Notas para un curso de Probabilidad y Estadstica

Borradores: Variables aleatorias (e)

Apendice
29 de marzo de 2010

Las leyes fsicas deben tener la simplicidad y belleza de las matematicas.

(Paul Adrien Maurice Dirac)

Indice
1. Variables mixtas
1.1. Descomposicion de Jordan . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2. Esperanza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2
2
4

2. Funciones generalizadas
2.1. Funciones generalizadas . . . . . . . . . .
2.2. Operaciones con funciones generalizadas .
2.3. Densidades de probabilidades generalizadas
2.4. Unificacion de la definicion de Esperanza

5
5
6
7
9

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

3. Bibliografa consultada

1.
1.1.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

10

Variables mixtas
Descomposici
on de Jordan

Componentes de las variables mixtas. Sea X una variable aleatoria mixta y sea
F (x) su funcion de distribucion. Como X no es continua, elPconjunto A = {a R :
F (a) F (a) > 0} es no vaco. Como X no es discreta, p := aA P(X = a) (0, 1).
1. Componente discreta. La funcion Fd : R [0, 1] definida por
1X
Fd (x) :=
P(X = a)1{x a},
p aA

(1)

denominada la componente discreta de F (x), tiene las siguientes propiedades: es

creciente, continua a derecha, lmx Fd (x) = 0 y lmx Fd (x) = 1.
P
Observando que la funcion pFd (x) = aA P(X = a)1{x a} es la suma de todos
los saltos de F (x) es dable esperar que la diferencia F (x) pFd (x) sea una funcion no
negativa, continua y creciente. Por otra parte, es claro que lmx F (x) pFd (x) = 0 y
lmx F (x) pFd (x) = 1 p.
2. Componente continua. La funcion Fc : R [0, 1] definida por
Fc (x) :=

1
(F (x) pFd (x)) ,
1p

(2)

denominada la componente continua de F (x), tiene las siguientes propiedades: es

creciente, continua, lmx Fc (x) = 0 y lmx Fc (x) = 1.
Resumiendo, la funcion de distribucion F (x) de una variable aleatoria mixta es una
combinacion convexa de su componente discreta Fd (x) y su componente continua Fc (x):
F (x) = pFd (x) + (1 p)Fc (x).
2

(3)

Teorema 1.1 (Descomposicion de Jordan). Toda funcion de distribucion es una combinacion convexa de una funcion de distribucion discreta y una funci
on de distribucion
continua. Tal descomposicion es u
nica.
Demostraci
on. Chung, K. L.: A Course in Probability Theory. Academic Press, San
Diego. (2001). Paginas 8-10.
M
etodo gr
afico de descomposici
on. La componente
P discreta de una funcion de distribucion F (x) se obtiene sumando todos sus saltos, aA P(X = a)1{x a}, y cambiando de escala para que la unidad de medida coincida con el peso total de los atomos,
p = P(X A). La componente continua
de una funcion de distribucion F (x) se obtiene
P
restandole todos sus saltos, F (x) aA P(X = a)1{x a} y cambiando de escala para
que la unidad de medida coincida con el peso restante, q = 1 p.
Ejemplo 1.2. Sea X una variable aleatoria cuya funcion de distribucion es


2x + 5
F (x) =
1{1 x < 1} + 1{x 1}
8

1
7/8

1/8

3/8

Figura 1: Grafico de la funcion de distribucion F (x): se observan saltos de alturas 3/8 y

1/8 en los puntos x = 1 y x = 1, respectivamente.
El peso total de sus atomos es p = 3/8 + 1/8
1/2. Por lo tanto, su componente

=
3
1
3
discreta es Fd (x) = 2 8 1{x 1} + 8 1{x 1} = 4 1{x 1} + 41 1{x 1}
La componente continua se obtiene observando que la suma total de los saltos puede
expresarse en la forma pFd (x) = 38 1{1 x < 1} + 21 1{x 1}.
Restando los saltos y simplificando algunos terminos resulta


x+1
1
F (x) pFd (x) =
1{1 x < 1} + 1{x 1}.
4
2


1{1 x < 1} + 1{x 1}.
Finalmente, cambiando de escala se obtiene Fc (x) = x+1
2
3

1
3/4

1/4

Figura 2: Grafico de la componente discreta de la funcion de distribucion F (x).

