Procesos Estocásticos

Valor esperado 2021-1

Docente: Jonathan Cano Bedoya

Correo electrónico:
jonathancano4538@correo.itm.edu.co
jonathancano@itm.edu.co
 Contenido

• Valor esperado
 Valor esperado
En el análisis de variables aleatorias discretas y continuas, detallamos y precisamos varios conceptos
relacionados con la función de distribución 𝐹𝑋 (𝑥) y la función de densidad 𝑓𝑋 (𝑥) para una variable aleatoria
real 𝑋. Se conoció que sus propiedades de tipo probabilístico están determinados por 𝐹𝑋 (∙). Sin embargo,
interesa conocer valores que den cuenta o resuman la información de las variables aleatorias. Algunos ejemplos:
• Promedio de llamadas que entran aun call center

• Promedio de días de mora de un cliente con calificación A, B, C, D o E

• Rendimiento promedio diario, semanal, trimestral y anual de los precios de las acciones
• Rotación promedio del inventario de los productos de un grupo de empresas farmacéuticas

• Promedio de encuestas respondidas por cuadrantes en una ciudad

El promedio y la variabilidad son dos medidas frecuentemente utilizadas para describir y resumir los resultados
de las variables aleatorias.

(Blanco, 2010) (Rincón, 2017)

 Valor esperado
Ejemplo 1 (datos muestrales): De una población pequeña se ha tomado una muestra de los ingresos en pesos de
tres personas, 𝑥1 = 1000, 𝑥2 = 2000 y 𝑥3 = 3000. Calcule el promedio, varianza y desviación estándar muestral del
ingreso de esta población.
Solución:

• La variable aleatoria 𝑋 = ingreso

σ𝑛
𝑖=1 𝑥𝑖 𝑥1 +𝑥2 +⋯+𝑥𝑛
• El promedio aritmético será: 𝜇ො = 𝑥ҧ = = (suma de todos los datos, dividido el total de datos)
𝑛 𝑛

1 𝑛 (𝑥1 −𝑥)ҧ 2 +(𝑥2 −𝑥)ҧ 2 + ⋯+(𝑥𝑛 −𝑥)ҧ 2

• La varianza muestral es: 𝜎ො 2 = σ (𝑥 − 𝑥)ҧ 2 = (desviación respecto al promedio)
𝑛 𝑖=1 𝑖 𝑛−1

1 (𝑥1 −𝑥)ҧ 2 +(𝑥2 −𝑥)ҧ 2 + ⋯+(𝑥𝑛 −𝑥)ҧ 2

• La desviación estándar es: 𝜎ො = 𝜎ො 2 = σ𝑛𝑖=1(𝑥𝑖 − 𝑥)ҧ 2 =
𝑛−1 𝑛−1

• Al retomar estas fórmulas de la estadística descriptiva podemos resumir los datos de la v.a ingreso

(Blanco, 2010) (Rincón, 2017)

 Valor esperado
Ejemplo 1:
σ3𝑖=1 𝑥𝑖 1000+2000+3000
• El promedio aritmético será: 𝑥ҧ = = = 2000
3 3

2 (1000−2000)2 +(2000−2000)2 +(3000−2000)2

• La varianza muestral es: 𝜎ො =
3−1

2
(−1000)2 +(0)2 +(1000)2
𝜎ො =
2

1000000 + 0 + 1000000
𝜎ො 2 =
2
2000000
𝜎ො 2 = = 1000000
2

• La desviación estándar es: 𝜎ො = 1000000 = 1000

(Blanco, 2010) (Rincón, 2017)

 Valor esperado
Ejemplo 1:

• El promedio aritmético 𝑥ҧ = 2000 El ingreso promedio es 2000 pesos

• La varianza muestral es: 𝜎ො 2 = 1000000 la variabilidad es 1000000 en unidades

cuadradas, las unidades cuadradas no son tan
entendibles, para ello se calcula la desviación
estándar, porque no se entiende por ejemplo,
que la variabilidad es 1000000 de pesos
cuadrados.

