01.

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
!-
- -

La relacin corresponde a definir para cada posible observacin,

( ]
j ( j
l l x
, su
frecuencia relativa acumulada, QBxC, por interpolacin lineal entre los valores QBl
j:(
C R
Q
j:(
y QBl
j
C R Q
j
de forma que
C l x B
a
C l B Q C l B Q
C l B Q C x B Q
( j
j
( j j
( j

+
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
+

+
+

de donde se despeja /oda

Relaci1" e"tre 'edia$ 'edia"a ( '&da. %n el caso de distribuciones unimodales, la
mediana est con frecuencia comprendida entre la media y la moda Bincluso ms
cerca de la mediaC. %n distribuciones que presentan cierta inclinacin, es ms
aconsejable el uso de la mediana. $in embar"o en estudios relacionados con
propsitos estadsticos y de inferencia suele ser ms apta la media.
%jemplo, -onsideremos una tabla estadstica relativa a una variable continua, de la
que nos dan los intervalos, las marcas de clase c
i
, y las frecuencias absolutas n
i
.
I"ter!al& c
i
"
i
N
i
"
i
c
i
44:43 ( 3 3 3
43:4= ; ( ; ;
4=:4A ? = D 34
4A:4E D ; (4 3(
4E:(4 H 3 (3 (E
(3 A=
*ara calcular la media podemos a'adir una columna con las cantidades n
i
c
i
. La suma
de los t#rminos de esa columna dividida por nR(3 es la media ; . ? (3 L A= x . La
'edia"a es el valor de la variable que deja por debajo de s a la mitad de las n
observaciones, es decir A. -onstruimos la tabla de las frecuencias absolutas
acumuladas, 7
i
y vemos que eso ocurre en la modalidad tercera, es decir, iR;,
(;
entonces, Bl
i:(
,l
i
OR B=,AO, que corresponde el intervalo en donde se encuentra la
mediana, entonces tenemos
( ]
i ( i i
i
( i
( i
l , l ? . ?
=
; C 3 L (3 B
= a
n
7 C 3 L n B
l /ed

+
*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

+

+
+

+
+

%l se"undo intervalo modal es Bl

3
,l
;
ORB=,AO, siendo la moda el punto perteneciente al
mismo que se obtiene como
? . ? 3
C ; = B C ( = B
( =
= 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 *

+

*or su propia naturaleza, el percentil puede estar situado en cualquier lu"ar de la

distribucin, por lo que no puede considerrsele como una medida de tendencia
central. Los c#artiles, T
i,
son un caso particular de los percentiles. 9ay ;, y se
definen como, T
(
R*
3?
, T
3
R*
?4
R/ediana, T
;
R*
D?
8e forma anlo"a se definen los d7ciles como los valores de la variable que dividen a
las observaciones en (4 "rupos de i"ual tama'o. /s precisamente, definimos
8
(
,8
3
,...,8
H
como, 8
i
R*
(4i
siendo iR(,3,J,(4
E;e'l&, 8ada la si"uiente distribucin en el n,mero de hijos de cien familias,
calcular sus cuartiles.
4
i
"
i
N
i
4 (= (=
( (4 3=
3 (? ;H
; 3A A?
= 34 E?
? (? (44
nR(44
$olucin
*rimer cuartil nL=R3?, n
i
UnL=R;H, lue"o T
(
R3
$e"undo cuartil 3nL=R?4, *rimera 7
i
U3nL=RA?, lue"o T
3
R;
Tercer cuartil ;nL=RD?, *rimera 7
i
U;nL=RE?, lue"o T
;
R=
L!$ /%8&8!$. %studia la distribucin de los valores de la serie analizando si #stos
se encuentran ms o menos concentrados, o ms o menos dispersos. %xisten diversas
medidas de dispersin, entre las ms utilizadas podemos destacar las si"uientes
Ra"6&$ mide la amplitud de los valores de la muestra y se calcula por diferencia entre
el valor ms elevado y el valor ms bajo.
(D
Los estadsticos de tendencia central o posicin nos indican donde se sit,a un "rupo
de puntuaciones. Los de variabilidad o dispersin nos indican si esas puntuaciones o
valores estn prximas entre s o si por el contrario estn o muy dispersas. >na
medida razonable de la variabilidad podra ser la a'lit#d o ra"6&, que se obtiene
restando el valor ms bajo de un conjunto de observaciones del valor ms alto. %s
fcil de calcular y sus unidades son las mismas que las de la variable, aunque posee
varios inconvenientes
: 7o utiliza todas las observaciones Bslo dos de ellasC6
: $e puede ver muy afectada por al"una observacin extrema6
: %l ran"o aumenta con el n,mero de observaciones, o bien se queda i"ual. %n
cualquier caso nunca disminuye.
%n el transcurso de esta seccin, veremos medidas de dispersin mejores que la
anterior. %stas se determinan en funcin de la distancia entre las observaciones y
al",n estadstico de tendencia central.
Des!iaci1" 'edia, 8
m
$e define la des!iaci1" 'edia como la media de las
diferencias en valor absoluto de los valores de la variable a la media, es decir, si
tenemos un conjunto de n observaciones, x
(
, ..., x
n
, entonces
i
K
( i
i m
n
( i
i m
n x x
n
(
8 x x
n
(
8


$i los datos estn a"rupados en una tabla estadstica es ms sencillo usar la relacin
de la derecha
-omo se observa, la desviacin media "uarda las mismas dimensiones que las
observaciones. La suma de valores absolutos es relativamente sencilla de calcular,
pero esta simplicidad tiene un inconveniente 8esde el punto de vista "eom#trico, la
distancia que induce la desviacin media en el espacio de observaciones no es la
natural. %sto hace que sea muy en"orroso trabajar con ella a la hora de hacer
inferencia a la poblacin
.aria"<a$ /ide la distancia existente entre los valores de la serie y la media. $e
calcula como sumatoria de las diferencias al cuadrado entre cada valor y la media,
multiplicadas por el n,mero de veces que se ha repetido cada valor.
( )
( )

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

consideramos lo que se denomina c#asi!aria"<a '#estral,

3
V s que se calcula como
la anterior, pero cambiando el denominador por el n,mero de "rados de libertad, n:(,
( n
ns
C x x B
( n
(
sV
3
3
n
( i
i
3

+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

. )amos a definir a continuacin al"unos de los ndices de

asimetra ms usuales como son el ndice basado en los tres cuartiles, el momento de
tercer orden y la distancia entre la moda y la media o la media y la mediana
La asimetra mide si la curva tiene una forma sim#trica, es decir, si respecto al centro
de la misma Bcentro de simetraC los se"mentos de curva que quedan a derecha e
izquierda son similares. 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. *ara medir el nivel de asimetra se
utiliza el llamado -oeficiente de !simetra de Qisher,
33
( )
( )
( )
Y
n
(
i
3
i
3 L ;
n
(
i
;
i
n I 2 x
n
(
! siendo
!
n I 2 x
n
(

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-

R4.(?EA C&e)icie"te de C#rt&sis- KR:(.;H

Te&ra de l&s "dices. *ara 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
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

%n cuyo caso resulta,

3A
%escad& %
0
%
0
@%
0
%
1
%
1
@%
0
%
8
%
8
@%
0
%
A
%
A
@%
0
*ez ( A,? (,444 E,4 (,3;( ((,3 (,D3; 3;,; ;,?E?
*ez 3 (3,3 (,444 H,? 4,DDH (?,; (,3?= ;=,D 3,E==
*ez ; D,H (,444 E,H (,(3D 33,D 3,ED; 3A,E ;,;H3
*ez = =,4 (,444 =,( (,43? =,H (,33? (4,; 3,?D?
*ez ? (?,D (,444 (?,D (,444 3A,3 (,AAH ;D,= 3,;E3
$uma ?,444 ?,(A3 E,D== (=,DDE
E,D==I(44L? (=,DDEI(44L?
(4;,3 (D=,H 3H?,A
&ndice
?,444I(44L?
(44,4
?,(A3I(44L?
1960 1965 1970 1975 Pescado
d. Laspeyres. Tiene por objeto utilizar los pesos T del a'o base, de modo que ,
(44 I
T *
T *
C t B &
n
( i
C 4 B
i
C 4 B
i
n
( i
C 4 B
i
C t B
i
L

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
*

Los resultados son para Laspeyres y *aashe, respectivamente,

%
0
%
0
BC
0
%
1
%
1
BC
0
%
8
%
8
BC
0
%
A
%
A
BC
0
*ez ( A,? 3A4,4 E,4 ;34,4 ((,3 ==E,4 3;,; H;3,4
*ez 3 (3,3 (?=H,= H,? (34A,? (?,; (H=;,( ;=,D ==4A,H
*ez ; D,H H=4,( E,H (4?H,( 33,D 3D4(,; 3A,E ;(EH,3
*ez = =,4 ?A=,4 =,( ?DE,( =,H AH4,H (4,; (?=3,;
*ez ? (?,D =ADE,A (?,D =ADE,A 3A,3 DE4D,A ;D,= (((=?,3
$uma DHH3,( DE=3,; (;?H4,H 3((3?,A
(;?H4,HI(44LDHH3,( 3((3?,AI(44LDHH3,(
HE,( (D4,( 3A=,;
&ndice
DHH3,(I(44LDHH3,(
(44,4
DE=3,;I(44LDHH3,(
1960 1965 1970 1975
Pescado
3D
%
0
%
0
BC
0
%
1
%
1
BC
1
%
8
%
8
BC
8
%
A
%
A
BC
A
*ez ( A,? 3A4,4 E,4 3EE,4 ((,3 ?H;,A 3;,; (;4=,E
*ez 3 (3,3 (?=H,= H,? (D(4,4 (?,; 3?E?,D ;=,D ?=(;,3
*ez ; D,H H=4,( E,H ((H3,A 33,D A(3,H 3A,E =3E,E
*ez = =,4 ?A=,4 =,( ;==,= =,H 3AH,? (4,; ;3H,A
*ez ? (?,D =ADE,A (?,D ?44E,; 3A,3 (43HA,A ;D,= (=A3;,=
$uma DHH3,( E?=;,; (=;?E,; 334HH,E
(=;?E,;I(44LDHH3,( 334HH,EI(44LDHH3,(
(4A,H (DH,D 3DA,?
&ndice
DHH3,(I(44LDHH3,(
(44,4
E?=;,;I(44LDHH3,(
1960 1965 1970 1975
Pescado
RE%RESENTACIONES 9R,FICAS
DIA9RA+A DE CADAS 0 *I9OTES
*resentacin visual que describe al mismo tiempo varias caractersticas importantes
de un conjunto de datos, tales como el centro, la dispersin, el alejamiento de la
simetra, y la identificacin de valores extremos Bpuntos atpicosC, es decir, de valores
que se alejan de una manera poco usual del resto de los datos. *resenta los tres
cuartiles, By los valores mnimos y mximosC alineados sobre una caja vertical u
horizontalmente. *rocedimiento. *ara el dia"rama de cajas y bi"otes se requiere
-alcular la mediana y los otros dos cuartiles, con los cuales se formar la caja, que
tiene la mediana como eje central, y como lados los dos cuartiles. %stos cuartiles
reciben tambi#n los nombres de ] bisa"ras]. La altura BanchuraC de la caja no interesa.
La distancia 9 definida como la distancia entre el cuartil superior y el cuartil inferior,
es decir, corresponde al ran"o intecuartlico 9 R T; : T( R .&-.
%l paso correspondiente a (.? veces la distancia *aso R (.? 9
-ercas &nternas, ubicadas a un paso de las bisa"ras o de los respectivos cuartiles. !s,
las -ercas &nternas &nferior B-&iC y $uperior B-&sC estarn dadas por
-&i R T( \ *aso -&s R T; P *aso
$i la cerca interna inferior da menor que el valor mnimo de la muestra, #sta se hace
i"ual al valor mnimo6 i"ualmente, si la cerca interna superior da mayor que el valor
mximo, #sta se hace i"ual a dicho valor.
-ercas %xternas, ubicadas a un paso de las cercas internas. !s, las -ercas %xternas
&nferior B-%iC y $uperior B-%sC estarn dadas por
-%i R -&i \ *aso -%s R -&s P *aso
3E
$e denominan ]valores adyacentes] los ubicados entre las cercas internas y los bordes
de las cajas. *or simplicidad no se "rafican.
])alores extremos] son los ubicados entre las dos cercas, y merecen especial
atencin, ya que pueden ser valores atpicos, que, en al"unos casos, no pertenecen
realmente a la distribucin "eneral de donde provienen los datos.
])alores lejanos] o, ubicados por fuera de las cercas externas, correspondientes a
valores extremos, que requieren un mayor anlisis que los valores atpicos.
-onsidere los si"uientes datos, correspondientes a
8e este conjunto de datos tenemos que
/e R H4.=? T( R EE.3? T; R H3.3
.an"o intercuartlico R H3.3:EE.3? R ;.H? *aso R ?.H3?
-ercas interna inferior R EE.3? : ?.H3? R E3.;3?
-erca interna superior R H3.34 P ?.H3? R HE.(3?
-erca externa inferior R E3.;3? : ?.H3? R DA.=4
-erca externa superior R HE.(3? P ?.H3? R (4=.4?
-omo se observa hay dos valores que merecen especial atencin HE.E y (44.; que
estn entre las cercas interna y externa superior.
Las medidas si"uientes se han tomado de libros de biolo"a y medicina, pero son
parmetros muy aplicable y "ran importancia para el estudiante de estadstica, y por
tanto los reproducimos, tal como se mostrar en la biblio"rafa.
3H
%r&&rci&"es. $on los cocientes entre dos mediciones, por ejemplo si en una
poblacin de 3?44 habitantes se dia"nostican (?4 casos de "ripe aviar, entonces, la
proporcin de enfermos es de (?4L3?44 R 4.4A BAMC. %l valor de una proporcin
puede variar as de 4 a (, y suele expresarse como un porcentaje.
Ra<&"es. !l i"ual que en el caso anterior es una divisin, pero aqu el numerador no
forma parte del denominador como en le caso anterior, por ejemplo, la razn entre la
poblacin con "ripe aviar y la sana es (?4L3;?4 R ;L=D R4,4A=. -uando, como en el
caso del ejemplo, la razn se calcula entre la probabilidad de que ocurra un evento y
la probabilidad de que #ste no ocurra, la razn recibe tambi#n el nombre de odds. %l
valor de una odds vara entre cero y el infinito. %l valor 4 corresponde al caso en que
la enfermedad nunca ocurra, mientras que el valor infinito correspondera
tericamente a una enfermedad que est# siempre presente.
*roporcion (
*roporcion
^dds
( ^dds
^dds
*roporcion

Tasas. %l concepto de tasa es similar al de una proporcin, con la diferencia de que

las tasas llevan incorporado el concepto de tiempo. %l numerador lo constituye la
frecuencia absoluta de casos del problema a estudiar. ! su vez, el denominador est
constituido por la suma de los perodos individuales de ries"o a los que han estado
expuestos los sujetos susceptibles de la poblacin a estudio. 8e su clculo se
desprende la velocidad con que se produce el cambio de una situacin frente a otra.
$e han considerado dos tipos de tasas
%re!ale"ca %. %sta tasa cuantifica la proporcin de elementos de una poblacin que
presentan una determinada caracterstica en un momento
momento ese en poblacion la de Total
dado momento un en tica caracteris la con elementos 7umero
*
;4
La I"cide"cia I. La incidencia se define como el n,mero de caractersticas nuevas
que se desarrollan en una poblacin durante un perodo de tiempo determinado. 9ay
dos tipos de medidas de incidencia la incidencia acumulada y la tasa de incidencia,
tambi#n denominada densidad de incidencia. La incidencia acumulada es la
proporcin de los elementos sin la caracterstica que desarrollan la caracterstica a lo
lar"o de un perodo de tiempo concreto.
momento ese en poblacion la de Total
dado momento un en tica caracteris la con nuevos elementos 7umero
*
La incidencia acumulada proporciona una estimacin de la probabilidad o el ries"o de
que un elemento a desarrollar la caracterstica durante un perodo especificado de
tiempo. -omo cualquier proporcin, suele venir dada en t#rminos de porcentaje.
!dems, al no ser una tasa, es imprescindible que se acompa'e del periodo de
observacin para poder ser interpretada.
Se"sibilidad. %s la probabilidad de clasificar correctamente a un elemento
muestreado con la caracterstica, es decir, la probabilidad de que para un elemento
muestreado se clasifique sin la caracterstica. La sensibilidad es, por lo tanto, la
capacidad del test o criterio para detectar la caracterstica. -uando los datos obtenidos
a partir de una muestra se clasifican en una tabla, es fcil estimar a partir de ella la
sensibilidad como la proporcin de elementos con la caracterstica
tica caracteris la sin y con totales elementos de 7umero
tica caracters la con elementos de 7,mero
ad $ensibilid
Eseci)icidad. %s la probabilidad de clasificar correctamente a un elemento sin la
caracterstica, es decir, es el caso complementario a la sensibilidad
tica caracteris la sin y con totales elementos de 7umero
tica caracters la sin elementos de 7,mero
dad %specifici
;(
Ries6&. %s la incertidumbre frente a decidir por el desconocimiento del
comportamiento de una variable o elemento muestreado. $u valor es obtenido
mediante %redicci1" La presencia de un factor de ries"o si"nifica un ries"o
aumentado de presentar en un futuro una evaluacin o futuro la caracterstica
muestreada, en comparacin el resto de elementos de la poblacin.
Ca#salidad. La presencia de un factor de ries"o no es necesariamente causal. %l
aumento de incidencias de una caracterstica en un poblacin en relacin a otro
"rupo, se asume como factor de ries"o, sin embar"o esta asociacin puede ser debida
a una tercera variable.
RE%RESENTACIONES 9R,FICAS
Las representaciones "rficas prcticamente estn orientadas de acuerdo con las
necesidades del investi"ador o estadstico, de todas formas se tienen al"unas normas
de trabajo y representacin, que tienen por objeto facilitar la lectura de los datos e
informacin que se maneja estadsticamente. Las principales representaciones son
Dia6ra'as de barras- .epresentamos comparaciones entre varias poblaciones o
muestras

Dia6ra'as de sect&res & T&rta. $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
;3

%ict&6ra'as. %xpresan con dibujos alusivos al tema de estudio las frecuencias de las
modalidades de la variable. La escala de los dibujos debe ser tal que el rea de cada
uno de ellos sea proporcional a la frecuencia de la modalidad que representa.
Dia6ra'as di)ere"ciales e I"te6rales- Los primeros son los que se representan
frecuencias absolutas o relativas y en ellos se representa el n,mero o porcentaje de
elementos que presenta una modalidad dada Los se"undos los que se representan el
n,mero de elementos que presentan una modalidad inferior o i"ual a una dada. $e
realizan a partir de las frecuencias acumuladas, lo que da lu"ar a "rficos crecientes,
y es obvio que este tipo de "rficos no tiene sentido para variables cualitativas.
Otr&s. -uando las variables son continuas, utilizamos como dia"ramas diferenciales
los histo"ramas y los pol"onos de frecuencias. >n 5ist&6ra'a se construye a partir
de la tabla estadstica, representando sobre cada intervalo, un rectn"ulo que tiene a
este se"mento como base. %l criterio para calcular la altura de cada rectn"ulo es el
de mantener la proporcionalidad entre las frecuencias absolutas Bo relativasC de cada
intervalo y el rea de los mismos. %l &l6&"& se construye fcilmente si tenemos
representado previamente el histo"rama, ya que consiste en unir mediante lneas
rectas los puntos del histo"rama que corresponden a las marcas de clase. *ara
representar el pol"ono de frecuencias en el primer y ,ltimo intervalo, suponemos que
;;
adyacentes a ellos existen otros intervalos de la misma amplitud y frecuencia nula, y
se unen por una lnea recta los puntos del histo"rama que corresponden a sus marcas
de clase.
%ir'ides$ C&"&s$ TelaraEas$ etc. %stos "rficos se utilizan para mostrar, los
primeros elementos comparaciones entre elementos resaltando el peso de cada uno,
tal como lo hace el histo"rama o el "rfico de barras
0
1
2
3
4
5

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

%l termino n7 se denomin% /%+3o(i%* de n 2 es *% m$*3i)*i+%+i8n de 3odos *os

n4me(os 5$e 0%n desde n 9%s3% 1. :;em)*o# 47 = 4*3*2*1 = 24
La expresin Cm#n (e)(esen3% *%s +om1in%+iones de m e*emen3os# /o(m%ndo
s$1g($)os de n e*emen3os. :;em)*o# C10#4 son *%s +om1in%+iones de 10
e*emen3os %g($).ndo*os en s$1g($)os de 4 e*emen3os#
210
)7 4 10 ( 7 4
7 10
C
4 # 10

%s decir, podramos formar 3(4 sub"rupos diferentes de = elementos, a partir de

los (4 elementos.
bG .ariaci&"es$ +%*+$*% e* n4me(o de s$1g($)os de 1# 2# 3# e3+. e*emen3os 5$e se
)$eden es3%1*e+e( +on *os n e*emen3os de $n% m$es3(%. C%d% s$1g($)o se
di/e(en+i% de* (es3o en *os e*emen3os 5$e *o +om)onen o en e* o(den de di+9os
e*emen3os (es *o 5$e *e di/e(en+i% de *%s +om1in%+iones). P%(% +%*+$*%( e*
n4me(o de 0%(i%+iones se %)*i+%#
)7 n m (
7 m
V
n # m

La expresin Vm,n (e)(esen3% *%s 0%(i%+iones de m e*emen3os# /o(m%ndo

s$1g($)os de n e*emen3os. :n es3e +%so# +omo 0imos en *% %n3e(io(# $n
s$1g($)o se di/e(en+i%(. de* (es3o# 1ien )o( *os e*emen3os 5$e *o /o(m%n# o 1ien
)o( e* o(den de di+9os e*emen3os. :;em)*o V10#4 son *%s 0%(i%+iones de 10
e*emen3os %g($).ndo*os en s$1g($)os de 4 e*emen3os#
040 . 5
)7 4 10 (
7 10
V
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

$on permutaciones de m elementos, en los que uno de ellos se repite x1 0e+es#

o3(o x2 0e+es 2 %s< s$+esi0%men3e 9%s3% $no 5$e se (e)i3e x? 0e+es. :;em)*o#
C%*+$*%( *%s )e(m$3%+iones de 10 e*emen3os# en *os 5$e $no de e**os se (e)i3e
en 2 o+%siones 2 o3(o se (e)i3e en 3 o+%siones#
400 . 302
7 3 7 2
7 10
P
3 # 2 # 10

