Saltar la navegación

Profundización

Sobre la definición de variable aleatoria

Para profundizar el concepto de variable aleatoria primero recordemos que si tenemos una función $f:A\to B$, y un subconjunto del codominio $Y\subset B$, entonces definimos el conjunto contraimagen de  Y (también llamado conjunto preimagen de $Y$), al conjunto de los elementos del dominio cuyas imágenes pertenecen a $Y$, es decir:

$f^{-1}(Y)=\{x\in A: f(x)\in Y\}$


Aquí la notación puede hacernos confundir con la de función inversa, pero debemos tener presente que se trata de conjuntos. Anotamos $f^{-1}(Y)$ para indicar el conjunto contra imagen de $Y$ por la función $f$.

Algunas propiedades de la contra imagen son:

  • $f^{-1}(B)=A$.
  • $f^{-1}(Y \cup Z)=f^{-1}(Y) \cup f^{-1}(Z)$, en general $f^{-1}\big(\bigcup_{n=1}^{+\infty}Y_n\big)=\bigcup_{n=1}^{+\infty}f^{-1}(Y_n)$.
  • $f^{-1}(Y^c) = (f^{-1}(Y))^c$.
  • $Y\subset Z\Longrightarrow f^{-1}(Y)\subset f^{-1}(Z)$.
  • $f^{-1}(Y \cap Z)=f^{-1}(Y) \cap f^{-1}(Z)$.

Mira el siguiente video:

https://www.youtube.com/watch?v=Ndq4Wx0S594&list=PLc_ATubXG-SSBl1JtXZHGvKLfyqUs6ETl&index=24

Profundizando aún más en la definición de variable aleatoria

Recordemos que en un espacio de Probabilidad $(\Omega, \mathcal{F}, P)$, $\mathcal{F}$ es una $\sigma$-álgebra de subconjuntos de $\Omega$. 

Cuando tabajamos sobre $\mathbb{R}$ hemos visto que nos interesa la $\sigma$-álgebra que contenga a todos los intervalos: abiertos, cerrados, semiabiertos, acotados o no. La ''mínima'' $\sigma$-álgebra que contiene a todos esos intervalos es llamada de Borel y sus elementos (que son subconjuntos de $\mathbb{R}$) son llamados borelianos.

¿Cómo definirías la mínima $\sigma$-ágebra que contiene a los intervalos abiertos?

La familia formada por intervalos abiertos es un conjunto incluído en la $\sigma$-álgebra de Borel, que lo genera, es decir, si intersecamos todas las $\sigma$-álgebras que contengan a los abiertos obtenemos justamente la de Borel.

Sea $\Theta$ una familia de subconjuntos de un espacio muestral $\Omega$, llamamos $\sigma$-álgebra generada por $\Theta$, a la intersección de todas las $\sigma$-álgebras que contienen a $\Theta$, es decir:

$\sigma(\Theta)=\bigcap_{ \mathcal{A}^*: \Theta\subset\mathcal{A}^*}\mathcal{A}^*$

donde $\mathcal{A}^*$ son $\sigma$-álgebras sobre $\Omega$.

Ejercicio 1:

 Si $\Theta_1$ esta incluido en la $\sigma$-álgebra generada por $\Theta_2$, probar que la $\sigma$-álgebra generada por $\Theta_1$ está
contenida en la $\sigma$-álgebra generada por $\Theta_2$.

Ejercicio 2:
Probar que coinciden las $\sigma$-álgebras de subconjuntos de $\mathbb{R}$ generadas por:

  1. Los intervalos abiertos $ \Theta_1 = \{ (a,b):a<b \} $.
  2. Los intervalos cerrados $ \Theta_2 = \{ [a,b]:a<b\} $.
  3. Los intervalos cerrados no acotados inferiormente  $ \Theta_3 = \{ (-\infty,b]:b \in \mathbb{R} \}$.

Técnicamente, cuando tenemos una variable aleatoria queremos calcular la probabilidad de $X^{-1}(B)=\{\omega\in \Omega: X(\omega)\in B\}$, para cualquier boreliano $B$. Esto nos obliga a exigir que $X^{-1}(B)$ sea un suceso, es decir, $X^{-1}(B)\in \mathcal{F}$ para todo boreliano $B$.

A partir de que la familia de intervalos $\Theta_3$ genera a la $\sigma$-álgebra de Borel, podemos obtener que en la definición de variable aleatoria, basta exigir la condición mostrada en el video: $X^{-1}(\infty,x]=\{\omega\in \Omega: X(\omega)\leq x\}\in \mathcal{F}$, en lugar de exigirlo para todos los borelianos.

Propiedades de la Función de Distribución

Dado un espacio de probabilidades $(\Omega,\mathcal{F},P)$ y una variable aleatoria $X$, la función de distribución de $X$, $F$, posee las siguientes propiedades:

  1. $F(x)\in [0,1]$ para todo $x\in \mathbb{R}$.
  2. Si $a<b$ entonces $P(a<X\leq b)=F(b)-F(a)$.
  3. $F$ es no decreciente (creciente en sentido amplio).
  4. $\lim_{x\to -\infty}F(x)=0$ y $\lim_{x\to +\infty}F(x)=1$.
  5. $F$ es continua por derecha.

Cabe destacar que cualquier función que cumpla las propiedades 3, 4 y 5 es una función de distribución, es decir, estas tres propiedades son las que caracterizan a las funciones de distribución.

Puedes ver la demostración de algunas de estas propiedades en el siguiente video:

Creado con eXeLearning (Ventana nueva)