Probabilidades II 3- Variables aleatorias

3- Variables aleatorias
Definición

Las variables aleatorias son, intuitivamente, la “traducción” o re-expresión de los resultados de

un experimento aleatorio en expresiones numéricas. Por lo tanto el conjunto de resultados
posibles del experimento será expresado a través de números reales, dando lugar a un nuevo
espacio de probabilidad. Para que ambas expresiones del experimento sean equivalentes,
debe asegurarse que todo evento que tenga asignada probabilidad en uno de los espacios,
tenga la misma probabilidad en el otro y viceversa. Es decir que deberá haber correspondencia
entre los elementos de A y los de una sigma-algebra de números reales ( ).

Definición: Dado el espacio de probabilidad , una función es variable

aleatoria si y sólo si .

¿Qué simbolizamos con ? Es el conjunto “imagen inversa” (no confundir con función
inversa, aún cuando ésta no exista, es posible definir este conjunto). El conjunto imagen
inversa es siempre un subconjunto del conjunto de partida.

Los conjuntos Imagen Inversa satisfacen ciertas propiedades que no son siempre ciertas para
los conjuntos de las Imágenes.

Propiedades de la Imagen Inversa de conjuntos: (a demostrar)

p.1)

p.2)

p.3)

p.4)

p.5) (generalización de p.1)

p.6) (generalización de p.2)

Estas propiedades son utilizadas en la demostración del siguiente Teorema.

13
Probabilidades II 3- Variables aleatorias

Teorema de equivalencia:

es variable aleatoria

Demostración:

) Trivial, dado que cualquier semirrecta

) Sabiendo que hay que demostrar que

1°) Demostraremos que si , intervalo.

a)

b)

Donde las igualdades están justificadas por:

(1) propiedad de contraimagen

(2) Pertenece a por hipótesis
(3) Por propiedad de -álgebra
(4) Realizando la sustitución

c) Para y , completar la demostración

2°) Definimos una clase de subconjuntos de reales (muy particulares) y probamos que es -
álgebra.

Sea ( está formado por todos los subconjuntos de

reales cuya contra imagen está en ),

¿ es -álgebra?

a) ya que
b) Sea por propiedad de los elementos de
Y por propiedad de -álgebra, si un conjunto pertenece,

el complemento también pertenece.

Entonces, cumple con las propiedades de los elementos de

14
Probabilidades II 3- Variables aleatorias

c ean con

or ro iedad lgebra or cum lir las ro iedades de sus elementos

Por lo tanto, se verifican los apartados a, b y c es -álgebra

3°) Veamos que .

Sea
-álgebra generada por
-álgebra que contenga a
Como es una -álgebra que contiene a , por lo demostrado en 1°) (la contraimagen de
todo ), entonces y todo debe satisfacer sus propiedades. Por lo tanto:

Función de probabilidad inducida por

Una vez definida una variable aleatoria en un espacio de probabilidad, el espacio aleatorio
podrá ser expresado haciendo corresponder:

Ω →

P → ¿? Debería ser una función P que asigne robabilidades a los eventos “traducidos” en

Def: Se llama Probabilidad inducida por la variable aleatoria X a una función

PX: / PX(B) = P(X-1(B))

De este modo, queda definida una nueva terna: , que constituye un nuevo espacio
de probabilidad.

¿ Puede demostrar que satisface los axiomas de Kolmogorov?

Observar que en el mismo espacio de probabilidad, es posible definir varias variables

aleatorias, que dan lugar a su vez, a distintos espacios de probabilidad.

15
Probabilidades II 3- Variables aleatorias

La información que tienen y son equivalentes, es decir, conocida , , es

posible conocer y viceversa (formalizar la demostración como ejercicio).

El problema para trabajar con es que sus argumentos son subconjuntos de números reales
y no reales.

¿Es posible definir alguna función de reales en reales que contenga la misma
información que ?

Función de Distribución de una variable aleatoria

La Función que resume la información de la probabilidad inducida es la Función de

Distribución.

Def: Definida , v.a. en un espacio de probabilidad, se llama Función de Distribución a una

función → /

Es decir, la Función de distribución representa las probabilidades inducidas de todos los

borelianos de tipo semirrectas cerradas a derecha. Es posible demostrar, de modo similar al
teorema de equivalencia para la definición de variable aleatoria, que la información
simplificada que retiene es equivalente a la de , es decir, conocida es
conocida (trivial), y viceversa (demostrar).

La Función de distribución es una ex resión “cómoda” (es una función de reales en reales
para calcular probabilidades y es válida para cualquier tipo de variables aleatorias. Sin
embargo, para ciertos casos particulares, existen otras funciones, también de reales en reales,
que ueden utilizarse con igual “comodidad” ara el cálculo de las probabilidades. Estas
expresiones han sido presentadas en cursos anteriores e incluso pertenecen a leyes muy
conocidas, como la Binomial, Poisson, Hipergeométrica, Geométrica, Normal, Exponencial,
Gamma, Uniforme, etc. etc. De ellas, seguramente recuerdan la expresión funcional de la ley,
pero esta no corresponde a la Función de Distribución, sino a las llamadas: Función de
Probabilidad o Función de Densidad. Estas funciones existen para casos particulares de
variables aleatorias: las discretas y las continuas. Juntas no son suficientes para cubrir todo el
espectro de variables aleatorias posibles.

Propiedades: una así definida satisface (realizar la demostración formal de cada propiedad)

P.1) Es monótona no decreciente, es decir

Si

P.2) es continua a derecha es decir

P.3) esta acotada entre 0 y 1

16
Probabilidades II 3- Variables aleatorias

A partir de F(x) puede calcularse la probabilidad de cualquier tipo de intervalo (borelianos más
simples):


 =
 =

También:



Según la definición de , como se ha visto, es sencillo calcular la probabilidad de cualquier

intervalo.

¿Podrá formalizar que es suficiente para encontrar para cualquier boreliano?

En lo que sigue de este capítulo, definiremos otras funciones de probabilidad con información
equivalente a la Función de Distribución, pero que existen sólo para casos particulares de
variables aleatorias.

17
Probabilidades II 3- Variables aleatorias

Variable Aleatoria Discreta

Sea una variable aleatoria en se dice que es una variable aleatoria discreta si y sólo
si finito o infinito numerable tal que:

Función de probabilidad

Si es una variable aleatoria discreta puede definirse

) , para todo Є
0 en otro caso

¿Qué diferencia fundamental tiene con ?

Ejemplo:
Sea el experimento aleatorio: tirar un dado equilibrado al aire.

Sea : Número que sale en la cara superior del dado

Formalicemos las expresiones para (recordar que esta definida en Borelianos y en
Reales.
PX :
Para todo boreliano B1/ 1 Є B1 y 2, 3, 4, 5 y 6 ɇ B1 ⇨ PX(B1) = P(X-1(B1)) = = 1/6
Del mismo modo, para todo Bi con i=2, 3, 4, 5, 6.
Para todo boreliano B / 1, 2, 3, 4, 5, y 6 ɇ B ⇨ PX(B) = P(X-1(B)) =
…………… faltarían agregar las opciones donde sólo 1 y 2 Є B, sólo 2 y 3 Є B, etc, 1, 2 y 3 Є B, etc.

18
Probabilidades II 3- Variables aleatorias

Propiedades de :

1) y
2)

Prueba:

1) por definición.

2)

¿Contienen y la misma información? Si es así, conocida una, debería poderse obtener la

otra, para cualquier argumento. se calcula a partir de por definición, por lo tanto para
probar la equivalencia, deberíamos verificar solamente que es posible calcular para un
boreliano cualquiera, a partir de :

Prueba:

¿Cómo calcular a partir de ?

está definida en , por lo tanto:

¿Cómo calcular a partir de ?

Entonces, las Funciones de Distribución de variables aleatorias discretas son funciones

discontinuas, de ti o “escalonada”

19
Probabilidades II 3- Variables aleatorias

Variable Aleatoria Continua

Sea una variable aleatoria en se dice que es una variable aleatoria continua si y
sólo si tal que

¿Si es una variable aleatoria continua es una función continua?

¿Si es una función continua es una variable aleatoria continua?

En particular, si es continua en un
Demostración:

Ejemplo:
Experimento aleatorio: Elegir un número al azar del (0,1).

, con 0 < a < b <1 , es decir para

todo boreliano intervalo....
para todo boreliano B/ B ∩ [0,1]=
Para todo x < 0 : = X-1 )=
Para todo x Є [0,1]:
Para todo x > 1 : = X-1 )=

si x Є [0,1]
0 en otro caso

Propiedades de :

1)

1
(5) ¿qué teorema sostiene ésta igualdad?:

20
Probabilidades II 3- Variables aleatorias

¿Cómo calcular a partir de ?

Para cualquier boreliano

Para un boreliano intervalo

Para extender a un boreliano cualquiera, habría que considerar:

Se puede demostrar que es -álgebra que contiene a los intervalos (ejercicio). Como
son la menor -álgebra que contiene a los intervalos, y todo boreliano satisface la
condición .

Variables Aleatorias Mixtas

Existen variables aleatorias que no corresponden a ninguna de las dos definiciones dadas. Por
ejemplo, una con dada por:

a) Verifique que es función de distribución

b) ¿Puede corresponder a una variable aleatoria continua? ¿Por qué?
c) ¿Puede corresponder a una variable aleatoria discreta? ¿Por qué?

Sin embargo, puedo encontrar una y una tal que es

variable aleatoria mixta-

En el ejem lo… ¿Quiénes son y ?

21
Probabilidades II 3- Variables aleatorias

Funciones de Variables Aleatorias

Sea una variable aleatoria definida en y una función boreliana, es decir:

Entonces,

es variable aleatoria.

Demostración:

Debemos probar que

cualquiera sea

Teorema del cambio de variable.

Para toda función boreliana, conocida la es posible calcular :

Ejemplo: En el caso de la variable aleatoria: Número de la cara superior del dado, sea
. Usando , calcular la

__________________________________________________________________________

(6) Pertenece a ya que por hipótesis es una función boreliana

(7) Por ser una variable aleatoria, la contraimagen de cualquier boreliano pertenece a

22
Probabilidades II 3- Variables aleatorias

Cambio de Variable

En algunos casos particulares, la expresión funcional de las distribuciones de funciones de

variables aleatorias puede obtenerse de forma más simple que la expresada. En particular, si
las variables aleatorias son absolutamente continuas (existe ).

Si es una variable aleatoria continua con densidad y una función derivable y

estrictamente monótona (creciente o decreciente), luego es también variable
aleatoria continua con densidad:

si ara algun

Si es una variable aleatoria continua con densidad y una función derivable y

estrictamente monótona (creciente o decreciente) de a tramos /
; luego es también variable aleatoria continua con densidad:

Ejemplo

Sea X con distribución Uniforme en el [0,1]. Se define Y= -log(x) (limitando el dominio de x a

(0,1] ). Encontrar FY(y).

23
Probabilidades II 3- Variables aleatorias

Ejercicios

3.1) Sea   1,2,3,4,5,6 y A   1,2,3,4, 3,4,5,6 (-álgebra generada por los

conjuntos {1,2,3,4} y {3,4,5,6}).
a) Escriba todos los elementos de A .
b) Dada X :   R , demostrar si se trata o no de una variable aleatoria en (, A) .
2 si   A  1,2,3,4
X ( )  
7 si   B  5,6

c) Encuentre una función que no sea una variable aleatoria en (, A) .

3.2) Sea A una -álgebra de subconjuntos de  y B  A

a) Pruebe que la función 1B :   R (función indicadora o característica de B) definida
por:
1 si w  B
1B ( w)   es una variable aleatoria.
 0 si w  B

b) Pruebe que la función indicadora verifica:

 1B∪C  ma x{1B ,1C }
 1BC  min{1B ,1C }
 1B C  1  1B

3.3) Sean X :   R e Y :   R dos variables aleatorias en (, A) . Pruebe que

Z :   R , con:

 X ( w) si w  A
Z ( w)   es una variable aleatoria.
 Y ( w) si w  A

3.4) Sea (, A, P ) un espacio de probabilidad y X :   R una variable aleatoria. Pruebe

que  a  R se verifica que:
a)  / X ( )  a  A
b)  / X ()  a  A
c)  / X ()  a  A
d)  / X ()  a  A

3.5) Sea (, A, P ) un espacio de probabilidad y X :   R , Y :   R dos variables

aleatorias. Pruebe que:
a)  X  c  es una variable aleatoria  c  R
b) cX es una variable aleatoria  c  R ; c  0
c)  X  Y  es una variable aleatoria
d) X 2 es una variable aleatoria

24
Probabilidades II 3- Variables aleatorias

e) ma x ( X , Y ) es una variable aleatoria

f) min ( X , Y ) es una variable aleatoria.

3.6) Sea X n nN una sucesión de variables aleatorias definidas sobre el mismo espacio de
probabilidad (, A, P ) .
a) Pruebe que Y :   R donde Y ()  su pX n (), n  N  es una variable aleatoria
b) Pruebe que Y :   R donde Y ()  in f X n (), n  N  es una variable aleatoria

3.7) Suponga 4 cartas idénticas rotuladas de la siguiente manera: aaa, abb, bab, bba. Las
mismas son puestas en una caja y mezcladas durante un cierto tiempo. Se extrae una carta
aleatoriamente. Sea la función X ( )  número de letras a en una extracción. ¿Es variable
aleatoria? Justifique.

3.8) Se eligen aleatoriamente 3 bolillas de una urna que contiene 3 blancas, 3 rojas y 5 negras.
Suponga que se gana $1 por cada bolilla blanca seleccionada y se pierde $1 por cada bolilla
roja seleccionada. Sea X ( ) una variable aleatoria que representa el resultado del
experimento en $ (notar que el resultado puede indicar una ganancia o una pérdida de
dinero). ¿Cuál es la probabilidad de ganar dinero al realizar el experimento?

25