Documentos de Académico
Documentos de Profesional
Documentos de Cultura
5funciones Medibles Variables Aleatorias
5funciones Medibles Variables Aleatorias
(Ω, F, P)
X↓ X −1 ↑ l
(R, B(R), PX )
PX : B(R) → R+ ∪ {0}
PX (B) = P (X −1 (B))
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 ).
1
2 TEMA 5. VARIABLES ALEATORIAS
1. X −1 (∅) = ∅ y X −1 (Ω0 ) = Ω.
2. X −1 (A0 ) = X −1 (A0 ).
5. Si A0 ⊂ B 0 , entonces X −1 (A0 ) ⊂ X −1 (B 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 .
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,
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:
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},
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
Y el lı́mite de una sucesión convergente de variables aleatorias reales, también será una variable
aleatoria real.
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.
1. I∅ = 0.
2. IΩ = 1.
3. IA = 1 − IA .
4. Para A ⊂ B, entonces IA ≤ IB .
6. Sean A1 , . . . , An , entonces
n
Y
ITni=1 Ai = IAi .
i=1
n
X
X= xi IAi .
i=1
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
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)).
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:
1. F es monótona no decreciente.
2. lı́m F (x) = 0.
x→−∞
3. lı́m F (x) = 1.
x→+∞
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.
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.
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
1
F (x)
5/6
4/6
0,5
2/6
1/6
1 2 3 4 5 6 7
1
F (x)
0,8
0,6
0,4
1 2 3 4 5 6 7
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:
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 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.
Definición 5.6.1 Se dice que una variable aleatoria real es discreta si su función de distri-
bución es discreta.
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.
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.
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 5.6.8 Se dice que una variable aleaoria X es mixta, cuando no es discreta ni continua.