Procesos Estocsticos

Departamento de Elctrica y Electrnica

Dr. Marco J. Flores C.

Abril-Septiembre 2016

Funciones de variables aleatorias

Transformaciones 1D
Distribuciones de transformaciones de v.a.
Si X es una v.a. con cdf FX (x ) y g () es una funcin, entonces
Y = g (X ) es una v.a. Esto es, para cualquier conjunto A
(

P Y

la distribucin de

A) = P (g (X ) A)

depende de las funciones FX y g .

Formalmente, si se escribe y = g (x ), la funcin g (x ) dene una

aplicacin del espacio original de X , SX , al nuevo espacio de Y , SY , esto
es:
( ) : SX SY

g x

La aplicacin inversa, que es una aplicacin de subconjuntos de SY en

subconjuntos de SX , es denida por:
g

con

(A) = {x SX : g (X ) A}

SY .
Dr. Marco J. Flores C.

Procesos Estocsticos

Funciones de variables aleatorias

Transformaciones 1D
Distribuciones de transformaciones de v.a. discretas
Si X es una v.a. discreta, entonces SX es contable. El espacio muestral
para Y = g (X ) es SY = {y : y = g (x ), x SX } es tambin contable. As
Y es tambin una v.a. discreta. Su pdf es:
fY

(y ) = P (Y = y ) =

y fY (y ) = 0 para

P X

= x) =

x g 1 ( y )
y

X
x g 1 ( y )

/ SY .

Ejemplos
Ejemplos de espacios muestrales contables.
Binomial (Finito): SX = {0, 1, ..., n}
Poisson (Innito): SX = {0, 1, ...}
Dr. Marco J. Flores C.

Procesos Estocsticos

( ) para

fX x

SY

Funciones de variables aleatorias

Transformaciones 1D
Distribuciones de transformaciones de v.a. continuas
Si X es una v.a. continua, entonces la cdf de Y = g (X ) es:
FY

(y )

P Y

6 y ) = P (g (X ) 6 y )

({x SX : g (x ) 6 y })

{x SX :g (x )6y }

fX x dx

( )

A menudo es difcil identicar {x SX : g (x ) 6 y } y llevar a cabo la

integracin.
Para la transformacin de X a Y = g (X ) es ms conveniente usar:
SX

= {x : fX (x ) > 0} y SY = {y : y = g (x )}

Dr. Marco J. Flores C.

Procesos Estocsticos

(1)

Funciones de variables aleatorias

Transformaciones 1D
Teorema
Si X es una v.a. con cdf FX (x ) y sea Y = g (X ) y sean
SX = {x : fX (x ) > 0} y SY = {y : y = g (x )}, entonces
Si
y

es una funcin creciente en SX , FY (y ) = FX (g 1 (y )) para

SY

Si
FY

es una funcin decreciente en SX y

(y ) = 1 FX (g 1 (y )) para

es una v.a. continua,

SY

Teorema
Si X es una v.a. con pdf fX (x ) y sea Y = g (X ), donde g es una funcin
montona. Sean SX = {x : fX (x ) > 0} y SY = {y : y = g (x )}.
Supongamos que fX (x ) es continua en SX y que g 1 (y ) tiene derivada
continua en SY . Entonces, la pdf de Y est dada por
fY

(y ) = fX (g



 d 1 

(y ))  g (y ) para
dy

Dr. Marco J. Flores C.

Procesos Estocsticos

SY

Funciones de variables aleatorias

Transformaciones 1D
Teorema
Sea X es una v.a. con pdf fX (x ) y sea Y = g (X ). Sea
SX = {x : fX (x ) > 0}. Supongamos que existe una particin,
A0 , A1 , ..., Ak de SX tal que P (X A0 ) = 0 y fX (x ) es continua sobre
cada Ai . Adems supongamos que existen las funciones g1 (x ), ..., gk (x ),
denidas sobre A1 , ..., Ak , respectivamente, satisfaciendo:
g (x ) = gi (x ) para x Ai .
gi (x ) es montona en Ai .
El conjunto SY = {y : y = gi (x ) para algn x Ai } es el mismo para
cada i = 1, ..., k .
1
g
i (y ) tiene una derivada continua en Y , para cada i = 1, ..., k .
Entonces:
fY

(y ) =

k
X
i =1



d

( i1 (y ))  gi1 (y )
dy

fX g

Dr. Marco J. Flores C.

para

Procesos Estocsticos

SY

Funciones de variables aleatorias

Transformaciones 1D
Teorema
Sea X una v.a. continua con cdf FX (x ), y sea Y la v.a. denida como
Y = FX (X ). Entonces, Y es uniformemente distribuida en (0, 1), esto es,
P (Y 6 y ) = y para 0 < y < 1.

P Y

6 y)

P FX X

P X

( ) 6 y)

6 FX1 (y ))

Z FX (y )
1

fX t dt

( )

( X1 (y )) FX ()

FX F

Este teorema tiene importantes aplicaciones en los mtodos

computacionales para la generacin de v.a.
Dr. Marco J. Flores C.

