Valores Esperados y Momentos

212|CAPTULO10VALORESESPERADOS,FUNCIONESGENERADORASDEMOMENTOSYMOMENTOS
CAPTULO10
VALORESESPERADOS,FUNCIONESGENERADORASDEMOMENTOSYMOMENTOS
10.1Introduccin
Despusdehaberestudiadolasbasesdelateoradelaprobabilidad,lasvariables
aleatorias,lasfuncionesdeprobabilidadylasfuncionesdedensidad,enestecaptulo
estudiaremos la otra forma de caracterizar a dichas distribuciones a partir de sus
parmetros mediante los cuales es posible representar la localizacin de la
distribucin, la dispersin de la variable aleatoria, el sesgo y el aplanamiento; estos
parmetros que pueden encontrarse si se conocen las funciones generadoras de los
momentos. Iniciaremos este captulo con un concepto central de la teora de la
probabilidad conocido como la esperanza matemtica o el valor esperado de la
variable aleatoria. Conviene indicar desde ahora que distinguiremos dos tipos de
parmetros; a los primeros las llamaremos los parmetros particulares que estn
comprendidosdentrodelasfuncionesdeprobabilidadoseaqueformanpartedeella
lo que hace ver que son familias de distribuciones y cada conjunto de valores, que
puedeserunoovarios,seleccionanunmiembrodelafamilia.
Porotrolado,lossegundosparmetros,sonlosparmetrosgeneralescaracterizan
lasmedidasdelocalizacin,dispersin,sesgoyaplanamiento;debencalcularseapartir
de los momentos y contienen a los parmetros particulares, como se ver en el
desarrollodelostemasdeestecaptulo.
10.2 Valores Esperados o Esperanzas de Variables Aleatorias y de Funciones de

VariablesAleatorias
En general, el valor esperado es una suma pesada de los valores de la variable

aleatoria o de una funcin de variables aleatorias, por las probabilidades de dichas
variables o de las funciones ver figura 10.1; que se denota por
, significa que
ES UN OPERADOR que acta sobre la VA o sobre la funcin de la VA y,
dependiendodeltipodevariablealeatoria,sedefinecomo:
,paralasVAsdiscretas;y
(10.1)
,paralasVAscontinuas.
(10.2)
Desde el punto de vista matemtico es necesario tener presente que: a) la

sumatoria o la integral puede no converger a un valor finito, en cuyo caso, el valor
esperadonoexiste;sinembargo,paralospropsitosdeestelibro,siempreexistirla
convergencia y b) el valor esperado es un operador que acta sobre variables
aleatoriasofuncionesdevariablesaleatorias.

CAPTULO10VALORESESPERADOS,FUNCIONESGENERADORASDEMOMENTOSYMOMENTOS|213
Figura10.1DistribucindeprobabilidaddeunaVAdiscreta
Una primera interpretacin del valor esperado se ilustra con los siguientes
ejemplos.
Ejemplo10.1 SupngasequeelDirectordePEMEXExploracinProduccindebe
decidirsiendeterminadaregin,debeonoperforarunpozo.Loseventosposiblessin
A={sexistepetrleo}yB={noexistepetrleo},sinimportarelvolumen.Sitomala
decisindeperforaryencuentrapetrleoelvalordelpetrleoobtenidoserde$250,
elcostodelaperforacincostar$50yelbeneficionetoserentoncesde$200.Porel
contrario, si decide no perforar, puede someter a concurso con las compaas
petroleraslaperforacinconlassiguientesbases:$25porlosderechosdeperforacin
ms otros $25 si se descubre petrleo. El Director tiene la incertidumbre sobre el
hallazgodelpetrleoporloqueseasesoradelgrupodegelogosdePEPquesonms
expertosquelenlaexploracinquienes,basadosenlainformacinexistenteylas
pruebas geolgicas que practican, asignan la probabilidad de 0.25 de que s se
encontrar petrleo en dicha regin (todos los precios son figurados y estn en
millonesdepesos).
Conestainformacinseobtienelasiguientetabladepagos,comnmenteutilizada
enlateoradedecisiones:
TablaX.matrizdepagos
Estadodela
naturaleza(X)
Decisinpor
tomar
S
perforar
No
perforar
I:Sexiste
petrleo
200
II:NOexiste
petrleo
50
50
25
Paraevaluarestasituacin,seaplicaelvaloresperadoparalasdosalternativasde
decisin:
Sidecideperforar:
/I 200 0.25 50 0.75 12.50
Sidecidenoperforar:
/II 50 0.25
25 0.75 31.25
Por lo tanto, a la luz de estos resultados, la decisin debe ser No perforar. Cabe
observarqueunacosaeselvaloresperadoyotraeselvalordeseado.
Ejemplo 10.2 La proporcin de impurezas de una muestra de petrleo crudo se

modelaporlafuncindedensidad:
, 0
1
0
Para poder determinar el valor esperado de X, necesitamos primeramente

encontrarelvalordec.
Sabemosque
1
Conlocual,paranuestrocaso:
1,entonces
Sustituyendoelvalordecenlafuncindedensidad,calculemoselvaloresperado:
3
2
3
2
3
2
1
3 0
3
8
1
3
17
24
0.71
Que corresponde a la proporcin de impurezas esperadas, que en la estadstica

matemtica significa el valor promedio de cualquier variable aleatoria sobre un
nmeroindefinidodemuestreos,comosevermsadelante.
10.2.1Ellgebradelosvaloresesperados
Comoseobservaen(10.1)y(10.2),elvaloresperado Eesunasumaponderadade
los valores de X por sus probabilidades correspondientes, por lo que las reglas
algebraicasdelosvaloresesperadossonextensionesdelasreglasdelassumatorias
lasintegralessonsumasqueseaplicanalasVAdiscretasycontinuas.Porlautilidad
que tienen en la probabilidad, es altamente recomendable que se familiaricen con
ellas.
Regla1
Si c es una constante real, entonces, el valor esperado de la constante es la
constantemisma:
(10.3)
Demostracin:

Usando (10.2),
, puesto que
1.
Ejemplo 10.3 Si se ganar $10 independientemente del evento que ocurra, la

gananciaesperadaes$10.
Regla2
SicesunaconstanterealyelvaloresperadodeXes
,entonces:
(10.4)
Demostracin:
Usando(10.2),
Ejemplo10.4Sielvaloresperadodeltiempodearribodelosavionesalaeropuerto
delaCiudaddeMxicoes
ysesabequeunapersonaarribarelquintoaterrizaje,
entonceselvaloresperadodeltiempodeesperaes5
.
Regla3
SicesunaconstanterealyXesunavariablealeatoria,entonces:
(10.5)
Demostracin:
Usando(2)ylaRegla1:
Ejemplo10.5Sielcostodelaproduccindeunartculodependedelcostodelos
artculos fabricados X y de un costo fijo, representado por
2, se tiene
2
2;esdecir,elvaloresperadodelcostodependedelvalor
esperado de los artculos fabricados ms el costo fijo de los indirectos que para
nuestrocasoes2.
Las siguientes reglas devienen de uso del valor esperado como operador que se
aplica sobre su argumento una prueba ms formal implica la transformacin de
variables.
Regla4
Si X e Y son variables aleatorias y sus valores esperados son
y
,
respectivamente,entonces:
(10.6)
Ejemplo 6. Si un caballero invita a su novia a comer en un restaurante, y si las

funcionesdedistribucindelpreciodelosplatillosson:
Costodelosplatillos
Paraelcaballero:X
Parasunovia:Y
120
0.2
0.1
150
0.5
0.35
200
0.3
0.55
Elvaloresperadodeloquetendrquepagarelcaballeroes
120 0.2 150 0.5 200 0.3 159

120 0.1 150 0.35 200 0.55 174.5,conlocual:
159 174.5 333.5
Si,ademspaga10%depropina,entonces:
1.1
1.1
1.1
1.1 159 174.5
1.1 333.5 366.85
Cabe observar dos cosas: a) que

porque las distribuciones de X e Y
sondiferentesyb)laregla4semantieneparacualquierrelacinentreXeY.
Ejemplo10.7LafuncindecostosdelejemplodelaRegla3fuera
5
,entonces
5
5
5
Debetenersecuidadoalaplicareloperadorvaloresperado E asuargumento,pues
5
, igual sucede con funciones tales como
en el ejemplo anterior 5
5
5 y
Regla5
Si
esunafuncindeX,entonces,paravariablesaleatoriasdiscretas
(10.7)
yparalascontinuas,
(10.8)
Ejemplo 10.8 Si la funcin de costos del ejemplo anterior es
2,
entonces:
2
2
2
Regla6

Dadounnmerofinitodevariablesaleatorias,elvaloresperadodelasumadelas
variablesaleatoriasesigualalasumadesusvaloresesperados,osea,

(10.9)
Engeneral,paracualquiercombinacinlinealdevariablesaleatorias
dondelas sonconstantes,setiene

(10.10)
Ejemplo10.9Si
4 ,
3
2
setiene
4
3
2
4
3
2
.
ObsrveselaaplicacindeEcomooperadormatemtico.
10.3FuncionesGeneradorasdeMomentos
Lametodologaparagenerarmomentosesunaherramientapotentedelateorade
la probabilidad, porque es menos complicada que el clculo directo a partir de las
funcionesdeprobabilidad.
Existen muchos mtodos para generar los momentos que son tiles para diversas
tiposdevariablesaleatorias;as,laFuncinGeneradoradeMomentosFactorialeses
til para las variables aleatorias no negativas y enteras; a su vez, la Funcin
GeneradoradeMomentosseusaparalasvariablesaleatoriasdiscretasocontinuasy
negativasononegativas,paralascualessepuededefinirestafuncin;entantoquela
Funcin Caracterstica est definida para todas las variables aleatorias. Todas estas
Funciones son tiles para encontrar la distribucin y los momentos de sumas y
promedios pesados de variables aleatorias independientes; finalmente, con la
Transformada de Mellin es posible determinar la distribucin y los momentos de
productos o razones de variables aleatorias no negativas o independientes. Por otro
lado. Aqu presentaremos la Funcin Generadora de Momentos Factoriales y la
FuncinGeneradoradeMomentosporsusbastasaplicaciones.
10.3.1LaFuncinGeneradoradeMomentosFactoriales(FGMF)
Comoyaseanticip,silavariablealeatoria(VA)Xesdiscretacuyosvaloresposibles
son enteros y no negativos, como sucede con las distribuciones binomial, binomial
negativa,geomtrica,hipergeomtrica,Poissonyotrastodaslasculesseestudiarn
en otro captulo posterior; entonces, para cualquier nmero real para el cual
0
1, se define la Funcin Generadora de Momentos Factoriales de la
distribucindelaVAXcomo:
(10.11)
Como 0
1, 0
1 y 0
; con lo cual 0
1 es una
funcin bien definida. Cabe observar el valor esperado opera sobre . A los
momentosgeneradosporestafuncinselesrepresentancon
.
Ejemplo10.10CalculemoslaFGMFdeladistribucinBinomial.
Si
1
esladistribucinBinomialconparmetrosnyp,
/ ,
alsustituirlaen(3):
1
=
1
(10.11)
Ejemplo10.11CalculemoslaFGMFdeladistribucindeladistribucindePoisson
.Alsustituirlaen(10.3)tenemos:
(10.12)
10.3.1.1Propiedades
Propiedad1:Unicidad
La Funcin Generadora de Momentos Factoriales determina unvocamente la
funcinmasadeprobabilidaddecualquierVAdefinidasobrelosnmerosenterosno
negativos:
Si
0,
0
0 ypuededemostrarseque:
0 ,
1,2,3 ;
!
Donde
0
0 ; es decir,
se encuentra calculando la
derivadadeorden k de
respectoa evalundolapara
0ymultiplicndola
por .
!
Ejemplo10.12Paraladistribucinbinomial(4)encontremossuFMP.
Vimosde(10.4)que
1
Calculandolaprimeraderivadade
yavalundolaen
0setiene:

Conlocual:
1
.
1
2 2 0
0
1
1
,conlocual:
2
0
1
1
!
Siguiendoelmismoprocedimiento:
1
2
3
0
!
Engeneral:
0
1
!
(10.13)
Propiedad2:Losmomentosfactoriales
cuya Funcin Generadora de

Si X es una VA entera no negativa con FMP
MomentosFactorialeses
,ysielrmomentofactorialdeX
1
2
1
1
2
1
1
2
1
1
2
1
esfinito,entonces:
1
2
1
Ejemplo 10.13 Para la distribucin de Poisson se obtuvo
ecuacin(10.5)setiene:
Y,engeneral:
1
1
2
1
y
Entonces
1
1
;y
1
1
2
Propiedad3:Combinacioneslineales
Siaybsonconstantesenteraspositivas,entonces:
(10.14)
Ejemplo 10.14 Si X se distribuye conforme una distribucin geomtrica con

parmetro p, su FGMF es
; ahora bien, SI
1 tiene una
distribucinbinomialnegativaconparmetros
1y ,setiene
YlaFGMFdeladistribucinBinomialNegativacondichosparmetroses:
(10.15)
Propiedad4:Convolucin
Dadas las VAs X e Y independientes, enteras y no negativas con Funciones
GeneradorasdeMomentosFactoriales
y
,respectivamente,entoncesse
satisface:
(10.16)
Ejemplo 10.15 Si , , , , son VAs mutuamente independientes que se

distribuyenconformeaunadistribucindePoissonconparmetros ,
1,2,3. . ;y

FGMFs
, respectivamente; la suma de las VAs es

;aplicandolapropiedaddelaConvolucinsetiene:
La VA Y se distribuye conforme la distribucin de Poisson con parmetro
Propiedad5:Preservacindeloslmites
/ lafuncinmasadeprobabilidaddelosenteros
Paracada
1,2,3, sea
/ sucorrespondienteFGMF;entonces,si
nonegativosdeky
lim
/
(10.17)
eslaFGMFcorrespondientealaFMP
Donde
,secumpleque:
lim
/
,
0, 1,2,
Ejemplo 10.16 Ya vimos arriba que para la distribucin Binomial

1
ecuacin (10.4) y, para la de Poisson
ecuacin
(10.5); aplicando esta propiedad de preservacin de los lmites demostremos que,
cuando es muy grande, entonces la probabilidad Binomial
| ,
con
parmetrosny
!
seaproximaalasprobabilidadesdeladistribucindePoisson
conparmetro .
/
ParalaBinomial,
Cuando|
1 | 1,
/
1
, lim
/
1
2
Comolim
lim
1
3
1 ,dedonde:
lim
y,comoconsecuenciadeestapropiedad:
lim
/ ,
Lo que muestra que las probabilidades Binomiales

/ ,
para n grandes se
aproximanalasdePoisson
.Cabeobservarqueestapruebanousaelhechoque
,sinosolamentelaconsideracin lim
10.3.2FuncinGeneradoradeMomentosOrdinarios(FGM)
AdiferenciadelaFGMF,estafuncingeneralosmomentosordinariosdecualquier
variablealeatoria X,yaseadiscretaocontinua,quesondesumautilidadparacalcular
losparmetroscaractersticosdelasdistribuciones;ysedefinecomosigue:
(10.18)
Paratodoslosvaloresde enlosqueexistelaFGM.
AplicandoeloperadorvaloresperadoE:
SiXesunaVAdiscreta:
(10.19)
SiXesunaVAcontinua:
(10.20)
LosmomentosordinariosgeneradosporestaFGMsellamanmomentosrespectoal
origenyserepresentancon
Obsrvesequepara
0:
estdefinidaenelintervaloabierto ,
Y,cuando
quecontiene
0,
la FGM tiene las propiedades que describen la distribucin de X, similares a las
descritasparalaFGMF
;cuando XesunaVAenteranonegativa,entonces
existepara
0,y
(10.21)
LaprincipalventajadelaFGMsobrelaFGMFeselsignificadoquetienesobreuna
amplia gama de variables aleatorias, en tanto que su desventaja consiste en que no
,
de valores que contiene a ; sin
siempre existe en el intervalo abierto
embargo, esto no sucede en las distribuciones de probabilidad que analizaremos en
estetexto.
Ejemplo10.17CalculemoslasFGMdelasdistribucionesBinomial,dePoissonydela
Geomtrica.

ComosevioenelEjemplo10.12,laFGMFdeladistribucinBinomiales(10.4):
1
;Entonces,aplicando(10.9)setiene:
(10.22)
De igual forma, en el Ejemplo 10.12 se demostr que, para la distribucin de

Poisson:
ysuFGMesaplicando(10.9)
(10.23)
YparaladistribucinGeomtrica
,conlacualaplicando(10.9)
nuevamente:

(10.24)
Ejemplo 10.18 Si Z es una variable aleatoria continua con funcin de densidad de
probabilidad
;entonces,sufuncingeneradorademomentoses:
(10.25)
Al igual que para la FGMF, la FGM tambin tiene propiedades similares que se
enunciarnacontinuacin.
10.3.2.1PropiedadesdelaFGM
Propiedad1:Unicidad
A
lecorrespondeunaysolounadistribucin;esdecir,laFGMcaracterizaa
unaysolounadistribucin.PuestoquelaFuncindeDistribucinAcumulativa
determina la distribucin de cualquier VA, a

le corresponde una y solo una
.
Ejemplo 10.19 A la distribucin Binomial

corresponde nicamente la FGM:
/ ,
1
, le
. Y para la
distribucin
,sunicaFGMes
Propiedad2:Momentos
(10.26)
Donde
Enefecto,
Para
0
Propiedad2LosMomentosrespectoalorigen
Adems de las funciones de distribucin de las VAs, los momentos de una

