Probabilidades y Estadstica (Computacin)

Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires

Ana M. Bianco y Elena J. Martnez 2004
21
Variables aleatorias discretas
Al realizar un experimento generalmente estamos interesados en alguna funcin del
resultado ms que en el resultado en s mismo. As, por ejemplo, al arrojar un dado dos
veces podramos estar interesados slo en la suma de los puntos obtenidos y no en el par
de valores que dio origen a ese valor de la suma. Esa cantidad de inters, o ms
formalmente esa funcin a valores reales definida sobre el espacio muestral se denomina
variable aleatoria. Variable porque toma distintos valores y aleatoria porque el valor
observado no puede ser predicho antes de la realizacin del experimento, aunque s se
sabe cules son sus posibles valores.
Dado que el valor de una variable aleatoria (en adelante lo abreviaremos v.a.) es
determinado por el resultado de un experimento, podremos asignar probabilidades a los
posibles valores o conjuntos de valores de la variable.
Ejemplo: Se arroja dos veces un dado equilibrado. Un espacio muestral asociado es:
{ } } 6 , 5 , 4 , 3 , 2 , 1 { / ) , (
2 1
=
i
x x x S
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
S X :
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 Y((2,5)) = 5 Z((2,5)) = 7
X((1,3)) = 0 Y((1,3)) = 3 Z((1,3)) = 4
X((2,2)) = 2 Y((2,2)) = 2 Z((2,2)) = 4
2) Se arroja una moneda equilibrada 3 veces,

=
contrario caso en 0
impar es caras de nmero el si 1
X
Probabilidades y Estadstica (Computacin)
Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martnez 2004
22
3) Se arroja una moneda equilibrada hasta que se obtiene la primera cara,
X: nmero de tiros necesarios
4) A partir del instante en que se intenta la conexin a un servidor, se registra el tiempo
que demora en concretarse la misma,
X: tiempo requerido para la conexin.
En los ejemplos 1), 2) y 3) las v.a. toman un nmero finito o infinito numerable de valores,
mientras que en el ejemplo 4) la v.a. X toma valores en un conjunto infinito no numerable,
el intervalo (0, ) o un intervalo (0, M) si existe un tiempo mximo (time out).
Notacin: Indicaremos con R
X
el rango de la v.a. X, es decir el conjunto de valores
posibles de la v.a. X.
Ejemplos: En los ejemplos anteriores,
1) R
X
= {0,1,2}
R
Y
= {1,2,3,4,5,6}
R
Z
= {2,3,4,5,6,7,8,9,10,11,12}
2) R
X
= {0,1}
3) R
X
= {1,2,3,...} = N
4) R
X
= (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
) 1 , 6 ( ), 2 , 5 ( ), 3 , 4 ( ), 4 , 3 ( ), 5 , 2 ( ), 6 , 1 ( 7 ) , ( / ) , ( ) 7 (
2 1 2 1
= = = = = = P x x Z S x x P Z P
Definicin: La funcin de probabilidad puntual o de masa de la v.a. discreta X, se
define para todo x como
{ } ( ) x w X S w P x X P x p
X
= = = = ) ( / ) ( ) (
Se cumplen las siguientes propiedades:
Probabilidades y Estadstica (Computacin)
Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martnez 2004
23

=

X
R x
X
X
x p
x x p
1 ) (
0 ) (
La funcin de probabilidad puntual de una v.a. X nos dice cmo se distribuye la
probabilidad total entre los distintos valores de X, y se determina a partir de la
probabilidad de los sucesos asociados a cada valor de X.
Ejemplos: 1) Hallemos la funcin de probabilidad puntual de la v.a. X : nmero de caras
pares al arrojar dos veces un dado equilibrado. Recordemos que R
X
= {0,1,2}.
{ } { } ( )
{ } { } { } { } { } { } ( )
{ } { }
4
1
36
9
6 , 4 , 2 , / ) , ( ) 2 ( ) 2 (
2
1
36
18
5 , 3 , 1 , 6 , 4 , 2 / ) , ( 6 , 4 , 2 , 5 , 3 , 1 / ) , (
) 1 ( ) 1 (
4
1
36
9
5 , 3 , 1 , / ) , ( ) 0 ( ) 0 (
2 1 2 1
2 1 2 1 2 1 2 1
2 1 2 1
= = = = =
= = =
= = =
= = = = =
x x S x x P X P p
x x S x x x x S x x P
X P p
x x S x x P X P p
X
X
X
Podemos resumir esta informacin en una tabla de la forma:
x 0 1 2
p
X
(x) 1/4 1/2 1/4
o mediante un grfico en el cual, para cada valor de x se construye una barra o un
rectngulo centrado en x, cuya altura es proporcional a p
X
(x)
Diagrama de Barras Histograma
Probabilidades y Estadstica (Computacin)
Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martnez 2004
24
Definicin: La funcin de distribucin acumulada de una v.a. discreta X con funcin de
probabilidad puntual p
X
(x) se define para todo x , como


