Escolar Documentos
Profissional Documentos
Cultura Documentos
LISANDRO ALVARADO
Decanato de Ciencias y Tecnologa
Licenciatura en Ciencias Matemticas
Barquisimeto, Venezuela.
Junio de 2011
Universidad Centroccidental
Lisandro Alvarado
Decanato de Ciencias y Tecnologa
Licenciatura en Ciencias Matemticas
ACTA
TRABAJO ESPECIAL DE GRADO
Los suscritos miembros del Jurado designado por el Jefe del Departamento de
Matemticas del Decanato de Ciencias y Tecnologa de la Universidad Centroccidental Lisandro Alvarado, para examinar y dictar el veredicto sobre el Trabajo
Especial de Grado titulado:
TUTOR
FIRMA
PRINCIPAL
FIRMA
PRINCIPAL
FIRMA
OBSERVACIONES:
Aprobado Reprobado
AGRADECIMIENTOS
A Dios, porque a pesar de los obstculos pude lograr una de mis mas grandes
metas.
A mi madre Glenis Garca, por tu apoyo incondicional, por tus sabios consejos,
por ser una madre excepcional y porque gracias a ti hoy soy lo que soy. Te quiero
mucho.
A mi hija Cindy, eres lo mas bello que me han dado Dios y la vida. Tu dulzura y
ternura son el motor que impulsa mi vida. Dios te bendiga.
A mi novio Francisco, por tu valioso apoyo, tu cario, y por tener fe en m. Eres
un gran hombre y una gran persona, gracias por estar all cuando mas te necesito.
Te Amo.
A mi familia por su apoyo y estmulo.
A mis compaeros y amigos: Nelson, Anuar, Eliecer, Darwin, Ernesto, Irrael,
Williams, por el apoyo brindado y los momentos compartidos.
A los esposos Miriam y Rafael Robertis, por su apoyo y su ayuda en los momentos
mas difciles.
A la seora Coromoto Torres, por sus constantes oraciones, "fueron de gran ayuda",
por sus atenciones y por recibirme en su casa como un miembro mas de su familia.
A los profesores Eibar Hernndez, Mario Rodrguez, Rmulo Castillo, Luz Rodrguez, Omar Rodrguez y Jhonny Escalona por los conocimientos brindados y por
ser fuente de inspiracin y motivacin en algn momento de mi carrera para seguir
adelante. De todos y cada uno me llevo un bonito aprendizaje.
A mi Tutor MSc. Vctor Bernal, Por ser mi gua, por su apoyo y sus sabios consejos.
A todos los que hicieron posible la realizacin de este sueo muchas gracias!.
R ESUMEN
El movimiento Browniano, tambin conocido como proceso de Wiener es un modelo matemtico que sirve para describir la trayectoria realizada por una partcula
a travs del tiempo.
El modelo ha tenido aplicacin en problemas de la vida real. Originalmente tuvo
gran aplicacin en el rea de la economa y fue introducida en 1900 por L. Bachelier
para modelar las fluctuaciones de la bolsa de valores en Pars. En la Fsica el modelo
ha servido para modelar el camino seguido por una molcula a travs de un lquido
o gas.
El Proceso de Wiener permite dar una demostracin del teorema del lmite central
usando argumentos mucho ms probabilsticos que las demostraciones habituales que
se basan fuertemente en la utilizacin de la transformada de Fourier o en otros argumentos de carcter analtico.
En el siguiente trabajo se desarrolla en detalle parte del artculo de Cabaa [2], donde
se establece una relacin entre el proceso de Wiener y el teorema del lmite central
arrojando como resultado un teorema del lmite central funcional.
ii
NDICE
Agradecimientos
1. Preliminares
10
12
3.1. Historia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
12
13
14
14
17
25
37
iii
Introduccin
En los albores del anlisis matemtico, caus sensacin un ejemplo de funcin
continua pero no diferenciable en ningn punto, ideado por Weierstrass.
A comienzos del siglo pasado fue propuesto un modelo matemtico para el movimiento errtico de partculas suspendidas en un ambiente de agitacin trmica,
descubierto por el botnico Robert Brown en 1828. Este movimiento despus adopt
el nombre de proceso de Wiener.
