Академический Документы
Профессиональный Документы
Культура Документы
INTRODUCCIN A LA ESTADSTICA
DEFINICIONES
Las Estadsticas. La estadstica se ha dividido de acuerdo al problema a trabajar. Las
principales divisiones son,
a. Clsica. Todo manejo de datos con la tendencia a definir el comportamiento de
los experimentos, procedimientos, controles, etc. que emplee informacin para
obtener conocimiento, es estadstica clsica y marca la diferencia entre decidir y
evaluar fenmenos. La estadstica es una ciencia que analiza series de datos y
trata de extraer conclusiones sobre el comportamiento de estas variables, las
cuales se pueden clasificar como
!l"unas autoridades la han definido como una t#cnica especial apta para el
estudio cuantitativo de los fenmenos de masa o colectivo, cuya mediacin
requiere una masa de observaciones de otros fenmenos ms simples llamados
individuales y que estudia los m#todos cientficos para reco"er, or"anizar, resumir
y analizar datos, as como para sacar conclusiones vlidas y tomar decisiones
razonables basadas en tal anlisis.
b. Descriti!a. $e fundamenta en la descripcin y anlisis de las caractersticas de
un conjunto de datos, de donde se extrae informacin y conclusiones sobre el
comportamiento de los datos y relaciones existentes con entre ellos o de ellos con
otras poblaciones con las cuales se comparan. $e trata de estimar, pronosticar y
definir comportamientos que se puedan reproducir bajos similares condiciones de
experimentacin.
c. Estadstica I"d#cti!a$ %st fundamentada en los resultados obtenidos del anlisis
de una muestra de poblacin, con el fin de inferir el comportamiento o
caracterstica de la poblacin, de donde procede, por lo que recibe tambi#n el
nombre de &nferencia estadstica. %l objetivo de la inferencia en investi"acin
cientfica y tecnol"ica radica en conocer clases numerosas de objetos, personas o
eventos a partir de otras relativamente peque'as compuestas por los mismos
elementos.
%r&ble'as de la estadstica ( la I")ere"cia. Los problemas por los que se ocupa la
estadstica se relacionan con la estimacin de parmetros tanto mu#strales como
poblacionales y la definicin de criterios para verificar si lo que se ha hecho u
obtenido tiene la suficiencia en calidad estadstica, y si se puede utilizar como
elemento de pronostico o de representacin del fenmeno estudiado, con los cual se
pueda tomar una decisin objetiva y lo mas aproximada a la realidad.
(
%n los cuadros si"uientes se muestran los problemas y los factores y aplicaciones a
considerar para obtener una excelente respuesta del experimento y estudio.
%RO*LE+AS DE LA ESTADSTICA
SITUACIN ESTUDIO
ESTI+ACIN DE %AR,+ETROS EN UNA DISTRI*UCIN
)alores !proximados de *armetros
%stimacin de parmetros valor medio,
varianza, momentos, estimadores,
+uz"amiento de la exactitud de dichas
aproximaciones
&ntervalos de confianza y distribuciones
*ruebas de si uno de los parmetros tiene
cierto valor
.
CONTROL DE CALIDAD- ACE%TACIN
*rueba de si un proceso de produccin se
efect,a apropiadamente
-ontrol de calidad, muestreo
*rueba de si un lote re,ne los requisitos
de calidad especificados
.ies"o, anlisis secuencial
INCLUSIN DE %O*LACIONES DISTRI*UIDAS NOR+AL+ENTE$
%ERO %OSI*LE+ENTE CON DIFERENTES %AR,+ETROS
*rueba de si las medias son i"uales
Teora de la comparacin, anlisis de
varianza
*rueba de si las varianzas son i"uales Teora de la comparacin
*ruebas de medianas tienen cierto valor /#todos no param#tricos
%RUE*AS DE FUNCIONES DE DISTRI*UCIN
*rueba para ver si una poblacin tiene
determinada distribucin
0ondad de ajuste, m#todos no
param#tricos
*rueba de si dos poblaciones tienen i"ual
distribucin
0ondad de ajuste, m#todos no
param#tricos
ALEATORIEDAD
*rueba de aleatoriedad en valores de la
muestra
&nferencia estadstica
$eleccin de objetos al azar
/#todos no param#tricos, teora de la
tendencia
.ARIA*LES ALEATORIAS / INDE%ENDIENTES 0 DE%ENDIENTES DE
/
*rueba de que 1 depende linealmente de
2
!nlisis de re"resin
Lnea de re"resin !nlisis de re"resin
%xactitud de la lnea de re"resin la
*endiente
!nlisis de re"resin
3
*arbola de re"resin !nlisis de re"resin
Tipo de la curva de re"resin !nlisis de re"resin
Tendencias en los valores de 1 !nlisis de re"resin
RELACIN ENTRE .ARIA*LES ALEATORIAS
-oeficiente de correlacin
!nlisis de correlacin, Teora de la
decisin, teora de pruebas
%xactitud del coeficiente de re"resin
anlisis de correlacin, Teora de la
decisin, teora de pruebas
*rueba de si una poblacin tiene
coeficiente de correlacin 4
anlisis de correlacin, Teora de la
decisin, teora de pruebas
%RO*LE+AS DE INFERENCIA
SITUACIN DESARROLLO
Esti'aci1" de %ar'etr&s
-mo obtener valores aproximados de
los parmetros5
%stimacin de parmetros )alor medio6
)arianza6 m#todo de los momentos6
estimadores inses"ados, eficientes,
consistentes6 y m#todo de /xima
)erosimilitud
-mo juz"ar la exactitud de dichas
aproximaciones5
&ntervalos de confianza media de
7ormal, suma de variables aleatorias
normales, media de 7ormal con varianza
conocida, para la varianza, para la
0inomial6 8istribucin 7ormal
-mo probar si uno de los parmetros
tienen cierto valor num#rico5
*ruebas de 9iptesis %rrores tipo & y &&,
comparaciones de medias y varianzas,
prueba de 7eyman : *earson, .azn de
)erosimilitud
Acetaci1"
-mo probar si un proceso de
produccin se efect,a apropiadamente5
$istema de -ontrol de -alidad
-mo probar si un lote re,ne los
requisitos especificados5
/uestreo de aceptacin, !nlisis
secuencial
.arias %&blaci&"es
-mo probar si las medias son i"uales5
-omparacin medias de la distribucin
7ormal6 y !nlisis de )arianza !rre"los
experimentales y bloques aleatorizados
-mo probar si las varianzas son
i"uales5
-omparacin de )arianzas de
distribuciones 7ormales
+edia"as
-mo probar si la mediana tienen cierto
valor real5
%stadstica no *aram#trica *rueba de
si"no para la mediana, prueba la
;
tendencia, e i"ualdad de funciones de
distribucin
%r#ebas de )#"ci&"es de distrib#ci1"
-mo probar si una poblacin tiene
cierto tipo de distribucin5
*ruebas para funciones de distribucin
0ondad de !juste <olmo"orov :
$mirnov, -hi cuadrado
-omo probar si dos poblaciones tienen la
misma distribucin5
*rueba de i"ualdad de funciones de
distribucin
Aleat&riedad
-mo probar la aleatoriedad de los
valores de una muestra5
*ruebas de aleatoriedad de muestras.
$ecuencias
-mo seleccionar objetos al azar5 &nterferencia. /uestreo
+edici&"es Fsicas
-mo juz"ar la exactitud de mediciones
fsicas5
%rrores de medicin
.ariable aleat&ria / ( .ariable aleat&ria 0 2#e dee"de de /
-mo probar la suposicin de que 1
depende linealmente de 25
*rueba de linealidad de una curva de
re"resin
-mo determinar la lnea de re"resin5
/#todos de /nimos -uadrados, y
/#todo de /xima )erosimilitud
-mo juz"ar la exactitud de la
pendiente5
-oeficientes de .e"resin, intervalos
para el valor medio
-omo probar si la pendiente tiene cierto
valor num#rico5
*rueba del coeficiente de re"resin,
!nlisis de re"resin y anlisis de
varianza
-mo determinar una parbola de
re"resin5
-urvas de re"resin no lineales. /#todos
de /nimos -uadrados
-omo probar si la curva de re"resin es
de cierto tipo5
*rueba para no linealidad
-mo probar si los valores de 1
manifiestan tendencia5
*rueba del coeficiente de re"resin,
!nlisis de re"resin y anlisis de
varianza. *rueba de aleatoriedad y
secuencias
Relaci1" e"tre d&s !ariables aleat&rias
-mo calcular el coeficiente de
correlacin5
-oeficiente de correlacin de una
muestra y una poblacin. 8istribuciones
bidimensionales
-mo juz"ar la exactitud del coeficiente
de correlacin5
*ruebas e intervalos de confianza para el
coeficiente de correlacin
-mo juz"ar si una poblacin dada tiene
un coeficiente de correlacin 45
*ruebas e intervalos de confianza para el
coeficiente de correlacin
=
Aleat&riedad. La aleatoriedad es un campo de definicin que, en matemticas, se
asocia a todo proceso cuyo resultado no es previsible ms que en razn de la
intervencin del azar. La consecuencia de todo suceso aleatorio no puede
determinarse en nin",n caso antes de que este se produzca. *or consi"uiente, los
procesos aleatorios quedan en"lobados dentro del rea del clculo de probabilidad y,
en un marco ms amplio en el de la estadstica. La palabra aleat&ri& se usa para
expresar una aparente carencia de propsito, causa, u orden. %l t#rmino aleat&riedad
se usa a menudo como sinnimo con un n,mero de propiedades estadsticas medibles,
tales como la carencia de tendencias o correlacin. La aleatoriedad ocupa un lu"ar
importante en la ciencia y la filosofa.
LAS .ARIA*LES
La variable se ha definido en muchos casos como el atributo al cual se le puede
asi"nar un carcter cuantitativo que expresa la medicin realizada. >na variable es un
smbolo, 2, 1, 9x, que puede tomar un valor cualquiera de un conjunto determinado
de ellos, llamado dominio de la variable. %n "eneral se tienen dos clasificaciones de
variables
)ariables C#alitati!as$ no se pueden medir num#ricamente6 y C#a"titati!as que
tienen valor num#rico. Las cuales a su vez se dividen en Discretas y slo pueden
tomar valores enteros6 y C&"ti"3as y pueden tomar cualquier valor real dentro de un
intervalo.
!s mismo, se puede hablar de )ariables U"idi'e"si&"ales$ las que slo reco"en
informacin sobre una caracterstica6 *idi'e"si&"ales$ reco"en informacin sobre
dos caractersticas de la poblacin6 y +#lti'e"si&"ales$ reco"en informacin sobre
tres o ms caractersticas.
?
Las !ariables ( s# 'edici1" >na variable es un smbolo, tal como 2, 1, 9, x 0,
que pueden tomar un conjunto prefijado de valores, llamado dominio de esa variable.
>na variable es continua, cuando puede tomar infinitos valores intermedios dentro de
dos valores consecutivos. *or ejemplo, la estatura, el peso, la temperatura. -uando se
estudia el comportamiento de una variable hay que distin"uir los si"uientes
conceptos
I"di!id#&$ cualquier elemento que porte informacin sobre el fenmeno que se
estudia.
%&blaci1"$ conjunto de todos los individuos que portan informacin sobre el
fenmeno que se estudia. %l concepto de poblacin en estadstica va ms all de lo
que com,nmente se conoce como tal. >na poblacin se precisa como un conjunto
finito o infinito de elementos que presentan caractersticas comunes. %l tama'o que
tiene una poblacin es un factor de suma importancia en el proceso de investi"acin
estadstica, y este tama'o vienen dado por el n,mero de elementos que constituyen la
poblacin, se",n el n,mero de elementos la poblacin puede ser finita o infinita.
-uando el n,mero de elementos que inte"ra la poblacin es muy "rande, se puede
considerar a esta como una poblacin infinita
%s a menudo imposible o poco prctico observar la totalidad de los individuos, sobre
todos si estos son muchos. %n lu"ar de examinar el "rupo entero llamado &blaci1" o
#"i!ers&$ se examina una peque'a parte del "rupo llamada muestra.
+#estra$ $e llama muestra a una parte de la poblacin a estudiar que sirve para
representarla. >na muestra debe ser definida en base de la poblacin determinada, y
las conclusiones que se obten"an de dicha muestra solo podrn referirse a la
poblacin en referencia. $ubconjunto que seleccionamos de la poblacin.
+#estre&$ %s el procedimiento empleado para obtener una o ms muestras de una
poblacin6 el muestreo es una t#cnica que sirve para obtener una o ms muestras de
poblacin. @ste se realiza una vez que se ha establecido un marco muestral
representativo de la poblacin, se procede a la seleccin de los elementos de la
muestra aunque hay muchos dise'os de la muestra.
Ti&s de '#estre&$ %xisten dos m#todos para seleccionar muestras de poblaciones6
el muestreo no aleatorio y el aleatorio. %n este ,ltimo todos los elementos de la
poblacin tienen la oportunidad de ser esco"idos en la muestra.
F&r'as de Obser!ar la %&blaci1"$ !tendiendo a la fuente se clasifican en directa o
indirecta Obser!aci1" Directa. -uando se trabaja directamente con los elementos
que se pretende investi"ar, y los resultados obtenidos se consideran datos estadsticos
ori"inales. 1 Obser!aci1" I"directa. -uando se hace uso de datos estadsticos ya
A
conocidos en una investi"acin anterior, o de datos observados por un tercero. -on el
fin de deducir otros hechos o fenmenos.
!tendiendo a la periodicidad, puede ser c&"ti"#a$ eri1dica & circ#"sta"cial- %s
observacin continua cuando se lleva acabo de un modo permanente6 es peridica
cuando se lleva a cabo a trav#s de partes de tiempo constantes, y es circunstancial,
cuando se efect,a en forma ocasional o espordica, esta observacin hecha ms por
una necesidad momentnea, que de carcter re"ular o permanente.
!tendiendo a la cobertura6 pueden ser e45a#sti!a$ arcial & 'i4ta- es exhaustiva
cuando la observacin es efectuada sobre la totalidad de los elementos de la
poblacin6 es parcial cuando la observacin de todos sus elementos se ve
imposibilitada y se observa parte de la poblacin6 y es mixta, cuando las
observaciones se combinan adecuadamente la observacin exhaustiva con la
observacin parcial.
Ce"s&$ $e entiende por censo aquella numeracin que se efect,a a todos y cada uno
de los caracteres componentes de una poblacin.
E"c#esta$ $e entiende por encuesta las observaciones realizadas por muestreo, es
decir son observaciones parciales.
Dat&s Estadstic&s$ $on los resultados del experimento o mediciones de las
observaciones realizadas, son el "eneral, el producto de las observaciones efectuadas
en los cuales se produce el fenmeno que queremos estudiar.
Clasi)icaci1" de l&s dat&s$ Los datos estadsticos pueden ser clasificados en
cualitativos, cuantitativos, cronol"icos Bseries de tiempoC y "eo"rficos Bseries de
espaciosC, etc. C#a"titati!&s, cuando son representados por un n,mero,
C#alitati!&s, cuando se'alan cualidades y no estn representados num#ricamente,
Cr&"&l16ic&s, cuando los valores de los datos varan en diferentes instantes o
perodos de tiempo, los datos son reconocidos como cronol"icos6 y son Esaciales
cuando los datos estn referidos a una localidad, espacio, rea,
F#e"tes de dat&s Estadstic&s$ Los datos estadsticos necesarios para la comprensin
de los hechos pueden obtenerse a trav#s de fuentes primarias y fuentes secundarias
%ri'arias, cuando se va ala ori"en mismo de la informacin o experimento y se
toman los datos directamente, y son Sec#"darias, cuando se obtienen sin el
experimento u observacin directa
+7t&d& ara la rec&lecci1" de dat&s$ %n estadstica se emplean una variedad de
m#todos distintos para obtener informacin de los que se desea investi"ar. %ntre ellos
D
tenemos %ntrevista personal, encuestas, observacin con o sin control de un
experimento o de poblaciones, -uestionarios, /ediciones, conteos, etc.
E
08. LAS +EDIDAS 0 RE%RESENTACIONES 9R:FICAS
Las medidas nos permiten informacin sobre la serie de datos que estamos
analizando. %stas medidas permiten conocer diversas caractersticas de esta serie de
datos.
+edici1"$ $e ha definido como la asi"nacin de n,meros a los elementos u objetos
para representar o cuantificar una propiedad. %l problema bsico est dado por la
asi"nacin un numeral que represente la ma"nitud de la caracterstica que queremos
medir y que dicho n,meros pueden analizarse por manipulaciones de acuerdo a
ciertas re"las.
Ni!eles & Escalas de 'edici&"es, al respecto cabe se'alar al"unas definiciones
N&'i"al, consiste en la asi"nacin, puramente arbitraria de n,meros a cada una de
las diferentes cate"oras en las cuales podemos dividir el carcter que observamos, sin
que puedan establecerse relaciones entre dichas cate"oras, a no ser el de que cada
elemento pueda pertenecer a una y solo una de estas cate"oras6 Ordi"al, %n caso de
que puedan detectarse diversos "rados de un atributo o propiedad de un objeto, la
medida ordinal es la indicada, puesto que entonces puede recurrirse a la propiedad de
FordenG de los n,meros asi"nndolo a los objetos en estudio de modo que, si la cifra
asi"nada al objeto ! es mayor que la de 0, puede inferirse que ! posee un mayor
"rado de atributo que 06 I"ter!al&s, est caracterizada por una unidad de medida
com,n y constante que asi"na un n,mero i"ual al n,mero de unidades equivalentes a
la de la ma"nitud que posea el elemento observado6 y C&e)icie"tes, entonces, a
i"uales diferencias entre los n,meros asi"nados corresponden i"uales diferencias en
el "rado de atributo presente en el objeto de estudio. !dems, siendo que cero ya no
es arbitrario, sino un valor absoluto, podemos decir que !. Tiene dos, tres o cuatro
veces la ma"nitud de la propiedad presente en 0.
+EDIDAS DE %OSICIN
+edidas de &sici1" ce"tral$ informan sobre los valores medios de la serie de datos.
+edidas de &sici1" "& ce"trales$ informan de como se distribuye el resto de los
valores de la serie. Las principales medidas de posicin ce"tral son
.al&r +edi&$ %r&'edi& & .al&r Ce"tral, es el valor medio ponderado de la serie de
datos. $e pueden calcular diversos tipos de media, siendo las ms utilizadas
+edia Arit'7tica$ se calcula sumando los valores y dividiendo en el n,mero de
ellos, o sumando los valores de multiplicar cada valor por el n,mero de veces que se
repite. La suma de todos estos productos se divide por el total de datos de la muestra
H
n
n I x n I x n I x
2 x
n
(
n
x x x x
2
n n 3 3 ( (
n
(
i
n ; 3 (
+ +
+ + + +
La 'edia arit'7tica de una variable estadstica es la suma de todos sus posibles
valores, ponderada por las frecuencias de los mismos. %s decir, si la tabla de valores
de una variable 2 es
2 n
i
f
i
x
(
n
(
f
(
J J J
x
K
n
K
f
K
la media es el valor que podemos escribir de las si"uientes formas equivalentes
+ +
K
( i
i i K K ( ( K K ( (
n x
n
(
C n x n x B
n
(
f x f x x
+edia 9e&'7trica$ se eleva cada valor al n,mero de veces que se ha repetido. $e
multiplican todo estos resultados y al producto final se le calcula la raz n Bsiendo n el
total de datos de la muestraC,
n
n
n
(
n
n
n
n
3
n
( "
x x I x I x x
n 3 (
$e",n el tipo de datos que se analice ser ms apropiado utilizar la media aritm#tica o
la media "eom#trica. La media "eom#trica se suele utilizar en series de datos como
tipos de inter#s anuales, inflacin, etc., donde el valor de cada a'o tiene un efecto
multiplicativo sobre el de los a'os anteriores. %n todo caso, la media aritm#tica es la
medida de posicin central ms utilizada.
!hora bien,
n
Lo"x Lo"x
x Lo"
n (
"
+
, lue"o
n
n 3 ( "
x x x x
$i los datos estn a"rupados en una tabla, entonces se tiene
n
n
K
n
3
n
(
K 3 (
x x x x
+edia Ar'1"ica$ a
x
, se define como el recproco de la media aritm#tica de los
recprocos, es decir,
C x L ( B C x L ( B
n
x
n
C x L ( B C x L ( B
x
(
n (
a
n (
a
+
+
+edia C#adrtica. c
x
, es la raz cuadrada de la media aritm#tica de los cuadrados
(4
n
x x
x
3
n
3
(
c
+
+edia %&"derada$ se calcula sumando los valores multiplicados por sus frecuencias
o si"nificancias, y dividiendo en la suma de las si"nificancias,
n
(
i
n
(
i i
p
s
s I x
2
+edia"a$ es el valor de la serie de datos que se sit,a justamente en el centro de la
muestra una vez se ha ordenado #sta, corresponde a un ?4M de valores son inferiores
y otro ?4M son superiores.
C f L j B c L /ediana +
L es el lmite inferior de la clase, f la frecuencia de esa clase y c la lon"itud de la
clase, j el n,mero de observaciones en esta clase
-onsideramos una variable discreta X cuyas observaciones en una tabla estadstica
han sido ordenadas de menor a mayor. Llamaremos 'edia"a, /
ed
al primer valor de
la variable que deja por debajo de s al ?4M de las observaciones. *or tanto, si n es el
n,mero de observaciones, la mediana corresponder a la observacin NnL3OP(, donde
representamos por la parte entera de un n,mero.
%n el caso de variables continuas, las clases vienen dadas por intervalos, y aqu la
frmula de la mediana se complica un poco ms Bpero no demasiadoC $ea Bl
i:(
,l
i
O el
intervalo donde hemos encontrado que por debajo estn el ?4M de las observaciones.
((
%ntonces se obtiene la mediana a partir de las frecuencias absolutas acumuladas,
mediante interpolacin lineal
i
i
( i
( i
( i
(
i
i
a
n
7 BnL3C
l /ed
l /ed
7 BnL3C
a
n
!0
0 0
!-
- -
+
8e este modo, /
ed
es el punto donde
3 L ( C /ed B Q
. %sto equivale a decir que la
mediana divide al histo"rama en dos partes de reas i"uales a (L3. %ntre las
propiedades de la mediana, se destacan principalmente,
: -omo medida descriptiva, tiene la ventaja de no estar afectada por las
observaciones extremas, ya que no depende de los valores que toma la variable,
sino del orden de las mismas. *or ello es adecuado su uso en distribuciones
asim#tricas.
: %s de clculo rpido y de interpretacin sencilla.
: ! diferencia de la media, la mediana de una variable discreta es siempre un valor
de la variable que estudiamos Bpor ejemplo, la mediana de una variable n,mero de
hijos toma siempre valores enterosC.
: $i una poblacin est formada por 3 subpoblaciones de medianas /
ed(
y /
ed3
, slo
se puede afirmar que la mediana, /
ed
, de la poblacin est comprendida entre
/
ed(
y /
ed3
3 (
/ed /ed /ed
: %l mayor defecto de la mediana es que tiene unas propiedades matemticas
complicadas, lo que hace que sea muy difcil de utilizar en inferencia estadstica.
: %s funcin de los intervalos esco"idos.