%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

son las distintas

ordenaciones que se pueden formar con
n elementos, teniendo en cuenta que un
elemento se repite x
(
veces, otro x
3
veces, ...., etc., siendo x
(
Px
3
P......Px
K
Rn.
=3
Si
@o
nA@
Se 3om%n 3odos *os e*emen3os
Si B$es3(eo +on ,eem)*%&o
@o
B$es3(eo sin ,eem)*%&o
Si
@o
Si
@o
@ e*emen3os +on n (e)e3idos
:xis3en en A e*emen3os
(e)e3idosC
In3e(es%n *os s$1g($)os de 3%m%Do n
Se (e)i3e ex3(%++i8n
+on de0o*$+i8nC
:n e* s$1g($)o
in3e(es% e* o(den
de +o*o+%+i8n
Pe(m$3%+iones +on (e)e3i+i8n
:n )%(3i+$*%(# si
en3on+es#
Com1in%+i8n +on (e)e3i+i8n de @
e*emen3os 3om%dos de % n
V%(i%+i8n +on (e)e3i+i8n de n e*emen3os
3om%dos % *% 0e&
V%(i%+i8n sim)*e de @ e*emen3os
3om%dos de % n sin (e)e3i(
Com1in%+iones sin (e)e3i(
In3e(es% e* o(den
de %g($)%mien3oC
n o1;e3os de *os +$%*es 9%2 n
1
de *% +*%se
1# n
2
de *% +*%se 2# E# n
?
de *% +*%se ?#
3%* 5$e
B$es3(% A de @ e*emen3os
Com1in%+iones +on (e)e3i+i8n
Pe(m$3%+i8n Ci(+$*%(
=;
Si
@o
nA@
Si B$es3(eo +on ,eem)*%&o
@o
B$es3(eo sin ,eem)*%&o
Si
@o
@o
Si
C$.n3%s )%*%1(%s se )$eden /o(m%( +on *%
)%*%1(% FGGH de % dos *e3(%s# +onsid(e%ndo
5$e *%s G no (e)e3id%s 2 si (e)e3id%sC
:xis3en en A e*emen3os
(e)e3idosC
In3e(es%n *os s$1g($)os de 3%m%Do n
Se (e)i3e ex3(%++i8n
+on de0o*$+i8nC
:n e* s$1g($)o
in3e(es% e* o(den
de +o*o+%+i8n
Se 3ienen en $n% 1o*s% e* sig$ien3e n4me(o de
1o*%s6 4 (o;%s# 3 1*%n+%s 2 2 %m%(i**%s. C$.nI3%s
)e(m$3%+iones +on (e)e3i+i8n se )$eden 9%+e(C
:n )%(3i+$*%(# si se +*%si/i+%n *%s 1o*%s
Je +$.n3%s /o(m%s sen3%( 4 )e(son%s en $n%
si**%C
Kom%( 2 1o*e3os CG@ (e)e3i( den3(o de 20
5$e 9%2 en $n% 1o*s% CG@ G(den
C$.n3%s )%*%1(%s se )$eden /o(m%( +on *%
)%*%1(% FGGH de % dos *e3(%s# +onsid(e%ndo
5$e *%s G no (e)e3id%s 2 si (e)e3id%sC
Kom%( dos 1o*e3os en3(e 20 5$e exis3en en $n%
1o*s% sin (e)e3i( CG@ o(den
Kom%( 2 1o*e3os sin (e)e3i( den3(o de 20 5$e
9%2 en $n% 1o*s% SI@ G(den
In3e(es% e* o(den
de %g($)%mien3oC
EJECICI!" #E AP$ICACI%&
C$.n3os +omi3Ls de 2 5$imi+os 2 1 /<si+o se
/o(m%n +on 4 5$imi+os 2 3 /<si+osC
Ci(+$*%(men3e o
3%m1iLn# no +i(+$*%(men3e
Se 3ienen 5 )e(son%s ;$g%ndo 1(idge en $n%
mes. Je +$.n3%s /o(m%s se )$ede (e)%(3i(C
==
THCNICAS DE CONTEO
Listas. >na lista es una sucesin ordenada de objetos, se escriben entre par#ntesis y
separando los elementos por comas. *or ejemplo la lista B(,3,;,_C es una lista cuyo
primer elemento es el (, el se"undo el 3, el tercer elemento es el ; y el cuarto
elemento es el conjunto de los n,meros enteros. %l orden en que aparecen los
elementos en una lista es de suma importancia, as la lista B3,=,AC es diferente de la
lista BA,=,3C y de la lista B=,3,AC sin importar que los elementos sean los mismos. Los
elementos en una lista pueden repetirse como en B3,3,;C. La l&"6it#d de una lista es
la cantidad de elementos que tiene la lista, as en todos los ejemplos anteriores la
lon"itud es de tres, mientras que la lista B3,=,A,EC tiene una lon"itud de cuatro. >na
lista de lon"itud dos tiene el nombre especial de par ordenado.
E;e'l&. $e desea hacer una lista de dos elementos, en los lu"ares de la lista pueden
estar cualquiera de los d"itos 3, =, A o E. `-untas listas con estas caractersticas son
posibles5. La forma ms directa de responder es escribiendo todas las posibilidades
B3,3C B3,=C B3,AC B3,EC
B=,3C B=,=C B=,AC B=,EC
BA,3C BA,=C BA,AC BA,EC
BE,3C BE,=C BE,AC BE,EC
9ay (A elementos posibles.
$upon"amos que los elementos posibles en la primera posicin de la lista son los
enteros del ( al n y los posibles para la se"unda posicin son los enteros del ( al m.
-omo antes tenemos la si"uiente tabla con las diferentes posibilidades
B(,(C B(,3C B(,;C ... B(,mC
B3,(C B3,3C B3,;C ... B3,mC
B;,(C B;,3C B;,;C ... B;,mC
. . . .

Bn,(C Bn,3C Bn,;C ... Bn,mC
9ay n filas o ren"lones Bcon el primer elemento i"ual en cada una de las listasC, y
cada fila contiene m listas. *or consi"uiente la cantidad de listas posibles es
m P m P m P...P m R m I n
n veces
%ri"cii& de +#ltilicaci1". $i una operacin se puede realizar en n
(
formas, y s
por cada una de estas formas una se"unda operacin se puede realizar de n
3
formas,
entonces, las dos operaciones se pueden realizar juntas de n
(
In
3
formas.
-onsideremos listas de dos elementos en las que hay n opciones para la primera
(
posicin, y cada opcin del primer elemento tiene m opciones para el se"undo
elemento. %ntonces la cantidad de estas listas es de nm.
E;e'l&. >na persona tiene disponible = camisas y ; pantalones. !l levantarse en la
ma'ana esta selecciona una camisa y un pantaln cualquiera para vestirse. `8e
cuntas formas puede resultar vestida la persona5 !qu la actividad que se efect,a es
que la persona se viste. %sta actividad consiste de dos partes, la primera en
seleccionar el pantaln y la se"unda en seleccionar la camisa. -omo puede
seleccionar el pantaln en una de nR; formas y por cada pantaln seleccionado puede
esco"er una de mR= camisas este puede resultar vestido en una de nm R =I; R (3
formas diferentes.
E;e'l&, Las iniciales de una persona Bsuponiendo que slo nos interesa el primer
nombre as ten"a se"undo nombreC son las listas formadas por las iniciales de su
nombre y su apellido Bprimer apellidoC.
: `8e cuntas formas se pueden escribir las iniciales de las personas5
: `8e cuntas formas se pueden escribir las iniciales en las que las dos letras que no
se repitan5 B*or ejemplo -- de -armen -ardona no se permitiraC.
%l alfabeto es de 3A letras tendremos estos 3A elementos para la primera posicin de
cada lista y as mismo 3A opciones para la se"unda posicin, lue"o hay 3A
3
R ADA
listas posibles.
b. La se"unda pre"unta pide la cantidad de listas de dos elementos, habiendo 3A
opciones para el primer elemento BnR3AC y para cada una de ellas, 3? opciones para el
se"undo BmR3?C. *or consi"uiente hay 3A I 3? listas.
E;e'l&, >n club tiene (? miembros. 8esean ele"ir un presidente y al"uien ms
como vicepresidente. `8e cuntas formas pueden llenarse esos car"os5. !l reformular
la pre"unta como una de conteo de listas, tenemos `-untas listas de dos elementos
se pueden formar en las que dos elementos sean personas seleccionadas de un total de
(? candidatos y que la misma persona no se seleccione dos veces Bno est# repetidaC5.
9ay (? opciones para el primer elemento de la lista Bprimera posicin, nR(?C y para
cada una de estas Bpara cada presidenteC hay (= opciones BmR(=C para el se"undo
elemento de la lista Bel vicepresidenteC. $e",n el principio de la multiplicacin, hay
(? 2 (= BnmC posibilidades.
Listas de ms de dos elementos. %l principio de la multiplicacin se puede aplicar a
listas ms lar"as. *ensemos en las listas de tres elementos o lon"itud tres.
$upon"amos que hay a opciones para el primer elemento, para cada uno de estos hay
b opciones para el se"undo elemento y para cada opcin del par formado por el
primer y se"undo elemento hay c opciones para el tercer elemento. 8e esta forma hay
en total abc listas posibles. >na forma provechosa de ima"inar problemas de conteo
de listas es hacer un dia"rama con cuadros.
3
-ada cuadro representa una posicin en la lista. %scribimos la cantidad de elementos
posibles en cada cuadro. %l total de listas posibles se calcula multiplicando entre s
esas cantidades.
E;e'l&, 9ay un club con (? socios. $e desea ele"ir una mesa directiva formada por
un presidente, un vicepresidente, un secretario y un tesorero. `8e cuntas maneras se
puede hacer la eleccin, suponiendo que un socio puede ocupar slo un car"o5.
Trazamos el si"uiente dia"rama
(? (= (; (3
%sto nos muestra que hay (? socios para ele"ir el presidente. >na vez seleccionado el
presidente quedan (= socios para ser ele"idos como vicepresidente y en consecuencia
hay (?I(= formas de ele"ir al presidente y al vicepresidente. >na vez ele"idos, hay
(; formas de ele"ir al tercer elemento Bel secretarioC. >na vez ele"idos los tres
primeros car"os quedarn (3 socios para ele"ir entre estos al tesorero. %n
consecuencia hay (?I(=I(;I(3 formas de seleccionar la mesa directiva.
%ri"cii& *sic& de C&"te& 9e"erali<ad&. $upon"amos que vamos a efectuar una
actividad que se compone de K partes. La primera parte puede resultar en uno de n
(
resultados posibles. *ara cada uno de los posibles resultados de la primera parte, la
se"unda parte puede resultar en uno de n
3
resultados posibles. %n "eneral, para cada
una de los posibles resultados de las partes anteriores, la i:#sima parte puede resultar
en uno de n
i
resultados distintos. %ntonces el total de resultados de la actividad es
n
(
n
3
n
;
...n
K
.
%ri"cii& del al&'ar. %l principio del palomar establece que si n palomas se
distribuyen en m palomares, y si n U m, entonces al menos habr un palomar con ms
de una paloma. ^tra forma de decirlo es que m huecos pueden alber"ar como mucho
m objetos si cada uno de los objetos est en un hueco distinto, as que el hecho de
a'adir otro objeto fuerza a volver a utilizar al"uno de los huecos. 8e otra manera si
se toman trece personas, al menos dos habrn nacido el mismo mes. !unque el
principio del palomar puede parecer una observacin trivial, se puede utilizar para
demostrar resultados inesperados. *or ejemplo, tiene que haber por lo menos dos
personas en /edelln con el mismo n,mero de pelos en la cabeza.
8emostracin la cabeza de una persona tiene en torno a (?4.444 cabellos. %s
razonable suponer que nadie tiene ms de un milln de pelos en la cabeza. 9ay ms
de un milln de personas en /edelln. $i asi"namos un palomar por cada n,mero de
4 a (.444.444, y asi"namos una paloma a cada persona que ir al palomar
correspondiente al n,mero de pelos que tiene en la cabeza, al menos habr dos
personas con el mismo n,mero de pelos en la cabeza.
;
>na versin "eneralizada de este principio dice que, si n objetos discretos deben
"uardarse en m cajas, al menos una caja debe contener no menos de nLm objetos. %n
el ejemplo anterior, si suponemos que /edelln tiene ;.(44.444 habitantes, entonces
habr al menos = personas que ten"an el mismo n,mero de pelos en la cabeza.
C&e)icie"tes *i"&'iales. 8ado un conjunto 2 con n elementos, el n,mero de
subconjuntos de X que tienen K elementos es el coeficiente binomial de n en K y se
denota como -Bn,KC o como