Las trayectorias del proceso de Wiener no son diferenciables en ningn punto, casi
seguramente al igual que el ejemplo presentado por Weierstrass.
El siguiente trabajo tiene por objetivo vincular a los procesos de Wiener con el teorema del lmite central, un teorema clsico en la teora de probabilidad y estadstica,
el cual es la base para el desarrollo de este trabajo.
En el captulo 1 se presentan algunas definiciones conceptos y teoremas correspondientes a la teora de Probabilidad que sern de gran ayuda para el desarrollo de los
captulos siguientes. El captulo 2 esta compuesto por algunas definiciones y teoremas previos a la teora del Movimiento Browniano. El captulo 3 esta conformado
por definiciones, teoremas y propiedades como una introduccin a la teora del movimiento Browniano. Desarrollaremos en detalle una inmersin de un paseo al azar
simtrico simple en un proceso de Wiener lo cual, con la ayuda de la ley fuerte de
los grandes nmeros y el teorema de caracterizacin de continuidad por sucesiones
conducir a un resultado similar a la del teorema del lmite central. Un resultado un
poco mas general se presenta en el captulo 4 y se obtiene de la inmersin descrita
anteriormente, el cual es conocido como teorema del lmite central funcional en este
captulo tambin se presenta un teorema que relaciona al proceso de Wiener con el
teorema del lmite central funcional y un ejemplo ilustrativo de dicho teorema.
Captulo 1
P RELIMINARES
En este captulo se presentan algunas definiciones y conceptos bsicos correspondientes a la teora de probabilidad as como tambin algunos teoremas lmites que
sern de gran utilidad para el desarrollo de este trabajo.
1.1.
Variables Aleatorias
Wendis Gmez
1.2.
f (xi ).
xi x
Por otra parte, si X es una variable aleatoria continua con funcin de densidad f .
Entonces:
F (x) =
f (t) dt.
1.3.
Definicin 5. Una variable aleatoria X esta distribuida uniformemente en el intervalo (a, b), con a < b, si su funcin de densidad de probabilidad esta dada por:
f (x) =
1/(b a) x (a, b)
0
en otro caso.
1.4.
1.4.1.
Definicin 6. Diremos que una variable aleatoria continua X tiene una distribucin
normal con media y varianza 2 si su funcin de densidad esta dada por:
2
1
1
f (x) = e 2 [(x)/]
2
Wendis Gmez
normal con media y varianza 2 es bastante til, ya que nos permite evaluar todas
las probabilidades relativas a X en trminos de .
Por ejemplo la funcin de distribucin de X se puede expresar como:
F (x) = P (X x)
X
x
=P
x
=P Z
x
=
.
1.5.
Definicin 7 (Convergencia en distribucin). Sea (, F, P ) un espacio de probabilidad y sean X1 , X2 . . . : R una sucesin de variables aleatorias. Diremos
Wendis Gmez
Definicin 8 (Convergencia en Probabilidad). Una sucesin de variables estocsticas X1 , X2 . . . converge en distribucin a X si para cada > 0
lm P (| Xn X |> ) = 0
1.6.
Esperanza Matemtica
n
X
xi P (X = xi ),
i=1
xi f (xi ).
f (xi )6=0
Wendis Gmez
Como caso particular importante se tiene g(X, Y ) = X
1.7.
Definicin 11. La varianza de una variable aleatoria continua X esta dada por:
Z +
2
V ar(X) = E(X ) =
(X )2 f (x) dx.
y se denota por 2 .
Tambin podemos escribir
2
x2 f (x) dx 2 .
p
p
V ar(X) = E(X )2 .
Wendis Gmez
1.8.
1X
lm
Xi = c.s
n n
i=1
Adems,
[nt]
X
1
p lm sup
Xi t = 0
n 0t1 n
i=1
La segunda consecuencia del teorema es conocida tambin como teorema de Donsker, la demostracin puede verse en [1]
1 X
(Xi )/
n i=1
converge en distribucin a una normal estndar.
Teorema 4. Sea f : X R R con X = dom(f) y a X. f es continua en a si
y solo si f (Xn ) f (a), para toda sucesin (Xn ) en X tal que Xn a.
Para ver la demostracin cite [8].
Captulo 2
P ROCESOS E STOCSTICOS ,
C ADENAS DE M ARKOV
2.1.
Procesos Estocsticos
del tiempo.
Definicin 13. Al conjunto T R de subndices se le denomina conjunto de parmetros y puede ser discreto o continuo.
Wendis Gmez
2.2.
Cadenas de Markov
a11 a12
a1n
a
2n
21 21
A=
. . . . . . . . . . . . . . . . . .
Wendis Gmez
10
0
1
1/2 1/2 0
2.3.
Paseo al Azar
Observacin 2. Los paseos al azar pueden ocurrir en cualquier nmero de dimensiones, pueden ser discretos o continuos en el tiempo o en el espacio.
Para el caso unidimensional un paseo aleatorio simple son variables aleatorias
independientes con una distribucin Bernoulli que toma valor 1 con probabilidad p y
1 con probabilidad 1 p en cada paso. Es decir, un paseo discreto unidimensional
Wendis Gmez
11
Bernoulli con tamao de paso T = 1 y adems se cumple que el paseo tiene la misma
probabilidad de ir hacia arriba que hacia abajo.
Ejemplo 3. Un ejemplo sencillo de un paseo al azar discreto en dos dimensiones
es el lanzamiento de una moneda, ya que si denotamos con 1 que el resultado del
experimento sea cara y con 0 que el resultado sea sello grficamente obtenemos algo
como lo siguiente:
Captulo 3
M OVIMIENTO B ROWNIANO
P ROCESO DE W IENER
En este captulo se presentan algunos conceptos y teoremas como una introduccin a la teora del movimiento Browniano. Haremos una simulacin de dicho
movimiento. Tambin se presenta una inmersin de un paseo al azar simple en un
proceso de Wiener.
Veamos un poco de historia.
3.1.
Historia
Histricamente el movimiento Browniano debe su nombre al investigador botnico Robert Brown (1773 1858) quien en 1828 realiz la primera investigacin
detallada acerca de las aleatorizaciones en la naturaleza, al observar en su microscopio que una cierta hierba sumergida en agua realizaba un movimiento continuo
aleatorio muy accidentado.
Este mismo fenmeno lo podemos observar en partculas que flotan en el aire, o si
agregamos algn tipo de polvo de color en un vaso con agua, ya que se puede observar que las partculas, al cabo de un perodo de tiempo considerablemente grande
terminarn en el fondo del vaso. Tambin podemos observar que dichas partculas
tienen un movimiento completamente irregular y aleatorio con movimientos hacia
abajo pero tambin hacia arriba.
En el ao 1905 el famoso fsico Albert Einstein (1879 1955) public su clebre
trabajo que propuso la explicacin del movimiento Browniano.
La contribucin de Einstein fue muy importante ya que hasta ese momento todos los
argumentos propuestos para el movimiento Browniano haban sido solo cualitativos;
Es decir, que no se haba formulado ninguna teora que fuera susceptible de medirse
experimentalmente.
12
Wendis Gmez
13
Sin embargo una formulacin matemtica rigurosa del movimiento Browniano fue
dada por Norbert Wiener (1894 1964) quien en sus trabajos entre 1920 y 1923
logra dar un modelo preciso y riguroso para las trayectorias de las partculas por
esta razn el movimiento Browniano es tambin conocido como Proceso de Wiener.
Definicin 17. El proceso estocstico {Bt : t 0} es un movimiento Browniano o
proceso de Wiener si cumple las siguientes propiedades:
2. Para cada par de intervalos de tiempo disjuntos (t1 , t2 ] y (t3 , t4 ] con 0 t1 <
t2 t3 < t4 , se tiene que los incrementos Bt4 Bt3 , Bt2 Bt1 son variables
independientes. Y en general se cumple para n intervalos de tiempos disjuntos,
=
t
3.2.
Wendis Gmez
3.3.
14
La Funcin Covarianza
De la definicin de Covarianza para una variable aleatoria y la definicin de Movimiento Browniano tenemos que los incrementos son independientes, la E(B(t)) = 0
y la varianza es 2 t.
Hallemos la funcin Covarianza.
Caso 1: 0 s < t.
Cov(B(t), B(s)) = E(B(t)B(s)) E(B(t))E(B(s))
= E(B(t)B(s))
= E(B(t)B(s) + B(s)B(s) B(s)B(s))
= E((B(s))2 + B(s)(B(t) + B(s))
3.4.
Puente Browniano
B00 = B0 0B1
= B0 0
= B0
Pero B0 = 0 (Por definicin de movimiento Browniano)
por lo tanto B00 = 0 en t = 0
Wendis Gmez
15
1.4
1.2
0.8
W(t)
0.6
0.4
0.2
a
0.2
0.1
T
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Wendis Gmez
Teorema 6. Si W es un proceso de Wiener,
16
nW
Wiener.
t
n
es un nuevo proceso de
Demostracin:
Consideremos la siguiente funcin Vn : [0, +) R definida por:
Wendis Gmez
17
normales se tiene que, W ((s + t)/n) W (t/n)) tambin tiene distribucin nor-
3.5.
ner
Recordemos que en un paseo al azar simtrico simple en dos dimensiones las
variables aleatorias son independientes con distribucin Bernoulli que toma los
valores 1 o 1 cada uno con igual probabilidad. Esto se debe a que el paseo tiene la
(3.1)
(3.2)
(3.3)
Wendis Gmez
18
(3.4)
Para W3 tenemos:
W3 (T3 ) = W2 (T2 + T3 ) W2 (T2 )
entonces,
X3 = W2 (T2 + T3 ) X2
y
X2 + X3 = W2 (T2 + T3 )
Pero de la definicin de las trayectorias tenemos,
W2 (T2 + T3 ) = W1 (T1 + (T2 + T3 )) W1 (T1 )
As,
X2 + X3 = W1 (T1 + (T2 + T3 )) X1
y
X1 + X2 + X3 = W1 (T1 + T2 + T3 )
Luego de las ecuaciones (3.3), (3.4) y (3.5) se tiene la siguiente relacin:
X1 = W (T1 )
X1 + X2 = W1 (T1 + T2 )
(3.5)
Wendis Gmez
19
X1 + X2 + X3 = W1 (T1 + T2 + T3 )
..
.
X1 + X2 + . . . + Xn = W1 (T1 + T2 + . . . + Tn )
En general,
n
X
Xi = W1
i=1
n
X
i=1
Ti
(3.6)
0t1
Observemos de la definicin de las trayectorias que cada una de las variables Xi son
independientes ya que los intervalos de tiempos son disjuntos.
De esta manera hemos obtenido una sucesin de variables aleatorias independientes
a partir de un proceso de Wiener con distribucin de los sumandos de un paseo al
azar simtrico simple.
Veamos dos formas de hacer la construccin de una funcin continua pero no
diferenciable en ningn punto, a partir de esta sucesin de variables aleatorias.
Primero veamos como hacer la construccin de dicha funcin mediante funciones
escalonadas.
En efecto,
Si dividimos el intervalo [0, 1] en n partes iguales con n 1 obtendremos n subin-
tervalos cada uno con longitud 1/n. As, para un cierto k arbitrario fijo 0 k n
[nt]
X
X
Xi = W1
Ti
[nt]
i=1
i=1
(3.7)
0t1
En otras palabras esto nos dice que para un n grande el paseo tomar muchos pasos
pero con una longitud muy pequea en cualquier intervalo de tiempo dado y lo que
se espera es que en el lmite cuando n tienda a infinito estos pasos se conviertan en
un proceso continuo.
Por otro lado, como la probabilidad de que alguno de los niveles se alcance es 1
Wendis Gmez
20
1
2
1
2
=0
= E(X 2 )
1
1
2
2
+ (1)
= (1)
2
2
=1
[nt]
[nt]
X
X
1
S[nt] =
Xi = nW
Ti
n
i=1
i=1
nW
t
n
(0t1)
entonces,
[nt]
X
S[nt]
1
=W
Ti
n
n i=1
(0t1)
S[nt]
Si hacemos Sn = entonces tendremos que
n
[nt]
1X
W
Ti
n i=1
Sn .
(0t1)
Es decir, W
1
n
[nt]
P
i=1
Ti
converge en distribucin a Sn .
(3.8)
Wendis Gmez
21
Restando
k
n
k
n
t<
k+1
n
y tomando valor absoluto tenemos: nk t n1 .
Por lo tanto, lm
Esto nos dice que [nt]/n converge a t cuando n tiende a infinito. Luego,
p
S[nt]
[nt]
Sn = = B[nt] N(0, t).
n
n
!
[nt]
P
Ti
Por lo tanto, de las ecuaciones (3.8) y (3.9) tenemos que W n1
i=1
0t1
(3.9)
tiene
Wendis Gmez
22
Por otra parte, por el teorema (5) se tiene que la esperanza comn de los tiempos
Ti es 1 luego la ley fuerte de los grandes nmeros establece que:
[nt]
X
1
p lm sup
Ti t = 0.
n 0t1 n
i=1
Por lo tanto, p lm sup n1
Evaluando
1
n
n
[nt]
P
[nt]
P
Ti = t.
i=1
i=1
[nt]
X
1
Ti W (t) = 0.
p lm sup W
n i=1
n 0t1
Pero de la ecuacin (3.8) tenemos que W
Por lo tanto,
P
1 [nt]
Ti
n i=1
Sn (t) .
(3.10)
Con esto concluimos que Sn (t) converge a W (t) cuando n tiende a infinito.
Observemos que este ltimo resultado muestra una consecuencia similar a la del
teorema del lmite central, salvo que en lugar de tomar una sucesin de variables
aleatorias tomamos una sucesin de funciones la cual converge en distribucin a una
N(0, t).
Veamos otra forma de obtener este resultado, mediante interpolacin lineal:
Anlogamente al caso anterior si dividimos el intervalo [0, 1] en n partes iguales
obtendremos n intervalos de longitud 1/n. As, para un cierto j arbitrario fijo 0
Por otra parte, dada la sucesin de variables aleatorias {Xi }i1 obtenidas en (3.6)
como la E(Xi ) = 0 y V ar(Xi ) = 1, el teorema del lmite central establece que
n
P
1 Sn = 1
Xi converge en distribucin a una N(0, 1).
n
n
i=1
Sn
Es decir, Wn = N(0, 1).
n
j
Ahora, sea W ( n ) = 1n Sj con j = 0, 1, 2, . . . n y para cualquier
j
n
t <
j+1
,
n
Wendis Gmez
23
j = 0, 1, 2, . . . n, definamos:
j Wn ((j + 1)/n) W (j/n)
j
+ t
Wn (t) = Wn
n
n
1/n
La cual es la funcin obtenida por interpolacin lineal de los elementos del conjunto
{Wn nj : 0 j n} en [0, 1]. Entonces Wn () es una variable aleatoria del espacio
mtrico S = C[0, 1] (Conjunto de todas las funciones continuas en [0, 1]) con la mtrica del supremo dada por: (f, p) = sup{|f (t) g(t)| : 0 t 1}.
Con esto hemos construido una funcin continua a partir de una sucesin de puntos.
Luego usando el resultado obtenido en el caso anterior se concluye que Wn (t) converge en distribucin a W (t).
El siguiente cdigo del programa Matlab efecta la simulacin del Movimiento
Browniano.
%Wiener
randn(100,100);
T = 1; N = 500; dt = T/N;
dW = zeros(1,N);
W = zeros(1,N);
dW(1) = sqrt(dt)*randn;
W(1) = dW(1);
for j = 2:N
dW(j) = sqrt(dt)*randn;
% incremento general
%grfica de W contra t
Wendis Gmez
24
W(t)
0.5
-0.5
-1
-1.5
0.1
0.2
0.3
0.4
0.5
t
0.6
0.7
0.8
0.9
Captulo 4
UN
TEOREMA DEL
L MITE C ENTRAL
F UNCIONAL
La inmersin de las sumas parciales de variables aleatorias X1 , X2 , . . . independientes e idnticamente distribuidas con E(Xi ) = 0 y V ar(Xi ) = 1 en un proceso
de Wiener permite deducir que el resultado obtenido en la ecuacin (3.10) tambin
[nt]
P
Xi . Con esto, hemos llegado al teorema del lmite central
es vlida para Sn =
funcional.
i=1
llegada del proceso de Wiener a los niveles a(u), b(u) entonces W (T ) converge en
distribucin a X1 y E(T ) = 1.
Demostracin:
Wendis Gmez
26
b(u)/(a(u) + b(u)) y la distribucin condicional de W (t) dada U es b(u) con probabilidad b(u)/(a(u) + b(u)).
En efecto,
Dado U = U0 perteneciente al intervalo [0, 1], fijo arbitrario. Si suponemos que a y
b son funciones montonas estrictamente crecientes no-negativas se tiene que:
a(u0 ) 0 y b(u0 ) 0
(4.1)
(4.2)
b(u0 ) > 0.
(4.3)
(4.4)
Por lo tanto, si suponemos que el primer nivel alcanzado es a(u0 ) con probabilidad
p entonces la probabilidad de que el primer nivel alcanzado sea b(u0 ) es su complemento, es decir, 1 p.
En efecto,
De las expresiones en (4.3) y (4.4) tenemos que a(u0 ) < 0 y b(u0 ) > 0. Luego, se
tiene la siguiente relacin: a(u0 ) < 0 < b(u0 ).
Determinemos la probabilidad de que el primer alcanzado sea a. Para ello consideremos que T(a) es el primer instante en que W (t) alcanza el nivel a(u0 ) y T(b)
Wendis Gmez
27
es el primer instante en que W (t) alcanza el nivel b(u0 ). De la hiptesis tenemos que
T es el primer instante en que el proceso W alcanza alguno de los niveles a(u), b(u)
entonces,
T = mn{t(a) , tb }
(4.5)
(4.6)
Luego, por definicin de esperanza para una variable discreta y por la ecuacin (4.6)
tenemos:
0 = E(Wt ) = a0 h + (1 h)b0
As,
a0 h + (1 h)b0 = 0.
Despejando h en la ltima igualdad y por propiedades asociativa y distributiva obtenemos:
b0
a0 + b0
b0
Por lo tanto, la P (Wt a0 |U = U0 ) =
a0 + b0
h=
a
b
=
a+b
a+b
Wendis Gmez
28
b
a+b
la P (Wt b|U) =
a
.
a+b
menor tiempo de llegada del proceso a alguno de los niveles a(u) o b(u). Luego la
W (T ) = X1
(4.7)
donde, Wn = Sn / n, n 1 y Sn =
Xi . Luego,
i=1
Sn
W (t) con 0 t 1.
n
(4.8)
X
S1
X1 = =
Xi
1
i=1
(4.9)
S1
W (T ) = X1
1
Por lo tanto, W (T ) X1 .
Con esto concluimos que W (T ) converge en distribucin a X1 con media cero y varianza 1.
Wendis Gmez
29
Por otra parte, como consecuencia de suponer que a y b son funciones montonas
estrictamente crecientes entonces son integrables, luego la funcin de distribucin
para W (t) viene dada por:
1 F (b0 ) = P (Wt > b0 )
Z
a(u)
=
du
A a(u) + b(u)
donde, A = {u : b(u) > b0 } y
F (a0 ) = P (Wt a0 ) =
b(u)
a(u) + b(u)
donde, B = {u : a(u) a0 }
Haciendo el cambio
(u) = F (a(u)) y
(u) = F (b(u))
(4.10)
{u:u>u0 }
b(u)
du
a(u) + b(u)
(4.11)
para todo u > u0 entonces a(u) > a(u0 ) > 0 y b(u) > b(u0 ) > 0. Luego se tiene que
b(u)
> 0.
a(u) + b(u) > 0 y por tanto
a(u) + b(u)
Wendis Gmez
30
(4.12)
Observemos que las ecuaciones (4.10), (4.11) y (4.12) nos permiten encontrar las
cuatro funciones a, b, y aunque no de una forma explcita.
