ESTADÍSTICA INFERENCIAL

DOCENTE
Media, varianza y desviación estándar de una distribución de
probabilidad discreta

En capítulos anteriores se estudió medidas de ubicación y

variación de una distribución de frecuencias. La media indica la
posición central de los datos, y la varianza describe la dispersión
de los datos. De forma similar, una distribución de probabilidad
queda resumida por su media y su varianza. La media de una
distribución de frecuencias se identifica mediante la letra
minúscula griega mu (μ), y la desviación estándar, con sigma (σ).
Media

La media constituye un valor típico para representar la posición central de una

distribución de probabilidad. También es el valor promedio a la larga de la variable
aleatoria. La media de una distribución de probabilidad también recibe el nombre
de valor esperado. Se trata de un promedio ponderado en el que los posibles
valores de una variable aleatoria se ponderan con sus correspondientes
probabilidades de ocurrir. La media de una distribución de probabilidad discreta se
calcula con la fórmula:

Aquí P(x) es la probabilidad de un valor particular x. En otras palabras, se

multiplica cada valor x por la probabilidad de que ocurra y en seguida se suman los
productos.
Varianza y desviación estándar
La media constituye un valor típico para resumir una distribución de probabilidad
discreta. Sin embargo, no describe el grado de dispersión (variación) en una
distribución. La varianza sí lo hace. La fórmula de la varianza de una distribución
de probabilidad es:

Los pasos para el cálculo son los siguientes:

• La media se resta de cada valor y la diferencia se eleva al cuadrado.

• Cada diferencia al cuadrado se multiplica por su probabilidad.
• Se suman los productos que resultan para obtener la varianza.

La desviación estándar, σ, se determina al extraer la raíz cuadrada positiva de σ2;

es decir, 𝝈 = 𝝈𝟐 . Un ejemplo ayudará a explicar los detalles del cálculo e
interpretación de la media y la desviación estándar de una distribución de
probabilidad.
Ejemplo: John Sossa vende automóviles nuevos en Nissan. Por lo general, John
vende la mayor cantidad de automóviles el sábado. Lo anterior da como resultado
la siguiente distribución de probabilidades de la cantidad de automóviles que
espera vender un sábado determinado.

Número de Probabilidad,
automóviles P(x)
vendidos, x

0 .10
1 .20
2 .30
3 .30
4 .10

1. ¿Cuántos automóviles espera vender John un sábado normal?

2. ¿Cuál es la varianza de la distribución?
La media de la cantidad de automóviles vendidos se calcula al multiplicar el
número de automóviles que vendió por la probabilidad de vender dicho
número, y sumar los productos de acuerdo con la fórmula:

𝜇 = ෍[𝑥 𝑃 𝜒 ] = 0(.10) + 1(.20) + 2(.30) + 3(.30) + 4(.10)= 2.1

Número de Probabilid
automóvile ad, P(x)
s vendidos,
x
0 .10 0.00
1 .20 0.20
2 .30 0.60
3 .30 0.90
4 .10 0.40
1 𝝁=2,10
 Varianza
2
Número de Probabilidad, (x - μ) (x - μ) (x - μ)2 p(x)
automóviles P(x)
vendidos, x

0 .10 0 - 2.1 4.41 0.441

1 .20 1 - 2.1 1.21 0.242
2 .30 2 - 2.1 0.01 0.003
3 .30 3 - 2.1 0.81 0.243
4 .10 4 - 2.1 3.61 0.361
σ2 =1.290

Desviación estándar

Recuerde que la desviación estándar, σ, es la

raíz cuadrada positiva de la varianza. En este
ejemplo es 𝝈𝟐 = 𝟏, 𝟐𝟗𝟎 = 𝟏, 𝟏𝟑𝟔
automóviles.
Dentro de los modelos de probabilidad,
correspondiente a variables aleatorias discretas,
con mayor aplicación se tienen: Bernoulli,
Binomial, Poisson, Exponencial, Multinomial e
Hipergeométrico y en cuanto a la variable
aleatoria continua se considera el modelo
normal estandarizado
Algunos la denominan como método exacto y como ya se mencionó,
corresponde a una distribución de variable aleatoria discreta.

