Transformación de variables múltiples Ignacio López

FUNCIONES Y TRANSFORMACIONES DE VARIABLES ALEATORIAS

LA VARIABLE ALEATORIA

Variable Aleatoria. Repasando, es una variable numérica 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 función X que asigna a cada uno de los elementos s  S un número real
X(s), se llama Variable Aleatoria.

Variable Aleatoria Discreta. Si el número de valores posibles de X es finito, esto es, se

pueden anotar los valores de X como, x1,..., xn

Sea X una variable aleatoria discreta, entonces Rx consta de un número de valores de

x1,..., xn como resultado posible de xi asociamos un número p(xi) = P(X=xi) llamado
probabilidad de xi, y se satisface,

P( xi )  0 i



i 1
p ( xi )  1

donde, p es la probabilidad de la variable aleatoria X. La colección de pares

( x i , p( x i )), i  1,... es, algunas veces, la distribución de probabilidad de X

Dadas las variables aleatorias X 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 función
de distribución de probabilidades de Y se determina el suceso equivalente que
corresponde a los valores de Y. Si se conoce la función de distribución de
probabilidad de X. En general, si {Y=yi} es equivalente a un suceso, sea x el recorrido
de X, entonces, q( y i )  P( Y  y i )   f ( x)dx
k

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

o una función de densidad de probabilidad de X que satisface
f (x)  0 x

 f (x)dx  1
Ahora bien, para cualquier a y b, tal que,   a  b, tenemos
b
P(a  X  b)   f ( x )dx
a
Transformación de variables múltiples Ignacio López

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 función de distribución de probabilidad f y H

una función continua, entonces, Y=(H(x)) es variable aleatoria continua con función de
distribución 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 función de distribución de probabilidad f,

f(x)>0 para a<x<b. Sea y=H(x) monótona estrictamente y sea derivable para todo x, luego
la variable aleatoria Y=H(X) tiene la función de distribución de probabilidad:
dx
g ( y)  f ( x )
dy

X es variable aleatoria del espacio S, Rx es el recorrido de X, H es una función real, la

variable aleatoria Y=H(X) con recorrido en 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 función 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 número 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 (xi,yj)
asociamos un número p(xi,yj) que representa P(X=xi,Y=yj) que satisface

p( x i , y j )  0 ( x , y)
 

 p(x , y )  1
j1 i 1
i j

La función p definida para todo (xi,yj) en el recorrido de (X,Y) es la función de

probabilidad de (X,Y) y la terna (xi,yj,p(xi,yj)) es la distribución de probabilidad de (X,Y)
Transformación de variables múltiples Ignacio López

Sea (X,Y) una variable aleatoria continua que toma todos los valores de la región R del
plano Euclideo, la función de distribución de probabilidad conjunta f es la función que
satisface,
f ( x, y)  0 ( x, y)  R

 f (x, y)dxdy  1
R

La función de distribución acumulada de F de la variable aleatoria (X,Y) está definida

F( x, y)  P(X  x, Y  y)

Si F es la función de distribución acumulada de una variable bidimensional con función

de distribución de probabilidad conjunta f, entonces
 2 F( x , y)
 f ( x , y)
xy
Función de Distribución Acumulativa. Sea X una variable aleatoria discreta o
continua, F es la función 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, x 1  x 2 , entonces , F( x 1 )  F( x 2 )

Lim F( x )  0 Lim F( x )  1
x x
d
Se cumple, también, f ( x )  F( x ) con valores x1,x2,... y son x1<x2<x3<...
dx

Sea F la función de distribución acumulada, entonces

p( x i )  P(X  x i )  F( x i )  F( x j1 )

Función 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 i a p x (x)
x b

Función de Distribución 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
Transformación de variables múltiples Ignacio López

x2
P[ x 1  X  x 2 ]   f x ( x )dx
x1
x
Fx ( x )  P[  X  ]   f x (u )du


dFx ( x ) d x
dx 
se sabe que,  f x ( x )dx  f x ( x )
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 función monótona creciente.

Variables Aleatorias de Distribución 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 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   xi x y i

p xy ( x i , y i )
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 están dados por
p xy ( x, y 0 ) , se tiene una fmp condicional de X dado Y
P[(X  x)  (Y  y)]
Px / y (x, y)  P[X  x / Y  y]  , lo cual equivale a
P[Y  y]
p xy ( x, y) p xy ( x, y)
Px / y ( x, y)   . Se cumple además lo señalado anteriormente
p y ( y)] x p xy (x i , y)
i

0  ox / y  1 y 
x i
p x / y ( 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 )

función de distribución de probabilidad: P[ x1  X  x 2]   

x2 y2
f xy ( x, y)dydx
x1 y1

La función de distribución de probabilidad satisface: f xy ( x , y)  0 y  f xy ( x, y)dxdy  1

para todo el intervalo

Y la acumulada,
Transformación de variables múltiples Ignacio López

Fxy ( x, y)  P[(X  x )  (Y  y)]  P[   X  x      Y  y ]  

x y

   f xy ( x 0 , y 0 )dy 0 dx 0


de donde, f xy ( x, y)  FXY ( x, y)
xy

TÉCNICA TRANSFORMACIÓN DE VARIABLES

Una Variable. Se trata de aplicar el primer método sin desarrollar la obtención primero
la función de distribución. En el caso discreto no hay problema real, en tanto que X y
Y=u(X) se relacionen biunivocamente. Por tanto, la sustitución debe ser adecuada.

Ejemplo, sea X el número de caras obtenidas en 4 lanzamientos de una moneda.

Determina la distribución de probabilidad de y=(1+x)-1

Solución, Si aplicamos la Binomial con n=4 y p=1/2 obtenemos que la distribución de

probabilidad de X está 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

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

 4  1 
4

f ( x )     para x  0,1,2,3,4

 x  2 

obteniéndose,
 1    1 
4 4

g( y)  f   1   1 1   para y  1,1 / 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
Transformación de variables múltiples Ignacio López

Hallar la densidad de probabilidad de X, la abscisa sobre el eje x al cual apuntará la

flecha.

Solución, La relación entre x y  es, x=a.tan

d a
 2
dx a  x 2

y se deduce que
1 a 1 a
g( x )   para    x  
 a x
2 2
 a  x2
2

Ejemplo, Si X tiene una distribución N(0,1), determine la densidad de probabilidad de

Z=X2

2 dy 1 1 / 2
Solución, g( y)  e y   z , entonces,
2
/2

2 dz 2
2
h ( z)  e z / 2
2

Dos Variables. Se trata del método anterior pero considerando dos variables. Sean la
distribución 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,
x x
g( y, x 2 )  f ( x 1 , x 2 )  1 g ( x 1 , y)  f ( x 1 , x 2 )  2
y y

Ejemplo, Sean x1 y x2 variables aleatorias independientes que tienen distribuciones de

Poisson con parámetros 1 y2, determine la distribución de probabilidad de la variable
aleatoria Y=X1+X2

Solución, Por la independencia de X1 y X2, la función conjunta es,

e  1 1 1 e   2  2 2
x x

f (x1 , x 2 )  
x 1! x 2!

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

yx
e  ( 1  2 ) 1 1  2 2 e  ( 1  2 )  2 2 1 2
x x x

f (x1 , x 2 )   g( y, x 2 ) 
x 1!*x 2 ! x 1!*x 2 !
e ( 1  2 ) 1 1  2 2 e ( 1  2 ) 1   2 
y x x y

h ( y)   
x 2 0 x 2 !*( y  x 2 )! y!

Teorema. La función de distribución 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 transformación g(y1,y2)=f(w1(y1,y2),w2(y1,y2))*│J│,
Transformación de variables múltiples Ignacio López

donde w1 y w2 son soluciones de las ecuaciones simultaneas en derivadas parciales de

y1 y y2. J es el Jacobiano de la transformación,
x 1 x 1
y y 2
J 1
x 2 x 2
y1 y 2

TÉCNICA FUNCIÓN 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 función de generación de momentos de xi en t

Ejemplo, Obtenga la distribución de probabilidades de la suma de n variables aleatorias

independientes X1,…,Xn que tengan distribución Poisson con parámetros 1,…,n,
respectivamente

Solución, Sabemos que M Xi (t)  e  i ( e 1)

t

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

n
M Y ( t )   e i ( e 1)  e ( 1 i ) e 1)
t t

i 1