TEMA:

Funciones de distribución de probabilidad

Contenido
INTRODUCCIÓN.................................................................................................................................2
VARIABLE ALEATORIA Y SU CLASIFICACIÓN......................................................................................4
Función de probabilidad..........................................................................................................5
Función de distribución...........................................................................................................5
Media y varianza de una variable aleatoria.........................................................................7
La distribución binomial..........................................................................................................7
DISTRIBUCIONES DE PROBABILIDAD DISCRETAS:.............................................................................8
DISTRIBUCIÓN HIPERGEOMÉTRICA:................................................................................................10
DISTRIBUCIÓN DE POISSON.............................................................................................................12
Distribuciones de probabilidad continuas......................................................................................14
Ejemplo de la distribución de pesos..............................................................................15
DISTRIBUCIÓN T...............................................................................................................................16
DISTRIBUCION CHI-CUADRADO.............................................................................................17
CARACTERISTICAS PRINCIPALES.................................................................................17
EJEMPLO...............................................................................................................................18
HIPOTESIS............................................................................................................................18
DISTRIBUCION F.........................................................................................................................20
ESPERANZA MATEMÁTICA..............................................................................................................21
 INTRODUCCIÓN
En este tema se tratará de formalizar numéricamente los resultados de
un fenómeno aleatorio. Por tanto, en teoría de nuestra materia la
probabilidad y estadística, la función distribución de probabilidad
de una variable aleatoria es una función que asigna a cada suceso
definido sobre la variable la probabilidad de que dicho suceso ocurra.

La distribución de probabilidad está definida sobre el conjunto de

todos los sucesos y cada uno de los sucesos es el rango de valores de
la variable aleatoria. También puede decirse que tiene una relación
estrecha con las distribuciones de frecuencia. De hecho, una
distribución de probabilidades puede comprenderse como una
frecuencia teórica, ya que describe cómo se espera que varíen los
resultados.

La distribución normal suele conocerse como la «campana de Gauss».

La distribución de probabilidad está completamente especificada por
la función de distribución, cuyo valor en cada x real es la probabilidad
de que la variable aleatoria sea menor o igual que x.

El estudio que se hará en este tema será análogo al que se hace con
las variables estadísticas en descriptiva. Así retomaremos el concepto
funciones de distribución y las características numéricas, como la
clasificación variables, la división de distribución y de definición de

función de distribución. El papel que allí jugaba la frecuencia relativa lo

juega ahora la probabilidad. Esto va a proporcionar aspectos y las
propiedades que son referentes a fenómenos aleatorios que nos
permitirán modelos muy estudiados en la actualidad.
La división de distribuciones se realiza dependiendo del tipo de
variable a estudiar. Las cuatro principales (de las que nacen todas las
demás) son:

a) Si la variable es una variable discreta (valores enteros),

corresponderá una distribución discreta, de las cuales existen:
 Distribución binomial (eventos independientes).
 Distribución de Poisson (eventos independientes).
 Distribución hipergeométrica (eventos dependientes).

b) Si la variable es continua, esto significa que puede tomar cualquier

valor dentro de un intervalo, la distribución que se generará será una
distribución continua, también llamada distribución
normal o gaussiana.
Además, se puede utilizar la «distribución de Poisson como una
aproximación de la distribución binomial» cuando la muestra por
estudiar es grande y la probabilidad de éxito es pequeña. De la
combinación de los dos tipos de distribuciones anteriores (a y b), surge
una conocida como «distribución normal como una aproximación de la
distribución binomial y de Poisson».

Ahora habiendo dicho esto terminamos la pequeña información de

introducción de nuestra investigación podemos dar paso y seguido a
nuestros temas siguientes.
VARIABLE ALEATORIA Y SU
CLASIFICACIÓN

Una variable aleatoria es una función que asigna un número real, y

sólo uno, a cada uno de los resultados de un experimento aleatorio.
Las variables aleatorias se representan por letras mayúsculas de
nuestro alfabeto latino y utilizaremos las minúsculas con subíndices,
para los valores concretos de las variables.
Las variables aleatorias pueden ser discretas o continuas. Discreta
cuando la variable sólo puede tomar un conjunto infinito y numerable
de valores (los números naturales) o finito de valores (número de
sucesos). Y continua cuando puede tomar infinitos valores o un
conjunto de valores no numerable.

Función de probabilidad
Se llama función de probabilidad de una variable aleatoria discreta, X,
y se representa por f(x), a aquella función que asocia a cada valor de
la variable la probabilidad de que ésta adopte ese valor. Es decir:
f(x) = P (X = x)
La función de probabilidad de una variable aleatoria discreta puede
representarse mediante un diagrama de barras.
Las dos propiedades que debe cumplir la función de probabilidad
son:

 Para cualquier valor de x, siempre toma valores positivos o

nulos, es decir:

∀ x ∈ X f(x) ≥ 0

 La suma de todas las probabilidades correspondientes a cada

valor de x es igual a uno:

∑ f(x) = f(x1) + f(x2) + ... + f(xn) = 1 

Función de distribución
Se llama función de distribución de una variable aleatoria discreta X, y
se representa por F(x), a aquella función que asocia a cada valor de la
variable la probabilidad de que ésta adopte ese valor o cualquier otro
inferior:
F(x) = P (X ≤ x)
De la misma forma:
F(x) = P (X ≤ x) = f(x1)+f(x2)+...+f(xn)
Las propiedades fundamentales que debe cumplir la función de
distribución de probabilidad son:

 Todos los valores que toma la función de distribución de

probabilidad son positivos o nulos:

∀x F(x) ≥ 0

 F(x) es nula, vale 0, para todo valor inferior al menor valor de la

variable aleatoria, x1:

F(x) = 0 si x < x1

 F(x) es igual a uno para todo valor igual o superior al mayor valor
de la variable aleatoria. Si llamamos “xk” al mayor valor de la
variable:

F(x) = 1 si x ≥ xk

 La función F(x) es no decreciente ya que es una acumulación o

suma de probabilidades que son siempre positivas o nulas.
 La probabilidad, P, de que la variable aleatoria X tome valores x
comprendidos entre x1 y x2 (x1 < x < x2) es la diferencia entre los
valores de la función de distribución correspondientes a su valor
superior menos su valor inferior.
P (x1 < x ≤ x2) = F(x2) – F(x1)
Media y varianza de una variable aleatoria 
La media, μ, de una variable aleatoria discreta X viene definida por la
siguiente expresión:
μ = ∑x · f(x)
La media de una variable X, también se le conoce por esperanza
matemática o valor esperado de X y se representa por E(X).
La varianza σ2 de una variable aleatoria discreta X viene definida por:
σ2 = ∑(x – μ)2 · f(x)
Otra alternativa; a veces muy útil, es:
σ2 = E(X2) - [E(X)]2
donde: E(X2) = ∑ x2 · f(x) y [E(X)]2 es la media elevada al cuadrado.
Por tanto, la varianza puede definirse también como la esperanza de
los cuadrados de X, E(X 2), menos el cuadrado de la esperanza de X,
[E(X)]2.
De la misma forma la desviación típica de una variable aleatoria será
la raíz cuadrada de la varianza. 

La distribución binomial
Una variable aleatoria X sigue una distribución binomial (con
parámetros n y p) si expresa el número de realizaciones
independientes “n” con la probabilidad “p” y por tanto (1 – p) de
obtener fracaso. Se representa por B(n, p); donde B indica binomial, n
el número de ensayos y p la probabilidad de éxito.
Ejemplo:
Si tiramos tres veces la moneda al aire y definimos X como el número
de caras, esta variable seguirá los parámetros n = 3 y p = 0,5. Lo
mismo que B(3; 0,5).
 Las características fundamentales de una distribución B(n,p) son:

 Función de probabilidad:

f(x) = P(X = x) = (nx)pxqn-x

 Función de distribución:

F(x) = P(X ≤ x) =∑(nx) px qn-x

Media: μ = np
Varianza : σ2 = npq;
donde x es el numero de aciertos, n el número de ensayos, p la
probabilidad de éxito de cada ensayo, q la probabilidad de fracaso (1-
p) y el número combinatorio (nx), que se lee “n sobre x” es igual a n! /
(x! (n - x)!)

DISTRIBUCIONES DE PROBABILIDAD
DISCRETAS:

Las distribuciones de probabilidad discretas describen valores distintos,

normalmente números enteros, sin valores intermedios, y se muestran
como una serie de columnas verticales. Una distribución discreta, por
ejemplo, puede describir como 0, 1, 2, 3 o 4 el número de veces que
aparece "cara" al tirar una moneda a cara o cruz.
En la distribución uniforme discreta se saben cuáles son los valores
mínimo y máximo y que todos los valores no continuos entre el
mínimo y el máximo tienen la misma probabilidad de producirse. Se
puede utilizar para describir una valoración inmobiliaria o una fuga en
una tubería. Es el equivalente discreto de la distribución uniforme
continua (Distribución uniforme):

Parámetros
Mínimo, Máximo
Condicionales
La distribución uniforme discreta se utiliza cuando se dan las siguientes
condiciones:
 El mínimo es fijo.
 El máximo es fijo.
 Todos los valores en el rango tienen la misma probabilidad de
producirse.
 La distribución uniforme discreta es el equivalente discreto de la
distribución uniforme.
Si la variable es una variable discreta (valores enteros), corresponderá
una distribución discreta, de las cuales existen: Distribución
binomial (eventos independientes). Distribución de Poisson (eventos
independientes). Distribución hipergeométrica (eventos dependientes).

Con una distribución discreta, a diferencia de una distribución continua,

usted puede calcular la probabilidad de que X sea exactamente igual a
algún valor. Por ejemplo, puede utilizar la distribución discreta de
Poisson para describir el número de quejas de clientes en un día.
Supongamos que el número promedio de quejas por día es 10 y usted
desea saber la probabilidad de recibir 5, 10 y 15 quejas de clientes en
un día.

Gráfica de distribución del número de quejas de clientes

Las barras sombreadas en este ejemplo representan el número de
ocurrencias cuando las quejas diarias de los clientes son 15 o más. La
altura de las barras suma 0.08346; por lo tanto, la probabilidad de que
el número de llamadas por día sea 15 o más es 8.35%.

DISTRIBUCIÓN HIPERGEOMÉTRICA:

La distribución hipergeométrica es una distribución discreta que

modela el número de eventos en una muestra de tamaño fijo cuando
usted conoce el número total de elementos en la población de la cual
proviene la muestra. Cada elemento de la muestra tiene dos resultados
posibles (es un evento o un no evento). Las muestras no tienen
reemplazo, por lo que cada elemento de la muestra es diferente.
Cuando se elige un elemento de la población, no se puede volver a
elegir. Por lo tanto, la probabilidad de que un elemento sea
seleccionado aumenta con cada ensayo, presuponiendo que aún no
haya sido seleccionado.

Se utiliza la distribución hipergeométrica para muestras obtenidas de

poblaciones relativamente pequeñas, sin reemplazo. Por ejemplo, la
distribución hipergeométrica se utiliza en la prueba exacta de Fisher
para probar la diferencia entre dos proporciones y en muestreos de
aceptación por atributos cuando se toman muestras de un lote aislado
de tamaño finito.

La distribución
hipergeométrica se
define por 3 parámetros: tamaño de
la población, conteo de eventos en
la población y tamaño de la
muestra.

Por ejemplo, si recibe un envío de

pedido especial de 500
etiquetas. Supongamos que el 2% de las etiquetas es defectuoso. El
conteo de eventos en la población es de 10 (0.02 * 500). Usted toma
una muestra de 40 etiquetas y desea determinar la probabilidad de que
haya 3 o más etiquetas defectuosas en esa muestra. La probabilidad de
que haya 3 o más etiquetas defectuosas en la muestra es de 0.0384.
Modeliza, de hecho, situaciones en las que se repite un número
determinado de veces una prueba dicotómica de manera que con cada
sucesivo resultado se ve alterada la probabilidad de obtener en la
siguiente prueba uno u otro resultado. Es una distribución. fundamental
en el estudio de muestras pequeñas de poblaciones pequeñas y en el
cálculo de probabilidades de, juegos de azar y tiene grandes aplicaciones
en el control de calidad en otros procesos experimentales en los que no
es posible retornar a la situación de partida.

La distribución hipergeométrica puede derivarse de un proceso

experimental puro o de Bernouilli con las siguientes características:

· El proceso consta de n pruebas , separadas o separables de entre un

conjunto de N pruebas posibles.

· Cada una de las pruebas puede dar únicamente dos resultados

mutuamente excluyentes: A y no A.

· En la primera prueba las probabilidades son :P(A)= p y P(A)= q ;con

p+q=l.

DISTRIBUCIÓN DE POISSON 

Esta distribución es una de las más importantes distribuciones de variable

discreta. Sus principales aplicaciones hacen referencia a la modelización de
situaciones en las que nos interesa determinar el número de hechos de cierto tipo
que se pueden producir en un intervalo de tiempo o de espacio, bajo presupuestos
de aleatoriedad y ciertas circunstancias restrictivas. Otro de sus usos frecuentes
es la consideración límite de procesos dicotómicos reiterados un gran número de
veces si la probabilidad de obtener un éxito es muy pequeña.
Proceso experimental del que se puede hacer derivar
Esta distribución se puede hacer derivar de un proceso experimental de
observación en el que tengamos las siguientes características

 Se observa la realización de hechos de cierto tipo durante un cierto periodo de

tiempo o a lo largo de un espacio de observación

· Los hechos a observar tienen naturaleza aleatoria ; pueden producirse o no de

una manera no determinística.

· La probabilidad de que se produzcan un número x de éxitos en un intervalo de

amplitud t no depende del origen del intervalo (Aunque, sí de su amplitud)

El parámetro de la distribución es, en principio, el factor de proporcionalidad para

la probabilidad de un hecho en un intervalo infinitésimo. Se le suele designar como
parámetro de intensidad , aunque más tarde veremos que se corresponde con el
número medio de hechos que cabe esperar que se produzcan en un intervalo
unitario (media de la distribución); y que también coincide con la varianza de la
distribución.
    Por otro lado es evidente que se trata de un modelo discreto y que el campo de
variación de la variable será el conjunto de los número naturales, incluido el

cero:    

Función de cuantía
        A partir de las hipótesis del proceso, se obtiene una ecuación diferencial de
definición del mismo que puede integrarse con facilidad para obtener la función de
cuantía de la variable "número de hechos que ocurren en un intervalo unitario de
tiempo o espacio "
    Que sería :       

 Cuya representación gráfica para un modelo de media 11 sería la adjunta .

Obsérvense los valores próximos en la media y su forma parecida a la campana
de Gauss , en definitiva , a la distribución normal
 La función de distribución vendrá dada por : 

Función Generatriz de Momentos

Su expresión será :     

       

                                          

                             dado que 

 tendremos que   
              luego :      

Distribuciones de probabilidad continuas

Las distribuciones de probabilidad son distribuciones de probabilidad continua
dependiendo de si definen probabilidades para variables continuas o discretas.

Una distribución continua describe las probabilidades de los posibles valores de

una variable aleatoria continua. Una variable aleatoria continua es una variable
aleatoria con un conjunto de valores posibles (conocido como el rango) que es
infinito y no se puede contar.

Las probabilidades de las variables aleatorias continuas (X) se definen como el

área por debajo de la curva de su PDF. Por lo tanto, solo los rangos de valores
pueden tener una probabilidad diferente de cero. La probabilidad de que una
variable aleatoria continua equivalga a algún valor siempre es cero.

Ejemplo de la distribución de pesos

La distribución normal continua puede describir la distribución del peso de
hombres adultos. Por ejemplo, usted puede calcular la probabilidad de que un
hombre pese entre 160 y 170 libras.
Distribución Continua

Una distribución de probabilidad continua, la distribución normal.

En teoría de la probabilidad una distribución de probabilidad se llama continua si
su función de distribución es continua. Puesto que la función de distribución de

una variable aleatoria X viene dada por {\displaystyle F_{X}(x)=P(X\leq x)} , la

definición implica que en una distribución de probabilidad continua X se cumple
P[X = a] = 0 para todo número real a, esto es, la probabilidad de que X tome el
valor a es cero para cualquier valor de a. Si la distribución de X es continua, se
llama a X variable aleatoria continua.
En las distribuciones de probabilidad continuas, la distribución de probabilidad es
la integral de la función de densidad.

DISTRIBUCIÓN T
En probabilidad y estadística, la distribución t (de Student) es una distribución de
probabilidad que surge del problema de estimar la media de una población
normalmente distribuida cuando el tamaño de la muestra es pequeño. Aparece de
manera natural al realizar la prueba t de Student para la determinación de las
diferencias entre dos medias muéstrales y para la construcción del intervalo de
confianza para la diferencia entre las medias de dos poblaciones cuando se
desconoce la desviación típica de una población y ésta debe ser estimada a partir
de los datos de una muestra.
Caracterización
La distribución t de Student es la distribución de probabilidad del cociente donde Z
es una variable aleatoria distribuida según una normal típica (de media nula y
varianza 1). V es una variable aleatoria que sigue una distribución χ² con grados
de libertad. Z y V son independientes Si μ es una constante no nula, el cociente es
una variable aleatoria que sigue la distribución t de Student no central con
parámetro de no-centralidad. Aparición y especificaciones de la distribución t de
Student Supongamos que X1..., Xn son variables aleatorias independientes
distribuidas normalmente, con media μ y varianza σ2. Sea la media muestral.
Entonces sigue una distribución normal de media 0 y varianza 1. Sin embargo,
dado que la desviación estándar no siempre es conocida de antemano, Gosset
estudió un cociente relacionado, es la cuasi varianza muestral y demostró que la
función de densidad de T es donde es igual a n − 1. La distribución de T se llama
ahora la distribución-t de Student. El parámetro representa el número de grados
de libertad. La distribución depende de, pero no de o, lo cual es muy importante en
la práctica. Intervalos de confianza derivados de la distribución t de Student El

procedimiento para el cálculo del intervalo de confianza basado en la t de Student

consiste en estimar la desviación típica de los datos S y calcular el error estándar
de la media: siendo entonces el intervalo de confianza para la media:

Es este resultado el que se utiliza en el test de Student: puesto que la diferencia

de las medias de muestras de dos distribuciones normales se distribuye también
normalmente, la distribución t puede usarse para examinar si esa diferencia puede
razonablemente suponerse igual a cero. Para efectos prácticos el valor esperado y
la varianza son: y para Distribución t de Student no estandarizada La distribución t
puede generalizarse a 3 parámetros, introduciendo un parámetro ocasional y otro
de escala. El resultado es una distribución t de Student no estandarizada cuya
densidad está definida por:2 Equivalentemente, puede escribirse en términos de
(correspondiente a la varianza en vez de a la desviación estándar): Otras
propiedades de esta versión de la distribución t son:2

DISTRIBUCION CHI-CUADRADO
ORIGEN

El matemático inglés Karl Pearson (1857 / 1936), con formación en literatura

medieval alemana, derecho romano, física, biología y teoría política del
socialismo, hasta 1890 sobresalió por aplicar ampliamente la Estadística y la
Teoría de la Probabilidad a la solución de diferentes problemas de la ingeniería
industrial.
Se deriva de la distribucion normal y la distribucion gamma.

