Esperanza Matemtica o Valor Esperado: Definicin: El valor esperado de una Variable Aleatoria X es el promedio o valor Promedio de X.

La esperanza matemtica o valor esperado de una variable aleatoria tiene sus orgenes en los juegos de azar, debido a que los apostadores deseaban saber cul era su esperanza de ganar repetidamente un juego, por lo tanto, el valor esperado representa la cantidad de dinero promedio que el jugador est dispuesto a ganar o perder despus de un nmero grande de apuestas. En conclusin, el valor esperado de una variable aleatoria despus de un nmero grande de experimentos es su valor esperado.

Esperanza matemtica
En estadstica la esperanza matemtica (tambin llamada esperanza, valor esperado, media poblacional o media) de una variable aleatoria X, es el nmero que formaliza la idea de valor medio de un fenmeno aleatorio.

Cuando la variable aleatoria es discreta, la esperanza es igual a la suma de la probabilidad de cada posible suceso aleatorio multiplicado por el valor de dicho suceso. Por lo tanto, representa la cantidad media que se "espera" como resultado de un experimento aleatorio cuando la probabilidad de cada suceso se mantiene constante y el experimento se repite un elevado nmero de veces. Cabe decir que el valor que toma la esperanza matemtica en algunos casos puede no ser "esperado" en el sentido ms general de la palabra - el valor de la esperanza puede ser improbable o incluso imposible. Por ejemplo, el valor esperado cuando tiramos un dado equilibrado de 6 caras es 3,5. Podemos hacer el clculo

y cabe destacar que 3,5 no es un valor posible al rodar el dado. En este caso, en el que todos los sucesos son de igual probabilidad, la esperanza es igual a la media aritmtica. Una aplicacin comn de la esperanza matemtica es en las apuestas o los juegos de azar. Por ejemplo, la ruleta americana tiene 38 casillas equiprobables. La ganancia para acertar una apuesta a un solo nmero paga de 35 a 1 (es decir, cobramos 35 veces lo que hemos apostado y recuperamos la apuesta, as que recibimos 36 veces lo que hemos apostado). Por tanto, considerando los 38 posibles resultados, la esperanza matemtica del beneficio para apostar a un solo nmero es:

que es -0,0526 aproximadamente. Por lo tanto uno esperara, en media, perder unos 5 cntimos por cada euro que apuesta, y el valor esperado para apostar 1 euro son 0.9474 euros. En el mundo de las apuestas, un juego donde el beneficio esperado es cero (no ganamos ni perdemos) se llama un "juego justo". Nota: El primer parntesis es la "esperanza" de perder tu apuesta de $1, por eso es negativo el valor. El segundo parntesis es la esperanza matemtica de ganar los $35. La esperanza matemtica del beneficio es el valor esperado a ganar menos el valor esperado a perder. [editar]Definicin

Para una variable aleatoria discreta con valores posibles

y sus probabilidades

representadas por la funcin de probabilidadp(xi) la esperanza se calcula como:

Para una variable aleatoria continua la esperanza se calcula mediante la integral de todos los valores y la funcin de densidad :

La definicin general de esperanza se basa, como toda la teora de la probabilidad, en el marco de la teora de la medida y se define como la siguiente integral:

La esperanza tambin se suele simbolizar con Las esperanzas para se llaman momentos de orden . .

Ms importantes son los momentos centrados

No todas las variables aleatorias tienen un valor esperado. Por ejemplo, la distribucin de Cauchy no lo tiene. [editar]Propiedades

La esperanza es un operador lineal, ya que:

Combinando estas propiedades, podemos ver que -

donde

son variables aleatorias y

son tres constantes cualesquiera.

DISTRIBUCION BINOMIAL Esta distribucin se basa en el proceso de Bernoulli. Se denominan procesos de tipo Bernoulli, a todo experimento consistente en una serie de pruebasrepetidas, caracterizadas por tener resultados que se pueden clasificar en si verifican o no cierta propiedad o atributo, siendo aleatorios e independientes. Para identificar un proceso Bernoulli en una serie de pruebas repetidas, se deben verificar tres condiciones: 1. 2. 3. 4. Resultados dicotmicos: Los resultados de cada prueba se pueden clasificar en "xito" si verifican cierta condicin, o "fracaso" en el casocontrario. Independencia de las pruebas: El resultado de una prueba cualquiera es independiente del resultado obtenido en la prueba anterior, y no incide en el resultado de la prueba siguiente. Estabilidad de las pruebas: La probabilidad p de obtener un resultado considerado como un xito se mantiene constante a lo largo de toda la serie de pruebas.

Cuando en un proceso del tipo Bernoulli se desea saber la probabilidad de obtener exactamente r xitos, en una serie de n pruebas, con una probabilidad de xito p, se puede aplicar la frmula de la probabilidad binomial:

X = 0, 1, 2, , n.

