ESPERANZA MATEMÁTICA

Originalmente el concepto de esperanza matemática surgió relacionado con los juegos de

azar, y en su forma más simple es el producto de la cantidad que espera ganar un jugador y
la probabilidad de que ganará:

Ejemplo. Si se tiene uno de 10000 boletos de una rifa en la cual el premio es un automóvil
valuado en $520000.00, la esperanza matemática es:

1
$520000 ( ) = $52
10000

Cifra que debe interpretarse en el sentido de un promedio.

DEFINICIÓN. Sea X una variable aleatoria con distribución de probabilidad f(x). La media
o valor esperado (esperanza matemática) de X es:

𝝁 = 𝑬(𝑿) = ∑𝒙 𝒙𝒇(𝒙) si X es discreta, y

∞
𝝁 = 𝑬(𝑿) = ∫ 𝒙𝒇(𝒙)𝒅𝒙 𝒔𝒊 𝑿 𝒆𝒔 𝒄𝒐𝒏𝒕𝒊𝒏𝒖𝒂.
−∞

TEOREMA 1EM. Sea X una variable aleatoria con distribución de probabilidad f(x). La
media o valor esperado de la variable aleatoria g(X) es

𝝁𝒈(𝑿) = 𝑬[𝒈(𝑿)] = ∑𝒙 𝒈(𝒙)𝒇(𝒙) si x es discreta, y

∞
𝝁𝒈(𝑿) = 𝑬[𝒈(𝑿)] = ∫−∞ 𝒈(𝒙)𝒇(𝒙)𝒅𝒙 si X es continua.

VALOR ESPERADO O MEDIA DE LAS VARIABLES ALEATORIAS CON

DISTRIBUCIÓN DE PROBABILIDAD CONJUNTA

DEFINICIÓN. Sean X y Y variables aleatorias con distribución de probabilidad conjunta f(x,

y). La media o valor esperado de la variable aleatoria g(X, Y) es:

𝝁𝒈(𝑿, 𝒀) = 𝑬[𝒈(𝑿, 𝒀)] = ∑𝒙 ∑𝒚 𝒈(𝒙, 𝒚)𝒇(𝒙, 𝒚) si X y Y son discretas, y

∞ ∞
𝝁𝒈(𝑿, 𝒀) = 𝑬[𝒈(𝑿, 𝒀)] = ∫−∞ ∫−∞ 𝒈(𝒙, 𝒚)𝒇(𝒙, 𝒚)𝒅𝒙𝒅𝒚 si X y Y son continuas.

Si en la definición anterior g(X, Y) = X, se tiene:

∑ ∑ 𝑥𝑓(𝑥, 𝑦) = ∑ 𝑥𝑔(𝑥 ), (caso discreto) .

𝑥 𝑦 𝑥
𝐸 (𝑋) = 𝜇𝑋 = ∞ ∞ ∞
∫ ∫ 𝑥𝑓 (𝑥, 𝑦)𝑑𝑥𝑑𝑦 = ∫ 𝑥𝑔(𝑥 )𝑑𝑥, (caso continuo).
{ −∞ −∞ −∞
Donde g(x) es la distribución marginal de X. De forma análoga, se define:

∑ ∑ 𝑦𝑓(𝑥, 𝑦) = ∑ 𝑦ℎ(𝑦), (caso discreto) .

𝑥 𝑦 𝑦
𝐸 (𝑌) = 𝜇𝑌 = ∞ ∞ ∞
∫ ∫ 𝑦𝑓 (𝑥, 𝑦)𝑑𝑥𝑑𝑦 = ∫ 𝑦ℎ(𝑦)𝑑𝑦, (caso continuo).
{ −∞ −∞ −∞

Donde h(y) es la distribución marginal de la variable aleatoria Y.

VARIANZA Y COVARIANZA DE VARIABLES ALEATORIAS

Estos parámetros dan una idea de la variabilidad o dispersión de la distribución de

probabilidad respecto de la media. La varianza de la variable aleatoria X o varianza de la
distribución de probabilidad de X es la medida de variabilidad más importante en estadística,
y se representa por 𝜎 2 , Var(X) o por el símbolo 𝜎𝑋2 .

