Variables aleatorias

Estadstica I curso 20082009

Ignacio Cascos Fernandez
Departamento de Estadstica
Universidad Carlos III de Madrid
Una variable aleatoria es un valor numerico que se corresponde con una
cierta caracterstica cuantitativa de un experimento aleatorio. A continuaci on
la denimos formalmente.
Denicion 1. Dado un experimento aleatorio con espacio muestral E (y pro-
babilidad asociada P), una variable aleatoria X es una aplicacion del espa-
cio muestral E en R que satisface cierta propiedad matematica denominada
medibilidad.
Esto es, una variable aleatoria es una aplicaci on
X : E R
tal que para cualquier conjunto de n umeros reales B, se cumple que su anti-
imagen por X, que obtenemos como X
1
(B) = {e E : X(e) B}, es un
suceso asociado al experimento aleatorio.
Asociada a una variable aleatoria X, podemos denir una probabilidad
en la que el espacio muestral es R y los sucesos son subconjuntos de R. Es
decir, la aplicacion P
X
que asigna a cada conjunto de n umeros reales B el
valor P
X
(B) = P
_
X
1
(B)
_
es una probabilidad. Habitualmente escribiremos
P(X B) en lugar de P
X
(B) y hablaremos de la probabilidad de que la
variable aleatoria X tome un valor en B.
Variables aleatorias discretas, funci on de probabilidad. Una varia-
ble aleatoria discreta toma un conjunto nito o numerable de valores. Si X
es discreta y toma valores en {x
1
, x
2
, . . .}, la probabilidad que induce queda
completamente determinada por su funcion de probabilidad. La funcion de
probabilidad es una aplicaci on p : R R tal que p(x) 0 y verica
p(x) = P(X = x) para cualquier x R. As, para los valores x
i
que puede
1
tomar X, se tiene p(x
i
) = P(X = x
i
) > 0, mientras que si x / {x
1
, x
2
, . . .},
entonces p(x) = 0. Para cualquier conjunto de n umeros reales B, se cumple
P(X B) =

x
i
B
p(x
i
).
Variables aleatorias continuas, funcion de densidad. Entre los valo-
res que puede tomar una variable aleatoria continua est a contenido un
intervalo de n umeros reales. La probabilidad que induce una variable aleato-
ria continua queda completamente determinada por su funcion de densidad.
La funcion de densidad es una aplicacion f : R R tal que f(x) 0
y adem as
_
+

f(x)dx = 1. Si f es la funcion de densidad asociada a una

variable aleatoria X, entonces para cualquier conjunto de n umeros reales B,
se cumple
P(X B) =
_
B
f(x)dx,
en concreto, dados a, b R, tenemos que P(a X b) =
_
b
a
f(x)dx.
Sobre las variables aleatorias continuas es importante destacar que dado
cualquier n umero real cualquiera jo, la probabilidad de que una variable
aleatoria continua tome exactamente ese valor es siempre cero.
Funcion de distribuci on de una variable aleatoria. Una funcion de
distribucion sobre R es una funci on F : R R tal que
F es creciente;
F es continua por la derecha, es decir para cualquier x
0
R, se cumple
lm
xx
+
0
F(x) = F(x
0
);
lm
x
F(x) = 0;
lm
x+
F(x) = 1.
La funcion de distribucion de una variable aleatoria X se dene
para cualquier x R como F(x) = P(X x). Se puede probar que cumple
las cuatro condiciones anteriores y adem as determina completamente la dis-
tribuci on de X, es decir la probabilidad inducida por X a la que habamos
denotado P
X
.
2
Si X es discreta, toma los valores {x
1
, x
2
, . . .} y tiene funci on de proba-
bilidad p, entonces
F(x) =

x
i
x
p(x
i
) .
La funci on de distribucion de una variable aleatoria discreta es escalonada
(constante a trozos).
Si X es continua y tiene funci on de densidad f, entonces
F(x) =
_
x

f(t)dt .
La funcion de distribuci on de una variable aleatoria continua es continua y
su derivada es la funci on de densidad, es decir, F

(x) = f(x) para cualquier

x R.
Dados a, b R tales que a < b, podemos calcular la probabilidad de
que X este en cualquier intervalo de extremos a y b utilizando su funci on de
distribuci on seg un las siguientes relaciones.
P(a < X b) = P(X b) P(X a) = F(b) F(a);
P(a X b) = P(X b) P(X < a) = F(b) lm
xa

F(x);
P(a < X < b) = P(X < b) P(X a) = lm
xb

F(x) F(a);
P(a X < b) = P(X < b) P(X < a) = lm
xb

F(x) lm
xa

F(x).
Esperanza matematica o media. La esperanza matematica o media
de una variable aleatoria X representa el valor promedio de los valores que
toma la variable.
Si X es discreta, entonces su esperanza se dene como
E[X] =

i
x
i
p(x
i
).
Si X es continua, entonces su esperanza se dene como
E[X] =
_
+

xf(x)dx.
Se denota como o
X
para hacer referencia a la variable aleatoria.
3
Propiedades de la media. Dadas X, Y variables aleatorias y a, b R, se
cumple
E[aX + b] = aE[X] + b;
E[X + Y ] = E[X] +E[Y ].
Dada una funci on g : R R y una variable aleatoria X, la esperanza
de la transformaci on de X por g, se dene como E[g(X)] =

i
g(x
i
)p(x
i
) si
X es discreta y E[g(X)] =
_
+

g(x)f(x)dx si X es continua.
Varianza. La varianza representa la dispersi on que tiene una variable
aleatoria en torno a su media, es la distancia cuadr atica promedio a la media.
La varianza de una variable aleatoria X se dene como
var[X] = E
_
(X E[X])
2

.
Habitualmente se denota como
2
o
2
X
para hacer referencia a la varia-
ble aleatoria. La desviacion tpica de una variable aleatoria es la raz
cuadrada positiva de su varianza,
_
var[X], se denota como o
X
.
Propiedades de la varianza. Dada X una variable aleatoria y a, b R,
se cumple
var[X] = E[X
2
]
_
E[X]
_
2
;
var[b] = 0;
var[aX] = a
2
var[X];
var[aX + b] = a
2
var[X].
Desigualdad de Chebichev. La desigualdad de Chebichev nos da una
cota que depende de la varianza para la probabilidad de que los valores que
toma una variable aleatoria esten en un entorno de su media.
Si una variable aleatoria X tiene media y varianza
2
y dado k > 0,
la probabilidad de obtener un valor que diste de al menos k es a lo sumo
1/k
2
.
4
Las siguientes cuatro expresiones son equivalentes y representan la de-
sigualdad de Chebichev, sea = E[X],
2
= var[X] y k, > 0,
P
_
|X | k
_

1
k
2
;
P
_
|X |
_


2

2
;
P
_
k < X < + k
_
1
1
k
2
;
P
_
< X < +
_
1

2

2
.
Otras medidas caractersticas asociadas a una variable aleatoria.
Mediana: Me
X
es un valor tal que F(Me
X
) = 1/2 ;
Cuantiles: Dado p (0, 1), construimos x
p
como el valor tal que
F(x
p
) = p ;
Momento de orden k respecto de la media:
k
= E[(X )
k
] ;
Coeciente de Asimetra: CA =
3
/
3
;
Coeciente de Apuntamiento o curtosis: CAp =
4
/
4
3 .
Transformaciones de variables aleatorias. Dada una variable aleatoria
X y una funcion g : R R, puede interesarnos la distribuci on de la variable
Y = g(X). En general, tenemos
F
Y
(y) = P(g(X) y) = P(X A
y
) ,
donde A
y
= {x : g(x) y}. En muchos casos, por ejemplo cuando g es
mon otona, los conjuntos A
y
son sencillos de describir y su probabilidad f acil
de calcular a partir de la funci on de distribuci on de X. En tales casos, lo
m as recomendable es seguir la expresion anterior y, caso de que necesitemos
la funcion de densidad de Y , derivar con respecto de y.
Si X es discreta, tenemos
F
Y
(y) = P(g(X) y) =

g(x
i
)y
p
X
(x
i
) ;
p
Y
(y) = P(g(X) = y) =

g(x
i
)=y
p
X
(x
i
) .
5
Si X es continua y g es derivable e inyectiva, entonces la variable aletoria
Y = g(X) tiene funci on de densidad
f
Y
(y) = f
X
(x)

dx
dy

.
Independencia de variables aleatorias. Dos variables aleatorias X e Y
denidas en un mismo espacio de probabilidad, se dicen independientes si
para cualesquiera conjuntos de n umeros reales B
1
, B
2
se cumple
P
_
(X B
1
) (Y B
2
)
_
= P(X B
1
)P(Y B
2
).
Equivalentemente X e Y son independientes si para cualesquiera x, y R,
se cumple
P
_
(X x) (Y y)
_
= P(X x)P(Y y).
Propiedad de las variables independientes. Si dos variables aleatorias
X e Y son independientes, entonces la varianza de su suma es igual a la suma
de sus varianzas,
var[X + Y ] = var[X] + var[Y ].
6