distribucin de probabilidades son extremadamente tiles para encontrar los
parmetros que la caracterizan conocidos como medidas de localizacin, dispersin,
sesgoyaplanamiento.Losmomentossedefinenentrminosdelosvaloresesperados
de las diferentes potencias de las distancias al origen de los valores de la variable
aleatoria X,encuyocasoselesllamanlosmomentosrespectoalorigenverlaTabla
1; o bien, con respecto a otro punto c diferente del origen, conocidos como
momentos respecto a c o momentos centrales. La siguiente tabla muestra los
momentosrespectoalorigendelasVAsdiscretasycontinuas.
Cabe observar que la dificultad en el clculo de los momentos estriba en la
complejidaddelasfuncionesdedensidad
,queciertamentenosonsencillasolo
complicado de los clculos de las sumatorias, por lo cual muchas veces se prefiere
utilizar las funciones generadoras de momentos de las distribuciones que las
caracterizan; es decir, para cada Funcin Masa de Probabilidad FMP o Funcin de
DensidaddeProbabilidadFDPlecorrespondeunaysolounaFuncinGeneradorade
Momentos.Antesdedefinirdichasfuncionespresentamosalgunosejemplos.
Tabla10.1Momentosrespectoalorigen
Momento
Notacin
ParaVAsdiscretas
ParaVAscontinuas
primer
segundo

tercer
Deordenr
Ejemplo 10.20 Para el ejercicio del caballero que invita a comer a su novia, se
tienenlossegundosmomentos:
Paralanovia:
120
0.1 150
0.35 200
0.55 26,130
/
Paraelnovio:
120
0.2 150
0.5 200
0.3 31,315
/
Ejemplo 10.21 Para el ejemplo de la proporcin de impurezas en una muestra de

petrleocrudo,eltercermomentoes:
3
3
3
1 1 1
2
2
2 6
5 0 4 5
9
20
Ejemplo10.22EnelEjemplo10.20demostramosquesi Zesunavariablealeatoria
continua con funcin de densidadde probabilidad
que es la funcin de
densidad normal estndar; su funcin generadora de momentos es

,calculemossuscuatroprimerosmomentos:
2
3
|
|
Propiedad3:TransformacinLineal
Si
esunatransformacinlinealdeX,
Enefecto,
1
|
(10.27)
Propiedad4:Convolucin
ParalasVAsXeYconFGMs
setiene:
Enefecto,siXeYsoncontinuaseindependientes:
(10.28)
;obien:
Y, en general, para
, , , , variables aleatorias mutuamente
setieneque
independientesy , , , , constantes,
Ejemplo 10.23 Sean X y Z VAs que se distribuyen normalmente con medias y

varianzas ~
,
y
~ 0,1 ;comovimosenelejemplo10.20expresin
(10.19)
y,adems,
;entonces,porlapropiedad3:
Ejemplo10.24CalculemosloscuatroprimerosmomentosdelavariablealeatoriaX
quesedistribuyeconformeladistribucinNormal ~
,
,apartirdefuFGM.
,avaluandoen
0
;evaluandoen
0,
0,

Deigualforma,
Finalmente:
;y
;evaluandoen
0,
Ejemplo 10.25 Sean X e Y dos VAs que se distribuyen conforme a la distribucin

Normal, con medias y varianzas ~
,
y ~
,
; por la propiedad de
convolucin:
Porlapropiedad1setiene,
~
,
La propiedad 4 puede generalizarse para , , , , VAs mutuamente

independientes y , , , , constantes, para la combinacin lineal
setiene:
(10.29)
Ejemplo10.26.SilasVAs , , , , sonmutuamenteindependientesconla
mismadistribucindeprobabilidades,entonces,porlapropiedaddeunicidadtienenla
mismaFGM
;ylaFGMdelamedia
,porlapropiedad4,es:
YlaFuncingeneradoradeMomentosparalapoblacintotal
es:
Propiedad5:Preservacindelmites
Paracada
1,2,3, sea
/ laFuncindeDistribucinAcumulada(FDA)con
su correspondiente FGM
/ definida sobre un intervalo abierto
,
que
contienea ,paralacual:
lim
lim
,paratodo contenidoen
/
paratoda
;entonces:
(10.30)
escontinuaenx}
(10.31)
eslaFDAcorrespondientea
.
10.4FuncionesCaractersticas
HemosvistoquetantolaFGMFylaFGMnoestndefinidasparatodaslasvariables
aleatorias;situacinquenosucedeconlaTransformadadeFourier,conocidatambin
comolaFuncinCaracterstica,lacualsedefineparalasvariablesaleatoriasdiscretas
como
(10.32)
Oparavariablesaleatoriascontinuas
(10.33)
En las cules
1 es la unidad imaginaria, de donde se desprende que los
valoresdelafuncincaractersticapuedensernmerocomplejosy,parasuestudio,se
requieredelconocimientodelasvariablescomplejas;porellonoseestudiarnaqu.
10.5Momentosconrespectoaunpuntoylavarianza
Los momentos que hasta ahora hemos estudiado, corresponden a los momentos
respectoalorigenverFigura1.1;Ahorageneralizaremosestosconceptosestudiando
los momentos con respecto a un punto c diferente del origen, tambin conocidos
comomomentoscentralesparacuando
.
Ya vimos como calcular el valor esperado de las variables aleatorias discretas y

continuas respecto al origen; ahora ampliemos estos conceptos para el caso de la
funcin particular
, donde a y r son constantes, entonces a la
expresin:
(10.34)

seleconocecomoelmomentodeordenrrespectoaayserepresentacon .
Sebetenersepresentelasnotacionesdiferentesparalosmomentosfactoriales
,
; y, en particular,
los momentos ordinarios y los momentos centrales
obsrveseque:
si
0,setiene
0
;paraestaexpresin,si
1setiene:
,expresinqueseconocecomolamediadelaVA X,concepto
que se ampliar ms adelante y, en este caso particular suele simbolizarse
simplementecon , o .
Ejemplo10.27ConreferenciaalEjemplo1,relacionadoconladecisinquedebe
tomarelDirectordePEMEXExploracinProduccinsiendeterminadaregindebeo
no perforar un pozo, evala esta situacin mediante el valor esperado
o la
mediadelavariablealeatoria paralasdosalternativasdedecisin:
Sidecideperforar:
/ 200 0.25 50 0.75 12.50
Sidecidenoperforar:
/ 50 0.25
25 0.75 31.25
Por lo tanto, a la luz de estos resultados de la media, la decisin debe ser No

