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(x1,x2,,xn), 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
S
X(s)

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, B R x . Sea A definida como A {s S / X(s) B} .
Entonces, A y B son sucesos equivalentes.
A

B
s

Rx
X(s)

X es una variable aleatoria del espacio S, Rx es el recorrido de X. Sea H una funcin real, la variable aleatoria
Y=H(X) con recorrido Ry. Para cualquier suceso C R y se define P(C) P[{x R x : H ( x ) C}] . 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, x1,..., x n
Sea X una variable aleatoria discreta, entonces Rx consta de un nmero de valores de x1,..., x n como resultado
posible de xi asociamos un nmero p(xi) = P(X=xi) llamado probabilidad de xi, y se satisface,
P( x i ) 0

i 1

p( x i ) 1

donde, p es la probabilidad de la variable aleatoria X. La coleccin de pares ( x i , p( x i )), i 1,... es, algunas
veces, la distribucin de probabilidad de X
Dadas las variables aleatorias X y Y y ocurre:
1

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 i ) P( Y y i ) kf ( x)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
f (x) 0

f ( x )dx 1
Ahora bien, para cualquier a y b, tal que, a b , tenemos P(a X b)

f ( x )dx

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,

B {x R x : H(x) C}, B R x
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:
G ( y ) P ( Y y)

derivar G(y) respecto a y y obtener g(y),

hallar los valores de y en le recorrido de Y para g(y)>0
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:

g ( y) f ( x )

dx
dy

X es variable aleatoria del espacio S, Rx es el recorrido de X, H es una funcin real, la variable aleatoria
Y=H(X) con recorrido en Ry. Para cualquier suceso

C Ry

se

define

P(C) P ( x R x : H ( x ) C ]

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, X1=X1(s), ...,
Xn=Xn(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,yj) asociamos un nmero p(xi,yj)
que representa P(X=xi,Y=yj) que satisface
2

p( x i , y j ) 0 ( x , y)

p( x
j1 i 1

, yj) 1

La funcin p definida para todo (xi,yj) en el recorrido de (X,Y) es la funcin de probabilidad de (X,Y) y la terna
(xi,yj,p(xi,yj)) 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,
f ( x , y) 0 ( x , y) R

f ( x, y)dxdy 1
R

La funcin de distribucin acumulada de F de la variable aleatoria (X,Y) est definida

F( x , y) P(X x , Y y)

Si F es la funcin de distribucin acumulada de una variable bidimensional con funcin de distribucin de

probabilidad conjunta f, entonces
2 F( x , y)
f ( x , y)
xy

Funcin de Distribucin Acumulativa. Sea X una variable aleatoria discreta o continua, F es la funcin de
densidad acumulada de X,
F( x ) P(X x ) , si
Si X es variable aleatoria discreta,

F( x ) p( x j ), x j x
j

Si X es variable aleatoria continua,

F( x )

f (s )ds

F es no decreciente, por tanto,

x1 x 2 , entonces, F(x1 ) F(x 2 )

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

x
x
Se cumple, tambin, f ( x )

d
F( x ) con valores x1,x2,... y son x1<x2<x3<...
dx

Sea F la funcin de distribucin acumulada, entonces

p( x i ) P(X x i ) F( x i ) F( x j1 )

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

- P[a X b] x a p x ( x )
x i 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
x i

P[ x 1 X x 2 ]

x2

x1

f x ( x )dx

Fx ( x ) P[ X ]

se sabe que,

f x ( u )du

dFx ( x )
d x

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

Propiedades:
- 0 Fx ( x ) 1

Fx () 0 y Fx () 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.
Variables Aleatorias de Distribucin Conjunta.
FMP Conjunta: Cuando dos o mas variables tienen comportamientos conjuntos
Pxy ( x , y) P[( X x ) (Y y)]

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

i

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 )
i

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

i

xi x

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=y 0, 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]

Px / y ( x, y)

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

0 ox/ y 1 y

P[(X x ) (Y y)]
, lo cual equivale a
P[Y y]

p xy ( x, y)

x i

p xy ( x i , y) . Se cumple adems lo sealado anteriormente

p ( x , y) 1 .

x i x / y i

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 )

x2

funcin de distribucin de probabilidad: P[ x1 X x 2] x

y2

y1

f xy ( x , y)dydx

La funcin de distribucin de probabilidad satisface: f xy ( x , y) 0 y

intervalo

xy

( x , y)dxdy 1

para todo el

Y la acumulada,
Fxy ( x , y) P[(X x ) ( Y y)] P[ X x Y y ]

de donde,

f xy ( x , y)

FXY ( x , y)
xy

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

Variables Independientes. Si funcin de distribucin condicional es igual a funcin de 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 X / Y ( y, x ) f Y ( y)

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

FXY ( x , y) FX ( x )FY ( y)

FX / Y ( x , y) FX ( 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(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 Variables Aleatorias. Sean B y C sucesos equivalente. Si B es el conjunto de valores de X tales

que H ( x ) C , entonces,

B {x R x : H(x ) C}, B R 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 ) j p( xj), x j x
X es variable aleatoria continua,

F( x )

f (s)ds
5

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

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

f (x)

d
F( x ) para la funcin de densidad acumulada de variables aleatorias continuas con funcin de
dx

densidad de probabilidad f
Sea X una variable aleatoria discreta con valores x1,..., x n y son x1 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

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

FX ( x )

XY

( 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)

FX / Y ( x , y) P[ X x / Y y]

f X / Y ( u , y)du

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...) j1 p(x i , y j ) ,

entonces,

es

la

distribucin marginal de probabilidad de X.

Idem para Y: q ( y j ) P(Y y j ) i 1 p( x i , y j )

-

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 ]

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 )

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=G 1(z,w) y
y=G2(z,w)
Existe

x x y y
,
,
,
y son continuas, luego la funcin de distribucin de probabilidad conjunta (Z.W)
z w z w

esta dada por:

k ( z, w )

f [G 1 (z, w ), G 2 (z, w )]
J ( 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
p( w )

w 1
du

u u

g(u )h

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

w 1

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

u u

s( w , u ) g ( u ) h

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

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 X1,X2,,Xn variables aleatorias continuas con una densidad de probabilidad conjunta
dada, la densidad de probabilidad de Y=u(x1,...,xn) se determina obteniendo
F(y)=P(Yy)=P[u(x1,,xn)]
Y despus,
7

f ( y)

dF( y)
dy

Ejemplo, Si la densidad de probabilidad de X est dada por

6x(1 x) 0 x 1
f (x)
0 otro

Determine la densidad de probabilidad de Y=X3

Solucin, Sea G(y)=P(Yy)=P(X3y)=P(Xy1/3)
G ( y)

y1 / 3

6 x (1 x )dx 3y 2 / 3 2 y

Entonces, g(y)=2(y-1/3-1) para 0<y<1

Ejemplo, Si la densidad de X1 y X2 est dada por

6e3x12x2 x1 0, x 2 0

f (x1, x2)

otro

Obtenga la funcin de densidad de la variable Y=X1+X2

Solucin, integrando la funcin conjunta
F( y)

yx 2

6e 3 x1 2 x 2 dx 1dx 2 1 2e 3 y 3e 2 y

Y al diferenciar con respecto a y tenemos,

f ( y) 6(e 2 y e 3 y ), y 0
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
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
8

O Tambin habiendo sustituido x=(1/y)-1 por x en

4 1
f(x) par x0,12,34
x 2
obtenindose,

4 4
1 1
g(y) f 1 11 par y 1, /2,1/3,1/4,1/5
y y 2
Teorema.

g(y) f w(y) w(y) siempre que u(x) 0

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

1/ / 2 / 2
f ()
0 otro

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
d
a
2
dx a x 2
y se deduce que
9

g(x)

1 a
1 a

para x
a2 x2 a2 x2

Ejemplo, Si X tiene una distribucin N(0,1), determine la densidad de probabilidad de Z=X2

2
2
dy 1 1 / 2
e y / 2
z
, entonces,
dz 2
2

Solucin, g( y)
2

h ( z)

e z / 2

Dos Variables. Se trata del mtodo anterior pero considerando dos variables. Sean la distribucin conjunta
Y=u(X1,X2), si las relaciones entre y y x1 con x2 y entre y y x2 con x1 se mantienen constantes, entonces,
g( y, x 2 ) f ( x 1 , x 2 )

x 1
y

g ( x 1 , y) f ( x 1 , x 2 )

x 2
y

Ejemplo, Sean x1 y x2 variables aleatorias independientes que tienen distribuciones de Poisson con parmetros
1 y2, determine la distribucin de probabilidad de la variable aleatoria Y=X1+X2
Solucin, Por la independencia de X1 y X2, la funcin conjunta es,

e 1 1 1 e 2 2
f (x 1 , x 2 )

x 1!
x 2!
x

x2

Para x1=0,1, y x2=0,1, y ya que y=x1+x2, entonces x1=y-x2, entonces,

e ( 1 2 ) 1 1 2 2
e ( 1 2 ) 2 2 1
f (x1 , x 2 )
g( y, x 2 )
x 1!*x 2 !
x 1!*x 2 !
x

e ( 1 2 ) 1 1 2 2 e ( 1 2 ) 1 2
h ( y)

y!
x 2 0 x 2 !*(y x 2 )!
y

yx 2

Teorema. La funcin de distribucin conjunta f(x1,x2) de las variables aleatorias X1 y X2, y si se tiene que
y1=u(x1,x2) y y2=u(x1,x2),
entonces se puede hacer la transformacin g(y1,y2)=f(w1(y1,y2),w2(y1,y2))*J,
donde w1 y w2 son soluciones de las ecuaciones simultaneas en derivadas parciales de y 1 y y2. J es el Jacobiano
de la transformacin,

x1 x1
y1 y 2
x 2 x 2
y1 y 2
10

TCNICA FUNCIN GENERATRIZ DE MOMENTO

Teorema. Si X1,X2,,Xn son variables aleatorias independientes y Y=X1++Xn, entonces,
n

M Y ( t ) M Xi (t )
i 1

Donde Mxi(t) es el valor de la funcin de generacin de momentos de xi en t

Ejemplo, Obtenga la distribucin de probabilidades de la suma de n variables aleatorias independientes X 1,
,Xn que tengan distribucin Poisson con parmetros 1,,n, respectivamente
t

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

Y por tanto, siendo y=x1+,xn, se tiene
n

M Y ( t ) e i (e

1)

e ( 1 i ) e

1)

i 1

11