Estadística: Definiciones básicas

Experimento o Encuesta: Se llama así a la observación planeada de un fenómeno de

cualquier índole con el objetivo de conocer su comportamiento, poder describirlo y/o tomar una
decisión.

Se llama Unidad experimental a cada uno de los entes que son observados en el
experimento.

Se llama Medición a la asignación, conforme a reglas preestablecidas, de valores (símbolos,

numerales o números), a cada una de las características que poseen las Unidades
Experimentales.

Se llama Escala de medición a una regla preestablecida o instrumento de medición, que

consiste en un conjunto de valores que se asignaran a una característica especifica que
poseen las Unidades de Experimentales.

Se llama Dato estadístico al valor asignado a una de las características de una Unidad
Experimental, conforme a la Escala de Medición empleada.

Un dato estadístico es el valor que resulta de una medición. Se pueden clasificar en:

Datos estadísticos cualitativos: Son aquellos valores correspondientes a los atributos o

propiedades categóricas que solo se pueden usar para identificar y describir a una Unidad
Experimental.

Datos estadísticos cuantitativos: Son aquellos valores que, además de identificar y describir
a una Unidad Experimental, establecen las diferencias posibles entre los valores en cantidad y
grado.

Escalas de medición

Escala nominal : Se usa únicamente para clasificar a los entes en distintas categorías. La
operación básica y más sencilla en todo proceso de investigación, es la clasificación, esto
significa separar las unidades experimentales desde el punto de vista de determinadas
características, decidiendo cuales son las que pertenecen a una misma clase y cuales
pertenecen a distintas clases. Esta escala se utiliza cuando los datos son cualitativos,
constituyendo el nivel más bajo de medición. Los valores correspondientes a esta escala
reciben el nombre de categorías y son simples etiquetas. Si algún numero se asocia a una
categoría, este estaría cumpliendo una función de código, de ninguna manera se pueden
utilizar para operaciones matemáticas. La relación lógica de la Escala Nominal es la relación
de equivalencia y posee las propiedades de simetría y transitividad.

Ej.: Provincia de origen del personal de una empresa: Los empleados de una empresa pueden
ser clasificados en las distintas provincias, pero no es posible establecer una jerarquía entre
ellas.

Escala Ordinal: Se usa para, además de clasificar a los entes en distintas categorías,
clasificarlos de acuerdo a su rango. Esta escala se utiliza cuando los datos son cualitativos, y
es posible ordenarlo de acuerdo a una jerarquía preestablecida de sus valores según el grado
que poseen. La escala Ordinal constituye un nivel de medición superior al de la Escala
Nominal. Cuando a las categorías se las representan con números, se hace la misma
salvedad que la realizada para la Escala Nominal. Las relaciones lógicas propias de esta
escala son, Relación de Equivalencia y la Relación de Origen y posee las propiedades de
simetría, para dos valores de la misma categoría; asimetría, para dos valores de distinta
categoría, y transitividad.

A<B<C<D

B tiene mayor jerarquía que A, C tiene mayor jerarquía B, D tiene mayor jerarquía que C, se
puede decir que la mayor diferencia jerárquica entre A y D es igual al agregado de las
diferencias jerárquicas entreA y B, y la diferencia jerárquica entre B y C, la diferencia
jerárquica entre C y D, pero no se puede establecer cuál de las diferencia jerárquicas parciales
es mayor.

Ej.: Grado de acuerdo con una determinada política del gobierno si las posibilidades son: muy
de acuerdo, de acuerdo y desacuerdo: Se puede establecer una relación de orden o jerarquía
entre las respuestas.

Escala de Intervalo o Distancia: Se usa para, además de clasificar a los entes en distintas
categorías y clasificarlos de acuerdo a su rango, poder establecer una distancia entre dos
cualquiera de ellos. Esta escala se utiliza cuando los datos son cuantitativos, por lo tanto los
valores de cada categoría necesariamente deben ser números.

A<B<C

ABC

Se puede decir que la distancia entre a y b es mayor que la distancia entre b y c, pero no se
pude establecer la proporcionalidad entre ellos. Al punto de origen de esta escala se le asigna
arbitrariamente el valor cero, llamado cero arbitrario, que no necesariamente indica ausencia
de la característica medida.

Ej.: Temperatura ambiente: Temperatura cero grados no indica ausencia de temperatura

Escala de Razón o proporción: Se usa para, además de clasificar a los entes en distintas
categorías, clasificarlos de acuerdo a su rango, y poder establecer una distancia entre dos
cualquiera de ellos, poder establecer una proporcionalidad entre dos cualquiera de ellos,
poder establecer una proporcionalidad entre dos cualquiera de ellos.

A<B<C
ABC

Se puede decir que la distancia entre a y b es mayor que la distancia entre b y c, como así
también se puede establecer la proporcionalidad entre ellos. El punto de origen de esta escala
es realmente cero, llamado cero real, que indica ausencia de la característica medida. Esta
escala constituye el nivel más alto de medición.

Ej.: Peso de una persona (en kg): Peso cero indica ausencia de peso.

Información: Al resultado de la evaluación de los datos estadísticos cuando se los compara

con una adecuada referencia.

Ej.: La edad mínima requerida para ver una determinada película en el cine es 16 años. Llega
una persona para ver la película y el empleado de la entrada le consulta la edad. Ella le
contesta que tiene 18 años y el empleado le permite entrar.

Referencia: Es la edad mínima, 16 años.

Dato estadístico: Es la edad de la persona, 18 años.

Información: Surge cuando se comparan las edades, la persona es apta.

Decisión: Es la acción del empleado, le permite la entrada.

Estadística

Es la disciplina científica que crea, desarrolla y aplica los adecuados métodos de recopilación
de datos, y su evaluación, para transformarlos en informaciones con las cuales se describan
objetivamente las distintas situaciones investigadas, se analice el comportamiento de
determinadas características que poseen las unidades experimentales, y se tomen decisiones
en condición de incertidumbre. Para que un evento sea objeto de análisis estadístico, debe ser
susceptible de presentar distintos resultados, aun cuando se lo repita bajo condiciones
similares. La tarea Estadística está presente cuando se necesita estudiar aquellas situaciones
que requieran ser medidas en similares condiciones y los resultados de estas puedan
presentar variabilidad.

Universo

Es el conjunto de Unidades Experimentales que poseen características comunes observables

para obtener información sobre un hecho particular. Puede ser finito o infinito. Se va a
determinar cuándo se establezca el objetivo del trabajo a realizar.

Se llama variable a cualquier característica observable que tienen las unidades

experimentales. Se llama recorrido de una variable al conjunto de los posibles valores que
ella puede asumir. De acuerdo al tipo de datos que original la variable, estas se clasifican en:

Variable cualitativa: Cuando los valores que puede asumir no constituyen un espacio
métrico. Esto quiere decir que no es posible establecer una distancia entre dos valores
cualesquiera, como así tampoco realizar operaciones algebraicas con los valores de una
variable cualitativa. Se miden en escala nominal o en escala ordinal.
Variable cuantitativa: Cuando los valores que puede asumir si constituyen un espacio
métrico. Esto quiere decir que es posible establecer la distancia entre dos valores
cualesquiera como así también realizar operaciones algebraicas con los valores de una
variable cuantitativa. Se miden en escala de Intervalo o de razón y los valores pueden ser
únicamente números.

Variable cuantitativa continua: Dado un intervalo [a; b] de números reales, si cualquier número
real que pertenece a dicho intervalo puede ser un valor de la variable, entonces la variable es
continua. Se originan cuando la característica a medir es una magnitud (longitud, superficie,
volumen) y no se establecen restricciones. El recorrido de una continua es siempre infinito no
numerable.

Variable cuantitativa discreta: Dado un intervalo [a; b] de números reales, si solo alguno
números reales que pertenecen a dicho intervalo pueden ser un valor de la variable, entonces
la variable es discreta. Se originan en los conteos, cuando se establecen restricciones al medir
magnitudes. El recorrido de una discreta es siempre finito o infinito numerable.

Se llama Población a cada una de las variables particulares que se estudian en un universo.
Se llama Muestra a un subconjunto o parte de una población sobre la base de la cual se
puede hacer un juicio acerca de esta.

Etapas de la tarea estadística

1. Enunciación del problema, definición del Universo e identificación de las variables.

2. Formulación de los instrumentos de medición: son aquellos con los cuales se obtienen y/o
registran los datos a medida que se los conoce o ellos se producen.

3. Recopilación de los datos: Forman la materia prima del proceso estadístico para la
obtención de información.

Fuentes internas o propias: Si el estadístico y el especialista deciden recopilar los datos por
cuenta propia lo pueden realizar de 3 formas clásicas:

· Registro: Es la recopilación sistemática de los datos en el momento que se producen. Ej. El

registro nacional de las personal o dentro de una empresa el registro de proveedores.

· Censo: Es la observación del universo y la medición, a la totalidad de las unidades

experimentales que lo conforman, de todas las variables que previamente hayan sido
declaradas relevantes para la investigación a llevar a cabo, en un instante dado. Es un método
estático de recopilación de datos.

· Muestreo: Es un conjunto de métodos que se utilizan para tomar una muestra, por lo tanto se
observa una parte del universo en un instante dado. Es un método estático de recopilación de
los datos.

Fuentes externas: Son las publicaciones. Si se utiliza este tipo de fuente para la obtención de
los datos hay que verificar la calidad y responsabilidad de la publicación tratando que, en lo
posible sea un material especializado.
· Fuente externa primaria: Cuando los datos publicados fueron recopilados directamente por
los responsables del medio que los reproduce, mediante alguno de los métodos descriptos
para las Fuentes Propias. Generalmente se recurre, como fuente externa primaria, a las
publicaciones de organismos oficiales, como el Instituto Nacional de Estadísticas y Censos.

· Fuente externa secundaria: Cuando los datos publicados no fueron recopilados directamente
por los responsables del medio que los reproduce. Generalmente las fuentes externas
secundarias son publicaciones periodísticas que reproducen datos recopilados y presentados
por otros organismos.

4. Presentación de los datos

Una vez que los datos se han recopilado es necesario que sean presentados en forma
efectiva, de modo tal que puedan ser comunicados y que, a la vez, permitan tanto, obtener
alguna información primaria, como así también, organizarlos para proceder al análisis.

Presentación escrita: Consiste en incorporar los datos en un párrafo combinando cifras y

textos. No es muy eficaz cuando hay gran cantidad de datos.

Cuadro estadístico : también llamado tabla estadística, es una técnica de presentación de

datos basada en un arreglo de filas y columnas donde se pueden clasificar los datos de
acuerdo a las características que se le estudian a las unidades experimentales, permitiendo
organizarlos adecuadamente.

· Cuadro estadístico de referencia: Son aquellos que se usan solo para publicar los datos y
son utilizados como fuente para otros trabajos.

· Cuadro estadístico de Análisis: Son aquellos que se utilizan para presentar los datos de
modo tal que facilite la realización de los cálculos matemáticos necesarios para el análisis de
los datos.

La diferencia entre ambos está en la forma en que se los utiliza y no en su estructura.

5. Análisis de los datos

Análisis estadístico descriptivo: Permite describir, en forma apropiada, el comportamiento

empírico de las variables, mediante el cálculo de algunas medidas capaces de resumir la
información que contienen los datos.

Análisis estadísticos inferencial: El análisis inferencial permite tener información acerca de una
población o tomar decisiones concernientes a ella, mediante los datos obtenidos con una
muestra.

Análisis probabilístico: Con la utilización de modelos teóricos, permite cuantificar la

incertidumbre que provocan los resultados de ciertos experimentos, cuando a estos no se los
puede predecir con exactitud, como así también, medir el “error” que pudiera cometerse en las
decisiones tomadas mediante el Análisis inferencial.

6. Interpretación de los resultados

Los resultados que se obtienen mediante el análisis de los datos están expresados en un
lenguaje estadístico. En esta etapa, el Estadístico y el Especialista deben “traducir” estos
resultados al lenguaje de la disciplina objeto de la investigación y entre ambos poder
compatibilizarlos, dado que toda conclusión estadística tiene asociada una conclusión
especifica donde se tomaras las decisiones.

Se llama regularidad estadística a la información del comportamiento de una variable, que

proporciona el registro ordenado de sus valores observados. El conocimiento de la regularidad
estadística permitirá la construcción de modelos teóricos con los cuales realizar predicciones
confiables sobre los eventos que son investigados.

Cantidades absolutas y relativas

Los Datos Cuantitativos que se obtienen mediante la recopilación de los datos para realizar un
determinado trabajo, según el tipo de información que se quiera proporcionar, se pueden
expresar de dos maneras:

· En forma absoluta, si solamente se quiere mostrar la cuantía de la magnitud

· En forma relativa, si a la cuantía de la magnitud medida, se la quiere relacionar con otro valor
de la misma magnitud.

Esto da origen a los dos tipos de cantidades:

Cantidades absolutas: Son aquellos datos cuantitativos que, cuando son presentados y/o
analizados, están expresados en las unidades de medida correspondientes a la magnitud que
se está midiendo.

Cantidades relativas: Son aquellos datos cuantitativos que surgen del cociente entre dos
cantidades absolutas correspondientes a la misma magnitud y unidad de medida.

Se llama Proporción estadística a la cantidad relativa que se obtiene haciendo el cociente

entre una parte y su correspondiente total.

Cuadro estadístico

Es un arreglo de filas y columnas dispuestas metódicamente de modo tal que se puedan

presentar y organizar los datos para clasificarlos adecuadamente. Deben estar estructurados
teniendo en cuenta las siguientes partes componentes:

1. Titulo: Debe describir concisamente el contenido del cuadro Ej.: que son los datos, donde
fueron recopilados, como están clasificados, cuando ocurrieron los eventos que dieron origen
a los datos.

2. Nota de encabezado: Se incorpora al cuadro para explicar ciertos puntos relacionados con
la tabla completa que no han sido incluidos en el titulo o cuando se quiere hacer una
ampliación de éste, ya sea detallando algún elemento importante o aclarando la unidad de
medida de la magnitud que corresponde a los datos.

3. Columna Matriz: Teniendo en cuenta la naturaleza fundamental de los datos estadístico que
se quieren presentar, se debe establecer cuál de las variables se considera más significativa o
más importante. Los valores correspondientes a esta se disponen en la primera columna del
cuadro.

4. Encabezado de las columnas: Los valores de las otras variables que quieran ser
presentadas junto a la variable más significativa, o algunas características especiales de esta,
generalmente se disponen en columnas, cuyos títulos constituyen el Encabezado de las
columnas.

5. Cuerpo: Es el conjunto de celdas que se forman con la intersección de filas y columnas.

Estas se llama unidad básica de presentación del cuadro, y en cada una de ellas se registran
los datos correspondientes.

6. Nota al pie: Cuando es necesario clarificar o explicitar algún dato o elemento en particular,
se realiza una nota específica a pie del cuadro.

7. Fuente: La fuente es el ultimo ítem que se presenta en todo cuadro, y en ella se consigna el
origen y la forma de relevamiento de los datos.

Gráficos

Es un dibujo metódicamente realizado para presentar los datos y expresarlos en forma

plástica. Debe estar estructurado

1. Titulo: Debe describir concisamente el contenido del cuadro Ej.: que son los datos, donde
fueron recopilados, como están clasificados, cuando ocurrieron los eventos que dieron origen
a los datos.

2. Nota de encabezado: Se incorpora al grafico cuando se quiere hacer una ampliación del
título, ya sea detallando algún elemento importante o aclarando la unidad de medida de la
magnitud que corresponde a los datos.(debajo del título y entre paréntesis)

3. Diagrama: Está formado por los distintos trazos que se utilizan para realizar los dibujos.
Estos trazos pueden ser líneas, rectángulos, etc.

4. Nota al pie: Cuando es necesario clarificar o explicitar algún dato o elemento en particular.

5. Fuente: es el ultimo ítem que se presenta en todo grafico, y en él se consigna el origen y la

forma de relevamiento de los datos.

Tipos de gráficos estadísticos

Según el tipo de diagrama que se utiliza para realizar los gráficos, estos reciben distintas
denominaciones:

Grafico estadístico lineal: Se utiliza para representar valores de 2 variables cuantitativas

presentadas conjuntamente, o mostrar la evolución de una variable cuantitativa a través del
tiempo, usando para ello un sistema de coordenadas. El diagrama está formado por líneas
rectas que unen los puntos del plano que representan valores de las variables.
Es posible que se quisiera mostrar la evolución de un Total conjuntamente con las Partes que
lo componen. En este caso se llama lineal de partes componentes, y en él se realizan
diagramas simultáneos.

Grafico estadístico de barras: Se utilizan, fundamentalmente, cuando una de las variables es

cualitativa. Consiste en rectángulos dibujados en un sistema de coordenadas cartesianas
ortogonales y la base de ellos puede estar, indistintamente, sobre el eje de abscisas o sobre el
eje de ordenadas según sea el eje que este representando a la variable cualitativa. Cada
rectángulo recibe el nombre de barra.
Si se quiere mostrar la incidencia que tienen cada una de las partes que forman los totales
representados en cada una de las barras, a estas se las particiona proporcionalmente dando
origen a un grafico de barras llamado de barras segmentadas.

Si se quiere resaltar la comparación entre las barras, se dibujan barras adyacentes que
muestren cada parte, dando origen a un grafico de barras llamado Barras Agrupadas.

Gráficos circulares: Se utiliza para comparar partes de un total y su evolución en el tiempo o

en el espacio por tal motivo se presenta un grafico para cada situación a comparar. Consiste
en un círculo dividido en tanto sectores circulares como partes componen los totales que se
quieren comparar. El ángulo correspondiente a cada uno de los sectores se determina de
modo tal que mantenga la misma proporción con el ángulo de la circunferencia de cada parte
con el total.
Análisis descriptivo

Distribución de las frecuencias: Al conjunto de datos dispuesto tal como se presentan, se lo

denomina Datos no agrupados. Si la cantidad de ellos es grande, la experiencia indica veinte o
más, y no están agrupados, es muy difícil poner en evidencia la regularidad estadística. En los
casos de contar con una gran cantidad de datos o valores de cada una de las variables, el
primer paso a realizar es ordenarlos agrupándolos en clases de equivalencia, para que
puedan ser estudiados convenientemente, logrando que se manifieste la regularidad
estadística, como así también, obtener otras informaciones que pueden resultar de interés.
Hay que proceder a una clasificación.

Se llama Frecuencia absoluta a la cantidad de datos, o valores observados de una variable,

que pertenecen a una misma clase de equivalencia.

Se llama Frecuencia relativa al cociente entre la frecuencia absoluta y la cantidad total de

observaciones.

Distribución de frecuencias: Relación de clasificación de los datos que asigna a cada valor,
o grupo de valores que formen una misma clase de equivalencia, de una o más variables, su
correspondiente frecuencia. Se utilizan para tener los datos estadísticos organizados,
clasificados y distribuidos en las distintas clases. Al conjunto de estos datos se lo
denomina datos agrupados en una distribución de frecuencias. Según la cantidad de
variables que se quiera clasificar las distribuciones pueden ser univariadas o polivariadas.

Frecuencia absoluta simple para variables discreta: Cantidad de veces que se repite un
valor de la variable. Para representarla se utiliza el grafico de bastones. En el eje de abscisas
se representa la variable en estudio y en el eje de ordenadas, la frecuencia
simple.

Frecuencia absoluta acumulada para variable discreta: La cantidad de unidades

experimentales con un valor de la variable menor o igual a un valor dado. Se presenta en
forma tabular y acompañada de la frecuencia absoluta simple.

q de q de Frecuencia
hijos mujeres acumulada
Xi fi Fi
1 3 3
2 4 7
3 7 14
4 4 18
5 2 20

Se utiliza el grafico escalonado o en escalera. En el eje de abscisas se representa la variable

en estudio, y en el eje de ordenadas, los valores de la frecuencia absoluta acumulada.

Frecuencia relativa simple: Cociente entre la frecuencia absoluta simple y la cantidad de

observaciones.

Frecuencia relativa acumulada: Al cociente entre la frecuencia absoluta acumulada y la

cantidad de observaciones.

Frecuencia absoluta simple para variable continua: La cantidad de unidades

experimentales cuyos valores observados de la variable pertenecen a un mismo intervalo de
clase.
Frecuencia absoluta acumulada para variable continua: La cantidad de unidades
experimentales que tienen un valor observado de la variable menor al límite superior de un
intervalo.

Gráficos que se utilizan:

Variables discretas

Frecuencia relativa simple: bastones

Frecuencia relativa acumulada: escalones

Variables continuas

Frecuencia relativa simple: Histograma

Frecuencia relativa absoluta: Ojiva

Medidas de concentración: Son aquellas medidas con las cuales se puede establecer el
porcentaje de datos que está concentrado dentro de un determinado intervalo que contenga
una determinada concentración porcentual de datos. Tiene sentido cuando los datos están
agrupados en una distribución de frecuencias.

Rango percentilar: Es la frecuencia relativa porcentual que se acumula desde el mínimo valor
del recorrido hasta un valor dado de la variable. Se mide para un valor específico de la
variable y brinda el porcentaje de datos que se acumula entre el menor valor de la variable y el
valor dado. La diferencia entre los rangos percentilares de 2 valores de la variable X mide la
concentración de datos que hay en el intervalo formado por ellos.

Variables discretas: El rango percentilar para un valor dado queda determinado directamente
por la frecuencia relativa acumulada hasta dicho valor. No se requieren formulas especiales.

Variables continuas: Hay que diferenciar 2 situaciones:

a) Cuando el valor dado coincide con el límite superior de un intervalo, el rango percentilar
queda determinado directamente por la frecuencia relativa acumulada hasta dicho valor. No se
requieren formulas especiales.

b) Cuando el valor dado no coincide con el límite superior de un intervalo, para la

determinación del rango percentilar se requiere una formula de interpolación lineal.

Percentiles: Calcula hasta que valor se acumula una determinada frecuencia relativa.
El percentil de orden K es aquel valor hasta donde se acumula, a lo sumo, el K% de los
datos, y desde donde se acumula a lo sumo el 100-k%. El orden absoluto del percentil es la
frecuencia absoluta acumulada correspondiente al valor K, y se obtiene calculando el K% del
total de observaciones N.

Medidas de posición o de tendencia central

Son aquellos valores destacados con los cuales es posible representar a la totalidad de los
valores observados de la variable. No necesariamente son valores de la variable pero si están
expresadas en la misma magnitud. Las medidas son:

Modo : Es el valor de la variable que se presenta con mayor frecuencia.

Variables discretas: Se puede determinar mediante la sola inspección de la columna de las

frecuencias simples, absolutas o relativas.

Variables continuas: Con la inspección de los datos solo se puede obtener el intervalo de
mayor frecuencia. El intervalo de mayor frecuencia se llama Intervalo modal. El modo es un
valor que pertenece a dicho intervalo y para localizarlo hay que utilizar una formula de
interpolación

Mediana: Es el valor que supera y es superado por igual cantidad de observaciones.

Promedios simples: Ciertos valores que se obtienen mediante la aplicación de operadores

matemáticas, a la totalidad de los valores observados de dicha variable, bajo el supuesto de
que todas las unidades experimentales medidas tienen la misma importancia relativa.

El promedio o media aritmética de una variable X, es el número que resulta de sumar todos
los valores observados de la variable y dividir esta suma por la cantidad de unidades
experimentales que se tienen. Debe interpretarse como cuando le correspondería a cada uno,
si todos fuesen iguales.

Método de cálculo:

Valores de una variable sin agrupar

Valores de una variable discreta agrupada en una distribución de frecuencias simples

Valores de una variable continúa agrupados en una distribución de frecuencias absolutas

simples

Valores de una variables, discreta o continua, agrupados en una distribución de frecuencias

relativas simples

Se llama Desviación con respecto a la media aritmética, a la diferencia entre un valor

individual de la variable y su media aritmética.

Promedios ponderados

Se llama Ponderación a aquella cantidad que permite asignar a cada unidad experimental
que proporciona un valor de la variable en estudio, una determinada importancia o peso
relativo.

El promedio aritmético ponderado surge de hacer el cociente entre, la suma del producto de
cada valor de la variable y su correspondiente ponderación, y la suma de ponderaciones.

Medidas de variabilidad
Las medidas de tendencia central se las puede considerar como “representantes” de la
totalidad de los valores observados de una variable. Estas medidas serán buenas
representantes si los valores observados son homogéneos; esto quiere decir que si no hay
demasiada diferencia o desviación entre cada uno de ellos y alguna medida en particular,
entonces la medida en cuestión es representativa.

Las medidas de variabilidad son aquellas que permiten estudiar, como se desvían, en su
conjunto, los valores observados de una variable, con respecto a alguna Medida de Tendencia
Central.

La Varianza es una medida de variabilidad que mide el promedio aritmético del cuadrado de
los desvíos que se producen entre cada valor de la variable y la media

Propiedades de la varianza

· Es necesariamente un numero real no negativo

 De una constante es nula

· La varianza de la suma de una variable más, o menos, una constante, es igual a la varianza
de la variable.

Desvío estándar

Es la raíz cuadrada positiva de la varianza. Esta medida es la adecuada para establecer la

variabilidad que presentan los valores observados de la variable, en su conjunto, con respecto
a la Media aritmética.

Coeficiente de variación

Para poder establecer si la variabilidad alrededor de la Media Aritmética que presenta una
variable es baja o no, es necesario que el valor numérico del desvió estándar sea comparado
o relacionado con ella (la media). El Coeficiente de variación de una variable es el cociente
entre el desvío estándar y la media aritmética. Es un número puro, desprovisto de magnitud.
Su valor numérico permite establecer criterios generales acerca de la homogeneidad de los
datos, de la representatividad de la media y la comparación con la variabilidad de otras
variables aunque las unidades de medida o las magnitudes sean distintas.

Si el CV es menor o igual a 0,10 se puede considerar que la variable en estudio es

homogénea, y consecuentemente, la Media Aritmética es representativa.

Momentos empíricos

Son operadores matemáticos que se obtienen a partir de los valores observados de la

variable. Se clasifican en:

Momento empírico absoluto

Momento empírico centrado

Medidas de forma
Otra característica importante a tener en cuenta al analizar los valores observados de una
variable es la forma que presenta la distribución de frecuencias correspondiente ya que ello
permite visualizar aproximadamente cual podría ser el Modelo Matemático que mejor se ajusta
para describir el comportamiento de una variable.

La Simetría y la Curtosis son dos de los aspectos que permiten establecer dicha forma.

Una distribución de frecuencias es simétrica cuando:

Si la variable es discreta, las frecuencias simples correspondientes a valores de la variable

que equidistan de la media aritmética son igual.

Si la variable es continua, las frecuencias simples de los intervalos cuyos puntos medios
equidisten de la Media aritmética, son iguales.

Se llama Curtosis o apuntamiento, a una determinada relación entre la amplitud total y la

máxima frecuencia que presenta una distribución de frecuencia.

Probabilidad

Modelo deterministico: Es aquel modelo matemático que describe el comportamiento de las

variables cuyos valores quedan inequívocamente determinados a partir de las condiciones en
que se llevara a cabo el experimento que las origina.

Modelo no deterministico o estadístico: Aquel modelo matemático que describe el

comportamiento de las variables cuyos valores no quedan inequívocamente determinados a
partir de las condiciones en que se llevara a cabo el experimento que las origina.

Se llama Experimento aleatorio o estocástico a aquel fenómeno empírico que admite dos o
más resultados posibles y no se tienen elementos de juicio suficientes como para poder
predecir con exactitud cuál o cuáles de ellos ocurrirán, aunque se los repita bajo las mismas
condiciones.

Se llama Espacio muestral correspondiente a un experimento aleatorio, al conjunto de todos

los resultados posibles que puede presentar dicho experimento.

Ej.: Se espera, al azar, el nacimiento de una persona. El experimento consiste en observar el

color de ojos que tiene la persona recién nacida. El espacio muestral es azul, gris, verde,
marrón.

Se llama Suceso aleatorio, S, a cualquier subconjunto del espacio

muestral U, correspondiente a un experimento aleatorio E.

Suceso complementario: Aquel suceso que ocurre si, y solo si no se presenta el suceso S.

Suceso intersección o Conjunto: Aquel suceso que ocurre si, y solo si se presentan
conjuntamente dos o más de los sucesos que forman el espacio muestral.

Suceso unión incluyente: Aquel suceso que ocurre si, y solo si ocurre alguno de los sucesos
que forma el espacio muestral.
Suceso unión excluyente: Aquel suceso que ocurre si, y solo si ocurre solo uno de los
suceso que forman el espacio muestral.

Cuando en un mismo espacio muestral se definen dos o mas sucesos, estos, por la propia
naturaleza del experimento aleatorio que se lleva cabo, algunas veces podrían presentarse en
forma simultanea. Pero hay sucesos que nunca, bajo ninguna circunstancia, se presentaran
jutnos en la misma realización del Experimento Aleatorio.

Sucesos compatibles: Dos o mas sucesos son compatibles si y solo si es posible que se
presenten en forma conjunta.

Sucesos mutuamente excluyentes o incompatibles: Si y solo si la presentación de unos de

ellos impide, excluye, la presentación del o de los otros.

Se llama frecuencia relativa correspondiente al Suceso Aleatorio S, al cociente entre la

cantidad de veces que ocurrió el Suceso, y la cantidad de veces que se repitió el Experimento
E.

Fr (S)= K/N

Principio de estabilidad de la frecuencia relativa

Establece que la frecuencia relativa correspondiente a un suceso aleatorio, oscila, con una
cnvergencia asintótica, alrededor de un numero fijo, cuando la cantidad de observaciones del
Experimento Aleatorio crece indefinidamente.

