Variaciones permutaciones y combinaciones

Factorial de un nmero natural

Es el producto de los n factores consecutivos desde n hasta 1. El factorial de
un nmero se denota por n!

Variaciones
Se llama variaciones ordinarias de m elementos tomados de n en n (m
n) a los distintos grupos formados por n elementos de forma que:
No entran todos los elementos.
S importa el orden.
No se repiten los elementos.

Tambin podemos calcular las variaciones mediante factoriales:

Las variaciones se denotan por

Variaciones con repeticin

Se llama variaciones con repeticin de m elementos tomados de n en n a
los distintos grupos formados por n elementos de manera que:
No entran todos los elementos si m > n. S pueden entrar todos los
elementos si m n
S importa el orden.
S se repiten los elementos.

Permutaciones
S entran todos los elementos.
S importa el orden.
No se repiten los elementos.

Permutaciones circulares
Se utilizan cuando los elementos se han de ordenar "en crculo", (por ejemplo,
los comensales en una mesa), de modo que el primer elemento que "se site" en
la muestra determina el principio y el final de muestra.

Permutaciones con repeticin

Permutaciones con repeticin de m elementos donde el primer elemento se
repite a veces , el segundo b veces , el tercero c veces, ...(m = a + b + c + ... =
n) son los distintos grupos que pueden formarse con esos m elementos de forma
que :
S entran todos los elementos.
S importa el orden.
S se repiten los elementos.

Combinaciones
Se llama combinaciones de m elementos tomados de n en n (m n) a todas
las agrupaciones posibles que pueden hacerse con los m elementos de forma
que:
No entran todos los elementos.
No importa el orden.
No se repiten los elementos.

Tambin podemos calcular las combinaciones mediante factoriales:

Combinaciones con repeticin

Las combinaciones con repeticin de m elementos tomados de n en n (m
n), son los distintos grupos formados por n elementos de manera que:
No entran todos los elementos.
No importa el orden.
S se repiten los elementos.

Nmeros combinatorios

El nmero
por

se llama tambin nmero combinatorio. Se representa

y se lee "m sobre n".

Propiedades de los nmeros combinatorios

1.

2.

3.

Binomio de Newton
La frmula que nos permite hallar las potencias de un binomio se conoce
como binomio de Newton.

Distribucin Binomial
Para hablar de la distribucin Binomial primero tenemos que decir que esta dada por la
sumatoria de eventos bernoulli, la distribucin de Bernoulli (o distribucin dicotmica),
nombrada
as
por
el matemtico y cientfico suizo Jakob
Bernoulli,
es
una distribucin de probabilidad discreta, que toma valor 1 para la probabilidad de
xito (p) y valor 0 para la probabilidad de fracaso (q = 1 p).
Si X es una variable aleatoria que mide "nmero de xitos", y se realiza un nico
experimento con dos posibles resultados (xito o fracaso), se dice que la variable
aleatoria X se distribuye como una Bernoulli de parmetro p.
XBe(p)
La frmula ser:
f(x) = px(1 p)1 x con x = {0,1}
Su funcin de probabilidad viene definida por:

La distribucin binomial es una distribucin de probabilidades que surge al cumplirse

cinco condiciones:
Existe una serie de N ensayos,
En cada ensayo hay slo dos posibles resultados,
En cada ensayo, los dos resultados posibles son mutuamente excluyentes,
Los resultados de cada ensayo son independientes entre si, y
La probabilidad de cada resultado posible en cualquier ensayo es la misma de un
ensayo a otro.
Su funcin de probabilidad es

donde

siendo
x en x)

las combinaciones de n en x (n elementos tomados de

La esperanza y la varianza son

Distribucin Poisson
La distribucin Poisson fue nombrada as en honor a Denise Poisson en su libro
Recherchs sur la probabilit des jugements...., un trabajo importante en probabilidad
publicado en el ao 1837, la distribucin de Poisson recin apareca. La distribucin de
Poisson describe la probabilidad como un acontecimiento fortuito ocurrido en un tiempo
o intervalo de espacio bajo las condiciones que la probabilidad de un acontecimiento
ocurre es muy pequea, pero el nmero de intentos es muy grande, entonces el evento
actual ocurre algunas veces.
En teora de probabilidad y estadstica, la distribucin de Poisson es una distribucin de
probabilidad discreta. asi tiempo fijo si estos eventos ocurren con una frecuencia media
conocida y son independientes del tiempo discurrido desde el ltimo evento.
La funcin de masa de la distribucin de Poisson es:

