Transformaciones y esperanza

Transcripción

1 Capítulo 3 Transformaciones y esperanza 3.1. Introducción Por lo general estamos en condiciones de modelar un fenómeno en términos de una variable aleatoria X cuya función de distribución acumulada es F X (x). La pregunta es si estaremos también en condiciones de estudiar el comportamiento de aquellas variables aleatorias que son trasformaciones de X. En este capítulo se estudian algunas técnicas que permiten conocer el comportamiento probabilístico de Y = g(x) Transformaciones para variables aleatorias Si X es una variable aleatoria con función de distribución acumulada F X (x) entonces cualquier función de X es también una variable aleatoria. Si se define Y = g(x) es posible describir el comportamiento probabilistico de Y en términos de X. Formalmente y = g(x) define un mapa desde el espacio muestral de X al espacio muestral de Y. Es decir: g (x) : X Y Se asocia a g un mapa inverso, denotado por g 1, definido por: g 1 (A) = {x X : g (x) A} (3.2.1) 28

2 CAPÍTULO 3. TRANSFORMACIONES Y ESPERANZA 29 Para cualquier conjunto A Y: Caso discreto Pr (Y A) = Pr (g (X) A) = Pr ({x X : g (x) A}) (3.2.2) = Pr ( X g 1 (A) ) Si X es una variable aleatoria discreta entonces X es numerable. El espacio muestral para Y = g(x) es: Y = {y : y = g (x), x X } el cual también es un conjunto numerable. Usando la ecuación la función de probabilidad de Y es: f Y (y) = Pr (Y = y) = x g 1 (y) f X (x) Ejemplo Sea X BI (n, p). Hallar la función de probabilidad de Y = g (X) = n X. Ejemplo Sea X una variable aleatoria con función de probabilidad: f X (x) = 1 2n x = ±1, ±2,, ±n Hallar la función de probabilidad de Y = g (X) = X Caso continuo La función de distribución acumulada de Y = g (X) es: F Y (y) = Pr (Y y) = Pr (g (X) y) = Pr ({x X : g (x) y}) ˆ (3.2.3) = f X (x) dx {x X :g(x) y}

3 CAPÍTULO 3. TRANSFORMACIONES Y ESPERANZA 30 Es sencillo trabajar con funciones g (x) que son monótonas, es decir aquellas que satisfacen alguna de las siguientes relaciones: u > v g (u) > g (v) (creciente) o u < v g (u) > g (v) (decreciente) Figura 3.1: Función monótona creciente (a) y decreciente (b) x^ log(x) (a) (b) Si la transformación x g (x) es monótona entonces es uno a uno y sobreyectiva. Si g es creciente: {x X : g (x) y} = { x X : g 1 (g (x)) g 1 (y) } y usando 3.2.3, se tiene que: = { x X : x g 1 (y) } (3.2.4) ˆ F Y (y) = f X (x) dx = {x X :x g 1 (y)} ˆ g 1 (y) f X (x) dx = F X ( g 1 (y) )

4 CAPÍTULO 3. TRANSFORMACIONES Y ESPERANZA 31 Si g es decreciente, entonces: {x X : g (x) y} = {x X : g 1 (g (x)) g 1 (y)} = {x X : x g 1 (y)} (3.2.5) se tiene que: F Y (y) = ˆ g 1 (y) f X (x) dx = 1 F X ( g 1 (y) ) Se resumen los resultados anteriores en el siguiente teorema. Teorema Sea X una variable aleatoria con función de distribución acumulada F X (x). Se define Y = g (X) y los espacios muestrales X y Y. a. Si g es una función creciente sobre X, entonces F Y (y) = F X (g 1 (y)) para y Y. b. Si g es una función decreciente sobre X, entonces F Y (y) = 1 F X (g 1 (y)) para y Y. Ejemplo Suponga que X tiene distribución uniforme en el intervalo (0,1). Demostrar que Y = g (X) = log X tiene distribución exponencial con parámetro β = 1. En R se pueden generar números aleatorios sobre la distribución uniforme y luego obtener un histograma para los valores transformados según g(x). > set.seed(200) > x <- runif(n=1000, min=0, max=1) > y <- -log(x) > hist(y, freq=f, xlab="", ylab="", main="")