Procesos Estocsticos

Funciones de variables aleatorias

Ejercicios de transformaciones 1D
Ejemplo 1
Sea X una v.a. discreta con distribucin binomial de parmetros (n, p ).
Sea Y = g (X ) donde g (x ) = n x . Hallar la distribucin de Y y
explicitar SY [1].




Nota: yn = nn y

Ejemplo 2
Sea X una v.a. discreta con pdf denida por:
 x
(

P X

= x) =

Encontrar la distribucin de

si x = 1, 2, 3
caso contrario

= 2X 1.

Dr. Marco J. Flores C.

Procesos Estocsticos

Funciones de variables aleatorias

Ejercicios de transformaciones 1D
Ejemplo 3
Sea X una v.a. continua con pdf fX (x ). Sea Y = g (X ), donde
g (x ) = log (x ). Hallar la cdf de Y y explicitar SY [1].


fX x

( )=

1
0

si 0 < x < 1
caso contrario

Ejemplo 4
Sea X una v.a. continua con pdf Gamma,
1
n1 e x / si 0 < x < y 0 caso contrario. Sea
X fX ( x ) =
(n1)!n x
Y = g (X ), donde g (x ) = 1/x .
Hallar la distribucin de Y y explicitar SY . Usando Matlab gracar la cdf
y la pdf. [1].
(n + 1) = n! para

entero.

Dr. Marco J. Flores C.

Procesos Estocsticos

Funciones de variables aleatorias

Ejercicios de transformaciones 1D
Ejemplo 5
Sea X una v.a. continua. Si
su pdf [1].
Sol: FY (y ) = FX (

) FX (

= X 2 , encontrar su cdf y, a partir de ello

Ejemplo 6
Si

U (1, 1), obtener la pdf y la cdf de

Ejemplo 7
Sea X Po () y sea

Hallar la pdf de
Sol:

P Y

= X 2 [3].

= g (X ) denida por la siguiente ecuacin [2]:


1 si X es par
Y =
1 si X es impar

= 1) = 12 (1 + exp (2)) y
Dr. Marco J. Flores C.

P Y

= 1) = 1 P (Y = 1)

Procesos Estocsticos

Funciones de variables aleatorias

Ejercicios de transformaciones 1D
Ejemplo 8
Problema del pndulo: Sea
el ngulo de un pndulo medido
desde la vertical cuyo extremo
superior se encuentra sostenido
del punto (0, 1). Sea (X , 0) el
punto de interseccin de la recta
que contiene al pndulo y el eje
X , tal como se muestra en la Fig
1. Si es una v.a. uniforme
en el intervalo (, ). Hallar la
distribucin de X = tan().
Sol: fX (x ) =

Figure: Pndulo

(1+x 2 )

Dr. Marco J. Flores C.

Procesos Estocsticos

Funciones de variables aleatorias

Ejercicios de transformaciones 1D
Ejemplo 9
Sea X una v.a. continua con distribucion normal estandar. Si
encontrar su pdf y los conjuntos A0 , A1 , A2
A0

= {0}

A1

= (, 0),

A2

= X 2,

(y ) = y

= (0, ), g2 (x ) = x 2 , entonces g21 (y ) = y

( ) = x 2 , entonces

g1 x

g1

La pdf es:
1 (y )
e
2

fY ( y ) =

para

> 0. As,

/2




1  1


+

( y )2 /2



 1 
  = 1 1 e y /2
2 y 
2 y

21 .

Dr. Marco J. Flores C.

Procesos Estocsticos

Funciones de variables aleatorias

Tarea para reforzar el conocimiento

Ejemplo 10
Construir un mtodo para generar v.a dada la CDF.
Exponencial: X Exp ()
Laplace: X Lp (, )
fX x

( )


FX x

( )=

X (y ) =

|x |

1 (x )
2e
1 12 e (x )

ln(2y )

+
1 ln(2 2y ) +

Dr. Marco J. Flores C.

>0

si
si

x
x

<
>

si 0 6 y 6 1/2
si 1/2 6 y 6 1

Procesos Estocsticos

Funciones de variables aleatorias

Tarea para reforzar el conocimiento

Ejemplo 10
Construir un mtodo para generar v.a dada la CDF.
Cauchy: X Co ()
fX x

( )

1
x 2 + 2

x 
1 1
+ atan
2

1
F
X (y ) = tan (y /2)
FX x

( )

Dr. Marco J. Flores C.

Procesos Estocsticos

Funciones de variables aleatorias

Tarea para reforzar el conocimiento

Tarea
Desarrollar ejercicios de este tema, dividir en discretas y continuas,
independientemente.

Dr. Marco J. Flores C.

Procesos Estocsticos

Funciones de variables aleatorias

Geoge Casella and Roger L. Berger.

Statistical Inference.
Thomson Learning Inc., 2002.
Steven M. Kay.
Intuitive Probability and Random Processes Using Matlab

Springer-Verlag US, 2006.

Athanasios Papoulis.

Probability, random variables and stochastic processes

McGraw-Hill, Inc, 1991.

Dr. Marco J. Flores C.

Procesos Estocsticos