Wuolah Free TEMA 5

TEMA-5.
pdf
mosanac
Elementos de Probabilidad y Estadística
2º Grado en Matemáticas
Facultad de Matemáticas
Universidad de Sevilla
Reservados todos los derechos.

No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad.
TEMA 5
INTRODUCCIÓN.
Dado un experimento aleatorio ξ, en este tema introduciremos fundamentalmente la
noción de variable aleatoria real y función de distribución. Un esquema de lo que se
estudiará, es el siguiente:

FUNCIÓN INVERSA. PROPIEDADES.
Sean Ω y Ω’ dos espacios muestrales, y sean 𝒫(Ω) y 𝒫(Ω’) sus correspondientes partes.
Sea X una función puntual X: Ω ⟶ Ω’, se llama función inversa de X a la función:
𝑋 −1 : 𝒫(Ω′ ) → 𝑃(Ω)
Definida por
𝑋 −1 (𝐴′ ) = {𝜔 ∈ Ω ; 𝑋(𝜔) ∈ 𝐴′ } ∈ 𝒫(Ω), ∀𝐴′ ∈ 𝒫(Ω′ )
A 𝑋 −1 (𝐴′ ) se le denomina imagen inversa de A’.
Propiedades.
1. 𝑋 −1 (∅) = ∅ , 𝑋 −1 (Ω′ ) = Ω
𝑋 −1 (∅) = {𝜔 ∈ Ω ; 𝑋(𝜔) ∈ ∅} = ∅
𝑋 −1 (Ω′ ) = {𝜔 ∈ Ω ; 𝑋(𝜔) ∈ Ω′ } = Ω
2. X −1 (A̅′ ) = ̅̅̅̅̅̅̅̅̅̅
X −1 (A′ )
̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅
𝑋 −1 (𝐴̅′ ) = {𝜔 ∈ Ω ; 𝑋(𝜔) ∈ 𝐴̅′ } = {𝜔 ∈ Ω ; 𝑋(𝜔) ∉ 𝐴′ } = {𝜔 ∈ Ω ; 𝑋(𝜔) ∈ 𝐴′ } = ̅̅̅̅̅̅̅̅̅̅̅
𝑋 −1 (𝐴′ )
a64b0469ff35958ef4ab887a898bd50bdfbbe91a-3715572
3. X −1 (⋃i∈I A′i ) = ⋃i∈I X −1 (A′i )
𝑋 −1 (⋃ 𝐴′𝑖 ) = {𝜔 ∈ Ω ; 𝑋(𝜔) ∈ ⋃ 𝐴′𝑖 } = {𝜔 ∈ Ω ; 𝑋(𝜔) ∈ 𝐴′𝑖 para algún 𝑖 ∈ 𝐼} =

𝑖∈𝐼 𝑖∈𝐼
=⋃ {𝜔 ∈ Ω ; 𝑋(𝜔) ∈ 𝐴′𝑖 } = ⋃ 𝑋 −1 (𝐴′𝑖 )

4. X −1 (⋂i∈I A′i ) = ⋂i∈I X −1 (A′i )
𝑋 −1 (⋂ 𝐴′𝑖 ) = {𝜔 ∈ Ω ; 𝑋(𝜔) ∈ ⋂ 𝐴′𝑖 } = {𝜔 ∈ Ω ; 𝑋(𝜔) ∈ 𝐴′𝑖 para todo 𝑖 ∈ 𝐼} =
=⋂ {𝜔 ∈ Ω ; 𝑋(𝜔) ∈ 𝐴′𝑖 } = ⋂ 𝑋 −1 (𝐴′𝑖 )

5. A′ ⊂ B ′ ⇒ X −1 (A′ ) ⊂ X −1 (B ′ )
𝑋 −1 (𝐴′ ) = {𝜔 ∈ Ω ; 𝑋(𝜔) ∈ 𝐴′ } = {𝜔 ∈ Ω ; 𝑋(𝜔) ∈ 𝐵′ } = 𝑋 −1 (𝐵′ )

6. Si 𝒜 ′ es un σ-álgebra de sucesos de Ω′, entonces X −1 (𝒜′ ) es un σ-álgebra de Ω.
1. 𝒜 ′ es 𝜎-álgebra ⇒ Ω′ ∈ 𝒜′ ⇒ 𝑋 −1 (Ω′ ) ∈ 𝑋 −1 (𝒜 ′ ) ⇒ Ω ∈ 𝑋 −1 (𝒜′ )
2. 𝐴 ∈ 𝑋 −1 (𝒜 ′ ) ⇒ ∃ 𝐴′ ∈ 𝒜 ′ ; 𝑋 −1 (A′ ) = A
̅̅̅̅̅̅̅̅̅̅̅
Como 𝒜′ es 𝜎 − álgebra ⇒ 𝐴̅′ ∈ 𝒜 ′ ⇒ 𝑋 −1 (𝐴̅′ ) ∈ 𝑋 −1 (𝒜′ ) ⇒ 𝑋 −1 (𝐴̅′ ) = 𝑋 −1 (𝐴′ )
= 𝐴̅ ∈ 𝑋 −1 (𝒜′ )
3. 𝐴1 , … , 𝐴𝑛 , … ∈ 𝑋 −1 (𝒜 ′ ) ⇒ ∃ 𝐴1′ , … , 𝐴′𝑛 , … ∈ 𝒜 ′ tal que 𝑋 −1 (𝐴′𝑛 ) = 𝐴𝑛 ∀𝑛 ∈ ℕ
Como 𝒜 ′ es 𝜎-álgebra ⇒ ⋃𝑛 𝐴′𝑛 ∈ 𝒜 ′ ⇒ 𝑋 −1 (⋃𝑛 𝐴′𝑛 ) ∈ 𝑋 −1 (𝒜 ′ ) ⇒
⋃𝑛 𝑋 −1 (𝐴′𝑛 ) = ⋃𝑛 𝐴𝑛 ∈ 𝑋 −1 (𝒜′ ).
7. Si 𝒞 ′ es una familia no vacía de subconjuntos de Ω′ , entonces se verifica

X −1 (σ(𝒞 ′ )) = σ(X −1 (𝒞 ′ ))
𝒞 ′ ⊂ 𝜎(𝒞 ′ )
Recordemos: 𝜎(𝒞 ′ ) {∀𝒜 𝜎-álgebra ; 𝒞 ′ ⊂ 𝒜 ⇒ 𝜎(𝒞 ′ ) ⊂ 𝒜
mínimo σ-álgebra
⊃ Como 𝒞 ′ ⊂ 𝜎(𝒞 ′ ) ⇒ 𝑋 −1 (𝒞 ′ ) ⊂ 𝑋 −1 (𝜎(𝒞 ′ ))
¡Repartimos 9.000€ en Becas! ¿Te interesa?

