SlideShare una empresa de Scribd logo
DEFINICIÓN VARIABLE ALEATORIA DISCRETA VARIABLE ALEATORIA DISCRETA: Se dice que una Variable aleatoria Discreta o Discontinua X, tiene un conjunto definido de valores posibles x1,x2,x3,…..xn con probabilidades respectivas p1,p2,p3,…..pn., Es decir que sólo puede tomar ciertos valores dentro de un campo de variación dado. Como X ha de tomar uno de los valores de este conjunto, entonces p1 + p2 +…+ pn=1. En general, una variable aleatoria discreta X representa los resultados de un espacio muestral en forma tal que por P(X = x)se entenderá la probabilidad de que X tome el valor de x. De esta forma, al considerar los valores de una variable aleatoria es posible desarrollar una función matemática que asigne una probabilidad a cada realización x de la variable aleatoria X. Esta función recibe el nombre de función de la probabilidad. Ejemplo.- Sea el experimento aleatorio consistente en lanzar una moneda al aire. Los sucesos elementales del experimento, «que salga cara», «que salga cruz», no vienen representados por los números, por lo que casa suceso elemental se le hace corresponder un número real. Así al suceso elemental «que salga cara» se le hace corresponder el número “1” y al suceso elemental «que salga cruz» se le hace corresponder el número “2”. La variable aleatoria será: X = (1,2).  Se trata de una variable aleatoria discontinua o discreta
DISTRIBUCIÓN BINOMIAL Las distribución binomial parte de la distribución de Bernouilli: La distribución de Bernouilli se aplica cuando se realiza una sola vez un experimento que tiene únicamente dos posibles resultados (éxito o fracaso), por lo que la variable sólo puede tomar dos valores: el 1 y el 0 La distribución binomial se aplica cuando se realizan un número”n” de veces el experimento de Bernouilli, siendo cada ensayo independiente del anterior. La variable puede tomar valores entre: 0: si todos los experimentos han sido fracaso n: si todos los experimentos han sido éxitos Ejemplo: se tira una moneda 10 veces: ¿cuantas caras salen? Si no ha salido ninguna la variable toma el valor 0; si han salido dos caras la variable toma el valor 2; si todas han sido cara la variable toma el valor 10 La distribución de probabilidad de este tipo de distribución sigue el siguiente modelo:
EJEMPLO ¿Cuál es la probabilidad de obtener 6 caras al lanzar una moneda 10 veces? “ k “ es el número de aciertos. En este ejemplo “ k “ igual a 6 (en cada acierto decíamos que la variable toma el valor 1: como son 6 aciertos, entonces k = 6) “ n” es el número de ensayos. En nuestro ejemplo son 10 “ p “ es la probabilidad de éxito, es decir, que salga “cara” al lanzar la moneda. Por lo tanto p = 0,5 La fórmula quedaría:  Luego, P (x = 6) = 0,205  Es decir, se tiene una probabilidad del 20,5% de obtener 6 caras al lanzar 10 veces una moneda.  Se utiliza para determinar la probabilidad de obtener un número o cantidad determinada de éxitos, en experimentos completamente aleatorios o de Bemoulli.  En este caso “X” se define como el éxito en un experimento.  Se requieren 3 valores, la cantidad designada de éxitos o X; el numero de ensayos, observaciones o experimentos (n) y la probabilidad de éxito de cada ensayo.  Una variable aleatoria discreta X definida en un espacio de probabilidad: representa el numero de éxitos en n repeticiones de un experimento de Bernoulli, entonces:  n = cantidad de ensayos o experimentos  x = cantidad de éxitos  p = probabilidad de éxito  q = probabilidad de fracasos (1-p)
DISTRIBUCIÓN HIPERGEOMETRICA Características: a) a) Al realizar un experimento con este tipo de distribución, se esperan más de dos tipos de resultados. b) b) Las probabilidades asociadas a cada uno de estos resultados no son constantes. c) c) Los ensayos o repeticiones del experimento no son independientes entre sí. d) d) El número de repeticiones del experimento n, es constante.  Entonces en este caso se tienen más de dos tipos de objetos, por lo que la fórmula a utilizar sería:  donde: N = x + y + z = total de objetos a = total de objetos del primer tipo b = total de objetos del segundo tipo c = N-a-b = total de objetos del tercer tipo n = objetos seleccionados en la muestra x = objetos del primer tipo en la muestra y = objetos del segundo tipo en la muestra z = n-x-y = objetos del tercer tipo en la muestra  Ejemplos: 1.En un lote de productos se tienen 20 productos sin defectos, 3 con defectos menores y 2 con defectos mayores, se seleccionan al azar 5 productos de este lote, determine la probabilidad de que a) 3 de los productos seleccionados no tengan defectos y 1 tenga defectos menores, b) 4 de los productos seleccionados no tengan defectos y 1 tenga defectos menores.  Solución: a)N= 20+3+2 =25 total de artículos a=20 productos sin defectos b= 3 productos con defectos menores N-a-b= 2 productos con defectos mayores n= 5 productos seleccionados en la muestra x = 3 productos sin defectos en la muestra = variable que nos define el # de productos sin defectos en la muestra y = 1 producto con defectos menores en la muestra = variable que nos define el # de productos con defectos menores en la muestra z = n-x-y = 5–3−1 = 1 producto con defectos mayores en la muestra = variable que nos define el # de productos con defectos mayores en la muestra  b)N= 25 a=20 productos sin defectos b= 3 productos con defectos menores N-a-b= 2 productos con defectos mayores n= 5 productos seleccionados en la muestra x = 4 productos sin defectos en la muestra = variable que nos define el # de productos sin defectos en la muestra y = 1 producto con defectos menores en la muestra = variable que nos define el # de productos con defectos menores en la muestra z = n-x-y = 5–4−1 = 0 productos con defectos mayores en la muestra = variable que nos define el # de productos con defectos mayores en la muestra  3.Un club de estudiantes extranjeros tiene en sus listas a 2 canadienses, 3 japoneses, 5 italianos y 2 alemanes. Si se selecciona aleatoriamente un comité de 4 estudiantes, encuentre la probabilidad de que: a)estén representadas todas las nacionalidades, b)estén representadas todas las nacionalidades, excepto la italiana.  Solución: a) N = 12 estudiantes a = 2 Canadienses b = 3 Japoneses c = 5 Italianos N-a-b-c = 2 Alemanes n = 4 estudiantes seleccionados para formar comité x = 1 estudiante Canadiense en el comité seleccionado y = 1 estudiante Japonés en el comité seleccionado z = 1 estudiante Italiano en el comité seleccionado n-x-y-z = 1 estudiante Alemán en el comité seleccionado  b) N = 7 estudiantes quitando a los Italianos a = 2 Canadienses b = 3 Japoneses N-a-b = 2 Alemanes n = 4 estudiantes seleccionados para formar comité x = 1 o 2 estudiantes Canadienses en el comité seleccionado y = 1 o 2 estudiantes Japoneses en el comité seleccionado n-x-y= 1 o 2 estudiantes Alemanes en el comité seleccionado p(estén representadas todas las nacionalidades, excepto la italiana)  Distribución hipergeométrica Por claridad, consideremos el siguiente ejemplo: Tenemos una baraja de cartas españolas (N=40 naipes), de las cuales nos vamos a interesar en el palo de oros (D=10 naipes de un mismo tipo).
DISTRIBUCIÓN GEOMÉTRICA Si la probabilidad de éxito en cada ensayo es  p , entonces la probabilidad de que  n  ensayos sean necesarios para obtener un éxito es para  n  = 1, 2, 3,.... Equivalentemente, la probabilidad de que haya  n  fallos antes del primer éxito es para  n  = 0,1, 2, 3,.... En ambos casos, la secuencia de probabilidades es una  secuencia geométrica . Por ejemplo, supongamos que un  dado  ordinario es lanzado repetidamente hasta que aparece "1" por primera vez. La distribución de probabilidad del número de veces que el dado es lanzado se encuentra en el conjunto infinito {1, 2, 3,...} y es una distribución geométrica con  p =1/6. El  valor esperado  de una  variable aleatoria   X  distribuida geométricamente es 1/' p  y su  varianza  es (1 −  p )/ p 2 ; Equivalentemente, el valor esperado de una variable aleatoria distribuida geométricamente  Y  es (1 −  p )/ p , y su varianza es (1 −  p )/ p 2 . La  función generatriz de probabilidad  de  X  y la de  Y  son, respectivamente, Como su continua análoga (la  distribución exponencial ), la distribución geométrica es  sin memoria . Esto significa que si intentamos repetir el experimento hasta el primer éxito, entonces, dado que el primer éxito todavía no ha ocurrido, la distribución de probabilidad condicional del número de ensayos adicionales no depende de cuantos fallos se hayan observado. El dado o la moneda que uno lanza no tiene "memoria" de estos fallos. La distribución geométrica es de hecho la única distribución discreta sin memoria. De todas estas distribuciones de probabilidad contenidas en {1, 2, 3,... } con un valor esperado dado μ, la distribución geométrica  X  con parámetro  p  = 1/μ es la de  mayor entropía La distribución geométrica del número  y  de fallos antes del primer éxito es  infinitamente divisible , esto es, para cualquier entero positivo  n , existen variables aleatorias independientes  Y   1 ,...,  Y n  distribuidas idénticamente la suma de las cuales tiene la misma distribución que tiene  Y . Estas no serán geométricamente distribuidas a menos que  n  = 1.
DISTRIBUCION MULTINOMIAL La distribución multinomial es una generalización de la distribución binomial. En este caso, en un experimento interesa estudiar no la ocurrencia de un único suceso o la de su contrario, sino la de varios sucesos (tres o más). La distribución multinomial, M(n,p1,…,pn) proporciona probabilidades de obtener, en m repeticiones independientes de un experimento, x1 veces el suceso A1, x2 veces el suceso A2,…, xn veces el suceso An, donde dichos sucesos forman una partición del espacio muestral, es decir, tal que para y donde , por tanto, se cumple .  Así, considerando que Xi es el número de veces que se presenta el suceso Ai en las m repeticiones tenemos que la variable n-dimensional (X1, X2, …, Xn) sigue una distribución multinomial de parámetros n, p1, …, pn y su función de probabilidad es  Hay que tener en cuenta que si (X1, X2, …, Xn) es una variable multidimensional entonces existe una relación lineal entre sus componentes ya que X1+ X2+ …+ Xn = m, por lo que, una de las variables, por ejemplo Xn, se puede poner como combinación lineal del resto, Xn=m-X1- X2- …- Xn-1. Por tanto, el fenómeno que describe la variable (X1, X2, …, Xn) queda igualmente descrito por una variable de una dimensión menor, (X1, X2, …, Xn-1), sin que esta pérdida de dimensión suponga una pérdida de información.  Por ejemplo, una variable multinomial de dimensión dos (X1, X2), M(n,p1,p2), se puede describir considerando una cualquiera de sus componentes que tiene una distribución binomial, por lo que en realidad esta variable es unidimensional y no bidimensional.  Además, cada una de las n variables, Xi, que forman una multinomial M(n,p1,…,pn) siguen distribuciones binomiales B(m,pi), es decir, las distribuciones marginales de una multinomial son binomiales, por tanto, la esperanza y la varianza de cada una de estas variables es, E[Xi]=m•pi y Var(Xi)=mpi(1-pi). Además la covarianza entre dos cualesquiera de sus componentes es, .  Estos momentos de las variables componentes de una multinomial se pueden agrupar en forma de matriz dando lugar a las denominadas matriz de esperanzas y matriz de varianzas-covarianzas, que recogen las características teóricas principales de la distribución multinomial (medias, varianzas y covarianzas)  Ejemplo: El entrenador de un equipo de baloncesto opina que los jugadores A, B y C tienen similares aptitudes para ser titulares del equipo en la posición de base. Así, determina que juegen el mismo número de minutos cada partido. Se sabe que el 40% de las canastas son de C, mientras que A y B consiguen un 30% de encestes. Calcular la probabilidad de que en un partido con 9 encestes de dos puntos, A consiguiera dos, B tres y C cuatro.  Sea la variable tridimensional que recoge el número de encestes de A, de B y de C, respectivamente. Dicha variable es una multinomial con n=9, p1=0.3, p2=0.3 y p3=0.4. Así,
  DISTRIBUCIÓN DE POISSON La Distribución de Poisson se llama así en honor a Simeón Dennis Poisson (1781–1840), francés que desarrolló esta distribución basándose en estudios efectuados en la última parte de su vida.  La distribución de Poisson se emplea para describir varios procesos, entre otros la distribución de las llamadas telefónicas que llagan a un conmutador, la demanda (necesidades) de servicios en una institución asistencial por parte de los pacientes, los arribos de los camiones y automóviles a la caseta de cobro y el número de accidentes en un cruce. Los ejemplos citados tienen un elemento en común, pueden ser descritos por una variable aleatoria discreta que asume valores enteros (0,1,2,3,4,5 y así sucesivamente).  El número de enfermos que llegan a un consultorio en cierto intervalo de tiempo será de 0,1,2,3,4,5 o algún otro número entero. De manera análoga, si se cuenta el número de automóviles que llegan a una caseta de cobro durante un periodo de diez minutos, el número será entero.  Características de los procesos que producen una distribución de la probabilidad de Poisson.  El número de vehículos que pasan por una caseta de cobro en las horas de mayor tráfico sirve como ejemplo para mostrar las características de una distribución de probabilidad de Poisson.  El promedio (media) de los arribos de vehículos por hora de gran tráfico puede estimarse a partir de los datos anteriores del tráfico.  Si dividimos las horas de gran tráfico en periodos (intervalos) de un segundo cada uno, encontraremos que los siguientes enunciados son verdaderos:  a) La probabilidad de que exactamente un vehículo llegue por segundo a una caseta individual es un número muy pequeño y es constante para que cada intervalo de un segundo.  b) La probabilidad de que dos o más vehículos lleguen en un intervalo de un segundo es tan reducida que podemos asignarle un valor cero.  c) El número de vehículos que llegan en determinado intervalo de un segundo es independiente del momento en que el intervalo de un segundo ocurre durante la hora de gran tráfico.  d) El número de llegadas en cualquier intervalo de un segundo no depende del número de arribos de cualquier otro intervalo de un segundo.  Ahora bien, podemos generalizar partiendo de las cuatro condiciones que hemos descrito en este ejemplo, si estas condiciones se cumplen nos apoyaremos en una distribución de probabilidad de Poisson para describirlos.  Cálculo de probabilidades mediante la distribución de Poisson.  La distribución de Poisson, según hemos señalado, se refiere a ciertos procesos que pueden ser descritos con una variable aleatoria discreta. La letra X suele representar esa variable y puede además asumir valores enteros (0,1,2,3 etc..) . Utilizamos la letra X mayúscula para representar la variable aleatoria y la x minúscula para designar un valor específico que puede asumir la X mayúscula. La probabilidad de exactamente x ocurrencias en una distribución de Poisson se calcula mediante la fórmula:  P(x) = l x * e-l / x!  l x = Lambda  (número medio de ocurrencias por intervalo de tiempo) elevada a la potencia x.  e-l = e= 2.71828 elevado a la potencia de lambda negativa.       x! = x factorial.
Supóngase que estamos investigando la seguridad de un crucero muy peligroso. Los archivos de la policía indican una media de cinco accidentes por mes en él. El número de accidentes está distribuido conforme a la distribución de Poisson, y la división de seguridad en carreteras quiere calcular la probabilidad de exactamente 0,1,2,3 y 4 accidentes en un mes determinado.  Aplicando la fórmula anterior:  P(0) = (5)0 (e-5) /0! = 0.00674  P(1) = (5)1 (e-5) /1! = 0.03370  P(2) = (5)2 (e-5) /2! = 0.08425  P(3) = (5)3 (e-5) /3! = 0.14042  P(4) = (5)4 (e-5) /4! = 0.17552  Para saber cual es la probabilidad en 3 o menos, sumaremos las probabilidades de 0,1,2,3 lo que será igual a :  P(0) = 0.00674  P(1) = 0.03370  P(2) = 0.08425  P(3) = 0.14042  P(3 o menos) = 0.26511 Dado que la probabilidad de que haya 3 o menos accidentes es de 0.26511 entonces la probabilidad de que ocurran más de tres debe ser = 1 –0.26511 = 0.73489.  La distribución de Poisson como una aproximación a la distribución binomial.  Algunas veces, si se desea evitar el tedioso trabajo de calcular las distribuciones binomiales, se puede usar a cambio la de Poisson, pero debe cumplir con ciertas condiciones como :  n=>20  p=<0.05  En los casos en que se satisfacen tales condiciones, podemos sustituir la media de la distribución binomial en lugar de la media de la distribución de Poisson de modo que la fórmula quedaría así:  P(x) = (np) X * e-np /x!  Características:  En este tipo de experimentos los éxitos buscados son expresados por unidad de área, tiempo, pieza, etc, etc,:  - # de defectos de una tela por m2  - # de aviones que aterrizan en un aeropuerto por día, hora, minuto, etc, etc.  - # de bacterias por cm2 de cultivo  - # de llamadas telefónicas a un conmutador por hora, minuto, etc, etc.  - # de llegadas de embarcaciones a un puerto por día, mes, etc, etc.  Para determinar la probabilidad de que ocurran x éxitos por unidad de tiempo, área, o producto, la fórmula a utilizar sería:  donde:  p(x, l) = probabilidad de que ocurran x éxitos, cuando el número promedio de ocurrencia de ellos es l  l = media o promedio de éxitos por unidad de tiempo, área o producto  e = 2.718  x = variable que nos denota el número de éxitos que se desea que ocurra  Hay que hacer notar que en esta distribución el número de éxitos que ocurren por unidad de tiempo, área o producto es totalmente al azar y que cada intervalo de tiempo es independiente de otro intervalo dado, así como cada área es independiente de otra área dada y cada producto es independiente de otro producto dado.
APROXIMACIