Valor esperado

Análisis Exploratorio y Estadı́stico de Datos

1 / 18
Valor esperado de variables discretas

Definición
Si X es discreta definimos
X
E (X ) = xi p(xi ),
i

siempre que la suma X

|xi |p(xi )
i

sea finita.

La esperanza es un promedio ponderado de los valores de la

variable aleatoria.

2 / 18
Ejercicio

Ejercicio 1

En un juego de apuestas, la probabilidad de ganar S/.10 es

0.4 y la probabilidad de perderlos es 0.7. Halle la ganancia
esperada.
Simula este juego 1000 veces y observa la ganancia obtenida.

3 / 18
Ejercicio

Ejercicio 2

La probabilidad de encontrar un artı́culo defectuoso en

una fábrica es p. Asumimos que dichos artı́culos ocurren
independientemente. En promedio, ¿Cuál es la cantidad de
artı́culos a inspeccionar hasta encontrar uno defectuoso?

Considera p = 0,23 y simula la busqueda de un artı́culo defec-

tuoso 1000 veces. Luego observa el promedio de la cantidad
de artı́culos que se tuvo que inspeccionar antes de encontrar
el defectuoso.

4 / 18
Variables discretas y sus valores esperados

X E(X)
Bernoulli con parámetro p p
Binomial con parámetros n y p np
1
Geométrica con parámetro p
p
Poisson con parámetro λ λ

5 / 18
Valor esperado de variables continuas

Definición
Si X es continua con densidad f , entonces
Z ∞
E (X ) = xf (x) dx,
−∞

siempre que la integral

Z ∞
|x|f (x) dx
−∞

converja.

6 / 18
Ejercicio

Ejercicio 3

Si X tiene función de densidad

1 + 2x
f (x) = , 0 ≤ x ≤ 1,
2
halle E (X ).

7 / 18
Variables continuas y sus valores esperados

X E(X)
Normal con parámetros µ y σ µ
α
Gamma con parámetros α y λ λ

8 / 18
Ley de los Grandes Números

Teorema
Sea
X1 , X2 , . . . , Xn
una secuencia de variables aleatorias independientes todas con
valor esperado µ y varianza σ 2 . La media de estas variables
variables Pn
Xi
X n = i=1 ,
n
se aproxima al valor esperado µ para valores grandes de n.

9 / 18
Gráficamente

10 / 18
Ejemplo de una variable sin esperanza

Si X tiene la distribución de Cauchy, es decir

1
f (x) = ,
π(x 2+ 1)
entonces
E (X ) no existe.

11 / 18
Gráficamente

12 / 18
Esperanza de funciones de variables aleatorias

Teorema
Sea Y = g (X ), donde X es una variable aleatoria continua con
función de densidad f , entonces
Z +∞
E (Y ) = g (x)f (x) dx
−∞
R +∞
si la integral −∞ |g (x)|f (x) dx converge.

Para el caso de variables discretas reemplazamos la integral por

una sumatoria.

13 / 18
Esperanza de funciones de varias variables aleatorias

Teorema
Si X1 , . . . , Xn son variables aleatorias continuas con función de
densidad conjunta f (x1 , . . . , xn ) e Y = g (X1 , . . . , Xn ), entonces

Z +∞ Z +∞
E (Y ) = ··· g (x1 , . . . , xn )f (x1 , . . . , xn ) dx1 . . . dxn
−∞ −∞

si la integral obtenida al reemplazar |g | en lugar de g converge.

14 / 18
Ejercicio

Ejercicio 4

Una varilla ubicada en el intervalo [0, 1] recibe dos cortes en

posiciones seleccionadas aleatoriamente. ¿Cuál es la longitud
promedio del segmento intermedio?

Simule este experimento 1000 veces y halle el promedio de

los segmentos.

15 / 18
Variables independientes

Teorema
Si X e Y son variables independientes cuyas esperanzas existen,
entonces
E (XY ) = E (X )E (Y ).
Similarmente,

E (g (X )h(Y )) = E (g (X ))E (h(Y )).

16 / 18
Esperanza de combinaciones lineales

Teorema
Sea X una variable aleatoria cuyo valor esperado existe, si

Y = aX + b,

entonces
E (Y ) = aE (X ) + b.

17 / 18
Ejercicio

Ejercicio 5

Suponga que existen n clases de cupones y cada vez que se

obtiene un cupón es igualemente probable que se obtenga un
cupón de cualquier clase. Halle el valor esperado de cupones
que se debe obtener hasta llegar a obtener todas las n clases
de cupones.

Considere n = 5. Simule este experimento 1000 veces y halle

el promedio de las cantidades de cupones recolectados en los
experimentos.

18 / 18