Tema 5

Funciones medibles. Variables

aleatorias. Función de distribución

5.1. Introducción. Visión general.

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:

(Ω, F, P)
X↓ X −1 ↑ l
(R, B(R), PX )

PX : B(R) → R+ ∪ {0}

PX (B) = P (X −1 (B))

F (x) = PX ((−∞, x]) = P (X −1 (−∞, x])

5.2. Función inversa. Propiedades

Definición 5.2.1 Sean Ω y Ω0 dos espacios muestrales, y sean P(Ω) y P(Ω0 ) sus correspondientes
partes. Sea X una función puntual X : Ω → Ω0 , se llama función inversa de X a la función,

X −1 : P(Ω0 ) → P(Ω),

definida por
X −1 (A0 ) = {w ∈ Ω : X(w) ∈ A0 } ∈ P(Ω), ∀A0 ∈ P(Ω0 ).

A X −1 (A0 ) se le denomina imagen inversa de A0 .

1
2 TEMA 5. VARIABLES ALEATORIAS

Propiedades 5.2.1 Propiedades relacionadas con la función inversa de X:

1. X −1 (∅) = ∅ y X −1 (Ω0 ) = Ω.

2. X −1 (A0 ) = X −1 (A0 ).

3. X −1 A0i = i∈I X −1 (A0i ).

S
S
i∈I

4. X −1 A0i = i∈I X −1 (A0i ).

T
T
i∈I

5. Si A0 ⊂ B 0 , entonces X −1 (A0 ) ⊂ X −1 (B 0 ).

6. Si F 0 es un σ-álgebra de sucesos (subconjuntos) de Ω0 , entonces X −1 (F 0 ) es un σ-álgebra

(subconjuntos) de Ω.

7. Sea C 0 una familia no vacı́a de subconjuntos de Ω0 , entonces se verifica que X −1 (σ(C 0 )) =

σ(X −1 (C 0 )).

Definición 5.2.2 Sean los espacios medibles (Ω, F) y (Ω0 , F 0 ) y sea X : Ω → Ω0 , se dirá que X es
una función medible si verifica X −1 (A0 ) ∈ F, ∀A0 ∈ F 0 .

5.3. Variable aleatoria real

Definición 5.3.1 Sean los espacios medibles o probabilizables (Ω, F) y (R, B(R)), se dice que la
función X : Ω → R es una variable aleatoria real si verifica

X −1 (B) ∈ F, ∀B ∈ B(R).

Proposición 5.3.1 Sean los espacios probabilizables (Ω, F) y (R, B(R)). La condición necesaria y
suficiente, para que X : Ω → R sea variable aleatoria, es que

X −1 (C) ∈ F,

siendo C = {(−∞, x], ∀x ∈ R}.

Proposición 5.3.2 Sea X una variable aleatoria real y f una función continua real, entonces f ◦X
es una variable aleatoria real.

Corolario 5.3.1 Sea X una variable aleatoria real y sea a ∈ R, entonces cada una de las funciones,
aX, a + X y |X|a , son variables aleatorias reales, en sus campos de existencia.
5.4. FUNCIÓN INDICADOR 3

Proposición 5.3.3 Sean X1 y X2 dos variables aleatorias reales definidas sobre el mismo espacio
probabilizable (Ω, F), entonces los conjuntos:

A = {w ∈ Ω : X1 (w) < X2 (w) + c, c ∈ R},

B = {w ∈ Ω : X1 (w) ≤ X2 (w) + c, c ∈ R},

C = {w ∈ Ω : X1 (w) = X2 (w) + c, c ∈ R},

son conjuntos medibles.

Proposición 5.3.4 Sean X1 y X2 dos variables aleatorias reales definidas sobre el mismo espacio
probabilizable (Ω, F) entonces X1 + X2 y X1 · X2 son variables aleatorias reales.

Definición 5.3.2 Sea X una variable aleatoria real se define la parte positiva de X y se repre-
senta por X + a

X + = máx{X, 0},

y por la parte negativa (representada por X − ) a

X − = máx{−X, 0}.

Proposición 5.3.5 Si X es una variable aleatoria real definida sobre (Ω, F), también lo son X +
y X −.