donde es un parmetro positivo que representa la frecuencia esperada del fenmeno

modelado por la distribucin.
Tanto el valor esperado como la varianza de una variable aleatoria con distribucin de
Poisson son iguales a . Los momentos de orden superior son polinomios de
Touchard en cuyos coeficientes tienen una interpretacin combinatorio. De hecho,
cuando el valor esperado de la distribucin de Poisson es 1, entonces segn la frmula
de Dobinski, el n-simo momento iguala al nmero de particiones de tamaon.
La moda de una variable aleatoria de distribucin de Poisson con un no entero es
igual a la parte entera de lamda, el mayor de los enteros menores que . Cuando es
un entero positivo, las modas son y 1.
La funcin generadora de momentos de la distribucin de Poisson con valor
esperado es

Las variables aleatorias de Poisson tienen la propiedad de ser infinitamente divisibles.

La divergencia Kullback-Leibler desde una variable aleatoria de Poisson de parmetro
0 a otra de parmetro es

Como consecuencia del teorema central del lmite, para valores grandes de , una
variable aleatoria de Poisson X puede aproximarse por otra normal dado que el
cociente

converge a una distribucin normal de media nula y varianza 1.

Funcin de distribucin(cdf)

Funcin caracterstica
Distribucin Normal
La distribucin normal fue presentada por vez primera por Abraham de Moivre en un
artculo del ao 1733,2 que fue reimpreso en la segunda edicin de su The Doctrine of
Chances, de 1738, en el contexto de cierta aproximacin de la distribucin
binomial para grandes valores de n. Su resultado fue ampliado por Laplace en su
libroTeora analtica de las probabilidades (1812), y en la actualidad se llama Teorema
de De Moivre-Laplace.
Gauss, que afirmaba haber usado el mtodo desde 1794, lo justific rigurosamente en
1809 asumiendo una distribucin normal de los errores. El nombre de Gauss se ha
asociado a esta distribucin porque la us con profusin cuando analizaba datos
astronmicos3 y algunos autores le atribuyen un descubrimiento independiente del de
De Moivre.4 Esta atribucin del nombre de la distribucin a una persona distinta de su
primer descubridor es un claro ejemplo de la Ley de Stigler.
Esta distribucin es frecuentemente utilizada en las aplicaciones estadsticas. Su propio
nombre indica su extendida utilizacin, justificada por la frecuencia o normalidad con la
que ciertos fenmenos tienden a parecerse en su comportamiento a esta distribucin.
Muchas variables aleatorias continuas presentan una funcin de densidad cuya grfica
tiene forma de campana.
En otras ocasiones, al considerar distribuciones binomiales, tipo B(n,p), para un mismo
valor de p y valores de n cada vez mayores, se ve que sus polgonos de frecuencias
se aproximan a una curva en "forma de campana".
Funcin de densidad
Se dice que una variable aleatoria continua X sigue una distribucin normal de
parmetros y y se denota X~N(, ) si su funcin de densidad est dada por:

donde (mu) es la media y (sigma) es la desviacin tpica (2 es la varianza).

Se llama distribucin normal "estndar" a aqulla en la que sus parmetros toman los
valores = 0 y = 1. Para esta la funcin de densidad tiene la siguiente expresin:

La funcin de distribucin de la distribucin normal est definida como sigue:

La funcin generadora de momentos se define como la esperanza de e(tX). Para

una distribucin normal, la funcin generadora de momentos es:
como puede comprobarse completando el cuadrado en el exponente.
La funcin caracterstica se define como la esperanza de eitX, donde i es la unidad
imaginaria. De este modo, la funcin caracterstica se obtiene reemplazando t por it en
la funcin generadora de momentos.
Para una distribucin normal, la funcin caracterstica es:

Aproximacin de la Binomial por la Normal (Teorema de De Moivre) :

Demostr que bajo determinadas condiciones (para n grande y tanto p como q no estn
prximos a cero) la distribucin Binomial B(n, p) se puede aproximar mediante una
distribucin normal

