rea Matemtica - Ce.R.P. Centro - Prof.

Ariel Mazza - Ao 2007 1 de 8

VARIABLES ALEATORIAS DISCRETAS:

1.1) VARIABLE ALEATORIA DEGENERADA:
Es una v.a. muy peculiar pues toma un solo valor con probabilidad 1.
1.1.1) Funcin de cuanta:
1
( )
0
X
si x a
P x
enotrocaso

'

1.1.2) Funcin de distribucin:
0
( )
1
X
si x a
F x
si x a
<

'

1.1.3) Esperanza: ( ) E X a
1.1.4) Varianza: ( ) 0 V X

1.2) VARIABLE ALEATORIA UNIFORME:
Esta v.a. asegura la equiprobabilidad para todo punto de su recorrido.
1.2.1) Funcin de cuanta:
{ }
*
1 2
1
Re ( ) , ,...,
( )
0
n
X
si x c X x x x n
P x n
enotrocaso

'

1.2.2) Funcin de distribucin:
1
1
0
( ) /1 1
1
X i i
n
si x x
i
F x si x x x i i n
n
si x x
+
<

<
'

Comentario: suponemos ordenados los elementos de Rec(X)
1.2.3) Esperanza:
1
1
( )
n
i
i
E X x
n

1.2.4) Varianza:
2
2
1 1
1 1
( )
n n
i i
i i
V X x x
n n

1
_
1

, 1
]


1.2.5) Caso particular: Si Rec(X) ={1, 2, 3, , n} entonces:
2
1
( )
2
1
( )
12
n
E X
n
V X
+

'

rea Matemtica - Ce.R.P. Centro - Prof. Ariel Mazza - Ao 2007 2 de 8

1.3) VARIABLE ALEATORIA de BERNOULLI:
Se supone un experimento aleatorio con slo dos resultados posibles: E
(xito) y F (fracaso) con probabilidades p y q=1-p respectivamente. Rec(X)={0, 1} y
por notacin: ( ) X Bernoulli p
1.3.1) Funcin de cuanta:
0
( ) 1
0
X
q si x
P x p si x
enotrocaso

'

1.3.2) Funcin de distribucin:
0 0
( ) 0 1
1 1
X
si x
F x q si x
si x
<

<
'

1.3.3) Esperanza: ( ) E X p
1.3.4) Varianza: ( ) V X pq

1.4) VARIABLE ALEATORIA BINOMIAL:
Se trata de la realizacin de n pruebas de Bernoulli, independientes y en
idnticas condiciones Rec(X) = {0, 1, 2, 3, , n} y por notacin: ( , ) X B n p
1.4.1) Funcin de cuanta:
Re ( )
( )
0
n x n x
x
X
C p q si x c x
P x
enotrocaso

'

1.4.2) Funcin de distribucin:
0 0
( ) / 0,1, 2,...
1
n i n i
X i
i x
si x
F x C p q i i n
si x n

<

'

1.4.3) Esperanza: ( ) E X np
Demostracin:
( ) ( )
( ) ( )
( )

0 1
1
1 1
(1) 0
! !
( ) (1 ) (1 )
! ! ! !
! ( 1)!
(1 ) (1 )
( 1)! ! ( 1)! !
. . 1
!
(1 )
1 ! !
n n
x n x x n x
x x
n n
x n x x n x
x x
m
y m y
y
n n
E X x p p x p p
x n x x n x
n n
p p np p p
x n x x n x
c v y x
m
np p p np
m n y m y

1

1

]

(1)
( )
0
!
(1 )
! !
m
y m y
y
m
p p
y m y

es la cuanta de una variable aleatoria binomial

con parmetros m = n-1 y p

1.4.4) Varianza: ( ) V X npq
Demostracin:
( )
2
*
( ) ( ) ( ) Var X E X E X
Con el objeto de hacer una demostracin del estilo de mas arriba escribiremos
2
( 1) x x x x + entonces por propiedades de la esperanza tenemos
( )
( )
2
**
( ) ( 1) ( ) E X E X X E X + . Como la esperanza de X ya la tenemos lo
nico que nos resta es obtener la ( ) ( )
1 E X X
rea Matemtica - Ce.R.P. Centro - Prof. Ariel Mazza - Ao 2007 3 de 8
( ) ( )
( ) ( )
( ) ( )
( )

