1 MEDIA O VALOR ESPERADO DE UNA VARIABLE ALEATORIA

Supongamos que hemos realizado n veces un experimento aleatorio que genera

una variable X. El valor medio del experimento en estas n repeticiones es la suma de los
productos de los valores de la variable por su frecuencia relativa. Cuando n sea igual a
infinito, el valor medio del experimento se llama valor esperado o esperanza matemática,
E[X].

Definición:
Sea X una variable aleatoria con distribución de probabilidad f(x). La media o valor
esperado de X es:
sí X es discreta:

𝜇 = 𝐸(𝑋) = ∑ 𝑥𝑓(𝑥)
𝑋

sí X es continua:
∞
𝜇 = 𝐸(𝑋) = ∫ 𝑥𝑓(𝑥)𝑑𝑥
−∞

Ejemplo 1: 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.
Solución: Sea X el número de componentes buenos en la muestra. La distribución de
probabilidad de X es:
𝟒 𝟑
( ) ( )
𝒇(𝒙) = 𝒙 𝟑 − 𝒙 , 𝒙 = 𝟎, 𝟏, 𝟐, 𝟑.
𝟕
( )
𝟑
Resolviendo:
𝟒 𝟑
( ) ( )
𝒇(𝟎) = 𝟎 𝟑 − 𝟎
𝟕
( )
𝟑
𝒏!
Aplicando la fórmula de combinación: 𝑪𝒏,𝒓 = 𝒓!(𝒏−𝒓)!

𝟒! 𝟑! 𝟒! 𝟑!
( ) ( ) (𝟒!) ( 𝟑! ) (𝟏) ( 𝟏 ) 𝟏
𝟎! (𝟒 − 𝟎)! 𝟑! (𝟑 − 𝟑)!
𝒇(𝟎) = = =
𝟕! 𝟕! 𝟕!
( ) ( ) ( ) 𝟑𝟓
𝟑! (𝟕 − 𝟑)! 𝟑! (𝟒)! 𝟑! (𝟒)!
 𝟒 𝟑 𝟒 𝟑
( ) ( ) ( ) ( )
𝟏 𝟑−𝟏
𝒇(𝟏) = 𝟕 = 𝟕 𝟐
𝟏
( ) ( )
𝟑 𝟑

𝟒! 𝟑! 𝟒! 𝟑!
( ) ( ) ( )( ) (𝟒) ( 𝟑 ) 𝟏𝟐
𝟏! (𝟒 − 𝟏)! 𝟐! (𝟑 − 𝟐)! 𝟏! (𝟑)! 𝟐! (𝟏)!
𝒇(𝟏) = = = =
𝟕! 𝟕! 𝟕!
( ) ( ) ( ) 𝟑𝟓
𝟑! (𝟕 − 𝟑)! 𝟑! (𝟒)! 𝟑! (𝟒)!
𝟒 𝟑 𝟒 𝟑
( ) ( ) ( ) ( )
𝟐 𝟑−𝟐
𝒇(𝟐) = 𝟕 = 𝟕𝟏
𝟐
( ) ( )
𝟑 𝟑

𝟒! 𝟑! 𝟒! 𝟑!
( ) ( ) ( )( ) (𝟔) ( 𝟑 ) 𝟏𝟖
𝟐! (𝟒 − 𝟐)! 𝟏! (𝟑 − 𝟏)! 𝟐! (𝟐)! 𝟏! (𝟐)!
𝒇(𝟐) = = = =
𝟕! 𝟕! 𝟕!
( ) ( ) ( ) 𝟑𝟓
𝟑! (𝟕 − 𝟑)! 𝟑! (𝟒)! 𝟑! (𝟒)!
𝟒 𝟑 𝟒 𝟑
( ) ( ) ( ) ( )
𝟑 𝟑−𝟑
𝒇(𝟑) = 𝟕 = 𝟕𝟎
𝟑
( ) ( )
𝟑 𝟑

𝟒! 𝟑! 𝟒! 𝟑!
( ) ( ) ( )( ) (𝟒) ( 𝟏 ) 𝟒
𝟑! (𝟒 − 𝟑)! 𝟎! (𝟑 − 𝟎)! 𝟑! (𝟏)! 𝟎! (𝟑)!
𝒇(𝟑) = = = =
𝟕! 𝟕! 𝟕!
( ) ( ) ( ) 𝟑𝟓
𝟑! (𝟕 − 𝟑)! 𝟑! (𝟒)! 𝟑! (𝟒)!
Unos cálculos sencillos dan:
𝟏 𝟏𝟐 𝟏𝟖 𝟒
𝒇(𝟎) = , 𝒇(𝟏) = , 𝒇(𝟐) = , 𝒇(𝟑) = .
𝟑𝟓 𝟑𝟓 𝟑𝟓 𝟑𝟓
Por lo tanto,
𝟏 𝟏𝟐 𝟏𝟖 𝟒 𝟏𝟐
𝜇 = 𝐸(𝑋) = (𝟎) ( ) + (𝟏) ( ) + (𝟐) ( ) + (𝟑) ( ) = = 𝟏. 𝟕
𝟑𝟓 𝟑𝟓 𝟑𝟓 𝟑𝟓 𝟕
De esta manera, 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 buenos.

Ejemplo 2: 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) = { 𝒙𝟑 }
𝟎, 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜.
Encuentre la vida esperada para esta clase de dispositivo.

Solución: Con la definición 4.1, cuando X es continua tenemos. 𝜇 = 𝐸(𝑋) =

∞
∫−∞ 𝑥𝑓(𝑥)𝑑𝑥
 ∞ ∞
𝟐𝟎𝟎𝟎𝟎 𝟐𝟎𝟎𝟎𝟎
𝜇 = 𝐸(𝑋) = ∫ 𝑥 𝟑
𝑑𝑥 = ∫ 𝑑𝑥
100 𝒙 100 𝒙𝟐

∞
𝒙−𝟏 ∞ 20000 ∞
= 𝟐𝟎𝟎𝟎𝟎 ∫ 𝒙−𝟐 𝑑𝑥 = [𝟐𝟎𝟎𝟎𝟎 ( ) ]⃒ = ⃒100
100 −1 100 −𝑥
20000 20000
= − (− ) = 200
∞ 100
Por lo tanto, esperamos que, en promedio, este tipo de dispositivo dure 200 horas.

Teorema 1:
Sea X una variable aleatoria con distribución de probabilidad f(x). El valor esperado de
la variable aleatoria g(X) es:
sí X es discreta:

𝜇𝑔 (𝑥) = 𝐸[𝑔(𝑋)] = ∑ 𝑔(𝑥)𝑓(𝑥)

𝑋

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

Ejemplo 3: 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:
𝒙 𝟒 𝟓 𝟔 𝟕 𝟖 𝟗
⃒
𝑷(𝑿 = 𝒙) 𝟏 𝟏 𝟏 𝟏 𝟏 𝟏
𝟏𝟐 𝟏𝟐 𝟒 𝟒 𝟔 𝟔

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.

Solución: Por el teorema 4.1, el dependiente puede esperar recibir:

𝜇𝑔 (𝑥) = 𝐸[𝑔(𝑋)] = ∑ 𝑔(𝑥)𝑓(𝑥)
𝑋
9

𝐸[𝑔(𝑋)] = 𝐸[2𝑋 − 1] = ∑(2𝑥 − 1)𝑓(𝑥)

𝑥=4
 1
𝐸[𝑔(4)] = (2 ∗ 4 − 1)𝑓(𝑥) = (7) ( )
12
1
𝐸[𝑔(5)] = (2 ∗ 5 − 1)𝑓(𝑥) = (9) ( )
12
1
𝐸[𝑔(6)] = (2 ∗ 6 − 1)𝑓(𝑥) = (11) ( )
4
1
𝐸[𝑔(7)] = (2 ∗ 7 − 1)𝑓(𝑥) = (13) ( )
4
1
𝐸[𝑔(8)] = (2 ∗ 8 − 1)𝑓(𝑥) = (15) ( )
6
1
𝐸[𝑔(9)] = (2 ∗ 9 − 1)𝑓(𝑥) = (17) ( )
6
1 1 1 1 1 1
= (7) ( ) + (9) ( ) + (11) ( ) + (13) ( ) + (15) ( ) + (17) ( ) = $12.67
12 12 4 4 6 6

Ejemplo 4: Sea X una variable aleatoria con función de densidad

𝒙𝟐
𝒇(𝒙) = { 𝟑 , −𝟏<𝒙<𝟐 }
𝟎, 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜.
Encuentre el valor esperado de g(X) = 4X + 3.

Solución: por el teorema 4.1 si X es continua:

∞
𝜇𝑔 (𝑥) = 𝐸[𝑔(𝑋)] = ∫ 𝑔(𝑥)𝑓(𝑥)𝑑𝑥
−∞
2
(4𝑥 + 3)(𝒙𝟐 )
𝐸[4𝑋 + 3] = ∫ 𝑑𝑥
−1 3
Resolviendo:
1 2 𝟑 𝟐
1 4𝒙𝟒 3𝒙𝟑 𝟐
= ∫ (4𝒙 + 3𝒙 ) 𝑑𝑥 = ( ) [( + ) ⃒−𝟏 ]
3 −1 3 4 𝟑
1 1
= ( ) [(𝟐𝟒 + 𝟐𝟑 − (−𝟏)𝟒 − (−𝟏)𝟑 ) ] = ( ) (24) = 8
3 3
Definición 2:
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:
sí X y Y son discretas:

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

𝑥 𝑦

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

Es evidente la generalización de la definición 2 para el cálculo de la esperanza matemática

de funciones de diversas variables aleatorias.

Ejercicio 5:
La distribución de probabilidad de la variable aleatoria discreta X es
𝑥 3−𝑥
3 1 3
𝑓(𝑥) = ( ) ( ) ( ) , 𝑥 = 0,1,2,3.
𝑥 4 4
Encuentre la media de X.
Resolviendo:
3

𝐸(𝑋) = ∑ 𝑥𝑓(𝑥)
𝑥=0

Cuando:
0 3−0
3 1 3 𝟑! 1 0 3 3
𝟑! 27
𝑓(0) = ( ) ( ) ( ) =( )( ) ( ) =( ) (𝟏) ( )
0 4 4 𝟎! (𝟑 − 𝟎)! 4 4 (𝟑)! 64
27 27
= (1)(𝟏) ( ) =
64 64
1 3−1
3 1 3 𝟑! 1 1 3 2
𝟑! 1 9
𝑓(1) = ( ) ( ) ( ) =( )( ) ( ) =( )( )( )
1 4 4 𝟏! (𝟑 − 𝟏)! 4 4 𝟏! (𝟐)! 4 16
1 9 27
= (3) ( ) ( ) =
4 16 64
 2 3−2
3 1 3 𝟑! 1 2 3 1
𝟑! 1 3
𝑓(2) = ( ) ( ) ( ) =( )( ) ( ) =( )( )( )
2 4 4 𝟐! (𝟑 − 𝟐)! 4 4 𝟐! (𝟏)! 16 4
1 3 9
= (3) ( ) ( ) =
16 4 64
3 3−3
3 1 3 𝟑! 1 3 3 0
𝟑! 1
𝑓(3) = ( ) ( ) ( ) =( )( ) ( ) =( ) ( ) (1)
3 4 4 𝟑! (𝟑 − 𝟑)! 4 4 (𝟑)! 64
1 1
= (1) ( ) (1) =
64 64
3
27 27 9 1 3
𝐸(𝑋) = ∑ 𝑥𝑓(𝑥) = (0) ( ) + (1) ( ) + (2) ( ) + (3) ( ) =
64 64 64 64 4
𝑥=0
3
R: La media es: = 4

Ejercicio 6:
A un dependiente de un autolavado se le paga de acuerdo con el número de automóviles
1 1 1 1 1 1
que lava. Suponga que las probabilidades son = 12 , 12 , 4 , 4 , 6 , y 6, respectivamente, de
que el dependiente reciba $7, $9, $11, $13, $15 o $17 entre 4:00 P.M. y 5:00 P.M. en
cualquier viernes soleado. Encuentre las ganancias que es perada el dependiente para este
periodo específico.

Solución: Con la definición 4.1, cuando X es discreta tenemos. 𝜇 = 𝐸(𝑋)

1 1 1 1 1
𝜇 = 𝐸(𝑋) = ($7) (12) + ($9) (12) + ($11) (4) + ($13) (4) + ($15) (6) +
1
($17) ( ) = $12.67
6

R: las ganancias son: = $12.67

Ejercicios Propuestos:

1) La distribución de probabilidad de X, el número de imperfecciones por cada

10 metros de una tela sintética, en rollos continuos de ancho uniforme, está
dada.
x 0 1 2 3 4
f(x) 0.41 0. 37 0.16 0.05 0.01
2) En un juego de azar, a una mujer se le pagan $3 si saca un Jack o una reina,
y $5 si saca un rey o un as de una baraja ordinaria de 52 cartas. Pierde si saca
cualquier otra carta. ¿Cuánto debería pagar si el juego es justo?

3) Si la ganancia de un distribuidor, en unidades de $5000, para un automóvil

nuevo se puede ver como
una variable aleatoria X que tiene la función de densidad.

𝟐(𝟏 − 𝒙), 𝟎<𝒙<𝟏

𝒇(𝒙) = { }
𝟎, 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜.

encuentre la ganancia promedio por automóvil.

4) ¿Qué proporción de individuos se puede esperar que respondan a cierta

encuesta que se envía por correo, si la proporción X tiene la función de
densidad

𝟐(𝒙 + 𝟐)
, 𝟎<𝒙<𝟏
𝒇(𝒙) = { 𝟓 }
𝟎, 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜.

5) El periodo de hospitalización, en días, para pacientes que siguen el

tratamiento para cierto tipo de trastorno renal es una variable aleatoria Y =
X + 4, donde X tiene la función de densidad

𝟑𝟐
, 𝒙>𝟎
𝒇(𝒙) = { (𝒙 + 𝟒)𝟑 }
𝟎, 𝒆𝒏 𝒄𝒖𝒂𝒍𝒒𝒖𝒊𝒆𝒓 𝒐𝒕𝒓𝒐 𝒄𝒂𝒔𝒐.
Encuentre el número promedio de días que un individuo permanece hospitalizada
para seguir el tratamiento para dicha enfermedad.
2 VARIANZA Y COVARIANZA DE VARIABLES ALEATORIAS:

El valor esperado es una medida de centro de una distribución. Muchas veces,

aunque no siempre, juega el papel de valor representativo de una variable. En este capítulo
vamos a introducir la varianza de una variable, que es una forma burda de medir la
dispersión de la distribución entorno al valor esperado. Luego, veremos cómo podemos
extender este concepto para definir la covarianza, que es una medida de la dispersión de
una variable respecto de otra.

Definición 1: Sea X una variable aleatoria con distribución de probabilidad f(x) y media
μ.
La varianza de X es:
𝜎 2 = 𝐸[(𝑋 − 𝜇)2 ] = ∑(𝑥 − 𝜇)2 𝑓(𝑥), 𝑠𝑖 𝑋 𝑒𝑠 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎,
𝑥
∞
𝜎 2 = 𝐸[(𝑋 − 𝜇)2 ] = ∫ (𝑥 − 𝜇)2 𝑓(𝑥) 𝑑𝑥, 𝑠𝑖 𝑋 𝑒𝑠 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎.
−∞
La raíz cuadrada positiva de la varianza, σ, se llama desviación estándar
de X.

Ejemplo 1:
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 es.
x 1 2 3
f(x) 0.3 0.4 0.3
y para la compañía B:
x 0 1 2 3 4
f(x) 0.2 0. 1 0.3 0.3 0.1
Muestre que la varianza de la distribución de probabilidad para la compañía B es
mayor que la de la compañía A.

Solución: Para la compañía A, encontramos que

𝝁𝑨 = 𝑬(𝒙) = (𝟏)(𝟎. 𝟑) + (𝟐)(𝟎. 𝟒) + (𝟑)(𝟎. 𝟑) = 𝟐

Entonces
Aplicando: en caso discreto
𝜎 2 = 𝐸[(𝑋 − 𝜇)2 ] = ∑(𝑥 − 𝜇)2 𝑓(𝑥),
𝑥
Tenemos:

𝝈𝟐𝑨 = ∑(𝒙 − 𝟐)𝟐 𝒇(𝒙) = (1 − 2)2 (0.3) + (2 − 2)2 (0.4) + (3 − 2)2 (0.3) = 0.6
𝒙=𝟏

Para la compañía B, tenemos

𝝁𝑩 = 𝑬(𝒙) = (𝟎)(𝟎. 𝟐) + (𝟏)(𝟎. 𝟏) + (𝟐)(𝟎. 𝟑) + (𝟑)(𝟎. 𝟑) + (𝟒)(𝟎. 𝟏) = 𝟐

Entonces:
𝟒

𝝈𝟐𝑩 = ∑(𝒙 − 𝟐)𝟐 𝒇(𝒙) = (0 − 2)2 (0.2) + (1 − 2)2 (0.1) + (2 − 2)2 (0.3)
𝒙=𝟎
+ (3 − 2)2 (0.3) + (4 − 2)2 (0. ) = 1.6
R: De forma clara, la varianza del número de automóviles que se utilizan con propósitos
de negocios oficiales es mayor para la compañía B que para la compañía A.

Una fórmula alternativa que se prefiere para encontrar σ2, que a menudo simplifica los
cálculos, se establece en el siguiente teorema.

Teorema 4.2: La varianza de una variable aleatoria X es

𝜎 2 = 𝐸(𝑋 2 ) − 𝜇 2

Ejemplo 2: Sea la variable aleatoria X el número de partes defectuosas de una máquina,

cuando se muestrean y se prueban tres partes de una línea de producción. La siguiente es
la distribución de probabilidad de X.
x 0 1 2 3
f(x) 0.51 0.38 0.1 0.01
2
Con el teorema 4.2, calcule 𝜎
Solución: Primero, calculamos aplicando

𝜇 = (0)(0.51) + (1)(0.38) + (2)(0.1) + (3)(0.01) = 0.61

Luego:
𝐸(𝑋 2 ) = (0)(0.51) + (1)(0.38) + (4)(0.1) + (9)(0.01) = 0.87
Por lo tanto:
𝜎 2 = 𝐸(𝑋 2 ) − 𝜇 2 = 87 − (0.61)2 = 0.4979
R:= 0.4979

Ejemplo 3: 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) = { }
𝟎, 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜.
Encuentre la media y la varianza de X.
Solución:
Utilizando la definición para caso continuo tenemos:
𝟐
𝝁 = 𝑬(𝒙) = ∫𝟏 𝒙𝟐(𝒙 − 𝟏)𝒅𝒙
𝟐
𝟐
𝒙𝟑 𝒙𝟐 𝟐 𝟐𝟑 𝟐𝟐 𝟏𝟑 𝟏 𝟐 𝟓
= 𝟐∫ (𝒙 − 𝒙)𝒅𝒙 = [(𝟐) ( − ) ⃒ 𝟏 ] = (𝟐) [ − − + ]=
𝟏
𝟑 𝟐 𝟑 𝟐 𝟑 𝟐 𝟑
 𝟐
= 𝑬(𝑿𝟐 ) = ∫ 𝒙𝟐 𝟐(𝒙 − 𝟏)𝒅𝒙
𝟏
𝟐
𝟑 𝟐
𝒙𝟒 𝒙𝟑 𝟐 𝟐𝟒 𝟐𝟑 𝟏𝟒 𝟏𝟑 𝟏𝟕
= 𝟐 ∫ (𝒙 − 𝒙 )𝒅𝒙 = [(𝟐) ( − ) ⃒𝟏 ] = (𝟐) [ − − + ]=
𝟏 𝟒 𝟑 𝟒 𝟑 𝟒 𝟑 𝟔
Entonces:

𝟏𝟕 𝟓 2 1
𝜎 2 = 𝐸(𝑋 2 ) − 𝜇 2 = −( ) =
𝟔 𝟑 18

Extenderemos ahora nuestro concepto de varianza de una variable aleatoria X para incluir
también variables aleatorias relacionadas con X. Para la variable aleatoria g(X), la
2
varianza se denotará con 𝜎𝑔(𝑋) y se calculará empleando el siguiente teorema.

Teorema 3: Sea X una variable aleatoria con distribución de probabilidad f(x). La

varianza de
la variable aleatoria g(X) es:
sí X es discreta:
2 2 2
𝜎𝑔(𝑋) = 𝐸 {[𝑔(𝑋) − 𝜇𝑔(𝑋) ] } = ∑[𝑔(𝑋) − 𝜇𝑔(𝑋) ] 𝑓(𝑥)
𝑥
Si X es continua:
∝
2 2 2
𝜎𝑔(𝑋) = 𝐸 {[𝑔(𝑋) − 𝜇𝑔(𝑋) ] } = ∫ [𝑔(𝑋) − 𝜇𝑔(𝑋) ] 𝑓(𝑥) 𝑑𝑥
−∝

Ejemplo 4:
Calcule la varianza de g(X) = 2X + 3, donde X es una variable aleatoria con distribución
de probabilidad.
x 0 1 2 3
f(x) 1 1 1 1
4 8 2 8
Solución: Primero encontramos la media de la variable aleatoria 2X + 3. De acuerdo con
el
teorema,
𝜇𝑔 (𝑥) = 𝐸[𝑔(𝑋)] = ∑ 𝑔(𝑥)𝑓(𝑥)
𝑋
3

𝜇2𝑥+3 = 𝐸[2𝑥 + 3] = ∑(2𝑥 + 3)𝑓(𝑥)

𝑥=0

1
𝐸[𝑔(0)] = (2 ∗ 0 + 3)𝑓(𝑥) = (3) ( )
4
1
𝐸[𝑔(1)] = (2 ∗ 1 + 3)𝑓(𝑥) = (5) ( )
8
 1
𝐸[𝑔(2)] = (2 ∗ 2 + 3)𝑓(𝑥) = (7) ( )
2
1
𝐸[𝑔(3)] = (2 ∗ 3 + 3)𝑓(𝑥) = (9) ( )
8

1 1 1 1
= (3) ( ) + (5) ( ) + (7) ( ) + (9) ( ) = 6
4 8 2 8

Ahora con el teorema:

2 2 2
𝜎𝑔(𝑋) = 𝐸 {[𝑔(𝑋) − 𝜇𝑔(𝑋) ] } = ∑[𝑔(𝑋) − 𝜇𝑔(𝑋) ] 𝑓(𝑥)
𝑥
2
𝜎2𝑥+3 = 𝐸{[(2𝑥 + 3) − 𝜇2𝑥+3 ]2 } = 𝐸[(2𝑥 + 3 − 6)2 ]
3

= 𝐸[4𝑋 − 12𝑋 + 9] = ∑(4𝑋 2 − 12𝑋 + 9)𝑓(𝑥) = 4

2

𝑥=0

Definición 4.4: Sean X y Y variables aleatorias con distribución de probabilidad conjunta

f(x, y). La covarianza de X y Y es
Si X y Y son discretas:

𝜎𝑋𝑌 = 𝐸[(𝑋 − 𝜇𝑥 )(𝑌 − 𝜇𝑦 )] = ∑ ∑(𝑥 − 𝜇𝑥 )(𝑦 − 𝜇𝑦 ) 𝑓(𝑥, 𝑦)

𝑥 𝑦
Si X y Y son continuas:
∞ ∞
𝜎𝑋𝑌 = 𝐸[(𝑋 − 𝜇𝑥 )(𝑌 − 𝜇𝑦 )] = ∫ ∫ (𝑥 − 𝜇𝑥 )(𝑦 − 𝜇𝑦 )𝑓(𝑥, 𝑦)𝑑𝑥 𝑑𝑦
−∞ −∞

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

asociación entre ambas. Si valores grandes de X a menudo tienen como resultado valores
grandes de Y, o valores pequeños de X tienen como resultado valores pequeños de 𝑌, 𝑋 −
𝜇𝑥 positiva con frecuencia tendrá como resultado 𝑌 − 𝜇𝑌 positiva, y 𝑋 − 𝜇𝑥 negativa a
menudo tendrá como resultado 𝑌 − 𝜇𝑦 negativa. De esta forma, el producto (𝑋 − 𝜇𝑥 )(𝑌 −
𝜇𝑦 )tenderá a ser positivo. Por otro lado, si con frecuencia valores grandes de X tienen
como resultado valores pequeños de Y, entonces el producto (𝑋 − 𝜇𝑥 )(𝑌 − 𝜇𝑦 ) 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 mostrar que la covarianza es cero. Lo opuesto, sin embargo, por
lo general, no es cierto. Dos variables pueden tener covarianza cero e incluso así no ser
estadísticamente independientes. Observe que 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.
Ejemplo 5: La fracción X de corredores y la fracción Y de corredoras que compiten en la
maratón
se describen mediante la función de densidad conjunta.
𝟖𝒙𝒚, 𝟎≤ 𝒙≤𝟏
𝒇(𝒙, 𝒚) = { }
𝟎, 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜.
Encuentre la covarianza de X y Y.
Solución: Debemos calcular primero las funciones de densidad marginal. Éstas son.
𝟒𝒙𝟑 , 𝟎≤ 𝒙≤𝟏
𝒈(𝒙) = { }
𝟎, 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜.
𝟒𝒚(𝟏 − 𝒚𝟐 ), 𝟎≤ 𝒙≤𝟏
𝒉(𝒚) = { }
𝟎, 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜.
De las funciones de densidad marginal dadas arriba, calculamos.
𝟏
𝝁𝒙 = 𝑬(𝑿) = ∫ 𝟒𝒙𝟑 (𝒙)𝒅𝒙
𝟎
𝟏
𝒙𝟓 𝟏𝟓 𝟎𝟓 𝟏 𝟒
𝑬(𝑿) = 𝟒 ∫ 𝒙𝟒 𝒅𝒙 = (𝟒) [ ] ⃒𝟏𝟎 = (𝟒) [ − ] = (𝟒) ( ) =
𝟎 𝟓 𝟓 𝟓 𝟓 𝟓
𝟏
𝝁𝒚 = 𝑬(𝑿) = ∫ 𝟒𝒚(𝟏 − 𝒚𝟐 )(𝒚) 𝒅𝒚
𝟎
𝟏 𝟏
𝟐 𝟐
𝒚𝟑 𝒚 𝟓 𝟏
𝟐 𝟒
𝑬(𝑿) = 𝟒 ∫ 𝒚 (𝟏 − 𝒚 ) 𝒅𝒚 = 𝟒 ∫ 𝒚 − 𝒚 ) 𝒅𝒚 = (𝟒) [ − ] ⃒𝟎
𝟎 𝟎 𝟑 𝟓

