12.

FUNCIONES Y TRANSFORMACIONES DE VARIABLES ALEATORIAS

LA VARIABLE ALEATORIA
Uno de los problemas que enfrenta el estadstico es el de evaluar funciones de
distribucin o densidad de probabilidad de alguna variable aleatoria y=u(x
1
,x
2
,,x
n
),
lo que requiere tcnicas especiales mediante las cuales se puedan transformar stas de
forma que los resultados sean objetivos. Se aplicarn varios mtodos, pero
recomendamos al lector estar atento al mtodo de la funcin de generacin de
momentos, el cual no siendo aplicado correctamente conduce a errores importantes,
cuando no hay completa linealidad en el modelo o funcin escogida
Variable Aleatoria. Repasando, es una variable numrica cuyo valor no puede
predecirse con certeza antes de la ocurrencia del experimento. Y su comportamiento
se describe mediante una ley de Probabilidad. Sea el experimento

y S el espacio
muestral asociado. Una funcin X que asigna a cada uno de los elementos s S un
nmero real X(s), se llama Variable Aleatoria
Sea

un experimento y S su espacio muestral asociado. Sea X una variable aleatoria

definida en S, y R
x
su recorrido. Sean B un suceso respecto a R
x
, esto es,
x
R B . Sea
A definida como
} B ) s ( X / S s { A
. Entonces, A y B son sucesos equivalentes.
X es una variable aleatoria del espacio S, R
x
es el recorrido de X. Sea H una funcin
real, la variable aleatoria Y=H(X) con recorrido R
y
. Para cualquier suceso
C R
y

se
define }] C ) x ( H : R x [{ P ) C ( P
x
. Por tanto, la probabilidad de un suceso
asociado con el recorrido de Y es la probabilidad del suceso equivalente (en funcin
de X)
Variable Aleatoria Discreta. Si el nmero de valores posibles de X es finito, esto es,
se pueden anotar los valores de X como, x x
n 1
,...,
1
A
S
s
X(s)
s
B
X(s)
Rx
Sea X una variable aleatoria discreta, entonces R
x
consta de un nmero de valores de
x x
n 1
,..., como resultado posible de x
i
asociamos un nmero p(x
i
) = P(X=x
i
)
llamado probabilidad de x
i
, y se satisface,

1 i
i
i
1 ) x ( p
i 0 ) x ( P
donde, p es la probabilidad de la variable aleatoria X. La coleccin de pares
( , ( )), ,... x p x i
i i
1 es, algunas veces, la distribucin de probabilidad de X
Dadas las variables aleatorias X y Y y ocurre:
- Caso 1: Si X es una variable aleatoria discreta, Y=H(x), entonces, Y es variable
aleatoria discreta
- Caso 2: Si X es variable aleatoria continua, Y es variable aleatoria discreta, la
funcin de distribucin de probabilidades de Y se determina el suceso equivalente
que corresponde a los valores de Y. Si se conoce la funcin de distribucin de
probabilidad de X. En general, si {Y=y
i
} es equivalente a un suceso, sea x el
recorrido de X, entonces,
q y P Y y f x
i i
k
( ) ( ) ( )dx

Variable Aleatoria Continua. La variable aleatoria continua es X, si existe una

funcin f o una funcin de densidad de probabilidad de X que satisface

1 dx ) x ( f
x 0 ) x ( f
Ahora bien, para cualquier a y b, tal que, + < < b a , tenemos

b
a
dx ) x ( f ) b X a ( P
Funciones de variables Aleatorias. Sean B y C sucesos equivalente. Si B es el
conjunto de valores de X tales que
H x C ( )
, entonces,
x x
R B }, C ) x ( H : R x { B
Sea X una variable aleatoria continua con funcin de distribucin de probabilidad f y
H una funcin continua, entonces, Y=(H(x)) es variable aleatoria continua con
funcin de distribucin de probabilidad g, con los siguientes pasos:
) y Y ( P ) y ( G
derivar G(y) respecto a y y obtener g(y),
hallar los valores de y en le recorrido de Y para g(y)>0
2
Sea X una variable aleatoria continua con funcin de distribucin de probabilidad f,
f(x)>0 para a<x<b. Sea y=H(x) montona estrictamente y sea derivable para todo x,
luego la variable aleatoria Y=H(X) tiene la funcin de distribucin de probabilidad:
dy
dx
) x ( f ) y ( g
X es variable aleatoria del espacio S, R
x
es el recorrido de X, H es una funcin real, la
variable aleatoria Y=H(X) con recorrido en R
y
. Para cualquier suceso
{ }] C ) x ( H : R x ( P ) C ( P
define se R C
x
y

Por tanto, la probabilidad de un suceso asociado con el recorrido de Y es la

probabilidad del suceso equivalente (en funcin de X)
Variables Aleatorias Bidimensionales. Sea un experimento

con espacio muestral

asociado S, X
1
=X
1
(s), ..., X
n
=X
n
(s)
X=X(s) y Y=(Ys) son dos funciones que asignan un nmero real a cada uno de los
resultados s S , entonces, (X,Y) es la variable aleatoria bidimensional
- En el caso discreto, (X,Y) tiene valores posibles finitos o infinitamente numerables
- En el caso continuo, (X,Y) puede tener todos los valores en un conjunto no
numerable del plano Euclidiano
Sea (X,Y) una variable aleatoria bidimensional con cada resultado posible (x
i
,y
j
)
asociamos un nmero p(x
i
,y
j
) que representa P(X=x
i
,Y=y
j
) que satisface

1 j 1 i
j i
j i
1 ) y , x ( p
) y , x ( 0 ) y , x ( p
La funcin p definida para todo (x
i
,y
j
) en el recorrido de (X,Y) es la funcin de
probabilidad de (X,Y) y la terna (x
i
,y
j
,p(x
i
,y
j
)) es la distribucin de probabilidad de
(X,Y)
Sea (X,Y) una variable aleatoria continua que toma todos los valores de la regin R
del plano Euclideo, la funcin de distribucin de probabilidad conjunta f es la funcin
que satisface,

R
1 dxdy ) y , x ( f
R ) y , x ( 0 ) y , x ( f
La funcin de distribucin acumulada de F de la variable aleatoria (X,Y) est definida
) y Y , x X ( P ) y , x ( F
3
Si F es la funcin de distribucin acumulada de una variable bidimensional con
funcin de distribucin de probabilidad conjunta f, entonces
) y , x ( f
y x
) y , x ( F
2

Funcin de Distribucin Acumulativa. Sea X una variable aleatoria discreta o

continua, F es la funcin de densidad acumulada de X,
) x X ( P ) x ( F
, si
Si X es variable aleatoria discreta,
x x ), x ( p ) x ( F
j
j
j


Si X es variable aleatoria continua,

ds ) s ( f ) x ( F
F es no decreciente, por tanto, ) x ( F ) x ( F , entonces , x x
2 1 1
2

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

Se cumple, tambin,
) x ( F
dx
d
) x ( f
con valores x
1
,x
2
,... y son x
1
<x
2
<x
3
<...
Sea F la funcin de distribucin acumulada, entonces
) x ( F ) x ( F ) x X ( P ) x ( p
1 j i i i

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

i
x
x
1 ) x ( p
-

b x
a x
x
i
i
) x ( p ] b X a [ P
Funcin de Distribucin Acumulada. FDA: F x
x
( ) es la probabilidad del suceso
de que la variable aleatoria tome valores menores o iguales a x

i
x
x x
) x ( p ] x X [ P ) x ( F
en el caso discreto
4

x
x x
x
x
x 2 1
du ) u ( f ] X [ P ) x ( F
dx ) x ( f ] x X x [ P
2
1
se sabe que,

x
x x
x
) x ( f dx ) x ( f
dx
d
dx
) x ( dF
Propiedades:
- 1 ) x ( F 0
x
-
1 ) ( F y 0 ) ( F
x x

