En el siguiente artculo se muestro la distribucin geomtrica, su desarrollo, la
varianza, esperanza, su funcin caracterstica y su funcin generadora de momentos. Esta distribucin sirve para calcular la probabilidad de que ocurra un xito por primera y nica vez en el ltimo ensayo que se realiza del experimento. Funcin de densidad: Sea un suceso de probabilidad !"#$p, y sea % la variable aleatoria que expresa el numero de fracasos que tiene lugar en las repeticiones independientes de pruebas de &enouili, 'asta que ocurre por primera vez. (a variable % toma los valores de ),*,+,,."numero de fracasos#. -ecimos que una variable aleatoria % sigue una distribucin geomtrica de par.metros p si su funcin de probabilidad es dnde / !$ probabilidad de xito en cada ensayo x$ ensayos que sean necesarios para obtener un xito, para x $ *, +, 0,.. (o anterior solo se cumple si y solo si/ 1 (as pruebas son idnticas e independientes entre s. 1 (a probabilidad de xito es p y se mantiene constante de prueba en prueba Funcin de distribucin (a funcin de densidad de la variable aleatoria geomtrica slo depende del par.metro p, y presenta siempre una asimetra a la derec'a como se puede observar en las siguientes funciones de densidad. Funcin Generadra de M!ents -emostracin Es"eran#a
-emostracin $arian#a -emostracin !or tanto Funcin caracter%stica (a funcin caracterstica se calcula teniendo en cuenta que de nuevo aparece la sumacin de los trminos de una progresin geomtrica, pero esta vez de razn e it q/ Ley de una variable aleatoria 2na variable aleatoria es un nmero que depende del resultado de un experimento aleatorio. (o que est. en 3uego es la localizacin de este nmero/ determinar cuales son las posibilidades de caer en tal o tal parte de . Esta localizacin conduce a asociar a toda variable aleatoria una ley de probabilidad sobre . De&inicin '() Se llama ley de la variable aleatoria a la ley de probabilidad sobre , definida para todo con3unto boreliano de por/ En la pr.ctica nos olvidamos de la codificacin inicial en eventos y la ley sobre , para quedarnos finalmente con la ley sobre . Si solamente observamos una variable aleatoria , podremos considerar que los eventos son los valores reales que ella puede tomar y dotar a este con3unto de la ley de . !or razones de modelado y tambin por comodidad matem.tica, consideramos dos tipos de variables aleatorias/ las variables aleatorias discretas, que solamente toman un nmero finito o numerable de valores "en general valores enteros# y las variables aleatorias continuas que pueden tomar, a priori, cualquier valor en un intervalo de nmero reales. Esta diferenciacin corresponde, por supuesto, a la que ya se consider para las leyes de probabilidad En general, se repetir. un mismo experimento, donde se observar.n algunas variables aleatorias. (a idea de independencia entre variables aleatorias 3uega un papel importante en todo lo que veremos. De&inicin '(* (as variables aleatorias se llaman independientes si para toda 4tupla de con3untos borelianos en , los eventos 55 66, ...,55 66 son independientes. -e una sucesin de variables aleatorias se dice que son independientes si para todo las variables aleatorias son independientes. (a independencia es, por tanto, una propiedad de los eventos 55 66. -e aqu se deduce que si e son independientes entonces toda funcin de es independiente de toda funcin de . Variables aleatorias discretas De&inicin '(' Se dice que una variable aleatoria es discreta si toma un numero finito o a lo m.s numerable de valores/ En este caso la ley de la variable aleatoria es la ley de probabilidad sobre el con3unto de los valores posibles de que asocia la probabilidad al singleton . En la pr.ctica el con3unto de los valores que puede tomar es o una parte de . -eterminar la ley de una variable aleatoria discreta es/ *. -eterminar el con3unto de los valores que puede tomar . +. 