CONCEPTOS ANAL/TICOS

DE LAS DECISIONES
FINANCIERAS

Como todas las restantes decisiones empresarias, las decisiones financie-

ras se refieren a hechos futuros, Por racional que sea el pronostico de estos
hcchos, nunca estan totalmente a salvo de la influencia de facto res casua-
les; de ahi que las decisiones financieras deban adoptarse con diferentes
grados de incertidumbre. En su modelo de decision la administracion debe
asignar valores a todas las variablcs pertinentes, pero con frecuencia los
valores reales de estas variables ,no pueden conocerse sino deS'pues de adop-
tacla la decision, Por consiguiente, la administracion puede predecir estos
valores unicamente sobre la base del limitado conocimiento de que dispone,
y la decision "optima" es simplemente aquella que segun el calculo racional
a partir de los datos di<;ponibles es la mejor. La eficacia de la decision en
condiciones de incerti"lumbre ha mejorado mucho gracias ados conceptos
anaHticos: el concepto de probabilidad, que cuantifica la incertidumbre que
se manifiesta en los datos, y el concepto de utilidad, mediante el cual la
administracion puede medir su actitud subjetiva hacia los resultados incier-
tos. Este capitulo introducira estas dos ideas muy importantes. Para los
lectores que ya poseen cierto conocimiento de la probabilidad y la utilidad,
10 que sigue representa un material de revision que solo necesitan hojcar:
Pn el caso de los que carecen de ese conocimiento, este capitulo suministriua
10s elementos de la teoria de ]a probabilidad y la utilidad necesarios para
comprender las muchas secciones de esta obra que se ocupan de la decision
en condiciones de incertidumbre.

ELEMENTOS ESENCIALES DE LA TEORfA DE LA PROBABILIDAD

~Que es la probabilidad? 1

1" .~ccimos, pOl' ejemplo, que hay una probabilidad de 1/3 de que cl ano
~ ox~mo se realicen buenos negocios, y una probabilidad de 2/3 de que
m:C~lga !a actividad comercial. dQne significan estos dos valores'? De un
o mas general, da que denominamos la "probabilidad" de un hecho?
 Defillici(ill de prolwbilidad. Supongamos un billctc de 10teria que paga lllllllt'l'O de caras
d I tcncdor $x si ocurrc cierto hecho A, y $0 si pse heeho no ocurre. El heeho Jllln~('n; hJtal-ck tiracla~
del cUlll dClWlldc la retribuci6n puede ser cualquier hecho al que uno desea
asignar nna probahilidad, 5i se oEIecp gratis el billete de 10terfa al individuo, a JJlcdida qll~ ~1 m'lJl1ero tot~t~ de tiradas sc aproxilll~ al infil1ito. En un
estc seguralllcnte 10 aceptanl. 5i se 10 ofrpce a un precio superior a $x, scgu- e;periIlH'nto hplCO, la prohablhdad de A ('S igual 0 mll) cercana a ~ . -a-
lamentp 10 rcchazani. 5i se ofrece cl billde a un precio entr,e $0 y $x, su turaIJll('nte, hechos como "los negoC'ios scrun hueHos el ailo pr6ximo" 0 "los
deeision de acept'lJ' 0 rech:1zar depemlenl de su estimacion de Ia probabili- precios de Ias aedones se clevaran manana" llO puedcn ohscrvarse cxperi~
dad de que ocuna el hccho A. comparada con el prt'cio del billete. Ifabrtl lllentalmentc de c~te modo, y por ]0 tanto los objetivistas cOllsidcran <jIll'
un ci(;rlo prL'cio en d cual el individuo clegini indifer('ntemente el billete estos hechos son matlE'cuados como materia del anaJisis prohabilista.
(k loteria 0 la suma representada pOl' cl precio de compra. 5i el predo que La clistinci6u entre la prohahiliclad objetiva y subjetinl ta1l1bi(~n origina
dctcrmina 1a ac.:titud indiferente del individuo es $y, afinnamos que esta la tlistillC'i~'Hlformulae];, a wee' entre el riesgo y la inc('rticllllnhre. A]gl~nos
asignando una probabilidad de y/x al hecho de A. Asi. si el imlividuo Gsta anlol'es afirman que una sitaadc'>ll ill1plica riesgo si las probabiliclacles de
(lispuesto a pagar cl mclximo de $ 10,000 pOl' un proyecto que promete una los resu!tad(~s as.ociaclf,'s can la ~itnclcion pued('11 dilucic1arse objdivamcnte,
retribucion de $ 30.000 (incluida la rentabilidad del capital), si 10s negocios y que ll11plH'a l!I('('rlldnmhrc S1 p!Jeden dilucidarse solo sulljl'tivamellte 3.
se desanollan bien el ano' proximo, y una ret1'ibucion de $ 0 en caso contra- Si S(' a('eptal~a est,~, t'dtima ~listincic'Jn, afinnarfall10s L1lle la proposici611 "la
rio, esttt asignando UIla probabilidad de 1;:1 al hecho de qne el ncgoeio nlollecla cclent cam es de ncsgo, y ]a proposicic'Jn "ll)s Ilegol'ios se1'<\l1hue-
pasani pOl' 1111periodo de prosperidad. nos el afio pnJxil1lo" L'S ek inccl'tidull1hrE'. Sin emhargo, COIllO eOJlsidcramos
Dos cuestiollcs que gravitan sobre esta definicion de la probahilidad que las prohabilidades suhjdivas y objl'tivas sou ignalmt'nte {ltilcs en la
exigen un eomentario especial. En primer lugar, en el ejemplo de la 10te- c]Ct'iSiOll,no sera esenc:ial (listinguir ('litre d riesgo y la iucl'rtidumbrc. POl'
ria el valor monl'tario x aparece como una medida de la' deseabilidad de ga- cO!lsiguicllte, en c] an:llisis rcalizaclo I'll ('sta ohra lltilizareJlJos los terminos
I'iesgo e illccrtidulIllm> como pa]ahras int('rcambiabks.
nar, y cl valor monetario y como una medida de Ia inconveniencia de perder.
Sin emhargo, como se sf'i'ialo en el capitulo 1, euando estan en juego grandes COIl('('jJ/OS bdsicos ell fa icci/'fa elf' La prolJahilidad 4. Para COI1Jprender
bicn la hase ll1ah'lllatka cle Ia tt'Or1a de la prohahilicIad Se rcquit'n'n estos
volt'mlcnes financicros puede haber una falta de proporcionalidad entre 19
conccptos: eXpCrill1ento al(';ttorio. ('spacio de JlllH'stra. puntos cIe muestra,
deseabilidad del dinerl) y la cantidad de dinero. En C:'sas situaciones, en
y hecl~os. Cuand~l lln experilllento tienc mas de Ull resultaclo posible y no
que el responsable de la decision no es neutral frente al riesgo, Ia utilidad
es poslble predccll' con certidumb1'c ('1 resultado rea] en C'1mOl11t'llto de la
debe remplazar al dinero en la definicion de la probabilidad. Para simpli- expel'imentacion. aHl'mase qne cs un cxpcrimento "al(,atorio". A unque no
Ficar eI analisis, C:'stase('cion supone la neutralidad frente al riesgo, y porIa
sC'.eO!1oce con cC1'tcza ('1 rf'sultado 1"ca] del experi nH 'JIto a]('a torio, ell' lwcho
tanto la utili clad 0 d dinero pueden utilizarse como medida de la deseabi- ~xlsten prohahilidades que r('presentan las challces de qlle pll('cIa mall'ria-
liclad de un resultado, El concepto de utili dad como medida estable de la hzarse caela l'esnltado posihle. A] incmporar la inc('rtidull1brc, un cxperi-
conveniencia de un l'f'sultado en condiciones de no l1l'lItralidad frente al menlo aleatorio sin'e ("mlO lln Jl!odelo uti] d(' cicrta sitn<lci!'m del 11111nclo
riesgo (es decir, prefcrencia 0 aversion) s(' analizara mas acl('lantc en ('str fC'aJ. COl1side1'e11los, ('olno ejc11lplo, e] pron6stico clc' ventas de ulla cmprcsn
capitnlo, c~m'espon(li('nte a los pl'oxi11los cilleo anos, La finna IlO salw con ccrtcza
Segundo, en la teorfa de la probahilidad hay dns escuela"s fund:1mentalcs SI la. de111anc1ade su p1'odllcto dnnlntc los proxi1J)os cinco afio~ sera c]c\,aclll
de pensami('))to, cl enfoqut' "subjetivo" y el "objetivo", y lllH'stra defini- J,:(:cllana 0 haja, p('ro ~i posee illformaci{m snfiei('nl(' para asignar proba-
cion se ha hasaclo c'n d criteria "subjctivo". Para ]os S11 bjctivistas, la pro- hJ~I~1ad~'sa estas c1ifercntes posihiJida(]Ps. Este prollc'Jstil'O prohahiJista dem
bahilidad cS 1a nwdieh~ de la creencia personal aCt'rca de las pC'l'spectivas pl~fJc:U'1.aun ('xper,imcnto aleatorio ell el scntido ('xplicado. Asilllisll1o, ('1
de que ocurra ckrto hecho, pOl' ejempb, el hecho de que el negocio gozani PlOllOstlC'O cJ(, !as flltur,ls tasas ell' illt('reS realizado pm el tt'~or('ro de una
de prosperidacl el ano proximo. En cambio, los objetivistas hablanln de la . ., \. e I PIOllO:;
c11111]'('S'l . ' 't'Jeo de 1os preclOS . f' utllJ'OS de ]os val ores r<'ahzado . pOl'
Un III\'(']'S, 01' ,on
s '
CWmp ] os rea l'lstas (e1 eXpennll'lltos
' a ].eatonos.
prohabilidad de un hecho solo si el experimento que origino el hecho como
I'l'sllltado posibk puecle repetirse en condiciones esencialmente identica, En la teorla form~l de la prohahiliclad, el conjullto (!r- toc1os Ios resul-
tados, l)osl'l)l(,s
.' ,(lue I
uno d eeJ'd e (escl'1 'I' .
)]1' ell un cXllel'Jlllento a I'
eatono se
POl' 10 tanto, la probahilidad de un hecho se define como la relacion a largo
p]azo entre d ll1JlIlt'rO de ocurrencias del hecho y el numero total de vece. c1cnoll1Jna espacio de J1111E'stradel experin1t'nto. La expresi6n espacio de
resultados
, I)o(1,'ua ser 111<1S '1'e escnpllva.
. peru nos atcndreillos a la tcnnmo . ]0-
qlle el experinwnto sc rcpite. Por ejcmp]o, supongamos que A es el heeho
gIn
11 uSl1'll
~" As' l' . ,.]
I, en e eX!Jenmento que conslslC' en arrOjar al auc a mone d a,
dcnominado "cara" en el cxperimento que consiste en anojar al aire UJ
mOlH'da i. En cse easo, un ohietivista ckfininl la prohabilidad de A comc n poslhle espacio de Tllncstra es i1T. T f en cl cua1) l cs la notacion
standard C1( ,1 conJlwto, ' y II reprcsenta
I I
las caras y T las ('('cas. Obst'r\,('s('
,
l'l va lor limitativo de 13 raz6n
que hemos excluiuo Ia posibilidad de que Ia moneda pueda qucdar de canto
5i se admitiese esa posibilidad, el espacio de muestra deberia ampliarse \
rl can junto de puntas de muestra en A y B. Par consiguiente,
f 11Ie como ha ocunido el hecho A (l B eqmva
o '1 e a a f'IrmaI' que h an ocu-
r
0

n
ar qUe ,
serfa i
H, T, N ~ en el cual N representa "ni cara ni ceca". Asimisl110, ~ a 11'111 to A como B. Los conceptos de A U B y A n B pueden interpre-
espacio de muestra para arrojar dos monedas podria ser iHH, HT, TH, TT I
'rielo tan"fl'C"lmente utilizandn los conOCl'd as d'lagramas d e V enn. Elf' n as 1-
en el cual la exprcsion HH representa las caras en ambas tiradas, !-IT la t 'se gla ' . d
aJ0 2-1 (a) y 2-1 (b), el area rectangular S indica todo el espaclO e
cara en la primera tiraoa y la ceca en la segund~" 'y asi pOI' el estilo. Un gill as , del experimento, y los puntos (e] l'as areas sam b rea d as In 'd' lcan, res-
espacio de muestra para el pronostico de vent as de cinco auos de la em. Jl.uestIa 'bl
, llente los hechos A U B y A (l B. POl' supuesto, es POSl e que
presa podrfa ser elevada demand a, demanda media, dcmanda escasa y para l Jeet1vm , , E
d hechos A y B puedan no tener puntas de muestra en comun. n
el pronostico de la tasa de interes realizado pOl' el tesorero (3,0%, 4,0%, 'd
105 as 0 como la ocurrencia simultanea e Ayes B' Imposl 'bl e, a f'Hmase
4,5%, 5,0%). Un posible espacio de muestra para Ia tirada de dos dados
o

esC cas s ,heehos se C'xclU)len mutuameDte, 0 sc

d'1S1ocan, \' ease
' 1a f'19ura
es el conjunto de 36 bit:Ypios (parejas de numeros) indicados en el cuadro qnE' I\), '
2-1. 2-1 (c).

Cuadro 2-1. Espacio de mueslra para el cxperimenlo con dos dados (a) (b)
La uni6n de A y B La intersecci6n de A y B

(1, 1) (1, 2) (1, 3) (1, 4) (1, 5) (1, 6)

.
(2, 1) (2, 2) (2, 3) (2,4) (2, 5) (2, 6)
(3, 1) (3, 2) (3, 3) (3,4) (3,,5) (3, 6)
(4, 1) (4, 2) (4,3) (4, 4) (4, 5) (4, 6)
(5, 1) (5, 2) (5, 3) (5, 4) (5, 5) (5, 6)
(6, 1) (6, 2) (6, 3) (6, 4) (6, 5) (6, 6)

En un dado espacio de muestra, cada resultado posible se denomina

punto de muestm. El terminG hecho se define como un con junto de estos
puntas de muestra, 0 bien como cualquier subconjunto del espacio de mues- (c) (d)
tra. As!, en el experimento del pronostico de la demanda futura, la "elevada Dislocaci6n de A y B EI hecho "no A"
demanda", la "demanda media", y la "demanda inferior" son todos hechos, 10

o
mismo que "elevada demanda a demanda media" y "demand a media 0 de-
manda inferior". Los primeros tres hechos se denominan hechos simples, PUC5
cada uno esta formado pOl' un solo punta de muestra; los ultimos dos hcch05
s(' denominan hechos compuestos, pues cada uno esta formado pOI', mas de
1111punto de muestra. En el experimento con dos dados, el hecho ".5 en la
primera tirada y 6 en b segunda tirada" es un hecho simple, pues consisle
en un solo punto de ml1estra, a saber (5,6) (yeaSe c1 cuadro 2-1). Sin ell1-
bargo, el hecho "dos dados iguales" es un hccho compul'sto, pues esta For-
mado pOI' Ios seis puntos de muestra a 10 largo de la diagonal, a saber (1,1),
(2,2), (3,3) (4,4), (5,5), (6,6). En la especificacion del espacio de mllestra Los c:onceptos anteriores pucden aplicarse al experimento que consiste
E;Simportante distinguir un numero suficiente de hechos elemcntales, con el en anojar dos dad os, ('on cl espacio de muestra de 36 bituplos descrito en
fin de que cualquier hccho compuesto que uno desee estudiar pueda orga- d cuadra 2-1. Se define cl hecho A como formado par todos Ios bituplos
nizarse a partir de los hcchos elementa1cs disponiblcs. cuyo segundo miembro es el l1t1DlerO 5 6 6, y se define el he,('ho, B como
Luego, dados los hechos A y B en un espacio de muestra 5, tambii~n formaclo pOl' todos los bltuplos cuyo primer miembro es el numero 3. Es
podemos definir Ios hechos nuevos consideranclo la union 0 la intersecciol1 cle('ir A = ~(1, 5), (2.5), (6, 5), (1, 6), (2, 6~" 6) ~ y B " ~ (3, 1),
r.
0 , 0' 0 0 (~,

de A y B. La union de A y B, designacla como A u B, se definc como el (3 . .2)" (3, 6)

0 Se deduce que A u B = ~(1, u), (2, u)" , ., (6,;)), (1, ~).
"

conjunto de puntas de muestra en A, a en B, 0 en A y B. POl' consiguiente, (2,6), ... , (6,6), (3,1), (3,2), (3,3), (3,4n, y que A n B = ~.(3,u),
afirmar que ha ocurrido el hecho A u B eqllivale a afirmar que A 0 B 0 (3,6) r.
Obscrvese que dado A podemos definir el hecho ":'\0 A", deslgnado
ambos han ocurriclo. La interseccion de A y B, designada como i\ (l B, sc dc- ('OnHlA' como formaclo pOl' todo~ Ios puntas de muestra en S, pcro no en A
 ( Vpasc la figura 2-1 (d). Par consiguiente, si A y B son COIllO S(' los definio h nlUtuamente exclusivos y exhaustivos, y si Ph P2 ... Pn son sus res-
mas arriba, A' esta formado por todos los bituplos cuyo segundo miembro hee .05 probabilidades, tenemos ~ '\=1 Pi = 1. Esta conclusion deriva del si-
no es 5 ni 6, y B consiste en todos los bituplos cuyo primer miembro no es pe~tIv:s razonamiento. Como el hecho Ai tiene una probabilidad de Pi, el
igual a 3. Para el lector puede ser un ejercicio uti! dcterminar que elementos gUlen eable de la decision esta dispuesto a pagar $ Pi Xi por' un billete de 10-
estan contenidos en el hecho A' n B'. res?O~e Ie paga $ Xi si ocurre Ai y $ 0 si Ai no ocurre. Si compra uno de cada
Propiedades de las probabilidades. Una vez establecido el espacio de tena d~ estos contratos n, su ganancia neta gracias a la inversion varia con el
muestra, el paso siguiente consiste en asignar probabilidades a los puntos de uno .
o del expenmen t 0, d e 1 sIgmen
. . t e mo d 0:
resu Itacl
muestra (es decir, los resultados posibles) del espacio de muestra. La pro-
babilidad de un hecho, simple 0 no, se define como la suma de las proba. Si ocurre .4.1, gl=X'-
"
L.PiXi
bilidades de los punt os de muestra que configuran este hecho. i=1
De acuerdo con nucstra definicion de probabilidad, la asignacion de n

probabilidades a los puntos de muestra es necesariamente exprcsion del jUi. Si ocurre A~, g2 = X2 - E PiX,
i=l
cio personal acerca de los distintos resultados posibles del experimcnto. La
formulaci6n anterior no implica que por consiguiente pueden asignarse pro-
habilidades a los distintos elementos del espacio de muestra de un modo n
puramente arbitrario. Hay por 10 menos dos razones que determinan la im- Ri ocurre An, g" =.t" - E Pi:Ci
posibilidad de una asignacion puramente arbitraria. En primer lugar, las i= 1
asignaciones de probabilidad deben pasar la prueha de razonahilidad, ex-
plicada as! por Schlaifcr 5: en 109 que gl g2,' .. gn son respectivamente los beneficios netos asociados con
los resultados A], A2 . An. Luego consideremos el casu en que los billetes
Los hombres razonables basan Ias probabilidades que asignan a los hcehos del
mundo real en su experiencia con Ios heehos del mundo real, " cllando dos hombres
de loteria se escriben de modo que cada Xi =
$ 1. Si Xl =
$ 1, las formulas
ra7.onables tienen mas 0 menos la misma experiencia con cierto tij)o de )f'cho Ie' asignan para Ias g se reducen todas a la expresion identica 1 - ~ni=1 Pi' Nuestro su-
aproximadamente Ia misma probabilidad. . , puesto de racionalidad no permite que estas g sean todas negati\'as; si 10 fue-
ran, el individuo perderia dinero, al margen del resultado del experimento.
La segunda razon.por la cual no es posible asignar arbitrariamcutc pro. Se deduce que la expresion 1 - ~"i=lPi debe ser no negativa; es dccil
babilidades es que deben satisfacer las dos condiciones siguienles: 1) La 1- ~ ni=1 Pi ;::: O.
probabilidad de cualquier hecho debe ser un numero entre 0 y 1; ('s dedI', 0 < Si en el razonamiento anterior suponemos que Xl = - $ 1, las formulas
p ::;; 1. 2) Supongamos que un espacio de muestra se divide en he('hos. de para las g se reducen a la expresion identica - 1 +
I:"i=l Pi, Nuevamente
modo que todos los elementos estan contenidos en algtm hecho, y 110 hay las consideraciones racionales exigen que las g sean no negativas, y por 10 tan-
dos hech05 que tengan elementos en comun. Para estos "hechos mutllalllcnle to la expresi6n -1 + I;"i=l Pi sera no negativa; es decir, -1 +
L"'=I p,.;:::O.
exclusivos y exhaustiv0S" la suma de sus probabilidadf's (lene ser igual a 1. Combinando esta restriccion con 1- ~ni=l Pi ;::: 0, tenemos ~"i=l Pi = 1.
Es decir, si AT, A~, .. All son hechos mutuamt:'nte' exclusiyos y cxhallsl i \'OS, Y Teoremas sabre la prababilidad de los hechos. En la teoria matemat'ica
Pl, p~... PIt son sus respedivas probabilidades, se deduce quc r;'=,
Pi = I. formal de la probabilidad, las dos restricciones anteriores sobre el valor de
Poc1cn~o.s c1emostrar la logica de estas restricciones impucstas a los va~ P se consideran frecuentemente como axiomas a partir de los cuales se dedu-
lores numcl'lCOS de la'> probabilic1ades examinando las implil'aclOnCS de Sl1 cen teoremas. En esta subsccci6n formularemos sin demostrarlos tres teoremas
violacion G. Supongal11os que en un experimento que consistc ('n anojar mo- basicos acerca de la probabilidad de los hechos.
ncc1as al aire alguicn asignara una probabilidad de 2 al hccho "l'ara". Por 10 Teorema (i): Supongalllos que un cspacio de muestra se divide en dos:
tanto, dc acuerdo con la definicion de probabilidad esta dispucsto a pagar hechos A y A', mutuanl('nte cxclusivos (es decir, separados): Por It) tanto,
$ 2 por un billete de loteria que Ie paga $ 1 si la moneda eae cara, y $ 0 si
la moneda cae ceca. ES,te individuo no parece racional, pues ocupa la posicion
de p~l'(ledor sea. c~H~1fuere el resultado del f'xperimento. Por consiguiente,
eXclllll110S la poslblbdac1 de P > 1. Luego, supongamos que este individuo donde P (A) y P (A') son, respecti vamente, las pro ba bilidads del hecho A
asignara una probabiliclad de - % al hecho "cara", Nuevamente por defi- Y del hecho A'. Ejempla: la rentabilidad de una inversion puede estar repre-
nicion de probabilidac1, esta dispuesto a pagar 50 centavos por nn' \:>illetc de sentacla por el espacio de mucstra ircntabilidad elevada, rentabilidad media,
loteria que 10 obliga a pagar $ 1 si la moneda cae cara y nada Ie paga si la rentahilidad baja, rentabilidad negativa r.
Si definimos A como el hecho "ren-
moneda cae ceca. Como suponemos la racionalidad del responsablc dc la tabiIidad elevada" y Ie asignamos una probabilidad de 0,35, en esf' cas a A',
decision, excluimos Ia posibilidad P < O. el hecho "rentabilidad media" 0 "rentabilidad baja" 0 "rentabilidad negativa",
Otra consecucncia del supuesto de racionalidad cs que si A], A~, .. A" son debe tener una probabilidad de 1 - 0,35, 0 simplemente 0,65.
 .' ti<:as de Ias sociedades anollimas grandes para prcdecir ]a politica
carad.te.ld~l1dOSde la compania c]egida. Sahcmos que el 58,3 pOl' ciento de
de ~Vldes sociedades paga elevados dividendos; pOl' 10 tanto P(BjA) = 0,583.
laS glan: 10 rcsultaclo puecie obtencrsc aplie-anclo la siguicnte formula ge-
donde P(A U B) es la probabilidad de que ocurra A 0 B. Ejemplo: en e Este 1111S11
experimento de pronostico de la rentabilidad dc la inversion, se define .1 neral:
como el hecho "elevada rentabilidad" y B como el hecho "rentabilidad media" p(.-l nB)
Si suponemos P(A) = 0,3 y P(B) = 0,2, en ese caso P(A U B), Ia probabi. P(A)
lidad del hecho "elevada rentabilidad" 0 "rentahilidacl media" dehe tener un
valor de 0,2 +0,3, 0 simplemente 0,5.
I
cual todos los terminos correspond en alas definiciones anteriores.
Teorema (iii): Si A y B son dos hechos (no sicmprc mutua mente exclu. en
Comoaddentre las 100 socie a es allOl1Jma ,. h a~r,...35 gran d es compamas -, que
sivos), tenemos pagan,...di\',idendos, clevados, P (A n B) = 0,30. POl' 10 tanto P (B A) =
:=: 0,30/0,6 = 0,583. '. .,
Las eCllaciones (2-4) pueden Jl1tcrprctarse con referencla a los dJagra-
donde P( n B) es Ia probabilidad de que ocurrall A 0 B. Ejemplo: en el S de Venn cxpuestos antes. En la figura .2-1 (b), I el d'area rectangular S
experimento de pronostico de rentabilidad de Ia inversion, supongamos que . dica el espacio original de muestra d e I C'xpenmento,
O1a
as os areas CHcU . Iares
todos Ios resultados en el espacio de Ia muestra son igualmente pro babies. ~ndican los hechos A y B, y el area intersecante (sombreaJa) indica el hecho
Definimos A como el hecho "elevada rentabilidad 0 mediana rentabilidad" ~~ que ocurren tanto A como B. La ecuacion (2-4) dice que la probabilidad
y B como el hecho "mediana rentabilidad 0 escasa rentabilitlad". P(A) y de B, dada ]a ocurrencia de A, es igual a la razon entre el area sombreada
P(B) sin duda son ambos iguales a 0,5. Como A y B pueden ocurrir ambos y el area circular A. Ahora se percibira claramente pOl' que en el ejemplo
lmicamente si Ia rentabilidad es mediana, P(A () B) = 0.25. POI' 10 tanto, anterior P(B) 'F P(BiA). En el diagrama, P(B) es la razon entre el area
P(A U B), Ia probabilidad del hecho "elevada relltahiliclacl 0 mediana ren circular B y el area rectangular S. POI' consiguiente, P(B) sera igual a
tabilidad 0 escasa rentabilidad" debe tener un valor de 0,5 + 0,5 - 0,25, es P( BIA) si, y unicamente si, la razon entrc Ias areas B, Y S es i.g.ual alas
decir, 0,75. razones entre las areas A 0 B y A. Sin embargo, los numeros utllJzados en
el ejemplo anterior no satisfacen esta condicion.
Probabilidad condicional e independencia estocastica Independencia estocastica. En lugar de las razones anteriores entre ]as
c:ompafiias de dividendos e]evados y bujos, Sllponemos: 1) que en 60 gran-
P1'Obabilidad condicional. En la moderna teorfa de la decision hay una
des compafiias, 42 pagan dividendos elevados y 18 pagan dividendos bajos,
formula particulannente util denominada Teorema de Baycs 7. Para com
y 2) que en 40 compafiias, 28 pagan dividenuns elevados. y 12 dividend?s
prenderla, debemos analizar primero el concepto de probabilidad condicionaJ.
Consideremos el problema de Ia prediccion de ]a politica de dividendos bajos. P(A) todavia es igual a 0,6, pc1'O P(B) es ahora 19ual a 0,7. Mas
de una sociedad anonima elegida al azar E, cuando se conoce en general cierta aun, como entre Ias 100 sociedades anonimas hay 42 gran des empresas
informacion acerca de las poHticas de dividendos de Ias sociedades anoni- que pagan dividendos elevados, P(A () B) = 0,42. POl' 10 tanto, P(B;A) =
mas. Suponemos la existencia de 100 empresas, de las cuales 60 son gran- =:: 0,42/0,6 = 0,7. Observese en particular que en este caso el porcentaje de
des y 40 pequefias. Entre Ias 60 sociedades anonimas grandes, 35 siguen grandes empresas que pagan' elevados dividendos es exactamente igual al
una poHtica de elevados dividendos, y 25 una politica de dividendos inferio- porcentaje de pequefias firmas que pagan diviuendos elevados. POI' 10 tanto,
res. Entre Ias 40 compafiias pequenas, Ias cifras correspondientes son, res- el hecho de que ]a campania elegida sea grande no nos ayuda a predecir la
pectivamente, 10 y 30. Supongamos que A es el hecho de que la compafiia poHtica de dividendos de ]a empresa elcgida.
elegida es grande, y B el hecho de que la compafiia elegida paga dividendos Este ejemp]o ilustra un fenomeno que ]os estadisticos denominan inde-
elevados. Dados estos datos, P(A) = 0,6, y P(B) = 0,45. pendencia estocastica. Dicho de manera mas formal, dos hechos, A y B, son
Como paso siguiente, supongamos que nos informen que la empres,l ell'- <'stocasticamente indepenc1icntcs si, y unicamcntc si
gida es una sociedad anonima grande. A la Iuz de esta nueva informacion.
2,asignariamos un valor de 0,45 a la probabilidacl de qu . la empresa elegida
pague dividendos elevados? Indiquemos
P( BIA), Ieido como la probabilidad
esta probabilic1ad con el simbolo
del hecho B, dida la ocurrencia
hecho A. Como el hecho A ha ocurrido, es razonable tratarlo como cl nuevO
del ~ero P (B IA) = P ~1
~ B) . Se c:-r1nce pOl' 10 tanto que si A y B son hech05
md(>lJPndientes,
espacio de muestra en la evaluacion de P ( B A). En otras palahras, comn se
sa be que la compaiHa elegida es grande, dehemos- cousickrar tmicanwnle las
Es decir, Ia probabilidad de que dos heehos ocurran ambos es igual al pr aplicaci6n. Un cjemplo permite illlstr~U' m:b c1aramcnte el sell-
ducto de sus probabilidades individuales. InvC'l'samente, si Ias probabilidad L~l~ teorema de Bayes. Consideremos 1111l-esponsable de la decision
de que dos hechos OCUlTan es igual al producto de sus probabilidades indi tido e tido en el pronostico de los futuros I lovimientos de 10s precios
viduales, Ios hechos son estocasticamente independientes, 0 simplemente in. cOnlpro)11~iones. Sus tres hipotesis competidoras son H 1 (Ios precios de Ias
dependientes. Mas aun, puede demostrarse quc' si cl hecho A es indepenclicn de ~as aCse elevaran), H2 (los precios de las <lC'-ciones pennaneceran cons-
te del heeho B, este es tam bien independientc de A. aCCIOl1)S H (Ios precios de Ias acciones c.lesC'e~(kran). Como el respon-
tant:s dd' la ~lccisi6n cree que las tres hip6tcsis son igualmente probables,
EI tenrema de Bayes y una aplicacion sa?l~a una probabilidad a priori de 1/3 a eada hip6tesis. Luego, suponga-
I
Supongamos que al adoptar una decision de inversion, el ejecutivo fi. aSlg A es eI hecho dc que Ia Junta dc G~bernadores de ]a Reserva
)1105 que,. 1
nanciero de una empresa asigna ciertas probabilidades provisorias a un I elcva los margencs que se eXlgen cn la compra y la venta (e
F ('c]efa L '
. s a credito. ~{as aun, supongamos 1 I
que till examen (e os atos l1S- d I .
t,;onjunto de hipotesis competidoras acerca del estado futuro de Ias can. 11C
diciones economicas. Se supone que el estado de Ias condiciones econ6. "a0'.' s ren'la una pauta de respuesta (eII merca( 0 cle val ores a 10s cam b'IOS
toll co. "
. s concliciones de Ios margenes, segl111 se (1cscribe en e cuac 1'0 ~-2.
I ] n
micas que de hecho se materializa gravita directamente sobre Ia consecuen.
el1 I,1 1I
cia de Ia decision de inversion de Ia firma. Como carece de informaci6n de ocurnr e 1('e 10 A. Podemos p1'eguntar-
\h 01,'a SUIJongamos que acaba
perfecta, el ejecutivo financiero puede actual' sobre Ia base de sus pro- j
de (lut modo esta in f'onnacron, nueva mOl ].I - icara , 0 f orta 1eccra 'I a eva-
babilidades provisorias, 0 puede ejecutar un experimento destinado a arrojar nos. ('1'0' f" 1 I .] I ' E 11
I1l.1 n original del uturo mOV1l11lento c e os P"'CCIOS c e as accrones, .. ] ]
mas Iuz sobre Ia validez de Ias hipotesis competidoras. EI teorema de otras palabras, deseamos cleterminar para este jCll1plo las probahl he ac es
Bayes, que se deduce del concepto de probabilidad condicionaI, es un a posteriori P(INA), P( TNA) y P( HH'A).
metodo para modificar Ias probabilidades provisorias de uno a Ia Iuz del
nuevo resultado experimental. Ahora podemos exponer el teorema de Bayes, CUlIClro2-2. Probabilirladc~ condicionales de camb-o de Jos TPquerimif'lllos rl!
y demostrar como puede utilizarse para mejorar Ias decisiones empresarias. marj!;en, Clado cl movimien1o rle Ios l)rcci~s de Jas lU'(jOIWS
Teorema de Bayes. Supongamos que el ejecutivo financiero ha pre
parado una lista completa de hipotesis competidoras HI, H2 H", cada Precios J e l:t 5 acciones
una de Ias cuales gravita directamente sobre Ias consecuencias de su de Camvios de los
Ascendiel1- C().lIslonles Descendiell-
cision. Supongamos tambien que ha asignado probabilidades provisorias requerimientos del margen do (1-1:.)
do (H,) (H,)
o a priori de P(H1), P(H2)., .P(H,,) alas respectivas hip6tesis HI, H2 ..
H". En otras palabras, nuestro ejecutivo financiero cree que hay una pro- 0,10
Disminllci6n 0,60 0,15
babilidad de P (H 1) en el sentido de que H1 ocurrira, una probabilidad de 0,20 0,70 0,1.5
Sin cambia
P(H2) de que ocurrira H2, y aSl sucesivamente. Luego, supongamos que A :\l1m(,llto 0.20 0.1.5 0.75
es el resultado real de un experimento adicional que arroja Iuz sobre Ia
validez de estas hipotesis competidoras. Esta nueva evidencia A determi-
nan! que el ejecutivo financiero modifiquc sus probabilidades acerca de la
validez de HI> H2 , . H". Utilizando Ia nomenclatura standard, indiearemos Considercmos primcro P(IlIA), la probabiljdad de que se clewn Ios
estas nuevas probabilidades condicionales mediante P(H1IA), P(H2IA)". prccios de Ias acciones, cn vista de que Ia Res('r\,a Fcderal ha elevado los
P(H"IA), donde A es el hecho condicionante, y nos referiremos a elIas margenes correspondientes. La f6rmula para ealcular P(H1:A) pucde de-
como alas probabilidades a posteriori H], II 2, . , Hit, POl' 10 tanto, el tco-
duci1'se aSl:
rema de Bayes consiste cn Ia siguiente f6rmula para calcular el valor de
cada una de Ias probabilidades n a posteriori:
P(AIH;)P(J-I.J
P(AIH1)P(H]) + P(AIH )P(H
2 2) + .,.+ P(A\H,,)P(H,,) Estos clos pasos son "alidos porIa dcfinicion de probabilidad condicional.
(i = 1, 2, ... , n) Lllego. observese que en respuesta a un cambio en 10s reql1erimientos de Ios
n)argenes, Ios precios dc Ias aeciones deben aumentar, permanecer constantes
donde peA/Hi) es Ia probabiHdad condicional de que oeurra d I)('cho A.
o dcscender. Como no hay otras posibilidades, e1 hccho A puede concebi1'se
dada Ia validez de la hip6tesis Hi, y P(Hi), como antes, es la prohahilidad
a priori del responsable de la decision de yue la hipotesis Hi sea v(dida. a!tcrnativamente como la union de Ios hechos A 0 II], An H2 y An H3
La prueba de esta formula se presentara junto con su aplicaci611 en la \%s atm, como estos tres tlltimos hechos se exc1uyen mutuamente, tenemos
subseccion siguiente. P(A) = P(A n HI) + P(.\ n H2) + P(.-l (') Hal (:2-m
PorIa definici6n de plObabilidad conclidonal, la ('cuadon (2-9) puedc obabilidad que realizamos en las paginas de esta obra considera-
cribirse aSl de la pr pacios de muestra que a su vez estan valorados numericamente.
rernoz;s funciones de p1'Oba~ilidad de u1}'a variable aleatoria discret~ .. , Des-
, d especificar una van able aleatona, el responsable de la deCISIOn tal
Remplazando en (2-8) los val ores corresponclientes pOl' (2-10) obt('ncn) pues d~ee determinar la probabilidad de que la variable aleatoria asum~
la expresion \,ez valor especificado, POl' ejemplo, al pronosticar la demanda, la adml-
c~erto 'on quiza qui era determinar la probabilidad de que la demanda real

P(H1)P(AIH1)
P(H1)P(AllJ1)
+ P(H )P(.111l2) + P({-f:l)P(.~llJ~)
2 :t:
rust~ac1al a 10 unidades, 15 unidades, 20 unidades

I fund on acumulatlva de la probablhdad

25 unidades.
:;:armacion se resu~e en la funcion. ?e densidad d~ la probabil!dad
Este tipo

de la vanable aleatona. Su-

y

que es la misma formula indicada en (2-7) para i = 1. Las fOrmulas pa en aamos que X represente una variable aleatoria y ,x represente un valor
calcular P(H2jA) y P(HsIA) pueden deducirse de manera scmcjante. pont~cular de X. La funcion de densidad de la probabilidad de X, indicada
Sustituyendo pOl' los valores numericos ]a formula (2-11), comprobam paflo f(x) se define como una regIa que asigna a cada numero real x 1a
corn, . . d .
que probabilidad de que la vanable X sea 19ual a x. Es ecu,

P(H 1.1) - (1/3) (0,:2) - 8

f(x) = P(X = x) (2-12)
1 - (lJ'3) (0,2) + (1,'3) (O,l:j) + (I, :i) (0,7,")- n.l
La fundon acumulativa de probabilida,d de X, indicada pOl' F.(~), se define
POl' 10 tanto, el aumento en las condiciones de los margencs reducc como una regIa que asigna a cada numero real x la probab1hdad. de que
babilidad de elevar los precios de las acciones dc un valor a priori de 1/ la variable aleatoria X sea igual 0 menor que el valor de x. Es deeu,
a un valor a posteriori de 0,18. Calculos similares demostraran que P(H2IA) _ F(X) = P(X ~ x) = 12 f(Xl) (2-1::\)
= 0,14, comparado con P(H2) =
1/3 Y P(Hs1A) 0,68, comparado = COD Xi~X

P(Hs) = 1/3. Observese tambien que la suma de tres probabilidades a pI)&.

teriori continua siendo igual a 1. Observese que al calcular F(x) suman do f(x), la suma se limita a esos ya-
Variables aleatorias lares de Xi ::;; x.
Para i1ustrar estas funciones, definamos una variable aleatoria X como
El concepto de variables aleatorias. Al aplicar la teorla de la probabi las unidades que constituyen la demanda de los produdos de una empresa
lid ad, el responsable de la decision con frecuencia debe asignar valor durante el ano venidero. Se suponen posibles e igualmente probables cuatro
numericos a los resultados de su experimento aleatorio, de modo que puedaD niveles de demanda -10 15 20 25 unidades. Como las probabilidades de
evaluarse euantitativalllente los meritos de diferf'ntes decisiones, EI proc& estos cuatro resultados p~sibies debcn sumar 1, la funcion de densidad de la
dimiento para asignar estos valores numericos a Ios resultados se denomina probabilidad de X esta dad a porIa expresion
variable aleatoria, De manera mas formal, se define una \ariable aleatoria
como una funcion 0 una regIa que asigna un numero x a eada ptlnto en el f(x) 1/4 8i x 10 = =
espacio de muestra, Como demostracion, supongamos que ~IIlI, HT, TH = 1/4 8i X = 15
TTr es el espado de muestra de un experimellto en el c:tal sc arrojan dos % si x 20 = =
(2-],+)
monedas. Aunque este experimento puede explicarse de mnchos modos c1is =% 8ix=25
tintos, 10 intcrprctaremos como un modelo para mediI' la rentabiHdad () faIts
de rentabilidad de una iniciativa economiea. Supongamos tambien que eI Sustituyendo (2-13) pOl' los datos anteriores, obtenemos la siguiente expre-
resultado monetario de esta iniciativa puede describirse mediante la regIa sion para la distribucion acumulativa de probabilidad de X:
que asigna una gananeia de $ 10.000 a ~ HH, HT, TII el hecho "por 10 me- r,
nos una cara", y una perdida de $ 500 a ~T, T c1 hecho "ninguna cara". r, F (x) = %
= ]/2
81 x::;; 10
81 x::;; 15
Esta regIa para asignar valores es un cjemplo de una variable akatoria de
finida como un espacio de muestra que en Sl mismo no ,f' \'alont numcrica- =% 81 x::;; 20 l2-15)
mente. Donde el espacio de muestra en Sl mismo estet valorado numeri- = 1 81 x::;; 25
eamente, cada resultado puede concebirse como cl \'alor lltlmcrico de una
variable aleatoria 9. En otras palabras, 10'; ntmwros del espacio de muestr3 La ecuacion (2-14) afirma que las probabilidades de la demanda que de
pueclen concebirsc como los \'alores de una fllndc'l11 que asigna su pro pia hecho Son iguales a 10, 15, 20 0 25 unidades son cad a una iguales a %. La
valor a cac1a punlo de muC'stra \'a]orado nUI11Cricallwllle. Ell la aplicacion ecuacion (2-15) afirma que hay una probabilidad de 1/4 de que 1a demanda
 (a) o 10cida variable aleatoria normal puede ilustrar el caso de las dis-
Funci6n de densidad (b)
L~ c ; continuas de probabilidad. AHnnase que una variable aleatoria
de la probabilidad Probabilidades acumulativas
F (xl tribUc;odn:stribuida normalmente si tiene Ia siguiente funcion de densidad de
f(xl X esta 1
, e--
% la probabilidad:
f(x) = 1_ e- [(x - iJ.)2J12cr2 (2-18)
:;V2'Jt'

'V'lJl1Cnte si tiene la siguiente fundon acull111lativa de probabilidad:

() a 1tern'atl ,
2
P(x) = 1_]X e-l(" - iJ.)2/2cr ] ds (2-19)
crV2 .. -t.O

c 0 explicaremos mas adelante, las constantes ~l y a son, respectivamente,

lao~~edia (medid~ de la tenden~ia yroI?,edio) y Ia desviacio? st.an~ard (me-
+---,--+--+-+---'I--x rd de dispersion) de esta dlstnbuclOn normal. En Ia flgma 2-3 hemos
o 5 10 ,15 20 25 30
~~ raesentado graficamente Ios val ores de estas funciones, indicados pOl' qJ(x)
)(P
v <I>(x), para el caso especial de f.l = 0 y a = 1. Ob serves~
' .I'a Slme t'na d e
~(x) alrededor de cero, que significa .que hay una p~'obablhdad ~e l/2 ?e
corresponda a un lugar pOl' enClma 0 pOl' debalo de cero. SI nos ll1-
que X . , I . I
real sea igllul 0 menor que 10 unidudes, una probabilidad de lf2 de que 1 teresa la probabilidad de que X corresponda a cwrto ll1terva 0, POl', elemp ?,
demandu real sea igual 0 menor que 15 uuidades, y asf pOl' cl l'slilo. La fi entre 0 y 1, esta probabilidad puede determinarse. ,hallando el area, balo
gura 2-2 contiene representaciones grMicas de dos fundonE's de probabilic1a cp(x) entre 0 y 1 [vease la Figura 2-3(a)]. Tambwn puede determll1~rse
descritas en (2-14) y (2-15). restando P(X ~ 0) de P(X ~ 1), 0 tambien restando <1>(0) de <1>(1) [vease
Las funciones de probabilidad de 'Una variable aleator;a cUlltinlla. E la figura 2-3 (b )]. .
amilisis anterior supone que Ia variable aleatoria es discreta, ptH:S puede tent' Afirmase que una variable aleatoria normal, con una medIa de cera
solo un numero finito de valores posibles. Sin embargo, si la variable aka- v una desviacion standard, es la. normal standard. Las fundones de Ia den-
toria puede adoptar un continuo de valores, las dcfiniciones :ll1teriorc,~ dc ]a sidad de Ia probabilidad y acumulativas de la probabilidad de una variable
funciones de probabilidad deben modificarse en conC'ordaneia. En pril11e aleatoria normal standard se designan en general, respectivamente, pOl' los
lugar, para una variable aleatoria continua, X, Ia probabilidad de que X Sl' sfmbolos cp(x) y <I>(x). La importancia de la variable aleatoria normal stan-
exactamenteigual a cierto valor x es cero. EI hecho de que P (X = x) - dard reside en el hecho de que cualquier variable aleatoria distribuida nor-
nos obliga a red('finir la Fundon de densiclad de la prohahiliclad f( x) COllJ( malmente pucde convertirse en una variable aleatoria normal standard me-
una fllndon tal C]ue
(al

f
Xl
P(.ro ~ X ~ Xl) = f(.r) d.r Funci6n de densidad (b)
.to de la probabilidad Probabi Iidades acumu lativas

,fxJ <"'xl
Es dccir, f(x) es una funcion tal qne d area hajo la misma entre XI) y Xl CS
exaetamente la probabilidad de que X asuma un valor entre Xo Y Xl' En el 0,4
mismo sentido, al definir la funcion acumulativa de probabilidad de X, dc-
bemos remplazar Ia opera cion de suma porIa operadon de integraciol1
Cnando se rC'aliza C'ste cambio en (2-1:3), F(x) esta dada porIa cxprcsiol1

F(.r) = P(X < x) = f~ 00 f(g) rig

clonde s es una variable acccsoria de integracion. Es decir, para determinar

la probabilidad acumulativa de que X sea igual 0 menor que x, ealcnlam0S -4 -3 -2 o 1 2 3 4 -4 ,3 ,2 -1 0
el area bajo la fundon dC' c1ensidacl f( x) de - ~ a x. FIG, 2-3, La distribucion normal standard,
 diante una simple transformacion. ~\'Ias espccificamente un teorern
estadistica afirma que si X esta distribuida normalmente ~on una m d?
.. , d dd
!-l Yuna deSVIaClOnstan ar
X-I-t.
e cr, -a-hene
e Ia
una distribucion normal sta
de probabilidado Este teorema nos permite estudiar el comportamie t
--
N071lbre
fa probabilidad
Media 0

c.ualquier va~iable aleatoria normal estudiando el. comportamiento de ~~

nable aleatona normal standard. Para ilustrar este metodo, suponaamo
P(X = x) = (; ) pX q"-X
0

t~ne~os una variable aleatoria normal, X, con una media de 10 ; un: ~ BinomIal
VlaClOnstandard de 2, y que deseamos calcular la probabilidad de que X ~ It .t = 0, 1, 2, ... , n
Observese que X ::::;12 si, y unicamente si, X; 10 ~ 12; 10 , y por 10 tan

P(X::::; 12) = P (X ; 10 ::::;I ). Pero como X tiene una distribucion nor

mal con una media de 10 y una desviacion standard de 2, la variable aleat .
. X - 10 . . . ., Go Exponenrlal )(.r) = -1 e (.r'y.)
na 2 hene una dIstnbuclOn normal standard. Por consiguiente, par L :J.
definicion de cI>, P(X::::; 12) =
cI> (I) =
0,8413 [figura 2-3(b)]. tTniforme f(x) =-
1
si a <x <b
a+b
L~ego, sup~ngamos que queremos calcular la probabilidad de que 6 b-a 2
X ::::;12. Procedlendo como antes, observamos que 6 ::::;X ::::;12 si, y unica =0 si x < a 0 x > b
me t . 6 - 10 X - 10 12 - 10
n e SI 2 ~ 2 ~ 2 Y por 10 tanto, P (6 ::::;X ::::;12)= _ f(x) = ~ e-1/2[(x-IJ.)2/cr2j
10) );ormal crv2r.
P ( - 2 ...- x-&.
'"--2- 1 n
L.omo X -10
2 Iene una d'lstn'bUClOn
t' ..
normal
'<:. 0
-00 <x<<X)
standard,

P ( - 2 ~ X-lO)
2 ~ 1 = J". ~
(,> (.1') dx
a distribucion de Poisson, la distribucion uniforme y la distribucion expo-
donde cp(x) cs la funcion normal standard de densidad. Pero, encial. Para obtener una referencia mas facil, hemos incluido en el cua-

1 II""
cf> (x) d.t' =
2
(x) dx - j'~2
(or) d.t' = <1>(1)
ro 2-3 las funciones de densidad de la probabilidad de estas distribuciones
unto a las formulas para calcular la media y la variancia de cada distri-
ucion 10.
El valor esperado y la variancia de una variable aleatoria. Las funciones
e densidad de la probabilidad de las figuras 2-2( a) y 2-3( a) describen
010 dos de las muchas form as que esta funcion puede adoptar. Por ejem-
10, la funcion puede ser asimetrica, hacia la derecha 0 hacia la izquierda;
Po~ ,simeh'ia de l~, curva normal, cI> ( - 2) = 1 - ill (2). Sustituycndo esta reo uede tener forma de campana 0 rectangular; puede empinarse 0 achatar-
laelOn en la ecuaClOn anterior, obtcnemos ~; y puede dispersarse ampliamente 0 agruparse estrechamente .. 0 incluso
P(G ~ X ~ 12) = <1>(I)- [L - <I:>(2)J = 0,81'85 1 dos curvas adoptan formas identicas, pueden separarse espacIalmente en
a escala horizontal. Con el fin de cuantiFicar estas diferencias, hemos cal-
[Para l?~ valores de cI>, vease la Figura 2-3 (b) 0] Por consiguiente, hay una 'ulado para cad,a variable aleatoria ciertas estadisticas descriptivas c~tre
probablhdad de 0,8185 de que X quede entre 6 y 12. s cuales las mas importantes son su valor esperado, que es una medida
En .la ilustracion anterior hemos obtenido graficamente los valores de e la tendencia central, y su varia?cia, que es. una ~e~ida de dispersion.
cI>(x); sm embargo, estos valores tambien puedcn darse en forma tabular EI valor esperado de una vanable aleatona X, mdlCado como E(X),
segun aparecen en la tabla A del Apendice. Debc observarse tam bien que e define mediante la formula
~demas de la. distribucion normal existen otms distribuciones de probabi E(X) = L X;f(J.'i)
hdad, tanto chserctas como continnas. par cjemplo, Ja distribucion binomial, todas
las x,