Valor Esperado de Una v. A.

Introducción a la Probabilidad, los Procesos Estocásticos y la Estadística en Ingeniería
CAPÍTULO 4
Valor Esperado de una Variable Aleatoria
Contenido del Capítulo
4.1) INTRODUCCIÓN.
4.2) VALOR ESPERADO.

4.2.1) Definición.
4.2.2) Propiedades.
4.2.3) Ejemplos.
4.3) VARIANZA Y DESVIACIÓN ESTÁNDAR.

4.2.1) Definiciones.
4.2.2) Propiedades.
4.2.3) Ejemplos.
4.4) VALOR ESPERADO CONDICIONAL.
4.5) MOMENTOS DE UNA VARIABLE ALEATORIA.
4.6) FUNCIÓN GENERADORA DE MOMENTOS.
4.7) FUNCIÓN CARACTERÍSTICA.
4.8) FUNCIÓN GENERADORA DE PROBABILIDADES.
4.9) INECUACIÓN DE CHEVYSHEV.
4.10) PROBLEMAS PROPUESTOS.
Rafael Díaz Página 4-1 20/10/03

4.1) INTRODUCCIÓN.
Las funciones de distribución y de densidad de una variable aleatoria permiten el

cálculo de probabilidades asociadas a eventos descritos en términos de intervalos de
números reales. Estas funciones encierran otras informaciones de mucho interés
para entender aún más el significado de la relación establecida entre el espacio
muestral del experimento y la correspondiente variable aleatoria y, en definitiva,
explicar el carácter estocástico de los experimentos aleatorios.
La base de estas nuevas informaciones es el concepto de valor esperado.
4.2) VALOR ESPERADO.
Cuando se realiza un experimento determinista el resultado del experimento es

único en contraposición con un experimento aleatorio en el cual existen un intervalo
de valores, según la variable aleatoria definida, donde es posible que ocurra
cualquier resultado. En ocasiones, por simplicidad, se aproxima la forma de explicar
un experimento aleatorio en términos de un experimento determinista pero con la
dificultad de no tener argumentos suficientes para escoger el resultado único que se
asociaría al experimento determinista. El conocimiento del concepto de valor
esperado ayuda a eliminar la dificultad planteada.
4.2.1) Definición.
Definición 4.1: El valor esperado de una variable aleatoria es su valor medio.

♦♦
Notas: - El valor esperado de una variable aleatoria se denotará por E(X).

Se colocará entre paréntesis el nombre de la variable aleatoria al
que se le está calculando el valor esperado.
- El valor esperado es un número. Ese número pertenece al
conjunto cuyos extremos son el mínimo valor y el máximo valor
que toma la variable aleatoria.
- El valor esperado de una variable aleatoria se calcula utilizando
la Ecuación 4.1.
- En el caso particular de una variable aleatoria discreta la
Ecuación 4.1 se simplifica como lo indica la Ecuación 4.2.
- La Ecuación 4.2 indica que el valor esperado de una variable
discreta es el promedio ponderado de sus valores.
∞
E( X ) = ∫ xf
−∞
X ( x)dx (ec. 4.1)
∞ ∞
 n  n
E( X ) = ∫ xf X ( x)dx = ∫ x  ∑ P{ X = x i }δ ( x − x i )  dx = ∑ xi P{ X = xi } (ec. 4.2)
−∞ − ∞  i =1  i =1

La estructura de la Ecuación 4.1 se presenta en otros contextos, como por ejemplo

en Mecánica, donde la función de densidad de probabilidades tiene el sentido de la
distribución de la masa a lo largo de un eje y el valor esperado se corresponde con el
centro de esa masa.
En el contexto de la teoría de probabilidades una variable aleatoria estará definida

en un cierto intervalo cuyo “centro” es su valor esperado. En este sentido, se podría
decir que el experimento aleatorio está definido alrededor del valor esperado y la
ponderación de cada uno de los posibles resultados viene dada en términos del valor
de la función de densidad correspondiente en cada punto. El concepto del valor
esperado permite aglutinar en un número los aportes ponderados de cada uno de los
posibles resultados del experimento.
Ejemplo 4.1: Sea el experimento de lanzar una moneda para el cual se define la
variable aleatoria Y dada por {Y : S → R / Y ( sello) = 0, Y (cara) = 1} . La asignación
de probabilidades, en general, será P{Y = 1} = p, P{Y = 0} = 1 – p. Hallar el valor
esperado de Y.
Según la Ecuación 4.2 se tiene que E(Y) = 0xP{Y = 0}+1xP{Y = 1} = p.
Note que el resultado no coincide con ninguno de los valores que puede tomar la
variable Y, pero es un valor en el intervalo (0,1).
♦♦
Ejemplo 4.2: Sea una variable aleatoria T cuya función de densidad de

probabilidades viene dada por el resultado del Ejemplo 3.15. Hallar el valor
esperado de T.
Del Ejemplo 3.15 se concluyó que

 0, si t < 0

d  1
f T (t ) = FT (t ) =  , si 0 ≤ t ≤ Tmax
dt  Tmax
 0, si t > Tmax
Según la Ecuación 4.1 se tiene que
∞ Tmax Tmax
t t2 Tmax
E (T ) = ∫ tf T (t )dt = ∫ dt = = .
−∞ 0
Tmax 2Tmax 0
2
Note que el resultado es un valor en el intervalo (0, Tmax).

♦♦

Definición 4.2: El valor esperado de una función g(x) de la variable aleatoria X

es el valor medio de g(x).
♦♦
Notas: - El valor esperado de una función g(x) de la variable aleatoria X

se denotará por E(g(X)). Se colocará entre paréntesis el nombre
de la función a la que se le está calculando el valor esperado.
- El valor esperado de una función es un número. Ese número
pertenece al conjunto cuyos extremos son el mínimo valor y el
máximo valor que toma esa función de la variable aleatoria.
- El valor esperado de una función g(x) de la variable aleatoria X
se calcula utilizando la Ecuación 4.3.
∞
E ( g ( X )) = ∫ g ( x) f
−∞
X ( x)dx (ec. 4.3)
4.2.2) Propiedades.
Las propiedades del valor esperado se desprenden de su definición como una

integral y de las características particulares que tenga la función de densidad de
probabilidades.
Propiedad 4.2.2.1: El valor esperado de una variable aleatoria cuya función de

densidad sea una función par vale cero.
Si la función de densidad es una función par se debe cumplir que fX(x) = fX(-x),
luego, a partir de la Ecuación 4.1 se puede escribir
∞ 0 ∞
E( X ) = ∫ xf X ( x)dx =
−∞ −∞
∫ xf X ( x)dx + ∫ xf X ( x)dx
0
si se realiza el cambio de variable x = - x en la primera integral queda

0 ∞
E ( X ) = ∫ (− x ) f X (− x)(− dx ) + ∫ xf X ( x)dx
∞ 0
utilizando ahora la propiedad de función par de f X (x)

∞ ∞
E ( X ) = − ∫ xf X ( x)dx + ∫ xf X ( x)dx = 0
0 0
♦♦

Propiedad 4.2.2.2: El valor esperado de una variable aleatoria cuya función de

densidad es simétrica respecto a un valor m es igual a ese valor.
Si la función de densidad es simétrica respecto a un valor m se debe cumplir que

fX(m+x) = fX(m-x), luego, a partir de la Ecuación 4.1 se puede escribir
∞ m ∞
E( X ) = ∫ xf X ( x)dx =
−∞ −∞
∫ xf X ( x)dx + ∫ xf X ( x)dx
m
si se realiza el cambio de variable x = m - x en la primera integral y

x = m + x en la segunda integral queda
0 ∞
E ( X ) = ∫ (m − x ) f X (m − x)(− dx ) + ∫ (m + x ) f X (m + x)dx
∞ 0
utilizando ahora la propiedad de simetría de f X (x) y separando en varias integrales

∞ ∞ ∞
E( X ) = ∫ mf
−∞
X ( x)dx − ∫ xf X (m + x)dx + ∫ xf X (m + x)dx = m
0 0
♦♦
Propiedad 4.2.2.3: El valor esperado de una constante a es igual a esa constante.
Sea la función g(x) = a, luego, a partir de la Ecuación 4.3 se puede escribir
∞ ∞
E (a) = ∫ af X ( x)dx = a ∫ f X ( x)dx = a
−∞ −∞
♦♦
Propiedad 4.2.2.4: El valor esperado de la función g(x) = bx donde b es una

constante es igual a esa constante por el valor esperado de X.
Sea la función g(x) = bx, luego, a partir de la Ecuación 4.3 se puede escribir
∞ ∞
E (bX ) = ∫ bxf X ( x)dx = b ∫ xf X ( x)dx = bE ( X )
−∞ −∞
♦♦

Propiedad 4.2.2.5: El valor esperado de la función g(x) = a + bx, donde a y b son

constantes, es igual a (a + bE(X)).
Sea la función g(x) = a + bx, luego, a partir de la Ecuación 4.3 y de las Propiedades
4.2.2.3 y 4.2.2.4, se puede escribir
∞ ∞ ∞
E (a + bX ) = ∫ (a + bx ) f
−∞
X ( x)dx = a ∫ f X ( x)dx + b ∫ xf X ( x)dx = a + bE ( X )
−∞ −∞
♦♦
Propiedad 4.2.2.6: El valor esperado de una variable aleatoria definida en un

intervalo (a,b) puede expresarse en términos de la función de distribución
 b

acumulativa de probabilidades como  b − ∫ FX ( x)dx  .
 a 
A partir de la Ecuación 4.1 e integrando por partes, se puede escribir
b b b
E ( X ) = ∫ xf X ( x)dx = xFX ( x) a − ∫ FX ( x)dx = bFX (b) − aFX (a ) − ∫ FX ( x)dx
b
a a a
si X está definida en (a,b) entonces FX (b) = 1 y FX (a ) = 0, luego

b
E ( X ) = b − ∫ FX ( x)dx
a
♦♦
4.2.3) Ejemplos.
Ejemplo 4.3: Considere la variable aleatoria Z cuya función de densidad de

probabilidades se calculó en el Ejemplo 3.14. Hallar el valor esperado de Z.
6
1
Del resultado obtenido en el Ejemplo 3.14 se tiene que f Z ( z ) = ∑ δ ( z − i ) , luego
i =1 6
6
1 1 6 1  n(n + 1) 
E ( Z ) = ∑ i = ∑ i =   = 3.5
i =1 6 6 i =1 6 2 n =6 
Note que el resultado no coincide con ninguno de los valores que puede tomar la
variable Z, pero es un valor en el intervalo (1,6).
♦♦

Ejemplo 4.4: Considere la variable aleatoria Y cuya función de densidad de

probabilidades se calculó en el Ejemplo 3.16. Hallar el valor esperado de Y.
Del resultado obtenido en el Ejemplo 3.16 se tiene que
 0, si y < 0
f Y ( y ) =  −λy
λe , si y ≥ 0
entonces, el valor esperado será
∞ ∞
1
E (Y ) = ∫ yλe − λy
dy = λ ∫ ye −λy dy =
0 0
λ
♦♦
Ejemplo 4.5: Considere la variable aleatoria Y cuya función de densidad de

probabilidades se calculó en el Ejemplo 3.17. Hallar el valor esperado de Y.
Del resultado obtenido en el Ejemplo 3.17 se tiene que
 0, si y < 0

 λe −λy , si 0 ≤ y < T
f Y ( y) =  − λT
 pe δ (t − T ), si y = T
µ (1 − p )e −λT − µ ( y −T ) , si y > T

lo cual hace ver que Y es una variable aleatoria mixta y el cálculo de su valor
esperado combina las características que se han destacado por separado en las
Ecuaciones 4.1 y 4.2. El valor esperado será
∞ T− ∞
∫ yf ∫ yλe ∫ yµ (1 − p)e
− λy − λT − µ ( y −T )
E (Y ) = Y ( y )dy = dy + TP{Y = T } + dy
−∞ 0 T+
1 1  1 
E (Y ) =  − e −λT  + T   + pTe −λT + (1 − p )e −λT  + T 
λ λ  µ 
1  1 1− p 
E (Y ) = − e −λT  − 
λ λ µ 
♦♦

Ejemplo 4.6: Considere la variable aleatoria X cuya función de densidad de

probabilidades se muestra en el Ejemplo 3.18. Hallar el valor esperado de X.
En el Ejemplo 3.18 se tiene que
x
 , si 0 ≤ x ≤ 4
f X ( x) =  8
0, en otros casos
El valor esperado será
4 4
x x3 43 8
E ( X ) = ∫ x dx = = =
0
8 24 0
24 3
De forma alterna, se puede utilizar la Propiedad 4.2.2.6 ya que la variable aleatoria

cumple con los postulados de esa propiedad y la función de distribución se calculó
en el Ejemplo 3.18 consiguiendo
 0, si x ≤ 0
 2
x
FX ( x) =  , si 0 ≤ x ≤ 4
 16
 1, si x > 4
Entonces, el valor esperado será
4
 b
 4
x2 x3 43 8
E ( X ) =  b − ∫ FX ( x)dx  = 4 − ∫ dx = 4 − = 4− =
 a  0
16 48 0
48 3
♦♦

4.3) VARIANZA Y DESVIACIÓN ESTÁNDAR.
En la sección anterior se analizó la definición de valor esperado tanto desde el punto

de vista matemático como desde el punto de vista del fenómeno aleatorio
involucrado. Este valor permite ubicar rápidamente la región donde está definida la
variable como aquella región que se encuentra alrededor del valor esperado. Pero no
proporciona información acerca del tamaño de esa región. Una medida de la
dispersión o de la concentración de la variable alrededor de su valor esperado lo
proporciona la varianza.
4.3.1) Definiciones.
Definición 4.3: La varianza de una variable aleatoria es el valor esperado de las

distancias de la variable a su valor esperado, medidas en forma cuadrática.
♦♦
Notas: - La varianza de la variable aleatoria X se denotará por V(X). Se

colocará entre paréntesis el nombre de la variable a la que se le
está calculando la varianza.
- La varianza es un número. Ese número pertenece al conjunto de
los reales positivos.
- La unidad de medida de la varianza es igual a la unidad de
medida de la variable elevada al cuadrado. Como ejemplo, si la
variable se mide en metros su varianza se mide en metros al
cuadrado.
- Mientras menor sea el valor de la varianza, más cerca estarán los
valores de la variable de su valor esperado.
- Mientras mayor sea el valor de la varianza, más alejados estarán
los valores de la variable de su valor esperado..
- La varianza de la variable aleatoria X se calcula utilizando la
Ecuación 4.4.
[
V ( X ) = E ( X − E ( X ))
2
] (ec. 4.4)
Definición 4.4: La desviación estándar de una variable aleatoria es la raíz

cuadrada positiva de su varianza.
♦♦
Notas: - La desviación estándar de la variable aleatoria X se denotará por

σX. Se colocará como subíndice el nombre de la variable
aleatoria a la que se le está calculando la desviación estándar.
- La desviación estándar es un número real positivo.
- La unidad de medida de la desviación estándar es igual a la
unidad de medida de la variable. Como ejemplo, si la variable se
mide en metros su desviación estándar se mide en metros. Este
hecho garantiza la posibilidad de poder realizar operaciones de

suma y resta entre el valor esperado y la desviación estándar que

tendrán un significado importante en la teoría de probabilidades.
- La propiedad de medir la dispersión (o la concentración) de la
variable alrededor del valor esperado que tiene la varianza, se
traslada a la desviación estándar.
- La desviación estándar de la variable aleatoria X se calcula
utilizando la Ecuación 4.5.
σ X = + V (X ) (ec. 4.5)
4.3.2) Propiedades.
Las propiedades de la varianza y de la desviación estándar se desprenden de sus

definiciones en términos del concepto de valor esperado y de las características
particulares que tenga la función de densidad de probabilidades.
Propiedad 4.3.2.1: La varianza de una variable X se puede calcular como la

diferencia entre el valor esperado de X2 y el valor esperado de X elevado al
cuadrado.
A partir de la Ecuación 4.4 se puede escribir
[ ] [
V ( X ) = E ( X − E ( X ) ) = E X 2 − 2 XE ( X ) + (E ( X ) )
2 2
]
( )
V ( X ) = E X 2 − E [2 XE ( X )] + E (E ( X ) ) [ 2
]
aplicando las propiedades 4.2.2.3, 4.2.2 .4 y 4.2.2.5 se tiene
( ) ( )
V ( X ) = E X 2 − 2 E ( X ) E ( X ) + (E ( X ) ) = E X 2 − (E ( X ) )
2 2
♦♦
Propiedad 4.3.2.2: La varianza de una constante a es cero.
[ ] [ ]
V (a ) = E (a − E (a ) ) = E (a − a ) = E (0) = 0
2 2
♦♦
Propiedad 4.3.2.3: La varianza de la función g(x) = bx donde b es una constante es

igual a b2 por la varianza de X.

[ ] [
V (bX ) = E (bX − E (bX ) ) = E (bX − bE ( X ) ) =
2
] 2
E [b ( X − E ( X ) ) ] = b E [( X − E ( X ) ) ]
2 2 2 2
luego
V (bX ) = b 2V ( X )
♦♦
Propiedad 4.3.2.4: La varianza de la función g(x) = a + bx donde a y b son

constantes es igual a b2 por la varianza de X.
A partir de la Ecuación 4.4 y de las Propiedades 4.3.2.2 y 4.3.2.3 se puede escribir
[ ] [
V (a + bX ) = E ((a + bX ) − E (a + bX ) ) = E (a + bX ) − (E (a + bX ))
2 2
] 2
[ ]
E a 2 + 2abX + b 2 X 2 − (a + bE ( X )) =
2
( )
a 2 + 2abE ( X ) + b 2 E ( X 2 ) − a 2 + 2abE ( X ) + b 2 (E ( X ) ) = b 2 E ( X 2 ) − b 2 (E ( X ) )
2 2
luego
V (a + bX ) = b 2V ( X )
♦♦
4.3.3) Ejemplos.
Ejemplo 4.7: Considere la variable aleatoria Z cuya función de densidad de

6
1
probabilidades está dada por f Z ( z ) = ∑ δ ( z − i ) . Hallar la varianza y la
i =1 6
desviación estándar de Z.
7
Del resultado obtenido en el Ejemplo 4.3 se tiene que E ( Z ) = , luego
2
[ ] [ ]
2
7
V ( Z ) = E (Z − E ( Z ) ) = E (Z − 3.5) = E ( Z 2 ) −   =
2 2
2
6 6
49 1 49 35
∑
i =1
i 2 P{Z = i} − = ∑i2 −
4 6 i =1
=
4 12
la desviación estándar será
35
σZ = ≅ 1.708
12
♦♦

Ejemplo 4.8: Sea una variable aleatoria T cuya función de densidad de

probabilidades viene dada por el resultado del Ejemplo 3.15. Hallar la varianza y la
desviación estándar de T.
Del Ejemplo 3.15 se concluyó que

 0, si t < 0

d  1
f T (t ) = FT (t ) =  , si 0 ≤ t ≤ Tmax
dt T
 max
Tmax
y del Ejemplo 4.2 se concluyó que E (T ) = , entonces a partir de la Ecuación
2
4.4 y de la Propiedad 4.3.2.1 se puede escribir
Tmax Tmax
t2 2
Tmax 1  t3  2
Tmax
) − (E (T ) ) ∫  
2
V (T ) = E (T 2
= dt − = −
0
Tmax 4 Tmax  3 0 4
2
Tmax T2 T2
V (T ) = − max = max
3 4 12
y la desviación estándar será
2
Tmax T
σT = = max
12 2 3
♦♦
Ejemplo 4.9: Sea una variable aleatoria X cuya función de densidad de

x2
1 −2
probabilidades viene dada por f X ( x) = e , para todo valor de x real. Hallar
2π
el valor esperado, la varianza y la desviación estándar de X.
A partir de la Propiedad 4.2.2.1 se tiene que E(X) = 0, ya que la función de densidad

es par. Luego, de la Ecuación 4.4 y de la Propiedad 4.3.2.1 se puede escribir
∞ x2 ∞ x2
x2 − 2 1 −
V ( X ) = E( X ) = ∫ e dx = ∫x
2 2
e 2
dx
−∞ 2π 2π −∞
integrando por partes

 x2 
∞
∞ x2  ∞ x2
1  −
2 
−  1 −
  − xe  + ∫ e dx  = ∫ e 2 dx = 1
2
2π   −∞ −∞  2π −∞
 
y la desviación estándar también será igual a uno
♦♦

Ejemplo 4.10:Sea una variable aleatoria Y cuya función de densidad de

2
1  y−µ 
1 −  
probabilidades viene dada por f Y ( y ) = e 2  σ  , para todo valor de y real; µ
σ 2π
es una constante real y σ es una constante real positiva. Hallar el valor esperado, la
varianza y la desviación estándar de Y.
A partir de la Propiedad 4.2.2.2 se tiene que E(Y) = µ, ya que la función de

densidad es simétrica respecto al valor µ. Luego, de la Ecuación 4.4 se puede
escribir
2
V (Y ) = E ((Y − E (Y ) ) ) =
∞
( y − µ )2 e − 12  yσ− µ  dy
∫
2
−∞ σ 2π
y−µ
haciendo un cambio de variable x = , la integral anterior queda
σ
∞ x2
σ2 −
V (Y ) =
2π ∫e
−∞
2
dx = σ 2
y la desviación estándar será

σY = σ
♦♦
Ejemplo 4.11:Considere la variable aleatoria Y del Ejemplo 4.10 cuya función de

2
1  y−µ 
1 −  
densidad de probabilidades viene dada por f Y ( y ) = e 2  σ  , para todo valor
σ 2π
2
de y real; donde µ es su valor esperado y σ es su varianza. Realizar la gráfica de
esta función de densidad para un valor fijo de σ y distintos valores de µ. Repita la
gráfica pero considerando un valor fijo de µ y distintos valores de σ.
Las Figuras 4.1 y 4.2 muestran las gráficas solicitadas. La Figura 4.1 hace ver que el
conocimiento del valor esperado permite ubicar la función de densidad alrededor de
ese valor; el sentido de la flecha indica el sentido en que aumenta el valor de µ. Por
otro lado, la Figura 4.2 permite observar el significado de la varianza: a mayor valor
de la varianza, mayor dispersión de la variable alrededor de su valor esperado, o
también a menor valor de la varianza mayor es la concentración de la variable
alrededor de su valor esperado; el sentido de la flecha indica el sentido en que
aumenta el valor de σ.

♦♦
-5 -4 -3 -2 -1 0 1 2 3 4 5
Figura 4.1: fY(y) del Ejemplo 4.11 para distintos valores de µ.
-6 -4 -2 0 2 4 6
Figura 4.2: fY(y) del Ejemplo 4.11 para distintos valores de σ.

4.4) VALOR ESPERADO CONDICIONAL.
Definición 4.5: El valor esperado condicional de una variable aleatoria es el

valor esperado considerando que la función de densidad de probabilidades es la
condicional.
♦♦
Notas: - El valor esperado condicional de una variable aleatoria se

denotará por E(X/A). Se colocará entre paréntesis el nombre de
la variable aleatoria a la que se le está calculando el valor
esperado y el evento A que condiciona su ocurrencia.
- El valor esperado condicional es un número. Ese número
pertenece al conjunto cuyos extremos son el mínimo valor y el
máximo valor que toma la variable aleatoria una vez que su
dominio ha sido restringido por el evento A.
- El valor esperado condicional de una variable aleatoria se
calcula utilizando la Ecuación 4.6.
∞
E ( X / A) = ∫ xf
−∞
X ( x / A)dx (ec. 4.6)
Definición 4.6: La varianza condicional de una variable aleatoria es la varianza

considerando que la función de densidad de probabilidades es la condicional.
♦♦
Notas: - La varianza condicional de la variable aleatoria X se denotará

por V(X/A). Se colocará entre paréntesis el nombre de la
variable a la que se le está calculando la varianza y el evento A
que condiciona su ocurrencia.
- La varianza condicional de la variable aleatoria X se calcula
( )
V ( X / A) = E X 2 / A − [E ( X / A)]
2
(ec. 4.7)

Definición 4.7: El valor esperado de una variable aleatoria se puede calcular

como una combinación lineal de los valores esperados condicionales siempre que
los eventos condicionantes conformen una partición del espacio muestral.
♦♦
Notas: - Esta definición se basa en el concepto de una partición del

espacio muestral (Definición 2.1.13 del Apéndice 2.1), en la
Definición 2.23 y en la Definición 3.12.
- El valor esperado de una variable aleatoria, a partir de los
valores esperados condicionales, se calcula utilizando la
Ecuación 4.8.
n
E ( X ) = ∑ E ( X / Ai )P{ Ai } (ec. 4.8)
i =1
Ejemplo 4.12:Considere la variable aleatoria T del Ejemplo 3.15 cuya función de

densidad de probabilidades viene dada por
 0, si t < 0

 1
f T (t ) =  , si 0 ≤ t ≤ Tmax
 Tmax
Hallar el valor esperado condicionado por el evento A = {Tmax/4 < T < Tmax/2}
Del resultado del Ejemplo 3.25 se puede escribir
 Tmax
 0, si t ≤
 4
 1 Tmax T
f T (t / A) =  , si ≤ t ≤ max
 pTmax 4 2
 Tmax
 0, si t >
 2
Tmax
2
1
Donde p = ∫
Tmax Tmax
dt = 0.25 , entonces, a partir de la Ecuación 4.6 se tiene que
4
Tmax Tmax
2 2
4t 2t 2 3
E (T / A) = ∫ dt = = Tmax
Tmax Tmax Tmax Tmax 8
4 4
♦♦

Ejemplo 4.13:Sea una variable aleatoria X cuya función de densidad de

x2
1 −2
probabilidades viene dada por f X ( x) = e , para todo valor de x real. Hallar
2π
el valor esperado condicional y la varianza condicional cuando el evento
condicionante es B = {X > 0}.
Del resultado del Ejemplo 3.23 se puede escribir
 0, si x ≤ 0

f X ( x / B) =  1
2
x
-
 e 2 , si x > 0
 p 2π
∞ x2
1 −2
Donde p = ∫ e dx = 0.5 , entonces, a partir de la Ecuación 4.6 se tiene que
0 2π
∞ x2
2x − 2 2
E(X / B) = ∫ e dx =
0 2π π
Para el cálculo de la varianza condicional se recurre a la Ecuación 4.7
∞ x2
( 2
)
V ( X / B ) = E X / B − [E ( X / B )] = ∫
2 2 2 −2
π
2
x e dx − = 1 −
π
2
π
0
♦♦

4.5) MOMENTOS DE UNA VARIABLE ALEATORIA.
Existen varias definiciones asociadas al concepto de momento que tienen algún

sentido para ciertas aplicaciones de probabilidades. Estas definiciones se presentan a
continuación.
Definición 4.8: El momento n-ésimo de una variable aleatoria es el valor

esperado de la función g(x) = xn, con n ∈ N.
♦♦
Notas: - El momento n-ésimo de la variable aleatoria X se denotará por

mn.
- El momento cero de una variable aleatoria es igual a uno.
- El primer momento de una variable aleatoria es su valor
esperado.
- Si la función de densidad de una variable aleatoria es una
función par entonces el segundo momento coincide con la
varianza.
- El momento n-ésimo de una variable aleatoria se calcula
- En general, a partir de la Propiedad 4.3.2.1, la varianza de una
variable aleatoria, en términos de los momentos, se calcula
∞
mn = E X n =( ) ∫x n
f X ( x)dx (ec. 4.9)
−∞
V ( X ) = m2 − m12 (ec. 4.10)
Definición 4.9: El momento central n-ésimo con respecto al valor esperado de

una variable aleatoria es el valor esperado de la función g(x) = (X-E(X))n, para
valores de n en los números naturales.
♦♦
Notas: - El momento central n-ésimo con respecto al valor esperado de la

variable aleatoria X se denotará por µn.
- µ0 es igual a uno.
- µ1 es igual a cero.
- µ2 es igual a la varianza.
- El momento central n-ésimo con respecto al valor esperado de
una variable aleatoria se calcula utilizando la Ecuación 4.11.
( ) ∫ (x − E ( X ) )
∞
µ n = E ( X − E ( X )) =
n n
f X ( x)dx (ec. 4.11)
−∞

Definición 4.10: El momento factorial n-ésimo de una variable aleatoria es el

n
valor esperado de la función g(x) = ∏ (x − i + 1) , para valores de n en los números
i =1
naturales.
♦♦
Notas: - El momento factorial n-ésimo de la variable aleatoria X se

denotará por cn.
- c1 es igual al primer momento.
- c2 es igual al segundo momento menos el primer momento.
- El momento factorial n-ésimo de una variable aleatoria se
∞
 n  n
c n = E  ∏ ( X − i + 1) = ∫ ∏ ( X − i + 1) f X ( x)dx (ec. 4.12)
 i =1  −∞ i =1
Ejemplo 4.14:Establezca una relación entre los momentos y los momentos

centrales.
( ) (  n n
) n−k 
mn = E X n = E ( X − E ( X ) + E ( X ) ) = E ∑  ( X − E ( X ) ) (E ( X ) ) 
n k
 k =0  k  
n
( ) n
n n
mn = ∑  (E ( X ) ) E ( X − E ( X ) ) = ∑  (E ( X ) ) µ k
n−k k n−k
k =0  k  k =0  k 
n n
mn = ∑  m1n − k µ k
k =0  k 
( )
 n n n−k  n
( )
n
µ n = E ( X − E ( X ) ) = E ∑  ( X ) (− E ( X ) )  = ∑   E X k (E ( X ) ) (− 1)
n k n−k n−k
k
 k =0   k
 k =0  
n
n
µ n = ∑  (− 1) mk m1
n−k n−k
k =0  k 
♦♦

4.6) FUNCIÓN GENERADORA DE MOMENTOS.
En esta sección y en las dos siguientes se van a presentar unos valores esperados de
la variable aleatoria que tienen la propiedad de no ser números sino que quedan
expresados como funciones de una variable determinista.
Definición 4.11: La función generadora de momentos de una variable aleatoria es

el valor esperado de la función g(x) = etx, donde t es un parámetro real.
♦♦
Notas: - La función generadora de momentos de la variable aleatoria X

se denotará por mX(t). Se colocará como subíndice el nombre de
la variable aleatoria y entre paréntesis la variable determinista
real t.
- La función generadora de momentos de una variable aleatoria se
- La Ecuación 4.13 es la Transformada Bilateral de Laplace de la
función de densidad de probabilidades, evaluada en s = -t.
∞
( ) ∫e
m X (t ) = E e tX = tx
f X ( x)dx (ec. 4.13)
−∞
Definición 4.12: La función generadora de momentos de una variable aleatoria,

como su nombre lo indica, permite conocer los momentos de esa variable.
♦♦
Notas: - Los momentos de una variable aleatoria, en términos de su

función generadora de momentos se calculan utilizando la
Ecuación 4.14.
dn
mn = m X (t ) (ec. 4.14)
dt n t =0
Ejemplo 4.14:Deducir la Ecuación 4.14.
( )  ∞ (tx )k  ∞ E t k x k
m X (t ) = E e tX = E  ∑ =∑
∞
( tk) ∞
( )tk
k !  k = 0 k! = ∑ k !
E x k
= ∑ k !
mk
 k = 0  k = 0 k = 0
desarrollando algunos términos de la serie

t2 t3
m X (t ) = m0 + tm1 + m2 + m3 + ....
2! 3!

al evaluar en t = 0 queda m X ( 0 ) = m0 = 1, al tomar la primera derivada respecto a t

d 3t 2
m X (t ) = m1 + tm2 + m3 + ....
dt 3!
d
evaluando esta derivada en t = 0 queda m X (t ) = m1
dt t =0
generalizando el resultado se obtiene

dn
m X (t ) = mn
dt n t =0
♦♦
Ejemplo 4.15:La variable aleatoria Y tiene una función de densidad de

 0, si y < 0
probabilidades dada por f Y ( y ) =  −λy . Hallar su función generadora
λe , si y ≥ 0
de momentos y, a partir de ella, el valor esperado y la varianza de Y.
∞  e − y (λ −t ) ∞ 
( )
mY (t ) = E e = ∫ e λe dy = λ 
tY ty − λy = λ para valores de t < λ
0


− (λ − t ) 
0 
λ − t
para conocer el valor esperado y la varianza de Y se recurre a la Ecuación 4.14
d  λ   λ  1
m1 = E (Y ) =   =   =

dt  λ − t  t =0  (λ − t )2  t =0 λ
d  λ   2λ  2
m2 = E (Y 2 ) =   = 
dt  (λ − t )2
  (λ − t )3  = λ2
 t =0   t =0
2 1 1
V (Y ) = m 2 − m12 = 2 − 2 = 2
λ λ λ
♦♦
Ejemplo 4.16:La variable aleatoria X tiene una función de densidad de

n
n
probabilidades dada por f X ( x) = ∑   p k (1 − p ) n −k δ ( x − k ) . Hallar su función
k =0  k 
generadora de momentos y, a partir de ella, el valor esperado y la varianza de X.

n k n
( ) ( )
n n
m X (t ) = E (e ) = ∑   p (1 − p) e = ∑   pe t (1 − p) n − k = pe t + 1 − p
n − k tk k n
tX
 
k =0  k  k =0  k 
para conocer el valor esperado y la varianza de X se recurre a la Ecuación 4.14

d
m1 = E(X) = 
 dt
[(
pe t + 1 − p ) ]
n
 t =0
( [(
= npe t pe t + 1 − p )
n −1
]) t =0
= np
d
[ [(
m2 = E ( X 2 ) =  npe t pe t + 1 − p
 dt
)n −1
]  = np + n(n − 1) p 2
t =0
V ( X ) = m2 − m = np + n(n − 1) p − n 2 p 2 = np (1 − p )
2
1
2
♦♦
Ejemplo 4.17:La variable aleatoria Z tiene una función de densidad de

 1
 , si a < z < b
probabilidades dada por f Z ( z ) =  b − a . Hallar su función
 0, en otros casos
generadora de momentos y, a partir de ella, el valor esperado y la varianza de Z.
1  e tz  e tb − e ta
b b
m Z (t ) = E e = ∫ e( )
tZ 1
b−a
dz = tz
=
b − a  t a  (b − a )t
a  
para conocer el valor esperado y la varianza de Z se recurre a la Ecuación 4.14
d  e tb − e ta
  e bt (bt − 1) − e at (at − 1) 
m1 = E ( Z ) =   =  
dt  (b − a )t
 t =0  (b − a )t 2  t =0
al evaluar en t = 0 se consigue una indeterminación por lo que
se debe considerar el límite cuando t tiende a cero, tal que
e bt (bt − 1) − e at (at − 1) a + b
m1 = E ( Z ) = lim =
t →0 (b − a )t 2 2
d  e bt (bt − 1) − e at (at − 1)  b3 − a 3
m2 = E ( Z 2 ) =  
 =
dt  (b − a )t 2  t =0 3(b − a )
2
b3 − a 3  a + b  (b − a ) 2
V ( Z ) = m2 − m = 2
1 −  =
3(b − a )  2  12
♦♦

4.7) FUNCIÓN CARACTERÍSTICA.
Definición 4.13: La función característica de una variable aleatoria es el valor

esperado de la función compleja g(x) = ejwx, donde w es un parámetro real.
♦♦
Notas: - La función característica de la variable aleatoria X se denotará

por ΦX(w). Se colocará como subíndice el nombre de la variable
aleatoria y entre paréntesis la variable determinista real w.
- La función característica es una función compleja.
- La función característica de una variable aleatoria se calcula
- La Ecuación 4.15 es la Transformada de Fourier de la función
de densidad de probabilidades, evaluada en -w.
∞
Φ X ( w) = E e ( jwX
)= ∫e jwx
f X ( x)dx (ec. 4.15)
−∞
Definición 4.14: La función característica de una variable aleatoria permite conocer

los momentos de esa variable.
♦♦
Notas: - Los momentos de una variable aleatoria, en términos de su

función característica se calculan utilizando la Ecuación 4.16.
1  dn 
mn =  Φ X ( w)  (ec. 4.16)
jn  dw n 
 w =0 

2
1  x−µ 
1 −  
probabilidades dada por f X ( x) = e 2  σ  , para todo valor de x real. Hallar
σ 2π
su función característica y, a partir de ella, el valor esperado y la varianza de X.

2
∞ 1  x−µ 
( )= ∫e 1 −  
σ 
Φ X ( w) = E e jwX jwx
e 2 dx
−∞ σ 2π
x−µ
para resolver esta integral se recurre al cambio de variable y =
σ
1 − 2 ( y 2 −2 jwσy )
∞ 1 ∞ 1
jw ( µ +σy ) 1 − 2 y2
Φ X ( w) = ∫e
−∞ 2π
e dy = e jwµ ∫
− ∞ 2π
e dy
completando cuadrados en el exponente del integrando queda

1 − 2 ( y 2 − 2 jwσy + ( jwσ ) 2 −( jwσ ) 2 )
∞ 1 w 2σ 2
jwµ −
Φ X ( w) = e ∫ jwµ
e dy = e 2
−∞ 2π
para conocer el valor esperado y la varianza de X se recurre a la Ecuación 4.16
1  d  jwµ − 2   1 
w 2σ 2 w 2σ 2 
jwµ −
2 
m1 = E ( X ) =  e = ( jµ − w σ ) e 2
=µ
j  dw    j  
  w=0    w=0
1  d  
w 2σ 2 
m2 = E ( X ) = 2 
2
( jµ − wσ ) e
2
jwµ −
2   =σ 2 + µ2
j  dw   
  w=0 
V ( X ) = m2 − m12 = σ 2 + µ 2 − µ 2 = σ 2
♦♦
Ejemplo 4.19:La variable aleatoria R tiene una función de densidad de

∞
m k −m
probabilidades dada por f R (r ) = ∑ e δ (r − k ) . Hallar su función característica
k = 0 k!
y, a partir de ella, el valor esperado y la varianza de R.
∞
( )= ∫e
∞ ∞
m k −m m k − m jwk
Φ R ( w) = E e jwR jwr
∑
k = 0 k!
e δ (r − k )dr = ∑
k = 0 k!
e e
−∞
Φ R ( w) = e − m ∑
∞
(me ) jw k
jw
= e − m e me = e m ( e
jw
−1)
k! k =0
para conocer el valor esperado y la varianza de R se recurre a la Ecuación 4.16
m1 = E ( R) = 
j  dw
e (
1  d m ( e jw −1)
 1
) jw
 = (mje jw )e m ( e −1)
j
=m ( )
w=0 
w= 0
1  d 
m2 = E ( R 2 ) = 2  mje jw (e jw − 1) (  = m(1 + m) )
j  dw w=0 
V ( R) = m2 − m1 = m(1 + m) − m 2 = m
2
♦♦

4.8) FUNCIÓN GENERADORA DE PROBABILIDADES.
Definición 4.15: La función generadora de probabilidades de una variable

aleatoria es el valor esperado de la función g(x) = zx, donde z es complejo.
♦♦
Notas: - La función generadora de probabilidades de la variable aleatoria

X se denotará por ΗX(z). Se colocará como subíndice el nombre
de la variable aleatoria y entre paréntesis la variable determinista
compleja z.
- La función generadora de probabilidades se define
exclusivamente para variables aleatorias discretas.
- La función generadora de probabilidades de una variable
aleatoria se calcula utilizando la Ecuación 4.17.
- La Ecuación 4.17 es la Transformada Z de la función de
densidad de probabilidades, evaluada en z en lugar de z-1.
∞
( ) ∫ z ∑ P{ X = k}δ ( x − k )dx = ∑ z
∞ ∞
Η X ( z) = E z X = x k
P{ X = k} (ec. 4.17)
−∞ k =0 k =0
Definición 4.16: La función generadora de probabilidades de una variable aleatoria,

como su nombre lo indica, permite conocer las probabilidades de eventos del tipo
{X = k} de esa variable.
♦♦
Notas: - Las probabilidades de eventos del tipo {X = k} de una variable

aleatoria, en términos de su función generadora de
probabilidades se calculan utilizando la Ecuación 4.18.
1  d k 
P{ X = k} = Η X ( z)  (ec. 4.18)
k!  dz k 
z =0 

