Estadística I

139

Unidad X – TEORÍA ELEMENTAL DE LA PROBABILIDAD

1. CONCEPTOS BÁSICOS. ESPACIOS MUESTRALES Y SUCESOS. TABLAS DE

CONTINGENCIA Y DIAGRAMAS DE VENN.

La Teoría de la Probabilidad fue inicialmente creada y desarrollada por el matemático

francés Blas Pascal, quien en 1654, a raíz de consultas que le había planteado un integrante de la
nobleza, en un intercambio epistolar con Fermat, se dedicó a resolver los problemas de probabi-
lidades relacionadas con los juegos de azar, muy de moda en las sociedades europeas de aquellos
tiempos.
Así surgió la primera definición de probabilidad, que hoy llamamos Definición clásica.
Con posterioridad, otros matemáticos de los siglos XVII y XVIII se ocuparon de ampliar los
límites del conocimiento en el tema Teoría de la Probabilidad. Entre los investigadores más re-
conocidos se encuentran el propio Fermat, Bernoulli, Gauss, Laplace y Poisson.
Con la Revolución Francesa la Teoría de la Probabilidad sufrió un deterioro importante,
debido fundamentalmente a que, habiendo surgido a partir de intereses no demasiado bien vistos
de la nobleza, fue considerado un producto casi despreciable por parte los científicos e investiga-
dores matemáticos de la época. Eso fue así hasta mediados del siglo XIX, cuando su estudio y
análisis vuelven a recibir un fuerte impulso, de modo que a comienzos del siglo XX ya se la con-
sidera una herramienta trascendente para ser aplicada en varias ramas del campo científico.
Hoy en día no existe investigación alguna, en cualquier terreno, que no la considere y la
aplique, y se ha incorporado con naturalidad a los procesos analíticos de la física, la química, la
medicina y, por supuesto, la economía.
Los principios de la probabilidad ayudan a unir los mundos de la estadística descriptiva y
la inferencia estadística.
Los elementos básicos de la teoría de la probabilidad son los resultados de un experimen-
to aleatorio. Un experimento es un ensayo o juego que puede constar de uno o más intentos y
cuyo resultado es la ocurrencia de uno, y sólo uno de los varios resultados posibles y no se sabe
cual ocurrirá.
Si bien el concepto de experimento aleatorio es, en principio, ambiguo, al recordar que la
definición pascaliana se originó en el estudio de los juegos de azar, puede decirse que un expe-
rimento aleatorio tanto puede ser una de las repeticiones de algún juego de azar como cualquier
otra cosa que, no siendo precisamente un juego, esté sujeta a las reglas del azar, de modo que
el resultado que se puede presentar en sus realizaciones se encuentra sujeto a las condicio-
nes de incertidumbre propias de la aleatoriedad.
Los siguientes son ejemplos experimentos aleatorios porque cumplen con esas condi-
ciones, acompañando en cada caso posibles resultados de la variable aleatoria a la cual dan ori-
gen:
Estadística I
140
 Lugar de origen de los autos vendidos por la concesionaria: nacional e importado.
 Edades de los compradores de auto de la concesionaria
 La forma de pago de un cliente: en efectivo, con tarjeta de crédito o con tarjeta de
débito.
 El precio de una acción en el mercado: aumente, permanezca sin cambios o disminuya,
Los elementos básicos de la teoría de la probabilidad son los resultados individuales de
una variable que se somete a estudio. Un evento o suceso es le conjunto de uno o más resultados
de un experimento. El suceso o evento es un acontecimiento que puede ocurrir o no.

Edades de los Precio de una

Experimento Lugar de origen Forma de pago
compradores acción

25 – 29
30 – 34 En efectivo Aumente
35 – 39 Con tarjeta de Permanezca sin
Todos los Nacional
40 – 44 crédito cambios
resultado Importado
45 – 49 Con tarjeta de Disminuya
50 – 54 débito
55 - 59

Tenga 40 años o En efectivo o con Aumente o per-

Sea Nacional menos tarjeta de débito manezca sin
Evento cambio.
Sea Importado Tenga más de 40 Con tarjeta de
año débito o crédito Cambie

Los sucesos o eventos se clasifican en:

 Simple: es un evento que puede describirse con una característica única. Ejemplos: el
auto sea Nacional, el comprador tenga más de 40 años, el cliente pague con tarjeta de
débito, el precio de la acción suba.

 Compuesto: es un evento que puede describirse con más de una característica. Es una
combinación de eventos simples. Ejemplo: el cliente de la concesionaria compre un
auto nacional y tenga 40 años o más.
El espacio muestral es el conjunto de todos los resultados posibles de un experimento, la
colección de todos los posibles eventos. La forma en que se subdivide el espacio muestral de-
pende del tipo de probabilidades que se va a determinar.
Estadística I
141
Hay varias formas alternativas de observar un espacio muestral:
 Clasificación cruzada de los eventos en una tabla llamada tabla de contingencias o tabla
de probabilidad.
 Representación gráfica de los diversos eventos como uniones o intersecciones de círcu-
los en un diagrama de Venn.
Una tabla de contingencia es aquella en la que las filas figuran todos los resultados posi-
bles de una de las características de la variable y en columnas todos los resultados posibles de
otra característica de la variable, y en cada celda figura los sucesos o eventos conjuntos.
La tabla de contingencias o probabilidades ofrece una representación clara del número de
posibles resultados de la variable pertinente, en especial si hay dos o más sucesos o eventos que
se consideran simultáneamente.
Autos vendidos
Origen
Nacional Importado
Total
(N) (I)
Edad

Menos de 40 (- 40) 24 6 30

Entre 40 y 50 19 15 34

Más de 50 años (+ de 50) 7 9 16

Total 50 30 80

Un diagrama de Venn es una segunda forma de presentar un espacio muestral. Este dia-
grama. Es un diagrama asociado con la teoría de conjuntos de las matemáticas en el cual se des-
criben los eventos que pueden ocurrir en una observación o experimento en particular. Una figu-
ra cerrada representa el espacio muestral, mientras que porciones del área, dentro del espacio
representan eventos simples o compuestos particulares. En el diagrama se representan gráfica-
mente los eventos como “uniones” o “intersecciones” de círculos.