: *uede ser calculada aunque el intervalo inferior o el superior no ten"a lmites.
: La suma de las diferencias de los valores absolutos de n puntuaciones respecto a
su mediana es menor o i"ual que cualquier otro valor. %ste es el equivalente al
te&re'a de <Sni" con respecto a la media, pero donde se considera como medida
de dispersin a
n
( i
i
/ed x
+&da$ es el valor que ms se repite en la muestra. -orresponde al valor que tiene
mayor frecuencia relativa. La moda a cualquier mximo relativo de la distribucin de
frecuencias, es decir, cualquier valor de la variable que posea una frecuencia mayor
que su anterior y su posterior.
(3
%n el caso de variables continuas es ms correcto hablar de intervalos modales. >na
vez que este intervalo,
( ]
j ( j
l , l
, se ha obtenido, se utiliza la si"uiente frmula para
calcular la moda, de acuerdo con la fi"ura anterior,
C n n B C n n B
a
n n
l /oda
0 ! !0
- 9 9-
0 !
- 9
!0
9-
( i i ( i i
i
( i i
( i
+
+
+
+
*ara el clculo de la /oda, lo primero es encontrar los intervalos modales, buscando
los mximos relativos en la columna de las frecuencias absolutas, n
i
. )emos que hay
dos modas, correspondientes a las modalidades jR(, jR;. %n el primer intervalo
modal, Bl
4
,l
(
ORB4,3O, la moda se calcula como
; . ( 3
C ( 3 B C 4 3 B
4 3
4 a
C n n B C n n B
n n
l /oda
i
( i i ( i i
( i i
( i
+
+
+
+
+
+
+
+
+
%n este caso, como se ve, la moda no toma un valor ,nico, sino el conjunto, /oda R
B(.;,?.?C
E;e'l&, 8ado el re"istro de estaturas de estudiantes, hallar los principales
parmetros estadsticos analizados
.ariable
Frec#e"cia Abs&l#ta Frec#e"cia Relati!a
Si'le
Ac#'#lad
a Si'le Ac#'#lada
(,34 ( ( ;,; M ;,; M
(,3( = ? (;,; M (A,A M
(,33 = H (;,; M ;4,4 M
(=
(,3; 3 (( A,A M ;A,A M
(,3= ( (3 ;,; M =4,4 M
(,3? 3 (= A,A M =A,A M
(,3A ; (D (4,4 M ?A,A M
(,3D ; 34 (4,4 M AA,A M
(,3E = 3= (;,; M E4,4 M
(,3H ; 3D (4,4 M H4,4 M
(,;4 ; ;4 (4,4 M (44,4 M
+edia arit'7tica-
253 . 1
30
3 30 . 1 4 22 . 1 4 21 . 1 4 20 . 1
X
m
+ + + +
+edia 6e&'7trica 253 . 1 30 . 1 21 . 1 20 . 1
30 3 4 4
+edia"a- (,3A, ya que por debajo est el ?4M de los valores y por arriba el otro ?4M.
+&da- 9ay ; valores que se repiten en = ocasiones el (,3(, el (,33 y el (,3E, por lo
tanto esta seria cuenta con ; modas
E;e'l&, 8ado el re"istro de estaturas de estudiantes, hallar los principales
parmetros estadsticos analizados
.ariable
Frec#e"cia Abs&l#ta Frec#e"cia Relati!a
Si'le
Ac#'#lad
a Si'le Ac#'#lada
(,34 ( ( ;,; M ;,; M
(,3( = ? (;,; M (A,A M
(,33 = H (;,; M ;4,4 M
(,3; 3 (( A,A M ;A,A M
(,3= ( (3 ;,; M =4,4 M
(,3? 3 (= A,A M =A,A M
(?
(,3A ; (D (4,4 M ?A,A M
(,3D ; 34 (4,4 M AA,A M
(,3E = 3= (;,; M E4,4 M
(,3H ; 3D (4,4 M H4,4 M
(,;4 ; ;4 (4,4 M (44,4 M
+edia arit'7tica-
253 . 1
30
3 30 . 1 4 22 . 1 4 21 . 1 4 20 . 1
X
m
+ + + +
+edia 6e&'7trica 253 . 1 30 . 1 21 . 1 20 . 1
30 3 4 4
+edia"a- (,3A, ya que por debajo est el ?4M de los valores y por arriba el otro ?4M.
+&da- 9ay ; valores que se repiten en = ocasiones el (,3(, el (,33 y el (,3E, por lo
tanto esta seria cuenta con ; modas
+edidas "& Ce"trales. Las medidas no centrales permiten conocer otros puntos
caractersticos de la distribucin que no son los valores centrales, tales como
C#rtiles$ son ; valores que distribuyen la serie de datos, ordenada de forma
creciente o decreciente, en cuatro tramos i"uales, en los que cada uno de ellos
concentra el 3?M de los resultados.
D7ciles, son H valores que distribuyen la serie de datos, ordenada de forma creciente
o decreciente, en diez tramos i"uales, en los que cada uno de ellos concentra el (4M
de los resultados.
%erc7"tiles$ son HH valores que distribuyen la serie de datos, ordenada de forma
creciente o decreciente, en cien tramos i"uales, en los que cada uno de ellos concentra
el (M de los resultados.
(A
Estadstic&s de &sici1". *ara una variable discreta, se define el erce"til de &rde"
K, como la observacin, *
K
, que deja por debajo de si el KM de la poblacin. %sta
definicin nos recuerda a la mediana, pues como consecuencia de la definicin es
evidente que /
ed
R *
?4
*ara una variable continua, el intervalo donde se encuentra *
K
Bl
i:(
,l
i
O, se calcula
buscando el que deja debajo de si al KM de las observaciones. 8entro de #l, *
K
se
obtiene se",n la relacin
i
i
( i
( i K
a
n
7 C (44 L K B n
l *
+
n
i
i
n
i
n
n
X x s o
n
X x
s
(
3
3 (
3
3
(E
La varianza siempre ser mayor que cero. /ientras ms se aproxima a cero, ms
concentrados estn los valores de la serie alrededor de la media. *or el contrario,
mientras mayor sea la varianza, ms dispersos estn.
Des!iaci1" Tica & Est"dar, se calcula como raz cuadrada de la varianza.
C&e)icie"te de .ariaci1"$ se calcula como cociente entre la desviacin tpica y la
media.
X
= CV s =
2
%l inter#s del coeficiente de variacin es que al ser un porcentaje permite comparar el
nivel de dispersin de dos muestras. %sto no ocurre con la desviacin tpica, ya que
viene expresada en las mismas unidas que los datos de la serie.
Err&r. La suma de las diferencias de la variable con respecto al valor medio es nula,
n
( i
i
4 C x x B
$i los errores se consideran con si"no positivo, en este caso no pueden compensarse.
%sto ocurre si tomamos como medida de error al"una de las si"uientes
cuadrtico error 4 C x x B
absoluto error 4 x x
n
( i
3
i
n
( i
i
=>"i6. *ara cualquier posible valor K que consideremos como candidato a medida
central, lo mejora en el sentido de los mnimos cuadrados, es decir
x K siendo KC Bx C x Bx
3
n
( i
i
3
n
( i
i
<
9rad&s de libertad. Los "rados de libertad de un estadstico calculado sobre n datos
se refieren al n,mero de cantidades independientes que se necesitan en su clculo,
menos el n,mero de restricciones que li"an a las observaciones y el estadstico. %s
decir, normalmente n:(. *or ejemplo, -onsideramos una serie de valores de una
variable, x
i
R3,?,D,H,(3 que han sido tomados independiente uno de otro.
$u valor medio es D y se ha calculado a partir de las nR?observaciones independientes
x
i
, que estn li"adas a la media por la relacin,
i
x
n
(
x
(H
Lue"o el n,mero de "rados de libertad de la media es n:(R=. $i calculamos a
continuacin la varianza, se han de sumar n cantidades
n
x x
x
i
3
C B
$in embar"o esas cantidades no son totalmente independientes, pues estn li"adas por
una restriccin
4 n x x
n
( i
n
( i
i i
,
_
,
_
%l "3'er& de 6rad&s de libertad del estadstico es el n,mero de observaciones de la
variable menos el n,mero de restricciones que verifican, as que en este caso, los
"rados de libertad de la varianza sobre los nR? datos son tambi#n n:( R=.
>n principio "eneral de la teora matemtica nos dice que si pretendemos calcular de
modo aproximado la varianza de una poblacin a partir de la varianza de una muestra
suya, se tiene que el error cometido es "eneralmente ms peque'o, si en vez de
considerar como estimacin de la varianza de la poblacin, a la varianza muestral
3
n
( i
i
3
C x x B
n
(
s
+edidas de )&r'a & C&"ce"traci1". Las medidas de forma permiten conocer que
forma tiene la curva que representa la serie de datos de la muestra. %n concreto,
podemos estudiar las si"uientes caractersticas de la curva,
C&"ce"traci1"$ mide si los valores de la variable estn ms o menos uniformemente
repartidos a lo lar"o de la muestra. *ara medir el nivel de concentracin de una
distribucin de frecuencia se pueden utilizar distintos indicadores, entre ellos el
Wndice de Xini, para medir el nivel de concentracin de una distribucin de frecuencia
se pueden utilizar distintos indicadores, entre ellos el "dice de 9i"i, el cual se
calcula
( )
1 n
1 i
i
1 n
1 i
i i
g
P
Q P
I
34
%l "dice 9i"i B&
"
C puede tomar valores entre 4 y (, es 4, cuando la concentracin es
mnima, o la muestra est uniformemente repartida a lo lar"o de todo su ran"o6 es (
cuando la concentracin es mxima, y en este caso un slo valor de la muestra
acumula el (44M de los resultados
Asi'etra ( a#"ta'ie"t&. $abemos cmo calcular valores alrededor de los cuales
se distribuyen las observaciones de una variable sobre una muestra y sabemos cmo
calcular la dispersin que ofrecen los mismos con respecto al valor de central. 7os
proponemos dar un paso ms all en el anlisis de la variable. %n primer lu"ar, nos
vamos a plantear el saber si los datos se distribuyen de forma sim#trica con respecto a
un valor central, o si bien la "rfica que representa la distribucin de frecuencias es
de una forma diferente del lado derecho que del lado izquierdo.
$i la simetra ha sido determinada, podemos pre"untarnos si la curva es ms o menos
apuntada Blar"a y estrechaC. %ste apuntamiento habr que medirlo comparado a cierta
distribucin de frecuencias que consideramos normal Bno por casualidad es #ste el
nombre que recibe la distribucin de referenciaC.
%stadsticos de asimetra. *ara saber si una distribucin de frecuencias es sim#trica,
hay que precisar con respecto a qu#. >n buen candidato es la mediana, ya que para
variables continuas, divide al histo"rama de frecuencias en dos partes de i"ual rea.
*odemos basarnos en ella para, de forma natural, decir que #"a distrib#ci1" de
)rec#e"cias es si'7trica si el lado derecho de la "rfica Ba partir de la medianaC es la
ima"en por un espejo del lado izquierdo,
-uando la variable es discreta, decimos que es sim#trica, si lo es con respecto a la
media.
: $e podra pensar que definir la simetra con usando la mediana para variables
continuas y usando la media para variables discretas es una eleccin arbitraria. %n
realidad esto no es as, pues si una variable es continua, coinciden los ambos
3(
criterios de simetra Bcon respecto a la media y a la medianaC. %s ms, se tiene que
media y mediana coinciden para distribuciones continuas sim#tricas. *or otro
lado,
: en el caso de variables discretas, la distribucin es sim#trica si el lado derecho del
dia"rama se obtiene por ima"en especular desde la media. %n este caso coincide
la media con la mediana si el n,mero de observaciones es impar.
: $i la variable es continua sim#trica y unimodal, coinciden la media, la mediana y
la moda.
8entro de los tipos de asimetra posible, vamos a destacar los dos clases
fundamentales Asi'etra &siti!a- $i las frecuencias ms altas se encuentran en el
lado izquierdo de la media, mientras que en derecho hay frecuencias ms peque'as
BcolaC6 y Asi'etra "e6ati!a- -uando la cola est en el lado izquierdo.
-uando realizamos un estudio descriptivo es altamente improbable que la
distribucin de frecuencias sea totalmente sim#trica. %n la prctica diremos que la
distribucin de frecuencias es sim#trica si lo es de un modo aproximado. *or otro
lado, a,n observando cuidadosamente la "rfica, podemos no ver claro de qu# lado
estn las frecuencias ms altas. -onviene definir entonces unos estadsticos que
ayuden a interpretar la asimetra, a los que llamaremos "dices de asi'etra, y que
denotaremos mediante
9emos comentado que el concepto de asimetra se refiere a si la curva que forman los
valores de la serie presenta la misma forma a izquierda y derecha de un valor central
Bmedia aritm#ticaC
Los resultados pueden ser los si"uientes
:
R4 Bdistribucin sim#trica6 existe la misma concentracin de valores a la
derecha y a la izquierda de la mediaC.
:
U4 Bdistribucin asim#trica positiva6 existe mayor concentracin de valores a la
derecha de la media que a su izquierdaC
:
Z4 Bdistribucin asim#trica ne"ativa6 existe mayor concentracin de valores a
la izquierda de la media que a su derechaC.
C#rt&sis$ mide si los valores de la distribucin estn ms o menos concentrados
alrededor de los valores medios de la muestra. %l -oeficiente de -urtosis analiza el
"rado de concentracin que presentan los valores alrededor de la zona central de la
distribucin.
( )
( )
( )
Y
Y
n
1
i
2
i
2 / 3
n
1
i
4
i
n * X x
n
1
A siendo
A
n * X x
n
1
? Distrib#ci1" 'es&c3rtica- presenta un "rado de concentracin medio alrededor
de los valores centrales de la variable Bel mismo que presenta una distribucin
normalC
R4
: Distrib#ci1" let&c3rtica- presenta un elevado "rado de concentracin alrededor
de los valores centrales de la variable
U4
? Distrib#ci1" latic3rtica- presenta un reducido "rado de concentracin
alrededor de los valores centrales de la variable
Z4
E;e'l&, 8ado el re"istro de estaturas de estudiantes, hallar los principales
parmetros estadsticos analizados
.ariable
Frec#e"cia Abs&l#ta Frec#e"cia Relati!a
Si'le
Ac#'#lad
a Si'le Ac#'#lada
(,34 ( ( ;,; M ;,; M
(,3( = ? (;,; M (A,A M
(,33 = H (;,; M ;4,4 M
3;
(,3; 3 (( A,A M ;A,A M
(,3= ( (3 ;,; M =4,4 M
(,3? 3 (= A,A M =A,A M
(,3A ; (D (4,4 M ?A,A M
(,3D ; 34 (4,4 M AA,A M
(,3E = 3= (;,; M E4,4 M
(,3H ; 3D (4,4 M H4,4 M
(,;4 ; ;4 (4,4 M (44,4 M
+edia arit'7tica-
253 . 1
30
3 30 . 1 4 22 . 1 4 21 . 1 4 20 . 1
X
m
+ + + +
+edia 6e&'7trica 253 . 1 30 . 1 21 . 1 20 . 1
30 3 4 4
+edia"a- (,3A, ya que por debajo est el ?4M de los valores y por arriba el otro ?4M.
+&da- 9ay ; valores que se repiten en = ocasiones el (,3(, el (,33 y el (,3E, por lo
tanto esta seria cuenta con ; modas
C#arteles$ Deciles ( %erce"tiles
([ cuartil es el valor (,33
3[ cuartil es el valor (,3A
;[ cuartil es el valor (,3E
Ra"6&- (;4 \ (.34 R4.(4
)amos a calcular los valores de las distintas posiciones centrales
.aria"<a-
[ ] [ ] [ ]
30
3 * ) 253 . 1 130 ( 4 * ) 253 . 1 21 . 1 ( 4 ) 253 . 1 20 . 1 (
S
2 2 2
2
x
+ +
3=
*or lo tanto, la varianza es 4,44(4
Des!iaci1" tica- 032 . 0 010 . 0 +
C&e)icie"te de !ariaci1"-
0255 . 0
253 . 1
032 . 0
CV
C&e)icie"te de Asi'etra-
1 n
1 i
i
1 n
1 i
i i
g
P
Q P
I
Los ndices reflejan los porcentajes de cambios en al",n evento en un periodo de
tiempo dado respecto a un tiempo de referencia. -on miras de dar una demostracin y
aplicacin de los ndices en la estadstica y desarrollo de las investi"aciones se
presenta el si"uiente problema
E;e'l&$ $ea el cuadro que representa el costo del K" de pescado en los diferentes
a'os
Ao 190 191 192 193 194 195 19 19! 19" 199 19!0 19!1 19!2 19!3 19!4 19!5
Precio $ 12#2 10# 9#! "#4 " 9#5 12#! 11#5 11#4 13#! 15#3 1#! 21#4 23#! 2#5 34#!
a. Wndices *orcentuales. Tomando al a'o (HA4 como a'o base y a partir de #l
calculamos el crecimiento de precios con base en este a'o, as por ejemplo, para el
a'o (HD4 Wndice R (?.;I(44L(3.3 R (3?.=M %n este caso
(44 I
*
*
C t B &
C 4 B
i
C t B
i
i
Ao 190 191 192 193 194 195 19 19! 19" 199 19!0 19!1 19!2 19!3 19!4 19!5
Precio $ 12#2 10# 9#! "#4 " 9#5 12#! 11#5 11#4 13#! 15#3 1#! 21#4 23#! 2#5 34#!
Indice 100#0 "#9 !9#5 "#9 5# !!#9 104#1 94#3 93#4 112#3 125#4 13#9 1!5#4 194#3 21!#2 2"4#4
b. Wndices a"re"ados simples. $e calculan como una media aritm#tica simple de
precios relativos, por ejemplo,
3?
n
( i
C 4 B
i
n
( i
C t B
i
as
*
*
C t B &
Cantidad P
0
P
(1)
P
(2)
P
(3)
Precio 1960 1965 1970 1975
Q 40#0 3#0 53#0 5#0
P #5 " 11#2 23#3
Q 12! 1"0 19 15
P 12#2 9#5 15#3 34#!
Q 119 134 2! 1
P !#9 "#9 22#! 2#"
Q 141#0 "4#0 55#0 32#0
P 4 4#3 4#9 10#3
Q 29" 319 393 391
P 15#! 15#! 2#2 3!#4
4#3 4#2 "0#3 132#5 S$m%
15#! 15#! 2#2 3!#4
4#0 4#1 4#9 10#3
!#9 "#9 22#! 2#"
12#2 9#5 15#3 34#!
#5 "#0 11#2 23#3
1970 1975
Precios Promedios Indices
Pe& 4
Pe& 5
1960 1965 Pescado
Pe& 1
Pe& 2
Pe& 3
%l ndice se calcula como, en el a'o
(HA4 =A.;I(44L=A.; R (44.4
(HA? =A.3I(44L=A.; R HH.E
(HD4 E4.;I(44L=A.; R (D;.=
(HD? (;3.?I(44L=A.; R 3EA.;
c. *recios relativos en la media aritm#tica simple.
(44 I
n
* *
C t B &
n
( i
C 4 B
i
C t B
i
sm
e. *aashe. $imilar a Laspeyres, pero con una formulacin distinta que pretende
obtener una mejor ponderacin del evento, se calcula utilizando los pesos de cada
periodo analizado y no los del a'o base
(44 I
T *
T *
C t B &
n
( i
C t B
i
C 4 B
i
n
( i
C t B
i
C t B
i
*
1 2 3 4 5 !
0
1
2
3
4
5
1 2 3 4 5 !
Las telara'as tienen una importancia enorme, ya que permiten comparar ciclos y
tendencias
0
1
2
3
4
5
1
2
3
4 5
!
;=
>na vez distribuidos todos los valores en los intervalos de clase, y obtenida la
frecuencia absoluta de cada intervalo, se realizan al"unos clculos para mejorar la
presentacin de los resultados. *or lo "eneral, se calcula para cada intervalo la
frecuencia relativa y la frecuencia relativa acumulada, las cuales estn dadas por
Qrecuencias relativas y relativas acumuladas del intervalo i
i
( K
K i
i
i
Qr Qa
n
Q
Qr
donde Q
i
es la frecuencia absoluta del intervalo i, es decir, corresponde al n,mero de
valores observados que quedaron en dicho intervalo.
I")&r'aci1" 6r)ica. El Fist&6ra'a. Xeneralmente la distribucin de frecuencia se
complementa con el 9isto"rama, que es simplemente un "rfico de barras. %n la
abscisa se colocan los lmites de los intervalos de clase b
4
, b
(
, b
3
,.., b
/
, y en la
ordenada se "rafica, bien sea la frecuencia absoluta, o la frecuencia relativa. *ara
cada intervalo se levanta una barra cuya lon"itud es proporcional a la frecuencia
Babsoluta, o relativaC. La forma que toma el "rfico es la misma, bien sea que se
trabaje con frecuencia absoluta o relativa, ya que la diferencia entre las dos es
simplemente un cambio de escala. ! veces se "rafica una ordenada izquierda con la
frecuencia absoluta, y una ordenada derecha con la frecuencia relativa. Los
histo"ramas tambi#n pueden construirse con la frecuencia Babsoluta o relativaC
acumulada.
I")&r'aci1" 6r)ica. La O;i!a. La ojiva se construye a partir del histo"rama de
frecuencia Babsoluta o relativaC uniendo las marcas de clase de los intervalos
mediante una lnea recta, y uniendo la marca de clase del primer intervalo con el
punto medio de un intervalo ficticio inmediatamente anterior, y la marca de clase del
,ltimo intervalo con el punto medio de un intervalo ficticio inmediatamente si"uiente.
La marca de clase de un intervalo es simplemente el punto medio del respectivo
intervalo. %ste valor tambi#n recibe a veces el nombre de ]/ediatriz].
! continuacin se hace el desarrollo completo de la distribucin de frecuencia y de
los histo"ramas.
9r)ic&s ara !ariables c#alitati!as. Los "rficos ms usuales para representar
variables de tipo nominal son los si"uientes
Dia6ra'as de barras- $i"uiendo la fi"ura, representamos en el eje de ordenadas las
modalidades y en abscisas las frecuencias absolutas o bien, las frecuencias relativas.
$i, mediante el "rfico, se intenta comparar varias poblaciones entre s, existen otras
modalidades, como las mostradas en la fi"ura. -uando los tama'os de las dos
poblaciones son diferentes, es conveniente utilizar las frecuencias relativas, ya que en
otro caso podran resultar en"a'osas.
;?
0
1
2
3
4
5
!
"
1 2 3 4
0
1
2
3
4
5
6
7
8
1 2 3 4
Dia6ra'as de sect&res. $e divide un crculo en tantas porciones como clases existan,
de modo que a cada clase le corresponde un arco de crculo proporcional a su
frecuencia absoluta o relativa.
1
2
3
4
-omo en la situacin anterior, puede interesar comparar dos poblaciones. %n este
caso tambi#n es aconsejable el uso de las frecuencias relativas BporcentajesC de ambas
sobre "rficos como los anteriores. ^tra posibilidad es comparar las 3 poblaciones
usando para cada una de ellas un dia"rama semicircular. $ean
3 (
n n los tama'os
respectivos de las 3 poblaciones. La poblacin ms peque'a se representa con un
semicrculo de radio r
(
y la mayor con otro de radio r
3
. La relacin existente entre los
radios, es la que se obtiene de suponer que la relacin entre las reas de las
circunferencias es i"ual a la de los tama'os de las poblaciones respectivas, es decir
(
3
( 3
(
3
3
(
3
3
n
n
r r
n
n
r
r
;A
%ict&6ra'as, %xpresan con dibujos alusivo al tema de estudio las frecuencias de las
modalidades de la variable. %stos "rficos se hacen representado a diferentes escalas
un mismo dibujo.
%l escalamiento de los dibujos debe ser tal que el rea de cada uno de ellos sea
proporcional a la frecuencia de la modalidad que representa. %ste tipo de "rficos
suele usarse en los medios de comunicacin, para que sean comprendidos por el
p,blico no especializado, sin que sea necesaria una explicacin compleja.
9r)ic&s ara !ariables c#a"titati!as. *ara las variables cuantitativas,
consideraremos dos tipos de "rficos, en funcin de que para realizarlos se usen las
frecuencias Babsolutas o relativasC o las frecuencias acumuladas
Dia6ra'as di)ere"ciales- $on aquellos en los que se representan frecuencias
absolutas o relativas. %n ellos se representa el n,mero o porcentaje de elementos que
presenta una modalidad dada.
Dia6ra'as i"te6rales- $on aquellos en los que se representan el n,mero de
elementos que presentan una modalidad inferior o i"ual a una dada. $e realizan a
partir de las frecuencias acumuladas, lo que da lu"ar a "rficos crecientes, y es obvio
que este tipo de "rficos no tiene sentido para variables cualitativas.
9r)ic&s ara !ariables discretas. -uando representamos una variable discreta,
usamos el dia6ra'a de barras cuando pretendemos hacer una "rfica diferencial.
Las barras deben ser estrechas para representar el que los valores que toma la variable
son discretos. %l dia"rama inte"ral o acumulado tiene, por la naturaleza de la
variable, forma de escalera.
%jemplo, $e lanzan tres monedas al aire en E ocasiones y se contabiliza el n,mero de
caras, X, obteni#ndose los si"uientes resultados, x R 3,(, 4, (, ;, 3, (, 3. .epresentar
"rficamente el resultado.
%n primer lu"ar observamos que la variable 2 es cuantitativa discreta, presentando
las modalidades, x est incluido en 4, (, 3, ;, ^rdenamos a continuacin los datos en
una tabla estadstica
Fi6#ra- 8ia"rama diferencial BbarrasC e inte"ral para una variable discreta. ^bs#rvese
que el dia"rama inte"ral BcrecienteC contabiliza el n,mero de observaciones de la
variable inferiores o i"uales a cada punto del eje de abscisas.
;D
C&"te& de dat&s. $e toman los valores de la muestra, y se analiza en que intervalo
cae. *ara ello se toma cada valor y se compara sucesivamente con el lmite superior
del primer intervalo, lue"o con el del se"undo, y as sucesivamente hasta que cai"a en
al"uno. $i el valor x queda en el intervalo i, entonces se aumenta en uno la frecuencia
del respectivo intervalo.
;E
0A. CONTEOS$ +ETODOS CO+*INATORIOS 0 CONDUNTOS
ANALISIS CO+*INATORIO
C&'bi"aci&"es$ .ariaci&"es ( %er'#taci&"es. P%(% %)*i+%( *% ,eg*% de
-%)*%+e# e* +.*+$*o de *os s$+esos /%0o(%1*es 2 de *os s$+esos )osi1*es %
0e+es no )*%n3e% ning4n )(o1*em%# 2% 5$e son $n n4me(o (ed$+ido 2 se
)$eden +%*+$*%( +on /%+i*id%d6
aG C&'bi"aci&"es$ de3e(min% e* n4me(o de s$1g($)os de 1# 2# 3# e3+. e*emen3os
5$e se )$eden /o(m%( +on *os n e*emen3os de $n% n$es3(%. C%d% s$1g($)o se
di/e(en+i% de* (es3o en *os e*emen3os 5$e *o +om)onen# sin 5$e in/*$2% e* o(den.
P%(% +%*+$*%( e* n4me(o de +om1in%+iones se %)*i+%
)7 n m ( 7 n
7 m
C
n # m
;H
%s decir, podramos formar ?.4=4 sub"rupos diferentes de = elementos, a partir de
los (4 elementos.
cG %er'#taci&"es$ +%*+$*% *%s )osi1*es %g($)%+iones 5$e se )$eden es3%1*e+e(
+on 3odos *os e*emen3os de $n g($)o# )o( *o 3%n3o# *o 5$e di/e(en+i% % +%d%
s$1g($)o de* (es3o es e* o(den de *os e*emen3os. P%(% +%*+$*%( e* n4me(o de
)e(m$3%+iones se %)*i+%#
7 n P
m
La expresin Pm (e)(esen3% *%s )e(m$3%+iones de m e*emen3os# 3om%ndo 3odos
*os e*emen3os. -os s$1g($)os se di/e(en+i%(%n 4ni+%men3e )o( e* o(den de *os
e*emen3os. :;em)*o# P10 son *%s )e(m$3%+iones de 10 e*emen3os#
"00 . 2" . 3 7 10 P
m
%s decir, tendramos ;.A3E.E44 formas diferentes de a"rupar (4 elementos.
)amos a analizar ahora que ocurrira con el clculo de las combinaciones, de las
variaciones o de las permutaciones en el s$)$es3o de 5$e %* /o(m%( *os
s$1g($)os *os e*emen3os )$die(%n (e)e3i(se. Po( e;em)*o# 3enemos 1o*%s de
+o*o(es di/e(en3es 2 5$e(emos /o(m%( s$1g($)os en *os 5$e )$die(% d%(se e*
+%so de 5$e 2# 3# 4 o 3od%s *%s 1o*%s de* s$1g($)o 3$0ie(%n e* mismo +o*o(. :n
es3e +%so no )od(<%mos $3i*i&%( *%s /8(m$*%s 5$e 0imos en *% %n3e(io(.
aG C&'bi"aci&"es c&" reetici1". P%(% +%*+$*%( e* n4me(o de +om1in%+iones +on
(e)e3i+i8n se %)*i+%#
)7 1 m ( 7 n
)7 1 n m (
C
n # m
+
%jemplo, C=10#4 son *%s +om1in%+iones de 10 e*emen3os +on (e)e3i+i8n#
%g($).ndo*os en s$1g($)os de 4# en *os 5$e 2# 3 o *os 4 e*emen3os )od(<%n
es3%( (e)e3idos#
!15
7 9 7 4
7 13
> C
4 # 10
%s decir, podramos formar D(? sub"rupos diferentes de = elementos.
bG .ariaci&"es c&" reetici1". P%(% +%*+$*%( e* n4me(o de 0%(i%+iones +on
(e)e3i+i8n se %)*i+%#
n
n # m
m V
%jemplo, V=10#4 son *%s 0%(i%+iones de 10 e*emen3os +on (e)e3i+i8n# %g($).ndo*os
en s$1g($)os de 4 e*emen3os#
=4
000 . 10 10 V
4
4 # 10
%s decir, podramos formar (4.444 sub"rupos diferentes de = elementos.
cG %er'#taci&"es c&" reetici1". P%(% +%*+$*%( e* n4me(o de )e(m$3%+iones +on
(e)e3i+i8n se %)*i+%#
7 x 7 x
7 m
P
? 1
x # # x # m
? 1
%s decir, tendramos ;43,=44 formas diferentes de a"rupar estos (4 elementos.
Res#'e". %n resumen y usando otra nomenclatura para que el lector se habitu# a los
dems libros que circulan en el medio.
C&'bi"aci&"es$ !ariaci&"es ( er'#taci&"es. $e llaman !ariaci&"es de n
elementos tomados de m en m a los "rupos de m elementos esco"idos de los n
elementos de un conjunto, teniendo en cuenta que dos "rupos son distintos si difieren
en al",n elemento o en el orden de colocacin de ellos.
$i los elementos se pueden repetir se llaman variaciones con repeticin.
$i m R n se llaman permutaciones de n elementos.
$i el orden no importa se llaman combinaciones.
.ariaci&"es
) 1 m n ( ) 1 n ( n V
m
n
+ son los
distintos "rupos de m elementos distintos
que se pueden formar con n elementos,
teniendo en cuenta el orden.
.ariaci&"es c&" reetici1"
m m
n
n V, son los distintos "rupos de m
elementos, repetidos o no, que se pueden
formar con n elementos, teniendo en
cuenta el orden.
=(
C&'bi"aci&"es
)7 m n ( 7 m
7 n
m
n
C
m
n
,
_
son los
distintos subconjuntos de m elementos
distintos que se pueden formar con n
elementos.
C&'bi"aci&"es c&" reetici1"
m
1 m n
m
n
C C,
+
son los distintos
subconjuntos de m elementos, repetidos
o no, que se pueden formar con n
elementos.
%er'#taci&"es 7 n V P
n
n n
son todas
las distintas ordenaciones que se pueden
formar con n elementos, todos distintos.
%er'#taci&"es c&" reetici1"
7 x 7 x
7 n
P
? 1
x # # x
n
? 1
,
_
K
n
%l n,mero -Bn,KC es tambi#n llamado combinaciones de n en K. ^tra notacin com,n
es -
n
K.
8ado que un conjunto de K elementos se puede permutar en Ka posibles formas,
se tiene la si"uiente identidad que relaciona permutaciones y combinaciones,
C K , n B * a K C K , n B -
de la cual se puede deducir la expresin para calcular directamente -Bn,KC,
Ca K n B a K
a n
K
n
,
_
en donde Kb3n.
%l nombre de coeficiente binomial proviene del hecho que las combinaciones de n en
K son los coeficientes que aparecen al desarrollar un binomio a la n:#sima potencia,
resultado que fue establecido por &saac 7ecton
=
( )
,
_
t
n
( i
K K n
n
b a
K
n
b a
E;e'l&,
?
= ; 3 3 ; =
= 4 ; ( 3 3 ( ; 4 = =
b ab = b a A b a = a
b a
=
=
b a
;
=
b a
3
=
b a
(
=
b a
4
=
C b a B
+ t + t
,
_
,
_
,
_
,
_
,
_
t
%s el coeficiente num#rico del Bb P (C:#simo t#rmino de la expansin de un binomio a
trav#s del te&re'a del bi"&'i&, y de ah su nombre. Los coeficientes binomiales
cumplen una "ran variedad de identidades combinatorias. !l"unas de ellas son
A
,
_
,
_
,
_
,
_
K n
n
K
n
(
n
n
4
n
%l si"nificado combinatorio de la identidad anterior, es que determinar un
subconjunto con K elementos equivale a determinar el complemento de n:K elementos
y por tanto hay la misma cantidad de subconjuntos con k elementos que subconjuntos
con n:K elementos.
D
,
_
+
+
,
_
,
_
( K
( n
( K
n
K
n
La identidad anterior se conoce como Te&re'a de *ascal y es tambi#n la re"la que
permite la construccin del Trin"ulo de Tarta"lia, en donde se obtienen los
coeficientes del binomio
E
n
n
4 K
3
n
n
(
n
4
n
K
n
,
_
,
_
,
_
,
_
,
_
,
_
,
_
,
_
(
n
n
formas. Lue"o de esto quedan n : n
(
elementos disponibles. 8e #stos se seleccionan
((
los n
3
miembros del se"undo "rupo, lo cual se puede hacer
,
_
3
(
n
n n
formas distintas,
quedando entonces n : n
(
: n
3
elementos disponibles. -ontinuamos seleccionando el
tercer "rupo de esta misma manera y as sucesivamente. Qinalmente, el n,mero de
maneras de seleccionar los K "rupos es
(3
,
_
,
_
,
_
,
_
,
_
K 3 (
K 3 (
K
( K (
;
3 (
3
(
(
n , , n , n
n
a n a n a n
a n
n
n n n
n
n n n
n
n n
n
n
(;
%sta ,ltima expresin se conoce como un coeficiente multinomial, ya que aparece en
el teorema multinomiald*ara cualquier n,meros reales x
(
, x
3
, J x
K
y un n,mero
entero positivo n, tenemos
K 3 (
n
K
n
3
n
(
K 3 (
n
K 3 (
x x x
n , , n , n
n
C x x x B
,
_
+ + +
,
donde la sumatoria se extiende sobre todas los enteros no ne"ativos n
(
, n
3
, J n
K
tal
que n
(
P n
3
PJP n
K
R n.
.ariaci&"es si" reetici1". %n una carrera de carros participan 34 corredores.
Teniendo en cuenta que no es posible lle"ar la mismo tiempo, de cuntas maneras
podrn lle"ar a la meta los tres primeros5
Los veinte corredores son m
(
,m
3
,...,m
34
. *ara la primera posicin BcampenC hay 34
posibilidades6 para la se"unda posicin BsubcampenC hay (H posibilidades, y para el
tercer puesto hay (E posibilidades. ^bservamos el dia"rama de rbol del mar"en, por
tanto, hay 34I(HI(ERAE=4 formas distintas de quedar los tres primeros clasificados.
! estos distintos "rupos ordenados de tres corredores, ele"idos de entre los 34 que
tenemos, lo llamaremos variaciones de 34 elementos tomando de a tres cada vez
(=
.ariaci&"es &rdi"arias o variaciones si" repeticin. de n elementos tomados m cada
vez BmbnC son los distintos "rupos o listas que se pueden formar con los n elementos,
de manera que en cada "rupo entren m elementos distintos, y dos "rupos son distintos
si se diferencian en al",n elemento o en el orden de colocacin de #stos. %l n,mero
de variaciones ordinarias de n elementos tomando m cada vez se representa por )
n,m
N3'er& de !ariaci&"es &rdi"arias. 9emos obtenido el n,mero de formas de
clasificarse 34 corredores para obtener los tres primeros puestos 34I(HI(E. %n
"eneral, si hallamos el n,mero de variaciones sin repeticin que se pueden formar
con n elementos tomados m a m, obtendremos, )
n,m R
nIBn:(CIBn:3CI...IBn:mP(C
E;e'l&, )
;,3
R ;I3 R A que podra ser un "rupo de tres socios, por ejemplo !be B!C,
8ie"o B8C y )er B)C entre los cuales se van a desi"nar dos car"os importantes
.epresentante Le"al y tesorero. $i la primera posicin es para el .epresentante le"al
y la se"unda para el tesorero tenemos las si"uientes posibilidades
B!,8C, B!,)C B8,!C, B8,)C B),!C,B),8C
*ara este caso siempre quedara uno de ellos sin un car"o, porque son ; elementos
BnR;C tomados 3 cada vez BmR3C. $i todos quieren quedar con un car"o, di"amos
ahora que entre los ; socios BnR;C se van a ele"ir como *residente de la /esa
directiva y los car"os de .epresentante Le"al y tesorero. %n este caso tenemos );,;
as, );,; R ;e3e(RA tambi#n A posibilidades, pero ahora tenemos
B!,8,)C, B!,),8C B8,!,)C, B8,),!C B),!,8C, B),8,!C
y as cada uno de los socios tiene un car"o y estarn felices.
`-untos n,meros de tres cifras se pueden formar con los d"itos (,3, ;, =, ?, A, D, E y
H sin que se repita nin"una cifra5. -omo el n,mero (3; es diferente del n,mero ;3(,
lue"o influye el orden y adems no se puede repetir nin"una cifra. *or lo tanto
debemos calcular el n,mero de variaciones de nueve elementos BnRHC tomando tres
cada vez BmR;C, )
H,;
R HeEeD R ?4= n,meros distintos.
.ariaci&"es c&" reetici1". Lanzamos cuatro veces consecutivas una moneda
obteniendo en cada caso una -ara B-C o $ello B$C. -untos resultados distintos
podremos obtener5
(?
'&! #!" (E" C'A(!
C CCCC
S CCCS
C CCSC
S CCSS
C CSCC
S CSCS
C CSSC
S CSSS
C SCCC
S SCCS
C SCSC
S SCSS
C SSCC
S SSCS
C SSSC
S SSSS
S
C
S
C
S
C
S
C
S
C
S
E"'$(A#!
$A&)A*IE&(!
C
S
C
Las distintas ordenaciones que acabamos de obtener se llaman variaciones con
repeticin de dos elementos tomados de a cuatro cada vez. ^bservamos que ahora
si"ue influyendo el orden, como en el caso anterior, pero adems los elementos se
pueden repetir
.ariaci&"es c&" reetici1" de n elementos tomados m cada vez BmbnC son los
distintos "rupos o listas que se pueden formar con los n elementos, de manera que en
cada "rupo entren m elementos, repetidos o no, y dos "rupos son distintos si se
diferencian en al",n elemento o en el orden de colocacin de #stos.
%l n,mero de variaciones con repeticin de n elementos tomando m cada vez se
representa por ).
n,m
.
N3'er& de .ariaci&"es c&" Reetici1". 9emos hallado el n,mero de resultados
distintos que se obtienen al lanzar cuatro veces una moneda 3 e 3 e 3 e 3 R 3
=
R (A. 8e
la misma forma, podemos hallar el n,mero de resultados distintos que se obtienen al
lanzar
: >na vez una moneda 3
: 8os veces una moneda 3 e 3 R 3
3
R =
: Tres veces una moneda 3 e 3 e 3 R 3
;
R E
: -inco veces una moneda 3 e 3 e 3 e 3 R 3
?
.R ;3
: %n n veces una moneda 3 e 3 e 3... e 3 R 3
n
.
%n "eneral si queremos hallar el n,mero de variaciones con repeticin que se pueden
formar con n elementos tomados de a m cada vez, obtendremos
(A
).
n,m
R n e n e n e... n R n
m
m factores
`-untos n,meros de tres cifras se pueden formar con los d"itos 4, (, 3, ;, =, ?, A, D,
E y H si se pueden repetir las cifras5. Tenemos que hallar el n,mero de variaciones
con repeticin de (4 elementos tomados de a tres, es decir, ).
(4,;
R (4
;
R (444
!hora bien, de estos (444 n,meros habr muchos que inicien con cero como por
ejemplo 4;?, 4HH, 44( por lo cual no se pueden considerar de tres cifras. *or esto
debemos descontar estos n,meros, y tendremos
).
(4,;
: ).
(4,3
R (4
;
: (4
3
R (444 : (44 R H44
E;e'l&, $e lanzan tres dados de distintos colores una vez. `-untos resultados
distintos se pueden obtener5. $on ).
A,;
R A
;
R 3(A resultados diferentes.
!l"unas veces queremos saber cuntos arre"los podemos obtener con un "rupo de
elementos, para ello podemos utilizar la t#cnica conocida como permutacin que
veremos a continuacin en el si"uiente tema.
%er'#taci1". 9asta aqu hemos contado listas de elementos de diversas lon"itudes,
en las que permitimos o prohibimos la repeticin de los elementos. >n caso especial
de este problema es contar las listas de lon"itud n formadas por un conjunto de n
objetos, en las que se prohbe la repeticin. %n otras palabras, se desea tener n objetos
en listas, usando cada objeto exactamente una vez en cada lista. $e",n el principio de
la multiplicacin, la cantidad de listas posibles es de
BnC
n R
nIBn:(CIBn:3CI...I3I(
!rre"los que se puedan distin"uir, $i se quieren arre"lar objetos, donde todos los
objetos sean diferentes entre s, la permutacin Bel n,mero de arre"los que se pueden
obtenerC es na
E;e'l&, -inco ami"os que estn en una piscina, despu#s de haberse lanzado por el
deslizadero "i"ante, observan que cada vez que lle"an a la parte superior para el
nuevo lanzamiento hacen cola en distinto orden. `8e cuntas formas podrn hacer
cola para arrojarse de nuevo5
^bserve que para la primera posicin hay cinco personas, cuatro para la se"unda, etc.
8e esta forma tenemos que el n,mero de formas distintas de hacer cola es, )
?,?
R ?a R
?e=e;e3e( R (34
-omo observamos, en este caso intervienen a la vez todos los elementos y
,nicamente vara el orden de colocacin.
E;e'l&, Tueremos permutar Barre"larC las letras abc. -ules arre"los se obtienen5
abc, acb, bac, bca, cab y cba. $on A permutaciones diferentes. Tambi#n hubi#ramos
(D
podido decir son ; letras diferentes a, b y c por lo tanto son ;a permutaciones, o sea
;I3I(RA
)emos que hay efectivamente ; opciones para la primera posicin Bcualquiera de las
letras a, b o c, lue"o quedan slo dos opciones para la se"unda posicin Bpor ejemplo
si se esco"i a para la primera posicin, quedaran b o c para la se"unda posicinC, y
quedara una sola letra para la tercera posicin.
*ermutaciones ordinarias de n elementos son los distintos "rupos que se pueden
formar de manera que
: %n cada "rupo Bo listaC estn los n elementos.
: >n "rupo se diferencia de otro ,nicamente en el orden de colocacin de los
elementos.
%l n,mero de permutaciones ordinarias de n elementos se representa por *
n
y es i"ual
a na
E;e'l&, %n un campeonato suramericano de Q,tbol lle"an a un cuadran"ular final
los cuatro seleccionados de 0rasil, !r"entina, -olombia y >ru"uay. Qormar las
diferentes clasificaciones para los cuatro primeros puestos del torneo. `-untas hay5
.epresentamos por sus iniciales a cada seleccionado y mediante un dia"rama de rbol
se obtiene
8e aqu vemos que hay *= R =a R =e;e3e( R 3= clasificaciones distintas.
(E
Las !ariaci&"es si" reetici1" tambi#n se pueden representar con factoriales, se",n
$i se quieren arre"lar n objetos diferentes, pero se van a tomar r objetos de ellos los
cuales son distin"uibles entre s, entonces
m m
n
n V,
E;e'l&, 8e cuntas formas puede cespro.com colocar a ; pro"ramadores de
sistemas en ; diferentes ciudades. $i los pro"ramadores estn disponibles para
cualquiera de ? ciudades.
%ntonces se tienen ; pro"ramadores disponibles pero hay ? posibles ciudades a donde
ellos pueden ir. `8e cuntas formas podramos ubicarlos5. Tenemos A4 formas
posibles de ubicarlos en las ? ciudades. *arece que de todos modos va tocar pensar
bien dnde ubicarlos...
E;e'l&, `-untas palabras se pueden formar con ocho letras de forma que dos de
ellas est#n siempre juntas y "uardando el mismo orden5
-omo las dos letras siempre van a estar juntas y en el mismo orden, las podemos
considerar como si fuera una sola letra. *or esta razn es una permutacin realmente
de slo siete elementos
*
D
R Da R DeAe?e=e;e3e( R ?4=4 palabras diferentes
E;e'l& `8e cuntas formas se pueden sentar nueve personas en una mesa circular5
9ay que tener en cuenta que una vez sentadas, si trasladamos a cada persona un
asiento a la izquierda obtendremos una posicin id#ntica a la anterior. *or ello
dejamos fija una persona y permutamos todas las dems
*
E
R Ea R EeDeAe?e=e;e3e( R =4;34 formas distintas
! estas permutaciones se las denomina permutaciones circulares de n elementos y se
representan por *-
n
.
%er'#taci&"es c&" reetici1". $i se quiere permutar Barre"larC objetos, dentro de
los cuales hay varios repetidos, entonces se pueden contar las posibilidades de
arre"los diferentes,
7 x 7 x
7 n
P
? 1
x # # x
n
? 1
3;
0J. %RO*A*ILIDADES
SUCESOS 0 ES%ACIO +UESTRAL
S#ces&s. !l definir los sucesos hablamos de las diferentes relaciones que pueden
"uardar dos sucesos entre s, as como de las posibles relaciones que se pueden
establecer entre los mismos. )amos a ver ahora cmo se refleja esto en el clculo de
probabilidades.
S#ces& Ele'e"tal$ hace referencia a cada una de las posibles soluciones que se
pueden presentar.
S#ces& C&'#est&, es un subconjunto de sucesos elementales.
? U" s#ces& #ede estar c&"te"id& e" &tr&$ entonces, la probabilidad del primer
suceso ser menor que la del suceso que lo contiene.
? D&s s#ces&s #ede" ser i6#ales$ en este caso, las probabilidades de ambos
sucesos son las mismas.
? I"tersecci1" de s#ces&s$ es aquel suceso compuesto por los elementos comunes
de los dos o ms sucesos que se interceptan. La probabilidad ser i"ual a la
probabilidad de los elementos comunes.
? U"i1" de d&s & 's s#ces&s$ la probabilidad de la unin de dos sucesos es i"ual
a la suma de las probabilidades individuales de los dos sucesos que se unen,
menos la probabilidad del suceso interseccin
? S#ces&s i"c&'atibles$ la probabilidad de la unin de dos sucesos incompatibles
ser i"ual a la suma de las probabilidades de cada uno de los sucesos Bya que su
interseccin es el conjunto vaco y por lo tanto no hay que restarle nadaC.
? S#ces&s c&'le'e"tari&s$ la probabilidad de un suceso complementario a un
suceso B!C es i"ual a ( : *B!C
? U"i1" de s#ces&s c&'le'e"tari&s$ la probabilidad de la unin de dos sucesos
complementarios es i"ual a (.
U" s#ces& #ede estar c&"te"id& e" &tr&$ las posibles soluciones del primer suceso
tambi#n lo son del se"undo, pero este se"undo suceso tiene adems otras soluciones
suyas propias.
3=
D&s s#ces&s #ede" ser i6#ales$ esto ocurre cuando siempre que se cumple uno de
ellos se cumple obli"atoriamente el otro y viceversa.
U"i1" de d&s & 's s#ces&s$ la unin ser otro suceso formado por todos los
elementos de los sucesos que se unen.
I"tersecci1" de s#ces&s$ es aquel suceso compuesto por los elementos comunes de
dos o ms sucesos que se interceptan.
S#ces&s i"c&'atibles$ son aquellos que no se pueden dar al mismo tiempo ya que
no tienen elementos comunes Bsu interseccin es el conjunto vacoC.
S#ces&s c&'le'e"tari&s. $on aquellos que si no se da uno, obli"atoriamente se
tiene que dar el otro. %xisten dos tipos de fenmenos 8eterministas, que son aquellos
cuyos resultados se pueden predecir de antemano, y estocsticos o !leatorios, que
son los que dependen del azar Bno se pueden predecirC. $e llama prueba al proceso
mediante el cual se obtiene un resultado. 1 se llama experimento aleatorio a todo
fenmeno aleatorio.
$e llama suceso aleatorio a todo subconjunto del espacio muestral. $e llama suceso
elemental a un suceso unitario. $e llama espacio de sucesos al conjunto formado por
todos los sucesos, y se representa por
0. 8iremos que dos sucesos son i"uales cuando !
0 y 0
!.
,l6ebra de *&&le
! 0 es el suceso que se verifica si y
( ) B A B A ,
slo si se verifica uno de los dos.
! 0 es el suceso que se verifica cuando
( ) B A B A ,
se verifican los dos a la vez.
C
C
A
, complementario de A, es el suceso que
C
A A se verifica cuando no se verifica
A.
3?
%r&iedades. -omo las definiciones de unin, interseccin y complementacin de
sucesos son id#nticas a las de los conjuntos, estas operaciones para sucesos cumplen
las mismas propiedades que para los conjuntos.
: -onmutativa ! 0 R 0 ! ! 0 R 0 !
: !sociativa ! B0 -C R B! 0C - ! B0 -C R B! 0C -
: &dempotente ! ! R ! ! ! R !
: $implificacin ! B! 0C R ! 0 ! B! 0C R ! 0
: 8istributiva ! B0 -C R B! 0C B! -C
! B0 -C R B! 0C B! -C
: %xistencia de elemento neutro ! R ! ! % R !
: !bsorcin ! % R % ! R
: -omplementacin %
C
R
C
R %
: &nvolucin B!
C
C
C
R !
: Leyes de /or"an B! 0C
C
R !
C
0
C
B! 0C
C
R !
C
0
C
>n conjunto dotado con dos leyes de composicin BoperacionesC que cumple la
conmutatividad, distributividad, existencia de elemento neutro y existencia de
complementario, se llama l"ebra de 0oole.
!s pues, B 6 , C es un l"ebra de 0oole.
8os sucesos se dicen incompatibles si ! 0 R .
>n sistema completo de sucesos son n sucesos !
(
, !
3
, ......., !n que verifican las
dos si"uientes condiciones !
(
!
3
...... !n R % ! i
! j R , i, j
R (, 3, ...., n, para i j.
S#ces& aleat&ri&. %l espacio muestral del experimento que consiste en lanzar un dado
cuyas caras estn numeradas del ( al A, % R B(, 3, ;, =, ?, ACC.
-onsideremos ahora al"unos subconjuntos de %,
$alir par ! R B3, =, AC
$alir impar 0 R B(, ;, ?C
$alir m,ltiplo de ; - R B;, AC
! todos estos subconjuntos de % se les llama s#ces&s
%jemplo, 8eterminar el espacio muestral y el espacio de sucesos del experimento
aleatorio que consiste en lanzar una moneda y anotar el resultado de la cara superior.
Esaci& '#estral % R B-, $C
%spacio de sucesos $ R Bh, B- C, B$C, B-,$CC
3A
%jemplo, -onsideremos el experimento aleatorio que consiste en lanzar un dado de
quinielas y anotar el smbolo que aparece en la cara superior. 9allar el espacio
muestral y el espacio de sucesos.
%spacio muestral % R B(, $, 3C
%spacio de sucesos $ R Bh, B(C, B$ C, B3C, B(,$C, B(,3C, B3,$C, B(,$,3CC
E;e'l&$ %n el experimento que consiste en extraer una carta de una baraja espa'ola
consideremos el suceso ! R ]$alir fi"ura]. `-undo diremos que se ha realizado el
suceso !5
8ecimos que se ha realizado el S#ces& !, si al extraer una carta obtenemos
cualquiera de las cuatro sotas, o de los cuatro caballos o de los cuatro reyes. $i la
carta extrada no es nin"una de #stas, decimos que el suceso ! no se ha realizado.
$ucesos elementales. $e llama sucesos elementales a los sucesos formados por un
solo punto muestral6 es decir, por un solo resultado del experimento aleatorio
$ucesos compuestos. $e llama sucesos compuestos, a los sucesos formados por dos o
ms puntos mu#strales6 es decir, por mas de un resultado del experimento
$uceso cierto. $e llama suceso cierto, o suceso se"uro, al que siempre se realiza. %s
evidente que el suceso cierto, estar formado por todos los resultados posibles del
experimento6 es decir, coincide con el espacio muestral y por eso lo representaremos
tambi#n por la letra %.
$uceso imposible. $e llama suceso imposible, y se desi"na por un h, a un suceso que
no se realiza nunca. .ecu#rdese que cuando se formaba el espacio de sucesos $, de un
experimento aleatorio, aparecera siempre el suceso h, ese es precisamente el suceso
imposible.
S#ces&s C&'le'e"tari&s. -onsideremos el espacio muestral asociado al
lanzamiento del dado, % R B(, 3, ;, =, ?, AC, y los si"uientes sucesos ! R]salir n,mero
impar] R B(, ;, ?C, iR ]salir n,mero par] R B3, =, AC
Los sucesos ! y i son complementarios, ya que si se realiza ! no se realiza i y si se
realiza i no se realiza !.
8ado un suceso cualquiera ! del espacio de sucesos $, se llama s#ces& c&"trari& del
suceso ! a un suceso que se realiza cuando no se realiza !, y recprocamente.
Oeraci&"es c&" S#ces&s
3D
>nin de sucesos. -onsideremos, en el experimento aleatorio el lanzamiento del
dado, cuyo espacio muestral es % R B(, 3, ;, =, ?, AC, de los si"uientes sucesos
! R]salir n,mero par] R B3, =, AC
0 R]salir n,mero primo] R B3, ;, ?C
- R]salir n,mero par o numero primo]. %ste suceso es - R B3, ;, =, ?, AC. 1 se llama
suceso unin de ! y 0. Bobserve que la unin se relaciona con el operador l"ico ^
,
_
( i
i i
( i
C ! B * ! *
3E
!hora usaremos los axiomas de probabilidad para obtener resultados y re"las que nos
ayudarn a entender y usar la medida de probabilidad. !l"unos de los resultados nos
pueden parecer obvios, sin embar"o, el que se puedan demostrar a partir de los
axiomas nos da una indicacin de su consistencia y de lo poderosos que resultan ser.
Te&re'a. *BC R 4.
*rueba. -onsidera la secuencia infinita !
(
, !
3
, J, donde cada !
i
R . Tenemos que
R , R y
( i
Te&re'a. *ara cualquier secuencia finita de conjuntos disyuntos, !(, !3,J, !n
tenemos
,
_
n
( i
i i
n
( i
C ! B * ! *
representa la
coleccin de todos los suceso y el conjunto fundamental de probabilidad, se tiene
que
: *ara todo suceso ! de los que constituyen
, entonces el complementario de !
es tambi#n elemento de
c
! !
: $i !
(
,...,!
n
son una sucesin numerable de sucesos en
, tambi#n es
n
( n
!
:
-uando se cumplen todas las proposiciones anteriores estamos frente a un $i"ma \
!nillo o una $i"ma \ !l"ebra.
Te&re'a $i !
(
,...,!
n
es cualquier sucesin finita de sucesos en
, entonces,
?
n
?
A
1
Te&re'a %l suceso se"uro siempre pertenece a
Te&re'a $i !
(
,...,!
n
es una sucesin numerable cualquiera de sucesos de
,
tambi#n,
?
?
A
1
8e acuerdo con lo anterior, $i !
(
,...,!
n
es una sucesin finita de sucesos cualesquiera,
entonces todas sus intersecciones todas pertenecen a
un n,mero
*B!C, al cual cumple
,
_
( n
n
( n
n
C ! B * ! *
( C B *
4 C ! B *
este ,ltimo caso los conjuntos deben ser disjuntos.
Te&re'a
P( ) 0
Te&re'a $i !
(
,...,!
n
son n sucesos incompatibles cualesquiera, entonces, se tiene,
C ! B * C ! B * C ! ! B *
n ( n (
+ + +
Te&re'a *ara dos sucesos cualesquiera ! y 0 se cumple
C 0 ! B * C 0 B * C ! B * C 0 ! B * +
, esto es,
C 0 B * C ! B * C 0 ! B * +
;4
%ste teorema se puede "eneralizar para n sucesos
Te&re'a -uando se tiene que 0 ! , resulta que
C 0 B * C ! B *
Te&re'a *ara un suceso cualquiera !, se cumple
( C ! B *
. >sar que
P( ) 1
Te&re'a *ara cualquier suceso 2, *B2
c
CR(:*B2C, y *B2CR(:*B2
c
C.
La probabilidad mide la mayor o menor posibilidad de que se d# un determinado
resultado BsucesoC cuando se realiza un experimento aleatorio. La probabilidad toma
valores entre 4 y ( Bo expresados en tanto por ciento, entre 4M y (44MC. %l valor
-ero corresponde al suceso imposible. %l valor >no corresponde al suceso se"uro. %l
resto de sucesos tendr probabilidades entre cero y uno que ser tanto mayor cuanto
ms probable sea que dicho suceso ten"a lu"ar.
+edida de %r&babilidad. >no de los m#todos ms utilizados es aplicando la .e"la
de Laplace, que define la probabilidad de un suceso como el cociente entre casos
favorables y casos posibles.
De)i"ici1". La probabilidad de un suceso ! se calcula como el n,mero de casos
favorables al suceso !, partido por el n,mero de casos posibles del experimento
aleatorio
posibles casos
favorables casos
C ! B p
%MAG N Cas&s )a!&rables @ Cas&s &sibles
*ara poder aplicar la .e"la de Laplace el experimento aleatorio tiene que cumplir dos
requisitos
: %l n,mero de resultados posibles BsucesosC tiene que ser finito. $i hubiera
infinitos resultados, al aplicar la re"la casos favorables L casos posibles el cociente
siempre sera cero.
: Todos los sucesos tienen que tener la misma probabilidad. $i al lanzar un dado,
al"unas caras tuvieran mayor probabilidad de salir que otras, no podramos
aplicar esta re"la.
Las Frec#e"cias. -uando se realiza un experimento aleatorio un n,mero muy
elevado de veces, las probabilidades de los diversos posibles sucesos empiezan a
conver"er hacia valores determinados, que son sus respectivas probabilidades. %n
;(
este modelo ya no ser necesario que el n,mero de soluciones sea finito, ni que todos
los sucesos ten"an la misma probabilidad.
La idea intuitiva de probabilidad se basa en la llamada ley de los "randes n,meros,
enunciada por 0ernoulli FLa frecuencia relativa de un suceso tiende a estabilizarse
en torno a un n,mero, a medida que el n,mero de pruebas del experimento crece
indefinidamenteG.
%s decir, si ! es un suceso, podramos hablar del
n
n
Lm C ! B fr Lm
!
n n
%ste n,mero al que la frecuencia relativa se acerca es lo que llamaremos la
probabilidad del suceso, se representar como *B!C.
La probabilidad es una ley que asi"na a cada suceso ! un n,mero real
p -
y que verifica
!
*B!C
: *B!C 4 , ! *B%C R (
: si ! y 0 son sucesos incompatibles, *B! 0C R *B!C P *B0C
-omo consecuencia de estos tres axiomas, se verifican adems las si"uientes
propiedades
: *B!
C
C R (\ *B!C
: *B C R 4
: si !
0, *B!C *B0C
: *B!C (, !
: si !
(
, !
3
, ...... , !
n
son incompatibles dos a dos, entonces, *B!
(
!
3
.....
! n C R *B!
(
C P *B!
3
C P ..... P *B! n C
: si !, 0 son dos sucesos cualesquiera, entonces, *B! 0C R *B!C P *B0C \
*B! 0C
La r&babilidad de #" s#ces& A es el cociente entre el n,mero de casos favorables
al suceso y el n,mero de casos posibles. E;e'l&s,
$e considera un experimento aleatorio que consiste en lanzar un dado se pide la
probabilidad de obtener
aC 7,mero impar bC 7,mero primo
cC /,ltiplo de ; dC /,ltiplo de ?
%spacio muestral del experimento % R B (,3,;,=,?,AC
Lue"o el n,mero de casos posibles es A
;3
*robabilidades
aC !R ] obtener impar] R B(, ;, ?C l *B!C R ;LA
bC 0R ] obtener n,mero primo] R B3, ;, ?C l *B0C R ;LA
cC -R ] obtener m,ltiplo de ;] R B;, AC l *B0C R 3LA
dC 8 R]obtener m,ltiplo de ? ] R B?C l *B8CR (LA
$e realiza un experimento aleatorio que consiste en la extraccin de una carta de una
baraja espa'ola. $e pide hallar las si"uientes probabilidades
aC ]^btener un oro] bC ]^btener un as]
%l espacio muestral del experimento est formado por los =4 resultados posibles
correspondientes a cada una de las cartas de la baraja. ! continuacin formamos los
sucesos de los cuales nos piden estimar la probabilidad.
aC ^ R ]^btener un oro] R B(, 3, ;, =, ?, A, D, $, -, .C l p B^C R (4L=4 R (L=
bC ! R ]^btener un as] R B(
%
, (
-
, (
0
,(
4
C l p B!C R =L=4 R (L(4
%n este caso los subndices son % R%spada, - R -opas, 0 R 0astos, ^ R ^ro
-onsideremos el experimento aleatorio que consiste en lanzar dos datos y anotar la
suma de los puntos de las caras superiores. 9allar la probabilidad de los si"uientes
sucesos
aC ^btener suma de i"ual a E
bC ^btener suma menor o i"ual a =
%spacio muestral del experimento %R BB(,(C,B(,3C, B(,;C,..,B3,3C, B3,;C,...,BA,(C,...,BA,ACC
*or tanto, el n,mero de casos posibles de casos es ;A
aC $
E
R BB3,AC, B;,?C, B=,=C, B?,;C, BA,3CCl p B$
E
C R ?L;A
bC $
b=
R BB(,(C, B(,3C, B(,;C, B3,(C,B3,3C,B;,(CC l p B $
b=
C RAL;A R (LA
%n otras palabras, con miras a dejar mayor claridad,
De)i"ici1" a4i&'tica de r&babilidad. $ea espacio muestral, *BC conjunto de
las partes de mno conjunto de sucesos, o l"ebra de sucesos. $e define probabilidad, o
funcin de probabilidad, a cualquier funcin p *BC Bes decir, una re"la bien
definida por la que se asi"na a cada suceso un, y un solo un, n,mero realC que cumpla
los axiomas si"uientes
iC *B!C n4 o ! *BC
iiC *B!
(
!
3
!
;
...C R *B!
(
C P *B!
3
C P *B!
;
C P ...
si !i !j R oi j Bsucesos mutuamente excluyentesC
iiiC *BC R (
;;
! la estructura B, *BC, pC se le denomina esaci& de r&babilidad.
E;e'l&, *ara el experimento aleatorio de tirar un dado, el espacio muestral es nR
f(, 3, ;, =, ?, Ag. %n este espacio el conjunto de sucesos es *BC R f, f(g, f3g, ...
f(,3g, f(,;g, ...f(,3,;,=,?,Aggn *ara establecer una probabilidad hay que asi"nar un
n,mero a todos esos sucesos.
$in embar"o si se ha asi"nado a los sucesos elementales *Bf(gCR *Bf3gCR ...R
*BfAgCR (LA, por la propiedad iiC, p.e. la probabilidad del suceso f(, ;g es *Bf(,;gCR
*Bf(gCP *Bf;gCR3LA.
%r&iedades de la r&babilidad. 8emostraciones
(C *B!
c
C R ( : *B!C
!
c
representa el suceso c&'le'e"tari& de !, es decir el formado por todos los
resultados que no estn en !.
3C !
(
!
3
*B!
(
C n*B!
3
C
;C *BC R 4
=C *B!C (
?C *B! 0C R *B!C P *B0C : *B! 0C B.e"la "eneral de la adiccinC
E;e'l&, >n (?M de los pacientes atendidos en un hospital son hipertensos, un (4M
son obesos y un ;M son hipertensos y obesos. `Tu# probabilidad hay de que ele"ido
un paciente al azar sea obeso o hipertenso5
! R fobesog 0 R fhipertensog
! 0 R fhipertenso y obesog
! 0 R fobeso o hipertensog
*B!C R 4,(46 *B0C R 4,(?6 *B! 0C R 4,4;
*B! 0C R 4,(4 P 4,(? : 4,4; R 4,33
A4i&'as de %r&babilidades.
$i ! y 0 son incompatibles, *B!>0C R *B!C P *B0C
*robabilidad del suceso contrario, *BiC R ( : *B!
*robabilidad del suceso imposible, *BhC R 4
*robabilidad de todo el espacio muestral *B%CR(
Dee"de"cia )#"ci&"al e i"dee"de"cia. La relacin entre las variables 2 e 1,
parte del objetivo de este captulo y en "eneral de un n,mero importante de los
estudios de las -iencias $ociales, puede ser ms o menos acentuada, pudiendo lle"ar
#sta desde la dependencia total o dependencia funcional hasta la independencia.
Dee"de"cia )#"ci&"al. La dependencia funcional, que nos refleja cualquier frmula
matemtica o fsica, es a la que estamos normalmente ms habituados.
;=
I"dee"de"cia. 9emos visto que la dependencia funcional implica una estructura
muy particular de la tabla bidimensional, en la que en todas las filas Bo en todas las
columnasC existe un ,nico elemento no nulo. %xiste un concepto que de al",n modo
es el opuesto a la dependencia funcional, que es el de independencia. $e puede
expresar de muchas maneras el concepto de independencia, y va a implicar de nuevo
una estructura muy particular de la tabla bidimensional, en el que todas las filas y
todas las columnas van a ser proporcionales entre s.
*ara enunciar lo que es la independencia de dos variables vamos a basarnos en el
si"uiente razonamiento $i la variable Y es independiente de 2, lo l"ico es que la
distribucin de frecuencias relativas condicionadas
i
x L 1 sea la misma que la de
( 3
x L 1 ,..., 2 L 1 . %sto se puede escribir *ara todo jR(,J,p, se tiene que
j I
K
j
(
j
f f f
*ues bien, diremos que la variable 1 es i"dee"die"te de 2 si la relacin es
verificada. 9ay otras formas equivalentes de enunciar la independencia -ada una de
las si"uientes relaciones expresa por si sola la condicin de independencia. -ada una
de las si"uientes relaciones expresa por s sola la condicin de independencia entre
las variables 2 e 1
I I
j I I i
ij j I I i ij
I I
j I
I 3
j 3
I (
j (
I I
j I
I i
ij
n
n I n
n f I f f
n
n
n
n
n
n
n
n
n
n
^bs#rvese que la relacin implica que la independencia es siempre recproca, es
decir, si 2 es independiente de 1, entonces 1 es independiente de 2.
+edias ( !aria"<as 'ar6i"ales ( c&"dici&"adas. !sociados a las distribuciones
mar"inales y condicionadas definidas en las secciones anteriores, podemos definir
al"unos estadsticos de tendencia central o dispersin, "eneralizando los que vimos en
los captulos dedicados al anlisis de una variable. Las 'edias 'ar6i"ales de la
variable 2 e 1 se definen del si"uiente modo
;?
j
p
( j
i I
p
( j
j j I
I I
i
K
( i
I i
K
( i
i I i
I I
y f y n
n
(
y x f x n
n
(
x
Las !aria"<as 'ar6i"ales respectivas son
3
j
p
( j
j I
3
j
p
( j
j I
I I
3
y
3
i
K
( i
I i
3
i
K
( i
I i
I I
3
x
C y y B f C y y B n
n
(
s C x x B f C x x B n
n
(
s
*ara cada una de las p variables condicionadas i
Y X L
y j
x Y L
definimos sus
respectivas 'edia c&"dici&"ada y !aria"<a c&"dici&"ada mediante,
3
j
3
j
p
( j
ij
I i
3
i j
p
( j
i
j
3
i i
p
( j
ij
I i
3
y
3
j
3
i
K
( i
ij
j I
3
j i
K
( i
j
i
3
j i
K
( i
ij
j I
3
x
p
( j
j
j
i j
p
( j
ij
I i
i
K
( i
i
j
i i
K
( i
ij
j I
j
y x y n
n
(
C y y B f C y y B n
n
(
s
x x n
n
(
C x x B f C x x B n
n
(
s
y f y n
n
(
y x f x n
n
(
x
j
j
'
'
%s interesante observar que podemos considerar que las n
II
observaciones de la
variable 2 han sido a"rupadas en sub"rupos, cada uno de ellos caracterizados por la
propiedad de que 1Ry
j
para al",n jR(,J,p. Las medias y varianzas mar"inales de las
variables 2 y 1 se pueden escribir de modo equivalente como
;A
3
j
K
( i
I i
K
( i
3
y I i
3
y
K
( i
i
K
( i
I i
I I
i I i
3
j
p
( j
j I
p
( j
3
x j I
3
x
p
( j
j
p
( j
j I
I I
j j I
C y y B f s f s y n
n
(
y f y
C x x B f s f s x n
n
(
x f x
j
j
+
+
%RO*A*ILIDAD CONDICIONAL
%n muchas ocasiones, la verificacin o no de un suceso se estudia en funcin de otro
suceso de cuya verificacin depende o del cual est condicionado. $e dice
probabilidad condicionada del suceso 0 respecto del suceso !, y se representa
4 C ! B *
C ! B *
C 0 ! B *
C 0 L ! B *
y del mismo modo *B0L!C R *B0C. %sta propiedad coincide ms con la idea intuitiva
de independencia y al"unos textos la dan como definicin. 9ay que notar, sin
embar"o, que ambas definiciones no son estrictamente equivalentes.
