06.

FUNCION DE PROBABILIDAD

Funciones de Probabilidad, f(x) y F(x). Consideremos una Variable Aleatoria. discreta X, que toma los valores x1, x2, ..., xn y supongamos que conocemos la probabilidad de que la variable X tome dichos valores, es decir, se conoce que P(X=x1)=P1, P(X=x2)=P2, P(X=x3)=P3,..., P(X=xn)=Pn y en general, P(X=xi)=Pi. La funcin de probabilidad f(x) de la Variable Aleatoria X es la funcin que asigna a cada valor xi de la variable su correspondiente probabilidad Pi. Cuando la variable X es discreta, esto es, cuando solo toma valores en un conjunto numerable de valores, (xi), finito o infinito, entonces la relacin es
F( x ) =
x j x i

f ( x )
i

Entre las distribuciones discretas ms importantes tenemos, Uniforme discreta, Bernoulli, Binomial, Binomial Negativa, Poisson, Geomtrica, Hipergeomtrica, y Triangular, que estudiarn ms adelante Funcin de Distribucin, F(x). En muchas ocasiones no nos interesa tanto conocer la probabilidad de que la Variable Aleatoria X tome exactamente un determinado valor xi, cuanto la probabilidad de que tome valores menores o iguales que un cierto valor xi. En tales casos es necesario acumular los distintos valores de la funcin de probabilidad hasta el valor deseado. Se trata de una nueva aplicacin llamada funcin de distribucin. Sea X una Variable Aleatoria discreta, cuyos valores se suponen ordenados de menor a mayor. es decir, asocia a cada valor de la Variable Aleatoria discreta la probabilidad

acumulada hasta ese valor (la probabilidad de que la Variable Aleatoria tome valores menores o iguales a xi). Se deben cumplir las siguientes condiciones, F(x) es una probabilidad tal que 0 F( x ) 1 F(x)=0 se cumple para todo x<xi F(x)=1 se cumple para todo x>xi F(x) es constante en el Intervalo (xi,xi+1) F(x) es continua y creciente por la derecha de todo punto
F(a < x b) = F(b) F(a)

Distribuciones de Probabilidad. Tambin se puede definir como el comportamiento estocstico de una magnitud o variable aleatoria X queda determinado por su funcin de distribucin F( x ) = P( X x ) , que representa la probabilidad de que una observacin de X tenga un valor menor o igual que el nmero real x. La probabilidad de que X se encuentre dentro del intervalo (x 1, x2] es P( x 1 < X x 2 ) = F( x 2 ) F( x 1 ) . Es habitual caracterizar F mediante su funcin de densidad f. En el caso de variables absolutamente continuas, la relacin entre F y f es
F( x ) = f ( t )dt
x

Entre otras, las distribuciones continuas de probabilidad se pueden mencionar como ms importantes, Normal o Gauss, Lognormal, Chi2 de Pearson, t-Student, F-Snedecor, Exponencial, Gamma, Beta, Weibull, Rayleigh, Gumbel, Logstica, Pareto, Laplace, y Cauchy, que estudiarn ms adelante Parmetros. La media o esperanza matemtica es una medida de localizacin, que indica el valor alrededor del cual flucta la variable aleatoria X; si sta es continua, la media se define como E (X ) = x i f ( x i ) en el caso discreto
xi

E(X) = f ( t )dt t

en el caso continuo

Similarmente se calcula la varianza y dems parmetros. El mtodo de momento y esperanza matemtica se estudiar mas adelante. La funcin de distribucin F, es una funcin no decreciente, es decir, Si x 1<x2, entonces, F(x1)F(x2). Es continua a la derecha, esto es,

Lim F( x ) = F(a ) .
x a +

De otra parte,
x i x i +

F( ) = Lim F( x i ) = 0 F(+ ) = Lim F( x i ) = 1

Variables aleatorias continuas. Si una variable toma los valores x1, ..., xk. Cuando la variable es contina, no tiene sentido hacer una suma de las probabilidades de cada uno de los trminos en el sentido anterior, ya que el conjunto de valores que puede tomar la variable es no numerable.

Este concepto es el de funcin de densidad de una Variable Aleatoria continua , que se define como una funcin en el conjunto de los nmeros reales y es integrable, que verifica las dos propiedades siguientes:
f ( x) 0

y que adems verifica que dado a<b, se tiene que

f ( x )dx = 1

P(a X b) = f(x)dx = rea bajo la curva

a
Por ser f una funcin integrable, la probabilidad de un punto es nula,
P(X = a) = P(a X a) = f(x)dx = 0
a a

La funcin de distribucin de la Variable Aleatoria continua , F, se define de modo que dado x que pertenezca al conjunto de los reales, F(x) es la probabilidad de que X sea menor o igual que x, es
F( x ) =P ( X x ) = f ( t )dt
x

Ahora bien, dado un intervalo de la forma (a,b], tenemos que

P( X ( a , b ]) = f ( x )dx = f ( x )dx f ( x )dx = F( b) F(a )
b b a a Def def

Es decir, la cantidad F(b)-F(a) representa la masa de probabilidad extendida a lo largo de dicho intervalo. Si dividimos esta cantidad por la longitud del intervalo, tenemos la masa media de probabilidad por unidad de longitud en (a,b], es decir, su densidad media de probabilidad. Si hacemos tender a hacia b, entonces, F( b) F(a ) Lim = F( B) = f ( b) a b b a Y es la densidad de probabilidad del punto b (que como hemos mencionado no se ha de confundir con la probabilidad de b). La funcin de distribucin F, es no decreciente: si x1<x2, entonces, F(x1)F(x2). Adems, es una funcin absolutamente continua

F( ) = Lim F( x ) = 0
x

F(+ ) = Lim F( x ) = 1
x +

Funcin de Masa de Probabilidad Discreta. FMP: p x ( x ) = P[X = x ] , es una ley de probabilidad que cumples tres axiomas: - 0 p x ( x ) 1 , para todo x - p x ( x ) = 1
x i
i - P[a X b] = x a p x ( x )

x b
i

Funcin de Distribucin Acumulada. FDA: Fx ( x) es la probabilidad del suceso de que la variable aleatoria tome valores menores o iguales a x Fx ( x ) = P[ X x ] = p x ( x ) en el caso discreto. Y para el caso continuo,
x i

P[ x 1 X x 2 ] = f x ( x )dx
x1

x2

Fx ( x ) = P[ X ] = f x ( u )du

se sabe que,

dFx ( x ) d = dx dx

f x ( x )dx = f x ( x )

Propiedades: - 0 Fx ( x ) 1

- Fx ( x + ) Fx ( x ) para cualquier >0 - Fx ( x 2 ) Fx ( x 1 ) = P[ x 1 < X < x 2 ] La FDA es una funcin montona creciente. DISTRIBUCIONES CONJUNTA, MARGINAL Y CONDICIONAL FMP Conjunta: Cuando dos o mas variables tienen comportamientos conjuntos
Pxy ( x , y) P[(X = x ) (Y = y)]
i i

Fx ( ) = 0 y Fx ( ) = 1

Fxy ( x , y) x x y y p xy ( x i , y i ) lo cual es igual a P[(X x ) (Y y)]

FMP Marginal: Comportamiento de una variable sin considerar otra. Para la variable aleatoria Y: Px ( x ) P[ X = x ] = y p xy ( x , y i )

x i x

Fx ( x ) P[ X x ] = x x p x ( x i ) = Fxy ( x , ) lo cual es igual a

i

y i

p xy ( x i , y i )

Similarmente se hace para la variable aleatoria X FMP Condicional: Si se conoce el valor de una de las variables aleatorias Y=y0, las probabilidades relativas de los diferentes valores de la otra variable estn dados por p xy ( x , y 0 ) , se tiene una fmp condicional de X dado Y
Px / y ( x , y) = P[ X = x / Y = y] = P[(X = x ) ( Y = y)] , lo cual equivale a P[Y = y]

Px / y ( x , y) =

p xy ( x , y) p y ( y)]

p xy ( x , y) p xy ( x i , y)

x i

Se cumple adems lo sealado anteriormente

0 ox / y 1 y

xi x / y

p ( x i , y) = 1 .

Idem para Y dado X FMP Conjunta a partir de las probabilidades Marginales y Condicionales
Pxy ( x , y) = p x / y ( x , y) p y ( y) = p y / x ( y, x ) p x ( x )

funcin de distribucin de probabilidad:

P[ x1 X x 2] =
x2 x1

y2

y1

f xy ( x , y)dydx

La Funcin de distribucin de probabilidad satisface: f xy ( x , y) 0 y f xy ( x , y)dxdy =1 para todo el intervalo Y la cumulada,

Fxy ( x , y) = P[(X = x ) (Y = y)] = P[( X x ) ( Y y ) ] =

f xy ( x 0 , y 0 )dy 0 dx 0
f xy ( x , y) = FXY ( x , y) x y

de donde,

Funcin de distribucin de probabilidad marginal y Condicional. Densidad conjunta se integra sobre valores de Y y se tiene funcin de distribucin de probabilidad marginal de X: f (x) = f ( x, y)dy
X XY

FX ( x ) = f

( x 0 )dx 0 = FXY ( x , )

o sea,

f X (x) =

FXY ( x , ) x

Y para la Condicional:

f Y ( y 0 ) = f XY ( x , y 0 )dx

por lo cual, f X / Y ( x , y) =

f XY ( x , y) f Y ( y)
x

FX / Y ( x , y) = P[ X x / Y = y] = f X / Y ( u , y)du

Variables Independientes. Si Funcin distribucin condicional es igual a Funcin distribucin marginal, entonces, X y Y son variables aleatorias independientes p x / y ( x , y) = p X ( x ) , entonces, X y Y son independientes.
P[X = x / Y = y] = P[ X = x ]

Por lo tanto, lo siguiente es vlido:

f x / y ( x , y) = f X ( x ) f XY ( x , y) = f X ( x )f Y ( y) FX / Y ( x , y) = FX ( x )

f X / Y ( y, x ) = f Y ( y) FXY ( x , y) = FX ( x )FY ( y)

Distribuciones Derivadas. Se trata de determinar la ley de probabilidad de una variable aleatoria funcional. Hallar FY(y) dado que Y=g(X) y dado que X tiene Funcin distribucin acumulada fX(x), entonces, FY ( y) = P[Y y] pero,

P[Y y] = P[X solamente tomando un valor de :x g( )x y]

lo cual es,

RY

f X ( x )dx , para R Y la regin en la cual g(x)

Funcin de Distribucin Acumulada. Sea X una variable aleatoria discreta o continua, F es la funcin de distribucin acumulada de X se define como F(x)=P(X=x), X es variable aleatoria discreta,
F( x ) = p( xj), x j x j
F( x ) = f (s )ds
+

X es variable aleatoria continua,

Si F es no decreciente, esto es, x 1 x 2 , entonces, F( x 1 ) F( x 2 )

f (x) = d F( x ) dx

para la funcin de densidad acumulada de variables aleatorias continuas con funcin de densidad de probabilidad f Sea X una variable aleatoria discreta con valores x 1 ,..., x n y son x 1 < x 2 < .... . Ser F la funcin de distribucin acumulada de frecuencias, entonces,
p( x j ) = P(X = x j ) = F( x j ) F( x j1 )

Distribucin de Probabilidad Marginal y Condicional Discreto: Si X=xi debe ocurrir Y=yj tenemos

p(x i ) = P(X = x i ) = P(X = x i , Y = y1 o X = x i , Y = y 2 o...) = j= 1 p(x i , y j )

, entonces, p es la distribucin marginal de probabilidad de X. p( x i , y j ) Idem para Y: p( y j ) = P (Y = y j ) == i= 1 Continuo: Sea f una funcin de densidad de probabilidad conjunta de la variable aleatoria continua (X,Y). Definimos g y h como las funciones de probabilidad marginal de X y Y as,

g ( x ) = f ( x , y)dy

h ( y) = f ( x , y)dx

De otra forma,

P(c X d) = P[c X d, < Y < + ] =

d +

f ( x, y)dydx =

g(x)dx
c

Sea (X,Y) una variable bidimensional continua con funcin de distribucin de probabilidad conjunta f. Y sean g y h son las funciones de probabilidad marginal de X y Y respectivamente. Entonces, la funcin de distribucin de probabilidad condicional de X para Y=y es,

g ( x / y) =

f ( x , y) , h ( y) > 0 h ( y)

similarmente

h( y / x) =

f ( x , y) , g( x ) > 0 g(x )

Variable Aleatoria Independiente Discreta: Sea (X,Y) una variable aleatoria bidimensional, Y y Y son independientes, si y solo s, p(xi,yj)=p(xi)q(yj), para todo i,j Continua: f(x,y)=g(x)h(y), para todo (x,y), f es la funcin de distribucin de probabilidad conjunta y g y h son las funciones de probabilidad marginales de X y Y respectivamente

(X,Y) es variable aleatoria discreta, X y Y son independientes si y solo s,

p( x i / y j ) = p( x i ), i, j q ( y j / x i ) = q( y j ), i, j

Y si (X,Y) es continua, entonces,

g( x / y) = g( x ), ( x, y) h ( y / x ) = h ( y), ( x , y)

Funciones de una Variable Aleatoria Bidimensional. Sea (X,Y) una variable aleatoria bidimensional continua con funcin de distribucin de probabilidad conjunta f. Sea Z=H1(X,Y) y W=H2(X,Y), donde H1 y H2 satisfacen: z=H1(x,y) y w=H2(x,y),

se pueden resolver nicamente para x y y, y en funcin de z y w, digamos x=G1(z,w) y y=G2(z,w) Existe

x x y y , , , y son continuas, z w z w
f [G 1 ( z, w ), G 2 (z, w )] J ( z, w )

luego la funcin de distribucin de probabilidad conjunta (Z.W) esta dada por:

k ( z, w ) =

en donde, J(z,w) es el Jacobiano,

x J ( z, w ) = z y z x w y w

Sea la variable aleatoria (X,Y) continua, entonces X y Y son independientes, entonces, la funcin de distribucin de probabilidad f se puede escribir f(x,y)=g(x)h(y). Sea W=XY, luego la funcin de distribucin de probabilidad de W, digamos p, est dada por
+ w 1 p( w ) = g ( u ) h du u u

La funcin de densidad de probabilidad de W=XY y U=X es

w 1 s( w , u ) = g (u )h , con w=x, y , u=x, Y0w/u u u

Con igual enunciado, para aplicar a Z=X/Y, en donde la funcin de distribucin de probabilidad de Z es, + q ( z ) = g ( vz) h ( v ) v dv , z=x/y, v=y Cambios de variables. Sea X una Variable Aleatoria cualquiera. Si realizamos el cambio de variable Y=h(X), tenemos una nueva Variable Aleatoria de modo que las probabilidades sobre la misma se calculan del modo: F( y) = P(Y y) = P( X h 1 ( y) ) Si X es una Variable Aleatoria continua e Y=h(X), donde h es una funcin derivable e inyectiva, entonces se tiene que para los elementos y de su imagen,

1 f y (f ) =f x ( h ( y))

dx dy

En el caso en que la aplicacin no sea inyectiva, podemos tener para un y dado ciertos x1, x2, ..., xn tales que f(xi)=y. En este caso: n dx i f y ( y) = f ( x i ) dy i =1 Una aplicacin interesante del cambio de Variable Aleatoria es la siguiente: Sea X una Variable Aleatoria continua cualquiera con funcin de distribucin derivable, con derivada no nula, Fx. Veamos cual es la distribucin de la nueva Variable Aleatoria Y=Fx-1(X) La distribucin de Y aparecer ms adelante con el nombre de distribucin uniforme en [0,1], y como justificacin del mtodo de Montecarlo. Otro cambio de variable importante es Y=X2. En este caso la relacin entre los puntos no es inyectiva. Aplicando la proposicin anterior se tiene entonces que
f y ( y) = f x ( y ) 1 2 y +f x ( y ) 1 2 y

Esta ltima relacin ser de inters cuando ms adelante definamos la distribucin Chi Cuadrado.