Con esto queda demostrada la existencia de las funciones a y b.
Hallemos la esperanza de la distribucin obtenida:
Recordemos que la derivada de la funcin distribucin nos da la funcin de densidad.
Luego de las ecuaciones (4.11) y (4.12) y de la definicin de esperanza para una
variable continua tenemos:
Z +
Z 1
Z 1
tf (t)dt =
b(u)dF (b(u)) du +
a(u)dF (a(u)) du
0
0
Z 1
=
[b(u)dF (b(u)) + a(u)dF (a(u))] du
0
Z 1
b(u)
a(u)
du
a(u)
=
b(u)
a(u) + b(u)
a(u) + b(u)
0
= 0.
Por lo tanto la esperanza de la distribucin es cero.
Con esto se verifica que la suposicin de que la esperanza es nula era necesaria para
posibilitar la construccin de las funciones a y b.
Mientras que la hiptesis de que la varianza es 1 implica que:
Z +
Z 1
2
1=
t dF (t) dt =
[b2 (u)d(u) + a2 d(u)] du
0
Z 1
a(u)
b(u)
2
2
=
b
du
a
a(u) + b(u)
a(u) + b(u)
0
Z 1 2
b a(u) a2 b(u)
=
du.
a(u) + b(u)
0
Por lo tanto,
1=
t dF (t) dt =
1
0
b2 a(u) a2 b(u)
a(u) + b(u)
du.
(4.13)
2a2 (u)b(u)
a(u) + b(u)
Wendis Gmez
Luego,
Z
b2 a(u) a2 b(u)
a(u) + b(u)
du =
1
0
a(u)b(u) du 2
31
a2 (u)b(u)
du.
a(u) + b(u)
(4.14)
Por otro lado, como a es una funcin continua definida en el intervalo [0, 1] a valores
reales, por teorema se tiene que es acotada. Luego, existe M > 0 tal que |a(u)| M
para todo u perteneciente al intervalo [0, 1]. Adems como a y b son funciones no-
(4.15)
decir,
Por lo tanto,
b(u)
=
a(u)
a(u) + b(u)
a(u)d(F (a(u))) du
a(u)d(F (a(u)) du = 0
0
Por lo tanto,
Z
a(u)b(u) du = 1
(4.16)
Wendis Gmez
32
Por otro lado, utilizando teora de Martingalas y con ayuda del teorema de la convergencia montona y el teorema de la convergencia acotada, se puede probar que
E(T |U) = E(W 2 |U). Para ver la demostracin cite [3] pg 510.
b(u)
a(u)
+ a2 (u)
a(u) + b(u)
a(u) + b(u)
a(u)b(u)[a(u) + b(u)]
=
a(u) + b(u)
= b2 (u)
= a(u)b(u)
Luego, podemos concluir que:
E(T |U) = a(u)b(u).
Por otra parte, de la ecuacin (4.16), por definicin y propiedad de esperanza tenemos que:
E(T |U) = E(E(T |U)) = E(a(u)b(u)) =
Por lo tanto E(T ) = 1.
a(u)b(u)du = 1
Veamos un ejemplo donde se satisfacen las hiptesis del teorema anterior y se obtienen grficamente las funciones a y b.
Ejemplo 4. Dada F (x) = ex1 con < x 1 , encontrar las funciones a,b, y
Solucin:
Haciendo el cambio (u) = F (a(u)) y (u) = F (b(u)) y de la definicin de F
tenemos:
(u) = ea(u)1
(4.17)
(u) = eb(u)1
(4.18)
y (u) = b (u)eb(u)1
(4.19)
Wendis Gmez
33
Combinando los resultados obtenidos en la ecuacin (4.19) con las ecuaciones (4.11)
y (4.12) tenemos:
b(u)
= a (u)ea(u)1
a(u) + b(u)
(4.20)
a(u)
= b (u)eb(u)1 .
a(u) + b(u)
(4.21)
Observemos que las ecuaciones (4.17) y (4.18) nos permiten encontrar las funciones
y .