,
_

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

,
_

,
_

,
_

,
_

La identidad se puede obtener por el Te&re'a del 0inomio al desarrollar B(P(C

n
, pero
el si"nificado combinatorio es que el conjunto potencia de un conjunto con n
elementos tiene 3
n
elementos.
H
%ri"cii& de Adici1". $i una operacin se puede realizar en n
(
formas, y s por cada
una de estas formas una se"unda operacin se puede realizar de n
3
formas, sin que las
primeras ten"an que darse para la ocurrencia de las se"undas, entonces, las dos
operaciones se pueden realizar juntas de n
(
Pn
3
formas.
%ri"cii& )#"da'e"tal de c&"te&. $i un suceso ! presenta n
(
maneras diferentes y
una vez este suceso ha ocurrido un se"undo suceso 0 se puede presentar en n
3
maneras diferentes y as cuando ha ocurrido este, sucede un tercer suceso - que se
puede presentar en n
;
maneras diferentes y as diferentes sucesos en n
K
formas,
entonces el n,mero total de maneras diferentes como pueden darse simultneamente
los sucesos es,
? 3 2 1
n n n n
C&e)icie"tes +#lti"&'iales. $upon"amos que 34 miembros de una or"anizacin se
dividirn en tres comit#s .e"lamento, *resupuesto, !ctividades. Los comit#s de
.e"lamento y de *resupuesto tendrn E miembros cada uno y el comit# de
!ctividades tendr =. `8e cuntas maneras se pueden asi"nar los miembros a esos
comit#s5
8ividimos esta tarea en tres partes. *rimero seleccionamos los miembros del comit#
de .e"lamento. %sto puede hacerse de
34
-
E
formas distintas. >na vez seleccionados
los miembros de ese comit#, procedemos a seleccionar miembros del comit# de
*resupuesto. !hora slo quedan (3 miembros de la or"anizacin disponibles, por lo
cual el n,mero de formas de seleccionar los miembros del comit# de *resupuesto es
(3
-
E
. 8e paso hemos seleccionado los miembros del comit# de !ctividades, pues lo
constituyen las = personas que quedan. >sando el coeficiente binomial, esto se puede
hacer de
=
-
=
formas distintas. >samos el principio bsico de conteo para obtener el
resultado. %ntonces el n,mero de maneras de asi"nar los miembros a los comit#s es
(4
(?4 . ;?? . A3
=
=
E
(3
E
34
- I - I -
= = E (3 E 34

,
_

,
_

,
_

%n "eneral, tenemos n elementos distintos que deben ser divididos en K 3 "rupos de

manera tal que para j R (, 3 ,JK, el j:#simo "rupo tiene exactamento n
j
elementos,
donde n
(
P n
3
PJP n
K
R n.
8eseamos determinar el n,mero de formas en que los n elementos pueden dividirse
en los K "rupos. *ara lo"rar esto hacemos uso del principio bsico de conteo. Los n
j
elementos del primer "rupo pueden seleccionarse de los n disponibles en

,
_

(
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

E;e'l&, $upon"amos que queremos hacer un arre"lo de luces, con = bombillas

amarillas, ; bombillas azules y ; rojas. %n total se tienen (4 bombillas. *ero, `qu#
arre"los de colores puedo tener5.

%jemplo, &ma"inemos que tenemos ? monedas de (44 centavos, de las cuales dos
estn en posicin de cara y tres en posicin de $ello. `-untas ordenaciones
(H
diferentes podremos formar en las que siempre est#n dos en posicin de cara y tres en
posicin de $ello5
Las ordenaciones posibles son B--$$$, -$-$$, -$$-$, -$$$-, $--$$, $-$-$,
$-$$-, $$--$, $$-$-, $$$--C
CONDUNTOS
La palabra conjunto generalmente la asociamos con la idea de agrupar objetos,
por ejemplo un conjunto de discos, de libros, de plantas de cultivo y en otras
ocasiones en palabras como ato, reba!o, piara, parcelas, campesinado, "amilia,
etc#, es decir la palabra conjunto denota una colecci$n de elementos claramente
entre s%, &ue guardan alguna caracter%stica en com'n# (a sean n'meros,
personas, "iguras, ideas y conceptos#
)n matem*ticas el concepto de conjunto es considerado primitivo y ni se da una
de"inici$n de este, sino &ue se trabaja con la notaci$n de colecci$n y
agrupamiento de objetos, lo mismo puede decirse &ue se consideren primitivas
las ideas de elemento y pertenencia#
La caracter%stica esencial de un conjunto es la de estar bien de"inido, es decir &ue
dado un objeto particular, determinar si este pertenece o no al conjunto# +or
ejemplo si se considera el conjunto de los n'meros d%gitos, sabemos &ue el 3
pertenece al conjunto, pero el 1, no# +or otro lado el conjunto de las bellas obras
musicales no es un conjunto bien de"inido, puesto &ue di"erentes personas
puedan incluir distintas obras en el conjunto#
Los objetos &ue "orman un conjunto son llamados miembros o elementos. +or
ejemplo el conjunto de las letras de al"abeto- a, b, c, ###, ., y, /# &ue se puede
escribir as%0 1 a, b, c, ###, ., y, /2
3omo se muestra el conjunto se escribe entre llaves 4125 , o separados por comas
4,5#
)l detallar a todos los elementos de un conjunto entre las llaves, se denomina
forma tabular, extensin o enumeracin de los elementos#
Dos conjuntos son iguales si tienen los mismos elementos, por ejemplo0
)l conjunto 1 a, b, c 2 tambi6n puede escribirse0
1 a, c, b 2, 1 b, a, c 2, 1 b, c, a 2, 1 c, a, b 2, 1 c, b, a 2
)n teor%a de conjuntos se acostumbra no repetir a los elementos por ejemplo0
)l conjunto 1 b, b, b, d, d 2 simplemente ser* 1 b, d 2#
Denotacin. Los conjuntos se denotan por letras may'sculas 0 7, 8, 3,### por
ejemplo0 791 a, c, b 2
891 primavera, verano, oto!o, invierno 2
)l s%mbolo indicar* &ue un elemento pertenece o es miembro de un conjunto#
+or el contrario para indicar &ue un elemento no pertenece al conjunto de
re"erencia, bastar* cancelarlo con una raya inclinada / &uedando el s%mbolo como
#
)jemplo0 :ea 891 a, e, i, o, u 2, a 8 y c 8
SUBCONJUNTO
:ean los conjuntos 791 0, 1, 2, 3, 5, 8 2 y 891 1, 2, 5 2
)n este caso decimos &ue 8 esta contenido en 7, o &ue 8 es subconjunto de 7# )n
general si 7 y 8 son dos conjuntos cuales&uiera, decimos &ue 8 es un
subconjunto de 7 si todo elemento de 8 lo es de 7 tambi6n#
34
+or lo tanto si 8 es un subconjunto de 7 se escribe 8 7# :i 8 no es subconjunto
de 7 se indicar* con una diagonal #
;ote &ue se utili/a solo para elementos de un conjunto y solo para conjuntos#
UNIVERSO O CONJUNTO UNIVERSAL )l conjunto &ue contiene a todos los
elementos a los &ue se ace re"erencia recibe el nombre de conjunto <niversal,
este conjunto depende del problema &ue se estudia, se denota con la letra < y
algunas veces con la letra : 4espacio muestral5#
+or ejemplo si solo &ueremos re"erirnos a los 5 primeros n'meros naturales el
conjunto &ueda0
<91 1, 2, 3, 4, 5 2
=orma alternativa para indicar conjuntos de gran importancia0
-onjunto de n,meros naturales Benteros mayores que ceroC representados por la letra N donde
;91 1, 2, 3, #### 2
-onjunto de n,meros enteros positivos y ne"ativos representados por la letra I donde
>91###, ?2, ?1, 0, 1, 2, ### 2
-onjunto de n,meros racionales Bn,meros que se representan como el cociente de dos n,meros
enteros ffracciones gC. %stos n,meros se representan por una C
-onjunto de n,meros irracionales Bn,meros que no puedan representarse como el cociente de dos
n,meros enterosC representados por la letra I.
-onjunto de los n,meros reales que son los n,meros racionales e irracionales es decir todos,
representados por R.

@odos estos conjuntos tienen un n'mero in"inito de elementos, la "orma de
simboli/arlos por e.tensi$n o por enumeraci$n es de gran utilidad cuando los
conjuntos a los &ue se ace re"erencia tienen pocos elementos para poder
trabajar con ellos se emplean la notaci$n llamada comprehensin#
+or ejemplo, la denotar el conjunto de los n'meros naturales menores &ue 60#
7&u% U es el conjunto N y se tiene una propiedad &ue caracteri/a a los elementos
del conjunto0 ser menores &ue 60#

+ara indicar esta situaci$n empleamos la simbolog%a del *lgebra de conjuntos0
1 .A. ; - .B60 2
)n esta e.presi$n se maneja un conjunto de x &ue pertenece a los n'meros
naturales 4N) y adem*s &ue los valores de x son menores &ue 60# 7ora si se
desea trabajar con conjuntos &ue manejen intervalos estos pueden ser
representados por medio de una e.presi$n algebraica- supongamos &ue se desea
e.presar los n'meros enteros 4Z5 entre ?20 y 30 el conjunto &uedar%a de la
manera siguiente0
1 .A. > - ?20 . 30 2

@ambi6n se puede e.presar el valor de un conjunto indicando la pertenencia o no
pertenencia a uno di"erente, por ejemplo
L91 1, 3, 4, 6, , 2 +91 .A. ; - C L 2
)n el conjunto + se indica &ue los elementos x de un conjunto pertenecen a los
n'meros naturales y adem*s x no pertenece al conjunto L#
!PEACI!&E" C!& C!&J'&(!"
3(
UNION. La uni$n de dos conjuntos 7 y 8 la denotaremos por 7 8 y es el conjunto
"ormado por los elementos &ue pertenecen al menos a uno de ellos $ a los dos#
Lo &ue se denota por0 7 8 9 1 .A. 7 $ . 8 2
)jemplo0 :ean los conjuntos 791 1, 3, 5, 7, , 2 y 891 10, 11, 12 2
7 8 91 1, 3, 5, 7, ,, 10, 11, 12 2
INTERSECCION :ean 791 1, 2, 3, 4, 5, 6, 8, , 2 y 891 2, 4, 8, 12 2 Los elementos
comunes a los dos conjuntos son0 1 2, 4, 8 2# 7 este conjunto se le llama
intersecci$n de 7 y 8- y se denota por 7 8, algebraicamente se escribe as%0 7
8 9 1 .A. 7 y . 8 2 ( se lee el conjunto de elementos . &ue est*n en 7 y
est*n en 8#
)jemplo0 :ean D91 a, n, p, y, &, s, r, o, b, E 2 y +91 l, u, a, o, s, r, b, v, y, / 2
entonces, D +91 a, b, o, r, s, y 2
CONJUNTO VACIO <n conjunto &ue no tiene elementos es llamado conjunto vac%o
$ conjunto nulo lo &ue denotamos por el s%mbolo #
+or ejemplo0 :ean 791 2, 4, 6 2 y 891 1, 3, 5, 7 2 encontrar 7 8# )ntonces, 7
89 1 2
)l resultado de 7 89 1 2 muestra &ue no ay elementos entre las llaves, si este
es el caso se le llamar* conjunto vac%o $ nulo y se puede representar como0
7 89
COMPLEMENTO. )l complemento de un conjunto respecto al universo < es el
conjunto de elementos de < &ue no pertenecen a 7 y se denota como A y &ue se
representa por compreensi$n como0 7F91 . <A. y . 7 2

)jemplo0 :ea < 9 1 1, 2, 3, 4, 5, 6, 7, 8, , 2 79 1 1, 3, 5, 7, , 2 donde 7 <# )l
complemento de 7 estar* dado por0 7F9 1 2, 4, 6, 8 2
DIFERENCIA. :ean 7 y 8 dos conjuntos# La di"erencia de 7 y 8 se denota por 7!8 y
es el conjunto de los elementos de 7 &ue no est*n en 8 y se representa por
compreensi$n como0 7 ? 891 .A. 7 - C 8 2

)jemplo0 :ea 79 1 a, b, c, d 2 y 89 1 a, b, c, g, , i 2 );@G;3):, 7 ? 89 1 d 2
)n el ejemplo anterior se observa &ue solo interesan los elementos del conjunto 7
&ue no est6n en 8# :i la operaci$n "uera 8 ? 7 el resultado es 8 H 7 9 1 g, , i 2
) indica los elementos &ue est*n en 8 y no en 7#
DIAGRAMAS DE VENN. Los diagramas de Ienn &ue de deben al "il$so"o ingl6s Jon
Ienn 41834?18835 sirven para encontrar relaciones entre conjuntos de manera
gr*"ica mediante dibujos $ diagramas# La manera de representar el conjunto
<niversal es un rect*ngulo, $ bien la oja de papel con &ue se trabaje#
Los conjuntos se representan por medio de dibujos dentro del rect*ngulo, los
aspectos de inter6s se resaltan sombreando las *reas respectivas#
Kr*"icamente,
33
Algunas normas operacionales entre conjuntos
CONJUNTOS
Intercepcion A B x x A x B
Union A B x x A x B A B
A B B A
A B B A
A A
A
A
A U
A B B A
A B C A B C
Complemento A x x A
A A U
A B C A B C
A B B A
A B C A B A C
A B C A B A C
f L g
f L B Cg
B C B C
f L g
B C B C
B C B C B C
B C B C B C

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

. $e llama suceso imposible al que no se

verificar nunca, y se representa por

. $e llama suceso se"uro al que se verificar

siempre, y se representa por %.
$e dice que un subconjunto ! se ha realizado o se ha verificado cuando el
resultado de la prueba coincide con al",n componente del subconjunto !. $e dice que
un suceso ! implica a otro 0 cuando siempre que se verifica !, se verifica 0 !

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 ^

C. 8ados dos sucesos !y 0 de un mismo experimento aleatorio, llamamos suceso

#"i1" de ! y 0 al suceso que se realiza cuando se realiza ! o 0 y se representa por
AU*
&nterseccin de sucesos. $ucesos incompatibles. C&"sidere'&s l&s s#ces&s A ( *
! R]salir n,mero par] R B3, =, AC
0 R]salir n,mero primo] R B3, ;, ?C
8 R]salir n,mero par y primo]. %ste suceso es
8 R B3C
1 se llama suceso de i"tersecci1" de ! y 0. AK*. 8ados dos sucesos ! y 0 de un
mismo experimento aleatorio, llamaremos suceso de interseccin de ! y 0 al suceso
que se realiza cuando se realizan simultneamente los sucesos ! y 0. %l suceso !K0
esta formado por los puntos muestrales comunes a los sucesos ! y 0. ^bserve que la
interseccin tiene mucha relacin con el operador l"ico 1 :j.
S#ces&s I"c&'atibles. %n los ejemplos anteriores hemos visto que en al"unas
ocasiones la interseccin de dos sucesos es el suceso imposible. -uando esto ocurre,
es decir, cuando es imposible que dos sucesos se realicen simultneamente. %s decir,
datos dos sucesos !y 0 de un mismo experimento aleatorio, se tiene que, $i !k0 R
h, entonces ! y 0 son incompatibles.
+edida de %r&babilidad. $i $ es un espacio muestral, y ! es evento, ! $
definimos una medida de probabilidad *B!C como un n,mero que asi"namos al
evento !. %ste n,mero indica la probabilidad de que el evento ! ocurra. $ea $ un
espacio muestral, ! un evento en $ y * una medida de probabilidad. Lo si"uientes
axiomas establecen las propiedades fundamentales de una medida de probabilidad
A4i&'a 1. *ara cualquier evento ! $, *B!C 4.
A4i&'a 8. *B$C R (.
A4i&'a A. *ara cualquier secuencia infinita de conjuntos disjuntos, !
(
, !
3
, J ,
donde !
i
$, i R (, 3,...., tenemos

,
_

( 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 * ! *

Te&re'a. *ara cualquier evento ! *B!

c
CR(:*B!C.
Te&re'a. *ara cualquier evento ! 4 *B!C (.
*rueba. $abemos que *B!C 4. $i *B!C U (, entonces del Teorema ;, tenemos que
*B! c C Z 4, lo que contradice el !xioma (. *or lo tanto, debemos tener que *B!C (.
Te&re'a. $i !0 entonces *B!C*B0C.
Te&re'a. *ara dos eventos cualquiera !, 0 tenemos *B!0CR*B!CP*B0C:*B!k0C
*rueba. !0RB!k0
c
CB!k0CB!
c
k0C, por lo tanto *B!0C R *B!k0
c
C + *B!k0C
+ *B!
c
k0C. Tambi#n vemos que *B!C R *B!k0
c
C + *B!k0C y que *B0C R *B0k!
c
C
+ *B!k0C
3H
A4i&'tica del Esaci& de r&babilidades. Si6'a L Al6ebra. $i

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

%r&babilidad- * es una funcin que se asi"na a cada suceso ! en

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 *

E;e'l&, se tira un dado y sabemos que la probabilidad de que sal"a un 3 es (LA. $i

incorporamos nueva informacin Bpor ejemplo, al"uien nos dice que el resultado ha
sido un n,mero parC entonces la probabilidad de que el resultado sea el 3 ya no es (LA.
* B0L!C es la probabilidad de que sal"a el n,mero 3 Bsuceso 0C condicionada a que haya
salido un n,mero par Bsuceso !C.
*B! 0C. es la probabilidad de que sal"a el dos y n,mero par. *B!C es la probabilidad a
priori de que sal"a un n,mero par. *or tanto, *B! 0C.C R (LA y * B!C R p, entonces, *
B0L!C R B(LAC L B(L3C R (L;. Lue"o, la probabilidad de que sal"a el n,mero 3, si ya
sabemos que ha salido un n,mero par, es de (L; Bmayor que su probabilidad a priori
de (LAC.
E;e'l&, %n un estudio sanitario se ha lle"ado a la conclusin de que la probabilidad de que
una persona sufra problemas coronarios Bsuceso 0C es el 4,(4. !dems, la probabilidad de
que una persona sufra problemas de obesidad Bsuceso !C es el 4,3? y la probabilidad de que
una persona sufra a la vez problemas de obesidad y coronarios Bsuceso interseccin de ! y 0C
es del 4,4?. -alcular la probabilidad de que una persona sufra problemas coronarios si est
obesa Bprobabilidad condicionada *B0L!CC.
*B! 0C R 4,4?, o sea, * B!C R 4,3?, entonces, * B0L!C R 4,4? L 4,3? R 4,34
E;e'l&, >na mujer es portadora de la enfermedad de 8uchenne `-ul es la
probabilidad de que su prximo hijo ten"a la enfermedad5
$e",n las leyes de /endel, todos los posibles "enotipos de un hijo de una madre
portadora Bx2C y un padre normal B21C son x2, x1, 22, 21 y tienen la misma
;D
probabilidad. %l espacio muestral es R fx2, x1, 22, 21g el suceso !Rfhijo
enfermog corresponde al "enotipo x1, por tanto, se",n la definicin clsica de
probabilidad *B!C R (L= R 4,3?
La mujer tiene el hijo y es varn `qu# probabilidad hay de que ten"a la enfermedad5
$e define el suceso 0 R fser varng R fx1, 21g la probabilidad pedida es *B!L0C y
aplicando la definicin anterior *B0C R 4,?6 ! 0 R fx1g6 *B! 0C R 4,3?6 *B!L0C
R 4,3?L4,? R 4,?
$i sabemos que es varn, el espacio muestral ha cambiado, ahora es 0. *or lo tanto se
puede calcular *B!L0C aplicando la definicin clsica de probabilidad al nuevo
espacio muestral *B!L0C R (L3 R 4,?
E;e'l&, $e sabe que el ?4M de la poblacin fuma y que el (4M fuma y es
hipertensa. `-ul es la probabilidad de que un fumador sea hipertenso5
! R fser hipertensog 0 R fser fumadorg ! 0 R fser hipertenso y fumadorg *B!L0C
R 4,(4L4,?4 R 4,34
^bs#rvese que los coeficientes falso:positivo y falso:ne"ativo de las pruebas
dia"nsticas son probabilidades condicionadas.
La frmula anterior se puede poner *B! 0C R *B0C *B!L0C R *B!C *B0L!C llamada
re6la de la '#ltilicaci1", que se puede "eneralizar a ms sucesos *B!
(
!
3
!
;
C
R *BB!
(
!
3
C !
;
C R *B!
(
!
3
C *B!
;
L!
(
!
3
C R *B!
(
C *B!
3
L!
(
C *B!
;
L!
(
!
3
C
S#ces&s i"dee"die"tes. 8os sucesos son independientes si y slo si *B! 0C R
*B!C *B0C. $i dos sucesos son independientes
C ! B *
C 0 B *
C 0 B * C ! B *
C 0 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

+ +

La probabilidad de que efectivamente estuviera lloviendo el da del accidente

Bprobabilidad a posterioriC es del D(,=M.
bC P(o1%1i*id%d de 5$e es3$0ie(% ne0%ndo6
3(= . 4
C 4? . 4 34 . 4 B C (4 . 4 ;4 . 4 B C 34 . 4 ?4 . 4 B
(4 . 4 ;4 . 4
C 0 L ! B *
i

+ +

La probabilidad de que estuviera nevando es del 3(,=M.

cC *robabilidad de que hubiera niebla
4D( . 4
C 4? . 4 34 . 4 B C (4 . 4 ;4 . 4 B C 34 . 4 ?4 . 4 B
4? . 4 34 . 4
C 0 L ! B *
i

+ +

La probabilidad de que hubiera niebla es del D,(M.

$ea !
(
,..,!
n
est#n incluidos en %, un sistema exhaustivo y excluyente de sucesos. $ea
0 incluido en %, un suceso del que conocemos todas las cantidades *B0L!
i
C, con iR(,
J,n, a las que denominamos !er&si'ilit#des$ entonces se verifica,

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 n y es un n,mero positivo, entonces,

4 x
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

,
_

cuando ns %l teorema anterior se le conoce como la

]Ley d#bil de los "randes n,meros].
$i es la media muestral de una muestra de tama'o n de una poblacin inducida por
una variable aleatoria 2 con media y varianza
3
, y si U4, entonces
-onclusin $i la muestra es "rande existe una alta probabilidad de que la media
muestral est# cerca de la media poblacional . %sco"iendo un tama'o de muestra
suficientemente "rande podemos hacer que la probabilidad de que la media muestral
tienda a la media poblacional sea tan alta Btan cerca de unoC como queramos.
=?
0O. .ARIA*LE ALEATORIA
%n "ran cantidad de experimentos aleatorios es necesario cuantificar los resultados, es
decir, asi"nar a cada resultado del experimento un n,mero, con el fin de poder
realizar un estudio matemtico. %jemplos. -onsideremos el experimento aleatorio que
consiste en lanzar tres monedas, supon"amos que a cada elemento de su espacio
muestral %RB---, --$, -$-, $--, -$$, $-$, $$-, $$$C le asi"namos un n,mero
real, el correspondiente al n,mero de caras.
%sta correspondencia que acabamos de construir es una funcin del espacio muestral
% en el conjunto de los n,meros reales .. ! esta funcin la llamaremos .ariable
Aleat&ria y la denotaremos por 2.
$upon"amos el experimento aleatorio que consiste en lanzar dos dados, podemos
asi"nar a cada resultado la suma de los puntos aparecidos en cada dado (discreta.
-onsideremos el experimento que consiste en ele"ir al azar ?44 personas y medir su
estatura. La ley que asocia a cada persona con su talla es una variable aleatoria
Bc&"ti"#aC.
.ariable Aleat&ria. $e dice que hemos definido una variable aleatoria para un
experimento aleatorio cuando hemos asociado un valor num#rico a cada resultado del
experimento. $ea % el Esaci& '#estral asociado a un experimento. $e llama
variable aleatoria a toda aplicacin del espacio muestral % en el conjunto de los
n,meros reales Bes decir, asocia a cada elemento de % un n,mero realC. $e utilizan
letras may,sculas 2, 1,... para desi"nar variables aleatorias, y las respectivas
min,sculas Bx, y, ...C para desi"nar valores concretos de las mismas.
$i un experimento con espacio muestral %, tiene asociada la variable aleatoria 2, es
natural que se planteen pre"untas como `-ul es la probabilidad de que 2 tome un
determinado valor5, esto nos lleva a establecer, por convenio, la si"uiente notacin,
: B2RxC representa el suceso ]la )ariable !leatoria 2 toma el valor x], y *B2RxC
representa la probabilidad de dicho suceso.
=A
: B2ZxC representa el suceso ]la variable aleatoria 2 toma un valor menor a x], y
*B2ZxC representa la probabilidad de que la )ariable !leatoria 2 tome un valor
menor a x.
: B2nxC representa el suceso ]la variable aleatoria 2 toma un valor menor o i"ual a
xG, y *B2nxC representa la probabilidad de que la )ariable !leatoria 2 tome un
valor menor o i"ual a x.
7ormalmente, los resultados posibles (Esaci& '#estral E) de un experimento
aleatorio no son valores num#ricos. *or ejemplo, si el experimento consiste en lanzar
de modo ordenado tres monedas al aire, para observar el n,mero de caras B-C y $ellos
B$C que se obtienen, el espacio muestral asociado a dicho experimento aleatorio sera
%RB---,--$,-$-,$--,$-$,$$-,-$$,$$$C
%n estadstica resulta ms fcil utilizar valores num#ricos en lu"ar de trabajar
directamente con los elementos de un espacio muestral como el anterior. !s
preferimos identificar los sucesos B-$$,$-$,$$-C con el valor num#rico ( que
representa el n,mero de caras obtenidas al realizar el experimento. 8e este modo
aparece el concepto de !ariable aleat&ria #"idi'e"si&"al como el de toda funcin
e
x C e B 2 e
% 2


