La Estadstica ha sido definida como el arte de

la decisin frente a la incertidumbre.

Un tpico problema estadstico:
Estudiando una enfermedad de corazn, en
personas de 18 aos o mayores, un
investigador a definido 4 factores
potencialmente asociados con el desarrollo
de la misma: la edad, el peso, el nmero de
cigarrillos fumados por da y los
antecedentes familiares de enfermedad
cardiaca.
Aqu se plantea un problema estadstico Qu
caractersticas lo identifican como tal?
El problema se asocia a un grupo de objetos o
personas acerca de los que van a realizarse
inferencias. Este grupo de objetos se llama poblacin.
Ciertas caractersticas de los miembros de la
poblacin son de particular inters. El valor de cada
una de esas caractersticas puede cambiar de objeto a
objeto dentro de la poblacin. Estas caractersticas se
llaman variables aleatorias: Variables por que
cambian de valor; aleatorias por que su
comportamiento depende del azar y es impredecible.
La poblacin es demasiado grande para ser estudiada
en su totalidad. Por tanto debemos hacer inferencias
sobre la poblacin basadas en lo observado estudiando
slo una porcin, o muestra, de objetos de la poblacin.
En el estudio de factores que afectan a la
enfermedad cardiaca, la poblacin es el conjunto de
todas las personas que padecen la enfermedad. Las
variables aleatorias de inters son la edad y el peso del
paciente, el nmero de cigarrillos fumados por da, y la
historia familiar. Es imposibles identificar y estudiar a
cada persona con enfermedad cardiaca. De este modo
cualquier conclusin debe basarse solamente en el
estudio de una porcin o muestra de esas personas.

Las variables aleatorias crecen dentro de dos
amplias categoras: continuas y discretas. Una variable
aleatoria continua es una variable que puede tomar
cualquier valor en algn intervalo o porcin continua de
los nmero reales. La variable edad en el estudio de la
enfermedad cardiaca es continua, como lo es la variable
peso.

Una variable aleatoria discreta es una variable que
puede toma su valor en puntos aislados. De este
modo el conjunto de valores posibles es un nmero
finito o infinito numerable. El nmero de cigarrillos
fumados por da es discreto.
Si el historial familiar se estudia registrando el
nmero de padres y abuelos que experimentaron
dolencias cardiacas, entonces esta variable es tambin
discreta. El conjunto de sus posibles valores es {0, 1, 2,
3, 4, 5, 6}, una coleccin finita. Las variables aleatorias
generalmente se indican con letras maysculas.

Una medida descriptiva relacionada con una
variable aleatoria, cuando la variable se considera sobre
toda la poblacin, se denomina parmetro. Los
parmetros se indican generalmente con letras griegas.

Un parmetro con el que a menudo nos
encontraremos es el valor promedio de la poblacin o la
media de la poblacin. Este parmetro se indica
mediante la letra griega . Por ejemplo, en el estudio de
las enfermedades cardiacas, estara interesado en
determinar el valor promedio de cigarros fumados al da
por los miembros de la poblacin.
No es posible obtener el valor exacto de este parmetro a
menos que sean estudiados todos los miembros de la
poblacin. Puesto que es imposible hacerlo, el valor
exacto de seguir siendo desconocido incluso tras
haber finalizado el estudio. Sin embrago, podremos
utilizar mtodos estadsticos para aproximarnos a su
valor basndonos en los datos obtenidos a partir de una
muestra de pacientes extrados de la poblacin.
Una medida descriptiva relacionada con una
variable aleatoria, cuando la variable slo se considera
sobre la muestra, se denomina estadstico. Los
estadstico tienen dos fines. Describen la muestra que
est disponible y sirven como aproximacin a los
parmetros correspondientes a la poblacin.
Por ejemplo, la media de cigarros fumados
diariamente por los miembros de una muestra de
pacientes con enfermedades cardiacas es un estadstico.
Se denomina promedio de la muestra o media de la
muestra. Su valor para una muestra dada,
probablemente no ser exactamente igual a la media
de la poblacin. Sin embargo, se espera que al menos su
valor se aproxime a .
VARIABLES ALEATORIAS DISCRETAS
Sea (O,P) un espacio medible de probabilidad.
Sea X una variable aleatoria. Si el nmero de imgenes
de la variable aleatoria X ( Recorrido de X ) es finito o
infinito numerable. Se dice que X es una variable
aleatoria discreta ( v.a.d. ) .
Notacin: Rec X.= x1,x2,...,xn` caso finito
Rec X = x1,x2,..... ` caso infinito.
FUNCION DE CUANTIA
Sea (O,P) un espacio medible de probabilidad.
Sea X una variable aleatoria discreta y sea P la funcin
de probabilidad, tal que la funcin compuesta P
o
X =
P(X) tiene un dominio en el Recorrido de X ( Rec X ) y
su codominio en | 0,1 |.
Esta funcin se conoce por funcin de cuanta de
la variable aleatoria X, tal que cumple las
siguientes propiedades:

1.- P( X = x ) > 0 x e Rec. X

2.-

= =
recX
x X P 1 ) (
Grfico:

1 -








0 x1 x2 x3 xn Rec X


FUNCION DE DISTRIBUCION ACUMULADA

Sea (O,P) un espacio medible de probabilidad.
Sea X una variable aleatoria discreta y sea P(X) la
funcin de cuanta de X. La funcin de distribucin
acumulada de la variable aleatoria X se define en una
sumatoria parcial, a travs del recorrido de X, es decir :

F
X
(x) = P(X s x ) =

=
=
x
x k
k X P
1
) (

Grfico:

F(x) 1


........





0 x1 x2 x3 xn Rec. X
La funcin de distribucin acumulada de X cumple las
siguientes propiedades:
1.- F
X
(x) > 0 x e Rec. X v.a.d.

2.- F
X
(x) es una funcin no decreciente,
es decir X
i
< X
j
entonces F
X
(x
i
) s F
X
(x
j
)
3.-


4.- P( X > x ) = 1 P( X s x )
Lim F
X
(x) = 0 y Lim F
X
(x) = 1
X - X +
ESPERANZA DE UNA VARIABLE ALEATORIA DISCRETA

Sea (O,P) un espacio medible de probabilidad.
Sea X una variable aleatoria discreta y sea P(X) la funcin de
cuanta de X. La esperanza de X se calcula:

E ( X ) =


La esperanza significa obtener un valor promedio ponderado de
todos los valores que puede tomar el recorrido de la variable
aleatoria discreta X, con sus respectivas probabilidades
puntuales.

=
cX
x X P x
Re
) ( *
PROPIEDADES DE LA ESPERANZA DE UNA
VARIABLE ALEATORIA DISCRETA X
Sea X una variable aleatoria discreta y sea P(X) la
funcin de cuanta de X. Sea a y b dos constantes
e 9.
1.- E ( a ) = a

2.- La esperanza es un operador lineal, es decir
E ( a X ) = a E ( X )

3.- La esperanza de una funcin lineal:
E (aX+b)=a E (X) + b
4.- Sea g(X) una funcin de variable aleatoria X, tal
que

E(g(X)) =

5.- El valor esperado del valor esperado de una variable
aleatoria es el valor esperado de una variable aleatoria.

E ( E ( X ) ) = E ( X )

=
cX
x X P x g
Re
) ( * ) (
6.- Sean X1,X2,...,Xn n variable aleatorias tal que


7.- Sean X1,X2 variables aleatorias discretas
entonces
E( X1 X2 ) = E (X1)*E (X2 )


= =
=
n
i
n
i
Xi E Xi E
1 1
) ( ) (
VARIANZA DE UNA VARIABLE ALEATORIA
DISCRETA
Sea (O,P) un espacio medible de probabilidad.
Sea X una variable aleatoria discreta y sea P(X) la funcin de
cuanta de X. La varianza de X se calcula:

V ( X ) = E ( X - E ( X ))
2
=

O tambin
V ( X ) = E ( X - E ( X ))
2
= E ( X
2
) - ( E ( X ) )
2
Donde
E ( X
2
) =

La varianza significa obtener una medida de variacin de todos
los valores que puede tomar el recorrido de la variable
aleatoria discreta X, con respecto a la esperanza de la variable
aleatoria X.

e
=
c x
x X P X E x
Re
2
) ( * )) ( (

e
=
c x
x X P x
Re
2
) ( *
PROPIEDADES DE LA VARIANZA DE UNA
VARIABLE ALEATORIA DISCRETA X

Sea X una variable aleatoria discreta y sea P(X) la
funcin de cuanta de X. Sea a y b dos
constantes e 9.
1.- V ( a ) = 0
Demostracin:
V ( a ) = E ( a E (a ) )
2
= E ( a a )
2
= 0

2.- V ( a X ) = a
2
V ( X )
3.- V( aX+b ) = a
2
V(X)
4.- Sea g(X) una funcin de variable aleatoria X, tal
que
V (g(X)) = E (g(X) - E (g(X)) )
2
=