Figura 3: Grafico de la componente continua de la funcion de distribucion F (x).

1.2.

Esperanza

Extendiendo la noci
on a variables mixtas. La nocion de esperanza para variables
mixtas se obtiene combinando las nociones anteriores. Sea X una variable aleatoria mixta y
sea F (x) = pFd (x)+(1p)Fc la descomposicion de Jordan de su funcion de distribucion en
las componentes discreta y continua. Sabemos que existen una variable aleatoria discreta Xd
tal que Fd (x) = P(Xd x) y una variable aleatoria continua Xc tal que Fc (x) = P(Xc x).
La esperanza de X se puede definir como la combinacion convexa de las esperanzas de las
variables Xd y Xc : E[X] := pE[Xd ] + (1 p)E[Xc ]
Definici
on 1.3 (Esperanza de una variable mixta). Sea X una variable aleatoria mixta
con funcion de distribucion F (x) y sea F (x) = pFd (x) + (1 p)Fc la descomposicion de
Jordan de F (x) en sus componentes discreta y continua, respectivamente. La esperanza de
X, denotada por E[X], se define como la combinacion convexa
E[X] := p E[Xd ] + (1 p) E[Xc ],

(4)

de las esperanzas de dos variables aleatorias, Xd y Xc , una discreta y otra continua, con
funciones de distribucion Fd (x) y Fc (x), respectivamente.

Sobre el c
alculo de la esperanza de una variable mixta. Observando que
X
X
pE[Xd ] = p
xP(Xd = x) =
xP(X = x),
xA

(5)

xA

(1 p)E[Xc ] = (1 p)

xfc (x)dx =

xf (x)dx,

(6)

donde A = {x R : F (x) F (x) > 0} es el conjunto de todos los atomos de F (x) y

f (x) es una funcion que coincide con la derivada de F (x) salvo en el siguiente conjunto de
puntos aislados


Fc (x + h) Fc (x)
A x R : 6 lm
,
(7)
h0
h
se obtiene que la esperanza de X se puede calcular de la siguiente manera
Z
X
E[X] =
xP(X = x) +
xf (x)dx,

(8)

xA

donde f (x) es un funcion que coincide con la derivada de F (x) en los puntos donde esta
derivada existe y vale cero en otro lado.

2.
2.1.

Funciones generalizadas
Funciones generalizadas

Es comodo determinar la distribucion de masas a lo largo de una recta mediante su

densidad. Sin embargo, si la recta tiene puntos con masas positivas, esta claro que la
densidad de la distribucion no se puede describir como ninguna funcion corriente.
Esta dificultad se puede superar ampliando el concepto de funcion, introduciendo las
llamadas funciones generalizadas.1 La idea principal es la siguiente.
Sea f una funcion definida sobre la recta e integrable en cada intervalo finito. A cada
funcion terminal suave ( se anula fuera de un intervalo finito y tiene derivadas continuas
de todos los ordenes) se le puede asignar el n
umero
Z
f (x)(x)dx
(9)
(f, ) :=

(debido a la terminalidad de (x), la integral se toma, de hecho, respecto a un intervalo

finito). En otras palabras, la funcion f se puede considerar como una funcional lineal
definida sobre el espacio vectorial K de las funciones terminales suaves. Sin embargo, las
funcionales de tipo (9) no son las u
nicas que se pueden definir en este espacio; por ejemplo,
1
Una exposicion formalmente precisa sobre este tema puede consultarse en Kolmogorov, A. N., Fomn,
S.V. (1975) Elementos de la teora de funciones y del an
alisis funcional. Mir, Mosc
u.

asignando a cada funcion su valor en el punto x = 0, obtenemos una funcional lineal

que no se puede representar en la forma (9). De esta manera las funciones f se incluyen en
un conjunto mas amplio, el conjunto de todas las funcionales lineales sobre las funciones
terminales suaves.
Definici
on 2.1. Se llama funcion generalizada (definida en la recta < x < ) a toda
funcional lineal definida sobre el espacio vectorial K.
-funci
on de Dirac Es la funcion generalizada definida por
(, ) := (0).
En la teora de se
nales y circuitos esta funcional se la denomina funci
on impulso o funci
on
impulsiva y se la representa en la forma
Z
(x)(x)dx = (0),
(10)

donde por (x) se entiende una funcion que es igual a cero en toda la recta, salvo en el
origen donde esta se convierte en infinito de modo que su integral es igual a la unidad:

Z
0
si x 6= 0,
(x) =
y
(x)dx = 1.
(11)
si x = 0.

