Programa para la inmersión a la Educación Superior - PIES

Departamento de Ciencias Básicas

Área: Estadı́stica
Asignatura: Probabilidad
Guı́a # 6
Programas: Ingenierı́a Industria, Economı́a, Finanzas y Comercio Internacional, Negocios y
Relaciones Internacionales.

Elaborado por: Edgar Palacios Segura

Fecha de elaboración: Octubre 08 de 2018

Tema: Esperanza Matemática, Varianza y Covarianza de variables aleatorias

INTENCIONALIDAD

Habilidades que se pretenden desarrollar.

Calcula e interpreta como funciona la esperanza matemática para variables aleatorias discretas y continuas.
Calcula e interpreta como funciona la varianza y desviación estándar de variables aleatorias discretas y
continuas.
Maneja las propiedades de la esperanza matemática y varianza.

DESARROLLO DEL CONCEPTO:

ESPERANZA MATEMÁTICA, VARIANZA Y COVARIANZA DE VARIA-

BLES ALEATORIAS.

La esperanza matemática de una variable aleatoria es una medida de localización

central de la variable aleatoria.
Definición.
Sea X una variable aleatoria con distribución de probabilidad f (x). El valor esperado o
esperanza matemática de X es
X
µ = E(X) = xf (x)
x

si X es discreta, y Z ∞
µ = E(X) = xf (x) dx
−∞
si X es continua.
El valor esperado de una variable aleatoria X es una media ponderada de los posibles valores
que puede tomar X, donde las ponderaciones son las probabilidades de cada valor que X
toma.
Valor esperado de una función.
Sea X una variable aleatoria con distribución de probabilidad f (x). El valor esperado de
cualquier función g(X) es
X
µg(X) = E(g(X)) = g(x)f (x)
x

si X es discreta, y Z ∞
µg(X) = E(g(X)) = g(x)f (x) dx
−∞
si X es continua.
Definición.
Sean X y Y variables aleatorias con distribución de probabilidad conjunta f (x, y). El valor
esperado de la variable aleatoria g(X, Y ) es
XX
µg(X,Y ) = E(g(X, Y )) = g(x, y)f (x)
x y

si X y Y son discretas, y
Z ∞ Z ∞
µg(X,Y ) = E(g(X, Y )) = g(x, y)f (x, y) dx dy
−∞ −∞

si X y Y son continuas.
Varianza de una variable aleatoria
La varianza de una variable aleatoria es una medida usada para medir la cantidad de varia-
bilidad (dispersión).
Definición.
Sea X una variable aleatoria con distribución de probabilidad f (x) y valor esperado µ. la
varianza de X se define como el valor esperado de (X − µ)2 . Es decir
X
V (X) = σ 2 = E((X − µ)2 ) = (x − µ)2 f (x)
x

si X es discreta, y
Z ∞
2 2
V (X) = σ = E((X − µ) ) = (x − µ)2 f (x) dx
−∞

si X es continua.
La desviación estándar σ de la variable aleatoria X es la raı́z cuadrada positiva de V (X)
Se puede demostrar que la varianza de una variable aleatoria se puede calcular mediante

V (X) = E(X 2 ) − (E(X))2

esta forma resulta ser más conveniente puesto que los cálculos se toman más sencillos.
Varianza de una función.
Sea X una variable aleatoria con distribución de probabilidad f (x). La varianza de cualquier
función g(X) es
X
2
V (g(X)) = σg(X) = E((g(X) − µg(X) )2 ) = (g(x) − µg(X) )2 f (x)
x

si X es discreta, y
Z ∞
2 2
V (g(X)) = σg(X) = E((g(X) − µg(X) ) ) = (g(x) − µg(X) )2 f (x) dx
−∞

si X es continua.
Covarianza de dos variables aleatorias
Definición.
Sean X y Y variables aleatorias con distribución de probabilidad conjunta f (x, y). La cova-
rianza de X y Y es
XX
σXY = E((X − µX )(Y − µy )) = (x − µX )(y − µy )f (x, y)
x y