DEFINICIÓN. Sea X una variable aleatoria con distribución de probabilidad f(x) y media .
La varianza de X es:

𝝈𝟐 = 𝑬[(𝑿 − 𝝁)𝟐 ] = ∑𝒙(𝒙 − 𝝁)𝟐 𝒇(𝒙), si X es discreta, y

∞
𝝈𝟐 = 𝑬[(𝑿 − 𝝁)𝟐 ] = ∫−∞(𝒙 − 𝝁)𝟐 𝒇(𝒙)𝒅𝒙, si X es continua.

Desviación estándar de X. La raíz cuadrada positiva de la varianza, , se llama desviación

estándar de X.

La cantidad (X − ) se llama desviación de una observación con respecto a su media. Dado

que estas desviaciones se elevan al cuadrado y después se promedian, 2 será mucho más
pequeña para un conjunto de valores de X que estén cercanos a  que para un conjunto de
valores que varié de forma considerable de .

TEOREMA 2EM. La varianza de una variable aleatoria X es:

𝝈 𝟐 = 𝑬 (𝑿 𝟐 ) − 𝟐

TEOREMA 3EM. Sea X una variable aleatoria con distribución de probabilidad f(x). La
varianza de la variable aleatoria g(X) es:
2 2
𝑔(𝑋)
2
= 𝐸 {[𝑔(𝑋) − 𝜇𝑔(𝑋) ] } = ∑𝑥[𝑔(𝑥) − 𝜇𝑔(𝑋) ] 𝑓(𝑥) sí X es discreta, y

2 ∞ 2
𝑔(𝑋)
2
= 𝐸 {[𝑔(𝑋) − 𝜇𝑔(𝑋) ] } = ∫−∞[𝑔(𝑥) − 𝜇𝑔(𝑋) ] 𝑓(𝑥 )𝑑𝑥 sí X es continua.

COVARIANZA
Sean X y Y variables aleatorias con distribución de probabilidad conjunta f(x, y). La
covarianza de X y Y es:

𝝈𝑿𝒀 = 𝑬[(𝑿 − 𝝁𝑿 )(𝒀 − 𝝁𝒀 )] = ∑𝒙 ∑𝒚(𝒙 − 𝝁𝑿 )(𝒚 − 𝝁𝒀 )𝒇(𝒙, 𝒚) si X y Y son discretas, y

∞ ∞
𝝈𝑿𝒀 = 𝑬[(𝑿 − 𝝁𝑿 )(𝒀 − 𝝁𝒀 )] = ∫−∞ ∫−∞(𝒙 − 𝝁𝑿 )(𝒚 − 𝝁𝒀 )𝒇(𝒙, 𝒚)𝒅𝒙𝒅𝒚 si X y Y son
continuas.

La covarianza entre dos variables aleatorias es una medida de la naturaleza de la asociación

entre las dos. Si valores grandes de X resultan en valores grandes de Y, o si valores pequeños
de X resultan en valores pequeños de Y, 𝑋 − 𝜇𝑋 positivo frecuentemente resultará en Y −𝜇𝑌
positivo y 𝑋 − 𝜇𝑋 negativo frecuentemente resultará en Y −𝜇𝑌 negativo. Entonces el
producto (𝑋 − 𝜇𝑋 )(Y − 𝜇𝑌 ) tenderá a ser positivo. Por otro lado, si valores grandes de X
frecuentemente resultan en valores pequeños de Y, dicho producto tenderá a ser negativo.
Así, el signo de la covarianza indica si la relación entre dos variables aleatorias dependientes
es positiva o negativa. Cuando X y Y son estadísticamente independientes, se puede
demostrar que la covarianza es cero. Lo contario, no obstante, en general, no es cierto: dos
variables pueden tener covarianza cero y aun así no ser estadísticamente independientes.

El siguiente teorema proporciona una fórmula alternativa y preferida para calcular la

covarianza:

TEOREMA 4EM. La covarianza de dos variables aleatorias X y Y con medias 𝜇𝑋 y 𝜇𝑌 ,

respectivamente, está dada por:

𝜎𝑋𝑌 = 𝐸 (𝑋𝑌) − 𝜇𝑋 𝜇𝑌

EJEMPLO

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 pérdida de
$1000. ¿Cuál es la ganancia esperada de esta persona?

SOLUCIÓN

Ganancia Esperada = $4000 × 0.3 − $1000 × 0.7 = $500.00

EJEMPLO

Suponga que un distribuidor de joyería antigua está interesado en comprar un collar de oro
para el que tiene 0.22 de probabilidades de venderlo con $250 de utilidad; 0.36 de venderlo
con $150 de utilidad; 0.28 de venderlo al costo y 0.14 de venderlo con una pérdida de $150.
¿Cuál es su utilidad esperada?

SOLUCIÓN
 Con la información proporcionada se tiene la siguiente distribución de probabilidad, en
donde X (en pesos, $) es una variable aleatoria discreta igual a la utilidad (+) o pérdida (−)
obtenida por el joyero:

X=x 250 150 0 −150 ∑ 𝑓(𝑥)

𝑥

f(x) 0.22. 0.36 0.28 0.14 1.0

Por lo tanto:

Ganancia esperada = 𝝁 = 𝑬(𝑿) = $𝟐𝟓𝟎 × 𝟎. 𝟐𝟐 + $𝟏𝟓𝟎 × 𝟎. 𝟑𝟔 + $𝟎 × 𝟎. 𝟐𝟖 −

$𝟏𝟓𝟎 × 𝟎. 𝟏𝟒 = $𝟖𝟖. 𝟎𝟎

EJEMPLO

Dos expertos en calidad de neumáticos examinan lotes de éstos y asignan a cada neumático
puntuaciones de calidad en una escala de tres puntos. Sea X la puntuación dada por el experto
A y Y la dada por el experto B. La siguiente tabla presenta la distribución conjunta para X y
Y.

y g(x)
f(x, y)
1 2 3
1 0.10 0.05 0.02 0.17
x 2 0.10 0.35 0.05 0.5
3 0.03 0.10 0.20 0.33
h(y) 0.23 0.50 0.27 1.0

a) Calcule μX y μY .
b) ¿Se puede decir que las calificaciones dadas por los dos expertos son independientes?
c) Encuentre la covarianza de X y Y.

SOLUCIÓN

a) Media de X:

𝜇𝑋 = ∑ 𝑥𝑔(𝑥 ) = 2.16
𝑥

Media de Y:

𝜇𝑌 = ∑ 𝑦ℎ(𝑦) = 2.04
𝑦
b) Para que X y Y sean independientes se debe cumplir que g(x)h(y) = f(x, y). Entonces:

𝑔(1) × h(1) = 0.17 × 0.23 = 0.0391  0.10 = 𝑓(1, 1)

Por lo tanto X y Y no son independientes.

c) Cálculo de la covarianza:

Con la definición:

𝝈𝑿𝒀 = 𝑬[(𝑿 − 𝝁𝑿 )(𝒀 − 𝝁𝒀 )] = ∑𝒙 ∑𝒚(𝒙 − 𝝁𝑿 )(𝒚 − 𝝁𝒀 )𝒇(𝒙, 𝒚) 

𝝈𝑿𝒀 = (1 − 2.16)(1 − 2.04) × 0.10 + (1 − 2.16)(2 − 2.04) × 0.05

+ (1 − 2.16)(3 − 2.04) × 0.02 + (2 − 2.16)(1 − 2.04) × 0.10
+ (2 − 2.16)(2 − 2.04) × 0.35 + (2 − 2.16)(3 − 2.04) × 0.05
+ (3 − 2.16)(1 − 2.04) × 0.03 + (3 − 2.16)(2 − 2.04) × 0.10
𝟔𝟎𝟗
+ (3 − 2.16)(3 − 2.04) × 0.20 = = 𝟎. 𝟐𝟒𝟑𝟔
𝟐𝟓𝟎𝟎