La relacion (10) se denomina propiedad filtrante o propiedad selectiva de la se

nal.
-funci
on desplazada Sea
(a , ) := (a).
De acuerdo con la notacion (10), es natural representar esta funcional en la forma
Z
(x a)(x)dx = (a).

(12)

2.2.

Operaciones con funciones generalizadas

Paso al lmite. Diremos que la sucesion de funciones generalizadas fn converge a f ,

cuando para cada K se cumple la relacion
(fn , ) (f, ).
La -funcion se puede representar como lmite de las funciones llamadas impulsos rectangulares de area 1
1
f (x) = 1 { x } .
2
6

En efecto, usando el teorema del valor medio para integrales puede verse que para cada
funcion K y para cada > 0, existe x [, ] tal que
Z
Z
1
(f , ) =
f (x)(x)dx =
(x)dx = (x ).
2

Como las funciones K son continuas, lm0 (x ) = (0). Por lo tanto,

(f , ) (, ).
Diferenciaci
on. Consideramos primero una funcional de K definida mediante una funcion f diferenciable (en el sentido clasico):
Z
(f, ) =
f (x)(x)dx.

Es natural definir su derivada como la funcional dada mediante la formula

Z

(f , ) =
f (x)(x)dx.

Empleando la formula de integracion por partes y teniendo en cuenta que toda funcion
K se anula fuera de un intervalo finito, obtenemos
Z
Z

(f , ) =
f (x)(x)dx =
f (x) (x)dx;

de esta forma obtenemos una expresion para f en la que no figura la derivada de f . Estas
consideraciones sugieren la siguiente definicion.
Definici
on 2.2. Se llama derivada f de la funcion generalizada f a la funcional definida
mediante la formula
(f , ) = (f, ).
Directamente de la definicion de la derivada de una funcion generalizada se deduce la
validez de las proposiciones siguientes.
1. Toda funcion generalizada tiene derivadas de todos los
ordenes.
2. Si una sucesi
on fn de funciones generalizadas converge a una funci
on generalizada f
(en el sentido de la definicion de convergencia de funciones generalizadas), la sucesi
on fn de
derivadas converge a la derivada f . Esto equivale a que toda serie convergente compuesta
por funciones generalizadas se puede derivar termino a termino cualquier cantidad de veces.

2.3.

Densidades de probabilidades generalizadas

Ejemplo 2.3 (Variable absolutamente continua). Sea X una variable aleatoria y sea F (x)
su funcion de distribucion. Si X es absolutamente continua y la derivada de F (x) es continua (o continua a trozos), entonces su derivada como funcion generalizada coincide con
su derivada en el sentido habitual.
7

Ejemplo 2.4 (Masa puntual). La variable aleatoria que concentra toda la masa en el 0
tiene funcion de distribucion F (x) = 1{x 0}. Esta funcion, denominada la funci
on salto
unidad o escalon unitario, define la funcional lineal
Z
(x)dx
(F, ) =
0

De acuerdo con la definicion de la derivada de una funcion generalizada, tenemos

Z

(F , ) = (F, ) =
(x)dx = (0)
0

(puesto que es igual a 0 en el infinito). Por consiguiente, la derivada de la funci

on salto
unidad es la - funcion:
d
1{x 0} = (x).
dx
1

Figura 4: Grafico de la funcion de distribucion de la masa puntual en el 0: un escalon de

salto 1 en el 0.
Ejemplo 2.5 (Caso mixto). Sea X una variable aleatoria y sea F (x) su funcion de distribucion. Si en los puntos x1 , x2 , . . . la funcion F (x) tiene saltos de alturas p1 , p2 , . . .
respectivamente y es diferenciable en los demas puntos (en el sentido clasico) su derivada
(como funcion generalizada) representa la suma de la derivada clasica F (en los puntos
donde esta existe) mas la suma de tipo
X
pi xi (x).
i

Definici
on 2.6 (Densidad generalizada). Sea X una variable aleatoria con funcion de
distribucion F (x). La densidad de probabilidades generalizada de X, f (x), se define por
X
f (x) := F (x)1{x R \ A} +
pa a (x),
(13)
aA

donde F (x) es la derivada (clasica) de F (x) en los puntos donde esta existe; A es el
conjunto de todos los atomos de F y para cada a A, pa := P(X = a) = F (a) F (a).
8

Nota Bene:
Curva peligrosa. Cuando, para calcular probabilidades, se utiliza la
Rb
formula a f (x)dx para densidades con impulsos, debe tenerse el cuidado de incluir o
excluir los impulsos en los puntos a y b:
Z b+
Z b+
f (x)dx
f (x)dx,
P(a X b) =
P(a < X b) =
P(a < X < b) =

2.4.

a+
b

P(a X < b) =

f (x)dx,

a+

a
b

f (x)dx

Unificaci
on de la definici
on de Esperanza

Las tres definiciones de esperanza para variables aleatorias discretas, continuas y mixtas
que presentamos previamente se pueden unificar usando la nocion de densidad de probabilidades generalizada definida en (13).
Definici
on 2.7 (Esperanza). Sea X una variable aleatoria con densidad de probabilidades
generalizada f (x). La esperanza de X, E[X], se define por
Z
xf (x)dx.
(14)
E[X] :=

Observar que seg

un la Definicion 2.7:
Z
xf (x)dx
E[X] : =

x F (x)1{x R \ A} +

xF (x)dx +

xF (x)dx +

pa

aP(X = a).

aA

pa a (x) dx

aA

xa (x)dx

aA

Este resultado coincide con la definicion que presentamos para el caso mixto. Si A = , i.e.,
X es absolutamente continua, la sumatoria del lado derecho es 0 y recuperamos la definicion
presentada para el caso continuo. Si X es discreta, F (x) = 0 en R \ A, la integral del lado
derecho se anula y recuperamos la definicion presentada para el caso discreto.
Ejemplo 2.8 (Caso mixto). Sea X una variable aleatoria cuya funcion de distribucion
F (x) tiene el grafico que se muestra en la figura 5.
El conjunto de saltos de F (x) es A = {1/2, 1}. Esto significa que, en esos puntos
X concentra cierta cantidad de masa. La cantidad de masa concentrada en cada punto
esta determinada por la longitud del salto de la funcion de distribucion:
1
1
P (X = 1/2) = F (1/2) F (1/2) = 0 = ,
4
4
1
1
P(X = 1) = F (1) F (1) = 1 = .
2
2
9

1
1/2
1/2
1/4

1/2

Figura 5: Grafico de la funcion de distribucion de X.

En los puntos donde F (x) es continua, F (x) es derivable y vale que
F (x) =

1/2 1/4
1
1 {1/2 < x < 1} = 1 {1/2 < x < 1} .
1 (1/2)
6

De acuerdo con (13) la densidad de probabilidades generalizada de X es

X
f (x) = 1{x R \ A}F (x) +
pa a (x)
aA

1
1
1
1 {1/2 < x < 1} + 1/2 (x) + 1 (x).
=
6
4
2

La esperanza de X se calcula del siguiente modo:

 
Z
Z
1
1
1
1
E[X] =
xf (x)dx =
x 1 {1/2 < x < 1} dx +
+1
2
4
2

6


Z 1
2
1
3
1 1 (1/2)
1 3 3
7
1 1
=
+ = + = .
xdx + =
6 1/2
8 2
6
2
8
6 8 8
16

3.

Bibliografa consultada
Para redactar estas notas se consultaron los siguientes libros:

1. Chung, K. L.: A Course in Probability Theory. Academic Press, San Diego. (2001)
2. Feller, W.: An introduction to Probability Theory and Its Applications. Vol. 2. John
Wiley & Sons, New York. (1971)
3. Kolmogorov, A. N., Fomn, S.V.: Elementos de la teora de funciones y del analisis
funcional. Mir, Mosc
u. (1975)

10