ESPERANZA MATEMÁTICA Estadística

MEDIA DE UNA VARIABLE ALEATORIA

Sea X una variable aleatoria con distribución de probabilidad f(x). La media o valor
esperado de X es
Para el caso en que X sea discreto
𝜇 = 𝐸 𝑋 = σ𝑥 𝑥𝑓(𝑥)
Para el caso en que X es una variable aleatoria continua
+∞
𝜇 = 𝐸 𝑋 = ‫׬‬−∞ 𝑥𝑓(𝑥)
EJEMPLO MEDIA DE UNA VARIABLE ALEATORIA
DISCRETA
Un inspector de calidad muestrea un lote que contiene 7 componentes; el lote contiene 4
componentes buenos y 3 defectuosos. El inspector toma una muestra de 3 componentes. Encuentre
el valor esperado del número de componentes buenos en esta muestra.
Sea X el número de componentes buenos en la muestra. La distribución de probabilidad de X es
4 3
𝑥 3−𝑥
𝑓 𝑥 = 7 , 𝑥 = 0,1,2,3.
3
Unos cálculos sencillos dan 𝑓 0 = 1Τ35 , 𝑓 1 = 12Τ35, 𝑓 2 = 18Τ35 𝑦 𝑓 3 = 4Τ35 . Por lo tanto,
1 12 18 4 12
𝜇=𝐸 𝑋 = 0 + 1 + 2 + 3 = = 1.7
35 35 35 35 7

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 en buen estado.
EJEMPLO MEDIA DE UNA VARIABLE ALEATORIA
CONTINUA
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 = ൝ 𝑥3
0, 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜

Encuentre la vida esperada para esta clase de dispositivo.

Tenemos 𝜇 = 𝐸 𝑋
∞ 20000 ∞ 20000 20000 ∞ 20000
= ‫׬‬100 𝑥 𝑑𝑥 = ‫׬‬100 𝑑𝑥 =− ቚ =0− − = 200
𝑥3 𝑥2 𝑥 100 100
Por lo tanto, esperamos que, en promedio, este tipo de dispositivo dure 200 horas
VALOR ESPERADO DE UNA VARIABLE ALEATORIA
Sea X una variable aleatoria con distribución de probabilidad f(x). El valor
esperado de la variable aleatoria g(X) es:
Para el caso de una variable aleatoria discreta

𝜇𝑔(𝑋) = 𝐸 𝑔 𝑋 = ෍ 𝑔 𝑥 𝑓(𝑥)
𝑥

Para el caso de una variable aleatoria continua

+∞
𝜇𝑔(𝑋) = 𝐸 𝑔 𝑋 = ‫׬‬−∞ 𝑔 𝑥 𝑓 𝑥 𝑑𝑥
 EJEMPLO DE VALOR ESPERADO DE UNA VARIABLE
ALEATORIA DISCRETA
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:

Sea 𝑔 𝑋 = 2𝑋 − 1 la cantidad de dinero en dólares, que el administrador paga al

dependiente. Encuentre las ganancias que espera el dependiente en este periodo
específico. El dependiente puede esperar recibir

9
1 1 1 1 1 1
Eg X = E 2X − 1 = ෍ 2𝑥 − 1 𝑓(𝑥) = 7 + 9 + 11 + 13 + 15 + 17 = 12.67
12 12 4 4 6 6
𝑥=4
EJEMPLO DE VALOR ESPERADO DE UNA VARIABLE
ALEATORIA CONTINUA
Sea X una variable aleatoria con función de densidad
𝑥2
𝑓 𝑥 = ቐ 3 , −1 <𝑥<2
0, 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜

Encuentre el valor esperado de 𝑔 𝑋 = 4𝑋 + 3

Tenemos
2 (4𝑥+3)𝑥 2 1 2
𝐸 4𝑋 + 3 = ‫׬‬−1 𝑑𝑥 = ‫׬‬−1 4𝑥 3 + 3𝑥 2 𝑑𝑥 = 8
3 3
VALOR ESPERADO DE UNA VARIABLE ALEATORIA
CONJUNTA
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:
Para el caso discreto
𝜇𝑔(𝑋,𝑌) = 𝐸 𝑔 𝑋, 𝑌 = σ𝑥 σ𝑦 𝑔 𝑥, 𝑦 𝑓 𝑥, 𝑦

Para el caso continuo

+∞ +∞
𝜇𝑔(𝑋,𝑌) = 𝐸 𝑔 𝑋; 𝑌 = ‫׬‬−∞ ‫׬‬−∞ 𝑔 𝑥, 𝑦 𝑓 𝑥, 𝑦 𝑑𝑥𝑑𝑦
EJEMPLO VALOR ESPERADO DE UNA VARIABLE
ALEATORIA CONJUNTA DISCRETA
Se seleccionan al azar 2 repuestos para un 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, encuentre el valor esperado de g(X, Y ) =
XY.

3
E XY = ෍ ෍ 𝑥𝑦𝑓 𝑥, 𝑦 = 0 0 𝑓 0,0 + 0 1 𝑓 0,1 + 1 0 𝑓 1,0 + 1 1 𝑓 1,1 + 2 0 𝑓 2,0 = 𝑓 1,1 =
14
𝑥=0 𝑦=0
EJEMPLO VALOR ESPERADO DE UNA VARIABLE
ALEATORIA CONJUNTA CONTINUA
𝑌
Encuentre para la función de densidad
𝑋

𝑥(1+3𝑦 2 )
𝑓 𝑥, 𝑦 = ቐ 4 ,0 < 𝑥 < 2, 0 < 𝑦 < 1
0, 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Tenemos
𝑌 1 2 𝑦 𝑥 1+3𝑦 2 1 𝑦+3𝑦 3 𝑦2 1 3𝑦 4 1 5
𝐸 = ‫׬‬0 ‫׬‬0 𝑥 𝑑𝑥𝑑𝑦 = ‫׬‬0 2 𝑑𝑦 = ቤ + ቤ =
𝑋 4 2 0 4 0 8
VARIANZA Y COVARIANZA DE VARIABLES
ALEATORIAS
La medida de variabilidad más importante de una variable aleatoria se le denomina varianza de
la variable aleatoria 𝑋 o varianza de la2distribución de probabilidad de 𝑋 y se denota como
Var(𝑋) o con el símbolo o simplemente 𝜎 cuando queda claro a qué variable aleatoria nos
referimos. Sea 𝑋 una variable aleatoria con distribución de probabilidad 𝑓(𝑥) y media μ.
La varianza de 𝑋 es
𝜎2 = 𝐸 𝑋 − 𝜇 2
= σ𝑥 𝑥 − 𝜇 2 𝑓 𝑥 , 𝑝𝑎𝑟𝑎 𝑋 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎

∞
𝜎2 = 𝐸 𝑋 − 𝜇 2
= ‫׬‬−∞ 𝑥 − 𝜇 2 𝑓 𝑥 𝑑𝑥, 𝑝𝑎𝑟𝑎 𝑋 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎
𝜎 2 = 𝐸 𝑋 2 − 𝜇2
La raíz cuadrada positiva de la varianza, σ, se llama desviación estándar de 𝑋.
EJEMPLO VARIANZA CASO DISCRETO
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
y para la compañía B

Muestre que la varianza de la distribución de probabilidad para la compañía B es mayor

que la de la compañía A
Para la compañía A, encontramos que 𝜇𝐴 = 𝐸 𝑋 = 1 0.3 + 2 0.4 + 3 0.3 = 2
Para la compañía B, tenemos
𝜇𝐵 = 𝐸 𝑋 = 0 0.2 + 1 0.1 + 2 0.3 + 3 0.3 + (4)(0.1) = 2
Ambas tienen la misma media, aun no podemos decir cual tiene mayor variabilidad, por lo
que:
EJEMPLO VARIANZA CASO DISCRETO CONT
Entonces la Varianza de acuerdo a la definición de Varianza
Para la compañia A
𝜎 2 = σ3𝑥=1 𝑥 − 2 2 𝑓 𝑥 = 1 − 2 2 0.3 + 2 − 2 2 0.4 + 3 − 2 2 0.3 = 0.6
Para la compañia B

𝜎 2 = σ4𝑥=0 𝑥 − 2 2 𝑓 𝑥 = 0 − 2 2 0.2 + 1 − 2 2 0.1 + 2 − 2 2 0.3 + (3 −

 EJEMPLO VARIANZA CASO CONTINUO
La demanda semanal de Pepsi, en miles de litros, de una cadena local de tiendas al menudeo, es una variable aleatoria
continua X que tiene la densidad de probabilidad
2 𝑥 − 1 ,1 < 𝑥 < 2
𝑓 𝑥 =ቊ
0, 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Encuentre la media y la varianza de X
2 2𝑥 3 2 2 14 5
𝜇 = 𝐸 𝑋 = 2 ‫׬‬1 𝑥 𝑥 − 1 𝑑𝑥 = 3 1
ቤ − 𝑥2 ቤ = 3 − 3 = 3
1

2 2𝑥 4 2 2𝑥 3 2 15 14 17
𝐸 𝑋2 = 2 ‫׬‬1 𝑥 2 𝑥 − 1 𝑑𝑥 = อ − ቤ = − =
4 1 3 1 2 3 6

Entonces
17 5 2 1
𝜎2 =𝐸 𝑋2 − 𝜇2 = 6
− 3 = 18
VARIANZA EN VARIABLES ALEATORIAS
RELACIONADAS CON X
Sea 𝑋 una variable aleatoria con distribución de probabilidad 𝑓(𝑥). La varianza de
la variable aleatoria 𝑔 𝑋 es
Para el caso discreto
2 2 2
𝜎𝑔(𝑋) = 𝐸 𝑔 𝑋 − 𝜇𝑔 𝑋 = σ𝑥 𝑔 𝑋 − 𝜇𝑔 𝑋 𝑓(𝑥)

Para el caso continuo

2 2 +∞ 2
𝜎𝑔(𝑋) = 𝐸 𝑔 𝑋 − 𝜇𝑔 𝑋 = ‫׬‬−∞ 𝑔 𝑋 − 𝜇𝑔 𝑋 𝑓 𝑥 𝑑𝑥
EJEMPLO VARIANZA CASO DISCRETO
Calcule la varianza de 𝑔 𝑋 = 2𝑋 + 3, donde X es una variable aleatoria con
distribución de probabilidad

Primero encontramos la media de la variable aleatoria 2𝑋 + 3

Los datos de la tabla nos indican los cálculos
x 2x+3 f(x) (2x+3)f(x) (4x^2-12+9) (4x^2-12+9)f(x)
0 3 1/4 3/4 9 2 1/4
𝜇(2𝑋+3) = 𝐸 2𝑋 + 3 = σ3𝑥=0 2𝑥 + 3 𝑓 𝑥 = 6 1 5 1/8 5/8 1 1/8
2 7 1/2 3 1/2 1 1/2
3 9 1/8 1 1/8 9 1 1/8
6 4

Entonces con los datos de la tabla podemos calcular

2 2 2
𝜎(2𝑋+3) = 𝐸 (2𝑋 + 3) − 𝜇2𝑋+3 = 𝐸 2𝑋 + 3 − 6 = 𝐸 4𝑋 2 − 12𝑋 + 9 =
σ3𝑥=0 4𝑥 2 − 12𝑥 + 9 𝑓 𝑥 = 4
 EJEMPLO VARIANZA CASO CONTINUO
Sea X una variable aleatoria que tiene la función de densidad dada

