Probabilidades y Estadstica (Computacin) Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires Ana M. Bianco y Elena J.

Martnez

2004

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:

S = {( x1 , x 2 ) / xi {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 un nmero real

S
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 a travs de X.

S
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

2) Se arroja una moneda equilibrada 3 veces,

21

Probabilidades y Estadstica (Computacin) Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires Ana M. Bianco y Elena J. Martnez

2004

1 X = 0

si el nmero de caras es impar en caso contrario

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 RX 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) 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) 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?

P(Z = 7) = P({( x , ) S / Z (( x , ) ) = 7}) = P({(1,6), (2,5), (3,4), (4,3), (5,2), (6,1)}) = 6 1 x x = .

1 2 1 2

36

Definicin: La funcin de probabilidad puntual o de masa de la v.a. discreta X, se define para todo x como

p X ( x) = P( X = x) = P({w S / X (w) = x})

Se cumplen las siguientes propiedades:

p X ( x) 0

xR X

p X ( x) = 1

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 RX = {0,1,2}.

p (0) = P( X = 0) = P({( x , ) S / x , x x
X 1 2 1 2

{1,3,5}})
36

p X (1) = P( X

= 1) =

= P({( x , ) S / x x x
1 2 1 2

{2,4,6}}

) S/ x

{1,3,5}, {( x , x
1 2

{2,4,6}, x
1 2

18

{1,3,5}})
= 1

36

p (2) = P( X = 2) = P{( x , ) S / x , x x
X 1 2 1 2

{2,4,6}}
36

Podemos resumir esta informacin en una tabla de la forma: x pX(x) 0 1/4 1 1/2 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 pX(x) Diagrama de Barras Histograma

Definicin: La funcin de distribucin acumulada de una v.a. discreta X con funcin de probabilidad puntual pX(x) se define para todo x , como

FX ( x) = P( X

x) =

X y x, yR X

p ( 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) 0 1/4 1 1/2 2 1/4

Si x < 0 x=0

FX ( x) = P( X x) = 0 FX (0) = P( X 0) = p (0) = 1
X

0< x< 1

FX ( x) = P( X x) = p (0) = 1
X

x= 1

FX (1) = P( X 1) = (0) + p (1) = 1 + 1 = 3 4 2 4 pX X

1< x<

FX ( x) = P( X x) = p X

x=2 x>2

4 FX (2) = P( X 2) = p X (0) + p X (1) + p X (2) = 1 4 + 1 2 + 1 4 = 1 FX ( x) = P( X 2) = p X (0) + p X (1) + p X (2) = 1 + 1 + 1 = 1 4 2 4

(0) + p X

(1) = 3

Resumiendo:

0 1 F (X x) = 4 34 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.

Propiedades de la funcin de distribucin acumulada: i) x , FX ( x) [0,1] . ii) FX ( x) es montona no decreciente, es decir que si x1 < x 2 FX ( x1 ) FX ( x 2 ).

iii) F ( x) es continua a derecha, es decir lim FX ( x + h) = FX ( x). X +

ho

iv) lim FX ( x) = 1
x

x -

lim FX ( x) = 0

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

p X ( x) = FX ( x) FX

(x )

donde

= lim( x h) (lmite por la izquierda). En particular si X toma valores +

h0

x1 < x 2 < ... ,

entonces

p X ( xi ) = FX ( xi ) FX ( xi para todo i 2 y p X ( x1 ) = FX ( x1 ) . 1 )

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 valores entre 0 y 1.

FX ( x) = P( X x) = P({w

 S / X (s) x})
ii) Consideremos el suceso

toda probabilidad toma

A = {w / X (w) x 2 } = {w / X (w) x1 }
Como A A = 1 2 ,

{w / x1 < X (w) x 2 }

= A1 A2

P( A) = P( A1 ) + P( A2 ) , es decir

y, por lo tanto,

P( X x 2 ) = P( X x1 ) + P( x1 < X x2 )

P( X x1 )

FX ( x 2 ) FX ( x1 )
iii) Recordemos que una funcin g ( x) es continua a derecha en x si
h 0 +

lim g ( x + h) = g ( x) .

Por lo tanto, la continuidad a derecha de F ( x) en todo x resulta de su definicin: X 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

lim FX ( x) = lim P( X x) = lim P(w / X (w) x) = P ()=0

x x -

v) p X ( x) = P( X = x) = P( X x) P( X < x) =

( x) FX

(x )

FX

Proposicin: Sean a y b tales que a b , entonces

P(a < X b) = FX (b) FX (a) P(a X b) = FX P(a < X < b) = FX(b ) P(a X < b) = FX F (b ) F
X

(b) FX (a )

(a) (a )

Dem: Demostremos la primera igualdad

P(a < X b) = P( X (a, b]) = P( X ( , b]) P( X ( , a ]) = P( X b) P( X a) = FX (b)-FX (a)

Ejercicio: Demostrar las siguientes 3 igualdades, usando por ejemplo que

P(a X b) = P(a < X b) + P( X = a)

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 P(1 X 2 ) P( X = 1 ) .

y 1 3

P(1 X 2) = (2) F F
X X

(1 ) = 1

P( X = 1) = (1) F F
X X

4 3 1 1 (1 ) = = .

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) p .......................... p X (k ) = (1 p) .........................

Entonces,
k 1 2

p X (k ) = (1 p) p

k 1

k N .

Verifiquemos que en efecto esta funcin satisface las dos propiedades

p X ( x) 0

xR X

p X ( x) = 1

Dado que 0 < p < 1 , la primer propiedad obviamente se satisface. Respecto a la segunda,

p X (k ) = (1 p)
k =1

k 1

p = p (1 p) = p
j =0

=1

k =1

1 (1 p) 1 1 q

donde hemos usado que la suma de la serie geomtrica

qi =

, si q < 1.

i =0

Hallemos la funcin de distribucin acumulada de la v.a. X.

x<1 1 x< 2 2 x< 3

FX ( x) = 0 FX (x) = p FX (x) = p + p(1-p)

3 x< 4

FX (x) = p + p(1-p) + p(1-p)

..............................................................
k

k x<k+ 1

F X ( x) = p

(1
j =1

p) j 1

1 (1 p) k = (1 p) = p = 1 (1 p) 1 (1 p) i =0
i

k 1

..............................................................
n

Hemos usado que la suma parcial de una serie geomtrica es i

1 q n +1 =
.

1 =0 Recordemos que la funcin de distribucin debe estar definida ipara todo x q , entonces 0 FX ( x) = [x ] 1 (1 p) si x < 1 si x 1

[] 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:

x nmero de clientes proporcin

1 7500 37.5%

2 5500 27.5%

3 3500 17.5%

4 2000 10.0%

5 1500 7.5%

Si interesa el nmero promedio de paquetes contratados, o sea el valor promedio de X en la poblacin, deberamos calcular:

1 7500 + 2 5500 + 3 3500 + 4 2000 + 5 1500 44500 = = 2.225 20000 20000

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:

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

sto motiva la siguiente definicin. Definicin: Sea X una v.a. discreta que toma valores en RX con funcin de probabilidad puntual pX(x), la esperanza o valor esperado de X se define como

E(X)=

xR X

xp

( x)

siempre que

xR X

x p X ( 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 pX(x) 0 1/4 1 1/2 2 1/4

entonces,

E( X ) = 0

+1 2

+2 4

= 1.

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

si x N

en otro caso

En primer lugar, observemos que pX(x) es una funcin de probabilidad puntual, ya que

x x=1

1
2

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

E( X ) = x x=1
2

6 1 6 1 = 2 = 2 x x =1 x

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

p X (k ) = (1 p) p

k 1

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 =1

k =1 k =1

Como la serie de potencias involucrada en la ltima igualdad es convergente, la derivada de la suma es la suma de las derivadas, entonces

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

p 1 (1 p)

1 =

1 1 = . 1 = p p
2

p p

y por lo tanto hemos demostrado que E ( X ) =

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, xi, colocamos una masa pX(xi), 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 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

y, E(Y ) = 60 0.375 + 90 0.275 + 120 0.175 + 150 0.10 + 180 0.075 = 96.75.

Observemos que, E( Y ) =

x =1

h( x ) p

( x ), siendo h( x) = 30( x + 1).

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 )) =

xR X

h( x) p X ( x)

si la serie es absolutamente convergente, o sea si

xR X

h( x) p X ( x) < .

Dem: Sea Y = h( X ), entonces

E (Y ) = y j pY ( y j ) = y j p X ( xi ) =
j yj j

y j p X ( xi ) = h( xi ) p X ( xi ) .
i

i / h ( xi )=

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) =

xR X

(ax + b) p X ( x) = a x p X ( x) + b p X ( x) =aE ( X ) + b.

xR
X

xR X

2) Si X es una v.a. tal que P(X=c)=1, entonces E(X)=c.

Dem: E ( X ) = cp (c) = c. X

Varianza de una v.a. discreta: Consideremos las siguientes funciones de probabilidad: x pX(x) y pY(y) 1 1/12 2 1/3 2 5/12 3 1/3 3 2/12 4 1/3 4 1/12 5 3/12

z pZ(z)

3 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 pX(x) y esperanza 2 2 X, la varianza de X, que se denotar V(X), X , es
X

V(X)=

2 X

=
X

(x )
xR X

2 p ( x) = E [( X ) ].

y el desvo standard de X, es

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.

V ( X ) = = ( 2 3 )2
2 X

+ ( 3 3 )2

+ ( 4 3 )2

V(Y)= 5
Y

= (1 3 )

3 2 1

3 2

3 + ( 4 3 )2 1 + ( 5 3 )2 3 = 22 = 11

+ ( 2 3 )2 + ( 3 3 )2

12 V ( Z ) = = (3 3) 1 = 0 Z
2 2

12

12

12

12

12

2) Consideremos X: nmero de caras pares al arrojar dos veces un dado equilibrado cuya funcin de probabilidad puntual es x pX(x) y su esperanza es E( X ) = 1 , entonces 0 1/4 1 1/2 2 1/4

V ( X ) = (0 1)

+ (1 1) 2

+ (2 1) 4 2

3) Sea X una v.a. Bernoulli con funcin de probabilidad puntual x pX(x) 1 0 1-

con 0 < < 1. Recordemos que E( X ) = , entonces

V ( X ) = (1 ) 2 + (0 ) 2 (1 ) = (1 ) [(1 ) +
Proposicin: V ( X ) = E ( X ) (E ( X )) .
2 2

= (1 ).

Dem:

V ( X ) = E (( X X

(x

2 X

p X ( x) =

(x
2

2 X x +

)p

( x) =

xR X

xR X 2

= p

xR X

x 2 X ( x) 2
X

xR X 2 X

x p X ( x) +

X xR X

p ( x) = E ( X 2 ) 2
X

E( X ) +

= E( X 2 ) 2X + X = E( X 2 ) = E( X 2 ) (E( X ) ) . X
2 2 2 2

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:

p X (k ) = (1 p) p

k 1

k N

Hemos demostrado que E( X ) =

1 p

. Demostraremos ahora que V ( X ) =

1 p
2

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 = p (k + 1)k (1 p)
1

p) p

2 = = p k =1 p

k +1

(1

= p

k
=1

=
2

k+

2 =

=p p

(1 p)

p p

p2 p)

(1 = p j=2
2

1 = p p
2 2

k =1

1 1 =

1 = p p

1 (1 p) (1 p)

p 2 p

2 + p p

1 = p

2 2 p 1 = p

1 1 2 1 2 + 1 3 = p p p p p p

Entonces,

V ( X ) = E( X 2 ) (E( X ) ) =
2

2
2

p
2

= p
2

= p

(1 p)
2

p
como queramos demostrar.

Propiedades de la varianza y del desvo standard: 1) V (aX + b) = a V ( X

2

aX +b

= aX.

Dem: Observemos que, en general,

V (h( X )) =

(h( x) E (h( X
)))
X

p X ( x).

xR

Entonces,

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

(ax + b aE( X ) b))2

p X ( x) =

xR X xR X

xR
X

(ax aE( X ))

p X ( x) =a

xR X

(x E( X )) p
2

( x) = a 2V ( X )

y, por lo tanto,

aX +b

= a X.

En particular, observemos que aX = a X

2 2

2 y X +b = X , y por lo tanto un cambio de 2

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.