∞
Η X ( z ) = ∑ z k P{ X = k} = P{ X = 0} + zP{ X = 1} + z 2 P{ X = 2} + ... + z k P{ X = k} + ...
k =0
evaluando esta expresión en z = 0 se obtiene

Η X (0) = P{ X = 0}
al tomar la primera derivada de Η X ( z )
d
Η X ( z ) = P{ X = 1} + 2 zP{ X = 2} + ... + kz k −1 P{ X = k} + ...
dz
d
Η X ( z) = P{ X = 1}
dz z =0
al tomar la segunda derivada de Η X ( z )

d2
2
Η X ( z ) = 2 P{ X = 2} + ... + k (k − 1) z k − 2 P{ X = k} + ...
dz
d2 1 d2
Η X ( z ) = 2 P{ X = 2} ⇒ P{ X = 2} = Η X ( z)
dz 2 z =0
2 dz 2
z =0
generalizando el proceso, al tomar la k - ésima derivada de Η X ( z )

dk
Η X ( z ) = k (k − 1)(k − 2)...2 x1P{ X = k} + ...
dz k
dk 1 dk
Η X ( z ) = k ! P{ X = k } ⇒ P{ X = k } = Η X ( z)
dz k z =0
k ! dz k
z =0
♦♦
Definición 4.17: La función generadora de probabilidades de una variable aleatoria,

como su nombre lo indica, permite conocer los momentos factoriales de esa
variable.
♦♦
Notas: - Los momentos factoriales de una variable aleatoria, en términos

de su función generadora de probabilidades se calculan
dn
cn = Η X ( z) (ec. 4.19)
dz n z =1


∞
Η X ( z ) = ∑ z k P{ X = k}
k =0

Η X (1) = 1
al tomar la primera derivada de Η X ( z )
d d  ∞  ∞
Η X ( z ) =  ∑ z k P{ X = k} = ∑ kz k −1 P{ X = k}
dz dz  k =0  k =0
∞
d
Η X ( z ) = ∑ kP{ X = k} = c1 = m1 = E ( X )
dz z =1 k =0
al tomar la segunda derivada de Η X ( z )

d2 d  ∞ k −1  ∞
dz 2
Η X ( z ) =  ∑
dz  k =0
kz P{ X = k }  = ∑ k (k − 1) z k −2 P{ X = k}
 k =0
∞ ∞ ∞
d2
dz 2
Η X ( z ) = ∑
k = 0
k ( k − 1) P{ X = k } = ∑
k = 0
k 2
P{ X = k } − ∑
k = 0
kP{ X = k} = c 2 = m2 − m1
z =1
generalizando el proceso, al tomar la n - ésima derivada de Η X ( z )

∞
dn
dz n
Η X ( z ) = ∑
k =0
k (k − 1)(k − 2)...(k − n + 1) z k − n P{ X = k}

∞
dn
dz n
Η X ( z ) = ∑
k = 0
k (k − 1)(k − 2)...(k − n + 1) P{ X = k} = c n
z =1
♦♦

n
n
probabilidades dada por f X ( x) = ∑   p k (1 − p ) n −k δ ( x − k ) . Hallar su función
k =0  k 
generadora de probabilidades y, a partir de ella, el valor esperado y la varianza de X.

n n
n
Η X ( z ) = ∑ z P{ X = k} = ∑ z k   p k (1 − p ) n −k
k
k =0 k =0 k 
n
n
Η X ( z ) = ∑  ( pz ) (1 − p ) n −k = ( pz + 1 − p )
k n
k =0  k 
para conocer el valor esperado de X hay que tomar la primera derivada de Η X ( z )

d
dz
Η X ( z) =
d
dz
( )
( pz + 1 − p )n = np( pz + 1 − p )n−1
c1 = m1 = E ( X ) = np
tomando la segunda derivada de Η X ( z )
( )
2
d d
np ( pz + 1 − p ) = n(n − 1) p 2 ( pz + 1 − p )
n −1 n−2
2
Η X ( z) =
dz dz
c 2 = n(n − 1) p 2 = m2 − m1
m2 = c 2 + m1 = n(n − 1) p 2 + np
la varianza de X será
V ( X ) = m2 − m12 = n(n − 1) p 2 + np − n 2 p 2 = np (1 − p )
♦♦

4.9) INECUACIÓN DE CHEVYSHEV.
La definición de variable aleatoria y de las funciones de distribución y de densidad

refleja el comportamiento del experimento aleatorio que se está analizando. Se ha
verificado en diversas oportunidades que la forma de las funciones de distribución y
de densidad debe seguir un cierto patrón que obliga a que no todo tipo de función
puede ser considerada para este tipo de representación. En este orden de ideas, el
conocimiento del valor esperado y la varianza proporciona información adicional
acerca de la forma de estas funciones y, en consecuencia, de las probabilidades
asignadas a diversos tipos de eventos. Este tipo de información llega hasta el
extremo de indicar topes en el valor de la probabilidad de ocurrencia de ciertos
eventos para cualquier tipo de variable aleatoria.
La inecuación de Chevyschev permite conocer un límite al valor que puede tener la

probabilidad de un cierto tipo de evento independientemente de la forma de su
función de densidad de probabilidades.
Definición 4.18: Sea una variable aleatoria X de la cual sólo conocemos su valor
esperado E(X) y su varianza V(X). Sea un evento del tipo {|X-E(X)| ≤ kσX},
entonces la probabilidad de ocurrencia de este evento tiene un valor mínimo que es
una función del valor real positivo k y no depende de la forma de la función de
densidad de probabilidades de X.
♦♦
Notas: - El valor mínimo de la probabilidad del evento mencionado se

calcula utilizando el lado derecho de la Ecuación 4.20.
- La expresión 4.20 se conoce como la inecuación de Chevyschev.
1
P{| X − E ( X ) |≤ kσ X } ≥ 1 − (ec. 4.20)
k2

Ejemplo 4.24:Demostrar la inecuación de Chevyschev.
A partir de la Definición 4.3 se puede escribir
∞
[
V ( X ) = E ( X − E ( X )) = 2
] ∫ ( x − E ( X )) 2
f X ( x)dx
−∞
a partir de la Figura 4.3 la integral anterior se puede escribir como

