CAPTULO 4

Esperanza matemtica
1. Definicin
Todos sabemos lo que es el promedio de un conjunto finito de datos; por

ejemplo, el promedio de los nmeros 4, 8,7, 9 y 6 es igual a

4+ 8+ 7+ 9+ 6

34

co
68

.c
om

El promedio indica la posicin de los datos, por lo que se puede considerar como un representante de los mismos.

at

ic

a1

EJEMPLO 4.1. En la tabla 4.1 se presentan los datos observados de 60

tiradas de un dado no cargado,

TABLA

ww
w.

M
at

em

Los valores en la tabla indican que de las 60 veces que se lanz el

dado, en ocho de ellas apareci el 1, en once de ellas apareci el 2, etc.
La frecuencia relativa de un valor es el resultado de dividir el nmero
total de veces que apareci ese valor entre el total de datos observados.
4.1 Resultados de 60 tiradas de un dado.
frecuencia
frecuencia
X absoluta (fa) relativa (/,.)
1
8/60
8
11
2
11/60
3
13
13/60
4
9
9/60
5
8
8/60
11
11/60
6

151

4. Esperanza matemtica

El promedio X de los 60 resultados es igual a

T60 x
X
60
~
(1 x 8) + (2 x 11) + (3 x 13) + (4 x 9) + (5 x 8) + (6 x 11)
60
= 3.5166.
El promedio de los datos tambin se puede calcular sumando cada dato
multiplicado por su frecuencia relativa:
60

ic
a1

.c

om

=1

TABLA 4.2

ww

w.

at

em

at

El nmero 3.5166 indica la posicin promedio de los datos.

Siguiendo esta idea, es posible calcular un "promedio terico ideal"
o "promedio esperado" (el valor esperado) de una variable aleatoria,
utilizando la frecuencia esperada en lugar de la frecuencia observada.
Como cada cara del dado tiene la misma probabilidad de ser observada, entonces en un caso "ideal", al lanzar 60 veces el dado se esperara
observar 10 veces cada valor; as, la frecuencia relativa esperada coincide
con la probabilidad. Esto se resume en la tabla 4.2.
Resultados observado y esperado de 60 tiradas
de un dado.

X
1
2
3
4
5
6

frecuencia
frecuencia
observada (/) relativa (/ r )
8
8/60
11
11/60
13/60
13
9
9/60
8
8/60
11
11/60

frecuencia
esperada probabilidad
10
1/6
10
1/6
10
1/6
10
1/6
10
1/6
10
1/6

El promedio "ideal"es igual a

1T +
O

2- + 3 - + 4- + 5- + 6- = 3.5,
O

152

1. Definicin

lo que significa que, en condiciones "ideales", los datos se encuentran

alrededor de 3.5.
La grfica 4.1 muestra la frecuencia relativa observada y esperada de
este experimento.
15-

15-

lfc

10-:
5-:

31 4

3.5166

om

3.5

frecuencia esperada

ic
a1

.c

frecuencia observada

4.1 Frecuencia de las 60 tiradas de un dado.

em

at

FIGURA

3t 4

at

DEFINICIN 4.1. Dada una variable aleatoria X con funcin de densidad fx(x)9 se llama valor esperado de X, o esperanza matemtica de
X9 al promedio "terico" o promedio esperado, y se calcula mediante

si X es una variable aleatoria discreta.

ww

w.

E(X) = ^2xfx(x)
/oo

E(X) = /

xfx(x)dx si X es una variable aleatoria continua.

Joo

El valor esperado de X se conoce como media de X. La media es una

medida de posicin y se denota con la letra griega x.
fi = iix = E(X).
El valor esperado de una variable aleatoria X existe si y slo si la suma
HiXifx{Xi) (o la integral E(X) = !T3ooxfx{x)dx) converge a un nmero
real.
EJEMPLO 4.2. Encuentre el valor esperado para la variable aleatoria
X, cuya funcin de densidad es igual a

fx(x) = 6*(1 - x) si 0 < x < 1.

153

4. Esperanza matemtica

Solucin
La variable aleatoria es continua, y entonces su valor esperado es la integral

E(X) = xfx(x)dx = C
J-oo

6JC2(1

- x)dx =

= 0.5,,

JO

4.2 Valor esperado de f(x) = 6x(l x).

ww

w.

FIGURA

at

em

at

ic
a1

.c

om

La figura 4.2 muestra la funcin de densidad de X y su valor esperado.

4.3. Se prueban sucesivamente los artculos que van saliendo en una banda de produccin hasta que aparece el primer artculo defectuoso. Se sabe que el 5% de los artculos producidos son defectuosos,
y X es la variable aleatoria que indica el nmero de intentos que debern
realizarse antes de detenerse. Encuentre su valor esperado.
EJEMPLO

Solucin
El estado de un artculo en la banda de produccin (defectuoso, no defectuoso) es independiente del estado de otro artculo en la misma banda de
produccin. Entonces, los resultados de las sucesivas inspecciones son
eventos independientes.
El primer artculo defectuoso puede ser el primer artculo inspeccionado, pero tambin puede ser el segundo, o el tercero, etc. Esto significa que el recorrido de X es igual al conjunto de los nmeros naturales:
X = 1,2, 3,4,...
154

1. Definicin

Ahora, observe que el evento X = k es equivalente al evento

k1 veces

donde b significa que el artculo inspeccionado es bueno y d que es defectuoso. La posicin de la coordenada indica el orden en que el artculo
se inspeccion.
Considerando que los resultados de las distintas inspecciones son independientes, se tiene que la funcin de densidad es

fx(k) = P(X = k) =

P(b,b,b,:..,bJd)
kl

veces

om

= P(b)P(b)P(b)... P(b) P(d) = (O.95f-\O.OS),

ic
a1

.c

]fc1 veces

y el valor esperado de X es igual a

at

E(X) = Jkfx(k) = 0.05 (0.95)*-1.

k=l

em

k=l

Esta suma es de la forma

at

'"

ww

por lo que

__^n
dx

( 1 \
dx \1 xj'

w.

dx VI JC7

(1-x)2'

Aplicando esta frmula al caso x = 0.95, se tiene que

O 05

Esto significa que en promedio se tendrn que hacer 20 observaciones para

tener el primer artculo defectuoso. Es muy probable que el nmero de
intentos para encontrar el primer artculo defectuoso se ubique alrededor
del nmero 20.
155

4. Esperanza matemtica

ic
a1

.c

om

1.1 El juego de mayores y menores. El juego de azar de mayores y

menores es muy popular en las ferias de pueblo. Se juega con dos dados y
la ganancia, G, depende de la suma de los resultados en los dos dados.
Si la suma es superior a siete ganan mayores; si es inferior a siete, ganan
menores; y si es igual a siete, gana la casa. Una persona puede apostar
a mayores o a menores; si gana recibe una cantidad igual a la apuesta, si
pierde, se despide del dinero que apost.
Si una persona est apostando 10 pesos a los mayores, cul ser su
ganancia esperada en 12 juegos?
Para tener la respuesta, primero se encuentra la funcin de densidad
de la suma. Considere que X\ y X2 indican el resultado en el primer dado
y en el segundo, respectivamente. La ganancia se determina mediante la
suma Y = Xi+ X2.
Si los dados no estn cargados, se tiene que

4.3 Espacio muestral de la tirada de dos dados.

at

TABLA

em

at

P(Xi = k) = \,
o
para i = 1,2 y k = 1,2, 3, 4,5, 6.
El espacio muestral de la tirada de dos dados se muestra en la tabla 4.3.

ww

w.

dado

Primer <dado

a,i)

(1,2)

(1,3)

(1,4)

(1,5)

(1,6)

(2,1)

(2,2)

(2,3)

(2,4)

(2,5)

(2,6)

(3,1)

(3,2)

(3,3)

(3,4)

(3,5)

(3,6)

(4,1)

(4,2)

(4,3)

(4,4)

(4,5)

(4,6)

(5,1)

(5,2)

(5,3)

(5,4)

(5,5)

(5,6)

(6,1)

(6,2)

(6,3)

(6,4)

(6,5)

(6,6)

Segundo

Este espacio muestral tiene 36 elementos, y es equiprobable.

156

1. Definicin

El rango o recorrido de Y est dado por

RY = {% 3,4, 5, 6, 7, 8, 9, 10, 11, 12}.
La funcin de densidad se encuentra contando cuntas parejas (Xh X2)
dan cada valor de la suma Y = X\ + X2.

at

ic
a1

.c

om

/y(2) = l/36
(X1,X2) = (1,1),
/r(3) = 2/36
(Xu X2) = (1,2), (2,1),
/r(4) = 3/36
(Xh X2) = (1,3), (2,2), (3,1),
/r(5) = 4/36
(Xh X2) = (1,4), (2,3), (3,2), (4,1),
/r(6) = 5/36
(Xh X2) = (1,5), (2,4), (3,3), (4,2), (5,1),
/r(7) = 6/36 (Xh X2) = (1,6), (2,5), (3,4), (4,3), (5,2), (6,1),
/y(8) = 5/36
(Xu X2) = (2,6), (3,5), (4,4), (5,3), (6,2),
/r(9) = 4/36
(Xh X2) = (3,6), (4,5), (5,4), (6,3),
/r(lO) = 3/36
(Xh X2) = (4,6), (5,5), (6,4),
/y(l 1) = 2/36
(Xu X2) = (5,6), (6,5),
/y(12) = l/36
(XUX2) = (6,6).

at

em

Cuando una persona apuesta 10 pesos a los mayores, gana 10 pesos

con una probabilidad igual a

/ G (10) = P(G = 10) = P(Y > 7) =

^
Jo

ww

w.

y pierde 10 pesos con una probabilidad igual a

/ G ( - 1 0 ) = P(G = -10) = P(Y < 7) = ^ .
El valor esperado de la ganancia por cada juego es entonces
E(G) = 10/G(10) + ( -

y la ganancia esperada de los doce juegos es igual a 12 x (-10/6) = - 2 0 .

Se ve que la ganancia esperada es negativa, lo cual no significa que un
jugador que apueste a los mayores siempre va ya a perder, sino que algunos
juegos va a perder y otros va a ganar; sin embargo, es muy posible que
pierda en la mayora de ellos, y es muy probable que su ganancia sea
negativa.
157

4. Esperanza matemtica

Lo mismo ocurre para una persona que est apostando a los menores.
En estos casos, la casa gana en promedio.
Sin embargo, cul es la ganancia de la casa con dos jugadores, uno
apostando a los mayores y el otro a los menores?
En este caso, si uno de los jugadores gana, el otro pierde y se paga al
ganador con la apuesta del perdedor: la casa no obtiene ganancia, pero
tampoco pierde. Si la suma de los dos resultados es siete, ninguno de
los jugadores gana, los dos pierden 10 pesos y la ganancia de la casa es
igual a 20. Entonces, el recorrido de G es RG = {0, 20} y su funcin de
densidad es
/G(20) =

6/36 = 1 / 6

/ G (0) = 30/36 = 5/6,

con la cual se calcula el valor esperado:

ic
a1

.c

om

E(G) = 0/G(0) + (20)/G(20) = ( 0 + 20 (1) =f s

at

em

at

o sea que tambin en este caso gana la casa.

En este ejemplo se puede ver que la casa siempre gana, pues en un
gran nmero de juegos (la casa juega todos los juegos) es muy probable
que su ganancia promedio sea positiva.

Ejercicios

ww

w.

4.1. Un dado no cargado tiene en tres de sus caras el

nmero 1, en dos de sus caras el nmero 4 y en la ltima cara el nmero
5. Se lanza el dado una vez, con X como la variable que indica el nmero
de la cara que cae hacia arriba. Encuentre
(a) el recorrido de X9
(b) la funcin de densidad de X,
(c) el valor esperado de X,
(d) a una casa de juego le convendra jugar?
EJERCICIO

EJERCICIO 4.2. Sea X una variable aleatoria continua cuya funcin

de densidad es f(x) = JC/2 cuando 0 < x < 2, y cero en otro caso.
Encuentre el valor esperado de X.

4.3. Suponga que en una lotera se venden 10 000 boletos

con valor unitario de un peso. El ganador recibe un premio de 5 000 pesos.
Si alguien compra cuatro boletos, cul es su ganancia esperada?
EJERCICIO

158

2. Propiedades de la esperanza matemtica

EJERCICIO 4.4. Un hombre apuesta a favor de un evento que tiene una

probabilidad de 0.25 de ocurrir. Paga 100 pesos por apuesta, acordando
que los perder si no ocurre el evento, pero recibir 300 pesos si ocurre
ste.
(a) Determine la ganancia esperada en un juego.
(b) Le conviene jugar varias veces?
EJERCICIO 4.5. Un vendedor de helados puede ganar 300 pesos en das
soleados y 200 pesos en das lluviosos. Cul es la ganancia esperada un
da en que la probabilidad de lluvia es 0.3?

2. Propiedades de la esperanza matemtica

ic
a1

.c

om

TEOREMA 4.1. Dada una variable aleatoria X y U = h(X), una

funcin de X, se tiene que
E(U) = T,XieRx h(Xi)fx(xd en el caso discreto.
E(U) = ^ h(x)fx(x)dx en el caso continuo.

w.

at

em

at

Demostracin
Caso discreto: E(U) = J2XieRx teX/ifa).

E "./"(.O = E{U),

ueRv

ww

que es lo que se quera demostrar.

Caso continuo: E(U) = !^OQh{x)fx{x)dx.
El caso continuo se probar nicamente cuando u = h(x) sea una
funcin continua y diferenciable.
E{h{X)) = h(x)fx(x)dx.
Joo

Se efecta el cambio de variable u = h(x)\ entonces x = h~l(u) y

dx = [h~l(u)]fdu, quedando la integral

h{x)fx{x)dx = [ u fx(h-l(u))[h-\u)]fdu

= E{U),

Mu)

que es lo que se quera probar.

De acuerdo con el teorema anterior, el valor esperado de U se denota
indistintamente como E(U) o como E(h(X)).
159

4. Esperanza matemtica

TEOREMA

4.2. Dada C, una constante,

E(C) = C.

El teorema afirma que si en un experimento siempre se obtiene un

mismo valor, entonces el promedio esperado del experimento es ese valor
nico.
Demostracin
Si se tiene una variable aleatoria X que toma un nico valor X == C,
entonces el recorrido de X es Rx = {C} y su funcin de densidad es
fx(x) = l s i x = CyOen otro caso. As,

E(X) = Cfx{C) = C,

.c

om

que prueba el teorema.

4.3. Sean X y Y dos variables aleatorias, y sea U =

h(X, Y) una funcin continua y diferenciable; entonces el valor esperado de U es igual a

at

ic
a1

TEOREMA

em

E(U)= i" h(x,y)fxY(x,y)dxdy

at

cuando XyY son continuas, y a

E(U) = EM*'-> yj)fxr(xh yj),

j

ww

w.

cuando XyY son discretas.

Demostracin
Caso discreto: Considere la suma

y reagrupe los sumandos de manera que

'=1

\k,j\h(xk,yj)=u

que es lo que se quera demostrar.

Caso continuo: Considere la integral
roo

roo

h(x, y)fxYx, y)dxdy,

Joo Joo

160

2. Propiedades de la esperanza matemtica

y efecte el cambio de variable (u, v) = (h(x, y), x); entonces dxdy =

\J\dvdu, donde J es el jacobiano de la transformacin. Haciendo la
sustitucin se llega a
fuv(M,v)
roo

roo

roo

h(x,y)fXY(x,y)dxdy=

roo /

<*+

Joo Jo

fXY(x(u,v),y(u,v)\J\dvdu

Joo Joo

Mu)

= ufu(u)du = E(U),
Joo

.c

om

que es lo que se quera demostrar.

TEOREMA 4.4 (Propiedad de linealidad). Si X y Y son dos variables
aleatorias y ay b dos constantes, entonces

at

ic
a1

E(aX + bY) = aE(X) + bE(Y).

roo

fxrix, y)dy dx +

Joo

Joo
fxM

Joo

fxr(x, y)dx dy,

Joo
fy(x)

roo

= /

roo

by.l

w.

ax
Joo

ww

at

H
H (ax+ by)fXY(x, y)dxdy,

Joo Joo
roo
roo

E(Z) = r

em

Demostracin
Si Z = aX + bY, entonces

roo

axfx(x)dx + /

byf(y)dy = aE(X) + bE(Y).

Joo

COROLARIO 4.1. Si X y Y son variables aleatorias y ay b dos constantes, entonces se cumplen las siguientes proposiciones:
E(aX) = aE(X).
E(a + bX) = a + bE(X).
E(X + Y) = E(X) + E(Y).

La demostracin se deja como ejercicio.

4.5 (Propiedad multiplicativa). Si X y Y son variables
aleatorias independientes, entonces
TEOREMA

E(XY) = E(X)E(Y).
161

4. Esperanza matemtica

Demostracin
Como XyY son variables aleatorias independientes, se tiene que /XY(X> y)
= fx(x)fY(y) y entonces

E(XY) = [ xyfXY(x, y)dxdy

Joo Joo

= l xfx(x)dx H yfy{y)dy = E(X)E(Y),

Joo

Joo

que es lo que se quera probar.

COROLARIO 4.2. Si XyY son dos variables aleatorias independientes, entonces para cualquier par defunciones: h(X) y g(Y), se tiene que

E(h(X))E(g(Y)l

om

E(h(X)g(Y)) =

em

at

ic
a1

.c

2.1 Aplicacin de la distribucin de Maxwell. En la seccin 1.5.2

se vio que la distribucin ms probable de un sistema de Maxwell de N
partculas con energa total E, en diferentes niveles de energa, est dada
por(n b n2, . . . , M ) , donde

ww

w.

at

con las restricciones N = n y = J2 ni.

Para el caso de un gas ideal, la energa en cada nivel y la constante /3
estn dadas por
1
1 2
donde k,T,my e son la constante de Boltzmann, la temperatura absoluta,
la masa de la partcula y la energa cintica, respectivamente; y v =
(Vx, vy, vz) es el vector de velocidad de la partcula con v2 = v2 + v2 + v2.
Adems, si se considera a g = 1 y a la energa como una variable
continua, la distribucin ms probable se puede reescribir como
n = ce"^

con

c = e~a\

el nmero de partculas en la regin determinada por

v = (vA, vyy vz)

v + dv = (vx, vy, vz) + (dvx, dvy, dvz),

se puede presentar mediante el modelo continuo siguiente:

/v = ce'^dv.
162

2. Propiedades de la esperanza matemtica

Para determinar el valor de c de esta expresin, se utiliza el hecho de

que el total de partculas es N ( n,=N). En el caso continuo, la suma se
transforma en integral:
As,
/oo

roo

f$(v)dv = c

roo

mQ^+v^+v*)

2*r

dvxdvydvz

Joo /oo Joo

Joo

Joo

Joo

= iV.

at

ic
a1

.c

om

= c /
=c
w ))
\J-oo
)
\V m
De aqu se sigue que
/ m \3/2

at

em

de manera que

ww

w.

Con esta expresin se puede tener una funcin de densidad del vector v y
de su magnitud, v. La primera es la expresin
W
\27TkTj
La segunda se obtiene aplicando el teorema 3.5.3, generalizado a E3.
Para encontrar la funcin de densidad de v = Jv% + v^ + v\ se introducen dos variables auxiliares, 6 y <f>, las cuales junto con v forman una
transformacin de R3 en E3, invertible y dada por
Vj = v senteos <f>, vy = v sen 0 sen <f> y

vz =

vcos0,

donde 0 < ^ < 2 T T , 0 <0 <ir y 0 < v < o o .

Como el valor absoluto del jacobiano de la transformacin es |7| =
2
v sen 0, entonces

163

4. Esperanza matemtica

A partir de esta expresin, se encuentra la funcin de densidad marginal

dev:

= r r f(v,<f>,o)dod<i>
Jo Jo

sen dddd<f>

o Jo
3/2

277*77

Wo

sen OdO

^ Jo

om

entonces

\27rkTj

ve

^2kT^

dv

at

Ngv(v)dv =

ic
a1

.c

La relacin

at

em

indica el nmero de partculas con magnitud de velocidad entre v y

v + dv y se conoce como distribucin de Maxwell.
4.4. Encuentre el valor esperado de v y el valor esperado de
la energa cintica de un gas ideal maxweliano.

w.

EJEMPLO

ww

Solucin
El valor esperado de v se obtiene de la siguiente manera:

'dv

Jo

2<nkT) 2 \2kTJ
m
2irkT)

(2kT\ 2 _
\m)

/O17T\

UT

1/2

La energa cintica esperada del sistema es igual a la suma (o la integral) de las energas (E = j X) ,,). Como v es continua, la suma se
transforma en integral:
=

v = ^ I" v2gv(v)dv = ^

2 Jo

164

2. Propiedades de la esperanza matemtica

El valor esperado de v2 es
3/2

= E(v2) = J v2gv(v)dv = 4TT { ^ )

m

j v'e-^

\V 2 3 / - / m
m

As,

ic
a1

.c

om

-c_m3kT_ 3kT
~~ 2 m "" 2 '
EJEMPLO 4.5. Considere un gas ideal contenido en un horno a una
temperatura absoluta T, el cual escapa a travs de un pequeo orificio en
la pared. El orificio es tan pequeo que no altera el equilibrio en el horno.
Encuentre la funcin de densidad de la velocidad de las partculas que
escapan del horno, as como la energa cintica esperada de ellas.

Nvz ( m \ 3 / 2 2

w(v +v +v )

' ' ' ,

ww

w.

at

em

at

Solucin
El nmero de partculas que emergen a travs de un pequeo orificio
(proceso de efusin) es igual al nmero de partculas que golpeara el rea
ocupada por el orificio si ste estuviera cerrado. As que el nmero medio
de partculas con velocidad entre v y v + v que golpea una unidad de
rea de la pared por unidad de tiempo, est dado por

con oo < vx, vy < oo, 0 < vz < oo y V como el volumen del horno.
En coordenadas esfricas (v, 6, </>), la expresin anterior queda as:
<>(v, <>, 0)dv = ^ {^r^\
V

v V ^ f sen6eos6d6d<f>dv,

\277

con 0 < <f) < 2TT, 0 < 6 < f y 0 < v < oo.
De esta manera, el nmero medio de partculas con rapidez entre v y
v + dv por unidad de rea de recipiente y por unidad de tiempo est dado
por la funcin de densidad marginal de v:
72
\Jo

Jo

SeneC0Sedd

\ N ( m

)v{2^f)

irN ( m \W

165

\3/2

4. Esperanza matemtica

El nmero total de partculas que chocan contra la pared por unidad de

tiempo es
>(v)dv = 7T (TTT^)
V \2rrkTJ

v V ^ dv
Jo

\NA ( m \ 3 / 2 /> 3 ^ ,
V _ N N UT\l/2
U
4V
UTTfcrJJ Jo
4V U
4 V \ 7 r mjj
Jo
La funcin de densidad de v de las partculas que escapan por el orificio
del recipiente est dada por
*(v)

<

om

4\

..

mv2 ,

at

00

ic
a1

.c

Con esta funcin de densidad se puede encontrar el valor esperado

de v2, para despus calcular la energa promedio de las partculas que
escapan:
1 / m\2 ( m \ " 3 AkT

em

v e~Tclv = -

2\kTJ

\2kTJ

ww

w.

at

As, la energa cintica esperada de las partculas que se escapan es

Ejercicios

EJERCICIO 4.6. Suponga que en una lotera se venden 10 000 boletos

a un peso cada uno para un premio de 6000 pesos, 2000 boletos a dos
pesos cada uno para un premio de 1500 pesos y 3 000 boletos a 4 pesos
cada uno para un premio de 2 500 pesos. Una persona compra dos boletos
del primer tipo, uno del segundo tipo y tres del tercer tipo. Cul es su
ganancia esperada?
EJERCICIO 4.7. Un hombre apuesta a favor de un evento que tiene
una probabilidad de 0.20 de que ocurra. Paga 100 pesos por apuesta,
acordando que los perder si no ocurre el evento, pero recibir 300 pesos
si ocurre el mismo.
(a) Determine su ganancia esperada si al jugar dobla su apuesta.
(b) Determine su ganancia esperada si apuesta 10 veces en este juego.
166

3. La varianza

EJERCICIO 4.8. Suponga que el nmero de pasajeros que sube a un

microbs por viaje es una variable aleatoria cuya media es 50, y que el
importe de un viaje por pasajero es una variable aleatoria cuya media
es 2.80 pesos. Considerando que ambas variables son independientes,
encuentre el ingreso esperado de un microbs por viaje.

4.9. Sea X una variable aleatoria continua con funcin de

densidad de probabilidades fx(x) = (x + 2)/18, para x G (-2,4), y
0 en otro caso. Encuentre el valor esperado de X, de (X + 2)3 y de
EJERCICIO

4.10. Considere fx(x) = 1/5, para x = 1,2,3,4,5, y 0 en

otro caso. Calcule la esperanza de X, X2 y de (X + 2) 2 .

om

EJERCICIO

4.11. Sea X una variable aleatoria discreta con funcin de

densidad de probabilidades f(x) diferente de cero en x = 1, 0,1.
(a) Si f(0) = 1/2 y la esperanza de X es de 1/6, determine / ( I ) y / ( - I ) .
(b) Con los datos de (a) determine la esperanza de X2.

at

ic
a1

.c

EJERCICIO

4.12. Una urna contiene 10 bolas, ocho de las cuales estn

marcadas con el nmero 2, y dos con el nmero 5. Una persona saca de la
urna tres bolas al azar sin reemplazo, y recibe tantos miles de pesos como
marquen las tres bolas. Encuentre el valor esperado de la ganancia de esa
persona.

ww

w.

at

em

EJERCICIO

EJERCICIO 4.13. Sea X una variable aleatoria continua con funcin de

densidad de probabilidades f(x). Si m es la mediana de la distribucin de
X (P(X < m) = 1/2 y b es una constante real, demuestre que

E(\x - b\) = E(\x - ro|) - 2 fm(x - b)f(x)dx.

Jb

Para qu valor de b se hace mnimo E(\x b\)l

4.14. Suponga que en promedio 1500 personas entran a
un cine diariamente, y que cada persona gasta en promedio $70. Cul es
el ingreso promedio diario del cine?
EJERCICIO

3. La varianza
La varianza es una medida de la dispersin de los datos, cuya definicin
formal es
167

4. Esperanza matemtica

DEFINICIN 4.2. Dada una variable aleatoria X con funcin de densidad fx(x), se conoce como varianza de X al promedio de las diferencias
al cuadrado entre cada valor y su media, y se denota como

l)2fx{x)dx,

caso continuo.

- i*)2fx{xi)>

caso discreto.

1\(X

Si los datos estn concentrados en un punto, la varianza es pequea;

si los datos estn dispersos, la varianza es grande.
La varianza de una variable aleatoria X se denota como
a2 = V(X).
4.6. Dada una variable aleatoria X con funcin de densi-

om

TEOREMA

.c

dadfx(x\

ic
a1

V(X) = E(X - E(X))2 = E(X2) - /x|.

at

Demostracin

em

Observe que /xx = E(X) es un valor constante; entonces, en la expresin

at

V(X) = E{X - E{X))2 = E{X2 - 2Xfx

EYV 2 \

EYOV.. \ i E Y . . 2 \

w.

T//"V\

se aplican las siguientes propiedades de linealidad:

TPCY \

ww

V(X) = tL\X ) tL\XlXx) + tLyfJLx)

O,.

_L , .

J7/V 2 \

JZyX )

,.2

J7Y \

lo que demuestra el teorema.

TEOREMA 4.7. La varianza de una variable aleatoria X cumple las
siguientes propiedades:
1. V(C) = 0, para cualquier constante C.
2. V(X + C) = V(X), para cualquier constante C.
3. V(CX) = C2V(X), para cualquier constante C.
4. V(X + Y) = V(X) + V(Y), siXyY
son variables
aleatorias
independientes.

Demostracin
1. Considere la funcin h(X) = C; entonces E(h(X)) = E(C) = C y
V(h(X)) = V(C) = E(C - E(C))2 = E(02) = 0.
168

3. La varianza

Esta propiedad afirma que si en un proceso aleatorio siempre ocurre

el mismo valor, en el proceso no hay variacin y su dispersin es nula.
2. Considere la funcin h(X) = X + C; entonces
E(h(X)) = E(X + C) = E(X) + C

V(h(X)) = V(X + C) = E(X + C- E(X + C)f

= E(X + C- E(X) - C)2 = E(X - E(X)f = V(X).

.c

ic
a1

E(h(X)) = E(CX) = CE(X),

om

Esta propiedad afirma que si en un proceso aleatorio a cada posible

valor se le suma una misma cantidad, se cambia su posicin pero no
su dispersin.
3. Considere la funcin h(X) = CX; entonces

V(h(X)) = V(CX) = E(CX - E{CX)f = E(CX - CE(X)f

at

= E(C2(X - E{Xf) = C2E(X - E(X))2 = C2V(X).

at

em

4. Si X y Y son variables aleatorias independientes, se tiene que E(XY) =

E(X)E(Y), de modo que

As,

ww

w.

E(X - E(X))(Y - E(Y)) = E[XY - YE(X) - XE(Y) + E(X)E(Y)]

= E(XY) - E(X)E(Y) - E(X)E(Y) + E(X)E(Y) = 0.

V(X + Y) = E(X + Y- E(X + Y))2

= E((X-E(X))

(Y-E(Y)))2

= E(X - E{X)f +2 E(X - E(X))E(Y - E(Y))

V(X)

0
2

+ E(Y - E(Y)) .
V(Y)

Al anularse el segundo sumando, queda solamente

V(X + Y) = E(X - E(X))2 + E(Y - E(Y))2 = V(X) + V(Y\
lo que demuestra el teorema.
169

4. Esperanza matemtica

EJEMPLO 4.6. Sea X una variable aleatoria tal que V(X) = 25 y

E(X) = 13. Encuentre los valores ayb tales que Y = aX + b, E(Y) == 0

Solucin
Se sabe que

E(Y) = E(aX + b) = aE(X) + b =

y por hiptesis este valor esperado es cero. Adems, se sabe que

V(Y) = V(aX + b) = V(aX) = a2V(X) = 25a2,

ic
a1

cuya solucin es: a = d-1/5 y b = =f 13/5.

.c

13a + 6 = 0 y 25a2 = 1,

om

que tambin por hiptesis es igual a 1. Entonces se tiene que resolver el

siguiente sistema de dos ecuaciones con dos incgnitas:

at

Ejercicios

4.15. Sean X\, X2, X3,..., Xn variables aleatorias independientes e igualmente distribuidas, con E(Xi) = /x y V(X) = <j2,
i = l,2,3,...,/i.
(a) Encuentre la media de X = Y=\ X.
(b) Encuentre la varianza de X = JLi X.
(c) Encuentre el valor esperado de s2 = ^ - ELi(^/ - 3) 2 -

ww

w.

at

em

EJERCICIO

EJEROCIO 4.16. Sea X una variable aleatoria que representa el nmero de llamadas telefnicas que recibe un conmutador en un intervalo de 5
minutos, y cuya funcin de probabilidad est dada por

e~33x

fx(x) = ^ - ,

parax = 0,1,2,3,4,...

1. Encuentre las probabilidades de que en un intervalo de 5 minutos se

reciba al menos una llamada.
2. Determine la funcin de distribucin de X.
3. Determine el valor esperado de X y de X2, y la varianza de X.
4.17. Sea X una variable aleatoria continua con funcin de
densidad fx(x) = kx2, para x G ( 1,1).
1. Determine el valor de k.
2. Determine la funcin de distribucin acumulativa y grafquela.
EJERCICIO

170

4. Covarianza y correlacin

3. Calcule P(X > 1/2) y P ( - l / 2 < X < 1/2).

4. Determine el valor esperado de X y de X2, y la varianza de X.
EJERCICIO 4.18. Encuentre la media y la varianza, si existen, de cada
una de las variables aleatorias con las siguientes distribuciones:
l

- /(*) = Iib)!0/2) 3 , con x = 0,1,2,3; 0 en otro caso.

2. f{x) = 6JC(1 #), con ;t G (0,1); 0 en otro caso.

3. f{x) = 2/JC3, con x G (1, oo); 0 en otro caso.

ic
a1

.c

om

EJERCICIO 4.19. Se lanzan dos bolas a cuatro cajas, de tal manera que
cada bola tiene igual probabilidad de caer en cualquiera de las caja. Sea
X la variable aleatoria que indica el nmero de bolas en la primera caja.
1. Cul es la funcin de densidad de X?
2. Cul es la funcin de distribucin acumulativa de XI
3. Encuentre la media y la varianza de X.

4.20. Sea una variable aleatoria X con funcin de densidad

)
1. Encuentre k tal que f(x) sea funcin de densidad.
2. Encuentre la media y la varianza de X.
3. Encuentre E{\X a\).

at

em

at

EJERCICIO

ww

Se vio que en la expresin

w.

4. Covarianza y correlacin
V(X+Y) = E(X-E(X))2+2E(X-E(X))E(Y-E(Y)) + E(Yel segundo trmino es igual a cero cuando X y Y son independientes.
Ahora vamos a revisar lo que ocurre en el caso de que X y Y no sean
independientes.
DEFINICIN 4.3. Sean X y Y dos variables aleatorias definidas en un
espacio muestral i;la covarianza de X y Y se define con la relacin

donde xx y Mr son las medias de X y de F, respectivamente.

La covarianza es una medida de la concordancia con que varan las
dos variables. De la definicin anterior se sigue que
) = Cov(Y,X).
171

4. Esperanza matemtica

4.8. Sean X y Y dos variables aleatorias definidas en un

espacio muestral l; entonces
TEOREMA

Demostracin
Al desarrollar la expresin E(X - /JLX)(Y - /y), y aplicando la propiedad
de linealidad de la esperanza matemtica, se tiene que
E(X - fix)(Y - ILJ) = E(XY - Yfix - XfiY
= E(XY) - fixE(Y) -

ic
a1

.c

om

quedando demostrado el teorema.

As, en general la varianza de la suma de dos variables aleatorias es
igual a

V(X + Y) = V(X) + V(Y) + Cov(X, Y).

4.7. Sean X y Y dos variables aleatorias definidas en un
espacio muestral i, cuya funcin de densidad conjunta es
x,

en otro caso.

[0

$iO<x<ly\j<y<l

at

I 2Axy
fxr(x, y) = <

em

at

EJEMPLO

ww

w.

Encuentre la covarianza de X y Y.
Solucin
Primero se encuentran las medias de las dos variables,
E(X)=

xfXY(x,y)dydx=

Joo Joo

24x2ydy dx = - ,

Jo JO

E{Y) = f " yfXY(x,y)dydx = f f'" 2Axy2dxdy = \,

Joo Joo

Jo Jo

luego se encuentra el valor esperado del producto XY:

E(XY)= xyfXY(x,y)dydx= C ^ 2Ax2y2dxdy = ~.

Joo Joo

Jo

JO

15

Finalmente, se tiene que

Cov(XY) = E(XY) - E(X)E(Y) = -(-}

172

= ~.

4. Covarianza y correlacin

4.9. Sean X y Y dos variables aleatorias definidas en un

espacio muestral l, y se cumplen las siguientes propiedades:
1. Cov(X, Y) = Cov{Y9X).
2. Cov{aX, bY) = abCov(Y, X), donde ayb son dos constantes.
3. Cov(X,-Y) = -Cov(Y,X).
TEOREMA

Demostracin
1. Como el producto es conmutativo, se tiene que Cov(X, Y) = E(X X)(Y - fiY) = E(Y - tiY){X - fix) = Cov(YX).
2. Usando la propiedad de linealidad del valor esperado, se tiene que

om

Cov{aX, bY) = E(aXbY) - E(aX)E(bY)

= ab[E(XY) - (X)E(Y)] = abCov(XY).

ic
a1

.c

3. El resultado se obtiene como corolario de la propiedad anterior, cuando

em

at

Una manera de medir la asociacin lineal entre las dos variables es

con el coeficiente de correlacin.
4.4. Dadas dos variables aleatorias X y Y definidas en un
espacio muestral l, se define el coeficiente de correlacin de X y Y por
la relacin
Cov{X, Y)
PxY
~ y/V(X)V(Y)'

ww

w.

at

DEFINICIN

TEOREMA 4.10. El coeficiente de correlacin de las variables XyY

cumple la desigualdad

Demostracin
Considere las nuevas variables aleatorias X* = (X /xx)/ox y 7*
(Y IIY)/(TY, las cuales tienen media cero y varianza igual a 1, ya que
E(X)

V(X*) = V
V
Observe que

1=
o~x )

Cov{X*, T ) =
173

^A/ _
u\
PxY

ZJL
(T\

4. Esperanza matemtica

y que

+ r ) = v(x*) + v(r) + icov{x\ r

= 2 + 2p x y = 2(1
Como la varianza es positiva, se sigue que 1 4- PXY > 0, lo que implica
que 1 < PXY- Ahora observe que
V(X* - Y*) = V(X*) + V(Y*) - 2Cov(X\ 7*) =
2 - 2pXY = 2(1 - pxrl
y 1 PXY > 0, lo que implica que PXY < 1, y queda probado el teorema.