• La desviación estándar es: 𝜎ො = 1000 Note que finalmente en la muestra la variabilidad era
de 1000 pesos (muy observable en los tres datos
tomados)

Nota: El promedio aritmético y la varianza muestral pueden llegar a ser estimadores de las variables aleatorias
discretas y continuas. Esto no siempre es así, por ello abordaremos los conceptos del valor esperado y varianza

(Blanco, 2010) (Rincón, 2017)

 Valor esperado

Al valor esperado también se le suele decir y notar:

Esperanza matemática

Valor esperado Media

𝐸 𝑋 =𝜇
Promedio

(Blanco, 2010)
 Valor esperado
El valor esperado o esperanza matemática, es un
concepto que surgió en los juegos de azar. El
apostador de estos juegos así como como el caballero
de Meré, estaba inquieto en saber cuánto sería su
ganancia esperada y también la probabilidad de ganar
(posibilidad en el sentido no matemático). Suponga
que usted participa de un juego de azar, una rifa
donde el premio está valuado $1.500.000, este se lo
lleva la persona que acierte a todos los dígitos de un
número de 2 cifras. Note que si usted compra un
1 num1<-seq(from=00,to=09,by=01)
boleto la probabilidad de ganar es y la num1_cero<-paste0("0", num1)
100
esperanza matemática es 1500000Τ100 = $15.000. num2<-seq(from=10,to=99,by=01)
num2_cero<-paste0("", num2)
Esta cifra deberá entenderse en el sentido de un loteria<-matrix(c(num1_cero,num2_cero), nrow=10,ncol=10)
promedio. View(loteria)

(Blanco, 2010) (Velasco y Wisniewski, 2001)

 Valor esperado

Definición (valor esperado): Sea 𝑋 una variable aleatoria real definida sobre el especio de probabilidad
Ω, 𝔉, 𝑃
1. Si 𝑋 es una variable aleatoria discreta, con valores 𝑥1 , 𝑥2 , …, se dice que 𝑋 posee un valor esperado si:
∞

෍ 𝑥𝑘 𝑃 𝑋 = 𝑥𝑘 < ∞
𝑘=1

En tal caso, se define el valor esperado 𝐸(𝑋) de 𝑋 como:

∞

𝐸 𝑋 = ෍ 𝑥𝑘 𝑃 𝑋 = 𝑥𝑘 < ∞
𝑘=1

(Blanco, 2010)
 Valor esperado
Definición (valor esperado): Sea 𝑋 una variable aleatoria real definida sobre el especio de probabilidad
Ω, 𝔉, 𝑃
2. Si 𝑋 es una variable aleatoria continua y con función de densidad 𝑓𝑋 𝑥 , se dice que 𝑋 posee un valor
esperado si:
∞
න 𝑥 𝑓𝑋 𝑥 𝑑𝑥 < ∞
−∞

En tal caso, se define el valor esperado 𝐸(𝑋) de 𝑋 como:

∞
𝐸 𝑋 = න 𝑥𝑓𝑋 𝑥 𝑑𝑥
−∞

Nota: Si 𝑋 es una v.a real que toma solo un número finito de valores, entonces 𝐸(𝑋) siempre existe.

(Blanco, 2010)
 Valor esperado
Ejemplo 2 (lanzamiento de un dado una vez): Sea 𝑋 la variable aleatoria del lanzamiento de un dado honesto.
Calcule el valor esperado del lanzamiento del dado.

Solución: en el lanzamiento de un dado el espacio muestral es Ω = 1,2,3,4,5,6 y la función de densidad

𝑓𝑋 𝑥 y función de distribución 𝐹𝑋 𝑥 son,

0 𝑠𝑖 𝑥≤0
1Τ6 𝑠𝑖 𝑥 = 1
1Τ6 𝑠𝑖 1 ≤ 𝑥 < 2
1Τ6 𝑠𝑖 𝑥 = 2
2Τ6 𝑠𝑖 2 ≤ 𝑥 < 3
1Τ6 𝑠𝑖 𝑥 = 3
𝐹𝑋 𝑥 = 3Τ6 𝑠𝑖 3 ≤ 𝑥 < 4
𝑓𝑋 𝑥 = 1Τ6 𝑠𝑖 𝑥 = 4
4Τ6 𝑠𝑖 4 ≤ 𝑥 < 5
1Τ6 𝑠𝑖 𝑥 = 5
5Τ6 𝑠𝑖 5 ≤ 𝑥 < 6
1Τ6 𝑠𝑖 𝑥 = 6
1 𝑠𝑖 𝑥 ≥ 6
0 𝑒. 𝑜. 𝑐

(Blanco, 2010)
 Valor esperado
Ejemplo 2 (lanzamiento de un dado una vez): ahora hallemos el valor esperado de 𝑋. En este paso lo primero
es reconocer si la v.a es discreta o continua. El lanzamiento del dado es una v.a discreta. Entonces aplicamos lo
siguiente: ∞

𝑋 = "𝑙𝑎𝑛𝑧𝑎𝑚𝑖𝑒𝑛𝑡𝑜 𝑑𝑒 𝑢𝑛 𝑑𝑎𝑑𝑜 𝑢𝑛𝑎 𝑣𝑒𝑧" 𝐸 𝑋 = ෍ 𝑥𝑘 𝑃 𝑋 = 𝑥𝑘 < ∞

6 𝑘=1

𝐸 𝑋 = ෍ 𝑥𝑘 𝑃 𝑋 = 𝑥𝑘
𝑘=1

= 𝑥1 𝑃 𝑋 = 𝑥1 + 𝑥2 𝑃 𝑋 = 𝑥2 + 𝑥3 𝑃 𝑋 = 𝑥3 + 𝑥4 𝑃 𝑋 = 𝑥4 + 𝑥5 𝑃 𝑋 = 𝑥5 + 𝑥6 𝑃 𝑋 = 𝑥6
= 1𝑃 𝑋 = 1 + 2𝑃 𝑋 = 2 + 3𝑃 𝑋 = 3 + 4𝑃 𝑋 = 4 + 5𝑃 𝑋 = 5 + 6𝑃 𝑋 = 6
1 1 1 1 1 1
=1 +2 +3 +4 +5 +6
6 6 6 6 6 6
1
= (1 + 2 + 3 + 4 + 5 + 6)
6
1 (6)(7) 21 𝐸 𝑋 = 3.5 (el valor esperado del lanzamiento de un dato es 3.5)
= = = 3.5
6 2 6

(Blanco, 2010)
 Valor esperado
Ejemplo 2 (lanzamiento de un dado una vez): la siguiente tabla muestra las probabilidades exactas de cada
uno de los resultados posibles del lanzamiento del dado honesto una vez, veamos:
𝑥𝑘 𝑃 𝑋 = 𝑥𝑘
1 1Τ6 ≈ 0.167
2 1Τ6 ≈ 0.167
3 1Τ6 ≈ 0.167
4 1Τ6 ≈ 0.167
5 1Τ6 ≈ 0.167
6 1Τ6 ≈ 0.167

Bajo simulación en Excel haremos el ejercicio del lanzamiento de un dado corriente 1000 veces, contaremos
cuantas veces sale 𝑥1 = 1, 𝑥2 = 2, … , 𝑥6 = 6, y calcularemos la probabilidad frecuentista para observar una
regularidad estadística y ver que estas probabilidades frecuentistas deben estar muy cercanas al valor real, tal como se
muestra en esta tabla.
𝑛(𝐴) 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑣𝑒𝑐𝑒𝑠 𝑞𝑢𝑒 𝑎𝑝𝑎𝑟𝑒𝑐𝑒 𝑒𝑙 𝑒𝑣𝑒𝑛𝑡𝑜 𝐴
Probabilidad frencuentista → 𝑓𝑟 𝐴 = 𝑛
= 𝑛ú𝑚𝑒𝑟𝑜 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑒𝑛𝑠𝑎𝑦𝑜𝑠

(Blanco, 2010)
 Valor esperado
Ejemplo 2 (lanzamiento de un dado una vez): La forma de proceder en Excel se hará con los siguientes pasos
indicados,
1) En una columna marcar el orden de la simulación (lanzamiento del dado), desde 1 hasta 1000
2) En la segunda columna generar un valor aleatorio entre 0 y 6 con la función ALEATORIO.ENTRE(1,6)

3) En una tabla aparte resumir las veces que aparece cada uno de los valores del dado, la probabilidad
frecuentitas y calcular 𝑥𝑘 𝑃 𝑋 = 𝑥𝑘 .
4) Verifique que la columna que tiene el dato de las veces que aparece cada valor del dado, sume en total 1000
que es el valor de las veces que se ha simulado.
5) Verifique que la suma de las probabilidades frencuentista sea 1 σ𝑥 𝑓 𝑥 = 1

6) Verifique que la columna que tiene el calculo de 𝑥𝑘 𝑃 𝑋 = 𝑥𝑘 sume el valor esperado.

7) Compare los resultados simulados con los valores reales de P 𝑋 = 𝑥𝑘 y 𝐸 𝑋
8) De los seis posibles valores, indique cuál aparece más veces, a pesar que de que todos tienen la misma
probabilidad
(Blanco, 2010)
 Valor esperado
Ejemplo 2 (lanzamiento de un dado una vez): La solución en Excel debería ser algo así

(Blanco, 2010)
 Valor esperado
Ejemplo 2 (lanzamiento de un dado una vez): Ahora vamos a simular este resultado en el software R-Project

Este código lo pueden poner en un SCRIPT de R-Project y lo ejecutan, lo pueden hacer en la interfaz RSTUDIO

(Blanco, 2010)
 Valor esperado
Ejemplo 2 (lanzamiento de un dado una vez): Los resultados en R deben ser algo así

𝐸 𝑋 = ෍ 𝑥𝑘 𝑃 𝑋 = 𝑥𝑘
𝑘=1
(Blanco, 2010)
 Valor esperado
Ejemplo 3 (diferencia absoluta): Se lanza un dado honesto dos veces consecutivas. Sea 𝑌 la variable aleatoria
diferencia absoluta de los resultados.

Solución: en el lanzamiento de un dado el espacio muestral es Ω = 1,2,3,4,5,6

Los posibles resultados de la Se cuenta las veces que sale cada uno de los posibles
diferencia absoluta, un total de 36 resultados, y se calcula su probabilidad frencuentista
y
|x-y| 1 2 3 4 5 6 𝑛𝑦
𝑌=𝑦 𝑛𝑦 𝑃(𝑌 = 𝑦) =
1 0 1 2 3 4 5 36
2
0 6 6/36
1 0 1 2 3 4
1 10 10/36
3 2 1 0 1 2 3
x 2 8 8/36
4 3 2 1 0 1 2 3 6 6/36
5 4 3 2 1 0 1 4 4 4/36
6 5 4 3 2 1 0 5 2 2/36

(Blanco, 2010)
 Valor esperado
Ejemplo 3 (diferencia absoluta): Al tabular los resultados de los conteos se puede calcular la probabilidad
exacta o teórica de la diferencia absoluta
𝑛𝑦 6Τ36 𝑠𝑖 𝑥 = 0
𝑌=𝑦 𝑛𝑦 𝑃(𝑌 = 𝑦) =
36 10Τ36 𝑠𝑖 𝑥 = 1
0 6 6/36
8Τ36 𝑠𝑖 𝑥 = 2
1 10 10/36
2 8 8/36 𝑓𝑌 𝑥 = 6Τ36 𝑠𝑖 𝑥 = 3
3 6 6/36 4Τ36 𝑠𝑖 𝑥 = 4
4 4 4/36 2Τ36 𝑠𝑖 𝑥 = 5
5 2 2/36 0 𝑒. 𝑜. 𝑐

0 𝑠𝑖 𝑥<0
Esto confirma
entonces la
6Τ36 𝑠𝑖 0 ≤ 𝑥 < 1
distribución de la v.a 16Τ36 𝑠𝑖 1 ≤ 𝑥 < 2
discreta 𝑌 y su 𝐹𝑌 𝑥 = 24Τ36 𝑠𝑖 2 ≤ 𝑥 < 3
gráfica que tiene una
forma escalonada 30Τ36 𝑠𝑖 3 ≤ 𝑥 < 4
con 6 saltos 34Τ36 𝑠𝑖 4 ≤ 𝑥 < 5
1 𝑠𝑖 𝑥 ≥ 5
(Blanco, 2010)
 Valor esperado
Ejemplo 3 (diferencia absoluta): ahora hallemos el valor esperado de 𝑌. En este paso lo primero es reconocer
si la v.a es discreta o continua. El lanzamiento del dado es una v.a discreta y la diferencia absoluta también lo es,
puesta solo toma valores en el conjunto 0,1,2,3,4,5
∞
𝑌 = "𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎 𝑎𝑏𝑠𝑜𝑙𝑢𝑡𝑎 𝑑𝑒𝑙 𝑙𝑎𝑛𝑧𝑎𝑚𝑖𝑒𝑛𝑡𝑜 𝑑𝑒 𝑢𝑛 𝑝𝑎𝑟 𝑑𝑒 𝑑𝑎𝑑𝑜𝑠"

6 𝐸 𝑋 = ෍ 𝑥𝑘 𝑃 𝑋 = 𝑥𝑘 < ∞
𝑘=1
𝐸 𝑌 = ෍ 𝑦𝑘 𝑃 𝑋 = 𝑦𝑘
𝑘=1

= 𝑦1 𝑃 𝑌 = 𝑦1 + 𝑦2 𝑃 𝑌 = 𝑦2 + 𝑦3 𝑃 𝑌 = 𝑦3 + 𝑦4 𝑃 𝑌 = 𝑦4 + 𝑦5 𝑃 𝑌 = 𝑦5 + 𝑦6 𝑃 𝑌 = 𝑦6
= 0𝑃 𝑌 = 0 + 1𝑃 𝑌 = 1 + 2𝑃 𝑌 = 2 + 3𝑃 𝑌 = 3 + 4𝑃 𝑌 = 4 + 5𝑃 𝑌 = 5
6 10 8 6 4 2
=0 +1 +2 +3 +4 +5
36 36 36 36 36 36
1
= (0 × 6 + 1 × 10 + 2 × 8 + 3 × 6 + 4 × 4 + 5 × 2 ) 𝐸 𝑌 ≈ 1.94 (el valor esperado
36
de la diferencia absoluta de los
1 70
= (70) = ≈ 1.94 resultados del lanzamiento de
36 36 un dado es 1.94)

(Blanco, 2010)
 Valor esperado
Ejemplo 3 (diferencia absoluta): la siguiente tabla muestra las probabilidades exactas de cada uno de los
resultados posibles de la variable aleatoria 𝑌 , veamos:
𝑦𝑘 𝑃 𝑌 = 𝑦𝑘
0 6Τ36 ≈ 0.167
1 10Τ36 ≈ 0.278
2 8Τ36 ≈ 0.222
3 6Τ36 ≈ 0.167
4 4Τ36 ≈ 0.111
5 2Τ36 ≈ 0.056

Bajo simulación en Excel haremos el ejercicio del lanzamiento de un dado corriente 2000 veces, contaremos
cuantas veces sale 𝑦1 = 0, 𝑦2 = 1, … , 𝑦6 = 5 , y calcularemos la probabilidad frecuentista para observar una
regularidad estadística y ver que estas probabilidades frecuentistas deben estar muy cercanas al valor real, tal como se
muestra en estas tablas.
𝑛(𝐴) 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑣𝑒𝑐𝑒𝑠 𝑞𝑢𝑒 𝑎𝑝𝑎𝑟𝑒𝑐𝑒 𝑒𝑙 𝑒𝑣𝑒𝑛𝑡𝑜 𝐴
Probabilidad frencuentista → 𝑓𝑟 𝐴 = 𝑛
= 𝑛ú𝑚𝑒𝑟𝑜 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑒𝑛𝑠𝑎𝑦𝑜𝑠

(Blanco, 2010)
 Valor esperado
Ejemplo 3 (diferencia absoluta): La forma de proceder en Excel se hará con los siguientes pasos indicados,

1) En una columna marcar el orden de la simulación (lanzamiento del dado), desde 1 hasta 2000
2) En la segunda y tercera columna generar un valor aleatorio entre 0 y 6 con la función
ALEATORIO.ENTRE(1,6) para el dado 1 y dado 2
3) En la cuarta columna calcular la diferencia absoluta del lanzamiento del dado 1 y 2
4) En una tabla aparte resumir las veces que aparece cada uno de los valores del dado, la probabilidad
frecuentitas y calcular 𝑦𝑘 𝑃 𝑌 = 𝑦𝑘 .
5) Verifique que la columna que tiene el dato de las veces que aparece la diferencia, sume en total 2000 que es
el valor de las veces que se ha simulado.
6) Verifique que la suma de las probabilidades frencuentista sea 1 σ𝑦 𝑓 𝑦 = 1
7) Verifique que la columna que tiene el calculo de 𝑦𝑘 𝑃 𝑌 = 𝑦𝑘 sume el valor esperado.
8) Compare los resultados simulados con los valores reales de P 𝑌 = 𝑦𝑘 y 𝐸 𝑌
9) De los seis posibles valores, indique cuál aparece más veces, note que no tienen la misma probabilidad de
ocurrir.

(Blanco, 2010)
 Valor esperado
Ejemplo 3 (diferencia absoluta): La solución en Excel debería ser algo así

(Blanco, 2010)
 Valor esperado
Ejemplo 3 (diferencia absoluta): Ahora vamos a simular este resultado en el software R-Project

Parte a del código

Parte b del código

Este código lo pueden poner en un SCRIPT de R-Project y lo ejecutan, lo pueden hacer en la interfaz RSTUDIO
(Blanco, 2010)
 Valor esperado
Ejemplo 3 (diferencia absoluta): Los resultados en R deben ser algo así

𝐸 𝑌 = ෍ 𝑦𝑘 𝑃 𝑌 = 𝑦𝑘
𝑘=1

(Blanco, 2010)
 Variable aleatoria discreta

Ejercicio 1 (valor esperado v.a discreta): A una acción del mercado financiero se le observó el
número de veces que en una semana subía el precio diario. Es decir, precio anteayer era de
$100 y luego pasaba a $101 se marcaba 1 aumento, si luego seguía subiendo se marca 2
aumentos pero si baja seguía marcando 1 aumento. Se registró esto para 40 semanas y los
valores eran: 2, 3, 0, 2, 2, 2, 2, 3, 3, 2, 5, 4, 4, 3, 3, 3, 2, 1, 1, 2, 3, 3, 3, 4, 4, 5, 4, 3, 2, 1, 1, 2, 1,
0, 2, 4, 5, 3, 3, 3. Se pide analizar a priori la distribución del número de días que aumenta,
calcule su valor esperado y compare este resultado con el promedio aritmético del número de
días que aumenta el precio en una semana.

(Blanco, 2010. Velasco y Wisniewski, 2001)

 Variable aleatoria discreta
Ejercicio 2 (suma de dados): Se lanza un dado honesto dos veces consecutivas. Sea 𝑍 la
variable aleatoria suma de los resultados. Se pide analizar la distribución de la variable, calcule su valor
esperado e interprete los resultados.

