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)
 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.