E ( g(X)
2
) - ( E ( g(X) ) )
2
Donde
E ( g(X)
2
) =

e
=
c x
x X P x g
Re
2
) ( * ) (
5.- Sean X1 e X2 variables aleatorias independientes
entonces COV (X1,X2) = 0,
y adems se cumple:
V ( X1 + X2 ) = V ( X1 ) + V ( X2 )
V ( X1 - X2 ) = V ( X1 ) + V ( X2 )
6.- Sean X1 e X2 variables aleatorias dependientes
entonces:
V ( X1 + X2 ) = V ( X1 ) + V ( X2 ) + 2 * COV ( X1,X2 )
V ( X1 - X2 ) = V ( X1 ) + V ( X2 ) - 2 * COV ( X1,X2 )
Donde COV (X1,X2) = E(X1,X2) - E(X1)*E(X2)
Donde
E(X1,X2) =

e e
= =
1 Re 1 2 Re 2
) 2 2 , 1 1 ( 2 1
cX x cX x
x X x X P x x
Ejercicio:
Sea X el nmero de casos nuevos de SIDA diagnosticados
en un importante hospital, durante un da. La distribucin
Acumulada para X es la siguiente:


Encontrar la probabilidad de que en un da cualquiera:
Por lo menos tres casos sean diagnosticados.(0.7)
Por lo menos un caso nuevo sea diagnosticado.(0.9)
Ningn caso nuevo sea diagnosticado.(0.1)
Entre dos y cuatro casos nuevos inclusive, sean
diagnosticados.(0.6)
Encontrar la funcin de cuanta para X.(f(X))
Encontrar la media de casos diagnosticados al da.(3.1)
X 0 1 2 3 4 5 6
) ( X F 0.1 0.2 0.3 0.6 0.8 0.9 1

EJEMPLO :
Supongamos que la probabilidad de
tener un hijo hombre es 0.6.
Sea X el suceso : tener un hijo varn
Si una mujer tiene 4 hijos.
Cul es la probabilidad de que tenga al menos un hijo varn?
H : xito
M : fracaso
Luego:
=P(X > 1) = P(X = 1) + P(X = 2) + P(X = 3) + P(X = 4)

Para P(X = 1)

HMMM, MHMM, MMHM, MMMH
P(de tener al menos un hijo varn )
Luego:
P (X = 1) = 0.6 (0,4)
3
+ 0.6 (0,4)
3
+ 0.6 (0,4)
3
+ 0.6 (0,4)
3

P (X = 1) = 4 0,6 (0,4)
3

= ( 0,6)
1
(0,4)
3
= 0,1536
Para P( X = 2)
HHMM, HMHM, HMMH, MHMH, MHHM, MMHH
)
4
1
(
Luego:
P(X = 2) = 6 (0,6)
2
+(0.4)
2
= (0,6)
2
(0,4)
2
=0,3456
Para P(X = 3)
HHHM , HHMH, HMHH, MHHH
P(X = 3) = 4 (0,6)
3
(0,4)= (0,6)
3
(0,4)
1
= 0,3456
Luego:
Para P(X = 4)
P(X = 4) = (0,6)
4
(0,4)
0
= 0,196
HHHH
)
4
2
(
)
4
3
(
)
4
4
(
Definicin :
Consideremos un experimento consistente en n
repeticiones; si definimos la variable aleatoria X como el
nmero de xitos obtenidos en estos n ensayos,
entonces:
P(X = x) = p
x
q
n-x
, x= 0, 1, ... , n
)
n
x
(
p : prob. De xito

q : prof. De fracaso
p + q = 1
y se dice que X tiene distribucin binomial de parmetros n y p y se anota X ~ b(n,p)
Adems :
1) E (X) = np

2) V (X) = n p q
EJEMPLO :
Una operacin muy riesgosa usada con
pacientes desahuciados tiene una tasa
de sobrevida del 80%.
Cul es la probabilidad de que exactamente el 80% de los 5
prximos operados sobreviva?
Sea X el suceso: el 80% de los 5 operados sobreviva
Como el 80% de 5 es 4, luego se pide calcular :
P(X = 4)
Luego: P(X = 4) = (0,8)
4
(0,2)
1
= 0,4096
)
5
4
(
Adems : p = 0,8 ; q = 0,2 , n = 5
Para aplicar el modelo binomial se deben
cumplir las siguientes condiciones:
1) El experimento debe constar de un nmero fijo
de ensayos n.

2) Los ensayos son dicotmicos (xito o fracaso).

3) Los ensayos deben ser independientes.

4) La probabilidad de xito en cada ensayo debe
ser constante.