Se considera un problema de extracción de información con restricciones de privacidad donde, para un par de variables aleatorias discretas correlacionadas (X, Y) gobernadas por una distribución conjunta dada, un agente observa Y y quiere transmitir a un usuario potencialmente público la mayor cantidad de información posible sobre Y, limitando la cantidad de información revelada sobre X. Con este fin, se investiga la llamada función de tasa-privacidad para cuantificar la cantidad máxima de información (medida en términos de información mutua) que se puede extraer de Y bajo una restricción de privacidad entre X y la información extraída, donde la privacidad se mide utilizando ya sea información mutua o correlación máxima. Se analizan las propiedades de la función de tasa-privacidad y se presentan sus interpretaciones teóricas de la información y de estimación tanto para las medidas de privacidad de información mutua como de correlación máxima. También se muestra que la función de tasa-privacidad admite una expresión en forma cerrada para una gran familia de distribuciones conjuntas de (X, Y). Finalmente, se considera la función de tasa-privacidad bajo la medida de privacidad de información mutua para el caso en que (X, Y) tiene una función de densidad de probabilidad conjunta, estudiando el problema donde la información extraída es una cuantización uniforme de Y corrupta por ruido gaussiano aditivo. Se estudia el comportamiento asintótico de la función de tasa-privacidad a medida que la resolución de cuantización crece sin límite y se observa que no todas las propiedades de la función de tasa-privacidad se trasladan del caso discreto al continuo.