Teora de Probabilidad

1. Esperanza Matemtica. Definicin. Si X es una V.A. con funcin de probabilidad f (x), entonces el Valor Esperado Esperanza Matemtica de se define como: [ ] cuando X es discreta y [ ] si X es continua. Teorema. Si X es una VA discreta y f (x) es su funcin de probabilidad en x, el valor esperado de la variable aleatoria g(X) est dado por [ ( )] ( ) ( ) ( ) ( )

De manera similar, si X es una VA continua y f (x) es el valor de su densidad en x. El valor esperado de la VA g(X) est dado por [ ( )] ( ) ( )

Demostracin. Para el caso discreto. Como Y=g(X) no define una correspondencia biunvoca necesariamente, supongamos que g(x) toma el valor gi cuando x toma los valores xi1, xi2, . . . , xin. Por lo tanto la probabilidad, la probabilidad de que g(x) tomar el valor gi es ( ( ) Y si g(x) toma los valores g1, g2, . . . , gm, se deduce [ ( )] ( ( ) ) ( ) ( ) ( ) ( ) ) ( )

Donde la sumatoria se extiende sobre todos los valores de la VA X. 2. Propiedades del Valor Esperado. Si a, b, y ci son constantes para i=1,2,. . .n, entonces a. b. c. E[a X ]=aE[X ] E[b]=b E[a X +b] =aE[X ]+b [ ( )] [ ( )]

3. Valor Esperado de una Funcin de Variables Aleatorias. Si X y Y son VA discretas con distribucin de probabilidad conjunta f (x, y), el valor esperado de la VA g(X, Y) est dado por [ ( )] ( ) ( )

De manera similar, si X y Y son continuas con densidad conjunta f (x, y), el valor esperado de g(X, Y) est dado por [ ( 4. Momentos con respecto al origen. El k-simo de una V.A. con respecto al origen se define como: [ cuando X es discreta y [ cuando X es continua. Nota. =E[X], es decir al primer momento con respecto al origen se le llama la media de la VA. ] ( ) ] ( ) )] ( ) ( )

5. Momentos con respecto a la media. El k-simo de una V.A. con respecto a la media se define como: [( cuando X es discreta y [( cuando X es continua. Nota. de la VA. = V[X] =Var[X]= E[(X )2], es decir al segundo momento con respecto a la media se le llama la varianza ) ] ( ) ( ) ) ] ( ) ( )

Teorema 13 Si una VA tiene media , entonces ( ) 6. Propiedades de la Varianza. Para cualquier constante Nota. V[X] 0 7. Funcin Generadora De Momentos. La funcin generadora de momentos de una VA se define como: V[aX ] = a2 V[X ]. V[a] = 0. =E[X 2] E[X ]2

( ) si X es discreta y ( )

( )

( )

cuando X es continua. Lo anterior indica que la funcin generadora de momentos es una funcin que depende solo del parmetro t, y que el subndice X en Mx(t ) slo indica que es la funcin generadora perteneciente a la VA X. La funcin generadora tiene ciertas propiedades que son de mucha utilidad, por ejemplo, para el caso discreto la Serie de Maclaurin para ext es:

Entonces, la funcin generadora ( ) [ ( ) ( ) ] ( ) ( )

derivando ambos lados de la igualdad con respecto a t y evaluando en t =0, puede observarse que ( ) y ( ) En general: ( ) | [ ] | ( ) [ ] | ( ) [ ]

8. Momentos Producto. El r-simo y k-simo momento producto de 2 variables aleatorias con respecto al origen se define como: [ si X y Y son discretas. Y cuando son continuas [ ] ( ) ] ( )

El r-simo y k-simo momento producto de las variables aleatorias discretas X, Y con respecto a las medias x y y se define como: [( ) ( ) ] ( ) ( ) ( )

Y si son continuas [( [( Nota entre las variables Si xy < 0 Si xy > 0 Si xy = 0 )( ) ( )] [ ) ] ( ) ( ) ( )

] es llamada la Covarianza entre X y Y, e indica el tipo de relacin Es decir, si X crece, Y decrece Es decir, si X crece, Y crece Es decir, X e Y son independientes

Hay una relacin inversa Hay una relacin directa No hay relacin entre las variables

Teorema 14 Para dos VA cualesquiera la covarianza puede calcularse mediante [ ] [ ] [ ]