Ejercicio 3 (ganadores de la lotería): Una lotería

de todo el departamento de Antioquia que trabajó
las 52 semanas del año 2019, con un juego de 1
vez por semana, registró el número de ganadores
del premio menor semana a semana, los datos se
muestran a continuación, se pide estudiar la
distribución de la variable y el valor esperado,
además de interpretar los resultados.

(Blanco, 2010. Velasco y Wisniewski, 2001)

 Valor esperado
Ejemplo 4 (equipos defectuosos): Los discos de estado sólido (SDD - Solid State Disk -) hacen parte de la
nueva tecnología presentando características competentes frente a los discos duros (HDD -Hard Drive Disk-).
Uno de los productores de esta industria de la informática tenía una producción de un lote de 12 unidades SDD.
Desde el departamento de producción se dio aviso que dos unidades estaban defectuosas. Tres unidades fueron
enviadas a una empresa de servicios de salud. ¿Cuántos SDD defectuosos se esperan en el envío?
Solución:
• La variable en estudio es el número de SDD defectuosos en el envío variables que es discreta y que sus
posibles valores son 0, 1 o 2, porque solo hay dos defectuosos.
12
• La manera como se pueden tomar 3 SDD de los 12 producidos es una combinatoria 3
2
• La manera como se pueden seleccionar 𝑥 defectuosos de los 2 que se confirmaron es otra combinatoria 𝑥
• Si se toman 𝑥 defectuosos para completar la entrega entonces se toman 3 − 𝑥 de los 10 SDD no defectuosos,
10
esto es una combinatoria 3−𝑥
• En total las formas posibles de enviar 𝑥 de los 2 defectuosos y 3 − 𝑥 de los 10 no defectuosos es:
2 10
𝑥 3−𝑥
(Velasco y Wisniewski, 2001)
 Valor esperado
𝐸 𝑋 = 3.5 (el valor esperado del lanzamiento de un dato es 3.5)
Ejemplo 4 (equipos defectuosos):
• La variable aleatoria es entonces discreta porque 𝑥 ∈ {0,1,2}
• La función de densidad 𝑓𝑋 (𝑥) es:
2 10
𝑥 3−𝑥
𝑓𝑋 𝑥 = 12 para 𝑥 = 0,1,2
3

3
• El valor esperado debe ser calculado entonces 𝐸 𝑋 = ෍ 𝑥𝑘 𝑃 𝑋 = 𝑥𝑘
𝑘=1
3 2 10 2 10 2 10
0 3−0 1 3−1 2 3−2 6 9 1 11
𝐸 𝑋 = ෍ 𝑥𝑘 𝑃 𝑋 = 𝑥𝑘 = 0 12 +1 12 +2 12 =0 +1 +2 = = 0.5
11 22 22 22
𝑘=1 3 3 3

El valor esperado es 𝐸 𝑋 = 0.5 a lo que se interpretaría que se esperaría un SDD malo

(Velasco y Wisniewski, 2001)

 Referencias

• Blanco, L.C. (2010). Probabildad. Universidad Nacional de Colombia.

• Blanco, L. C. Arunachalam, V. y Dharmaraja. (2012). Introduction to Probability and Stochastic Process with
Applications. Wiley.
• Gonick, L. y Smith, W. (2006). La estadística en comic. (3a ed.). Zendrera Zariquey.
• Hirsa, A. y Neftci. S. N. (2014). An introduction to the Matematics of Financial Derivatives. (3a ed.). Academic
Press Elsevier
• Lara, A. (2007). Productos derivados financieros: Instrumentos, valuación y cobertura de riesgos. Limusa
• Rincón, L. (2017). Estadística descriptiva. Ciencias UNAM. Universidad Nacional Autónoma de México.
• Velasco, G. y Wisniewski, P. (2001). Probabilidad y estadística para ingeniería y ciencias. Thomson Learning.