Modulo3 2017

UNIVERSIDAD
TECNOLÓGICA NACIONAL
FACULTAD REGIONAL AVELLANEDA

PROBABILIDAD Y ESTADÍSTICA
UNIDAD 3: VARIABLE ALEATORIA DISCRETA

Autores:
Lic Luis Alberto Garaventa
Mg. María Cristina Kanobel

Año 2017
2
Unidad 3: Variable aleatoria discreta
En el módulo 1 de ESTADISTICA DESCRIPTIVA hemos definido y clasificado el

término variable como así también el de frecuencia relativa. Utilizamos estos
conceptos para clasificar y agrupar información sobre una muestra de una población
real de estudio. Pero dicha información es realmente útil para poder realizar inferencias
sobre alguna característica de dicha población. Para predecir un resultado es necesario
recurrir a modelos teóricos que se ajusten lo mejor posible a la realidad. La teoría de
probabilidades nos brinda esas herramientas al estudiar experimentos aleatorios de
poblaciones ideales que se ajustan a muchas situaciones reales. Las distribuciones de
probabilidad están relacionadas con las distribuciones de frecuencias. Una distribución
de frecuencias teórica es una distribución de probabilidades que describe la forma en
que se espera que varíen los resultados. Debido a que estas distribuciones tratan sobre
expectativas de que algo suceda, resultan ser modelos útiles para hacer inferencias y
para tomar decisiones en condiciones de incertidumbre.
PROPÓSITOS
Esperamos que, al finalizar la lectura activa y comprensiva de este módulo, estén en

condiciones de asociar distribuciones de probabilidad a fenómenos que ocurren
aleatoriamente y aplicarlas en la resolución de problemas.
VARIABLE ALEATORIA
Al realizar un experimento generalmente estamos interesados en alguna

función del resultado más que en el resultado en sí mismo. Así, por
ejemplo, al arrojar dos veces una moneda equilibrada quizas nos interese
observar solamente la cantidad de caras que ocurren y no el par de observaciones que
dieron origen a dichos valores. Lo podemos visualizar en el siguiente gráfico:
(cara ;cara)
(cara ;ceca)
(ceca ;cara)
(ceca ;ceca)
0 1 2 Nº de Caras
S
La relación que asigna un único número real a cada suceso del espacio muestral se
denomina variable aleatoria. Variable porque toma distintos valores y aleatoria
porque el valor observado no se puede predecir antes de la realización del experimento,
aunque sí se conocen sus posibles valores.
Sea S un espacio muestral asociado a un experimento aleatorio E. Se

denomina VARIABLE ALEATORIA X a una función tal que a cada
elemento s S le asigna un número real x.
Es decir:
X: S / X(s) = x
3
En general representaremos a las variables aleatorias con letras mayúsculas X, Y, Z, etc

y sus valores con letras minúsculas x, y, z respectivamente.
Entonces:
X(s)=x significa que x es el número real asociado al resultado s S a través de la
variable aleatoria X.
Si llevamos esto a nuestro ejemplo tendremos que:
X ((ceca, ceca)) = 0
X ((cara, ceca)) = 1
X ((ceca, cara)) = 1
X ((cara, cara)) = 2
Los valores que toma la variable X son 0, 1, 2. Al conjunto formado por dichos valores
lo llamamos Recorrido de la variable aleatoria X. Entonces:
RX = {0, 1, 2}
Se denomina RECORRIDO o RANGO de una variable aleatoria al

conjunto de valores que toma dicha variable
Esto es: R x  x / x  Xs  s  S
Analicemos ahora otros experimentos aleatorios:
Tiramos una moneda equilibrada hasta que salga cara y definimos la variable aleatoria
Y: “Cantidad de tiros necesarios”, su recorrido será RY = {1, 2, 3, 4, ...} porque no
podemos predecir cuál es el número máximo de tiros hasta que ocurra de una cara.
Si tiramos dos monedas y nos interesa medir la distancia entre ellas, entonces
definimos la variable aleatoria Z:“distancia entre las dos monedas” y su recorrido será
Rz = [ 0; D] porque la distancia entre ellas será 0 si caen una junto a la otra y como
máximo estarán alejadas una distancia que llamaremos D.
Las características de los recorridos de las variables X, Y y Z son distintas.

El recorrido de X es finito, el de Y es infinito numerable por ser el conjunto de los
números naturales y en el caso de la variable Z es infinito no numerable porque se trata
de un intervalo de números reales.
Es posible clasificar una variable aleatoria según el tipo de recorrido:

4
Una VARIABLE ALEATORIA es:

 DISCRETA si su recorrido es finito o infinito numerable
 CONTINUA si su recorrido es infinito no numerable.
ACTIVIDAD
Definan el recorrido y clasifiquen las siguientes variables aleatorias:
a) Una urna contiene siete bolillas blancas y 3 negras Si se extraen 5 bolillas Se

define la variable: “cantidad de bolillas blancas entre cinco bolillas extraídas”
b) Cierta línea de colectivos hace el recorrido Lanús- Retiro y Retiro- Lanús. Se

define la variable: duración del primer recorrido del día de un colectivo al
azar.
c) Una fuente radiactiva emite partículas . Un contador observa la emisión de

esas partículas durante un tiempo determinado. Se define la variable: número de
partículas observadas.1
VARIABLES ALEATORIAS DISCRETAS
Volvamos al experimento aleatorio que consiste en arrojar dos veces una

moneda equilibrada. Al no conocer de antemano cuál será el resultado
nos interesará asignar un valor de probabilidad a cada valor que toma la
variable X: cantidad de caras.
Para calcular probabilidades en R x trabajaremos con sucesos equivalentes de la
siguiente forma:
1
P(X = 0) =.P((ceca, ceca)) =
4
1
P(X = 1) = P((cara, ceca)U(ceca,cara)) =
2
1
P(X = 2) = P((cara,cara)) =
4
Es decir:
x 0 1 2
P(x) 1 1 1
4 2 4
1
Ejemplo extraído de Meyer; Probabilidad y aplicaciones estadísticas. Cáp4, Pág76.
5
La tabla anterior describe la función de probabilidad de la variable aleatoria X.
La función de probabilidad de una variable aleatoria X nos indica cómo se distribuye la

probabilidad para cada valor de X, y se determina a partir de la probabilidad de los
sucesos asociados a cada valor de X.
Volviendo al ejemplo la función de probabilidad de la v. a. X: “número de caras”