Se puede considerar “que si durante repetidos ensayos, siendo p la

probabilidad de éxito en un solo ensayo, la cual debe permanecer fija, y
q la probabilidad de fracaso, entonces la probabilidad P de que se
obtenga X éxitos en n ensayos, es el término del desarrollo binomial de
(q+p)n “. La fórmula general para cada término es:

n = Número de ensayos
X = Número de éxitos
p = probabilidad de éxito en cada ensayo
q = probabilidad de fracaso en cada ensayo
P(x) denota la probabilidad de lograr
exactamente x éxitos en los n ensayos.
Los criterios que debe satisfacer una experiencia binomial son:
1. Debe existir un número fijo de pruebas repetidas (n)
2. Cada una de las n pruebas debe tener dos resultados,
favorable o desfavorable. En el caso de la moneda, será: cara sello, por
lo tanto son sucesos mutuamente excluyentes.
3. La probabilidad de éxito de un acontecimiento es fijo, algo
similar sucede con la probabilidad de fracaso.
4. Las pruebas son independientes, ya que el resultado de u ensayo
no afecta el resultado de otro.
5. Nos interesa el número de éxitos en n pruebas.
Ahora procedemos a elaborar el espacio muestral para el experimento consistente
en lanzar cuatro monedas (n = 4), con el consiguiente resultado.

Espacio muestral en el lanzamiento de 4 monedas

Consideremos como éxito la aparición de cara (C) y como fracaso
la obtención de sello (S). Supondremos que las probabilidades de
C y S son p y q respectivamente, siendo p + q = 1. Así tenemos
que P(c) = p y P(s) = q.

Por otra parte, se debe considerar que C y S se presentan

independientemente; por tal razón, cualquiera de las puntos
muestrales, la probabilidad de que ocurran todos estos sucesos
en un solo ensayo, se obtiene multiplicando las probabilidades
para cada suceso. Supongamos que en el lanzamiento de 4
monedas, se quiera obtener éxito (cara) en la primera y tercera
moneda y fracaso (sello) en la segunda y cuarta; se tendrá que:
Espacio muestral con asignación de probabilidades para cada suceso
Veamos las probabilidades asignadas a los 16 puntos muestrales del experimento
anterior al lanzar cuatro monedas.

Si X representa al número de éxitos (caras) que se desea ocurran, se podrá elaborar

la siguiente tabla de probabilidades. Siendo: p = ½ y q = ½
Distribución de probabilidad binomial y
su representación gráfica

Elaboremos la distribución de
probabilidad, con el experimento consiste
en el lanzamiento de cuatro (4)
monedas, para la cual la variable
aleatoria discreta esté dada por la
obtención de exactitud: cero, uno, dos,
tres y cuatro caras (X = 0, 1, 2, 3 y 4)
Ejemplo

Un profesor que imparte un curso de psicología del comportamiento y planea

aplicar un examen sorpresa que consta de cuatro preguntas de opción múltiple,
cada una con cinco respuestas posibles (a, b, c, d, e), pero sólo una de ellas
correcta. Supongamos que un estudiante sin preparación adecuada hace
adivinanzas al azar y que queremos calcular la probabilidad de que tenga
exactamente tres respuestas correctas en las cuatro preguntas.

Análisis de respuestas de opción múltiple Aplique la fórmula de la probabilidad

binomial para calcular la probabilidad de tener exactamente tres respuestas
correctas, cuando se adivina al azar en las cuatro preguntas de opción múltiple. Esto
es, calcule P(3), siendo que n = 4, x = 3, p = 0.2 y q = 0.8
 1. 0! = 1 (por definición).
2. Cualquier número diferente de cero
elevado a la potencia cero es igual
a 1.

n = Número de ensayos
X = Número de éxitos
p = probabilidad de éxito en cada ensayo
q = probabilidad de fracaso en cada ensayo
P(x) denota la probabilidad de lograr
exactamente x éxitos en los n ensayos.
• Estadística para Administración y Economía. Manson Robert, Lind Douglas &
Marchal Willian. Ed. Alfa Omega
• Fundamentos de Inferencia Estadística. Ruiz-Maya Perez Luis & Martin-Pliego Lopez
Francisco. Thomson Editores.
• Estadística. Triola Mario. Ed. Pearson.
• Estadística aplicada a los Negocios y la Economía. WEBSTER Allen. Mc Graw Hill
• Estadística y muestreo. Ciro Martínez Bencardino. Colombia: Ecoe ediciones.
• Murray R. Spiegel y Larry J. Stephens. (2009). Estadística. 4ta edición. Mc Graw-
Hill. México, D.F.

• https://scholar.google.com/
• https://www.redalyc.org/
• https://www.base-search.net/
• https://dialnet.unirioja.es/
• https://www.dotec-colombia.org/
• http://amelica.org/