perforar.
Ejemplo 10.28 Con referencia al Ejemplo 10.2, relacionado con la proporcin de

impurezasdeunamuestradepetrleocrudosemodelaporlafuncindedensidad
, 0
1
elvaloresperadoeslamediadelaproporcindeimpurezas:
0.71;
Quecorrespondealaproporcindeimpurezasesperada.
Regresandoalosmomentoscentrales,si:
0:
1
1;
Queeslaexpresingeneralizadadelosmomentoscentrales ,losculespueden
encontrarseapartirdelosmomentosordinarios.
Enefecto:
Si
1
y,porlaspropiedadesdelosvaloresesperados:
0;
Cuando
2:
(10.35)
Esta expresin se conoce como la varianza de la VA X, que se simboliza con

,
,
, o
, y es la desviacin esperada al cuadrado de con
respecto a la media, o el promedio de las desviaciones con respecto a la media;
constituye uno de los parmetros de dispersin de dicha variable porque es la
desviacinmspequeaqueseobtiene,cuandosecalculaapartirdelamedia .
Enefecto,siseeligeunvalorarbitrario ycalculamosunapseudovarianza
0
/
Porloque /
.
Ycuando
setiene /
Loquedemuestraquelavarianzarespectoalamediasiempreesmspequeaque
lapseudovarianzarespectoacualquierotropunto .
10.6lgebradelasVarianzas
Al igual que para los valores esperados, es de mucha utilidad establecer algunas
reglasparalavarianzaqueseaplicanalasvariablesaleatoriasdiscretasycontinuas,a
partirdelaaplicacindelvaloresperado.

Regla1.Lavarianzaentrminosdelosvaloresesperados
La varianza de una variable aleatoria es igual al segundo momento ordinario
respecto al origen al cuadrado menos el cuadrado del primer momento ordinario
respecto al origen; es decir, es igual al valor esperado del cuadrado de la variable
aleatoriamenoselcuadradodelvaloresperadodelavariablealeatoria.
(10.36)
Enefecto:
2
2
Regla2.LaVarianzadeunaconstante
Comounaconstantenovara,suvarianzaescero;esdecirsi
,entonces:
(10.37)
Enefecto:
Regla3.LaVarianzadeunaconstanteporunavariablealeatoria
Si
y esunavariablealeatoriaconvarianza ,entonceslavarianzadela
variablealeatoria es
(10.38)
Enefecto:
Lo que significa que al multiplicar cada valor de la variable aleatoria por una
constantesemultiplicalavarianzaporelcuadradodelaconstante,y actacomoun
factordeescalayporlotantouncambioenladispresin.
Regla4.LaVarianzadeunacombinacinlineal
Si
y es una variable aleatoria con valor esperado
y varianza ,
entonceslavarianzadelavariablealeatoria
es:
(10.39)
Enefecto:
Loquesignificaquealaadirunaconstanteacadavalordelavariablealeatoriasu
varianzapermanecesincambioy actacomounaconstantededesplazamientodela
distribucindelavariablealeatoriaalolargodelejex.
Ahorabien,Para
3tenemos:
3
3
Aplicandolaspropiedadesdelvaloresperado:
3
3
3
2
Siguiendoelmismoprocedimientopara
4seobtiene:
4
6
3
Ejemplo 10.29 Para Ejemplo 10.1 calculemos los cuatro momentos centrales,
recordandoqueelsegundomomentocentraleslavarianza.
Conestainformacinseobtienelasiguientetabladepagos,comnmenteutilizada
enlateoradedecisiones:
Tabla10.1.matrizdepagos
Estadodela
naturaleza(X)
I:Sexiste
II:NOexiste
petrleo
petrleo
Decisinpor
S
200
50
tomar
perforar
No
50
25
perforar

Distribucindepagos/perfora
p(x)
0.8
0.6
0.4
0.2
0
100
50
50
100
150
200
x
probabilidades
Paraevaluarestasituacin,seaplicaelvaloresperadoparalasdosalternativasde
decisin:
Sidecideperforar:
/I 200 0.25 50 0.75 12.50
Sidecidenoperforar:
/II 50 0.25
25 0.75 31.25
E[X/I]
E[X/II]
12.
E[
E[
1187
31.25
/I]
E[
1906250
1093.75
/II]
/I]
E[
/II]
404687500
E[
42968.7
E[
/I]
/II
1855468.7
5
11718.7
1464843.75
117.187
19818627930
1464.84375
32043.457
Ejemplo10.30ParaelEjemplo10.2Laproporcindeimpurezasdeunamuestrade
petrleocrudosemodelaporlafuncindedensidad:
, 0
1
0.71;
0.55
0.45
0.38
0;
0.55
0.71
.046
3
2
3
2
0.45 3 0.71 0.55

2 0.45
0.32
4
6
3

4
6
3
6 0.71 0.55
3 0.71
0.33
0.38 4 0.71 0.45
La potencialidad de los momentos se ver con claridad cuando estudiemos las

distribucionesdeprobabilidaddelasvariablesaleatoriascontinuasydiscretas.
10.7MomentosdeDistribucionescondicionalesyconjuntas
Losmomentosdelasdistribucionescondicionalessebasanenlosconceptosde
valoresperadoydeladistribucincondicional.
ParalasVAdiscretas
|
|
| o
|
(10.40)
ParalasVAcontinuas
|
|
o
|

(10.41)
Y,porelconceptodevariablesaleatoriasindependientes,setienequesiXy Y
sonindependientessedebercumplirque
|
|
o
(10.42)
Esteconceptodemomentospuedeextendersealasfuncionesconjuntasdedoso
ms variables; SI Y son VA conjuntas con funcin de probabilidad conjunta
, paraelcasodiscretoofuncindedensidad
, paraelcasocontinuoysi
, esunafuncinde Y ,setiene
Paraelcasodiscreto

,
,
,
(10.43)

Yparaelcasocontinuo
,
,
,

(10.44)
As,paraunadistribucinconjuntadedosvariablesaleatorias y ,para y
enterosnonegativoslosvaloresesperadosdeproductosdepotenciasson
Enparticular,si Y sonindependientes
,
(10.45)
Yporextensinparaelcasode ,
1,2,3, , VAindependientessetiene

(10.46)
10.8Lacovarianza
Elmomentodeladistribucinconjuntadelasvariables Y quereflejelafuerza
deladireccindelarelacineslacovarianza,quesedefinecomo
(10.47)
Cuando Y sondiscretassetiene
(10.48)
Ysisoncontinuas
(10.49)
Como
Porlaspropiedadesdelosvaloresesperados,setiene
(10.50)
Cuando Y sondiscretassetiene
(10.51)
Yparacuandosoncontinuas
(10.52)
Ysi Y sonindependientes
0(10.53)
Loquesignificaqueladireccindelainterrelacindelasvariables Y notiene
ningnpatrnpositivoonegativo.Si Y estnpositivamenterelacionadasentonces
valores mayores de tienden a corresponder con valores mayores de y la
, es positiva; en cambio, si valores menores de se corresponden con
valoresmenoresde setienequela
, esnegativa.Ensuma,elsignodela
covarianza nos proporciona informacin a cerca de la direccin de la interrelacin
existenteentre Y .
La covarianza es particularmente til en la determinacin de la suma, de la

diferenciaoelcoeficientedecorrelacindedosvariablesaleatorias.As,si
,
Conformea(10.35)setiene
Como
,setiene
Porlaspropiedadesdevaloresperado
Siahora
(10.54)
(10.55)
(10.56)
,porelmismoprocedimientosetiene
2
Y,silasVAsonindependientessetiene
Esconvenienteobservarlainfluenciadelacovarianzasobrelavarianzadelasumao
diferenciadelasvariablesaleatorias,salvocuandosonindependientes;silarelacines
positivalavarianzadelasumaesmayorylavarianzadeladiferenciaesmenorquesi
fueranindependientes.Encontrapartesilarelacinentre y esnegativa,setiene
quelavarianzadelasumaesmenorylavarianzadeladiferenciaesmayorquesilas
variablesquesiellasfueranindependientes.

10.9ElCoeficientedeCorrelacin
Siseobserva,lacovarianzatienecomounidadeslascorrespondientesa Y ;por
ejemplo si est medida en metros y en kg sus unidades son mkg y es difcil de
interpretarlafuerzadelarelacinentre Y .Estadificultadseresuelvedividiendola
covarianza por el producto de las desviaciones estndar de estas variables y
dando por resultado un parmetro adimensional, que es uno de los parmetros
generalesdelasFuncionesdeprobabilidadconjuntas,yseconocecomoelcoeficiente
decorrelacinysedefinecomo
(10.57)
;
1
+
X
3
=
Y
1
Puededemostrarseque 1
Aspues,elcoeficientedecorrelacincorrigeelescalamientode Y yrepresenta
apropiadamente la fuerza de y la direccin de la relacin que existe entre dichas
variables. Si
1 los valores de las variables estn perfectamente
correlacionadaspositivamentecomosemuestraenlafigura10.2(a);encambiopara
1 los valores de las variables estarn perfectamente correlacionadas
negativamente como se indica en la figura 10.2 (b); y si
0 se dice que las
variablesNOestncorrelacionadascomoseilustraen(c)delafigura.Paralosdems
valoressi
estcercanoa 1oa 1setieneunainterrelacinfuerte,encambiosi
estcercanoa0implicaunarelacinmuydbil.
midelafuerza
Ennecesariotenerencuentaqueelcoeficientedecorrelacin
delarelacinlinealentrelasvariablesbajoestudio Y ;porejemplo,si
3
1 las variables estn perfectamente correlacionadas positivamente, en cambio para
.
lasvariablesnoestnperfectamenterelacionadasporquelarelacinnoes
lineal,comoseilustraenlafigura10.2.
XY = -1
Y=3X+1; XY = +1
Y
Y 18
0
16
-2
14
-4
12
-6
10
8
-8
-10
-12
-14
-16
0
(a)
(b)
XY = 0.0174
Y=e0.5X
160
140
120
100
3
80
60
40
20
0
0
10
12
(c)
(d)
Figura10.2Relacioneslinealynolineal
Ejemplo10.31Si eselnmerodelibrosdeTeoradelaProbabilidadquesetienen
enunabibliotecay eldelibrosdeEstadsticaAplicada,yladistribucinconjuntade
la seleccin de un estudiante es la que aparece en el cuadro interior con la cual se
tienelosiguiente:
a) Lasdistribucionesmarginalesde y quesonlosvaloresdelasvariables
conjuntamenteconlasprobabilidadesqueaparecenenelmargenderecho
para yenelinferiorpara .
1
2
3
p(y)
1
0.000
0.167
0.083
0.250
Y
2
0.200
0.111
0.000
0.311
3
0.133
0.250
0.056
0.439
p(x)
0.333
0.528
0.139
1.000
3|
b) Laprobabilidad
0.474
c) Lacovarianzade yY
E X, Y
1 1 0
1 2 0.167
3.828
1 3 0.083
3 3 0.056
1 0.333
2 0.528
3 0.139
1.806
Conelmismoprocedimiento
2.189.
Porlotanto
3.828
1.806 2.189
0.124
d) Para calcular el coeficiente de correlacin necesitamos calculas las

desviacionesestndardelasvariables,loqueasuvezrequieredelclculo
delasvarianzas.

1 0.333
2 0.528
3 0.139
3.694
3.694
1.806
0.434
0.434
Yladesviacinestndares
0.659
5.444;
Siguiendo el mismo procedimiento se tiene

0.653y =0.808
Conlocualtenemoslonecesarioparacalcularelcoeficientedecorrelacin
de y
0.124
0.659 0.808
0.233
Loquesignificaqueexistemuypocarelacinlinealnegativaysignificaque
cuandoseeligenlibrosdelaTeoradelaprobabilidadsetieneunamenor
eleccindelibrosdeEstadsticaAplicada.
Ejemplo10.32Sean y dosvariablesaleatoriasconfuncindedensidadconjunta
0
2; 1
4
,
0
a) Calculemoselvalorde .
debeseriguala1.
4
3
21
3
1
50
1
Conlocual
0
2; 1
4
,
50
0
b) Calculemoselcoeficientedecorrelacin.
Como
E X,Y
I.
Con las densidades marginales podemos calcular las medias y las

desviacionesestndarde y .
LaFDMde es
1
50
1
50
4
1
1
3
50
21
Calculemoslamediade
1
50
Ahora
1
12
50
21
42
1.08
1
50
1
50
21
21
2.08
Lavarianzavale
2.08
1.08
0.9136
0.9136
II.
0.9558
Siguiendolosmismosprocedimientosparalavariablealeatoria tenemos
2
LaFDMde es
Calculemoslamediade
1
50
Ahora
8
3
1
147.5
50
2.95
1
50
8
3
1
50
8
3
Lavarianzavale
9.304
Yladesviacinestndar
0.6015
0.7755
2.95
0.6015
9.304

III.
IV.
Lavarianzaconjuntavale
150027.5 3 63.75
3.15
Conlosvaloresanteriorestenemos
V.
E X,Y
0.0485
Lo que indica que prcticamente no existe correlacin lineal entre las variables
aleatorias y .
10.10LacurvaderegresinyelCoeficientedeDeterminacin
Comosevioenlaseccinanterior,elcoeficientedecorrelacindaunamedidade
lafuerzadeasociacinlinealentrelasvariablesaleatorias y ;porlotanto,sidicho
coeficiente de correlacin es satisfactorio, entonces es deseable buscar un
procedimiento para poder pronosticar el valor de suponiendo que sta es la
variabledependienteentrminosdelosvalores de queparanuestrocasoesla
variableindependiente.Puestoque esunvalorconocido,paralaprediccinde se
utilizaladistribucincondicionalde dadoelvalor de ;esdecir,
| o
|
|
segnsetratedeunaVAdiscretaocontinua,cuyovaloresperado
esel
|
mejorestimadoroelmsrazonablepredictorde .
|
Como el valor esperado
| vara para los diferentes valores de , la
| sellamalacurvaderegresin
funcinformadaporlasparejasdevalores ,
de
;lacualserepresentaenlafigura10.3.
FDP Normal Bivariable
f(y|x)
100
80
f(y|x3)
60
f(y|x2)
40
f(y|x1)
15
Curva de regresin
E[Y|x]
10
5
0
10
0
5
E[Y|x
]
0
-5
-5
20
x3
x2
x1
Figura10.3CurvadeRegresinE[Y|X=x]
|
En este caso muy particular
5; lo que significa que y son
independientes o sea que no predice a , no obstante, las siguiente explicaciones
son vlidas. En la figura se observa que la superficie corresponde a una distribucin
conjunta normal bivariable generada por un nmero infinito de FDP condicionales
| unaparacadavalorde ;paraestecasoparticularlacurvaderegresines
unarectaderegresinsobreelplanoXE[Y|x];estacurvaseencuentragraficandolas
| ,donde
| sonlosvaloresesperadosolasmedias
parejasdevalores ,
de la FDP condicionales
| ; se han dibujado solamente 3 valores de X para los
|
cualessetienenlas3FDPcondicionales
1,2,3;ycadaunatienesu
| sobre el plano
valor esperado
| ; la infinidad de estos puntos
| definelacurvaderegresincomoseilustraenlafigura10.4.
,
E[y |x]= 5
y = E[Y|x]
6.0
5.5
5.0
4.5
4.0
0
Figura10.4laRectadeRegresin
Caberecordarque eslavariabledependientede lavariableindependientey

lacurvaderegresinde sobre esdiferentealacurvaderegresinde sobre .
Ejemplo10.33Conrelacinalejemploanteriordeterminemoslacurvaderegresin
| .Sabemosque
0
2; 1
4
,
0
Yencontramosque
3
21
0
2
ConestasFDPencontremoslaFDPcondicional
| .
1
,
50
|
1
3
21
3
21
50

Comoyavimos,lacurvaderegresinde sobre eselvaloresperadodelaFDP

condicional
| .
|
21
1
3
21
21
4
1
7.5
3
63.75
21
Lacurvaderegresinsemuestraenlafigura10.5
E[Y|x]=(7.5x2+63.75)/(3x2+21)
E[Y|x]
6
0
0.0
0.5
1.0
1.5
2.0
2.5
Figura10.5CurvaderegresindeYsobrex:
El clculo de la curva de regresin de
| se hace siguiendo el mismo
procedimiento.
1
50
1
2
50
8
3
8
3
8
3
2
2
8
3
La representacin grfica de esta curva de regresin aparece en la figura 10.6 y,

similar a la anterior, no es til para predecir los valores de X dado los diferentes
valoresqueYpuedetomar.
E[X|y]=2(y2+4)/(2y2+8/3)
2.0
1.5
E[X/y]
1.0
0.5
0.0
0
Figura10.6CurvaderegresinXsobre
10.11ElCoeficientedeDeterminacin
Elcoeficientedecorrelacinnosdaunvalordelafuerzadeasociacinlinealentre
lasvariables y ,entantoquelacurvaderegresineselmodelomatemticoola
funcindelarelacinentrelasvariables,quepuedeonoserlineal,yotroparmetro
querelacionatantoalapotenciadeasociacincomoalaregresineselcoeficientede
determinacin que nos da una medida de la varianza explicada por la curva de
regresinysedefinecomoelcuadradodelcoeficientedecorrelacin.
(10.58)

Ejemplo10.34Comoeradeesperarse, lascurvasderegresindelejemploanteriorno
sontilesparapredecirlosvaloresde Yconlosdiferentesvaloresque puedetomar,ni
los de los valores de Y; ya que, del ejemplo anterior, el coeficiente de correlacin
resultiguala 0.0485yelcoeficientededeterminacines
0.0485
0.0024
Loquesignificaqueel0.24%delavarianzade ode esexplicadaporlascurvas

deregresin.
Enlapartedeestadsticaaplicaremosestosconceptosalosdatosdelasmuestrasy
dedicaremosuncaptuloaellos.

