Documente Academic
Documente Profesional
Documente Cultură
Curso de Probabilidad1
Notas sobre funciones de variables aleatorias y funciones
generadoras de momentos
Anteriormente ya se han introducido funciones que toman valores en las variables aleatorias
como lo son:
valores esperados
varianzas
covarianzas y correlaciones
En el presente tema se abordaran dos tipos de aplicaciones:
transformaciones de variables aleatorias y su funciones de probabilidad
funciones generadoras de momentos.
En la primera de las anteriores veremos la justificacion del metodo de la funcion inversa que
se utilizo en algunos algoritmos para la produccion de variables aleatorias. El segundo tema
tampoco es desconocido ya que las funciones generadoras de momento se pueden ver como
generalizaciones de promedios y varianzas.
Transformaciones de variables
? Teorema
Sea X una variable aleatoria discreta con distribucion de probabilidad f (x). Sea y = u(X)
una transformacion uno a uno entre los valores de X y Y de manera que la ecuacion
y = u(x)
pueda resolverse unnovocamente para x en terminos exclusivos de y, digamos
x = w(y).
1
http://sites.google.com/site/cbasicasupiita/
x = 0, 1, 2, 3, 4, 5.
Ahora sea Y = X 2 entonces lo primero que observamos es que los valores que puede tomar
Y son
y = 0, 1, 4, 9, 16, 25.
Dado que y = u(x) = x2 es uno a uno tenemos
y = y = w(y)
luego la fmp de Y es
y ny
3
1
g(y) = C5,y
,
4
4
y = 0, 1, 4, 9, 16, 25.
la
probabilidad
de
ocurrencia
de
Y
=
25
es
P
(Y
=
25)
=
.
4
4
Tambien se puede explicar en terminos de frecuencia relativa. La idea es la siguiente:
Sea Y = X 2 con X una v.a. como se definio en el ejemplo anterior, si se producen aleatorios en
esta distribuci
on tendramos una tabla como la siguiente:
X
1
2
1
1
4
..
.
Y
1
4
1
1
16
..
.
5
1
25
1
? Teorema
Sean X1 y X2 variables aleatorias discretas con distribucion de probabilidad conjunta f (x1 , x2 ).
Sea Y1 = u1 (X1 , X2 ) y Y2 = u2 (X1 , X2 ) una transformacion uno a uno entre los puntos
(x1 , x2 ) y (y1 , y2 ) de manera que las ecuaciones
y1 = u1 (x1 , x2 ),
y2 = u2 (x1 , x2 )
2
x2 = w2 (y1 , y2 )
.
f (x1 , x2 ) = 1
x1 !
x2 !
Definimos la transformacion lineal
Y2 = X1 X2 .
Y1 = X1 + X2 ,
Podemos invertirla para obtener
x1 = w1 (y1 , y2 ) =
y1 + y2
,
2
x2 = w2 (y1 , y2 ) =
y1 y2
.
2
y1 y2
2 e1 2 2 e2
g(y1 , y2 ) = 1 y1 +y2
(y1 y2 ) ,
( 2 )!
!
2
? Teorema
Sea X una variable aleatoria continua con distribucion de probabilidad f (x). Sea y = u(X)
una correspondencia uno a uno entre los valores de X y Y de manera que la ecuacion
y = u(x)
pueda resolverse unnocuamente para x en terminos exclusivos de y, digamos
x = w(y).
Entonces Y tiene la distribucion de probabilidad
g(y) = f [w(y)] |J|.
donde J = w0 (y) es el jacobiano de la transformacion.
La justificacion es simple, en terminos de la conservacion de la probabilidad; separaremos los
casos en que u es monotonamente creciente y decreciente.
w(b)
f (x)dx
w(a)
f [w(x)] w0 (y)dy
4 4 Ejemplos
y = b xa = w(b)
si
Y = X.
Soluci
on:f (x) = 1,
x [0, 1] luego
y in[0, 1].
Y = A + (B A)X.
Soluci
on:Tenemos que y = u(x) = A + (B A)x luego x = w(y) = (y A)(B A)
para y [A, B]
|J| = w0 (y) = [y 2 ]0 = 1/(B A),
as
g(y) =
1
,
BA
A y B.
Y = ln X
Soluci
on:y = u(x) = ln x luego x = w(y) = ex/ para y 0.
|J| = | ex/ /|
As
g(y) =
1 x/
e
,
y 0.
? Teorema
Sean X1 y X2 variables aleatorias continuas con distribucion de probabilidad conjunta f (x, y).
Sea y = u(X) una correspondencia uno a uno entre los valores de X y Y de manera que la
ecuacion
y = u(x)
pueda resolverse unvocamente para x en terminos exclusivos de y, digamos
x = w(y).
Entonces Y tiene la distribucion de probabilidad
g(y) = f [w(y)] |J|,
donde
"
x1
y1
x2
y1
|J| = det
4 Ejemplo
x1
y2
x2
y2
#
(1)
Y2 = X1 X2 .
? ?Ejercicios
1. Sea X una v.a. que tiene la siguiente funcion de probabilidad
1
f (x) = , x = 1, 2, 3.
3
Calcule la distribucion de probabilidad de la variable aleatoria Y = 2x 1.
2. Sea X una v.a. binomial con n = 3 y p = 2/5. Calcule la distribucion de probabilidad
de la v.a. Y = X 2 .
3. Basado en el problema 7.4 del Walpole pag 223. Sean X1 y X2 v.a. discretas con la
siguiente funcion de masa de probabilidad conjunta:
f (x1 , x2 ) =
x1 x2
, x1 = 1, 2; x2 = 1, 2, 3,
18
f (v) = kv 2 ebv ,
v>0
4 Definici
on
dado por
As, los valores esperados como la media y la varianza que habamos utilizado con anterioridad pueden expresarse como
= E [X] = 01 ,
4 Definici
on
por
V (X) = 02 2 .
? ?Ejercicios
1. Encuentre la funcion generadora de momentos de una variable aleatoria binomial.
Utilcela para encontrar la media y varianza.
2. Muestre que la funcion generadora de momentos de una variable aleatoria normal es
1 22
MX (t) = exp t + t .
2
3. Muestre que la funcion generadora de momentos de una v.a. ji-cuadrada con grados
de libertad es :
MX (t) = (1 2t)/2 .
10
? Teorema
1. La combinacion lineal Y de n variables aleatorias normales independientes X1 , X2 , . . . Xn
Y = a1 X1 + a2 X2 + + an Xn
tiene una distribucion normal con media
Y = a1 1 + a2 2 + + an n
y varianza
Y2 = a21 12 + a22 22 + + a2n n2 .
11
2
n
X
Xi
i=1
2
n
X
X i i
i=1
r ( + r)
.
()
3. Muestre que una v.a. de Poisson con paramero tiene una funcion generadora de
momentos
t
MX (t) = e(e 1) .
Use la funcion anterior para hallar la media y la varianza de la distribucion de Poisson.
12