CAPITULO 5

Funciones de Variables
Aleatorias
y
Función Generadora de
Momentos

Estadística
Computacional
 Funciones de Variables Aleatorias

Sea X v.a. con función de densidad

(cuantía) fX. Sea Y = g(x). Entonces:

 X es v.a. discreta y g continua 

Y = g o X es v.a. discreta

 X es v.a. continua y g continua 

Y = g o X sea v.a. continua
 Transformación de Variables

X :   RX H : RX  RY
x  RX dominio H
s   dominio X
x  RX rango X
RX y  RY rango H
(s, x)  X
B
(x, y)  H RY
 X(s)  B C
A
H(x)  C

sA H(X(s))  C

Y :   RY
s   dominio Y = H(X)
y  RY rango Y = H(X)
(s, y)  Y = H(X)

P(C) = P[{ x  RX : H(x)  C}] = P[{ s   : H(X(s))  C}]

 Transformación de Variables

Sea X una v.a. discreta con función de cuantía f(xij)

f(x11) ··· f(x31) ·······f(xn1) f(x12) ········· f(xn2) f(x13) ········· f(xn3) f(x1j) ········· f(xnj)
X
x11 x21 x31 x41 ······· xn1 x12 x22 x32 ·· xn2 x13 x23 x33 ·· xn3 x1j x2j x3j ·· xnj

Y
y1 y2 y3 yj

Sea H(xij) = yj una función que tiene la propiedad de asignar un valor yj

Entonces
Entonces a todo x j  J para i = 1, 2, 3 ,...; j = 1, 2,...
YY==H(X)
ij
es
esuna
unavariable
variablealeatoria
nj


H(X) aleatoria
con
confunción
funciónde
decuantía
cuantía g(y
g(yj)j)== f(x
f(xij)ij)
ij = 1j
 Transformación de Variables

Sea X v.a. con función de densidad (cuantía) fX(x)

Sea Y = H(x) también es una variable aleatoria.

Entonces:
Si H(x) discreta Si H(x) continua

Y = H( X) es Y = H( X) es
discreta v.a. discreta v.a. discreta
X es v.a.
Y = H( X) es Y = H( X) es
continua
v.a. discreta v.a. continua
 Funciones de Variables Aleatorias

X :  v.a.c.R  g:D R
fu continua, estrictamente
monótona, derivable y con
derivada no nula en A  D

Y = g(X) v.a.

Entonces:
1
1 dg ( y )
fY ( y )  f X ( g ( y ))   I g ( A) ( y )
dy
 Transformación de V.A. Continuas

f(x)
Sea 2
X v.a. f(x) = 2x 0 < x < 1
y
x
1
Sea f(x) = 2x
0<x<1
Y = H(X) = 3X + 1 4

pdf de Y; g(y) ?
2

y = 3x + 1
1

G(y) = P(Y  y) = P(3X + 1  y) g(y)

x

= P(X  (y – 1)/ 3) 1 1 2

(y –1)/3 y
y

=  2x dx =
1
[y – 1]2
1 2 3 4 5

9
g(y) 2
0
g(y)==G’(y)
G’(y) 9 (y
(y--1)
1)
Funciones de Variables Aleatorias

Ejemplo:
fX(x) = I0,1(x)
g(x) = ln x
Sea Y = g o X = ln X.
Encontrar la densidad de Y = ln X
 Funciones de Variables Aleatorias

Solución:
Sea A = 0,1  D = R+
Además g es derivable y con derivada no
nula en A
Entonces:
f ln X ( y )  f X (e )  e  I R  ( y )  1 e  I R  ( y )
y y y
 Caso X  U (0,1) H(X) = ln X
Sea X ~ U(0,1) G(y) = P(Y  y)
f(x) = 1 0<x<1 P(ln X  y)
Y = H(X)  Y = ln X P(X  ey )
X = H-1(Y)  X = eY F(ey)
g(y)

encontrar g(y) 1

dF(x) dx
g(y) = G’(y) = = 1 x ey
dx dy

x y
g(y) >0  y
0 - -

1 0
 Funciones de Variables Aleatorias

Solución:
Además, algunas propiedades de Y son:
1
E Y    ye dy  1  E ln X    ln x  I 
y
0 ,1 ( x )dx
R 0

 
V Y   E Y 2  1  1
 Un método operativo
X  U (0,1) Y = ln X
FY ( y )  P(Y  y )  P(ln X  y )
 P( X  e )  FX (e )
y y

derivando con respecto a “y” tenemos:

d dFX (e y ) dx
fY ( y )  FY ( y )    f X (e )  e
y y

dy dx dy
 1 e y  I R  ( y )
 Un método operativo
En general, sea X v.a.c.  Y = X2
fY ( y ) 
1
2 y
 
f X ( y )  f X ( y )

Consideremos X  N(0,1), sea Y = X2, luego:

1  1 y/2 1  y / 2  y 1/ 2 e  y / 2
fY ( y )   e  e   1/ 2
2 y  2 2  2 
Y  (1)
2
 Ejercicio

Sea X = ln Y  N (  , 2 )

Encontrar la distribución de Y

Nota: Y se conoce como

distribución Log-normal.
 Distribución Log-Normal

Función de Densidad LN( 0, 2)

Función Generadora de Momentos
Definición: Sea X v.a. (d. ó c.) con densidad
o cuantía fX. Se llama función generadora de
momentos a
:DR R / X(t) = E [etX]
t X(t)

 X (t )   e f X ( xi )
txi
X v.a.d. iI

 X (t )   e f ( x )dx
tx
X v.a.c. R
 Función Generadora de Momentos
Observaciones:
 Tal serie o integral pude no existir siempre
 t  D.
 Sin embargo, t = 0 existe siempre, y vale 1.
 Deseamos que exista V(0,)D y que
además sea derivable k-veces.
 Cuando X(t)=E[etX] no exista, podemos
usar X(t)=EeitX llamada función
característica.
Función Generadora de Momentos
X X(t)

 1  e e bt at

U(a,b)   
 b  a  t 
P() e   ( e 1) 
t


Exp() t 
  t 
N(, )2
e  t  2 2
t /2 
Función Generadora de Momentos
X X(t)


  
(,)  
 t 

B(n,p)  pe  (1  p)
t n
 Función Generadora de Momentos
Usando el desarrollo en serie de Maclaurin X(t)

 
 X (t )  E etx

 E 1  tx 
t 2 x 2 t 3 x3
2!

3!
 ... 
t n xn
n!

 ...
 

   
2 n
t t
 X (t )  1  tE  X   E X  ...  E X  ...
2 n

2! n!
’X(0) = E[X]
’’X(0) = E[X2]
Función Generadora de Momentos
En general, bajo condiciones de regularidad:
nX(0) = E[Xn]

Finalmente:

Si Y = X +   Y(t) = et X(t)

Z = X + Y ; X  Y  Z(t) = X(t) Y(t)

 Distribución Log-Normal

Función de Densidad LN( 0, 2)

 Caso X  U (0,1) H(X) = e-X
Sea X ~ U(0,1)
G(y) = P(Y  y) = P(e-X  y)
f(x) = 1 0<x<1
P(- X  ln y ) =
Y = H(X)  Y = e-X
P(X  - ln y ) =
X = H-1(Y)  X = - ln Y
1 – F(ln y)
encontrar g(y) g(y)

dF(x) dx _1 1
g(y) = G’(y) = = -1
dx dy y

g(y)  x y
0 1 y

1 e-1 e-1 1
 Transformación de V.A. Continuas

X:  X  H : X Y
v.a.c.
H()
continua, estrictamente
monótona, derivable y con
derivada no nula en A  Y

Y = H(X) v.a.

Entonces:
-1
-1 dH ( y )
gY( y) = fX( H ( y ))
dy
 Caso X  U (0,1) H(X) = X2
Sea X ~ U(0,1)
G(y) = P(Y  y) = P(X2  y)
f(x) = 1 0 < x < 1
P(- y  X   y ) =
Y = H(X)  Y=X 2
F( y ) – F(-  y )
X = H (Y)  X =  Y
-1
ó X=-Y

dF(y) dx dF(-y) dx
encontrar g(y) = G’(y) = 
dx dy dx dy

g(y) = 1 f( y ) + f(-  y )

2y
 (X –  )
Caso X  N (, ) 2
H(X) = 
Sea X ~ N(,2) 2
x - Sabemos que
1 -½ 
f(x) = e - < x < 
2  X–
Y = H(X)  Y=  dx
g(y) = f(x)
dy
X = H-1(Y)  X = Y + 
2
1 y+-
1 2 
encontrar g(y) =
2 
e * 

1 - 1 y2
g(y) = e 2 Reconocemos la
2 Normal Estandar
(N(0,1)
 Caso X  N (,2) H(X) = ln X
Sea X ~ N(,2) 2
x - Sabemos que
1 -½  - < x < 
f(x) = e
2 
Y = H(X)  Y = ln X dx
g(y) = f(x)
dy
X = H-1(Y)  X = eY
2
1
ey - 
1 2 
encontrar g(y) =
2 
e *e
y

2
1
ey - 
y
1 2 
g(y) =
2 
e
 Caso X  N (,2) H(X) = eX
Sea X ~ N(,2) 2
x - Sabemos que
1 -½  - < x < 
f(x) = e
2 
Y = H(X)  Y = eX dx
g(y) = f(x)
dy
X = H-1(Y)  X = lnY

2
1 lny – 
1 
encontrar g(y) 2
=
2 
e *
1
y

2
1 lny – 
-1 Se le denomina
y e 2 
distribución
g y =
2  LogNormal: (N(0,1)
 Distribución LogNormal (0,1)

Fenómenos aleatorios representados por variables

aleatorias con esta distribución:

• Diámetro de pequeñas partículas después de un

proceso de chancado
• El tamaño de un organismo sujeto a un número
pequeño de impulsos
• Rentas de familias; consumo de electricidad; ventas en pesos;
etc.
• Tiempo de vida de ciertos ítems
• Análisis de riesgo financiero en el cálculo del VAN
Distribución LogNormal (, 2)

2
_ 1
ln x - 
x-1 2 
f(x) =
2 
e
x  R

F(x) : No tiene expresión

analítica.


E[X] = e 

V[X] = e2(e– 1)
 Caso X  N(0,1) H(X) = X2
Sea X ~ N(0,1) Sabemos que:
1 -½x 2
f(x) = e - < x < 
2
Y = H(X)  Y = X2 g(y) = 1 f( y ) + f(-  y )
2y
X = H-1(Y)  X =  Y

. ó X=-Y
- -
1  1 - y/ 2 1 - y / 2  y 1/ 2e y / 2
encontrar g(y) =  e + e  = 1/ 2
2 y  2 2  2 

- 1/ 2 - y/ 2
y e Reconocemos
g y =
21 2 
/  una distribución
 ; con  = 1
 Desafíos ...

Sea X ~ U(1, 3) Sea f(x) = 2x 0<x<1

H(X) = 3X + 1 H(X) = 3X + 1
J(X) = eX J(X) = e-X

Sea f(x) = e-x x>0 Sea f(x) = ½ -1 < x < 1

H(X) = X3 H(X) = 4 – x2
3
J(X) = J(X) = ln X
(X + 1)2
  x
1 
x 2
e 2

f(x ) =  x>0
2 2  
2

 1
2
= 