Funciones Medibles.

Variables Aleatorias
La siguiente definicin introduce los morfismos en la categora
de los espacios medibles: las funciones medibles (en lenguaje
de teora de la medida) o variables aleatorias (en lenguaje
probabilstico).
DEFINICION. (Variable aleatoria) Sean (, A) y ( , A )
espacios medibles y X: una aplicacin. Diremos que X es
una variable aleatoria (v.a.), una funcin medible (o una funcin
(A, A)-medible, si se desea ms precisin) si:
X 1 (A) A, A A
n
n
n
n
Si (, A ) = ( R , R ) o ( R , R

), diremos que X es una

v.a. n-dimensional; si
n = 1, diremos que X es una v.a. real (v.a. r.) Cuando no hay
duda de que -algebra A. estamos considerando en ,
llamaremos tambin funciones Borel-medibles a las v.a. ndimensionales
Observacin. Supondremos en lo que sigue que la notacin:
X: (, A) ( , A ) lleva implcito que X es (A, A)-medible.
Proposicin .
Si es una familia de partes de que engendra la algebra A, para comprobar que X es una v.a., es suficiente
probar que

X 1

(C) A, C ; ello prueba que una

funcin real X en

(, A) es Borel-medible si, y solo si, {

: X () x} A, x

Sean un conjunto, (, A) un espacio medible y X:

una aplicacin.

X 1

(A) es una -algebra en que

llamaremos -algebra inducida por X, pues es la mas

pequea -algebra en que hace a X medible. En la
hiptesis de la definicin anterior, para que X sea (A, A)medible es necesario y suficiente que

X 1

(A) A .

Demostracin:
Sea B:= {A A :

(A) A}. Por hiptesis B. Se

trata de probar que A B. Puesto que A = () ser

suficiente probar que B es una -algebra. Pero =
'c
() A ; si A B entonces . A B pues

X 1 ( A' )c A ; y si
U n A 'n

A
( n' )n

X 1

X 1

'c
( A )=

es una sucesin en B, entonces

'
1
X1( U n A n ) = U n X
(

B pues

A 'n ) B.

La conmutatividad de la imagen inversa con el paso al

complementario y la unin numerable utilizadas en la
parte anterior prueban ahora que

(A) es una -

algebra que obviamente hace medible a X; por definicin

de medibilidad, cualquier sub--algebra de A que haga X
medible debe contener a

X 1

(A) que, por tanto, es la

ms pequea -algebra que hace X medible.

Ejemplo.
Toda funcin constante X: (, A) (, A) es (A, A)-medible.

Ejemplo .(Indicador de un conjunto)

Si A , llamaremos indicador de A la aplicacin
IA

Es evidente que

IA

IA

() =

{ 10 sisi AA }

es una v.a. si, y solo si, A A . Diremos

que A es el soporte de

IA.

Ejemplo .(Funcin simple)

Una aplicacin X:

se dice simple si toma un nmero

finito de valores. Sean

x1

,..., x n

Xy

Ai

= {X =

xi

} ({X =

xi

los valores que toma

}, es una forma breve de

denotar el conjunto,
X 1

xi

) = { : X () =

xi

}), es claro que X =

Ai

y que X es medible si, y solo si, los

xi I A
i

son medibles.

Proposicin
La composicin de funciones medibles es medible.
Las funciones crecientes de

en

son Borel-

medibles.
Las aplicaciones continuas entre espacios topolgicos son
medibles si aquellos se suponen provistos de sus
correspondientes -Algebras de Borel.
Las proyecciones en un espacio medible producto (finito o
no) son v.a. La -Algebra producto es la mas pequea que
hace medibles las proyecciones. Se verifica tambin que
una aplicacin a valores en un producto es medible si, y
solo si, se obtienen funciones medibles al componer con
las proyecciones. En particular, una aplicacin X =
xn

a valores en

componentes
Demostracin.

Xi

Rn

es una v.a. si, y solo si, las

son v.a. r.

x1
,...,

(a) En efecto, si X : (, A) (, A) e Y :
1
(,A)(,A),entonces, para cada A A, (Y o X ) (A) =

X 1

1
( Y
(A))

X 1

(A) A.