E;e'l&, *ara un hijo de una mujer portadora de 8uchenne, el sexo y la enfermedad
`son independientes5
$e",n vimos en el %jemplo el espacio muestral es R fx2, x1, 22, 21g
8efinimos los sucesos ! R fvarng R fx1, 21g6 0 R fenfermog R fx1g
! 0 R fx1g por lo tanto *B!C R 4,?6 *B0C R 4,3?6 *B! 0C R 4,3? *B!C *B0C
7^ son independientes.
;E
8os sucesos !, 0 se dicen i"dee"die"tes si *B0C R *B0L!C. %s decir, se
cumplir que *B!CI*B0C R *B! 0C. $i ! y 0 son independientes, entonces ! y 0
c
son independientes, !
c
y 0 son independientes, y !
c
y 0
c
son independientes.
%r&babilidad C&'#esta. -% )(o1%1i*id%d +om)$es3% (o (eg*% de m$*3i)*i+%+i8n de
)(o1%1i*id%des) se de(i0% de *% )(o1%1i*id%d +ondi+ion%d%. -% )(o1%1i*id%d de 5$e se
den sim$*3.ne%men3e dos s$+esos (s$+eso in3e(se++i8n de A 2 F) es ig$%* % *%
)(o1%1i*id%d % )(io(i de* s$+eso A m$*3i)*i+%d% )o( *% )(o1%1i*id%d de* s$+eso F
+ondi+ion%d% %* +$m)*imien3o de* s$+eso A.
) A ( P ) A / F ( P ) F A ( P
%n "eneral *B!
(
!
3
!
;
...C R *B!
(
C *B!
3
L!
(
C *B!
;
L!
(
!
3
C ... llamado %ri"cii&
de las r&babilidades c&'#estas y especialmente ,til para aquellas situaciones en
que las probabilidades condicionadas son ms fciles de obtener que las
probabilidades de las intersecciones.
E;e'l&, $e sabe por estudios previos que el 4,(M de la poblacin tiene problemas
vasculares. >n estudio sobre individuos con problemas vasculares revela que el 34M
de ellos son placas de ateroma. $i el (4M de los individuos con placas de ateroma
est expuesto a muerte s,bita por desprendimiento de trombos `qu# probabilidad
tiene un individuo cualquiera de estar expuesto a muerte s,bita por desprendimiento
de trombos de una placa de ateroma5
!
(
R fproblemas vascularesg6 !
3
R fplacas de ateromag6 !
;
R fexpuesto a muerte
s,bita por ....g *B!
(
C R 4,44(6 *B!
3
L!
(
C R 4,346 *B!
;
L!
(
!
3
C R 4,( *B!( !3
!;C R 4,44( x 4,34 x 4,( R 4,444443
E;e'l&, >na urna contiene (4 bolas, de las cuales ; son rojas, ? verdes y 3 azules.
$e extraen al azar ; bolas. -alcular la probabilidad de que la primera sea azul, y las
otras dos verdes.
8efinimos !
(
R fla (q bola es azulg6 !
3
R fla 3q bola es verdeg6 !
;
R fla ;q bola es
verdeg *B!
(
C R 3L(4 aplicando la definicin clsica de probabilidad, puesto que hay
(4 bolas y 3 son verdes. *B!
3
L!
(
C R ?LH6 si la primera bola extrada es azul, en la urna
quedan H bolas, ? de ellas verdes. *B!
;
L!
(
!
3
C R =LE6 si la primera bola extrada es
azul y la se"unda verde en la urna quedan E bolas, = de ellas verdes. *B!( !3
!;C R 3L(4 x ?LH x =LE R (L(E
%RO*A*ILIDAD TOTAL
$i !
(
, !
3
, ......., ! n son un sistema completo de sucesos tal que *B! i C 4,
n ,.... ( i
, entonces la probabilidad de un suceso 0 cualquiera es
*B0C R *B!
(
CI*B0L!
(
CP*B!
3
CI*B0L!
3
CPJP*B!
n
CI*B0L!
n
C
;H
E;e'l&# :s3$di%mos e* s$+eso A ()o(+en3%;e de 0%(ones m%2o(es de 40 %Dos
+%s%dos) 2 e* s$+eso F (0%(ones m%2o(es de 40 %Dos +on m.s de 2 9i;os) 2
o13enemos *% sig$ien3e in/o(m%+i8n6 Mn 35N de *os 0%(ones m%2o(es de 40 %Dos
es3.n +%s%dos. Je *os 0%(ones m%2o(es de 40 %Dos 2 +%s%dos# $n 30N 3ienen m.s
de 2 9i;os (s$+eso F +ondi+ion%do %* s$+eso A).
-alcular la probabilidad de que un varn mayor de =4 a'os est# casado y ten"a ms
de 3 hijos Bsuceso interseccin de ! y 0C. *or lo tanto, * B!C R 4,;?, * B0L!C R 4,;4
*B! 0) = 0#35 * 0#30 = 0#105. :s de+i(# $n 10#5N de *os 0%(ones m%2o(es
de 40 %Dos es3.n +%s%dos 2 3ienen m.s de 2 9i;os.
E;e'l&# :s3$di%mos e* s$+eso A (%*$mnos 5$e 9%1*%n ing*Ls) 2 e* s$+eso F
(%*$mnos 5$e 9%1*%n %*em.n) 2 o13enemos *% sig$ien3e in/o(m%+i8n6 Mn 50N de *os
%*$mnos 9%1*%n ing*Ls.
8e los alumnos que hablan in"l#s, un 34M hablan tambi#n alemn Bsuceso 0
condicionado al suceso !C. -alcular la probabilidad de que un alumno hable in"l#s y
alemn Bsuceso interseccin de ! y 0C. *or lo tanto, * B!C R 4,?4, y * B0L!C R 4,34
*B! 0) = 0#50 * 0#20 = 0#10# es de+i(# $n 10N de *os %*$mnos 9%1*%n ing*Ls
2 %*em.n.
%l Keo(em% de *% )(o1%1i*id%d 3o3%* nos )e(mi3e +%*+$*%( *% )(o1%1i*id%d de $n
s$+eso % )%(3i( de )(o1%1i*id%des +ondi+ion%d%s#
n
1 i
i i
) A / F ( P ) A ( P ) F ( P
%s decir, *% )(o1%1i*id%d de 5$e o+$((% e* s$+eso F (en n$es3(o e;em)*o# 5$e o+$((%
$n %++iden3e) es ig$%* % *% s$m% de m$*3i)*i+%( +%d% $n% de *%s )(o1%1i*id%des
+ondi+ion%d%s de es3e s$+eso +on *os di/e(en3es s$+esos A ()(o1%1i*id%d de $n
%++iden3e +$%ndo **$e0e 2 +$%ndo 9%+e 1$en 3iem)o) )o( *% )(o1%1i*id%d de +%d%
s$+eso A. P%(% 5$e es3e 3eo(em% se )$ed% %)*i+%( 9%+e /%*3% +$m)*i( 5$e -os
s$+esos A 3ienen 5$e /o(m%( $n sis3em% +om)*e3o# es de+i(# 5$e +on3em)*en 3od%s
*%s )osi1i*id%des (*% s$m% de s$s )(o1%1i*id%des de1e se( e* 100N).
E;e'l&, %n una urna hay papeletas de tres colores, con las si"uientes probabilidades
de ser ele"idas aC !marilla probabilidad del ?4M, bC )erde probabilidad del ;4M, y
cC .oja6 )(o1%1i*id%d de* 20N. Seg4n e* +o*o( de *% )%)e*e3% e*egid%# )od(.s
)%(3i+i)%( en di/e(en3es so(3eos.
As<# si *% )%)e*e3% e*egid% es6 %) Am%(i**%6 )%(3i+i)%s en $n so(3eo +on $n%
)(o1%1i*id%d de g%n%( de* 40NO 1) Ve(de6 )%(3i+i)%s en o3(o so(3eo +on $n%
)(o1%1i*id%d de g%n%( de* 0N# o +) ,o;%6 )%(3i+i)%s en $n 3e(+e( so(3eo +on $n%
)(o1%1i*id%d de g%n%( de* "0N.
-on esta informacin, P5$L )(o1%1i*id%d 3ienes de g%n%( e* so(3eo en e* 5$e
)%(3i+i)esC
=4
Las tres papeletas forman un sistema completo sus probabilidades suman (44M,
lue"o,
* B0C R B4,?4 I 4,=4C P B4,;4 I 4,A4C P B4,34 I 4,E4C R 4,?=
*or tanto, la probabilidad de "anar el sorteo es del ?=M.
%r&babilidad T&tal. $ea !
(
,..,!
n
estn incluidas en %, un sistema exhaustivo y
excluyente de sucesos. %ntonces
C ! B * C ! L 0 B * C 0 B * % 0
i
n
( i
i
,
tal como se puede observar en la fi"ura $i A
(
, A
3
, A
;
, A
=
forma un sistema exhaustivo
y excluyente se sucesos, podemos calcular la probabilidad de B a partir de las
cantidades C ! 0 B *
i
, o lo que es lo mismo, C ! B * C ! L 0 B *
i i
C ! B * C ! L 0 B * C ! B *
i
*
i
0 * C % 0 B * C 0 B *
i
n
( i
i
n
( i
i
n
( i
n
( i
C ! 0 B !
,
_
,
_
,
_
,
_
E;e'l&, )an a cambiar a tu jefe y se barajan diversos candidatos aC !be, con una
probabilidad del A4M, bC )er, con una probabilidad del ;4M, y cC 8ie"o# +on $n%
)(o1%1i*id%d de* 10N.
:n /$n+i8n de 5$ien se% 3$ )(8ximo ;e/e# *% )(o1%1i*id%d de 5$e 3e s$1%n e* s$e*do
es *% sig$ien3e6 %) Si s%*e A1e6 *% )(o1%1i*id%d de 5$e 3e s$1%n e* s$e*do es de* 5N#
1) Si s%*e Ve(6 *% )(o1%1i*id%d de 5$e 3e s$1%n e* s$e*do es de* 20N# o +) Si s%*e
Jiego6 *% )(o1%1i*id%d de 5$e 3e s$1%n e* s$e*do es de* 0N.
%n definitiva, P+$%* es *% )(o1%1i*id%d de 5$e 3e s$1%n e* s$e*doC
Los tres candidatos forman un sistema completo
* B0C R B4,A4 I 4,4?C P B4,;4 I 4,34C P B4,(4 I 4,A4C R 4,(?
*or tanto, la probabilidad de que te suban el sueldo es del (?M.
=(
Le(es de +&r6a". Las leyes de /or"an permiten relacionar la complementariedad
entre los conjuntos y las operaciones de &nterseccin y >nin,
( ) ( )
( ) ( ) 0 ! 0 ! o 0 ! 0 !
0 ! 0 ! o 0 ! 0 !
- - -
- - -
! estas leyes se les puede aplicar las normas que hemos mencionado de
probabilidades y se obtendrn resultados muy interesantes
TEORE+A DE *A0ES
Te&re'a de *a(es. %l Keo(em% de F%2es 0iene % seg$i( e* )(o+eso in0e(so %* 5$e
9emos 0is3o en e* Keo(em% de *% )(o1%1i*id%d 3o3%*. $i !
(
, !
3
, ......., ! n son un
sistema completo de sucesos tal que *B!
i
C 4,
n ,.... ( i
, entonces
para un suceso 0 cualquiera se verifica
n
( i
i i
i i
i
C ! L 0 B * C ! B *
C ! L 0 B * C ! B *
C 0 L ! B *
,
y esto para cualquier i R (, ...., n.
Te&re'a de *% )(o1%1i*id%d 3o3%*6 % )%(3i( de *%s )(o1%1i*id%des de* s$+eso A
()(o1%1i*id%d de 5$e **$e0% o de 5$e 9%g% 1$en 3iem)o) ded$+imos *% )(o1%1i*id%d
de* s$+eso F (5$e o+$((% $n %++iden3e). Keo(em% de F%2es6 % )%(3i( de 5$e 9%
o+$((ido e* s$+eso F (9% o+$((ido $n %++iden3e) ded$+imos *%s )(o1%1i*id%des de*
s$+eso A (Pes3%1% **o0iendo o 9%+<% 1$en 3iem)oC).
E;e'l&# :* )%(3e me3eo(o*8gi+o 9% %n$n+i%do 3(es )osi1i*id%des )%(% e* /in de
sem%n%6 %) Q$e **$e0%6 )(o1%1i*id%d de* 50N# 1) Q$e nie0e6 )(o1%1i*id%d de* 30N# 2
+) Q$e 9%2% nie1*%6 )(o1%1i*id%d de* 20N.
$e",n estos posibles estados meteorol"icos, la posibilidad de que ocurra un
accidente es la si"uiente, %) Si **$e0e6 )(o1%1i*id%d de %++iden3e de* 10N# 1) Si nie0%6
)(o1%1i*id%d de %++iden3e de* 20N# o +) Si 9%2 nie1*%6 )(o1%1i*id%d de %++iden3e de*
5N.
.esulta que efectivamente ocurre un accidente y como no estbamos en la ciudad no
sabemos que tiempo hizo Bnev, llovi o hubo nieblaC. %l teorema de 0ayes nos
permite calcular estas probabilidades -%s )(o1%1i*id%des 5$e m%ne;%mos %n3es
de +ono+e( 5$e 9% o+$((ido $n %++iden3e se denomin%n )(o1%1i*id%des % )(io(i
(**$0i% +on e* 0N# nie0e +on e* 30N 2 nie1*% +on e* 10N).
>na vez que incorporamos la informacin de que ha ocurrido un accidente, las
probabilidades del suceso ! cambian son probabilidades condicionadas * B!L0C, que
se denominan probabilidades a posteriori.
=3
aC P(o1%1i*id%d de 5$e es3$0ie(% **o0iendo6
D(= . 4
C 4? . 4 34 . 4 B C (4 . 4 ;4 . 4 B C 34 . 4 ?4 . 4 B
34 . 4 ?4 . 4
C 0 L ! B *
i
+ +
n
( i
i i
j j
j
C ! B * C ! L 0 B *
C ! B * C ! L 0 B p
C 0 L ! B *
8emostrando este teorema tenemos que es una consecuencia de la definicin de
probabilidad condicionada en t#rminos de la interseccin, y del teorema de la
probabilidad total,
n
( i
i i
j j j
j
C ! B * C ! L 0 B *
C ! B * C ! L 0 B p
C 0 B *
C 0 ! B *
C 0 L ! B *
INDE%ENDENCIA DE SUCESOS
8e acuerdo con lo visto anteriormente, tenemos que dos s$+esos son
inde)endien3es en3(e s<# si *% o+$((en+i% de $no de e**os no %/e+3% )%(% n%d% % *%
o+$((en+i% de* o3(o. :;em)*o# e* s$+eso es3%3$(% de *os %*$mnos de $n% +*%se 2 e*
+o*o( de* )e*o son inde)endien3es6 e* 5$e $n %*$mno se% m.s o menos %*3o no 0% %
in/*$i( en e* +o*o( de s$ +%1e**o# ni 0i+e0e(s%. P%(% 5$e dos s$+esos se%n
inde)endien3es 3ienen 5$e 0e(i/i+%( %* menos $n% de *%s sig$ien3es +ondi+iones
=;
: *B0L!C R *B0C. %sto es, 5$e *% )(o1%1i*id%d de 5$e se de e* s$+eso F#
+ondi+ion%d% % 5$e )(e0i%men3e se 9%2% d%do e* s$+eso A# es ex%+3%men3e
ig$%* % *% )(o1%1i*id%d de F. E+em,-o# *% )(o1%1i*id%d de 5$e %* 3i(%( $n% moned%
s%*g% +%(% (s$+eso F)# +ondi+ion%d% % 5$e 9%g% 1$en 3iem)o (s$+eso A)# es
ig$%* % *% )(o)i% )(o1%1i*id%d de* s$+eso F.
I *B!L0C R *B!C. :s3o es# 5$e *% )(o1%1i*id%d de 5$e se de e* s$+eso A#
+ondi+ion%d% % 5$e )(e0i%men3e se 9%2% d%do e* s$+eso F# es ex%+3%men3e
ig$%* % *% )(o1%1i*id%d de A. E+em,-o6 *% )(o1%1i*id%d de 5$e 9%g% 1$en 3iem)o
(s$+eso A)# +ondi+ion%d% % 5$e %* 3i(%( $n% moned% s%*g% +%(% (s$+eso F)# es
ig$%* % *% )(o)i% )(o1%1i*id%d de* s$+eso A.
: *B! 0C = P(A) * P(F). :s3o es# 5$e *% )(o1%1i*id%d de 5$e se de e* s$+eso
+on;$n3o A 2 F es ex%+3%men3e ig$%* % *% )(o1%1i*id%d de* s$+eso A m$*3i)*i+%d%
)o( *% )(o1%1i*id%d de* s$+eso F. :;em)*o# *% )(o1%1i*id%d de 5$e 9%g% 1$en
3iem)o (s$+eso A) 2 s%*g% +%(% %* 3i(%( $n% moned% (s$+eso F)# es ig$%* % *%
)(o1%1i*id%d de* s$+eso A m$*3i)*i+%d% )o( *% )(o1%1i*id%d de* s$+eso F
$i el s$+eso A es inde)endien3e de* s$+eso F# en3on+es e* s$+eso F 3%m1iLn es
inde)endien3e de* s$+eso A.
E;e'l&# Se%n *os dos s$+esos6 P(A) = *% )(o1%1i*id%d de 5$e 9%g% 1$en 3iem)o es
de* 0#4# 2 P(F) = *% )(o1%1i*id%d de 3ene( $n %++iden3e es de* 0#1# 2 P(! 0C R *%
)(o1%1i*id%d de 5$e 9%g% 1$en 3iem)o 2 3ene( $n %++iden3e es de* 0#0"
)eamos si se cumple al"una de las condiciones se'aladas
* B0L!C R *B! 0C / P (A) = 0#0" / 0#4 = 0#2 (5$e no es ig$%* % P (F))
* B!L0C R *B! 0C L * B0C R 4,4E L 4,A R 4,(;; Bque no es i"ual a * B!CC
*B! 0C = 0#0" (5$e no es ig$%* % P (A) m$*3i)*i+%do )o( P (F))
*or lo tanto, no se cumple nin"una de las tres condiciones se'aladas por lo que es3os
dos s$+esos no son inde)endien3es# sino 5$e exis3e %*g4n g(%do de de)enden+i%
en3(e e**os.
Le( de l&s 9ra"des N3'er&s. $upon"a que 2
(
, 2
3
,...,2
n
es una secuencia arbitraria
de variables aleatorias con valores esperados %B2
(
C, %B2
3
C,...,%B2
n
C. $upon"a adems
que la variable aleatoria
n
1 i
i
x tiene varianza para cada valor de n entero.
$i
4 2
n
(
)
n
( i
i
,
_
,
_
cuando nm o equivalentemente a
cuando nmn n conver"e
==
>na secuencia de variables aleatorias r
n
conver"e en probabilidad o conver"e
estocsticamente a una constante ]a] si para cada n,mero positivo
cuando ns $imblicamente
%l teorema enunciado anteriormente puede escribirse como
( ) ( )
o
n
2 % 2 *
n
( i
i i
,
_
%n funcin de los valores que tome la variable, esta puede ser clasificada en discreta
o continua del si"uiente modo que es Discreta cuando slo puede tomar un n,mero
finito o infinito numerable de valores, por ejemplo, el conjunto de los n,meros
naturales6 y es C&"ti"#a cuando puede tomar un n,mero infinito no numerable de
valores, por ejemplo, el conjunto de los n,mero reales. %n un caso se habla de
elementos contables y en el otro de elementos medibles
$i sobre los elementos de % existe una distribucin de probabilidad, esta se transmite
a los valores que toma la variable 2. %s decir, toda la variable aleatoria conserva la
estructura probabilstica del experimento aleatorio que describe, en el sentido de que
si * es la funcin de probabilidad definida sobre el espacio muestral %, #sta induce
otra funcin *t definida sobre el conjunto de los reales, de forma que conserva los
valores de las probabilidades,
( )
( ) ( ) C b , a B C e B 2 % e * C b , a B 2 *
x C % B 2 % e * C x 2 B *
el
si"ma \ anillo de sucesos sobre . La variable aleatoria 2 es una funcin cuyo
dominio es y cuyo ran"o es un conjunto no vaco de n,meros reales, con la
condicin de que para cualquier n,mero real x, el conjunto de sucesos elementales
para los que
x C B 2
sea un suceso, esto es, un elemento de
. ^ sea,
{ } x C B 2
Si6'a L Esaci&.
C * , , B
,
.
Te&re'a $ea ! un conjunto de sucesos elementales en , &
!
ser una variable
aleatoria siempre y cuando
A
, siendo &
!
el indicador de !, que se define como
una funcin,
?3
'
c
!
! si , 4
! si , (
&
lo que debe leerse como, )erdaderamente, & indica a !, pues si ocurre ! ocurrir
al"uno de los sucesos elementales
en !, e &
!
B
en !
c
, y entonces, &
!
B
CR4
Te&re'a $ea ! un conjunto de sucesos elementales en , &
!
ser una variable
aleatoria siempre y cuando sea
!
. Trabajar con,
'
<
<
x ( si ,
( x 4 si , !
4 x si ,
O x & N
c
!
Te&re'a *ara cualquier
&
R(, es decir,
( C B &
para cualquier
Te&re'as $ea la existencia de &
!
e &
0
y dems funciones que aqu se relacionan,
entonces se cumple,
disjuntos sucesos de 0 , ! par , & & &
0 y ! g, & , & maxf &
0 y ! , & & &
! , & & (
! , & C & B
0 ! 0 !
0 ! 0 !
!0 0 !
!
!
!
3
!
c
+
+
i ;
x x
i
) x ( / ) x ( Q
%ntre las distribuciones discretas ms importantes tenemos,
>niforme discreta, 0ernoulli, 0inomial,
0inomial 7e"ativa, *oisson, Xeom#trica,
9iper"eom#trica, y Trian"ular,
que estudiarn ms adelante
F#"ci1" de Distrib#ci1"$ FM4G. %n muchas ocasiones no nos interesa tanto conocer
la probabilidad de que la )ariable !leatoria 2 tome exactamente un determinado
valor x
i
, cuanto la probabilidad de que tome valores menores o i"uales que un cierto
valor x
i
. %n tales casos es necesario acumular los distintos valores de la funcin de
probabilidad hasta el valor deseado. $e trata de una nueva aplicacin llamada funcin
de distribucin.
$ea 2 una )ariable !leatoria discreta, cuyos valores se suponen ordenados de menor
a mayor. es decir, asocia a cada valor de la )ariable !leatoria discreta la probabilidad
?A
acumulada hasta ese valor Bla probabilidad de que la )ariable !leatoria tome valores
menores o i"uales a x
i
C. $e deben cumplir las si"uientes condiciones,
: QBxC es una probabilidad tal que
1 ) x ( Q 0
: QBxCR4 se cumple para todo xZx
i
: QBxCR( se cumple para todo xUx
i
: QBxC es constante en el &ntervalo Bx
i
,x
iP(
C
: QBxC es continua y creciente por la derecha de todo punto
:
) % ( Q ) 1 ( Q ) 1 x % ( Q <
Distrib#ci&"es de %r&babilidad. Tambi#n se puede definir como el comportamiento
estocstico de una ma"nitud o variable aleatoria 2 queda determinado por su funcin
de distribucin
) x X ( P ) x ( Q
, que representa la probabilidad de que una
observacin de 2 ten"a un valor menor o i"ual que el n,mero real x. La probabilidad
de que 2 se encuentre dentro del intervalo Bx
(
, x
3
O es
) x ( Q ) x ( Q ) x X x ( P
1 2 2 1
< . %s habitual caracterizar Q mediante su funcin de
densidad f. %n el caso de variables absolutamente continuas, la relacin entre Q y f es
x dt C t B f C x B Q
x
%ntre otras, las distribuciones continuas de probabilidad se pueden mencionar como
ms importantes,
7ormal o Xauss, Lo"normal, -hi
3
de *earson,
t:$tudent, Q:$nedecor, %xponencial,
Xamma, 0eta, weibull,
.aylei"h, Xumbel, Lo"stica,
*areto, Laplace, y -auchy,
que estudiarn ms adelante
%ar'etr&s. La media o esperanza matemtica es una medida de localizacin, que
indica el valor alrededor del cual fluct,a la variable aleatoria /6 si #sta es continua, la
media se define como
i
x
i i
C x B f x C 2 B %
en el caso discreto
dt C t B f t C 2 B %
+
en el caso continuo
$imilarmente se calcula la varianza y dems parmetros. %l m#todo de momento y
esperanza matemtica se estudiar mas adelante.
La funcin de distribucin Q, es una funcin no decreciente, es decir, $i x
(
Zx
3
,
entonces, QBx
(
CbQBx
3
C.
%s continua a la derecha, esto es,
?D
C a B Q C x B Q Lim
a x
+
.
8e otra parte,
( C x B Q Lim C B Q
4 C x B Q Lim C B Q
i
x
i
x
i
i
+
+
.ariables aleat&rias c&"ti"#as. $i una variable toma los valores x
(
, ..., x
K.
-uando la
variable es contin,a, no tiene sentido hacer una suma de las probabilidades de cada
uno de los t#rminos en el sentido anterior, ya que el conjunto de valores que puede
tomar la variable es no numerable.
%ste concepto es el de )#"ci1" de de"sidad de #"a .ariable Aleat&ria c&"ti"#a,
que se define como una funcin en el conjunto de los n,meros reales y es inte"rable,
que verifica las dos propiedades si"uientes
b
a
( dx C x B f 4 C x B f
y que adems verifica que dado aZb, se tiene que
b
a
curva la bajo xrea fBxCdx bC 2 *Ba
*or ser f una funcin inte"rable, la probabilidad de un punto es nula,
a
a
4 fBxCdx aC 2 *Ba aC *B2
La )#"ci1" de distrib#ci1" de la .ariable Aleat&ria c&"ti"#a, Q, se define de
modo que dado x que pertenezca al conjunto de los reales, QBxC es la probabilidad de
que 2 sea menor o i"ual que x, es
x
dt C t B f C x 2 B * C x B Q
?E
!hora bien, dado un intervalo de la forma Ba,bO, tenemos que
( ] ( )
b
a
b
def
a
8ef
C a B Q C b B Q dx C x B f dx C x B f dx C x B f b , a 2 *
%s decir, la cantidad QBbC:QBaC representa la 'asa de r&babilidad extendida a lo
lar"o de dicho intervalo. $i dividimos esta cantidad por la lon"itud del intervalo,
tenemos la masa media de probabilidad por unidad de lon"itud en Ba,bO, es decir, su
densidad media de probabilidad. $i hacemos tender a hacia b, entonces,
C b B f C 0 B Q
a b
C a B Q C b B Q
Lim
b a
i
x
x
( C x B p
:
b x
a x
x
i
i
C x B p O b 2 a N *
F#"ci1" de Distrib#ci1" Ac#'#lada. Q8! Q x
x
( ) es la probabilidad del suceso
de que la variable aleatoria tome valores menores o i"uales a x
i
x
x x
C x B p O x 2 N * C x B Q
en el caso discreto. 1 para el caso continuo,
x
x x
x
x
x 3 (
du C u B f O 2 N * C x B Q
dx C x B f O x 2 x N *
3
(
se sabe que,
x
x x
x
C x B f dx C x B f
dx
d
dx
C x B dQ
*ropiedades
: ( C x B Q 4
x
?H
:
( C B Q y 4 C B Q
x x
: C x B Q C x B Q
x x
+ para cualquier
U4
: O x 2 x N * C x B Q C x B Q
3 ( ( x 3 x
< <
La Q8! es una funcin montona creciente.
DISTRI*UCIONES CONDUNTA$ +AR9INAL 0 CONDICIONAL
F+% C&";#"ta- -uando dos o mas variables tienen comportamientos conjuntos
CO y 1 B C x 2 NB * C y , x B *
xy
x x y y
i i xy xy
i i
C y , x B p C y , x B Q
lo cual es i"ual a
CO y 1 B C x 2 NB *
F+% +ar6i"al- -omportamiento de una variable sin considerar otra.
*ara la variable aleatoria 1
i
y
i xy x
C y , x B p O x 2 N * C x B *
x x
xy i x x
i
C , x B Q C x B p O x 2 N * C x B Q
lo cual es i"ual a
x x y
i i xy
i i
C y , x B p
$imilarmente se hace para la variable aleatoria 2
F+% C&"dici&"al- $i se conoce el valor de una de las variables aleatorias 1Ry
4
, las
probabilidades relativas de los diferentes valores de la otra variable estn dados por
C y , x B p
4 xy , se tiene una fmp condicional de 2 dado 1
O y 1 N *
CO y 1 B C x 2 NB *
O y 1 L x 2 N * C y , x B *
y L x
, lo cual equivale a
i
x
i xy
xy
y
xy
y L x
C y , x B p
C y , x B p
CO y B p
C y , x B p
C y , x B *
.
$e cumple adems lo se'alado anteriormente
( C y , x B p y ( o 4
i
x
i y L x y L x
.
&dem para 1 dado 2
F+% C&";#"ta a artir de las r&babilidades +ar6i"ales ( C&"dici&"ales
C x B p C x , y B p C y B p C y , x B p C y , x B *
x x L y y y L x xy
funcin de distribucin de probabilidad
3
(
3
(
x
x
y
y
xy
dydx C y , x B f O 3 x 2 ( x N *
A4
La Quncin de distribucin de probabilidad satisface
4 C y , x B f
xy
y
( dxdy C y , x B f
xy para todo el intervalo
1 la cumulada,
( ) ( )
x y
4 4 4 4 xy
xy
dx dy C y , x B f
O y 1 x 2 N * CO y 1 B C x 2 NB * C y , x B Q
de donde,
C y , x B Q
y x
C y , x B f
21 xy
C , x B Q dx C x B f C x B Q
21 4 4
2
x
2
o sea,
C , x B Q
x
C x B f
21 2
1 para la -ondicional
dx C y , x B f C y B f
4 21 4 1
por lo cual,
C y B f
C y , x B f
C y , x B f
1
21
1 L 2
x
1 L 2 1 L 2
du C y , u B f O y 1 L x 2 N * C y , x B Q
.ariables I"dee"die"tes. $i Quncin distribucin condicional es i"ual a Quncin
distribucin mar"inal, entonces, 2 y 1 son variables aleatorias independientes
C x B p C y , x B p
2 y L x
, entonces, 2 y 1 son independientes.
O x 2 N * O y 1 L x 2 N *
*or lo tanto, lo si"uiente es vlido
C x B Q C y , x B Q
C y B Q C x B Q C y , x B Q C y B f C x B f C y , x B f
C y B f C x , y B f C x B f C y , x B f
2 1 L 2
1 2 21 1 2 21
1 1 L 2 2 y L x
Distrib#ci&"es Deri!adas. $e trata de determinar la ley de probabilidad de una
variable aleatoria funcional. 9allar Q
1
ByC dado que 1R"B2C y dado que 2 tiene
Quncin distribucin acumulada f
2
BxC, entonces,
O y 1 N * C y B Q
1
pero,
A(
O y C x B " x de valor un tomando solamente 2 N * O y 1 N *
lo cual es,
1
.
2
dx C x B f
, para ,
R
la re"in en la cual "BxC y
F#"ci1" de Distrib#ci1" Ac#'#lada. $ea 2 una variable aleatoria discreta o
continua, Q es la funcin de distribucin acumulada de 2 se define como
QBxCR*B2RxC,
2 es variable aleatoria discreta,
j
j
j x x C, x B p C x B Q
2 es variable aleatoria continua,
+
ds C s B f C x B Q
$i Q es no decreciente, esto es,
3 (
x x , entonces, C x B Q C x B Q
3 (
C x B Q
dx
d
C x B f
para la funcin de densidad acumulada de variables aleatorias continuas con funcin
de densidad de probabilidad f
$ea 2 una variable aleatoria discreta con valores
n (
x ,..., x y son .... x x
3 (
< < . $er
Q la funcin de distribucin acumulada de frecuencias, entonces,
C x B Q C x B Q C x 2 B * C x B p
( j j j j
Distrib#ci1" de %r&babilidad +ar6i"al ( C&"dici&"al
? Discret&- $i 2Rx
i
debe ocurrir 1Ry
j
tenemos
( j
j i 3 i ( i i i
C y , x B p ...C o y 1 , x 2 o y 1 , x 2 B * C x 2 B * C x B p
, entonces, p es la distribucin mar"inal de probabilidad de 2.
&dem para 1
( i
j i j j
C y , x B p C y 1 B * C y B p
: C&"ti"#&- $ea f una funcin de densidad de probabilidad conjunta de la variable
aleatoria continua B2,1C. 8efinimos " y h como las funciones de probabilidad
mar"inal de 2 y 1 as,
A3
+
+
dx C y , x B f C y B h dy C y , x B f C x B "
8e otra forma,
+
+ < <
d
c
d
c
dx C x B " dydx C y , x B f O 1 , d 2 c N * C d 2 c B *
$ea B2,1C una variable bidimensional continua con funcin de distribucin de
probabilidad conjunta f. 1 sean " y h son las funciones de probabilidad mar"inal de 2
y 1 respectivamente. %ntonces, la funcin de distribucin de probabilidad
condicional de 2 para 1Ry es,
4 C y B h ,
C y B h
C y , x B f
C y L x B " >
similarmente
4 C x B " ,
C x B "
C y , x B f
C x L y B h >
.ariable Aleat&ria I"dee"die"te
? Discreta- $ea B2,1C una variable aleatoria bidimensional, 1 y 1 son
independientes, si y solo s, pBx
i
,y
j
CRpBx
i
CqBy
j
C, para todo i,j
? C&"ti"#a- fBx,yCR"BxChByC, para todo Bx,yC, f es la funcin de distribucin de
probabilidad conjunta y " y h son las funciones de probabilidad mar"inales de 2 y
1 respectivamente
B2,1C es variable aleatoria discreta, 2 y 1 son independientes si y solo s,
j , i C, y B q C x L y B q
j , i C, x B p C y L x B p
j i j
i j i
1 si B2,1C es continua, entonces,
C y , x B C, y B h C x L y B h
C y , x B C, x B " C y L x B "
F#"ci&"es de #"a .ariable Aleat&ria *idi'e"si&"al. $ea B2,1C una variable
aleatoria bidimensional continua con funcin de distribucin de probabilidad conjunta
f.
$ea rR9
(
B2,1C y wR9
3
B2,1C, donde 9
(
y 9
3
satisfacen
zR9
(
Bx,yC y cR9
3
Bx,yC,
A;
se pueden resolver ,nicamente para x y y, y en funcin de z y c, di"amos
xRX
(
Bz,cC y yRX
3
Bz,cC
%xiste
c
y
,
z
y
,
c
x
,
z
x
y son continuas,
lue"o la funcin de distribucin de probabilidad conjunta Br.wC esta dada por
C c , z B +
CO c , z B X C, c , z B X N f
C c , z B K
3 (
+
,
_
du
u
(
u
c
h C u B " C c B p
La funcin de densidad de probabilidad de
wR21 y >R2 es
u
(
u
c
h C u B " C u , c B s
,
_
+
dv v C v B h C vz B " C z B q
, zRxLy, vRy
Ca'bi&s de !ariables. $ea 2 una )ariable !leatoria cualquiera. $i realizamos el
cambio de variable 1RhB2C, tenemos una nueva )ariable !leatoria de modo que las
probabilidades sobre la misma se calculan del modo
( ) C y B h 2 * C y 1 B * C y B Q
(
$i X es una )ariable !leatoria continua e 1RhB2C, donde h es una funcin derivable e
inyectiva, entonces se tiene que para los elementos " de su ima"en,
A=
dy
dx
CC y B h B f C f B f
(
x y
%n el caso en que la aplicacin no sea inyectiva, podemos tener para un y dado ciertos
x
(
, x
3
, ..., x
n
tales que fBx
i
CRy. %n este caso
n
( i
i
i y
dy
dx
C x B f C y B f
>na aplicacin interesante del cambio de )ariable !leatoria es la si"uiente
$ea 2 una )ariable !leatoria continua cualquiera con funcin de distribucin
derivable, con derivada no nula, Q
x
. )eamos cual es la distribucin de la nueva
)ariable !leatoria
1RQ
x
:(
B2C
La distribucin de 1 aparecer ms adelante con el nombre de distribucin uniforme
en N4,(O, y como justificacin del '7t&d& de +&"tecarl&.
^tro cambio de variable importante es 1R2
3
. %n este caso la relacin entre los puntos
no es inyectiva. !plicando la proposicin anterior se tiene entonces que
y 3
(
C y B f
y 3
(
C y B f C y B f
x x y
+
%sta ,ltima relacin ser de inter#s cuando ms adelante definamos la distribucin
-hi -uadrado.
A?
0Q. ES%ERANIA +ATE+ATICA
.ALOR ES%ERADO
.al&r +edi&. $ea 2 una )ariable !leatoria discreta o continua. $e denomina
esera"<a 'ate'tica de 2 o !al&r eserad&,
C 2 B %
o bien , a la cantidad que se
expresada como,
+
Cdx fBx x %B2C C fBx x %B2C
i i
x
i i
respectivamente.
!hora bien, ello es vlido para transformaciones de la variable aleatoria, de forma
que
+
dx C x B f C x B h CC 2 B h B %
%n el caso continuo y similarmente para el caso discreto
*or las analo"as existentes entre la definicin de media aritm#tica y esperanza
matemtica, las propiedades de linealidad de la primera se trasladan a la se"unda, de
forma que se puede obtener,
4 C 2 B % C 2 B % CC 2 B % 2 B %
C 2 B b% a C b2 a B %
+ +
E;e'l&. $i 2 es el n,mero de puntos obtenidos al lanzar un dado de seis caras,
encontremos el valor esperado de la variable aleatoria 1 R 2
3
.
La funcin de probabilidad de 2 es fBxC R (LA si xf(,3,;,=,?,Ag. La funcin de
probabilidad
de 1 R 2
3
es entonces fByC R (LA si yf(,=,H,(A,3?,;Ag, as %B1C R (L6I( P (L6I= P
(L6IH P (L6I(A P (L6I3? P (L6I;A R 1
2
I*B2R(C P 3
3
I*B2R 3C P ;
3
I*B2R ;C P
=
3
I*B2R =C P ?
3
I*B2R ?C P A
3
I*B2R AC R 2
3
I*B2RxC
E;e'l&. $upon"amos ahora que 2 es una v.a. que tiene funcin de probabilidad fBxC
R (LA si xf:3,:(,4,(,3,;gy 1 R 2
3
. La funcin de probabilidad de 1 es fByC R 3LA si
yf(, =g y fByC R (LA si yf4, Hg. %ntonces %B1C R 3L6I( P 3L6I= P (L6I4 P (L6IH.
%sta ecuacin puede escribirse de la si"uiente manera %B1C R 3L6I( P 3L6= P (L6I4
P (L6IH R 1I*B1R(C P 4I*B1R=C P 0I*B1R4C P 9I*B1R(C R (
3
I*B2R( 2R:(C P
3
3
I*B2R3 2R:3C P 4
3
I*B2R4C P ;
3
I*B2R;C R 2
3
I*B2RxC
! trav#s de estos ejemplos vemos que no es necesario calcular la funcin de
probabilidad de 1, slo tenemos que usar la funcin de probabilidad de 2 y los
valores obtenidos al aplicar la
AA
funcin 1 R "B2C R 2
3
. %sto es cierto a,n en el caso en que la funcin no es uno:uno.
LA .ARIANIA
La varianza la denotamos mediante )B2C o )!.B2C o
3
, y se calcula como,
( )
( )
( )
'
+
-ontinua 2 .fBxCdx %B2C x
8iscreta 2 C .fBx %B2C x
%B2C 2 % )B2C
3
x
i
3
i
3
^bs#rvese que del mismo modo en que se demuestra la relacin se comprueba que
)B2CR%B2
3
C:B%B2CC
3
$imilarmente, )BaPb2CRb
3.
)B2CRb
3
3
E;e'l&. -onsideramos una variable aleatoria discreta con funcin de probabilidad,
caso otro 4
( x
=
c
fBxC
x
^btener el valor de la constante c para que sea una funcin de probabilidad, los
valores de las funciones de probabilidad y distribucin para todos los valores de x, y
*BxR;C, y *Bxb;C.
$olucin *ara ello consideramos,
;
c
=
(
=
(
=
(
c
=
c
( x
; 3 ( x
,
_
+ + +
,
ya que tenemos la suma de una pro"resin "eom#trica de razn menor que la unidad
-alculemos sucesivos valores de fBxC y QBxC,
4 8 A J O R
fBxC ;L= ;L(A ;LA= ;L3?A J
QBxC 4.D? 4.H= 4.HED 4.HHH J.
1 como se observa que si x crece, fBxC decrece y QBxC crece hasta lle"ar a su mximo
valor (
*B2R;CRfB;CR4.4=D *B2b;CR4.HED
E;e'l& para la variable aleatoria continua, funcin de densidad
AD
caso otro 4
( x 4 cx
fBxC
;
9allar %l valor de la constante c para que sea una funcin de densidad, la funcin de
distribucin, el valor medio, y la probabilidad de que la variable este comprendida
entre 4,3 y 4,D
$olucin. -onsideremos,
=
c
=
x
c dx cx
(
4
=
(
4
;
E . 4
?
x
= dx x = x dx C x B f x C 2 B %
(
4
?
(
4
;
*B4.3bxb4.DCRQB4.DC:QB4.3CR4.D
3
:4.3
3
R4.3=
E;e'l&, -alcule la varianza de la variable aleatoria x, que representa el n,mero de
puntos obtenidos con un dado.
R%B2CR(I(LAP3I(LAP;I(LAP=I(LAP?I(LAPAI(LA
t
3
R%B2
3
CR(
3
I(LAP3
3
I(LAP;
3
I(LAP=
3
I(LAP?
3
I(LAPA
3
I(LA
$abemos que 3Rt
3
:
3
RBBH(LAC:BDL3C
3
R;?L(3
Te&re'a-
3
3
3
Te&re'a. $i 2 es una v.a. discreta y fBxC es su funcin de probabilidad, 1 R "B2C es
una funcin a valores reales, es decir, 1 es una v.a., entonces su valor esperado es
%B1CR %B"B2CCR# BxC "BxC .
Te&re'a. $i a y b son constantes reales y "B2C R a2 P b es una funcin a valores
reales, entonces %Ba2 P bC R a%B2C P b.
C&r&lari&. $i a es una constante real, entonces %Ba2C R a%B2C.
C&r&lari&. $i b es una constante real, entonces %BbC R b.
AE
%stos resultados se pueden "eneralizar de la si"uiente forma
Te&re'a. $i c
(
, c
3
, ...., c
n
son constantes reales, y "
(
B2C, "
3
B2C ,...., "
n
B2C, son
funciones reales de 2, entonces %BciI"
i
BxCCc
i
I%B"
i
BxCC
Te&re'a. )arB 2C R 3 R %B2
3
C \ N%B2CO
3
R %B2
3
C \
3
+O+ENTOS
La esperanza matemtica y la varianza pueden ser calculadas a partir de otras
medidas el '&'e"t& de orden r Br pertenece al conjunto de los naturalesC
r
'
x
r
r
r r
8iscreta 2 fBxC x
-ontinua 2 fBxC x
C 2 B %
!simismo se denomina '&'e"t& ce"tral de orden r, m
r
,
( )
( )
( )
'
+
-ontinua fBxCdx %B2C x
8iscreta 2 C fBx %B2C x
C 2 B % 2 % m
r
i
x
r
i
r
r
8e este modo, es claro que la esperanza matemtica es el momento de primer orden y
que la varianza es el momento central de se"undo orden
3
3
(
(
m )B2C z { C %B2 {
E;e'l&, -iertas mediciones codificadas del dimetro del avance de la cuerda de un
ajuste tienen la densidad de probabilidad
AH
'
< <
+
otro 4
( x 4
C x ( B
=
C x B f
3
8etermine el valor esperado y la varianza
!plicando la definicin,
==(; . 4
= ln
dx
C x ( B
=
x C 2 B %
(
4
3
3D;3 . 4 (
=
dx
x (
x =
C 2 B %
(
4
3
3
3
3
DESI9UALDAD DE TCFE*0CFEFF
.ariable Aleat&ria tii)icadas. $i 2 es una variable aleatoria con esperanza %B2CR
y varianza )B2CR
3
, se puede demostrar que en "eneral, una "ran parte de la masa se
encuentra en un intervalo centrado en y que tiene por amplitud varias veces . /s
precisamente, la desi"ualdad de Thebycheff afirma que si consideramos un intervalo
de centro y radio K veces , la probabilidad de realizar una observacin de la
variable y que esta no est# en dicho intervalo es inferior o i"ual a (LK
3
$i 2 es
)ariable !leatoria con %B2CR y )B2CR
3
, entonces para todo valor de K positivo,
( )
3
K
(
Kz { 2 *
%ste importante resultado, por si slo, justifica el que sea una medida central y la
medida de dispersin respecto a ese valor medio y motiva la introduccin del
concepto de tii)icaci1" de !ariables aleat&rias$ as, dada una )ariable !leatoria 2,
definimos su .ariable Aleat&ria tii)icada, $, como,
D4
2
z
que es una )ariable !leatoria que presenta la caracterstica de tener valor medio cero
y varianza unitaria %B2CR4 y )B2CR(
E;e'l&$ $i la densidad de probabilidad de la variable aleatoria x est dada por
'
< <
otro 4
( x 4 C x ( B x A;4
C x B f
= =
8etermine la probabilidad de que x tome un valor contenido en dos desviaciones
estndar de la media y comprela con el lmite inferior proporcionado por el teorema
de -hebyshev
&nte"rando directamente, obtenemos que R(L3 y
3
R(L== o sea R4.(?
*or tanto, la probabilidad de que x tome un valor contenido en dos desviaciones de la
media es la probabilidad de que tome un valor entre 4.34 y 4.E4,
HA . 4 dx C x ( B x A;4 C E4 . 4 x 34 . 4 B *
E4 . 4
34 . 4
= =
+ < <
4 4
s r s r
s , r
x y
s r s r
s , r
dxdy C y , x B f y x C y x B %
,... 4 s ,.., 4 r C y , x B f y x C y x B %
1 con respecto al valor medio
( )
( )
4 4
s
y
r
x
s
y
r
x s , r
x y
s
y
r
x
s
y
r
x s , r
dxdy C y , x B f C y B C x B C y B C x B %
,... 4 s ,.., 4 r C y , x B f C y B C x B C y B C x B %
Te&re'a, ( , ( xy
C y , x covB
Te&re'a, y x ( , ( xy
D(
TEORA DE LOS 9RANDES NS+EROS 0 TEORE+A DEL L+ITE
CENTRAL
$ea
, se n
!
el n,mero de veces que ocurre ! en las n repeticiones y f
!
Rn
!
Ln. $ea *B!CRp,
i"ual para cualquier repeticin, entonces, para cualquier n,mero positivo
[ ]
3
!
n
C p ( B p
p f *
y
[ ]
3
!
n
C p ( B p
( p f *
<
*or lo anterior se puede demostrar que para "randes n,meros la funcin de
distribucin binomial tiende a ser 7ormal
Te&re'a del L'ite Ce"tral- $ea 2
(
,...,2
n
sucesos de variables aleatorias
independientes con
i i
O 2 N % y
3
i i
O 2 N ) . $ea X X
n
i
n
1
. %ntonces,
C ( , 4 B 7
2
r
n
( i
3
i
n
( i
i
n
, es decir,
$i X
n
es la fda de r
n
, entonces,
C z B C r B X Lim
n
n
Te&re'a- $i 2
(
,...,2
n
son variables aleatorias independientes y tienen i"ual
distribucin y sean
O 2 N ) y O 2 N %
i
3
i
, los valores esperados de media y
varianza. $ea
n
( i
i
2 $ , entonces,
3
n O $ N ) y n O $ N %
. !hora bien, para
valores "randes de n,
C ( , 4 B 7
n
n $
T
n
considerando,
C t B O t T N * Lim
n
n
|
Te&re'a- $ean 2 y 1 variables aleatorias independientes con funciones de
distribucin de probabilidad " y h, respectivamente. $ea rR2P1 con Quncin de
distribucin de probabilidad s definida como,
dc C c z B h C c B " C z B s
. >sando
la transformacin cRx, y zRxPy
D3
Te&re'a- $i 2 y 1 son variables aleatorias independientes con valores solo enteros
positivos. $ea pBKCR*N2RxO y qBrCRN1RrO, siendo KR(,..., y rR(,.... sea rR2P1 y sea
cBiCR*NrRzO, entonces,
i
4 K
C K i B r C K B p C i B c
ES%ERANIA CONDICIONAL
$i x es una variable aleatoria discreta o continua y fBxLyC es el valor de la distribucin
de probabilidad condicional de x dada y, la esperanza condicional, de uBxC dada y es,
respectivamente
( )
( ) dx C y L x B f C x B u y L C x B u %
C y L x B f C x B u y L C x B u %
x
E;e'l&, $i la densidad conjunta de dos variables aleatorias x y y est dada por
( y 4 y ( x 4 valores para C y 3 x B
;
3
C x B f < < < <
8etermine la media y la varianza condicionales de x dada yR(L3
'
+
+
+
,
_
+
+
+ +
(E
D
dx C ( x B x
;
3
C 3 L ( L x B %
H
?
dx C ( x B x
;
3
C 3 L ( L x B %
C ( x B
;
3
3
(
L x f
C y = ( B ; L (
C y 3 x B ; L 3
C y B h
C y , x B f
C y L x B f
C y = ( B
;
(
dx C y 3 x B
;
3
dx C y , x B f C y B h
(
4
3 3
(
4
(
4
TEORE+A DE FOURIER L FUNCION 9ENERATRII
$i 2 es una )ariable !leatoria cuya funcin caracterstica es
X
, su funcin de
probabilidad Bo densidad de probabilidadC es,
D;
BtCdt } e
3~
(
fBxC
2
itx
%sta propiedad de
X
es )#"da'e"tal, ya que en una "ran cantidad de casos es
mucho ms fcil trabajar con la funcin caracterstica que con la propia funcin de
probabilidad Bo densidadC. La razn de ello estriba en una serie de propiedades de la
funcin caracterstica que la hacen muy manejable desde el punto de vista
matemtico. *ara esta funcin se verifican las relaciones
t C t B C t B
t ( C t B ( C 4 B
2 2
2 2
Lo cual se puede verificar con,
( ) ( ) ( ) ( ) BtC } senBtxC i% cosBtxC % t2C senB i% t2C cosB % C %Be tC B }
( fBxCdx ( dx fBxC e fBxCdx e BtC }
( fBxCdt ( %B(C C %Be B4C }
2
it2 :
2
itx itx
2
i4x
2
+
!plicando a una recta, $ea BbtC } e BtC } b2 a 1
2
ita
1
+ , lo que se demuestra
como,
( ) ( ) BbtC } e e e % e % C %Be BtC }
2
ita itb2 ita b2 itBa it2
1
+
>na propiedad de que es muy usada es que la suma de )ariable !leatoria
independientes tiene por funcin caracterstica el producto de las respectivas
funciones caractersticas. %s decir, $ean 2 e 1 )ariables !leatorias independientes,
entonces, C t B C t B C t B
1 2 1 2
+
La ,ltima propiedad de que enunciamos es que al i"ual que la funcin "eneratriz
de momentos, esta nos permite calcular los momentos de la variable By por tanto su
esperanza y su varianzaC, veamos,
r
BrC
2 r
i
B4C }
C %B2
Lo que se puede observar como,
+
+
+
fBxCdx e x i
i
B4C }
fBxCdx e x i B4C } fBxCdx e x i BtC }
itx r r
r
BrC
2 itx r r BrC
2
itx r r BrC
2
F#"ci1" caracterstica. *ara una )ariable !leatoria 2 se define su )#"ci1"
caracterstica como
D=
'
fBxCdx e
C fBx e
C %Be BtC }
itx
x
i
itx
it2
2
*ero isenBtxC cosBtxC e
itx
+ , lo cual nos conduce a la Ta"s)&r'ada de F&#rier de
f. $u denominacin proviene del hecho de que una vez conocida la funcin
caracterstica podemos determinar la funcin de distribucin de la )ariable !leatoria
y recprocamente. siendo
i 1
, y esta funcin siempre existe para todo t
Las principales funciones "eneradoras de momentos son
[ ]
,
_
4
x tx
x
4 K
C ( e B e
K
tK
x
n
4 K
n
t K n K tK
x
b
a
at bt tx
x
parametro , dx e e C t B / l %xponencia
e e e
a K
e
e C t B / *oisson
C p ( B pe C p ( B p
K
n
e C t B / 0inomial
4 t ,
t C a b B
e e
dx
a b
e
C t B / >niforme
t t
%r&iedades $ea la serie de /acLaurin de
a n
x
a 3
x
x ( e e
n 3
x x
+ + + +
( )
1
]
1
+ + + +
a n
C tx B
a 3
C tx B
tx ( e % C t B /
n 3
tx
x
, lo que es i"ual a
1
]
1
+ + + +
a n
O x N % t
a 3
O x N % t
O x N t% ( C t B /
n n 3 3
x
8erivando tenemos,
1
]
1
+ + + +
Ca 3 n B
O x N % t
a 3
O x N % t
O x N t% O x N % C t B /
n ( n ; 3
3
x
!hora bien, si tR4, entonces, O x N % C 4 B /
x
)olviendo a derivar,
1
]
1
+ + +
Ca 3 n B
O x N % t
O x N t% O x N % C t B /
n 3 n
; 3
x
$i tR4, entonces, O x N % C 4 B /
3
x
%n "eneral, O x N % C 4 B /
n C n B
x
D?
Te&re'a- La variable aleatoria 2 tiene una f"m /
x
, y sea
+ 2 1
, entonces,
C t B / e C t B /
x
t
y
Te&re'a $i /
x
BtC y /
y
BtC son las f"m de 2 y 1 que son variables aleatorias
respectivamente y si /
x
BtCR/
y
BtC, para todo t, entonces 2 y 1 tienen i"ual
distribucin de probabilidad.
Te&re'a $i 2 y 1 son variables aleatorias independientes y rR2P1, y tienen f"m
/
x
BtC, /
y
BtC y /
z
BtC, respectivamente, entonces, /
z
BtCR/
x
BtC/
y
BtC
E;e'l&$ 8etermine la funcin "eneratriz de momentos de la variable aleatoria x,
cuya densidad de probabilidad est dada por,
'
>
otro 4
4 x e
fBxC
x
>tilcela para hallar t
r
4
C t ( B x
4
x tx tx
x
t (
(
dx e dx e e C e B % C t B /
%xpandiendo en la serie de /cLaurin,
+ + + + + + + + + +
a r
t
a r
a 3
t
a 3
a (
t
a ( ( t t t ( C t B /
r 3
r 3
x
*or consi"uiente,
r a r
r
Tra"s)&r'ada Li"eal de #"a .ariable Aleat&ria
4 c c 2 c 2
( 3 (
I
+
C 2 B c C c c B C c 2 c B 2
c 2 c O ( N % c O 2 N % c O 2 N %
( 3 ( 3 (
I I
3 ( 3 (
I I
+ +
+ +
%n "eneral, se tiene,
O C 2 B c O C 2 B c N % O C 2 NB %
K K K K K I I
( (
3
(
3 I
c que es un caso particular para KR3
DA
La varianza es invariante bajo una traslacin del ori"en, esto es, una transformacin
de la forma
3
I
c 2 2 + . $i entonces, 2
I
toma la expresin
3 (
c y
(
c
,
entonces
r
2
, que tiene media 4 y varianza (
$i una variable aleatoria 2 tiene media
y varianza
2
, entonces
2
r
tiene
media 4 y varianza (
Te&re'a$
r
r
x
r
dt
C t B / d
8e este teorema se desprende,
( ) ( )
,
_
,
_
,
_
+
+
+
+
b
t
/ e e % C t B /
C bt B / e % C t B / C t B / e e % C t B /
x
t
b
a
t
b
a x
b
a x
x
bxt
bx x
at t C a x B
a x
ES%ERANIA *IDI+ENSIONAL
%N"B2,1CO se define como
+ +
'
x y x
(
x y
2 de depende C x B f C x B " C y , x B f C x B " CO 1 , 2 B " N %
CO y , x B h N b% CO y , x B " N a% CO 1 , 2 B bh C 1 , 2 B a" N %
-ontinuo dxdy C y , x B f C y , x B "
8iscreto C y , x B f C y , x B "
CO 1 , 2 B " N %
%N2P1OR%N2OP%N1O
DD
%l valor medio de una suma de variables aleatorias es i"ual a la suma de los valores
medios de las variables aleatorias, esto es,
[ ] O 1 N % O 2 N % O 21 N % y O 2 N % 2 %
i i
si 2 e 1 son independientes
$i 2
(
,2
3
,...2
n
son variables aleatorias independientes, entonces
1
]
1
n
n
n
n
O 2 N % 2 %
.aria"<a- $i se tiene rR2P1, entonces
3 3 3
OC r N % B O r N % de donde
3 3 3 3
OC 1 N % O 2 N % B O 1 21 3 2 N % O r N % + + + , lo que conduce a ,
O 1 N % O 2 N % O 21 N %
21
, o sea,
21
3
1
3 3
3
2
+ +
,
y si 2 e 1 son independientes,
XR
0
La varianza de una suma de variables aleatorias independientes cuyas varianzas
existan, es i"ual a la suma de esas varianzas
$i 2
(
,2
3
,...2
n
son variables aleatorias independientes, con varianza com,n
2
,
entonces $i 2
(
,2
3
,...2
n
son variables aleatorias independientes, entonces
X
n
X X
n
+ +
1
1
( )
y tienen varianza $i 2
(
,2
3
,...2
n
son variables aleatorias independientes, entonces
X
n
2
2
1
para el caso discreto, y
B 3 d / x
x
3x
( ) ( )dx
) 1 # % ( x
% 1
% x
) x ( Q
,
DH
es decir, que el valor final est# entre (=4 pesos y (=( pesos tiene un ?M de
probabilidad, que est# entre (=( y (=3, otro ?M, etc.
%l valor medio de esta distribucin se calcula BaPbCL3
La distribucin uniforme discreta es la que sur"e en situaciones tales como el
lanzamiento de una moneda, de un dado o en la extraccin de una bola numerada de
un bombo de la lotera. %n todos estos casos, si no hay truco, existe equiprobabilidad
entre todos los sucesos elementales posibles dos en el caso de la moneda, seis en el
del dado y n en el caso del bombo de la lotera, siendo n el n,mero de bolas. La
funcin de probabilidad viene dada por
) n #...# 1 ( x 0 ) x ( / ) n #...# 1 ( x
n
1
) x ( /
y la de distribucin por
[ ]
[ ] n # 1 x
n
x
) x ( Q
siendo NxO la parte entera de x. La media y la varianza de esta distribucin vienen
dadas por, respectivamente
12
1 n
) X ( V
2
n 1
) X ( :
2
La funcin caracterstica es
C a b B it
e e
dx
a b
(
e C t B
ita itb
b
a
itx
x
E4
DISTRI*UCIN DE *ERNOULLI
La distribucin de 0ernoulli de parmetro p es el modelo ms simple de probabilidad.
$e aplica a situaciones en las que un cierto atributo aparece con probabilidad p y la
ausencia de este mismo atributo con probabilidad (:p, como en el lanzamiento de una
moneda o la presencia o no de cierta bacteria en una muestra biol"ica. %s en los
procesos de 0ernoulli donde aparecen otras variables, como la binomial o la
"eom#trica. Las funciones de probabilidad y de distribucin son, respectivamente,
) 1 # 0 ( x P 1 ) x ( Q ) x 1 )( P 1 ( Px ) x ( / +
La media y la varianza de la distribucin de 0ernoulli son
) P 1 ( P ) x ( V P ) x ( :
-onsiste en realizar un experimento aleatorio una sola vez y observar si cierto suceso
ocurre o no, siendo p la probabilidad de que esto sea as B#xitoC y qR(:p el que no lo
sea BfracasoC. %n realidad no se trata ms que de una variable dicotmica, es decir que
,nicamente puede tomar dos modalidades, es por ello que el hecho de llamar #xito o
fracaso a los posibles resultados de las pruebas obedece ms una tradicin literaria o
histrica, en el estudio de las variable aleatoria, que a la situacin real que pueda
derivarse del resultado.
*odramos por tanto definir este experimento mediante una variable aleatoria discreta
2 que toma los valores 2R4 si el suceso no ocurre, y 2R( en caso contrario, y que se
denota
'
p C ( 2 B * si (
p ( q C 4 2 B * si 4
C p B 0 2
E;e'l&, >n ejemplo tpico de este tipo de variables aleatorias consiste en lanzar una
moneda al aire y considerar la variable aleatoria 2RB7,mero de caras obtenidasC, en
cuyo caso 2R4 si qR(L3, y 2R( si pR(L3
*ara una variable aleatoria de 0ernouilli, tenemos que sus funciones de probabilidad
y de distribucin son,
E(
'
<
<
'
( x si (
( x 4 si q
4 x si 4
C x B Q
caso otro 4
( x si p
4 x si q
C x B f
$u funcin caracterstica y momentos son,
+
( , 4 x
it
i
itx
x
i
i
e p q C x B f e C t B
q p C 2 B ) p C 2 B %
DISTRI*UCIN *INO+IAL
La distribucin binomial aparece de forma natural al realizar n repeticiones
independientes de cierto experimento cuyo resultado consiste en la presencia, con
probabilidad p, de cierto atributo !. La probabilidad p permanece constante durante
todo el proceso muestral. $i 2i es la variable asociada a la i:#sima r#plica, que tomar
el valor ( si se verifica !, y 4 en caso contrario, la variable
n
1 i
i
X S
que representa el n,mero de veces que aconteci !, tiene una distribucin binomial
de parmetros n y p, lo que se suele indicar como 0Bn, pC, de forma que
( n (
) P 1 ( P
(
n
) ( S ( P ) ( ( /
,
_
siendo su funcin de probabilidad acumulada
? n ?
n
0 ?
) P 1 ( P
(
n
) ( S ( P ) ( ( Q
,
_
La media y la varianza de $ son %N$O R nIp y )N$O R nIpIB(:pC, respectivamente.
La distribucin binomial parte de la distribucin de 0ernoulli. La distribucin de
0ernoulli se aplica cuando se realiza una sola vez un experimento que tiene
,nicamente dos posibles resultados B#xito o fracasoC, por lo que la variable slo puede
tomar dos valores el ( y el 4. La distribucin 0inomial se aplica cuando se realizan
E3
un n,mero n de veces el experimento de 0ernoulli, siendo cada ensayo independiente
del anterior. La variable puede tomar valores entre 4 si todos los experimentos han
sido fracaso, hasta n si todos los experimentos han sido #xitos
E;e'l&, se tira una moneda (4 veces `cuantas caras salen5 $i no ha salido nin"una
la variable toma el valor 46 si han salido dos caras la variable toma el valor 36 si todas
han sido cara la variable toma el valor (4. La distribucin de probabilidad de este tipo
de distribucin si"ue el si"uiente modelo,
1 Q P Q P
)7 ? n ( 7 ?
7 n
) x X ( P
? n ?
+
E;e'l&, `-ul es la probabilidad de obtener A caras al lanzar una moneda (4
veces5. K es el n,mero de aciertos. %n este ejemplo K i"ual a A Ben cada acierto
decamos que la variable toma el valor ( como son A aciertos, entonces KRAC, n es el
n,mero de ensayos. %n nuestro ejemplo son (4, * es la probabilidad de #xito, es
decir, que sal"a cara al lanzar la moneda. *or lo tanto *R4,?. %ntonces,
205 . 0 5 . 0 5 . 0
)7 10 ( 7
7 10
) X ( P
10
Lue"o, *BxRAC R 4,34?, es decir, se tiene una probabilidad del 34,?M de obtener A
caras al lanzar (4 veces una moneda.
E;e'l&, `-ul es la probabilidad de obtener cuatro veces el n,mero ; al lanzar un
dado ocho veces5, siendo K Bn,mero de aciertosC toma un valor de =, y n toma el
valor E
La probabilidad de que sal"a un ; al tirar el dado es (LA, entonces,
02 . 0 ) 1 . 0 1 ( 1 . 0
7 4 7 4
7 "
) 4 X ( P
4 4
Lue"o, *BxR=CR4,43A, es decir, se tiene una probabilidad del 3,AM de obtener cuatro
veces el n,meros ; al tirar un dado E veces.
$upon"amos que realizamos n pruebas de 0ernouilli, 2i, donde en todas ellas, la
probabilidad de #xito es la misma BpC, y queremos calcular el n,mero de #xitos, 2,
obtenidos el total de las n pruebas.
E;
n ,..., ( , 4 x C p ( B p
x
n
C x 2 B * C x B f
x n x
,
_
%l modo ms simple de calcular la funcin caracterstica nos lo da el teorema que
afirma que la funcin caracterstica de la suma de variables independientes es el
producto de las funciones caractersticas de estas
n it
x x x x
C pe q B C t B
n 3 (
+ + + +
Los principales momentos de 2 los calculamos ms fcilmente la funcin
caracterstica,
npq
i
C t B
C 2 B % C 2 B % C 2 B )
np C q p B np
i
C t B
C 2 B %
4 t
3
x 3 3
( n
4 t
x
E;e'l&$ >n m#dico aplica un test a (4 alumnos de un cole"io para detectar una
enfermedad cuya incidencia sobre una poblacin de ni'os es del (4M. La sensibilidad
del test es del E4M y la especificidad del mismo es del D?M. `-ual es la probabilidad
de que exactamente a cuatro personas le de un resultado positivo5 $i en la muestra
hay cuatro personas a las que el test le da positivo, `cul es la probabilidad de que
entre estas, exactamente dos est#n sanas5 -alcular la probabilidad de que el test
suministre un resultado incorrecto para dos personas. -alcular la probabilidad de que
el resultado sea correcto para ms de D personas.
$olucin Los datos de que disponemos son *B%CR4.(4, *BT
P
L%CR4.E4, y
*BT
:
L%CR4.D?, donde %, TP, y T: tienen el sentido que es obvio. $i queremos saber a
cuantas personas el test le dar un resultado positivo, tendremos que calcular *BT
P
C,
para lo que podemos usar el teorema de la probabilidad total Bestar enfermo y no
estarlo forman una coleccin exhaustiva y excluyente de sucesosC
*BT
P
CR*BT
P
L%CI*B%CP*BT
P
L%
:
CI*B%
:
CR4.E4I4.(4P4.3?I4.H4R4.;4?
$ea 2
(
la variable aleatoria que contabiliza el n,mero de resultados positivos. %s
claro que llamando p
(
R*BT
P
C, se tiene que 2 si"ue una distribucin binomial
E=
34=E . 4 AH? . 4 I ;4? . 4 I
=
(4
q p
x
(4
C x 2 B * C ;4? . 4 , (4 B 0 2
A = x (4
(
x
( ( (
,
_
,
_
!hora bien, si queremos calcular a cuntas personas les dar el test positivo aunque
est#n sanas, hemos de calcular previamente *B%
:
LT
P
C
[ ]
D;DD . 4
C T B *
C % B * I C % L T B * (
C T B *
C T % B *
C T L % B *
+
+
+
+
DISTRI*UCIN %OISSON
La distribucin de *oisson parte de la distribucin binomial, cuando en una
distribucin binomial se realiza el experimento un n,mero n muy elevado de veces y
la probabilidad de #xito p en cada ensayo es reducida, entonces se aplica el modelo de
distribucin de *oisson, se tiene que cumplir que
7 ?
e ) ? X ( P
?
RnI*, es decir, el n,mero de veces n que se realiza el experimento multiplicado por
la probabilidad * de #xito en cada ensayo, K es el n,mero de #xito cuya probabilidad
se est calculando
E;e'l&, La probabilidad de tener un accidente de trfico es de 4,43 cada vez que se
viaja, si se realizan ;44 viajes, `cual es la probabilidad de tener ; accidentes5
-omo la probabilidad * es menor que 4,(, y el producto nI* es menor que (4,
entonces aplicamos el modelo de distribucin de *oisson,
0"92 . 0
7 3
e ) 3 X ( P
3
E?
*or tanto, la probabilidad de tener ; accidentes de trfico en ;44 viajes es del E,HM
E;e'l&, La probabilidad de que un ni'o nazca pelirrojo es de 4,4(3. `-ul es la
probabilidad de que entre E44 reci#n nacidos haya ? pelirrojos5
02 . 4
7 5
. 9
e ) 5 X ( P
5
. 9
*or tanto, la probabilidad de que haya ? pelirrojos entre E44 reci#n nacidos es del
=,AM
%sta distribucin aparece en al"unos procesos que tienen una dimensin temporal o
espacial, como el n,mero de llamadas telefnicas que recibe un servicio de atencin a
ur"encias durante un intervalo de tiempo determinado, o el n,mero de cultivos
infectados por una pla"a en una cierta re"in "eo"rfica. Las funciones de
probabilidad y de distribucin de una variable aleatoria de *oisson con media mU4,
que simplificamos con la notacin *BmC, son
(
0 ?
? m ( 3
7 ?
m e
) ( X ( P ) ( ( Q
7 (
m e
) ( X ( P ) ( ( /
La media y varianza de 2 son ambas i"uales a m, %N2O R )N2O R m.
DISTRI*UCIN FI%ER9EO+HTRICA
La distribucin hiper"eom#trica es el modelo que se aplica en experimentos del
si"uiente tipo %n una urna hay bolas de dos colores Bblancas y ne"rasC, `cul es la
probabilidad de que al sacar 3 bolas las dos sean blancas5
$on experimentos donde, al i"ual que en la distribucin binomial, en cada ensayo hay
tan slo dos posibles resultados o sale blanca o no sale. *ero se diferencia de la
distribucin binomial en que los distintos ensayos son dependientes entre s. $i en una
urna con ? bolas blancas y ; ne"ras en un primer ensayo saco una bola blanca, en el
se"undo ensayo hay una bola blanca menos por lo que las probabilidades son
diferentes Bhay dependencia entre los distintos ensayosC. La distribucin
hiper"eom#trica si"ue el si"uiente modelo,
)7 n @ 7*( n
7 @
)7 ? n @ )7*( ? n (
7 @
)7 ? @ 7*( ?
7 @
n
@
? n
@
?
@
) x X ( )
2
2
1
1
2 1
,
_
,
_
,
_
EA
8onde, para el ejemplo, 7 es el n,mero total de bolas en la urna, 7( es el n,mero
total de bolas blancas, 73 es el n,mero total de bolas ne"ras, K es el n,mero de bolas
blancas cuya probabilidad se est calculando, n es el n,mero de ensayos que se
realiza
E;e'l&, en una urna hay D bolas blancas y ? ne"ras. $e sacan = bolas `-ul es la
probabilidad de que ; sean blancas5
7 R (36 7( R D6 73 R ?6 K R ;6 n R =, entonces,
354 . 0
4
12
1
5
3
!
) 3 X ( P
,
_
,
_
,
_
%s decir, la probabilidad de sacar ; bolas blancas es del ;?,;M.
E;e'l&, en una fiesta hay 34 personas (= casadas y A solteras. $e eli"en ; personas
al azar `-ul es la probabilidad de que las ; sean solteras5
01!5 . 0
3
20
0
14
3
!
) 3 X ( P
,
_
,
_
,
_
%s decir, la probabilidad de que las ; personas sean solteras es tan slo del (,D?M.
%sta distribucin suele aparecer en procesos mu#strales sin reemplazo, en los que se
investi"a la presencia o ausencia de cierta caracterstica. *i#nsese en un
procedimiento de control de calidad en una empresa farmac#utica, durante el cual se
extraen muestras de las cpsulas fabricadas y se someten a anlisis para determinar su
composicin. 8urante las pruebas, las cpsulas son destruidas y no pueden ser
devueltas al lote del que provienen. $i 7( es el n,mero de cpsulas defectuosas en el
lote y 73 el de aqu#llas dentro de las tolerancias establecidas, tomada una muestra al
azar de tama'o n, la cantidad de unidades observadas no vlidas, r, tiene una
distribucin hiper"eom#trica 9XB7(, 73, nC, cuya funcin de probabilidad es
) n # @ min( ( ) @ n # 0 m%x(
n
@ @
( n
@
(
@
) ( X ( P ) ( ( /
1 2
2 1
2 1
,
_
,
_
,
_
ED
siendo su funcin de distribucin
,
_
,
_
,
_
(
0 ?
2 1
2 1
n
@ @
( n
@
(
@
) ( X ( P ) ( ( Q
La media y la varianza de esta distribucin son
) 1 @ @ ( ) @ @ (
) n @ @ ( @ n@
) X ( V
2 @ 1 @
1 n@
) X ( :
2 1
2
2 1
2 1 2 1
+ +
+
,
_
,
_
,
_
n
@
x
@
x
@
) x X # x X ( P
4
4
1
1
? ? 1 1
8onde 2
(
R x( indica que el suceso 2
(
aparezca x
(
veces Ben el ejemplo, que una de
las bolas sea blancaC, 7
(
indica el n,mero de bolas blancas que hay en la urna Ben el
ejemplo, D bolasC, 7 es el n,mero total de bolas en la urna Ben el ejemplo, (= bolasC, n
es el n,mero total de bolas que se extraen Ben el ejemplo, ; bolasC
%ntonces,
230! . 0
3
14
1
4
1
3
1
!
) 1 X # 1 X # 1 X ( P
3 2 1
,
_
,
_
,
_
,
_
%s decir, que la probabilidad de sacar una bola de cada color es del 3;,4DM.
DISTRI*UCIN 9A++A
La distribucin "amma de parmetros a y b es verstil como pocas, ya que otras
distribuciones importantes son casos particulares de #sta6 as, cuando a R (, se reduce
a la exponencial y cuando a R nL3 y b R 3, obtenemos la -hi:cuadrado de *earson con
n "rados de libertad.
8esde el punto de vista de las aplicaciones suele utilizarse para modelar variables
aleatorias acotadas por un extremo6 tal es el caso del tiempo requerido para que se
EH
produzcan exactamente a sucesos independientes, si estos ocurren con una frecuencia
constante. Las funciones de densidad y de probabilidad acumulada son
0 x # d$ e $
) % (
1
) x ( Q e x
) % ( 1
1
) x ( /
1 / x
0
$ 1 %
1
x
1 %
%
>
respectivamente, siendo
dx e x ) P (
0
x 1 P
la funcin "amma de %uler
La media viene dada por %B2CRab y la varianza por )B2CRab3.
DISTRI*UCIN E/%ONENCIAL
>na variable aleatoria 2 tiene distribucin exponencial de parmetro a U 4 si sus
funciones de densidad y de distribucin acumulada son,
4 x a ( C x B Q ae C x B f
ax ax
La interpretacin del parmetro a es sencilla, pues coincide con la inversa de la
esperanza de la variable aleatoria 2. 8entro del contexto del anlisis de
supervivencia, cuando 2 se interpreta como el tiempo necesario para que se produzca
el fallo de un componente de una mquina, o el tiempo que transcurre hasta la muerte
de un or"anismo biol"ico, tiene especial importancia la funcin
$BxC R *rB2 U xC R ( : QBxC R expB:a xC
que recibe el nombre de funcin de supervivencia y que es la probabilidad de que el
individuo no fallezca antes del instante x. La media y la varianza de la distribucin
exponencial son
2
%
1
) X ( V
%
1
) X ( :
*ara calcular el valor esperado y la varianza de la distribucin exponencial,
obtenemos en primer lu"ar la funcin caracterstica
3
3
3 3 3
x 3
;
3
x
x
3
x
4
x C a it B
4
ax itx
x
a
(
a
(
a
3
C 2 B )
a
3
i
C 4 B
C 2 B %
C a it B
ai 3
C t B
a
(
i
C 4 B
C 2 B %
C a it B
ai
C t B
a it
a
e
a it
a
dx ae e C t B
,
_
34
4
(A L 34
D(;? . 4 e ( dt C t B f C 34 T B *
DISTRI*UCIN *ETA
La distribucin beta de parmetros a y b, ambos estrictamente positivos, tiene como
soporte el intervalo B4,(C, por lo que suele utilizarse en la modelizacin de datos que
se encuentren dentro de este ran"o. La funcin de densidad es
) 1 # 0 ( x ) x 1 ( x
) 1 # % (
1
) x ( /
1 1 1 %
y la de distribucin
1 x 1 ) x ( Q
) 1 # 0 ( x d$ ) $ 1 ( $
) 1 # % (
1
) X ( Q
0 x # 0 ) x ( Q
1 1
x
0
1 %
DISTRI*UCIN DE UEI*ULL
La variable aleatoria 2 tiene distribucin de weibull de parmetros a U 4 y b U 4 si su
funcin de densidad es
( )
0 x e
1
x
1
%
) x ( /
%
1 / x
1 %
,
_
,
_
+
,
_
+
,
_
+ 1
%
1
S 1
%
2
S 1 ) X ( V 2 1
%
1
1S ) X ( :
2
donde siendo
dx e x ) P (
0
x 1 P
la funcin "amma de %uler con *U4.
DISTRI*UCIN DE RA0LEI9F
La distribucin de .aylei"h de parmetro a U 4, es un caso particular de la de
weibull, estando su uso muy extendido en el contexto del anlisis de datos
censurados. La funcin de densidad es
0 x 0 ) X ( Q
0 x e 1 ) X ( Q
0 x 0 ) x ( /
0 x xe % 2 ) x ( /
2 2
2 2
x %
x % 2
>
>
,
_
+
,
_
,
_
4
T
1
%
1
1 ) X ( V 2
% 2
T
) X ( :
2
DISTRI*UCIN DE 9U+*EL
La distribucin de Xumbel, o del valor extremo, de parmetros
0 1 # % >
se
utiliza en el anlisis de la distribucin asinttica de los extremos mu#strales, con
aplicaciones concretas en la prediccin de catstrofes naturales y en el dise'o de
estructuras de in"eniera civil que van a estar sometidas a condiciones climatol"icas
extremas. $u funcin de densidad es
H;
,
_
,
_
,
_
,
_
x
1
x %
ex) ex) ) X ( Q
x
1
x %
ex)
1
x %
ex)
%
1
) x ( /
donde es la constante de %uler : /ascheroni, cuyo valor es aproximadamente
4.?DD3(?AA=H... Qinalmente, la media y la varianza de esta distribucin viene dada
por la expresin
T 1
) X ( V 2 U 1 % ) X ( :
2 2
+
DISTRI*UCIN LO9STICA
La distribucin lo"stica de parmetros a pertenece a los reales y bU4 se ha lle"ado a
utilizar como sustituta de la normal, debido a su forma acampanada y de ms fcil
manejo. /s frecuente es su uso en la modelizacin de respuestas aleatorias binarias,
como en la re"resin lo"stica. La funcin de densidad lo"stica toma la forma
,
_
,
_
,
_
,
_
,
_
x
1
% x
ex) 1
1
) x ( Q
x
1
% x
ex) 1 1
1
% x
ex)
) x ( /
*or ,ltimo, sus momentos son %B2CRa y
3
T 1
) X ( V
2 2
DISTRI*UCIN DE %ARETO
La distribucin de *areto de parmetros aU4 y bU4, es tal que al"unos de sus
momentos existen cuando a supera cierta cota. Tiene aplicaciones en las ciencias
medioambientales y en la estadstica industrial. $u funcin de densidad es
1 x 0 ) x ( /
1 x x %1 ) x ( /
1 % %
>
en la que se notar que toma valores no nulos para
C , b B x
. La funcin de
distribucin toma la forma
H=
1 x 0 ) x ( Q
1 x
x
1
1 ) x ( Q
%
>
,
_
La esperanza y la varianza de la distribucin de *areto son
2 % si
) 1 % )( 2 % (
%1
) X ( V 2 1 % si
1 %
%1
) X ( :
2
2
>
>
DISTRI*UCIN DE LA%LACE
La distribucin de Laplace de parmetros a pertenece a los reales y bU4 se utiliza en
ocasiones para modelar errores en observaciones de tipo real, de forma similar a
como se hace con la distribucin normal. La funcin de densidad es
,
_
,
_
,
_
1
x %
ex)
2
1
1 ) x ( Q 2
1
% x
ex)
2
1
) x ( Q
x
1
% x
ex)
1 2
1
) x ( /
$i x es menor o i"ual, o a es mayor, respectivamente, que a. $u media es %N2ORa y su
varianza )N2OR3b
3
.
DISTRI*UCIN DE CAUCF0
La distribucin de -auchy, o de Lorentz, de parmetros a pertenece a los reales y bU4
es de uso frecuente en fsica para describir el patrn de impactos de partculas sobre
una recta. Tambi#n es de inter#s terico por ser una distribucin que carece de
momentos. $us funciones de densidad y de distribucin son
[ ]
,
_
+
+
x
1
% x
%(+3%n
1
2
1
) x ( Q
1 ) % x (
1
) x ( /
2 2
-omo queda dicho ms arriba, la distribucin de -auchy no tiene ni media ni
varianza.
DISTRI*UCIN 9EO+HTRICA
%n una secuencia de experimentos binarios independientes B! se observa con
probabilidad * y deja de observarse con probabilidad (:*C, el n,mero de r#plicas
antes de la primera observacin de ! tiene una distribucin "eom#trica o de *ascal,
XB*C. *ara cada n,mero natural r, la funcin de probabilidad se define como
H?
(
) P 1 ( P ) ( ( /
siendo su funcin de distribucin
1 (
) P 1 ( 1 ) ( ( Q
+
La media y varianza de la distribucin "eom#trica son
2
P
P 1
) X ( V 1
P
1
) X ( :
.espectivamente.
8e hecho, se trata de un caso especial de la distribucin binomial ne"ativa tomando
nR(.
"eom#trica B o de fracasosC
DISTRI*UCIN ERLAN9
La funcin de densidad de probabilidad,
/ x x x x ( O # )
( )
ex)( / )#
>
1
0
1
en donde
variables independientes distribuidas exponencialmente, en donde cada valor se
"enera por
x -n
$
_
,
1
]
1
1
1
1/
HA
0V. FUNCIWN DE DISTRI*UCIN NOR+AL
%ri"ciales le(es de distrib#ci1" de !ariables aleat&rias. -omo complemento al
captulo anterior en el que definimos todos los conceptos relativos a variables
aleatorias, describimos en #ste las principales leyes de probabilidad que encontramos
en las aplicaciones del clculo de probabilidades. %s necesario hacer referencia en el
estudio de las funciones de mayor aplicacin en forma detallada y se"ura de forma
que faciliten una herramienta para el estudiante y le permitan un trabajo se"uro y
eficiente en su desarrollo profesional y su investi"ativo.
LA DISTRI*UCIN NOR+AL
La distribucin normal o de Xauss es sin duda la ms importante de cuantas hay,
tanto por razones prcticas como tericas. %n la seccin sobre anlisis normal se
vern al"unas de sus aplicaciones. Qormalmente, una variable aleatoria o poblacin 2
es normal de media m y varianza s
3
, lo que se expresa como 7B,C, si su funcin de
densidad es
( )
x e
2
1
) x ( /
2
2
2
x
Los valores que toma la funcin de probabilidad acumulada,
( )
dx e
2
1
) x ( Q
2
2
2
x
x
&
La distribucin normal tipificada tiene la ventaja de que las probabilidades para cada
valor de la curva se encuentran reco"idas en una tabla que se indica en el anexo a este
documento
Los parmetros de esta funcin son %B2CR y )B2CR
3
%n la fi"ura si"uiente
se muestran distribuciones "aussianas de diferente varianza
E;e'l&, La renta media de los habitantes de un pas es de = millones de pesosLa'o,
con una varianza de (,?. $e supone que se distribuye se",n una distribucin 7ormal.
-alcular
aC *orcentaje de la poblacin con una renta inferior a ; millones de pesos.
bC .enta a partir de la cual se sit,a el (4M de la poblacin con mayores in"resos.
cC &n"resos mnimo y mximo que en"loba al A4M de la poblacin con renta
media.
aC *orcentaje de la poblacin con una renta inferior a ; millones de pesos.
HE
22 . 1
4 x
&
E;e'l&, $upon"amos que cierto fenmeno pueda ser representado mediante una
variable aleatoria
C H , =? B 7 2
, y queremos calcular la probabilidad de que 2 tome
un valor entre ;H y =E, es decir,
C =E 2 ;H B *
$olucin, hallamos la variable estandarizada
;;; . 4
H
=? =E
z y AAA . 4
H
=? ;H
z
3 (
de modo que
;DE . 4 C ;;; . 4 r AAA . 4 B * C =E 2 ;H B *
.emitimos al lector a la tabla de la funcin de distribucin 7ormal para evaluar los
valores de la funcin acumulada, que se anexan a este captulo
Ar&4i'aci1" a la N&r'al de la le( *i"&'ial. $e puede demostrar Bteorema
central del lmiteC que una variable aleatoria discreta con distribucin binomial,
20Bn,pC se puede aproximar mediante una distribucin normal si n es
suficientemente "rande y p no est ni muy prximo a 4 ni a (. -omo el valor
esperado y la varianza de 2 son respectivamente np y npq, la aproximacin consiste
en decir que 27Bnp,BnpqC(L3C. %l convenio que se suele utilizar para poder realizar
esta aproximacin es
(44
( ) npq . np 7 2
= nq
= np
;4 n
si C p , n B 0 2
'
>
>
>
,
_
Tambi#n es necesario calcular *B2RA4C. %sta probabilidad se calcula exactamente
como
4A; . 4 e
3
(
C A4 B f o q I p I
A4
344
C A4 2 B *
3
A4
3
(
(=4 A4
,
_
,
_
,
_
x
m m
) x ( Q
x
. $ea 2
I
y 1
I
variables
aleatorias normales independientes con
C ( , 4 B 7
, entonces tienen distribucin
conjunta de densidad / (x # 2 ) =
1
2
* * *
e
x 2 + ( )/
*2 *2
2
. Las curvas de nivel f
I
constantes son
de probabilidad
$ea
2
2 I
2
2
y 1
]
1
2
2
1
1
3
I
2 1
(
(
1
, por tanto,
I
2 2
2 2 + y
I
1
3 I
1 1
1 ( 1 1 + +
8ensidad fBx,yC, trabajando con le +acobiano de la transformacin
3
1 2
3
1
3
2
2
(
(
(
(
(
4
(
8
por lo cual,
3 L C y , x B h I I I
e
3
(
R yCC Bx, y yC, Bx, Bx f
, entonces,
1
1
]
1
,
_
,
_
,
_
,
_
3
1
1
1
y
2
2
3
2
2
3
1
1
x
3
x
(
(
C y , x B h
,
por tanto, la forma
3 L C y , x B h
3
1 2
e
( 3
(
C y , x B f
es la distribucin mar"inal
correspondiente con densidad
1
1
]
1
,
_
3
x
x
x
3
(
2
(
e
3
(
C x B f
y
1
1
1
]
1
,
_
3
y
y
1
3
(
y
3
e
3
(
C y B f
(4;
y dado que 2 y 1 son 7ormales con medias
X
y
2
y varianzas
X
2
y
R
2
,
respectivamente
%xcentricidad, si
X R
, entonces,
C ( B
3
3
+
. !dems, si
0
, entonces,
fBx,yCRf
(
BxCf
3
ByC
! medida que se consideran mas eventos, mejor es la aproximacin alrededor del
valor medio que en los extremos. %s una funcin sim#trica respecto al valor centra
BmediaC, cncava hacia abajo su parte central, con tendencia a cncava hacia arriba en
sus extremos. La varianza representa el achatamiento, esto es, dos curvas con la
caracterstica
3
3
3
(
> , la primera ser mas achatada que la se"unda.
$ea / x ?e
X
+ x m
( )
( )
2
, con x , la distribucin al centro es m
1
1
]
1
,
_
3
x
x
m x
3
(
x
2
e
3
(
C x B f
, por lo cual,
dv e
3
( m x
Q
m x
> * O x 2 N * C x B Q
u
3
v
x
x
>
c
x
2
3
,
_
1
]
1
con
x
x
m x
u
, entonces, QB:uCR(:QBuC
$i 2 y 1 son variables aleatorias con distribucin C , m B 7 2
3
x x
y
C , m B 7 1
3
y y
,
entonces
C , m m B 7 1 2
3
y
3
x y x
+ + + +
$e tiene la funcin L&6"&r'al, en la cual
n 3 ( 4 n ( n 3 n n ( n n
w ... w w 1 ... w w 1 w 1 1
,
y sacando lo"aritmos naturales se puede aplicar la distribucin normal com,n y
corriente.
Tab#laci1". $ea
C ( , 4 B 7 2
, lue"o
dx e
3
(
O b 2 a N *
b
a
3 L x
3
La funcin de distribucin acumulada de la distribucin es
( )
/
s e dx
x
s
1
2
2
2
.
1 de las tablas se obtienen los valores de , de forma que,
C a B C b B O b 2 a N *
$i C , B 7 2
3
entonces,
2
1
tiene
C ( , 4 B 7
, por tanto,
(4=
,
_
,
_
1
]
1
a b b
1
a
* O b 2 a N *
por lo cual,
C x B ( C x B
!unque estos temas se analizan por aparte, se har aqu una introduccin,
FUNCIN NOR+AL *I.ARIADA
$ea B2,1C una variable aleatoria continua bidimensional que toma valores en el plano
%uclideo, tiene una distribucin normal bivariada si su funcin de distribucin de
probabilidad conjunta es,
'
1
1
]
1
,
_
,
_
3
y
y
y x
y x
3
x
x
3
3
y x
y C y CB x B
3
x
C ( B 3
(
exp
( 3
(
C y , x B f
en los intervalos,
< < < < y y x
.
Las distribuciones mar"inales de 2 y 1 son
C , B 7 y C , B 7
3
y y
3
x x
+
N&r'al Tr#"cada. %l truncamiento a veces es una necesidad ara manejar
informacin que tiene ciertas propiedades, y no es necesario considerar las colas de
las funciones.
: ! la derecha de 2Rt, la funcin de distribucin de probabilidad es fBxCR4, si xUt,
esto es,
'
1
1
]
1
,
_
3
x
3
(
exp
3
(
< C x B f
, si x 3 , siendo
O t r N *
(
t
(
<
1
]
1
'
1
1
]
1
,
_
3
x
3
(
exp
3
(
< C x B f
, si x 3 , siendo
(
t
( <
1
]
1
,
_
N&r'al +#lti!ariable. $ea la distribucin 0ivariable
1
]
1
+
C v uv 3 u B
C ( B 3
(
exp K C v , u B f
3 3
3
>)
siendo
,
entonces,
[ ]
'
- 0 !
C ( B 3
(
exp
( 3
(
C y , x B f
3
3
1 2
21
en donde,
3
2
2
m x
!
,
_
,
_
1 2
1 2
C m y CB m x B
3 0
, y
3
1
1
m y
-
,
_
dy C y , x B f C x B f
21 2 y similarmente lo es
para 1, y se tiene,
C m x B m m
2
2
1
1 2 L 1
+
y
3
1
3 3
2 L 1
C ( B
(4A