FUNCIÓN CARACTERÍSTICA Propiedades distribución normal vectorial 3.
∀B ∈ B(Rd ) con X −1 (B) ∈ G se tiene que
Sea X ⃗ ∼ N (µ, V ). Entonces µ(ω, B) = 1X −1 (B) (ω) salvo por un conjunto Función caracterı́stica ⃗ = µ, (i) E[X] de medida 0 (ii) X1 , . . . , Xn son independientes ⇐⇒ V es di- Teorema Z ϕX (t) = E[eitx ] = eitx dPX Sea Ω espacio polaco, G ⊂ B(Ω) sub-σ-álgebra. agonal (iii) ϕX it·X⃗ 1 T ] = eit·µ e− 2 t V t , (a) Si G es generado de una álgebra contable, en- ⃗ (t) = E[e Propiedades ′ tonces existe una probabilidad condicional reg- (i) ϕX (0) = 1, ϕX (t) ≤ 1, ∀t ∈ R (iv) Si d′ ≤ d, M ∈ Rd ×d , entonces ular dado G, (ii) ϕX es continua y unif. continua en R (b) Si G es cualquier σ-álgebra, hay una probabili- ⃗ M X ∼ N (M µ, M V M ), T (iii) ϕX (t) = ϕ−x (t) dad condicional ν : Ω × F → [0, 1] dado G que (iv) ϕaX+b = eibt ϕX (at) (v) Cov(Xi , Xj ) = vi,j . cumple 1, y 2 anteriores. (v) X, Y indep =⇒ ϕX+Y = ϕX · ϕY Corolario Teorema del lı́mite central para vectores Fórmula de inversión ⃗ n ) vec.a. Sean X, Y v.a. o vec.a. en (Ω, F , P ). Entonces Sean (X i.i.d., PX ⃗n = Si u < v, etonces existe una probabilidad condicional regular de X PX ⃗ 2 ⃗ , E[∥Xn ∥ ] < ∞. Sea E[X ⃗ n ] = 0, V = dado Y (o σ(Y ). 1 Z T eitu − eitv E[X⃗ 1 X T ] definida positiva. Entonces Proposición 1 lim ϕX (t)dt = Sean X, Y v.a. (o vec.a.) sobre (Ω, F , P ), G ⊂ T →∞ 2π −T it n 1 X ⃗ d F sub-σ-álgebra tal que E[X|G] existe. Entonces, 1 √ Xk −→ N (0, V ). (i) E[X|G] es G-medible y ∀G ∈ G, PX ((u, v)) + PX ({u, v}) N k=1 2 Z Z Teorema CONDICIONAMIENTO E[X|G]dP = XdP, G G Si ϕXn (t) → ϕ(t), ∀t ∈ R, ϕ continua en 0, en- tonces ∃X v.a. tal que ϕ = ϕX función carac- Condicionamiento elemental (ii) ∀α, β ∈ R : E[αX + βY |G] = αE[X|G] + βE[Y |G] terı́stica, y Xn − → X. d Fn Sea X v.a. en (Ω, F , P ), A R∈ F . Sea Ω = c.s., k=1 Gk , Gk ∈ F , P (Gk ) > 0, Gk |X|dP < ∞. (iii) Si X es G-medible, y E[X|G] = X, entonces Sea G = σ( lj=1 Gj : 0 ≤ l ≤ n). F LÍMITE CENTRAL E[XY |G] = XE[Y |G] c.s., La probabilidad condicional de B dado G es (iv) E[X|X] = X c.s., Teorema del lı́mite central (v) Si X ≤ Y , entonces E[X|G] ≤ E[Y |G] c.s., n (Xn ) v.a. i.i.d. en L2 (Ω, F , P ), con E[Xn ] = (vi) Si H ⊂ G ⊂ F sub-σ-álgebra, entonces 1Gk P (A|Gk ). X 0, Var(Xn ) = σ 2 . Entonces P (A|G) = E[E[X|G]|H] = E[X|H] c.s. k=1 Teorema de Convergencia Monótona n 1 X d La esperanza condicional de X dado G es Xn , X v.a. sobre (Ω, F , P ), G ⊂ F sub-σ- √ → N (0, σ 2 ). Xk − n k=1 álgebra, Xn+1 ≥ Xn ≥ 0, limn→∞ Xn = X c.s., n entonces Z 1Gk X E[X|G] = XdP/P (Gk ). Teorema, versión general Gk (Xn ) v.a. P i.i.d en L2 (Ω, F , P ), E[Xn ] = k=1 lim E[Xn |G] = E[X|G] c.s. n→∞ n µ Pmn, Sm = k=1 Xk , Vn = Var(Sn ) = Propiedades Teorema de Convergencia Dominada k=1 Var(Xn ). Si se cumple (i) P (A|G), E[X|G] son G-medibles (a) ∃r > 2, Xn ∈ Lr (Ω, F , P ) (ii) Para ω ∈ Gk se tiene Xn , X v.a. sobre (Ω, F , P ), G ⊂ F sub-σ-álgebra, |Xn | ≤ Y, Y ∈ 1 X n P (A|G)(ω) = P (A|Gk ) = P (A ∩ Gk )/P (Gk ) L1 (Ω, F , P ), limn→∞ Xn = X c.s., entonces lim p E[|Xk − µk |r ] = 0 n→∞ r Vn k=1 lim E[Xn |G] = E[X|G] c.s. Z E[X|G](ω) = XdP/P (Gk ). n→∞ (b) ∀ε > 0, Gk Desigualdad de Jensen n Z (iii) P (A|G) = E[1A |G] X ∈ L1 , X(Ω) ⊂ I, ϕ : I → R convexa, en- 1 X (iv) Para G ∈ G, lim E[(Xk −µk )2 ]=0 tonces n→∞ Vn {(Xk −µk )2 >εVn k=1 Z Z Z P (A|G)dP = P (G∩A), (E[X|G]dP = XdP ϕ(E[X|G]) ≤ E[ϕ(X)|G] c.s. entonces G G G Teorema de Birkhoff para transformaciones 1 d que preservan medida √ (Sn − E[Sn ]) − → N (0, 1). Teorema Vn Sea h : Ω → R, Ω = F Sea T : Ω → Ω una transformación que j≥1 Gk , G = σ((G ) ). Luego, h es G-medible si y sólo si preserva medida, es deicr T es F -F -medible, Distribución normal vectorial j j≥1 y ∀A ∈ F , P (T −1 (A)) = P (A). Sea la σ- Sea V ∈ Sym+ (d), sea h es constante en Gj . Relación con independencia álgebraI(T ) = {A ∈ F : T −1 (A) = A}, sea 1 1 1 T −1 Sea (Ω, F , P ), A ∈ F , G ⊂ F sub-σ-álgebra. Se X ∈ L . Entonces fV (x) = p e(− 2 x V x) tiene que (2π)d det(V ) n−1 1 X (a) A es independiende de G ⇐⇒ P (A|G) = P (A) lim X ◦ T k = E[X|I(T )] c.s. c.s. n→∞ n para x ∈ Rd . Sea µ ∈ Rd . Luego, la medida k=0 (b) X es independiente de G ⇐⇒ ∀f ∈ Pµ,V (dx) = fV (x − µ)dx L1 , E[f (X)|G] = E[f (x)] c.s. Teorema es una medida de probabilidad en (Rd , B(Rd ) y Sea (Ω, F , P ), G ⊂ F sub-σ-álgebra. Se tiene se denomina distribución normal vectorial con es- (i) P (Ω, G)F= 1 c.s. peranza µ y matriz de covarianza V . (ii) Si A = ∞ n=1 An , An ∈ F , entonces Propiedades ∞ d X (i) Si PX = PY , escribimos X = Y . P (A|G) = P (An |G) c.s. (ii) Si PX ⃗ ⃗ = Pµ,V , escribimos X ∼ N (µ, V ) n=1 (iii) (X ⃗ n ) vec. a., Y⃗ vec.a. Si P ⃗ =⇒ PY⃗ , dec- Xn Probabilidad condicional regular imos que X ⃗ n converge en distribución a Y ⃗ , es- (a) ν es una probabilidad condicional regular dada ⃗n − ⃗. d cribimos X →Y G si Función caracterı́stica vectorial 1. ∀A ∈ F , ω → v(ω, A) es una versión de ⃗ = (X1 , . . . , Xd ) vec.a. es Para X P (A|G), 2. ν(ω, ·) ∈ P(Ω) salvo por un conjunto de me- i⃗ ⃗ t·X dida 0 ϕX ⃗ ⃗ (t) = E[e ] 3. ∀G ∈ G, ν(ω, G) = 1G (ω) salvo por un con- Propiedades función caracterı́stica vecto- junto de medida 0 rial (b) µ es una probabilidad condicional regular de X (X⃗ n ), X, ⃗ Y⃗ vec. a. en Rd . Se tiene que dado G si se cumplen ⃗ d ⃗ d 1. ∀B ∈ B(Rd ), ω → µ(ω, B) es una versión de (a) X = Y ⇐⇒ ϕX ⃗ = ϕY ⇐⇒ ∀a ∈ R : ⃗ P (X −1 (B)|G), PaT X ⃗ = PaT Y⃗, 2. µ(ω, ·) ∈ P(Rd ) salvo por un conjunto de me- ⃗n − d ⃗ (b) X →X ⇐⇒ ϕX ⃗ → ϕX ⃗ dida 0 n