Valor Esperado

El valor esperado o esperanza de una variable aleatoria tiene su origen en los juegos de
azar, debido a que los jugadores deseaban saber cual era su esperanza de ganar o perder
con un juego determinado. Como a cada resultado particular del juego le corresponde
una probabilidad determinada, esto equivale a una funcin de probabilidad de una
variable aleatoria y el conjunto de todos los resultados posibles del juego estar
representado por la distribucin de probabilidad de la variable aleatoria. El valor
esperado o esperanza es muy importante, ya que es uno de los parmetros que describen
una variable aleatoria.
Sea X una variable aleatoria discreta con funcin de probabilidades f(x). Entonces, el
valor esperado de la variable aleatoria X, el cual se representa por E(X), est definido
por:
E(X) = xi f(xi)
Lo anterior significa, que para calcular E(X) se multiplica cada valor que puede tomar la
variable aleatoria por la probabilidad que le corresponde y despus se suman esos
productos.
El valor esperado representa el valor promedio que se espera suceda, al repetir el
experimento en forma independiente una gran cantidad de veces. El valor esperado se
interpreta fsicamente como el centro de masa o centro de gravedad de la distribucin de
probabilidad, por lo que es igual a la media o promedio aritmtico, los cuales se
representan con la letra .
De acuerdo a lo anterior podemos escribir que:
E(X) = = xi f(xi)
Ejemplo 4. 8. Un casino le permite a un jugador que lance un dado legal y que reciba
tantos pesos como puntos aparezcan en la cara superior del dado. El jugador debe pagar
una cantidad k de pesos cada vez que juegue. Calcular cuanto debe valer k para que el
jugador ni gane ni pierda.
Solucin.
Sea X la variable aleatoria que representa el resultado al lanzar un dado. Su
distribucin de probabilidad es la siguiente:
1

1/6

1/6

1/6

1/6

1/6

1/6

En este caso el valor esperado debe ser igual al valor k, con lo que se espera que
el jugador ni gane ni pierda. Aplicando la frmula del valor esperado tenemos:

 xi f(xi) = 1(1/6) + 2(1/6) + 3(1/6) + 4(1/6) +5(1/6) + 6(1/6) = 3.5

El jugador debe pagar 3.5 pesos cada vez que participa en un juego.
Si la cuota k fuera de 4 pesos por juego, la ganancia neta esperada del casino es
de 0.50 pesos por juego, ya que k - = 4.00 - 3.50 = 0.50 pesos. Como lo que recibe el
jugador en un solo juego no puede ser igual a 3.5 pesos (debe ser un nmero entero
entre 1 y 6), entonces la E(X) no necesariamente coincide con el resultado de un solo
juego.
El significado de E(X) = 3.5 pesos, es que si el juego se realiza un gran nmero
de veces, el cociente debe ser aproximadamente igual a 3.5 pesos.

Curvas de distribucin
Distribucin normal
Esta es la curva de distribucin ms comn, familiar para casi todos. Se trata de muchos
eventos aleatorios en el tiempo. Se caracteriza por un pequeo nmero de ocurrencias desde
la extremidad derecha o la extremidad izquierda de la curva, con la mayor parte de las
ocurrencias sucediendo en el medio. Se parece a un gran montn. Matemticamente, la media
y la mediana son lo mismo. De hecho, cuanto ms cerca de la mediana y la media estn el uno
del otro, tendrs una curva ms aproximada a lo normal. Las asociaciones al azar crearn esta
curva en el tiempo con una muestra del tamao suficiente. Si uno est comparando las edades
(en el Y, o eje vertical) con la preferencia del color verde (x, o el eje horizontal), entonces es
probable que se de una curva normal.