= =
X
R y x y
X X
y p x X P x F
,
) ( ) ( ) (
Es decir que ) (x F
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 0 1 2
p
X
(x) 1/4 1/2 1/4
1
4
1
2
1
4
1
) 2 ( ) 1 ( ) 0 ( ) 2 ( ) ( 2
1
4
1
2
1
4
1
) 2 ( ) 1 ( ) 0 ( ) 2 ( ) 2 ( 2
4
3
) 1 ( ) 0 ( ) ( ) ( 2 1
4
3
2
1
4
1
) 1 ( ) 0 ( ) 1 ( ) 1 ( 1

4
1
) 0 ( ) ( ) ( 1 0
4
1
) 0 ( ) 0 ( ) 0 ( 0
0 ) ( ) ( 0 Si
= + + = + + = = >
= + + = + + = = =
= + = = < <
= + = + = = =
= = = < <
= = = =
= = <
X X X X
X X X X
X X X
X X X
X X
X X
X
p p p X P x F x
p p p X P F x
p p x X P x F x
p p X P F x
p x X P x F x
p X P F x
x X P x F x
Resumiendo:

<
<
<
=
2 si 1
2 x 1 si
4
3
1 x 0 si
4
1
0 si 0
) (
x
x
x F
X
Cmo es F
X
(x)?
Observamos que se trata de una funcin escalera, no decreciente que toma valores entre
0 y 1.
Probabilidades y Estadstica (Computacin)
Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martnez 2004
25
Propiedades de la funcin de distribucin acumulada:
i) , x | | 1 , 0 ) ( x F
X
.
ii) ) (x F
X
es montona no decreciente, es decir que si ). ( ) (
2 1 2 1
x F x F x x
X X
<
iii) ) (x F
X
es continua a derecha, es decir ). ( ) ( lim x F h x F
X X
o h
= +
+

iv) 0 ) ( lim y 1 ) ( lim

- x
= =

x F x F
X X
x
v) En cada punto x, el valor del salto es la probabilidad puntual, es decir
) ( ) ( ) (

= x F x F x p
X X X
donde ) ( lim
0
h x x
h
=
+

(lmite por la izquierda). En particular si X toma valores

...
2 1
< < x x , entonces ) ( ) ( ) (
1
=
i X i X i X
x F x F x p para todo 2 i y ) ( ) (
1 1
x F x p
X X
= .
Dem: Daremos slo demostraciones heursticas de estas propiedades. Demostraciones
rigurosas pueden encontrarse, por ejemplo, en S. Ross (1988) o B. James (1981).
i) Obvio, ya que ( ) } ) ( / { ) ( ) ( x s X S w P x X P x F
X
= = y toda probabilidad toma
valores entre 0 y 1.
ii) Consideremos el suceso
{ } { } { }
2 1 2 1 1 2
) ( / ) ( / ) ( / A A x w X x w x w X w x w X w A = < = =
Como =
2 1
A A , ) ( ) ( ) (
2 1
A P A P A P + = , es decir
) ( ) ( ) ( ) (
1 2 1 1 2
x X P x X x P x X P x X P < + =
y, por lo tanto,
Probabilidades y Estadstica (Computacin)
Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martnez 2004
26
) ( ) (
1 2
x F x F
X X

iii) Recordemos que una funcin ) (x g es continua a derecha en x si ) ( ) ( lim
0 h
x g h x g = +
+

.
Por lo tanto, la continuidad a derecha de ) (x F
X
en todo x resulta de su definicin:
) ( ) ( x X P x F
X
= .
iv) { } 1 ) ( ) ( / lim ) ( lim ) ( lim
x x x
= = = =

S P x w X w P x X P x F
X
P x w X w P x X P x F
X
= = =

) ) ( / ( lim ) ( lim ) ( lim
- x - x - x
()=0
v) ) ( ) ( ) ( ) ( ) ( ) (

= < = = = x F x F x X P x X P x X P x p
X X X
Proposicin: Sean a y b tales que b a , entonces

) ( ) ( ) (
) ( ) ( ) (
) ( ) ( ) (
) ( ) ( ) (

= <
= < <
=
= <
a F b F b X a P
a F b F b X a P
a F b F b X a P
a F b F b X a P
X X
X X
X X
X X
Dem: Demostremos la primera igualdad

( | ( ) ( | ( ) ( | ( )
(a) ) ( ) (
, , , ) (
X X
(b)-F F a X P b X P
a X P b X P b a X P b X a P
= =
= = <
Ejercicio: Demostrar las siguientes 3 igualdades, usando por ejemplo que
) ( ) ( ) ( a X P b X a P b X a P = + < =
y aplicando la propiedad v) de las funciones de distribucin acumuladas.
Ejemplo: Volviendo al ejemplo 1), y usando la funcin de distribucin calculada antes,
calculemos y 2 1 ) X ( P ) X ( P 1 = .

.
2
1
4
1
4
3
) 1 ( ) 1 ( ) 1 (
4
3
4
1
1 ) 1 ( ) 2 ( ) 2 1 (
= = = =
= = =

X X
X X
F F X P
F F X P
Probabilidades y Estadstica (Computacin)
Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martnez 2004
27
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, R
X
= N.
Hallemos la funcin de probabilidad puntual de la v.a. X.

..... .......... ..........
) 1 ( ) (
...... .......... ..........
) 1 ( ) 3 (
) 1 ( ) 2 (
) 1 (
1
2
p p k p
p p p
p p p
p p
k
X
X
X
X

=
=
=
=
Entonces,
. ) 1 ( ) (
1
N k p p k p
k
X
=

Verifiquemos que en efecto esta funcin satisface las dos propiedades

=

X
R x
X
X
x p
x x p
1 ) (
0 ) (
Dado que 1 0 < < p , la primer propiedad obviamente se satisface. Respecto a la segunda,
1
) 1 ( 1
1
) 1 ( ) 1 ( ) (
0 1
1
1
=

= = =


=

=
p
p p p p p k p
j
j
k
k
k
X
donde hemos usado que la suma de la serie geomtrica

=

=
0
1
1
i
i
q
q , si . 1 < q
Hallemos la funcin de distribucin acumulada de la v.a. X.
Probabilidades y Estadstica (Computacin)
Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martnez 2004
28
.. .......... .......... .......... .......... .......... ..........
) 1 ( 1
) 1 ( 1
) 1 ( 1
) 1 ( ) 1 ( ) ( 1
.. .......... .......... .......... .......... .......... ..........
1 1 (x) 4 3
1 (x) 3 2
(x) 2 1
0 ) ( 1
1
0 1
1
2
k
k k
i
i
k
j
j
X
X
X
X
X
p
p
p
p p p p p x F k x k
-p) p( -p) p( p F x
-p) p( p F x
p F x
x F x
=


= = = + <
+ + = <
+ = <
= <
= <


= =

Hemos usado que la suma parcial de una serie geomtrica es

=
+

=
n
i
n
i
q
q
q
0
1
1
1
.
Recordemos que la funcin de distribucin debe estar definida para todo x , entonces

| |

<
=
1 si ) 1 ( 1
1 si 0
) (
x p
x
x F
x X
donde | | a denota la parte entera de a .
Ejercicio: Verificar que esta funcin de distribucin satisface las propiedades enunciadas
antes.
Parmetro de una funcin de probabilidad: En el ejemplo anterior la probabilidad de xito
la designamos p donde 0 < p < 1. Variando este valor obtenemos diferentes funciones de
probabilidad que constituyen lo que se denomina una familia de distribuciones. El valor p
se denomina parmetro de la distribucin.
En el caso del ejemplo, la familia obtenida se denomina Geomtrica de parmetro p y
diremos que X ~ G(p). Por ejemplo, si el experimento hubiese consistido en arrojar un
dado equilibrado hasta obtener el primer as, X ~ G(1/6) y si hubiese consistido en arrojar
una moneda equilibrada hasta obtener la primera cara, X ~ G(1/2).
Esperanza o valor esperado de una v.a. discreta:
Una empresa proveedora de servicio de Televisin Satelital tiene 20000 clientes en cierta
zona, cada uno de los cules puede optar por contratar de 1 a 5 paquetes de seales (el
abono bsico consiste en un solo paquete y cada uno de los otros paquetes incluye
grupos de seales temticas o premium). Supongamos que, entre los 20000 clientes, la
distribucin del nmero de paquetes X contratados es la siguiente:
Probabilidades y Estadstica (Computacin)
Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martnez 2004
29
x 1 2 3 4 5
nmero de clientes 7500 5500 3500 2000 1500
proporcin 37.5% 27.5% 17.5% 10.0% 7.5%
Si interesa el nmero promedio de paquetes contratados, o sea el valor promedio de X en
la poblacin, deberamos calcular:
225 . 2
20000
44500
20000
1500 5 2000 4 3500 3 5500 2 7500 1
= =
+ + + +
Observemos que, si no hubisemos conocido los nmeros de clientes que contratan cada
nmero de paquetes ni el total de la poblacin, sino slo las proporciones de cada nmero
(o su probabilidad) hubisemos podido obtener el valor promedio, ya que dicho nmero
puede escribirse en la forma:
075 . 0 5 10 . 0 4 175 . 0 3 275 . 0 2 375 . 0 1
20000
1500
5
20000
2000
4
20000
3500
3
20000
5500
2
20000
7500
1
+ + + + =
= + + + +
sto motiva la siguiente definicin.
Definicin: Sea X una v.a. discreta que toma valores en R
X
con funcin de probabilidad
puntual p
X
(x), la esperanza o valor esperado de X se define como

= =
X
R x
X X
x p x X E ) ( ) (
siempre que

<
X
R x
X
x p x ) ( . Si la serie de los valores absolutos diverge, la esperanza
no puede definirse y decimos que no existe.
Ejemplos: 1) Sea X: nmero de caras pares al arrojar dos veces un dado equilibrado.
Como
x 0 1 2
p
X
(x) 1/4 1/2 1/4
entonces, 1
4
1
2
2
1
1
4
1
0 ) ( = + + = X E .
Probabilidades y Estadstica (Computacin)
Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martnez 2004
30
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 1 0
p
X
(x) 1-
siendo 0 < < 1. Una v.a. de este tipo se dice que es una v.a. de tipo Bernoulli y su
esperanza es:
= + = ) 1 ( 0 1 ) ( X E
3) Veamos un ejemplo en que no existe E(X). Sea X una v.a. con la siguiente funcin de
probabilidad puntual

=
caso otro en 0
si
1 6
) (
2 2
N x
x
x p
X
En primer lugar, observemos que p
X
(x) es una funcin de probabilidad puntual, ya que

=
=
1
6
1
2
2
x
x

y, por lo tanto la suma de las probabilidades es 1. Calculemos la esperanza de X,



= =
= = =
1 1
1 6 1 6
2 2 2
x x
x x
x ) X ( E

4) Consideremos nuevamente un experimento que tiene slo dos resultados posibles y
que se repite en forma independiente hasta que se obtiene el primer xito. Si p = P(xito),
0 < p < 1, y si definimos la v.a. X = nmero de repeticiones hasta obtener el primer xito,
hemos demostrado que su funcin de probabilidad puntual est dada por
N k p p k p
k
X
=

) 1 ( ) (
1
Calculemos la esperanza de X.

= = =
1 1 1
1 1
) 1 ( ) 1 ( ) 1 ( ) (
k k k
k k k
p
p
p p k p p p k X E
Probabilidades y Estadstica (Computacin)
Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martnez 2004
31
Como la serie de potencias involucrada en la ltima igualdad es convergente, la derivada
de la suma es la suma de las derivadas, entonces
.
1 1
1
1
1
) 1 ( 1
1
) 1 ( ) (
2
1
p p
p
p p
p
p p
p p
p
p X E
k
k
=
|
|
.
|

\
|
=
|
|
.
|

\
|

=
|
|
.
|

\
|

= |
.
|

\
|

=
y por lo tanto hemos demostrado que .
1
) (
p
X E =
Interpretacin de la esperanza: E(X) es el centro de gravedad de la funcin de
probabilidad puntual. Es decir que si imaginamos que sobre cada valor posible de X, x
i
,
colocamos una masa p
X
(x
i
), el punto de equilibrio del sistema es E(X). En este sentido,
podemos decir que E(X) es una medida del centro de la distribucin.
Otra interpretacin de E(X) est relacionada con un resultado que estudiaremos ms
adelante, denominado ley de los grandes nmeros. Imaginemos que se repite
indefinidamente un experimento aleatorio y que en cada repeticin nuestra v.a. X toma
diferentes valores. Se ha demostrado que el promedio de los resultados obtenidos tiende
a estabilizarse en un nmero que es E(X), si es que sta existe.
Esperanza de una funcin de una v.a. discreta: Volvamos al ejemplo considerado al
comienzo del pargrafo dedicado a la esperanza. Sea la v.a. X: nmero de paquetes de
programas contratado por un cliente seleccionado al azar y consideremos su funcin de
probabilidad puntual:
x 1 2 3 4 5
p
X
(x) 0.375 0.275 0.175 0.100 0.075
Supongamos que el costo del servicio (Y) es funcin del nmero de paquetes contratado,
segn la siguiente frmula:
) 1 ( 30 + = X Y
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 R
Y
= {60,90,120,150,180} y, por ejemplo,
P(Y=120)=P(X=3)=0.175. Entonces,
y 60 90 120 150 180
p
Y
(y) 0.375 0.275 0.175 0.100 0.075
y, . 75 . 96 075 . 0 180 10 . 0 150 175 . 0 120 275 . 0 90 375 . 0 60 ) ( = + + + + = Y E
Probabilidades y Estadstica (Computacin)
Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martnez 2004
32
Observemos que, , ) x ( p ) x ( h ) Y ( E
x
X
=
=
5
1
siendo ). 1 ( 30 ) ( + = x x h
Proposicin: Si X es discreta y toma valores x
1
, x
2
, ....., entonces h(X) es discreta con
valores y
1
, y
2
, ...., siendo y
j
= h(x
i
) para al menos un valor de i.
Proposicin: Si la v.a. X tiene funcin de probabilidad puntual p
X
(x) para todo x R
X
,
entonces la esperanza de cualquier funcin real h(X), est dada por

=
X
R x
X
x p x h X h E ) ( ) ( )) ( (
si la serie es absolutamente convergente, o sea si

<
X
R x
X
x p x h ) ( ) ( .
Dem: Sea ), ( X h Y = entonces


= =
(
(

= =
= = j i
i X i
y x h i
i X j
j y x h i
i X j
j
j Y j
x p x h x p y x p y y p y Y E
j i j i
) ( ) ( ) ( ) ( ) ( ) (
) ( / ) ( /
.
Propiedades de la esperanza:
1) (Linealidad) Si a y b son constantes reales, b X aE b aX E + = + ) ( ) ( .
Dem: Sea , ) ( b aX X h + = entonces


+ = + = + = + =
X X X
R x R x
X X
R x
X
b X aE x p b x p x a x p b ax b aX E X h E . ) ( ) ( ) ( ) ( ) ( ) ( )) ( (
2) Si X es una v.a. tal que P(X=c)=1, entonces E(X)=c.
Dem: . ) ( ) ( c c cp X E
X
= =
Varianza de una v.a. discreta:
Consideremos las siguientes funciones de probabilidad:
x 2 3 4
p
X
(x) 1/3 1/3 1/3
y 1 2 3 4 5
p
Y
(y) 1/12 5/12 2/12 1/12 3/12
Probabilidades y Estadstica (Computacin)
Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martnez 2004
33
z 3
p
Z
(z) 1
Estas tres v.a. tienen la misma esperanza, sin embargo la forma de su distribucin es muy
diferente.
Ejercicio: Graficar las tres funciones de probabilidad puntual y verificar que
E(X)=E(Y)=E(Z)=3.
Definiremos una medida de la variabilidad de una variable aleatoria alrededor de su
esperanza.
Definicin: Sea X una v.a. discreta con funcin de probabilidad puntual p
X
(x) y esperanza

X
, la varianza de X, que se denotar V(X),
2
X

2
, es
]. ) ( [ ) ( ) ( ) (
2 2 2

= = =
X
R x
X X X X
X E x p x X V
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.
0 1 3 3
6
11
12
22
12
3
3 5
12
1
3 4
12
2
3 3
12
5
3 2
12
1
3 1
3
2
3
1
3 4
3
1
3 3
3
1
3 2
2 2
2 2 2 2 2 2
2 2 2 2
= = =
= = + + + + = =
= + + = =
) ( ) Z ( V
) ( ) ( ) ( ) ( ) ( ) Y ( V
) ( ) ( ) ( ) X ( V
Z
Y
X