Como 𝑋 −1 (𝜎(𝒞 ′ )) es un 𝜎 − álgebra ⇒ 𝜎(𝑋 −1 (𝒞 ′ )) ⊂ 𝑋 −1 (𝜎(𝒞 ′ ))
⊂ Sea 𝐵′ = {𝐴′ ⊂ Ω′ ; 𝑋 −1 (𝐴′ ) ∈ 𝜎(𝑋 −1 (𝒞 ′ ))}
Por construcción 𝑋 −1 (𝐵′ ) ⊂ 𝜎(𝑋 −1 (𝒞 ′ ))
Veamos que 𝐵′ es 𝜎-álgebra:
1. 𝑋 −1 (Ω′ ) = Ω. Como 𝜎(𝑋 −1 (𝒞 ′ )) es un 𝜎 − á𝑙𝑔𝑒𝑏𝑟𝑎 ⇒ Ω ∈ 𝜎(𝑋 −1 (𝒞 ′ )) ⇒ Ω′ ∈ 𝐵′
2. ̅̅̅̅̅̅̅̅̅̅̅
𝐴′ ∈ 𝐵′ ⇒ 𝑋 −1 (𝐴′ ) ∈ 𝜎(𝑋 −1 (𝒞 ′ )) ⇒ 𝑋 −1 (𝐴′ ) ∈ 𝜎(𝑋 −1 (𝒞 ′ )) ⇒
𝑋 −1 (𝐴̅′ ) ∈ 𝜎(𝑋 −1 (𝒞 ′ )) ⇒ 𝐴̅′ ∈ 𝐵′
3. {𝐴′𝑛 } ∈ 𝐵′ ⇒ 𝑋 −1 (𝐴′𝑛 ) ∈ 𝜎(𝑋 −1 (𝒞 ′ )) ∀𝑛 ∈ ℕ ⇒ ⋃𝑛 𝑋 −1 (𝐴′𝑛 ) ∈ 𝜎(𝑋 −1 (𝒞 ′ )) ⇒
𝑋 −1 (⋃𝑛 𝐴′𝑛 ) ∈ 𝜎(𝑋 −1 (𝒞 ′ )) ⇒ ⋃𝑛 𝐴′𝑛 ∈ 𝐵′
Luego 𝐵′ es 𝜎-álgebra.

𝒞 ′ ⊂ 𝐵′ ⇒ 𝜎(𝒞 ′ ) ⊂ 𝐵′ ⇒ 𝑋 −1 (𝜎(𝒞 ′ )) ⊂ 𝑋 −1 (𝐵′ )
Además 𝑋 −1 (𝐵) ⊂ 𝜎(𝑋 −1 (𝒞 ′ )) como vimos antes.
Por tanto, se da la igualdad.
Sean los espacios medibles (Ω, 𝒜) y (Ω′ , 𝒜 ′ ) y sea 𝑋: Ω → Ω′ se dirá que X es una
función medible si:
𝑋 −1 (𝐴′ ) ∈ 𝒜 ∀𝐴′ ∈ 𝒜 ′
VARIABLE ALEATORIA REAL.

Sean los espacios medibles o probabilizables (Ω, 𝒜) y (ℝ, ℬ(ℝ)), se dice que la función
𝑋: Ω → ℝ es una variable aleatoria real si verifica:
𝑋 −1 (𝐵) ∈ 𝒜, ∀𝐵 ∈ ℬ(ℝ)
Proposición. Sean los espacios probabilizables (Ω, 𝒜) y (ℝ, ℬ(ℝ)) . La condición

necesaria y suficiente, para que 𝑋: Ω → ℝ sea variable aleatoria, es que:
𝑋 −1 (𝒞) ∈ 𝒜, siendo 𝒞 = {(−∞, x], ∀𝑥 ∈ ℝ}
si lees esto me debes un besito

Demostración:
Tengo que probar:
X: Ω → ℝ es v. a. r. ⟺ X −1 (𝒞) ∈ 𝒜, 𝒞 = {(−∞, x], ∀𝑥 ∈ ℝ}
⇒ 𝑆𝑖 𝑋 𝑒𝑠 𝑣. 𝑎. 𝑟. 𝑝𝑜𝑟 𝑑𝑒𝑓𝑖𝑛𝑖𝑐𝑖ó𝑛: 𝑋 −1 (𝐵) ∈ 𝒜, ∀𝐵 ∈ ℬ(ℝ)
En particular 𝑋 −1 ((−∞, 𝑥]) ∈ 𝒜, ∀𝑥 ∈ ℝ
⇐ 𝑆𝑢𝑝𝑜𝑛𝑔𝑎𝑚𝑜𝑠 𝑞𝑢𝑒 𝑋 −1 ((−∞, 𝑥]) ∈ 𝒜, ∀𝑥 ∈ ℝ
Tenemos que ℬ(ℝ) = 𝜎({(−∞, x], ∀𝑥 ∈ ℝ})
Por la probabilidad 7 anterior 𝜎(𝑋 −1 (𝒞)) = X −1 (𝜎(𝒞)) = X −1 (ℬ(ℝ))
Como 𝑋 −1 (𝒞) ⊂ 𝒜 ⇒ 𝜎(𝑋 −1 (𝒞)) ⊂ 𝒜 ⇒ 𝜎(𝑋 −1 (𝒞)) = X −1 (ℬ(ℝ)) ∈ 𝒜, ∀ 𝐵 ∈ ℬ(ℝ)
⇒ 𝑋 𝑒𝑠 𝑣. 𝑎. 𝑟.

Proposición. Sea 𝑋 una variable aleatoria real y 𝑓 una función continua real, entonces 𝑓 ∘
𝑋 es una variable aleatoria real.
Demostración:
TQP: Si 𝑋 v. a. r y 𝑓 función continua ⇒ 𝑓 ∘ 𝑋 es v.a.r.
𝑋 𝑓
Ω→ℝ→ℝ
Sea 𝐵 ⊂ ℝ abierto,
(𝑓 ∘ 𝑋)−1 (𝐵) = 𝑋 −1 (𝑓 −1 (𝐵)) =

⏟ 𝑋 −1 (𝐵′ ) ∈ 𝒜 por ser 𝑋 𝑣. 𝑎. 𝑟
𝑓 𝑐𝑡𝑎. ⇒ 𝑖𝑚𝑔. 𝑖𝑛𝑣𝑒𝑟𝑠𝑎
𝑑𝑒 𝑢𝑛 𝑎𝑏𝑖𝑒𝑟𝑡𝑜 𝐵 𝑒𝑠
𝑜𝑡𝑟𝑜 𝑎𝑏𝑖𝑒𝑟𝑡𝑜 𝐵′
Corolario. Sea 𝑋 una variable aleatoria real y sea 𝑎 ∈ ℝ , entonces cada una de las
funciones, 𝑎𝑋, 𝑎 + 𝑋, |𝑋|𝑎 , son variables aleatorias reales, en sus campos de existencia.
Proposición. Sean 𝑋1 y 𝑋2 dos variables aleatorias reales definidas sobre el mismo

espacio probabilizable (Ω, 𝒜), entonces los conjuntos:
𝐴 = {𝜔 ∈ Ω ; 𝑋1 (𝜔) < 𝑋2 (𝜔) + 𝑐, 𝑐 ∈ ℝ}
𝐵 = {𝜔 ∈ Ω ; 𝑋1 (𝜔) ≤ 𝑋2 (𝜔) + 𝑐, 𝑐 ∈ ℝ}

𝐶 = {𝜔 ∈ Ω ; 𝑋1 (𝜔) = 𝑋2 (𝜔) + 𝑐, 𝑐 ∈ ℝ}
Son conjuntos medibles.
Demostración:
𝑋1 , 𝑋2 𝑣. 𝑎. 𝑟. TQP: 𝐴, 𝐵, 𝐶 ∈ 𝒜
𝐴 𝐶𝑜𝑚𝑜 ℚ es denso en ℝ ⇒ ∃ 𝑟 ∈ ℚ tal que X1 (𝜔) < 𝑟 < 𝑋2 (𝜔)
𝐴 = {𝜔 ∈ Ω ; 𝑋1 (𝜔) < 𝑋2 (𝜔) + 𝑐, 𝑐 ∈ ℝ}
⋃[{𝜔 ∈ Ω ; 𝑋1 (𝜔) < 𝑟} ∩ {𝜔 ∈ Ω ; 𝑋2 (𝜔) + 𝑐 > 𝑟}]

𝑟∈ℚ

= ⋃ [𝑋⏟−1 [(−∞, 𝑟)] ∩ ⏟ 𝑋 −1 [(𝑟 − 𝑐, + ∞)]]
𝑟∈ℚ ⏟ ∈𝒜 ∈𝒜
⏟ ∈ 𝒜 al ser ∩ 𝑑𝑒 𝑒𝑙𝑒𝑚. 𝑑𝑒 𝒜
∈ 𝒜 al ser unión numerable de elem. de 𝒜
𝐵 𝐵 = {𝜔 ∈ Ω ; 𝑋1 (𝜔) ≤ 𝑋2 (𝜔) + 𝑐, 𝑐 ∈ ℝ}
𝐵̅ = {𝜔 ∈ Ω ; 𝑋1 (𝜔) > 𝑋2 (𝜔) + 𝑐, 𝑐 ∈ ℝ}
De forma análoga al caso 𝐴 , 𝐵̅ ∈ 𝒜, como 𝒜 es 𝜎-álgebra 𝐵̅ = 𝐵 ∈ 𝒜.
𝐶 𝐶 = {𝜔 ∈ Ω ; 𝑋1 (𝜔) = 𝑋2 (𝜔) + 𝑐, 𝑐 ∈ ℝ}
𝐶 = {𝜔 ∈ Ω ; 𝑋1 (𝜔) ≤ 𝑋2 (𝜔) + 𝑐, 𝑐 ∈ ℝ} − {𝜔 ∈ Ω ; 𝑋1 (𝜔) < 𝑋2 (𝜔) + 𝑐, 𝑐 ∈ ℝ} =
=𝐵−𝐴
Como 𝐴, 𝐵 ∈ 𝒜 ⇒ 𝐵 − 𝐴 = 𝐶 ∈ 𝒜
Proposición. Sean 𝑋1 y 𝑋2 dos variables aleatorias reales definidas sobre el mismo

espacio probabilizable (Ω, 𝒜) , entonces 𝑋1 + 𝑋2 y 𝑋1 · 𝑋2 son variables aleatorias
reales.
Demostración:
𝑋1 + 𝑋2 TQP: (𝑋1 + 𝑋2 )−1 (−∞, 𝑥] ∈ 𝒜 ∀𝑥 ∈ ℝ
(𝑋1 + 𝑋2 )−1 (−∞, 𝑥] = {𝜔 ∈ Ω ; (𝑋1 + 𝑋2 )(𝜔) ∈ (−∞, 𝑥]} =

= {𝜔 ∈ Ω ; 𝑋1 (𝜔) + 𝑋2 (𝜔) ≤ 𝑥} = {𝜔 ∈ Ω ; 𝑋1 (𝜔) ≤ 𝑥 − 𝑋2 (𝜔)} ∈ 𝒜
Por verificarse la proposición anterior.
Por tanto (𝑋1 + 𝑋2 ) es v. a. r.
1 2 2
𝑋1 · 𝑋2 𝑋1 · 𝑋2 (𝜔) = [(𝑋 (𝜔) + 𝑋2 (𝜔)) − (𝑋1 (𝜔) − 𝑋2 (𝜔)) ]
4 ⏟1
(∗)
𝑋1 + 𝑋2 y 𝑋1 − 𝑋2 son v. a. r. por lo anterior.
(𝑋1 + 𝑋2 )2 y (𝑋1 − 𝑋2 )2 son v. a. r. por ser composición con una función continua.
(∗) es v. a. r. por ser diferencia de v. a. r.
𝑋1 · 𝑋2 es por tanto v. a. r. por ser composición con una función continua.
Sea 𝑋 una variable a. r. se define la parte positiva de 𝑋 y se representa por 𝑋 + a:
𝑋 + = max {𝑋, 0}

Y por la parte negativa, representada por 𝑋 − a:
𝑋 − = min {𝑋, 0}
Proposición. Si 𝑋 una variable aleatoria real definida sobre (Ω, 𝒜), también lo son 𝑋 + y
𝑋−.
Demostración:
Si 𝑋1 y 𝑋2 v. a. r. ⇒ max {𝑋1 , 𝑋2 } es v. a. r.
1 1
max {𝑋1 , 𝑋2 } = [𝑋1 + 𝑋2 ] + [𝑋1 − 𝑋2 ]
2 2
Es v. a. r. por ser suma de v. a. r. y composición con función continua.
Por tanto, en particular:
𝑋 + = max {𝑋, 0}
𝑋 − = min {𝑋, 0}
Son variables aleatorias reales.

Proposición. Sea {𝑋𝑛 } una sucesión de variables aleatorias reales, definidas sobre el
mismo espacio probabilizable (Ω, 𝒜), entonces también son variables aleatorias reales:
sup 𝑋𝑛 inf 𝑋𝑛 lim sup 𝑋𝑛 lim inf 𝑋𝑛
Y el límite de una sucesión convergente de variables aleatorias reales, también será una
variable aleatoria real.
Demostración:
Basta con probar que el supremo es v. a. r., pues de él se pueden deducir el resto.
(sup 𝑋𝑛 )−1 (−∞, 𝑥] = {𝜔 ∈ Ω ; sup 𝑋𝑛 (𝜔) ∈ (−∞, 𝑥]} = {𝜔 ∈ Ω ; 𝑋𝑛 (𝜔) ≤ 𝑥 ∀𝑛 ∈ ℕ} =
{𝜔 ∈ Ω ; 𝑋𝑛 (𝜔) ≤ 𝑥} = ⋂ 𝑋𝑛−1 (−∞, 𝑥]

= ⋂⏟
𝑛 𝑋𝑛−1 (−∞, 𝑥] 𝑛
Como 𝑋𝑛 es v. a. r. ⇒ 𝑋𝑛−1 (−∞, 𝑥] ∈ 𝒜 y por tanto ⋂𝑛 𝑋𝑛−1 (−∞, 𝑥] ∈ 𝒜 ⇒ sup es v. a. r.

FUNCIÓN INDICADOR.
Se considera un espacio probabilizable (Ω, 𝒜).
Se llama función indicador o característica de un suceso 𝐴 ∈ 𝒜 a la función:
𝐼𝐴 : Ω → {0, 1}
Definida por:
1 𝑠𝑖 𝜔 ∈ 𝐴
𝐼𝐴 (𝜔) = {
0 𝑠𝑖 𝜔 ∉ 𝐴
Proposición. Dado un es espacio probabilizable (Ω, 𝒜) , la condicion necesaria y

suficiente para que la función indicador de un suceso 𝐴, (𝐼𝐴 ), sea variable aleatoria real,
es que 𝐴 ∈ 𝒜.
Demostración:
TQP: 𝐼𝐴−1 (−∞, 𝑥] ∈ 𝒜
∅ 𝑠𝑖 𝑥 < 0
𝐼𝐴−1 (−∞, 𝑥] = {𝐴̅ 𝑠𝑖 0 ≤ 𝑥 < 1
Ω 𝑠𝑖 𝑥 ≥ 1

∅ ∈ 𝒜, Ω ∈ 𝒜, 𝐴̅ ∈ 𝒜 ⇔ 𝑎 ∈ 𝒜 .
Propiedades.
1. 𝐼∅ = 0
2. 𝐼Ω = 1
3. 𝐼𝐴̅ = 1 − 𝐼𝐴
4. 𝐴 ⊂ 𝐵 ⇒ 𝐼𝐴 ≤ 𝐼𝐵
5. 𝐴1 , … , 𝐴𝑛 ; 𝐴𝑖 ∩ 𝐴𝑗 = ∅ ∀𝑖 ≠ 𝑗 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠:
𝐼⋃𝑛𝑖=1 𝐴𝑖 = ∑ 𝐼𝐴𝑖
𝑖=1
6. 𝐴1 , … , 𝐴𝑛 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠:

