1 Variables aleatorias y sus distribuciones

De…nition 1 Sean y e dos conjuntos y g : ! e una función. La apli-

1 e
cación g de…nida sobre 2 y con valores en 2 como sigue:
n o
g 1 A e := ! 2 : g (!) 2 A e

se llama imagen recíproca de g:

Notation 2 h i
e =g
g2A 1 e
A

De…nition 3 Example 4 Sean = fa; b; c; dg , e := f0; 1; 2g y g la apli-

cación dada por:

g (a) = g (b) = 0
g (c) = g (d) = 1

Entonces
1 1
g (f1; 2g) = fc; dg = g (f1g)
1 1
g (f0; 1; 2g) = =g (f0; 1g)
1
g ( )=

Exercise 5 Sean y e dos conjuntos y g : ! e una función. Demostrar

que:
1
1. g ( )=

2. g 1 e =

3. g 1 e e =
A g 1 e
A

4. !
[ [
g 1 et
A = g 1 et
A
t2T t2T

5. !
\ \
g 1 et
A = g 1 et
A
t2T t2T

De…nition 6 Sean y e dos conjuntos, g : ! e una función y Ce una

colección de subconjuntos de e : Se de…ne:
n o
g 1 Ce := g 1 A e :A
e 2 Ce

1
Exercise 7 Sean 1 y 2 dos conjuntos no vacios arbitrarios. Supóngase que
g: e es una
! e es una función y que = álgebra sobre e : Demostrar que:

g 1 e
=

es una álgebra sobre :

Exercise 8 Sean y e conjuntos no vacios, f

6= M } e y g : !
e una aplicación. Demostrar que:

g 1 f
M =g 1 f
M

De…nition 9 Sean ( ; =) y e ; =e dos espacios medibles. Una aplicación

g: ! e se dice = =e medible, si y sólo si,

e =) g
B2= 1
(B) 2 =

e=
Example 10 Seano = fa; b; c; dg ; = = f ; fag ; fb; c; dg ; g y e = f1; 2; 3g ; =
n
; f3g ; f1; 2g ; e : Se tiene que:

f: ! e
a ! 3
b ! 1
c ! 2
d %

es = e medible.
=

g: ! e
a ! 1
b %
c ! 2
d %

no es = e medible pero es 2
= e medible.
=

Exercise 11 Sean ( i ; =i ) ; i = 1; 2; 3 espacios medibles. Supóngase que f :

1 ! 2 es =1 =2 medible y que g : 2 ! 3 es =2 =3 medible.
Demostrar que:
g f: 1 ! 3
! 7 ! g ( f (!))
es =1 =3 medible.

2
Proposition 12 Sean ( i ; =i ) ; i = 1; 2 espacios medibles. Supóngase que
=2 = (C). Entonces f : 1 ! 2 es =1 =2 medible, si y sólo si,
1
f (C) 2 =1 para todo C 2 C

Proof. =)) Inmediato pues C =2 :

(=) Sea
1
A := B 2 =2 : f (B) 2 =1
Por las propiedades de la imagen recíproca se tiene que A es una -álgebra
sobre 2 : Además, por hipótesis, C A: Por lo tanto,

=2 = (C) A:

Remark 13 De la proposición anterior se concluye que si ( ; =) es un espacio

medible entonces la aplicación

f: ! Rn

es = B (Rn ) medible, si y sólo si, una de las siguientes condiciones se satis-

face:

1. Para todo conjunto abierto A de Rn ; se satisface que f 1

(A) 2 =:
2. Para todo x 2 Rn ;

ff xg := f! 2 : f (!) xg 2 =:

3. Para todo x 2 Rn ;

ff < xg := f! 2 : f (!) < xg 2 =

4. Para todo x 2 Rn ;

ff xg := f! 2 : f (!) xg 2 =:

5. Para todo x 2 Rn ;

ff > xg := f! 2 : f (!) > xg 2 =

Exercise 14 Demostrar que si f : Rn ! Rm es una función continua en-

tonces f es B (Rn ) B (Rm ) medible.

Exercise 15 Demostrar que si f : R ! R es una función monótona entonces

f es B (R) B (R) medible.

3
Proposition 16 Sea ( ; =; P ) un espacio de probabilidad. Si f : ! R y
g: ! R son funciones = B (R)-medibles y 2 R entonces

f; f + g; f:g; max (f; g) ; min (f; g)

son = B (R)-medibles.
Proof. Como las funciones

x ! x
(x; y) ! x+y
(x; y) ! xy
(x; y) ! max (x; y)
(x; y) ! min (x; y)

son continuas y la composición de funciones medible es una función medible

entonces se obtiene el resultado.

