Clase 07

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

c) P (X ≥ E(X)) = P (X ≥ β) = 1 − F (β) = 1 − (1 − e(−β/β) ) = e−1 ≈ 0, 3679. Este

resultado indica que de acuerdo a un modelo de probabilidad exponencial de duración, el
36, 79 % de las baterias tiene una duración igual o superior al promedio β. 

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

Ejemplo 3. (Continuación del Ejemplo 1) Suponga que el empresario ha estimado que

hay un costo fijo de 200 dólares diarios por mantener un helicóptero en su base hayan o no
hayan requerimientos para su uso y ha estimado un costo adicional de 80 dólares cada vez
que el helicóptero es requerido. También se sabe que el empresario cobra 600 dólares cada
vez que usa su helicóptero en una misión de rescate,
a) ¿Cuál será el modelo de probabilidad para la utilidad diaria por el uso de ese helicóptero
en misiones de rescate?
b) ¿Cuál será la utilidad diaria esperada por el uso del helicóptero en misiones de rescate?
 ‫ܧ‬௑
‫ܧ‬௒

݃
‫ܣ‬௞

‫ݕ‬௞
‫ݔ‬௜

Figura 1: Eventos equivalentes Y = yk e X ∈ Ak

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 utilidad diaria esperada también se puede calcular usando el modelo de probabilidad

para U obtenido en la parte a)
X
E(U ) = ufU (u)
u
= (−200)(0, 3) + 320(0, 4) + 840(0, 2) + 1360(0, 1)
= 372.

En el Teorema0.1, si g(X) = X r , r entero positivo, se habla de momento de orden r.

Definición 0.2. Sea X variable aleatoria y r entero positivo. El momento ordinario de
orden r de X, anotado µr , se define como
(P
r xr f (x) , si X es discreta
µr = E(X ) = R ∞x r (5)
−∞ x f (x)dx , si X es continua

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 .

En el Teorema0.1, si g(X) = etX , t número real, se habla de función generadorade

momentos.

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.

Teorema 0.2. Si la función generadora de momentos mX (t) de la variable aleatoria X

existe en una vecindad del cero, − < t < ;  > 0, entonces

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 −∞ −∞

Derivando r veces se obtiene

Z ∞ Z ∞
dr r tx
mX (t)|t=0 = x e f (x)dx|t=0 = xr f (x)dx = E(X r ) 
dtr −∞ −∞

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

a) ¿Cuál es la probabilidad de que al menos 3 lı́neas estén ocupadas a las 4 PM?.

b) Si se sabe que a las 4 PM hay más de dos lı́neas ocupadas, ¿cuál es la probabilidad
de que a esa hora hayan 5 o menos lı́neas telefónica ocupadas?.
c) ¿Cuántas lı́neas se espera que estén ocupadas a las 4 PM?

R. a) 0,55 b) 0,9273 c) 2,72 lineas.

2. La siguiente tabla muestra la función de distribución acumulada de una variable alea-

toria X.

x 0 1 2 3 4 5
F (x) 0 0,10 0,30 0,70 0,80 1,00

a) Determine el valor esperado de X.

b) ¿Cuál es la moda de X (valor de X más probable)?.

R. a) 3,1 b) 3

3. Sea X una variable aleatoria con función de probabilidad dada por

f (x) = p(1 − p)x−1 ; x = 1, 2, 3, . . . ; 0 < p < 1

Encuentre el valor esperado de X.

R. 1/p

4. Sea X una variable aleatoria con función de probabilidad dada por

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

5. El tiempo requerido en horas/hombre X para armar un artı́culo complejo es aleatorio

y su función de distribución de probabilidad acumulada es
(
0 ,x < 1
F (x) =
1 − x−3 , x ≥ 1

a) Calcule e interprete la esperanza de X.

b) Calcule e interprete P (X > E(X))
 R, a) 3/2 horas/hombre b) 8/27. El 29.63 % de los tiempos de armado
son superiores al tiempo promedio de 1,5 horas /hombre.

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.

a) Encuentre la función de probabilidad de la utilidad

b) Encuentre la utilidad esperada por cada metro de cable.

u 20 100
R. a) b) $67,472
f (u) 0,5934 0,4066

7. 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) = (8)
0 , en otro caso

a) Determine la función generadora de momentos de X.

b) Determine e interprete E(X).