Con el teorema:

𝟗𝟑 𝟓𝟒 𝟓𝟏 𝟔𝟎𝟗
𝝈𝑿𝒀 = 𝑬(𝑿𝒀) − 𝝁𝑿 𝝁𝒀 = −( )( ) = = 𝟎. 𝟐𝟒𝟑𝟔
𝟐𝟎 𝟐𝟓 𝟐𝟓 𝟐𝟓𝟎𝟎

Si bien la covarianza entre dos variables aleatorias brinda información respecto de la

naturaleza de la relación, la magnitud de 𝜎𝑋𝑌 no indica nada respecto a la fuerza de la
relación, ya que 𝜎𝑋𝑌 depende de la escala. Su magnitud dependerá de las unidades que se
utilicen para medir X y Y. Hay una versión de la covarianza sin escala que se denomina
coeficiente de correlación y se utiliza ampliamente en estadística.

COEFICIENTE DE CORRELACIÓN

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
𝜌𝑋𝑌 =
𝜎𝑋 𝜎𝑌

Es claro que 𝜌𝑋𝑌 no tiene las unidades de X y Y. El coeficiente de correlación satisface la

desigualdad –1 ≤ 𝜌𝑋𝑌 ≤ 1. Toma un valor de cero cuando 𝜎𝑋𝑌 = 0. Donde hay una dependencia
lineal exacta, digamos Y ≡ a + bX, 𝜌𝑋𝑌 = 1 si b > 0 y 𝜌𝑋𝑌 = − 1 si b < 0.

EJEMPLO
Se seleccionan al azar 2 repuestos para bolígrafo de una caja que contiene 3 repuestos azules,
2 rojos y 3 verdes. Si X es el número de repuestos azules y Y es el número de repuestos rojos
seleccionados, calcule
a) la función de probabilidad conjunta f (x, y),
b) P[(X, Y) ∈ A], donde A es la región {(x, y) | x + y ≤ 1}.
c) Calcule el valor esperado de g(X, Y) = XY.
d) Calcule la covarianza de X y Y.
e) Calcule el coeficiente de correlación entre X y Y.

SOLUCIÓN

Los posibles pares ordenados de valores (x, y) son (0, 0), (0, 1), (1, 0), (1, 1), (0, 2) y (2, 0).
Es decir, x = 0, 1, 2  y = 0, 1, 2.

a) Así, f (0, 1) = P(X = 0, Y =1) por ejemplo, representa la probabilidad de seleccionar un

repuesto rojo y uno verde. El número total de formas igualmente probables de seleccionar
cualesquiera 2 repuestos de los 8 es 𝑁 = (82) = 28. El número de formas de seleccionar 1
rojo de 2 repuestos rojos y 1 verde de 3 repuestos verdes es (21)(31) = 6. Por lo tanto, f (0, 1)
= 6/28 = 3/14. Cálculos similares dan las probabilidades para los otros casos, los cuales se
presentan en la tabla de abajo. Observe que las probabilidades suman 1. Observe que la distribución
de probabilidad conjunta de la tabla se puede representar con la fórmula:

(3𝑥)(𝑦
2 3
)(2−𝑥−𝑦 )
𝑓 (𝑥, 𝑦) = , para x = 0, 1, 2; y = 0, 1, 2  0 ≤ x + y ≤ 2.
(82)

x h(y)
f(x, y)
0 1 2
0 3 9 3 𝟏𝟓
28 28 28 𝟐𝟖

1 3 3 𝟑
y 14 14 0 𝟕

2 1 0 0 𝟏
28 𝟐𝟖

𝟓 𝟏𝟓 𝟑 1.0
g(x)
𝟏𝟒 𝟐𝟖 𝟐𝟖

b) La probabilidad de que (X,Y) caiga en la región A es 𝑃 [(𝑋, 𝑌 ) ∈ 𝐴] = 𝑃 (𝑋 + 𝑌 ≤ 1) =

3 3 9 9
∑𝑥+𝑦≤1 ∑ 𝑓(𝑥, 𝑦) = 𝑓 (0, 0) + 𝑓 (0, 1) + 𝑓 (1, 0) = + + = .
28 14 28 14

c) De la definición de valor esperado (esperanza matemática):

𝑬(𝑋𝑌) = ∑2𝑥=0 ∑2𝑦=0 𝑥𝑦𝑓(𝑥, 𝑦) = (0)(0)𝑓(0, 0) + (0)(1)𝑓(0, 1) + (0)(2)𝑓(0, 2) +
𝟑
(1)(0)𝑓(1, 0) + (1)(1)𝑓(1, 1) + (1)(2)𝑓(1, 2) + (2)(0)𝑓(2, 0) = 𝑓 (1, 1) = .
𝟏𝟒
d) Covarianza de X y Y:

Media de X:
2
5 15 3 3
𝜇𝑋 = ∑ 𝑥𝑔(𝑥) = 0 ( )+1( )+ 2( ) =
14 28 28 4
𝑥=0

Media de Y:
2
15 3 1 1
𝜇𝑌 = ∑ 𝑦ℎ(𝑦) = 0 ( )+ 1( )+2( ) =
28 7 28 2
𝑥=0

3
Previamente se encontró que 𝐸 (𝑋𝑌) = 14.

 aplicando el teorema 𝜎𝑋𝑌 = 𝐸 (𝑋𝑌) − 𝜇𝑋 𝜇𝑌 , se tiene que:

3 3 1 9
𝜎𝑋𝑌 = − ( )( ) = −
14 4 2 56
e) Para el coeficiente de correlación entre X y Y:

Como:
5 15 3 27
𝐸(𝑋 2 ) = (02 ) ( ) + (12 ) ( ) + (22 ) ( ) =
14 28 28 28

15 3 1 4
𝐸 (𝑌 2 ) = (02 ) (28) + (12 ) (7) + (22 ) (28) = 7.

Varianza de X:
𝟐𝟕 𝟑 𝟐 𝟒𝟓
𝝈𝟐𝑿 = −( ) =
𝟐𝟖 𝟒 𝟏𝟏𝟐

Varianza de Y:

𝟒 𝟏 𝟐 𝟗
𝝈𝟐𝒀 = −( ) =
𝟕 𝟐 𝟐𝟖

Por lo tanto, el coeficiente de correlación entre X y Y es:

 𝟗
− √𝟓
𝟓𝟔
𝝆𝑿𝒀 = = − .
√(
𝟒𝟓 𝟗 𝟓
)( )
𝟏𝟏𝟐 𝟐𝟖

MEDIAS Y VARIANZAS DE COMBINACIONES LINEALES DE VARIABLES

ALEATORIAS

Teorema 5 EM. Si a y b son constantes, entonces:

E(aX + b) = aE(X) + b.

Corolario 5.1. Al hacer a = 0, entonces

E(b) = b.

Corolario 5.2. Al hacer b = 0, entonces

E(aX) = aE(X).

Teorema 6 EM. El valor esperado de la suma o diferencia de dos o más 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 )].

Teorema 7 EM. El valor esperado de la suma o diferencia de dos o más 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 )].

Corolario 7.1. Si se hace g(X, Y) = g(X) y h(X, Y) = h(Y), se tiene que:

E [g(X ) ± h(Y )] = E [g(X )] ± E [h(Y )].

Corolario 7.2. Si se hace g(X, Y) = X y h(X, Y) = Y, se tiene que:

E [X ± Y ] = E [X ] ± E [Y ].

Teorema 8 EM. Sean X y Y dos variables aleatorias independientes. Entonces:

E (XY ) = E(X)E(Y).

Corolario 8.1. Sean X y Y dos variables aleatorias independientes. Entonces, 𝜎𝑋𝑌 = 0.

Teorema 9 EM. Si X y Y son variables aleatorias con distribución de probabilidad conjunta
f (x, y), y a, b y c son constantes, entonces

𝝈𝟐𝒂𝑿+𝒃𝒀+𝒄 = 𝒂𝟐 𝝈𝟐𝑿 + 𝒃𝟐 𝝈𝟐𝒀 + 𝟐𝒂𝒃𝝈𝑿𝒀

Corolario 9.1. Si se hace b = 0, se tiene que:

𝝈𝟐𝒂𝑿+𝒄 = 𝒂𝟐 𝝈𝟐𝑿 = 𝒂𝟐 𝝈𝟐 .

Corolario 9.2. Si se hace a = 1 y b = 0, se tiene que:

𝝈𝟐𝑿+𝒄 = 𝝈𝟐𝑿 = 𝝈𝟐 .

Corolario 9.3. Si se hace b = 0 y c = 0, se tiene que:

𝝈𝟐𝒂𝑿 = 𝒂𝟐 𝝈𝟐𝑿 = 𝒂𝟐 𝝈𝟐 .

Corolario 9.4 Si X y Y son variables aleatorias independientes, entonces:

𝝈𝟐𝒂𝑿+𝒃𝒀 = 𝒂𝟐 𝝈𝟐𝑿 + 𝒃𝟐 𝝈𝟐𝒀 .

Corolario 9.5. Si X y Y son variables aleatorias independientes, entonces:

𝝈𝟐𝒂𝑿−𝒃𝒀 = 𝒂𝟐 𝝈𝟐𝑿 + 𝒃𝟐 𝝈𝟐𝒀 .

Corolario 9.6. Si X1 , X2, ..., Xn son variables aleatorias independientes, entonces:

𝝈𝟐𝒂𝟏𝑿𝟏 +𝒂𝟐 𝑿𝟐 +⋯+ 𝒂𝒏𝑿𝟏𝒏 = 𝒂𝟏 𝝈𝟐𝑿𝟏 + 𝒂𝟐 𝝈𝟐𝑿𝟐 + … + 𝒂𝒏 𝝈𝟐𝑿𝒏 .

TEOREMA DE CHEBYSHEV

El matemático ruso P. L. Chebyshev (1821-1894) descubrió que la fracción del área entre
cualesquiera dos valores simétricos alrededor de la media está relacionada con la desviación
estándar. El siguiente teorema, debido a Chebyshev, ofrece una estimación conservadora de
la probabilidad de que una variable aleatoria tome un valor dentro de k desviaciones estándar
de su media para cualquier número real k.

Teorema 10 EM. (Teorema de Chebyshev) La probabilidad de que cualquier variable

aleatoria X tome un valor dentro de k desviaciones estándar de la media es de al menos 1 –
1/k2 . Es decir:

P (μ − kσ < X < μ + kσ) ≥ 1 − 1 k2.

EJEMPLO

Si la utilidad para un distribuidor de un automóvil nuevo, en unidades de $5000, se puede

ver como una variable aleatoria X que tiene la siguiente función de densidad

2(1 − 𝑥 ), 0 < 𝑥 < 1,

𝑓 (𝑥 ) = {
0, 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜.

a) Calcule la utilidad promedio por automóvil.

b) ¿Cuál es la utilidad promedio por automóvil que obtiene un distribuidor, si la utilidad en
cada uno está dada por g(X) = X2, donde X es una variable aleatoria que tiene la función de
densidad anterior.
c) Calcule la varianza de X.
d) Calcule la varianza de g(X) = X2.
SOLUCIÓN
a) Para calcular la utilidad promedio por automóvil, primeramente se debe encontrar la media
o valor esperado de X, entonces:
1 1
𝜇 = 𝐸 (𝑋) = 2 ∫0 𝑥(1 − 𝑥 )𝑑𝑥 = .
3