Distribucin asimtrica
En este caso, los sucesos se agrupan a un
lado o al otro. La media y la mediana son
diferentes el uno del otro. Por ejemplo, si se
comparan las edades (y) con un inters en las
finanzas, (x), entonces se producir una curva
sesgada, ya que muy pocos jvenes o
adolescentes estn interesados en las finanzas. La curva de repente se alza hacia arriba en
quiz 19 a 30, cuando estos asuntos se vuelven ms importantes. Otro ejemplo es la
comparacin entre la edad (y) y un inters en la seguridad social. El grfico se alza
enormemente en probablemente entre las edades de 40 y 50 aos, con una lnea plana (sin
intereses) desde la niez hasta la edad de 40 aos. La distribucin asimtrica se produce
cuando hay una variable especfica que cambia con la otra en determinados momentos. Si un
conjunto aleatorio de eventos crea una curva sesgada, entonces, o bien la muestra no es lo
suficientemente grande o los acontecimientos no son al azar, despus de todo.

Distribucin Bi-modal
Esta curva se parece a dos jorobas de camellos. Hay dos grandes picos con lneas planas en el
centro, y con frecuencia al principio y al final. Aqu, hay dos medias. Manteniendo nuestro
ejemplo, si el eje Y est cerca de la edad, a continuacin, una variable del eje X que
probablemente creara una curva bi-modal podra ser la necesidad para la orientacin. En la
vida humana normal, existen dos grupos de edad donde la gente busca la orientacin de sus

familiares o cuidadores. Estos son

las personas muy jvenes y los
ancianos. Por lo tanto, cuando se
representan grficamente las
apariciones de personas que
realmente necesitan de la
orientacin de adultos, se ver bimodal, con un gran pico en los
aos de juventud y otro en los aos de vejez

CURTOSIS
Esta medida determina el grado de concentracin que presentan los valores en la regin
central de la distribucin. Por medio del Coeficiente de Curtosis, podemos identificar si
existe una gran concentracin de valores (Leptocrtica), una concentracin normal
(Mesocrtica) una baja concentracin (Platicrtica).

ANOVA
El anlisis de la varianza (o Anova: Analysis of variance) es un mtodo para comparar
dos o ms medias. Es necesario porque cuando se quiere comparar ms de dos medias
es incorrecto utilizar repetidamente el contraste basado en la t de Student.
En resumen, el anlisis de varianza sirve para comparar si los valores de un conjunto de
datos numricos son significativamente distintos a los valores de otro o ms conjuntos
de datos. El mtodo para comparar estos valores est basado en la varianza global
observada en los grupos de datos numricos a comparar. Tpicamente, el anlisis de
varianza se utiliza para asociar una probabilidad a la conclusin de que la media de un
grupo de puntuaciones es distinta de la media de otro grupo de puntuaciones.
El ANOVA parte de algunos supuestos que han de cumplirse:

La variable dependiente debe medirse al menos a nivel de intervalo.

Independencia de las observaciones.

La distribucin de la variable dependiente debe ser normal.

Homocedasticidad: homogeneidad de las varianzas.

Existen tres tipos de modelos:

El modelo de efectos fijos asume que el experimentador ha considerado para el

factor todos los posibles valores que ste puede tomar. Ejemplo: Si el gnero del
individuo es un factor, y el experimentador ha incluido tantos individuos
masculinos como femeninos, el gnero es un factor fijo en el experimento.

Los modelos de efectos aleatorios asumen que en un factor se ha considerado

tan slo una muestra de los posibles valores que ste puede tomar. Ejemplo: Si el
mtodo de enseanza es analizado como un factor que puede influir sobre el
nivel de aprendizaje y se ha considerado en el experimento slo tres de los
muchos ms mtodos posibles, el mtodo de enseanza es un factor aleatorio en
el experimento.

Los modelos mixtos describen situaciones donde estn presentes ambos tipos de
factores: fijos y aleatorios.

La tcnica fundamental consiste en la separacin de la suma de cuadrados (SS, 'sum of

squares') en componentes relativos a los factores contemplados en el modelo. Como
ejemplo, mostramos el modelo para un ANOVA simplificado con un tipo de factores en
diferentes niveles. (Si los niveles son cuantitativos y los efectos son lineales, puede
resultar apropiado un anlisis de regresin lineal).
SSTotal = SSError + SSFactores
El nmero de grados de libertad (gl) puede separarse de forma similar y se corresponde
con la forma en que la distribucin chi-cuadrado describe la suma de cuadrados
asociada.
glTotal = glError + glFactores