Despejando a(u) + b(u) en las ecuaciones anteriores tenemos:
a(u) + b(u) =
b(u) a(u)+1
e
a (u)
y a(u) + b(u) =
a(u) b(u)+1
e
b (u)
1 a(u)
1 b(u)
e
e
=
a(u)
e
e
a (u)
b (u)
entonces:
b (u) a(u)+b(u) a(u)
e
=
.
a (u)
b(u)
En ocasiones, a modo de simplificar la notacin denotaremos como a y b las
funciones a(u) y b(u) respectivamente. As, la ecuacin anterior se transforma en:
db a+b a
e
=
da
b
o bien,
db a b a
e e =
da
b
(4.22)
Wendis Gmez
As,
be db = be
34
eb db = beb eb = eb (b 1)
e da = ae
ea da
aea ea = ea (a + 1)
Igualando los resultados obtenidos en las integrales y por propiedades conmutativa
y distributiva tenemos:
eb (b 1) = ea (a + 1)
eb (b 1) = ea (a + 1)
eb (1 b) = (1 + a)ea .
(4.23)
b(u)
a(u) + b(u)
y b (u)eb(u)1 =
a (u)ea(u) e1 =
b(u)
a(u) + b(u)
y b (u)eb(u) e1 =
a(u)
a(u) + b(u)
Luego,
En consecuencia,
b
da a 1 a
e
e =
du
e
a+b
y
a
db b 1 a
e e =
du e
a+b
a(u)
a(u) + b(u)
Wendis Gmez
35
Despejando ea da y eb db obtenemos:
ea da =
bedu
a+b
y eb db =
aedu
a+b
ea da + eb db =
= edu
Por lo tanto, ea da + eb db = edu.
Integrando en ambos lados de la igualdad respecto a la variable u nos queda:
Z
Z
a
b
[e da + e db] = e du
Z
Z
Z
a
b
e da + e db = e du
ea + eb = eu
despejando u tenemos:
1
u = (eb ea )
e
Para obtener las funciones a(u) y b(u) calculamos
(4.24)
1
u = [eb(y) ea(y) ]
e
Si invertimos la correspondencias y u(y) y llamamos y(u) a la correspondencia
inversa, al hacer la composicin de funciones obtenemos:
a
(
y (u)) = a(u) y b(
y (u)) = b(u)
Por otro lado, tenemos que las ecuaciones (4.23) y (4.24) vinculan a y b con u pero no
nos proporcionan una frmula cerrada que describan las funciones u a o u b.
Wendis Gmez
36
u
0.2
0.4
0.6
0.8
-1
-2
-aHuL
-3
-4
Funciones
-5
-aHuL, bHuL
en el mismo diagrama.
1.0
R EFERENCIAS B IBLIOGRFICAS
[1] Billingsley, Patrick, (1968). Convergence of Probability Measures, New York,
Willey.
[2] Cabaa, A. (1996). Transformations of the empirical process and KolmogorovSmirnov tests. Ann Statist.2402020-2035.
[3] Donsker, M. D. (1952)Justification and extension of Doob"s heuristic approach
to the Kolmogorov-Smirnov theorems., Ann. Math. Statist.23277.
[4] Dudley, Richard M. (1989), Real Analysis and Probability. Pacific Grove, California, USA, Wadsworth & Brooks/Cole.
[5] Feller, William, Introduccin a la Teora de Probabilidades y sus aplicaciones,
vol. II. 2da. ed. (1989), Ciudad de Mexico, Limusa.
[6] Kartazas, I. and Shreve, S. (1991), Brownian Motion and Stochastic Calculus.
(2nd Edition), Springer-Verlag, New York.
[7] Krishna B. Athreya, Soumendra N. Lahiri.(2006). Measure Theory and Probability Theory. Springer, New York, USA.
[8] Ross, Kenneth A (1980). Elementary Analysis.Springer-Verlag, New York.
[9] Seymour Lipschutz (2001). Teora y Problemas de probabilidad. 2da edicin.
[10] Taylor Howard (1998). An Introduction to Stochastic Modeling. Third Edition.
[11] Weibe R. Pestman University of Nijmegen. Mathematical Statistics An Introduction. Berlin-New York (1998).
37