MUESTREO
En ocasiones en que no es posible o conveniente realizar un censo (analizar a todos
los elementos de una poblacin), se selecciona una muestra, entendiendo por tal una
parte representativa de la poblacin. El muestreo es por lo tanto una herramienta de la
investigacin cientfica, cuya funcin bsica es determinar que parte de una poblacin
debe examinarse, con la finalidad de hacer inferencias sobre dicha poblacin. La
muestra debe lograr una representacin adecuada de la poblacin, en la que se
reproduzca de la mejor manera los rasgos esenciales de dicha poblacin que son
importantes para la investigacin. Para que una muestra sea representativa, y por lo
tanto til, debe de reflejar las similitudes y diferencias encontradas en la poblacin, es
decir ejemplificar las caractersticas de sta.
Los errores ms comunes que se pueden cometer son:
1.- Hacer conclusiones muy generales a partir de la observacin de slo una parte de la
Poblacin, se denomina error de muestreo.
2.- Hacer conclusiones hacia una Poblacin mucho ms grandes de la que
originalmente se tomo la muestra. Error de Inferencia.
En la estadstica se usa la palabra poblacin para referirse no slo a personas si no a
todos los elementos que han sido escogidos para su estudio y el trmino muestra se
usa para describir una porcin escogida de la poblacin.

TIPOS DE MUESTREO
Existen diferentes criterios de clasificacin de los diferentes tipos de muestreo, aunque
en general pueden dividirse en dos grandes grupos: mtodos de muestreo
probabilsticos y mtodos de muestreo no probabilsticos.
I.

Muestreo probabilstico

Los mtodos de muestreo probabilsticos son aquellos que se basan en el principio de

equiprobabilidad. Es decir, aquellos en los que todos los individuos tienen la misma
probabilidad de ser elegidos para formar parte de una muestra y, consiguientemente,
todas las posibles muestras de tamao n tienen la misma probabilidad de ser
seleccionadas. Slo estos mtodos de muestreo probabilsticos nos aseguran la
representatividad de la muestra extrada y son, por tanto, los ms recomendables.
Dentro de los mtodos de muestreo probabilsticos encontramos los siguientes tipos:

1.- Muestreo aleatorio simple: El procedimiento empleado es el siguiente: 1) se

asigna un nmero a cada individuo de la poblacin y 2) a travs de algn medio
mecnico (bolas dentro de una bolsa, tablas de nmeros aleatorios, nmeros aleatorios
generados con una calculadora u ordenador, etc.) se eligen tantos sujetos como sea
necesario para completar el tamao de muestra requerido. Este procedimiento,
atractivo por su simpleza, tiene poca o nula utilidad prctica cuando la poblacin que
estamos manejando es muy grande.
2.- Muestreo aleatorio sistemtico: Este procedimiento exige, como el anterior,
numerar todos los elementos de la poblacin, pero en lugar de extraer n nmeros
aleatorios slo se extrae uno. Se parte de ese nmero aleatorio i, que es un nmero
elegido al azar, y los elementos que integran la muestra son los que ocupa los lugares
i, i+k, i+2k, i+3k,...,i+(n-1)k, es decir se toman los individuos de k en k, siendo k el
resultado de dividir el tamao de la poblacin entre el tamao de la muestra: k= N/n. El
nmero i que empleamos como punto de partida ser un nmero al azar entre 1 y k. El
riesgo este tipo de muestreo est en los casos en que se dan periodicidades en la
poblacin ya que al elegir a los miembros de la muestra con una periodicidad constante
(k) podemos introducir una homogeneidad que no se da en la poblacin. Imaginemos
que estamos seleccionando una muestra sobre listas de 10 individuos en los que los 5
primeros son varones y los 5 ltimos mujeres, si empleamos un muestreo aleatorio
sistemtico con k=10 siempre seleccionaramos o slo hombres o slo mujeres, no
podra haber una representacin de los dos sexos.
3.- Muestreo aleatorio estratificado: Trata de obviar las dificultades que presentan los
anteriores ya que simplifican los procesos y suelen reducir el error muestral para un
tamao dado de la muestra. Consiste en considerar categoras tpicas diferentes entre
s (estratos) que poseen gran homogeneidad respecto a alguna caracterstica (se
puede estratificar, por ejemplo, segn la profesin, el municipio de residencia, el sexo,
el estado civil, etc.). Lo que se pretende con este tipo de muestreo es asegurarse de
que todos los estratos de inters estarn representados adecuadamente en la muestra.
Cada estrato funciona independientemente, pudiendo aplicarse dentro de ellos el
muestreo aleatorio simple o el estratificado para elegir los elementos concretos que
formarn parte de la muestra. En ocasiones las dificultades que plantean son
demasiado grandes, pues exige un conocimiento detallado de la poblacin. (Tamao
geogrfico, sexos, edades,...). La distribucin de la muestra en funcin de los diferentes
estratos se denomina afijacin, y puede ser de diferentes tipos: Afijacin Simple: A cada
estrato le corresponde igual nmero de elementos mustrales. Afijacin Proporcional:
La distribucin se hace de acuerdo con el peso (tamao) de la poblacin en cada
estrato. Afijacin Optima: Se tiene en cuenta la previsible dispersin de los resultados,
de modo que se considera la proporcin y la desviacin tpica. Tiene poca aplicacin ya
que no se suele conocer la desviacin.

