Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Esperanza
joset
Definición 0.1. Sea X variable aleatoria con función de probabilidad f (x). La esperanza
de X anotada E(X) se define como el número µ dado por
(P
xf (x) , Xdiscreta
µ = E(X) = R ∞x (1)
−∞ xf (x)dx , Xcontinua
P
En el caso discreto, la estructura x xf (x) corresponde al promedio de los valores de
x ponderados por su frecuencia o probabilidad f (x) . Por tanto, la esperanza puede inter-
pretarse como el valor medio o valor promedio de X. También se le llama valor esperado
de X. Además, E(X) es un representante del nivel o tamaño de X y define la ”localiza-
ción”de su función de probabilidad, esto es, si X e Y son dos variables aleatorias tales que
E(X) > E(Y ), entonces en promedio los valores de X son mayores que los valores de Y y
la función de probabilidad de X tiene un centro que está más a la derecha que el centro de
la distribución de Y .
Ejemplo 1. El dueño de una empresa de rescate en montaña elaboró la siguiente distribu-
ción de probabilidad para la variable aleatoria X definida como el número de operaciones
de rescate diarios realizados por su helicóptero.
x 0 1 2 3
f (x) 0,3 0,4 0,2 0,1
¿Cuál es el número promedio de rescates diarios realizados por su helicóptero?
Solución
Aquı́ el espacio de X es E = {0, 1, 2, 3} y por tanto X es una variable aleatoria discreta con
valor medio dado por
X
E(X) = xf (x) = 0(0, 3) + 1(0, 4) + 2(0, 2) + 3(0, 1) = 1, 1
x
Entonces, de acuerdo al modelo de probabilidad de X el helicóptero raliza en promedio 1,1
rescates diarios. Esto quiere decir, por ejemplo, que en 10 dı́as se espera realizar 11 rescates
aéreos.
Ejemplo 2. Suponga que X es definida como la duración de las baterias de notebook y
suponga que su función de probabilidad está dada por la densidad exponencial definida por
(
(1/β)e(−x/β) , x ≥ 0
f (x) = (2)
0 , en otro caso
a) Determine e interprete E(X).
b) Determine la función de distribución F (x).
c) Calcule e interprete P (X ≥ E(X)).
Solución
a) Usando integración por partes se obtiene que
Z ∞ Z ∞
E(X) = xf (x)dx = x(1/β)e(−x/β) dx
−∞ 0
Z ∞
(−x/β) ∞ (−x/β)
= (1/β) −xβe |0 + βe dx
0
= (1/β)(0 + β 2 ) = β
1
Rx Rx
b) Para x < 0, F (x) = −∞ 0dt = 0. Para x ≥ 0, F (x) = 0 (1/β)e(−t/β) dt = 1 − e(−x/β)
Por tanto, la función de distribución asociada a la densidad exponencial es
(
1 − e(−x/β) , x ≥ 0
F (x) = (3)
0 ,x < 0
En muchas ocasiones también será necesario calcular el valor promedio de alguna función
Y = g(X). Por ejemplo, si X representa el número de rescates diarios realizados por los
helicópteros del Ejemplo 1, entonces la utilidad diaria de esa empresa Y será obviamente
una función de X. (además de ser función de otras variables como costos, clima, dı́a de la
semana, etc.). El siguiente Teorema presenta esa situación.
Teorema 0.1. Sea X variable aleatoria con función de probabilidad f (x) y seaa Y = g(X)
una función de X. Entonces, la esperanza de g(X) está dada por
(P
g(x)f (x) , Xdiscreta
E(g(X)) = R ∞x (4)
−∞ g(x)f (x)dx , Xcontinua
Demostración(Caso discreto)
Supondremos que el espacio o conjunto de valores asumidos por X es finito y dado por
EX = {x1 , x2 , . . . , xn }. En general, la función Y = g(X) no es uno a uno y puede tomar
el mismo valor para diferentes valores de X. Entonces, supongamos que el espacio de Y
es EY = {y1 , y2 , . . . , ym } , con m ≤ n y supongamos que Ak es el conjunto de todos los
valores de X que tienen por imagen el mismo valor yk con Ak ⊆ EX y k = 1, 2, . . . , m .
