una expresin exacta para C*(r), pero con la desventaja de que esta involucra la
cantidad que se quiere aproximar. Sin embargo, una vez calculada se puede
usar para demostraciones de resultados clculos posteriores donde la desigualdad de Chebyshev juega un papel importante, como las vistas en el
Captulo 2. Las partes b) y c) del teorema proporcionan caminos alternativos para calcular o acotar C*(r). Por ejemplo, si la densidad de la variable
aleatoria 12(1 es conocida, es posible usar la parte b). De hecho, como veremos
ms adelante, en ciertos casos C(r) es una buena aproximacin al valor de
C* (r) y ms fcil de calcular. Por otro lado, cuando no es posible o es difcil
obtener la densidad de la variable aleatoria X (e.g. densidades de sumas de
variables aleatorias), la parte c) toma mayor importancia debido a que C*(r)
depende principlamente de la funcin caracterstica de la variable aleatoria
X.
rxr-/
(x) xT f (x)
De aqu tenemos que supz > 0 0(x) se alcanza en un punto x* x.(F, r) tal
que
, f r(x.)
P(f.X1> x,) x
por lo que
1 f (x.) < sup x> dxr+1 f (x)}
r
r
sup{xrP(IXI> x)}
x>0
Finalmente,
G(x) = 0 se sigue de lo siguiente:
Sea Y IXI, la cual es no negativa, entonces
.EYr = f: yr fy (y)dy
f yr fy(y)cly EY r < co
19
y como
xrP(IX1 > x)
f: yr fy(y ) dy = 0, se concluye que
o.
Para la parte c) se tiene que por hiptesis F(x) = 1- F(-x) y que existe
la densidad f la cual esta dada como [ver Hoel, Port, Stone, (1971)]
f(x) = 2- j6-"t0(t)dt.
Entonces
f 00
F(x) = f f (s)ds
-x
f (8)ds
1
ce
00
e-ist (t)dtids
f z [2r
f
0.
co
f
(t)[1b e-indsidt
27r
-CO
-2
1e-st
(t)- dt
-it
27r -00
- rizt +
1
)
d.(t)
=
dt
27r _ co
-it
(e-ixt - e-irt)
1 f' e-ixt
q5(t)dt +
0(t)dt
= 27r tree
27r -00 -it
-it
2sen(tx)
1
f<x)
q5(t)dt + F(-x)
27r oo
t
2sen(tx)
=
fiDa
dt(t)dt + 1- F(x),
t
27r
=
por lo que
1., (x)
1
sen(tx)
1
qi(t)dt + .
27r f_,,
t
-2
du
7F
P(IXj> x)
sen(tx)
1
0(t)dt)
2
27r Lex,
1
sen(tx)
0(t)dt
=1
= 2 (1
1 r sen(tx) dt 1
sen(tx)
qh(t)dt
7
t
r
t
1 r sen(tx) (1
q5(t))dt
7r f_,,
t
2
sen(tx)
(1 0(t))dt.
71: t
q
(x > X.) -=
1
x* (727r e 2
21
Gyke
rEFIXV
(3.2)
Por otro lado, para calcular C(r), sea c(x ) xr+1 (V-27 e---}x2), Entonces
1
12
C(r)
rEIXIT
22rei(r+1))
+ 1)11 (7-r 17:0 Itir--kre-ht2dt
(r +1)TeEr+1)
r foc treit2 dt
72 (DY G) (7. ntre-Er+i)
r-1
J0(5 tre-it2dt
2 (7- + 1) P e-h(r+i)
(1)
(1)
r-1
roo (1) 2
tr-1te-kt2dt
(r+1.) P + ne-Er+1)
2
r-1
Ce Gt 2 ) 2
fo
te-5t4dt
r `r21)
(r 1)e - 2(r+1)
r (11)
22
C* (r)
1
2
3
4
5
6
7
8
9
10
.426
.331
.251
.251
.229
.212
.201
.187
.175
.164
C(r)
.736
.463
.361
.305
.269
.243
.224
.208
.195
.184
(crfri)i
.5
.444
.422
.410
.402
.397
.393
.390
.388
.386
r
para X ti N(0,1).
E IX Ir 2Cf1f (x.)
kr
(3.3)
ricr
r
Cota (3.3)
1
.1699
2
3
.0828 .0564
4
.0471
5
.0461
6
.0492
7
.0605
Captulo 4
Aplicaciones
Concluimos el trabajo presentando aplicaciones de la teora que se desarroll
en el Captulo 3. Estas aplicaciones se centran principalmente en calcular cotas inferiores o superiores de expresiones que se presentan no necesariamente
en el rea de probabilidad.
a > 1.
((a)
k=1
rxr1qX+1 + xrgx+l
ln
q),
CAPTULO 4. APLICACIONES
24
r )
(inq ,
P(X > k)
11-[r/ 1n q]
kr
qk-Ei
(4)r q1+[r/
Erl e-ak
(5) r e-a[ria]
area[ria]
r r (e" - 1)
(4.1)
((a) =
ane[aia]
ea
act (e" - 1) = e" - 1
(4.2)
((r) ri 1
P primo
Pr
r > 1.
(4.3)
25
a
((a)
Cota (4.2)
4
2
1.645 1.082
1.157 1.019
8
10
6
1.017 1.004 1.001
1.003 1.001 1.000
12
1.000...
1.000...
Tabla 4.1: Valores de la funcin zeta de Riemann y la cota en (4.2) para ciertos valores de a.
Actp)
(niN r+1
A )
rxr
o bien,
rArer+' eAs
(r 1)r1
xr
para todo x, r > 0. Por otra parte obsrvese que para p primo
rArer+i
1
C4 0,
1
pr (r +
1
1 1
entonces
por lo que
rArer+i
1
eAP < 1
01(1
(r + 1) r -1- 1 '
1
1
1.
1 rArer+1 eAP >
1 pr (r+1)*+1-
(4.4)
CAPITULO 4. APLICACIONES
26
Utilizando (4.3) y (4.4) obtenemos
((r )(
1
rArer+1 e_Ap)
(r+1)r+'
rArer+1
H (i + (r + 1Y+1 CAP)
rArer+1
) 1+ (r + 1)7.+1 ECAP.
De aqu llegamos a que
CAP
7-1-1
+ 1)
(((r) 1)
rAreri
20kk)
(
k > 0,
Ms1
DBEICBL
IENCIO
AS EXACTAS
Y
NA T ORALES
11:JOS
27
x r+i f ( x)
En particular tomemos r 7,b(k) 1. Por otro lado, sea G(x)
derivando con respecto a x se llega a que
f (x)
De aqu, 0(k) 1 + 1 = (x), i.e., tk(k) = '1b(x), y como 11) es creciente para
x > O, se concluye que k x. Por lo tanto
P(IXI > k)
rlf(k)
k f (k)
rkr
r/b(k) 1
k(a + k2)
a(k2 1)
fa (k).
0,
r (a1) (1+
(X) =
2 y ar r (1)
2:)
fa
(a-1-1)
2
(4.7)
CAPTULO 4. APLICACIONES
28
y
(a+1)_/
r ( a+1
2 ) (a+1)
2
+ a2-)
2x
f',(x)=
De aqu
_ (a+1) _i
2
22)
a
(c=1
Xr ( cLi")
2 "1
2
2x
(2ax)
lo cual implica
Y2(x) 1 =
a(x 2 - 1)
a + x2 '
k(a + k2)
fa(k)
a(k2 1)
Ejemplo 4.3.2. Sea X una variable aleatoria con densidad gamma fa,A (x) -e-Axxa-1 11a) . En este caso tenemos que para todo k > E(X) = 1P(X > k)
fa A(k)
kA a '
= e-Axx- 2 r a) ( Ax + a 1).
De aqu,
xexx xa-2 1.-TAe`
z (Ax + a 1)
e-Asxa-1 r(a)
Aa
(4.8)
Ejemplo 4.3.3.
P(X > k)
(4.9)
Ejemplo 4.3.4.
k(1 - k)
k(a + fi -
1) f"
a'
p(k).
(4.10)
Cm (r)
EIX pr,
(4.11)
suPx>dxrP(IX-pl>x)}
para r > 1.
CAPTULO 4. APLICACIONES
30
Teorema 4.4.1. Para toda r > 1
(4.12)
y
(x2)
P (IX tt i > k)
.81.21 pirl
kr1
EIX p172
ler2
=
(
CO
PaX pi > x)dx + f P(IX pi > x)dx
fo
a
dx + c,;(r2)Eix itj 7 f:
C(r 1) EIX plI n o xri
k
f8
51ri
= C(r1)EIX . pr
xdrx2
51-72
+C;
pr2 .
1 ri r2 1
C;(0)5 + C;(r2)EiX
EIX pI
pr2 r2 1
51-x2
sup{P(IX p i > x)}5 + C;(r2 ).EIX pr2
r2 1
x>o
al-r2
= P (I X pi > 0)5 + Cp*(r2)EIX p1 r2 1
r2
51-72
(1 P(X = p))5 + C(r2)EIX Mr2
r2 1
=
51-72
(1 p)5 + Ci*(r2)EIX
r2 1
(4.13)
entonces derivando
G'(5) = a (1 r2)56-'2,
r2 1
r2
(1 p)
':2V.
p)
1
r2 1)
r2
ry 1)
= ce(r2)(EIX pr)1k2.
Como r2 > 1, entonces para cualquier r > 1
EIX
- pi ( a(r)(EIX pir)
32
CAPTULO 4. APLICACIONES
Captulo 5
Conclusiones
En este trabajo se estudiaron las desigualdades tipo Chebyshev, as como sus
principales aplicaciones y algunos resultados relacionados.
La expresin general de las desigualdades tipo Chebyshev es
P(IXI> k):C C*(r)
.EIXIr
k
k > 0,
Var (X)
k2
(5.1)
EIXIr
P(IXI> k)
kr
(5.2)
3
4E
P(IXI> k)
P(IXI k)
?..1-1)
33
(5.3)
(5.4)
2 '
EiXir
kr
(5.5)
CAPTULO 5. CONCLUSIONES
34
p (IX I
k)
max
{ 4 E X2 4 EX2 11
9 k2 '3 k 3 j'
(5.6)
4 EX2
k2
P(IXI .. k)
si
k
2
NEX2
(5.7)
4 EX2
31 ,
Si
LEX2
k 2
EIXr
para k > 0? Este problema fue resuelto por DasGupta (2000) bajo hiptesis
especficas sobre la distribucin de la variable aleatoria X, [ver Teorema 3.2.1]
y fue la base para el desarrollo del presente trabajo.
La solucin a estos problemas se centr principalmente en analizar las
propiedades de la funcin G(x) = xr P(IXI > x). Este mismo anlisis sirvi
para establecer otras aplicaciones, como por ejemplo, obtener cotas para
P(IXI > x) en trminos de la densidad de la variable aleatoria, y para la
desviacin media absoluta de una variable aleatoria. Adems se obtuvieron
resultados en otras reas de las matemticas, como cotas para la funcin zeta
de Riemann y la serie exponencial de primos.
Por ltimo, los resultados de nuestro trabajo se establecieron slo para
variables aleatorias univariadas, lo cual sigue siendo vlido para variables
aleatorias definidas como funciones de vectores aleatorios. Es decir, sea X -=
R una
(X1 , X2 , , Xn) un vector aleatorio de dimensin 71 y F : Rn
funcin arbitraria. Entonces podemos aplicar los resultados a la variable
aleatoria Y = F(Xi , X2, ,
Xn)
35
Se pueden extender los resultados expuestos al caso de vectores aleatorios, pero considerando clases muy particulares de distribuciones multivariadas, como por ejemplo, para las distribuciones unimodales esfricamente
simtricas. Un ejemplo de este tipo de distribuciones es la normal multivariada. La forma que toman las desigualdades tipo Chebyshev, por ejemplo,
para el caso n 2, es [ver DasGupta (2000)]:
> k) (
kr
k>
0.
36
CAPTULO 5. CONCLUSIONES
Bibliografa
DASGUPTA, A. (2000), Best constants in Chebyshev inequalities with
various applications, Metrika, 51, 186-201.
DOROGOVTSEV, A. Ya. (1997), Probability Theory: Collection of
Problems, Transalation of Mathematical Monographs, AMS, 163, 87.
GNEDENKO. B. V. (1963), The Theory of Probability, 2da. ed., Nueva
York: Chelsea Publishing.
HOEL, P., PORT, S. y STONE, C. (1971), Introduction to Probability
Theory, Boston: Hougthon Mifflin.
KOTZ, S. y JHONSON, N. (1982), Encyclopedia of Statistical Sciences,
Volume 1, Nueva York: Jhon Wiley & Sons.
SELLKE, T.M. y SELLKE, S.H. (1997) Chebyshev inequalities for unimodal distributions", American Statistical Association, 51, 34-40.
ZALDVAR, F. (2002), La funcin zeta de Riemann, Miscelnea
Matemtica, 36, 66-67.
37