Por lo tanto:
1
𝑈𝑡𝑖𝑙𝑖𝑑𝑎𝑑 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑝𝑜𝑟 𝑎𝑢𝑡𝑜𝑚ó𝑣𝑖𝑙 = $5000.00 × = $1666.67
3

b) Para la utilidad promedio por automóvil si la utilidad en cada uno es g(X) = X2, se tiene
que la media de g(X) está dada por:
∞ 1
1
𝜇𝑔(𝑋) = 𝐸 [𝑔(𝑋)] = ∫ 𝑔(𝑥 )𝑓(𝑥 )𝑑𝑥 = ∫ 𝑥 2 [2(1 − 𝑥 )]𝑑𝑥 =
−∞ 0 6

Por lo tanto:
1
𝑈𝑡𝑖𝑙𝑖𝑑𝑎𝑑 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑝𝑜𝑟 𝑎𝑢𝑡𝑜𝑚ó𝑣𝑖𝑙 = $5000.00 × = $833.33
6

c) Cálculo de la varianza para X:

Con la definición:
2
∞
1 2
1
1
𝜎 = 𝐸 [(𝑋 − 𝜇 )2 ] )2
= ∫ (𝑥 − 𝜇 𝑓 (𝑥 )𝑑𝑥 = 2 ∫ (𝑥 − ) (1 − 𝑥) 𝑑𝑥 =
−∞ 0 3 18

Con el teorema:

𝜎 2 = 𝐸 [(𝑋 − 𝜇)2 ] = 𝐸 (𝑋 2 ) − 𝜇2

Donde:
 1
1
𝐸 (𝑋 2 ) = ∫ 𝑥 2 [2(1 − 𝑥 )]𝑑𝑥 =
0 6

Por lo tanto:
𝟏
𝟐
𝟏 𝟐 𝟏
𝝈 = −( ) =
𝟔 𝟑 𝟏𝟖

d) Varianza de g(X) = X2:

2 2 ∞ 2
𝜎𝑔(𝑋) = 𝐸 {[𝑔(𝑋) − 𝜇𝑔(𝑋) ] } = ∫−∞[𝑔(𝑥) − 𝜇𝑔(𝑋) ] 𝑓 (𝑥 )𝑑𝑥,

1
De b) 𝜇𝑔(𝑋) = 6,

𝟏 𝟐 𝟏 𝟏 𝟐 𝟕
 𝝈𝟐𝒈(𝑿) = 𝑬 (𝑿𝟐 − ) = ∫𝟎 (𝑿𝟐 − ) [𝟐(𝟏 − 𝒙)]𝒅𝒙 =
𝟔 𝟔 𝟏𝟖𝟎

EJEMPLO

Sea X una variable aleatoria con densidad de probabilidad

𝑥2
𝑓 (𝑋) = { 3 , −1 < 𝑥 < 2,
0, 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜.

Encuentre la varianza de la variable aleatoria g(X) = 4X +3.

SOLUCIÓN
∞
2 2 2
𝜎𝑔(𝑋) = 𝐸 {[𝑔(𝑋) − 𝜇𝑔(𝑋) ] } = ∫ [𝑔(𝑥) − 𝜇𝑔(𝑋) ] 𝑓 (𝑥 )𝑑𝑥
−∞
Donde:
∞ 𝟐
𝒙𝟐
𝝁𝒈(𝑿) = 𝑬[𝒈(𝑿)] = ∫ 𝒈(𝒙)𝒇(𝒙)𝒅𝒙 = ∫ (𝟒𝒙 + 𝟑) ( ) 𝒅𝒙 = 𝟖
−∞ −𝟏 𝟑

Por lo tanto:
𝟐
𝟐 𝒙𝟐 𝟓𝟏
𝝈𝟐𝒈(𝑿) = 𝑬 {[𝒈(𝑿) − 𝝁𝒈(𝑿) ] } = ∫ [(𝟒𝒙 + 𝟑) − 𝟖]𝟐 ( ) 𝒅𝒙 = = 𝟏𝟎. 𝟐
−𝟏 𝟑 𝟓

O con los teoremas:

Media de g(X) = 4X+3:
 𝟐
𝒙𝟐
𝝁𝒈(𝑿) = 𝑬(𝟒𝑿 + 𝟑) = 𝟒𝑬(𝑿) + 𝑬(𝟑) = 𝟒 ∫ 𝒙 ( ) 𝒅𝒙 + 𝟑 = 𝟓 + 𝟑 = 𝟖
−𝟏 𝟑

