Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Esperanza Matemática (1) (1) - 1
Esperanza Matemática (1) (1) - 1
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
DEFINICIÓN. Sea X una variable aleatoria con distribución de probabilidad f(x). La media
o valor esperado (esperanza matemática) de X es:
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)] = ∫−∞ 𝒈(𝒙)𝒇(𝒙)𝒅𝒙 si X es continua.
∞ ∞
𝝁𝒈(𝑿, 𝒀) = 𝑬[𝒈(𝑿, 𝒀)] = ∫−∞ ∫−∞ 𝒈(𝒙, 𝒚)𝒇(𝒙, 𝒚)𝒅𝒙𝒅𝒚 si X y Y son continuas.
DEFINICIÓN. Sea X una variable aleatoria con distribución de probabilidad f(x) y media .
La varianza de 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 (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
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:
Por lo tanto:
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:
c) Cálculo de la covarianza:
Con la definición:
Con el teorema:
𝟗𝟑 𝟓𝟒 𝟓𝟏 𝟔𝟎𝟗
𝝈𝑿𝒀 = 𝑬(𝑿𝒀) − 𝝁𝑿 𝝁𝒀 = −( )( ) = = 𝟎. 𝟐𝟒𝟑𝟔
𝟐𝟎 𝟐𝟓 𝟐𝟓 𝟐𝟓𝟎𝟎
COEFICIENTE DE CORRELACIÓN
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.
(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
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.
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
E(aX + b) = aE(X) + b.
E(b) = b.
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:
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 [X ± Y ] = E [X ] ± E [Y ].
E (XY ) = E(X)E(Y).
𝝈𝟐𝒂𝑿+𝒄 = 𝒂𝟐 𝝈𝟐𝑿 = 𝒂𝟐 𝝈𝟐 .
𝝈𝟐𝑿+𝒄 = 𝝈𝟐𝑿 = 𝝈𝟐 .
𝝈𝟐𝒂𝑿 = 𝒂𝟐 𝝈𝟐𝑿 = 𝒂𝟐 𝝈𝟐 .
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.
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
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
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
𝑥2
𝑓 (𝑋) = { 3 , −1 < 𝑥 < 2,
0, 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜.
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
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=4𝑘=4
Por lo tanto:
1
𝑃(−4 < 𝑋 < 20) ≥ 1 −
16
𝟏𝟓
𝑷(−𝟒 < 𝑿 < 𝟐𝟎) ≥
𝟏𝟔
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=2𝑘=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