Professional Documents
Culture Documents
!3 X(!3")#
!2" #
# X(!2")#
!1
# X(!1")#
R
Notación: las letras mayúsculas (X) se emplean para representar VA y las minúsculas (x)
representan valores concretos que toman dichas VA.
La transformación que se define mediante una VA conserva la medida de probabilidad asig-
nando probabilidades iguales a sucesos equivalentes. A (RX , FX ) se le asocia una medida de
probabilidad PX tal que:
PX (B) = P(X −1 (B)) ∀B ∈ FX
Existen distintos tipos de VA en función del número de posibles valores que pueden tomar,
que son un reflejo de la distinta naturaleza de las variables observadas en experimentos reales. Si,
por ejemplo, se mide el número de bits transmitidos con error en una trama de N bits, el conjunto
de posibles valores es finito. Cada uno de ellos llevará asociada una determinada probabilidad
mayor que cero. Lo mismo ocurre si se mide el número de transmisiones hasta que se produce
un error. En este caso el rango de la variable es infinito y numerable y todos los posibles valores
tienen una probabilidad no nula.
Universidad de Vigo. PyE. Tema 2: Variables aleatorias unidimensionales 2.3
FX : R −→ [0, 1]
x ,→ FX (x) = P(X ≤ x)
Ejemplo 2.1: Sea X: “Número de caras obtenidas al lanzar dos monedas”. Calcula su FD y
represéntala gráficamente.
Propiedades de la FD:
x x
6) Análogamente a la propiedad anterior:
P(x1 < X < x2 ) =Obs:
F (xLas
− VA discretas se caracterizan por FD escalonadas. Cada uno de los valores que forman
2 ) − F (x1 )
parte del
P(x1 ≤ X < x2 ) = F (x−rango de una− VA discreta tiene una probabilidad que da lugar a un salto x en la FD
2 ) − F (x1 )
x
−
P(x1 ≤ X ≤ x(propiedad
2 ) = F (x 24).
)−
Obs: Por(xotra
FVA
Las ) parte,seentre
1discretas
dos valores
caracterizan por FD adyacentes
escalonadas. del
Cadarango
uno deno
losse acumula
valores ninguna
que forman
probabilidad,
parte del yrango
la FDde presenta tramos tiene
una VA discreta de valor
una constante.
probabilidadLaque
alternancia
da lugar adeunsaltos conlatramos
salto en FD
constantes
Demostraciones da a la4).
de(propiedad
algunas deFDPor
deotra
las las VA discretas
propiedades
parte, aspecto
entre dos escalonado.
valores adyacentes del rango no se acumula ninguna
Obs: Las VAycontinuas
probabilidad, se caracterizan
la FD presenta tramos de por tener
valor FD continuas.
constante. Las FD
La alternancia deson continuas
saltos por la
con tramos
demostración de prop2 Si x1 ≤ x2 entonces F (x1 ) ≤ F (x2 )
derecha (propiedad
constantes 3),FDy de
da a la en el VA
Slas casodiscretas
de las VA continuas
aspecto P(X=x)=0 para todo x, por lo que sus FD
escalonado.
Si x1 ≤ x2 entonces: (−∞,
son también x
Obs:] = (−∞,
Las VA por
2continuas x ] (x
continuas x
1 se] siendo una
2 caracterizan
1 la izquierda (propiedadunión
por 4),
tenerdisjunta,
FD lo
y, por por tanto:
continuas.
tanto, Las FD son continuas por la
continuas.
P((−∞, x2 ]) = P((−∞, x1 ]) + P((x1 x2 ]) de dónde:
derecha (propiedad 3), yconstituyen
en el caso de lascombinación
VA continuas de P(X=x)=0 para todo x, por lo que sus FDFD
F (x2 ) = F (x1 ) + P((xObs: Las VA mixtas una las discretas y las
1 x2 ]) siendo esta última probabilidad mayor o igual que cero, por lo que se cumple la
continuas. Sus
desigualdad. son también continuas por la
alternan tramos continuos con escalones.izquierda (propiedad 4), y, por lo tanto, continuas.
Obs: Las VA mixtas constituyen una combinación de las discretas y las continuas. Sus FD
demostración de prop3 F (x+ ) = F (x)
alternan tramos continuos con+escalones.
Dem: Propiedad 3) de la FD: F(x )=F(x) !"0
Por definición, F (x+ ) = lı́m F (x + )
Por →0 +
definición, F(x + ) = lim F(x + ") #
F (x + ) = P(X ≤ x + ) = P(X
Dem: ≤ x) +
Propiedad P (x
3) de
"#0 la +FD:
<X + x + )
F(x ≤)=F(x) ( !"0 ]
+ F(x+!)
Cuando → 0 , {x tales que = P(X
x<X≤! x+!)
Por definición, = P(X
F(xx +
+ ! x)
) =}lim +
→F(x P(x<
{x/x X ! x+!)
+ ") < X ≤ x} = ∅, con
X X+!
+ + ( # ]
lo que su probabilidadCuando
es cero.
!"0Por tanto:
, {x/ "#0
x< X ! x+!}"{x/ x< X ! x}=Ø, con lo que su probabilidad es cero. #
F(x+!) = P(X ! x+!) = P(X ! x) + P(x< X ! x+!) X X+!
F (x+ ) = lı́m F (x + ) = !P(X ≤ + x) = F (x) como querı́amos demostrar.
Por tanto F(x ) = lim F(x + ") = P(X $ x) = F(x) como queríamos demostrar.
→0+ + #
Cuando !"0 "#0
, {x/ +x< X ! x+!}"{x/ x< X ! x}=Ø, con lo que su probabilidad es cero.
! F(x + ) = lim F(x + ") = P(X $ x) = F(x) como queríamos demostrar.
Por tanto
La FD es, por tanto,La continua portanto,
FD es, por la derecha.
continua
+
No lasederecha.
por puede Noasegurar,
se puedesin embargo,
asegurar, que seaque
sin embargo, continua por por la
sea continua
"#0
la izquierda. Si P(X = x0 ) > 0 no es posible encontrar un valor de suficientemente pequeño como para que la
diferencia P(X ≤ x0 ) −izquierda.
P(X!≤ xSiLa P(X=x 0)>0,
FD es,
0 − ) sea
no
portan es posible
tanto, continuaencontrar
pequeña por la se
como un valor
derecha. No de
desee. suficientemente
se !puede asegurar, sinpequeño como
embargo, que para que la diferencia
sea continua por la
P(X ! izquierda.
! x0)– P(X Si
! xP(X=x 0)>0,
0-!) sea tanno es posible
pequeña comoencontrar un valor de ! suficientemente pequeño como para que la diferencia
se desee.
demostración de prop4 P(X = x) = F (x) − F (x− )
P(X ! x0)– P(X ! x0-!) sea tan pequeña como se desee.
−
Por definición, F (x )Dem:
= lı́m F (x −
Propiedad
+
) -
4) de la FD: P(X=x)=F(x)-F(x )
→0
-
F (x − ) = P(X ≤ x − Por)definición,
= P(X
Dem: ≤F(xx)" )−
Propiedad P(x
4)=de −F(x
la FD:
lim " #)X ≤ x) )
P(X=x)=F(x)-F(x
< !"0
+
Cuando → 0 , {x tales Por x − <F(x
quedefinición, "
X#$0 )≤
+
= x}lim →F(x{x" #) tales que x ≤ X ≤ !" 0
x} = {X = x}. #$0 + (#
#(X- ]
F(x-!)=P(X ! x-!) = P(X ! x)–P(x-!< X ! x) ! # ]X
Por tanto F (x− ) = F (x) −F(x-!)=P(X
P(X += x) como
! x-!) = P(Xquerı́amos
! x)–P(x-!< Xdemostrar.
! x) X-! # X
Cuando !"0 , {x/+ x-! < X ! x}"{x/ x ! X ! x} = {X=x}
!
Cuando !"0 , {x/ x-! < X ! x}"{x/ x ! X ! x} = {X=x}
Como consecuencia dePoresta !- se verifica que P(X = x) = 0 ∀x.
tantopropiedad, en las como
F(x )=F(x)–P(X=x)
-
VA continuas
queríamos demostrar
Por tanto F(x )=F(x)–P(X=x) como queríamos demostrar
Teorema: Como
Cualquier consecuencia
función que deverifique
esta propiedad,
las enpropiedades
las VA continuas1),
se verifica
2) y que3) P(X=x)=0.
de las FD es una FD
Como consecuencia de esta propiedad, en las VA continuas se verifica que P(X=x)=0.
de alguna VA. Por tanto, el aspecto de una FD será como el de las figuras siguientes o como una
combinación de ambas.
F(x) F(x)
1 1
x x
Observación: Las VA discretas se caracterizan por FD escalonadas. Cada uno de los valores
que forman parte del rango de una VA discreta tiene una probabilidad que da lugar a un salto
en la FD (propiedad 4). Por otra parte, entre dos valores adyacentes del rango no se acumula
ninguna probabilidad, y la FD presenta tramos de valor constante. La alternancia de saltos con
tramos constantes da a la FD de las VA discretas aspecto escalonado.
Observación: Las VA continuas se caracterizan por tener FD continuas. Todas las FD son
Universidad de Vigo. PyE. Tema 2: Variables aleatorias unidimensionales 2.6
continuas por la derecha (propiedad 3), y en el caso de las VA continuas, P(X = x) = 0 ∀x, por
lo que sus FD son también continuas por la izquierda (propiedad 4), y, por lo tanto, continuas.
Observación: Las VA mixtas constituyen una combinación de las discretas y las continuas.
Sus FD alternan tramos continuos con escalones.
Observación: VA continuas y P(X = x) = 0
Este es un hecho que llama bastante la atención y que parece bastante artificial. Si estamos
realizando un experimento fı́sico, siempre obtenemos una medida concreta de la variable obser-
vada, aunque sea una variable de las que denominamos continuas. Por tanto, nuestra intuición
nos dice que un valor concreto cualquiera puede aparecer, es un valor posible y por tanto tiene
una cierta probabilidad. Esta idea choca con el modelo probabilı́stico que se emplea para las VA
continuas, que se caracteriza por asignar probabilidades nulas a sucesos del tipo {X = x}. Sin
embargo, esta aparente limitación del modelo probabilı́stico basado en una VA continua para
describir un experimento real, no supone un verdadero problema. Cuando se mide una variable
continua, en la práctica siempre se discretiza su valor al realizar la lectura de los sistemas de
medida. Por tanto, al especificar la medida no estamos indicando un valor único y especı́fico,
sino identificando, implı́citamente, un intervalo al que pertenece. Las variables continuas no se
miden con precisión infinita y el suceso {X = x} no tiene utilidad práctica en este contexto. Las
probabilidades se asignan a intervalos, y, por tanto, las VA continuas constituyen una herramienta
perfectamente válida para caracterizar este tipo de experimentos.
En el esquema siguiente se representan los distintos tipos de VA que existen en función del
rango de la variable que describen. También se indican las caracterı́sticas de las FD que resultan
en cada caso.
Universidad de Vigo. PyE. Tema 2: Variables aleatorias unidimensionales 2.7
Definición: Función de densidad de probabilidad de una VA. Sea X una VA. Se define:
dFX (x)
fX (x) =
dx
fX (x) se denomina función de densidad de probabilidad (fdp) de X.
La fdp no siempre se puede obtener de acuerdo con la definición anterior. Analizaremos los
distintos casos que se pueden dar en función del tipo de VA (continua, discreta o mixta). Además,
propondremos métodos alternativos para definir la fdp cuando la derivada de la FD no existe. En
todo caso, la fdp de una VA es una función que se caracteriza por una serie de propiedades que
veremos a continuación.
Propiedades de la fdp:
0.2
0.15
f(x)
0.1
0.05 Area =1
0
−10 −5 0 5 10
x
Rx
3) F (x) = −∞
fX (y)dy
0.2
0.15
F(x)=P(X ≤ 3)
f(x)
0.1
0.05
0
−10 −5 0 3 5 10
x
R x2
4) P(x1 < X ≤ x2 ) = F (x2 ) − F (x1 ) = x1
fX (x)dx
Universidad de Vigo. PyE. Tema 2: Variables aleatorias unidimensionales 2.8
0.2
0.15
f(x)
0.1
P(!5<X ! !3)
0.05
0
!10 !5 0 5 10
x
Teorema: Cualquier función que verifique las propiedades 1) y 2) de las fdp es una fdp de
alguna VA.
Observación: La fdp es una función que, al igual que la FD, permite calcular probabilidades
asociadas a cualquier suceso relativo a una VA. El valor concreto de la FD en un punto x es la
probabilidad acumulada hasta x, es decir P(X ≤ x). Por su parte el valor de la fdp en un punto
representa el incremento instantáneo de probabilidad, aunque no se trate de la probabilidad de
ningún suceso (por ejemplo, podrı́a ser mayor que uno). La interpretación más sencilla de la fdp
consiste en tener presente que su integral entre dos puntos es igual a la probabilidad del intervalo
definido por ambos (propiedad 4 de la fdp).
A continuación indicaremos las caracterı́sticas de las fdp de las VA continuas, discretas y
mixtas.
F(x) f(x)
1
0.2
0.1
0.4
0
0
2 6 9 2 6 9
Universidad de Vigo. PyE. Tema 2: Variables aleatorias unidimensionales 2.9
Ejercicio 2.1: (Stark, Problema 2.2, Pag. 100) En un restaurante conocido por su inusual servicio,
el tiempo X, en minutos, que un cliente tiene que esperar hasta que es atendido por un camarero
viene especificado por la siguiente FD:
2
x /4 si 0 ≤ x ≤ 1
x/4 si 1 ≤ x ≤ 2
F (x) = 1/2 si 2 ≤ x ≤ 10
x/20 si 10 ≤ x ≤ 20
1 si x ≥ 20
La idea de la función delta es que, a la hora de integrar, nos permita recuperar el valor del
salto en el punto x0 .
Ejemplo: La función escalón unidad se define como:
0 si x < 0
U (x) =
1 si x > 0
La magnitud del impulso coincide con la magnitud del escalón de la FD, que a su vez
coincide con la probabilidad de que la VA tome el valor x0 .
Observación: La función delta, en lo que se refiere a su aplicación en el campo de las VA, no
encierra un significado cualitativo intrı́nseco. Es simple y únicamente, una herramienta matemáti-
ca que nos permite caracterizar y representar los resultados de un experimento discreto. Como en
todo experimento aleatorio nos interesa conocer los posibles valores y sus probabilidades. En len-
guaje matemático expresamos esta situación mediante un conjunto de deltas, cada una centrada
en cada valor de la VA y con magnitud igual a su probabilidad. Además, la propiedad que define
a la función delta, permite que la suma de todos estos impulsos sea una fdp, verificando todas
las propiedades caracterı́sticas. Al hacer la integral de una delta agregamos el valor del salto de
la discontinuidad en el punto en el que la delta está centrada.
Observación: Otra forma equivalente a la fdp de representar la información acerca de un
experimento aleatorio discreto es mediante la función de masa de probabilidad. Simplemente es la
función que, definida en los valores del rango de la VA, asigna a cada uno de ellos su probabilidad
(P(X = xi ) = pi ). No emplea la función delta, pero conocer una es equivalente a conocer la otra.
Universidad de Vigo. PyE. Tema 2: Variables aleatorias unidimensionales 2.11
En la siguiente figura se representa una FD y una fdp genéricas de una VA discreta X. La función
de masa de probabilidad serı́a:
Evidentemente: X
pi = 1
∀i
Ejemplo 2.2: Demuestra las propiedades 1), 2) y 3) de las fdp para el caso discreto.
Universidad de Vigo. PyE. Tema 2: Variables aleatorias unidimensionales 2.12
Ejemplo 2.3: Sea X: “Número de caras obtenidas al lanzar dos monedas”. Calcula su fdp y
represéntala gráficamente (su FD se calculó en el ejemplo 2.1). Comprueba que se trata de una
fdp.
Las VA mixtas son una combinación de las discretas y las continuas. Globalmente presentan
un rango no numerable, pero algunos de los valores de su rango tienen probabilidades no nulas.
Como consecuencia, la FD alterna escalones con regiones continuas, siendo al menos una de
ellas no constante. Para calcular la fdp basta con identificar los escalones, que se representarán
mediante una función delta. En los demás puntos se calcula la derivada de la FD. Por ejemplo,
en las figuras siguientes se representan la FD y la fdp de una VA mixta con un impulso en x = 0.
F(x) f(x)
1
1
0.8
0.8
0.6
0.6
0.4 0.4
0.2 0.2
0
0
0 2 4 6 0 2 4 6
x x
5. Distribuciones notables
caracterı́sticas similares. En este apartado estudiaremos las más comunes, distinguiendo entre
discretas y continuas. Realmente, estudiaremos familias de distribuciones que en función del valor
o valores de uno o más parámetros dan lugar a distribuciones diferentes.
1!p 1!p
0
0 1
0 1
x
La distribución de Bernoulli describe una situación muy sencilla en la que nos interesa
observar si ha ocurrido un determinado tipo de suceso o su complementario. Por ejemplo, en una
cadena de producción podrı́an ser los sucesos defectuoso y no defectuoso, y en un sistema de
transmisión podrı́an ser transmisión correcta o errónea.
Para calcular P (X = k) hay que tener en cuenta que existen distintos resultados elementales
del experimento incluidos en el suceso {X = k}. Este suceso se refiere al número total de veces
que ocurre el suceso A durante las n realizaciones, independientemente del orden en que hayan
aparecido. Supongamos n = 4. El suceso {X = 2} incluye todos los resultados siguientes:
AAAc Ac , AAc AAc , AAc Ac A, Ac Ac AA, Ac AAc A, Ac AAAc
Cualquiera de estos sucesos tienen la misma probabilidad. Cada uno de ellos es una inter-
sección de sucesos independientes, por tanto:
P(AAAc Ac ) = P(AAc AAc ) = · · · = P(Ac AAAc ) = P(A)2 P(Ac )2 = p2 (1 − p)2
Como el suceso {X = 2} es la unión de todos los sucesos anteriores, y éstos son disjuntos
entre sı́, P(X = 2) se obtendrá mediante la suma de las probabilidades. Como todos los términos
son equiprobables:
P(X = 2) = (Número de ordenaciones posibles) ∗ p2 (1 − p)2
El número de ordenaciones posibles es el número de combinaciones de 4 elementos tomados
de 2 en 2:
4 4!
C4,2 = = =6
2 (4 − 2)!2!
En el caso general un suceso elemental con k éxitos y (n − k) fracasos tiene una probabilidad
pk (1 − p)n−k . El número de ordenaciones posibles son las combinaciones de k elementos en n:
n n!
Cn,k = =
k (n − k)!k!
Por tanto:
n
P(X = k) = pk (1 − p)n−k con k = 0, 1, 2, . . . , n
k
Una vez conocida la función de masa de probabilidad conocemos la fdp:
n
X n
f (x) = pk (1 − p)n−k δ(x − k)
k
k=0
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
0 0
0 1 2 3 4 5 6 7 0 1 2 3 4 5 6 7
Observación: Por el Binomio de Newton se comprueba que las probabilidades suman 1. Esta
Universidad de Vigo. PyE. Tema 2: Variables aleatorias unidimensionales 2.15
Observación: Una VA binomial se puede ver como una suma de VA de Bernoulli asociada
cada una de ellas a un realización independiente del experimento:
n
X
X= Xk , donde Xk ∼ Ber(p)
k=0
Para que ocurra el suceso {X = k} tienen que producirse (k − 1) fracasos en los (k − 1) primeros
intentos, y, posteriormente, un éxito en el intento k-ésimo (especı́ficamente en ese orden). Se
trata de una intersección de sucesos. Cada éxito ocurre con probabilidad p y cada fracaso con
probabilidad (1 − p). Por tanto:
P (X = k) = (1 − p)k−1 p
Una vez conocida la función de masa de probabilidad, la fdp será:
∞
X
f (x) = (1 − p)k−1 p δ(x − k)
k=1
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0 0
1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8
Universidad de Vigo. PyE. Tema 2: Variables aleatorias unidimensionales 2.16
La distribución geométrica también es de uso común. Variables como el número de veces que
hay que transmitir un paquete de datos hasta que llega a su destino o el número de veces que se
necesita participar en un juego de azar hasta que se consigue un premio, siguen una distribución
geométrica.
Ejemplo 2.4: En un sistema de transmisión binario se puede producir un error, en cada transmi-
sión, con probabilidad p. Sabiendo que las transmisiones son independientes, calcula:
a) La probabilidad de que no se produzca ningún error en 6 transmisiones.
b) La probabilidad de que el primer error se produzca en la sexta transmisión.
c) La probabilidad de que se produzca exactamente un error en 6 transmisiones.
0.15 0.15
0.1 0.1
0.05 0.05
0 0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
Ejercicio 2.3: Demuestra que la expresión de la fdp de una VA con distribución de Poisson
cumple las propiedades que definen a una fdp.
fdp de X~U(a,b)
1/(b!a)
1
si a < x < b
f (x) = b−a
0 otro caso
0
a b
FD de X~U(a,b)
1
0 si x ≤ a
x−a
F (x) = si a < x < b
b−a
1 si x ≥ b
0
a b
!=1
0.8
αe−αx si x > 0 0.6
f (x) =
0 otro caso 0.4
0.2
0
0 2 4 6
FD de X !exp(" = 1)
0.8
0 si x < 0 0.6
F (x) = 0.4
1 − e−αx si x ≥ 0
0.2
0 2 4 6
Ejercicio 2.5: Demuestra que la expresión de la fdp de una VA con distribución exponencial
cumple las propiedades que definen a una fdp.
1 (x − µ)2
1 −
f (x) = √ e 2 σ2
σ 2π
Proposición: La expresión anterior de f (x) cumple las propiedades de toda fdp, es decir, es
Z +∞
no negativa y verifica que f (x)dx = 1.
−∞
La función que define la fdp de la normal no tiene primitiva, por lo que no existe una ex-
presión analı́tica exacta para la FD. Sus valores se pueden calcular numéricamente por ordenador
o consultar en tablas. Aunque existen infinitas distribuciones gaussianas distintas (pues exis-
ten infinitas combinaciones de parámetros) es suficiente una única tabla de la FD para calcular
probabilidades asociadas a cualquiera de ellas. Esto es debido a la siguiente propiedad:
X −µ
Proposición: Sea X ∼ N(µ, σ). Se define Z = . Entonces Z ∼ N(0,1).
σ
Universidad de Vigo. PyE. Tema 2: Variables aleatorias unidimensionales 2.21
0.3
0.2
0.1
0
!10 !5 µx=0 µy=5 10
0.6
0.5
2
1 x 0.4
x − 2 σ2
f (x) = e si x > 0 0.3
σ2
0.2
0 otro caso
0.1
0
0 1 2 3 4 5
Universidad de Vigo. PyE. Tema 2: Variables aleatorias unidimensionales 2.22
FD de Rayleigh(1)
1
0.8
0 si x < 0 0.6
F (x) = 1 x2
0.4
− 2
1− e 2 σ
si x ≥ 0
0.2
0
0 1 2 3 4 5
En general, cualquier magnitud fı́sica que dependa de una VA también será una VA. Supon-
gamos un sistema formado por una resistencia sometida a una diferencia de potencial constante.
Si el valor de la resistencia varı́a aleatoriamente en función de distintos factores, como por ejemplo
la temperatura, la intensidad de corriente resultante también será una VA. Si el tiempo que un
vehı́culo emplea en realizar un recorrido se puede modelar mediante una VA como consecuencia
de las fluctuaciones del tráfico, la velocidad media resultante también es aleatoria. Estos ejemplos
se pueden modelar mediante un sistema que obtiene una señal de salida tras transformar una
cierta señal de entrada. Como la señal de entrada es una VA, también lo es la señal de salida.
El problema general que se plantea consiste en determinar la distribución de la señal (VA)
de salida en función de la distribución de la señal (VA) de entrada, que se supone conocida.
En esta sección analizaremos distintos métodos para resolver este problema, cuya complejidad
varı́a mucho en función de las distribuciones de probabilidad y las transformaciones implicadas.
Evidentemente los sistemas pueden tener múltiples entradas y múltiples salidas, con lo que el
cálculo se puede complicar indefinidamente.
Una vez comprendidos estos contenidos podremos calcular, por ejemplo, la distribución del
tiempo que pasa hasta que un sistema se averı́a en función de su arquitectura y de las distribuciones
análogas de sus componentes. También podremos llegar a evaluar estadı́sticamente los errores
cometidos en un sistema de cuantificación o conocer la distribución del tiempo que un usuario
emplea para poder disfrutar de un servicio en función de la distribución del tiempo de espera y
del tiempo de uso del servicio.
Planteamiento del problema
Dada una VA X, se define Y = g(X), donde g define una transformación de X. En general,
Y va ser también una VA, pues recordemos que una VA no era más que una función de un espacio
de probabilidad en R. Obviamente Y = g(X) es una composición de las dos funciones g y X por
lo que sigue siendo una función de un espacio de probabilidad en R, es decir, una VA.
Para tener un espacio de probabilidad sobre RY necesitamos definir una medida de proba-
bilidad. La manera de hacerlo es asignar la misma probabilidad a los sucesos equivalentes. En
general, la fdp de X será conocida y por lo tanto también lo serán las probabilidades asociadas
a cualquier suceso A ∈ FX . La probabilidad de un suceso B ∈ FY es por definición igual a la
probabilidad del suceso equivalente correspondiente en X. Por tanto la clave para calcular la
probabilidad de un suceso B relativo a Y está en calcular el suceso equivalente en RX , es decir,
Universidad de Vigo. PyE. Tema 2: Variables aleatorias unidimensionales 2.23
en conocer g −1 (B).
Sea B ∈ FY . Entonces: PY (B) = PX (g −1 (B))
Observación Dado que la medida de probabilidad se conserva en una transformación, habitual-
mente notaremos directamente P(A) o P(B) en lugar de PX (A) o PY (B).
A continuación veremos cómo aplicar esta idea sencilla al cálculo de la FD de la VA Y y
posteriormente enunciaremos un teorema para el cálculo de su fdp.
es decir, P(Y = yi ) se calcula como la suma de las probabilidades de todos los valores de X
tales que g(xj ) = yi . Por definición FY (y0 ) se calcula como la suma de todas las probabilidades
asociadas a valores de Y menores o iguales que y0 .
Ejemplo 2.5: Sea X una VA discreta cuyo rango es RX = {−2, −1, 0, 1, 2}. Se define Y = X 2 .
Calcula la función de masa de probabilidad de Y sabiendo que los posibles valores de X son
equiprobables.
A continuación vamos a ver una serie de situaciones que se pueden dar dependiendo de la forma
de la transformación:
g(x) continua y no constante:
Para cada valor Y = y puede haber varias inversas. En el ejemplo de
la figura hay 3 imágenes inversas y el suceso equivalente de {Y ≤ y0 }
se define a partir de la unión de 2 intervalos en X:
y por tanto:
g(x) escalonada:
Esta transformación se corresponde por ejemplo con la función de
transferencia de un conversor analógico-digital. La VA resultante Y
es discreta. Para calcular la probabilidad asociada a cada uno de
sus valores hay que obtener la imagen inversa correspondiente. Por
ejemplo, {Y = y1 } y {x1 < X ≤ x2 } son sucesos equivalentes y por
tanto:
P(Y = y1 ) = FX (x2 ) − FX (x1 )
g(x) constante en [x0 , x1 ]:
Este caso se puede considerar como una mezcla de los anteriores.
Aunque no es escalonada presenta un tramo constante. Como conse-
cuencia {Y = y0 } tiene como suceso equivalente el intervalo [x0 , x1 ].
Por tanto:
Ejemplo 2.7: Un vehı́culo realiza a diario un trayecto de longitud L metros. Como consecuencia
de las fluctuaciones del tráfico y de las condiciones meteorológicas, la velocidad que desarrolla es
una VA V ∼ U(a, b). Sea T el tiempo que tarda en realizar el trayecto.
a) Representa gráficamente la relación entre T y V .
b) Determina la función de distribución de probabilidad de T .
Observaciones:
abordar un problema de transformaciones desde esta perspectiva, es recomendable dar una serie
de pasos que vamos a ver a continuación:
fX ( y−b
a
)
fY (y) = ∀y ∈ RY = [ax0 + b, ax1 + b]
a
Universidad de Vigo. PyE. Tema 2: Variables aleatorias unidimensionales 2.27
Ejemplo 2.8: Sea X ∼ N(µ, σ). Se define Y = aX + b. Calcula fY (y). Estudia el caso particular
en que a = (1/σ) y b = (−µ/σ).
Ejemplo 2.10: Sea X una VA continua con fdp conocida. Se define Y = (X + |X|)/2. Calcula
fY (y).
Ejemplo 2.11: Sea X una VA continua con fdp conocida. Se define Y = c exp(−αx)U (x) con
α > 0, c > 0. Calcula fY (y).
Ejemplo 2.13: Se desea generar una muestra aleatoria con distribución exp(α) Para ello se
dispone únicamente de un generador de números aleatorios con distribución U(0,1). Calcula la
transformación que se debe aplicar a los números obtenidos con el generador para obtener la
distribución de probabilidad deseada.
Observación: Cuando se transforma una VA la relación que existe entre los sucesos equiva-
lentes del dominio original y del transformado (de X e Y ) puede ser muy variada. Según cuál sea
la ley de transformación puede haber diferencias muy importantes entre los rangos y la distri-
bución de probabilidad de ambas VA. En este sentido para conocer cuál es la fdp o la FD de la
nueva VA es necesario realizar un estudio minucioso de la transformación y de cómo aplicar las
diferentes técnicas que se estudian en este capı́tulo. Deben evitarse en cualquier caso las suposi-
ciones cómodas y poco rigurosas de que a pesar de que ha habido una transformación se mantiene
el tipo de distribución de probabilidad (por ejemplo suponer que al transformar una uniforme se
mantiene la distribución uniforme y sólo cambian los parámetros que determinan su rango).
única a la VA, pero nos darán una idea de sus principales caracterı́sticas. En esta sección se
estudiarán los principales parámetros de una VA; fundamentalmente ı́ndices de localización y de
dispersión.
7.1. Esperanza
La media puede entenderse desde el punto de vista frecuencial como el lı́mite del promedio
de muestras de la misma VA, cuando el número de muestras tiende a infinito.
Observación: La esperanza se define como una integral (o como una serie en el caso discreto).
Esta integral puede que no siempre exista. De hecho, algunas VA carecen de media.
Ejemplo: Sea X: “Valor obtenido en el lanzamiento de un dado”. X toma valores en
{1, 2, . . . , 6} con probabilidad 1/6. Por tanto: E(X) = (1 + 2 + . . . + 6)/6 = 3.5.
Ejemplo: Sea X ∼ U(a, b). Entonces:
b
1 b 2 − a2
Z
x b+a
E(X) = µ = dx = =
a b−a b−a 2 2
El teorema fundamental para esperanzas nos permite calcular la media de una transforma-
ción sin necesidad de calcular la fdp de la variable transformada.
4) La esperanza es un operador lineal, es decir: E(aX + b) = aE(X) + b
Ejemplo resuelto 2.2: Sea X una VA N(0, σ). Hacemos la transformación Y = X 2 . Calcula E(Y )
Z +∞ Z +∞ Z +∞
1 − x2 ∗ 1 2 /2 ∗∗
E(Y ) = E(g(X)) = g(x)fX (x)dx = √ 2
x e 2σ 2 dx = √ σ 2 z 2 e−z dz =
−∞ σ 2π −∞ 2π −∞
z = u ⇒ dz = du
∗ z = x/σ ⇒ dz = dx/σ (tipificamos) ∗∗ −z 2 /2 2
ze dz = dv ⇒ v = −e−z /2
+∞ +∞ +∞
σ2
Z Z Z
∗∗
−z 2 /2
i+∞ 2
− z2
1 z2
=√ −ze − −e dz =σ 2
√ e− 2 dz = σ 2 f (z)dz = σ 2
2π
|
{z −∞} −∞
−∞ 2π −∞
=0
Otros ı́ndices de localización son la moda: el valor en el que se alcanza el máximo de la fdp
o, lo que es lo mismo en el caso discreto, el valor más probable; y la mediana, aquel punto que
deja la mitad de la probabilidad a cada lado, es decir, el punto en el que la FD vale 1/2.
Ejemplo 2.14: Sea X una VA N(µ, σ). Determina la media, la moda y la mediana de X
Universidad de Vigo. PyE. Tema 2: Variables aleatorias unidimensionales 2.32
7.2. Varianza
De entre los parámetros de dispersión, el más importante quizá sea la varianza, que mide la
concentración de una variable aleatoria respecto a su media. Se define:
Z +∞
2 2
Var(X) = σ = E{(X − µ) } = (x − µ)2 fX (x)dx
−∞
Ejemplo 2.16: Sea X una VA que toma valores en -1 y en +1 con probabilidad 1/2. Calcula su
media y su varianza. Sea Y una VA que toma valores en -10 y en +10 con probabilidad 1/2.
Calcula su media y su varianza. Compara las medias y las varianzas de X e Y .
En esta sección veremos ejemplos de cálculo de medias y varianzas. En algunos casos, como
las distribuciones normal, exponencial o uniforme ya se calculó la media en ejemplos anteriores,
por lo que sólo calcularemos la varianza. Existen distribuciones, como la binomial, la geométrica
o la Poisson, en las que es difı́cil calcular su media y varianza utilizando la definición. Existen
técnicas alternativas para el cálculo de medias y varianzas, basadas en la denominada función
caracterı́stica, que permiten determinar fácilmente los parámetros de esas distribuciones. Esos
contenidos exceden los objetivos de esta asignatura, por lo que no serán introducidos. Sin embargo,
al final de la sección se incluye una tabla en la que se facilitan los parámetros de las distribuciones
más importantes.
−∞ 0 σ2 | {z } 0
=0 0
√ (
√ Z ∞
σ 2π x = u ⇒ dx = du
= σ 2π fN (0,1) (x)dx = ∗ 2
− x2 x2
0 2 x
σ2
e 2σ dx = dv ⇒ v = −e− 2σ2
+∞ ∞ ∞
x3 − x22
Z Z Z
2 2 ∗∗ t − t2 1
E(X ) = x fX (x)dx = 2
e 2σ dx = 2
e 2σ dt = E(exp(
2
)) = 2σ 2
−∞ 0 σ 0 2σ 2σ
∗ ∗ x2 = t ⇒ 2xdx = dt
π 2 4−π 2
Por tanto, Var(X) = E(X 2 ) − E2 (X) = 2σ 2 − σ = σ
2 2
Universidad de Vigo. PyE. Tema 2: Variables aleatorias unidimensionales 2.35
1 (1 − p)
Geométrica p {1, 2, 3, ....}
p p2
(a + b) (b − a)2
Uniforme a, b (a, b)
2 12
1 1
Exponencial α (0, +∞)
α α2
σ√ 4−π 2
Rayleigh σ (0, +∞) 2π σ
2 2
EJERCICIOS PROPUESTOS:
Cuestiones básicas de variables aleatorias. Li. Problemas de autoevaluación 3.1. Pag. 139.
Propiedades de la función de distribución. Li. Problemas. 3.2. Pag. 130.
Propiedades de la función de densidad. Li. Problemas. 3.9 y 3.10. Pag. 131.
Función de distribución y de densidad. Cao. Problema 4.5, apartados a), b) y c). Pag. 192.
Función de densidad. Cao. Problema 4.9. Pag. 196.
Distribución Gaussiana. Li. Problemas. 3.22. Pag. 133
Teorema fundamental.Ejemplo 5.13 (Papoulis).
Teorema fundamental. Problema 3.8 de (Stark, 1994). Pag. 154.
Esperanzas y varianzas. Cao. Problema 4.6. Pag. 181; Problema 4.12. Pag 198.
Esperanza y varianza. Li. Problemas de autoevaluación 3.4. Pag. 140.
Varianza. Li. Problemas de autoevaluación 3.2. Pag. 139.
Esperanza de funciones de una VA. Li. Problema 3.41. Pag. 135.
LECTURAS RECOMENDADAS:
Concepto de variable aleatoria. Papoulis. Apartado 4.1
Funciones de distribución y densidad. Papoulis. Apartado 4.2
Introducción a las transformaciones de VA. Apartado 3.1. Stark.
Esperanzas y varianzas. Cao. Capı́tulos 4.6 y 4.7.