Procesos Estocásticos

Departamento de Eléctrica y Electrónica

Dr. Marco J. Flores C.

Octubre 2018 - Febrero 2019

 Variables aleatorias

Variables aleatorias
Definición
Una variable aleatoria (v .a.) es una función que asigna valores reales a
los eventos de un espacio muestral S; así:

P(X ∈ A) = P(X −1 (A)) (1)

X −1 (A) es el evento que consta de todos los puntos de s ∈ S tal que

X (s) ∈ A ⊂ <.
Es decir, los posibles valores de una v.a. pueden representar los posibles
resultados de un experimento aún no realizado, o los posibles valores de
una cantidad cuyo valor actualmente existente es incierto.
X : S −→ <
s −→ X (s)
Nota:
{X ∈ A} := {s ∈ S : X (s) ∈ A}
P(X ∈ A) := P({X ∈ A}) = P({s ∈ S : X (s) ∈ A})
Dr. Marco J. Flores C. Procesos Estocásticos
 Variables aleatorias

Ejemplos de variables aleatorias

Gráficamente se tiene la siguiente representación de v.a para el

lanzamiento de un dado [?].

Dr. Marco J. Flores C. Procesos Estocásticos

 Variables aleatorias

Ejemplos de variables aleatorias

El siguiente cuadro muestra algunos ejemplos de v.a.

Nota 1: En la definición de v.a. también se define un nuevo espacio

muestral, el rango de la v.a..
Nota 2: Denotaremos a este nuevo espacio como SX .

Dr. Marco J. Flores C. Procesos Estocásticos

 Variables aleatorias

Ejemplo de variable aleatoria

Lanzamiento de una moneda
Considere el experimento de lanzar una moneda 3 veces. Definir la v.a.
X como el número de caras obtenidas en los tres lanzamientos.

s HHH HHT HTH THH TTH THT HTT TTT

X (s) 3 2 2 2 1 1 1 0

El rango de la variable X es SX =
{0, 1, 2, 3}. Por tanto, la probabili-
dad inducida es:

x 0 1 2 3
PX (X = x) 1/8 3/8 3/8 1/8

Por ejemplo, PX (X = 1) =
Figure: Lanzamiento de una
P({HTT , THT , TTH}) = 83 .
moneda 3 veces
Dr. Marco J. Flores C. Procesos Estocásticos
 Variables aleatorias

Distribución de una variable aleatoria

CDF
La función de distribución acumulada (cdf), FX (x), de una v.a. X se
define para cualquier número real como:

FX (x) = P(X 6 x) = P(X ∈ (−∞, x]) (2)

para toda x. Otra notación ampliamente usada es:

CDF
FX (x) = P({s ∈ S : X (s) 6 x}). (3)

Dr. Marco J. Flores C. Procesos Estocásticos

 Variables aleatorias

Clasificación de variables aleatorias

Dr. Marco J. Flores C. Procesos Estocásticos

 Variables aleatorias

Clasificación de variables aleatorias

Discretas
Una v.a. se dice discreta si existe un conjunto finito o un conjunto
contable (aplicación 1 − 1 con los números enteros) de valoresP distintos,
x1 , x2 , ..., tal que pi = P(X = xi ) > 0, para i = 1, 2... y i pi = 1. En
este caso la cdf es:
X
FX (x) = P(X = y ) (4)
y 6x

Continuas
Una v.a. se dice continua si existe una funcion fX (x), denominada
función de densidad de probabilidad (pdf), tal que, para cada conjunto A:
Z
P(X esta en A) = fX (x)dx (5)
A

Mixtas
Una v.a. mixta es aquella para la que algunos valores son discretos y
algunos son continuos.
Dr. Marco J. Flores C. Procesos Estocásticos
 Variables aleatorias

Clasificación de variables aleatorias

Relación entre CDF y pdf discretas
De la definición de v.a. discreta, FX (x), tiene forma escalonada. La
amplitud de un escalón será igual a la probabilidad de que se produzca el
valor de X correspondiente al punto donde esta definido el escalón:

X
+∞
Fx (x) = P(X = xi )u(x − xi ) (6)
i=1

donde u es la función escalón unitario.

Dr. Marco J. Flores C. Procesos Estocásticos

 Variables aleatorias

Clasificación de variables aleatorias

Relación entre CDF y pdf continuas

Rx
A partir de la definición de v.a. continua, FX (x) = −∞ fX (t)dt, se
tienen las relaciones:

d
fx (x) = FX (x) (7)
dx
Z x2
Fx (x2 ) − Fx (x1 ) = fX (t)dt (8)
x1

Definición alternativa de v.a. continua

Si P(X = x) = 0, para cada valor de x, entonces la v.a. es continua.

Dr. Marco J. Flores C. Procesos Estocásticos

 Variables aleatorias

Propiedades de la cdf

Teorema
La función FX (x) es una cdf si y solamente si cumple las siguientes
condiciones:
limx→−∞ FX (x) = 0 y limx→+∞ FX (x) = 1
d
FX (x) es una función no decreciente de x, es decir, dx FX (x) >0
FX (x) es continua a derecha, esto es, para cada x0 ,
limx↓x0 FX (x) = FX (x0 )

Clasificación de v.a. (opcional)

Una v.a. X es continua si FX (x) es una función continua de x
Una v.a. X es discreta si FX (x) es una función a trozos de x

Dr. Marco J. Flores C. Procesos Estocásticos

 Variables aleatorias

Ejercicios de cdf

Ejemplo 1
Una llamada telefónica ocurre al azar en el intervalo (0, 1). En este
experimento, los sucesos son las distancias de tiempo entre 0 y 1 y, la
probabilidad que t se encuentre entre t1 y t2 está dada por
P(t1 6 T 6 t2 ) = t2 − t1 . Se define la v.a. X (t) = t para 0 6 t 6 1.
Representar su cdf y pdf.

Ejemplo 2
Considere las funciones dadas por:

1
FX (x) = para − ∞ < x < ∞
1 + e −x

FX (x) = 1 − e −λx para x > 0 y λ > 0

Verificar que son cdf.

Dr. Marco J. Flores C. Procesos Estocásticos

 Variables aleatorias

Ejercicios de cdf

Ejemplo 3

Figure: CDF de lanzar 3 veces una moneda

Verificar que es una cdf y hallar su pdf.

Escribir FX (x) usando la función escalón unitario.

Dr. Marco J. Flores C. Procesos Estocásticos

 Variables aleatorias

Funciones de masa y de densidad (pdf)

Definición
La función de masa de probabilidad (pmf) de una variable aleatoria
discreta X está dada por:

fX (x) = P(X = x) = p(x) para toda x (9)

Definición
La función de densidad de probabilidad (pdf), fX (x), de una variable
aleatoria continua X es la función que satisface:
Zx
FX (x) = fX (t)dt para toda x (10)
−∞

En ambos casos se utilizará la abreviatura pdf

Dr. Marco J. Flores C. Procesos Estocásticos

 Variables aleatorias

Funciones de masa y de densidad (pdf)

Teorema: Propiedades de la pdf

Una función fX (x) es una pdf de una v.a. X (discreta o continua) si y
solamente si:
fX (x) > 0 para toda x
P R∞
x fX (x) = 1 (discreto) o −∞ fX (x)dx = 1 (continuo)

Matemáticamente, cualquier función no negativa que tenga integral

finita y positiva puede ser una pdf.

Sea h(x) una función positiva

R con integral finita y positiva sobre el
conjunto A, y sea K = A h(x)dx, entonces la pdf asociada es:

1
fX (x) = h(x)
K

Dr. Marco J. Flores C. Procesos Estocásticos

 Variables aleatorias

Ejercicios variables aleatorias

Ejemplo 1
Sea X una v.a. definida por la siguiente cdf:


 0 si x < −2

0.4 si − 2 6 x < 0.5
FX (x) =

 0.8 si 0.5 6 x < 3


1 si x > 3
Representar FX (x) y calcular la pmf de esta variable

Ejemplo 2
Sea X una v.a. definida por la pmf:
3 1
P(X = r ) = para r = 0, 1, 2, 3, 4
2 r !(4 − r )!

Hallar P(X = 3), P(1 6 X 6 2.5) y P(X 6 2.5).

Dr. Marco J. Flores C. Procesos Estocásticos
 Variables aleatorias

Ejercicios variables aleatorias

Ejemplo 3
Sea g (x) la función definida por la siguiente ecuación:

x si 0 < x < 5
g (x) =
0 caso contario

¿Es g (x) una pdf?

Si no lo es, ¿qué transformación debe sufrir para que lo sea?

Ejemplo 4
Sea X una v.a. dada por:

1
4 si |x| < 1
fX (x) = 1
4x 2 si |x| > 1

Verificar que se trata de una pdf y obtener la CDF

Dr. Marco J. Flores C. Procesos Estocásticos
 Variables aleatorias

Tarea para reforzar el conocimiento

Video
Revisar el siguiente video, para complementar el tema de v.a.
https://www.youtube.com/watch?v=yDYCRKeC6bw

Tarea
Desarrollar los ejercicios correspondientes a este tema.

Dr. Marco J. Flores C. Procesos Estocásticos