Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Definición:
Sea X una variable aleatoria con distribución de probabilidad f(x). La media o valor
esperado de X es:
sí X es discreta:
𝜇 = 𝐸(𝑋) = ∑ 𝑥𝑓(𝑥)
𝑋
sí X es continua:
∞
𝜇 = 𝐸(𝑋) = ∫ 𝑥𝑓(𝑥)𝑑𝑥
−∞
𝟒! 𝟑! 𝟒! 𝟑!
( ) ( ) (𝟒!) ( 𝟑! ) (𝟏) ( 𝟏 ) 𝟏
𝟎! (𝟒 − 𝟎)! 𝟑! (𝟑 − 𝟑)!
𝒇(𝟎) = = =
𝟕! 𝟕! 𝟕!
( ) ( ) ( ) 𝟑𝟓
𝟑! (𝟕 − 𝟑)! 𝟑! (𝟒)! 𝟑! (𝟒)!
𝟒 𝟑 𝟒 𝟑
( ) ( ) ( ) ( )
𝟏 𝟑−𝟏
𝒇(𝟏) = 𝟕 = 𝟕 𝟐
𝟏
( ) ( )
𝟑 𝟑
𝟒! 𝟑! 𝟒! 𝟑!
( ) ( ) ( )( ) (𝟒) ( 𝟑 ) 𝟏𝟐
𝟏! (𝟒 − 𝟏)! 𝟐! (𝟑 − 𝟐)! 𝟏! (𝟑)! 𝟐! (𝟏)!
𝒇(𝟏) = = = =
𝟕! 𝟕! 𝟕!
( ) ( ) ( ) 𝟑𝟓
𝟑! (𝟕 − 𝟑)! 𝟑! (𝟒)! 𝟑! (𝟒)!
𝟒 𝟑 𝟒 𝟑
( ) ( ) ( ) ( )
𝟐 𝟑−𝟐
𝒇(𝟐) = 𝟕 = 𝟕𝟏
𝟐
( ) ( )
𝟑 𝟑
𝟒! 𝟑! 𝟒! 𝟑!
( ) ( ) ( )( ) (𝟔) ( 𝟑 ) 𝟏𝟖
𝟐! (𝟒 − 𝟐)! 𝟏! (𝟑 − 𝟏)! 𝟐! (𝟐)! 𝟏! (𝟐)!
𝒇(𝟐) = = = =
𝟕! 𝟕! 𝟕!
( ) ( ) ( ) 𝟑𝟓
𝟑! (𝟕 − 𝟑)! 𝟑! (𝟒)! 𝟑! (𝟒)!
𝟒 𝟑 𝟒 𝟑
( ) ( ) ( ) ( )
𝟑 𝟑−𝟑
𝒇(𝟑) = 𝟕 = 𝟕𝟎
𝟑
( ) ( )
𝟑 𝟑
𝟒! 𝟑! 𝟒! 𝟑!
( ) ( ) ( )( ) (𝟒) ( 𝟏 ) 𝟒
𝟑! (𝟒 − 𝟑)! 𝟎! (𝟑 − 𝟎)! 𝟑! (𝟏)! 𝟎! (𝟑)!
𝒇(𝟑) = = = =
𝟕! 𝟕! 𝟕!
( ) ( ) ( ) 𝟑𝟓
𝟑! (𝟕 − 𝟑)! 𝟑! (𝟒)! 𝟑! (𝟒)!
Unos cálculos sencillos dan:
𝟏 𝟏𝟐 𝟏𝟖 𝟒
𝒇(𝟎) = , 𝒇(𝟏) = , 𝒇(𝟐) = , 𝒇(𝟑) = .
𝟑𝟓 𝟑𝟓 𝟑𝟓 𝟑𝟓
Por lo tanto,
𝟏 𝟏𝟐 𝟏𝟖 𝟒 𝟏𝟐
𝜇 = 𝐸(𝑋) = (𝟎) ( ) + (𝟏) ( ) + (𝟐) ( ) + (𝟑) ( ) = = 𝟏. 𝟕
𝟑𝟓 𝟑𝟓 𝟑𝟓 𝟑𝟓 𝟕
De esta manera, si se selecciona al azar una muestra de tamaño 3 una y otra vez
de un lote de 4 componentes buenos y 3 defectuosos, contendría, en promedio, 1.7
componentes buenos.
Ejemplo 2: Sea X la variable aleatoria que denota la vida en horas de cierto dispositivo
electrónico.
La función de densidad de probabilidad es:
𝟐𝟎𝟎𝟎𝟎
, 𝒙 > 𝟏𝟎𝟎
𝒇(𝒙) = { 𝒙𝟑 }
𝟎, 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜.
Encuentre la vida esperada para esta clase de dispositivo.
∞
𝒙−𝟏 ∞ 20000 ∞
= 𝟐𝟎𝟎𝟎𝟎 ∫ 𝒙−𝟐 𝑑𝑥 = [𝟐𝟎𝟎𝟎𝟎 ( ) ]⃒ = ⃒100
100 −1 100 −𝑥
20000 20000
= − (− ) = 200
∞ 100
Por lo tanto, esperamos que, en promedio, este tipo de dispositivo dure 200 horas.
Teorema 1:
Sea X una variable aleatoria con distribución de probabilidad f(x). El valor esperado de
la variable aleatoria g(X) es:
sí X es discreta:
sí X es continua.
∞
𝜇𝑔 (𝑥) = 𝐸[𝑔(𝑋)] = ∫ 𝑔(𝑥)𝑓(𝑥)𝑑𝑥
−∞
Ejemplo 3: Suponga que el número de automóviles X que pasa por un autolavado 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
⃒
𝑷(𝑿 = 𝒙) 𝟏 𝟏 𝟏 𝟏 𝟏 𝟏
𝟏𝟐 𝟏𝟐 𝟒 𝟒 𝟔 𝟔
𝒙𝟐
𝒇(𝒙) = { 𝟑 , −𝟏<𝒙<𝟐 }
𝟎, 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜.
Encuentre el valor esperado de g(X) = 4X + 3.
sí X y Y son continuas.
∞ ∞
𝜇𝑔 (𝑋, 𝑌) = 𝐸[𝑔(𝑋, 𝑌)] = ∫ ∫ 𝑔(𝑥, 𝑦)𝑓(𝑥, 𝑦)𝑑𝑥𝑑𝑦
−∞ −∞
Ejercicio 5:
La distribución de probabilidad de la variable aleatoria discreta X es
𝑥 3−𝑥
3 1 3
𝑓(𝑥) = ( ) ( ) ( ) , 𝑥 = 0,1,2,3.
𝑥 4 4
Encuentre la media de X.
Resolviendo:
3
𝐸(𝑋) = ∑ 𝑥𝑓(𝑥)
𝑥=0
Cuando:
0 3−0
3 1 3 𝟑! 1 0 3 3
𝟑! 27
𝑓(0) = ( ) ( ) ( ) =( )( ) ( ) =( ) (𝟏) ( )
0 4 4 𝟎! (𝟑 − 𝟎)! 4 4 (𝟑)! 64
27 27
= (1)(𝟏) ( ) =
64 64
1 3−1
3 1 3 𝟑! 1 1 3 2
𝟑! 1 9
𝑓(1) = ( ) ( ) ( ) =( )( ) ( ) =( )( )( )
1 4 4 𝟏! (𝟑 − 𝟏)! 4 4 𝟏! (𝟐)! 4 16
1 9 27
= (3) ( ) ( ) =
4 16 64
2 3−2
3 1 3 𝟑! 1 2 3 1
𝟑! 1 3
𝑓(2) = ( ) ( ) ( ) =( )( ) ( ) =( )( )( )
2 4 4 𝟐! (𝟑 − 𝟐)! 4 4 𝟐! (𝟏)! 16 4
1 3 9
= (3) ( ) ( ) =
16 4 64
3 3−3
3 1 3 𝟑! 1 3 3 0
𝟑! 1
𝑓(3) = ( ) ( ) ( ) =( )( ) ( ) =( ) ( ) (1)
3 4 4 𝟑! (𝟑 − 𝟑)! 4 4 (𝟑)! 64
1 1
= (1) ( ) (1) =
64 64
3
27 27 9 1 3
𝐸(𝑋) = ∑ 𝑥𝑓(𝑥) = (0) ( ) + (1) ( ) + (2) ( ) + (3) ( ) =
64 64 64 64 4
𝑥=0
3
R: La media es: = 4
Ejercicio 6:
A un dependiente de un autolavado se le paga de acuerdo con el número de automóviles
1 1 1 1 1 1
que lava. Suponga que las probabilidades son = 12 , 12 , 4 , 4 , 6 , y 6, respectivamente, de
que el dependiente reciba $7, $9, $11, $13, $15 o $17 entre 4:00 P.M. y 5:00 P.M. en
cualquier viernes soleado. Encuentre las ganancias que es perada el dependiente para este
periodo específico.
1 1 1 1 1
𝜇 = 𝐸(𝑋) = ($7) (12) + ($9) (12) + ($11) (4) + ($13) (4) + ($15) (6) +
1
($17) ( ) = $12.67
6
𝟐(𝒙 + 𝟐)
, 𝟎<𝒙<𝟏
𝒇(𝒙) = { 𝟓 }
𝟎, 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜.
𝟑𝟐
, 𝒙>𝟎
𝒇(𝒙) = { (𝒙 + 𝟒)𝟑 }
𝟎, 𝒆𝒏 𝒄𝒖𝒂𝒍𝒒𝒖𝒊𝒆𝒓 𝒐𝒕𝒓𝒐 𝒄𝒂𝒔𝒐.
Encuentre el número promedio de días que un individuo permanece hospitalizada
para seguir el tratamiento para dicha enfermedad.
2 VARIANZA Y COVARIANZA DE VARIABLES ALEATORIAS:
Definición 1: Sea X una variable aleatoria con distribución de probabilidad f(x) y media
μ.
La varianza de X es:
𝜎 2 = 𝐸[(𝑋 − 𝜇)2 ] = ∑(𝑥 − 𝜇)2 𝑓(𝑥), 𝑠𝑖 𝑋 𝑒𝑠 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎,
𝑥
∞
𝜎 2 = 𝐸[(𝑋 − 𝜇)2 ] = ∫ (𝑥 − 𝜇)2 𝑓(𝑥) 𝑑𝑥, 𝑠𝑖 𝑋 𝑒𝑠 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎.
−∞
La raíz cuadrada positiva de la varianza, σ, se llama desviación estándar
de X.
Ejemplo 1:
Sea la variable aleatoria X el número de automóviles que se utilizan con propósitos de
negocios oficiales en un día de trabajo dado.
La distribución de probabilidad para la compañía A es.
x 1 2 3
f(x) 0.3 0.4 0.3
y para la compañía B:
x 0 1 2 3 4
f(x) 0.2 0. 1 0.3 0.3 0.1
Muestre que la varianza de la distribución de probabilidad para la compañía B es
mayor que la de la compañía A.
𝝈𝟐𝑨 = ∑(𝒙 − 𝟐)𝟐 𝒇(𝒙) = (1 − 2)2 (0.3) + (2 − 2)2 (0.4) + (3 − 2)2 (0.3) = 0.6
𝒙=𝟏
𝝈𝟐𝑩 = ∑(𝒙 − 𝟐)𝟐 𝒇(𝒙) = (0 − 2)2 (0.2) + (1 − 2)2 (0.1) + (2 − 2)2 (0.3)
𝒙=𝟎
+ (3 − 2)2 (0.3) + (4 − 2)2 (0. ) = 1.6
R: De forma clara, la varianza del número de automóviles que se utilizan con propósitos
de negocios oficiales es mayor para la compañía B que para la compañía A.
Una fórmula alternativa que se prefiere para encontrar σ2, que a menudo simplifica los
cálculos, se establece en el siguiente teorema.
𝟏𝟕 𝟓 2 1
𝜎 2 = 𝐸(𝑋 2 ) − 𝜇 2 = −( ) =
𝟔 𝟑 18
Extenderemos ahora nuestro concepto de varianza de una variable aleatoria X para incluir
también variables aleatorias relacionadas con X. Para la variable aleatoria g(X), la
2
varianza se denotará con 𝜎𝑔(𝑋) y se calculará empleando el siguiente teorema.
