ESTADÍSTICA APLICADA

Cálculos de Esperanza y Varianza en funciones de Probabilidad

INTRODUCCIÓN

En general en la vida cotidiana existen variadas situaciones, en la que no hay

seguridad de un resultado exacto, debido a esto se utilizan modelos probabilísticos
con los que podemos medir y calcular probabilidades para obtener valores de
mayor frecuencia para una tomar decisiones acertadas y oportunas.

1
 ESTADÍSTICA APLICADA

En el presente trabajo, se presentan tres sucesos en los cuales encontramos

distribuciones tanto discretas como continuas. Ambas tienen la misma
importancia en el área de la estadística ya que si bien es cierto se aplican para
casos distintos, simplifican de una gran forma el cálculo de las probabilidades de
la variable en cuestión.

Además es necesario indicar que las funciones de distribución son las que nos
entregan los valores de probabilidad de las variables aleatorias, tomando un valor
menor igual a un valor x.

Cálculos de Esperanza y Varianza en funciones de Probabilidad

Caso Discreto:

1.-Encuentren la función de distribución acumulada de la v.a X, cuya información

de probabilidad es la siguiente:

2
 ESTADÍSTICA APLICADA

a) Grafiquen la función de distribución

La función de distribución acumulada se obtiene de:

F (X) = P (X ≤ x) = ∑ P (X ≤ t)

F (0) = P (x ≤ 0) = 0

F (1) = P (x ≤ 1) = P (x = 1) = 1/8

F (2) = P (x ≤ 2) = P (x = 1) + P (x = 2) = 1/8 + 1/4 = 3/8

F (3) = P (x ≤ 3) = P (x = 1) + P (x = 2) + P (x = 3) = 1/8 + 1/4 + 1/2 = 7/8

F (4) = P (x ≤ 4) = P (x = 1) + P (x = 2) + P (x = 3) + P (x = 4) = 1/8 + 1/4 + 1/2 +

1/8 = 1

Entonces la function es:

0 X˂1

1/8 1≤X˂2

F (x) = 3/8 2≤X˂3

7/8 3≤X˂4

1 X≥4

X P (X) F (x) Acumulada

1 1/8 1/8
2 1/4 3/8
3 1/2 7/8

3
 ESTADÍSTICA APLICADA

4 1/8 8/8 (1)

F (X)

1_

7/8_

3/8_

1/8_

1 2 3 4 X

b) Calculen el valor esperado de x

E(x) = 𝜇𝑥 = ∑𝑥 𝑥 ∗ 𝑃𝑥(𝑥)

E(x) = ∑41 𝑥𝑃𝑥(𝑥)

E(x) = (1*1/8)+ (2*1/4)+ (3*1/2)+ (4*1/8)

E(x) = 2,625

4
 ESTADÍSTICA APLICADA

El valor esperado de x es de 2,6.

c) Calculen la varianza de x

V(x) = 𝛿𝑥 2 = E (𝑥 2 ) –[𝐸(𝑥)]2

E (𝑥 2 ) = ( 12 *1/8) + (22 *1/4)+ (32 *1/2)+ (42 *1/8)

E (𝑥 2 ) = 7,625

[𝐸(𝑥)]2 = 2,6252 = 6,8906

V(x) = 7,625 – 6,8906

V(x) = 0,7344

Entonces la varianza de x es de 0,73.

Caso Discreto:

2. Sea la v.a X: Número de programas contratados en VTR por un cliente

seleccionado al azar, considerando la siguiente función de probabilidad: x 1 2

Supongan que el costo del servicio es una función de programas contratados por
VTR según la fórmula:

𝑦 = 40(𝑥 + 2)

Entonces será nuestra función del costo

h(x) = 40( x+2)

a) ¿Cuál es el número esperado de programas contratados por VTR?

E(x) = ∑𝑥 𝑥𝑃𝑥(𝑥)

5
 ESTADÍSTICA APLICADA

E(x) = (1* 0,075) + (2 * 0,1) + (3* 0,175) + (4 * 0,275) + (5 * 0,375)

E(x) = 3,775

Se espera que 3,8 programas sean contratados en VTR

b) ¿Cuál es el valor esperado del costo pagado por el cliente?

E[ℎ(𝑥)] = ∑𝑥 ℎ(𝑥) ∗ 𝑃𝑥 (x)

Calculamos el costo para cada x

h(1) = 40(1+2) = 120

h(2) = 40( 2+2) = 160

h(3) = 40( 3+2) = 200

h(4) = 40(4+2) = 240

h(5) = 40(5+2) = 280

Entonces reemplazando en la formula nos queda:

E[ℎ(𝑥)] = (120*0,075)+ (160*0,1)+ (200*0,175)+ (240*0,275)+ (280*0,375)

E[ℎ(𝑥)] = 231

El costo esperado de pago será de 231 por cliente.

c) ¿Cuál es la varianza del número esperado de programas contratados en VTR?

6
 ESTADÍSTICA APLICADA

V(x) = [E(𝑥 2 )] – [𝐸(𝑥)]2

E (𝑥 2 ) = (12 *0,075) + ( 22 * 0,1)+ (32 *0,175)+ (42 *0,275) + ( 52 *0,375)

E (𝑥 2 ) =15,825

[𝐸(𝑥)]2 = 3,7752 =14,25

Ya teniendo estos datos calculados, podemos calcular la varianza.

V(x) = 15,825 – 14,250

V(x) = 1,575

La varianza, del número esperado de programas contratados en VTR, es de 1,6.

d) ¿Cuál es varianza del costo pagado por el cliente?

V(h(x)) = [. E(ℎ(𝑥)2 ) ]– [𝐸(ℎ(𝑥))]2

[𝐸(ℎ(𝑥))]2 = 2312 = 53.361

[. E(ℎ(𝑥)2 ) ]= (1202 *0,075)+ (1602 *0,1)+ (2002 *0,175)+ (2402 *0,275)+ (2802 *0,375)

[. E(ℎ(𝑥)2 ) ]= 55.880

V(x) = 55.880 – 53.361 = 2.519

La varianza del costo pagado por el cliente es de 2.519

Caso Continuo

3. En el Hospital de Talca realizan una investigación de supervivencia en años

después de un diagnóstico de cáncer.

La gráfica siguiente muestra la función de densidad donde X representa el tiempo

de supervivencia en años después de un diagnóstico de cáncer.

7
 ESTADÍSTICA APLICADA

Representada por la siguiente función 𝑦 = − 1 /2 𝑥 + 2

1
− 2𝑥 + 2 0 ≤ 𝑥 ≤ 4
F(x) ={
0 𝐷𝑜𝑚

a) Determinen la probabilidad que el paciente sobreviva menos de 4 meses.

Primero convertimos los 4 meses a años = 4/12 = 0,33 años.
0,33 1
P(X< 0,33) =∫0 − 2𝑋 + 2 𝑑𝑥

= -1/4𝑥 2 +2x
Ahora evaluar de 0 a 0,33 este resultado.
= -1/4*0,332 + 2* 0,33= 0,6325
P(X< 0,33) = 63,3%

b) ¿Cuál es la probabilidad que el paciente sobreviva exactamente 4 meses?

Al ser una distribución continua la probabilidad de que sobreviva
exactamente 4 meses tomaría un valor muy cercano o igual a 0.
Por lo tanto:

P(x=0,33) = 0%

8
 ESTADÍSTICA APLICADA

c) ¿Cuál es la probabilidad que el paciente sobreviva entre 6 meses y un año?

P (6/12≤ x ≤ 1 ) = 𝑃 ( 0,5 ≤ 𝑋 ≤ 1)

1 1
F(x) = ∫0,5 − 2 𝑥 + 2 𝑑𝑥

= -1/4 𝑥 2 +2x

Ahora lo evaluaremos entre 0,5 y 1

1
= -1/4 * 12 + 2 * 1-( -1/4*(2)2+2* ½)

= -1/4+2+1/16-1

=0,8125

= 81,3% de probabilidad que el paciente sobreviva entre 6 meses y un año.

Conclusión:

Mediante los modelos probabilísticos se pueden analizar y determinar

matemáticamente valores esperados relevantes para la toma de decisiones.

9
 ESTADÍSTICA APLICADA

En el primer caso con la función de distribución se pudo conocer el valor esperado

de sucesos, así cuando se le asigna un valor a la variable x, la función modela un
experimento y nos entrega este valor. Esta función representa la probabilidad que
la variable aleatoria sea menos o igual a un valor determinado.

Una varianza de 0.7344 que nos entrega una idea de dispersión de la variable
respecto a su esperanza 2.625. Con ello podemos interpretar el valor medio
técnico posible que puede tomar la variable aleatoria. Es un promedio ponderado
de los resultados que se esperan obtener en el futuro.

Gráficamente, la función aumenta de rangos, ya que entre dos valores

consecutivos de una variable discreta no podemos tomar valores intermedios.

En el segundo caso determinamos el número esperado de programas contratados

y la varianza de esta, a su vez con la función de costo podemos ver el costo
pagado por el cliente y la varianza del costo de este.

Se espera que sea (3.775) o sea 4 programas contratados por VTR, variable
discreta que debemos representar en un valor entero.

En el tercer caso la gráfica nos muestra el tiempo de supervivencia en años

después de un diagnóstico de cáncer. En el cual se determina la probabilidad que
el paciente sobreviva menos de 4 meses, exactamente 4 meses y cuanto es la
probabilidad entre 6 meses y un año.

En este caso la variable toma un valor cualquiera dentro del intervalo. Variable
continua dado que puede ser un número fraccionario, en este caso se representa
en meses, días, horas, etc.

Con el trabajo realizado y los cálculos entregados por los modelos probabilísticos
podemos tener un escenario menos incierto, Esto nos da una idea en el estudio de
las distribuciones de probabilidad. Los promedios son parte de nuestro diario vivir
uno de los más comunes usados es la esperanza matemática, esta clase de
probabilidad que analizamos nos ayuda para hacer inferencias y tomar decisiones
en condiciones de incertidumbres.

10
 ESTADÍSTICA APLICADA

Referencias:

 UNIACC (2016). Funciones de probabilidad, esperanza y varianza.

Estadística Aplicada. Lea esto primero (Semana 4).

11