LECCIÓN #1. TERMINOLOGÍA BÁSICA DE LA TEORÍA DE LAS PROBABILIDADES .....

1
I.- Experimento. Espacio muestral y suceso aleatorio............... 1
II.- Operaciones entre sucesos. Sucesos mutuamente excluyentes y
sucesos exhaustivos................................................ 5
III.- El concepto de probabilidad. Las definiciones clásica y
estadística de probabilidades. Propiedades de la probabilidad...... 9
IV.- Definición de probabilidad condicional. Regla del producto.
Sucesos independientes. Reglas de la Probabilidad Total Y de Bayes 15
V.- La teoría combinatoria: variaciones, permutaciones y
combinaciones..................................................... 19
LECCIÓN #2 LAS VARIABLES ALEATORIAS. VARIABLES ALEATORIAS DISCRETAS
(V.A.D.) Y VARIABLES ALEATORIAS CONTINUAS (V.A.C.). FUNCIONES Y
CARACTERÍSTICAS NUMÉRICAS DE LAS V.A.D. DISTRIBUCIONES TEÓRICAS DE
PROBABILIDADES DE LAS V.A.D. ......................................... 24
I.- Las variables aleatorias y su clasificación................... 24
II.- Funciones de las V.A.D....................................... 25
III.- Características numéricas de las V.A.D...................... 28
IV.- Distribuciones teóricas de probabilidades de las V.A.D....... 30
LECCIÓN #3 LAS VARIABLES ALEATORIAS CONTINUAS. FUNCIONES Y
CARACTERÍSTICAS NUMÉRICAS DE LAS V.A.C. DISTRIBUCIONES TEÓRICAS DE
PROBABILIDADES DE LAS V.A.C. ......................................... 33
I.- Funciones de las V.A.C........................................ 33
II.- Características numéricas de las V.A.C....................... 36
III.- Distribuciones teóricas de probabilidades de las V.A.C...... 37
ANEXO #1 ........................................................... 50
ANEXO#2............................................................ 52
ANEXO#3............................................................ 53
ANEXO #4 ........................................................... 54
LECCIÓN #1. TERMINOLOGÍA BÁSICA DE LA TEORÍA DE LAS
PROBABILIDADES

I.- Experimento. Espacio muestral y suceso aleatorio

Experimento, según el Diccionario, es la "acción de experimentar" y, a su vez,
experimentar es "probar prácticamente una cosa". Así, son múltiples las
definiciones que en la literatura se encuentran sobre experimento; para
nuestros propósitos adoptaremos la siguiente:
Definición 1: Experimento es la realización de un conjunto de condiciones que
pueden ser repetidas un número arbitrario de veces (al menos, mentalmente).
Cuando un investigador realiza un experimento, siempre espera obtener de él
algún resultado; pero, ocurre que en muchos de ellos podrá saber con certeza
qué resultado va a obtener, mientras que en otros no podrá realizar dicha
aseveración. Esto hace que podamos clasificar los experimentos en
determinísticos o aleatorios.
Definición 2: Un experimento es determinístico, cuando se puede predecir con
exactitud el resultado que se obtendrá al realizarlo.
Definición 3: Un experimento es aleatorio, cuando no se puede predecir con
exactitud el resultado que se obtendrá al realizarlo. (A estos también se les
llaman estocásticos).
Ahora ustedes podrán indicar varios ejemplos de experimentos y clasificarlos,
pero vamos a prevenirlos en el sentido de que nuestro interés son los
experimentos estocásticos, es por ello que, a continuación, relacionamos
algunos ejemplos de estos últimos:
Ejemplo 1 (de experimentos aleatorios):
a) El lanzamiento de un dado homogéneo, o de una moneda, sobre una
superficie plana.
b) La evaluación, de aprobado o suspenso, que obtendrá un alumno en el
examen de Matemática.
c) La selección —de modo imprevisto— de una tarjeta, de entre cinco que son
idénticas y que han sido perfectamente mezcladas. (Estas tarjetas pueden
tener el nombre o el número que identifica a cada alumno de un equipo de
estudio, y el interés puede ser, observar la situación docente del alumno
seleccionado en Matemática, Física o Química).
En estas situaciones planteadas, se habrán percatado ustedes de que, no es
posible predecir con certeza el resultado que se obtendrá cuando se realice el
experimento; sin embargo, sí se puede predecir cuál o cuáles serán los
posibles resultados en cada realización del experimento (o en cada prueba).
Así, cuando se lanza un dado homogéneo sobre una superficie plana, son
posibles seis resultados; todo alumno que asiste a un examen tiene dos
resultados posibles: aprobar o suspender, y cuando de un equipo de estudio
—como el descrito en el caso c—, se selecciona un alumno en la forma en que
se ha dicho, pueden ocurrir cinco resultados posibles. (Una selección que se
haga del modo que se plantea en este caso, se dice que es una "selección

1
aleatoria o al azar").
Queremos insistir en el hecho de que, aunque en los experimentos aleatorios
no es posible predecir el resultado exacto que se obtendrá al realizar el
experimento, sí se puede saber cuál o cuáles, serán los posibles resultados de
este. Aquí nos interesa la siguiente definición:
Definición 4: Se llama punto muestral a cada uno de los resultados de un
experimento aleatorio.
En muchas ocasiones será de interés conocer cuáles son todos los puntos
muestrales del experimento, por ello tenemos la definición siguiente:
Definición 5: Se llama Espacio Muestral al conjunto de todos los puntos
muestrales de un experimento aleatorio.
Para referirnos al espacio muestral, como notación, emplearemos la S y para
especificar el total de puntos muestrales de S, usaremos la notación N(S).
De acuerdo con la cantidad N(S), el espacio muestral se puede clasificar en
finito o infinito: si N(S) es un número determinado, entonces el espacio
muestral es finito; en caso contrario, diremos que es infinito. (Los espacios
muestrales de los distintos experimentos del ejemplo 1, son finitos).
Para representar el espacio muestral se emplean diferentes formas, entre las
que tenemos:
⎯La representación descriptiva: consiste en indicar, verbalmente, cuáles son
los puntos muestrales del espacio muestral.
⎯La representación tabular: consiste en situar, entre llaves y separados por
comas, cada uno de los puntos muestrales del espacio muestral, mediante el
empleo de símbolos. Estos símbolos pueden ser letras, números, etc).
⎯La representación constructiva: consiste en emplear notaciones
matemáticas, situadas entre llaves, de modo tal que no aparezcan de forma
explícita los puntos muestrales del espacio muestral.
⎯La representación mediante diagramas: consiste en emplear figuras de la
geometría plana, tales como, cuadrados, circunferencias, etc., para indicar los
puntos muestrales del espacio muestral.
Ilustremos mediante un ejemplo los últimos aspectos tratados:
Ejemplo 2 (de espacio muestral):

Consideremos el experimento descrito en el caso c del ejemplo 1. Llamémosle

a1, a2,..,a5 a cada alumno del equipo y supongamos los siguientes resultados
docentes de estos alumnos:
Aquí, el experimento
Alumno Matemática Física Química consiste en seleccionar
al azar un alumno del
a1................. Bien............. Bien....... Bien equipo, por tanto, los
puntos muestrales son
a2................. Bien............. Bien....... Bien cada uno de los
alumnos, ya que
a3................. Mal.............. Mal........ Bien cualquiera de ellos
a4................ Regular........ Mal........ Bien

a5................. Mal.............. Bien....... Bien 2

puede ser seleccionado.
Veamos las diferentes formas de representar el espacio muestral:
⎯Representación descriptiva:
S: el espacio muestral está formado por los alumnos a1, a2, a3, a4 y a5 del
equipo de estudio.
⎯Representación tabular:
S={a1, a2, a3, a4, a5}, N(S)=5. (El espacio muestral es finito).
⎯Representación constructiva:
S={ai: i≤5, i∈N\0}
⎯Representación mediante diagrama:

Este espacio muestral, además de ser finito, tiene otra característica que
queremos destacar y es que, no existe un alumno del equipo que tenga "mayor
posibilidad" de ser seleccionado que otro cualquiera. Cuando un espacio
muestral tiene esta característica, se dice que es "equiprobable".
Muchas veces el investigador no está interesado solo en conocer todos los
posibles resultados del experimento aleatorio, sino que, lo está en "algunos de
esos resultados". Así, en este experimento, puede estar interesado en los
alumnos que estén evaluados de bien en Matemática, o de mal en Física, etc.
En tal caso, se hablará de un "suceso aleatorio".
Definición 6: Un suceso o evento aleatorio es un conjunto de puntos muestrales
de un experimento estocástico.
Para denotar los eventos se utilizan las letras mayúsculas de nuestro alfabeto,
con o sin subíndices: A, B, C,...., A1, A2,..., y para indicar el número de puntos
muestrales del suceso, se emplea la notación N(A), N(B),..., N(A1), N(B1),...
Esta definición es muy similar a la de espacio muestral, sin embargo se
diferencia en que en el espacio muestral tienen que estar todos los puntos
muestrales del experimento, mientras que, en el evento no necesariamente lo
estarán.
Para representar a cada suceso se emplean las mismas formas que se utilizan
para representar el espacio muestral.
Por otro lado, debemos precisar que, todo suceso siempre estará referido a un
espacio muestral.
Ejemplo 3 (de sucesos aleatorios):
Algunos sucesos referidos al espacio muestral del ejemplo 2, son los
siguientes:
A: que el alumno que se seleccione esté evaluado de bien en Matemática.

3
B: que el alumno que se seleccione esté evaluado de bien en Física.
C: que el alumno que se seleccione esté evaluado de bien en Química.
D: que el alumno que se seleccione esté evaluado de regular en Física.
E: que el alumno que se seleccione esté evaluado de mal en Física.
Aquí solo hemos definido, en representación descriptiva, cinco de todos los
posibles sucesos que se pueden definir del espacio muestral anterior: usted
podrá indicar otros muchos (le sugerimos que lo haga).
Escribamos ahora, en representación tabular, estos eventos:
A={a1, a2}, N(A)=2. B={a1, a2, a5}, N(B)=3. C={a1, a2, a3, a4, a5}=S,
N(C)=N(S)=5. D=φ, este suceso NO TIENE PUNTO MUESTRAL ALGUNO:
N(D)=N(φ)=0.
(El símbolo empleado para indicar que este suceso no tiene punto muestral es
la letra griega phi).
E={a3, a4}, N(E)=2.
Ahora bien, si cuando realicemos este experimento, es decir, si cuando de ese
equipo de estudio seleccionemos, al azar, un alumno; este es el a2, diremos
que los sucesos A, B y C ocurren, mientras que los sucesos D y E no ocurren:
ya que a2 es un punto muestral que pertenece a los eventos A, B y C, pero no
pertenece a los sucesos D y E.
Definición 7 (de ocurrencia de un suceso): sea M un suceso de un espacio
muestral S. Diremos que el suceso M ocurre, si el resultado que se obtiene
cuando se realiza el experimento, es un punto muestral que pertenece a dicho
evento. En caso contrario, se dice que el suceso M no ocurre.
En estos momentos tenemos que saber responder cuál o cuáles de los
sucesos anteriores ocurren y cuál o cuáles no, si el alumno seleccionado es el
a1, o si es el a4, etc. Se percatarán ustedes de que el suceso C "siempre
ocurre" al realizar el experimento, sin embargo, el D "nunca ocurre". Además,
siempre que ocurra el suceso A, ocurre el suceso B y ocurre el evento C, no así
el suceso D y el E.
Definición 8 (de suceso seguro): Un suceso de un espacio muestral S que
siempre que se realice el experimento ocurre, se llama evento seguro o cierto.
El suceso seguro se denota por S y observe que este siempre va a tener la
misma cantidad de puntos muestrales que tenga el espacio muestral, es el
caso del suceso C.
Definición 9 (de suceso imposible): un suceso de un espacio muestral S que no
ocurre nunca, cuando se realiza el experimento, se llama evento imposible.
El evento imposible se denota por φ y nunca va a tener punto muestral alguno,
es decir, N(φ)=0; tal es el caso del evento D.
Definición 10 (de subevento): Sean M y N dos sucesos de un espacio muestral.
Diremos que el suceso M es subevento del suceso N, si siempre que ocurra el
suceso M, ocurre también el suceso N.
Observación: Si M es subevento de N y a la vez N es subevento de M,

4
entonces se dice que M y N son iguales: M=N.
Notación de subevento: M⊂N.
En nuestro ejemplo 3, A⊂B, A⊂C y se cumple:
que N(A)<N(B), N(A)<N(C). Además, siempre se cumplirá que:
cualquiera sea M, M⊂S.
II.- Operaciones entre sucesos. Sucesos mutuamente excluyentes y
sucesos exhaustivos
1.- Complemento de un suceso:
Fijémonos nuevamente en los sucesos B y E del ejemplo 3:
B={a1, a2, a5} y E={a3, a4}. Observemos que si el alumno seleccionado es el a1,
ocurre el evento B, pero el suceso E no; mientras que si el alumno
seleccionado es el a3, entonces ocurre el evento E, pero no el suceso B. Así,
en cada realización de este experimento, siempre ocurrirá uno de estos dos
sucesos, pero no los dos a la vez: cuando esto sucede se dice que dichos
eventos son complementarios.
Definición 11 (de complemento de un suceso): Sea M un suceso de un espacio
muestral S. Al suceso que ocurre, cuando al realizar el experimento no ocurre
el evento M, se le llama suceso complemento o contrario del evento M.
Para denotar el complemento del suceso M se emplea el símbolo Mc. Observe
que todo punto muestral de S siempre pertenecerá al suceso o a su
complemento, es decir, si al realizar el experimento ocurre el suceso M,
entonces no ocurrirá su complemento; pero si ocurre el complemento de M,
entonces no ocurrirá el suceso M. Por tanto, al complemento de un suceso
pertenecen los puntos muestrales del espacio muestral que no pertenezcan al
suceso y viceversa.
Ejemplo 4 (de complemento de un suceso):
Determine el complemento de cada uno de los sucesos descritos en el ejemplo
3.
Ac: que el alumno que se seleccione no esté evaluado de bien en Matemática.
Ac={a3, a4, a5}, N(Ac)=3.
Bc : que el alumno que se seleccione no esté evaluado de bien en Física.
Bc={a3, a4}=E, N(Bc)=2. Observe que Bc⊂Ac, ya que A⊂B.
Cc: que el alumno que se seleccione no esté evaluado de bien en Química.
Cc=φ. Luego, como C=S, tenemos que Sc=φ.
Dc: que el alumno que se seleccione no esté evaluado de regular en Física.
Dc={a1, a2, a3, a4, a5}=S. Luego, como D=φ, tenemos que φC=S.
Ec: que el alumno que se seccione no esté evaluado de mal en Física.
Ec={a1, a2, a5}=B, N(Ec=3.
Tarea I: Sobre la base de los resultados obtenidos en los ejemplos 2, 3 y 4,
verifique que son válidas las siguientes igualdades:

5
1.- N(Ac)=N(S)-N(A)
2.- N(Bc)=N(S)-N(B)
3.- N(Cc )=N(S)-N(C)
4.- N(Dc)=N(S)-N(D)
5.- N(Ec)=N(S)-N(E)
Tarea II: Verifique que para todo suceso M de un espacio muestral S se cumple
que:
(Mc)c=M
2.- Producto de dos sucesos
Ahora analicemos los sucesos A={a1, a2} y B= {a1, a2, a5}: veamos que el punto
muestral a1 es común a los dos eventos, es decir, si el alumno que resulta
seleccionado, cuando se realiza el experimento, es el a1, estarán ocurriendo, a
la vez, los eventos A y B —esto no es así si el alumno seleccionado es el a5; en
tal caso solo ocurre el suceso B—. Por tal razón, si el alumno seleccionado es
el a1, diremos que está ocurriendo el "producto de los sucesos A y B"; que es
otra de las operaciones que se definen entre los sucesos.
Definición 12 (producto o multiplicación de sucesos): Sean M y N dos sucesos
de un espacio muestral S. Al evento que ocurre cuando ocurren, a la vez, los
suceso M y N, se le llama producto de los sucesos M y N.
Para denotar la multiplicación de los sucesos M y N emplearemos cualesquiera
de las dos formas siguientes: M∩N o M•N, y para referirnos al total de puntos
muestrales del suceso producto, lo haremos escribiendo la notación N(A∩B) o
N(A•B).
En la definición anterior queda establecido que, el producto de dos sucesos, es
también un suceso. Este nuevo suceso ocurre solo cuando ocurran ambos
eventos, es decir, en el suceso producto están los puntos muestrales que son
comunes a los dos sucesos.
Ejemplo 5 (producto de sucesos): Determine, sobre la base de los sucesos
descritos en los ejemplos 3 y 4, las multiplicaciones siguientes:
A∩B: que el alumno que se seleccione esté evaluado de bien en Matemática y
en Física. (Los alumnos a1 y a2 cumplen estas dos condiciones: estar evaluado
de bien en ambas asignaturas).
A∩B={a1, a2}, N(A∩B)=2. Observe que N(A∩B)≠N(A)N(B) y además, si se
determina B∩A, se vería que A∩B=B∩A (propiedad conmutativa). También, en
este caso se cumple que A∩B=A, debido a que A⊂B.
A∩C: que el alumno que se seleccione esté evaluado de bien en Matemática y
en Química. (Solo los alumnos a1 y a2 cumplen esta condición).
A∩C={a1, a2}, N(A∩C)=2. Observe que N(A∩C)≠N(A)N(C) y además, si se
determina C∩A, se vería que A∩C=C∩A. También tenemos que C =S (S es el
suceso seguro), luego cualquiera sea A, se cumple que A∩S=A.
A∩E: que el alumno que se seleccione esté evaluado de bien en Matemática y
de mal en Física. (En este equipo no existe alumno alguno que cumpla estas

