61

U.T.N.-F.R.R.-Ao 2005
INFERENCIA ESTADISTICA
CONCEPTOS PRELIMINARES
Unidad 7 - TEORIA ELEMENTAL DE LA PROBABILIDAD
Profesor Titular: E Mario J. Garber
1 - ANTECEDENTES HISTORICOS:
La Teora de la Probabilidad fue inicialmente creada y desarrollada por el matemtico
francs Blas Pascal, quien en 1654, a raz de consultas que le haba planteado un integrante de la
nobleza, en un intercambio epistolar con Fermat, se dedic a resolver los problemas de
probabilidades relacionadas con los juegos de azar, muy de moda en las sociedades europeas de
aquellos tiempos.
As surgi la primera definicin de probabilidad, que hoy llamamos Definicin clsica.
Con posterioridad, otros matemticos de los siglos XVII y XVIII se ocuparon de ampliar los
lmites del conocimiento en el tema Teora de la Probabilidad. Entre los investigadores ms
reconocidos se encuentran el propio Fermat, Bernoulli, Gauss, Laplace y Poisson.
Con la Revolucin Francesa la Teora de la Probabilidad sufri 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 cientficos e
investigadores matemticos de la poca. Eso fue as hasta mediados del siglo XIX, cuando su
estudio y anlisis vuelven a recibir un fuerte impulso, de modo que a comienzos del siglo XX ya
se la considera una herramienta trascendente para ser aplicada en varias ramas del campo
cientfico.
Hoy en da no existe investigacin alguna, en cualquier terreno, que no la considere y la
aplique, y se ha incorporado con naturalidad a los procesos analticos de la fsica, la qumica, la
medicina y, por supuesto, la economa.
2 - DEFINICIONES DE PROBABILIDAD:
2.1. - DEFINICIN CLSICA: Suponga la existencia de un experimento
aleatorio E que puede dar lugar a la aparicin 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 relacin entre el nmero
de casos favorables h y el nmero de casos posibles n. Es decir que
P( A)

h
n

Ejemplos: 1) Si se sabe que una moneda tiene dos lados, a los que llamaremos
convencionalmente cara (C) y cruz (X), en el experimento aleatorio arrojar la moneda al
aire, cul es la probabilidad de obtener una cara? : si el nmero de los casos favorables al lado
caro es igual a uno y el total de lados posibles de aparecer son iguales a dos, la.
2) Un dado tiene seis caras, luego la probabilidad de obtener un as en una
tirada es
P ( A)

1
6

Para indicar el resultado de una probabilidad en esta etapa del estudio, utilizaremos las
formas fraccionarias respetando, de esa manera, el fundamento bsico de la definicin de Pascal,
aunque no existe ningn inconveniente para convertir la forma fraccionaria en una forma
decimal.
-------------------------------Probabilidades y Estadstica Ao 2005

62

Si bien el concepto de experimento aleatorio es, en principio, ambiguo, al recordar que la

definicin pascaliana se origin en el estudio de los juegos de azar, puede decirse que un
experimento aleatorio tanto puede ser una de las repeticiones de algn juego de azar como
cualquier otra cosa que, no siendo precisamente un juego, est sujeta a las reglas del azar, de
modo que el resultado que se puede presentar en sus realizaciones se encuentra sujeto a las
condiciones de incertidumbre propias de la aleatoriedad.
Se citan a continuacin ciertos ejemplos que pueden considerarse experimentos
aleatorios porque cumplen con esas condiciones, acompaando en cada caso posibles resultados
de la variable aleatoria a la cual dan origen:
La definicin del sexo de un beb en el momento de la concepcin: varn o mujer
La ingesta de un medicamento para combatir una infeccin: efectivo o no efectivo
La asistencia de alumnos a las clases de Estadstica: asistieron 20, 25, 32, etc.
El ingreso de clientes en un comercio determinado: ingresaron o no ingresaron
La suscripcin de depsitos a plazo fijo en una sucursal bancaria: suscribieron $
100.000, $ 200.000 (o cualquier otra cifra)
La venta de un bien en el mercado: se vendieron todas las unidades o ninguna
La forma de pago de un cliente en un supermercado: en efectivo, con tarjeta o con
cheque.
Como se ve, los experimentos citados dan lugar a la ocurrencia de sucesos cuyos
resultados (dados slo a modo de ejemplo) constituyen valores de una variable aleatoria.
Volviendo a la frmula de la definicin clsica, analicemos ahora en particular los dos
elementos que la componen y veremos que:
n siempre debe ser mayor o igual a 1: en efecto, con un nmero de casos
posibles nulo (n = 0) no habra realizacin del experimento.
h siempre variar entre 0 y n 0 h n : en efecto, es siempre posible
plantear la alternativa de, como mnimo, un nmero nulo de casos favorables y,
como mximo, un nmero de casos 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).
Luego se concluye que 0 P( A) 1 : la probabilidad de un suceso A es un nmero
real que vara entre cero y uno.
2.1.a) Sucesos opuestos: Indiquemos con el smbolo A al suceso o conjunto de
sucesos que no son el suceso A. En el ejemplo de la moneda, si A es el suceso cara, A ser el
suceso cruz; en un dado de seis caras, si A es el suceso as, el suceso A estar conformado por
el conjunto de resultados correspondientes a las otras cinco caras. En esas condiciones, si de los
n casos posibles h favorecen al suceso A, los restantes (n - h) sucesos favorecern al suceso
A . Por consiguiente la
P( A)

nh
h
1 .
n
n

Si ahora sumamos las probabilidades de los sucesos A y A , obtenemos:

