Está en la página 1de 6
 
111
Capítulo 4
Esperanza matemática
4.1 Media de una variable aleatoria
En el capítulo 1 estudiamos la media muestral, que es la media aritmética de los datos. Ahora considere la siguiente situación: si dos monedas se lanzan 16 veces y
 X 
 es el número de caras que resultan en cada lanzamiento, entonces los valores de
 X 
 pueden ser 0, 1 y 2. Suponga que los resultados del experimento son: cero caras, una cara y dos caras, un total de 4, 7 y 5 veces, respectivamente. El número promedio de caras por lan-zamiento de las dos monedas es, entonces,
(0)(4)
+
(1)(7)
+
(2)(5)16
 =
1.06.
Éste es un valor promedio de los datos, aunque no es un resultado posible de {0, 1, 2}. Por lo tanto, un promedio no es necesariamente un resultado posible del experimen-to. Por ejemplo, es probable que el ingreso mensual promedio de un vendedor no sea igual a alguno de sus cheques de pago mensuales.Reestructuremos ahora nuestro cálculo del número promedio de caras para tener la siguiente forma equivalente:(0)416
 +
(1)716
 +
(2)516
 =
1.06.Los números 4/16, 7/16 y 5/16 son las fracciones de los lanzamientos totales que dan como resultado 0, 1 y 2 caras, respectivamente. Tales fracciones también son las frecuen-cias relativas de los diferentes valores de
 X 
 en nuestro experimento. Entonces, realmente podemos calcular la media, o el promedio de un conjunto de datos, si conocemos los distintos valores que ocurren y sus frecuencias relativas sin tener conocimiento del nú-mero total de observaciones en el conjunto de datos. Por lo tanto, si 4/16 o 1/4 de los lan-zamientos dan como resultado cero caras, 7/16 de los lanzamientos dan como resultado una cara y 5/16 dan como resultado dos caras, el número medio de caras por lanzamiento sería 1.06, sin importar si el número total de lanzamientos fue 16, 1000 o incluso 10,000.Este método de frecuencias relativas se utiliza para calcular el número promedio de caras que esperaríamos obtener a largo plazo por el lanzamiento de dos monedas. A este valor promedio se le conoce como
media de la variable aleatoria
 
 X 
 o
media de la dis-tribución de probabilidad de
 X 
, y se le denota como
 µ
 x 
 o simplemente como
 µ
 cuando es evidente a qué variable aleatoria se está haciendo referencia. También es común entre los estadísticos referirse a esta media como la esperanza matemática o el valor esperado de la variable aleatoria
 X 
 y denotarla como
 E 
(
 X 
).
 
112 Capítulo 4 Esperanza matemática
Suponiendo que una moneda legal se lanza dos veces, encontramos que el espacio muestral para el experimento es
 =
{
 H
,
 H
,
T
,
T
}.Como los 4 puntos muestrales son igualmente probables, se deduce que
P
(
 X 
=
0)
=
P
(
T
)
=
14,
P
(
 X 
=
1)
=
P
(
T
)
+
P
(
 H
)
=
12, y
P
(
 X 
 =
2)
=
P
(
 H
)
=
14,donde un elemento típico, digamos
TH 
, indica que el primer lanzamiento dio como resultado una cruz seguida por una cara en el segundo lanzamiento. Así, estas probabi-lidades son precisamente las frecuencias relativas para los eventos dados a largo plazo. Por lo tanto,
 µ
=
 E 
(
 X 
)
=
(0)14
 +
(1)12
 +
(2)14
 =
1.Este resultado signi󿬁ca que una persona que lance 2 monedas una y otra vez obtendrá, en promedio, 1 cara por cada lanzamiento.El método descrito antes para calcular el número esperado de caras cada vez que se lanzan 2 monedas sugiere que la media, o el valor esperado de cualquier variable alea-toria discreta, se puede obtener multiplicando cada uno de los valores
 x 
1
,
 x 
2
,...,
 x 
n
 de la variable aleatoria
 X 
 por su probabilidad correspondiente
 f
(
 x 
l
 ),
 f
(
 x 
2
 ),...,
 f
(
 x 
n
 ) y sumando los productos. Esto es cierto, sin embargo, sólo si la variable aleatoria es discreta. En el caso de variables aleatorias continuas la de󿬁nición de un valor esperado es esencial-mente la misma, pero las sumatorias se reemplazan con integrales.
 Definición 4.1:
 Sea
 X 
 una variable aleatoria con distribución de probabilidad
 f
(
 x 
). La
media
o
valor esperado
de
 X 
 es
 µ
=
 E
(
 X 
)
=
 x 
 x
(
 x 
)
si
 X 
 es discreta, y
 µ
=
 E 
(
 X 
)
=
−∞
 xf 
(
 x 
)
dx 
si
 X
es continua.El lector debe advertir que la forma para calcular el valor esperado, o media, que se muestra aquí es diferente del método para calcular la media muestral que se describió en el capítulo 1, donde la media muestral se obtuvo usando los datos. En la esperanza matemática el valor esperado se obtiene usando la distribución de probabilidad.
 