2) Consideremos X: nmero de caras pares al arrojar dos veces un dado equilibrado

cuya funcin de probabilidad puntual es
x 0 1 2
p
X
(x) 1/4 1/2 1/4
y su esperanza es 1 ) ( = X E , entonces
.
2
1
4
1
) 1 2 (
2
1
) 1 1 (
4
1
) 1 0 ( ) (
2 2 2
= + + = X V
Probabilidades y Estadstica (Computacin)
Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martnez 2004
34
3) Sea X una v.a. Bernoulli con funcin de probabilidad puntual
x 1 0
p
X
(x) 1-
con 0 < < 1. Recordemos que , ) ( = X E entonces
| | ). 1 ( ) 1 ( ) 1 ( ) 1 ( ) 0 ( ) 1 ( ) (
2 2
= + = + = X V
Proposicin: ( )
2 2
) ( ) ( ) ( X E X E X V = .
Dem:
( ) ( )


= + = = =
X X
R x R x
X X X X X X
x p x x x p x X E X V ) ( 2 ) ( ) ( ) ( ) (
2 2 2 2

= + = + =


2 2 2 2
) ( 2 ) ( ) ( ) ( 2 ) (
X X
R x R x
X X X
R x
X X
X E X E x p x p x x p x
X X X

( ) . ) ( ) ( ) ( 2 ) (
2 2 2 2 2 2 2
X E X E X E X E
X X X
= = + =
Ejemplo: Consideremos nuevamente un experimento que tiene slo dos resultados
posibles y que se repite en forma independiente hasta que se obtiene el primer xito. Si p
= P(xito), 0 < p < 1, hemos definido la v.a. X = nmero de repeticiones hasta obtener el
primer xito, cuya funcin de probabilidad puntual est dada por:
N k p p k p
k
X
=

) 1 ( ) (
1
Hemos demostrado que
p
X E
1
) ( = . Demostraremos ahora que .
1
) (
2
p
p
X V

=
Calculemos ). (
2
X E
| |


=

= + = =
1
1
1
1 2 2
) 1 ( ) 1 ( ) 1 ( ) (
k
k
k
k
p p k k k p p k X E



=

= + = + =
1
1
1
1
1
1
) ( ) 1 ( ) 1 ( ) 1 ( ) 1 ( ) 1 (
k
k
k
k
k
k
X E p kp k p p k p kp k
=
(

=
(

+ =


=
+

p
p
p
p
p
p k k p
k
k
k
k
1
) 1 (
1
) 1 ( ) 1 (
1
1
2
2
1
1
Probabilidades y Estadstica (Computacin)
Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martnez 2004
35
=
(

=
(

=


=

=
+
p
p
p
p
p
p
p
p
j
j
k
k
1
) 1 (
1
) 1 (
2
2
2
1
1
2
2
=
(

=
(

=
p
p
p p
p
p
p
p p
p
1
2
1 1
) 1 ( 1
) 1 ( 1
1
2
2
2
2

p p p p
p
p p p
p
1 2 1 2 1
1
1
2 3 2
= =
(

=
Entonces,
( )
2 2 2 2
2 2
) 1 ( 1 1 1 1 2
) ( ) ( ) (
p
p
p p p p p
X E X E X V

= = = =
como queramos demostrar.
Propiedades de la varianza y del desvo standard:
1) ) ( ) (
2
X V a b aX V = + y
X b aX
a =
+
.
Dem: Observemos que, en general,
( ) ( )

=
X
R x
X
x p X h E x h X h V ). ( ) ( ) ( )) ( (
2
Entonces,
( ) ( )


= + = + + = +
X X
R x
X
R x
X
x p b X aE b ax x p b aX E b ax b aX V ) ( ) ) ( ) ( ) ( ) (
2 2
( ) ( )


= = =
X X
R x
X X
R x
X V a x p X E x a x p X aE ax ) ( ) ( ) ( ) ( ) (
2 2
2
2
y, por lo tanto, .
X b aX
a =
+
Probabilidades y Estadstica (Computacin)
Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martnez 2004
36
En particular, observemos que
2 2 2

X aX
a = y
2 2
X b X
=
+
, y por lo tanto un cambio de
escala afecta la varianza pero una traslacin no la afecta.
2) Si X es una v.a. tal que P(X=c) = 1, entonces V(X) = 0.
Dem: Ejercicio.