6
dos condiciones).
A∩E=φ, N(A∩E)=0. En este caso se dice que los eventos A y E son
"mutuamente excluyentes".
Definición 13 (de eventos mutuamente excluyentes): Sean M y N dos eventos
de un espacio muestral S. Se dice que los eventos M y N son sucesos
mutuamente excluyentes, si la ocurrencia del producto de ellos es el suceso
imposible.
Notación: M∩N=φ. Es evidente que dos sucesos que sean mutuamente
excluyentes no tienen ningún punto muestral en común.
Sigamos con el ejemplo 5:
A∩D: que el alumno que se seleccione esté evaluado de bien en Matemática y
de regular en Física.
A∩D=φ. Como D=φ, tenemos que se cumple, para cualquier suceso M, que,
M∩φ=φ.
Ac∩B: que el alumno que se seleccione no esté evaluado de bien en
Matemática, pero sí lo esté en Física. (Solo el alumno a5 cumple estas dos
condiciones):
Ac∩B={a5}, N(Ac∩B)=1.
A∩Bc: que el alumno que se seleccione esté evaluado de bien en Matemática y
no lo esté en Física. (No existe ningún alumno en el equipo que cumpla estas
dos condiciones):
A∩Bc=φ, N(A∩Bc)=0.
Observe que Ac∩B≠A∩Bc.
Ac∩Bc: que el alumno que se seleccione no esté evaluado de bien ni en
Matemática ni en Física. (Los alumnos a3 y a4 son los que cumplen estas dos
condiciones):
Ac∩Bc={a3, a4}, N(Ac∩Bc)=2.
Observe que se pudo haber descrito este suceso diciendo: "que el alumno que
se seleccione no esté evaluado de bien en ninguna de las dos asignaturas".
Además, como:
Bc⊂Ac, se cumple que Ac∩Bc=B.
(A∩B)c: que el alumno que se seleccione no esté evaluado de bien en
Matemática y Física, o lo que es lo mismo, que no esté evaluado de bien en
ambas asignaturas.
(A∩B)c={a3, a4, a5}, N(A∩B)c=3. Aquí hemos obtenido el suceso complemento
de A∩B.
Tarea III: Sobre la base de los resultados de los ejemplos 3, 4 y 5, verifique que
se cumple que:
a) A∩Ac =φ, B∩Bc=φ.
b) N(Ac∩B)=N(B)-N(A∩B), c) N(A∩Bc)=N(A)-N(A∩B).

7
3.- Suma de sucesos
Como ya se a visto, el producto de dos sucesos es un evento que ocurre,
cuando ocurran exactamente los dos sucesos. Muchas veces estamos
interesados en un suceso que ocurre, cuando ocurra al menos uno de esos
sucesos; en tal caso se dice que ocurre la "suma de esos eventos".
Definición 14 (de suma o unión de sucesos): Sean M y N dos sucesos de un
espacio muestral S. Se llama suma o unión de los eventos M y N al suceso que
ocurre, cuando ocurra el evento M, o cuando ocurra el suceso N, o cuando
ocurran ambos M y N.
Usaremos las notaciones M∪N o M+N para la suma de los sucesos M y N, y
para referirnos al total de puntos del suceso suma la expresión N(M∪N) o
N(M+N).
En la definición anterior queda establecido que a la suma de dos sucesos
pertenecen los puntos muestrales que pertenezcan a un suceso, al otro o a
ambos. Las expresiones "que al menos uno de los sucesos ocurra" o "que
ocurra el suceso M o el suceso N", se emplean con frecuencia, para referirse a
la unión de estos sucesos.
Ejemplo 6 (de suma de sucesos): Sobre la base de los ejemplos 2 y 3,
determine:
A∪B: que el alumno que se seleccione esté evaluado de bien en Matemática o
en Física. (Aquí, sería lo mismo decir que esté evaluado de bien en al menos
una de estas asignaturas).
A∪B ={a1, a2, a5}, N(A∪B)=3. Observe que A∪B=B, esto se debe a que A⊂B.
Además A∪B=B∪A, ya que la suma de dos sucesos es conmutativa.
AUC: que el alumno que se seleccione esté evaluado de bien en Matemática o
en Química.
A∪C ={a1, a2, a3, a4, a5}, N(A∪C)=5. Aquí, se cumple que A∪C=S, pero C=S.
Luego cualquiera sea el suceso M, se tiene que M∪S=S
A∪D: que el alumno que se seleccione esté evaluado de bien en Matemática o
de regular en Física.
A∪D ={a1, a2}, N(A∪D)=2. Aquí, tenemos que A∪D=A, pero D=φ, luego
cualquiera sea M, se cumple que M∪φ=M.
A∪E: que el alumno que se seleccione esté evaluado de bien en Matemática o
de mal en Física.
A∪E={a1, a2, a3, a4}, N(A∪E)=4. (Recuerde que los sucesos A y E son
mutuamente excluyentes: A∩E=φ).
B∪E: que el alumno que se seleccione esté evaluado de bien o de regular en
Física.
B∪E={a1, a2, a3, a4, a5}, N(B∪E)=5. Aquí ha sucedido que el resultado de esta
suma es S, B∪E=S: cuando esto es así, se dice que los sucesos son
"exhaustivos".
Definición 15 (de sucesos exhaustivos): Sean M y N dos sucesos de un

8
espacio muestral S. Los eventos M y N se llaman exhaustivos, si la ocurrencia
de al menos uno de ellos es el suceso seguro. (M∪N =S).
(Cualquier suceso y su complemento siempre son exhaustivos).
(A∪B)c: que el alumno que se seleccione no esté evaluado de bien en al menos
una de estas asignaturas, esto es lo mismo que decir que no esté evaluado de
bien ni en Matemática ni en Física.
(A∪B)c={a3, a4}, N(A∪B)=2. Si usted revisa el ejemplo 5, encontrará que
(A∪B)c=Ac•Bc. Esta igualdad es válida para dos sucesos M y N cualesquiera de
S.
Ac∪Bc: que el alumno que se seleccione no esté evaluado de bien en
Matemática o no esté evaluado de bien en Física. Estas dos condiciones la
cumplen los alumnos a3, a4 y a5.
Ac∪Bc ={a3, a4, a5}, N(Ac∪Bc)=3. Si vuelve usted a observar el ejemplo 5,
encontrará que A∪B=(Ac∩Bc). Esta igualdad es válida para dos sucesos M y N
cualesquiera de S.
Tarea IV: Sobre la base de los ejemplos 2, 3, 5 y 6 compruebe que se cumplen
las siguientes igualdades, las que se pueden generalizar para cualesquiera
sucesos M y N de S:
a) N(A∪B)=N(A)+N(B)-N(A∩B).
b) N(A∪E)=N(A)+N(E), ya que A∩E=φ.
c) N(Ac∩Bc)=N(S)-N(A∪B).
III.- El concepto de probabilidad. Las definiciones clásica y estadística
de probabilidades. Propiedades de la probabilidad
1.- El concepto de probabilidad:
Si consultamos el diccionario Larousse, veremos que probabilidad significa
"verosimilitud, cosa probable"; a su vez, verosimilitud se define como "carácter
verosímil" y verosímil es un adjetivo, cuyo significado es "que parece cierto".
Por otro lado, se expresa que probable —que también es un adjetivo— quiere
decir "que tiene apariencias de verdad. Que puede suceder".
Pero probabilidad es también una categoría filosófica, que para los idealistas se
concibe como "una medida del grado de certeza del observador": desde luego,
esto significaría que la probabilidad es una medida que depende de la
conciencia del observador y no de la realidad objetiva; debido a ello es que
para nosotros la probabilidad tiene otra interpretación, que ha sido corroborada
por la práctica:
"La probabilidad es la medida del grado de realización de un
acontecimiento concreto, en unas condiciones concretas y con una
regularidad concreta". Dicho de otro modo, la probabilidad es la medida
cuantitativa que tiene la posibilidad de llegar a ser realidad.
La probabilidad, por otro lado, no es una medida del grado de ocurrencia de los
acontecimientos determinísticos, es decir, no es una medida de la necesidad:
de aquellos acontecimientos que ocurren por una ley establecida.

9
De todo lo planteado anteriormente, también debemos destacar que, una alta
medida de probabilidad no indica que, necesariamente, ese acontecimiento
ocurrirá: significa sí, que el grado de que la posibilidad se convierta en realidad,
es alto. (Una valoración similar se puede realizar para un valor bajo de la
probabilidad).
2.- La definición clásica de probabilidad. Propiedades
Hasta ahora no hemos dicho cómo se calcula la probabilidad que tiene un
suceso de ocurrir (o de no ocurrir), es decir, cuál es la probabilidad de que un
alumno que se seleccione al azar, del equipo de estudio descrito con
anterioridad, esté evaluado de bien en Matemática; o cuál es la probabilidad de
que no lo esté, etc., tales interrogantes serán respondidas a continuación.
Sin embargo, queremos decir que no existe una única forma o vía matemática
para calcular la probabilidad, sino que existen diferentes maneras que se
aplican atendiendo a las particularidades del fenómeno que se investiga; una
de estas vías es la definición clásica de probabilidad, que fue la que primero se
descubrió.
Definición 16 (Definición clásica de probabilidad): Sea S un espacio muestral
finito y equiprobable, y sea M un suceso aleatorio de S. La probabilidad de que
el suceso M ocurra se denota por P(M) y está dada por:
N (M )
P(M ) =
N (S )
Observación: Queremos llamar la atención en que, como el producto de dos
sucesos es también un suceso, entonces:
N (M ∩ N )
P(M ∩ N ) =
N (S )
Algo similar se puede definir para el complemento y para la suma de sucesos.
—Propiedades de la probabilidad:
Sean M y N dos sucesos de un espacio muestral S, se cumple:
1.- Para el suceso imposible φ, tenemos que N(φ)=0, luego:
N (φ ) 0
P (φ ) = = =0
N (S ) N (S )
2.- Para el suceso seguro S, tenemos que N(S)=N(S), luego:
N (S )
P(S ) = =1
N (S )
3.- Para el complemento de M, Mc, tenemos que: N(Mc)=N(S)-N(M), luego:
N (M C ) N (S ) − N (M ) N (S ) N (M )
P(M C ) = = = − = 1 − P( M )
N (S ) N (S ) N (S ) N (S )
4.- Para los sucesos M∩Nc y Mc∩N, tenemos, respectivamente, que
N(M∩Nc)=N(M)-N(M∩N) y N(Mc∩N )= N(N)-N(M∩N), luego:

10
 N (M ∩ N C ) N (M ) − N (M ∩ N ) N (M ) N (M ∩ N )
P(M ∩ N C)
= = = − = P(M ) − P(M ∩ N )
N (S ) N (S ) N (S ) N (S )
N (M C ∩ N) N (N) − N (M ∩ N) N(N ) N (M ∩ N )
P(M C ∩ N ) = = = − = P( N ) − P(M ∩ N)
N (S ) N (S ) N (S ) N (S )
5.- Para el suceso M U N, tenemos que: N(M∪N)=N(M)+N(M)-N(M∩N),luego:
N (M ∪ N ) N (M ) + N ( N ) − N (M ∩ N ) N (M ) N ( N ) N (M ∩ N )
P( M ∪ N ) = = = + −
N (S ) N (S ) N (S ) N (S ) N (S )
= P( M ) + P( N ) − P( M ∩ N )
(Regla de la suma de dos sucesos).
Observación: Si los sucesos M y N son mutuamente excluyentes (M∩N=φ),
entonces P(M∩N)=0 y se tiene que: P(M∪N)=P(M)+P(N).
6.- Para el suceso Mc∩Nc, tenemos que: N(Mc∩Nc)= N(S)-N(M∪N), luego:
N (M C ∩ N C ) N ( S ) − N ( M ∪ N ) N ( S ) N (M ∪ N )
P(M ∩ N
C C)
= = = − = 1 − P(M ∪ N )
N (S ) N (S ) N (S ) N (S )
7.- Para los sucesos M y N, si M⊂N, tenemos que: N(M)≤N(N), de donde:
N (M ) N ( N )
≤ , por tanto: P(M)≤P(N).
N (S ) N (S )
Observaciones:
⎯Si M es subevento de N, entonces P(M)≤P(N).
⎯Si P(N)>P(M), entonces N no es subevento de M.
⎯Si M no es subevento de N, entonces P(M) puede ser o no, menor o igual
que P(N).
⎯Si P(M)≤P(N), entonces M puede ser o no, subevento de N.
Ejemplo 7 (sobre cálculo de probabilidades): Considerando el equipo de
estudio descrito en el ejemplo 2, calcule la probabilidad de los siguientes
sucesos:
1) A: que el alumno que se seleccione esté evaluado de bien en Matemática.
2) B: que el alumno que se seleccione esté evaluado de bien en Física.
3) C: que el alumno que se seleccione esté evaluado de bien en Química.
4) D: que el alumno que se seleccione esté evaluado de regular en Física.
5) E: que el alumno que se seleccione esté evaluado de mal en Física.
6) Ac: que el alumno que se seleccione no esté evaluado de bien en
Matemática.
7) Bc: que el alumno que se seleccione no esté evaluado de bien en Física.
8) Cc: que el alumno que se seleccione no esté evaluado de bien en Química.
9) Dc: que el alumno que se seleccione no esté evaluado de regular en Física.

11
10) Ec: que el alumno que se seccione no esté evaluado de mal en Física.
11) A∩B: que el alumno que se seleccione esté evaluado de bien en
Matemática y en Física.
12) A∩C: que el alumno que se seleccione esté evaluado de bien en
Matemática y en Química.
13) A∩E: que el alumno que se seleccione esté evaluado de bien en
Matemática y de mal en Física.
14) A∩D: que el alumno que se seleccione esté evaluado de bien en
Matemática y de regular en Física.
15) A∩Bc: que el alumno que se seleccione esté evaluado de bien en
Matemática y no lo esté en Física.
16) Ac∩B: que el alumno que se seleccione no esté evaluado de bien en
Matemática, pero sí lo esté en Física.
17) (A∩B)c: que el alumno que se seleccione no esté evaluado de bien en
Matemática y Física, o lo que es lo mismo, que no esté evaluado de bien en
ambas asignaturas.
18) A∪B: que el alumno que se seleccione esté evaluado de bien en
Matemática o en Física. (Aquí sería lo mismo decir que esté evaluado de bien
en al menos una de estas asignaturas).
19) A∪C: que el alumno que se seleccione esté evaluado de bien en
Matemática o en Química.
20) A∪D: que el alumno que se seleccione esté evaluado de bien en
Matemática o de regular en Física.
21) A∪E: que el alumno que se seleccione esté evaluado de bien en
Matemática o de mal en Física.
22) B∪E: que el alumno que se seleccione esté evaluado de bien o de regular
en Física.
23) (A∪B)c: que el alumno que se seleccione no esté evaluado de bien en al
menos una de estas asignaturas, esto es lo mismo que decir que no esté
evaluado de bien ni en Matemática ni en Física.
24) Ac∩Bc: que el alumno que se seleccione no esté evaluado de bien ni en
Matemática ni en Física.
25) Ac∪Bc: que el alumno que se seleccione no esté evaluado de bien en
Matemática o no esté evaluado de bien en Física.
Solución: De los ejemplos anteriores tenemos que:
Según el ejemplo 2: N(S)=5.
Según el ejemplo 3: N(A)=2, N(B)=3, N(C)=N(S)=5, N(D)=N(φ)=0 y N(E)=2.
Según el ejemplo 4: N(Ac)=3, N(Bc)=2, N(Cc)=0, N(Dc)=5 y N(Ec)=3
Según el ejemplo 5: N(A∩B)= 2, N(A∩C)= 2, N(A∩E)=0, N(A∩D)=0,
N(Ac∩B)=1, N(A∩Bc)=0, N(Ac∩Bc)=2, N(A∩B)c=3.

12
Según el ejemplo 6: N(A U B)= 3, N(A U C)= 5, N(A U D)= 2,
N(A∪E)c=4, N(B∪E)=5, N(A∪B)=2, N(Ac∪Bc)=3.
⎯Los incisos del 1 al 5, se resuelven aplicando directamente la definición 16
(definición clásica de probabilidad), y los resultados de los ejemplos 2 y 3:
N (M )
P(M ) =
N (S )
N ( A) 2 N ( B) 3
1) P ( A) = = = .4 2) P ( B) = = = .6
N (S ) 5 N (S ) 5
3) P(C)=1, (C = S); 4) P(D)=0, (D=φ); 5) P(E)=.4, (Como P(A)=P(E), los sucesos
A y E son "equiprobables")
⎯Los incisos del 6 al 10 se resuelven aplicando directamente la definición 16 y
los resultados del ejemplo 4, o la propiedad 3 de la probabilidad y los
resultados de los incisos del 1 al 5, de este ejemplo:
6) P(Ac)=.6, (Aplicando la definición).
Otra vía: P(Ac)= 1-P(A)=1 -.4=.6, (Aplicando la propiedad 3 de la probabilidad y
el resultado del inciso 1).
Observación: En realidad, esta última vía de solución es la que tiene mayor
aplicación práctica; debido a ello, es que la emplearemos en los siguientes
incisos: dejaremos de tarea los incisos 8, 9 y 10.
7) P(Bc)=1-P(B)=1-.6=.4, (Usando el resultado del inciso 2).
⎯Los incisos del 11 al 14 se resuelven, aplicando directamente la fórmula dada
en la observación correspondiente a la definición 16 y los resultados del
ejemplo 5: el inciso 14 queda de tarea.
11) P(A∩B)=.4, (Observe que P(A∩B)≠P(A)P(B), es decir 0.4≠(.4)(.6)).
12) P(A∩C)=.4, (Observe que P(A∩C)=P(A)P(C), es decir 0.4=(.4)(1)).
13) P(A∩E)=0 (Recuerde que A∩E=φ)
⎯Los incisos 15 y 16 se resuelven, aplicando directamente la fórmula dada en
la observación correspondiente a la definición 16 y los resultados del ejemplo 5,
o aplicando la propiedad 4 de la probabilidad y los resultados de los incisos 1 ó
2 y 11, de este ejemplo. Mientras que, en el ejemplo 17 podemos aplicar la
observación de la definición 16 y uno de los resultados del ejemplo 5, o la
propiedad 3 de la probabilidad y el resultado del anterior inciso 11.
15) P(A∩Bc)=0. (Aquí usamos la observación de 16 y el resultado del ejemplo
5).
Otra vía: P(A∩Bc)=P(A)-P(A∩B)=.4-.4=0. (Aquí usamos la propiedad 4 y los
resultados de los anteriores incisos 1 y 11: en realidad, lo que más frecuente se
hace en la práctica es aplicar esta propiedad; es por eso que, el próximo inciso
solo lo haremos por esta vía).
16) P(A∩Bc)=P(B)-P(A∩B)=.6-.4=.2. (Aquí usamos los resultados de los
anteriores incisos 2 y 11).

13
17) P(A∩B)c=1-P(A∩B)=1-.4=.6. (Aquí usamos la propiedad 3 y el resultado del
anterior inciso 11).
⎯Los incisos del 18 al 22 se resuelven, aplicando directamente la fórmula dada
en la observación correspondiente a la definición 16 y los resultados del
ejemplo 6, o aplicando la propiedad 5 de la probabilidad y los resultados de los
anteriores incisos del 11 al 14: los incisos 19, 20 y 22 quedan de tarea.
18) P(A∪B)=.6 (Aquí usamos la observación 5 definición 16 y el resultado del
ejemplo 6).
Otra vía: P(A∪B)=P(A)+P(B)-P(AB)=.4+.6-.4=.6 (Aquí usamos la propiedad 5
de la probabilidad y los resultados de los anteriores incisos 1, 2 y 11).
21) P(A∪E)=P(A)-P(E)+P(A∩E)=.4+.4-0=.8 (Aquí se da el hecho de que
A∩E=φ, luego P(A∪E)=P(A)+P(E)).
⎯Los incisos 23, 24 y 25 se resuelven, aplicando directamente la fórmula dada
en la observación correspondiente a la definición 16 y los resultados de los
ejemplos 6, 5 y 6 respectivamente; o aplicando las propiedades 3, 6 y 5 de la
probabilidad, respectivamente, y los resultados de los anteriores incisos 18, 6,
7 y 24.
(Usaremos las propiedades en nuestra solución).
23) P(A∪B)c=1-P(A∪B)=1-.6=.4. (Aplicando la propiedad 3 y el resultado del
anterior inciso 18).
24) P(Ac∩Bc)=1-P(A∪B)=1-.6=.4. (Aplicando la propiedad 6 y el resultado del
anterior inciso 18).
Observación: A causa de que (A∪B)c=Ac∩Bc, los resultados de los anteriores
incisos 23 y 24 son iguales, es decir, se ha resuelto el mismo problema por dos
vías diferentes.
25) P(Ac∪Bc)= P(Ac)+P(Bc)+P(Ac∩Bc)=.6+.4-.4=.6. (Aplicando la propiedad 5
y los resultados de los anteriores incisos 6, 7 y 24).
Observación: A causa de que Ac∪Bc=(A∩B)c, los resultados de los anteriores
incisos 25 y 17 son iguales, es decir, se ha resuelto el mismo problema por dos
vías diferentes.
5.- La definición estadística de probabilidades. Propiedades
Como se ha visto, para calcular la probabilidad de un suceso aplicando la
definición clásica de probabilidades, no es necesario tener que realizar el
experimento, es decir, es un modo "a priori" de calcular la probabilidad; sin
embargo, esta definición tiene las desventajas de que para poderla aplicar el
espacio muestral tiene que ser, en primer lugar, finito; y en segundo lugar,
equiprobable. Otra definición de probabilidad que es usada en la práctica es la
"definición estadística", pero su aplicación requiere que se haya realizado el
experimento.
Definición 17 (Definición estadística de probabilidad): Sea N la cantidad de
veces que se realiza (o que se repite) un experimento, y sea M —llamado
frecuencia absoluta—, la cantidad de veces que se observa un suceso A en las

14
 M
M realizaciones de este experimento. Al número N se le llama frecuencia
relativa de ocurrencia del suceso A.
M
f r ( A) =
En símbolos: N
La frecuencia relativa de un suceso representa la probabilidad que tiene ese
suceso de ocurrir solo si N es un número suficientemente grande.
Observación: La frecuencia relativa de un suceso cumple las mismas
propiedades que la probabilidad.
Ejemplo 8: De una escuela que tiene 800 alumnos se seleccionaron 600, de
modo aleatorio, y se observó que 560 de ellos son de bajos rendimientos
docentes en las "ciencias". ¿Cuál es la frecuencia relativa de alumnos de esta
escuela que tienen problemas en las "ciencias"?
Solución: N= 600, M= 560 (frecuencia absoluta).
560
f r ( A) = = .9333
600 . En este caso como N es grande, (N=600) la frecuencia
relativa se considera la probabilidad que tiene el suceso de ocurrir.
IV.- Definición de probabilidad condicional. Regla del producto. Sucesos
independientes. Reglas de la Probabilidad Total Y de Bayes
1.- La definición de probabilidad condicional
Retomemos el ejemplo del equipo de estudio que venimos tratando:
Ejemplo 9: De un equipo de estudio integrado por 5 alumnos se sabe que 2
están evaluados de bien en Matemática, 3 lo están en Física y 2 lo están en
ambas asignaturas. Si selecciona al azar un alumno de ese equipo de estudio,
cuál es la probabilidad de que:
a) esté evaluado de bien en Matemática, si se sabe que lo está en Física.
b) esté evaluado de bien en Física, si se sabe que lo está en Matemática.
c) esté evaluado de bien en Matemática, si se sabe que no lo está en Física.
d) no esté evaluado de bien en Matemática, si se sabe que no lo está en Física.
Solución: En el ejemplo 3 describimos los sucesos:
A: que el alumno que se seleccione esté evaluado de bien en Matemática.
B: que el alumno que se seleccione esté evaluado de bien en Física.
Además:
P(A)=.4, P(B)=.6, P(A∩B)=.4, P(Ac)=.6, P(Bc)=.4, P(A∩Bc)=0 y P(Ac∩Bc)=.4.
(Todos estos resultados se obtuvieron en el ejemplo 7)
Fijémonos que en el inciso a, se desea calcular la probabilidad de que ocurra el
suceso A, bajo la condición de que ya ha ocurrido el suceso B, para ello
tenemos la siguiente definición:

15
Definición 18 (Definición de probabilidad condicional): Sean M y N dos sucesos
de un espacio muestral S. La probabilidad condicional de que ocurra el suceso
M, si ha ocurrido el suceso N, se denota por P(M/N) y si P(N)≠0, entonces:
N (M ∩ N )
P(M / N ) =
N (N )
Observación: La probabilidad condicional cumple las mismas propiedades que
la probabilidad clásica, además:
P( M ∩ N )
P( N / M ) = , si P(M)≠0.
P( M )
Aplicando esta definición, podremos resolver este ejemplo:
P( A ∩ B) .4 P ( A ∩ B ) .4
a) P ( A / B) = = = .6667 b) P ( B / A) = = =1
P( B) .6 P( A) .4
Observación: P(A/B)≠P(B/A) por lo general.
P( A ∩ B C ) 0 P ( A C ∩ B C ) .4
c) P ( A / B C ) = = =0 d) P ( A C / B C ) = = =1
P( B C ) .4 P( B C ) .4
2.- Regla del producto
Si en la fórmula de la probabilidad condicional despejamos P(M∩N), tenemos
que: P(M∩N)=P(M/N)P(N)=P(N/M)P(M), expresión que se conoce como "regla
del producto de la probabilidad".
Ejemplo 10: La probabilidad de que un alumno de una escuela sea de primer
año es de .7 y la probabilidad de que participe en las actividades
extraescolares, si es de primer año es de .4. Además se conoce que la
probabilidad de que un estudiante de la escuela participe en estas actividades
es de .5. Cuál es la probabilidad de que un alumno seleccionado al azar de esa
escuela:
a) no sea de primer año.
b) sea de primer año y no participe en las actividades extraescolares.
c) sea de primer año o participe en las actividades extraescolares.
Solución: Primeramente debemos denotar y describir los sucesos.
Resolveremos el inciso b y dejaremos de tarea los otros dos.
A: que el alumno que se seleccione sea de primer año.
B: que el alumno que se seleccione participe en las actividades extraescolares.
P(A)=.7, P(B/A)=.4, P(B)=.5
b) P(A∩Bc)=P(A)-P(A∩B)=.7-?, pero P(A∩B)=P(B/A)P(A)=(.4)(.7), luego:
P(A∩Bc)=.7-.28=.42.
VIII.- Sucesos independientes:
En ocasiones se cumple que la probabilidad de que ocurra un suceso no está
"afectada" por la ocurrencia de otro suceso, en tal caso se tiene la siguiente
definición:

16
Definición 19 (de sucesos independientes): Sean M y N dos sucesos de un
mismo espacio muestral S. Los eventos M y N son independientes si y solo si
P(M/N)=P(M), o bien P(N/M)=P(N). (Si la igualdad no se cumple se dice que los
sucesos son dependientes o no independientes).
Observaciones:
—Si los sucesos son de dos espacios muestrales diferentes, entonces siempre
cumplirán la igualdad anterior, es decir, siempre son independientes.
—Si los sucesos M y N son independientes, la regla del producto se expresa
como P(M∩N)=P(M)P(N).
—Si los sucesos M y N son independientes, también lo son M y Nc, Mc y N, y,
Nc y Mc, y se cumple que: P(M∩Nc)= P(M)P(Nc), P(Mc∩N)=P(Mc)P(N) y
P(Mc∩Nc)=P(Mc)P(Nc).
—Si M≠φ y N≠φ, se cumple que:
1) si M∩N=φ, entonces M y N son dependientes.
2) si M y N son independientes, entonces M∩N≠φ.
3) si M∩N≠φ, entonces M y N pueden ser independientes o no.
4) si M y N son dependientes, entonces M y N pueden ser mutuamente
excluyentes o no.
Ejemplo 11: La probabilidad de que un estudiante del grupo A participe en un
trabajo productivo es de .5, mientras que la probabilidad de que lo haga uno del
grupo B es de .6. Si se selecciona aleatoriamente un alumno de cada grupo,
cuál es la probabilidad de que:
a) el del grupo B no participe en el trabajo.
b) ambos participen en el trabajo productivo.
c) el del grupo A participe y el del grupo B no.
d) el del grupo A participe, si el del grupo B lo hace también.
e) al menos uno de los alumnos participe en el trabajo.
f) ni el del grupo A ni el del grupo B participen.
Solución: Lo primero es denotar y describir los sucesos:
A: que el alumno del grupo A participe en el trabajo productivo.
B: que el alumno del grupo B participe en el trabajo productivo.
P(A)=.5, P(B)=.6
Observación: como los sucesos A y B son de dos espacios muestrales
diferentes, son independientes.
a) P(Bc)=1-P(B)=1-.6=.4.
b) P(A∩B)=P(A)P(B)=(.5)(.6)=.30. (Efectivamente P(A∩B)≠0, ya que A y B son
independientes)
c) P(A∩Bc)=P(A)P(Bc)=(.5)(.4)=.20. (Aquí se hubiese podido aplicar la
propiedad: P(A∩Bc)=P(A)-P(A∩B)).

17
d) P(A/B)=P(A)=.5. (Por ser A y B independientes: el mismo resultado se
obtiene si se usa la definición de probabilidad condicional).
Los dos últimos incisos quedan de tarea.
3.- Reglas de la probabilidad Total y de Bayes
Analicemos el siguiente ejemplo:
Ejemplo 12: El primer año de la carrera de Matemática-Computación tiene una
matrícula de 40 alumnos, distribuidos en dos grupos (A y B) en cantidades
iguales. En el grupo A hay 12 militantes de la UJC y en el grupo B hay 18. Se
selecciona al azar un alumno de primer año de dicha carrera, cuál es la
probabilidad de que:
sea del grupo A.
sea del grupo B.
sea militante de la UJC, si es del grupo A.
sea militante de la UJC, si es del grupo B.
sea militante de la UJC.
sea del grupo A, si se sabe que es militante de la UJC.
Sea del grupo B, si se sabe que no es militante de la UJC.
Solución: Lo primero es denotar y describir los sucesos:
A: que el estudiante seleccionado sea militante de la UJC.
B1: que el estudiante seleccionado sea del grupo A.
B2: que el estudiante seleccionado sea del grupo B.
Datos: N(S)=40, N(B1)=20, N(B2)=20
Observe que B1∪B2=S (son sucesos exhaustivos) y B1∩B2=φ (son mutuamente
excluyentes)
Aplicando la definición clásica de probabilidades: P(B1)=20/40=1/2=.50.
Aplicando la definición clásica de probabilidades: P(B2)=20/40=1/2=.50.
Se desea calcular la probabilidad del suceso A, con la condición de que B1 ha
ocurrido: P(A/B1)=12/20=.60.
P(A/B2)=18/20=.90.
e) En este caso se desea calcular la probabilidad del suceso A, que está
relacionado con los eventos B1 y B2.
A= A•B1∪A•B2
P(A)=P(A•B1∪A•B2)
P(A)=P(A•B1)+P(A•B2) aplicando la regla de la multiplicación
P(A)=P(A/B1)P(B1)+P(A/B2)P(B2) (Regla de la probabilidad Total para dos
sucesos)
=(12/20)(1/2)+(18/20)(1/2)
=.30+.45

18
=.75
—Generalización de la regla de la probabilidad Total: sean A y B1, B2,..., BN
sucesos de un espacio muestral S, con las condiciones de que los eventos Bi
(i=1, 2,..., N) sean mutuamente excluyentes dos a dos y exhaustivos. La
probabilidad de que ocurra el suceso A está dada por:
N
P(A)=P(A/B1)P(B1)+P(A/B2)P(B2)+...+P(A/BN)P(BN)= P( A) = ∑ P( A / Bi ) P ( Bi )
i =1
(Regla de la probabilidad Total).
f) En este caso, se trata de una probabilidad condicional P(B1/A) Aplicando la
P( B1 • A)
definición de probabilidad condicional: P ( B1 / A) = , por la regla del
P( A)
P( A / B1 ) P( B1 )
producto, se llega a: P ( B1 / A) = , las probabilidades del
P( A)
numerador y el denominador ya fueron calculadas en el inciso anterior. (esta
fórmula se conoce con el nombre de Regla de Bayes para dos sucesos).
Sustituyendo en esta fórmula, se obtienen el resultado pedido:
.30
P ( B1 / A) = = .40 .
.75
(El inciso g queda de tarea).
—Generalización de la regla de Bayes: considerando las mismas condiciones
dadas en la generalización de la regla de la probabilidad Total, se tiene que:
P ( A / Bi ) P ( Bi ) P ( A / Bi ) P( Bi )
P ( Bi / A) = = N
∑ P( A / Bi ) P( Bi )
P ( A)
i =1

V.- La teoría combinatoria: variaciones, permutaciones y

combinaciones
Para realizar nuestro análisis, partiremos del ejemplo siguiente:
Ejemplo 1: Se tiene una urna que contiene 4 bolas idénticas en cuanto a sus
tamaños y formas; estas bolas están numeradas del 1 al 4. Consideremos el
experimento que consiste en seleccionar al azar dos bolas de esa urna.
Describa de qué formas se puede realizar esta selección.
Respuesta:
Caso 1: Se extrae una bola, se anota su número y se devuelve a la urna antes
de escoger la otra.
a) Interesa saber cuál bola se extrajo primero.
b) No interesa saber cuál bola se seleccionó primero.
Caso 2: Se extrae la primera bola, se anota su número y no se devuelve a la
urna antes de extraer la otra.
Caso 3: Se extraen simultáneamente las dos bolas.
Observaciones:

19
—En el caso 1-a, atendiendo al modo en el que se realizó la selección, se
establece un orden, y además, una misma bola puede ser seleccionada en las
dos oportunidades, es decir se admite la repetición. Esto se puede ilustrar
mediante el siguiente diagrama de árbol:

Segunda

Primera 1
1 2
3
4
1
2 2
3
4
1
3 2
3
4
1
4 2
3
4

(1, 1); (1, 2); (1, 3); (1, 4); (2, 1); (2, 2); (2, 3); (2, 4); (3, 1); (3, 2); (3, 3); (3,
4);(4, 1); (4, 2); (4, 3) y (4, 4)
Observe que: (1, 2)≠(2, 1)
Selección con repetición (reposición o reemplazo) y con orden.
—En el caso 1-b, según la forma de selección, no se puede establecer un
orden, pero se admite la repetición; por lo que el diagrama se simplifica como
sigue:

(1, 1);(1, 2);(1, 3); (1, 4); (2, 2); (2, 3); (2, 4); (3, 3); (3, 4); (4, 3) y (4, 4)
Observe que: (1, 2)=(2, 1)

20
 Segunda

Primera 1
1 2
3
4
2
2 3
4

3
3 4
4 4

Selección con repetición (reposición o reemplazo) y sin orden.

—En el caso 2 se puede, evidentemente, establecer un orden de selección,
pero no se admite repetición ya que la primera bola extraída no se devuelve a
la urna. El diagrama será:

Segunda

Primera 2
1 3
4

1
2 3
4

1
3 2
4

1
4 2
3

21
(1, 2); (1, 3); (1, 4); (2, 1); (2, 3); (2, 4); (3, 1); (3, 2); (3, 4); (4, 1); (4, 2) y (4, 3)
Observe que: (1, 2)≠(2, 1)
Selección sin repetición (reposición o reemplazo) y con orden.
—Por su parte, en el caso 3 como las dos bolas se extraen a la vez, no es
posible la repetición, ni existe un orden de selección. Aquí no se puede
construir un diagrama de árbol.
(1, 2); (1, 3); (1, 4); (2, 3); (2, 4); (3, 4)
Selección sin repetición (reposición o reemplazo) y sin orden.
En este ejemplo, la cantidad total de bolas que se tienen es pequeña (4), así
como el total que se van a seleccionar (2); ello facilita contar el total de
resultados posibles: 16 en el caso 1-a, 10 en el 1-b, 12 en el caso 2 y 6 en el 3.
Sin embargo, la realización del árbol o simplemente el conteo de esos
resultados sería laborioso si estos números (total de bolas y cantidad a
seleccionar) fueran mayores.
Precisamente, para realizar este conteo se emplea la teoría combinatoria.
Llamemos N al total de bolas (objetos) que están disponibles para ser
seleccionados y sea R la cantidad que se van a seleccionar. En el ejemplo que
tratamos N= 4 y R= 2.
Definición 1: Se llaman variaciones con repetición y con orden de los N
elementos de un conjunto dado, tomados R a R, a todos los posibles
ordenamientos con reposición de los R elementos seleccionados de los N del
conjunto dado. (Caso 1-a)
Notación: VR(N, R)
Definición 2: Se llaman variaciones sin repetición y con orden de los N
elementos de un conjunto dado, tomados R a R, a todos los posibles
ordenamientos sin reposición de los R elementos seleccionados de los N del
conjunto dado. (Caso 2)
Notación: V(N, R)
Definición 3: Se llaman combinaciones sin repetición y sin orden de los N
elementos de un conjunto dado, a todos los subconjuntos diferentes de R
elementos distintos, que se pueden formar con los N elementos del conjunto
dado. (Caso 3)
Notación: C(N, R)
Definición 4: Se llaman combinaciones con repetición y sin orden de los N
elementos de un conjunto dado, a todos los subconjuntos diferentes de R
elementos iguales o no, que se pueden formar con los N elementos del
conjunto dado. (Caso 1-b)
Notación: CR(N, R)
Teorema 1: El número VR(N, R) está dado por V(N, R)= NR, con N y R
naturales.
—Para el caso 1-a, tenemos: VR(4, 2)= 42=16.
Teorema 2: El número V(N, R) está dado por V(N, R)= N!/(N-R)!, con N y R

22
naturales (N≥ R).
—Para el caso 2, tenemos que V(4, 2)= 4!/(4-2)!= 12.
Observación: Si N= R, a las variaciones sin repetición y con orden se les
denomina permutaciones y se denota por PN. De donde se tiene que PN= N!.
Teorema 3: El número C(N, R) está dado por:
C(N, R)= N!/(R! (N-R)!), con N y R naturales (N≥ R).
—Para el caso 3, tenemos que C(4, 2)= 4!/(2!(4-2)!)= 6.
Observaciones:
—Al valor C(N, R) se le denomina número combinatorio o coeficiente
binomial.
—Si N= R1+ R2+...+ Rk, entonces al número N!/R1! R2!...Rk! se le denomina
coeficiente multinomial.
Propiedades del número C(N, R):
1.- (N, 0)= (N, N)= 1
2.- (N, 1)= 1
3.- (N, 2)= N(N-1)/2
4.- (N, R)= (N, N-R)
5.- (N, R)+(N, R+1)= (N+1, R+1)
6.- R(N, R)= N(N-1, R-1)
Teorema 4: El número CR(N, R) está dado por:
CR(N, R)= (N+R-1)/(R! (N-R)!)
—Para el caso 1-b, tenemos que CR(N, R)= (4+2-1)!/(2!(4-2)!)=10

23
LECCIÓN #2 LAS VARIABLES ALEATORIAS. VARIABLES ALEATORIAS
DISCRETAS (V.A.D.) Y VARIABLES ALEATORIAS CONTINUAS (V.A.C.).
FUNCIONES Y CARACTERÍSTICAS NUMÉRICAS DE LAS V.A.D.
DISTRIBUCIONES TEÓRICAS DE PROBABILIDADES DE LAS V.A.D.
I.- Las variables aleatorias y su clasificación
La probabilidad ⎯como ya sabemos⎯, es la medida que expresa el grado con
el que puede ocurrir un suceso aleatorio. Además, toda probabilidad es un
número que está siempre entre cero y uno, ambos inclusos: P(A) ∈ [0,1]. Es
decir que, siempre, a todo suceso de un experimento aleatorio se le puede
asociar un número, desde cero hasta uno, que es su probabilidad.
Esta "correspondencia" que se define entre un evento aleatorio y un número
del conjunto (intervalo) de los números que están desde cero hasta uno, no es
la única que se puede establecer entre los elementos de un espacio muestral y
un conjunto de números reales; veamos la siguiente situación:
Situación 1: Consideremos el experimento que consiste en seleccionar al azar
un alumno de un equipo de estudios que tiene 10 miembros. De cada alumno
se conoce su nota en Estadística. Escribamos el espacio muestral de este
experimento en forma tabular.
Llamémosle a1, a2,..., a10 a cada alumno del equipo, luego:
S={a1, a2, a3, a4, a5, a6, a7, a8, a9, a10}, N(S)=10.
Por otra parte, además del espacio muestral S, tenemos el conjunto formado
por las notas de Estadística de estos alumnos, vamos a llamarle H a este
conjunto:
H={2, 3, 4, 5}. Como se ve, H es un conjunto finito, que es un subconjunto de
los números naturales; a su vez, los números naturales son un subconjunto de
los números reales.
Ahora, a cada alumno del equipo, es decir, a cada suceso de S; se le puede
asociar su nota en Estadística, que es única. Precisamente, esta
"correspondencia" que se establece entre S y H, es a lo que se llama "variable
aleatoria".
Definición 1 (de variable aleatoria). Sea S un espacio muestral y H un conjunto
de números reales. A la correspondencia unívoca que asocia a cada suceso de
S un número de H, se le llama variable aleatoria.
Notación: para denotar a las variables aleatorias se utilizan letras mayúsculas:
X, Y, Z, T,..., X1, X2,..., Y1, Y2,....
Matemáticamente hablando, en lugar de variable aleatoria se debía decir
"función aleatoria", ya que esta es una correspondencia unívoca, cuyo conjunto
dominio es S y cuya imagen es H (que es un subconjunto de números reales).
La aleatoriedad de estas funciones (variables) está dada en que su dominio es
el espacio muestral de un experimento aleatorio.
Ejemplo 1 (de variables aleatorias):
a) X: la calificación que obtendrá un alumno en un examen de Estadística.
b) Y: la estatura que tendrá un alumno seleccionado al azar de un grupo.

24
c) Z: la edad de un alumno seleccionado al azar de una escuela.
d) X1: la cantidad de hermanos que tiene un alumno elegido al azar del
municipio de Holguín.
En todos los casos se ve que no se puede saber con certeza el valor que
tomará la variable, sin embargo, en los incisos a) y d) se conoce que los
posibles valores de estas variables son conjuntos finitos, no así en los otros
dos incisos; debido a ello podemos hacer una distinción de las variables
aleatorias:
Definición 2 (clasificación de las V.A.): Cuando una variable aleatoria toma un
conjunto finito de valores (o infinito numerable), se dice que es una "variable
aleatoria discreta" (V.A.D.); en caso contrario se denomina "variable aleatoria
continua" (V.A.C.).
Trataremos primeramente las V.A.D. y mucho después las V.A.C.
II.- Funciones de las V.A.D.
Retomemos lo planteado en la situación 1: Consideremos que en las
calificaciones de los alumnos se dio la siguiente situación particular:
Situación 2: Notas alcanzadas en Estadística por los alumnos del equipo:

Alumno Nota (puntos) Alumno Nota (puntos)

a1.......... 5 a6.......... 2
a2.......... 3 a7.......... 5
a3.......... 4 a8.......... 3
a4.......... 4 a9.......... 4
a5.......... 5 a10......... 5

Ahora podemos describir los siguientes sucesos, del experimento que consiste
en seleccionar aleatoriamente un alumno del equipo:
A: que el alumno seleccionado tenga nota de 2 puntos.
A={a6}, N(A)=1.
B: que el alumno seleccionado tenga nota de 3 puntos.
B={a2, a8}, N(B)=2.
C: que el alumno seleccionado tenga nota de 4 puntos.
C= {a3, a4, a9}, N(C)=3.
D: que el alumno seleccionado tenga nota de 5 puntos.
D={a1, a5, a7, a10}, N(D)=4.
A∪B: que el alumno seleccionado tenga nota de 2 o de 3 puntos.
A∪B={a2, a6, a8}, N(A∪B)=3, además se observa que A∩B=φ.
Ac: que el alumno seleccionado no tenga 2 puntos en Estadística.
Ac={a1, a2, a3, a4, a5, a7, a8, a9, a10}, N(Ac)=9.
Como el espacio muestral de este experimento es finito y equiprobable,
podemos utilizar la definición clásica para calcular la probabilidad de cada uno
de estos sucesos:
N ( A) 1
P ( A) = = = .1
N ( S ) 10 , de igual modo se obtiene que: P(B)=.2,
P(C)=.3,.P(D)=.4, P(A∪B)=P(A)+P(B)=.3, P(Ac)=1-.1=.9
Si se desea, los sucesos anteriores se pueden representar mediante el uso de
la variable aleatoria que se asocia a este experimento. Sea X esta variable,
veamos:

25
A=[X=2], B=[X=3], C=[X=4], D=[X=5], A∪B=[X=2]∪[X=3]=[X≤3],
Ac=[X>2].
Entonces ahora, tendremos que:
P(A)=P([X=2])=.1, P(B)=P([X=3])=.2, P(C)=P([X=4])=.3,
P(D)=P([X=5])=.4, P(A∪B)=P([X=2]∪[X=3])=P([X≤3])=.3,
P(Ac)=P([X>2])=1-P([X=2])=1-.1=.9.
Muchas veces para abreviar, en lugar de utilizar paréntesis y corchetes, se
emplean solo los primeros: P([X=2])=P(X=2).
En ocasiones, los sucesos elementales descritos con el uso de las variables
aleatorias y sus respectivas probabilidades, son situados en una tabla, que se
denomina "tabla de distribución de probabilidades de la variable aleatoria", para
nuestro caso, tenemos:
X 2 3 4 5 Observe que:
P(X) .1 .2 .3 .4
1) P(X)≥0, para cualquier valor de X.
2) ∑P(X)=1, para todos los valores de X (.1+.2+.3+.4= 1).
Definición 3 (de función de probabilidad de una V.A.D.): Toda función de
variable real que cumpla las dos condiciones anteriores, se llama función de
probabilidad de una V.A.D.
Veamos el gráfico de esta función:

Como se observa, el gráfico de la función de probabilidad lo constituyen puntos

aislados, situados a una altura P(X) del eje X.
La función de probabilidad, por tanto, especifica la probabilidad con la que la
V.A.D. toma un valor determinado, cuando esta probabilidad no es igual a cero.
Se debe saber que cualquier valor de la variable, cuya probabilidad no sea
especificada por esta función, constituye un suceso imposible, y por tanto, su
probabilidad es igual a cero.
En el siguiente ejemplo se muestra el uso de la función P(X) para calcular
probabilidades.
Ejemplo 2: Calcule las siguientes probabilidades usando la función P(X) dada

26
en la situación 2.
a) Probabilidad de que el alumno seleccionado tenga 3 puntos:
P(X=3)=.2 (Se obtiene directamente de la tabla anterior).
b) Probabilidad de que el alumno seleccionado tenga un punto:
P(X=1)= P(φ)=0 (Ningún alumno tiene nota de un punto).
c) Probabilidad de que el alumno seleccionado tenga 3 puntos o menos:
P(X≤3)=P(X=2)+P(X=3)=.1+.2=.3. (Aquí sería lo mismo decir que tenga cuanto
más 3 puntos, o lo que es lo mismo, que tenga 2 puntos o 3. Además cualquier
otro valor de X tiene probabilidad igual a cero).
d) Probabilidad de que el alumno seleccionado tenga más de 3 puntos:
P(X>3)=P(X=4)+P(X=5)=.3+.4=.7 (Otra solución para este caso sería aplicar la
propiedad de la probabilidad del complemento de un evento: P(X>3)=1-
P(X≤3)=1-.3=.7, P(X≤3) se calculó antes).
e) Probabilidad de que el alumno seleccionado tenga más de 2 puntos y 4 o
menos:
P(2<X≤4)=P(X=3)+P(X=4)=.2+.3=.5.
En ocasiones podremos contar con una función que nos permite calcular estas
probabilidades de un modo más directo, tal función se denomina "función de
distribución acumulativa", o simplemente "función de distribución", de la V.A.D.
X.
Definición 4: Una función real FX (t ) se denomina función de distribución
acumulativa de la V.A.D. X si FX (t ) = P( X ≤ t ) = ∑ P( X ) , para todo número real
X <t
t (X<t).
Ejemplo 3: La función de distribución de la V.A.D. X, dada en la situación 2, es
la siguiente:
⎧ 0 si t < 2
⎪.1 si 2 ≤ t < 3
⎪⎪
FX (t ) = ⎨.3 si 3 ≤ t < 4
⎪.6 si 4 ≤ t < 5
⎪
⎪⎩ 1 si t ≥ 5

Observaciones: El menor valor de esta función es cero y el mayor es uno (ya

que representa una probabilidad). Cuando t tiende a - ∞ , es decir decrece, la
función tiende a cero; mientras que, cuando t tiende a + ∞ , la función tiende a
uno.
Además, esta función no decrece, en sí es no decreciente, ya que para algunos
valores de t, crece y para otros se mantiene constante.
Estas observaciones constituyen propiedades de las funciones de distribución,
veamos el gráfico de esta función:

27
Observe que este gráfico tiene forma escalonada: siempre que X sea una
V.A.D. esto será así.
Ejemplo 4: Calcule las siguientes probabilidades utilizando la función de
distribución del ejemplo 3. (Compare los resultados con los del ejemplo 2):
a) Probabilidad de que el alumno seleccionado tenga 3 puntos o menos:
P ( X ≤ 3) = FX (3) = .3 . (Directamente se evalúa la función para 3).
b) Probabilidad de que el alumno seleccionado tenga más de 3 puntos:
P ( X > 3) = 1 − P ( X ≤ 3) = 1 − FX (3) = 1 − .3 = .7 . (Por propiedad del complemento
de un suceso).
c) Probabilidad de que el alumno seleccionado tenga más de 2 puntos y 4 o
menos:
P ( 2 < X ≤ 4 ) = F X ( 4 ) − F X ( 2 ) = .6 − .1 = .5
¿Cómo se obtuvo la función de distribución anterior? Esta función fue obtenida
aplicando la definición de función de distribución, de modo casuístico, a los
resultados dados en la función de probabilidad obtenida en la situación 2,
veamos:
Para t < 2 : FX (t ) = P ( X ≤ t ) = P (φ ) = 0 .
Para 2 ≤ t < 3 : FX (t ) = P ( X ≤ t ) = P ( X = 2) = .1 .
Para 3 ≤ t < 4 : FX (t ) = P ( X ≤ t ) = P ( X = 2) + P (= 3) = .1 + .2 = .3 .
Para 4 ≤ t < 5 : FX (t ) = P ( X ≤ t ) = P ( X = 2) + P ( X = 3) + P ( X = 4) = .1 + .2 + .3 = .6 .
Para t ≥ 5 :
FX (t ) = P ( X ≤ t ) = P ( X = 2) + P ( X = 3) + P ( X = 4) + P ( X = 5) = .1 + .2 + .3 + .4 = 1 .
Observe que lo que se hizo fue ir sumando, de modo acumulativo, cada una de
las probabilidades de la función de probabilidad. (Ver ejemplo 3).
III.- Características numéricas de las V.A.D.
Existen muchas medidas que caracterizan o explican el comportamiento de los
valores de una variable aleatoria, es decir, que permiten tener un mejor
conocimiento del comportamiento de la distribución de la variable, algunas de
esas medidas serán estudiadas a continuación, específicamente para las

28
V.A.D.
1.- El valor esperado de X (también llamado esperanza matemática), se denota
por E(X) o por µ(X), y está dado por: E ( X ) = ∑ XP( X ) , para todo X.
∀X

Observación: el valor esperado, cuando existe, es un número que siempre será

mayor que el menor valor de la variable, y a su vez, será menor que el mayor
valor de la variable, es decir "tiende" a ocupar una posición central entre los
valores de la variable.
Ejemplo 5: Calcule E(X) para la V.A.D. X, cuya función de probabilidad fue
dada en la situación 2:
E(X)=2(.1)+3(.2)+4(.3)+5(.4)=4. Interpretación: La nota que se esperada que
alcance un alumno del equipo de estudio en Estadística es de 4 puntos.
2.- La varianza de X se denota por V(X) o por σ 2 ( X ) y está dada por:
V ( X ) = E[ X − E ( X )]2 (que se lee: valor esperado del cuadrado de las
desviaciones (o diferencias) de cada valor de X con respecto a su valor
esperado). Si esta expresión se transforma, y se aplican propiedades del valor
esperado, se obtiene otra fórmula para la varianza:
V ( X ) = E ( X 2 ) − [ E ( X )]2 = ∑ X 2 P( X ) − [∑ XP( X )]2 , que se lee: valor esperado
del cuadrado de X menos el valor esperado de X elevado al cuadrado.
Observación: de la definición de la varianza se puede ver que ella es una
medida cuadrática, es decir, que se expresa en unidades cuadráticas; por
tanto, ella nunca será un valor negativo, y si todos los valores de la variable son
iguales al valor esperado, la varianza es cero, en tal caso se dice que no hay
dispersión de los valores de la variable con respecto a su valor esperado.
Ejemplo 6: Calcule la varianza para la V.A.D. X, cuya función de probabilidad
fue dada en la situación 2.
V(X)=2²(.1)+3²(.2)+4²(.3)+5²(.4)-[4]²= 17-16=1 punto².
Mientras que los valores de la variable están expresados en puntos, es decir,
en unidades lineales; esta medida de dispersión es cuadrática. Para solucionar
esta situación se obtiene una nueva medida:
3) La desviación estándar de X se denota por σ ( X ) y está dada por:
σ ( X ) = + V ( X ) (raíz cuadrada positiva de la varianza).
Ejemplo 7: Calcule la desviación estándar de X, sobre la base de la función de
probabilidad dada anteriormente: σ ( X ) = + V ( X ) = 1 = 1 punto. (La desviación
estándar se interpreta de modo similar a la varianza).
Los resultados anteriores se resumen en a continuación:
Probabilidad
X P(X) acumulada...
2 .1 .1
3 .2 .3
4 .3 .6
5 .4 1.0

29
E(X)=4.00000, DESV. STD.=1.00000, VARIANZA=1.00000
IV.- Distribuciones teóricas de probabilidades de las V.A.D.
Existen variables aleatorias que tienen determinadas particularidades, cuyas
distribuciones de probabilidades se "adaptan" a un modelo teórico específico, a
estos modelos les llamaremos "distribuciones teóricas de probabilidades". Para
las V.A.D. estudiaremos las distribuciones Binomial y la Hipergeométrica.
1.- Distribución Binomial de probabilidades
Definición 5: Sea X una V.A.D y sea K un número natural (K=0, 1, 2,..., N). A la
función definida por la expresión:
⎛N⎞
P ( X = K ) = ⎜⎜ ⎟⎟ P K (1 − P) N − K se le llama función de probabilidad de la
⎝K ⎠
distribución Binomial. (P∈[0,1]).
⎛N⎞ N!
Observación: en la expresión anterior el término: ⎜⎜ ⎟⎟ = , además,
⎝ K ⎠ K !( N − K )!
esta función cumple con las propiedades enunciadas para las funciones de
probabilidades. También a partir de esta función se puede obtener la función de
distribución de X.
Cuando una V.A.D. X tiene una ley Binomial de probabilidad, tenemos
que: E ( X ) = NP , V ( X ) = NP (1 − P) y σ ( X ) = + NP (1 − P ) .
En la práctica, para poderle aplicar esta función a una V.A.D. X, debemos
analizar que cumpla los siguientes requisitos:
1.- Que esté asociada a un experimento que solo tenga dos resultados
posibles: a uno de los cuales le llamaremos "éxito" y al otro "fallo" o "fracaso".
2.- Que la probabilidad P de "éxito", sea la misma para cada prueba o
realización del experimento.
3.- Que las pruebas sean independientes, es decir, que el resultado que se
obtiene en una realización del experimento no esté "afectado" por el resultado
que antes se obtuvo.
Los requisitos 2 y 3 se cumplen en casos en que se realicen selecciones con
repetición o reposición.
Ejemplo 8: De un equipo de estudio integrado por 10 alumnos, se sabe que 4
están evaluados de excelente en Estadística. Si de ese equipo se seleccionan
al azar 5 alumnos, con reposición; cuál es la probabilidad de que:
a) ninguno esté evaluado de excelente.
b) solo uno esté evaluado de excelente.
c) más de 2 estén evaluados de excelentes.
d) más de 2 y 4 o menos estén evaluados de excelentes.
e) ¿Cuántos alumnos se espera que estén evaluados de excelente en
Estadística? ¿Con qué dispersión?

30
Solución:
En este problema se debe analizar, primeramente, que se cumplen los tres
requisitos planteados anteriormente: como la selección es con reposición, en
4
cada prueba se tiene que: P = = .4 (Aplicando la definición clásica de
10
probabilidades). N=5 (Cantidad de veces que se realiza el experimento).
Aplicando la fórmula de la definición 5, la de función de distribución y las
fórmulas de las características numéricas, tenemos:
DISTRIBUCION BINOMIAL
N=5 P=.4
PROBABILIDAD E(X)=2.00000, DEV. ESTD.=1.09545,
X P(X) ACUMULATIVA VARIANZA=1.20000
0 .07776 .07776
1 .25920 .33696 Observación: estos resultados se pueden
2 .34560 .68256 graficar, tal y como se ilustró
3 .23040 .91296 anteriormente.
4 .07680 .98976 A partir de estos resultados podemos
5 .01024 1.00000 responder los incisos anteriores:
a) K=0: P(X=0)=.07776.
b) K=1: P(X=1)=.25920.
c) K>2: P(X>2)=1-P(X≤2)=1-.68256=.31744.
d) 2<K≤4: P(2<X≤4)= FX (4) − FX (2) =.98976-.68256=.30720.
e) Al lado de los resultados mostrados con anterioridad está la solución de este
inciso.
2.- Distribución Hipergeométrica de probabilidades
Definición 6: Sea X una V.A.D y sean n, M, N y K números naturales tales que:
M≤n, N≤n, K≤N, K≤M y N-K≤n-M. A la función definida por la expresión:
⎛ M ⎞⎛ n − M ⎞
⎜⎜ ⎟⎟⎜⎜ ⎟
⎝ K ⎠⎝ N − K ⎟⎠
P( X = K ) = , se le llama función de probabilidad de la distribución
⎛n ⎞
⎜⎜ ⎟⎟
⎝N⎠
Hipergeométrica.
Observación: esta función cumple con las propiedades de la función de
probabilidad enunciadas anteriormente. también a partir de esta función
podemos obtener la función de distribución de X.
Cuando una V.A.D. tiene distribución Hipergeométrica, se cumple
n−N n−N
que: E ( X ) = NP , V ( X ) = NP (1 − P) , σ ( X ) = + NP (1 − P )
n −1 n −1
En la práctica, para poderle aplicar esta función a una V.A.D. X, debemos
analizar que no se cumpla que la probabilidad de "éxito" P sea la misma en
cada prueba. Esta distribución se relaciona con aquellos experimentos en que
se realizan selecciones sin reposición.

31
Ejemplo 9: Resuelva los incisos del ejemplo 8, considerando que la selección
es sin reposición.
Solución:
En esta situación ya no se cumplirá que P=.4 para cada realización del
experimento, ya que como la selección del los alumnos se realiza sin
reposición, el segundo alumno que se elija tendrá como probabilidad de estar
evaluado de excelente 4/9 o 3/9, en dependencia del resultado que se obtuvo
en la primera realización del experimento; esto hace, a la vez, que las pruebas
no sean independientes.
n=10 (total de alumnos del equipo), M=4 (total de alumnos que en el equipo
están evaluados de excelente en Estadística), N=5 (total de alumnos que del
equipo son seleccionados sin reposición) y el valor de K se especifica en cada
inciso: en realidad K son los alumnos que dentro de N tienen la propiedad M.
Aquí se cumple que 4<10 (M≤n), y 5<10 (N≤n).
Si aplicamos a estos datos la fórmula de la definición 6, obtenemos:
DISTRIBUCION HIPERGEOMETRICA
EL TAMAÑO DEL EQUIPO ES DE 10 ALUMNOS
Y CONTIENE 4 ESTUDIANTES EVALUADOS DE EXCELENTE.
PROBABILIDAD
X P(X) ACUMULADA
0 .02381 .02381
1 .23810 .26190
2 .47619 .73810
3 .23810 .97619
4 .02381 1.00000
E(X)=2.00000, DESV. ESTD.=.81650, VARIANZA=.66667
Con estos resultados ya pueden ustedes responder los incisos anteriores.

32
LECCIÓN #3 LAS VARIABLES ALEATORIAS CONTINUAS. FUNCIONES Y
CARACTERÍSTICAS NUMÉRICAS DE LAS V.A.C. DISTRIBUCIONES
TEÓRICAS DE PROBABILIDADES DE LAS V.A.C.
En la lección anterior conocimos que una variable aleatoria es una
correspondencia que se establece entre los sucesos de un espacio muestral y
un conjunto de números. Además, sabemos que las V.A. pueden ser discretas
o continuas. Las V.A.C. son las que, teóricamente, pueden tomar infinitos
valores.
Para las V.A.C., al igual que para las discretas, se definen diferentes leyes de
probabilidades que las caracterizan; así como, se estudian sus características
numéricas y distribuciones teóricas de probabilidades. Si bien el trabajo con las
V.A.D. está relacionado con la operación de suma (∑), por ser magnitudes a lo
sumo numerables; el trabajo con las V.A.C. está relacionado con la integración
∫.
I.- Funciones de las V.A.C.
En el caso de las V.A.D., la ley de probabilidad particular que las caracteriza es
la función de probabilidad, mientras que para las V.A.C. es la función de
densidad:
Definición 1: una función real f(x), se llama función de densidad de probabilidad
de una V.A.C. X si cumple que:
+∞
f(x)≥0 y 2) ∫ f ( x)dx = 1
−∞

Observación: la primera propiedad expresa que la función no puede ser

negativa para ningún valor de X, mientras que la segunda indica que "el área
total, bajo la curva de esa función, tiene que ser igual a 1".
La función f(X) puede ser utilizada para calcular probabilidades de sucesos
b
definidos por una V.A.C. X, así tenemos que: P ( X ≤ b) = ∫ f ( x)dx = P . En tal
−∞
caso, al número real b, hasta el que existe un área acumulada igual a P
(P∈[0,1]), se llama "percentil de orden P".
Ejemplo 1: Verifique que la función definida por la expresión:

33
 ⎧⎪ 1 si 0 ≤ x ≤ 2
f ( x) = ⎨ 2
⎪⎩0 para cualquier otro valor
es una función de densidad de probabilidad de una V.A.C.
Solución: para facilitar nuestro análisis, partamos de representar gráficamente
esta función: geométricamente f(x)=1/2, en el intervalo [0,2], es un segmento
de recta paralelo al eje X. Al evaluar esta función para x=0, se obtiene que
f(0)=1/2; mientras que para x=2, tenemos que f(2)=1/2 y como para los demás
valores de X ella es 0, su gráfico se muestra a continuación:

⎯Para cualquier valor de X que esté entre 0 y 2 (que son infinitos), f(x) siempre
será positiva (y en este caso, constante); por ejemplo si se sustituye la X por 1,
tenemos que f(1)=1/2>0, etc.
⎯Por otro lado, se puede comprobar que el área total bajo esta función es
igual a 1. Aquí se trata del área que está sombreada: esta región constituye un
rectángulo, cuyos lados miden 1/2 unidad de ancho y 2 unidades de largo.
Sabemos que el área de un rectángulo es igual a la longitud de un lado por la
del otro, en nuestro caso: (1/2)(2)=1.
En realidad esta área también se puede calcular aplicando el cálculo
+∞ 0 2 +∞
1 1 2 1
integral: ∫ f ( x)dx = ∫ 0dx + ∫ dx + ∫ 0dx = X = (2 − 0) = 1
−∞ −∞ 0
2 2
2 0 2
Ejemplo 2: Calcule las siguientes probabilidades, para la V.A.C. X, cuya función
de densidad fue dada en el ejemplo 1:
1
1 1 1
a) P (0 ≤ x ≤ 1) = ∫ dx = x 1 = (1 − 0) = 1 = .50
2 2 0 2 2
0

34
(Al mismo resultado llegamos si calculamos el área del rectángulo de lados
iguales a 1 y 1/2 unidades, respectivamente).
11 1 1
b) P (1 ≤ x ≤ 1) = ∫ dx = x 1 = (1 − 1) = 0
1 2 2 1 2
Efectivamente, P(1≤X≤1)=P(X=1)=0, es decir, que la probabilidad en un punto
ha dado cero. Este es un resultado que se cumplirá siempre que X sea una
V.A.C.
"La probabilidad de que una V.A.C. tome un único valor es igual a cero", esto
hace que se cumplan las siguientes igualdades:
P(a≤X≤b)=P(a<X<b)=P(a≤X<b)=P(a<X≤b).
0
1 1
PX (≤ 1) = ∫ 0dx + ∫
−∞
0 2
dx = .5

(Para esta función, el 1 es un percentil de orden .5)

Con la idea del inciso anterior, podemos calcular la probabilidad acumulada
hasta cualquier valor t de la variable, es decir, P(X≤t); sabemos que tal
probabilidad se obtiene de un modo más directo si se conoce la función de
distribución acumulativa de la variable:
Definición 2: sea X una V.A.C. X, a la función real FX (t ) dada por:
t
FX (t ) = P ( X ≤ t ) = ∫ f ( x)dx se llama función de distribución de X.
−∞

Ejemplo 3: La función de distribución de la V.A.C. X dada en el ejemplo 1 es:

⎧0 si t < 0
⎪1
⎪
FX (t ) = ⎨ t si 0 ≤ t < 2
⎪2
⎪⎩1 si t ≥ 2

Observe que esta función cumple las mismas propiedades que la función de
distribución de una V.A.D. X. ¡Analícelas!
Representación gráfica de la función anterior:

35
Ejemplo 4: Utilizando la función de distribución de la V.A.C. X dada
anteriormente, calcule las siguientes probabilidades:
1
a) P (0 ≤ X ≤ 1) = FX (1) − FX (0) = (1) − 0 = .5
2
1 1
b) P (1 ≤ X ≤ 1) = FX (1) − FX (1) = (1) − (1) = 0
2 2
1
c) P ( X ≤ 1) = FX (1) = (1) = .5
2
Por último, hagamos un análisis de cómo se obtuvo la función de distribución
del ejemplo 3: para obtener dicha función se realizó un análisis casuístico, tal y
como se hizo en el caso en que la variable era discreta, veamos:
t
Para t < 1 : FX (t ) = P( X ≤ t ) = ∫ odx = 0
−∞

t 0 t 1 1 t 1
Para 1 ≤ t < 2 : FX (t ) = P( X ≤ t ) = ∫ f ( x)dx = ∫ 0dx + ∫ dx = 0 + x = t
−∞ −∞ 0 2 2 0 2
t 0 2 1 t 1 2
Para t ≥ 2 : FX (t ) = P( X ≤ t ) = ∫ f ( x)dx = ∫ 0dx + ∫ dx + ∫ 0dx = x = 1
−∞ −∞ 0 2 2 2 0
(Ver ejemplo 3)
II.- Características numéricas de las V.A.C.
Las características numéricas que se definen para las V.A.C. son las mismas
que conocemos para las V.A.D.: el valor esperado, la varianza, la desviación
estándar, etc.
+∞
E ( X ) = ∫ xf ( x)dx , V ( X ) = E[ X − E ( X )]2 = E ( X 2 ) − [ E ( X )]2 , σ ( X ) = + V ( X )
−∞

36
Ejemplo 5: Calcule las características numéricas de la V.A.C. X, cuya función
de densidad fue dada en el ejemplo 1:
0 2 1 +∞ 1 x2 2
E ( X ) = ∫ x(0)dx + ∫ x( )dx + ∫ x(0)dx = ( ) = 1
−∞ 0 2 2 2 2 0
+∞ 0 2 1 +∞ 1 x3 2 4
E ( X 2 ) = ∫ x 2 f ( x) dx = ∫ x 2 (0)dx + ∫ x 2 ( )dx + ∫ x 2 (0)dx = ( ) =
−∞ −∞ 0 2 2 2 3 0 3
4 2 1
V (X ) = − 1 = ≈ .3333 , σ ( x) = + .3333 ≈ .5774 .
3 3
III.- Distribuciones teóricas de probabilidades de las V.A.C.
Para las V.A.D. estudiamos las distribuciones Binomial e Hipergeométrica. Para
las V.A.C. existen muchas distribuciones teóricas de probabilidades, algunas
de ellas las estudiaremos a continuación:
Definición 3: Una V.A.C. X se dice que sigue una distribución uniforme, o que
está distribuida uniformemente, en el intervalo [a, b] si su función de densidad
es constante en dicho intervalo.
Las expresiones de las funciones de densidad y de distribución de una V.A.C X
que sigue una distribución uniforme son:
⎧ 1
⎪ para a ≤ x ≤ b
f ( x) = ⎨ b − a
⎪⎩0 para cualquier otro valor de x

⎧ 0 si x < a
⎪ 1
⎪
FX ( x ) = ⎨ si a ≤ x < b
⎪ b − a
⎪⎩ 1 si x ≥ b

A esta distribución también se le denomina "distribución rectangular", porque el

gráfico de su función de densidad es semejante a un rectángulo.
El valor esperado, la varianza y la desviación típica de una V.A.C. X que sigue
a+b ( a + b) 2
una distribución rectangular son: E ( X ) = , V (X ) = y
2 12
(b − a )
σ (X ) = .
2 3
Ejemplo 6: La función dada en el ejemplo 1 de esta lección representa una
V.A.C. con distribución uniforme. (Si se utilizan las anteriores fórmulas para
obtener las características numéricas de esta variable, se obtienen los mismos
resultados del ejemplo 5).
Estudiemos una nueva distribución de probabilidad de una V.A.C., quizá "la
más importante":

37
Definición 4: Sean μ y σ dos números reales, con σ>0. Una V.A.C. X sigue una
distribución normal (o se distribuye normalmente) si su función de densidad
( x−μ ) 2
1 −
está dada por: f ( x) = e 2σ 2
, con π ≈ 3.14..., e ≈ 2.17...
σ 2π
Gráfico de la función de densidad:

DISTRIBUCIÓN NORM AL ESTÁNDAR

0.45
0.4
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
-5 -4 -3 -2 -1 0 1 2 3 4 5

Gráfico de la función de distribución acumulativa:

DISTRIBUCIÓN NORMAL (FUNCIÓN DE DISTRIBUCIÓN)

1,2
1
0,8
0,6
0,4
0,2
0

-6 -4 -2 0 2 4 6

Observaciones:
⎯A esta distribución también se le denomina "distribución de Gauss o
gaussiana".
⎯Esta función está definida para todo x real (x ∈ ℜ ).
⎯Al igual que para toda función densidad, en este caso el área total bajo la
curva de esta función es igual a 1, y para cualquier valor de x, f(x)≥0.

38
⎯El gráfico de esta función tiene forma acampanada: se extiende desde –∞
hasta +∞, sin interceptar al eje X y depende de los valores de µ y de σ.
⎯Esta función es simétrica respecto a la recta X=µ: el área bajo la curva de
esta función, a la izquierda de µ, es igual a la que existe a la de derecha de ese
valor.(P(X≤µ)=P(X≥µ)=.5).
⎯Para expresar que una V.A.C. X. sigue una distribución normal,
emplearemos la notación X a N(µ,σ).
⎯Si X a N(µ, σ), se cumple que E(X)=µ, V(X)=σ² y σ(X)=σ.
⎯Particularmente, si X a N(µ, σ) con µ=0 y σ=1 se dice que esta variable sigue
una distribución normal estándar (o que la variable normal está estandarizada);
en ese caso se acostumbra a llamarle Z a la variable, en lugar de X:
Z2
1 −
Z a N(0,1). Así tenemos: f ( Z ) = e 2
, con π ≈ 3.14..., e ≈ 2.17...
2π
—Esta distribución es par, es decir, f(Z)= f(-Z).
X −μ
⎯Si X a N(µ, σ), donde µ≠0 y σ≠1, entonces se cumple que Z = sigue
σ
una distribución normal estándar, es decir, una variable con distribución normal
que no sea estándar, pude ser "estandarizada".
Debido a que resulta de mucha utilidad el cálculo de áreas bajo la curva de una
distribución normal; así como, la determinación de la "ordenada" de un percentil
determinado, pasamos a explicar estos aspectos seguidamente.
Realizar lo dicho en el párrafo anterior, requiere resolver una integral
"sumamente compleja", ello, unido a la "bondad" de esta distribución de que
toda variable gaussiana pueda ser estandarizada, ha posibilitado la confección
de "tablas de la distribución normal" que resuelven las necesidades
anunciadas.
En el anexo #2 de esta lección aparece la "tabla de las áreas bajo la curva de
una distribución normal estándar": en esta tabla, los números que aparecen en
la parte izquierda y en la superior (combinados) representan los percentiles o
valores de la variable Z, mientras que los valores del interior de la tabla (que
están con cuatro lugares decimales), constituyen las áreas acumuladas desde
-∞ hasta cada uno de los percentiles indicados. Sin más dilación, veamos los
ejemplos siguientes:
Ejemplo 7: Sea Z a N(0,1), calcule:
1.- El área acumulada hasta el percentil -1.54.
Solución: En símbolos escribiremos P(Z≤-1.54). Para resolver esta situación,
tendríamos que calcular la integral de la función de Gauss desde -∞ hasta -
1.54: ¡ardua tarea esta!; sin embargo, ello lo solucionaremos mediante la tabla
de áreas bajo la curva normal estándar:
⎯Busque la parte de la tabla en que aparecen los percentiles negativos.
⎯Localice en la primera columna de esta tabla, es decir, debajo de la letra Z, el
valor -1.5.

39
⎯Diríjase hacia la primera fila de la tabla y localice, hacia la derecha de Z, el
número 4.
⎯Una la fila -1.5 con la columna 4 y tendrá el valor .0618, que es el área
buscada: P(Z≤-1.54)=0.0618
Observaciones:
⎯En sí, esta área calculada representa "la probabilidad de que un punto
lanzado al azar en la curva normal estándar, caiga en el intervalo desde -∞
hasta el percentil -1.54".
⎯A causa de que Z es una V.A.C., tenemos que:
P(Z≤-1.54)= P(Z<-1.54).
⎯A causa de que estamos calculando el área que existe a la izquierda de un
percentil que es negativo, esta a dado menor que .5000 —que es el área
acumulada hasta el percentil 0—.
⎯En ocasiones, para referirnos a P(Z≤-1.54)=.0618, escribiremos Z.0618=-1.54
(el área acumulada como un subíndice de Z).
2.- El área acumulada a la izquierda del percentil 1.54.
Solución: En símbolos P(Z≤1.54)=P(Z<1.54)=.9382, ya que se procede igual al
caso 1 anterior, pero usando la parte de la tabla en que están los percentiles
positivos. Observe que el área obtenida es mayor que .5000, ya que
corresponde a un percentil positivo. Además, se puede escribir: Z.9382=1.54.
3.- El área a la derecha del percentil 1.54.
Solución: En símbolos P(Z>1.54): aquí tenemos una situación nueva, ya que
nuestra tabla está hecha para ofrecer áreas a la izquierda del percentil; sin
embargo, a causa de que el área total bajo la curva normal es igual a 1,
tenemos que:
P(Z>1.54)=1-P(Z≤1.54)=1-.9382=.0618.
Observación: Este inciso 3, ha dado el mismo resultado que el inciso 1, es
decir, P(Z>1.54)=P(Z<-1.54): esto no es casualidad, se debe a que como la
distribución normal es simétrica, el área a la derecha de un percentil positivo,
es igual a la que existe a la izquierda de ese mismo percentil, pero con signo
negativo; similarmente, el área que existe a la izquierda de un percentil
positivo, es igual a la que existe a la derecha de ese mismo percentil, pero con
signo negativo.
4.- El área que existe entre los percentiles -1.54 y 2.92.
Solución: En símbolos P(-1.54≤Z≤2.92): aquí también tenemos una situación
nueva, para la que no podremos usar la tabla de modo directo; sin embargo,
podemos reducir esta situación a una ya conocida, luego:
P(-1.54≤Z≤2.92)= P(Z≤2.92)-P(Z≤-1.54)=.9982-.0618=.9364
De modo que, siempre que vayamos a calcular el área entre dos percentiles,
restaremos del área que está acumulada hasta el mayor de esos percentiles, la
que está acumulada hasta el menor de ellos.

40
Existen ocasiones en que será necesario encontrar el percentil, conocida el
área bajo la curva, tal situación la dejamos para que usted la razone, a partir de
los mismos incisos anteriores.
Si la variable que se mide es normal, pero no es estándar, para trabajar con
ella habrá que estandarizarla primeramente, veamos el siguiente ejemplo.
Ejemplo 8: Sea X a N(2,1), calcule:
1.- P(X≤.46), 2.- P(X≤3.54), 3.- P(.46≤X≤4.92)
Solución: Para responder estos incisos debemos partir de que X no está
estandarizada, ya que µ= 2, aunque σ=1. Por tanto, nuestro primer paso, en
cada inciso, será estandarizar la variable X, para ello se utiliza la fórmula Z= (X-
µ)/σ, vista con anterioridad. Para el inciso 1, tenemos:
P(X≤.46)=P((X-µ)/σ)≤(.46-µ)/σ) sustituyendo,
=P(Z≤(.46-2)/1) calculando,
=P(Z≤-1.54)=.0618 lo que ha sido reducido al inciso 1 del ejemplo 7, por lo que
el resultado es igual.
Para solucionar el inciso 2, se hace de modo similar al inciso 1 anterior, con lo
que se reducirá al inciso 2 del ejemplo 7.
Por último, en el inciso 3 tendremos que realizar la estandarización dos veces,
con lo que la solución queda como en el inciso 4 del ejemplo 7:
P(.46≤X≤4.92)=P((.46-2)/1≤(X-µ)/σ≤(4.92-2)/1)=P(-1.54≤Z≤2.92)= .9364.
A continuación nos referiremos a cómo se realiza el cálculo de ordenadas para
la curva normal estándar. En el anexo #4 de esta lección aparece la "tabla de
ordenadas de la curva de una distribución normal estándar": en esta tabla, los
números que aparecen en la parte izquierda y en la superior (combinados)
representan los percentiles o valores de la variable Z, mientras que los valores
del interior de la tabla (que están con cuatro lugares decimales), constituyen las
ordenadas de esta función para cada valor de Z, esto es f(Z). S e debe
observar que solo aparecen percentiles positivos, ya que f(Z)=f(-Z). Sin más
dilación, veamos los ejemplos siguientes:
Ejemplo 9: Si Z a N(0,1), encontrar el valor de la ordenada de esta función
para:
1.- Z=2.42, 2.- Z=-1
Solución: 1.- En la tabla de las ordenadas de la distribución normal estándar
localizamos, en la primera columna, el valor 2.4; seguidamente, en la primera
fila ―hacia la derecha de Z― buscamos el valor 2: ahora unimos la fila 2.4 con
la columna 2 y obtenemos la ordenada .0213, luego f(Z)= f(2.42)= .0213.
2.- En este inciso se procede como en el anterior, pero aplicando la propiedad
de que f(Z)=f(-Z), es decir, f(-1)= f(1.00).
Por último queremos indicar que si nuestra variable no es estándar, habrá
primero, que estandarizarla y a continuación proceder como ha sido explicado
en el ejemplo 9.

41
Antes de continuar con el estudio de otras distribuciones de probabilidades que
tienen muchas aplicaciones en la Estadística, vamos a referirnos a una función
que es base de esas otras: la función Gamma:
Definición 5: Sea p un número real (p∈ℜ). Una función que se denota por Γ( p)
∞
y que está definida por la siguiente expresión: Γ( p ) = ∫ x p −1e − x dx , se llama
0
función Gamma.
Observaciones:
⎯Esta función tiene, entre otras, las siguientes propiedades:
Γ(1) = 1 , Γ( p + 1) = pΓ( p ) , Γ(1 / 2) = π , Γ(n + 1) = n! , etc.
(Para más información sobre esta función se puede consultar el texto
"Matemáticas Superiores", 2da parte, de P. E. Danko y otros).
Ahora estudiemos otra distribución de probabilidades que, al igual que la
normal, tiene muchos usos dentro de la Estadística y cuya función de densidad
no debe horrorizarnos:
Definición 6: Sea v un número natural. Una V.A.C. X sigue una distribución T
de Student, si su función de densidad está dada por:
v +1
Γ( )
2 1
f ( x) = 2 v +1
v
πv Γ( ) (1 + x ) 2
2 v
Gráfico de la función de densidad T de Student:

DISTRIBUCIÓN T DE STUDENT (FUNCIÓN

DE DENSUDAD)

0,4

0,3 v=1
0,2 v=4

0,1

0
-4 -3 -2 -1 0 1 2 3 4

Gráfico de la función de distribución acumulativa T de Student:

42
 DISTRIBUCIÓN T DE STUDENT
(FUNCIÓN DE DISTRIBUCIÓN)

1
0,9
0,8
0,7
0,6
0,5 v=4
0,4
0,3
0,2
0,1
0
-4 -3 -2 -1 0 1 2 3 4 5 6

Observaciones:
⎯Esta función está definida para todo x real (x∈ℜ).
⎯Al igual que para toda función densidad, en este caso el área total bajo la
curva de esta función es igual a 1, y para cualquier valor de x, f(x)≥0.
⎯El gráfico de esta función depende del número v, al que se le llama "grados
de libertad" de la función, tiene forma acampanada y se extiende desde -∞
hasta ∞, sin interceptar al eje X.
⎯Esta función es simétrica respecto a la recta X=0: el área bajo la curva de
esta función a la izquierda de 0, es igual a la que existe a la de derecha de ese
valor: (P(X≤0)=P(X≥0)=.5). —Para expresar que una V.A.C. X. sigue una
distribución T de Student, con v grados de libertad, tenemos la notación X~T(v).
⎯Si X~T(v), entonces E(X)=0 para v≥2, V(X)=v/(v-2) para v≥ 3 y
σ(X)=+ v /(v − 2) , también para v=3.

⎯Cuando v es número muy grande, esta función "tiende" a la normal.

Debido a que resulta de mucha utilidad el cálculo de áreas bajo la curva de una
distribución T de Student, pasamos a explicar estos aspectos seguidamente.
Realizar lo dicho en el párrafo anterior, requiere resolver una integral
"sumamente compleja", por ello, se han confeccionado "tablas de áreas bajo la
distribución" que resuelven las necesidades anunciadas.
En el anexo #6 de esta lección aparece la tabla de la distribución T de Student.
Esta tabla, al igual que la de áreas de la normal, ofrece probabilidades desde
-∞ hasta el percentil usado; sin embargo, se debe observar que en esta nueva
tabla, los percentiles aparecen dentro del cuerpo de la tabla, en la primera
columna ⎯con el encabezado de v⎯ están los diferentes grados de libertad y
en la primera fila de la tabla, se especifican las áreas acumuladas ⎯como
subíndices de T⎯.

43
Veamos el siguiente ejemplo:
Ejemplo 10: Sea X a T(v), calcule:
1.- El área acumulada hasta el percentil 1.07 para v=17.
Solución: En símbolos P(X≤1.07). En la primera columna de la tabla T de
Student —debajo de v— localizamos el valor 17, ahora avanzamos hacia la
derecha por esa fila donde está el 17, hasta encontrar el número 1.07 —o el
más próximo a él—; a continuación ascendemos por esa columna donde está
el 1.07 y en la primera fila de la tabla —como subíndice de T— leemos el valor
.85, que es la probabilidad pedida (aproximada a dos lugares decimales):
P(X≤1.07)=.85 para v=17.
Observación: Para P(X≤1.07)=.85 con v=17, en ocasiones emplearemos la
notación T.85(17)=1.07.
2.- El área a la derecha del percentil 1.08 para v=14.
Solución: En símbolos P(X>1.08). Aquí queremos un área a la derecha del
percentil: como la tabla ofrece áreas a la izquierda, aplicamos la propiedad de
que P(X>a)=1-P(X≤a): P(X>1.08)=1-P(X≤1.08)=1-.85=.15.
3.- El área a la izquierda del percentil -1.07 para v=17.
Solución: En símbolos P(X≤-1.07). Aquí tenemos una situación nueva, ya que
en nuestra tabla no aparecen percentiles negativos, sin embargo, la distribución
T de Student es simétrica, luego P(X≤-1.07)=P(X≥1.07) con lo que hemos
reducido el problema a la situación del inciso anterior:
P(X≤-1.07)=P(X≥1.07)=1-P(X<1.07)=1-.85 =.15.
"El área acumulada a la izquierda de un percentil negativo, es igual a la que
existe a la derecha de ese mismo percentil, pero con signo positivo; también, el
área a la derecha de un percentil negativo es igual que la que existe a la
izquierda de ese mismo percentil, pero con signo positivo".
4.- Encuentre el área entre los percentiles 1.06 y 2.48 para v=26.
Solución: En símbolos P(1.06≤X≤2.48). Aquí tenemos que:
P(1.06≤X≤2.48)=P(X≤2.48)-P(X≤1.06)=.99-.85=.14.
"El área entre dos percentiles es igual al área acumulada hasta el mayor de
esos percentiles, menos la que existe hasta el menor de ellos".
En ocasiones es necesario realizar el proceso inverso, es decir, calcular el
percentil conocida el área: a partir de los incisos anteriores razone este
aspecto.
Otras de las distribuciones probabilísticas de gran uso en la Estadística es la Ji-
cuadrado, que estudiaremos seguidamente:
Definición 7: Sea v un número natural. Una V.A.C. X sigue una

44
distribución Ji-cuadrado (χ²), si su función de densidad está dada por:
⎧ 0 si x < 0
⎪
⎪ 1
v
−1 −
x
f ( x) = ⎨ x 2
e 2
si x ≥ 0
v
⎪ 2 v
⎪⎩ 2 Γ( 2 )

Gráfico de la función de densidad de la distribución Ji-cuadrado:

DISTRIBUCIÓN JI-CUADRADO
(FUNCIÓN DE DENSIDAD)
0,6

0,5

0,4
v=2
0,3 v=6
0,2

0,1

0
0 2 4 6 8 10 12 14 16

Gráfico de la función de distribución acumulativa de la distribución Ji-cuadrado:

DISTRIBUCIÓN JI-CUADRADO (FUNCIÓN

DE DISTRIBUCIÓN)

1
0,9
0,8
0,7
0,6 v=2
0,5
0,4 v=6
0,3
0,2
0,1
0
0 2 4 6 8 10 12 14 16

Observaciones:

45
⎯Esta función está definida para todo X real (x∈ℜ), con la condición de que
para cualquier valor de X que sea negativo, esta función vale 0.
⎯Al igual que para toda función densidad, en este caso el área total bajo la
curva de esta función es igual a 1, y para cualquier valor de X, f(X)≥0.
⎯El gráfico de esta función depende del número v, al que se le llama "grados
de libertad" de la función: se extiende desde 0 hasta ∞, sin interceptar al eje X.
⎯Esta función no es simétrica.
⎯Para expresar que una V.A.C. X sigue una distribución Ji-cuadrado, con v
grados de libertad, emplearemos la notación:
X a χ2(v).
⎯Si X a χ²(v), entonces E(X)=v, V(X)=2v, σ(X)= + 2v .
Debido a que resulta de mucha utilidad el cálculo de áreas bajo la curva de una
distribución Ji-cuadrado, pasamos a explicar estos aspectos seguidamente.
Realizar lo dicho en el párrafo anterior, requiere resolver una integral
"sumamente compleja", por ello, se han confeccionado "tablas de áreas bajo la
distribución" que resuelven las necesidades anunciadas.
En el anexo #9 de esta lección aparece la tabla de la distribución Ji-cuadrado.
Esta tabla, a diferencia de las anteriores, ofrece probabilidades desde 0 hasta
el percentil usado; sin embargo, se debe observar que en esta nueva tabla ⎯al
igual que en la T de Student⎯, los percentiles aparecen dentro del cuerpo de la
tabla, en la primera columna ⎯con el encabezado de v⎯ están los diferentes
grados de libertad y en la primera fila de la tabla, se especifican las áreas
acumuladas ⎯como subíndices de X⎯.
Veamos el siguiente ejemplo:
Ejemplo 11: Sea X a χ²(v), calcule:
1.- El área a la izquierda del percentil 5.01 para v=13.
Solución: En símbolos P(X≤5.01). Aquí debemos tener en cuenta que
P(X≤5.01) significa P(0≤X≤5.01), ya que Ji-cuadrado es no negativa. Para
utilizar la tabla de áreas de esta distribución se procede igual que con la tabla
de la distribución T de Student, por tal razón no ofrecemos explicación al
respecto. P(X≤5.01)=.025.
2.- El área a la derecha del percentil 4.57 para v=11.
Solución: En símbolos P(X≥4.57)
P(X≥4.57)=1-P(X<4.57)=1-.05=.95.
3.- El área entre los percentiles 4.07 y 7.79 para v= 14.
Solución: En símbolos P(4.07≤X≤7.79). Sin comentarios:
P(4.07≤X≤7.79)=P(X≤7.79)-P(X≤4.07)=.10-.005=.095.
En ocasiones es necesario realizar el proceso inverso, es decir, calcular el
percentil conocida el área: a partir de los incisos anteriores razone este
aspecto.

46
Por último, estudiaremos otra de las distribuciones más utilizadas dentro de la
Estadística: la distribución F de Fisher.
Definición 8: Sean v1 y v 2 dos números naturales. Una V.A.C. X sigue una
distribución F de Fisher, si su función de densidad está dada por:
⎧ 0 si x < 0
⎪
⎪ Γ( v1 + v 2 )v 2 v 2
v1 v2
v1
−1
f ( x) = ⎨ 2
1 2
x2
⎪ v1 + v2
si x ≥ 0
v v
⎪ Γ ( 1 )Γ ( 2 ) (v + v x ) 2
⎩ 2 2 2 1

Gráfico de la función de densidad de la distribución F de Fisher:

DISTRIBUCIÓN F DE FISHER
(FUNCIÓN DE DENSIDAD)
0,8
0,6
0,4 v=4, v=2
0,2
0
0 2 4 6 8 10 12 14 16

Gráfico de la función de distribución acumulativa:

DISTRIBUCIÓN F DE FISHER
(FUNCIÓN DE DISTRIBUCIÓN)
1

0.8

0.6
v=4, v=2
0.4

0.2

0
0 2 4 6 8 10 12 14 16

Observaciones de la distribución F de Fisher:

⎯Esta función está definida para todo X real (x∈ℜ), con la condición de que
para cualquier valor de X que sea negativo, esta función vale 0.

47
⎯Al igual que para toda función densidad, en este caso el área total bajo la
curva de esta función es igual a 1, y para cualquier valor de X, f(X)=0.
⎯El gráfico de esta función depende de los números v1 y v2, a los que se les
llama "grados de libertad del numerador" y "grados de libertad del
denominador" de la función, respectivamente: se extiende desde 0 hasta ý, sin
interceptar al eje X.
⎯Esta función no es simétrica.
⎯Para expresar que una V.A.C. X. sigue una distribución F de Fisher con los
grados de libertad (v1, v2), emplearemos la notación: X a F(v1, v2).
Debido a que resulta de mucha utilidad el cálculo de áreas bajo la curva de una
distribución F de Fisher, pasamos a explicar estos aspectos seguidamente.
Realizar lo dicho en el párrafo anterior, requiere resolver una integral
"sumamente compleja", por ello, se han confeccionado "tablas de áreas bajo la
distribución" que resuelven las necesidades anunciadas.
En la tabla de la distribución F de Fisher, al igual que la de áreas de la Ji-
cuadrado, ofrece probabilidades desde 0 hasta el percentil usado; sin embargo,
se debe observar que en esta nueva tabla es algo más compleja que las otras
vistas: los percentiles aparecen dentro del cuerpo de la tabla, en la primera
columna ⎯con el encabezado de v2⎯ están los diferentes grados de libertad
del denominador; en la segunda columna se especifican las áreas o
probabilidades y en la primera fila de la tabla, se encuentran los valores de v1 o
grados de libertad del numerador.
Veamos el siguiente ejemplo:
Ejemplo 12: Sea X a F(v1, v2), calcule:
1.- El área a la izquierda del percentil 19.2 para v1=4 y v2=2.
Solución: En símbolos P(X≤19.2). Aquí debemos tener en cuenta que
P(X≤19.2) significa P(0≤X≤19.2), ya que F de Fisher es no negativa. Para
encontrar esta probabilidad procedemos del siguiente modo:
⎯Buscar en la primera columna de la tabla el valor de v2 (v2=2).
⎯Localizar en la primera fila de la tabla el valor de v1 (v1=4).
⎯Bajando por la columna en la que se encuentra el valor de v1=4 hasta llegar
al "bloque" en el que v2=2, hallamos el percentil 19.2 ⎯o el más próximo a él⎯.
⎯Ahora nos desplazamos hacia el extremo izquierdo de la tabla, pero en la
misma fila en que está el valor 19.2 y leemos el número .95, que está ubicado
en la segunda columna de la tabla:
P(X≤19.2)=.95.
Observación: en ocasiones para denotar la probabilidad anterior, escribiremos
F.95(4,2)=19.2.
2.- El área a la derecha del percentil 1.94 para v1=6 y v2=1.
Solución: En símbolos P(X≥1.94). Aquí se aplica una propiedad ya vista antes:
P(X≥1.94)=1-P(X≥1.94)=1-.50=.50.

48
(Para buscar P(X≥1.94) se procede según lo explicado en el inciso anterior).
3.- El área entre los percentiles 1.89 y 922 para v1=5 y v2=1.
Solución: En símbolos P(1.89≤X≤922). En este caso aplicamos una propiedad
ya utilizada:
P(1.89≤X≤922)=P(X≤922)-P(X≤1.89)=.975-.50=.475.
En ocasiones es necesario realizar el proceso inverso, es decir, calcular el
percentil conocida el área: a partir de los incisos anteriores razone este
aspecto.

49
ANEXO #1
ÁREAS Y PERCENTILES DE LA DISTRIBUCIÓN NORMAL ESTÁNDAR
Z 0 1 2 3 4 5 6 7 8 9
-3.0 .0013 .0010 .0007 .0005 .0003 .0002 .0002 .0001 .0001 .0000
-2.9 .0019 .0018 .0017 .0017 .0016 .0016 .0015 .0015 .0014 .0014
-2.8 .0026 .0025 .0024 .0023 .0023 .0022 .0021 .0020 .0020 .0019
-2.7 .0035 .0034 .0033 .0032 .0031 .0030 .0029 .0028 .0027 .0026
-2.6 .0047 .0045 .0044 .0043 .0041 .0040 .0039 .0038 .0037 .0036
-2.5 .0062 .0060 .0059 .0057 .0055 .0054 .0052 .0051 .0049 .0048
-2.4 .0082 .0080 .0078 .0075 .0073 .0071 .0069 .0068 .0066 .0064
-2.3 .0107 .0104 .0102 .0099 .0096 .0094 .0091 .0089 .0087 .0084
-2.2 .0139 .0136 .0132 .0129 .0126 .0122 .0119 .0116 .0113 .0110
-2.1 .0179 .0174 .0170 .0166 .0162 .0158 .0154 .0150 .0146 .0143
-2.0 .0228 .0222 .0217 .0212 .0207 .0202 .0197 .0192 .0188 .0183
-1.9 .0282 .0281 .0274 .0268 .0262 .0256 .0250 .0244 .0238 .0233
-1.8 .0359 .0352 .0344 .0336 .0329 .0322 .0314 .0307 .0300 .0294
-1.7 .0446 .0436 .0427 .0418 .0409 .0401 .0392 .0384 .0375 .0367
-1.6 .0548 .0537 .0526 .0516 .0505 .0495 .0485 .0475 .0465 .0455
-1.5 .0668 .0655 .0643 .0630 .0618 .0606 .0594 .0582 .0570 .0559
-1.4 .0808 .0793 .0778 .0764 .0749 .0735 .0722 .0708 .0694 .0681
-1.3 .0968 .0951 .0934 .0918 .0901 .0885 .0869 .0853 .0838 .0823
-1.2 .1151 .1131 .1112 .1093 .1075 .1056 .1038 .1020 .1003 .0985
-1.1 .1357 .1335 .1314 .1292 .1271 .1251 .1230 .1210 .1190 .1170
-1.0 .1587 .1562 .1539 .1515 .1492 .1469 .1446 .1423 .1401 .1379
-.9 .4841 .4814 .1788 .1762 .1736 .1711 .1685 .1660 .1635 .1611
-.8 .2119 .2090 .2061 .2033 .2005 .1977 .1949 .1922 .1894 .1867
-.7 .2420 .2389 .2358 .2337 .2297 .2266 .2236 .2206 .2177 .2148
-.6 .2743 .2709 .2676 .2643 .2611 .2578 .2546 .2514 .2483 .2451
-.5 .3085 .3050 .3015 .2981 .2946 .2912 .2877 .2843 .2810 .2776
-.4 .3446 .3409 .3372 .3306 .3300 .3264 .3228 .3192 .3516 .3121
-.3 .3821 .3783 .3745 .3707 .3669 .3632 .3594 .3557 .3520 .3483
-.2 .4207 .4168 .4129 .4090 .4052 .4013 .3974 .3936 .3897 .3859
-.1 .4602 .4562 .4522 .4483 .4443 .4404 .4364 .4325 .4286 .4247
.0 .5000 .4960 .4920 .4880 .4840 .4801 .4761 .4721 .4681 .4641
Z 0 1 2 3 4 5 6 7 8 9

50
ÁREAS Y PERCENTILES DE LA DISTRIBUCIÓN NORMAL ESTÁNDAR
Z 0 1 2 3 4 5 6 7 8 9
.0 .5000 .5040 .5080 .5120 .5260 .5199 .5239 .5279 .5319 .5359
.1 .5390 .5438 .5478 .5517 .5557 .5596 .5363 .5675 .5714 .5753
.2 .5793 .5632 .5871 .5910 .5948 .5987 .6026 .6064 .6103 .6141
.3 .6179 .6217 .6255 .6293 .6331 .6368 .6406 .6443 .6480 .6517
.4 .6554 .6591 .6628 .6664 .6700 .6736 .6772 .6808 .6884 .6879
.5 .6915 .6950 .6985 .7019 .7054 .7088 .7123 .7157 .7190 .7224
.6 .7257 .7291 .7324 .7357 .7389 .7422 .7454 .7486 .7517 .7549
.7 .7580 .7611 .7642 .7663 .7703 .7734 .7764 .7974 .7823 .7952
.8 .7881 .7910 .7939 .7967 .7995 .8023 .8051 .8078 .8106 .8133
.9 .8159 .8186 .8212 .8238 .8264 .8289 .8315 .8340 .8365 .8389
1.0 .8413 .8438 .8461 .8485 .8508 .8531 .8554 .8577 .8599 .8621
1.1 .8643 .8665 .8686 .8708 .8729 .8749 .8770 .8790 .8810 .8830
1.2 .8849 .8869 .8888 .8907 .8925 .8944 .8962 .8980 .8997 .9015
1.3 .9032 .9049 .9066 .9082 .9099 .9115 .9131 .9147 .9162 .9177
1.4 .9192 .9207 .9222 .9236 .9251 .9265 .9278 .9292 .9306 .9319
1.5 .9332 .9345 .9357 .9370 .9382 .9394 .9406 .9418 .9430 .9441
1.6 .9452 .9463 .9474 .9484 .9495 .9505 .9515 .9525 .9535 .9545
1.7 .9554 .9564 .9573 .9582 .9591 .9599 .9608 .9616 .9625 .9633
1.8 .9641 .9648 .9656 .9664 .9671 .9678 .9686 .9693 .9700 .9706
1.9 .9713 .9719 .9726 .9732 .9738 .9744 .9750 .9756 .9762 .9767
2.0 .9772 .9778 .9783 .9788 .9793 .9798 .9803 .9808 .9812 .9817
2.1 .9821 .9826 .9830 .9834 .9838 .9842 .9846 .9850 .9854 .9857
2.2 .9861 .9864 .9868 .9871 .9874 .9878 .9881 .9884 .9887 .9890
2.3 .9893 .9896 .9898 .9901 .9904 .9906 .9909 .9911 .9913 .9916
2.4 .9918 .9920 .9922 .9925 .9927 .9929 .9931 .9932 .9934 .9936
2.5 .9938 .9940 .9941 .9943 .9945 .9946 .9948 .9949 .9951 .9952
2.6 .9953 .9955 .9956 .9957 .9959 .9960 .9961 .9962 .9963 .9964
2.7 .9965 .9966 .9967 .9968 .9969 .9970 .9971 .9972 .9973 .9974
2.8 .9974 .9975 .9976 .9977 .9977 .9978 .9979 .9979 .9980 .9981
2.9 .9981 .9982 .9982 .9983 .9984 .9984 .9985 .9985 .9986 .9986
3. .9987 .9990 .9993 .9995 .9997 .9998 .9998 .9999 .9999 1.000
Z 0 1 2 3 4 5 6 7 8 9

51
ANEXO#2
ORDENADAS Y PERCENTILES DE LA DISTRIBUCIÓN NORMAL
Z 0 1 2 3 4 5 6 7 8 9
0.0 .3989 .3989 .3989 .3988 .3986 .3984 .3982 .3980 .3977 .3973
0.1 .3970 .3965 .3961 .3956 .3951 .3945 .3939 .3932 .3925 .3918
0.2 .3910 .3902 .3894 .3885 .3876 .3867 .3857 .3847 .3836 .3825
0.3 .3814 .3802 .3790 .3778 .3765 .3752 .3739 .3725 .3712 .3697
0.4 .3683 .3668 .3653 .3637 .3621 .3605 .3589 .3752 .3555 .3538
0.5 .3521 .3503 .3485 .3467 .3448 .3429 .3410 .3391 .3372 .3352
0.6 .3332 .3312 .3292 .3271 .3251 .3230 .3209 .3187 .3166 .3144
0.7 .3123 .3101 .3079 .3056 .3034 .3011 .2989 .2966 .2943 .2920
0.8 .2897 .2874 .2850 .2827 .2803 .2780 .2756 .2732 .2709 .2685
0.9 .2661 .2637 .2613 .2589 .2565 .2541 .2516 .2492 .2468 .2444
1.0 .2420 .2396 .2371 .2347 .2323 .2229 .2275 .2251 .2227 .2203
1.1 .2179 .2155 .2131 .2107 .2083 .2059 .2036 .2012 .1989 .1965
1.2 .1942 .1919 .1895 .1872 .1849 .1826 .1804 .1781 .1758 .1736
1.3 .1714 .1691 .1669 .1647 .1626 .1604 .1582 .1561 .1539 .1518
1.4 .1497 .1476 .1456 .1435 .1415 .1394 .1374 .1354 .1334 .1315
1.5 .1295 .1276 .1257 .1238 .1219 .1200 .1182 .1163 .1145 .1127
1.6 .1109 .1092 .1074 .1057 .1040 .1023 .1006 .0989 .0973 .0957
1.7 .0940 .0925 .0909 .0893 .0878 .0863 .0848 .0833 .0818 .0804
1.8 .0790 .0775 .0761 .0748 .0734 .0721 .0707 .0694 .0681 .0669
1.9 .0656 .0644 .0632 .0620 .0608 .0596 .0584 .0573 .0562 .0551
2.0 .0540 .0529 .0519 .0508 .0498 .0488 .0478 .0468 .0459 .0449
2.1 .0440 .0431 .0422 .0413 .0404 .0396 .0387 .0379 .0371 .0363
2.2 .0355 .0347 .0339 .0332 .0325 .0317 .0310 .0303 .0297 .0290
2.3 .0283 .0277 .0270 .0264 .0258 .0252 .0246 .0241 .0235 .0229
2.4 .0224 .0219 .0213 .0208 .0203 .0198 .0194 .0189 .0184 .0180
2.5 .0175 .0171 .0167 .0163 .0158 .0154 .0151 .0147 .0143 .0139
2.6 .0136 .0132 .0129 .0126 .0122 .0119 .0116 .0113 .0110 .0107
2.7 .0104 .0101 .0099 .0096 .0093 .0091 .0088 .0086 .0084 .0081
2.8 .0079 .0077 .0075 .0073 .0071 .0069 .0067 .0065 .0063 .0061
2.9 .0060 .0058 .0056 .0055 .0053 .0051 .0050 .0048 .0047 .0046
3.0 .0044 .0043 .0042 .0040 .0039 .0038 .0037 .0036 .0035 .0034
3.1 .0033 .0032 .0031 .0030 .0029 .0028 .0027 .0026 .0025 .0025
3.2 .0024 .0023 .0022 .0022 .0021 .0020 .0020 .0019 .0018 .0018
3.3 .0017 .0017 .0016 .0016 .0015 .0015 .0014 .0014 .0013 .0013
3.4 .0012 .0012 .0012 .0011 .0011 .0010 .0010 .0010 .0009 .0009
3.5 .0009 .0008 .0008 .0008 .0008 .0007 .0007 .0007 .0007 .0006
3.6 .0006 .0006 .0006 .0005 .0005 .0005 .0005 .0005 .0005 .0004
3.7 .0004 .0004 .0004 .0004 .0004 .0004 .0003 .0003 .0003 .0003
3.8 .0003 .0003 .0003 .0003 .0003 .0002 .0002 .0002 .0002 .0002
3.9 .0002 .0002 .0002 .0002 .0002 .0002 .0002 .0002 .0001 .0001
Z 0 1 2 3 4 5 6 7 8 9

52
ANEXO#3
ÁREAS Y PERCENTILES DE LA DISTRIBUCIÓN T DE STUDENT
v t.65 t.70 t.75 t.80 t.85 t.90 t.95 t.975 t.99 t.995 t.9995
1 .510 .727 .100 1.38 1.86 3.08 6.31 12.7 31.8 63.7 6.37
2 .445 .617 .816 1.06 1.39 1.89 2.92 4.30 6.96 9.92 31.6
3 .424 .584 .765 .978 1.25 1.64 2.35 3.18 4.54 5.84 12.9
4 .414 .569 .741 .941 1.19 1.53 2.13 2.78 3.75 4.60 8.61
5 .408 .559 .727 .920 1.16 1.48 2.01 2.57 3.36 4.03 6.86
6 .408 .553 .718 .906 1.13 1.44 1.94 2.55 3.14 3.71 5.96
7 .404 .553 .718 .906 1.13 1.44 1.94 2.45 3.14 3.71 5.96
8 .399 .546 .706 .889 1.11 1.40 1.86 2.31 2.90 3.36 5.04
9 .398 .543 .703 .883 1.10 1.38 1.83 2.26 2.82 2.25 4.78
10 .397 .542 .700 .879 1.09 1.37 1.81 2.23 2.76 3.17 4.59
11 .396 .540 .597 .876 1.09 1.36 1.80 2.20 2.72 3.11 4.44
12 .395 .539 .695 .873 1.08 1.36 1.78 2.18 2.68 3.06 4.32
13 .394 .538 .694 .870 1.08 1.35 1.77 2.16 2.65 3.01 4.22
14 .393 .537 .692 .868 1.08 1.34 1.76 2.14 2.62 2.98 4.14
15 .393 .536 .691 .866 1.07 1.34 1.75 2.13 2.60 2.95 4.07
16 .392 .535 .690 .865 1.07 1.34 1.75 2.12 2.58 2.92 4.02
17 .392 .534 .688 .862 1.07 1.33 1.74 2.11 2.57 2.90 3.96
18 .392 .534 .688 .862 1.07 1.33 1.73 2.10 2.55 2.88 3.92
19 .391 .533 .688 .862 1.07 1.33 1.73 2.09 2.54 2.86 3.88
20 .391 .533 .687 .860 1.06 1.32 1.72 2.09 2.53 2.84 3.85
21 .391 .533 .686 .859 1.06 1.32 1.72 2.08 2.52 2.83 3.82
22 .390 .532 .686 .858 1.06 1.32 1.72 2.07 2.51 2.82 3.79
23 .390 .532 .685 .858 1.06 1.32 1.71 2.07 2.50 2.81 3.77
24 .390 .531 .685 .857 1.06 1.32 1.71 2.06 2.49 2.80 3.74
25 .390 .531 .684 .856 1.06 1.32 1.71 2.06 2.48 2.79 3.72
26 .390 .531 .684 .856 1.06 1.32 1.71 2.06 2.48 2.78 3.71
27 .389 .531 .684 .855 1.06 1.31 1.70 2.05 2.47 2.77 3.69
28 .389 .530 .683 .855 1.06 1.31 1.70 2.05 2.47 2.76 3.67
29 .389 .530 .683 .854 1.05 1.31 1.70 2.04 2.46 2.76 3.66
30 .389 .530 .683 .854 1.05 1.31 1.70 2.04 2.46 2.75 3.65
∞ .385 .524 .674 .842 1.04 1.28 1.64 1.96 2.33 2.58 3.29
v t.65 t.70 t.75 t.80 t.85 t.90 t.95 t.975 t.99 t.995 t.9995

53
ANEXO #4
ÁREAS Y PERCENTILES DE LA DISTRIBUCIÓN JI-CUADRADO
v χ .2005 χ .201 χ .2025 χ .205 χ .210 χ .250 χ .270 χ .280 χ .290 χ .295 χ .2975 χ .299 χ .2995
1 .000 .000 .001 .004 .016 .455 1.07 1.64 2.71 3.84 5.02 6.63 7.88
2 .010 .020 .051 .103 .211 1.39 2.41 3.22 4.61 5.99 7.38 9.21 10.6
3 .072 .115 .216 .352 .584 2.37 3.66 4.64 6.25 7.81 9.35 11.3 14.9
4 .207 2.97 .484 .711 1.06 3.36 4.88 5.99 7.78 9.49 11.1 13.3 14.9
5 .412 .554 .831 1.51 1.61 4.35 6.06 7.29 9.24 11.1 12.8 15.1 16.7
6 .676 .872 1.24 1.64 2.20 5.25 4.23 8.56 10.6 12.6 14.4 16.6 18.5
7 .989 1.24 1.69 2.17 2.83 6.35 8.38 9.80 12.0 14.1 16.0 18.5 20.3
8 1.34 1.65 2.18 2.73 3.49 7.34 9.52 11.0 13.4 15.5 17.5 20.1 22.0
9 1.73 2.09 2.70 3.33 4.17 8.34 10.7 12.2 14.7 16.9 19.0 21.7 23.6
10 2.16 2.56 3.25 3.94 4.87 9.34 11.8 13.4 16.0 18.3 20.5 23.2 25.2
11 2.60 2.05 3.82 4.57 5.58 10.3 12.9 14.6 17.3 19.7 21.3 24.7 26.8
12 3.07 3.57 4.40 5.23 6.30 11.3 14.0 15.8 18.5 21.0 23.3 26.2 28.3
13 3.57 4.11 5.01 5.89 7.04 12.3 15.1 17.0 19.8 22.4 24.7 27.7 29.8
14 4.07 4.66 5.63 6.57 7.79 13.3 16.2 18.2 21.1 23.7 26.1 29.1 31.3
15 4.60 5.23 6.26 7.26 8.55 14.3 17.3 19.3 22.3 25.0 27.5 30.0 32.8
16 5.14 5.81 6.91 7.96 9.31 15.3 18.4 20.4 23.5 26.3 28.8 32.0 34.3
17 5.70 6.41 7.56 8.67 10.0 16.3 19.5 21.6 24.8 27.6 30.2 33.4 35.7
18 6.26 7.01 8.23 9.39 10.9 17.3 20.6 22.8 26.0 28.9 31.5 34.8 37.2
19 6.83 7.63 8.91 10.1 11.7 18.3 21.7 23.9 27.2 30.1 32.9 36.2 38.6
20 7.43 8.26 9.59 10.9 12.4 19.3 22.8 25.0 28.4 31.4 34.2 35.6 40.0
21 8.03 8.90 10.3 11.6 13.2 20.3 23.9 26.2 29.6 32.7 35.5 38.9 41.4
22 8.64 9.54 11.0 12.3 14.0 21.3 24.9 27.3 30.8 33.9 36.8 40.3 42.8
23 9.26 10.2 11.7 13.1 14.8 22.3 26.0 28.4 32.0 35.2 38.1 41.6 44.2
24 9.89 10.9 12.4 13.8 15.7 23.3 27.1 29.6 33.2 36.4 39.4 43.0 45.6
25 10.5 11.5 13.1 14.6 16.5 24.3 28.2 30.7 34.4 37.7 40.6 44.3 46.9
26 11.2 12.2 13.8 15.4 17.3 25.3 29.3 31.8 35.6 38.9 41.9 45.6 48.3
27 11.8 12.9 14.6 16.2 18.1 26.3 30.3 32.9 36.7 40.1 43.2 47.6 49.6
28 12.5 13.6 15.3 16.9 18.9 27.3 31.4 34.0 37.9 41.3 44.5 48.3 51.0
29 13.1 14.3 16.0 17.7 18.8 28.3 32.5 35.1 39.1 42.6 47.7 49.6 52.3
30 13.8 15.0 16.8 18.5 20.6 29.3 33.5 32.6 40.3 43.8 47.0 50.9 53.7
40 20.7 22.1 24.4 26.5 29.0 39.3 44.2 47.3 51.8 55.8 59.3 63.7 66.8
50 28.0 29.7 32.3 34.8 37.7 49.3 54.7 58.2 63.2 67.5 71.4 76.2 79.5
60 35.5 37.5 40.5 43.2 46.5 59.3 65.2 69.0 74.4 79.1 83.4 88.4 92.0
v χ .2005 χ .201 χ .2025 χ .205 χ .210 χ .250 χ .270 χ .280 χ .290 χ .295 χ .2975 χ .299 χ .2995

54
55