𝒙 4 5 6 7 8 9
𝑃(𝑋 = 𝑥) 1ൗ 1 1 1 1 1
12 ൗ12 ൗ4 ൗ4 ൗ6 ൗ6

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

En el ejemplo slide 7 encontramos que 𝜇4𝑋+3 = 8 Ahora tenemos que
2 𝑥2 1 2
2 2 2
𝜎4𝑋+3 =𝐸 4𝑋 + 3 − 8 = 𝐸 4𝑋 − 5 = ‫׬‬−1(4𝑥 − 5)2 𝑑𝑥 = ‫׬‬−1(16𝑥 4 − 40𝑥 3 +
3 3
COVARIANZA
La covarianza sólo describe la relación lineal entre dos variables aleatorias. Por
consiguiente, si una covarianza entre 𝑋 y 𝑌 es cero, 𝑋 y 𝑌 quizá tengan una relación
no lineal, lo cual significa que no necesariamente son independientes.
Sean 𝑋 y 𝑌 variables aleatorias con distribución de probabilidad conjunta 𝑓(𝑥, 𝑦).
La covarianza de 𝑋 y 𝑌 es
Para el caso discreto
𝜎𝑋𝑌 = 𝐸 𝑋 − 𝜇𝑋 𝑌 − 𝜇𝑌 = σ𝑥 σ𝑦 𝑥 − 𝜇𝑋 𝑦 − 𝜇𝑌 𝑓(𝑥, 𝑦)
Para el caso continuo
+∞ +∞
𝜎𝑋𝑌 = 𝐸 𝑋 − 𝜇𝑋 𝑌 − 𝜇𝑌 = ‫׬‬−∞ ‫׬‬−∞ 𝑥 − 𝜇𝑋 𝑦 − 𝜇𝑌 𝑓 𝑥, 𝑦 𝑑𝑥𝑑𝑦
EJEMPLO COVARIANZA CASO DISCRETO
Se seleccionan al azar 2 repuestos para un 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, encuentre la covarianza de X y Y.

3
vemos que 𝐸 𝑋𝑌 = . Entonces,
14
5 15 3 3
𝜇𝑋 = σ2𝑥=0 𝑥𝑔 𝑥 = 0 + 1 + 2 =
14 28 28 4
EJEMPLO (CONT.)
Tenemos
15 3 1 1
𝜇𝑌 = σ2𝑦=0 𝑦ℎ 𝑦 = 0 + 1 + 2 =
28 7 28 2

Por lo que:
3 3 1 9
𝜎𝑋𝑌 = 𝐸 𝑋𝑌 = 𝐸 𝑋𝑌 − 𝜇𝑋 𝜇𝑌 = − =−
14 4 2 56
EJEMPLO COVARIANZA CASO CONTINUO
La fracción X de corredores y la fracción Y de corredoras que compiten en la maratón se describen
mediante la función de densidad conjunta, Encuentre la covarianza de X y Y.
8𝑥𝑦, 0 ≤ 𝑦 ≤ 𝑥 ≤ 1
𝑓 𝑥, 𝑦 = ቊ
0, 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Debemos calcular primero las funciones de densidad marginal. Éstas son
4𝑥 3 , 0 ≤ 𝑥 ≤ 1 4𝑦 1 − 𝑦 2 , 0 ≤ 𝑦 ≤ 1
𝑔 𝑥 =ቊ ℎ 𝑦 =ቊ
0, 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜 0, 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
De las funciones de densidad marginal dadas arriba, calculamos
1 4 𝑥5 1 4 1 1 1 4𝑦3 1
𝜇𝑋 = 𝐸 𝑋 = ‫׬‬0 4𝑥 𝑑𝑥 = 4 ቤ = 2 2 2 4
𝜇𝑌 = 𝐸 𝑌 = ‫׬‬0 4𝑦 1 − 𝑦 𝑑𝑦 = ‫׬‬0 4𝑦 𝑑𝑦 − ‫׬‬0 4𝑦 𝑑𝑦 = อ −
5 0 5 3 0
5
4𝑦 1 4 4 8
ቤ = − =
5 0 3 5 15
EJEMPLO (CONT.)
De las funciones de densidad conjunta dadas, tenemos
1 1 4
𝐸 𝑋𝑌 = ‫׬‬0 ‫ 𝑦׬‬8𝑥 2 𝑦 2 𝑑𝑥𝑑𝑦 =
9