E ( X ) − kσ X E ( X ) + kσ X ∞
V (X ) = ∫ ( x − E ( X )) f X ( x)dx + ∫ ( x − E ( X )) f X ( x)dx + ∫ ( x − E ( X ))
2 2 2
f X ( x)dx
−∞ E ( X ) − kσ X E ( X ) + kσ X
E ( X ) + kσ X
∫ ( x − E ( X )) f X ( x)dx ≥ 0 se puede escribir

2
en vista de que
E ( X ) − kσ X
E ( X ) − kσ X ∞
V(X) ≥ ∫ ( x − E ( X )) f X ( x)dx + ∫ ( x − E ( X )) f X ( x)dx ≥
2 2
−∞ E ( X ) + kσ X
 E ( X ) − kσ X
 ∞  E ( X ) + kσ X 
  1 − 
 −∫∞ X ∫ ∫
2
k V (X ) f ( x ) dx + f ( x ) dx = k 2
V ( X ) f ( x ) dx
X
  X

 E ( X ) + kσ X   E ( X ) −kσ X 
la integral en el paréntesis es la probabilidad deseada, luego
V ( X ) ≥ k 2V ( X )(1 − P{|X-E(X)| ≤ kσ X })
de aqui se despeja la probabilidad deseada, obteniendo
1
P{|X-E(X)| ≤ kσ X } ≥ 1 - 2
k
♦♦
fX(x)
E(X)-kσX E(X) E(X)+kσX
Figura 4.3: Intervalos para evaluar la varianza del Ejemplo 4.24

Ejemplo 4.25:Hallar la probabilidad de ocurrencia del evento {|X-E(X)| ≤ 2σX}

para distintas variables aleatorias y comparar con el valor mínimo que se obtiene al
utilizar la inecuación de Chevyschev.
Según la inecuación de Chevyschev (para k = 2), el valor mínimo de la probabilidad

del evento bajo estudio es 3/4.
Se van a considerar tres variables cuyas funciones de densidad, valores esperados y

varianzas se muestran en la Tabla 4.1.
Función de Densidad Valor Esperado Varianza P{|X-E(X)| ≤ 2σX }

 0, si t < 0

 1
f T (t ) =  , si 0 ≤ t ≤ Tmax
Tmax 2
Tmax 1
 Tmax 2 12
 0, si t > Tmax

 0, si y < 0 1 1
f Y ( y ) =  −λy
λe , si y ≥ 0 λ λ2 0.95
2
1  x−µ 
1 −  
f X ( x) = e 2 σ 
µ σ2 0.9545
σ 2π
Tabla 4.1: Comparación de probabilidades del Ejemplo 4.25

♦♦
4.10) PROBLEMAS PROPUESTOS.

Valor Esperado de Una v. A.

Cargado por

Copyright:

Formatos disponibles

Valor Esperado de Una v. A.

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Valor Esperado de Una v. A.

Cargado por

Copyright:

Formatos disponibles

Introducción a la Probabilidad, los Procesos Estocásticos y la Estadística en Ingeniería

Contenido del Capítulo

4.2) VALOR ESPERADO.

4.3) VARIANZA Y DESVIACIÓN ESTÁNDAR.

4.4) VALOR ESPERADO CONDICIONAL.

4.5) MOMENTOS DE UNA VARIABLE ALEATORIA.

4.6) FUNCIÓN GENERADORA DE MOMENTOS.

4.7) FUNCIÓN CARACTERÍSTICA.

4.8) FUNCIÓN GENERADORA DE PROBABILIDADES.

4.9) INECUACIÓN DE CHEVYSHEV.

4.10) PROBLEMAS PROPUESTOS.

Rafael Díaz Página 4-1 20/10/03

Las funciones de distribución y de densidad de una variable aleatoria permiten el

La base de estas nuevas informaciones es el concepto de valor esperado.

4.2) VALOR ESPERADO.

Cuando se realiza un experimento determinista el resultado del experimento es

Definición 4.1: El valor esperado de una variable aleatoria es su valor medio.

Notas: - El valor esperado de una variable aleatoria se denotará por E(X).

Rafael Díaz Página 4-2 20/10/03

La estructura de la Ecuación 4.1 se presenta en otros contextos, como por ejemplo

En el contexto de la teoría de probabilidades una variable aleatoria estará definida

Según la Ecuación 4.2 se tiene que E(Y) = 0xP{Y = 0}+1xP{Y = 1} = p.

Ejemplo 4.2: Sea una variable aleatoria T cuya función de densidad de

Del Ejemplo 3.15 se concluyó que

Según la Ecuación 4.1 se tiene que

Note que el resultado es un valor en el intervalo (0, Tmax).

Rafael Díaz Página 4-3 20/10/03

Definición 4.2: El valor esperado de una función g(x) de la variable aleatoria X

Notas: - El valor esperado de una función g(x) de la variable aleatoria X

Las propiedades del valor esperado se desprenden de su definición como una

Propiedad 4.2.2.1: El valor esperado de una variable aleatoria cuya función de

si se realiza el cambio de variable x = - x en la primera integral queda

utilizando ahora la propiedad de función par de f X (x)

Rafael Díaz Página 4-4 20/10/03

Propiedad 4.2.2.2: El valor esperado de una variable aleatoria cuya función de

Si la función de densidad es simétrica respecto a un valor m se debe cumplir que

si se realiza el cambio de variable x = m - x en la primera integral y

utilizando ahora la propiedad de simetría de f X (x) y separando en varias integrales

Propiedad 4.2.2.3: El valor esperado de una constante a es igual a esa constante.

Sea la función g(x) = a, luego, a partir de la Ecuación 4.3 se puede escribir

Propiedad 4.2.2.4: El valor esperado de la función g(x) = bx donde b es una

Rafael Díaz Página 4-5 20/10/03

Propiedad 4.2.2.5: El valor esperado de la función g(x) = a + bx, donde a y b son

Propiedad 4.2.2.6: El valor esperado de una variable aleatoria definida en un

A partir de la Ecuación 4.1 e integrando por partes, se puede escribir

si X está definida en (a,b) entonces FX (b) = 1 y FX (a ) = 0, luego

Ejemplo 4.3: Considere la variable aleatoria Z cuya función de densidad de

Rafael Díaz Página 4-6 20/10/03

Ejemplo 4.4: Considere la variable aleatoria Y cuya función de densidad de

Del resultado obtenido en el Ejemplo 3.16 se tiene que

Ejemplo 4.5: Considere la variable aleatoria Y cuya función de densidad de

Del resultado obtenido en el Ejemplo 3.17 se tiene que

Rafael Díaz Página 4-7 20/10/03

Ejemplo 4.6: Considere la variable aleatoria X cuya función de densidad de

En el Ejemplo 3.18 se tiene que

El valor esperado será

De forma alterna, se puede utilizar la Propiedad 4.2.2.6 ya que la variable aleatoria

Entonces, el valor esperado será

Rafael Díaz Página 4-8 20/10/03