(b) La Proposicin 2.1 reduce el problema a probar que la contra

imagen de un intervalo de la forma ] ,y] es un boreliano, lo
cual es trivial (es, de hecho, un intervalo).
(c) Puesto que la -algebra de Borel de un espacio topolgico
esta generada por sus conjuntos abiertos, basta probar que la
contra imagen de un abierto por una aplicacin continua es un
boreliano; pero esa contra imagen es, incluso, un abierto, por
definicin de continuidad.
(d) Sean I un conjunto de n-ndices y

esima del espacio medible producto (

i I i ,

, j I, la proyeccin j-

i I A i

sobre el factor j-esimo ( j , A j ).

Si

Aj

Aj ,

medible

A
X 1
j
( j ) coincide con el rectngulo

i I A i

i I

Ai , donde

Ai

= i si

i j.
Por otra parte, si B es una -algebra en

i i

que hace

medibles a las proyecciones, entonces, para cada i I y

cada

Ai

1
Ai, se verifica que i (Ai) B y, por tanto,

para cada subconjunto finito

sucesos

Ai

Ai, i

B, lo que prueba que

Io

Io

de I y cada eleccin de

, se verica que i I o

i Ai

B, pues

i Ai

1
i

( Ai
esta

engendrada por los conjuntos de la forma i I o

1
i

Ai

 Finalmente, la composicin de una funcin medible a

valores en un espacio producto con una de las
proyecciones es tambin una funcin medible;
recprocamente, si (, A) y (i , Ai)i I

i i

medibles y X:

son espacios

es una aplicacin tal que i X

es (A, Ai)-medible, para cada i I, entonces, dado un

i Ai

rectngulo medible

Ai

subconjunto finito de I tal que

X

i Ai

) =

X 1 i I o

= i I o

1
(i o X)

Io

Ai, existe

Io

si i I \

,y

(Ai))

(i o X)

(Ai)

) Proposicin.
R

(a) Sea (Xn)n una sucesin de v.a.

-valoradas convergente

puntualmente a una funcin X: R . Entonces X es tambin

una v.a.
R

(b) El supremo y el nfimo de una sucesin de funciones

valoradas Borel-medibles son tambin Borel-medibles.
(c) Si X es una v.a. r., se definen la parte positiva
parte negativa

mx (X, 0). Tanto

+
X

de X mediante:
+
X

+
X

de X y la

= mx(X, 0) y

como son X

v.a. r. y se verifica que X =

+
X

Demostracin.
(i) Ntese que, dado x

R,

y |X| =

+
X

X .

{: X () > x} =
(ii) Sea (
x

Xn

n=1

k =n

{=X k ( ) > x+1 /n } A

)n una sucesin de funciones Borel-medibles; dado

se verifica que

{: n X n () x} = n { X n () x } A y
{: inf n X n () x} = n {=X n () x } A
(iii) La primera afirmacin es consecuencia de (ii). La segunda
es trivial.
Suma de Medidas. Medida Imagen. Distribuciones de
Probabilidad
En esta seccin se presentan diversos procedimientos para
construir nuevas medidas a partir de otras conocidas que son
especialmente tiles en el desarrollo del Clculo de
Probabilidades y de la Estadstica Matemtica. Presentaremos
tambin resultados que nos indican como se integra respecto a
esas nuevas medidas si sabemos integrar respecto a las
originales.
El primero de esos procedimientos es la suma de medidas.
TEOREMA . Sean (, A) un espacio medible, (
de nmeros reales positivos y (

an

) una sucesin

) una sucesin de medidas

en (, A). La funcin de conjuntos =

a n n
n

es una medida en

A, y, para cada v.a.r. no negativa f se verifica que

fd

a n . fd n
n

Demostracin. Es claro que es una funcin de conjuntos, no

negativa y nula en el vaco. Adems, si ( A m ) es una sucesin
disjunta en A, entonces:

m Am

a n n

)=

Am

a n n
m

( Am .

Por otra parte, la igualdad

f d

a n fd n
n

es cierta para indicadores por definicin de , y para funciones

simples medibles no negativas por linealidad de la integral. En el
caso no negativo podemos escribir f como limite puntual de una
sucesin (

fm

) creciente de funciones simples, medibles y no

negativas. Entonces, tras una aplicacin juiciosa del teorema de

la convergencia montona (Teorema 4.1), se tiene que
lim m an f m d n
lim m f m d
n
=
=

f d

a n f d n
n

El caso integrable se reduce a este descomponiendo

previamente f como diferencia de sus partes positiva y negativa.
Otro procedimiento para construir nuevas medidas
consiste en transportar una medida por una v.a. A lo largo
de toda esta seccin, (, A) ser un espacio medible.

Proposicin : (Medida imagen. Distribucin de probabilidad de

una v.a.)
'
Sean (,A,) un espacio de medida, ( ,A) un espacio medible

y
X:

' una funcin medible. La funcin de conjuntos

x
definida en A por

1
(A) = ( X (A)) es una medida en A

que llamaremos medida imagen de por X.

(, A,) se llamara espacio de medida imagen de X. Si P es
una probabilidad en (,A) y X : es una v.a. , la medida
imagen de P por X, que denotamos por

Px , es una

probabilidad en A que llamaremos distribucin de probabilidad

de X (respecto a P).
Demostracin.
X
Es claro que

es una funcin de conjuntos no negativa.

Puesto que la contraimagen del vaco es el vaco se verifica que

X

() = 0. Adems, la contra imagen de la unin es la unin

de las contra imgenes, y las contra imgenes de conjuntos

X
disjuntos son disjuntas. Por tanto, es numerablemente

aditiva.
Observacin 1: Hagamos notar aqu que todo el valor
probabilstico de una v.a. queda determinado por su distribucin;
dicho de otro modo, dos v.a. idnticamente distribuidas son
probabilsticamente equivalentes.
Observacin 2: Dada una v.a. r. X en un espacio de
probabilidad (,A,P), se define su funcin de distribucin como
la aplicacin F : x R
F(x) = P(X x) =

Px

(] ,x]) [0,1]. Siendo

Px

montona,

es claro que F es creciente; por otra parte, F es continua por la

derecha en cada punto x

(si ( x n ) es una sucesin

decreciente convergente a x, entonces ]0,x] =

0, x n
n

F es, pues la funcin de distribucin asociada a la medida de

Lebesgue-Stieljes

(ver la Observacin 3.5). Es sencillo as

mismo probar que

= F(+) :=

0 = F() :=

lim x F (x)

y1

lim x + F (x)
. Es claro que F queda unvocamente

determinada por su distribucin

Px ; como aplicacin del

teorema de Dynkin se prueba tambin que dos v.a. r. con la

misma funcin de distribucin tienen la misma distribucin.
El teorema siguiente establece la relacin entre las integrales
respecto a una medida y su imagen por una cierta funcin
medible.

TEOREMA (Teorema de la medida imagen)

Conservamos las hiptesis y notaciones de la proposicin

anterior. Si g :

gd

es una funcin Borel-medible, entonces

(goX )d

, en el sentido de que, si una de esas dos integrales existe,

entonces la otra tambin existe y ambas coinciden.
Demostracin.
Si g es un indicador, digamos g =

IA'

con A A,entonces

gd X

X
1
= (A) = ( X (A)) d =

IA

'

IX

'

(A )

o X d ,

pues

IX

( A' )

IA

oX.

'

El resultado se extiende por linealidad a funciones simples

medibles no negativas. El teorema de la convergencia montona
nos permite extender el resultado a funciones simples medibles
no negativas. En el caso general descomponemos g como
diferencia de sus partes positiva y negativa y el teorema de
aditividad de la integral analiza la prueba.
Ejemplo : Si X es una v.a. r. en un espacio de probabilidad
(,A,P), entonces :

E(X) =

XdP

xd P x
R

(x) y, si X es de cuadrado integrable,

Var(X) = E[ ( X EX) ] =

(xEX)2 dP x
R

(x)

[( X ()EX)2 ]

dP( =

Ejemplo : Reemplazando g por g I A ' en el enunciado se

obtiene:
A

T 1

gd T
A

'

, A A

Ejemplo :Sean (,A,P) un espacio de probabilidad,

X : (,A,P) (, A) y f : (, A)
Entonces

E Px

EP

(f) =

una v.a. r.

(f o X).

DEFINICION (Momentos de la distribucin de una v.a. r. )

R

Sean X : (, A,P)
(a)

una v.a.r. y k > 0.

K
A E( X ) (si existe)

se le llama momento de orden k de (la distribucin de) X. La

media es el momento de orden 1 de X.
K

X
(b) E(

) se llamar momento absoluto de orden k de X.

(c) E[(X E(X))k] (si existe) se llamar momento central de

orden k de X. La varianza de X es el momento central de orden 2
de X.
Proposicin
(a) Si k > 0 y X tiene momento finito de orden k, entonces tiene
tambin momento finito de orden j, para cada 0 < j k.
(b) Si X tiene momento finito de orden n 1 y existe el
momento de orden n,entonces :
n

n
E[ (X E(X )) ] =

(1)nk
k=0

(nk)

nk
K
E( X E (X )
.

Demostracin. (a)
j

E(

X
)=

X dP

X dP

X dP

{ X 1 }

P ( X1 ) +

{ X 1 }

{ X 1 }

(b) Trivial.
Proposicin
(a) (Desigualdad de Markov)
K E(

Si X es una v.a. r. y k, > 0, entonces P(|X| )

XK
)

(b) (Desigualdad de Chebyshev) Sean X una v.a. r. con media

2
finita y varianza finita , y k > 0. Entonces

2
P(|X | k) k .

Demostracin.
(a)

K P(|X|

{ X }

dP

)=
Xk dP

E(

{ X }

(b) Es consecuencia inmediata de (a).

DEFINICION (Covarianza, cociente de correlacin)

Si X,Y

L2 (,A,) se define

<

Cov(X,Y ) = E[(X EX)(Y EY )].

El coeficiente de correlacin entre X e Y se define como :
(X,Y ) =

Cov( X ,Y )
VAR (X ) VAR (Y )

Observacin:
La desigualdad de Cauchy-Schwarz prueba que la covarianza
esta bien definida. Es sencillo probar que:
Cov(X,Y ) = E(XY ) E(X)E(Y ). Por otra parte, esa misma
desigualdad prueba que 1 (X,Y ) 1.

DESIGUALDAD DE JENSEN
Definicin.Sea f :

dados x,y

R
R

una funcin. Diremos que f es convexa si

y [0, 1], se verifica que:

f(x + (1 )y) f(x) + (1 )f(y)

Observacin:
2
Si f es de clase C

, entonces f es convexa, si y solo si f (x)

0.
Observacin:
Una funcin convexa en R es necesariamente continua. Adems
es posible probar que su derivada f (x) existe salvo quizs para
un conjunto a la suma numerable de valores de x, y que f es
creciente.
Ejercicio:
Una combinacin convexa de los
lineal :
n

i xi
i=1

xi

es una combinacin

en la que 0 i y . Probar que si f :

es una funcin

convexa y

ixi
i=1

es una combinacin convexa, entonces:

n

f(

ixi
i=1

i f (x i)

i=1

Proposicin ( Desigualdad de Jensen )

Si g : R

R es una funcin convexa , entonces :

g(E[X]) E[g(X)])
en los siguientes casos : si X es no negativa y g(x) 0
para
x 0, o si X y g son arbitrarias y E(|g(X)|) < .
Prueba: Hagamos la demostracin primero , en el caso que X
toma slo finitos valores.
Sea

pi

= P {X=

xi

}.

Entonces :
n

pi xi

E[X] =

i=1

es una combinacin convexa de los valores de X . Como X es

una funcin convexa ,
n

pi xi
g (E [X]) = g (
i=1

pi g (x i)

Si X toma un nmero numerable de valore ,

probabilidades

pi

= E[g(X)]

i=1

xi

con

, entonces hacemos lo siguiente : para cada

n definamos ,
n

Sn

pi
i=1

es una combinacin convexa . Entonces , como g es

convexa :

S i xi
i=1

S i g( x i )
i=1

Cuando n + , tenemos que S n 1. Entonces, utilizando

la continuidad de g, obtenemos que:

g ( E[X] ) = g(

pi xi
i=1

x
pi g( i)

= E[g(X)]

i=1

Ejemplo :
f(x) =

es una funcin convexa si p 1 . En

consecuencia en este caso :

E[ X ]

P
E [ X

Es as que, la solucin del problema general de regresin es

pues
h = E(Y |X). E(Y |X) , suele llamarse, por ello, regresin de Y
sobre X. Si X es adems una v.a.r. E (Y |X) es una v.a.r. y la
aplicacin
x R E (Y |X = x) se llama
tambin curva de regresin de Y sobre X . Si X es una v.a. ndimensional, E (Y |X) es una v.a.r. y la aplicacin ( x 1 ,...,
Rn

E[Y |X = ( x 1 ,...,

xn

xn

)] se llama superficie de regresin

de Y sobre X.
Lo dicho resuelve tericamente el problema general de
regresin, que consiste en encontrar la funcin de la variable
independiente X que mejor aproxima a la variable dependiente Y
en el sentido de los mnimos cuadrados. Pero en una situacin
concreta, ste es, en general, un problema difcil, en la medida
en que no es sencillo calcular esperanzas condicionales.

