CAPITULO 5

Funciones de Variables
Aleatorias
y
Funcin Generadora de
Momentos
Estadstica Computacional

Sea X v.a. con funcin de densidad
(cuanta) f
X
. 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
Funciones de Variables Aleatorias
P(C) = P[{ x e R
X
: H(x) e C}] = P[{ s e O : H(X(s)) e C}]
H(x) e C
H(X(s)) e C
R
Y
C
X(s) e B
R
X
B
O
A
s e A
X : O R
X


s e O dominio X
x e R
X
rango X
(s, x) e X

H : R
X
R
Y


x e R
X
dominio H
y e R
Y
rango H
(x, y) e H
Y : O R
Y


s e O dominio Y = H(X)
y e R
Y
rango Y = H(X)
(s, y) e Y = H(X)

Transformacin de Variables
Sea X una v.a. discreta con funcin de cuanta f(x
ij
)
x
11
x
21
x
31
x
41
x
n1 x
12
x
22
x
32
x
n2
x
13
x
23
x
33
x
n3
x
1j
x
2j
x
3j
x
nj
9
X
9
Y
y
1
y
2
y
3
y
j
Sea H(x
ij
) = y
j
una funcin que tiene la propiedad de asignar un valor y
j

a todo x
ij
j e J para i = 1, 2, 3 ,...; j = 1, 2,...
f(x
11
) f(x
31
) f(x
n1
) f(x
12
) f(x
n2
) f(x
13
) f(x
n3
) f(x
1j
) f(x
nj
)

Entonces
Y = H(X) es una variable aleatoria
con funcin de cuanta g(y
j
) = f(x
ij
)

E
nj
ij = 1j
Transformacin de Variables
Sea X v.a. con funcin de densidad (cuanta) f
X
(x)
Sea Y = H(x) tambin es una variable aleatoria.

Entonces:
Si H(x) continua
continua
Si H(x) discreta
discreta
X es v.a.
Y = H( X) es
v.a. continua
Y = H( X) es
v.a. discreta
Y = H( X) es
v.a. discreta
Y = H( X) es
v.a. discreta
Transformacin de Variables
X : O R . g : D R


Y = g(X) v.a.
v.a.c. f
u
continua, estrictamente
montona, derivable y con
derivada no nula en A _ D
Entonces:



) (
) (
)) ( ( ) (
) (
y I
dy
y dg
y g f y f
A g X Y
- - =

1
1
Funciones de Variables Aleatorias

g(y) = G(y) (y - 1)

2
9
1 2 3 4 5
1
y
y
g(y)
1 2
y = 3x + 1
1
2
3
4
x
y
Sea
Y = H(X) = 3X + 1

pdf de Y; g(y) ?
x
Sea
X v.a. f(x) = 2x 0 < x < 1
f(x) = 2x
0 < x < 1
2
f(x)
1
= P(X s (y 1)/ 3)


= 2x dx = [y 1]
2

(
]
(y 1)/3
0
1
9
G(y) = P(Y s y) = P(3X + 1 s y)
Transformacin de V.A. Continuas
Funciones de Variables Aleatorias
Ejemplo:

f
X
(x) = I
|0,1|
(x)
g(x) = ln x


Sea Y = g o X = ln X.

Encontrar la densidad de Y = ln X
Solucin:

Sea A = |0,1| _ D = R
+

Adems g es derivable y con derivada no
nula en A

Entonces:



) ( ) ( ) ( ) (
ln
y I e y I e e f y f
R
y
R
y y
X X

- - = - - = 1
Funciones de Variables Aleatorias
Caso X ~ U (0,1) H(X) = ln X
Sea X ~ U(0,1)
f(x) = 1 0 < x < 1
Y = H(X) Y = ln X
X = H
-1
(Y) X = e
Y

encontrar g(y)
G(y) = P(Y s y)
P(ln X s y)
P(X s e
y
)
F(e
y
)
1
g(y)
y
-
g(y) = G(y) = = 1
x
e
y

dx
dy
dF(x)
dx
g(y) >0

x y
0 -
1 0
Solucin:

Adems, algunas propiedades de Y son:





| | | |
| |
} }

- = = = =
R
y
dx x I x X E dy ye Y E
1
0
1 0
1 ) ( ln ln
,
| | | | 1 1
2
= = Y E Y V
Funciones de Variables Aleatorias
Un mtodo operativo
X ~ U (0,1) Y = ln X



derivando con respecto a y tenemos:




) (ln ) ( ) ( y X P y Y P y F
Y
s = s =
) ( ) (
y
X
y
e F e X P = s =
y y
X
y
X
Y Y
e e f
dy
dx
dx
e dF
y F
dy
d
y f - = - = = ) (
) (
) ( ) (
) ( y I e
R
y

- - =1
En general, sea X v.a.c. / Y = X
2





Consideremos X ~ N(0,1), sea Y = X
2
, luego:



Y ~
2
(1)
{ } ) ( ) ( ) ( y f y f
y
y f
X X Y
+ =
2
1
t t t
2 1
2 2 1
2 2
2 2
1
2
1
2
1
/
/ /
/ /
) (
y
y y
Y
e y
e e
y
y f


=
)
`

+ =
Un mtodo operativo
Ejercicio
Sea X = ln Y ~ N ( , o
2
)

Encontrar la distribucin de Y

Nota: Y se conoce como
distribucin Log-normal.
Distribucin Log-Normal
Funcin de Densidad LN( 0, o
2
)
Funcin Generadora de Momentos
Definicin: Sea X v.a. (d. c.) con densidad
o cuanta f
X
. Se llama funcin generadora de
momentos a
: D _ R R /
X
(t) = E [e
tX
]
t
X
(t)


X v.a.d.

X v.a.c.

e
=
I i
i X
tx
X
x f e t
i
) ( ) (
}
=
R
tx
X
dx x f e t ) ( ) (
Funcin Generadora de Momentos
Observaciones:

Tal serie o integral pude no existir siempre
t e D.
Sin embargo, t = 0 existe siempre, y vale 1.
Deseamos que exista V(0,o)cD y que
adems sea derivable k-veces.
Cuando
X
(t)=E[e
tX
] no exista, podemos
usar |
X
(t)=E|e
itX
| llamada funcin
caracterstica.
Funcin Generadora de Momentos
X
X
(t)

U(a,b)

|
|
.
|

\
|

|
.
|

\
|
t
e e
a b
at bt
1

P()

| | ) ( 1
t
e
e

Exp(u)

( )
u
u
u
<

t
t

N(,o
2
)

| | 2
2 2
/ t t
e
o +
Funcin Generadora de Momentos
X
X
(t)

I(o,|)

|
o
o
|
.
|

\
|
t

B(n,p)

| |
n
p pe
t
) ( + 1
Funcin Generadora de Momentos
Usando el desarrollo en serie de Maclaurin
X
(t)
| |
(

+ + + + + + = = ...
!
...
! !
) (
n
x t x t x t
tx E e E t
n n
tx
X
3 2
1
3 3 2 2

| | | | | | ...
!
...
!
) ( + + + + + =
n
n
X
X E
n
t
X E
t
X tE t
2
2
2
1

X
(0) = E[X]

X
(0) = E[X
2
]
En general, bajo condiciones de regularidad:

n
X
(0) = E[X
n
]
Funcin Generadora de Momentos
Finalmente:

Si Y = oX + |
Y
(t) = e
|t

X
(ot)

Z = X + Y ; X Y
Z
(t) =
X
(t)
Y
(t)
Funcin de Densidad LN( 0, o
2
)
Distribucin Log-Normal
Caso X ~ U (0,1) H(X) = e
-X
Sea X ~ U(0,1)
f(x) = 1 0 < x < 1
Y = H(X) Y = e
-X

X = H
-1
(Y) X = - ln Y

encontrar g(y)
G(y) = P(Y s y) = P(e-
X
s y)
P(- X s ln y ) =
P(X > - ln y ) =
1 F(ln y)
g(y)
x y
0 1
1 e
-1
1
g(y)
y
e
-1
1
g(y) = G(y) = = - 1

dx
dy
dF(x)
dx
_ 1
y
Entonces:



) (
))
(
( ) (
dy
y dH
y H f y g
X Y
=
-
-
1
1
X : O 9
X
. H : 9
X
9
Y




Y = H(X) v.a.
v.a.c.
H()
continua, estrictamente
montona, derivable y con
derivada no nula en A _ 9
Y
Transformacin de V.A. Continuas
Caso X ~ U (0,1) H(X) = X
2
Sea X ~ U(0,1)
f(x) = 1 0 < x < 1
Y = H(X) Y = X
2

X = H
-1
(Y) X = \ Y X = - \ Y



encontrar g(y) =
G(y) = P(Y s y) = P(X
2
s y)
P(- \y s X s \ y ) =
F(\ y ) F(- \ y )
g(y) = f(\ y ) + f(- \ y )
1
2 \ y
G(y) =

dF(\y)
dx
dx
dy

dF(-\y)
dx
dx
dy
Caso X ~ N (,o
2
) H(X) =
(X )
o
Sea X ~ N(,o
2
)
f(x) = e - < x <
Y = H(X) Y =
X = H
-1
(Y) X = oY +



encontrar g(y)
X
o
g(y) = f(x)

dx
dy
Sabemos que
=
e
2
1
o t
o y + -
o
1
2
2
*
o
g(y) =
2
1
t
e
-
1
2
y
2
Reconocemos la
Normal Estandar
(N(0,1)
1
\2t
-
x -
o
2
o
Caso X ~ N (,o
2
) H(X) = ln X
Sea X ~ N(,o
2
)
f(x) = e - < x <
Y = H(X) Y = ln X
X = H
-1
(Y) X = e
Y



encontrar g(y)
g(y) = f(x)

dx
dy
Sabemos que
=
e
2
1
o t
e
y
-
o
1
2
2
*
e
y

g(y) =
e
2
1
o t
e
y
-
o
1
2
2
y

1
\2t
-
x -
o
2
o
Caso X ~ N (,o
2
) H(X) = e
X
Sea X ~ N(,o
2
)
f(x) = e - < x <
Y = H(X) Y = e
X
X = H
-1
(Y) X = lnY




encontrar g(y)
g(y) = f(x)

dx
dy
Sabemos que
1
\2t
-
x -
o
2
o
=
2
1
t
e
lny
o
1
2
2
*
1
y

o
Se le denomina
distribucin
LogNormal: (N(0,1)
y g
t
1
2
y
-
=
e
lny
o
1
2
2
o
Fenmenos aleatorios representados por variables
aleatorias con esta distribucin:

Dimetro de pequeas partculas despus de un
proceso de chancado

El tamao de un organismo sujeto a un nmero
pequeo de impulsos

Rentas de familias; consumo de electricidad; ventas en pesos;
etc.

Tiempo de vida de ciertos tems

Anlisis de riesgo financiero en el clculo del VAN


Distribucin LogNormal (0,1)
R x
e
E[X] = e
+ o /2


V[X] = e
2
+ o
(e
o
1)

F(x) :
No tiene expresin
analtica.
e f(x) =
2
o
t
ln x -
o


_
x
-1
2
1
2
2
2 2
Distribucin LogNormal (, o
2
)
Caso X ~ N(0,1) H(X) = X
2
Sea X ~ N(0,1)
f(x) = e - < x <
Y = H(X) Y = X
2

X = H
-1
(Y) X = \ Y
. X = - \ Y

encontrar g(y)
g(y) = f(\ y ) + f(- \ y )
1
2 \ y
Sabemos que:
t t t
2 1
2 2 1
2 2
2 2
1
2
1
2
1
/
/ /
/ /
y
y y
e y
e e
y
- -
- -
=
)
`




+ =
y g
t
2 1
2 2 1
2
/
/ / y
e y
- -
=
Reconocemos
una distribucin
v ; con v = 1
_
1
\2t
- x
2
Sea X ~ U(1, 3)
H(X) = 3X + 1
J(X) = e
X
Sea f(x) = e
-x
x > 0

H(X) = X
3

J(X) =
3
(X + 1)
2
Sea f(x) = 2x 0 < x < 1
H(X) = 3X + 1
J(X) = e
-X
Sea f(x) = -1 < x < 1
H(X) = 4 x
2
J(X) = ln X

Desafos ...
) f( x
= x > 0
v
e x
v
x v
I

2
2
2
2
1
2
I
t
1
2
=
\