La media o valor esperado es m = np La varianza s 2 = np(1-p) Veamos el siguiente ejemplo: Sea el caso de una droga X, con una dosis mortal de 1g/100 ml para cobayos experimentales, en el 25% de los casos. Aplicando esta dosis a cien cobayos se desea saber cuanto vale la probabilidad de que mueran veinte de ellos. Primero analizaremos si este caso cumple los supuestos bsicos de una distribucin binomial:

y y y

Los cobayos mueren (xito) o sobreviven (fracaso). Que un cobayo muera con la dosis, no significa que lo har el siguiente (independencia) pues no se trata de una epidemia. La probabilidad de que mueran se mantiene constante a lo largo de la serie de pruebas (p = 0,25). Entonces, como si cumple los supuestos bsicos, aplicamos la formula:

Veamos otro ejemplo:

En una farmacia se ha calculado la probabilidad de venderle a un cliente con obra social es del 20%. Se eligen al azar 15 clientes de ese tipo que ingresan al negocio y se desea calcular la probabilidad de concretar menos de tres ventas. Si se cumple los supuestos bsicos de la distribucin binomial, entonces: P(x<3) = P(x=0) + P(x=1) + P(x=2) Matemticamente esto se resuelve as:

Entonces: P(x<3) = 0.0352 + 0.1319 + 0.2309 = 0.398

DISTRIBUCION POISSON Se denominan procesos de tipo Poisson, a todo experimento consistente en una serie de pruebas repetidas dentro de un continuo, caracterizadas por tener resultados que se pueden clasificar en si verifican o no, cierta propiedad o atributo, siendo aleatorios e independientes del lugar que ocurren dentro del continuo. Para identificar un proceso Poisson en una serie de pruebas repetidas, se deben verificar tres condiciones: 1. 2. Sucesos puntuales: Los sucesos ocurren dentro de un continuo (espacio o tiempo) y ocupan una parte infinitesimal del mismo. Es decir, en el espacio un suceso es puntual y en el tiempo es instantneo. En trminos prcticos, los sucesos no ocupan una parte apreciable del continuo. Sucesos independientes: La ocurrencia de un suceso en un lugar del continuo no condiciona la ocurrencia del anterior (o del siguiente) en otra parte del mismo. Probabilidad constante: La probabilidad de ocurrencia de un suceso en un lugar del continuo es la misma en todo punto del mismo.

3. 4.

Son ejemplos de este tipo de proceso:

y y

la llegada de pacientes a una cola o lnea de espera, los accidentes en una ruta, etc. Esta probabilidad se aproxima a la binomial cuando la probabilidad de xito es muy pequea, por eso muchos la llaman: la "binomial de los sucesos raros".

Cuando en un proceso del tipo Bernoulli se desea saber la probabilidad de obtener exactamente x xitos en un intervalo de tiempo, con un promedio de eventos esperados l , se puede aplicar la frmula de la probabilidad de Poisson:

X = 0, 1, 2, ., n e = 2.71828 (es una constante, la base de los logaritmos naturales) Veamos el siguiente ejemplo: Supongamos que estamos investigando la seguridad de una peligrosa inteleccin de calles, los registros policacos indican una media de 5 accidentes mensuales en esta interseccin. El departamento de seguridad vial desea que calculemos la probabilidad de que en cualquier mes ocurran exactamente 3 accidentes. Analizando el problema, este situacin se ajusta a un proceso de Poisson, hay una secuencia de llegada (por mas que exista un choque mltiple, siempre hay uno que choca primero). Tenemos la siguiente informacin: l = 5 accidentes por mes x = 3 accidentes por mes Aplicando la formula de la probabilidad de Poisson:

DISTRIBUCIN POISSON DATOS HISTRICOS: La distribucin de Poisson se llama as en honor a Simen Dennis Poisson (1781 - 1840), francs que desarrollo esta distribucin basndose en estudios efectuados en la ultima parte de su vida. DEFINICIN: La distribucin de poisson desempea un papel muy importante por derecho propio como modelo probabilistico apropiado para un gran numero de fenmenos aleatorios. Distribucin De Poisson. Caractersticas: En este tipo de experimento los xitos buscados son expresados por unidad de rea, tiempo, pieza, etc, etc,: - de defectos de una tela por m2 - de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc, etc. - de bacterias por cm2 de cultivo - de llamadas telefnicas a un conmutador por hora, minuto, etc, etc. - de llegadas de embarcaciones a un puerto por dia, mes, etc, etc. Para determinar la probabilidad de que ocurran x xitos por unidad de tiempo, rea, o producto, la formula a utilizar seria:

donde:

=probabilidad de que ocurra x xitos, cuando el numero promedio de ocurrencia de ellos es = media o promedio de xitos por unidad de tiempo, rea o producto = 2.718 = variable que nos denota el numero de xitos que se desea que ocurra hay que hacer notar que en esta distribucin el numero de xitos que ocurren por unidad de tiempo, rea o producto es totalmente al azar y que cada intervalo de tiempo es independiente de otro intervalo dado, as como cada rea es independiente de otra rea dada y cada producto es independiente de otro producto dado. Ejemplo: Si un banco recibe en promedio 6 cheques sin fondos por da, cuales son las posibilidades de que reciban 4 cheques sin fondo en un da dada. a) x= variable que nos define el numero de cheques sin fondo que llegan al banco en un da cualquiera. (landa) = 6 cheques sin fondo x da = 2.718

Solucin: