P. 1
Esperanza Matemática o Valor Esperado

Esperanza Matemática o Valor Esperado

|Views: 607|Likes:
Publicado porKen Armyx Sanz

More info:

Published by: Ken Armyx Sanz on Jul 08, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOCX, PDF, TXT or read online from Scribd
See more
See less

02/10/2014

pdf

text

original

Esperanza Matemática o Valor Esperado: Definición: El valor esperado de una Variable Aleatoria X es el promedio o valor Promedio de X.

La esperanza matemática o valor esperado de una variable aleatoria tiene sus orígenes en los juegos de azar, debido a que los apostadores deseaban saber cuál era su esperanza de ganar repetidamente un juego, por lo tanto, el valor esperado representa la cantidad de dinero promedio que el jugador está dispuesto a ganar o perder después de un número grande de apuestas. En conclusión, el valor esperado de una variable aleatoria después de un número grande de experimentos es su valor esperado.

Esperanza matemática
En estadística la esperanza matemática (también llamada esperanza, valor esperado, media poblacional o media) de una variable aleatoria X, es el número que formaliza la idea de valor medio de un fenómeno aleatorio.

Cuando la variable aleatoria es discreta, la esperanza es igual a la suma de la probabilidad de cada posible suceso aleatorio multiplicado por el valor de dicho suceso. Por lo tanto, representa la cantidad media que se "espera" como resultado de un experimento aleatorio cuando la probabilidad de cada suceso se mantiene constante y el experimento se repite un elevado número de veces. Cabe decir que el valor que toma la esperanza matemática en algunos casos puede no ser "esperado" en el sentido más general de la palabra - el valor de la esperanza puede ser improbable o incluso imposible. Por ejemplo, el valor esperado cuando tiramos un dado equilibrado de 6 caras es 3,5. Podemos hacer el cálculo

y cabe destacar que 3,5 no es un valor posible al rodar el dado. En este caso, en el que todos los sucesos son de igual probabilidad, la esperanza es igual a la media aritmética. Una aplicación común de la esperanza matemática es en las apuestas o los juegos de azar. Por ejemplo, la ruleta americana tiene 38 casillas equiprobables. La ganancia para acertar una apuesta a un solo número paga de 35 a 1 (es decir, cobramos 35 veces lo que hemos apostado y recuperamos la apuesta, así que recibimos 36 veces lo que hemos apostado). Por tanto, considerando los 38 posibles resultados, la esperanza matemática del beneficio para apostar a un solo número es:

que es -0,0526 aproximadamente. Por lo tanto uno esperaría, en media, perder unos 5 céntimos por cada euro que apuesta, y el valor esperado para apostar 1 euro son 0.9474 euros. En el mundo de las apuestas, un juego donde el beneficio esperado es cero (no ganamos ni perdemos) se llama un "juego justo". Nota: El primer paréntesis es la "esperanza" de perder tu apuesta de $1, por eso es negativo el valor. El segundo paréntesis es la esperanza matemática de ganar los $35. La esperanza matemática del beneficio es el valor esperado a ganar menos el valor esperado a perder. [editar]Definición

Para una variable aleatoria discreta con valores posibles

y sus probabilidades

representadas por la función de probabilidadp(xi) la esperanza se calcula como:

Para una variable aleatoria continua la esperanza se calcula mediante la integral de todos los valores y la función de densidad :

La definición general de esperanza se basa, como toda la teoría de la probabilidad, en el marco de la teoría de la medida y se define como la siguiente integral:

La esperanza también se suele simbolizar con Las esperanzas para se llaman momentos de orden . .

Más importantes son los momentos centrados

No todas las variables aleatorias tienen un valor esperado. Por ejemplo, la distribución de Cauchy no lo tiene. [editar]Propiedades

La esperanza es un operador lineal, ya que:

Combinando estas propiedades, podemos ver que -

donde

e

son variables aleatorias y

y

y

son tres constantes cualesquiera.

DISTRIBUCION BINOMIAL Esta distribución se basa en el proceso de Bernoulli. Se denominan procesos de tipo Bernoulli, a todo experimento consistente en una serie de pruebasrepetidas, caracterizadas por tener resultados que se pueden clasificar en si verifican o no cierta propiedad o atributo, siendo aleatorios e independientes. Para identificar un proceso Bernoulli en una serie de pruebas repetidas, se deben verificar tres condiciones: 1. 2. 3. 4. Resultados dicotómicos: Los resultados de cada prueba se pueden clasificar en "éxito" si verifican cierta condición, o "fracaso" en el casocontrario. Independencia de las pruebas: El resultado de una prueba cualquiera es independiente del resultado obtenido en la prueba anterior, y no incide en el resultado de la prueba siguiente. Estabilidad de las pruebas: La probabilidad p de obtener un resultado considerado como un éxito se mantiene constante a lo largo de toda la serie de pruebas.

Cuando en un proceso del tipo Bernoulli se desea saber la probabilidad de obtener exactamente r éxitos, en una serie de n pruebas, con una probabilidad de éxito p, se puede aplicar la fórmula de la probabilidad binomial:

X = 0, 1, 2, ««, n.

La media o valor esperado es m = np La varianza s 2 = np(1-p) Veamos el siguiente ejemplo: Sea el caso de una droga X, con una dosis mortal de 1g/100 ml para cobayos experimentales, en el 25% de los casos. Aplicando esta dosis a cien cobayos se desea saber cuanto vale la probabilidad de que mueran veinte de ellos. Primero analizaremos si este caso cumple los supuestos básicos de una distribución binomial:

y y y

Los cobayos mueren (éxito) o sobreviven (fracaso). Que un cobayo muera con la dosis, no significa que lo hará el siguiente (independencia) pues no se trata de una epidemia. La probabilidad de que mueran se mantiene constante a lo largo de la serie de pruebas (p = 0,25). Entonces, como si cumple los supuestos básicos, aplicamos la formula:

Veamos otro ejemplo:

En una farmacia se ha calculado la probabilidad de venderle a un cliente con obra social es del 20%. Se eligen al azar 15 clientes de ese tipo que ingresan al negocio y se desea calcular la probabilidad de concretar menos de tres ventas. Si se cumple los supuestos básicos de la distribución binomial, entonces: P(x<3) = P(x=0) + P(x=1) + P(x=2) Matemáticamente esto se resuelve así:

Entonces: P(x<3) = 0.0352 + 0.1319 + 0.2309 = 0.398

DISTRIBUCION POISSON Se denominan procesos de tipo Poisson, a todo experimento consistente en una serie de pruebas repetidas dentro de un continuo, caracterizadas por tener resultados que se pueden clasificar en si verifican o no, cierta propiedad o atributo, siendo aleatorios e independientes del lugar que ocurren dentro del continuo. Para identificar un proceso Poisson en una serie de pruebas repetidas, se deben verificar tres condiciones: 1. 2. Sucesos puntuales: Los sucesos ocurren dentro de un continuo (espacio o tiempo) y ocupan una parte infinitesimal del mismo. Es decir, en el espacio un suceso es puntual y en el tiempo es instantáneo. En términos prácticos, los sucesos no ocupan una parte apreciable del continuo. Sucesos independientes: La ocurrencia de un suceso en un lugar del continuo no condiciona la ocurrencia del anterior (o del siguiente) en otra parte del mismo. Probabilidad constante: La probabilidad de ocurrencia de un suceso en un lugar del continuo es la misma en todo punto del mismo.

3. 4.

Son ejemplos de este tipo de proceso:

y y

la llegada de pacientes a una cola o línea de espera, los accidentes en una ruta, etc. Esta probabilidad se aproxima a la binomial cuando la probabilidad de éxito es muy pequeña, por eso muchos la llaman: la "binomial de los sucesos raros".

Cuando en un proceso del tipo Bernoulli se desea saber la probabilidad de obtener exactamente x éxitos en un intervalo de tiempo, con un promedio de eventos esperados l , se puede aplicar la fórmula de la probabilidad de Poisson:

X = 0, 1, 2, «., n e = 2.71828 (es una constante, la base de los logaritmos naturales) Veamos el siguiente ejemplo: Supongamos que estamos investigando la seguridad de una peligrosa intelección de calles, los registros policíacos indican una media de 5 accidentes mensuales en esta intersección. El departamento de seguridad vial desea que calculemos la probabilidad de que en cualquier mes ocurran exactamente 3 accidentes. Analizando el problema, este situación se ajusta a un proceso de Poisson, hay una secuencia de llegada (por mas que exista un choque múltiple, siempre hay uno que choca primero). Tenemos la siguiente información: l = 5 accidentes por mes x = 3 accidentes por mes Aplicando la formula de la probabilidad de Poisson:

DISTRIBUCIÓN POISSON DATOS HISTÓRICOS: La distribución de Poisson se llama así en honor a Simeón Dennis Poisson (1781 - 1840), francés que desarrollo esta distribución basándose en estudios efectuados en la ultima parte de su vida. DEFINICIÓN: La distribución de poisson desempeña un papel muy importante por derecho propio como modelo probabilistico apropiado para un gran numero de fenómenos aleatorios. Distribución De Poisson. Características: En este tipo de experimento los éxitos buscados son expresados por unidad de área, tiempo, pieza, etc, etc,: - de defectos de una tela por m2 - de aviones que aterrizan en un aeropuerto por día, hora, minuto, etc, etc. - de bacterias por cm2 de cultivo - de llamadas telefónicas a un conmutador por hora, minuto, etc, etc. - de llegadas de embarcaciones a un puerto por dia, mes, etc, etc. Para determinar la probabilidad de que ocurran x éxitos por unidad de tiempo, área, o producto, la formula a utilizar seria:

donde:

=probabilidad de que ocurra x éxitos, cuando el numero promedio de ocurrencia de ellos es = media o promedio de éxitos por unidad de tiempo, área o producto = 2.718 = variable que nos denota el numero de éxitos que se desea que ocurra hay que hacer notar que en esta distribución el numero de éxitos que ocurren por unidad de tiempo, área o producto es totalmente al azar y que cada intervalo de tiempo es independiente de otro intervalo dado, así como cada área es independiente de otra área dada y cada producto es independiente de otro producto dado. Ejemplo: Si un banco recibe en promedio 6 cheques sin fondos por día, cuales son las posibilidades de que reciban 4 cheques sin fondo en un día dada. a) x= variable que nos define el numero de cheques sin fondo que llegan al banco en un día cualquiera. (landa) = 6 cheques sin fondo x día = 2.718

Solución:

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->