Professional Documents
Culture Documents
FACULTAD DE INGENIERÍA
INGENIERÍA DE SISTEMAS
Bogotá, 21 de marzo de 2018
VARIABLE ALEATORIA
DISCRETA*
* Tomado de www.dmae.upm.es/WebpersonalBartolo/Probabilidad/4_VaribleAleatoriaDiscreta.pptx
VARIABLE ALEATORIA
Una variable aleatoria X es una función que asocia a cada
suceso del espacio muestral E de un experimento aleatorio un
3
valor numérico real:
X :E
w X ( w)
Llamar variable a una función resulta algo confuso, por ello
hay que insistir en que es una función.
Ley de
correspondencia
Nº reales
(# de caras) 0 1 2 3 caras
p : [0,1]
x p( x) P( X x)
La función de probabilidad debe cumplir:
(i ) 0 p( x) 1 x
(ii ) p( x) 1 (Suma sobre todos los posibles valores
x que puede tomar la variable aleatoria).
FUNCIÓN DE PROBABILIDAD DISCRETA
9
REQUERIMIENTOS DE UNA
DISTRIBUCIÓN DE PROBABILIDAD
X P(X) X P(X) X P(X)
10
-1 .1 -1 -.1 -1 .1
0 .2 0 .3 0 .3
1 .4 1 .4 1 .4
2 .2 2 .3 2 .3
3 .1 3 .1 3 .1
1.0 1.0 1.2
0 p( x) 1 para todo x
p ( x) 1
x
Observa que aun si el espacio muestral es infinito
numerable, también podemos definir una variable
aleatoria discreta y una función de probabilidad.
11
Ejemplo: Sea X = Número de lanzamientos de una
moneda antes de que aparezca una cara.
Entonces:
13
15
Ejemplo: Dibuja la función de probabilidad f(x) y la
función de distribución F(x) de una variable discreta
definida como:
X = Número en la cara de un dado.
16
X tiene como posibles valores x = 1, 2, 3, 4, 5, 6 cada
uno con probabilidad 1/6
1 1
6
F(x)
f(x)
0.5
0 1 6 x 0 1 6 x
P( x1 X x2 ) F ( x2 ) F ( x1 )
F es monótona creciente.
Aleatoriedad
Deborah J. Bennett
Alianza Editorial, 2000.
MÉTODO DE MONTE CARLO
Realicemos ahora el siguiente experimento aleatorio: girar la ruleta de la
imagen y apuntar el número del sector que coincide con la flecha.
21
Condición Resultado
0 ≤ g < 0.25 0
0.25 ≤ g < 0.75 1
0.75 ≤ g < 0.875 2
0.875 ≤ g < 1 3
Una vez visto un caso particular, el problema general puede
formularse del siguiente modo:
i 1 i
p
j 0
j g p j
j 0
Esperanza matemática o media
de una función de probabilidad discreta
E X xi P( X xi ) xi p( xi ) 26
i i
X P(X) X P(X)
-1 .1 -.1 Siempre que no genere
ambigüedad pasaremos
0 .2 .0 de arrastrar la variable
1 .4 .4 aleatoria: en vez de
poner X = xi ponemos
2 .2 .4 directamente xi.
3 .1 .3
1.0
Calcular la esperanza de la variable aleatoria X en
el ejemplo de los dos dados:
27
12
E ( X ) P (i ) i
i2
1 2 6 1
2 3 ... 7 ... 12 7
36 36 36 36
Sean a, b y c constantes. Demuestra que:
(1) E (c) c
28
(2) E ( P1 ( x) P2 ( x)) E ( P1 ( x)) E ( P2 ( x))
(3) E(aX b) aE( X ) b
(1) E c 1 c c
(2) E P1 ( x) P2 ( x) xi P1 ( X xi ) P2 ( X xi )
i
x P ( X x ) x P ( X x ) E P ( x ) E P ( x )
i
i 1 i
i
i 2 i 1 2
Supongamos que tenemos que hacer unos análisis clínicos de
sangre. Queremos detectar una enfermedad que afecta a 1
de cada 1000 personas. Los pacientes acuden en grupos de
50. ¿Qué nos sale económicamente más a cuenta: analizar
paciente a paciente o mezclar la sangre de los 50 y analizar 29
la mezcla?
50
999 999
P(1 persona sana) ; P(50 personas sanas)
1000 1000
50
999
P(Al menos una persona de 50 enferma) 1 -
1000
999
50
999
50
# esperado de análisis 1 51 1 - 21
1000 1000
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
extraída es roja y pagamos 150 euros en el caso de que sea negra.
¿Qué podemos esperar si jugamos muchas veces?
Espacio muestral E = {R, N}. Consideramos las ganancias
como positivas y las pérdidas negativas:
R 50 0,7
N -150 0,3
1 1
2 10
7
5 10
6
10000 1000
1 9789
2 10 0
5
11000
50 10000
33
Mark Kac, en Enigmas of Chance (1985), explica cómo aplicar el
concepto de esperanza a la vida real:
E T ( X ) T ( xi ) p( xi )
i
T ( X ) X ; k 1, 2, 3, ...
k
mk E ( X ) x p( xi )
k k
i
i
Y tomando como casos particulares a las funciones:
T ( X ) ( X ) ; k 1, 2, 3, ...
k
36
obtenemos los momentos de orden k centrados en la
media de X:
M k E (( X ) ) ( x ) p( xi )
k k
Observa que:
m1 E ( X )
M1 E( X ) E( X ) 0
VARIANZA Y DESVIACIÓN ESTÁNDAR O TÍPICA
DE UNA FUNCIÓN DE PROBABILIDAD DISCRETA
Varianza
37
Var ( X ) M 2 E (( X ) )
2 2
(x )
i
i
2
P( X xi )
Desviación estándar
o típica Var ( X )
Ambas miden la “dispersión de los datos”. Observa que la desviación
típica lo hace con las mismas unidades que los propios datos.
Ejemplo
X ( X ) ( X ) P( X )
2 2
X P(X)
38
-1 .1 -2 4 .4
0 .2 -1 1 .2
1 .4 0 0 .0
2 .2 1 1 .2
3 .1 2 4 .4
1.2
( xi ) P( xi ) 1,2
2 2
Var ( X ) 1.10
Calcula la varianza y desviación típica de la
variable aleatoria X en el ejemplo de los dos
dados:
39
12
Var ( X ) P (i ) (i 7 )
2
i2
1 2 1
( 2 7 ) (3 7 ) ... (12 7 ) 2 5,83
2 2
36 36 36
i 40
(x 2xi ) p( xi )
2 2
i
i
x p ( xi ) 2 xi p ( xi )
2 2
i
i i
E ( X ) 2 E ( X ) ( E ( X ))
2 2 2 2 2
E( X ) ( E( X ))
2 2 2
La apuesta de Pascal
Usted tiene dos cosas que perder: la verdad y el bien, y dos cosas que comprometer: su razón
y su voluntad, su conocimiento y su bienaventuranza; y su naturaleza posee dos cosas de las
que debe huir: el error y la miseria. Su razón no está más dañada, eligiendo la una o la otra,
puesto que es necesario elegir. He aquí un punto vacío. ¿Pero su bienaventuranza? Vamos a
pesar la ganancia y la pérdida, eligiendo cruz (de cara o cruz) para el hecho de que Dios 41
existe. Estimemos estos dos casos: si usted gana, usted gana todo; si usted pierde, usted no
pierde nada. Apueste usted que Él existe, sin titubear.
42
Juego A
Sea X(t), el capital en el instante t. Diremos
Prob. Prob. que un juego es ganador (perdedor) si el
de de promedio <X(t)> es una función monótona
43
creciente (decreciente) de t. Y será un
ganar perder juego justo si <X(t)> es constante.
1/2 - e 1/2 + e
<X(t+1)>-<X(t)> = <X(t+1)-X(t)> =
E X n 2
1 n
46
n 1 2
¡El jugador debería pagar una cantidad infinita para que el juego fuera justo!
«En otras palabras, si yo le ofrezco entrar en el juego con una cuota de,
digamos, un millón de euros, usted debería aceptar, porque la ganancia
media en el juego, que es infinita, supera esa y cualquier otra cantidad.
Sin embargo, nadie en su sano juicio aceptaría semejante trato. Esta es
la paradoja de San Petersburgo: el sentido común nos dice que el valor
medio de la ganancia no determina la cuota de entrada aceptable.
¿Cómo determinamos entonces dicha cuota?»
El problema fundamental del juego de San Petersburgo es que proporciona premios
muy cuantiosos con probabilidad extremadamente pequeña. Por ejemplo, si la
primera cara aparece en la tirada décima, la ganancia es de 1024 euros, y esto
ocurre con una probabilidad de 1 entre 1024. Las ganancias crecen
exponencialmente mientras que las probabilidades decrecen también
exponencialmente, siendo siempre el valor medio de cada posible premio igual a un
euro. 47
La paradoja del vaticinio
(paradoja de William A. Newcomb 1969)
Piensa que HAL vaticina con total seguridad lo que vas a escoger:
(a) Si HAL vaticina que optarás por las dos cajas, pondrá 1.000 euros en la caja 1 y
nada en la caja 2.
(b) Si HAL vaticina que optarás por la caja 2, pondrá 1.000 euros en la caja 1 y
1.000.000 de euros en la caja 2.
(c) Si HAL vaticina que elegirás las dos cajas, y sin embargo, optas por la caja 2, no
ganas nada.
(d) Si HAL vaticina que optarás por la caja 2, y sin embargo, optas por las dos cajas,
ganas las sumas contenidas en las cajas 1 y 2, es decir: 1.001.000 euros.
Matriz de pagos (Teoría de juegos):
HAL
Vaticina que
Vaticina que
elegirás las dos 49
elegirás caja 2
cajas
Eliges la 1.000.000 0
caja 2
Tú Elige las
dos cajas 1.001.000 1.000
Pero si optas por la caja 2: HAL lo habrá vaticinado y habrá colocado 1.000 euros
en la caja 1 y 1.000.000 de euros en la caja 2. Premio: 1.000.000 euros.
Es preferible tener la casi plena certeza de ganar 1.000.000 de euros que ganar
1.000 euros.
Si HAL puso 1.000.000 de euros en la caja 2, al optar por las dos cajas, ganaré
1.001.000 euros. Si HAL solo puso 1.000 euros en la caja 1, me conviene
también optar por las dos, puesto que mejor 1.000 euros que nada.