Entonces,
4 4 8 4
𝜎𝑋𝑌 = 𝐸 𝑋𝑌 − 𝜇𝑋 𝜇𝑌 = − =
9 5 15 225

Aunque 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
COEFICIENTE DE CORRELACIÓN
Hay una versión de la covarianza libre de la escala, que se denomina coeficiente de
correlación y que se utiliza ampliamente en estadística
Sean 𝑋 y 𝑌 variables aleatorias con covarianza 𝜎𝑋𝑌 y desviación estándar 𝜎𝑋 y 𝜎𝑌 ,
respectivamente. El coeficiente de correlación 𝑋 y 𝑌 es
𝜎𝑋𝑌
𝜌𝑋𝑌 =
𝜎𝑋 𝜎𝑌

Este nos indica la fuerza de la relación entre las variables

𝜌𝑋𝑌 es independiente de las unidades de 𝑋 y 𝑌. El coeficiente de correlación
satisface la desigualdad −1 ≤ 𝜌𝑋𝑌 ≤ 1. valor de cero cuando 𝜌𝑋𝑌 = 0. Donde hay
una dependencia lineal exacta, digamos, 𝑌 ≡ 𝑎 + 𝑏𝑋, 𝜌𝑋𝑌 = 1 si 𝑏 > 0 y 𝜌𝑋𝑌 = −1
si 𝑏 < 0.
MEDIAS Y VARIANZAS DE COMBINACIONES LINEALES
DE VARIABLES ALEATORIAS
Estas propiedades nos permitirán tratar con las esperanzas matemáticas, en relación
con otros parámetros que ya se conocen o que se calculan con facilidad
Teorema 4.5 Si a y b son constantes, entonces
𝐸 𝑎𝑋 + 𝑏 = 𝑎𝐸 𝑋 + 𝑏
Corolario 4.1: Al hacer 𝑎 = 0, vemos que 𝐸 𝑏 = 𝑏
Corolario 4.2: Al hacer 𝑏 = 0, vemos que 𝐸 𝑎𝑋 = 𝑎𝐸(𝑋)
EJEMPLO MEDIAS Y VARIANZAS DE
COMBINACIONES LINEALES CASO DISCRETO
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

aplicar el teorema 4.5 a la variable aleatoria discreta 𝑓 𝑋 = 2𝑋 − 1

De acuerdo con el teorema 4.5, escribimos
𝐸 2𝑋 − 1 = 2𝐸 𝑋 − 1
Entonces:
1 1 1 1 1 1 41
𝜇 = 𝐸 𝑋 = σ9𝑥=4 𝑥𝑓 𝑥 = 4 + 5 + 6 + 7 + 8 + 9 =
12 12 4 4 6 6 6
41
𝜇2𝑋−1 = 2𝐸 𝑋 − 1 = 2 − 1 = 12.67
6
EJEMPLO MEDIAS Y VARIANZAS DE
COMBINACIONES LINEALES CASO CONTINUO
Sea X una variable aleatoria con función de densidad
𝑥2
𝑓 𝑥 = ቐ 3 , −1 <𝑥<2
0, 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Encuentre el valor esperado de 𝑔 𝑋 = 4𝑋 + 3 aplicando el teorema 4.5
Tenemos
𝐸 4𝑋 + 3 = 𝐸 4𝑋 + 3 = 4𝐸 𝑋 + 3
2 𝑥2 1 𝑥4 2 24 −14 15 5
𝐸 𝑋 = ‫׬‬−1 𝑥 3 𝑑𝑥 = ቤ = − = =
3 4 −1 12 12 12 4

5
4𝐸 𝑋 + 3 = 4 +3=8
4
VARIANZAS Y COMBINACIONES LINEALES

Teorema 4.6: 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
EJEMPLO
La demanda semanal de cierta bebida, en miles de litros, en una cadena de tiendas de abarrotes es una
variable aleatoria continua g(X) = X2 + X − 2, donde X tiene la función de densidad. Encuentre el valor
esperado para la demanda semanal de tal bebida.
2 𝑥 − 1 ,1 < 𝑥 < 2
𝑓 𝑥 =ቊ
0. 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Por el teorema 4.6, escribimos
𝐸 𝑋 2 + 𝑋 − 2 = 𝐸 𝑋 2 + 𝐸 𝑋 − 𝐸(2)
Del corolario 4.1, 𝐸 2 = 2 y, por integración directa
2 2 5 2 2 17
𝐸 𝑋 = ‫׬‬1 2𝑥 𝑥 − 1 𝑑𝑥 = 2 ‫׬‬1 𝑥 2 − 𝑥 𝑑𝑥 = 3 𝐸 𝑋 2 = ‫׬‬1 2𝑥 2 𝑥 − 1 𝑑𝑥 = 2 ‫׬‬1 𝑥 3 − 𝑥 2 𝑑𝑥 = 6
Por lo que
17 5 5
𝐸 𝑋2 + 𝑋 − 2 = 6
+ 3
− 2=2
VALOR ESPERADO EN VARIANZAS
Teorema 4.7: 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 ]
Al hacer 𝑔 𝑋, 𝑌 = 𝑔 𝑥 y ℎ 𝑋, 𝑌 = ℎ 𝑦 , vemos que
𝐸 𝑔 𝑋 ±ℎ 𝑌 = 𝐸[𝑔 𝑥 ] ± 𝐸[ℎ 𝑦 ]
Al hacer 𝑔 𝑋, 𝑌 = 𝑋 y ℎ 𝑋, 𝑌 = 𝑌, vemos que
𝐸 𝑋 ± 𝑌 = 𝑋 y ℎ 𝑋, 𝑌 = 𝑌
VALOR ESPERADO EN VARIANZAS
Teorema 4.8: Sean X y Y dos variables aleatorias independientes. Entonces,
𝐸 𝑋𝑌 = 𝐸 𝑋 𝐸(𝑌)
Sean X y Y dos variables aleatorias independientes. Entonces, σXY = 0.
2
Teorema 4.9: Si a y b son constantes, entonces, 𝜎𝑎𝑋+𝑏 = 𝑎2 𝜎𝑋2 = 𝑎2 𝜎 2

