1

4. Variable aleatoria discreta

El mismo Doob explicaba el origen del trmino variable aleatoria
(random variable): "Cuando estaba escribiendo mi libro [Stochastic
Processes] tuve una discusin con William Feller. l aseguraba que todo
el mundo deca "variable aleatoria" (random variable), mientras que yo
sostena que se usaba "variable al azar" (chance variable).
Obviamente, debamos usar el mismo nombre en nuestros libros, as que
optamos por tomar la decisin mediante un procedimiento aleatorio:
lanzamos una moneda y l gan".
2
Variable aleatoria
Una variable aleatoria X es una funcin que asocia a
cada suceso del espacio muestral E de un experimento
aleatorio un valor numrico real:
) (
:
w X w
E X

9
Llamar variable a una funcin resulta algo confuso,
por ello hay que insistir en que es una funcin.

La variable aleatoria puede ser discreta o continua.
Veremos en este captulo el caso discreto.
3
Ejemplo de variable aleatoria discreta:
Nmero de caras al lanzar
3 monedas.
Elementos del
espacio muestral
+++ ++C +C+ C++ CC+ C+C +CC CCC
N reales
(# de caras)
0 1 2 3 caras
Ley de
correspondencia
) (
:
w X w
E X

9
Establecer una variable aleatoria
para un experimento aleatorio no
es ms que una manera de asignar
de "manera natural" nmeros a los
eventos.
4
Voy a pensar un nmero entero del 1 al 100.
Qu numero ser?
Intentaremos representar el estado de incertidumbre
mediante una funcin matemtica: la funcin de
probabilidad.
1 2 3 99 100 X
P
1/100
........
Funcin de probabilidad
5
En muchos casos asumimos que todos los resultados de
un experimento aleatorio son igualmente posibles.

Si X es una variable aleatoria que representa los resultados
posibles del experimento, decimos que X se distribuye
uniformemente.

Si el espacio muestral consta de n sucesos simples,
0 < n < , entonces la funcin de probabilidad discreta se
define como p(x) = 1/n para todo x del espacio muestral.

En un ordenador podemos generar una distribucin de valores
con esta probabilidad con:
1 + int [n (rnd)]
Distribucin uniforme discreta
6
Supongamos que me preguntis si es par.
Y respondo que no. Cmo modifica la funcin?
1 2 3 99 100 X
P
1/50
........
Os pido una pregunta de modo que mi respuesta
genere una funcin de incertidumbre, de probabilidad,
tal que los valores del espacio muestral posibles (con
probabilidad distinta de cero) no tengan todos la misma
probabilidad. Son vlidas: Tiene dos cifras el nmero?
o Es un nmero primo? ?
7
Funcin de probabilidad o distribucin
Una vez definida una variable aleatoria X, podemos
definir una funcin de probabilidad o distribucin
de probabilidad asociada a X, de la siguiente forma:
) ( ) (
] 1 , 0 [ :
x X P x p x
p
= =
9
La funcin de probabilidad debe cumplir:

=
9 e s s
x
x p ii
x x p i
1 ) ( ) (
1 ) ( 0 ) (
(Suma sobre todos los posibles valores
que puede tomar la variable aleatoria).
8
Funcin de probabilidad discreta

Valores Probabilidad
0 1/4 = 0.25
1 2/4 = 0.50
2 1/4 = 0.25
Z
Z
Z Z

) (
:
w X w
E X

9
) ( ) (
] 1 , 0 [ :
x X P x p x
p
= =
9
9
Requerimientos de una distribucin de
probabilidad
X P(X)
-1
0
1
2
3
.1
.2
.4
.2
.1
1.0
X P(X)
-1
0
1
2
3
-.1
.3
.4
.3
.1
1.0
X P(X)
-1
0
1
2
3
.1
.3
.4
.3
.1
1.2
x todo para 1 ) ( 0 s s x p
1 ) (
x
=

x p
10
Observa que aun si el espacio muestral es infinito
numerable, tambin podemos definir una variable
aleatoria discreta y una funcin de probabilidad.

Ejemplo: Sea X = Nmero de lanzamientos de una
moneda antes de que aparezca una cara.
Entonces:

P(X = 1) = P(C) = 1/2
P(X = 2) = P(+C) = 1/2 . 1/2 = 1/4
P(X = 3) = P(++C) = 1/2 . 1/2 . 1/2 = 1/8
...
y en general P(X = n) = (1/2)
n
, n = 1,2,.

Demuestra que est normalizada.
11
Sea el experimento lanzar dos dados. Definamos
el espacio muestral E como:
E = {(1,1),(1,2),...(1,6),...,(5,6),(6,6)}

Definamos la variable aleatoria discreta X como:


con S = {2,3,...,12} la suma de puntos.
Una posible funcin de probabilidad es:
...
36 3 ) 2 , 2 ( ) 1 3 ( ) 3 1 ( 4 ) 4 (
36 2 ) 1 2 ( ) 2 1 ( 3 ) 3 (
36 1 ) 1 1 ( 2 ) 2 (
] 1 , 0 [ :
/ ) , , P( ) P(X f
/ ) , , P( ) P(X f
/ ) , P( ) P(X f
f
= = = =
= = = =
= = = =
9
12
P
2 3 4 5 6 7 8 9 10 11 12 X
1/36
2/36
6/36
4/36
5/36
3/36
2/36
1/36
5/36
4/36
3/36
Funcin de probabilidad de la variable aleatoria X
Observa que cumple las dos condiciones: es siempre
positiva y est normalizada.
13
Funcin de distribucin (acumulada)
Dada una variable aleatoria discreta X se llama
funcin de distribucin a la funcin F definida
como:
) ( ) (
] 1 , 0 [ :
x X P x F x
F
s =
9
En nuestro ejemplo de los dos dados:

F(5) = P(X s 5) = P(x = 2 o x = 3 o x = 4 o x = 5)

F(5) = 1/36 + 2/36 +3/36 + 4/36 = 10/36

14
x
1,0






0,5






0,028

2 3 4 5 6 7 8 9 10 11 12
F
Funcin de distribucin de la variable aleatoria X
15
Ejemplo: Dibuja la funcin de probabilidad f(x) y la funcin
de distribucin F(x) de una variable discreta definida
como:
X = Nmero en la cara de un dado.
X tiene como posibles valores x = 1, 2, 3, 4, 5, 6 cada
uno con probabilidad 1/6
0
6
1
1
x
f(x)
1
0.5
1
0
F(x)
x
6
6
Funcin de probabilidad f(x) Funcin de distribucin F(x)
16
Algunos problemas de probabilidad estn relacionados
con la probabilidad P(a <X s b) de que X asuma algn
valor en un intervalo (a, b]. Observa que:

P(a < X s b) = F(b) - F(a)
Para demostrarlo observa que, como los sucesos
X s a y a< X s b son mutuamente excluyentes, entonces:

F(b) = P(X s b) = P(X s a) + P(a < X s b)
= F(a) + P(a < X s b)
En el ejemplo de los dos dados, calcula la probabilidad de
que los dos dados sumen al menos 4 pero no ms de 8:
P(3 < X s 8) = F(8) - F(3) = 26/36 - 3/36 = 23/36
17
Algunas propiedades de la funcin de distribucin
0 ) ( ) ( lim ) ( lim ) ( = C = s = =

P x X P x F F
x x
1 ) ( ) ( lim ) ( lim ) ( = = s = = +
+ +
E P x X P x F F
x x
) ( ) ( ) (
1 2 2 1
x F x F x X x P = s <
F es montona creciente.

F es continua por la derecha: la probabilidad de
que la variable aleatoria discreta X tome un valor
concreto es igual al salto de la funcin de distribucin
en ese punto.
18
Realicemos ahora el siguiente
experimento aleatorio: girar la
ruleta de la imagen y apuntar el
nmero del sector que coincide
con la flecha.
La variable aleatoria X de este experimento asocia cada sector
a un nmero entero, como podemos observar en la imagen.
Es una variable aleatoria discreta. Los resultados posibles son:
{0, 1, 2, 3, 4, 5, 6, 7}. Por simetra podemos establecer una
funcin de probabilidad: la probabilidad de cada resultado es
1/8.
Mtodo de Monte Carlo
19
Repitamos un experimento aleatorio semejante, pero ahora con
esta nueva ruleta:
Ahora el espacio muestral
est compuesto por 4
eventos. Establecemos una
nueva variable aleatoria
discreta X' que asocia cada
sector (evento) a los
nmeros: {0, 1, 2, 3}.
Ahora teniendo en cuenta el tamao relativo de los sectores
podemos establecer una funcin de probabilidad, que asocia
a cada uno de los valores de la variable aleatoria
{0, 1, 2, 3} las probabilidades {1/4, 1/2, 1/8, 1/8},
respectivamente (proporcionales al ngulo del sector).
20
Mtodo de Monte Carlo
La variable aleatoria X en el primer ejemplo de la ruleta
est uniformemente distribuida, ya que todos los
resultados tienen la misma probabilidad. Sin embargo, en
el segundo ejemplo, la variable aleatoria X, no est
uniformemente distribuida.
El problema crucial de la aplicacin de los mtodos de
Monte Carlo es hallar los valores de una variable aleatoria
(discreta o continua) con una distribucin de probabilidad
dada por la funcin p(x) a partir de los valores de una
variable aleatoria uniformemente distribuida en el
intervalo [0, 1), proporcionada por el ordenador.
21
Cmo simular con
el ordenador la
distribucin de
probabilidad de las
ruletas?
Resultado Funcin de
probabilidad
P. acumulada
(Funcin de
distribucin)
0 0.25 0.25
1 0.5 0.75
2 0.125 0.875
3 0.125 1
Condicin Resultado
0 < 0.25 0
0.25 < 0.75 1
0.75 < 0.875 2
0.875 < 1 3
22
Una vez visto un caso particular, el problema general puede
formularse del siguiente modo:

Si X es una variable aleatoria discreta cuyos posible resultados
son {x
0
, x
1
, x
2
, ... x
n
} y sean {p
0
, p
1
, p
2
, ... p
n
} sus respectivas
probabilidades. Al sortear un nmero aleatorio ,
uniformemente distribuido en el intervalo [0, 1), se obtiene el
resultado x
i
, si se verifica la siguiente condicin:


=

=
< s
i
j
j
i
j
j
p p
0
1
0

23
Esperanza matemtica o media
de una funcin de probabilidad discreta
( ) ) ( ) (
i
i
i i
i
i
x p x x X P x X E

= = = =
X
-1
0
1
2
3
P(X)
.1
.2
.4
.2
.1
-.1
.0
.4
.4
.3
1.0
X P(X)


Siempre que no genere
ambigedad pasaremos
de arrastrar la variable
aleatoria: en vez de poner
X = x
i
ponemos
directamente x
i
.

24
Calcular la esperanza de la variable aleatoria X en
el ejemplo de los dos dados:




7 12
36
1
... 7
36
6
... 3
36
2
2
36
1
) ( ) (
12
2
= + + + + +
= = =

= i
i i P X E
25
Sean a, b y c constantes. Demuestra que:
c c E = ) (
)) ( ( )) ( ( )) ( ) ( (
2 1 2 1
x P E x P E x P x P E + = +
(3)
(1)
b X aE b aX E + = + ) ( ) (
(2) ( ) ( )
( ) ( ) ) ( ) ( ) ( ) (
) ( ) ( ) ( ) (
2 1 2 1
2 1 2 1
x P E x P E x X P x x X P x
x X P x X P x x P x P E
i
i i i
i
i
i i
i
i
+ = = + =
= = + = = +


( ) c c c E = = = 1
(1)
(2)
26
Supongamos que tenemos que hacer unos anlisis clnicos
de sangre. Queremos detectar una enfermedad que
afecta a 1 de cada 1000 personas. Los pacientes acuden
en grupos de 50. Qu nos sale econmicamente ms
a cuenta: analizar paciente a paciente o mezclar la sangre de
los 50 y analizar la mezcla?
50
50
100
99
- 1 enferma) 50 de persona una menos Al (
100
99
sanas) personas 50 ( ;
100
99
sana) persona 1 (
|
.
|

\
|
=
|
.
|

\
|
= =
P
P P
Tomando la mezcla, en promedio tendremos que hacer
unos 21 anlisis en vez de 50 por grupo.
21
100
99
- 1 51
100
99
1 anlisis de esperado #
50 50
~
|
|
.
|

\
|
|
.
|

\
|
+
|
.
|

\
|
=
27
A un juego de azar podemos asignarle una variable aleatoria X,
cuyos valores son las ganancias correspondientes a los
posibles resultados. La esperanza matemtica de la variable
aleatoria X representa el beneficio medio o ganancia media
que se obtiene en cada jugada cuando se juega un nmero
elevado de veces.

Si la esperanza matemtica es 0 se dice que el juego es justo.
Si es mayor que 0 se dice que el juego es favorable al jugador.
Si es menor que 0 se dice que perjudica al jugador y no es
favorable.

Sea el juego que consiste en sacar una bola de una urna que
contiene 7 bolas rojas y 3 bolas negras. Ganamos 50 euros si la
bola extrada es roja y pagamos 150 euros en el caso de que sea
negra. Qu podemos esperar si jugamos muchas veces?
Juegos
28
Espacio muestral E = {R, N}. Consideramos las ganancias
como positivas y las prdidas negativas:

Variable aleatoria X Funcin de probabilidad
R
N
50
0,7
-150
0,3
10 3 , 0 ) 150 ( 7 , 0 50 = + =
Ganancia media
29
Una compaa de seguros domsticos tiene que determinar
el gasto medio por pliza suscrita, sabiendo que cada ao
1 de cada 10000 plizas termina en una reclamacin de
20 millones, 1 de cada 1000 en 5 millones 1 de cada 50 en
200.000 y el resto en 0.
11000
10000
9789
0
50
1
10 2
1000
1
10 5
10000
1
10 2
5
6 7
=
|
.
|

\
|
+
|
.
|

\
|
+
+
|
.
|

\
|
+
|
.
|

\
|
=
30
Marc Kac, en Enigmas of Chance (1985), explica cmo aplicar el
concepto de esperanza a la vida real:

"Una semana, apareci un anuncio del Imperial College of Science
and Technology ofreciendo un puesto de profesor de Matemticas
con un salario de 150 libras anuales; ser ciudadano britnico no era
requisito necesario. El salario era tan escaso que supuse que ningn
ciudadano britnico respetable estara interesado en ese trabajo. Fui
a preguntar a Steinhaus si deba o no optar al puesto. Por entonces
no saba ni una palabra de ingls, pero estaba dispuesto a jurar que
mis conocimientos eran los suficientes.

"Djame pensar", me dijo Steinhaus. "Estimara que la probabilidad
de que consigas el trabajo es de una entre mil. Si multiplicas esto
por ciento cincuenta libras, tienes tres chelines. Eso es mucho ms
de lo que cuesta enviar la carta, as que deberas hacerlo". Lo hice,
pero el trabajo fue al final para un ciudadano britnico (despus de
todo, s que haba alguno interesado).
31
( ) ) ( ) ( ) (
i
i
i
x p x T X T E

= =
Momento de orden k de una variable
aleatoria discreta

De forma ms general podemos definir la esperanza
matemtica o media no solo para una variable aleatoria X,
sino para cualquier funcin T(X) como:
Tomando como casos particulares a las funciones:
... , 3 , 2 , 1 ; ) ( = = k X X T
k
obtenemos los momentos de orden k centrados en el origen:

= =
i
i
k
i
k
k
x p x X E m ) ( ) (
32
Y tomando como casos particulares a las funciones:
... , 3 , 2 , 1 ; ) ( ) ( = = k X X T
k

obtenemos los momentos de orden k centrados en

la media de X:

= =
i
i
k k
k
x p x X E M ) ( ) ( ) ) ((
Observa que:
0 ) ( ) (
) (
1
1
= = =
= =

X E X E M
X E m
33
Varianza y desviacin estndar o tpica
de una funcin de probabilidad discreta

=
= = = =
i
i i
x X P x
X E M X Var
) ( ) (
) ) (( ) (
2
2
2
2

o
) (X Var = o
Varianza
Desviacin estndar
o tpica
Ambas miden la dispersin de los datos. Observa que la desviacin
tpica lo hace con las mismas unidades que los propios datos.
34
Ejemplo
X
-1
0
1
2
3
P(X)
.1
.2
.4
.2
.1
-2
-1
0
1
2

4
1
0
1
4

.4
.2
.0
.2
.4
1.2
) (
2
X
) (
) (
2
X P
X

= =
i
i i
x P x 2 , 1 ) ( ) (
2 2
o
10 . 1 ) ( = = X Var o
X
35
Calcula la varianza y desviacin tpica de la variable
aleatoria X en el ejemplo de los dos dados:









83 , 5 ) 7 12 (
36
1
... ) 7 3 (
36
2
) 7 2 (
36
1
) 7 ( ) ( ) ( Var
2 2 2
12
2
2
= + + +
= =

= i
i i P X
41 , 2 83 , 5 ) ( = = = X Var o
36
Algunas propiedades de la varianza
2 2 2 2 2
2
2
2
2
2 2
)) ( ( ) ( 2 ) (
) ( 2 ) (
) ( ) 2 (
) ( ) ( ) (
X E X E X E
x p x x p x
x p x x
x p x X Var
i i
i i i i
i
i i i
i
i i
= +
= +
= +
= = =

o
2 2 2
)) ( ( ) ( X E X E = o
37