P( A) P( A)

h
h
1 1 , con lo cual se concluye que:
n
n

Si la suma de las probabilidades de dos sucesos que provienen de un

experimento da un resultado igual a la unidad, los sucesos se denominan opuestos.
-------------------------------Probabilidades y Estadstica Ao 2005

mismo

63

Ejemplo: Los sucesos C y X en la tirada de una moneda son opuestos. Luego la

P(C) P( X ) 1 , lo cual demuestra adicionalmente que la aparicin de cara o de cruz en una
sola tirada de una moneda constituye un suceso seguro o, lo que es lo mismo, ambos sucesos
conforman un sistema completo (ya que no existe otra solucin posible para el experimento).
Tambin es opuesto el suceso as con respecto a los otros cinco resultados posibles en la tirada de
un dado.
2.1.b) Sucesos excluyentes y sucesos compatibles:
En una sola realizacin de un experimento aleatorio dos sucesos A y B son mutuamente
excluyentes cuando no se pueden presentar simultneamente. En caso contrario los sucesos
son compatibles.
Ejemplos:
1) Sucesos cara o cruz en una tirada de una moneda son excluyentes.
2) Suceso sexo del beb que va a nacer: varn o mujer son excluyentes.
3) Suceso mltiplo de dos o mltiplo de tres en una tirada de dado: son
compatibles.
Nota importante: Todos los sucesos opuestos son excluyentes, pero no todos los
sucesos excluyentes son opuestos.
2.1.c) Ocurrencia conjunta de sucesos:
Se denomina ocurrencia conjunta de los sucesos A y B, a la aparicin simultnea de
ellos en una sola realizacin del experimento aleatorio. La ocurrencia conjunta se simboliza
como (A y B), tambin denominada suceso interseccin.
Debe quedar claro a partir de esta definicin, que en una sola realizacin de un
experimento la aparicin simultnea de dos sucesos A y B no es posible si ellos son
excluyentes.
Ejemplos:
1) en una sola tirada de una moneda, como los sucesos C y X son
excluyentes, su ocurrencia conjunta nunca puede presentarse. Luego, en
ese caso, la P(C y X ) 0 .
2) en el experimento nacimiento de un beb, los sucesos Varn (V) y
Mujer (M) son excluyentes, de modo que su ocurrencia conjunta nunca
puede suceder. Por consiguiente en un solo nacimiento, la P(V y M ) 0
.
2.1.d) Regla de la adicin:
En una sola realizacin de un experimento aleatorio, la probabilidad de ocurrencia del
suceso A, o del suceso B, o de ambos simultneamente, se resuelve mediante la suma de las
probabilidades de ambos y la posterior resta de la probabilidad de su ocurrencia conjunta,
es decir que
P A o B P A P B P AyB

Por lo indicado en el anterior punto d), esta frmula es particularmente aplicable al caso
de sucesos compatibles, ya que si A y B fueran excluyentes, visto que la P(AyB) = 0, la regla de
la adicin queda reducida a
P A o B P A P B

Ejemplos:

-------------------------------Probabilidades y Estadstica Ao 2005

64

1) Se arroja una moneda. Hallar la probabilidad de obtener los resultados

cara (C) o cruz (X). Sabiendo que los dos sucesos nombrados son
excluyentes, la solucin es P(C o X ) P(C) P( X )

1 1
1.
2 2

2.1.e) Sucesos independientes y condicionales: En dos (o ms) realizaciones de un

experimento aleatorio, dos sucesos A y B son independientes cuando la ocurrencia de u no de
ellos en cualquier realizacin no afecta a la ocurrencia del otro en las restantes. En caso
contrario, los suceso se consideran condicionales.
Ejemplos:
1) Al arrojar dos veces (o ms) una moneda, el resultado de cada
experimento no depende de lo ocurrido en el experimento anterior, as
como tampoco influye en el resultado del experimento siguiente.
Luego, al arrojar dos veces (o ms) una moneda se generan sucesos
independientes.
2) Al arrojar simultneamente dos (o ms) monedas, el resultado que se
presente en cada una de ellas no depende del resultado que se presente
en las otras, de modo que en ese caso los sucesos son independientes.
3) Al seleccionar dos bolillas de una bolsita que contiene varias bolillas,
los sucesos eleccin de bolillas son independientes si la eleccin del
se realiza con reposicin, es decir, si repone la primera bolilla a la
bolsita previo a la eleccin de la segunda. En cambio, si la eleccin se
realiza sin reponer la bolilla, los sucesos eleccin de bolillas se
consideran condicionales, porque la no reposicin de la primera bolilla
afecta el universo de resultados posibles para cuando deba elegir la
segunda.
4) Si el auditor debe seleccionar dos bolillas y las retira simultneamente,
se considera que ha generado dos sucesos condicionales, porque al
retirar las dos al mismo tiempo, cada una afecta a su compaera de
eleccin.
Simblicamente los sucesos condicionales se simbolizan mediante la expresin (A/B),
que se lee el suceso A condicionado a la hiptesis que haya ocurrido B, o el suceso A dada la
ocurrencia de B, o simplemente, el suceso A dado B.
2.1.g) Regla de la multiplicacin:
En dos (o ms) realizaciones de un experimento, la probabilidad de ocurrencia del suceso
A en primer lugar (simbolizado con A1) y del suceso B en segundo lugar (simbolizado con B2),
ambos independientes entre s, se obtiene aplicando la frmula de la ocurrencia conjunta para
sucesos independientes