AB
B

A
AB
Esta figura representa un diagrama de Venn típico para una situación de dos variables, en
Estadística I
142
la cual cada variable tiene sólo dos sucesos o eventos (A y A’, B y B’). El círculo de la izquierda
(a cuadros) representa todos los eventos que son parte de A. El círculo de la derecha (a rayas)
representa todos los eventos que son parte de B. El área contenida dentro del círculo de A y el
círculo de B (área central), es la intersección de A y B (A B), porque es parte de A y también
parte de B. El área total de los dos círculos es la unión de A y B (A  B) y contiene todos los
resultados que son sólo parte de A, sólo parte de B, o parte de ambos A y B, El área del diagrama
fuera de A  B contiene los resultados que no son parte de A ni de B.
Autos vendidos

N y 40 o más
ø

N
I - 40
I

I y - 40

2. DEFINICIONES DE PROBABILIDAD: CLÁSICA, FRECUENCIAL O ESTADÍSTI-

CA, AXIOMÁTICA Y SUBJETIVA.

Históricamente se han desarrollado cuatro diferentes enfoques conceptuales para definir

la probabilidad y para determinar los valores de probabilidad:
 el clásico
 el frecuencial
 el axiomático
 el subjetivo
Definición Clásica

En la definición clásica, la probabilidad de éxito está basada en el conocimiento previo

del suceso implicado, Dado que este enfoque (cuando es aplicable) permite determinar valores de
probabilidad antes de que sean observados los sucesos o eventos, también se lo conoce como
enfoque a priori.
Estadística I
143
La probabilidad de un evento que se está llevando a cabo se calcula dividiendo el número
de resultados favorables por el número de resultados posibles.
Suponga la existencia de un experimento aleatorio E que puede dar lugar a la aparición de
un suceso A, que puede presentarse de h formas diferentes, todas que le favorecen, en un total
de n formas posibles de ocurrencia del experimento, se define a la probabilidad del suceso A
como la relación entre el número de casos favorables h y el número de casos posibles n.
La probabilidad de aparición de un suceso (llamada ocurrencia) viene dada por
h
P ( A)  p
n
La probabilidad de no aparición del suceso (llamada su no ocurrencia) viene dada por:
nh h

P A q
n
 1   1  p  1  P  A
n

P  A  P A  p  q  1

A
A

Ejemplo: A partir de la Tabla de Contingencias de los Autos vendidos, si se selecciona

aleatoriamente un cliente, ¿cuál es la probabilidad de que haya comprado un auto de origen na-
cional?
Si el número de los casos favorables a un cliente que haya comprado un auto importado
es igual a 30 y el total de lados posibles de aparecer es igual a 80, la P N   50  5 .
80 8
Para indicar el resultado de una probabilidad, utilizaremos las formas fraccionarias respe-
tando, de esa manera, el fundamento básico de la definición de Pascal, aunque no existe ningún
inconveniente para convertir la forma fraccionaria en una forma decimal.
Analicemos en particular los dos elementos que la componen la fórmula de la definición
clásica y veremos que:
 n siempre debe ser mayor o igual a 1: con un número de casos posibles nulo (n = 0) no
habría realización del experimento.
 h siempre variará entre 0 y n 0  h  n  : es siempre posible plantear la alternativa de,
como mínimo, un número nulo de casos favorables y, como máximo, un número de casos
 Estadística I
144
favorables que no puede superar al de casos posibles n.
Por consiguiente:
Si h  0  P ( A)  0  A se denomina suceso imposible.
Si h  n  P( A)  1  A se denomina suceso seguro (o cierto).
Se concluye que 0  P( A)  1 : la probabilidad de un suceso A es un número real que
varía entre cero y uno.

Suceso Suceso
imposible cierto

0,00 0,10 0,20 0,30 0,40 0,50 0,60 0,70 0,80 0,9 1,00

Sucesos opuestos: el símbolo A representa al suceso o conjunto de sucesos que no son

el suceso A. En el ejemplo del origen del auto, si A es el suceso "nacional", A será el suceso
"importado". En esas condiciones, si de los n casos posibles h favorecen al suceso A, los restan-
tes (n - h) sucesos favorecerán al suceso A . Por consiguiente la
nh h
P ( A)   1 .
n n
Si ahora sumamos las probabilidades de los sucesos A y A , obtenemos:
h  h
P( A)  P( A)   1    1 ,
n  n
con lo cual se concluye que: Si la suma de las probabilidades de dos sucesos que provienen
de un mismo experimento da un resultado igual a la unidad, los sucesos se denominan
opuestos.
Ejemplo: Los sucesos N e I en la selección de un cliente al azar son opuestos. Luego la
P( N )  P( I )  1 , lo cual demuestra adicionalmente que la aparición de un auto nacional o de uno
importado en una selección al azar constituye un suceso seguro o, lo que es lo mismo, ambos
sucesos conforman un sistema completo (ya que no existe otra solución posible para el expe-
rimento).
h N 50 5
P( N )    
n N  I 50  30 8
Definición Frecuencial:
Estadística I
145
Para el cálculo de probabilidades mediante la aplicación de la definición clásica se re-
quiere conocer cuáles son los valores correspondientes tanto a los casos favorables como a los
casos posibles. Sin embargo, a menudo ocurre que alguno de estos datos, o ambos, resultan o
completamente desconocidos o muy difíciles de conocer. Así ocurriría, por ejemplo, en el caso
de plantearse algunos de los siguientes interrogantes:
1. ¿cuál es la probabilidad de que un cliente que va a comprar un auto tenga más de 40
años?
2. ¿cuál es la probabilidad de que un cliente que va a comprar un auto, compre un auto na-
cional?
3. ¿cuál es la probabilidad de que un cliente abone su cuenta con tarjeta de crédito?
4. ¿cuál es la probabilidad de que el precio de una acción determinada suba?
La existencia de estas alternativas permite pensar que, cuando los valores requeridos para
aplicar la definición clásica son desconocidos, resulta necesario definir a la probabilidad de otra
manera.

La definición frecuencial o empírica de la probabilidad se basa en el número de veces que

ocurre el evento como proporción del número de intentos conocidos. La probabilidad de que un
evento ocurra es la frecuencia relativa de los eventos similares que sucedieron en el pasado. En
una primera aproximación a la fórmula:

Número de veces que el evento ocurre

Probabilidad frecuencial o empírica 
Número total de realizaciones
Esta definición de probabilidad se basa en la llamada ley de los grandes números. Según
esta ley la frecuencia relativa de las obtenciones de un experimento de carácter aleatorio se esta-
bilizan en un número que coincide con la probabilidad, cuando el experimento se realiza muchas
veces.
Teniendo en cuenta que la frecuencia relativa es la proporción de veces que ocurre un de-
terminado suceso o, lo que es lo mismo, la cantidad de veces que sale un único suceso entre el
número de veces que se ha realizado el experimento, podemos afirmar que la razón por la cual se
estabiliza la frecuencia relativa es porque al ser el denominador cada vez más grande, al cociente
le afectan cada vez menos las oscilaciones del numerador. La clave para determinar probabilida-
des de forma empírica consiste en que una mayor cantidad de observaciones proporcionarán un
cálculo más preciso de la probabilidad.
Para encontrar un procedimiento adecuado, pensemos en el siguiente ejemplo: tenemos
en un archivo, las ventas realizadas por la concesionaria desde su creación hace 60 años. No se
conoce cuál es la cantidad total de ventas realizadas ni cuántos autos nacionales se vendieron.
Tal como se mencionó en el párrafo anterior, el desconocimiento respecto de esos datos vuelve
impracticable el cálculo de las probabilidades mediante la definición clásica. Imaginemos ahora
el siguiente experimento: extraeremos una factura al azar del archivo mencionado más arriba, en
forma sucesiva, de a una y con reposición, observando, en cada extracción, si se presenta un un
Estadística I
146
auto nacional. La cantidad de facturas que extraeremos, que convendremos en simbolizar con ni,
puede ser determinada a voluntad por quien realiza el experimento, pero podemos suponer que se
hará una cantidad de extracciones lo suficientemente numerosa como para que ni pueda imagi-
narse tendiendo a infinito. Esto es sólo posible si, insistimos, el experimento se realiza con repo-
sición, ya que de esa manera generamos una población infinita de extracciones.
La experiencia así realizada permite construir una tabla en la cual se podrán registrar los
siguientes datos:
1. en la primera columna, simbolizada con ni, el número que corresponde a cada una de las
extracciones que se vayan realizando, partiendo de uno y hasta finalizar en n.
2. en la segunda columna, simbolizada con fi, el número de autos nacionales que vayan apa-
reciendo, de modo que si en una extracción en particular se presenta un auto nacional, fi
aumenta en una unidad, mientras que si se presenta un auto importado, fi mantiene el va-
lor anterior (fi es la "frecuencia de aparición").
3. en la tercera columna, el resultado de efectuar la relación entre los valores de fi y de ni, es
decir fi/ni, denominada relación frecuencial o estadística.
Así planteado el experimento, imaginemos a modo de ejemplo que en la primera extrac-
ción se presenta un auto nacional; en la segunda extracción se presenta un auto importado y en la
tercera extracción vuelve a presentarse un auto nacional, lo cual da como resultado la siguiente
tabla:

Nº de extracciones (ni) Frecuencia de aparición (fi) Relación frecuencial (fi/ni)

1 1 1/1=1

2 1 ½ = 0,5

3 2 2/3=0,66

… … …

n f f/n

Podemos representar estos resultados mediante un gráfico de coordenadas, en el cual en

el eje de las abscisas se indica el número de extracciones, y en el eje de las ordenadas, el valor de
la relación frecuencial.
Estadística I
147

f i/n i 1
0,8
0,6
0,4
0,2
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
ni

A medida que aumentamos el número de extracciones ni ampliamos el gráfico preceden-

te, lo cual da como resultado que el trazo de la poligonal manifieste variaciones que son cada vez
menos notorias, hasta el punto tal que ese trazado se acercará al verdadero valor de la proba-
bilidad del suceso motivo del experimento, a medida que ni   . Esto quiere decir que la
probabilidad de un suceso cualquiera A es el límite de la relación frecuencial fi /ni cuando ni
tiende a infinito.
Simbólicamente,
f
i
P( A)  lim.
n   ni
i

debiéndose entender el concepto de límite en el sentido de convergencia. Es decir que la rela-

ción frecuencial converge al valor de la probabilidad del suceso A cuando el número de
realizaciones del experimento crece indefinidamente.
La definición frecuencial o empírica es a posteriori. Puede calcularse después de realizar
la serie de experimentos. Tiene el inconveniente de que la probabilidad es la frecuencia en el
límite y el límite puede no existir.
Definición Axiomática
Según el Diccionario de la Real Academia Española, en Matemáticas un axioma es “Ca-
da uno de los principios fundamentales e indemostrables sobre los que se construye una teor-
ía”.
La definición axiomática de probabilidad surgió en la década del 30 como consecuencia
del aporte de un grupo de matemáticos, quienes opinaban que el concepto de probabilidad no
debía estar asociada ni con juegos de azar ni con experiencias estadísticas previas, ya que consti-
tuía de por sí un tema con entidad propia y particular. De esa manera, formularon la siguiente
serie de tres axiomas a partir de los cuales enunciaron la definición de probabilidad:
1. la probabilidad de un suceso es un número real, mayor o igual que cero. Es decir
que:
Estadística I
148
P ( A)  0
2. la probabilidad de un sistema completo de sucesos es igual a uno.
Si S = A1 o A2 o A3 o… o An, la P (S )  1
3. si dos sucesos A y B son mutuamente excluyentes la P ( Ao B )  P ( A)  P (B )
A partir de las verdades indiscutibles de estos axiomas se deducen todas las reglas del
campo teórico de la probabilidad.
Pero obsérvese que a pesar de la notoria resistencia de los matemáticos en aceptar las de-
finiciones clásica y estadística, en los dos primeros axiomas se observa claramente que no renie-
gan para nada de los principios conceptuales dados por la definición de Pascal.

Definición Subjetiva
Las definiciones anteriores tienen como resultado valores de probabilidad objetivos. Pero
si contamos con poca o ninguna experiencia o información con la cual sustentar la probabilidad,
las definiciones anteriores no son aplicables. Sin embargo, es posible aproximarla en forma sub-
jetiva. En esencia, esto significa que un individuo evalúa las opiniones e información disponibles
y luego calcula o asigna la probabilidad. Esta probabilidad se denomina adecuadamente probabi-
lidad subjetiva. Razón por la cuál, varía en función de la persona que asigne la probabilidad.
Dado que en estas condiciones el valor de probabilidad es un juicio personal, a la defini-
ción subjetiva se lo conoce también como personalista.
La probabilidad subjetiva es particularmente útil al tomar decisiones en situaciones en
que no es posible utilizar las otras definiciones de probabilidad.
Ejemplo:
 el lanzamiento de un auto nuevo:
 probabilidad de éxito asignada por el diseñador del auto
 probabilidad de éxito asignaba por el gerente comercial
Se usa en situaciones en las que no se puede determinar empíricamente la probabilidad de
diversos sucesos.
Estadística I
149

Definiciones de
Probabilidad

Objetivas Subjetiva

Clásica Frecuencial Axiomática

3. SUCESOS EXCLUYENTES Y COMPATIBLES. PROBABILIDAD CONJUNTA.

REGLA DE LA ADICIÓN.

La probabilidad simple, es la probabilidad de ocurrencia de un suceso o evento simple

P(A), suceso descrito por una sola característica, como la probabilidad de una comprador de 40
años o menos, la probabilidad de que se venda un auto nacional, la probabilidad de que un clien-
te pague en efectivo o con tarjeta de débito, la probabilidad de que una acción suba.
30
P(comprador de - 40 años) =
80
Esta probabilidad se llama también probabilidad marginal, porque el número total de
casos favorables se puede obtener en el margen apropiado de la tabla de contingencias.
La probabilidad conjunta se aplica al fenómeno que contiene 2 o más eventos o suce-
sos, como la probabilidad de un comprador de auto importado y de más de 40.
El evento conjunto “A y B” (AB), significa que tanto el evento A, como el evento B,
deben ocurrir en forma simultánea. Es el resultado de una celda en la tabla de contingencias.
15
P(comprador entre 40 y 50 años y auto importado) =
80
Podemos considerar la probabilidad simple o marginal como la suma de las probabilida-
des conjuntas:
P(comprador de + 50 años) = P(comprador de + 50 años y auto nacional) + P(comprador
7 9 16
de + de 50 años y auto importado) =  
80 80 80
Estadística I
150
La probabilidad de A es la suma de las probabilidades conjuntas de los sucesos: A y B1,
A y B2, ...., A y Bk
P(A) = P(A y B1) + P(A y B2) + ...+ P(A y Bk)
Siendo B1, B2, ..., Bk, sucesos mutuamente excluyentes.
En una sola realización de un experimento aleatorio dos sucesos A y B son mutuamente
excluyentes cuando no se pueden presentar simultáneamente, es decir, cuando la ocurrencia
de uno cualquiera de ellos imposibilita la ocurrencia de los otros. Ejemplo: auto nacional impor-
tado
Todos los sucesos opuestos son excluyentes, pero no todos los sucesos excluyentes son
opuestos.
Un conjunto de eventos es colectivamente exhaustivo si uno de los eventos debe ocurrir.
Que el auto sea nacional o importado, son sucesos colectivamente exhaustivos. Uno de ellos de-
be ocurrir. Si no ocurre nacional, debe ocurrir importado y viceversa.
Dos sucesos son compatibles cuando pueden ocurrir al mismo tiempo. Ejemplo: nacional
o más de 40 años. Esta definición no indica que estos sucesos deban necesariamente ocurrir en
forma conjunta.
Dos sucesos son compatibles cuando es posible que ocurran al mismo tiempo. Obsérvese
que esta definición no indica que esos eventos deban ocurrir necesariamente en forma conjunta
Ejemplos:
 Sucesos pago en efectivo, con tarjeta de débito o con tarjeta de crédito son excluyen-
tes.
 Sucesos precio de la acción sube, precio de la acción baja, precio de la acción no
cambia excluyentes.
 Sucesos origen de los autos y edad de los compradores, según la tabla de contigencias
Autos vendidos
Origen
Nacional Importado
Total
(N) (I)
Edad

Menos de 40 (- 40) 24 6 30

Entre 40 y 50 19 15 34

Más de 50 años (+ de 50) 7 9 16

Total 50 30 80
Estadística I
151
Si elegimos aleatoriamente un auto vendido, en este caso los sucesos:
 Auto Nacional (N) o Auto Importado (I) son excluyentes (no se presentan si-
multáneamente).
 Edad del comprador: Menos de 40 años, entre 40 y 50 o Más de 50 (+ de 50)
son excluyentes.
 Auto Nacional (N) o Menos 40 años o menos (- 40) son compatibles (se pre-
sentan simultáneamente).
 Auto Nacional (N) o Más de 50 años (+ de 50) son compatibles.
En una sola realización de un experimento aleatorio se denomina ocurrencia conjun-
ta de dos sucesos A y B, a su aparición simultánea. La ocurrencia conjunta se simboliza (A y
B), también denominada como suceso intersección.
Debe quedar claro a partir de esta definición, que en una sola realización de un experi-
mento la aparición simultánea de dos sucesos A y B no es posible si ellos son excluyentes.
Ejemplos:
 En la selección de una venta:
 los sucesos (N) e (I) son excluyentes, su ocurrencia conjunta nunca puede pre-
sentarse. Luego, en ese caso, la P( N e I)  0 .
 Los sucesos Menos de 40 y Más de 50 son excluyentes, de modo que su ocu-
rrencia conjunta nunca puede suceder.
Por consiguiente la P( 40 y  de 50)  0 .
 en cambio los sucesos (N) o (+ de 50) son compatibles, así que puede presen-
tarse su ocurrencia conjunta. En ese caso la probabilidad se obtiene dividiendo
los casos favorables, que figuran en la celda de intersección de la columna (N)
con la fila (+ de 50) (7 autos vendidos), con los casos posibles, que son el
7
número total de ventas, igual a 80. De esa forma P( N y  de 50) 
80
REGLA DE LA ADICIÓN:
Se utiliza cuando se desea determinar la probabilidad de que ocurra un evento u otro o
ambos en una sola observación. Nos permite encontrar la probabilidad del evento “A ó B”: con-
sidera la ocurrencia de cualquiera de los eventos, evento A o evento B o ambos A y B
Probabilidad de que ocurra el evento A o el evento B: P(A  B).
Para eventos mutuamente excluyentes: P(A  B) = P(A o B) = P(A) + P(B)
Ejemplo:
 Probabilidad de que al seleccionar una venta el comprador tenga menos de 40 años o
más 50 años
Estadística I
152
30 16 46
P(40   50)  P 40 o  50   
80 80 80
Para eventos compatibles, se resta a la suma de las probabilidades simples de los dos
eventos, la probabilidad de ocurrencia conjunta:
P(A  B) = P(A o B) = P(A) + P(B) - P(A  B) = P(A) + P(B) – P(A y B)
Ejemplo:
 Probabilidad de que al seleccionar una venta el comprador tenga más de 50 años o el
auto sea importado
16 30 9 37
P(50  I)  P 50 o I   P(40)  P(I)  P(50 e I)    
80 80 80 80
Regla general de la adición.
P(A  B) = P(A o B) = P(A) + P(B) - P(A  B)
Para sucesos mutuamente excluyentes:
P(A  B) = 0
Entonces: P(A  B) = P(A o B) = P(A) + P(B) - P(A  B) = P(A) + P(B) - 0
En una sola realización de un experimento aleatorio, la probabilidad de ocurrencia de
un suceso A, o de un suceso B, o de ambos simultáneamente, se resuelve mediante la suma
de las probabilidades de ambos y la posterior resta de la probabilidad de su ocurrencia
conjunta.
Los diagramas de Venn pueden usarse para representar gráficamente la lógica en que se
basa la regla de la adición. En la figura de la izquierda, la probabilidad de que ocurra A o B es
conceptualmente equivalente a la suma de la proporción del área incluida en A y B. En la figura
de la derecha, para eventos compatibles, algunos eventos han sido incluidos tanto en A como
en B; de esta manera, existe una superposición entre estos conjuntos de eventos. Cuando las áre-
as incluidas en A y B se suman, para eventos compatibles, el área de superposición se suma en
dos veces, por ello se debe restar P(A y B) a fin de corregir la duplicación en el área de intersec-
ción.