2
Al hacer a = 1, vemos que 𝜎𝑋+𝑏 = 𝜎𝑋2 = 𝜎 2

2
Al hacer b = 0, vemos que 𝜎𝑎𝑋 = 𝑎2 𝜎𝑋2 = 𝑎2 𝜎 2

establece que la varianza no cambia si se suma o se resta una constante a la variable aleatoria, La suma o
resta de una constante simplemente corre los valores de X a la derecha o a la izquierda; pero no cambia su
variabilidad
VALOR ESPERADO EN VARIANZAS
Teorema 4.10: Si 𝑋 y 𝑌 son variables aleatorias con distribución de probabilidad
conjunta f(x, y), entonces,
2
𝜎𝑎𝑋+𝑏𝑌 = 𝑎2 𝜎𝑋2 + 𝑏 2 𝜎𝑌2 + 2𝑎𝑏𝜎𝑋𝑌
Corolario 4.8: Si 𝑋 y 𝑌 son variables aleatorias independientes, entonces
2
𝜎𝑎𝑋+𝑏𝑌 = 𝑎2 𝜎𝑋2 + 𝑏 2 𝜎𝑌2
Corolario 4.9: Si 𝑋 y 𝑌 son variables aleatorias independientes, entonces
𝜎𝑎𝑋−𝑏𝑌 = 𝑎2 𝜎𝑋2 + 𝑏 2 𝜎𝑌2
 EJEMPLO
Si 𝑋 y 𝑌 son variables aleatorias con varianzas 𝜎𝑋2 = 2, 𝜎𝑌2 = 4 y covarianza 𝜎𝑋𝑌 = −2
encuentre la varianza de la variable aleatoria 𝑍 = 3𝑋 − 4𝑌 + 8
2 2
Tenemos que 4.9 𝜎𝑎𝑋+𝑏 Al hacer b = 0, vemos que 𝜎𝑎𝑋 = 𝑎2 𝜎𝑋2 = 𝑎2 𝜎 2
𝜎𝑍2 = 𝜎3𝑋−4𝑌+8
2 2
= 𝜎3𝑋−4𝑌
2
Ahora por el teorema 4.10 𝜎𝑎𝑋+𝑏𝑌 = 𝑎2 𝜎𝑋2 + 𝑏 2 𝜎𝑌2 + 2𝑎𝑏𝜎𝑋𝑌
= 32 𝜎𝑋2 + 42 𝜎𝑋2 + 2 3 −4 𝜎𝑋𝑌 = 9𝜎𝑋2 + 16𝜎𝑌2 − 24𝜎𝑋𝑌
Sustituyendo
= 9 2 + 16 4 − 24 −2 = 130
TEOREMA DE CHEBYSHEV
La probabilidad de que cualquier variable aleatoria 𝑋 tome un valor dentro de 𝑘
1
desviaciones estándar de la media es al menos 1 − 2 . Es decir:
𝑘

1
𝑃 𝜇 − 𝑘𝜎 < 𝑋 < 𝜇 + 𝑘𝜎 ≥ 1 −
𝑘2
EJEMPLO TEOREMA DE CHEBYSHEV
Una variable aleatoria X tiene una media 𝜇 = 8, una varianza 𝜎 2 = 9, y distribución de probabilidad
desconocida. Encuentre
A) 𝑃 −4 < 𝑋 < 20
1
Tenemos que 𝑃 𝜇 − 𝑘𝜎 < 𝑋 < 𝜇 + 𝑘𝜎 ≥ 1 −
𝑘2
𝜇 − 𝑘𝜎 = −4 ; dado que 𝜇 = 8 , 𝜎 2 = 9 ⟹ 𝜎 = 3
−4−8
8 − 𝑘 3 = −4; 𝑑𝑒𝑠𝑝𝑒𝑗𝑎𝑛𝑑𝑜 𝑘 = −3
=4
𝜇 − 𝑘𝜎 =20 ; dado que 𝜇 = 8 , 𝜎2 = 9 ⟹ 𝜎 =3
20−8
8 − 𝑘 3 = −4; 𝑑𝑒𝑠𝑝𝑒𝑗𝑎𝑛𝑑𝑜 𝑘 = −3
=4
Entonces:
1 15
𝑃 −4 < 𝑋 < 20 = 1 − =
42 16
EJEMPLO TEOREMA DE CHEBYSHEV CONT.
Una variable aleatoria X tiene una media 𝜇 = 8, una varianza 𝜎 2 = 9, y distribución de
probabilidad desconocida. Encuentre
B) 𝑃 𝑋 − 8 ≥ 6
𝑃 𝑋 − 8 ≥ 6 = 1 − 𝑃 𝑋 − 8 < 6 = 1 − −6 < 𝑋 − 8 < 6 = 1 − [ 8 − 6 < 𝑋 <