Estadstica e Investigacin Operativa

Prof. Dr. Rubn Oscar Palazzo

TEORA DE CONJUNTOS
En principio podramos decir que un conjunto es un agregado de cosas, pero nos veramos
obligados a definir que entendemos por agregado. Para nuestros fines definiremos un conjunto X
como una lista de elementos, todos distintos entre s, en donde el orden en que sos se
especifiquen no tiene importancia1. Normalmente los elementos de un conjunto se escriben entre
llaves, por ejemplo la lista del supermercado de 4 artculos ser:
X = { carne, leche, gaseosa, pan }
o en trminos ms generales podemos representar cada elemento con una letra

X a , b, c, d
En particular tenemos:
- elemento: puede ser cualquier cosa identificable y separable de otros, cada una de las letras
minsculas: a, b, c, d representa un elemento distinto.
- lista: es una serie de elementos, en el caso anterior ser la lista de compras del supermercado.
- distintos entre s: no tiene sentido que la lista sea redundantes, no se indica la leche dos veces,
con una sola vez basta.

X a , b, c, d , b a , b, c, d
- El orden no tiene importancia: no hay diferencia en que en lista de compras la carne se coloque en
el primer lugar o en el ltimo.

X a , b, c, d b, a , c, d .... d , c, b, a
Definimos algunos conceptos adicionales:

Pertenencia
Para decir que un elemento (letra minscula) pertenece al conjunto X utilizamos el smbolo
para decir que no pertenece , en nuestro ejemplo X a , b, c, d

b X

z X

siendo z cualquier otro elemento no enunciado en nuestra lista del supermercado.

Igualdad de conjuntos
Dos conjuntos P y Q son iguales cuando todo elemento de P es elemento de Q y cuando todo
elemento de Q es elemento de P
Si

P b, a, d , q

Q q, d , a , b

entonces P Q

Inclusin
Partiendo del conjunto X a , b, c, d , si tuviramos otro conjunto B a, b , comprobamos
que los elementos de B pertenecen a X, pero no se da la inversa: hay elementos de X que no
pertenecen a B, en tal caso diremos que B est incluido propiamente en X , en smbolos

BX

donde

de leerse est incluido propiamente

recurriendo a los diagramas de Venn

X
1

Ms adelante veremos algunos casos en dnde un orden determinado resulta importante.

Estadstica e Investigacin Operativa

Prof. Dr. Rubn Oscar Palazzo

En el caso particular de dos conjuntos iguales, en el caso anterior en que P Q podramos

PQ y Q P
describirlo como

Unin de conjuntos

A a , d , c, w

Supongamos que tenemos dos conjuntos

definimos un nuevo conjunto unin
conjuntos

B a, b, c, x, z

A B compuesto por los elementos (sin repetir) de ambos

A B a , b, c, d , w, x , z
grficamente

Ahora si no hubiera elementos en comn hablaremos de conjuntos disjuntos, a pesar de ello

tambin podemos formar un nuevo conjunto unin, sean A a , d , c, w
y C f , g , h , i

A C a , c, d , f , g , h, i, w
grficamente

Interseccin de conjuntos
Volviendo a los conjuntos

A a , d , c, w

definimos un nuevo conjunto interseccin

ambos conjuntos

B a, b, c, x, z

A B compuesto por los elementos comunes de

A B a , c
2

Estadstica e Investigacin Operativa

Prof. Dr. Rubn Oscar Palazzo

grficamente

Si los conjuntos no tuvieran elementos en comn (conjuntos disjuntos)

siendo el conjunto vaco.(sin elementos)

A B 0

Cantidad de elementos de un conjunto

Por lo general no ofrece problemas contar la cantidad de elementos de un conjunto, si
simbolizamos la cantidad de elementos del conjunto X como # X , si

X a, b, c, d # X 4

en el caso de la cantidad de elementos

de una unin de conjuntos ser:

# A B # A # B # A B
si los conjuntos A y B no tuvieran elementos en comn es decir fueran disjuntos, entonces

# A B # A # B

Estadstica e Investigacin Operativa

Prof. Dr. Rubn Oscar Palazzo

NOCIONES DE ESTADSTICA
A lo largo de estas lneas realizaremos una revisin veloz de los conceptos estadsticos
fundamentales vinculados a la probabilidad, ejemplificaremos con casos de juegos de azar 2 y casos
del mercado asegurador.
1. Certeza, Incertidumbre y riesgo
Cualquier persona que deba tomar una decisin se enfrenta a dos situaciones o estados: de
certeza o de incertidumbre. La nocin de certeza es simple de comprender, existe una relacin
causa efecto indiscutible si camino bajo la lluvia me mojar, si firmo un cheque tendr que cubrirlo,
etc. Ahora cuando no se tiene certeza sobre el futuro nos encontramos ante una situacin de
incertidumbre, el servicio metereolgico informa que por la tarde puede llover, sabiendo que a
menudo los pronsticos del tiempo son equivocados deberamos llevar un paraguas?
A los fines prcticos (y del seguro) nos interesa pasar de una situacin de incertidumbre a la
de riesgo, y esto sucede cuando se definen y conocen dos dimensiones:
-

Los estados de la naturaleza: se conocen todos los resultados o alternativas posibles, en el caso
del pronstico del tiempo tendremos dos estados de la naturaleza: que llueva y que no llueva.

