Ina, L. & Berdugo, E) PDF

Estadstica descriptiva
y
probabilidades
y
probabilidades
Juan Camilo Sosa Martnez
Luis Eduardo Ospina Forero
Emilio Pablo Berdugo Camacho
Universidad Externado de Colombia
Departamento de Matemticas
Bogot, D.C.
2.012
Dedicatoria
Juan Camilo:
A mi querida familia: Elsi, Nani y Gonza.

A mi querida Yenny Paola y su hermoso Pollito.
A mis queridos Maestros.
Sin su Amor y su Apoyo este libro jamas hubiera sido posible.
Luis Eduardo:
Emilio Pablo:
A mis antiguos y futuros estudiantes.
Estadstica descriptiva y probabilidades

Docente investigador
Departamento de Matemticas
Universidad Externado de Colombia

Estudiante de maestra en Ciencias-Estadstica
Facultad de Ciencias
Departamento de Estadstica
Universidad Nacional de Colombia

Docente catedrtico
Departamento de Estadstica
Universidad Nacional de Colombia

Estadstico, egresado de Maestra en Ciencias-Estadstica de la Universidad Nacional de Colombia
con trabajo de tesis distinguido con Mencin Laureada, interesado primordialmente en la docencia
y la investigacin. Es autor de artculos publicados en la Revista Colombiana de Estadstica y ha
sido expositor en eventos nacionales e internacionales de estadstica. En la Universidad Externado de
Colombia ha colaborado con las Facultades de Administracin de Empresas, Finanzas, Gobierno y
Relaciones Internacionales, Contadura Pblica, Economa y Administracin de Empresas Tursticas
y Hoteleras; y en la Universidad Nacional de Colombia, con las Facultades de Ciencias, Ciencias
Humanas, Ingeniara y Odontologa. Sus principales intereses en investigacin estn orientados hacia el
modelamiento estadstico, especcamente el anlisis de datos longitudinales, la estadstica matemtica
y la pedagoga encaminada a la formacin de pensamiento estadstico. Actualmente es miembro activo
del grupo de estadstica aplicada en investigacin experimental, industria y biotecnologa y desempea
su labor docente e investigativa en la Universidad Externado de Colombia.

Estadstico, interesado principalmente en el modelamiento de variables latentes, actualmente cursa
la Maestra en Ciencias-Estadstica en la Universidad Nacional de Colombia y es miembro del grupo
en Bioestadstica de la misma institucin. Este grupo ha publicado varios proyectos en ponencias
nacionales e internacionales y en revistas indexadas sobre la inferencia funcional de genes mediante
mtodos de clasicacin. Los campos en los que actualmente se encuentra investigando son la extensin
de modelos de teora de respuesta al tem para el modelamiento del riesgo, la prediccin funcional de
genes mediante datos de microarreglos y mtodos multivariados de clasicacin.

Licenciado en Matemticas y Fsica de la Universidad del Atlntico (Barranquilla), Magister en
Ciencias-Estadstica de Universidad Nacional de Colombia. Ha trabajado en el ejercicio de la docencia
en la Universidad Nacional de Colombia, la Universidad Autnoma de Colombia y la Universidad Santo Toms orientando cursos en los programas de Ingeniera, Fsica, Biologa, Sicologa, Trabajo Social,
Enfermera, Economa, Administracin, Contadura, Cultura Fsica, especializaciones en Estadstica
y Gerencia Empresarial y Maestra en Didcticas de las Ciencias entre otros. Sus intereses acadmicos
se orientan haca la pedagoga y la didctica de la Estadstica y la Fsica, as como los modelos de
para el anlisis de datos longitudinales.
Contenido
Figuras
xvi
Tablas
xx
I Estadstica descriptiva
1. Elementos generales
1.1.
Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.
Formas del saber
1.3.
Qu es estadstica?
1.4.
Clasicacin de la estadstica
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.5.
Algunos trminos importantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.6.
Variables
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.7.
Medicin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.8.
La investigacin estadstica
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11
ii
CONTENIDO
1.9.
Comentarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.10. Ejercicios
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2. Tablas y grcas estadsticas
15
15
18
2.1.
Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
18
2.2.
Tablas estadsticas
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
19
2.2.1.
Tablas para variables cualitativas . . . . . . . . . . . . . . . . . . . . . . . . . .
20
2.2.2.
Tablas para variables cuantitativas . . . . . . . . . . . . . . . . . . . . . . . . .
23
2.3.
Grcas estadsticas
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
25
2.3.1.
Grcos para variables cualitativas . . . . . . . . . . . . . . . . . . . . . . . . .
25
2.3.2.
Grcos para variables cuantitativas . . . . . . . . . . . . . . . . . . . . . . . .
27
2.3.3.
Sobre los grcos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
33
2.4.
Comentarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
33
2.5.
Ejercicios
34
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3. Medidas de tendencia central y de posicin
41
3.1.
Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
41
3.2.
Medidas estadsticas de tendencia central
. . . . . . . . . . . . . . . . . . . . . . . . .
41
3.2.1.
La media aritmtica
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
42
3.2.2.
La media aritmtica ponderada . . . . . . . . . . . . . . . . . . . . . . . . . . .
46
3.2.3.
La mediana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
47
3.2.4.
La moda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
49
3.2.5.
La media geomtrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
50
iii
CONTENIDO
3.2.6.
3.3.
La media armnica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Medidas de posicin
52
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
55
3.3.1.
El rango . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
55
3.3.2.
Los percentiles
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
56
3.3.3.
Los cuartiles
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
58
3.4.
Comentarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
58
3.5.
Ejercicios
59
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4. Medidas de dispersin
64
4.1.
Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
64
4.2.
El rango . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
65
4.3.
El rango intercuartlico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
66
4.4.
Diagrama de caja y bigotes
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
67
4.5.
La desviacin de un dato
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
69
4.6.
La varianza
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
71
4.7.
La desviacin estndar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
77
4.8.
Estandarizacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
78
4.9.
Teorema de Chebyshev . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
79
4.10. El Coeciente de variacin de Pearson
. . . . . . . . . . . . . . . . . . . . . . . . . . .
81
4.11. Otras medidas de dispersin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
84
4.12. Comentarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
86
4.13. Ejercicios
87
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
iv
CONTENIDO
5. Medidas de forma
91
5.1.
Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
91
5.2.
Medidas de asimetra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
92
5.2.1.
Inspeccin de las medidas de tendencia central
. . . . . . . . . . . . . . . . . .
92
5.2.2.
El coeciente de asimetra de Pearson
. . . . . . . . . . . . . . . . . . . . . . .
94
5.2.3.
El coeciente de asimetra de Fisher
. . . . . . . . . . . . . . . . . . . . . . . .
95
5.2.4.
El ndice de asimetra de Yule-Bowley
. . . . . . . . . . . . . . . . . . . . . . .
98
5.3.
Medidas de apuntamiento
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
99
5.4.
Comentarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
102
5.5.
Ejercicios
103
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6. Medidas descriptivas para dos variables
104
6.1.
Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
104
6.2.
Tablas de doble entrada
104
6.3.
Perles o distribuciones condicionadas
6.4.
Grcas para dos variables
6.5.
Medidas de asociacin
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . .
107
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
109
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
111
6.5.1.
Covarianza
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
112
6.5.2.
Coeciente de correlacin de Pearson . . . . . . . . . . . . . . . . . . . . . . . .
119
6.5.3.
Coeciente de correlacin de Spearman
. . . . . . . . . . . . . . . . . . . . . .
122
6.5.4.
Coeciente de correlacin de Kendall . . . . . . . . . . . . . . . . . . . . . . . .
123
6.5.5.
Coeciente de Gini . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
125
CONTENIDO
6.6.
Comentarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
131
6.7.
Ejercicios
131
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
II Probabilidades
138
7. Fundamentos de probabilidad
139
7.1.
Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
139
7.2.
Experimentos determinsticos y experimentos aleatorios
. . . . . . . . . . . . . . . . .
139
7.3.
Espacios muestrales y eventos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
140
7.4.
Operaciones con eventos aleatorios
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
143
7.5.
Asignacin de probabilidades
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
148
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
148
7.5.1.
Mtodo frecuentista
7.5.2.
Mtodo clsico
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
150
7.5.3.
Mtodo subjetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
151
7.6.
Propiedades de la probabilidad
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
152
7.7.
Mtodos de Conteo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
155
7.7.1.
Enumeracin
155
7.7.2.
Diagramas de rbol
7.7.3.
Teorema fundamental del conteo
. . . . . . . . . . . . . . . . . . . . . . . . . .
157
7.7.4.
Principio de la adicin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
159
7.7.5.
Permutaciones
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
160
7.7.6.
Combinaciones
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
165
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
157
vi
CONTENIDO
7.8.
Probabilidad condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
166
7.9.
Teorema de la multiplicacin
168
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.10. Teorema de la probabilidad total
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
171
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
173
7.12. Independencia estadstica de eventos . . . . . . . . . . . . . . . . . . . . . . . . . . . .
175
7.13. Comentarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
177
7.14. Ejercicios
178
7.11. Teorema de Bayes
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
8. Variables aleatorias
185
8.1.
Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
185
8.2.
Variables aleatorias discretas
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
188
8.3.
Variables aleatorias continuas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
196
8.4.
Valor esperado
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
208
8.5.
Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
215
8.6.
Varianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
219
8.7.
Algunas desigualdades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
225
8.8.
Funcin generadora de momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
229
8.9.
Funciones de variables aleatorias
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
236
8.9.1.
Generalidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
236
8.9.2.
Distribuciones de funciones de v.a. . . . . . . . . . . . . . . . . . . . . . . . . .
239
8.10. Comentarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
241
8.11. Ejercicios
242
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
vii
CONTENIDO
9. Distribuciones discretas
254
9.1.
Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
254
9.2.
Distribucin uniforme discreta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
254
9.3.
Distribucin de Bernoulli y binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . .
257
9.4.
Distribucin hipergeomtrica
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
263
9.5.
Distribucin geomtrica y binomial negativa . . . . . . . . . . . . . . . . . . . . . . . .
270
9.6.
Distribucin de Poisson
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
274
9.7.
Comentarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
280
9.8.
Ejercicios
281
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10.Distribuciones continuas
285
10.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
285
10.2. Distribucin uniforme continua
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
285
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
291
10.3.1. Generalidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
291
10.3.2. La distribucin normal estndar
293
10.3. Distribucin normal
. . . . . . . . . . . . . . . . . . . . . . . . . .
10.3.3. Uso de la tabla de la distribucin normal estndar
. . . . . . . . . . . . . . . .
295
10.3.4. Estandarizacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
296
10.3.5. Aproximacin de la distribucin binomial
. . . . . . . . . . . . . . . . . . . . .
300
10.3.6. Distribuciones relacionadas con la distribucin normal . . . . . . . . . . . . . .
302
10.4. Distribucin exponencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
302
10.5. Distribucin gamma
306
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
viii
CONTENIDO
10.6. Distribucin beta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
309
10.7. Otras distribuciones probabilsticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
312
10.8. Comentarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
315
10.9. Ejercicios
316
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11.Distribuciones de probabilidad multivariadas
320
11.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
320
11.2. Vectores aleatorios
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
321
11.3. Distribuciones conjuntas de probabilidad . . . . . . . . . . . . . . . . . . . . . . . . . .
322
11.3.1. Vector de componentes discretas
. . . . . . . . . . . . . . . . . . . . . . . . . .
322
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
329
11.3.3. Vector de componentes continuas . . . . . . . . . . . . . . . . . . . . . . . . . .
330
11.3.4. Distribucin normal bivariada . . . . . . . . . . . . . . . . . . . . . . . . . . . .
336
11.4. Otras distribuciones relacionadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
338
11.4.1. Distribuciones de probabilidad marginales . . . . . . . . . . . . . . . . . . . . .
338
11.4.2. Distribuciones de probabilidad condicionales
. . . . . . . . . . . . . . . . . . .
340
11.4.3. Variables aleatorias independientes . . . . . . . . . . . . . . . . . . . . . . . . .
342
11.5. Combinaciones lineales de variables aleatorias . . . . . . . . . . . . . . . . . . . . . . .
345
11.5.1. Matriz de covarianzas y matriz de correlaciones . . . . . . . . . . . . . . . . . .
346
11.5.2. Valor esperado varianza para una combinacin lineal de variables aleatorias . .
350
11.6. Comentarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
352
11.7. Ejercicios
352
11.3.2. Distribucin multinomial
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
ix
CONTENIDO
A. Elementos bsicos de matemticas
354
A.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
354
A.2. Operaciones aritmticas
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
354
A.3. Exponentes y radicales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
357
A.4. Factorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
359
A.5. Razones, fracciones y porcentajes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
360
A.6. Desigualdades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
362
A.7. Factorizacin de polinomios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
363
A.8. Ecuaciones
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
371
A.9. Logaritmos
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
378
A.10.Sumatorias y productorias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
383
A.11.Ejercicios
391
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
B. Elementos bsicos de conjuntos
398
B.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
398
B.2. Conceptos generales
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
398
B.3. Operaciones entre conjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
402
B.4. Conjuntos numricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
406
B.5. Funciones y conjuntos
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
409
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
410
B.6. Ejercicios
C. Elementos bsicos de clculo

C.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
412
412
CONTENIDO
C.2. Funciones
C.3. Lmites
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
412
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
420
C.4. Derivadas
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
427
C.5. Integrales
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
438
C.6. Ejercicios
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
452
D. Tablas estadsticas
458
D.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
458
D.2. Distribucin binomial
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
458
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
461
D.3. Distribucin de Poisson
D.4. Distribucin normal estndar
D.5. Distribucin
de Student
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
462
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
463
D.6. Distribucin Ji-cuadrado de Pearson
D.7. Distribucin
de Snedecor
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
466
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
469
D.7.1. Tabla para
1 = 0.90
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
469
D.7.2. Tabla para
1 = 0.95
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
471
D.7.3. Tabla para
1 = 0.975
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
473
D.7.4. Tabla para
1 = 0.99
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
475
Referencias
478
Figuras
1.1.
Pierre-Simon Laplace (1749-1827).
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.1.
Ejemplo de un diagrama de barras. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
26
2.2.
Ejemplo de un diagrama de sectores.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
27
2.3.
Grcos diferencial (a) e integral (b) de los datos de la tabla 2.10.
. . . . . . . . . . . . . . . . .
29
2.4.
Ejemplo de un polgono de frecuencias (a) y de un polgono de frecuencias acumulado (b).
. . . . .
30
2.5.
Ejemplo de un polgono de frecuencias suavizado.
. . . . . . . . . . . . . . . . . . . . . . . . .
30
2.6.
Ejemplo de un pictograma. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
31
2.7.
Ejemplo de un cartograma. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
32
2.8.
Ejemplo de una serie de tiempo.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
34
3.1.
Algunas formas de una distribucin de frecuencias.
. . . . . . . . . . . . . . . . . . . . . . . .
42
3.2.
Augustin Louis Cauchy (17891857).
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
52
4.1.
Ejemplo de un diagrama de caja y bigotes.
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
68
xi
xii
FIGURAS
4.2.
Diagrama de caja y bigotes de los datos de la tabla 2.8.
. . . . . . . . . . . . . . . . . . . . . .
70
4.3.
Pafnuty Chebyshev (1821-1894).
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
80
4.4.
Karl Pearson (1857-1936).
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
82
4.5.
Diagrama de caja y bigotes de los datos de la tabla 4.4.
. . . . . . . . . . . . . . . . . . . . . .
86
5.1.
Algunas distribuciones de frecuencias.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
93
5.2.
Histograma (a) y diagrama de caja y bigotes (b) asociados con los datos de la tabla 2.9.
. . . . . .
94
5.3.
Ronald Fisher (1890-1962). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
97
5.4.
Grco de la distribucin normal con media 0 y varianza 1.
. . . . . . . . . . . . . . . . . . . .
100
5.5.
Ejemplos de algunas distribuciones simtricas con distintos grados de apuntamiento.
. . . . . . . .
101
6.1.
Grco de barras tridimensional de las frecuencias relativas del ejemplo 6.2.2.
. . . . . . . . . . .
110
6.2.
Grco de barras de las frecuencias relativas del ejemplo 6.2.2. . . . . . . . . . . . . . . . . . . .
111
6.3.
Dispersograma del peso frente a la edad de los 25 nios. . . . . . . . . . . . . . . . . . . . . . .
112
6.4.
Ejemplos de diagramas de dispersin en los que se evidencia una relacin cuadrtica (a), cbica (b),
exponencial (c) y logartmica (d). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.5.
Ejemplos de diagramas de dispersin en los que no se evidencia directamente una relacin entre a las
variables.
6.6.
113
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
114
Ejemplos de nubes de puntos de un par de variables con relacin directa (a), relacin inversa (b) y
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
115
6.7.
Ejemplos de nubes de puntos con su respectivo coeciente de correlacin. . . . . . . . . . . . . . .
121
6.8.
Corrado Gini (1884-1965).
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
126
6.9.
Cartograma cartograma donde se evidencian los valores del coeciente de Gini a nivel mundial . . . .
127
6.10. Ejemplo de la curva de Lorenz. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
129
covarianza nula (c y d).
xiii
FIGURAS
6.11. Curva de Lorenz asociada con la reparticin de las cuentas del ejemplo 6.5.6. . . . . . . . . . . . .
130
7.1.
Diagrama de Venn del ejemplo 7.6.1.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
155
7.2.
Ejemplo de un diagrama de rbol.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
158
7.3.
Thomas Bayes (1702-1761).
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
173
8.1.
Grco de la f.m.p. (a) y de la f.d.a. (b) de la variable del ejemplo 8.1.1.
. . . . . . . . . . . . . .
188
8.2.
Grco de la f.d.a. de la variable del ejemplo 8.2.5.
. . . . . . . . . . . . . . . . . . . . . . . .
197
8.3.
Ejemplo de grco de una funcin de densidad de una v.a.c.
X. . . . . . . . . . . . . . . . . . .
199
8.4.
Ejemplo de una f.d.a. de una v.a.c.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
202
8.5.
Grco de la f.d.p. de la variable del ejemplo 8.3.2.
. . . . . . . . . . . . . . . . . . . . . . . .
206
8.6.
. . . . . . . . . . . . . . . . . . . . . . . .
218
8.7.
. . . . . . . . . . . . . . . . . . . . . . . .
230
9.1.
Grco de la f.m.p. (a) y de la f.d.a. (b) de una variable con distribucin uniforme discreta de parmetro
X.
n = 6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
256
9.2.
Jakob Bernoulli (1654-1705). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
259
9.3.
Grco de la f.m.p. (a) y de la f.d.a. (b) de una variable con distribucin binomial de parmetros
n = 10
9.4.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
n = 10
260
n=5
= 0.6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Grcos de la f.m.p. de una distribucin binomial de parmetros

y
9.6.
= 0.3.
Grco de la f.m.p. (a) y de la f.d.a. (b) de una variable con distribucin binomial de parmetros
y
9.5.
263
n = 10 y = 0.25, n = 10 y = 0.50,
= 0.75. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
263
Grco de la f.m.p. (a) y de la f.d.a. (b) de una variable con distribucin hipergeomtrica de parmetros
n = 4, M = 3
N = 10. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
265
xiv
FIGURAS
9.7.
Grco de la f.m.p. (a) y de la f.d.a. (b) de una variable con distribucin binomial negativa de parmetros
r=3
= 0.03. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
272
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
276
9.8.
Simon Denis Poisson (1781-1840).
9.9.
Grco de la f.m.p. (a) y de la f.d.a. (b) de una variable con distribucin de Poisson de parmetro
9.10. Grcos de la f.m.p. de una distribucin de Poisson de parmetros
= 2, = 5
= 5. 277
= 10. . . . . . .
278
10.1. Grco de la f.d.p. (a) y de la f.d.a. (b) de una variable con distribucin uniforme continua sobre el
intervalo
a = 3
b = 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10.2. Grco de la f.d.p.de una variable con distribucin normal.
290
. . . . . . . . . . . . . . . . . . . .
291
10.3. Johann Carl Friedrich Gauss (1777-1855). . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
292
10.4. Algunos ejemplos de la f.d.p. (izquierda) y de la f.d.a. (derecha) de la distribucin normal para diferentes
valores de los parmetros
2 .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10.5. Ilustracin grca del clculo de probabilidades bajo la distribucin normal.
. . . . . . . . . . . .
293
295
10.6. Algunos ejemplos de la f.d.p. (izquierda) y de la f.d.a. (derecha) de la distribucin exponencial para
diferentes valores del parmetro
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
303
10.7. Grco de la f.d.p. (a) y de la f.d.a. (b) de una variable con distribucin exponencial de parmetro
1
.
16
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10.8. Algunas grcas de la f.d.p. de la distribucin gamma para diferentes valores de los parmetros
305
. 307
10.9. Algunos ejemplos de la f.d.p. (izquierda) y de la f.d.a. (derecha) de la distribucin beta para diferentes
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
310
10.10. lgunos ejemplos de la f.d.p. (izquierda) y de la f.d.a. (derecha) de la distribucin de Weibull para
A
diferentes valores de los parmetros
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
312
10.11. lgunos ejemplos de la f.d.p. (izquierda) y de la f.d.a. (derecha) de la distribucin de Cauchy para
A
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
313
10.12. lgunos ejemplos de la f.d.p. (izquierda) y de la f.d.a. (derecha) de la distribucin de Laplace para
A
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
314
xv
FIGURAS
10.13. lgunos ejemplos de la f.d.p. (izquierda) y de la f.d.a. (derecha) de la distribucin lognormal cuando
A
el parmetro
=0
para diferentes valores del parmetro
. . . . . . . . . . . . . . . . . . . . .
315
11.1. Funcin msica de probabilidad conjunta de las variables asociadas con los resultados de dos dados
distinguibles y balanceados.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11.2. Funcin msica de probabilidad conjunta estimada para las variables gnero y nivel educativo .
324
. . .
325
11.3. Funcin de distribucin acumulada conjunta para dos variables discretas. . . . . . . . . . . . . . .
326
11.4. Funcin de distribucin acumulada conjunta de las variables asociadas con los resultados de dos dados
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
328
11.5. Ejemplo de una funcin de densidad conjunta de un vector aleatorio bidimensional. . . . . . . . . .
332
11.6. Soporte de la funcin de densidad conjunta y regin de integracin de la probabilidad pedida del del
ejemplo 11.3.5.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
333
11.7. Funcin de densidad conjunta de las variables asociadas a los tiempos de respuesta en un servidor de
computadoras. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
334
11.8. Funcin de distribucin acumulada conjunta para las variables asociadas a los tiempos de respuesta en
un servidor de computadoras.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
336
11.9. Funcin de densidad conjunta y funcin de distribucin acumulada conjunta de la distribucin normal
. . . . . . . . . . . . . . . . . .
337
. . . . . . . . . . .
345
A.1. Leonhard Euler (1707-1783). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
379
B.1. Diagrama de Venn que ilustra un caso en el que
400
bivariada de parmetros
X = Y = XY = 0
11.10. egin de integracin asociada con el evento

R
X = Y = 1.
|X Y | 10
del ejemplo 11.4.7.
A B. . . . . . . . . . . . . . . . . . . . . . .
B.2. Diagrama de Venn asociado con un par de conjuntos disjuntos.
. . . . . . . . . . . . . . . . . .
403
B.3. Diagramas de Venn para las operaciones entre conjuntos. De izquierda a derecha y de arriba a abajo:
A B , A B , A B , B A, A B
AC . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
C.1. Grcas de las funciones de la tabla C.1.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
405
414
xvi
FIGURAS
C.2. Grcas de las funciones del ejemplo C.2.2. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
415
C.3. Grcas de las funciones del ejemplo C.2.5. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
418
C.4. Guillaume Franois de L'Hpital (1661-1704). . . . . . . . . . . . . . . . . . . . . . . . . . . .
437
C.5. Bernhard Riemann (1826-1866).
440
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Tablas
2.1.
Formato general de una distribucin de frecuencias.
. . . . . . . . . . . . . . . . . . . . .
2.2.
20
Datos asociados con una encuesta de opinin acerca de una medida econmica. 1=A favor; 0=En
contra; 3=No Sabe/No Responde (NS/NR). . . . . . . . . . . . . . . . . . . . . . . . . . . . .
21
. . . . . . . . . . . . . . . . . . . . . .
21
2.3.
Distribucin de frecuencias de los datos de la tabla 2.2.
2.4.
Datos asociados con el nivel educativo de algunos empleados de una empresa. B= Bachillerato; P=
Pregrado; M= Maestra; D= Doctorado.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
21
. . . . . . . . . . . . . . . . . . . . . .
22
2.5.
2.6.
Datos asociados con la clasicacin con respecto al tamao y a la afectividad de un grupo de perros.
. . . . . . . . . . . . . . . . . . . . . . . . . .
22
2.7.
Tabla a dos vas de clasicacin de los datos de la tabla 2.6. . . . . . . . . . . . . . . . . . . . .
23
2.8.
Datos asociados con las ganancias en un da determinado de una muestra de empresas de una ciudad.
24
2.9.
. . . . . . . . . . . . . . . . . . . . . .
25
2.10. Clasicacin de un grupo de familias por el nmero de hijos. . . . . . . . . . . . . . . . . . . . .
28
2.11. Distribucin de frecuencias de los datos de la tabla 2.10. . . . . . . . . . . . . . . . . . . . . . .
28
2.12. Datos asociados con el nmero de clientes de un almacn atendidos en los ltimos 20 das.
32
Peq= Pequeo; Med= Mediano; Gra= Grande.
xvii
. . . . .
xviii
TABLAS
2.13. Ejemplo de un diagrama de tallo y hojas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
33
3.1.
Clculos del ejemplo 3.2.1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
44
3.2.
Datos asociados con las calicaciones de un estudiante.
. . . . . . . . . . . . . . . . . . . . . .
46
3.3.
Datos asociados con el nmero de hijos de una muestra de empleados de una empresa.
. . . . . . .
48
3.4.
Datos asociados con las velocidades de tres vehculos.
. . . . . . . . . . . . . . . . . . . . . . .
53
3.5.
Datos asociados con los puntajes de una muestra de 20 empresas en relacin a la calidad de sus servicios. 55
3.6.
Rango del conjunto de datos de la tabla 3.5 .
4.1.
Datos asociados con los salarios anuales de una muestra de supervisores de ventas de dos empresas.
. . . . . . . . . . . . . . . . . . . . . . . . . . .
56
64
4.2.
Clculos del ejemplo 4.6.2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
73
4.3.
Algunos valores asociados con el teorema de Chebyshev. . . . . . . . . . . . . . . . . . . . . . .
81
4.4.
Datos asociados con una muestra de ventas diarias (en millones de pesos) de una empresa.
. . . . .
85
5.1.
Clculos de los ejemplos 5.2.3 y 5.3.1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
97
6.1.
Ejemplo de una tabla de doble entrada. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
106
6.2.
Tabla de contingencia asociado con el gnero (X ) y el nivel educativo (Y ) de una muestra de personas
de una empresa. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
107
6.3.
Tabla de contingencia de frecuencias relativas del ejemplo 6.2.2
. . . . . . . . . . . . . . . . . .
107
6.4.
Perles la de la muestra del ejemplo 6.2.2. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
109
6.5.
Perles columna de la muestra del ejemplo 6.2.2.
. . . . . . . . . . . . . . . . . . . . . . . . .
109
6.6.
Tabla de observaciones de una muestra correspondiente a un conjunto de datos bivariado. . . . . . .
110
6.7.
Datos asociados con el peso y la edad de un grupo de 25 nios.
. . . . . . . . . . . . . . . . . .
110
xix
TABLAS
6.8.
Datos asociados con la posicin y el puntaje de los competidores del ejemplo 6.5.4.
. . . . . . . . .
123
6.9.
Datos asociados con las concordancias y discordancias del estudio de mercadeo del ejemplo 6.5.5.
. .
125
. . . . . .
127
6.11. Clculos del ejemplo 6.5.6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
128
6.12. Datos asociados con los ingresos de una muestra de empresas de un sector econmico particular.
. .
128
. . . . . . . . .
130
Y. . . . . . . . . . . . . . . .
132
6.15. Datos asociados con los salarios de una muestra de empleados de una empresa. . . . . . . . . . . .
133
6.16. Datos asociados con las ventas y gastos de una empresa determinada.
. . . . . . . . . . . . . . .
133
6.17. Datos asociados con las calicaciones de las asignaturas A y B de una muestra de alumnos. . . . . .
134
6.10. Datos asociados con el nmero de contratos que un gerente reparte entre sus empleados.
6.13.
Frecuencias acumuladas asociadas con la curva de Lorenz del ejemplo 6.5.6.
6.14. Datos asociados con una muestra de utilidades de las acciones
6.18. Datos asociados con la tasa media de crecimiento del PIB y del empleo para 25 pases de la OCDE
para el periodo 1988-1997.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
135
6.19. Datos asociados con los ingresos, el gnero y la preferencia de una medida econmica del Gobierno
Nacional de una muestra de empleados de una compaa.
. . . . . . . . . . . . . . . . . . . . .
7.1.
Datos asociados con la clasicacin de los empleados de una corporacin segn el gnero y el ingreso.
7.2.
137
167
Datos asociados con la clasicacin con respecto al asenso y al modo de trabado de un grupo de
empleados de una empresa. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
177
. . . . .
237
8.1.
Datos asociados con el puntaje de las empresas constructoras participantes en la licitacin.
8.2.
Datos asociados con los valores obtenidos para el nmero de protenas producidaspor un determinado
gen ante diferentes estmulos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9.1.
238
Probabilidades asociadas con los valores de una v.a. con distribucin hipergeomtrica de parmetros
n = 10, M = 500
parmetros
n = 10
N = 1, 000,
= 0.5,
su respectiva aproximacin por medio de la distribucin binomial de
y la diferencia correspondiente.
. . . . . . . . . . . . . . . . . . .
270
xx
TABLAS
9.2.
Probabilidades asociadas con los valores de una v.a. con distribucin binomial de parmetros
y
= 0.005,
n = 400
su respectiva aproximacin por medio de la distribucin de Poisson de parmetros
= 2,
y la diferencia correspondiente. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
280
11.1. Valores de la funcin de distribucin acumulada conjunta de las variables asociadas con los resultados
de dos dados distinguibles y balanceados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
328
C.1. Dominio, rango y clasicacin de algunas funciones. . . . . . . . . . . . . . . . . . . . . . . . .
413
Nomenclatura
Vector aleatorio.
Valor observado de
Dimensin de un vector aleatorio.
f.d.a.
Funcin de distribucin acumulada.
f.d.p.
Funcin de densidad de probabilidad.
f.g.m.
Funcin generadora de momentos.
f.m.p.
Funcin msica de probabilidad.
v.a.
Variable aleatoria.
v.a.c.
Variable aleatoria. continua.
v.a.d.
Variable aleatoria discreta.
(a, b)
Intervalo abierto de
(a, b]
Intervalo semiabierto a la izquierda de
Ms innito.
Diferencia.
Menos innito.
<
Menor que.
Igual a.
>
Mayor que.
[a, b)
Intervalo semiabierto a la derecha de
X.
b.
b.
b.
xxi
xxii
TABLAS
[a, b]
Intervalo cerrado de
#A
Cardinal del conjunto
Aproximadamente igual a.
Media muestral de
Media muestral observada de
n
r
combinado
b.
A.
X.
X.
r.
Final de una demostracin.
Matriz de correlaciones.
Moda poblacional de la variable
Moda muestral observada de la variable
Interseccin.
Compuesta de funciones.
cos(x)
Coseno de
cot(x)
Cotangente de
csc(x)
Cosecante de
Unin.
Equivalente a.
Existe.
Para todo.
d
dx
Derivada respecto a
(x)
Funcin gamma.
Mayor o igual que.
Pertenece a.
x.
x.
x.
x.
Integral.
Si y solo si.
Menor o igual que.
ln(x)
Logaritmo natural de
log(x)
Logaritmo en base 10 de
x.
x.
X.
X.
xxiii
TABLAS
Conjunto de la nmeros complejos.
Corr[X, Y ]
Cov[X, Y ]
Correlacin entre
Covarianza entre
Y.
Y.
X.
E[X]
Valor esperado de
Conjunto de la nmeros irracionales.
Conjunto de la nmeros naturales.
P(A)
Probabilidad de
Conjunto de la nmeros racionales.
Conjunto de la nmeros reales.
R+
Conjunto de los nmeros reales positivos.
Var[X]
Varianza de
A.
X.
Conjunto de la nmeros enteros.
PA
Partes del conjunto
Soporte de una funcin.
mx A
a
Valor mximo del conjunto
A.
m A
n
Valor mnimo del conjunto
A.
j -simo
momento de
j -simo
momento de
X.
Media poblacional de
No es igual a.
A.
alrededor de la media.
X.
No existe.
No pertenece a.
No est contenido en.
Espacio muestral.
Punto muestral.
Conjunto vaco.
(x; , 2 )
Funcin de distribucin acumulada de una variable aleatoria con distribucin normal de
parmetros
2 .
xxiv
TABLAS
(x; , 2 )
Funcin de densidad de probabilidad de una variable aleatoria con distribucin normal de
parmetros
2 .
(z)
Funcin de distribucin acumulada de una variable aleatoria con distribucin normal estndar.
(z)
Funcin de densidad de probabilidad de una variable aleatoria con distribucin normal estndar.
Nmero de pi o probabilidad de xito.
Percentil
Ms o menos
de una poblacin.
Productoria.
XY
Coeciente de correlacin de Pearson poblacional entre
Entonces.
Tiende a.
sec(x)
Secante de
Matriz de covarianzas.
2
X
Varianza poblacional de
Desviacin estndar poblacional de
xy
Covarianza poblacional de
sin(x)
n
x
Seno de
Raz
Y.
x.
X.
X.
(X, Y ).
x.
n-sima
de
x.
Raz cuadrada de
x.
Final de un ejemplo.
Es un subconjunto propio de.
Contenido en.
Est contenido en.

Sumatoria.
tan(x)
Tangente de
xy
Coeciente de correlacin de Kendall observado entre
sgn(x) Signo de
x.
x.
Mediana poblacional de
X.
Y.
xxv
TABLAS
X.
Mediana muestral observada de

Diferencia simtrica.
AF X
Valor observado del coeciente de asimetra de Fisher muestral de
AGX
Valor observado del coeciente de apuntamiento de Fisher de
AP X
Valor observado del coeciente de asimetra de Pearson muestral de
X.
AS X
Valor observado del ndice de asimetra de Yule-Bowley muestral de
X.
CV x
Coeciente de variacin muestral observado de
AC
Complemento del conjunto
B(, )
B(x)
X.
X.
X.
A.
Distribucin beta de parmetros
Funcin beta.
Ber()
Distribucin Bernoulli de parmetro
Bin(n)
Distribucin binomial de parmetros
BN (r, )
Distribucin binomial negativa de parmetros
n
Ck
Nmero de combinaciones de un conjunto de
CVX
Coeciente de variacin poblacional de
Dx
Desviacin media observada de
DMx
Desviacin mediana observada de
dx
Diferencial de
Nmero de Euler.
Exp()
elementos distintos tomados de
X.
X.
X.
x.
Distribucin exponencial de parmetro
f (x)
Derivada de
f (x)
Funcin de
Fi
Frecuencia relativa acumulada de la
fi
Frecuencia relativa de la
fn (A)
Frecuencia relativa de
FX (x)
Funcin de distribucin acumulada de
fX (x)
Funcin de masa de probabilidad o funcin de densidad de probabilidad de
fj
Frecuencia relativa marginal de la
de
x.
x.
i-sima
i-sima
clase.
clase.
A.
X.
j -sima
columna.
X.
en
k.
xxvi
TABLAS
fi
Frecuencia relativa marginal de la
i-sima
fij
Frecuencia relativa conjunta de la
ij -sima
fX|Y
Distribucin de probabilidad condicional de
la.
categora.
dado que
FXY (x, y)
Funcin de distribucin acumulada conjunta de
fXY (x, y)
Funcin de probabilidad conjunta de
G(, )
G(r, )
Distribucin gamma de parmetros
Distribucin geomtrica de parmetro
Hg(n, M, N )
Funcin indicadora de
Li
Funcin generadora de momentos de
n, M
N.
Lmite superior de un intervalo.
mX (t)
Y.
Lmite inferior de un intervalo.
Ls
Y.
Distribucin hipergeomtrica de parmetros
IA
Y = y.
M N (n, 1 , 2 , . . . , p )
A.
X.
Distribucin multinomial de parmetros
Tamao de una poblacin nita.
n, 1 , 2 , . . . , p .
Tamao de una muestra.
N (, 2 )
Distribucin normal de parmetros
2 .
Ni
Frecuencia absoluta acumulada de la
ni
Frecuencia absoluta de la
nj
Frecuencia absoluta marginal de la
j -sima
columna.
ni
Frecuencia absoluta marginal de la
i-sima
la.
nij
Frecuencia absoluta conjunta de la
ij -sima
N B(X , Y , X , Y , XY )
i-sima
i-sima
clase.
clase.
categora.
Distribucin normal bivariada de parmetros
Particin.
P ()
Distribucin de Poisson de parmetro
n
Pk
Nmero de permutaciones de un conjunto de
pp
Percentil
RX
Rango de
Rx
Rango observado de
X , Y , X , Y , XY .
de una muestra.
X.
X.
.
n
elementos distintos tomados de
en
k.
xxvii
TABLAS
rxy
Coeciente de correlacin de Pearson muestral observado entre
RIx
Rango intercuartlico observado de
rsxy
Coeciente de correlacin de Spearman observado entre
2
SX
Varianza muestral o cuasi-varianza de
2
Sx
Varianza muestral o cuasi-varianza observada de
SX
Desviacin estndar muestral de
Sx
Desviacin estndar muestral observada de
Sxy
Covarianza muestral observada de
U (n)
Distribucin uniforme de parmetro
U [a, b]
Distribucin uniforme continua sobre el intervalo
wi
Ponderacin de
Variable aleatoria
xi
Valor de
X(i)
Estadstico de orden asociado con la
x(i)
Valor observado del
Percentil
Y.
X.
X
Y.
X.
X.
X.
asociado con el
X.
(X, Y ).
n.
i-simo
[a, b].
individuo, clase o marca de clase.
X.
asociado con el
i-simo
i-simo
individuo, clase o marca de clase.
i-sima
posicin de una muestra aleatoria.
estadstico de orden.
de la distribucin normal estndar.
Parte I
Captulo
Elementos generales
1.1. Introduccin
En las ltimas dcadas la estadstica ha alcanzado un alto grado de desarrollo, hasta el punto de
1
involucrarse en la mayora de las reas del conocimiento. La estadstica es una ciencia
auxiliar para
todas las ramas del saber, y su utilidad es evidente teniendo en cuenta que la mayora de los quehaceres
y las decisiones en cualquier disciplina involucran cierto grado de incertidumbre o incerteza.
Los crticos de la estadstica arman que a travs de la estadstica es posible mostrar o comprobar casi
cualquier cosa; esta es una concepcin ligera y profana que se deriva de la ignorancia de la disciplina
estadstica, dado que en estos casos se desconoce la teora subyacente y la forma adecuada de interpretar los resultados que permiten obtener conclusiones acertadas y precisas. As, algunos investigadores
tendenciosos han abusado de la estadstica, elaborando investigaciones de intencin, teniendo previamente los resultados que les interesa mostrar a personas ingenuas y no conocedoras de las tcnicas
estadsticas. Otros, por ignorancia o negligencia, tambin abusan de la estadstica utilizando mtodos
no apropiados o razonamientos errneos que conducen al fracaso de sus investigaciones.
Slo adentrndose en un mundo especco como en las ciencias sociales, la economa y la administracin, por ejemplo, es posible percibir que la estadstica es una herramienta que permite dar luz y
obtener resultados, y por tanto benecios, en cualquier tipo de estudio terico o aplicado, cuyos movimientos y relaciones, por su variabilidad intrnseca, no puedan ser abordados desde la perspectiva
1 La
ciencia es el conjunto de conocimientos obtenidos mediante la observacin y el razonamiento, sistemticamente
estructurados y de los que se deducen principios y leyes generales (Real Academia Espaola 2012a). Surge de la obtencin
del conocimiento mediante la observacin de patrones regulares, de razonamientos y de experimentacin en mbitos
especcos, a partir de los cuales se generan preguntas, se construyen hiptesis, se deducen principios y se elaboran leyes
generales y esquemas metdicamente organizados (Wikipedia 2012b).
CAPTULO 1.
de las leyes deterministas .
Pierre-Simon Laplace
ELEMENTOS GENERALES
, quien contribuy enormemente al desarrollo
de la teora de probabilidades arm: Podemos mirar el estado presente del universo como el efecto
del pasado y la causa de su futuro. Se podra condensar un intelecto que en cualquier momento dado
sabra todas las fuerzas que animan la naturaleza y las posiciones de los seres que la componen; si
este intelecto fuera lo sucientemente vasto para someter los datos al anlisis, podra condensar en
una simple frmula el movimiento de los grandes cuerpos del universo y del tomo ms ligero; para
tal intelecto nada podra ser incierto y el futuro as como el pasado estaran frente sus a ojos.
Figura 1.1: Pierre-Simon Laplace (1749-1827).
1.2. Formas del saber

Los seres humanos poseen mayores o menores conocimientos, segn el modo y el grado de participacin en la cultura; pero de cualquier forma las formas y tipos de conocimientos generan dos modos
principales del saber que son el
saber cotidiano
y el
saber cientco . Se sabe de manera natural
por el solo hecho de vivir, y se sabe cientcamente cuando existe una disposicin de conocer y de
indagar en lo desconocido con los procedimientos pertinentes.
El saber cotidiano es el conocimiento que se adquiere en la experiencia cotidiana, y trata de conocimientos levemente conectados y arraigados entre si; sin embargo, pueden ser conocimientos superciales
constituidos por una yuxtaposicin de casos y hechos. Es el modo espontaneo de conocer que se caracteriza por ser supercial y se conforma con lo aparente, puesto que est apoyado solo en la evidencia
2 Teora
que supone que la evolucin de los fenmenos naturales est completamente determinada por las condiciones
iniciales (Real Academia Espaola 2012c).
3 Fotografa
tomada de la pgina web
biograf/Blaplace.html.
http://www.educared.org/global/premiointernacional/finalistas/710/
1.3.
QU ES ESTADSTICA?
inmediata de lo que pasa, por lo que nicamente percibe la epidermis de la realidad. Adems, este
saber cotidiano no es sistemtico, tanto en el proceso de adquisicin y vinculacin de la informacin,
como en el modo de establecer cnones de validacin de la informacin; se limita a percibir lo inmediato a travs de experiencias, vivencias, estados de nimo y emociones de la vida diaria, permaneciendo
en el nivel de la certeza sensorial.
De otra parte, se entiende por conocimiento cientco, al conjunto de conocimientos racionales, ciertos
o probables, que obtenidos de manera metdica y vericados empricamente, se sistematizan orgnicamente, cuyos contenidos son susceptibles de ser transmitidos.
El saber cientco es racional, puesto que exige el uso de la razn y de una serie de elementos fundamentales como deniciones, proposiciones e hiptesis. Es cierto o probable, porque se trata con
verdades parciales, sujetas a correccin cuando nuevas experiencias demuestran la necesidad de recticacin.
En la ciencia no existe la certeza absoluta . El conocimiento cientco es metdico, ya
que no se obtiene al azar, sino mediante reglas lgicas, que acompaadas de procedimientos tcnicos
se organizan segn convenciones establecidas. Tambin requiere la confrontacin con la realidad y la
sistematizacin orgnica, porque no se trata de conocimientos inconexos sino de un saber ordenado
lgicamente, constituyendo un sistema de generalizaciones y principios que relacionan los hechos entre
si, deduciendo leyes y teoras. Adems, los conocimientos de una ciencia deben ser transmisibles por
medio de un lenguaje que le sea propio y que debe responder a todas las exigencias de claridad y
precisin.
1.3. Qu es estadstica?
Para denir la estadstica se debe precisar cada una de las tcnicas que se emplean en los diferentes
campos en los que interviene. La denicin dada en seguida permite apreciar la relacin entre la
4
estadstica y el mtodo cientco .
Denicin 1.3.1.
La
estadstica es la ciencia que se ocupa de los m-
todos y las tcnicas para recoger, clasicar, resumir y analizar conjuntos

de datos; as como de realizar inferencias a partir de ellos, con la nalidad
de tomar decisiones racionales en situaciones que impliquen incerteza.
4 El
mtodo cientco
es el camino a seguir mediante una serie de operaciones, reglas y procedimientos jados
de antemano de manera voluntaria y reexiva, para alcanzar un determinado n que puede ser material o conceptual
(Prez 2004, p. 188).
CAPTULO 1.
ELEMENTOS GENERALES
1.4. Clasicacin de la estadstica

La estadstica se divide en dos grandes ramas de estudio que son la estadstica descriptiva, cuando
los resultados del anlisis no pretenden ir ms all del conjunto de datos observado, y la estadstica
inferencial, cuando el objetivo del estudio es obtener conclusiones para un conjunto de datos ms
amplio a partir de uno de menor tamao. Estas dos ramas no son independientes, por el contrario,
son complementarias, y juntas proporcionan suciente informacin sobre la realidad, para que, quien
tenga poder de decisin, pueda tomar las medidas necesarias con el mayor grado de certeza posible.
Denicin 1.4.1.
La
estadstica descriptiva
describe, analiza y re-
presenta un grupo de datos utilizando mtodos numricos y grcos que

resumen y presentan la informacin contenida en ellos.
La estadstica descriptiva evidencia
tal cual es una situacin y muestra lo que hay ; permite explicar
las observaciones que se hagan sobre un evento, fenmeno o problema de investigacin, evidenciando
propiamente la forma en que los hechos ocurrieron o se manifestaron.
Denicin 1.4.2.
La
estadstica inferencial apoyndose en el clcu-
lo de probabilidades y a partir de un conjunto de datos menor, efecta

estimaciones, predicciones u otras generalizaciones sobre un conjunto de
datos mayor.
La estadstica inferencial toma lugar cuando a partir de los resultados obtenidos de un conjunto
de datos dado se obtienen conclusiones acerca de un conjunto de datos ms amplio. Es decir, las
conclusiones que se obtienen de los datos en estudio, rebasan los lmites de los mismos. Generalmente,
el anlisis estadstico inferencial se lleva a cabo para mostrar relaciones de causa y efecto, y para
probar hiptesis y teoras.
1.5. Algunos trminos importantes

5
El objeto de estudio de la estadstica son los fenmenos colectivos , donde el comportamiento de

una serie de caractersticas est afectado por la aleatoriedad
5 Tambin
intrnseca de la naturaleza de los fe-
se puede tratar de un fenmeno individual repetido a travs del tiempo (detalles en la seccin 1.6). ste
se puede entender como un fenmeno colectivo al considerar las ocasiones de medicin como los elementos unitarios.
6 La
aleatoriedad
es una caracterstica asociada a todo proceso cuyo resultado no es previsible, mas que en razn
de la intervencin del azar, y por ende no se puede determinar en ningn caso antes de que ste se produzca.
1.5.
ALGUNOS TRMINOS IMPORTANTES
nmenos en cuestin. A continuacin se presentan algunos trminos empleados frecuentemente en la

investigacin de tales fenmenos.
individuos o elementos son los entes que se

quieren investigar. As, una poblacin , colectivo , o universo , se reere
Denicin 1.5.1.
Los
al conjunto de todos los individuos o mediciones que satisfacen ciertas

caractersticas propias de la investigacin.
Nota. La denicin 1.5.1 no se reere nicamente a los seres vivos; una poblacin puede estar constituida por los habitantes de un pas o por los peces de un estanque, as como por los establecimientos
comerciales de un barrio o las viviendas de una ciudad.
Llevando a cabo una investigacin se deben tener en cuenta algunas caractersticas esenciales al delimitar la poblacin en estudio, a saber, la homogeneidad, el tiempo, la cantidad y el espacio.
La homogeneidad se reere a que todos los miembros de la poblacin tengan en comn las caractersticas que se vayan a considerar en la investigacin. Por ejemplo, si se investiga la incidencia de la
drogadiccin en mujeres adolescentes, hay que denir precisamente el rango de edad de las jvenes de
inters, de forma tal que todas las mujeres consideradas sean de la edad requerida.
El tiempo se reere al perodo donde se ubicara eventualmente la poblacin de inters. Determinar si

el estudio corresponde a la observacin de los elementos en un momento determinado, o si corresponde
al seguimiento de los individuos a lo largo del tiempo.
La cantidad se reere al tamao de la poblacin. La falta de recursos como tiempo, dinero, espacio y
materiales puede limitar la extensin de la poblacin que se quiere investigar. Por ejemplo, si se quiere
estudiar la preferencia de los colombianos frente a un producto determinado, no es necesario tener
en cuenta todas las personas econmicamente activas del pas, sino aquellos individuos que tengan
participacin en el mercado del producto en cuestin.
El espacio se reere al lugar donde se localiza la poblacin de inters. Tambin, la falta de recursos
puede obligar al investigador a limitar el estudio a un conjunto de elementos ms especco. Siguiendo
el ejemplo anterior, puede que dicho producto se ofrezca principalmente en zonas particulares de las
ciudades intermedias.
Una poblacin puede ser, segn su tamao, de dos tipos, a saber, nita o innita. Una poblacin
nita es aquella donde el nmero de elementos que la conforma es nito. De otra parte, una poblacin
innita es aquella donde el nmero de elementos que la forma es innito, o es tan grande que se puede
considerar innito. Por ejemplo, si se realiza un estudio sobre los productos que hay en el mercado,
hay tantos y de tantas calidades que esta poblacin se puede considerar como innita.
CAPTULO 1.
Denicin 1.5.2.
Se denomina
muestra
ELEMENTOS GENERALES
a un subconjunto de indivi-
duos o mediciones de una poblacin.
Nota. La cantidad de individuos de una muestra se simboliza con

elementos que constituyen una poblacin nita se representa con
n,
mientras que la cantidad de
N.
Se distinguen dos tipos de muestras. La clasicacin de una muestra depende de cun representativa
sea de la poblacin, lo que se identica por el mtodo de obtencin de la misma. Se tienen las
muestras obtenidas a partir de procesos de muestreo no probabilstico y de muestreo probabilstico.
Las
muestras no probabilsticas
se caracterizan porque el diseo muestral
correspondiente se
realiza en forma subjetiva, arbitraria, segn el criterio del investigador o del entrevistador de campo.
En el muestreo no probabilstico no existe una oportunidad real de que un elemento en particular de
la poblacin sea seleccionado y por lo tanto no es posible calcular la conabilidad de las inferencias
asociadas. De otra parte, las
muestras probabilsticas se fundamentan en el chance que tiene cada
elemento de la poblacin en hacer parte de la muestra. En estas muestras, dadas ciertas condiciones de
conabilidad, error mximo admisible y tamao poblacional, se deja al azar el diseo de la muestra.
El muestreo probabilstico permite medir la conabilidad de los procesos de inferencia y el error
de muestreo que est asociado intrnsecamente en el proceso (Soto 2001, p.31-33). El muestreo es
indispensable para el investigador ya que en la mayora de aplicaciones no es conveniente o posible
medir a todos los miembros de una poblacin, esto es, realizar un
censo . En tales casos, se requiere
una muestra representativa de la poblacin con el propsito de obtener conclusiones vlidas acerca de
todo el colectivo en estudio.
El tamao de la muestra depende de la precisin con que el investigador desee llevar a cabo el estudio; se
debe usar una muestra tan grande como sea posible teniendo en cuenta los recursos disponibles. Cuanto
ms grande sea el tamao de muestra, mayor ser la posibilidad de que la muestra sea representativa
de la poblacin.
Denicin 1.5.3.
Se llama
parmetro a una funcin denida sobre los
valores de una caracterstica medible de una poblacin. Similarmente,

se denomina
estadstico
(observado) a una funcin denida sobre los
valores de una caracterstica medible de una muestra.
Nota. El concepto de parmetro y estadstico son casi idnticos. La nica diferencia radica en el
conjunto de datos donde cada cual es calculado; mientras un estadstico se calcula utilizando los datos
de una muestra, un parmetro se calcula utilizando los datos de una poblacin.
Ejemplo 1.5.1.
El promedio muestral y el promedio poblacional de una poblacin nita son ejemplos
de un estadstico y de un parmetro respectivamente. Suponga que
7 El
diseo muestral
representa una caracterstica
comprende todos los aspectos relacionados con la obtencin de una muestra respecto a la
caractersticas objeto de estudio, como los objetivos de la investigacin, la estructura de la poblacin y los recursos
disponibles (humanos, nancieros, materiales, de disponibilidad de tiempo, etc.).
1.6.
VARIABLES
medible de inters (detalles en la seccin 1.6 y 3.2) y que
i-simo
individuo; as, el
promedio muestral
x=
Anlogamente, se dene el valor del
xi
representa el valor de
observado de
x1 + x2 + . . . + xn
1
=
n
n
promedio poblacional
X =
X,
denotado con
x,
asociado con el
se dene como:
xi
i=1
de
1
x1 + x2 + . . . + xN
=
N
N
X,
denotado por
X ,
como:
xi
i=1
Nota. Las expresiones dadas el ejemplo 1.5.1 son casi idnticas, pero la diferencia salta a la vista: en
la primera frmula, se tiene la informacin de una muestra; mientras que en la segunda expresin, se
tiene la informacin de una poblacin.
1.6. Variables
Las variables constituyen la materia prima de toda investigacin estadstica. En una investigacin lo
primero que se debe hacer es delimitar la cuestin a investigar, lo que permite evidenciar las variables
preponderantes del estudio.
Denicin 1.6.1.
Una
variable es una caracterstica observable o me-
dible de un individuo, que se describe acorde a una escala de medicin

bien denida (detalles en la seccin 1.7). Cada rasgo, aspecto o caracterstica de una poblacin constituye una variable.
Algunos ejemplos de variables son la edad, el gnero, la raza, la nacionalidad, la estatura, el peso, el
ingreso, el nmero de nacimientos, la tasa de suicidios, el producto interno bruto, entre otras.
Nota. Las variables como la inteligencia, el gusto, el miedo y la vocacin, por ejemplo, no son variables
observables. Tales caractersticas se denominan
variables latentes .
Cmo realizar estudios que
involucren este tipo de variables? Generalmente se emplean variables auxiliares que reejen el atributo
que se quiere investigar, como los coecientes de inteligencia y las escalas de valores o anidad, por
ejemplo.
Las variables se pueden clasicar segn su naturaleza como variables cualitativas o cuantitativas.
Las
variables cualitativas son aquellas que se expresan en forma verbal como categoras o atributos.
El gnero, la raza, la aliacin poltica, la nacionalidad y la profesin son ejemplos de variables

cualitativas.
CAPTULO 1.
Las
ELEMENTOS GENERALES
variables cuantitativas son aquellas que varan en trminos de cantidad y se registran o expresan
en forma numrica. La edad, el peso, la estatura, la temperatura y el salario son ejemplos de variables
cuantitativas. A su vez, estas variables se clasican como sigue:
Variables discretas : no admiten siempre un valor intermedio entre dos valores cualesquiera de
la variable. Por ejemplo, el nmero de hijos de una persona es una variable cuantitativa discreta.
Variables continuas : siempre admiten un valor intermedio entre dos valores cualesquiera de
la variable. Por ejemplo, el salario de un empleado medido en millones de pesos es una variable
cuantitativa continua.
En ocasiones, por simplicidad, conviene expresar las variables cuantitativas como variables cualitativas.
Por ejemplo, las calicaciones de los estudiantes pueden ser categorizadas y expresadas como una
variable cualitativa. As, el investigador puede utilizar una escala numrica de 0 a 5 para observar las
calicaciones de los estudiantes, y por comodidad expresar las observaciones por medio de categoras
acorde a un rango especco de valores en el que la calicacin del estudiante se encuentre, como por
ejemplo deciente, regular, bueno y excelente.
De otra parte, las variables tanto cualitativas como cuantitativas, tambin pueden ser clasicadas
como
variables transversales o longitudinales . Las primeras son aquellas en las que el momento
de recoleccin de la informacin es el mismo para todos los individuos, o simplemente no es objeto de

estudio; mientras que las variables longitudinales son observadas repetidamente a travs del tiempo.
Ejemplo 1.6.1.
Una empresa de consultora est creando un par de formularios para dos clientes
que necesitan informacin sobre un grupo particular de compaas que les son de inters. El primer
formulario indaga sobre el estado actual de las empresas de exportacin respecto al ao pasado, y
necesita establecer de stas: el porcentaje de aumento de sus ventas respecto al ao pasado, la cantidad
de clientes nuevos que tiene este ao, el nmero de empleados que maneja y los grupos industriales
a los que exporta. De otro lado, el segundo formulario busca conocer los sectores industriales que se
encuentran en crecimiento constante y su posible horizonte nanciero. Para esto requiere establecer de
las industrias: el sector en el que se encuentra, el porcentaje de aumento en la produccin y la cantidad
de clientes nuevos respecto al mes anterior. Clasicar las variables de inters. Cul formulario es
necesario diligenciar ms de una vez?
Solucin:
Para el primer formulario, el porcentaje de aumento de sus ventas respecto al ao pasado es una
variable cuantitativa continua, ya que este valor puede ser cualquier nmero real. La cantidad de
clientes nuevos que tiene este ao es una variable cuantitativa discreta, dado que si se tienen 10 u 11
clientes nuevos no es posible tener
10.5,
por ejemplo. El nmero de empleados que maneja tambin
es una variable cuantitativa discreta, siguiendo el mismo razonamiento de la variable anterior. Por
ltimo, los grupos industriales a los que exporta es una variable cualitativa, puesto que est asociada
con un nmero nito de valores cualitativos, a saber, industrial, comercial y de servicios.
En relacin con el segundo formulario, el sector en el que se encuentra es una variable cualitativa como
1.7.
MEDICIN
la ltima variable del formulario anterior. Adems, el porcentaje de aumento en la produccin y la

cantidad de clientes nuevos respecto al mes anterior son variables cuantitativas, continua y discreta
respectivamente, tal y como se explic para el primer formulario.
De otra parte, lo que se debe determinar en cuanto al diligenciamiento de los formularios es el objetivo
de cada uno, es decir, la razn de ser de cada cual. El primer formulario pretende responder a una
cuestin puntual referida a una comparacin entre la actualidad y un tiempo pasado, mientras que el
segundo est diseado para conocer una tendencia con el propsito de conjeturar sobre una situacin
futura. Luego, lo ms adecuado es que el primer formulario sea diligenciado una sola vez en el tiempo
para realizar dicha comparacin (estudio transversal), mientras que el segundo formulario requiere
que sea diligenciado varias veces para establecer la tendencia del crecimiento en el tiempo (estudio
longitudinal). Por ende las variables del primer formulario son variables transversales y las del segundo
son variables longitudinales.
Nota. Un mismo formulario puede contener variables transversales y longitudinales.
1.7. Medicin
Cuando se habla de estadsticas o de mtodos estadsticos se est inmerso necesariamente en el campo
de la medicin. Se quiere obtener informacin precisa del objeto en relacin a las caractersticas de
inters, que al ser medibles, deben procurar informacin concisa y concreta del fenmeno investigado.
Toda informacin que pueda ser obtenida con estas caractersticas se le considera real y verdadera,
y por tanto se le adjudica validez. Por consiguiente, la medicin es fundamental para que los juicios
sean acertados y validos.
Denicin 1.7.1.
La
medicin es un proceso mediante el cual se asig-
nan valores cuantitativos o cualitativos a los atributos de los elementos

objeto de estudio, de acuerdo a unas reglas claramente preestablecidas.
Cuando se trata de objetos fsicos el proceso de medicin es directo, porque es cuestin de seguir
cuidadosamente unas reglas acordadas de antemano expresadas mediante una escala determinada.
Por ejemplo, es fcil tomar la estatura de una persona, dado que no hay dicultades en asignar un
nmero a la distancia que hay desde la planta de los pies hasta la coronilla del individuo de acuerdo
con la escala de una cinta mtrica.
Denicin 1.7.2.
Una
escala de medicin
es un esquema especco
para asignar smbolos o nmeros con el objeto de designar los valores de

una variable.
10
CAPTULO 1.
ELEMENTOS GENERALES
La taxonoma ms conocida sobre las escalas de medicin la presenta Stevens (1951) quien las clasica
en nominales, ordinales, de intervalos y de razn:
La
escala nominal
es aquella donde se clasican los individuos en categoras distintas. Consiste en
agrupar los individuos de acuerdo a alguna cualidad que los hagan propios de una categora determinada.
Es posible utilizar nmeros en las escalas nominales, pero stos no representan magnitudes absolutas.
Los nmeros solo se utilizan con el propsito de etiquetar una determinada categora. Por ejemplo, en
algunas encuestas se asigna el nmero 1 al gnero masculino y el nmero 2 al gnero femenino, con el
propsito de facilitar el almacenamiento y manejo de la informacin, pero ello no quiere decir que el
gnero masculino tenga mayor o menor valor que el gnero femenino.
Los nmeros utilizados para efectos de identicacin en una escala nominal, nunca se utilizan para
llevar a cabo procedimientos aritmticos. Su nica funcin es identicar. De hecho, la medicin en
una escala nominal es limitada porque solo permite efectuar una clasicacin, mas no establecer la
magnitud de lo que se clasica.
La
escala ordinal
es aquella donde se clasican las unidades de observacin en una posicin con
relacin a cierto atributo, pero sin indicar la distancia que hay entre las posiciones. Cuando se asignan
nmeros es solo para indicar el orden de las posiciones de lo que se est identicando. Por ejemplo,
una junta directiva se encuentra analizando tres diferentes alternativas A, B y C para una campaa
de mercadeo, y deciden que la alternativa A es la mejor y que la B es la peor; as, se han ordenado
las alternativas de acuerdo a la conveniencia para la campaa, pero no es posible evidenciar que tan
conveniente es la alternativa A respecto a las otras dos alternativas.
Con una escala ordinal tampoco se deben llevar a cabo las operaciones aritmticas. La diferencia
que pueda haber entre los elementos observados, no est constituida por unidades absolutas que se
puedan utilizar para determinar la distancia entre los objetos medidos. Por ejemplo, en una carrera
en la que no ha sido tomado el tiempo de los competidores, es posible establecer quin lleg primero,
y quin lleg segundo, pero no es posible establecer la diferencia entre los tiempos de llagada de los
competidores.
La
escala de intervalo es aquella donde se ordenan los elementos segn la magnitud del atributo que
representan y se proveen intervalos iguales entre las unidades de medida. No posee un cero absoluto,
dado que es establecido por convencin de forma arbitraria por los expertos en el rea de estudio; el 0
no implica la ausencia del atributo. Por ejemplo, la escala de medida de la inteligencia posee un valor
0, pero ste no indica que un ser humano no tenga inteligencia. Anlogamente, si la temperatura de
un objeto es 0 grados centgrados, no es cierto que dicho elemento carezca de temperatura, ya que la
designacin del valor 0 es arbitraria y convencional.
Una diferencia de cierta magnitud en una escala de intervalo signica lo mismo para todas las posibles
diferencias con esa misma magnitud. Por ejemplo, la diferencia en la temperatura entre 1
equivalente a la diferencia entre 101
y 102
y 2
es
1.8.
LA INVESTIGACIN ESTADSTICA
Por ltimo, la
escala de razn
11
es aquella donde el punto 0 no es arbitrario y corresponde a una
total ausencia de la caracterstica observada. Por ejemplo, la escala de medicin de una regla de 10
centmetros es de razn, la cual est dividida en 10 unidades cada una de igual magnitud a partir de
un punto 0 absoluto y verdadero.
Algunas variables con las que se utiliza este tipo de escala se reeren a la ejecucin de tareas motoras
y a los de aspectos siolgicos. Dos ejemplos clsicos de la escala de razn son las medidas empleadas
para cuanticar la estatura y el peso de una persona. Adems, dado el carcter absoluto del 0, la
razn entre los valores involucrados en esta escala de medida hace sentido.
1.8. La investigacin estadstica

En esta seccin se seala el esquema de una investigacin estadstica, de la cual se har nfasis en los
tpicos que se consideran de mayor relevancia e inters para el lector. El esquema de una investigacin
estadstica es el siguiente:
i. Planteamiento del problema.

ii. Introduccin y justicacin.
iii. Preguntas de investigacin y/o formulacin de las hiptesis.
iv. Objetivos.
v. Fundamentacin terica y de referencia.
vi. Poblacin, muestra y medicin.
vii. Diseo de la investigacin.
viii. Presentacin y publicacin
ix. Cronograma y presupuesto.
x. Bibliografa.
Planteamiento del problema

Qu realidad interesa investigar?
En una investigacin es absolutamente necesario establecer qu y por qu se quiere estudiar algo.
Para ello, se debe lograr una delimitacin clara, concreta e inteligible del problema que se quiere
abordar, con el propsito de evidenciar su accesibilidad y solubilidad, de forma tal que por medio de
12
CAPTULO 1.
ELEMENTOS GENERALES
una revisin bibliogrca responsable sea posible conocer el estado del arte, los resultados obtenidos
en investigaciones similares y corroborar las proposiciones bsicas concebidas inicialmente.
Introduccin y justicacin
Qu se sabe de la realidad que interesa investigar? Por qu interesa investigar esta realidad?
Antes de realizar cualquier investigacin es obligatorio identicar qu se sabe acerca de la realizad
que se quiere examinar, con el propsito de establecer un punto de partida propio y real para el
estudio. Esto permite contextualizar e involucrar a todos los agentes de quienes pueda depender en
alguna medida la investigacin. Por lo mismo es muy importante justicar apropiadamente por qu
es menester investigar tal realizad. De aqu depende que sea interesante y conveniente para todos los
actores involucrados, pues de ello depende muchas veces la consecucin de los recursos.
Preguntas de investigacin y/o formulacin de las hiptesis

Qu particularidades interesan de los hechos objeto de estudio?
Una hiptesis es una explicacin provisional de los hechos objeto de estudio y su formulacin depende
del conocimiento que el investigador posea sobre la poblacin investigada. Una hiptesis estadstica
debe ser susceptible de prueba, esto es, se debe poder docimar o juzgar para su aceptacin rechazo.
Objetivos
Qu se quiere encontrar en el fenmeno objeto de estudio? Qu se espera que suceda con la intervencin?
Luego de establecer los hechos objeto de estudio, se debe presupuestar hasta dnde se quiere llegar
con la investigacin; en otras palabras, se debe jar cules son los objetivos de la investigacin.
stos se deben plantear de tal forma que no haya lugar a confusiones o ambigedades. Adems, es
recomendable diferenciar los objetivos a corto, mediano y largo plazo, as como los objetivos generales
y los especcos.
Fundamentacin terica y de referencia

En qu se apoya el investigador para estudiar esta realidad?
1.8.
LA INVESTIGACIN ESTADSTICA
13
Se debe evidenciar todo el bagaje terico que dirige la investigacin, describiendo completamente el
sustento terico del problema y las evidencias de todo tipo que se encuentren alrededor del mismo.
En la fundamentacin tambin se denen los trminos ms relevantes del estudio, ilustrando sus
principales rasgos y caractersticas.
Poblacin, muestra y medicin

Quines forman parte de la realidad que se estudia? De ellos, quines sern los informantes? Qu
y cmo se quiere medir?
La
unidad de observacin ,
entendida como cada elemento de la poblacin estudiada, debe ser
denida previamente, de tal forma que se destaquen todas sus caractersticas; pues, al n de cuentas,
es sobre las unidades de observacin que se hace la medicin. Una unidad de observacin puede
estar constituida por un elemento (unidad de observacin simple) o por varios elementos (unidad de
observacin compleja).
De otra parte, el criterio sobre el proceso de medicin debe ser previamente denido y unicado. Por
ejemplo, si se trata de medidas de longitud, volumen o peso, se debe establecer bajo qu unidad de
medida se tomarn las observaciones, ya sea en metros, pulgadas, libras, kilogramos, etc. As mismo,
se deben detallar las condiciones bajo las cuales se ha de efectuar la toma de la informacin.
En variadas circunstancias, estudiar todos y cada uno de los elementos que conforman la poblacin no
es aconsejable, ya sea porque los recursos econmicos y humanos son limitados, la homogeneidad de sus
elementos no justica un censo, o tal vez porque puede ser necesario destruir la unidad de observacin.
Por tales motivos se recurre al anlisis de los elementos de una muestra con el n de hacer inferencias
respecto a la poblacin. La muestra en cuestin debe ser representativa de la poblacin, esto es, sus
elementos deben ser escogidos de manera aleatoria de tal forma que reejen las caractersticas propias
de todos los individuos que conforman el colectivo en estudio.
Diseo de la investigacin
Cmo se desarrolla la investigacin? Cmo se organiza la investigacin?
En esta etapa se presenta el panorama metodolgico completo que evidencia la forma en que se
organiza todo el proceso de investigacin y los aspectos metodolgicos esenciales que guan el trabajo
del investigador. En esta fase es de suma importancia la claridad y la precisin para dar cuenta del
posicionamiento del investigador en el mapa metodolgico de la investigacin cientca. Dentro del
panorama metodolgico se deben contemplar de manera particular los siguientes aspectos: recoleccin,
crtica, clasicacin y ordenacin, y anlisis de la informacin.
14
CAPTULO 1.
ELEMENTOS GENERALES
Una de las etapas ms importantes de la investigacin es la recoleccin de la informacin, que ha de

8
partir a menos que se tenga experiencia con muestras anlogas de una o varias muestras piloto
en
las que se pondrn a prueba los instrumentos de medicin y se obtendr una idea preliminar de la
variabilidad de la poblacin, con el n de calcular el tamao exacto de la muestra que conduzca a una
estimacin de los parmetros con la precisin deseada.
Establecer las fuentes de informacin, as como la complejidad del instrumento de medicin, son
decisiones que se han de tomar teniendo en cuenta todos los factores involucrados en la observacin
de los elementos objeto de estudio. Se debe, entonces, descubrir dnde est la informacin, cmo y a
qu costo se puede conseguir.
Despus de reunir la informacin pertinente, se necesita la depuracin de los datos recogidos. Para
hacer la crtica de la informacin, es fundamental el conocimiento de la poblacin por parte de quien
depura, para que sea posible detectar, por ejemplo, falsedades en las respuestas, incomprensin a las
preguntas, o respuestas al margen de todas las posibles causas de nulidad de una pregunta. Una vez
separado el material de desecho de la informacin debidamente depurada se procede a establecer las
clasicaciones respectivas, y con la ayuda de hojas de trabajo, se ordenan las respuestas y se preparan
los modelos de tabulacin de las variables que intervienen en la investigacin. Los avances tecnolgicos
hacen que estas tareas, manualmente dispendiosas, puedan ser realizadas en corto tiempo.
La estadstica ofrece mtodos y procedimientos objetivos que convierten las especulaciones de primera
mano en aseveraciones cuya conabilidad puede ser evaluada en la toma de decisiones. Esta es la fase
de clculo de los estadsticos, el ajuste de los modelos y la prueba de las hiptesis estadsticas, con el
n de establecer y redactar las conclusiones denitivas.
Presentacin y publicacin
La informacin adquiere ms claridad cuando se presenta en una forma adecuada. Los cuadros, las
tablas y los grcos facilitan el anlisis, pero se debe tener especial cuidado con las variables que se
van a presentar y la forma de hacerlo. No es aconsejable saturar un informe con tablas y grcos
redundantes que, antes que claridad, creen confusin. Adems, la eleccin de los medios para mostrar
los resultados, se debe hacer no solo en funcin de las variables de inters, sino del lector a quien va
dirigido el informe.
8 Una
muestra piloto es un subconjunto de objetos de estudio que no son necesariamente seleccionados bajo el rigor
terico de una muestra probabilstica. Una muestra piloto permite realizar una descripcin preliminar del fenmeno
de estudio y probar varios pasos metodolgicos de la investigacin, con el n de realizar correcciones y examinar los
supuestos tericos de las etapas posteriores.
1.9.
15
COMENTARIOS
1.9. Comentarios
En este captulo se presentan algunos conceptos bsicos de estadstica, con el propsito de alentar su
estudio y esclarecer las concepciones falsas que se tengan al respecto; como creer que la estadstica
nicamente trata con los porcentajes y las frecuencias que aparecen continuamente en los peridicos.
As, en este captulo y en los siguientes, se muestra una concepcin real de la estadstica descriptiva
por medio de sus aplicaciones, dado que es una herramienta de gran utilidad, que requiere un uso
adecuado e inteligente.
Es indispensable tener claras las premisas y los fundamentos de la estadstica, para que posteriormente
se entiendan los conceptos que se presentan, se apliquen los mtodos de manera correcta, y se analicen
los resultados obtenidos objetivamente, con el n de no cometer errores astronmicos como, por
ejemplo, establecer que tomar caf produce cncer, conclusin que eventualmente podra surgir de
un estudio cuyos pacientes son en su mayora fumadores.
Por ltimo, se resalta la importancia de una investigacin cientca como herramienta de estudio, dado
que a travs de las hiptesis, los protocolos y/o las metodologas desarrolladas en una investigacin de
tales caractersticas, es posible obtener conclusiones vlidas sobre un tema de inters, con el propsito
de tomar decisiones conscientes en situaciones que impliquen incertidumbre.
1.10. Ejercicios
1.1 Clasicar se segn su naturaleza y establecer la escala de medicin de las siguientes variables:
a. Estrato socio-econmico.
b. Gnero.
c. Nmero de errores.
d. Filiacin poltica.
j. Edad en aos cumplidos.

k. Categora de un hotel.
l. Opinin.
m. Profesin.
e. Calicacin de una prueba.

f. Nivel educativo.
g. Estatura.
h. Temperatura.
i. Clasicacin tnica.
n. Nmero de hermanos.
. Ingresos mensuales.
o. Utilidades anuales.
p. Tiempo requerido para ejecutar una tarea.
1.2 Proponer una posible unidad de observacin para cada variable del numeral anterior.
1.3 Un investigador educativo quiere evaluar la efectividad de un nuevo mtodo para ensear a leer a
estudiantes sordos. El aprovechamiento al nal del periodo de enseanza se mide con la puntuacin
del estudiante en una prueba de lectura.
a. Cul es la variable de estudio? Qu tipo de variable de es? Cul es la escala de medicin?
16
CAPTULO 1.
ELEMENTOS GENERALES
b. Cul es la unidad de observacin?

c. Identicar la poblacin de inters para el investigador.
1.4 Una empresa tuvo el ao pasado algunas ventas de gran importancia. Los datos correspondientes
(en millones de pesos) se muestran en la siguiente tabla:
100,224.95
103,534.54
80,479.93
97,141.20
88,540.67
97,788.97
104,677.53
96,922.26
111,849.34
97,658.20
83,544.03
85,503.09
113,221.35
108,896.68
111,106.26
92,809.99
95,635.89
109,069.38
101,072.17
105,795.74
a. Calcular la venta promedio.

b. Calcular la media muestral de cada una de las muestras conformadas por las siguientes observaciones:
{10; 15}, {1; 2; 5; 10; 13} y {1; 4; 7; 9; 12; 15; 19; 20}. Las observaciones estn ordenadas
por las.
c. Qu puede concluir de los valores obtenidos en el numeral anterior?
1.5 Haciendo un estudio sobre la intencin de voto en una poblacin conformada por 5 millones de
votantes, de los cuales 2,900,000 son mujeres, se elige una muestra formada por 3,000 personas.
Cuntas mujeres y cuntos hombres deber haber en la muestra elegida guardando las proporciones dadas en la poblacin?
1.6 Cules son las principales diferencias entre la estadstica descriptiva y la estadstica inferencial?
1.7 Las siguientes poblaciones son nitas o innitas? Por qu?
a. Artculos elaborados por una fbrica determinada.
b. Lotes de artculos elaborados por una fbrica determinada el ao pasado.
c. Bacterias que se encuentran en un pozo.
d. Empresas nacionales cuyas utilidades superan un milln de dlares anuales.
e. Posibles causas de la mala alimentacin en una poblacin determinada.
f. Epidemias reportadas en el mundo el ao pasado.
1.8 Dada las motivaciones actuales que se tienen sobre el estudio del ser humano y sus interacciones
con el sexo opuesto, un centro de investigacin decidi estudiar a tres grupos de personas de
manera independiente. El primero est conformado por 15 hombres y 15 mujeres, el segundo por
20 hombres y 10 mujeres, y el tercero por 10 hombres y 20 mujeres. El objetivo del estudio es
detectar los comportamientos que se encuentran solamente en uno de los grupos, es decir, aquellos
comportamientos que no se tengan en ms de uno de ellos. Este estudio hara uso de la estadstica
descriptiva o de la estadstica inferencial? Por qu?
1.9 En los siguientes casos identicar la poblacin, la muestra, la unidad de observacin, la variable
de inters y si la medicin es cuantitativa o cualitativa:
1.10.
EJERCICIOS
17
a. Varias veces durante el da un ingeniero de control de calidad de una fbrica, seleccionada

aleatoriamente algunos artculos producidos, los examina y registra el nmero de imperfecciones
que encuentra en cada artculo.
b. Durante una auditoria, cierta cantidad de cuentas de una rma fueron seleccionadas aleatoriamente y examinadas en busca del nmero de errores.
c. Un examen de inteligencia es aplicado a un grupo de nios que reciben educacin especial.
Todos los nios cursan el segundo grado y han sido escogidos para recibir un nuevo programa
de instruccin impartido en una escuela del distrito. El examen debe ser aplicado antes y
despus de que reciban la instruccin.
d. Un gerente desea conocer si aquellos empleados que reciben 25 das de vacaciones son ms
productivos durante el ao que aquellos que reciben solo 15 das. El gerente selecciona una
muestra de 40 trabajadores y registra su rendimiento.
1.10 En los siguientes casos distinguir las muestras aleatorias de las que no lo son:
a. Un fabricante necesita tener la certeza de que menos del 2 % de los artculos de un embarque
son defectuosos, de modo que prueba cierta cantidad de ellos tomados de los que vienen arriba
de un cargamento.
b. El Ministerio de Salud desea saber si una tienda particular rene los requisitos del cdigo
sanitario. Para ello decide visitar la tienda el quinto da de cada mes.
c. La rectora de una universidad desea establecer la proporcin de estudiantes activos que estn de
acuerdo con una reforma del reglamento estudiantil, por lo que contrata a un grupo de personas
para indagar sobre tal cuestin a los estudiantes que logren contactar un da determinado en
la plaza central de la institucin.
1.11 Establecer las diferencias entre:
a. Parmetro y estadstico.
b. Poblacin y muestra.
c. Muestro probabilstico y muestreo no probabilstico.
1.12 Enumerar los siguientes trminos en el orden adecuado: conocimiento, datos e informacin. Justicar.
1.13 Identicar tres tpicos actuales relacionados con la poltica, la economa y las ciencias sociales,
de los cuales se requiera algn tipo de informacin. Describir la informacin que se necesita para
investigar cada tpico.
1.14 Describir tres tcnicas reconocidas del muestro no probabilstico.
1.15 Realizar el esqueleto de una investigacin cientca para un tema que le sea de particular inters,
en el cual haga mencin de los puntos ms importantes de una investigacin estadstica.
Captulo
Tablas y grcas estadsticas

2.1. Introduccin
Una de las primeras etapas en el anlisis estadstico es la exploracin de los datos, en la cual se resume
la informacin de las variables de manera compacta y precisa. Con este n se generan tablas y grcas
que evidencien claramente el comportamiento de las variables de manera individual y conjunta. Sin
1
embargo, una de las aplicaciones que mayor relevancia tiene este tipo de anlisis es la depuracin
de
la informacin, puesto que la mayora de anomalas se reejan de manera particular dentro del anlisis
exploratorio de los datos. Por ello es que la mayora de tales anlisis enfatizan el estudio univariado
de los datos, es decir, de una sola variable a la vez.
La depuracin de la informacin no es la nica utilidad que tiene la exploracin de los datos, ya

que tambin permite evidenciar tendencias de los individuos investigados y clasicar tales unidades de
acuerdo a los parmetros de homogeneidad establecidos, o estudiar la interaccin entre varias variables
de inters.
Nota. Algunas anomalas de los datos pueden ser: datos faltantes, prdidas de formato, errores de
digitacin, valores no probables y no respuesta, por ejemplo.
1 La
depuracin
es el proceso mediante el cual se realiza una inspeccin en busca de anomalas dentro de la
informacin que posteriormente don eliminadas y/o corregidas.
18
2.2.
19
TABLAS ESTADSTICAS
2.2. Tablas estadsticas

Considere un conjunto de
sido agrupados en
individuos asociado con una variable cuyas modalidades o valores han
clases o categoras denotadas con
C1 , C2 , . . . , Ck .
Para cada una de las
clases
se denen las siguientes magnitudes:
Denicin 2.2.1.
La
frecuencia absoluta
de la clase
cantidad de observaciones que hacen parte de la
Denicin 2.2.2.
La
i-sima
Ci ,
ni , es
i = 1, . . . , k .
denotada con
categora para
la
frecuencia relativa de la clase Ci , denotada con fi , es la propor-
cin de la frecuencia absoluta de la i-sima categora respecto al total de observaciones,

esto es,
fi =
para
ni
n
i = 1, . . . , k .
Nota. Multiplicado por 100 % la frmula de la denicin 2.2.2,
fi representa el porcentaje de individuos
comprendidos en la clase correspondiente.
Denicin 2.2.3. La frecuencia absoluta acumulada de la clase Ci , denotada con

Ni , es la cantidad de individuos cuya modalidad es inferior o igual a la i-sima categora,
es decir,
Ni =
nj
j=1
para
i = 1, . . . , k .
Denicin 2.2.4.
Fi ,
La
frecuencia relativa acumulada
de la clase
Ci ,
denotada con
es la proporcin de individuos respecto al total de observaciones cuya modalidad es
inferior o igual a la
i-sima
categora, es decir,
Fi =
para
i = 1, . . . , k .
Ni
n
20
CAPTULO 2.
TABLAS Y GRFICAS ESTADSTICAS
Nota. Las frecuencias acumuladas se calculan para variables medidas en una escala al menos de tipo
ordinal; aunque tambin se pueden calcular para variables nominales, su interpretacin es de cuidado,
de acuerdo al orden arbitrario de las clases establecido previamente.
Se llama
distribucin de frecuencias
a la tabla que contiene las categoras junto con las frecuen-
cias correspondientes. Una tabla con tales caractersticas sirve para presentar de forma ordenada la
distribucin de los datos. Su forma general se presenta en la tabla 2.1.
Proposicin 2.2.1.
En una distribucin de frecuencias de una categora con
clases se cumplen las
siguientes propiedades:
i.
iii.
Fi =
fi = 1
fk
k=1
i=1
ii.
iv.
Nk = n
Fk = 1
La demostracin se deja como ejercicio para el lector.
Ci
C1
C2
ni
n1
n2
fi
f1
f2
Ni
N1
N2
Fi
F1
F2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Ck
nk
n
fk
N.A.
N.A.
Total
Tabla 2.1:
Formato general de una distribucin de frecuencias.
2.2.1. Tablas para variables cualitativas

A continuacin se presentan algunos ejemplos relacionados con el resumen de la informacin asociada
con variables cualitativas. En la construccin de las tablas estadsticas correspondientes se debe tener
en cuenta la escala de medicin para establecer si es pertinente emplear las frecuencias acumuladas.
Ejemplo 2.2.1.
Considerar el conjunto de datos de la tabla 2.2 asociados con una encuesta de opinin
acerca de una medida econmica. Elaborar la tabla de frecuencias correspondiente.
Solucin:
La variable opinin, es una variable cualitativa nominal que toma los valores A favor, En contra
y NS/NR, de tal forma que el nmero de clases es
de frecuencias requerida.
k = 3.
La tabla 2.3 corresponde a la distribucin
2.2.
21
TABLAS ESTADSTICAS
Tabla 2.2: Datos asociados con una encuesta de opinin acerca de una medida econmica. 1=A favor; 0=En contra;
3=No Sabe/No Responde (NS/NR).
Ci
ni
fi
A favor
10
35.7 %
En contra
14
50.0 %
NS/NR
14.3 %
Total
28
100 %
Tabla 2.3: Distribucin de frecuencias de los datos de la tabla 2.2.
Como la escala de medicin de la variable opinin es nominal entonces no hacen sentido las frecuencias acumuladas.
Ejemplo 2.2.2.
Considerar el conjunto de datos de la tabla 2.4 asociados con el nivel educativo de
algunos empleados de una empresa. Elaborar la tabla de frecuencias correspondiente.

B
Tabla 2.4: Datos asociados con el nivel educativo de algunos empleados de una empresa. B= Bachillerato; P= Pregrado;
M= Maestra; D= Doctorado.
Solucin:
La variable nivel educativo, es una variable cualitativa ordinal que toma los valores Bachillerato,
Pregrado, Maestra y Doctorado, por lo que el nmero de categoras es
k = 4.
La tabla 2.5
corresponde a la distribucin de frecuencias requerida.
Como la escala de medicin de la variable nivel educativo es ordinal entonces hacen sentido las
frecuencias acumuladas.
Otro tipo de tablas para variables cualitativas son generadas a partir de dos o ms variables cualitativas, denominadas tablas de clasicacin a
vas, donde
es el nmero de variables cualitativas que
se estn considerando. En el ejemplo 2.2.3 se presenta una tabla a dos vas de clasicacin.
22
CAPTULO 2.
Ci
ni
fi
Ni
Fi
Bachillerato
33
66.0 %
33
66.0 %
Pregrado
14.0 %
40
80.0 %
Maestra
16.0 %
48
96.0 %
Doctorado
4.0 %
50
100 %
Total
50
100 %
N.A.
N.A.
Ejemplo 2.2.3.
Un estudio sobre el comportamiento de diferentes razas de perros gener la clasi-
cacin que se presenta en la tabla 2.6 respecto a su tamao (T ) y su afectividad (A).
Raza
Raza
bass
Peq
Baja
galg
Gra
Baja
beau
Gra
Alta
gasc
Gra
Baja
boxe
Med
Alta
labr
Med
Alta
buld
Peq
Alta
masa
Gra
Alta
bulm
Gra
Baja
mast
Gra
Baja
cani
Peq
Alta
peki
Peq
Alta
chih
Peq
Alta
podb
Med
Alta
cock
Med
Alta
podf
Gra
Baja
coll
Gra
Alta
poin
Gra
Baja
dalm
Med
Alta
sett
Gra
Baja
dobe
Gra
Baja
stbe
Gra
Baja
dogo
Gra
Baja
teck
Peq
Alta
foxh
Gra
Baja
tern
Gra
Baja
foxt
Peq
Alta
Tabla 2.6: Datos asociados con la clasicacin con respecto al tamao y a la afectividad de un grupo de perros. Peq=
Pequeo; Med= Mediano; Gra= Grande.
Con el propsito de empezar una campaa de mercadeo con esta clasicacin, interesa conocer el
porcentaje de razas que son grandes y afectivas, y tambin el porcentaje de razas que son pequeas y
afectivas. Para tal n se genera la tabla 2.7 a dos vas de clasicacin con las variables en cuestin.
De esta tabla se concluye que las razas de perros cuyos tamaos son grandes, en su mayora son poco
afectivas, mientras que las razas de perros cuyo tamao es pequeo frecuentemente son muy afectivas,
por lo que en la campaa se considerar un enfoque publicitario en las razas de perros pequeos.
2.2.
23
TABLAS ESTADSTICAS
T \A
Alta
Baja
Total
Grande
11.1 %
44.4 %
55.5 %
Mediano
18.5 %
0.0 %
18.5 %
Pequeo
22.2 %
3.7 %
25.9 %
51.8 %
48.1 %
1.00 %
Total
Tabla 2.7: Tabla a dos vas de clasicacin de los datos de la tabla 2.6.
2.2.2. Tablas para variables cuantitativas

Cuando una variable es cuantitativa de razn, no se dispone directamente de un conjunto de
clases
para elaborar la tabla de distribucin de frecuencias. El siguiente es un procedimiento que permite

crear las categoras para este tipo de variables:
k.
1. Seleccionar el nmero de categoras
Para tal n se distinguen tres alternativas:
ii. Elegir
mediante la frmula
5 k 16.
k n.
iii. Elegir
mediante la frmula
k 1 + 3.3 log(n).
i. Elegir arbitrariamente
Sturges
tal que
Esta frmula se conoce como la
regla de
(Sturges 1926).
Nota. Los resultados de estas frmulas generalmente no coinciden, as que el usuario decidir a
conveniencia cuantas clases utilizar.
2. Obtener el
mnimo y el mximo de los valores que de la variable. Si X es la variable de inters
entonces el mnimo y el mximo de

3. Calcular el
rango o recorrido
de
X.
se denotan con
xm
n
xmx
a
El rango se simboliza con
respectivamente.
RX
y su frmula es:
RX = xmx xm
a
n
4. Calcular la
amplitud
de las categoras. La amplitud se denota con
y por facilidad conviene
que sea igual para todas las clases. La frmula de la amplitud es:
a=
RX
k
5. Establecer las categoras de la siguiente manera:
C1 = {x : l0 x < l1 }
donde l0
= xm
n
C2 = {x : l1 x < l2 }
donde l2
= l1 + a .
y l1
= l0 + a.
.
.
.
Ci = {x : li1 x < li }
donde li
= li1 + a.
(2.1)
24
CAPTULO 2.
.
.
.
Ck = {x : lk1 x lk }
Ejemplo 2.2.4.
donde lk
= lk1 + a = xmx .
a
Considerar el conjunto de datos de la tabla 2.8 asociados con las ganancias (en
millones de pesos) en un da determinado de una muestra de empresas de una ciudad. Elaborar la

distribucin de frecuencias correspondiente.
103.1
82.1
106.2
100.9
91.8
96.1
119.8
93.1
86.8
75.2
93.0
82.3
126.9
94.8
64.2
105.3
108.0
86.3
81.8
138.1
92.5
66.3
66.6
142.2
96.5
74.8
95.4
100.1
81.9
112.0
116.8
103.2
66.1
60.4
78.7
Tabla 2.8: Datos asociados con las ganancias en un da determinado de una muestra de empresas de una ciudad.
Solucin:
La variable ganancias es una variable cuantitativa de razn. Es claro que esta variable no est dada
en categoras, por lo que es necesario elaborar las clases pertinentes como sigue:
1. Se opta por trabajar con
k = 6 clases dado que
2.
xm = 60.4
n
3.
35 = 5.916 6 y 1 + 3.3 log10 (35) = 6.095 6.
RX = xmx xm = 142.2 60.4 = 81.8.

a
n
4.
a = 81.8/6 = 13.63.
xmx = 142.2.
a
5. Las clases resultantes son:
C1 = {x : l0 x < l1 }
donde l0
= 60.40
C2 = {x : l1 x < l2 }
donde l2
= 74.03 + 13.63 = 87.67.
C3 = {x : l2 x < l3 }
donde l3
= 87.67 + 13.63 = 101.30.
C4 = {x : l3 x < l4 }
donde l4
= 101.30 + 13.63 = 114.93.
C5 = {x : l4 x < l5 }
donde l5
= 114.93 + 13.63 = 128.57.
C6 = {x : l5 x l6 }
donde l6
= 128.57 + 13.63 = 142.20.
y l1
= 60.40 + 13.63 = 74.03.
Lo que sigue es enumerar la cantidad de datos en cada categora, y as obtener la distribucin de

frecuencias requerida (tabla 2.9).
Dado que las ganancias estn medidas en una escala de razn hacen sentido las frecuencias acumuladas.
2.3.
25
GRFICAS ESTADSTICAS
Ci
[60.40; 74.03)
[74.03; 87.67)
[87.67; 101.30)
[101.30; 114.93)
[114.93; 128.57)
[128.57; 142.20]
ni
fi
Ni
Fi
14.3 %
14.3 %
25.7 %
14
40.0 %
10
28.6 %
24
68.6 %
Total
17.1 %
30
85.7 %
8.6 %
33
94.3 %
5.7 %
35
100 %
35
100 %
N.A
N.A
2.3. Grcas estadsticas

En la estadstica descriptiva se utilizan grcas de diversos tipos dependiendo de las caractersticas en
estudio. Entre ellos se destacan los siguientes: diagramas de barras, diagramas de sectores, pictogramas,
diagramas de tallo y hojas, histogramas y polgonos de frecuencias. Es una buena costumbre elaborar
una grca para cada distribucin de frecuencias que tenga lugar.
2.3.1. Grcos para variables cualitativas

Diagrama de barras
Un diagrama de barras es una representacin grca en la que cada una de las modalidades de la
variable de inters se representa mediante una barra. En este grco se disponen los datos en el
primer cuadrante de unos ejes coordenados, levantando sobre el eje de las abscisas (eje
x)
una barra
para cada modalidad de la variable. La altura de la barra debe ser proporcional a la frecuencia absoluta
o relativa que se representa en el eje de las ordenadas (eje
y ).
Nota. Estos diagramas se utilizan tanto para variables cualitativas como cuantitativas discretas cuando
la cantidad de categoras lo permite.
Ejemplo 2.3.1.
En la gura 2.1 se muestra un diagrama de barras en el que se representa el estado
civil de una muestra de personas de una localidad.
Diagrama de sectores
En el diagrama de sectores se divide un crculo en tantas porciones como categoras tenga la variable,
de modo que a cada clase le corresponda un sector del crculo proporcional a su frecuencia absoluta o
26
CAPTULO 2.
Figura 2.1: Ejemplo de un diagrama de barras.
relativa. El arco de cada porcin se puede calcular usando la siguiente regla de tres:
n 360o
ni vi
lo que da como resultado
vi =
donde
vi
ni 360o
n
es el ngulo asociado con el sector circular de la
Ejemplo 2.3.2.
i-sima
categora para
i = 1, . . . , k .
En la gura 2.2 se presenta un diagrama de sectores relacionado con la clasicacin
de una muestra de empresas de una ciudad.
Nota. En algunas situaciones es de inters comparar dos conjuntos de datos. En tales casos es aconsejable el uso de las frecuencias relativas en los grcos para efectuar directamente la comparacin.
Adems, si los grcos usan los ejes coordenados, se debe procurar que stos tengan la misma escala
de medida.
2.3.
27
GRFICAS ESTADSTICAS
Figura 2.2: Ejemplo de un diagrama de sectores.
2.3.2. Grcos para variables cuantitativas

Para las variables cuantitativas, se consideran dos tipos de grcos en funcin del uso de las frecuencias
absolutas o relativas, a saber, diagramas diferenciales y diagramas integrales.
Denicin 2.3.1.
Un
diagrama diferencial
es un grco donde se
representan las frecuencias absolutas o relativas. Mientras que un
gramas integral
dia-
es un grco en el que se representan las frecuencias
absolutas o relativas acumuladas.
Nota. Dado que los diagramas integrales se construyen a partir de las frecuencias acumuladas, stos
dan lugar a grcos crecientes.
Como se ha visto, hay dos tipos de variables cuantitativas: discretas y continas. A continuacin se
muestran algunas representaciones grcas para cada una de ellas.
28
CAPTULO 2.
Grcos para variables cuantitativas discretas

Cuando se trabaja con una variable cuantitativa discreta, se utiliza como diagrama diferencial un
diagrama de barras. Se recomienda que las barras sean estrechas para evidenciar que los valores que
toma la variable son discretos. El diagrama integral tiene, dada la naturaleza de la variable, forma de
escalera.
Ejemplo 2.3.3.
Para la informacin dada en la tabla 2.10 elaborar los diagramas diferencial e integral
correspondientes.
Nmero de hijos
Frecuencia
Tabla 2.10: Clasicacin de un grupo de familias por el nmero de hijos.
Solucin:
En primer lugar, se debe obtener la distribucin de frecuencias del nmero de hijos. Tal distribucin
se presenta en la tabla 2.11. Con las frecuencias relativas se realizan los diagramas requeridos. Los
grcos utilizando las frecuencias absolutas son idnticos salvo por un cambio de escala en el eje de
las ordenadas.
Se observa que el grco integral es creciente y que los saltos corresponden a la magnitud de las
barras del grco diferencial. En la gura 2.3 se presentan estos grcos.
Ci
ni
fi
Ni
Fi
0.083
0.083
0.250
0.333
0.416
0.750
0.250
12
Total
12
N.A.
N.A.
Grcos para variables cuantitativas continuas

Histogramas y polgonos de frecuencias
Cuando las variables son cuantitativas continuas se utilizan los histogramas y los polgonos de frecuencias. Un
histograma
se construye a partir de la distribucin de la frecuencias asociando a cada
categora un rectngulo que tiene a cada intervalo como base. El criterio para calcular la altura de
2.3.
29
GRFICAS ESTADSTICAS
Figura 2.3: Grcos diferencial (a) e integral (b) de los datos de la tabla 2.10.
cada rectngulo es mantener la proporcionalidad entre la frecuencia de cada intervalo y el rea del
mismo.
Una vez se ha elaborado el histograma, el
polgono de frecuencias consiste en unir mediante lneas
rectas los puntos superiores de cada rectngulo localizados en los puntos medios de cada intervalo.
Tales cantidades se denominan
marcas de clase
xi =
donde xi denota la marca de clase,

i-simo intervalo para i = 1, . . . , k .
Un
li1
polgono de frecuencias acumulado
li
y estn dadas por
li1 + li
2
son el lmite inferior y superior respectivamente de
u ojiva es un diagrama integral para una variable cuan-
titativa continua, y se obtiene de la misma forma que un polgono de frecuencias corriente, pero en
lugar de dibujar el polgono sobre el histograma, se representa sobre el diagrama de barras de las
frecuencias acumuladas.
Ejemplo 2.3.4.
En la gura 2.4 se presenta un ejemplo de un polgono de frecuencias y un polgono
de frecuencias acumulado.
Nota. Con el propsito de facilitar la lectura de los histogramas y de representar la informacin con
mayor precisin, es costumbre suavizar los polgonos de frecuencias como se ilustra en la gura 2.5.
30
CAPTULO 2.
Figura 2.4: Ejemplo de un polgono de frecuencias (a) y de un polgono de frecuencias acumulado (b).
Figura 2.5: Ejemplo de un polgono de frecuencias suavizado.
2.3.
31
GRFICAS ESTADSTICAS
Pictogramas
Un
pictograma expresa con dibujos alusivos al tema de estudio las frecuencias de las modalidades de
la variable. Estos grcos se hacen representando a diferentes escalas un mismo dibujo. El escalamiento
de los dibujos debe ser de tal forma que el tamao de cada uno de ellos sea proporcional a la frecuencia
absoluta o relativa de la modalidad que representa. Este tipo de grcos suele usarse en los medios de
comunicacin, para que sean comprendidos por el pblico no especializado, sin que sea necesaria una
explicacin compleja.
Ejemplo 2.3.5.
En la gura 2.6 se presenta un pictograma
en el que se evidencia el nmero de
hectreas de trigo cultivadas entre 1992 y 1997.
Figura 2.6: Ejemplo de un pictograma.
Cartogramas
Los
cartogramas se utilizan cuando los datos disponibles hacen referencia a diferentes zonas geogr-
cas, de forma tal que los diferentes valores de la variable se indican con diferentes colores y tramas
sobre la zona correspondiente de acuerdo con el carcter que representan.
Ejemplo 2.3.6.
En la gura 2.7 se presenta un cartograma
en el que se evidencia la urbanizacin
en el mundo atendiendo a la industrializacin.
Diagrama de tallos y hojas

Similar a un histograma, un
diagrama de tallos y hojas
es una forma adicional de representar
tallos y las
hojas . Una forma de elaborar el diagrama
las frecuencias asociadas con una variable cuantitativa, donde las clases conforman los
frecuencias correspondientes al interior de cada tallo son las
si los datos son nmeros de dos cifras, por ejemplo, consiste en escoger cada tallo como el primer dgito
2 Grca
tomada
de
la
pgina
web
http://profematesnoemi.blogspot.com/2011/04/
ejemplos-de-pictogramas-estadisticos.html.
3 Grca tomada de la pgina web http://www.ceibal.edu.uy/contenidos/areas_conocimiento/mat/estadistica/
cartograma.html.
32
CAPTULO 2.
Figura 2.7: Ejemplo de un cartograma.
de los datos y cada hoja como el ltimo dgito; de tal forma que si el dato es 42 entonces el tallo es
4 y la hoja es 2. El diagrama usa una representacin en dos columnas; en la primera se ordenan los
valores de los tallos, y en la segunda, separada por una lnea vertical de la primera, se colocan dentro
los valores de cada hoja ordenados ascendentemente sin importar que haya valores repetidos.
Nota. Cuando los datos son nmeros muy grandes es necesario aproximarlos a cantidades cercanas a
cientos, dependiendo de las diferencias que se presenten.
44
45
50
62
45
51
44
50
58
44
49
62
61
53
56
56
60
54
55
47
Tabla 2.12: Datos asociados con el nmero de clientes de un almacn atendidos en los ltimos 20 das.
Ejemplo 2.3.7.
Un almacn reconocido con una capacidad mxima de atencin de 60 clientes est
considerando contratar ms personal, puesto que en los ltimos das se ha visto corta de empleados
para atender a la clientela. Para vericar esto se realiza un diagrama de tallos y hojas con la informacin
de la tabla 2.12 correspondiente al nmero de clientes atendidos en los ltimos 20 das.
Una vez realizado este diagrama de tallo y hojas (tabla 2.13), el almacn decide no contratar ms
personal, puesto que la capacidad de atencin a sido superada nicamente en 3 ocasiones.
Diagramas de lneas
2.4.
33
COMENTARIOS
Tallo
hojas
4445579
001345668
0122
Tabla 2.13: Ejemplo de un diagrama de tallo y hojas.
Los
diagramas de lneas
son grcos diseados especialmente para representar una estructura
especial de datos longitudinales (detalles en la seccin 1.6) denominada
serie de tiempo. Este tipo
de datos surge cuando un mismo individuo es observado en diferentes ocasiones momentos con el
propsito de analizar la evolucin de la variable de estudio a travs del tiempo y de realizar pronsticos
con base en la tendencia observada. En estos diagramas la variable de estudio se presenta en el eje
y,
mientras que los tiempos de medicin correspondientes se muestran en el eje
x,
de tal forma que
se unen mediante lneas rectas las observaciones registradas. Ejemplos clsicos de las series de tiempo
son las series econmicas.
Ejemplo 2.3.8.
En la gura 2.8 se presenta un ejemplo de una serie de tiempo correspondiente al

4
precio nal (en miles de pesos) del galn de gasolina corriente en Bogot .
2.3.3. Sobre los grcos

dar a entender de
identicar fcilmente cualquier
Cuando se elabora un grco hay que tener en mente su objetivo primordial:

manera clara y sencilla el comportamiento de una o varias variables e
fenmeno de inters, como la concentracin de los valores de una variable en alguna clase, la existencia
categoras sin propsito, la presencia de datos atpicos, etc. Por tal motivo, se debe tener especial
atencin en las partes que conforman los grcos, como el ttulo principal, el ttulo de los ejes, el
color, el tamao y la escala, ya que se puede desviar la atencin del grco cuando ste es muy
estrambtico o colorido, o dicultar la lectura cuando se desconoce el signicado de los ejes, por
ejemplo.
2.4. Comentarios
En este captulo se abordan las formas bsicas de resumir variables cualitativas y cuantitativas por
medio de tablas y grcas. Las tablas permiten evidenciar cmo se comportan las variables respecto a
4 Datos
tomados de la pgina web
gasolina.bogota.r.
http://www.unalmed.edu.co/~ndgirald/programas/R/curso%20series/ejemplo.
34
CAPTULO 2.
Figura 2.8: Ejemplo de una serie de tiempo.
los grupos o categoras que ellas mismas denen con relacin a la informacin que se tiene, dependiendo
de las especicaciones del problema y de las necesidades del investigador.
De otro lado, es de suma importancia la representacin grca si se quiere evidenciar la informacin

que se encuentra almacenada en las bases de datos, puesto que tales representaciones hacen ms fcil
asimilar y mostrar las caractersticas de las variables de inters. Para estos casos los grcos tambin
son de mucha utilidad, ya que al ser de fcil interpretacin, es posible utilizarlos para comparar varios
fenmenos a la vez de manera descriptiva.
2.5. Ejercicios
2.1. Los datos que aparecen a continuacin corresponden a los porcentajes de rentabilidad de las
acciones de una muestra de 25 empresas.
2.5.
35
EJERCICIOS
30.8
20.3
24.0
29.6
19.4
38.0
24.5
21.5
25.6
30.8
32.9
30.3
39.5
13.3
28.0
19.9
24.6
32.3
30.7
20.3
24.7
18.7
36.8
31.2
50.9
a. Elaborar una tabla de frecuencias de cinco clases, el histograma y la ojiva correspondiente.

Comentar los resultados.
b. Responder:
i. Qu porcentaje de acciones tienen el porcentaje de rentabilidad mayor que 28.34 %?
ii. Cuntas acciones tienen el porcentaje de rentabilidad entre 35.86 % y 43.38 %?
iii. Qu porcentaje de acciones tienen el porcentaje de rentabilidad entre 43.38 % y 50.90 %?
iv. Cuntas acciones tienen el porcentaje de rentabilidad menor que 28.34 % o mayor que
43.38 %?
2.2. Los datos que se presentan a continuacin corresponden a las cuentas telefnicas mensuales (en
miles de pesos) de una muestra de residentes de un sector de una ciudad:
21.48
21.15
25.12
23.47
27.81
19.80
36.05
28.50
26.66
20.35
30.22
25.49
20.80
23.83
25.35
23.48
25.81
21.07
22.98
27.24
30.16
21.36
20.91
27.36
26.98
33.54
20.24
28.52
27.34
31.87
21.63
22.30
21.22
27.36
23.39
23.96
22.58
25.87
27.29
29.80
17.13
34.55
24.09
22.21
30.23
26.83
30.96
33.38
20.77
19.98
35.87
22.02
a. Elaborar la tabla de frecuencias.

b. Cules son las categoras o clases de cuentas que ocurrieron con menor frecuencia?
c. Realizar un grco con el cual se pueda discutir la siguiente armacin: hay concentracin de
los montos de las cuentas telefnicas.
2.3. Se ha realizado una encuesta a 600 personas que se encuentran en un centro comercial sobre
el tipo de almacn que ms frecuentan dndoles a escoger algunas opciones que guran en un
formulario. Se han obtenido los siguientes porcentajes: calzado, 10 %; vestimenta, 18 %; artculos
deportivos, 12 %; artculos decorativos, 4 % y alimentacin, 26 %. Hacer la tabla de las frecuencias
y el grco correspondiente. Como podra utilizar esta informacin el administrador del centro
comercial?
2.4. Para decidir sobre el nmero de mostradores de servicio necesarios para las tiendas que se construirn en el futuro, una cadena de supermercados desea obtener informacin acerca de la duracin
(en minutos) requerida para atender a sus clientes. Para encontrar la distribucin de tiempos de
servicios a clientes se registr la siguiente informacin correspondiente a 70 clientes:
a. Construir un diagrama de tallos y hojas.
b. Realizar un histograma de frecuencias relativas.
36
CAPTULO 2.
4.6
1.3
0.2
0.7
0.7
1.3
0.7
0.2
2.3
3.7
6.6
2.5
0.6
2.1
0.7
0.6
1.6
1.3
0.4
0.6
3.2
3.1
4.4
0.6
0.5
1.2
0.9
1.9
1.6
1.3
3.0
0.1
0.7
0.0
0.8
0.1
1.2
3.0
3.5
2.2
0.1
0.1
5.8
1.7
0.8
1.7
1.3
2.5
7.0
4.0
1.0
2.6
0.2
0.3
0.1
0.2
0.9
7.8
2.9
0.1
1.9
4.9
2.1
2.1
0.9
0.2
6.8
0.4
6.3
2.2
c. Comparar los grcos de los incisos anteriores. Muestran estos diagramas la misma informacin?
d. Qu fracciones de los tiempos de servicio son menores o iguales a un minuto? Y entre uno
y dos minutos? Cules son los tiempos de servicio mnimo y mximo?
e. Describir la distribucin de los datos.
2.5. La gerencia de una empresa mencion en su informe anual las siguientes cifras en miles de millones
de pesos correspondientes a las ventas netas y el costo de produccin desde 2000.
Ao
Ventas
Costo
Ao
2000
2001
2002
2003
2004
2005
13.66423
16.04312
13.87701
15.69092
15.36861
15.64851
9.56496
11.23018
9.71390
10.98364
10.75802
10.95395
2006
2007
2008
2009
2010
2011
Ventas
14.56017
14.13358
15.86530
14.49018
14.24122
16.34574
Costo
10.19211
9.893505
11.10571
10.14312
9.96885
10.05345
a. Calcular y representar anualmente la utilidad neta entendida como la diferencia entre las
ventas y el costo de produccin.
b. Calcular y representar el cambio porcentual de la utilidad neta respecto al ao inmediatamente
anterior.
c. En que ao se logr la utilidad mxima? Y la utilidad mnima? Cules fueron estas utilidades? En qu periodo se present el mayor cambio en las utilidades? Y el menor? Cul
fue la magnitud de estos cambios?
2.6. El valor de una variable cuantitativa se mide una vez al ao durante un periodo de 10 aos. A
continuacin se presentan los resultados obtenidos:
Ao
Medicin
10
61.5
62.3
60.7
59.8
58.0
58.2
57.5
57.5
56.1
56.0
a. Realizar un diagrama de lneas.

b. Describir las mediciones a partir de la grca obtenida en el numeral anterior.
2.5.
37
EJERCICIOS
2.7. Qu es un diagrama de Pareto? Cules son sus caractersticas? Cmo se utiliza? Para que
sirve?
Utilizando un diagrama de Pareto, analizar las prdidas por rechazos en una fbrica de papel,
teniendo en cuenta que se han detectado los conceptos que se muestran en la siguiente tabla, en
5
la que se indican los costes asociados (en miles de Euros) a cada concepto .
Concepto
Perdida anual
Paralizacin del trabajo por avera de la mquina A
3.7
Paralizacin del trabajo por avera de la mquina B
52.2
Paralizacin del trabajo por avera de la mquina C
7.8
Paralizacin del trabajo por avera de la mquina D
1.9
Reclamaciones de clientes
2.8
Lotes sobrantes
6.7
Papel inutilizado durante su utilizacin
87.6
Inspecciones suplementarias
7.1
Coste excesivo del material
4.2
Costes elevados de vericacin
0.7
2.8. Calcular los datos que faltan en la siguiente tabla y elaborar el grco diferencial e integral
correspondientes.
Ci
[0; 10)
[10; 20)
[20; 30)
[30; 100)
[100; 200]
Total
fi
f1
Ni
60
ni
n2
0.4
N2
30
f3
170
n4
n5
n
0.1
N4
f5
200
60
N.A.
2.9. En la siguiente tabla se muestran las cifras (en millones de USD) relacionadas con pelculas
6
ms taquilleras de los ltimos aos . Los datos corresponden a la taquilla en Estados Unidos, la
recaudacin mundial, el presupuesto y el ao de estreno.
5 Datos
http://www.jomaneliga.es/PDF/Administrativo/Calidad/Diagrama_de_Pareto.
6 Datos
http://www.boxofficemojo.com/alltime/world/.
pdf.
38
CAPTULO 2.
Pelcula
Distribuidor
Avatar
20th
Titanic
Los vengadores
Taquilla
Recaudacin
Presupuesto
Ao
760.5 (27.3 %)
2,782.2
387.0
2009
Pic-
658.6 (30.1 %)
2,185.3
200.0
1997
Marvel Studios /
600.0 (41.3 %)
1,436.2
220.0
2012
381.0 (28.7 %)
1,328.4
250.0
2011
352.3 (31.4 %)
1,123.7
195.0
2011
377.8 (33.7 %)
1,119.9
94.0
2003
423.3 (40 %)
1,066.1
225.0
2006
415.0 (39 %)
1,063.1
200.0
2010
241.0 (23.2 %)
1,043.8
250.0
2011
Century
474.5 (46.2 %)
1,027.0
115.0
1999
Alicia en el pas
Walt Disney Pic-
334.1 (33.6 %)
1,024.2
200.0
2010
de las maravillas
tures
Batman: el caba-
Warner Bros
533.3 (53 %)
1,001.9
185.0
2008
Century
Fox
Paramount
tures
Paramount
Pic-
tures / Walt Disney Pictures

4
Harry
Potter
Warner Bros
las reliquias de la
muerte Parte 2
5
Transformers: el
tures
luna
6
Paramount
lado oscuro de la
Works
El
Seor
los
de
Anillos:
el
Pic-
Dream-
New Line Cinema
retorno del rey

7
Piratas del cari-
Walt Disney Pic-
be:
tures
el
cofre
del
hombre muerto
8
Toy Story 3
Walt Disney Pictures / Pixar
Piratas
ribe:
en
del
ca-
mareas
Walt Disney Pictures
misteriosas
10
Guerra de las ga-
20th
laxias: la amena-
Fox
za fantasma
11
12
llero de la noche
a. Representar separadamente la informacin relacionada con el distribuidor y el ao de estreno.

Comentar los resultados obtenidos.
b. Calcular la taquilla fuera de los Estados Unidos y la utilidad neta entendida como la diferencia
entre la recaudacin y el presupuesto.
c. Realizar un histograma de frecuencias relativas para la utilidad neta de las pelculas y con sta
describir la distribucin de las ganancias de los distribuidores.
2.10. A continuacin se muestra la distribucin del consumo anual (en puntos porcentuales) de un pas
y de una de sus ciudades principales. Realizar un diagramas de sectores y de barras en cada caso y
2.5.
39
EJERCICIOS
comentar los resultados obtenidos. Cules grcos deben ser publicados? Cules sectores tienen
mayor consumo? Cules sectores tienen el menor consumo?
Categora
Pas
Ciudad
Comida
12.8
13.6
0.9
1.1
34.4
33.6
Bebidas alcohlicas
Hogar
Prendas de vestir y servicios
Transporte
3.5
4.9
15.8
16.3
Salud
6.5
6.1
Entretenimiento
5.3
6.3
Cuidado personal y servicios
1.2
1.6
Lectura
0.2
0.2
Educacin
2.2
0.6
Productos de tabaco
0.8
0.8
Varios
1.7
1.5
Donaciones
Seguros y pensiones
3.5
3.4
11.2
10.0
2.11. Qu es un diagrama de puntos? Cules son sus caractersticas? Cmo se utiliza? Para que
sirve? Mostrar una aplicacin al respecto.
2.12. A continuacin se presenta un conjunto de datos asociados con a la preferencia que tienen los
individuos en relacin con la marca de vehculos segn su punto de fabricacin. En este formulario
se tuvieron en cuenta la zona de procedencia de los vehculos (1=Asia; 2=Europa; 3=Estados
Unidos), el gnero (0=Masculino; 1= Femenino) y la edad (en aos cumplidos) de los individuos
que respondan el formulario.
a. Clasicar las variables.
b. Realizar un diagrama de barras para cada variable.
c. Elaborar una tabla a tres vas de clasicacin con las frecuencias relativas tomando como
clases para la edad los siguientes intervalos: 26-30 aos, 31-35 aos y 36-40 aos.
d. Comentar los resultados obtenidos.
40
CAPTULO 2.
Marca
Gnero
Edad
Marca
Gnero
Edad
36
32
36
32
32
32
36
33
32
35
29
34
35
32
32
32
32
36
32
29
36
32
34
32
32
36
32
34
33
32
29
32
36
30
36
32
33
33
34
38
33
34
32
33
32
28
36
33
32
32
Captulo
Medidas de tendencia central y de posicin

3.1. Introduccin
Cuando se realiza un anlisis descriptivo de las variables de estudio que permita descubrir las anomalas, estructuras, frecuencias y dems caractersticas relevantes de la informacin, se da un paso ms
all en el anlisis pues se indaga ahora por las propiedades de la distribucin de los datos. Con las
medidas estadsticas de tendencia central se quiere estudiar si los datos parecen estar agrupados en
uno o ms grupos y que cantidades podran ser representantes de tales grupos, o por el contrario, si
los datos se encuentran dispersos entre s.
3.2. Medidas estadsticas de tendencia central

En el captulo 2 se ha hecho referencia a la clasicacin, ordenacin y presentacin de datos, limitando
el anlisis de la informacin a la interpretacin de las distribuciones de frecuencias. Otra perspectiva
del anlisis estadstico se apoya en cantidades que resuman apropiadamente la informacin.
Al inspeccionar la informacin mediante la representacin grca se evidencia la distribucin de los

datos en cuanto a la frecuencia con que se presentan los valores; por ejemplo, algunos valores son
ms frecuentes que otros o tienen frecuencias muy bajas y se encuentran ms alejados de los dems.
De este modo se puede observar una tendencia de los datos a agruparse alrededor de los valores ms
frecuentes, haciendo que las grcas adquieran formas especiales (algunos ejemplos en la gura 3.1).
De aqu surge la necesidad de las medidas de tendencia central. Tales medidas son de gran importancia
en el anlisis de la informacin, sin embargo, su interpretacin no debe se hacer separadamente de las
41
42
CAPTULO 3.
MEDIDAS DE TENDENCIA CENTRAL Y DE POSICIN
medidas estadsticas de dispersin (captulo 4), ya que la calidad de las medidas de tendencia central
est asociada intrnsecamente con el grado de concentracin de la informacin.
Figura 3.1: Algunas formas de una distribucin de frecuencias.
3.2.1. La media aritmtica

1
La media aritmtica o el promedio de un conjunto de realizaciones
de una variable se calcula como
la suma de todas las observaciones del conjunto dividiendo despus entre la cantidad de datos del
conjunto. Esta medida le otorga a todas las observaciones la misma importancia relativa dentro del
conjunto de datos.
1 Una
realizacin
de una variable se reere explcitamente al valor observado de esta variable obtenido a partir de
la medicin concreta de un individuo particular objeto de estudio.
3.2.
43
MEDIDAS ESTADSTICAS DE TENDENCIA CENTRAL
Denicin 3.2.1.
una variable
X.
Sea
x1 , x2 , . . . , xn
un conjunto de
media aritmtica
La
conjunto de datos, denotada con
x,
x=
1
n
realizaciones de
(o simplemente media) de este
est dada por:
xi .
i=1
media muestral observada de una variable X se simboliza con x, mientras que la media
poblacional se denota con X . As, cuando se dispone de una poblacin nita, se tiene que
2
Nota. La
X =
N
donde
1
N
xi
i=1
es el tamao de la poblacin. Adems, la media se calcula para variables medidas en una
escala de intervalo o de razn.
Cuando los datos de una muestra estn agrupados en una distribucin de frecuencias, la media aritmtica se calcula con la frmula
k
i=1 ni xi
k
i=1 ni
x=
o con la frmula
fi xi
x=
i=1
donde
es el nmero de clases,
ni
es la frecuencia absoluta,
o la marca de clase de la i-sima categora para
i = 1, . . . , k .
fi
es la frecuencia relativa y
xi
es la clase
La demostracin de la equivalencia entre
estas dos frmulas se deja como ejercicio para el lector.
Ejemplo 3.2.1.
Calcular el promedio de los datos de la tabla 2.9.
Solucin:
Para calcular el promedio requerido primero se deben calcular las marcas de clase, es decir, calcular
para cada categora
xi =
donde li1 y li son los lmites inferior y superior
li1 + li
2
de la i-sima
clase respectivamente para
i = 1, . . . , 6.
Una vez calculadas las marcas de clase, se calcula el valor promedio de las ganancias aplicando la
frmula del promedio para datos agrupados.
En la tabla 3.1 se presentan los clculos pertinentes y los resultados obtenidos.
2 La
media muestral
X =
1
n
n
i=1
Xi
corresponde a la variable promedio de la muestra cuyos valores dependen
de la muestra recogida; mientras que la media muestral observada

variable
x=
calculada a partir de los datos de una muestra determinada.
1
n
n
i=1
xi
compete a un valor especco de la
44
CAPTULO 3.
Clase
xi
ni
ni xi
[60.40 ; 74.03)
[74.03 ; 87.67)
[87.67 ; 101.30)
[101.30 ; 114.93)
[114.93 ; 128.57)
[128.57 ; 142.20]
67.22
336.08
Total
80.85
727.65
94.48
10
944.83
108.12
648.70
121.75
365.25
135.38
270.77
N.A.
35.0
3293.28
Tabla 3.1: Clculos del ejemplo 3.2.1.
Como
n
i=1 ni xi
n
i=1 ni
3293.3
= 94.09
35
entonces el valor promedio de las ganancias de las empresas es
94.09
millones.
A continuacin se presentan algunas propiedades de la media aritmtica:
Proposicin 3.2.1.
i. Si
ii. Si
iii. Si
X=a
entonces
Y = aX + b
X
Sea
a, b
una variable y
nmeros reales. Entonces se tiene que:
X = a.
entonces
Y = aX + b.
son variables conmensurables
W = aX + bY
entonces
W = aX + bY .
Nota. El tercer numeral de la proposicin 3.2.1 se puede generalizar a la siguiente propiedad: si

m
a1 , a2 , . . . , am son m nmeros reales, X1 , X2 , . . . , Xm son m variables conmensurables y W = i=1 ai Xi
= m ai Xi .
entonces W
i=1
Ejemplo 3.2.2.
Una compaa vende un promedio mensual de $47,700,000. La compaa paga men-
sualmente al Estado un impuesto igual al 17 % sobre las ventas. La utilidad de la compaa se calcula
teniendo en cuenta que quincenalmente paga $12,000,000 correspondientes a gastos jos de funcionamiento adems del impuesto sobre las ventas. Calcular la utilidad mensual promedio de la compaa.
Solucin:
En esta situacin
x = $47, 700, 000
donde
representa la venta mensual de la empresa. Como la
compaa paga mensualmente al Estado un impuesto igual al 17 % sobre las ventas y adems gasta
3 Se
dice que
cual tanto
como
son variables
conmensurables
se pueden medir.
cuando existe una unidad comn de medida en trminos de la
3.2.
45
$12,000,000 quincenales correspondientes a gastos jos de funcionamiento entonces se concluye que
Y = (X 0.17X) (2 12, 000, 000) = 0.83X 24, 000, 000

donde
denota la utilidad mensual de la compaa. En consecuencia,
Y = 0.83X 24, 000, 000

y por lo tanto
y = (0.83)(47, 700, 000) 24, 000, 000 = 15, 591, 000
es la utilidad mensual promedio de
la empresa.
Proposicin 3.2.2.
Si
x1 , x2 , . . . , xn
es un conjunto de
realizaciones de una variable
entonces:
xi = n
x
(xi x) = 0.
i=1
i=1
Nota. Las propiedades de la media poblacional son anlogas.
Ejemplo 3.2.3.
De 500 estudiantes cuya estatura promedio es 1.57 metros, 150 son mujeres. Si la
estatura promedio de las mujeres es 1.52 metros, cul es la estatura promedio de los hombres?
Solucin:
n = 500 (total de individuos en la muestra), n1 = 150 (total
500 150 = 350 (total de hombres). Adems, el promedio general es x = 1.57
mujeres es x1 = 1.52. Sea x2 es el promedio de los hombres. Luego,
En este caso
500
i=1
xi
500
n1 x1 + n2 x2
1.57 =
500
(150)(1.52) + 350(2 )
x
1.57 =
500
x=
y por lo tanto
x2 =
(1.57)(500) (150)(1.52)
= 1.59
350
De este modo el promedio de los hombres es 1.59 metros.
Las siguientes son algunas observaciones acerca de la media aritmtica:
Es de uso cotidiano.
de mujeres) y
n2 =
y el promedio de las
46
CAPTULO 3.
Tiene propiedades aritmticas directas y sencillas de aplicar.
Es sensible a datos atpicos .
Corresponde a uno de los valores menos frecuentes del conjunto de datos cuando la distribucin
de los datos tiene forma de
U
(distribucin (a) de la gura 3.1).
3.2.2. La media aritmtica ponderada

Se ha visto que la media aritmtica se calcula con base en la magnitud de los datos, otorgndoles
ponderacin o peso a cada uno de ellos: 1/n para un conjunto de datos con n
igual importancia
elementos. Sin embargo, en algunas ocasiones la importancia relativa de los valores de la variable no
es la misma en todos los casos, por lo que los datos son ponderados de tal forma que esta importancia
se vea reejada en las estadsticas asociadas.
Denicin 3.2.2.
La
media aritmtica ponderada
es un promedio
que tiene en cuenta la importancia relativa de cada uno de los datos. La

frmula de la media aritmtica ponderada es
x=
donde
wi
es la ponderacin y
xi
w i xi
i wi
es el dato, la clase o la marca de clase
correspondiente.
Nota. El lmite superior de las sumatorias de la frmula anterior depende de si se dispone de datos
agrupados o no agrupados.
Ejemplo 3.2.4.
Las calicaciones de un estudiante estn conformadas de acuerdo a la informacin
que se presenta en la tabla 3.2. Calcular la calicacin promedio del estudiante.

