Académique Documents
Professionnel Documents
Culture Documents
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:
S = {( x1 , x 2 ) / xi ∈{1,2,3,4,5,6}}
X :S →ℜ
20
3) Se arroja una moneda equilibrada hasta que se obtiene la primera cara,
En los ejemplos 1), 2) y 3) las v.a. toman un número 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 máximo (“time out”).
1) RX = {0,1,2}
RY = {1,2,3,4,5,6}
RZ = {2,3,4,5,6,7,8,9,10,11,12}
2) RX = {0,1}
3) 0RX = {1,2,3,...} = N
Definición: Una v.a. es discreta si toma un número finito o infinito numerable de valores.
Ejemplo: En el caso del ejemplo 1), ¿cómo calcularíamos la probabilidad de que la v.a. Z
tome el valor 7, suponiendo que los lanzamientos son independientes?
p X ( x) = P( X = x) = P({w ∈ S / X ( w) = x})
p X ( x) ≥ 0 ∀x
∑p
x∈R X
X ( x) = 1
21
La función de probabilidad puntual de una v.a. X nos dice cómo 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.
x 0 1 2
pX(x) 1/4 1/2 1/4
22
Definición: La función de distribución acumulada de una v.a. discreta X con función de
probabilidad puntual pX(x) se define para todo x ∈ ℜ , como
FX ( x ) = P ( X ≤ x ) = ∑p
y ≤ x , y∈R X
X ( y)
Es decir que FX (x) es la probabilidad de que la v.a. X tome valores menores o iguales
que x.
x 0 1 2
pX(x) 1/4 1/2 1/4
Si x < 0 FX ( x) = P( X ≤ x) = 0
x=0 FX (0) = P( X ≤ 0) = p X (0) = 1
4
0 < x <1 FX ( x) = P( X ≤ x) = p X (0) = 1
4
x =1 FX (1) = P( X ≤ 1) = p X (0) + p X (1) = 1 + 1 = 3
4 2 4
1< x < 2 FX ( x) = P( X ≤ x) = p X (0) + p X (1) = 3
4
x=2 FX (2) = P( X ≤ 2) = p X (0) + p X (1) + p X (2) = 1 + 1 + 1 =1
4 2 4
x>2 FX ( x) = P( X ≤ 2) = p X (0) + p X (1) + p X (2) = 1 + 1 + 1 =1
4 2 4
Resumiendo:
0 si x < 0
1 si 0 ≤ x < 1
FX ( x ) = 4
3
4 si 1 ≤ x < 2
1 si x ≥ 2
¿Cómo es FX (x)?
Observamos que se trata de una función escalera, no decreciente que toma valores entre
0 y 1.
23
Propiedades de la función de distribución acumulada:
i) ∀x ∈ ℜ, F X ( x) ∈ [0,1].
ii) FX (x) es monótona no decreciente, es decir que si x1 < x 2 ⇒ FX ( x1 ) ≤ FX ( x 2 ).
p X ( x ) = FX ( x ) − FX ( x − )
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,
24
FX ( x 2 ) ≥ FX ( x1 )
v) p X ( x) = P ( X = x) = P ( X ≤ x) − P( X < x) = FX ( x) − FX ( x − )
P ( a ≤ X ≤ b) = P (a < X ≤ b) + P ( X = a )
1 3
P(1 ≤ X ≤ 2) = FX (2) − FX (1− ) = 1 −
=
4 4
3 1 1
P( X = 1) = FX (1) − FX (1− ) = − = .
4 4 2
Ejemplo: Un experimento tiene sólo dos resultados posibles, que denominaremos Éxito y
Fracaso. El experimento se repite en forma independiente hasta que se obtiene el primer
éxito. Sea p = P(Éxito), 0 < p < 1, y definamos la v.a. X = “número de repeticiones hasta
obtener el primer éxito”. Como ya hemos visto, RX = N.
25
Hallemos la función 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 ∀x
∑p
x∈R X
X ( x) = 1
Dado que 0 < p < 1 , la primer propiedad obviamente se satisface. Respecto a la segunda,
∞ ∞ ∞
1
∑p
k =1
X (k ) = ∑ (1 − p )
k =1
k −1
p = p ∑ (1 − p ) j = p
j =0 1 − (1 − p )
=1
∞
1
donde hemos usado que la suma de la serie geométrica ∑q
i =0
i
=
1− q
, si q < 1.
x <1 FX ( x ) = 0
1≤ x < 2 FX (x) = p
2≤ x<3 FX (x) = p + p( 1-p)
3≤ x<4 FX (x) = p + p( 1-p) + p( 1-p) 2
..............................................................
k k −1
1 − (1 − p) k
k ≤ x < k +1 F X ( x) = p ∑ (1 − p ) j −1 = p ∑ (1 − p ) i = p = 1 − (1 − p) k
j =1 i =0 1 − (1 − p )
..............................................................
26
n
1 − q n +1
Hemos usado que la suma parcial de una serie geométrica es ∑ qi =
i =0 1− q
.
Recordemos que la función de distribución debe estar definida para todo x ∈ ℜ , entonces
0 si x < 1
FX ( x) = [x ]
1 − (1 − p ) si x ≥ 1
Ejercicio: Verificar que esta función de distribución satisface las propiedades enunciadas
antes.
Una empresa proveedora de servicio de Televisión Satelital tiene 20000 clientes en cierta
zona, cada uno de los cuáles puede optar por contratar de 1 a 5 paquetes de señales (el
abono básico consiste en un solo paquete y cada uno de los otros paquetes incluye
grupos de señales temáticas o premium). Supongamos que, entre los 20000 clientes, la
distribución del número de paquetes X contratados es la siguiente:
x 1 2 3 4 5
número de clientes 7500 5500 3500 2000 1500
proporción 37.5% 27.5% 17.5% 10.0% 7.5%
Observemos que, si no hubiésemos conocido los números de clientes que contratan cada
número de paquetes ni el total de la población, sino sólo las proporciones de cada número
(o su probabilidad) hubiésemos podido obtener el valor promedio, ya que dicho número
puede escribirse en la forma:
27
7500 5500 3500 2000 1500
1⋅ + 2⋅ + 3⋅ + 4⋅ + 5⋅ =
20000 20000 20000 20000 20000
Definición: Sea X una v.a. discreta que toma valores en RX con función de probabilidad
puntual pX(x), la esperanza o valor esperado de X se define como
E( X ) = µ X = ∑x p
x∈R X
X ( x)
Ejemplos: 1) Sea X: “número de caras pares al arrojar dos veces un dado equilibrado”.
Como
x 0 1 2
pX(x) 1/4 1/2 1/4
1 1 1
entonces, E( X ) = 0 +1 + 2 =1.
4 2 4
2) Sea X una v.a. que toma sólo dos valores que designaremos 1 y 0 (Éxito y Fracaso)
con la siguiente función de probabilidad puntual
x 1 0
pX(x) α 1-α
siendo 0 < α < 1. Una v.a. de este tipo se dice que es una v.a. de tipo Bernoulli y su
esperanza es:
E ( X ) = 1 ⋅ α + 0 ⋅ (1 − α ) = α
3) Veamos un ejemplo en que no existe E(X). Sea X una v.a. con la siguiente función de
probabilidad puntual
28
6 1
si x ∈ N
p X ( x ) = π 2 x 2
0 en otro caso
En primer lugar, observemos que pX(x) es una función de probabilidad puntual, ya que
∞
1 π2
∑
i =1 x
2
=
6
∞ ∞
6 1 6 1
E( X ) = ∑ x = 2 ∑ x =∞
i =1 π x
2 2
π i =1
p X (k ) = (1 − p ) k −1 p ∀k ∈ N
Calculemos la esperanza de X.
∞ ∞ ∞
∂
E ( X ) = ∑ k p (1 − p ) k −1 = p ∑ k (1 − p ) k −1 = − p ∑ (1 − p ) k
k =1 k =1 k =1 ∂p
∂ ∞ ∂ 1 ∂ 1 1 1
E( X ) = − p ∑ (1 − p ) k = − p − 1 = − p − 1 = − p − 2 = .
∂p k =1 ∂p 1 − (1 − p ) ∂p p p p
1
y por lo tanto hemos demostrado que E ( X ) = .
p
Otra interpretación de E(X) está relacionada con un resultado que estudiaremos más
adelante, denominado “ley de los grandes números”. Imaginemos que se repite
indefinidamente un experimento aleatorio y que en cada repetición nuestra v.a. X toma
29
diferentes valores. Se ha demostrado que el promedio de los resultados obtenidos tiende
a estabilizarse en un número que es E(X), si es que ésta existe.
x 1 2 3 4 5
pX(x) 0.375 0.275 0.175 0.100 0.075
Supongamos que el costo del servicio (Y) es función del número de paquetes contratado,
según la siguiente fórmula:
Y = 30 ( X + 1)
¿Cuál es el valor esperado del costo pagado por cliente? Es decir, ¿cuál es E(Y)?.
5
Observemos que, E (Y ) = ∑ h( x ) P
x =1
X ( x), siendo h( x) = 30( x + 1).
Proposición: 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.
Proposición: Si la v.a. X tiene función de probabilidad puntual pX(x) para todo x ∈ RX,
entonces la esperanza de cualquier función real h(X), está dada por
E (h( X )) = ∑ h( x ) p
x∈R X
X ( x)
30
E (Y ) = ∑ y j pY ( y j ) =∑ y j ∑ p X ( xi ) =∑ ∑ y j p X ( x i ) = ∑ h( x i ) p X ( xi ) .
j j i / h ( xi ) = y j j i / h ( xi ) = y j i
Propiedades de la esperanza:
Dem: E ( X ) = cp X (c) = c.
Hemos visto que la esperanza de una v.a. mide donde está centrada la distribución de
probabilidad, es el “punto de equilibrio” de la función de probabilidad puntual.
Consideremos las siguientes funciones de probabilidad:
x 2 3 4
pX(x) 1/3 1/3 1/3
y 1 2 3 4 5
pY(y) 1/3 1/8 1/12 1/8 1/3
z 3
pZ(z) 1
Estas tres v.a. tienen la misma esperanza, sin embargo la forma de su distribución es muy
diferente.
Definición: Sea X una v.a. discreta con función de probabilidad puntual pX(x) y esperanza
µX, la varianza de X, que se denotará V(X), σ X2 ó σ , es
2
V ( X ) = σ X2 = ∑ (x − µ X ) 2 p X ( x) = E [( X − µ X ) 2 ].
x∈R X
31
y el desvío standard de X, es σ X = + V ( X ) .
Ejemplos: 1) Calculemos la varianza y el desvío standard de las tres v.a. que acabamos
de presentar, cuya esperanza es igual a 3.
1 1 1 2
V ( X ) = σ X2 = (2 − 3) 2 + (3 − 3) 2 + (4 − 3) 2 =
3 3 3 3
1 1 1 1 1 35
V (Y ) = σ Y2 = (1 − 3) 2 + (2 − 3) 2 + (3 − 3) 2 + (4 − 3) 2 + (5 − 3) 2 =
3 8 12 8 3 12
V ( Z ) = σ Z = (3 − 3) ⋅ 1 = 0
2 2
x 0 1 2
pX(x) 1/4 1/2 1/4
y su esperanza es E ( X ) = 1 , entonces
1 1 1 1
V ( X ) = (0 − 1) 2 + (1 − 1) 2 + (2 − 1) 2 = .
4 2 4 2
x 1 0
pX(x) α 1-α
V ( X ) = (1 − α ) 2 α + (0 − α ) 2 (1 − α ) = α (1 − α ) [(1 − α ) + α ] = α (1 − α ).
Proposición: V ( X ) = E ( X 2 ) − (E ( X ) ) .
2
Dem:
(
V (X ) = E (X − µ X )2 = ) ∑ (x − µ X ) 2 p X ( x) = ∑ (x 2
)
− 2 µ X x + µ X2 p X ( x) =
x∈R X x∈R X
= ∑x
x∈R X
2
p X ( x) − 2µ X ∑xp
x∈R X
X ( x) + µ X2 ∑p
x∈R X
X ( x) = E ( X 2 ) − 2 µ X E ( X ) + µ X2 =
= E ( X 2 ) − 2 µ X2 + µ X2 = E ( X 2 ) − µ X2 = E ( X 2 ) − (E ( X ) ) .
2
32
Ejemplo: Consideremos nuevamente un experimento que tiene sólo dos resultados
posibles y que se repite en forma independiente hasta que se obtiene el primer éxito. Si p
= P(Éxito), 0 < p < 1, hemos definido la v.a. X = “número de repeticiones hasta obtener el
primer éxito”, cuya función de probabilidad puntual está dada por:
p X (k ) = (1 − p ) k −1 p ∀k ∈ N
1 1− p
Hemos demostrado que E ( X ) = . Demostraremos ahora que V ( X ) = .
p p2
Calculemos E ( X 2 ).
∞ ∞
E ( X 2 ) = ∑ k 2 p (1 − p ) k −1 =∑ [(k + 1)k − k ]p (1 − p ) 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 ) =
k =1 k =1 k =1
∞ 1 ∞ ∂2 1
= p ∑ (k + 1)k (1 − p ) k −1 − = p ∑ 2 (1 − p ) k +1 − =
k =1 p k =1 ∂p p
∂2 ∞ k +1 1 ∂2 ∞ 1
=p 2 ∑
∂p k =1
(1 − p ) −
p
= p 2 ∑
∂p j = 2
(1 − p ) j − =
p
∂2 1 1 ∂2 1 1
=p − 1 − (1 − p ) −
p = p p −2+ p − =
∂p 2 1 − (1 − p ) ∂p 2 p
∂ 1 1 2 1 2 1
=p − 2 + 1 − = p 3 − = 2 −
∂p p p p p p p
Entonces,
1 (1 − p )
V ( X ) = E ( X 2 ) − (E ( X ) ) =
2 1 1 1
− − 2 = 2 − =
2
2
p p p p p p2
33
Propiedades de la varianza y del desvío standard:
1) V (aX + b) = a V ( X )
2
y σ aX + b = a σ X .
Entonces,
x∈R X x∈R X
∑ (ax − aE ( X ) ) ∑ (x − E ( X ))
2
= p X ( x) =a p X ( x) = a 2V ( X )
2 2
x∈R X x∈R X
y, por lo tanto, σ aX + b = a σ X .
34