Las probabilidades correspondientes a cada uno de esos estado de la naturaleza

Volviendo al caso de salir con paraguas o sin el, los estados de la naturaleza son conocidos,
que llueva o que no llueva, para definir la situacin de riesgo nos falta el dato de las probabilidades.
Supongamos los distintos escenarios:
-

el pronstico del tiempo dice 100 % de probabilidad de lluvia, sin duda debemos llevar
paraguas (el 100 % o el 0 % indican certeza)
si nos dijera 50 % de probabilidad de lluvia, es lo mismo que nada, estaramos inmersos en la
absoluta incertidumbre: puede llover o no.
Si nos indicara un % entre el 50 y el 100 % tomaremos el riesgo de llevar o no el paraguas 3.

2. Definiciones generales

Estadstica: es una disciplina que recolecta, clasifica y analiza informacin, para luego poder interpretar los resultados. A travs de la cuantificacin y ordenamiento de los datos intenta explicar los
fenmenos observados, por lo que resulta una herramienta de suma utilidad para la toma de decisiones. Se trabaja tanto sobre poblaciones o con muestras.

Poblacin: Es el conjunto de elementos, personas o individuos de los cuales queremos obtener un

dato. Pertenecen a la Poblacin todos aquellos elementos que posean la caracterstica que se
desea descubrir. Estas caractersticas (hasta ahora no explicitadas) genricamente son denominadas parmetros.
El problema es que puede ser tan amplia que por razones tcnicas o de economa no se puedan
analizar todos los elementos de la misma. Por ejemplo para saber a una fecha dada la cantidad
de votos que obtendra un candidato a Presidente de la Nacin, tendramos que consultar a todos
los argentinos en condiciones de votar, lo cual implica una movilizacin de recursos que hace
imposible su realizacin.

Muestra: Es un subconjunto de elementos pertenecientes a una poblacin, escogidos para su

estudio. Las caractersticas descubiertas a partir del anlisis de la muestra se denominan estimadores.

Un juego de azar es aquel cuyo resultado es estrictamente aleatorio, no son juegos de azar las carreras de caballos, los
eventos deportivos y/o cualquier otro que requiera la habilidad de los participantes.
3
En realidad la decisin depender de cada uno de nosotros, para algunos el 55 % ser suficiente para llevarlo y otros
requerirn ms del 80 %

Estadstica e Investigacin Operativa

Prof. Dr. Rubn Oscar Palazzo

Como es imposible encuestar a toda la poblacin (censo) se analiza la intencin de voto de un

grupo ms reducido denominado muestra, para luego extrapolar las conclusiones del grupo al total
de la poblacin.
Las muestras pueden ser de 2 tipos:
- Muestra Aleatoria: se selecciona determinada cantidad de elementos de una poblacin, sobre la
base que cada uno de esos elementos tiene la misma posibilidad de ser elegido.
- Muestra No Aleatoria: es aquella en la que el investigador elige, deliberadamente, los objetos a
ser estudiados.

Variable: es aquello que vamos a analizar en el estudio que estamos desarrollando, nuestro
inters es medirla, controlarla y estudiarla. Representa una caracterstica de la poblacin que
queremos estudiar, pero que podemos observar a travs de una muestra, por ello puede tomar
diferentes valores. La variable es el resultado a obtener. Las variables pueden ser cualitativas y
cuantitativas
- variables cualitativas: son aquellas que poseen un atributo que no puede ser sometido a
cuantificacin: sexo, raza, nivel socioeconmico, etc.
- variables cuantitativas: arrojan resultados numricos: son mltiples los ejemplos: la cantidad de
votos de un candidato, la venta mensual de un artculo (dominio discreto), altura de las
personas (dominio continuo)

3. Ramas de la estadstica
La estadstica es una disciplina que se divide en tres grandes ramas:
a) Estadstica descriptiva: es la disciplina dedicada a descubrir las regularidades o caractersticas
existentes en un conjunto de datos, es decir sobre informacin histrica obtiene, resume y
transforma datos para poder interpretar ciertas caractersticas.
b) Inferencia Estadstica: es el proceso por el cual se intenta extender las conclusiones de la muestra (estimadores) a la poblacin (parmetros poblacionales).
En el caso de la intencin de voto, de una muestra de 10.000 personas se deduce que el 60 %
votara por el candidato X podra afirmarse que este porcentaje se extiende a todos los
votantes?, la inferencia estadstica nos permite definir un intervalo de confianza a partir de cierto
nivel de probabilidad fijado como deseable, el resultado se expresara as el candidato X
obtendra entre el 55 y 65 % de los votos con un nivel de confianza del 95 %.
qu nos indica el nivel de confianza del 95 %? simplemente que existe un 5 % probabilidades
que el candidato obtenga menos del 55 % o ms del 65 %. Naturalmente surge la pregunta esta
conclusin es confiable? y depende de la precisin con que se desee trabajar 4. Por lo pronto no
discutiremos si el 95 % es suficiente o no, pero podemos asegurar que un 95 % de confianza es
mejor que un 90 %
Llevado al campo de los seguros, un ejemplo sera analizar si de la siniestralidad histrica de una
cartera de los ltimos 5 aos se repetir en el prximo ao,
c) Teora de las probabilidades: es la rama dedicada a la deduccin y estimacin de las
probabilidades asociadas a una experiencia aleatoria, nacida como una teora de los juegos (para
ganar en el casino) hoy tiene infinidad de aplicaciones.
A los efectos de este repaso de temas nos bastar con la primera y tercera rama. Por lo
general trabajaremos con muestras y no con poblaciones.