Actividad
Calicacin
Examen
4.5
Valor
40 %
Trabajo
1.0
10 %
Investigacin
3.5
50 %
Tabla 3.2: Datos asociados con las calicaciones de un estudiante.
Solucin:
4 Los
datos atpicos
(outliers en ingls) son datos muy grandes o muy pequeos comparados con el grueso del
conjunto de datos. Son observaciones con un comportamiento extrao porque toman valores que no se esperan (detalles
en la seccin 4.4).
3.2.
47
Se observa que las actividades acadmicas no tienen el mismo peso en la evaluacin de la asignatura.
Por lo tanto, siguiendo la frmula del promedio ponderado se obtiene que
x=
(4.5)(0.4) + (1.0)(0.10) + (3.5)(0.50)

= 3.65.
0.40 + 0.10 + 0.5
Luego, el estudiante aprueba la asignatura con 3.42.
3.2.3. La mediana
Otra medida de tendencia central es la mediana, la cual no se basa en la magnitud de los valores,
como la media aritmtica, sino en la posicin central que ocupa en el conjunto de datos ordenado
ascendentemente, dividiendo la informacin en dos partes iguales.
Denicin 3.2.3.
una variable
x,
X.
La
Sea
x1 , x2 , . . . , xn
mediana
un conjunto de
realizaciones de
de este conjunto de datos, denotada con
se calcula como sigue:
x n+1
(
)
x = x n 2 +x n +1
(2) (2 )
si
donde
x(i)
es impar
si
n
n
es par
es la observacin que ocupa la
de datos ordenado ascendentemente para
i-sima posicin
i = 1, . . . , n.
del conjunto
mediana muestral observada de una variable X se simboliza con x, mientras que la
mediana poblacional se denota con X . Adems, la mediana se calcula para variables medidas en
Nota. La
al menos una escala ordinal.
As, para determinar la mediana de un conjunto de
datos brutos , se realiza el siguiente procedi-
miento:
i. Ordenar los datos ascendentemente.

ii. Calcular el valor de la mediada dependiendo de si
Si
Si
es par impar:
es impar, entonces, la mediana es el dato en el centro del conjunto de valores, es decir,
el dato que se encuentra en la posicin
n+1
2 .
es par, entonces, la mediana es la media de los dos datos que ocupan las posiciones
centrales, esto es, el promedio de los datos que se encuentran en las posiciones
5 El lector ya est familiarizado con la diferencia entre un estadstico y

6 Los datos brutos son datos sin agrupar o alguna otra modicacin.
su realizacin.
n
n
2 y 2
+ 1.
48
CAPTULO 3.
Ejemplo 3.2.5.
Los datos de la tabla 3.3 corresponden al nmero de hijos de una muestra de em-
pleados de una empresa. Calcular e interpretar la mediana.
Solucin:
El tamao de la muestra es
n=40.
Ahora, debido a que el total de datos es par y que los datos de
la tabla estn organizados ascendentemente, se tiene que la mediana es el valor ubicado entre las
observaciones de las posiciones
n
2
= 20
n
2
+ 1 = 21.
x=
Por lo tanto la mediana es
1+1
= 1.
2
Este valor indica que la mitad de los empleados no tienen hijos o tienen uno solo.
De qu otra manera se puede interpretar la mediana en este caso?
Nmero de hijos
Frecuencia
Total
12
12
40
Tabla 3.3: Datos asociados con el nmero de hijos de una muestra de empleados de una empresa.
Cuando los datos estn agrupados en una tabla de frecuencias por intervalos, el clculo de la mediana
es como sigue:
x = li1 +
donde
(0.5)n Ni1
(li li1 )
ni
i = m
n{j : Nj > (0.5)n} es el nmero de la primera clase cuya frecuencia absoluta acumulada
(0.5)n.
es superior a
Ejemplo 3.2.6.
Calcular e interpretar la mediana de los datos del ejemplo 2.9.
Solucin:
i es
(0.5)n = (0.5)(35) =
Se observa que las ganancias se encuentran organizadas en una tabla de frecuencias. En este caso
el nmero del primer intervalo cuya frecuencia absoluta acumulada es superior a
17.5;
este intervalo es el nmero 3. As, se obtiene que:
x = 87.67 +
17.5 (5 + 9)
(101.30 87.67) = 92.44.
10
Entonces la mitad de las empresas tiene ganancias inferiores a
92.44
millones. Adems, parece que
el valor de la ganancia mediana (92.44 millones) y el valor de la ganancia promedio (94.09 millones)
7
no dieren signicativamente . Esto sugiere que no hay ganancias atpicas que inuyan de manera
importante en la distribucin de los datos. Es decir, la distribucin de las ganancias de las empresas
parece ser simtrica con respecto a 94.09 millones.
7 Para
comprobar este hecho formalmente es necesario docimar una hiptesis estadstica.
3.2.
49
Las siguientes son algunas observaciones acerca de la mediana:
No se ve afectada por datos atpicos, es decir, es robusta
frente a observaciones extremas, ya
que no depende de los valores que toma la variable, sino del orden de los mismos. Por ello, el
uso de la mediana es adecuado cuando la distribucin de los datos no es simtrica.
No tiene propiedades aritmticas directas y sencillas de aplicar como la media aritmtica.
3.2.4. La moda
La moda, como su nombre lo indica, es el valor ms comn (de mayor frecuencia) en un conjunto de
datos. Una distribucin de datos puede tener una moda unimodal, dos modas bimodal o varias
modas multimodal. Asimismo, puede ocurrir que la distribucin de los datos no tenga moda.
Denicin 3.2.4.
Se llama
moda
a cualquier valor que maximice la
distribucin de frecuencias de un conjunto de datos.
Nota. La moda muestral observada de una variable X se simboliza con x, mientras que la moda
poblacional se denota con X . Adems, la moda se calcula para variables medidas en cualquier tipo
de escala.
Ejemplo 3.2.7.
Calcular e interpretar la moda de los datos del ejemplo 3.2.5.
Solucin:
Aqu se trata de un conjunto de datos bimodal debido a que hay dos valores de la variable que
maximizan la distribucin de frecuencias. Estos valores de la variable son el valor 0 y el valor 1,
ambos con frecuencia absoluta igual a 12, lo que quiere decir que lo ms frecuente para este grupo de
empleados es que no tengan hijos o tengan uno solo.
Cuando los datos estn agrupados en una tabla de frecuencias por intervalos, el clculo de la moda es
como sigue:
x = li1 +
donde
ni ni1
(li li1 )
(ni ni1 ) + (ni ni+1 )
i {j : nj nl , l = 1, . . . , k}
k es el nmero de categoras.
es el nmero de un intervalo cuya frecuencia absoluta es la
mayor y
8 Una
medida se llama
robusta
si su magnitud no se altera notoriamente cuando hay cambios drsticos en la
estructura general del conjunto de datos donde es calculada.
50
CAPTULO 3.
Ejemplo 3.2.8.
Calcular e interpretar la moda de los datos del ejemplo 2.9.
Solucin:
Se observa que las ganancias se encuentran organizadas en una tabla de frecuencia. En este caso
es
el nmero del intervalo cuya frecuencia absoluta es la mayor; este intervalo es el nmero 3. As, se
obtiene que:
x = 87.67 +
10 9
(101.30 87.67) = 90.39.
(10 9) + (10 6)
La moda sugiere que las ganancias que aparecen con mayor frecuencia se encuentran alrededor de
93.39 millones y pertenecen al intervalo donde se encuentra tal ganancia modal.
Las siguientes son algunas observaciones acerca de la moda:
Puede no ser nica.
No tiene propiedades aritmticas directas y fciles de aplicar como la media aritmtica.
3.2.5. La media geomtrica

Una medida originada a partir de la geometra es la media geomtrica, la cual hace parte de las
medias pitagricas : la media aritmtica, la media geomtrica y la media armnica.

Denicin 3.2.5.
Sea x1 , x2 . . . , xn un conjunto de n realizaciones de

X . La media geomtrica de este conjunto de datos, deGx , se calcula como la raz n-sima de la productoria de los
una variable
notada con
valores del conjunto de datos, es decir:
Gx =
xi .
i=1
Nota. La media geomtrica se calcula sobre un conjunto de datos cuyos valores sean nmeros no
9
negativos, usualmente porcentajes y tasas .
Una forma de saber cmo y cundo se debe usar la media geomtrica es teniendo en cuenta lo siguiente:
si el total se obtiene de una productoria de valores, cul es el valor que al reemplazarlo en todas las
9 Una
tasa
se reere a la relacin entre dos magnitudes asociada con la relacin entre la cantidad y la frecuencia de
un fenmeno. Son ejemplos la tasa de inacin, la tasa de desempleo y la tasas de natalidad (Real Academia Espaola
2012d).
3.2.
51
observaciones dara como resultado el mismo total? Es decir, la media geomtrica se usa cuando el
total corresponde al producto de diferentes observaciones, mientras que la media aritmtica se utiliza
cuando el total es obtenido mediante la adicin de las observaciones.
Ejemplo 3.2.9.
Se tiene un activo en la banca que genera ganancias del 30 % en el primer ao, 20 %
en el segundo y 60 % en el tercero. Cul es la ganancia promedio?
Solucin:
Lo primero que se debe observar es que el promedio requerido no es el promedio aritmtico, pues lo
que se tiene no es una adicin de capital en cada ao, sino una multiplicacin del mismo. En el primer
ao se multiplica por 1.3, en el segundo por 1.2 y en el tercero por 1.6; y as, la ganancia que se obtiene
al nal de los tres aos est multiplicada por estas tres cantidades. Luego, la ganancia promedio se
obtiene mediante:
Gx =
(1.3)(1.2)(1.6) =
2.496 = 1.356.
En consecuencia, la ganancia promedio del activo es 35.6 %.
Nota. En ejemplo 3.2.9 la media aritmtica y la media geomtrica dieren notablemente.
A continuacin se presenta una propiedad de la media geomtrica:
Proposicin 3.2.3.
Sea
x1 , x2 . . . , xn
un conjunto de
X.
Entonces
se tiene que:
log(x) = log(Gx )
esto es,
1
n
log(xi ) = log n
i=1
xi .
i=1
Ejemplo 3.2.10.
Comprobar el resultado de la proposicin 3.2.3 con la informacin del ejemplo 3.2.9.
Solucin:
El promedio de los logaritmos de los datos es:
log(x) =
log(1.3) + log(1.2) + log(1.6)

0.114 + 0.079 + 0.204
=
= 0.132
3
3
que es igual al logaritmo de la media geomtrica
log (Gx ) = log(1.356) = 0.132.
A continuacin se presenta sin demostracin una proposicin que establece la relacin entre la magnitudes de la media geomtrica y de la media aritmtica de un conjunto de observaciones positivas.
Esta proposicin fue presentada por
10 Fotografa
Augustin Louis Cauchy
10
en el siglo XIX y es como sigue:
http://www.saintpol.fr/genealogie/thematiques/cauchy.html.
52
CAPTULO 3.
Proposicin 3.2.4.
Si
x1 , x2 , . . . , xn
es un conjunto de
nmeros reales positivos entonces se satis-
face que
n
xi
i=1
1
n
xi ,
i=1
es decir, la media geomtrica no supera la media aritmtica de un conjunto de observaciones positivas.
Figura 3.2: Augustin Louis Cauchy (17891857).
Las siguientes son algunas observaciones acerca de la media geomtrica:
Es menos sensible a datos atpicos que la media aritmtica.
Es igual a 0 si algn valor del conjunto de datos es nulo.
En algunos casos no est denida para conjuntos de datos que tengan valores negativos.
3.2.6. La media armnica

La media armnica ltima de las medias pitagricas se enfoca en el promedio de medidas de razn.
3.2.
53
Denicin 3.2.6.
una variable
tada con
X.
Hx ,
La
Sea
x1 , x2 . . . , xn
un conjunto de
media armnica
realizaciones de
de este conjunto de datos, deno-
se calcula como el inverso de la media aritmtica de los
inversos de los datos, es decir:
Hx =
n
n
1
i=1 xi
En variadas ocasiones esta medida de tendencia central no ha sido bien implementada, ya que existe
una confusin generalizada a la hora de decidir si usar la media aritmtica o la media armnica como
medida de resumen.
Ejemplo 3.2.11.
Se dispone de la informacin dada en la tabla 3.4 acerca de tres autos y sus
velocidades. Calcular la razn promedio de las velocidades.

Auto
Velocidad (km/h)
10
20
30
Tabla 3.4: Datos asociados con las velocidades de tres vehculos.
Solucin:
La media aritmtica se utiliza cuando los denominadores se mantienen constantes, esto es, cuando el
tiempo es constante; mientras que la media armnica se emplea cuando el tiempo no es constante.
Por ello, solo con esta informacin no es posible decidir cul de las dos medias es la correcta, as que
se consideran los siguientes escenarios:
1. Todos los autos viajan un periodo de 24 horas.

2. Todos los autos recorren una distancia de 30 kilmetros.
(3)(24) = 72 horas y la cantidad de kilmetros recorridos es

240 + 480 + 720 = 1440; as, la velocidad promedio es 1440/72 = 20 kilmetros por hora. De otro lado,
en el escenario 2, se recorren 90 kilmetros y se emplean 1 + 1.5 + 3 = 5.5 horas, luego la velocidad
promedio es: 90/5.5 = 16.36 kilmetros por hora.
Luego, en el escenario 1, el tiempo total es
En otras palabras se puede decir que en el escenario 1, al mantenerse constante el tiempo de trabajo,
se mantiene jo el denominador de la razn y por tanto se debe usar la media aritmtica:
x=
10 + 20 + 30
= 20
3
54
CAPTULO 3.
Adems, en el escenario 2, al mantenerse constante la distancia recorrida, se mantiene jo el numerador

de la razn y por tanto se debe usar la media armnica:
Hx =
3
1
10
1
20
1
30
= 16.363
Se observa que son los mismos resultados obtenidos con el razonamiento inicial.
A continuacin se presenta una propiedad de la media armnica:
Proposicin 3.2.5.
Sea
x1 , x2 . . . , xn
un conjunto de
X.
Entonces
se tiene que:
1
1
=
x
Hx
esto es,
n
i=1
1
=
xi
n
n
1
i=1 xi
Ejemplo 3.2.12.
Comprobar el resultado de la proposicin 3.2.5 con la informacin del ejemplo
3.2.11.
Solucin:
El promedio de los inversos de los datos es:
1
=
x
1
10
1
20
1
30
que es igual al inverso de la media armnica
0.100 + 0.050 + 0.033

= 0.061
3
1
Hx
1
16.363
= 0.061.
Las siguientes son algunas observaciones acerca de la media armnica:
No est denida cuando en el conjunto de datos alguno de los valores es nulo o en el caso de que
la suma de sus inversos sea igual a 0.
Se garantiza su existencia si todos los datos del conjunto son positivos negativos.
Resulta poco afectada por la existencia de valores grandes en el conjunto de datos; mientras
que es sensible a los valores cercanos a 0.
3.3.
55
MEDIDAS DE POSICIN
3.3. Medidas de posicin

Las medidas de posicin permiten conocer otros puntos caractersticos de la distribucin de los datos
diferentes a las medidas de tendencia central, que permiten dividir la informacin a conveniencia.
A continuacin se presentan las medidas de posicin de uso frecuente en estadstica: el rango y los
percentiles.
3.3.1. El rango
En este mbito, el rango de un conjunto de observaciones corresponde a los valores que describen la
posicin en la que se encuentra cada valor del conjunto de datos ordenado ascendentemente.
Denicin 3.3.1.
El rango de un conjunto de datos se reere a cualquier
dispositivo que establece la posicin de cada observacin del conjunto de

datos ordenado ascendentemente.
Nota. No se debe confundir el rango de un conjunto de datos denido en esta seccin con el rango denido en la seccin 2.2.2 para elaborar histogramas. De otro lado, cuando haya empates
11
la asignacin
del rango vara segn el objetivo de la misma. En unos casos se asigna la posicin de manera aleatoria entre los individuos empatados y en otros se asigna el promedio de las posiciones que tomaran,
eventualmente.
52
56
50
41
50
62
55
46
62
48
46
62
53
55
43
42
47
50
42
65
Tabla 3.5: Datos asociados con los puntajes de una muestra de 20 empresas en relacin a la calidad de sus servicios.
Ejemplo 3.3.1.
Los datos de la tabla 3.5 corresponden a los puntajes de una muestra de 20 empresas
en relacin a la calidad de sus servicios. Encontrar el rango del conjunto de datos.
Solucin:
Lo primero que se debe hacer es ordenar los datos ascendentemente sin perder su identicacin. Una
vez hecho esto, es claro que los valores 41 y 65 son el mnimo y el mximo de dicho conjunto de datos
y que hay solo una empresa con cada uno de estos valores, en este caso los individuos 7 y 20; por lo
tanto la posicin que tendrn estos individuos en el rango es 1 y 20 respectivamente.
Para asignar la segunda posicin se debe observar que hay dos individuos con el siguiente valor ms
bajo (42), luego a estas empresas (individuos 12 y 18) se les puede asignar aleatoriamente las posiciones
11 Un
empate
ocurre cuando dos individuos tienen el mismo valor de la variable.
56
CAPTULO 3.
2 y 3, o tambin se les puede asignar una posicin promedio, esto es:
2+3
= 2.5.
2
De esta manera el valor en el rango de los individuos 12 y 18 es
2.5
para ambos. Siguiendo con este
procedimiento se obtiene el rango que se presenta en la tabla 3.6.
12.0
16.0
10.0
1.0
10.0
18.0
14.5
5.5
18.0
8.0
5.5
18.0
13.0
14.5
4.0
2.5
7.0
10.0
2.5
20.0
Tabla 3.6: Rango del conjunto de datos de la tabla 3.5 .
3.3.2. Los percentiles

Los percentiles son valores que se caracterizan por superar cierto porcentaje de observaciones del
conjunto de datos. Los percentiles son medidas de posicin usadas constantemente para describir los
de datos en relacin a una posicin de inters.
Denicin 3.3.2.
lo menos un
(100 p) %
Nota. El percentil
p%
El
p-simo (punto) percentil
es un valor tal que por
de los datos tienen mximo dicho valor y al menos un
de los datos tienen este valor o uno mayor.
de una muestra se denota con
pp
y el de una poblacin con
p .
Un percentil es un valor que acumula un porcentaje especco de los datos. Se disponen principalmente de los percentiles como medidas de posicin, y asociados a stos como casos particulares se
tienen los
cuartiles
(percentiles 25, 50 y 75), por ejemplo.
Dependiendo de cmo estn dispuestos los datos (brutos o agrupados) el clculo de los percentiles se
har de una manera u otra. Si los datos no estn agrupados, para calcular el
conjunto de
datos se deben seguir los siguientes pasos:
1. Ordenar los datos ascendentemente.

2. Calcular el ndice
a travs de la frmula
i = np/100
donde
el percentil de inters y
el tamao de la muestra.
3. Calcular el percentil de acuerdo a uno de los siguientes casos:
p-simo
percentil de un
3.3.
57
MEDIDAS DE POSICIN
i no es entero, se redondea al entero siguiente. Este valor aproximado de i indica

p-simo percentil.
Si i es entero, el p-simo percentil es el promedio de los valores de los datos ubicados en las
posiciones i y i + 1.
Si el ndice
la posicin del
Ejemplo 3.3.2.
Calcular e interpretar el decil 6 (percentil 60) para los datos del ejemplo 3.3.
Solucin:
Como se trata de un conjunto de datos discretos organizados en una tabla de frecuencias, el percentil
60 se calcula siguiendo los siguientes pasos:
1. Los datos ya estn organizados ascendentemente en la tabla.
2. Calcular el ndice
a travs de la frmula
i = np/100 = (40)(60)/100 = 24.

3. Como
es entero, el percentil 60 es el promedio de los valores de los datos ubicados en las
posiciones 24 y 25. En consecuencia, el percentil 60 es
Este valor indica que el
p60 =
1+2
2
= 1.5.
60 % de los empleados tienen dos hijos o menos. De qu otra manera se puede
interpretar el percentil 60 en este caso?
Cuando los datos estn agrupados en una tabla de frecuencias por intervalos, el clculo del
p-simo
percentil es como sigue:
pp = li1 +
donde
i = m
n{j : Nj > (p %)n}
(p %)n.
(p %)n Ni1
(li li1 )
ni
(3.1)
es el nmero de la primera clase cuya frecuencia absoluta acumulada
es superior a
Nota. La frmula anterior es casi la misma frmula para calcular la mediana, solamente que en lugar
de escribir
(0.5)n
se escribe
(p %)n.
De hecho, la mediana es un caso particular de un percentil: es el
percentil 50, es decir, el percentil calculado cuando
Ejemplo 3.3.3.
p = 50.
Calcular e interpretar el decil 8 (percentil 80) para los datos del ejemplo 3.2.1.
Solucin:
i es
(0.80)n = (0.80)(35) =
Se observa que las ganancias se encuentran organizadas en una tabla de frecuencias. En este caso
nmero del primer intervalo cuya frecuencia absoluta acumulada es superior a
28.0;
este intervalo es el nmero 4. As, se obtiene que:
p80 = 101.3 +
Entonces se tiene que el
(0.80)(35) 24
(13.6) = 110.4.
6
80 % de las empresas tiene ganancias inferiores a 110.4 millones. De qu otra
manera se puede interpretar el percentil 80 en este caso?
58
CAPTULO 3.
3.3.3. Los cuartiles

Los tres cuartiles son un caso particular de percentiles. stos dividen el conjunto de datos en cuatro
partes con el mismo porcentaje de datos. Los cuartiles estn dispuestos de la siguiente forma: el
q1 , es el percentil 25; el segundo

q3 , es el percentil 75. As,
primer cuartil, simbolizado con

la mediana; y el tercer cuartil
q1 = p25 ,
q2 = p50
cuartil
q2 ,
es el percentil 50, es decir,
q3 = p75 .
Una aplicacin de los cuartiles en estadstica consiste en realizar un grco que describe adecuadamente
la forma de la distribucin de un conjunto de datos; tal diagrama tambin sirve para detectar datos
atpicos. Este grco es denominado
diagrama de caja , boxplot
en ingls, y es materia de estudio
en la seccin 4.4.
Ejemplo 3.3.4.
Calcular e interpretar los cuartiles del ejemplo 2.9.
Solucin:
Aqu, los ndices
i, j
mulada es superior a
k corresponden a los nmeros de los intervalos cuya frecuencia absoluta acu(0.25)(35) = 8.75, (0.5)(35) = 17.50 y (0.75)(35) = 26.25 respectivamente. De
esta manera los cuartiles que se obtienen para este conjunto de datos son:
(0.25)(35) 5
(13.63) = 79.71,
9
(0.50)(35) 14
q2 = 87.67 +
(13.63) = 92.44,
10
(0.75)(35) 24
(13.63) = 106.41.
q3 = 101.30 +
6
Con esto se puede decir que el 50 % de las ganancias se encuentra entre 79.71 y 106.41 millones, y que
q1 = 74.03 +
el 25 % de las empresas con menores utilidades tienen ganancias inferiores a 79.6 millones, as como
el 25 % de las empresas con mayores utilidades tienen ganancias superiores a 106.41 millones.
3.4. Comentarios
Como parte de una revisin inicial de los datos, las medidas de tendencia central y de posicin son
las primeras en proveer informacin sobre el comportamiento de los datos, como alrededor de cules
valores se concentran, cules valores son los ms frecuentes y cmo se encuentran ordenados. A pesar
de que estas medidas son de clculo e interpretacin simple, tiende a haber un mal uso de las mismas,
ya sea a la hora de calcularlas o de interpretarlas, ya que fcilmente se puede utilizar el promedio
aritmtico como medida de tendencia central cuando en realidad se debe usar la media geomtrica, por
ejemplo; y aunque en algunos casos las diferencias no sean grandes numricamente, stas s pueden
traer consecuencias graves dependiendo del contexto de las cifras. Errores tan simples como estos se
cometen da a da y por esto es que en este captulo se enfatiza el uso adecuado de tales medidas.
3.5.
59
EJERCICIOS
3.5. Ejercicios
3.1. Una compaa de mercadeo tiene dentro de su sta a 24 profesionales que realizan tareas por fuera
de la empresa con mucha frecuencia. A la gerente de esta empresa le tiene preocupada la falta
de puntualidad de sus trabajadores ya que ha recibido varias quejas en los ltimos meses y cree
que esto puede daar la reputacin de la empresa. Los datos de la siguiente tabla corresponden
a la tardanza (en minutos) en llegar a las citas de trabajo de algunos empleados, clasicada por
el gnero:
Mujeres
6.3
10.0
9.2
7.3
4.1
6.4
9.8
8.4
5.2
0.4
5.0
0.6
Hombres
5.1
4.4
0.9
3.2
5.9
6.2
1.4
3.9
0.1
4.2
8.3
7.3
a. Calcular e interpretar la media, la mediana y la moda de la tardanza de los empleados.

b. El gerente tiene la sospecha de que algn gnero es ms incumplido que otro. Qu es posible
sugerir con base en la media, la media y la moda?
c. Si la tardanza en llegar a las citas de trabajo de las mujeres aumenta (o disminuye)
calcular el valor de
x %,
de tal forma que el tiempo promedio de retraso de las mujeres coincida
con el de los hombres.

3.2. Cuando es aconsejable utilizar la media geomtrica? Y cuando la media armnica?
3.3. El precio de una accin (Y ) se modica multiplicativamente segn los cambios mensuales en la
tasa de cambio del Euro (T C ) segn la siguiente regla:
y = 1.3
si
T C 3, 000;
y = 0.9
si
T C < 3, 000.
Acorde a las variaciones de la tasa de cambio para los 12 meses de la siguiente tabla, si el valor
inicial de una accin es
4, 250,
calcular para sta la valorizacin (o depreciacin) promedio y el
valor al nal del periodo.

Si se tiene la misma inquietud anterior, ahora por semestre, qu valores se obtendran?
Mes
Semestre 1
3,148
3,087
3,210
2,956
3,215
3,053
Semestre 2
2,999
3,106
3,202
3,157
3,285
3,111
3.4. Calcular e interpretar la razn media del nmero de actividades por hora con la que los trabajadores de una fbrica realizan sus actividades (procesos de manufactura). En la siguiente tabla
se presentan los tiempos (en horas) en los que los trabajadores realizan 20 actividades, las cuales
conforman la cadena de produccin.
60
CAPTULO 3.
42.20
45.70
34.60
40.20
48.90
43.80
46.00
39.50
57.80
37.20
56.40
40.30
46.90
41.70
27.20
51.70
37.90
39.60
59.00
39.00
3.5. Veintiuna personas en un saln de clase tienen una altura promedio de 168 centmetros. Si al
saln entra una persona adicional, entonces, cul es la altura que debe tener esta persona para
que la altura promedio se incremente un centmetro?
3.6. El siguiente conjunto de datos corresponde al origen y la estada de los visitantes hospedados en
hoteles de categora I a IV de un sector turstico determinado. Calcular la media aritmtica del
nmero de visitantes por nacionalidad.
Categora
Nacionales ( %)
Visitantes (#)
75.3
253,175
II
84.7
140,810
III
71.8
47,900
IV
88.0
21,372
3.7. Una empresa de manufacturacin de productos qumicos tiene una produccin diaria de smog
de
110
cm
en el ala A, de
80
cm
en el ala B y de
149
cm
en el ala C. Por otra parte el
Gobierno, decide crear una poltica en la cual la produccin promedio mxima admisible de smog
112.1 cm3 por da. Si la compaa mantiene una actividad de

3
en 80 mts en cada ala, entonces se puede decir que la empresa
por una empresa de qumicos sea de

produccin de smog que culmina
cumple con el requerimiento. Calcular e interpretar el valor promedio de la produccin de smog

por da.
3.8. Con la informacin dada en la siguiente tabla, calcular la calicacin de un estudiante en la
ltima unidad de una asignatura considerando que quiere aprobar la materia con 3.1.
Unidad
Valor ( %)
20
Calicacin
3.7
II
25
2.4
III
20
3.0
IV
15
3.2
x1 , x2 , . . . , xn un conjunto de n realizaciones de una variable X .

grado de este conjunto de datos, denotada con x , est dada por:
3.9. Sea
x =
donde
es un nmero real. Demostrar que
1
n
x
i
i=1
x1 = x
y que
x1 = Hx .
La
media potencial
de
3.5.
61
EJERCICIOS
3.10. Un grupo de 200 estudiantes, cuya estatura promedio es de 160.96 centmetros se divide en dos
grupos, uno con una estatura promedio de 163.4 centmetros y otro con una de 157.3 centmetros.
Cuntos estudiantes en cada grupo?
3.11. A continuacin se presentan los salarios mensuales en miles de pesos, pagados por una empresa
estatal a su personal. En la empresa se presenta un conicto laboral. El gerente propone un
aumento del 2 % para cada uno de los empleados y la junta directiva propone un aumento de 5
mil pesos quincenales para cada empleado.
Salario
300
400
500
600
700
10
Frecuencia
16
35
26
13
a. Con base en el promedio, qu es ms ventajoso para el Estado y qu para cada grupo de

empleados?
b. Para cada propuesta, calcular el salario a partir del cual se encuentra el 10 % de los empleados
mejor pagos de la compaa.
c. Ambas partes reconsideran sus propuestas. El gerente ahora propone un aumento de 5 %.
Calcular el valor del aumento quincenal que debe proponer la junta directiva para que en
promedio sta sea superior a la propuesta del gerente por $10,000 mensuales.
3.12. Una de las metas de toda administracin pblica o privada es ganar lo ms posible en relacin
con el capital invertido en la empresa. Una medida del xito en alcanzarla es el retorno sobre
la aportacin, que es la relacin de la ganancia neta entre el valor de las acciones. Los datos
presentados a continuacin corresponden a los porcentajes de ganancia sobre las acciones para
una muestra de empresas gubernamentales del pas.
#
Aportacin
Frecuencia
2.0 - 5.0
5.0 - 8.0
8.0 - 11.0
11
11.0 - 14.0
16
14.0 - 17.0
21
17.0 - 20.0
14
20.0 - 23.0
23.0 - 26.0
a. Completar la tabla de frecuencias y representar grcamente la distribucin.

b. Calcular e interpretar la media, la mediana y la moda.
c. Describir la distribucin de los porcentajes de ganancia a partir de los resultados obtenidos en
el numeral anterior.
d. Calcular e interpretar los cuartiles.
62
CAPTULO 3.
3.13. Demostrar que si el producto de dos nmeros positivos es igual a 1 entonces la suma de los mismos
no es menor que 2. Generalizar esta proposicin.
3.14. Escribir la frmula de la media geomtrica y de la media armnica cuando los datos estn agrupados en una tabla de frecuencias.
3.15. La cantidad de viajeros por hora de cada estacin de una empresa de transporte en un da
determinado es como sigue:
Estacin
13,050
Viajeros por hora
2
8,545
10,453
12,093
9,448
Calcular el promedio de viajeros por hora de las estaciones de la empresa.

3.16. La media aritmtica de los salarios quincenales de los empleados de una empresa fue $360,000. El
promedio de los salarios de los hombres y de las mujeres fue respectivamente $370,000 y $340,000.
Determinar el porcentaje de hombres y mujeres de la compaa.
3.17. La siguiente tabla contiene los salarios quincenales (en miles de pesos) de una muestra de trabajadores:
Salario
550
600
700
800
3,000
Frecuencia
a. Completar la tabla de frecuencias.

b. Determinar e interpretar la moda, la media, la mediana y el rango.
c. Calcular e interpretar los cuartiles.
d. Rehacer los numerales anteriores teniendo en cuenta que todos los empleados reciben un subsidio mensual de transporte de
$50, 000.
3.18. Para ocupar un puesto de trabajo vacante, la gerencia de una compaa realiza diferentes pruebas
a los aspirantes, cada una de ellas con una importancia determinada. Los resultados de las pruebas
de los dos mejores aspirantes son los siguientes:
Prueba
Importancia
Aspirante 1
Aspirante 2
Cultura general
Contabilidad
Idiomas
10
Informtica
10
a. Qu aspirante obtendr el puesto de trabajo?
3.5.
63
EJERCICIOS
b. Si un tercer aspirante obtiene las mismas notas del aspirante nmero 2 excepto en informtica,
cunto debe ser la calicacin de este nuevo aspirante para obtener la misma calicacin
promedio del aspirante 1?
3.19. Una entidad nanciera ha comprado dlares estadounidenses a diferentes precios (en pesos) durante una semana de acuerdo a la siguiente tabla:
Pesos por dlar
1,840
1,841
1,847
1,842
1,856
1,843
64
Frecuencia
1,851
55
75
34
56
76
45
Calcular el promedio de pesos por dlar al nal de la semana.

3.20. Una agencia ha asignado un grupo de cinco empleados para completar un servicio de excursin
para un grupo de turistas. Las razones de eciencia (en minutos por turista) se dan a continuacin.
Empleado
Efectividad
10
15
12
Encontrar el promedio de efectividad de los empleados.

3.21. Un capital de $100,000,000 se coloca al 4 % el primero de enero de 2000. Si el inters se capitaliza
anualmente los das primero de enero, calcular el promedio del dinero invertido entre el 31 de
diciembre de 2000 y el 31 de diciembre de 2011.
3.22. Demostrar que si
i. Si
ii. Si
X=a
es una variable y
entonces
Y = aX
Por qu
GX = a
entonces
es un nmero real positivo entonces se tiene que:
HX = a.
GY = aGX
HY = aHX .
debe ser un nmero real positivo?
3.23. Un curso tiene 35 hombres con una edad media de 17.5 aos y 15 mujeres que en promedio son
22 % ms jvenes que los hombres. Cul es la edad media del curso?
3.24. Se sabe que ninguna de las sucursales de una empresa comercial tiene ms de 9 empleados o
menos de 7. La mayora tiene 8 trabajadores, pero el 25 % tiene 9 funcionarios y una de cada 10
sucursales tiene 7 empleados. Cul es el promedio de empleados por sucursal?
3.25. Qu es la media recortada? Cules son sus caractersticas? Cmo se utiliza? Para que sirve?
Mostrar una aplicacin al respecto.
Captulo
Medidas de dispersin
4.1. Introduccin
En el anlisis de la informacin no bastan las medidas de tendencia central y de posicin, ya que
describir un fenmeno solo con estas medidas puede llevar a conclusiones errneas que no son eles a
la realidad, dado que pueden existir datos atpicos (detalles en la seccin 4.4) que no se ajustan a la
descripcin, por ejemplo.
Si dos conjuntos de datos tienen la misma media aritmtica, no implica que la distribucin de las
observaciones en ambos casos sea exactamente la misma, puesto que el grado de homogeneidad de
la informacin puede ser diferente. Por ejemplo, considere los datos que se presentan en la tabla 4.1
asociados con los salarios anuales (en millones de pesos) de una muestra de supervisores de ventas de
dos empresas. Se observa que ambos conjuntos de datos tienen la misma media (33.5 millones de pesos)
y la misma mediana (34.0 millones de pesos), por lo que si se limita el estudio de las observaciones
nicamente a estas medidas de tendencia central no es posible diferenciar la distribucin de los salarios
de las dos compaas. Mas sin embargo, estas dos distribuciones son diferentes: los salarios de los
supervisores de la segunda empresa son ms heterogneos que los de la primera.
Empresa 1
34.5
30.7
32.9
36.0
34.1
34.0
32.3
Empresa 2
34.0
27.5
31.6
39.7
35.3
34.7
31.7
Tabla 4.1: Datos asociados con los salarios anuales de una muestra de supervisores de ventas de dos empresas.
En consecuencia, una medida de tendencia central por s sola no es suciente para describir completamente la tendencia de un conjunto de datos; siempre es necesaria una medida que cuantique la
64
4.2.
65
EL RANGO
variabilidad de los datos con respecto a tal medida de resumen.
4.2. El rango
El rango es una medida de dispersin empleada en la seccin 2.4 para construir histogramas. Es una
medida que est asociada con la amplitud del conjunto de datos.
Denicin 4.2.1.
una variable
con
Rx ,
Sea x1 , x2 , . . . , xn un conjunto de n realizaciones de

X . El rango observado de este conjunto de datos, denotado
se calcula como la diferencia entre el valor mximo y el valor
mnimo del conjunto de datos. Es decir:
Rx = xmx xm
a
n
donde
xm
n
xmx
a
son respectivamente el valor mnimo y mximo de las
observaciones.
Nota. No se debe confundir el rango de un conjunto de datos denido en esta seccin con el rango
denido en la seccin 3.3.1 utilizado para describir la posicin en la que se encuentra cada valor del
conjunto de datos ordenado ascendentemente.
Ejemplo 4.2.1.
Teniendo en cuenta los datos de la tabla 4.1, calcular e interpretar el rango para
cada empresa.
Solucin:
El rango de la empresa 1 es
Rx = xmx xm = 36.0 30.7 = 5.3,

a
n
mientras que el rango de la empresa 2 es
Rx = xmx xm = 39.7 27.5 = 12.2.

a
n
Se observa que el recorrido de los salarios de la segunda empresa es mayor que el recorrido de los
salarios de la primera en 6.9 millones de pesos.
Las siguientes son algunas observaciones acerca del rango:
Est dado en las mismas unidades de la variable de estudio.
66
CAPTULO 4.
MEDIDAS DE DISPERSIN
Es sensible a valores extremos.
No da razn de la dispersin de los datos respecto a un valor particular o a una medida de

tendencia central.
4.3. El rango intercuartlico

El rango intercuartlico es una medida de dispersin que no est inuenciada por los valores extremos
de los datos como s lo est el rango. En el rango intercuartlico se concentran el 50 % de las observaciones que no hacen parte del 25 % de los valores ms bajos ni del 25 % de los valores ms altos del
conjunto de datos.
Denicin 4.3.1.
una variable
X.
El
Sea
x1 , x2 , . . . , xn
un conjunto de
rango intercuartlico
de datos, denotado con
RIx ,
realizaciones de
observado de este conjunto
se calcula como la diferencia entre el tercer
y primer cuartil del conjunto de datos. Es decir:
RIx = q3 q1
donde
q1
q3
son respectivamente el primer y tercer cuartil de las
observaciones.
Ejemplo 4.3.1.
Teniendo en cuenta los datos de la tabla 4.1, calcular e interpretar el rango inter-
cuartlico para cada empresa.
Solucin:
El rango intercuartlico de la empresa 1 es
RIx = q3 q1 = 34.30 32.60 = 1.70,

mientras que el rango intercuartlico de la empresa 2 es
RIx = q3 q1 = 35.00 31.65 = 3.35.

Se observa que el recorrido del 50 % de los salarios intermedios de la segunda empresa es mayor que
el mismo recorrido de los salarios de la primera en 1.65 millones de pesos. Aunque todava hay una
diferencia clara, no es tan notoria como s lo es con el rango, lo que sugiere la presencia de sueldos
considerablemente superiores de la primera empresa comparados con los de la segunda.
Las siguientes son algunas observaciones acerca del rango intercuartlico:
4.4.
67
DIAGRAMA DE CAJA Y BIGOTES
Est dado en las mismas unidades de la variable de estudio.
Es una medida robusta poco inuenciable frente a valores extremos.
No da razn de la dispersin de los datos respecto a un valor particular o a una medida de

tendencia central.
El rango intercuartlico se utiliza para construir un diagrama usado frecuentemente en estadstica,

denominado diagrama de caja, extremadamente til para describir la distribucin de un conjunto de
datos.
4.4. Diagrama de caja y bigotes

El
diagrama de caja y bigotes
(boxplot en ingls) es una representacin grca que sirve para
identicar algunas caractersticas fundamentales de la distribucin de un conjunto de datos, tales

como la localizacin, la dispersin, la simetra y la deteccin de datos atpicos. En este diagrama se
representan los tres cuartiles y los datos atpicos de los datos con base en un rectngulo alineado
vertical u horizontalmente. La construccin vertical de este grco asociado con las observaciones de
una variable
es como sigue:
i. Obtener los cuartiles
q1 , q2
q3
del conjunto de datos.
ii. Dibujar un rectngulo paralelo al eje
tal que su lado mayor inicie en
q1
y termine
q3 .
El ancho
de la caja no es de relativa importancia pero debe ser menor que el largo del rectngulo.
iii. Trazar los segmentos de la caja hasta los limites
Li = mx{xm , q1 (1.5)RIx }
a
n
Ls = m
n{xmx , q3 + (1.5)RIx }
a
RIx es el rango intercuartilico. Por lo tanto estos segmentos se extienden de Li a q1 y

Ls . Tales lneas, denominadas bigotes , se dibujan de manera centrada respecto al ancho
donde
de
q3
de
la caja.
iv. Sealar y resaltar los valores que se encuentran por fuera del intervalo
v. Trazar una lnea horizontal dentro de la caja a la altura de
[Li , Ls ].
q2 .
En resumen, una grca de este tipo est constituida por una caja rectangular cuyo lado mayor
representa el rango intercuartlico. Este rectngulo est dividido por un segmento transversal que
indica donde se localiza la mediana y por lo tanto evidencia su relacin con los dems cuartiles. Las
lneas que sobresalen de la caja tienen un lmite de prolongacin, de modo que cualquier dato que
no se encuentre dentro de este rango es marcado e identicado individualmente. En la gura 4.1 se
presenta un ejemplo de un diagrama de caja.
68
CAPTULO 4.
Figura 4.1: Ejemplo de un diagrama de caja y bigotes.
Denicin 4.4.1.
do de
(1.5)RIx
Todo dato de una variable
(outlier en ingls). Un dato atpico se denomina

do a una distancia mayor de
moderado
Ejemplo 4.4.1.
que est ms aleja-
atpico
extremo si est ubica-
del cuartil ms cercano se dice que es un dato
(3.0)RIx
del cuartil ms cercano y se llama
en otro caso.
Hacer un diagrama de caja y bigotes para los datos de la tabla 2.9. Describir la
distribucin de las observaciones de acuerdo con el grco obtenido.
Solucin:
4.5.
69
LA DESVIACIN DE UN DATO
La construccin del diagrama es como sigue:
i. Obtener los cuartiles de las ganancias:

ii. Dibujar un rectngulo paralelo al eje
q1 =81.85, q2 =
93.10 y
q3 =
104.25.
tal que su lado mayor inicie en 81.85 y termine en el valor
104.25.
iii. Trazar los bigotes de la caja hasta
Li = 60.40
Ls = 137.85.
Por ende estos segmentos se
extienden de 81.85 a 60.4 y de 104.25 a 137.85.

iv. Sealar y resaltar los valores que se encuentren por fuera del intervalo [60.40,137.85]. Estas observaciones son 138.1 y 142.2.
v. Trazar una lnea horizontal dentro de la caja a la altura de 93.10.
La distribucin de las ganancias parece ser simtrica alrededor de la mediana, esto es, el reparto de las
utilidades aparenta ser equilibrado o semejante en torno a 93.1 millones de pesos diarios dado que la
caja esta divida en dos partes iguales por la ganancia mediana y los bigotes tienen aproximadamente
la misma extensin. Se presentan apenas un par de observaciones atpicas correspondientes a dos
empresas con ganancias diarias superiores a todas las dems con una diferencia notoria, pero segn
parece no inuencian en gran medida la distribucin de las utilidades puesto que la ganancia promedio
(94.09 millones de pesos) no diere marcadamente de la ganancia mediana.
4.5. La desviacin de un dato

A continuacin se presenta la desviacin de un dato como punto de referencia para la construccin de
medidas de dispersin con respecto a la media aritmtica.
Denicin 4.5.1.
de una variable
i = 1, . . . , n,
Sea
X.
x1 , x2 , . . . , xn
desviacin
La
denotada con
di ,
un conjunto de
de la
i-sima
realizaciones
observacin para
est dada por:
di = xi x
donde
es el promedio observado del conjunto de datos.
Nota. Una desviacin positiva (di

una desviacin negativa (di
< 0)
> 0)
indica que el dato es mayor que el promedio, mientras que
seala que el dato es menor que la media. Una desviacin igual a 0
quiere decir que el dato es exactamente igual al promedio. Adems, en la proposicin 3.2.2 se muestra
x1 , x2 , . . . , xn es
n
es,
i=1 di = 0.
que si
esto
un conjunto de
entonces
n
i=1 (xi
x) = 0,
70
CAPTULO 4.
Figura 4.2: Diagrama de caja y bigotes de los datos de la tabla 2.8.
Las desviaciones de las observaciones se utiliza para estudiar la dispersin de la distribucin de un

conjunto de datos cuantitativos. Teniendo en cuenta que la desviacin de una observacin representa
la diferencia entre un dato y la media del conjunto de datos de la cual sta proviene, se podra pensar
que el promedio de todas las desviaciones proporciona una medida de la dispersin de todos los datos
con respecto al promedio, pero esto
no ocurre
porque la suma de todas las desviaciones siempre es
igual 0. Este hecho motiva la siguiente medida de dispersin.
4.6.
71
LA V
ARIANZA
4.6. La varianza
Aunque el rango es una medida asociada con la extensin de todo conjunto de datos y el rango intercuartlico es una medida relacionada con la amplitud correspondiente al 50 % de los datos intermedios,
ninguna de estas medidas de dispersin tiene en cuenta cmo se distribuyen las observaciones de la
variable de estudio respecto a alguna medida de tendencia central, como el promedio, por ejemplo.
Una medida de uso comn que s toma en cuenta tal reparticin de los datos respecto a la media
aritmtica es la varianza. Esta medida evala la manera en que uctan los valores de una variable
respecto al promedio.
Denicin 4.6.1.
conjunto de
una variable
de este conjunto de datos, de-
notada con
Sea x1 , x2 , . . . , xn un
X . La varianza muestral
2
Sx , est dada por:
2
Sx =
donde
realizaciones de
1
n1
(xi x)2
i=1
Nota. La varianza muestral se dene como el promedio de los cuadrados de las desviaciones de
1
2
2
los datos de la muestra . La varianza muestral observada de una variable X se simboliza con Sx ,
2
mientras que la
se denota con X . As, cuando se dispone de una poblacin
varianza poblacional
nita, se tiene que
2
X =
donde
1
N
(xi X )2
i=1
es el tamao de la poblacin. Esta denicin nicamente hace sentido cuando se tiene una
poblacin nita. Adems, como con otros estadsticos, la notacin de la varianza incluye un subndice
para enfatizar la variable sobre la cual se calcula.
Nota. La denicin de la varianza poblacional (parmetro) y de la varianza muestral (estadstico)

es casi idntica salvo que en la muestral se resta 1 en el denominador del cociente. La razn de esta
diferencia se justica fcilmente dentro del marco conceptual de la estadstica inferencial.
Cuando los datos de una muestra estn agrupados en una distribucin de frecuencias la varianza
muestral se calcula con la frmula
2
Sx =
1
n1
ni (xi x)2
i=1
1 En este libro la varianza muestral, la cuasi-varianza y la varianza corregida son sinnimos.

n
2 Como con cualquier otro estadstico, la varianza muestral S 2 = 1
2
i=1 (Xi X) corresponde
X
n1
a la variable
varianza de la muestra cuyos valores dependen de la muestra recogida; mientras que la varianza muestral observada
2
Sx =
1
n1
n
2
i=1 (xi x) compete a un valor especco de la variable
determinada.
2
SX
calculada a partir de los datos de una muestra
72
CAPTULO 4.
donde k es el nmero de clases, ni

i-sima categora para i = 1, . . . , k .
es la frecuencia absoluta y
xi
es la clase o marca de clase de la
La varianza evidencia la dispersin (variabilidad) de la distribucin de un conjunto de datos respecto

al promedio. Cuanto ms pequeo es el valor de la varianza, es menor la dispersin de los datos o
son ms homogneos respecto a la media. En consecuencia, si la varianza es un valor pequeo
implica que los datos estn poco dispersos respecto al promedio; en tanto que si la varianza es un
valor grande sucede lo contrario. En otras palabras, cuanto ms pequeo es el valor de la varianza,
la media es una cantidad ms representativa del conjunto de datos.
Aunque la varianza est asociada directamente con la variacin de un conjunto de datos, su interpretacin se puede complicar debido a que est dada en
unidades cuadrticas
(unidades de medicin
elevadas al cuadrado). Tal aspecto se debe tener en cuenta en la interpretacin para describir correctamente la realidad estudiada.
Nota. El valor mnimo que puede asumir la varianza es el valor 0, caso en el que todos los datos son
iguales al promedio.
Ejemplo 4.6.1.
Calcular e interpretar la varianza de los siguientes datos asumiendo que stos cons-
tituyen una poblacin.
i
xi
62
80
83
72
73
Solucin:
En este caso
N =5
y adems la media poblacional de estos datos es
X =
1
N
xi =
i=1
62 + 80 + . . . + 73
= 74.
5
Por lo tanto, la varianza poblacional es:
2
X =
1
N
(xi X )2 =
i=1
3
Este valor, 53.2, parece ser
(62 74)2 + (80 74)2 + . . . + (73 74)2

= 53.2.
5
un valor grande, por lo que para este conjunto de datos se tiene una alta
dispersin con respecto al promedio, es decir, los datos parecen no estar agrupados respecto a 74.
Ejemplo 4.6.2.
Calcular el varianza de los datos de la tabla 2.9.
Solucin:
3 Se
utiliza la expresin parece ser porque no hay un punto de comparacin para establecer cuando una cantidad
es pequea o grande. Por tal motivo se debe recurrir a medidas que den cuenta de cmo realizar esta calicacin de
manera apropiada de acuerdo a ciertos estndares de precisin (detalles en la seccin 4.10).
4.6.
73
LA V
ARIANZA
Para calcular la varianza primero se deben calcular las respectivas marcas de clase como en el ejemplo
3.2.1. Una vez calculadas las marcas de clase, se calcula la varianza de las ganancias aplicando la
frmula para datos agrupados. En la tabla 4.2 se presentan los clculos pertinentes.
xi
Clase
[60.4; 74.0)
[74.0; 87.7)
[87.7; 101.3)
[101.3; 114.9)
[114.9; 128.6)
[128.6; 142.2]
ni
ni (xi x)2
ni xi
67.22
336.08
3,611.90
80.85
727.65
1,578.59
94.48
10
944.83
1.52
108.12
648.70
1,179.84
121.75
365.25
2,294.59
135.38
270.77
3,409.65
N.A.
35.00
3293.28
12,076.65
Total
As, la magnitud de la varianza muestral de las ganancias es igual a
2
Sx =
1
n1
ni (xi x)2 =
i=1
12, 076.65
= 355.18.
35 1
Considerando el valor 355.18 millones de pesos cuadrados como alto, se concluye que las ganancias
estn muy dispersas respecto a la ganancia promedio que corresponde a 94.09 millones de pesos.
Nota. En el ejemplo 4.6.2 las unidades de la varianza son unidades cuadrticas y la interpretacin de
la misma se hace sin tener en cuenta algn punto de referencia considerndola simplemente como un
valor grande.
A continuacin se presentan algunas propiedades de la varianza muestral:
Proposicin 4.6.1.
i. Si
ii. Si
X=a
Sea
entonces
Y = aX + b
una variable y
a, b
2
SX = 0.
entonces
2
2
SY = a2 SX .
Demostracin:
i. Si
X=a
entonces
X=a
y por lo tanto:
2
SX =
1
n1
(Xi X)2 =
i=1
1
n1
(a a)2 = 0.
i=1
74
CAPTULO 4.
ii. Si
Y = aX + b
entonces se sigue que:
2
SY =
1
n1
1
=
n1
=
=
1
n1
1
n1
1
=
n1
=
1
n1
= a2
2
=a
Ejemplo 4.6.3.
(Yi Y )2
i=1
n
((aXi + b) (aX + b))2

i=1
n
(aXi + b aX b)2
i=1
n
(aXi aX)2
i=1
n
(a(Xi X))2
i=1
n
a2 (Xi X)2
i=1
1
n1
(Xi X)2
i=1
2
SX .
Los siguientes datos estn asociados con los salarios quincenales (en miles de pesos)
de una muestra de empleados de una compaa. Los empleados piden un reajuste quincenal de 15 %
sobre su salario, pero el Estado ofrece un reajuste de 18 % ms una bonicacin mensual de cuarenta
mil pesos. Calcular el promedio y la varianza para las dos propuestas.
230
310
240
280
200
230
280
250
200
Solucin:
Primero se debe calcular el promedio y la varianza de los salarios quincenales de los empleados (X ),
de donde
x=
Sea
Y1
1
n
xi = 246.66
i=1
2
Sx =
1
n1
(xi x)2 = 1, 400.
i=1
el salario quincenal de los empleados (en miles de pesos) ajustado con la propuesta que ellos
mismos han dado. Este reajuste consiste en un aumento quincenal de 15 % y en consecuencia
Y1 = 1.15X,
4.6.
75
LA V
ARIANZA
lo que implica un salario quincenal promedio de
y1 = 1.15 = (1.15)(246.66) = 283.66
x
con una varianza de
2
2
Sy1 = 1.152 Sx = 1.152 (1, 400) = 1, 851.50.
De otra parte, el Estado ofrece un reajuste de 18 % ms una bonicacin mensual de cuarenta mil
pesos, esto es, veinte mil pesos quincenales. Si
Y2
denota el salario quincenal (en miles de pesos)
ajustado con la propuesta del Estado entonces se obtiene que
Y2 = 1.18X + 20
lo que implica un salario promedio de
y2 = 1.18 + 20 = (1.18)(246.66) + 20 = 311.06
x
con una varianza de
2
2
Sy2 = 1.182 Sx = 1.182 (1, 400) = 1949.36.
Por lo tanto la propuesta que aparentemente tiene ms dispersin con respecto al salario quincenal
promedio es la propuesta del Estado.
Ejemplo 4.6.4.
Calcular la varianza de la utilidad mensual de la compaa del ejemplo 3.2.2 teniendo
en cuenta que la varianza de la venta mensual es
$2 273,500.
Solucin:
Dado que la utilidad mensual (Y ) de la compaa es una variable dada por:
Y = 0.83X 24, 000, 000

donde
representa la venta mensual de la empresa, se obtiene que
2
2
Sy = 0.832 Sx = 0.832 (273, 500) = 188, 414.15.
Proposicin 4.6.2.
Si
x1 , x2 , . . . , xn
es un conjunto de
(xi x)2 =
i=1
x2 n2 .
x
i
i=1
Demostracin:
n
(xi x)2 =
i=1
(x2 2xi x + x2 )

i
i=1
entonces:
76
CAPTULO 4.
x2
i
=
i=1
n
x2
2xi x +
i=1
i=1
n
x2 2
x
i
i=1
n
xi + n2
x
i=1
x2 2(n) + n2
x x
x
i
=
i=1
n
x2 2n2 + n2
x
x
i
=
i=1
n
x2 n2 .
x
i
=
i=1
Nota. En virtud de la proposicin 4.6.2 se tiene que una forma alternativa para calcular la varianza
muestral observada de una variable
es:
2
Sx =
Ejemplo 4.6.5.
El clculo de
2
Sx =
1
n1
2
Sx
1
n1
x2 n2
x
i
i=1
en el ejemplo 4.6.3 tambin se puede lograr como sigue:
x2 n2
x
i
i=1
1
558, 800 (9) 246, 662
91
= 1, 400.
Las siguientes son algunas observaciones acerca de la varianza:
La relacin entre la varianza y la dispersin de un conjunto de datos es directa.
Est dada en unidades cuadrticas.
Es sensible a datos atpicos.
Es un valor no negativo.
Nota. Si
son variables conmensurables,
a, b
nmeros reales y
2
2
2
SW = a2 SX + b2 SY .
El lector puede dar un ejemplo que rectique este hecho?
W = aX + bY
entonces
4.7.
77
LA DESVIACIN ESTNDAR
4.7. La desviacin estndar

La interpretacin de la varianza no es directa porque est expresada en unidades cuadrticas. Por
ejemplo, si la variable de inters est medida en pesos, la varianza estar dada en pesos al cuadrado.
Este aspecto diculta la interpretacin porque relacionar valores en unidades cuadrticas con valores
en
unidades lineales (unidades sin elevar al cuadrado) puede llevar a conclusiones errneas cuando
no se da a la varianza una calicacin adecuada en las unidades reales; por tal motivo en los ejemplos
de la seccin anterior se utiliza la palabra aparentemente para resaltar este hecho. La siguiente
medida de dispersin resuelve este inconveniente.
Denicin 4.7.1.
La
desviacin estndar
desviacin tpica
se
dene como la raz cuadrada positiva de la varianza.
Nota. De acuerdo con la denicin 4.7.1, si

variable
entonces la
x1 , x2 , . . . , xn
es un conjunto de
realizaciones de una
desviacin estndar muestral observada de X , denotada con Sx , est dada
por:
Sx =
1
n1
(xi x)2 .
i=1
Similarmente, si se dispone de una poblacin nita de tamao
poblacional
de
X,
denotada con
X ,
X =
Se observa que
Sx
N,
entonces la
desviacin estndar
est dada por:
1
N
(xi X )2 .
i=1
es la realizacin de un estadstico , mientas que
es una parmetro.
Nota. Las unidades de la desviacin estndar son las mismas unidades de la variable de estudio. Por
ello, la interpretacin de esta medida es inmediata y comparable con los valores de la variable.
Ejemplo 4.7.1.
Calcular la desviacin estndar de la utilidad mensual de la compaa del ejemplo
4.6.4.
Solucin:
Como
2
Sy = 374, 394.15
se sigue que la desviacin estndar de la utilidad mensual es $611,870 dado
que
Sy =
4 Corresponde
2
Sy =
a un valor especco de la variable
una muestra determinada.
374, 394.15 = 611.87.
2
SX =
1
n1
n
i=1 (Xi
X)2
calculada a partir de los datos de
78
CAPTULO 4.
Las siguientes son algunas observaciones acerca de la desviacin estndar:
La relacin entre la desviacin estndar y la dispersin de un conjunto de datos es directa.
Est dada en unidades lineales.
4.8. Estandarizacin
En seguida se presenta una metodologa para comparar magnitudes que en principio no lo son, con el
propsito de investigar una variable de inters en escenarios dismiles.
Denicin 4.8.1.
estandarizacin
Se denomina
tipicacin
al
proceso de restar de una variable la media y luego dividir por la desviacin tpica.
Nota. De este modo, si
x1 , x2 , . . . , xn
es un conjunto de
cuando se realiza este proceso se obtiene una nueva variable, denotada con
est dadas por
zi =
para
i = 1, 2, . . . , n.
entonces
cuyas observaciones
xi x
Sx
Cuando se trata con una poblacin se sigue que
Z=
La variable
Z,
se denomina
X X
.
X
variable estandarizada o variable tipicada .
Una variable estandarizada es una variable adimensional
y permite hacer comparaciones entre magni-
tudes que en principio no son comparables. Esto se aplica al caso en que se quiera comparar individuos
semejantes de poblaciones diferentes. Por ejemplo, si se quiere comparar el nivel acadmico de dos
estudiantes de diferentes universidades para otorgar una beca de estudios, en principio ser injusto
concederla directamente al que posea una nota media ms elevada, ya que la dicultad para conseguir una buena calicacin puede ser mucho mayor en un centro que en el otro, lo que limita las
posibilidades de uno de los estudiantes y favorece al otro. En este caso, se aconseja comparar las
calicaciones tipicadas de ambos estudiantes por medio del promedio y desviacin tpica de las notas
correspondientes de los alumnos de cada universidad.
5 Se
dice que una variable es
adimensional
cuando no tiene unidades de medicin.
4.9.
79
TEOREMA DE CHEBYSHEV
Proposicin 4.8.1.
Sea
x1 , x2 , . . . , xn
un conjunto de
una
variable estandarizada cuyas observaciones estn dadas por
zi =
para
i = 1, 2, . . . , n.
xi x
Sx
Entonces se tiene que
z=0
2
Sz = 1.
La demostracin queda como ejercicio para el lector.
Ejemplo 4.8.1.
Teniendo en cuenta los datos de la tabla 4.1, estandarizar las observaciones de cada
empresa. Comentar los resultados obtenidos.
Solucin:
En este caso se tiene que
x1 = 33.500, x2 = 1.708, Sx1 = 33.500
donde
xi
Sxi
Sx2 = 3.791
son respectivamente la media muestral y la desviacin estndar muestral de los salarios
de los supervisores de la
i-sima
empresa para
i = 1, 2.
En la siguiente tabla se presentan los salarios
estandarizados de cada empresa:

Empresa 1
0.585
Empresa 2
0.131
1.639
1.582
0.351
0.501
1.463
0.351
0.292
1.635
0.474
0.316
0.702
0.474
Por ejemplo, se observa que el individuo 1 de la primera empresa es denitivamente mejor pago en
su contexto que el individuo 1 de la segunda compaa a pesar de que tienen salarios muy prximos,
dado que el puntaje estandarizado del primer individuo es superior que el mismo puntaje del otro
empleado. Tal comparacin solo se puede realizar eliminando el efecto de la escala en las observaciones
asociadas. Adems, se observa que la media y la desviacin estndar de los salarios estandarizados de
cada empresa son 1 y 0 respectivamente.
4.9. Teorema de Chebyshev

El matemtico ruso
Pafnuty Chebyshev
cuyo trabajo gener grandes avances en la probabilidad y
la estadstica, se distingue por un teorema muy popular bautizado con su mismo nombre, en la cual se
evidencia la relacin de la proporcin de observaciones en un rango dado con la media y la desviacin
estndar de la poblacin correspondiente.
6 Fotografa
http://mimosa.pntic.mec.es/jgomez53/matema/conocer/chebyshev.htm.
80
CAPTULO 4.
Figura 4.3: Pafnuty Chebyshev (1821-1894).
Teorema 4.9.1.
Para cualquier poblacin con media X y desviacin estndar X , por lo menos

100(1 1/k 2 ) % de las observaciones de la variable X se encuentran a una distancia de la media
menor que kX , para cualquier nmero k 1. De otra forma, dentro del intervalo que va de X kX
2
a X + kX se encuentra por lo menos el 100(1 1/k ) % de los datos de la poblacin.
el
teorema de Chebyshev o desigualdad de Chebyshev se presenta en la seccin 8.7 con la nocin de probabilidad.
La formulacin matemtica y la demostracin del teorema 4.9.1 conocido como
Ejemplo 4.9.1.
Determinar un intervalo que contenga al menos 95 % de las observaciones de una
poblacin con media 26 y desviacin estndar 3.
Solucin:
100 1 1/k 2 % = 95 %
1
1 2 = 0.95
k
1
= 0.05
k2
1
k=
0.05
k = 4.472.
4.10.
81
EL COEFICIENTE DE VARIACIN DE PEARSON
Por lo tanto un intervalo que contiene por lo menos el 95 % de las observaciones de esta poblacin es
aquel que va de
26 (4.472)(3) = 12.583
26 + (4.472)(3) = 39.416.
La tabla 4.3 proporciona algunos valores de
y los porcentajes correspondientes. Por ejemplo, de
acuerdo con el teorema de Chebyshev, al menos el 55.6 % de los datos de la poblacin se encuentran a
una distancia de la media menor que 1.5 veces la desviacin estndar. O, dicho de otra forma, dentro
del intervalo que va de
X (1.5)X
hasta
X + (1.5)X ,
sin importar el valor de
y de
X ,
se
encuentra por lo menos el 55.6 % de los datos de la poblacin.
Ejemplo 4.9.2.
Considerar los datos de la primera empresa de la tabla 4.1. Estos datos tienen
una media de 33.500 con una desviacin estndar de 1.708 ambas cantidades dadas en millones
de pesos. Asumiendo que estos datos conforman las observaciones de una poblacin, el teorema de
Chebyshev asegura que al menos 55.6 % de los salarios se encuentran a una distancia de la media
menor que (1.5)(1.708)=2.561 millones de pesos. En otras palabras, dentro del intervalo que va de
30.938 a 36.062 millones de pesos estn por lo menos el 55.6 % de los salarios. Anlogamente, dentro
del intervalo que va de 27.523 a 39.477 millones de pesos se encuentra por lo menos el 75.0 % de los
salarios de los supervisores de la empresa.
k
100(1 1/k 2 ) %
1.5
2.0
2.5
3.0
3.5
4.0
55.6 %
75.0 %
84.0 %
88.9 %
91.8 %
93.7 %
Tabla 4.3: Algunos valores asociados con el teorema de Chebyshev.
La ventaja del teorema de Chebyshev es que se puede aplicar a cualquier poblacin. Pero, en contrapartida, tiene un inconveniente importante. Para muchas poblaciones, el porcentaje de valores que
se encuentran en un intervalo determinado es mucho mayor que el mnimo asegurado por el teorema.
Para poblaciones con distribuciones que tengan forma acampanada (ver la distribucin (d) de la gura 3.1), es posible establecer una
regla emprica
que proporcione valores ables, como sigue: para
poblaciones con una distribucin de frecuencias que tenga forma de campana, aproximadamente el
68 % de los valores de la poblacin se encuentran a una distancia de la media menor que una desviacin estndar, y aproximadamente el 95 % estn a una distancia de la media menor que dos veces la
desviacin estndar.
4.10. El Coeciente de variacin de Pearson

Analizando la variabilidad de un conjunto de datos con respecto a la media, la desviacin estndar es
una medida ptima que reeja tal caracterstica. A diferencia de la varianza, la desviacin estndar
est dada en las unidades originales de la variable de estudio y por ello su interpretacin es directa:
cuanto ms pequea es la magnitud de la desviacin estndar, menor es la dispersin del conjunto
de datos con respecto al promedio. Pero an la palabra pequea no tiene un signicado preciso.
Cuando la desviacin estndar se considera estadsticamente como un valor pequeo?
82
CAPTULO 4.
De otra parte, para comparar la dispersin de dos o ms conjuntos de datos no es adecuado confrontar
simplemente las varianzas o las desviaciones estndar, puesto que tales medidas estn inuenciadas
por la escala de medida de los datos. Es necesario, por lo tanto, eliminar tal inuencia generada por
las unidades de medida. El coeciente de variacin de Pearson, en honor al matemtico britnico
Pearson
, es una medida relativa
Karl
de dispersin que permite solucionar estas inquietudes.
Figura 4.4: Karl Pearson (1857-1936).
Denicin 4.10.1.
El
coeciente de variacin de Pearson (o sim-
plemente coeciente de variacin) se dene que como el valor absoluto

del cociente entre la desviacin estndar y la media del conjunto de datos
correspondiente.
Nota. De acuerdo con la denicin 4.10.1, si se dispone de la informacin de una muestra asociada con
una variable
con
CV x ,
entonces el valor observado del
coeciente de variacin muestral
X , denotado
est dado por
CV x =
|a| es el valor absoluto de a. Similarmente,
variable X , denotado con CVX , est dado por
donde
de
el
CVX =
Sx
x
coeciente de variacin poblacional

X
.
X
7 Fotografa tomada de la pgina web http://www.apprendre-math.info/history/photos/Pearson.jpeg.

8 Una medida relativa es aquella medida que dene su valor en relacin a otra cantidad.
de una
4.10.
83
EL COEFICIENTE DE VARIACIN DE PEARSON
Como se ha visto, para establecer el tamao relativo de la desviacin estndar se utiliza el promedio,
comparando la magnitud de la dispersin de la variable con la media del conjunto de datos, de tal
forma que la apreciacin correspondiente es relativa al valor del promedio. Adems, como se trata de
un cociente, las unidades del numerador y del denominador se cancelan y en consecuencia el coeciente
de variacin es una medida adimensional, lo que quiere decir que carece de unidades de medicin. Por
ello, se acostumbra expresar el coeciente en porcentaje y dependiendo del valor que tome se dice que
si el coeciente de correlacin:
Est entre 0 % y 5 % entonces la dispersin del conjunto de datos es mnima.
Est entre 5 % y 15 % entonces la dispersin del conjunto de datos es moderada.
Es superior a 15 % entonces la dispersin del conjunto de datos es alta.
Ejemplo 4.10.1.
Un inversionista potencial piensa adquirir acciones en una de dos compaas A o
B listadas en la bolsa de valores. Si ninguna de las compaas ofrece dividendos a sus clientes y ambas
tienen igual clasicacin en trminos de crecimiento potencial como lo aseguran varios servicios de
inversin el posible inversionista quizs considere la volatilidad (variabilidad) de ambas acciones para
tomar una decisin en cuanto a la inversin. En los ltimos meses, el precio promedio de las acciones
en la compaa A fue de USD 50 con una desviacin estndar de USD 10. Adems, durante el mismo
periodo, el precio promedio de las acciones en la compaa B fue de USD 12 con una desviacin
estndar de USD 4. Cmo puede determinar el inversionista cules acciones son ms variables?
Solucin:
En trminos de la desviacin estndar, el precio de las acciones de la compaa A parece ms voltil
que el de las acciones de la compaa B. Sin embargo, como los precios promedio por accin de las dos
compaas son tan diferentes, ser conveniente que el inversionista potencial considere la variabilidad
del precio con respecto al promedio a n de examinar la volatilidadestabilidad de ambas acciones. Si
denota el precio (en dlares) de las acciones en el periodo de tiempo examinado, para la compaa
CV x = |(10/50)100 %| = 20.0 %; mientras

CV x = |(4/12)100 %| = 33.3 %. Entonces, en
A, el coeciente de variacin es
que para la compaa B,
el coeciente de variacin es
relacin con la media, el
precio de las acciones de la compaa B es mucho ms variable que el de las acciones de la compaa
A.
Nota. El coeciente de variacin sirve para comparar la variabilidad de dos conjuntos de datos respecto
a la media, mientras que si se quiere comparar a dos individuos de cada uno de estos conjuntos, es
necesario utilizar los valores estandarizados.
Las siguientes son algunas observaciones acerca del coeciente de variacin:
La relacin entre el coeciente de variacin y la dispersin de un conjunto de datos es directa.
Es una medida adimensional.
Es sensible a valores atpicos.
84
CAPTULO 4.
Si el promedio es igual a 0 entonces el coeciente de variacin no est denido.
4.11. Otras medidas de dispersin

A continuacin se presentan algunas medidas de dispersin basadas en el valor absoluto cuya magnitud
depende del posicionamiento de los datos respecto a la media y la mediana.
La desviacin media es una medida que captura las desviaciones absolutas de los datos respecto a la
media. Esta medida tambin se denomina desviacin absoluta.
Denicin 4.11.1.
de una variable
denotada con
X.
Dx ,
Sea
La
x1 , x2 , . . . , xn
realizaciones
de este conjunto de datos,
est dada por:
Dx =
donde
un conjunto de
desviacin media
1
n
|xi x|
i=1
La desviacin mediana es similar a la desviacin media, pero ahora las desviaciones se calculan respecto
a la mediana del conjunto de datos.
Denicin 4.11.2.
Sea x1 , x2 , . . . , xn un conjunto de n realizaciones de

X . La desviacin mediana de este conjunto de datos,
con DMX , est dada por:
una variable
denotada
DMx =
donde
1
n
|xi x|
i=1
es la mediana observada del conjunto de datos.
Nota. Las unidades en las que estn dadas tanto la desviacin media como desviacin mediana son
unidades lineales. Adems, de ser requeridos, los parmetros correspondientes se denen anlogamente.
Ejemplo 4.11.1.
Considerar los datos de la tabla 4.4 asociados con una muestra de ventas diarias
(en millones de pesos) de una empresa con 30 sucursales en el pas. Si esta empresa tiene un contrato
con una compaa de contadura que asegura que sus ingresos diarios no tienen una dispersin mayor
4.11.
85
OTRAS MEDIDAS DE DISPERSIN
a $2,000,000, qu se podra concluir al realizar una comparacin de la desviacin media, la desviacin

mediana, la desviacin estndar y el rango intercuartlico junto con un diagrama de caja y bigotes?
7.00
11.85
14.17
7.84
6.05
12.01
10.28
13.08
14.57
6.10
7.73
9.91
8.18
10.59
7.63
7.02
8.88
13.88
10.55
13.42
11.23
9.20
8.92
9.84
8.93
9.86
9.40
7.82
10.24
9.74
Tabla 4.4: Datos asociados con una muestra de ventas diarias (en millones de pesos) de una empresa.
Solucin:
Teniendo en cuenta que la media y la mediana de las ventas diarias (X ) de las 30 sucursales de la
empresa son respectivamente
9.86 y 9.79 millones de pesos, se obtienen los resultados que se presentan
en seguida y el diagrama de caja y bigotes de la gura 4.5.
Dx
Medida
Dispersin
DMx
RIx
Sx
1.84
1.83
3.13
2.35
Teniendo en cuenta que las medidas toman posiciones opuestas respecto a la dispersin mencionada
en el contrato, la inspeccin del diagrama de caja toma un papel decisivo. ste muestra que no
hay evidencia de datos atpicos, por lo que la desviacin estndar no se encuentra inada por
observaciones extremas. Adems, el rango intercuartlico, que es una medida robusta frente a los
observaciones atpicas, tambin muestra un fallo negativo respecto a la dispersin establecida en el
contrato. As, se puede concluir que la dispersin encontrada en la muestra excede efectivamente lo
estipulado.
A continuacin se presenta sin demostracin una proposicin que relaciona las magnitudes de algunas
medidas de dispersin:
Proposicin 4.11.1.
Si
x1 , x2 , . . . , xn
es un conjunto de
entonces
se tiene que
0 DMx Dx Sx
donde
Sx
Rx
0 Dx Rx /2
son respectivamente la desviacin estndar muestral y el rango de la variable
X.
Las siguientes son algunas observaciones acerca de la desviacin media y la desviacin mediana:
La relacin entre la desviacin media y la dispersin de un conjunto de datos es directa. Esto

mismo sucede con la desviacin mediana.
La desviacin media y la desviacin mediana son valores no negativos.
86
CAPTULO 4.
Figura 4.5: Diagrama de caja y bigotes de los datos de la tabla 4.4.
La desviacin media es sensible a datos atpicos, mientras que la desviacin mediana es ms

robusta frente a este tipo de observaciones.
4.12. Comentarios
Como es costumbre en el inicio de todo tipo de estudio, lo primero que se hace es la exploracin
y la descripcin de la informacin para conocer el material del cual se dispone y cmo se puede
emplear. En este captulo se muestra cmo analizar ms detalladamente la informacin disponible
para conocer un elemento fundamental de sta: su dispersin. La variabilidad de un conjunto de datos
se explora a travs de diferentes medidas que dan cuenta de la homogeneidad o heterogeneidad de
las observaciones respecto a las medidas de tendencia central.
Este paso descriptivo cobra especial importancia a medida que una investigacin avanza puesto que
4.13.
87
EJERCICIOS
las decisiones que se tomen posteriormente se vern inuenciadas por la dispersin de las variables
de estudio y la precisin de las medidas de los estadsticos calculados. Inclusive, en la vida cotidiana,
el conocimiento de la variabilidad es tenido en cuenta an en los procesos ms simples, como en la
planeacin de cronogramas y la realizacin de reuniones.
Tambin se ensea una de las mejores formas grcas de resumir toda la informacin proporcionada
por las medidas de localizacin y de dispersin, por medio de un solo grco, denominado diagrama de
caja y bigotes. ste permite describir y analizar a profundidad la posicin y la forma de la distribucin
de un conjunto de datos cuantitativos.
4.13. Ejercicios
i. Si
ii. Si
X=a
Y = aX + b
ii. Si
iii. Si
X=a
es una variable y
entonces

i. Si
Y = aX
SY = |a|SX .
es una variable y
entonces
entonces
Y =X +a
son nmeros reales entonces se tiene que:
SX = 0.
entonces
a=0
a, b
es un nmero real entonces se tiene que:
CV X = 0.
CV X = CV Y .
a0
CV Y CV X .
entonces
4.3. Establecer la escala de medicin requerida para cada medida de dispersin presentada en este
captulo.
4.4. Con la informacin del ejercicio 3.11, calcular, interpretar y comparar el coeciente de variacin
de cada propuesta. Qu es ms ventajoso para el Estado y qu para cada grupo de empleados?
4.5. Sean
dos variables tales que:
10
10
xi = 110,
i=1
10
i=1
10
x2 = 3156
i
yi = 60,
i=1
2
yi = 1138.
i=1
Para cada variable calcular el coeciente de variacin. Interpretar y comparar los resultados
obtenidos.
4.6. Con la informacin del ejercicio 3.12, calcular e interpretar el coeciente de variacin.
4.7. Una compaa evala la eciencia del transporte pblico y privado que utilizan sus empleados
para ir a trabajar diariamente. En la siguiente tabla se presenta un par de muestras asociadas
con el tiempo (en minutos) de cada modo de transporte. Calcular el promedio y la desviacin
estndar en cada caso. Con base en los resultados obtenidos, qu modo de transporte se debe
preferir?
88
CAPTULO 4.
Particular
14
15
17
14
10
16
17
16
13
15
Pblico
20
19
18
15
14
14
13
21
22
10
4.8. Con la informacin del ejercicio 3.17, calcular las medidas de dispersin y realizar un diagrama
de caja y bigotes. Con base en los resultados obtenidos, qu se puede asegurar acerca de la
situacin salarial de los empleados?
X la media poblacional
X . Demostrar que
4.9. Sea
de
de una variable
x1 , x2 , . . . , xn
un conjunto de
realizaciones
n
2
(xi )2 = (n 1)Sx + ( )2
x
i=1
y
2
Sx =
donde
2
Sx
1
n1
(xi xj )2 .
i=1 j=1
son respectivamente la media y la varianza observada de
X.
4.10. En un estudio de tiempos llevado a cabo en una planta manufacturera, el tiempo (en minutos)
requerido para completar cierta operacin se mide para un grupo de trabajadores. Se encuentra
que la media y la desviacin estndar son 12.8 y 1.7 minutos respectivamente. Describir los datos
de la muestra utilizando la regla emprica. Qu es necesario suponer sobre la distribucin de los
tiempos para que el uso de la regla emprica sea adecuado? Esta descripcin coincide con la que
sugiere la desigualdad de Chebyshev?
4.11. Los siguientes datos corresponden al tiempo (en horas) utilizado para preparar un examen de
conocimiento y las calicaciones correspondientes (en una escala de 0 a 5) de una muestra de
aspirantes a un cargo especco de una compaa. El jefe de personal de la empresa asegura que
el tiempo requerido para tener buenos resultados en la prueba es cercano a 8 horas. Teniendo en
cuenta las medidas de dispersin y un diagrama de caja y bigotes, qu se puede asegurar acerca
de lo que sugiere el funcionario?
Tiempo
Frecuencia
Calicacin
Frecuencia
03
36
69
912
1215
1
01
12
23
34
45
11
4.12. Con el propsito de estudiar la relacin entre la inteligencia y los ingresos se tomaron dos muestras,
una de ellas conformada por individuos de cociente intelectual (CI ) inferior a 95 y otra conformada
por los dems; de cada persona se observ el salario mensual familiar (en salarios mnimos). Para
cada grupo calcular las medidas de dispersin y realizar un diagrama de caja y bigotes. Los
resultados sugieren que las personas ms inteligentes tienen mayores ingresos?
4.13.
89
EJERCICIOS
Salario
12
23
34
45
56
67
Frecuencia (CI
15
35
40
30
25
15
Frecuencia
19
26
35
40
52
28
< 95)
(CI 95)
4.13. Demostrar que cuando los datos de una muestra estn agrupados en una distribucin de frecuencias, la varianza se calcula con la frmula
1
n1
ni xi n2
x
i=1
k es el nmero de clases, ni es la frecuencia

donde
de la
absoluta y
xi
es la clase o la marca de clase
4.14. Con la informacin del ejemplo 4.6.3, calcular, interpretar y comparar el coeciente de variacin
para cada propuesta.
4.15. Considerar una poblacin que consta del nmero de profesores en cada una de las universidad
pequeas de una ciudad. El nmero de profesores por universidad tiene un promedio de 175 y
una desviacin de estndar de 15.
a. Usar le teorema de Chebyshev para describir el porcentaje de universidades que tienen entre
145 y 205 profesores.
b. Si la distribucin del nmero de profesores tiene forma acampanada, qu fraccin de las
universidades tiene mas de 190 profesores?
4.16. Se analizaron en el primer semestre de 2006 los gastos de una empresa de construccin y se
obtuvo un promedio de 174 millones de dlares y una desviacin tpica de 9 millones de dlares.
Se determin luego que los contadores de esta empresa haban prescindido de 3 millones de
dlares en los gastos por un error de apreciacin. Corrigiendo las medidas enunciadas, obtenga el
coeciente de variacin de los gastos de esta empresa.
4.17. Los siguientes datos representan las puntuaciones de ambivalencia social para un grupo de personas, segn los resultados de una prueba psicolgica. Se observa que cuanto ms alta se la
puntuacin, mas fuete es la ambivalencia.
9
13
12
14
15
11
10
10
19
13
11
17
11
14
12
a. Calcular e interpretar el coeciente de variacin.

b. Si la gerencia de la empresa a la que pertenecen las personas observadas le asegura al Ministerio
de Salud que la variabilidad de la ambivalencia es 2.5, lo que sugiere una estabilidad razonable
en el estado psicolgico de los trabajadores, qu se podra concluir al realizar una comparacin
de la desviacin media, la desviacin mediana, la desviacin estndar y el rango intercuartlico
junto con un diagrama de caja y bigotes?
90
CAPTULO 4.
c. Debido a un error en el instrumento de medicin, la puntuacin de los empleados requiere

un reajuste de la forma
Calcular
aX + b
donde
es el puntaje de la ambivalencia de los empleados.
de forma tal la puntuacin promedio de ambivalencia disminuya a 10 con un
coeciente de variacin de 5 %. Qu indican estos valores?

d. Qu fraccin de las puntuaciones est efectivamente a dos desviaciones estndar del promedio
de la muestra? Qu indican la desigualdad de Chebyshev y la regla emprica al respecto? Con
los resultados obtenidos, cmo se puede describir la distribucin de las puntuaciones?
4.18. En cierta regin la distribucin de predios por extensin tiene una media de 35.4 hectreas y una
desviacin tpica de 19.33 hectreas, mientras que la distribucin por canon de arrendamiento
tiene una media de $245,750 y una desviacin de $7,470. Cual de las dos distribuciones tiene
mayor variabilidad? Por qu?
4.19. Con la informacin del ejemplo 4.6.4, calcular e interpretar el coeciente de variacin de las
utilidades.
Captulo
Medidas de forma
5.1. Introduccin
Una vez iniciada la sntesis y la descripcin de la informacin, por medio de las medidas de tendencia
central, de posicin y de dispersin, es necesario conocer ms sobre la distribucin de los datos, como la
1
forma y el sesgo . Para ello estn concebidas las medidas de forma, las cuales proporcionan informacin
relacionada con la conguracin y el arreglo de las observaciones de inters.
En primer lugar, se quiere saber si los datos se distribuyen de forma simtrica respecto al promedio
2
aritmtico , o si bien la grca que representa la distribucin de frecuencias tiene una forma diferente.
Si la distribucin de los datos es simtrica, se quiere investigar el grado de apuntamiento de la curva,
es decir, si la grca es apuntada larga y estrecha o por el contrario aplanada corta y achatada,
y con ello estudiar la dispersin y las frecuencias de las observaciones alrededor del promedio. Este
apuntamiento se mide por medio de una comparacin con una distribucin de datos que se considera
normal (detalles en la seccin 10.3).
1 En
este contexto, el trmino
sesgo
hace referencia a la desviacin de una forma respecto a una determinada de
antemano.
2 Como
eje de simetra se considera una recta paralela al eje
que pasa por la media de la distribucin de frecuencias.
Si una distribucin es simtrica, existe el mismo nmero de valores a la derecha que a la izquierda del promedio
(Wikipedia 2012a).
91
92
CAPTULO 5.
MEDIDAS DE FORMA
5.2. Medidas de asimetra

Para establecer si una distribucin de frecuencias es simtrica, hay que precisar con respecto a qu
valor es simtrica. Un buen candidato para ello es el promedio aritmtico del conjunto de datos.
Denicin 5.2.1.
trica
Se dice que una distribucin de frecuencias es
sim-
con respecto a la media cuando lo es su representacin grca, es
decir, cuando los datos equidistantes a la media tienen frecuencias iguales. Una distribucin de frecuencias que no es simtrica, se denomina
asimtrica .
Nota. En la denicin 5.2.1, la asimetra puede ser a la derecha asimetra positiva o a la izquierda
asimetra negativa si la representacin grca est ms estirada hacia la derecha o la izquierda
respectivamente.
En la gura 5.1 se presentan tres ejemplos de distribuciones de frecuencias representadas con histo3
gramas y polgonos de frecuencias suavizados simtricos y asimtricos (con sesgo). En lo que sigue
se consideran algunos factores y medidas que indican y cuantican el sesgo de una distribucin de
datos con respecto al promedio. Las medidas de asimetra o coecientes de sesgo tienen como nalidad
establecer el grado de simetra (o asimetra) que presenta una distribucin de forma objetiva y precisa.
5.2.1. Inspeccin de las medidas de tendencia central

Calculando las medidas de tendencia central (considerando conjuntos de datos unimodales) es posible
identicar la simetra o asimetra de una distribucin mediante los siguientes casos:
En una distribucin simtrica (grco (b) de la gura 5.1), la media, la media y la moda siempre
coinciden. Es decir, se cumple la relacin:
M edia = M ediana = M oda.

En este tipo de distribuciones, los datos se encuentran repartidos a lo largo del recorrido de
forma que todas las medidas de tendencia central estn justo en el centro del conjunto de datos.
Si la distribucin es asimtrica a la izquierda (grco (a) de la gura 5.1), el orden en que

aparecen es media-mediana-moda. Es decir, se cumple la relacin:
M edia < M ediana < M oda.

3A
groso modo, un
polgono de frecuencias suavizado
se reere a la representacin grca de una distribucin
de frecuencias en la que no se realzan las barras del histograma, sino la forma curvilnea del polgono de frecuencias
correspondiente.
5.2.
93
MEDIDAS DE ASIMETRA
Si la distribucin es asimtrica a la derecha (grco (c) de la gura 5.1) entonces el orden en

que aparecen las medidas de tendencia central es moda-mediana-media. Es decir, se cumple la
relacin:
M oda < M ediana < M edia.

Nota. La representacin grca de una distribucin simtrica no tiene que se acampanada necesariamente; una distribucin simtrica puede tener forma de
U
como en la distribucin (a) de la gura
3.1), aunque en este caso la distribucin es bimodal.
Figura 5.1: Algunas distribuciones de frecuencias.
Ejemplo 5.2.1.
Inspeccionar las medidas de tendencia central de los datos de la tabla 2.9.
Solucin:
Como se observa en los ejemplos 3.2.1, 3.2.6 y 3.2.8, en este caso se tiene que
x = 94.09,
donde
x = 92.44
x = 90.39
denota las ganancias diarias de una muestra de empresas. Como
x < x < x, la inspeccin de

las medidas de tendencia central sugiere que la distribucin de estas ganancias es sesgada positivamente
o a la derecha; esto indica que hay algunas compaas con utilidades considerablemente superiores a
las ganancias de las dems. Sin embargo, la magnitud de las medidas de tendencia central no diere
en gran medida, por lo que el sesgo de la distribucin es ligero y apenas notorio (como se establece
objetivamente en los ejemplos 5.2.2, 5.2.3 y 5.2.4) y por lo tanto las utilidades aparentemente superiores
son poco inuyentes.
En la gura 5.2 se muestra un histograma y un diagrama de caja y bigotes asociados con las ganancias
de las compaas objeto de estudio. En el histograma se observa la simetra aproximada y el ligero
sesgo positivo de la distribucin de las utilidades, como tambin la proximidad de las medidas de
tendencia central que estn sealadas en la mitad de la gura (a) con lneas verticales punteadas
94
CAPTULO 5.
MEDIDAS DE FORMA
que casi coinciden. De otra parte, en el diagrama de caja y bigotes se observa la simetra de la
distribucin de las ganancias dado que la extensin de los bigotes es la misma y la caja esta partida
en dos partes iguales por la utilidad mediana; en este diagrama tambin se observa el ligero sesgo
positivo de la distribucin de las ganancias debido a un par de observaciones sealadas a la derecha
correspondientes a las utilidades de dos empresas sobresalientes en relacin con las utilidades de las
dems.
En consecuencia, la distribucin de las ganancias diarias de las empresas se puede considerar aproximadamente simtrica y as las utilidades diarias de las empresas estn equilibradas razonablemente
alrededor de la ganancia promedio (94.09 millones).
Figura 5.2: Histograma (a) y diagrama de caja y bigotes (b) asociados con los datos de la tabla 2.9.
5.2.2. El coeciente de asimetra de Pearson

Cuando un conjunto de datos es unimodal, la siguiente medida es til para establecer el sesgo de la
distribucin de la variable de estudio:
Denicin 5.2.2.
El
coeciente de asimetra de Pearson
se cal-
cula como la diferencia entre la media aritmtica y la mediana dividida

por la desviacin estndar del conjunto de datos.
5.2.
95
MEDIDAS DE ASIMETRA
una variable
de
X,
entonces el valor observado del
denotado con
AP X ,
coeciente de asimetra de Pearson muestral
est dado por
AP X =
donde
x, x

Sx
xx

Sx
son respectivamente los valores observados del promedio, la moda y la desviacin
estndar de la muestra. La denicin del coeciente de asimetra de Pearson poblacional es anloga.
X , cuando AP X = 0, se dice que la distribucin

AP X < 0, se dice que la distribucin de X es sesgada negativamente o a
AP X > 0, se dice que la distribucin de X es sesgada positivamente o a la
En cuanto a la interpretacin, dada una variable

de
es simtrica; cuando
la izquierda; y cuando
derecha.
Nota. Como se ha visto, para calcular el coeciente de asimetra de Pearson se requiere que la distribucin de los datos sea unimodal. Adems, este coeciente se trata de una medida estadstica
adimensional, es decir, que no tiene unidades de referencia.
Ejemplo 5.2.2.
Calcular e interpretar el coeciente de asimetra de Pearson de los datos de la tabla
2.9.
Solucin:
Como se evidencia en los ejemplos 5.2.1 y 4.6.2, en este caso se tiene que
Sx =
355.18 = 18.85.
x = 94.09, x = 90.39
En consecuencia, el valor observado del coeciente de asimetra de Pearson es
AP X =
xx

94.09 90.39
= 0.19.
=
Sx
18.85
Como el valor del coeciente es un nmero positivo que corresponde a una magnitud que en relacin
con los valores de la variable y las medidas de tendencia central no diere de 0, se conrma la simetra
aproximada de la distribucin de las ganancias de las empresas, tal y como se estableci en el ejemplo
5.2.1.
Las siguientes son algunas observaciones acerca del coeciente de asimetra de Pearson:
Es de uso restringido dado que se aplica nicamente a distribuciones unimodales.
No tiene propiedades aritmticas directas y sencillas de aplicar.
5.2.3. El coeciente de asimetra de Fisher

El coeciente de asimetra de Pearson solo aplica a distribuciones de forma aproximadamente acampanada y unimodales. Para distribuciones de otro tipo se puede utilizar, entre otros, el denominado
96
CAPTULO 5.
coeciente de asimetra de Fisher, denominado as en honor a
Denicin 5.2.3.
una variable
X.
Sea
El
x1 , x2 , . . . , xn
AF X ,
AF X =
donde
Sx
Ronald Fisher
un conjunto de
1
3
nSx
realizaciones de
coeciente de asimetra de Fisher
junto de datos, denotado con
MEDIDAS DE FORMA
de este con-
est dado por:
(xi x)3
i=1
son respectivamente los valores observados del promedio y
la desviacin estndar de la muestra.
Nota. El coeciente de asimetra de la denicin 5.2.3 corresponde al valor observado del
de asimetra de Fisher muestral .
coeciente
Este coeciente es una medida adimensional y por ende se
puede expresar en porcentaje al igual que el coeciente de asimetra de Pearson y su interpretacin es

anloga. De otra parte, cuando se tiene una poblacin nita, la denicin del coeciente de asimetra
de Fisher poblacional es anloga.
Cuando los datos de una muestra estn agrupados en una distribucin de frecuencias el coeciente de
asimetra de Fisher muestral se calcula con la frmula
AF X =
k es el nmero de clases, ni
donde
Ejemplo 5.2.3.
1
3
nSx
ni (xi x)3
i=1
xi
Calcular e interpretar el coeciente de asimetra de Fisher de los datos de la tabla
2.9.
Solucin:
Para calcular este coeciente primero se deben calcular las respectivas marcas de clase como en el
ejemplo 3.2.1. Una vez calculadas las marcas de clase, se calcula el coeciente de asimetra de Fisher
de las ganancias aplicando la frmula para datos agrupados. En la tabla 5.1 se presentan los clculos
pertinentes. Adems, como en el ejemplo 5.2.2, se tiene que
Sx = 18.85.
As, la magnitud del coeciente de asimetra de Fisher de las ganancias es igual a
AF X =
1
3
nSx
ni (xi x)3 =
i=1
102, 803.76
= 0.44.
(35)(18.853 )
Aunque el valor de este coeciente no coincide con el del ejemplo 5.2.2, su interpretacin es anloga
y la conclusin acerca de la distribucin de las ganancias es idntica.
4 Fotografa
http://trailblazing.royalsociety.org/?p=6&eventIdInfoTab=120.
5.2.
97
MEDIDAS DE ASIMETRA
2,609,170.16
ni (xi x)3
97, 077.66
20, 906.50
94.48
10
0.59
0.23
108.12
16,544.77
232,004.97
121.75
63,459.75
1,755,054.82
Clase
xi
ni
[60.4; 74.0)
[74.0; 87.7)
[87.7; 101.3)
[101.3; 114.9)
[114.9; 128.6)
[128.6; 142.2]
67.22
80.85
ni (xi x)3
276,881.67
135.38
140,782.81
5,812,855.04
N.A.
Total
35.00
102,803.76
10,685,966.89
Tabla 5.1: Clculos de los ejemplos 5.2.3 y 5.3.1.
Las siguientes son algunas observaciones acerca del coeciente de asimetra de Fisher:
Se utiliza para cualquier tipo de distribuciones.
Figura 5.3: Ronald Fisher (1890-1962).
98
CAPTULO 5.
MEDIDAS DE FORMA
5.2.4. El ndice de asimetra de Yule-Bowley

Si una distribucin de frecuencias es simtrica, es claro que la distancia que hay entre el tercer cuartil
y la mediana debe ser la misma que la que hay entre la mediana y el primer cuartil, esto es
q3 q2 = q2 q1 .
Similarmente, una pista para saber si una distribucin de frecuencias es sesgada positivamente es que
se cumpla que
q3 q2 > q2 q1 ,
y por analoga, si la distribucin es sesgada negativamente entonces se sigue que
q3 q2 < q2 q1 .
Teniendo en cuenta las relaciones entre los cuartiles, con el propsito de obtener una medida adimensional que cuantique el sesgo de una distribucin de frecuencias, se dene el siguiente ndice:
Denicin 5.2.4.
riable
Dadas las observaciones de una muestra de una va-
X , el valor observado del ndice
de asimetra de Yule-Bowley
de este conjunto de datos, denotado con
AS X =
donde
q1 , q2
q3
AS X ,
est dado por:
(q3 q2 ) (q2 q1 )
q3 q1
son los cuartiles de las observaciones.
Nota. La interpretacin del ndice de asimetra de Yule-Bowley es anloga a la de los otros coecientes
de asimetra, pero en este caso se tiene que
Ejemplo 5.2.4.
1 AS X 1.
Calcular e interpretar el coeciente de asimetra de Yule-Bowley de los datos de la
tabla 2.9.
Solucin:
Como se muestra en el ejemplo 3.3.4, en este caso se sigue que
q1 = 79.71,
q2 = 92.44,
q3 = 106.41.
As, la magnitud del coeciente de asimetra de Yule-Bowley de las ganancias es igual a
AS X =
(106.41 92.44) (92.44 79.71)

(q3 q2 ) (q2 q1 )
=
= 0.05.
q3 q1
106.41 79.71
Aunque el valor de este coeciente no coincide con los de los ejemplos 5.2.2 y 5.2.3, su interpretacin
es anloga y la conclusin acerca de la distribucin de las ganancias es idntica.
5.3.
99
MEDIDAS DE APUNTAMIENTO
Las siguientes son algunas observaciones acerca del coeciente de asimetra de Yule-Bowley:
nicamente toma valores entre
No tiene propiedades aritmticas directas y sencillas de aplicar.
No es sensible a datos atpicos.
y 1.
Nota. Cuando se investiga la simetra de una distribucin de frecuencias se recomienda utilizar las
tres medidas de asimetra con el propsito de contrastar la informacin que proporcionan y describir
precisamente la forma correspondiente.
5.3. Medidas de apuntamiento

Las medidas de apuntamiento tambin denominadas medidas de curtosis o de concentracin central
estudian la concentracin de frecuencias de una distribucin en torno al promedio. A mayor o menor
concentracin de frecuencias alrededor de la media en la regin central de las observaciones, se obtiene
una distribucin ms o menos apuntada. Por esta razn, las medidas de curtosis se aplican a distribuciones de frecuencias campaniformes, es decir, distribuciones unimodales simtricas o con ligera
asimetra.
Para investigar el apuntamiento de una distribucin de frecuencias es necesario denir previamente una
distribucin que se va a tomar como punto de referencia. Esta distribucin se denomina distribucin
normal.
Denicin 5.3.1.
La
distribucin normal
corresponde a una distri-
bucin de frecuencias cuyo polgono de frecuencias de una variable

con media
y desviacin
fX (x) =
donde
es el nmero pi y
corresponde a la funcin
1
1
e 2
2X
xX
X
es el nmero de Euler.
Nota. La denicin 5.3.1 es apenas una denicin preliminar de la distribucin normal. En la gura 5.4
se presenta una ejemplo de la distribucin normal. Esta distribucin se estudia detalladamente en la
seccin 10.3.2 y es el punto de referencia para decidir si una distribucin de frecuencias es apuntada
o aplanada.
A continuacin se presenta una medida para cuanticar el grado de apuntamiento de una distribucin
de frecuencias dada:
100
CAPTULO 5.
MEDIDAS DE FORMA
Figura 5.4: Grco de la distribucin normal con media 0 y varianza 1.
Denicin 5.3.2.
X.
una variable
de Fisher
Sea
x1 , x2 , . . . , xn
El valor observado del
AGX =
x
Sx
1
4
nSx
realizaciones de
coeciente de apuntamiento
por:
donde
un conjunto de
AGX ,
est dada
(xi x)4 3.
i=1
son respectivamente los valores observados del promedio y
la desviacin estndar de la muestra.
coeciente
de apuntamiento de Fisher muestral . Este coeciente tambin se llama curtosis y es una medida
Nota. La magnitud del coeciente de la denicin 5.3.2 corresponde al valor observado del
adimensional al igual que los otros coecientes. Adems, cuando se tiene una poblacin nita, la
denicin del coeciente de apuntamiento de Fisher poblacional es anloga.
Cuando los datos de una muestra estn agrupados en una distribucin de frecuencias el coeciente de
5.3.
101
MEDIDAS DE APUNTAMIENTO
apuntamiento de Fisher muestral se calcula con la frmula
AGX =
k es el nmero de clases, ni
donde
1
4
nSx
ni (xi x)4 3
i=1
xi
De otra parte, para la distribucin normal estndar se tiene que la curtosis es exactamente igual a 0.
De este modo, trabajando con datos muestrales de una variable
X,
se clasican las distribuciones de
frecuencias como:
Leptocrtica : cuando AGX > 0, es decir, cuando la distribucin de frecuencias es ms apuntada

que la normal.
Mesocrtica : cuando AGX = 0, es decir, cuando la distribucin de frecuencias es tan apuntada

como la normal.
Platicrtica : cuando AGX < 0, es decir, cuando la distribucin de frecuencias es menos apuntada que la normal.
En la gura 5.5 se muestra un ejemplo de algunas distribuciones simtricas con distintos grados de
apuntamiento. En la gura (a) las observaciones se encuentran altamente dispersas en torno a la
media y estn asociadas con una distribucin ms aplanada que la normal, mientras que en la gura
(c) los valores de la variable estn mucho ms concentrados alrededor del promedio y conforman
una distribucin mucho ms apuntada que la normal. Por ltimo, la gura (b) corresponde a una
distribucin intermedia que s corresponde a una distribucin catalogada como normal.
Figura 5.5: Ejemplos de algunas distribuciones simtricas con distintos grados de apuntamiento.
102
Ejemplo 5.3.1.
CAPTULO 5.
MEDIDAS DE FORMA
Calcular e interpretar el coeciente de apuntamiento de Fisher de los datos de la
tabla 2.9.
Solucin:
En los ejemplos 5.2.2, 5.2.3 y 5.2.4 se establece que la distribucin de las ganancias de las empresas
objeto de estudio es aproximadamente normal. Por lo tanto es de inters calcular el grado de apuntamiento de esta distribucin con el propsito de establecer si puede ser catalogada como normal.
Para calcular el coeciente requerido primero se deben calcular las respectivas marcas de clase como
en el ejemplo 3.2.1. Una vez calculadas las marcas de clase, se calcula la curtosis de las utilidades
aplicando la frmula para datos agrupados. En la tabla 5.1 se presentan los clculos pertinentes.
Adems, como en el ejemplo 5.2.2, se tiene que
Sx = 18.85.
As, la magnitud del coeciente de apuntamiento de Fisher de las ganancias es igual a
AGX =
1
4
nSx
ni (xi x)4 3 =
i=1
10, 685, 966.89

3 = 0.58.
(35)(18.854 )
Dado que el valor de la curtosis es negativo se sigue que la distribucin de las ganancias es platicrtica,
esto es, ms aplanada que la normal. Sin embargo, examinando el valor del coeciente a la luz de los
valores de la variable y de las medidas de tendencia central, se concluye que su magnitud no es
considerable y que la distribucin de las utilidades de las empresas se puede catalogar como normal.
5.4. Comentarios
Tener conocimiento sobre la forma de una distribucin permite realizar descripciones conables sobre el comportamiento de las observaciones de una variable de inters. Dependiendo de la forma de
la distribucin de frecuencias de un conjunto de datos es posible establecer la acomodacin de las
observaciones alrededor del promedio, precisar an ms su grado de homogeneidad y catalogar si se
pueden catalogar o no como normales. Estas caractersticas estn relacionadas intrnsecamente con la
cantidad de informacin que una muestra puede aportar respecto al comportamiento de la poblacin
de la cual proviene: cuando la distribucin de la poblacin es heterognea y diere signicativamente
de la normal, las muestras de tamao pequeo pueden no captar todos los aspectos relacionados
con la poblacin. De otro lado, cuando una poblacin es homognea y clasicada como normal, una
muestra de tamao pequeo puede ser suciente para obtener informacin conable acerca de los
rasgos objeto de estudio de la poblacin.
El conocimiento sobre la asimetra de la distribucin tambin es de utilidad prctica. Evidenciar la

direccin en la que se encuentra la fuente de sesgo es fundamental porque as es posible detectar las
observaciones que se encuentran agrupadas en alguno de los extremos de la distribucin que no hacen
5.5.
103
EJERCICIOS
parte del grueso de la informacin.
Con lo que se ha estudiado hasta ahora, se ha mostrado cmo describir un conjunto de datos de
una variable a travs de grcas y de medidas estadsticas. Las grcas evidencian de forma sencilla
el comportamiento de los datos, mientras que las medidas estadsticas evidencian de forma precisa y
objetiva las caractersticas de la distribucin de las observaciones que se han intuido con los diagramas.
En el siguiente captulo se extienden estas prcticas a casos donde se tenga en cuenta ms de una
variable a la vez y se quiera investigar la relacin entre stas.
5.5. Ejercicios
i. Si
X=a
es una variable y
entonces
AF X
AGX
a, b
son nmeros reales entonces se tiene que:
no estn denidos.
ii. Si
Y = aX + b
entonces
AF Y = sgn(a)AF X
iii. Si
Y = aX + b
entonces
donde sgn(x) denota el signo de
x.
AGY = AGX .
5.2. Escribir las versiones poblacionales de las medidas estadsticas presentadas en este captulo.
5.3. Establecer la escala de medicin requerida para cada medida de dispersin presentada en este
captulo.
5.4. Con la informacin del ejercicio 3.12:
a. Inspeccionar las medidas de tendencia central.
b. Calcular e interpretar las medidas de asimetra.
c. Realizar un histograma y un diagrama de caja y bigotes.
d. Con base en los resultados obtenidos en los incisos anteriores, qu se puede establecer acerca
de la forma de la distribucin de la variable de estudio?
e. Si es menester, calcular e interpretar el coeciente de apuntamiento de Fisher.
5.5. Rehacer los incisos del ejercicio 5.4 con la informacin del ejercicio 3.17.
5.6. Rehacer los incisos del ejercicio 5.4 con la informacin del ejercicio 4.12.
Captulo
Medidas descriptivas para dos variables

6.1. Introduccin
Muchos estudios, prcticos y tericos, indagan directa o indirectamente por el vnculo que tienen las
variables entre s. Por ejemplo, puede ser de inters especicar la relacin entre fumar y el cncer de
pulmn, o la actividad fsica y el peso corporal, o el estrato socioeconmico y el patrimonio. Con el
propsito de investigar el nexo entre dos variables, se quiere describir el comportamiento del conjunto
de datos correspondiente mediante grcas que evidencien la interaccin entre las caractersticas objeto
de estudio, y a travs de medidas estadsticas que den cuenta de la asociacin entre las variables de
inters.
6.2. Tablas de doble entrada

En este escenario se dispone de un conjunto de
individuos, cada uno de ellos observado en dos
X y Y . Se supone que la variable X tiene k

X asume los valores x1 , x2 , . . . , xk , y que la variable Y tiene p categoras, es decir,
valores y1 , y2 , . . . , yp . Las categoras de las variables estn dadas naturalmente cuando
atributos que en adelante se representan mediante

categoras, es decir,
asume los
las variables son cualitativas, o se pueden construir por medio de intervalos cuando las variables son
cuantitativas.
Con el propsito de reunir en una sola estructura toda la informacin disponible, se elabora una tabla
de frecuencias conformada por
j = 1, . . . , p,
kp
casillas o categoras, denotadas con
organizadas de tal forma que se tengan
104
las y
Cij ,
para
i = 1, . . . , k
columnas con las categoras de las
6.2.
105
TABLAS DE DOBLE ENTRADA
variables
Nota. La letra
decir,
respectivamente. Tal estructura se denomina
se utiliza como elemento genrico de las categoras de la variable
es un valor que vara entre 1 y
variable
de las columnas, esto es,
Denicin 6.2.1.
denotada con
i-sima
la y
ij -sima
La
k,
fij ,
frecuencia relativa conjunta
de la clase
Cij ,
de la
de la clase
Cij ,
categora respecto a la cantidad total de observaciones, esto
fij =
i = 1, . . . , k
nij
n
j = 1, . . . , p.
Nota. Multiplicado por 100 % la frmula de la denicin 6.2.2,
fij
representa el porcentaje de indivi-
duos comprendidos en la categora correspondiente.
Denicin 6.2.3.
notada con
ni ,
La
frecuencia absoluta marginal
es el total de observaciones de la
la variable de las las para
de la la
i-sima
i,
de-
categora de
i = 1, . . . , k . As mismo, la frecuencia abj , denotada con nj , es el total de
soluta marginal
de la columna
observaciones de la
j -sima categora de la variable de las columnas para
j = 1, . . . , p.
Nota. Es claro que a partir de la denicin 6.2.3 se tiene que
p
ni = ni1 + ni2 + . . . + nip =
nij
para
i = 1, . . . , k ,
nij
para
j = 1, . . . , p.
j=1
y adems
nj = n1j + n2j + . . . + nkj =

i=1
1 Esta
de las las, es
es la proporcin de la frecuencia absoluta conjunta de
es,
para
p.
frecuencia absoluta conjunta
La
se utiliza como elemento genrico de las categoras de la
es un valor que vara entre 1 y
nij , es la cantidad de observaciones que hacen parte

la j -sima columna para i = 1, . . . , k y j = 1, . . . , p.
Denicin 6.2.2.
denotada con
la
tabla de doble entrada
conguracin tambin se denomina
tabla de contingencia o tabla de clasicacin
106
CAPTULO 6.
MEDIDAS DESCRIPTIVAS PARA DOS VARIABLES
La frecuencia relativa marginal de la la i, denofi , es la proporcin de observaciones de la i-sima categora de

la variable de las las respecto al total de observaciones para i = 1, . . . , k .
As mismo, la frecuencia relativa marginal de la columna j , denotada con fj , es la proporcin de observaciones de la j -sima categora
Denicin 6.2.4.
tada con
de la variable de las columnas respecto al total de observaciones para
j = 1, . . . , p.
Nota. Es claro que a partir de la denicin 6.2.4 se tiene que
fi =
ni
n
para
i = 1, . . . , k ,
fj =
nj
n
para
j = 1, . . . , p.
y adems
Ejemplo 6.2.1.
En la tabla 6.1 se presenta un ejemplo en el que se tiene de una tabla de doble
X de las las con k niveles y una

p niveles. Por ejemplo, n23 representa la frecuencia absoluta conjunta
de la categora 2 de la variable X y de la categora 3 de la variable Y , mientras que f1 simboliza la
frecuencia relativa marginal de la categora 1 de la variable Y .
entrada con las frecuencias absolutas y relativas de una variable
variable
de las columnas con
Total
X \Y
x1
x2
y1
n11 \ f11
n21 \ f21
y2
n12 \ f11
n22 \ f22
yp
n1p \ f1p
n2p \ f2p
n1 \ f1
n2 \ f2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
xk
nk1 \ fk1
n1 \ f1
nk2 \ fk2
n2 \ f2
...
nkp \ fkp
np \ fp
nk \ fk
n\1
Total
Tabla 6.1: Ejemplo de una tabla de doble entrada.
Proposicin 6.2.1.
i.
En una tabla de doble entrada de
nij =
i=1 j=1
ii.
ni =
fij =
i=1 j=1
fi =
i=1
fij
para
i = 1, . . . , k .
fij
para
j = 1, . . . , p.
j=1
j=1
fi =
nj = n.
i=1
se cumplen las siguientes propiedades:
iii.
kp
iv.
fj = 1.
j=1
fj =
i=1
6.3.
107
PERFILES O DISTRIBUCIONES CONDICIONADAS
Total
X \Y
Bachillerato
Pregrado
Posgrado
Hombre
12
25
Mujer
12
21
16
16
14
46
Total
Tabla 6.2: Tabla de contingencia asociado con el gnero (X ) y el nivel educativo (Y ) de una muestra de personas de
una empresa.
Ejemplo 6.2.2.
La tabla 6.2 corresponde a una tabla de contingencia en la que se estudia la variable
gnero (X ) y nivel educativo (Y ) de una muestra de personas de una empresa. Obtener las frecuencias
relativas conjuntas y marginales correspondientes.
Solucin:
k = 2, p = 3, n1 = 25, n2 = 21, n1 = 16, n2 = 16, n3 = 14
n = 46.
En la tabla 6.3 se presentan las frecuencias relativas correspondientes que han sido calculadas con
respecto al tamao de la muestra, es decir, con respecto a
fij =
donde
nij
ni
nij
, fi =
46
46
es la frecuencia absoluta conjunta de la
n = 46,
fj =
ij -sima
usando las frmulas
nj
46
categora para
i = 1, 2
Por ejemplo, se observa que el porcentaje de empleados que son hombres es

de empleados que tienen estudios de posgrado es
hombres y tienen bachillerato es
30.4 %
j = 1, 2, 3.
54.3 %,
el porcentaje
y que el porcentaje de empleados que son
48.7 %.
X \Y
Bachillerato
Pregrado
Posgrado
Total
Hombre
8.7 %
19.6 %
26.1 %
54.3 %
26.1 %
15.2 %
4.3 %
45.7 %
34.8 %
34.8 %
30.4 %
100.0 %
Mujer
Total
Tabla 6.3: Tabla de contingencia de frecuencias relativas del ejemplo 6.2.2
6.3. Perles o distribuciones condicionadas

Los perles o distribuciones condicionadas corresponden a tablas bidimensionales en las que interesa
investigar el comportamiento de una variable dado un valor especco de la otra. En el caso bidimensional se destacan los perles la y los perles columna.
108
CAPTULO 6.
Denicin 6.3.1.
Los
perles la
estn asociados con una tabla de
doble entrada en la que se calculan las frecuencias relativas conjuntas

respecto a los totales de las las correspondientes. Anlogamente, los
perles columna estn asociados con una tabla de doble entrada en la
que se calculan las frecuencias relativas conjuntas respecto a los totales

de las columnas correspondientes.
Nota. A partir de la denicin 6.3.1, dada una tabla de contingencia de
ij -sima
relativa de la
nij
,
ni
fij|i =
mientras que la frecuencia relativa de la
con
fij|j ,
ij -sima categora de una tabla de perles columna, denotada
se est dada por:
fij|j =
para
i = 1, . . . , k
k p, se tiene que la frecuencia

fij|i , est dada por:
categora de una tabla de perles la, denotada con
nij
nj
j = 1, . . . , p.
Proposicin 6.3.1.
En una tabla de perles la o columna de
kp
se cumplen las siguientes
propiedades:
i.
iii.
fij|i =
ii.
fij
fi
para
i = 1, . . . , k
fij|i =
j = 1, . . . , p.
iv.
fij|i = 1
para
fij
fi
para
i = 1, . . . , k
j = 1, . . . , p.
i = 1, . . . , k .
fij|j = 1
j=1
para
j = 1, . . . , p.
i=1
Ejemplo 6.3.1.
Elaborar los perles la y los perles columna de la muestra para la tabla bidimen-
sional del ejemplo 6.2.2.
Solucin:
Los perles la y los perles columna de la muestra se presentan respectivamente en las tablas 6.4 y
6.5. Las frecuencias relativas de estas tablas se calcularon con las frmulas
fij|i =
para
i = 1, 2
nij
ni
fij|j =
nij
nj
j = 1, 2, 3.
Por ejemplo, se observa que de los hombres, tiene posgrado el 48.0 % (tabla 6.4), mientras que de los
individuos con posgrado, es hombre el 85.7 % (tabla 6.5).
6.4.
109
GRFICAS PARA DOS VARIABLES
X \Y
Bachillerato
Pregrado
Posgrado
Total
Hombre
16.0 %
36.0 %
48.0 %
100.0 %
57.1 %
33.3 %
9.5 %
100.0 %
34.8 %
34.8 %
30.4 %
100.0 %
Mujer
Total
Tabla 6.4: Perles la de la muestra del ejemplo 6.2.2.
X \Y
Bachillerato
Pregrado
Posgrado
Total
Hombre
25.0 %
56.3 %
85.7 %
54.3 %
Mujer
75.0 %
43.8 %
14.3 %
45.7 %
100.0 %
100.0 %
100.0 %
100.0 %
Total
Tabla 6.5: Perles columna de la muestra del ejemplo 6.2.2.
Nota. Al interpretar las frecuencias relativas de los perles es indispensable jarse cul es el grupo de
individuos de referencia.
6.4. Grcas para dos variables

Es costumbre presentar al lado de cada tabla de contingencia una grca que permita evidenciar
fcilmente el comportamiento de los valores presentados en la misma. A continuacin se presentan
una serie de ejemplos en los que se ilustra la informacin contenida en tablas bidimensionales corrientes
y tablas de perles.
Ejemplo 6.4.1.
En las guras 6.1 y 6.2 se presentan dos grcos de barras de las frecuencias relativas
del gnero frente al nivel educativo del ejemplo 6.2.2.
Cuando se trabaja con dos variables cuantitativas, es costumbre denominar a la variable

sentada en el eje
variable independiente
y a la variable
representada en el eje
dependiente . Las observaciones que resultan de la medicin de las variables X y Y
repre-
variable
sobre cada indivi-
duo de un grupo especco se considera como un conjunto de realizaciones de la variable bidimensional
(X, Y )
y se denomina conjunto de
datos bivariados . As, la observacin de las variables sobre el i-
simo individuo de una muestra de tamao
n se representa mediante la dupla (xi , yi ) para i = 1, . . . , n.
Por ltimo, tambin es costumbre mostrar las observaciones de una muestra correspondiente a un conjunto de datos bivariado mediante una tabla horizontal (o vertical) como se ilustra en la tabla 6.6.
Ejemplo 6.4.2.
En un grupo de 25 nios se miden las cantidades antropomtricas de peso (en
kilogramos) y edad (en aos cumplidos), obtenindose los resultados que se presentan en la tabla 6.7.
Elaborar una grca cartesiana
2 Una
del peso (Y ) frente a la edad (X ) con este conjunto de datos.
grca cartesiana donde las abscisas y las ordenadas corresponden respectivamente a los valores observados de
110
CAPTULO 6.
Figura 6.1: Grco de barras tridimensional de las frecuencias relativas del ejemplo 6.2.2.
Variable
Variable
X
Y
x1
y1
x2
y2
xn
yn
Tabla 6.6: Tabla de observaciones de una muestra correspondiente a un conjunto de datos bivariado.
Edad
12.3
13.2
12.5
13.1
12.9
13.1
12.4
12.9
13.2
12.3
12.4
13.0
12.5
Peso
39.5
41.0
39.7
40.8
40.7
41.3
39.2
40.4
41.2
38.8
39.4
40.2
39.7
Edad
12.6
12.8
12.9
12.5
13.1
13.0
12.7
12.2
13.3
12.4
12.3
12.6
Peso
39.8
40.0
40.3
39.6
41.1
41.3
40.3
39.4
41.1
39.9
39.6
40.2
Tabla 6.7: Datos asociados con el peso y la edad de un grupo de 25 nios.
Solucin:
En la gura 6.3 se muestra el diagrama de dispersin del peso frente a la edad de los ocho nios.
Se observa que la relacin entre las variables es directa y aparentemente fuerte. En las secciones
posteriores se estudian algunas medidas para cuanticar este hecho.
un par de variables se denomina
diagrama de dispersin , dispersograma o nube de puntos . Este tipo de grcas
se utiliza cuando las variables objeto de estudio son cuantitativas.
6.5.
MEDIDAS DE ASOCIACIN
111
Figura 6.2: Grco de barras de las frecuencias relativas del ejemplo 6.2.2.
Es importante resaltar que las nubes de puntos apenas sugieren cmo es la relacin entre un par de
variables cuantitativas, mas no tienen la ltima palabra al respecto. En algunos escenarios esta seal
es lo sucientemente clara como se evidencia en la gura 6.3 donde la relacin es lineal. En estos
casos es posible establecer sin problemas el tipo de relacin funcional entre las variables de estudio,
ya sea lineal, cuadrtica, cbica, logartmica o exponencial, por ejemplo (gura 6.4). Sin embargo,
algunas ocasiones no es posible determinar fcilmente esta relacin de manera precisa. Un par de
ejemplos al respecto se ilustran en los diagramas de dispersin (a) y (b) de la gura 6.5, donde solo se
puede evidenciar una regin en la cual la densidad de puntos es mayor, lo que seala la presencia de
combinaciones de valores de las variables que son ms frecuentes que otros, pero no es claro identicar
una relacin particular. As mismo, se pueden dar situaciones en las que no sea posible evidenciar una
relacin entre las variables de estadio, ya que hay diagramas de dispersin como el (c) de la gura 6.5,
donde no es posible establecer directamente un vinculo entre las variables, aunque esto no signica
necesariamente que tal relacin no exista.
6.5. Medidas de asociacin

A continuacin se mencionan algunas medidas de uso comn para describir y cuanticar objetivamente
la posible relacin existente entre dos variables cuantitativas. Entro otras medidas de asociacin se
112
CAPTULO 6.
Figura 6.3: Dispersograma del peso frente a la edad de los 25 nios.
destacan la covarianza y los coecientes de correlacin.
6.5.1. Covarianza
La covarianza es una medida de asociacin entre dos variables cuantitativas que permite establecer
el modo de la relacin
lineal
entre las caractersticas objeto de estudio. Esta medida mesura la
variabilidad conjunta de un par de variables y sirve como insumo para constituir otras medidas de
asociacin.
Denicin 6.5.1.
Sea
(x1 , y1 ), (x2 , y2 ), . . . , (xn , yn ) un conjunto de n

(X, Y ). La covarianza de
denotado con Sxy , est dada por:
realizaciones de una variable bidimensional

este conjunto de datos,
Sxy =
1
n1
(xi x)(yi y )
i=1
6.5.
113
Figura 6.4: Ejemplos de diagramas de dispersin en los que se evidencia una relacin cuadrtica (a), cbica (b),
exponencial (c) y logartmica (d).
Nota. La
Sxy ,
covarianza muestral observada de

covarianza poblacional
mientras que la
una variable bidimensional

se denota con
XY .
(X, Y )
se simboliza con
As, cuando se dispone de una
poblacin nita, se tiene que
xy =
donde
con
1
N
(xi X )(yi Y )
i=1
es el tamao de la poblacin. Se resalta el hecho de que la covarianza es una medida expresada
unidades mixtas
(unidades de la variable independiente multiplicadas por las unidades de la
variable dependiente) de asociacin que describe la variabilidad conjunta de dos variables cuantitativas.
Considerar una nube de puntos conformada por una muestra de

mensional
(X, Y )
cuyo centro es el punto
(, y ).
x
realizaciones de la variable bidi-
(xi x, yi y ) para i = 1, . . . , n
(0, 0). De esta forma, el diagrama de
La representacin de
resulta en una traslacin de la nube de puntos original al origen
dispersin queda dividido en cuatro cuadrantes como se observa en las nubes de puntos de la gura
6.6. Los datos bivariados que se encuentran en el primer y tercer cuadrante contribuyen positivamente
114
CAPTULO 6.
Figura 6.5: Ejemplos de diagramas de dispersin en los que no se evidencia directamente una relacin entre a las
variables.
al valor de la covarianza, mientras que los datos bivariados que se encuentran en el segundo y cuarto
cuadrante lo hacen negativamente. De este modo:
Si hay mayora de puntos en el tercer y primer cuadrante entonces se tiene que
Sxy > 0,
lo que quiere decir que la variable dependiente tiende a aumentar cuando lo hace la variable
independiente (relacin directa).
Si hay mayora de puntos en el segundo y cuarto cuadrante entonces se tiene que
Sxy < 0,
lo que quiere decir que la variable dependiente tiende a disminuir cuando lo hace la variable
independiente (relacin inversa).
Si los puntos se reparten equitativamente alrededor de
(, y )
x
entonces se tiene que
Sxy = 0.
Nota. Cuando los puntos se reparten de modo ms o menos homogneo entre los cuadrantes primero
y tercero, y segundo y cuarto, se tiene que la covarianza de las variables es aproximadamente igual
a 0. Esto no quiere decir de ningn modo que no exista ninguna relacin entre las dos variables; de
hecho este nexo puede existir como se aprecia en el diagrama de dispersin (d) de la gura 6.6.
Ejemplo 6.5.1.
Calcular e interpretar la covarianza entre la edad y el peso con el conjunto de datos
bivariado del ejemplo 6.4.2.
Solucin:
Para obtener la covarianza entre la edad y el peso primero se deben calcular los promedios de estas
variables. En este caso se tiene que
x = 12.728
y = 40.180.
Luego de calcular los respectivos
promedios, se procede a calcular las diferencias y los productos, de tal forma que la covarianza entre
6.5.
115
Figura 6.6: Ejemplos de nubes de puntos de un par de variables con relacin directa (a), relacin inversa (b) y
covarianza nula (c y d).
la edad y el peso es
Sxy =
1
n1
(xi x)(yi y )
i=1
1
((12.3 12.728)(39.5 40.180) + . . . + (12.6 12.728)(40.2 40.180))
25 1
= 0.226.
=
Dado que la covarianza entre la edad y el peso es positiva entonces la relacin entre las dos variables
es directa como se aprecia en la gura 6.3. Las las unidades de la covarianza son unidades mixtas que
en este caso corresponden a aos
kilogramo.
A continuacin se presentan algunas propiedades de la covarianza:
116
CAPTULO 6.
Proposicin 6.5.1.
Sea
(X, Y )
una variable bidimensional y
a, b, c
nmeros reales. Entonces se
tiene que:
i.
ii.
SXY = SY X .
2
SXX = SX .
iii. Si
V = aX + b
W = cY + d
entonces
SV W = acSXY .
Demostracin:
i.
SXY =
1
n1
(Xi X)(Yi Y ) =
i=1
ii.
SXY =
iii. Si
V = aX + b
1
n1
(Xi X)(Xi X) =
i=1
W = cY + d
SV W =
=
=
(Yi Y )(Xi X) = SY X .
i=1
1
n1
n
2
(Xi X)2 = SX .
i=1
1
n1
1
n1
1
n1
1
=
n1
1
=
n1
= ac
1
n1
(Vi V )(Wi W )
i=1
n
((aXi + b) (aX + b))((cYi + d) (cY + d))

i=1
n
(aXi + b aX b)(cYi + d cY d)
i=1
n
a(Xi X)c(Yi Y )
i=1
n
ac(Xi X)(Yi Y )
i=1
1
n1
(Xi X)(Yi Y )
i=1
= acSXY .
Ejemplo 6.5.2.
La covarianza entre los costos de produccin (C ) y las utilidades (U ) de una compaa
es 5.61. El presidente de la empresa est implementando una poltica de calidad para que los costos
disminuyan 1 % y las utilidades aumenten 5 %. Con esta poltica de calidad la covarianza entre
6.5.
117
los costos de produccin y las utilidades aumenta o disminuye? Si el incremento porcentual de las
utilidades es 10 %, en cuntos puntos porcentuales deben disminuir los costos de produccin bajo la
poltica de calidad para que la covarianza entre las variables alcance las 6 unidades mixtas?
Solucin:
Si
SV W
denota la covarianza entre los costos de produccin y las utilidades bajo la poltica de calidad
entonces
V = C 0.01C = 0.99C
W = U + 0.05U = 1.05U.
En consecuencia,
SV W = (0.99)(1.05)SXY = (1.0395)(5.61) = 5.831

y por lo tanto con est poltica la covarianza entre las variables aumenta.
De otra parte, sea
x el decremento porcentual de los costos de produccin para que la covarianza bajo
la poltica de calidad sea igual a 6 unidades mixtas. Entonces se sigue que
(1 x)(1.10)(5.61) = 6.
Despejando
de esta ecuacin se obtiene que
x = 0.0277
y por lo tanto la decremento porcentual de
los costos de produccin debe ser de 2.77 %.
Proposicin 6.5.2.
bidimensional
(X, Y )
Si
(x1 , y1 ), (x2 , y2 ), . . . , (xn , yn ) es un conjunto de n realizaciones de una variable
entonces:
n
xi yi ny .
x
(xi x)(yi y ) =
i=1
i=1
Demostracin:
(xi x)(yi y ) =
i=1
(xi yi y xi xyi + xy )
i=1
n
xi yi
=
i=1
n
i=1
n
xi yi y
=
i=1
n
y xi
xyi +
i=1
n
xi x
i=1
xy
i=1
yi + ny
x
i=1
xi yi y (n) x(n) + ny
x
y
x
=
i=1
n
xi yi ny ny + ny
x
x
x
=
i=1
118
CAPTULO 6.
xi yi ny .
x
=
i=1
En el seccin
?? se seala que la varianza de una suma de dos variables no coincide con la suma de
las varianzas de las variables. En la siguiente proposicin se establece a qu corresponde la varianza

de esta suma.
Proposicin 6.5.3.
Si
son variables conmensurables y
W =X +Y
entonces
2
2
2
SW = SX + SY + 2SXY .
Demostracin:
2
SW =
=
=
1
n1
1
n1
1
n1
1
=
n1
=
1
n1
1
n1
1
n1
1
=
n1
(Wi W )2
i=1
n

(Xi + Yi (X + Y ))2
i=1
n

(Xi + Yi X Y )2
i=1
n
((Xi X) + (Yi Y ))2

i=1
n
(Xi X)2 + 2(Xi X)(Yi Y ) + (Yi Y )2

i=1
n
(Xi X)2 +
i=1
n
2(Xi X)(Yi Y ) +
i=1
n
(Xi X)2 +
i=1
n
(Xi X)2 +
i=1
(Yi Y )2
i=1
(Yi Y )2 + 2
i=1
1
n1
(Xi X)(Yi Y )
i=1
(Yi Y )2 + 2
i=1
1
n1
(Xi X)(Yi Y )
i=1
2
2
= SX + SY + 2SXY .
A continuacin se presenta una expresin que generaliza la identidad de la proposicin 6.5.3:
6.5.
119
Proposicin 6.5.4.
Si
X1 , . . . , Xm
son
variables conmensurables y
m
2
SW =
m
2
SXi + 2
i=1
W =
m
i=1
Xi
entonces
SXi Xj .
i=1 j=1
1i<jm
Las siguientes son algunas observaciones acerca de la covarianza:
Est dada en unidades mixtas.
6.5.2. Coeciente de correlacin de Pearson

La covarianza es una medida de variabilidad conjunta que indica la forma en la que dos variables
cuantitativas continuas estn relacionadas linealmente. Una covarianza grande indica que hay una
relacin de tipo lineal entre las dos variables. Pero, qu signica que la covarianza sea grande?
Cmo se puede calicar la magnitud de la covarianza? De hecho, la magnitud de la covarianza
depende de la escala de medida que se utiliza. Por esta razn, es difcil, en casos concretos, establecer
a simple vista, si la covarianza es grande o no (Blanco 2004).
La covarianza est dada en unidades mixtas de medicin, lo que motiva denir una medida de la
relacin entre dos variables cuantitativas, que no se vea afectada por los cambios de unidad de
medida, es decir, que sea adimensional. Una forma de conseguir esto es dividir la covarianza por el
producto de las desviaciones estndar de cada variable.
Denicin 6.5.2.
El
coeciente de correlacin de Pearson (o sim-
plemente coeciente de correlacin) entre dos variables se dene como el

cociente entre la covarianza y el producto de las desviaciones estndar
de las variables del conjunto de datos bivariado correspondiente.
(X, Y ) entonces
X y Y , denotado
una variable bidimensional
Pearson muestral
entre
el valor observado del

con
rxy ,
rxy =
est dado por
Sxy
.
Sx Sy
coeciente de correlacin de
120
CAPTULO 6.
Similarmente, el
XY ,
coeciente de correlacin de Pearson poblacional
est dado por
XY =
entre
Y,
denotado con
XY
.
X Y
El coeciente de correlacin est ligado directamente con el grado de la asociacin
lineal
de las
variables. De hecho, el coeciente de correlacin nicamente mesura la fortaleza de la relacin lineal

entre dos variables cuantitativas continuas. Adems, al igual que la covarianza, con el coeciente de
correlacin tambin es posible identicar si la relacin entre las variables es directa o inversa, pues los
signos del coeciente y de la covarianza son iguales.
Al igual que el ndice de Yule-Bowley, el coeciente de correlacin siempre toma valores entre
1. De esta forma, a medida que el coeciente se acerca a 0, la relacin lineal entre las variables se
debilita, y en caso contrario, a medida que el coeciente se acerca a
1,
la relacin lineal entre las
variables se fortalece de manera inversa o directa respectivamente. De este modo si el valor absoluto
del coeciente:
Es igual a 1 entonces la relacin lineal entre las variables es perfecta.
Est entre 0.9 y 1 entonces la correlacin entre las variables es alta o fuerte.
Est entre 0.7 y 0.9 entonces la relacin entre las variables es moderada.
Est entre 0.5 y 0.7 entonces la relacin lineal entre las variables aceptable.
Est entre 0 y 0.5 entonces la relacin lineal entre las variables reducida o mnima.
Es igual a entonces no existe una relacin lineal entre las variables.
En la gura 6.7 se presentan algunos ejemplos de nubes de puntos con diferentes grados de correlacin.
Ejemplo 6.5.3.
Calcular el coeciente de correlacin entre la edad y el peso de los datos del ejemplo
6.4.2.
Solucin:
Para calcular el coeciente de correlacin de Pearson entre la edad y el peso se necesita obtener
previamente las desviaciones estndar correspondientes. En este caso se tiene que
Sy = 0.724.
Sx = 0.339
As, el coeciente de correlacin es
rxy =
Sxy
0.226
=
= 0.920.
Sx Sy
(0.339)(0.724)
Este coeciente indica que la relacin lineal entre la edad y el peso de los nios es directa y adems
fuerte.
6.5.
121
Figura 6.7: Ejemplos de nubes de puntos con su respectivo coeciente de correlacin.
Las siguientes son algunas observaciones acerca del coeciente de correlacin de Pearson:
y 1.
122
CAPTULO 6.
6.5.3. Coeciente de correlacin de Spearman

El coeciente de correlacin de Spearman tiene la misma intensin del coeciente de correlacin de
Pearson, solo que en este caso el coeciente se calcula sobre el rango (detalles en la seccin 3.3.1) de
las variables de inters. Esta es una medida de asociacin ventajosa para los casos donde se tienen
variables cuantitativas discretas o variables mesuradas en una escala al menos de tipo ordinal, ya que
el coeciente de correlacin de Pearson se dene para variables cuantitativas continuas.
Denicin 6.5.3.
Sea

(X, Y ). El coeciente de
correlacin de Spearman
rsxy ,
est dada por:
rsxy =
donde
xi
yi
individuo para
n
y
i=1 (i y ) (i y )
n
)) ( n (i
x
i=1 (i x
i=1 y
son respectivamente los rangos de
y ))
xi
yi
del
i-simo
i = 1, . . . , n.
Nota. El coeciente de correlacin de Spearman no es ms que el coeciente de correlacin de Pearson

aplicado a los rangos de las variables y su interpretacin es anloga.
Ejemplo 6.5.4.
Uno de los competidores se dio cuenta de que las posiciones en las que los individuos
se encontraban haban sido asignadas para favorecer a algunos, siendo los ms favorecidos los que
se encontraban en las ltimas posiciones. Mediante la asociacin entre las posiciones y el puntaje
obtenido que se presentan en la tabla 6.8 colaborar la armacin del competidor.
Solucin:
En la tabla 6.8 se presentan los rangos de la posicin (X ) y el puntaje (Y ) de los competidores. En
consecuencia, se tiene que el coeciente de correlacin de Spearman es
rsxy =
1.105
= 0.032.
(5.916)(5.891)
Por lo tanto se concluye que las posiciones no se encontraban favorecidas, o en el caso de que lo
hubieran estado, no se vio reejado en el resultado del torneo.
Las siguientes son algunas observaciones del coeciente de correlacin de Spearman:
Se calcula para variables mesuradas en una escala al menos de tipo ordinal.
y 1.
6.5.
123
Es ms robusta a datos atpicos en comparacin con el coeciente de correlacin de Pearson.
Posicin
Puntaje
Rango de Pos.
Rango de Pun.
1.00
52.00
1.00
12.00
2.00
46.00
2.00
5.50
3.00
56.00
3.00
16.00
4.00
62.00
4.00
18.00
5.00
50.00
5.00
10.00
6.00
53.00
6.00
13.00
7.00
41.00
7.00
1.00
8.00
55.00
8.00
14.50
10.00
9.00
50.00
9.00
10
10.00
43.00
10.00
4.00
11
11.00
62.00
11.00
18.00
12
12.00
42.00
12.00
2.50
13
13.00
55.00
13.00
14.50
14
14.00
47.00
14.00
7.00
15
15.00
46.00
15.00
5.50
16
16.00
50.00
16.00
10.00
17
17.00
62.00
17.00
18.00
18
18.00
42.00
18.00
2.50
19
19.00
48.00
19.00
8.00
20
20.00
65.00
20.00
20.00
Tabla 6.8: Datos asociados con la posicin y el puntaje de los competidores del ejemplo 6.5.4.
6.5.4. Coeciente de correlacin de Kendall

De manera ms general, a continuacin se desarrolla una medida de asociacin para variables mesuradas en una escala ordinal, la cual se basa en los rangos de las variables, al igual que el coeciente
de correlacin de Spearman.
124
CAPTULO 6.
Denicin 6.5.4.

(X, Y ). El coeciente de
Kendall de este conjunto de datos, denotado con xy ,
Sea
correlacin de
est dada por:
=
donde
C D
1)
1
2 n(n
representa el nmero de
discordancias .
concordancias
el nmero de
Nota. En la denicin 6.5.4, se dice que hay una concordancia entre el par
yi < yj , o, si xi > xj y yi > yj ; adems se dice

xi > xj y yi < yj para i, j = 1, . . . , n con i = j .
y
(xi , yi ) y (xj , yj ), si xi < xj

xi < xj y yi > yj , o,
que hay una discordancia si
Nota. El coeciente de correlacin de Kendall as denido se debe usar en los casos donde no hay
empates para que sea posible denir las concordancias y las discordancias. Como los otros coecientes
de correlacin, el valor de este coeciente se siempre se encuentra entre
1,
y su interpretacin es
anloga.
Ejemplo 6.5.5.
En un estudio de mercadeo se quiere establecer si hay una asociacin entre el por3
centaje de contenido de un insumo de un producto y una medida de complacencia
escalada entre uno
y diez. En dicho estudio se obtuvo la informacin una muestra de consumidores que se presenta en la
tabla 6.9. Calcular e interpretar el coeciente de correlacin de Kendall.
Solucin:
Para encontrar el coeciente de correlacin de Kendall entre el porcentaje de contenido (X ) y la medida
de complacencia (Y ), lo primero que se debe hacer es calcular las concordancias (C) y discordancias
(D) de cada par de parejas. En las columnas 3 a 6 de la tabla 6.9 se presentan las concordancias y
discordancias de todos los datos bivariados con las parejas
(x1 , y1 )
(x2 , y2 ). Una vez se realizo este

C = 18 y que el nmero
proceso para todas las parejas, se tiene que el nmero de concordancias es

de discordancias es
D = 10,
y por lo tanto
xy =
18 10
8
=
= 0.286.
1
28
2 (8)(7)
Este valor del coeciente indica que las variables s estn correlacionadas positivamente pero no de una
forma contundente, y por lo tanto el porcentaje de contenido del insumo y la medida de complacencia
no estn asociadas inequvocamente, y en consecuencia se deben tener en cuenta otras variables con
el propsito de investigar el nivel de complacencia del producto.
Las observaciones del coeciente de correlacin de Kendall son anlogas a las del coeciente de correlacin de Spearman.
3 Satisfaccin,
placer y contento que resulta de algo (Real Academia Espaola 2012b).
6.5.
125
Cont.
Calif.
C (0.10,1.00)
D (0.10,1.00)
C (0.15,4.00)
D (0.15,4.00)
...
0.10
1.00
0.15
4.00
...
0.20
7.00
...
0.25
9.00
...
0.30
3.00
...
0.35
2.00
...
0.40
5.00
...
0.45
8.00
...
...
Tabla 6.9: Datos asociados con las concordancias y discordancias del estudio de mercadeo del ejemplo 6.5.5.
6.5.5. Coeciente de Gini

El coeciente de Gini mas que una medida de asociacin es una medida de la desigualdad ideada por
el italiano
Corrado Gini
. Normalmente se utiliza para medir la desigualdad de la reparticin de la
riqueza, pero se puede utilizar para medir la distribucin de cualquier variable.
Denicin 6.5.5.
Sea
bucin de frecuencias con
una variable cuantitativa dada en una distri-
categoras. El
conjunto de datos, denotado con
Gx ,
coeciente de Gini
de este
se dene como
Gx = 1
fi (Ui1 + Ui )
i=1
donde
Uj =
ni
j
i=1
k
i=1
ni xi
ni xi
j = 1, . . . , k ,
fi es la frecuencia relativa y xi es la clase o

i-sima categora para i = 1, . . . , k . Adems, se
es la frecuencia absoluta,
la marca de clase de la
dene
U0 = 0.
X
i = 1, . . . , n
Nota. Cuando las observaciones de una variable

se tiene que
para
ni = 1
fi = 1/n
para
no estn agrupados en una tabla de frecuencias

donde
es el numero de datos que se tienen a
disposicin. En este caso es fundamental ordenar los datos ascendentemente para que la frmula del
coeciente haga sentido.
El coeciente de Gini es un nmero comprendido entre 0 y 1, usualmente expresado en porcentaje

(cuando es expresado de esta forma se conoce como ndice). El valor 0 corresponde a un caso donde
4 Fotografa
http://www.metronjournal.it/storia/ginibio.htm.
126
CAPTULO 6.
Figura 6.8: Corrado Gini (1884-1965).
hay perfecta igualdad en la distribucin de la variable todos los individuos tienen la misma cantidad
de riqueza y el valor 1 corresponde a un caso donde hay perfecta discrepancia en la reparticin un
individuo posee toda la riqueza y los dems nada.
En la prctica, tratndose de la riqueza de los pases, los valores del coeciente varan desde aproximadamente 0.2, para pases histricamente igualitarios como Bulgaria, Hungra, la repblica Checa y
Eslovaca y Polonia, hasta 0.6 para pases centro y suramericanos donde las elites poderosas dominan
la economa. La evolucin del coeciente Gini es particularmente til en la medida que revela tendencias. Muestra la evolucin hacia una igualdad mayor en Cuba desde 1953 hasta 1986 (0.55 a 0.22) y el
crecimiento de la desigualdad en los Estados Unidos en las ltimas tres dcadas durante las cuales el
coeciente de Gini pas de 0.35 en los setenta a 0.40 actualmente (y an est subiendo!). La mayora
de los pases europeos y Canad estn ubicados alrededor de 0.30, Japn y algunos pases asiticos
llegan a 0.40, mientras que la mayora de los pases africanos exceden 0.45. En la gura 6.9 se presenta
un cartograma
donde se evidencian los valores del coeciente de Gini a nivel mundial.
Ejemplo 6.5.6.
Calcular el Coeciente de Gini para el conjunto de datos de la tabla 6.10 corres-
pondiente al nmero de cuentas que un gerente reparte entre sus empleados. Calcular e interpretar el
coeciente de Gini.
Solucin:
A en la tabla 6.11 se presentan los clculos necesarios para obtener el coeciente de Gini del nmero de
cuentas (X ). En este caso, debido a la ausencia de intervalos, las marcas de clase
xi
corresponden a las
mismas categoras del nmero de cuentas. Se calculan las frecuencias relativas como de costumbre y los
productos
5 Grca
ni xi
que corresponden al total de cuentas repartidas entre los empleados que recibieron un
legend_2.png?uselang=es.
http://en.wikipedia.org/wiki/Image:World_Map_Gini_coefficient_with_
6.5.
127
Figura 6.9: Cartograma cartograma donde se evidencian los valores del coeciente de Gini a nivel mundial .
xi
ni
Total
Tabla 6.10: Datos asociados con el nmero de contratos que un gerente reparte entre sus empleados.
4
i=1 ni xi = 10.
Tambin se calcula Ui para cada categora como el acumulado de la columna precedente conformada
ni x i
por los
ni xi . Finalmente, en la ltima columna se presentan los trminos involucrados en la frmula
del coeciente, obtenindose que
monto de cuentas determinado; adems resulta que el total de cuentas repartidas es
Gx = 1
fi (Ui1 + Ui ) = 1 0.72 = 0.28.

i=1
Este valor del coeciente de Gini indica que la reparticin de las cuentas aunque no fue absolutamente
igualitaria, no es desigual, situacin que tiende a la equidad en la reparticin de la carga laboral entre
los empleados.
Ejemplo 6.5.7.
La Gobernacin de una ciudad arma que las empresas de un determinado sector
128
CAPTULO 6.
ni xi
ni xi
Ui
fi (Ui1 + Ui )
0.2
0.2
0.08
0.4
0.4
0.6
0.32
0.2
0.4
0.32
10
N.A.
0.72
xi
ni
fi
ni xi
0.4
Total
econmico se encuentran equilibradas respecto a los ingresos que devengan. Por tal motivo los entes
de control del Estado aseguran que no es necesario ofrecer estmulos ni subsidios para las compaas
de dicho sector. Una de las empresas que no est de acuerdo con la posicin del Gobierno obtiene una
muestra de los ingresos (en millones) de diez empresas del sector como se observa en la tabla 6.12.
Con base en el coeciente de Gini, el Gobierno debe reconsiderar su posicin?
1240
840
2000
1456
973
907
1490
789
1423
600
Tabla 6.12: Datos asociados con los ingresos de una muestra de empresas de un sector econmico particular.
Solucin:
Para calcular el coeciente de Gini de los ingresos (X ), primero se ordenan los datos ascendentemente
y en seguida calcular los valores de
0.009
0.079
0.154
Ui
para
0.235
i = 1, . . . , 10
0.322
obtenindose los siguientes resultados:
0.432
0.559
0.689
0.822
1.000
En consecuencia, se sigue que
Gx = 1
(2)(4.301) 1
= 0.239.
10
Este valor del coeciente de Gini indica que no se trata de una situacin de equidad perfecta, aunque
ciertamente no es una situacin de desigualdad apremiante, por lo que la posicin del Gobierno es
acertada y las objeciones de la empresa no tienen fundamento.
La
curva de Lorenz
es una representacin grca que se utiliza frecuentemente para plasmar la
distribucin relativa de una variable en un dominio determinado. El dominio puede ser el conjunto
de hogares o personas de una regin o pas y la variable cuya distribucin se estudia puede ser el
ingreso de los hogares o las personas, por ejemplo. La curva se traza considerando en el eje horizontal
el porcentaje acumulado de individuos del dominio en cuestin y en el eje vertical el porcentaje
acumulado de la variable de inters. Cada punto de la curva se lee como el porcentaje acumulado de
los individuos involucrados en la investigacin. La curva parte del origen (0, 0) y termina en el punto
(1, 1) y de esta forma, si la variable estuviera distribuida de manera perfectamente equitativa, la curva
coincidira con la lnea de 45 grados que pasa por el origen; y si existiera desigualdad perfecta, la
curva coincidira con el eje horizontal hasta el punto
(1, 0)
donde saltara al punto
(1, 1).
En general,
la curva se encuentra en una situacin intermedia entre estos dos extremos. En resumen, tratando
6.5.
129
con la riqueza, lo que se ha hecho es un grco de lneas correspondiente a la cantidad de riqueza

acumulada frente a la cantidad de individuos acumulado para ese monto de riqueza.
Si la curva de Lorenz se encuentra siempre por encima de otra y, por lo tanto, est ms cerca de
la lnea de 45 grados, se puede establecer sin ambigedad que la primera distribucin exhibe menor
grado desigualdad que la segunda. Esta comparacin grca entre distribuciones de distintos dominios
geogrcos o temporales es la principal utilidad de la curva de Lorenz. En la gura 6.10 se presenta
un ejemplo de la curva de Lorenz.
Figura 6.10: Ejemplo de la curva de Lorenz.
Ejemplo 6.5.8.
Representar la curva de Lorenz correspondiente para los datos del ejemplo 6.5.6.
Solucin:
Para obtener la curva de Lorenz del ejemplo 6.5.6 donde el coeciente de Gini es de 0.28 revelando un
caso de aparente igualdad en la reparticin de las cuentas, se deben gracar los valores de tabla 6.13
que se muestra a continuacin:
Para gracar la curva de Lorenz se debe representar en el plano cartesiano la unin de los puntos
dados en la tabla 6.13, es decir, la unin de los puntos
(0, 0), (0.4, 0.8), (0.8, 0.6)
(1, 1).
En el eje
130
CAPTULO 6.
Fi
0.4
0.2
0.4
0.8
0.6
0.8
1
Tabla 6.13:
Ui
Igualdad
Frecuencias acumuladas asociadas con la curva de Lorenz del ejemplo 6.5.6.
se ubican las frecuencias relativas acumuladas

este caso empleados, y en el eje
Fi ,
referidas al porcentaje acumulado de individuos, en
se ubican el porcentaje acumulado de la riqueza
Ui
que indica el
porcentaje de bienes repartidos, en este caso cuentas. En la grca tambin se presenta la lnea de
igualdad que es el punto de referencia para la comparacin con la curva obtenida. En caso de equidad,
por ejemplo, si se ha acumulado el 40 % de los empleados tambin se tiene acumulado el 40 % de las
cuentas repartidas. En la gura 6.11 se presenta el grco correspondiente que conrma lo que sugiere
el coeciente de Gini, esto es, un caso en el que la reparticin de las cuentas es ms bien igualitaria.
Figura 6.11: Curva de Lorenz asociada con la reparticin de las cuentas del ejemplo 6.5.6.
6.6.
131
COMENTARIOS
6.6. Comentarios
En este captulo se da hace introduccin al anlisis conjunto de dos variables, puesto que muchos
estudios prcticos y tericos, indagan directa o indirectamente por la relacin que tienen las variables
entre s. La relacin entre dos variables puede ser lineal o no lineal, algo que se olvida y menosprecia
frecuentemente, y por lo tanto las medidas que se utilicen deben corresponder apropiadamente al tipo
de relacin que se investiga.
Adems, uno de los elementos ms importantes en este contexto es entender e interpretar las relaciones
de las variables a travs de tablas cruzadas y de los coecientes de correlacin, que se deben aplicar
prudentemente dependiendo del tipo escala de medida en que estn dadas las variables de estudio.
Por ltimo, se estudian una medida y un grco cuyo propsito es inspeccionar la forma en que
se distribuye o reparte una variable entre los individuos asociados. Esta medida es de gran utilidad
prctica y se emplea usualmente para estudiar la reparticin de la riqueza entre las personas de una
poblacin determinada.
6.7. Ejercicios
6.1 Considerar la siguiente informacin:
10
10
10
xi = 110,
i=1
10
i=1
10
x2 = 3156,
i
yi = 60,
2
yi = 1, 138
i=1
xi yi = 1, 868.
i=1
i=1
a. Cul es el tamao de la muestra?

b. Calcular el promedio de
c. Calcular la varianza de
y
y
Y.
Y.
d. Calcular la desviacin tpica de
Y.
e. Calcular e interpretar la covarianza entre
Y.
f. Calcular e interpretar el coeciente de correlacin de Pearson entre
Y.
g. Calcular e interpretar nuevamente el coeciente de correlacin de Pearson si para todos los

individuos de la muestra la variable
6.2 Sean
dos variables tales que
rxy =
aumenta en 5 % y la variable
1
2,
2
Sw
2
Sx = 1
2
Sy = 2.
Calcular
aumenta en 3 %.
donde
W = X 2Y .
(x1 , y1 ), (x2 , y2 ), . . . , (xn , yn ) un conjunto de n realizaciones de una variable bidimensional

(X, Y ). Una frmula alternativa para calcular el coeciente de correlacin de Spearman es
6.3 Sea
rsxy = 1
donde
xi
yi
6
2 1)
n(n
son respectivamente los rangos de
xi
(i yi )2
x
i
i=1
yi
del
i-simo
individuo para
i = 1, . . . , n.
132
CAPTULO 6.
Corroborar que esta frmula del coeciente de correlacin de Spearman coincide con la frmula
dada en la denicin 6.5.3 utilizando los datos del ejemplo 6.5.4.
6.4 Calcular el coeciente de correlacin de Spearman y de Kendall utilizando los datos del ejemplo
6.4.2. Interpretar y comparar los resultados obtenidos.
6.5 Se sabe que hay una relacin entre la utilidad de las acciones
Y.
La tabla 6.14 corresponde
a una muestra de los benecios asociados con estas acciones. Realizar un grco de dispersin y
calcular las medidas de asociacin a que haya lugar entre las variables. Qu se puede decir del
nexo entre las utilidades de las acciones?
#
1253.81
91.73
21
2193.91
-66.97
2264.64
-18.00
22
1958.28
-125.78
1567.86
182.91
23
1994.85
-141.20
1299.00
145.70
24
2694.94
47.25
2389.47
48.43
25
1445.50
214.17
2592.27
60.64
26
2083.25
-122.08
2462.54
90.10
27
2642.54
55.99
2311.34
-14.58
28
1386.89
215.28
2128.80
-107.84
29
2143.09
-88.31
10
3312.81
-13.98
30
1814.38
-57.72
11
1939.12
-120.26
31
1770.48
-15.84
12
3136.20
-51.42
32
3278.51
-31.73
13
2329.68
19.92
33
2498.77
78.84
14
1883.61
-119.30
34
3196.21
-31.06
15
1277.64
96.02
35
2252.69
-36.40
16
2893.56
-15.71
36
2946.31
-37.71
17
3045.40
-49.74
37
1886.00
-88.03
18
2060.51
-124.28
38
1848.70
-59.02
19
2378.64
58.66
39
2499.54
74.20
20
2511.22
68.92
40
1960.95
-130.21
Tabla 6.14: Datos asociados con una muestra de utilidades de las acciones
Y.
6.6 La junta directiva de una empresa dice tener una estructura horizontal, lo cual se podra ver
reejado mediante la equidad salarial. Con base en la informacin de la tabla 6.15, qu indican
el coeciente de Gini y la curva de Lorenz acerca de la aseveracin de la junta directiva?
6.7 Una empresa ha trabajado hasta ahora con la hiptesis de que las ventas de un perodo dependen
linealmente de los gastos de publicidad efectuados en el perodo anterior. En este momento, solicitan la realizacin de un anlisis que ponga de maniesto si la hiptesis, hasta ahora mantenida,
se puede seguir sosteniendo con los datos que suministran. Las cifras se muestran en la tabla 6.16
y estn dadas en miles de millones de pesos.
6.7.
133
EJERCICIOS
Salario
Frecuencia
1,485,000
1,689,000
1,714,000
1,751,000
1,916,000
1,942,000
1,943,000
1,966,000
1,990,000
2,047,000
2,115,000
2,191,000
2,242,000
2,661,000
2,727,000
Tabla 6.15: Datos asociados con los salarios de una muestra de empleados de una empresa.
Ao
Gasto
Venta
1987
21
17
1988
22
19
1989
25
20
1990
26
21
1991
27
23
1992
29
24
1993
30
26
Tabla 6.16: Datos asociados con las ventas y gastos de una empresa determinada.
a. Se incrementarn las ventas del perodo siguiente al aumentar los gastos en publicidad del
perodo actual?
b. Es adecuado suponer que el ajuste entre estas variables es efectivamente lineal teniendo en
cuenta los valores de las variables?
6.8 Las calicaciones que se presentan en la tabla 6.17 corresponden a las notas de 25 alumnos en las
asignaturas A y B.
a. Obtener la tabla de frecuencias conjunta.
b. Qu proporcin de alumnos obtienen ms de cinco en ambas asignaturas? Qu proporcin
de alumnos obtienen ms de un cinco en A? Y en B?
c. Representar grcamente la situacin.
d. Hallar e interpretar el coeciente de correlacin correspondiente.
134
CAPTULO 6.
14
15
16
17
18
19
20
21
22
10
23
10
11
24
10
12
25
10
10
13
Tabla 6.17: Datos asociados con las calicaciones de las asignaturas A y B de una muestra de alumnos.
6.9 Demostrar que si
(X, Y )
es una variable bidimensional y
a, b, c
son nmeros reales entonces
se tiene que:
i.
ii.
rXY = rY X .
rXX = 1.
V = aX + b
de x.
iii. Si
iv.
|rXY | = 1
W = cY + d
si y solo si
entonces
aX + bY = 0
rV W = sgn(a)sgn(c)rXY
donde
6.10 Si en una distribucin bidimensional se tiene que

entre
2X 1
donde sgn(x) denota el signo
no son simultneamente 0.
2
2
Sx+y = 10.3 y Sxy = 8.1, calcular la covarianza
4Y + 2.
X1 , . . . , Xm
son
variables conmensurables y
m
2
SW =
m
i=1
Xi
entonces
2
SXi +
i=1
W =
SXi Xj .
i=1 j=1
i=j
6.12 En la tabla 6.18 se presentan los datos correspondientes a la tasa media de crecimiento del PIB y
del empleo para 25 pases de la OCDE para el periodo 1988-1997.
a. Hacer un diagrama de dispersin de la tasa media de crecimiento del PIB frente a la tasa media
de crecimiento del empleo.
b. Calcular e interpretar la covarianza entre la tasa media de crecimiento del PIB y la tasa media
de crecimiento del empleo.
c. Calcular e interpretar el coeciente de correlacin de Pearson entre la tasa media de crecimiento
del PIB y la tasa media de crecimiento del empleo.
6.7.
135
EJERCICIOS
Empleo
PIB
Australia
Pas Empleo PIB
1.68
3.04
Corea
2.57
7.73
Austria
0.65
2.55
Luxemburgo
3.02
5.64
Blgica
0.34
2.16
Holanda
1.88
2.86
Canad
1.17
2.03
Nueva Zelanda
0.91
2.01
Dinamarca
0.02
2.02
Noruega
0.36
2.98
Finlandia
-1.06
1.78
Portugal
0.33
2.79
Francia
0.28
2.08
Espaa
0.89
2.60
Alemania
0.08
2.71
Suecia
-0.94
1.17
Grecia
0.87
2.08
Suiza
0.79
1.15
Islandia
-0.13
1.54
Turqua
2.02
4.18
Irlanda
2.16
6.40
Reino Unido
0.66
1.97
Italia
-0.30
1.68
USA
1.53
2.46
Japn
1.06
2.81
Tabla 6.18: Datos asociados con la tasa media de crecimiento del PIB y del empleo para 25 pases de la OCDE para
el periodo 1988-1997.
6.13 En la tabla 6.19 se presenta un conjunto de datos asociado con el ingreso (en millones de pesos),
el gnero y la preferencia de una medida econmica del Gobierno Nacional de una muestra de
empleados de una compaa. Para hombres y mujeres separadamente:
a. Realizar un histograma y calcular la media, la mediana y la moda de los cuartiles de la variable
ingresos.
b. Realizar un diagrama de caja y calcular la desviacin estndar, la desviacin media y la desviacin mediana de la variable ingresos.
c. Calcular el coeciente de asimetra de Pearson, el coeciente de asimetra de Fisher y el ndice
de asimetra de Yule-Bowley de la variable ingresos.
d. Calcular el coeciente de apuntamiento de Fisher de la variable ingresos.
e. Estandarizar la variable ingresos. Hay observaciones atpicas? Si las hay, cules son?
f. Interpretar, comentar y comparar los resultados obtenidos en los incisos anteriores.
6.14 Con la informacin del ejercicio 6.13:
136
CAPTULO 6.
a. Construir la variable salario con los siguientes valores:
BAJO: 1 salario mnimo o menos.

MEDIO: entre 1 y 2 salarios mnimos.
ALTO: 2 salarios mnimos o ms.
Hacer la tabla de contingencia bidimensional de frecuencias relativas de salario frente a preferencia. Hacer el grco correspondiente.
b. Hacer la tabla de perles la y el grco correspondiente.
c. Hacer la tabla de perles columna y el grco correspondiente.
d. Interpretar y comentar los resultados obtenidos en los incisos anteriores.
6.7.
137
EJERCICIOS
Ingresos
Gnero
Preferencia
Ingresos
Gnero
Preferencia
2.405
Mujer
A favor
0.979
Mujer
A favor
0.407
Hombre
A favor
2.131
Mujer
A favor
0.827
Mujer
En contra
1.545
Mujer
A favor
2.281
Mujer
A favor
2.375
Mujer
A favor
0.020
Mujer
A favor
3.267
Hombre
En contra
0.031
Mujer
A favor
2.870
Hombre
En contra
1.629
Mujer
A favor
2.697
Hombre
A favor
2.000
Mujer
En contra
0.898
Hombre
A favor
2.555
Mujer
A favor
2.629
Mujer
NS/NR
0.013
Mujer
A favor
0.880
Mujer
En contra
1.197
Mujer
NS/NR
3.409
Hombre
A favor
0.200
Mujer
A favor
1.272
Mujer
A favor
3.369
Mujer
A favor
2.042
Hombre
En contra
1.167
Hombre
A favor
0.711
Mujer
En contra
4.422
Hombre
A favor
1.816
Mujer
A favor
1.553
Mujer
A favor
0.216
Mujer
A favor
1.353
Mujer
A favor
0.392
Mujer
A favor
5.421
Mujer
En contra
0.763
Mujer
En contra
0.484
Hombre
A favor
0.637
Hombre
A favor
0.402
Mujer
A favor
1.962
Mujer
A favor
0.461
Mujer
A favor
0.804
Mujer
A favor
2.405
Mujer
A favor
0.919
Mujer
A favor
2.167
Mujer
A favor
0.524
Mujer
A favor
2.560
Mujer
A favor
1.227
Mujer
En contra
1.472
Hombre
A favor
1.445
Mujer
En contra
1.381
Mujer
A favor
1.411
Hombre
A favor
3.031
Hombre
En contra
2.627
Mujer
En contra
2.604
Mujer
En contra
1.074
Mujer
A favor
1.628
Mujer
A favor
1.834
Mujer
A favor
1.783
Mujer
En contra
1.319
Mujer
NS/NR
0.080
Mujer
A favor
0.918
Mujer
A favor
0.442
Mujer
A favor
0.111
Mujer
A favor
0.131
Hombre
A favor
0.827
Mujer
A favor
2.517
Mujer
A favor
3.082
Mujer
A favor
1.616
Mujer
En contra
1.904
Mujer
En contra
1.754
Hombre
A favor
2.931
Mujer
A favor
3.438
Hombre
A favor
1.897
Mujer
NS/NR
A favor
0.535
Mujer
A favor
2.815
Hombre
1.473
Hombre
A favor
0.592
Hombre
A favor
0.434
Mujer
A favor
0.823
Mujer
NS/NR
Tabla 6.19: Datos asociados con los ingresos, el gnero y la preferencia de una medida econmica del Gobierno Nacional
de una muestra de empleados de una compaa.
Parte II
Probabilidades
138
Captulo
Fundamentos de probabilidad
7.1. Introduccin
Si el nico propsito del investigador es describir los resultados de un experimento concreto, las
tcnicas presentadas en las secciones anteriores se pueden considerar sucientes. No obstante, si se
quiere utilizar la informacin obtenida para extraer conclusiones generales sobre los objetos de un
conjunto de datos mayor que comparten las mismas propiedades de los datos iniciales, entonces estas
tcnicas constituyen solo el principio del anlisis y se debe recurrir a los mtodos de la
estadstica , los cuales implican el uso inteligente de la teora de la probabilidad.
inferencia
7.2. Experimentos determinsticos y experimentos aleatorios

La teora de la probabilidad se desenvuelve en medio de los diversos resultados y los posibles sucesos
(eventos) que se pueden obtener cuando se realiza un experimento (cualquier accin o proceso que
genera observaciones o datos directa o indirectamente). El trmino experimento se utiliza en la teora
de la probabilidad para describir virtualmente cualquier accin o proceso que genera un conjunto de
datos.
Denicin 7.2.1.
Un
experimento determinstico
es cualquier ex-
perimento que, al repetirse bajo las mismas condiciones, genera siempre

los mismos resultados.
139
140
CAPTULO 7.
Ejemplo 7.2.1.
FUNDAMENTOS DE PROBABILIDAD
El siguiente experimento corresponde a un experimento determinstico. Considerar
un objeto de cualquier masa partiendo de un estado inicial de reposo y dejado caer al vaco desde lo
la velocidad del cuerpo al llegar al suelo,
es la aceleracin de la gravedad y
2gh, donde v es
h es la altura de la torre.
alto de una torre. ste llega siempre al suelo con la misma velocidad, a saber,
v=
Se supone que no existe rozamiento con el aire.
Sin embargo, hay experimentos cuyos resultados no son determinados si las condiciones se mantienen
constantes. Tales experimentos se denominan experimentos aleatorios.
Denicin 7.2.2.
Un
experimento aleatorio o estocstico es cual-
quier experimento que satisface las siguientes condiciones:
Todos los posibles resultados del experimento son conocidos antes

de ejecutarlo.
El resultado de cualquier ejecucin del experimento no se puede

conocer de antemano.
Ejemplo 7.2.2.
Ejemplos comunes de experimentos aleatorios, son los juegos de azar que estn
relacionados con las cartas y los lanzamientos de dados o monedas. Sin embargo, hay otros tipos de
ejemplos de experimentos aleatorios como los siguientes:
1. Seleccionar aleatoriamente una ciudad de un pas y registrar para sta el nmero de empresas
de servicios.
2. Seleccionar aleatoriamente tres leyes del Congreso y registrar si fueron o no aprobadas.
3. Seleccionar aleatoriamente una empresa de una ciudad y registrar su actividad.
Puede el lector identicar las caractersticas de un experimento aleatorio en estos ejemplos?
7.3. Espacios muestrales y eventos

El primer paso para analizar un experimento aleatorio consiste en denir cuidadosamente los resultados
experimentales. Cuando se denen todos los posibles resultados de un experimento estocstico, se
identica el denominado espacio muestral del experimento.
7.3.
ESPACIOS MUESTRALES Y EVENTOS
Denicin 7.3.1.
141
El conjunto de todos los posibles resultados de un
experimento aleatorio se llama
espacio muestral (o de resultados) y se
. Los elementos del espacio muestral se denominan puntos

muestrales y se simbolizan con 1 , 2 , . . .
denota con
Ejemplo 7.3.1.
Considerar las siguientes situaciones:
Se instala una computadora nueva en un banco. La computadora controla todas las transferencias bancarias guardando el valor exacto de cada transaccin, mas sin embargo no registra
transacciones menores a un milln ni mayores a cien millones. Se dene el experimento aleatorio
como los valores que registra la computadora.
Una fbrica que elabora diferentes clases de un artculo determinado tiene un mtodo para la
identicacin de las unidades terminadas que fue concebido para diferenciarlas y clasicarlas
por categoras. Se dene el experimento aleatorio como la extraccin y la clasicacin de los
artculos entre todos los fabricados hasta el da de ayer.
Cul es el espacio muestral en cada caso? Cul es la diferencia entre estos dos espacios muestrales?
Solucin:
En la primera situacin el espacio muestral es el conjunto de todos los valores que se encuentren entre
1 milln y 100 millones, ya que el resultado del experimento es el valor de la transaccin que registra
la computadora.
Para el segundo experimento el espacio muestral es el conjunto de todas las identicaciones de los
artculos que se han producido hasta el da de ayer.
La diferencia ms importante entre estos dos espacios muestrales radica en su tamao, ya que el
primero tiene un nmero innito de posibles resultados mientras que el segundo tiene un nmero
nito de resultados.
Denicin 7.3.2.
Cualquier subconjunto del espacio muestral se llama
evento o suceso aleatorio .
A, B o C , por
A es un evento y el resultado observado del experimento aleatorio es un elemento
el evento A ha sucedido. Cuando un evento tiene un solo elemento se denomina
Nota. Los eventos aleatorios usualmente se simbolizan con letras maysculas como
ejemplo. Adems, si
de
signica que
evento elemental o simple .
142
CAPTULO 7.
Denicin 7.3.3.
En particular,
es, subconjuntos de
El conjunto
que nunca sucede, y el conjunto
y son eventos aleatorios, esto

es denominado evento imposible ,
se llama evento seguro , que siempre
sucede.
Ejemplo 7.3.2.
Considerar el experimento aleatorio lanzar un dado corriente una vez. En este caso
se tiene que:
El espacio muestral del experimento es
Los puntos muestrales son
Algunos eventos del experimento son:

a.
b.
c.
d.
= {1, 2, 3, 4, 5, 6}.
1 = 1, 2 = 2, 3 = 3, 4 = 4, 5 = 5
6 = 6.
A: el resultado del lanzamiento es un nmero par, es decir, A = {2, 4, 6}.

B : el resultado del lanzamiento es superior a 2, es decir, B = {3, 4, 5, 6}.
C : el resultado del lanzamiento no es 1 ni 6, es decir, C = {2, 3, 4, 5}.
D: el resultado del lanzamiento es 7, es decir, D = .
El evento imposible es
Ejemplo 7.3.3.
y el evento seguro es
= {1, 2, 3, 4, 5, 6}.
Obtener el espacio muestral del experimento aleatorio que consiste en seleccionar
aleatoriamente tres leyes del Congreso y registrar si fueron o no aprobadas.
Solucin:
En este caso el espacio muestral del experimento aleatorio es
= {(s, s, s), (n, s, s), (s, n, s), (s, s, n), (n, n, s), (n, s, n), (s, n, n), (n, n, n)}.
donde
signica que s ha sido aprobada la ley y
Ejemplo 7.3.4.
que no ha sido aprobada la ley.
Obtener el espacio muestral de cada experimento del ejemplo 7.3.1.
Solucin:
En la primera situacin el espacio muestral es el conjunto de todos los valores que se encuentren entre
1 milln y 100 millones. Esto corresponde a
= {x : 1, 000, 000 x 100, 000, 000}.

De otra parte, el espacio muestral en la segunda situacin es el conjunto de todas las identicaciones
de los artculos que se han producidos hasta el da de ayer. Esto es
= {Id1 , Id2 , . . . , Idn }

donde
Idi
es la
i-sima
identicacin en la que es posible clasicar el artculo para
i = 1, . . . , n.
7.4.
143
OPERACIONES CON EVENTOS ALEATORIOS
7.4. Operaciones con eventos aleatorios

El clculo de las probabilidades est relacionado intrnsecamente con el manejo de los eventos aleatorios. Manejar apropiadamente las operaciones entre conjuntos es de fundamental importancia para
desarrollar y aplicar el clculo de las probabilidades en los escenarios tericos y de aplicacin. En el
apndice B se presentan algunos detalles al respecto.
Denicin 7.4.1.
tral
Sean A y B dos eventos aleatorios del espacio mues. Se denomina evento interseccin de A y B , denotado con AB ,
al evento conformado por todos los puntos muestrales que pertenecen a
y a
simultneamente. Esto es:
A B = { : A
Denicin 7.4.2.
tral
Sean
Se denomina
B}.
dos eventos aleatorios del espacio mues-
evento unin
de
B,
denotado con
A B,
evento conformado por todos los puntos muestrales que pertenecen a

a
o ambos simultneamente. Esto es:
A B = { : A
Denicin 7.4.3.
. Se
A B , al
tral
Sean
denomina
B}.
dos eventos aleatorios del espacio mues-
evento diferencia
entre
B,
denotado con
conjunto conformado por todos los puntos muestrales que
pertenecen a
pero no pertenecen a
B.
Esto es:
A B = { : A
Denicin 7.4.4.
.
al
A,
El evento
Sea
B}.
/
un evento aleatorio de un espacio muestral
complemento
de
A,
denotado con
AC ,
es el conjunto
conformado por todos los puntos muestrales que no pertenecen a

decir:
AC = { : A}.
/
A.
Es
144
CAPTULO 7.
Ejemplo 7.4.1.
Se lanza un dado corriente una vez. Considerar
obtenido es un nmero impar y
como al evento el resultado
como al evento el resultado obtenido es al menos 3. Entonces, en
este caso se sigue que:
El espacio muestral y los eventos

y
son respectivamente
= {1, 2, 3, 4, 5, 6}, A = {1, 3, 5}
B = {3, 4, 5, 6}.
A y B son respectivamente AC : el resultado obtenido
C
obtenido es a lo ms 2, es decir, A
= {2, 4, 6} y
Los eventos complementarios de los eventos

es un nmero par y
: el resultado
B C = {1, 2}.
de 1, se decir,
A y B es el evento A B :
A B = {1, 3, 4, 5, 6}.
La unin de
decir,
A y B es el evento A B :
A B = {3, 5}.
La interseccin de
La diferencia entre
el resultado obtenido es un nmero impar distinto
el resultado obtenido es un nmero distinto de 2, es
A B:
es el evento
el resultado obtenido es el nmero 1, es decir,
A B = {1}.
B y A es el
B A = {4, 6}.
La diferencia entre
de 2, es decir,
Denicin 7.4.5.
muestral
evento
Sean
Si los eventos
B A:
muestral entonces se denominan
el resultado obtenido es un nmero par distinto
dos eventos aleatorios de un espacio
no tienen en comn ningn punto
mutuamente excluyentes o disjun-
tos , esto es, los eventos A y B son mutuamente excluyentes si

A B = .
Denicin 7.4.6.
un espacio muestral
Sean
A1 , A2 , . . . , An
eventos aleatorios no vacos de
Si
A1 A2 . . . An =
Si
A1 , A2 , . . . , An
entonces estos
eventos colectivamente exhaustivos .
eventos se denominan
son eventos colectivamente exhaustivos y adems
son mutuamente excluyentes dos a dos entonces estos

conforman una
particin
de
eventos
7.4.
145
Nota. Sea
un evento aleatorio de un espacio muestral

En otras palabras,
Se observa que los eventos
AC
son
A A = , y adems son colectivamente exhaustivos, puesto que

A y AC conforman una particin de .
mutuamente excluyentes, dado que
A AC = .
Un instrumento til para abordar las operaciones entre eventos aleatorios son los diagramas de Venn.
En la guras B.2 y B.3 se muestra una representacin grca de los conceptos presentados anteriormente.
Ejemplo 7.4.2.
= {1, 2, 3, 4, 5, 6} el espacio muestral asociado con el experimento del ejemplo

los eventos A = {2, 6}, B = {1, 4}, C = {3, 5} y D = {2, 3, 4, 5}. En este caso se
Sea
7.4.1. Se consideran
tiene que:
A, B y C conforman una particin de

A B = , A C = y B C = .
A, B
son colectivamente exhaustivos porque
particin de
porque
A B D = ,
A B C = ,
pero no conforman una
B D = .
A, C y D no son colectivamente
de porque A C D = .
Ejemplo 7.4.3.
porque son eventos no vacos tales que
exhaustivos y por lo tanto tampoco conforman una particin
La junta directiva de una empresa productora de alimentos quiere lanzar un nue-
vo producto en una ciudad. Para esto la empresa realiza un estudio de mercadeo en el cual se pide
establecer: Cul es la poblacin de referencia ()? Cules son los posibles consumidores del producto (A)? Si el producto fue diseado para personas entre los 11 y 30 aos, cul es la poblacin
objetivo (B )? Cul es la poblacin objetivo si se quiere que sta tenga la posibilidad de comprar el
producto (C )? Qu poblacin hay que tener en cuenta para realizar las campaas publicitarias (D )?
Con los conjuntos de individuos establecidos anteriormente, es posible obtener una particin de los
consumidores del producto?
Solucin:
Es necesario tener en cuenta que el producto se va a distribuir por toda la ciudad, luego la poblacin
de referencia es
= {Los
individuos que transitan por la ciudad}.
Sin embargo, no todos los individuos que transitan por la ciudad son consumidores potenciales del
producto, ya que los recin nacidos no pueden ingerir alimentos slidos en sus primeros meses de vida.
Por lo tanto, el conjunto que rene los posibles consumidores del producto es
A = {Los
recin nacidos que transitan por la ciudad}.
De otra parte, si el producto fue diseado para personas entre los 11 y 30 aos, como se establece una
condicin particular para la poblacin objetivo entonces se tiene que sta es igual a
B = {Las
personas que transitan por la ciudad que tienen entre 11 y 30 aos de edad}.
146
CAPTULO 7.
Ahora, teniendo en cuenta que no todos los consumidores potenciales tienen la capacidad de comprar
el producto en primera instancia, se sigue que
C = {Las
personas que tienen uso libre de capital para la adquisicin de productos alimentarios}
y en consecuencia la poblacin que se debe tener en cuenta para realizar las campaas publicitarias es
D = B C . Ahora, para establecer si los conjuntos B , C
conforman una particin de
A, basta ver
que no se cumple al menos una de las condiciones necesarias para tener una particin. Por ejemplo,
se observa que
BC =
y por lo tanto
B, C
no conforman una particin de
A.
A continuacin se presentan algunas propiedades relacionadas con las operaciones entre eventos que
son de uso comn en el clculo de probabilidades. Estas propiedades tambin se estudian con cierto
detalle en el apndice B.
Proposicin 7.4.1.
Sean
A, B
eventos aleatorios de un espacio muestral
. Entonces se cumplen
las siguientes leyes:

i.
Leyes conmutativas:
v.
Leyes de la diferencia:
a.
a.
A B = A BC .
b.
ii.
A B = B A.
A B = B A.
b.
A B = A (A B).
c.
A B = (A B) B .
Leyes asociativas:
a.
d.
A (B C) = (A B) (A C).
b.
iii.
A (B C) = (A B) C = A B C .
A (B C) = (A B) C = A B C .
e.
A (B C) = (A B) (A C).
f.
(A B) (A B) = A.
g.
(A B) (A B) = .
Leyes distributivas:
a.
b.
A (B C) = (A B) (A C).
c.
iv.
A (B C) = (A B) (A C).
(A B) C = (A C) (B C).
vi.
a.
A AC = .
b.
A AC = .
c.
A = .
d.
A = A.
e.
A = A.
f.
A = .
vii.
(A B)C = AC B C .
b.
Leyes complementarias:
a.
Leyes de De-Morgan:
(A B)C = AC B C .
Leyes de idempotencia:
a.
b.
viii.
A A = A.
A A = A.
Ley involutiva:
AC
= A.
Ejemplo 7.4.4.
Un laboratorio produce entre otros un bio-tejido para reforzar la piel del cuello,
patas y abdomen, de un conjunto particular de animales, entre los cuales se encuentran los porcinos,
7.4.
147
ovinos y los bovinos. El laboratorio quiere recoger los tejidos producidos para bovinos o porcinos pero
que sean refuerzo nicamente para el cuello. Al nal del da se entregan al laboratorio los tejidos que
refuerzan los tejidos para porcinos, ovinos y bovinos en tres bolsas diferentes. Es posible obtener los
productos que quiere el laboratorio de estas tres bolsas? De ser posible, cmo se obtendran?
Solucin:
Lo que busca el laboratorio es un conjunto de tejidos proveniente de la operacin
donde
A (B C),
B y C son
es el lugar de refuerzo del bio-tejido que corresponde al cuello, mientras que
respectivamente los tejidos que corresponden a los bovinos y a los porcinos. Por lo tanto, teniendo en
cuenta la disposicin de los tejidos de las tres bolsas, para obtener los tejidos especcos que necesita
el laboratorio de las tres bolsas, se debe realizar la operacin
Ejemplo 7.4.5.
C
(A B) (A C).
Con la informacin del ejemplo 7.4.2, vericar que
(A B) = A B
(A B)C = AC B C
y que
Solucin:
A B = {1, 2, 4, 6} y en consecuencia (A B)C = {3, 5}. Como
A = {1, 3, 4, 5} y B = {2, 3, 5, 6} entonces AC B C = {3, 5}, lo que comprueba la primera
C
C
igualdad. De otra parte, se tiene que A B = y por lo tanto (A B) = . Como A = {1, 3, 4, 5}
C
C
C
y B
= {2, 3, 5, 6} entonces A B = , lo que vericada la segunda igualdad.
En el primer caso, se observa que
Proposicin 7.4.2.
.
Sean
A1 , A2 , . . . , An , A
eventos aleatorios no vacos de un espacio muestral
Entonces, se satisfacen las siguientes propiedades:
i. Los eventos
AB
ii. Si los eventos
B, . . . , An B
AC B
A1 , A2 , . . . , An
B.
entonces los eventos
A1 B, A2
B.
Ejemplo 7.4.6.
Considerar el espacio muestral del ejemplo 7.4.2. Se observa que:
Sean los eventos
AC B = {4, 6}
A = {1, 3, 5}
B = {3, 4, 5, 6}.
B.
Entonces, los eventos
A B = {3, 5}
A1 = {1, 3}, A2 = {2, 4, 6}, A3 = {5} y B = {3, 4, 5, 6}. Los eventos A1 , A2 y

A3 conforman una particin de . Ahora, se tiene que los eventos A1 B = {3}, A2 B = {4, 6}
y A3 B = {5} conforman una particin de B .
Sean los eventos
148
CAPTULO 7.
7.5. Asignacin de probabilidades

Antes de sealar cmo se utilizan las probabilidades, es necesario conocer de donde provienen y cmo
se calculan. A continuacin se presentan tres formas de calcular o estimar la probabilidad de un evento,
a saber, mediante los siguientes mtodos: frecuentista, clsico y subjetivo. Estos mtodos no son de
ninguna forma una denicin de probabilidad, son apenas algunas formas de asignar probabilidades.
Denicin 7.5.1.
tada con
P(A),
La
probabilidad
de un evento aleatorio
A,
deno-
es una medida de la incertidumbre relacionada con la
posibilidad de la ocurrencia del evento
A.
La denicin axiomtica de probabilidad est fuera de los intereses de este libro.
7.5.1. Mtodo frecuentista

Este mtodo se basa en el concepto de frecuencia relativa (detalles en la seccin 2.2) asociada con
la ocurrencia de un evento cuando se repite un experimento aleatorio un gran nmero de veces. Este
mtodo se utiliza cuando los eventos se observan empricamente, estimando la probabilidad de que
un evento particular ocurra por medio la frecuencia relativa constituida con base en la informacin
histrica.
Denicin 7.5.2.
Se supone que un experimento aleatorio se repite
veces y que un evento
asociado con estos experimentos ocurre exac-
k veces. Entonces, la frecuencia relativa de A, denotada con

fn (A), se dene como la proporcin entre la cantidad de veces que ocurre
el evento A y el nmero total de repeticiones del experimento aleatorio.
tamente
Esto es:
fn (A) =
k
.
n
Nota. Si se calcula esta frecuencia relativa cada cierto nmero de ensayos, a medida que aumenta el
nmero de repeticiones del experimento aleatorio, las frecuencias relativas correspondientes son ms
estables, es decir, tienden a ser casi las mismas. En este caso, se dice que el experimento muestra
regularidad estadstica
(estabilidad en las frecuencias relativas).
La mayora de los experimentos aleatorios de importancia prctica tienen regularidad. Por esto es
posible establecer que la frecuencia relativa de un evento
correspondiente a un gran nmero de
7.5.
149
ASIGNACIN DE PROBABILIDADES
repeticiones de un experimento aleatorio es aproximadamente igual a la probabilidad del evento
A,
es
decir
P(A) = l fn (A).
m
n
Denicin 7.5.3.
torio. La
Sea
un evento asociado con un experimento alea-
probabilidad emprica
es igual a la frecuencia relativa de
al efectuar el experimento tantas veces como sea posible.
Nota. Cuando se usa la denicin emprica de probabilidad, es importante tener en cuenta los siguientes aspectos:
La probabilidad obtenida de esta manera es nicamente una estimacin del valor real.
Cuanto mayor sea el nmero de experimentos, tanto mejor ser la estimacin de la probabilidad.
La validez de esta estimacin depende de que las condiciones en que se realiza el experimento
sean idnticas.
Ejemplo 7.5.1.
a. Una mquina produce 100 tubos de ensayo cada 5 minutos. Esta mquina empieza su funcionamiento a las 8:00 a.m. y termina a las 8:00 p.m., hora en la que se toma una muestra de tamao
del lote y se revisa el nmero de tubos de ensayo defectuosos. Si el nmero de tubos defectuosos
es mayor que una cantidad predeterminada por el departamento de control de calidad entonces
la produccin del da se puede distribuir, de otra manera no es posible. Teniendo en cuenta que
no hay cambios en el programa de produccin de un da a otro: Cual es la probabilidad de que
la produccin de un da no se pueda distribuir? Es correcto estimar la probabilidad mediante la
frecuencia relativa?
b. Un complejo de ocinas se jacta de tener uno de los mejores controles de seguridad. Se quiere
corroborar lo anterior estimando la probabilidad de que una persona que no trabaje en la ocina
pueda pasar sin tener que anunciarse en recepcin. Cmo se calcula esta probabilidad? Es correcto
estimar la probabilidad mediante la frecuencia relativa?
Solucin:
En la situacin a. si se toman los registros de produccin durante cierto nmero de das entonces se
puede calcular la probabilidad de que la produccin de un da no se pueda distribuir mediante:
No. de das en los que la produccin no se pudo distribuir
No. de das en los que se tomaron los registros
Adems, es correcto estimar esta probabilidad mediante el mtodo frecuentista porque se considera
que no hay cambios en el programa de produccin de un da a otro.
150
CAPTULO 7.
En la situacin b. si se toman los registros de seguridad de un periodo determinado de tiempo entonces

se puede calcular la probabilidad de que una persona que no trabaje en la ocina pueda pasar sin
tener que anunciarse en recepcin como sigue:
No. de personas que ingresaron al complejo sin tener que anunciarse y que no trabajan all
No. de personas que entraron al complejo sin trabajar en l
En este caso, es correcto calcular esta probabilidad por medio de la frecuencia relativa siempre y
cuando las condiciones de seguridad no varen drsticamente de un da a otro.
7.5.2. Mtodo clsico

Es posible identicar diversos casos en los que se asocie la misma probabilidad a cada evento elemental
experimentos laplacianos o clsicos , donde se tienen nitos resultados que suceden con la misma probabilidad (eventos elementales
de un experimento aleatorio. En tales escenarios, se habla de
equiprobables). Los juegos de azar hacen parte de este tipo de experimentos.
Denicin 7.5.4.
= un espacio muestral nito asociado con un

A un evento aleatorio incluido en . Se dene la
probabilidad clsica de A, denotada con P(A), como el cociente entre
el nmero de puntos muestrales de A y el nmero de puntos muestrales
de . Esto es:
#A
P(A) =
#
Sea
experimento laplaciano y
donde
es el nmero de elementos de un conjunto dado.
Nota. Es importante recalcar que este mtodo para calcular probabilidades es til siempre y cuando
todos los puntos muestrales sean equiprobables, de lo contrario, las probabilidades obtenidas no son
conables. En este caso no se realiza ninguna aproximacin de la probabilidad, ya que en este caso se
emplea toda la informacin del espacio muestral.
Ejemplo 7.5.2.
Un joven se vio obligado a cambiar de pas por lo cual est buscando un colegio
en el cual pueda continuar con sus estudios, sin embargo el nico criterio que tiene en cuenta para
seleccionar la institucin educativa es que la proporcin de mujeres sea por lo menos del 70 %. Este
joven realiz un pequeo clculo de probabilidades para determinar la repuesta de sus padres frente
a su propuesta: si las posibles respuestas de los padres son s y no (el espacio muestral -pensaba
el joven-) entonces la probabilidad de que aceptaran la propuesta empleando el mtodo de asignacin
clsico de probabilidades es
1/2.
Para aumentar sus posibilidades el joven dio a sus padres varias
propuestas de colegios. La respuesta de los padres del joven fue negativa para cada una de ellas.
Discutir el motivo por el cual el joven no pudo obtener al menos un s de sus padres para alguno de
los colegios que propuso.
Solucin:
7.5.
151
ASIGNACIN DE PROBABILIDADES
Lo primero que se debe tener en cuenta es que el joven no tom en cuenta los criterios que tenan
sus padres frente al tipo de colegio al cual queran que su hijo ingresara. Ellos estaban considerando
que su hijo se distraera tanto con sus compaeras que decidieron que cualquier colegio que no fuera
masculino no sera la primera ni la segunda opcin. Es decir, los eventos simples en este caso no eran
equiprobables.
Ejemplo 7.5.3.
Un laboratorio obtiene muestras de sangre de sus pacientes para realizar una variedad
de pruebas, dentro de las cuales se encuentra una que emplea el conteo de clulas CD4. El laboratorio
quiere determinar la probabilidad de que al seleccionar una clula de la muestra corresponda a una
tipo CD4. Cmo se calcula esta probabilidad mediante el mtodo clsico? Asumir que el mtodo de
seleccin de la clula no marca la diferencia.
Solucin:
En este caso primero se dene el espacio muestral, que corresponde a cada una de las clulas que se
encuentran dentro de la muestra de sangre (no los tipos de clula). Luego, la probabilidad deseada
viene dada por:
No. de clulas tipo CD4 en la muestra de sangre
No. de clulas en la muestra de sangre
Se observa que este mtodo sugiere que todas las clulas en la muestra tienen la misma posibilidad de
ser escogidas.
7.5.3. Mtodo subjetivo

Existen algunos eventos cuyas probabilidades no se deben calcular por medio del mtodo frecuentista
o clsico, sino que se estiman mediante el grado de credibilidad basndose en experiencias pasadas.
Aquel mecanismo que permite asignar probabilidades de esta forma se denomina mtodo subjetivo.
Denicin 7.5.5.
La
probabilidad subjetiva se dene como la proba-
bilidad que expresa un grado de creencia individual sobre la posibilidad

de que un evento ocurra.
Nota. La probabilidad subjetiva no depende del tratamiento matemtico ni de la nocin de experimentos repetibles. La magnitud de la probabilidad que una persona asigna subjetivamente a un evento
depende del grado de crdito que esa persona le d a la ocurrencia del evento. Esa es la razn por la
que es posible asignarle probabilidades a eventos que solo se presentan una vez, como por ejemplo,
el evento de ganar una determinada competencia atltica. A diferencia del mtodo frecuentista, la
probabilidad subjetiva no depende de la repeticin de un experimento.
Ejemplo 7.5.4.
Un par de amigos que siempre se han cubierto la espalda cuando sus novias no
saban donde andaban, se vieron perjudicados por el conocimiento subjetivo de la probabilidad de que
su amigo les cubriera la espalda aun cuando no alcanzara a avisarle, que estimaban como del 100 %.
152
CAPTULO 7.
La novia de uno de ellos, sospechando del apoyo mutuo que tenan decidi llamar al amigo de su novio
a preguntarle si saba en donde se encontraba y con quin; el amigo respondi que se encontraba con
l, lo cual conrm la sospecha que ya tena la novia porque tena a su novio muy callado al lado de
ella. Comentar cmo se involucr la asignacin subjetiva de probabilidades en la situacin anterior.
Solucin:
Slo hay que notar que para este par de amigos esta clase de situaciones eran muy comunes, por
lo que cuando alguna de estas situaciones ocurra (novia llamando a preguntar por su novio) ellos
asuman con probabilidad
que se trataba de una situacin real, en la que su amigo necesitaba que
lo cubrieran. Luego, el mtodo subjetivo se ve reejado en el grado de credibilidad que los amigos le
dan a una situacin basados en lo que han hecho en el pasado, esto es, su experiencia cubrindose la
espalda.
7.6. Propiedades de la probabilidad

Cuando se trabaja con probabilidades, sin importar cual sea la forma en que se asignen, siempre se
deben satisfacer las condiciones que se presentan a continuacin, pues a n de cuentas son ellas las
que denen propiamente una medida de probabilidad.
Denicin 7.6.1.
un espacio muestral no vaco y A1 , A2 , . . . even. Se dice que P()

probabilidad sobre si se satisfacen las siguientes
Sea
tos aleatorios mutuamente excluyentes incluidos en

es una
medida de
propiedades:
i.
P(A) 0
ii.
P() = 1.
iii.
para cualquier evento aleatorio
incluido en
P(A1 A2 . . .) = P(A1 ) + P(A2 ) + . . ..
Nota. La parte iii. de la denicin 7.6.1 se puede escribir como
i=1
donde
A1 , A2 , . . .
Ai
P(Ai )
i=1
eventos aleatorios mutuamente excluyentes.
La proposicin que se presenta a continuacin resume las propiedades ms importantes de una medida
de probabilidad que son de uso frecuente en el clculo de probabilidades:
Proposicin 7.6.1.
P(.)
Sea
un espacio muestral no vaco,
una medida de probabilidad sobre
eventos aleatorios incluidos en
Entonces se satisface que:
7.6.
i.
P() = 0.
ii. Si
iii.
153
PROPIEDADES DE LA PROBABILIDAD
AB =
entonces
P(A B) = P(A) + P(B).
P(A) = P(A B) + P A B C
iv. Si
A1 , A2 . . . , An son eventos mutuamente

n
n
P ( i=1 Ai ) = i=1 P(Ai ).
excluyentes dos a dos (Ai
Aj =
para todo
i = j)
entonces
v.
vi.
P AC = 1 P(A).
P(A B) = P(A) P(A B).
vii. Si
AB
entonces
P(A) P(B)
P(B A) = P(B) P(A).
Demostracin:
i.
ii.
P() = P( . . .) = P() + P() + P() + . . .=1.
Como
P() 0
entonces
P() = 0.
P(A B) = P(A B . . .) = P(A) + P(B) + P() + P() + . . . = P(A) + P(B).
iii.
P(A) = P(A ) = P A B B C
iv.
P(A1 A2 . . . An ) = P(A1 A2 . . . An . . .) = P(A1 ) + P(A2 ) + . . . + P(An ) +

P() + P() + . . . = P(A1 ) + P(A2 ) + . . . + P(An ).
v.
vi.
vii.
P() = P A AC = P(A) + P AC = 1.
i.
ii.
En consecuencia
= P(A B) + P A B C
P AC = 1 P(A).
P(A) = P((A B) (A B)) = P(A B) + P(A B). Como P(A) = P(A B) + P(A B) entonces
P(A B) = P(A) P(A B).
P(B) = P(B ) = P B A AC = P (B A) B AC = P(B A) + P B AC
Como P(B) = P(A) + P(B A) entonces P(A) P(B) y P(B A) = P(B) P(A).
Proposicin 7.6.2.
.
= P (A B) A B C
Sea
un espacio muestral no vaco y
A, B
Entonces se satisface que:
P(A B) = P(A) + P(B) P(A B).

P(A B C) = P(A) + P(B) + P(C) P(A B) P(A C) P(B C) + P(A B C).
Demostracin:
154
CAPTULO 7.
i.
P(A B) = P ((A B) (A B) (B A))

= P(A B) + P(A B) + P(B A)
= P(A B) + P(A B) + P(B A) + P(A B) P(A B)
= (P(A B) + P(A B)) + (P(B A) + P(A B)) P(A B)
= P((A B) (A B)) + P((B A) P(A B)) P(A B)
= P(A) + P(B) P(A B).
ii.
P(A B C) = P((A B) C)
= P(A B) + P(C) P((A B) C)
= P(A) + P(B) P(A B) + P(C) P((A C) (B C))
= P(A) + P(B) + P(C) P(A B)
[P(A C) + P(B C) P((A C) (B C))]
= P(A) + P(B) + P(C) P(A B) P(A C) P(B C) + P(A B C).
Ejemplo 7.6.1.
Sean A, B y C eventos tales que P(A) = 0.50, P(B) = 0.26, P(C) = 0.55, P(A B) =
0.61, P(A C) = 0.25, P(B C) = 0.15 y P(A B C) = 0.05. Con base en esta informacin, calcular
C
C
las siguientes probabilidades: P(A B), P A C
, P A C y P(A B C).
Solucin:
Aplicando la proposicin 7.6.2 se obtiene que
P(A B) = P(A) + P(B) P(A B) = 0.50 + 0.26 0.15 = 0.61.

Empleando la proposicin 7.6.1 se sigue que
P(A) = P(A C) + P A C C
de donde
P A C C = P(A) P(A C) = 0.50 0.25 = 0.25.

Por otra parte, utilizando las leyes de Morgan se concluye que
P AC C = 1 P
AC C
= 1 P A C C = 1 0.25 = 0.75.
Por ltimo, aplicando nuevamente la proposicin 7.6.2 se tiene que
P(A B C) = 0.50 + 0.26 + 0.55 0.15 0.25 0.15 + 0.05 = 0.81.

Estas probabilidades se pueden recticar con el diagrama de Venn que se ilustra en la gura 7.1.
7.7.
155
MTODOS DE CONTEO
Figura 7.1: Diagrama de Venn del ejemplo 7.6.1.
7.7. Mtodos de Conteo

A pesar de la complejidad de muchos procedimientos avanzados, proporcionados por la tecnologa
moderna, el simple proceso de contar resultados de un experimento aleatorio contina jugando un
papel importante en problemas prcticos de la vida cotidiana. En algunas circunstancias la tarea no
resulta tarea fcil si no se desarrollan tcnicas especiales de conteo. Debido a que, frecuentemente,
es necesario determinar cantidades como estas para poder calcular probabilidades, entonces, se hace
obligatorio estudiar algunas tcnicas.
7.7.1. Enumeracin
La primera regla se basa en tratar de
enumerar
todos los elementos de un espacio muestral y luego
contar los elementos pertenecientes a un evento de inters. Esta tcnica es adecuada cuando el nmero
de resultados posibles no es muy grande.
La forma en que pueden resultar todos los elementos de un espacio muestral depende de si se consideran
o no el
orden y el reemplazamiento entre las competentes que conforman los puntos muestrales. A
continuacin se presentan algunos ejemplos para ilustrar estas caractersticas.
Ejemplo 7.7.1.
(Seleccin con reemplazo y con orden) Una empresa tiene cuatro propuestas de
inversin en la Bolsa de Valores aviacin (A), ganado (G), redes sociales (R) y nutricin (N ) y
quiere entregar un par de estas propuestas a cada asociado. Se debe tener en cuenta que existe la
posibilidad de entregar una misma propuesta varias veces y que la forma de ejecutar las propuestas
es en serie una tras otra, esto es, primero se debe ejecutar una propuesta y una vez terminada la
siguiente. La empresa quiere determinar cuntos asociados necesita para analizar todas las posibles
alternativas de inversin.
156
CAPTULO 7.
Solucin:
Se quiere determinar cuntas son las distintas maneras de seleccionar las dos propuestas teniendo en
cuenta que cada asociado tendr a su cargo el anlisis de solo un par de estas propuestas. En este
caso la seleccin de las propuestas se hace con reemplazo y con orden, ya que se puede examinar una
misma propuesta varias veces y el anlisis de un par de propuestas diferentes vara dependiendo de
cual se ejecute primero. Como la seleccin es con reemplazo, entonces, se selecciona una propuesta y
se vuelve a introducir en el folder de posibilidades antes de seleccionar la segunda. Por lo tanto, el
espacio muestral es:
= {(A, A), (A, V ), (A, R), (A, N ), (V, V ), (V, A), (V, R), (V, N ),
(R, R), (R, A), (R, V ), (R, N ), (N, N ), (N, A), (N, R), (N, V )}.
Por lo tanto, se necesitan
Ejemplo 7.7.2.
16
asociados para analizar todas las posibles alternativas de inversin.
(Seleccin con reemplazo y sin orden) Si en el ejemplo 7.7.1 el orden en el que se
ejecutan las propuestas no marca la diferencia, cuntos asociados son necesarios para analizar todas
las posibles alternativas de inversin?
Solucin:
Esta situacin solo diere de la anterior en cuanto a que ahora evaluar el par las propuestas
{V ; A}
{A; V }
es equivalente. Por tanto el espacio muestral correspondiente se ve reducido a:
= {{A, A}, {A, V }, {A, R}, {A, N }, {V, V }, {V, R}, {V, N }, {R, R}, {R, N }, {N, N }}.
En consecuencia, si el orden en el que se ejecutan las propuestas no marca la diferencia entonces se
necesitan
10
asociados para analizar todas las posibles alternativas de inversin.
Ejemplo 7.7.3.
(Seleccin sin reemplazo y con orden) Un grupo de congresistas necesita aprobar
cuatro proyectos de ley denotados con
P1 , P2 , P3
P4 .
En un da los congresistas pueden votar dos
proyectos, pero saben que dependiendo de cules sean y el orden en el que se presenten, tienen una
mayor o menor posibilidad de que sean aprobados. A este grupo de congresistas les interesa saber de
cuntas formas se pueden presentar los dos proyectos de ley en un da y cules son las posibilidades.
Solucin:
En esta situacin el orden s es importante dado que el primer proyecto en evaluarse puede interferir
con la aprobacin del segundo, pero el reemplazamiento no tiene lugar porque una vez un proyecto
sea votado no tiene sentido volverlo a votar el mismo da, as que el espacio muestral est dado por:
= {(P1 , P2 ), (P1 , P3 ), (P1 , P4 ), (P2 , P1 ), (P2 , P3 ), (P2 , P4 ),

(P3 , P1 ), (P3 , P2 ), (P3 , P4 ), (P4 , P1 ), (P4 , P2 ), (P4 , P3 )}.
Luego, hay
12
posibilidades para presentar los proyectos de ley.
7.7.
157
MTODOS DE CONTEO
Ejemplo 7.7.4.
(Seleccin sin reemplazo y sin orden) Si en el ejemplo 7.7.3 el orden en el que se
votan los proyectos de ley en realidad no interere con la evaluacin de los mismos, de cuntas formas
se pueden presentar los dos proyectos de ley en un da?
Solucin:
En comparacin con el caso anterior, aqu se deja de tener en cuenta el orden en el que se presenten
las propuestas, por lo que las posibles parejas de proyectos de ley son:
= {{P 1, P 2}, {P 1, P 3}, {P 1, P 4}, {P 2, P 3}, {P 2, P 4}, {P 3, P 4}}.

Por consiguiente, si el orden en el que se votan los proyectos no interere con la evaluacin de los
mismos entonces solo hay
posibilidades para presentar proyectos de ley.
7.7.2. Diagramas de rbol

Cuando el nmero de posibles formas de ejecutar un proceso no es muy grande, se recomienda utilizar
una representacin grca conocida como
diagrama de rbol para evidenciar todas las posibilidades
asociadas. Un diagrama de rbol consta de una serie de ramas que corresponden a cada una de las
formas en que se puede realizar las operaciones de un proceso determinado.
Ejemplo 7.7.5.
La unidad administrativa de una empresa tiene dos instancias de clasicacin de
documentos que al parecer le estn generando retrasos ya que alguna de las instancias es ms eciente
que la otra. La empresa ha decidido determinar donde est el problema y para ello quiere listar todas
las variantes del proceso de clasicacin. En la primera etapa los documentos llegan a la ocina y se
clasican en tres temas (bancarrota, fusiones y pleitos). Una vez clasicados por tema se envan a
las dependencias correspondientes donde se vuelven a clasicar pero esta vez por valor (alto, medio y
bajo). De cuntas formas distintas puede procesar un documento esta unidad administrativa?
Solucin:
El diagrama de rbol correspondiente a esta situacin se presenta en la gura 7.2. Como se observa en
este diagrama, las diferentes posibilidades se pueden enumerar teniendo en cuenta las ltimas ramas
del grco. Se nota que hay en total nueve maneras diferentes de procesar los documentos.
7.7.3. Teorema fundamental del conteo

El
teorema fundamental del conteo asegura que si una coleccin de k experimentos pueden ocurrir
de
n1 , n2 , . . . , nk
maneras distintas, entonces el nmero de posibles resultados de los
realizados en el orden indicado es
k
i=1
ni = n1 n2 . . . nk .
experimentos
158
CAPTULO 7.
Bajo
Pleitos
Medio
Alto
Bajo
Fusiones
Medio
Alto
Bajo
Bancarrota
Medio
Alto
Figura 7.2: Ejemplo de un diagrama de rbol.
Ejemplo 7.7.6.
Una empresa de modistera est a punto de sacar al mercado su nueva coleccin:
Siempre perfecta, siempre distinta. La idea caracterstica de esta coleccin es que cualquier empresaria
que se encuentre corta de tiempo pueda escoger cualquier prenda blusa, falda, zapatos, bolso y
paoleta de su vestier sin tener que pensar en que las prendas combinen, ya que todas las prendas de
la coleccin combinan entre s. Esta empresa est interesada en saber si con tres modelos de blusas,
dos modelos de faldas, cuatro modelos de zapatos, tres modelos de bolso y un solo modelo de paoleta,
es posible obtener ms de 100 conjuntos.
Solucin:
Como la seleccin de cada tipo de prenda es un experimento entonces se pueden obtener
3 2 4 3 1 = 72
posibles conjuntos y por consiguiente no es posible obtener ms de 100 conjuntos como quera la
empresa.
Ejemplo 7.7.7.
Un dado corriente se lanza dos veces. Determinar el nmero de formas en que se
pueden obtener los posibles resultados en los dos lanzamientos.
7.7.
159
MTODOS DE CONTEO
Solucin:
Como los dos lanzamientos no estn relacionados de forma alguna cuando se ejecutan y como el
dado puede caer de seis formas distintas, entonces el nmero total de posibles resultados en los dos
lanzamientos es
Ejemplo 7.7.8.
6 6 = 36.
Considerar el ejemplo 7.7.5 donde se clasican los documentos que arriban a la unidad
administrativa de una empresa. Calcular nuevamente el nmero de formas en la que un documento

puede ser procesado, teniendo en cuenta que tambin hay una instancia en la que el proceso puede
terminar de cuatro formas posibles: victoria, conciliacin, derrota y suspendido.
Solucin:
Los experimentos que se consideran corresponden a las tres etapas del proceso de clasicacin de los
documentos, que pueden ocurrir respectivamente de 3, 3 y 4 formas diferentes. Entonces el nmero
total de formas en las que se puede procesar un documento es
Ejemplo 7.7.9.
3 3 4 = 36.
Una fbrica de zapatos se caracteriza por la variedad de productos que tiene. Esto se
debe principalmente a que al disear una nueva forma para sus zapatos siempre se obtienen al menos
30 variantes respecto al diseo nal aunque todos tengan la misma forma. Uno de los directores se
pregunta si an con dos mquinas en reparacin se pueden cumplir con el mnimo de 30 variantes
por diseo. Las mquinas con las que se dispone para trabajar en serie son: pintura con 7 variantes,
supercie con 2 variantes, guras 1 variante y accesorios con 2 variantes. Qu respuesta se le dara
al director respecto al mnimo de variantes que se debe cumplir?
Solucin:
Teniendo en cuenta que cada uno de los objetivos de las mquinas son los experimentos de inters, se
sigue que los posibles resultados de las respectivas variantes son 7, 2, 1 y 2. Por ende, la cantidad de
variantes por diseo que se pueden obtener en el producto nal es
7 2 1 2 = 28,
cifra que no
cubre la cantidad mnima de variantes deseada.
7.7.4. Principio de la adicin

El
principio de la adicin
A1 , A2 , . . . , Ak son mutuamente
k
n1 , n2 , . . . , nk formas diferentes, entonces, el evento i=1 Ai = A1
k
i=1 ni = n1 + n2 + . . . + nk maneras distintas.
asegura que si los eventos aleatorios
excluyentes y si stos ocurren de
A2 . . . Ak
ocurre de
Ejemplo 7.7.10.
En el lanzamiento de dos dados corrientes, cuntos resultados corresponden a
lanzamientos donde la suma de los nmeros obtenidos es siete u ocho?
Solucin:
Sean
A1
A2
los eventos la suma de los nmeros obtenidos es siete y la suma de los nmeros
160
CAPTULO 7.
obtenidos es ocho respectivamente. En esta situacin se tiene que
A1
A2
ocurren de 6 y 5 formas
distintas respectivamente dado que
A1 = {(1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1)}
Como
A1
A2
A2 = {(2, 6), (3, 5), (4, 4), (5, 3), (6, 2)}.
A1 A2 que corresponde
6 + 5 = 11 maneras distintas.
son mutuamente excluyentes entonces el evento
de los nmeros obtenidos es siete u ocho puede ocurrir de
Ejemplo 7.7.11.
a la suma
Se considera el experimento que consiste en lanzar una moneda corriente al aire
tres veces. De cuntas formas se pueden obtener una, dos o tres caras?
Solucin:
Sean
A1 , A2
A2
los eventos se obtiene una cara en los tres lanzamientos, se obtienen dos caras
en los tres lanzamientos y se obtienen tres caras en los tres lanzamientos respectivamente. En esta
situacin se tiene que
A1 , A2
A3
ocurren de 3, 3 y 1 formas posibles respectivamente dado que
A = {(c, s, s), (s, c, s), (s, s, c)}, B = {(s, c, c), (c, s, c), (c, c, s)}
donde
c y s denotan cara
D = {(c, c, c)}
A1 , A2 y A3 son mutuamente excluyentes

A1 A2 A3 que corresponde a se obtienen una, dos o tres caras en los
ocurrir de 3 + 3 + 1 = 7 maneras diferentes.
y sello respectivamente. Como
dos a dos entonces el evento

tres lanzamientos puede
7.7.5. Permutaciones
Como se ha mencionado anteriormente, la cantidad de posibilidades en que un experimento o proceso
puede resultar se ve afectada por el orden en que se listen las componentes de los puntos muestrales.
Denicin 7.7.1.
Una
permutacin
es un arreglo ordenado de una
cantidad nita de objetos distintos.
Nota. Es importante tener en cuenta que toda permutacin se puede identicar como una muestra
seleccionada con o sin reemplazo, pero siempre teniendo en cuenta el
orden
de los elementos que la
componen.
Ejemplo 7.7.12.
Un experimento donde prima el orden en el que se ejecutan los procesos que lo
componen es aquel que se realiza cuando una persona se viste. All se evidencia claramente la diferencia
en el resultado del experimento cuando se cambia el orden de ejecucin de los procesos, ya que no es
lo mismo ponerse primero la ropa interior y luego los pantalones, a ponerse primero los pantalones y
luego la ropa interior, por ejemplo.
Ejemplo 7.7.13.
El arreglo
(a, c)
es un ejemplo de una permutacin de las letras
a, b, c
d,
pero
tomando solamente dos de ellas a la vez. Hay un total de 12 permutaciones de estas cuatro letras
tomndolas de 2 en 2. Estas permutaciones son
(c, d), (d, a), (d, b)
(d, c).
(a, b), (a, c), (a, d), (b, a), (b, c), (b, d), (c, a), (c, b),
7.7.
161
MTODOS DE CONTEO
El nmero total de permutaciones de un conjunto de objetos se puede calcular a travs del teorema
fundamental del conteo. Pero para algunas situaciones especiales hay frmulas que permiten calcular
la cantidad de permutaciones sin tener que aplicar directamente este teorema.
Permutaciones de n objetos distintos sin repeticin tomados todos a la vez

n elementos distintos sin repeticin tomados todos a
n (detalles en la seccin A.4). Esta frmula se deriva
del teorema fundamental del conteo como sigue: el primer elemento se puede seleccionar de n formas,
en seguida, el segundo elemento se puede seleccionar de n 1 formas dado que el primer elemento ya
El nmero de permutaciones de un conjunto de

la vez es igual a
n!
donde
denota el factorial de
ha sido seleccionado, y as sucesivamente hasta llegar al ltimo elemento que solo se puede seleccionar
de una forma porque ya han sido seleccionados los
Ejemplo 7.7.14.
n1
objetos precedentes.
Un joven prepara caf con leche todas las maanas llenando el 80 % de la tasa con
caf, el 18 % con leche y el 2 % restante con azcar. Si el muchacho en una de sus parrandas acaba
con el suministro de alcohol del lugar, a la maana siguiente o cuando se logre levantar intenta
hacer un caf con leche. Teniendo en cuenta su estado, de cuntas formas puede prepararse el caf
utilizando cada ingrediente una sola vez y manteniendo constantes los porcentajes de preparacin?
Cul es la probabilidad de que se prepare el caf con leche como de costumbre asumiendo que todos
los ingredientes se utilizan una sola vez y que tienen la misma posibilidad de ser seleccionados?
Solucin:
Como solo hay tres ingredientes entonces el nmero de formas diferentes en las que se puede preparar el caf con leche manteniendo la proporcin de los ingredientes es
3! = 6 y por
0.16667.
consiguiente la
probabilidad de que se prepare el caf con leche como de costumbre es de
Ejemplo 7.7.15.
Se le pide a un consumidor que ordene, por orden de preferencia, el sabor de cinco
cosechas de vino. Si al consumidor le es indiferente cualquiera de estas cinco cosechas entonces el

nmero de arreglos diferentes que resultan es
5! = 120.
Permutaciones de n objetos distintos sin repeticin tomados de k en

elementos distintos sin repeticin tomados de
en
es igual a
n!
(n k)!
k n. Cuando
n
Pk =
donde
es un nmero entero positivo tal que
se observa la similitud entre este caso
y el anterior, se hace evidente que esta frmula se deriva fcilmente de la anterior ya que no se estn
teniendo en cuenta las posibilidades que generan los elementos que no son seleccionados.
Ejemplo 7.7.16.
d,
Siguiendo con el ejemplo 7.7.13, el nmero de permutaciones de las letras
tomadas de dos en dos, es igual a
4
P2 =
4!
(42)!
= 12.
a, b, c
162
CAPTULO 7.
Ejemplo 7.7.17.
Cuntos nmeros de tres cifras sin repetir dgitos se pueden formar con los nmeros
2, 4, 5, 7 y 8?
Solucin:
Como interesan los nmeros de tres cifras sin repetir dgitos formados con los nmeros 2, 4, 5, 7 y 8,
entonces se pueden obtener
Ejemplo 7.7.18.
5
P3 =
5!
(53)!
= 60
nmeros diferentes.
Una seccin de maquinaria determinada que consta de cuatro piezas puede ser
ensamblada poniendo las competentes en cualquier orden. Se quiere estudiar el tiempo de armado
para esta seccin de maquinaria midiendo el tiempo que requiere cada una de las acomodaciones
resultantes al tomar las piezas en distinto orden. Cuntas de estas mediciones habr que hacer?
Solucin:
Como hay cuatro piezas diferentes y se requiere el armado de todas ellas, entonces el nmero total de
mediciones es
4
P4 =
4!
(44)!
= 24.
Permutaciones de n objetos distintos con repeticin tomados de k en
n elementos distintos con repeticin tomados de k en k

k es un nmero entero positivo. La cantidad de permutaciones de este tipo tambin

es igual a
nk
donde
se deduce por medio del principio fundamental del conteo. Como la primera seleccin se puede realizar
n maneras distintas y el experimento se realiza con reemplazamiento (el elemento elegido se devuelve
n elementos.
Continuando de esta manera hasta la k -sima extraccin se obtiene la frmula correspondiente.
de
al saco de posibilidades), entonces la segunda seleccin se vuelve a realizar considerando

y
Ejemplo 7.7.19.
Una rma consultora cobra
700 USD por cada caso que atiende. Esta empresa suele
adquirir siete casos por temporada. Una vez se tienen los siete casos, la compaa examina todas las
posibles permutaciones de cuatro casos con repeticin para revisarlas cuantas veces sea necesario y as
determinar cual de todas ellas es la ms rentable. Recientemente ha llegado una cantidad nunca antes
vista de consultas, 11 en total, y emplearon el personal de costumbre para estudiar las permutaciones
de cuatro casos. En la tarde, el grupo encargado de inspeccionar las permutaciones se quej diciendo
que ellos no tenan la capacidad para realizar el trabajo con la misma cantidad de miembros y en los
lapsos de tiempo en que deben entregar sus resultados. Se justica la posicin de los trabajadores?
Solucin:
Lo primero que se debe tener en cuenta es que usualmente los trabajadores estn a acostumbrados
74 = 2, 401 posibilidades de casos, pero con los 11 asesoras los empleados deben estudiar
11 = 14, 641 posibilidades, que corresponde aproximadamente a seis veces ms de lo que estn
a analizar
acostumbrados a analizar, luego, a pesar de que la diferencia entre 7 y 11 no es muy grande, s lo es

la diferencia en el trabajo que esto representa, por lo cual los trabajadores s tienen razn en hacer la
queja.
7.7.
163
MTODOS DE CONTEO
Ejemplo 7.7.20.
Cuntos nmeros de dos cifras se pueden formar usando los dgitos 2, 3 y 5 si se
permiten dgitos repetidos?
Solucin:
Como hay tres elementos disponibles para formar los nmeros de dos cifras y adems se permite la
repeticin de dgitos, entonces se tienen
32 = 9
posibilidades, a saber, 55, 52, 53, 25, 22, 23, 35, 32 y
33.
Ejemplo 7.7.21.
De cuntas formas es posible contestar un examen con diez preguntas de seleccin
mltiple donde cada pregunta tiene cuatro alternativas de respuesta?
Solucin:
Como se tienen cuatro opciones de respuesta para cada una de las diez preguntas, se sigue que hay
410 = 1, 048, 576
formas de responder el examen.
Ejemplo 7.7.22.
Un ladrn quiere abrir una caja fuerte. Observa que para abrirla debe manipular
un dispositivo de seguridad formado por cinco anillos que estn marcados con los dgitos 1, 2, 3, 4
y 5, pero no sabe la combinacin correcta. Cul es la mayor cantidad de intentos incorrectos que el
ladrn puede realizar antes de encontrar la combinacin correcta?
Solucin:
En cada uno de los cinco anillos se pueden utilizar los 5 dgitos. Por lo tanto, hay
55 = 3, 125
posibilidades de escoger una clave. Pero como una de estas 3,125 es la correcta, entonces la mayor
cantidad de intentos incorrectos que el ladrn puede realizar antes de encontrar la combinacin correcta
es 3,124.
Permutaciones circulares
posiciones es
(n 1)!.
elementos distintos acomodados en un crculo de
Se evidencia que en los arreglos circulares la nocin de principio se pierde
porque la primera posicin no est denida. Este lugar se debe establecer arbitrariamente en cualquier
posicin del arreglo y por tal motivo el nmero total de permutaciones se reduce en comparacin con
los arreglos que no son circulares.
Ejemplo 7.7.23.
Si interesa ubicar a cuatro personas una al lado de la otra en una la, el nmero
total de arreglos es
4! = 60. Ahora bien, si se deben sentar alrededor de una mesa redonda, de cuntas
maneras es posible hacerlo?
Solucin:
En una mesa redonda no se tiene un comienzo o un nal a diferencia del escenario en el que las
164
CAPTULO 7.
personas se sientan en una la. Este hecho hace que se pierda un nivel en el nmero de arreglos.
Como se acomoda a una persona en un lugar jo y luego se ubican a las otras tres personas, entonces
se obtienen
(4 1)! = 6
arreglos diferentes en los que se pueden sentar las cuatro personas en una
mesa redonda.
Ejemplo 7.7.24.
De cuntas formas se pueden sentar cuatro personas alrededor de una mesa redonda
si dos de ellas no deben estar una al lado de la otra?
Solucin:
Hay
3! = 6 formas de acomodar a cuatro personas en una mesa redonda. Ahora, hay 2! maneras en las
(3 1)!2! es la cantidad total de
que dos personas se pueden sentar una al lado de la otra, por lo que
formas en las que estas dos personas se pueden ubicar juntas en una mesa redonda. En consecuencia,
se tiene que
3! (3 1)!2! = 3! 2!2! = 2
es el nmero de arreglos requerido.
Permutaciones de n objetos repartidos en varias categoras

objetos repartidos en varias categoras es igual a
n1
n1 , n2 , . . . , nk
donde
ni
n!
n1 !n2 ! . . . nk !
es la cantidad de elementos del i-simo tipo para
i = 1, . . . , k
con
n1 + n2 + . . . + nk = n.
La
frmula anterior se obtiene teniendo en cuenta que los elementos de la i-sima categora no se pueden
diferenciar entre s, por lo que hay
ni !
permutaciones de estos elementos que hacen alusin al mismo
arreglo puesto que pertenecen a la misma categora. Por consiguiente, es necesario descontar todas
las permutaciones repetidas de los elementos de cada categora que se encuentran enumeradas en la
cantidad
n!.
Ejemplo 7.7.25.
Cuntas palabras distintas con o sin sentido se pueden formar con las letras de
la palabra estadstica?
Solucin:
En la palabra estadstica hay
n = 11
letras, distribuidas as: 1 e, 2 s, 2 t, 2 a, 1 d, 2 i y 1
c. Por lo tanto, se concluye que es posible formar
11
1, 2, 2, 2, 1, 2, 1
11!
= 2, 494, 800
1! 2! 2! 2! 1! 2! 1!
palabras distintas con las letras de la palabra estadstica.
Ejemplo 7.7.26.
En una clase de biologa molecular tienen la siguiente secuencia de ADN:
7.7.
165
MTODOS DE CONTEO
ATGCAAATCCATCCCG
Para que los alumnos de la clase comprendan porque es necesario el uso de mtodos computacionales
intensivos se les pregunta: cuntas posibles secuencias del mismo tamao que la anterior es posible
encontrar usando las mismas bases nitrogenadas que se tienen en el ejemplo?
Solucin:
En este caso la cantidad de tipos o categoras es 4, a saber A, T, G y C, de las cuales se tienen 5 A,
3 T, 2 G y 6 C bases nitrogenadas. Por lo tanto, la cantidad total de posibles secuencias est
dada por:
16!
= 20, 180, 160.
5!3!2!6!
Ejemplo 7.7.27.
Un grupo de investigacin de agronoma est interesado en analizar un nuevo
procedimiento para la adecuacin del suelo, que consiste en aplicar en el suelo las sustancias
A, G,
en un orden especco. Para realizar el experimento los integrantes del grupo tienen pensado
el uso de un lote, pero necesitan determinar el nmero de parcelas en que se debe dividir. Cuntas
parcelas se deben obtener si las sustancias se deben aplicar 2, 1, 3 y 3 veces respectivamente?
Solucin:
Como es necesario tener en consideracin el orden en el cual se esparcen las sustancias en el suelo y
cada sustancia se puede considerar como una categora diferente entonces la cantidad de parcelas que
se necesitan es
9!
= 5, 040.
2!1!3!3!
7.7.6. Combinaciones
Cuando se trata con permutaciones de objetos, el orden de seleccin o de colocacin es fundamental.
Hay ocasiones en las que no interesa considerar conjuntos de objetos ordenados. Cuando esto ocurre,
el arreglo se denomina combinacin.
Denicin 7.7.2.
Una seleccin de
objetos de un conjunto de
jetos distintos, sin importar el orden en que los

se llama
combinacin .
ob-
objetos sean escogidos,
166
CAPTULO 7.
Ejemplo 7.7.28.
son
Todas las posibles combinaciones de las letras a, b, c, d y e, tomadas de dos en dos

{a, b}, {a, c}, {a, d}, {a, e}, {b, c}, {b, d}, {b, e}, {c, d}, {c, e} y {d, e}. Es decir, en total hay 10
posibles formas de escoger dos letras de un total de cinco, cuando el orden no importa y la seleccin
se hace sin reemplazamiento. Se observa que las combinaciones
{a, b}
{b, a}
coinciden dado que el
orden de los elementos no marca la diferencia.
El nmero de combinaciones de un conjunto de
elementos distintos sin repeticin tomados de
en
es igual a
n
k
donde
es un nmero entero positivo tal que
n!
(n k)!k!
k n. Esta frmula se obtiene considerando que el

n elementos distintos sin repeticin tomados de k
nmero total de permutaciones de un conjunto de
n!
(nk)! y que en las combinaciones el orden de los elementos no es de inters, por lo que
solo interesa tener 1 sola de las k! posibles permutaciones de los k objetos.
en
es igual a
Ejemplo 7.7.29.
Un abogado se encuentra en aprietos para defender a su cliente, ya que a pesar
de tener siete posibles argumentos, todos carecen de carcter probatorio y adems solo puede utilizar
tres de ellos en el juicio. Si, de todas las posibles combinaciones nicamente hay ocho que lo pueden
llevar a ganar el caso, cul es la probabilidad de que escogiera una de estas posibilidades de manera
aleatoria?
Solucin:
Como el total de combinaciones de tres argumentos de siete posibles viene dado por
7
3
7!
= 35,
(7 3)!3!
entonces la probabilidad de que se escoja una de las posibilidades que lo pueden llevar a la victoria es
8/35 = 0.22857.
Cul es el mtodo de asignacin de probabilidades se utiliz en este caso? Qu es
necesario suponer para emplearlo?
7.8. Probabilidad condicional

Hay situaciones en las que interesa la probabilidad de un evento
evento
A,
teniendo en cuenta que otro
ha ocurrido. As, la cuestin principal es cuanticar el chance de ocurrencia de un evento
dependiendo de la ocurrencia de otro(s) suceso(s). Tales probabilidades se denominan probabilidades

condicionales.
7.8.
167
PROBABILIDAD CONDICIONAL
Denicin 7.8.1.
Sea
posteriori
de
dado
B,
La
denotada con
P(A|B) =
siempre que
Ejemplo 7.8.1.
probabilidad condicional
P(A|B),
dos
o a
se dene como
P(A B)
P(B)
P(B) > 0.
Los 700 empleados de una corporacin, se clasican por gnero y por el monto de su
salario dependiendo de si ganan menos de o ms de $20,000 diarios, como se muestra en la tabla 7.1.
< 20, 000 (L)
20, 000 (G)
Total
210
80
290
105
305
410
315
385
700
Mujeres (M )
Hombres (H )
Total
Tabla 7.1: Datos asociados con la clasicacin de los empleados de una corporacin segn el gnero y el ingreso.
Si un empleado de la corporacin es seleccionado aleatoriamente, encuentre la probabilidad de que el

empleado a. gane al menos $20,000, dado que es hombre y b. sea hombre, dado que gana al menos
$20,000.
Solucin:
a. La probabilidad de que un empleado gane al menos $20,000, dado que es hombre es igual a:
P(G|H) =
P(G H)
=
P(H)
305
700
410
700
305
= 74.39 %.
410
b. La probabilidad de que el empleado sea hombre, dado que gana $20,000 ms es igual a:
P(H|G) =
Proposicin 7.8.1.
Sea
aleatorios incluidos en
i.
P(B|A) > 0.
con
P(H G)
=
P(G)
305
700
385
700
305
= 79.22 %.
385
P(A) > 0.
A, B , C , A1 , A2 , . . . , An , . . .
Entonces se satisfacen las siguientes propiedades:
eventos
168
ii.
iii.
CAPTULO 7.
P(|A) = 1
P(A|A) = 1.
P(A1 A2 . . . |A) = P(A1 |A) + P(A2 |A) + . . .
siempre que
A1 , A2 , . . .
sean eventos mutuamente
excluyentes.
iv.
v.
vi.
vii.
P(B|) = P(B).
P(B|A) = 0
siempre que
sean eventos excluyentes.
P(B|A) = P(A B|A).

P(B C|A) = P(B|A C)P(C|A)
siempre que
P(A C) > 0.
Nota. Las propiedades i., ii. y iii. de la proposicin 7.8.1 indican que
probabilidad sobre
Ejemplo 7.8.2.
Ai A
i=1
A1 , A2 , . . .
es una medida de
Adems, la propiedad iii. se puede escribir como
P
donde
P(|A1 )
P(Ai |A)
=
i=1
eventos aleatorios mutuamente excluyentes.

Calcular
P(A B|C)
utilizando la informacin de la gura 7.1 del ejemplo 7.6.1.
Solucin:
Como los eventos A y B no son excluyentes, entonces se hace necesario reescribir esta unin como
A B = (A B) B . Teniendo en cuenta que P(|C) es una medida de probabilidad, se sigue que
P(A B|C) = P((A B) B|C)

= P((A B)|C) + P(B|C)
P((A B) C) P(B C)
+
P(C)
P(C)
0.20 0.15
=
+
0.55 0.55
= 0.63636.
=
7.9. Teorema de la multiplicacin

De los resultados de la proposicin 7.8.1 e incluso de la denicin 7.8.1, surge la necesidad de establecer
cmo se puede expresar la probabilidad de la interseccin de dos eventos o ms eventos a travs de la
probabilidad a posteriori.
7.9.
169
TEOREMA DE LA MULTIPLICACIN
Teorema 7.9.1.
Sea
dos eventos aleatorios incluidos en
Entonces se satisface que
P(A B) = P(A|B)P(B)
donde
P(A) > 0.
Nota. El teorema 7.9.1 se conoce como
teorema de la multiplicacin . La frmula que este teorema
P(A B) = P(B|A)P(A) donde P(B) > 0.

B y B por A en la frmula del teorema.
sostiene es equivalente a
intercambiando
Ejemplo 7.9.1.
por
Este hecho se sigue fcilmente
Una caja tiene diez artculos, de los cuales tres son defectuosos. Se extraen dos
elementos, uno tras otro y sin reemplazo. Cul es la probabilidad de extraer un artculo defectuoso
seguido de otro defectuoso?
Solucin:
Sea
el evento el primer artculo extrado es defectuoso y
es defectuoso. Se pide calcular
el evento el segundo artculo extrado
P(A B).
Debido a que tres de los diez artculos son defectuosos, se tiene que
P(A) = 3/10.
Como ya se ha
extrado un artculo defectuoso de la caja, entonces quedan en total nueve objetos disponibles, entre
los cuales, hay ahora dos defectuosos. Por lo tanto,
P(B|A) = 2/9
P(A B) = P(A)P(B|A) =
y tambin
3
2
= 0.06666.
10 9
En consecuencia, la probabilidad de extraer un artculo defectuoso seguido de otro defectuoso es

0.06666.
En seguida se presenta un ejemplo tomado de Hogg, McKean & Craig (2005, p. 26) en el que se
ilustran varios aspectos de la probabilidad condicional:
Ejemplo 7.9.2.
Se quiere investigar el porcentaje de nios abusados en cierta poblacin. Los eventos
de inters son: el nio fue abusado (A), y su complemento, el nio no fue abusado (N
propsitos de este ejemplo, se asume que
P(A) = 0.01
y, por lo tanto,
P(N ) = 0.99.
= AC ). Para los
La clasicacin
sobre si el nio fue o no abusado est basada en el dictamen mdico de un doctor. Algunas veces
los doctores clasican un nio que s fue abusado como si ste no hubiera sido abusado (ND ), y
otras veces los doctores clasican un nio que no fue abusado como si ste s hubiera sido abusado
(AD ). Las probabilidades de estos errores de clasicacin son
P(ND |A) = 0.04
P(AD |N ) = 0.05;
P(AD |A) = 0.96
adems, las probabilidades de que los doctores tomen las decisiones acertadas son
P(ND |N ) = 0.95.
Se quiere determinar la probabilidad de que un nio tomado al azar sea clasicado
por un doctor como abusado.
Solucin:
y
y
170
CAPTULO 7.
Como un nio puede ser clasicado por un doctor como abusado en dos eventualidades, a saber,
A AD
N AD ,
P(AD ) = P((A AD ) (N AD ))
= P(A AD ) + P(N AD )
= P(AD |A)P(A) + P(AD |N )P(N )
= (0.96)(0.01) + (0.05)(0.99)
= 0.0591
que corresponde a una cifra considerable comparada con la probabilidad de que un nio haya sido
abusado. Adems, la probabilidad de que un nio haya sido abusado dado que el doctor lo clasico
como abusado es
P(A|AD ) =
(0.96)(0.01)
P(A AD )
=
= 0.1624
P(AD )
0.0591
que es baja. De la misma manera, la probabilidad de que un nio no haya sido abusado dado que
el doctor lo clasico como abusado es 0.8376. La razn por la cual se tiene estas probabilidades tan
desconcertantes, es porque la probabilidad de los errores de los doctores son muy altos en comparacin
con la fraccin de la poblacin que fue abusada. Una investigacin como esta puede resultar en un
mejor entrenamiento de los doctores para clasicar nios que han sido abusados.
Proposicin 7.9.2.
en
Sea
un espacio muestral no vaco y A1 , A2 , . . . , An
eventos aleatorios incluidos
Entonces se satisface que
P(A1 A2 . . . An ) = P(A1 )P(A2 |A1 )P(A3 |A1 A2 ) . . . P(An |A1 A2 . . . An1 )

donde
P(A1 A2 . . . An1 ) > 0.
Ejemplo 7.9.3.
Un corredor de bolsa est seguro de tener la frmula para obtener grandes dividendos
basado en los siguientes eventos: inversiones de alto riesgo (R), inversiones con un capital inicial
de dos millones de dlares (C ) y inversiones con ganancias mayores al 184 % (G). El inversionista
cree que la probabilidad de obtener ganancias mayores al 184 % es mayor a 0.7 si previamente se hace
una inversin de dos millones de dlares y se intenta una inversin de alto riesgo. Esta premisa la
obtuvo basndose en las siguientes probabilidades:
P(R) = 0.25, P(C|R) = 0.05 y P(R C G) = 0.01.
Comprobar lo que asegura el corredor de bolsa.
Solucin:
P(G|R C) > 0.7.
P(R C G) = P(R)P(C|R)P(G|R C) de donde
Se debe comprobar si efectivamente se cumple que

se obtiene que
P(G|R C) =
Siguiendo la proposicin 7.9.2
P(R C G)
0.01
=
= 0.8.
P(R)P(C|R)
(0.25)(0.05)
Por lo tanto, la propuesta del inversionista es correcta.
7.10.
171
TEOREMA DE LA PROBABILIDAD TOTAL
7.10. Teorema de la probabilidad total

A continuacin se presenta un resultado que se utiliza frecuentemente para calcular probabilidades
con base en informacin parcial relacionada con el chance de la ocurrencia de otros eventos de inters.
teorema de la probabilidad total .
Este teorema se conoce como
Teorema 7.10.1.
Sea
E1 , E2 , . . . , En
una particin de espacio muestral
vaco tal que la proba-
A un evento
aleatorio del que se conocen las probabilidades condicionales P(A|E1 ), P(A|E2 ), . . . , P(A|En ). Entonces
la probabilidad del suceso A est dada por:
bilidad de cada uno de los eventos asociados es distinta de 0 y conocida. Tambin sea
P(A) =
P(Ei )P(A|Ei ).
i=1
Demostracin:
Como
E1 , E2 , . . . , En
es una particin de
A = (A E1 ) (A E2 ) . . . (A En ).
As, se obtiene que
P(A) = P((A E1 ) (A E2 ) . . . (A En ))
= P(A E1 ) + P(A E2 ) + . . . + P(A En )
= P(E1 )P(A|E1 ) + P(E2 )P(A|E2 ) + . . . + P(En )P(A|En )
n
P(Ei )P(A|Ei )
=
i=1
Ejemplo 7.10.1.
Una compaa dedicada al transporte pblico emplea tres lneas de una ciudad, de
forma que el 60 % de los autobuses cubre el servicio de la primera lnea, el 30 % cubre la segunda y el
10 % cubre el servicio de la tercera lnea. Se sabe que la probabilidad de que, diariamente, un autobs
se avere en cada lnea es del 2 %, 4 % y 1 % respectivamente. Determinar la probabilidad de que, en
un da, un autobs sufra una avera.
Solucin:
Sea
Ei
el evento el autobs cubre el servicio de la lnea
i
con
i = 1, 2, 3, del tal forma que, E1 es el

A el evento el autobs sufre una
evento el autobs cubre el servicio de la lnea 1, por ejemplo. Sea
avera. De acuerdo con el teorema de la probabilidad total y teniendo en cuenta las probabilidades
dadas se tiene que
P(A) =
P(Ei )P(A|Ei )
i=1
172
CAPTULO 7.
= P(E1 )P(A|E1 ) + P(E2 )P(A|E2 ) + P(E3 )P(A|E3 )

= (0.6)(0.02) + (0.3)(0.04) + (0.1)(0.01)
= 0.025.
Por consiguiente, la probabilidad de que, en un da, un autobs sufra una avera es 0.025.
Ejemplo 7.10.2.
Una empresa elabora sus productos en cuatro fbricas, a saber, fbrica 1, fbrica
2, fbrica 3 y fbrica 4. El porcentaje de produccin total que se elabora en cada fbrica es del 40 %,
30 %, 20 % y 10 % respectivamente, y adems el porcentaje de envasado incorrecto en cada fbrica es
del 1 %, 2 %, 7 % y 4 %. Tomando un producto de la empresa al azar, cul es la probabilidad de que
se encuentre envasado de forma incorrecta?
Solucin:
Sea
el evento el producto est envasado defectuosamente y
fbrica
i
con
i = 1, 2, 3, 4.
Fi
el evento el envase proviene de la
Cada producto puede provenir de cada una de las cuatro fbricas. Segn
el teorema de la probabilidad total y teniendo en cuenta las probabilidades dadas se obtiene que
P(A) =
P(Fi )P(A|Fi )
i=1
= P(F1 )P(A|F1 ) + P(F2 )P(A|F2 ) + P(F3 )P(A|F3 ) + P(F4 )P(A|F4 )

= (0.4)(0.01) + (0.3)(0.02) + (0.2)(0.07) + (0.1)(0.04)
= 0.028.
En consecuencia, la probabilidad de que un producto de la empresa seleccionado al azar se encuentre
envasado de forma incorrecta es 0.028.
Ejemplo 7.10.3.
Un grupo de investigadores tienen cinco estanques en los que mantienen a diferentes
grupos de tortugas de la misma especie con las mismas caractersticas pero que provienen de diferente
madre. El grupo est interesado en conocer el comportamiento de las tortugas cuando cambia su
ambiente inicial (estanque y tortugas compaeras) al transferirlas a otro ambiente diferente; las
P(E1 ) = 0.3, P(E2 ) =

0.2, P(E3 ) = 0.15, P(E4 ) = 0.15 y P(E5 ) = 0.2 donde Ei es el evento una tortuga es colocada en
el estanque i con i = 1, 2, 3, 4, 5. Cuando empezaron a realizar el experimento se dieron cuenta que
probabilidades de que una tortuga fuera colocada en un estanque particular eran
las tortugas se estaban muriendo en unos estanques ms que en otros y mediante registros histricos
determinaron que la proporcin de muertes de tortugas, de similares condiciones a las de la actual
investigacin, eran de 4 %, 3 %, 5 % ,1 % y 7 % respectivamente. Los investigadores quieren conocer cul
es la probabilidad de que una tortuga de su investigacin muera, para comparar si el comportamiento
evidenciado por sus colegas es anormal.
Solucin:
Como los estanques crean una particin de la poblacin se pude encontrar la probabilidad de que una
tortuga de la investigacin muera (F ) con base en la proporcin de las muertes que se tienen en cada
7.11.
173
TEOREMA DE BAYES
estanque, esto es:
P(Ei )P(F |Ei )
P(F ) =
i=1
= P(E1 )P(F |E1 ) + P(E2 )P(F |E2 ) + P(E3 )P(F |E3 ) + P(E4 )P(F |E4 ) + P(E5 )P(F |E5 )
= (0.3)(0.04) + (0.2)(0.03) + (0.15)(0.05) + (0.15)(0.01) + (0.2)(0.07)
= 0.041.
Luego, la probabilidad de que una tortuga de la investigacin muera es de
0.041
que en realidad no
es una situacin que est fuera de lo normal.
7.11. Teorema de Bayes

El
teorema de Bayes
es una tcnica muy popular para calcular probabilidades condicionales y
es la base de la teora estadstica bayesiana en donde a partir de un conjunto de probabilidades

llamadas a priori o sin corregir, se calcula un conjunto de probabilidades a posteriori o corregida, que
corresponden a una modicacin de las primeras ante la evidencia de que un determinado suceso ha
ocurrido.
Figura 7.3: Thomas Bayes (1702-1761).
Teorema 7.11.1.
Sea
E1 , E2 , . . . , En
una particin de espacio muestral
vaco tal que la proba-
A un evento
P(A|E1 ), P(A|E2 ), . . . , P(A|En ). Entonces
bilidad de cada uno de los eventos asociados es distinta de 0 y conocida. Tambin sea
aleatorio del que se conocen las probabilidades condicionales
la probabilidad del suceso
Ej
dado el evento
P(Ej |A) =
1 Fotografa
est dada por:
P(Ej )P(A|Ej )
P(Ei )P(A|Ei )
n
i=1
http://www.ugr.es/~eaznar/fotos_bayes.htm.
174
CAPTULO 7.
para cada
j = 1, . . . , n.
Demostracin:
Haciendo uso de la probabilidad condicional y del teorema de la probabilidad total se tiene que para
un
dado se satisface que
P(Ej A)
P(A)
P(Ej A)
= n
i=1 P(Ei )P(A|Ei )
P(Ej )P(A|Ej )
= n
i=1 P(Ei )P(A|Ei )
P(Ej |A) =
para cada
j = 1, . . . , n.
Ejemplo 7.11.1.
Con la informacin del ejemplo 7.10.1, calcular la probabilidad de que un autobs
que sufri una avera haya recorrido la primera lnea.
Solucin:
Segn el teorema de Bayes y teniendo en cuenta las probabilidades dadas se tiene que:
P(E1 |A) =
P(E1 )P(A|E1 )
3
i=1
P(Ei )P(A|Ei )
P(E1 )P(A|E1 )
=
P(E1 )P(A|E1 ) + P(E2 )P(A|E2 ) + P(E3 )P(A|E3 )
(0.6)(0.02)
=
(0.6)(0.02) + (0.3)(0.04) + (0.1)(0.01)
= 0.08955.
En consecuencia, la probabilidad de que un autobs que sufri una avera haya recorrido la primera
lnea es 0.08955..
Ejemplo 7.11.2.
Con la informacin del ejemplo 7.10.2, calcular la probabilidad de que un producto
envasado de forma incorrecta provenga de la primera fbrica.
Solucin:
Segn el teorema de Bayes y teniendo en cuenta las probabilidades dadas se tiene que:
P(F1 |A) =
=
P(F1 )P(A|F1 )
4
i=1
P(Fi )P(A|Fi )
P(F1 )P(A|F1 )
P(F1 )P(A|F1 ) + P(F2 )P(A|F2 ) + P(F3 )P(A|F3 ) + P(F4 )P(A|F4 )
7.12.
175
INDEPENDENCIA ESTADSTICA DE EVENTOS
(0.4)(0.01)
(0.4)(0.01) + (0.3)(0.02) + (0.2)(0.07) + (0.1)(0.04)
= 0.14285.
Por lo tanto, la probabilidad de que un producto envasado de forma incorrecta provenga de la primera
fbrica es 0.14285.
Ejemplo 7.11.3.
Continuando con el ejemplo 7.10.3, cierta maana los investigadores encuentran
una tortuga muerta fuera de los estanques pero necesitan saber de cual estanque es ms probable que
haya provenido para mantener el registro de las muertes de la investigacin. Cmo se puede resolver
este problema?
Solucin:
Se busca el estanque
tal que
P(Ej |F )
P(E1 |F ) =
=
j = 1, 2, 3, 4, 5. Por consiguiente, se deben

P(Ej |F ) con j = 1, 2, . . . , 5. As, se tiene que
sea mxima para
encontrar primero todas las probabilidades de la forma
P(E1 )P(F |E1 )

5
i=1
P(Ei )P(F |Ei )
(0.3)(0.04)
(0.3)(0.04) + (0.2)(0.03) + (0.15)(0.05) + (0.15)(0.01) + (0.2)(0.07)
= 0.2926829.
De forma similar se obtienen las dems probabilidades, de forma que:
P(E2 |F ) = 0.14634, P(E3 |F ) = 0.18292, P(E4 |F ) = 0.03658
P(E5 |F ) = 0.34146.
Luego, lo ms probable es que la tortuga provenga del quinto estanque.
7.12. Independencia estadstica de eventos

De acuerdo con el teorema 7.9.1, es posible expresar la probabilidad conjunta de dos eventos de
probabilidad no nula como el producto entre la probabilidad de uno de ellos y la probabilidad del otro
sabiendo que ha ocurrido el primero. Si entre dos sucesos no existe ninguna relacin cabe esperar que
la expresin sabiendo que no aporte ninguna informacin.
Denicin 7.12.1.
A y B incluidos en un espacio
independientes si y solo si P(A|B) =
Dos eventos aleatorios
muestral no vaco se llaman

P(A). Los eventos A y B se llaman dependientes
Nota. A partir de la denicin 7.12.1 se observa que el evento

probabilidad de
en cualquier otro caso.
es independiente del evento
no se ve modicada por la ocurrencia o no ocurrencia de
B.
si la
176
CAPTULO 7.
Ejemplo 7.12.1.
Se extrae una carta de una baraja de naipe ingls y luego se devuelve. Son inde-
pendientes los eventos la carta es As (A) y la carta es trbol (B )?
Solucin:
Como
P(A) =
4
1
=
52
13
P(A|B) =
entonces los eventos
P(A B)
=
P(B)
1
52
13
52
1
.
13
son independientes.
Las siguientes son consecuencias de la denicin 7.12.1:
Proposicin 7.12.1.
Si los eventos
incluidos en un espacio muestral
son independientes
son independientes
entonces son equivalentes las siguientes expresiones:
i.
ii.
P(B|A) = P(B).
P(A B) = P(A)P(B).
iii.
AC
son eventos independientes.
iv.
BC
v.
AC
BC
Ejemplo 7.12.2.
Dado que en el ejemplo 7.12.1 se obtuvo que los eventos
entonces en virtud de la proposicin 7.12.1 se tiene que la carta no es As (A
) y la carta es
trbol (B ) son eventos independientes, la carta es As (A) y la carta no es trbol (B ) son eventos
independientes y la carta no es As (A
Adems, se satisface que
Ejemplo 7.12.3.
P(B) = P(B|A)
) y la carta no es trbol (B

y que
) son eventos independientes.
P(A B) = P(A)P(B).
Un hospital tiene dos ambulancias que trabajan de forma independiente. La pro-
babilidad de que una ambulancia especca est disponible cuando se le necesite es 0.94. Cul es la
probabilidad de que ninguna est disponible cuando se les necesite? Cul es la probabilidad de que
por lo menos una ambulancia est disponible cuando se le necesite?
Solucin:
Se dene el evento
A como la ambulancia 1 trabaja correctamente
y el evento
como la ambulancia
2 trabaja correctamente. As, el evento ninguna de las dos ambulancias estn disponibles est dado
7.13.
por
177
COMENTARIOS
AC B C ,
de tal forma que
P AC B C = P AC P B C = (1 0.94)(1 0.94) = (0.06)2 = 0.0036.

De otro lado, el evento por lo menos una ambulancia est disponible est dado por
AB
y adems
P(A B) = 1 P (A B)C = 1 P AC B C = 1 0.0036 = 0.9964. %

Por lo tanto, la probabilidad de que ninguna est disponible cuando se les necesite es 0.0036 y la
probabilidad de que por lo menos una ambulancia est disponible cuando se le necesite es 0.9964.
Ejemplo 7.12.4.
En una empresa nanciera un par de empleados discutan sobre los mritos que
se deben realizar para obtener un ascenso. Uno de ellos armaba que haba que tener un trabajo
sobresaliente para que lo ascendieran mientras que el otro argumentaba que solo era necesario ser
condescendiente con su jefe para lograr el ascenso y que por tal motivo l no lo haba logrado. A
cul de los empleados se le dara la razn teniendo en cuenta la informacin de la tabla 7.2?
Solucin:
Como la discusin entre los empleados se puede resolver estableciendo si un empleado es ascendido
(A) es independiente de un empleado tiene un trabajo sobresaliente (S ) o de un empleado es
condescendiente con su jefe (C ), entonces para los empleados que tienen un trabajo sobresaliente
P(S)P(A) =
5
10 15
= P(A D) =
40 40
40
y en consecuencia ser ascendido no es independiente de ser un trabajador sobresaliente; mientras que

para los empleados que son condescendientes
P(C)P(A) =
30 15
10
= P(A C) =
40 40
40
y por lo tanto ser condescendiente no es independiente de ser ascendido. Entonces el primer empleado
es quien tiene la razn.
Sobresaliente
Condescendiente
Total
Mantiene
20
25
Ascenso
10
15
10
30
40
Total
Tabla 7.2: Datos asociados con la clasicacin con respecto al asenso y al modo de trabado de un grupo de empleados
de una empresa.
7.13. Comentarios
Uno de los conceptos ms importantes en la estadstica es la probabilidad, que a su vez se fundamenta
en la teora de conjuntos, aquella que permite el estudio de un todo (abstracto) por medio de sus
178
CAPTULO 7.
partes y sus elementos. Una vez se avanza en esta teora, es posible construir sobre sta una medida
de incertidumbre respecto al chance de ocurrencia de un evento o suceso, denominada probabilidad.
Para la asignacin de probabilidades se presentan algunos procedimientos, desde el mtodo subjetivo, que consiste en una asignacin personal de la posible ocurrencia de un suceso, hasta el mtodo
frecuentista, donde se calculan las probabilidades respectivas con base en la frecuencia relativa de su
ocurrencia en una serie de repeticiones de un experimento. El lector no debe subestimar la construccin terica de la probabilidad, ya que una vez se interiorizan los conceptos relacionados, trasladarlos
a cualquier caso aplicado es muy til, posible y no muy complejo.
Adems, en este captulo se muestran algunas de las reglas ms usuales para el clculo de probabilidades como el teorema de la probabilidad total y el teorema de Bayes. Por ltimo, se presentan algunas
aplicaciones de la probabilidad cuando dos eventos se relacionan entre s y cuando son independientes.
7.14. Ejercicios
7.1 Una entidad educativa ha propuesto tres proyectos para la mejora de la educacin en cierta regin
i = 1, 2, 3, se dene Ai como el evento que representa el proyecto i fue aceptado.

P(A1 ) = 0.30, P(A2 ) = 0.22, P(A3 ) = 0.35, P(A1 A2 ) = 0.08, P(A1 A3 ) = 0.09,
P(A2 A3 ) = 0.06, P(A1 A2 A3 ) = 0.02. Expresar verbalmente y determinar la probabilidad
del pas. Para

Se sabe que
de que ocurra cada uno de los siguientes eventos:

a.
A1 A2 .
b.
AC AC .
1
2
c.
A1 A2 A3 .
d.
AC AC AC .
1
2
3
e.
AC AC A3 .
1
2
f.
AC AC A3 .
1
2
7.2 La tabla que se muestra a continuacin muestra la proporcin de adultos de reas no metropolitanas, clasicados como lectores o no lectores de un peridico y si votaron o no en las elecciones
pasadas.
Votaron
Lectores
No lectores
0.63
0.13
No
0.14
0.10
a. Calcular la probabilidad de que un individuo escogido al azar:

1. Ejerza su derecho al voto.
2. Lea el peridico.
3. Ejerza su derecho al voto y lea el peridico.
4. Ejerza su derecho al voto o lea el peridico.
7.14.
179
EJERCICIOS
5. Lea el peridico pero no ejerza su derecho al voto.

6. No ejerza su derecho al voto y no lea el peridico.
7. No ejerza su derecho al voto si este era uno de los lectores.
b. Cules eventos son independientes? Por qu?
c. Cules eventos son excluyentes? Por qu?
7.3 Se selecciona una muestra de 570 encuestados en una ciudad para obtener informacin acerca del
comportamiento de los consumidores frecuentes de prendas de vestir. Entre las preguntas estaba:
Disfruta usted comprando ropa? De 270 hombres, 165 respondieron que s, y de 300 mujeres, 224
tambin respondieron armativamente.
a. Si el participante elegido es mujer, cul es la probabilidad de que no disfrute comprando ropa?
b. Si el participante elegido disfruta comprando la ropa, cul es la probabilidad de que sea
hombre?
7.4 Sea
= {0, 1, 2, 3, 4, 5, 6, 7, 8, 9}
el espacio muestral correspondiente a un experimento aleatorio
dado y
A = {0, 1, 2, 3}, B = {4, 5, 6, 7}, C = {2, 4, 6}

eventos incluidos en
D = {1, 8, 9}.
Listar los elementos de los conjuntos que corresponden a los siguientes
eventos:
a.
(AC D)C .
b.
B CC .
c.
(DC A)C C .
d.
(C B)C .
e.
B C DC .
7.5 Sealar la regin del diagrama de Venn que representa cada uno de los siguientes eventos:
a.
b.
AC B C C
C
A B
C C
CC .
c.
((A B)C C)C .
d.
A (B C)C .
e.
(A B C)C .
7.6 Los estudiantes de un curso de estadstica se clasican como estudiantes de administracin, economa o ingeniera; como repitente o no repitente y tambin como hombre o mujer. Encuentre el
nmero total de clasicaciones posibles para los estudiantes de este curso.
7.7 Siete personas se quieren organizar en una la.
a. De cuntas maneras diferentes pueden hacerlo?
b. De cuntas maneras diferentes pueden hacerlo si una de ellas no debe estar al comienzo de la
la?
180
CAPTULO 7.
7.8 De cuntas maneras se pueden sentar seis magistrados en una mesa redonda si:
a. no hay ninguna restriccin?
b. hay dos en especial que deben estar juntos?
c. hay dos en especial que no deben estar juntos?
7.9 Una caja contiene siete chas rojas, seis blancas y cuatro azules. Cuntas selecciones de tres
chas se pueden formar si:
a. las tres deben ser rojas?
b. ninguna puede ser blanca?
c. las tres deben ser del mismo color?
d. las tres son de colores diferentes?
7.10 Un director de personal tiene ocho candidatos para cubrir cuatro puestos. De stos, cinco son
hombres y tres mujeres. Si, de hecho, toda combinacin de candidatos tiene la misma probabilidad
de ser elegido que cualquier otra, cul es la probabilidad de que ninguna mujer sea contratada?
7.11 En una bodega, una caja contiene ocho clavos de 1 pulgada, seis de 1 pulgada y media y cinco de
2 pulgadas. Suponga que se seleccionan cuatro clavos al azar, sin reemplazo y sin orden. Cul es
la probabilidad de que
a. exactamente tres de los clavos seleccionados sean de 2 pulgadas?
b. los cuatro clavos seleccionados sean del mismo tamao?
c. entre los clavos seleccionados hallan dos de una pulgada?
7.12 Cuntos nmeros de tres cifras se pueden formar con los dgitos 0, 1, 2, 3, 4, 5 y 6 si pueden
haber repeticiones? Cuntos son pares? Cuntos son mayores que 330?
7.13 Un comit de doce personas ser elegido entre diez hombres y diez mujeres. De cuntas formas
se puede hacer la seleccin si:
a. no hay restricciones?
b. debe de haber seis hombres y seis mujeres?
c. debe de haber un nmero par de mujeres?
d. debe de haber ms mujeres que hombres?
e. debe de haber al menos ocho hombres?
7.14 De cuntas formas diferentes pueden contestarse nueve preguntas de verdadero o falso?
7.15 Un estudiante debe responder siete de diez preguntas de un examen. De cuntas formas puede
hacer su seleccin si
a. no hay restricciones?
b. debe contestar las dos primeras preguntas?
c. debe contestar al menos cuatro de las primeras seis preguntas?
7.14.
181
EJERCICIOS
7.16 De cuntas formas es posible distribuir 12 libros diferentes entre cuatro nios de modo que
a. cada nio reciba tres libros?
b. los dos nios mayores reciban cuatro libros cada uno y los dos menores reciban dos libros cada
uno?
7.17 Demostrar que
n
Pn = n!
donde
es un nmero entero positivo.
7.18 Demostrar el teorema 7.9.1.

7.19 Demostrar la proposicin 7.8.1.
7.20 Calcular
P(A B|C)
con la informacin del ejemplo 7.8.2 utilizando la denicin de probabilidad
condicional y la informacin de la gura 7.1.

7.21 Se ha realizado un estudio para un hipermercado donde se clasican los clientes en aquellos
que visitan el establecimiento de una manera frecuente u ocasional y en aquellos que adquieren
regularmente, ocasionalmente o nunca productos alimenticios. La siguiente tabla presenta las
proporciones correspondientes:
Regular
Ocasional
Visita frecuente
0.19
0.08
Nunca
0.12
Visita ocasional
0.06
0.07
0.48
a. Cul es la probabilidad de que un cliente no sea cliente frecuente?

b. Cul es la probabilidad de que un cliente frecuente adquiera regularmente productos alimenticios?
c. Son independientes los sucesos nunca compra productos alimenticios y visita el hipermercado frecuentemente?
d. Los eventos clientes no ocasionales, clientes que no compran regularmente productos alimenticios y clientes frecuentes y que compran regularmente productos alimenticios conforman
una particin del espacio muestral? Por qu?
7.22 De un estudio realizado en una universidad, se sabe que el 35 % de los estudiantes hacen deporte
por lo menos una vez a la semana y que el 40 % de los estudiantes tienen una nota media superior
a 4.0. Adems, el 30 % de los que hacen deporte por lo menos una vez a la semana tienen una
nota media superior a 4.0.
a. Cul es la probabilidad de que un estudiante elegido al azar haga deporte por lo menos una
vez a la semana y tenga una nota media superior a 4.0?
b. Cul es la probabilidad de que un estudiante elegido al azar, que tiene una nota media superior
a 4.0, haga deporte por lo menos una vez a la semana?
c. Cul es la probabilidad de que un estudiante elegido al azar haga deporte por lo menos una
vez a la semana o tenga una nota media superior a 4.0?
d. Cul es la probabilidad de que un estudiante elegido al azar, que no tiene una nota media
superior a 4.0, no haga deporte por lo menos una vez a la semana?
182
CAPTULO 7.
e. Son independientes los eventos hace deporte por lo menos una vez a la semana y tiene una
nota media superior a 4.0? Son mutuamente excluyentes?
7.23 Un analista de bolsa examina las perspectivas de las acciones de un gran nmero de compaas.
Cuando se investig el comportamiento de estas acciones un ao antes, se descubri que el 15 %
experimentaron un crecimiento superior al de la media, el 40 % inferior y el 45 % restante se
mantuvieron alrededor de la media. El 30 % de los valores que crecieron por encima de la media
fueron clasicados como buenas adquisiciones por el analista, al igual que el 15 % de las que
crecieron alrededor de la media y el 20 % de las que tuvieron un crecimiento inferior. Cul es la
probabilidad de que un valor clasicado como buena adquisicin por el analista crezca por encima
de la media del mercado?
7.24 Ejercicio tomado de Blanco (2004, p. 42). Se tiene una poblacin que se desarrolla de la siguiente
manera: una partcula inicial, que constituye la 0-sima generacin, tiene 0, 1 o 2 hijas con probabilidades
1/6, 2/3
1/6
respectivamente. Luego de reproducirse la partcula muere. Las hijas
se reproducen independientemente unas de otras e independientemente de la historia familiar, de

la misma manera que la partcula original. La primera generacin est compuesta por las hijas
de la partcula inicial, la segunda por las nietas y as sucesivamente. Dado que en la segunda
generacin hay una partcula, a qu es igual la probabilidad de que en la primera haya habido
dos partculas? Cul es la probabilidad de que en la segunda generacin haya por lo menos una
partcula?
7.25 Los clientes acostumbran evaluar en forma preliminar el diseo de los productos. En el pasado,
95 % de los productos de gran xito recibieron crticas favorables, 60 % de los productos con un
xito moderado recibieron crticas favorables y 10 % de los productos sin mucho xito recibieron
crticas favorables. Adems, 40 % de los productos han sido de gran xito, 35 % han sido de xito
moderado y 25 % han sido productos sin mucho xito.
a. Cul es la probabilidad de que un producto obtenga una crtica favorable?
b. Si un producto nuevo obtiene una crtica favorable, cul es la probabilidad de que ser un
producto de gran xito?
c. Si un producto no consigue una crtica favorable, cul es la probabilidad de que sea un producto
de gran xito?
7.26 Ejercicio tomado de Blanco (2004, p. 43). La probabilidad de que en un parto gemelar ambos
bebs sean de gnero masculino es de 0.32, en tanto que la probabilidad de que sean ambos de
gnero femenino es de 0.28. A qu es igual la probabilidad de que en un parto gemelar, el segundo
nio en nacer sea de gnero masculino dado que el primero en nacer es de gnero masculino? Se
supone que es tan probable que el primer nio en nacer sea de gnero femenino como de gnero
masculino.
7.27 Una empresa de venta por correos considera tres posibles errores al enviarse un pedido: el artculo
enviado no es el solicitado (A), el artculo se extrava (B ) y el artculo sufre desperfectos en el
transporte (C ). Se sabe que el suceso
y
y
A es independiente de los sucesos B y C y que los sucesos B

C son mutuamente excluyentes. Las probabilidades de los sucesos son P(A) = 3 %, P(B) = 2 %
P(C) = 5 %. Para un pedido escogido al azar, calcular la probabilidad de que por lo menos uno
de estos errores ocurra.
7.14.
183
EJERCICIOS
7.28 Una editorial quiere decidir si va a publicar un libro de estadstica para administracin. El anlisis
de los libros que se publicaron anteriormente indica que 10 % fueron grandes xitos, 20 % tuvieron
xito modesto, 40 % lograron recuperar los gastos de inversin y 30 % fueron un fracaso. Sin embargo, antes de tomar una decisin, se va a realizar un dictamen del libro. En el pasado, 99 % de
los grandes xitos obtuvieron dictmenes favorables, 70 % de los xitos modesto obtuvieron dictmenes favorables, 40 % de los ttulos que alcanzaron a recuperar gastos de inversin obtuvieron
dictmenes favorables y 20 % de los fracasos fueron sometidos a esta clase de dictmenes. Qu
proporcin de libros de texto reciben dictmenes favorables?
7.29 Tres plantas, A, B y C, fabrican el 50 %, 30 % y 20 % de los objetos de una empresa respectivamente. Adems, los porcentajes de produccin defectuosa de estas plantas en el mismo orden son
del 3 %, 4 % y 5 %.
a. Si se selecciona un objeto al azar, qu probabilidad tiene de salir defectuoso?
b. Si un objeto resulta ser defectuoso, cul es la probabilidad de que se haya producido en la
planta A? Y en la planta B? Y en la planta C?
7.30 Sean
AyB
dos sucesos tales que la probabilidad de
es el doble que la de
A; que la probabilidad
de su unin es el doble que la de su interseccin; y que la probabilidad de su interseccin es de

0.1. Se pide calcular la probabilidad de
A.
Qu suceso es ms probable que ocurra sabiendo que
ya ha ocurrido el otro?
7.31 Una empresa que debe decidir si adquiere un determinado paquete de acciones, solicita un informe
a tres asesores nancieros para que se pronuncien de forma favorable o desfavorable a la compra.
Por experiencias anteriores en operaciones similares, se sabe que los tres asesores tienen actitudes
ante el riesgo diferente e independiente. Esta situacin se reeja en las probabilidades de aconsejar
la compra de este tipo de operaciones que son respectivamente 0.8, 0.5 y 0.3. Con esta informacin
se pide calcular la probabilidad de que
a. al menos uno de ellos aconseje la compra.
b. ninguno de ellos aconseje adquirir el paquete de acciones.
7.32 Una empresa de trabajo temporal ha realizado un amplio estudio sobre los tipos de empleo solicitados por los estudiantes de bachillerato, de formacin tcnica y universitarios. El informe clasica
estos solicitantes de empleo como calicados o no para los trabajos que solicitan, y de los datos
se desprende que solo el 25 % estaban calicados para el trabajo que solicitaban, de los cuales, un
20 % eran estudiantes universitarios, un 30 % tenan formacin tcnica y un 50 % eran bachilleres.
La situacin entre los no calicados es diferente: un 40 % de ellos era estudiante universitario, otro
40 % estudiaban tcnica y solo un 20 % se encontraba en bachillerato.
a. Qu porcentaje de estos estudiantes se encontraban en bachillerato y estaban calicados para
los empleos que solicitaban?
b. Cul es la probabilidad de que uno de estos estudiantes que solicitaba empleo estudiara formacin tcnica?
c. Entre los estudiantes universitarios que solicitaron empleo, qu porcentaje no estaba calicado
para los puestos de trabajo que solicitaban?
184
CAPTULO 7.
7.33 Sean
dos eventos independientes tales que
a.
P AC B C
d.
P AC B C
e.
P(A|B).
f.
P AC |B C
= 0.05. Calcular:
P(A B).
c.
P(A) = P(B)
P(A B).
b.
7.34 Sean
A1 , A2 , A3
A4
eventos aleatorios incluidos en un espacio muestral
una frmula general para calcular
P(A1 A2 A3 A4 ).
no vaco. Obtener
Captulo
Variables aleatorias
8.1. Introduccin
Para el desarrollo de tcnicas estadsticas ms avanzadas, es conveniente relacionar directamente los
resultados de un experimento aleatorio con nmeros reales, ya que con tal asociacin el anlisis de las
caractersticas de inters es ms profundo y productivo.
Las variables aleatorias y sus distribuciones de probabilidad se pueden considerar como una generalizacin del concepto frecuentista de probabilidad. Se introducen como el modelo matemtico ideal al
que se aproximan las distribuciones de frecuencias que se obtendran como resultado de una repeticin
indenida de ensayos de un experimento aleatorio.
Las variables aleatorias se clasican de acuerdo a la numerabilidad de los valores que pueden asumir.
Se estudian las variables aleatorias discretas, que solo pueden adoptar un nmero nito o una innidad
enumerable de valores, y las variables aleatorias continuas, que surgen cuando se investigan variables
cuyos valores estn asociados con una escala continua de medicin.
Normalmente, los posibles resultados de un experimento aleatorio () no son valores numricos. Por
ejemplo, considere el experimento aleatorio que consiste en lanzar de forma ordenada tres monedas al
aire, con el propsito de estudiar el nmero de caras (c) y sellos (s) que se obtienen. De esta forma,
el espacio muestral asociado a este experimento es:
= {(c, c, c), (c, c, s), (c, s, c), (c, s, s), (s, c, c), (s, c, s), (s, s, c), (s, s, s)}.
Puede resultar ms sencillo utilizar valores numricos en lugar de trabajar directamente con los elementos de un espacio muestral como el anterior. As, es preferible identicar los puntos muestrales
185
186
CAPTULO 8.
{(c, s, s), (s, c, s), (s, s, c)}
V
ARIABLES ALEATORIAS
con el valor numrico 1, pues ste representa el nmero de caras obtenidas
cuando se ejecuta el experimento.
Denicin 8.1.1.
Una
v.a. X
(abreviado con v.a.
X)
es una regla o
funcin que asigna un nico nmero real a cada resultado del espacio
muestral
de un experimento aleatorio dado. En smbolos, una v.a.
es una funcin de la forma
X : R : X()
donde
el conjunto de los nmeros reales.
Nota. Las v.a.'s se simbolizan, generalmente, con las letras maysculas

correspondiente letra minscula (x,
ejemplo, si
y, z
X, Y
Z.
Se utiliza su
en este caso) para designar sus posibles valores. As, por
representa la v.a. nmero de caras obtenido que pueden resultar al lanzar una moneda
tres veces consecutivas, entonces, sus valores son
x = 0, 1, 2, 3.
Nota. Como se presenta en Resnick (1998, p. 74) y Gut (2005, p. 25), en la denicin formal de una
v.a. se habla de funciones
medibles . Este concepto no se presenta en este libro ya que hace parte de
tpicos ms avanzados fuera de su alcance.
Ejemplo 8.1.1.
Teniendo en cuenta el experimento aleatorio que consiste en lanzar de modo ordenado
tres monedas al aire, se dene la v. a.

lanzamientos. Se obtiene que la v.a.
como el nmero de caras obtenido al nal de los tres
es una funcin del espacio muestral
= {(c, c, c), (c, c, s), (c, s, c), (c, s, s), (s, c, c), (s, c, s), (s, s, c), (s, s, s)}
{0, 1, 2, 3}. Estos valores se obtienen evaluando X
X((c, c, c)) = 3, X((c, c, s)) = 2, X((c, s, c)) = 2,
X((s, c, c)) = 2, X((s, s, c)) = 1, X((s, c, s)) = 1, X((c, s, s)) = 1 y X((s, s, s)) = 0.
con valores en el subconjunto de nmeros reales
en cada uno de los puntos muestrales como sigue:
Anteriormente se ha hecho la distincin entre dos tipos datos numricos: los discretos y los continuos;
esta misma distincin tambin se hace con las v.a.'s. As, en funcin de los valores que tome la variable,
sta se puede clasicar como discreta o continua del siguiente modo:
Denicin 8.1.2.
Una
v.a. discreta (abreviado con v.a.d.) es aquella
v.a. que solo puede tomar un nmero nito o innito numerable de valores. De otra parte, una
v.a. continua
(abreviado con v.a.c.) es aquella
v.a. que siempre puede tomar un valor intermedio entre cualquier par de
valores dados de la variable.
Nota. De la denicin 8.1.2 se sigue que el conjunto de valores de una v.a.c. es un conjunto innito
no numerable.
8.1.
187
INTRODUCCIN
Denicin 8.1.3.
el
Sea
una v.a. bien sea discreta o continua. Se dene
rango de X , denotado con RX , como el conjunto de todos los posibles
valores que puede asumir
X.
Esto es:
RX = {x R : x = X(w)
donde
Ejemplo 8.1.2.
para algn
es el espacio muestral dominio de la v.a.
w }
X.
a. Algunos estudiantes de ingeniera ambiental estn interesados en conocer la anidad que tienen
las personas hacia la ora y fauna que se encuentra dentro y a los alrededores de la ciudad. Para
esto realizaron una muestra piloto con un cuestionario en el cual se preguntaba: le molestara
tener que clasicar las basuras de su casa?. Registrando la informacin en una base de datos,
los estudiantes solo guardan los nmeros del 10 al 13, haciendo alusin a las respuestas mucho,
poco, nada y me es indiferente respectivamente.
b. Una empresa minera est empleando una mquina que permite conocer la densidad del suelo (en
kg/m3 )
a un kilmetro de profundidad. Con esta informacin, algunos especialistas establecen una
medida continua de riesgo que se encuentra entre 0 (riesgo nulo) y 10 (riesgo total), la cual emplean
para decidir si es segura la extraccin del material.
En cada caso, cul es el experimento aleatorio y cmo est denida la v.a.
de inters?
Solucin:
En el primer escenario, el experimento es la respuesta a la pregunta le molestara tener que clasicar
las basuras en su casa?; por consiguiente el espacio muestral es
= {mucho,
y la v.a.
poco, nada, me es indiferente},
se dene como
X(mucho) = 10, X(poco) = 11, X(nada) = 12
X(me
es indiferente)
= 12.
En el segundo caso, el experimento aleatorio es el valor de la densidad en un punto geogrco, por lo
, es decir R+ , y la
X() es un valor que
que el espacio muestral est dado por el conjunto de todas las posibles densidades
v.a. de inters se dene como
X() =
Riesgo asociado a la densidad
,
donde
se encuentra entre 0 y 10.
Nota. En el segundo escenario del ejemplo 8.1.2 tambin se puede denir otra v.a. dada por
X() = .
En este caso no se utiliza esta variable porque no est asociada directamente con la medida de riesgo
de inters.
En las secciones siguientes se estudian los conceptos ms importantes relacionados con las v.a.'s,
diferenciando entre v.a.d.'s y v.a.c.'s.
188
CAPTULO 8.
V
ARIABLES ALEATORIAS
8.2. Variables aleatorias discretas

Para una v.a.d.
X,
la probabilidad de que
tome cualquiera de sus valores, se modela a travs de
una funcin denominada funcin msica de probabilidad (o simplemente funcin de probabilidad o de

masa). Esta funcin establece la probabilidad de cada valor que toma la v.a.
Denicin 8.2.1.
Sea
X.
x1 , x2 , . . .
fX : R [0, 1] es una
(abreviado con f.m.p.) de X si y
una v.a.d. que toma los valores
(nitos o innitos enumerables). Una funcin
funcin msica de probabilidad

solo si
fX (x) =
donde
X = x
P(X = x),
si
x = x1 , x2 , . . .;
0,
en otro caso.
es el evento constituido por todos los elementos en el
espacio muestral cuyo valor a travs de
es igual a
x,
es decir:
X = x = {w : X(w) = x}.
Nota. Si
x no es uno de los valores que toma la v.a. X
entonces
fX (x) = 0. As, la representacin grca
de la funcin de probabilidad se realiza mediante un diagrama de barras anlogo al de distribucin de

frecuencias relativas para variables discretas (detalles en la seccin 2.3.2).
Figura 8.1: Grco de la f.m.p. (a) y de la f.d.a. (b) de la variable del ejemplo 8.1.1.
8.2.
189
VARIABLES ALEATORIAS DISCRETAS
Ejemplo 8.2.1.
Continuando con el ejemplo 8.1.1 se tiene que la f.m.p. de la variable nmero de
caras abstenido es:
fX (0) = P(X = 0) = P((s, s, s)) =
1
= 0.125,
8
3
= 0.375,
8
3
fX (2) = P(X = 2) = P({(s, c, c), (c, c, s), (c, s, c)}) = = 0.375,
8
1
fX (3) = P(X = 3) = P((c, c, c)) = = 0.125.
8
fX (1) = P(X = 1) = P({(c, s, s), (s, c, s), (s, s, c)}) =
Concretamente, esta funcin est dada por:
0.125,
fX (x) = 0.375,
0,
si
x = 0, 3;
si
x = 1, 2;
en otro caso.
Adems, se observa que:
i.
ii.
fX (0) = 0.125
0, fX (1) = 0.375
0, fX (2) = 0.375
fX (3) = 0.125
0,
y que
4
k=1
fX (xk ) = fX (0) + fX (1) + fX (2) + fX (3) = 0.125 + 0.375 + 0.375 + 0.125 = 1 donde x1 = 0,
x2 = 1, x3 = 2 y x4 = 3.
En la gura 8.1 se presenta el grco de la f.m.p de la variable
Proposicin 8.2.1.
Sea
sobre un espacio muestral
i.
f (xk )
ii.
X.
fX una f.m.p. de una v.a.d. X que asume

no vaco. Entonces se satisface que:
para todo valor
xk
de
x1 , x2 , . . .
denida
P(X = x) 0
y por lo
los valores
X.
f (xk ) = 1.
Demostracin:
i. Como toda medida de probabilidad es mayor o igual a 0, se sigue que
tanto
ii. Sea
fX (x) 0
RX
para todo
el rango de
X,
x R.
es decir,
RX = {x R : x = X(w)
consecuencia, se tiene que
f (xk ) =
k
P(X = xk )
k
para algn
w } = {x1 , x2 , . . .}.
En
190
CAPTULO 8.
V
ARIABLES ALEATORIAS
P({w : X(w) = xk })
=
k
{w : X(w) = xk }
=P
k
= P({w : X(w) = xk
para algn
xk RX })
= P()
= 1.
Ejemplo 8.2.2.
Un laboratorio debe sostenerse a travs de los servicios que ofrece a la comunidad.
La cantidad de servicios que presta mensualmente sin tener ninguna ganancia es a lo ms siete. Se ha
visto que en un mes se pueden ofrecer hasta 15 servicios en las siguientes proporciones 0 %, 1 %, 3 %,
2 %, 3 %, 5 %, 6 %, 7 %, 6 %, 9 %, 10 %, 20 %, 25 %, 1 %, 1 % y 1 %. El laboratorio quiere determinar
la probabilidad de que, en un mes, no logre sostenerse.
Solucin:
Estas proporciones son las probabilidades de que la variable
mes asuma los valores
0, 1, 2, . . . , 15.
X =cantidad de servicios ofrecidos en el

X asuma del 0 al 7. Esto es:
Se pide la probabilidad de que la
P(X 7) =
P(X = i)
i=0
= P(X = 0) + P(X = 1) + P(X = 2) + . . . + P(X = 7)

= 0 + 0.01 + 0.03 + 0.02 + 0.03 + 0.05 + 0.06 + 0.07
= 0.27.
Luego, la probabilidad de que en un mes dado el laboratorio no logre sostenerse es de
0.27,
por lo que
tendr que acudir a otras fuentes de nanciacin con una probabilidad relativamente alta.
Como en el ejemplo 8.2.2, es natural que en la prctica interese la probabilidad de que una v.a.d. tome
algn valor menor o igual a un lmite establecido de antemano, ya que hay varios eventos importantes
cuya probabilidad se calcula de esta manera. Por tal motivo es til denir una funcin que de cuenta
de esta probabilidad acumulada. Esta funcin se denomina funcin de distribucin acumulada (o
simplemente funcin de distribucin) y se dene como sigue:
8.2.
191
Denicin 8.2.2.
Sea
una v.a.d. que sume los valores
tos o innitos enumerables). La

(abreviado con f.d.a.) de
x1 , x2 , . . . (ni-
funcin de distribucin acumulada
es la funcin
FX : R [0, 1]
denida por
FX (x) = P(X x)
para cualquier nmero real
Nota. Si la v.a.d
tiene f.m.p.
fX
x.
entonces
FX (x) =
fX (t)
tx
donde la suma de la frmula anterior recorre todos los valores de
que son menores o iguales a
t.
Tambin se observa que la f.d.a. est denida para cualquier nmero real.
Ejemplo 8.2.3.
X
Volviendo al ejemplo 8.1.1, se tiene que la f.d.a. evaluada en los valores que asume
es:
1
= 0.125,
8
1 3
4
1
FX (1) = P(X 1) = fX (0) + fX (1) = + = = = 0.5,
8 8
8
2
1 3 3
7
FX (2) = P(X 2) = fX (0) + fX (1) + fX (2) = + + = = 0.875, y
8 8 8
8
1 3 3 1
8
FX (3) = P(X 3) = fX (0) + fX (1) + fX (2) + fX (3) = + + + = = 1.
8 8 8 8
8
FX (0) = P(X 0) = fX (0) =
Concretamente, la f.d.a correspondiente a la v.a.d
FX (x) =
0,
1
,
8
4
,
8
7
8,
1,
est dada por:
si
x < 0;
si
0 x < 1;
si
1 x < 2;
si
2 x < 3;
si
3 x.
Adems, se observa que:
i. Por ejemplo, si
x = 2.7
entonces
FX (2.7) =
fX (t) = fX (0) + fX (1) + fX (2) = 0.875.

t2.7
192
CAPTULO 8.
ii. Si
x0
entonces
FX (x) = 0;
y si
x3
entonces
FX (x) = 1.
En la gura 8.1 se presenta el grco de la f.m.p de la variable
Proposicin 8.2.2.
Sea
FX
V
ARIABLES ALEATORIAS
una f.d.a. de una v.a.d.
X.
denida sobre un espacio muestral
no
vaco. Entonces se satisface que:
i. Si
es un nmero real entonces
ii. Si
0 FX (x) 1.
P(X > x) = 1 FX (x)

donde
iii. Si
P(X x) = 1 FX (x ).
X
representa el mximo valor que puede asumir
es un valor que puede asumir
estrictamente menor que
x.
entonces
fX (x) = FX (x) FX (x ).
iv. Si
son nmeros reales tales que
ab
entonces
FX (a) FX (b),
es decir,
FX
es una funcin
creciente; y adems se tiene que
P(a X b) = FX (b) FX (a )
P(a < X < b) = FX (b ) FX (a).
Demostracin:
i. Si
FX (x) = P(X x) =
P(X = xk ).
xk x
Como
P(X = xk ) = 1
y adems para toda
xk
se tiene que
P(X = xk )
xk x
P(X = xk ) 0,
P(X = xk ) = 1.
k
0 FX (x) 1.
ii. Primero, se observa que
P(X > x) = 1 P (X > x)C

= 1 P {w : X(w) > x}C
= 1 P ({w : X(w) x})
= 1 P(X x)
= 1 FX (x).
entonces
8.2.
193
De manera similar, se tiene que
P(X x) = 1 P (X x)C
= 1 P {w : X(w) x}C
= 1 P ({w : X(w) < x})
= 1 P {w : X(w) x }
= 1 P(X x )
= 1 FX (x )
donde
iii. Si
xk
representa el mximo valor que puede asumir
es un valor que asume
x = xk1
k
entonces
estrictamente menor que
donde
x.
es un nmero entero tal que
k > 1.
Por lo tanto, se sigue que
fX (xk ) = P(X = xk )
k
k1
P(X = xi )
=
i=1
P(X = xi )
i=1
= P(X xk ) P(X xk1 )

= FX (xk ) FX (xk1 )
= F (xk ) F (x ).
k
Trivialmente, si
k=1
se obtiene que
fX (x1 ) = P(X = x1 ) = P(X x1 ) 0 = FX (x1 ) FX (x ).

1
iv. Si
es decir,
xq b
FX
ab
entonces
FX (a) = P(X a) P(X b) = FX (b),

xq es el mayor valor que asume X tal que
es una funcin no decreciente. Ahora, si
entonces
FX (xq ) = FX (b),
en efecto:
FX (xq ) = P(X xq ) = P(X xq ) + 0 = P(X xq ) + P(xq < X b) = P(X b) = FX (b).

Sea
que
xl = a tal que l q
x. As, se observa que
donde
el mximo valor que puede asumir
P(a X b) =
P(X = xk )
xk :axk b
q
P(X = xk )
k=l+1
q
P(X = xk )
=
k=1
= FX (xq ) FX (xl )
= FX (b) FX (a ).
P(X = xk )
k=1
estrictamente menor
194
CAPTULO 8.
Adems, dado que
b = xq1
V
ARIABLES ALEATORIAS
se tiene que
P(a < X < b) = P(a X b) P(X = a) P(X = b)

q
P(X = xk ) P(X = b)
k=1
q
P(X = xk ) P(X = a)
k=1
l
P(X = xk ) P(X = b)
k=1
q1
l+1
P(X = xk )
P(X = xk ) + P(X = a)
k=1
k=1
P(X = xk )
k=1
= FX (xq1 ) FX (xl+1 )
= FX (b ) FX (a).
Ejemplo 8.2.4.
Continuando con el ejemplo 8.2.2, el laboratorio quiere determinar:
a. Cul es la probabilidad de que en un mes se tengan por lo menos la cantidad de servicios sucientes
para el sostenimiento del laboratorio?
b. Como en muchos meses han tenido que prestar un gran nmero de servicios, cul es la probabilidad
de que no presten menos de 13 servicios en un mes?
c. Si mensualmente se quieren tener entre 8 y 12 servicios prestados inclusive, cul es la probabilidad
asociada con este requerimiento?
Solucin:
a. La probabilidad de que al mes se presten de 8 servicios en adelante es
P(X 8) = 1 FX (7) = 1 0.27 = 0.73.

b. La probabilidad de que el laboratorio no preste menos de 13 servicios est dada por:
P (X < 13)C = P(X 13)

= 1 F (12)
= 1 0.97
= 0.03.
c. Por ltimo, para determinar la probabilidad de que se tengan entre 8 y 12 servicios prestados
inclusive, se debe calcular
P(8 X 12) = FX (12) FX (8 )
8.2.
195
= FX (12) FX (7)
= 0.97 0.27
= 0.70.
Como con cualquier otra variable, en variadas ocasiones es de inters encontrar un valor que acumule
cierta proporcin de la informacin. En seguida se generaliza el concepto de percentil para v.a.d.'s:
Denicin 8.2.3.
que
p ,
0 p 100.
Sea
El
FX y p un nmero real tal

p de la distribucin de X , denotado con
X que satisface la siguiente desigualdad:
una v.a.d. con f.d.a.
percentil
es el valor ms pequeo de
p
FX (p ).
100
Nota. En la denicin 8.2.3 se emplea una desigualdad ya que para algunos percentiles no se tiene un
p
valor de la variable tal que
100 = FX (p ). Por esta razn un solo valor de la variable puede ser a la
vez ms de un percentil.
Ejemplo 8.2.5.
La junta directiva de un hospital quiere mejorar su atencin en el horario nocturno de
los pacientes que necesitan de atencin quirrgica inmediata. Para esto, se quiere analizar la variable
dada por nmero de pacientes que requieren de atencin quirrgica inmediata reportados entre las
19:00 y las 5:00. El analista encargado asegura que la f.m.p. de
fX (x) =
7x e7
x! ,
si
0,
es
en otro caso.
x = 0, 1, 2, . . .;
Se pide:
a. Calcular el valor de
tal que
P(X X ) = (X X ).
b. Sabiendo que entre las 19:00 y las 5:00 el hospital solo tiene la capacidad de operar en 5 quirfanos,
determinar el porcentaje de jornadas nocturnas en las que se puede atender a todos los pacientes
que lleguen en la noche.
c. Obtener el rango en que se encuentra el nmero de pacientes que el hospital debe atender en el
50 % de las noches consideradas como ms comunes.
d. Gracar la f.d.a. de
Solucin:
X.
196
a. El valor
entonces
CAPTULO 8.
V
ARIABLES ALEATORIAS
que se quiere precisar es el percentil 50, es decir, la mediana. Como

es el valor ms pequeo de
es una v.a.d
que satisface la desigualdad
0.5 FX (X ) =
Ahora, evaluando en los valores de
0, 1, 2, . . .
7x e7
.
x!
x=0
se tiene que
0.5 > P(X 0) = 0.0009,

0.5 > P(X 1) = 0.0072,
0.5 > P(X 2) = 0.0296,
0.5 > P(X 3) = 0.0817,
.
.
.
0.5 > P(X 6) = 0.4497,

0.5 P(X 7) = 0.5987.
En consecuencia, se obtiene que
X = 7
b. Para encontrar el porcentaje de noches en las que el hospital puede atender a todos sus pacientes
entre las 19:00 y las 5:00, basta con calcular
P(X 5) =
7x e7
= 0.3007,
x!
x=0
y por lo tanto solo en el 30 % de las noches el hospital puede atender a todos los pacientes que
llegan en la jornada nocturna.
c. El rango en que se encuentra el nmero de pacientes que el hospital debe atender en el 50 % de
las noches consideradas como ms comunes, es aquel rango de valores que va desde el percentil 25
(25 ) al percentil (75 ) de la variable
de donde
25 = 7
75 = 9.
X.
Como antes, estos percentiles se calculan por inspeccin
Por consiguiente, se tiene que en aproximadamente el 50 % de las
noches consideradas como ms comunes el hospital tendr que atender a un nmero de pacientes
que oscila entre 7 y 8, aunque de forma exacta este porcentaje corresponde al 52.98 %.
d. Por ltimo, en la gura 8.2 se muestra la grca de la f.d.a. de la variable
X.
8.3. Variables aleatorias continuas

Cuando la variable objeto de estudio es continua, no hace sentido hacer una suma de las probabilidades
de cada uno de los trminos en el sentido de las variables discretas, ya que el conjunto de valores
8.3.
197
VARIABLES ALEATORIAS CONTINUAS
Figura 8.2: Grco de la f.d.a. de la variable del ejemplo 8.2.5.
que toma una variable continua es no numerable. En este caso, se generalizan de modo natural los
conceptos, empleando la integral ( ) en lugar de la suma (
).
La f.m.p. de una v.a.d. esta asociada con la probabilidad de que la variable tome un valor especco.
Este concepto no es relevante en el caso de una v.a.c., ya que, como se ver ms adelante, en este
caso la probabilidad de obtener un valor especco es exactamente 0. Sin embargo, se puede construir
una funcin anloga para una variable continua, llamada funcin de densidad de probabilidad, que
permite investigar detalladamente la estructura probabilstica de la variable de inters.
198
CAPTULO 8.
Denicin 8.3.1.
fX : R [0, )
Una funcin
funcin de densidad de probabilidad

v.a.c.
i.
V
ARIABLES ALEATORIAS
se dice que es una
(abreviado con f.d.p.) de una
si satisface las siguientes condiciones:
fX (x) 0
para todo
x R.
ii. Para cualquier par de nmeros reales
tales que
a b,
se tiene
que
P(a X b) =
fX (x)dx.
a
iii. El rea bajo toda la grca de
fX
es 1, esto es:
f (x) dx = 1.
Nota. En algunas ocasiones, la condicin
ii.
de la denicin 8.3.1 se reemplaza por
xmx
a
fX (x)dx = 1
xm
n
donde
xm
n
xmx
a
son respectivamente el valor mximo y mnimo de la variable
se presenta un ejemplo de una grca de una f.d.p. de una v.a.c.
X.
En la gura 8.3
X.
Nota. Una v.a.c. que satisface las condiciones de la denicin 8.3.1 tambin se denomina
lutamente continua.
v.a. abso-
Al igual que en el caso discreto, hay situaciones en las cuales se quiere calcular la probabilidad de
que el valor observado de una v.a.c.
escribiendo
FX (x) = P(X x)
sea menor o igual que algn nmero real dado. Como antes,
para cada nmero real
x,
Denicin 8.3.2.
v.a.c.
La
FX
X.
se dice que
acumulada (o simplemente funcin de distribucin) de la variable
es la funcin de distribucin
funcin de distribucin acumulada
con funcin de densidad es
fX ,
es la funcin
de una
FX : R [0, 1]
denida por
FX (x) = P(X x)
para todo nmero real
Nota. Si la v.a.c
tiene f.d.p.
fX
x.
entonces
FX (x) =
fX (t)dt.
En algunas ocasiones, la integral de la frmula anterior se reemplaza por la integral
FX (x) =
fX (t)dt
xm
n
8.3.
199
Figura 8.3: Ejemplo de grco de una funcin de densidad de una v.a.c.
X.
para los casos en los que el valor mnimo de la variable exista.
La denicin 8.3.2 establece que la f.d.a. de la variable

tome un valor en el intervalo
f.d.p. de
X.
(, x].
corresponde a la probabilidad de que
En la gura 8.4 se presenta un ejemplo de una f.d.a. de una v.a.c.
Proposicin 8.3.1.
Si
FX
Esta probabilidad corresponde al rea bajo la grca de la
es una f.d.a. de una v.a.c.
X.
entonces se satisfacen las siguientes propie-
dades:
i. Si
0 FX (x) 1
l
m FX (x) = 0
ii. Si
y adems
y
l FX (x) = 1.
m
P(X = x) = 0
y
P(X x) = P(X > x) = 1 FX (x).

iii. Si
son dos nmeros reales tales que
ab
entonces
FX (a) FX (b),
es decir
es creciente;
y adems se tiene que
P(a X b) = P(a X < b) = P(a < X b) = P(a < X < b) = FX (b) FX (a).
200
CAPTULO 8.
iv. Si
fX
es la f.d.p. de
entonces
fX (x) =
donde
FX (x)
V
ARIABLES ALEATORIAS
es la derivada de
FX (x)
d
FX (x) = FX (x)
dx
respecto a
x.
Demostracin:
i. Sea
un nmero real. Entonces se sigue que:
fX (t)dt
fX (t)dt +
Como para todo

Si
se tiene que
es una antiderivada de
FX (x) = P(X x) =
fX
P(X = x) 0
fX (t)dt =
x
entonces
0 FX (t) 1.
entonces
l
m FX (x) = l
m
fX (t)dt
= l
m
g(t)
= l
m
g(x) l g(b)
m
= l
m g(x) l g(b)
m
x
= l
m g(x) l
m g(x)
x
= 0.
y tambin
l FX (x) = l
m
m
fX (t)dt
fX (t)dt
= 1.
ii. Si
fX
entonces
P(X = x) =
fX (t)dt = g(t)
x
= g(x) g(x) = 0
x
y por lo tanto
P(X x) = P(X > x; X = x)

= P(X > x) + P(X = x)
fX (t)dt = 1.
8.3.
201
= P(X > x) + 0
= P(X > x)
= 1 P (X > x)C
= 1 P {w : X(w) > x}C
= 1 P ({w : X(w) x})
= 1 P(X x)
= 1 FX (x).
iii. Si
son dos nmeros reales tales que
ab
entonces
FX (a) = P(X a) P(X b) = FX (b)

es decir
FX
es una funcin no decreciente, en efecto:
FX (a) = P(X a)
a
fX (x)dx
fX (x)dx +
fX (x)dx
a
fX (x)dx
= P(X b)
= FX (b).
Dado que
P(X = x)
para cualquier nmero real
x,
se comprueba que
P(a X b) = P(a X < b) = P(a < X < b) = P(a < X b)

y adems
FX (b) FX (a) = P(X b) P(X a)

= (P(X < a) + P(a X b)) P(X a)
= P(a X b).
x
f (t)dt, entonces siguiendo el teorema fundamental del clculo (detalles en
X
la proposicin C.5.2) se obtiene directamente que
iv. Como
FX (x) =
fX (x) =
donde
FX (x)
es la derivada de
FX (x)
d
FX (x) = FX (x)
dx
respecto a
x.
202
CAPTULO 8.
Figura 8.4: Ejemplo de una f.d.a. de una v.a.c.
V
ARIABLES ALEATORIAS
X.
Nota. Ms detalles acerca de la demostracin del numeral iv. de la proposicin 8.3.1 se pueden encontrar en Rudin (1976, p. 133).
Ejemplo 8.3.1.
Sea
la v.a. que representa el tiempo (en minutos) que tarda un empleado en
realizar una tarea. Para el caso especco de una empresa de consultora determinada, la f.d.p. de la
variable
es:
fX (x) =
kex ,
si
x > 0;
0,
si
x 0.
Se pide:
a. Calcular el valor de
b. Comprobar que
c. Hallar
fX
k.
es una f.d.p. autntica.
FX (x).
d. Comprobar que
FX (x) = fX (x).
e. Calcular la probabilidad de que un empleado gaste:

1. hasta 5 minutos en realizar la tarea.
2. al menos 5 minutos en realizar la tarea.
8.3.
203
3. entre 2 y 5 minutos en realizar la tarea.

4. exactamente 5 minutos en realizar la tarea.
Solucin:
a. Como
fX
es una funcin de densidad de probabilidad entonces se cumple que
fX (x)dx = 1.
Luego, se sigue que
fX (x)dx =
kex dx
0dx +
=0+k
=k
=k
dx
ex 0
l
m ex (e0 )
= k(0 (1))
= k.
En virtud de que
fX (x)dx = k ,
se concluye que
k=1
y por lo tanto
ex ,
si
x > 0;
0,
fX (x) =
si
x 0.
fX (x) 0 para todo nmero real x, y en efecto, en este

x < 0 se tiene que fX (x) = 0 y para todas las x 0 se tiene que fX (x) = ex > 0
x
dado que el valor de e
siempre es positivo sin importar el valor del exponente. Adems, si fX es
una funcin de densidad se debe satisfacer que

f (x)dx = 1, como se muestra en seguida:
X
b. Toda funcin de densidad debe ser tal que

caso para todas las
fX (x) dx =
ex dx
0dx +
ex dx
=
0
= ex
= l
m ex (e0 )
x
= 0 (1)
=1
c. Si
x0
entonces
fX (x) = 0
y por consiguiente
FX (x) =
fX (t)dt =
0dt = 0.
204
Ahora, si
CAPTULO 8.
x>0
entonces la funcin de distribucin de
V
ARIABLES ALEATORIAS
est dada por:
fX (t) dt
FX (x) =
et dt
=
0
= et
x
0
= ex (e0 )
= 1 ex
En consecuencia, se obtiene que la f.d.a. de
FX (x) =
es:
1 ex ,
si
x > 0;
0,
si
x 0.
d. La derivada de la funcin de distribucin es la funcin de densidad, en efecto, si
FX (x) = 0
y por lo tanto
FX (x) = 0;
y si
x>0
x0
entonces
d
1 ex
dx
d
d x
=
(1)
e
dx
dx
x
=0 e
(1)
FX (x) =
= 0 + ex
= ex .
As,
FX (x) =
ex ,
si
x > 0;
0,
si
x 0.
e. La probabilidad de que un empleado gaste hasta 5 minutos en realizar la tarea es
P(X 5) = FX (5) = 1 e5 = 1 0.00674 = 0.99326

f. A continuacin se calculan las probabilidades requeridas:
1. La probabilidad de que un empleado gaste al menos 5 minutos en realizar la tarea es
P(X 5) = 1 FX (5)
= 1 (1 e5 )
= 1 1 + e5
= e5
= 0.00674.
entonces
8.3.
205
2. La probabilidad de que un empleado gaste entre 2 y 5 minutos en realizar la tarea es
P(2 X 5) = FX (5) FX (2)

= 1 e5 1 e2
= e2 e5
= 0.12860.
3. La probabilidad de que un empleado gaste exactamente 5 minutos en realizar la tarea es
P(X = 5) = FX (5) FX (5) = 0.

l x (ex ) = 0.
m
Queda como ejercicio para el lector justicar que
Ejemplo 8.3.2.
En un cultivo de clulas se coloca alimento en diferentes lugares de manera azarosa
para que las clulas puedan alimentarse. Las clulas en el cultivo no se comunican entre si, por lo que
si una clula encuentra alimento es indiferente a que las dems lo hagan. Para estudiar la variable
dada por el tiempo (en minutos) en el que una clula encuentra el alimento se ha propuesto la
funcin de distribucin
FX (x) =
1 ex/5 ,
0,
si
si
x > 0;
x 0.
Con esta propuesta se quiere:
a. Hallar la probabilidad de que una clula se demore ms de 5 minutos en encontrar el alimento.

b. Encontrar la funcin de densidad de
(esto permite analizar qu tiempos son los ms ocurrentes).
c. Realizar una grca de la funcin obtenida en el numeral anterior.
Solucin:
a. Como se ha propuesto la f.d.a. de
entonces la probabilidad que se busca est dada por:
P(X > 5) = 1 FX (5) = 1 1 e5/5 = 0 + e1 = 0.3678,

y por lo tanto se entiende que es ms probable que la prxima clula en encontrar el alimento se
demore menos de 5 minutos.
b. Para encontrar la f.d.p. de
basta con encontrar la derivada de
FX (x) =
Ahora, como la derivada de
fX
como se muestra a continuacin:
d
1
1 ex/5 = ex/5 (1/5) = ex/5 .
dx
5
FX
para
x0
fX (x) =
es
FX (x) = 0,
1 x/5
,
5e
si
0,
si
entonces la f.d.p. de
x > 0;
x 0.
est dada por:
206
c. Con
CAPTULO 8.
fX
V
ARIABLES ALEATORIAS
es posible inspeccionar el comportamiento de la variable mediante el grco que se muestra
en la gura 8.5.
Figura 8.5: Grco de la f.d.p. de la variable del ejemplo 8.3.2.
A continuacin se presenta la denicin de percentil cuando se trata con variables continuas, del mismo
en que se generaliza el concepto de percentil para v.a.d.'s.
Denicin 8.3.3.
tal que
con
p ,
Sea
0 p 100.
El
es un valor de
una v.a.c. con f.d.a.
percentil
FX
un nmero real
de la distribucin de
X,
denotado
tal que
p
= FX (p ).
100
Nota. El percentil
de una variable continua
con
0 p 100,
corresponde al valor del eje de
(100 p) %
est a la derecha. Como antes, el percentil 50 se denomina mediana y se simboliza con
tal que el
p%
medicin de
del rea bajo la grca de la f.d.p. de
est a la izquierda de
y el
8.3.
X .
207
Esto es, la mitad del rea bajo la grca de la f.d.p. de
mitad a la derecha de
X .
est a la izquierda de
y la otra
De otra parte, como
FX (p ) =
fX (x)dx,
en la denicin 8.3.3 se acostumbra intercambiar por
Ejemplo 8.3.3.
p
xm
n
f (x)dx
cuando
xm
n
exista.
Con la informacin del ejemplo 8.3.1, calcular e interpretar el percentil 95.
Solucin:
Para calcular el percentil 95 (95 ) se sigue la frmula
95
= FX (95 )
100
95
0.95 =
ex dx
0.95 = 1 e95
0.95 1 = e95
0.05 = e95
ln(0.05) = ln(e95 )
ln(0.05) = 95 .
En consecuencia, el percentil 95 es
95 = ln(0.05) = 2.995.
Entonces, se dice que el 5 % de los
trabajadores se demoran ms de 2.995 minutos realizando la tarea.
Ejemplo 8.3.4.
En el caso del ejemplo 8.3.2, se quiere determinar un valor que separe las clulas
que tuvieron un lapso de tiempo menor en encontrar el alimento de las clulas que tuvieron un lapso
de tiempo mayor. Este valor debe ser tal que el 50 % de las clulas se encuentre en cada uno de los
grupos.
Solucin:
Como se necesita un valor tal que el 50 % de las clulas se encuentre en cada uno de los grupos,
entonces se est buscando la mediana de la variable (X ). Este valor se obtiene mediante el siguiente
procedimiento:
50
100
= 0.5
FX (X ) =
1 eX /5
1 0.5 = eX /5
ln(0.5) = X /5
5 ln(0.5) = X .
208
CAPTULO 8.
X = 3.4657
Luego, el valor de inters es
V
ARIABLES ALEATORIAS
minutos, ya que el 50 % de las clulas encuentran alimento
antes de que transcurran 3.4657 minutos.
8.4. Valor esperado

Sobre la distribucin de una variable se acostumbra registrar algunas caractersticas de inters tales
como la localizacin, la dispersin, el apuntamiento y la simetra, las cuales se estudian de manera
descriptiva en los captulos de la Parte I de este libro. Aqu se generalizan estas caractersticas por
medio de ciertas cantidades denominadas
parmetros , que son objeto de estudio cuando se investiga
el comportamiento de una variable. Enseguida se denen algunos parmetros de uso frecuente, empezando por el valor esperado (esperanza o media), medida que formaliza el concepto de promedio que
se presenta en la seccin 3.2.1.
Denicin 8.4.1.
con f.d.p.
con
E[X],
fX
Sea
una v.a. con f.m.p.
para el caso continuo. El
fX
para el caso discreto o
valor esperado de X , denotado
se dene como
k xk fX (xk ),
xfX (x)dx,
E[X] =
X
X
si
si
g : R R es una funcin
g(X), denotado con E[g(X)],
es una v.a.d.;
es una v.a.c..
En general, si
entonces se tiene que el valor
esperado de
se dene como
k g(xk )fX (xk ),
g(x)fX (x)dx,
E[g(X)] =
Nota. El valor esperado de una v.a.

denicin de
E[X]
si
si
X
X
es una v.a.d.;
es una v.a.c..
tambin se simboliza con
es equivalente a la denicin de
E[g(X)]
cuando
X . Adems,
g(x) = x.
se observa que la
Nota. Es posible que el valor esperado de una v.a. no exista. Esto sucede cuando la sumatoria o la
integral correspondiente diverge.
Ejemplo 8.4.1.
Se lanza un dado corriente una vez. Sea
en el lanzamiento. Como
la v.a. que denota el resultado obtenido
es una v.a.d. entonces es claro que:
E[X] =
xk fX (xk )
k
6
x
x=1
1
6
1
6
+ 2
2
6
+ ... + 6
1
6
8.4.
209
VALOR ESPERADO
21
.
6
Entonces el valor esperado del resultado obtenido es 3.5.
Ejemplo 8.4.2.
Sea
una variable con f.d.p. dada por:
fX (x) =
Calcular el valor esperado de
e3 3x
x! ,
si
0,
en otro caso.
x = 0, 1, 2, . . .;
X.
Solucin:
Como
es una v.a.d. entonces se tiene que
E[X] =
xk fX (xk )
k
=
x=1
e3 3x
x!
= e3
x
x=1
= e3
3x
x!
3x
(x 1)!
x=1
= e3
3y+1
y!
y=0
= 3e3
3y
y!
y=0
= 3e3 e3
= 3.
En consecuencia, el valor esperado de
es 3.
Nota. En la solucin del ejemplo 8.4.2 se debe recordar que
i=0
Ejemplo 8.4.3.
xi
= ex .
i!
Se dispone de un capital de $100,000 para una inversin de un ao. El inversionista
est considerando dos opciones: colocar el dinero en el mercado de valores, lo que le garantiza un
ingreso anual jo del 15 %, o un plan de inversin cuya ganancia anual se puede considerar como una
v.a. cuyos valores dependen de las condiciones econmicas que prevalezcan. Con base en la historia
pasada del segundo plan, un analista ha determinado los posibles valores de la ganancia (en miles)
210
CAPTULO 8.
V
ARIABLES ALEATORIAS
y calculado sus probabilidades, como se muestra a continuacin:
0.05,
0.10,
0.35,
fX (x) =
0.30,
0.20,
0,
x = 5;
x = 10;
si x = 15;
si x = 20;
si x = 25, 30;
en otro caso.
si
si
Con base en la ganancia esperada, cul de los dos planes se debe seleccionar?
Solucin:
Si se escoge el primer plan, colocar el dinero en el mercado de valores, la ganancia anual que produce
$100,000 es de $15.000, dado que el ingreso anual es jo y su valor es del 15 %. Para el segundo plan,
sea
la v.a. que representa la ganancia anual (en miles) del inversionista. El valor medio de
E [X] =
es
xk fX (xk )
k
= (5)(0.05) + (10)(0.10) + . . . + (30)(0.20)

= 23.5.
De acuerdo con lo anterior, el segundo plan es una eleccin mucho mejor puesto que ofrece una ganancia
esperada de $23,500. Sin embargo, se debe tener cautela en este punto, debido a que $23,500 es apenas
el valor esperado y el inversionista no tiene ninguna garanta de que variabilidad de la ganancia anual
sea mnima.
Ejemplo 8.4.4.
La v.a. que representa la proporcin de accidentes automovilsticos fatales en una
ciudad, tiene la siguiente f.d.p.:
fX (x) =
42x(1 x)5 ,
0,
Calcular e interpretar el valor esperado de
X.
Solucin:
Como
es una v.a.c. entonces se sigue que
E[X] =
xfX (x)dx
xfX (x)dx
0
1
x 42x(1 x)5 dx
=
0
si
0 < x 1;
en otro caso.
8.4.
211
VALOR ESPERADO
x2 (1 x)5 dx
= 42
0
1
x2 (x5 + 5x4 10x3 + 10x2 5x + 1)dx
= 42
0
1
(x7 + 5x6 10x5 + 10x4 5x3 + x2 )dx
= 42
0
1
5
10
10
5
1
= 42 x8 + x7 x6 + x5 x4 + x3
8
7
6
5
4
3
1 5 10 10 5 1
= 42 +
+
+
8 7
6
5
4 3
1
=
4
1
0
Por lo tanto, la proporcin media de accidentes automovilsticos fatales es esta ciudad es 25 %.
Ejemplo 8.4.5.
Una variable
tiene la siguiente f.d.p.:
2e2x ,
0,
fX (x) =
si
si
x>0;
x 0.
X.
Solucin:
Como
es una v.a.c. entonces se tiene que
E[X] =
2xe2x dx.
xfX (x)dx =
Integrando por partes, haciendo
u=x
dv = 2e2x dx,
se obtiene que
v = e2x
consiguiente
E[X] = X = uv
vdu
= x e2x
2x
l
m xe2x 0e0
1
= (0 0)
2
1
= (0 1)
2
1
=
2
Esto es, el valor esperado de
e2x dx
+
0
= xe
e2x dx
es 0.5.
l
m e2x e0
e2x
2
du = dx.
Por
212
CAPTULO 8.
V
ARIABLES ALEATORIAS
Nota. Queda como ejercicio para el lector justicar detalladamente que
l
m xe2x = 0
Nota. Se puede demostrar que si

valor esperado de
l
m e2x = 0.
es una v.a.c. entonces una frmula alternativa para calcular el
es
(1 FX (x))dx
E [X] =
0
donde
FX
es la f.d.a. de
FX (x)dx
0
X.
A continuacin se presentan las propiedades del valor esperado:
Proposicin 8.4.1.
i.
ii.
Sea
una v.a. y
a, b
E[a] = a.
E [aX + b] = aE[X] + b.
iii. Si
a1 , a2 . . . , an
son
nmeros reales y
X1 , X2 , . . . , Xn
n
son
v.a.'s conmensurables entonces
ai Xi =
E
i=1
ai E[Xi ]
i=1
A continuacin presenta la demostracin para el caso continuo ya que la prueba es anloga para el
caso discreto.
Demostracin:
Si
fX
denota la f.d.p. de una v.a.c.
entonces:
i. Empleando la denicin del valor esperado se obtiene que
E [a] =
afX (x)dx = a
y por lo tanto
fX (x)dx = a(1) = a
E [a] = a.
ii. Utilizando nuevamente la denicin del valor esperado, la propiedad i. y desarrollando se tiene
que
E [aX + b] =
(ax + b)fX (x)dx
(axfX (x) + bfX (x))dx
8.4.
213
VALOR ESPERADO
bfX (x)dx
axfX (x)dx +
axfX (x)dx + b
xfX (x)dx + E [b]
=a
= aE [X] + b
de donde
E [aX + b] = aE [X] + b.
iii. Aunque la demostracin de esta propiedad requiere de conceptos ms avanzados, se invita al lector
a ver la demostracin de esta propiedad en Hogg, McKean & Craig (2005).
Se deja como ejercicio para el lector la demostracin en el caso discreto.
Nota. Dadas las v.a.
X, Y
y los nmeros reales
identidad para el caso en que
a y b, de la proposicin 8.4.1 se desprende la siguiente
n = 2.
E [aX + bY ] = aE [X] + bE [Y ]
Ejemplo 8.4.6.
Una empresa de productos bio-sintticos est utilizando cierto tipo de reactivos
para aumentar o disminuir la cantidad de protenas que tienen en un cultivo, de tal manera que
agregar
mililitros de reactivos implica que la poblacin sea ahora de tamao
qP ,
donde
es el
tamao de la poblacin inicial. Adems de la aplicacin de estos reactivos, aaden una cantidad ja
de protenas ligeramente diferentes para que el conjunto nal de protenas tenga un balance adecuado
de las cualidades que proporcionan los grupos de protenas. Si se sabe que la variable nmero de
individuos en el cultivo inicial de protenas (X ) tiene una f.m.p.
fX
con media
X = 3 104
entonces
se quiere saber cual debera ser la cantidad en mililitros de reactivos que se deben aplicar para que
la razn esperada entre el nmero total de protenas nal y el nmero agregado de protenas sea
ligeramente diferente de 2.9, si se agregan
430, 000
de estas ltimas protenas.
Solucin:
Lo primero que se debe notar es que la cantidad de inters es
E [Y ] = E
donde
qX + 430, 000
430, 000
es la cantidad en mililitros de los reactivos a incorporar en el primer cultivo de protenas,
430,000 es la cantidad de las protenas modicadas que se incorporan luego de que el reactivo se haya
consumido y
es la razn entre el nmero total de protenas nal y el nmero agregado de protenas.
214
CAPTULO 8.
Ahora, como el interrogante se encuentra en la cantidad

dos grupos de protenas, se plantea que
E [Y ] = 2.9
V
ARIABLES ALEATORIAS
en relacin a la razn esperada entre los
de donde
qX + 430, 000
= 2.9
430, 000
q
E
X + 1 = 2.9
430, 000
q
E [X] + 1 = 2.9.
430, 000
E
As, despejando para
se obtiene que
430000
E [X]
430000
q = 1.9
3 104
q = 27.23333.
q = (2.9 1)
Luego, es necesario aumentar la poblacin inicial a aproximadamente 27 veces la poblacin inicial, ya

que es necesario aplicar 27.23 mililitros de reactivo para que la razn esperada entre el nmero total
de protenas nal y el numero agregado de las protenas sea ligeramente diferente sea de 2.9.
Ejemplo 8.4.7.
Un par de empresas de construccin tienen pensado realizar una fusin con el n de
aumentar sus ingresos medios, pensando en que la fusin crear un aumento de los ingresos de cada
una de ellas y por ende de los ingresos totales. Segn el historial de cada una de las empresas sus
ingresos medios son 1.3 billones y 1.6 billones respectivamente. Los factores en los cuales se quiere que
aumenten los ingresos para cada una de las compaas son de 1.13 y 1.44 respectivamente. Al cabo
de un ao las empresas se dieron cuenta que la ganancia media de la fusin fue de 2.84 billones, cifra
menor a lo que se tena pensado previamente. A pesar de que efectivamente lograron aumentar las
ganancias segn los factores que se propusieron, la primera empresa decide cancelar la fusin. Por
qu?
Solucin:
Segn el planteamiento inicial que tenan las empresas, estas esperaban una ganancia media de la
fusin dada por:
E [1.13X + 1.44Y ]
donde
son las ganancias de la primera empresa y
las ganancias de la segunda empresa. Por
lo que la ganancia esperada una vez establecida la fusin es de
E [1.13X + 1.44Y ] = 1.13E [X] + 1.44E [Y ] = 1.13 1.3 + 1.44 1.6 = 3.773.
Ahora, si la primera empresa al darse cuenta que la ganancia media de la fusin fue menor a lo que se
tena pensado previamente, a pesar de que si se obtuvieron los factores de aumento, se podra pensar
que la segunda empresa minti sobre su ganancia media dado que
E [1.13X + 1.44Y ] = 2.84
8.5.
215
MOMENTOS
1.13E [X] + 1.44E [Y ] = 2.84

2.84 (1.13)(1.3)
1.44
E [Y ] = 0.9521.
E [Y ] =
La primera cancel la fusin porque esta cantidad es mucho menor de la que la segunda empresa
report al momento de hacer la fusin de las compaas.
8.5. Momentos
Las siguientes dos deniciones son parte fundamental de otras medidas caractersticas de las v.a.'s;
por tal razn es esencial que se manejen de forma apropiada y ecaz.
Denicin 8.5.1.
Sea
o con f.d.p.
fX
j = 1, 2, . . .,
denotado con
j ,
est dado por
j
k xk fX (xk ),
xj fX (x)dx,
j =
fX para el caso discreto

j -simo momento de X para
una v.a. con f.m.p.
si
si
X
X
es una v.a.d.;
es una v.a.c..
j -simo momento de una v.a. X es un caso particular de E[g(X)] cuando

g(x) = x . Adems, se observa que el segundo momento de una v.a. X se simboliza con 2 y est dado
2
por E[X ], esto es:
2
si X es una v.a.d.;
k xk fX (xk ),
2 =
x2 fX (x)dx, si X es una v.a.c..
Nota. La denicin del

j
El segundo momento es de uso frecuente en las medidas que describen de dispersin de una variable.
La importancia de los momentos de una distribucin radica en la relacin que tienen stos con las
medidas bsicas para describir v.a.'s, como la media, la varianza y las medidas de forma, entre otras.
En particular el segundo momento de una v.a. es de gran importancia en la teora estadstica bsica
y avanzada.
Ejemplo 8.5.1.
Sea
una v.a.c. con f.d.p. dada por:
fX (x) =
Calcular el segundo momento de
Solucin:
X.
2x,
0,
0 < x < 1;
en otro caso.
216
CAPTULO 8.
X,
Se pide calcular el segundo momento de
es decir,
2 = E[X 2 ].
V
ARIABLES ALEATORIAS
Como
es una v.a.c. entonces se
obtiene que
x2 fX (x)dx
E[X 2 ] =
x2 (2x)dx
=
0
x3 dx
=2
=
0
x4 1
2 0
1 4
= (1 04 )
2
1
= .
2
Por lo tanto el segundo momento de
Denicin 8.5.2.
o con f.d.p.
fX
Sea
es 0.5.
fX para el caso discreto

j -simo momento centrado
j = 1, 2, . . ., denotado con j , est
una v.a. con f.m.p.
alrededor de la media
de
para
dado por
j =
donde
j
k (xk X ) fX (xk ),
j
(x X ) fX (x)dx,
es el valor esperado de
Nota. Como antes, la denicin del

es un caso particular de
Ejemplo 8.5.2.
E[g(x)]
si
si
X
X
es una v.a.d.;
es una v.a.c..
X.
j -simo momento centrado

g(x) = (x X )j .
alrededor de la media de una v.a.
cuando
Un departamento de ciencias forenses se encuentra ante un caso en el cual los
individuos han muerto debido a diferentes concentraciones de cianuro. En el departamento se hacen

mediciones de estos niveles en cada cuerpo, lo que dene una v.a.c. que asumen tiene la f.d.p. dada
por:
fX (x) =
1
3
5,184 x ,
si
0,
en otro caso.
0 < x < 12;
Si en las mediciones que se han realizado se han dado cuenta que los niveles entre 8 y 12 son los ms
frecuentes, la funcin de densidad propuesta es aceptable? Adems, tambin se quiere determinar
si la concentracin en los niveles se est agrupando de manera consistente. Por tal motivo se pide
calcular la medida
X =
E (X X )4
3
(E [(X X )2 ])2
que se espera de como resultado un valor mayor a 3, para as conrmar que los valores tienen una alta
densidad alrededor de la media. Discutir el resultado de esta medida.
8.5.
217
MOMENTOS
Solucin:
La f.d.p. para concentraciones entre 0 y 12 se puede observar en la gura 8.6, donde se aprecia la alta
frecuencia de los niveles de cianuro entre 8 y 12, luego bajo esta perspectiva, es una f.d.p. aceptable.
Para realizar el clculo de la medida requerida, primero se obtienen las cantidades
X = E [X]
xfX (x)dx
12
=
0
1
x3 dx
5, 184
12
1
x4 dx
5, 184 0
12
1
=
x5
(5)(5, 184) 0
1
=
(125 05 )
25, 920
= 9.6,
E (X X )2 =
(x X )2 fX (x)dx
12
(x 9.6)2
=
0
=
=
=
1
5, 184
1
5, 184
1
5, 184
1
=
5, 184
=
1
5, 184
1
x3 dx
5, 184
12
(x 9.6)2 x3 dx
0
12
x2 (2)(9.6)x + 9.62
x5 19.2x4 + 92.16x3 dx
0
x6
x5
x4
19.2 + 92.16
6
5
4
6
(x X )4 fX (x)dx
(x X )4
=
0
1
x3 dx
5, 184
12
0
12
12
124
19.2
+ 92.16
6
5
4
12
x3 dx
12
= 3.84
E (X X )4 =
218
CAPTULO 8.
12
1
5, 184
x4 4x3 X + 6x2 2 4x3 + 4 x3 dx

X
X
X
0
12
1
=
5, 184
=
V
ARIABLES ALEATORIAS
x7 4X x6 + 62 x5 43 x4 + 4 x3 dx
X
X
X
0
x8
x7
x6
x5
x4
4X
+ 62
43
+ 4
X
X
X
8
7
6
5
4
1
5, 184
12
12
12
12
124
4X
+ 62
43
+ 4
X
X
X
8
7
6
5
4
1
5, 184
12
12
0
= 54.51.
Luego, la cantidad por la que se indaga es:
X =
E (X X )4
54.51
3=
3 = 0.6964.
2 ])2
(E [(X X )
3.842
Por lo tanto, segn lo sugerido en el ejercicio esta medida por ser mayor a 0 arma la alta densidad
de los niveles de cianuro alrededor del nivel promedio.
0.30
0.25
f(x)
0.20
0.15
0.10
0.05
0.00
0
10
12
8.6.
219
VARIANZA
8.6. Varianza
En el capitulo 4 se introducen algunas medidas descriptivas que dan cuenta de la dispersin de una
variable. En esta seccin se dene de manera formal y se profundizan los conceptos de varianza,
desviacin estndar y coeciente de variacin de una v.a. a travs de su distribucin probabilstica.
Denicin 8.6.1.
fX
Sea
una v.a. con f.m.p.
para el caso continuo. Se dene la
fX
varianza
para el caso discreto o con f.d.p.
de
X,
denotada con
el segundo momento centrado alrededor de la medida de
VarX =
donde
2
k (xk X ) fX (xk ),
2
(x X ) fX (x)dx,
es el valor esperado de
Nota. El valor esperado de una v.a.

denicin de
Var[X]
si
si
X
X
X,
Var[X],
como
esto es:
es una v.a.d.;
es una v.a.c..
X.
2
X . Adems, se observa que la
E[g(X)] cuando g(x) = (x X )2 , es decir, a
2 .
La siguiente proposicin establece una forma alternativa para calcular la varianza de una variable.
Esta nueva expresin de la varianza que utiliza el segundo momento de la variable puede resultar ms
sencilla en muchos casos.
Proposicin 8.6.1.
Si
es una v.a. entonces se satisface que
Var [X] = E X 2 (E [X])
A continuacin presenta la demostracin para el caso continuo ya que la prueba es anloga para el
caso discreto.
Demostracin:
Asumiendo que
es una v.a.c. con f.d.p.
fX ,
empleando la denicin de varianza se sigue que
(x X )2 fX (x)dx
Var [X] =
x2 2xX + 2 fX (x)dx
X
x2 fX (x) 2xX fX (x) + 2 fX (x) dx

X
x2 fX (x)dx
= E X 2 2X
xfX (x)dx + 2
X
2 fX (x)dx
X
2xX fX (x)dx +
fX (x)dx
220
CAPTULO 8.
V
ARIABLES ALEATORIAS
= E X 2 2X X + 2 (1)
x
= E X 2 22 + 2
X
x
= E X 2 2 .
X
Se deja como ejercicio para el lector la demostracin en el caso discreto. Sin embargo, a continuacin
se una prueba general ms simple empleando las propiedades del valor esperado:
Var [X] = E (X X )2
= E X 2 2XX + 2
X
= E X 2 E [2XX ] + E 2
X
= E X 2 2X E [X] + 2
X
= E X 2 2X X + 2
X
= E X 2 2 .
X
Una vez se tienen denidas de manera formal la esperanza
y la varianza
de una v.a.
X,
varias
medidas descriptivas mencionadas en captulos anteriores se formalizan tambin cuando se calculan

empleando los conceptos formales de media y varianza.
De esta forma, si
desviacin tpica
es una v.a. con media
de
X,
denotada con
y varianza
Adems, el
desviacin estndar
2
X .
coeciente de variacin de Pearson
CVX ,
entonces la
se dene como
X =
tado con
2
X
(o simplemente coeciente de variacin), deno-
est dado por
CVX =
X
.
X
Se recomienda al lector consultar el captulo 4 para revisar los detalles relacionados con la interpretacin de estas medidas de dispersin.
Ejemplo 8.6.1.
Calcular e interpretar el coeciente de variacin de la v.a. del ejemplo 8.4.5.
Solucin:
Haciendo nuevamente integracin por partes se obtiene que
E X2 =
x2 fX (x)dx
x2 2e2x dx
=
0
2x2 e2x dx
=
0
8.6.
221
VARIANZA
1
.
2
As, se sigue que
Var [X] = E X 2 2 =
X
y por lo tanto la desviacin estndar de
es
es
X =
1
2
0.25 = 0.5.
1
4
Luego, el coeciente de variacin de
0.5
X
=
= 100 %
X
0.5
CVX =
y en consecuencia la dispersin de la variable
es alta con respecto al valor medio.
2x2 e2x dx = 1/2.

0
Ejemplo 8.6.2.
Solucin:
Primero se calcula
E X2
y se obtiene que
E X2 =
x2 fX (xk )
k
k
6
x2
=
x=1
1
6
1
1
1
= (0 ) + (12 ) + . . . + (62 )
6
6
6
91
=
.
6
Por lo tanto, la varianza de
est dada por:
Var [X] = E X 2 2 =
X
Luego, el coeciente de variacin de
91
21
6
35
.
12
es
CVX =
X
=
X
35
12
21
6
= 83.3 %.
Este coeciente indica que los valores del resultado obtenido en el lanzamiento tienen un alto grado
de heterogeneidad con respecto al valor esperado del lanzamiento. Este hecho se puede anticipar dado
que se tiene un experimento donde todos los resultados son equiprobables.
222
Ejemplo 8.6.3.
CAPTULO 8.
V
ARIABLES ALEATORIAS
Solucin:
E X2 =
x2 fX (xk )
k
k
x2
=
x=1
e3 3x
x!
= e3
x2
x=1
= e3
x
x=1
= e3
3x
x!
3x
(x 1)!
(y + 1)
y=0
= e3
3y+1
y!
y
y=0
3y+1
3y+1
+
y!
y!
y=0
=e
3y+1
3y
y
+3
y!
y!
y=1
y=0
= e3
3y
+ 3e3
y!
y
y=1
=e
3e3 E [X] + 3e3
= e3 9e3 + 3e3
= 12.
Por lo tanto, se obtiene que
Var [X] = E X 2 2 = 12 32 = 3
X
y por consiguiente el coeciente de variacin de
CVX
X
=
=
X
es
3
= 57.7 %.
3
Este valor del coeciente indica que la dispersin de la variable es alta con respecto al valor medio.
y
y=1
3y
= e3 E [X] .
y!
8.6.
223
VARIANZA
Ejemplo 8.6.4.
Solucin:
Var [X] = E X 2 2 = 0.5 0.52 = 0.25

X
dado que
E X2 =
x2 fX (x)dx
x2 (2x)dx
=
0
1
=
=
2x3 dx
0
x4 1
2 0
1
= (1 0)
2
= 0.5.
X es
0.25
0.5
=
=
= 100 %.
0.5
0.5
En consecuencia, el coeciente de variacin de
CVX =
X
X
Este valor del coeciente indica que la dispersin de la variable es alta con respecto al valor medio.
A continuacin se presentan las propiedades de la varianza:
Proposicin 8.6.2.
i.
una v.a. y
a, b
Var [X] 0.
ii.
Sea
Var [a] = 0.
iii.
Var [aX + b] = a2 Var [X].
A continuacin se presenta la demostracin en el caso continuo ya que la prueba es anloga en el caso

discreto.
Demostracin:
Si
fX
denota la f.d.p. de una v.a.c.
entonces:
224
CAPTULO 8.
i. Dado que
fX (x) 0
(x X )2 0
V
ARIABLES ALEATORIAS
entonces
(x X )2 fX (x)dx 0.
Var [X] =
ii. Con facilidad se deduce que
Var [a] = E a2 (E [a]) = a2 a2 = 0.
iii. Se ve ahora que
((aX + b) aX+b )2 fX (x)dx
Var [aX + b] =
((aX + b) E [aX + b])2 fX (x)dx
((aX + b) aE [X] E [b])2 fX (x)dx
(aX aE [X] + b E [b])2 fX (x)dx
(a(X E [X]) + b b)2 fX (x)dx
(a(X E [X]))2 fX (x)dx
a2 (X E [X])2 fX (x)dx
= a2
(X X )2 fX (x)dx
= a2 Var [X] .
Ejemplo 8.6.5.
Continuando con el ejemplo 8.4.6, dado que los productos bio-sintticos de la com-
paa requieren de altos niveles de precisin, es necesario observar constantemente la variacin de sus
componentes, en particular de los componentes biticos. Por esta razn se quiere comparar analizar
la dispersin del nmero de protenas en el cultivo nal respecto al nmero de protenas en el cultivo
inicial, teniendo en cuenta que la varianza del nmero de individuos en el cultivo inicial de protenas
es
2
X = 19, 600, 000.
Solucin:
Se dene la variable
Z = 27.33X + 430, 000
correspondiente al nmero de protenas en el cultivo
nal teniendo en cuenta la razn que debe haber entre el nmero de protenas nal y el nmero de
protenas modicadas (detalles en el ejemplo 8.4.6). Como
valor esperado y varianza de la v.a.
y la varianza de
X =nmero
2
X = 19, 600, 000
X = 3 104
son el
de protenas en el cultivo inicial, entonces la media
estn dadas por
Z = E [27.33X + 430, 000] = 27.33E [X] + 430, 000 = 27.33 3 104 + 430, 000 = 1, 249, 900
8.7.
225
ALGUNAS DESIGUALDADES
2
Z = Var [27.33X + 430000] = 27.332 Var [X] = 27.332 (19, 600, 000) = 14, 639, 806, 440.
Luego, los coecientes de variacin de
CVX =
son respectivamente
X
=
X
Z
CVZ =
=
Z
19, 600, 000

= 14.76 %
3 104
14, 639, 806, 440

= 9.68 %.
1, 249, 900
Por lo tanto, la dispersin del nmero de protenas en un cultivo nal es menos disperso respecto al
valor medio que el nmero de protenas en un cultivo inicial. As, ambos cultivos poseen una dispersin
intermedia respecto al nmero de protenas esperado, por lo que el uso de estos cultivos de protenas
en los productos bio-sintticos no presenta grandes variaciones.
Ejemplo 8.6.6.
Continuando con el ejemplo 8.4.7, ante la decisin tan drstica que toma la primera
empresa, la segunda empresa decide tomar una accin legal en la que da como pruebas documentos en
los cuales se encuentra la informacin sobre las ganancias de las dos empresas, los factores de aumento
(informacin dada en la primera parte del ejemplo), las desviaciones estndar de las variables
y adems las pruebas de que las ganancias de una empresa son independientes de la otra. Teniendo
en cuenta que
X = 0.1324
Y = 0.5800,
la primera empresa debera seguir con la fusin a la luz
de esta informacin?
Solucin:
Entendiendo la pregunta desde un punto de vista econmico y haciendo uso de los coecientes de
variacin de las variables, se sigue que
CVX =
0.1324
X
=
= 10.2 %
X
1.3
CVY =
Y
0.5800
=
= 36.2 %.
Y
1.6
Con esta evidencia, se concluye que la decisin que tom la primera empresa cancelando la fusin es
correcta, ya que de continuar podra sacricar la regularidad de sus ganancias dada la volatilidad de
las ganancias de la segunda compaa.
8.7. Algunas desigualdades

Una vez introducido el concepto de probabilidad, media y varianza de manera formal, se puede formalizar tambin la idea presentada en la seccin 4.9 sobre la desigualdad de Chebyshev, por medio
de los siguientes teoremas:
226
CAPTULO 8.
Teorema 8.7.1.
Sea
V
ARIABLES ALEATORIAS
X una v.a. tal que el valor esperado y la varianza de X existen y g(X)

E [g(X)] existe entonces para cualquier nmero real c se tiene que
una
funcin no negativa. Si
P(g(X) c)
E [g(X)]
c
Demostracin:
Sea
Ac = {x R : g(x) c}.
Si
fX
E [g(X)] =
entonces
g(x)fX (x)dx
R
g(x)fX (x)dx
Ac AC
c
g(x)fX (x)dx +
g(x)fX (x)dx
AC
c
Ac
g(x)fX (x)dx
Ac
dado que
g(X)
es una funcin no negativa. Ahora, como
g(x) c
en
Ac ,
en
Ac ,
entonces
g(x)fX (x)dx
fX (x)dx = cP(X Ac ) = cP(g(X) c)
cfX (x)dx = c
Ac
Ac
Ac
y por lo tanto
E [g(X)]
P(g(X) c).
c
De otra parte, si
es una v.a.d. con f.m.p.
E [g(X)] =
fX
entonces
g(x)fX (x)
RX
g(x)fX (x)
Ac AC
c
g(x)fX (x) +
Ac
g(x)fX (x)
AC
c
g(x)fX (x)
Ac
dado que
g(X)
es una funcin no negativa. Ahora, como
g(x) c
entonces
g(x)fX (x)
Ac
fX (x) = cP(X Ac ) = cP(g(X) c)
cfX (x) = c
Ac
Ac
y por lo tanto
E [g(X)]
P(g(X) c).
c
8.7.
227
ALGUNAS DESIGUALDADES
Teorema 8.7.2.
Sea
teorema de Markov .
una v.a. tal que el valor esperado y la varianza de
P(|X X | < kX ) 1
o equivalentemente
P(|X X | kX )
donde
existen. Entonces
1
k2
1
k2
es un nmero real positivo.
Demostracin:
Haciendo
g(X) = (X X )2
2
c = k 2 X
en el teorema 8.7.1 se obtiene que
2
P (X X )2 k 2 X
y dado que
2
E (X X )2 = X
E (X X )2
2
k 2 X
entonces
2
P((X X )2 k 2 X )
Como el evento
2
(X X )2 k 2 X = |X X | < kX
y adems
P(|X X | kX )
P(|X X | < kX ) 1
Ejemplo 8.7.1.
Dada una v.a.
k > 0,
se concluye que
1
k2
de donde
1
.
k2
1
,
k2
teorema de Chebyshev o desigualdad de Chebyshev.
con valor esperado
y varianza
2
X
tal que
P(X a < X < X + a) 0.75.

2
Adems, si X
=1
a = 3,
se pide hallar una cota inferior para
P(X 3 < X < X + 3).
Solucin:
Usando la desigualdad de Chebyshev y tomando
a = kX
0.75 = 1
1
k2
se obtiene que
se quiere obtener un valor
228
CAPTULO 8.
V
ARIABLES ALEATORIAS
1
= 0.25
k2
1
|k| =
0.25
|k| = 2.
Como
k>0
entonces
k=2
a = 2X .
De esta manera, se concluye que
P(X 2X < X < X + 2X ) 0.75.

Por otro lado, si
2
X = 1
a=3
entonces
k=3
se sigue que
P(X 3 < X < X + 3) = P(|X X | < 3) 1 1/32 = 0.8889.
Ejemplo 8.7.2.
X
Una compaa dedicada al mercado burstil sabe que para cualquier da la variable
que representa la ganancia (en miles de millones) del da sigue la f.d.p. dada por:
fX (x) =
1
4
3,410 x ,
si
0,
en otro caso.
3 < x < 7;
Teniendo en cuenta que los valores negativos de la variable representan prdidas, se quiere determinar:
a. La ganancia esperada y la varianza en un da cualquiera.

b. Una cota para la probabilidad de que las ganancias se encuentren a una distancia menor de la
media de tres veces la desviacin estndar.
c. La probabilidad exacta sobre el numeral anterior y comparar los resultados obtenidos.
d. Un grco de la funcin de densidad sobre el rango de la variable.
Solucin:
a. El valor esperado de
es
E [X] =
xfX (x)dx =
x
3
1
1
x4 =
x6
3, 410
(6)(3, 410)
7
3
1
(76 (3)6 ) = 5.7145
40, 460
E X2 =
x2 fX (x)dx =
x2
3
1
1
x4 =
x7
3, 410
(7)(3, 410)
7
3
1
(77 (3)7 ) = 34.5927
23, 870
de donde
Var [X] = 34.59279 (5.714565)2 = 1.9365.
8.8.
229
FUNCIN GENERADORA DE MOMENTOS
b. Por medio del teorema de Chebyshev y el ejemplo 8.7.1 se tiene que
P(|X X | < 3X ) 0.8889.

Se observa que la distancia a la media puede ser por valores de menor o mayor magnitud, por lo
cual tiene sentido el valor absoluto de la diferencia para denotar la distancia.
c. Para calcular la probabilidad exacta basta con calcular la siguiente probabilidad:
P(|X X | < 3X ) = P(X 3X < X < X + 3X ) = P(5.714 4.174 < X < 5.714 + 4.174).
Como
P(1.539 < X < 9.888) = P(1.539 < X < 7) =

1.539
1
1
x4 =
x5
3, 410
(5)(3, 410)
= 0.9849
1.539
entonces calculando la probabilidad de manera exacta se tiene que siempre ser mayor o igual
que la cota obtenida mediante el teorema de Chebyshev y esta probabilidad puede estar alejada
signicativamente de la cota propuesta, por lo que es necesario ser prudentes con el uso de esta
cota.
d. Por ltimo, la grca de la f.d.p. de
sobre el rango de
se presenta en la gura. 8.7
8.8. Funcin generadora de momentos

Como se ha visto, el valor esperado es de uso frecuente, tanto para denir los momentos de una v.a.,
como para denir la varianza, entre otros parmetros. En esta seccin se introduce una versin especial
del valor esperado que permite calcular con facilidad todos los momentos de una v.a. e identicar su
distribucin probabilstica.
Denicin 8.8.1.
con f.d.p.
mentos
fX
Sea
una v.a. con f.m.p.
para el caso continuo. La
(abreviado con f.g.m.) de
fX
para el caso discreto o
funcin generadora de mo-
, denotada con
mX (t),
se dene
como
mX (t) = E etX
donde
t (h, h)
con
h>0
un valor jo para el que
E etX
existe.
230
CAPTULO 8.
V
ARIABLES ALEATORIAS
0.7
0.6
0.5
f(x)
0.4
0.3
0.2
0.1
0.0
2
Nota. La denicin de la f.g.m. de una v.a.

tx
g(x) = e
. Por consiguiente, si
es una v.a. con f.m.p.
fX
E [g(X)]
para el caso discreto o con f.d.p.
cuando
fX
para
el caso continuo, se tiene que
E etX =
txk
fX (xk ),
ke
etx fX (x)dx,
si
si
X
X
es una v.a.d.;
es una v.a.c..
La funcin generadora de momentos se vuelve una herramienta muy til para calcular los momentos
de una v.a. al igual que para identicar su distribucin probabilstica, ya que hay una relacin 1-1
entre la f.g.m. y la funcin de distribucin. Sin embargo, se debe tener en cuenta que la f.g.m. no
siempre existe as como el valor esperado.
Teorema 8.8.1.
k -simo
momento
X
E Xk
Sea
E etX
k = 1, 2, . . .,
una v.a. tal que

de
para
existe para
f.g.m. evaluada en 0, esto es:

(k)
E X k = mX (0)
donde
(k)
mX (t) =
dk
mX (t).
dtk
t (h, h)
h > 0. Entonces
k -sima derivada de
con
se puede calcular como la
el
la
8.8.
231
Demostracin:
Si
fX
entonces la funcin generadora de momentos de
mX (t) = E etX =
est dada por:
etx fX (x).
x
Luego, entendiendo a
mX (t)
como una funcin de valor real se tiene que
dk
dk
mX (t) = k
k
dt
dt
Evaluando en
t=0
xk etx fX (x)
k
se tiene que
dk
mX (t)
dtk
Por ltimo, si
dk tx
e fX (x) =
dtk
etx fX (x) =
xk e0x fX (x) =
=
t=0
xk fX (x) = E X k .
x
RX
fX
entonces la funcin generadora de momentos de
dada por:
est
mX (t) = E etX =
etx fX (x)dx.
mX (t)
Luego, entendiendo
como una funcin de valor real y bajo un resultado del anlisis real
tiene que
dk
dk
mX (t) = k
dtk
dt
Evaluando en
t=0
etx fX (x)dx =
dk tx
e fX (x)dx.
dtk
se tiene que
dk
mX (t)
dtk
Ejemplo 8.8.1.
se
t=0
xk e0x fX (x)dx =
xk fX (x)dx = E xk .
Una entidad bancaria est evaluando el servicio que presta en su pgina web. Uno
de los principales puntos de evaluacin es la capacidad de la pgina para la ejecucin de transacciones

virtuales. El nmero mximo de transacciones por minuto de la pgina web de esta entidad es 10. Una
variable de inters es el tiempo (en minutos) restante para la siguiente operacin nanciera cuya
f.d.p. est dada por:
fX (x) =
2e2x ,
0,
si
si
x > 0;
x 0.
Se quiere encontrar la f.g.m. y los dos primeros momentos de la variable para calcular el coeciente
de variacin y analizarlos respecto al nmero mximo de transacciones por minuto.
Solucin:
1 El
lector vido puede encontrar en Rudin (1976, p. 236) las condiciones bajo las cuales se puede hacer el intercambio
entre integral y derivada.
232
CAPTULO 8.
V
ARIABLES ALEATORIAS
Como
etX fX (x)dx
E etX =
etx 2e2x dx
=
0
2etx2x dx
=
0
2ex(2t) dx
=
0
2
0
2 t x(2t)
e
dx
2t
2
(2 t)ex(2t) dx
2t 0
2
=
ex(2t)
2t
0
2
(0 (1))
=
2t
2
=
.
2t
Luego,
mX (t) =
2
2t para
t < 2,
en particular para
(1)
mX (t) =
2
(2 t)2
entonces los primeros dos momentos de la v.a.
(1)
mX (0) =
2
1
=
2
(2 0)
2
2 < t < 2.
(2)
mX (t) =
Ahora, como
4
(2 t)3
son
y
(2)
mX (0) =
4
1
= .
3
(2 0)
2
En consecuencia, el coeciente de variacin es
CVX
X
=
=
X
0.5 0.52
= 100 %.
0.5
As, se espera que la pgina web reciba una nueva transaccin cada medio minuto, lo que est dentro
de las capacidades de la pgina. Sin embargo, dada la alta dispersin respecto al valor medio, se
aconseja optimizar los procesos informticos para garantizar la eciencia del servicio.

(1)
mX (t) =
Proposicin 8.8.2.
nmero reales y
2
(2 t)2
X una v.a. tal

Y = aX + b entonces
Sea
que
E etX
m(2) (t) =
x
4
.
(2 t)3
existe para
mY (t) = ebt mX (at).
t (h, h)
con
h > 0.
Si
a, b
son
8.8.
233
Demostracin:
Empleando la denicin de la f.g.m. se tiene que
mY (t) = E eyt
= E e(aX+b)t
= E eaXt+bt
= E eaXt ebt
= ebt E e(aX)t
= ebt mX (at).
Ejemplo 8.8.2.
Continuando con el ejemplo 8.8.1, con el transcurrir de los meses la entidad se ha
dado cuenta que el tiempo para que se realice la siguiente transaccin a disminuido al 10 % de lo
que era anteriormente. Se quiere determinar los cambios que hubo en la media y en la dispersin de
la variable.
Solucin:
Como el tiempo para que se realice la siguiente transaccin a disminuido al 10 % de lo que era
anteriormente, entonces la variable objeto de estudio es
basta utilizar la proposicin 8.8.2 para obtener
mY (t).
Y = 0.1X .
mY (t) = m0.1X (t) = mX (0.1t) =
(1)
Por lo tanto, los momentos de
(1)
mY (0) =
2(0.1)
(2 0.1t)2
X,
2
.
2 0.1t
2
mx (t) = 2t existe para 2 < t < 2, entonces mY (t) existe
20 < t < 20. Ahora, calculando los momentos se sigue que
Como
mY (t) =
Como ya se tiene la f.g.m. de
De esta forma se obtiene que
(2)
mY (t) =
para
2 < 0.1t < 2,
es decir, para
4(0.1)2
.
(2 0.1t)3
son
2(0.1)
1
=
(2 (0.1)(0))2
20
(2)
mY (0) =
4(0.1)2
1
=
.
(2 (0.1)(0))3
200
Y es
0.005 0.052
=
= 100 %.
0.05
En consecuencia, el coeciente de variacin de
CVY =
Y
Y
Luego, se espera que la pgina web ahora reciba una nueva transaccin cada 0.05 minuto, lo cual
se encuentra dentro del valor que la entidad bancaria puede manejar. Sin embargo, el coeciente de
variacin contina reejando una alta dispersin respecto al valor medio, lo que indica que todava
debe haber un control persistente sobre la eciencia de los procesos de la pgina.
234
CAPTULO 8.
Ejemplo 8.8.3.
V
ARIABLES ALEATORIAS
Un tejido producido sintticamente necesita de ciertos niveles de precisin en la
cantidad de polietileno utilizado en su fabricacin. En la produccin hay desviaciones en la cantidad

de polietileno usado; estas desviaciones siguen el comportamiento de una v.a.d. con f.d.p. dada por:
fX (x) =
2
1
I{0.5,0.5} (x) + I{0.1,0.1} (x)
5
10
donde
IA (x) =
para cualquier conjunto
A.
La funcin
IA
1,
0,
si
x A;
en otro caso.
se denomina
funcin indicadora
del conjunto
A.
Se quiere determinar si la frecuencia en los errores de la cantidad de polietileno se encuentra estable, o

por el contrario, es ms frecuente encontrar errores en la cantidad de polietileno debido a aplicaciones
menores o mayores a la cantidad ptima. Para indagar por esta inquietud se sabe que la medida
X =
E (X X )3
(E [(X X )2 ])3/2
da una respuesta concreta respecto a la frecuencia de los errores de la cantidad de polietileno, ya que
si
X = 0
entonces la frecuencia con la que se da un exceso en la cantidad de polietileno es igual a la
que se obtiene cuando hay un dcit en la cantidad establecida, pero si
X > 0
X < 0
entonces
hay una mayor frecuencia en los excesos o en el dcit segn sea el caso.
Adems, se estableci que una de las mquinas del proceso ha aumentado las desviaciones en la
cantidad de polietileno en 0.33 unidades. Si antes de tener este cambio esta mquina segua el mismo
comportamiento de la variable
X,
cul es el desvo esperado en la cantidad de polietileno aplicado?
Solucin:
Para calcular
primero se calcula
X = E [X]
mediante la f.g.m. de
como sigue:
mX (t) = E etX
etx
=
x
=
x
2
1
I{0.5,0.5} (x) + I{0.1,0.1} (x)
5
10
2
etx I{0.5,0.5} (x) +
5
etx
x
1
I{0.1,0.1} (x)
10
2
2
1
1
= et(0.5) + et(0.5) + et(0.1) + et(0.1)
5
5
10
10
2 0.5t
1 0.1t
0.5t
0.1t
=
e
+e
+
e
+e
5
10
Ahora,
(1)
mX (t) =
Luego,
2
1
0.5e0.5t 0.5e0.5t +
0.1e0.1t 0.1e0.1t .
5
10
est dada por:
(1)
X = mX (0) =
1
2
(0.5 0.5) + (0.1 0.1) = 0.
5
10
8.8.
Por consiguiente, la frmula de
para inspeccionar la tendencia de los niveles de polietileno se puede
reescribir como
X =
y en consecuencia se puede obtener
235
E X3
(E [X 2 ])3/2
por medio de la f.g.m. calculando el segundo y tercer momento,
como sigue:
(2)
mX (t) =
de donde
2
1
0.52 e0.5t + 0.52 e0.5t +
0.12 e0.1t + 0.12 e0.1t
5
10
2
1
(2)
E X 2 = mX (0) = 2 0.52 + 2 0.12 = 0.102,
5
10
y para el tercer momento
(3)
mX (t) =
1
2
0.53 e0.5t 0.53 e0.5t +
0.13 e0.1t 0.13 e0.1t
5
10
de donde
(3)
E X 3 = mX (0) =
2
1
0.53 0.53 +
0.13 0.13 = 0.
5
10
Por lo que,
X =
0
= 0.
(0.102)3/2
Entonces, se puede decir que la frecuencia con la que se da un exceso en la cantidad de polietileno es
igual a la que se obtiene cuando hay un dcit respecto a la cantidad ptima de polietileno.
Ahora, para saber la desviacin esperada para la mquina con variaciones se considera la variable
Y = X +0.33. Utilizando la f.g.m. de X
se obtiene este valor esperado como se muestra a continuacin:
mY (t) = mX+0.33 (t)

= e0.33t mX (t)
2 0.5t
1 0.1t
e
+ e0.5t +
e
+ e0.1t
5
10
2
1
= e0.33t e0.5t + e0.5t + e0.33t e0.1t + e0.1t
5
10
2 (0.330.5)t
1
(0.33+0.5)t
=
e
+e
+
e(0.330.1)t + e(0.33+0.1)t
5
10
= e0.33t
(1)
2
(0.33 0.5)e(0.330.5)t + (0.33 + 0.5)e(0.33+0.5)t
5
1
+
(0.33 0.1)e(0.330.1)t + (0.33 + 0.1)e(0.33+0.1)t
10
mY (t) =
de donde
(1)
Y = mY (0) =
2
1
((0.33 0.5) + (0.33 + 0.5)) + ((0.33 0.1) + (0.33 + 0.1)) = 0.33.
5
10
As, se concluye que el cambio en la mquina implica que la media de la desviacin en la cantidad de
polietileno aplicado por la mquina sea de 0.33, lo que quiere decir que la mquina est generando
productos con un valor esperado de polietileno mayor al ptimo.
236
CAPTULO 8.
V
ARIABLES ALEATORIAS
A continuacin se presenta sin demostracin un teorema que facilita relacionar de forma directa la
f.g.m. de una v.a. con su distribucin probabilstica:
Teorema 8.8.3.
entonces
Sean
v.a.'s cuyas f.g.m.'s existen. Si para todo
se tiene que
mX (t) = mY (t)
tienen la misma distribucin probabilstica.
Nota. El teorema 8.8.3 permite identicar fcilmente la distribucin de una v.a. dada por medio de su
f.g.m., lo que quiere decir que a travs de esta funcin es posible precisar completamente la distribucin
probabilstica de una variable.
8.9. Funciones de variables aleatorias

8.9.1. Generalidades
A partir del concepto de v.a. (denicin 8.1.1) se puede generar otro tipo de variables aleatorias
mediante la composicin o la funcin de variables, lo cual es de gran utilidad para explorar diversas
caractersticas que nicamente se obtienen por medio de transformaciones.
Teorema 8.9.1.
i.
ii.
iii.
cX , 1/X
Sean
|X|
X +Y, X Y
Y X
dos v.a.'s tales que
son v.a.'s donde

y
XY
X:R
Y : R R.
Entonces se tiene que:
es un nmero real.
son v.a.'s.
es una v.a. donde
Y X : R : w (Y X)(w) = Y (X(w)).
La demostracin se puede consultar en Gut (2005, p. 28).
Ejemplo 8.9.1.
Una empresa abri licitaciones para un proyecto de renovacin de laboratorios, la
cual emplea la siguiente ecuacin para obtener los puntajes de las empresas que se presentan a la
licitacin y de esta forma se pueda adjudicar el contrato:
Y =
donde
X1 , X2
X3
X1 + 0.5X2 3X3
10
son respectivamente las v.a.'s que representan los aos cumplidos de experiencia,
la cantidad de personal en la empresa y los los aos de retraso en la entrega de obras anteriores.
Se puede considerar a
como una v.a.?
Solucin:
Puesto que
X1 , X2
v.a.'s, y por lo tanto

es una v.a..
X3 son v.a.'s, en virtud del teorema 8.9.1 se tiene que Y1 = 0.5X , Y2 = 3X3 son
Y3 = Y1 Y2 y Y4 = X1 + Y3 tambin son v.a.'s. Finalmente, Y = Y4 tambin
10
8.9.
237
FUNCIONES DE VARIABLES ALEATORIAS
Ejemplo 8.9.2.
En la tabla 8.1 se presentan los puntajes de las empresas que se presentaron a la
licitacin del ejemplo 8.9.1.

Empresa
X1
X2
X3
Constructora A
10
24
1.2
18.4
Y
0
Constructora B
19
0.5
17.0
Constructora C
11
20
0.3
20.1
Constructora D
15
34
3.7
20.9
Tabla 8.1: Datos asociados con el puntaje de las empresas constructoras participantes en la licitacin.
Para determinar qu empresas pasan a la siguiente etapa se tiene un nivel de corte, el cual est dado
por la v.a.
como sigue:
Z : R R : z Z(z) = I{xR:x>19.5} (z)

donde
IA
es la funcin indicadora del conjunto
A.
Cul es la v.a. que muestra que una constructora pasa a la siguiente etapa? Cules empresas pasan
el corte?
Solucin:
El espacio muestral de la variable
es
= N N (R+ {0}),
dado que las primeras dos variables
solamente asumen valores de los nmero enteros positivos, mientras que la ltima variable puede
asumir cualquier valor de los nmeros reales positivos. As, el puntaje de una empresa depende de los
valores que la compaa tome en las variables de estudio.
Una vez obtenido el valor de la variable
para una empresa determinada, tiene sentido evaluar si
sta pasa o no el corte con base en el valor registrado. Es decir, la v.a.

cada
estn representadas por el valor 1 en la v.a.
Teorema 8.9.2.
entonces
(Z Y )(w) = Z(Y (w))
para
es la v.a. de inters. Como se observa en la tabla 8.1, las empresas que pasan el corte
f (X)
Si
X : R
Z Y.
es una v.a. y
f : R R
es una funcin continua de valor real
tambin es una v.a..
La demostracin se puede consultar Gut (2005, p. 28).
Ejemplo 8.9.3.
Una de las transformaciones ms conocidas y empleadas en la estadstica se denomina
estandarizacin, proceso mediante el cual se obtiene una v.a. con esperado igual a 0 y varianza igual
a 1. De modo que si
es una v.a. tal que
E [X] = X
Z=
es una nueva v.a. tal que
E [Z] = 0
2
Var [X] = X
X X
X
Var [Z] = 1.
Justicar.
entonces
238
CAPTULO 8.
V
ARIABLES ALEATORIAS
Solucin:
Se sabe que la funcin
g : R R : x g(x) =
x X
X
es una funcin continua. Luego, por el teorema 8.9.2, se tiene que

que hace sentido calcular el valor esperado y la varianza de
g(X).
g(X)
tambin es una v.a., por lo
Adems, aplicando las propiedades
del valor esperado y de la varianza, se sigue que
E [Z] = E
X X
X
1
(E [X] X ) = 0
X
Var [Z] = Var

Otra forma de comprobar que
Ejemplo 8.9.4.
X X
X
1
2
Var [X] = X = 1.
2
2
X
X
es una v.a. es empleando el teorema 8.9.1.
Un laboratorio se encuentra realizando un experimento que tiene como objetivo
conocer sobre la expresin gentica de un grupo de genes en un organismo al verse estimulado por
diferentes condiciones fsicas y qumicas, como luz, temperatura, humedad, pH y concentraciones
de otro tipo de sustancias. La forma en que analizan la expresin de cada gen se realiza mediante
un mtodo indirecto que mide en realidad la cantidad de protenas que produce el gen ante un
determinado estimulo.
Para un gen particular se han encontrado los resultados dados en la tabla 8.2. Cules dicultades
puede tener la v.a.
dada por el nmero de protenas para determinar bajo qu escenarios la
expresin gnica es mayor? Dar una posible solucin.

Estimulo
pH
log(X)
100
4.60517
Humedad
45,677
10.72935
Salinidad
137,893,332
18.74199
% de luz
1,245
7.12689
Tabla 8.2: Datos asociados con los valores obtenidos para el nmero de protenas producidas por un determinado
gen ante diferentes estmulos.
Solucin:
La dicultad para determinar bajo que escenarios la expresin gnica es mayor se puede pensar como
la gran variacin que tienen los valores de la variable, ya que, la diferencia entre pH y salinidad es de
ms de 10 veces la cantidad obtenida en el pH, ms sin embargo estas dos cantidades son ms de 20
veces menores que los valores obtenidos en humedad y salinidad. Por lo tanto, directamente con estas
cantidades es complicado analizar bajo que estmulos hay una mayor expresin gentica.
Una posible solucin consiste en estandarizar las variables, sin embargo, como se observa en el ejemplo
8.9.3, puede que la estandarizacin elimine informacin relevante para el anlisis o no logre resolver
8.9.
239
FUNCIONES DE VARIABLES ALEATORIAS
el problema. Por lo tanto, otra posible alternativa es el uso de la funcin logaritmo, la cual reduce
la distancia entre las cantidades transformadas como se observa en la tabla 8.2, y adems como la
funcin logaritmo es una funcin continua sobre los nmeros reales positivos, entonces
log(X) tambin
es una v.a., y por tal motivo es posible analizar estadsticamente la expresin gentica a travs de esta
transformacin.
8.9.2. Distribuciones de funciones de v.a.

g(X) de una v.a. X , la cantidad Y = g(X) tambin puede
g(X). Por consiguiente, si Y es una v.a. entonces hace
sentido preguntarse por la distribucin probabilstica de Y . A continuacin se presentan un par de
alternativas para deducir la distribucin de una funcin de una v.a. X :
Asumiendo que se tiene una transformacin
ser una v.a. segn sean las especicaciones de
i. Si
fX
Y = g(X)
entonces
RY = {g(x) : x RX }
y por lo tanto la
f.m.p. de Y es
fY (y) = P(Y = y) = P(g(X) = y) = P(X g 1 (y))

donde
g 1 (y) = {x RX : g(x) = y}.
Se observa que si
es una funcin uno-a-uno (detalles en
la seccin C.2) entonces
fY (y) = fX (g 1 (y)).
ii. Si
Teorema 8.9.3.
uno-a-uno sobre
Sea
RX .
X
Si
fX
Y = g(X)
entonces se utiliza el siguiente teorema:
una v.a.c. con f.d.p.
X = g 1 (Y )
fX
Y = g(X)
una funcin diferenciable de
denota la funcin inversa de
g(X)
entonces la f.d.p. de
X
Y
est dada por:
fY (y) = fX (g 1 (y))
dx
donde dy
dx
dy
d 1
(y) .
dy g
Demostracin:
g(X) es invertible y continua, entonces g(X) es montona creciente o montona decreciente.
g(X) que es montona creciente entonces dx = dx y adems
dy
dy
Como
Si
FY (y) = P(Y y) = P(g(X) y) = P(X g 1 (y)) = FX (g 1 (y))

de donde
fY (y) =
d
d
d
dx
FY (y) =
FX (g 1 (y)) = fX (g 1 (y)) g 1 (y) = fX (g 1 (y))
.
dy
dy
dy
dy
g(X)
dx =
dy
Ahora, si
es montona decreciente entonces
dx
dy
y adems
FY (y) = P(Y y) = P(g(X) y) = P(X > g 1 (y)) = 1 FX (g 1 (y))
240
CAPTULO 8.
V
ARIABLES ALEATORIAS
de donde
fY (y) =
d
d
dx
d
.
FY (y) =
(1 FX (g 1 (y))) = fX (g 1 (y)) g 1 (y) = fX (g 1 (y))
dy
dy
dy
dy
As, se obtiene la igualdad en cualquiera de los dos casos.
Ejemplo 8.9.5.
Con la informacin del ejemplo 8.2.2, se quiere una variable
que divida en tres
escenarios el sostenimiento del laboratorio como sigue:
Y = 1 I{0,1,...,7} (X) + 2 I{8,9,10} (X) + 3 I{11,12,...,15} (X).

De esta manera, 1 equivale a no auto-sostenimiento, 2 a equilibrio y 3 a xito. Se pide encontrar la
f.m.p. de
Y.
Solucin:
Puesto que
P(Y = 1) = P(X {0, 1, . . . , 7})

= P(X = 0; X = 1; . . . ; X = 7)
7
P(X = x)
x=0
= 0.0 + 0.01 + 0.03 + 0.02 + 0.03 + 0.05 + 0.06 + 0.07

= 0.27,
P(Y = 2) = P(X {8, 9, 10})
= P(X = 8; X = 9; X = 10)
10
P(X = x)
=
x=8
= 0.06 + 0.09 + 0.10

= 0.25,
P(Y = 3) = P(X {11, 12, . . . , 15})
= P(X = 11; X = 12; . . . ; X = 15)
15
P(X = x)
x=11
= 0.2 + 0.25 + 0.01 + 0.01 + 0.01

= 0.48,
entonces la f.m.p. de
est dada por:
0.27,
0.25,
fY (y) =
0.48,
0,
si
si
si
y = 0;
y = 1;
y = 2;
en otro caso.
8.10.
241
COMENTARIOS
Ejemplo 8.9.6.
Continuando con el ejemplo 8.5.2, el departamento de ciencias forenses tiene la
hiptesis de que este envenenamiento proviene del suministro de agua potable, lo cual los tiene un
tanto preocupados ya que ltimamente las concentraciones que han encontrado son mucho mayores;
de hecho han planteado que en este momento la nueva variable que mide la concentracin de esta
sustancia es
Y = X 2.
Cul es la probabilidad de que encuentren niveles de cianuro mayores a 2 en el
suministro de agua potable?
Solucin:
P(Y > 2),
Dado que se quiere establecer
Y = X2
se necesita la f.d.p. de
es una transformacin continua, uno-a-uno e invertible en
para valores de
Y = X2
tales que
0<
y < 12
Y y dado que X es una v.a.c. y

RX entonces por el teorema 8.9.3
se tiene que
fY (y) = fX ( y)
y
dy
1
= fX ( y) 1/2
2y
1 3 1
=
( y)
5, 184
2y 1/2
3/2
y
1
=
2 5, 184 y 1/2
1
=
y 3/21/2
10, 368
1
y
=
10, 368
de donde
fY (y) =
Ahora, como el rango de
144},
es
1
10,368 y
si
0,
en otro caso.
RX = {x : 0 < x < 12}
0 < y < 144;

entonces el rango de
es
RY = {y : 0 < y <
y por lo tanto
144
P(Y > 2) =
2
1
y2
ydy =
10, 368
(2)(10, 368)
144
=
2
1442 22
= 0.999807.
20, 736
8.10. Comentarios
El trmino
modelamiento
es uno de los ms empleados en la disciplina estadstica, porque hace
referencia a la asuncin de que un fenmeno particular tiene un comportamiento descrito por algn
242
CAPTULO 8.
V
ARIABLES ALEATORIAS
constructo matemtico o estadstico determinado. Un ejemplo muy sencillo, pero a la vez muy ilustrativo es el modelamiento del resultado del lanzamiento de un dado, el cual es modelado mediante
una v.a. que sigue una distribucin donde todos los resultados son igualmente probables (detalles
en la seccin 9.2). Este captulo introduce las primeras nociones involucradas con el modelamiento,
partiendo de los fundamentos de las variables aleatorias, hasta la formalizacin de los conceptos de
media y varianza, entre otros.
As, en este captulo se hace nfasis en el concepto de variables aleatoria, las diferencias entre las
variables discretas y continuas, las distribuciones probabilsticas (de masa, de densidad y acumuladas)
y la funcin generadora de momentos. Estos aspectos tericos son de vital importancia para aquellos
que deseen hacer un buen uso de la estadstica y comprender modelos ms interesantes y sosticados.
8.11. Ejercicios
8.1 Identicar si las siguientes v.a.'s son discretas o continuas:
a. El nmero de transistores defectuosos en un lote de 1000 transistores.
b. El nmero de robos ocurridos en un almacn en un determinado perodo de tiempo.
c. El tiempo requerido por un bus de una ruta determinada para realizar un trayecto dado.
d. El nmero de plizas de seguros vendidas en un determinado mes por un agente de seguros.
e. El tiempo de vida de un artculo.
f. El punto de fatiga (en kg por cm ), de un cable de acero de 1.5 cm de dimetro.

g. El tiempo que dura un semforo, de una determinada esquina en la ciudad, en cambiar de rojo
a verde.
h. La cantidad de gasolina consumida por un vehculo en un trayecto dado.
i. El ingreso de las empresas de un sector econmico determinado.
j. La proporcin de individuos de una ciudad a favor de una medida econmica.
8.2 Tres personas tienen entrevistas programadas para empleo durante vacaciones. En cada caso, el
resultado de la entrevista ser que les ofrezcan empleo o no. Los resultados experimentales se
denen en funcin de los resultados de las tres entrevistas.
a. Hacer una lista de los resultados experimentales.
b. La v.a. dada por la cantidad de ofertas hechas es una v.a. discreta o continua?
c. Indicar el valor de esta variable para cada uno de los puntos muestrales.
8.3 Justicar cada una de las igualdades de la demostracin de la proposicin 8.2.2.
8.4 Por qu el porcentaje exacto de noches en el numeral c. del ejercicio 8.2.5 es igual a 82 %?
8.5 Demostrar que
l
m ex = 0
x
.
8.11.
243
EJERCICIOS
8.6 Una empresa, que atiende pedidos por correo, tiene cinco lneas telefnicas. Sea
representa el nmero de lneas en uso en un momento especco. La f.d.p. de
la v.a. que
est dada en la
siguiente tabla:
x
fX (x)
a. Calcular
0.20
0.25
0.10
0.15
0.09
fX (x6 )
x6 .
b. Determinar y representar la f.d.a. de
y con esta calcular la probabilidad de cada uno de los
siguientes eventos:
1.
2.
3.
4.
5.
6.
A: a lo sumo 2 lneas estn en uso.

B : menos de 4 lneas estn en uso.
C : por lo menos 3 lneas estn en uso.
D: entre 2 y 4 (ambos inclusive) lneas estn en
E : entre 2 y 5 (ambos inclusive) lneas no estn
F : por lo menos 3 lneas no estn en uso.
uso.
en uso.
8.7 Una empresa de electrodomsticos ofrece a sus clientes diferentes opciones para el pago de sus
cuotas. Para un cliente seleccionado al azar, sea
entre pagos sucesivos. La f.d.a. de
la v.a. que representa el nmero de meses
es
FX (x) =
a. Determinar la f.m.p. de
0.00,
0.39,
0.53,
0.69,
0.80,
1.00,
si
x < 1;
si
1 x < 4;
si
4 x < 6;
si
6x<8
si
8 x < 12;
si
12 x.
X.
b. Calcular la probabilidad de que el nmero de meses entre pagos sucesivos:

1. sea estrictamente mayor que 4, pero menor o igual que 12.
2. sea estrictamente menor 4 mayor o igual que 8.
3. est entre 4 y 8 meses (ambos inclusive).
4. sea mayor o igual que 8.
8.8 Determinar y justicar si las siguientes funciones son posibles ejemplos de funciones de densidad
de una v.a.c.
X:
a.
b.
fX (x) =
0 x 2;
2,
si
0,
en otro caso.
fX (x) =
x
5,
si
0,
en otro caso.
0 x 2;
244
CAPTULO 8.
c.
V
ARIABLES ALEATORIAS
d.
ex ,
0,
fX (x) =
si
en otro caso.
x > 0;
fX (x) =
8.9 Considerar la siguiente f.d.p. de una v.a.c.
Determinar el valor de
8.10 Considerar la v.a.
si
0,
en otro caso.
en otro caso.
k.
que representa las utilidades diarias (en millones de pesos) de una empresa
xe 2 x ,
si
0,
fX (x) =
fX
0,
x > 0;
0 < x < 1;
que pertenece a un sector econmico determinado. La f.d.p. de
a. Vericar que
si
X:
k x + 1,
fX (x) =
ex ,
est dada por:
en otro caso.
x > 0;
es una f.d.p. autentica.
b. Encontrar la f.d.a. de
X.
c. Cul es la probabilidad de que las ganancias

1. sean de a lo sumo de 2 millones de pesos?
2. estn entre 1 y 2 millones de pesos?
3. no superen los 3 millones y medio de pesos?
8.11 La funcin de distribucin de una v.a.
est dada por:
FX (x) = (1 (1 + x)ex )I(0,) (x)

a. Cul es el rango de
X?
b. La variable es discreta o continua?

c. Con la funcin de distribucin calcular:
1.
2.
3.
P(X < 2).

P(1 < X < 3).
P(X > 4).
d. Encontrar una expresin para la f.d.p. de

e. Calcular el valor esperado de
X.
X.
8.12 La duracin en horas que un empleado tarda en hacer una tarea determinada es una v.a.
f.d.a. dada por:
1
FX (x) =
a. Hallar la f.d.p. de
X.
1 e 20 x ,
si
0,
en otro caso.
x > 0;
con
8.11.
245
EJERCICIOS
b. Calcular la probabilidad de que la duracin del empleado haciendo la tarea exceda las 50 horas.
c. Determinar una frmula general para calcular un percentil
de esta distribucin.
d. Calcular e interpretar el percentil 90.

8.13 Un distribuidor de computadores, vende tres modelos diferentes de computadores con capacidad
de 200 GB, 250 GB y 300 GB del disco duro. Sea
la v.a. que representa a la cantidad de
espacio del disco duro de un computador comprado por el siguiente cliente. La f.m.p. de
est
dada por:
x
fX (x)
a. Calcular
200
250
300
0.29
0.31
x3
x3 .
b. Calcular e interpretar
E[X]
CVX .
c. Si el precio de un computador con capacidad

interpretar
E[Y ]
GB de disco duro es
d. Mientras la capacidad nominal de un computador es

Calcular e interpretar
8.14 Sea
es una v.a. y
Y = 15X 3,
calcular e
CVY .
E[Z]
X,
la capacidad real es
Z = X2 X.
CVZ .
es un nmero real. Demostrar que si:
a.
Y = aX
b.
Y =X +a
a0
entonces
CVX CVY .
c.
Y =X +a
a0
entonces
CVX CVY .
entonces
CVX = CVY .
8.15 Una empresa compra varios computadores ltimo modelo al nal de cada ao. El nmero exacto
depende de la frecuencia de reparaciones en el ao anterior. Sea
la v.a. que representa el nmero
de computadores ltimo modelo que la empresa compra al nal cada ao. La f.m.p. de
est
dada por:
x
fX (x)
a. Calcular el
1/4
3/16
1/4
x4
x4 .
E[X]
CVX .
c. Si el costo del modelo que se desea permanece jo a $2,830,451 a lo largo de este ao y se
obtiene un descuento de $100,000X
en cualquier compra, cunto espera gastar esta empresa
en nuevos computadores al nal de este ao?

8.16 Una compaa fabrica paquetes de minas para portaminas. El nmero de minas por paquete
vara, como se indica en la tabla de abajo. El costo (en pesos) de fabricar un paquete de minas es
2X + 1, 000,
donde
es el nmero de minas por paquete. El ingreso por la venta de un paquete,
independientemente del nmero de minas que contenga, es de $3,000. Si el benecio se dene como
la diferencia entre el ingreso y el costo, hallar e interpretar la media y el coeciente de variacin
del benecio por paquete.
246
CAPTULO 8.
Nmero de minas
10
11
12
13
0.21
Porcentaje
V
ARIABLES ALEATORIAS
0.29
0.03
0.20
0.10
0.04
0.13
es una v.a. entonces
E X 2 (E [X])
8.18 Si la utilidad diaria (en millones de pesos) de un distribuidor de computadores se puede ver
como una v.a.
cuya f.d.p. est dada por:
2(3x)
,
5
si
0,
fX (x) =
en otro caso.
0 < x < 1;
a. Hallar e interpretar el valor esperado y el coeciente de variacin de la utilidad por computador.

b. Cul es la ganancia media por computador del distribuidor si la ganancia en cada uno est
dado por
2X 2 + 2X + 1?
8.19 Un vendedor recibe un salario anual de $12,000,000, ms un 5 % del valor de las ventas que
realiza. Las ventas anuales pueden representarse mediante una v.a. con media $20,000,000 de
pesos y desviacin tpica de $2,000,000. Hallar la media y el coeciente de variacin del ingreso
anual de este vendedor.
8.20 Sea
una v.a. denida por la f.d.a. dada por
0,
0.4,
FX (x) =
0.8,
1,
a. Hallar la f.m.p. de
b. Calcular
8.21 Sea
E[X]
si
si
si
si
x < 2;
2 x < 0.5;
0.5 x < 3;
x 3.
X.
CVX .
una v.a. que representa las utilidades diarias (en millones de pesos) de una empresa. Esta
variable tiene f.d.p. dada por:
0.1,
fX (x) =
kx + 0.2,
0,
a. Determinar el valor de
b. Hallar la f.d.a. de
si
si
1 x 0;
0 < x 1;
en otro caso.
k.
X.
c. Cul es la probabilidad de que en un da determinado esta empresa tenga

1. ganancias?
2. prdidas?
3. ganancias superiores a $500,000?
4. prdidas superiores a un $1,000,000?
d. Calcular e interpretar
P(0 X 0.5)
P(X > 0.5|X > 0.1).
8.11.
247
EJERCICIOS
e. Calcular e interpretar
E[X]
CVX .
f. Si las utilidades aumentan 8.5 % calcular e interpretar nuevamente el valor esperado y el coeciente de variacin.
8.22 La cantidad aleatoria de dinero ahorrado por una persona en un mes tiene la siguiente f.d.a.:
0,
x,
2
1
FX (x) =
,
2
x,
4
1,
donde la v.a.
si
si
si
si
si
x < 0;
0 x < 1;
1 x < 2;
2 x < 4;
x 4.
est expresada en cientos de dlares.
a. Calcular la funcin de probabilidad de
X.
b. Determinar la probabilidad de que, en un mes la cantidad de dinero ahorrado sea

1. superior a 200 dlares.
2. inferior a 450 dlares.
3. superior a 50 dlares y menor igual a 250 dlares.
c. Calcular el ahorro mensual medio y el coeciente de variacin correspondiente.
d. Calcular nuevamente el ahorro mensual medio y el coeciente de variacin si el ahorro mensual
aumenta 100 dlares.
8.23 La demanda
X,
expresada en toneladas, de un determinado producto es una v.a. cuya f.d.p. es:
fX (x) =
x
k,
si
0,
en otro caso.
2 x 4;
k.
b. Calcular e interpretar la media y la mediana de
X.
c. Calcular e interpretar el coeciente de variacin de
X.
d. El fabricante del producto sabe que cada kilo vendido reporta un benecio de 12 dlares, y
cada kilo que queda sin vender supone una prdida de 6 dlares. Es por tanto, importante
para l establecer cul es la cantidad a fabricar. Si el criterio para establecer dicha cantidad es
maximizar la ganancia esperada, determinar cul es la fabricacin ptima.
8.24 Una caja contiene 8 artculos, de los cuales 3 son defectuosos. Se selecciona un artculo de la caja
y se prueba. Si ste sale defectuoso se selecciona y se prueba otro artculo, hasta que se escoja
uno que no sea defectuoso. Hallar el nmero esperado de artculos seleccionados.
8.25 Sea
una v.a. cuya f.d.a. est dada por:
0,
FX (x) =
x3 ,
1,
Se pide:
si
si
si
x 0;
0 < x < 1;
x 1.
248
CAPTULO 8.
a. La f.d.p. de
V
ARIABLES ALEATORIAS
X.
b. El valor esperado de
c. La mediana de
y el coeciente de variacin de
X.
X.
d. El coeciente de variacin de
1.2X + 1.
8.26 El tiempo (en das) que tarda un administrador en hacer una auditora su puede modelar con la
f.d.p. dada por:
fX (x) = k(x + 1)I(2,4) (x)

a. Determinar el valor de la constante
k.
X.
c. Con la f.d.a. calcular la probabilidad de que el administrador tarde:

1. ms de 3 das en hacer la auditoria.
2. a lo ms 2.5 das en hacer la auditoria.
3. entre 3 y 3.5 das en hacer la auditoria.
E [X]
CVX .
e. Teniendo en cuenta que si hay retrasos logsticos el tiempo que tarda un administrador en
hacer la auditoria aumenta en 1.5 das, calcular nuevamente el valor esperado y el coeciente
de variacin. Comparar los resultados con los obtenidos en el numeral anterior.
8.27 Teniendo en cuenta que
X =
E (X X )4
3
(E [(X X )2 ])2
es una medida de apuntamiento de la distribucin de
y que
X = E (X E [X])3 /(E (X E [X]) )3/2

es una medida de simetra de la distribucin de
y
X,
se pide calcular e interpretar
a.
b.
fX (x) = kxex I(100<x<0) (x).

No olvidar calcular el valor de
8.28 Sea
E [X], CVX , X
para cada una de las siguientes densidades
c.
fX (x) = k log(x)I(1<x<17) (x).
fX (x) =
k
I(51<x<17) (x).
x
en cada caso.
una v.a. que representa el tiempo (en horas) que tarda un empleado en ejecutar una labor
administrativa cuya f.d.p. est dada por:
fX (x) =
Se pide:
k(x2 + 1),
0,
si
0 < x < 3;
en otro caso.
8.11.
249
EJERCICIOS
k.
X.
c. Calcular e interpretar
E[X]
CVX .
d. Hallar e interpretar la probabilidad de que

e. Calcular e interpretar
est comprendida entre 1 y 2.
P(X < 1), P(X < 2|X > 1)
P(|X X | 2X ).
8.29 Con objeto de establecer un plan de produccin, una empresa ha estimado que la demanda aleatoria de sus potenciales clientes se comportar semanalmente de acuerdo con la f.d.p.dada por:
fX (x) =
donde la v.a.
3
8 (4x
2x2 ),
0,
si
0 x 2;
en otro caso.
est expresada en millones de unidades. Qu cantidad
deber tener dispuesta
a la venta, al comienzo de cada semana, para poder satisfacer la demanda en dicho periodo con
una probabilidad de 0.5?
8.30 La duracin en horas que un empleado tarda en hacer una tarea es una v.a.c.
cuya f.d.p. est
dada por:
fX (x) =
100
x2 ,
x > 100;
0,
en otro caso.
Se pide:
a. Calcular la f.d.a. de
X.
b. Calcular e interpretar las siguientes probabilidades:

1.
P(X > 110).
2.
P(120 < X 150).
3.
P(X 180).
c. Calcular e interpretar la probabilidad de que un empleado tarde menos de 200 horas si se sabe
que este trabajador durar haciendo la tarea ms de 150 horas.
d. Hallar e interpretar
E[X]
CVX .
e. Calcular e interpretar los cuartiles.

8.31 Con objeto de establecer un plan de produccin, una empresa ha estimado que la demanda aleatoria de sus potenciales clientes se comportar semanalmente con arreglo a la ley de probabilidad
denida por la funcin de densidad
fX (x) =
donde
3
8 (4x
0,
2x2 ),
si
0 x 2;
en otro caso.
viene expresada en millones de unidades. Qu cantidad
deber tener dispuesta a la
venta, al comienzo de cada semana, para poder satisfacer la demanda en dicho periodo con una
probabilidad de 0.5?
250
CAPTULO 8.
V
ARIABLES ALEATORIAS
8.32 El tiempo de vida (en cientos de horas) de un artculo es una v.a. con f.d.a. dada por:
0,
2
1 ex ,
FX (x) =
si
si
x < 0;
x 0.
Se pide:
a. Obtener la f.d.p. de
X.
b. Calcular la probabilidad de que un determinado artculo dure ms de 200 horas.

8.33 Sea una v.a.
X,
E[X]
CVX .
que tiene como f.d.p.:
fX (x) =
8.34 Sea
si
si
0,
en otro caso.
6 x 4;
k.
X.
d. Hallar
x+6
k ,
E[X]
CVX .
P(c < x < c + 1) = 0.09.
una v.a. que mide el precio de los productos vendidos en una tienda en decenas de miles
de pesos. La f.d.p. es
fX (x) =
kxk1 ,
0,
si
0 < x < 1;
en otro caso.
k.
X.
P(0.3 < X < 0.8).
E[X]
e. Calcular la mediana de
8.35 Una v.a.
CVX .
X.
tiene la siguiente f.d.p.
fX (x) =
Determinar el valor de
8.36 Una v.a.
+ x),
k(7 x),
0,
si
si
7 x 0;
0 < x 7;
en otro caso.
k.
tiene como f.d.p. la funcin
fX (x) =
Se pide:
1
49 (7
1 mx,
0,
si
2 x 4;
en otro caso.
8.11.
251
EJERCICIOS
m.
b. Calcular la f.d.a. de
X.
E[X]
CVX .
d. Calcular e interpretar los cuartiles.

8.37 Se tiene una v.a. denida como en el ejemplo 8.2.5. Ahora el inters es la v.a.
Y = 2X + 1.
Se
pide:
a. La f.d.p. de
Y.
b. Calcular
E[Y ]
con base en
fY .
c. Calcular
E[Y ]
con base en
E[X].
X denida en el ejemplo 8.1.1, si se realizan apuestas alrededor de los

X , obteniendo las siguientes ganancias: 5,000 si X toma el valor 1, 3,000
8.38 Teniendo en cuenta la v.a.

resultados de la variable
si toma el valor 2,
500
si toma el valor 3 y 0 si toma el valor 0. Determinar:
a. La f.m.p. de las ganancias.

b. La ganancia esperada y la varianza de las ganancias.
c. La f.g.m. de
X.
d. La f.g.m. de las ganancias.

8.39 Para estudiar la variable
que representa el tiempo (en minutos) en el que una clula encuentra
el alimento (como en el ejemplo 8.3.2) se ha propuesto la siguiente f.d.a. dada por:
FX (x) = 1 ex/5 I(0,) (x).

Se tiene la hiptesis que el tiempo en el que una clula encuentra el alimento esta relacionado con
el tamao de la clula mediante una relacin directa denida por
a. Determinar la f.d.p. de
Y = 0.15X + 0.8.
Y.
E [X]
c. Encontrar la f.g.m. de
X,
CVX .
si existe.
d. Calcular por medio de la f.g.m. el primer y segundo momento de
X.
e. Comparar los resultados con los obtenidos en numerales anteriores.

f. Realizar una grca de la f.g.m. de
y de su primera y segunda derivada.
8.40 La v.a. que representa la proporcin de accidentes automovilsticos fatales en una ciudad (como
en el ejemplo
??), tiene la f.d.p. dada por:

fX (x) =
a. Calcular e interpretar
E [X]
X .
CVX .
42x(1 x)5 ,
0,
si
0 < x 1;
en otro caso.
252
CAPTULO 8.
c. Calcule
V
ARIABLES ALEATORIAS
P(|X 0.25| 0.1).
d. Obtener una cota para la probabilidad de encontrar proporciones de accidentes que disten en
0.1 de la proporcin de accidentes esperada, empleando la media y la varianza de la proporcin

de accidentes.
8.41 Se est trabajando con la hiptesis de que el ritmo cardaco (en latidos por minuto (lpm)) de las
personas sin problemas cardacos sigue la f.d.p. dada por:
fX (x) = k(110 X)2 I[0,200] (x).

Se cree que el ritmo cardaco de las personas que sufren de taquicardia se relacionan con un nivel
estable en el ritmo cardaco bajo la relacin
a. El valor de
2(X 10).
Se quiere determinar:
k.
b. La probabilidad de que una persona sin problemas cardacos tenga su ritmo cardaco:
1) entre 80 y 140 lpm.
2) abajo de 60 lpm.
3) arriba de 200 lpm.
4) La probabilidad de que una persona sin problemas cardacos tenga su ritmo cardaco a lo
ms a 30 lpm del ritmo cardaco esperado de una persona sin problemas cardacos.
c. Una cota para la probabilidad de que una persona sin problemas cardacos tenga su ritmo
cardaco a lo mas a 30 lpm del ritmo cardaco esperado de una persona sin problemas cardacos.
8.42 Un laboratorio est tratando de replicar el ambiente de los bosques tropicales. Para esto deben
simular varias de las condiciones climticas que all se presentan como por ejemplo la pluviosidad.
En particular, para esta caracterstica estn manejando el siguiente sistema probabilstico:
fX (x) = k|30 X|I[1,90] (x).

Con esta informacin se quiere:
a. El valor de
k.
b. El valor esperado y el coeciente de variacin de la pluviosidad.

c. La mediana y la moda
de la pluviosidad.
d. La f.g.m. de la pluviosidad, si existe.

e. Una cota para la probabilidad de que la pluviosidad se encuentre mximo a 7 unidades de la
pluviosidad esperada.
f. La probabilidad exacta del numeral anterior.
Adems, para simular la temperatura, utilizan la siguiente relacin:
T = 50 P/2.
donde
es la temperatura y
la pluviosidad. Calcular nuevamente lo numerales anteriores para
la temperatura.
2 Sea X
con
X ,
una v.a. con f.m.p.
fX
si
es discreta o con f.d.p.
es el nmero real que maximiza globalmente
fX .
fX
si
es continua. Una
moda de X (si existe), denotada
8.11.
253
EJERCICIOS
8.43 La concentracin (en porcentaje) de endornas producidas por cierto organismo se rige por la
f.d.p. dada por:
fX (x) = (0.005120709)e 2,000 x I[15,200] (x)

Se quiere determinar:
a. La media y el coeciente de variacin de la concentracin de endornas.
b. La mediana y la moda de la concentracin de endornas.
c. Una cota para la probabilidad de que la concentracin de endornas sea mayor a 150. Suge-
rencia : emplear el teorema 8.7.1.

d. Una cota para la probabilidad de que la concentracin de endornas se encuentre a una distancia
de la media no menor a 30.
e. La probabilidad exacta de los dos numerales anteriores.
8.44 Determinar la f.g.m. de la v.a.
con f.d.p. dada por:
fX (x) =
8.45 Sea
1 |x|,
0,
si
1 < x < 1;
en otro caso.
una v.a.d. con f.m.p. dada por:
fX (x) =
Hallar el valor de
k
4x ,
si
0,
en otro caso.
x = 1, 2, 3, . . .;
k.
f
son f.d.p. y
es una nmero real tal que 0 < < 1 entonces f + (1 )g
tambin es una f.d.p..

8.47 Sea
una v.a. y
a y b nmeros reales. Establecer si cada expresin es falsa o verdadera y justicar.
a.
Var[X] 0.
b.
Var[aX] = a2 V ar[X].
c.
Var[X + b] = V ar[X].
8.48 En una investigacin se considera la variable
que representa el porcentaje de reactivo disuelto
en la tierra. Se desconoce la distribucin probabilstica de
X , lo cual representa un inconveniente

X no van
para el aval comercial de la investigacin, ya que se debe garantizar que los valores de
a distar en ms de 13.5 puntos porcentuales de la media, con una probabilidad de 0.975. Lo nico
que se puede asegurar de la variable es que
X = 0.5
y que
2
X = 8.4.
Qu se puede decir acerca
del aval comercial de la investigacin?

8.49 Calcular el valor de
para que la siguiente funcin sea una f.d.p.:
f (x) =
x2 ,
0,
si
0 < x2 < k ;
en otro caso.
Cul es la media, la varianza y funcin generadora de momentos de una variable con esta distribucin?
Captulo
Distribuciones discretas
9.1. Introduccin
Se ha visto en el captulo 8 el concepto de v.a. distinguiendo dos tipos: discretas y continuas. A
continuacin se estudian algunas distribuciones probabilsticas de uso comn que son de especial
importancia porque representan los modelos tericos de los fenmenos aleatorios ms frecuentes.
Como se sabe, la distribucin probabilstica de una v.a.d.

o su f.d.a.
est denida si se conoce su f.m.p.
fX ()
FX (). Adems, cuando se tiene la distribucin probabilstica de X , es posible determinar el
valor esperado, la varianza y la f.g.m., que permiten obtener las medidas estadsticas que caracterizan
la variable de estudio.
9.2. Distribucin uniforme discreta

La distribucin uniforme discreta tiene lugar cuando el rango de una v.a. es un conjunto nito cuyos
valores son equiprobables.
254
9.2.
255
DISTRIBUCIN UNIFORME DISCRETA
Denicin 9.2.1.
Se dice que una v.a.d.
x1 , x2 , . . . , xn tiene una distribucin

tro n si la f.m.p. de X est dada por:
1
n,
si
0,
fX (x; n) =
donde
E[X] =
de parme-
en otro caso.
x = x1 , x2 , . . . , xn ;
tiene distribucin uniforme discreta de parmetro
Es claro que caso todos los valores de del rango de
i.
que asume los valores
Nota. Cuando una v.a.
Proposicin 9.2.1.
uniforme discreta
Si
es una v.a. tal que
n+1
2 .
ii.
X U (n)
Var[X] =
se escribe
X U (n).
tienen la misma probabilidad, a saber,
entonces:
n2 1
12 .
iii.
mX (t) =
1
n
n
it
i=1 e .
Demostracin:
i.
E[X] =
xi fX (xi ) =
i=1
i=1
1
1
=
n
n
i=
i=1
1 n(n + 1)
(n + 1)
=
.
n
2
2
ii.
n
2
x2 fX (xi )
i
Var[X] = E X 2 (E[X]) =
i=1
n+1
2
1
n
i2
i=1
(n + 1)2
4
4(n + 1)(2n + 1) 6(n + 1)2

1 n(n + 1)(2n + 1) (n + 1)2
=
=
n
6
4
24
2(n + 1)(2(2n + 1) 3(n + 1))
(n + 1)(4n + 2 3n 3)
=
=
24
12
(n + 1)(n 1)
n2 1
=
=
.
12
12
iii.
mX (t) = E eXt =
exi t fX (xi ) =
i=1
exi t
i=1
1
1
=
n
n
eit .
i=1
1
n.
256
CAPTULO 9.
DISTRIBUCIONES DISCRETAS
Figura 9.1: Grco de la f.m.p. (a) y de la f.d.a. (b) de una variable con distribucin uniforme discreta de parmetro
n = 6.
Ejemplo 9.2.1.
Sea
Se considera el experimento aleatorio en el que se lanza un dado corriente una vez.
la v.a. denida por el resultado obtenido en el lanzamiento. En este caso
con distribucin uniforme de parmetro
n = 6,
es decir,
X U (6),
es una v.a.d.
dado que todos los resultados del
experimento son equiprobables. As, se sigue que
fX (x; 6) =
1
6,
si
0,
en otro caso.
x = 1, 2, 3, 4, 5, 6;
Adems, se tiene que:
i.
ii.
iii.
E[X] =
n+1
2
Var[X] =
mX (t) =
n2 1
12
1
n
6+1
2
62 1
12
n
it
i=1 e
7
2
= 3.5.
= 2.971.
1
6
6
it
i=1 e .
En la gura 9.1 se presenta el grco de la f.m.p. y de la f.d.a. de una variable con distribucin
uniforme discreta de parmetro
n = 6.
Nota. La f.m.p. de una v.a. con distribucin uniforme de parmetro
est constituida por
lneas
del mismo tamao que se distribuyen a lo largo del eje de las abscisas sobre los valores que asume la
9.3.
257
DISTRIBUCIN DE BERNOULLI Y BINOMIAL
variable. Por tal motivo, los saltos que se observan en la f.d.a. son constantes y equivalentes al tamao
de cada lnea de la f.m.p. en cada elemento del rango de la variable.
9.3. Distribucin de Bernoulli y binomial

La distribucin de Bernoulli es una distribucin de probabilidad que consiste en la observacin de
un experimento aleatorio con dos posibles resultados donde nicamente es posible obtener alguno de
ellos. Un experimento con estas caractersticas se conoce como
experimento de Bernoulli . A uno
de los resultados del experimento se le denomina xito, con probabilidad de ocurrencia
1 , donde
le llama fracaso, con probabilidad de ocurrencia
La distribucin binomial est conformada por

rimento de Bernoulli. As, un
, y al otro se
0 < < 1.
es un nmero real tal que
repeticiones idnticas e independientes de un expe-
experimento binomial
consta de
experimentos de Bernoulli que
se realizan de forma independientemente, esto es, la realizacin de cualquier experimento no inuye

sobre el resultado de cualquier otro. La distribucin binomial se usa comnmente cuando el muestreo
se hace
con
reemplazo.
Denicin 9.3.1.
distribucin binomial
tiene una
Se dice que una v.a.d.
donde
n
x
de parmetros
x (1 )nx ,
0,
0, 1, . . . , n
si la f.m.p. de
n = 1,
x = 0, 1, . . . , n;
si
en otro caso.
es un entero positivo y

parmetro
que asume valores
est dada por:
fX (x; n, ) =
Adems, cuando
tiene distribucin binomial de parmetros
la distribucin binomial recibe el nombre de
denominada as en honor a
Jakob Bernoulli
0 < < 1.
se escribe
X Bin(n, ).
distribucin de Bernoulli
, lo que se escribe
de
X Ber().
La distribucin de Bernoulli se usa frecuentemente en la descripcin de aquellos experimentos en los

que incumbe la ocurrencia o no ocurrencia de un suceso. Si la v.a.
X denota el nmero de xitos

X tiene distribucin binomial
ensayos independientes de un experimento de Bernoulli entonces
parmetros
donde
1 Fotografa
Si
de
denota la probabilidad de xito, es decir, la probabilidad de que ocurra el
suceso de inters.
Proposicin 9.3.1.
en
es una v.a. tal que
X Bin(n, )
entonces:
http://www.mathematik.ch/mathematiker/jakob_bernoulli.php.
258
i.
CAPTULO 9.
E[X] = n ,
ii.
Var[X] = n(1 ).
iii.
mX (t) = (et + 1 )n .
Demostracin:
Primero se demuestra a que corresponde la f.g.m. de la variable y luego utilizando las propiedades de
esta funcin se obtienen el valor esperado y la varianza como sigue:
iii.
mX (t) = E eXt
n
eit fX (i; n, )
=
i=0
n
eit
=
i=0
n
=
i=0
n
x
n i
(1 )ni
x
et
(1 )ni
= (et + 1 )n .
i.
E[X] =
d
mX (t)
dt
= n(et + 1 )n1 et
t=0
= n( + 1 )n1 = n.
t=0
ii.
Var[X] = E X 2 (E[X])
=
d2
mX (t)
dt2
(n)2
t=0
= n (n 1)(et + 1 )n2 et et + (et + 1 )n1 et
n2 2
t=0
= n (n 1)( + 1 )n2 + ( + 1 )n1 n2 2

= n ((n 1) + 1) n2 2
= n2 2 n 2 + n n2 2
= n(1 ).
9.3.
259
Figura 9.2: Jakob Bernoulli (1654-1705).
Ejemplo 9.3.1.
Una empresa farmacutica desarroll un nuevo medicamento y lo suministr a 10
enfermos elegidos aleatoriamente. La experiencia ha demostrado que 30 % de las personas que padecen
la enfermedad se recupera al tomar dicho medicamento. Cul es la probabilidad de que por lo menos
nueve de las 10 personas que toman el medicamento se recuperen?
Solucin:
En este caso se tiene que la v.a. de estudio es el nmero de personas en la muestra de 10 pacientes
que se recupera de la enfermedad. En este caso el xito consiste en recuperarse de la enfermedad y
esto ocurre con una probabilidad de
fX (x; 10, 0.3) =
0.3.
En consecuencia, la f.m.p. de
10
x
(0.3)x (0.7)10x ,
0,
si
es
x = 0, 1, . . . , 10;
en otro caso.
Adems, se pide calcular la probabilidad de que por lo menos nueve de las 10 personas que toman el
medicamento se recuperen, esto es,
P(X 9).
As,
P(X 9) = P(X = 9; X = 10)

= P(X = 9) + P(X = 10)
=
10
10
(0.3)9 (0.7)109 +
(0.3)10 (0.7)1010
9
10
= 0.000138 + 0.000006
260
CAPTULO 9.
= 0.000144.
Por lo tanto, la probabilidad de que por lo menos nueve de las 10 personas que toman el medicamento
se recuperen es de 0.0144 %.
De otra parte, se observa que:
i.
E[X] = 10(0.3) = 3. Este valor indica que se espera la recuperacin de 3 enfermos de una muestra
aleatoria de 10 pacientes.
ii.
iii.
Var[X] = 10(0.3)(0.7) = 2.1.

mX (t) = (0.3et + 1 0.3)1 0 = (0.3et + 0.7)10 .
binomial de parmetros
n = 10
= 0.3.
Figura 9.3: Grco de la f.m.p. (a) y de la f.d.a. (b) de una variable con distribucin binomial de parmetros
y
n = 10
= 0.3.
Ejemplo 9.3.2.
Un vendedor de seguros sabe por experiencia que la oportunidad de vender un plan
es mayor mientras ms contactos realice con los clientes potenciales. Empricamente estableci que la
9.3.
261
probabilidad de que una persona le compre un plan, luego de la visita, es constante e igual a 0.01.
Si el conjunto de visitas que realiza el vendedor es un conjunto independiente de ensayos, cuntos
compradores potenciales debe visitar para que la probabilidad de vender por lo menos un plan sea
igual a 0.85?
Solucin:
Se dene a la v.a.
como el nmero de clientes que compran el plan luego de la visita del vendedor.
Dadas las condiciones de la situacin, se tiene que el xito corresponde a la compra del plan, luego de
la visita y por lo tanto
tiene distribucin binomial de parmetros
es
f( x; n, 0.01) =
Se busca determinar
n
x
(0.01)x (0.99)nx ,
0,
si
= 0.01.
As, la f.m.p. de
x = 0, 1, . . . , n;
en otro caso.
de forma que
P(X 1) = 0.85
o equivalentemente
1 P(X = 0) = 0.85.
Luego,
1 0.85 = P(X = 0)
0.15 =
n
(0.01)0 (0.99)n0
0
0.15 = (0.99)n
ln(0.15) = ln ((0.99)n )
ln(0.15) = n ln (0.99)
n=
ln(0.15)
ln (0.99)
n = 188.76.
En consecuencia el vendedor debe visitar por lo menos a 189 clientes para lograr su objetivo.
Ejemplo 9.3.3.
Un agente de seguros vende plizas a cinco individuos, todos de la misma edad. De
acuerdo con las tablas actuariales, la probabilidad de que un individuo con esa edad viva 30 aos ms
es de 3/5. Determinar la probabilidad de que dentro de 30 aos vivan: a. Los cinco individuos. b. Al
menos tres. c. Slo dos. d. Al menos uno.
Solucin:
En este caso, es posible identicar una variable de Bernoulli, ya que dentro de 30 aos se pueden
presentar dos situaciones: que la persona est viva an (con probabilidad
(con probabilidad
1 = 2/5). En consecuencia, se tiene una v.a. X
= 3/5)
que haya muerto
dada por el nmero de individuos
262
CAPTULO 9.
que an continan vivos luego de 30 aos de los cinco clientes a los que se les ha vendido la pliza,
con distribucin binomial de parmetros
f.m.p. de
n=5
= 0.6,
esto es,
X Bin(5, 0.6).
Por lo tanto, la
es
fX (x; 5, 0.6) =
5
x
(0.6)x (0.4)5x ,
0,
si
x = 0, 1, . . . , 5;
en otro caso.
Se pide calcular:
a.
P(X = 5) =
5
(0.6)5 (0.4)55 = (0.6)5 = 0.07776
5
.
b.
P(X 3) = P(X = 3; X = 4; X = 5)
= P(X = 3) + P(X = 4) + P(X = 5)
=
5
5
5
(0.6)5 (0.4)55
(0.6)3 (0.4)53 +
(0.6)4 (0.4)54 +
4
5
3
= 0.68256.
c.
P(X = 2) =
d.
P(X 1) = 1 P(X = 0) = 1
5
(0.6)2 (0.4)52 = 0.2304.
2
5
(0.6)0 (0.4)50 = 1 0.01024 = 0.98976.
0
binomial de parmetros
n=5
= 0.6.
Nota. El numeral b. del ejemplo 9.3.3 tambin se puede calcular como
P(X 3) = 1 P(X < 3) = 1 (P(X = 0) + P(X = 1) + P(X = 2))1 FX (2).

El lector decidir en aplicaciones futuras qu le puede resultar ms fcil.
= 1 . Si < 1 entonces la
> 1 entonces la distribucin es sesgada
Nota. La distribucin de probabilidad binomial es simtrica si

distribucin es sesgada positivamente, mientras que si
negativamente. Este hecho se aprecia claramente en la gura 9.5.
9.4.
263
DISTRIBUCIN HIPERGEOMTRICA
Figura 9.4: Grco de la f.m.p. (a) y de la f.d.a. (b) de una variable con distribucin binomial de parmetros
n=5
= 0.50,
= 0.6.
Figura 9.5: Grcos de la f.m.p. de una distribucin binomial de parmetros
n = 10
n = 10
= 0.25, n = 10
= 0.75.
9.4. Distribucin hipergeomtrica

Ahora se consideran experimentos que obedezcan las propiedades de un experimento binomial, pero
debilitando la propiedad de independencia entre los experimentos de Bernoulli individuales. Este nuevo
264
CAPTULO 9.
tipo de experimento aleatorio se llama

el muestreo se hace
sin reemplazo.
experimento hipergeomtrico y se usa comnmente cuando
En general, un experimento hipergeomtrico de parmetros
n, M
est basado en las siguientes
suposiciones:
i. La poblacin o conjunto donde se deba hacer el muestreo es una poblacin nita con
elementos.
ii. Cada elemento de la poblacin se puede caracterizar como un xito (tiene la caracterstica de
inters) o como un fracaso (no tiene la caracterstica de inters).
iii. Hay
elementos en la poblacin que tienen la caracterstica de inters.
iv. Se elige una muestra aleatoria sin reemplazo de
individuos, de tal forma que sea igualmente
probable seleccionar cualquier subconjunto de tamao
Denicin 9.4.1.
mtrica
Se dice que una v.a.
de parmetros
n, M
M N M
( x )( nx )
,
(N )
fX (x; n, M, N ) =
n
0,
donde
n, M
n.
tiene una
si la f.m.p. de
si
distribucin hipergeoesta dada por:
x = mx{0, n + M N }, . . . , m
a
n{n, M };
en otro caso.
son nmeros enteros no negativos tales que
nN
M N.
Nota. Cuando una v.a. X tiene distribucin hipergeomtrica de parmetros n, M y N se escribe

X Hg(n, M, N ). As, cuando la variable objeto de estudio denota el nmero de xitos en n ensayos
dependientes de un experimento de Bernoulli, es pertinente el uso de la distribucin hipergeomtrica.
Ejemplo 9.4.1.
Considerando que se tiene un total de 10 objetos, tres de los cuales son defectuosos,
si se seleccionan cuatro objetos al azar y sin reemplazo, cul es la probabilidad de que dos sean
defectuosos?
Solucin:
Se tiene que la v.a. de inters
es el nmero de objetos en la muestra seleccionada que son defec-
tuosos; dadas las condiciones, esta variable tiene distribucin hipergeomtrica de parmetros
M =3
N = 10,
esto es,
X Hg(4, 3, 10). As, la f.m.p. de X est dada

3 7
(x)(4x)
, si x = 0, 1, . . . , 3;
(10)
fX (x; 4, 3, 10) =
4
0,
en otro caso.
En consecuencia, la probabilidad pedida es
P(X = 2) =
3
2
7
42
10
4
= 0.300.
por:
n = 4,
9.4.
265
hipergeomtrica de parmetros
n = 4, M = 3
N = 10.
Figura 9.6: Grco de la f.m.p. (a) y de la f.d.a. (b) de una variable con distribucin hipergeomtrica de parmetros
n = 4, M = 3
N = 10.
Ejemplo 9.4.2.
Para evitar que lo descubran en la aduana, un viajero ha colocado seis tabletas de un
narctico en una botella que contiene nueve pldoras de vitamina que son similares en apariencia. Si el
ocial de la aduana selecciona tres tabletas aleatoriamente para analizarlas, cul es la probabilidad
de que el viajero sea arrestado por posesin de narcticos? Cul es la probabilidad de que no sea
arrestado por posesin de narcticos?
Solucin:
Se tiene que la variable de inters
es el nmero de narcticos en la muestra seleccionada; es claro
que dadas las condiciones del problema se tiene que el mecanismo de seleccin es sin reemplazo, y en
consecuencia
tiene distribucin hipergeomtrica. As, se obtiene que
De esta forma la f.m.p. de
n = 3, M = 6 y N = 9+6 = 15.
es
6 9
(x)(3x)
,
(15)
fX (x; 3, 6, 15) =
3
0,
si x=0,1,2,3;
en otro caso.
Por lo tanto, la probabilidad de que el viajero sea arrestado por posesin de narcticos es
P(X 1) = P(X = 1; X = 2; X = 3)
266
CAPTULO 9.
= P(X = 1) + P(X = 2) + P(X = 3)

=
6
1
9
31
15
3
6
2
9
32
15
3
6
3
9
33
15
3
216 135
20
+
+
455 455 455
= 0.8153.
En consecuencia, la probabilidad de que el viajero no sea arrestado por posesin de narcticos es
P(X = 0) = 1 0.8153 = 0.1846.

Nota. La primera probabilidad del ejemplo 9.4.2 tambin se puede calcular usando el complemento,
C
es decir, por medio de la propiedad
P(A) = 1 P A
donde
es un evento. De esta forma
P(X 1) = 1 P(X = 0)
=1
6
0
9
30
15
3
84
455
= 0.8153.
=1
Ejemplo 9.4.3.
Un equipo de trabajo establecido por el Ministerio de Medio Ambiente, program
visitas a dos fbricas para investigar posibles violaciones a los reglamentos para el control de contaminacin ambiental. Sin embargo, los recortes presupuestales han reducido drsticamente el tamao
del equipo de trabajo por lo que solamente se podrn investigar cinco de las 25 fbricas. Si se sabe
que 10 de las fbricas estn operando sin cumplir los reglamentos, calcular la probabilidad de que al
menos una de las fbricas muestreadas est operando en contra del reglamento.
Solucin:
Se dene la v.a.
como el nmero de fbricas en la muestra seleccionada que operan sin cumplir los
reglamentos; de acuerdo con las caractersticas del problema se supone que el muestreo se hace sub
reemplazo y por lo tanto se sigue que
X H(5, 10, 25).
As, la probabilidad pedida es
P(X 1) =
P(X = i)
i=1
= 1 P(X = 0)
=1
10
0
15
5
25
5
= 0.9434.
En consecuencia, la probabilidad de que al menos una de las fbricas muestreadas est operando en
contra al reglamento es 0.9434.
Ejemplo 9.4.4.
Una compaa recibe un pedido de 20 artculos. Dado que la inspeccin de cada ar-
tculo es cara, se sigue la poltica de analizar una muestra sin reemplazo de seis artculos de cada envo,
9.4.
267
aceptando la remesa si no hay ms de un artculo defectuoso en la muestra. Cul es la probabilidad

de que sea aceptado un pedido con cinco artculos defectuosos?
Solucin:
Sea
la v.a. dada por el nmero de artculos defectuosos en la muestra seleccionada. En este caso
se tiene que
X H(6, 5, 20).
Entonces, la probabilidad pedida es
P(X 1) = P(X = 0; X = 1)
= P(X = 0) + P(X = 1)
=
5
0
205
60
20
6
5
1
205
61
20
6
= 0.516.
As, la probabilidad de que sea aceptado un pedido con cinco artculos defectuosos es 0.516.
Una aplicacin muy til de la distribucin hipergeomtrica consiste en hallar un valor aproximado
del tamao de una poblacin sin necesidad de enumerar sus elementos uno por uno. Este mtodo se
conoce como el
mtodo de captura-recaptura y consiste en capturar M individuos de la poblacin,
marcarlos y luego devolverlos a la poblacin. Una vez los individuos se mezclan homogneamente, se
toma sin reemplazo una muestra de tamao
n.
Si
denota la v.a. dada por el nmero de individuos
n, M y N .
X y se obtiene el valor x0 , por ejemplo. En Blanco (2004,
p. 107) se demuestra que un posible valor de N que maximiza la probabilidad de que X sea igual a
x0 , denotado con N , es un estimador2 de N . Tal estimador se conoce como estimador de mxima
marcados en la muestra se sigue que
tiene distribucin hipergeomtrica de parmetros
En un momento dado, se observa la variable
verosimilitud
y est dado por
N=
donde
[a]
denota la parte entera de
Proposicin 9.4.1.
i.
Si
nM
x0
a.
es una v.a. tal que
X H(n, M, N )
E[X] = n M .
N
ii.
entonces:
Var[X] = n M 1
N
M
N
N n
N 1
La demostracin se puede consultar en Blanco (2004, p. 108).
Ejemplo 9.4.5.
Con la informacin del ejemplo 9.4.2, calcular el valor esperado y la varianza del
nmero de narcticos en la muestra seleccionada.
Solucin:
2 Un
estimador
la poblacin.
es una funcin de una muestra aleatoria que se utiliza para estimar un parmetro desconocido de
268
CAPTULO 9.
Como
X H(3, 6, 15)
entonces se tiene que el valor esperado del nmero de narcticos en la muestra
seleccionada es
E[X] = n
M
6
=3
= 1.2
N
15
con varianza
Var[X] = n
Nota. La razn
M/N
M
N
N n
N 1
M
N
=3
6
15
6
15
15 3
15 1
= 0.6171.
corresponde a la proporcin de xitos de la poblacin. Si se sustituye
M/N
por
en las frmulas de la proposicin 9.4.1 se obtiene que:

i.
E[X] = n .
ii.
Var[X] = n(1 )
N n
N 1
La expresin anterior evidencia que el valor esperado de la distribucin binomial y de la distribucin

hipergeomtrica coinciden, mientras que la varianza de las dos distribuciones dieren por el factor
(N n)/(N 1), a veces denominado factor
de correccin por poblacin nita. Este factor es menor
que 1, as que la distribucin hipergeomtrica tiene menor varianza que la distribucin binomial. El
factor de correccin se puede escribir como
1
1
n
N
1
N
que es aproximadamente igual a 1 cuando el tamao de la poblacin es muy grande, esto es, cuando
N . Una regla de uso frecuente establece que el factor de correccin se puede pasar por alto
cuando n/N 5 %, es decir, cuando la muestra contiene menos del 5 % de los elementos de la poblacin.
Si esto sucede entonces las distribuciones binomial e hipergeomtrica coinciden como se muestra en la
proposicin 9.4.2.
En cuanto a la toma de muestras se reere, la distribucin hipergeomtrica diere de la distribucin

binomial en la forma en que se ejecuta el muestreo aleatorio: en la distribucin hipergeomtrica el
muestreo se hace sin reemplazo, mientras que en la distribucin binomial se hace con reemplazo, pero
como se ha dicho, cuando
Proposicin 9.4.2.
n/N 5 %,
donde
Sean
y
M
N
N los

M
x
nmero real tal que
n, M
0 < < 1. Si
este hecho no marca ninguna diferencia.
N M
nx
N
n
parmetros de una distribucin hipergeomtrica y

cuando
M ,
un
entonces
n x
(1 )nx
x
es un elemento del rango de una v.a. con distribucin binomial de parmetros
La demostracin de esta proposicin est fuera de los intereses de este libro. La demostracin se puede
consultar en Blanco (2004, p. 110).
9.4.
269
Ejemplo 9.4.6.
En el ejemplo 9.4.2, hubiera sido recomendable utilizar la distribucin binomial en
lugar de la distribucin geomtrica?
Solucin:
Dado que
n/N = 3/15 = 0.20 > 5 %
entonces no se recomienda utilizar la distribucin binomial en la
lugar de la distribucin geomtrica para realizar los clculos respectivos.
Ejemplo 9.4.7.
El Ministerio de Salud de un pas asegura que el porcentaje de individuos que padece
de una determinada enfermedad infecciosa de una ciudad con cuatro millones de habitantes es 10 %.
Una agencia no gubernamental quiere tomar una muestra aleatoria de 20 individuos de la ciudad.
Cul es la probabilidad de que ningn ciudadano de la muestra est enfermo?
Solucin:
Sea
la variable dada por el nmero de personas en la muestra que estn enfermas. Se observa que
tiene distribucin hipergeomtrica de parmetros
n = 20, M = 400, 000 y N = 4, 000, 000. Teniendo

X se puede aproximar por
n = 20 y = 0.1. Por tal motivo la probabilidad
en cuenta la proposicin 9.4.2, se sigue la distribucin probabilstica de

medio de una distribucin binomial de parmetros
pedida es
100
(0.1)0 (1 0.1)200 = 0.121.
0
Ejemplo 9.4.8.
En la tabla 9.1 se ejemplica la proposicin 9.4.2 por medio de una v.a.
distribucin hipergeomtrica de parmetros
n = 10, M = 500
N = 1, 000.
con
En la segunda columna
de la tabla se presentan las probabilidades asociadas con todos los valores del rango de
que se
obtienen por medio de la f.m.p. dada por:
500
500
x
10x
1,000
10
donde
x es cualquier nmero entero entre 0 y 10. De otra parte, utilizando la aproximacin por medio
de la distribucin binomial que sugiere la proposicin 9.4.2, en la tercera columna de la tabla se

muestran las probabilidades calculadas a travs de la funcin
10
(0.5)x (1 0.5)10x
x
n = 10 y = 0.5.
obtiene cuando x = 5,
que corresponde a la f.m.p. de una variable con distribucin binomial de parmetros

Como se observa en la ltima columna de la tabla, la mayor disimilitud se
donde la diferencia con la probabilidad exacta se empieza a notar en el lugar de las milsimas. En
todos los dems casos la diferencia es casi nula y nicamente se percibe a partir de la cuarta cifra
despus del punto decimal. Esto evidencia que la aproximacin que establece la proposicin 9.4.2 para
este caso es bastante acertada.
270
CAPTULO 9.
Hg(10, 500, 1, 000)
Bin(10, 0.5)
Diferencia
0.00093
0.00098
0.00950
0.00977
0.04337
0.04395
0.11683
0.11719
0.20570
0.20508
0.24733
0.24609
0.20570
0.20508
0.11683
0.11719
0.04337
0.04395
0.00950
0.00977
10
0.00093
0.00098
0.00004
0.00026
0.00057
0.00036
0.00062
0.00124
0.00062
0.00036
0.00057
0.00026
0.00004
Tabla 9.1: Probabilidades asociadas con los valores de una v.a. con distribucin hipergeomtrica de parmetros
n = 10,
M = 500 y N = 1, 000, su respectiva aproximacin por medio de la distribucin binomial de parmetros n = 10 y = 0.5,
y la diferencia correspondiente.
9.5. Distribucin geomtrica y binomial negativa

Se considera un experimento que satisface las mismas condiciones de un experimento binomial, a
excepcin de que ahora los experimentos aleatorios se repiten hasta que ocurra un nmero determinado
x xitos en n experimentos
n es jo, ahora interesa la probabilidad de que ocurran r xitos, donde r es jo,
de xitos. En consecuencia, en lugar de encontrar la probabilidad de

independientes, donde
en
repeticiones del experimento.
Esto es, un
experimento binomial negativo
de parmetros
est caracterizado por las sigui-
entes condiciones:
i. El experimento consta de una serie de experimentos de Bernoulli que son independientes entre s.
ii. La probabilidad de xito
de cada experimento de Bernoulli es constante.
iii. El experimento contina hasta que un total de
xitos se haya observado, siendo
un entero
positivo dado.
De esta forma el inters reside en calcular la probabilidad de tener que repetir el experimento de
Bernoulli
r xitos. Ahora,
X es una v.a..
veces para obtener de manera exacta
constante en tanto que el nmero de repeticiones
el nmero de xitos permanece
9.5.
271
DISTRIBUCIN GEOMTRICA Y BINOMIAL NEGATIVA
Denicin 9.5.1.
negativa
x1
r1
fX (x; r, ) =
r es
0 < < 1.
donde
BN (r, ).
r (1 )xr ,
0,
si
distribucin binomial
est dada por:
x = r, r + 1, r + 2, . . .;
en otro caso.
un nmero entero positivo y
tiene
si la f.m.p. de
cuando
r
X
tiene distribucin binomial negativa de parmetros
Adems, similar a la distribucin binomial, se dice que una v.a.
geomtrica
parmetro
de parmetros
r = 1,
lo que se denota con
X G(),
se escribe
tiene
distribucin
esto es, una distribucin geomtrica de
Suponga que no interesa conocer el nmero de ensayos necesarios hasta obtener de manera exacta
xitos (X ) sino el nmero de fracasos ocurridos antes de obtener de manera exacta
X =Y +r
fY (y; r, ) =
xitos (Y ).
y por lo tanto
r+y1
r1
r (1 )y ,
0,
si
y = 0, 1, 2, . . .;
en otro caso.
Algunos autores llaman a esta ltima distribucin binomial negativa, mientras que a la distribucin
de probabilidad dada inicialmente la llaman
Ejemplo 9.5.1.
distribucin de Pascal .
En una auditora se investigan los estados nancieros con inconformidades. Un
estudio precedente seal que la proporcin de estados nancieros con defectos es 3 %. Cul es la
probabilidad de que el vigsimo estado nanciero investigado sea el tercero que tenga algn error?
Solucin:
Sea
la v.a. que representa el nmero de estados nancieros que es necesario inspeccionar hasta
X tiene distribucin binomial

r = 3 y = 0.03, esto es, X BN (3, 0.03). As, la f.m.p. de X est dada por:
obtener exactamente tres con algn error. En consecuencia la variable

negativa de parmetros
fX (x; 3, 0.03) =
x1
2
(0.03)3 (0.97)x3 ,
0,
x = 3, 4, 5, . . .;
en otro caso.
En consecuencia, la probabilidad pedida es
20 1
(0.03)3 (0.97)203 0.003.
2
P(X = 20) =
binomial negativa de parmetros
r=3
= 0.03.
Nota. En el ejemplo anterior, dado que la proporcin de xitos es menor a

en el mecanismo de muestreo es indiferente.
5 %,
el reemplazamiento
272
CAPTULO 9.
Figura 9.7: Grco de la f.m.p. (a) y de la f.d.a. (b) de una variable con distribucin binomial negativa de parmetros
r=3
= 0.03.
Ejemplo 9.5.2.
El gerente del departamento de control de calidad de una compaa est investigando
una medida que se ha implementado para mejorar las cualidades de sus productos. Esta medida indica
que la probabilidad de encontrar algn producto defectuoso es apenas del 1 %. Cul es la probabilidad
de que se tenga que revisar ms de diez artculos hasta encontrar dos con alguna imperfeccin?
Solucin:
Aqu interesa la v.a.
dada por el nmero de unidades que es necesario inspeccionar hasta encon-
trar dos defectuosas. De acuerdo con la situacin se tiene que la probabilidad de encontrar alguna
imperfeccin en algn artculo es constate e igual a 0.01 y por lo tanto se sigue
r=2
fX (x; 2, 0.01) =
= 0.01.
x1
1
0,
As, la f.m.p. de
(0.01)2 (0.99)x2 ,
tiene distribucin
est dada por:
x = 2, 3, 4, . . .;
en otro caso.
Entonces, la probabilidad de que se tenga que revisar ms de diez artculos hasta encontrar dos con
alguna imperfeccin es
P(X 10) = 1 P(X < 10)

9
=1
P(X = i)
i=2
9.5.
273
DISTRIBUCIN GEOMTRICA Y BINOMIAL NEGATIVA
= 1 P(X = 2) . . . P(x = 9)
=1
21
91
(0.01)2 (0.99)22 . . .
(0.01)2 (0.99)92
1
1
= 1 0.0042662
= 0.9957.
Proposicin 9.5.1.
i.
E[X] =
Si
es una v.a. tal que
r
,
ii.
X BN (r, )
Var[X] =
entonces:
r(1)
2 .
iii.
mX (t) =
et
1(1)et
La demostracin est fuera de los intereses de este libro. La demostracin se puede consultar en Ross
(1998, p. 166).
Ejemplo 9.5.3.
Encontrar el valor esperado, la varianza y la f.g.m. de la variable que estudia en el
ejemplo 9.5.2.
Solucin:
Dado que la variable
X BN (2, 0.01),
i.
ii.
iii.
tiene distribucin binomial negativa de parmetros
r=2
= 0.01,
esto es,
2
0.01 = 200. Este valor indica que se espera inspeccionar alrededor de 200 artculos hasta
completar dos unidades defectuosas.
E[X] =
Var[X] =
2(10.01)
(0.01)2
mX (t) =
0.01et
1(10.01)et
= 19, 800.
2
0.01et
10.99et
2
.
A continuacin se presenta el mtodo de captura-recaptura que se estudi en la seccin 9.4 con la

distribucin hipergeomtrica pero ahora enmarcado en el contexto de la distribucin binomial negativa.
Como antes, se supone que el tamao de una poblacin es desconocido y se quiere determinarlo sin
tener que contar los individuos uno por uno. El mtodo consiste en capturar
individuos de la
poblacin, marcarlos y luego retornarlos a la poblacin. Una vez los individuos marcados y los no
marcados se mezclan homogneamente, se extraen individuos de la poblacin hasta que un nmero
predeterminado de individuos marcados se obtiene, por ejemplo
de extracciones necesarias hasta obtener
y
k . Si X
es la v.a. que denota el nmero
individuos marcados, es claro que
donde
= M/N .
tiene distribucin
X es igual a
x0 , siguiendo a Blanco (2004, p. 120), se obtiene que un estimador de N , denotado con N , es aquel que
Suponiendo que se observa que
274
CAPTULO 9.
maximiza la probabilidad de que
sea igual a
x0 .
Tal estimador, tambin se conoce como estimador
de mxima verosimilitud y es igual a
N=
donde
[a]
es la parte entera de
M x0
k
a.
9.6. Distribucin de Poisson

Esta distribucin probabilstica fue introducida en 1837 por el matemtico francs
Poisson
Simon Denis
y se utiliza para describir la ocurrencia de un fenmeno aleatorio en una unidad de tiempo
o espacio. Esta distribucin tambin sirve como modelo del nmero de defectos o disconformidades
que ocurren en una unidad de un producto. Las siguientes son las caractersticas correspondientes a
una variable con distribucin de Poisson:
El experimento aleatorio consiste en contar el nmero de veces que ocurre un evento particular
durante una unidad de tiempo, rea, volumen, peso, distancia, o cualquier otra unidad de medida
dada bien denida.
La probabilidad de que el evento ocurra en una unidad de medida dada es la misma para todas
las unidades.
El nmero de eventos que ocurren en una unidad de medida es independiente del nmero de
eventos que ocurren en otras unidades.
Denicin 9.6.1.
sson
de parmetro
si la f.m.p. de
fX (x; ) =
donde
Proposicin 9.6.1.
tiene
distribucin de Poi-
e x
x! ,
si
0,
en otro caso.
x = 0, 1, 2, . . .;
Si
tiene distribucin de Poisson de parmetro
es una v.a. tal que
E[X] = .
3 Fotografa
est dada por:
i.
ii.
X P ()
Var[X] = .
se escribe
X ().
entonces:
iii.
mX (t) = e(e
http://en.wikipedia.org/wiki/File:Simeon_Poisson.jpg.
1)
9.6.
275
DISTRIBUCIN DE POISSON
Demostracin:
Como en la demostracin de la proposicin 9.3.1, primero se demuestra a que corresponde la f.g.m.
de la variable y luego utilizando las propiedades de esta funcin se obtienen el valor esperado y la
varianza como sigue:
iii.
mX (t) = E eXt
eit fX (i; )
=
i=0
eit
=
i=0
e i
i!
= e
i=0
=e
i=0
=e
E[X] =
d
mX (t)
dt
(et )
i!
et
= e(e
i.
i eit
i!
= e(e
1)
1)
= e(11) = .
et
t=0
t=0
ii.
Var[X] = E X 2 (E[X])
=
d2
mX (t)
dt2
2
t=0
t (et 1)
= e e
+ et e(e
1)
et
2
t=0
= e(11) + e(11) 2
= .
Nota. En la primera parte de la demostracin de la proposicin 9.6.1 se aplica la identidad
ex =
donde
es un nmero real.
xn
n!
n=0
276
CAPTULO 9.
Figura 9.8: Simon Denis Poisson (1781-1840).
Ejemplo 9.6.1.
Los sbados por la maana, los clientes entran en una tienda de un centro comercial
a una tasa esperada de 0.50 clientes por minuto. Hallar la probabilidad de que el nmero de clientes
que entran en un intervalo especco de 10 minutos sea a lo ms 3.
Solucin:
Las hiptesis del proceso de Poisson parecen ser razonables en este contexto. Se da por sentado que
los clientes no llegan en grupos (o es posible contar al grupo entero como un solo cliente) y que la
entrada de un cliente no aumenta ni disminuye la probabilidad de que llegue otro. Para obtener
se observa que a una tasa media de 0.50 por minuto durante un periodo de 10 minutos, se sigue que
= (0.50)(10) = 5
entradas. Sea
de 10 minutos. As, se tiene que
X la v.a. dada por el nmero de clientes

X P (5), por lo que la f.m.p de X es
fX (x; 5) =
e5 5x
x! ,
si
0,
que entran en un intervalo
en otro caso.
x = 0, 1, 2, . . .;
Se pide calcular
P(X 3) = P(X = 0; X = 1; X = 2; X = 3)
= P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3)
e5 50
e5 51
e5 52
e5 53
+
+
+
0!
1!
2!
3!
= 0.2650.
Se observa adems que
P(X > 3) = 1 P(X 3) = 1 0.2650 = 0.7350.
9.6.
277
En la gura 9.9 se presenta el grco de la f.m.p. y la f.d.a. de una variable con distribucin de poisson
de parmetro
= 5.
Figura 9.9: Grco de la f.m.p. (a) y de la f.d.a. (b) de una variable con distribucin de Poisson de parmetro
Ejemplo 9.6.2.
= 5.
Si un banco recibe en promedio seis cheques sin fondo por da, cules son las
probabilidades de que reciba: a. cuatro cheques sin fondo en un da dado y b. 10 cheques sin fondos
en cualquier par de das consecutivos?
Solucin:
Dado que se cumplen los requerimientos de un proceso de Poisson (por qu?), se tiene que la v.a.
de inters
=6
es el nmero de cheques sin fondo que llegan al banco en un da cualquiera, de donde
cheques sin fondo por da. As, una de las probabilidades pedidas es
P(X = 4) =
e6 64
= 0.1392.
4!
De otra parte, cuando interesan dos das consecutivos, se dene la v.a.
como el nmero de cheques
sin fondo que llegan al banco en dos das consecutivos, por lo que ahora
consecuencia, la segunda probabilidad pedida es
P(X = 10) =
e12 1210
= 0.1049.
10!
= 6 2 = 12.
En
278
CAPTULO 9.
Nota. En la gura 9.10 se presentan los grcos de la f.m.p. de una distribucin de Poisson para
algunos valores de
. En esta gura se observa como se modica la agudeza del sesgo de la distribucin

.
a medida que aumenta el valor de
Figura 9.10: Grcos de la f.m.p. de una distribucin de Poisson de parmetros
Proposicin 9.6.2.
Si
es una v.a. tal que
X P ()
fX (x; ) =
donde
= 2, = 5
= 10.
entonces:
fX (x 1; ).
x
Demostracin:
Como
es un nmero entero positivo entonces se tiene que
e x1
e x1
e x
fX (x 1; ) =
=
=
= fX (x; )
x
x (x 1)!
x(x 1)!
x!
y en consecuencia
fX (x; ) = fX (x 1; ).
x
Nota. La proposicin 9.6.2 permite calcular de forma recurrente los valores de la f.m.p. de una variable
con distribucin de poisson de parmetro
Ejemplo 9.6.3.
Sea
una v.a. con distribucin de Poisson de parmetro
=5
como en el ejemplo
9.6.1. A continuacin se generan algunos valores de esta distribucin utilizando la frmula recursiva
de la proposicin 9.6.2 utilizando
= 5:
fX (0; 5) = e5 = 0.00673794
9.6.
279
fX (1; 5) = (5/1)(0.00673794) = 0.03368973

fX (2; 5) = (5/2)(0.03368973) = 0.08422433
fX (3; 5) = (5/3)(0.08422433) = 0.14037389
fX (4; 5) = (5/4)(0.14037389) = 0.17546737.
Esta iteracin se puede prolongar hasta obtener todos las probabilidades que sean requeridas.
Empricamente se ha establecido que si

la distribucin binomial de parmetros
es,
Bin(n) P (n).
n > 100, < 0.01 y n < 20 entonces es posible aproximar

n y por una distribucin de Poisson de parmetro n , esto
Esto quiere decir que la distincin de Poison ofrece un modelo probabilstico
adecuado para todos los experimentos aleatorios en los que las repeticiones son independientes unas de
otras y en los que solo hay dos posibles resultados denominados xito y fracaso, con probabilidad
de xito pequea, y en los que el inters se centra en describir el nmero de xitos obtenidos al realizar
el experimento un numero sucientemente grande de veces (Blanco 2004). Este hecho se especica
propiamente en la siguiente proposicin:
Proposicin 9.6.3.
Si
es una sucesin tal que
0 < n < 1 y nn cuando n , entonces
n x
e x
n (1 n )nx
x!
x
donde
es un elemento del rango de una v.a. con distribucin de Poisson de parmetro
La demostracin de esta proposicin est fuera de los intereses de este libro. La demostracin se puede
consultar en Ross (1998, p. 154).
Ejemplo 9.6.4.
En la tabla 9.2 se ejemplica la proposicin 9.6.3 por medio de una v.a.
distribucin binomial de parmetros
n = 400
= 0.005.
con
En la segunda columna de la tabla se
presentan las probabilidades asociadas con algunos valores del rango de
que se obtienen por medio
de la f.m.p. dada por:
400
(0.005)x (1 0.005)400x
x
donde
x es cualquier nmero entero entre 0 y 400. De otra parte, utilizando la aproximacin por medio
de la distribucin de Poisson que sugiere la proposicin 9.6.3, en la tercera columna de la tabla se

muestran las probabilidades calculadas a travs de la funcin
e2 2x
x!
que corresponde a la f.m.p. de una variable con distribucin de Poisson de parmetro
= 2.
Como se
observa en la ltima columna de la tabla, la diferencia entre el clculo exacto de las probabilidades y
la aproximacin que establece la proposicin 9.6.3 es casi nula (de hecho en algunos casos lo es) y por
lo tanto se sigue que en escenarios como este la aproximacin es bastante acertada.
280
CAPTULO 9.
Bin(150, 0.005)
P (2)
Diferencia
0.13466
0.13534
0.27067
0.27067
0.27135
0.27067
0.18090
0.18045
0.09022
0.09022
0.03591
0.03609
0.01188
0.01203
0.00336
0.00344
0.00083
0.00086
0.00018
0.00019
10
0.00004
0.00004
0.00068
0.00000
0.00068
0.00045
0.00000
0.00018
0.00015
0.00008
0.00003
0.00001
0.00000
Tabla 9.2: Probabilidades asociadas con los valores de una v.a. con distribucin binomial de parmetros
= 0.005,
su respectiva aproximacin por medio de la distribucin de Poisson de parmetros
= 2,
n = 400
y la diferencia
correspondiente.
Ejemplo 9.6.5.
La probabilidad de que un artculo sea defectuoso es igual a 0.001. Un cliente mayo-
ritario acepta un embarque de produccin siempre y cuando al tomar una muestra aleatoria de 10,000
unidades del embarque no resulten ms de diez unidades defectuosas. Cul es la probabilidad de que
un cliente acepte el embarque?
Solucin:
Sea
la v.a. dada por el nmero de unidades en la muestra que tienen algn defecto. En este
X tiene distribucin binomial de

X Bin(10, 000, 0.001). Dadas las condiciones de la
caso se tiene que
parmetros
n = 10, 000
= 0.001,
esto es,
situacin es posible aproximar esta distribucin
binomial por medio de una distribucin de Poisson de parmetro
n = 10. As, la probabilidad de que
el cliente acepte el embarque es
10
10
P(X 10) =
P(X = i) =
i=0
i=0
e10 10i
e10 100
e10 1010
=
+ ... +
= 0.583.
i!
0!
10!
9.7. Comentarios
En este captulo se presentan las distribuciones discretas de uso comn en estadstica. Estas distribuciones son de especial inters porque los supuestos bajo los cuales se fundamentan, les permiten
ajustarse a variados fenmenos de la vida real relacionados con procesos discretos.
Para todas las distribuciones se presentan el valor esperado, la varianza y la f.g.m., con el propsito de
9.8.
281
EJERCICIOS
describir a mayor profundidad los fenmenos que describen por medio de tales medidas caractersticas.
Adems, se presentan un par de resultados asintticos, que permiten aproximar bajo ciertas condiciones
algunas de estas distribuciones.
El manejo apropiado de estas distribuciones permite construir herramientas estadsticas sosticadas

que se utilizan en la prctica para investigar fenmenos que requieren de modelos ms complejos que
a su vez se basan en supuestos ms fuertes.
9.8. Ejercicios
9.1 Se lanza un dado corriente 12 veces seguidas. Calcular la probabilidad de obtener por lo menos
cinco veces el nmero uno.
9.2 Sea
media y la varianza de
9.3 Sea
X
X
tal que
P(X = 0) = 0.02.
Calcular la
X.
una variable aleatoria con distribucin de Bernoulli de parmetro
la varianza y la f.g.m. de
9.4 Sea
una variable aleatoria con distribucin Geomtrica de parmetro
la varianza y la f.g.m. de
. Hallar el valor esperado,
X.
. Hallar el valor esperado,
X.
9.5 Se supone que la probabilidad de obtener una unidad defectuosa es de 5 %. El conjunto de unidades
terminadas constituye un conjunto de ensayos independientes. Si se toma una muestra aleatoria
de 10 unidades, calcular la probabilidad de que:
a. Exactamente dos se encuentren defectuosas.
b. A lo sumo dos se encuentren defectuosas.
c. Por lo menos una se encuentre defectuosa.
9.6 El gerente de un restaurante que solo da servicio mediante reservas sabe, por experiencia, que
el 20 % de las personas que reservan una mesa no asistirn. Si el restaurante acepta 25 reservas
pero solo dispone de 20 mesas, cul es la probabilidad de que a todas las personas que asistan al
restaurante se les asigne una mesa?
9.7 Una empresa de electrnica observa que el nmero de componentes que fallan antes de cumplir
100 horas de funcionamiento es una variable aleatoria de Poisson. Si el nmero promedio de estos
fallos es ocho, calcular la probabilidad de que:
a. Falle exactamente un componente en 25 horas.
b. Fallen no ms de dos componentes en 50 horas.
c. Fallen por lo menos 10 componentes en 125 horas.
9.8 Un lote contiene 100 artculos de un proveedor local y 200 unidades de un proveedor vecino. Si se
seleccionan cuatro piezas al azar y sin reemplazo, calcular la probabilidad de que:
282
CAPTULO 9.
a. Todas las piezas sean del proveedor local.

b. A lo ms dos piezas sean del proveedor local.
c. Al menos una pieza sea del proveedor local.
9.9 Una prueba consta de 200 preguntas de verdadero o falso. Para una persona que responda al azar,
calcular la probabilidad de que responda acertadamente:
a. La mitad de las preguntas o menos.
b. Ms de 50 y menos de 100 preguntas.
c. Ms de 120 preguntas.
9.10 En un centro turstico, para averiguar el tamao
de una poblacin de lagartos se utiliza el
siguiente mtodo de captura-marcaje-recaptura. Se capturan

reincorpora a su poblacin. Un tiempo despus se realizan
dene
como el nmero de lagartos marcados en los
a. Cul es la distribucin probabilstica de
k=4
d. Si
N = 12, k = 4
m = 1,
lagartos, se les marca y se les
avistamientos independientes y se
avistamientos independientes.
X?
b. Obtener una expresin para la probabilidad de que

c. Si
X = m.
demostrar que la probabilidad es mxima cuando

y
n = 3,
N = 4n.
cul es la probabilidad de que los tres lagartos observados estn
marcados si se sabe que al menos uno de ellos lo est?

9.11 En un proceso de fabricacin de cierto artculo se sabe que 2 % resultan defectuosos. Los artculos
se empaquetan en cajas de 50 artculos. Calcular la probabilidad de que en una caja haya el
siguiente nmero de artculos con defectos:
a. Ninguno.
b. Uno.
c. Ms de dos.
d. Cuntos artculos defectuosos habr, por trmino medio, en cada caja?
9.12 Los mensajes que llegan a una computadora utilizada como servidor lo hacen de acuerdo con una
distribucin de Poisson con una tasa promedio de 0.1 mensajes por minuto.
a. Cul es la probabilidad de que lleguen a lo ms dos mensajes en una hora?
b. Determinar el intervalo de tiempo necesario para que la probabilidad de que no llegue ningn
mensaje durante ese lapso de tiempo sea 0.8.
9.13 Se sabe que de un lote de 40 semillas no est en buenas condiciones la cuarta parte. Se toman
al azar ocho semillas y se analizan en el laboratorio. Cul es la probabilidad de que tres de las
semillas analizadas estn en malas condiciones?
9.14 Un banco recibe en promedio 6 cheques falsos al da acorde a un proceso de Poisson. Hallar la
probabilidad de que se reciban:
a. Cuatro cheques falsos en un da.
9.8.
283
EJERCICIOS
b. Ms de 30 cheques falsos en una semana.

9.15 Una rma de pedidos por correo enva una carta a sus clientes. La probabilidad de que un cliente
elegido al azar conteste a esa carta es de 0.1. Sean
rma hasta obtener exactamente 1 respuesta y
el nmero de cartas que debe enviar la
el nmero de cartas que debe enviar la rma
para obtener exactamente 3 respuestas. Calcular e interpretar
P(X > 2)
P(Y 5).
Cul es el
valor esperado de estas variables?

9.16 Una caja con 12 artculos tiene cuatro defectuosos. Si se toma una muestra de tres, en un caso con
reemplazamiento y en otro sin reemplazamiento, cul ser la probabilidad de no incluir artculos
defectuosos en la muestra?
9.17 De estudios anteriores se conoce que el tipo de grupo sanguneo de una poblacin se distribuye
de acuerdo a las siguientes categoras: A (43.2 %), B (14.2 %), AB (6.0 %) y O (36.6 %). En una
situacin de emergencia se necesitan realizar cinco transfusiones de tipo A. Se solicitan voluntarios
a la poblacin y se realizan extracciones sucesivas. Cul es la probabilidad de cubrir la emergencia
con el dcimo donante?
9.18 La central telefnica de un hotel recibe en promedio 0.5 llamadas por minuto de acuerdo a un
proceso de Poisson. Determinar la probabilidad de que en una hora al determinada:
a. Se reciba 60 llamadas.
b. Se reciban un mximo de 120 llamadas.
c. La central quede bloqueada, sabiendo que no puede realizar ms de 3 conexiones por minuto.
9.19 El 4 % de las reservas de un vuelo no son utilizadas. Segn esta observacin, una compaa de
aviacin vende 75 billetes para 73 plazas. Cul es la probabilidad de que todos los pasajeros
consigan viajar?
9.20 El Departamento de Matemticas de una universidad propone un examen de seleccin mltiple
conformado por 25 preguntas. Cada pregunta tiene cinco opciones de respuesta. Si un estudiante
no conoce la respuesta correcta de ninguna pregunta y prueba suerte, responder:
a. Cul es el nmero esperado de respuestas correctas y su desviacin tpica?
b. Suponiendo que cada respuesta acertada vale 1 punto, cunto debe valer cada respuesta fallada
para que la nota esperada del estudiante que prueba suerte sea nula?
c. Si se pasa el examen cuando se responden correctamente 13 preguntas, cul es la probabilidad
de que pase el alumno que ha probado suerte?
9.21 Una caja contiene 100 artculos de los que cuatro son defectuosos. Sea
el nmero de artculos
defectuosos encontrados en una muestra de nueve artculos sin reemplazado.

a. Hallar e interpretar
P(X = 2).
b. Aproximar la probabilidad del numeral a. por medio de la distribucin binomial.

c. Aproximar la probabilidad del numeral a. por medio de la distribucin de Poisson.
9.22 El nmero de llamadas telefnicas que recibe una operadora desde las 9:00 horas hasta las 9:05
horas sigue una distribucin de Poisson de parmetro 4. Hallar la probabilidad de que:
284
CAPTULO 9.
a. La operadora no reciba ninguna llamada al da siguiente en ese intervalo de tiempo.

b. En los dos prximos das la operadora reciba un total de tres llamadas en ese intervalo de
tiempo.
9.23 Una agencia inmobiliaria dedicada a la venta de apartamentos en la Costa ha realizado un estudio
de ventas, comprobando que solo el 5 % de las personas que acuden a visitar el piso piloto compran
un apartamento. Se pide:
a. Calcular la probabilidad de que tenga que recibir 10 visitas hasta vender un apartamento.
b. Calcular la probabilidad de que tenga que recibir 10 visitas hasta vender dos apartamentos.
9.24 Sea
Demostrar que
E X 2 = E[X + 1].
9.25 Se lanza una moneda tantas veces como sea necesario hasta obtener por primera vez cara. Sea
la v.a. que denota el nmero de lanzamientos requeridos. Calcular
E[X]
9.26 El promedio de homicidios mensuales en un pas es de 1 por cada 100,000 habitantes.

a. Calcular la probabilidad de que en una ciudad de dicho pas, de 400,000 habitantes, haya ocho
o ms homicidios en un mes dado.
b. Calcular la probabilidad de que haya, por lo menos, dos meses durante el ao en los que, en
dicha ciudad ocurran ocho o ms homicidios.
9.27 La polica sospecha que en un camin cargado con 40 bultos de arroz se han camuado paquetes
de cocana. Para conrmar su sospecha, la polica escoge al azar cinco bultos para inspeccionarlos.
Si en efecto, de los 40 bultos de arroz que contiene el camin, diez tienen camuada cocana, cul
es la probabilidad de que por lo menos uno de los bultos de la muestra contenga cocana?
9.28 Un procedimiento de laboratorio requiere de 12 etapas independientes para realizarse. Sin embargo,
la probabilidad de completar satisfactoriamente una etapa es de 0.5, por lo que se puede repetir
un mximo de 6 etapas de manera independiente. Se quiere determinar cul es la probabilidad de
que la proporcin de etapas completadas satisfactoriamente sea mayor o igual 72.22 %.
Captulo
10
Distribuciones continuas
10.1. Introduccin
En la seccin 9 se estudian las distribuciones discretas de uso comn, haciendo nfasis en los escenarios
que describen y sus aplicaciones, junto con los parmetros asociados, con el propsito de describir
probabilsticamente un fenmeno discreto dado. A diferencia de las v.a.d.'s, que describen variables
con valores nitos o innitos numerables, las v.a.c.'s hacen referencia a variables que asumen un
conjunto innito no numerable de valores.
En este captulo se presentan las distribuciones continuas de uso frecuente en estadstica, por medio
de las funciones relacionadas, esto es, la f.d.p. y la f.d.a., y los parmetros asociados para describir las
variables de inters. El estudio de las distribuciones continuas de probabilidad es fundamental porque
varios mtodos de la inferencia estadstica se apoyan en este tipo de distribuciones.
10.2. Distribucin uniforme continua

La distribucin uniforme continua es aquella distribucin que puede tomar cualquier valor dentro de
un intervalo dado, siempre con la misma densidad; por ende, todos los subintervalos de la misma
longitud son equiprobables. Es una distribucin continua porque puede tomar cualquier valor y no
nicamente un nmero determinado de ellos, como ocurre en la distribucin uniforme discreta.
285
286
CAPTULO 10.
Denicin 10.2.1.
uniforme continua
DISTRIBUCIONES CONTINUAS
X tiene una distribucin

[a, b], si la f.d.p. de X est dada
Se dice que una v.a.c.

sobre el intervalo
por:
1
ba ,
donde
X U [a, b].
X U (a, b).
Proposicin 10.2.1.
ii.
iii.
a < b.
tiene distribucin uniforme continua sobre el intervalo

En este caso la f.d.p. de
Si
[a, b]
se escribe
es una v.a. tal que
mX (t) =
(a, b),
es
si
0,
en otro caso.
a < x < b;
X U [a, b]
a+b
2 .
Var[X] =
1
ba ,
fX (x; a, b) =
E[X] =
en otro caso.
a x b;
Esta distribucin probabilstica tambin se puede denir sobre el intervalo abierto
lo que se escribe
i.
si
0,
fX (x; a, b) =
entonces
iv.
(ba)2
12 .
FX (x; a, b) =
etb eta
t(ba) .
0,
Demostracin:
i.
E[X] =
xfX (x)dx
=
a
=
=
=
=
=
x
dx
ba
b
1
xdx
ba a
1 x2 b
ba 2 a
1
b2 a2
ba
2
1 (b a)(b + a)
ba
2
(a + b)
.
2
ii. Como
E X2 =
x2 fX (x)dx
si
xa
ba ,
si
1,
si
x < a;
a x b;
x > b.
10.2.
287
DISTRIBUCIN UNIFORME CONTINUA
=
a
=
=
=
=
=
x2
dx
ba
b
1
x2 dx
ba a
1 x3 b
ba 3 a
1
b3 a3
ba
3
1 (b a)(a2 + ab + b2 )
ba
3
a2 + ab + b2
3
entonces
Var [X] = E X 2 (E [X])
=
=
=
=
=
a2 + ab + b2
(a + b)
3
2
2
2
2
a + ab + b
(a + 2ab + b2 )
3
4
4a2 + 4ab + 4b2 3a2 6ab 3b2
12
a2 2ab + b2
12
(a b)2
.
12
iii.
mX (t) = E eXt
ext fX (x)dx
=
a
ext
dx
ba
b
1
ext dx
ba a
1 ext b
=
ba t a
1 ebt eat
=
ba
t
ebt eat
=
.
t(b a)
288
CAPTULO 10.
Ejemplo 10.2.1.
La tesorera de una empresa indica que la utilidad diaria (en millones de pesos) de
la compaa tiene distribucin uniforme entre
y 2. Calcular la probabilidad que en un da dado la
empresa tenga
a. ganancias.
b. ganancias superiores a un milln de pesos.
c. prdidas.
Solucin:
Se tiene que la v.a. de inters
corresponde a la utilidad diaria (en millones de pesos) de la empresa.
De acuerdo con la tesorera de la compaa
b = 2,
es decir,
X U [3, 2].
tiene distribucin uniforme sobre el intervalo
Por consiguiente, la f.d.p. de
fX (x; 3, 2) =
es
1
5,
si
0,
en otro caso.
3 x 2;
Por lo tanto, la probabilidad de que en un da dado la empresa tenga
a. ganancias es:
P(X 0) =
fX (x)dx
0
2
=
0
1
dx
5
1 2
= x
5 0
1
= (2 0)
5
= 0.4.
b. ganancias superiores a un milln de pesos es:
P(X > 1) =
fX (x)dx
1
2
=
1
1
dx
5
1 2
= x
5 1
1
= (2 1)
5
= 0.2.
a = 3
10.2.
289
DISTRIBUCIN UNIFORME CONTINUA
c. prdidas es:
P(X < 0) = 1 P(X 0)

2
=1
5
= 0.6.
En la gura 10.1 se presenta el grco de la f.d.p. y de la f.d.a. de una variable con distribucin
uniforme continua sobre sobre el intervalo
a = 3
b = 2.
Nota. Las probabilidades calculadas en el ejemplo 10.2.1 tambin se pueden obtener utilizando la
f.d.a. de la variable, esto es, con la funcin:
FX (x; 3, 2) =
0,
si
x+3
5 ,
si
1,
si
x < 3;
3 x 2;
x > 2.
As, la probabilidad de que en un da dado la empresa tenga
a. ganancias es:
P(X 0) = 1 P(X < 0)

= 1 P(X 0)
= 1 FX (0)
0+3
=1
5
= 0.4.
b. ganancias superiores a un milln de pesos es:
P(X > 1) = 1 P(X 1)

= 1 FX (1)
1+3
=1
5
= 0.2.
c. prdidas es:
P(X < 0) = P(X 0)

= FX (0)
0+3
=
5
= 0.6.
290
CAPTULO 10.
Figura 10.1: Grco de la f.d.p. (a) y de la f.d.a. (b) de una variable con distribucin uniforme continua sobre el
intervalo
a = 3
b = 2.
Ejemplo 10.2.2.
Con la informacin del ejemplo 10.2.1, calcular el valor esperado y la varianza de
la utilidad diaria de esta empresa.
Solucin:
Como la utilidad diaria de la empresa tiene distribucin uniforme continua sobre el intervalo
y
b = 2,
a = 3
entonces el valor esperado y la varianza son respectivamente
E[X] =
a+b
3 + 2
1
=
=
2
2
2
Var[X] =
(b a)2
(b a)2
(2 (3))2
25
=
=
=
.
12
12
12
12
En consecuencia, se espera que en un da dado, la compaa tenga prdidas por un valor de $500,000
y por tal motivo debera considerar seriamente declararse en banca rota.
Nota. La variabilidad respecto al valor esperado calculado en el ejemplo 10.2.2 es notable. Por qu?
10.3.
291
DISTRIBUCIN NORMAL
10.3. Distribucin normal

10.3.1. Generalidades
La distribucin de probabilidad conocida como la distribucin normal es una de las distribuciones
probabilsticas ms importantes, porque se ajusta a una gran variedad de fenmenos y adems porque
constituye la base para el desarrollo de muchos mtodos de inferencia estadstica. La distribucin
normal tambin se denomina distribucin gaussiana o campana de Gauss, denominada as en honor
a
Johann Carl Friedrich Gauss
, pues al representar su f.d.p., sta tiene forma de campana (ver
la gura 10.2).
Figura 10.2: Grco de la f.d.p.de una variable con distribucin normal.
Muchas v.a.c.'s de carcter econmico, morfolgico y sociolgico siguen una distribucin normal,
o por lo menos aproximadamente normal. Una de sus caractersticas ms importantes es que, bajo
ciertas condiciones, casi cualquier distribucin de probabilidad, tanto discreta como continua, se puede
aproximar por una distribucin normal.
1 Fotografa tomada de la pgina web http://www.rare-earth-magnets.com/t-johann-carl-friedrich-gauss.aspx.
292
CAPTULO 10.
Figura 10.3: Johann Carl Friedrich Gauss (1777-1855).
Se dice que una v.a.c. X tiene distribucin normal de parmetros y 2 si la f.d.p. de X , denotada con X , est dada
Denicin 10.3.1.
por:
X (x; , 2 ) =
donde
es un nmero real y
e 2 (
1
2 2
tiene distribucin normal de parmetros
Se acostumbra denominar a
parmetro de localizacin
De otra parte, la f.d.a. de una v.a.
X ,
y a
se escribe
X N (, 2 ).
parmetro de escala .
con distribucin normal de parmetros
2 ,
denotada con
est dada por:
X (x; , 2 ) =
e 2 (
1
2 2
para todo
x R.
Por lo general, el clculo de esta funcin en un valor dado se hace por medio de una tabla (detalles
ver la seccin 10.3.3). En la gura 10.4 se presentan algunos ejemplos al respecto.
Proposicin 10.3.1.
2 Sea X
3 Sea X
>0
es una v.a. tal que
X N (, 2 )
una v.a. con una distribucin de parmetro
localizacin
si
Si
si la distribucin de la v.a.
Y =X +c
Y = cX
un nmero real. Se dice que
es de parmetro
una v.a. con una distribucin de parmetro
y la distribucin de la v.a.
entonces
un nmero real. Se dice que
es de parmetro
|c|.
+ c.
es un
es un
parmetro de
parmetro de escala
10.3.
i.
293
DISTRIBUCIN NORMAL
E[X] = .
ii.
Var[X] = 2 .
iii.
mX (t) = et+ 2
2 2
La demostracin se puede consultar en Ross (1998, p. 206 y p. 357).
Nota. Hay toda una familia de distribuciones normales. Cada distribucin normal especca, es decir,
2
cada miembro de esta familia, se distingue por su valor esperado
Como se observa en las grcas
y su varianza
de la gura 10.4, la grca de la f.d.p. de una variable
con
distribucin normal tiene forma de campana y un mximo global en el centro de la misma. De esta
manera, la media aritmtica (X ), la mediana (X ) y la moda (X ) de
coinciden y se localizan en
la abscisa correspondiente al mximo de la grca. En consecuencia, la distribucin de probabilidad

normal es simtrica respecto al valor esperado. Adems, la curva desciende suavemente en ambas
direcciones a partir del valor medio de forma asinttica, lo que quiere decir que la curva se acerca cada
vez ms al eje
pero jams llega a tocarlo.
Figura 10.4: Algunos ejemplos de la f.d.p. (izquierda) y de la f.d.a. (derecha) de la distribucin normal para diferentes
2 .
10.3.2. La distribucin normal estndar

Se observ que no existe una sola distribucin de probabilidad normal, sino una familia de ellas,
cuyos miembros se identican por el valor de la media y de la varianza. Por lo tanto, el nmero de
integrantes de esta familia es ilimitado y es imposible proporcionar una sola tabla de probabilidades
para cada combinacin de la media y la varianza. Para resolver este problema, se utiliza un solo
miembro de la familia de distribuciones normales: aquel con media igual a 0 y varianza igual a 1. La
importancia de esta distribucin, conocida como distribucin normal estndar, radica en que todas
las distribuciones normales se pueden referenciar a ella mediante una transformacin denominada
estandarizacin (detalles en la seccin 10.3.4).
4 Fotografa
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_normal.
294
CAPTULO 10.
Denicin 10.3.2.
tiene
Una v.a. con distribucin normal de parmetros
distribucin normal estndar
(o es estandarizada o
tipicada) si y solo si la v.a. tiene distribucin normal de parmetros
=0
2 = 1.
Nota. Una v.a. con distribucin normal estndar se denota con

es tal que
Z N (0, 1).
y de acuerdo con la denicin 10.3.2
Adems, se tiene que

1 2
1
(z) = Z (z; 0, 1) = e 2 z
2
(z) = Z (z; 0, 1) =
Proposicin 10.3.2.
real
i.
Si
1 2
1
e 2 t dt.
2
es una v.a. con distribucin normal estndar entonces para todo nmero
se tiene que:
(z) = (z).
ii.
(z) = 1 (z).
Demostracin:
i.
2
1
1 2
1
1
(z) = e 2 (z) = e 2 z = (z).
2
2
ii. Como
(z) = P(Z z) = 1 P(Z > z)

y haciendo la sustitucin
u = t
se tiene que
1 2
1
e 2 t dt
2
z
2
1
1
e 2 (u) du
=
2
z
z
1 2
1
e 2 u du
=
2
= (z)
P(Z > z) =
entonces
(z) = 1 (z).
10.3.
295
DISTRIBUCIN NORMAL
10.3.3. Uso de la tabla de la distribucin normal estndar

Las probabilidades dadas en la tabla de la seccin D.4 corresponden a algunas reas bajo la curva
de la distribucin normal estndar. Esta tabla muestra la funcin de distribucin acumulada
P(Z z)
para diferentes valores de
Ejemplo 10.3.1.
donde
Se quiere calcular
(z) =
Z N (0, 1).
(2.91) = P(Z 2.91).
Para ello, primero se localiza 2.9 en
la columna izquierda de la tabla, y despus a 0.01 en la la superior. Buscando en el interior de la

tabla, se observa que el rengln de 2.9 y la columna de 0.01 se intersectan en el valor 0.9982. Por
consiguiente, la probabilidad requerida es
(2.91) = P(Z 2.91) = 0.9982. Similarmente, se tiene que
(1.33) = P(Z 1.33) = 0.0918.

Nota. Tambin es posible determinar
(1.33)
de otra forma. Primero, se encuentra el rengln
correspondiente a 1.3 y despus se avanza por ste hasta la columna de 0.03. All se observa que
(1.33) = 0.9082,
sin embargo esta no es la probabilidad requerida, pero s es su complemento. Este
hecho se puede deducir mediante el grco de la gura 10.5. Por lo tanto,
(1.33) = 1 (1.33) =
1 0.9082 = 0.0918.
Figura 10.5: Ilustracin grca del clculo de probabilidades bajo la distribucin normal.
Hay valores de
que no aparecen en la tabla. En este caso, se debe aproximar a 0 las probabilida-
des correspondientes a los valores negativos y a 1, las probabilidades correspondientes a los valores
positivos. As,
(3.5) 1
Ejemplo 10.3.2.
Sea
(4.2) 0,
por ejemplo.
una v.a. con distribucin normal estndar. Calcular:
a.
P(Z 1.52).
c.
P(0 Z 1.52).
b.
P(Z 1.52).
d.
P(2.1 Z 0).
Solucin:
e.
P(1.34 < Z < 1.68).
296
CAPTULO 10.
a.
P(Z 1.52) = (1.52) = 0.9357.
b.
P(Z 1.52) = 1 (1.52) = 1 0.9357 = 0.0643.
c.
P(0 Z 1.52) = (1.52) (0) = 0.9357 0.5 = 0.4357.
d.
P(2.1 Z 0) = (0) (2.1) = 0.5 0.0179 = 0.4821.
e.
P(1.34 < Z < 1.68) = (1.68) (1.34) = 0.9535 0.0901 = 0.8634.
Denicin 10.3.3. Sea Z una v.a. con distribucin normal estndar y

un nmero real tal que 0 < < 100. El percentil de la distribucin
normal estndar, denotado con z , es un valor de Z tal que
(z ) =
.
100
Nota. De la denicin 10.3.3 se observa que 100 corresponde a una probabilidad y que
P(Z z ) = 1 100 .
Ejemplo 10.3.3.
Hallar el valor de
P(Z > z ) =
z4.65 .
Solucin:
100 = 0.0465 y se debe encontrar un valor x tal que (x) = 0.0465. Observando los
valores dentro de la tabla de la distribucin normal estndar se tiene que (1.68) = 0.0465 y por lo
En este caso
tanto
x = z4.65 = 1.68.
10.3.4. Estandarizacin
Cuando una v.a.
asociadas con
tiene distribucin normal de parmetros
se calculan estandarizando la variable
X,
2 ,
entonces, las probabilidades
esto es, por medio de la transformacin
X
.
Proposicin 10.3.3.
Si
es una v.a. tal que
X N (, 2 )
entonces se satisfacen las siguientes
propiedades:
i. La v.a.
dada por
Z=
X
tiene distribucin normal estndar.
10.3.
297
DISTRIBUCIN NORMAL
ii. Si
P(X a) =
iii. Si
P(X a) = 1
son nmero reales entonces
P(a X b) =
Demostracin:
i. Como
FZ (z) = (z)
entonces
tiene distribucin normal estndar, en efecto:
FZ (z) = P(Z z)
X
z
=P
= P(X z + )
= FX (z + )
z+
fX (t)dt
z+
Haciendo la sustitucin
u=
t
se obtiene que
z
FZ (z) =
dado que
l t
m
1 t 2
1
e 2 ( ) dt.
2
, (z+)
1 2
1
e 2 u du = (z)
2
=z
du = dt.
ii.
X
a
a
=P Z
a
=
.
P(X a) = P
iii.
a
X
b
a
b
=P
Z
b
a
=
P(a X b) = P
298
CAPTULO 10.
Ejemplo 10.3.4.
Sea
una v.a. tal que
X N (100, 162 ).
Calcular la probabilidad de que
tome
un valor entre 100 y 115, y que tome un valor mayor que 90.
Solucin:
La probabilidad de que
tome un valor entre 100 y 115 es
P(100 < X < 115) = P(100 X 115)

=
115 100
16
100 100
16
= (0.94) (0)
= 0.8264 0.5000
= 0.3264.
De otra parte, la probabilidad de que
tome un valor mayor que 90 es
P(X > 90) = 1 P(X 90)

=1
90 100
16
= 1 (0.63)
= 1 0.2643
= 0.7357.
Proposicin 10.3.4.
de parmetros
un nmero real tal que 0 < < 100 y X una v.a. con distribucin normal
. Entonces el percentil de X , denotado con x , est dado por
Sea
x = z +
donde
es el percentil
de la distribucin normal estndar.
de
Demostracin:
Como
es el percentil
X,
entones se tiene que
FX (x ) = P(X x )
=
=
Por lo tanto
y despejando
se obtiene que
.
100
x
= z
x = z + .
10.3.
299
DISTRIBUCIN NORMAL
Ejemplo 10.3.5.
El coeciente de inteligencia de 550 aspirantes a una beca escolar en una universidad
extranjera tiene distribucin normal con media 115 y desviacin estndar 10. Se pide:
a. Si la universidad requiere un coeciente de inteligencia de al menos 95, cuntos de estos aspirantes

sern rechazados?
b. El puntaje que, segn la prueba, separa el 10 % de los aspirantes ms inteligentes del resto, es decir,
el percentil 90 de
X.
c. Cul debe ser el valor de la media si se quiere que la probabilidad de que un aspirante tenga un
coeciente de al menos 230 sea igual a 0.05?
Solucin:
La variable de inters
que representa el coeciente de inteligencia de los aspirantes a la beca
escolar tiene distribucin normal de parmetros
= 115
2 = 100.
a. La probabilidad de que el coeciente de un aspirante sea de al menos 95 es
P(X 95) = 1
95 115
10
= 1 (2) = 1 0.0228 = 0.9772.
As, la cantidad de aspirantes que sern rechazados es
(1 0.9772)(550) 13.
b. Como de la tabla de la distribucin normal estndar se obtiene que

con la proposicin 10.3.4, el percentil 90 de
z90 = 1.28, entonces, de acuerdo
es
x90 = (10)(1.28) + 115 = 127.8.

Por consiguiente, el puntaje que, segn la prueba, separa el 10 % de los aspirantes ms inteligentes
del resto es 127.8.
c. La probabilidad de que un aspirante tenga un coeciente de al menos 230 sea igual a 0.05 se traduce
en
P(X 230) = 0.05,
expresin que a su vez es equivalente a
decir que, bajo esta condicin, el percentil 95 de
230 = (10)(1.64) +
Proposicin 10.3.5.
a y b nmeros
(a)2 .
de donde
Demostracin:
P(X 230) = 0.95.
Esto quiere
debe ser igual a 230. Por lo tanto, se sigue que
= 213.6.
X una variable aleatoria con distribucin normal

Y = aX + b entonces Y tiene distribucin normal
Sea
reales. Si
de parmetros
de parmetros
y 2
a + b
y
y
300
CAPTULO 10.
En virtud de la proposicin 8.8.2 se tiene que la f.g.m. de
es
mY (t) = ebt mX (at)

1
= ebt e(at)+ 2
2
= eat+bt+ 2 a
(at)2
2 t2
= e(a+b)t+ 2 (a)
2 2
que corresponde a la f.g.m. de una v.a. con distribucin normal de parmetros
a + b
(a)2 .
Por lo
tanto, siguiendo el teorema 8.8.3 se obtiene el resultado.
Ejemplo 10.3.6.
Rehacer el numeral a. del ejemplo 10.3.5, suponiendo que, debido a errores en el
sistema, todos los aspirantes aumentaron su coeciente de inteligencia 8.7 % y obtuvieron un descuento
de 3 puntos.
Solucin:
Como la variable de inters
representa el coeciente de inteligencia de los aspirantes a la beca
= 115 y 2 = 100, entonces, teniendo en cuenta los

errores del sistema, interesa calcular P(Y 95) donde Y = 1.087X 3. De acuerdo con la proposicin
2
10.3.5, se tiene que Y N (1.087)(115) 3, 1.087
(100) de donde
escolar tiene distribucin normal de parmetros
P(Y 95) = 1
95 ((1.087)(115) 3)
(1.087)(10)
= 1 (2.48) = 1 0.00649 = 0.99351.
As, teniendo en cuenta los errores del sistema, la cantidad de aspirantes que sern rechazados es
(1 0.99351)(550) 4.
10.3.5. Aproximacin de la distribucin binomial

La distribucin binomial (detalles en la seccin 9.3) se puede aproximar por medio de la distribucin
normal bajo ciertas condiciones. En el siguiente teorema se establece este hecho:
Teorema 10.3.6.
reales tales que
Sea
a<b
una v.a. con distribucin binomial de parmetros
entonces cuando
P a
donde
(z)
n y . Si a y b son nmeros
se tiene que
X n
n(1 )
(b) (a)
es la f.d.a. de la distribucin normal estndar.
La demostracin se puede consultar en Freund et al. (2000, p. 223).
Nota. El teorema 10.3.6, conocido como

sucientemente grande entonces
aceptable cuando las cantidades
teorema de Moivre-Laplace ,
establece que si
Bin(n, ) N (n, n(1 )). En la prctica,

n y n(1 ) son ambas mayores que cinco.
es lo
la aproximacin es
10.3.
301
DISTRIBUCIN NORMAL
Cuando se aproxima una distribucin de probabilidad discreta distribucin binomial mediante una
distribucin de probabilidad continua distribucin normal se debe hacer una
tinuidad
a0
.5n Xn
Si interesa aproximar
P(X = a),
se debe calcular
P(X a),
se debe calcular
P Z
P(X a),
se debe calcular
a0
P Z .5n
P(a X b)
donde
correccin por con-
en el clculo de las respectivas probabilidades, como sigue:
n(1)
a+0.5n
n(1)
n(1)
, se debe calcular
n(1)
a+0
.5n
n(1)
b+0
a0
.5n Z .5n
n(1)
n(1)
es una v.a. con distribucin normal estndar.
Ejemplo 10.3.7.
Calcular
Sea X una v.a. con distribucin binomial de parmetros n = 100 y = 0.4.

P(X 45) de forma exacta y de forma aproximada utilizando el teorema de Moivre-Laplace.
Comparar los resultados obtenidos.
Solucin:
Primero, calculando la probabilidad de forma exacta se sigue que
P(X 45) = FX (45)

45
fX (x)
x=1
45
=
x=1
100
0.4x 0.6100x
x
= 0.86891.
De otra parte, calculando la probabilidad de forma aproximada por medio del teorema de MoivreLaplace se tiene que
P(X 45) P
X (100)(0.4)
(100)(0.4)(1 0.4)
45.5 (100)(0.4)
(100)(0.4)(1 0.4)
= P(Z 1.12)
= (1.12)
= 0.86921.
Se observa que la diferencia en la aproximacin es de apenas
0.86891 0.86921 = 0.00030.
302
CAPTULO 10.
10.3.6. Distribuciones relacionadas con la distribucin normal

En las secciones D.5, D.6 y D.7 se presentan respectivamente la f.d.p. y la tabla de probabilidades de
las distribuciones
de Student, Ji-cuadrado de Pearson y
de Snedecor, que se obtienen a partir de
la distribucin normal y se utilizan frecuentemente en la inferencia estadstica.
10.4. Distribucin exponencial

La distribucin exponencial es el equivalente continuo de la distribucin geomtrica discreta. Esta
distribucin describe procesos en los que interesa describir el tiempo hasta que ocurre un determinado
evento, sabiendo que, el tiempo que pueda transcurrir desde cualquier instante dado, hasta que el
evento ocurra en un instante posterior, no depende del tiempo transcurrido anteriormente en el que
no ha pasado nada. Ejemplos de variables con esta distribucin son el tiempo que puede transcurrir en
un servicio de algn tipo, o el tiempo que transcurre entre la ocurrencia de dos sucesos consecutivos
en un proceso donde se repite sucesivamente un experimento en intervalos de tiempo con la misma
longitud. Este modelo probabilstico tambin se utiliza para describir la duracin de artculos que no
se deterioran ni mejoran con el tiempo, es decir, aquellos para los cuales la duracin es independiente
de la edad.
Denicin 10.4.1.
nencial
de parmetro
si la f.d.p. de
fX (x; ) =
donde
Proposicin 10.4.1.
ii.
iii.
E[X] =
distribucin expo-
est dada por:
si
x > 0;
ex ,
0,
en otro caso.
tiene distribucin exponencial de parmetro
se escribe
X Exp().
Si
mX (t) =
es una v.a. tal que
1
.
Var[X] =
X Exp()
entonces
iv.
1
2 .
t .
FX (x; ) =
1 ex ,
0,
si
x > 0;
en otro caso.
Demostracin:
5 Fotografa
En
de la gura 10.6 se presentan algunos ejemplos de la f.d.p. y la f.d.a. de la distribucin
exponencial para diferentes valores de
i.
tiene

las grcas
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_exponencial.
10.4.
303
DISTRIBUCIN EXPONENCIAL
Figura 10.6: Algunos ejemplos de la f.d.p. (izquierda) y de la f.d.a. (derecha) de la distribucin exponencial para
diferentes valores del parmetro
iii. Primero se demuestra a que corresponde la f.g.m. de la variable y luego utilizando las propiedades
de esta funcin se obtienen el valor esperado y la varianza como sigue:
mX (t) = E eXt
ext fX (x)dx
ext ex dx
=
0
e(t)x dx
0
(t)x
e
t 0
=
l
m e(t)x e(t)0
t x
=
(0 1)
t
=
t
=
para
|t| < .
i.
E[X] =
d
mX (t)
dt
=
t=0
(1)
( t)2
ii.
Var[X] = E X 2 (E[X])
=
t=0
1
= .
( 0)2
304
CAPTULO 10.
1
d2
mX (t)
dt2
t=0
1
2( t)(1) 2
=
( t)4
2
1
=
( 0) 2
( 0)4
1
2
= 2 2
1
= 2.
l
m
Ejemplo 10.4.1.
e(t)x = 0.
Se ha comprobado que el tiempo de vida de cierto tipo de marcapasos sigue una
distribucin exponencial con media de 16 aos. Cul es la probabilidad de que a una persona a la
que se le ha implantado este marcapasos se le deba reimplantar otro antes de 20 aos?
Solucin:
Aqu la v.a. de inters
es la duracin de un marcapasos en una persona. Como
1
16 de donde
1
1 16 x
,
16 e
si
0,
fX (x; 1/16) =
E[X] = 16 entonces
en otro caso.
x > 0;
20
P(X 20) =
fX (x)dx
0
20
=
0
1 1x
e 16 dx
16
20
1
= e 16 x
0
= e
1
16 20
e 16 0
= 0.7135.
Luego, la probabilidad de que a una persona a la que se le haya implantado este marcapasos se le
debe reimplantar otro antes de 20 aos es 71.35 %. En la gura 10.7 se presenta el grco de la f.d.p.
y de la f.d.a. de una variable con distribucin exponencial de parmetro
1
16 .
10.4.
305
DISTRIBUCIN EXPONENCIAL
Figura 10.7: Grco de la f.d.p. (a) y de la f.d.a. (b) de una variable con distribucin exponencial de parmetro
1
.
16
Nota. En el ejemplo 10.4.1 tambin se puede utilizar la f.d.a. para efectuar los clculos. Cmo?
Ejemplo 10.4.2.
Calcular e interpretar el percentil 90 de la variable del ejemplo 10.4.1.
Solucin:
La mediana, denotada con
es un valor tal que
FX (X ) = 0.5
donde
FX
es la f.d.a. de
X.
Como
tiene distribucin exponencial de parmetro
la proposicin 10.6, se tiene que

1
1 e 16 x ,
0,
FX (x; 1/16) =
si
de donde
1
1 e 16 X = 0.5
1
e 16 X = 0.5 1
1
e 16 X = 0.5
1
ln e 16 X
x > 0;
en otro caso.
= ln(0.5)
1
16 , siguiendo
306
CAPTULO 10.
1
X = ln(0.5)
16
X = 16 ln(0.5)
X = 11.0903.
Entonces, la mitad de los marcapasos tiene una vida til menor a 11 aos.
10.5. Distribucin gamma

La distribucin gamma es una distribucin ms general que la distribucin exponencial y que otras
distribuciones probabilsticas. Bajo ciertas condiciones, esta distribucin es de utilidad para describir
el tiempo transcurrido desde que inicia la observacin de la llegada de los individuos a una lnea de
espera hasta el momento en que llega un sujeto determinado, por ejemplo.
Denicin 10.5.1.
de parmetros
si la f.d.p. de
>0
>0
tiene
distribucin gamma
est dada por:
1 x
e
,
() (x)
si
0,
fX (x; , ) =
donde
en otro caso.
x > 0;
son nmeros reales positivos y
tx1 et dt
(x) =
0
es la funcin gamma.

las grcas
tiene distribucin gamma de parmetros
parmetro de escala y a
se escribe
X G(, ).
En
En esta gura se observa por que es comn denominar a

7
parmetro de forma .
es un caso especial
Exp() G(1, ). Por qu?
Nota. La distribucin exponencial de parmetro

parmetros
de la gura 10.8 se presentan algunos ejemplos de f.d.p. de la distribucin gamma para
=1
= ,
esto es,
de la distribucin gamma de
Bajo las condiciones de un experimento de Poisson (detalles en la seccin 9.6), el nmero de individuos
que llegan a una lnea de espera en el intervalo de tiempo
parmetro
t.
Si
(0, t]
tiene distribucin de Poisson de
denota la v.a. que representa el tiempo transcurrido desde el momento que se
6 Fotografa tomada de la pgina web http://es.wikipedia.org/wiki/Distribuci%C3%B3n_gamma.

7 Un parmetro de forma es cualquier parmetro de una familia de distribuciones de probabilidad
que no es un
parmetro de localizacin ni de escala (o una funcin de ellos). Dicho parmetro afecta la forma de la distribucin ms
all de correrla o escalarla.
10.5.
307
DISTRIBUCIN GAMMA
Figura 10.8: Algunas grcas de la f.d.p. de la distribucin gamma para diferentes valores de los parmetros
inicia la llegada de los individuos hasta el momento en que llega el

distribucin gamma de parmetros
Proposicin 10.5.1.
i.
E[X] =
Si
es decir,
es una v.a. tal que
n-simo
sujeto entonces
tiene
X G(n, ).
X G(, )
entonces
ii.
Var[X] =
2 .
iii.
mX (t) =
iv.
FX (x; , ) =
0,
1
()
si
x 1 t
t
e dt,
0
si
x 0;
x > 0.
Demostracin:
Primero se demuestra a que corresponde la f.g.m. de la variable y luego utilizando las propiedades de
esta funcin se obtienen el valor esperado y la varianza como sigue:
iii.
mX (t) = E eXt
308
CAPTULO 10.
ext fX (x; , )
(x)1 ex dx
()
0
1 1 (t)x
=
x
e
dx
()
0
( t) 1 (t)x
x
e
dx
=
( t) 0
()
( t)
=
(( t)x)1 e(t)x dx
t
()
0
(1)
=
t
=
t
ext
siempre que
t < .
i.
E[X] =
d
mX (t)
dt
= ()(1)
t=0
( t)+1
=
t=0
= .
+1
ii.
Var[X] = E X 2 (E[X])
=
d2
mX (t)
dt2
t=0
= (( + 1))(1)
( t)+2
t=0
2
2
= ( + ) +2 2
= 2.
iv. Se tiene que
FX (x; , ) = 0
siempre que
x0
porque
fX (x; , ) = 0.
entonces
FX (x; , ) =
fX (u; , )du
=
0
=
=
(u)1 eu dt
()
()
()
(u)1 eu dt
0
x
0
1 1 t
t
e dt
De otra parte, si
x>0
10.6.
309
DISTRIBUCIN BETA
=
dado que
t = u
Ejemplo 10.5.1.
de donde
1
()
t1 et dt
0
dt = du.
La gerencia de servicio al cliente de una cadena de supermercados le indica a la
junta directiva que el valor esperado del tiempo transcurrido desde la apertura de un punto de pago
hasta el momento en que llega el cuarto cliente es 2 minutos con una desviacin estndar de 1 minuto.
La junta directiva ha decidido hacer una inversin considerable en infraestructura para disminuir el
tiempo de espera de los clientes siempre y cuando el tiempo transcurrido desde la apertura de un
punto de pago hasta el momento en que llega el cuarto cliente sea de al menos 5 minutos ocurra con
una probabilidad superior a 0.9. Suponiendo que la distribucin del tiempo transcurrido es de tipo
gamma, la gerencia de servicio al cliente debe recomendar la inversin?
Solucin:
Sea
la v.a. que representaba el tiempo transcurrido desde la apertura de un punto de pago hasta
el momento en que llega el cuarto cliente que se supone tiene distribucin gamma de parmetros
y
X = = 2
X G(4, 2).
Como
tiene que
X =
= 1,
entonces
= 2
2
2
=1
La gerencia de servicio al cliente debe recomendar la inversin si
de donde
=2
P(X 5) > 0.9.
= 4.
As, se
Calculando se
obtiene que:
P(X 5) = 1 P(X < 5)

= 1 FX (5; 4, 2)
=1
1
(4)
(2)(5)
t41 et dt
0
1 10 3 t
t e dt
6 0
1
= 1 (5.937984)
6
= 0.01033605.
=1
En consecuencia, la gerencia no debe recomendar la inversin en infraestructura.
Nota. Queda como ejercicio para el lector justicar que
(4) = 6
y que
10 3 t
t e dt
0
= 5.937984.
10.6. Distribucin beta

La distribucin beta se utiliza frecuentemente para modelar v.a.'s que mesuren una proporcin, ya que
est distribucin solamente toma valores entre 0 y 1. Ejemplos de variables que sigan esta distribucin
310
CAPTULO 10.
son el porcentaje de impurezas de un producto, la proporcin de individuos con una preferencia

determinada y la fraccin de tiempo que dura la ejecucin de cierta tarea.
Denicin 10.6.1.
parmetros
si la f.d.p. de
fX (x; , ) =
donde
>0
>0
tiene
distribucin beta de
est dada por:
1
1
(1
B(,) x
x)1 ,
0,
si
0 < x < 1;
en otro caso.
son nmeros reales positivos
t1 (1 x)1 dt
B(x) =
0
es la funcin beta.

8
grcas
tiene distribucin beta de parmetros
se escribe
X B(, ).
En las
de la gura 10.9 se presentan algunos ejemplos de la f.d.p. y la f.d.a. de la distribucin beta
para diferentes valores de los parmetros
Figura 10.9: Algunos ejemplos de la f.d.p. (izquierda) y de la f.d.a. (derecha) de la distribucin beta para diferentes
Nota. La distribucin uniforme continua de parmetro sobre el intervalo (0,1) es un caso especial de
la distribucin beta de parmetros
Proposicin 10.6.1.
i.
ii.
E[X] =
= 1,
es una v.a. tal que
esto es,
U (0, 1) B(1, 1).
X B(, )
Por qu?
entonces
+ .
Var[X] =
8 Fotografa
Si
=1
(++1)(+)2 .
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_beta.
10.6.
311
DISTRIBUCIN BETA
iii.
k1
k=1
r=0
.
iv.
FX (x; , ) =
0,
1
B(,)
+r
++r
tk
k!
t)1 dt,
mX (t) = 1 +
si
si
x 1
t
(1
0
1,
si
x 0;
0 < x < 1;
x 1.
La demostracin se puede consultar en Sarabia et al. (2007, p. 124).
Nota. En Blanco (2004, p. 151) se estipula que las funciones gamma y beta se relacionan mediante la
identidad
B(x, y) =
donde
(x)(y)
(x + y)
son nmeros reales positivos.
Ejemplo 10.6.1.
El asesor nanciero de una empresa de electrodomsticos le asegura al gerente ge-
neral que semanalmente no se estn cumpliendo las metas en relacin a las ventas de los productos y
que por tal motivo ste debe intervenir. Anteriormente, una empresa de consultora le haba suministrado al gerente un informe en el que se precisa que el porcentaje de artculos que se venden durante
una semana dada tiene distribucin beta de parmetros
=2
= 4.
Con base en este modelo, el
gerente cree que, si la proporcin de artculos que se venden semanalmente no supera el 0.8 con una
probabilidad mayor a 0.5 entonces debe ejecutar urgentemente un plan de accin. Qu decisin debe
tomar el gerente?
Solucin:
Sea
la v.a. que denota el porcentaje de artculos que se vende durante una semana dada que segn
= 2 y = 4, esto es, X B(2, 4). El gerente

P(X 0.8) 05. Calculando se obtiene que:
el informe sigue una distribucin beta de parmetros

ha decidido ejecutar un plan de accin siempre que
P(X 0.8) = FX (0.8; 2, 4)

=
1
=
B(2, 4)
=
0.8
1
B(2, 4)
1
1/20
t21 (1 t)41 dt
0
0.8
t(1 t)3 dt
0
0.8
t(1 t)3 dt
0
= (20)(0.049664)
= 0.99328.
En consecuencia, el gerente no debe ejecutar el plan de accin.
Nota. Queda como ejercicio para el lector justicar que
0.049664.
B(2, 4) = 1/20
y que
0.8
0
t(1 t)3 dt =
312
CAPTULO 10.
10.7. Otras distribuciones probabilsticas

Con el propsito de ofrecer un panorama ms amplio y a su vez menos restrictivo para describir
variables aleatorias, en esta se seccin se presentan sin demostracin las generalidades de otras distribuciones probabilsticas de uso comn en estadstica.
Denicin 10.7.1.
bull
de parmetros
fX (x; , ) =
si la f.d.p. de
X tiene distribucin
X est dada por:
x
x 1 ( )
e
,
0,
si
de Wei-
x 0;
en otro caso.
donde
de la gura 10.10 se presentan algunos ejemplos de la f.d.p. y la f.d.a. de la
Nota. En las grcas
son nmeros reales positivos.
distribucin de Weibull para diferentes valores de los parmetros

que es comn denominar a
parmetro de escala y a
En esta gura se observa por
parmetro de forma.
Figura 10.10: Algunos ejemplos de la f.d.p. (izquierda) y de la f.d.a. (derecha) de la distribucin de Weibull para
Proposicin 10.7.1.
9 Fotografa
Si
es una v.a. con distribucin de Weibull de parmetros
entonces
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_Weibull.
10.7.
i.
ii.
iii.
313
OTRAS DISTRIBUCIONES PROBABILSTICAS
E[X] = 1 +
Var[X] = 2 1 +
k
t
k=0 k!
mX (t) =
iv.
.
2
(E[X])
1+
FX (x; , ) =
para
Denicin 10.7.2.
Cauchy
> 1.
X
de X
de parmetros
si la f.d.p.
1 +
Nota. Si
es un nmero real y
si
1e
x
( )
x < 0;
si
0.
distribucin de
est dada por:
fX (x; , ) =
donde
tiene
0,
tiene distribucin de Cauchy de parmetros
= 0
= 1
entonces se obtienen la
denominada distribucin de Cauchy estandarizada cuya f.d.p. est dada por:
fX (x; 0, 1) =
En las grcas
10
de la gura 10.11 se presentan algunos ejemplos de la f.d.p. y la f.d.a. de la distribucin
de Cauchy para diferentes valores de los parmetros

denominar a
1
.
(1 + x2 )
parmetro de localizacin y a
y . En esta gura se observa por que es comn
parmetro de escala.
Figura 10.11: Algunos ejemplos de la f.d.p. (izquierda) y de la f.d.a. (derecha) de la distribucin de Cauchy para
Proposicin 10.7.2.
10 Fotografa
Si
es una v.a. con distribucin de Cauchy de parmetros
entonces
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_Cauchy.
314
i.
CAPTULO 10.
E[X]
no existe.
ii.
Var[X]
iii.
mX (t)
iv.
no existe.
FX (x; , ) =
no existe.
Denicin 10.7.3.
place
de parmetros
es un nmero real y
11
Nota. En las grcas
1
arctan
X tiene distribucin
X est dada por:
de La-
si la f.d.p. de
fX (x; , ) =
donde
1 |x|
e
2
distribucin de Laplace para diferentes valores de los parmetros

que es comn denominar a
parmetro de localizacin y a
En esta gura se observa por
parmetro de escala.
Figura 10.12: Algunos ejemplos de la f.d.p. (izquierda) y de la f.d.a. (derecha) de la distribucin de Laplace para
Proposicin 10.7.3.
i.
ii.
iii.
Si
es una v.a. con distribucin de Laplace de parmetros
entonces
E[X] = .
Var[X] = 2 2 .
mX (t) =
et
1 2 t2 .
iv.
FX (x; , ) =
11 Fotografa
|x|
1
1 + sgn(x ) 1 e
2
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_Laplace.
10.8.
315
COMENTARIOS
Denicin 10.7.4.
mal
de parmetros
fX (x; , ) =
si la f.d.p. de
1
e
2x
0,
donde
es un nmero real y
12
Nota. En las grcas
X
X
ln(x)
tiene
distribucin lognor-
est dada por:

2
si
x > 0;
en otro caso.
distribucin de lognormal cuando el parmetro

gura se observa por que es comn denominar
= 0 para diferentes valores del parmetro . En esta

a parmetro de forma.
Figura 10.13: Algunos ejemplos de la f.d.p. (izquierda) y de la f.d.a. (derecha) de la distribucin lognormal cuando el
parmetro
=0
para diferentes valores del parmetro
Proposicin 10.7.4.
i.
ii.
E[X] = e+ 2
Si
es una v.a. con distribucin lognormal de parmetros
entonces
Var[X] = e 1 e2+
10.8. Comentarios
En esta seccin se presentan con cierto grado de profundidad los aspectos ms relevantes de las
distribuciones continuas de uso frecuente en la estadstica. Se abordan el valor esperado, la varianza,
la f.g.m. y la f.d.a. de las distribuciones uniforme continua, normal y exponencial, entre otras. El
12 Fotografa
http://en.wikipedia.org/wiki/Log-normal_distribution.
316
CAPTULO 10.
manejo adecuado de estas distribuciones probabilsticas da al lector una herramienta poderosa para
entender y aplicar varias tcnicas relevantes de la inferencia estadstica. Se enfatiza el uso pertinente
de la distribucin normal, pues sta es parte importante de la mayora de las prcticas probabilsticas
porque, como lo indica el teorema del lmite central, bajo ciertas condiciones, la distribucin del
promedio muestral converge a la distribucin normal a medida que aumenta el tamao de la muestra,
sin que importe la distribucin original de la variable de inters. Finalmente, tambin se abordan los
tpicos relacionados con otras distribuciones continuas de uso comn, promoviendo su uso por medio
de ejemplos y ejercicios, donde se estudian sus posibles aplicaciones.
10.9. Ejercicios
10.1 Si
a.
b.
c.
d.
e.
es una v.a. tal que
X N (10, 4),
calcular las siguientes probabilidades:
f.
P(10.12 X 10.87).
g.
P(9.24 < X < 9.55).
h.
P(X 10.23).
P(X < 23.82).
P(X 9.30).
P(9.30 < X < 10.41).
P(2.65 < X).
P(|X| > 11.32).
i.
P(X 2 > 9).
10.2 Calcular los percentiles 90, 95 y 99 para la v.a. del ejercicio 10.1.
10.3 Una empresa estatal puede comprar materia prima a dos proveedores diferentes y est interesada
en el contenido de impurezas del producto. Una revisin de los registros de cada proveedor indica que los niveles de impurezas contenidos en sendas remesas de producto siguen distribuciones
normales con media y desviacin tpica contenidas en la tabla de abajo. La empresa est especialmente preocupada porque el contenido de impurezas no exceda el 4 %, y comprar al proveedor
que con ms probabilidad cumpla con este requisito. Qu proveedor habr que elegir?
Proveedor A
3.3
0.3
Proveedor B
3.1
0.5
Proveedor
10.4 Estudiando los productos de una compaa fabricante de una maquinaria especca, se identic
que la vida promedio de dicha maquinaria es dos aos con una desviacin estndar de un mes.
La empresa reemplaza gratis todas las maquinarias que fallen dentro del tiempo de garanta y
ha decidido reemplazar solo el 1 % de las maquinarias que fallen. Si la duracin de la maquinaria
sigue una distribucin normal, de qu duracin debe ser la garanta que ofrezca la compaa?
10.5 Calcular el coeciente de variacin de
0.9772
teniendo en cuenta que
X N (, 2 ), P(X 7) =
P(X 6.5) = 0.8413.
10.6 Las calicaciones de los 675 aspirantes presentados a un examen para contratacin laboral, se
distribuye normalmente con media 6.5 y varianza 4.
10.9.
317
EJERCICIOS
a. Calcular la probabilidad de que un aspirante obtenga al menos 8 puntos.

b. Cuntos aspirantes obtuvieron calicaciones comprendidas entre 5 y 7.5 puntos?.
c. Calcular e interpretar el percentil 80.
d. Cul es el puntaje que separa el 5 % de los estudiantes ms calicados del resto?
10.7 La estatura media de los alumnos de un centro educativo es de 164 cm y solo 24 de los 200
alumnos miden menos de 150 cm. Suponiendo que la estatura de los alumnos tiene distribucin
normal, cul es la desviacin estndar de la estatura?
10.8 El percentil 70 de una distribucin normal es igual a 88, siendo 0.27 la probabilidad de que
la variable tenga un valor inferior a 60. Calcular la media y la desviacin estndar de esta
distribucin.
10.9 Las puntuaciones de un examen se distribuyen normalmente con media 15 puntos. La puntuacin
a ha sido superada por el 23 % de los alumnos. La puntuacin b est situada a 5 puntos por debajo
de la media. Entre b y la media se encuentra el 30 % de los alumnos. Calcular la desviacin tpica
de las calicaciones y el porcentaje de alumnos entre a y b.
10.10 En un estudio realizado sobre los ingresos familiares en los que los dos cnyuges trabajan, se ha
observado que el salario mensual, en miles de pesos, de las mujeres (X ) se distribuye normalmente
con media 100, en tanto que el de los hombres (Y ) est dado por la siguiente transformacin
Y = X + 20.
Adems, el 15 % de los hombres no superan el percentil 75 de las mujeres.
a. Calcular el salario medio de los hombres.

b. Calcular la desviacin tpica del salario de los hombres y de las mujeres.
c. Calcular e interpretar el coeciente de variacin del salario de los hombres y de las mujeres.
d. Calcular e interpretar el percentil 5 del salario de los hombres.
10.11 El tiempo de reparacin de cierta maquinaria tiene una distribucin exponencial con media 22
minutos.
a. Hallar la probabilidad de que el tiempo de reparacin sea menor que diez minutos.
b. El costo de reparacin es de 2,000 USD por cada media hora o fraccin. Cul es la probabilidad de que una reparacin cueste 4,000 USD o ms?
c. Para efectuar una programacin, cunto tiempo se debe asignar a cada reparacin para que
la probabilidad de que cualquier tiempo de reparacin mayor que el tiempo asignado sea solo
de 0.1?
10.12 Ejercicio tomado de Blanco (2004, p. 138). Un instructor asume que las calicaciones nales de
los estudiantes son los valores de una v.a.
con distribucin normal de parmetros
instructor decide asignar la calicacin A a aquellos estudiantes cuyo puntaje exceda a
2 . El
+ ,
y + , la calicacin C a
, la calicacin D a aquellos estudiantes
la calicacin B a aquellos estudiantes cuyo puntaje estn entre

aquellos estudiantes cuyos puntajes estn entre
cuyos puntajes estn entre
sean inferiores a
A, B, C, D o F.
2 .
y la calican F a aquellos estudiantes cuyos puntajes
Encontrar el porcentaje de estudiantes que obtienen como calicacin
318
CAPTULO 10.
10.13 Los pesos (en kilogramos) de 2,000 estudiantes presentan una distribucin normal de media 65
y desviacin tpica 8. Calcular la probabilidad de que un estudiante elegido al azar pese:
a. ms de 61.
b. entre 63 y 69.
c. menos de 70.
d. ms de 75.
10.14 Sea
una v.a. tal que
cuenta que
10.15 Sea
E [X] = 6
una v.a. tal que
X U (a, b). Determinar

P(X 6) = 0.5.
X U (0, 1).
el valor de los parmetros
Hallar la f.d.p. de la v.a.
teniendo en
Y = X 2 + 1.
10.16 La concentracin de un contaminante se distribuye de manera uniforme sobre el intervalo de 0 a

20 partes por milln. Si se considera txica una concentracin de 8 o ms, cul es la probabilidad
de que al tomarse una muestra la concentracin de esta sea txica? Cul es la concentracin
media y la varianza?
10.17 El personal de una compaa usa una terminal para realizar sus pedidos internacionales. El
tiempo que emplea un comercial en la terminal tiene distribucin exponencial con una media de
36 minutos.
a. Calcular la probabilidad de que un comercial utilice la terminal durante 30 minutos o menos.
b. Si un comercial ha estado ms de 30 minutos en la terminal, cul es la probabilidad de que
pase al menos una hora en la terminal?.
c. El 90 % de las sesiones terminan en menos de
minutos. Cul es el valor de
a?
10.18 Con la informacin del ejemplo 10.4.1 Si el marcapasos lleva funcionando correctamente 5 aos
en un paciente, cul es la probabilidad de que haya que cambiarlo antes de 25 aos?
10.19 Un punto aleatorio
tiene distribucin uniforme en el intervalo
tiene distribucin uniforme en el intervalo
dada por
D = |Y X|.
[2, 3].
Se dene la v.a.
[0, 1] y otro punto aleatorio Y

D como la distancia entre X y
D.
10.20 Se sabe que la cantidad aleatoria demandada durante un periodo de tiempo por parte de una
empresa textil tiene distribucin uniforme y no supera una tonelada. Determinar para dicho
periodo de tiempo:
a. La probabilidad de que la cantidad demandada no supere los 900 kilogramos.
b. La probabilidad de que la cantidad demandada no est comprendida entre 800 y 900 kilogramos.
c. La demanda esperada y la varianza.
10.21 Una empresa tiene una funcin de costos que viene dada por
vende cada unidad a 5 euros y la demanda
C = 2X + 100, 000.
En el mercado
del artculo tiene distribucin uniforme entre 25,000
y 30,000 unidades. Cul es el benecio esperado y la varianza?
10.9.
319
EJERCICIOS
10.22 La duracin de la vida de una bombilla tiene distribucin exponencial de parmetro
y la
probabilidad de que sobrepase las 100 horas de uso es 0.9.

a. Cul es la probabilidad de que sobrepase 200 horas de uso?
b. Cuntas horas se mantiene funcionando con una probabilidad de 0.95?
de
es
es una v.a. con distribucin exponencial de parmetro
es una v.a. con distribucin normal de parmetros
entonces la mediana
ln(2)
.
la mediana y la moda de
coinciden y son iguales a
y 2
entonces la media,
X es una v.a. con distribucin normal de parmetros y 2 y a y b son nmero

Y = aX + b es una v.a. con distribucin normal de parmetros a + b y a2 2 .

reales entonces
10.26 Con la informacin del ejemplo 10.3.5, rehacer el numeral a. suponiendo que, debido a errores
en el sistema, todos los aspirantes aumentaron su coeciente de inteligencia 8.7 % y obtuvieron
un descuento de 3 puntos.
X G(, )
es un nmero entero positivo entonces

y
es un entero positivo entonces
FX (x) = 1 ex
k=0
(x)k
.
k!
10.29 Demostrar que la distribucin exponencial de parmetro

gamma de parmetros
=1
(n) = (n 1)!.
es un caso especial de la distribucin
= .
10.30 Demostrar que la distribucin uniforme continua de parmetro sobre el intervalo (0,1) es un caso
especial de la distribucin beta de parmetros
X B(, )
fX (x) =

valor esperado de
X
X
=1
= 1.
son nmeros enteros positivos entonces
(++1)!
1
(1
(1)!(1)! x
0,
x)1 ,
si
0 < x < 1;
en otro caso.
es una v.a. con distribucin de Cauchy de parmetros

no existe.
entonces el
11
Captulo
Distribuciones de probabilidad
multivariadas
11.1. Introduccin
En los captulos 2 a 5 se introducen tcnicas descriptivas y exploratorias para el anlisis de individual
de cada una de las variables objeto de estudio. En seguida, en el captulo 6, se hace la extensin al
caso donde se investigan las relaciones de asociacin entre pares de variables. Luego, en los captulos
8 a 10 se introduce el concepto de distribucin de probabilidad de una variable aleatoria de manera
univariada, es decir, sin considerar las posibles asociaciones con otras variables observadas. En este
captulo se hace una extensin anloga a la citada en el captulo 6, que consiste en la introduccin de
los vectores aleatorios y sus distribuciones de probabilidad, elementos centrales dentro de los estudios
1
multivariados
(que tienen como caso particular los de nivel relacional).
Como ejemplo de motivacin, se retoma el ejemplo 6.4.2 donde se consideran las variables peso y edad.
Como la edad no se ha jado antes de extraer la muestra, se sigue que estas variables son aleatorias
y de manera
a priori
se puede suponer cierta relacin probabilstica entre ellas (el valor signicativo
del coeciente de correlacin de Pearson calculado en el ejemplo 6.5.3 as lo sugiere). Por ejemplo,
2
se quiere construir un modelo probabilstico para estimar
la probabilidad de observar un nio de la
poblacin de inters con un peso superior a 40 kilogramos y una edad inferior a 12.5 aos. En este caso,
es claro que no parece adecuado construir separadamente modelos individuales para cada variable; en
lugar de ello, se debe pensar en un modelo conjunto que tenga en cuenta el grado de asociacin entre
estas dos caractersticas.
1 Un estudio multivariado e aquel donde se observa ms de una variable respuesta que se analizan conjuntamente.
2 Los procedimientos de estimacin pertenecen a la estadstica inferencial que se presenta en la denicin 1.4.2.
320
11.2.
321
VECTORES ALEATORIOS
Un requisito fundamental para la comprensin y uso de los conceptos desarrollados en el presente

captulo son los conocimientos bsicos en clculo para funciones de mltiples variables
grcos,
lmites, derivadas parciales e integrales mltiples .
11.2. Vectores aleatorios

Los vectores aleatorios son los objetos de inters de los estudios multivariados. A continuacin se
presentan las generalidades de este tipo de objetos.
Denicin 11.2.1.
X
de dimensin
X1 , X2 , . . . , Xp
Sean
v.a.'s. Un
vector aleatorio
es un arreglo ordenado de la forma:
X1
X2
T
X = . = [X1 , X2 , . . . , Xp ] .
.
.
Xp
Las v.a.'s del arreglo se denominan
componentes
del vector aleatorio.
Nota. Siguiendo con la convencin introducida en el captulo 8, la realizacin de un vector aleatorio

T
se denota mediante x = [x1 , x2 , . . . , xp ] .
En principio, todas las componentes deben estar denidas sobre el mismo espacio de probabilidad ,
6
lo cual obliga, entre otras cosas, a que todas las variables sean discretas o continuas . De esta forma,
se dice que un vector aleatorio es
se dice que un vector aleatorio es
discreto si todas sus componentes lo son v.a.d.'s, y anlogamente,

continuo si todas sus componentes son v.a.c.'s.
A continuacin se presenta un ejemplo de un vector aleatorio conocido como
tinomial :
Ejemplo 11.2.1.
Se consideran las condiciones bajo las cuales se dene una v.a. binomial en la seccin
9.3, pero ahora el experimento admite
R1 , R2 , . . . , Rp .
vector aleatorio mul-
posibles resultados excluyentes entre s, representados con
Si el experimento se ejecuta
veces y
X1 , X2 , . . . , Xp
son las v.a.'s que representan
el nmero de ocasiones que ocurre cada uno de los posibles resultados, entonces el vector aleatorio
X = [X1 , X2 , . . . , Xp ]
recibe la denominacin de
este vector deben ser tales que
multinomial. Se observa que las componentes de
X1 + X2 + . . . + Xp = n.
3 Tambin conocido como clculo vectorial.

4 La pgina web http://www.wolframalpha.com/examples/Math.html
ofrece herramientas en lnea para la implemen-
tacin operativa de estos tpicos.
5 La denicin formal de un espacio de probabilidad se puede consultar en Blanco (2004, p. 17).

6 Aunque es posible trabajar con vectores aleatorios que combinen componentes continuas y discretas,
fuera de los alcances de este libro.
este tema est
322
CAPTULO 11.
DISTRIBUCIONES DE PROBABILIDAD MULTIVARIADAS
Una ilustracin de un vector aleatorio multinomial consiste en un proceso de control de calidad en una
7
industria donde se toma una muestra aleatoria
de 25 artculos producidos en una semana determinada.
Despus de una inspeccin, los artculos se clasican segn su estado de calidad como aceptable,
inferior o intolerable. Se denen las v.a.'s
X1 , X2
X3
como nmero de artculos clasicados como
aceptables, nmero de artculos clasicados como inferiores y nmero de artculos clasicados como
intolerables respectivamente. Es claro que estas variables solo pueden tomar valores enteros positivos
y adems satisfacen la restriccin
X1 + X2 + X3 = 25.
De esta forma, si en la muestra se observan 20
artculos aceptables, 2 en con calidad inferior y 3 intolerables, entonces el vector aleatorio observado
es
x = [20, 2, 3]
En el siguiente ejemplo considera un vector aleatorio que consiste en una generalizacin multivariada
de la distribucin normal (detalles en la seccin 10.3). Este vector se llama
multivariado :
Ejemplo 11.2.2.
X = [X1 , X2 , . . . , Xp ] es normal
c1 , c2 , . . . , cp no todos iguales a 0, se
Se dice que el vector aleatorio
si para cualquier conjunto de nmeros reales
vector aleatorio normal
multivariado
cumple que la
p
variable Y =
i=1 ci Xi tiene distribucin normal. Una consecuencia directa de esta denicin es que
si X es un vector normal multivariado, entonces cada una de sus componentes est normalmente
distribuida; lo contrario no es cierto necesariamente, esto es, las componentes de manera individual
pueden tener distribucin normal, y el vector aleatorio conformado por ellas no ser un vector aleatorio
normal multivariado. El caso particular en el que
bivariado
p = 2 recibe el nombre de vector
aleatorio normal
y se tratar mas adelante detalladamente.
11.3. Distribuciones conjuntas de probabilidad

Como se indic en la introduccin, en situaciones donde se estudia ms una variable asociada al mismo
fenmeno aleatorio, puede ser inadecuado construir modelos probabilsticos individuales debido a que
esta estrategia no tiene en cuenta las posibles relaciones de asociacin. En lugar de ello, se construyen
modelos o distribuciones de probabilidad conjuntas que permitan calcular probabilidades de eventos
asociados con ms de una variable. Estas distribuciones conjuntas se abordan separadamente para
vectores de componentes discretas y luego continuas.
11.3.1. Vector de componentes discretas

El caso en el que un vector aleatorio posea dos componentes, adems de ser el ms simple, es uno de
los ms comunes en las aplicaciones, y por esta razn es el caso que se considera inicialmente. Una
vez se desarrolla la teora para el escenario bivariado (dos variables), su extensin resulta inmediata
para ms de dos componentes.
7 Para
que el supuesto de independencia sea vlido, el tamao de muestra debe ser muy pequeo en comparacin
con la produccin semanal.
11.3.
323
DISTRIBUCIONES CONJUNTAS DE PROBABILIDAD
Se considera el caso en el que un vector aleatorio
contiene dos componentes discretas
Y . La idea
es hacer una extensin del concepto de f.m.p. presentando en la seccin 8.2 para una v.a. discreta y
que permita calcular probabilidades conjuntas de la forma
mediante
P X = (x, y)T
, denotadas frecuentemente
P(X = x, Y = y).
Denicin 11.3.1.
por las v.a.d.'s
Sea
X = [X, Y ]T
un vector aleatorio conformado
que toman los valores
pectivamente. Una funcin
fXY : R [0, 1]
de X si y solo si
de probabilidad conjunta
P(X = x, Y = y),
0,
fXY (x, y) =
donde
(X = x, Y = y)
si
es igual a
y,
es una
x = x1 , x2 , . . .
y1 , y2 , . . .
res-
funcin msica
y = y1 , y2 , . . .;
en otro caso.
es el evento constituido por todos los elementos
en el espacio muestral cuyo valor a travs de

de
x1 , x2 , . . .
es igual a
y a travs
es decir:
(X = x, Y = y) = {w : (X(w), Y (w)) = (x, y)}.

Nota. El subndice de la funcin msica de probabilidad conjunta, o simplemente distribucin de
probabilidad conjunta, puede ser el smbolo que representa el vector aleatorio de inters o una secuencia
de sus componentes.
Ejemplo 11.3.1.
Se lanzan dos dados balanceados y distinguibles
de seis caras y se considera
el vector aleatorio bidimensional conformado por los resultados de cada dado. Como los dados son
balanceados y los resultados son independientes (detalles en la seccin 7.12) unos de otros, entonces
la probabilidad de obtener cualquiera de las 36 posibles parejas contenidas en el espacio muestral es
igual a
1
( 6 )( 1 ) =
6
1
36 . As, la funcin msica de probabilidad conjunta para estas dos variables discretas
est dada por:
fXY (x, y) =
donde
1
36 ,
si
0,
en otro caso.
(x, y)T {1, 2, 3, 4, 5, 6} {1, 2, 3, 4, 5, 6},
Y la v.a.d. asociado con el

A B denota el producto cartesiano9 entre los conjuntos A y B . En
{1, 2, 3, 4, 5, 6} {1, 2, 3, 4, 5, 6} es una manera de abreviada de denotar el conjunto de las
es la v.a.d. que corresponde al primer resultado obtenido,
segundo resultado obtenido y

este caso,
36 parejas del espacio muestral correspondiente y la distribucin de probabilidad conjunta resulta ser
10
una distribucin de tipo uniforme o constante

de probabilidad conjunta de las variables
. La gura 11.1 muestra la grca de la funcin msica
Y . Esta grca es una nube de puntos en 3 dimensiones,
8 Los dados se llaman distinguibles si es posible diferenciarlos por alguna caracterstica como tamao, color o textura.
9 El producto cartesiano entre los conjuntos A y B es el conjunto conformado por todas las parejas ordenadas
cuya primera componente es un elemento del conjunto
esto es,
10 Si
A B = {(x, y) : x A
y cuya segunda componente es un elemento del conjunto
B,
y B}.
los dados no fuesen balanceados algunos resultados seran ms probables que otros y en consecuencia la distri-
bucin de probabilidad conjunta no sera constante.
324
CAPTULO 11.
a la que se le agregan lneas verticales para facilitar la asociacin entre las parejas ordenadas y su
correspondientes probabilidades.
0.04
7
6
0.02
5
4
3
0.01
fXY(x, y)
0.03
0.00
1
0
0
Figura 11.1: Funcin msica de probabilidad conjunta de las variables asociadas con los resultados de dos dados
En seguida se presenta un ejemplo relacionado con la distribucin emprica de un vector aleatorio

bivariado de componentes discretas a partir de una tabla de contingencia:
Ejemplo 11.3.2.
En la tabla 6.3 se muestra la distribucin porcentual conjunta de las variables
gnero y nivel educativo de una muestra conformada por 46 empleados de una empresa. Las frecuencias
11
relativas asociadas a cada una de las celdas centrales de la tabla se pueden considerar estimaciones
puntuales de los valores de la funcin de probabilidad conjunta de las variables en cuestin. Se observa
que las componentes del vector aleatorio de estudio son ambas de naturaleza categrica. As, con base
en los valores de la tabla es posible estimar probabilidades como:
P [X = Mujer, Y = Posgrado] = 0.043

11 En
inferencia estadstica se llama
estimacin
P [X = Hombre, Y = Bachillerato] = 0.087
al conjunto de tcnicas que permiten dar un valor aproximado de
un parmetro de una poblacin a partir de los datos proporcionados por una muestra (Wikipedia 2012d).
11.3.
325
La gura 11.2 muestra la representacin grca de la funcin msica de probabilidad conjunta para
las variables gnero y nivel educativo, estimada a partir de la informacin muestral contenida en la
0.25
0.20
0.15
0.10
0.05
Distr. de probabilidad conjunta
0.30
0.35
tabla 6.3.
0.00
Preg.
Hombre
Bach.
Mujer
Figura 11.2: Funcin msica de probabilidad conjunta estimada para las variables gnero y nivel educativo .
Ahora se extiende el concepto de funcin de distribucin acumulada, que se presenta en la denicin

8.3.2, al escenario bivariado.
326
CAPTULO 11.
Denicin 11.3.2.
do por las v.a.d.'s
Sea
y
X = [X, Y ]T
un vector aleatorio conforma-
que toman los valores
x1 , x2 , . . .
respectivamente, con funcin msica de probabilidad conjunta
funcin de distribucin acumulada conjunta

FXY : R2 [0, 1]
de
y1 , y2 , . . .
fXY . La
es la funcin
denida por
FXY (x, y) = P(X x, Y y) =
fXY (u, v)
ux vy
para cuales quiera nmeros reales
12
Un grco
y.
tpico de una funcin de distribucin acumulada conjunta de un vector aleatorio bivariado
se muestra en la gura 11.3. Esta es una funcin escalonada que se mantiene constante dentro de un
grupo de regiones rectangulares del plano
xy .
Figura 11.3: Funcin de distribucin acumulada conjunta para dos variables discretas.
Ejemplo 11.3.3.
Construir la funcin de distribucin acumulada conjunta para las v.a.'s
ejemplo 11.3.1.
12 Imagen
tomada de Soong (2004, p. 51).
del
11.3.
327
Solucin:
Para construir
FXY (x, y)
en este escenario se deben considerar los siguientes casos:
x < 1 o y < 1. En este caso se tienen probabilidades

P[(X < x) (Y < 1)], para los cuales se cumple que:
Caso 1:
o
de la forma
P[(X < 1) (Y < y)]
FXY (x, y) = P[(X < 1) (Y < y)] = P[ (Y < y)] = P() = 0

o
FXY (x, y) = P[(X < x) (Y < 1)] = P[(X < x) ] = P() = 0.
Caso 2:
(x, y)T [1, 6] [1, 6].
En este caso se tiene que:
[x]
FXY (x, y) =
donde
[a]
Caso 3:
y > 6.
[y]
1
1
[x] [y]
1
=
1=
([x] [y]) =
36
36 u=1 v=1
36
36
u=1 v=1
denota la parte entera de
x>6
[x]
[y]
a.
FXY (x, y) =
1
1
=
36 = 1.
36
36
u=1 v=1
Los anteriores casos se pueden resumir en la siguiente expresin:

si
[x][y]
36 ,
si
FXY (x, y) =
0,
1,
si
La tabla 11.1 muestra todos los valores de
x < 1 o y < 1;
(x, y)T [1, 6] [1, 6];
x > 6 y y > 6.
FXY (x, y).
Aunque no es necesario elaborar esta tabla,
ya que se puede construir una expresin cerrada para la funcin de distribucin acumulada conjunta,
no en todos lo casos es posible contar con dicha expresin y la nica forma de expresar
FXY (x, y)
es tabular. La gura 11.4 muestra la grca de la funcin de distribucin acumulada conjunta de las
variables asociadas con los resultados de dos dados distinguibles y balanceados.
La siguiente proposicin ensea algunas propiedades de la funcin de distribucin acumulada conjunta,

anlogas a las que se citan en el caso unidimensional en el captulo 8. Las dos primeras propiedades
FXY (x, y) en el innito, mientras

FXY (x, y) es no decreciente.
tratan el comportamiento de
armando que la grca de
Proposicin 11.3.1.
FXY (x, y)
i.
l
m
Si
que la tercera se puede interpretar
son v.a.'s discretas con funcin de distribucin acumulada conjunta
entonces se satisface que:
l
m FXY (x, y) = l
m FXY (x, y) = l
m FXY (x, y) = 0.
x y
328
CAPTULO 11.
X \Y
X<1
1X<2
2X<3
3X<4
4X<5
5X<6
6X
Y <1
1Y <2
2Y <3
3Y <4
4Y <5
5Y <6
6Y
0
1/36
1/18
1/12
1/9
5/36
1/6
1/18
1/9
1/6
2/9
5/18
1/3
1/12
1/6
1/4
1/3
5/12
1/2
1/9
2/9
1/3
4/9
5/9
2/3
5/36
5/18
5/12
5/9
25/36
5/6
1/6
1/3
1/2
2/3
5/6
Tabla 11.1: Valores de la funcin de distribucin acumulada conjunta de las variables asociadas con los resultados de
dos dados distinguibles y balanceados.
1.0
0.8
F(x,y)
0.6
0.4
0.2
0.0
8
6
8
6
4
x
2
0
Figura 11.4: Funcin de distribucin acumulada conjunta de las variables asociadas con los resultados de dos dados
ii.
l
m l FXY (x, y) = 1.
m
x y
iii. Si
y2
y1
x2
x1
entonces
FXY (x2 , y2 ) + FXY (x1 , y1 ) FXY (y2 , x1 ) FXY (y2 , x2 )
La demostracin se puede consultar en Blanco (2004, p. 176).
0.
11.3.
329
11.3.2. Distribucin multinomial

Como se evidencia en el ejemplo 11.2.1, un vector aleatorio multinomial es una generalizacin de
una v.a. con distribucin binomial (detalles en la seccin 9.3) en la que los
son excluyentes con probabilidad de ocurrencia
i = 1, 2, . . . , p,
para
posibles resultados
p
i=1
tales que
i = 1.
continuacin se aborda la funcin de probabilidad de un vector aleatorio multinomial.
Proposicin 11.3.2.
La funcin de probabilidad de un vector aleatorio multinomial de dimensin
asociado con las probabilidades de ocurrencia
1 , 2 , . . . , p
fX (x1 , x2 , . . . , xp ) =
donde
es el nmero de ensayos y
(x1 , x2 , . . . , xp )T
est dada por:
n
x1 x2 xp
p
x
i i
i=1
es un elemento de
Np
tal que
p
i=1
xi = n.
Demostracin:
Siguiendo la denicin de eventos independientes, la probabilidad de que aparezca la secuencia de
resultados
R1 . . . R1 R2 . . . R2 . . .Rp . . . Rp
...
x1 veces
x2 veces
xp veces
xp
x1 x2
est dada por 1 2 p . Es posible reorganizar esta secuencia de resultados por medio de permutaciones en donde los elementos pertenecientes a la misma serie de resultados son indistinguibles.
De acuerdo con la tcnica implementada en los ejemplos 7.7.25 y 7.7.26, existen
n!
x1 !x2 ! xp !
formas de reorganizar la serie completa. En consecuencia, la probabilidad de observar los valores
(x1 , x2 , . . . , xp )T
es igual a el producto de estas dos cantidades. En sntesis:
fX (x1 , x2 , . . . , xp ) = P(X1 = x1 , X2 = x2 , . . . , Xp = xp )
=
=
n
x1 x2 xp
X tiene
X M N (n, 1 , 2 , . . . , p ).
Nota. Cuando un vector aleatorio

se escribe
n!
x1 !x2 ! xp !
x x
x
1 1 2 2 p p
p
x
i i
i=1
distribucin multinomial de parmetros
n, p, 1 , 2 , . . . , p
El rango de un vector con distribucin multinomial aunque es nito puede llegar a tener un cardinal
considerable. Se puede demostrar (ejercicio 11.2) que tal rango tiene un cardinal dado por
n+p1
.
n
330
CAPTULO 11.
25+31
=
25
27
= 351. Es decir, el vector que clasica a los artculos segn su estado de calidad puede asumir
25
351 diferentes realizaciones.
Como ilustracin, el cardinal para el rango del vector multinomial en el ejemplo 11.2.1 es
Como ya se dijo, la distribucin binomial es un caso particular de la multinomial obtenido al tomar
p = 2.
El siguiente resultado conrma esta relacin.
Proposicin 11.3.3.
entonces cada
X = [X1 , X2 . . . , Xp ]T es un vector aleatorio tal que X M N (n, 1 , 2 , . . . , p )

componente Xi de X tiene distribucin binomial de parmetros n y i para i =
Si
1, 2, . . . , p.
Ejemplo 11.3.4.
Si en el ejemplo 11.2.1 se asume que las proporciones de artculos clasicados
con calidad aceptable, inferior e intolerable son 0.97, 0.02 y 0.01 respectivamente, calcular la
probabilidad para los valores observados en el ejemplo a partir de una muestra de 25 artculos.
Solucin:
Los valores observados incluyen 20 artculos aceptables, 2 en con calidad inferior y 3 intolerables.
Segn la informacin suministrada
X M N (25, 0.97, 0.02, 0.01).
Se examinan que tan probables son
los valores observados como sigue:
P(X1 = 20, X2 = 2, X3 = 3) = 25!
(0.9720 )(0.022 )(0.013 )

= 0.0001155672.
20!2!3!
El valor 0.0001155672 indica que es muy poco probable (bajo el supuesto de que el modelo asumido
13
es correcto
) obtener una muestra como la observada. Esto puede ser un indicio de que tal vez una
o ms de las probabilidades dadas (0.97, 0.02, 0.01) no son adecuadas para describir este fenmeno.
Si el problema se centra solamente en los artculos de calidad intolerable, es interesante determinar

cual es la probabilidad (bajo el supuesto de que
Segn la proposicin 11.3.3,
X3 Bin(25, 0.01)
3 = 0.01)
de observar 3 o ms artculos defectuosos.
y en consecuencia se tiene que:
P[X3 3] = 1 P[X3 2] = 1 0.9980493 = 0.001950677.

Si la proporcin de artculos con calidad intolerable (3 ) fuese de 0.01, observar 3 o ms artculos
defectuosos sera poco probable. Este puede ser un indicio de que la proporcin real para este tipo de
artculos es mayor a la asumida.
11.3.3. Vector de componentes continuas

La distribucin conjunta de probabilidad para dos v.a.c.'s
puede ser especicada al proporcionar
un mtodo que permita calcular la probabilidad de que estas dos variables asuman valores en una regin
13 Esta
es la base de la inferencia estadstica: si bajo un modelo probabilstico asumido se obtiene informacin muestral
poco probable, entonces dicho modelo no es apropiado de manera parcial o total.
11.3.
331
del espacio bidimensional
R2 .
Como una extensin directa del caso unidimensional tratado en la
denicin 8.3.1, la idea es introducir una funcin de densidad cuya integral doble sobre la regin
proporcione la probabilidad de inters.
Denicin 11.3.3.
densidad conjunta
Una funcin
fXY : R [0, ) se dice que es una funcin de

X = [X, Y ]T conformado por las v.a.c.'s X
del vector aleatorio
si satisface las siguientes condiciones:
i.
fXY (x, y)
para cada
P[(x, y)T R] =
ii.
(x, y)T R2
fXY (x, y)dxdy ,
para cualquier regin
contenida en
R2
fXY (x, y)dxdy =
iii.
fXY (x, y)dxdy = 1

R2
R2 , en la prctica sta se considera

soporte de fXY .
Nota. Aunque la integral en iii. se calcula por denicin sobre todo

T
2
sobre la regin S := {(x, y) R : fXY (x, y) = 0} llamada el
La grca de
14
fXY (x, y)
es una supercie en el espacio tridimensional
R3
tal como se muestra en la
P[(x, y) R] es el volumen del slido acotado

inferiormente por la regin R, superiormente por la supercie fXY (x, y) y lateralmente por la supercie
cilndrica obtenida al proyectar R sobre fXY (x, y).
gura
11.5, donde tambin se puede observar que
Ejemplo 11.3.5.
Sea
la v.a. que representa el tiempo en milsimas de segundo que demora un
servidor de computadora en conectar un equipo, y
la v.a. que representa el tiempo en milsimas de
segundo que demora dicho servidor en autorizar el equipo como un usuario vlido. Es evidente que
X <Y,
ya que primero se necesita tener conexin antes de iniciar sesin como usuario. Se asume que
la funcin de densidad conjunta de
(X, Y )T
fXY (x, y) =
b. Calcular
viene dada por
ke
(x+2y)
1,000
de tal forma que
fXY (x, y)
15
0 < x < y,
si
en otro caso.
sea una funcin de densidad vlida.
P(X < 1, 000, Y < 2, 000).
Solucin:
a. El soporte de
fXY (x, y)
es el regin del primer cuadrante ubicada encima de la recta
se muestra en la gura 11.6. La constante desconocida
14 Imagen tomada de
15 Es posible utilizar
nfasis en ello.
y = x,
como
debe ser tal que se satisfaga la propiedad
Soong (2004, p. 56)

supuestos razonables para justicar el uso de esta expresin, pero por el momento no se har
332
CAPTULO 11.
Figura 11.5: Ejemplo de una funcin de densidad conjunta de un vector aleatorio bidimensional.
iii. de la denicin 11.3.3, esto es:
fXY (x, y)dxdy =

ke
0
(x+2y)
1,000
=k
(x+2y)
1,000
dy dx
e
0
dydx = k
y
500
dy e
x
1,000
500 e 500
dx = k
e 1,000 dx
3x
e 1,000 dx = 500k
= 500k
1, 000
3
=k
500, 000
3
= 1.
En consecuencia
k=
3
500,000 . La grca de
fXY (x, y)
b. La regin de inters puede expresarse como

y aparece descrita en la gura
se muestra en la gura 11.7.
R := {(x, y)| 0 < x < y, 0 < x < 1000, 0 < y < 2000}
??. La probabilidad pedida est dada por:

1,000 2,000
P(X < 1, 000, Y < 2, 000) =
fXY (x, y)dxdy

0
11.3.
333
1,000 2,000
3
=
500, 000
(x+2y)
1,000
dydx
1,000 2,000
3
500, 000
e 500 dy e 1,000 dx
x
1,000
3
500, 000
e 500 e4 e 1,000 dx
500
0
1,000
3
1, 000
3x
e 1,000 e4 e 1,000 dx
0
3
=
1, 000
1, 000
1 e3 1, 000e4 1 e1
3
= 1 e3 3e4 + 3e5
P(X < 1, 000, Y < 2, 000) = 0.9155.
soporte de (XXY(x, y )
f f Y (x, y))
0e+00
1000
5e+09
2000
3000
1e+10
Por lo tanto, se sigue que
0e+00
5e+09
x
1e+10
1000
2000
3000
Figura 11.6: Soporte de la funcin de densidad conjunta y regin de integracin de la probabilidad pedida del del
ejemplo 11.3.5.
A continuacin se extiende el concepto de funcin de distribucin acumulada conjunta para vectores

aleatorios de componentes continuas.
334
CAPTULO 11.
4e06
3e06
f(x,y)
2e06
2000
1e06
1500
0e+00
0
1000
500
1000
x
500
1500
2000 0
Figura 11.7: Funcin de densidad conjunta de las variables asociadas a los tiempos de respuesta en un servidor de
computadoras.
Denicin 11.3.4.
junta
La
funcin de distribucin acumulada con-
X = [X, Y ]T conformado por las v.a.c.'s X

2
densidad conjunta fXY , es la funcin FXY : R
del vector aleatorio
Y con funcin de
[0, 1] denida por:
y
FXY (x, y) = P(X x, Y y) =

En el escenario continuo
fXY (u, v)dudv
y.
FXY (x, y) cumple las mismas propiedades

fXY es continua, se cumple que:
sealadas en la proposicin 11.3.1
y adems, en los puntos donde
fXY (x, y) =
2 FXY (x, y)
2 FXY (x, y)
=
.
xy
yx
Esta propiedad permite reconstruir la funcin de densidad a partir de la funcin de distribucin, de

la misma forma que el apartado iv. de la proposicin 8.3.1.
11.3.
Ejemplo 11.3.6.
X
335
Obtener la funcin de distribucin acumulada conjunta
FXY (x, y)
de las variables
del ejemplo 11.3.5 y comprobar a partir de sta que se puede obtener la funcin de densidad
conjunta
fXY (x, y).
Solucin:
FXY (x, y) = P (X x, Y y)
y
=
u
(u+2v)
3
e 1,000 dvdu
500, 000
x
y
u
v
3
e 500 dv e 1,000 du
=
500, 000 0
u
x
y
3u
u
3
1,000
e
=
e 500 e 1,000 du
1, 000 0
y
3u
= 3e 500 e 1,000 e 1,000
x
0
y
x
500 1,000
= 3e
3x
1,000
3e 500 + 1
= e 1,000 1
3e 500 1 .
Y en consecuencia:
x
FXY (x, y) =
La grca de
FXY (x, y)
e 1000 1
0,
3e 500 1 ,
si
0 < x < y;
en otro caso.
Ahora se observa que:
2 FXY (x, y)
=
xy
x
=
x
y
x
e 1,000 1 3e 500 1
y
x
3 y
e 500 e 1,000 1
500
x
3 y
e 500
e 1,000 1
=
500
x
x
3 y
1
=
e 500
e 1,000
500
1, 000
(x+2y)
3
=
e 1,000
500, 000
= fXY (x, y)
336
CAPTULO 11.
0.8
F(x,y)
0.6
0.4
0.2
0.0
10000
8000
6000
10000
8000
4000
6000
4000 x
2000
2000
0
Figura 11.8: Funcin de distribucin acumulada conjunta para las variables asociadas a los tiempos de respuesta en
un servidor de computadoras.
11.3.4. Distribucin normal bivariada

En el ejemplo 11.2.2 se describe de manera simple un vector normal multivariado. En esta seccin se
hace nfasis particular en el escenario
Denicin 11.3.5.
mal bivariado
p = 2,
conocido como vector normal bivariado.
La funcin de densidad conjunta de un
de componentes
exp
xX
X
X , Y
variables X e Y .
X , Y
Nota. Los parmetros
tpicas de las
El parmetro
2XY
xX
X
2X Y
y
yY
Y
yY
Y
1 2
XY
y.
son respectivamente los valores esperados y las desviaciones
XY
es tal que
(x X )(y Y )fXY (x, y)dxdy

XY =
2(2 1)
XY
fXY (x, y; X , Y , X , Y , XY ) =
vector aleatorio nor-
est dada por:
X Y
11.3.
337
y se conoce como
coeciente de correlacin de Pearson poblacional
(detalles en las secciones
6.5.2 y 11.5.1).
X tiene distribucin
X N B(X , Y , X , Y , XY ).
Nota. Cuando un vector aleatorio
Y , XY
se escribe
normal bivariada de parmetros
X , Y , X ,
La gura 11.9 muestra la grca de la supercie asociada a la funcin de densidad conjunta de la

distribucin normal bivariada con
X = Y = XY = 0
X = Y = 1.
Se observa que se mantiene
la forma acampanada similar al caso unidimensional. En esta gura tambin se muestra la grca
de la supercie asociada a la funcin de distribucin acumulada conjunta con los mismos parmetros
anteriores.
0.15
f(x,y)
0.10
3
0.05
3
2
1
0.8
2
0
2
1
0.6
)
F(x,y
0.4
0.2
3
3
2
3 3
0
x
Figura 11.9: Funcin de densidad conjunta y funcin de distribucin acumulada conjunta de la distribucin normal
bivariada de parmetros
X = Y = XY = 0
X = Y = 1.
Para la distribucin normal bivariada al igual que en el escenario univariado la funcin de distribucin acumulada
FXY (x, y)
est expresada mediante una integral que no tiene forma cerrada y por
tanto sus valores deben ser aproximados mediante mtodos numricos ya implementados en algunos
paquetes computacionales.
Ejemplo 11.3.7.
Se supone que
representan las ganancias trimestrales en millones de dlares
de dos divisiones pertenecientes a una misma corporacin nanciera. Los analistas de la corporacin
han modelado el comportamiento conjunto de estas variables por medio de la distribucin normal
[X, Y ]T N B(X = 3, Y = 7.7, X = 0.04, Y = 0.08, XY = 0.8). Se espera que para el

prximo trimestre las ganancias de la divisin X se muevan entre los 2.95 millones y los 3.05 millones;
mientras que para la divisin Y estn entre los 7.6 millones y los 7.8 millones. Calcular la probabilidad
bivariada
de que las ganancias del prximo trimestre se encuentren dentro de los rangos esperados.
Solucin:
338
CAPTULO 11.
Se pide calcular
P(2.95 X 3.05, 7.6 Y 7.8).
Como se seal anteriormente, no existen
tablas ni frmulas explcitas que permitan obtener los valores de la funcin conjunta de distribucin
acumulada y en este caso se hace uso de la funcin
pmvnorm
et al. 2012, Genz & Bretz 2009) del paquete computacional
incluida en la librera
mvtnorm
(Genz
(R Core Team 2012), obteniendo el
siguiente resultado:
P(2.95 X 3.05, 7.6 Y 7.8) = 0.6974968.

Por lo tanto, existe casi un
70 %
de probabilidad de que las ganancias del prximo trimestre estn
dentro de los rangos esperados.
11.4. Distribuciones marginales, condicionales y variables aleatorias independientes

En esta seccin se extienden por medio de las v.a.'s multivariadas algunos conceptos de los captulos 6
y 7, como las frecuencias relativas marginales (seccin 6.2), los perles o distribuciones condicionadas
(seccin 6.3) y la independencia de eventos (seccin 7.12).
11.4.1. Distribuciones de probabilidad marginales

Si ms de una variable es denida dentro de un mismo experimento aleatorio, es importante distinguir
entre la distribucin conjunta del vector aleatorio y la distribucin de probabilidad de cada componente
denominada distribucin de probabilidad marginal.
Denicin 11.4.1.
bilidad conjunta
Si
fXY ,
son v.a.'s con funcin msica o de densidad de proba-
entonces la
funcin de probabilidad marginal
de
y de
estn determinadas:
i. en el escenario discreto por:
fX (x) =
fXY (x, y)
fY (y) =
C(x)
fXY (x, y).

C(y)
ii. y en el escenario continuo por:
fX (x) =
fXY (x, y)dy
fY (y) =
C(x)
donde
C(y)
C(x)
denota el conjunto de todos los puntos
denota el conjunto de todos los puntos
fXY (x, y)dx.

C(y)
(x, y)
(x, y)
para los cuales
para los cuales
Y = y.
X = x
11.4.
339
OTRAS DISTRIBUCIONES RELACIONADAS
Las expresiones anteriores proporcionan un mtodo para recuperar la distribucin de cada componente del vector aleatorio a partir de la distribucin conjunta; lo contrario (construir la distribucin
conjunta a partir de las marginales) es ms difcil, salvo en algunos casos particulares.
Ejemplo 11.4.1.
Continuando con el ejemplo 11.3.1, donde se denen las variables
para
representar los resultados obtenidos al lanzar cada uno de dos dados balanceados y distinguibles.
Obtener la funcin de probabilidad marginal de
y de
Y.
Solucin:
Como se establece en el ejemplo 11.3.1, la distribucin conjunta de
constante
1
36 . En este caso se tiene que
C(x) = C(y) = {0, 1, 2, , 6}
es uniforme con valor
y por lo tanto:
fX (x) =
fXY (x, y) =
C(y)
para todo
x {0, 1, 2, , 6}.
1
1
=
36
6
y=1
Puesto que ambos dados tienen la misma composicin, la funcin de
probabilidad marginal para la variable
es idntica a la de
X.
El resultado no sorprende, ya que si
cada uno de los dados est balanceado, la distribucin marginal de la variable que cuenta el nmero
1
6 . En esta situacin no es estrictamente
para obtener las distribuciones marginales.
de puntos en su cara superior debe ser uniforme con valor

necesario conocer
fXY (x, y)
Ejemplo 11.4.2.
Para las variables
que representan los tiempos de conexin y autorizacin
de un servidor de computadoras descritos en el ejemplo 11.3.5, obtener las funciones de densidad

marginal de
y de
Y.
Solucin:
En este escenario se tiene que
C(x) = [x, )
C(y) = (0, y),
lo cual es fcilmente vericable si se
trazan lneas paralelas a los ejes coordenados en la gura 11.6, de forma que para un
puede tomar valores superiores a
Para la variable
x,
y para un
jo,
se tiene que:
fX (x) =
fXY (x, y)dy

C(x)
x+2y
3
e 1,000 dy
500, 000
=
x
x
3
=
e 1,000
500, 000
e 500 dy
x
y
x
3
=
e 1,000 (500) e 500
500, 000
x
x
3
=
e 1,000 e 500 .
1, 000
y
y.
jo,
slo puede tomar valores menores que
slo
340
CAPTULO 11.
Por lo tanto:
fX (x) =
Para la variable
3x
1,000
3
,
1,000 e
si
0,
en otro caso.
x > 0;
se tiene que:
fY (y) =
fXY (x, y)dy

C(y)
y
x+2y
3
e 1,000 dy
500, 000
=
0
y
y
3
e 500
=
500, 000
e 1,000 dx
0
y
x
3
=
e 500 (1, 000) e 1,000
500, 000
y
3 y
=
e 500 1 e 1,000 .
500
y
0
Por lo tanto:
fY (y) =
y
3 500
500 e
1 e 1,000 ,
0,
En este ejemplo es difcil obtener la distribucin conjunta
si
y > 0;
en otro caso.
fXY (x, y)
a partir de las distribuciones
marginales sin contar con informacin adicional.
Como se establece en la proposicin 11.3.3, las distribuciones marginales de cada componente en un

vector aleatorio multinomial resultan ser binomiales. Este resultado es mucho mas difcil de probar a
travs de la denicin 11.4.1. En el caso de un vector aleatorio normal multivariado, como se establece
16
en el ejemplo 11.2.2, las componentes tienen distribuciones marginales de tipo normal univariado
11.4.2. Distribuciones de probabilidad condicionales

Similar al concepto de probabilidad condicional que se presentan en la denicin 7.8.1, se establece el
de distribucin condicional de una variable aleatoria. Este tipo de distribucin se usa para calcular la
probabilidad de eventos asociados a una variable en presencia de informacin relacionada con otra(s)
variable(s) aleatoria(s).
16 En
la seccin 11.5 se presenta una proposicin que ilustra este resultado.
11.4.
341
Denicin 11.4.2.
Si X y Y son v.a.'s con funcin msica o de densidad de profXY , entonces la funcin de probabilidad condicional de X
Y = y , denotada con fX|Y (x|y), est determinada por:
babilidad conjunta
dado que
fXY (x, y)
fY (y)
fX|Y (x|y) =
siempre que
fY (y) > 0.
Nota. La funcin de probabilidad condicional de
dado que
X = x,
denotada como
fY |X (y|x),
se
obtiene de manera similar.
Ejemplo 11.4.3.
Continuando con el ejemplo 11.3.1, donde se denen las variables
para
representar los resultados obtenidos al lanzar cada uno de dos dados balanceados y distinguibles.
Obtener las funciones de probabilidad
fX|Y (x|y)
fY |X (y|x).
Solucin:
Como se establece en el ejemplo 11.3.1, la distribucin conjunta de
constante
Y es uniforme con
y {0, 1, 2, , 6} se
1
1
36 , al igual que las marginales con valor uniforme 6 . As, para
valor
sigue
que:
1
36
1
6
fX|Y (x|y) =
= 1,
6
0,
si
x {0, 1, 2, , 6};
en otro caso.
fY |X (y|x) tiene una estructura idntica a

fX|Y (x|y). Tambin es interesante observar que fX|Y (x|y) = fX (x) (un resultado anlogo se tiene
para fY |X (y|x)) y aunque en general esto no siempre se cumple, en la seccin 11.4.3 se proporcionan
Puesto que ambos dados tienen la misma composicin,
argumentos para entender cuando se da esta igualdad.
Ejemplo 11.4.4.
Para las variables
que representan los tiempos de conexin y autorizacin
de un servidor de computadoras descritos en el ejemplo 11.3.5, obtener las funciones de densidad

condicional
fX|Y (x|y)
fY |X (y|x).
Solucin:
En el ejemplo 11.4.2 se obtuvieron las distribuciones marginales de
y>0
Y.
En consecuencia, dada
se tiene que:
fXY (x, y)
fX|Y (x|y) =
=
fY (y)
siempre que
x < y.
x
y
3
500 1,000
e
500,000 e
y
3 500
500 e
1 e 1,000
e 1,000
y
1, 000 1 e 1,000
342
CAPTULO 11.
De otro lado, dada
x>0
se tiene que:
fXY (x, y)
fY |X (y|x) =
=
fX (x)
siempre que
x
y
3
500 1,000
e
500,000 e
x
1,000
3
1,000 e
e 500
500
x < y.
En este caso las distribuciones condicionales no coinciden con las marginales.
11.4.3. Variables aleatorias independientes

Continuando con la extensin natural de las ideas que se desarrollan en el captulo 7, ahora se trata
el concepto de independencia aplicado a un conjunto de v.a.'s.
Denicin 11.4.3.
Dos v.a.'s
se llaman independientes
fX|Y (x|y) = fX (x)
independientes
si:
fY |X (y|x) = fY (y).
Nota. Las igualdades de la denicin 11.4.3 no se deben comprobar de manera simultnea ya que el
cumplimiento de una implica el cumplimiento de la otra.
La siguiente proposicin suministra un resultado equivalente al de la denicin 11.4.3, pero con mayor
valor desde el punto de vista prctico.
Proposicin 11.4.1.
Dos v.a.'s
son independientes si y solo si
fXY (x, y) = fX (x)fY (y).
Demostracin:
La demostracin se debe hacer en dos direcciones.
X y Y son independientes, entonces por la denicin

fXY (x, y) = fY (y)fX|Y (x|y). Como X y Y son independientes, por la denicin
que fX|Y (x|y) = fX (x) y sustituyendo en la anterior igualdad se obtiene que:
Primero, se supone que las variables
11.4.2 se
tiene que
11.4.3 se
cumple
fXY (x, y) = fY (y)fX (x).

Ahora, se supone que
fXY (x, y) = fX (x)fY (y).

fX|Y (x) =
Aplicando la denicin 11.4.2 se tiene que:
fXY (x, y)
fX (x)fY (y)
=
= fX (x)
fY (y)
fY (y)
11.4.
343
siempre que
fY (y) > 0.
Por lo tanto, en virtud de la denicin 11.4.3, se obtiene que
son v.a.'s
independientes.
Nota. La proposicin 11.4.1 establece que dos v.a.'s son independientes si y solo si su funcin msica
o de densidad de probabilidad conjunta se puede expresar como el producto de las distribuciones
marginales correspondientes.
El resultado anterior se generaliza en seguida a un conjunto nito de ms de dos v.a.'s mediante la

siguiente denicin:
Denicin 11.4.4.
Sean
X1 , X2 , . . . , Xn
para
n2
un conjunto nito de v.a.'s. Se
dice que las variables son independientes si y solo si para cualquier conjunto de ndices
I {1, 2, . . . , n}
se cumple que:
fX I (xI ) =
fXi (xi )
iI
donde
XI
es el vector aleatorio conformado por las variables
Xi
tales que
Nota. La denicin 11.4.4 se puede sintetizar al armar que un grupo nito de
i I.
n
v.a.'s son inde-
pendientes si y solo si la distribucin conjunta de probabilidad para cualquier subconjunto de estas

variables se puede expresar como el producto de las respectivas distribuciones marginales.
Ejemplo 11.4.5.
variables
Como se hace notar en el ejemplo 11.4.3, las distribuciones condicionales de las
que representan los resultados obtenidos al lanzar cada uno de dos dados balanceados
y distinguibles, coinciden con las respectivas distribuciones marginales de
y {1, 2, 3, 4, 5, 6}
Y.
Es decir, dado
se tiene que:
fX|Y (x|y) = fX (x)

lo que implica la independencia de
Y.
Esta relacin de independencia no sorprende y se puede
explicar empricamente debido a que el resultado de uno de los dados no afecta al del otro.
Ejemplo 11.4.6.
En el ejemplo 11.4.2 se obtienen las distribuciones marginales de las variables
que representan los tiempos de conexin y autorizacin para un servidor de computadoras. Determinar
si las variables son independientes o no.
Solucin:
Multiplicando las expresiones de las distribuciones marginales se obtiene que:
fX (x)fY (y) =
y
3x
3
3 y
e 1,000
e 500 1 e 1,000
1, 000
500
3x+2y
9e 1,000
500, 000
X y Y . Con lo anterior se
fXY (x, y) = fX (x)fY (y) y en virtud de la proposicin 11.4.1 se concluye que las variables
que es una expresin que no coincide con la funcin de densidad conjunta de

muestra que
1 e 1,000
no son independientes.
344
CAPTULO 11.
En los dos ejemplos anteriores se pide probar independencia. En el siguiente ejemplo la independencia
se garantiza inicialmente y se utiliza para calcular una probabilidad conjunta:
Ejemplo 11.4.7.
Una inversionista y un corredor de bolsa suscriben el siguiente acuerdo: el da de
maana entre las 10:00 a.m. y las 11:00 a.m. el corredor har disponible la opcin de compra para
un grupo de acciones bastante apetecidas, y en este mismo intervalo de tiempo el inversionista aspira
haber vendido unos bonos y con el dinero de la venta adquirir acciones. Si el inversionista vende los
bonos antes de que el corredor haga pblica la opcin de compra, este slo esperar mximo diez
minutos o de lo contrario queda libre de comprarle a otro corredor; si el corredor publica la opcin de
venta antes de que el inversionista cuente con le dinero de los bonos, este slo esperar mximo diez
minutos o de lo contrario queda libre de negociar las acciones con otro inversionista. Si los instantes
en los que cada uno vende los bonos y es autorizado para hacer pblica la venta de las acciones son
independientes e uniformemente distribuidos, calcular la probabilidad de que el inversionista le compre
al corredor.
Solucin:
Si
representa el tiempo (en minutos) despus de las 10:00 a.m. en el que el inversionista cuenta con
el dinero de sus bonos y
tiene el mismo signicado para el tiempo (en minutos) en que el corredor
hace pblica la oferta de venta, entonces las distribuciones marginales de
1/60,
0,
fX (x) =
si
0 x 60;
fY (y) =
en otro caso.
1/60,
0,
si
son respectivamente:
0 y 60;
en otro caso.
Debido a la condicin de independencia de estas variables, su distribucin conjunta de probabilidad

est dada por:
fXY (x, y) = fX (x)fY (y) =
1/3600,
0,
para
0 x 60
0 y 60;
en otro caso.
La condicin de compra se traduce matemticamente mediante el evento
R = { : |X() Y ()| 10}.

La regin del plano
xy
que representa este evento
17
Como la funcin de densidad conjunta es constante, la probabilidad pedida se puede expresar como
el producto del rea sombreada y dicho valor constante (1/3600). Como se muestra en la gura, el
rea de esta regin se puede expresa como la suma de los dos tringulos en los extremos y el rea del
rectngulo central, es decir:
rea(R)
=2
10 10
+ 10 2 50 2 = 100 + 1, 000 = 1, 100.
2
En consecuencia, se obtiene que
P(|X Y | 10) =
1
1
11
rea(R) =
1, 100 =
3600
3, 600
36
es la probabilidad de que el inversionista le compre al corredor.
17 Imagen
tomada de Soong (2004, p. 59).
11.5.
345
COMBINACIONES LINEALES DE VARIABLES ALEATORIAS
Figura 11.10: Regin de integracin asociada con el evento
|X Y | 10
del ejemplo 11.4.7.
11.5. Combinaciones lineales de variables aleatorias

p
j=1 cj Xj como funcin de X1 , X2 , . . . , Xp . Este es un
ejemplo de una combinacin lineal de las variables X1 , X2 , . . . , Xp . A continuacin se dene de manera
En el ejemplo 11.2.2 se dene la v.a.
Y =
formal este concepto.
Denicin 11.5.1.
nulos. La v.a.
Sean
X1 , X2 , . . . , Xp v.a.'s y c1 , c2 , . . . , cp nmeros reales no todos
dada por
cj Xj = c1 X1 + c2 X2 + + cp Xp
Y =
j=1
se denomina
combinacin lineal
de las variables
X1 , X2 , . . . , Xp
Las combinaciones lineales de v.a.'s son de mucho inters en situaciones prcticas y tericas dentro de
la estadstica. Los siguientes ejemplos lo ilustran.
Ejemplo 11.5.1.
(rollos) a
Una empresa fabrica cinta adhesiva de 4 calibres diferentes y vende las unidades
$3, $5, $8
$12.
Sean
X1 , X2 , X3
X4
las v.a.'s que representan el nmero de unidades
346
CAPTULO 11.
vendidas en un da para cada calibre de cinta. Obtener una expresin general para el ingreso total por
las ventas.
Solucin:
El ingreso total es la suma de los ingresos parciales por cada calibre de cinta. El ingreso parcial se
obtiene al multiplicar el nmero de unidades vendidas por el precio de venta. El ingreso total por
ventas
se puede expresar como:
I = 3X1 + 5X2 + 8X3 + 12X4 =
cj Xj
j=1
donde
c1 = 3, c2 = 5, c3 = 8
c4 = 12.
En esta situacin el ingreso total es una combinacin lineal
del nmero de unidades vendidas para cada calibre de cinta..
El siguiente ejemplo se reere a dos medidas descriptivas tratadas en los captulos 3 y 4.
Ejemplo 11.5.2.
n.
Sean
X1 , X2 , . . . , Xn las variables que conforman una muestra aleatoria18 de tamao
Se ha visto que la media muestral es otra v.a. dada por:
X=
1
n
Xi =
i=1
1
1
1
X1 + X2 + . . . + Xn .
n
n
n
As, la media muestral resulta ser una combinacin lineal de las variables
c2 = = cn =
De otra parte, haciendo
2
SX :=
X1 , X2 , . . . , Xn
1
n1
Zi = (Xi X)2 ,
c1 =
Xi X
i=1
la varianza muestral se puede expresar mediante:
1
n1
Zi =
i=1
1
1
1
Z1 +
Z2 + . . . +
Zn .
n1
n1
n1
Por lo tanto, la varianza muestral resulta ser una combinacin lineal de las variables
donde
donde
1
n.
c1 = c2 = = cn =
Z1 , Z2 , . . . , Zn
1
n1 .
11.5.1. Matriz de covarianzas y matriz de correlaciones

En esta seccin se generalizan para v.a.'s las ideas sobre medidas de asociacin que se tratan en el
captulo 6. A continuacin, se denen la covarianza y correlacin entre una pareja de v.a.'s.
18 En
el mbito de la inferencia estadstica, una
e idnticamente distribuidas.
muestra aleatoria
se reere a una familia de v.a.'s independientes
11.5.
347
Denicin 11.5.2.
esperado de
X y Y v.a.'s con funcin msica o de densidad de probag : R2 R una funcin bivariada de valor real. El valor
denotado con E [g(X, Y )], est dado:
Sean
fXY
g(X, Y ),
bilidad conjunta
y sea
i. en el escenario discreto por:
E [g(X, Y )] =
g(x, y)fXY (x, y)

S
ii. y en el escenario continuo por:
E [g(X, Y )] =
g(x, y)fXY (x, y)dxdy

S
donde
es el soporte de
En la denicin 11.5.2, cuando
fXY (x, y).
g(x, y) = (x X )(y Y ),
X y Y:
el valor esperado de
g(x, y)
recibe el
nombre de covarianza poblacional entre
Denicin 11.5.3.
La
covarianza entre las v.a.'s X y Y , denotada con Cov[X, Y ],
est dada por:
Cov[X, Y ] = E [(X X )(Y Y )]

donde
son respectivamente el valor esperado de
Nota. La covarianza entre las v.a.'s
Y.
XY .
La siguiente proposicin suministra una expresin alterna para el clculo de la covarianza ente
Y.
Proposicin 11.5.1.
La covarianza entre las v.a's
se puede expresar mediante:
Cov(X, Y ) = E[XY ] X Y .
Ejemplo 11.5.3.
Calcular la covarianza de las variables
que representan los tiempos de
conexin y autorizacin para un servidor de computadoras del ejemplo 11.3.5.
Solucin:
Primero se deben calcular los valores esperados de
Y.
Para ello se utilizan las distribuciones
348
CAPTULO 11.
marginales obtenidas en el ejemplo 11.4.2, de forma que:
E[X] =
xfX (x)dx =
3x
3
e 1,000 dx 333.3
1, 000
E[Y ] =
yfY (y)dy =
Ahora, se debe calcular
E[XY ]
y
3 y
e 500 1 e 1,000 dy 833.3.
500
como sigue:
xyfXY (x, y)dxdy
E[XY ] =
S
xy e
= 6 10
(x+2y)
1,000
0 x
= 6 106
y
500
ye
dy dx
dy xe 1000 dx
500e 500 (x + 500)xe 1,000 dx
= 6 106
0
3x
xe 1,000 (x + 500)dx = 388, 889.
= 0.003
0
Finalmente, se obtiene que:Cov[X, Y
] = 388, 889 (333.3)(833.3) = 111, 150.1.
Como se indica en la seccin 6.5.1, el signo de la covarianza mide la direccin de la relacin lineal entre
el par de variables. En este caso
Cov[X, Y ] > 0,
lo que indica una relacin directa entre las variables,
las cuales crecen o decrecen de manera simultnea. Por lo tanto, el tiempo hasta recibir la autorizacin
(Y ) siempre es mayor que el tiempo de conexin (X ) ya que el computador debe esperar a que haya
conexin con el servidor para posteriormente solicitar la autorizacin como usuario registrado. Y Si
los equipos tienden a conectarse ms rpido (X decrece) se esperara una tendencia a que reciba la
autorizacin ms rpido (Y decrece) y viceversa.
Como se especica en la seccin 6.5.2, para establecer que tan fuerte es la relacin lineal entre las
variables se usa el coeciente de correlacin de Pearson dado por
XY =
el cual siempre est acotado en el intervalo
[1, 1].
XY
,
X Y
11.5.
349
Ejemplo 11.5.4.
Calcular el coeciente de correlacin de Pearson para las variables
que
representan los tiempos de conexin y autorizacin para un servidor de computadoras del ejemplo
11.3.5.
Solucin:
X
Primero se deben calcular las varianzas de
Y.
Para ello se utilizan las distribuciones marginales
obtenidas en el ejemplo 11.4.2, de forma que:
2
X
x fX (x)dx
2
X
x2
3x
3
e 1,000 dx (333.3)2 = 11, 1133.1
1, 000
2
Y
2
Y
y fY (y)dy
XY
calculado en el ejemplo 11.5.3, se obtiene que:
XY =
XY
y
3 y
e 500 1 e 1,000 dy (833.3)2 = 361, 167.1.
500
Tomando el valor de
Este valor de
y2
111, 150.1
XY
=
= 0.5547969
X Y
111, 133.1 361, 167.1
indica la existencia de una relacin lineal aceptable entre los tiempos de inters.
La siguiente proposicin establece una relacin entre la condicin de independencia y el coeciente de

correlacin de Pearson.
Proposicin 11.5.2.
Si
XY = XY = 0.
son v.a.'s independientes entonces
Nota. El resultado de la proposicin 11.5.2 no debe confundirse: la independencia implica la nulidad

de la covarianza (y por tanto del coeciente de correlacin); lo contrario no siempre es cierto, es decir,
si
XY = XY = 0
entonces no necesariamente signica que
sean v.a's independientes. En
resumen, el resultado 11.5.2 slo sirve para probar que las variables no son independientes (lo cual se
da cuando
XY = 0).
Ms adelante se muestra que la distribucin normal multivariada satisface este
resultado en ambas direcciones.
Ejemplo 11.5.5.
En el ejemplo 11.4.5 se muestra que las variables
Y,
las cuales representan los
resultados obtenidos al lanzar cada uno de dos dados balanceados y distinguibles, son independientes.
Se demuestra de manera sencilla (ejercicio 11.8) que
Ejemplo 11.5.6.
que
XY = 0.
En el ejemplo 11.5.4 se obtiene que el valor de
no son v.a.'s independientes.
XY
es diferente de cero; esto implica
350
CAPTULO 11.
11.5.2. Valor esperado varianza para una combinacin lineal de variables

aleatorias
En esta seccin se muestran algunos resultados concernientes a las combinaciones lineales de v.a.'s
que despus se utilizan en situaciones prcticas. A continuacin se presenta sin demostracin una
proposicin relacionada con los parmetros de una combinacin lineal de v.a.'s:
Proposicin 11.5.3.
p
j=1 cj Xj una combinacin lineal de las v.a.'s X1 , X2 , . . . , Xp con
2
valores esperados, varianzas y covarianzas nitas i , i y ij respectivamente para i = 1, 2, . . . , p.
Sea
Y =
Entonces:
i.
ii.
p
E[Y ] =
cj j .
Var[Y ] =
j=1
p1
2
c2 j
j
+2
j=1
ci cj ij .
j=1 i=j+1
Nota. En la proposicin 11.5.3, la identidad i. se cumple sin importar si las variables sean independientes o no y se interpreta armando que el valor esperado de una combinacin lineal de variables
aleatorias es la combinacin lineal de los valores esperados individuales. Adems, si las v.a.'s son
independientes entonces se tiene que:
p
2
2
2
2
c2 j = c2 1 + c2 2 + . . . + c2 p .
j
1
2
p
Var[Y ] =
j=1
Por qu?
Ejemplo 11.5.7.
distribuidas
19
i = 1, . . . , n.
Suponiendo que en el ejemplo 11.5.2 las
, es decir,
Xi Xj = 0
para todo
i = j,
v.a.'s son independientes e igualmente
E[Xi ] =
muestral X .
y adems
Calcular el valor esperado y la varianza de la media
Var[Xi ] = 2
para
Solucin:
X es una combinacin lineal de X1 , X2 , . . . , Xn donde
1
n . Aplicando las identidades de la proposicin 11.5.3, se obtiene que:
En el ejemplo 11.5.2 se concluye que
= cn =
E X =
j=1
1
1
1
1
j = + + + = n
n
n
n
n
c1 = c2 =
Var X =
j=1
19 Igualmente
1
n
2
2
j =
1 2
1
1
+ 2 2 + + 2 2 = n
n2
n
n
1 2
n2
2
.
n
distribuidas signica que comparten el mismo modelo probabilstico y por lo tanto poseen la misma
media y varianza por lo que no se necesitan los subndices para identicarlas.
11.5.
351
El hecho interesante de estos resultados consiste en que al tomar mediciones independientes de una
misma variable aleatoria, resulta mas ventajoso trabajar con la media aritmtica de las mediciones
ya que esta comparte el mismo valor esperado y adems presenta menos variabilidad ya que
decrece cuando se aumenta el tamao muestral
Ejemplo 11.5.8.
Var[X]
n.
1 = 8, 000, 2 = 10, 500, 3 =
2
4 = 2, 050. Adems, si las demandas para
Se supone que en el ejemplo 11.5.1 se tiene que
2
2
2
9, 100, 4 = 12, 250, 1 = 1, 600, 2 = 1, 200, 3 = 900
cada calibre de cinta se consideran independientes, calcular el valor esperado y la desviacin estndar
del ingreso total por ventas.
Solucin:
Se pide calcular
E[I]
Var[I]
donde
4
i=1 ci Xi . Siguiendo las identidades de la proposicin
I =
11.5.3 se sigue que:
I =
cj j = 3(8, 000) + 5(10, 500) + 8(9, 100) + 12(12, 250) = 296, 300
j=1
4
2
c2 j =
j
I =
(3)2 (1, 600) + (5)2 (1, 200) + (8)2 (900) + (12)2 (2, 050) = 41, 572.9.
j=1
El siguiente ejemplo ilustra como se obtiene una distribucin de probabilidad de una combinacin
lineal de variables normales:
Ejemplo 11.5.9.
Considere las variables
que representan las ganancias trimestrales de dos
divisiones pertenecientes a una misma corporacin de tecnologa como en el ejemplo 11.3.7. Sea
X + Y la ganancia
de G y calcular la
G :=
total trimestral de la corporacin. Obtener la funcin de densidad de probabilidad

probabilidad de de que las ganancias trimestrales totales de la corporacin estn
por encima de los 11 millones de dlares.
Solucin:
Se nota que
es una combinacin lineal de las ganancias de cada divisin donde
c1 = c2 = 1.
consecuencia:
E[G] = E[X] + E[Y ] = 3 + 7.7 = 10.7

y
Var[G] = Var[X] + Var[Y ] + 2Cov[X, Y ] = (0.04)2 + (0.08)2 + 2(0.8)(0.04)(0.08) = 0.01312.
En
352
CAPTULO 11.
Por denicin, toda combinacin lineal de componentes normales multivariadas tiene una distribucin
normal univariada, y por lo tanto
G N (10.7, 0.01312).
P(G > 11) = 1 P(G 11) = 1
11 10.7
0.01312
Ahora se calcula
P(G > 11)
como sigue:
= 1 (2.62) = 1 0.9956 = 0.0044.
11.6. Comentarios
En este captulo se exponen de manera resumida algunos conceptos relacionados con las distribuciones de probabilidad multivariadas, con especial atencin en el caso bivariado. El lector que por
sus necesidades acadmicas o profesionales requiera profundizar en la metodologa multivariada, debe
tener claro que los conceptos expuestos no son sino la antesala para poder abordar una literatura ms
especializada.
Se debe tener presente que a diferencia de captulos anteriores, donde la mayora de situaciones involucran operaciones aritmticas sencillas, las cuales se pueden ejecutar con una calculadora cientca
comn y en algunas ocasiones utilizando tablas, la aritmtica detrs de los mtodos multivariados es
en muchas ocasiones demasiado compleja para ejecutarse manualmente. Un caso de esta complejidad
computacional se presenta en el ejemplo 11.3.7, donde la probabilidad pedida se calcula con la ayuda
de un paquete estadstico especializado.
11.7. Ejercicios
11.1 En una empresa hay nueve ejecutivos, de los cuales tres son solteros y dos son divorciados. Tres
de ellos sern seleccionados al azar para un ascenso. Sea
X1 la variable que representa el nmero

X2 la variable asociada con el nmero
de ejecutivos casados de los funcionarios seleccionados y

de ejecutivos solteros de los funcionarios seleccionados.
a. Se puede utilizar la distribucin multinomial como modelo probabilstico para estudiar este
caso? Por qu?.
b. Encontrar la funcin msica de probabilidad conjunta de
X1
c. Utilizar la distribucin hallada en el numeral b. para calcular

del rango de
es un vector aleatorio tal que
viene dado por
XY = 0
X2 .
P(X1 = 2, X2 = 1).
X M N (n, 1 , 2 , . . . , p ) entonces el cardinal
n+p1
.
n
en el ejemplo 11.5.5.
11.4 Cierto informe de inspeccin de aviones comerciales clasica las suras en las alas en tres categoras: inexistentes, detectables y serias. Los registros histricos indican que el
70 %
de los
11.7.
353
EJERCICIOS
aviones no tena suras en las alas;
25 %
tena suras perceptibles y
5%
tena suras crticas. Se
eligen aleatoriamente 5 aviones. Calcular la probabilidad de que:

a. Uno de ellos tenga suras crticas, dos tengan suras detectables y dos no tengan suras.
b. Por lo menos un avin tenga suras crticas.
11.5 La funcin de densidad conjunta de las variables
kx2 x2 ,
1
0,
fX1 X2 (x1 , x2 ) =
si
X1
X2
est dada por:
0 x1 x2
x1 + x2 2 ;
en otro caso.
a. Dibujar el grco del soporte de esta funcin.

b. Determinar el valor de
k.
P[X1 + X2 < 1].
11.6 Para la situacin del ejemplo 11.3.7, determinar la distribucin de las ganancias trimestrales
promedio y usarla para calcular la probabilidad de que la ganancia trimestral promedio no
supere los 5.2 millones de dlares.
11.7 Para las variables de ejercicio 11.1, calcular:
a. Las distribuciones marginales de
X1
b. Las distribuciones condicionales de
X1
X2 .
y
X2 .
c. Las matrices de covarianzas y correlaciones.

11.8 Mostrar que
XY = 0
para las variables aleatorias
Y,
del ejemplo 11.5.5.
11.9 Para las variables de ejercicio 11.5, calcular:

a. Las distribuciones marginales de
X1
b. Las distribuciones condicionales de
X1
X2 .
y
X2 .
c. Las matrices de covarianzas y correlaciones.

d. Son independientes estas variables?
11.10 Mostrar que el nmero de covarianzas (o correlaciones) entre las parejas de componentes de un
vector aleatorio de
componentes es
p(p1)
.
2

Apendice
Elementos bsicos de matemticas

A.1. Introduccin
En este apndice se presentan las nociones bsicas de matemticas que se usan frecuentemente en la
disciplina estadstica y que son fundamentales para llevar a buen trmino las prcticas cuantitativas
desarrolladas a lo largo de este libro. Aqu se destacan variadas secciones donde se estudian en cierto
detalle los fundamentos de matemticas, desde los conceptos primordiales de la aritmtica y el lgebra,
pasando por las razones, la factorizacin de polinomios, las ecuaciones y los logaritmos, hasta el manejo
de las sumatorias y las productorias. Se enfatiza el hecho de que el manejo pleno de estos temas
garantiza en cierta medida el xito del desarrollo de los mtodos estadsticos objeto de estudio y dar
al lector una base slida para abordar sin dicultades cualquier tcnica aplicada fundamentada en
cualquier metodologa cuantitativa.
A.2. Operaciones aritmticas

Para llevar a cabo las operaciones aritmticas, es necesario seguir algunas reglas y una metodologa
apropiada. Las siguientes son las propiedades bsicas de estas operaciones:
Propiedad conmutativa de la suma:
Propiedad asociativa de la suma:
Propiedad conmutativa del producto:
a + b = b + a.
a + (b + c) = (a + b) + c = a + b + c.
a b = b a.
354
A.2.
355
OPERACIONES ARITMTICAS
Propiedad asociativa del producto:
Propiedad distributiva:
Nota. Las cantidades
xy
xy
a (b + c) = (a b) + (a c).
(x y) + z
se puede expresar como
Proposicin A.2.1.
Sean
a (b c) = (a b) c = a b c.
se pueden abreviar con
xy
xy + z
respectivamente, y adems
x
y.
a, b, c y d nmeros reales tales que hacen sentido las siguientes operaciones
algebraicas. Entonces se cumplen las siguientes propiedades:

i.
ii.
iii.
a b
ab
=
.
c
c
c
ac
a c
=
.
b d
bd
iv.
c
(a d) (b c)
a
=
.
b
d
bd
a
c
ad
=
.
b
d
bc
Nota. Se observa que
Ejemplo A.2.1.
a.
b.
a
a
a
=
= .
b
b
b
Simplicar lo mximo posible:
5
6
1
3
+
+
3
2
4
9
c.
1 2
3 5
+2
.
+4
d.
2 3
5 4
1 4
3 7
2 1
3 4
(0.02) (0.0003)
0.002
Solucin:
a.
5
6
1
3
+
+
3
2
4
9
+2
=
+4
=
=
=
5
9
6 + 6 +
3
4
9 + 9 +
5+9+12
6
3+4+36
9
26
6
43
9
26 9
6 43
12
6
36
9
356
APNDICE A.
ELEMENTOS BSICOS DE MATEMTICAS
13 3
1 43
39
=
.
43
=
b.
2 3
5 4
1 4
3 7
=
=
=
=
=
23
54
6
4
20 21
3
4
10 21
3 21
10 4
63
.
40
14
37
c.
1 2
3 5
2 1
3 4
=
=
=
=
=
15
32
5 8
6 3
58
63
54
33
20
.
9
24
31
d.
(0.02) (0.0003)
0.002
=
=
2
100
3
10,000
2
1,000
23
10010,000
2
1,000
2 3 1, 000
100 10, 000 2
3
=
1, 000
= 0.003.
=
A.3.
357
EXPONENTES Y RADICALES
A.3. Exponentes y radicales

A continuacin se presenta un resumen de algunas de las reglas bsicas que se deben tener en cuenta
al trabajar con exponentes y radicales:
Proposicin A.3.1.
Sean
m, n, x
nmeros reales tales que hacen sentido las siguientes opera-
ciones algebraicas. Entonces se cumplen las siguientes propiedades:

i.
ii.
iii.
xm xn = xm+n .
iv.
x1 = x.
vii.
0x = 0
1x = 1.
viii.
vi.
(xm )n = xmn .
v.
xm xn = xmn .
x0 = 1
xm =
ix.
1
xm .
xm/n = n xm .
m x y = m x m y.
m
x
y
x
.
y
Nota. Se observa que la expresin
Ejemplo A.3.1.
00
no hace sentido.
Simplicar los mximo posible:
a.
d.
[5x (3y 5x) (2x 5y)].

b.
2
xm2
3
c.
6 32m
x
4
(xm + 5y n )(3xm 4y n ).
3
e.
x1 y 2 + x2 y 1
.
y 2 x2
1
8
x4 x
.
4
x
Solucin:
a.
[5x (3y 5x) (2x 5y)] = [5x 3y + 5x 2x + 5y]

= 5x + 3y 5x + 2x 5y
= 10x + 0y
= 10x.
b.
2
xm2
3
6 32m
x
4
2
3
xm2
6
4
x32m
358
APNDICE A.
24 63 4(m2) 3(32m)
x
x
34 43
24 23 33
= 1 4 3 3 x4m8+96m
3 2 2
2 12m
= x
.
3
= (1)4
c.
1 1
x y2
1
y2
x1 y 2 + x2 y 1
=
y 2 x2
1
+ x2 y
1
x2
1
x2
xy 2 + y
1x2 1y 2
x2 y 2
x3 y
1
xy 2 + xy 2
x2 y 2
x2 y 2
1+x3 y
xy 2
x2 y 2
x2 y 2
(1 + x3 y) x2 y 2
(x2 y 2 ) xy 2
x(1 + x3 y)
=
.
(x2 y 2 )
d.
(xm + 5y n )(3xm 4y n ) = (xm + 5y n )(3xm ) (xm + 5y n )(4y n )

= (xm )(3xm ) + (5y n )(3xm ) (xm )(4y n ) (5y n )(4y n )
= 3x2m + 15xm y n 4xm y n 20y 2n
= 3x2m + 11xm y n 20y 2n .
e.
1
8
x4
1
8
1
4
1
3
234
1
1
2
1 1
1 1
x4
1 1
1
x4
x4 3 x 2 3
824
x4 x 2
2 12 8 8 x 3 + 6
1
1
x4
1
= 2 12 23
1
1
8
x24
6
= 2 12 2 8 x 4 4
1
3
A.4.
359
FACTORIAL
=2
2+9
24
11
x4
4
= 2 24 x 4 x 4
24
4
211 x1 x1
=
= 24 2, 048 x 4 x.
A.4. Factorial
El factorial es una expresin de uso frecuente en las tcnicas combinatorias. En seguida algunas
generalidades al respecto:
Denicin A.4.1.
La expresin
! se denomina factorial
n. Esto es:
n! se reere
al producto de todos los enteros desde 1 hasta
n! = n (n 1) (n 2) . . . 3 2 1.
Adems, se dene
Ejemplo A.4.1.
a.
5!.
0! = 1.
Calcular:
b.
52!
(525)! .
c.
3! + 6!.
Solucin:
a.
5! = 5 4 3 2 1
= 120.
b.
52!
52!
=
(52 5)!
47!
52 51 50 49 48 47!
=
47!
= 52 51 50 49 48
= 311, 875, 200.
d.
3! 6!.
360
APNDICE A.
c.
3! + 6! = (3 2 1) + (6 5 4 3 2 1)
= 6 + 720
= 726.
d.
3! 6! = (3 2 1) (6 5 4 3 2 1)
= 6 720
= 4, 320.
Nota. Los factoriales no se trabajan utilizando las reglas aritmticas. El factorial es una forma de
presentar de modo conveniente productos crecientes de enteros. Por lo tanto, no se pueden sumar
(restar) o multiplicar (dividir). Por lo tanto:
(m + n)! = m! + n!
(m n)! = m! n!
El lector puede dar un ejemplo que rectique estos hechos?
A.5. Razones, fracciones y porcentajes

Las razones, las fracciones y los porcentajes son relaciones primordiales en cualquier mbito donde se
quiera expresar una proporcionalidad de forma sencilla e informativa.
Denicin A.5.1.
Una
razn
es la relacin entre dos cantidades. Es
decir, es la comparacin en trminos relativos de esas cantidades.
Ejemplo A.5.1.
El nmero de estudiantes en un colegio es 5,000 de los cuales 1,000 son nias.
Calcular la razn de nias a nios en el colegio.
Solucin:
La razn de nias a nios es
4 nios.
1, 000/4, 000 = 1/4
1 : 4.
Lo que quiere decir que hay 1 nia por cada
A.5.
361
RAZONES, FRACCIONES Y PORCENTAJES
La razn de una parte a un todo se llama
fraccin . Por ejemplo, la expresin qu fraccin de los
trabajadores son mujeres? se entiende como cul es la razn del nmero de trabajadores mujeres al
total de trabajadores?. Una fraccin se representa como la razn de una parte al todo; en smbolos:
Parte
Todo
o
Parte
Ejemplo A.5.2.
: Todo.
Hay 15 hombres y 20 mujeres en una clase. Qu fraccin de los estudiantes son
mujeres?
Solucin:
Fraccin
Parte
Todo
20
15 + 20
20
=
35
4
= .
7
=
4
7 de los estudiantes son mujeres, o 4 de cada 7 estudiantes es mujer, o que la razn
de estudiantes mujeres al total de estudiantes es 4:7.
Esto signica que
Ejemplo A.5.3.
En una clase de 30 estudiantes, la razn de nios al total de estudiantes es 2:5.
Cuntos nios hay en la clase?
Solucin:
Fraccin
2
=
5
Parte
Todo
Nios
30
Lo que quiere decir que el nmero de nios en la clase es
Un
2
5
30 = 12.
porcentaje , al igual que una fraccin, constituye otra manera de expresar una parte determinada
de una unidad. El porcentaje es la parte de un todo que se ha divido en 100 porciones iguales; de ah
la palabra porcentaje o la expresin tanto por ciento. As, se obtiene que
Parte
Todo
x
100
y por lo tanto, cuando una fraccin se multiplica por 100 y se agrega el smbolo % se convierte en un
porcentaje, esto es,
x=
Parte
Todo
100 %.
362
APNDICE A.
Nota. El smbolo % es un indicador de que la cifra en cuestin es un porcentaje.
Ejemplo A.5.4.
Qu porcentaje es 18 con respecto a 72? Qu parte corresponde al 35 % de 72?
Solucin:
El porcentaje es 18 con respecto a 72 es:
Parte
Todo
100 % =
18
100 % = 25 %.
72
Adems, la parte que corresponde al 35 % de 72 es:
35 % 72 =
35
72 = 0.35 72 = 25.2.
100
A.6. Desigualdades
A continuacin se enumeran algunas propiedades asociadas con desigualdades que involucran nmeros
reales: si
a, b
son nmeros reales entonces se satisfacen las siguientes propiedades:
a > b.
i. Si
a
1
b.
iii. Si
a ab
entonces
1
a
<
1
b.
iv. Si
a0
entonces
ac < bc.
ix. Si
|a| bc.
x. Si
|a| > b
si y solo si
a b.
Nota. Las propiedades del mayor estricto son anlogas a las que se presentaron anteriormente. Adems, las estas propiedades tambin se cumplen si se reemplazan las desigualadades estrictas por
desigualdades no estrictas.
Ejemplo A.6.1.
Resolver la desigualdad
2x 7 < 4x 2.
Solucin:
2x 7 < 4x 2
2x 7 + 7 < 4x 2 + 7
2x < 4x + 5
A.7.
363
FACTORIZACIN DE POLINOMIOS
2x 4x < 4x + 5 4x
2x < 5
1
1
(2x) > 5
2
2
5
x> .
2
Ejemplo A.6.2.
Resolver la desigualdad
5 2x + 6 4.
Solucin:
5 2x + 6 4
5 6 2x + 6 6 4 6
11 2x 2
1
1
1
(11) 2x (2)
2
2
2
11
x 1.
A.7. Factorizacin de polinomios

La factorizacin de polinomios permite la resolucin de variados problemas con cierta facilidad. Dominar las tcnicas que se presentan en seguida es importante para adquirir destreza en el clculo y
sus anes.
Denicin A.7.1.
Sean
entero no negativo. Un
a0 , a1 , . . . , an1 , an
polinomio
de
grado
nmeros reales con
en la variable
expresin de la forma
an xn + an1 xn1 + . . . + a1 x + a0
donde
an = 0.
un
es una
364
APNDICE A.
Nota. En la denicin A.7.1, los nmeros

mio. En particular,
Ejemplo A.7.1.
a0
se llama
a0 , a1 , . . . , an1 , an
trmino independiente .
se denominan
coecientes
del polino-
Los siguientes son algunos polinomios:
a.
b.
3x +
c.
1 2
2 y es un polinomio de grado
d.
36x2 12x3 + 18x

a3 = 12.
es un polinomio de grado
en la variable
donde
a0 = 0, a1 = 18, a2 = 36
e.
5
y 8 y2 1 y4 1
2
a3 = 0 y a4 = 1 .
2
en la variable
donde
5
a0 = 1, a1 = 1, a2 = 8 ,
donde
1
5 es un polinomio de grado
Denicin A.7.2.
a0 = 4.
en la variable
en la variable
La
donde
donde
factorizacin
a0 =
1
5 y
a1 = 3.
a0 = 0, a1 = 0
a2 =
1
2.
y
de un polinomio consiste en re-
escribir este objeto como un producto de otras expresiones denominadas
factores .
A continuacin se presentan algunos casos especiales de factorizacin de eso frecuente:
Factor comn
Los polinomios
ax + bx
ax bx
tienen factor comn
x,
y se factorizan como
x(a + b)
x(a b)
respectivamente. Para factorizar un polinomio por medio del factor comn se debe:
i. Identicar el factor comn.

ii. Dividir cada trmino del polinomio por el factor comn.
iii. Escribir el factor comn, y a continuacin, los cocientes hallados en el numeral anterior, cada uno
precedido por su respectivo signo.
Ejemplo A.7.2.
Factorizar los siguientes polinomios:
a.
b.
27a3 x2 18ax3 .
Solucin:
12a2 b3 x 6ab + 12a62b4 .
A.7.
365
a.
27a3 x2 18ax3 = 9ax2 (3a2 2x).

b.
12a2 b3 x 6a3 b4 + 18a2 b4 = 6a2 b3 (2x ab + 3b).
Factor comn por agrupacin de trminos

Para factorizar un polinomio con el factor comn por agrupacin de trminos se debe:
i. Agrupar los trminos convenientemente.

ii. Obtener el factor comn de cada uno de los agrupamientos.
iii. Realizar una segunda factorizacin por medio del factor comn de los agrupamientos.
Ejemplo A.7.3.
a.
c.
a2 x2 3bx2 + a2 y 2 3by 2 .
an + 2a + n + 2.
b.
d.
4a3 1 a2 + 4a.
am bn bm + an.
Solucin:
a.
an + 2a + n + 2 = (an + 2a) + (n + 2)
= a(n + 2) + 1(n + 2)
= (a + 1)(n + 2).
b.
am bn bm + an = (am + an) + (bm bn)

= a(m + n) b(m + n)
= (a b)(m + n).
366
APNDICE A.
c.
a2 x2 3bx2 + a2 y 2 3by 2 = a2 x2 3bx2 + a2 y 2 3by 2

= x2 (a2 3b) + y 2 (a2 3b)
= x2 + y 2
a2 3b .
d.
4a3 1 a2 + 4a = 4a3 + 4a + a2 1
= 4a a2 + 1 1 a2 + 1
= (4a 1) a2 + 1 .
Trinomio cuadrado perfecto

Un
trinomio cuadrado perfecto
factorizan como
a2 + 2ab + b2 o a2 2ab + b2 , y se
a 2ab + b = (a b)2 . Para factorizar un trinomio
es un polinomio de la forma
a + 2ab + b = (a + b)
cuadrado perfecto se debe:
i. Ordenar el trinomio apropiadamente.

ii. Extraer la raz cuadrada del primer y tercer trmino, y comprobar que el doble del producto de
estas races coincide con el segundo trmino del trinomio.
iii. Factorizar el polinomio como un trinomio cuadrado perfecto.
Ejemplo A.7.4.
a.
b.
a2 + 25 10a.
c.
40x2 + 16 + 25x4 .
Solucin:
a.
a2 + 25 10a = a2 10a + 25
= a2 (2 5 a) + 52
= (a 5)2 .
9x2 y 4 + 4a6 12a3 xy 2 .
A.7.
367
b.
40x2 + 16 + 25x4 = 16 + 40x2 + 25x4

= 42 + 2 4 5x2 + 5x2
= 4 + 5x2
c.
9x2 y 4 + 4a6 12a3 xy 2 = 9x2 y 4 12a3 xy 2 + 4a6

= 3xy 2
2 3xy 2 2a3 + 2a3
= 3xy 2 2a3
Diferencia de cuadrados
Una
diferencia de cuadrados
(a b)(a + b).
es un polinomio de la forma
a2 b2 ,
y se factoriza como
Para factorizar una diferencia de cuadrados se debe:
i. Extraer la raz cuadrada del minuendo y del sustraendo.

ii. Factorizar el polinomio como una diferencia de cuadrados.
iii. Reducir cada factor si es el caso.
Ejemplo A.7.5.
a.
c.
9a6 64x2 y 4 .
a2 25.
d.
b.
4 (a + 1)2 .
1 4m2 .
Solucin:
a.
a2 25 = a2 52
= (a 5)(a + 5).
a2 b2 =
368
APNDICE A.
b.
1 4m2 = 12 (2m)2
= (1 2m)(1 + 2m).
c.
9a6 64x2 y 4 = 3a3
8xy 2
= 3a3 8xy 2
3a3 + 8xy 2 .
d.
4 (a + 1)2 = 22 (a + 1)2
= (2 (a + 1))(2 + (a + 1))
= (1 a)(3 + a).
Trinomio de la forma
x2 + bx + c
Un trinomio de la forma
x2 + bx + c
se factoriza como
(x + m)(x + n)
donde
m+n=b
Para factorizar un trinomio de esta forma se debe:
i. Ordenar el trinomio apropiadamente.

ii. Encontrar
tales que
m+n=b
m n = c.
iii. Factorizar el polinomio como un trinomio de la forma
x2 + bx + c.
iv. Reducir cada factor si es el caso.
Ejemplo A.7.6.

c.
a.
x8 y 8 100a2 15ax4 y 4 .
m2 + 5m 14.
d.
b.
3(a 1) 108 + (a 1)2 .
20 9y 2 + y 4 .
Solucin:
a.
m2 + 5m 14 = m2 + (7 + (2))m + (7 (2))
= (m + 7)(m 2).
m n = c.
A.7.
369
b.
20 9y 2 + y 4 = y 4 9y 2 + 20
= y2
+ ((5) + (4))y 2 + ((5) (4))
= y2 5
y2 4 .
c.
x8 y 8 100a2 15ax4 y 4 = x8 y 8 15ax4 y 4 100a2

= x4 y 4
+ (5a + (20a))x4 y 4 + (5a (20a))
= x4 y 4 + 5a
x4 y 4 20a .
d.
3(a 1) 108 + (a 1)2 = (a 1)2 + 3(a 1) 108

= (a 1)2 + (12 + (9))(a 1) + (12 (9))
= ((a 1) + 12)((a 1) + (9))
= (a + 11)(a 10).
Otros casos
Los siguientes son otros casos relevantes de factorizacin:
Tetranomio cubo perfecto:
a3 + 3a2 b + 3ab2 + b3 = (a + b)3
a3 3a2 b + 3ab2 b3 = (a b)3 .
a3 b3 = (a b) a2 + ab + b2 .
Suma o diferencia de cubos:
a3 + b3 = (a + b) a2 ab + b2
Trinomio cuadrado perfecto por adicin y sustraccin.
Trinomio de la forma
Ejemplo A.7.7.
ax2 + bx + c.
a.
b.
125x3 + 1 + 75x2 + 15x.
54ab2 + 8a3 36a2 b 27b3 .
370
APNDICE A.
c.
e.
a3 b3 + x6 .
4x8 + y 8 .
d.
f.
64a3 729.
2x2 + 3x 2.
Solucin:
a.
125x3 + 1 + 75x2 + 15x = 1 + 15x + 75x2 + 125x3

= 13 + 3 12 5x + 3 1 (5x)2 + (5x)3
= (1 + 5x)3 .
b.
54ab2 + 8a3 36a2 b 27b3 = 8a3 36a2 b + 54ab2 27b3

= (2a)3 3 (2a)2 3b + 3 2a (3b)2 (3b)3
= (2a 3b)3 .
c.
a3 b3 + x6 = (ab)3 + x2
= ab + x2
(ab)2 ab x2 + x2
= ab + x2
a2 b2 abx2 + x4 .
d.
64a3 729 = (4a)3 93

= (4a 9) (4a)2 + 4a 9 + 92
= (4a 9) 16a2 + 36a + 81 .
e.
4x8 + y 8 = 2x4
+ y4
= 2x4
+ y4
= 2x4
+ 2 2x4 y 4 + y 4
= 2x4 + y 4
+ 2 2x4 y 4 2 2x4 y 4
2x2 y 2
4x4 y 4
= 2x4 + y 4 2x2 y 2
2x4 + y 4 + 2x2 y 2
= 2x4 2x2 y 2 + y 4
2x4 + 2x2 y 2 + y 4 .
A.8.
371
ECUACIONES
f.
2 2x2 + 3x 2
2
(2x)2 + 3(2x) 4
=
2
(2x)2 + (4 + (1))(2x) (4 (1))
=
2
(2x + 4)(2x 1)
=
2
2(x + 2)(2x 1)
=
2
= (x + 2)(2x 1).
2x2 + 3x 2 =
Nota. Los casos de factorizacin expuestos son apenas unos cuantos de uso comn; algunos otros
resultan como una combinacin de stos o como una modicacin del caso inicial mediante un procedimiento algebraico previo. As, los dems casos de factorizacin son una consecuencia inmediata de
un dominio completo de los casos presentados anteriormente.
A.8. Ecuaciones
A continuacin se presentan las generalidades de algunas tcnicas asociadas con la resolucin de
ecuaciones primer grado y de segundo grado. Tales mtodos son parte integral del desarrollo en mayor
o menor medida de cualquier tcnica cuantitativa.
Denicin A.8.1.
nita
Una
ecuacin de primer grado con una incg-
es una igualdad algebraica en la que gura un nico valor desco-
nocido sin exponente.
En una ecuacin se pueden distinguir varios elementos:
Incgnita : valor desconocido de la ecuacin que interesa conocer; usualmente se denota con x
o
y,
aunque es posible utilizar cualquier smbolo.
Grado : mayor exponente de la incgnita. En este apndice se tratan ecuaciones de primer grado
(lineales) y de segundo grado (cuadrticas).
Coeciente : cualquier nmero que multiplica la incgnita.
372
APNDICE A.
Trmino independiente : cualquier nmero que no acompaa a la incgnita.

Primer miembro : expresin a la izquierda del signo igual.
Segundo miembro : expresin a la derecha del signo igual.
Nota. La solucin de una ecuacin de primer grado es nica.
Las siguientes son las propiedades fundamentales para resolver ecuaciones:
i. Sumar en los dos miembros de la ecuacin una misma expresin.
Ejemplo A.8.1.
Solucin:
Sumar en los dos miembros de la ecuacin
5x+2 = 8x19 la expresin 5x+19.
5x + 2 = 8x 19
5x + 2 + (5x + 19) = 8x 19 + (5x + 19)
5x + 2 5x + 19 = 8x 19 5x + 19
21 = 3x
3x = 21.
ii. Multiplicar en los dos miembros de la ecuacin por una expresin diferente de 0.
Ejemplo A.8.2.
Solucin:
Multiplicar en los dos miembros de la ecuacin
3x = 21
3x = 21
1
1
3x = 21
3
3
x = 7.
Ejemplo A.8.3.
Resolver la ecuacin
5(2x + 3) 5x = 5 + 3(x 4).
Solucin:
5(2x + 3) 5x = 5 + 3(x 4)
10x + 15 5x = 5 + 3x 12
10x 5x 3x = 15 5 12
2x = 32
32
x=
2
x = 16.
por
1
3.
A.8.
373
ECUACIONES
Ejemplo A.8.4.
Resolver la ecuacin
x
2
2x
3
= 2(x 5).
Solucin:
x 2x
+
= 2(x 5)
2
3
3x 4x
+
= 2x 10
6
6
7x
= 2x 10
6
7x = 6(2x 10)
7x = 12x 60
7x 12x = 60
5x = 60
60
x=
5
x = 12.
Ejemplo A.8.5.
Resolver la ecuacin
2x3
x+4
2=
11
x2 16 .
Solucin:
2x 3
2=
x+4
(2x 3) 1 (x + 4) 2
=
x+4
2x 3 2x 8
=
x+4
11
=
x+4
11 x + 4
=
x+4
11
11
x2 16
11
2 16
x
11
(x 4)(x + 4)
11
(x 4)(x + 4)
11
x+4
(x 4)(x + 4)
11
1
1 =
x4
1(x 4) = 1
x + 4 = 1
x = 1 4
x = 3.
374
APNDICE A.
Se llama sistema de ecuaciones de primer grado con dos incgnitas al conjunto de dos ecuaciones de primer grado
Denicin A.8.2.
que presentan soluciones comunes.
Este conjunto de ecuaciones frecuentemente se representa mediante el par de expresiones
a1 x + b1 y = c1
a2 x + b2 y = c2
donde
a1 , a2 , b1
b2
son los coecientes,
son las incgnitas y
c1
c2
son los trminos indepen-
dientes.
Para resolver uno de estos sistemas hay disponibles varias tcnicas, entre ellos se distinguen el
de sustitucin
y el
Ejemplo A.8.6.
mtodo de igualacin .
mtodo
Resolver el sistema de ecuaciones
3x + y
5x y
= 11
= 13
utilizando el mtodo de sustitucin.
Solucin:
Primero, en alguna de las ecuaciones se halla el valor de alguna de las incgnitas. Por ejemplo, se
puede despejar
en la primera ecuacin suponiendo conocido el valor de
x.
As, se obtiene que
y = 11 3x.
Luego, se sustituye en la segunda ecuacin el valor de
y,
de donde
5x (11 3x) = 13,

que corresponde a una sola ecuacin de primer grado con una sola incgnita. Resolviendo:
5x (11 3x) = 13
5x 11 + 3y = 13
5x + 3x = 13 + 11
8x = 24
x = 3.
Ya conocido el valor de
x,
se sustituye en la expresin del valor de
primera ecuacin del sistema, obtenindose que
y = 11 3x
que se obtuvo a partir de la
A.8.
375
ECUACIONES
y = 11 3 3
y = 11 9
y = 2.
As, la solucin al sistema de ecuaciones es
Ejemplo A.8.7.
x=3
y = 2.
Resolver el sistema de ecuaciones
3x + y
5x y
= 11
= 13.
utilizando el mtodo de igualacin.
Solucin:
Primero, se despeja en las dos ecuaciones la misma incgnita,
por ejemplo. As,
y = 11 3x
y = 5x 13
Luego, igualando las dos ecuaciones se obtiene una sola ecuacin de primer grado con una sola incgnita. Resolviendo:
11 3x = 5x 13
3x + 5x = 11 + 13
8x = 24
x = 3.
Este valor de
se sustituye en cualquiera de las ecuaciones iniciales de
y,
la primera por ejemplo, y
se obtiene que
y = 11 3x
y = 11 3 3
y = 11 9
y = 2.
As, la solucin al sistema de ecuaciones es
x=3
y = 2.
Nota. La igualacin y la sustitucin son apenas un par de mtodos para resolver ecuaciones simulta-
neas. Entre otros mtodos se encuentran el mtodo de reduccin , el mtodo de Gauss y la regla
de Cramer . De otro lado, tambin son comunes los sistemas de ecuaciones de primer grado con tres
o ms incgnitas. As, el conjunto de ecuaciones
a11 x1 + a12 x2 + . . . + a1n xn = b1
a21 x1 + a22 x2 + . . . + a2n xn = b2
.
.
.
an1 x1 + an2 x2 + . . . + ann xn = bn
376
APNDICE A.
donde
a11 , a12 , . . . , ann
son los coecientes,
trminos independientes, corresponde a un
x1 , x2 , . . . , xn
son las incgnitas y
b1 , b2 , . . . , bn
son los
sistema de ecuaciones de primer grado con
cgnitas , n 2, que se puede resolver con los mtodos mencionados anteriormente.

Denicin A.8.3.
cgnita
Una
in-
ecuacin de segundo grado con una in-
es una ecuacin de la forma
ax2 + bx + c = 0
donde
a y b son los coecientes, a = 0, x es la incgnita y c es el trmino
independiente.
Para resolver una ecuacin de este tipo se puede factorizar el primer miembro de la igualdad y despejar
para
x,
o se puede aplicar la siguiente frmula general:
x=
donde
b2 4ac
2a
indica que la ecuacin tiene dos soluciones que se obtienen aplicando la frmula con el signo
y con el signo
frmula cuadrtica
por separado. La frmula anterior se conoce como
soluciones se llaman
races
y las
de la ecuacin.
Nota. Las races de una ecuacin de segundo grado pueden coincidir, o incluso pueden ser nmeros
complejos, esto es, un nmero de la forma
a + bi donde a y b son nmero reales e i =
1 es la unidad
imaginaria (detalles en la seccin B.4).
Ejemplo A.8.8.
Resolver la ecuacin
x2 + 11x = 24
por medio de la factorizacin de un miembro
de la igualdad.
Solucin:
x2 + 11x = 24
x2 + 11x + 24 = 0
x2 + (8 + 3)x + (8 3) = 0
(x + 8)(x + 3) = 0.
Luego,
x+8 =0
x + 3 = 0,
puesto que un producto es igual a 0 si y solo si alguno de sus factores
lo es, en consecuencia se obtiene que las races de la ecuacin son -8 y-3.
Ejemplo A.8.9.
Resolver la ecuacin
x2 + x + 1 = 0
por medio de la frmula cuadrtica.
Solucin:
Los coecientes correspondientes son
a = 1, b = 16
c = 63
a la ecuacin
x2 16x + 63 = 0.
dado que
x2 = 16x 63
es equivalente
A.8.
377
ECUACIONES
Por lo tanto,
=
=
=
=
De donde
x=
16+2
2
Ejemplo A.8.10.
18
2
=9
x=
b2 4ac
2a
(16) (16)2 4 1 63
21
16 256 243
2
16 4
2
16 2
.
2
b
x=
162
2
Resolver la ecuacin
14
2
= 7.
4x2 + 16x + 16 = 0
por medio de la factorizacin de un
miembro de la igualdad.
Solucin:
4x2 + 16x + 16 = 0
2
(2x) + (2 4 2x) + 42 = 0
(2x + 4)2 = 0.
Por lo tanto las dos soluciones de la ecuacin son iguales a
Ejemplo A.8.11.
Resolver la ecuacin
x2 + 2x + 2 = 0
2 dado que la nica opcin es 2x + 4 = 0.
por medio de la frmula cuadrtica.
Solucin:
Los coecientes correspondientes son
a = 1, b = 2
c = 2.
Luego, aplicando la frmula cuadrtica, se
obtiene que las soluciones de la ecuacin estn dadas por:
x=
=
=
=
=
=
b2 4ac
2a
2 22 4 1 2
2 2
2 4 8
4
2 4
2

2 1 4
2
2 2i
2
b
378
APNDICE A.
2 (1 i)
2
= 1 i.
=
De donde
x = 1 + i
x = 1 i.
A.9. Logaritmos
De la misma manera que la operacin opuesta a la suma es la resta, la logaritmacin es la operacin
contraria a la potenciacin. El logaritmo de un nmero en una base determinada es el exponente al
cual hay que elevar la base para obtener dicho nmero.
Denicin A.9.1.
y
Dados
b, x
x > 0, el logaritmo en base b

y es igual a x; en smbolo:
b > 0, b = 1
solo si b elevado
nmeros reales tal que
de
es igual a
si y
a la
logb (x) = y x = by
Nota. Como cualquier nmero real positivo diferente de uno puede tomarse como base, existe una
innidad de sistemas de logaritmos, pero tradicionalmente, solo se utilizan los siguientes sistemas:
logaritmo binario de x; ste se escribe log2 (x).

El logaritmo en base 10 de x o logaritmo comn de x; ste se escribe log(x).
El logaritmo en base e de x o logaritmo natural de x, donde e es el nmero de Euler, en honor
a Leonhard Euler ; ste se escribe ln(x).
El logaritmo en base 2 de
Ejemplo A.9.1.
log2 (32) = 5
Son ejemplos de logaritmos:
dado que
log(1, 000) = 3
25 = 32.
dado que
ln(7.38906) 2
103 = 1, 000.
dado que
e2 7.38906.
En el ltimo numeral, por qu se utiliz el signo
en lugar del signo
=?
Las siguientes son algunas propiedades del los logaritmos:
1 Fotografa
http://www.cienciayreligion.org/biografias/bio_19.html.
A.9.
379
LOGARITMOS
Figura A.1: Leonhard Euler (1707-1783).
Proposicin A.9.1.
Sean
a, b, x1
x2
b > 0, b = 1, x1 > 0
x2 > 0 .
i. El logaritmo en base
de
es igual a 1:
logb (b) = 1.
ii. El logaritmo en base
de 1 es igual a 0:
logb (1) = 0.
iii. La potenciacin y la logaritmacin son operaciones opuestas:
blogb (x1 ) = x1
logb (bx1 ) = x1 .
iv. El logaritmo de un producto es igual a la suma de los logaritmos de los factores:
logb (x1 x2 ) = logb (x1 ) + logb (x2 ).

v. El logaritmo de un cociente es igual al logaritmo del dividendo menos el logaritmo del divisor:
logb
x1
x2
= logb (x1 ) logb (x2 ).
vi. El logaritmo de una potencia es igual al producto entre exponente y el logaritmo de la base:
logb (xa ) = a logb (x1 ).

1
380
APNDICE A.
La demostracin se deja como ejercicio para el lector, al igual que escribir las propiedades correspondientes trabajando con logaritmos binarios, comunes y naturales.
Ejemplo A.9.2.
a.
log
Calcular:
b.
10 .
ln
c.
1
e5
log2 (0.125).
Solucin:
a.
b.
log
10 = log 10
1
= log (10)
2
1
= 1
2
= 0.5.
Ejemplo A.9.3.
c.
1
2
1
e5
ln
= ln e5
= 5 ln (e)
= log2 81
= 5 1
= log2 (8)
= 5.
= 3.
Calcular:
1
81
log3
Solucin:
Sea
y = log3
1
81
log2 (0.125) = log2 (1/8)
. Entonces se tiene que:
3 =
y
1
2
=
y
1
81
1
34
1
5
3 2 = 3 5
y
log3 3 2
= log3 3 5
y
4
=
2
5
8
y= .
5
A.9.
381
LOGARITMOS
Ejemplo A.9.4.
Escribir la siguiente expresin por medio de un solo logaritmo:
ln
x
x1
+ ln
x+1
x
ln x2 1 .
Solucin:
ln
x
x1
+ ln
x+1
x
ln x2 1 = ln
= ln
= ln
= ln
= ln
x
x+1
ln x2 1
x1
x
x+1
ln ((x + 1)(x 1))
x1
x+1
x1
(x + 1)(x 1)
x+1
(x + 1)(x 1)2
1
(x 1)2
= ln (x 1)2
= 2 ln (x 1) .
Ejemplo A.9.5.
Resolver las siguientes ecuaciones:
a.
b.
e2x ex 6 = 0.
log(x) + log(x + 3) = 2 log(x + 1).
Solucin:
a.
log(x) + log(x + 3) = 2 log(x + 1)

log(x(x + 3)) = log (x + 1)2
2
10log(x(x+3)) = 10log((x+1) )
x(x + 3) = (x + 1)2
x2 + 3x = x2 + 2x + 1
3x 2x = x2 x2 + 1
x = 1.
382
APNDICE A.
b.
e2x ex 6 = 0
2
(ex ) ex 6 = 0
(ex + 2) (ex 3) = 0.
ex + 2 = 0 o ex 3 = 0 .
nmero real x, o tambin
Luego,
todo
Por lo tanto
ex = 2,
lo que no puede ser, porque
ex > 0
para
ex = 3
ln (ex ) = ln(3)
x = ln(3)
x 1.09861.
En ocasiones se hace necesario calcular logaritmos por medio de bases diferentes. Cuando esta situacin
se presenta se hace necesario realizar un cambio de base para transformar la expresin de una base
desconocida a una base conocida.
Proposicin A.9.2.
Sean
b, k
son bases de logaritmos y
x > 0.
logb (x) =
logk (x)
.
logk (b)
Demostracin:
Sea
un nmero real dado por
y = logb (x),
de donde
by = x .
Luego, tomando logaritmo en base
en
ambos trminos de esta igualdad y en virtud de la propiedad vi. de la proposicin A.9.1 se tiene que:
logk (by ) = logk (x)

y logk (b) = logk (x)
logb (x) logk (b) = logk (x)
puesto que
y = logb (x). Como b es la base de un logaritmo entonces b = 1 y en consecuencia logk (b) = 0.

logk (b) se obtiene que:
Entonces, dividiendo ambos miembros de la ltima igualdad por
logb (x) =
logk (x)
.
logk (b)
A.10.
383
SUMATORIAS Y PRODUCTORIAS
Ejemplo A.9.6.
Calcular
log16 (8)
log9 (27).
Solucin:
Dado que 8 y 16 son potencias de 2, y que 9 y 27 son potencias de 3, entonces conviene transformar
los logaritmos como sigue:
log16 (8) =
Ejemplo A.9.7.
log2 (8)
3
= = 0.75
log2 (16)
4
Resolver la ecuacin
log9 (27) =
log3 (27)
3
= = 1.5.
log3 (9)
2
63x+2 = 200.
Solucin:
63x+2 = 200
log6 63x+2 = log6 (200)
3x + 2 = log6 (200)
3x = log6 (200) 2
x=
x=
log6 (200) 2
3
ln(200)
ln(6) 2
3
x 0.31901.
Nota. El cambio de base en el ejemplo anterior se realiza con el propsito de hacer los clculos
directamente en una calculadora cientca corriente que tiene a disposicin el logaritmo comn y el
logaritmo natural; as, el cambio de base en este ejemplo tambin se puede hacer a base 10. Queda
como ejercicio para el lector comprobar que los resultados coinciden.
A.10. Sumatorias y productorias

Al darse la suma o el producto de una secuencia numrica, en donde se destaque un orden, es posible
abreviar tal secuencia bajo una expresin. De esta forma,
ak
k=m
corresponden a una forma de expresar la
ak
k=m
sumatoria y la productoria de los trminos de una secuen-
cia numrica respectivamente, que se obtienen dando a la variable
los valores enteros comprendidos
384
APNDICE A.
entre los lmites escritos en la parte inferior y superior (inclusive) de los smbolos asociados. Por lo
tanto:
ak = am + am+1 + am+2 + . . . + an2 + an1 + an

k=m
y
ak = am am+1 am+2 . . . an2 an1 an .

k=m

n
ai =
i=m
y en consecuencia utilizar i,
la letra
aj =
j=m
j, k
ak
ai =
y que
aj =
i=m
k=m
j=m
ak
k=m
o cualquier otra letra no marca ninguna diferencia. Es comn utilizar
i.
Ejemplo A.10.1.
Escribir las siguientes secuencias utilizando el smbolo de sumatoria o de produc-
toria segn corresponda:
10 . . .
29
56.
a.
a1 + a2 + a3 + . . . + a64 .
d.
b.
x2 x2 x2 . . . x2 .
1
2
3
51
e.
(y1 k)2 + (y2 k)2 + (y3 k)2 + . . . + (yn k)2 .
c.
152 + 172 + 192 + . . . + 1172 .
f.
x5 y6 x6 y7 x7 y8 . . . x47 y48 .
Solucin:
a.
64
ai .
a1 + a2 + a3 + . . . + a64 =
i=1
b.
51
x2 x2 x2 . . . x2 =
1
2
3
51
x2 .
i
i=1
c.
58
152 + 172 + 192 + . . . + 1172 =
(2i + 1)2 .
i=7
d.
10 . . .
29
28
i+1
56 =
2i.
i=3
e.
(y1 k)2 + (y2 k)2 + (y3 k)2 + . . . + (yn k)2 =
(yi k)2 .
i=1
A.10.
385
f.
47
x5 y6 x6 y7 x7 y8 . . . x47 y48 =
xi yi+1 .
i=5
Nota. La forma de escribir una sumatoria (o una productoria) no es nica. Por ejemplo,
58
59
(2i + 1)2 =
i=7
(2i 1)2 .
i=8
Queda como ejercicio para el lector encontrar otra forma de escribir esta sumatoria.
Ejemplo A.10.2.
y
x6 = 4.
Se tienen las siguientes seis observaciones:
x1 = 2, x2 = 5, x3 = 0, x4 = 1, x5 = 6
Calcular:
a.
c.
x2 .
i
xi .
i=1
i=1
b.
e.
d.
(xi + 1)2 .
xi .
i=1
i=1
Solucin:
a.
xi = x1 + x2 + . . . + x6
i=1
= 2 + 5 + 0 + (1) + 6 + 4
= 16.
b.
xi = x1 x2 . . . x6
i=1
= 2 5 0 (1) 6 4
= 0.
c.
x2 = x2 + x2 + . . . + x2
i
1
2
6
i=1
(xi 3).
i=1
386
APNDICE A.
= 22 + 52 + 02 + (1)2 + 62 + 42
= 4 + 25 + 0 + 1 + 36 + 16
= 82.
d.
(xi + 2)2 = (x1 + 2)2 (x2 + 2) . . . (x6 + 2)2

i=1
= (2 + 2)2 (5 + 2)2 (0 + 2)2 ((1) + 2)2 (6 + 2)2 (4 + 2)2

= 4 49 4 1 64 36
= 1, 806, 336.
e.
(xi 3) = (x1 3) + (x2 3) + . . . + (x6 3)

i=1
= (2 3) + (5 3) + (0 3) + ((1) 3) + (6 3) + (4 3)
= (1) + 2 + (3) + (4) + 3 + 1
= 2.

n
ai bi =
i=m
ai
bi
i=m
i=m
y en particular que
a2
i
ai
i=m
i=m
Anlogamente, tambin se observa que
(ai + bi ) =
i=m
ai
i=m
bi
i=m
El lector puede dar un ejemplo que rectique estos hechos?
A continuacin se presentan algunas propiedades de las sumatorias:
Proposicin A.10.1.
ros reales donde
Sean
m n,
am , am+1 , . . . , an1 , an
bm , bm+1 , . . . , bn1 , bn
dos sucesiones de nme-
un nmero real constante. Entonces se cumple que:
A.10.
387
i. La sumatoria de la suma de dos (o ms) trminos es igual a la suma de las sumatorias separadas
de los trminos:
(ai + bi ) =
i=m
ai +
i=m
bi .
i=m
La productoria del producto de dos (o ms) trminos es igual al producto de las productorias
separadas de los trminos:
ai
a i bi =
i=m
i=m
bi .
i=m
ii. La sumatoria de la diferencia de dos (o ms) trminos es igual a la diferencia de las sumatorias
(ai bi ) =
i=m
ai
i=m
bi .
i=m
La productoria del cociente de dos (o ms) trminos es igual al cociente de las productorias
n
i=m ai
.
n
i=m bi
ai
=
b
i=m i
iii. La sumatoria de una constante multiplicada por un trmino es igual a la constante multiplicada
por la sumatoria del trmino:
ai .
c ai = c
i=m
i=m
La productoria de un trmino elevando a una constante es igual a la productoria del trmino

elevado a la constante:
ac =
i
i=m
ai
i=m
iv. La sumatoria de un trmino ms una constante es igual a la sumatoria del trmino ms la

constante multiplicada por el nmero que indiquen los lmites de la sumatoria:
n
ai + c (n m + 1).
(ai + c) =
i=m
i=m
La productoria de una constante multiplicada por un trmino es igual a la constante a la potencia

que indiquen los lmites de la productoria multiplicada por la productoria del trmino:
n
c ai = cnm+1
i=m
ai .
i=m
v. La sumatoria de una constante es igual a la constante multiplicada por el nmero que indiquen
los lmites de la sumatoria:
c = c (n m + 1).
i=m
388
APNDICE A.
La productoria de una constante es igual a la constante a la potencia que indiquen los lmites de
la productoria:
c = cnm+1 .
i=m
Ejemplo A.10.3.
Se tienen las siguientes observaciones:
x1 = 2, x2 = 5, x3 = 1, x4 = 2, y1 = 1,
y2 = 3, y3 = 1 y y4 = 5. Comprobar que se cumplen las propiedades mencionadas anteriormente. Para

c = 2.
vericar las propiedades iii., iv. y v. utilizar
Solucin:
i.
(xi + yi ) = x1 + y1 + x2 + y2 + x3 + y3 + x4 + y4
i=1
=2+1+5+3+1+1+2+5
=3+8+2+7
= 20.
4
xi +
i=1
yi = x1 + x2 + x3 + x4 + y1 + y2 + y3 + y4
i=1
=2+5+1+2+1+3+1+5
= 10 + 10
= 20.
4
xi yi = x1 y1 x2 y2 x3 y3 x4 y4
i=1
=21531125
= 2 15 1 10
= 300.
4
xi
i=1
yi = x1 x2 x3 x4 y1 y2 y3 y4
i=1
=25121315
= 20 15
= 300.
A.10.
389
ii.
(xi yi ) = x1 y1 + x2 y2 + x3 y3 + x4 y4
i=1
=21+53+11+25
= 1 + 2 + 0 + (3)
= 0.
4
xi
i=1
yi = x1 + x2 + x3 + x4 (y1 + y2 + y3 + y4 )
i=1
= 2 + 5 + 1 + 2 (1 + 3 + 1 + 5)
= 10 10
= 0.
4
x1 x2 x3 x4
xi
=
yi
y1 y2 y3 y4
i=1
2 5 1 2

1 3 1 5
20
=
15
4
= .
3
=
4
i=1 xi
4
i=1 yi
x1 x2 x3 x4
y1 y2 y3 y4
2512
1315
20
=
15
4
= .
3
iii.
2 xi = 2 x1 + 2 x2 + 2 x3 + 2 x4
i=1
=22+25+21+22
= 4 + 10 + 2 + 4
= 20.
4
xi = 2 (x1 + x2 + x3 + x4 )
i=1
390
APNDICE A.
= 2 (2 + 5 + 1 + 2)
= 2 10
= 20.
x2 = x2 x2 x2 x2
i
1
2
3
4
i=1
= 22 52 12 22
= 4 25 1 4
= 400.
2
= (x1 x2 x3 x4 )2
xi
i=1
= (2 5 1 2)2
= 202
= 400.
iv.
(xi + 2) = x1 + 2 + x2 + 2 + x3 + 2 + x4 + 2
i=1
=2+2+5+2+1+2+2+2
=4+7+3+4
= 18.
xi + 2 (n m + 1) = x1 + x2 + x3 + x4 + 2 (4 1 + 1)
i=1
=2+5+1+2+24
= 10 + 8
= 18.
2 xi = 2 x1 2 x2 2 x3 2 x4
i=1
=22252122
= 4 10 2 4
= 320.
A.11.
391
EJERCICIOS
2nm+1
xi = 241+1 x1 x2 x3 x4
i=1
= 24 2 5 1 2
= 16 20
= 320.
v.
2 = 2 + 2 + 2 + 2 = 8.
i=1
2 (n m + 1) = 2 (4 1 + 1)
=24
= 8.
4
2 = 2 2 2 2 = 16.
i=1
2nm+1 = 241+1
= 24
= 16.
A.11. Ejercicios
A.1. Calcular:
d.
a.
1 7
4 3
1 5
7 2
1
%
4
.
e.
b.
(0.1)2
0.5 40
0.25
125
27
32
81
2
3
.
f.
c.
3
1
5
1
4
+
1
7
1
20
(3 2 5 3)(2 2 + 3 3).
g.
1
1+
1
1+
1
1+ 1 1
1+
2
392
APNDICE A.
h.
1
1
3 3
3
2
22
l.
1
8
log2
i.
log(0.00001).
j.
log2
k.
log0.01
m.
1
9
1
log 3
64 .
1
10
n.
ln (e) + ln e2 + ln e3 .
A.2. Simplicar las siguientes expresiones lo mximo posible:
a.
h.
(3xm + 4y n )(3xm 4y n ).
3x (4x + 3y (2x y)
(4x + 2y) 3x) 2y.
i.
b.
2m
(5x (3y 5x) (2x 5y))
124 n x2m
y 4m
(y 2 )
1
16
m
n
8n
2m
x6m
((2x 7y) (2y z)).

j.
c.
5x2m+1 y m
2n
3x3n y 32n
2m
125x6 y 3m 8x9 y 12m
.
k.
d.
2
(7x2 )
1 4
9x
1
2
(5y)4
(2y 2 )
2x2 y 2
x
4x2 +y 2
4xy
e.
l.
2x2 + 3x(2x 3y(x + 2y) y 2 ).

g.
xyz
1
xy
x
yz
+1
xy
y
y2
.
x
x + y x(x + y)
(x + 2y)(3x 5y) (x y)(x + 2y).

f.
1
3
m.
logx
x + logy ( 4 y) .
n.
y
xz
logx
x3 yz 2
x
y
+ logx (xy) .
A.3. Resolver los siguientes problemas:

a. Sea
1
a = 2b, 2 b = c
4c = 3d.
Cul es la razn de
a?
b. La razn de nios a nias en un colegio es 2:5. Si 12 nios entraran al colegio entonces la

razn de nios a nias sera 4:9. Cuntos estudiantes tiene este colegio?
A.11.
393
EJERCICIOS
c. Una tienda deportiva orden una misma cantidad de bolas de tenis blancas y amarillas.
El almacn solicit 30 bolas blancas adicionales, haciendo que la razn de bolas blancas a
amarillas sea 6:5. Cuntas bolas de tenis se ordenaron inicialmente?
d. El precio de un artculo disminuye 20 por ciento. Por cul porcentaje se debe incrementar
el precio del artculo para que vuelva al precio inicial?
e. La cantidad de habitantes de una ciudad se incrementa en 50 por ciento cada 50 aos. Si la
cantidad de habitantes en 1950 era 810, en qu ao la poblacin era 160?
f. Un hombre compra 10 cajas de naranjas por un total de $80,000. Si este hombre pierde dos
cajas, cul es el precio al que debe vender el resto de las cajas para obtener una ganancia
del 25 % sobre el costo inicial?
g. El 10 % de las nias de una clase tienen ojos azules. La razn de nios a nias en esta clase
es 3:4. Cul es la fraccin de estudiantes en la clase que tienen ojos azules?
A.4. Considerar las siguientes observaciones:
i
xi
yi
-4
-1
-4
10
2
-2
-1
-2
-12
-7
Por medio de las propiedades correspondientes, calcular las siguientes sumatorias y productorias:
a.
e.
10
3x2 + 1 .
i
2xi 9
i=1
b.
i.
10
10
x2 2yi .
i
.
i=1
i=1
f.
10
2
(xi 2yi ) .
j.
10
10
2
(2xi 9) .
i=1
i=1
i=1
c.
g.
10
k.
10
(5xi 2yi + 1) .
3x2
i
i=1
10
5.
i=1
d.
h.
38
i=1
l.
10
3x2
i
(3xi yi )(2yi + xi ).
10
5 .
i=1
i=1
A.5. Sabiendo que
38
i=1
xi = 7,
a.
38
i=1
yi = 3
i=1
38
i=1
xi yi = 5,
b.
38
1
xi yi
3
yi
2
x2
i
calcular las siguientes sumatorias:

c.
38
(8xi 3).
i=1
x2
i
1
yi
38
(3xi 3)(2yi + 1).
(2xi + 5yi ).
i=1
i=1
394
APNDICE A.
A.6. Resolver las siguientes ecuaciones:

a.
b.
c.
2x 3(1 2x)
3(x 5) =
+
.
4
6
4x 1
3x 1
+2=
.
6
8
m.
x1 + x2 + x3 = 1
2x + 3x2 + 4x3 = 3
1
4x1 + 9x2 + 16x3 = 11.

n.
2x1 + 3x2 x3 = 5
x + 2x2 + 3x3 = 0
1
4x1 x2 + x3 = 1.
x
2(x + 1)
+ 4(x 2) = + 5.
3
2
d.
(x + 3)(x 3) = (x + 6)2 .
.
e.
f.
4
10
2
= 2
.
x+3 x2
x +x6
2x2 7x = 3.
o.
x2 x +
x2 x3
= 0.
x+8 x+2
p.
g.
x2 + 2x 15.
1
1
5
+
= 2
.
x3 x+2
x x6
h.
1
1
= 870 + .
4
4
q.
2 2(x 3) x + 4
= 3.
2
4
2 ln(x) = ln(2) + ln(3x 4).

r.
i.
2x = y 7
y = 5x + 16.
324
2= .
x
32
s.
j.
x+3
y
52+3x = 84x1 .
=5
t.
x y = 9.
log8 (x 6) + log8 (x + 6) = 2.
k.
5x+3
2y+1
=5
u.
2x 5y = 5x + 7y.
l.
x+1
y2
x3
y+5
ln x3 1 = 1 + ln x2 + x + 1 .
v.
=6
log(x) +
= 1.
4
6
= 5.
log(x)
A.7. Factorizar completamente los siguientes polinomios:

a.
b.
2a 1 x 2ax.
c.
25x2 y 4 121.
x2 5x 36.
A.11.
395
EJERCICIOS
i.
d.
x8 + 3x4 + 4.
3x2 + 6x + 4y 2xy.
8a3 36a2 b
+ 54ab2 27b3 .
j.
o.
27m6 + 343n9 .
e.
a2 + 4 4a 9b2 .
k.
35m2 n3 70m3 n2 .
p.
a2 + 4ab + 4b2 1.
f.
l.
n2 + 28n 29.
49a10n
g.
12x2 x 6.
b4m
.
81
q.
m.
1
4x2m .
9
1 + 3a2 3a a3 .
3x2 5x 2.
n.
h.
r.
a 2a 35.
216 x12 .
27 27x + 9x x .
A.8. Demostrar que:

i.
ii.
i=
i=1
iii.
n(n + 1)
.
2
i2 =
i=1
A.9. El valor absoluto de un nmero real
x,
denotado con
|x| =
Sean
n(n + 1)(2n + 1)
.
6
|x|,
i3 =
i=1
n(n + 1)
2
se dene como:
x 0;
x < 0.
x,
x,
nmeros reales tales que hacen sentido las siguientes operaciones algebraicas. De-
mostrar que se cumplen las siguientes propiedades:

i.
|x| =
iv.
x2 .
|x + y| |x| + |y|.
ii.
v.
|x| y y x y.
|x y| = |x| |y|.
iii.
vi.
|x/y| = |x|/|y|.
A.10. Encontrar el conjunto de valores de
|x| y x y x y.
x
que satisfacen las siguientes desigualdades:
396
APNDICE A.
g.
a.
4x 7 < 3x + 5.
b.
c.
d.
x+5
0.
2x 1
3x + 7 > 1
2x + 1 < 3.
h.
3x + 7 > 1
2x + 1 < 5.
i.
7
> 3.
2x
|3x 5| 1.
j.
x
2| 6.
3
1
4.
3x 2
1
3| > 6.
x
k.
e.
x2 x 12 < 0.
l.
f.
3 < 4x 9 > 11.
|3x + 1| < 2|x 6|.
Referencias electrnicas
Las siguientes son las pginas web de las que se han tomado algunos ejemplos o ejercicios:
http://recursostic.educacion.es/secundaria/edad/4esomatematicasB/radicales/impresos/quincena2.pdf.
http://www.vitutor.com/di/re/r_e.html.
http://es.wikipedia.org/wiki/Factorizaci%C3%B3n.
http://es.wikipedia.org/wiki/Polinomio.
http://www.galeon.com/damasorojas8/BALDOR.pdf.
http://algebrabaldor.webcindario.com/id181.htm.
http://algebrabaldor.webcindario.com/id303.htm.
http://es.wikipedia.org/wiki/Logaritmo.
http://www.mat.uson.mx/~jldiaz/Documents/Derivadas/Repaso_Logaritmos.pdf.
http://www.vitutor.com/al/log/log.html.
http://www.vitutor.com/al/log/ecu1_Contenidos.html.
http://www.x.edu.uy/liceo26/libro/logaritmos.pdf.
http://recursostic.educacion.es/secundaria/edad/3esomatematicas/3quincena3/3eso_quincena3.pdf.
http://www.vitutor.com/ecuaciones/2/ecu_Contenidos.html.
http://huitoto.udea.edu.co/Matematicas/3.4.html.
http://recursostic.educacion.es/secundaria/edad/3esomatematicas/3quincena3/3eso_quincena3.pdf.
http://facultad.bayamon.inter.edu/edavila/PRECALCULO%20%20ARCHIVOS/ECUACIONES%20Y%20FUNCIONES%20LOGARITMICAS.
htm.
A.11.
EJERCICIOS
397

Apendice
Elementos bsicos de conjuntos

B.1. Introduccin
En este apndice se presentan las nociones fundamentales de conjuntos que se usan frecuentemente
en la disciplina estadstica. Tales conceptos son esenciales para abordar cualquier teora y prctica
cuantitativa en la ciencia y sus anes, en especial la estadstica, en la que estas ideas son parte
primordial de la teora de las probabilidades. Aqu se muestran las nociones relacionadas con las
deniciones fundamentales de conjuntos, algunas propiedades asociadas con las operaciones entre
ellos, ciertas observaciones sobre conjuntos numricos y algunas relaciones entre las funciones y los
conjuntos. La estructura general y parte del contenido de este apndice ha sido tomado del libro de
probabilidad de Blanco (2004), que ha servido como una excelente gua para ilustrar los conceptos
dados.
B.2. Conceptos generales

A continuacin se presentan las generalidades relacionadas con los conjuntos:
Denicin B.2.1.
Un
conjunto
es una coleccin de objetos que a su
vez es considerado como un objeto en s mismo.
Nota. Aunque no es una norma, es costumbre denotar los conjuntos con las letras maysculas del
alfabeto, como
A, B , C ,
y sus elementos con las letras minsculas, como
398
a, b, c,
por ejemplo.
B.2.
399
CONCEPTOS GENERALES
Los objetos de la coleccin pueden ser cualquier cosa. Cada uno de ellos es un
elemento o miembro
del conjunto que a su vez es denido nicamente por stos y por nada ms. En particular, el orden
en el que se representen los elementos de un conjunto es irrelevante. Adems, cada elemento puede
aparecer de manera idntica una sola vez, esto es, no puede haber elementos totalmente idnticos
repetidos.
Nota. Si
A.
a A para indicar
A se escribe x A.
/
es un conjunto entonces se escribe
Si por el contrario
no es un elemento de
Denicin B.2.2.
A = B,
si y solo si
Los conjuntos
que
es un miembro del conjunto
son iguales, lo que se escribe
tienen exactamente los mismos elementos.
Los conjuntos se pueden escribir enumerando todos sus elementos uno por uno o por medio de una
propiedad que todos posean. En el primer caso se dice que el conjunto est dado por
el segundo por
comprensin .
Ejemplo B.2.1.
extensin
y en
El conjunto
A={ , ,
, }
est escrito extensivamente, mientras que el conjunto
B = {x : x
es un nmero primo}
est escrito comprensivamente. Adems, se observa que
2B
A,
/
mientras que
1 B,
/
por ejemplo.
De otra parte, los conjuntos se pueden clasicar como nitos o innitos:
Denicin B.2.3.
Un conjunto cuyo nmero de elementos es un nmero
entero no negativo se llama
conjunto innito .
conjunto nito . En caso contrario se llama
simbolizada con #A, se denomina cardinal de A.

conjunto vaco y se denota con . Adems, cuando
#A = 1 se dice que el conjunto A es un conjunto unitario , es decir, A est constituido por un solo
Nota. La cantidad de elementos de un conjunto
El conjunto que no tiene elementos se denomina

elemento.
A,
400
APNDICE B.
Ejemplo B.2.2.
nito ya que
ELEMENTOS BSICOS DE CONJUNTOS
Teniendo en cuenta los conjuntos del ejemplo B.2.1 se observa que
#A = 4,
mientras que
A es un conjunto
es un conjunto innito porque el conjunto de nmeros primos
no es un conjunto nito.
Denicin B.2.4.
del conjunto
subconjunto
Nota. Cuando el conjunto
B
de
Si todos los elementos del conjunto
se dice que
est
contenido
en
A son elementos
o que A es un
B.
est contenido en el conjunto
cuando existe por lo menos un elemento de
se escribe
que no pertenece a
B,
A B,
se escribe
y en caso contrario,
B.
Adems, se
observa que todo conjunto es un subconjunto de si mismo y que el conjunto vaco es un subconjunto
de todos los conjuntos. En la gura B.1 se muestra un diagrama de Venn
que ilustra la contenencia
entre conjuntos.
Figura B.1: Diagrama de Venn que ilustra un caso en el que

Si
son conjuntos tales que
se dice que
conjunto
es un
AB
subconjunto propio
se escribe
A B.
A B.
y existe por lo menos un elemento de
B . Cuando el conjunto A
si A B entonces A B ,
de
Por lo tanto,
que no est en
A,
es un subconjunto propio del

pero la implicacin contraria
no es cierta. El lector puede dar un ejemplo que rectique este hecho?
Nota. Para demostrar que dos conjuntos

luego que
son iguales es usual demostrar primero que
AB
B A.
Ejemplo B.2.3.
Sea
un conjunto como en el ejemplo B.2.1. Entonces se tiene que
{ ,
}A
pero
{, }
A,
por ejemplo.
Nota. En seguida se expresan simblicamente los aspectos ya mencionados relacionados con la contenencia de conjuntos. Si
1 Los
son dos conjuntos entonces:
diagramas de Venn son ilustraciones usadas en la teora de conjuntos. Estos diagramas se usan para mostrar
grcamente la disposicin de los conjuntos, representando cada conjunto mediante un crculo, un valo o cualquier otra
gura. La posicin relativa de tales crculos muestra la relacin entre los conjuntos involucrados (Wikipedia 2012c).
B.2.
401
CONCEPTOS GENERALES
i.
iii.
A B x A : x B.
A B A B x B : x A.
/
ii.
iv.
El smbolo
smbolos
B x A : x B.
/
A = B A B B A.
se lee si y solo si y representa una equivalencia

se leen respectivamente para todo y existe. Y
entre dos expresiones lgicas. Los

los smbolos
son conectores
lgicos y se leen respectivamente y y o.
Denicin B.2.5.
Se denen las
partes de un conjunto
conjunto conformado por todos los subconjuntos de
Nota. Las partes del conjunto
es un conjunto de conjuntos
como el
A.
denotado con
PA
dado por
PA = {X : X A}.
A partir de la denicin B.2.5 es claro que para cualquier conjunto
Ejemplo B.2.4.
Las partes del conjunto
A = {a, b, c}
se tiene que
PA
A PA .
son:
PA = {; {a}; {b}; {c}; {a, b}; {a, c}; {b, c}; A}.
Se observa que los elementos de
Proposicin B.2.1.
A
Sea
PA
son conjuntos.
un conjunto con
elementos. Entonces la cantidad de subconjuntos de
es
#PA = 2n ,
y adems el nmero de subconjuntos de
con
elementos, con
r n,
es
n!
r!(n r)!
donde
n!
corresponde al producto de todos los enteros desde 1 hasta
n.
Nota. La expresin
Ejemplo B.2.5.
se llama
factorial
y se estudia con cierto detalle en la seccin A.4.
En el ejemplo B.2.4 se observa que la cantidad de subconjuntos del conjunto
#PA = 23 = 8,
y adems el nmero de subconjuntos de
con dos elementos es
321
3!
=
= 3,
2!(3 2)!
(2 1)(1)
por ejemplo.
2 Conjunto
cuyos elementos son a su vez conjuntos.
es
402
APNDICE B.
En las aplicaciones de teora de conjuntos es usual que todos los conjuntos de inters sean subconjuntos
conjunto universo y se denota con
de un conjunto mayor a todos. A este gran conjunto se le llama
U.
B.3. Operaciones entre conjuntos

En esta seccin se presentan las operaciones bsicas entre conjuntos, a saber, la unin, la interseccin,
la diferencia, la diferencia simtrica y el complemento.
Denicin B.3.1.
A B,
La
unin
de dos conjuntos
B , denotada con
A, o de B o de
es el conjunto conformado por los elementos de
ambos. Es decir:
A B = {x : x A x B}.
Nota. De la misma forma, si
A1 , A2 , . . . , An
son
conjuntos entonces la unin de todos ellos est
dada por:
Ai = A1 A2 . . . An = {x : x Ai para
algn
i = 1, 2, . . . , n}.
i=1
Denicin B.3.2.
La
interseccin de dos conjuntos A y B , denotada
A B , es el conjunto
A y de B . Es decir:
con
conformado nicamente por los elementos de
A B = {x : x A x B}.
Nota. De la misma forma, si
A1 , A2 , . . . , An
son
conjuntos entonces la interseccin de todos ellos
est dada por:
Ai = A1 A2 . . . An = {x : x Ai para
todo
i = 1, 2, . . . , n}.
i=1
De otra parte, si
son dos conjuntos tales que
AB =
entonces se dice que
son
excluyentes o disjuntos . En la gura B.2 se muestra un ejemplo de un par de conjuntos con esta
caracterstica.
B.3.
403
OPERACIONES ENTRE CONJUNTOS
Figura B.2: Diagrama de Venn asociado con un par de conjuntos disjuntos.
Denicin B.3.3.
con
A B,
La
diferencia
de dos conjuntos
B,
B.
pertenecen a
denotada
que no
Es decir:
A B = {x : x A x B}.
/
Nota. Se observa que la diferencia de conjuntos no es conmutativa, esto es,
A B = B A. El lector
puede dar un ejemplo que rectique este hecho?
Denicin B.3.4.
o de
B,
La
A B,
denotada con
diferencia simtrica
de dos conjuntos
B,
A
pero no de ambos. Es decir:
A B = {x : (x A x B) (x A x B)}.
/
/
El complemento de un conjunto A respecto al conU , denotado con AC , es el conjunto conformado por todos
que pertenecen a U pero que no estn en A. Es decir:
Denicin B.3.5.
junto universo
los elementos
AC = {x : x U x A}.
/
Proposicin B.3.1.
Sean
A, B
subconjuntos de un conjunto universo
U.
Entonces se cumplen
las siguientes leyes:

i.
Leyes conmutativas:
a.
ii.
A B = B A.
Leyes asociativas:
iii.
A (B C) = (A B) C = A B C .
b.
A B = B A.
b.
a.
A (B C) = (A B) C = A B C .
Leyes distributivas:
a.
A (B C) = (A B) (A C).
404
APNDICE B.
b.
d.
A (B C) = (A B) (A C).
c.
iv.
A (B C) = (A B) (A C).
(A B) C = (A C) (B C).
e.
A (B C) = (A B) (A C).
f.
(A B) (A B) = A.
g.
(A B) (A B) = .
Leyes complementarias:
a.
b.
A AC = .
c.
A U = U.
d.
A U = A.
e.
A = A.
f.
v.
A AC = U .
A = .
vi.
Leyes de De-Morgan:
a.
b.
vii.
Leyes de la diferencia:
a.
Leyes de idempotencia:
A B = (A B) B .
viii.
A A = A.
b.
A B = A (A B).
c.
(A B)C = AC B C .
a.
A B = A BC .
b.
(A B)C = AC B C .
A A = A.
Ley involutiva:
AC
= A.
En la gura B.3 se muestran los diagramas de Venn para las operaciones entre conjuntos.
Ejemplo B.3.1.
Sean A = {1, 2, 3, 4, 5, 6, 7} y B = {2, 4, 6, 8} dos subconjuntos del conjunto universo

U = {1, 2, 3, 4, 5, 6, 7, 8, 9}. Escribir extensivamente:
a.
c.
A B.
e.
A B.
d.
b.
f.
AC .
B A.
A B.
B.
Solucin:
d.
a.
A B = {1, 2, 3, 4, 5, 6, 7, 8}.
b.
B A = {8}.
e.
A B = {2, 4, 6}.
c.
A
f.
AC = {8, 9}.
A B = {1, 3, 5, 7}.
Se observa que
B = {1, 3, 5, 7, 8}.
BA
es un subconjunto unitario de
U.
B.3.
405
OPERACIONES ENTRE CONJUNTOS
Ejemplo B.3.2.
Sean
U.
Utilizando las leyes de la
proposicin B.3.1, reducir lo mximo posible:
A BC
Solucin:
A BC
= AC B C
= AC B B
B
C
= AC (B B)
= AC B
= AC
BC
= A BC .
Figura B.3: Diagramas de Venn para las operaciones entre conjuntos. De izquierda a derecha y de arriba a abajo:
A B , A B , A B , B A, A B
AC .
Denicin B.3.6.
Sea
A = {A1 , A2 , . . . , An } una coleccin de subconU . Se dice que A es una particin de
juntos de un conjunto universo
si se satisface que:
i.
ii.
iii.
i = 1, 2, . . . , n : Ai = .
i, j = 1, 2, . . . , n, i = j : Ai Aj = .
n
i=1
Ai = U .
406
APNDICE B.
Nota. De otra forma, la denicin B.3.6 establece que los subconjuntos de una particin de un conjunto
universo
deben ser tales que: i. ninguno de ellos sea vaco, ii. todos sean disjuntos dos a dos y iii. la
unin de todos ellos debe ser igual a
Ejemplo B.3.3.
Sea
U.
como en el ejemplo B.3.1. La coleccin de subconjuntos
A = {{5, 7, 9}, {2, 4, 6, 8}, {1, 3}}

es una particin de
i.
ii.
iii.
dado que:
{5, 7, 9} = , {2, 4, 6, 8} =
{1, 3} = .
{5, 7, 9} {2, 4, 6, 8} = , {5, 7, 9} {1, 3} =
{2, 4, 6, 8} {1, 3} = .
{5, 7, 9} {2, 4, 6, 8} {1, 3} = U .
B.4. Conjuntos numricos

A continuacin se muestran algunas generalidades sobre conjuntos numricos, desde los nmeros naturales hasta los nmeros complejos.
Denicin B.4.1.
con
N,
El conjunto de los
nmeros naturales , denotado
es el conjunto conformado por los nmeros para contar. Esto es:
N = {1, 2, 3, 4, . . .}.
Nota. Puesto que los nmeros naturales se utilizan para contar objetos, el 0 puede considerarse el
nmero que corresponde a la ausencia de los mismos. Dependiendo del autor y de la tradicin, el
conjunto de los nmeros naturales puede presentarse con o sin el 0. Adems, se dice que el conjunto
3
de los nmeros naturales es un conjunto innito numerable .
Denicin B.4.2.
Z,
El conjunto de los
nmeros enteros , denotado con
es el conjunto conformado por los nmeros naturales, los opuestos
aritmticos de stos y el 0. Esto es:
Z = {. . . , 4, 3, 2 1, 0, 1, 2, 3, 4, . . .}.
3 Un
conjunto se llama
numerable
cuando existe una funcin biyectiva (detalles en la seccin C.2) entre dicho
conjunto y el conjunto de los nmeros naturales o un subconjunto nito del mismo. En caso contrario se dice que el
conjunto es
no numerable . Se observa que todo conjunto no numerable es un conjunto innito.
B.4.
407
CONJUNTOS NUMRICOS
Nota. Al igual que el conjunto de los nmeros naturales, el conjunto de los nmeros enteros tambin
4
es un conjunto innito numerable . Adems, se observa que
N Z,
es decir, todo nmero natural es
un nmero entero.
Denicin B.4.3.
con
Q,
El conjunto de los
nmeros racionales , denotado
es el conjunto conformado por todos los nmeros dados por el
cociente entre un nmero entero y un numero natural. Esto es:
Q=
a
:aZbN .
b
Nota. Al igual que el conjunto de los nmeros enteros, el conjunto de los nmeros racionales tambin
es un conjunto innito numerable. Adems, se observa que
Z Q,
es decir, todo nmero entero es un
nmero racional.
Todo nmero racional admite una representacin decimal, obtenida al dividir el numerador entre el
denominador. Esto da lugar a dos tipos de expresiones decimales, a saber, las exactas y las peridicas.
Por ejemplo,
1
2
= 0.5
es una expansin decimal exacta y
1
3
= 0.33333 . . .
es una expansin decimal
peridica.
Denicin B.4.4.
tado con
I,
El conjunto de los
nmeros irracionales , deno-
es el conjunto conformado por todos los nmeros que no
son racionales, es decir, aquellos que no pueden ser expresados como el

cociente entre un nmero entero y un nmero natural.
Nota. El conjunto de los nmeros irracionales es un conjunto innito no numerable. Adems, se observa
que
Q I = .
De esta forma, los nmeros irracionales no admiten una representacin decimal exacta o peridica
y por lo tanto tales nmeros tienen una expansin decimal innita no peridica. En general, toda
expresin decimal de los nmeros irracionales es solo una aproximacin en nmeros racionales al
nmero irracional referido. Por ejemplo, el nmero racional 1.4142135 es una aproximacin a siete cifras
decimales del nmero irracional
se dice que
4 Se
2,
el cual posee innitas cifras decimales no peridicas. Entonces,
es aproximadamente igual a 1.4142135, lo que se escribe
f : Z N dada por:
si n N;
2n,
1,
si n = 0;
f (n) =
2(n) + 1, si n Z (N {0}) .
puede demostrar que la funcin
es una funcin biyectiva entre
N.
2 1.4142135.
Debido a
408
APNDICE B.
ello, los nmeros irracionales ms conocidos son identicados mediante smbolos especiales . Adems,
los nmeros irracionales se clasican en dos tipos, a saber, los algebraicos y los trascendentes. Por
ejemplo,
es un nmero irracional algebraico y
es un nmero racional trascendente. Queda como
ejercicio para el lector profundizar ms sobre esta clasicacin.
Denicin B.4.5.
R,
El conjunto de los
nmeros reales , denotado con
es el conjunto conformado por los nmeros racionales y los nmeros
irracionales. Esto es:
R = {x : x Q x I}.
Nota. El conjunto de los nmeros reales es un conjunto innito no numerable. Adems, se observa
que
Q R, I R
R = Q I.
El conjunto de los nmeros reales incluye a todos los conjuntos numricos descritos hasta el momento
y a su vez hace parte de un conjunto de nmeros ms general denominado conjunto de los
complejos .
donde
nmeros
Este conjunto se denota con
y est conformado por los nmeros de la forma
son nmeros reales e
es la
C
i = 1
de los nmeros complejos est conformado por los nmeros reales (nmeros de la forma
nmeros imaginarios puros (nmeros de la forma
(nmeros de la forma
a + bi
con
a=0
a + bi
unidad imaginaria . De esta forma, el conjunto
0 + bi
con
b = 0)
a + 0i),
los
y los nmeros complejos mixtos
b = 0).
A continuacin se denen algunos conjuntos de uso frecuente en el clculo y la estadstica:
Denicin B.4.6.
los
intervalos :
Sean
nmeros reales tales de
a b.
Se denen
(a, b) = {x R : a < x < b},
[a, b] = {x R : a x b},
(a, b] = {x R : a < x b},
[a, b) = {x R : a x < b},
(a, ) = {x R : x > a},

(, b) = {x R : x < b},
Nota. Los smbolos
[a, ) = {x R : x a},
(, b] = {x R : x b}.
y se leen respectivamente menos innito

(, ) coincide con R.
y ms innito y no son nmeros
reales. Adems, el intervalo
5 Tres
nmeros irracionales muy conocidos son: el nmero
de una circunferencia y su dimetro; el nmero

C.3); y el nmero
1.6180
e 2.7182
3.1415
que corresponde a la razn entre la longitud
l n 1 +
m
por (1 +
5)/2.
que corresponde a
que corresponde a la proporcin urea dada
1 n
(detalles en la seccin
n
B.5.
409
FUNCIONES Y CONJUNTOS
B.5. Funciones y conjuntos

En esta seccin se presentan algunos conceptos asociados con las funciones y los conjuntos.
Denicin B.5.1.
f : A B una funcin denida entre el conjunto

es un subconjunto de B entonces el conjunto de
elementos de A cuyas imagines son elementos de C , se denomina imagen
inversa de C por f y se denota con f 1 (C). Esto es:
y el conjunto
B.
Sea
Si
f 1 (C) = {x A : f (x) C}.

Anlogamente, si
es un subconjunto de
entonces al subconjunto de
cuyos elementos son las imgenes de los elementos de
imagen directa
de
por
y se denota con
f (D).
D por f
se llama
Esto es:
f (D) = {f (x) : x D}.
Nota. No se debe confundir la notacin de la imagen inversa de un subconjunto

1
simbolizada con
(C),
con la inversa de una funcin evaluada en
en la seccin C.2).
Ejemplo B.5.1.
Sea
f :RR
a.
una funcin dada por
f (x) = x2 + 1.
Hallar:
b.
f 1 ([17, )) .
f ((0, 1]) .
Solucin:
a.
f 1 ([17, )) = {x R : f (x) [17, )}

= {x R : f (x) 17}
= {x R : x2 + 1 17}
= {x R : x2 16}
= {x R : x 4 x 4}
= (, 4] [4, ).
b.
f ((0, 1]) = {f (x) : x (0, 1]}
por una funcin
denotada con
f 1 (x)
(detalles
410
APNDICE B.
= {x2 + 1 : x (0, 1]}

= (f (0), f (1)]
= (02 + 1, 12 + 1]
= (1, 2].
Algunas de las propiedades ms importantes de las imagen inversa de conjuntos por una funcin estn
resumida a continuacin:
Proposicin B.5.1.
N1
N2
Sea
f : A B una funcin
B entonces:
denida entre el conjunto
y el conjunto
B.
Si
N,
son subconjuntos de
i.
iii.
f f
(N ) N.
f 1 (N1 N2 ) = f 1 (N1 ) f 1 (N2 ).
ii.
iv. Si
N1 N2
f 1 (N1 N2 ) = f 1 (N1 ) f 1 (N2 ).
se sigue que
f 1 (N1 ) f 1 (N2 ).
B.6. Ejercicios
B.1. Demostrar que si
a.
A B = B.
B.2. Sean
A, B
son dos conjuntos tales que

b.
A B = A.
CC
A BC C
A1 , A2 , . . . , An
entonces:
A B = .
a.
satisface que:
c.
AB
U.
d.
A B = B A.
Reducir lo mximo posible:
b.
AC B
son
CC B .
entonces se
B.6.
411
EJERCICIOS
a.
b.
Ai
i=1
A1 A2
Ai
i=1
A1
A2
AC .
i
i=1
AC .
i
=
i=1
son colecciones de subconjuntos de un conjunto universo
tales que
entonces
A2 A1 A1 A2
donde
Ai = {x : x X
para
para todo
X Ai }
Ai = {x : x X
para algn
X Ai }
i = 1, 2.
es una particin de un conjunto universo
AP = {X P : X A}
es una particin de
P.
B.6. Realizar un diagrama de Venn de
N, Z, Q, I, R
C.
P U,
entonces

Apendice
Elementos bsicos de clculo

C.1. Introduccin
En este apndice se presentan las nociones fundamentales del clculo usadas frecuentemente en la
disciplina estadstica. Tales ideas se presentan con el propsito de facilitar la aproximacin del lector a
las probabilidades desde la perspectiva de las variables aleatorias continuas. En este apndice, basado
principalmente en el libro de clculo de una variable de Thomas (2006) de donde se han tomado
textualmente variados conceptos y ejemplos se muestran los aspectos tericos del clculo univariado
relacionados con las funciones, los lmites las derivadas y las integrales. Se deja como ejercicio para el
lector que consulte todas las demostraciones de las proposiciones dadas en este apndice.
C.2. Funciones
Las funciones representan el principal objeto de anlisis en el clculo y la estadstica, ya que constituyen
la clave para describir los fenmenos del mundo real en trminos matemticos. Cuando el valor de una
cantidad variable
depende y est totalmente determinado por el valor de otra cantidad variable
un conjunto (detalles en el apndice B), se dice que y es una funcin de la variable

el valor de
x de
x. Frecuentemente
x. Una manera
est dado por una frmula que indica como calcularlo a partir del valor de
simblica de expresar y es una funcin de la variable
x
consiste en escribir
y = f (x)
donde
representa la funcin. Aqu, la variable
se llama
variable dependiente .
x se denomina variable
412
independiente y la variable
C.2.
413
FUNCIONES
Denicin C.2.1.
conjunto
B,
funcin
f denida entre un conjunto A y

f : A B , es una regla que asigna
cada elemento x A.
Una
denotada con
elemento nico
yB
Nota. En la denicin C.2.1, el conjunto

los valores de
y = f (x)},
a medida que
varia en
se llama
un
un
dominio de la funcin y el conjunto de todos

rango , esto es, el conjunto dado por {y B :
se denomina
de la funcin, que puede o no coincidir con todos los elementos del conjunto
A.
Adems,
cuando el rango de una funcin es un subconjunto de los nmeros reales, se dice que la funcin es una
funcin de valor real

Ejemplo C.2.1.
En la tabla C.1 se muestran el dominio y el rango de algunas funciones y en la gura
C.1 se presenta la grca
de cada una de ellas.
Funcin
Dominio
Rango
Tipo
f1 (x) = x2
f2 (x) = 1/x
f3 (x) = x
f4 (x) = sin(x)
f5 (x) = ex
f6 (x) = ln(x)
(, )
(, ) {0}
[0, )
(, )
(, )
(0, )
[0, )
(, ) {0}
[0, )
[0, 1]
(0, )
(, )
Polinomial
Racional
Exponencial
Trigonomtrica
Exponencial
Logartmica
Tabla C.1: Dominio, rango y clasicacin de algunas funciones.
Los siguientes son algunos tipos de funciones:
Una
funcin polinomial
f (x) = an xn + an1 xn1 + . . . + a1 x + a0

donde
a0 , a1 , . . . , an1 , an
se denomina
grado
son nmeros reales con
an = 0
es un entero no negativo que
del polinomio (detalles en la seccin A.7). Las
funciones polinomiales de grado 1, las
funciones cuadrticas
funciones lineales
son
son funciones polinomiales de
grado 2, etc. El dominio de todas las funciones polinomiales es el conjunto de los nmeros reales.
Una
funcin racional
f (x) =
p(x)
q(x)
p(x) y q(x) son funciones polinomiales. El dominio de una funcin racional

q(x) = 0}, es decir, el conjunto de todos lo nmeros reales tales que q(x) = 0.
donde
1 En
2 La
es
{x R :
este apndice todas las funciones los son.
grca
coordenadas son
de una funcin
(x, f (x))
donde
y = f (x) consiste en el conjunto de

x es cualquier valor del dominio de la
todos los puntos en el plano cartesiano cuyas

funcin.
414
APNDICE C.
ELEMENTOS BSICOS DE CLCULO
Figura C.1: Grcas de las funciones de la tabla C.1.
Una
funcin algebraica es una funcin constituida a partir de polinomios usando las operacio3
nes algebraicas . Las funciones polinomiales y racionales son un caso particular de las funciones
algebraicas.
funciones trigonomtricas , a saber, sin(x), cos(x), tan(x), cot(x), sec(x) y csc(x).

Una funcin exponencial es una funcin de la forma
Las
f (x) = bx
donde
Una
b = 1 denominado base . El
(, ) y (0, ) respectivamente.
es un nmero real positivo tal que
todas las funcione exponenciales es
funcin logartmica
dominio y el rango de
f (x) = logb (x)

donde
es una base (detalles en la seccin A.9). Las funciones logartmicas son las funciones
inversas de las funciones exponenciales. El dominio y el rango de todas las funciones logartmicas
es
(0, )
3 Suma,
(, )
respectivamente.
resta, multiplicacin, divisin y potenciacin.
C.2.
415
FUNCIONES
Una
funcin trascendente es una funcin no algebraica. Entre ellas se encuentran las funciones
trigonomtricas, las exponenciales y las logartmicas.
En la tabla C.1 se presenta la clasicacin de algunas funciones.
Denicin C.2.2.
si
f (x) = f (x).
impar
Ejemplo C.2.2.
que la funcin
si y solo si
La funcin
f2 (x) = x
Una funcin
y = f (x)
es una
De otra parte, una funcin
funcin par
y = f (x)
es una
si y solo
funcin
f (x) = f (x).
f1 (x) = x2
f1 (x) = (x)2 = x2 , mientras

f2 (x) = (x)3 = x3 . En la gura C.2
es una funcin par dado que
es una funcin impar puesto que
se presenta la grca de ambas funciones.
Nota. La grca de una funcin par es simtrica respecto al eje
y la grca de una funcin impar
es simtrica respecto al origen .
Figura C.2: Grcas de las funciones del ejemplo C.2.2.
A continuacin se denen algunos tipos de funciones que satisfacen ciertas propiedades especiales en
relacin con el dominio y el rango:
4 Punto
en el plano cartesiano de coordenadas (0,0).
416
APNDICE C.
Denicin C.2.3.
Sea
Entonces:
y el conjunto
i. Se dice que
B.
f
f : A B una funcin denida entre el conjunto
es una funcin
a1
par de elementos
a2
de
inyectiva o uno-a-uno
A
tales que
f (a1 ) = f (a2 )
si para cada
se sigue que
a1 = a2 .
ii. Se dice que
de
B,
es una funcin
existe un elemento
iii. Se dice que
es
nico elemento
biyectiva
de
sobreyectiva
de
tal que
si para cada elemento
si para cada elemento
tal que
f (a) = b.
b
de
B,
existe un
f (a) = b.
Nota. Usando la notacin de la denicin C.2.3, las funciones inyectivas tambin se pueden denir
f es una funcin inyectiva si para cada par de elementos a1 y a2 de A tales que

f (a1 ) = f (a2 ). Por qu estas dos deniciones de funcin inyectiva coinciden?
como sigue: se dice que
a1 = a2
se sigue que
Adems, toda funcin biyectiva es tanto inyectiva como sobreyectiva.
Ejemplo C.2.3.
Demostrar que la funcin
f : (0, ) R
denida por
f (x) = ln(x)
es biyectiva.
Solucin:
Esta funcin es inyectiva puesto que si
f (x2 )
x1
x2
son un par de elementos de
(0, )
tales que
f (x1 ) =
entonces:
ln(x1 ) = ln(x2 )
eln(x1 ) = eln(x2 )
x1 = x2 .
Adems, esta funcin tambin es sobreyectiva porque para cualquier nmero real
real positivo
que
tal que
a saber,
x = ey .
y , existe un nmero
f es biyectiva dado
es tanto inyectiva como sobreyectiva.
Ejemplo C.2.4.
real
ln(x) = y ,
f : R R dada por f (x) = x2 no es inyectiva ya que para todo nmero

f (x) = f (x). Adems, esta funcin tampoco es sobreyectiva porque no existe
La funcin
se tiene que
ningn nmero real que tenga como imagen un nmero real negativo dado. No obstante, si la funcin
f (x) = x2
se redene de forma tal que
f : [0, ) [0, ) entonces
se sigue que
es biyectiva. Queda
como ejercicio para el lector demostrar este hecho.
Proposicin C.2.1.
Sea
f :AB
una funcin denida entre el conjunto
#A #B .
i. Si
es inyectiva entonces
ii. Si
es sobreyectiva entonces
iii. Si
es biyectiva entonces
#A #B .
#A = #B .
y el conjunto
B.
C.2.
417
FUNCIONES
Como cada valor de una funcin uno-a-uno proviene de una y solo una entrada, el efecto de la funcin
se pude invertir, enviando la salida de regreso a la entrada de la que vino bajo la funcin.
Denicin C.2.4.
rango
R.
y = f (x) una funcin inyectiva con dominio A y

funcin inversa de f , denotada con f 1 , como
Sea
Se dene la
la funcin dada por:
f 1 (b) = a
donde
son elementos de
respectivamente.
Nota. Es claro que el dominio y el rango de la funcin

el rango y el dominio de
subconjunto
f.
Ejemplo C.2.5.
f 1
de la denicin C.2.4 son respectivamente
Adems, no se debe confundir la notacin de la imagen inversa de un
por una funcin
de una funcin evaluada en
f (a) = b,
siempre que
f 1 (C)
(x).
simbolizada con
denotada con
Determinar la funcin inversa de
(detalles en la seccin B.5), con la inversa
f (x) = e2x + 1.
Solucin:
Haciendo
y = f (x)
se sigue que:
y = e2x + 1
y 1 = e2x
ln(y 1) = ln e2x
ln(y 1) = 2x
ln(y 1)
=x
2
y por lo tanto
ln(x 1)
2
1
para x > 1. En la gura C.3 se muestra la grca de f y f
.
1
observa la grca de f y en la pare inferior la grca de f
. Se
de la otra respecto a la recta y = x.
f 1 (x) =
Nota. Si
es una funcin inyectiva y
En la parte superior de la recta se

observa que cada curva es el reejo
es un punto del dominio de
entonces se sigue que
f 1 f (x) = x.
Como los nmeros, las funciones tambin se pueden sumar, restar, multiplicar y dividir excepto
cuando el denominador es 0 para obtener nuevas funciones. Si
f (x)
g(x)
son funciones entonces
418
APNDICE C.
Figura C.3: Grcas de las funciones del ejemplo C.2.5.
para toda
que pertenezca al dominio de ambas funciones y siempre que
cociente se denen las funciones
f + g, f g, f g
f /g
g(x) = 0
en el caso del
como sigue:
(f + g)(x) = f (x) + g(x),

(f g)(x) = f (x) g(x),
(f g)(x) = f (x)g(x),
y
(f /g) (x) =
f (x)
.
g(x)
Las funciones tambin se pueden multiplicar por un nmero real. Si

nmero real entonces para toda
en el dominio de
se dene:
(cf )(x) = cf (x).
La composicin es otra forma de combinar funciones:
f (x)
es una funcin y
es un
C.2.
419
FUNCIONES
Denicin C.2.5.
f (x) y g(x) funciones tales que el rango de g(x)

f (x). Se dene la composicin entre
con f g , como
Sean
es un subconjunto del dominio de
f (x)
g(x),
denotada
(f g)(x) = f (g(x)).
Nota. El dominio de la funcin
de
para los que
g(x)
f g
est conformado por todos los nmeros reales
f.
est denida en el dominio de
del dominio
Adems, la composicin de funciones no es
conmutativa, es decir,
f g = g f.
El lector puede dar un ejemplo que rectique este hecho?
Las operaciones aritmticas y la composicin entre funciones se puede extender a un caso ms general
en el que se operen tres o ms funciones. Por ejemplo:
fi
(x) =
i=1
donde
f1 (x), f2 (x), . . . , fn (x)
Ejemplo C.2.6.
Sean
son
fi (x)
i=1
funciones.
f (x) = x2 , g(x) = 2x + 1
a.
c=
2
3 . Hallar:
d.
(cf )(x).
b.
(f g)(x).
e.
(f + g)(x).
c.
(f /g) (x).
f.
(f g)(x).
(f g)(x).
Solucin:
= x2 + 2x + 1.
a.
(cf )(x) = cf (x)

2
= x2 .
3
c.
(f g)(x) = f (x) g(x)

= x2 (2x + 1)
= x2 2x 1.
b.
(f + g)(x) = f (x) + g(x)

2
= x + (2x + 1)
d.
(f g)(x) = f (x)g(x)
420
APNDICE C.
= x2 (2x + 1)
3
f.
= 2x + x .
(f g)(x) = f (g(x))
e.
= f (2x + 1)
f (x)
(f /g)(x) =
g(x)
x2
=
.
2x + 1
= (2x + 1)2 .
C.3. Lmites
El concepto de lmite es fundamental en clculo y la estadstica dado que no son pocos los operadores matemticos y los fenmenos naturales que se fundamentan en este concepto. Intuitivamente, si
y = f (x)
es una funcin denida en un intervalo abierto alrededor de un nmero real
posiblemente, en el mismo punto

para toda
x0 ,
cuando
lo sucientemente cerca de
Denicin C.3.1.
Sea
x0 ,
f (x)
x0 . Se
real L, lo
lmite
dice que el
el nmero
f (x)
se aproxima a
cuando
se acerca a
L
x0 .
una funcin denida en un intervalo
abierto alrededor de un nmero real

mismo punto
excepto,
se acerca tanto como se quiera al nmero real
se dice que
y = f (x)
x0 ,
x0 ,
de
excepto, posiblemente, en el
f (x)
cuando
tiende a
x0
que se escribe
es
l f (x) = L,
m
xx0
si, para cada nmero
x,
> 0,
existe un nmero
>0
tal que, para toda
se tiene que
0 < |x x0 | < |f (x) L| < .
Nota. En la denicin C.3.1, el valor de

valor menor a un
Ejemplo C.3.1.
no es nico y depende del valor de
Demostrar que
l (2x + 1) = 3.
m
x1
Solucin:
. Adems, cualquier
que cumpla la condicin dada satisface la implicacin requerida.
C.3.
421
LMITES
Siguiendo la denicin C.3.1 se tiene que

dado, se debe encontrar un nmero
>0
x0 = 1, f (x) = 2x + 1 y L = 3.
x, se siga que
As, para cualquier
>0
tal que, para toda
0 < |x 1| < |f (x) 3| < .

Para determinar
, se trabaja hacia atrs a partir de la ltima desigualdad de tal forma que sea posible
. De esta forma:
identicar un posible valor de
|f (x) 3| < |(2x + 1) 3| <

|2x 2| <
|2(x 1)| <
|2||x 1| <
|x 1| <
Por lo tanto, es posible seleccionar
> 0,
= /2,
o cualquier otra cantidad menor que
/2.
Luego, dado
se tiene que:
0 < |x 1| <
0 < 2|x 1| <

0 < |2(x 1)| <
0 < |2x 2| <
0 < |2x + 1 3| <
0 < |f (x) 3| < .
Esto prueba que
l x1 (2x + 1) = 3.
m
Proposicin C.3.1.
polinomial de grado
c es un nmero real y f (x) = an xn +an1 xn1 +. . .+a1 x+a0

n donde a0 , a1 , . . . , an son nmeros reales con an = 0 y n es un
Si
es una funcin
nmero entero
no negativo, entonces
l f (x) = an cn + an1 cn1 + . . . + a1 c + a0 .

m
xc
Ejemplo C.3.2.
Calcular:
l
m
x1
x2 3x + 1 .
Solucin:
Como
f (x) = x2 3x + 1
es una funcin polinomial de grado de 2, entonces el lmite se obtiene
evaluando directamente en la funcin como sigue:
l (x2 3x + 1) = (1)2 3(1) + 1 = 5.

m
x1
422
APNDICE C.
Proposicin C.3.2.
Si
p(x) y q(x) son funciones polinomiales y c es un nmero real tal que q(c) = 0,
entonces
p(x)
p(c)
=
.
xc q(x)
q(c)
l
m
Ejemplo C.3.3.
Calcular:
x2 3x + 5
.
x2
x1
l
m
Solucin:
p(x)
x2 3x+5
2
x1
q(x) donde p(x) = x 3x + 5 y q(x) = x 1
son funciones polinomiales con q(2) = 0, entonces el lmite se obtiene evaluando directamente en la
Como
f (x) =
funcin como sigue:
22 3(2) + 5
x2 3x + 5
=
= 3.
x2
x1
21
l
m
A continuacin se introducen algunas reglas que permiten calcular lmites de funciones que son combinaciones aritmticas de otras funciones cuyos lmites ya se conocen:
Proposicin C.3.3.
Sean
nmeros reales, y
f (x)
g(x)
dos funciones cuyos lmites existen.
Entonces, donde las funciones correspondientes hagan sentido, se cumplen las siguientes reglas de los
lmites:
i)
Regla del lmite de una funcin constante:

l (k) = k.
m
xc
ii)
Regla del lmite del mltiplo constante:

l (kf (x)) = k l f (x).
m
m
xc
iii)
xc
Regla del lmite de una suma:

l (f (x) + g(x)) = l f (x) + l g(x).
m
m
m
xc
iv)
xc
xc
Regla del lmite de un producto:

l (f (x)g(x)) = l f (x) l g(x) .
m
m
m
xc
v)
xc
xc
Regla del lmite de un cociente:

l
m
xc
siempre que
l xc g(x) = 0.
m
f (x)
g(x)
l xc f (x)
m
l xc g(x)
m
C.3.
vi)
423
LMITES
Regla del lmite de la potencia:

r
l
m (f (x)) s
r
s
= l f (x)
m
xc
xc
siempre que las operaciones asociadas hagan sentido, donde
s son nmeros enteros sin factores
s = 0.
comunes con
Nota. Al combinar las reglas de la suma y del mltiplo constante, se obtiene la
una diferencia :
regla del lmite de
l (f (x) g(x)) = l f (x) l g(x).

m
m
m
xc
Ejemplo C.3.4.
xc
xc
Calcular:
a.
d.
l
m
x2
l 3(2x 1)2 .
m
4x2 3.
x2
e.
b.
l
m
x1
l
m
x(3x 1)2 .
x0
x2 x + 1 .
f.
c.
l
m
l (x 5)(x 7).
m
x3
x6
Solucin:
a.
l
m
x2
4x2 3 =
=
=
l (4x2 3)
m
x2
4(2)2 3
13.
b.
l
m
x1
x(3x 1)2 =
l (x(3x 1)2 )
m
x1
=
=
l (x) l (3x 1)2

m
m
x1
x1
(1) l (3x 1)
m
x1
(3(1) 1)
4.
x+2
.
+73
x2
424
APNDICE C.
c.
l (x 5)(x 7) =
m
l (x 5) l (x 7)
m
m
x6
x6
x6
= (6 5) (6 7)
= 1.
d.
l 3(2x 1)2 =
m
l (2x 1)2
m
l (3)
m
x2
x2
x2
= (3)
l (2x 1)
m
x2
= 3(2(2) 1)2
= 75.
e.
l
m
x0
x2 x + 1 = l
m
x0
x2 + l (x + 1)
m
l x
m
x0
x0
2
3
+ (0 + 1)
= 03 + 1
= 1.
f.
l
m
x3
x+2
l x3 (x + 2)
m
=
x2 + 7 3
l x3
m
x2 + 7 3
3 + 2
=
l x3 x2 + 7 l x3 (3)
m
m
1
=
1
(l x3 (x2 + 7)) 2 3
m
1
=
(3)2 + 7 3
= 1.
Se debe tener presente que los smbolos
no representan nmeros reales. Se usan para des-
cribir el comportamiento de una funcin cuando los valores sobrepasan cualesquiera cotas nitas. Por
f (x) = 1/x est denida para todo nmero real diferente de 0; cuando x es positiva
1/x se hace cada vez ms pequeo. Se dice
lmite cuando x tiende a innito de f (x) = 1/x es igual a 0.
ejemplo, la funcin
y se hace cada vez ms grande, se tiene que el cociente

entonces que el
C.3.
425
LMITES
Denicin C.3.2.
cuando
Se dice que
y = f (x)
lmite
tiene
el nmero real
x,
se
tiende a innito, lo que se escribe
l f (x) = L,
m
> 0,
si, para cada nmero
existe un nmero
tal que, para toda
tiene que
x > |f (x) L| < .

Se dice que
y = f (x)
tiene
lmite
el nmero real
cuando
tiende a
menos innito, lo que se escribe
l
m f (x) = L,
> 0,
si, para cada nmero
existe un nmero
tal que, para toda
x,
se
tiene que
x < |f (x) L| < .
Intuitivamente, siguiendo la notacin de la denicin C.3.2,

cada vez ms del origen en direccin positiva,
l x f (x) = L
m
cada vez ms a L.
Ejemplo C.3.5.
si cuando
f (x)
l x f (x) = L si
m
L. De
se acerca cada vez ms a
cuando
se aleja
la misma manera,
se aleja cada vez ms del origen en direccin negativa,
f (x)
se acerca
Demostrar que:
l
m
1
= 0.
x
Solucin:
Siguiendo la denicin C.3.2 se tiene que
encontrar un nmero
tal que, para toda
f (x) = 1/x y L = 0.
x, se siga que
Para cualquier
>0
dado, se debe
x > |f (x) 0| = |f (x)| < .

Esta implicacin se satisface si
= 1/
porque
x>
puesto que
>0
x > 0.
Esto prueba que
>
1
1
< ,
x
x
l x
m
1
x
= 0.
Nota. Se deja como ejercicio para el lector demostrar que
l x (1/xn ) = 0
m
donde
es un entero
positivo.
Las propiedades de los lmites al innito son anlogas a las de la proposicin C.3.3 y se utilizan de la
misma manera.
426
APNDICE C.
Ejemplo C.3.6.
Calcular:
3x2 5x + 2
.
x 6x2 + 2x 1
l
m
Solucin:
3x2 /x2 5x/x2 + 2/x2

3x2 5x + 2
= l
m
x 6x2 + 2x 1
x (6x2 /x2 ) + (2x/x2 ) (1/x2 )
l
m
3 (5/x) + 2/x2
x 6 + (2/x) (1/x2 )
= l
m
=
l x 3 (5/x) + 2/x2
m
l x (6 + (2/x) (1/x2 ))
m
l x (3) l x (5/x) + l x 2/x2

m
m
m
l x (6) + l x (2/x) l x (1/x2 )
m
m
m
3 5 l x (1/x) + 2 l x 1/x2
m
m
6 + 2 l x (1/x) l x (1/x2 )
m
m
3 5(0) + 2(0)
=
6 + 2(0) (0)
1
= .
2
=
Nota. Los siguientes son un par de lmites al innito de uso comn asociados con la funcin exponencial:
ex = l
m
1+
x
n
n
y
ex = l
m
i=1
xi
.
i!
Nota. Se deja como ejercicio para el lector consultar los detalles de los
lmites laterales .
lmites innitos
y los
Cuando se dibujan los valores de una funcin, ya sea generados en un laboratorio o recopilados en
campo es frecuente que los puntos se unan mediante una curva continua para mostrar los valores de
la funcin en los tiempos que no se midieron. Al hacerlo, se supone que se est trabajando con una
funcin continua, de manera que los resultados varan de forma continua de acuerdo con los datos en
lugar de saltar de un valor a otro sin tomar en cuenta los valores intermedios.
5 Las
siguientes son las deniciones asociadas con innito y menos innito como lmites:
y = f (x) tiende a cuando se aproxima a x0 , lo que se escribe l xx0 f (x) = , si, para todo nmero
m
> 0 tal que, para toda x, se tiene que 0 < |x x0 | < f (x) > .
Se dice que y = f (x) tiende a cuando se aproxima a x0 , lo que se escribe l xx0 f (x) = , si, para todo nmero
m
, existe un nmero > 0 tal que, para toda x, se tiene que 0 < |x x0 | < f (x) < .
Se dice que
, existe un nmero
C.4.
427
DERIVADAS
Denicin C.3.3.
continua
Se dice que una funcin
en un punto
y = f (x)
es una funcin
de su dominio si
l f (x) = f (c).
m
xc
Nota. Una funcin es continua en un intervalo si y solo si es continua en todos los puntos del mismo.
Del mismo modo, una funcin
continua es aquella funcin continua en todos los puntos de su dominio,
aunque no es necesario que lo sea en todos los intervalos. El lector puede dar un ejemplo que rectique
este hecho?
De otra parte, las combinaciones algebraicas y la composicin de funciones continuas son funciones
continuas. Adems, tambin son continuas en su dominio las funciones polinomiales, las funciones
racionales, las funciones trigonomtricas, las funciones exponenciales y las funciones logartmicas.
C.4. Derivadas
El concepto de derivada est estrechamente relacionado con el de lmite. Una forma usual de abordar
el concepto de derivada de una funcin
y = f (x)
evaluada en un punto
recta tangente a la grca de la funcin en el punto
Denicin C.4.1.
un nmero real
a,
La
derivada
denotada con
de una funcin
f (a),
f (a) = l
m
h0
es como la pendiente de la
(a, f (a)).
y = f (x)
evaluada en
es
f (a + h) f (a)
h
siempre que este lmite exista.
Nota. La derivada de una funcin
y = f (x)
evaluada en el nmero real
tambin se puede denir
como
f (a) = l
m
za
f (z) f (a)
za
siempre que este lmite exista. Por qu estas dos deniciones de derivada coinciden?
El dominio de
es el subconjunto de puntos del dominio de
con la derivada, y puede ser el mismo o menor que el dominio de

se dice que
de
es
diferenciable o derivable en x. Adems, si f
entonces se dice que
es diferenciable o derivable.
para los que existe el lmite asociado
f . Si f
existe en un punto
x entonces
existe en todos los puntos del dominio
428
APNDICE C.
Ejemplo C.4.1.
Encontrar la derivada de la funcin
f (x) =
x
x1 para
x = 1.
Solucin:
Aplicando la denicin C.4.1 se obtiene que:
f (x) = l
m
h0
= l
m
f (x + h) f (x)
h
x
x+h
x+h1 x1
h
1 (x + h)(x 1) x(x + h 1)
= l
m
h0 h
(x + h 1)(x 1)
2
1 x x + hx h x2 hx + x
= l
m
h0 h
(x + h 1)(x 1)
h
1
= l
m
h0 h (x + h 1)(x 1)
1
= l
m
h0 (x + h 1)(x 1)
1
.
=
(x 1)2
h0
Por lo tanto
1
f (x) = (x1)2
Ejemplo C.4.2.
para
x = 1.
Encontrar la derivada de la funcin
f (x) =
para
x > 0.
Solucin:
Usando la denicin equivalente de derivada se tiene que:
f (z) f (x)
zx
z x
= l
m
zx
zx
z x

= l
m
zx ( z
x)( z + x)
1
= l
m
zx
z+ x
1
= .
2 x
f (x) = l
m
zx
En consecuencia
f (x) =
1
para
2 x
x > 0.
Nota. Hay muchas formas de simbolizar la derivada de una funcin. Algunas de las notaciones alternativas de uso comn para la derivada de una funcin
f (x) = y =
y = f (x)
en el punto
df
dy
d
f (x) =
(x) =
.
dx
dx
dx
son:
C.4.
429
DERIVADAS
Adems, para indicar el valor de
a,
evaluada en un nmero especco
se acostumbra emplear la
siguiente simbologa:
f (a) =
d
f (x)
dx
=
x=a
df
(x)
dx
=
x=a
dy
dx
.
x=a
Sea y = f (x) una funcin diferenciable. La difey = f (x) correspondiente al incremento dx de la variable
independiente x, simbolizada con dy , se dene como el producto
Denicin C.4.2.
rencial
de
dy = f (x)dx.
Nota. La diferencial
dy
particular del dominio de la funcin
dy
x y del incremento dx. Si x es un nmero

valor especco a dx, el valor numrico de
depende de la variable independiente
y adems se da un
est determinado.
Ejemplo C.4.3.
Encontrar la diferencial de la funcin del ejemplo C.4.2.
Solucin:
Si
y=
entonces
dx
1
dy = f (x)dx = dx =
2 x
2 x
para
x > 0.
A continuacin se introducen algunas reglas que permiten derivar una gran variedad de funciones sin
tener que aplicar la denicin de derivada directamente:
Proposicin C.4.1.
Sean
f (x)
g(x)
dos funciones diferenciables y
un nmero real. Entonces,
donde las funciones correspondientes hagan sentido y sean diferenciables, se cumplen las siguientes
reglas de derivacin:
i)
Regla de la derivada de una funcin constante:

d
(k) = 0.
dx
ii)
Regla de la derivada de potencias:

d
xk = kxk1 .
dx
iii)
Regla de la derivada del mltiplo constante:

d
(kf (x)) = kf (x).
dx
430
iv)
APNDICE C.
Regla de la derivada de una suma:

d
(f (x) + g(x)) = f (x) + g (x).
dx
v)
Regla de la derivada de un producto:

d
(f (x) g(x)) (x) = f (x)g(x) + f (x)g (x).
dx
vi)
Regla de la derivada de un cociente:

d
dx
f (x)
g(x)
f (x)g(x) f (x)g (x)

.
(g(x))2
de una diferencia :
Ejemplo C.4.4.
a.
b.
c.
d
(f (x) g(x)) = f (x) g (x).
dx
Calcular:
d
() .
dx
d 2
3
x .
dx
d 3
2x .
dx
d.
e.
f.
Solucin:
a.
regla de la derivada
d
() = 0.
dx
b.
2
d 2
d
3
x =
x3
dx
dx
2 2 1
= x3
3
2 1
= x 3
3
2
= .
33x
d
dx
x3 +
3
5x5
d
(3x2 5)(2x4 x) .
dx
d
dx
x1
x+1
C.4.
431
DERIVADAS
c.
d 3
d 3
2x =
2 x
dx
dx
d
3
= 2
x2
dx
3
3
= 2
x 2 1
2
3 2
=
x.
2
d.
d
dx
x3 +
3
5x5
d
d
3
x3 +
dx
dx 5x5
d
3 d
=
x3 +
x5
dx
5 dx
3
= (3)x31 + (5)x51
5
3
2
= 3x 6 .
x
=
e.
d
d
d
(3x2 5)(2x4 x) =
(3x2 5) (2x4 x) + (3x2 5)
(2x4 x)
dx
dx
dx
= (3(2)x21 )(2x4 x) + (3x2 5)(2(4)x41 (1)x11 )
= 6x(2x4 x) + (3x2 5)(8x3 1)
= 12x5 6x2 + 24x5 3x2 40x3 + 5
= 36x5 40x3 9x2 + 5.
f.
d
dx
x1
x+1
d
(x 1) (x + 1) (x 1) dx (x + 1)
(x + 1)2
11
((1)x
0)(x + 1) (x 1)((1)x11 + 0)
=
(x + 1)2
(x + 1) (x 1)
=
(x + 1)2
2
=
.
(x + 1)2
d
dx
La derivada de una funcin se puede lograr de distintas formas dependiendo de como se enfoque la
funcin a derivar y de como se apliquen las reglas de derivacin. Por ejemplo, la derivada de la funcin
432
APNDICE C.
f (x) = 1/x
se puede realizar por medio de la regla de la derivada de un cociente, tomando la funcin
x,
f (x) = x1 .
del numerador como 1 y la funcin del denominador como

la derivada de potencias, teniendo en cuenta que
o se puede hacer utilizando la regla de
La regla de la suma se extiende a sumas de ms de dos funciones, siempre y cuando la suma conste
de un nmero nito de funciones:
Proposicin C.4.2.
n
i=1
fi (x)
Si
f1 (x), f2 (x), . . . , fn (x)
son
funciones diferenciables entonces tambin lo es
y adems
d
dx
Ejemplo C.4.5.
a.
fi (x)
i=1
fi (x).
i=1
Calcular:
d
dx
b.
3
x4
+ x2 + x .
2
2
d
dx
4
1
12
+ 3+ 4
x
x
x
Solucin:
a.
d
dx
3
x4
+ x2 + x
2
2
d x4
d
d 3 2
x +
(x)
+
dx 2
dx 2
dx
1
3
= (4)x41 + (2)x21 + (1)x11
2
2
= 2x3 + 3x + 1.
=
b.
d
dx
Proposicin C.4.3.
diferenciable en
x,
12
4
1
+ 3+ 4
x
x
x
Si
f (u)
d 12
d
4
d
1
+
+
3
dx x
dx x
dx x4
d
d
d
=
12x1 +
4x3 +
x4
dx
dx
dx
= 12(1)x11 + 4(3)x31 + (4)x41
12 12
4
= 2 4 5.
x
x
x
=
u = g(x), y a su vez g(x) es una funcin

(f g)(x) = f (g(x)) es diferenciable en x, y adems
es una funcin diferenciable en
entonces la funcin compuesta
d
((f g)(x)) = f (g(x)) g (x).
dx
C.4.
433
DERIVADAS
Nota. La proposicin C.4.3 se conoce como
regla de la cadena
y se puede extender a un caso en el
que se tenga la compuesta de tres o ms funciones.
Ejemplo C.4.6.
Calcular:
b.
a.
d
dx
5x3 x4
d
dx
1
3x 2
Solucin:
a.
d
dx
d
5x3 x4
dx
5(3)x31 (4)x41
= 7 5x3 x4
71
= 7 5x3 x4
= 7 5x3 x4
5x3 x4
15x2 4x3 .
b.
d
dx
1
3x 2
d
(3x 2)1
dx
d
(3x 2)
dx
2
11
= (3x 2) (3(1)x
0)
= (1)(3x 2)11
= 3(3x 2)2
3
=
.
(3x 2)2
Proposicin C.4.4.
i.
d x
(e ) = ex .
dx
iv.
siempre
ii.
siempre que
iii.
Se satisfacen las siguientes reglas de derivacin:
d x
(a ) = ax ln(a)
dx
a > 0.
d
1
(ln(x)) = .
dx
x
v.
vi.
d
1
(logb (x)) =
dx
x ln(b)
que b > 0 y b = 1.
d
(sin(x)) = cos(x).
dx
d
(cos(x)) = sin(x).
dx
434
Ejemplo C.4.7.
a.
b.
c.
APNDICE C.
Calcular:
d.
d
sin3 (2x) .
dx
d
ln x4
dx
d
cos 23x
dx
e.
2
d
ex .
dx
d
cos e2x
dx
f.
d
2log(x) .
dx
Solucin:
a.
d
d
sin3 (2x) = 3 sin31 (2x) (2x)
dx
dx
= 3 sin2 (2x) 2(1)x11
= 6 sin2 (2x).
b.
2
2 d
d
ex = ex
x2
dx
dx
2
= ex 2x21
2
= 2xex .
c.
d
cos e2x
dx
d
e2x
dx
d
= sin e2x (1)e2x
(2x)
dx
= e2x sin e2x 2(1)x11
= sin e2x
= 2e2x sin e2x .

d.
d
ln x4
dx
1 d
x4
x4 dx
1
=
(4)x41
x4
1
=
4x3
x4
4
= .
x
C.4.
435
DERIVADAS
e.
d
cos 23x
dx
= sin 23x
d
23x
dx
= sin 23x 23x ln(2)

= 23x ln(2) sin 23x
d
(3x)
dx
3(1)x11
= (3) ln(2) 23x sin 23x .

f.
d
d
2log(x) = 2log(x) ln(2) (log(x)])
dx
dx
1
log(x)
=2
ln(2)
x ln(10)
=
Proposicin C.4.5.
Si
y = f (x)
2log(x) ln(2)
.
x ln(10)
es una funcin denida sobre un intervalo tal que f (x) existe y

f 1 (x) es derivable en cada punto de su dominio y adems
nunca se anula en este dominio entonces
f 1 (x) =
Ejemplo C.4.8.
1
f
(f 1 (x))
Calcular la derivada de la funcin inversa de
f (x) = x2
para
x 0.
Solucin:
Si
f (x) = x2
entonces
f (x) = 2x
f 1 (x) =
para
f 1 (x) =
x 0.
Por lo tanto se sigue que:
1
f
(f 1 (x))
f ( x)
1
= .
2 x
=
Nota. El resultado del ejemplo C.4.8 tambin se puede obtener aplicando la regla de la derivada de
una potencia sobre la funcin inversa.
y = f (x) es una funcin diferenciable entonces su derivada f (x) tambin

f (x) tambin es una funcin diferenciable entonces es posible derivar f (x)
Si
es una funcin de
x.
Si
y se obtiene una nueva
436
APNDICE C.
funcin de
de
x denotada con f (x) tal que f (x) = (f ) (x). La funcin f

x puesto que es la derivada de la primera derivada. Por
respecto a
f (x) = y =
Del mismo modo, si
una funcin de
y = f (x)
y se denomina
proceso contina y
se llama
segunda derivada
lo tanto se escribe:
d2 f
d2 y
d2
f (x) =
(x) = 2 .
dx2
dx2
dx
es una funcin diferenciable entonces su derivada
tercera derivada
de
respecto a
x.
f (x)
Como se puede imaginar, el
dn f
dn y
dn
f (x) =
(x) = n
dxn
dxn
dx
(0)
de f respecto a x donde n es cualquier entero positivo. Luego, f
= f,
f (n) (x) = y (n) =

n-sima derivada
f (1) = f , f (2) = f , etc.
denota la
Ejemplo C.4.9.
a.
tambin es
Calcular:
b.
d2
(xex ) .
dx2
d2
cos(x2 ) .
dx2
Solucin:
a.
d2
d
d
(xex ) =
(xex )
dx2
dx dx
d
((1)ex + xex )
=
dx
= ex + (1)ex + xex
= ex (2 + x).
b.
d
d2
d
(cos(x2 )
cos(x2 ) =
2
dx
dx dx
d
=
2x sin(x2 )
dx
= (2) sin x2 2x(2x) cos x2
= 2 sin x2 4x4 cos x2 .
Si se tiene un lmite de la forma
l
m
xc
f (x)
g(x)
C.4.
437
DERIVADAS
donde tanto
f (x)
y se conoce como
como
g(x)
tienden a 0 cuando
tiende a
forma indeterminada del tipo
indeterminadas del tipo
y del tipo
0/0.
/ .
c,
entonces este lmite puede existir o no
De igual manera se constituyen las formas
La siguiente regla permite calcular lmites para
estas formas indeterminadas:
Proposicin C.4.6.
al nmero real
Si
f (x) y g(x) son funciones diferenciables en un intervalo abierto que contiene

f (c) = g(c) = 0, y adems g(x) = 0 en este intervalo si x = c, entonces
tales que
f (x)
f (x)
= l
m
xc g (x)
xc g(x)
l
m
siempre que el lmite del lado derecho de la igualdad exista.

Nota. La regla de la proposicin C.4.6 se conoce como
Franois de L'Hpital
regla de L'Hpital , en honor a Guillaume
, y aplica cuando las funciones satisfacen los requerimientos dados en la
proposicin. Esta regla tambin es vlida para lmites laterales y para lmites al innito.
Figura C.4: Guillaume Franois de L'Hpital (1661-1704).
Ejemplo C.4.10.
Calcular:
a.
b.
ln(x)
l
m
.
x1 x 1
ln(x)
.
x 3 x
l
m
Solucin:
6 Fotografa
biograf/Blhopit.html.
http://www.educared.org/global/premiointernacional/finalistas/710/
438
APNDICE C.
a. Como
l (ln(x)) = 0
m
l (x 1) = 0
m
x1
x1
entonces es posible aplicar la regla de L'Hpital, de forma que:
d
dx
d
dx
1
x
ln(x)
= l
m
x1 x 1
x1
l
m
= l
m
(ln(x))
(x 1)
1
1
= l
m
x1 x
= 1.
x1
b. Como
l (ln(x)) =
m
l
m
x=
entonces es posible aplicar la regla de L'Hpital, de forma que:
d
dx (ln(x))
d
3
dx ( x)
1
l 1 x 2
m
x x 3
3
ln(x)
= l
m
x
x 3 x
l
m
3
= l
m 3
x
x
1
= 3 l
m
x 3 x
= 0.
C.5. Integrales
La integracin es una tcnica para calcular mucho ms que reas y volmenes. Como los lmites, las
integrales tienen una gran variedad de aplicaciones en el clculo y la estadstica. La integracin permite
calcular muchas cantidades, dividindolas en partes ms pequeas y sumando despus la contribucin
de cada una de ellas.
La denicin de la integral denida se basa en la idea de que, para ciertas funciones, los valores de las
sumas de Riemann, en honor a
7 Fotografa tomada
8 Sea y = f (x) una
Bernhard Riemann
de la pgina web
7 8
tienden a un valor lmite
I,
siempre que las
http://www.claymath.org/millennium/Riemann_Hypothesis/.
funcin denida en un intervalo cerrado [a,b]. Subdividiendo este intervalo en
subintervalos
C.5.
439
INTEGRALES
normas de las particiones de

lmite
[a, b]
tienden a 0. Es decir, una suma de Riemann estar cerca del valor
cuando la norma de la particin correspondiente sea lo sucientemente pequea.
Denicin C.5.1.
Sea y = f (x) una funcin denida en un intervalo

[a, b]. Se dice que un nmero I es la integral denida de f en
n
[a, b] y que I es el lmite de las sumas de Riemann i=1 f (ck )k si, para
cada nmero
> 0, existe un nmero > 0 tal que, para toda particin
P = {x0 , x1 , x2 , . . . , xn1 , xn } de [a, b] con P < y cualquier eleccin
de los ck en [xk1 xk ] para k = 1, 2 . . . , n, se tiene que
cerrado
f (ck )k I < .
i=1
Nota. Cuando se satisface la denicin C.5.1 se dice que las sumas de Riemann de
en
[a, b] convergen
a la integral denida
I=
f (x)dx = l
m
P 0
a
y que
es
integrable
Proposicin C.5.1.
b
a
f (x)dx
en
[a, b].
Si
y = f (x)
f (ck )k
i=1
es una funcin continua denida en el intervalo
[a, b]
entonces
existe.
La proposicin C.5.1 establece la existencia de la integral denida cuando se trata con funciones
continuas denidas en un intervalo cerrado, mas no indica como calcular tales integrales. La siguiente
proposicin seala como realizar los clculos correspondientes:
Proposicin C.5.2.
Si
es una funcin continua en el intervalo
[a, b]
entonces
F (x) =
f (t)dt
a
es una funcin continua y diferenciable en el intervalo
F (x) =
d
dx
(a, b),
y adems
f (t)dt = f (x).
a
n 1 puntos x1 , x2 , . . . , xn1 entre a y b tales que a = x0 < x1 < x2 < . . . < xn1 < xn = b. El
P = {x0 , x1 , x2 , . . . , xn1 , xn } se llama particin de [a, b]. El k-simo subintervalo de P es [xk1 , xk ] y su
longitud, denotada con k , est dada por k = xk xk1 para k = 1, . . . , n. La norma de una particin P , denotada
con P , es la longitud del intervalo ms grande de la particin, esto es, P
= mx{k : k = 1, 2, . . . , n}. En cada
a
intervalo se elige algn nmero; el punto seleccionado en el k -simo intervalo se simboliza con ck para k = 1, . . . , n. La
n
suma
i=1 f (ck )k se conoce como suma de Riemann para f en el intervalo [a, b]. Cualquier suma de Riemann
dene rectngulos que aproximan la regin entre la grca de f y el eje x.
cerrados, se eligen
conjunto
440
APNDICE C.
Figura C.5: Bernhard Riemann (1826-1866).
teorema fundamental del clculo . En esta proposicin

la funcin F (x) se llama antiderivada
o primitiva de la funcin f y es aquella funcin tal que
9
Nota. La proposicin C.5.2 se conoce como

10
F (x) = f (x)
en el intervalo
[a, b].
Adems, si
F (x)
= F (b) F (a).
f (x)dx = F (x)
a
Ejemplo C.5.1.
entonces se sigue que
Esta expresin se conoce como la
f (x)
regla de Barrow .
Calcular:
a.
b.
2
2
cos(x)dx.
x dx.
Solucin:
9 Una
versin ms sosticada de este teorema establece que si
una funcin continua en el intervalo
[a(x), b(x)]
b(x)
son funciones diferenciables de
f (t)
es
b(x)
d
dx
10 Si F (x)
a(x)
entonces
f (t)dt = f (b(x))b (x) f (a(x))a (x).

a(x)
y
F (x) + c
tambin es una antiderivada de
lo tanto si una funcin tiene una antiderivada entonces sta tiene innitas antiderivadas.
y por
C.5.
441
INTEGRALES
a.
x2 dx =
1
x3
3
2
1
2
(1)3
3
3
8 1
= +
3 3
= 3.
=
b.
/2
/2
cos(x)dx = sin(x)
/4
/4
= sin (/2) sin (/4)
2
=1
2
2
.
=1+
2
Proposicin C.5.3.
Sean
f (x)
g(x)
dos funciones integrables en el intervalo
real. Entonces se cumplen las siguientes reglas de integracin:
i)
Regla de la integral sobre un punto:

a
f (x)dx = 0.
a
ii)
Regla de la integral del mltiplo constante:

b
kf (x)dx = k
a
iii)
Regla de la integral de una suma:

b
(f (x) + g(x)) dx =
a
iv)
f (x)dx.
a
f (x)dx +
a
Regla del orden de la integracin:

b
f (x)dx =
a
g(x)dx.
a
f (x)dx.
b
[a, b]
un nmero
442
v)
APNDICE C.
Regla de la aditividad de la integracin:

b
f (x)dx =
donde
f (x)dx +
vi)
f (x)dx,
es un nmero real en el intervalo
[a, b].
Regla de la dominacin de la integracin:

b
f (x)dx
g(x)dx,
f (x) g(x)
siempre que
para toda
en el intervalo
[a, b].
de una diferencia :
(f (x) g(x)) dx =
a
regla de la integral
f (x)dx
a
g(x)dx.
a
La regla de la suma se extiende a sumas de ms de dos funciones, siempre y cuando la suma conste
de un nmero nito de funciones:
Proposicin C.5.4.
tonces tambin lo es
Si f1 (x), f2 (x), . . . , fn (x) son

n
i=1 fi (x) y
funciones integrables en el intervalo [a,b] en-
fi (x) dx =
a
Ejemplo C.5.2.
i=1
fi (x).
i=1
Calcular:
2x3 3x + 1 dx.
2
Solucin:
1
2x3 3x + 1 dx =
2
2x3 dx
2
2
1
2
4 1
x
4
2
1
xdx +
2
x2
2
1dx
2
1
x3 dx 3
=2
=2
3xdx +
1dx
2
+x
2
1
2
1
1 4
3
x
x2
+x
2 2 2 2
2
3 2
1 4
4
1 (2)
1 (2)2 + (1 (2))
=
2
2
= 0.
=
C.5.
443
INTEGRALES
Una integral denida es un nmero denido al tomar el lmite de sumas de Riemann asociadas a
particiones de un intervalo cerrado nito cuyas normas tienden a 0. Adems, si
positiva denida en el intervalo
del eje
entre
b.
[a, b]
entonces
De otra parte, la
b
a
f (x)dx
es una funcin
representa el rea entre la curva y la porcin
integral indenida
de una funcin
y = f (x)
respecto de
x,
denotada con
f (x)dx,
es el conjunto de todas las antiderivadas de la funcin
f (x)
f.
Por lo tanto, si
F (x)
entonces
f (x)dx = F (x) + c
donde
es un nmero real.
Nota. Cuando se encuentre la integral indenida de una funcin, no se debe olvidar incluir una
b
constante arbitraria. Adems, tampoco se debe olvidar que
f (x)dx es un nmero real, mientras que
a
f (x)dx
es una funcin ms una constante arbitraria.
Proposicin C.5.5.
i.
Sea
un nmero real. Se satisfacen las siguientes reglas de integracin:
siempre que
siempre que
iv.
xa+1
+c
x dx =
a+1
a = 1.
bx
bx dx =
+c
ln(b)
b > 0 y b = 1.
1
dx = ln (|x|) + c.
x
v.
ii.
sin(x)dx = cos(x) + c.
vi.
iii.
cos(x)dx = sin(x) + c.
ex dx = ex + c.
Ejemplo C.5.3.
Calcular:
a.
c.
2
dx.
x
2 sin(x) +
d.
b.
x2 dx.
2
2x dx.
x
(x 3e ) dx.
Solucin:
a.
2
dx =
x
1
2 dx
x
444
APNDICE C.
x 2 dx
1
x 2 +1
2 1
+c
2 + 1
x1
2
= 2 1 +c
2

= 2 2 x + c.
b.
(x 3ex ) dx =
ex dx
xdx 3
x2
+ c1 3ex + c2
2
x2
=
3ex + c.
2
=
c.
2 sin(x) +
x2 dx = 2
sin(x)dx +
x2 dx
= 2 cos(x) + c1 +
x 3 +1
+ c2
2
3 +1
3
3
= 2 cos(x) + x x2 + c.
5
d.
2
2x dx = 2
x
1
dx
x
2x dx
= 2 ln (|x|) + c1
= 2 ln (|x|)
Proposicin C.5.6.
u = g(x) una funcin

g(x). Entonces se tiene
Sea
continua en el rango de
2x
+ c.
ln(2)
diferenciable en el intervalo
[a, b]
f (x)
g(b)
f (g(x)) g (x)dx =
f (u)du.
g(a)
Nota. La tcnica de integracin que se presenta en a proposicin C.5.6 se conoce como
por sustitucin .
Ejemplo C.5.4.
Calcular:
una funcin
que:
b
a
2x
+ c2
ln(2)
integracin
C.5.
445
INTEGRALES
a.
d.
2
xex dx.
sin(x) cos(x)dx.
e.
b.
3x
cos(7x + 5)dx.
dx.
f.
c.
e (e 1) dx.
Solucin:
a. Haciendo
u = sin(x)
du = cos(x)dx
se obtiene que
y por lo tanto:
sin(x) cos(x)dx =
udu
u2
+c
2
sin2 (x)
=
+ c.
2
=
b. Haciendo
u = 3x
se obtiene que
du = 3dx
y por lo tanto:
e3x dx =
1
3
eu du
1
eu du
3
1
= eu + c
3
1
= eu + c
3
1
= e3x + c.
3
=
c. Haciendo
u = ex 1
se obtiene que
du = ex dx
y por lo tanto:
ex (ex 1)2 dx =
(eu ) du
e2u du
1 u
e du
2
1
2
eu du
2x
dx.
x2 + 1
446
APNDICE C.
1 u
e +c
2
1
= eu + c
2
1
= e2u + c
2
x
1
= e2(e 1) + c
2
=
donde
u = 2u
d. Haciendo
u = x2
du = 2du.
se obtiene que
du = 2xdx
y por lo tanto:
1 u
e du
2
xex dx =
1
eu du
2
1
= eu + c
2
1 2
= ex + c.
2
=
e. Haciendo
u = 7x + 5
se obtiene que
du = 7dx
y por lo tanto:
cos(7x + 5)dx =
1
cos(u)du
7
1
cos(u)du
7
1
= sin(u) + c
7
1
= sin(7x + 5) + c.
7
=
f. Haciendo
u = x2 + 1
se obtiene que
du = 2xdx
y por lo tanto
2x
dx =
x2 + 1
1
du
3
u
u 3 du
u 3 +1
= 1
+c
3 + 1
3 2
= u3 + c
2
33 2
2
=
(x + 1) + c.
2
C.5.
447
INTEGRALES
Proposicin C.5.7.
Sean
f (x)
g(x)
un par de funciones diferenciables. Entonces se tiene que:

b
b
a
f (x)g (x)dx = f (x)g(x)
f (x)g(x)dx.
a
Nota. La tcnica de integracin que se presenta en a proposicin C.5.7 se conoce como integracin
por partes . En ocasiones es ms fcil recordar la frmula si se escribe en forma diferencial: si u = f (x)
y
v = g(x)
entonces la frmula de integracin por partes se transforma en
udv = uv
a
Ejemplo C.5.5.
vdu.
a
Calcular:
a.
b.
c.
xe dx.
ex cos(x)dx.
ln(x)dx.
Solucin:
a. Haciendo
u=x
dv = ex dx
se obtiene que
du = dx
xex dx =
v = ex ,
y por lo tanto:
udv
= uv
vdu
= xex
ex dx
= xex ex + c
= ex (x 1) + c.
b. Haciendo
u = ln(x)
dv = dx
se obtiene que
1
du = x dx
ln(x)dx =
v = x,
udv
= uv
vdu
= x ln(x)
1
x dx
x
= x ln(x)
1dx
= x ln(x) x + c
= x(ln(x) 1) + c.
y por lo tanto:
448
APNDICE C.
c. Haciendo
u = ex
dv = cos(x)dx
se obtiene que
ex cos(x)dx =
du = ex dx
v = sin(x),
y por lo tanto:
udv
= uv
vdu
= ex sin(x)
ex sin(x).
La segunda integral en el lado derecho de la igualdad es similar a la primera, salvo que se tiene
sin(x) en lugar de cos(x). Para evaluarla, nuevamente se utiliza la integracin

u = ex y dv = sin(x)dx de donde du = ex dx y v = cos(x), y por lo tanto:
ex cos(x)dx = ex sin(x) ex cos(x)
= ex sin(x) + ex cos(x)
por partes haciendo
( cos(x))ex dx
ex cos(x)dx.
Ahora la integral desconocida aparece en ambos lados de la ecuacin. Sumando esta integral a
ambos lados se obtiene que:
ex cos(x)dx = ex sin(x) + ex cos(x)
y en consecuencia
ex sin(x) + ex cos(x)
+c
2
1
= ex (sin(x) + cos(x)) + c.
2
ex cos(x)dx =
Nota. La integracin por sustitucin y la integracin por partes son apenas un par de mtodos de
integracin, pero no son los nicos. As que se deja como ejercicio consultar los detalles de otras
tcnicas de integracin, como la integracin por
fracciones parciales y la integracin por el mtodo
de Heaviside . Adems, cuando no sea posible determinar una antiderivada
11
para una funcin dada
o cuando requiera mucho trabajo, se recomienda trabajar con la integracin numrica, que consiste
en aproximar una integral denida por medio de mtodos numricos como la
regla de Simpson .
regla del trapecio y la
A continuacin se presenta un ejemplo donde se ilustra la integracin por fracciones parciales:
Ejemplo C.5.6.
11 Las
Calcular:
5x 3
dx.
x2 2x 3
integrales de funciones que no tienen antiderivadas elementales se denominan
integrales no elementales .
C.5.
449
INTEGRALES
Solucin:
El mtodo consiste en expresar la funcin racional del integrando como una suma de fracciones ms
sencillas, denominadas fracciones parciales, ms fciles de integrar. De esta forma y teniendo en cuenta
que
x2 2x 3 = (x + 1)(x 3),
se deben determinar las constantes
tales que:
5x 3
A
B
=
+
.
(x + 1)(x 3)
x+1 x+3
Luego, multiplicando ambos lados de la igualdad por
(x + 1)(x 3)
se obtiene que:
5x 3 = A(x 3) + B(x + 1)
= Ax 3A + Bx + B
= Ax + Bx 3A + B
= (A + B)x + (3A + B)
de donde
A+B =5
y por lo tanto
A=2
B = 3.
3a + B = 3
As, la integral pedida es:
5x 3
dx =
x2 2x 3
2
3
+
dx
x+1 x3
3
2
dx +
dx
=
x+1
x3
= 2 ln (|x + 1|) + 3 ln (|x 3|) + c.
Hasta el momento, a las integrales se les ha exigido que tengan dos propiedades: primera, que el
dominio de la integracin sea un intervalo nito; y segunda, que el rango del integrando sea nito en
este dominio. En la prctica, es posible encontrar problemas que no cumplen una o ambas condiciones.
En cualquier caso se dice que las integrales son impropias y se calculan como lmites.
450
APNDICE C.
Denicin C.5.2.
Las integrales con lmites de integracin innitos son
integrales impropias del tipo I . Tales integrales estn dadas por:

i. Si
f (x)
[a, )
es continua en
entonces
f (x)dx = l
m
ii. Si
f (x)
es continua en
f (x)dx.
(, b]
entonces
f (x)dx.
f (x)dx = l
m
iii. Si
f (x)
es continua en
(, )
a, b
entonces
f (x)dx =
donde
f (x)dx +
f (x)dx.
son nmero reales. En cada caso, si el lmite es nito se
dice que la integral impropia
converge
y que el lmite es el valor de la
integral impropia. Si el lmite no existe, la integral impropia
Ejemplo C.5.7.
diverge.
Calcular:
a.
b.
dx.
Solucin:
a.
ex dx = l
m
0
ex dx
0
b
= l
m
ex
= l
m e
b
0
b
e0
= l eb + l e0
m
m
b
= 0 + 1
= 1.
ln(x)
dx.
x
C.5.
451
INTEGRALES
b. Integrando por partes haciendo
u = ln(x)
dv = 1/x2 dx
se obtiene que
du = 1/xdx
v = 1/x
y por lo tanto:
ln(x)
dx = l
m uv
b
x
= l
m
= l
m
= l
m
vdu
1
ln(x)
ln(x)
x
+
1
1
x
ln(x)
x
1
x
1
x
1
x
dx
1
dx
x2
b
1
ln(1)
ln(b)
1
1
= l
m

+

b
b
1
b
1
ln(b)
1
= l
m
+0 +1
b
b
b
ln(b)
1
= l
m
l
m
+ l (1)
m
b
b
b
b
b
= l
m
= l
m
= l
m
d
db
(ln(b))
d
db
(b)
0+1
1/b
+1
1
1
+1
b
= 0 + 1
= 1.
Nota. Se deja como ejercicio consultar los detalles de las
integrales impropias tipo II
12
y los
criterios de convergencia asociados con la evaluacin de las integrales impropias, como el criterio
de la comparacin directa y el criterio de la comparacin de lmite .
12 Se
reeren a las integrales de funciones que se vuelven innitas en un punto dentro del intervalo de integracin.
452
APNDICE C.
C.6. Ejercicios
Los ejercicios que se presentan a continuacin son tomados principalmente de Thomas (2006) y Purcell
& Varberg (1993):
C.1. Realizar las operaciones indicadas y simplicar:

a.
5
1

2 2 2
d.
2x 2x2
.
x3 2x2 + x
.
e.
b.
4
6
18
+
.
x2 + 3x x x + 3
x2 x 6
.
x3
c.
2+
3
5.
1+ 2
f.
x3 8
.
2x 4
C.2. Gracar las siguientes funciones:

a.
g.
f (x) = ex .
f (x) = |x|.
b.
h.
f (x) = [x].
c.
f (x) = |[x]| .
d.
f (x) = x [x].
f (x) = |2x 1|.

i.
f (x) = ln(x + 2).

j.
f (x) =
e.
f (x) = x2 2.
f.
f (x) =
Recordar que
k.
1
.
x1
[x] = mayor
nmero entero menor o igual a
|x|
.
x
2
si x 0;
x ,
f (x) =
x,
0 < x < 1;
2
x + 1, x 1.
x
y se denomina parte entera de
x.
2
x1 . Encontrar una frmula para cada una de las siguientes
expresiones y establecer su dominio:
C.3. Sean
f (x) = x3 + 2
g(x) =
a.
b.
(3f )(x).
(f + g)(x).
C.6.
453
EJERCICIOS
c.
f.
(f g)(x).
d.
(f g)(x).
g.
(f g)(x).
e.
(g f )(x).
h.
(f f )(x).
(f /g)(x).
C.4. Generalizar la frmula de la composicin de dos funciones a
C.5. Sea
f (x) =
x3
x+1 . Encontrar la frmula de
funciones.
(f f f )(x).
C.6. Calcular los siguientes lmites:

i.
a.
l (x 2) (2x + 3) .
m
x1
b.
l
m
x0
x2 + 7x + 6
.
x1 x2 4x 5
l
m
j.
3x + 1.
l
m
x0
c.
l
m
x3
2
+1 .
x
k.
5x + 4 2
.
x
l
m
x1
d.
l
m
x4
l.
x2 5x + 6
l
m 2
.
x2 x x 2
x3
.
x9
2x3 + 3x2 2x 3
.
x1
x2 1
m.
l
m
g.
l
m
x2
4x3 + 8x
.
x+4
3x4 8
l
m 3
.
x2 x + 24
x2
x+3
.
+ 4x + 3
4x
.
x2 + 9
x3
n.
l
m
h.
l
m
x9
e.
f.
x2 + 9
.
x3
x2 + 8 3
.
x+1
l
m
x4
.
l
m
x0
o.
1
x+2
1
2
sin x2
.
x0
x
l
m
C.7. Calcular los siguientes lmites:

a.
b.
5 5 cos(x)
.
x0 ex x 1
l
m
3x 1
.
x0
x
l
m
454
APNDICE C.
c.
j.
4 4ex
.
l
m
x0
xex
d.
k.
2x
.
x0 x + 7 x
l
m
e.
l
m
x
l.
10x 1
.
x0
x
l
m
f.
l
m
x x3
m.
2x
.
l
m
x 2ex
n.
3x 5
.
2x+2
x 2x
x
.
x ex
l
m
2x + 3
.
5x + 7
7x3
.
3x2 + 6x
2+ x
.
l
m
x 2
x
x4
.
x x4 7x3 + 7x2 + 9
l
m
i.
o.
2
3 .
x
1
2 x+ x
.
x 3x 7
l
m
l
m
2
x2
l
m
g.
h.
l
m
x2 1
.
x
ex
l
m
C.8. Calcular las siguientes derivadas:

a.
b.
i.
x
x5
cos(x)
x
d
sin3 (x) .
dx
l.
3y 1
2y + 5
g.
d
dx
(x + 1)2
3x 4
d
dx
d
dy
k.
sin
5y + 1
2 y
x5
120
j.
d
(sin(y) cos(y)) .
dy
d
dy
d
dy
+4 .
d
dx
e.
f.
x2
d
dx
c.
d.
h.
d
dx
m.
n.
(3 y)
3y + 1
3y
d
sin2 (y 2) .
dy
d
3e2x .
dx
d
2ye3y .
dy
d
2ye3y .
dx
C.6.
455
EJERCICIOS
o.
d
3(y 2 2)2 .
dy
p.
d
(2x2 + 2x 1)3 .
dx
q.
d
dy
d
dx
y+x
yx
d
ln x2 y
dy
y 3 + 2y .
C.9. Calcular las siguientes derivadas:

a.
x3
y + x2
d
dx
b.
c.
j.
.
k.
d
dy
x2 + y 2 .
d
(y + x) y x .
dx
d.
m.
d
dy
e.
f.
y+x
yx
d
(y + 3 x)3 .
dx
cos(xy) .
o.
d
dx
i.
n.
d
y
dy
g.
h.
l.
1
tan2 (x) .
2
d x
e 1 x2
dx
d
dx
ex 1
ey 1
d
dy
ex 1
ey 1
d
esin(x) .
dx
d2
9x .
dx2
d3
cos y 2
dy 3
p.
d2
(sin(3y)) .
dy 2
d
(ln(cos(xy))) .
dx
q.
d
ln x2 y
dx
d3
dx3
1
x3
C.10. Calcular las siguientes integrales:

a.
c.
(2x 1)1/2 dx.
(4x x + 1)dx.
b.
d.
(2y 3 y 2 )dy.
3e2x dx.
456
APNDICE C.
e.
m.
2ye
1
sin(xy) dy .
y
dy.
f.
n.
(x2 3x + 3)dx.
xy cos(x)dx.
g.
2x2 + x 1
dx.
x2
xy cos(x)dy.
h.
o.
x2 ex dx.
y(2 3xy)dx.
i.
p.
xe2x dx.
y(2 3xy)dy.
j.
q.
ey cos (ey ) dy.

k.
x3x
l.
2e2x dx.
r.
+5
dx.
2xe2x dx.
s.
1
sin(xy)
y
2x2 e2x dx.
dx.
C.11. Calcular las siguientes integrales:

a.
g.
16x
dx.
8x2 + 1
0
b.
0
1
c.
y2
y3
dy.
2y + 1
1/6
0
d.
1
dx.
1 9x2
/2
y 3 cos(2y)dy.
0
h.
0
i.
x ln(x)dx.
1
j.
2xe
x2
dx.
e2y dy.
e.
2
f.
1
dy.
y(y + 1)
k.
1
e2y
dy.
2
dy.
21
y
x3 ln(x)dx.
1
l.
1
dx.
x1
C.6.
457
EJERCICIOS
m.
p.
/3
3 y
y e dy.
y tan2 (y)dy.
1
0
n.
1
dx.
ln(x)
q.
y
0
o.
1 ydy.
1
dx.
(x + 1)(x2 1)
r.
3y 2 + y + 4
dy.
y3 + y
1
0
x2
x3
dx.
+ 2x + 1
Referencias electrnicas
Las siguientes son las pginas web de las que se han tomado algunos ejemplos o ejercicios de este
apndice:
http://www.vaxasoftware.com/doc_edu/mat/derivada.pdf.

Apendice
Tablas estadsticas
D.1. Introduccin
Las tablas que se muestran a continuacin estn asociadas con las funciones de distribucin acumulada
de algunas distribuciones de probabilidad de uso frecuente. Estas tablas se crean con el n de facilitar
los clculos cuando no se disponga de un software especializado para realizarlos y para facilitar el
desarrollo de los ejercicios y ejemplos de este texto. Las probabilidades se redondean y se expresan
con cuatro (4) cifras decimales a lo sumo.
D.2. Distribucin binomial

[x]
P (X x) =
k=0
n k
(1 )nk
k
[x]
=0.05
=0.10
=0.15
=0.20
=0.25
=0.30
=0.35
=0.40
=0.45
=0.50
0.9975
0.9900
0.9775
0.9600
0.9375
0.9100
0.8775
0.8400
0.7975
0.7500
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.9928
0.9720
0.9393
0.8960
0.8438
0.7840
0.7182
0.6480
0.5747
0.5000
0.9999
0.9990
0.9966
0.9920
0.9844
0.9730
0.9571
0.9360
0.9089
0.8750
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.9860
0.9477
0.8905
0.8192
0.7383
0.6517
0.5630
0.4752
0.3910
0.3125
0.9995
0.9963
0.9880
0.9728
0.9492
0.9163
0.8735
0.8208
0.7585
0.6875
1.0000
0.9999
0.9995
0.9984
0.9961
0.9919
0.9850
0.9744
0.9590
0.9375
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.9774
0.9185
0.8352
0.7373
0.6328
0.5282
0.4284
0.3370
0.2562
0.1875
0.9988
0.9914
0.9734
0.9421
0.8965
0.8369
0.7648
0.6826
0.5931
0.5000
458
D.2.
459
DISTRIBUCIN BINOMIAL
0.9460
0.9130
0.8688
0.8125
0.9976
0.9947
0.9898
0.9815
0.9688
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.9672
0.8857
0.7765
0.6554
0.5339
0.4202
0.3191
0.2333
0.1636
0.1094
0.9978
0.9841
0.9527
0.9011
0.8306
0.7443
0.6471
0.5443
0.4415
0.3437
0.9999
0.9987
0.9941
0.9830
0.9624
0.9295
0.8826
0.8208
0.7447
0.6563
1.0000
0.9999
0.9996
0.9984
0.9954
0.9891
0.9777
0.9590
0.9308
0.8906
1.0000
1.0000
1.0000
0.9999
0.9998
0.9993
0.9982
0.9959
0.9917
0.9844
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.9556
0.8503
0.7166
0.5767
0.4449
0.3294
0.2338
0.1586
0.1024
0.0625
0.9962
0.9743
0.9262
0.8520
0.7564
0.6471
0.5323
0.4199
0.3164
0.2266
0.9998
0.9973
0.9879
0.9667
0.9294
0.8740
0.8002
0.7102
0.6083
0.5000
1.0000
0.9998
0.9988
0.9953
0.9871
0.9712
0.9444
0.9037
0.8471
0.7734
1.0000
1.0000
0.9999
0.9996
0.9987
0.9962
0.9910
0.9812
0.9643
0.9375
1.0000
1.0000
1.0000
1.0000
0.9999
0.9998
0.9994
0.9984
0.9963
0.9922
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.9428
0.8131
0.6572
0.5033
0.3671
0.2553
0.1691
0.1064
0.0632
0.0352
0.9942
0.9619
0.8948
0.7969
0.6785
0.5518
0.4278
0.3154
0.2201
0.1445
0.9996
0.9950
0.9786
0.9437
0.8862
0.8059
0.7064
0.5941
0.4770
0.3633
1.0000
0.9996
0.9971
0.9896
0.9727
0.9420
0.8939
0.8263
0.7396
0.6367
1.0000
1.0000
0.9998
0.9988
0.9958
0.9887
0.9747
0.9502
0.9115
0.8555
1.0000
1.0000
1.0000
0.9999
0.9996
0.9987
0.9964
0.9915
0.9819
0.9648
1.0000
1.0000
1.0000
1.0000
1.0000
0.9999
0.9998
0.9993
0.9983
0.9961
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.9288
0.7748
0.5995
0.4362
0.3003
0.1960
0.1211
0.0705
0.0385
0.0195
0.9916
0.9470
0.8591
0.7382
0.6007
0.4628
0.3373
0.2318
0.1495
0.0898
0.9994
0.9917
0.9661
0.9144
0.8343
0.7297
0.6089
0.4826
0.3614
0.2539
1.0000
0.9991
0.9944
0.9804
0.9511
0.9012
0.8283
0.7334
0.6214
0.5000
1.0000
0.9999
0.9994
0.9969
0.9900
0.9747
0.9464
0.9006
0.8342
0.7461
1.0000
1.0000
1.0000
0.9997
0.9987
0.9957
0.9888
0.9750
0.9502
0.9102
1.0000
1.0000
1.0000
1.0000
0.9999
0.9996
0.9986
0.9962
0.9909
0.9805
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.9999
0.9997
0.9992
0.9980
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.9139
0.7361
0.5443
0.3758
0.2440
0.1493
0.0860
0.0464
0.0233
0.0107
0.9885
0.9298
0.8202
0.6778
0.5256
0.3828
0.2616
0.1673
0.0996
0.0547
0.9990
0.9872
0.9500
0.8791
0.7759
0.6496
0.5138
0.3823
0.2660
0.1719
0.9999
0.9984
0.9901
0.9672
0.9219
0.8497
0.7515
0.6331
0.5044
0.3770
1.0000
0.9999
0.9986
0.9936
0.9803
0.9527
0.9051
0.8338
0.7384
0.6230
1.0000
1.0000
0.9999
0.9991
0.9965
0.9894
0.9740
0.9452
0.8980
0.8281
1.0000
1.0000
1.0000
0.9999
0.9996
0.9984
0.9952
0.9877
0.9726
0.9453
1.0000
1.0000
1.0000
1.0000
1.0000
0.9999
0.9995
0.9983
0.9955
0.9893
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.9999
0.9997
0.9990
10
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.8816
0.6590
0.4435
0.2749
0.1584
0.0850
0.0424
0.0196
0.0083
0.0032
0.9804
0.8891
0.7358
0.5583
0.3907
0.2528
0.1513
0.0834
0.0421
0.0193
0.9978
0.9744
0.9078
0.7946
0.6488
0.4925
0.3467
0.2253
0.1345
0.0730
0.9998
0.9957
0.9761
0.9274
0.8424
0.7237
0.5833
0.4382
0.3044
0.1938
1.0000
0.9995
0.9954
0.9806
0.9456
0.8822
0.7873
0.6652
0.5269
0.3872
1.0000
0.9999
0.9993
0.9961
0.9857
0.9614
0.9154
0.8418
0.7393
0.6128
1.0000
1.0000
0.9999
0.9994
0.9972
0.9905
0.9745
0.9427
0.8883
0.8062
12
0.9692
0.9990
1.0000
10
0.9844
0.9997
1.0000
0.9933
0.9999
1.0000
0.9978
1.0000
1.0000
0.9995
1.0000
5
6
1.0000
1.0000
1.0000
1.0000
0.9999
0.9996
0.9983
0.9944
0.9847
0.9644
0.9270
1.0000
1.0000
1.0000
0.9998
0.9992
0.9972
0.9921
0.9807
1.0000
1.0000
1.0000
1.0000
1.0000
0.9999
0.9997
0.9989
0.9968
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.9999
0.9998
12
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.8470
0.5846
0.3567
0.1979
0.1010
0.0475
0.0205
0.0081
0.0029
0.0009
0.9699
0.8416
0.6479
0.4481
0.2811
0.1608
0.0839
0.0398
0.0170
0.0065
0.9958
0.9559
0.8535
0.6982
0.5213
0.3552
0.2205
0.1243
0.0632
0.0287
0.9996
0.9908
0.9533
0.8702
0.7415
0.5842
0.4227
0.2793
0.1672
0.0898
1.0000
0.9985
0.9885
0.9561
0.8883
0.7805
0.6405
0.4859
0.3373
0.2120
1.0000
0.9998
0.9978
0.9884
0.9617
0.9067
0.8164
0.6925
0.5461
0.3953
1.0000
1.0000
0.9997
0.9976
0.9897
0.9685
0.9247
0.8499
0.7414
0.6047
1.0000
1.0000
1.0000
0.9996
0.9978
0.9917
0.9757
0.9417
0.8811
0.7880
1.0000
1.0000
1.0000
1.0000
0.9997
0.9983
0.9940
0.9825
0.9574
0.9102
10
1.0000
1.0000
1.0000
1.0000
1.0000
0.9998
0.9989
0.9961
0.9886
0.9713
11
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.9999
0.9994
0.9978
0.9935
12
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.9999
0.9997
0.9991
13
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.9999
14
16
1.0000
1.0000
11
14
1.0000
10
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.8108
0.5147
0.2839
0.1407
0.0635
0.0261
0.0098
0.0033
0.0010
0.0003
0.9571
0.7892
0.5614
0.3518
0.1971
0.0994
0.0451
0.0183
0.0066
0.0021
0.9930
0.9316
0.7899
0.5981
0.4050
0.2459
0.1339
0.0651
0.0281
0.0106
0.9991
0.9830
0.9209
0.7982
0.6302
0.4499
0.2892
0.1666
0.0853
0.0384
0.9999
0.9967
0.9765
0.9183
0.8103
0.6598
0.4900
0.3288
0.1976
0.1051
1.0000
0.9995
0.9944
0.9733
0.9204
0.8247
0.6881
0.5272
0.3660
0.2272
1.0000
0.9999
0.9989
0.9930
0.9729
0.9256
0.8406
0.7161
0.5629
0.4018
1.0000
1.0000
0.9998
0.9985
0.9925
0.9743
0.9329
0.8577
0.7441
0.5982
1.0000
1.0000
1.0000
0.9998
0.9984
0.9929
0.9771
0.9417
0.8759
0.7728
10
1.0000
1.0000
1.0000
1.0000
0.9997
0.9984
0.9938
0.9809
0.9514
0.8949
11
1.0000
1.0000
1.0000
1.0000
1.0000
0.9997
0.9987
0.9951
0.9851
0.9616
12
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.9998
0.9991
0.9965
0.9894
460
APNDICE D.
TABLAS ESTADSTICAS
13
1.0000
1.0000
1.0000
1.0000
1.0000
0.9999
0.9994
0.9979
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.9999
0.9997
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
16
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.7735
0.4503
0.2241
0.0991
0.0395
0.0142
0.0046
0.0013
0.0003
0.0001
0.9419
0.7338
0.4797
0.2713
0.1353
0.0600
0.0236
0.0082
0.0025
0.0007
0.9891
0.9018
0.7202
0.5010
0.3057
0.1646
0.0783
0.0328
0.0120
0.0038
0.9985
0.9718
0.8794
0.7164
0.5187
0.3327
0.1886
0.0942
0.0411
0.0154
0.9998
0.9936
0.9581
0.8671
0.7175
0.5344
0.3550
0.2088
0.1077
0.0481
1.0000
0.9988
0.9882
0.9487
0.8610
0.7217
0.5491
0.3743
0.2258
0.1189
1.0000
0.9998
0.9973
0.9837
0.9431
0.8593
0.7283
0.5634
0.3915
0.2403
1.0000
1.0000
0.9995
0.9957
0.9807
0.9404
0.8609
0.7368
0.5778
0.4073
1.0000
1.0000
0.9999
0.9991
0.9946
0.9790
0.9403
0.8653
0.7473
0.5927
10
1.0000
1.0000
1.0000
0.9998
0.9988
0.9939
0.9788
0.9424
0.8720
0.7597
11
1.0000
1.0000
1.0000
1.0000
0.9998
0.9986
0.9938
0.9797
0.9463
0.8811
12
1.0000
1.0000
1.0000
1.0000
1.0000
0.9997
0.9986
0.9942
0.9817
0.9519
13
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.9997
0.9987
0.9951
0.9846
14
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.9998
0.9990
0.9962
15
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.9999
0.9993
16
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.9999
17
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
18
20
1.0000
1.0000
15
18
1.0000
14
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.7358
0.3917
0.1756
0.0692
0.0243
0.0076
0.0021
0.0005
0.0001
0.0000
0.9245
0.6769
0.4049
0.2061
0.0913
0.0355
0.0121
0.0036
0.0009
0.0002
0.9841
0.8670
0.6477
0.4114
0.2252
0.1071
0.0444
0.0160
0.0049
0.0013
0.9974
0.9568
0.8298
0.6296
0.4148
0.2375
0.1182
0.0510
0.0189
0.0059
0.9997
0.9887
0.9327
0.8042
0.6172
0.4164
0.2454
0.1256
0.0553
0.0207
1.0000
0.9976
0.9781
0.9133
0.7858
0.6080
0.4166
0.2500
0.1299
0.0577
1.0000
0.9996
0.9941
0.9679
0.8982
0.7723
0.6010
0.4159
0.2520
0.1316
1.0000
0.9999
0.9987
0.9900
0.9591
0.8867
0.7624
0.5956
0.4143
0.2517
1.0000
1.0000
0.9998
0.9974
0.9861
0.9520
0.8782
0.7553
0.5914
0.4119
10
1.0000
1.0000
1.0000
0.9994
0.9961
0.9829
0.9468
0.8725
0.7507
0.5881
11
1.0000
1.0000
1.0000
0.9999
0.9991
0.9949
0.9804
0.9435
0.8692
0.7483
12
1.0000
1.0000
1.0000
1.0000
0.9998
0.9987
0.9940
0.9790
0.9420
0.8684
13
1.0000
1.0000
1.0000
1.0000
1.0000
0.9997
0.9985
0.9935
0.9786
0.9423
14
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.9997
0.9984
0.9936
0.9793
15
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.9997
0.9985
0.9941
16
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.9997
0.9987
17
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.9998
18
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
19
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
20
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
D.3.
461
D.3. Distribucin de Poisson

[x]
P (X x) =
k=0
e k
k!
=0.1
=0.3
=0.5
=0.7
=0.9
=1.1
=1.3
=1.5
=1.7
=1.9
0.9048
0.7408
0.6065
0.4966
0.4066
0.3329
0.2725
0.2231
0.1827
0.1496
0.9953
0.9631
0.9098
0.8442
0.7725
0.6990
0.6268
0.5578
0.4932
0.4337
0.9998
0.9964
0.9856
0.9659
0.9371
0.9004
0.8571
0.8088
0.7572
0.7037
1.0000
0.9997
0.9982
0.9942
0.9865
0.9743
0.9569
0.9344
0.9068
0.8747
1.0000
1.0000
0.9998
0.9992
0.9977
0.9946
0.9893
0.9814
0.9704
0.9559
1.0000
1.0000
1.0000
0.9999
0.9997
0.9990
0.9978
0.9955
0.9920
0.9868
1.0000
1.0000
1.0000
1.0000
1.0000
0.9999
0.9996
0.9991
0.9981
0.9966
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.9999
0.9998
0.9996
0.9992
=2
=3
=4
=5
=6
=7
=8
=9
=10
=11
0.1353
0.0498
0.0183
0.0067
0.0025
0.0009
0.0003
0.0001
0.0000
0.0000
0.4060
0.1991
0.0916
0.0404
0.0174
0.0073
0.0030
0.0012
0.0005
0.0002
0.6767
0.4232
0.2381
0.1247
0.0620
0.0296
0.0138
0.0062
0.0028
0.0012
0.8571
0.6472
0.4335
0.2650
0.1512
0.0818
0.0424
0.0212
0.0103
0.0049
0.9473
0.8153
0.6288
0.4405
0.2851
0.1730
0.0996
0.0550
0.0293
0.0151
0.9834
0.9161
0.7851
0.6160
0.4457
0.3007
0.1912
0.1157
0.0671
0.0375
0.9955
0.9665
0.8893
0.7622
0.6063
0.4497
0.3134
0.2068
0.1301
0.0786
0.9989
0.9881
0.9489
0.8666
0.7440
0.5987
0.4530
0.3239
0.2202
0.1432
0.9998
0.9962
0.9786
0.9319
0.8472
0.7291
0.5925
0.4557
0.3328
0.2320
1.0000
0.9989
0.9919
0.9682
0.9161
0.8305
0.7166
0.5874
0.4579
0.3405
10
1.0000
0.9997
0.9972
0.9863
0.9574
0.9015
0.8159
0.7060
0.5830
0.4599
11
1.0000
0.9999
0.9991
0.9945
0.9799
0.9467
0.8881
0.8030
0.6968
0.5793
12
1.0000
1.0000
0.9997
0.9980
0.9912
0.9730
0.9362
0.8758
0.7916
0.6887
13
1.0000
1.0000
0.9999
0.9993
0.9964
0.9872
0.9658
0.9261
0.8645
0.7813
14
1.0000
1.0000
1.0000
0.9998
0.9986
0.9943
0.9827
0.9585
0.9165
0.8540
15
1.0000
1.0000
1.0000
0.9999
0.9995
0.9976
0.9918
0.9780
0.9513
0.9074
16
1.0000
1.0000
1.0000
1.0000
0.9998
0.9990
0.9963
0.9889
0.9730
0.9441
17
1.0000
1.0000
1.0000
1.0000
0.9999
0.9996
0.9984
0.9947
0.9857
0.9678
18
1.0000
1.0000
1.0000
1.0000
1.0000
0.9999
0.9993
0.9976
0.9928
0.9823
19
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.9997
0.9989
0.9965
0.9907
20
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.9999
0.9996
0.9984
0.9953
21
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.9998
0.9993
0.9977
22
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.9999
0.9997
0.9990
=12
=13
=14
=15
=16
=17
=18
=19
=20
=21
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0001
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0005
0.0002
0.0001
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0023
0.0011
0.0005
0.0002
0.0001
0.0000
0.0000
0.0000
0.0000
0.0000
0.0076
0.0037
0.0018
0.0009
0.0004
0.0002
0.0001
0.0000
0.0000
0.0000
0.0203
0.0107
0.0055
0.0028
0.0014
0.0007
0.0003
0.0002
0.0001
0.0000
0.0458
0.0259
0.0142
0.0076
0.0040
0.0021
0.0010
0.0005
0.0003
0.0001
0.0895
0.0540
0.0316
0.0180
0.0100
0.0054
0.0029
0.0015
0.0008
0.0004
0.1550
0.0998
0.0621
0.0374
0.0220
0.0126
0.0071
0.0039
0.0021
0.0011
0.2424
0.1658
0.1094
0.0699
0.0433
0.0261
0.0154
0.0089
0.0050
0.0028
10
0.3472
0.2517
0.1757
0.1185
0.0774
0.0491
0.0304
0.0183
0.0108
0.0063
11
0.4616
0.3532
0.2600
0.1848
0.1270
0.0847
0.0549
0.0347
0.0214
0.0129
12
0.5760
0.4631
0.3585
0.2676
0.1931
0.1350
0.0917
0.0606
0.0390
0.0245
13
0.6815
0.5730
0.4644
0.3632
0.2745
0.2009
0.1426
0.0984
0.0661
0.0434
14
0.7720
0.6751
0.5704
0.4657
0.3675
0.2808
0.2081
0.1497
0.1049
0.0716
15
0.8444
0.7636
0.6694
0.5681
0.4667
0.3715
0.2867
0.2148
0.1565
0.1111
16
0.8987
0.8355
0.7559
0.6641
0.5660
0.4677
0.3751
0.2920
0.2211
0.1629
17
0.9370
0.8905
0.8272
0.7489
0.6593
0.5640
0.4686
0.3784
0.2970
0.2270
18
0.9626
0.9302
0.8826
0.8195
0.7423
0.6550
0.5622
0.4695
0.3814
0.3017
19
0.9787
0.9573
0.9235
0.8752
0.8122
0.7363
0.6509
0.5606
0.4703
0.3843
20
0.9884
0.9750
0.9521
0.9170
0.8682
0.8055
0.7307
0.6472
0.5591
0.4710
21
0.9939
0.9859
0.9712
0.9469
0.9108
0.8615
0.7991
0.7255
0.6437
0.5577
22
0.9970
0.9924
0.9833
0.9673
0.9418
0.9047
0.8551
0.7931
0.7206
0.6405
23
0.9985
0.9960
0.9907
0.9805
0.9633
0.9367
0.8989
0.8490
0.7875
0.7160
24
0.9993
0.9980
0.9950
0.9888
0.9777
0.9594
0.9317
0.8933
0.8432
0.7822
25
0.9997
0.9990
0.9974
0.9938
0.9869
0.9748
0.9554
0.9269
0.8878
0.8377
26
0.9999
0.9995
0.9987
0.9967
0.9925
0.9848
0.9718
0.9514
0.9221
0.8826
27
0.9999
0.9998
0.9994
0.9983
0.9959
0.9912
0.9827
0.9687
0.9475
0.9175
28
1.0000
0.9999
0.9997
0.9991
0.9978
0.9950
0.9897
0.9805
0.9657
0.9436
29
1.0000
1.0000
0.9999
0.9996
0.9989
0.9973
0.9941
0.9882
0.9782
0.9626
30
1.0000
1.0000
0.9999
0.9998
0.9994
0.9986
0.9967
0.9930
0.9865
0.9758
31
1.0000
1.0000
1.0000
0.9999
0.9997
0.9993
0.9982
0.9960
0.9919
0.9848
32
1.0000
1.0000
1.0000
1.0000
0.9999
0.9996
0.9990
0.9978
0.9953
0.9907
33
1.0000
1.0000
1.0000
1.0000
0.9999
0.9998
0.9995
0.9988
0.9973
0.9945
34
1.0000
1.0000
1.0000
1.0000
1.0000
0.9999
0.9998
0.9994
0.9985
0.9968
462
APNDICE D.
TABLAS ESTADSTICAS
D.4. Distribucin normal estndar

x
(x) = P (Z x) =
t2
1
e 2 dt
2
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.0
0.5000
0.5040
0.5080
0.5120
0.5160
0.5199
0.5239
0.5279
0.5319
0.5359
0.1
0.5398
0.5438
0.5478
0.5517
0.5557
0.5596
0.5636
0.5675
0.5714
0.5753
0.2
0.5793
0.5832
0.5871
0.5910
0.5948
0.5987
0.6026
0.6064
0.6103
0.6141
0.3
0.6179
0.6217
0.6255
0.6293
0.6331
0.6368
0.6406
0.6443
0.6480
0.6517
0.4
0.6554
0.6591
0.6628
0.6664
0.6700
0.6736
0.6772
0.6808
0.6844
0.6879
0.5
0.6915
0.6950
0.6985
0.7019
0.7054
0.7088
0.7123
0.7157
0.7190
0.7224
0.6
0.7257
0.7291
0.7324
0.7357
0.7389
0.7422
0.7454
0.7486
0.7517
0.7549
0.7
0.7580
0.7611
0.7642
0.7673
0.7704
0.7734
0.7764
0.7794
0.7823
0.7852
0.8
0.7881
0.7910
0.7939
0.7967
0.7995
0.8023
0.8051
0.8078
0.8106
0.8133
0.9
0.8159
0.8186
0.8212
0.8238
0.8264
0.8289
0.8315
0.8340
0.8365
0.8389
1.0
0.8413
0.8438
0.8461
0.8485
0.8508
0.8531
0.8554
0.8577
0.8599
0.8621
1.1
0.8643
0.8665
0.8686
0.8708
0.8729
0.8749
0.8770
0.8790
0.8810
0.8830
1.2
0.8849
0.8869
0.8888
0.8907
0.8925
0.8944
0.8962
0.8980
0.8997
0.9015
1.3
0.9032
0.9049
0.9066
0.9082
0.9099
0.9115
0.9131
0.9147
0.9162
0.9177
1.4
0.9192
0.9207
0.9222
0.9236
0.9251
0.9265
0.9279
0.9292
0.9306
0.9319
1.5
0.9332
0.9345
0.9357
0.9370
0.9382
0.9394
0.9406
0.9418
0.9429
0.9441
1.6
0.9452
0.9463
0.9474
0.9484
0.9495
0.9505
0.9515
0.9525
0.9535
0.9545
1.7
0.9554
0.9564
0.9573
0.9582
0.9591
0.9599
0.9608
0.9616
0.9625
0.9633
1.8
0.9641
0.9649
0.9656
0.9664
0.9671
0.9678
0.9686
0.9693
0.9699
0.9706
1.9
0.9713
0.9719
0.9726
0.9732
0.9738
0.9744
0.9750
0.9756
0.9761
0.9767
2.0
0.9772
0.9778
0.9783
0.9788
0.9793
0.9798
0.9803
0.9808
0.9812
0.9817
2.1
0.9821
0.9826
0.9830
0.9834
0.9838
0.9842
0.9846
0.9850
0.9854
0.9857
2.2
0.9861
0.9864
0.9868
0.9871
0.9875
0.9878
0.9881
0.9884
0.9887
0.9890
2.3
0.9893
0.9896
0.9898
0.9901
0.9904
0.9906
0.9909
0.9911
0.9913
0.9916
2.4
0.9918
0.9920
0.9922
0.9925
0.9927
0.9929
0.9931
0.9932
0.9934
0.9936
2.5
0.9938
0.9940
0.9941
0.9943
0.9945
0.9946
0.9948
0.9949
0.9951
0.9952
2.6
0.9953
0.9955
0.9956
0.9957
0.9959
0.9960
0.9961
0.9962
0.9963
0.9964
2.7
0.9965
0.9966
0.9967
0.9968
0.9969
0.9970
0.9971
0.9972
0.9973
0.9974
2.8
0.9974
0.9975
0.9976
0.9977
0.9977
0.9978
0.9979
0.9979
0.9980
0.9981
2.9
0.9981
0.9982
0.9982
0.9983
0.9984
0.9984
0.9985
0.9985
0.9986
0.9986
3.0
0.9987
0.9987
0.9987
0.9988
0.9988
0.9989
0.9989
0.9989
0.9990
0.9990
3.1
0.9990
0.9991
0.9991
0.9991
0.9992
0.9992
0.9992
0.9992
0.9993
0.9993
3.2
0.9993
0.9993
0.9994
0.9994
0.9994
0.9994
0.9994
0.9995
0.9995
0.9995
3.3
0.9995
0.9995
0.9995
0.9996
0.9996
0.9996
0.9996
0.9996
0.9996
0.9997
3.4
0.9997
0.9997
0.9997
0.9997
0.9997
0.9997
0.9997
0.9997
0.9997
0.9998
3.5
0.9998
0.9998
0.9998
0.9998
0.9998
0.9998
0.9998
0.9998
0.9998
0.9998
3.6
0.9998
0.9998
0.9999
0.9999
0.9999
0.9999
0.9999
0.9999
0.9999
0.9999
3.7
0.9999
0.9999
0.9999
0.9999
0.9999
0.9999
0.9999
0.9999
0.9999
0.9999
3.8
0.9999
0.9999
0.9999
0.9999
0.9999
0.9999
0.9999
0.9999
0.9999
0.9999
3.9
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
D.5.
DISTRIBUCIN
463
DE STUDENT
D.5. Distribucin t de Student

x
Ftn (x) = P (tn x) =
n+1
2 n+1
2
2 dt = t
n,1
n (1 t )
n 2
n =1
n =2
n =3
n =4
n =5
n =6
n =7
n =8
n =9
n =10
0.500
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.550
0.1584
0.1421
0.1366
0.1338
0.1322
0.1311
0.1303
0.1297
0.1293
0.1289
0.600
0.3249
0.2887
0.2767
0.2707
0.2672
0.2648
0.2632
0.2619
0.2610
0.2602
0.650
0.5095
0.4447
0.4242
0.4142
0.4082
0.4043
0.4015
0.3995
0.3979
0.3966
0.700
0.7265
0.6172
0.5844
0.5686
0.5594
0.5534
0.5491
0.5459
0.5435
0.5415
0.750
1.0000
0.8165
0.7649
0.7407
0.7267
0.7176
0.7111
0.7064
0.7027
0.6998
0.800
1.3764
1.0607
0.9785
0.9410
0.9195
0.9057
0.8960
0.8889
0.8834
0.8791
0.850
1.9626
1.3862
1.2498
1.1896
1.1558
1.1342
1.1192
1.1081
1.0997
1.0931
0.900
3.0777
1.8856
1.6377
1.5332
1.4759
1.4398
1.4149
1.3968
1.3830
1.3722
0.905
3.2506
1.9534
1.6880
1.5767
1.5158
1.4775
1.4513
1.4321
1.4175
1.4061
0.910
3.4420
2.0261
1.7413
1.6226
1.5579
1.5172
1.4894
1.4691
1.4537
1.4416
0.915
3.6554
2.1045
1.7981
1.6712
1.6023
1.5590
1.5295
1.5079
1.4916
1.4788
0.920
3.8947
2.1894
1.8589
1.7229
1.6493
1.6033
1.5718
1.5489
1.5315
1.5179
0.925
4.1653
2.2819
1.9243
1.7782
1.6994
1.6502
1.6166
1.5922
1.5737
1.5592
0.930
4.4737
2.3834
1.9950
1.8375
1.7529
1.7002
1.6643
1.6383
1.6185
1.6031
0.935
4.8288
2.4954
2.0719
1.9016
1.8104
1.7538
1.7153
1.6874
1.6663
1.6498
0.940
5.2422
2.6202
2.1562
1.9712
1.8727
1.8117
1.7702
1.7402
1.7176
1.6998
0.945
5.7297
2.7604
2.2494
2.0475
1.9405
1.8744
1.8297
1.7973
1.7729
1.7538
0.950
6.3138
2.9200
2.3534
2.1318
2.0150
1.9432
1.8946
1.8595
1.8331
1.8125
0.955
7.0264
3.1040
2.4708
2.2261
2.0978
2.0192
1.9662
1.9280
1.8992
1.8768
0.960
7.9158
3.3198
2.6054
2.3329
2.1910
2.1043
2.0460
2.0042
1.9727
0.965
9.0579
3.5782
2.7626
2.4559
2.2974
2.2011
2.1365
2.0902
2.0554
2.0283
0.970
10.5789
3.8964
2.9505
2.6008
2.4216
2.3133
2.2409
2.1892
2.1504
2.1202
0.975
12.7062
4.3027
3.1824
2.7764
2.5706
2.4469
2.3646
2.3060
2.2622
2.2281
0.980
15.8945
4.8487
3.4819
2.9985
2.7565
2.6122
2.5168
2.4490
2.3984
2.3593
0.985
21.2049
5.6428
3.8960
3.2976
3.0029
2.8289
2.7146
2.6338
2.5738
2.5275
0.990
31.8205
6.9646
4.5407
3.7469
3.3649
3.1427
2.9980
2.8965
2.8214
2.7638
0.995
63.6567
9.9248
5.8409
4.6041
4.0321
3.7074
3.4995
3.3554
3.2498
3.1693
0.999
318.3088
22.3271
10.2145
7.1732
5.8934
5.2076
4.7853
4.5008
4.2968
4.1437
1.9481
464
APNDICE D.
TABLAS ESTADSTICAS
n =11
n =12
n =13
n =14
n =15
n =16
n =17
n =18
n =19
n =20
0.500
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.550
0.1286
0.1283
0.1281
0.1280
0.1278
0.1277
0.1276
0.1274
0.1274
0.1273
0.600
0.2596
0.2590
0.2586
0.2582
0.2579
0.2576
0.2573
0.2571
0.2569
0.2567
0.650
0.3956
0.3947
0.3940
0.3933
0.3928
0.3923
0.3919
0.3915
0.3912
0.3909
0.700
0.5399
0.5386
0.5375
0.5366
0.5357
0.5350
0.5344
0.5338
0.5333
0.5329
0.750
0.6974
0.6955
0.6938
0.6924
0.6912
0.6901
0.6892
0.6884
0.6876
0.6870
0.800
0.8755
0.8726
0.8702
0.8681
0.8662
0.8647
0.8633
0.8620
0.8610
0.8600
0.850
1.0877
1.0832
1.0795
1.0763
1.0735
1.0711
1.0690
1.0672
1.0655
1.0640
0.900
1.3634
1.3562
1.3502
1.3450
1.3406
1.3368
1.3334
1.3304
1.3277
1.3253
0.905
1.3969
1.3892
1.3829
1.3774
1.3728
1.3687
1.3652
1.3620
1.3592
1.3567
0.910
1.4318
1.4237
1.4170
1.4113
1.4063
1.4021
1.3983
1.3950
1.3920
1.3894
0.915
1.4684
1.4599
1.4528
1.4467
1.4415
1.4369
1.4330
1.4295
1.4263
1.4235
0.920
1.5069
1.4979
1.4903
1.4839
1.4784
1.4736
1.4694
1.4656
1.4623
1.4593
0.925
1.5476
1.5380
1.5299
1.5231
1.5172
1.5121
1.5077
1.5037
1.5002
1.4970
0.930
1.5906
1.5804
1.5718
1.5646
1.5583
1.5529
1.5482
1.5439
1.5402
1.5369
0.935
1.6365
1.6256
1.6164
1.6087
1.6020
1.5962
1.5911
1.5867
1.5827
1.5791
0.940
1.6856
1.6739
1.6641
1.6558
1.6487
1.6425
1.6370
1.6322
1.6280
1.6242
0.945
1.7385
1.7259
1.7154
1.7064
1.6988
1.6921
1.6863
1.6812
1.6766
1.6725
0.950
1.7959
1.7823
1.7709
1.7613
1.7531
1.7459
1.7396
1.7341
1.7291
1.7247
0.955
1.8588
1.8440
1.8317
1.8213
1.8123
1.8046
1.7978
1.7918
1.7864
1.7816
0.960
1.9284
1.9123
1.8989
1.8875
1.8777
1.8693
1.8619
1.8553
1.8495
1.8443
0.965
2.0067
1.9889
1.9742
1.9617
1.9509
1.9417
1.9335
1.9264
1.9200
1.9143
0.970
2.0961
2.0764
2.0600
2.0462
2.0343
2.0240
2.0150
2.0071
2.0000
1.9937
0.975
2.2010
2.1788
2.1604
2.1448
2.1314
2.1199
2.1098
2.1009
2.0930
2.0860
0.980
2.3281
2.3027
2.2816
2.2638
2.2485
2.2354
2.2238
2.2137
2.2047
2.1967
0.985
2.4907
2.4607
2.4358
2.4149
2.3970
2.3815
2.3681
2.3562
2.3456
2.3362
0.990
2.7181
2.6810
2.6503
2.6245
2.6025
2.5835
2.5669
2.5524
2.5395
2.5280
0.995
3.1058
3.0545
3.0123
2.9768
2.9467
2.9208
2.8982
2.8784
2.8609
2.8453
0.999
4.0247
3.9296
3.8520
3.7874
3.7328
3.6862
3.6458
3.6105
3.5794
3.5518
n =21
n =22
n =23
n =24
n =25
n =26
n =27
n =28
n =29
n =30
0.500
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.550
0.1272
0.1271
0.1271
0.1270
0.1269
0.1269
0.1268
0.1268
0.1268
0.1267
0.600
0.2566
0.2564
0.2563
0.2562
0.2561
0.2560
0.2559
0.2558
0.2557
0.2556
0.650
0.3906
0.3904
0.3902
0.3900
0.3898
0.3896
0.3894
0.3893
0.3892
0.3890
0.700
0.5325
0.5321
0.5317
0.5314
0.5312
0.5309
0.5306
0.5304
0.5302
0.5300
0.750
0.6864
0.6858
0.6853
0.6848
0.6844
0.6840
0.6837
0.6834
0.6830
0.6828
0.800
0.8591
0.8583
0.8575
0.8569
0.8562
0.8557
0.8551
0.8546
0.8542
0.8538
0.850
1.0627
1.0614
1.0603
1.0593
1.0584
1.0575
1.0567
1.0560
1.0553
1.0547
0.900
1.3232
1.3212
1.3195
1.3178
1.3163
1.3150
1.3137
1.3125
1.3114
1.3104
0.905
1.3544
1.3524
1.3505
1.3488
1.3472
1.3458
1.3444
1.3432
1.3420
1.3410
0.910
1.3870
1.3848
1.3828
1.3810
1.3794
1.3778
1.3764
1.3751
1.3739
1.3728
0.915
1.4210
1.4187
1.4166
1.4147
1.4130
1.4113
1.4098
1.4085
1.4072
1.4060
0.920
1.4567
1.4542
1.4520
1.4500
1.4482
1.4464
1.4449
1.4434
1.4421
1.4408
0.925
1.4942
1.4916
1.4893
1.4871
1.4852
1.4834
1.4817
1.4801
1.4787
1.4774
0.930
1.5338
1.5311
1.5286
1.5263
1.5242
1.5223
1.5205
1.5189
1.5174
1.5159
0.935
1.5759
1.5730
1.5703
1.5679
1.5657
1.5636
1.5617
1.5600
1.5583
1.5568
0.940
1.6207
1.6176
1.6148
1.6122
1.6098
1.6076
1.6056
1.6037
1.6020
1.6004
0.945
1.6688
1.6655
1.6624
1.6596
1.6571
1.6547
1.6526
1.6506
1.6487
1.6470
0.950
1.7207
1.7171
1.7139
1.7109
1.7081
1.7056
1.7033
1.7011
1.6991
1.6973
0.955
1.7773
1.7734
1.7699
1.7667
1.7637
1.7610
1.7585
1.7561
1.7540
1.7520
0.960
1.8397
1.8354
1.8316
1.8281
1.8248
1.8219
1.8191
1.8166
1.8142
1.8120
0.965
1.9092
1.9045
1.9003
1.8965
1.8929
1.8897
1.8867
1.8839
1.8813
1.8789
0.970
1.9880
1.9829
1.9782
1.9740
1.9701
1.9665
1.9632
1.9601
1.9573
1.9546
0.975
2.0796
2.0739
2.0687
2.0639
2.0595
2.0555
2.0518
2.0484
2.0452
2.0423
0.980
2.1894
2.1829
2.1770
2.1715
2.1666
2.1620
2.1578
2.1539
2.1503
2.1470
0.985
2.3278
2.3202
2.3132
2.3069
2.3011
2.2958
2.2909
2.2864
2.2822
2.2783
0.990
2.5176
2.5083
2.4999
2.4922
2.4851
2.4786
2.4727
2.4671
2.4620
2.4573
0.995
2.8314
2.8188
2.8073
2.7969
2.7874
2.7787
2.7707
2.7633
2.7564
2.7500
0.999
3.5272
3.5050
3.4850
3.4668
3.4502
3.4350
3.4210
3.4082
3.3962
3.3852
D.5.
DISTRIBUCIN
465
DE STUDENT
n =40
n =50
n =60
n =70
n =80
n =90
n =100
n =150
n =500
n =1000
0.500
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.550
0.1265
0.1263
0.1262
0.1261
0.1261
0.1260
0.1260
0.1259
0.1257
0.1257
0.600
0.2550
0.2547
0.2545
0.2543
0.2542
0.2541
0.2540
0.2538
0.2535
0.2534
0.650
0.3881
0.3875
0.3872
0.3869
0.3867
0.3866
0.3864
0.3861
0.3855
0.3854
0.700
0.5286
0.5278
0.5272
0.5268
0.5265
0.5263
0.5261
0.5255
0.5247
0.5246
0.750
0.6807
0.6794
0.6786
0.6780
0.6776
0.6772
0.6770
0.6761
0.6750
0.6747
0.800
0.8507
0.8489
0.8477
0.8468
0.8461
0.8456
0.8452
0.8440
0.8423
0.8420
0.850
1.0500
1.0473
1.0455
1.0442
1.0432
1.0424
1.0418
1.0400
1.0375
1.0370
0.900
1.3031
1.2987
1.2958
1.2938
1.2922
1.2910
1.2901
1.2872
1.2832
1.2824
0.905
1.3332
1.3286
1.3256
1.3234
1.3218
1.3205
1.3195
1.3165
1.3124
1.3115
0.910
1.3646
1.3598
1.3566
1.3543
1.3526
1.3513
1.3502
1.3470
1.3426
1.3417
0.915
1.3974
1.3923
1.3889
1.3865
1.3847
1.3833
1.3822
1.3788
1.3742
1.3732
0.920
1.4317
1.4263
1.4227
1.4202
1.4183
1.4168
1.4156
1.4121
1.4072
1.4061
0.925
1.4677
1.4620
1.4582
1.4555
1.4535
1.4519
1.4507
1.4469
1.4417
1.4406
0.930
1.5057
1.4996
1.4956
1.4927
1.4906
1.4889
1.4876
1.4836
1.4781
1.4770
0.935
1.5459
1.5394
1.5352
1.5321
1.5298
1.5281
1.5267
1.5225
1.5166
1.5153
0.940
1.5887
1.5818
1.5772
1.5740
1.5716
1.5697
1.5682
1.5637
1.5574
1.5561
0.945
1.6345
1.6271
1.6222
1.6187
1.6161
1.6141
1.6125
1.6077
1.6010
1.5996
0.950
1.6839
1.6759
1.6706
1.6669
1.6641
1.6620
1.6602
1.6551
1.6479
1.6464
0.955
1.7375
1.7289
1.7232
1.7192
1.7162
1.7138
1.7120
1.7064
1.6987
1.6970
0.960
1.7963
1.7870
1.7808
1.7765
1.7732
1.7707
1.7687
1.7626
1.7543
1.7525
0.965
1.8617
1.8516
1.8448
1.8401
1.8365
1.8337
1.8315
1.8249
1.8158
1.8139
0.970
1.9357
1.9244
1.9170
1.9118
1.9078
1.9048
1.9024
1.8951
1.8851
1.8829
0.975
2.0211
2.0086
2.0003
1.9944
1.9901
1.9867
1.9840
1.9759
1.9647
1.9623
0.980
2.1229
2.1087
2.0994
2.0927
2.0878
2.0839
2.0809
2.0718
2.0591
2.0564
0.985
2.2503
2.2338
2.2229
2.2152
2.2095
2.2050
2.2015
2.1909
2.1763
2.1732
0.990
2.4233
2.4033
2.3901
2.3808
2.3739
2.3685
2.3642
2.3515
2.3338
2.3301
0.995
2.7045
2.6778
2.6603
2.6479
2.6387
2.6316
2.6259
2.6090
2.5857
2.5808
0.999
3.3069
3.2614
3.2317
3.2108
3.1953
3.1833
3.1737
3.1455
3.1066
3.0984
466
APNDICE D.
TABLAS ESTADSTICAS
D.6. Distribucin Ji-cuadrado de Pearson

x
F2 (x) = P 2 x =
n
n
1
2
n
2
n
2
n2
2
e 2 dt = 2
n,1
n =1
n =2
n =3
n =4
n =5
n =6
n =7
n =8
n =9
n =10
0.005
0.0000
0.0100
0.0717
0.2070
0.4117
0.6757
0.9893
1.3444
1.7349
2.1559
0.010
0.0002
0.0201
0.1148
0.2971
0.5543
0.8721
1.2390
1.6465
2.0879
2.5582
0.015
0.0004
0.0302
0.1516
0.3682
0.6618
1.0160
1.4184
1.8603
2.3349
2.8372
0.020
0.0006
0.0404
0.1848
0.4294
0.7519
1.1344
1.5643
2.0325
2.5324
3.0591
0.025
0.0010
0.0506
0.2158
0.4844
0.8312
1.2373
1.6899
2.1797
2.7004
3.2470
0.030
0.0014
0.0609
0.2451
0.5351
0.9031
1.3296
1.8016
2.3101
2.8485
3.4121
0.035
0.0019
0.0713
0.2731
0.5824
0.9693
1.4140
1.9033
2.4281
2.9821
3.5606
0.040
0.0025
0.0816
0.3002
0.6271
1.0313
1.4924
1.9971
2.5366
3.1047
3.6965
0.045
0.0032
0.0921
0.3263
0.6698
1.0898
1.5659
2.0848
2.6377
3.2185
3.8225
0.050
0.0039
0.1026
0.3518
0.7107
1.1455
1.6354
2.1673
2.7326
3.3251
3.9403
0.055
0.0048
0.1131
0.3768
0.7502
1.1987
1.7016
2.2457
2.8225
3.4258
4.0514
0.060
0.0057
0.1238
0.4012
0.7884
1.2499
1.7649
2.3205
2.9080
3.5215
4.1567
0.065
0.0067
0.1344
0.4251
0.8255
1.2993
1.8258
2.3921
2.9897
3.6128
4.2572
0.070
0.0077
0.1451
0.4487
0.8616
1.3472
1.8846
2.4611
3.0683
3.7004
4.3534
0.075
0.0089
0.1559
0.4720
0.8969
1.3937
1.9415
2.5277
3.1440
3.7847
4.4459
0.080
0.0101
0.1668
0.4949
0.9315
1.4390
1.9967
2.5921
3.2172
3.8661
4.5350
0.085
0.0114
0.1777
0.5176
0.9654
1.4832
2.0505
2.6548
3.2881
3.9449
4.6213
0.090
0.0128
0.1886
0.5401
0.9987
1.5264
2.1029
2.7157
3.3570
4.0214
4.7049
0.095
0.0142
0.1996
0.5623
1.0314
1.5688
2.1540
2.7751
3.4241
4.0957
0.100
0.0158
0.2107
0.5844
1.0636
1.6103
2.2041
2.8331
3.4895
4.1682
4.8652
0.900
2.7055
4.6052
6.2514
7.7794
9.2364
10.6446
12.0170
13.3616
14.6837
15.9872
0.905
2.7875
4.7078
6.3684
7.9082
9.3753
10.7927
12.1734
13.5256
14.8549
16.1652
0.910
2.8744
4.8159
6.4915
8.0434
9.5211
10.9479
12.3372
13.6975
15.0342
16.3516
0.915
2.9666
4.9302
6.6213
8.1859
9.6745
11.1112
12.5095
13.8780
15.2226
16.5473
0.920
3.0649
5.0515
6.7587
8.3365
9.8366
11.2835
12.6912
14.0684
15.4211
16.7535
0.925
3.1701
5.1805
6.9046
8.4963
10.0083
11.4659
12.8834
14.2697
15.6309
16.9714
0.930
3.2830
5.3185
7.0603
8.6664
10.1910
11.6599
13.0877
14.4836
15.8537
17.2026
0.935
3.4050
5.4667
7.2271
8.8485
10.3863
11.8671
13.3058
14.7117
16.0913
17.4490
0.940
3.5374
5.6268
7.4069
9.0444
10.5962
12.0896
13.5397
14.9563
16.3459
17.7131
0.945
3.6821
5.8008
7.6018
9.2564
10.8232
12.3300
13.7924
15.2203
16.6206
17.9978
0.950
3.8415
5.9915
7.8147
9.4877
11.0705
12.5916
14.0671
15.5073
16.9190
18.3070
0.955
4.0186
6.2022
8.0495
9.7423
11.3423
12.8789
14.3686
15.8220
17.2460
18.6457
0.960
4.2179
6.4378
8.3112
10.0255
11.6443
13.1978
14.7030
16.1708
17.6083
19.0207
0.965
4.4452
6.7048
8.6069
10.3450
11.9846
13.5567
15.0790
16.5626
18.0150
19.4415
0.970
4.7093
7.0131
8.9473
10.7119
12.3746
13.9676
15.5091
17.0105
18.4796
19.9219
0.975
5.0239
7.3778
9.3484
11.1433
12.8325
14.4494
16.0128
17.5345
19.0228
0.980
5.4119
7.8240
9.8374
11.6678
13.3882
15.0332
16.6224
18.1682
19.6790
21.1608
0.985
5.9165
8.3994
10.4650
12.3391
14.0978
15.7774
17.3984
18.9739
20.5125
22.0206
0.990
6.6349
9.2103
11.3449
13.2767
15.0863
16.8119
18.4753
20.0902
21.6660
23.2093
0.995
7.8794
10.5966
12.8382
14.8603
16.7496
18.5476
20.2777
21.9550
23.5894
25.1882
4.7861
20.4832
D.6.
467
DISTRIBUCIN JI-CUADRADO DE PEARSON
n =11
n =12
n =13
n =14
n =15
n =16
n =17
n =18
n =19
n =20
0.005
0.0000
0.0100
0.0717
0.2070
0.4117
0.6757
0.9893
1.3444
1.7349
7.4338
0.010
0.0002
0.0201
0.1148
0.2971
0.5543
0.8721
1.2390
1.6465
2.0879
8.2604
0.015
0.0004
0.0302
0.1516
0.3682
0.6618
1.0160
1.4184
1.8603
2.3349
8.8105
0.020
0.0006
0.0404
0.1848
0.4294
0.7519
1.1344
1.5643
2.0325
2.5324
9.2367
0.025
0.0010
0.0506
0.2158
0.4844
0.8312
1.2373
1.6899
2.1797
2.7004
0.030
0.0014
0.0609
0.2451
0.5351
0.9031
1.3296
1.8016
2.3101
2.8485
9.8971
0.035
0.0019
0.0713
0.2731
0.5824
0.9693
1.4140
1.9033
2.4281
2.9821
10.1692
0.040
0.0025
0.0816
0.3002
0.6271
1.0313
1.4924
1.9971
2.5366
3.1047
10.4154
0.045
0.0032
0.0921
0.3263
0.6698
1.0898
1.5659
2.0848
2.6377
3.2185
10.6413
0.050
0.0039
0.1026
0.3518
0.7107
1.1455
1.6354
2.1673
2.7326
3.3251
10.8508
0.055
0.0048
0.1131
0.3768
0.7502
1.1987
1.7016
2.2457
2.8225
3.4258
11.0468
0.060
0.0057
0.1238
0.4012
0.7884
1.2499
1.7649
2.3205
2.9080
3.5215
11.2314
0.065
0.0067
0.1344
0.4251
0.8255
1.2993
1.8258
2.3921
2.9897
3.6128
11.4062
0.070
0.0077
0.1451
0.4487
0.8616
1.3472
1.8846
2.4611
3.0683
3.7004
11.5727
0.075
0.0089
0.1559
0.4720
0.8969
1.3937
1.9415
2.5277
3.1440
3.7847
11.7317
0.080
0.0101
0.1668
0.4949
0.9315
1.4390
1.9967
2.5921
3.2172
3.8661
11.8843
0.085
0.0114
0.1777
0.5176
0.9654
1.4832
2.0505
2.6548
3.2881
3.9449
12.0311
0.090
0.0128
0.1886
0.5401
0.9987
1.5264
2.1029
2.7157
3.3570
4.0214
12.1728
0.095
0.0142
0.1996
0.5623
1.0314
1.5688
2.1540
2.7751
3.4241
4.0957
12.3098
0.100
0.0158
0.2107
0.5844
1.0636
1.6103
2.2041
2.8331
3.4895
4.1682
12.4426
0.900
2.7055
4.6052
6.2514
7.7794
9.2364
10.6446
12.0170
13.3616
14.6837
28.4120
0.905
2.7875
4.7078
6.3684
7.9082
9.3753
10.7927
12.1734
13.5256
14.8549
28.6444
0.910
2.8744
4.8159
6.4915
8.0434
9.5211
10.9479
12.3372
13.6975
15.0342
28.8874
0.915
2.9666
4.9302
6.6213
8.1859
9.6745
11.1112
12.5095
13.8780
15.2226
29.1420
0.920
3.0649
5.0515
6.7587
8.3365
9.8366
11.2835
12.6912
14.0684
15.4211
29.4097
0.925
3.1701
5.1805
6.9046
8.4963
10.0083
11.4659
12.8834
14.2697
15.6309
29.6920
0.930
3.2830
5.3185
7.0603
8.6664
10.1910
11.6599
13.0877
14.4836
15.8537
29.9910
0.935
3.4050
5.4667
7.2271
8.8485
10.3863
11.8671
13.3058
14.7117
16.0913
30.3089
0.940
3.5374
5.6268
7.4069
9.0444
10.5962
12.0896
13.5397
14.9563
16.3459
30.6489
0.945
3.6821
5.8008
7.6018
9.2564
10.8232
12.3300
13.7924
15.2203
16.6206
31.0144
0.950
3.8415
5.9915
7.8147
9.4877
11.0705
12.5916
14.0671
15.5073
16.9190
31.4104
0.955
4.0186
6.2022
8.0495
9.7423
11.3423
12.8789
14.3686
15.8220
17.2460
31.8430
0.960
4.2179
6.4378
8.3112
10.0255
11.6443
13.1978
14.7030
16.1708
17.6083
32.3206
0.965
4.4452
6.7048
8.6069
10.3450
11.9846
13.5567
15.0790
16.5626
18.0150
32.8547
0.970
4.7093
7.0131
8.9473
10.7119
12.3746
13.9676
15.5091
17.0105
18.4796
33.4624
0.975
5.0239
7.3778
9.3484
11.1433
12.8325
14.4494
16.0128
17.5345
19.0228
0.980
5.4119
7.8240
9.8374
11.6678
13.3882
15.0332
16.6224
18.1682
19.6790
35.0196
0.985
5.9165
8.3994
10.4650
12.3391
14.0978
15.7774
17.3984
18.9739
20.5125
36.0926
0.990
6.6349
9.2103
11.3449
13.2767
15.0863
16.8119
18.4753
20.0902
21.6660
37.5662
0.995
7.8794
10.5966
12.8382
14.8603
16.7496
18.5476
20.2777
21.9550
23.5894
39.9968
n =21
n =22
n =28
n =29
0.005
8.0337
8.6427
9.2604
9.8862
10.5197
11.1602
11.8076
12.4613
13.1211
13.7867
0.010
8.8972
9.5425
10.1957
10.8564
11.5240
12.1981
12.8785
13.5647
14.2565
14.9535
9.4708
10.1390
10.8147
n =24
11.4974
n =25
12.1867
n =26
12.8821
n =27
34.1696
0.015
n =23
9.5908
13.5833
14.2900
15.0019
n =30
15.7188
0.020
9.9146
10.6000
11.2926
11.9918
12.6973
13.4086
14.1254
14.8475
15.5745
16.3062
0.025
10.2829
10.9823
11.6886
12.4012
13.1197
13.8439
14.5734
15.3079
16.0471
16.7908
0.030
10.6013
11.3125
12.0303
12.7543
13.4840
14.2190
14.9592
15.7042
16.4538
17.2076
0.035
10.8839
11.6055
12.3334
13.0672
13.8066
14.5512
15.3007
16.0549
16.8134
17.5761
0.040
11.1395
11.8703
12.6072
13.3498
14.0978
14.8509
15.6087
16.3711
17.1377
17.9083
0.045
11.3740
12.1131
12.8581
13.6087
14.3645
15.1253
15.8906
16.6603
17.4342
18.2119
0.050
11.5913
12.3380
13.0905
13.8484
14.6114
15.3792
16.1514
16.9279
17.7084
18.4927
0.055
11.7945
12.5483
13.3077
14.0723
14.8419
15.6162
16.3948
17.1775
17.9641
18.7545
0.060
11.9858
12.7461
13.5120
14.2829
15.0587
15.8390
16.6235
17.4121
18.2044
19.0004
0.065
12.1670
12.9335
13.7053
14.4822
15.2637
16.0497
16.8398
17.6338
18.4315
19.2328
0.070
12.3394
13.1117
13.8892
14.6716
15.4586
16.2499
17.0453
17.8444
18.6472
19.4534
0.075
12.5041
13.2819
14.0648
14.8525
15.6447
16.4410
17.2414
18.0454
18.8530
19.6639
0.080
12.6620
13.4451
14.2331
15.0259
15.8229
16.6241
17.4291
18.2378
19.0500
19.8654
0.085
12.8140
13.6020
14.3950
15.1925
15.9942
16.8000
17.6096
18.4227
19.2392
20.0589
0.090
12.9605
13.7534
14.5510
15.3531
16.1594
16.9695
17.7834
18.6008
19.4214
20.2452
0.095
13.1023
13.8997
14.7019
15.5083
16.3189
17.1333
17.9513
18.7728
19.5974
20.4251
0.100
13.2396
14.0415
14.8480
15.6587
16.4734
17.2919
18.1139
18.9392
19.7677
20.5992
0.900
29.6151
30.8133
32.0069
33.1962
34.3816
35.5632
36.7412
37.9159
39.0875
40.2560
0.905
29.8521
31.0548
32.2528
33.4464
34.6359
35.8216
37.0036
38.1823
39.3577
40.5300
0.910
30.0998
31.3071
32.5096
33.7077
34.9015
36.0915
37.2777
38.4604
39.6398
40.8161
0.915
30.3594
31.5715
32.7788
33.9814
35.1798
36.3741
37.5647
38.7517
39.9353
41.1157
0.920
30.6322
31.8494
33.0616
34.2690
35.4721
36.6711
37.8662
39.0577
40.2456
41.4304
0.925
30.9200
32.1424
33.3597
34.5723
35.7803
36.9841
38.1840
39.3801
40.5727
41.7619
0.930
31.2246
32.4526
33.6754
34.8932
36.1065
37.3154
38.5202
39.7213
40.9187
42.1126
0.935
31.5486
32.7825
34.0110
35.2344
36.4531
37.6674
38.8776
40.0838
41.2863
42.4852
0.940
31.8949
33.1350
34.3696
35.5990
36.8235
38.0435
39.2593
40.4710
41.6789
42.8831
0.945
32.2673
33.5140
34.7551
35.9908
37.2216
38.4477
39.6694
40.8870
42.1006
43.3106
0.950
32.6706
33.9244
35.1725
36.4150
37.6525
38.8851
40.1133
41.3371
42.5570
43.7730
0.955
33.1111
34.3726
35.6282
36.8782
38.1228
39.3626
40.5977
41.8283
43.0549
44.2774
0.960
33.5972
34.8673
36.1311
37.3891
38.6416
39.8891
41.1318
42.3699
43.6038
44.8336
0.965
34.1409
35.4203
36.6932
37.9601
39.2214
40.4775
41.7285
42.9749
44.2169
45.4546
0.970
34.7593
36.0492
37.3323
38.6093
39.8804
41.1460
42.4066
43.6622
44.9132
46.1599
0.975
35.4789
36.7807
38.0756
39.3641
40.6465
41.9232
43.1945
44.4608
45.7223
46.9792
0.980
36.3434
37.6595
38.9683
40.2704
41.5661
42.8558
44.1400
45.4188
46.6927
47.9618
0.985
37.4345
38.7681
40.0941
41.4130
42.7252
44.0311
45.3311
46.6256
47.9147
49.1989
0.990
38.9322
40.2894
41.6384
42.9798
44.3141
45.6417
46.9629
48.2782
49.5879
50.8922
0.995
41.4011
42.7957
44.1813
45.5585
46.9279
48.2899
49.6449
50.9934
52.3356
53.6720
468
APNDICE D.
TABLAS ESTADSTICAS
n =40
n =50
n =60
n =70
n =80
n =90
n =100
n =150
n =500
n =1000
0.005
20.7065
27.9907
35.5345
43.2752
51.1719
59.1963
67.3276
109.1422
422.3034
888.5635
0.010
22.1643
29.7067
37.4849
45.4417
53.5401
61.7541
70.0649
112.6676
429.3875
898.9124
0.015
23.1130
30.8180
38.7435
46.8362
55.0612
63.3942
71.8177
114.9148
433.8652
905.4354
0.020
23.8376
31.6639
39.6994
47.8934
56.2128
64.6347
73.1422
116.6076
437.2194
910.3127
0.025
24.4330
32.3574
40.4817
48.7576
57.1532
65.6466
74.2219
117.9845
439.9360
914.2572
0.030
24.9437
32.9509
41.1504
49.4953
57.9553
66.5093
75.1419
119.1554
442.2381
917.5959
0.035
25.3940
33.4734
41.7383
50.1434
58.6595
67.2661
75.9486
120.1806
444.2476
920.5074
0.040
25.7989
33.9426
42.2656
50.7243
59.2902
67.9437
76.6705
121.0968
446.0389
923.1005
0.045
26.1684
34.3702
42.7458
51.2528
59.8638
68.5597
77.3265
121.9283
447.6607
925.4463
0.050
26.5093
34.7643
43.1880
51.7393
60.3915
69.1260
77.9295
122.6918
449.1468
927.5944
0.055
26.8268
35.1308
43.5990
52.1911
60.8814
69.6517
78.4890
123.3995
450.5216
929.5803
0.060
27.1245
35.4743
43.9838
52.6140
61.3397
70.1433
79.0121
124.0605
451.8035
931.4309
0.065
27.4055
35.7981
44.3464
53.0123
61.7712
70.6060
79.5042
124.6818
453.0064
933.1666
0.070
27.6720
36.1050
44.6898
53.3893
62.1795
71.0436
79.9697
125.2690
454.1416
934.8035
0.075
27.9258
36.3971
45.0165
53.7478
62.5676
71.4596
80.4119
125.8265
455.2177
936.3546
0.080
28.1686
36.6762
45.3285
54.0900
62.9380
71.8564
80.8338
126.3579
456.2419
937.8303
0.085
28.4014
36.9438
45.6274
54.4178
63.2926
72.2363
81.2375
126.8661
457.2203
939.2392
0.090
28.6255
37.2010
45.9147
54.7328
63.6333
72.6010
81.6251
127.3537
458.1578
940.5887
0.095
28.8416
37.4490
46.1915
55.0361
63.9612
72.9522
81.9982
127.8228
459.0585
0.100
29.0505
37.6886
46.4589
55.3289
64.2778
73.2911
82.3581
128.2751
459.9261
943.1326
0.900
51.8051
63.1671
74.3970
85.5270
96.5782
107.5650
118.4980
172.5812
540.9303
1057.7239
0.905
52.1140
63.5068
74.7645
85.9200
96.9950
108.0041
118.9582
173.1337
541.8982
1059.0721
0.910
52.4364
63.8612
75.1477
86.3298
97.4295
108.4618
119.4378
173.7094
542.9056
1060.4748
0.915
52.7738
64.2319
75.5485
86.7583
97.8836
108.9401
119.9390
174.3106
543.9568
1061.9380
0.920
53.1280
64.6208
75.9689
87.2076
98.3598
109.4415
120.4643
174.9404
545.0568
1063.4686
0.925
53.5010
65.0303
76.4113
87.6802
98.8606
109.9688
121.0166
175.6024
546.2118
1065.0750
0.930
53.8952
65.4629
76.8786
88.1794
99.3894
110.5255
121.5996
176.3007
547.4288
1066.7669
0.935
54.3139
65.9220
77.3743
88.7088
99.9502
111.1156
122.2176
177.0405
548.7166
1068.5566
0.940
54.7606
66.4118
77.9029
89.2731
100.5477
111.7444
122.8759
177.8281
550.0859
1070.4587
0.945
55.2401
66.9372
78.4698
89.8781
101.1882
112.4182
123.5812
178.6714
551.5503
1072.4918
0.950
55.7585
67.5048
79.0819
90.5312
101.8795
113.1453
124.3421
179.5806
553.1268
1074.6794
0.955
56.3235
68.1232
79.7486
91.2422
102.6317
113.9363
125.1698
180.5690
554.8379
1077.0526
0.960
56.9459
68.8039
80.4820
92.0241
103.4588
114.8057
126.0794
181.6541
556.7136
1079.6524
0.965
57.6402
69.5627
81.2992
92.8950
104.3797
115.7736
127.0916
182.8608
558.7956
1082.5362
0.970
58.4278
70.4230
82.2251
93.8813
105.4221
116.8688
128.2367
184.2247
561.1442
1085.7868
0.975
59.3417
71.4202
83.2977
95.0232
106.6286
118.1359
129.5612
185.8004
563.8515
1089.5309
0.980
60.4361
72.6133
84.5799
96.3875
108.0693
119.6485
131.1417
187.6785
567.0698
1093.9772
0.985
61.8117
74.1111
86.1883
98.0976
109.8741
121.5423
133.1197
190.0254
571.0789
1099.5095
0.990
63.6907
76.1539
88.3794
100.4252
112.3288
124.1163
135.8067
193.2077
576.4928
1106.9690
0.995
66.7660
79.4900
91.9517
104.2149
116.3211
128.2989
140.1695
198.3602
585.2066
1118.9481
941.8847
D.7.
DISTRIBUCIN
469
DE SNEDECOR
D.7. Distribucin F de Snedecor

x
FFm,n (x) = P (Fm,n x) =
m+n
2
m
2
n
2
t 2 1
m 2 n2
(n + mt)
m+n
2
dt = Fm,n,1
D.7.1. Tabla para 1 = 0.90

m
n =1
n =2
n =3
n =4
n =5
n =6
n =7
n =8
n =9
n =10
39.8635
8.5263
5.5383
4.5448
4.0604
3.7759
3.5894
3.4579
3.3603
3.2850
49.5000
9.0000
5.4624
4.3246
3.7797
3.4633
3.2574
3.1131
3.0065
2.9245
53.5932
9.1618
5.3908
4.1909
3.6195
3.2888
3.0741
2.9238
2.8129
2.7277
55.8330
9.2434
5.3426
4.1072
3.5202
3.1808
2.9605
2.8064
2.6927
2.6053
57.2401
9.2926
5.3092
4.0506
3.4530
3.1075
2.8833
2.7264
2.6106
2.5216
58.2044
9.3255
5.2847
4.0097
3.4045
3.0546
2.8274
2.6683
2.5509
2.4606
58.9060
9.3491
5.2662
3.9790
3.3679
3.0145
2.7849
2.6241
2.5053
2.4140
59.4390
9.3668
5.2517
3.9549
3.3393
2.9830
2.7516
2.5893
2.4694
2.3772
59.8576
9.3805
5.2400
3.9357
3.3163
2.9577
2.7247
2.5612
2.4403
2.3473
10
60.1950
9.3916
5.2304
3.9199
3.2974
2.9369
2.7025
2.5380
2.4163
2.3226
11
60.4727
9.4006
5.2224
3.9067
3.2816
2.9195
2.6839
2.5186
2.3961
2.3018
12
60.7052
9.4081
5.2156
3.8955
3.2682
2.9047
2.6681
2.5020
2.3789
2.2841
13
60.9028
9.4145
5.2098
3.8859
3.2567
2.8920
2.6545
2.4876
2.3640
2.2687
14
61.0727
9.4200
5.2047
3.8776
3.2468
2.8809
2.6426
2.4752
2.3510
2.2553
15
61.2203
9.4247
5.2003
3.8704
3.2380
2.8712
2.6322
2.4642
2.3396
2.2435
16
61.3499
9.4289
5.1964
3.8639
3.2303
2.8626
2.6230
2.4545
2.3295
2.2330
17
61.4644
9.4325
5.1929
3.8582
3.2234
2.8550
2.6148
2.4458
2.3205
2.2237
18
61.5664
9.4358
5.1898
3.8531
3.2172
2.8481
2.6074
2.4380
2.3123
2.2153
19
61.6579
9.4387
5.1870
3.8485
3.2117
2.8419
2.6008
2.4310
2.3050
2.2077
20
61.7403
9.4413
5.1845
3.8443
3.2067
2.8363
2.5947
2.4246
2.2983
2.2007
21
61.8150
9.4437
5.1822
3.8405
3.2021
2.8312
2.5892
2.4188
2.2922
2.1944
22
61.8829
9.4458
5.1801
3.8371
3.1979
2.8266
2.5842
2.4135
2.2867
2.1887
23
61.9450
9.4478
5.1781
3.8339
3.1941
2.8223
2.5796
2.4086
2.2816
2.1833
24
62.0020
9.4496
5.1764
3.8310
3.1905
2.8183
2.5753
2.4041
2.2768
2.1784
25
62.0545
9.4513
5.1747
3.8283
3.1873
2.8147
2.5714
2.3999
2.2725
2.1739
26
62.1030
9.4528
5.1732
3.8258
3.1842
2.8113
2.5677
2.3961
2.2684
2.1697
27
62.1480
9.4542
5.1718
3.8235
3.1814
2.8082
2.5643
2.3925
2.2646
2.1657
28
62.1897
9.4556
5.1705
3.8213
3.1788
2.8053
2.5612
2.3891
2.2611
2.1621
29
62.2286
9.4568
5.1693
3.8193
3.1764
2.8025
2.5582
2.3860
2.2578
2.1586
30
62.2650
9.4579
5.1681
3.8174
3.1741
2.8000
2.5555
2.3830
2.2547
2.1554
470
APNDICE D.
TABLAS ESTADSTICAS
n =11
n =12
n =13
n =14
n =15
n =16
n =17
n =18
n =19
n =20
3.2252
3.1765
3.1362
3.1022
3.0732
3.0481
3.0262
3.0070
2.9899
2.9747
2.8595
2.8068
2.7632
2.7265
2.6952
2.6682
2.6446
2.6239
2.6056
2.5893
2.6602
2.6055
2.5603
2.5222
2.4898
2.4618
2.4374
2.4160
2.3970
2.3801
2.5362
2.4801
2.4337
2.3947
2.3614
2.3327
2.3077
2.2858
2.2663
2.2489
2.4512
2.3940
2.3467
2.3069
2.2730
2.2438
2.2183
2.1958
2.1760
2.1582
2.3891
2.3310
2.2830
2.2426
2.2081
2.1783
2.1524
2.1296
2.1094
2.0913
2.3416
2.2828
2.2341
2.1931
2.1582
2.1280
2.1017
2.0785
2.0580
2.0397
2.3040
2.2446
2.1953
2.1539
2.1185
2.0880
2.0613
2.0379
2.0171
1.9985
2.2735
2.2135
2.1638
2.1220
2.0862
2.0553
2.0284
2.0047
1.9836
1.9649
10
2.2482
2.1878
2.1376
2.0954
2.0593
2.0281
2.0009
1.9770
1.9557
1.9367
11
2.2269
2.1660
2.1155
2.0729
2.0366
2.0051
1.9777
1.9535
1.9321
1.9129
12
2.2087
2.1474
2.0966
2.0537
2.0171
1.9854
1.9577
1.9333
1.9117
1.8924
13
2.1930
2.1313
2.0802
2.0370
2.0001
1.9682
1.9404
1.9158
1.8940
1.8745
14
2.1792
2.1173
2.0658
2.0224
1.9853
1.9532
1.9252
1.9004
1.8785
1.8588
15
2.1671
2.1049
2.0532
2.0095
1.9722
1.9399
1.9117
1.8868
1.8647
1.8449
16
2.1563
2.0938
2.0419
1.9981
1.9605
1.9281
1.8997
1.8747
1.8524
1.8325
17
2.1467
2.0839
2.0318
1.9878
1.9501
1.9175
1.8889
1.8638
1.8414
1.8214
18
2.1380
2.0750
2.0227
1.9785
1.9407
1.9079
1.8792
1.8539
1.8314
1.8113
19
2.1302
2.0670
2.0145
1.9701
1.9321
1.8992
1.8704
1.8450
1.8224
1.8022
20
2.1230
2.0597
2.0070
1.9625
1.9243
1.8913
1.8624
1.8368
1.8142
1.7938
21
2.1165
2.0530
2.0001
1.9555
1.9172
1.8840
1.8550
1.8294
1.8066
1.7862
22
2.1106
2.0469
1.9939
1.9490
1.9106
1.8774
1.8482
1.8225
1.7997
1.7792
23
2.1051
2.0412
1.9881
1.9431
1.9046
1.8712
1.8420
1.8162
1.7932
1.7727
24
2.1000
2.0360
1.9827
1.9377
1.8990
1.8656
1.8362
1.8103
1.7873
1.7667
25
2.0953
2.0312
1.9778
1.9326
1.8939
1.8603
1.8309
1.8049
1.7818
1.7611
26
2.0909
2.0267
1.9732
1.9279
1.8891
1.8554
1.8259
1.7999
1.7767
1.7559
27
2.0869
2.0225
1.9689
1.9235
1.8846
1.8508
1.8213
1.7951
1.7719
1.7510
28
2.0831
2.0186
1.9649
1.9194
1.8804
1.8466
1.8169
1.7907
1.7674
1.7465
29
2.0795
2.0149
1.9611
1.9155
1.8765
1.8426
1.8128
1.7866
1.7632
1.7422
30
2.0762
2.0115
1.9576
1.9119
1.8728
1.8388
1.8090
1.7827
1.7592
1.7382
n =21
n =22
n =23
n =24
n =25
n =26
n =27
n =28
n =29
n =30
2.9610
2.9486
2.9374
2.9271
2.9177
2.9091
2.9012
2.8938
2.8870
2.8807
2.5746
2.5613
2.5493
2.5383
2.5283
2.5191
2.5106
2.5028
2.4955
2.4887
2.3649
2.3512
2.3387
2.3274
2.3170
2.3075
2.2987
2.2906
2.2831
2.2761
2.2333
2.2193
2.2065
2.1949
2.1842
2.1745
2.1655
2.1571
2.1494
2.1422
2.1423
2.1279
2.1149
2.1030
2.0922
2.0822
2.0730
2.0645
2.0566
2.0492
2.0751
2.0605
2.0472
2.0351
2.0241
2.0139
2.0045
1.9959
1.9878
1.9803
2.0233
2.0084
1.9949
1.9826
1.9714
1.9610
1.9515
1.9427
1.9345
1.9269
1.9819
1.9668
1.9531
1.9407
1.9292
1.9188
1.9091
1.9001
1.8918
1.8841
1.9480
1.9327
1.9189
1.9063
1.8947
1.8841
1.8743
1.8652
1.8568
1.8490
10
1.9197
1.9043
1.8903
1.8775
1.8658
1.8550
1.8451
1.8359
1.8274
1.8195
11
1.8956
1.8801
1.8659
1.8530
1.8412
1.8303
1.8203
1.8110
1.8024
1.7944
12
1.8750
1.8593
1.8450
1.8319
1.8200
1.8090
1.7989
1.7895
1.7808
1.7727
13
1.8570
1.8411
1.8267
1.8136
1.8015
1.7904
1.7802
1.7708
1.7620
1.7538
14
1.8412
1.8252
1.8107
1.7974
1.7853
1.7741
1.7638
1.7542
1.7454
1.7371
15
1.8271
1.8111
1.7964
1.7831
1.7708
1.7596
1.7492
1.7395
1.7306
1.7223
16
1.8146
1.7984
1.7837
1.7703
1.7579
1.7466
1.7361
1.7264
1.7174
1.7090
17
1.8034
1.7871
1.7723
1.7587
1.7463
1.7349
1.7243
1.7146
1.7055
1.6970
18
1.7932
1.7768
1.7619
1.7483
1.7358
1.7243
1.7137
1.7039
1.6947
1.6862
19
1.7840
1.7675
1.7525
1.7388
1.7263
1.7147
1.7040
1.6941
1.6849
1.6763
20
1.7756
1.7590
1.7439
1.7302
1.7175
1.7059
1.6951
1.6852
1.6759
1.6673
21
1.7678
1.7512
1.7360
1.7222
1.7095
1.6978
1.6870
1.6770
1.6677
1.6590
22
1.7607
1.7440
1.7288
1.7149
1.7021
1.6904
1.6795
1.6695
1.6601
1.6514
23
1.7541
1.7374
1.7221
1.7081
1.6953
1.6835
1.6726
1.6625
1.6531
1.6443
24
1.7481
1.7312
1.7159
1.7019
1.6890
1.6771
1.6662
1.6560
1.6465
1.6377
25
1.7424
1.7255
1.7101
1.6960
1.6831
1.6712
1.6602
1.6500
1.6405
1.6316
26
1.7372
1.7202
1.7047
1.6906
1.6776
1.6657
1.6546
1.6444
1.6348
1.6259
27
1.7322
1.7152
1.6997
1.6855
1.6725
1.6605
1.6494
1.6391
1.6295
1.6206
28
1.7276
1.7106
1.6950
1.6808
1.6677
1.6556
1.6445
1.6342
1.6246
1.6156
29
1.7233
1.7062
1.6906
1.6763
1.6632
1.6511
1.6399
1.6295
1.6199
1.6109
30
1.7193
1.7021
1.6864
1.6721
1.6589
1.6468
1.6356
1.6252
1.6155
1.6065
D.7.
DISTRIBUCIN
471
DE SNEDECOR
D.7.2. Tabla para 1 = 0.95

m
n =1
n =2
n =3
n =4
n =5
n =6
n =7
n =8
n =9
n =10
161.4476
18.5128
10.1280
7.7086
6.6079
5.9874
5.5914
5.3177
5.1174
4.9646
199.5000
19.0000
9.5521
6.9443
5.7861
5.1433
4.7374
4.4590
4.2565
4.1028
215.7073
19.1643
9.2766
6.5914
5.4095
4.7571
4.3468
4.0662
3.8625
3.7083
224.5832
19.2468
9.1172
6.3882
5.1922
4.5337
4.1203
3.8379
3.6331
3.4780
230.1619
19.2964
9.0135
6.2561
5.0503
4.3874
3.9715
3.6875
3.4817
3.3258
233.9860
19.3295
8.9406
6.1631
4.9503
4.2839
3.8660
3.5806
3.3738
3.2172
236.7684
19.3532
8.8867
6.0942
4.8759
4.2067
3.7870
3.5005
3.2927
3.1355
238.8827
19.3710
8.8452
6.0410
4.8183
4.1468
3.7257
3.4381
3.2296
3.0717
240.5433
19.3848
8.8123
5.9988
4.7725
4.0990
3.6767
3.3881
3.1789
3.0204
10
241.8817
19.3959
8.7855
5.9644
4.7351
4.0600
3.6365
3.3472
3.1373
2.9782
11
242.9835
19.4050
8.7633
5.9358
4.7040
4.0274
3.6030
3.3130
3.1025
2.9430
12
243.9060
19.4125
8.7446
5.9117
4.6777
3.9999
3.5747
3.2839
3.0729
2.9130
13
244.6898
19.4189
8.7287
5.8911
4.6552
3.9764
3.5503
3.2590
3.0475
2.8872
14
245.3640
19.4244
8.7149
5.8733
4.6358
3.9559
3.5292
3.2374
3.0255
2.8647
15
245.9499
19.4291
8.7029
5.8578
4.6188
3.9381
3.5107
3.2184
3.0061
2.8450
16
246.4639
19.4333
8.6923
5.8441
4.6038
3.9223
3.4944
3.2016
2.9890
2.8276
17
246.9184
19.4370
8.6829
5.8320
4.5904
3.9083
3.4799
3.1867
2.9737
2.8120
18
247.3232
19.4402
8.6745
5.8211
4.5785
3.8957
3.4669
3.1733
2.9600
2.7980
19
247.6861
19.4431
8.6670
5.8114
4.5678
3.8844
3.4551
3.1613
2.9477
2.7854
20
248.0131
19.4458
8.6602
5.8025
4.5581
3.8742
3.4445
3.1503
2.9365
2.7740
21
248.3094
19.4481
8.6540
5.7945
4.5493
3.8649
3.4349
3.1404
2.9263
2.7636
22
248.5791
19.4503
8.6484
5.7872
4.5413
3.8564
3.4260
3.1313
2.9169
2.7541
23
248.8256
19.4523
8.6432
5.7805
4.5339
3.8486
3.4179
3.1229
2.9084
2.7453
24
249.0518
19.4541
8.6385
5.7744
4.5272
3.8415
3.4105
3.1152
2.9005
2.7372
25
249.2601
19.4558
8.6341
5.7687
4.5209
3.8348
3.4036
3.1081
2.8932
2.7298
26
249.4525
19.4573
8.6301
5.7635
4.5151
3.8287
3.3972
3.1015
2.8864
2.7229
27
249.6309
19.4587
8.6263
5.7586
4.5097
3.8230
3.3913
3.0954
2.8801
2.7164
28
249.7966
19.4600
8.6229
5.7541
4.5047
3.8177
3.3858
3.0897
2.8743
2.7104
29
249.9510
19.4613
8.6196
5.7498
4.5001
3.8128
3.3806
3.0844
2.8688
2.7048
30
250.0951
19.4624
8.6166
5.7459
4.4957
3.8082
3.3758
3.0794
2.8637
2.6996
n =11
n =12
n =13
n =14
n =15
n =16
n =17
n =18
n =19
n =20
4.8443
4.7472
4.6672
4.6001
4.5431
4.4940
4.4513
4.4139
4.3807
4.3512
3.9823
3.8853
3.8056
3.7389
3.6823
3.6337
3.5915
3.5546
3.5219
3.4928
3.5874
3.4903
3.4105
3.3439
3.2874
3.2389
3.1968
3.1599
3.1274
3.0984
3.3567
3.2592
3.1791
3.1122
3.0556
3.0069
2.9647
2.9277
2.8951
2.8661
3.2039
3.1059
3.0254
2.9582
2.9013
2.8524
2.8100
2.7729
2.7401
2.7109
3.0946
2.9961
2.9153
2.8477
2.7905
2.7413
2.6987
2.6613
2.6283
2.5990
3.0123
2.9134
2.8321
2.7642
2.7066
2.6572
2.6143
2.5767
2.5435
2.5140
2.9480
2.8486
2.7669
2.6987
2.6408
2.5911
2.5480
2.5102
2.4768
2.4471
2.8962
2.7964
2.7144
2.6458
2.5876
2.5377
2.4943
2.4563
2.4227
2.3928
10
2.8536
2.7534
2.6710
2.6022
2.5437
2.4935
2.4499
2.4117
2.3779
2.3479
11
2.8179
2.7173
2.6347
2.5655
2.5068
2.4564
2.4126
2.3742
2.3402
2.3100
12
2.7876
2.6866
2.6037
2.5342
2.4753
2.4247
2.3807
2.3421
2.3080
2.2776
13
2.7614
2.6602
2.5769
2.5073
2.4481
2.3973
2.3531
2.3143
2.2800
2.2495
14
2.7386
2.6371
2.5536
2.4837
2.4244
2.3733
2.3290
2.2900
2.2556
2.2250
15
2.7186
2.6169
2.5331
2.4630
2.4034
2.3522
2.3077
2.2686
2.2341
2.2033
16
2.7009
2.5989
2.5149
2.4446
2.3849
2.3335
2.2888
2.2496
2.2149
2.1840
17
2.6851
2.5828
2.4987
2.4282
2.3683
2.3167
2.2719
2.2325
2.1977
2.1667
18
2.6709
2.5684
2.4841
2.4134
2.3533
2.3016
2.2567
2.2172
2.1823
2.1511
19
2.6581
2.5554
2.4709
2.4000
2.3398
2.2880
2.2429
2.2033
2.1683
2.1370
20
2.6464
2.5436
2.4589
2.3879
2.3275
2.2756
2.2304
2.1906
2.1555
2.1242
21
2.6358
2.5328
2.4479
2.3768
2.3163
2.2642
2.2189
2.1791
2.1438
2.1124
22
2.6261
2.5229
2.4379
2.3667
2.3060
2.2538
2.2084
2.1685
2.1331
2.1016
23
2.6172
2.5139
2.4287
2.3573
2.2966
2.2443
2.1987
2.1587
2.1233
2.0917
24
2.6090
2.5055
2.4202
2.3487
2.2878
2.2354
2.1898
2.1497
2.1141
2.0825
25
2.6014
2.4977
2.4123
2.3407
2.2797
2.2272
2.1815
2.1413
2.1057
2.0739
26
2.5943
2.4905
2.4050
2.3333
2.2722
2.2196
2.1738
2.1335
2.0978
2.0660
27
2.5877
2.4838
2.3982
2.3264
2.2652
2.2125
2.1666
2.1262
2.0905
2.0586
28
2.5816
2.4776
2.3918
2.3199
2.2587
2.2059
2.1599
2.1195
2.0836
2.0517
29
2.5759
2.4718
2.3859
2.3139
2.2525
2.1997
2.1536
2.1131
2.0772
2.0452
30
2.5705
2.4663
2.3803
2.3082
2.2468
2.1938
2.1477
2.1071
2.0712
2.0391
472
APNDICE D.
TABLAS ESTADSTICAS
n =21
n =22
n =23
n =24
n =25
n =26
n =27
n =28
n =29
n =30
4.3248
4.3009
4.2793
4.2597
4.2417
4.2252
4.2100
4.1960
4.1830
4.1709
3.4668
3.4434
3.4221
3.4028
3.3852
3.3690
3.3541
3.3404
3.3277
3.3158
3.0725
3.0491
3.0280
3.0088
2.9912
2.9752
2.9604
2.9467
2.9340
2.9223
2.8401
2.8167
2.7955
2.7763
2.7587
2.7426
2.7278
2.7141
2.7014
2.6896
2.6848
2.6613
2.6400
2.6207
2.6030
2.5868
2.5719
2.5581
2.5454
2.5336
2.5727
2.5491
2.5277
2.5082
2.4904
2.4741
2.4591
2.4453
2.4324
2.4205
2.4876
2.4638
2.4422
2.4226
2.4047
2.3883
2.3732
2.3593
2.3463
2.3343
2.4205
2.3965
2.3748
2.3551
2.3371
2.3205
2.3053
2.2913
2.2783
2.2662
2.3660
2.3419
2.3201
2.3002
2.2821
2.2655
2.2501
2.2360
2.2229
2.2107
10
2.3210
2.2967
2.2747
2.2547
2.2365
2.2197
2.2043
2.1900
2.1768
2.1646
11
2.2829
2.2585
2.2364
2.2163
2.1979
2.1811
2.1655
2.1512
2.1379
2.1256
12
2.2504
2.2258
2.2036
2.1834
2.1649
2.1479
2.1323
2.1179
2.1045
2.0921
13
2.2222
2.1975
2.1752
2.1548
2.1362
2.1192
2.1035
2.0889
2.0755
2.0630
14
2.1975
2.1727
2.1502
2.1298
2.1111
2.0939
2.0781
2.0635
2.0500
2.0374
15
2.1757
2.1508
2.1282
2.1077
2.0889
2.0716
2.0558
2.0411
2.0275
2.0148
16
2.1563
2.1313
2.1086
2.0880
2.0691
2.0518
2.0358
2.0210
2.0073
1.9946
17
2.1389
2.1138
2.0910
2.0703
2.0513
2.0339
2.0179
2.0030
1.9893
1.9765
18
2.1232
2.0980
2.0751
2.0543
2.0353
2.0178
2.0017
1.9868
1.9730
1.9601
19
2.1090
2.0837
2.0608
2.0399
2.0207
2.0032
1.9870
1.9720
1.9581
1.9452
20
2.0960
2.0707
2.0476
2.0267
2.0075
1.9898
1.9736
1.9586
1.9446
1.9317
21
2.0842
2.0587
2.0356
2.0146
1.9953
1.9776
1.9613
1.9462
1.9322
1.9192
22
2.0733
2.0478
2.0246
2.0035
1.9842
1.9664
1.9500
1.9349
1.9208
1.9077
23
2.0633
2.0377
2.0144
1.9932
1.9738
1.9560
1.9396
1.9244
1.9103
1.8972
24
2.0540
2.0283
2.0050
1.9838
1.9643
1.9464
1.9299
1.9147
1.9005
1.8874
25
2.0454
2.0196
1.9963
1.9750
1.9554
1.9375
1.9210
1.9057
1.8915
1.8782
26
2.0374
2.0116
1.9881
1.9668
1.9472
1.9292
1.9126
1.8973
1.8830
1.8698
27
2.0299
2.0040
1.9805
1.9591
1.9395
1.9215
1.9048
1.8894
1.8751
1.8618
28
2.0229
1.9970
1.9734
1.9520
1.9323
1.9142
1.8975
1.8821
1.8677
1.8544
29
2.0164
1.9904
1.9668
1.9453
1.9255
1.9074
1.8907
1.8752
1.8608
1.8474
30
2.0102
1.9842
1.9605
1.9390
1.9192
1.9010
1.8842
1.8687
1.8543
1.8409
D.7.
DISTRIBUCIN
473
DE SNEDECOR
D.7.3. Tabla para 1 = 0.975

m
n =1
n =2
n =3
n =4
n =5
n =6
n =7
n =8
n =9
n =10
647.7890
38.5063
17.4434
12.2179
10.0070
8.8131
8.0727
7.5709
7.2093
6.9367
799.5000
39.0000
16.0441
10.6491
8.4336
7.2599
6.5415
6.0595
5.7147
5.4564
864.1630
39.1655
15.4392
9.9792
7.7636
6.5988
5.8898
5.4160
5.0781
4.8256
899.5833
39.2484
15.1010
9.6045
7.3879
6.2272
5.5226
5.0526
4.7181
4.4683
921.8479
39.2982
14.8848
9.3645
7.1464
5.9876
5.2852
4.8173
4.4844
4.2361
937.1111
39.3315
14.7347
9.1973
6.9777
5.8198
5.1186
4.6517
4.3197
4.0721
948.2169
39.3552
14.6244
9.0741
6.8531
5.6955
4.9949
4.5286
4.1970
3.9498
956.6562
39.3730
14.5399
8.9796
6.7572
5.5996
4.8993
4.4333
4.1020
3.8549
963.2846
39.3869
14.4731
8.9047
6.6811
5.5234
4.8232
4.3572
4.0260
3.7790
10
968.6274
39.3980
14.4189
8.8439
6.6192
5.4613
4.7611
4.2951
3.9639
3.7168
11
973.0252
39.4071
14.3742
8.7935
6.5678
5.4098
4.7095
4.2434
3.9121
3.6649
12
976.7079
39.4146
14.3366
8.7512
6.5245
5.3662
4.6658
4.1997
3.8682
3.6209
13
979.8368
39.4210
14.3045
8.7150
6.4876
5.3290
4.6285
4.1622
3.8306
3.5832
14
982.5278
39.4265
14.2768
8.6838
6.4556
5.2968
4.5961
4.1297
3.7980
3.5504
15
984.8668
39.4313
14.2527
8.6565
6.4277
5.2687
4.5678
4.1012
3.7694
3.5217
16
986.9187
39.4354
14.2315
8.6326
6.4032
5.2439
4.5428
4.0761
3.7441
3.4963
17
988.7331
39.4391
14.2127
8.6113
6.3814
5.2218
4.5206
4.0538
3.7216
3.4737
18
990.3490
39.4424
14.1960
8.5924
6.3619
5.2021
4.5008
4.0338
3.7015
3.4534
19
991.7973
39.4453
14.1810
8.5753
6.3444
5.1844
4.4829
4.0158
3.6833
3.4351
20
993.1028
39.4479
14.1674
8.5599
6.3286
5.1684
4.4667
3.9995
3.6669
3.4185
21
994.2856
39.4503
14.1551
8.5460
6.3142
5.1538
4.4520
3.9846
3.6520
3.4035
22
995.3622
39.4525
14.1438
8.5332
6.3011
5.1406
4.4386
3.9711
3.6383
3.3897
23
996.3462
39.4544
14.1336
8.5216
6.2891
5.1284
4.4263
3.9587
3.6257
3.3770
24
997.2492
39.4562
14.1241
8.5109
6.2780
5.1172
4.4150
3.9472
3.6142
3.3654
25
998.0808
39.4579
14.1155
8.5010
6.2679
5.1069
4.4045
3.9367
3.6035
3.3546
26
998.8490
39.4594
14.1074
8.4919
6.2584
5.0973
4.3949
3.9269
3.5936
3.3446
27
999.5609
39.4609
14.1000
8.4834
6.2497
5.0884
4.3859
3.9178
3.5845
3.3353
28
1000.2225
39.4622
14.0930
8.4755
6.2416
5.0802
4.3775
3.9093
3.5759
3.3267
29
1000.8388
39.4634
14.0866
8.4681
6.2340
5.0724
4.3697
3.9014
3.5679
3.3186
30
1001.4144
39.4646
14.0805
8.4613
6.2269
5.0652
4.3624
3.8940
3.5604
3.3110
n =11
n =12
n =13
n =14
n =15
n =16
n =17
n =18
n =19
n =20
6.7241
6.5538
6.4143
6.2979
6.1995
6.1151
6.0420
5.9781
5.9216
5.8715
5.2559
5.0959
4.9653
4.8567
4.7650
4.6867
4.6189
4.5597
4.5075
4.4613
4.6300
4.4742
4.3472
4.2417
4.1528
4.0768
4.0112
3.9539
3.9034
3.8587
4.2751
4.1212
3.9959
3.8919
3.8043
3.7294
3.6648
3.6083
3.5587
3.5147
4.0440
3.8911
3.7667
3.6634
3.5764
3.5021
3.4379
3.3820
3.3327
3.2891
3.8807
3.7283
3.6043
3.5014
3.4147
3.3406
3.2767
3.2209
3.1718
3.1283
3.7586
3.6065
3.4827
3.3799
3.2934
3.2194
3.1556
3.0999
3.0509
3.0074
3.6638
3.5118
3.3880
3.2853
3.1987
3.1248
3.0610
3.0053
2.9563
2.9128
3.5879
3.4358
3.3120
3.2093
3.1227
3.0488
2.9849
2.9291
2.8801
2.8365
10
3.5257
3.3736
3.2497
3.1469
3.0602
2.9862
2.9222
2.8664
2.8172
2.7737
11
3.4737
3.3215
3.1975
3.0946
3.0078
2.9337
2.8696
2.8137
2.7645
2.7209
12
3.4296
3.2773
3.1532
3.0502
2.9633
2.8890
2.8249
2.7689
2.7196
2.6758
13
3.3917
3.2393
3.1150
3.0119
2.9249
2.8506
2.7863
2.7302
2.6808
2.6369
14
3.3588
3.2062
3.0819
2.9786
2.8915
2.8170
2.7526
2.6964
2.6469
2.6030
15
3.3299
3.1772
3.0527
2.9493
2.8621
2.7875
2.7230
2.6667
2.6171
2.5731
16
3.3044
3.1515
3.0269
2.9234
2.8360
2.7614
2.6968
2.6404
2.5907
2.5465
17
3.2816
3.1286
3.0039
2.9003
2.8128
2.7380
2.6733
2.6168
2.5670
2.5228
18
3.2612
3.1081
2.9832
2.8795
2.7919
2.7170
2.6522
2.5956
2.5457
2.5014
19
3.2428
3.0896
2.9646
2.8607
2.7730
2.6980
2.6331
2.5764
2.5265
2.4821
20
3.2261
3.0728
2.9477
2.8437
2.7559
2.6808
2.6158
2.5590
2.5089
2.4645
21
3.2109
3.0575
2.9322
2.8282
2.7403
2.6651
2.6000
2.5431
2.4930
2.4484
22
3.1970
3.0434
2.9181
2.8139
2.7260
2.6507
2.5855
2.5285
2.4783
2.4337
23
3.1843
3.0306
2.9052
2.8009
2.7128
2.6374
2.5721
2.5151
2.4648
2.4201
24
3.1725
3.0187
2.8932
2.7888
2.7006
2.6252
2.5598
2.5027
2.4523
2.4076
25
3.1616
3.0077
2.8821
2.7777
2.6894
2.6138
2.5484
2.4912
2.4408
2.3959
26
3.1516
2.9976
2.8719
2.7673
2.6790
2.6033
2.5378
2.4806
2.4300
2.3851
27
3.1422
2.9881
2.8623
2.7577
2.6692
2.5935
2.5280
2.4706
2.4200
2.3751
28
3.1334
2.9793
2.8534
2.7487
2.6602
2.5844
2.5187
2.4613
2.4107
2.3657
29
3.1253
2.9710
2.8451
2.7403
2.6517
2.5758
2.5101
2.4527
2.4019
2.3569
30
3.1176
2.9633
2.8372
2.7324
2.6437
2.5678
2.5020
2.4445
2.3937
2.3486
474
APNDICE D.
TABLAS ESTADSTICAS
n =21
n =22
n =23
n =24
n =25
n =26
n =27
n =28
n =29
n =30
5.8266
5.7863
5.7498
5.7166
5.6864
5.6586
5.6331
5.6096
5.5878
5.5675
4.4199
4.3828
4.3492
4.3187
4.2909
4.2655
4.2421
4.2205
4.2006
4.1821
3.8188
3.7829
3.7505
3.7211
3.6943
3.6697
3.6472
3.6264
3.6072
3.5894
3.4754
3.4401
3.4083
3.3794
3.3530
3.3289
3.3067
3.2863
3.2674
3.2499
3.2501
3.2151
3.1835
3.1548
3.1287
3.1048
3.0828
3.0626
3.0438
3.0265
3.0895
3.0546
3.0232
2.9946
2.9685
2.9447
2.9228
2.9027
2.8840
2.8667
2.9686
2.9338
2.9023
2.8738
2.8478
2.8240
2.8021
2.7820
2.7633
2.7460
2.8740
2.8392
2.8077
2.7791
2.7531
2.7293
2.7074
2.6872
2.6686
2.6513
2.7977
2.7628
2.7313
2.7027
2.6766
2.6528
2.6309
2.6106
2.5919
2.5746
10
2.7348
2.6998
2.6682
2.6396
2.6135
2.5896
2.5676
2.5473
2.5286
2.5112
11
2.6819
2.6469
2.6152
2.5865
2.5603
2.5363
2.5143
2.4940
2.4752
2.4577
12
2.6368
2.6017
2.5699
2.5411
2.5149
2.4908
2.4688
2.4484
2.4295
2.4120
13
2.5978
2.5626
2.5308
2.5019
2.4756
2.4515
2.4293
2.4089
2.3900
2.3724
14
2.5638
2.5285
2.4966
2.4677
2.4413
2.4171
2.3949
2.3743
2.3554
2.3378
15
2.5338
2.4984
2.4665
2.4374
2.4110
2.3867
2.3644
2.3438
2.3248
2.3072
16
2.5071
2.4717
2.4396
2.4105
2.3840
2.3597
2.3373
2.3167
2.2976
2.2799
17
2.4833
2.4478
2.4157
2.3865
2.3599
2.3355
2.3131
2.2924
2.2732
2.2554
18
2.4618
2.4262
2.3940
2.3648
2.3381
2.3137
2.2912
2.2704
2.2512
2.2334
19
2.4424
2.4067
2.3745
2.3452
2.3184
2.2939
2.2713
2.2505
2.2313
2.2134
20
2.4247
2.3890
2.3567
2.3273
2.3005
2.2759
2.2533
2.2324
2.2131
2.1952
21
2.4086
2.3728
2.3404
2.3109
2.2840
2.2594
2.2367
2.2158
2.1965
2.1785
22
2.3938
2.3579
2.3254
2.2959
2.2690
2.2443
2.2216
2.2006
2.1812
2.1631
23
2.3801
2.3442
2.3116
2.2821
2.2551
2.2303
2.2076
2.1865
2.1671
2.1490
24
2.3675
2.3315
2.2989
2.2693
2.2422
2.2174
2.1946
2.1735
2.1540
2.1359
25
2.3558
2.3198
2.2871
2.2574
2.2303
2.2054
2.1826
2.1615
2.1419
2.1237
26
2.3450
2.3088
2.2761
2.2464
2.2192
2.1943
2.1714
2.1502
2.1306
2.1124
27
2.3348
2.2986
2.2659
2.2361
2.2089
2.1839
2.1609
2.1397
2.1201
2.1018
28
2.3254
2.2891
2.2563
2.2265
2.1992
2.1742
2.1512
2.1299
2.1102
2.0919
29
2.3165
2.2802
2.2473
2.2174
2.1901
2.1651
2.1420
2.1207
2.1010
2.0827
30
2.3082
2.2718
2.2389
2.2090
2.1816
2.1565
2.1334
2.1121
2.0923
2.0739
D.7.
DISTRIBUCIN
475
DE SNEDECOR
D.7.4. Tabla para 1 = 0.99

m
n =1
n =2
n =3
n =4
n =5
n =6
n =7
n =8
n =9
n =10
4052.1807
98.5025
34.1162
21.1977
16.2582
13.7450
12.2464
11.2586
10.5614
10.0443
4999.5000
99.0000
30.8165
18.0000
13.2739
10.9248
9.5466
8.6491
8.0215
7.5594
5403.3520
99.1662
29.4567
16.6944
12.0600
9.7795
8.4513
7.5910
6.9919
6.5523
5624.5833
99.2494
28.7099
15.9770
11.3919
9.1483
7.8466
7.0061
6.4221
5.9943
5763.6496
99.2993
28.2371
15.5219
10.9670
8.7459
7.4604
6.6318
6.0569
5.6363
5858.9861
99.3326
27.9107
15.2069
10.6723
8.4661
7.1914
6.3707
5.8018
5.3858
5928.3557
99.3564
27.6717
14.9758
10.4555
8.2600
6.9928
6.1776
5.6129
5.2001
5981.0703
99.3742
27.4892
14.7989
10.2893
8.1017
6.8400
6.0289
5.4671
5.0567
6022.4732
99.3881
27.3452
14.6591
10.1578
7.9761
6.7188
5.9106
5.3511
10
6055.8467
99.3992
27.2287
14.5459
10.0510
7.8741
6.6201
5.8143
5.2565
4.8491
11
6083.3168
99.4083
27.1326
14.4523
9.9626
7.7896
6.5382
5.7343
5.1779
4.7715
12
6106.3207
99.4159
27.0518
14.3736
9.8883
7.7183
6.4691
5.6667
5.1114
4.7059
13
6125.8647
99.4223
26.9831
14.3065
9.8248
7.6575
6.4100
5.6089
5.0545
4.6496
14
6142.6740
99.4278
26.9238
14.2486
9.7700
7.6049
6.3590
5.5589
5.0052
4.6008
15
6157.2846
99.4325
26.8722
14.1982
9.7222
7.5590
6.3143
5.5151
4.9621
4.5581
16
6170.1012
99.4367
26.8269
14.1539
9.6802
7.5186
6.2750
5.4766
4.9240
4.5204
17
6181.4348
99.4404
26.7867
14.1146
9.6429
7.4827
6.2401
5.4423
4.8902
4.4869
18
6191.5287
99.4436
26.7509
14.0795
9.6096
7.4507
6.2089
5.4116
4.8599
4.4569
19
6200.5756
99.4465
26.7188
14.0480
9.5797
7.4219
6.1808
5.3840
4.8327
4.4299
20
6208.7302
99.4492
26.6898
14.0196
9.5526
7.3958
6.1554
5.3591
4.8080
4.4054
21
6216.1184
99.4516
26.6635
13.9938
9.5281
7.3722
6.1324
5.3364
4.7856
4.3831
22
6222.8433
99.4537
26.6396
13.9703
9.5058
7.3506
6.1113
5.3157
4.7651
4.3628
23
6228.9903
99.4557
26.6176
13.9488
9.4853
7.3309
6.0921
5.2967
4.7463
4.3441
24
6234.6309
99.4575
26.5975
13.9291
9.4665
7.3127
6.0743
5.2793
4.7290
4.3269
25
6239.8251
99.4592
26.5790
13.9109
9.4491
7.2960
6.0580
5.2631
4.7130
4.3111
26
6244.6239
99.4607
26.5618
13.8940
9.4331
7.2805
6.0428
5.2482
4.6982
4.2963
27
6249.0708
99.4621
26.5460
13.8784
9.4182
7.2661
6.0287
5.2344
4.6845
4.2827
28
6253.2031
99.4635
26.5312
13.8639
9.4043
7.2527
6.0157
5.2214
4.6717
4.2700
29
6257.0530
99.4647
26.5174
13.8503
9.3914
7.2402
6.0034
5.2094
4.6598
4.2581
30
6260.6486
99.4658
26.5045
13.8377
9.3793
7.2285
5.9920
5.1981
4.6486
4.2469
n =11
n =12
n =13
n =14
n =15
n =16
n =17
n =18
n =19
n =20
9.6460
9.3302
9.0738
8.8616
8.6831
8.5310
8.3997
8.2854
8.1849
8.0960
7.2057
6.9266
6.7010
6.5149
6.3589
6.2262
6.1121
6.0129
5.9259
5.8489
6.2167
5.9525
5.7394
5.5639
5.4170
5.2922
5.1850
5.0919
5.0103
4.9382
5.6683
5.4120
5.2053
5.0354
4.8932
4.7726
4.6690
4.5790
4.5003
4.4307
5.3160
5.0643
4.8616
4.6950
4.5556
4.4374
4.3359
4.2479
4.1708
4.1027
5.0692
4.8206
4.6204
4.4558
4.3183
4.2016
4.1015
4.0146
3.9386
3.8714
4.8861
4.6395
4.4410
4.2779
4.1415
4.0259
3.9267
3.8406
3.7653
3.6987
4.7445
4.4994
4.3021
4.1399
4.0045
3.8896
3.7910
3.7054
3.6305
3.5644
4.6315
4.3875
4.1911
4.0297
3.8948
3.7804
3.6822
3.5971
3.5225
3.4567
10
4.5393
4.2961
4.1003
3.9394
3.8049
3.6909
3.5931
3.5082
3.4338
3.3682
11
4.4624
4.2198
4.0245
3.8640
3.7299
3.6162
3.5185
3.4338
3.3596
3.2941
12
4.3974
4.1553
3.9603
3.8001
3.6662
3.5527
3.4552
3.3706
3.2965
3.2311
13
4.3416
4.0999
3.9052
3.7452
3.6115
3.4981
3.4007
3.3162
3.2422
3.1769
14
4.2932
4.0518
3.8573
3.6975
3.5639
3.4506
3.3533
3.2689
3.1949
3.1296
15
4.2509
4.0096
3.8154
3.6557
3.5222
3.4089
3.3117
3.2273
3.1533
3.0880
16
4.2134
3.9724
3.7783
3.6187
3.4852
3.3720
3.2748
3.1904
3.1165
3.0512
17
4.1801
3.9392
3.7452
3.5857
3.4523
3.3391
3.2419
3.1575
3.0836
3.0183
18
4.1503
3.9095
3.7156
3.5561
3.4228
3.3096
3.2124
3.1280
3.0541
2.9887
19
4.1234
3.8827
3.6888
3.5294
3.3961
3.2829
3.1857
3.1013
3.0274
2.9620
20
4.0990
3.8584
3.6646
3.5052
3.3719
3.2587
3.1615
3.0771
3.0031
2.9377
21
4.0769
3.8363
3.6425
3.4832
3.3498
3.2367
3.1394
3.0550
2.9810
2.9156
22
4.0566
3.8161
3.6224
3.4630
3.3297
3.2165
3.1192
3.0348
2.9607
2.8953
23
4.0380
3.7976
3.6038
3.4445
3.3111
3.1979
3.1006
3.0161
2.9421
2.8766
24
4.0209
3.7805
3.5868
3.4274
3.2940
3.1808
3.0835
2.9990
2.9249
2.8594
25
4.0051
3.7647
3.5710
3.4116
3.2782
3.1650
3.0676
2.9831
2.9089
2.8434
26
3.9904
3.7500
3.5563
3.3969
3.2635
3.1503
3.0529
2.9683
2.8941
2.8286
27
3.9768
3.7364
3.5427
3.3833
3.2499
3.1366
3.0392
2.9546
2.8804
2.8148
28
3.9641
3.7237
3.5300
3.3706
3.2372
3.1238
3.0264
2.9418
2.8675
2.8019
29
3.9522
3.7119
3.5182
3.3587
3.2253
3.1119
3.0145
2.9298
2.8555
2.7898
30
3.9411
3.7008
3.5070
3.3476
3.2141
3.1007
3.0032
2.9185
2.8442
2.7785
4.9424
476
APNDICE D.
TABLAS ESTADSTICAS
n =21
n =22
n =23
n =24
n =25
n =26
n =27
n =28
n =29
n =30
8.0166
7.9454
7.8811
7.8229
7.7698
7.7213
7.6767
7.6356
7.5977
7.5625
5.7804
5.7190
5.6637
5.6136
5.5680
5.5263
5.4881
5.4529
5.4204
5.3903
4.8740
4.8166
4.7649
4.7181
4.6755
4.6366
4.6009
4.5681
4.5378
4.5097
4.3688
4.3134
4.2636
4.2184
4.1774
4.1400
4.1056
4.0740
4.0449
4.0179
4.0421
3.9880
3.9392
3.8951
3.8550
3.8183
3.7848
3.7539
3.7254
3.6990
3.8117
3.7583
3.7102
3.6667
3.6272
3.5911
3.5580
3.5276
3.4995
3.4735
3.6396
3.5867
3.5390
3.4959
3.4568
3.4210
3.3882
3.3581
3.3303
3.3045
3.5056
3.4530
3.4057
3.3629
3.3239
3.2884
3.2558
3.2259
3.1982
3.1726
3.3981
3.3458
3.2986
3.2560
3.2172
3.1818
3.1494
3.1195
3.0920
3.0665
10
3.3098
3.2576
3.2106
3.1681
3.1294
3.0941
3.0618
3.0320
3.0045
2.9791
11
3.2359
3.1837
3.1368
3.0944
3.0558
3.0205
2.9882
2.9585
2.9311
2.9057
12
3.1730
3.1209
3.0740
3.0316
2.9931
2.9578
2.9256
2.8959
2.8685
2.8431
13
3.1187
3.0667
3.0199
2.9775
2.9389
2.9038
2.8715
2.8418
2.8144
2.7890
14
3.0715
3.0195
2.9727
2.9303
2.8917
2.8566
2.8243
2.7946
2.7672
2.7418
15
3.0300
2.9779
2.9311
2.8887
2.8502
2.8150
2.7827
2.7530
2.7256
2.7002
16
2.9931
2.9411
2.8943
2.8519
2.8133
2.7781
2.7458
2.7160
2.6886
2.6632
17
2.9602
2.9082
2.8613
2.8189
2.7803
2.7451
2.7127
2.6830
2.6555
2.6301
18
2.9306
2.8786
2.8317
2.7892
2.7506
2.7153
2.6830
2.6532
2.6257
2.6003
19
2.9039
2.8518
2.8049
2.7624
2.7238
2.6885
2.6561
2.6263
2.5987
2.5732
20
2.8796
2.8274
2.7805
2.7380
2.6993
2.6640
2.6316
2.6017
2.5742
2.5487
21
2.8574
2.8052
2.7583
2.7157
2.6770
2.6416
2.6092
2.5793
2.5517
2.5262
22
2.8370
2.7849
2.7378
2.6953
2.6565
2.6211
2.5887
2.5587
2.5311
2.5055
23
2.8183
2.7661
2.7191
2.6765
2.6377
2.6022
2.5697
2.5398
2.5121
2.4865
24
2.8010
2.7488
2.7017
2.6591
2.6203
2.5848
2.5522
2.5223
2.4946
2.4689
25
2.7850
2.7328
2.6856
2.6430
2.6041
2.5686
2.5360
2.5060
2.4783
2.4526
26
2.7702
2.7179
2.6707
2.6280
2.5891
2.5536
2.5209
2.4909
2.4631
2.4374
27
2.7563
2.7040
2.6568
2.6140
2.5751
2.5395
2.5069
2.4768
2.4490
2.4233
28
2.7434
2.6910
2.6438
2.6010
2.5620
2.5264
2.4937
2.4636
2.4358
2.4100
29
2.7313
2.6789
2.6316
2.5888
2.5498
2.5141
2.4814
2.4513
2.4234
2.3976
30
2.7200
2.6675
2.6202
2.5773
2.5383
2.5026
2.4699
2.4397
2.4118
2.3860
Referencias
Blanco, L. (2004), Probabilidad, Unibiblos. 6.5.2, 24, 26, 9.4, 9.4, 9.4, 9.5, 9.6, 10.6, 12, 5, 11.3.1, B.1
Christensen, H. (2008), Estadstica paso a paso, Trillas.
Freund, J., Miller, I. & Miller, M. (2000), Estadstica matemtica con aplicaciones, Prentice Hall.
10.3.5
Genz, A. & Bretz, F. (2009), Computation of Multivariate Normal and t Probabilities, Lecture Notes
in Statistics, Springer-Verlag, Heidelberg. 11.3.7
Genz, A., Bretz, F., Miwa, T., Mi, X., Leisch, F., Scheipl, F. & Hothorn, T. (2012), mvtnorm: Multi-
variate Normal and t Distributions. R package version 0.9-9992.
URL: http://CRAN.R-project.org/package=mvtnorm
11.3.7
Gut, A. (2005), Probability: A graduate Course, Springer. 8.1, 8.9.1, 8.9.1

Hogg, R., McKean, J. & Craig, A. (2005), Introduction to Mathematical Statistics, sixth edn, Prentice
Hall. 7.9, iii
Ibarra, . (2006), Estadstica para la administracin turstica, Trillas.
Martnez, C. (2000), Estadstica y muestreo, dcima edicin edn, Ecoe Ediciones.
Mendenhall, W., Beaver, R. & Beaver, B. (2008), Introduccin a la probabilidad y estadstica, dcimo
segunda edicin edn, Cengage Learning.
Prez, G. (2004), Pedagogia social. Educacin social, Narcea. 4
Purcell, E. & Varberg, D. (1993), Clculo con geometra analtica, Pearson. C.6
R Core Team (2012), R: A Language and Environment for Statistical Computing, R Foundation for
Statistical Computing, Vienna, Austria. ISBN 3-900051-07-0.
URL: http://www.R-project.org/
11.3.7
Real Academia Espaola (2012a), `Ciencia. Diccionario de la lengua espaola',
drae/?val=ciencia.
477
http://lema.rae.es/
478
REFERENCIAS
Real Academia Espaola (2012b), `Complacencia. Diccionario de la lengua espaola',
rae.es/drae/?val=complacencia.
Real Academia Espaola (2012c), `Determinismo. Diccionario de la lengua espaola',
rae.es/drae/?val=determinismo.
http://lema.
Real Academia Espaola (2012d), `Tasa. Diccionario de la lengua espaola',
drae/?val=tasa.
http://lema.
http://lema.rae.es/
Resnick, S. (1998), A probability path, Birkhuser. 8.1

Ross, S. (1998), A First Course in Probability, Fifth Edition edn, Prentice Hall. 9.5, 9.6, 10.3.1
Rudin, W. (1976), Elements of Mathematical Analisys, third edn, McGraw Hill. 8.3, 1
Sarabia, J., Gmez, E. & Vzquez, F. (2007), Estadstica actuarial. Teora y aplicaciones, Pearson.
10.6
Soong, T. (2004), Fundamentals of Probability and Statistics for Engineers, John Wiley & Sons. 12,
14, 17
Soto, O. (2001), Fundamentos conceptuales de estadstica, Technical report, Universidad Nacional de
Colombia. 1.5
Stevens, S. (1951), Handbook of Experimental Psychology, Vol. 1, Wiley. 1.7
Sturges, H. A. (1926), `The choice of a class interval', Journal of the American Statistical Association
21(153), 6566.
1iii
Thomas, G. B. (2006), Clculo una variable, Pearson. C.1, C.6

Wikipedia
(2012a),
estadstica.
`Asimetra
estadstica',
http://es.wikipedia.org/wiki/Asimetra_
Wikipedia (2012b), `Ciencia',
http://es.wikipedia.org/wiki/Ciencia.
Wikipedia (2012c), `Diagrama de venn',
http://es.wikipedia.org/wiki/Diagrama_de_Venn.
Wikipedia (2012d), `Estimacin estadstica',
http://es.wikipedia.org/wiki/Estimacin.
11
ndice temtico
de Gini, 125
ndice
de asimetra
de sesgo, 92
de Yule-Bowley, 98
de variacin, 82
de Pearson, 81, 220
aleatoriedad, 4
muestral, 82
amplitud, 23
antiderivada, 441
apuntamiento, 91
asimetra, 92
atributo, 7
poblacional, 82
colectivo, 5
combinacin, 165
combinacin lineal, 345
comparacin
de lmite, 452
base, 379, 415

bigotes, 67
boxplot, 67
clculo, 409, 413, 439
directa, 452
complacencia, 124
concordancia, 124
conjunto, 399, 413
campana de Gauss, 291
cardinal de un, 400
cartograma, 31
complemento de un, 404
categora, 7
de conjuntos, 402
categoras, 19
elemento de un, 400
censo, 6
nito, 400
cero absoluto, 10
innito, 400, 407
ciencia, 1, 399
no numerable, 407
clases, 19
numerable, 407
coeciente, 365, 372
partes de un, 402

particin de un, 406
de apuntamiento
por comprensin, 400
de Fisher, 100
por extensin, 400
de asimetra
de Fisher, 95, 96
unitario, 400
de Pearson, 94
universo, 403
vaco, 400
de correlacin
de Kendall, 123, 124
conjuntos
de Pearson, 119, 348
contenencia de, 401
de Spearman, 122
diferencia de, 404
479
480
NDICE TEMTICO
diferencia simtrica de, 404
de caja, 58
disjuntos, 403
de caja y bigotes, 67
excluyentes, 403
de dispersin, 110
interseccin de, 403
de lneas, 33
unin de, 403
de Pareto, 37
conmutativa, 420
de puntos, 39
contenido, 401
de sectores, 25
covarianza, 112, 347
de tallos y hojas, 31
muestral, 113
poblacional, 113
propiedades de, 115
diferencial, 27
integral, 27
diferencia de cuadrados, 368
crtica de la informacin, 14
diferenciable, 428
cuartil, 56, 58
diferencial, 430
cuasi-varianza, 71
discordancia, 124
curtosis, 100
diseo
muestral, 6
curva
de Lorenz, 128
dispersograma, 110
distribucin
dato
normal
atpico, 68
bivariada, 336
extremo, 68
beta, 310
moderado, 68
binomial, 257
datos
negativa, 271
atpicos, 33, 46
condicional, 107
bivariados, 109
de Bernoulli, 257
brutos, 47
de Cauchy, 313
depuracin, 18
de frecuencias, 20
derivable, 428
campaniformes, 99
derivada, 428
leptocrtica, 101
n-sima,
437
segunda, 437
tercera, 437
desigualdad
de Chebyshev, 80
desviacin, 69
absoluta, 84
estndar, 77, 220
mesocrtica, 101
platicrtica, 101
de Laplace, 314
de Pascal, 271
de Poisson, 274
de probabilidad
marginal, 338
de Weibull, 312
muestral, 77
exponencial, 302
poblacional, 77
gamma, 306
media, 84
gaussiana, 291
mediana, 84
geomtrica, 271
tpica, 77
hipergeomtrica, 264
diagrama
lognormal, 315
de rbol, 157
multinomial, 329
de barras, 25
normal, 99, 291, 292
481
NDICE TEMTICO
estndar, 293, 294

uniforme
continua, 285, 286
discreta, 255
univariada, 320
dominio, 428
de una funcin, 414
colectivamente exhaustivos, 144

disjuntos, 144
independientes, 175
mutuamente excluyentes, 144
experimento, 139
aleatorio, 140, 257
binomial, 257
negativo, 270
ecuacin
clsico, 150
de primer grado con una incgnita, 372
de Bernoulli, 257
de segundo grado con una incgnita, 377
determinstico, 139
eje
hipergeomtrico, 264
de las abscisas, 25
de las ordenadas, 25
laplaciano, 150
exponente, 358
elementos, 5
empates, 55
frmula cuadrtica, 377
enumerar, 155
factor, 365
escala
factor de correccin, 268
de intervalo, 10
factorial, 360, 402
de medicin, 9
factorizacin, 365
de razn, 11
forma indeterminada, 438
nominal, 10
fraccin, 362
ordinal, 10
frecuencia
espacio
muestral, 141
esperanza, 208
estadstica, 1, 3, 355, 399, 409, 413, 439
clasicacin de, 4
descriptiva, 4
inferencial, 4
estadstico, 6
absoluta, 19
acumulada, 19
conjunta, 105
marginal, 105, 106
relativa, 19, 148, 149
acumulada, 19
conjunta, 105
funcin, 410, 413, 414
estandarizacin, 78, 237, 296
algebraica, 415
estimacin, 324
beta, 310
estimador, 267
biyectiva, 407, 417
de mxima verosimilitud, 267, 274

evento
aleatorio, 141
continua, 427, 428

en un intervalo, 428
en un punto, 428
complemento, 143
cuadrtica, 414
diferencia, 143
de densidad, 198
elemental, 141
imposible, 142
interseccin, 143
conjunta, 331
de distribucin acumulada, 191, 198
conjunta, 326, 334
seguro, 142
de valor real, 414
unin, 143
exponencial, 415
eventos
gamma, 306
482
NDICE TEMTICO
generadora de momentos, 229
investigacin
impar, 416
cientca, 13
indicadora, 234
estadstica, 11
intgrable, 440
inversa, 415, 418
lmite, 421
inyectiva, 417
al innito, 426, 438
lineal, 414
innito, 427
logartmica, 415
msica
de probabilidad conjunta, 323
lateral, 427, 438

ley
involutiva, 146, 405
msica de probabilidad, 188
ley determinista, 2
par, 416
leyes
polinomial, 414
asociativas, 146, 404
racional, 414, 450
complementarias, 146, 405
sobreyectiva, 417
conmutativas, 146, 404
trascendente, 416
de De-Morgan, 146, 405
trigonomtrica, 415
de idempotencia, 146, 405
uno-a-uno, 417
de la diferencia, 146, 405
grca, 414
grado, 364, 372, 414
hiptesis, 12
estadstica, 12, 48
histograma, 28
imagen
distributivas, 146, 404

logaritmo, 379
binario, 379
comn, 379
natural, 379
mximo, 23
mtodo
directa, 410
cientco, 3
inversa, 410
de captura-recaptura, 267, 273
incgnita, 372
de Gauss, 376
individuos, 5
de Heaviside, 449
inferencia
de igualacin, 375
estadstica, 139
integracin
de reduccin, 376
de sustitucin, 375
por fracciones parciales, 449
mnimo, 23
por partes, 448
marca de clase, 29
por sustitucin, 445
media
integral, 439
denida, 439, 440, 444
impropia, 450
tipo I, 451
tipo II, 452
indenida, 444
no elemental, 449
aritmtica, 42, 43
ponderada, 46
propiedades de, 44
armnica, 52, 53
propiedad de, 54
geomtrica, 50
propiedad de, 51
integrando, 450
pitagrica, 50
intervalo, 409
potencial, 60
483
NDICE TEMTICO
recortada, 63
ojiva, 29
mediana, 47, 206
operaciones aritmticas, 355
medible, 7
origen, 416
medicin, 9
outlier, 68
medida
outliers, 46
relativa, 82
robusta, 49, 67
medidas
de apuntamiento, 99
parmetro, 6, 208
de forma, 306
de localizacin, 292
de asimetra, 92
parte entera, 453
de asociacin, 111
particin, 144, 440
de curtosis, 99
norma de una, 440
de desigualdad, 125
percentil, 56, 195, 296
de dispersin, 64
perles, 107
de forma, 91
columna, 108
de posicin, 55
la, 108
de tendencia central, 41
permutacin, 160
moda, 49
pictograma, 31
modelamiento, 241
poblacin, 5
momento, 215
centrado alrededor de la media, 216
momentos, 215
muestra, 6
aleatoria, 346
no probabilstica, 6
nita, 5
innita, 5
polgono
de frecuencias, 29
acumulado, 29
suavizado, 92
piloto, 14
polinomio, 364
probabilstica, 6
ponderacin, 46
muestreo, 6
porcentaje, 362
con reemplazo, 257
primer miembro, 373
no probabilstico, 6
primitiva, 441
probabilstico, 6
principio de la adicin, 159
sin reemplazo, 264
probabilidad, 148
a posteriori, 167
nmero de Euler, 379
a priori, 173
nmeros
clsica, 150
complejos, 409
condicional, 167
enteros, 407
emprica, 149
irracionales, 408
medida de, 152
naturales, 407
racionales, 408
reales, 409
nube de puntos, 110
subjetiva, 151
producto
cartesiano, 323
productoria, 384
promedio, 42
objetivos, 12
muestral, 6
observable, 7
poblacional, 6
484
NDICE TEMTICO
de la potencia, 424
propiedad
asociativa
de un cociente, 423
de la suma, 355
de un producto, 423
del producto, 356
de una diferencia, 424
conmutativa
de una funcin constante, 423
de la suma, 355
de una suma, 423
del producto, 355

distributiva, 356
punto
del mltiplo constante, 423

del trapecio, 449
emprica, 81
muestral, 141
regularidad
estadstica, 148
radical, 358
rango, 23, 55, 65, 187
saber, 2
de una funcin, 414
cientco, 2
intercuartlico, 66, 67
cotidiano, 2
razn, 361
segundo miembro, 373
realizacin de una variable, 42
sesgo, 91
recoleccin
simetra, 92
de la informacin, 14
sistema de ecuaciones de primer grado
recorrido, 23
con
regla
con dos incgnitas, 375
incgnitas, 377
de Barrow, 441
soporte, 331
de Cramer, 376
subconjunto, 401
de L'Hpital, 438
de la cadena, 434
de la derivada
de potencias, 430
de un cociente, 431
de un producto, 431
propio, 401
suceso
aleatorio, 141
suma de
Riemann, 439
sumatoria, 384

de una funcin constante, 430
trmino independiente, 365, 373
de una suma, 431
tabla

de la integracin
de la aditividad, 443
de clasicacin, 21, 105

de contingencia, 105
de doble entrada, 104, 105
de la dominacin, 443
tasa, 50
orden de, 442
teorema
de la integral
de Bayes, 173
de Chebyshev, 79, 80, 227
de una suma, 442
de la multiplicacin, 169
de la probabilidad total, 171
sobre un punto, 442
de Markov, 227
de Simpson, 449
de Moivre-Laplace, 300
de Sturges, 23
fundamental del clculo, 441
del lmite
fundamental del conteo, 157
485
NDICE TEMTICO
tipicacin, 78
muestral, 71
propiedades de, 73
trinomio
poblacional, 71
cuadrado perfecto, 367

de la forma
x2 + bx + c,
369
vector, 320
aleatorio, 321
multinomial, 321
unidad
de medida, 13
de observacin, 13
compleja, 13
simple, 13
unidad imaginaria, 409
unidades
cuadrticas, 72
lineales, 77, 78
mixtas, 113
universo, 5
valor
esperado, 208
valor absoluto, 396
variabilidad, 72
variable, 7
adimensional, 78
aleatoria, 186
continua, 186
discreta, 186
auxiliar, 7
bidimensional, 109
cualitativa, 7
cuantitativa, 8
continua, 8
discreta, 8
dependiente, 109, 413
estandarizada, 78
independiente, 109, 413
latente, 7
longitudinal, 8
tipicada, 78
transversal, 8
variables
aleatoria, 185
conmensurables, 44
independientes, 342
varianza, 71, 72, 219
corregida, 71
Venn
diagrama de, 401

Ina, L. & Berdugo, E) PDF

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Ina, L. & Berdugo, E) PDF

Hochgeladen von

Copyright:

Verfügbare Formate

Estadstica descriptiva

Universidad Externado de Colombia

A mi querida familia: Elsi, Nani y Gonza.

A mis antiguos y futuros estudiantes.

Estadstica descriptiva y probabilidades

Juan Camilo Sosa Martnez

Luis Eduardo Ospina Forero

Emilio Pablo Berdugo Camacho

Juan Camilo Sosa Martnez

Luis Eduardo Ospina Forero

Emilio Pablo Berdugo Camacho

Formas del saber

Algunos trminos importantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2. Tablas y grcas estadsticas

Tablas para variables cualitativas . . . . . . . . . . . . . . . . . . . . . . . . . .

Tablas para variables cuantitativas . . . . . . . . . . . . . . . . . . . . . . . . .

Grcos para variables cualitativas . . . . . . . . . . . . . . . . . . . . . . . . .

Grcos para variables cuantitativas . . . . . . . . . . . . . . . . . . . . . . . .

Sobre los grcos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3. Medidas de tendencia central y de posicin

Medidas estadsticas de tendencia central

La media aritmtica ponderada . . . . . . . . . . . . . . . . . . . . . . . . . . .

Diagrama de caja y bigotes

4.10. El Coeciente de variacin de Pearson

4.11. Otras medidas de dispersin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Inspeccin de las medidas de tendencia central

El coeciente de asimetra de Pearson

El coeciente de asimetra de Fisher

El ndice de asimetra de Yule-Bowley

6. Medidas descriptivas para dos variables

Tablas de doble entrada

Perles o distribuciones condicionadas

Grcas para dos variables

Coeciente de correlacin de Pearson . . . . . . . . . . . . . . . . . . . . . . . .

Coeciente de correlacin de Spearman

Coeciente de correlacin de Kendall . . . . . . . . . . . . . . . . . . . . . . . .

Experimentos determinsticos y experimentos aleatorios

Espacios muestrales y eventos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Operaciones con eventos aleatorios

Teorema fundamental del conteo

7.10. Teorema de la probabilidad total

7.12. Independencia estadstica de eventos . . . . . . . . . . . . . . . . . . . . . . . . . . . .

7.11. Teorema de Bayes

Variables aleatorias discretas

Variables aleatorias continuas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Funcin generadora de momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Funciones de variables aleatorias

Distribuciones de funciones de v.a. . . . . . . . . . . . . . . . . . . . . . . . . .

Distribucin uniforme discreta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Distribucin de Bernoulli y binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Distribucin geomtrica y binomial negativa . . . . . . . . . . . . . . . . . . . . . . . .

10.2. Distribucin uniforme continua

10.3.2. La distribucin normal estndar

10.3. Distribucin normal

10.3.3. Uso de la tabla de la distribucin normal estndar

10.3.5. Aproximacin de la distribucin binomial

10.3.6. Distribuciones relacionadas con la distribucin normal . . . . . . . . . . . . . .

10.4. Distribucin exponencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

10.5. Distribucin gamma

10.6. Distribucin beta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

10.7. Otras distribuciones probabilsticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

11.Distribuciones de probabilidad multivariadas

11.2. Vectores aleatorios

2. Tablas y grcas estadsticas

Grcos para variables cualitativas . . . . . . . . . . . . . . . . . . . . . . . . .

Grcos para variables cuantitativas . . . . . . . . . . . . . . . . . . . . . . . .

Sobre los grcos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.10. El Coeciente de variacin de Pearson

El coeciente de asimetra de Pearson

El coeciente de asimetra de Fisher

Perles o distribuciones condicionadas

Grcas para dos variables

Coeciente de correlacin de Pearson . . . . . . . . . . . . . . . . . . . . . . . .

Coeciente de correlacin de Spearman

Coeciente de correlacin de Kendall . . . . . . . . . . . . . . . . . . . . . . . .

Grcos diferencial (a) e integral (b) de los datos de la tabla 2.10.

Augustin Louis Cauchy (17891857).

Grco de la distribucin normal con media 0 y varianza 1.

Grco de barras tridimensional de las frecuencias relativas del ejemplo 6.2.2.

Grco de barras de las frecuencias relativas del ejemplo 6.2.2. . . . . . . . . . . . . . . . . . . .

Ejemplos de nubes de puntos con su respectivo coeciente de correlacin. . . . . . . . . . . . . . .

Grco de la f.m.p. (a) y de la f.d.a. (b) de la variable del ejemplo 8.1.1.

Grco de la f.d.a. de la variable del ejemplo 8.2.5.

Ejemplo de grco de una funcin de densidad de una v.a.c.

Grco de la f.d.p. de la variable del ejemplo 8.3.2.

Grco de la f.d.p. de la variable del ejemplo 8.5.2.

Grco de la f.d.p. de la variable del ejemplo 8.7.2.

Grcos de la f.m.p. de una distribucin binomial de parmetros

9.10. Grcos de la f.m.p. de una distribucin de Poisson de parmetros

10.2. Grco de la f.d.p.de una variable con distribucin normal.