En ocasiones, las personas deben decidir llevar a cabo acciones cuyo resultado no puede
predecirse con exactitud. Bajo ciertas condiciones, estas acciones se consideran
Experimentos Aleatorios. El desconocimiento del, o de los posibles resultados que se
obtendrán, genera cierto grado de incertidumre. Por tal motivo, al tomar la decisión, y para que
esta sea objetiva, debe contarse con un cuantificador, un numero capaz de proporcionar una
medida del estado de duda o vacilación en que se encuentre el “decididor”. El calculo de la
probabilidad permite cuantificar la incertidumbre que provoca el resultado de un Experimento
Aleatorio y medir la propensión a ocurrir que tiene cada uno de los resultados posibles.

Axiomas y teoremas básicos para el calculo de la probabilidad

Axiomas

1. La probabilidad de ocurrencia de un suceso aleatorio es un numero real no negativo.

2. Si el suceso aleatorio es el espacio muestra, a la probabilidad de ocurrencia del suceso se

le asigna el valor 1.

3. Sean S1 y S2 dos suceso mutuamente excluyentes perteneciente a un mismo espacio

muestral, la probabilidad de que se presente alguno de los dos, suceso unión, es igual a la
probabilidad de que se presente el suceso S1, mas la probabilidad de que se presente el
suceso S2.

4. Sean S1; S2;…;Sk K sucesos mutuamente excluyentes de A pares, pertenecientes a un

mismo espacio muestral, la probabilidad de que se presente alguno de ellos, suceso unión, es
igual a la probabilidad de que se presente el suceso S1 mas la probabilidad de que se
presente el suceso S2 mas, etc, mas la probabilidad de que se presente el suceso Sk.

Teoremas

1. Si el suceso aleatorio es el conjunto vacio, la probabilidad de ocurrencia del suceso

aleatorio es 0.

2. La probabilidad de ocurrencia de un suceso mas la probabilidad de ocurrencia de su

complemento es igual a 1.

3. Si S1 y S2 son sucesos de un mismo espacio muestral, la probabilidad de que se presente

alguno de los dos, suceso unión incluyente, es igual a la probabilidad de que se presente el
suceso S1 mas la probabilidad d eque se presente el suceso S2, menos la probabilidad de
que se presenten conjuntamente.

4. Si S1 y S2 son sucesos de un mismo espacio muestral, la probabilidad de que se presente

solo uno de los dos, suceso unión excluyente, es igual a la probabilidad de que se presente el
suceso S1 mas la probabilidad de que se presente el suceso S2 menos el duplo de la
probabilidad de que se presenten conjuntamente.

5. La probabilidad de ocurrencia de un suceso es un numero real comprendido entre 0 y 1.

Probabilidad Marginal

Es la probabilidad de que se presente un suceso aleatorio S1 incluido en el espacio muestral

U asociado a un Experimento Aleatorio E.

Probabilidad conjunta (para 2 sucesos)

Es la probabilidad de que se presenten en el mismo experimento aleatorio dos sucesos

aleatorios S1 Y S2 incluido en el espacio muestral U, asociado a dicho experimento E.

Se llama Probabilidad condicional del suceso S1 tal que se haya presentado el suceso
S2, a la probabilidad de que se presente el suceso S1 con la condición de que previamente se
presente el suceso S2.

P(S1/S2)= Probabilidad condicional de S1 dado S2.

P(S1/S2)= P(S1S2)/P(S2)

La Probabilidad conjunta de presentacion del suceso S1 Y S2 se calcula multiplicando

la probabilidad marginal de uno de ellos y la probabilidad condicional del otro, dado el
primero. La operación matemática que se utiliza es la multiplicación, por tal motival la regla a
utilizar para el calculo de llama regla del producto.

Variables aleatorias
Los resultados de los experimentos aleatorios, cualesquiera que sean, tienen que estar
expresados cuantitativamente. Para ello, hay que contar con métodos capaces de definir
reglas precisas que asignen números reales a los resultados de los experimentos
aleatorios, teniendo en cuenta que se quiere medir y como se quiere medir.
Variable aleatoria: Es una función, o regla bien definida, que asigna, a cada elemento del
espacio muestral, un vector perteneciente a un espacio vectorial.
Variables aleatoria unidimensional: Cuando, a cada elemento del espacio muestral, se
asigna un escalar perteneciente al conjunto de números reales.
Recorrido de una variable aleatoria unidimensional: Conjunto formado por los números
reales que se pueden asignar a dicha variable.
Es conveniente recalcar el hecho de que se puede concebir una variable aleatoria de dos
maneras:
• Se realiza un Experimento aleatorio E que tiene un resultado u=U, y luego se le asigna a
este resultado el valor numérico x(U)€R
• Se realiza un experimento aleatorio E que tiene un resultado u=U. Si la observación
consiste en realizar mediciones cuantitativas, el resultado u, es un número real. Si la
unidad de medida correspondiente a dicho resultado coincide con “como se quiere medir”
o sea, la unidad de medida de la variable aleatoria definida, entonces, u es igual a x(u), y
U es igual a R(x). Si la unidad de medida de la magnitud de la variable no coincide con la
medición realizada son dos números reales distintos.
Variable aleatoria discreta unidimensional: Es aquella variable aleatoria cuyo recorrido es
finito o infinito numerable.
Distribución de probabilidad univariada
Funciona de probabilidad puntual: Asigna a cada valor del recorrido de dicha variable, un
numero real no negativo, llamado probabilidad puntual, de modo tal que la suma de todos
estos valores, a través del recorrido de la variable , debe será igual a la unidad. Debe
cumplir dos condiciones:
1) Condición de no negatividad; El número real asignado debe ser no negativo.
2) Condición de cierre: La suma de todos los números reales asignados por la función de
probabilidad puntual, a cada valor de la variable discreta, debe ser igual a uno.
Una variable discreta, X, queda estrictamente definida cuando se establece su función de
probabilidad puntual. La función de probabilidad puntual puede ser graficada utilizando las
coordenadas ortogonales, donde los valores de la variable se ubican en el eje de abscisas
y los correspondientes valores puntual, en el eje de ordenadas. (Grafico de Bastones)
Función de distribución: Función que asigna a cada valor del recorrido, un número real
que representa la suma de todas las probabilidades puntuales, desde el primero hasta el
valor en cuestión.
La función de distribución acumulada puede ser graficada utilizando las coordenadas
cartesianas ortogonales, donde los valores de la variable se ubican en el eje de abscisas
y los correspondientes valores de probabilidad acumulada, en el eje de ordenadas.
(Grafico escalonado)
El conjunto de pares ordenados {Xi; F(Xi)}, para todo i, se llama función de distribución de
probabilidad. Es la distribución acumulada hasta un valor de la variable, o simplemente
Distribución acumulada.
Función de distribución complementaria: Función que asigna a cada valor del recorrido,
un número real que representa la suma de todas las probabilidades puntuales, desde el
valor en cuestión hasta el último.
El conjunto de pares ordenados {Xi; G(Xi)}, para todo i, se llama función de distribución
complementaria de probabilidad. Es la distribución acumulada desde un valor de la
variable, o simplemente Distribución desacumulada.
• La suma entre el valor de la función de distribución correspondiente a un valor de la
variable y el valor de la función de distribución complementaria correspondiente al
siguiente valor de la variable, es siempre igual a uno.
Percentiles
Percentil de orden K (O<K<100 / K€r) de una variable aleatoria discreta a un valor Xk, tal
que, hasta el valor de variable inmediato anterior, se acumule, a lo sumo, una probabilidad
igual a K/100 y, desde el valor de variable inmediato posterior se acumule, a lo sumo, una
probabilidad igual a (1-K/100).

Variables aleatorias continuas unidimensionales

Las variables continuas por tener un recorrido infinito no numerable, no permiten una
clasificación puntual de sus valores, sino que su análisis debe hacerse utilizando
intervalos de clase. También, el histograma de las frecuencias relativas simples, debe
cubrir una superficie igual a uno.
Por otro lado, la cantidad de intervalos de clase que se necesitan para clasificar a las
unidades experimentales dentro de la amplitud total, depende de la cantidad de
observaciones. Si esta cantidad tiende a infinito, consecuentemente la amplitud de cada
intervalo tiende a cero.
Una variable con recorrido infinito no numerable es una variable aleatoria continua en un
determinado intervalo de números reales, si existe una función real que en dicho intervalo,
cumpla con las siguientes dos condiciones: Sea no negativa y cubra una superficie igual a
1.
Función de densidad de probabilidad: Es la función real que cumple con la condición de
no negatividad y con la condición de cierre.
Una variable aleatoria continua queda definida cuando se conoce su función de densidad
de probabilidad. Una función de densidad de probabilidad está definida únicamente en el
recorrido de la variable aleatoria, o sea, el intervalo {a;b}, fuera de este intervalo dicha
función es nula.
La función de densidad de probabilidad de una variable aleatoria continua explica el
comportamiento probabilístico de esta variable.
Con la función de densidad de probabilidad es posible calcular la probabilidad de
ocurrencia de los valores de una variable aleatoria continua, teniendo en cuenta las
siguientes reglas:
• Dados dos valores de la variable continua X, X1<X2 que pertenezcan al intervalo {a;b} la
probabilidad de encontrar un valor de la variable entre ellos esta dadas por la superficie
que encierra la función entre dichos puntos.
• La probabilidad de que la variable X tome un valor individual X3 es nula. En un punto no
hay superficie.
• Si la probabilidad puntual es igual a cero, cuando se calcula la probabilidad de que un
valor de la variable pertenezca a un intervalo determinado, es indistinto que este sea
cerrado o abierto.
Función de distribución
Sea X una variable aleatoria continua con función de densidad de probabilidad f(x)
definida en el intervalo de números reales {a;b}. Se llama función de distribución, F(x), a
un modelo matemático o función no decreciente, que asigna a cada valor de la variable
aleatoria un valor de probabilidad acumulada desde el límite inferior del recorrido, hasta
ese valor.
Función de distribución complementaria
Sea X una variable aleatoria continua con función de densidad de probabilidad f(x)
definida en el intervalo de números reales {a;b}. Se llama función de distribución
complementaria, G(x), a un modelo matemático o función no creciente, que asigna a cada
valor de la variable aleatoria un valor de probabilidad acumulada desde un valor de la
variable, hasta el límite superior del recorrido.
La suma entre el valor de la función de distribución correspondiente a un valor de la
variable y el valor de la función de distribución complementaria correspondiente a dicho
valor de la variable es igual a uno.
Percentil de orden K (O<K<100 / K€r) de una variable aleatoria continua al valor de la
variable Xk, donde se acumule, una probabilidad igual a K/100.
Es posible obtener una función de proporciones lo percentiles (o fractiles) buscando la
inversa de la función de distribución. Esta función recibe el nombre de Función percentilar.
La función de distribución surge de integrar la función de densidad de probabilidad de la
variable aleatoria continua utilizando como límite inferior de integración el límite inferior del
recorrido, y como límite superior de integración, el valor de la variable.
Momentos teóricos
Una función de probabilidad o una función de densidad de probabilidad, por ser Modelos
Matemáticos, son Modelos Teóricos. Con estas funciones se puede predecir el
comportamiento probabilístico de las variables aleatorias. Permiten calcular valores
teóricos relacionados con dichas variables. Valores que se esperan, en promedio, si el
experimento aleatorio se desarrolla bajo las mismas condiciones.
Se llama Momento de una variable aleatoria al valor esperado o esperanza matemática de
una función de la variable.
Se llama Momento o esperanza matemática de una función generada con una variable
aleatoria discreta, a la suma del producto de cada valor numérico de la función por el
correspondiente valor de probabilidad puntual, a través del recorrido de la variable.

Se llama Esperanza matemática de una función generada con una variable aleatoria
continua, a la integral, a través del recorrido de la variable, del producto de la función
dada por la función de densidad de probabilidad de la variable.

Momento absoluto de orden K: Es la esperanza matemática de la potencia K-esima de la

variable aleatoria.
El momento absoluto de orden 1 es el promedio o media aritmética esperada de la
variable aleatoria. La interpretación del promedio esperado o media aritmética esperada
es el valor que se espera obtener, en promedio, si el experimento es repetido bajo las
mismas condiciones, una cantidad muy grande de veces.
Momento centrado teórico de orden K: Es la esperanza matemática de la potencia k-
esima de la desviación de la variable aleatoria con respecto a la media aritmética
esperada.
El momento centrado de orden 2 es la varianza esperada de la variable aleatoria.
Función generatriz de momentos
Sea X una variable aleatoria y t una variable real, no aleatoria, se llama función generatriz
de momentos de la variable X, a la esperanza matemática de la potencia X.t del numero
E.
• La función generatriz de momentos es única y determina por completo la distribución de
probabilidad de una variable aleatoria. Esto quiere decir que si dos variables tienen la
misma función generatriz de momentos, entonces tienen la misma distribución de
probabilidad.
• El momento absoluto de orden K se obtiene realizando la derivada k-esima de la función
generatriz de momentos, con respecto a la variable t y valorizando dicha derivada en el
origen de la variable t(t=0)
Desvío estándar: Es la raíz cuadrada positiva de la varianza esperada.
Coeficiente de variación: Es el cociente entre el desvío estándar y el promedio o media
aritmética esperada.
Mediana:
• De una variable aleatoria discreta es el valor tal que, hasta el valor de variable inmediato
anterior, se acumule, a lo sumo, una probabilidad de 0,50 y desde el valor de variable
inmediato posterior se acumule, a lo sumo, una probabilidad de 0,50.
• De una variable aleatoria continua al valor de la variable hasta donde se acumula una
probabilidad exactamente igual a 0,50.
Modo:
• De una variable aleatoria discreta al valor de la variable mas probable, o de máxima
probabilidad, dentro de un entorno de dicho valor. Si todos los valores de una variable
aleatoria discreta tienen igual valor de probabilidad puntual entonces no existe modo.
• De una variable aleatoria continua al valor de la variable con el que la función de
densidad de probabilidad alcanza un máximo relativo.
Coeficiente de asimetría
• Función de probabilidad: Una distribución de probabilidad de una variable discreta es
simétrica, si las probabilidades puntuales correspondientes a valores de la variable que
equidistan de la media aritmética esperada son iguales
• Función de densidad de probabilidad: Una distribución de probabilidad de una variable
continua es simétrica, si las imágenes de la función de densidad de probabilidad
correspondientes a valores de la variable que equidisten de la media aritmética esperada
son iguales.
Propiedades del promedio y de la varianza
• El promedio esperado de una constante, es la constante misma y la varianza esperada
de una constante es nula.
• El promedio esperado de la suma de una constante mas una variable, es igual a la
constante mas el promedio esperado de la variable y la varianza de la suma de una
constante mas una variable es igual a la varianza de la variable.

• La esperanza matemática o promedio del producto de una constante por una variable,
es igual al producto entre la constante y la esperanza matemática o promedio de la
variable y la varianza del producto de una constante por una variable es igual al producto
entre el cuadrado de la constante y la varianza de la variable.

Teorema de tchebycheff
Sea X una variable aleatoria, discreta o continua, con esperanza matemática finita y
varianza finita, y sea K un número real positivo mayor a uno. Cualquiera sea la
distribución de probabilidad de la variable aleatoria X, siempre se cumple que:
La probabilidad de que, el modulo de la desviación ente un valor de la variable y el
promedio esperado, sea mayor o igual, a k veces el desvío estándar (K>1), es a lo sumo
1/K₂

Variable estandarizada
Se llama variable estandarizada de una variable aleatoria, discreta o continua, a la
variable que se genera haciendo el cociente entre, la diferencia entre la variable original y
su esperanza matemática, y la raíz cuadrada positiva de la varianza. Toda variable
aleatoria estandarizada, tiene esperanza igual a cero y varianza igual a uno, cualquiera
sea la naturaleza de la variable original que se está estandarizando.
Aplicaciones de la variable estandarizada
Estandarizar una variable aleatoria, la variable original, es transformar los valores de ella,
que están expresados en unidades de la magnitud original, a valores en unidades de
desvió estándar. En otras palabras, el valor de la variable estandarizada indica a qué
distancia, a cuantos desvíos estándares, y en qué posición (izquierda o derecha) se
encuentra el correspondiente valor observado de la variable en estudio, con respecto a su
media aritmética.
Esta transformación hace posible que se pueda comparar la desviación con respecto al
promedio aritmético, de valores individuales correspondientes a variables aleatorias que
representan distintas circunstancias, o distintos grupos, o medidas en distintas unidades
de magnitudes.
Leyes de probabilidad específicas
Experimento aleatorio dicotómico: Aquel experimento aleatorio cuyo espacio muestral
tiene solo dos resultados posibles mutuamente excluyentes.
Permutaciones: Dado un conjunto formado por n elementos, se llama permutación de n a
cualquier arreglo ordenado de los n elementos. La cantidad de permutaciones que se
pueden formar ordenando los n elementos de distinta manera, se calcula con un numero
llamado factorial de n.
Espacio continuo: Es un recinto de infinitos puntos donde en cualquiera de ellos es
posible encontrar un elemento. Son las magnitudes (longitud; superficie; tiempo)
Distribución de Bernoulli: Es una función que proporciona valores de probabilidad a una
variable aleatoria discreta que denota la presencia o ausencia de un determinado atributo.
Si el atributo no se presenta, se asigna a la variable el valor cero; si el atributo se presenta
se asigna a la variable el valor uno.
La cantidad de elementos con un determinado atributo que se presenta en una
observación de un experimento aleatorio dicotómico, es una variable aleatoria discreta, r,
cuya función de probabilidad es llamada distribución de bernoulli.

Repetición de un experimento aleatorio dicotómico: Cada vez que el experimento aleatorio

dicotómico se repite, los elementos que tengan el atributo que se está considerando
pueden presentarse o no, es aleatorio, entonces, en las n repeticiones del experimento,
habrá algunos elementos que tengan el atributo, o puede ser que ninguno tenga el
atributo, o todos tengan el atributo.
Distribución Hipergeometrica:
• Modelo probabilístico para una variable aleatoria discreta.
• Modelo que corresponde a aquellos experimentos aleatorios donde se realizan
sucesivas observaciones de unidades experimentales sin reposición.
• La no reposición provoca un cambio en el valor de probabilidad de ocurrencia del
atributo por tal motivo las observaciones no son independientes.
• Las n repeticiones del experimento aleatorio dicotómico no son independientes, o sea, la
probabilidad de que se presente un elemento con un determinado atributo no permanece
constante a través de las n observaciones.
La cantidad de elementos con un determinado atributo, que se presentan en n
observaciones dependientes de un experimento aleatorio dicotómico, es una variable
aleatoria discreta, r, cuya función de probabilidad es llamada distribución hipergeometrica.

Distribución Binomial
• Las n observaciones son independientes: la probabilidad de que se presente un
elemento con un determinado atributo permanece constante a través de las n pruebas.
La cantidad de elementos con un determinado atributo, que se presentan en n
observaciones independientes de un experimento aleatorio dicotómico, es una variable
aleatoria discreta, r, cuya función de probabilidad es llamada distribución binomial.

Distribución geométrica
• La variable aleatoria es la cantidad de repeticiones independientes del experimento que
son necesarias para encontrar un elemento que tenga un determinado atributo.
• Si n es la cantidad de observaciones o repeticiones independientes del experimento
aleatorio dicotómico, entonces en las primeras (n-1) observaciones no se tiene que haber
presentado el elemento con el atributo.
La cantidad de observaciones independientes de un experimento aleatorio dicotómico
necesarias para encontrar 1 elementos con un determinado atributo, es una variable
aleatoria discreta, ñ, cuya función de probabilidad es llamada distribución geométrica

Distribución Pascal
• La variable aleatoria es la cantidad de repeticiones del experimento pero que son
necesarias para encontrar una cantidad fija, mayor a uno, de elementos que tengan un
determinado atributo.
• Esta variable es útil cuando se quieren concreta algunos trabajos de investigación, o
tener una correcta información acerca de determinadas situaciones, donde es necesario
contar con una cantidad fija de elementos que tengan un determinado atributo. Para ello,
habrá que repetir el experimento aleatorio tantas veces como sea necesario. Es decir, se
observan unidades experimentales sucesivamente hasta conseguir la cantidad con
atributo que se necesita, y recién, cuando ello se logra, se detienen las pruebas.

La cantidad de observaciones independientes de un experimento aleatorio dicotómico

necesarias para encontrar r elementos con un determinado atributo, es una variable
aleatoria discreta, ñ, cuya función de probabilidad es llamada distribución pascal.

Relación entre la distribución de pascal y la distribución binomial

Los valores de probabilidad puntual de la distribución de pascal se pueden obtener a partir
de la distribución binomial.
Si hay que encontrar exactamente r elementos que tengan un determinado atributo, o sea
r éxitos, y para ello hay que hacer exactamente n pruebas, necesariamente, el último éxito
encontrado, debe coincidir con el último elemento observado, porque cuando se lo
encuentra se detienen las pruebas.
Los (r-1) primeros éxitos pueden obtenerse en cualquiera de las primeras (n-1) pruebas
independientes, pero el r-esimo éxito debe estar en la n-esima observación.
Para calcular la probabilidad de encontrar (r-1) éxitos en (n-1) observaciones
independientes, hay que utilizar la distribución binomial. Si esta probabilidad se multiplica
por p, o sea por la probabilidad de encontrar el r-esimo éxito que falta se obtiene el mismo
valor de probabilidad que el que se obtiene cuando se calcula usando la distribución de
Pascal.
Distribución de Poisson
La distribución que se estudia en este punto se origino en el estudio de la cantidad de
elementos (personas, automóviles, llamadas telefónicas, etc.) que arriban en un
determinado periodo de tiempo. Posteriormente el análisis fue generalizado para otros
espacios continuos.
Dado un espacio muestral continuo de extensión t. En dicho continuo ocurren ciertos
acontecimientos en forma aleatoria formando una secuencia o flujo de acontecimientos.
Se supone que este flujo de acontecimientos satisfaces las siguientes condiciones:
1) Sean (t1;t2) y (t3;t4) dos intervalos cualesquiera del continuo, no superpuestos y
estadísticamente independientes, o sea que la probabilidad de que se produzcan
acontecimientos en uno de los intervalos, no depende de los que ocurrieron en el otro.
2) La probabilidad de que un acontecimiento se produzca en un intervalo infinitesimal
(t0;t0+∆t) es un infinitésimo de orden ∆t.
3) La probabilidad de que se produzcan dos o más acontecimiento en el intervalo
infinitesimal (t0;t0+∆t) es un infinitésimo de orden ∆t.
4) Los acontecimientos ocurren con una tasa media o frecuencia media o promedio de
presentación en el continuo conocido.
La cantidad de acontecimientos que se presentan en un continuo es una variable aleatoria
discreta.
La cantidad de elementos que se presentan al azar en un continuo de extensión t, y con
un promedio de presentación en el continuo igual a , es una variable aleatoria discreta, r~,
cuya función de probabilidad es llamada distribución de Poisson.

Aproximación de la distribución hipergeometrica a la distribución Binomial

Cuando hay que calcular un valor de probabilidad para una variable con distribución
hipergeometrica, frecuentemente, el tamaño del universo N es una cantidad grande en
relación con la cantidad de observación n. Tan grande es, que el numero combinatorio se
torna incalculable con los métodos corrientes. Cuando ello ocurre, el cálculo de las
probabilidades de la distribución hipergeometrica se hace utilizando la distribución
binomial.
El límite de la distribución hipergeometrica, cuando el tamaño del universo N tiende a
infinito, es la distribución binomial. Esto quiere decir que, si el tamaño del universo es
suficientemente grande, con relación al número de observaciones, aun cuando las
observaciones sean sin reposición, los valores de probabilidad puntual de la distribución
hipergeometrica se pueden calcular, aproximadamente con la distribución binomial.

Aproximación de la distribución binomial a la distribución de Poisson

Cuando hay que calcular un valor de probabilidad para una variable con Distribución
binomial, puede ocurrir que la cantidad de observaciones n, sea grande y la probabilidad
de encontrar un elemento con el atributo p, sea pequeña. Si n es muy grande el número
combinatorio se torna incalculable con los métodos corrientes. Si p es muy pequeño, la
potencia es prácticamente cero.
El límite de la distribución binomial, cuando la cantidad de observaciones n tiende a
infinito y la probabilidad de que se presente un elemento con un determinado atributo p
tiene a 0 es la distribución de Poisson.
Esto quiere decir que, si la cantidad de observación es suficientemente grande y la
probabilidad de encontrar un elemento con un determinado atributo es suficientemente
chica, los valores de probabilidad puntual de la distribución binomial, se pueden calcular,
aproximadamente, con la distribución de Poisson.

Variables aleatorias continuas

Para poder estudiar el comportamiento probabilístico de una variable aleatoria continua,
calcular los momentos, calcular los valores de probabilidad dentro de un intervalo dado,
etc. Es necesario conocer cuál es la función de densidad de probabilidad que las define.
Algunas variables están definidas por funciones de densidad de probabilidad cuyas
ecuaciones tienen ciertas características especiales y por ello se les ha asignado un
nombre con el que se las reconoce.
Distribución Uniforme
Una variable aleatoria continua X, definida en el intervalo de números reales {a;b} tiene
distribución uniforme si su función de densidad de probabilidad es

Características
1) a y b son los parámetros matemáticos de la función.
2) Por ser función de densidad de probabilidad la función de densidad uniforme cumple
con la condición de no negatividad y con la condición de cierre.
3) La función de distribución de la distribución uniforme es:

4) La función percentilar de la distribución uniforme es:

5) La función generatriz de Momentos es:

6) La esperanza matemática o promedio aritmético de la variable es

7) La varianza esperada de la variable es:

8) Dado que la función de densidad de probabilidad de la distribución uniforme es

simétrica se verifica que:

9) Dado que la función de densidad de probabilidad de la distribución uniforme no tiene

máximo relativo entonces la variable no tiene Modo.

Distribución Normal
La distribución normal es quizá, una de las más importantes, dado que es un modelo
teórico que se presenta con extraordinaria frecuencia como función de densidad de
probabilidad de las variables aleatorias continuas que se estudian en todas las ciencias.
No obstante, es necesario verificar, mediante metodologías que se estudiaran en cursos
más avanzados, la validez de la “normalidad” en las variables que se analizan, para evitar
errores en las decisiones.
Por otro lado, la distribución normal posee importantes propiedades que permiten analizar
el comportamiento de variables originadas en la suma o diferencia de otras variables;
como así también, bajo ciertas condiciones, puede ser utilizada como aproximación de
funciones de probabilidad para variables aleatorias discretas.
Una variable aleatoria continua X, definida para todos los números reales, tiene
distribución normal, si su función de densidad de probabilidad es

Características
1) Los números µ y ∂ de la función de densidad normal son los parámetros matemáticos
de la función
2) La función de densidad normal alcanza un máximo relativo cuando x= µ
3) La función de densidad normal tiene dos puntos de inflexión cuando:
X= µ - ∂ X= µ + ∂
4) La función de densidad normal es simétrica con respecto al punto de máxima ordenada
5) La función de densidad normal es asíntota al eje de abscisa.
Variable normal estandarizada o tipificada
El valor de la función de distribución de una variable aleatoria con distribución normal,
para el valor x, es igual al valor de la función de distribución de la variable estandarizada Z
con distribución normal, para el correspondiente valor.

Si x se distribuye normalmente con media mu y varianza sigma cuadrado, entonces X se

distribuye normalmente con media cero y varianza uno

Función de distribución de la variable estandarizada

Los valores de la función de distribución de la variable estandarizada X se encuentran
tabulados, por lo tanto, no es necesario lograr su expresión funcional.
Si bien el recorrido de la variable es el conjunto de los números reales, los valores de
probabilidad acumulada significativos más usuales, corresponden a los valores de la
variable que se encuentran en el intervalo -3,99< Z < 3,99
Para calcular la probabilidad de que el valor de una variable aleatoria distribuida
normalmente pertenezca a un determinado intervalo, primero hay que estandarizar los
valores de la variable original X, y con el correspondiente valor de Z, obtener el valor de
probabilidad en la tabla de la función de distribución Z.
Calculo de los percentiles
Para calcular el percentil de orden k de una variable aleatoria continua X, distribuida
normalmente, se utiliza la Tabla de percentiles de la variable estandarizada Z, ubicando el
orden del percentil, expresado en probabilidad, en la columna F(z) y, de esta manera,
localizar el correspondiente valor de Zk.

Transformación lineal de variables aleatorias normales

Toda transformación afín de una variable aleatoria con distribución normal, se distribuye
normalmente.
Toda combinación lineal de variables aleatorias normales independientes, tiene
distribución normal.
Proposiciones
• La esperanza matemática de la suma de variables aleatorias independientes es igual a
la suma de las Esperanzas Matemáticas Individuales de cada una de las variables.
• La Varianza de la suma de variables aleatorias independientes es igual a la suma de las
varianzas individuales de cada una de las variables.
• La suma de variables aleatorias normales independientes, se distribuye normalmente.
Primer caso: Todas las variables están multiplicadas por una constante no nula y cada
una de las variables tiene distinta esperanza matemática y distinta varianza.
Segundo caso: Todas las constantes son iguales a uno, y todas las variables tienen
distinto promedio o esperanza matemática y distinta varianza.
Tercer caso: Todas las constantes son iguales a uno, y todas las variables tienen el
mismo promedio o esperanza matemática y la misma varianza.

Aproximación de la distribución binomial a la distribución normal

El límite de la distribución binomial, cuando la cantidad de observaciones n tiende a
infinito y la probabilidad de que se presente un elemento con un determinado atributo p
tiende a 0,50 es la distribución normal.
La variable en estudio es una variable aleatoria discreta, pero para el cálculo de
probabilidad se utiliza la distribución normal, que es una distribución para variable
continua, por ello, para calcular el valor de la variable estandarizada haciendo una
“corrección por continuidad” que consiste en sumar o restar, según corresponda, medio
punto al valor de la variable r~, de modo que el valor puntual quede estrictamente incluido
en un intervalo