CAPITULO 5

Funciones de Variables
Aleatorias
y
Funcin Generadora de
Momentos
Estadstica Computacional

Funciones de Variables Aleatorias

Sea X v.a. con funcin de densidad

(cuanta) fX. Sea Y = g(x). Entonces:
X es v.a. discreta y g continua
Y = g o X es v.a. discreta
X es v.a. continua y g continua
Y = g o X sea v.a. continua

Transformacin de Variables
H : RX RY

X : RX

A
sA

s dominio X
x RX rango X
(s, x) X

RX
B

x RX dominio H
y RY rango
H
(x, y) H

X(s) B

RY

C
H(x) C
H(X(s)) C

Y : RY
s dominio Y = H(X)
y RY rango Y = H(X)
(s, y) Y = H(X)

P(C) = P[{ x RX : H(x) C}] = P[{ s : H(X(s)) C}]

Transformacin de Variables
Sea X una v.a. discreta con funcin de cuanta f(xij)
f(x11) f(x31) f(xn1) f(x12) f(xn2)

x11 x21 x31 x41 xn1

x12 x22 x32 xn2

f(x13) f(xn3)

f(x1j) f(xnj)

x13 x23 x33 xn3

x1j x2j x3j xnj

Y
y1

y2

y3

yj

Sea H(xij) = yj una funcin que tiene la propiedad de asignar un valor yj

Entonces
Entonces a todo x j J para i = 1, 2, 3 ,...; j = 1, 2,...
nj
ij
YY==H(X)
H(X)

es
esuna
unavariable
variablealeatoria
aleatoria
con
confuncin
funcinde
decuanta
cuanta g(y
g(yj)j)==ij = 1jf(x
f(xij)ij)

Transformacin de Variables
Sea X v.a. con funcin de densidad (cuanta) fX(x)
Sea Y = H(x) tambin es una variable aleatoria.
Entonces:
Si H(x) discreta

Y = H( X) es
v.a. discreta

Y = H( X) es
v.a. discreta

Y = H( X) es
continua v.a. discreta

Y = H( X) es
v.a. continua

discreta
X es v.a.

Si H(x) continua

Funciones de Variables Aleatorias

X : v.a.c.R

g:D

fu continua, estrictamente
montona, derivable y con
derivada no nula en A D

Y = g(X) v.a.
Entonces:

dg ( y )
fY ( y ) f X ( g ( y ))
I g ( A) ( y )
dy
1

Transformacin de V.A. Continuas

f(x)

Sea
X v.a.

f(x) = 2x 0 < x < 1

Sea

f(x) = 2x

0<x<1

Y = H(X) = 3X + 1

4
3

pdf de Y; g(y) ?
2

y = 3x + 1

G(y) = P(Y y) = P(3X + 1 y)

= P(X (y 1)/ 3)

g(y)

x
1

(y 1)/3

2x dx =
0

1
9

[y 1]2

2
g(y)
g(y)==G(y)
G(y)
9 (y
(y--1)
1)

Funciones de Variables Aleatorias

Ejemplo:
fX(x) = I0,1(x)
g(x) = ln x
Sea Y = g o X = ln X.
Encontrar la densidad de Y = ln X

Funciones de Variables Aleatorias

Solucin:
Sea A = 0,1 D = R+
Adems g es derivable y con derivada no
nula en A
Entonces:

f ln X ( y ) f X (e ) e I R ( y ) 1 e I R ( y )
y

Caso X U (0,1)

H(X) = ln X

Sea X ~ U(0,1)

G(y) = P(Y

f(x) = 1

y)

0<x<1

P(ln X y)

Y = ln X

P(X ey )

X = H-1(Y)

X = eY

F(ey)

Y = H(X)

g(y)

encontrar g(y)

dF(x) dx
g(y) = G(y) = dx dy = 1 x ey

g(y) >0

y
-

Funciones de Variables Aleatorias

Solucin:
Adems, algunas propiedades de Y son:

E Y

ye dy 1 E ln X ln x I
y

V Y E Y 2 1 1

0 ,1

( x )dx

Un mtodo operativo
X U (0,1)

Y = ln X

FY ( y ) P(Y y ) P(ln X y )
P( X e ) FX (e )
y

derivando con respecto a y tenemos:

d
dFX (e y ) dx
y
y
fY ( y )
FY ( y )
f X (e ) e
dy
dx
dy
1 e y I R ( y )

Un mtodo operativo
En general, sea X v.a.c. Y = X2
1
fY ( y )
f X ( y ) f X ( y )
2 y

Consideremos X N(0,1), sea Y = X2, luego:

1 1 y/2
1 y/2
y 1/ 2 e y / 2
fY ( y )
e

e 1/ 2

2 y 2
2
2

(1)
2

Ejercicio
Sea X = ln Y N ( , 2 )
Encontrar la distribucin de Y
Nota: Y se conoce como
distribucin Log-normal.

Distribucin Log-Normal

Funcin de Densidad LN( 0, 2)

Funcin Generadora de Momentos

Definicin: Sea X v.a. (d. c.) con densidad
o cuanta fX. Se llama funcin generadora de
momentos a
:DR R /
X(t) = E [etX]
t

X(t)

X v.a.d.

X (t ) e f X ( xi )

X v.a.c.

X (t ) e f ( x )dx

txi

iI

tx

Funcin Generadora de Momentos

Observaciones:
Tal serie o integral pude no existir siempre
t D.
Sin embargo, t = 0 existe siempre, y vale 1.
Deseamos que exista V(0,)D y que
adems sea derivable k-veces.
Cuando X(t)=E[etX] no exista, podemos
usar
X(t)=EeitX
llamada
funcin
caracterstica.

Funcin Generadora de Momentos

X(t)

X
U(a,b)

bt
at

1 e e

t
ba

( e 1)
e
t

P()
Exp()
N(, )
2

t
e

t
2 2

t /2

Funcin Generadora de Momentos

X(t)

X
(,)
B(n,p)

pe

(1 p )

Funcin Generadora de Momentos

Usando el desarrollo en serie de Maclaurin X(t)

X (t ) E e tx

t 2 x 2 t 3 x3
t n xn
E 1 tx

...
...
2!
3!
n!

t
t
2
n
X (t ) 1 tE X E X ... E X ...
2!
n!
X(0) = E[X]
X(0) = E[X2]

Funcin Generadora de Momentos

En general, bajo condiciones de regularidad:
nX(0) = E[Xn]
Finalmente:
Si Y = X + Y(t) = et X(t)
Z = X + Y ; X Y Z(t) = X(t) Y(t)

Distribucin Log-Normal

Funcin de Densidad LN( 0, 2)

Caso X U (0,1)
Sea X ~ U(0,1)
f(x) = 1
Y = H(X)

0<x<1

H(X) = e-X
G(y) = P(Y y) = P(e-X y)
P(- X ln y ) =

Y = e-X

X = H-1(Y)

P(X - ln y ) =

X = - ln Y

encontrar g(y)

1 F(ln y)
g(y)

dF(x) dx
g(y) = G(y) = dx dy = - 1 _ 1
y
g(y) x
0

y
y

-1

e-1

Transformacin de V.A. Continuas

X:

v.a.c.

H : X

H()
continua, estrictamente
montona, derivable y con
derivada no nula en A Y

Y = H(X) v.a.
Entonces:

-1

gY( y) = fX( H

-1

y ))

dH ( y )
dy

Caso X U (0,1)
Sea X ~ U(0,1)

G(y) = P(Y y) = P(X2 y)

f(x) = 1 0 < x < 1

Y = H(X)

Y=X

P(- y X y ) =

X = H (Y) X = Y
-1

encontrar g(y) =

H(X) = X2

X=-Y

dF(y) dx
G(y) =
dx dy

g(y) =

F( y ) F(- y )

1
2y

dF(-y) dx
dx dy

f( y ) + f(- y )

Caso X N (, )
2

Sea X ~ N(,2)
f(x) =

x -
e-
2

Y = H(X)

dx
g(y) = f(x)
dy

X = Y +

encontrar g(y) =

g(y) =

- < x <

Sabemos que

Y= X

X = H-1(Y)

H(X) =

1
2

1
2

1
e 2

e
y2

(X )

1 y+-

Reconocemos la
Normal Estandar
(N(0,1)

Caso X N (,2)
Sea X ~ N(,2)

Sabemos que

f(x) =

x -
e - - < x <
2

Y = H(X)

Y = ln X

X = H-1(Y)

X = eY

encontrar g(y) =

g(y) =

1
2

1
2

H(X) = ln X

dx
g(y) = f(x)
dy

1
2

ey -

ey -

2
y
*e

Caso X N (,2)
Sea X ~ N(,2)

Sabemos que

f(x) =

x -
e - - < x <
2

X
1

Y = H(X)

Y=e

X = H-1(Y)

encontrar g(y)

dx
g(y) = f(x)
dy

X = lnY

-1

g y =

H(X) = eX

1
2

1
2

lny

lny

1
y

Se le denomina
distribucin
LogNormal: (N(0,1)

Distribucin LogNormal (0,1)

Fenmenos aleatorios representados por variables
aleatorias con esta distribucin:
Dimetro de pequeas partculas despus de un
proceso de chancado
El tamao de un organismo sujeto a un nmero
pequeo de impulsos
Rentas de familias; consumo de electricidad; ventas en pesos;
etc.
Tiempo de vida de ciertos tems
Anlisis de riesgo financiero en el clculo del VAN

Distribucin LogNormal (, 2)

f(x) =

F(x) :

_ 1
2

x-1
2

ln x -

x R

No tiene expresin
analtica.

E[X] = e

V[X] = e2(e
1)

Caso X N(0,1)
Sea X ~ N(0,1)
f(x) =

1
2

Y = H(X)

Sabemos que:

e- x 2

- < x <

Y = X2

X = H (Y) X = Y
-1

H(X) = X2

g(y) =

1
2y

f( y ) + f(- y )

X=-Y

2 y

encontrar g(y) =

- 1/ 2 - y/ 2

g y =

21/ 2

1 - y/ 2
1 - y/ 2
y 1/ 2e y / 2
+
e
e = 1/ 2

2
2
2

Reconocemos
una distribucin
; con = 1

Desafos ...
Sea X ~ U(1, 3)

Sea f(x) = 2x

0<x<1

H(X) = 3X + 1

H(X) = 3X + 1

J(X) = eX

J(X) = e-X

Sea f(x) = e-x

x>0

Sea f(x) =

-1 < x < 1

H(X) = X3

H(X) = 4 x2

J(X) =

J(X) = ln X

3
(X + 1)2

f(x ) =

x
2

1
2

1
2

x
2

x>0