De…nition 17 Sea f : ! R una función arbitraria. Se de…nen, respectiva-

mente, la parte positiva y la parte negativa de f como sigue:
+
f = f _ 0 := max (f; 0)
f = f ^ 0 := min (f; 0) = max ( f; 0)

Remark 18 Puesto que:

+ +
f =f f y jf j=f f
+
entonces si f es medible, f yf también lo son.

De…nition 19 Sean ( i ; =i ) ; i = 1; 2 espacios medibles y f : 1 ! 2 una

aplicación =1 =2 medible. La -álgebra generada por f denotada por (f ) es
la menor álgebra sobre 1 con respecto a la cual f es medible. Esto es,
1
(f ) = f (=2 )

Example 20 Sea 1 = fa; b; c; dg ; =1 = 2 1

; 2 = f1; 2g ; =2 = 2 2
y

f : 1 ! 2
a ! 1
b %
c %
d ! 2

entonces
(f ) = f ; fa; b; cg ; fdg ; 1g

Proposition 21 Sean ( ; =; P ) un espacio de probabilidad y f := (f1 ; f2 ; ; fn )

una aplicación de en Rn : Entonces f es = B (Rn )-medible, si y sólo si, para
cada i = 1; 2; ; n se tiene que fi : ! R es = B (R)-medible.

4
Proof. =)) Si f es = B (Rn )-medible entonces para cada xi 2 R; i =
1; 2; ; n se satisface que:
0 1
Y
f! 2 : fi (!) xi g = f 1 @( 1; xi ] RA
j6=i
8 9
< Y =
= !2 : f (!) 2 ( 1; xi ] R
: ;
j6=i

= f! 2 : f1 (!) 2 R; ; fi 1 (!) 2 R; fi (!) xi ; ; fn (!) 2 Rg

2 =:

(=) Si fi es = B (Rn )-medible para cada i = 1; 2; ; n y x = (x1 ; ; xn ) 2

n
R entonces:
n
\
f! 2 : f (!) xg = f! 2 : fi (!) xi g 2 =:
i=1

De…nition 22 Sean ( ; =; P ) un espacio de probabilidad y ( e ; =)e un espacio

medible. Una = = e función medible X se llama = = e variable aleatoria.
e = (R; B); entonces, se dice que X es una variable aleatoria real.
Si ( e ; =)
e = (Rn ; B (Rn )); entonces, se dice que X es un vector aleatorio
Si ( e ; =)
n dimensional.

Remark 23 Sea ( ; =; P ) un espacio de probabilidad. Es claro que:

X : ! Rn
! ! (X1 (!) ; X2 (!) ; ; Xn (!))

es un vector aleatorio n-dimensional, si y sólo si, para cada i = 1; 2; ; n se

tiene que Xi es una variable aleatoria real.
e un espacio
De…nition 24 Sean ( ; =; P ) un espacio de probabilidad, ( e ; =)
medible y X : e e
! una = =-variable aleatoria. Se de…ne:

PX : e
= ! [0; 1]
B ! P (X 2 B)

PX se llama distribución de la variable aleatoria X o medida de probabilidad

inducida por X:

Example 25 Sea ( ; =; P ) un espacio de probabilidad dado por = fa; b; c; dg ; = =

2 y P la medida de probabilidad determinada por:

! a b c d
1 3 2 1
P (!) 7 7 7 7

5
 n o
e=
Supóngase que e = f1; 2; 3g ; = ; f2g ; f1; 3g ; e y

X : ! e
a ! 2
b ! 1
c %
d ! 3
Entonces
PX : e
= ! [0; 1]
! 0
1
f2g ! 7
6
f1; 3g ! 7
e ! 1

Exercise 26 Demostrar que PX es una medida de probabilidad sobre e :

e; =

De…nition 27 Sea ( ; =; P ) un espacio de probabilidad y X : ! R una

variable aleatoria real. La función de…nida sobre R y con valores en [0; 1] por:

FX (x) := P (X x)

se llama distribución de la variable aleatoria X:

Example 28 Sean ( ; =; P ) un espacio de probabilidad arbitrario y A 2 = …jo.

