“

TEOREMA DE CHEBYSHEV

UNIVERSIDAD PEDAGÓGICA Y TECNOLÓGICA DE COLOMBIA

FACULTAD DE INGENIERÍA
PROBABILIDAD Y ESTADÍSTICA
JULY KATERINE ROJAS MESA
 TEOREMA DE CHEBYSHEV
¿Para qué sirve?

Para proporcionar una estimación conservadora (intervalo de confianza) de la probabilidad de que una variable
aleatoria con varianza finita, se sitúe a una cierta distancia de su esperanza matemática o de su media.

TEOREMA DE CHEBYSHEV 𝑋 = 𝑉𝑎𝑙𝑜𝑟 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜

𝜇 = 𝐸𝑠𝑝𝑒𝑟𝑎𝑛𝑧𝑎 𝑚𝑎𝑡𝑒𝑚á𝑡𝑖𝑐𝑎 𝑑𝑒𝑙 𝑣𝑎𝑙𝑜𝑟 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜
𝟏 𝜎 = 𝐷𝑒𝑠𝑣𝑖𝑎𝑐𝑖ó𝑛 𝑒𝑠𝑡á𝑛𝑑𝑎𝑟 𝑑𝑒𝑙 𝑣𝑎𝑙𝑜𝑟 𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑜
𝑷 𝝁 − 𝒌𝝈 < 𝑿 < 𝝁 + 𝒌𝝈 ≥ 𝟏 − ,
𝒌𝟐 𝑘 = 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑑𝑒𝑠𝑣𝑖𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑒𝑠𝑡á𝑛𝑑𝑎𝑟

Aplicaciones

1. Cálculo de cotas de las probabilidades, lo cual es importante cuando es difícil dar un valor exacto de la
probabilidad.
2. Demostración de teoremas límite de probabilidad.
3. Cálculo de tamaño de muestra en la aproximación de la media de una población

2
 TEOREMA DE CHEBYSHEV
Definición:
El teorema de Chebyshev establece un valor mínimo para la probabilidad de una variable aleatoria en un intervalo
alrededor de la media, independientemente de su función de probabilidad. El valor que se obtiene es solo una
referencia.
Sea X una variable aleatoria discreta con media µ y varianza σ², entonces, la probabilidad que X tome un valor dentro
𝟏
de K desviaciones estándar σ de su media µ, es al menos 𝟏 − 𝒌𝟐

𝟏
𝑷 𝝁 − 𝒌𝝈 < 𝑿 < 𝝁 + 𝒌𝝈 ≥ 𝟏 − , k ∈ ℜ+ , 𝑘 ≥ 1 (𝑘 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑑𝑒𝑠𝑣𝑖𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑒𝑠𝑡á𝑛𝑑𝑎𝑟)
𝒌𝟐

Demostración: en esta demostración se incluye una variable aleatoria discreta, pero también se puede demostrar para
una variable aleatoria continua.

Separamos el dominio de la variable aleatoria X en tres regiones R1, R2, R3.

3
 𝟏
𝑷 𝝁 − 𝒌𝝈 < 𝑿 < 𝝁 + 𝒌𝝈 ≥ 𝟏 −
𝒌𝟐

TEOREMA DE CHEBYSHEV
Separamos el dominio de la variable aleatoria X en tres regiones R1, R2, R3:

X
𝝁 − 𝒌𝝈 𝝁 𝝁 + 𝒌𝝈

Con la definición de varianza:

𝝈2 = 𝑬 𝑿2 − 𝝁2 𝜎 2 = 𝐸 𝑋 − 𝜇2 =෍ 𝑋−𝜇 2 𝑓 𝑥 = ෍ 𝑋 − 𝜇 2 𝑓 𝑥 + ෍ 𝑋 − 𝜇 2𝑓 𝑥 + ෍ 𝑋 − 𝜇 2 𝑓 𝑥
𝑋 𝑅1 𝑅2 𝑅3

𝜎 2 > ෍ 𝑋 − 𝜇 2𝑓 𝑥 + ෍ 𝑋 − 𝜇 2𝑓 𝑥 , 𝑠𝑒 𝑠𝑢𝑝𝑟𝑖𝑚𝑒 𝑢𝑛 𝑡é𝑟𝑚𝑖𝑛𝑜 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑜

𝑅1 𝑅3

𝐸𝑛 𝑅1: 𝑥 ≤ 𝜇 − 𝑘𝜎 ⇒ −𝑥 ≥ −𝜇 + 𝑘𝜎 ⇒ −(x − μ) ≥ 𝑘𝜎 ⇒ (x − μ)2 ≥ 𝑘 2 𝜎 2

𝐸𝑛 𝑅3: 𝑥 ≥ 𝜇 + 𝑘𝜎 ⇒ 𝑥 − 𝜇 ≥ 𝑘𝜎 ⇒ (x − μ)2 ≥ 𝑘 2 𝜎 2

4
 TEOREMA DE CHEBYSHEV
𝜎 2 > ෍ 𝑋 − 𝜇 2𝑓 𝑥 + ෍ 𝑋 − 𝜇 2𝑓 𝑥 ,
𝑅1 𝑅3

𝐸𝑛 𝑅1: 𝑥 ≤ 𝜇 − 𝑘𝜎 ⇒ −𝑥 ≥ −𝜇 + 𝑘𝜎 ⇒ −(x − μ) ≥ 𝑘𝜎 ⇒ (x − μ)2 ≥ 𝑘 2 𝜎 2

𝐸𝑛 𝑅3: 𝑥 ≥ 𝜇 + 𝑘𝜎 ⇒ 𝑥 − 𝜇 ≥ 𝑘𝜎 ⇒ (x − μ)2 ≥ 𝑘 2 𝜎 2
Finalmente con el complemento de probabilidad:
Se sustituye en las sumatorias:

𝜎 2 > ෍ 𝑘2𝜎 2𝑓 𝑥 + ෍ 𝑘2𝜎 2𝑓 𝑥 , 𝟏

𝑅1 𝑅3 𝑷 𝝁 − 𝒌𝝈 < 𝑿 < 𝝁 + 𝒌𝝈 ≥ 𝟏 −
𝒌𝟐
Se simplifica:
1
> ෍𝑓 𝑥 + ෍𝑓 𝑥 ,
𝑘2
𝑅1 𝑅3

Las sumas son valores de probabilidad:

1
> 𝑃(𝑋 ≤ 𝜇 − 𝑘𝜎 ∨ 𝑋 ≥ 𝜇 + 𝑘𝜎
𝑘2

5
 TEOREMA DE CHEBYSHEV

Una variable aleatoria X que se

encuentre dentro de una desviación
estándar los datos están en un 68%.
PRUEBA
EMPÍRICA Una variable aleatoria X que se
DEL encuentre dentro de dos desviaciones
TEOREMA DE estándar los datos están en un 95%.
CHEBYSHEV
Una variable aleatoria X que se
encuentre dentro de tres desviaciones
estándar los datos están en un 99%.
𝟏
𝑷 𝝁 − 𝒌𝝈 < 𝑿 < 𝝁 + 𝒌𝝈 ≥ 𝟏 −
𝒌𝟐

6
 TEOREMA DE CHEBYSHEV
EJEMPLO 1.

Una variable aleatoria X tiene una media µ=8. una varianza σ²=9 y una distribución de probabilidad simétrica. Calcular:

𝑎) 𝑃(−4 < 𝑋 < 20)

𝑏) 𝑃( 𝑋 − 8 ≥ 6)

DATOS

𝜇=8
𝜎2 = 9
𝜎=3

Hay que igualar las ecuaciones para encontrar K, es decir:

𝟏
𝑷 𝝁 − 𝒌𝝈 < 𝑿 < 𝝁 + 𝒌𝝈 ≥ 𝟏 −
𝒌𝟐
1
−4 < 𝑋 < 20 ≥ 1 −
𝑘2

7
 TEOREMA DE CHEBYSHEV
𝒂) 𝑷(−𝟒 < 𝑿 < 𝟐𝟎)
DATOS

𝜇=8
𝜎2 = 9 Se reemplaza en la expresión
𝜎=3
𝟏 𝟏
𝑷 𝝁 − 𝒌𝝈 < 𝑿 < 𝝁 + 𝒌𝝈 ≥ 𝟏 − 𝑎) 𝑃 −4 < 𝑋 < 20 ≥ 𝟏 −
𝒌𝟐 𝒌𝟐
𝟏 1
𝑎) 𝑃(−4 < 𝑋 < 20) 𝟏− 𝟐
= 1− 2
𝒌 4
𝝁 − 𝒌𝝈 𝝁 + 𝒌𝝈

−4 = 𝜇 − 𝑘𝜎 𝟏 15
20 = 𝜇 + 𝑘𝜎 𝟏− = = 0.9375 ≈ 93.75%
𝟏𝟔 16
−4 = 8 − 𝑘(3) 20 = 8 + 𝑘(3)
𝑎) 𝑃 −4 < 𝑋 < 20 ≥ 0.9375
−4 − 8 = 3𝑘 20 − 8 = 3𝑘
𝑘 = −4 𝑘=4
El valor de K debe ser igual en valor absoluto en cada uno de los extremos.

8
 𝟏
𝑷 𝝁 − 𝒌𝝈 < 𝑿 < 𝝁 + 𝒌𝝈 ≥ 𝟏 −

TEOREMA DE CHEBYSHEV
𝒌𝟐

No se cumple
𝑏) 𝑃( 𝑋 − 8 ≥ 6) teorema de
𝑃(−6 ≥ 𝑋 − 8 ≥ 6) Chebyshev

𝑃(−6 + 8 ≥ 𝑋 ≥ 6 + 8)
𝑷(𝟐 ≥ 𝑿 ≥ 𝟏𝟒)

Se debe utilizar
un complemento

𝑷(𝟐 ≥ 𝑿 ≥ 𝟏𝟒)

𝟏 − 𝑷(𝟐 < 𝑿 < 𝟏𝟒)

9
 TEOREMA DE CHEBYSHEV
𝑏) 𝑃( 𝑋 − 8 ≥ 6)
𝑷(𝟐 < 𝑿 < 𝟏𝟒)
Se reemplaza en la expresión
DATOS
𝜇=8 𝟏
𝑃 2 < 𝑋 < 14 ≥ 𝟏 −
𝜎2 = 9 𝒌𝟐
𝜎=3
𝟏 1
𝟏 𝟏− 𝟐
= 1− 2
𝑷 𝝁 − 𝒌𝝈 < 𝑿 < 𝝁 + 𝒌𝝈 ≥ 𝟏 − 𝟐 𝒌 2
𝒌
𝑎) 𝑃(2 < 𝑋 < 14) 𝟏 3
𝟏− = = 0.75 ≈ 75%
𝟒 4
𝝁 − 𝒌𝝈 𝝁 + 𝒌𝝈

2 = 𝜇 − 𝑘𝜎 𝑃 2 < 𝑋 < 14 ≥ 0.75

14 = 𝜇 + 𝑘𝜎
2 = 8 − 𝑘(3) 14 = 8 + 𝑘(3) 𝒃) 𝑷 𝑿 − 𝟖 ≥ 𝟔 = 𝟏 − 𝑷 𝟐 < 𝑿 < 𝟏𝟒

2 − 8 = −3𝑘 14 − 8 = 3𝑘 𝑷 𝑿 − 𝟖 ≥ 𝟔 = 𝟏 − 𝟎. 𝟕𝟓

𝑘 =2 𝑷 𝑿 − 𝟖 ≥ 𝟔 ≤ 𝟎. 𝟐𝟓
𝑘 =2
El valor de K debe ser igual en valor absoluto en cada uno de los extremos.

10
 𝟏
𝑷 𝝁 − 𝒌𝝈 < 𝑿 < 𝝁 + 𝒌𝝈 ≥ 𝟏 −
𝒌𝟐

TEOREMA DE CHEBYSHEV
EJEMPLO 2.

Una empresa eléctrica fabrica una bombilla de luz de 100 watts que, de acuerdo con las especificaciones escritas en
la caja, tiene una vida media de 900 horas con una desviación estándar de 50 horas. A lo sumo, ¿qué porcentaje de
las bombillas no duran al menos 700 horas? Suponga que las distribución es simétrica alrededor de la media.

DATOS

Sea X= la duración en horas de bombillas de 100 w

Se quiere determinar la Probabilidad de X no dure al menos 700 (horas)

Matemáticamente calcular:

𝑎) 𝑃(𝑋 < 700)

11
 TEOREMA DE CHEBYSHEV
SOLUCIÓN
𝟕𝟎𝟎 = 𝝁 − 𝒌𝝈
TEOREMA DE CHEBYSHEV
Media µ: 900 horas 700 = 900 − 𝑘(50)
Desviación estándar σ= 50 horas 𝟏
700 − 900 = −50𝑘 𝑷 𝝁 − 𝒌𝝈 < 𝑿 < 𝝁 + 𝒌𝝈 ≥ 𝟏 −
𝒌𝟐
𝑷(𝑿 < 𝟕𝟎𝟎) −200 = −50𝑘
𝑘 =4 1
𝑃 900 − 4 50 < 𝑋 < 900 + 4(50) ≥ 1 −
42
𝟕𝟎𝟎 = 𝝁 + 𝒌𝝈
1
700 = 900 + 𝑘(50) 𝑃 700 < 𝑋 < 1100 ≥ 1 −
16
700 − 900 = 50𝑘
𝑃 700 < 𝑋 < 1100 ≥ 0,9375
−200 = 50𝑘
𝑘 = -4

El valor de K debe ser igual en valor absoluto en cada uno de los extremos.

12
 TEOREMA DE CHEBYSHEV
𝑷 𝟕𝟎𝟎 < 𝑿 < 𝟏𝟏𝟎𝟎 ≥ 𝟎, 𝟗𝟑𝟕𝟓
𝑷(𝑿 < 𝟕𝟎𝟎)

𝟎. 𝟎𝟑𝟏𝟐𝟓 𝟎. 𝟎𝟑𝟏𝟐𝟓

Se debe utilizar
un complemento
𝟏 − 𝑷(𝟕𝟎𝟎 < 𝑿 < 𝟏𝟏𝟎𝟎)

𝟏 − 𝟎. 𝟗𝟑𝟕𝟓 = 𝟎, 𝟎𝟔𝟐𝟓
𝑷(𝟕𝟎𝟎 < 𝑿 < 𝟏𝟏𝟎𝟎) Probabilidad de los extremos de la campana

0.0625
= 𝟎. 𝟎𝟑𝟏𝟐𝟓
𝟏 − 𝑷(𝟕𝟎𝟎 < 𝑿 < 𝟏𝟏𝟎𝟎) 2

13
 TEOREMA DE CHEBYSHEV
𝑷(𝑿 < 𝟕𝟎𝟎)
¿qué porcentaje de las bombillas no duran al
menos 700 horas?

𝑷 𝑿 < 𝟕𝟎𝟎 = 𝟎. 𝟎𝟑𝟏𝟐𝟓 ≈ 𝟑. 𝟏𝟐𝟓%

El porcentaje de que las bombillas de 100 w no duren

al menos 700 horas equivale a 3.125%.

14
 DISTRIBUCIONES DE PROBABILIDAD DISCRETA
DISTRIBUCIÓN DE BERNOULLI

Es un experimento estadístico en el que pueden haber únicamente dos resultados posibles. Dichos resultados se
designan como ÉXITO y FRACASO.

Si la probabilidad de tener éxito en cada ensayo es un valor que se representa con p, entonces, la probabilidad
de obtener fracaso será el complemento q=1-p.

Sean X: Variable aleatoria cuyos valores pueden ser 1: éxito, 0:fracaso

p: Valor de probabilidad de que el resultado del ensayo sea éxito

Entonces, la distribución de probabilidad de X es:

𝒑, 𝒙=𝟏
𝒇 𝒙 =ቊ
𝟏 − 𝒑, 𝒙=𝟎

15
 𝒑, 𝒙=𝟏
𝒇 𝒙 =ቊ
𝟏 − 𝒑, 𝒙=𝟎
DISTRIBUCIONES DE PROBABILIDAD DISCRETA 𝑞 = 1−𝑝
EJEMPLO. DISTRIBUCIÓN DE BERNOULLI O BINOMIAL

Suponer que la probabilidad de éxito de un experimento es 0.2 y se realizan cinco ensayos

independientes. Calcular la probabilidad de que el primero y el último ensayo sean éxitos y
los tres intermedios sean fracasos.

Sean 1: el ensayo es éxito (con probabilidad de 0.2)

0: el ensayo es fracaso (con probabilidad 0.8)

Entonces,
𝑃(𝑥 = 1) 𝑃(0.2)
𝑃(𝑥 = 0) 𝑃(0.8) 𝑷 𝒙 = 𝟏, 𝒙 = 𝟎, 𝒙 = 𝟎, 𝒙 = 𝟎, 𝒙 = 𝟏 = 𝟎. 𝟐 𝟎. 𝟖 𝟎. 𝟖 𝟎. 𝟖 𝟎. 𝟐 = 𝟎. 𝟎𝟐𝟎𝟒𝟖 = 𝟐. 𝟎𝟓%
𝑃(𝑥 = 0) 𝑃(0.8)
𝑃(𝑥 = 0) 𝑃(0.8) 𝑙𝑎 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑞𝑢𝑒 𝑒𝑙 𝑝𝑟𝑖𝑚𝑒𝑟𝑜 𝑦 ú𝑙𝑡𝑖𝑚𝑜 𝑒𝑛𝑠𝑎𝑦𝑜 𝑠𝑒𝑎𝑛 é𝑥𝑖𝑡𝑜𝑠
𝑦 𝑙𝑜𝑠 𝑡𝑟𝑒𝑠 𝑖𝑛𝑡𝑒𝑟𝑚𝑒𝑑𝑖𝑜 𝑠𝑒𝑎𝑛 𝑓𝑟𝑎𝑐𝑎𝑠𝑜𝑠 es 2.05%
𝑃(𝑥 = 1) 𝑃(0.2)

16