Proposición 5.3.6 Sea {Xn } una sucesión de variables aleatorias reales, definidas sobre el mismo
espacio probabilizable (Ω, F), entonces también son variables aleatorias reales

sup Xn , inf Xn ,

y también

lı́m sup Xn , lı́m inf Xn .

Y el lı́mite de una sucesión convergente de variables aleatorias reales, también será una variable
aleatoria real.

5.4. Función indicador

Se considera un espacio probabilizable (Ω, F).

4 TEMA 5. VARIABLES ALEATORIAS

Definición 5.4.1 Se llama función indicador o caracterı́stica de un suceso A ∈ F a la función

IA : Ω → {0, 1},

1, si w ∈ A,

definida por IA (w) =
si w ∈

0, / A.

Proposición 5.4.1 Dado un espacio probabilizable (Ω, F), la condición necesaria y suficiente para
que la función indicador de un suceso A, (IA ), sea variable aleatoria real, es que A ∈ F.

Propiedades 5.4.1 Propiedades de la función indicador:

1. I∅ = 0.

2. IΩ = 1.

3. IA = 1 − IA .

4. Para A ⊂ B, entonces IA ≤ IB .

5. Sean A1 , . . . , An con Ai ∩ Aj = ∅ for i 6= j, entonces

n
X
ISni=1 Ai = IAi .
i=1

6. Sean A1 , . . . , An , entonces
n
Y
ITni=1 Ai = IAi .
i=1

Sea la función X : Ω → R cuyo recorrido es un conjunto finito de valores de R, {x1 , x2 , . . . , xn } ⊂

R, entonces se produce en Ω una partición debida a los sucesos Ai = {w ∈ Ω : X(w) = xi }. Ası́ se
tendrá que ni=1 Ai = Ω, Ai ∩ Aj = ∅ para i 6= j y X puede expresarse de la siguiente forma:
S

n
X
X= xi IAi .
i=1

5.4.1. Variable aleatoria simple

Definición 5.4.2 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 5.4.2 La suma, el producto y el producto por una constante de variables aleatorias
simples es otra variable aleatoria simple.

Proposición 5.4.3 Si X es una variable aleatoria no negativa, entonces X = lı́m Xn donde {Xn }
es una sucesión no decreciente de variables aleatorias simples no negativas.
5.5. FUNCIÓN DE DISTRIBUCIÓN 5

5.5. Probabilidad inducida por una variable aleatoria. Función de

distribución

Sea el espacio probabilı́stico (Ω, F, P ) y sea X una variable aleatoria definida sobre Ω, X :
Ω → R. Dado B ∈ B(R), se sabe que X −1 (B) ∈ F y por tanto, podrı́a definirse una función
PX : B(R) → R+ ∪ {0} de la siguiente forma

PX (B) = P (X −1 (B)).

Proposición 5.5.1 La tripleta (R, B(R), PX ) es un espacio probabilı́stico.

Definición 5.5.1 El espacio probabilı́stico (R, B(R), PX ) previamente construido se denomina es-
pacio probabilı́stico inducido por la variable aleatoria X. La probabilidad PX , definida sobre
B(R) se denomina medida de probabilidad o probabilidad inducida por X.

Definición 5.5.2 Dada una variable aleatoria real X, la función de distribución de la variable
aleatoria X, se denotará por FX y está unı́vocamente 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 5.5.2 La función F : R → R+ ∪ {0} definida por F (x) = P [X ≤ x] satisface las

siguientes condiciones,

1. F es monótona no decreciente.

2. lı́m F (x) = 0.
x→−∞

3. lı́m F (x) = 1.
x→+∞

4. F es continua a la derecha en todo punto a ∈ R.

* Existe el lı́mite por la izquierda en cualquier punto a ∈ R.

Definición 5.5.3 Una función F : R → R+ ∪ {0} satisfaciendo las cuatro primeras propiedades
de la proposición anterior (Proposición 5.5.2), se dice que es una función de distribución.

Proposición 5.5.3 (Propiedades de continuidad de la Función de Distribución) Se verifica:

1. La función de distribución F es continua en x ∈ R si y sólo si P (X = x) = 0.

6 TEMA 5. VARIABLES ALEATORIAS

Figura 5.1: Ejemplo de función de distribución absolutamente continua.

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) para todo 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) para todo x ∈ C1 ∩ C2 , entonces F1 (x) = F2 (x) para todo x ∈ R.

Teorema 5.1 (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 discreta y Fc es una función de distribución continua. La

descomposición anterior es única para α ∈ (0, 1).

Teorema 5.2 (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 distribu-
ción singular. Y la descomposición anterior es única para β ∈ (0, 1).
5.5. FUNCIÓN DE DISTRIBUCIÓN 7

Figura 5.2: Ejemplo de función de distribución singular.

1
F (x)

5/6

4/6

0,5

2/6

1/6

1 2 3 4 5 6 7

Figura 5.3: Ejemplo de función de distribución discreta.

8 TEMA 5. VARIABLES ALEATORIAS

1
F (x)

0,8

0,6

0,4

1 2 3 4 5 6 7

Figura 5.4: Ejemplo de función de distribución mixta.

Teorema 5.3 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.

Y la descomposición anterior es única para γ1 + γ2 + γ3 < 1.

Teorema 5.4 Sea la función de distribución F (x), entonces existe una única medida de probabili-
dad P definida sobre B(R) que verifica:

PX (a, b] = F (b) − F (a), para a ≤ b, a, b ∈ R.

5.6. 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.
5.6. CLASIFICACIÓN DE VARIABLES ALEATORIAS REALES 9

Si la suma de los saltos está en (0, 1), 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 mixto.

Vemos esta clasificación con más detalle en las subsecciones siguientes.

5.6.1. Variables aleatorias discretas

Definición 5.6.1 Se dice que una variable aleatoria real es discreta si su función de distri-
bución es discreta.

Definición 5.6.2 Si X es una variable aleatoria real discreta, existe un conjunto

S = {x1 , x2 , x3 , . . .} ⊂ R,

numerable que verifica PX (S) = 1. En tal caso, la variable aleatoria real X admite la representación
de forma,
X
X(ω) = xi IAi (ω)
i≥1

donde Ai = {ω ∈ Ω : X(ω) = xi } y Ai ⊆ F, ∀i ≥ 1.

Definición 5.6.3 Dada una sucesión de números reales {pn }. Se dirá que dicha sucesión forma
una distribución de probabilidad si verifica:

1. pn ≥ 0.

P∞
2. n=1 pn = 1.

Sea X una variable aleatoria discreta que toma los valores x1 , x2 , . . . , 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 la variable aleatoria X.

5.6.2. Variables aleatorias continuas y absolutamente continuas

Definición 5.6.4 Se dice que una variable aleatoria real es absolutamente continua si su fun-
ción de distribución es absolutamente continua.
10 TEMA 5. VARIABLES ALEATORIAS

P (X = x)
0,5

2/6

1/6

1 2 3 4 5 6

Figura 5.5: Ejemplo de función de probabilidad. Función de masa de probabilidad de una variable
aleatoria uniforme discreta.

Figura 5.6: Función de densidad de una variable normal (N(0,1).

Definición 5.6.5 Si X es una variable aleatoria absolutamente continua, entonces existe una fun-
ción f : R → R llamada función de densidad de la variable aleatoria X y que verifica:

1. f (x) ≥ 0, ∀x ∈ R.
R +∞
2. −∞ f (x)dx = 1.
Rx
3. F (x) = −∞ f (t)dt, ∀x ∈ R.

Definición 5.6.6 Se dice que una variable aleatoria es singular si su función de distribución es
singular.

Definición 5.6.7 Si X es una variable aleatoria singular, su función de distribución F es continua

pero su derivada F 0 (x) = 0 en casi todos los puntos (en todo R salvo un conjunto de medida nula).
5.6. CLASIFICACIÓN DE VARIABLES ALEATORIAS REALES 11

5.6.3. Variables aleatorias mixtas

Definición 5.6.8 Se dice que una variable aleaoria X es mixta, cuando no es discreta ni continua.