Recordemos que para aumentar la precisin se debe aumentar el tamao de la muestra y con ello los costos

Estadstica e Investigacin Operativa

Prof. Dr. Rubn Oscar Palazzo

4. Ms definiciones
Previo a los desarrollos a seguir es necesario acordar sobre los siguientes conceptos:
Experiencia aleatoria E: la definiremos como la realizacin de un experimento donde no
conocemos a priori el resultado que puede ocurrir. Ejemplos son:
-

arrojar una moneda al aire

rodar un dado sobre una mesa
observar la vida de una persona de 30 aos durante un perodo de 10 aos
observar los daos sufridos a consecuencia del fuego por un edificio durante un ao

la palabra aleatorio deriva del latn alea que significa dado, los antiguos romanos eran
aficionados a los juegos de dados.
Espacio muestral son todos los resultados posibles a priori vinculados a la experiencia aleatoria
anterior, se encuentra definido por los estados de la naturaleza, de modo que. para evitar caer en
un estado de incertidumbre diremos que conocemos todas las alternativas que pueden aparecer.
La notacin tradicional representa el espacio muestral con una llave , el lector habr notado
que se trata de un conjunto. Ejemplos son
-

la moneda al caer lo hace de uno de sus lados M = c , s.

El dado se detiene con una de sus caras hacia arriba D = 1, 2, 3, 4, 5, 6.
Al cabo de 10 aos la persona observada pudo sobrevivir o fallecer P = supervivencia,
muerte por distintas causas.
Los daos producidos por un incendio pueden variar desde 0 en caso de no producirse un
siniestro hasta el importe de reconstruccin del edificio
S = 0 - Valor de
5
Reconstruccin.

Elementos del espacio muestral: es cada uno de los resultados posibles correspondientes a cada
espacio muestral. Si bien ya hecho referencia a ellos en el punto anterior repetimos su
enunciacin
-

Al juego de la moneda le corresponden dos elementos: cara o seca

Al rodar el dado la cara superior visible tiene seis elementos
Es estado vital de una persona al cabo de 10 aos de observacin, ser que viva o que
muera.
En el caso de incendio los elementos muestrales estn representados por las diversas
causas que pueden provocar un incendio indemnizable o no.

En el caso del seguro nos interesan aquellos elementos que darn lugar al pago de una
indemnizacin, los designaremos especficamente con el nombre de eventos o siniestros
Suceso o evento: con este concepto denominaremos a un subconjunto cualquiera de elementos
del espacio muestral.
En general diremos que el suceso es significativo, sealizado como A, cuando su aparicin implica
la realizacin de una accin, y su contrario A que no da lugar a la accin prevista. Ambos
subconjuntos abarcan a todos los elementos del espacio muestral, de modo que siempre
verificaremos que
X A, A

utilizando un diagrama de Venn

en este caso definimos un rango de daos.

Estadstica e Investigacin Operativa

Prof. Dr. Rubn Oscar Palazzo

La organizacin de los subconjuntos significativos y no significativos es arbitraria, su definicin

depender de los objetivos del observador. Cuando est definido por un solo elemento decimos
que se trata de un evento simple y cuando est formado por ms de uno se tratar de eventos
compuesto. Volvamos a nuestros ejemplos
-

Si jugamos a arrojar la moneda al aire y el evento significativo es ganar cuando sale cara,
cada uno de los elementos que nos lleva a ganar o perder se constituye como un suceso
significativo simple6.

M c , s

A 2,4,6

A 1,3,5

A M

En el caso del dado jugamos a ganar si sale un nmero par, como hay varios elementos
muestrales que cumplen con esta condicin definimos

D 1,2,3,4,5,6

A C
A S

A D

Si el juego implicara una erogacin si sale seca tambin podramos definir el evento significativo simple seca, sin embargo
en materia aseguradora lo mas comn es que un solo tipo de eventos sea significativo

Estadstica e Investigacin Operativa

Prof. Dr. Rubn Oscar Palazzo

TEORA DE LA PROBABILIDAD
1. Definiciones de la probabilidad
Se consideran vigentes 3 definiciones:
a) Definicin clsica
Este concepto se atribuye a Laplace quien en Francia a fines del siglo XVIII, desarroll las
hiptesis que devinieron en la actual teora de las probabilidades. Esta probabilidad surge de una
elaboracin intelectual al considerar el cociente entre casos favorables y casos posibles, donde
este ltimo est dado por la cantidad de elementos del espacio muestral.
Por un momento volvamos a la definicin de suceso significativo, sealizado como A
caracterizado como el subconjunto de X en que la aparicin de sus elementos implica la
realizacin de una accin, y su contrario A formado por los restantes elementos que no darn
lugar a la accin prevista. Obviamente los dos subconjuntos no tienen elementos en comn, lo
que los define como dos conjuntos disjuntos, tendremos que

X A, A
X A A

# X # A # A

donde el signo # (numeral) representa la cantidad de elementos del conjunto o subconjunto

indicado..
La probabilidad de ocurrencia de A se define como el cociente entre la cantidad de casos
favorables y casos posibles

P A

# A
# A

# X # A # A

Aclaremos con algunos ejemplos

- Se analiza la probabilidad de obtener cara de la experiencia arrojar una moneda al aire. El
espacio muestral est compuesto por dos elementos cara y seca, es decir estos 2 elementos
son los casos posibles. Si consideramos significativo que salga cara y no significativo que
salga seca, tendremos

X c, s
A c
A s

#X 2
# A 1

# A 1

P A

la probabilidad de obtener cara (evento A) ser

1
50%
2

- La experiencia consiste en apostar una suma de dinero al arrojar un dado, del cual presumimos
se encuentra bien balanceado, donde ganaremos si obtenemos un nmero par y perderemos si
el nmero es impar. Para calcular la probabilidad de ganar definimos:

X 1,2,3,4,5,6
A 2,4,6
A 1,3,5

la probabilidad de obtener un nmero par es

# X 6
# A 3

# A 3

P A

3
50%
6

b) Definicin moderna

Estadstica e Investigacin Operativa

Prof. Dr. Rubn Oscar Palazzo

En el caso de la moneda, si se encontrara perfectamente balanceada resulta razonable suponer

que las probabilidades de obtener cara y seca son iguales. Pero hay dos cuestiones que debemos
aclarar:
-

que la probabilidad de obtener cara sea del 50 % no implica bajo ningn concepto que cada
dos tiradas de la moneda se obtendr una vez cara.
quin puede garantizar a priori que la moneda es perfecta?

Supongamos que realizamos la experiencia aleatoria n veces de la cual conocemos a priori los
resultados posibles, y anotamos en un papel el resultado obtenido. La cantidad de veces que se
haya observado cada uno de los resultados posibles o sucesos constituye la frecuencia absoluta y
si a este nmero lo dividimos por n obtenemos la frecuencia relativa
Si tiramos 10 veces una moneda y la sucesin de resultados es c, c, s, c, s, c, s, c, c, s
entonces diremos que
-

La frecuencia absoluta del suceso A (obtener cara) es 6 y su frecuencia relativa es 0,6

La frecuencia absoluta del suceso A (obtener seca) es 4 y su frecuencia relativa es
0,4

En trminos algebraicos definimos

fa(A)

como la frecuencia absoluta del suceso salir cara sobre n ensayos

(A)

es la frecuencia relativa del suceso, de modo que

fa A
n

Entonces definimos la probabilidad en su sentido moderno, conforme a la concepcin de Von

Mises, como el valor de la frecuencia relativa cuando n tiende a infinito

P A lim
n

fa A
n

Ejemplo: representemos en la siguiente tabla la frecuencia absoluta y relativa de la experiencia

aleatoria arrojar al aire una moneda 50 veces, con fines prcticos representaremos el suceso de
obtener cara con el nmero 1 y el de salir seca con el 0. Los resultados obtenidos han sido
representados en la tabla de la siguiente pgina
Nota: La realizacin de un experimento con solamente 50 repeticiones no es muy confiable para
afirmar que la frecuencia relativa es la probabilidad, pero si hiciramos 1.000 repeticiones la
frecuencia relativa sera un nmero muy cercano a . Qu nos dice esto, simplemente que si la
moneda est bien balanceada, la probabilidad de obtener cara ser muy cercana al 50 %.

Estadstica e Investigacin Operativa

Experimento
n

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

Prof. Dr. Rubn Oscar Palazzo

Frecuencia Frecuencia Experimento

Observacin

Absoluta

1
1
0
1
0
0
1
1
0
1
0
0
0
1
0
1
0
1
1
1
1
0
0
1
0

fa(A)
1
2
2
3
3
3
4
5
5
6
6
6
6
7
7
8
8
9
10
11
12
12
12
13
13

Relativa

(A)
1
1
0,667
0,750
0,600
0,500
0,571
0,625
0,556
0,600
0,545
0,500
0,462
0,500
0,467
0,500
0,471
0,500
0,526
0,550
0,571
0,545
0,522
0,542
0,520

Frecuencia Frecuencia
Observacin

Absoluta

1
0
0
0
1
1
0
1
0
0
1
1
0
0
1
1
1
1
0
0
1
1
0
0
1

fa(A)
14
14
14
14
15
16
16
17
17
17
18
19
19
19
20
21
22
23
23
23
24
25
25
25
26

26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50

Relativa

(A)
0,538
0,519
0,500
0,483
0,500
0,516
0,500
0,515
0,500
0,486
0,500
0,514
0,500
0,487
0,500
0,512
0,524
0,535
0,523
0,511
0,522
0,532
0,521
0,510
0,520

Verificaremos que a medida que aumenta la cantidad de experimentos la frecuencia relativa

tiende a estabilizarse en un valor medio
Frecuencias relativa del suceso cara
1
0,9
Frecuencia relativa

0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
1

11

16

21

26

31

36

41

46

Cantidad de lanzamientos

10

Estadstica e Investigacin Operativa

Prof. Dr. Rubn Oscar Palazzo

c) Definicin subjetiva
Tanto en la definicin clsica y moderna se supone que la experiencia aleatoria puede ser
repetida, a la vez que los resultados se suponen objetivos (no dependen del observador). Ahora
cuando no hay informacin verificable, ya sea porque no hay una experiencia previa o porque el
experimento no es repetible debemos recurrir al olfato del observador
La probabilidad se estima a partir de la experiencia y/o creencia que tiene el observador respecto
de la ocurrencia de cierto suceso. El principal inconveniente de ste mtodo es que distintos
observadores asignarn distintas probabilidades a un mismo evento esperado.
Comparando las definiciones clsica y moderna de la probabilidad, concluimos que la
diferencia es que mientras la primera se refiere a una representacin intelectual (a priori) de los
resultados del experimento, la definicin moderna recurre a la evidencia emprica. En otras palabras
quien manifiesta que la probabilidad de lanzar una moneda (que no conoce) al aire y salga cara es del
50 %, est utilizando el criterio clsico: supone que la moneda es perfecta. Mientras que si antes de
comprometernos con un resultado, experimentamos con la moneda, estamos asumiendo el concepto
moderno de probabilidad. A esta altura el lector sospechar que el criterio moderno es mejor que el
clsico, si consideramos que no existe una moneda perfecta7.
A esta altura el lector estar totalmente desorientado, hay tres definiciones cual es vlida?,
la respuesta es todas y ninguna, en realidad se deben combinarse las tres.
Propiedades de la probabilidad
Ahora pasamos a considerar las propiedades bsicas de la probabilidad

Razonabilidad
Consideremos el anlisis de una experiencia aleatoria sobre la cual no se tiene un conocimiento
previo contundente que nos permita aplicar un criterio objetivo, el procedimiento de evaluacin
consistir en:
a) identificar los distintos resultados posibles o tcnicamente elementos para configurar el
espacio muestral
b) asignar probabilidades a cada elemento
siguiendo el criterio clsico la asignacin depender del buen juicio del observador, tarea no tan
simple como uno deseara. Volviendo al informe del servicio metereolgico sobre si llover o no,
qu factores influirn en la decisin de llevar paraguas? Podran ser la credibilidad que nos
inspira el Servicio Metereolgico Nacional, el reuma del abuelo, o incluso las ganas que tengamos
de cargar el paraguas. Objetivamente la decisin depender de si la probabilidad asignada es alta
o baja8, lo peor que nos puede suceder es asignar un 50 % de probabilidad de lluvia, estaramos
en un estado de incertidumbre absoluta.
La razonabilidad se entiende en el sentido que observadores objetivos, con experiencia en la
evaluacin del evento analizado, asignarn probabilidades similares. El criterio es apropiadamente
explicado por Schlaifer9
Los hombres razonables basan las probabilidades que asignan a los hechos del
mundo real en su experiencia con los hechos del mundo real, y cuando dos
hombres razonables tienen ms o menos la misma experiencia con cierto tipo de
hecho le asignan aproximadamente la misma probabilidad.

Rango numrico
Cualquiera sea la definicin utilizada, la probabilidad de ocurrencia de un determinado suceso es
un nmero no negativo (nulo o positivo), correspondiendo el valor 0 al caso de imposibilidad de

7
8
9

Quienes concurren habitualmente al casino conocen muy bien la diferencia.

Alta o baja respecto a qu?, cada uno de nosotros tiene un valor de referencia.
Introduction to statistics for business decisions (Mc Graw-Hill, New York, 1961)

11

Estadstica e Investigacin Operativa

Prof. Dr. Rubn Oscar Palazzo

ocurrencia del evento, aunque de hecho tambin se consideran imposibles aquellos eventos cuya
ocurrencia es remota, por ejemplo un terremoto en la ciudad de Buenos Aires 10, el otro extremo la
probabilidad tendr asignado el valor 1 cuando existe la certeza de ocurrencia del suceso
analizado, el ejemplo tpico en los seguros es la muerte 11. Considerando la definicin moderna

fA
0
n n
f
P A lim A 1
n n
P A lim

si se verifica que

fA 0

si se verifica que

fA n

Obviamente las probabilidades no pueden ser mayores que 1, en la expresin anterior notamos
que el numerador fA es la frecuencia absoluta, es decir es un contador, donde se suma 1 cada vez
que aparece el suceso deseado, por lo tanto nunca puede ser superior al denominador que
representa las repeticiones de la experiencia aleatoria, de modo que

0 P A 1
Este concepto llevado al seguro donde el asegurador se interesa por el suceso o evento
significativo ocurrencia de siniestros, debera cumplirse la regla de oro que la suma recaudada
de primas debe estar acorde con el riesgo asumido, una interpretacin intuitiva nos dir que
cuanto mayor sea el riesgo (la probabilidad de ocurrencia del siniestro ser ms elevada que un
valor normal) mayor es la prima que se debe cobrar.
Por otro lado no puede afirmarse sin considerar el entorno y las consecuencias si un valor
pequeo de probabilidad es significativo o no. Por ejemplo que una fbrica de lmparas
incandescentes tenga una probabilidad de producir una lmpara defectuosa del 1 % puede ser
considerado dentro de los estndares normales, en cambio si hablamos de fallas que ocasionan
que un paracadas no se abra en el aire, no podemos asumir como un riesgo normal que cada 100
saltos al vaco uno de los deportista muera.

Eventos completos
Si el conjunto del espacio muestral se encuentra formado por s elementos independientes, de
modo que

S : A1 ; A2 ; A3 ; . . . ; As
s

se verifica que

P A P A P A
j

P A3

. . . P As 1

j 1

lo cual indica que estamos en una situacin de riesgo: conocemos los estados de la naturaleza
representado por cada uno de los elementos del conjunto S y sus probabilidades. Obsrvese que
al decir que la suma de las probabilidades de cada uno de los elementos es 1 estamos asumiendo
que no existe otro elemento no previsto dentro del conjunto S.
Ejemplifiquemos:

Sea el experimento de lanzar la moneda aire, en tal caso el espacio muestral est compuesto

por dos elementos S : A1 ; A2 siendo A1 el elemento obtener cara y A2 el elemento

obtener seca, a priori si la moneda es perfecta la probabilidad de ocurrencia es del 50 %, de
modo que

P A1 P A2

1 1
1
2 2

10

Geolgicamente no se considera zona de riesgo ssmico

Comnmente se cree que un seguro de vida cubre el riesgo de muerte, esto no es posible porque la muerte es un suceso
tan cierto como inevitable, el objeto de los seguros de vida es el riesgo de muerte prematura, el tema se profundizar en la
parte pertinente.
11

12

Estadstica e Investigacin Operativa

Prof. Dr. Rubn Oscar Palazzo

de este modo representamos un evento completo, la probabilidad de ocurrencia de cualquier

otro suceso que no sea cara o seca es imposible

Sea el experimento rodar un dado sobre la mesa, cada elemento del espacio muestral est
determinado por el nmero de la cara superior del cubo detenido S : 1 ; 2, 3; 4; 5; 6 , por el
criterio clsico la probabilidad de obtener un nmero cualquiera es 1/6, la suma de estas
probabilidades es

P 1 P 2 P 3 P 4 P 5 P 6

1 1 1 1 1 1
1
6 6 6 6 6 6

Regla de la adicin de las probabilidades

Hasta ahora hemos analizado eventos separados, pero ahora nos interesa ver qu sucede con las
probabilidades vinculadas a 2 eventos que distintos, debemos distinguir dos situaciones:
a) eventos mutualmente excluyentes
A modo de ejemplo podemos pensar en un seguro de automviles donde se cubren varios
riesgos, podra ser A el evento de producir daos a terceros por parte del asegurado y B el
evento que el vehculo sea robado.
Diremos que dos sucesos A y B sern mutuamente excluyentes si es imposible que se
verifique simultneamente la ocurrencia de ambos eventos. Si ocurre A no ocurre B y
viceversa. En nuestro ejemplo si el asegurado produce daos a terceros manejando su
vehculo implica que no ha sido robado (no se verifica B), y si el automotor hubiese sido
robado el asegurado no podra producir daos a terceros al manejarlo (no se verifica A).
En trminos de conjuntos diremos que son disjuntos de modo que al no tener elementos
comunes, su interseccin es el conjunto vaco
A B
Conocidas las probabilidades de A y B, en caso de ser los eventos mutuamente excluyentes
afirmamos que la probabilidad que ocurra A o B, que podramos simbolizar como P A B
o como P A B es
P A B P A P B
donde:
P(A)

es la probabilidad que el asegurado manejando produzca daos a terceros

P(B)

es la probabilidad que el vehculo sea robado

P A B

es la probabilidad que el vehculo produzca daos a terceros o que sea

robado. (es una o la otra, no ambas a la vez)

generalizando

P A B C .... Z P A P B P C ... P Z

b) eventos no excluyentes
En tal caso pueden verificarse simultneamente dos o ms eventos, definamos dos
subconjuntos C y D que representan 2 eventos distintos pero que tienen elementos comunes
(no son disjuntos). Por lo tanto si apareciera el elemento comn se verificaran los dos
eventos.
Continuando con el ejemplo del seguro de automviles podramos definir C como el evento de
chocar y producir daos en la unidad y D como el evento de producir daos a terceros.
Tengamos presente que:
13

Estadstica e Investigacin Operativa

Prof. Dr. Rubn Oscar Palazzo

se puede chocar contra una columna y no producir daos a terceros

se puede rayar la pintura de otro vehculo y no daar la unidad
se puede chocar y simultneamente producir daos a terceros

Conocidas ambas probabilidades se verificar

P C D P C P D P C D
donde

P C D P C D

Siendo N la cantidad de elementos del espacio muestral y pi la probabilidad que en el

experimento se verifique la ocurrencia del elemento i-simo.
VARIABLE ALEATORIA
Hecha la revisin de la probabilidad y de sus principales propiedades pasaremos a analizar
un concepto vinculado el de variable aleatoria y sus dos medidas caractersticas: la esperanza
matemtica y la dispersin.
Al comenzar el captulo definimos los elementos muestrales como los resultados posibles
vinculados a una experiencia aleatoria, a la vez que vimos 2 ejemplos vinculados a juegos de azar y
otros tantos aplicados a los seguros poniendo nfasis en el resultado obtenido (estado de la
naturaleza) sin embargo a una compaa de seguros si bien le interesa la ocurrencia de los siniestros
(frecuencia) tambin le preocupa el importe a pagar (intensidad). Cuando a estos elementos
muestrales les asignamos un valor numrico, ese elemento se ha transformado en una variable
aleatoria.
a) La esperanza matemtica
Supongamos que una persona conocida nos solicita le compremos el billete de una rifa de 3 cifras
que premiar el nmero ganador con $ 10.000, en caso de no salir favorecido el premio a cobrar
es 0. El espacio muestral S est compuesto por los mil nmeros posibles a salir

S 000 , 001 , . . . , 999 ,

El hecho de ganar el sorteo corresponde a uno y solo uno de los elementos definidos, y el de no
ganar a 999 elementos del espacio muestral. A priori las probabilidades de ganar o perder el
premio son

P A

P A

1
0.001
1.000

999
0,999
1.000

obviamente

P A P A 1

En principio si nos ofrecen el billete de la rifa gratis, sera racional aceptarlo, como as tambin lo
rechazaramos si nos pidieran $ 10.000 por el billete, en cambio si nos solicitan una contribucin
de $ B de modo que 0 < B < 10.000, antes de tomar una decisin ponderaremos las
probabilidades de ganar o perder.
Si los organizadores de la rifa no tuvieran gastos ni buscaran beneficios por su gestin, el importe
a recaudar necesario para afrontar las erogaciones sera de $ 10.000. Sin tener idea alguna de
estadsticas podemos aplicar un criterio determinista y calcular fcilmente el costo de cada billete
haciendo

Importe del premio 10.000

$ 10
Cantidad de billetes
1.000

Este resultado determinista es vlido en cuanto al nmero asignado al costo del billete, y es lgico
porque no hay posibilidad de pagar ms de una vez el premio, porque no es posible que dos

14

Estadstica e Investigacin Operativa

Prof. Dr. Rubn Oscar Palazzo

personas jueguen al mismo nmero12. Obtenemos el mismo resultado utilizando el concepto de

esperanza matemtica, definimos la variable aleatoria X que puede tomar dos valores:
-

si sale sorteado nuestro nmero X1 = 10.000

si no sale sorteado X2 = 0

E X X 1 P A X 2 P A

E X 10.000 0,001 0 0,999 10

Bajo los supuestos de no existencia de costos y beneficios para el organizador, una persona
indiferente al riesgo evaluar que el precio equitativo del billete es de $ 10,- , criterio coincidente
con el determinstico.
Siguiendo el criterio estadstico calculamos la esperanza matemtica, la variable aleatoria X que
puede tomar dos valores:
-

si sale sorteado nuestro nmero X1 = 10.000

si no sale sorteado X2 = 0

E X X 1 P A X 2 P A
E X 70

1
99
0
0,70
100
100

En la prctica existen gastos, recargos de seguridad y beneficios para el organizador, igual modo
que para una compaa de seguros. Supongamos el caso de la quiniela. Es un juego de azar con
distintas modalidades de apuesta, la ms habitual es realizar una apuesta correspondiente a un
nmero de 2 cifras que en caso de resultar premiado retribuye 70 veces la apuesta y si no resulta
favorecido se pierde lo jugado. El espacio muestral est compuesto por los nmeros 00, 01,
02, . . . , 99 y la probabilidad de ganar apriori es P(A) = 1 %.
Desde un punto de vista determinista, si todos los nmeros fueran jugados en al misma medida,
para una muestra de 100 apostadores correspondiendo a cada uno de ellos un nmero distinto,
para una apuesta de $ 1,- tendramos:
Recaudacin = 100 nmeros $ 1 = $ 100
Pago de Premios = 1 ganador $ 70 = $ 70
La diferencia de $ 30 corresponde al pago de gastos y beneficios para el organizador. Reitero el
supuesto restrictivo que todos los nmeros son jugados con la misma preferencia, en la prctica
no es as producindose quebrantos extraordinarios si resulta ganador un nmero muy jugado,
esta circunstancia se cubre con un determinado margen de seguridad, de modo que en realidad
los $ 30 del ejemplo se destinan adems a constituir un margen de seguridad 13.
En este caso muchas personas considerarn que este juego tiene poco de equitativo, porque si
jugaran a todos los nmeros invertirn en un resultado seguro $ 100, pero solo recibiran $ 70,-.
Pero ningn apostador jugara a los 100 nmeros sino que le tiene fe a un nmero determinado,
por lo que sin demasiados cuestionamientos acepta las reglas del juego.
Como ejercicio mental el lector puede pensar en lo equitativo o no de los distintos juegos de azar,
un caso interesante es el de la ruleta, donde por acertar un pleno se gana 36 veces el importe de
la apuesta y los distintos resultados posibles son 37 (o 38 cuando se incorpora el doble cero)
12

Imagine una experiencia similar en que consigue 1.000 personas y cada uno de ellas elige un nmero a su antojo, si todos
eligieran nmeros distintos no habra ningn problema, pero seguramente habr nmeros que no han sido elegidos y otros muy
jugados. A priori no se puede determinar con certeza el resultado para el organizador, si sale un nmero no jugado retendr el
premio, pero si sale un nmero muy jugado no tendr fondos suficientes para pagar a cada ganador.
13
A pesar de estar prevista la posibilidad de salir favorecido un nmero muy jugado, ha ocurrido que para equilibrar la relacin
costos e ingresos en varias oportunidades se pag a los ganadores un importe menor al previsto (letra chica del reglamento)
alterando las reglas naturales del juego. Este abuso de modo alguno puede permitirse a un asegurador, si as fuera
distribuira la masa de primas puras entre los siniestrados abonando un importe menor a lo debido por siniestros liquidados. Sin
embargo tal situacin sucede en caso de liquidacin de la compaa, donde con suerte los acreedores por siniestros recuperan
parte de las deudas.

15

Estadstica e Investigacin Operativa

Prof. Dr. Rubn Oscar Palazzo

Como enunciacin general, determinaremos el valor esperado de la variable aleatoria X,

considerando que puede tomar N valores particulares (reales) xi con probabilidad pi , la
esperanza matemtica ser:

E X

x p
i

i 1

En el caso particular que todos los puntos muestrales xi tengan la misma probabilidad (sean
equiprobrables) p i

1
, obtendremos que la esperanza matemtica es igual a la media.
N
E X

xi

i 1

1
1

N N

i 1

b) La Varianza y Dispersin
La esperanza matemtica nos da una idea del valor promedio que debera tomar la variable
aleatoria analizada, pero este no es un nmero vinculado a la certeza sino que los valores
realmente observados se ubicarn alrededor de ese valor central. La pregunta es qu tan alejados
estarn de lo estimado, para responder recurrimos a otra medida la varianza y su raz cuadrada
denominada desvo estndar o dispersin. En el caso de los seguros, esta ser una medida del
margen de seguridad que deber recargar el asegurador en la prima para tener la seguridad de
cubrir los posibles desvos en la siniestralidad prevista.