4.- Muestreo aleatorio por conglomerados: Los mtodos presentados hasta ahora
estn pensados para seleccionar directamente los elementos de la poblacin, es decir,
que las unidades mustrales son los elementos de la poblacin. En el muestreo por
conglomerados la unidad muestral es un grupo de elementos de la poblacin que
forman una unidad, a la que llamamos conglomerado. Las unidades hospitalarias, los
departamentos universitarios, una caja de determinado producto, etc., son
conglomerados naturales. En otras ocasiones se pueden utilizar conglomerados no
naturales como, por ejemplo, las urnas electorales. Cuando los conglomerados son
reas geogrficas suele hablarse de "muestreo por reas". El muestreo por
conglomerados consiste en seleccionar aleatoriamente un cierto numero de
conglomerados (el necesario para alcanzar el tamao muestral establecido) y en
investigar despus todos los elementos pertenecientes a los conglomerados elegidos

II. Mtodos de muestreo no probabilsticos

A veces, para estudios exploratorios, el muestreo probabilstico resulta excesivamente
costoso y se acude a mtodos no probabilsticos, aun siendo conscientes de que no
sirven para realizar generalizaciones (estimaciones inferenciales sobre la poblacin),
pues no se tiene certeza de que la muestra extrada sea representativa, ya que no
todos los sujetos de la poblacin tienen la misma probabilidad de se elegidos. En
general se seleccionan a los sujetos siguiendo determinados criterios procurando, en la
medida de lo posible, que la muestra sea representativa. En algunas circunstancias los
mtodos estadsticos y epidemiolgicos permiten resolver los problemas de
representatividad aun en situaciones de muestreo no probabilstico, por ejemplo los
estudios de caso-control, donde los casos no son seleccionados aleatoriamente de la
poblacin. Entre los mtodos de muestreo no probabilsticos ms utilizados en
investigacin encontramos:
1.- Muestreo por cuotas: Tambin denominado en ocasiones "accidental". Se asienta
generalmente sobre la base de un buen conocimiento de los estratos de la poblacin
y/o de los individuos ms "representativos" o "adecuados" para los fines de la
investigacin. Mantiene, por tanto, semejanzas con el muestreo aleatorio estratificado,
pero no tiene el carcter de aleatoriedad de aqul. En este tipo de muestreo se fijan
unas "cuotas" que consisten en un nmero de individuos que renen unas
determinadas condiciones, por ejemplo: 20 individuos de 25 a 40 aos, de sexo
femenino y residentes en Gijn. Una vez determinada la cuota se eligen los primeros
que se encuentren que cumplan esas caractersticas. Este mtodo se utiliza mucho en
las encuestas de opinin.

2.- Muestreo intencional o de conveniencia: Este tipo de muestreo se caracteriza

por un esfuerzo deliberado de obtener muestras "representativas" mediante la inclusin
en la muestra de grupos supuestamente tpicos. Es muy frecuente su utilizacin en
sondeos preelectorales de zonas que en anteriores votaciones han marcado
tendencias de voto. Tambin puede ser que el investigador seleccione directa e
intencionadamente los individuos de la poblacin. El caso ms frecuente de este
procedimiento el utilizar como muestra los individuos a los que se tiene fcil acceso (los
profesores de universidad emplean con mucha frecuencia a sus propios alumnos).
3.- Bola de nieve: Se localiza a algunos individuos, los cuales conducen a otros, y
estos a otros, y as hasta conseguir una muestra suficiente. Este tipo se emplea muy
frecuentemente cuando se hacen estudios con poblaciones "marginales", delincuentes,
sectas, determinados tipos de enfermos, etc
. 4.- Muestreo Discrecional A criterio del investigador los elementos son elegidos
sobre lo que l cree que pueden aportar al estudio.