𝑛
𝐼⋂𝑛𝑖=1 𝐴𝑖 = ∏ 𝐼𝐴𝑖
𝑖=1
Sea la función 𝑋: Ω → ℝ cuyo recorrido es un conjunto finito de valores de

ℝ, {x1 , … , xn } ⊂ ℝ, entonces se produce en Ω una partición debida a los sucesos 𝐴𝑖 =
{𝜔 ∈ Ω ; 𝑋(𝜔) = 𝑥𝑖 } . Así se tendrá que ⋃𝑛𝑖=1 𝐴𝑖 = Ω , 𝐴𝑖 ∩ 𝐴𝑗 = ∅ ∀𝑖 ≠ 𝑗 y 𝑋 puede
expresarse de la siguiente forma:
𝑛
𝑋 = ∑ 𝑥𝑖 𝐼𝐴𝑖
𝑖=1
VARIABLE ALEATORIA SIMPLE.

Se dice que una función 𝑋: Ω → ℝ es una función simple si es medible y su recorrido es
un conjunto finito de valores de ℝ (variable aleatoria simple).
Proposición. La suma, el producto y el producto por una constante de variables aleatorias

simples es otra variable aleatoria simple.
Proposición. Si 𝑋 es una variable aleatoria no negativa, entonces 𝑋 = lim 𝑋𝑛 donde {𝑋𝑛 }

es una sucesión no decreciente de variables aleatorias simples no negativas.

PROBABILIDAD INDUCIDA POR UNA VARIABLE ALEATORIA.
FUNCIÓN DE DISTRIBUCIÓN.
Sea el espacio probabilístico (Ω, 𝒜, P) y sea 𝑋 una variable aleatoria definida sobre Ω,
𝑋: Ω → ℝ. Dado 𝐵 ∈ ℬ(ℝ), se sabe que 𝑋 −1 (𝐵) ∈ 𝒜 y, por tanto, podría definirse una
función 𝑃𝑋 : ℬ(ℝ) → ℝ+ ∪ {0} de la siguiente forma:
𝑃𝑋 (𝐵) = 𝑃(𝑋 −1 (𝐵))
Proposición. La tripleta (ℝ, ℬ(ℝ), PX ) es un espacio probabilístico.
Demostración:

TQP: 𝑃𝑋 es función de probabilidad.
𝑃𝑋 (ℝ) = 𝑃(𝑋 −1 (ℝ)) = 𝑃(Ω) = 1
Sean {𝐵𝑖 } ⊂ ℬ(ℝ) ; Bi ∩ 𝐵𝑗 = ∅ ∀𝑖 ≠ 𝑗
TQP: 𝑃𝑋 (⋃∞ ∞
𝑖=1 𝐵𝑖 ) = ∑𝑖=1 𝑃𝑋 (𝐵𝑖 )
∞ ∞ ∞
−1
𝑃𝑋 (⋃ 𝐵𝑖 ) = 𝑃 (𝑋 (⋃ 𝐵𝑖 )) = 𝑃 (⋃ 𝑋 −1 (𝐵𝑖 )) = (∗)
𝑖=1 𝑖=1 𝑖=1
Para todo 𝑖 ≠ 𝑗 𝑋 −1 (𝐵𝑖 ) ∩ 𝑋 −1 (𝐵𝑗 ) = 𝑋 −1 (𝐵𝑖 ∩ 𝐵𝑗 ) = 𝑋 −1 (∅) = ∅
∞ ∞
(∗) = 𝑃(𝑋 −1 (𝐵1 )) + ··· +𝑃(𝑋 −1 (𝐵𝑛 )) + ··· = ∑ 𝑃(𝑋 −1 (𝐵𝑖 )) = ∑ 𝑃𝑋 (𝐵𝑖 )
𝑖=1 𝑖=1
El espacio probabilístico (ℝ, ℬ(ℝ), PX ) previamente construido se denomina espacio

probabilístico inducido por la variable aleatoria X. La probabilidad 𝑃𝑋 , definida sobre
ℬ(ℝ) se denomina medida de probabilidad o probabilidad inducida por 𝑋.
Dada una variable aleatoria real 𝑋, la función de distribución de la variable aleatoria 𝑋,

se denotará por 𝐹𝑋 y está univocamente asociada a la medida de probabilidad 𝑃𝑋
definida por:
𝐹𝑋 (𝑥) = 𝑃𝑋 ((−∞, 𝑥]) = 𝑃{𝜔 ∈ Ω ; 𝑋(𝜔) ≤ 𝑥} = 𝑃(𝑋 −1 (−∞, 𝑥]) = 𝑃(𝑋 ≤ 𝑥)
Proposición. La función 𝐹: ℝ → ℝ+ ∪ {0} definida por 𝐹(𝑥) = 𝑃[≤ 𝑥] satisface las

siguientes condiciones:
1. 𝐹 es monótona no decreciente.
Dem. 𝑥1 , 𝑥2 ∈ ℝ, x1 < x2
(−∞, 𝑥1 ] ⊂ (−∞, 𝑥2 ] ⇒ 𝑃𝑋 (−∞, 𝑥1 ] ≤ 𝑃𝑋 (−∞, 𝑥2 ] por ser 𝑃𝑋 una función monótona y

función de probabilidad ⇒ 𝐹(𝑥1 ) ≤ 𝐹(𝑥2 )
2. lim 𝐹(𝑥) = 0
𝑥→−∞
Dem. Sea {𝑥𝑛 } ↓ −∞ ⇒ {(−∞, 𝑥𝑛 ]} ↓ ∅
lim 𝐹(𝑥) = lim 𝑃𝑋 ((−∞, 𝑥𝑛 ]) = 𝑃𝑋 ( lim (−∞, 𝑥𝑛 ]) = 𝑃𝑋 (∅) = 0

𝑥→−∞ 𝑥→−∞ 𝑥→−∞
3. lim 𝐹(𝑥) = 1
𝑥→+∞
Dem. Sea {𝑥𝑛 } ↑ +∞ ⇒ {(−∞, 𝑥𝑛 ]} ↑ ℝ
lim 𝐹(𝑥) = lim 𝑃𝑋 ((−∞, 𝑥𝑛 ]) = 𝑃𝑋 ( lim (−∞, 𝑥𝑛 ]) = 𝑃𝑋 (ℝ) = 1

𝑥→+∞ 𝑥→+∞ 𝑥→+∞
4. 𝐹 es continua a la derecha en todo punto 𝑎 ∈ ℝ.
Dem. TQP: lim 𝐹(𝑥) = 𝐹(𝑎)

𝑥→𝑎+
Sea {𝑥𝑛 } ↓ 𝑎
𝑠𝑢𝑐. ↓
lim 𝐹(𝑥𝑛 ) = lim 𝑃𝑋 (−∞, 𝑥𝑛 ] =
⏞ 𝑃𝑋 ( lim (−∞, 𝑥𝑛 ]) = 𝑃𝑋 ( ⋂ (−∞, 𝑥𝑛 ]) =
𝑥𝑛 ↓𝑎 𝑥𝑛 ↓𝑎 𝑥𝑛 ↓𝑎
𝑥𝑛 ↓𝑎
= 𝑃𝑋 (−∞, 𝑎] = 𝐹(𝑎)
5. Existe el límite por la izquierda en cualquier punto 𝑎 ∈ ℝ.
Dem. Veamos si existe el límite por la izquierda de 𝑎.
Sea {𝑥𝑛 } ↑ 𝑎
𝑠𝑢𝑐. ↑
lim 𝐹𝑛 (𝑥𝑛 ) = lim 𝑃𝑋 (−∞, 𝑥𝑛 ] =
⏞ 𝑃𝑋 ( lim (−∞, 𝑥𝑛 ]) = 𝑃𝑋 ( ⋃ (−∞, 𝑥𝑛 ]) =
𝑥𝑛 ↑𝑎 𝑥𝑛 ↑𝑎 𝑥𝑛 ↑𝑎
𝑥𝑛 ↑𝑎
= 𝑃𝑋 (−∞, 𝑎) = 𝑃𝑋 (−∞, 𝑎] − 𝑃𝑋 ({𝑎}) = 𝐹(𝑎) − 𝑃𝑋 ({𝑎})

Por tanto, existe el límite por la izquierda.
Una función 𝐹: ℝ → ℝ+ ∪ {0} satisfaciendo las cuatro primeras propiedades de la

proposición anterior, se dice que es una función de distribución.
Proposición. Propiedades de continuidad de la Función de Distribución. Se verifica que:
1. La función de distribución 𝐹 es continua en 𝑋 ∈ ℝ ⇔ 𝑃(𝑋 = 𝑥) = 0.
2. El conjunto de puntos de discontinuidad de una función de distribución es
numerable.
3. Si 𝐹1 (𝑥) y 𝐹2 (𝑥) son dos funciones de distribución que coinciden en un conjunto de

ℝ denso, entonces 𝐹1 (𝑥) = 𝐹2 (𝑥) ∀𝑥 ∈ ℝ.
4. Si 𝐹1 (𝑥) y 𝐹2 (𝑥) son dos funciones de distribución, 𝒞1 y 𝒞2 sus respectivos

conjuntos de continuidad y 𝐹1 (𝑥) = 𝐹2 (𝑥) ∀𝑥 ∈ 𝒞1 ∩ 𝒞2 , entonces 𝐹1 (𝑥) =
𝐹2 (𝑥) ∀𝑥 ∈ ℝ.

Demostración:
𝐹 𝑐𝑡𝑎.
𝑑𝑒𝑟𝑒𝑐.
𝐹(𝑥 + ) = lim 𝐹(𝑋) = ⏟ < 𝑥) + 𝑃(𝑋 = 𝑥) = 𝐹(𝑥 − ) + 𝑃(𝑋 = 𝑥)
⏞ 𝐹(𝑥) = 𝑃(𝑋
𝑋→𝑥+
lim 𝑖𝑧𝑞
𝐹(𝑥 + ) = 𝐹(𝑥 − ) + 𝑃(𝑋 = 𝑥)
𝐹(𝑥 − ) = 𝐹(𝑥 + ) ⇔ 𝑃(𝑋 = 𝑥) = 0
Sea 𝐷 = {𝑥 ∈ ℝ ; P(x) = F(x) − F(x − ) > 0} conjunto de puntos de discontinuidad
1 1
Sea 𝐷𝑛 = {𝑥 ∈ ℝ ; < P(X) ≤ }
n+1 n
Se tiene que 𝐷 = ⋃∞
𝑛=1 𝐷𝑛 lo vemos:
1 1
Si 𝑥 ∈ 𝐷 ⇒ 0 < 𝐹(𝑥) − 𝐹(𝑥 − ) ≤ 1 ⇒ ∃𝑛 ∈ ℕ ; < F(x) − F(x − ) ≤ ⇒ 𝑥 ∈ 𝐷𝑛
n+1 n
1 1
Si 𝑥 ∈ 𝐷𝑛 ⇒ < 𝐹(𝑥) − 𝐹(𝑥 − ) ≤ ⇒ 𝐹(𝑥) − 𝐹(𝑥 − ) > 0 ⇒ 𝑥 ∈ 𝐷.
𝑛+1 𝑛
Supongamos que hay 𝑘 valores en 𝐷𝑛 tales que
𝑎 ≤ 𝑥1− < 𝑥1 ≤ 𝑥2− < 𝑥2 ≤ ··· ≤ 𝑥𝑘− < 𝑥𝑘 ≤ 𝑏

𝑘 𝑘
𝑘
< ∑ 𝑔(𝑥𝑛 ) = ∑ 𝐹(𝑥𝑛 ) − 𝐹(𝑥𝑛− ) ≤
𝑛+1
𝑛=1 𝑛=1
𝑘 𝑘
≤ ∑(𝐹 (𝑥𝑛 ) − 𝐹(𝑥𝑛− )) + ∑(𝐹 (𝑥𝑛− ) − 𝐹(𝑥𝑛−1 )) = 𝐹(𝑥𝑘 ) − 𝐹(𝑥1− ) ≤

𝑛=1 𝑛=2
≤ 𝐹(𝑏) − 𝐹(𝑎) ≤ 1
𝑘
⇒ <1 ⇒𝑘 <𝑛+1
𝑛+1
Como 𝐷𝑛 tiene a lo sumo 𝑛 puntos ⇒ 𝐷𝑛 es finito (numerable) ⇒ ⋃𝑛 𝐷𝑛 es numerable.
Sea 𝐷 un conjunto denso y 𝑥 ∈ ℝ ⇒ ∃{𝑥𝑛 } ⊂ 𝐷 tales que 𝑥𝑛 → 𝑥
𝐹1 (𝑥) = 𝐹1 ( lim 𝑥𝑛 ) = lim 𝐹1 (𝑥𝑛 ) = lim 𝐹2 (𝑥𝑛 ) = 𝐹2 ( lim 𝑥𝑛 ) = 𝐹2 (𝑥) ∀𝑥 ∈ ℝ

𝑛→∞ 𝑛→∞ 𝑛→∞ 𝑛→∞

̅̅̅̅̅̅̅̅̅̅
Vamos a probar que 𝒞1 ∩ 𝒞2 es denso. Para ello vamos a demostrar que 𝒞 1 ∩ 𝒞2 es
numerable. (El complementario de un conjunto numerable en ℝ, es denso en ℝ).
̅̅̅̅̅̅̅̅̅̅
ℝ − (𝒞1 ∩ 𝒞2 ) = ℝ ∩ (𝒞 ̅̅̅ ̅̅̅ ̅̅̅ ̅̅̅
1 ∩ 𝒞2 ) = ℝ ∩ (𝒞1 ∪ 𝒞2 ) = (ℝ ∩ 𝒞1 ) ∪ (ℝ ∩ 𝒞2 ) = 𝐷1 ∪ 𝐷2
Donde 𝐷1 son los puntos de discontinuidad de 𝐹1 y 𝐷2 los puntos de discontinuidad de

𝐹2 . Por la propiedad 2, 𝐷1 y 𝐷2 son numerables ⇒ 𝐷1 ∪ 𝐷2 es numerable ⇒ 𝒞1 ∩ 𝒞2 es
denso ⇒ se verifica la propiedad por lo demostrado en la propiedad 3.
Ejemplo de función de distribución absolutamente continua.

Teorema de descomposición de la función de distribución.
Cualquier función de distribución 𝐹 sobre R se puede descomponer como:
𝐹(𝑥) = 𝛼𝐹𝑑 (𝑥) + (1 − 𝛼)𝐹𝑐 (𝑥), 𝛼 ∈ [0, 1]
Donde 𝐹𝑑 es una función de distribución dicreta y 𝐹𝑐 es una función de distribución

continua. La descomposición anterior es la única para 𝛼 ∈ (0, 1).
Demostración:
Sea 𝐹 una función de distribución ⇒ sabemos que hay un conjunto numerable de puntos
de discontinuidad

𝐷 = {𝑥𝑛 ; 𝑔(𝑥𝑛 ) > 0, 𝑔(𝑥𝑛 ) = 𝐹(𝑥𝑛 ) − 𝐹(𝑥𝑛− )}
Primero definimos 𝐺(𝑥) = ∑𝑥𝑛≤𝑥 𝑔(𝑥𝑛 )
Estudiemos sus propiedades:
1.1. 𝐺(𝑥) es monótona no decreciente: Sea 𝑥, 𝑦 ∈ ℝ con 𝑥 < 𝑦, entonces:
𝐺(𝑦) − 𝐺(𝑥) = ∑ 𝑔(𝑥𝑛 ) − ∑ 𝑔(𝑥𝑛 ) = ∑ 𝑔(𝑥𝑛 ) ≥ 0 ⇒ 𝐺(𝑦) ≥ 𝐺(𝑥)

𝑥𝑛 ≤𝑦 𝑥𝑛 ≤𝑥 𝑥<𝑥𝑛 <𝑦
1.2. lim 𝐺(𝑥) = lim ∑𝑥𝑛≤𝑥 𝑔(𝑥𝑛 ) = 𝛼 ≤ 1

𝑥→+∞ 𝑥→+∞
1.3. 𝐺 es continua por la derecha:
𝐺(𝑥 + h) − 𝐺(𝑥) = ∑ 𝑔(𝑥𝑛 ) = ∑ 𝐹(𝑥𝑛 ) − 𝐹(𝑥𝑛− ) ≤ 𝐹(𝑥 + h) − 𝐹(𝑥)

𝑥<𝑥𝑛 ≤𝑥+h 𝑥<𝑥𝑛 ≤𝑥+h
Tomando límite:
(∗)
⏞ 0 ⇒ 𝐺(𝑥 + ) = 𝐺(𝑥)
lim 𝐺(𝑥 + h) − 𝐺(𝑥) ≤ lim 𝐹(𝑥 + h) − 𝐹(𝑥) =
h→0 h→0
(∗) F es función de distribución ⇒ continua por la derecha.
1.4. Existe el límite por la izquierda, es decir:
lim G(𝑥) = lim ∑ 𝑔(𝑥𝑛 ) = 0

x→−∞ 𝑥→−∞
𝑥𝑛 ≤𝑥
lim 𝐺(𝑥) − 𝐺(𝑥 − h) = lim ∑ 𝑔(𝑥𝑛 ) ≤ 1 ⇒
h→0 h→0
𝑥−h<𝑥𝑛 ≤𝑥
⇒ ∃ límite por la izquierda.
No podemos decir que 𝐺 es función de distribución, ya que lim 𝐺(𝑥) = 𝛼 ≤ 1

𝑥→∞
𝐺(𝑥)
Por ello definimos la función 𝐹𝑑 (𝑥) =
𝛼
𝐹𝑑 (𝑥) es función de distribución.
Definimos ahora 𝐻(𝑥) = 𝐹(𝑥) − 𝐺(𝑥)
2.1. 𝐻 es monótona no decreciente:
Sean 𝑥, 𝑦 ∈ ℝ con 𝑦 > 𝑥
⏟ (𝑦) − 𝐺(𝑥)) ≥ 0
⇒ 𝐻(𝑦) − 𝐻(𝑥) = 𝐹(𝑦) − 𝐺(𝑦) − 𝐹(𝑥) + 𝐺(𝑥) = 𝐹(𝑦) − 𝐹(𝑥) − (𝐺

∑𝑥<𝑥𝑛 <𝑦 𝑔(𝑥𝑛 )≤
≤𝐹(𝑦)−𝐹(𝑥)
⇒ 𝐻(𝑦) ≥ 𝐻(𝑥)
2.2. lim 𝐻(𝑥) = lim 𝐹(𝑥) − 𝐺(𝑥) = 1 − 𝛼

𝑥→+∞ 𝑥→+∞
2.3. lim 𝐻(𝑥) = lim 𝐹(𝑥) − 𝐺(𝑥) = 0 − 0 = 0

𝑥→−∞ 𝑥→−∞
2.4. H es continua.
Por la derecha ya que 𝐻(𝑥) = 𝐹(𝑥) − 𝐺(𝑥) y tanto 𝐹 como 𝐺 son continuas por la
derecha.
Continua por la izquierda:
𝐻(𝑥) − 𝐻(𝑥 − h) = 𝐹(𝑥) − 𝐺(𝑥) − 𝐹(𝑥 − h) + 𝐺(𝑥 − h)

= 𝐹(𝑥) − 𝐹(𝑥 − h) − (𝐺 (𝑥) − 𝐺(𝑥 − h))
= 𝐹(𝑥) − 𝐹(𝑥 − h) − ∑ 𝑔(𝑥𝑛 )

𝑥−h<𝑥𝑛 <𝑥
Si 𝑥 es un punto de continuidad de 𝐹 ⇒ lim 𝐻(𝑥) − 𝐻(𝑥 − h) = 0

h→0

Si 𝑥 es un punto de discontinuidad de 𝐹 ⇒ lim 𝐻(𝑥) − 𝐻(𝑥 − h) = lim 𝐹(𝑥) − 𝐹(𝑥 −
h→0 h→0
h) − 𝑃(𝑋 = 𝑥) = lim 𝑃[𝑋 ≤ 𝑥] − 𝑃[𝑋 ≤ 𝑥 − h] − 𝑃(𝑋 = 𝑥) = 𝑃[𝑋 = 𝑥] − 𝑃[𝑋 = 𝑥] = 0
h→0
⇒ luego 𝐻 es continua por la izquierda.
𝐻(𝑥)
Definimos 𝐹𝑐 (𝑥) = ⇒ 𝐹𝑐 (𝑥) es función de distribución continua.
1−𝛼
𝐻(𝑥) = 𝐹(𝑥) − 𝐺(𝑥)
𝐹(𝑥) = 𝐻(𝑥) + 𝐺(𝑥) = (∗)
𝐺(𝑥)
𝐹𝑑 (𝑥) =
𝛼
(∗) = (1 − 𝛼)𝐹𝑐 (𝑥) + 𝛼𝐹𝑑 (𝑥) 𝛼 ∈ [0, 1]
Descomposición única para 𝛼 ∈ (0, 1).

Supongamos que hay dos descomposiciones diferentes:
𝛼1 𝐹𝑑1 (𝑥) + (1 − 𝛼1 )𝐹𝑐1 (𝑥) = 𝛼2 𝐹𝑑2 (𝑥) + (1 − 𝛼2 )𝐹𝑐2 (𝑥)
⏟1 𝐹𝑑1 (𝑥) − 𝛼2 𝐹𝑑2 (𝑥) = (1

𝛼 ⏟ − 𝛼2 )𝐹𝑐2 (𝑥) − (1 − 𝛼1 )𝐹𝑐1 (𝑥)
𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎
Son iguales ⇔ son iguales a una constante.
lim 𝛼1 𝐹𝑑1 (𝑥) − 𝛼2 𝐹𝑑2 (𝑥) = 0 = 𝑐𝑡𝑒 ⇒ 𝛼1 𝐹𝑑1 (𝑥) = 𝛼2 𝐹𝑑2 (𝑥)
𝑥→−∞
lim 𝛼1 𝐹𝑑1 (𝑥) = 𝛼1 = lim 𝛼2 𝐹𝑑2 (𝑥) = 𝛼2

𝑥→+∞ 𝑥→+∞
𝛼1 = 𝛼2 ⇒ 𝐹𝑑1 (𝑥) = 𝐹𝑑2 (𝑥)
Análogamente 𝐹𝑐1 (𝑥) = 𝐹𝑐2 (𝑥) ⇒ luego ambas descomposiciones son la misma.
Teorema. Descomposición de Lebesgue.
Cualquier función de distribución 𝐹𝑐 se puede descomponer como
𝐹𝑐 (𝑥) = 𝛽𝐹𝑎𝑐 (𝑥) + (1 − 𝛽)𝐹𝑠 (𝑥), 𝛽 ∈ [0, 1]
Donde 𝐹𝑎𝑐 es una función de distribución absolutamente continua y 𝐹𝑠 es una función de

distribución singular. Y la descomposición anterior es única para 𝛽 ∈ (0, 1).

Ejemplo de función de distribución singular.

Ejemplo de función de distribución discreta.
Ejemplo de función de distribución mixta.
Teorema. Cualquier función de distribución 𝐹 sobre R se puede descomponer como:
𝐹(𝑥) = 𝛾1 𝐹𝑑 (𝑥) + 𝛾2 𝐹𝑎𝑐 (𝑥) + 𝛾3 𝐹𝑠 (𝑥), 𝛾𝑖 ∈ [0, 1], 𝑦 𝛾1 + 𝛾2 + 𝛾3 ≤ 1

Teorema. Sea la función de distribución 𝐹(𝑥), entonces existe una única medida de
probabilidad 𝑃 definida sobre B(R que verifica:
𝑃𝑋 (𝑎, 𝑏] = 𝐹(𝑏) − 𝐹(𝑎), 𝑝𝑎𝑟𝑎 𝑎 ≤ 𝑏, 𝑎, 𝑏 ∈ ℝ
CLASIFICACIÓN DE VARIABLES ALEATORIAS REALES.

Las variables aleatorias reales pueden clasificarse atendiendo a la clasificación realizada
de las probabilidades inducidas o equivalentemente dependiendo del tipo de función de
distribución asociada.
Obsérvese que, tal como y como se ha visto anteriormente, la suma de los saltos de
discontinuidad de una función de distribución estará en [0, 1]. En concreto:

• Si la suma de los saltos es 0, la función de distribución no tiene discontinuidades y
por tanto, F es una función de distribución continua.
• Si la suma de los saltos es 1. La variación total de F está originada por los saltos.
Por tanto, la función de distribución es discreta.
• Si la suma de los saltos está en (0, 1), es el crecimiento o variación total de F no

sólo se produce por saltos. Por el teorema de descomposición de Lebesgue, dichas
funciones de distribución corresponden a tipos mixtos obtenidos como una
combinación convexa de una función de distribución continua y otra discreta. Estas
variables se denominan de tipo mixta.
VARIABLES ALEATORIAS DISCRETAS.

Se dice que una variable aleatoria real es discreta si su función de distribución es
discreta.
Si X es una variable aleatoria real discreta, existe un conjunto
𝑆 = {𝑥1 , 𝑥2 , … } ⊂ ℝ
Numerable que verifica 𝑃𝑋 (𝑆) = 1. En tal caso, la variable aleatoria real X admite la
representación de forma,
𝑋(𝜔) = ∑ 𝑥𝑖 𝐼𝐴𝑖 (𝜔)

𝑖≥1
Donde 𝐴𝑖 = {𝜔 ∈ Ω ; 𝑋(𝜔) ∈ 𝐴𝑖 } y 𝐴𝑖 ⊂ 𝒜, ∀𝑖 ≥ 1.
Dada una sucesión de números reales {𝑝𝑛 } . Se dirá que dicha sucesión forma una
distribución de probabilidad si verifica:
1. 𝑝𝑛 ≥ 0
2. ∑∞
𝑛=1 𝑝𝑛 = 1
Sea X una variable aleatoria discreta que toma los valores 𝑥1 , … , 𝑥𝑛 , … Si definimos 𝑝𝑛 =
𝑃[𝑋 = 𝑥𝑛 ] , entonces {𝑝𝑛 } forma una distribución de probabilidad, conocida como
distribución de probabilidad o función de masa de probabilidad asociada a una variable
aleatoria X.

Ejemplo de funciones de probabilidad. Función de masa de probabilidad de una
variable aleatoria uniforme discreta.
VARIABLES ALEATORIAS CONTINUAS Y ABSOLUTAMENTE CONTINUAS.

Se dice que una variable aleatoria real es absolutamente continua si su función de
distribución es absolutamente continua.
Función de densidad de una variable normal (N(0, 1)).

Si X es una variable aleatoria absolutamente continua, entonces existe una función
𝑓: ℝ → ℝ llamada función de densidad de una variable aleatoria X y que verifica:
1. 𝑓(𝑥) ≥ 0, ∀𝑥 ∈ ℝ
+∞
2. ∫−∞ 𝑓(𝑥)𝑑𝑥 = 1
𝑥
3. 𝐹(𝑥) = ∫−∞ 𝑓(𝑡)𝑑𝑡 , ∀𝑥 ∈ ℝ
Se dice que es una variable aleatoria es singular si su función de distribución es singular.
Si X es una variable aleatoria singular, su función de distribución F es continua pero su

derivada 𝐹′(𝑥) = 0 en casi todos los puntos (en todo ℝ salvo un conjunto de medida
nula).
VARIABLES ALEATORIAS MIXTAS.

Se dice que una variable aleatoria X es mixta, cuando no es discreta ni continua.


Wuolah Free TEMA 5

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Wuolah Free TEMA 5

Cargado por

Copyright:

Formatos disponibles

TEMA-5.

Elementos de Probabilidad y Estadística

Reservados todos los derechos.

Reservados todos los derechos.

𝑋 −1 (𝐴′ ) = {𝜔 ∈ Ω ; 𝑋(𝜔) ∈ 𝐴′ } ∈ 𝒫(Ω), ∀𝐴′ ∈ 𝒫(Ω′ )

A 𝑋 −1 (𝐴′ ) se le denomina imagen inversa de A’.

𝑋 −1 (⋃ 𝐴′𝑖 ) = {𝜔 ∈ Ω ; 𝑋(𝜔) ∈ ⋃ 𝐴′𝑖 } = {𝜔 ∈ Ω ; 𝑋(𝜔) ∈ 𝐴′𝑖 para algún 𝑖 ∈ 𝐼} =

=⋃ {𝜔 ∈ Ω ; 𝑋(𝜔) ∈ 𝐴′𝑖 } = ⋃ 𝑋 −1 (𝐴′𝑖 )

4. X −1 (⋂i∈I A′i ) = ⋂i∈I X −1 (A′i )

=⋂ {𝜔 ∈ Ω ; 𝑋(𝜔) ∈ 𝐴′𝑖 } = ⋂ 𝑋 −1 (𝐴′𝑖 )

𝑋 −1 (𝐴′ ) = {𝜔 ∈ Ω ; 𝑋(𝜔) ∈ 𝐴′ } = {𝜔 ∈ Ω ; 𝑋(𝜔) ∈ 𝐵′ } = 𝑋 −1 (𝐵′ )

Reservados todos los derechos.

3. 𝐴1 , … , 𝐴𝑛 , … ∈ 𝑋 −1 (𝒜 ′ ) ⇒ ∃ 𝐴1′ , … , 𝐴′𝑛 , … ∈ 𝒜 ′ tal que 𝑋 −1 (𝐴′𝑛 ) = 𝐴𝑛 ∀𝑛 ∈ ℕ

Como 𝒜 ′ es 𝜎-álgebra ⇒ ⋃𝑛 𝐴′𝑛 ∈ 𝒜 ′ ⇒ 𝑋 −1 (⋃𝑛 𝐴′𝑛 ) ∈ 𝑋 −1 (𝒜 ′ ) ⇒

7. Si 𝒞 ′ es una familia no vacía de subconjuntos de Ω′ , entonces se verifica

⊃ Como 𝒞 ′ ⊂ 𝜎(𝒞 ′ ) ⇒ 𝑋 −1 (𝒞 ′ ) ⊂ 𝑋 −1 (𝜎(𝒞 ′ ))

¡Repartimos 9.000€ en Becas! ¿Te interesa?

⊂ Sea 𝐵′ = {𝐴′ ⊂ Ω′ ; 𝑋 −1 (𝐴′ ) ∈ 𝜎(𝑋 −1 (𝒞 ′ ))}

Por construcción 𝑋 −1 (𝐵′ ) ⊂ 𝜎(𝑋 −1 (𝒞 ′ ))

Veamos que 𝐵′ es 𝜎-álgebra:

1. 𝑋 −1 (Ω′ ) = Ω. Como 𝜎(𝑋 −1 (𝒞 ′ )) es un 𝜎 − á𝑙𝑔𝑒𝑏𝑟𝑎 ⇒ Ω ∈ 𝜎(𝑋 −1 (𝒞 ′ )) ⇒ Ω′ ∈ 𝐵′

𝑋 −1 (𝐴̅′ ) ∈ 𝜎(𝑋 −1 (𝒞 ′ )) ⇒ 𝐴̅′ ∈ 𝐵′

3. {𝐴′𝑛 } ∈ 𝐵′ ⇒ 𝑋 −1 (𝐴′𝑛 ) ∈ 𝜎(𝑋 −1 (𝒞 ′ )) ∀𝑛 ∈ ℕ ⇒ ⋃𝑛 𝑋 −1 (𝐴′𝑛 ) ∈ 𝜎(𝑋 −1 (𝒞 ′ )) ⇒

𝑋 −1 (⋃𝑛 𝐴′𝑛 ) ∈ 𝜎(𝑋 −1 (𝒞 ′ )) ⇒ ⋃𝑛 𝐴′𝑛 ∈ 𝐵′

Reservados todos los derechos.

Además 𝑋 −1 (𝐵) ⊂ 𝜎(𝑋 −1 (𝒞 ′ )) como vimos antes.

Por tanto, se da la igualdad.

VARIABLE ALEATORIA REAL.

Proposición. Sean los espacios probabilizables (Ω, 𝒜) y (ℝ, ℬ(ℝ)) . La condición

𝑋 −1 (𝒞) ∈ 𝒜, siendo 𝒞 = {(−∞, x], ∀𝑥 ∈ ℝ}

si lees esto me debes un besito

Tengo que probar:

X: Ω → ℝ es v. a. r. ⟺ X −1 (𝒞) ∈ 𝒜, 𝒞 = {(−∞, x], ∀𝑥 ∈ ℝ}

⇒ 𝑆𝑖 𝑋 𝑒𝑠 𝑣. 𝑎. 𝑟. 𝑝𝑜𝑟 𝑑𝑒𝑓𝑖𝑛𝑖𝑐𝑖ó𝑛: 𝑋 −1 (𝐵) ∈ 𝒜, ∀𝐵 ∈ ℬ(ℝ)

En particular 𝑋 −1 ((−∞, 𝑥]) ∈ 𝒜, ∀𝑥 ∈ ℝ

Tenemos que ℬ(ℝ) = 𝜎({(−∞, x], ∀𝑥 ∈ ℝ})

Por la probabilidad 7 anterior 𝜎(𝑋 −1 (𝒞)) = X −1 (𝜎(𝒞)) = X −1 (ℬ(ℝ))

Como 𝑋 −1 (𝒞) ⊂ 𝒜 ⇒ 𝜎(𝑋 −1 (𝒞)) ⊂ 𝒜 ⇒ 𝜎(𝑋 −1 (𝒞)) = X −1 (ℬ(ℝ)) ∈ 𝒜, ∀ 𝐵 ∈ ℬ(ℝ)

Reservados todos los derechos.

TQP: Si 𝑋 v. a. r y 𝑓 función continua ⇒ 𝑓 ∘ 𝑋 es v.a.r.

(𝑓 ∘ 𝑋)−1 (𝐵) = 𝑋 −1 (𝑓 −1 (𝐵)) =

Proposición. Sean 𝑋1 y 𝑋2 dos variables aleatorias reales definidas sobre el mismo

𝐴 = {𝜔 ∈ Ω ; 𝑋1 (𝜔) < 𝑋2 (𝜔) + 𝑐, 𝑐 ∈ ℝ}

si lees esto me debes un besito

Son conjuntos medibles.

𝐴 𝐶𝑜𝑚𝑜 ℚ es denso en ℝ ⇒ ∃ 𝑟 ∈ ℚ tal que X1 (𝜔) < 𝑟 < 𝑋2 (𝜔)

𝐴 = {𝜔 ∈ Ω ; 𝑋1 (𝜔) < 𝑋2 (𝜔) + 𝑐, 𝑐 ∈ ℝ}

⋃[{𝜔 ∈ Ω ; 𝑋1 (𝜔) < 𝑟} ∩ {𝜔 ∈ Ω ; 𝑋2 (𝜔) + 𝑐 > 𝑟}]

Reservados todos los derechos.

𝐵̅ = {𝜔 ∈ Ω ; 𝑋1 (𝜔) > 𝑋2 (𝜔) + 𝑐, 𝑐 ∈ ℝ}

De forma análoga al caso 𝐴 , 𝐵̅ ∈ 𝒜, como 𝒜 es 𝜎-álgebra 𝐵̅ = 𝐵 ∈ 𝒜.

𝐶 = {𝜔 ∈ Ω ; 𝑋1 (𝜔) ≤ 𝑋2 (𝜔) + 𝑐, 𝑐 ∈ ℝ} − {𝜔 ∈ Ω ; 𝑋1 (𝜔) < 𝑋2 (𝜔) + 𝑐, 𝑐 ∈ ℝ} =

Proposición. Sean 𝑋1 y 𝑋2 dos variables aleatorias reales definidas sobre el mismo

𝑋1 + 𝑋2 TQP: (𝑋1 + 𝑋2 )−1 (−∞, 𝑥] ∈ 𝒜 ∀𝑥 ∈ ℝ

(𝑋1 + 𝑋2 )−1 (−∞, 𝑥] = {𝜔 ∈ Ω ; (𝑋1 + 𝑋2 )(𝜔) ∈ (−∞, 𝑥]} =

Por tanto (𝑋1 + 𝑋2 ) es v. a. r.

𝑋1 + 𝑋2 y 𝑋1 − 𝑋2 son v. a. r. por lo anterior.

(∗) es v. a. r. por ser diferencia de v. a. r.

𝑋1 · 𝑋2 es por tanto v. a. r. por ser composición con una función continua.

Sea 𝑋 una variable a. r. se define la parte positiva de 𝑋 y se representa por 𝑋 + a:

Reservados todos los derechos.

Es v. a. r. por ser suma de v. a. r. y composición con función continua.

Por tanto, en particular: