Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Variable Aleatoria Discreta
Variable Aleatoria Discreta
2004
S = {( x1 , x 2 ) / x i {1,2,3,4,5,6}}
Posibles v.a. asociadas con este experimento son:
X: nmero de caras pares
Y: mximo puntaje
Z: suma de puntos
Definicin: Sea S un espacio muestral asociado con un experimento aleatorio. Una
variable aleatoria X es una funcin que asocia a cada elemento w S un nmero real
X(w)=x, es decir
X :S
Como se observa, en general representaremos a las v.a. con letras maysculas: X, Y, Z,
etc. y sus valores con letras minsculas, es decir X(w)=x significa que x es el nmero real
asociado al resultado w S a travs de X.
Ejemplos: 1) Volviendo al ejemplo anterior,
X((2,5)) = 1
X((1,3)) = 0
X((2,2)) = 2
Y((2,5)) = 5
Y((1,3)) = 3
Y((2,2)) = 2
Z((2,5)) = 7
Z((1,3)) = 4
Z((2,2)) = 4
1
X =
0
21
2004
3) RX = {1,2,3,...} = N
4) RX = (0,) (0,M) si existe un time out
Definicin: Una v.a. es discreta si toma un nmero finito o infinito numerable de valores.
Ejemplo: En el caso del ejemplo 1), cmo calcularamos la probabilidad de que la v.a. Z
tome el valor 7, suponiendo que los lanzamientos son independientes?
6 1
= .
36 6
p X ( x) = P( X = x) = P({w S / X ( w) = x})
Se cumplen las siguientes propiedades:
22
p X ( x) 0
xR X
2004
( x) = 1
9 1
=
36 4
p X (1) = P( X = 1) =
= P({( x1 , x 2 ) S / x1 {1,3,5}, x 2 {2,4,6}} {( x1 , x 2 ) S / x1 {2,4,6}, x 2 {1,3,5}}) =
p X (2) = P( X = 2) = P{( x1 , x 2 ) S / x1 , x 2 {2,4,6}} =
18 1
=
36 2
9 1
=
36 4
0
1/4
1
1/2
2
1/4
Diagrama de Barras
Histograma
23
2004
FX ( x) = P( X x) =
y x , yR X
( y)
Es decir que FX (x) es la probabilidad de que la v.a. X tome valores menores o iguales
que x.
Ejemplo: Volviendo al ejemplo 1), hallemos la funcin de distribucin acumulada de la v.a.
X, cuya funcin de probabilidad puntual es
x
pX(x)
1< x < 2
x=2
x>2
2
1/4
F X ( 0) = P ( X 0) = p X ( 0) = 1
4
F X ( x ) = P ( X x ) = p X ( 0) = 1
4
0 < x <1
x =1
1
1/2
FX ( x ) = P ( X x ) = 0
Si x < 0
x=0
0
1/4
1 +
2
1 +
2
1 =1
4
1 =1
4
Resumiendo:
0
1
FX ( x) = 4
3
4
1
si x < 0
si 0 x < 1
si 1 x < 2
si x 2
Cmo es FX (x)?
Observamos que se trata de una funcin escalera, no decreciente que toma valores entre
0 y 1.
24
2004
iv) lim FX ( x) = 1
x
lim FX ( x) = 0
x -
p X ( x) = FX ( x ) F X ( x )
donde
A = {w / X ( w) x 2 } = {w / X ( w) x1 } {w / x1 < X ( w) x 2 } = A1 A2
Como A1 A2 = , P ( A) = P( A1 ) + P( A2 ) , es decir
P ( X x 2 ) = P( X x1 ) + P ( x1 < X x 2 ) P( X x1 )
y, por lo tanto,
25
2004
FX ( x 2 ) FX ( x1 )
iii) Recordemos que una funcin g (x) es continua a derecha en x si lim+ g ( x + h) = g ( x) .
h 0
FX ( x) = P( X x) .
iv) lim FX ( x) = lim P( X x) = lim P{w / X ( w) x} = P( S ) = 1
x
x -
x -
x -
v) p X ( x) = P( X = x) = P( X x) P( X < x) = FX ( x) FX ( x )
Proposicin: Sean a y b tales que a b , entonces
P ( a X b) = P ( a < X b) + P ( X = a )
y aplicando la propiedad v) de las funciones de distribucin acumuladas.
1 3
=
4 4
3 1 1
P( X = 1) = FX (1) FX (1 ) = = .
4 4 2
P(1 X 2) = FX (2) FX (1 ) = 1
26
2004
Ejemplo: Un experimento tiene slo dos resultados posibles, que denominaremos xito y
Fracaso. El experimento se repite en forma independiente hasta que se obtiene el primer
xito. Sea p = P(xito), 0 < p < 1, y definamos la v.a. X = nmero de repeticiones hasta
obtener el primer xito. Como ya hemos visto, RX = N.
Hallemos la funcin de probabilidad puntual de la v.a. X.
p X (1) = p
p X (2) = (1 p) p
p X (3) = (1 p ) 2 p
..........................
p X (k ) = (1 p) k 1 p
.........................
Entonces,
p X (k ) = (1 p ) k 1 p
k N .
p X ( x) 0
xR X
( x) = 1
Dado que 0 < p < 1 , la primer propiedad obviamente se satisface. Respecto a la segunda,
k =1
k =1
j =0
p X (k ) = (1 p) k 1 p = p (1 p) j = p
1
=1
1 (1 p )
q
i =0
1
, si q < 1.
1 q
27
x <1
FX ( x ) = 0
1 x < 2
FX (x) = p
2 x<3
FX (x) = p + p( 1-p)
3 x<4
2004
..............................................................
k x < k +1
k 1
j =1
i =0
F X ( x) = p (1 p) j 1 = p (1 p) i = p
1 (1 p) k
= 1 (1 p ) k
1 (1 p )
..............................................................
1 q n +1
Hemos usado que la suma parcial de una serie geomtrica es q =
.
1 q
i =0
n
Recordemos que la funcin de distribucin debe estar definida para todo x , entonces
0
FX ( x) =
[x ]
1 (1 p)
si x < 1
si x 1
28
x
nmero de clientes
proporcin
1
7500
37.5%
2
5500
27.5%
3
3500
17.5%
2004
4
2000
10.0%
5
1500
7.5%
7500
5500
3500
2000
1500
+ 2
+ 3
+ 4
+ 5
=
20000
20000
20000
20000
20000
= 1 0.375 + 2 0.275 + 3 0.175 + 4 0.10 + 5 0.075
E( X ) = X =
siempre que
x p
xR X
( x)
xR X
entonces,
E( X ) = 0
0
1/4
1
1/2
2
1/4
1
1
1
+1 + 2 =1.
4
2
4
29
2004
2) Sea X una v.a. que toma slo dos valores que designaremos 1 y 0 (xito y Fracaso)
con la siguiente funcin de probabilidad puntual
x
pX(x)
1
0
1-
siendo 0 < < 1. Una v.a. de este tipo se dice que es una v.a. de tipo Bernoulli y su
esperanza es:
E (X ) = 1 + 0 (1 ) =
3) Veamos un ejemplo en que no existe E(X). Sea X una v.a. con la siguiente funcin de
probabilidad puntual
6 1
p X ( x ) = 2 x 2
0
si x N
en otro caso
En primer lugar, observemos que pX(x) es una funcin de probabilidad puntual, ya que
1 2
=
2
6
x =1 x
E( X ) = x
x =1
6 1
6
= 2
2
2
x
x =1 x
p X (k ) = (1 p) k 1 p
k N
Calculemos la esperanza de X.
k =1
k =1
(1 p ) k
k =1 p
E ( X ) = k p (1 p ) k 1 = p k (1 p ) k 1 = p
30
2004
E( X ) = p
1 1
1
1
1 = p 1 = p 2 = .
(1 p ) k = p
p p
p k =1
p 1 (1 p )
p p
1
.
p
x
pX(x)
1
0.375
2
0.275
3
0.175
4
0.100
5
0.075
Supongamos que el costo del servicio (Y) es funcin del nmero de paquetes contratado,
segn la siguiente frmula:
Y = 30 ( X + 1)
Cul es el valor esperado del costo pagado por cliente? Es decir, cul es E(Y)?.
A partir de la funcin de probabilidad puntual de X, podemos obtener la de funcin de
probabilidad de Y ya que, por un lado RY = {60,90,120,150,180} y, por ejemplo,
P(Y=120)=P(X=3)=0.175. Entonces,
y
pY(y)
60
0.375
90
0.275
120
0.175
150
0.100
180
0.075
31
Observemos que, E( Y ) =
h( x ) p
x =1
2004
Proposicin: Si X es discreta y toma valores x1, x2, ....., entonces h(X) es discreta con
valores y1, y2, ...., siendo yj = h(xi) para al menos un valor de i.
Proposicin: Si la v.a. X tiene funcin de probabilidad puntual pX(x) para todo x RX,
entonces la esperanza de cualquier funcin real h(X), est dada por
E (h( X )) =
h( x ) p
xR X
( x)
h( x )
xR X
p X ( x) < .
E (Y ) = y j pY ( y j ) = y j p X ( x i ) = y j p X ( x i ) = h( x i ) p X ( xi ) .
j
j
i
i / h ( xi ) = y j
j i / h ( xi ) = y j
Propiedades de la esperanza:
1) (Linealidad) Si a y b son constantes reales, E (aX + b) = aE ( X ) + b .
Dem: Sea h( X ) = aX + b, entonces
E (h( X )) = E (aX + b) =
(ax + b) p
xR X
( x) = a x p X ( x) + b p X ( x) =aE ( X ) + b.
xR X
xR X
1
1/12
2
1/3
3
1/3
4
1/3
2
5/12
3
2/12
4
1/12
5
3/12
32
z
pZ(z)
2004
3
1
Estas tres v.a. tienen la misma esperanza, sin embargo la forma de su distribucin es muy
diferente.
V ( X ) = X2 =
(x
) 2 p X ( x) = E [( X X ) 2 ].
xR X
y el desvo standard de X, es X = + V ( X ) .
Ejemplos: 1) Calculemos la varianza y el desvo standard de las tres v.a. que acabamos
de presentar, cuya esperanza es igual a 3.
1
1
1 2
+ ( 3 3 )2 + ( 4 3 )2 =
3
3
3 3
1
5
2
1
3 22 11
V ( Y ) = Y2 = ( 1 3 ) 2
+ ( 2 3 )2
+ ( 3 3 )2
+ ( 4 3 )2
+ ( 5 3 )2
=
=
12
12
12
12
12 12 6
V ( Z ) = Z2 = ( 3 3 ) 2 1 = 0
V ( X ) = X2 = ( 2 3 ) 2
0
1/4
1
1/2
2
1/4
y su esperanza es E ( X ) = 1 , entonces
V ( X ) = (0 1) 2
1
1
1 1
+ (1 1) 2 + (2 1) 2 = .
4
2
4 2
33
2004
1
0
1-
E ( X ) = , entonces
V ( X ) = (1 ) 2 + (0 ) 2 (1 ) = (1 ) [(1 ) + ] = (1 ).
Proposicin: V ( X ) = E ( X 2 ) (E ( X ) ) .
2
Dem:
) (x
) 2 p X ( x) =
xp
( x) + X2
V (X ) = E (X X )2 =
=
xR X
xR X
p X ( x) 2 X
xR X
(x
xR X
xR X
2 X x + X2 p X ( x) =
( x) = E ( X 2 ) 2 X E ( X ) + X2 =
= E ( X 2 ) 2 X2 + X2 = E ( X 2 ) X2 = E ( X 2 ) (E ( X ) ) .
2
p X (k ) = (1 p) k 1 p
Hemos demostrado que E ( X ) =
k N
1 p
1
. Demostraremos ahora que V ( X ) =
.
p
p2
Calculemos E ( X 2 ).
k =1
k =1
k =1
k =1
k =1
= (k + 1)kp(1 p) k 1 k p (1 p ) k 1 = (k + 1)kp(1 p) k 1 E ( X ) =
2
1
1
= p (k + 1)k (1 p ) k 1 = p 2 (1 p ) k +1 =
p
k =1
k =1 p
p
34
=p
1
1
2
2
k +1
(
1
)
(1 p ) j =
p
p
2
2
p j = 2
p k =1
p
p
=p
1
2
1
2
1
(
1
p
)
p
p
p 2 1 (1 p )
p 2
=p
1
1
2
1
2
1
2 + 1 = p 3 = 2
p p
p p
p
p
p
1
p 2+
2004
1
p =
p
Entonces,
V ( X ) = E ( X 2 ) (E ( X ) ) =
2
2
1
1
1
1 (1 p )
2 = 2 =
2
p p
p
p
p
p2
aX +b = a X .
V (h( X )) =
xR X
p X ( x).
Entonces,
V (aX + b) =
xR X
(ax aE ( X ))
xR X
p X ( x) =
p X ( x) =a
(ax + b aE ( X ) b))
xR X
(x E ( X ) )
xR X
p X ( x) =
p X ( x) = a 2V ( X )
y, por lo tanto, aX + b = a X .
35
2004
2
En particular, observemos que aX
= a 2 X2 y X2 +b = X2 , y por lo tanto un cambio de
escala afecta la varianza pero una traslacin no la afecta.
36