Академический Документы
Профессиональный Документы
Культура Документы
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
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)
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
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
f (s )ds
d
F( x ) con valores x1,x2,... y son x1<x2<x3<...
dx
- 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
xi x
y i
p xy ( x i , y i )
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 ( x , y) 1 .
x i x / y i
x2
y2
y1
f xy ( x , y)dydx
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
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
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
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 )
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
entonces,
es
la
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 )
x x y y
,
,
,
y son continuas, luego la funcin de distribucin de probabilidad conjunta (Z.W)
z w z w
f [G 1 (z, w ), G 2 (z, w )]
J ( z, w )
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
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,
f ( y)
dF( y)
dy
6x(1 x) 0 x 1
f (x)
0 otro
y1 / 3
6 x (1 x )dx 3y 2 / 3 2 y
6e3x12x2 x1 0, x 2 0
f (x1, x2)
otro
yx 2
6e 3 x1 2 x 2 dx 1dx 2 1 2e 3 y 3e 2 y
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
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.
Ejemplo, Si la flecha doble de la figura se hace oscilar, la variable aleatoria tenga la densidad
1/ / 2 / 2
f ()
0 otro
g(x)
1 a
1 a
para x
a2 x2 a2 x2
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
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
M Y ( t ) M Xi (t )
i 1
M Y ( t ) e i (e
1)
e ( 1 i ) e
1)
i 1
11