𝟏𝟑 𝟏𝟓 𝟎𝟑 𝟎𝟓 𝟐 𝟖
= (𝟒) [ − − − ] = (𝟒) ( ) =
𝟑 𝟓 𝟑 𝟓 𝟏𝟓 𝟏𝟓
De las funciones de densidad conjunta dadas, tenemos.
𝟏 𝟏
𝑬(𝑿𝒀) = ∫ ∫ 𝟖𝒙𝟐 𝒚𝟐 𝒅𝒙𝒅𝒚
𝟎 𝒚
𝟏 𝟏 𝟏 𝟏
𝟐 𝟐
𝒙𝟑 𝟏 𝟐 𝟐
𝟏𝟑 𝒚𝟑
𝑬(𝑿𝒀) = 𝟖 ∫ 𝒚 ∫ 𝒙 𝒅𝒙𝒅𝒚 = 𝟖 ∫ (𝒚 ) [ ] ⃒𝒚 𝒅𝒚 = 𝟖 ∫ (𝒚 ) [ − ] 𝒅𝒚
𝟎 𝒚 𝟎 𝟑 𝟎 𝟑 𝟑
𝟏 𝟑 𝟑 𝟏 𝟑 𝟔
𝟏 𝒚 𝟖 𝟖 𝒚 𝒚
= 𝟖 ∫ (𝒚𝟐 ) [ − ] 𝒅𝒚 = ∫ 𝒚𝟐 − 𝒚𝟓 𝒅𝒚 = ( ) [( − )] ⃒𝟏𝟎
𝟎 𝟑 𝟑 𝟑 𝟎 𝟑 𝟑 𝟔
𝟑 𝟔 𝟑 𝟔
𝟖 𝟏 𝟏 𝟎 𝟎 𝟖 𝟏 𝟒
= ( ) [( − − + )] = ( ) ( ) =
𝟑 𝟑 𝟔 𝟑 𝟏𝟔 𝟑 𝟔 𝟗
Tenemos: Para el caso de continuas:

𝜎𝑋𝑌 = 𝐸[(𝑋𝑌) − 𝜇𝑥 𝜇𝑦 )]
4 4 8 4
𝜎𝑋𝑌 = − ( ) ( ) =
9 5 15 225
EJERCICIOS PRPOUESTOS:

1) Suponga que las probabilidades son 0.4, 0.3, 0.2 y 0.1, respectivamente, de
que 0, 1, 2 o 3 fallas de energía eléctrica afecten cierta subdivisión en
cualquier año dado. Encuentre la media y la varianza de la variable aleatoria
X que representa el número de fallas de energía que afectan esta subdivisión.

2) Sea X una variable aleatoria con la siguiente distribución de probabilidad:

x -2 3 5
f(x) 0.3 0.2 0.5

Encuentre la desviación estándar de X.

3) El tiempo, en minutos, para que un avión obtenga vía libre para despegar en
cierto aeropuerto es una variable aleatoria Y = 3X − 2, donde X tiene la
función de densidad

𝟏 −𝒙
𝒆 𝟒, 𝒙>𝟎
𝒇(𝒙) = { 𝟒 }
𝟎, 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜.
Encuentre la media y la varianza de la variable aleatoria Y.

4) La distribución de probabilidad de X, el número de imperfecciones por cada

10 metros de una tela sintética, en rollos continuos de ancho uniforme, está
dada.

x 0 1 2 3 4
f(x) 0.41 0. 37 0.16 0.05 0.01

Encuentre la varianza y la desviación estándar del número de imperfecciones.

5) En una tarea de laboratorio, si el equipo está funcionando, la función de

densidad del resultado observado, X, es:

𝟐(𝟏 − 𝒙), 𝟎<𝒙<𝟏

𝒇(𝒙) = { }
𝟎, 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜.
Encuentre la varianza y la desviación estándar de X.