que atribuye un ,nico n,mero real x
e
, a cada suceso elemental e, del espacio muestral
!.
*or ejemplo, en el ejemplo anterior, se define la variable aleatoria 2R7,mero de
caras del si"uiente modo 2B---CR;6 2B--$,-$-,$--CR36 y 2B$$-,-$$,$-$CR(,
y finalmente 2B$$$CR4, puesto que estamos hablando de caras
: La variable 2 no recibe el calificativo de aleatoria por el hecho de que atribuya de
modo imprevisible un valor cualquiera a un elemento Be est incluido en %C ya
que este valor est definido de forma precisa BdeterminsticaC. Lo que es aleatorio
en realidad, es que al hacer el experimento, no sabemos qu# elemento de ! puede
ocurrir.
: La composicin de una funcin real con una variable es tambi#n variable
aleatoria, pues est definida sobre % y a cada elemento suyo le asocia un valor
real.
=D
CC e B 2 B h x
%
h C 2 B h
h
% 2

%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 *

.ariable Aleat&ria Discreta. 8ada una )ariable !leatoria 8iscreta 2, su )#"ci1" de

r&babilidad f, se define de modo que fBx
i
C es la probabilidad de que 2 tome ese
valor. $i x
i
no es uno de los valores que puede tomar 2, entonces fBx
i
CR4. La
representacin "rfica de la funcin de probabilidad se realiza mediante un dia"rama
de barras anlo"o al de distribucin de frecuencias relativas para variables discretas.
E;e'l&, si retomamos el caso del lanzamiento de ; monedas de forma que cada una
de ellas ten"a probabilidad (L3 de dar como resultado cara o sello, se tiene que,
=E
E L ( 3 L ( I 3 L ( I 3 L ( C $$$ B * C 4 2 B * C 4 B f
E L ; E L ( E L ( E L ( C -$$ , $-$ , $$- B * C ( 2 B * C ( B f
E L ; E L ( E L ( E L ( C $-- , -$- , --$ B * C 3 2 B * C 3 B f
E L ( 3 L I 3 L ( I 3 L ( C --- B * C ; 2 B * C ; B f

+ +
+ +

^bs#rvese que 2 est definido sobre el espacio muestral de sucesos %, mientras que f
lo est sobre el espacio de n,meros reales .Las propiedades de la funcin de
probabilidad de )ariable !leatoria se deducen de forma inmediata de los axiomas de
probabilidad,
$i x
(
,J,x
n
son todos los valores admisibles de la variable aleatoria 2, entonces, la
suma de probabilidades de todos los valores es >7^ B(C



K
( i
K
( i
i i
( C x 2 B * C 2 B f
e i"ualmente todos estos valores deben ser positivos.
^tro concepto importante es el de )#"ci1" de distrib#ci1" de una variable aleatoria
discreta, Q, que se define de modo que si x pertenece al conjunto de los valores reales,
QBx
i
C es i"ual a la probabilidad de que 2 tome un valor inferior o i"ual a x
i

QBx
i
CR*B2bx
i
C
%sta funcin se representa "rficamente del mismo modo que la distribucin de
frecuencias relativas acumuladas. )olviendo al ejemplo de las tres monedas, se tiene
que
E L ( C 4 B f C 4 2 B * C 4 B Q
E L = E L ; E L ( C ( B f C 4 B Q C ( 2 B * C ( B Q
E L D E L ; E L ; E L ( C 3 B f C ( B f C 4 B f C 3 2 B * C 3 B Q
( E L ( E L ; E L ; E L ( C ; B f C 3 B f C ( B f C 4 B f C ; 2 B * C ; B Q

+ +
+ + + +
+ + + + + +
Xrficamente,
=H
.ariables aleat&rias discretas
%r&ble'a. Lanzamos dos dados al aire. 7os interesa encontrar probabilidades tal
como la probabilidad de que la suma de los puntos en los dados es menor que E. $i
asumimos que todos los resultados observados al tirar dos dados son equiprobables
entonces el espacio muestral del experimento, con treinta y seis posibles resultados
es
( (, ( (, 3 (, ; (, = (, ? (, A (
3 3, ( 3, 3 3, ; 3, = 3, ? 3, A 3
; ;, ( ;, 3 ;, ; ;, = ;, ? ;, A ;
= =, ( =, 3 =, ; =, = =, ? =, A =
? ?, ( ?, 3 ?, ; ?, = ?, ? ?, A ?
-omo nos interesa la suma de los puntos observados, si obtenemos el resultado B;, ?C
le asi"namos el valor E, correspondiente a la suma de ; y ?. *odemos calcular la
probabilidad de que la suma sea i"ual a E, contando todos los resultados donde la
suma es ocho. %l evento de que la suma es ocho contiene ? resultados fB3,AC, B;,?C,
B=,=C, B?, ;C, BA,3Cg6 por lo tanto la probabilidad deseada es ?L;A. *odemos repetir este
proceso con cada uno de los resultados para obtener la si"uiente tabla
.esultado 3 ; = ? A D E H (4 (( (3
*robabilida
d
(L;A 3L;A ;L;A =L;A ?L;A AL;A ?L;A =L;A ;L;A 3L;A (L;A
9emos encontrado la distribucin de probabilidad de los valores posibles de la suma
al tirar dos dados. %n "eneral, si $ es un espacio muestral con una medida de
probabilidad *, definimos una !ariable aleat&ria como una funcin que asi"na un
n,mero real a cada uno de los elementos de $. %s decir 2 es una funcin cuyo
dominio es el espacio muestral $ y su codominio es el conjunto de n,meros reales
?4
&nterpretamos, por ejemplo 2 R E como el evento de que se observ el resultado E al
tirar los dos dados, es decir el evento f B3,AC, B;,?C, B=,=C, B?, ;C, BA,3Cg ocurri.
Tambi#n asi"namos a 2 R E la probabilidad de ese evento. !s vemos que *B 2 R E C
R *Bf B3,AC, B;,?C, B=,=C, B?, ;C, BA,3CgC R ?L;A. 7ota que a pesar de que 2 es una
funcin, usualmente no se escribe el ar"umento de la funcin, es decir, si s es un
elemento del espacio muestral $, en vez de escribir 2BsC, sencillamente escribimos 2.
%s usual denotar las variables aleatorias por letras may,sculas y los valores que puede
asumir por letras min,sculas.
%ar Orde"ad&. $ea un conjunto fa,bg constituido por los elementos a y b, el
g b , a f
el conjunto de todos los subconjuntos del conjunto fa,bg, que consta de los
elementos

, fag, fbg, fa,bg. $e llama par ordenado

b , a
al subconjunto ffag,
fa,bgg de
g b , a f
$i ! y 0 son dos conjuntos, el %r&d#ct& Cartesia"&, 0 ! , es el conjunto de todos
los posibles pares ordenados
b , a
formados con el primer elemento a que
pertenece a ! y un se"undo elemento b que pertenece a 0, esto es,
{ } 0 b , ! a b , a 0 !
>na Relaci1" . entre los conjuntos ! y 0 es un subconjunto de A F
$e llama D&'i"i& de una .elacin . entre ! y 0, y se desi"na por dom., al
conjunto de los elementos ! a tales que para al",n 0 b sea
. b , a
, esto es,
en smbolos,
{ } . b , a , 0 b un l" a para ! a dom.
,
o sea, el dominio de una relacin es el conjunto de las primeras coordenadas de los
pares ordenados de .
$e denomina Ra"6& de una relacin ., r"., o recorrido de ., rec., al conjunto de
aquellos elementos 1 F , tales que para al",n 0 b , sea
. b , a
, o sea, en otras
palabras,
{ } . b , a , ! a un l" a para 0 b r".
>na F#"ci1" f de ! a 0, lo que quiere decir, una funcin f cuyo dominio esta en ! y
cuyo ran"o est en 0, es una relacin entre ! y 0 con estas condiciones,
f b , a y , f b , a , ! domf
3 (

, debe ser b
(
Rb
3
?(
.ariable Aleat&ria. $ea un conjunto fundamental de probabilidades y sea

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
,

es el conjunto de los subconjuntos de

7otacin, 8esde este punto, se trabajara con la notacin
[ ] x 2
en vez de
{ } x C B 2
y
[ ] $ 2
en vez de
{ } $ C B 2
,
lo que permitir ajustarnos mas a lo normal de a literatura estadstica y normal de
otros textos.
$i 2 es una funcin cualquiera con dominio , cuyo ran"o es el conjunto no vaco
de n,meros reales, entonces, se verifica que,
O x 2 N O 3 x 2 N
n
( n
<

para cualquier n,mero real x

$i 2 es una funcin cualquiera con dominio , cuyo ran"o es el conjunto no vaco
de n,meros reales, se tiene,
O x 2 N O 3 x 2 N
n
( n
+ <

Te&re'a $ea 2 una funcin de dominio , cuyo ran"o es el conjunto no vaco de

n,meros reales 2, ser una variable aleatoria siempre y cuando para cualquier
n,mero real x, sea
O x 2 N
, tambi#n lo ser siempre y cuando,
> O x 2 N
,
para todo n,mero real x
,l6ebra de las .ariables Aleat&rias.
Te&re'as $i 2 y 1 son variables aleatorias y K una constante real cualquiera,
tambi#n sern variables aleatorias
2t 1, K2, 2
3
, 21,
B2t 1C
3
, NB2P1C
3
:B2:1C
3
OL=,
maxf2,1g, y 2L1 cuando s N1R4OR

.
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

CR(, mientras que si ! no ocurre,

ocurrir al"uno de los sucesos

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
+




+

Te&re'a $i 2 y 1 son variables aleatorias, entonces,

O z 1 N O z 2 N O z C 1 , 2 NminB
?;
F#"ci1" de r&babilidad o distrib#ci1" de r&babilidad %n la Tabla anterior Ben
la definicin de la variable aleatoria y ejemplariz con un lanzamiento de dos dados
re"ularesC vemos que a cada valor posible de 2, le asi"namos un n,mero
correspondiente a su probabilidad. !s podemos definir otra funcin fBxC R *B2 R xC,
para cada n,mero x en el campo de valores de la variable 2. %sta funcin se llama la
)#"ci1" de r&babilidad o distrib#ci1" de r&babilidad de la variable 2. *ara el
ejemplo de la suma de los puntos al tirar dos dados, los valores de esta funcin estn
dados en la Tabla, la cual se puede reescribir usando los conceptos estudiados.
x 3 ; = ? A D E H (4 (( (3
fB xC (L;A 3L;A ;L;A =L;A ?L;A AL;A ?L;A =L;A ;L;A 3L;A (L;A
)emos que fBxC nunca adquiere un valor menor de cero. %sto se debe a que fBxC
representa una probabilidad, la cual nunca puede ser menor de cero. 8e i"ual manera
fBxC nunca puede ser menor de (. $i sumamos todos lo valores que puede tener fBxC
obtenemos (, debido a que estamos sumando las probabilidades de que la variable
aleatoria asuma uno de los valores establecidos. *or su definicin, la funcin de
probabilidad tiene las si"uientes caractersticas
(. fBxCL4 para todo valor x en su dominio
3. fBuxC1 donde la sumatoria se extiende sobre todos los valores x en el dominio de
f.
La probabilidad de observar un valor particular de la variable aleatoria, di"amos 2 R
; est dado por la altura de la barra sobre el ;, es decir *B2 R ;C R 3L;A. 8e i"ual
manera, en vez de asociar la altura de la barra con la probabilidad, podemos ver que
el rea de la barra sobre el ; es 3L;A ( R 3L;A, ya que la altura de la barra es 3L;A y
su ancho es (. >sar el rea de las barras para representar la probabilidad es muy ,til
para extender la nocin de probabilidad a otras variables.
*odemos usar el histo"rama de probabilidad para calcular probabilidades tal como
*B 2 =C. )emos que *B2 =C R *B2 R3 2 R; 2 R=C R *B2 R 3C P *B2 R ;C P
?=
*B2 R =C , ya que los eventos donde 2 R 3, 2R ; y 2R= son disjuntos. %ntonces *B 2
=C R (L;A P 3L;A P ;L;A R AL;A, sumando las reas de la barras que estn sobre el =
y a su izquierda. 8ebemos ser muy cuidadosos con las desi"ualdades, ya que *B 2
=C R AL;A, mientras que *B 2Z =C R ;L3A.
%xtendiendo esta idea de probabilidades acumulativas, podemos definir otra funcin
partiendo de la distribucin de probabilidad. $i 2 es una variable aleatoria discreta,
definimos la )#"ci1" de distrib#ci1" de / o )#"ci1" de distrib#ci1" ac#'#lati!a
de / de la si"uiente manera =4.5 9 +4 CMx C R fBtC para x en el intervalo B:v,vC
??
0P. FUNCION DE %RO*A*ILIDAD
F#"ci&"es de %r&babilidad$ )M4G ( FM4G. -onsideremos una )ariable !leatoria.
discreta 2, que toma los valores x
(
, x
3
, ..., x
n
y supon"amos que conocemos la
probabilidad de que la variable 2 tome dichos valores, es decir, se conoce que
*B2Rx
(
CR*
(
, *B2Rx
3
CR*
3
, *B2Rx
;
CR*
;
,..., *B2Rx
n
CR*
n
y en "eneral, *B2Rx
i
CR*
i
. La
funcin de probabilidad fBxC de la )ariable !leatoria 2 es la funcin que asi"na a
cada valor x
i
de la variable su correspondiente probabilidad *
i
.
-uando la variable 2 es discreta, esto es, cuando solo toma valores en un conjunto
numerable de valores, Bx
i
C, finito o infinito, entonces la relacin es

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

1 es la densidad de probabilidad del punto b Bque como hemos mencionado no se ha

de confundir con la probabilidad de b.
La funcin de distribucin Q, es no decreciente si x
(
Zx
3
, entonces, QBx
(
CbQBx
3
C.
!dems, es una funcin absolutamente continua
( C x B Q Lim C B Q 4 C x B Q Lim C B Q
x x
+
+
F#"ci1" de +asa de %r&babilidad Discreta. Q/* O x 2 N * C x B p
x
, es una ley
de probabilidad que cumples tres axiomas
: ( C x B p 4
x
, para todo x
:

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

F#"ci1" de distrib#ci1" de r&babilidad 'ar6i"al ( C&"dici&"al. 8ensidad

conjunta se inte"ra sobre valores de 1 y se tiene funcin de distribucin de
probabilidad mar"inal de 2
dy C y , x B f C x B f
21
2

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 (

en donde, +Bz,cC es el +acobiano,

c
y
z
y
c
x
z
x
C c , z B +

$ea la variable aleatoria B2,1C continua, entonces 2 y 1 son independientes,

entonces, la funcin de distribucin de probabilidad f se puede escribir
fBx,yCR"BxChByC.
$ea wR21, lue"o la funcin de distribucin de probabilidad de w, di"amos p, est
dada por

+


,
_

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
,
_

, con cRx, y , uRx, 14cLu

-on i"ual enunciado, para aplicar a rR2L1, en donde la funcin de distribucin de
probabilidad de r es,

+

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
;

La cual debe ser de valor (, entonces cL=R(, esto es, cR=

x
=
x
4
=
x
;
x
=
x
= dx x = dx C x B f C x B Q
lue"o, la funcin de distincin acumulada es QBxCRx
=
para 4Zxb(, 4 en valores xb4 y
( para xy(
%l valor medio es

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

%n muchas ocasiones puede ser complicado computar directamente los momentos de

al"unas variables aleatorias por lo cual debemos usar otras t#cnicas ms
convenientes. %n particular podemos usar la funcin "eneratriz de momentos. La
funcin "eneratriz de momentos de una v.a. 2, donde existe, est definida por
/
x
BtCR %Be
t2
CRe
t2
BfBxC
Te&re'a. C 2 B %
dt
C t B / d
r
r
x
r

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
= =
+ < <

-omparando la probabilidad de 4.HA es mucho mas especifico que la probabilidad es

cuando menos 4.D?, enunciado por el teorema de $hebyshev
+O+ENTO %RODUCTO
%l r:#simo y s:#simo momento producto con respecto al ori"en de las variables
aleatorias x y y, representado por t
r,s
es el valor esperado de x
r
y
s
,

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

un experimento y ! un suceso asociado. %n n repeticiones independientes de

, 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

La f"m se define como $ea 2 una variable aleatoria con dp pBx

i
CR*N2Rx
i
O, la funcin
/
x
es la f"m de 2 y se define como
B 3 e ) x
x
3x
;
;
;
( ) ( )

1
para el caso discreto, y
B 3 d / x
x
3x
( ) ( )dx

para el caso continuo,

siendo fBxC la funcin de distribucin de probabilidades
DE
0T. FUNCIONES DE DISTRI*UCIN
%ri"ciales le(es de distrib#ci1" de !ariables aleat&rias. !tendiendo a la
clasificacin de las )ariables !leatorias en discretas y continuas describiremos las
principales leyes de probabilidad de cada una de ellas, las cuales constituirn el
soporte subyacente de la inferencia estadstica y a las que ser necesario hacer
referencia en el estudio de dicho bloque. &niciamos este captulo con el estudio de las
distribuciones para )ariables !leatorias discretas.
DISTRI*UCIN UNIFOR+E
>na variable aleatoria 2 se dice que es uniforme en el intervalo Na, bO si su funcin de
densidad es constante dentro de #l. La distribucin uniforme modeliza de al",n modo
la incertidumbre ms completa sobre una variable aleatoria continua. Tiene especial
importancia en el mbito computacional, pues es a partir de ella que se pueden
realizar simulaciones de cualquier otra variable aleatoria. La funcin de densidad de
la distribucin uniforme es
[ ] 1 # % x
% 1
1
) x ( /

) 1 # % ( x
% 1
% x
) x ( Q

$u media y varianza son, respectivamente,

2
) % 1 (
12
1
) x ( V
2
1 %
) x ( :
+

La distribucin uniforme es aquella que puede tomar cualquier valor dentro de un

intervalo, todos ellos con la misma probabilidad. %s una distribucin continua porque
puede tomar cualquier valor y no ,nicamente un n,mero determinado Bcomo ocurre
en las distribuciones discretasC.
E;e'l&, el precio medio del litro de "asolina durante el prximo a'o se estima que
puede oscilar entre (=4 y (A4 pesos. *odra ser, por tanto, de (=; pesos., o de (=;,=
pesos., o de (=;,=? pesos., o de (=;,=?? pesos, etc. 9ay infinitas posibilidades, todas
ellas con la misma probabilidad.
$u funcin de densidad, aquella que nos permite conocer la probabilidad que tiene
cada punto del intervalo, viene definida por
1 %
1
) x ( /

8onde, b es el extremo superior Ben el ejemplo, (A4, y a es el extremo inferior Ben

el ejemplo, (=4 pesosC. *or lo tanto, la funcin de distribucin del ejemplo sera
05 . 0
140 10
1
) x ( /

,
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

Los momentos son

(3
C a b B
C 2 B )
;
C a b B
C 2 B %
3
a b
C 2 B %
3 ;
3

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
+ +
+

-uando el tama'o de la poblacin B7C es muy "rande, la ley hiper"eom#trica tiende a

aproximarse a la binomial
DISTRI*UCIN +ULTINO+IAL
La distribucin multinomial es similar a la distribucin binomial, con la diferencia de
que en lu"ar de dos posibles resultados en cada ensayo, puede haber m,ltiples
resultados
E;e'l& de distribucin binomial a unas elecciones se presentaron 3 partidos
polticos el L!L! obtuvo un D4M de los votos y el +%+% el ;4M restante. `-ul es la
probabilidad de que al ele"ir ? ciudadanos al azar, = de ellos hayan votado al +%+%5
E;e'l& de distribucin multinomial, a esas elecciones se presentaron = partidos
polticos el L!L! obtuvo un =4M de los votos, el +%+% el ;4M, el />/> el 34M y
el L!L! el (4M restante. `-ul es la probabilidad de que al ele"ir ? ciudadanos al
azar, ; hayan votado al L!L!, ( al />/> y ( al L!L!5
La distribucin multinomial si"ue el si"uiente modelo,
? x
x
?
x
1
? 1
? ? 1 1
P P
x x
7 n
) x X # # x X ( P

8onde 2K R xK indica que el suceso 2K aparezca xK veces Ben el ejemplo, que el

partido L!L! lo hayan votado ; personasC, n indica el n,mero de veces que se ha
repetido el suceso Ben el ejemplo, ? vecesC, na es factorial de n Ben el ejemplo,
?I=I;I3I(C, y *K es la probabilidad del suceso 2K Ben el ejemplo, el =4MC
E;e'l&, %n una fiesta, el 34M de los asistentes son espa'oles, el ;4M franceses, el
=4M italiano y el (4M portu"ueses. %n un peque'o "rupo se han reunido = invitados
`cual es la probabilidad de que 3 sean espa'oles y 3 italianos5
EE
03"4 . 0 1 . 0 4 . 0 3 . 0 2 . 0
7 0 7 2 7 0 7 2
7 4
) 0 X # 2 X # 0 X # 2 X ( P
0 2 0 2
4 3 2 1



Lue"o, la probabilidad de que el "rupo est# formado por personas de estos pases es
tan slo del ;,E=M
DISTRI*UCIN +ULTI.ARIADA
La distribucin multihiper"eom#trica es similar a la distribucin hiper"eom#trica, con
la diferencia de que en la urna, en lu"ar de haber ,nicamente bolas de dos colores,
hay bolas de diferentes colores.
E;e'l&, en una urna hay D bolas blancas, ; verdes y = amarillas `cul es la
probabilidad de que al extraer ; bolas sea cada una de un color distinto5

,
_

,
_

,
_

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

,
_

La distribucin exponencial es el equivalente continuo de la distribucin "eom#trica

discreta. %sta ley de distribucin describe procesos en los que
H4
7os interesa saber el tiempo hasta que ocurre determinado evento, sabiendo que,
el tiempo que pueda ocurrir desde cualquier instante dado t, hasta que ello ocurra en
un instante t
f
, no depende del tiempo transcurrido anteriormente en el que no ha
pasado nada.
!plicaciones, %l tiempo que tarda una partcula radiactiva en desinte"rarse. %l
conocimiento de la ley que si"ue este evento se utiliza en -iencia para, por ejemplo,
la datacin de fsiles o cualquier materia or"nica mediante la t#cnica del carbono
(=, -(=6 %l tiempo que puede transcurrir en un servicio de ur"encias, para la lle"ada
de un paciente6 %n un proceso de *oisson donde se repite sucesivamente un
experimento a intervalos de tiempo i"uales, el tiempo que transcurre entre la
ocurrencia de dos sucesos consecutivos si"ue un modelo probabilstico exponencial.
E;e'l&, %n un experimento de laboratorio se utilizan (4 "ramos de *olonio
radiactivo. $abiendo que la duracin media de un tomo de esta materia es de (=4
das, -untos idas transcurrirn hasta que haya desaparecido el H4M del material5
$olucin %l tiempo T de desinte"racin de un tomo de
o
3(4
E=
* es una variable
aleatoria de distribucin exponencial, -omo el n,mero de tomos existentes en una
muestra de (4 "ramos es enorme, el histo"rama de frecuencias relativas formado por
los tiempos de desinte"racin de cada uno de estos tomos debe ser extremadamente
aproximado a la curva de densidad, f. 8el mismo modo, el pol"ono de frecuencias
relativas acumuladas debe ser muy aproximado a la curva de su funcin de
distribucin Q. %ntonces el tiempo que transcurre hasta que el H4M del material
radiactivo se desinte"ra es el percentil H4, t
H4
, de la distribucin exponencial, es decir
das ;33 (4 . 4 Ln
a
(
t , entonces , H4 . 4 ( e H4 . 4 C t B Q
H4
at
H4
H4


H(
E;e'l&, $e ha comprobado que el tiempo de vida de cierto tipo de marcapasos si"ue
una distribucin exponencial con media de (A a'os. `-ul es la probabilidad de que a
una persona a la que se le ha implantado este marcapasos se le deba reimplantar otro
antes de 34 a'os5 $i el marcapasos lleva funcionando correctamente ? a'os en un
paciente,
$olucin $ea T la variable aleatoria que mide la duracin de un marcapasos en una
persona.

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 %

$iendo la funcin 0eta de %uler. La media y la varianza de esta distribucin son,

respectivamente,
) 1 1 % ( ) 1 % (
%1
) X ( V 2
1 %
%
) X ( :
2
+ + +

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 %

,
_

La funcin de distribucin, o de probabilidad acumulada, es

( ) 0 x e 1 x X P ) x ( Q
%
) 1 / x (


H3
&"ual que en el caso de la distribucin exponencial, la de weibull se suele utilizar
como modelo param#trico en problemas de anlisis de supervivencia. %n este mbito,
es de inter#s la probabilidad de que se presente el fallo o muerte despu#s de
transcurrido un tiempo x6 de ah que se defina la funcin de supervivencia
( ) 0 e ) x ( Q 1 x X P ) x ( S
%
) 1 / x (
< >

*or ,ltimo, la esperanza y la varianza de esta distribucin son, respectivamente,
1
]
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

>

>

La media y la varianza de esta distribucin son, respectivamente,

1
]
1

,
_

+
,
_

,
_

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

es un entero positivo. La variable aleatoria de %rlan" es la suma de

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

se pueden calcular a continuacin, sin ms que introducir los parmetros de media BC

y desviacin tpica BC, junto con el ar"umento x. -omo ya se ha indicado, la media y
la varianza de la variable aleatoria normal 2 son %N2OR y )N2OR3,
respectivamente.
>n ?4M de los valores estn a la derecha de este valor central y otro ?4M a la
izquierda. %sta distribucin viene definida por dos parmetros 7 B, 3C, siendo nn el
HD
valor medio de la distribucin y es precisamente donde se sit,a el centro de la curva y
n3 es la varianza. &ndica si los valores estn ms o menos alejados del valor central
si la varianza es baja los valores estn prximos a la media6 si es alta, entonces los
valores estn muy dispersos.
-uando la media de la distribucin es 4 y la varianza es (se denomina normal
tipificada, y su ventaja reside en que hay tablas donde se reco"e la probabilidad
acumulada para cada punto de la curva de esta distribucin. !dems, toda
distribucin normal se puede transformar en una normal tipificada aplicando

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
&

aC %l valor de z para ; millones de pesos es de :4,E(A.

*B2Z;C R *BrZ:4,E(AC
* BzU:4,E(AC R (:*BzZ4,E(AC R ( : 4,DH3? Baprox.C R 4,34D?
Lue"o, el 34,D?M de la poblacin tiene una renta inferior a ; millones pesos.
bC 7ivel de in"resos a partir del cual se sit,a el (4M de la poblacin con renta ms
elevada.
)emos en la tabla el valor de la variable tipificada cuya probabilidad acumulada
es el 4,H BH4MC, lo que quiere decir que por encima se sit,a el (4M superior.
%se valor corresponde a zR(,3E3. !hora calculamos la variable normal x
equivalente a ese valor de la normal tipificada (.3E3RBx:=CL(.33
8espejando xR?,?D. *or lo tanto, aquellas personas con in"resos superiores a ?,?D
millones de pesos constituyen el (4M de la poblacin con renta ms elevada.
cC 7ivel de in"resos mnimo y mximo que en"loba al A4M de la poblacin con
renta media. )emos en la tabla el valor de la variable normalizada 1 cuya
probabilidad acumulada es el 4,E. -omo sabemos que hasta la media la
probabilidad acumulada es del ?4M, quiere decir que entre la media y este valor
de z hay un ;4M de probabilidad.
*or otra parte, al ser la distribucin normal sim#trica, entre :z y la media hay otro
;4M de probabilidad. %n definitiva, el se"mento B:z,zC en"loba al A4M de
poblacin con renta media.
%l valor de z que acumula el E4M de la probabilidad es 4,E=3 Baprox.C, por lo que
el se"mento viene definido por B:4,E=3, P4,E=3C. !hora calculamos los valores de
la variable x correspondientes a estos valores de z. Los valores de x son 3,HD y
?,4;. *or lo tanto, las personas con in"resos superiores a 3,HD millones de pesos e
inferiores a ?,4; millones de pesos constituyen el A4M de la poblacin con un
nivel medio de renta.
E;e'l&. La vida media de los habitantes de un pas es de AE a'os, con una varianza
de 3?. $e hace un estudio en una peque'a ciudad de (4.444 habitantes
aC `-untas personas superarn previsiblemente los D? a'os5
bC `-untos vivirn menos de A4 a'os5
aC *ersonas que vivirn BprevisiblementeC ms de D? a'os
-alculamos el valor de la normal tipificada equivalente a D? a'os zRBD?:AECL?R
(.=4
HH
*or lo tanto, * BxUD?C R BzU(,=C R ( : * BzZ(,=C R ( : 4,H(H3 R 4,4E4E
Lue"o, el E,4EM de la poblacin BE4E habitantesC vivirn ms de D? a'os.
bC *ersonas que vivirn BprevisiblementeC menos de A4 a'os
-alculamos el valor de la normal tipificada equivalente a A4 a'os, zRBA4:
AECL?R(.A4
*or lo tanto * BxZA4C R BzZ :(,AC R *BzU (,AC R ( : * BzZ(,AC R 4,4?=E
Lue"o, el ?,=EM de la poblacin B?=E habitantesC no lle"arn probablemente a esta
edad.
La funcin caracterstica de la distribucin normal y sus parmetros son
3
C 3 L t B it
x
3 L z itz
r
C 2 B ) C 2 B %
x
z siendo e C t B e
3
(
e C t B
3 3 3

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

'

>
>
>

E;e'l&, 8urante cierta epidemia de "ripe, enferma el ;4M de la poblacin. %n un

aula con 344 estudiantes, -ul es la probabilidad de que al menos =4 de ellos
padezcan la enfermedad5 y -alcular la probabilidad de que haya A4 estudiantes con
"ripe.
$olucin La variable aleatoria que contabiliza el n,mero de alumnos que padece la
"ripe es
C ;4 . 4 , 344 B 0 2
cuya media es npRA4 y varianza es npqR=3. .ealizar los clculos con la 0inomial es
muy en"orroso, ya que intervienen n,meros combinatorios de "ran tama'o, y
potencias muy elevadas. *or ello utilizamos la aproximacin normal de 2, teniendo
en cuenta que se verifican las condiciones necesarias para que el error sea aceptable
nR344U;4, npRA4U=, y nqR(=4U=, entonces C =3 , A4 B 7 2
!s aproximando la variable aleatoria discreta binomial 2, mediante la variable
aleatoria continua normal,
HHH . 4 * tablas las en
C 4H . ; r B *
=3
A4 =4
=3
A4 2
* C =4 2 B *

,
_

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

,
_

,
_

TEORE+A CENTRAL DEL L+ITE

(4(
%l Teorema -entral del Lmite dice que si tenemos un "rupo numeroso de variables
independientes y todas ellas si"uen el mismo modelo de distribucin Bcualquiera que
#ste seaC, la suma de ellas se distribuye se",n una distribucin normal.
E;e'l&, la variable tirar una moneda al aire si"ue la distribucin de 0ernoulli. $i
lanzamos la moneda al aire ?4 veces, la suma de estas ?4 variables Bcada una
independiente entre siC se distribuye se",n una distribucin normal.
%ste teorema se aplica tanto a suma de variables discretas como de variables
continuas. Los parmetros de la distribucin normal son /edia nI Bmedia de la
variable individual multiplicada por el n,mero de variables independientesC, y
)arianza nI2nBvarianza de la variable individual multiplicada por el n,mero de
variables individualesC
E;e'l&, $e lanza una moneda al aire (44 veces, si sale cara le damos el valor ( y si
sale $ello el valor 4. -ada lanzamiento es una variable independiente que se
distribuye se",n el modelo de 0ernoulli, con media 4,? y varianza 4,3?. -alcular la
probabilidad de que en estos (44 lanzamientos sal"a ms de A4 caras.
La variable suma de estas (44 variables independientes se distribuye, por tanto, se",n
una distribucin normal.
/edia R (44 I 4,? R ?4
)arianza R (44 I 4,3? R 3?
*ara ver la probabilidad de que sal"an ms de A4 caras calculamos la variable normal
tipificada equivalente zRBA4:?4CL?R3.4
*or lo tanto *BxUA4C R *BzU3,4C R (: *BzZ 3,4C R ( : 4,HDD3 R 4,433E
%s decir, la probabilidad de que al tirar (44 veces la moneda sal"an ms de A4 caras
es tan slo del 3,3EM
DISTRI*UCIN LO9NOR+AL
-uando en una muestra con valores positivos se observa que el histo"rama dista de
ser sim#trico, suele ser ,til una transformacin lo"artmica de los datos para que los
valores resultantes ten"an una apariencia ms "aussiana, lo que permitir utilizar
despu#s t#cnicas de anlisis normal. $e dice en estos casos que los datos ori"inales
tienen distribucin lo"normal.
La distribucin lo"normal de parmetros m y s tiene tambi#n cate"ora propia como
modelo de sucesos aleatorios, no siendo extra'a su aparicin en contextos tales como
los de las ciencias naturales o de la industria. $u funcin de densidad toma la forma
(43
0 x e
2 s
1
) x ( /
2
2
) m -nx (
s 2
1
x
>

en la que se observar su similitud con la funcin de densidad de la distribucin

normal, aunque tomando valores no nulos slo en el semieje positivo de la recta real.
$u funcin de probabilidad acumulada es

,
_

x
m m
) x ( Q
x

siendo la distribucin de la normal tipificada Bmedia 4 y desviacin tpica (C.

DISTRI*UCIN NOR+AL *IDI+ENSIONAL
$i 2
I
es una variable aleatoria 7B4,(C,
C , B 7
2
2
I

. $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

es el coeficiente de correlacin entre las variables 2 y 1.

Las distribuciones -ondicionales presentan la caracterstica de ser
CO ( B C, x B N 7 y CO ( B C, y B N 7
3 3
y x
x
y
y
3 3
x y
y
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

: ! la izquierda de 2Rt, la funcin de distribucin de probabilidad es fBxCR4, si xZt,

esto es,
(4?

'

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

el coeficiente de correlacin y K un factor normalizado,

3
( 3
(
K

,
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
-

,
_

teniendo en cuenta que x y

y
-on distribucin mar"inal de 2

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