Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Taller de Teoría de La Probabilidad. Clase 7
Taller de Teoría de La Probabilidad. Clase 7
Dibuje el
gráfico de la distribución de X . FX (x) = P (X 6 x) = P (X 6 2), p(1)=P(X=1)=4/16
P (X = x) = 0
FX (x)
1
15
16
11
16
5
16
1
16
0 1 2 3 4 x
TeXmacs
FX (x)
1 x
0
Definición 1.
a) La variable aleatoria X es discreta si toma un número finito o numerable de valores, es decir,
si existe un número finito o numerable fx1; x2; : : : g R tal que X(!) 2 fx1; x2; : : : g para
todo ! 2
. La función p(xi) definida por p(xi) = P (X = xi); i = 1; 2; : : : , se llama función
de probabilidad (o función de frecuencia) de X.
X(
) fx1; x2; : : : :g
b) La variable aleatoria X es (absolutamente) continua si existe una función f (x) > 0 tal que
Z x
FX (x) = f (t)dt; 8x 2 R:
¡1
Observación 1.
a) Si X es discreta, entonces [X 6 x] = [i:xi 6x[X = xi], luego
X X
FX (x) = P (X = xi) = p(xi):
i:xi 6x i:xi 6x
Si X es absolutamente continua, entonces FX , siendo una integral indefinida de f , es continua.
Técnicamente, la integral de la Definición 2.3(b) es de Lebesgue, y X tiene densidad si, y
solamente si, FX es absolutamente continua (i.e. FX es la integral de su derivada: Royden [18],
p.104-7). En este caso, f (x) = FX0 (x) en todo punto, excepto en un conjunto de medida de
Lebesgue nula (se dice que f = FX0 , en casi todo punto). Un conjunto B R tiene medida de
Lebesgue nula si tiene longitud total <" cuya unión incluye a B .
0 1 2 3 4
" " " "
4 8 16 32
"
<"
2
R1
Una función f (x) > 0 es la densidad de alguna variable aleatoria si, y solamente si, ¡1
f (x)dx =
1, ya que en este caso F definida por
Z x
F (x) = f (t)dt
¡1
Pero sin recurrir a la Teoría de la Medida, ¾cómo vamos a verificar si X tiene densidad? Podemos
usar el siguiente criterio, válido en casi todos los casos que surgen en la práctica:
X tiene densidad si FX es (i) continua y (ii) derivable por tramos, i.e., si FX es derivable en el
interior de un número finito o numerable de intervalos cerrados cuya unión es la recta R. (En
este caso, la derivada es la densidad de X .) En particular, X tiene densidad si FX es continua y
derivable en todo punto excepto en un número finito de puntos, o si FX es continua y derivable
en todo punto excepto en los enteros.
Por ejemplo, sea
8
>
< 0; x < 0;
FX (x) = x; 0 6 x 6 1;
>
: 1; x > 1:
FX (x)
0 x
1
Figura 1.
La densidad de X está dada por
1; x 2 (0; 1)
f (x) = FX0 (x) =
0; x < 0 o x > 1:
FY (y)
1
9
>
= 1 ¡ 1
2
=P Y = 2
>
;
1/2
1/2 y
Figura 2.
[X 6 1] = f! 2
: X(!) 6 1g
Ejemplo 1. Una función de distribución de una variable aleatoria que no es discreta, continua ni
mixta. Nuestra función será continua, derivable en todo punto excepto en un conjunto de medida
de Lebesgue nula, pero no será absolutamente continua: vamos a considerar la función de Cantor .
Definamos F (x) = 0 para x < 0; F (x) = 1 para x > 1. Continuemos por etapas.
Etapa 1. Sea F (x) = 1/2 en (1/3; 2/3). Entonces el valor de F en ese intervalo es la media
de los valores en los dos intervalos vecinos en los que F ya fue definida ((¡1; 0) y (1; 1) y F
continúa sin estar definida en dos intervalos ([0; 1/3] y [2/3; 1]) de longitud total 2/3.
F (x)
3/
4
1/
2
1/
4
1 2 1 2 7 8 1
9 9 3 3 9 9
Entonces definimos F por inducción en una cantidad numerable de intervalos abiertos, cuyo
complemento (i.e., el conjunto donde F aún no está definida) es el conjunto de Cantor, un
conjunto de medida de Lebesgue cero (longitud 0).
Ahora sea X una variable aleatoria cuya función de distribución es F , la función de Cantor.
Entonces X no es discreta (F es continua), ni de tipo mixto(por la misma razón), y tampoco es
Rx
continua (X no tiene densidad, pues F (x) = 0 en C y ¡1 F 0(t)dt = 0, i.e., F no es la integral
0 c
I1 I2 I3 I4 I
|{z}} ||||||||||{z}}}}}}}}}}5
1ra etapa 2da etapa
Podemos describir el caso singular en los siguientes términos: X es singular si, y solamente si,
existe un conjunto B de medida cero tal que P (X 2 B) = 1 y FX es continua (i.e. P (X = x) = 0
para todo x 2 R).
Vamos a ver ahora que toda variable aleatoria es una mezcla de los tres tipos: discretos, abso-
lutamente continuo y singular.
Sea X una variable aleatoria cualquiera y sea F su función de distribución. Si J = fx1; x2; : : : g
es el conjunto de los puntos de salto de F (si F fuese continua, J = ;), indiquemos con pi el
salto en el punto xi, i.e.,
pi = F (xi) ¡ F (xi¡):
Definimos
X
Fd(x) = pi:
i:xi 6x
F = Fd + Fac + Fs:
EJEMPLO
Suponga X U [0; 1] y Y = min (X ; 1/2). Ya vimos que
8
>
> 0; x < 0
< 1
FY (x) = x; 0 6 x < 2
>
>
: 1; x > 1 :
2
J = f1/2g
8
< 0; x < 1
Fd(x) = 2
: 1 1
x> 2
2
8
>
> 0; x < 0
>
>
< 1; x 2 ¡ 0; 1
>
f (x) = ¡
2
>
> 1
0; x 2 2 ; +1
>
>
>
: 0; c:c
Rx
Fac(x) = ¡1
f (t)dt
8
>
> 0; x < 0
< 1
Fac = x; 0 6 x < 2
>
>
: 1; x > 1
2 2
8
>
> 0; x < 0
< 1
Fs(x) = FY (x) ¡ Fac(x) ¡ Fd(x) = 0; x 2 0; 2
>
>
: 0; x > 1
2
¾Cuál es la densidad de X ?
9) Sea X una variable aleatoria con densidad
8
< 1
; si x > 0
f (x) = (1 + x)2
: 0; c:c: