1 Independencia Estocástica
|
|
- Natividad Arroyo Alarcón
- hace 7 años
- Vistas:
Transcripción
1 1 Independencia Estocástica La dependencia o la independencia estocástica conllevan implícitamente la posibilidad de relacionar probabilísticamente los sucesos, experimentos o variables. Por tanto se hace necesaria la consideración de un espacio probabilístico común de referencia, que genéricamente denominaremos (Ω, σ, P ). 1.1 Independencia de dos sucesos Un argumento heurístico sobre el significado del concepto de independencia (estocástica) del suceso A del B (A, B σ) conduce rápidamente a la conclusión de que el conocimiento de la ocurrencia de B no aporta ninguna nueva información sobre la ocurrencia de A. Puesto que la información con que contamos sobre la posibilidad de ocurrencia del suceso A está medida a través de la función de probabilidad, por P (A), y el aporte de información sobre A que nos da la ocurrencia de B queda reflejado a través de P (A/B), la formulación matemática inicial de la independencia del suceso A del B será: P (A/B) = P (A), y recurriendo a la definición de probabilidad condicionada P (A/B) = P (A B) P (B) si P (B) > 0 llegariamos a P (A B) = P (A)P (B) como definición adecuada de independencia de A respecto de B cuando P (B) > 0. En particular, teniendo en cuenta que si P (B) = 1 entonces P (A/B) = P (A), se confirma el hecho intuitivo de que el conocimiento de la ocurrencia de un suceso de probabilidad 1 no aporta ninguna información probabilística sobre ningún otro suceso del espacio. Por otra parte, de la relación P (A) = P (A B) + P (A B c ) se deduce, si A es independiente de B: P (A B c ) = P (A) P (A)P (B) = P (A)(1 P (B)) = P (A)P (B c ). Luego de la definición inicial de independencia, pasando por la caracterización P (A B) = P (A)P (B) obtenemos no sólo el papel simétrico que juegan A y B, que justifica que hablemos de dos sucesos independientes, sino que la relación es equivalente a la P (A B c ) = P (A)P (B c ), y en consecuencia que sean tanto la ocurrencia como la no ocurrencia de B las que no aporten nueva información sobre la posible ocurrencia de A. Estos hechos justifican que la definición de independencia incluya por definición que un suceso de probabilidad 0 sea independiente de cualquier otro, al adoptar la anterior caracterización como definición: Definición 1.1 Dos sucesos A y B de un espacio probabilístico (Ω, σ, P ), son (estocásticamente) independientes si P (A B) = P (A)P (B). La siguiente proposición es ahora inmediata a partir de las anteriores consideraciones, intercambiando los papeles de los sucesos A y B y finalmente de A y A c. 1
2 Proposición 1.2 Si dos sucesos A y B son independientes también lo son A y B c, A c y B, y A c y B c. 1.2 Independencia de dos clases de sucesos Otra cuestión natural, está relacionada con sucesos que son independientes de un tercero: En general de la independencia de los sucesos A y B 1 y de la de A y B 2 no puede deducirse la independencia de A de un suceso obtenido a partir de B 1 y B 2. En el siguiente ejemplo clásico se pone de manifiesto cómo dos sucesos pueden no ser, por separado, en absoluto informativos sobre otro, mientras que conjuntamente determinan completamente la ocurrencia o no de aquel. Ejemplo 1.3 Sea (Ω, σ, P ) el espacio discreto formado por las ternas (1, 1, 1), (2, 2, 2), (3, 3, 3), (1, 2, 3), (1, 3, 2), (2, 1, 3), (2, 3, 1), (3, 1, 2), (3, 2, 1) y la probabilidad uniforme que da a cada una probabilidad 1 9. Sean B i, i = 1, 2 los sucesos i aparece en su lugar natural y A el suceso 3 aparece en su lugar natural. Los tres sucesos A, B 1, B 2 tienen la misma probabilidad, 1 3. Además se tiene A B 1 = {(1, 2, 3)} = A B 2 = A B 1 B 2, por lo que P (A B 1 ) = P (A B 2 ) = = 1 = P (A B 9 1 B 2 ) 1 1 y los sucesos A y B 9 3 1, asi como los A y B 2 resultan ser independientes, mientras que A y B 1 B 2 son completamente dependientes (si ocurre B 1 B 2 entonces necesariamente ocurre A). Otro sencillo cálculo prueba que en el anterior ejemplo el suceso A tampoco es independiente del B 1 B 2. Sin embargo, si además de las independencias entre A y B 1 y entre A y B 2 asumimos la independencia entre A y B 1 B 2, utilizando la fórmula de inclusión exclusión, no es difícil probar que también se verificará la independencia entre A y B 1 B 2 : P ((B 1 B 2 ) A) = P (B 1 A) + P ((B 2 B 1 ) A) = P (B 1 )P (A) + P (B 2 )P (A) P (B 1 B 2 )P (A) = (P (B 1 ) + P (B 2 ) P (B 1 B 2 ))P (A) = P (B 1 B 2 )P (A). Lo que ya puede resultar mucho más difícil es probar este tipo de resultado cuando se manejan más de tres conjuntos y las operaciones entre ellos admiten variantes. Supóngase por ejemplo que cada suceso B i, i = 1,...10 es independiente de A, y que además la ocurrencia simultanea de cualquier subconjunto de sucesos de entre los B s es independiente de A. Serán independientes los sucesos (((B 1 B 2 ) (B 3 B c 4 B 5 )) (B 6 B c 7 B 8 B 9 )) B 10 y A?. La definición de independencia de clases de conjuntos y los resultados que la siguen dan una respuesta general a este tipo de cuestiones. Definición 1.4 Sean C, D σ dos clases de sucesos en el espacio probabilístico (Ω, σ, P ). Diremos que C y D son independientes si todo suceso de C es independiente de todo suceso de D: P (C D) = P (C)P (D) para todo C C y todo D D. 2
3 El siguiente lema es la clave que permite una demostración inmediata de algunos de los resultados que perseguimos. Lema 1.5 Sea (Ω, σ, P ) un espacio probabilístico y A σ un suceso cualquiera. La clase Γ A = {B σ : P (A B) = P (A)P (B)} es una λ-clase. Demostración: Como ya sabemos que Ω es independiente de cualquier suceso y que si un suceso B es independiente de A también lo es B c, bastará probar que Γ A es cerrada para uniones numerables disjuntas: Sea {B n } n una familia numerable de sucesos disjuntos en la clase Γ A. Entonces P (( n B n ) A) = P ( n (B n A)) = n P (B n A) = n P (B n )P (A) = P ( n B n )P (A), por la σ-aditividad de la probabilidad y la independencia entre A y cada suceso B n. Proposición 1.6 Sean α 1, α 2 σ dos clases de sucesos del espacio (Ω, σ, P ). Si α 1 y α 2 son independientes y cerradas para intersecciones finitas entonces σ(α 1 ) y σ(α 2 ) también son independientes. Demostración: Sea A α 1 fijo, y sea Γ A = {B σ(α 2 ) : P (A B) = P (A)P (B)}. Por el lema anterior Γ A es una λ-clase que, por hipótesis, contiene a la π-clase α 2. Como consecuencia del teorema de la π λ-clase de Dynkin se tiene entonces Γ A = σ(α 2 ) y, en consecuencia P (A B) = P (A)P (B) para todo A α 1 y todo B σ(α 2 ). Cambiando ahora los papeles de α 1 y α 2 por las nuevas clases σ(α 2 ) y α 1 y repitiendo el razonamiento anterior se obtiene el resultado. 1.3 Sucesos mutuamente independientes La situación anteriormente descrita por la que es posible que A sea independiente de C, B sea independiente de C y, sin embargo A B no sea independiente de C, conduce a ser más exigente a la hora de plantear una correcta definición que refleje lo que debe significar que tres sucesos sean independientes. Por extensión llegamos a la siguiente definición. Definición 1.7 Sean A 1, A 2,...A n sucesos del espacio (Ω, σ, P ). Diremos que estos sucesos son (mutuamente) independientes si se verifican las relaciones P (A i A j ) = P (A i )P (A j ) si i es distinto de j P (A i A j A k ) = P (A i )P (A j )P (A k ) si i, j, k son distintos... P (A 1 A 2...A n ) = P (A 1 )P (A 2 )...P (A n ). 3
4 El adjetivo mutuamente refleja la distinción con los sucesos independientes por parejas (para cada pareja i j se tiene P (A i A j ) = P (A i )P (A j )) y con otras alternativas obvias, aunque habitualmente no se explicitará. Más generalmente, cuando está involucrada una familia cualquiera de sucesos utilizaremos la siguiente definición, claramente equivalente a que cualquier subfamilia finita esté formada por sucesos (mutuamente) independientes. Definición 1.8 Sea (A t ) t T una familia de sucesos del espacio (Ω, σ, P ). Diremos que estos sucesos son (mutuamente) independientes si para cualquier subconjunto finito, J, de T (J P F (T )) se verifica P ( A j ) = P (A j ). j J j J La generalización a familias de clases de sucesos es inmediata: Definición 1.9 Sea (C t ) t T una familia de clases de sucesos del espacio (Ω, σ, P ). Diremos que estas clases son (mutuamente) independientes si para cualquier J P F (T ) y cualquier selección de conjuntos C j C j, j J, se verifica P ( C j ) = P (C j ). j J j J Del mismo modo que veíamos que de la independencia de dos sucesos podía deducirse la de sus complementarios, y que se obtenía el lema fundamental 1.5, veremos a continuación que de la independencia de una familia de clases puede deducirse la de clases ampliadas convenientemente. Proposición 1.10 Sea (C t ) t T una familia de clases independientes de sucesos del espacio (Ω, σ, P ). La independencia se conserva si ampliamos las clases a las Ct incluyendo Todos los sucesos de C t. Todos los sucesos de probabilidad 0 ó 1. Las diferencias propias de sucesos de C t. Las uniones numerables de conjuntos disjuntos de C t. Los límites monótonos de sucesos de C t. Demostración: Supongamos sin pérdida de generalidad que Ω está en cada clase C t (en caso contrario su inclusión no comporta ningún problema). Entonces, por una parte, la independencia de las clases (C t ) t T es equivalente a la de cualquier subfamilia finita (C tj ) n j=1, y ésta, por la consideración anterior, a que para cada selección de un conjunto C j C tj de cada una de las clases se tenga P (C 1 C 2... C n ) = P (C 1 )P (C 2 )...P (C n ). 4
5 Debemos probar que esta relación se sigue verificando si los conjuntos se eligen de las nuevas clases (C t j ) n j=1. Para ello fijemos previamente los conjuntos C j C tj, j = 2,...n, y definamos C = C 2... C n. Por la hipótesis de independencia se tiene P (C) = P (C 2... C n ) = P (C 2 )...P (C n ). Sea ahora H un conjunto perteneciente a alguna de las categorias enumeradas anteriormente, que componen la clase C t 1. Es inmediato comprobar, con las mismas técnicas ya utilizadas, que P (H C) = P (H)P (C) = P (H)P (C 2 )...P (C n ), por lo que, variando los conjuntos C j C tj, j = 2,..., n, llegamos a que las clases Ct 1, C t2,..., C tn son independientes. Fijando ahora los conjuntos C 1 Ct 1, C 3 C t3,...c n C tn y argumentando igual con los conjuntos de Ct 2 llegaremos a la independencia de las clases Ct 1, Ct 2,...C tn, y en n pasos a la independencia de las n clases Ct 1, Ct 2,...Ct n, como queríamos probar. Si además las clases involucradas son cerradas para intersecciones finitas, el resultado es más fuerte, y cualesquiera que sean los sucesos C t que dependan de las clases C t serán sucesos independientes: Proposición 1.11 Sea (C t ) t T una familia de clases independientes de sucesos del espacio (Ω, σ, P ). Si las clases son cerradas para intersecciones finitas entonces las σ-álgebras engendradas siguen siendo independientes: La familia {σ(c t )} t T es de clases independientes. Demostración: Argumentando igual que en la demostración anterior, fijados los conjuntos C j C tj, j = 2,...n, y definiendo C = C 2... C n, podemos considerar la clase Γ C = {H σ(c t1 ) : P (H C) = P (H)P (C)}, y el argumento empleado en la proposición 1.6 lleva inmediatamente a la independencia de las clases σ(c t1 ), C t2,...c tn. La demostración termina como la anterior. Como consecuencia de esta proposición obtenemos el siguiente resultado. Proposición 1.12 Sea (A t ) t T una familia de sucesos independientes en el espacio (Ω, σ, P ). Si T = T 1 + T T n +... es una partición del conjunto de índices y definimos las σ-álgebras σ j = σ({a t, t T j }), j = 1, 2,...n,..., las σ-álgebras de la familia (σ j ) j=1 son independientes. Demostración: Las clases C j := { s H j A s, H j P F (T j )}, son, por definición, cerradas para intersecciones finitas. 5
6 Para demostrar la independencia de estas clases sean M j1 = A s 1 C j1, M j2 = A s 2 C j2,..., M jk = A s k C jk, s 1 H 1 j s 2 H 2 j s k H k j donde H 1 j P F (T j1 ), H 2 j P F (T j2 ),... H k j P F (T jk ). Entonces, como los conjuntos de la familia finita {A t } t H 1 j H 2 j... Hk j se tiene: P (M j1 M j2... M jk ) = P ( k i=1 s i Hj i A s i) = por la independencia de cada subfamilia {A s i} s i H i j. k i=1 s i Hj i son independientes, k P (A s i) = P (M ji ) i=1 El resultado se sigue, por tanto, del anterior, teniendo en cuenta que σ j = σ(c j ). 1.4 Independencia de variables aleatorias Por último adoptaremos la siguiente definición para variables aleatorias. Definición 1.13 Sea (Ω, σ, P ) un espacio probabilístico y {(Ω t, σ t )} t T una familia de espacios medibles. Sea (X t ) t T, X t : Ω Ω t, σ σ t -medible, una familia de variables aleatorias. Diremos que las variables que componen la familia (X t ) t T, son (mutuamente) independientes si lo son las σ-álgebras que engendran: Las clases {σ(x t )} t T son independientes. La siguiente caracterización es inmediata a partir de la definición de σ-álgebra engendrada por una variable aleatoria. Proposición 1.14 Con la notación de la definición anterior, las variables (X t ) t T son independientes si para cualquier J P F (T ) y cualquier selección de conjuntos B j σ j, j J, se verifica P ( j J(X j B j )) = P (X j B j ). j J De forma análoga a la proposición 1.12 podemos establecer el siguiente resultado, fundamental en el estudio de la independencia. Proposición 1.15 Con la notación anterior, sea T = T 1 +T T n +... una partición del conjunto de índices T. Si las variables de la familia (X t ) t T son independientes y definimos las σ-álgebras σ j = σ({x t, t T j }), entonces las σ-álgebras de la familia (σ j ) j=1 son independientes. 6
7 Demostración: Las clases M j := { s H j (X s B s ), B s σ s, s H j, H j P F (T j )}, j N, son, por construcción, cerradas para intersecciones finitas y generan las σ-álgebras σ j, j N. Por último, teniendo en cuenta que, por la hipótesis de independencia, los conjuntos de cualquier familia del tipo {(X t B t )} t T son independientes, la demostración puede terminarse como la de la proposición Por otra parte, si las σ-álgebras σ t están engendradas por clases C t cerradas para intersecciones finitas, entonces las clases H t := {Xt 1 (C t ), C t C t } son cerradas para intersecciones finitas y verifican σ(h t ) = σ(x t ), por lo que resulta igualmente inmediata la siguiente proposición y su natural consecuencia en el marco de las variables aleatorias reales. (La generalización a vectores aleatorios es inmediata.) Proposición 1.16 Con la notación previa, si las σ-álgebras σ t están engendradas por clases C t cerradas para intersecciones finitas, las variables aleatorias (X t ) t T son independientes si para cualquier J P F (T ) y cualquier selección de conjuntos C j C j, j J, se verifica P ( j J(X j C j )) = P (X j C j ). j J Corolario 1.17 Sea (X t ) t T una familia de variables aleatorias reales definidas en el espacio (Ω, σ, P ). Las variables de esta familia son independientes si y sólo si para cualquier subconjunto finito {t 1, t 2,...t n } T se verifica n F (Xt1,X t2,...x tn )(x 1, x 2,...x n ) = F Xti (x i ) para cualesquiera x 1, x 2,...x n R i=1 siendo F (Xt1,X t2,...x tn ) y F Xti, i = 1, 2,...n, las funciones de distribución conjunta y marginales de las variables involucradas. En particular, en el caso de sucesiones de variables aleatorias se tiene: Las variables de la sucesión (X n ) n son independientes si y sólo si para cualquier n N se verifica n F (X1,X 2,...X n)(x 1, x 2,...x n ) = F Xi (x i ) para cualesquiera x 1, x 2,...x n R. i=1 Demostración: Como la clase C := {(, x], x R} es cerrada para intersecciones finitas y genera la σ-álgebra de Borel de R, el primer resultado es consecuencia de la proposición 1.16 y de la definición de función de distribución. El segundo es consecuencia además de la proposición que damos a continuación. 7
8 Puesto que el estudio de la independencia de familias de variables aleatorias se reduce al de las subfamilias finitas, los siguientes enunciados resultan de gran utilidad práctica. Proposición 1.18 Las variables aleatorias reales X 1, X 2,...X n, definidas en el espacio (Ω, σ, P ) son independientes si y sólo si su función de distribución conjunta es el producto de las marginales: n F (X1,X 2,...X n)(x 1, x 2,...x n ) = F Xi (x i ) para cualesquiera x 1, x 2,...x n R. i=1 Demostración: Deberemos probar que si {i 1,...i k } {1, 2,...n}, k F (Xi1,X i2,...x ik )(x i1, x i2,...x ik ) = F Xij (x j ) para cualesquiera x 1, x 2,...x k R. j=1 Supongamos sin pérdida de generalidad que los k índices seleccionados son los primeros. Como la función de distribución marginal correspondiente al subvector (X 1, X 2,...X k ) puede obtenerse de la conjunta a través de la relación F (X1,X 2,...X k )(x 1, x 2,...x k ) = y, por otra parte, lim F (X x k+1,...x 1,X 2,...X n n)(x 1, x 2,...x k, x k+1,...x n ) lim F X x k+1 k+1 (x k+1 ) = 1, lim F X x k+2 k+2 (x k+2 ) = 1,... lim F X x n (x n ) = 1, n el resultado se sigue de inmediato. Terminaremos el tema estableciendo la caracterización de la independencia de variables aleatorias cuando estas tienen función de densidad. Proposición 1.19 Sean X 1, X 2,...X n variables aleatorias reales independientes, definidas en el espacio (Ω, σ, P ). Si las variables admiten, respectivamente, funciones de densidad f 1, f 2,...f n, entonces existe función de densidad conjunta dada por f(x 1, x 2,...x n ) = f 1 (x 1 )f 2 (x 2 )...f n (x n ). Por otra parte, si X 1, X 2,...X n son variables que admiten una densidad conjunta, f, la condición necesaria y suficiente para que sean independientes es que f(x 1, x 2,...x n ) = f 1 (x 1 )f 2 (x 2 )...f n (x n ), para cualesquiera x 1, x 2,...x n R, siendo f i, para cada i = 1, 2,...n, la función de densidad marginal de la variable X i. 8
9 Demostración: Definiendo f(x 1, x 2,...x n ) = f 1 (x 1 )f 2 (x 2 )...f n (x n ), resulta fácil (utilizando el Teorema de Fubini) demostrar que f define una función de densidad en R n. Si consideramos la correspondiente probabilidad Q(B) := f(t 1, t 2,...t n )dt 1 dt 2...dt n, B β n R n será suficiente probar que Q coincide con P (X1,X 2,...X n) en los conjuntos de una clase cerrada para intersecciones finitas, que genere β n, como la formada por los conjuntos del tipo (, x 1 ] (, x 2 ]... (, x n ]. Pero de la independencia, por la proposición anterior, aplicando de nuevo el teorema de Fubini, obtenemos: P (X1,X 2,...X n)((, x 1 ] (, x 2 ]... (, x n ]) = F (X1,X 2,...X n)(x 1, x 2,...x n ) = n n F Xi (x i ) = i=1 i=1 n f i (t i )dt i = n f i (t i )dt i = i=1 (,x i] i=1 xi n i=1 (,x i] f(t 1, t 2,...t n )dt 1 dt 2...dt n = Q((, x 1 ] (, x 2 ]... (, x n ]). Esto demuestra que f es función de densidad conjunta de X 1, X 2,...X n. Para la otra parte de la proposición es suficiente observar que de la existencia de la función de densidad conjunta siempre se deduce la existencia de las funciones de densidad marginales, por lo que puede aplicarse la primera parte de la proposición. 2 Una primera incursión en lo asintótico Las propiedades asintóticas son aquellas relacionadas con el comportamiento límite de los modelos que consideramos. Si nuestro análisis se centra en una sucesión de resultados de diversos experimentos aleatorios, X 1, X 2,...X n,..., los sucesos asintóticos, en los que estamos interesados ahora, son aquellos cuya ocurrencia (o no) no dependerá de lo que observemos hasta cualquier índice finito. Ejemplos de sucesos de este tipo serían aparecen infinitos valores mayores que 0, la sucesión (X n ) n converge, la sucesión sólo toma un número finito de valores fuera del intervalo [a, b], etc. Como por otra parte, los sucesos de interés deberán estar vinculados a la sucesión de observaciones, los correspondientes conjuntos deberán poder expresarse en términos de las variables X n s, esto es, ser medibles en la mínima σ álgebra que hace medibles todas las variables involucradas. En términos más precisos, estos sucesos deberán estar en σ(x 1, X 2,...X n,...), pero al no depender de 9
10 las primeras k variables, en realidad deberán estar en σ(x k+1, X k+2,...x k+n,...), y esto es válido para cualquier k. En definitiva, los sucesos a los que nos referimos son aquellos que están en k=0σ(x k+1, X k+2,...x k+n,...). Esta intersección de σ álgebras es una nueva σ álgebra, formada por los sucesos relevantes para la teoría asintótica, por lo que estableceremos la siguiente definición. Definición 2.1 Se denominan sucesos asintóticos asociados a la sucesión de conjuntos (resp. variables aleatorias) (A n ) n (resp. (X n ) n, a los sucesos que pertenecen a la σ álgebra σ (A 1, A 2,...A n,...) := σ(a k+1, A k+2,...a k+n,...) k=0 (resp. σ (X 1, X 2,...X n,...) := k=0 σ(x k+1, X k+2,...x k+n,...)). Análogamente, las variables medibles en esta σ álgebra se denominarán variables asintóticas (sucesos cola y variables cola son términos que también se utilizan en este contexto). La σ álgebra se denominará la σ álgebra asintótica y la denotaremos simplemente como σ cuando no exista duda sobre la sucesión de conjuntos o variables que constituya el correspondiente marco de trabajo. El estudio de los sucesos asintóticos en la Teoría de la Probabilidad está fundamentalmente basado en el análisis de la probabilidad del límite superior de una sucesión de conjuntos. Curiosamente los resultados clave son de una gran sencillez y trascendencia. De hecho suelen estar basados en variaciones de los denominados Lemas de Borel-Cantelli que, a continuación exponemos. Lema 2.2 (Borel-Cantelli). Sea (A n ) n una sucesión de sucesos en el espacio probabilístico (Ω, σ, P ). 1 er Lema: Si n=1 P (A n ) <, entonces P (lim sup A n ) = 0. 2 o Lema: Si los sucesos (A n ) n son independientes y n=1 P (A n ) =, entonces P (lim sup A n ) = 1. Demostración: Para el primer lema consideremos los conjuntos B m = n=m A n. Por definición se tiene B m m=1 B m = lim sup A n, y, desde luego, P (B m ) n=m P (A n ) 0, cuando m, al ser la serie convergente. En consecuencia, tendremos P (lim sup A n ) lim m P (B m ) = 0. El segundo lema necesita una mayor elaboración. En primer lugar observemos que se da la desigualdad elemental 1 x e x, válida para todo x [0, 1], como puede obtenerse simplemente del hecho de que ambas expresiones coinciden en x = 0, mientras que la derivada de la expresión en el primer miembro es menor que la del segundo. De esta desigualdad, y de la independencia de los sucesos (A c n) n, deducimos inmediatamente que para todo m: r P ( A c n) = (1 P (A n )) = lim (1 P (A n )) lim e r n=m P (An) = 0, r r n=m n=m n=m 10
11 por lo que P (lim sup A n ) = 1 P ( A c n) = 1. m=1 n=m Debe destacarse que, al tratarse de series de términos positivos, la serie n=1 P (A n ) o bien converge o bien diverge, por lo que, en el caso en que los sucesos (A n ) n son independientes, esta dicotomía y los dos lemas de Borel-Cantelli nos llevan a la que ser nuestra primera ley 0-1 : la probabilidad del suceso lim sup A n es 0 ó 1, además es 0 si y sólo si n=1 P (A n ) converge. En otras palabras, si los sucesos (A n ) n son independientes, si n=1 P (A n ) = entonces casi seguro que ocurren infinitos de ellos; por el contrario, si n=1 P (A n ) <, entonces casi nunca ocurrirán infinitos de ellos. La terminología entrecomillada que acabamos de introducir aparece continuamente en la Teoría de la Probabilidad y expresa respectivamente que el suceso al que se refiere tiene probabilidad 1(casi seguro) ó 0 (casi nunca). El suceso {A n ocurre infinitas veces}, esto es, lim sup A n, es un ejemplo claro de suceso asintótico (ligado a la sucesión (A n ) n ). El siguiente resultado, conocido como la ley 0-1 de Kolmogorov extiende la sorprendente propiedad que acabamos de enunciar a todos los sucesos asintóticos ligados a sucesiones de variables independientes. Teorema 2.3 Sea (X n ) n una sucesión de variables independientes y σ la correspondiente σ álgebra de los sucesos asintóticos asociados. Entonces todos los sucesos de σ tienen probabilidad 0 ó 1. Demostración: Probaremos que σ es independiente de si misma, por lo que cada suceso A en ella verificará P (A) = P (A A) = (P (A)) 2 y, en consecuencia P (A) será 0 ó 1. Por definición de σ, se tiene que σ σ(x 1, X 2,...X n,...), pero esta última σ álgebra coincide con la σ álgebra generada por la unión de σ álgebras n=1 σ(x 1, X 2,...X n ), es decir: ) σ(x 1, X 2,...X n,...) = σ ( σ(x 1, X 2,...X n ) n=1 Además la clase n=1 σ(x 1, X 2,...X n ) es cerrada para intersecciones finitas (de hecho es un álgebra), por lo que si demostramos que σ es independiente de n=1 σ(x 1, X 2,...X n ), por la Proposición 1.6 también será independiente de la σ álgebra engendrada, es decir, de σ(x 1, X 2,...X n,...), y de cualquier subclase de ella, en particular de la misma σ. Sea entonces H n=1 σ(x 1, X 2,...X n ). H pertenecerá por tanto a alguna de las σ álgebras σ(x 1, X 2,...X n ). Por otra parte, si A σ, entonces debe ocurrir que A σ(x m, X m+1,...) para todo m. En particular A σ(x n+1, X n+2,...), luego será independiente de todos los sucesos de σ(x 1, X 2,...X n ) (recuérdese la Proposición 1.16), y en particular de H.. 11
12 3 Problemas propuestos. 1. Sean C, D clases cerradas para uniones finitas. Probar que si C y D son independientes entonces también lo son σ(c) y σ(d). 2. Probar que los conjuntos A 1,...A n son (mutuamente) independientes si y sólo si cada conjunto A i es independiente de la clase C i := σ({a j, j i}) para cada i = 1,..., n. 3. Probar que los sucesos de la familia (A t ) t T son independientes si y sólo si lo son las variables aleatorias de la familia (I At ) t T. 4. Sea (Ω, σ, P ) un espacio probabilístico y {(Ω t, σ t )} t T una familia de espacios medibles. Sea, para cada t T, X t : Ω Ω t una variable σ σ t -medible. Probar que las variables de la familia (X t ) t T son independientes si y sólo si para cualquier familia (f t ) t T de funciones, f t : Ω t R, σ t β-medibles, las variables de la familia (f t (X t )) t T son independientes. 5. Sea (X n ) n una sucesión de variables aleatorias reales independientes y (B n ) n una sucesión de conjuntos de Borel de R. Probar que P [X 1 B 1, X 2 B 2,...X n B n,...] = Π i=1p [X i B i ]. 6. Un dispositivo eléctrico cuenta con n componentes y funciona mientras lo hacen todas sus componentes. Sea F la función de distribución común de los tiempos de fallo de cada componente. Obtener la distribución del tiempo de fallo del sistema. 7. Sea (Ω, σ, P ) un espacio probabilístico y σ 0 σ una σ-álgebra tal que σ 0 y σ 0 son independientes. Probar que (a) Todos los conjuntos de σ 0 tienen probabilidad 0 ó 1. (b) Si X : Ω R k es un vector aleatorio σ 0 β-medible, existe x 0 R k tal que P ( X = x 0 ) = Sean X 1, X 2,...X n variables independientes e igualmente distribuidas, con función de distribución F y función de densidad f. Hallar la función de densidad conjunta de las variables U = inf{x 1, X 2,...X n } y V = sup{x 1, X 2,...X n }. 9. Sean X, Y variables aleatorias independientes con distribución exponencial (con función de densidad f(x) = e x I (0, ) (x)). Probar que las variables U = X + Y y V = X son Y independientes. 10. Sean X, Y variables aleatorias independientes con distribución N(0, σ) y sean ρ = X2 + Y 2, Θ = arc tag Y. Probar que ρ y Θ son independientes. X 12
13 11. Se define en R (el espacio de las sucesiones de números reales) la σ-álgebra β como la mínima que hace medibles las proyecciones π n : R R, π n (x 1, x 2,...x n,...) = x n, i = 1, 2,...n,... Probar que β es también la σ-álgebra engendrada por las clases C = {R R...R B n R..., B n β, n N } y D = {(, x 1 ] (, x 2 ]... (, x n ] R..., x i R, i = 1,...n, n N } y que D es cerrada para intersecciones finitas. Probar que X : Ω R, X = (X 1, X 2,...X n,...) es σ β -medible si y sólo si todas sus componentes, X n, n N, son variables aleatorias σ β-medibles. 12. Sean (X n ) n e (Y n ) n dos sucesiones de variables independientes. Probar que las sucesiones son igualmente distribuidas si y sólo si L(X n ) = L(Y n ) para todo n N. 13. Sea (F n ) n una sucesión de funciones de distribución en R. Probar que existe una sucesión de variables aleatorias reales, (X n ) n, definidas en algún espacio probabilístico (Ω, σ, P ), que son independientes y tales que, para cada n N, F n es la función de distribución de X n. 14. Sean (X n ) n, (Y n ) n dos sucesiones de variables tales que P (X n = Y n ) = 1 para cada n. Probar que si las variables de la sucesión (X n ) n son independientes, entonces también lo son las de la sucesión (Y n ) n. 15. Sea (X n ) n una sucesión de variables independientes que converge con probabilidad 1 a la variable X. Probar que la variable X es degenerada, es decir, es constante casi seguro. (Incluir la posibilidad de límites infinitos). 16. Demostrar que una sucesión, (X n ) n, de variables independientes converge a 0 casi seguro si y sólo si n=1 P ( X n > ɛ) < para cualquier ɛ > Sea (A n ) n una sucesión de sucesos independientes. Obtener la probabilidad de los conjuntos lim inf A n y lim sup A n en función del carácter de las series n=1 P (A n ) y n=1 P (A c n). 18. Sea (f n ) n una sucesión de funciones reales y a R. Probar las siguientes relaciones: (a) {lim sup f n < a} lim inf{f n < a} (b) lim inf{f n a} {lim sup f n a} (c) {lim inf f n > a} lim inf{f n > a}. Dar un ejemplo que pruebe que las contenciones pueden ser estrictas. 19. Sea (X n ) n una sucesión de variables aleatorias reales y sea a R. Si las variables son independientes entonces el conjunto C a = {ω : X n (ω) a} tiene probabilidad 0 ó 1. Construir una sucesión de variables en algún espacio probabilístico y dar algún valor a tal que la probabilidad de C a no sea 0 ni 1. 13
14 20. Sea (X n ) n una sucesión de variables aleatorias independientes con distribución exponencial de parámetro 1/λ (función de densidad f(x) = (1/λ) exp[ x/λ]i [0, ) (x)). Probar que P [lim sup X n / log n = λ] = 1. (Sugerencia: Considérense los conjuntos A n (δ) = {X n > (1 + δ)λ log n} y estúdiense diferenciadamente los casos δ = 0 y δ > 0). 21. Se dice que las variables X 1,..., X n son intercambiables cuando (X 1,..., X n ) = d (X i1,..., X in ) para cualquier permutación (i 1,..., i n ) de los índices {1,..., n}. Probar que si las variables X 1,..., X n son intercambiables entonces P [X 1 < X 2 <... < X n ] = P [X i1 < X i2 <... < X in ] para cualquier permutación (i 1,..., i n ). Probar que variables independientes e igualmente distribuidas son intercambiables y dar un ejemplo que demuestre que la afirmación opuesta no es necesariamente correcta. 22. Sean X e Y variables aleatorias con densidad conjunta f(x, y). Probar que P [X = Y ] = 0. Utilizar el problema anterior para demostrar que si las variables X 1,..., X n son intercambiables con densidad conjunta f(x 1,...x n ), entonces P [X 1 < X 2 <... < X n ] = 1/n!. 23. Sean X 0, X 1,...X n,... variables independientes e igualmente distribuidas con función de densidad, y sea A n = {X n < X 0 }. Son los conjuntos A n, n = 1, 2,..., independientes?. Obtener P [lim inf A n ]. (Sugerencia: Demostrar primero que el suceso {X n+1 < X 0 } {X n+2 < X 0 } {X n+3 < X 0 } {X n+k < X 0 } tiene probabilidad 1/(k + 1)). 14
A partir de la definición obtenemos las siguientes propiedades para estas funciones:
Capítulo 1 Conjuntos Supondremos conocidas las nociones básicas sobre teoría de conjuntos, tales como subconjuntos, elementos, unión, intersección, complemento, diferencia, diferencia simétrica, propiedades
Más detallesEspacio de Funciones Medibles
Capítulo 22 Espacio de Funciones Medibles Igual que la σ-álgebra de los conjuntos medibles, la familia de funciones medibles, además de contener a todas las funciones razonables (por supuesto son medibles
Más detallesTema 4 Probabilidad condicionada: teoremas básicos. Independencia de sucesos
Tema 4 Probabilidad condicionada: teoremas básicos. Independencia de sucesos 1. Probabilidad condicionada. Espacio de probabilidad condicionado La probabilidad condicionada es uno de los conceptos clave
Más detallessi este límite es finito, y en este caso decimos que f es integrable (impropia)
Capítulo 6 Integrales impropias menudo resulta útil poder integrar funciones que no son acotadas, e incluso integrarlas sobre recintos no acotados. En este capítulo desarrollaremos brevemente una teoría
Más detallesDependencia e independencia lineal
CAPíTULO 3 Dependencia e independencia lineal En este capítulo estudiaremos tres conceptos de gran importancia para el desarrollo del álgebra lineal: el concepto de conjunto generador, el concepto de conjunto
Más detallesSucesiones y series de números reales
Capítulo 2 Sucesiones y series de números reales 2.. Sucesiones de números reales 2... Introducción Definición 2... Llamamos sucesión de números reales a una función f : N R, n f(n) = x n. Habitualmente
Más detallesCardinalidad. Teorema 0.3 Todo conjunto infinito contiene un subconjunto infinito numerable.
Cardinalidad Dados dos conjuntos A y B, decimos que A es equivalente a B, o que A y B tienen la misma potencia, y lo notamos A B, si existe una biyección de A en B Es fácil probar que es una relación de
Más detallesTema 2. Grupos. 3. El conjunto de matrices de orden 2 con coeficientes enteros (o reales) con la suma es un grupo conmutativo.
Tema 2. Grupos. 1 Grupos Definición 1 Un grupo es una estructura algebraica (G, ) tal que la operación binaria verifica: 1. * es asociativa 2. * tiene elemento neutro 3. todo elemento de G tiene simétrico.
Más detalles4. " $#%&' (#) para todo $#* (desigualdad triangular).
10 Capítulo 2 Espacios Métricos 21 Distancias y espacios métricos Definición 211 (Distancia) Dado un conjunto, una distancia es una aplicación que a cada par le asocia un número real y que cumple los siguientes
Más detalles5.1. Límite de una Función en un Punto
Capítulo 5 Continuidad 51 Límite de una Función en un Punto Definición 51 Sean (X, d) y (Y, ρ) espacios métricos, D X, f : D Y una función, a X un punto de acumulación de D y b Y Decimos que b es el límite
Más detalles1 Variables aleatorias independientes
1 Variables aleatorias independientes El concepto de independencia es sumamente importante en teoría de probabilidad y su negación, la dependencia, es un importante objeto de estudio actualmente en diversas
Más detalles1. Teorema Fundamental del Cálculo
1. Teorema Fundamental del Cálculo Vamos a considerar dos clases de funciones, definidas como es de otras funciones Funciones es. F (t) = t a f(x)dx donde f : R R, y F (t) = f(x, t)dx A donde f : R n R
Más detallesEl cuerpo de los números reales
Capítulo 1 El cuerpo de los números reales 1.1. Introducción Existen diversos enfoques para introducir los números reales: uno de ellos parte de los números naturales 1, 2, 3,... utilizándolos para construir
Más detallesApuntes de Matemática Discreta 2. Operaciones con Conjuntos
Apuntes de Matemática Discreta 2. Operaciones con Conjuntos Francisco José González Gutiérrez Cádiz, Octubre de 2004 Universidad de Cádiz Departamento de Matemáticas ii Lección 2 Operaciones con Conjuntos
Más detallesIntroducción al Tema 9
Tema 2. Análisis de datos univariantes. Tema 3. Análisis de datos bivariantes. Tema 4. Correlación y regresión. Tema 5. Series temporales y números índice. Introducción al Tema 9 Descripción de variables
Más detallesAnexo C. Introducción a las series de potencias. Series de potencias
Anexo C Introducción a las series de potencias Este apéndice tiene como objetivo repasar los conceptos relativos a las series de potencias y al desarrollo de una función ne serie de potencias en torno
Más detallesTopología de R n. Beatriz Porras
Producto escalar, métrica y norma asociada. Topología de R n Beatriz Porras 1 Producto escalar, métrica y norma asociada Consideramos el espacio vectorial R n sobre el cuerpo R; escribimos los vectores
Más detallesEn este capítulo obtendremos los resultados básicos del cálculo diferencial para funciones reales definidas sobre R o sobre intervalos.
Capítulo 6 Derivadas 61 Introducción En este capítulo obtendremos los resultados básicos del cálculo diferencial para funciones reales definidas sobre R o sobre intervalos Definición 61 Sea I R, I, f :
Más detallesProcesos Estocásticos
Capítulo 2 Procesos Estocásticos La teoría de la probabilidad es, junto con la teoría de señales, uno de los dos pilares matemáticos sobre los que se asienta el análisis de sistemas de comunicaciones digitales.
Más detallesCurvas en paramétricas y polares
Capítulo 10 Curvas en paramétricas y polares Introducción Después del estudio detallado de funciones reales de variable real expresadas en forma explícita y con coordenadas cartesianas, que se ha hecho
Más detallesSigma-álgebras. Requisitos. Operaciones con conjuntos, operaciones con familias de conjuntos.
Sigma-álgebras Objetivos. Definir la noción de σ-álgebra y estudiar sus propiedades básicas. Definir la noción de σ-álgebra generada por un conjunto de conjuntos. Requisitos. Operaciones con conjuntos,
Más detallesEspacios Normados (Normas en R n )
Espacios Normados (Normas en R n ) Uno de los conceptos más importantes del cálculo y del analisis matemático es el de métrica o distancia. En R n la noción de metrico depende a su vez del concepto de
Más detallesEstructuras algebraicas
Estructuras algebraicas Natalia Boal María Luisa Sein-Echaluce Universidad de Zaragoza 1 Relaciones binarias 11 Recordatorio Definición Dados dos conjuntos A y B se llama producto cartesiano de A por B
Más detallesTema 1: Teorı a de la Probabilidad
Tema 1: Teorı a de la Probabilidad Teorı a de la Comunicacio n Curso 2007-2008 Contenido 1 Experimentos Aleatorios y Sucesos 2 Cálculo Combinatorio 3 Probabilidad 4 Probabilidad Condicional 5 Teorema de
Más detallesTEMA II TEORÍA INTUITIVA DE CONJUNTOS
TEMA II TEORÍA INTUITIVA DE CONJUNTOS Policarpo Abascal Fuentes TEMA II Teoría intuitiva de conjuntos p. 1/4 TEMA II 2. TEORÍA INTUITIVA DE CONJUNTOS 2.1 CONJUNTOS 2.1.1 Operaciones con conjuntos 2.2 RELACIONES
Más detallesHerramientas digitales de auto-aprendizaje para Matemáticas
real de con Herramientas digitales de auto-aprendizaje para Matemáticas, Grupo de Innovación Didáctica Departamento de Matemáticas Universidad de Extremadura real de con Índice real de con real de con.
Más detallesMatrices y Determinantes.
Matrices y Determinantes. Definición [Matriz] Sea E un conjunto cualquiera, m, n N. Matrices. Generalidades Matriz de orden m n sobre E: a 11 a 12... a 1n a 21 a 22... a 2n...... a m1 a m2... a mn a ij
Más detallesTopología de la Recta
Capítulo 2 Topología de la Recta 21 Introducción En este capítulo introducimos algunas nociones sobre topología de los espacios métricos Nuestro interés se limitará en el futuro al caso real o a los espacios
Más detallesResumen Tema 3: Derivadas. Concepto. Propiedades. Cálculo de derivadas. Aplicaciones.
Resumen Tema 3: Derivadas. Concepto. Propiedades. Cálculo de derivadas. Aplicaciones. 0.. Concepto de derivada. Definición. Sea f : S R R, a (b, c) S. Decimos que f es derivable en a si existe: f(x) f(a)
Más detallesEn las figuras anteriores vemos algunos casos (no todos) que pueden presentarse al pasar por un punto x 0. (en este caso, para x 0 =2)
UNIVERSIDAD DEL VALLE PROFESOR CARLOS IVAN RESTREPO CONTINUIDAD. 1.- Continuidad en un punto. Continuidad lateral..- Continuidad en un intervalo. 3.- Operaciones con funciones continuas 4.- Discontinuidades.
Más detallesINSTITUTO TECNOLÓGICO DE APIZACO TEORÍA DE CONJUNTOS CONJUNTOS Y TÉCNICAS DE CONTEO
TEORÍA DE CONJUNTOS CONJUNTOS Y TÉCNICAS DE CONTEO DEFINICIÓN Y NOTACIÓN DE CONJUNTOS El término conjunto juega un papel fundamental en el desarrollo de las matemáticas modernas; Además de proporcionar
Más detallesComplementos de Matemáticas, ITT Telemática
Introducción Métodos de punto fijo Complementos de Matemáticas, ITT Telemática Tema 1. Solución numérica de ecuaciones no lineales Departamento de Matemáticas, Universidad de Alcalá Introducción Métodos
Más detallesCurso Propedéutico de Cálculo Sesión 2: Límites y Continuidad
y Laterales Curso Propedéutico de Cálculo Sesión 2: y Joaquín Ortega Sánchez Centro de Investigación en Matemáticas, CIMAT Guanajuato, Gto., Mexico y Esquema Laterales 1 Laterales 2 y Esquema Laterales
Más detallesUn conjunto se considera como una colección de objetos, llamados miembros o elementos del conjunto. Existen dos formas de expresar un conjunto:
I.- Teoría de conjuntos Definición de conjunto Un conjunto se considera como una colección de objetos, llamados miembros o elementos del conjunto. Existen dos formas de expresar un conjunto: a) Por extensión
Más detalles2. Probabilidad y. variable aleatoria. Curso 2011-2012 Estadística. 2. 1 Probabilidad. Probabilidad y variable aleatoria
2. Probabilidad y variable aleatoria Curso 2011-2012 Estadística 2. 1 Probabilidad 2 Experimento Aleatorio EL término experimento aleatorio se utiliza en la teoría de la probabilidad para referirse a un
Más detalles2. Ortogonalidad. En todo el capítulo trabajaremos sobre un espacio vectorial euclídeo U.
2 Ortogonalidad En todo el capítulo trabajaremos sobre un espacio vectorial euclídeo U 1 Vectores ortogonales Definición 11 Dos vectores x, ȳ U se dicen ortogonales si: x ȳ = 0 Veamos algunas propiedades
Más detallesSumación aproximada de series numéricas
PROYECTO I: MÁS SOBRE SERIES DE NÚMEROS REALES Sumación aproximada de series numéricas El estudio de las series de números reales no termina con el análisis de la convergencia y la sumación de algunas
Más detallesCálculo infinitesimal de varias variables reales Volumen 1
Cálculo infinitesimal de varias variables reales Volumen 1 José María Rocha Martínez Departamento de Matemáticas Escuela Superior de Física y Matemáticas del IPN Gabriel D Villa Salvador Departamento de
Más detallesTema 1: Espacios de Medida. 12 de marzo de 2009
Tema 1: Espacios de Medida 12 de marzo de 2009 1 Espacios de Medida 2 Espacios medibles 3 [0, ] 4 Medidas 5 Lebesgue 6 Primer Teorema Definición de Espacio de Medida (Ω,A,µ) Ω es un conjunto no vacío A
Más detallesNúmeros naturales, principio de inducción
, principio de inducción. Conjuntos inductivos. Denotaremos por IN al conjunto de números naturales, IN {,,, 4, 5, 6,...}, cuyos elementos son suma de un número finito de unos. Recordemos que IN es cerrado
Más detallesvaloración de operaciones
392 textos docents valoración de operaciones actuariales RELACIONADAS CON LA supervivencia DE GRUPOS FORMADOS POR varias PERSONAS Antonio Alegre Escolano Departament de Matemàtica Econòmica, Financiera
Más detallesVariables Aleatorias. Capítulo 4. 4.1. Introducción.
Capítulo 4 Variables Aleatorias 41 Introducción A la realización de un experimento aleatorio le hemos asociado un modelo matemático representado por un espacio de probabilidad (Ω, F, P ), donde Ω es el
Más detallesLímites en el infinito, funciones divergentes
Tema 2 Límites en el infinito, funciones divergentes Nuestro próximo objetivo es usar las sucesiones divergentes para ampliar la noción de límite funcional en dos sentidos. Por una parte, analizaremos
Más detallesPROBABILIDAD Y ESTADÍSTICA. Sesión 5 (En esta sesión abracamos hasta tema 5.8)
PROBABILIDAD Y ESTADÍSTICA Sesión 5 (En esta sesión abracamos hasta tema 5.8) 5 DISTRIBUCIONES DE PROBABILIDAD CONTINUAS Y MUESTRALES 5.1 Distribución de probabilidades de una variable aleatoria continua
Más detalles9. Aplicaciones al cálculo de integrales impropias.
Funciones de variable compleja. Eleonora Catsigeras. 8 Mayo 26. 85 9. Aplicaciones al cálculo de integrales impropias. Las aplicaciones de la teoría de Cauchy de funciones analíticas para el cálculo de
Más detallesTema 4.3: Desarrollo de Taylor. Equivalencia entre analiticidad y holomorfía. Fórmula de Cauchy para las derivadas
Tema 4.3 Desarrollo de Taylor. Euivalencia entre analiticidad y holomorfía. Fórmula de Cauchy para las derivadas Facultad de Ciencias Experimentales, Curso 008-09 E. de Amo Tal y como ya anunciábamos en
Más detalles1. Funciones Medibles
1. Medibles Medibles simples... Hasta ahora hemos estudiado la medida de Lebesgue definida sobre los conjuntos de R n y sus propiedades. Vamos a aplicar ahora esta teoría al estudio de las funciones escalares
Más detallesEcuaciones de rectas y planos. Un punto O y una base B B = { i, j,
Ecuaciones de rectas y planos. Coordenadas en el espacio. Planos coordenados. El vector OP tiene unas coordenadas( x, y, z ) respecto de la base B, que se pueden tomar como coordenadas del punto P respecto
Más detallesCuatro Problemas de Álgebra en la Olimpiada Internacional de Matemáticas.
Boletín de la Asociación Matemática Venezolana, Vol. XV, No. 1 (2008) 131 Cuatro Problemas de Álgebra en la Olimpiada Internacional de Matemáticas. Rafael Sánchez Lamoneda Introducción. El presente artículo
Más detallesConjuntos finitos y conjuntos numerables
Tema 3 Conjuntos finitos y conjuntos numerables En este tema vamos a usar los números naturales para contar los elementos de un conjunto, o dicho con mayor precisión, para definir los conjuntos finitos
Más detallesPropiedades en una muestra aleatoria
Capítulo 5 Propiedades en una muestra aleatoria 5.1. Conceptos básicos sobre muestras aleatorias Definición 5.1.1 X 1,, X n son llamadas una muestra aleatoria de tamaño n de una población f(x) si son variables
Más detallesPruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2011 - Propuesta B
Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2011 - Propuesta B 1. Queremos invertir una cantidad de dinero en dos tipos
Más detallesTeoría Tema 3 Teoremas de derivabilidad
página 1/10 Teoría Tema 3 Teoremas de derivabilidad Índice de contenido Teorema de Rolle...2 Teorema del valor medio de Lagrange (o de los incrementos finitos)...4 Teorema de Cauchy...6 Regla de L'Hôpital...8
Más detallesTeoría de conjuntos. Tema 1: Teoría de Conjuntos.
Tema 1: Teoría de Conjuntos. La teoría de Conjuntos es actualmente una de las más importantes dentro de la matemática. Muchos de los problemas que se le han presentado a esta disciplina en los últimos
Más detallesMatemáticas I: Hoja 1
Matemáticas I: Hoja 1 1. Números complejos Hasta ahora, hemos visto que los números reales son aquellos que poseen una expresión decimal y que podemos representar en una recta infinita. No obstante, para
Más detallesTEMA 4: Espacios y subespacios vectoriales
TEMA 4: Espacios y subespacios vectoriales 1. Espacios vectoriales Sea K un cuerpo. Denominaremos a los elementos de K escalares. Definición 1. Un espacio vectorial sobre K es un conjunto V cuyos elementos
Más detallesTema 1. Cálculo diferencial
Tema 1. Cálculo diferencial 1 / 57 Una función es una herramienta mediante la que expresamos la relación entre una causa (variable independiente) y un efecto (variable dependiente). Las funciones nos permiten
Más detallesMedidas producto. La medida de Lebesgue en R n como modelo
Capítulo IV Medidas producto La medida de Lebesgue en R n como modelo Definición: Dados intervalos J 1, J 2, J 3,..., J n de R (finitos o no), al producto cartesiano R = J 1 J 2... J n lo denominaremos
Más detallesFunciones Exponenciales y Logarítmicas
Funciones Exponenciales y Logarítmicas 0.1 Funciones exponenciales Comencemos por analizar la función f definida por f(x) = x. Enumerando coordenadas de varios puntos racionales, esto es de la forma m,
Más detallesReglas de derivación. 4.1. Sumas, productos y cocientes. Tema 4
Tema 4 Reglas de derivación Aclarado el concepto de derivada, pasamos a desarrollar las reglas básicas para el cálculo de derivadas o, lo que viene a ser lo mismo, a analizar la estabilidad de las funciones
Más detallesSucesiones convergentes
Tema 5 Sucesiones convergentes Aparece por primera vez en este tema una de las nociones fundamentales del Análisis Matemático, la noción de convergencia. Estudiamos la convergencia de sucesiones de números
Más detalles1. Sucesiones. Sucesiones. Compacidad. {( 1) n, n N} = { 1, 1, 1, 1, 1, 1,... } es una sucesión de elementos del conjunto { 1, 1}, y la familia
1.. De una manera informal, una sucesión es una familia de elementos de un conjunto, ordenada según el índice de los números naturales. Los elementos pueden estar repetidos o no. Por ejemplo la familia
Más detallesUnidad Temática 5 Estimación de parámetros: medias, varianzas y proporciones
Unidad Temática 5 Estimación de parámetros: medias, varianzas y proporciones Responda verdadero o falso. Coloque una letra V a la izquierda del número del ítem si acepta la afirmación enunciada, o una
Más detallesLímites de una función
Límites de una función Introducción Comenzaremos a analizar la definición del límite finito de tendencia finita a través de un ejemplo. Consideremos la función f. Observemos su regla de asignación y su
Más detallesDistribuciones de Probabilidad Para Variables Aleatorias Continuas
Distribuciones de Probabilidad Para Variables Aleatorias Continuas Departamento de Estadística-FACES-ULA 20 de Diciembre de 2013 Introducción Recordemos la definición de Variable Aleatoria Continua. Variable
Más detallesCURSOSO. Aritmética: Númerosnaturalesyenteros. Númerosracionalesyfraciones. MATEMÁTICAS. AntonioF.CostaGonzález
CURSOSO CURSOSO MATEMÁTICAS Aritmética: Númerosnaturalesyenteros. Númerosracionalesyfraciones. AntonioF.CostaGonzález DepartamentodeMatemáticasFundamentales FacultaddeCiencias Índice 1 Introducción y objetivos
Más detallesRESUMEN DE TEORIA. Primera Parte: Series y Sucesiones
RESUMEN DE TEORIA Primera Parte: Series y Sucesiones SUCESIONES Definición: La sucesión converge a L y se escribe lim = si para cada número positivo hay un número positivo correspondiente N tal que =>
Más detallesResumen de álgebra vectorial y tensorial
Apéndice A Resumen de álgebra vectorial y tensorial Se resumen aquí algunos conceptos y definiciones importantes de vectores y tensores, con pretensión de sencillez y brevedad. En aras de esta sencillez,
Más detallesTema XIV: SUCESIONES Y SERIES DE NÚMEROS REALES XIV.1. Sucesiones. Sucesiones convergentes
Tema XIV: SUCESIONES Y SERIES DE NÚMEROS REALES XIV.1. Sucesiones. Sucesiones convergentes 1. Sucesiones DEF. Una sucesión infinita de números reales es una función cuyo dominio es N y su imagen un subconjunto
Más detallesTEMA II: DISTRIBUCIONES RELACIONADAS CON LA NORMAL
ESTADÍSTICA II TEMA II: DISTRIBUCIONES RELACIONADAS CON LA NORMAL II.1.- Distribución chi-cuadrado. II.1.1.- Definición. II.1..- Función de densidad. Representación gráfica. II.1.3.- Media y varianza.
Más detallesMatemáticas Febrero 2013 Modelo A
Matemáticas Febrero 0 Modelo A. Calcular el rango de 0 0 0. 0 a) b) c). Cuál es el cociente de dividir P(x) = x x + 9 entre Q(x) = x +? a) x x + x 6. b) x + x + x + 6. c) x x + 5x 0.. Diga cuál de las
Más detallesVersión Geométrica del Teorema de Hahn-Banach
Tema 7 Versión Geométrica del Teorema de Hahn-Banach En este Tema abordamos la interpretación geométrica del Teorema de Hahn-Banach, que consistirá en encontrar condiciones suficientes para separar dos
Más detallesFunciones de varias variables
Funciones de varias variables F. Alvarez y H. Lugo Universidad Complutense de Madrid 23 Noviembre, 2011 Campo escalar Denominamos campo escalar a una función f : R n R, es decir, una función cuyo dominio
Más detallesEspacios compactos. 7.1 Espacios compactos
58 Capítulo 7 Espacios compactos 7.1 Espacios compactos Definición 7.1.1 (Recubrimiento). Sea X un conjunto y sea S X. Un recubrimiento de S es una familia A = {A i } i I de subconjuntos de X tales que
Más detalles40 Matemáticas I. Parte II. Álgebra Lineal. I.T.I. en Electricidad. Prof: José Antonio Abia Vian
40 Matemáticas I Parte II Álgebra Lineal 41 Matemáticas I : Álgebra Lineal Tema 4 Espacios vectoriales reales 4.1 Espacios vectoriales Definición 88.- Un espacio vectorial real V es un conjunto de elementos
Más detallesNOTAS DE TRABAJO, 29 ÁLGEBRA Y ESTRUCTURAS DISCRETAS
NOTAS DE TRABAJO, 29 ÁLGEBRA Y ESTRUCTURAS DISCRETAS Pascual Jara Martínez Departamento de Álgebra. Universidad de Granada Granada, 2008 2009 Primera redacción: Octubre 2008. Introducción Escribir un texto
Más detallesCriterio del segundo cociente para convergencia de series numéricas
UNIVERSIDAD CENTRAL DE VENEZUELA FACULTAD DE CIENCIAS ESCUELA DE MATEMÁTICA Criterio del segundo cociente para convergencia de series numéricas Trabajo Especial de Grado presentado ante la ilustre Universidad
Más detallesANÁLISIS DE VARIABLE REAL
ANÁLISIS DE VARIABLE REAL Víctor Manuel Sánchez de los Reyes Departamento de Análisis Matemático Universidad Complutense de Madrid Índice Los números reales, sucesiones y series 7 Los números naturales
Más detallesTEMA 1.- PROBABILIDAD.- CURSO
TEMA 1.- PROBABILIDAD.- CURSO 2016-2017 1.1.- Introducción. Definición axiomática de probabilidad. Consecuencias de los axiomas. 1.2.- Probabilidad condicionada. 1.3.- Independencia de sucesos. 1.4.- Teoremas
Más detallesMétodos Numéricos: Resumen y ejemplos Tema 5: Resolución aproximada de ecuaciones
Métodos Numéricos: Resumen y ejemplos Tema 5: Resolución aproximada de ecuaciones Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica de Cataluña Abril 009,
Más detallesConjuntos relaciones y grupos
Matemáticas NS Conjuntos relaciones y grupos Tema opcional 2 Índice 1. Conjuntos y relaciones 5 1.1. Introducción.......................................... 5 1.2. Operaciones con conjuntos..................................
Más detallesDISTRIBUCIONES DE PROBABILIDAD (RESUMEN)
DISTRIBUCIONES DE PROBABILIDAD (RESUMEN) VARIABLE ALEATORIA: un experimento produce observaciones numéricas que varían de muestra a muestra. Una VARIABLE ALEATORIA se define como una función con valores
Más detallesTema 3: Cálculo de Probabilidades Unidad 2: Variables Aleatorias
Estadística Tema 3: Cálculo de Probabilidades Unidad 2: Variables Aleatorias Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Noviembre 2010 Contenidos...............................................................
Más detallesCURSO CERO DE MATEMATICAS. Apuntes elaborados por Domingo Pestana Galván. y José Manuel Rodríguez García
INGENIEROS INDUSTRIALES Y DE TELECOMUNICACIONES CURSO CERO DE MATEMATICAS Apuntes elaborados por Domingo Pestana Galván y José Manuel Rodríguez García UNIVERSIDAD CARLOS III DE MADRID Escuela Politécnica
Más detalles6.3. Estimadores Insesgados de Varianza Uniformemente Mínima
6.3. Estimadores Insesgados de Varianza Uniformemente Mínima El objetivo en esta parte será encontrar al mejor estimador de τ(θ), bajo algún criterio. Primero que nada podríamos pensar en encontrar al
Más detallesESTADÍSTICA INFERENCIAL
ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 7 Nombre: Distribuciones de probabilidad para variables aleatorias continuas Contextualización Al igual que la distribución binomial, la distribución
Más detallesTEORÍA DE CONJUNTOS A ={ 1, 2, 3, 4, 5, 6 }
TEORÍA DE CONJUNTOS CONJUNTOS Y TÉCNICAS DE CONTEO DEFINICIÓN Y NOTACIÓN DE CONJUNTOS El término conjunto juega un papel fundamental en el desarrollo de las matemáticas modernas; Además de proporcionar
Más detallesEspacios métricos completos
5 Espacios métricos completos Comenzamos introduciendo las sucesiones de Cauchy, que relacionamos con las sucesiones convergentes. En el caso de que coincidan, se trata de un espacio métrico completo.
Más detallesTerminaremos el capítulo con una breve referencia a la teoría de cardinales.
TEMA 5. CARDINALES 241 Tema 5. Cardinales Terminaremos el capítulo con una breve referencia a la teoría de cardinales. Definición A.5.1. Diremos que el conjunto X tiene el mismo cardinal que el conjunto
Más detallesPráctica 2 Métodos de búsqueda para funciones de una variable
Práctica 2 Métodos de búsqueda para funciones de una variable Introducción Definición 1. Una función real f se dice que es fuertemente cuasiconvexa en el intervalo (a, b) si para cada par de puntos x 1,
Más detallesTema 5. Muestreo y distribuciones muestrales
Tema 5. Muestreo y distribuciones muestrales Contenidos Muestreo y muestras aleatorias simples La distribución de la media en el muestreo La distribución de la varianza muestral Lecturas recomendadas:
Más detallesApuntes Trigonometría. 4º ESO.
Apuntes Trigonometría. 4º ESO. Conceptos previos: Notación: En un triángulo, los vértices se denotan con letras mayúsculas (A, B y C). Los lados se denotan con la letra minúscula del vértice opuesto al
Más detallesTest de Kolmogorov-Smirnov
Test de Kolmogorov-Smirnov Georgina Flesia FaMAF 2 de junio, 2011 Test de Kolmogorov-Smirnov El test chi-cuadrado en el caso continuo H 0 : Las v.a. Y 1, Y 2,..., Y n tienen distribución continua F. Particionar
Más detallesTEMA 11. Autovalores y autovectores. Diagonalización y formas canónicas.
TEMA 11 F MATEMÁTICOS TEMA 11 Autovalores y autovectores Diagonalización y formas canónicas 1 Introducción Definición 1 (Matrices semejantes) Sean A y B dos matrices cuadradas de orden n Decimos que A
Más detallesProfesor: Rafa González Jiménez. Instituto Santa Eulalia ÍNDICE
TEMA 5: DERIVADAS. APLICACIONES. ÍNDICE 5..- Derivada de una función en un punto. 5...- Tasa de variación media. Interpretación geométrica. 5..2.- Tasa de variación instantánea. Derivada de una función
Más detallesx i x io V no V n+1 ; y no x = x io x V n+1. Por tanto x i x V n+1 + V n+1 V n,
COMPLETITUD La noción de completitud que vamos a definir, es una generalización de la conocida en espacios métricos. Como en este caso, el hecho de saber que un cierto conjunto de un e.v.t. es completo
Más detallesÁLGEBRA LINEAL Y GEOMETRÍA ANALÍTICA (0250)
Universidad Central de Venezuela Facultad de Ingeniería Ciclo Básico Departamento de Matemática Aplicada ÁLGEBRA LINEAL Y GEOMETRÍA ANALÍTICA (0250) Semestre 1-2011 Mayo 2011 Álgebra Lineal y Geometría
Más detallesTEMA 1. NÚMEROS REALES Y COMPLEJOS
TEMA 1. NÚMEROS REALES Y COMPLEJOS 1.1 DEFINICIÓN AXIOMATICA DE LOS NÚMEROS REALES 1.1.1 Axiomas de cuerpo En admitimos la existencia de dos operaciones internas la suma y el producto, con estas operaciones
Más detallesLógica Proposicional, Teoremas y Demostraciones
Lógica Proposicional, Teoremas y Demostraciones Manuel Maia 19 de marzo de 2012 1 Proposiciones Una proposición es una oración declarativa o una expresión matemática que es verdadera o es falsa, pero no
Más detallesContenidos mínimos 4B ESO. 1. Contenidos. Bloque I: Aritmética y álgebra.
Contenidos mínimos 4B ESO. 1. Contenidos. Bloque I: Aritmética y álgebra. 1. Clasificar distintos tipos de números: naturales, enteros, racionales y reales. 2. Operar con números reales y aplicar las propiedades
Más detalles