Tema 3: Funcio n de Variable Aleatoria

Transcripción

1 Tema 3: Funcio n de Variable Aleatoria Teorı a de la Comunicacio n Curso

2 Contenido 1 Función de una Variable Aleatoria 2 3 Cálculo de la fdp 4 Generación de Números Aleatorios 5 Momentos de una Variable Aleatoria

3 Contenido 1 Función de una Variable Aleatoria 2 3 Cálculo de la fdp 4 Generación de Números Aleatorios 5 Momentos de una Variable Aleatoria

4 Función de una Variable Aleatoria Definición Motivación: Sistema cuya entrada es una v.a. X Salida v.a. Y Que podemos decir sobre la salida? Podemos calcular F Y (y), f Y (y)? Nos debemos conformar con estadísticos (media, varianza,...)? Definición: Consideremos un espacio probabilístico < Ω, F, P > y una v.a. X ligados a ε. Entonces, dada g(x) una función de R en R, la expresión Y = g(x) es una nueva v.a. definida como: Y : Ω R ω Ω g [X(ω)] R Ω ω 1 Y ω 2 X g(x) x 1 x 2 R y 2 y 1 R Ω X Ω Y

5 Contenido 1 Función de una Variable Aleatoria 2 3 Cálculo de la fdp 4 Generación de Números Aleatorios 5 Momentos de una Variable Aleatoria

6 Función Distribución de una función de Variable Aleatoria Caracterización de una función de v.a.: Trataremos de caracterizar la v.a Y a partir del conocimiento estadístico de la v.a. X y de la función de transformación y = g(x). X F X(x) f X(x) η X σ X g( ) Y F Y(y) f Y(y) η Y σ Y? : F Y (y) a partir de F X(x) y g(x). F Y (y) = P (Y y) = P (X B X) B X = {x R g(x) y} }{{} Necesitamos obtener estas regiones g(x) x 1 x 2 x 3 x 4 R y R

7 1 X continua, g(x) monótona creciente (continua en Ω X) x 2 > x 1 g(x 2) > g(x 1) F Y (y) = P (Y y) = P (X B X) = P (X g 1 (y)) = F X(g 1 (y)) Ejemplo: y = g(x) = ax + b, con a > 0 x = g 1 (y) = y b a ( ) y b F Y (y) = F X a Supongamos X v.a. exponencial con c > 0 { { 1 e cx x 0 F X (x) = F 0 x < 0 Y (y) = y b c 1 e a y b 0 y < b 2 X continua, g(x) monótona decreciente (continua en Ω X) x 2 > x 1 g(x 2) < g(x 1) F Y (y) = P (Y y) = P (X B X) = P (X g 1 (y)) = 1 F X(g 1 (y))

8 3 X continua, g(x) no monótona, no constante en ningún intervalo La región B X viene dada por la unión de intervalos del tipo B X = [, x 1] [x 2, x 3]... donde x i son las raíces de y = g(x). Ejemplo: y = g(x) = x 2 F Y (y) = F X(x 1) + F X(x 3) F X(x 2) +... Obtenemos las raíces: y < 0 y = x 2 no tiene solución y 0 y = x 2 x 1, x 2 = ± y Supongamos X v.a. uniforme en [ 1/2, 1/2] 0 x y 0 F X(x) = x < x 1 F Y (y) = 2 y 0 y 1 1 x > y > 1 2 4

9 4 X continua, g(x) constante en algún intervalo de Ω X Y mixta Ejemplo: Saturador Saturador b y=g(x) 0 b b 0 b x B X = (, y] (, ) y < b b y < b b y F Y (y) = 0 y < b F X (y) b y < b F X ( ) = 1 b y

10 4 X continua, g(x) constante en algún intervalo de Ω X Y mixta Ejemplo: Saturador. Supongamos X N (0, b) Ω X = R = (, ) Ω Y = [ b, b] F X (x) F Y (y) b b 0 b 2b x 0 2b b 0 b 2b y

11 5 X continua, g(x) escalonada Y discreta Ejemplo: Función escalón (cuantificador) { 1 x 0 g(x) = u(x) = 0 resto Supongamos X N (0, σ) Rango de entrada Ω X = (, ) Rango de salida Ω Y = {0, 1} Y v.a. Bernoulli P (Y = 0) = P (X < 0) = F X (0) = G(0) = 1 2 P (Y = 1) = P (X 0) = 1 F X (0) = 1 2

12 6 X discreta Y discreta Ω X = {x 1, x 2,..., x n} Ω Y = {y 1, y 2,..., y k } P (Y = y k ) = i P (X = x i) con g(x i) = y k Ejemplo: y = g(x) = x 2 Supongamos Ω X = { 2, 1, 0, 1, 2} P (X = k) = 1 5 k = 2,..., 2 Entonces: Ω Y = {0, 1, 4} P (Y = 0) = P (X = 0) = 1 5 P (Y = 1) = P (X = 1) + P (X = 1) = 2 5 P (Y = 4) = P (X = 2) + P (X = 2) = 2 5

13 Contenido 1 Función de una Variable Aleatoria 2 3 Cálculo de la fdp 4 Generación de Números Aleatorios 5 Momentos de una Variable Aleatoria

14 Cálculo de la fdp Teorema Fundamental Teorema: Sea X una v.a. continua y g(x) una función no constante en ningún intervalo de Ω X. Entonces la fdp de la variable aleatoria Y = g(x) viene dada por f Y (y) = g (x) es la derivada de g(x) x i son las raíces de y = g(x) n i=1 f X(x i) g (x i) g(x 1) = g(x 2) =... = g(x n) = y Si no existen raíces de y = g(x) entonces f Y (y) = 0 Generalización: Si g(x) es constante, de valor y 0, en alguna región C Ω X entonces P (Y = y 0) = f X(x)dx 0 Función δ(y y 0) en f Y (y) C

15 Cálculo de la fdp Teorema Fundamental. Ejemplos 1 y 2 X v.a. exponencial y g(x) = ax + b con a 0 Obtención de las raíces: x 1 = (y b)/a (solución única) Derivada: g (x) = a f Y (y) = fx(x1) g (x = fx( y b ) { y b c a e c a x 0 = a 1) a 0 x < 0 Para a > 0: Para a < 0: f Y (y) = f Y (y) = { { y b c e c a a y b 0 y < b c y b e c a a y b 0 y > b

16 Cálculo de la fdp Teorema Fundamental. Ejemplos 3 X v.a. uniforme en [ 1/2, 1/2] y g(x) = x 2 Obtención de las raíces: y < 0 y = x 2 no tiene solución y > 0 y = x 2 x 1, x 2 = ± y Derivada: g (x) = 2x f Y (y) = fx(x1) g (x 1) + fx(x2) g (x = fx( y) 2) 2 y + fx( y) 2 y para y 0 Cuidado con las regiones!! 1 2 < x < 1 2 { 1 2 < x < > y > 0 0 < x < < y < 1 4 Finalmente: f Y (y) = { 1 y 0 < y y < 0

17 Cálculo de la fdp Teorema Fundamental. Ejemplos 4 X v.a. Gaussiana N (η, σ), y = g(x) = e x Obtención de las raíces: y 0 y = e x no tiene solución f Y (y) = 0 y > 0 y = e x x 1 = ln(y) Derivada: g (x) = e x f Y (y) = fx(x1) g (x = fx(ln(y)) = 1 1) e ln(y) fx (ln(y)) y > 0 y Conocemos f X(x) = 1 2πσ e x η 2 2σ 2 Finalmente, Y es una v.a. lognormal f Y (y) = { 1 y 2πσ < x < (ln(y) η) 2 e 2σ 2 y > 0 0 y 0

18 Contenido 1 Función de una Variable Aleatoria 2 3 Cálculo de la fdp 4 Generación de Números Aleatorios 5 Momentos de una Variable Aleatoria

19 Generación de Números Aleatorios Generación de Números Aleatorios Todos los ordenadores son capaces de generar numeros aleatorios uniformemente distribuidos entre 0 y 1 (Ej: Función rand en Matlab) U n = X n m X n+1 = (ax n + c)mod m En ocasiones necesitaremos generar secuencias aleatorias que sigan una distribución distinta de la uniforme. Podremos generar variables aleatorias con cualquier distribución a partir de transformaciones de una v.a. uniforme?

20 Generación de Números Aleatorios Generación de Números Aleatorios Supongamos que disponemos de una v.a. Y con una función distribución conocida F Y (y) y que le aplicamos la transformación X = g(y ) = F Y (Y ) F X (x) P (X x) = P (B X ) = P (B Y ) = P (Y y) F Y (y) = x 0 < x < 1 1 F Y(y) = x x B X B Y y y Y F Y(y) x=g(y)=f Y (y) X Uniforme en (0,1) Caso inverso: Dada una v.a. X uniforme entre 0 y 1, obtendremos Y con F Y (y) sin más que aplicar la transformación inversa Y = F 1 Y (X) X Uniforme en (0,1) y=g -1 (x)=f -1 Y(x) Y F Y(y)

21 Generación de Números Aleatorios Generación de Números Aleatorios. Ejemplos Gaussiana: f Y (y) = 1 e (y η)2 2σ 2 2πσ F Y (y) = G( y η σ ) = erf ( ) y η σ ( F 1 Y (x) = σg 1 (x) + η = σerf 1 x 1 2 ) + η Exponencial: (c > 0) f Y (y) = ce cy y > 0 F Y (y) = 1 e cy y > 0 F 1 Y (x) = 1 ln(1 x) c

22 Generación de Números Aleatorios Generación de Números Aleatorios. Ejemplos Laplace: f Y (y) = c 2 e c y η c > 0 { 1 F Y (y) = 2 ec(y η) y < η e c(y η) y η { 1 F 1 Y (x) = c ln(2x) + η 0 x c ln(2 2x) + η 1 2 x 1 Cauchy: f Y (y) = c/π y 2 + c 2 c > 0 F Y (y) = ( y π arctan c ( F 1 Y (x) = c tan πx π ) 2 )

23 Contenido 1 Función de una Variable Aleatoria 2 3 Cálculo de la fdp 4 Generación de Números Aleatorios 5 Momentos de una Variable Aleatoria

24 Momentos de una Variable Aleatoria Momentos de Una Variable Aleatoria Consideremos la transformación Y = g(x) Media: η Y = E[Y ] = sin embargo, se puede calcular como η Y = E[Y ] = E[g(X)] = yf Y (y)dy g(x)f X(x)dx Teorema: El operador esperanza matemática es un operador lineal E[aX + b] = ae[x] + b Varianza: σy 2 = Var [g(x)] = E [ g 2 (X) ] E ([g(x)]) 2 Var [ax + b] = a 2 Var[X] = a 2 σ 2 X

25 Momentos de una Variable Aleatoria Momentos de Una Variable Aleatoria Los momentos de una v.a. son n o s reales que proporcionan información estadística parcial Momento no centrado de orden n: m n = Caso particular: Momento centrado de orden n: µ n = x n f X(x)dx = E[X n ] n = 1, 2,... m 1 = E[X] = η X (x η X) n f X(x)dx = E[(X η X) n ] n = 2, 3,... Caso particular: µ 2 = E[(X η X ) 2 ] = σ 2 X