P( A1 y B2 ) P( A1) P( B2 )

Si los sucesos A y B fueran condicionales, la frmula se modifica por la aparicin de la

probabilidad condicional (ya presentada precedentemente), simbolizada como P(B/A):

P( A1 y B2 ) P( A1) P B2

A1

Ejemplos:
-------------------------------Probabilidades y Estadstica Ao 2005

65

1) Se arroja una moneda dos veces. Hallar la probabilidad de obtener

el suceso cara en la primera tirada y el suceso cruz en la segunda.
2)
Los sucesos son independientes
P(C1 y X 2 ) P(C1) P( X 2 )

11 1

22 4

2) En un supermercado, la probabilidad de que un cliente pague en

efectivo (E) es 6/15, con tarjeta de crdito (T) es 7/15 y con cheques
(C) es 2/15. Hallar la probabilidad de que dos clientes sucesivos que
pagan sus cuentas lo hagan:
a) el primero en efectivo y el segundo con tarjeta de crdito. Ya
se ha indicado que se trata de sucesos independientes
P(E1 y T2 ) P (E1 ) P (T2 )

6 7
42

15 15 225

b) los dos clientes en efectivo:

P (E1 y E2 ) P(E1 ) P(E2 )

6 6
36

15 15 225

3) De una bolsita de bolillas que contiene 10 blancas y 5 negras se

eligen dos con reposicin. Hallar la probabilidad de que sean:
a) la primera blanca y la segunda negra. Los sucesos son
independientes
P( B y N ) P( B )P( N )
1

10 5
50

15 15
225

4) Ahora se selecciona dos bolillas sin reponer la primero. Hallar la

probabilidad de sean:
a) la primera una blanca y la segunda una negra. Los sucesos
son condicionales
N2

P( B1 y N 2 ) P( B1 )P

10 5
50

15 14
210

En los cuatro ejemplos precedentes la regla de la multiplicacin se aplic considerando

que los sucesos ocurran con un orden estricto de presentacin (primero el suceso A y segundo el
suceso B, por ejemplo). Sin embargo, cuando se efecta el clculo de una probabilidad, suele no
reclamarse un orden de presentacin en los sucesos, de modo que, en ese caso, la regla de la
multiplicacin debe contemplar todas las situaciones posibles de presentacin. Eso significa
considerar que puede presentarse tanto primero A y luego B, como el caso simtrico, primero B y
luego A. Es decir que la regla de la multiplicacin debe formularse de la siguiente manera: en
dos (o ms) realizaciones de un experimento, la probabilidad de ocurrencia del suceso A y
del suceso B se obtiene aplicando la siguiente frmula, vlida para el caso en que los
sucesos sean independientes:

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, ya se ha indicado que la frmula deber incluir

la probabilidad condicional, de modo que en ese caso

P( A y B) P( A1 y B2 A o B1 y A2 B ) P( A1) P B2 A P( B1) P A2 B

1
1
1
1

-------------------------------Probabilidades y Estadstica Ao 2005

66

con lo cual se comprueba que los smbolos lgico matemticos o e y que aparecen en la frmula
se reemplazan sencillamente por las operaciones aritmticas suma y producto, respectivamente.
Ejemplos:
1) Se arroja dos veces una moneda. Hallar la probabilidad de obtener los
sucesos cara y cruz.
P(C y X ) P(C1 yX 2 o X 1 yC2 ) P(C1) P( X 2 ) P( X 1) P(C2 )

11 11 1

22 22 2

2) En un supermercado las probabilidades de que un cliente pague en

efectivo, con tarjeta de crdito o con cheque son, respectivamente, 6/15;
7/15 y 2/15. Hallar la probabilidad de que dos clientes que van a pagar:
a) uno pague en efectivo y otro con tarjeta de crdito:
P( E y T ) P( E1 yT2 o T1 yE2 ) P( E1 ) P(T2 ) P(T1 ) P( E2 )

6 7
7 6
6 7
84

15 15 15 15
15 15 225

b) los dos paguen en efectivo. En este caso slo existe una forma
de presentacin dada por E1 y E2:
P(E y E ) P(E1 yE2 ) P(E ) P(E )