Ejemplo 4:
Calcule la varianza de g(X) = 2X + 3, donde X es una variable aleatoria con distribución
de probabilidad.
x 0 1 2 3
f(x) 1 1 1 1
4 8 2 8
Solución: Primero encontramos la media de la variable aleatoria 2X + 3. De acuerdo con
el
teorema,
𝜇𝑔 (𝑥) = 𝐸[𝑔(𝑋)] = ∑ 𝑔(𝑥)𝑓(𝑥)
𝑋
3
1
𝐸[𝑔(0)] = (2 ∗ 0 + 3)𝑓(𝑥) = (3) ( )
4
1
𝐸[𝑔(1)] = (2 ∗ 1 + 3)𝑓(𝑥) = (5) ( )
8
1
𝐸[𝑔(2)] = (2 ∗ 2 + 3)𝑓(𝑥) = (7) ( )
2
1
𝐸[𝑔(3)] = (2 ∗ 3 + 3)𝑓(𝑥) = (9) ( )
8
1 1 1 1
= (3) ( ) + (5) ( ) + (7) ( ) + (9) ( ) = 6
4 8 2 8
𝑥=0
𝟏𝟑 𝟏𝟓 𝟎𝟑 𝟎𝟓 𝟐 𝟖
= (𝟒) [ − − − ] = (𝟒) ( ) =
𝟑 𝟓 𝟑 𝟓 𝟏𝟓 𝟏𝟓
De las funciones de densidad conjunta dadas, tenemos.
𝟏 𝟏
𝑬(𝑿𝒀) = ∫ ∫ 𝟖𝒙𝟐 𝒚𝟐 𝒅𝒙𝒅𝒚
𝟎 𝒚
𝟏 𝟏 𝟏 𝟏
𝟐 𝟐
𝒙𝟑 𝟏 𝟐 𝟐
𝟏𝟑 𝒚𝟑
𝑬(𝑿𝒀) = 𝟖 ∫ 𝒚 ∫ 𝒙 𝒅𝒙𝒅𝒚 = 𝟖 ∫ (𝒚 ) [ ] ⃒𝒚 𝒅𝒚 = 𝟖 ∫ (𝒚 ) [ − ] 𝒅𝒚
𝟎 𝒚 𝟎 𝟑 𝟎 𝟑 𝟑
𝟏 𝟑 𝟑 𝟏 𝟑 𝟔
𝟏 𝒚 𝟖 𝟖 𝒚 𝒚
= 𝟖 ∫ (𝒚𝟐 ) [ − ] 𝒅𝒚 = ∫ 𝒚𝟐 − 𝒚𝟓 𝒅𝒚 = ( ) [( − )] ⃒𝟏𝟎
𝟎 𝟑 𝟑 𝟑 𝟎 𝟑 𝟑 𝟔
𝟑 𝟔 𝟑 𝟔
𝟖 𝟏 𝟏 𝟎 𝟎 𝟖 𝟏 𝟒
= ( ) [( − − + )] = ( ) ( ) =
𝟑 𝟑 𝟔 𝟑 𝟏𝟔 𝟑 𝟔 𝟗
Tenemos: Para el caso de continuas:
𝜎𝑋𝑌 = 𝐸[(𝑋𝑌) − 𝜇𝑥 𝜇𝑦 )]
4 4 8 4
𝜎𝑋𝑌 = − ( ) ( ) =
9 5 15 225
EJERCICIOS PRPOUESTOS:
1) Suponga que las probabilidades son 0.4, 0.3, 0.2 y 0.1, respectivamente, de
que 0, 1, 2 o 3 fallas de energía eléctrica afecten cierta subdivisión en
cualquier año dado. Encuentre la media y la varianza de la variable aleatoria
X que representa el número de fallas de energía que afectan esta subdivisión.
x -2 3 5
f(x) 0.3 0.2 0.5
3) El tiempo, en minutos, para que un avión obtenga vía libre para despegar en
cierto aeropuerto es una variable aleatoria Y = 3X − 2, donde X tiene la
función de densidad
𝟏 −𝒙
𝒆 𝟒, 𝒙>𝟎
𝒇(𝒙) = { 𝟒 }
𝟎, 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜.
Encuentre la media y la varianza de la variable aleatoria Y.
x 0 1 2 3 4
f(x) 0.41 0. 37 0.16 0.05 0.01