7alcular para cada uno de estos valores . +unt de ,ista &recuentista( 8ecordemos que el nico sentido pr.ctico que le podemos dar a la idea de probabilidad es el de un lmite de frecuencias experimentales. Este es tambin el sentido que 'ay que dar a la nocin de ley discreta. 8epetimos veces, en forma independiente, el experimento aleatorio del cual como resultado medimos . Se obtiene as una 4tupla de variables aleatorias independientes de misma ley que "esto se llama una muestra#. partir de esta 4tupla podemos calcular las frecuencias experimentales de los eventos 55 66 / Segn la (ey de los 9randes :meros, esta frecuencia debe converger a . !ara todo las frecuencias experimentales definen una ley de probabilidad discreta sobre el con3unto de los . 2sualmente se representa a las leyes discretas por diagramas de barras / Se dibu3a encima de la abscisa un segmento vertical de altura igual a . (as leyes discretas m.s comunes son las siguientes. -e. uni&r!e( (a ley uniforme definida sobre un con3unto finito es la ley de 55sorteos al azar66 en este con3unto o equiprobabilidad. Ella asigna la misma probabilidad a todos los elementos del con3unto, si el cardinal del con3unto es . -e. de Bernu//i( (as variables aleatorias discretas m.s simples son las indicatrices de eventos. Si es un evento de probabilidad , la variable aleatoria toma el valor si se realiza y ) si no. Su ley es la ley de Bernoulli de par.metro . (os otros dos e3emplos b.sicos son la ley binomial y la ley geomtrica. -e. bin!ia/( Se repite el mismo experimento veces en forma independiente y se cuenta el nmero de veces que se produce el evento . Se considerar. la repeticin de los experimentos como un nuevo experimento global. 7omo solamente nos interesa el evento , bastar. guardar de la experiencia global una 4tupla booleana del tipo/ la cual ser. m.s f.cil de transformar en una 4tupla de ) y . -enotemos/ el nmero de veces en que se realiza a lo largo de los experimentos. Si denota la probabilidad del evento , la variable aleatoria sigue una ley de &ernoulli de par.metro . (a variable aleatoria toma sus valores en el con3unto . !ara determinar su ley, los eventos que nos interesan son los del tipo 55 66. partir de la 'iptesis de independencia de los experimentos, la probabilidad de un resultado cualquiera del experimento global es un producto de probabilidades. !or e3emplo/ ;oda 4tupla particular que contenga 55 66 y 55)66 tiene como probabilidad . En total 'ay/ que es el nmero de maneras de seleccionar ndices entre . -e donde/ De&inicin '(0 Se dice que una variable aleatoria sigue la ley binomial de par.metros y "denotada # si/ *. toma sus valores en el con3unto +. +ara recrdar: El nmero de ocurrencias de un mismo evento en el curso de experimentos independientes sigue una ley binomial. Si!u/acin: la salida del algoritmo que mostramos a continuacin, sigue la ley binomial . Es el caso tpico en el que encontramos una ley binomial, pero no es el mtodo mas eficaz de simulacin de la misma. 8epetir veces Si " 8andom # entonces finSi fin8epetir. Obser,acin: Es un buen '.bito el comprobar que la suma de las probabilidades calculadas vale . En este caso/ , por la frmula del binomio de :e<ton "de a'el nombre de binomial#. -e. 1e!2trica( El problema aqu es observar una sucesin de repeticiones independientes de un mismo experimento. :os interesa el momento en que se produce el evento por primera vez. Se asume que la probabilidad de es estrictamente positiva. -enotemos por el nmero de orden del experimento en el cual ocurre por primera vez. Es una variable aleatoria que depende del experimento/ 55repetir independientemente 'asta que ocurra 66. El con3unto de los valores posibles para es . !ara todo se tiene/ De&inicin '(3 Se dice que una variable aleatoria sigue la ley geomtrica de par.metro "denotada #, si/ *. toma sus valores en el con3unto . +. +ara recrdar: El nmero de experimentos independientes necesarios 'asta la primera ocurrencia de un evento sigue una ley geomtrica. Si!u/acin: la salida del algoritmo que mostramos a continuacin, sigue la ley geomtrica . Es el caso tpico en el que encontramos una ley geomtrica, pero no es el mtodo mas eficaz de simulacin de la misma. 8epetir =asta que " 8andom #. Obser,acin: . (a consecuencia de esta observacin es la siguiente/ en el transcurso de una serie de experimentos independientes, todo evento acabar. sucediendo, si su probabilidad es estrictamente positiva. s una sucesin aleatoria de ) y debe contener necesariamente una cadena de ceros seguidos. 7on el mismo razonamiento, si un mono golpea al azar las teclas de una m.quina de escribir, terminar., necesariamente, escribiendo 55-on >ui3ote66 sin faltas, desde la primera mayscula 'asta el ltimo punto. !ara comprender esta parado3a, calculemos la probabilidad de que un evento de probabilidad se produzca a lo sumo en el 4simo experimento. ?ostramos algunos valores de en funcin de y . n si todas las partculas del universo fueran monos tecleando a razn de car.cteres por segundo, se necesitara muc'o m.s tiempo del transcurrido desde el inicio del universo para tener una probabilidad no despreciable de ver a uno de ellos teclear -on >ui3ote. (a ley geomtrica y la ley binomial aparecen con frecuencia en el an.lisis de algoritmos de simulacin. continuacin presentamos el e3emplo del c.lculo de una probabilidad condicional. (a programacin directa de la definicin intuitiva "proporcin de veces en que ocurre entre aquellas en que tambin ocurre# conducira al siguiente algoritmo. 8epetir veces experimento Si ocurre entonces Si ocurre entonces finSi finSi fin8epetir :ada impide que sea cero al final de los experimentos "an si es poco probable#. Es preferible fi3ar y escribir/ 8epetir veces 8epetir experimento =asta que ocurre Si ocurre entonces finSi fin8epetir E3ecutar este algoritmo se convierte en calcular la frecuencia experimental de , en el resultado de repeticiones independientes de un experimento global. Este experimento global consiste en repetir independientemente un mismo experimento 'asta que ocurre por primera vez . (a 55duracin66 del experimento global es un nmero entero aleatorio. El sigue una ley geomtrica de par.metro . Se puede demostrar que la variable sigue una ley binomial de par.metros y . E4e!"/: 8epetir veces 8epetir 8andom (* lanzamiento de un dado *) =asta que " es par# (* es el evento `` es par'' *) Si entonces (* es el evento `` '' *) finSi fin8epetir la salida de este algoritmo, contiene un nmero cercano a si es grande. El nmero de repeticiones del experimento cada vez que se e3ecuta un lazo, sigue la ley geomtrica . =ay otras leyes discretas cl.sicas que se emplean con frecuencia. Se trata de las leyes de !oisson, 'ipergeomtricas y binomiales negativas. -e. de +issn( ?uc'as variables aleatorias discretas corresponden a conteos de ob3etos con una caracterstica, relativamente rara, dentro de un con3unto grande de ob3etos/ .tomos de un istopo, molculas de un elemento qumico, bacterias, virus, individuos que poseen un gen especial... 7on frecuencia se emplea una ley de !oisson como modelo para estos conteos. 