6 6
36

15 15 225

3) Si de una bolsita con 10 bolillas blancas y 5 negras se eligen dos sin

reposicin cul es la probabilidad de elegir una blanca y una negra?
En este caso no se pide orden de aparicin y los sucesos son condicionales
P( B y N ) P( B1 y

B1

oN1 y

N2

) P( B1 )P

B2
P( N )P
1
B
N
1

10 5
5 10 100

15 14 15 14 210

2.1.h) Conclusin: De todo lo explicado precedentemente se puede extraer la siguiente

conclusin: si la realizacin repetida de un experimento genera sucesos independientes, sus
probabilidades se mantendrn constantes a lo largo de toda la serie de realizaciones. Si, en
cambio, los sucesos generados en un experimento resultan condicionales, sus probabilidades
variarn de realizacin en realizacin.
TEMAS 2.1.i y 2.1.j EXCLUSIVAMENTE PARA I.S.I:
2.1.i) Regla de la Probabilidad Total: En algunas ocasiones la ocurrencia de un suceso
A se encuentra asociada a la ocurrencia de alguno de los sucesos que forman parte de un
conjunto Ei (i=1,2,,n), por lo que la probabilidad del suceso A depender de con cul de los
sucesos Ei se encuentre asociado. Para resolver este caso, se recurre a la Regla de la Probabilidad
Total.
Se supone la existencia de n sucesos mutuamente excluyentes E1, E2, ,En y de un suceso
A que ocurre simultneamente con cualquiera de los sucesos Ei. Por consiguiente, si la
ocurrencia de A est asociada a los Ei, puede decirse que
A AE1 o AE2 o ...o AEn

Para hallar la probabilidad de A, se procede del siguiente modo:

P( A ) P( AE1 o AE2 o ...o AEn ) P( AE1 ) P( AE2 ) ... P( AEn )

(aplicando la regla de la multiplicacin para sucesos condicionales)

-------------------------------Probabilidades y Estadstica Ao 2005

67

E P E P A E P E ... P A E P E P A E P E

PA

Ejemplo: En la Facultad Regional Resistencia se cursan tres carreras de grado. El 58 %

de los alumnos inscriptos cursan Ingeniera en Sistemas de Informacin (ISI), el 21 % cursa
Ingeniera Qumica (IQ) y el resto cursa Ingeniera Electromecnica (IEM). En las mesas de
exmenes de la asignatura Probabilidades y Estadstica del turno de diciembre, se presenta el 38
% de los alumnos de ISI, el 45 % de IQ y el 23 % de IEM. Cul es la probabilidad de que un
alumno se presente a rendir Probabilidades y Estadstica en el turno de Diciembre?
Llamemos con R el suceso un alumno rinde Probabilidades y Estadstica en Diciembre.
Designando a cada carrera (Ci ) con sus iniciales, tenemos la siguiente solucin:
P R

P C P R
i

Ci

ISI

P ISI P

P IQ P R

IQ

IEM

P IEM

( 0 ,38 )( 0 ,58 ) ( 0 ,45 )( 0 ,24 ) ( 0 ,23 )( 0,18 ) 0 ,3698

2.1.j: Teorema de Bayes: Denominada tambin frmula de la probabilidad de las

causas, puede obtenerse a travs de la frmula de la regla de la multiplicacin para sucesos
condicionales. Se parte de la siguiente igualdad:

A P B P A B

P AyB P A P B

en la cual, al reemplazar el suceso B por los sucesos Ei, se tiene que:

P AyEi P A P

Ei

P Ei P A E
A
i

Tomando solamente los ltimos dos trminos de la igualdad anterior, y despejando,

queda:

P A P Ei
Ei
E
P i
A

P A
Ahora, reemplazando el denominador de esta ltima expresin, de acuerdo con lo
obtenido en el punto anterior referido a la Probabilidad Total, se obtiene:

P A P Ei
Ei
E
P i
A
P A P Ei
Ei

que resulta ser la frmula buscada.

Ejemplo: Un alumno se presenta a rendir la asignatura Probabilidades y Estadstica en
una de las mesas del turno de Diciembre Cul es la probabilidad de que l pertenezca a la
carrera de ISI?

P ISI

)( 0,58 ) 0,2204
R ISI P ISI ( 0,380,3698

0 ,596
0
,
3698
R
P C P C
PR

-------------------------------Probabilidades y Estadstica Ao 2005

68

2.2 - DEFINICION FRECUENCIAL O ESTADISTICA DE

PROBABILIDAD:
Para el clculo de probabilidades mediante la aplicacin de la definicin clsica se
requiere conocer, indudablemente, cules 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 difciles de conocer. As ocurrira, por
ejemplo, en el caso de plantearse algunos de los siguientes interrogantes:
a) cul es la probabilidad de que llueva maana?
b) cul es la probabilidad de que el equipo de ftbol A le gane al equipo de
ftbol B?
c) cul es la probabilidad de que se apruebe un examen de Estadstica?
d) cul es la probabilidad de que un cliente abone su cuenta con tarjeta de
crdito?
La existencia de estas alternativas permite pensar que, cuando los valores requeridos para
aplicar la relacin pascaliana son desconocidos, resulta necesario definir a la probabilidad de
otra manera.
Para encontrar un procedimiento adecuado, pensemos en el siguiente ejemplo: una bolsita
contiene un conjunto de bolillas de colores. No se conoce cul es la cantidad total de bolillas ni
cuntas hay por cada color. Tal como se mencion en el prrafo anterior, el desconocimiento
respecto de esos datos vuelve impracticable el clculo de las probabilidades mediante la
definicin clsica. Imaginemos ahora el siguiente experimento: extraeremos bolillas de la bolsita
mencionada ms arriba, en forma sucesiva, de a una y con reposicin, observando, en cada
extraccin, si se presenta un color determinado y particular. La cantidad de bolillas que
extraeremos, que convendremos en simbolizar con ni, puede ser determinada a voluntad por
quien realiza el experimento, pero podemos suponer que se har una cantidad de extracciones lo
suficientemente numerosa como para que ni pueda imaginarse tendiendo a infinito. Esto es slo
posible si, insistimos, el experimento se realiza con reposicin, ya que de esa manera generamos
una poblacin infinita de extracciones.
La experiencia as realizada permite construir una tabla en la cual se podrn volcar los
siguientes datos:
a) en la primera columna, simbolizada con ni, el nmero que corresponde a cada
una de las extracciones que se vayan realizando, partiendo de uno y hasta
finalizar en n.
b) en la segunda columna, simbolizada con fi, el nmero de bolillas de un
determinado color que vayan apareciendo, de modo que si en una extraccin en
particular se presenta el color deseado, fi aumenta en una unidad, mientras que
si no se presenta el color deseado, fi mantiene el valor anterior (fi es la
frecuencia de aparicin).
c) en la tercera columna, el resultado de efectuar la relacin entre los valores de fi
y de ni, es decir fi/ni, denominada relacin frecuencial o estadstica.
As planteado el experimento, imaginemos a modo de ejemplo que en la primera
extraccin se presenta el color deseado; en la segunda extraccin no se presenta el color deseado
y en la tercera extraccin vuelve a presentarse el color deseado:
N de
Frecuencia
Relacin
extracciones
de aparicin
frecuencial
(ni)
(fi)
(fi/ni)
1
1
1/1=1
2
1
=0,5
-------------------------------Probabilidades y Estadstica Ao 2005

69

3
2
2/3=0,66

n
f
f/n
Tambin se puede representar los resultados obtenidos mediante un grfico de
coordenadas, en el cual en el eje de las abscisas se indica el nmero de extracciones, y en el eje
de las ordenadas, el valor de la relacin frecuencial:

A medida que aumentamos el nmero de extracciones ni ampliamos el grfico precedente,

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 acercar al verdadero valor de la
probabilidad del suceso motivo del experimento, a medida que ni . Esto quiere decir que
la probabilidad de un suceso cualquiera A es el lmite de la relacin frecuencial fi /ni cuando
ni tiende a infinito.
Simblicamente,
f
P( A) lim. i
ni ni
debindose entender el concepto de lmite en el sentido de convergencia. Es decir que la
relacin frecuencial converge al valor de la probabilidad del suceso A cuando el nmero de
realizaciones del experimento crece indefinidamente.
Ejemplo:
Cul es la probabilidad de que llueva el 21 de septiembre de este ao?
Recordando que para calcular esta probabilidad no puede aplicarse la definicin
clsica, una solucin posible para contestar la pregunta es consultar en los diarios locales de los
ltimos aos (la cantidad de aos puede ser definida por el investigador y establecida, por
ejemplo en 10, 20, 30 o ms aos, ya sea segn su propio deseo o la disponibilidad del archivo
periodstico) qu ocurri en cada 21 de septiembre. Si en el lapso de 20 aos, en ocho de ellos
llovi el da 21 de septiembre, la probabilidad de que llueva en esa fecha puede calcularse
haciendo
P(llueva el 21 de septiembre)

8
0,40
20

2.3 - DEFINICION AXIOMATICA DE PROBABILIDAD

-------------------------------Probabilidades y Estadstica Ao 2005

70

La definicin axiomtica de probabilidad surgi en la dcada del 30 como consecuencia

del aporte de un grupo de matemticos, quienes opinaban que el concepto de probabilidad no
deba estar asociada ni con juegos de azar ni con experiencias estadsticas previas, ya que
constitua de por s un tema con entidad propia y particular. De esa manera, formularon la
siguiente serie de tres axiomas a partir de los cuales enunciaron la definicin de probabilidad:
1) la probabilidad de un suceso es un nmero real, mayor o igual que
cero. Es decir que 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( A o B ) P ( A) P (B )
A partir de las verdades indiscutibles de estos axiomas se deducen todas las reglas del
campo terico de la probabilidad.
Pero obsrvese que a pesar de la notoria resistencia de los matemticos en aceptar las
definiciones clsica y estadstica, en los dos primeros axiomas se observa claramente que no
reniegan para nada de los principios conceptuales dados por la definicin de Pascal.
3 - DISTRIBUCIONES DE PROBABILIDAD:
3.a) Definicin: La distribucin de probabilidad est 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
condicin, a la que se denomina condicin de cierre: que la suma de las probabilidades a lo
largo del campo de variacin de la variable aleatoria sea igual a la unidad. Es decir que la
N

pi 1 .
i 1

Por consiguiente, la Distribucin de Probabilidad constituye un sistema completo de

sucesos.
3.b) Caractersticas de las distribuciones de probabilidad: Las caractersticas
generales de las distribuciones de probabilidad difieren segn el tipo de variable aleatoria,
discreta o continua, que se encuentre bajo estudio.
a) Si la variable aleatoria es discreta:
1) Ella puede tomar solamente algunos valores dentro de un intervalo definido.
2) Las probabilidades se representan con los smbolos pi o p(x).
3) En un punto cualquiera de la variable xi la probabilidad tiene sentido y puede
valer, o pi o cero, segn ese punto coincida o no con algn valor especfico de
la variable. Si xi fuera igual a xu, la P( xi xu ) pu
mientras que la P( xi xu ) 0 (para i entre 1 y N ).
4) El grfico de la distribucin de probabilidad se denomina grfico de bastones,
por la particular forma que adopta la probabilidad al afectar slo a
determinados puntos del eje de la variable aleatoria xi.

-------------------------------Probabilidades y Estadstica Ao 2005

71

5) Las probabilidades se calculan mediante la aplicacin tanto de las conocidas

reglas provenientes de la teora clsica de probabilidad como de frmulas
especficas, cuya deduccin est reservada a los siguientes captulos.
N

6) La condicin de cierre se verifica realizando la

pi 1 .
i 1

7) La distribucin de probabilidad en el caso de una variable aleatoria discreta se

denomina genricamente funcin de probabilidad.
b) Si la variable aleatoria es continua:
1) Ella puede tomar cualquier valor en un determinado campo de variacin.
2) La probabilidad se representa con los smbolos fi o f(x).
3) En un punto la probabilidad no tiene sentido. Slo tiene sentido en un
intervalo particular de la variable aleatoria xi, por ms pequeo que ste
sea. Es decir que, simblicamente, podemos indicar a la probabilidad con la
expresin P(x1 xi x2 ) A , as como que P ( xi x2 ) No tiene sentido.
4) En el grfico, la distribucin de probabilidad se ve como una funcin
continua f(x), y la probabilidad en s misma, denominada A, se representa
como un rea entre los puntos x1 y x2.

5) La probabilidad se obtiene calculando la integral, segn el criterio de

Riemann, de la funcin f(x), entre los puntos x1 y x2. Es decir que
P( x1 xi x2 )

x2

f ( x) dx A

x1

5) La condicin de cierre se verifica efectuando la integral de la funcin en

todo el campo de variacin de la variable aleatoria, es decir

f (x) dx 1

-------------------------------Probabilidades y Estadstica Ao 2005

72

6) La denominacin genrica de la distribucin de probabilidad en el caso

continuo es la de funcin de densidad debido a que se considera que las
probabilidades adquieren densidad, es decir que se adensan,
convirtindose en reas.
CARACTERISTICAS DE LAS DISTRIBUCIONES DE PROBABILIDAD
Tipo de variable
Discreta
Continua
Simbologa 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)
Valor de la
Vale pi (bastn)
Vale A
probabilidad
o cero
(rea)
Grfico
De bastones
De reas
x2
P
(
x

x
)

p
Clculo de la
i
u
u
P
(
x

x
)

1
i
2
Probabilidad
f ( x) dx A
P( xi xu ) 0
x1

Condicin
de cierre

pi 1

f (x) dx 1

Denominacin
genrica

Funcin de
probabilidad

Funcin de
Densidad

i 1

4- FUNCIONES DE DISTRIBUCION ACUMULADA:

Se denomina funcin de distribucin acumulada F(xu) (o ms sencillamente funcin
de distribucin), a la probabilidad de que la variable aleatoria xi sea menor o igual que un
valor particular xu.
F ( xu ) P( xi xu )
Luego :
En el caso discreto, la funcin de distribucin se obtiene sumando sucesivamente las
probabilidades correspondientes a los valores de la variable aleatoria, a partir del primer valor y
hasta el u-simo. Por lo tanto, la
u

F ( xu ) P( xi xu ) pi p1 p2 ... pu
i 1

En el caso continuo, la funcin de distribucin se obtiene integrando la expresin de la

funcin de densidad entre los valores menos infinito y xu, es decir
F ( xu ) P( xi xu )

xu

f ( x) dx

Para una mejor comprensin del tema, se incluyen a continuacin las representaciones
grficas de los casos discreto y continuo, con comentarios anexos para cada caso. Para mayor
claridad, ambas representaciones se construirn relacionando entre s a las funciones de
probabilidad y de densidad, respectivamente, con las funciones de distribucin correspondientes.
De esa manera se podr verificar que, en trminos generales, los grficos de las distribuciones
acumuladas nos muestran funciones montonas no decrecientes, continuas a la derecha y
discontinuas a la izquierda.
CASO DISCRETO

CASO CONTINUO

-------------------------------Probabilidades y Estadstica Ao 2005

73

Punto
Probabilidad Acumulada
P( xi x1) p1
xi=x1
xi=x2
P( xi x2 ) p1 p2
xi=x3
P( xi x3 ) p1 p2 p3
xi=x4

Punto
Probabilidad Acumulada
P( xi x1) A1
xi=x1
P
(x x ) A A
xi=x2
i
2
1
2
xi=x3

P(xi x4 ) p1 p2 p3 p4 1

La funcin de distribucin acumulada en el

caso discreto est representada por la lnea
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 pi (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,
generndose as la grfica ya indicada, cuyo
valor mximo ser igual a la unidad.

P( x x ) A A A
i

P( x x ) A A A A

i
4
1
2
3
4
xi=x4
La funcin de distribucin acumulada en el
caso continuo, est representada por la lnea
continua gris. En un punto particular
seleccionado x1, la probabilidad acumulada entre
y x1 est dada por el rea A1, cuyo valor se
representa como una ordenada en el grfico de
la funcin acumulada. 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 funcin de distribucin,
que se hace asinttica al valor uno.

Ejemplos:
1) a) Construir la distribucin de probabilidad de la variable aleatoria resultado
que se obtiene al arrojar un dado.
b) Obtener la funcin de distribucin acumulada.
c) Graficar la distribucin de probabilidad.

Resultado
xi
1

Probabilidad
pi
1/6

Funcin de
distribucin
Fi
1/6

-------------------------------Probabilidades y Estadstica Ao 2005

74

2
3
4
5
6

1/6
1/6
1/6
1/6
1/6
pi=1
GRAFICO

2/6
3/6
4/6
5/6
6/6=1

2) Construir la distribucin de probabilidad de la variable aleatoria resultado que

se obtiene al arrojar dos dados, y obtener la funcin de distribucin
acumulada. Graficar la distribucin de probabilidad.
Resultado
Probabilidad
Funcin de
xi
pi
distribucin
Fi
2
1/36

3
2/36

4
3/36

5
4/36

6
5/36

10

11

12

pi=1
GRAFICO

5- PARAMETROS DE LAS DISTRIBUCIONES DE PROBABILIDAD:

5-1: ESPERANZA MATEMATICA DE LA VARIABLE ALEATORIA:
-------------------------------Probabilidades y Estadstica Ao 2005

75

a) Definicin: La esperanza matemtica de la variable aleatoria, que se define de una

manera tcnica, es decir, mediante su frmula de clculo, se obtiene efectuando la sumatoria
de los productos de los valores de la variable por su respectiva probabilidad, siempre que se
cumpla la condicin de cierre.
La expresin de la frmula de la esperanza matemtica se presenta ms abajo, segn se
trate de una variable aleatoria discreta o continua:
CASO DISCRETO
E( x )

i 1

CASO CONTINUO

si secumple pE ( x) 1
x f ( x) dx
i

si secumple

Conceptualmente hablando, la esperanza matemtica es una media aritmtica en

trminos tericos o ideales. Se diferencia de la media aritmtica x desarrollada en los captulos
precedentes, en que sta ltima es emprica y real. Por eso puede efectuarse una distincin entre
ambas diciendo que la esperanza matemtica 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 matemtica, es sealarla con la
expresin nmero esperado, lo cual, en algunos casos, suele resultar ms sencillo y
comprensible.
b) Propiedades de la Esperanza matemtica: Las propiedades de la Esperanza
matemtica se enuncian con facilidad si se recuerdan las propiedades ya estudiadas de la media
aritmtica. Fundamentalmente, las propiedades ms importantes son las siguientes:
1) La esperanza matemtica de la suma de una constante ms una variable es
igual a la constante ms la esperanza de la variable: E (a xi ) a E (xi )
2) La esperanza matemtica 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 matemtica de la suma de dos variables es igual a la suma de
sus respectivas esperanzas matemticas: E (xi yi ) E (xi ) E ( yi )
5.2 - VARIANCIA DE LA VARIABLE ALEATORIA:
La variancia de la variable aleatoria constituye un concepto similar al de la variancia
estudiada en el tema Distribuciones de Frecuencias, ya que se trata de una medida de dispersin
cuya frmula, a similitud de aqulla, es
2
V ( x) xi E ( x) pi
para el caso discreto y

V ( x)

x E ( x)

f ( x) dx para el caso continuo

Recordando que la variancia puede calcularse mediante una frmula de trabajo, se

presenta a continuacin en su versin para el caso discreto:
V (x) xi2 pi E (x) 2

Finalmente, as como la esperanza matemtica se considera similar a la media

poblacional, la variancia de la variable aleatoria se considera conceptualmente una variancia
poblacional, y como tal se simboliza del siguiente modo: V (x ) x2 pudindose obtener el
desvo estndar mediante la aplicacin de la raz cuadrada en las expresiones indicadas
precedentemente, es decir DS (x) x
Ejemplos:
-------------------------------Probabilidades y Estadstica Ao 2005

f ( x)dx 1

76

1) Calcular la esperanza matemtica, la variancia y el desvo estndar en la distribucin

de probabilidad de la variable aleatoria resultado que se obtiene al arrojar un dado
(a partir del ejercicio 1).
xi
pi
xi pi
xi2 pi
1
1/6
1/6
1/6
2
1/6
2/6
4/6
3
1/6
3/6
9/6
4
1/6
4/6
16/6
5
1/6
5/6
25/6
6
1/6
6/6
36/6
21/6=3,5
91/6
pi=1
E (x)

21
3,5
6

V ( x)

91
(3,5) 2 2,92
6

DS (x )

2,92 1,71

2) Calcular la esperanza matemtica, la variancia y el desvo estndar en la

distribucin de probabilidad resultado que se obtiene al arrojar dos
dados (a partir del ejercicio 2).
xi
pi
xi pi
xi2 pi
2
1/36
2/36
4/36
3
2/36
6/36
18/36
4
3/36
12/36
48/36
5
4/36
20/36
100/36
6
5/36
30/36
180/36
7
6/36
42/36
294/36
8
5/36
40/36
320/36
9
4/36
36/36
324/36
10
3/36
30/36
300/36
11
2/36
22/36
242/36
12
1/36
12/36
144/36
252/36=7
1974/36
pi=1
E (x )
V (x )

252
7
36

1974
(7) 2 54,83 49 5,83
36
DS (x )

5,83 2,41

3) Un alumno se presenta a un examen. De las quince bolillas del

programa, l conoce 5 de ellas como para obtener una calificacin igual
a 10 puntos; 4, como para obtener una calificacin de 6 puntos; 3, como
para obtener una calificacin de 4 puntos, y de las tres bolillas restantes
no conoce nada. Si el profesor le hace preguntas de todas las bolillas y
el examen se aprueba con una calificacin de 6, le conviene
presentarse al examen?
Calificacin a
recibir
Probabilidad
xi pi
(xi)
(pi)
-------------------------------Probabilidades y Estadstica Ao 2005

77

10
6
4
1

5/15
4/15
3/15
3/15
15/15=1
E ( x)

50/15
24/15
12/15
3/15
89/15

89
5,93
15

Conclusin: no le conviene presentarse porque el puntaje esperado es menor que la

nota necesaria para aprobar.
CUADRO SINOPTICO SOBRE TEORIA ELEMENTAL DE LA PROBABILIDAD
Colaboracin de la Profesora Mara de los Arcos Martnez
T e o r a E le m e n t a l d e la P r o b a b ilid a d
D e fin ic io n e s
d e
P r o b a b ilid a d
C l s ic a

F r e c u e n c ia l o
E s t a d s t ic a d e la
P r o b a b ilid a d

D ia g r a m a s
d e V en n

A x io m t ic a

T a b la s d e
C o n t in g e n c ia s

S u cesos

E x c lu y e n t e s

C o m p a t ib le s

R e g la d e la
A d ic i n

C o n d ic io n a le s

I n d e p e n d ie n t e s

R e g la d e la
M u lt ip lic a c i n

PREGUNTAS TEORICAS SOBRE TEORIA ELEMENTAL DE LA

PROBABILIDAD:
1) Cmo son los sucesos A y B en el siguiente caso?
P(A)=P(AoB)-P(B)
a) dependientes
b) compatibles
c) excluyentes
-------------------------------Probabilidades y Estadstica Ao 2005

78

2) Dos sucesos A y B son opuestos. La P(A)= 4/7. Si el experimento que los origina se
realizara dos veces en condiciones de independencia, cul es la probabilidad de que
aparezca dos veces el suceso B? Calcule e indique el resultado.
3) Indique si en la siguiente distribucin 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
BIBLIOGRAFIA CONSULTADA:
Berenson Levine
Estadstica bsica en Administracin
Editorial Prentice Hall - 6 Edicin
Kazmier L. Daz Matta A.
Estadstica Aplicada a Administracin y Economa
Editorial McGraw Hill - 2 Edicin
Mendenhall Reinmuth
Estadstica para Administracin y Economa
Grupo Editorial Iberoamrica - Ao 1993
Walpole Myers
Probabilidades y Estadstica
Editorial McGraw Hill - 4 Edicin
Montiel Ros Barn
Elementos Bsicos de Estadstica Econmica y Empresarial
Editorial Prentice Hall - Ao 1996
Levin Rubin
Estadstica para Administradores
Editorial Prentice Hall - 6 Edicin
Meyer P.
Probabilidad y Aplicaciones Estadsticas
Editorial Fondo Educativo Interamericano S.A. - Ao 1973
Nez Nez - Argello
Probabilidades y Elementos de Estadstica
Editorial Nueva Librera - Ao 1983
Cramer H.
Elementos de la Teora de las Probabilidades
Editorial Aguilar 3 Edicin
Spiegel M. Teora y Problemas de Estadstica Editorial Shaum

-------------------------------Probabilidades y Estadstica Ao 2005