Estadística I Ing. Agrícola Msc.

Manuel Morales

Asignatura: Estadística I
Unidad III: Variables Aleatorias y sus Distribuciones.
Tema 2: Valor Esperado o Esperanza Matemática.

Definición: Valor Esperado: El valor esperado de una variable aleatoria representa el

valor promedio de la distribución de los datos de la variable y está dada por la fórmula:
𝑛

𝑎) 𝐸[𝑋] = 𝜇 = ∑(𝑥𝑖 )(𝑓(𝑥𝑖 )) 𝑠𝑖 𝑋 𝑒𝑠 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎

𝑖=1

∞
𝑏) 𝐸[𝑋] = 𝜇 = ∫ (𝑥)(𝑓(𝑥)) 𝑑𝑥 𝑠𝑖 𝑋 𝑒𝑠 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎
−∞
Propiedades:

1) 𝐸[𝑘] = 𝑘 𝑠𝑖 𝑘 𝑒𝑠 𝑢𝑛𝑎 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒 (𝑜 𝑢𝑛 𝑒𝑠𝑐𝑎𝑙𝑎𝑟)

2) 𝐸[𝑎𝑋 + 𝑏] = 𝑎 𝐸[𝑥] + 𝑏 𝑠𝑖 𝑎 𝑦 𝑏 𝑠𝑜𝑛 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒𝑠

3) 𝐸[𝑔(𝑥)] = ∑ 𝑔(𝑥) 𝑓(𝑥) 𝑠𝑖 𝑋 𝑒𝑠 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎

∞
4) 𝐸[𝑔(𝑥)] = ∫ 𝑔(𝑥) 𝑓(𝑥) 𝑑𝑥 𝑠𝑖 𝑋 𝑒𝑠 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎
−∞
Ejemplo 1:
Se sabe que un grupo de 4 componentes contiene 2 defectuosos, un inspector prueba las
componentes una a una, hasta encontrar las dos defectuosas, una vez encontrado el
segundo componente defectuoso concluye la prueba. Si X es el número de pruebas
necesarias hasta encontrar el segundo defectuoso:
a) Encontrar la distribución de probabilidad.
b) Encuentre la función acumulada.
c) Si el costo de prueba de un componente es de $2.0 (dólares), y el costo de
reparación de un defectuoso es $4.0, encuentre el costo total esperado.
Solución:
Sea X: el número de pruebas necesarias hasta hallar el segundo componente defectuoso.
Todas las posibilidades en la revisión de las componentes se presentan en el espacio
muestral: 𝑆 = {(𝐷, 𝐷), (𝐵, 𝐷, 𝐷)(𝐷, 𝐵, 𝐷)(𝐷, 𝐵, 𝐵, 𝐷)(𝐵, 𝐷, 𝐵, 𝐷)(𝐵, 𝐵, 𝐷, 𝐷)}; cada resultado en
los arreglos representa una revisión la cual puede resultar en D: defectuoso o B: bueno;
entonces:
a)
2 1 1
Pr(𝑥 = 2) = 𝑃𝑟(𝐷, 𝐷) = ( ) ( ) =
4 3 6
Es decir que la probabilidad de que sean necesarios solo dos revisiones (las dos primeras)
es de 1/6.
 Estadística I Ing. Agrícola Msc. Manuel Morales

2 2 1 1
Pr(𝑥 = 3) = 2 𝑃𝑟(𝐵, 𝐷, 𝐷) = 2 ( ) ( ) ( ) =
4 3 2 3
Esto significa que la probabilidad de que sean necesarias tres revisiones (𝐵, 𝐷, 𝐷)(𝐷, 𝐵, 𝐷)
son exactamente las mismas, por tal razón se multiplica por dos, y es igual a 1/3.

2 1 2 1
Pr(𝑥 = 4) = 3 𝑃𝑟(𝐵, 𝐵, 𝐷, 𝐷) = 3 ( ) ( ) ( ) (1) =
4 3 2 2
Esto significa que la probabilidad de que sean necesarias cuatro revisiones
(𝐷, 𝐵, 𝐵, 𝐷)(𝐵, 𝐷, 𝐵, 𝐷)(𝐵, 𝐵, 𝐷, 𝐷) son exactamente las mismas, por tal razón se multiplica
por tres, y es igual a 1/2.
De aquí que la f.p.; debe ser:
X 2 3 4
f(x) 1/6 1/3 1/2
b)
0 𝑠𝑖 𝑥 < 2
1
𝑠𝑖 2 ≤ 𝑥 < 3
𝐹(𝑥) = 6
1
𝑠𝑖 3 ≤ 𝑥 < 4
2
{1 𝑠𝑖 𝑥 ≥ 4
c)
la función: 𝑔(𝑥) = 2[𝑋] + 8; entonces 𝐸[𝑔(𝑥)] = 2(𝐸[𝑋]) + 8

pero
1 1 1 10
𝐸[𝑋] = 2 (6) + 3 (3) + 4 (2) = = 3.3333
3
Por tanto
44
𝐸[𝑔(𝑥)] = 2(3.3333) + 8 = = $14.67
3

Ejemplo 2:
El número de clientes que solicitan en una tienda cierto artículo diariamente, tiene
comportamiento probabilístico como se muestra:
0 𝑠𝑖 𝑥 < 0
0.0102 𝑠𝑖 0 ≤ 𝑥 < 1
0.0870 𝑠𝑖 1 ≤ 𝑥 < 2
𝐹(𝑥) = 0.3174 𝑠𝑖 2 ≤ 𝑥 < 3
0.6630 𝑠𝑖 3 ≤ 𝑥 < 4
0.9222 𝑠𝑖 4 ≤ 𝑥 < 5
{ 1 𝑠𝑖 𝑥 ≥ 5
a) Encuentre el valor esperado de la variable aleatoria X.
b) Calcular Pr(0 ≤ 𝑥 ≤ 2) , Pr(1 < 𝑥 ≤ 4) , Pr(𝑥 ≥ 3) 𝑦 Pr(𝑥 ≤ 2 ∖ 𝑥 ≤ 4)
Solución:
Para calcular el valor esperado de la variable aleatoria necesitamos calcular las
probabilidades individuales, en este caso, se obtienen a partir de la F(x) (función de
probabilidad acumulada); procedemos a calcular por diferencias:
 Estadística I Ing. Agrícola Msc. Manuel Morales

Pr(𝑥 = 5) = 𝐹(5) − 𝐹(4) = 1 − 0.9222 = 0.0778

Pr(𝑥 = 4) = 𝐹(4) − 𝐹(3) = 0.9222 − 0.6630 = 0.2592
Pr(𝑥 = 3) = 𝐹(3) − 𝐹(2) = 0.6630 − 0.3174 = 0.3456
Pr(𝑥 = 2) = 𝐹(2) − 𝐹(1) = 0.3174 − 0.0870 = 0.2304
Pr(𝑥 = 1) = 𝐹(1) − 𝐹(0) = 0.0870 − 0.0102 = 0.0768
Pr(𝑥 = 0) = 𝐹(0) = 0.0102
Talque:
x 0 1 2 3 4 5
f(x) 0.0102 0.0768 0.2304 0.3456 0.2592 0.0778
Por tanto
𝐸[𝑋] = 𝜇 = (0 × 0.0102) + (1 × 0.0768) + (2 × 0.2304) + (3 × 0.3456) + (4 × 0.2592)
+ (5 × 0.0778) = 3.0012
b)
Pr(0 ≤ 𝑥 ≤ 2) = 𝐹(2) = 0.3174
Pr(1 < 𝑥 ≤ 4) = 𝐹(4) − 𝐹(1) = 0.922 − 0.0870 = 0.8352
Pr(𝑥 ≥ 3) = 1 − Pr(𝑥 < 3) = 1 − Pr(𝑥 ≤ 2) = 1 − 0.3174 = 0.6826
Pr(𝑥 ≤ 2 ∩ 𝑥 ≤ 4 0.3174
Pr(𝑥 ≤ 2 ∖ 𝑥 ≤ 4) = = = 0.3442
Pr(𝑥 ≤ 4) 0.9222

Definición: Varianza de una Variable Aleatoria Discreta.

Si el Valor esperado es el promedio de la distribución de probabilidad de una variable
aleatoria, también debe existir la varianza y la desviación estándar. La varianza de una
variable aleatoria X se define como…
𝑉𝑎𝑟[𝑋] = 𝜎 2 (𝑋) = 𝐸[(𝑋 − 𝜇)2 ] = 𝐸[𝑋 2 ] − (𝐸[𝑋])2
Propiedades:
1) 𝑉𝑎𝑟[𝑘] = 0 𝑠𝑖 𝑘 𝑒𝑠 𝑢𝑛𝑎 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒 (𝑜 𝑢𝑛 𝑒𝑠𝑐𝑎𝑙𝑎𝑟)
2
2) 𝑉𝑎𝑟[𝑎𝑋] = 𝑎 𝑉𝑎𝑟[𝑋]
3) 𝑉𝑎𝑟[𝑎𝑋 + 𝑏] = 𝑎2 𝑉𝑎𝑟[𝑋]
2
4) 𝑉𝑎𝑟 [𝑔(𝑋)] = ∑[𝑔(𝑋) − 𝜇𝑔(𝑥) ] ∙ 𝑓(𝑥) 𝑠𝑖 𝑋 𝑒𝑠 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎
∞
2
5) ) 𝑉𝑎𝑟 [𝑔(𝑋)] = ∫ [𝑔(𝑋) − 𝜇𝑔(𝑥) ] ∙ 𝑓(𝑥) 𝑠𝑖 𝑋 𝑒𝑠 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎
−∞
Ejemplo 3:
Ahora que comienza el período lluvioso, se hacen inspecciones en los pozos de agua
potable de Managua, con respecto a dos bacterias encontradas frecuentemente en ellos.
Se encontró que el 20% de los pozos no revelaban la presencia de bacterias, el 40% tenía
la bacteria A, y el 50% tenía la bacteria B (naturalmente, algunos pozos presentaron ambas
bacterias). Si se escoge un pozo del distrito VI al azar y si X es el número de bacterias
encontradas en el pozo, determine: a) F(X); b) Pr(1 ≤ 𝑥 ≤ 2), c) 𝐸[𝑋] y d) 𝑉𝑎𝑟[𝑋]
Solución:
Como el 20% de los pozos no tienen bacterias, el 80% si tiene al menos una (la A o la B o
ambas), entonces:
Pr(𝐴 ∪ 𝐵) = Pr(𝐴) + Pr(𝐵) − Pr(𝐴 ∩ 𝐵)
0.8 = 0.4 + 0.5 − Pr(𝐴 ∩ 𝐵)
 Estadística I Ing. Agrícola Msc. Manuel Morales

despejamos
Pr(𝐴 ∩ 𝐵) = 0.4 + 0.5 − 0.8 = 0.1, es decir que el 10% de los pozos tienen ambas
bacterias.
Si plasmamos estos resultados en un diagrama de Venn, resulta más fácil establecer la f(X)
y la distribución acumulada F(X).

A B

0.30 0.10 0.40

0.20

De aquí que la función de probabilidad (f.p.) y la función de probabilidad acumulada son

respectivamente:
x 0 1 2
f(X) 0.2 0.7 0.1

0 𝑠𝑖 𝑥 < 0
𝐹(𝑋) = {0.2 𝑠𝑖 0 ≤ 𝑥 < 1
0.9 𝑠𝑖 1 ≤ 𝑥 < 0
1 𝑠𝑖 𝑥 ≥ 1

𝑏) Pr(1 ≤ 𝑥 ≤ 2) = 𝐹(2) − 𝐹(1) = 1 − 0.9 = 0.1

Si fuera

Pr(1 < 𝑥 ≤ 2) = 𝐹(2) − 𝐹(0) = 1 − 0.2 = 0.8

𝑐) 𝐸[𝑋] = (0 × 0.2) + (1 × 0.7) + (2 × 0.1) = 0.9

𝑑) 𝐸[𝑋 2 ] = (02 × 0.2) + (12 × 0.7) + (22 × 0.1) = 1.1

𝑉𝑎𝑟[𝑋] = 1.1 − (0.9)2 = 0.29

Valor Esperado de Funciones Conjuntas y Covarianza.

Sean X, 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)] = ∑ ∑ 𝑔(𝑥, 𝑦) ∙ 𝑓(𝑥, 𝑦) 𝑠𝑖 𝑥, 𝑦 𝑠𝑜𝑛 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎𝑠

𝑥 𝑦
 Estadística I Ing. Agrícola Msc. Manuel Morales

∞ ∞
𝜇𝑔(𝑥,𝑦) = 𝐸[𝑔(𝑥, 𝑦)] = ∫ ∫ 𝑔(𝑥, 𝑦) ∙ 𝑓(𝑥, 𝑦)𝑑𝑥𝑑𝑦 𝑠𝑖 𝑥, 𝑦 𝑠𝑜𝑛 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎𝑠
−∞ −∞
Ejemplo 4:
Sean X, Y las variables aleatorias discretas cuya función de probabilidad conjunta es la que
se muestra; a) encuentre 𝐸[𝑔(𝑥, 𝑦)] si g(x,y) = x y2; b) encuentre 𝜇𝑥 , 𝜇𝑦 .
X
𝑓(𝑥, 𝑦) 2 4
1 0.10 0.15
y 2 0.20 0.30
3 0.10 0.15

𝑎) 𝐸[𝑔(𝑥, 𝑦)] = ∑ ∑ 𝑔(𝑥, 𝑦) ∙ 𝑓(𝑥, 𝑦) =

𝑥 𝑦
= [(2)(1)2 (0.1)] + [(2)(2)2 (0.2)] + [(2)(3)2 (0.1)] + [(4)(1)2 (0.15)]
72
+ [(4)(2)2 (0.3)] + [(4)(3)2 (0.15)] = = 14.4
5

𝑏) 𝜇𝑥 = 𝐸[𝑋] entonces necesitamos la distribución marginal de X

X 2 4
g(x) 0.40 0.60

16
𝐸[𝑋] = (2 × 0.40) + (4 × 0.60) = = 3.2
5

𝜇𝑦 = 𝐸[𝑌] entonces necesitamos la distribución marginal de Y

Y 1 2 3
h(x) 0.25 0.50 0.25

𝐸[𝑌] = (1 × 0.25) + (2 × 0.50) + (3 × 0.25) = 2

Ejemplo 5:
Dos variables aleatorias tienen la siguiente función de densidad conjunta:
𝑘(𝑥 2 + 𝑦 2 ) 𝑝𝑎𝑟𝑎 0 ≤ 𝑥 ≤ 2, 1 ≤ 𝑦 ≤ 4
𝑓(𝑥, 𝑦) = {
0 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜(𝑒. 𝑐. 𝑜. 𝑐.
a) Encuentre el valor de k
b) Determine 𝐸[𝑔(𝑥, 𝑦)] si g(x, y) = x2y

2
4 2
2 2)
4
𝑥3 2
4
8 2
8 2 3 4
𝑎) 𝑘 ∫ ∫ (𝑥 + 𝑦 𝑑𝑥𝑑𝑦 = 𝑘 ∫ [ + 𝑥𝑦 ] 𝑑𝑦 = 𝑘 ∫ [ + 2𝑦 ] 𝑑𝑦 = 𝑘 [ 𝑦 + 𝑦 ]
1 0 1 3 0 1 3 3 3 1
1
= 𝑘[50] = 1 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑘 =
50
 Estadística I Ing. Agrícola Msc. Manuel Morales

4 2
1 2 1 4 2 4
𝑏) 𝐸[𝑔(𝑥, 𝑦)] = 𝐸[𝑥 2 𝑦] ∫ ∫ (𝑥 𝑦)(𝑥 2 + 𝑦 2 )𝑑𝑥𝑑𝑦 = ∫ ∫ [𝑥 𝑦 + 𝑥 2 𝑦 3 ]𝑑𝑥𝑑𝑦
1 0 50 50 1 0
4 2 4
1 𝑥 𝑦 𝑥3𝑦3 5
1 4 32𝑦 8𝑦 3 1 31 2 2𝑦 4
= ∫ [ + ] 𝑑𝑦 = ∫ [ + ] 𝑑𝑦 = [ 𝑦 + ]
50 1 5 3 0 50 1 5 3 50 10 3 1
1 109
= (218) = = 4.36
50 25

Definición: Covarianza
La covarianza de dos variables aleatorias X, Y con medias 𝜇𝑥 , 𝜇𝑦 respectivamente, está
dado por:
𝜎𝑥𝑦 = 𝐸[𝑥𝑦] − (𝜇𝑥 ∙ 𝜇𝑦 )

Es una medida de la naturaleza de la asociación entre las variables aleatorias. 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 resulta 𝑌 − 𝜇𝑦 positivo y 𝑋 − 𝜇𝑥
negativo frecuentemente resulta 𝑌 − 𝜇𝑦 resultará 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.
Entonces el signo de la covarianza indica si la relación entre las variables aleatorias
dependientes es positiva o negativa. Cuando las variables aleatorias X, Y son
estadísticamente independientes, puede demostrarse que la covarianza es cero.

Definición: Sean X y Y variables aleatorias con distribución de probabilidad conjunta f(x, y)

la covarianza de X, Y es:
𝜎𝑥𝑦 = 𝐸[(𝑋 − 𝜇𝑥 )(𝑌 − 𝜇𝑦 )] = ∑ ∑[(𝑋 − 𝜇𝑥 )(𝑌 − 𝜇𝑦 )]𝑓(𝑥, 𝑦) 𝑠𝑖 𝑥, 𝑦 𝑠𝑜𝑛 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎𝑠
𝑥 𝑦

∞ ∞
𝜎𝑥𝑦 = 𝐸[(𝑋 − 𝜇𝑥 )(𝑌 − 𝜇𝑦 )] = ∫ ∫ [(𝑋 − 𝜇𝑥 )(𝑌 − 𝜇𝑦 )]𝑓(𝑥, 𝑦)𝑑𝑥𝑑𝑦 𝑠𝑖 𝑥, 𝑦 𝑠𝑜𝑛 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎𝑠
−∞ −∞
Ejemplo 6:
Sean X, Y variables aleatorias discretas f(x, y) cuya conjunta es:
𝑓(𝑥, 𝑦) X
0 1 2
0 3 9 3
28 28 28
Y 1 6 6 0
28 28
2 1 0 0
28
Encuentre la covarianza de X, Y
10 15 3 3
𝜇𝑥 = 𝐸[𝑋] = (0 × ) + (1 × ) + (3 × ) =
28 28 28 4
 Estadística I Ing. Agrícola Msc. Manuel Morales

15 12 1 1
𝜇𝑦 = 𝐸[𝑌] = (0 × ) + (1 × ) + (3 × ) =
28 28 28 2
Entonces…
3 6 1 9 6
𝐸[𝑥, 𝑦] = [(0 × 0) ( )] + [(0 × 1) ( )] + [(0 × 2) ( )] + [(1 × 0) ( )] + [(1 × 1) ( )]
28 28 28 28 28
3 6
+ [(2 × 0) ( )] =
28 28

6 3 1 9
𝜎𝑥,𝑦 = 𝐸[𝑥𝑦] − (𝜇𝑥 ∙ 𝜇𝑦 ) = − (( ) × ( )) = − = −0.16
28 4 2 56