Procesos Estocásticos

Departamento de Eléctrica, Electrónica y Telecomunicaciones

Dr. Marco J. Flores C.

Marzo-Agosto 2019
 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 función, entonces Y = g (X ) es una
v.a. Esto es, para cualquier conjunto A

P(Y ∈ A) = P(g (X ) ∈ A)

la distribución de Y depende de las funciones FX y g .

Formalmente, si se escribe y = g (x), la función g (x) dene una aplicación del
espacio original de X , SX , al nuevo espacio de Y , SY , esto es:

g (x) : SX −→ SY

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

subconjuntos de SX , es denida por:

g −1 (A) = {x ∈ SX : g (X ) ∈ A}

con A ⊂ SY .
Dr. Marco J. Flores C. Procesos Estocásticos Marzo-Agosto 2019 2 / 17
 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 también contable. Así Y es también
una v.a. discreta. Su pdf es:
X X
fY (y ) = P(Y = y ) = P(X = x) = fX (x) para y ∈ SY
x∈g −1 (y ) x∈g −1 (y )

y fY (y ) = 0 para 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 Estocásticos Marzo-Agosto 2019 3 / 17

 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 )
= P({x ∈ SX : g (x) 6 y })
Z
= fX (x)dx
{x∈SX :g (x)6y }

A menudo es difícil identicar {x ∈ SX : g (x) 6 y } y llevar a cabo la integración.

Para la transformación de X a Y = g (X ) es más conveniente usar:

SX = {x : fX (x) > 0} y SY = {y : y = g (x)} (1)

Dr. Marco J. Flores C. Procesos Estocásticos Marzo-Agosto 2019 4 / 17

 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 g es una función creciente en SX , FY (y ) = FX (g −1 (y )) para y ∈ SY
Si g es una función decreciente en SX y X es una v.a. continua,
FY (y ) = 1 − FX (g −1 (y )) para y ∈ SY

Teorema
Si X es una v.a. con pdf fX (x) y sea Y = g (X ), donde g es una función
monótona. 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 está dada por
 
d
fY (y ) = fX (g −1 (y ))  g −1 (y ) para y ∈ SY

dy

Dr. Marco J. Flores C. Procesos Estocásticos Marzo-Agosto 2019 5 / 17

 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 partición, A0 , A1 , ..., Ak de SX tal que P(X ∈ A0 ) = 0
y fX (x) es continua sobre cada Ai . Además 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 monótona en Ai .
El conjunto SY = {y : y = gi (x) para algún x ∈ Ai } es el mismo para cada
i = 1, ..., k .
gi−1 (y ) tiene una derivada continua en Y , para cada i = 1, ..., k .
Entonces:

X
k  
 d −1 
fY (y ) = fX (gi−1 (y ))  g (y ) para y ∈ SY
dy i
i=1

Dr. Marco J. Flores C. Procesos Estocásticos Marzo-Agosto 2019 6 / 17

 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 ) 6 y )
= P(X 6 FX−1 (y ))
Z FX−1 (y )
= fX (t)dt
−∞
= FX (FX−1 (y )) − FX (−∞)
= y

Este teorema tiene importantes aplicaciones en los métodos computacionales para

la generación de v.a.
Dr. Marco J. Flores C. Procesos Estocásticos Marzo-Agosto 2019 7 / 17
 Funciones de variables aleatorias

Transformaciones 1D

Determinación de la pdf de g (X ) usando ΦX (t)

Sea X un v.a. con función característica, ΦX (t), y sea Y = g (X ). Para
determinar la pdf de Y se puede usar la función característica, de manera que:
Z∞ Z∞
ΦY (t) = e jtY fY (y )dy |{z}
= E [e jtg (X ) ] = e jtg (x) fX (x)dx
−∞
Y =g (X ) |−∞R {z }
∞
−∞ e jty h(y )dy

de donde se concluye que fY (y ) = h(y ).

Dr. Marco J. Flores C. Procesos Estocásticos Marzo-Agosto 2019 8 / 17

 Funciones de variables aleatorias

Ejercicios de transformaciones 1D

Ejemplo 1
Sea X una v.a. discreta con distribución binomial de parámetros (n, p). Sea
Y = g (X ) donde g (x) = n − x . Hallar la distribución de Y y explicitar SY [?].

Nota: n n



y = n−y

Ejemplo 2
Sea X una v.a. discreta con pdf denida por:
 x
6 si x = 1, 2, 3
P(X = x) =
0 caso contrario

Encontrar la distribución de Y = 2X − 1.

Dr. Marco J. Flores C. Procesos Estocásticos Marzo-Agosto 2019 9 / 17

 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 si 0 < x < 1
fX (x) =
0 caso contrario

Ejemplo 4
Sea X una v.a. continua con pdf Gamma, X ∼ fX (x) = (n−11)!βn x n−1 e −x/β si
0 < x < ∞ y 0 caso contrario. Sea Y = g (X ), donde g (x) = 1/x .
Hallar la distribución de Y y explicitar SY . Usando Matlab gracar la cdf y la pdf.
[?].

Γ (n + 1) = n! para n entero.

Dr. Marco J. Flores C. Procesos Estocásticos Marzo-Agosto 2019 10 / 17

 Funciones de variables aleatorias

Ejercicios de transformaciones 1D

Ejemplo 5
Sea X una v.a. continua. Si Y = X 2 , encontrar su cdf y, a partir de ello su pdf [?].
√ √
Sol: FY (y ) = FX ( y ) − FX (− y )

Ejemplo 6
Si X ∼ U(−1, 1), obtener la pdf y la cdf de Y = X 2 [?].

Ejemplo 7
Sea X ∼ Po(λ) y sea Y = g (X ) denida por la siguiente ecuación [?]:

1 si X es par
Y =
−1 si X es impar
Hallar la pdf de Y .

Sol: P(Y = 1) = 21 (1 + exp(−2λ)) y P(Y = −1) = 1 − P(Y = 1)

Dr. Marco J. Flores C. Procesos Estocásticos Marzo-Agosto 2019 11 / 17
 Funciones de variables aleatorias

Ejercicios de transformaciones 1D

Ejemplo 8
Problema del péndulo: Sea Θ el
ángulo de un péndulo medido desde
la vertical cuyo extremo superior se
encuentra sostenido del punto (0, 1).
Sea (X , 0) el punto de intersección
de la recta que contiene al péndulo
y el eje X , tal como se muestra en la
Fig 1. Si Θ es una v.a. uniforme
en el intervalo (−π, π). Hallar la Figure: Péndulo

distribución de X = tan(Θ).
1
Sol: fX (x) = π(1+x 2 )

Dr. Marco J. Flores C. Procesos Estocásticos Marzo-Agosto 2019 12 / 17

 Funciones de variables aleatorias

Ejercicios de transformaciones 1D

Ejemplo 9
Sea X una v.a. continua con distribucion normal estandar. Si Y = X 2 , encontrar
su pdf y los conjuntos A0 , A1 , A2

A0 = {0}
√
A1 = (−∞, 0), g1 (x) = x 2 , entonces g1−1 (y ) = − y
√
A2 = (0, ∞), g2 (x) = x 2 , entonces g2−1 (y ) = y
La pdf es:
1 −(−√y ) 1  1 −(√y )2 /2  1  1 1 −y /2
   
2
/2

fY (y ) = √ e − √
 2 y + √ e  2√y  = √2π √y e
2π 2π

para y > 0. Así, Y ∼ χ21 .

Dr. Marco J. Flores C. Procesos Estocásticos Marzo-Agosto 2019 13 / 17

 Funciones de variables aleatorias

Tarea para reforzar el conocimiento

Ejemplo 10
Construir un método para generar v.a dada la CDF.
Exponencial: X ∼ Exp(λ)
Laplace: X ∼ Lp(λ, η)
λ
fX (x) = e −λ|x−η| λ>0
2
 1 λ(x−η)
2e si x < η
FX (x) =
1 − 12 e −λ(x−η) si x > η
 1
FX−1 (y ) = λ ln(2y ) +η si 0 6 y 6 1/2
− λ1 ln(2 − 2y ) + η si 1/2 6 y 6 1

Dr. Marco J. Flores C. Procesos Estocásticos Marzo-Agosto 2019 14 / 17

 Funciones de variables aleatorias

Tarea para reforzar el conocimiento

Ejemplo 10
Construir un método para generar v.a dada la CDF.
Cauchy: X ∼ Co(λ)
1 λ
fX (x) =
π x 2 + λ2
1 1 x 
FX (x) + atan
=
2 π λ
−1
FX (y ) = λtan (πy − π/2)

Dr. Marco J. Flores C. Procesos Estocásticos Marzo-Agosto 2019 15 / 17

 Funciones de variables aleatorias

Ejemplos usando ΦX (t)

Ejemplo 11: pdf de Y = g (X )

Sea X ∼ N(0, σ2 ) y sea Y = aX 2 . Hallar la pdf de Y usando ΦX (t).
Z∞ Z∞
2 2 2 2
/2σ2
ΦY (t) = e jtax fX (x)dx = √ e jatx e −x dx
−∞ σ 2π 0

Reemplanzando y = ax 2 y dy = 2axdx se obtiene el resultado-

−y /2aσ2
Sol: fY (y ) = e √ si y > 0.
σ 2πay

Ejemplo 12: pdf de Y = g (X )

Sea X ∼ U(−π/2, π/2) y sea Y = sin(X
p ). Hallar la pdf de Y .
Usar: y = sin(x) y dy = cos(x)dx = 1 − y 2 dx
Sol: fY (y ) = p1 con |y | < 1
π 1−y 2

Dr. Marco J. Flores C. Procesos Estocásticos Marzo-Agosto 2019 16 / 17

 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 Estocásticos Marzo-Agosto 2019 17 / 17