A Ay B
A
B
B
YB
Estadística I
153
4. SUCESOS INDEPENDIENTES Y CONDICIONALES. REGLA DE LA MULTIPLICA-
CIÓN

Dos eventos son independientes cuando la ocurrencia o no ocurrencia de un suceso o

evento no tiene ningún efecto en la probabilidad de ocurrencia de otro suceso o evento. Dos su-
ceso o eventos son condicionales cuando la ocurrencia o no ocurrencia de un suceso o evento
afecta la probabilidad de ocurrencia del otro. Cuando calculamos la probabilidad de un suceso o
evento A particular y tenemos información en cuanto a la ocurrencia de otro suceso o evento B,
ésta probabilidad se denomina probabilidad condicional.
Simbólicamente los sucesos condicionales se simbolizan mediante la expresión (A/B),
que se lee el suceso A condicionado a la hipótesis que haya ocurrido B, o el suceso A dada la
ocurrencia de B, o simplemente, el suceso A dado B.
Ejemplo:
 Si se selecciona una de las ventas realizadas por la concesionaria, resulta que corres-
ponde a la venta de un auto de origen importado y se desea conocer la probabilidad de
que el comprador tenga menos de 40 años. Lo que se está buscando es la probabilidad
de que el comprador tenga menos de 40 años condicionada a que se sabe que el auto
es importado. Simbólicamente: P  40
I
 
Para resolver esta probabilidad, se verifica que de un total de 30 autos importados,
sólo una es favorable al suceso "-40". Es decir que, en este cálculo, los casos favora-
bles son todas las ventas que corresponden a la ocurrencia conjunta de los sucesos
"-40" e "I", mientras que los casos posibles están constituidos por el total de facturas
pertenecientes al suceso "I". Por consiguiente, la probabilidad buscada es:


P  40
I
  P(-40 e I)
PI 

6
30
La probabilidad de un suceso B condicionado a la previa ocurrencia de un suceso o
evento particular A, se calcula dividiendo la cantidad de casos favorables a la ocurrencia
conjunta de los sucesos o eventos A y B por la cantidad de casos posibles de ocurrencia del
suceso o evento A. Ese cálculo también puede efectuarse dividiendo la probabilidad de la ocu-
rrencia conjunta por la probabilidad del suceso o evento condicionante (en este caso, el suceso o
evento I), es decir que
6

P  40 I  P(  40 e I)
P(I)
 80 
30
6
30
80
P( B y A)
P B  
A P( A)
a partir de lo cual, mediante un pasaje de términos, se verifica que P( A y B)  P( A) P B A
Estadística I
154
del mismo modo que  
P( A y B)  P( B) P A B

El concepto de sucesos condicionales también se aplica en la siguiente circunstancia: en

dos (o más) realizaciones de un experimento aleatorio dos sucesos o eventos A y B son con-
dicionales cuando la ocurrencia de uno de ellos en cualquier realización está afectada por la
ocurrencia del otro en las restantes.
Cuando para dos sucesos o eventos cualesquiera A y B la P(A/B)=P(A), ambos sucesos
son independientes. En ese caso también ocurre que P(B/A)=P(B), y a partir de estas dos últi-
mas igualdades, se verifica que, si A y B son independientes
P( A y B)  P( A) P(B)
Ejemplos:
 Cuando se trata de la forma de pago: en efectivo, con tarjeta de débito o con tarjeta de
crédito, y dos (o más) clientes se encuentran uno a continuación del otro en la cola de
las cajas el suceso forma de pago que elija el primero es independiente del suceso
forma de pago que elija el segundo (o los siguientes).
 Si seleccionamos dos o más acciones, las cotizaciones pueden haber: aumentado,
disminuido o no tener cambios. La cotización de cada acción es independiente.
 Si seleccionamos dos ventas realizadas por la concesionaria, los sucesos son inde-
pendientes si la selección es con reposición.
 Si la selección fuera sin reposición, los sucesos se consideran condicionales, porque
al no reponer la primera venta se afectan los resultados posibles al seleccionar la se-
gunda.
 Si se las seleccionara simultáneamente, se considera que se han generado dos sucesos
condicionales, porque al retirar las dos al mismo tiempo, cada una afecta a su compa-
ñera de elección.

REGLA DE LA MULTIPLICACIÓN
En dos (o más) realizaciones de un experimento, la probabilidad de ocurrencia de un su-
ceso A en primer lugar (simbolizado con A1) y de un suceso B en segundo lugar (simbolizado
con B2), ambos independientes entre sí, se obtiene aplicando la fórmula de la ocurrencia conjunta
para sucesos independientes
P( A y B )  P( A ) P( B )
1 2 1 2

Si los sucesos A y B fueran condicionales, la fórmula se modifica por la aparición de la

probabilidad condicional, simbolizada como P(B/A) de modo que:
B 
P( A y B )  P( A ) P 2 
1 2 1 A
 1
Estadística I
155
Ejemplos:
 Si la probabilidad de que un cliente pague en efectivo (E) es 6/15, con tarjeta de
crédito (TD) es 7/15 y con tarjeta de crédito (TC) es 2/15. Hallar la probabilidad de
que dos clientes sucesivos que pagan sus cuentas lo hagan:
1. el primero en efectivo y el segundo con tarjeta de crédito. Estos sucesos son
independientes
6 7 42
P(E yTC )  P(E )P(TC )  
1 2 1 2 15 15 225
2. los dos clientes en efectivo:
6 6 36
P( E y E )  P( E ) P ( E )  
1 2 1 2 15 15 225
 Si en la concesionaria se seleccionan dos ventas con reposición. Hallar la probabili-
dad de que las ventas sean:
1. la primera de un comprador de “menos de 40 años” y la segunda de uno de
"entre 40 y 50 años". Los sucesos son independientes
30 34 51
P(40 y entre 40 y 50 )  P(40 )P(entre 40 y 50 )  
1 2 1 2 80 80 320
2. las dos sean de autos "nacionales":
50 50 25
P( N y N )  P ( N ) P( N )  
1 2 1 2 80 80 64
 Si la selección de las dos ventas se realiza sin reposición. Hallar la probabilidad de
que las ventas sean:
1. la primera de un comprador de “menos de 40 años” y la segunda de uno de
"entre 40 y 50 años". Los sucesos son condicionales.

P 401 y entre 40 y 50 2   P 401 P

entre 40 y 50 2   30 34  51
 40 
 1 80 79 316
2. las dos sean de autos "nacionales":
N
PN 1 y N 2   PN 1 P 2   50 49  245
 N1  80 79 632
En los casos anteriores, la regla de la multiplicación se aplicó considerando que los suce-
sos ocurrían en un orden estricto de presentación (primero el suceso A y segundo el suceso B,
por ejemplo). Sin embargo, cuando se efectúa el cálculo de una probabilidad, suele no pedirse un
orden de presentación en los sucesos, de modo que, en ese caso, la regla de la multiplicación
debe contemplar todas las formas posibles de presentación. Eso significa considerar que puede
presentarse tanto primero A y luego B, como el caso simétrico, primero B y luego A. Es decir
que la regla de la multiplicación debe formularse de la siguiente manera: en dos (o más) realiza-
Estadística I
156
ciones de un experimento, la probabilidad de ocurrencia del suceso A y del suceso B se ob-
tiene aplicando la siguiente fórmula, válida para el caso en que los sucesos sean indepen-
dientes:
P( A y B)  P( A1 y B2 o B1 y A2 )  P( A1) P( B2 )  P( B1) P( A2 )
Si los sucesos A y B fueran condicionales, la fórmula deberá incluir la probabilidad
condicional, de modo que en ese caso

P( A y B)  P( A1 y B2 o B1 y A2 )  P( A1) P B2  P( B1) P A2

   
 
A1 B1  A1  B1
con lo cual se comprueba que los símbolos lógico matemáticos o e y que aparecen en la fórmula
se reemplazan sencillamente por las operaciones aritméticas suma y producto, respectivamente.
Ejemplos:
 Si la probabilidad de que un cliente pague en efectivo (E) es 6/15, con tarjeta de
crédito (TD) es 7/15 y con tarjeta de crédito (TC) es 2/15. Hallar la probabilidad de
que dos clientes sucesivos que pagan sus cuentas lo hagan:
1. el primero en efectivo y el segundo con tarjeta de crédito. Estos sucesos son
independientes
6 7 6 7 28
PE y TC   P(E y TC )  PTC1 y E 2    
1 2 15 15 15 15 75
2. los dos clientes en efectivo. En este caso sólo existe una forma de presentación
6 6 36
PE y E   PE1 y E 2   PE PE   
15 15 225
 Si en la concesionaria se seleccionan dos ventas con reposición. Hallar la probabili-
dad de que las ventas sean:
1. la de un comprador de “menos de 40 años” y la de "entre 40 y 50 años". Los
sucesos son independientes
P(40 y entre 40 y 50  P(40 )P(entre 40 y 50 )  Pentre 40 y 501   P 40 2  
1 2
30 34 34 30 30 34 51
  2 
80 80 80 80 80 80 160
2. las dos sean de autos "nacionales":
50 50 25
P( N y N )  P ( N ) P ( N )  
1 2 80 80 64
 Si la selección de las dos ventas se realiza sin reposición. Hallar la probabilidad de
que las ventas sean:
1. de un comprador de “menos de 40 años” y de uno de "entre 40 y 50 años". Los
sucesos son condicionales.
Estadística I
157

P 40 y entre 40 y 50   P 401 P entre 40 y 50 2   Pentre 40 y 50 P  40 2 

 40  1  entre 40 y 50 
 1  1

30 34 34 30 51
  
80 79 80 79 158

2. las dos sean de autos "nacionales":

N 50 49 245
P N y N   PN1 P 2   
 N 1 80 79 632
Existe una sola manera de ocurrencia para la presentación de un mismo suceso en dos
realizaciones de un experimento, ya sea que se pida o que no se pida orden de aparición.
Conclusión: si la realización repetida de un experimento genera sucesos independientes,
sus probabilidades se mantendrán constantes a lo largo de toda la serie de realizaciones. Si,
en cambio, los sucesos generados en un experimento resultan condicionales, sus probabilidades
variarán de realización en realización.
Hay dos modos de determinar la independencia estadística.
Los eventos A y B son estadísticamente independientes solo sí:
P(B/A) = P(B)
Los eventos A y B son estadísticamente independientes solo sí:
P(B y A) = P(A) P(B)

5. DISTRIBUCIONES DE PROBABILIDAD DE VARIABLES DISCRETAS Y CONTI-

NUAS.

Una variable aleatoria es un suceso o evento numérico cuyo valor se determina por
medio de un proceso aleatorio. Cuando a todos los posibles valores numéricos de una variable
aleatoria xi se le asignan valores de probabilidad, ya sea mediante un listado o una función ma-
temática el resultado es una distribución de probabilidad. La suma de las probabilidades de
todos los resultados numéricos posibles debe ser igual a 1. Valores de probabilidad individuales
pueden denotarse con el símbolo f(xi), lo que involucra el uso de una función matemática; con
P(xi = X), que advierte que la variable aleatoria puede tener varios valores específicos, o sim-
plemente con P(xi).
Las variables aleatorias se pueden clasificar en: discretas (surgen de un proceso de con-
teo) y continuas (surgen de un proceso de medición).
La distribución de probabilidad está constituida por el conjunto de todos los valores
de la variable aleatoria xi (x1, x2,…, xN), asociados con sus correspondientes probabilidades
pi (p1, p2,…, pN), tales que debe cumplirse la siguiente condición, a la que se denomina condi-
ción de cierre: que la suma de las probabilidades a lo largo del campo de variación de la
Estadística I
158
N
variable aleatoria sea igual a la unidad. Es decir que la  pi  1 .
i 1

Ejemplo: Si en la concesionaria se seleccionan tres ventas con reposición y deseamos

hacer una distribución de probabilidad del número de autos nacionales, los resultados posibles
serían:

Nº de
Resultados Extracción
autos
posibles
1 2 3 nacionales
1 N N N 3
2 N N I 2
3 N I N 2
4 I N N 2
5 N I I 1
6 I N I 1
7 I I N 1
8 I I I 0

Hay ocho resultados posibles. Para obtener la distribución de probabilidad, aplicamos la

regla de la adición y de la multiplicación, siendo xi el número de autos importados.
3 3 3 27
P(x i  0)  PI P(I)P(I)  
8 8 8 512

P( x i  1)  PN1 P( N 2 )P(I 3 )  P( N1 )P(I 2 )P( N 3 )  P(I1 )P( N 2 )P( N 3 ) 

533 353 335 5 3 3 135
  3 
888 888 888 8 8 8 512

P( x i  2)  PN1 P( N 2 )P(I 3 )  P( N1 )P(I 2 )P( N 3 )  P(I1 )P( N 2 )P( N 3 ) 

553 535 355 5 5 3 225
  3 
888 888 888 8 8 8 512

5 5 5 125
P( x i  3)  PN P( N )P( N)  
8 8 8 512
Estadística I
159

Distribución de probabilidad
Nº de autos 0,50
nacionales P(xi) 0,45
(xi) 0,40
0,35
0 27/512 = 0,0527

Probabilidad
0,30
1 135/512 = 0,2637 0,25
0,20
2 225/512 = 0,4395
0,15
3 125/512 = 0,2441 0,10
0,05
 512/512 = 1
0,00
0 1 2 3
Nº de autos nacionales

La Distribución de Probabilidad constituye un sistema completo de sucesos. Es análoga

a una distribución de frecuencias relativas, con probabilidad en lugar de frecuencia relativa. De
manera que podemos pensar en las distribuciones de probabilidad como formas teóricas o ideales
en el límite, de distribuciones de frecuencia relativa cuando el número de observaciones es muy
grande. Por eso podemos imaginarnos a las distribuciones de probabilidad como si fueran distri-
buciones de poblaciones, mientras que las distribuciones de frecuencia relativa son distribuciones
de muestras de esa población.
Si la variable aleatoria es continua, no pueden listarse todos los posibles valores de la
variable, motivo por el cual las probabilidades que se determinan por medio de una función ma-
temática son gráficamente representadas por una función de densidad de probabilidad, o curva de
probabilidad.
Características de las Distribuciones de Probabilidad:
Las características generales de las distribuciones de probabilidad difieren según el tipo
de variable aleatoria, discreta o continua, que se encuentre bajo estudio.
a) Si la variable aleatoria es discreta:
1. Puede tomar solamente algunos valores dentro de un intervalo definido.
2. Las probabilidades se representan con los símbolos pi o p(xi).
3. En un punto cualquiera de la variable xi la probabilidad tiene sentido y puede valer, o pi
o cero, según ese punto coincida o no con algún valor específico de la variable. Si xi fuera
igual a xu, la P( x  x )  p mientras que la P( xi  xu )  0 (para i entre 1 y N ).
i u u

4. El gráfico de la distribución de probabilidad se denomina gráfico de bastones, por la

Estadística I
160
particular forma que adopta la probabilidad al afectar sólo a determinados puntos del eje
de la variable aleatoria xi.

5. Las probabilidades se calculan mediante la aplicación de las reglas provenientes de la te-

oría clásica de probabilidad como de fórmulas específicas.
N
6. La condición de cierre se verifica realizando la  p  1 .
i
i 1

7. La distribución de probabilidad en el caso de una variable aleatoria discreta se denomina

genéricamente función de probabilidad.
b) Si la variable aleatoria es continua:
1. Puede tomar cualquier valor en un determinado campo de variación.
2. La probabilidad se representa con los símbolos fi o f(x).
3. En un punto la probabilidad no tiene sentido. Sólo tiene sentido en un intervalo par-
ticular de la variable aleatoria xi, por más pequeño que éste sea. Es decir que, simbóli-
camente, podemos indicar a la probabilidad con la expresión P(x1  xi  x2 )  A , así como
que P ( x i  x 2 )  No tiene sentido.
4. En el gráfico, la distribución de probabilidad se ve como una función continua f(x), y
la probabilidad en sí misma, denominada A, se representa como un área entre los puntos
x1 y x2
Estadística I
161

5. La probabilidad se obtiene calculando la integral, según el criterio de Riemann, de la fun-

ción f(x), entre los puntos x1 y x2. Es decir que
x
2
P( x  x  x )   f ( x)dx  A
1 i 2
x
1

6. La condición de cierre se verifica efectuando la integral de la función en todo el campo de


variación de la variable aleatoria, es decir  f ( x )dx  1


7. La denominación genérica de la distribución de probabilidad en el caso continuo es la de

función de densidad debido a que se considera que las probabilidades adquieren densi-
dad, es decir que se "adensan", convirtiéndose en áreas.
Características de las Distribuciones de Probabilidad

Tipo de variable Discreta Continua

Dentro de un intervalo Puede tomar sólo algu- Puede tomar cualquier valor
nos valores

Simbología de la probabilidad pi o p(x) fi o f(x)

Concepto de En un punto En un intervalo

probabilidad (en un punto no tiene sentido)

Cálculo de la x
2
Probabilidad P( x  x )  p P( x  x  x )   f ( x)dx  A
i u u 1 i 2
x
1
Estadística I
162

Tipo de variable Discreta Continua

De bastones De áreas

Gráfico

Valor de la probabilidad Vale pi (bastón) o cero Vale A (área)

N 
Condición
de cierre
 p 1
i 1
i  f ( x )dx  1


Función de
Denominación genérica Función de probabilidad
Densidad

Funciones de distribución acumulada:

Se denomina función de distribución acumulada F(xu) (o más sencillamente función
de distribución), a la probabilidad de que la variable aleatoria xi sea menor o igual que un
valor particular xu.
F ( x )  P( x  x )
u i u

En el caso discreto, la función de distribución se obtiene sumando sucesivamente las pro-

babilidades correspondientes a los valores de la variable aleatoria, a partir del primer valor y has-
ta el u-ésimo. Por lo tanto, la
u
F ( x )  P( x  x )   p  p  p  ...  p
u i u i 1 2 u
i 1

En el caso continuo, la función de distribución se obtiene integrando la expresión de la

función de densidad entre los valores menos infinito y xu, es decir
x
u
F ( x )  P( x  x )   f ( x)dx
u i u
Estadística I
163

CASO DISCRETO CASO CONTINUO

Punto Probabilidad Acumulada Punto Probabilidad Acumulada

xi=x1 P( xi  x1)  p1 xi=x1 P( xi  x1)  A1

xi=x2 P( xi  x2 )  p1  p2 xi=x2 P( x  x )  A  A
i 2 1 2

P( x  x )  A  A  A
xi=x3 P( xi  x3 )  p1  p2  p3 xi=x3 i 3 1 2 3

xi=x4 P(xi  x4 )  p1  p2  p3  p4  1 xi=x4 P( x  x )  A  A  A  A

i 4 1 2 3 4

La función de distribución acumulada en el caso La función de distribución acumulada en el caso

discreto está representada por la línea gruesa de
color gris, que tiene su inicio en el punto -  y se
desarrolla a nivel cero, es decir, al nivel del eje
de las abscisas, hasta encontrar el primer punto
de la variable xi (en este caso el punto x1) que
tiene una probabilidad p i (en este caso p1). En ese
punto pega un salto y adquiere el nivel p1 hasta
encontrar otro valor de la variable xi en el que
vuelve a pegar otro salto, generándose así la
gráfica ya indicada, cuyo valor máximo será
igual a la unidad.
continuo, está representada por la línea continua
gris. En un punto particular seleccionado x1, la
probabilidad acumulada entre  y x1 está dada
por el área A1, cuyo valor se representa como
una ordenada en el gráfico de la función acu-
mulada. Para los siguientes puntos xi se van
marcando, en forma similar, las ordenadas que
les corresponden para, finalmente, uniendo sus
puntos extremos superiores, conseguir el trazo de
la función de distribución, que se hace asintóti-
ca al valor uno.
Estadística I
164
En términos generales, los gráficos de las distribuciones acumuladas nos muestran fun-
ciones monótonas no decrecientes, continuas a la derecha y discontinuas a la izquierda.
Ejemplo: Construimos la distribución de probabilidad del número de autos nacionales,
seleccionando tres ventas con reposición y deseamos hacer una distribución de probabilidad
acumulada.
Nº de autos
nacionales P(xi) F(xi)
(xi)
0 27/512 27/512

1 135/512 162/512

2 225/512 387/512

3 125/512 512/512

 512/512 = 1

6. ESPERANZA MATEMÁTICA DE LA VARIABLE ALEATORIA.

Para poder resumir una distribución de probabilidad, se calculan sus características prin-
cipales: la media y el desvío estándar.
El valor esperado de algún fenómeno aleatorio discreto se puede considerar como el pro-
medio de todos los valores posibles. Para obtener ésta medida resumen se calcula la esperanza
matemática.
La esperanza matemática de la variable aleatoria se obtiene efectuando la sumatoria de
los productos de los valores de la variable por su respectiva probabilidad, siempre que se cumpla
la condición de cierre.
La expresión de la fórmula de la esperanza matemática es diferente según se trate de una
variable aleatoria discreta o continua:

CASO DISCRETO CASO CONTINUO

N    

 x p si secumple p  1

E( x )  E ( x)   x f ( x) dx  si secumple  f ( x)dx  1
i i i  
i 1    

Si las probabilidad pi, en el caso discreto, se sustituyen por las frecuencias relativas fi/n,
Estadística I
165
siendo n la sumatoria de las frecuencias relativas, la esperanza matemática se reduce a la fórmu-

la:
 fx , que es la media aritmética de x, de una muestra de tamaño n, en las que x aparece con
n
frecuencias relativas. Al crecer n las frecuencias relativas se acercan a las probabilidades pi. Así
podemos interpretar E(x) como la media de la población cuyo muestreo se consideraba.
Conceptualmente hablando, la esperanza matemática es una media aritmética en térmi-
nos teóricos o ideales. Se diferencia de la media aritmética x , en que ésta última es empírica y
real. Por eso puede efectuarse una distinción entre ambas diciendo que la esperanza matemática
se asimila a una media poblacional, por lo que puede escribirse E (x )  x , mientras que x es una
media muestral.
Otra forma adecuada de denominar a la esperanza matemática, es señalarla con la expre-
sión número esperado, lo cual, en algunos casos, suele resultar más sencillo y comprensible.
Propiedades de la Esperanza matemática:
Las propiedades de la Esperanza matemática se enuncian con facilidad si se recuerdan las
propiedades de la media aritmética. Las propiedades más importantes son las siguientes:
1. La esperanza matemática de la suma de una constante más una variable es igual a la
constante más la esperanza de la variable.
E (a  xi )  a  E (xi )
2. La esperanza matemática del producto de una constante por una variable es igual a
la constante por la esperanza de la variable.
E (axi )  aE (xi )
3. La esperanza matemática de la suma de dos variables es igual a la suma de sus res-
pectivas esperanzas matemáticas.
E (xi  yi )  E (xi )  E ( yi )

7. VARIANZA Y DESVÍO ESTÁNDAR DE LA VARIABLE ALEATORIA

La varianza de la variable aleatoria constituye un concepto similar al de la varianza es-

tudiada en las Distribuciones de Frecuencias, ya que se trata de una medida de dispersión cuya
fórmula, a similitud de aquélla, es
  2
V ( x )   x  E ( x) p para el caso discreto y
i i

 x  E ( x) 
2
V ( x)  f ( x )dx para el caso continuo

Recordando que la varianza puede calcularse mediante una fórmula de trabajo, para el ca-
so discreto:
Estadística I
166
V (x )   xi2 pi  E (x) 2

Así como la esperanza matemática se considera similar a la media poblacional, la varian-

za de la variable aleatoria se considera conceptualmente una varianza poblacional, y como tal
se simboliza del siguiente modo:

V ( x)   2
x

pudiéndose obtener el desvío estándar mediante la aplicación de la raíz cuadrada en las expresio-
nes indicadas precedentemente, es decir
DS ( x )  
x

Ejemplo: Calcular la esperanza matemática, la varianza y el desvío estándar de la distri-

bución de probabilidad de la variable aleatoria "número de autos nacionales"

Nº de autos
nacionales P(xi) xi P(xi) xi2 P(xi)
(xi)
0 0,0527 0,0000 0,0000

1 0,2637 0,2637 0,2637

2 0,4395 0,8789 1,7578

3 0,2441 0,7324 2,1973

 1 1,8750 4,2188

E ( x )  1,8750

V ( x )  4,2188  (1,8750) 2  0,7031

PREGUNTAS TEORICAS
1. ¿Cómo son los sucesos A y B en el siguiente caso?
P(A)=P(AoB)-P(B)
a. dependientes b. compatibles c. excluyentes

2. Dos sucesos A y B son opuestos. La P(A)= 4/7. Si el experimento que los origina se rea-
lizara dos veces en condiciones de independencia, ¿cuál es la probabilidad de que aparez-
ca dos veces el suceso B? Calcule e indique el resultado.
Estadística I
167
3. Indique si en la siguiente distribución de probabilidad
a. faltan valores de la variable
b. sobran valores de la variable
c. no faltan ni sobran valores de la variable.
xi pi
5 1/16
8 3/16
9 5/16
11 3/8