Documentos de Académico
Documentos de Profesional
Documentos de Cultura
formación
Sea X una variable aleatoria real de…nida sobre un espacio de probabilidad
( ; =; P ) :En esta sección se va a presentar un teorema que permite determinar
la integral de X ;con respecto a P; en términos de su distribución PX : Con este
objetivo, introducimos los siguientes conceptos:
X Y () X = Y c.s
X = Y c.s =) E (X) = E (Y )
L1 := L1 = s:= f[X] : X 2 L1 g
siendo
[X] := fY 2 L1 : X = Y c:sg
El espacio L1 resulta ser un espacio vectorial.
Remark 4 y
Lp := Lp = s
= f[X] : X 2 Lp g
donde
[X] := fY 2 Lp : X = Y c:sg :
1
1. Z
0 XdP E (X) :
A
2. Z
XdP = 0; si y sólo si, P (A \ (X > 0)) = 0
A
4. Si A; B 2 = con A B entonces
Z Z
XdP XdP
A B
Proof.
1. Puesto que
0 XXA X
entonces
0 E (XXA ) E (X) :
E (Y ) = 0 () P (Y = 0) = 1
o equivalentemente
E (Y ) = 0 () P (Y > 0) = 0
pero
2
3.
Z Z
XdP = XX[ An dP
n
[ An
n
= E XX[ An
n
1
!
X
=E XXAn
n=1
1
X
= E (XXAn )
n=1
X1 Z
= XdP:
n=1 An
4. Puesto que A B entonces XXA XXB : Por monotonía del valor es-
perado se concluye que:
E (XXA ) E (XXB )
5. Es claro que
0 XXAn " XXA
entonces por el teorema de convergencia monótona se concluye que:
6. Puesto que:
0 XXAn X
y
XXAn # XXA
entonces
E (XXAn ) # E (XXA ) :
pues X 2 L1 :
3
Remark 7 Sea ( ; =; P ) un espacio de probabilidad y X : ! R una variable
aleatoria. De la teoría vista anteriormente, se sabe que la distribución de la
variable X; es la medida de probabilidad de…nida sobre (R; B (R)) como sigue:
PX (B) = P (X 2 B) ; B 2 B (R) :
Esto es,
Z n
X
hdPX := xi P (X 2 Ai ) :
i=1
entonces
n
X m
X
xi PX (Ai ) = yj PX (Bj )
i=1 j=1
4
Proposition 11 Si f : R ! [0; 1) es una función medible entonces existe
una sucesión (hn )n 1 de funciones simples no negativas tales
Proof. La sucesión
n
n2
X k 1
hn (x) := Xfx: k 1
f (x) < 2kn g (x) + nXfx: f (x) >ng (x)
2n 2n
k=1
satisface la condición.
+
donde f yf representan la parte positiva de f respectivamente, se de…ne:
Z Z Z
+
f dPX := f dPX f dPX :
5
1.
h (X) 2 L1 ( ; =; P ) () h 2 L1 (R; B (R) ; PX )
Proof.
2. Sea B 2 B (R). Si h = XB entonces:
Xn
= xi PX (Ai )
i=1
Xn
1
= xi P X (Ai )
i=1
Xn
= xi P (X 2 Ai )
i=1
Z
= h (X) dP
= E (h (X))
6
entonces
entonces
entonces Z Z
E (X) = xPX (dx) = xdFX (x) :
7
Proof.
Z
E (h (X)) = h (x) PX (dx)
Z
= h (x) dFX (x)
Z
= h (x) fX (x) dx:
entonces:
1
X 1
X k
jkj P (X = k) = ke
k!
k=0 k=0
1
X k
=e
(k 1)!
k=1
X1 j
= e
j=0
j!
=
puesto que: Z Z
1 1
x 1
jxj f (x)dx = xe = :
1 0
1
se concluye que, el valor esperado de X existe y es igual a :
8
Example 25 Sea X una variable aleatoria con distribución Cauchy estándar.
Entonces:
1
fX (x) = ; si x 2 R
(1 + x2 )
Por lo tanto,
Z 1 Z
2 1 x
jxj f (x)dx = dx = 1;
1 0 x + x2
es decir E (X) no existe.
Lemma 26 Sea X una variable aleatoria con función de distribución FX . Si
E (X n ) existe, entonces:
Z 1 Z 0
E (X n ) = n xn 1 [1 FX (x)]dx n xn 1 FX (x)dx:
0 1
Proof.
Z 1
n
E (X ) = xn dFX (x)
1
Z 1 Z 0
= xn dFX (x) + xn dFX (x)
0 1
Z 1 Z x Z 0 Z 0
= ny n 1
dy dFX (x) + ( 1) ny n 1
dy dFX (x)
0 0 1 x
Z 1 Z 1 Z 0 Z 0
n 1
=n y dFX (x) dy n yn 1
dy dFX (x)
0 y 1 x
Z 1 Z 1 Z 0 Z y
=n yn 1
dFX (x) dy n yn 1
dFX (x) dy
0 y 1 1
Z 1 Z 0
n 1
=n x [1 FX (x)]dx n xn 1
FX (x)dx:
0 1