ABC Amber Text Converter Trial version, http://www.thebeatlesforever.

com/processtext/

El siguiente material se encuentra en etapa de corrección y no deberá

ser considerado una versión final.
Alejandro D. Zylberberg <alejandro@probabilidad.com.ar>
Versión Actualizada al: 4 de mayo de 2004
Media o Esperanza o Valor Esperado
Dada una variable aleatoria, nos puede interesar tener una idea de qué valor
podríamos esperar que asuma si se hace el experimento al cual está asociada.
Por ejemplo, nos puede interesar calcular el consumo medio por hora de una
máquina, la cantidad de clientes que podemos esperar tener en un determinado día,
o la cantidad media de líquido que la embotelladora envasa en las botellas.
Para ese fin utilizamos la media o esperanza matemática.
Dada X una variable aleatoria, si su esperanza E(X) existe, vale:
+∞
E( X ) = ∑ x PX ( x)
−∞
si X es discreta
+∞
E( X ) = ∫ x fX (x) dx
−∞
si X es continua
Como E(X) está definida a partir de una sumatoria o integral, resulta ser un
operador lineal, con lo cual se puede demostrar fácilmente que:
E ( aX + b ) = E ( aX ) + E (b ) = aE ( X ) + b con a , b ∈ ℜ
de donde también se observa que la esperanza de una constante es la propia
constante.
En el caso general, en vez de interesarnos calcular la esperanza de X, nos puede
interesar calcular la esperanza de una función ϕ (X). Si Y = ϕ (X), vale:
+∞
E(Y ) = ∑ϕ ( x) PX ( x)
−∞
si X es discreta
+∞
E(Y ) = ∫ ϕ(x) fX (x) dx
−∞
si X es continua

Comentarios
ABC Amber Text Converter Trial version, http://www.thebeatlesforever.com/processtext/

1) Podemos pensar en la media como el valor que obtendríamos si tomáramos

infinitas muestras de una variable aleatoria e hiciéramos el promedio de sus valores.
2) La media no tiene necesariamente que ser un valor posible.

Ejemplos
1 / 3 x =1 
 
1 / 3 x=2 
PX ( x ) =  
1 / 3 x=3 
 0 ∀ otro x 
1) Sea X discreta distribuida según
+∞
E ( X ) = ∑ x PX ( x ) = ∑ x = ∑x= =2
3
1 1 6 6
−∞ x =1 3 3 x =1 3
Como era de esperar, si X podía ser al azar 1, 2 ó 3, la media es 2.

2) Veamos ahora el ejemplo del dado:

1 6 x =1 
 
1 6 x=2 
1 6 x=3 
 
PX ( x) = 1 6 x=4 
 
1 6 x=5 
1 6 x=6 
 
 0 ∀ otro x 
+∞
E ( X ) = ∑ x PX ( x ) = ∑ x = ∑x=
6
1 1 6 21
= 3 .5
−∞ x =1 6 6 x =1 6

Este ejemplo nos muestra que la media no tiene por qué necesariamente ser un valor
posible. Es solamente el valor ESPERADO matemáticamente de la distribución.
Como se dijo antes, podemos imaginarlo como el valor que obtendríamos si
tomáramos infinitas muestras de la variable aleatoria e hiciéramos el promedio de
sus valores.
ABC Amber Text Converter Trial version, http://www.thebeatlesforever.com/processtext/

1 / 2 x =1 
 
1 / 3 x=3 
PX ( x ) =  
1 / 6 x=4 
 0 ∀ otro x 
3) Sea X discreta distribuida según
+∞
E ( X ) = ∑ x PX ( x ) = ∑ x PX ( x ) =
4

−∞ x =1

1 1 1
= 1 + 3 + 4 = 2.1667
2 3 6
Este ejemplo nos muestra que la media de una distribución tampoco es
necesariamente el valor más probable.

4) Sean X e Y distribuidas según:

0,2 x=3  0,2 x=2 
   
0,3 x=4   0,3 x=3 
  
PX ( x) = 0,3 x = 5  PY ( y ) = 0,3 x=6 
   
0,2 x=6  0,2 x=7 
 0 ∀ otro x   0 ∀ otro x 
+∞
E ( X ) = ∑ x PX ( x) = 3.0,2 + 4.0,3 + 5.0,3 + 6.0,2 = 4,5
−∞
+∞
E (Y ) = ∑ y PY ( y ) = 2.0,2 + 3.0,3 + 6.0,3 + 7.0,2 = 4,5
−∞
ABC Amber Text Converter Trial version, http://www.thebeatlesforever.com/processtext/

Vemos que si la distribución es simétrica, la esperanza "no se entera" de si los

valores con probabilidad no nula están más cercanos o más espaciados.

5) La media de las distribuciones continuas es análoga a la de las distribuciones

discretas, y en general cumple las mismas propiedades.
• No necesariamente coincide con el valor más probable

• No necesariamente es un valor posible

• Si la distribución es simétrica, no se entera de si los valores con probabilidad no
nula están más cercanos o más espaciados.
A modo de ejemplo tomemos:
 2 e −2 x x > 0
fX ( x ) =  
 0 x ≤ 0
+∞ +∞
E( X ) = ∫x f X ( x) dx = ∫ x 2e −2 x
dx =
1
2
−∞ 0

6) La media puede no existir.