V(7) = b2V(X) = V | ,

at

E(Y) = /xy = (a + X) = a + /^x

entonces la covarianza es igual a

.c

ic
a1

Demostracin
Si E(X) = x y V(X) = o\, se sigue que

relacionadas

om

TEOREMA 4.11. Sem XyY

dos variables aleatorias
mediante la ecuacin Y = a + bX; entonces PXY = 1 -

em

Cov(X, Y) = (X - ^ ( 7 -

My)

= (X - fJLX)2 = o i

at

y el coeficiente de correlacin es

ww

w.

cov(yr) = boj
VV(X)V(Y)
\b\er2x
El signo de pXY coincide con el signo de b, la pendiente de la recta
PXY

4.12. Si XyY son dos variables aleatorias independientes,

entonces pYx = 0.
TEOREMA

Demostracin
Como XyY son dos variables aleatorias independientes, entonces
E(XY) = E(X)E(Y) = fjLxfiY
y
Cov(Xy Y) = E(XY) - fjbxfiY = MX/F - VXVY = 0,

con lo que queda demostrado el teorema.

El resultado inverso es falso: si la covarianza de dos variables aleatorias es cero, entonces las variables aleatorias no necesariamente son
independientes.
174

4. Covarianza y correlacin

4.8. Sea X una variable aleatoria continua, con funcin de

densidad igual a fx(x) = 1/2, si - 1 < x < 1 y cero en otra parte. Sea
Y = X2 otra variable aleatoria. Encuentre la covarianza entre X y Y.
EJEMPLO

Solucin
Observe que
xdx
= 0,
-i~2~

= 0;

om

ic
a1

J-\

.c

E(XY) = E(X3) = i' ^

at

entonces se tiene que

Cov{X, Y) = E(XY) - fjLxtiy = 0.

em

Aqu claramente se ve que Y depende de X y, sin embargo, la covarianza de X y Y es igual a cero.

ww

w.

at

4.1 Problema de tanques de guerra. Suponga que usted es estrate

ga militar y quiere determinar cuntos tanques tiene el ejrcito contrario,
Usted tiene la informacin de que los tanques estn numerados del 1 al N,
y puede suponer que existe la misma probabilidad de observar cualquier
tanque.
Suponga que se tom una muestra aleatoria de 5 tanques (n = 5) y
los nmeros observados fueron
19, 8, 35, 57, 71.
Considerando esta muestra, cmo puede estimarse el total de tanques
que tiene el enemigo?
Lo primero que se debe hacer es ordenar los datos.
8, 19, 35, 57, 71.
Primera solucin: Un grupo de sus colaboradores cree que el total de
tanques puede estimarse con el valor mximo de la muestra; esto es, ellos
proponen que
i =mx{X/} = 71.
175

4. Esperanza matemtica

Segunda solucin: Otro grupo cree que si no se observ el tanque con

el nmero ms pequeo (el nmero 1), no es necesariamente cierto q[ue
se haya observado el tanque con el nmero mayor (el nmero N). Ellos
proponen considerar una distancia entre el mximo valor de la muestra y el
valor de N. Se propone que esta distancia sea el promedio de las distancias
entre cada dos datos consecutivos de la muestra (d = X X/_i).

d5
d6

71)

om

5
_ (8 - 1)+(19 - 8) + (35 - 19) + (57 - 35) + (71 - 57) + (N-

.c

ic
a1

_ 7 1 - 1 _ mx{X,} - 1
5

'

at

El estimador propuesto es

em

2 = mx{X} + de = mx{X,} +

at

= L+imfcx,} - I = | 7 1 - i = 85.
ww

w.

n
n
5
5
Tercera solucin: Un tercer grupo piensa que la distancia entre el mximo
valor y Af debe ser semejante a la distancia entre el 1 y el mnimo valor
de la muestra, esto es
N - mx{X,-} = mn{Z/} - 1.
As, el estimador que proponen es

3 = mx{Xt} + Mn{Xi} - 1 = 78.

Ahora usted tiene el dilema de elegir cul es el mejor estimador de los
tres propuestos: u 2o $,
Cmo tomar la decisin?
Parece razonable pensar que un buen estimador es aquel que en promedio
est cerca del valor que ha estimado.
Qu mtodo de estimacin da mejores estimadores?
Es importante ver que los tres estimadores son variables aleatorias; por
tanto, para diferentes muestras los valores obtenidos sern diferentes. Se
176

4. Covarianza y correlacin

sabe que el valor esperado de una variable aleatoria indica la posicin

promedio de sus posibles valores, y que la varianza mide la dispersin de
estos valores. En estas circunstancias, parece razonable pedir que
1. el valor esperado de los estimadores coincida con el parmetro que estima, garantizando que los posibles valores del estimador estn alrededor del parmetro;
2. la varianza del estimador no sea muy grande, para garantizar que los
posibles valores del estimador estn cerca del parmetro.
DEFINICIN 4.5. Se dice que un estimador es insesgado si su valor
esperado coincide con el parmetro que estima.

at

ic
a1

.c

om

Para calcular la media y la varianza de los tres estimadores, se requiere

tener la funcin de densidad marginal y la funcin de densidad conjunta
de los valores mximo y mnimo de la muestra.
Notacin: Para simplificar la notacin, en lo que sigue se va a utilizar
X(i) para designar el mnimo y X(,,) para designar el mximo valor en la
muestra (X^ = mn{X} y X^n) = mx{Xi}).

ww

w.

at

em

La funcin de densidad del mximo y del mnimo valor en el problema

de los tanques
Sean los eventos
Ax: el valor mximo en la muestra es x.
Bx: el valor mnimo en la muestra es x.
El evento Ax consiste en todos los subconjuntos que contienen al
tanque nmero x, y los otros n 1 tanques constituyen un subconjunto
de los x 1 tanques con nmero menor que x.

1 2 3 4 ... x - 1

n1 tanques tienen uno de estos nmeros

El evento By consiste de todos los subconjuntos que contienen al
tanque nmero y y los otros n 1 tanques constituyen un subconjunto de
los N y tanques con nmero mayor que y.

y+l

y + 2 y + 3 y + 4 ... N

mn los otros n1 tanques tienen uno de estos nmeros

Y el evento Ax D By consiste en todos los subconjuntos que contienen
a los tanques con los nmeros x y y (y < x), y los otros n 2 tanques
177

4. Esperanza matemtica

constituyen un subconjunto de los x 1 y tanques con nmero mayor

que y y menor que x.

y y + l y + 2 y + 3 y + 4 ... x - 1
mn

los otros n2 tanques tienen uno de estos nmeros

^
m

^x

V - 1i /

~ '

\ *-z)
.c

y
y=\

ic
a1

#B

om

El espacio muestral consiste de todos los subconjuntos de n elementos

del total de los N tanques.
As,

. #AX U - l i

at

em

at

Entonces la funcin de densidad marginal del nmero mximo en la muestra es

\n J

ww

w.

para x = n, n + 1 , . . . , N.
La funcin de densidad marginal del mnimo valor en la muestra es

fm(y\n,N) = P(Xm = y) =
para x = 1,2,3,..., N - n + 1.
Y la funcin de densidad conjunta del mnimo y el mximo valor en
la muestra es

fx-l-y\
"

'

#0

para y = 1,2, 3, . . . , # - n + 1 y x = y + n - 1,...,JV.

178

N"

4. Covarianza y correlacin

Las tres funciones de densidad cumplen las siguientes relaciones:

N

iV+l-n

f{1)(x\n,N)

x=n
N

x-l

ic
a1

.c

om

Valor esperado del mximo y del mnimo

Una tcnica utilizada para encontrar el valor esperado de una variable
aleatoria X es llevar la suma de la forma J2 ^ / i W a la suma k fY(y) =
k, donde fy(y) es una funcin de densidad de una variable aleatoria del
mismo tipo que /*(*), pero con otros parmetros. Esta tcnica se va a
utilizar aqu.
Por definicin, se tiene que

U-i

x=n

I *'

at
M

(x\

w.

fx-l\

{n-l)= {n)
ww

em

x=n

Observe que

at

N\

[n)-

Entonces,
F(Y \ -

K{N

+ 1}

V1'

Haciendo el cambio de variables Jc*=

se tiene que

n*-l)

n(N
(n

179

4. Esperanza matemtica

Por otro lado, el valor esperado del nmero mnimo es

(N-y\
iV-n+1
(A(D)

N-n+l

= 2^ y/d)(y) -

i I

2^ yTTA

Para obtener este valor esperado, se comienza con una suma de la forma (7V + 1 - x)fx(x), que se puede transformar en otra suma de la forma
k fy{y) = k, igual que antes.

(N-y\
N-n+l

(N +

l )

ic
a1

.c

om

E(N + l-Xm)=

\n-ll

n(N

w.

ww

yaque

at

em

at

n(iV + 1)w ^ + 1 V

Entonces,
1 - Xm) =

Despejando el valor esperado del mnimo, se tiene que:

Varianza del mximo y del mnimo

Por definicin, se tiene que V(X) = E(X2) (E(X))2; entonces para
E(X(X + 1)) = E(X2) + E{X)
180

4. Covarianza y correlacin

la varianza se puede reescribir como

V(X) = E(X(X + 1)) - E(X) - (E(X))\
Utilizando esta relacin se va a encontrar la varianza del mximo en
la muestra.

D) = 2>+l)x/(*) =
x=n

xn

em

at

ic
a1

.c

om

Observe que

at

^)[n +2 7 = (n + 1 ) n ( n )'
ww

w.

Entonces

+ l)(N + 1)(N + 2)

(x+V
A Vn + 1

(+2)

U+2,
2)
(/i+2)
Y de aqu se sigue que

n(N + 1)(N - n)

(n+2)(n + l)2 *
181

4. Esperanza matemtica

Para calcular la varianza del mnimo, primero se encuentra

E((tf + 1 - X ( i ) ) ( t f + 2 - X d ) ) )
N

_ n(n + l)(N + l)(N + 2) ^

( + !)(+ 2)

(N + 2-y\
\ n+ l )

(N + 2\
[n+2

om

_ n(N + l)(N + 2)
(n + 2)
De aqu se calcula la varianza de X(i), utilizando el hecho de que

ic
a1

.c

V(X)=E(N+l-X)(N+2-X)-(N+\)(N+2)+(2N+3)E(X)-(E(X))2,

em

at

en particular para X (]) :

ww

w.

at

Ya se tienen los elementos para obtener la media y la varianza de los

tres estimadores.
Para el primer estimador: \ = X(/)
- V{X{n)) - I+2)(n+1)2'.
Para el segundo estimador: iV2 = ^ ^ ( / 0
= E ( ^ M - i ) = ^E(X)

- i = TV + t i

Para el tercer estimador: 3 = X(n) + XQ) 1

3)

Si revisamos la media de los tres estimadores, se puede ver que el valor

esperado del primero presenta un sesgo negativo ( ^ ^ ) , que puede
ser considerable si N es mucho mayor que n. La media del segundo
estimador tambin presenta un sesgo, pero ahora positivo ( ^ ) , y ste
182

Ejercicios

*1

/*

/ ~r 1

at

em

at

ic
a1

.c

om

aumenta conforme el tamao de la muestra crece, pero no sobrepasa el

uno. El valor esperado del tercer estimador no tiene sesgo, es decir, es
insesgado. As, considerando la media de los estimadores, se tiene que
el mejor es $3, luego sigue 2 y al final \.
En cuanto a la varianza de los tres estimadores, se observa que para
todo n y N, (n < N), V(\) < V(2), pero conforme aumenta el tamao
de la muestra, la diferencia entre las dos varianzas disminuye. Por otro
lado, cuando n es mayor o igual a 5, se tiene V(2) < VCW3), y conforme
n crece la diferencia aumenta.
Conclusin: el estimador con menor varianza tiene un sesgo grande,
lo cual significa que los valores del estimador para las diferentes muestras
en promedio estn lejos de N. Por otro lado, el estimador insesgado tiene
una varianza que puede ser considerablemente grande, mientras que el
segundo estimador tiene un sesgo que puede ser corregido porque slo
depende del tamao de la muestra, y su varianza no es tan grande con
respecto a las otras.
Con este anlisis se ve que, corrigiendo el sesgo de 2, el mejor
mtodo de estimacin es el segundo. As,

ww

w.

es un buen estimador ya que es insesgado, E{) = N9 y su varianza no es

tan grande.
Entonces, para establecer sus acciones de guerra, usted debe considerar que el enemigo tiene
= 84.2
tanques.
Para el clculo de la varianza del tercer estimador se utiliz la covarianza entre el mximo y el mnimo valor; se deja como ejercicio calcular
esta covarianza.
Ejercicios
EJERCICIO 4.21. Calcule la covarianza del valor mximo y mnimo de
la muestra en el problema de los tanques.

183

4. Esperanza matemtica

4.22. Sean X y Y variables aleatorias continuas, con funcin de densidad conjunta dada por
EJERCICIO

, , N
fxY(x,y)'=

24rxy
{
10

O<x<\yO<y<l-x,
en otro caso.

Encuentre la covarianza de X y Y.
EJERCICIO

4.23. Muestre que

\n

N\

n + 1 N + 1

ic
a1

.c

om

\n-l

at

(c)

em

5. Esperanza condicional
4.6. Dadas dos variables aleatorias X y Y con funcin
de densidad conjunta fxy(x> y), se llama esperanza condicional de la
variable X, dado que la variable Y toma un valor y, a la expresin

w.

at

DEFINICIN

ww

E(X\Y = y) = J2X Xifx\y(Xi\y)9

E(X\Y = y) = J.!^ xfx\Y(x\y)dx,

en el caso discreto.
en el caso continuo.

Como se ve, la esperanza condicional E(X\Y = y) es una funcin de

y, que se puede escribir como h(y) = E(X\Y = y); entonces h(Y) =
E(X\Y) es una variable aleatoria.
TEOREMA

4.13. Dadas dos variables aleatorias XyY, se tiene que

E(E(X\Y)) = E(X).

Demostracin
La demostracin se hace slo para el caso continuo; para el caso discreto
basta sustituir las integrales por sumas.
Se sabe que
n
h

| x

,
l

184

5. Esperanza condicional

por lo tanto,
roo

E(X\Y = y)=

J-oo

roo

xfxlY(x\y)dx=

fvv(r

v"i

xJXY\9(}dx,

J-oo

jY(y)

y el valor esperado de E(X\Y) es

E(E(X\Y)) = r

(T

x^pj^-dx)

= [ xT
Joo

fY(y)dy

fXY(x, y)dy) dx = r xfx(x)dx = E(X);

\Joo

Joo

queda demostrado el teorema.

4.14. Si X y Y son variables aleatorias independientes,

om

TEOREMA

ic
a1

.c

entonces

E(X\Y) = E(X).

em

at

Demostracin
Si X y Y son variables aleatorias independientes, entonces

at

fx\r(x\y) = fx(x),

w.

de esto se sigue que

ww

E(X\Y) = / xfx\Y(x\y)dx = f xfx(x)dx = E(X);

J oo

Joo

queda demostrado el teorema.

TEOREMA

4.15. Si XyY son variables aleatorias, entonces

V(E(X\Y)) < V(X).

Demostracin
Sea X tal que E(X) = /ULX y sea <p(y) = E(X\Y = y); entonces
V(E(X\Y)) = E (E(X\Y) - E(E(X\Y)))2 = E(<p(Y) -

= (X - iix)2 = E(X - <p(Y) + <p(Y) = E(X - <p{Y)f + E(cp(Y) - /x x ) 2 + 2E(X - <p(Y))(cp(Y) 185

fix).

4. Esperanza matemtica

Ahora se analiza el ltimo sumando

roo

E(X-<p(Y))(<p(Y)-fix)= /

roo

/ (x-<p(y))(<p(y)-Hx)fxY(x,y)dxdy

J oo Joo
roo

roo

= /

(x- <p(y))(<p(y) -

fix)fx\Y(x\y)fy(y)dxdy

J oo Joo
roo
roo

roo

(<P(y)-fix)fYy)

Joo Joo

(x-<p(y))fx\Y(x\y)dx.
Joo

E(X\Y=y)-E(X\Y=y)=O

Entonces,
V(X) = E{X-(p{Y))2 + E{(p{Y)-iix? > E{<p{Y)-iLX)2 = V(E(X\Y))\

om

queda demostrado el teorema.

em

at

ic
a1

.c

EJEMPLO 4.9. Suponga que N representa al nmero de accidentes

ocurridos en cierta fbrica en un mes y X al nmero de hombres heridos
en cada accidente, i = 1,2, ...,N. Suponga adems que N y X son
variables aleatorias independientes. Cul es el valor esperado del nmero
de hombres heridos cada mes?

ww

w.

at

Solucin
Suponga que N denota el nmero de accidentes que ocurren, y sean X\,
X2,...,
XN las variables que denotan el nmero de heridos en cada uno
de estos accidentes. Entonces, el nmero total de accidentados es Y$L\ X.
Ahora
N

=1

=1

Observe que
N

T?(\
LL\

n
A

V I A7

/
A f i Y
1=1

M\
n)

TPt\

V \

xil>
A ; )
1=1

TPt V^

A-CrlA).

Finalmente,

i
=l

| TV)) = E(NE(X)) = E(N)E(X).

i=l

4.10. Un prisionero ha sido puesto en una celda que tiene

tres puertas. La primera puerta lleva directamente a la calle; la segunda
lleva a un tnel que lo devuelve a la misma celda despus de un da de
caminata; la tercera puerta lo lleva a otro tnel que termina en su celda
EJEMPLO

186

5. Esperanza condicional

despus de tres das de caminata. Suponga que el prisionero puede elegir

cualquiera de las puertas con igual probabilidad. Si elige una puerta que lo
lleva de nuevo a la celda, vuelve a intentarlo, pero no escoge las puertas
que eligi anteriormente. Entonces, cul es el tiempo esperado para
que el prisionero alcance la libertad?

.c

ic
a1

RY = {0, 1, 3, 4},

om

Solucin
Suponga que Y indica el nmero de das que requiere el prisionero para
alcanzar su libertad, y sea X el nmero de la puerta que elige en el i-simo
intento, i = 1,2,3. Si elige una puerta que lo lleva a un tnel, al regresar
elegir otra puerta nicamente de entre las dos que no ha elegido; de igual
manera se hace la tercera eleccin.
El recorrido de Y es

ww

w.

at

em

at

7 = 0: cuando se elige la puerta 1 en el primer intento, o sea que

Xx = 1.
Y = 1: cuando se elige la puerta 2 en el primer intento y la puerta 1
en el segundo intento, o sea que Xx = 2 y X2 = 1.
Y 3: cuando se elige la puerta 3 en el primer intento y la puerta 1
en el segundo intento, o sea cuando X\ = 3 y X2 = 1.
Y 4: cuando se eligen las puertas 2 y 3 en los dos primeros intentos
y la puerta 1 en el tercer intento, o sea
(Xl = 2, X2 = 3 y X3 = 1) o (Xj = 3, X2 = 2 y X3 = 1).
Se va a utilizar el resultado E(Y) = E(E(Y | i)), por eso se deben
encontrar las probabilidades condicionales.
P(Y = 0 | Xx = 1) = 1; entonces

P(Y=1\X1=2)

= P(X2 = 1 | Xx = 2) = 1/2 y

P(Y = 4 I Xi = 2) = P(X2 = 3 I Xi = 2) = 1/2; entonces

(7 | Xi = 2) = 1(1/2) + 4(1/2) = 2.5

= 3 | Xj = 3) = F(X2 = 1 | Xx = 3) = 1/2 y
= 4 Xi = 3) = P(X2 = 2 | X! = 3) = 1/2; entonces
= 3) = 3(1/2) + 4(1/2) = 3.5
187

4. Esperanza matemtica

Finalmente, se tiene que

E(Y) = E[E(Y | X,)]

= E(Y | Xi = l)P(Zi = 1) + E(F | Xx = 2)P(X1 = 2)

ww

w.

at

em

at

ic
a1

.c

om

5.1 Problema de mantenimiento, reparacin y reemplazo de equipo. Considere una mquina que produce una ganancia de
100 unidades monetarias (u.m.) si trabaja toda la semana, y
0 u.m. si no lo hace.
Si al principio de la semana la mquina est trabajando, se puede
realizar o no un mantenimiento preventivo, con un costo de 20 u.m.
Si se realiza el mantenimiento preventivo, la probabilidad de que
la mquina trabaje toda la semana es de 0.7.
Si no se realiza el mantenimiento, la probabilidad de que la mquina
trabaje toda la semana es de 0.2.
Si al principio de la semana la mquina no trabaja, puede repararse
inmediatamente a un costo de 35 u.m., o bien, puede ser reemplazada por
una nueva mquina a un costo de 125 u.m.
Si se realiza la reparacin, la probabilidad de que la mquina trabaje
toda la semana es igual a 0.6.
Si la mquina se reemplaza, sta trabajar toda la semana sin problema.
Cuando la mquina trabaja bien toda la semana, al inicio de la siguiente
semana se encontrar trabajando. Si la mquina se descompone durante
la semana, al inicio de la siguiente no se encontrar trabajando.
Suponiendo que se dispone de una mquina nueva al inicio del proceso, se desea establecer la poltica ptima de reparacin, mantenimiento
y reemplazo que proporcione la utilidad total esperada mxima en un
periodo de cuatro semanas.
Solucin
Primero se va a identificar toda la informacin til.
La primera semana no habr un factor aleatorio, ya que se tiene una
mquina nueva, y sta trabajar toda la primera semana con una ganancia
188

5. Esperanza condicional

ww

w.

at

em

at

ic
a1

.c

om

de 100 u.m. Al inicio de la segunda semana, la mquina estar trabajando.

En las subsecuentes semanas, se tendrn los siguientes elementos:
1. Estados posibles de la mquina al inicio de la semana /:
Ts: la mquina s trabaja.
Tn: la mquina no trabaja.
Ts y Tn son eventos complementarios, esto es: Ts = Tfx. El estado de
la mquina al inicio de la semana / se denota como Et\ as, E = Ts o
F T
2. Decisiones si la mquina trabaja al inicio de la semana:
Ms: se da mantenimiento preventivo.
Mn: no se da mantenimiento preventivo.
Tambin Ms y Mn son eventos complementarios.
3. Decisiones si la mquina no trabaja al inicio de la semana:
Rs: se reemplaza la mquina.
Rn\ se da mantenimiento correctivo.
Rs y Rn no son eventos complementarios, puesto que se puede tambin
tomar la decisin de que no se trabaje esa semana. La decisin tomada
en la semana / se denota como Dhi = 1,2,3 y 4; as, si la mquina est
trabajando al inicio de la semana /', se tiene que D = Ms o D = An.
Si la mquina no trabaja al inicio de la semana i, se tiene que D = Rs
o Di = Rn.
4. La ganancia obtenida en la semana / se denota como G(), por lo
que se tiene que
Gi(EM = Ts) = 100 y

Gi(EM = Ttt) = 0.

Si la mquina trabaja toda la semana, al inicio de la siguiente se encuentra trabajando.

Observe que si E^\ = Ts, esto implica que la mquina trabaj
toda la semana /, por eso al inicio de la semana i + 1 est trabajando.
5. El costo de tomar una decisin se denota como C/(-); por tanto, se
tiene que
d(Mn) = 0} C/(A/,) = 20, Q(Rn) = 35, Q (J?,) = 125.
6. La utilidad es igual a la ganancia menos los costos,

7. Las probabilidades implcitas en ei proceso son las siguientes:

189

4. Esperanza matemtica

ic
a1

.c

om

(a) La probabilidad de que la mquina trabaje toda la semana /,

condicionada a que estaba trabajando al inicio de la semana /,
de acuerdo con la decisin tomada, es
P{Ei+x = Ts\Ei = Ts, Di = Ms) = 0.7,
P(Ei+l = T,\Ei = Ts, Di = Mn) = 0.2,
(b) y la correspondiente probabilidad de su complemento:
P(EM = Tn\Ei = Ts, Di = Ms) = 0.3,
P(EM = Tn\Ei = Tt, Di = Mn) = 0 . 8 .
(c) La probabilidad de que la mquina trabaje toda la semana i,
condicionada a que no estaba trabajando al inicio de la semana
/, de acuerdo con la decisin tomada, es
P(EM = Ts\Ei = Tm Di = /?s) = 1,
P(EM = Ts\Ei = Tn, Di = Rn) = 0.6,
(d) y la correspondiente probabilidad de su complemento:
P(EM = Tn\Ei = Tn, Di = Rn) = 0.4.

em

at

En el diagrama de la figura 4.3 se muestran las diferentes posibilidades

de la terna:

at

Estado (,), Decisin (D), Estado

ww

w.

que representan la situacin de la mquina desde el principio hasta el final

de la semana i. En cada rama del diagrama se escribi el valor de la
utilidad o su probabilidad.
La utilidad esperada, de acuerdo con las diferentes decisiones, est
dada por
Cuando la mquina s trabaja al inicio de la semana:
E(U | Ms) = E(G | Ms) - C(MS)
= G(TS)P(TS | Ms) + G(Tn)P(Tn \ Ms) - C(MS)
= P(Ts\Ms)l00 + P(Tn\Ms)0 - C(Ms)
= 100(0.7) + 0(0.3) - 20 = 50, E(U\Mn)
= E(G\Mn) - C(Mn)
= 100P(Ts\Mn) + 0P(Tn\Mn) - C(Mn)
= 100(0.2) + 0(0.8) - 0 = 20.
190

5. Esperanza condicional

Estado Decisin Estado

Utilidad

Probabilidad

Di

0.7

Ts
Tn

C/=-20

0.3

Ts

7=100

0.2

Tn

/ = 0

0.8

Ts

U = 65

0.6

Tn

U = -35

om

Ms

Ts

U=-25

Ts
Mn

Rn

.c

0.4

at

Rs

ic
a1

Tn

4.3 Diagrama de estado al principio de la semana, la desicin tomada y estado al final de la semana.

at

em

FIGURA

ww

w.

La decisin que da la mxima utilidad esperada se obtiene cuando

se da mantenimiento preventivo.
Cuando la mquina no trabaja al inicio de la semana:
E(U\RS) =
=
E(U\Rn) =
=

E(G\RS) - C(MS) = 100P(Ts\Rs) + 0P(Tn\Rs) - C(RS)

100(1) + 0(0) - 125 = - 2 5 .
E(G\Rn) - C(Rn) = 100P(Ts\Rn) + 0P(Tn\Rn) - C(Rn)
100(0.6) + 0(0.4) - 3 5 = 25.

La decisin que da la mxima utilidad esperada se obtiene cuando

se da mantenimiento correctivo.
En resumen, si al inicio de la semana la mquina no trabaja, lo conveniente es darle mantenimiento correctivo; y cuando la mquina s trabaja,
lo conveniente es darle mantenimiento preventivo.
En la tabla 4.4 se resume esta informacin desde el inicio de la semana
(E) hasta el final de la misma (+i, i = 1,2,3,4). No se considera la
191

4. Esperanza matemtica

TABLA 4.4

Utilidad obtenida de acuerdo con la desicin tomada.

Estado di inicio Mejor Estado al final Utilidad Probabilidad

U
P(E+i | D, E)
dla semana Decisin de la semana
2i*+i

T
Ms
80
0.7
E = r,
Ei = TS
M5
-20
0.3
= Tn
0.7
Ei = Tn
65
= TS
Rn
3
5
0.3
=
T
Ei = Tn
Ei+\
Rn
n

P(E5\EJP(E4\E3)P(E3\E2).

em

Es) =

at

4,

P(Eh E2,

at

ic
a1

.c

om

informacin de la primera semana (i = 1), porque en esa semana la

mquina va a trabajar bien pues es nueva.
La utilidad durante las cuatro semanas depender del estado de la mquina al inicio de cada semana, cuando se toma la decisin que da la
mxima utilidad. Y como el estado de la mquina al final de la semana slo depende del estado de la mquina al principio de la semana, la
probabilidad de los posibles estados de las cuatro semanas es

ww

w.

La tabla 4.5 muestra los posibles estados de la mquina durante: las

cuatro semanas, as como la probabilidad y la utilidad en cada caso.
4.5 Espacio muestral de estados, probabilidad y
utilidad de las cuatro semanas.

TABLA

Ei

Ts
Ts
Ts
Ts
Ts
Ts

Ts
Ts

Estados
E2 E3 4
Ts

Ts

Ts
Ts

Ts
Ts

Ts

Ts

Ts Tn
Ts Tn
Ts Tn
Ts Tn

Ts
Ts

Tn
Tn
Ts
Ts
Tn
Tn

Probabilidad
Es
Ts 0.7
Tn 0.7
Ts 0.7
Tn 0.7
Ts 0.3
Tn 0.3
Ts 0.3
Tn 0.3
192

X
X
X
X
X
X
X
X

0.7 x
0.7 x
0.3 x
0.3 x
0.6 x
0.6 x
0.4 x
0.4 x

0.7
0.3
0.6
0.4
0.7
0.3
0.6
0.4

=0.343
=0.147
=0.126
=0.084
=0.126
=0.054
=0.072
=0.048

Utilidad total
215
115
100
0
100
0
-15
-115

6. Funcin generatriz de momentos

La utilidad esperada de las cuatro semanas es igual a

E(U) = 215(0343) + 115(0.147) + . . . + (-115)(0.048) = 109.25.
La utilidad esperada es positiva, lo cual implica que conviene trabajar
en esta forma.
Ejercicios

ic
a1

.c

om

EJERCICIO 4.24. Un prisionero ha sido puesto en una celda que tiene

tres puertas. La primera puerta lleva directamente a la calle. La segunda
lleva a un tnel que lo devuelve a la misma celda despus de un da de
caminar. La tercera puerta lo lleva a otro tnel que termina en su celda
despus de tres das de caminata. Suponga que el prisionero puede elegir
cualquiera de las puertas con igual probabilidad. Si elige una puerta que
lo lleva de nuevo a la celda, vuelve a intentarlo, pero olvida qu puerta
eligi anteriormente, esto es, no tiene memoria. Entonces, cul es el
tiempo esperado para que el prisionero alcance la libertad?

at

em

at

EJERCICIO 4.25. En una urna hay 20 bolas rojas y 30 bolas azules. Se

extraen sucesivamente las bolas de la urna. Cul es el nmero de intentos
esperado para obtener la segunda bola roja? si el muestreo se hace (a)
con reemplazo, (b) sin reemplazo.

w.

6. Funcin generatriz de momentos

ww

Cada funcin de distribucin caracteriza a su media y su varianza, E(X)

y E(X2) (E(X))2, respectivamente. Esto es, si se conoce la funcin
de distribucin, se puede determinar cul es su media y cul su varianza;
ahora, la pregunta es: si se conoce la media y la varianza de una variable
aleatoria, se puede identificar su funcin de distribucin? La respuesta
es no; sin embargo, si se conoce el valor esperado de todas las potencias de
X, EiX*), es posible identificar la funcin de distribucin de esa variable
aleatoria. Esto es lo que se estudiar en la presente seccin.
DEFINICIN 4.7. Se llama momento de orden r alrededor del nmero a de la variable aleatoria X al valor esperado

mr(a) = E((X - a)r).

En este sentido, la media /x es el primer momento de X alrededor de
cero, y la varianza o-2 es el segundo momento de X alrededor de x193

4. Esperanza matemtica

Para simplificar, los momentos alrededor de cero m,(0) se denotan

como mr.
Si para una variable aleatoria existen todos sus momentos de orden r,
entonces se puede definir la funcin generatriz de momentos.
DEFINICIN 4.8. La funcin generatriz de momentos de la variable
aleatoria X, Mx(t), est dada por la expresin

Mx(t) = E(etx).
El nombre viene del desarrollo en serie de potencias de la funcin
exponencial:

.c

om

oo A Y i

at

ic
a1

ya que al aplicar las propiedades de linealidad del valor esperado, se

convierte en

em

1=0

*'

i=0

at

que es una serie de potencias de t con m,- como coeficientes.

ww

w.

TEOREMA 4.16. Si Mx(t) es la funcin generatriz de momentos de la

variable aleatoria X, entonces

AfjjftO) = mr.

Demostracin
Si se deriva sucesivamente la funcin generadora de momentos, se tiene
que

=0
oo

i=0

00
=0

194

*mM

6. Funcin generatriz de momentos

As, al evaluar en t = 0, se tiene

con lo que queda demostrado el teorema.

Recuerde que la derivada de una suma es la suma de las derivadas.
TEOREMA 4.17.

SiXyY

son dos variables aleatorias tales que

MX{t) = My(),

ic
a1

.c

om

entonces fx(x) = fy(x), excepto quizs en un conjunto de probabilidad

igual a cero.

em

at

Este teorema afirma que la funcin generatriz de momentos de una

variable aleatoria es una transformacin inyectiva. El teorema se presenta
sin demostracin, ya que los elementos para hacerlo salen del alcance de
este libro.1

at

4.11. Utilizando la funcin generatriz de momentos encuentre la funcin de densidad de X + Y.

w.

EJEMPLO

ww

Solucin
Considere las variables aleatorias X y Y cuya funcin de densidad conjunta
est dada por fxy(x, y) y suponga que U = X + Y. Entonces la funcin
generatriz de momentos de la variable aleatoria U es igual a

Mu(t) = E(e'u) = r

"Mu)du.

Joo

Por otro lado, la funcin generatriz de momentos de la variable aleatoria U se puede escribir como

Mv(t) = E(e'u) = ^(e'(x+^>) = r

efc+fxr(x, y)dxdy.

Joo Joo
L

Una demostracin de este teorema se encuentra en W. Feller 1985. Introduccin

a la teora de las probabilidades y sus aplicaciones. Vol. 2, 2a. ed. Mxico, Limusa,

p.482
195

4. Esperanza matemtica

Al hacer el cambio de variable u = x + y y v = x, para resolver la

integral la funcin generatriz de momentos se transforma en
Mu(t) = E(etU) = H emfxY(v, u -

v)dvdu

Joo Joo

= e" l fxy(v, u - v)dvdu = f "g(u)du.

Joo

Joo

Joo

Si la regin donde fxy es diferente de cero no es todo el plano, la regin

de integracin, despus del cambio de variable, queda determinada por esa
regin.

fXY(v, u - v)dv.

ic
a1

fu{u) = g(u) = /

.c

om

El teorema 4.6.2 afirma que la funcin generadora de momentos es

una transformacin inyectiva; entonces
Joo

at

Este resultado ya se haba mostrado antes, y se puede constatar que es

ms fcil obtenerlo usando esta tcnica.

at

em

EJEMPLO 4.12. Encuentre la funcin de densidad de U = X + Y si se

sabe que la funcin de densidad conjunta de X y Y est dada por

fxr(x, y) = ex*y

si x, y > 0; 0 en otro caso.

ww

w.

Solucin
Por el resultado anterior, se tiene que
/oo

fu(u) = /
Joo

fXY(y, u - v)dv,

y como /XY(X, y) es diferente de cero en el primer cuadrante del plano

cartesiano, la integral se debe calcular en la regin 0 < v y 0 < w v, o
bien 0 < v y v < u.
fu(u) = f ev*u~v)dv = eu [U dv = ueu, para u > 0.
Jo
Jo
EJEMPLO 4.13. Suponga que la funcin generatriz de momentos de X
y de F converge; entonces encuentre la funcin de densidad de y.
Solucin
Considere que C/ = f; entonces

Mv(t) = E(etu) = E(e*x'*) = f f ifX7(x, y)dxdy,

Joo Joo

196

Ejercicios

se hace el cambio de variable u = x/y y v = y9 cuya transformacin

inversa e s # = wvy;y = v y cuyo jacobiano es |7| = v. Entonces, la
funcin generatriz de momentos est dada por

Mv(t) = E(etU) = r
roo

= /
Joo

etu

etuvfXY(uvfv)dvdu

Joo Joo
roo

roo

emg(u)du.

vfXY(uv,v)dvdu = /

Joo

Joo
g(u)

Y por el teorema 4.6.2, se tiene que la funcin generadora de momentos

es una transformacin inyectiva; entonces se sigue que
fu(u) = g(u) = /

vfXY(uv, v)dv.

.c

ic
a1

Ejercicios

om

Joo

4.26. Encuentre la funcin de densidad del costo total de

un proyecto de construccin, cuya funcin de densidad conjunta de los
costos del material X y de la mano de obra Y es
2y
fxr(x, y) =
si x, y > 0; 0 en otro caso.
4,
i/

at

(Costo total U = X + Y).

~T~

X -f- y

em

at

EJERCICIO

ww

w.

4.27. Sea la funcin de densidad de la variable aleatoria X,

fx(x) = f eos \jY-Tt)9 cuando x e (0,2) y cero en otro caso. Encuentre
la funcin de densidad de Y = sen(^Y^).
(a) Usando el corolario del teorema 3.3.2.
(b) Usando la funcin generatriz de momentos.
EJERCICIO

197