10.12BibliografayReferencias
LindgrendB.(1968),statisticaltheory,SecondEdition,THEMACMILLANCOMPANY,
USA.
Olkin I. Gleser L. Derman C. (1980), PROBABILITY MODELS AND APPLICATIONS,
MacmillanPublishing,USA.
Winkler R. Hays W. (1971), Statistics, probability, inference, and decision, second
edition,HOLT,RINEHARTANDWINSTON,USA.
Devore J. (2005), PROBABILIDAD Y ESTADSTICA para ingeniera y ciencias,
InternationalThomsonEditores,Mxico.
Wackerly D. Mendenhall W. Scheaffer R. (2002), ESTADSTICA MATEMTICA con
aplicaciones,sextaedicin,InternationalThomsonEditores,Mxico.
JohnsonN.LeoneF.(1977),StatisticsandExperimentaldesign,inEngineeringand
PhysicalSciences,Vol.I,SecondEdition,JohnWiley&.USA.
Hines W. Montgomery D. (1980), PROBABILITY AND STATISTICS IN ENGINEERING
ANDMANAGEMENTSCIENCE,2nd.ED.,JohnWiley&Sons,Canada.
Nombredearchivo:
cap10VALORESESPERADOSYMOMENTOS(definitivo).docx
Directorio:
C:\DocumentsandSettings\bfc\Misdocumentos\g1)
CaptulosdemilibrodeProbabilidadyestadstica20072009
Plantilla:
C:\DocumentsandSettings\bfc\Datosde
programa\Microsoft\Plantillas\Normal.dotm
Ttulo:
Asunto:
Autor:
fACULTADDEINGENIERA
Palabrasclave:
Comentarios:
Fechadecreacin:
20/08/20098:44:00
Cambionmero:
22
Guardadoel:
08/02/201022:54:00
Guardadopor:
fACULTADDEINGENIERA
Tiempodeedicin:
1,103minutos
Impresoel:
30/08/201013:06:00
ltimaimpresincompleta
Nmerodepginas:
34
Nmerodepalabras:
8,721(aprox.)
Nmerodecaracteres:
47,966(aprox.)

Valores Esperados y Momentos

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Valores Esperados y Momentos

Cargado por

Copyright:

Formatos disponibles

212|CAPTULO10VALORESESPERADOS,FUNCIONESGENERADORASDEMOMENTOSYMOMENTOS

10.2 Valores Esperados o Esperanzas de Variables Aleatorias y de Funciones de

En general, el valor esperado es una suma pesada de los valores de la variable

Desde el punto de vista matemtico es necesario tener presente que: a) la

Ejemplo 10.2 La proporcin de impurezas de una muestra de petrleo crudo se

Para poder determinar el valor esperado de X, necesitamos primeramente

Que corresponde a la proporcin de impurezas esperadas, que en la estadstica

Ejemplo 10.3 Si se ganar $10 independientemente del evento que ocurra, la

Ejemplo 6. Si un caballero invita a su novia a comer en un restaurante, y si las

120 0.2 150 0.5 200 0.3 159

Cabe observar dos cosas: a) que

Ejemplo 10.8 Si la funcin de costos del ejemplo anterior es

cuya Funcin Generadora de

Ejemplo 10.13 Para la distribucin de Poisson se obtuvo

Ejemplo 10.14 Si X se distribuye conforme una distribucin geomtrica con

Ejemplo 10.15 Si , , , , son VAs mutuamente independientes que se

, respectivamente; la suma de las VAs es

La VA Y se distribuye conforme la distribucin de Poisson con parmetro

Ejemplo 10.16 Ya vimos arriba que para la distribucin Binomial

Lo que muestra que las probabilidades Binomiales

De igual forma, en el Ejemplo 10.12 se demostr que, para la distribucin de

Ejemplo 10.18 Si Z es una variable aleatoria continua con funcin de densidad de

determina la distribucin de cualquier VA, a

Ejemplo 10.19 A la distribucin Binomial

Adems de las funciones de distribucin de las VAs, los momentos de una

Ejemplo 10.21 Para el ejemplo de la proporcin de impurezas en una muestra de

continua con funcin de densidadde probabilidad

densidad normal estndar; su funcin generadora de momentos es

Ejemplo 10.23 Sean X y Z VAs que se distribuyen normalmente con medias y

Ejemplo 10.25 Sean X e Y dos VAs que se distribuyen conforme a la distribucin

La propiedad 4 puede generalizarse para , , , , VAs mutuamente

Ya vimos como calcular el valor esperado de las variables aleatorias discretas y

Por lo tanto, a la luz de estos resultados de la media, la decisin debe ser No

Ejemplo 10.28 Con referencia al Ejemplo 10.2, relacionado con la proporcin de

Esta expresin se conoce como la varianza de la VA X, que se simboliza con

0.45 3 0.71 0.55

La potencialidad de los momentos se ver con claridad cuando estudiemos las

La covarianza es particularmente til en la determinacin de la suma, de la

d) Para calcular el coeficiente de correlacin necesitamos calculas las

Siguiendo el mismo procedimiento se tiene

Con las densidades marginales podemos calcular las medias y las

FDP Normal Bivariable

Caberecordarque eslavariabledependientede lavariableindependientey

Comoyavimos,lacurvaderegresinde sobre eselvaloresperadodelaFDP

El clculo de la curva de regresin de

| se hace siguiendo el mismo

La representacin grfica de esta curva de regresin aparece en la figura 10.6 y,

Loquesignificaqueel0.24%delavarianzade ode esexplicadaporlascurvas

También podría gustarte