- ) x ( F ) x ( F
x x
+ para cualquier

>0 - ] x X x [ P ) x ( F ) x ( F
2 1 1 x 2 x
< <
La FDA es una funcin montona creciente.
Variables Aleatorias de Distribucin Conjunta.
FMP Conjunta: Cuando dos o mas variables tienen comportamientos conjuntos
)] y Y ( ) x X [( P ) y , x ( P
xy

x x y y
i i xy xy
i i
) y , x ( p ) y , x ( F
lo cual es igual a
)] y Y ( ) x X [( P
FMP Marginal: Comportamiento de una variable sin considerar otra.
Para la variable aleatoria Y:

i
y
i xy x
) y , x ( p ] x X [ P ) x ( P
F x P X x p x F x
x x i xy
x x
i
( ) [ ] ( ) ( , )

lo cual es igual a

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

, lo cual equivale a

i
x
i xy
xy
y
xy
y / x
) y , x ( p
) y , x ( p
)] y ( p
) y , x ( p
) y , x ( P
. Se cumple adems lo sealado
anteriormente
1 ) y , x ( p y 1 o 0
i
x
i y / x y / x



.
Idem para Y dado X
5
FMP Conjunta a partir de las probabilidades Marginales y Condicionales
) x ( p ) x , y ( p ) y ( p ) y , x ( p ) y , x ( P
x x / y y y / x xy

funcin de distribucin de probabilidad:


2
1
2
1
x
x
y
y
xy
dydx ) y , x ( f ] 2 x X 1 x [ P
La funcin de distribucin de probabilidad satisface:
0 ) y , x ( f
xy

y

1 dxdy ) y , x ( f
xy para todo el intervalo
Y la acumulada,
( ) ( )



x y
0 0 0 0 xy xy
dx dy ) y , x ( f ] y Y x X [ P )] y Y ( ) x X [( P ) y , x ( F
de donde,
) y , x ( F
y x
) y , x ( f
XY xy

Variables Independientes. Si funcin de distribucin condicional es igual a funcin

de distribucin marginal, entonces, X y Y son variables aleatorias
independientes
) x ( p ) y , x ( p
X y / x

, entonces, X y Y son independientes.
] x X [ P ] y Y / x X [ P
Por lo tanto, lo siguiente es vlido:
) x ( F ) y , x ( F
) y ( F ) x ( F ) y , x ( F ) y ( f ) x ( f ) y , x ( f
) y ( f ) x , y ( f ) x ( f ) y , x ( f
X Y / X
Y X XY Y X XY
Y Y / X X y / x

Si la funcin de densidad condicional es igual a la funcin de densidad marginal,
entonces, X y Y son variables aleatorias independientes. Mucho cuidado, la
dependencia funcional implica dependencia estocstica, pero sta no
necesariamente implica la dependencia funcional.
- Discreta: Sea (X,Y) una variable aleatoria bidimensional, Y y Y son
independientes, si y solo s, p(x
i
,y
j
)=p(x
i
)q(y
j
), 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,
j , i ), y ( q ) x / y ( q
j , i ), x ( p ) y / x ( p
j i j
i j i


Y si (X,Y) es continua, entonces,
6
) y , x ( ), y ( h ) x / y ( h
) y , x ( ), x ( g ) y / x ( g


Funciones de Variables Aleatorias. Sean B y C sucesos equivalente. Si B es el
conjunto de valores de X tales que
C ) x ( H
, entonces,
x x
R B }, C ) x ( H : R x { B
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,

j
j
j x x ), x ( p ) x ( F
X es variable aleatoria continua,

+

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

1 ) x ( F Lim 0 ) x ( F Lim
x x

+
) x ( F
dx
d
) x ( f
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 x
n 1
,..., y son x x
1 2
< <.... . Ser
F la funcin de distribucin acumulada de frecuencias, entonces,
) x ( F ) x ( F ) x X ( P ) x ( p
1 j j j j

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:
dy ) y , x ( f ) x ( f
XY
X

) , x ( F dx ) x ( f ) x ( F
XY 0 0
X
x
X

o sea,
) , x ( F
x
) x ( f
XY X

Y para la Condicional:

dx ) y , x ( f ) y ( f
0 XY 0 Y
por lo cual,
) y ( f
) y , x ( f
) y , x ( f
Y
XY
Y / X

x
Y / X Y / X
du ) y , u ( f ] y Y / x X [ P ) y , x ( F
7
- Discreto: Si X=x
i
debe ocurrir Y=y
j
tenemos

1 j
j i 2 i 1 i i i
) y , x ( p ...) o y Y , x X o y Y , x X ( P ) x X ( P ) x ( p
, entonces, p es la distribucin marginal de probabilidad de X.
Idem para Y:

1 i
j i j j
) y , x ( p ) y Y ( P ) y ( q
- 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,

+

+

dx ) y , x ( f ) y ( h dy ) y , x ( f ) x ( g
De otra forma,

+

+ < <
d
c
d
c
dx ) x ( g dydx ) y , x ( f ] Y , d X c [ P ) d X c ( P
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,
0 ) y ( h ,
) y ( h
) y , x ( f
) y / x ( g >
similarmente
0 ) x ( g ,
) x ( g
) y , x ( f
) x / y ( h >
Funciones de una Variable Aleatoria Bidimensional.
Sea (X,Y) una variable aleatoria bidimensional continua con funcin de distribucin
de probabilidad conjunta f. Sea Z=H
1
(X,Y) y W=H
2
(X,Y), donde H
1
y H
2
satisfacen:
z=H
1
(x,y) y w=H
2
(x,y), se pueden resolver nicamente para x y y, y en funcin de z y
w, digamos x=G
1
(z,w) y y=G
2
(z,w)
Existe

x
z
x
w
y
z
y
w
, , , y son continuas, luego la funcin de distribucin de
probabilidad conjunta (Z.W) esta dada por:
8
) w , z ( J
)] w , z ( G ), w , z ( G [ f
) w , z ( k
2 1

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

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

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

+


,
_

du
u
1
u
w
h ) u ( g ) w ( p
La funcin de densidad de probabilidad de W=XY y U=X es
u
1
u
w
h ) u ( g ) u , w ( s
,
_

, con w=x, y , u=x, Y=w/u

Con igual enunciado, para aplicar a Z=X/Y, en donde la funcin de distribucin de
probabilidad de Z es,

+

dv v ) v ( h ) vz ( g ) z ( q
, z=x/y, v=y
TCNICA DE FUNCIN DE DISTRIBUCIONES
El mtodo consiste en obtener primero la funcin de distribucin y luego la funcin
de densidad por medio de la diferenciacin. Sea X
1
,X
2
,,X
n
variables aleatorias
continuas con una densidad de probabilidad conjunta dada, la densidad de
probabilidad de Y=u(x
1
,...,x
n
) se determina obteniendo
F(y)=P(Yy)=P[u(x
1
,,x
n
)]
Y despus,
dy
) y ( dF
) y ( f
Ejemplo, Si la densidad de probabilidad de X est dada por
9

'

< <

otro 0
1 x 0 ) x 1 ( x 6
) x ( f
Determine la densidad de probabilidad de Y=X
3
Solucin, Sea G(y)=P(Yy)=P(X
3
y)=P(Xy
1/3
)
y 2 y 3 dx ) x 1 ( x 6 ) y ( G
3 / 2
y
0
3 / 1

Entonces, g(y)=2(y
-1/3
-1) para 0<y<1
Ejemplo, Si la densidad de X1 y X2 est dada por

'

> >

otro 0
0 x , 0 x e 6
) 2 x , 1 x ( f
2 1
x 2 x 3
2 1
Obtenga la funcin de densidad de la variable Y=X
1
+X
2
Solucin, integrando la funcin conjunta
y 2 y 3
y
0
x y
0
2 1
x 2 x 3
e 3 e 2 1 dx dx e 6 ) y ( F
2
2 1

+

Y al diferenciar con respecto a y tenemos,
0 y ), e e ( 6 ) y ( f
y 3 y 2
>

TCNICA TRANSFORMACIN DE VARIABLES
Una Variable. Se trata de aplicar el primer mtodo sin desarrollar la obtencin
primero la funcin de distribucin. En el caso discreto no hay problema real, en tanto
que X y Y=u(X) se relacionen biunivocamente. Por tanto, la sustitucin debe ser
adecuada.
Ejemplo, sea X el nmero de caras obtenidas en 4 lanzamientos de una moneda.
Determina la distribucin de probabilidad de y=(1+x)
-1
Solucin, Si aplicamos la Binomial con n=4 y p=1/2 obtenemos que la distribucin de
probabilidad de X est dada por,
x 0 1 2 3 4
f(x) 1/16 4/16 6/16 4/16 1/16
10
y luego aplicando y=(1+x)
-1
para sustituir los valores de Y por los de X, se tiene
y 0 1/2 1/3 1/4 1/5
G(y) 1/16 4/16 6/16 4/16 1/16
O Tambin habiendo sustituido x=(1/y)-1 por x en
4 , 3 , 2 , 1 , 0 x para
2
1
x
4
) x ( f
4

,
_

,
_

obtenindose,
5 / 1 , 4 / 1 , 3 / 1 , 2 / 1 , 1 y para
2
1
4
1
y
1
f ) y ( g
4
1
y
1

,
_

,
_

,
_

Teorema.
[ ] [ ] 0 ) x ( u que siempre ) y ( w ) y ( w f ) y ( g


Ejemplo, Si la flecha doble de la figura se hace oscilar, la variable aleatoria tenga
la densidad

'

< <

otro 0
2 / 2 / / 1
) ( f
11
Hallar la densidad de probabilidad de X, la abscisa sobre el eje x al cual apuntar la
flecha.
Solucin, La relacin entre x y es, x=a.tan
2 2
x a
a
dx
d
+

y se deduce que
< <
+

+
x para
x a
a 1
x a
a 1
) x ( g
2 2 2 2
Ejemplo, Si X tiene una distribucin N(0,1), determine la densidad de probabilidad
de Z=X
2
Solucin,
2 / 1 2 / y
z
2
1
dz
dy
e
2
2
) y ( g
2

, entonces,
2 / z
e
2
2
) z ( h

Dos Variables. Se trata del mtodo anterior pero considerando dos variables. Sean la
distribucin conjunta Y=u(X
1
,X
2
), si las relaciones entre y y x
1
con x
2
y entre y y x
2
con x
1
se mantienen constantes, entonces,
y
x
) x , x ( f ) y , x ( g
y
x
) x , x ( f ) x , y ( g
2
2 1 1
1
2 1 2

Ejemplo, Sean x
1
y x
2
variables aleatorias independientes que tienen distribuciones
de Poisson con parmetros
1
y
2
, determine la distribucin de probabilidad de la
variable aleatoria Y=X
1
+X
2
Solucin, Por la independencia de X
1
y X
2
, la funcin conjunta es,
! x
e
! x
e
) x , x ( f
2
x
2
1
x
1
2 1
2 2 1 1

12
Para x
1
=0,1, y x
2
=0,1, y ya que y=x
1
+x
2
, entonces x
1
=y-x
2
, entonces,
( )
! y
e
)! x y !*( x
e
) y ( h
! x !* x
e
) x , y ( g
! x !* x
e
) x , x ( f
y
2 1
) ( y
0 x 2 2
x
2
x
1
) (
2 1
x y
1
x
2
) (
2
2 1
x
2
x
1
) (
2 1
2 1
2
2 1 2 1
2 2 2 1 2 1 2 1
+

+
+ +

Teorema. La funcin de distribucin conjunta f(x

1
,x
2
) de las variables aleatorias X
1
y
X
2
, y si se tiene que
y
1
=u(x
1
,x
2
) y y
2
=u(x
1
,x
2
),
entonces se puede hacer la transformacin g(y
1
,y
2
)=f(w
1
(y
1
,y
2
),w
2
(y
1
,y
2
))*J,
donde w
1
y w
2
son soluciones de las ecuaciones simultaneas en derivadas parciales de
y
1
y y
2.
J es el Jacobiano de la transformacin,
2
2
1
2
2
1
1
1
y
x
y
x
y
x
y
x
J

TCNICA FUNCIN GENERATRIZ DE MOMENTO

Teorema. Si X
1
,X
2
,,Xn son variables aleatorias independientes y Y=X
1
++X
n
,
entonces,

n
1 i
X Y
) t ( M ) t ( M
i
Donde M
xi
(t) es el valor de la funcin de generacin de momentos de x
i
en t
Ejemplo, Obtenga la distribucin de probabilidades de la suma de n variables
aleatorias independientes X
1
,,X
n
que tengan distribucin Poisson con parmetros

1
,,
n
, respectivamente
Solucin, Sabemos que
) 1 e (
X
t
i
i
e (t) M

13
Y por tanto, siendo y=x
1
+,x
n
, se tiene
) 1 e ) (
n
1 i
) 1 e (
Y
t
i 1
t
i
e e ) t ( M
+

14