Esperanza e Integración

La esperanza es la integral de Lebesgue de una variable aleatoria con respecto a la medida de probabilidad, una noción única que unifica las sumas para variables discretas y las integrales para variables continuas, y hereda potentes teoremas de convergencia de la teoría de la medida.

Definition

La esperanza de una variable aleatoria es su integral con respecto a la medida de probabilidad, construida primero para variables no negativas como un supremo sobre aproximaciones simples y luego extendida a variables integrables como la diferencia de partes positivas y negativas.

Scope

El tema abarca la construcción de la esperanza para variables aleatorias simples, no negativas e integrables, los teoremas de convergencia monótona y dominada y el lema de Fatou, la fórmula de cambio de variables que relaciona la esperanza con las integrales con respecto a la distribución, los momentos y los espacios Lp, y las desigualdades de Jensen, Holder, Markov y Chebyshev.

Core questions

• ¿Cómo se define la esperanza para una variable aleatoria arbitraria, no solo las discretas o continuas?
• ¿Bajo qué condiciones se puede mover un límite dentro de una esperanza?
• ¿Cómo cuantifican los momentos y los espacios Lp el tamaño de una variable aleatoria?
• ¿Qué desigualdades acotan las probabilidades y las esperanzas en términos de momentos?

Key concepts

• esperanza como integral de Lebesgue
• convergencia monótona y dominada
• lema de Fatou
• momentos y varianza
• espacios Lp de variables aleatorias

Key theories

Teoremas de convergencia monótona y dominada

Para variables aleatorias no negativas crecientes, la esperanza del límite es igual al límite de las esperanzas, y para secuencias dominadas por una variable integrable, el mismo intercambio se mantiene, proporcionando los teoremas límite que carece la teoría elemental.

Desigualdad de Jensen

Para una función convexa, la esperanza de la función de una variable aleatoria es al menos la función de su esperanza, lo que produce comparaciones de momentos, la propiedad de contracción de la esperanza condicional y muchos límites en toda la probabilidad.

Desigualdades de Markov y Chebyshev

La probabilidad de que una variable aleatoria no negativa exceda un nivel está acotada por su media dividida por ese nivel, y aplicada a las desviaciones al cuadrado, esto controla la dispersión en términos de varianza, proporcionando la ruta elemental a la ley débil de los grandes números.

Clinical relevance

La esperanza y sus desigualdades se utilizan en todos los ámbitos donde se promedian cantidades bajo incertidumbre: definen medias, varianzas y medidas de riesgo en estadística y finanzas, proporcionan los límites de concentración que sustentan la teoría del aprendizaje y los algoritmos aleatorizados, y ofrecen los teoremas de convergencia que justifican la estimación Monte Carlo.

History

Una vez que la integral de Lebesgue estuvo disponible, los probabilistas identificaron la esperanza con la integración con respecto a la medida de probabilidad, una identificación que se hizo explícita en el marco de Kolmogorov y se desarrolló con sus teoremas de convergencia y desigualdades clásicas en los textos estándar de posgrado.

Key figures

• Henri Lebesgue
• Johan Jensen
• Pafnuty Chebyshev
• Andrey Markov

Seminal works

• billingsley1995

Frequently asked questions

¿Es la esperanza lo mismo que el promedio de los resultados?

Sí, en espíritu: es la integral de la variable aleatoria ponderada por la probabilidad de cada resultado, lo que se reduce a una suma ponderada para variables discretas y a una integral ordinaria contra una densidad para variables continuas.

¿Cuándo puedo intercambiar un límite y una esperanza?

El teorema de convergencia monótona lo permite para secuencias no negativas crecientes y el teorema de convergencia dominada lo permite cuando la secuencia está acotada por una variable integrable fija; sin tales condiciones, el intercambio puede fallar.