CARACTERISTICAS PRINCIPALES

La distribución tiene un solo parámetro, k, denominado grados de libertad de la

variable aleatoria.
La variable aleatoria continua X tiene una distribución chi cuadrada, con k
grados de libertad, si su función de densidad es dada por:

donde k es un entero positivo.

FORMULA X2

La media y la varianza de la distribución chi cuadrado son respectivamente k y

2k.

EJEMPLO

Un investigador está interesado en evaluar la asociación entre el uso de cinturón

de seguridad en vehículos particulares y el nivel socioeconómico del conductor
del vehículo. Con este objeto se toma una muestra de conductores a quienes se
clasifica en una tabla de asociación, encontrando los siguientes resultados:
DATOS

Uso cinturon
Nivel socioeconomico Si No Total
Bajo 8 13 21
Medio 15 16 31
Alto 28 14 42
Total 51 43 94
¿Permiten estos datos afirmar que el uso del cinturón de seguridad depende del
nivel socioeconómico? Usaremos un nivel de significación alfa=0,05.

HIPOTESIS

H0: El uso del cinturón de seguridad es independiente del nivel socioeconómico

H1: El uso del cinturón de seguridad depende del nivel socioeconómico
TABLA DE VALORES OBSERVADOS

Uso cinturon
Nivel socioeconomico Si No
Bajo 8 13
Medio 15 16
Alto 28 14
TABLA DE FRECUENCIAS ESPERADAS

Estas son las frecuencias que debieran darse si las variables fueran
independientes, es decir, si fuera cierta la hipótesis nula.

Nivel bajo:         8: (21x51/94)=11.4                   13: (21x43/94)=9.6

Nivel medio:      15: (31x51/94)=16.8                 16: (31x43/94)=14.2
Nivel alto:          28: (42x51/94)=22.8                 14: (42x43/94)=19.2

Uso cinturon
Nivel socioeconomico Si No
Bajo 11.4 9.6
Medio 16.8 14.2
Alto 22.8 19.2
X2 CALCULADO

X2calc = ((8-11.4)2/11.4) + ((13-9.6)2/9.6) + ((15-16.8)2/16.8) + ((16-14.2)2/14.2) +

((28-22.8)2/22.8) + ((14-19.2)2/19.2)
X2calc = 1.014 + 1.204 + 0.193 + 0.228 + 1.186 + 1.408
X2calc = 5.23

GRADOS DE LIBERTAD

Teniendo en cuenta los valores observados, los grados de libertad se calculan de

la siguiente manera:
k = (Cantidad de filas - 1)*(Cantidad de columnas - 1)
k = (3 - 1)*(2 - 1)
k = 2

DISTRIBUCION F

¿Qué es una distribución F?

La distribución F es una distribución continua de muestreo de la relación de dos
variables aleatorias independientes con distribuciones de chi-cuadrada, cada una
dividida entre sus grados de libertad. La distribución F es asimétrica hacia la
derecha y es descrita por los grados de libertad de su numerador (ν1) y
denominador (ν2). Las siguientes gráficas muestran el efecto de los diferentes
valores de grados de libertad en la forma de la distribución.

ν1 = 1 y ν2 = 1 ν 1 = 1 y ν2 = 9

ν1 = 9 y ν2 = 1
ν1 = 9 y ν2 = 9

Utilice la distribución F cuando un estadístico de prueba sea la relación de dos

variables que tienen una distribución de chi-cuadrada cada una. Por ejemplo,
utilice la distribución F en el análisis de varianza y en pruebas de hipótesis para
determinar si dos varianzas de población son iguales.
Calcular las probabilidades de una distribución F con infinitos grados de libertad
del denominador

Supongamos que X sigue una distribución F con 5 grados de libertad del

numerador e infinitos grados de libertad del denominador y usted desea conocer la
probabilidad de que X sea menor que o igual a 2. Puede encontrar la probabilidad
de que Y sea menor que o igual a 2, donde Y sigue una distribución F con 5
grados de libertad del numerador y 99999 grados de libertad del denominador y Y
se aproxima a X.

Elija Calc > Distribuciones de probabilidad > F.

En Grados de libertad del numerador, ingrese 5.
En Grados de libertad del denominador, ingrese 99999.
Elija Constante de entrada e ingrese 2. Haga clic en Aceptar.
El valor de CDF para 2 es 0.924755. Este valor representa el área por debajo de la
curva hasta 2.

ESPERANZA MATEMÁTICA

En estadística la esperanza matemática (también llamada esperanza, valor

esperado, media poblacional o media) de una variable aleatoria {\displaystyle X}
X , es el número {\displaystyle \mathbb {E} [X]}{\displaystyle \mathbb {E} [X]} o
{\displaystyle {\text{E}}[X]}{\displaystyle {\text{E}}[X]}que formaliza la idea de valor
medio de un fenómeno aleatorio. Es un concepto análogo a la media aritmética de
un conjunto de datos.

Cuando la variable aleatoria es discreta, la esperanza es igual a la suma de la

probabilidad de cada posible suceso aleatorio multiplicado por el valor de dicho
suceso. Por lo tanto, representa la cantidad promedio que se "espera" como
resultado de un experimento aleatorio cuando la probabilidad de cada suceso se
mantiene constante y el experimento se repite un elevado número de veces. Cabe
decir que el valor que toma la esperanza matemática en algunos casos puede no
ser "esperado" en el sentido más general de la palabra (el valor de la esperanza
puede ser improbable o incluso imposible).

Ejemplo de esperanza matemática

Vamos a ver un ejemplo sencillo para entenderlo.
Imaginemos una moneda. Dos caras, cara y cruz. ¿Cual sería la esperanza
matemática (valor esperado) de que salga cara?

La esperanza matemática se calcularía como la probabilidad de que, tirando la

moneda un número muy grande de veces, salga cara.
Dado que la moneda solo puede caer en una de esas dos posiciones y ambas
tienen la misma probabilidad de salir, diremos que la esperanza matemática de
que salga cara es una de cada dos, o lo que es lo mismo, el 50% de las veces.
Vamos a hacer una prueba y vamos a tirar una moneda 10 veces. Supongamos
que la moneda es perfecta.
Tiradas y resultado:

 Cara.
 Cruz.
 Cruz.
 Cara.
 Cruz.
 Cara.
 Cara.
 Cara.
 Cruz.
 Cruz.
¿Cuantas veces ha salido cara (contamos las C)? 5 veces ¿Cuantas veces ha
salido cruz (contamos las X)? 5 veces. La probabilidad de que salga cara será de
5/10=0,5 o, en porcentaje, del 50%.
Una vez ha ocurrido ese suceso podemos calcular la media matemática del
número de veces que ha ocurrido cada suceso. El lado cara ha salido una de cada
dos veces, es decir, un 50% de las veces. La media coincide con la esperanza
matemática.

Cálculo de la esperanza matemática

La esperanza matemática se calcula utilizando la probabilidad de cada suceso. La
fórmula que formaliza este cálculo se enuncia como sigue:

Dónde:
X = valor del suceso.
P = Probabilidad de que ocurra.
i = Periodo en el que se da dicho suceso.
N = Número total de periodos u observaciones.
No siempre la probabilidad de que ocurra un suceso es la misma, como con las
monedas. Existen infinidad de casos en que un suceso tiene más probabilidad de
salir que otro. Por eso utilizamos en la fórmula la P. Además, al calcular números
matemáticos debemos multiplicar por el valor del suceso.