4.1 Media de una variable aleatoria 113
Sin embargo, la media suele considerarse un valor “central” de la distribución sub-yacente si se utiliza el valor esperado, como en la de󿬁nición 4.1.
 Ejemplo 4.1: 
Un inspector de calidad obtiene una muestra de un lote que contiene 7 componentes; el lote contiene 4 componentes buenos y 3 defectuosos. El inspector toma una muestra de 3 componentes. Calcule 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
 f 
(
 x 
)
=
4
 x 
33
 x 
73
,
 x
=
0,1,2,3.Unos cálculos sencillos dan
 f
(0)
=
 1/35,
 f
(1)
=
 12/35,
 f
(2)
=
 18/35 y
 f
(3)
=
 4/35. Por lo tanto,
 µ
=
 E 
(
 X 
)
=
(0)135
 +
(1)1235
 +
(2)1835
 +
(3)435
 =
127
 =
1.7.De esta manera, si de un lote de 4 componentes buenos y 3 defectuosos, se seleccionara al azar, una y otra vez, una muestra de tamaño 3, ésta contendría en promedio 1.7 com-ponentes buenos.
Ejemplo 4.2: 
Cierto día un vendedor de una empresa de aparatos médicos tiene dos citas. Considera que en la primera cita tiene 70 por ciento de probabilidades de cerrar una venta, por la cual podría obtener una comisión de $1000. Por otro lado, cree que en la segunda cita sólo tiene 40 por ciento de probabilidades de cerrar el trato, del cual obtendría $1500 de comisión. ¿Cuál es su comisión esperada con base en dichas probabilidades? Suponga que los resultados de las citas son independientes.
 Solución
:
 
En primer lugar sabemos que el vendedor, en las dos citas, puede obtener 4 comisiones totales: $0, $1000, $1500 y $2500. Necesitamos calcular sus probabilidades asociadas. Mediante la independencia obtenemos
 f 
($0)
 =
(1
0.7)(1
 −
0.4)
 =
0.18,
 f
($2500)
 =
(0.7)(0.4)
 =
0.28,
 f 
($1000)
 =
(0.7)(1
 −
0.4)
 =
0.42,y
 f 
($1500)
 =
(1
0.7)(0.4)
 =
0.12.Por lo tanto, la comisión esperada para el vendedor es 
 E 
(
 X 
)
=
($0)(0.18)
+
($1000)(0.42)
+
($1500)(0.12)
+
($2500)(0.28)
=
$1300. Los ejemplos 4.1 y 4.2 se diseñaron para que el lector comprenda mejor lo que queremos decir con la frase valor esperado de una variable aleatoria. En ambos casos las variables aleatorias son discretas. Seguimos con un ejemplo de variable aleatoria continua, donde un ingeniero se interesa en la
vida media
 de cierto tipo de dispositivo electrónico. Ésta es una ilustración del problema
tiempo que transcurre antes de que se  presente una falla
 que se enfrenta a menudo en la práctica. El valor esperado de la vida del dispositivo es un parámetro importante para su evaluación.
576648e32a3d8b82ca71961b7a986505