Media de X:
𝟐
𝒙𝟐 𝟓
𝝁 = 𝑬(𝑿 ) = ∫ 𝒙 ( ) 𝒅𝒙 =
−𝟏 𝟑 𝟒

𝟐
𝟐
𝟓 𝟐 𝒙𝟐 𝟓𝟏
𝝈 = ∫ (𝒙 − ) ( ) 𝒅𝒙 =
−𝟏 𝟒 𝟑 𝟖𝟎
Por lo tanto:

𝟓𝟏 𝟓𝟏
𝝈𝟐𝒈(𝑿) = 𝝈𝟐𝟒𝒙+𝟑 = 𝟒𝟐 𝝈𝟐 = 𝟏𝟔 ( )= = 𝟏𝟎. 𝟐
𝟖𝟎 𝟓

EJEMPLO

Una variable aleatoria X tiene una media 𝜇 = 8, una varianza 𝜎 2 = 9 y una distribución de
probabilidad desconocida. Encuentre:
a) P(-4 < X < 20).
b) P(X – 8  6).

SOLUCIÓN
Aplicando el teorema de Chebyshev:
a) 𝑃 (𝜇 − 𝑘𝜎 < 𝑋 < 𝜇 + 𝑘𝜎) = 𝑃(−4 < 𝑋 < 20) 

𝜇 − 𝑘𝜎 = −4  𝜇 + 𝑘𝜎 = 20

Como 𝜇 = 8  𝜎 2 = 9  𝜎 = 3, sustituyendo:

8 − 3𝑘 = −4  8 + 3𝑘 = 20
−3𝑘 = −12  3k = 12
 𝑘=4𝑘=4

Por lo tanto:

1
𝑃(−4 < 𝑋 < 20) ≥ 1 −
16

𝟏𝟓
𝑷(−𝟒 < 𝑿 < 𝟐𝟎) ≥
𝟏𝟔

b) 𝑃(|𝑋 − 8| ≥ 6) = 1 − 𝑃(|𝑋 − 8| < 6) = 1 − 𝑃(−6 < 𝑋 − 8 < 6)

𝑃(|𝑋 − 8| ≥ 6) = 1 − 𝑃(2 < 𝑋 < 14)

Aplicando el teorema de Chebyshev:

𝑃(𝜇 − 𝑘𝜎 < 𝑋 < 𝜇 + 𝑘𝜎) = 𝑃(2 < 𝑋 < 14) 

𝜇 − 𝑘𝜎 = 2  𝜇 + 𝑘𝜎 = 14

Como 𝜇 = 8  𝜎 2 = 9  𝜎 = 3, sustituyendo:

8 − 3𝑘 = 2  8 + 3𝑘 = 14
−3𝑘 = −6  3k = 6
 𝑘=2𝑘=2
1
 𝑃(2 < 𝑋 < 14) ≥ 1 − 4
3
 𝑃(2 < 𝑋 < 14) ≥ 4
Multiplicando ambos lados por −1:

3
−𝑃(2 < 𝑋 < 14) ≤ −
4
Sumando 1 en ambos lados:
3
 1 − 𝑃(2 < 𝑋 < 14) ≤ 1 − 4

𝟏
 𝑷(|𝑿 − 𝟖| ≥ 𝟔) = 𝟏 − 𝑷(|𝑿 − 𝟖| < 𝟔) = 𝟏 − 𝑷(𝟐 < 𝑿 < 𝟏𝟒) ≤ 𝟒

EJEMPLO

Una variable aleatoria X tiene una media μ = 10 y una varianza σ2 = 4. Utilice el teorema
de Chebyshev para calcular
a) P(|X − 10| ≥ 3);
b) P(|X − 10| < 3);
c) P(5 < X < 15);
d ) el valor de la constante c tal que P(|X − 10| ≥ c) ≤ 0.04.

SOLUCIÓN