si X y Y son discretas, y
Z ∞ Z ∞
σXY = E((X − µX )(Y − µy )) = (x − µX )(y − µy )f (x, y) dx dy
−∞ −∞

si X y Y son continuas.
La covarianza entre dos variables aleatorias es una medida de la asociación entre ambas
variables. Si valores grandes de X dan como resultados valores de Y , o valores pequeños de X,
dan como resultado valores pequeños de Y , (X − µX ) positiva dará como resultado (Y − µy )
positiva, y (X − µX ) negativa dará como resultado (Y − µy ) negativa. Por consiguiente, el
producto (X − µX )(Y − µy ) tiende a ser positivo. de otra manera valores grandes de X dan
como resultado valores pequeños de Y , entonces el producto (X − µX )(Y − µy ) tendera a
ser negativo.
El signo de la covarianza indica que si la relación entre las dos variables es positiva o es
negativa.
Una formula alternativa que se prefiere para calcular la covarianza es:
σXY = E(XY ) − µX µY
Coeficiente de Correlación
El coeficiente de correlación es una medida relativa que mide la fuerza de la relación entre
dos variables.
Definición
Sean X y Y variables aleatorias con covarianza σXY y desviaciones estándar σX y σY ,
respectivamente. El coeficiente de correlación de X y Y es
σXY
ρ=
σX σY
El coeficiente de correlación satisface la desigualdad −1 ≤ ρ ≤ 1
Teorema de Chebyshev
La probabilidad de que cualquier variable aleatoria X tome un valor dentro de k desviaciones
1
estándar de la media es de al menos 1 − 2 . Es decir
k
1
P (µ − kσ < X < µ + kσ) ≥ 1 −
k2
Valor esperado y Varianza de funciones lineales para variables aleatorias
Alguna propiedades útiles que simplifican los cálculos de los valores esperados y las varianza
de las variables aleatorias. Todos los resultados son validos para variables aleatorias discretas
y continuas.
1. Si a y b son constantes, entonces,
E(aX + b) = aE(X) + b
Al establecer que a = 0 vemos que E(b) = b
Al establecer que b = 0 vemos que E(aX) = aE(X)
2. El valor esperado de la suma o diferencia de dos o mas funciones de una variable
aleatoria X es la suma o diferencia de los valores esperados de las funciones. Es decir
E(g(X) ± h(X)) = E(g(X)) ± E(h(X))

3. El valor esperado de la suma o diferencia de dos o mas funciones de las variables

aleatorias X y Y es la suma o diferencia de los valores esperados de las funciones. Es
decir
E(g(X, Y ) ± h(X, Y )) = E(g(X, Y )) ± E(h(X, Y ))
Si hacemos que g(X, Y ) = g(X) y h(X, Y ) = h(Y ) vemos que
E(g(X) ± h(Y )) = E(g(X)) ± E(h(Y ))

4. Sean X y Y variables aleatorias independientes. Entonces

E(XY ) = E(X)E(Y )
Sean X y Y dos variables aleatorias independientes. Entonces Cov(X, Y ) = 0
5. Si X y Y son variables aleatorias con distribución de probabilidad conjunta f (x, y) y
a, b y c son constantes, entonces
V (aX + bY + c) = a2 V (X) + b2 V (Y ) + 2abCov(X, Y )
Si se establece que b = 0, vemos que
V (aX + c) = a2 V (X)
 Si se establece que a = 1 y b = 0, vemos que
V (X + c) = V (X)

Si se establece que b = 0 y c = 0, vemos que

V (aX) = a2 V (X)

Si X y Y son variables aleatorias independientes, entonces

V (aX + bY ) = a2 V (X) + b2 V (Y )

Si X y Y son variables aleatorias independientes, entonces

V (aX − bY ) = a2 V (X) + b2 V (Y )

EJEMPLOS

Ejemplo 1.
Hallar el valor esperado, la varianza y la desviación estándar de la distribución
x -5 -4 1 2
f (x) 0.25 0.125 0.5 0.125
P
Valor esperado E(X) = xf (x) = −5 ∗ 0,25 + −4 ∗ 0,125 + 1 ∗ 0,5 + 2 ∗ 0,125 = −1 Para
calcular la Varianza
Calculamos primero E(X 2 )
E(X 2 ) = x2 f (x) = 25 ∗ 0,25 + 16 ∗ 0,125 + 1 ∗ 0,5 + 4 ∗ 0,125 = 9,25
P
V (X) = 9,25 − (−1)2 = 8,25
Calculamos
√ la desviación estándar que es la raı́z cuadrada de la varianza.
σ = 8,25 = 2,87

Ejemplo 2.
Si el número de automóviles X que pasa por un lavado de autos entre 4:00 p.m. y 5:00 p.m.
en cualquier viernes soleado tiene la siguiente distribución de probabilidad:
x 4 5 6 7 8 9
f (x) 1/12 1/12 1/4 1/4 1/6 1/6
Sea g(x) = 2x − 1 la cantidad de dinero, en dólares que el administrador paga al empleado.
Encuentre la ganancia promedio y la varianza para g(x)
Para el cálculo de la ganancia promedio procedemos:
9
X 38
E(g(x)) = (2x − 1)f (x) = 7 ∗ 1/12 + 9 ∗ 1/12 + 11 ∗ 1/4 + 13 ∗ 1/4 + 15 ∗ 1/6 + 1/ ∗ 1/6 =
x=4
3

V [g(x)] = V (2X − 1) = 4V (X)

Los valores de E(X), E(X 2 ) y V (X) son:
9
X 41
E(X) = xf (x) = 4 ∗ 1/12 + 5 ∗ 1/12 + 6 ∗ 1/4 + 7 ∗ 1/4 + 8 ∗ 1/6 + 9 ∗ 1/6 =
x=4
6
9
2
X 293
E(X ) = x2 f (x) = 16 ∗ 1/12 + 25 ∗ 1/12 + 36 ∗ 1/4 + 49 ∗ 1/4 + 64 ∗ 1/6 + 81 ∗ 1/6 =
x=4
6
 2
2 293 2 41 77
V (X) = E(X ) − (E(X)) = − =
6 6 36  
77 77
Por tanto la varianza de la ganancia seria V (g(X)) = 4V (X) = 4 ∗ =
36 9
Ejemplo 3.
Sea la función de distribución de probabilidad acumulativa de una variable aleatoria X

 0, si x ≤ 0
x


 , si 0 < x < 2


F (x) = x 82

 , si 2 ≤ x < 4
 16



1, si x ≥ 4

Calcule la media y la varianza de X

Solución:
Primero calculamos la función de densidad f (x)
Para ello calculamos la derivada de la función F (x)

1

 , si 0 < x < 2
8x

dF 
f (x) = = , si 2 ≤ x < 4
dx 
 8

0, en otro caso

Ahora calculamos la media Z 2Z 4 2

x x
µ= dx + dx
0 8 2 8
2 4
x2  x3  1 7 31
µ=  +  = + =
16  24  4 3 12
0 2

Para calcular la varianza, usamos el hecho de que V (X) = E(X 2 ) − µ2 Evaluamops

Z 2 2 Z 4 3 2 4
3 4
x x x x 1 15 47
E(X 2 ) = dx + dx =  +  = + =
 
0 8 2 8 24  32  3 2 6
0 2
Luego !2
47 31 167
V (X) = − =
6 12 144

EJERCICIOS PROPUESTOS

1. La duración máxima de la patente para un nuevo fármaco es 17 años. Si se resta el

tiempo requerido por el FDA para la prueba y aprobación del fármaco, se obtiene
la duración real para la patente, es decir, el tiempo que tiene una compañia para
recuperar los costos de investigación y desarrollo, y conseguir una utilidad. Suponga
que la distribución de las duraciones de patente para los nuevos fármacos es como se
muestra.

Años 3 4 5 6 7 8 9 10 11 12 13
P(x) 0.03 0.05 0.07 0.10 0.14 0.20 0.18 0.12 0.07 0.03 0.01

a) Encuentre el número esperado de años de duración de la patente para un nuevo

fármaco.
b) Determine la desviación estándar
c) Calcule la probabilidad de que x esté en el intervalo µ ± 2σ

2. Si una persona invierte en unas acciones en particular, en un año tiene una probabilidad
de 0,3 de obtener una ganancia de $4000 o una probabilidad de 0,7 de tener una perdida
de $1000. ¿Cuál es la ganancia esperada de esta persona?
3. Una empresa de seguros estima, con base en sus registros, que la probabilidad de que
uno de sus asegurados sufra un accidente es de 0.12. Cuando ocurre un accidente, la
probabilidad de que el daño alcance 25 % del costo del vehı́culo es de 0.75; de 50 % del
vehı́culo es 0.15 y de perdida total 0.10.
a) Determine todos los resultados posibles de los vehı́culos asegurados y calcule cada
una de las probabilidades.
b) Calcule e interprete el valor de la prima de un vehı́culo de $40,000,000 que deberı́a
cobrar la empresa de seguros para que la ganancia esperada sea de cero.?
4. La tabla siguiente nos muestra la distribución de probabilidad para la variable aleatoria
X, número de hembras adultas en un grupo de monos aulladores:

x 1 2 3 4 5
f (x) 0.10 0.15 0.50 0.15 0.10

Halle el número promedio y la varianza de hembras adultas, por grupo.

5. Suponga que de una loterı́a se venden 5000 billetes a 3000 pesos cada uno y que se van
a otorgar tres premio. El primero es un televisor que vale $600,000. El segundo premio
un equipo de sonido que vale $350,000 y el tercer premio un bicicleta que vale $150,000.
si se va a comprar un billete, ¿cuál es la ganancia o perdida esperada?
6. La proporción de tiempo X que un robot industrial funciona en una jornada laboral
de 40 horas es una variable aleatoria cuya función de densidad de probabilidad es
(
2x, si 0 < x < 1
f (x) =
0, en otro caso

a) Encuentre E(X) y V (X)

b) En el caso del robot que se está estudiando, el rendimiento semanal Y esta dado
por la expresión Y = 200X − 60. Determine E(Y ) y V (Y )
c) Encuentre un intervalo en el que el rendimiento se encuentre por lo menos en el
75 % de las semanas que el robot está en funcionamiento.
7. Suponga que X y Y poseen la siguiente función de densidad de probabilidad conjunta
(
4xy, si 0 ≤ x ≤ 1, 0 ≤ y ≤ 1
f (x, y) =
0, en otro caso

a) Calcule Cov(X; Y )
b) ¿Son independientes X y Y ?

BIBLIOGRAFÍA

1. Walpole, Myers, Myers. Probabilidad y Estadı́stica para ingenierı́a y ciencias. novena

edición. Pearson 2012.
2. Wackerly D. Mendenhall III W., Scheaffer R. Estadı́stica Matemática con aplicaciones.
Septima edición. Cengage Learneing. Mexico. 2010.
3. Devore Jay l. PROBABILIDAD Y ESTADÍSTICA para ingenierı́a y ciencias. Octava
edición . Cengage Learnig 2010
4. Canavos George C. PROBABILIDAD Y ESTADÍSTICA, Aplicaciones y Métodos. Pri-
mera edición en español, Mc Graw Hill 1987.
5. Moore, David S. The Basic Practice of Statistics. Fifth Edition. New York WH Freeman
and Company (2010).
6. Levin Richard I. y Rubı́n David S. ESTADÍSTICA para ADMINISTRADORES. Sexta
edición, Prentice Hall.
7. Anderson David R. Sweeney Dennis J. Williams Thomas A. ESTADÍSTICA PARA
ADMINISTRACION Y ECONOMIA. Décima edición, Cengage Learnig.
8. Paul Newold, William L. Carlson y Betty Thorne. Estadı́stica para administración y
economı́a. Sexta edición. Prencice Hall.