La estadstica descriptiva

La estadstica descriptiva es una ciencia que analiza series de datos (por

ejemplo, edad de una poblacin, altura de los estudiantes de una escuela,
temperatura en los meses de verano, etc) y trata de extraer conclusiones sobre
el comportamiento de estas variables

Las variables pueden ser de dos tipos:

Variables cualitativas o atributos: no se pueden medir numricamente
(por ejemplo: nacionalidad, color de la piel, sexo).

Variables cuantitativas: tienen valor numrico (edad, precio de un

producto, ingresos anuales).
 LAS VARIABLES TAMBIN SE PUEDEN CLASIFICAR EN
Variables unidimensionales: slo recogen informacin sobre una caracterstica (por
ejemplo: edad de los alumnos de una clase).

Variables bidimensionales: recogen informacin sobre dos caractersticas de la

poblacin (por ejemplo: edad y altura de los alumnos de una clase).

Variables pluridimensionales: recogen informacin sobre tres o ms caractersticas

(por ejemplo: edad, altura y peso de los alumnos de una clase).
 LAS VARIABLES CUANTITATIVAS SE PUEDEN CLASIFICAR EN
DISCRETAS Y CONTINUAS

Discretas: slo pueden tomar valores enteros (1, 2, 8, -4, etc.). Por
ejemplo: nmero de hermanos (puede ser 1, 2, 3....,etc, pero, nunca
podr ser 3,45).

Continuas: pueden tomar cualquier valor real dentro de un intervalo.

Por ejemplo, la velocidad de un vehculo puede ser 80,3 km/h, 94,57
km/h...etc.
Cuando se estudia el comportamiento de una variable hay que
distinguir los siguientes conceptos:
Individuo: cualquier elemento que porte informacin sobre el fenmeno que se
estudia. As, si estudiamos la altura de los nios de una clase, cada alumno es un
individuo; si estudiamos el precio de la vivienda, cada vivienda es un individuo.

Poblacin: conjunto de todos los individuos (personas, objetos, animales, etc.) que
porten informacin sobre el fenmeno que se estudia. Por ejemplo, si estudiamos el
precio de la vivienda en una ciudad, la poblacin ser el total de las viviendas de dicha
ciudad.

Muestra: subconjunto que seleccionamos de la poblacin. As, si se estudia el precio

de la vivienda de una ciudad, lo normal ser no recoger informacin sobre todas las
viviendas de la ciudad (sera una labor muy compleja), sino que se suele seleccionar un
subgrupo (muestra) que se entienda que es suficientemente representativo.
DISTRIBUCIN DE FRECUENCIA
La distribucin de frecuencia es la representacin estructurada, en forma de
tabla, de toda la informacin que se ha recogido sobre la variable que se estudia.
Frecuencias
Variable Frecuencias absolutas relativas
(Valor) Simple Acumulada Simple Acumulada
x x x x x
X1 n1 n1 f1 = n1 / n f1
X2 n2 n1 + n2 f2 = n2 / n f1 + f2
... ... ... ... ...
Xn-1 nn-1 n1 + n2 +..+ nn-1 fn-1 = nn-1 / n f1 + f2 +..+fn-1
Xn nn n fn = nn / n f

Siendo X los distintos valores que puede tomar la variable.

Siendo n el nmero de veces que se repite cada valor.
Siendo f el porcentaje que la repeticin de cada valor supone sobre el total
 Veamos un ejemplo:

Medimos la altura de los nios de una clase y obtenemos los siguientes resultados (cm):

ALUMNO Estatura ALUMNO Estatura ALUMNO Estatura

x x x x x x
AL 1 1,25 AL 11 1,23 AL 21 1,21
AL 2 1,28 AL 12 1,26 AL 22 1,29
AL 3 1,27 AL 13 1,3 AL 23 1,26
AL 4 1,21 AL 14 1,21 AL 24 1,22
AL 5 1,22 AL 15 1,28 AL 25 1,28
AL 6 1,29 AL 16 1,3 AL 26 1,27
AL 7 1,3 AL 17 1,22 AL 27 1,26
AL 8 1,24 AL 18 1,25 AL 28 1,23
AL 9 1,27 AL 19 1,2 AL 29 1,22
AL 10 1,29 AL 20 1,28 AL 30 1,21

AL ALUMNO
 Si presentamos esta informacin estructurada obtendramos la
siguiente tabla de frecuencia:

Variable Frecuencias absolutas Frecuencias relativas

(Valor) Simple Acumulada Simple Acumulada
x x x x x
1,2 1 1 3,30% 3,30%
1,21 4 5 13,30% 16,60%
1,22 4 9 13,30% 30,00%
1,23 2 11 6,60% 36,60%
1,24 1 12 3,30% 40,00%
1,25 2 14 6,60% 46,60%
1,26 3 17 10,00% 56,60%
1,27 3 20 10,00% 66,60%
1,28 4 24 13,30% 80,00%
1,29 3 27 10,00% 90,00%
1,3 3 30 10,00% 100,00%
 Si los valores que toma la variable son muy diversos y cada uno de ellos se repite muy
pocas veces, entonces conviene agruparlos por intervalos, ya que de otra manera
obtendramos una tabla de frecuencia muy extensa que aportara muy poco valor a efectos
de sntesis, veamos un ejemplo
Supongamos que medimos la estatura de los habitantes de una vivienda y obtenemos los siguientes resultados (cm):

Habitante Estatura Habitante Estatura Habitante Estatura

HB 1 1,15 HB 11 1,53 HB 21 1,21
HB 2 1,48 HB 12 1,16 HB 22 1,59
HB 3 1,57 HB 13 1,6 HB 23 1,86
HB 4 1,71 HB 14 1,81 HB 24 1,52
HB 5 1,92 HB 15 1,98 HB 25 1,48
HB 6 1,39 HB 16 1,2 HB 26 1,37
HB 7 1,4 HB 17 1,42 HB 27 1,16
HB 8 1,64 HB 18 1,45 HB 28 1,73
HB 9 1,77 HB 19 1,2 HB 29 1,62
HB 10 1,49 HB 20 1,98 HB30 1,01
Si presentramos esta informacin en una tabla de frecuencia obtendramos una tabla de 30 lneas (una
para cada valor), cada uno de ellos con una frecuencia absoluta de 1 y con una frecuencia relativa del
3,3%. Esta tabla nos aportara escasa informacin
En lugar de ello, preferimos agrupar los datos por intervalos, con lo que la informacin queda ms
resumida (se pierde, por tanto, algo de informacin), pero es ms manejable e informativa:
Estatura Frecuencias absolutas Frecuencias relativas
Cm Simple Acumulada Simple Acumulada
1,01 - 1,10 1 1 3,30% 3,30%
1,11 - 1,20 3 4 10,00% 13,30%
1,21 - 1,30 3 7 10,00% 23,30%
1,31 - 1,40 2 9 6,60% 30,00%
1,41 - 1,50 6 15 20,00% 50,00%
1,51 - 1,60 4 19 13,30% 63,30%
1,61 - 1,70 3 22 10,00% 73,30%
1,71 - 1,80 3 25 10,00% 83,30%
1,81 - 1,90 2 27 6,60% 90,00%
1,91 - 2,00 3 30 10,00% 100,00%
El nmero de tramos en los que se agrupa la informacin es una decisin que debe tomar el analista: la regla es que mientras ms
tramos se utilicen menos informacin se pierde, pero puede que menos representativa e informativa sea la tabla


FIN POR AHORA

 Medidas de Tendencia Central

Las medidas de tendencia nos facilitan informacin sobre la serie de datos que estamos analizando.
Estas medidas permiten conocer diversas caractersticas de esta serie de datos.

Las medidas de tendencia son de dos tipos:

a) Medidas de tendencia central: informan sobre los valores medios de la serie de datos.

b) Medidas de tendencia no centrales: informan de como se distribuye el resto de los

valores de la serie.
Medidas de tendencia central

Las principales medidas de posicin central son las siguientes:

Media: es el valor medio ponderado de la serie de datos. Se pueden calcular diversos

tipos de media, siendo las ms utilizadas:
Se calcula multiplicando cada valor por el nmero de veces que se repite. La suma de
todos estos productos se divide por el total de datos de la muestra:

Media aritmtica
Mediana: Es el valor de la serie de datos que se sita justamente en el centro de la muestra (un
50% de valores son inferiores y otro 50% son superiores).
Moda: Es el valor que ms se repite en la muestra.

Ejemplo: Vamos a utilizar la tabla de distribucin de frecuencias con los datos de la estatura de los alumnos que vimos antes

Variable Frecuencias absolutas Frecuencias relativas

(Valor) Simple Acumulada Simple Acumulada
x x x x x
1,2 1 1 3,30% 3,30%
1,21 4 5 13,30% 16,60%
1,22 4 9 13,30% 30,00%
1,23 2 11 6,60% 36,60%
1,24 1 12 3,30% 40,00%
1,25 2 14 6,60% 46,60%
1,26 3 17 10,00% 56,60%
1,27 3 20 10,00% 66,60%
1,28 4 24 13,30% 80,00%
1,29 3 27 10,00% 90,00%
1,3 3 30 10,00% 100,00%
Media aritmtica = ?

Mediana = ?

Moda: = ?
HISTOGRAMAS DE FRECUENCIA

Los histogramas son diagramas de barras verticales en los que se construyen

barras rectangulares en los lmites de cada clase. La variable aleatoria o
fenmeno de inters se despliega a lo largo del eje horizontal; el eje vertical
representa el nmero, proporcin o porcentaje de observaciones por
intervalo de clase, dependiendo de si el histograma particular, es un
histograma de frecuencia, un histograma de frecuencia relativa o
histograma de porcentaje
POLGONOS DE FRECUENCIAS

El polgono de frecuencias se construye a partir del diagrama de barras, uniendo los

puntos medios de la base superior de los rectngulos que constituyen las barras.

Si se construye un diagrama de barras considerando en lugar de las frecuencias las

frecuencias acumuladas y unimos los puntos medios de las bases superiores mediante
segmentos, obtenemos una poligonal creciente que denominamos polgono de
frecuencias acumuladas.
CURVAS DE FRECUENCIA
Es razonable esperar que tales curvas tericas provengan de la suavizacin de
los polgonos de frecuencias o delos polgonos de frecuencias relativas de la
muestra, la aproximacin es tanto ms exacta conforme aumenta el tamao
de la muestra. Por esta razn una curva de frecuencias se conoce como un
polgono de frecuencias suavizado.
DIAGRAMA CIRCULAR

Son utilizados en aquellos casos donde nos interesa no slo mostrar

el nmero de veces que se da una caracterstica o atributo de
manera tabular sino ms bien de manera grfica, de tal manera que
se pueda visualizar mejor la proporcin en que aparece esa
caracterstica respecto del total.
Medidas de tendencia no centrales
Las medidas de tendencia no centrales permiten conocer otros puntos caractersticos de la distribucin
que no son los valores centrales. Entre otros indicadores, se suelen utilizar una serie de valores que
dividen la muestra en tramos iguales

Cuartiles:
Son 3 valores que distribuyen la serie de datos, ordenada de forma creciente o decreciente, en cuatro
tramos iguales, en los que cada uno de ellos concentra el 25% de los resultados.

Deciles:
Son 9 valores que distribuyen la serie de datos, ordenada de forma creciente o decreciente, en diez tramos
iguales, en los que cada uno de ellos concentra el 10% de los resultados.

Percentiles:
Son 99 valores que distribuyen la serie de datos, ordenada de forma creciente o decreciente, en cien tramos
iguales, en los que cada uno de ellos concentra el 1% de los resultados
Ejemplo:
Vamos a calcular los cuartiles de la serie de datos referidos a la estatura de un grupo de alumnos vista
antes.
Variable Frecuencias absolutas Frecuencias relativas
(Valor) Simple Acumulada Simple Acumulada
x x x x x
1,2 1 1 3,30% 3,30%
1,21 4 5 13,30% 16,60%
1,22 4 9 13,30% 30,00%
1,23 2 11 6,60% 36,60%
1,24 1 12 3,30% 40,00%
1,25 2 14 6,60% 46,60%
1,26 3 17 10,00% 56,60%
1,27 3 20 10,00% 66,60%
1,28 4 24 13,30% 80,00%
1,29 3 27 10,00% 90,00%
1,3 3 30 10,00% 100,00%

Identificar los cuartiles y los deciles en la serie de datos

Medidas de dispersin
Estudia la distribucin de los valores de la serie, analizando si estos se encuentran ms o menos
concentrados, o ms o menos dispersos.

Existen diversas medidas de dispersin, entre las ms utilizadas podemos destacar las siguientes

Rango: mide la amplitud de los valores de la muestra y se calcula por diferencia entre el valor ms elevado y el valor
ms bajo

DESVIACIN MEDIA
Se define como la media aritmtica en valor absoluto de todas las diferencias entre cada valor de la variable y su
media aritmtica.
Cuando los datos no estn agrupados, la frmula matemtica que expresa dicha definicin es:

En caso de tener los datos agrupados en una tabla de frecuencias, la frmula ser:
Varianza: Mide la distancia existente entre los valores de la serie y la media. Se calcula como sumatorio de las
diferencias al cuadrado entre cada valor y la media, multiplicadas por el nmero de veces que se ha repetido cada
valor. El sumatorio obtenido se divide por el tamao de la muestra

La varianza siempre ser mayor que cero. Mientras ms se aproxima a cero, ms concentrados estn los valores
de la serie alrededor de la media. Por el contrario, mientras mayor sea la varianza, ms dispersos estn.

Desviacin tpica: Se calcula como raz cuadrada de la varianza

Coeficiente de variacin de Pearson: se calcula como cociente entre la desviacin tpica y la media.
Ejemplo: vamos a utilizar la serie de datos de la estatura de los alumnos de una clase (leccin 2) y vamos a
calcular sus medidas de dispersin.

Variable Frecuencias absolutas Frecuencias relativas

(Valor) Simple Acumulada Simple Acumulada
1,2 1 1 3,30% 3,30%
1,21 4 5 13,30% 16,60%
1,22 4 9 13,30% 30,00%
1,23 2 11 6,60% 36,60%
1,24 1 12 3,30% 40,00%
1,25 2 14 6,60% 46,60%
1,26 3 17 10,00% 56,60%
1,27 3 20 10,00% 66,60%
1,28 4 24 13,30% 80,00%
1,29 3 27 10,00% 90,00%
1,3 3 30 10,00% 100,00%
1.- Rango: Diferencia entre el mayor valor de la muestra (1,30) y el menor valor (1,20). Luego el rango de esta
muestra es 10 cm.

2.- Varianza: recordemos que la media de esta muestra es 1,253. Luego, aplicamos la
frmula:

Por lo tanto, la varianza es 0,0010

3.- Desviacin tpica: es la raz cuadrada de la varianza.

4.- Coeficiente de variacin de Pearson: se calcula como cociente entre la desviacin tpica y la
media de la muestra.

= 0,0320 / 1,253 , = 0,0255

El inters del coeficiente de variacin es que al ser un porcentaje permite comparar el nivel de
dispersin de dos muestras. Esto no ocurre con la desviacin tpica, ya que viene expresada en las
mismas unidas que los datos de la serie.

Por ejemplo, para comparar el nivel de dispersin de una serie de datos de la altura de los alumnos de
una clase y otra serie con el peso de dichos alumnos, no se puede utilizar las desviaciones tpicas (una
viene vienes expresada en cm y la otra en kg). En cambio, sus coeficientes de variacin son ambos
porcentajes, por lo que s se pueden comparar.
SESGO
 Curtosis
El Coeficiente de Curtosis analiza el grado de concentracin que presentan los valores
alrededor de la zona central de la distribucin.

Se definen 3 tipos de curvas segn su grado de curtosis

Presenta un elevado grado Presenta un grado de presenta un reducido

de concentracin
alrededor de los valores
centrales de la variable.
concentracin medio grado de concentracin
alrededor de los valores alrededor de los valores
centrales de la variable (el centrales de la variable
mismo que presenta una
distribucin normal).
Se observa claramente que en los cuadros anteriores no
se esta seguro de cada suceso ocurra y tampoco que
tan probable es.

Por tanto podemos afirmar que

La probabilidad es la medida de la incertidumbre de que

algo suceda.
PROBABILIDAD ESTADISTICA

La probabilidad mide la frecuencia con la que aparece un

resultado determinado cuando se realiza un experimento.

Ejemplo: tiramos un dado al aire y queremos saber cual es la

probabilidad de que:
Salga un 2,
Salga un nmero par
Salga un nmero menor que 4.
El experimento tiene que ser aleatorio, es decir, que pueden presentarse
diversos resultados, dentro de un conjunto posible de soluciones, y esto
realizando el experimento en las mismas condiciones. Por lo tanto, a priori
no se conoce cual de los resultados se va a presentar:

Ejemplos: lanzamos una moneda al aire: el resultado

puede ser cara o sello, pero no sabemos de antemano
cual de ellos va a salir.
Suceso elemental: hace referencia a cada una de las posibles
soluciones que se pueden presentar.

Ejemplo: al lanzar una moneda al aire, los sucesos elementales son la cara
y el sello. Al lanzar un dado, los sucesos elementales son el 1, el 2, .., hasta
el 6.

Suceso compuesto: es un subconjunto de sucesos elementales.

Ejemplo: lanzamos un dado y queremos que salga un nmero par. El
suceso "numero par" es un suceso compuesto, integrado por 3 sucesos
elementales: el 2, el 4 y el 6
Espacio Muestral: es el conjunto de todos los posibles
sucesos elementales. Cada experimento aleatorio tiene definido su
espacio muestral (es decir, un conjunto con todas las soluciones
posibles).

Ejemplo: si tiramos una moneda al are una sola vez, el espacio

muestral ser cara o sello.

Si el experimento consiste en lanzar una moneda al aire dos veces,

entonces el espacio muestral estara formado por (cara-cara), (cara-
sello), (sello-cara) y (sello-sello).
Entre los sucesos compuestos se pueden establecer distintas relaciones:

a) Un suceso puede estar contenido en otro: las posibles soluciones del primer suceso
tambin lo son del segundo, pero este segundo suceso tiene adems otras soluciones
suyas propias.

Ejemplo: lanzamos un dado y analizamos dos sucesos: a) que salga el nmero 6, y

b) que salga un nmero par. Vemos que el suceso a) est contenido en el suceso
b).

Siempre que se da el suceso a) se da el suceso b), pero no al contrario. Por

ejemplo, si el resultado fuera el 2, se cumplira el suceso b), pero no el el a).
b) Dos sucesos pueden ser iguales: esto ocurre cuando siempre que se
cumple uno de ellos se cumple obligatoriamente el otro y viceversa.

Ejemplo: lanzamos un dado al aire y analizamos dos sucesos: a) que

salga nmero par, y b) que salga mltiplo de 2. Vemos que las
soluciones coinciden en ambos casos.
d) Interseccin de sucesos: es aquel suceso compuesto por los elementos
comunes de dos o ms sucesos que se intersectan.
Ejemplo: lanzamos un dado al aire, y analizamos dos sucesos: a) que
salga nmero par, y b) que sea mayor que 4. La interseccin de estos
dos sucesos tiene un slo elemento, el nmero 6 (es el nico resultado
comn a ambos sucesos: es mayor que 4 y es nmero par).
e) Sucesos incompatibles: son aquellos que no se pueden dar al mismo
tiempo ya que no tienen elementos comunes (su interseccin es el
conjunto vaco).
Ejemplo: lanzamos un dado al aire y analizamos dos sucesos: a) que
salga un nmero menor que 3, y b) que salga el nmero 6. Es
evidente que ambos no se pueden dar al mismo tiempo.

f) Sucesos complementarios: son aquellos que si no se da uno,

obligatoriamente se tiene que dar el otro.
Ejemplo: lanzamos un dado al aire y analizamos dos sucesos: a) que
salga un nmero par, y b) que salga un nmero impar. Vemos que si
no se da el primero se tiene que dar el segundo (y viceversa).
Probabilidad
Ya sabemos que la probabilidad mide la mayor o menor posibilidad de que
se d un determinado resultado (suceso) cuando se realiza un experimento
aleatorio.
La probabilidad toma valores entre 0 y 1 (o expresados en tanto por ciento, entre 0% y 100%):

El valor cero corresponde al suceso imposible: lanzamos un dado al aire y la probabilidad de que salga el
nmero 7 es cero (al menos, si es un dado certificado por la OMD, "Organizacin Mundial de Dados").

El valor uno corresponde al suceso seguro: lanzamos un dado al aire y la probabilidad de que salga
cualquier nmero del 1 al 6 es igual a uno (100%).

El resto de sucesos tendr probabilidades entre cero y uno: que ser tanto mayor cuanto ms probable
sea que dicho suceso tenga lugar.
Cmo se mide la probabilidad?

Uno de los mtodos ms utilizados es aplicando la Regla de Laplace:

define la probabilidad de un suceso como el cociente entre casos
favorables y casos posibles.
P(A) = Casos favorables / casos posibles

Veamos algunos ejemplos:

a) Probabilidad de que al lanzar un dado salga el nmero 2
b) Probabilidad de que al lanzar un dado salga un nmero par
c) Probabilidad de que al lanzar un dado salga un nmero menor que 5
d) Probabilidad de que nos toque el premio entre 100.000 posibilidades
 Para poder aplicar la Regla de Laplace el experimento aleatorio tiene que
cumplir dos requisitos:

a) El espacio muestral tiene que ser finito. Si hubiera infinitos resultados,

al aplicar la regla "casos favorables / casos posibles" el cociente siempre
sera cero.

b) Todos los sucesos tienen que tener la misma probabilidad. Si al lanzar un

dado, algunas caras tuvieran mayor probabilidad de salir que otras, no
podramos aplicar esta regla.
 Probabilidad de sucesos
Al definir los sucesos hablamos de las diferentes relaciones que pueden
guardar dos sucesos entre s, as como de las posibles relaciones que se
pueden establecer entre los mismos. Vamos a ver ahora cmo se refleja
esto en el clculo de probabilidades.

Eventos independientes/dependientes
Dos eventos son independientes si el resultado del segundo evento no es
afectado por el resultado del primer evento. Si A y B son eventos
independientes, la probabilidad de que ambos eventos ocurran es el
producto de las probabilidades de los eventos individuales.

P(A y B) = P(A) P(B)

Ejemplo
Una caja contiene 4 canicas rojas, 3 canicas verdes y 2 canicas azules. Una
canica es eliminada de la caja y luego reemplazada. Otra canica se saca de la
caja. Cul es la probabilidad de que la primera canica sea azul y la segunda
canica sea verde?

Ya que la primera canica es reemplazada, el tamao del espacio muestral (9)

no cambia de la primera sacada a la segunda as los eventos son
independientes.

P(azul luego verde) = P(azul) P(verde)

= = =

Dos eventos son dependientes si el resultado del primer evento afecta el
resultado del segundo evento as que la probabilidad es cambiada. En el
ejemplo anterior, si la primera canica no es reemplazada, el espacio
muestral para el segundo evento cambia y as los eventos son dependientes.
La probabilidad de que ambos eventos ocurran es el producto de las
probabilidades de los eventos individuales:

P(A y B) = P(A) P(B)

Ejemplo
Una caja contiene 4 canicas rojas, 3 canicas verdes y 2 canicas azules. Una
canica es eliminada de la caja y luego reemplazada. Otra canica se saca de la
caja. Cul es la probabilidad de que la primera canica sea azul y la segunda
canica sea verde?
Ya que la primera canica no es reemplazada, el tamao del espacio muestral
(9) cambia de la primera sacada a la segunda as los eventos son
dependientes.

P(azul luego verde) = P(azul) P(verde)

= = =

Eventos mutuamente excluyentes y eventos no excluyentes

Dos o ms eventos son mutuamente excluyentes o disjuntos, si

no pueden ocurrir simultneamente. Es decir, la ocurrencia de un
evento impide automticamente la ocurrencia del otro evento (o
eventos).

Ejemplo
Al lanzar una moneda solo puede ocurrir que salga cara o sello pero
no los dos a la vez, esto quiere decir que estos eventos son
excluyentes.
Dos o ms eventos son no excluyentes, cuando es posible que
ocurran ambos. Esto no indica que necesariamente deban ocurrir estos
eventos en forma simultnea.

Ejemplo
Si consideramos en un juego de domino sacar al menos un blanco y un
seis, estos eventos son no excluyentes porque puede ocurrir que salga el
seis o el blanco
 Reglas de la Adicin
La Regla de la Adicin expresa que: la probabilidad de ocurrencia de
al menos dos sucesos A y B es igual a:

P(A o B) = P(A) U P(B) = P(A) + P(B)

si A y B son mutuamente excluyente

P(A o B) = P(A) + P(B) - P(A y B)

si A y B son no excluyentes

Siendo:
P(A) = probabilidad de ocurrencia del evento A
P(B) = probabilidad de ocurrencia del evento B
P(A y B) = probabilidad de ocurrencia simultanea de los eventos A y B
Probabilidad Condicional
Por otro lado
Ejemplo
Ejemplo
Teorema de Probabilidad total o regla de eliminacin
La esperanza matemtica o valor esperado de una variable
aleatoria discreta es la suma del producto de la probabilidad
de cada suceso por el valor de dicho suceso.

Si la esperanza matemtica es cero, E(x) = 0, el juego es equitativo, es decir,

no existe ventaja ni para el jugador ni para la banca.
Ejemplo
Un jugador lanza dos monedas. Gana 1 2 si aparecen una o dos caras.
Por otra parte pierde 5 si no aparece cara. Determinar la esperanza
matemtica del juego y si ste es favorable.

E = {(c,c);(c,x);(x,c);(x,x)}
P(1c) = 2/4
P(2c) = 1/4
P(2s) = 1/4
E(x)= 1 2/4 + 2 1/4 - 5 1/4 = 1/4. Es desfavorable
Para aplicar la Regla de Laplace, el clculo de los sucesos
favorables y de los sucesos posibles a veces no plantea ningn
problema, ya que son un nmero reducido y se pueden calcular
con facilidad:
Por ejemplo: Probabilidad de que al lanzar un dado salga el
nmero 2. Tan slo hay un caso favorable, mientras que los
casos posibles son seis.

Pero este: 5 matrimonios se sientan aleatoriamente a cenar y queremos

calcular la probabilidad de que al menos los miembros de un matrimonio
se sienten juntos. En este caso, determinar el nmero de casos
favorables y de casos posibles es complejo.
 Las reglas matemticas que nos pueden ayudar son el clculo de
combinaciones, el clculo de variaciones y el clculo de
permutaciones.

Combinaciones Variaciones Permutaciones

Calcular las posibles Calcular las posibles Calcular las posibles formas en
combinaciones de 2 variaciones de 2 elementos que se pueden ordenar los
elementos que se pueden formar que se pueden establecer con los nmero 1, 2 y 3.
con los nmeros 1, 2 y 3. nmero 1, 2 y 3.
(1,2), (1,3) y (2,3) (1,2), (1,3), (2,1), (2,3), (3,1) y (1, 2, 3), (1, 3, 2), (2, 1, 3), (2, 3,
(3,2) 1), (3, 1, 2) y (3, 2, 1)
(1,2) y (2,1) (1,2) y (2,1)
se consideran idnticas se consideran distintos.
No importa el orden Importa el orden Se toman todos los elementos
Cmo se calculan?
Combinaciones Variaciones Permutaciones

"Cm,n" representa las "Vm,n" representa las variaciones "Pm" representa las
combinaciones de "m" elementos, de "m" elementos, formando permutaciones de "m" elementos,
formando subgrupos de "n" subgrupos de "n" elementos. tomando todos los elementos.
elementos.

Ejemplos
C10,4 son las combinaciones de 10 elementos agrupndolos en subgrupos de 4 elementos:
V10,4 son las variaciones de 10 elementos agrupndolos en subgrupos de 4 elementos:
P10 son las permutaciones de 10 elementos:
Veamos este caso: tenemos bolas de 6 colores diferentes y queremos formar subgrupos
en los que pudiera darse el caso de que 2, 3, 4 o todas las bolas del subgrupo tuvieran el
mismo color. En este caso no podramos utilizar las frmulas que vimos en la leccin
anterior.
Combinaciones Variaciones Permutaciones
con repeticin con repeticin con repeticin
V'10,4 son las variaciones de 10 elementos con repeticin, agrupndolos en subgrupos de 4 elementos:

Calcular las permutaciones de 10 elementos, en los que uno de ellos se repite en 2 ocasiones y otro se
repite en 3 ocasiones:
Distribucin de probabilidad
Es una distribucin terica de frecuencias que describe cmo se espera que varen
los resultados de un experimento. Existen diferentes tipos de modelos que
permiten describir el comportamiento de fenmenos estadsticos que permiten
hacer inferencias y tomar decisiones en condiciones de incertidumbre