2na variable aleatorio sigue una ley de !oisson de par.metro si ella toma sus valores en y si para todo / -e. 5i"er1e!2trica( (a ley 'ipergeomtrica es la ley de 55captura sin reposicin66. En una poblacin de tama@o , se extrae al azar una muestra "subcon3unto# de tama@o . Entre los individuos de la poblacin 'ay que est.n 55marcados66 "poseen una cierta caracterstica#. El nmero de individuos marcados entre los individuos seleccionados, sigue la ley 'ipergeomtrica de par.metros , y . (a variable aleatoria toma sus valores en el con3unto , y para todo / donde por convencin , si . Esta ley se encuentra con frecuencia en los 3uegos de azar. Aariable aleatoria :mero de ases en una mano de poBer 0+ C D :mero de ases en una mano de bridge D+ C E :mero de nmeros buenos en un sorteo de (oto CF E E :mero de nmeros buenos en un sorteo de Geno H) +) -e. bin!ia/ ne1ati,a( Esta ley se emplea frecuentemente en los conteos en biologa. El modelo de base que la define puede escribirse todava en trminos de indicatrices de eventos independientes, como en las leyes binomiales y geomtricas. En el transcurso de una serie de experimentos aleatorios independientes, observemos un evento de probabilidad . -enotemos por el nmero de observaciones de antes de la 4sima observacin de . Entonces sigue la ley binomial negativa de par.metros y , denotada por . El con3unto de los valores que toma es y para todo / (a variable aleatoria sigue la ley como salida del siguiente algoritmo. 8epetir veces ?ientras "8andom # fin?ientras fin8epetir. Variables aleatorias continuas De&inicin '(6 Sea una variable aleatoria con valores en y una densidad de probabilidad sobre . Se dice que es una variable aleatoria continua de densidad si para todo intervalo de se tiene/ (a ley de la variable aleatoria es la ley continua sobre , de densidad . !ara determinar la ley de una variable aleatoria continua, 'ay que calcular su densidad. -e manera equivalente, la ley de una variable continua se determina dando la probabilidad de que ella pertenezca a un intervalo cualquiera. Es lo que 'emos 'ec'o para nuestro e3emplo de base, el llamado a 8andom, que es una variable aleatoria continua, de densidad . 2na variable aleatoria continua de densidad , cae entre y con una probabilidad igual a / ?ientras m.s grande sea la densidad en un segmento, mayores ser.n las probabilidades de que caiga en ese segmento, lo cual 3ustifica el trmino 55densidad66. 7omo ya 'emos observado para 8andom, la probabilidad de que una variable aleatoria continua caiga en un punto cualquiera es nula. En consecuencia/ Ibservemos tambin que el modificar una densidad en un nmero finito o numerable de puntos, no cambia de las integrales sobre los segmentos y en consecuencia la ley de probabilidad asociada tampoco cambia. El valor que toma la densidad en un punto particular, no es importante. !or e3emplo 8andom tiene como densidad a pero da lo mismo usar . 7omo en los casos discretos, debemos conocer algunos e3emplos b.sicos. (as densidades se dan en un punto cualquiera de . -e. uni&r!e( (a ley uniforme sobre un intervalo es la ley de 55sorteos al azar66 en un intervalo. Si son dos nmeros reales, la ley uniforme sobre el intervalo se denota por . Ella tiene por densidad a la funcin/ 8andom es una variable aleatoria de ley uniforme . -e. e7"nencia/( (as leyes exponenciales modelan intervalos de tiempo o duraciones aleatorias, como la vida de una partcula en fsica. (a ley exponencial de par.metro se denota por . Ella tiene por densidad a la funcin/ -e. nr!a/( (a ley normal, ley de 9auss o (aplace49auss es la m.s clebre de las leyes de probabilidad. Su xito y su omnipresencia en las ciencias de la vida vienen del ;eorema del (mite 7entrado que estudiaremos m.s adelante. (a ley normal de par.metros y se denota por . Ella tiene por densidad a la funcin/ (as leyes exponenciales y normales constituyen el ncleo de las familias de leyes cl.sicas que se encuentran mas frecuentemente en estadstica. -e. de 8eibu//( (a ley de Jeibull de par.metros y , denotada por , tiene por densidad/ Se la emplea como modelo de duracin aleatoria, principalmente en fiabilidad "duracin de funcionamiento sin roturas, duracin de reparacin#. (a ley es la ley . -e. 1a!!a( (a ley gamma de par.metros y , denotada por tiene por densidad/ donde es la 55funcin gamma66, definida por . !ara entero, y , la ley es llamada ley de chi cuadrado con grados de libertad y se denota por . Esta es la ley de la suma de los cuadrados de variables aleatorias independientes de ley , se emplea para las varianzas empricas de muestras gaussianas. (a ley es la ley exponencial . -e. beta( (a ley beta de par.metros y , denotada por tiene por densidad/ Esta familia de leyes nos provee de modelos no uniformes para variables aleatorias acotadas. Si unas variables aleatorias independientes siguen la ley uniforme , sus estadgrafos de orden "valores reordenadas# siguen leyes beta. -e. /19nr!a/( (a ley log4normal es la ley de una variable aleatoria, de valores positivos, cuyo logaritmo sigue la ley . Ella tiene por densidad a la funcin/ En medicina, numerosos par.metros fisiolgicos son modelados empleando leyes log4normales. -e. de Student( (a ley de Student con grados de libertad, , es la ley de la relacin , donde las variables aleatorias e son independientes, de ley , de ley . Ella tiene por densidad a la funcin/ Se la utiliza para estudiar la media emprica de una muestra gaussiana. -e. de Fis5er( (a ley de Kis'er de par.metros y "enteros positivos# es la ley de la relacin , donde e son dos variables aleatorias independientes de leyes y respectivamente. Ella tiene por densidad a la funcin/ Se la emplea para comparar las varianzas de muestras gaussianas. Funcin de distribucin (a funcin de distribucin de una variable aleatoria con valores en "o m.s precisamente de su ley# es la funcin , de en , que a asocia/ Sus propiedades principales son las siguientes. +r"sicin '(: (a funcin de distribucin caracteriza a la ley. En particular, es une funcin creciente, continua por la derec'a con un lmite por la izquierda en todo punto. y . -e.es discretas( (a funcin de distribucin de una variable aleatoria discreta es una funcin en escalera. Si la variable aleatoria toma los valores , que se supone est.n ordenados en orden creciente, entonces la funcin de distribucin toma los valores/ Gr;&ic *: -iagrama de barras y funcin de distribucin de la ley de la cantidad de nmeros buenos para nmeros marcados en la lotera Geno. qu tenemos por e3emplo la ley y los diferentes valores de la funcin de distribucin para la cantidad de nmeros buenos con nmeros marcados en la lotera Geno. "figura +#. Si sigue la ley geomtrica , su funcin de distribucin vale ) para . !ara todo , ella es constante en el intervalo y toma el valor/ parte de las leyes geomtricas, las funciones de distribucin de las leyes discretas cl.sicas no tienen una expresin analtica simple. -e.es cntinuas( (a funcin de distribucin de una variable aleatoria continua es la primitiva de la densidad que se anula en / Es una funcin continua en . En todo punto en el que es continua, es derivable y se cumple/ 8etornemos a los tres e3emplos b.sicos. -e. uni&r!e -e. e7"nencia/ -e. nr!a/ :o existe una expresin analtica para la funcin de distribucin de las leyes normales. En los libros se pueden encontrar tablas de valores aproximados. (a mayor parte de los lengua3es de programacin especializados tienen un cdigo de integracin numrico que calcula para las leyes normales as como para todas las leyes usuales. Gr;&ic ': -ensidad y funcin de distribucin de la ley normal . (a funcin de distribucin es la 'erramienta por excelencia de los c.lculos con las leyes. 2n caso frecuente en las aplicaciones es aquel en el que conocemos la ley de y queremos determinar la ley de . !resentamos algunos e3emplos tpicos. En el caso en que es derivable, estrictamente creciente, (a densidad correspondiente es/ Si sigue la ley e , donde , . (a densidad correspondiente es/ y por tanto sigue la ley . Esto permite reducir los c.lculos de probabilidad sobre una ley normal cualquiera, a c.lculos sobre la ley . Si sigue la ley e / (a densidad es nula en . !ara todo / (a densidad correspondiente vale/
si y si no.
(a ley de densidad/ es la ley de c'i4cuadrado con grado de libertad . Es tambin la ley gamma . Funcin cuantil (a funcin cuantil de una variable aleatoria "o de una ley de probabilidad# es la inversa de su funcin de distribucin. 7uando la funcin de distribucin es estrictamente creciente, su inversa est. definida sin ambigLedad. !ero una funcin de distribucin se mantiene constante en todo intervalo en el cual la variable aleatoria no puede tomar valores. Es por esto que se introduce la siguiente definicin. De&inicin '(< Sea una variable aleatoria con valores en , y su funcin de distribucin. Se llama funcin cuantil de a la funcin de en , denotada por , que a 'ace corresponder/ !or convencin, podemos decidir que es el menor de los valores posibles de y es el mayorM pueden ser eventualmente infinitos. -e.es discretas( (a funcin cuantil de una variable aleatoria discreta es una funcin en escalera, al igual que su funcin de distribucin. Si toma los valores , puestos en orden creciente, la funcin de distribucin es igual a/ en el intervalo . (a funcin cuantil vale/ !or e3emplo, para la ley geomtrica , la funcin cuantil es la funcin que, para todo , vale en el intervalo . -e.es cntinuas( Aamos a situarnos en el caso m.s frecuente, en el que la densidad es estrictamente creciente en un intervalo de "su soporte# y nula fuera de l. Si el intervalo es , la funcin de distribucin se anula antes de , si es finito, crece estrictamente de ) a entre y y vale despus de , si es finito. ;odo valor estrictamente comprendido entre ) y se alcanza una vez y una sola por . El valor de es el nico punto , comprendido entre y , tal que . 7alculemos como e3emplo la funcin cuantil de la ley exponencial , con funcin de distribucin . !ara todo / (a funcin cuantil es un instrumento para describir la dispersin de una ley. Si se realizan un gran nmero llamadas independientes de la misma ley "obtencin de una muestra#, se debe esperar que una proporcin de los valores sea inferior a . 2n valor importante es la mediana, . (os valores de la funcin cuantil son empleados m.s frecuentemente en estadstica que los valores de la funcin de distribucin. Se utiliza frecuentemente en especial los intervalos de dispersin, entendiendo esto como que deben contener una proporcin grande de los datos. De&inicin '(= Sea una variable aleatoria y un nmero real entre ) y . Se llama intervalo de dispersin de nivel a todo intervalo de la forma/ donde En estadstica emplear nmeros reales entre ) y constituye una tradicin. (a misma tradicin 'ace que se les asigne prioritariamente los valores y , menos frecuentemente , . !or tanto debemos leer como 55una proporcin dbil66, y como 55una proporcin fuerte66. 2n intervalo de dispersin de nivel para es uno tal que pertenece a ese intervalo con probabilidad / el contiene, por tanto, a una fuerte proporcin de la densidad, an si el es, en general, muc'o m.s peque@o que el soporte de la ley. Existen, en general, una infinidad de intervalos de dispersin de un nivel dado. !resentamos algunos de nivel para la ley normal . Segn sean los valores de , decimos que un intervalo de dispersin de nivel es/ unilateral inferior si , unilateral superior si , simtrico si , optimal si su amplitud es la m.s peque@a de entre todos los intervalos de dispersin de nivel . -eterminar un intervalo de dispersin optimal requiere, en general, de un c.lculo especial salvo en el caso en que la ley es simtrica, como una ley normal o una ley de Student. -ecimos que la ley de es simtrica si para todo , Se demuestra que si la ley de es simtrica, entonces el intervalo de dispersin simtrico es optimal. Itra aplicacin importante de la funcin cuantil es el mtodo de inversin, el cual es un mtodo general que consiste en simular una variable aleatoria de cualquier ley, combinando el empleo de la funcin 8andom con el de la funcin cuantil de la variable. +r"sicin '()> Sea una funcin de distribucin real, la funcin cuantil correspondiente y una variable aleatoria de ley uniforme en . (a variable aleatoria tiene a por funcin de distribucin. !emostracin / !ara todo , tenemos/
E4e!"/ : (a funcin cuantil de la ley exponencial 'ace corresponder a el valor/ -e aqu obtenemos el algoritmo de simulacin/ 8andom :o vale la pena calcular 8andom porque 8andom y 8andom tienen la misma ley. El mtodo de inversin no es exacto, a menos que se conozca la expresin explcita de , como es el caso de la ley exponencial. Esto raramente sucede. Si queremos aplicar el mtodo a la ley normal, por e3emplo, ser. necesario utilizar un algoritmo de aproximacin. dem.s de la imprecisin, el mtodo de inversin ser. relativamente lento. n cuando se conoce explcitamente la expresin de , el mtodo de inversin es raramente el m.s eficaz para las variables continuas. Sin embargo es aplicable a gran cantidad de leyes discretas. Supongamos que toma los valores , ordenados por orden creciente. -enotemos por el valor de la funcin de distribucin en el intervalo . El algoritmo de simulacin por inversin es el siguiente. 8andom ?ientras>ue " # fin?ientras>ue ?odifiquemos ligeramente el algoritmo a@adindole una interpolacin lineal. 7uando cae en el intervalo , en lugar de dar , como inicialmente, a'ora va a dar el valor/ El resultado es reemplazar la funcin de distribucin en escalera por una funcin de distribucin lineal a trozos que pasa por los puntos . (a distribucin de probabilidad correspondiente tiene como densidad a una funcin en escalera "constante en cada intervalo #. Es un 'istograma. Varianza De&inicin '()' Se llama varianza de y se denota por , a la esperanza de la variable aleatoria , si esta existe. Se demuestra que la existencia de la varianza implica la existencia de la esperanza. !or el contrario, una variable aleatoria puede tener una esperanza pero no tener varianza. Es el caso, por e3emplo, si tiene por densidad/ El c.lculo de las varianzas se simplifica, con frecuencia, gracias al siguiente resultado. +r"sicin '()0 (a varianza de existe si y slo si existe y se tiene/ !emostracin / !ara pasar de la definicin a la formula anterior, basta desarrollar el cuadrado y emplear la linealidad de la integral.
(a varianza mide cuanto se ale3an del valor medio, , los valores que toma . (a varianza no es 'omognea/ si es una longitud expresada en metros, est. expresada en metros cuadrados. Esto se corrige introduciendo la desviacin est"ndar que es la raz cuadrada de la varianza. (as propiedades principales de la varianza son las siguientes. +r"sicin '()3 !ara todo / . !ara todo / . Si e son independientes, entonces/ !emostracin / (as dos primeras propiedades son consecuencia directa de la definicin. !ara la tercera, si e son independientes, entonces y tambin lo son. ;enemos por tanto/
(a desigualdad de Bienaym#$chebichev que presentamos a continuacin traduce la idea intuitiva que los valores que toma se separan menos de segn es m.s peque@a. El caso extremo es el de una variable aleatoria de varianza nula, la cual solamente puede tomar un valor. Tere!a '()6 Sea una variable aleatoria que admite una varianza. Entonces, para todo / !emostracin / -emostraremos este resultado para las variables continuas, el razonamiento para las variables discretas es an.logo. !ongamos . Se tiene/ !resentamos algunos e3emplos de c.lculos de la varianza. (ey de &ernoulli / por tanto/ (ey binomial / suma de &ernoullis independientes (ey geomtrica /
por tanto/ (ey de !oisson /
por tanto/ (ey uniforme / por tanto/ Si sigue la ley , sigue la ley . (ey exponencial / por partes por tanto/ (ey normal /
por tanto/ Si sigue la ley , sigue la ley . (a tabla que presentamos a continuacin da las varianzas de las leyes usuales, discretas y continuas.
2niforme Exponencial :ormal Jeibull 9amma c'i4cuadrado beta (og4normal Student si Kis'er si Esperanza partir de la interpretacin de una ley de probabilidad como una distribucin de masa, la esperanza de una ley de probabilidad es el baricentro de esta distribucin de masa. -e.es discretas( 7onsideremos una variable aleatoria discreta , que toma sus valores en . Si la serie converge, entonces la esperanza, , es/ Este es el baricentro de los puntos de abscisa , cada uno con el peso . -e.es cntinuas( Sea una variable aleatoria continua, de densidad sobre . 2na densidad se interpreta como una distribucin de masa continua sobre . Sigue siendo el baricentro lo que 'ay que calcular. Si la integral converge, entonces la esperanza, , es/ (as propiedades principales de la esperanza son las siguientes. +r"sicin '()) *. Si e admiten una esperanza, entonces/ +. Si e son independientes y admiten una esperanza entonces/ !emostracin / (a propiedad % es consecuencia de la linealidad de la suma "para variables discretas# o de la integral "para variables continuas#. -emostraremos la propiedad & para variables discretas. Si, toma los valores , toma los valores , como e son independientes, el par toma los valores con probabilidad . !or tanto tenemos/
!resentamos algunos e3emplos de c.lculo. (ey de &ernoulli / . (ey binomial / si son independientes y siguen leyes de &ernoulli de par.metro , entonces sigue la ley . !or linealidad de la esperanza tenemos/ Este valor corresponde con el orden de magnitud esperado del nmero de xitos en tentativas si la probabilidad de xito es . (ey geomtrica / El nmero de veces que se e3ecuta un lazo con la salida del lazo determinada por un test aleatorio "con probabilidad de salida #, sigue la ley . El numero medio de veces que se e3ecuta el lazo es . En repeticiones, el orden de magnitud de pases ser. . !or e3emplo/ 8epetir 8andom =asta que supone como promedio llamadas de la funcin 8andom. (ey de !oisson / El uso de la palabra esperanza se 3ustifica plenamente en el caso de una ganancia aleatoria. Aeamos el e3emplo de la lotera Geno, para nmeros seleccionados "que cuesta euros#. nmero"s# bueno"s# ) * + 0 C ganancia ) ) ) *D *D) probabilidad ).+D*+ ).C+HD ).+D0N ).)E++ ).))D0 Esperanza/ euros. presentamos las esperanzas de ganancia en funcin de la cantidad de nmeros seleccionados, segn la tabla de ganancia oficial "siempre por euros pagados a la compa@a KranOaise des Peux#. G C D E H N F *) Esperanza *.H0 ).N+ *.EN *.E+ *.D+ *.00 *.EE (ey uniforme / "punto medio del segmento#. (ey exponencial / "integracin por partes#. (ey normal / "funcin impar#. Si sigue la ley entonces sigue la ley . !or linealidad . continuacin una ley discreta y una ley continua que no tienen esperanza. . (ey de 7auc'y / . (a tabla que presentamos a continuacin da las esperanzas de las leyes usuales, discretas y continuas.
2niforme Exponencial :ormal Jeibull 9amma c'i4cuadrado beta (og4normal Student ) si Kis'er si Krecuentemente se encuentra el problema de calcular la esperanza de una variable aleatoria que se expresa como funcin de otra variable aleatoria, cuya ley es conocida/ . 2na primera solucin consiste en determinar la ley de para despus calcular su esperanza. (a siguiente proposicin demuestra que esto no es necesario. +r"sicin '()* Sea una funcin de en . *. Sea una variable aleatoria discreta, que toma los valores . (a variable aleatoria admite una esperanza si y slo si la serie converge. Si es as , entonces tenemos/ +. Sea una variable aleatoria continua, de densidad . (a variable aleatoria admite una esperanza si y slo si la integral converge. Si es as , entonces tenemos/ (os c.lculos de varianzas del prximo parrafo son una aplicacin de esta proposicin.