En el caso de que X sea una v.a.r., el problema se simplifica si

nos conformamos con buscar la funcin lineal de X que mejor
aproxima a Y ; ste es el llamado problema de regresin lineal,
que pretende determinar constantes a y b tales que a + bX
aproxime lo mejor posible a Y en el sentido de los mnimos
cuadrados (supuesto que tanto X como Y son de cuadrado
integrable), es decir, se trata de minimizar la funcin f(a,b) = E[
(Y abX )2 ]; es sencillo probar que la solucin a ese problema

es:
b=

Cov (X , Y )
Var ( X )

a = E(Y) b.E(X) ;

estos son , resp. , la pendiente de regresin de Y sobre X y la

ordenada en el origen de esa recta de regresin. El caso lineal
tiene la ventaja de la sencillez ; el caso general proporciona
mejor aproximacin de Y que el caso lineal .
En el caso de que X e Y tengan distribucin conjunta normal , se
verifica que la mejor funcin medible coincide con la mejor recta
, con lo cual tenemos ambas ventajas a un tiempo . Puesto que
la hiptesis de normalidad bidimensional queda justificada por el
teorema del limite central en

como la unidimensional por el

teorema limite central en R , el resultado obtenido en este

problema debe considerarse como un importante tanto a favor
del uso de la tcnica de regresin lineal en el estudio de la
relacin entre variables , tan utilizada en la prctica .

http://masteres.ugr.es/moea/pages/tfm1011/analisisestadisticodeval
oresextremosyaplicaciones/!
http://www5.uva.es/estadmed/probvar/d_univar/d_univar9.htm#beta

DISTRIBUCIN DE PROBABILIDAD BETA

La distribucin de probabilidad beta es una funcin de densidad

con dos parmetros definida en el intervalo cerrado 0y1
Usado frecuentemente como modelo para fracciones, como
proporcin de impurezas en un qumico o la fraccin de tiempo
de una maquina en estado de reparacin.
Funcin densidad probabilidad:

y 1 (1 y ) 1
f ( y)
B( , )

, 0;0 y 1
:

B ( , ) y 1 (1 y ) 1 dy

( )( )
( )

En cualquier otro punto,

donde:

t 1 (1 t ) 1
dt I y ( , )

B( , )

F ( y)

Note que la definicin de (y)

sobre 0y1 restringe su aplicacin. Si cyd, y=(y-c)/(d-c)
definir una nueva variable en 0y1 .
As la funcin de densidad beta se puede aplicar a una variable

aleatoria definida en el intervalo cyd mediante una traslacin

y una medicin en la escala.
La funcin de densidad acumulativa para la variable aleatoria
beta, es la que se conoce como funcin beta y est definida por:

F ( p)

n
y 1 (1 y ) 1
dy p y (1 p)
B ( , )
y

I y ( , )

Para valores enteros de

alfa y beta y
est relacionada con la propiedad de funcin
de probabilidad binomial. Cuando y=p se puede demostrar que:

En donde 0<p<1 y n= ( + -1)

El valor esperado y la varianza en una distribucin aleatoria
beta, son:

E X

a
ab

V X

ab
(a b 1)(a b) 2

DISTRIBUCION DE PARETO
La distribucin de Pareto (Pareto, 1897) propuesta por este
autor como ley universal de distribucin de la renta en una

poblacin, es una distribucin biparamtrica: es el parmetro

X0

de forma y

es la renta mnima.

Tal es as que su funcin de densidad es:

fx

X0

X0
[ ]
X X

)=

,X

X0

Y la de distribucin es:
Fx

X0

=1-

La moda vale

X0
]
X

X0

,X

X0

y la mediana:

Me x

= X 0 2

El r-cuantil resulta:
qr

X0

(1 p)

Los momentos se obtienen con facilidad observando que

i

=E(

E(X) =
> 2

X )=
X0
i

, si

X i0
i

, si

> i ; de donde se obtiene :

> 1 y Var(X) =

( X 0)2
( 2)( 1)2

, si

Ejemplo: Sea X una variable con distribucin de Pareto ( ,

X0

) . Calcular su coeficiente de variacin y la mediana.

Conocemos las expresiones de la media y de la varianza,

por lo que CV =

Var ( X)
E( X )

1
( 1)

, si > 2,

observemos que dicho coeficiente no depende del segundo

parmetro, slo lo hace de .
Para la mediana, se tiene que 0.5 = p[X<Me] =
X0
Me

, de donde resulta que Me =

X0

. 2

F X ( X )=1