La función de distribución F de la variable aleatoria XA está dada por:
8
< 0 si x < 0
F (x) = P (Ac ) si 0 x < 1 N
:
1 si x 1
Example 29 Supóngase que se lanza una moneda corriente tres veces consec-
utivas y sea X la variable aleatoria de…nida por:

X := “número de caras obtenidas”

En este caso se tiene que la función de distribución de X es igual a:

8
>
> 0 si x < 0
>
>
>
> 1
si 0 x<1
>
> 8
<
1
FX (x) = 2 si 1 x<2
>
>
>
> 7
si 2 x<3
>
> 8
>
>
:
1 si x 3

Remark 30 Del teorema de extensión de Caratheodory se sigue que, la dis-

tribución de una variable aleatoria queda completamente determinada por la
función de distribución de la variable.

6
Theorem 31 Sea X una variable aleatoria real de…nida sobre ( ; =; P ): La
función de distribución FX satisface las siguientes condiciones:

1. Si x y entonces FX (x) FX (y)

2. FX (x+ ) := lim+ FX (x + h) = FX (x) para todo x 2 R:
h!0

3. lim FX (x) = 1
x!1

4. lim FX (x) = 0
x! 1

Proof.
1. Si x y entonces

f! 2 : X(!) xg f! 2 : X(!) yg

por lo tanto:

FX (x) = P (X x) P (X y) = FX (y):

2. Sea x 2 R …jo. Supóngase que (xn )n es una sucesión decreciente de

números reales cuyo límite es x: Esto es:

x1 x2 >x y lim xn = x
n!1

se observa que:
fX x1 g fX x2 g
y que
1
\
fX xn g = fX xg:
n=1

Por lo tanto, de las propiedades de la medida de probabilidad P; se sigue

que:

FX (x+ ) = lim FX (xn ) = lim P (X xn ) = P (X x) = FX (x)

n!1 n!1

3. Es evidente, que para todo n 2 N; se satisface:

fX ng fX (n + 1)g

además
1
[
= fX ng:
n=1

Por lo tanto,

lim FX (x) = lim FX (n) = lim P (X n) = P ( ) = 1:

x!1 n!1 n!1

7
 4. Es claro que, para todo n 2 N; se satisface:

fX ng fX (n + 1)g

y que además,
1
\
= fX ng:
n=1

Por lo tanto:

lim FX (x) = lim FX ( n) = lim P (X n) = P ( ) = 0:

x! 1 n!1 n!1

Remark 32 Una función de variable y valor real F que satisface las siguientes
condiciones:

1. F es creciente.
2. F es continua a derecha.
3.
lim F (x) = 1 y lim F (x) = 0
x!1 x! 1

se llama función de distribución.

Proposition 33 Sea F una función de distribución. Entonces existe un espacio

de probabilidad ( ; =; P ) y una variable aleatoria X de…nida sobre él
cuya función de distribución es F:
Proof. Sean = R; = = B (R) y A el álgebra de todos los intervalos de la
forma (a; b] con 1 a < b 1: Sea P de…nida sobre A por:

P ((a; b]) = F (b) F (a)

Por ser F una función de distribución se tiene que P es una "medida de proba-
bilidad" sobre el álgebra A: Por el teorema de Caratheodory P se puede extender
a una medida de probabilidad Pb sobre (A) = B (R) : Sobre el espacio de prob-
abilidad R; B (R) ; Pb se de…ne la variable aleatoria X como:

X (!) := !

Es claro que FX = F:

Corollary 34 Sean X una variable aleatoria real de…nida sobre ( ; =; P ), FX su

función de distribución y a; b 2 R con a < b: Demostrar que:

1. FX (x ) := lim FX (x h) = P (X < x)
h!0+

2. P (a X b) = FX (b) FX (a )

8
 3. P (a < X b) = FX (b) FX (a)
4. P (a X < b) = FX (b ) FX (a )
5. P (a < X < b) = FX (b ) FX (a)
6. P (X = a) = FX (a) FX (a )
7. Si P (a < X < b) = 0 entonces FX es constante en el intervalo (a; b):

De…nition 35 Las variables aleatorias se clasi…can de acuerdo con su función

de distribución. Si la función de distribución FX ; de la variable aleatoria X; es
una función escalonada, entonces se dice que X es una variable aleatoria disc-
reta, si FX es continua, entonces, se dice que X es una variable aleatoria con-
tinua y si FX se puede expresar como una combinación lineal de una función
escalonada y una función continua, entonces, se dice que X es una variable
aleatoria mixta.

De…nition 36 Sea X una variable aleatoria real y FX su función de distribu-

ción. Se dice que FX presenta un salto en el punto a 2 R si

FX (a) FX a 6= 0

La diferencia FX (a) FX (a ) se llama magnitud del salto en el punto a:

Exercise 37 Demostrar que si X es una variable aleatoria discreta entonces el

número de saltos de FX es a lo más numerable.

Exercise 38 Demostrar que toda función de distribución F se puede expresar

como una combinación lineal de la forma

F = Fd + Fc

donde y son constantes no negativas con + = 1 y donde Fd es un función

de distribución discreta y Fc es un función de distribución continua.

De…nition 39 Sea X = (X1 ; X2 ; ; Xn ) un vector aleatorio n-dimensional

de…nido sobre un espacio de probabilidad ( ; =; P ) . La distribución PX de X se
llama distribución acumulativa conjunta de las variables aleatorias X1 ; X2 ; ; Xn : La
función FX de…nida sobre Rn y con valores en [0; 1] por:

FX (x) := FX (x1 ; x2 ; ; xn )
= PX (( 1; x])
= P (X1 x1 ; X2 x2 ; ; Xn xn )

se llama función de distribución acumulativa conjunta de las variables aleatorias

X1 ; X 2 ; ; Xn :
Para cada j = 1; 2; ; n la función de distribución FXj de la variable
aleatoria Xj se llama distribución marginal de Xj :

9
Theorem 40 Sea X = (X1 ; X2 ; :::; Xn ) un vector aleatorio n-dimensional. La
función de distribución acumulativa conjunta F de las variables aleatorias X1 ; X2 ; :::; Xn
posee las siguientes propiedades:
b
1. aF 0; para todo a = (a1 ; ; an ) ; b = (b1 ; ; bn ) 2 Rn ; con a
b;donde:
!
P
n
X i
b
aF := ( 1) F ( 1 a1 + (1 1 )b1 ; ; n an
i=1

f n
1; ; n g2f0;1g

+(1 n )bn ) :

2. F es continua a derecha en cada componente.

3. Para todo a1 ; ; ai 1 ; ai+1 ; an 2 R; i = 1; ; n; se satisface:
0 1
B C
lim F @a1 ; ; ai 1; x ; ai+1 ; an A = 0:
x& 1 #
lugar i

4.
lim F (x1 ; ; xn ) = 1:
(x1 ; ;xn )!(1; ;1)

Proof. Se hace la demostración para el caso n = 2: El caso general se trabaja

de manera análoga.

1. Sean a = (a1 ; a2 ); b = (b1 ; b2 ); con a1 < b1 y a2 < b2 ; y:

A := f(x; y) 2 R2 : x b1 ; y b2 g
2
B := f(x; y) 2 R : x a1 ; y a2 g
2
C := f(x; y) 2 R : x a1 ; y b2 g
2
D := f(x; y) 2 R : x b1 ; y a2 ):

Si I := (A C) (D B) ; entonces, es claro que:

0 PX (I) = (PX (A) PX (C)) (PX (D) PX (B))

= PX (A) + PX (B) PX (C) PX (D)
= F (b1 ; b2 ) + F (a1 ; a2 ) F (a1 ; b2 ) F (b1 ; a2 )
b
= aF

2. Se debe veri…car que:

lim F (x; y) = F (x0 ; y) (1)

x&x0

10
 y que
lim F (x; y) = F (x; y0 ) (2)
y&y0

Se hace la demostración de (1) . La otra queda como ejercicio.

lim F (x; y) = lim P (X x; Y y)

x&x0 x&x0

=P lim (X x; Y y)
x&x0

= P (X x0 ; Y y)
= F (x0 ; y)

3. Puesto que:

lim [X x; Y y] = lim ([X x] \ [Y y])

x& 1 x& 1

= \ [Y y] =

se tiene:

lim P [X x; Y y] = P lim [X x; Y y]
x& 1 x& 1

= P ( ) = 0:

Análogamente, se veri…ca que:

lim P [X x; Y y] = 0
y& 1

4. Es claro que:

lim F (x; y) = lim lim P (X x; Y y)

(x;y)!(1;1) x!1 y!1

= lim P (X x) = 1:
x!1

Exercise 41 Sea X = (X1 ; X2 ; ; Xn ) un vector aleatorio n-dimensional

de…nido sobre un espacio de probabilidad ( ; =; P ). Demostrar que:

FXj (x) = lim lim lim lim F (x1 ; ; xn ):

x1 !1 xj 1 !1xj+1 !1 xn !1

para j = 1; 2; ; n:

Liliana Blanco C.

11