2 E xi E X

x
N

2
i

pi

y la dispersin ser

i 1

en el caso particular que los valores reales sean equiprobables

la varianza ser

2 E xi X

y la dispersin su raz cuadrada

N1 x

pi

1
N

2
i

i 1

Es importante tener presente que la dispersin representa los desvos en ms y en menos

respecto de la esperanza matemtica, sin embargo al asegurador no le preocupan los desvos en
menos (es ms se alegrar) sino los desvos positivos que deber recargar a la prima.
Prctica
1) Un sr. compra un billete de lotera en que puede ganar un primer premio de $ 5.000 con una
probabilidad de 0,1 % si el costo del billete es de $ 15, determine el valor esperado de comprarlo y
cul sera el precio equitativo.
Nos ayudamos con un cuadro de resultados y probabilidades

xi
Gana
Pierde

(5.000 15)
- 15

El valor esperado de comprar el billete es

pi
0,001
0,999

E X 4.985 0,001 15 0,999 10

La interpretacin de este resultado es que si este seor comprara una gran cantidad de billetes
por cada uno de ellos sufra una prdida de $ 10,- Veamos esto con un poco ms de detalle:
analizando las probabilidades notamos que hay en juego 1.000 billetes, si nuestro jugador en un
acto de desesperacin por ganar comprara todos los cartones invertira $ 15.000 y el premio
obtenido (con certeza porque tiene todos los nmeros) sera de $ 5.000, su prdida total
ascendera a $ 10.000 ($ 10 por cada uno de los billetes jugados).
Qu representan esos $ 10 para el organizador del sorteo? Obviamente su ganancia, y no podra
ser de otro modo porque sino no habra incentivo a organizar la lotera.
16

Estadstica e Investigacin Operativa

Prof. Dr. Rubn Oscar Palazzo

No obstante nos resulta ms interesante obtener el precio equitativo, el cual queda definido como
aqul valor del billete que hace que el organizador no gane ni pierda 14. Este precio justo es el que
corresponde a un valor esperado 0, el clculo es similar al anterior solo que en vez de calcular la
ganancia consideramos lo que cobrara

xi
Gana cobra
Pierde cobra

5.000
0

pi
0,001
0,999

P.E. 5.000 0,001 0 0,999 5 Si el precio del billete fuera de $ 5, el valor esperado de la
ganancia de nuestro apostador sera nulo y el organizador no ganara ni perdera nada.

2) Un sr. compra un billete de lotera en que puede ganar un primer premio de $ 5.000 o un segundo
premio de $ 2.000 con probabilidades 0,1 % y 0,3% determine el precio equitativo del billete.
Aqu las probabilidades son independientes, el apostador no puede ganar simultneamente
ambos premios15. Nuevamente nos conviene ayudarnos con un cuadro

xi
Gana 1 premio cobra
Gana 2 premio cobra
Pierde cobra

5.000
2.000
0

pi
0,001
0,003
0,996

recurriendo a la esperanza matemtica

P.E. 5.000 0,001 2.000 0,003 0 0,996 11

Si el billete tiene un costo de $ 11, el sorteo ser equitativo en el sentido en que al organizador no
sufrir prdida o ganancia alguna (si consigue vender todos los billetes 16). Es evidente que no
tiene demasiado sentido continuar expresando el ltimo trmino por cuanto al estar multiplicado
por 0 se anula, de ahora en ms prescindiremos del mismo.
3) Un vendedor de ambulante se dedica a la venta de paraguas en una regin donde la probabilidad
de lluvia es independiente del da anterior y es siempre del 30 %. Dados los costos de transporte
nuestro vendedor sabe que si llueve ganar $ 300 por da y si hay buen tiempo perder $ 60. le
conviene seguir vendiendo paraguas?
Para obtener una respuesta debemos calcular el valor esperado de su ganancia diaria, nos
ayudamos con un cuadro de datos donde x j representa la ganancia diaria

xi
Lluvia
Buen tiempo

300
- 60

pi
0,30
0,70

E X 300 0,30 60 0,70 48

El resultado nos indica que si este vendedor sale todos los das dotado de paraguas y se verifican
las probabilidades de que cada 100 das 30 son lluviosos, por da ganar en promedio $ 48.
En realidad para saber si le conviene o no tendr que compararlo con lo que obtendra vendiendo
otros artculos. No debemos caer en la confusin de creer que todos los das ganar $ 48, eso es
un error habr das en que perder dinero y los de lluvia ganar $ 300, el resultado de $ 48
representa el promedio diario obtenido si todos los das durante una gran cantidad de das vende
paraguas.

14
15
16

En los seguros de vida y muerte es la base principal sobre la que se fundamenta el calculo de la prima pura .
Supuesto que se mantendr en la actividad aseguradora
Esta ltima referencia se refiere al cumplimiento de la ley de los grandes nmeros

17

Estadstica e Investigacin Operativa

Prof. Dr. Rubn Oscar Palazzo

4) Continuando con el caso anterior de nuestro vendedor de paraguas, si los das de sol no vende
nada y el costo de transporte sigue siendo $ 60 por da, la ganancia por cada paraguas vendido es
de $ 10 cul debera ser su venta los das de lluvia para no perder dinero?
El planteo nos cuestiona la venta a realizar para obtener un valor esperado 0, nuevamente nos
ayudamos con el cuadro de datos

xi
Lluvia
Buen tiempo

q 10 60

60

pi
0,30
0,70

donde q es la cantidad de paraguas vendidos en un da de lluvia, con una ganancia unitaria de $

10 y un costo fijo de transporte.

E X q 10 60 0,30 60 0,70 0
despejando la incgnita q 20
Resumiendo, nuestro vendedor debe vender 20 paraguas los das de lluvia para no perder dinero.

18