1
fX ( x ) =
π (1 + x 2 )
Tomemos por ejemplo la función de densidad: ∀x ∈ ℜ
En ningún momento es negativa y su integral da 1, con lo cual es efectivamente una
función de densidad.
Calculemos la media de esta distribución:
+∞ +∞
ln( 1 + x 2 ) + ∞
E( X ) = ∫x fX ( x ) dx = ∫ π (1 +x x 2
)
dx =
2π
| −∞ = ∞ − ∞ = ?
−∞ −∞

Vemos que esta integral no existe, por lo tanto la esperanza de esta distribución no
existe.

Moda o modo o valor más probable

Es otra característica que podemos calcular de una distribución. La moda de una
distribución es el valor más probable. Es decir, si X es una variable aleatoria
ABC Amber Text Converter Trial version, http://www.thebeatlesforever.com/processtext/

discreta, Mo(X) es el x (o los x) tales que P X(x) es máxima. Si X es continua, es el o

los x tales que f X(x) es máxima.

En el ejemplo nº 3 de la media, la moda es 1.

En el ejemplo nº 5 de la media, la moda es 0.

• La moda de una distribución no necesariamente es única.

En el ejemplo nº 2 de la media, los 6 valores posibles son la moda.

• A diferencia de la media, la moda es necesariamente un valor posible.

• Como caso particular, la media y la moda pueden coincidir, por ejemplo en:
0,3 x =1 
 
0,4 x=2 
PX ( x ) =  
0,3 x=3 
 0 ∀ otro x 

donde E(X) = Mo(X) = 2

Mediana
Definimos la mediana de una distribución continua de X como M tal que P(X < M)
= P(X > M) = 0,5. Es decir, es el valor que se encuentra en el medio,
probabilísticamente hablando.
Tomando una de las dos formas, hallamos M resolviendo:
M +∞

∫f X ( x ) dx = 0,5 ∫f X ( x ) dx = 0,5
−∞
o bien M
según convenga.

• A diferencia de la media, la mediana siempre existe, y además es menos sensible a

las distribuciones que están espaciadas hacia uno de sus lados (como el ejemplo nº
5 de la media).
• La mediana no necesariamente es única (como en cualquier análogo continuo del
ejemplo nº 4 de la media, en el cual habría 2 medianas).

Ejemplo:
2e −2 x x > 0
fX ( x ) =  
 0 x ≤ 0
Hallar la mediana de
M M
− ln( 0,5)
∫ fX ( x) dx = 0,5 => ∫ 2e − 2 x dx = −e − 2 x | 0M = 1 − e − 2 M = 0,5 => M =
2
=
ln( 2)
2
= 0,35
−∞ 0

Problemas típicos
ABC Amber Text Converter Trial version, http://www.thebeatlesforever.com/processtext/

1) Halle la media y la moda de X, donde X está distribuida según:

0,4 x = −1 
 
 0,1 x =1 

PX ( x) = 0,3 x=2 
 
0,2 x=3 
 0 ∀ otro x 

Resolución:
+∞
E ( X ) = ∑ x PX ( x ) = ( −1). 0,4 + 1.0,1 + 2.0,3 + 3.0,2 = 0,9
−∞

Mo(X) = valor más probable = -1

2) La longitud de las varillas fabricadas por una máquina es la variable

aleatoria X distribuida según:
x 2 0 ≤ x ≤ 1
1 
fX ( x ) =  1 ≤ x ≤ 3
3 
0 ∀ otro x 

¿Cuál es la longitud media de las varillas?

Resolución:
"La longitud media de las varillas" se refiere a "La media de la longitud de las
varillas", es decir, la media de X.
+∞ 1 3
E( X ) = ∫x f X ( x) dx = ∫ x x 2 dx + ∫ x dx = 1,583
1
3
−∞ 0 1

3) Con la misma X del ejercicio anterior, encuentre la esperanza de:

a) Y = 3X-5
b) Z = X 2+2X

Resolución:
E ( aX + b ) = E ( aX ) + E (b ) = aE ( X ) + b
a)
E (3 X − 5) = 3 E ( X ) − 5
Y habíamos calculado que E(X) = 1.583, con lo cual:
E(Y) = -0,25
+∞
E ( h ( X )) = ∫ h( x) f X ( x ) dx
−∞
b) Tenemos 2 formas de resolverlo, usando
Una forma consiste en tomar h(x) = x 2 + 2x y hacer:
ABC Amber Text Converter Trial version, http://www.thebeatlesforever.com/process

+∞ 1 3
E (h( X )) = ∫ h( x ) f X ( x) dx = ∫ ( x 2 + 2 x) x 2 dx + ∫ ( x 2 + 2 x) dx = 6,256
1
3
−∞ 0 1

Pero hay otra forma de hacerlo con menos cuentas. Aprovechando la linealidad del
operador esperanza, hacemos:
E ( x 2 + 2 x ) = E ( x 2 ) + 2 .E ( x )
con lo cual podemos calcular la esperanza de x2 en vez de la de x 2 + 2x
Tomamos h(x) = x 2
+∞ 1 3
E(x 2 ) = ∫ h( x) fX ( x) dx = ∫ x 2 x 2 dx + ∫ x 2 1
3
dx = 3,089
−∞ 0 1

Y luego E(Z) = 3,089 + 2.1,583 = 6,256