FORMULAS IMPORTANTES

ESTADSTICA DESCRIPTIVA
VARIANZA: 2
2 2
2
) (
x
n
x
n
x x
i
i
i
i

D. TIPICA=
2

COEF. VARIACIN =
x

DISTRIBUCIONES BIDIMENSIONALES
Marginal de X

i
ij j
F F

i
ij j
f f
Marginal de Y

j
ij i
F F

j
ij i
f f
Distribucin condicionada

j
ij
i j
ij
i
ij
i
ij
i
f
f
f
f
F
F
x X Y f ) | (
Covarianza
y x
n
y x
n
y y x x
j i j i
xy

) )( (

Regresin lineal Coeficiente de regresin =

2
x
xy

) (
~
2
x x y y
xy
+

PROBABILIDAD
) ( ) ( ) (
) ( ) ( ) ( ) (
) ( ) ( ) (
) ( ) (
A B P A B P B P
B A P B P A P B A P
A P B P A B P
A B A B

+
+


PROBABILIDAD CONDICIONADA
) (
) (
) | (
B P
B A P
B A P

) | ( ..... ) | ( ) | ..... (
1 1
B A P B A P B A A P
N N
+ +
) | ( ) ( ........ ) | ( ) ( ) (
1 1 n n
B A P B P B A P B P A P + +
) (
) | ( ) (
) | (
A P
B A P B P
A B P
i i
i

2 sucesos son independientes si y slo si
) ( ) ( ) ( B P A P B A P
VARIBLAS ALEATORIAS
DISCRETAS CONTINUAS
PROBABILIDAD
Funcin de Probabilidad o
Distribucin de Probabilidad
Funcin de Densidad
PROBABILIDAD
ACUMULADA
Distribucin de Probabilidad
Acumulada
Distribucin de Probabilidad
Acumulada
ESPERANZA MATEMTICA O VALOR ESPERADO DE UNA VA
Discretas
[ ]

x
x xp X E ) (
[ ]

x
x p x g X g E ) ( ) ( ) (
Continuas
[ ]

dx x xf X E ) (
[ ]

dx x f x g X g E ) ( ) ( ) (
MOMENTOS (Frmulas para variables continuas)
Momento de orden r respecto del origen
[ ]

dx x f x X E
r r
r
) (
'

Momento central de orden r

[ ]

dx x f x X E
r r
r
) ( ) ( ) (
'

Momento central de orden 2 o Varianza
[ ] [ ] [ ]
2 '
2
2 2 2 2
2
) ( X E X E X E
COEFICIENTE DE VARIACIN

V
COEFICIENTE DE SIMETRA
2
3
2
3
1

COEFICIENTE DE CURTOSIS
3
2
2
4
2

DISTRIBUCIONES DISCRETAS
BERNOUILLI
2 1
qx px +
2
2 1
2
) ( x x pq
BINOMIAL
k n k
q p
k
n
k X P

,
_

) (
np
npq
2

HIPERGEOMTRICA

,
_

,
_

,
_

n
m
k n
a m
a
n
k X P ) (
m
na

) 1 (
) ( (
2
2

m m
n m a m m

BINOMIAL MNEGATIVA
x k
q p
k
x k
x X P

,
_

+

1
1
) (
p
kq

p
kq

GEOMTRICA
x
pq
x
x X P

,
_

0
) ( kq
kq
2

DE POISSON
!
) (
k
e
k X P
k

2
DISTRIBUCIONES CONTINUAS
NORMAL
La frmula es muy complicada. Se utilizan las tablas normalizadas
La Binomial se puede aproximar por la normal.
UNIFORME CONTINUA

'

caso otro en
b x a si
a b
x f
.. .. .... .......... 0
... .......
1
) (

'

<

>

x b si
b x a si
a b
a x
a x si
x F
.. .... .......... 1
.. .......
. ... .......... 0
) (
a b
x x
x X x P

1 2
2 1
) (
2
) (
b a
X E
+

12
) (
) (
2
a b
X Var

Media, mediana y moda coinciden
EXPONENCIAL

'

>

caso otro en
x si e
x f
x
.. .. .. .......... 0
0 .. .....
1
) (

'

>

0 .. .... 1
0 .. . .......... 0
) (
x si e
x si
x F x

TEMA 1.- ESTADSTICA DESCRIPTIVA
POBLACIONES, VARIABLES Y OBSERVACIONES
Poblacin. Conjunto de seres u objetos acerca de los que se desea obtener informacin.
Individuo. Cada uno de los miembros de la poblacin.
Variable estadstica. Cada una de las caractersticas que se miden en los individuos.
Valores. Las diferentes manifestaciones de una variable.
Observacin. El conjunto de valores de cada variable medidos en un individuo.
Las variables se suelen clasificar en:
Cualitativas. Son cualidades de los individuos.
Ordinales. Los valores pueden ser ordenados.
Cuantitativas. Miden alguna cualidad cuantificable. Se clasifican en discretas y continuas.
VALORES DE POSICIN
Media. Es la suma de todos los valores dividida por el nmero de valores.
Mediana. Aquel valor para el cual la mitad o menos de la poblacin tienen valores inferiores a l
y la mitad o menos de la poblacin tienen valores superiores a l.
Moda. El valor ms frecuente de la variable.
LA DISPERSIN RESPECTO DE LA MEDIA
Varianza. Mide la dispersin o desviacin respecto de la media y es igual a la suma de los
cuadrados de las desviaciones individuales, dividida por el nmero de observaciones:
n
x x
n
i
i

1
2
2
) (

La varianza es igual al promedio de los cuadrados menos el cuadrado de la media:

2
1
2
2
x
n
x
n
i
i

Desviacin tpica. Se define como la raz cuadrada de la varianza

Coeficiente de variacin. Es el cociente entre la desviacin tpica y la media. Se expresa en

porcentaje.
DISTRIBUCIONES BIDIMENSIONALES
Las frecuencias se representarn por F
ij
y f
ij
Recibe el nombre de distribucin marginal de X la distribucin que tiene la variable X ignorando la
variable Y. Y viceversa.
Distribuciones condicionadas:


i
ij
i
ij
f
f
F
F
x X y Y f ) | (
COVARIANZA
Es una medida de la intensidad de cierta asociacin estadstica entre dos variables.
n
y y x x
s
n
i
m
j
j i
xy

1 1
) ( ) (
Tambin se puede expresar como
y x
n
y x
s
n
i
m
j
j i
xy

1 1
, que se lee: La covarianza es
igual al promedio de los productos cruzados menos el producto de las medias.
2.- REGRESIN LINEAL
Es un mtodo para calcular el valor de una variable (Y) a partir de los valores de otras (X):
REGRESIN LINEAL SIMPLE
A partir de n observaciones (x
i
y
i
I se trata de calcular la recta y=a+bx que mejor se ajuste a los
datos segn el mtodo de los mnimos cuadrados.
En la observacin i-sima:
El valor previsto de y ser:
i i
bx a y +
~
El valor observado ser y
i
El error ser
i i
y y e
~

El error cuadrtico ser
( ) ( )
2 2
~
i i i i
bx a y y y
La suma de los errores cuadrticos se llama error total:
( )

n
i
i i T
bx a y E
1
2
La recta de regresin de y sobre x es aquella que hace mnimo el error cuadrtico total E
T
. El
problema consiste en hallar los valores de a y b que hacen mnimo E
T
.
La ecuacin de la recta de regresin de y sobre x es:
) (
~
2
x x
s
s
y y
x
xy
+
A la pendiente de la
recta se le llama coeficiente de regresin.
Adems la recta siempre pasa por el centro de gravedad de la nube de puntos, que es
) , ( y x
.
Si la covarianza s
xy
es >0, la recta de regresin es creciente; si s
xy
es <0, la recta de regresin
es decreciente; si es =0, la recta de regresin es cte. (paralela al eje x).
Momentos de la previsin de y ( y
~
).
La variable prevista tiene la misma media que y: y y
~
Varianza de
y
~
2
2
2
~
x
xy
y
s
s
s
La covarianza entre
y
~
e y es igual a la varianza de
y
~
:
2
2
~
x
xy
y y
s
s
s
Varianza residual.
Como
y y e
~

, se puede demostrar que
2
~
2 2
y y e
s s s
. A
2
e
s se le llama varianza residual y es la
varianza del error residual.
xy y
x
xy
y y y e
bs s
s
s
s s s s
2
2
2
2 2
~
2 2
Coeficiente de Determinacin.
Se llama Coeficiente de Determinacin a la parte de la varianza explicada por la regresin en
relacin con la varianza de y.
2 2
2
2
2
2
2 2
2
2
~
2
1
y x
xy
y
e
y
e y
y
y
s s
s
s
s
s
s s
s
s

. Esta ltima relacin nos da una frmula muy til a
efectos prcticos. Este coeficiente vara entre 0 y 1: 1 0
2

Coeficiente de Correlacin.
Se define como la raz cuadrada positiva del Coeficiente de Determinacin.
y x
xy
s s
s

Vara entre 1 y 1.
1 1
Cuanto mayor es

(en valor absoluto), mayor es el ajuste de la nube de puntos a la recta, lo

que implica que mejores son las estimaciones.
Si

=1, la recta es creciente. Si

=-1 la recta es decreciente.

PROBABILIDAD
La Probabilidad expresa el valor lmite de la frecuencia de un fenmeno. Es un nmero entre 0
y 1.
ESPACIO MUESTRAL Y SUCESOS
Espacio muestral ( ) es el conjunto de los resultados posibles de un experimento aleatorio.
Siempre es finito.
Los subconjuntos de se llaman sucesos. es el suceso seguro y es el suceso imposible.
CONCEPTO DE PROBABILIDAD
El objetivo es atribuir una probabilidad a cada suceso. Se trata de establecer una aplicacin
P:P( )

[0,1] que asigne a cada suceso un nmero entre 0 y 1.

Para que P sea una probabilidad debe cumplir ciertos requisitos:
Si
0 B A

) ( ) ( ) ( B P A P B A P +
P( )=1
PROPIEDADES DE LA PROBABILIDAD
Si B A , entonces
) ( ) ( B P A P
Si B A , entonces P(B-A)=P(B)-P(A)

A A P A P ).... ( 1 ) (

) ( ) ( ) ( ) ( B A P B P A P B A P +

) ( ) ( ) ( B A P A P A P +
Si A
1
. . . A
n
son disjuntos dos a dos, entonces
) ( ..... ) ( ) ( ) ..... (
2 1 2 1 n n
A P A P A P A A A P + +
ASIGNACIN DE PROBABILIDADES. REGLA DE LAPLACE
posibles casos n
favorables casos n
A P
.. ..
.. ..
) (
METODOS COMBINATORIOS
Una permutacin de A es una biyeccin de A en A
P
n
=n!
Una variacin con repeticin de orden r de A es una lista ordenada de r elementos de A.
)! (
!
) , (
r n
n
r n V

Una variacin con repeticin de orden r de A es una lista ordenada de r elementos de A, dnde
pueden repetirse elementos.
r
n r n VR ) , (
Una combinacin de orden r de A es una lista de r elementos de A
)! ( !
!
) , (
r n r
n
r
n
r n C

,
_

Una combinacin con repeticin de orden r de A es una lista de r elementos de A, dnde

pueden repetirse elementos.
)! 1 ( !
)! 1 (
1
) , 1 ( ) , (

,
_

+
+
n r
r n
r
r n
r r n C r n CR
Importa el orden No importa el orden
No se permiten
repeticiones
VARIACIONES
)! (
!
) , (
r n
n
r n V

COMBINACIONES
)! ( !
!
) , (
r n r
n
r
n
r n C

,
_

Se permiten
repeticiones
VARIACIONES CON
REPETICIN
r
n r n VR ) , (
COMBINACIONES CON REPETICIN
)! 1 ( !
)! 1 (
1
) , 1 ( ) , (

,
_

+
+
n r
r n
r
r n
r r n C r n CR
PROBABILIDAD CONDICIONADA
) (
) (
) | (
B P
B A P
B A P

) .... | ( * ........ * ) | ( * ) | ( * ) ( ........ (

2 1 2 1 3 1 2 1 2 1 N N N
A A A A P A A A P A A P A P A A A P
PROPIEDADES DE LA PROBABILIDAD CONDICIONADA
1.- Si A
1
.......A
n
son disjuntos, entonces
) | ( ....... ) | ( ) | .... (
1 1
B A P B A P B A A P
n n
+ +
2.-
1 ) | ( B P
FORMULA DE LAS PROBABILIDADES TOTALES
Si B
1
.....B
n
son disjuntos dos a dos y


n
B B .......
1
,
entonces
) | ( ) ( .. .......... ) | ( ) ( ) (
1 1 n n
B A P B P B A P B P A P + +
FORMULA DE BAYES
Si B
1
.....B
n
son disjuntos dos a dos y


n
B B .......
1
,
entonces
) (
) ( ) (
) | (
A P
B A P B P
A B P
i i
i

SUCESOS DEPENDIENTES E INDEPENDIENTES

Dos sucesos son independientes si
) ( ) ( ) ( B P A P B A P
ESPACIOS PRODUCTO
Este concepto se utiliza cuando un experimento consta de varios experimentos totalmente
inconexos entre s. Entonces se puede describir mediante el producto cartesiano
2 1
x y
) ( ) ( ) (
2 1
B P A P AxB P
INDEPENDENCIA DE VARIOS SUCESOS
3 sucesos son independientes si son independientes dos a dos y adems
) ( ) ( ) ( ) (
3 2 1 3 2 1
A P A P A P A A A P
n sucesos son independientes si la probabilidad de la interseccin de cualquier nmero finito de
ellos coincide con el producto de las probabilidades:
I ik i N k A P A P A A P
ik i ik i
... 1 ; )..... ( * ... * ) ( ) .... (
1 1
INDEPENDENCIA CONDICIONAL
Si se verifica
) | ( ) | ( ) | ( C B P C A P C B A P
, se dice que A y B son independientes
condicionalmente a C. Si se sabe que C ha ocurrido, la aparicin de B no modifica la probabilidad de
A ni al contrario. Los sucesos A y B pueden ser independientes, pero no ser condicionalmente
independientes ni a C ni a no C
VARIABLES ALEATORIAS
Se llama Variable Aleatoria X sobre un espacio probabilstico a una funcin : X
VARIABLES DISCRETAS
El conjunto de pares ordenados (x,p(x))
es una funcin de probabilidad si cumple:

x x p ... 0 ) (

x
x p 1 ) (
P(X=x)=p(x)
Distribucin acumulada:

x k p x X P x F
x k
... ) ( ) ( ) (
Propiedades de F:

1 ) ( 0 x F

) ( ) (
j i j i
x F x F x x

) ( 1 ) ( 1 ) ( x F x X P x X P >

) 1 ( ) ( ) ( x F x F x X P

) 1 ( ) ( ) (
i j j i
x F x F x X x P
VARIABLES CONTINUAS
Una funcin f(x) en un intervalo I es una
funcin de probabilidad si cumple:

I de ervalo x f .. .. int .... 0 ) (

I
x f 1 ) (

2
1
) ( ) (
2 1
x
x
dx x f x X x P
Distribucin acumulada:

x
dt t f x X P x F ) ( ) ( ) (
Propiedades de F:

0 ) ( F

1 ) ( F

) ( ) ( ) (
1 2 2 1
x F x F x X x P

) (
) (
x f
dx
x dF

ESPERANZA MATEMTICA
Es un concepto anlogo a la media aritmtica para variables aleatorias.
PROPIEDADES:
E(c)=c
E(aX+b)=aE(X)+b
E(g(X)+h(X))=E(g(X))+E(h(X))
VARIABLES DISCRETAS
Se llama esperanza matemtica o valor
esperado al nmero:

x
x xp X E ) ( ) (
Si g(x) es una funcin de R en R:

x
x p x g x g E ) ( ) ( )) ( (
VARIABLES CONTINUAS
Se llama esperanza matemtica o valor
esperado al nmero:

dx x xf X E ) ( ) (
Si g(x) es una funcin de R en R:

dx x f x g x g E ) ( ) ( )) ( (
MOMENTOS DE UNA VARIABLE ALEATORIA
Los momentos de una VA son los valores de ciertas funciones de la VA. Generalmente se
definen respecto al 0 o respecto al valor esperado.
Momento r-simo respecto al origen:
DISCRETA

x
r r
r
x p x X E ) ( ) ( '
CONTINUA

dx x f x X E
r r
r
) ( ) ( '
Si r=1, entonces ) ( '
1
X E
Momento r-simo respecto a la media o momento central:
DISCRETA

x
r r
r
x p x X E ) ( ) ( ) (
CONTINUA

dx x f x X E
r r
r
) ( ) ( ) (
Momento central de orden 0:
1
0

Momento central de orden 1:
0
Momento central de orden 2 (Varianza):
2
2
) ( X E
Propiedades de la Varianza:
) ( ) ( ' ) (
2 2 2
2
2
X E X E X Var
) ( ) (
2
X Var a b aX Var +
Desviacin tpica (

):
Es la raz cuadrada de la Varianza.
Coeficiente de variacin:

V
Momento central de orden 3:
Da idea del grado de simetra de la distribucin.
3
3
) ( X E
Coeficiente de simetra:
2
3
2
3
1

Momento central de orden 4:
Da idea del grado de apuntamiento.
4
4
) ( X E
Coeficiente de apuntamiento:
3
2
4
2

OTRAS MEDIDAS DE CENTRALIZACIN Y DISPERSIN

MEDIANA x es mediana si
DISCRETA
2 / 1 ) ( ... ... 2 / 1 ) ( x X P y x X P
CONTINUA
2 / 1 ) ( x X P
MODA. Es el valor o valores que hacen mxima la funcin de probabilidad (DISCRETAS) o la
funcin de densidad (CONTINUAS)
CUANTIL (

). Es la solucin o soluciones de la ecuacin

) (x F
DISCRETA


< ) ( ) ( x X P x X P
CONTINUA

) ( x X P
DESVIACIN MEDIA. Valor esperado, en valor absoluto, de las desviaciones a la media.
|) (| X E D
m
DISCRETA

x
x p x X E ) ( | | |) (|
CONTINUA

dx x f x X E ) ( | | |) (|
MODELOS PROBABILISTICOS DISCRETOS
DISTRIBUCIN UNIFORME DISCRETA
X toma valores x1.........xk con probabilidad 1/k. Se dice que X sigue una distribucin uniforme
discreta de parmetro k.
MEDIA

k
i
i
x
k
1
1

VARIANZA


k
i
i
x
k
2 2
) (
1

DISTRIBUCIN DE BERNOUILLI
Slo hay dos resultados posibles: xito y fracaso. Si p es la probabilidad de xito, entonces 1-p
es la probabilidad de fracaso.
Una VA X que toma 2 valores posibles x1 y x2 con probabilidades p y 1-p sigue una distribucin
de Bernouilli de parmetro p.
MEDIA
2 1
) 1 ( x p px +
VARIANZA
2
2 1
2
) )( 1 ( x x p p
DISTRIBUCIN BINOMIAL
Resulta cuando se efectan varios experimentos de Bernouilli independientes entre s y
queremos medir ewl nmero k de xitos entre las n pruebas, teniendo que la probabilidad de xito en
cada prueba es p.
B(n,p):
Distribucin de probabilidad:
k n k
p p
k
n
k N P

,
_

) 1 ( ) (
Media
np
Varianza ) 1 (
2
p np
Desviacin tpica ) 1 ( p np
DISTRIBUCIN HIPERGEOMETRICA
Se aplica en la realizacin de varios experimentos de Bernouilli, pero que no son independientes
entre s: el resultado de un experimento influye en la probabilidad de xito de los siguientes.
Tenemos m elementos. Entre esos m elementos hay a que presentan cierta caracterstica que
nos interesa. Luego habr m-a que no la presenten. Extraemos n elementos sin reemplazamiento y
queremos saber la probabilidad de que haya k elementos con la caracterstica que nos interesa entre
los n extrados.
Esta VA N sigue una distribucin hipergeomtrica de parmetros m, a, n.
H(m,a,n):
Distribucin de probabilidad:

,
_

,
_

,
_

n
m
k n
a m
k
a
k N P ) (
Media:
m
na

Varianza
) 1 (
) )( (
2
2

m m
n m a m na

DISTRIBUCIN BINOMIAL NEGATIVA

En un experimento de Bernouilli, con probabilidad de xito p, ahora contamos el nmero n=k+x
de repeticiones necesarias para obtener k xitos.
BN(k,p):
Distribucin de probabilidad:
x k
p p
k
x k
x X P ) 1 (
1
1
) (

,
_

+

Media:
p
p k ) 1 (

Varianza:
2
2
) 1 (
p
p k

DISTRIBUCIN GEOMTRICA
Es el caso particular de la Binomial Negativa cuando k=1. El nmero de ensayos que hay que
realizar para obtener el primer xito.
G(p):
Distribucin de probabilidad:
x
p p x X P ) 1 ( ) (
Media:
p
p

Varianza:
2
2
1
p
p

DISTRIBUCIN DE POISSON
Sirve para medir la ocurrencia de un determinado suceso a lo largo de un intervalo de tiempo.
La probabilidad de que en un tiempo dt ocurra cierto suceso es dt . Sea un proceso de Poisson
observado durante un tiempo t y con parmetro

.
P(

t):
Distribucin de probabilidad:
!
) (
k
e
k X P
k

, con k=0 .... y con t
Media

Varianza:
2
La distribucin de Poisson puede utilizarse para aproximar la Distribucin Binomial cuando p es
pequea y n grande.
q=1-p
DISTR PROBABILIDAD MEDIA VARIANZA NOTAS
UNIFORME DISCRETA

k
i
i
x
k
1
1

k
i
i
x
k
2 2
) (
1

2 1
) 1 ( x p px +
2
2 1
2
) )( 1 ( x x p p
Generalmente xito=1 y fracaso=0
k n k
q p
k
n
k N P

,
_

) (
np
npq
2

Experimento de Bernouilli repetido n veces de forma independiente

HIPERGEOMETRICA

,
_

,
_

,
_

n
m
k n
a m
k
a
k N P ) (
m
na

) 1 (
) )( (
2
2

m m
n m a m na

Experimento de Bernouilli repetido n veces de forma no independiente

) ( ) ( lim
) , ( ) , , (
k N P k N P
p n B n mp m H
n


BINOMIAL NEGATIVA
x k
q p
k
x k
x X P

,
_

+

1
1
) (
p
kq

2
2
p
kq

Cuantos experimentos k+x hay que hacer para obtener k xitos
) 1 ( 1 ) (
) , ( ) , (

+
k F x F
p x k B p k BN
x
pq x X P ) (
p
q

2
2
p
q
BN con k=1
!
) (
k
e
x X P
k

Ocurrencia de un determinado suceso a lo largo de un periodo de tiempo
La Binomial puede aproximarse por la de Poisson
MODELOS PROBABILISTICOS CONTINUOS
LA DISTRIBUCIN NORMAL
Se dice que X sigue una distribucin Normal de parmetros

, con b
< <
y con
0 >
)) , ( ( N X
si su funcin de densidad es:
< <
1
1
]
1

,
_

x e x f
x
..,.....
2
1
) (
2
2
1

Realmente

es la media y

es la desviacin la tpica.
Algunas propiedades importantes son:
La curva es simtrica respecto a la media. Presenta su mximo en x=

y puntos de inflexin
en x=

El rea limitada por la curva y el eje x vale 1, lo que garantiza que f(x) es una funcin de
densidad.
Todos los momentos centrales de orden impar son nulos, por lo tanto el coeficiente de
simetra es nulo.
El momento central de orden cuarto es
4
4
3 , por lo tanto el coeficiente de curtosis es
nulo. 0 3
4
4
2

La mediana , la moda y la media coinciden

La funcin de distribucin acumulada
) (
) , (
x F
N
no puede calcularse analticamente. Este
problema se resuelve mediante la tipificacin de la variable.
Definimos una nueva variable Z como

X
Z , a la cual llamamos variable tipificada. Este
cambio de variable nos permite calcular la funcin de distribucin acumulada de una variable normal
cualquiera (X) en funcin de la distribucin acumulada de una variable normal de media 0 y varianza
1.
) ( ) (
) 1 , 0 ( ) , (

x
F x F
N N
Los valores de
) (
) 1 , 0 (
x F
N
se obtienen de la tabla, teniendo en cuenta que sta incluye slo los
valores positivos (superiores a la media) de
) (
p
z Z P >
. A partir de estos puede calcularse cualquier
otra combinacin de valores:
) ( 1 ) (
p p
z Z P z Z P >
) ( ) ( ) (
2 1
2 1

x
Z P
x
Z P x X x P
APROXIMACIN DE LA BINOMIAL POR LA NORMAL
Sea X una VA que sigue una distribucin binomial B(n,p). Si tipificamos la variable restndole la
media (
np
) y dividiendo por la desviacin tpica ( ) 1 ( p np obtenemos una nueva VA
) 1 ( p np
np X
Y

. Entonces, cuando
n
la distribucin de la VA Y tiende a la distribucin normal
estndar N(0,1). Como consecuencia, puede utilizarse la tabla de la normal para calcular de manera
aproximada probabilidades binomiales. Hay que tener en cuenta que estamos aproximando una
variable discreta por una variable continua.
DISTRIBUCIN UNIFORME CONTINUA
Se dice que una VA X sigue una distribucin uniforme en el intervalo (a,b) U(a,b) si su funcin
de densidad es:

'

caso otro en
b x a si
a b
x f
.. .. ......... 0
.. ,..
1
) (

'

>

<

b x si
b x a si
a b
a x
a x si
x X P x F
.. .. 1
.. ..
.. .. 0
) ( ) (
El valor esperado es:
2
) ( ) (
b a
a b
x
dx x xf X E
b
a
+

DISTRIBUCIN EXPONENCIAL
Es un caso particular de la Distribucin Gamma.
Se dice que una VA sigue una distribucin Gamma de parmetros

(G(

)) si su
funcin de densidad es:

'

>

caso otro en
six e x
x f
x
.. .. ... .......... .......... 0
0 ..
) (
1
) (
1

Se dice que una VA X sigue una distribucin exponencial de parmetro

(E(

)) si su funcin
de densidad es:

'

>

caso otro en
x si e
x f
x
.. .. .......... 0
0 .. ...
1
) (

que es la distribucin anterior, con

=1
La media y la varianza son

y
2 2

a b
1
b
a
MODELOS MULTIDIMENSIONALES
DISTRIBUCIONES CONJUNTAS
VARIABLES DISCRETAS
El conjunto de ternas (x,y,p(x,y)) es una distribucin de probabilidad conjunta de las VA discretas X
e Y si satisface las condiciones:
p(x,y) 0 para todo (x,y)


x y
y x p 1 ) , (
P(X=x, Y=y)=p(x,y)
Dadas dos VA discretas X e Y, se denomina funcin de distribucin conjunta F(x,y) a la funcin:

x x y y
j i
i j
y x y x p y Y x X P y x F
2
) , ).....( , ( ) , ( ) , (
VARIABLES CONTINUAS
Una funcin f(x,y) definida en el plano
2
es una funcin de densidad de probabilidad conjunta de
las VA continuas X e Y si satisface las condiciones:

2
) , ( ... 0 ) , ( y x y x f

1 ) , ( dydx y x f

dydx y x f y Y y x X x P ) , ( ) , (
2 1 2 1
La funcin de distribucin conjunta F(x,y) de las VA continuas X e Y cuya funcin de densidad d
eprobablidad es f(x,y) es:



x y
y x dvdu v u f y Y x X P y x F
2
) , .......( ) , ( ) , ( ) , (
DISTRIBUCIONES MARGINALES
Sean X, Y dos VA discretas con
distribucin de probabilidad conjunta p(x,y). Las
distribuciones marginales de X e Y vienen
dadas por:

y
X
y x p x p ) , ( ) (

x
Y
y x p y p ) , ( ) (
Sean X, Y dos VA continuas con distribucin de
probabilidad conjunta f(x,y). Las distribuciones
marginales de X e Y vienen dadas por:

dy y x f x f
X
) , ( ) (

dx y x f y f
Y
) , ( ) (
MOMENTOS DE UNA VARIABLE ALEATORIA BIDIMENSIONAL