Estadstica.

Tema 2
Variables Aleatorias
2.1. Funciones de distribucion y probabilidad
2.2. Ejemplos distribuciones discretas y continuas
2.3. Distribuciones conjuntas y marginales
2.4. Ejemplos distribuciones multivariantes
2.5. Variables aleatorias independientes
2.6. Transformacion variables aleatorias
Objetivos
1. Relacion probabilidad y variable aleatoria.
2. Distincion entre variables continuas y discretas.
3. Independencia de variables aleatorias.
Bibliografa
Dekking et al. (2005). Captulos 3-5.
Wasserman (2005). Captulo 2.
Wooldridge (2006). Apendice B.
1
Estadstica. 2. Variables Aleatorias Carlos Velasco. MEI UC3M. 2007/08
2.1. Funciones de distribucion y probabilidad
Variable aleatoria: una VA es un mapping
X : R
que asigna un n umero real X () a cada resultado .
Ejemplos.
Funcion de distribucion acumulada CDF: es una funcion F
X
: R [0, 1] denida
como
F
X
(x) = Pr (X x) .
La CDF contiene toda la informacion sobre la VA: si X tiene CDF F e Y tienen CDF
G, entonces si F (x) = G(x) para todo x, entonces Pr (X A) = Pr (Y A) para todo
A.
Ejemplos.
Una funcion F es una CDF s y solo s:
F es no decreciente.
F esta normalizada:
lm
x
F (x) = 0
lm
x
F (x) = 1.
F es continua por la derecha:
lm
yx,y>x
F (y) = F (x) .
2
Estadstica. 2. Variables Aleatorias Carlos Velasco. MEI UC3M. 2007/08
Una VA X es discreta si toma un n umero contable de valores {x
1
, x
2
, . . .} . Su funci on
de probabilidad o funcion de masa de probabilidad se dene como
f
X
(x) = Pr (X = x) .
Por lo tanto f
X
(x) 0 y

i
f
X
(x
i
) = 1. Ademas
F
X
(x) = Pr (X x) =

x
i
x
f
X
(x
i
) .
Ejemplos: Uniforme.
Una VA X es continua si existe una funcion f
X
tal que f
X
(x) 0 para todo x y

f
X
(x) dx = 1 y para cada a b,
Pr (a < X < b) =

b
a
f
X
(x) dx.
La funcion f
X
se denomina funcion de densidad de probabilidad, PDF. Ademas
F
X
(x) = Pr (X x) =

f
X
(t) dt
y f
X
(x) = F

(x) en todos los puntos x en los que F

X
es diferenciable.
En este caso Pr (X = x) = 0 y Pr (X = x) = f
X
(x) . Ademas f
X
(x) puede ser mayor
que 1.
Ejemplos: Uniforme.
Lema:
Pr (X = x) = F (x) lm
yx,y<x
F (y)
Pr (x < X y) = F (y) F (x)
Pr (X > x) = 1 F (x)
Si X es continua
F (b) F (a) = Pr (a < X < b) = Pr (a < X b)
= Pr (a X < b) = Pr (a X b) .
3
Estadstica. 2. Variables Aleatorias Carlos Velasco. MEI UC3M. 2007/08
Inversa CDF o funcion cuantlica:
F
1
(q) =nf {x : F (x) > q} , q [0, 1] .
Si F es estrictamente creciente, entonces F
1
(q) es el unico n umero x tal que F (x) = q.
Quartiles. Mediana. Igualdad en distribucion.
X F.
4
Estadstica. 2. Variables Aleatorias Carlos Velasco. MEI UC3M. 2007/08
2.2. Ejemplos distribuciones discretas y continuas
VA DISCRETAS:
Punto de masa.
Uniforme.
Bernoulli.
Binomial.
Geometrica.
Poisson.
5
Estadstica. 2. Variables Aleatorias Carlos Velasco. MEI UC3M. 2007/08
VA CONTINUAS:
Uniforme.
Normal o Gaussiana. N (,
2
) .
Normal Estandar N (0, 1) . Su CDF se denomina y su PDF .
Propiedades:
X N

,
2

Z =
X

N (0, 1)
Z N (0, 1) X = +Z N

,
2

Si X
i
N (
i
,
2
i
) , i = 1, . . . , n son independientes, entonces
n

i=1
X
i
N

i=1

i
,
n

i=1

2
i

.
Ademas, si X N (,
2
)
Pr (a < X < b) = Pr

<
X

<
b

.
Ejemplos.
Exponencial:
f (x) =
1

e
x/
.
Gamma.
f (x) =
1

()
x
1
e
x/
.
t, Cauchy (t
1
) ,
2
.
6
Estadstica. 2. Variables Aleatorias Carlos Velasco. MEI UC3M. 2007/08
2.3. Distribuciones conjuntas y marginales
DISTRIBUCIONES CONJUNTAS
VA discretas: Distribucion de (probabilidad) masa conjunta:
f
XY
(x, y) = Pr (X = x Y = y) = Pr (X = x, Y = y)
Ejemplos.
VA continuas: f
XY
(x, y) es una PDF para las variables aleatorias (X, Y ) si
f
XY
(x, y) 0 para todo (x, y) .

f
XY
(x, y) dxdy = 1
Para cualquier conjunto A R R,
Pr ((X, Y ) A) =

A
f
XY
(x, y) dxdy.
Funcion acumulada de probabilidad, CDF,
F
XY
(x, y) = Pr (X x, Y y) =

f
XY
(r, s) drds.
Ejemplos.
7
Estadstica. 2. Variables Aleatorias Carlos Velasco. MEI UC3M. 2007/08
DISTRIBUCIONES MARGINALES
VA Discretas. Si (X, Y ) tiene distribucion conjunta f
X,Y
, entonces la funcion de masa
marginal de X se dene como
f
X
(x) = Pr (X = x) =

y
Pr (X = x, Y = y) =

y
f
X,Y
(x, y) .
Ejemplo.
VA Continuas.
f
X
(x) =

f
X,Y
(x, y) dy.
Ejemplos.
Funcion de probabilidad conjunta para v.a.s discretas:
Y \X f
X
(x
1
) f
X
(x
2
) f
X
(x
s
)
f
Y
(y
1
) p
11
p
12
p
1s
p
y1
f
Y
(y
2
) p
21
p
22
p
2s
p
y2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
f
Y
(y
m
) p
m1
p
m2
p
ms
p
ym
p
x1
p
x2
p
xs
1

f
X,Y
(x
j
, y
i
) = Pr {X = x
j
y Y = y
i
}
f
Y
(y
i
) = Pr {Y = y
i
} =

s
j=1
f
X,Y
(x
j
, y
i
)
f
X
(x
j
) = Pr {X = x
j
} =

m
i=1
f
X,Y
(x
j
, y
i
)
Ejemplo: en una poblacion con un n umero muy elevado de individuos se considera el
experimento de seleccionar uno al azar y observar dos variables,
Y N umero de veces que ha estado desempleado
X N umero de titulaciones academicas
donde las probabilidades de cada combinacion de valores viene dada por la siguiente
tabla,
Y \X 1 2 3
1 0, 4 0, 2 0, 05 0, 65
2 0, 2 0, 1 0 0, 3
3 0, 05 0 0 0, 05
0, 65 0, 3 0, 05 1
8
Estadstica. 2. Variables Aleatorias Carlos Velasco. MEI UC3M. 2007/08
2.4. Variables aleatorias independientes
Dos VA X e Y son independientes si para cada A y B,
Pr (X A, Y B) = Pr (X A) Pr (Y B) .
Teorema. Si X e Y tienen PDF conjunta f
X,Y
, entonces X e Y son independientes s y
solo s
f
X,Y
(x, y) = f
X
(x) f
Y
(y)
para todos x e y.
Ejemplos.
Si f
X,Y
(x, y) = g (x) h(y) entonces X e Y son independientes.
Distribuciones condicionales
VA Discretas: la funcion de masa condicional es
f
Y |X
(y|x) = Pr (Y = y|X = x) =
Pr (X = x, Y = y)
Pr (X = x)
=
f
X,Y
(x, y)
f
X
(x)
si f
X
(x) > 0.
VA Continuas: la funcion de densidad de probabilidad condicional es
f
Y |X
(y|x) =
f
X,Y
(x, y)
f
X
(x)
si f
X
(x) > 0. Por tanto
Pr (Y A|X = x) =

A
f
Y |X
(y|x) dx.
Independencia: Si X e Y son independientes, entonces f
Y
(y) = f
Y |X
(y|x) para todo
y, y todo x tal que f
X
(x) > 0.
9
Estadstica. 2. Variables Aleatorias Carlos Velasco. MEI UC3M. 2007/08
Ejemplo. VA Discreta. Las probabilidades de Y dado X estan dadas por
Y Pr {Y = y
i
|X = x
1
} Pr {Y = y
i
|X = x
2
} Pr {Y = y
i
|X = x
s
}
y
1
f
11
= p
11
/p
x1
f
12
= p
12
/p
x2
f
1s
= p
1s
/p
xs
y
2
f
21
= p
21
/p
x1
f
22
= p
22
/p
x2
f
2s
= p
2s
/p
xs
.
.
.
.
.
.
.
.
.
.
.
.
y
m
f
m1
= p
m1
/p
x1
f
m2
= p
m2
/p
x2
f
ms
= p
ms
/p
xs
1 1 1
y para nuestro ejemplo,
Y \X 1 2 3
1 0, 4 0, 2 0, 05 0, 65
2 0, 2 0, 1 0 0, 3
3 0, 05 0 0 0, 05
0, 65 0, 3 0, 05 1
se obtiene:
Y Pr {Y = y
i
|X = 1} Pr {Y = y
i
|X = 2} Pr {Y = y
i
|X = 3}
1 f
11
= 0, 4/0, 65 = 0,615 f
12
= 0, 2/0, 3 = 0, 667 f
13
= 0, 05/0, 05 = 1
2 f
21
= 0, 2/0, 65 = 0,308 f
22
= 0, 1/0, 3 = 0, 333 f
23
= 0
3 f
31
= 0, 05/0, 65 = 0,077 f
32
= 0 f
33
= 0
1 1 1
10
Estadstica. 2. Variables Aleatorias Carlos Velasco. MEI UC3M. 2007/08
Distribuciones Multivariantes y muestras IID.
Vector aleatorio: X = (X
1
, X
2
, . . . , X
n
) donde X
1
, X
2
, . . . , X
n
son VA, con PDF f (x
1
, x
2
, . . . , x
n
) .
Distribuciones Marginales, condicionadas, etc.
X
1
, X
2
, . . . , X
n
son independientes si para cada A
1
, A
2
, . . . , A
n
,
Pr (X
1
A
1
, . . . , X
n
A
n
) =
n

i=1
Pr (X
i
A
i
) .
Denicion: si X
1
, X
2
, . . . , X
n
son independientes y cada una tiene la misma distribucion
marginal con CDF F, entonces decimos que X
1
, X
2
, . . . , X
n
son IID (independientes e
identicamente distribuidas) y se escribe
X
1
, X
2
, . . . , X
n
F.
Tambien decimos que X
1
, X
2
, . . . , X
n
son una muestra aleatoria de tama no n de F.
11
Estadstica. 2. Variables Aleatorias Carlos Velasco. MEI UC3M. 2007/08
2.5. Ejemplos distribuciones multivariantes
Multinomial(n, p) , donde p = (p
1
, . . . , p
k
) , p
1
+ +p
k
= 1,
f (x
1
, . . . , x
k
) =

n
x
1
x
k

p
x
1
1
+p
x
k
k
,
con x
1
+ x
k
= n,

n
x
1
x
k

=
n!
x
1
! x
k
!
.
Normal Multivariante. X N
k
(, )
f (x
1
, . . . , x
k
) = f (x) = (2||)
k/2
exp

1
2
(x )

1
(x )

con
X =

X
1
X
2
.
.
.
X
k

y media
=

2
.
.
.

EX
1
EX
2
.
.
.
EX
k

y matriz de varianzas-covarianzas ,
=

V (X
1
) C (X
1
, X
k
)
.
.
.
.
.
.
.
.
.
C (X
k
, X
1
) V (X
k
)

.
12
Estadstica. 2. Variables Aleatorias Carlos Velasco. MEI UC3M. 2007/08
2.6. Transformacion variables aleatorias
Si X es una VA con PDF f
X
y CDF F
X
, consideramos una funcion Y = r (X) , que
tambien es una VA (una transformacion de X).
Calculo de la PDF y CDF de Y.
Caso Discreto:
f
Y
(y) = Pr (Y = y) = Pr (r (X) = y)
= Pr ({x; r (x) = y}) = Pr

X r
1
(y)

.
Ejemplo.
Caso continuo:
1. Para cada y, encontrar el conjunto A
y
= {x : r (x) y} .
2. Encontrar la CDF:
F
Y
(y) = Pr (Y y) = Pr (r (X) y)
= Pr ({x; r (x) y})
=

A
y
f
X
(x) dx.
3. La PDF es f
Y
(y) = F

(y) .
Ejemplo.
Cuando r es estrictamente monotona creciente o estrictamente monotona decreciente,
entonces r tiene inversa s = r
1
y en ese caso se puede demostrar que
f
Y
(y) = f
X
(s (y))

ds (y)
dy

.
Caso multivariante es similar, pero ahora, por ejemplo, A
y
= {(x, y) : r (x, y) y} .
13