5 CAPÍTULO 3. TRANSFORMACIONES Y ESPERANZA 32 Figure 3.2: Histograma para Y = log X En el ejemplo anterior la función de densidad de Y se obtiene derivando su función de distribución acumulada. La expresión resultante se presenta en el siguiente teorema. Teorema Sean X con función de densidad f X (x) y Y = g (X) donde g es una función monótona. Suponga que f X (x) es continua sobre X y que g 1 (y) tiene una derivada continua sobre Y. Entonces la función de densidad de Y es: f X (g 1 (y)) d dy f Y (y) = g 1 (y) y Y (3.2.6) 0 de otro modo

6 CAPÍTULO 3. TRANSFORMACIONES Y ESPERANZA 33 Demostración: Usando el teorema y la regla de la cadena se tiene: f Y (y) = d dy F Y (y) = f X (g 1 (y)) d dy g 1 (y) f X (g 1 (y)) d dy g 1 (y) si g es creciente si g es decreciente Ejemplo Sea X W(γ, β) donde γ > 0. Hallar la distribución de Y = g (X) = X γ. En muchas aplicaciones la función g podría no ser creciente ni decreciente, por consiguiente no prodrian aplicarse los resultados anteriores. Sin embargo es común el caso en el que la función g es monótona sobre ciertos subintervalos, los que permiten obtener una expresión para Y = g (X). Ejemplo Suponga que X es una variable aleatoria continua. La función de distribución acumulada de Y = X 2, para y > 0, es: F Y (y) = Pr (Y y) = Pr ( X 2 y ) = Pr ( y X y) Como X es variable aleatoria continua se tiene: F Y (y) = Pr (X y) Pr (X y) = F X ( y) F X ( y) La función de densidad de Y puede obtenerse derivando su función de distribución acumulada: f Y (y) = d dy F Y (y) = d dy [F X ( y) F X ( y)] y usando la regla de la cadena para derivar F X ( y) y F X ( y) se tiene: f Y (y) = f X ( y) 1 2 y + f X ( 1 y) 2 y (3.2.7) Notar que la función de densidad anterior esta expresada como la suma de dos componentes sobre los intervalos donde g (x) = x 2 es monótona.

7 CAPÍTULO 3. TRANSFORMACIONES Y ESPERANZA 34 Teorema Sea X con función de densidad f X (x), Y = g (X) y espacio muestral X. Suponga que existe una partición A 0, A 1,, A k de X tal que Pr (X A 0 ) = 0 y f X (x) es continua sobre cada A i. Suponga además que existen funciones g 1 (x),, g k (x) definidas sobre A 1,, A k respectivamente, que satisfacen: a. g (x) = g i (x) para x A i, b. g i (x) es monótona sobre A i, c. El conjunto Y = {y : y = g i (x) para algún x A i } es el mismo para cada i = 1,, k. d. g 1 i (y) tiene una derivada continua en Y, para cada i = 1,, k. Entonces: ( ki=1 f X g 1 i (y) ) d dy f Y (y) = g 1 i (y) y Y 0 de otro modo Es importante notar que cada g i (x) es una transformación uno a uno desde A i hacia Y. Además, gi 1 (y) es una función uno a uno desde Y hacia A i, tal que, para y Y, gi 1 (y) permite obtener un único x = gi 1 (y) A i para el cual g i (x) = y. Ejemplo Sea X N (0, 1). Demostrar que Y = g(x) = X 2 tiene distribución chi-cuadrado con 1 grado de libertad. En algunos ocasiones la partición A 0, A 1,, A k de X forma también una partición del conjunto Y. En este caso todavía es posible usar Ejemplo Sea X E(β). Hallar la función de densidad de Y = g(x) = (X 2) 2. Teorema Sea X cuya función de distribución acumulada, F X (x), es continua. Si se define la variable aleatoria Y = F X (x), entonces Y tiene distribución uniforme en el intervalo (0, 1).

8 CAPÍTULO 3. TRANSFORMACIONES Y ESPERANZA 35 Demostración: Si Y = F X (x) entonces 0 < y < 1, Pr (Y y) = Pr (F X (X) y) = Pr ( FX 1 (F X (X)) FX 1 (y) ) = Pr ( X FX 1 (y) ) ( = F X F 1 X (y) ) = y 3.3. Valores esperados Definición El valor esperado o media de una variable aleatoria g (X), denotado por E [g (X)], es: x X g (x) f X (x) si X es discreta E [g (X)] = g (x) f (3.3.1) X (x) dx si X es continua siempre que la integral o suma exista. Si E [ g (X) ] = se dice que E [g (X)] no existe. Ejemplo Suponga que X E (β), entonces: E [X] = ˆ 0 x 1 β e x/β dx = β Ejemplo Si X BI (n, p), entonces: n n n n E [X] = x p x (1 p) n x = x p x (1 p) n x x=0 x x=1 x Usando la identidad x n x = n n 1 x 1 se tiene: n n 1 E [X] = n p x (1 p) n x x=1 x 1 n 1 n 1 = n p y+1 (1 p) n (y+1) y=0 y n 1 n 1 = np p y (1 p) n 1 y y=0 y = np

9 CAPÍTULO 3. TRANSFORMACIONES Y ESPERANZA 36 Ejemplo Un ejemplo clásico de una variable aleatoria cuyo valor esperado no existe corresponde a la distribución de Cauchy. Teorema Sea X una variable aleatoria y sean a, b y c constantes. Entonces para funciones cualesquiera g 1 (x) y g 2 (x) cuyos valores esperados existan, a. E [ag 1 (X) + bg 2 (X) + c] = ae [g 1 (X)] + be [g 2 (X)] + c. b. Si g 1 (x) 0 para todo x, entonces E [g 1 (X)] 0. c. Si g 1 (x) g 2 (x) para todo x, entonces E [g 1 (X)] E [g 2 (X)]. d. Si a g 1 (x) b para todo x, entonces a E [g 1 (X)] b. Ejemplo Suponga que se mide la distancia entre una variable aleatoria X y una constante b mediante (X b) 2. Mientras más cerca esté b de X más pequeña sera dicha cantidad. El objetivo es determinar el valor de b que minimize E[(X b) 2 ]. E [ (X b) 2] = E [ (X E [X] + E [X] b) 2] = E [ ((X E [X]) + (E [X] b)) 2] = E [ (X E [X]) 2] + E [ (E [X] b) 2] ya que E [(X E [X])(E [X] b)] = 0. Además (E [X] b) es una constante. Luego: E [ (X b) 2] = E [ (X E [X]) 2] + (E [X] b) 2 Como no se tiene control sobre el primer término del lado derecho y el segundo término puede ser mayor o igual a 0, el menor valor se obtiene cuando b = E[X]. Entonces: min b E [ (X b) 2] = E [ (X E [X]) 2]

10 CAPÍTULO 3. TRANSFORMACIONES Y ESPERANZA Momentos y función generatriz de momentos Definición Para cada entero n, el n-ésimo momento de X, µ n, es: µ n = E [X n ] El n-ésimo momento central de X, µ n, es: donde µ = µ 1 = E [X]. µ n = E [(X µ) n ] Definición La varianza de una variable aleatoria X es su segundo momento central, Var (X) = E [(X µ) 2 ]. La raíz cuadrada positiva de la varianza es conocida como desviación estándar. Ejemplo Si X E (β), entonces: Var (X) = E [ (X µ) 2] = ˆ 0 (x β) 2 1 β e x/β dx = β 2 Teorema Si X es una variable aleatoria con varianza finita, entonces para constantes cualesquiera a y b: Var (ax + b) = a 2 Var (X) Demostración: Usando la definición de varianza: Var (ax + b) = E [ ((ax + b) E [(ax + b)]) 2] = E [ (ax ae [X]) 2] = a 2 E [ (X E [X]) 2] = a 2 Var (X) La siguiente forma de calcular la varianza es bastante útil: Var (X) = E[X 2 ] E 2 [X] (3.4.1)

11 CAPÍTULO 3. TRANSFORMACIONES Y ESPERANZA 38 Ejemplo Si X BI (n, p), entonces:. pero: luego, Finalmente: ) n E[X 2 ] = x 2( n p x (1 p) n x x=0 x n x 2 n! n 1 = x x (x 1)!(n x)! = xn x 1 n n 1 E[X 2 ] = xn p x (1 p) n x x=1 x 1 n 1 n 1 = n (y + 1) p y+1 (1 p) n 1 y y=0 y = np(n 1)p + np Var [X] = n 2 p 2 np 2 + np (np) 2 = np(1 p) Definición Sea X una variable aleatoria. La función generatriz de momentos de X, denotada por M X (t), es: M X (t) = E [ e tx] sujeto a que el valor esperado exista. Entonces: x e tx f X (x) M X (t) = etx f X (x) dx si X es discreta si X es continua Teorema Si X tiene función generatríz de momentos M X (t) entonces: donde M (n) X (0) = dn dt n M X (t) t=0. E [X] = M (1) X (0)

12 CAPÍTULO 3. TRANSFORMACIONES Y ESPERANZA 39 Prueba: Asumiendo que es posible intercambiar la derivada con la integral, se tiene: d dt M X(t) = d dt = = ˆ ˆ ˆ e tx f X (x)dx ( d dt etx = E [ Xe tx] ) xe tx f X (x)dx f X (x)dx luego d dt M X(t) t=0 = E [ Xe tx] t=0 = E [X]. Trabajando de manera análoga, se puede establecer que: d n dt n M X(t) t=0 = E [ X n e tx] t=0 = E [X n ] Ejemplo Sea X G(α, β). La función generatriz de momentos esta dada por: M X (t) = = = = = 1 Γ(α)β α 1 Γ(α)β α 1 Γ(α)β α ˆ 0 ˆ 0 ˆ 0 1 Γ(α)β Γ(α) α α 1 1 βt e tx x α 1 e x/β dx x α 1 e x((1/β) t) dx x α 1 e x/( 1 βt) β dx ( β ) α 1 βt y existe solo si t < 1/β. La media de la distribución gamma es: E [X] = d dt M X(t) t=0 = αβ (1 βt) α+1 = αβ t=0 Los otros momentos pueden calcularse de forma similar.

13 CAPÍTULO 3. TRANSFORMACIONES Y ESPERANZA 40 Ejemplo Si X BI (n, p), entonces: ) n M X (t) = e tx( n p x (1 p) n x x=0 x n n = (pe t ) x (1 p) n x x x=0 = [pe t + (1 p)] n recordando que n x=0 ( n x) u x v n x = (u + v) n. Teorema Suponga {X i, i = 1, 2, } es una secuencia de variables aleatorias cuya función generatriz de momentos es M Xi (t). Además: lim M X i i (t) = M X (t) donde M X (t) es una función generatriz de momentos. Entonces existe una única función de distribución acumulada F X cuyos momentos estan definidos por M X (t) tal que: lim i F X i (x) = F X (x) Ejemplo Una aproximación usada en cursos elementales de estadística permite aproximar las probabilidades binomiales usando la distribución de Poisson. Esta aproximación es válida cuando n es grande y np es pequeño. La función de probabilidad de Poisson es: Pr(Y = y) = e λ λ y y! y = 0, 1, 2, donde λ es una constante positiva. La aproximacion es tal que si X BI(n, p) y Y P(λ) con λ = np, entonces: Recordar que: Pr(X = x) Pr(Y = x) M X (t) = [pe t + (1 p)] n es la función generatriz de momentos de la distribución binomial. Para la distribución de Poisson se puede demostrar que su función generatriz de momentos es: M Y (t) = e λ(et 1)

14 CAPÍTULO 3. TRANSFORMACIONES Y ESPERANZA 41 Como λ = np, entonces: M X (t) = [ 1 + p(e t 1) ] n [ = 1 + (et 1)λ n Lema Sean a 1, a 2, una secuencia de números que convergen hacia a, es decir lim n a n = a, entonces: ( lim 1 + a ) n n = e a n n Demostración: La demostración de este lema puede encontrarse en los textos de cálculo. Luego, si se toma a n = λ(e t 1) = a entonces: ] n lim M X(t) = e λ(et 1) = M Y (t) n es la función generatriz de momentos de la distribución de Poisson. Teorema Sean a y b constantes, la función generatriz de momentos de la variable aleatoria ax + b está dada por: Prueba: Por definición: M ax+b (t) = e bt M X (at) M ax+b (t) = E [ e (ax+b)t] = E [ e axt e bt] = e bt E [ e X(at)] = e bt M X (at)