4.2.

El concepto de esperanza y
varianza de una variable aleatoria

Concepto de esperanza
La esperanza matemtica de una variable aleatoria discreta se
define como:

E ( X ) = xi f ( xi )
xi

La esperanza matemtica puede interpretarse intuitivamente

como el valor medio de infinitas observaciones. De hecho,
se cumple:
N

lim

x
i =1

= E( X )

La esperanza matemtica tambien puede

interpretarse como un punto de equilibrio
de la distribucin de probabilidad

E ( X ) = xi f ( xi )
xi

0.4
0.35
0.3

f ( x) = 1 / 6 x = 0,1,2,3,4,5

0.25
0.2

E ( X ) = 0 1 / 6 + 1 1 / 6 +  + 5 1 / 6 = 2.5

0.15
0.1
0.05
0

0.4

f ( x) = 1 / 16 x = 0,5

0.35

f ( x) = 3 / 16 x = 1,4

0.3
0.25

f ( x) = 4 / 16 x = 2,3

0.2

E ( X ) = 0 1 / 16 + 1 3 / 16 + 2 4 / 16 +

0.15
0.1

+ 3 4 / 16 + 4 3 / 16 + 5 1 / 16 = 2.5

0.05
0

Propiedades de E(X)
E (k ) = k
E (k X ) = k E ( X )
E ( X + Y ) = E ( X ) + E (Y )
E (k + X ) = k + E ( X )
Si X y Y son independientes
E ( X Y ) = E ( X ) E (Y )

Concepto de varianza
La varianza de una variable aleatoria discreta se define como:

V ( X ) = E ( X E ( X ))

Esta definicin equivale a:

V ( X ) = E( X

2
(
)
) E( X )

E ( X ) = xi f ( xi )
xi

E ( X 2 ) = xi2 f ( xi )
xi

La varianza puede interpretarse como un

momento de la distribucin de
probabilidad respecto de la esperanza

Menor Varianza

La varianza
aumenta al
aumentar la
dispersin de
la
probabilidad
respecto de la
esperanza

Mayor Varianza

0.4
0.35

f ( x) = 1 / 6 x = 0,1,2,3,4,5

0.3

E ( X ) = 0 1 / 6 + 1 1 / 6 +  + 5 1 / 6 = 2.5

0.25
0.2

E ( X 2 ) = 0 2 1 / 6 +  + 52 1 / 6 = 9.167

0.15
0.1

V ( X ) = 9.167 2.52 = 2.917

0.05
0

f ( x) = 1 / 16 x = 0,5
f ( x) = 3 / 16 x = 1,4

0.4
0.35

f ( x) = 4 / 16 x = 2,3

0.3

E ( X ) = 2.5

0.25
0.2

E ( X 2 ) = 0 2 1 / 16 + 12 3 / 16 + 2 2 4 / 16 +

0.15
0.1

+ 32 4 / 16 + 4 2 3 / 16 + 52 1 / 16 = 8

0.05
0

V ( X ) = 8 2.52 = 1.75

Propiedades de V(X)
V (k ) = 0
V (k X ) = k V ( X )
Si X y Y son independientes
V ( X + Y ) = V ( X ) + V (Y )
2

V ( X Y ) = V ( X ) + V (Y )
V (k + X ) = V ( X )

Desviacin tpica
Como la varianza tiene unidades al cuadrado, se define la
desviacin tpica (d.t.) (tambin llamada estandar) como
la raiz cuadrada de la varianza:

d .t. = V ( X )
En general, la varianza de una variable se denomina como 2.
Por lo tanto la desviacin tpica ser .

V (X ) =

d .t = V ( X ) = 2 =

Transformacin de variables
En muchos casos, puede ser interesante considerar una transformacin de la variable
original (por ejemplo: cambio de escala). En tal caso, la esperanza y la varianza de
la nueva variable pueden calcularse utilizando las propiedades anteriores. Algunas
transformaciones que apareceran a menudo son la estandarizacin de una variable y
el promedio de varias variables.

Estandarizacin
Se denomona estandarizacin a la transformacin:
Y=

X E( X )
V (X )

Promedio
El promedio de varias variables se calcula como:
Y=

X1 + X 2 + l + X N
N

Estandarizacin

X E( X )
Y=
V (X )

X E( X )
1

=
E (Y ) = E
E ( X E ( X )) =

V (X )
V (X )
1
1
[E ( X ) E ( E ( X ))] =
[E ( X ) E ( X )] = 0
=
V (X )
V (X )
2

X E( X ) 1
=
V ( X E ( X )) =
V (Y ) = V

V (X ) V (X )
1
=
[V ( X ) V ( E ( X ))] = 1 [V ( X ) 0] = 1
V (X )
V (X )

La estandarizacin de una variable, transforma la variable original

en una variable con esperanza 0 y varianza 1

Promedio Y =

X1 + X 2 +  + X N
N

X i independientes

X + X 2 ++ X N 1
E (Y ) = E 1
= E(X1 + X 2 +  + X N ) =
N

N
E( X1) + E( X 2 ) +  + E( X N )
=
N
X + X 2 ++ X N 1
V (Y ) = V 1
= 2 V (X1 + X 2 +  + X N ) =
N

N
V ( X1) + V ( X 2 ) +  + V ( X N )
=
N2

X + X 2 ++ X N
Promedio Y = 1
N

X i independientes

E( X i ) =
V ( X i ) = 2

X + X 2 ++ X N 1
E (Y ) = E 1
= E(X1 + X 2 +  + X N ) =
N

N
E( X1) + E( X 2 ) +  + E( X N ) N
=
=
=
N
N

X1 + X 2 +  + X N 1
V (Y ) = V
= 2 V (X1 + X 2 +  + X N ) =
N

N
V ( X1 ) + V ( X 2 ) +  + V ( X N ) N 2 2
=
=
=
2
2
N
N
N