Esto es, yk = g(xi ) para todo xi ∈ Ak . En consecuencia, los eventos Y = yk e X ∈ Ak son
equivalentes en el sentido que P(Vea Figura 1)
P (Y = yk ) = P (X ∈ Ak ) = { xi ∈ Ak }f (xi ) , para k = 1, 2, . . . , m
Luego,
m
X m
X m
X X
E(Y ) = yk P (Y = yk ) = yk P (X ∈ Ak ) = yk f (xi )
k=1 k=1 k=1 xi ∈Ak
Xm X
= g(xi )f (xi ), pues yk = g(xi ) ∀xi ∈ Ak
k=1 xi ∈Ak
Xn X
= g(xi )f (xi ) = g(x)f (x).
i=1 x
݃
ܣ
ݕ
ݔ
Solución
a) El ingreso diario es I = 600X y el costo diario es C = 200 + 80X. Por tanto, la utilidad
diaria está dada por.
U = I − C = 600X − (200 + 80X) = 520X − 200, X ∈ {0, 1, 2, 3}
El modelo de probabilidad para la utilidad U es
x 0 1 2 3
u -200 320 840 1360
fU (u) 0,3 0,4 0,2 0,1
b) La utilidad diaria esperada se puede calcular usando el modelo de probabilidad original
para X según la ecuación 4
X
E(U ) = u(x)fX (x)
x
X
= (520x − 200)fX (x)
x
= (520(0) − 200)(0, 3) + (520(1) − 200)(0, 4) + (520(2) − 200)(0, 2) + (520(3) − 200)(0, 1)
= 372
La importancia de los momentos de una variable aleatoria es que sus principales ca-
racterı́sticas son expresiones de sus momentos. Por ejemplo, la esperanza y la varianza son
expresiones de los momentos de orden 1 y 2. Esto es, E(X) = µ1 y V ar(X) = µ2 − µ21 .
Definición 0.3. Si la esperanza E(etX ) existe en una vecindad del cero, − < t < ; > 0,
entonces se define la función generadora de momentos (fgm) de X a la función de t
dada por (P
tX etx f (x) , si X es discreta
mX (t) = E(e ) = R ∞x tx (6)
−∞ e f (x)dx , si X es continua
El siguiente Teorema justifica el nombre para la función mX (t) porque ella genera los
momentos de X evaluando en t = 0 sus derivadas.
dr mX (t)
µr = E(X r ) = |t=0 (7)
dtr
Demostración Se supondrá que X es una variable aleatoria continua y que se pueden
intercambiar los signos de la derivada y la integración.
Z ∞
tX
mX (t) = E(e ) = etx f (x)dx
−∞
d ∞ tx
Z Z ∞
d d tx
mX (t) = e f (x)dx = e f (x)dx
dt dt −∞ −∞ dt
Z ∞
= xetx f (x)dx
−∞
Entonces, Z ∞ Z ∞
d tx
mX (t)|t=0 = xe f (x)dx|t=0 = xf (x)dx = E(X)
dt −∞ −∞
Volviendo a derivar se tiene
∞ ∞
d2
Z Z
2 tx
mX (t)|t=0 = x e f (x)dx|t=0 = x2 f (x)dx = E(X 2 )
dt2 −∞ −∞
Ejercicios.
1. El Soporte Técnico de una Compañı́a de Telecomunicaciones tiene seis lı́neas telefóni-
cas en su Call Center para atender las llamadas de sus clientes. Sea X el número de
lı́neas telefónicas ocupadas a las 4 PM y f (x) su función de probabilidad dada en la
tabla siguiente.
x 0 1 2 3 4 5 6
f (x) 0,05 0,17 0,23 0,25 0,20 0,06 0,04
x 0 1 2 3 4 5
F (x) 0 0,10 0,30 0,70 0,80 1,00
R. a) 3,1 b) 3
λx e−λ
f (x) = ; x = 0, 1, 2, 3, . . . ; λ > 0
x!
a) Determine la función generadora de momentos de X.
b) Encuentre el valor esperado de X.
t −1)
R.a) mX (t) = eλ(e b) λ
6. Suponga que una industria fabrica cierto tipo de cable de acero y que la resistencia a
la ruptura de ese cable en Kg. es una variable aleatoria X cuya distribución está dada
por (
1 − e−0,01x , x ≥ 0
F (x) =
0 ,x < 0
Cada metro de cable produce una utilidad de $100 si X ≥ 90 Kg y si X < 90 Kg el
cable puede usarse para otros fines y cada metro produce una utilidad de $ 20.
u 20 100
R. a) b) $67,472
f (u) 0,5934 0,4066