también puede graficar:
0,6
0,5
probabilidad
0,4
0,3
0,2
0,1
0
0 1 2
X: Número de caras
Sean x1, x2, x3, ... xn los distintos valores que puede tomar la variable aleatoria discreta
X y p( x1), p( x2),... p(xn) sus respectivas probabilidades.
Se llama función de probabilidad o de masa de la variable .aleatoria

discreta X a la función que asigna a cada valor de la variable un valor de
probabilidad.
Esto es:
x  R x : p(x)  P(X  x)
El conjunto de pares (xj, p(xj)) constituyen la distribución de probabilidades de la

variable aleatoria.
Si analizamos los valores de la función de probabilidad del ejemplo anterior podemos

puntualizar las siguientes características:
px   0
Estas son las i PROPIEDADES que debe cumplir toda FUNCIÓN DE
 px i de 1una variable aleatoria discreta.
PROBABILIDADES
x i R
ACTIVIDAD
6
La siguiente distribución de probabilidad corresponde a la variable aleatoria

X: “cantidad de empleados ausentes por día” en una empresa.
x 0 1 2 3
p(x) k(k+0,25) -0,5k+0,5 -0,25k+0,1 0,2125
a) Hallen el valor de k.
b) Calculen la probabilidad de que en un día falten 2 empleados.
c) Calculen la probabilidad de que un cierto día falte algún empleado.
VALOR ESPERADO DE UNA VARIABLE ALEATORIA
En el módulo 1 hemos definido medidas de centralización y de

dispersión que nos permiten resumir la información sobre una variable
estadística. De la misma manera, en modelos teóricos definiremos
parámetros que nos brinden la media y la dispersión de los valores de la
variable de estudio.
Analicemos el siguiente ejemplo:

Un lote grande de fusibles contiene sólo un 5% de piezas falladas. Extraemos al azar
un fusible y observamos si está fallado. Definimos la variable aleatoria X: “cantidad de
fusibles fallados al extraer uno”.
El recorrido de la variable será R x  0, 1

Si repetimos el procedimiento anterior n veces, ocurrirá que en alguna de las
repeticiones saldrá bueno, y en otras, fallado.
Para organizar la información obtenida de las n muestras usaremos una tabla de
frecuencias:
Cant. de 0 1
defectuosos
frecuencia no n1
Con el promedio aritmético o media que definimos en el módulo 1 de estadística

resumiremos la información:
Entonces:
n0 n
X0 1 1
n n
Si n es “grande” por el principio de estabilidad de las frecuencias relativas2 se cumple

que:
n0 n
 P(X  0) y 1  P(X  1)
n n
2
Ver módulo 2
7
Esto significa que para un n grande, X tiene una “probabilidad grande” de ser:
 0.p(0)  1.p(1)
Como sabemos que hay un 5% de fallados:
P(X = 0) = p(0) = 0,95

P(X = 1) = p(1) = 0,05
Si reemplazamos estos valores en la expresión anterior obtendremos:
=0. 0,95 + 1. 0,05

= 0,05
Que es el valor esperado de la variable aleatoria X:“cantidad de fusibles fallados en

una extracción” El valor obtenido significa que si se extrajeran muchos fusibles, se
esperaría que el promedio de fallados que se obtengan esté, muy probablemente,
cercano a 0,05.
Llamamos VALOR ESPERADO1 a la suma de los productos entre cada

valor de la variable y su probabilidad.
Es
decir:
E(X)  
xi  R x
x i .p(x i )
Siempre que E(X)  

xi  R x
x i .p(x i )   sea absolutamente convergente:
INTERPRETACIÓN FÍSICA
Si pensamos en los valores p(xi) como masas puntuales en cada valor xi,
el valor esperado correspondería a la abscisa del centro de masa respecto
del origen.
ACTIVIDADES
1. Una fábrica embarca sus productos en camiones de dos tamaños distintos, uno
de 2 x 3 x 12 metros y el otro de 2 x 3 x 9 metros. . Si el 30 por ciento de los
envíos se hacen con el camión de 9 metros y el resto con el de 12 metros,
calculen el volumen medio embarcado por camión (consideren que los camiones
van siempre llenos.)3
3
Mendenhall W. Introducción a la probabilidad y la estadìstica. Grupo Editorial Iberoamérica México
1987
8
2. Sea una variable aleatoria discreta con la siguiente distribución de

probabilidades:
x 2 0 x3 12
1 1 1
p(x) p3
2 4 16
5
Si se sabe que E(X)= , calcule x3 y p3
4
Para calcular el valor esperado de una variable muchas veces resultan

útiles las siguientes PROPIEDADES
La esperanza de una constante es la misma constante.
E(k)= k
El valor esperado es un operador lineal.
E ( k. X + c) = k. E( X ) + c donde k y c son constantes
El valor esperado de la suma de dos variables aleatorias es igual a la suma

de los valores esperados de dichas variables.
E( X+Y ) =E( X ) + E( Y )
Si dos variables aleatorias son independientes entonces el valor esperado

del producto entre ellas es igual al producto de los valores esperados de
dichas variables.
E( X. Y ) = E( X ). E( Y ) si X e Y independientes
Dada una variable aleatoria discreta X y f(x) su función de densidad y

siendo Y = g(X) se define el valor esperado de la variable aleatoria de Y
como:
E(Y)=  g(x ).p(x )
x i R x
i i
9
ACTIVIDADES
1. El número N de casas residenciales que una dotación de bomberos puede

atender depende de la distancia r (en cuadras) que una autobomba puede
recorrer en un período especifico de tiempo. Si suponemos que N es
proporcional al área de un círculo cuyo radio es r cuadras, entonces
N  Cr 2 donde C es una constante y r (que es una variable aleatoria) es el
número de cuadras que una autobomba puede recorrer en un intervalo de
tiempo específico. Para una compañía dada C=8, la distribución de
probabilidad de r está dada en la siguiente tabla y p(r) = 0 para r<21 y para
r>26.
r 21 22 23 24 25 26
p(r) 0,05 0,20 0,30 0,25 0,15 0,05
Encuentren el valor esperado del número de casas N que la dotación de

bomberos puede atender.
2. En un puesto de una feria se paga $4 para tener derecho a realizar un tiro al

blanco. El puestero ofrece un premio igual al triple del puntaje obtenido en el
blanco que muestra la figura. Un señor A se dispone a tirar y - según su
experiencia en este juego - sus probabilidades de obtener un determinado
puntaje son las siguientes:
x 0 1 2 5
p(x) 0.2 0.4 0.3 0.1 1 2 5
a) Calculen E(X)
b) Si Y la variable aleatoria que denota la ganancia del jugador,
i) Construyan la distribución de Y
ii) Calculen E(Y) de dos formas distintas.
3. Se contrata una póliza sobre un auto con las siguientes clausulas: se paga
$5000 por destrucción total o robo o $2400 por destrucción parcial La
probabilidad del suceso destrucción total es 0,04 y la de destrucción parcial
0.16. Calculen el valor de la prima de seguros, considerando que para el
cálculo de la prima, la ganancia esperada de la compañía debe ser cero.
4. Un juego de azar se considera un juego justo (fair play) cuando la ambos

jugadores tienen la misma ganancia esperada. Adriana y María juegan un juego
de apuestas que tiene las siguientes características: Se tiran un dado y una
moneda. Si sale cara en la moneda y as en el dado, Adriana se lleva el pozo, en
10
caso contrario se lo lleva Marìa. ¿Cuánto debe apostar María por cada peso
que paga Adriana si se pretende que el juego sea justo?
VARIANZA DE UNA VARIABLE ALEATORIA
Aunque el valor esperado es una medida que resume el comportamiento

de la población, aún nos falta información sobre la forma en que están
distribuidos los valores de la variable alrededor de dicho valor. Es
necesario definir una medida que nos brinde esa información
Llamamos VARIANZA de una variable aleatoria al valor esperado del

cuadrado de la diferencia entre la variable y su valor esperado. Es decir
que:
V(X)  E(X  E(X)) 2
Si desarrollamos el binomio (X  E(X)) 2 aplicamos las propiedades del valor esperado

obtendremos una fórmula equivalente, pero mucho más sencilla de aplicar:
V(X)  E  X 2  2X.E(X)   E(X) 

2
 
Aplicando la propiedad 3 obtendremos:
V(X)  E(X 2 )  E  2X.E(X)   E  E 2 (X) 
Usando ahora la propiedad 2 nos quedará:
V(X)  E(X 2 )  2E(X).E  E(X)  E 2 (X)

Y con la propiedad 1 tendremos:
V(X)  E(X 2 )  2E(X).E  E(X)   E 2 (X)

Es decir que:
V(X)  E(X 2 )  E(X).E(X)  E 2 (X)

que es equivalente a:
V(X)  E(X 2 )  2E 2 (X).  E 2 (X)

Luego:
V(X)  E(X 2 )  E 2 (X)
que llamaremos FÓRMULA DE CÁLCULO DE LA VARIANZA.
También tengamos en cuenta que la fórmula de cálculo que utilizaremos es:

11
V(X)  E(X 2 )  E 2 (X)
ACTIVIDAD
Calcule la varianza de la variable aleatoria correspondiente a la actividad de la

página 3.
DESVÍO DE UNA VARIABLE ALEATORIA
Aunque la varianza es un parámetro que caracteriza a una variable, es

necesario definir otro que se exprese en las mismas unidades que la
variable. Al usar la varianza como medida de dispersión estamos
utilizando un valor cuya unidad corresponde al cuadrado de la unidad de la variable
aleatoria correspondiente. Para solucionar este inconveniente y poder trabajar en las
mismas unidades, definiremos otro parámetro, teniendo en cuenta que la varianza es un
número no negativo, por definición.
Llamamos DESVÍO ESTÁNDAR a la raíz cuadrada de la varianza

 (x)  V(X)
 (x)  V(X)
ACTIVIDAD
Calculen la varianza y el desvío estándar de las siguientes variables

aleatorias discretas:
a) X=cantidad de paradas diarias de una máquina
x 0 1 2 3
p(x) 0,25 0,15 0,35 0,25
b) Y:” Pasajeros por auto en una autopista”
y 1 2 3 4 5
p(y) 0,40 0,30 0,15 0,10 0,05
12
PROPIEDADES DE LA VARIANZA DE UNA V.A. CONTINUA
Las propiedades de la varianza enunciadas para variable aleatoria discreta son

válidas también cuando la variable es continua:
La varianza de una constante es cero.

V( c ) = 0
Sean C una constante y X una variable aleatoria se cumple que:
V ( c . X ) = c2. V( X )
Sean c y k constantes y X variable aleatoria se cumple que:
V ( c. X + k ) = c2. V( X)
La varianza de la suma de dos variables aleatorias X e Y es igual a la suma

de sus varianzas sólo si X e Y son independientes.
V ( X + Y ) = V( X ) + V( Y )
ACTIVIDADES
1. Dos tiradores procuran alcanzar un blanco que tiene puntuaciones 1, 3, 5. El

tirador X y el tirador Y tienen de acuerdo con sus antecedentes probabilidad de
hacer blanco según las siguientes tablas:
x 1 3 5 y 1 3 5
p(x) 0.1 0.5 0.4 p(y) 0.3 0.1 0.6
13
a. Calculen E(X) y E(Y).

b. Calculen V(X) y V(Y)
c. Se forma un equipo con los dos tiradores (los puntos individuales se suman).
Construyan la distribución para la variable X+Y, y calculen E(X+Y) y
V(X+Y)de dos formas distintas.4
2. Demuestren las propiedades enunciadas.
FUNCIÓN DE DISTRIBUCION DE VARIABLE ALEATORIA
De la misma manera que calculamos frecuencias acumuladas, podemos

acumular probabilidades, obteniendo una función llamada función de
distribución acumulada
Se llama FUNCIÓN DE DISTRIBUCIÓN ACUMULADA O

ACUMULATIVA a la función tal que a cada número real le asigna la
probabilidad acumulada hasta dicho valor.
Esto es:
F :    / F(x)  P(X  x)
En el caso de las variables aleatorias discretas:

k
F(x k )   p(x i )
i 1
Esta función representa la probabilidad de que la variable aleatoria sea menor o igual que
un determinado valor x.
Si retomamos el ejemplo del tiro de dos monedas legales, podemos armar la función de
distribución acumulada para la variable aleatoria X: “cantidad de caras “.
Será:
.
4
Bueno C. y Garaventa L. “Probabilidad y Estadística para profesores de Escuela Media” (1996) INSPT
Bs As.
14
0 si x<0
1
 si 0  x<1
4
F(X)= 
3 si 1  x  2
4
1 x2
 si
Si graficamos la función anterior obtendremos:
F(X)
1
3/4
1/4
0 1 2 X
Observe que la función aumenta de "a saltos", ya que entre dos valores consecutivos de
una variable discreta, no puede tomar valores intermedios. Su valor mínimo es 0 y su
máximo es 1.
A partir de estas consideraciones enunciaremos las siguientes PROPIEDADES:
1. F(x) es no decreciente.
lím F(x)  0
x 
lím F(x)  1
2. x 
3. Si X es variable aleatoria discreta entonces F(X) es discontinua

(a izquierda) en cada x i  R x con un salto de longitud. p( x i )
4. Si X es una variable aleatoria discreta entonces:
P(x i  X  x j )  F(x j )  F(x i 1 )
Demostramos la propiedad 4:
P(X  x j )  F(x j )
P(X  x j1 )  F(x j1 )
Si restamos ambos miembros:
15
P(X  x j )  P(X  x j1 )  F(x j )  F(x j1 )

Entonces:
P(x i  X  x j )  F(x j )  F(x i 1 )
ACTIVIDADES
1. Hallen la función de distribución acumulada para la variable X

que tiene la siguiente distribución de probabilidades
Número de accidentes 0 1 2 3
semanales x
Probabilidad p(x) 0,50 0,30 0,15 0,05
a) Hallen F(2). ¿Qué representa el valor obtenido?

b) Hallen P  0  X  2  utilizando la función de distribución acumulada.
2. Consideren la variable aleatoria que corresponde a la “Cantidad de

ambientes” de los departamentos vendidos por un operador inmobiliario que
tienen la siguiente distribución de probabilidades.
x 1 2 3 4 5
p(x) 0,10 0,25 0,40 0,15 0,10
Construyan la función de distribución acumulada para la variable
PROCESO DE BERNOUILLI
Un experimento consiste, muchas veces, en observar uno de dos posibles

resultados: éxito o fracaso. Casos de este tipo aparecen frecuentemente en el
mundo real.
Por ejemplo:
Una maquina puede producir piezas no defectuosas o defectuosas

Una llamada telefónica puede encontrar la línea libre u ocupada.
.
Entonces:
A A
0 1 X
16
 Si ocurre A a la variable X se le asignará el valor 1, en cambio

 si ocurre A se le asociará el valor 0.

Una variable aleatoria, X, tiene distribución Bernouilli, si toma exclusivamente

dos valores, 1 y 0, que se asocian a la ocurrencia o no del suceso observado
 1 si s  A
X(s)   _
 0 si s  A
A dicha variable le asociaremos una función de probabilidad. Si llamamos p = P(A)

tendremos la distribución dada por la siguiente tabla:
x 0 1
p(x) 1-p P
siendo su recorrido R x = {0,1}
ACT IVIDADES
1. Verifiquen que la función anterior cumple con las condiciones para ser función de
probabilidad de una variable aleatoria discreta.
2. Una empresa que fabrica cosméticos para el cabello, envasa el 40% del champú en la
planta I y el resto en la planta II. En el llenado, que se realiza automáticamente en
ambas plantas, el contenido es inferior al estipulado un 3% de las veces para la planta
I y un 2,5% para la II. Si se extrae al azar un envase de la producción, ¿cuál es la
5
distribución Bernouilli en relación al suceso: “envase con contenido impropio”?
3. a) Calculen el valor esperado de una variable Bernouilli usando la definición.

b) Calculen la varianza y el desvío de una variable Bernouilli usando la fórmula de
cálculo de la varianza.
DISTRIBUCIÓN BINOMIAL
Consideremos ahora cierto número de repeticiones independientes de un

experimento aleatorio Bernouilli. En cada una de esas repeticiones
observaremos la ocurrencia o no de un suceso A, asociado a dicho
experimento. Definiremos también una probabilidad p asociada a cada
observación de modo que:
5
Extraído del libro “Introducción a la teoría de probabilidad y la inferencia estadística”, de Oílda Zanardi,
Depto. de impresiones, UTN-FRA.
17
p = P(A) constante en cada repetición por ser independientes
Las características de este modelo se pueden observar en los juegos de azar, por ejemplo: si
tiramos un dado equilibrado 10 veces la probabilidad de que ocurra as en cada tiro es p =1/6. En
otras aplicaciones de interés estas condiciones se cumplen en forma aproximada: en la mayoría
de los casos se observa una cantidad de elementos muy pequeña en relación a un total muy
numeroso, de modo que las repeticiones puedan considerarse como si fueran hechas con
reposición. De ese modo pueden asegurarse las condiciones de repeticiones independientes y
p constante en cada observación.
Una variable aleatoria X tiene DISTRIBUCIÓN BINOMIAL si, a partir de la

observación de la ocurrencia (o no) de un suceso A en cada una de las n
repeticiones, se define
X: " cantidad de veces que ocurre el suceso A en cada una de las n repeticiones
independientes del experimento aleatorio E"
Su recorrido será:
RX = {0,1,2,...,n}
Para deducir la función de probabilidad de una variable aleatoria X con distribución binomial
definiremos la variable Xi que representa la variable Bernouilli correspondiente a la i - ésima
repetición del experimento aleatorio.
Luego X podrá expresarse como una suma de variables Bernouilli independientes:
X =X1 +X2 + X3 + ...+ Xn
Observemos que, en cada repetición, Xi tomará sólo dos valores:
 1 si ocurre A (llamado éxito de la observación)

 0, si no ocurre.
Por ejemplo:
Si se hacen 4 observaciones y A ocurre sólo en 3 de ellas, la variable X tomará el valor 3, es
decir 3 veces 1 y una vez 0.
Una de las formas podrá ser: X = 1 + 0 + 1 + 1 pero no es la única. Si analizamos de cuántas
formas pueden ocurrir los 3 éxitos en las 4 repeticiones, podemos concluir diciendo que hay
C4,3 posibilidades.
Si nos detenemos ahora en calcular la probabilidad de que ocurra 3 veces el suceso A en las 4
repeticiones independientes de E podemos deducir, a partir de conceptos adquiridos en el
módulo 2, que:
P(X = 3) = C 4,3 .P(A1  A 2  A 3  A 4 )
siendo Ai la ocurrencia del suceso A en la i- ésima repetición.

Luego, siendo P (Ai) = p y por ser los Ai sucesos independientes será:
 4
P(X = 3) =   p.p.p.(1-p)
 3
P(X = 3) = 4 p3.(1-p)
De la misma forma, si queremos hallar la probabilidad de k éxitos en cuatro repeticiones

haremos:
18
 4
P(X = k) =   p k .(1  p) 4  k
k
La probabilidad asociada a k éxitos en n repeticiones independientes de un

experimento E será:
n
P(X = k) =   p k .(1  p) n  k
k
A esta expresión la llamaremos función de probabilidad de la variable
aleatoria binomial, que denotaremos B(n, p)
ACTIVIDADES
1. a) Verifiquen que la fórmula hallada corresponde a una función de probabilidad de una

variable discreta.
b) Calculen el valor esperado de una distribución binomial usando la propiedad del valor
esperado de la suma de variables.
c) Calculen la varianza de una distribución binomial usando la propiedad de la varianza de la
suma de variables independientes.
2. En una fábrica se sabe que el 5% de los bulones que produce tienen una falla en la rosca que
los hace inútiles.
a) Si toman 5 bulones, calculen la probabilidad de encontrar exactamente dos fallados.
b) Si toman 10 bulones, calculen la probabilidad de encontrar al menos uno fallado
c) Si selecciona 8, calcular la probabilidad de encontrar a lo sumo 2 fallados.
d) ¿Cuántos bulones debe seleccionar para que la probabilidad de encontrar al menos uno
fallado sea superior a 0,95?
3. De una producción de tornillos se toma al azar una muestra de 25 de ellos para un control
de calidad. Se sabe que si aparecen dos o mas tornillos defectuosas la partida se rechaza.
a) Calculen la probabilidad de aceptar el lote sabiendo que la probabilidad de que un tornillo
sea defectuoso es p = 0.01.
b) Calculen la probabilidad de que haya menos de 5 tornillos defectuosos sabiendo que el 90%
de la producción es buena.
4. Un sistema con 9 componentes necesita para su funcionamiento que al menos 6 funcionen.

Si la probabilidad de funcionamiento de un componente es 0.95, calcular la confiabilidad del
sistema.
DISTRIBUCIÓN HIPERGEOMÉTRICA
Dado un bolillero que contiene cuatro bolillas blancas y seis negras, podemos
calcular la probabilidad de que una bolilla extraída al azar sea blanca es
4
P(B)= .
10
19
3
En cambio la probabilidad de que salga blanca la segunda bolilla no es la misma, puede ser si
9
4
la primera bolilla resultó blanca, o de lo contrario
si la primera fue negra.
9
Entonces la probabilidad de bolilla blanca en cada extracción no se mantiene constante sino
que varía en función de lo que haya ocurrido previamente.
Muchas veces no se cumplen las hipótesis del modelo binomial. Por ejemplo: cuando se hacen n
repeticiones sin reposición de un total N de modo que la probabilidad de que ocurra un
determinado suceso (A) en cada repetición depende de lo que haya ocurrido en las extracciones
anteriores, podemos afirmar que esas observaciones no son independientes y la probabilidad de
éxito no se mantiene constante en cada repetición. En estos casos no es aplicable la distribución
binomial.
Analicemos entonces este modelo:

Un lote contiene N elementos de los cuales D tienen cierta característica (el suceso A). De
N
dicho lote se extraen n elementos. Hay   formas de extraer n elementos.
n
Se desea conocer cuál es la probabilidad de tener k elementos (k <n) con la característica A.
Decimos que:
La variable aleatoria X tiene DISTRIBUCIÓN HIPERGEOMETRICA si, a

partir de la observación de la ocurrencia (o no) de un suceso A en cada una de las
n repeticiones, se define
X: " cantidad de veces que ocurre el suceso A en cada una de las n repeticiones
del experimento aleatorio E"
Su recorrido será:
RX = {0,1,2,...,k}
D
Para hallar la probabilidad tendremos que considerar que hay   formas de obtener k veces A
k
 N  D
y, por cada una de estas formas, habrá también  
 nk 
La probabilidad de obtener k veces el suceso A en las n extracciones estará

dado por la función de probabilidad:
 D  N  D 
  
 k  n  k 
p X  k  
N
 
N
A esta expresión la llamaremos función de probabilidad de la variable
aleatoria se denomina hipergeométrica y se aplica ACTIVIDADES
al caso de muestreo
finito, sin reposición.
1. Una compañía grande tiene un sistema de inspección para los lotes de
compresores pequeños que se compran a los vendedores. Un lote típico contiene
15 compresores. En el sistema de inspección se selecciona una muestra aleatoria
de cinco y todos se prueban. Suponga que en el lote hay dos compresores defectuosos.
20
a) Escribir la función de probabilidad de la variable “Cantidad de defectuosos entre los cinco

seleccionados para muestra”
b) ¿Cuál es la probabilidad de que para una muestra dada haya un compresor defectuoso?
c) ¿Cuál es la probabilidad de que la inspección descubra los dos compresores defectuosos?
2.De un lote de 40 piezas se toman al azar 10. La población se rechaza si aparecen dos o más
piezas defectuosas. Sabiendo que la probabilidad de que una pieza sea defectuosa es 0,1,
calculen la probabilidad de que haya
a) Ninguna pieza defectuosa
b) A lo sumo dos piezas defectuosas.
Nota: De un lote de N piezas, si p es la probabilidad de una bola sea defectuosa. Habrá:

D = p. N piezas defectuosas y N -D = N(1 - p) aceptables.
3. De un lote de 100 piezas, se sabe que el 5% no cumplen con los requisitos de aceptación. Se
toman al azar 10. ¿Cuál es la probabilidad de encontrar a lo sumo una pieza defectuosa en la
muestra ?. Resolverlo para dos casos:
a) El muestreo se hace sin reposición
b) El muestreo se hace con reposición
¿Qué criterios aplicarían para poder utilizar la función binomial aún en casos sin
reposición?
APROXIMACIÓN DE LA HIPERGEOMÉTRICA POR LA BINOMIAL
En ciertos casos es posible utilizar una distribución para aproximar, con

cálculos más sencillos, probabilidades de una variable con otra distribución.
La distribución hipergeométrica se puede aproximar por medio de una
distribución binomial haciendo:
D n
p cuando  0.1 (comúnmente llamada fracción de muestreo)
N N
siendo mejor la aproximación para pequeños valores de n /N.
ACTIVIDAD
Resuelvan el punto 2 de la actividad anterior utilizando la aproximación por

medio de una distribución binomial. Comparen los resultados obtenidos.
DISTRIBUCIÓN DE POISSON
Cuando analizamos la distribución binomial, planteamos la ocurrencia o no de un

suceso A en cada una de n observaciones independientes de un experimento
aleatorio E
Este planteo lo podemos extender al caso de observar la cantidad de veces que

ocurre un suceso en un continuo. Por ejemplo:
"Cantidad de fallas en un trozo de cable"

"Cantidad de burbujas de aire en cierta porción de vidrio"
“Cantidad de bacterias en determinado volumen de líquido”
21
Para tratar estos casos debemos plantear ciertas condiciones, es decir que tendremos que
encuadrarlos dentro de un patrón en el cual el suceso que se considera ocurre en puntos aislados
de un continuo.
El modelo probabilístico que responde a tales características se basa en una serie de supuestos
que enunciaremos a continuación referidos a porciones de continuos que llamaremos t .
Para un intervalo t  0 se cumple que:

1) La ocurrencia o no del suceso en un intervalo, es independiente de lo que ocurra en otros
intervalos.
2) Se considera despreciable la probabilidad de más de un éxito en un intervalo t
3) La probabilidad de un éxito en un intervalo t no depende de la ubicación del intervalo,
sino de su longitud. Es decir que:
p =  .t
siendo  una constante llamada intensidad del proceso Poisson.
Teniendo en cuenta estas hipótesis, supongamos que partimos de un intervalo de amplitud t, y lo

dividimos en n subintervalos de amplitud t de modo que:
cuando n   se cumple que t  0
Entonces si consideramos que n es lo suficientemente grande podemos inferir que se cumplen

las propiedades 1, 2 y 3. Esto significa que:
 Hay n observaciones
 En cada intervalo t observamos si el suceso A ocurre o no.
 Las observaciones son independientes
La probabilidad de ocurrencia del suceso A es constante en cada una de las n observaciones t ,

es decir que:
t
p = P(A)= =constante
n
Entonces, en el límite, cuando n   se cumplen las condiciones del modelo binomial.
Por lo tanto, si se define la variable aleatoria:
X:" Cantidad de veces que ocurre el suceso A en el intervalo de amplitud t"
decimos que X tiene Distribución de POISSON.
Luego, necesitamos asociarle a esta variable su función de probabilidad.

Bajo las condiciones definidas anteriormente podremos calcular la probabilidad de que ocurra k
veces el suceso A en el continuo t aplicando la fórmula de la distribución binomial.
Luego:
n
P(k) = P( X = k ) = lím   p k 1  p 
n k
 
n  k
reemplazando por el valor de p obtendremos:

n k
 n   t    t 
k
P( X = k ) = lím    1  
  n  
n  k n 
22
Desarrollando:
 t  k
k
 t   t 
k n
n!  1 
1   1  
 n  k !  n 
P( X = k ) = lím
k! n 
 n   n 
calculando el límite llegaremos a la siguiente fórmula:
 .t  e  .t
k
P(X  k)  para k = 0,1,2,...

k!
que corresponde a la función de probabilidades de una variable con

distribución POISSON.
Se puede demostrar que para toda variable X distribuida según Poisson
EX    y VX    siendo   t
ACTIVIDADES
1. Verifiquen que la fórmula hallada cumple con las condiciones necesarias

para ser función de probabilidad de variable aleatoria discreta
2. En la inspección de cables producidos por un proceso continuo se observan 0,2

imperfecciones por minuto, ¿Cuál es la probabilidad de que en 15 minutos:
a) no se detecte imperfecciones?
b) Se detecte alguna imperfección.
3. La cantidad de fallas de aislación en un cable responde a una distribución de Poisson a

razón de 2 cada 100 metros.
a) Hallar la probabilidad de que un tramo de 100 metros no tenga fallas.
b) Hallar la probabilidad de encontrar a lo sumo una falla en un rollo de 150 metros.
c) ¿Cuántos metros de cable se deberían considerar para que la probabilidad de
encontrar al menos una falla sea mayor que 0,99?
APROXIMACIÓN DE LA BINOMIAL USANDO LA DISTRIBUCIÓN

POISSON
La distribución Binomial se puede aproximar utilizando para los cálculos una

distribución de Poisson cuando el valor de p es menor que 0.1 y n es lo
suficientemente grande, siendo mejor la aproximación mientras menor sea p y
mayor n de modo que n .p sea constante.
Para hacer la aproximación de una usaremos la fórmula de la distribución Poisson aplicando la
siguiente relación:
t = n p
ACTIVIDADES
23
Uniddad 3: Variaable aleatoriia discreta
1 En una facultad
1. fa se esstima que ell 0.5% de lo
os alumnos que
q se anotan no comien nzan a
cursar materias
m de 1º año. Si este año se anotaron 30003 alumnoos, ¿cuál seerá la
probabiliidad de que no
n se observeen casos del tipo mencionado?
2 Se sabe que
2. q la probaabilidad de que q un estud diante presennte escoliosiss (curvatura de la
espina doorsal) es 0,0004. De los siiguientes 180
00 estudiantees que se revvisen en búsqqueda
de escolioosis encuentrren la probabilidad de quue a lo sumoo 3 presentenn escoliosis.
A
APLICACIO
ONES AL AM
MBITO PROFESIONA
AL
TOMA DE DECISION
NES: MUE
ESTREO PARA
P ACE
EPTACIÓN
N DE
LOTES
Unna planta inddustrial se puuede considerrar como unna operación que transforrma la
maateria prima en productoos acabados,, de manera que la mateeria prima in ngresa
por la puerta posterior
p de la
l planta y lo
os productoss acabados salen por el frente.
f
Con el objeto de operar eficiientemente, un fabricantte desea minnimizar la caantidad de materia m
primaa defectuosaa que se recibbe y, para mantener
m la calidad, minim mizar el númmero de prod ductos
defecctuosos que se l clientes. Para conseg
s envían a los guir este objeetivo, el fabrricante se pro
opone
establecer proceddimientos quee actúen com mo “coladorees” o “filtross” en ambas ppuertas para tratar
de evvitar que paseen los elemenntos defectuoosos.
Para simplificar el
e estudio, coonsideremoss sólo la insp pección de laa materia priima que lleg
ga a la
planta, que conssiste de lotees grandes (cajas) de artículos talles como toornillos, clav vos o
rodammientos. El funcionamien
f nto del coladdor o filtro se
s ilustra grááficamente een la figura 1.
1 Los
lotes llegan a laa puerta postterior de la planta, se aceptan si la l fracción dde defectuossos es
pequeeña, y se devvuelven al prroveedor si laa fracción dee defectuososs es grande.
figura 1.
1 Detección de defectuossos
Un filtro
f se pueede conseguiir de muchaas formas, siendo
s la máás obvia, y aparentemen nte la
solucción perfectta, una insspección coompleta y cuidadosa de cada aartículo reccibido.
Desafortunadameente, el costoo de una innspección tottal es a mennudo enormee y, por lo tanto,
econóómicamente imposible. Una segundda desventaja, no tan apparente, es que aun con n una
inspeección complleta siempree hay artículos defectuossos que pasaan el filtro. El ser humaano se
aburrre y pierde peercepción cuuando tiene que
q realizar largas horas de
d inspección, particularm
mente
cuanddo la operacción se condduce con muucha rapidez.. Así, a mennudo se rechhazan artícullos no
defecctuosos y se aceptan
a artícculos defectuuosos.
Una última desvventaja de laa inspecciónn total es quue algunas pruebas sonn destructivaas por
naturraleza. Así, una
u prueba para
p determiinar la cantid
dad de luz que
q produce un bombillo o para
24
flash, destruye el bombillo. Si todos los bombillos fuesen probados de esta manera, no quedaría
ninguno para vender.
Un segundo tipo de filtro o colador para la detección de artículos defectuosos, relativamente

barato y sin el tedio de la inspección total, implica el uso de un plan de muestreo estadístico. Se
escoge al azar una muestra de n artículos del lote y se inspeccionan. Si el número y de
defectuosos es menor o igual que un número a predeterminado, llamado número de aceptación,
el lote es aceptado. De otra forma, el lote se rechaza y se devuelve al proveedor.
Veamos que este plan de nuestro opera de una manera completamente objetiva y origina una
inferencia respecto a la población de los artículos contenidos en el lote. Si el lote es rechazado,
inferimos que la fracción p de defectuosos es demasiado grande; si el lote es aceptado,
inferimos que p es pequeña y aceptable para el proceso de manufactura. Los planes de
muestreo para la aceptación de lotes proporcionan un ejemplo de un proceso de decisión
estadística que es, realmente, un método de inferencia estadística.
Nuestro estudio de planes de muestreo para aceptación de lotes quedaría incompleto si no

hiciéramos ningún comentario acerca de la “bondad” de nuestro procedimiento para hacer
inferencias. Aunque el plan de muestreo descrito es un proceso para la toma de decisiones, éste
no es único. Podríamos cambiar el número n de elementos en la muestra, podríamos cambiar el
número de aceptación a, o, en cualquier caso, podríamos usar algún procedimiento no
estadístico para la toma de decisión, procedimientos que no son raros en la práctica. En realidad,
cada individuo es un ente que toma decisiones basándose en gustos, preferencias y antojos
personales. ¿Cómo podemos comparar estos procedimientos de tomar decisiones? La respuesta
es inmediata: escogemos el procedimiento de decisión que permite tomar la decisión correcta
con la mayor frecuencia, o, alternativamente, aquel que permite tomar una decisión incorrecta el
menor número de veces.
Los ingenieros de control de calidad caracterizan la “bondad” de un plan de muestreo,

calculando la probabilidad de aceptación para diversas fracciones de artículos defectuosos en los
lotes. El resultado se presenta gráficamente y se lo llama curva característica de operación para
el plan de muestreo. La figura 2 muestra una curva característica de operación típica. Para que
el proceso de detección opere satisfactoriamente, es deseable que la probabilidad de aceptar
lotes con una fracción de defectuosos pequeña sea grande, y la probabilidad de aceptar lotes con
una fracción de defectuosos grande sea pequeña. Podemos ver que la probabilidad de aceptación
siempre decrece a medida que la fracción de defectuosos aumenta, lo que está de acuerdo con
nuestra intuición.
figura 2. Curva característica de operación típica para un plan de muestreo
Por ejemplo, supongamos que el proveedor garantiza que los lotes contienen menos que 1 por
ciento de defectuosos y que el fabricante puede operar satisfactoriamente con lotes que
contienen menos que 5 por ciento de defectuosos. Entonces, la probabilidad de aceptar lotes con
menos del 1 por ciento de defectuosos debería ser grande. De otra forma, el proveedor subiría
sus precios para cubrir el costo de los “lotes buenos” (con menos del 1 por ciento de
25
defectuosos) que han sido devueltos o le cobraría al fabricante el recargo por reinspección. Por
otro lado, la probabilidad de aceptar lotes con 5 por ciento o más defectuosos debe ser pequeña.
EJEMPLO 1
Calcule la probabilidad de aceptación de un lote para un plan de muestreo con tamaño de

muestra n = 5 y número de aceptación a = 0, para las fracciones de defectuosos p = .1,.3, y .5.
Haga un bosquejo de la curva característica de operación para este plan.
Solución
P (aceptar) = p(0) = C50 p0 q5 = q5,
P (aceptar | p = .1) = (.9)5 = .590,
P (aceptar | p = .3) = (.7)5 = .168,
P (aceptar | p = .5) = (.5)5 = .031.
Se puede obtener un bosquejo de la curva característica de operación marcando los tres puntos
obtenidos en los cálculos anteriores. Además, sabemos que la probabilidad de aceptación debe
ser igual a 1 cuando p = 0 y debe ser igual a cero cuando p = 1. La curva se muestra en la figura
3
figura 3. Curva característica de operación , n = 5, a = 0
EJEMPLO 2
Construya la curva característica de operación para un plan de muestreo con n = 15 y a= 1.
Solución
Calcularemos la probabilidad de aceptación del lote para p = .1, .2, .3, .5
a 1
P (aceptar) = p (0) + p (1) =  p( y) ,
y 0
P (aceptar | p = .1) = .549,

P (aceptar | p = .2) = .167,
P (aceptar | p = .3) = .035,
P (aceptar | p = .5) = .000.
La curva característica de operación para el plan de muestreo se da en la figura 4

26
figura 4. Curva característica de operación , n = 15, a = 1
Los planes de muestreo para inspección se usan extensamente en la industria. Cada plan de
muestreo posee su propia y única curva característica de operación, que caracteriza el plan
y que, en cierta forma, describe el grado de filtración o el tamaño de los hoyos del colador.
El ingeniero de control de calidad escoge el plan que satisface los requerimientos del caso.
Al aumentar el número de aceptación, aumenta la probabilidad de aceptación y por tanto
aumenta el tamaño de los hoyos del colador. Un aumento en el tamaño de la muestra
proporciona más información para tomar la decisión y mejora por lo tanto, el poder
discriminador del procedimiento de decisión. Así, cuando n es grande, la curva
característica de operación cae rápidamente a medida que p aumenta.
Obsérvese que el muestreo de aceptación es un ejemplo de inferencia estadística porque el

procedimiento involucra una decisión respecto de la fracción p de defectuosos en el lote. Si
se acepta el lote, se infiere que la verdadera fracción p de defectuosos en el lote es algún
valor relativamente pequeño y aceptable. Si se rechaza el lote, es claro que lo que se piensa
es que p es demasiado grande. Por consiguiente, el muestreo de aceptación es un
procedimiento que involucra una inferencia respecto a la fracción de defectuosos del lote.
La curva característica de operación para el plan de muestreo proporciona una medida de la
“bondad” de este procedimiento de inferencia.6
LABORATORIO DE INFORMATICA
Construiremos la curva característica para un plan de muestreo de n =15 y a = 1. Para ello

utilizaremos la planilla de cálculo.
Veamos el ejemplo que se presenta a continuación:
p P(aceptar)
0 1 Esta celda está calculada con la función DISTR.BINOM,
0,1 0,54904302 completando los parámetros de la siguiente forma:
0,2 0,16712577 NUM-ÉXITO 1 (corresponde al valor a)
0,3 0,0352676 ENSAYOS 15 (corresponde a n)
0,4 0,00517203 PROB-ÉXITO Celda de la izquierda (se refiere al
valor de p)
6 ACUMULADO 1 (estoW.implica la probabilidad
Extraído de “INTRODUCCIÓN A LA PROBABILIDAD Y LA ESTADÍSTICA”, Mendenhall , Grupo Editorial
Iberoamérica, 1991, Pág. 171 a 174, 176 a 177. acumulada hasta 1)
27
0,5 0,00048828
0,6 0,00002523
0,7 0,000000516
0,8 1,9988E-09
0,9 1,36E-13
1 0
Luego, usando el asistente de gráficos tendremos:
CURVA CARACTERÍSTICA PARA n=15 y a=1

probabilidad de aceptar el
lote
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1

probabilidad de falla en el lote

Modulo3 2017

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Modulo3 2017

Загружено:

Авторское право:

Доступные форматы

UNIVERSIDAD

En el módulo 1 de ESTADISTICA DESCRIPTIVA hemos definido y clasificado el

Esperamos que, al finalizar la lectura activa y comprensiva de este módulo, estén en

Al realizar un experimento generalmente estamos interesados en alguna

Sea S un espacio muestral asociado a un experimento aleatorio E. Se

En general representaremos a las variables aleatorias con letras mayúsculas X, Y, Z, etc

Si llevamos esto a nuestro ejemplo tendremos que:

Se denomina RECORRIDO o RANGO de una variable aleatoria al

Esto es: R x  x / x  Xs  s  S

Analicemos ahora otros experimentos aleatorios:

Las características de los recorridos de las variables X, Y y Z son distintas.

Es posible clasificar una variable aleatoria según el tipo de recorrido:

Una VARIABLE ALEATORIA es:

Definan el recorrido y clasifiquen las siguientes variables aleatorias:

a) Una urna contiene siete bolillas blancas y 3 negras Si se extraen 5 bolillas Se

b) Cierta línea de colectivos hace el recorrido Lanús- Retiro y Retiro- Lanús. Se

c) Una fuente radiactiva emite partículas . Un contador observa la emisión de

VARIABLES ALEATORIAS DISCRETAS

Volvamos al experimento aleatorio que consiste en arrojar dos veces una

La tabla anterior describe la función de probabilidad de la variable aleatoria X.

La función de probabilidad de una variable aleatoria X nos indica cómo se distribuye la

Volviendo al ejemplo la función de probabilidad de la v. a. X: “número de caras”

Se llama función de probabilidad o de masa de la variable .aleatoria

El conjunto de pares (xj, p(xj)) constituyen la distribución de probabilidades de la

Si analizamos los valores de la función de probabilidad del ejemplo anterior podemos

La siguiente distribución de probabilidad corresponde a la variable aleatoria

VALOR ESPERADO DE UNA VARIABLE ALEATORIA

En el módulo 1 hemos definido medidas de centralización y de

Analicemos el siguiente ejemplo:

El recorrido de la variable será R x  0, 1

Con el promedio aritmético o media que definimos en el módulo 1 de estadística

Si n es “grande” por el principio de estabilidad de las frecuencias relativas2 se cumple

P(X = 0) = p(0) = 0,95

Si reemplazamos estos valores en la expresión anterior obtendremos:

=0. 0,95 + 1. 0,05

Que es el valor esperado de la variable aleatoria X:“cantidad de fusibles fallados en

Llamamos VALOR ESPERADO1 a la suma de los productos entre cada

Siempre que E(X)  

2. Sea una variable aleatoria discreta con la siguiente distribución de

Para calcular el valor esperado de una variable muchas veces resultan

La esperanza de una constante es la misma constante.

El valor esperado es un operador lineal.

E ( k. X + c) = k. E( X ) + c donde k y c son constantes

El valor esperado de la suma de dos variables aleatorias es igual a la suma

Si dos variables aleatorias son independientes entonces el valor esperado

Dada una variable aleatoria discreta X y f(x) su función de densidad y

1. El número N de casas residenciales que una dotación de bomberos puede

Encuentren el valor esperado del número de casas N que la dotación de

2. En un puesto de una feria se paga $4 para tener derecho a realizar un tiro al

p(x) 0.2 0.4 0.3 0.1 1 2 5

4. Un juego de azar se considera un juego justo (fair play) cuando la ambos

VARIANZA DE UNA VARIABLE ALEATORIA

Aunque el valor esperado es una medida que resume el comportamiento

Llamamos VARIANZA de una variable aleatoria al valor esperado del

V(X)  E(X  E(X)) 2

Si desarrollamos el binomio (X  E(X)) 2 aplicamos las propiedades del valor esperado

V(X)  E  X 2  2X.E(X)   E(X) 

V(X)  E(X 2 )  E  2X.E(X)   E  E 2 (X) 

Usando ahora la propiedad 2 nos quedará:

V(X)  E(X 2 )  2E(X).E  E(X)  E 2 (X)

V(X)  E(X 2 )  2E(X).E  E(X)   E 2 (X)

V(X)  E(X 2 )  E(X).E(X)  E 2 (X)

V(X)  E(X 2 )  2E 2 (X).  E 2 (X)