0 2
2 2
2 2
2 2
**
(1) 0
! !
1 ( 1) (1 ) ( 1) (1 )
! ! ! !
! ( 2)!
(1 ) ( 1) (1 )
( 2)! ! ! !
. . 2
!
( 1) (1 ) ( 1)
2 ! !
n n
x n x x n x
x x
n n
x n x x n x
x x
m
y m y
y
n n
E X X x x p p x x p p
x n x x n x
n n
p p n n p p p
x n x x n x
c v y x
m
n n p p p n n p
m n y m y

1

1

]

( ) *
de (*), (**), (***) y del valor de la Esperanza tenemos que
[ ]
2 2 2
( ) ( 1) ( 1) 1 (1 ) Var X n n p np n p np n p np np p npq + +


1.5) VARIABLE ALEATORIA CUASI-BINOMIAL o FRECUENCIA:

Si se aplica una transformacin lineal (cambio de escala) a una v.a. X
con distribucin binomial se obtiene una nueva v.a. que se llama Cuasi-Binomial o
Frecuencia, es decir, si
1
( , ) X B n p F X
n
es la v.a. Cuasi-Binomial o Frecuencia
con
1 2 3
Re ( ) 0, , , ,...,1 c F
n n n

' ;


La v.a. F representa, de esta manera, la proporcin de xitos en el total
de las n pruebas de Bernoull.

1.5.1) Funcin de cuanta: { } ( ) ( ) / 0,1, 2,...,
x
P F P nF x P X x x x n
n
_


,

1.5.2) Funcin de Distribucin:
0 0
( ) Re ( )
1
F
i x i x
si x
x i
F P F P X i i c X
n n
si x n

<

_ _

'

, ,

>

1.5.3) Esperanza:
1
( ) ( ) E F E X p
n

1.5.4) Varianza:
2
1 (1 )
( ) ( )
p p
V F V X
n n

1.6) VARIABLE ALEATORIA HIPERGEOMETRICA:

El experimento aleatorio consiste en extraer n elementos sin reposicin
de una poblacin finita de N individuos, de los cuales N
1
poseen una cierta
caracterstica determinada que queremos estudiar y los N
2
restantes no la poseen.
Observar que N
1
+ N
2
= N.
Se define la v.a. X = nmero de individuos que poseen la
caracterstica determinada en el total de las n extracciones sin reposicin de la poblacin
finita considerada
Notacin:
1
( , , ) X H N N n

rea Matemtica - Ce.R.P. Centro - Prof. Ariel Mazza - Ao 2007 4 de 8
1.6.1) Funcin de cuanta:
1 2
Re ( )
( )
0
N N
x n x
N
n
C C
x c X
P X x C
en otro caso

'

1.6.2) Determinacin del Recorrido de la v.a. X: por condicin de existencia de los
nmeros combinatorios se deben cumplir simultneamente las condiciones:

1
2 2
2
0
0
x N
x n
n x N n N x n
n N x

'

' ;

De ambas condiciones y sabiendo que x se deduce que:
{ }
2 1
Re ( ) / (0, ) min( , ) c X x max n N x n N
1.6.3) Funcin de Distribucin:
1 2
2
2 1
1
0 max(0, )
( ) / max(0, ) min( , )
1 min( , )
i i
i
N N
x n x
X N
x x n
si x n N
C C
F x x n N x n N
C
si x n N

<

'

1.6.4) Comentarios previos a la Esperanza y Varianza: para sus demostraciones se hace
uso de dos de las propiedades de los nmeros combinatorios a saber:
a)
1
1
1; 1;
m m
x x
xC mC si x m x m

cuya demostracin es
inmediata
b)
0
i n
p m p m
i n i n
i
C C C

para valores admisibles de ndices y

subndices. Su demostracin fue propuesta como ejercicio en el practico
N 4 ej. 7) iii).

1.6.5) Esperanza de X: E(X) =
1
N
n
N

Demostracin:

1 2 2 2
1 2
1 1
2
1 2 1 2
1
1 2
2 1
1 1 1
1 1 1
1
1 1
1
max(0, )
min( , )
1
( )
1
N N x K x K
N N x n x
x n x N N
x K x K n n
x K
N N N N
x n x n N N
x K n n
N
n
N
n
K n N
Sean
K n N
C C
E X x xC C
C C
N
N C C C
C C
C N
N n
C N

'

rea Matemtica - Ce.R.P. Centro - Prof. Ariel Mazza - Ao 2007 5 de 8

1.6.6) Varianza de X: V(X) =
1 1
1
1
N N N n
n
N N N
_ _

, ,

Demostracin.
( )
1 2 1 2 2 2
1 1
1 2 1 2 2 2
1 1
2
1 2
1
1
2 2
2 2
1 1
1 1
1 1 2
( ) ( ) ( )
( ) 1
( 1)
1
( 1)
1
( 1)
N N N N x K x K
x n x x n x
N N
x K x K n n
N N N N x K x K
x n x x n x
N N
x K x K n n
x K
N N
x n x N
x K n
N
x N
n
V X E X E X
C C C C
E X x x x x
C C
C C C C
x x x
C C
N
N x C C n
C N
N N C
C

+ 1
]

+
+

2
2
1
2
1 2
1
1 2
2 1
2 1 1 1
2
2 2 1 1 1 1 1 1
2 2
( 1)
( 1) ( 1)
x K
N
n x
x K
x K
N N
x n x N
x K n
N N N
n n N N
n n
N
C n
N
N N N
C C n
C N
N N N N N N
C n C n
C N C N

+

+

+

+ +

1 1 1
2
1 1 1 1
1 1 1
1 1 1
1 1 1 1
( 1) ( 1)
( 1)
( 1) ( 1)
( )
( 1)
( 1)( 1)
1
1
( ) ( )
( 1) ( 1)
( )( )
1
( 1) 1
n n N N N
n
N N N
n n N N N N
V X n n
N N N N
nN n N N
n
N N N
nN N N N n N N
N N N N N
nN N N N n N N N n
n
N N N N N N

+

_
+

,
1
+
1

]
1

1

]
_ _



, ,

1.6.7) Observaciones:
1) Si llamamos p a la proporcin de xitos en la poblacin finita,
tenemos que:
1
N
p
N

2) Con esta nueva notacin, podemos escribir: E(X) = np lo que nos
dice que el valor esperado en una distribucin hipergeomtrica es
igual a la esperanza de una distribucin binomial
3) La varianza nos queda: ( ) ( 1)
1
N n
V X np p
N

que es igual a la
varianza de una distribucin binomial multiplicada por el factor
1
N n
N

. Este factor es menor que 1, con lo cual la varianza de una

distribucin hipergeomtrica es menor que la varianza de una
distribucin binomial.
rea Matemtica - Ce.R.P. Centro - Prof. Ariel Mazza - Ao 2007 6 de 8
4) Este factor
1
N n
N

se llama factor de correccin de poblaciones

finitas.
5) 1
1
lim
N
N n
N

que nos dice que si N es muy grande comparado

con n (N>>n) entonces la distribucin hipergeomtrica H(N,n,p) se
aproxima a la distribucin binomial B(n,p).

1.6.8) Relacin de recurrencia:
1
2
( ) ( 1)( 1)
( 1) ( )
P X x N x n x
P X x x N n x
+ +

+


1.7) VARIABLE ALEATORIA de POISSON:
El proceso de Poisson nos permite estudiar una gran variedad de
fenmenos en los que un cierto suceso, de inters, ocurre espordicamente en un
perodo de tiempo de forma tal que puede considerarse al azar.
Se define la v.a. X = nmero de sucesos que ocurren en un
determinado intervalo
Notacin: X P ()

1.7.1) Funcin de cuanta:
, 0
( )
!
0
x
e si x
P X x
x
en otro caso

>

'

1.7.2) Funcin de distribucin:
0 0
( )
0
!
i
i
x
X
x x i
si x
F x
e si x
x

<

'

1.7.3) Esperanza: E(X) =
Demostracin.
0 1 1
1
1 0
( )
! ! ( 1)!
( 1)! !
x x x
x x x
x y
x y
E X xe xe e
x x x
e e e e
x y





+ + +


+ +

1.7.4) Varianza: V(X) =
Demostracin:
[ ]
2 2
2 2
0 0
2
2
0 0 2
2 2 2
0
2 2
( ) ( ) ( )
( ) ( 1)
! !
( 1)
! ! ( 2)!
!
( )
x x
x x
x x x
x x x
y
y
V X E X E X
E X x e e x x x
x x
e x x x e
x x x
e e e
y
V X

+ +


+ + +


+

+
1
+ +
1

]
+ + +
+

rea Matemtica - Ce.R.P. Centro - Prof. Ariel Mazza - Ao 2007 7 de 8

1.7.5) Observacin: La distribucin de Poisson presenta la particularidad que su valor
esperado y su varianza son iguales entre s y adems iguales al parmetro .

1.7.6) Relacin de recurrencia:
( )
( 1)
P X x
P X x x

1.8) VARIABLE ALEATORIA GEOMTRICA o de PASCAL:

El experimento aleatorio consiste en la repeticin sucesiva de pruebas
de Bernoulli, en idnticas condiciones, hasta obtener el primer xito para luego
detenerse el experimento. Es por tanto una sucesin de fracasos hasta lograr el primer
xito.
Se define la v.a. X = nmero de fracasos observados antes de obtener
el primer xito Por notacin: ( ) X G p siendo p la probabilidad constante de xito.

1.8.1) Funcin de cuanta:
(1 )
( )
0
x
p p si x
P X x
en otro caso


'

1.8.2) Funcin de distribucin:
1
0 0
( )
1 (1 ) 0
X x
si x
F x
p si x siendo x parteenterade x
+
<

'

1.8.3) Esperanza:
1
( )
p
E X
p

demostracin: haciendo q = 1-p, tenemos:

( )
1
0 1 1 1
2 2
1
( )
1
1
1 (1 )
1
x x x x
x x x x
x
x
E X xpq xpq pq xq pq q
q
pq pq
pq q pq
q q q q p
q p
p p
+ + + +

_ _



, ,

rea Matemtica - Ce.R.P. Centro - Prof. Ariel Mazza - Ao 2007 8 de 8

1.8.4) Varianza:
2
1
( )
p
V X
p

demostracin:
2 2
( ) ( ) ( ) V X E X E X

[ ]
( )
2 2
0 0
2 2
0 0 2
2 2
2 2
2 2
2 2
2
2 2
2 3
2
2
( ) ( 1)
1
( 1) ( 1)
1 1
1 1 2 1
1
1 (1 )
2(1 ) 1
x x
x x
x x x
x x x
x x
x x
E X x pq x x x pq
p
x x pq xpq pq x x q
p
p p
pq q pq q
q p q p
p p
pq q pq
q q p q p
p p
p p
+ +

+ + +

+ +

+

+ +

+ +

_
+ +


,

+





2 2 2
2 2 2 2
2(1 ) 1 (1 ) (1 ) 1 1
( )
p p p p p p
V X
p p p p p p

+ +

1.8.5) Teorema:
) ( )
) ( / ) ( ) , 0,1, 2,...
H X G p
T P X i j X i P X j i j

'
+

demostracin:

( )
( )
( ) 1 ( )
( / )
( ) 1 ( )
1 1 1
(1 ) 1 1 (1 )
1 1 1
1 ( 1) ( )
i j
j j
i
P X i j P X i j
P X i j X i
P X i P X i
p
p p
p
P X j P X j
+
+ < +
+
<
1

]
1
]
1

]
<


Es decir: la probabilidad que ocurran al menos (i+j) fracasos dado que ya han
ocurrido i fracasos o ms es igual a la probabilidad que ocurran al menos j fracasos.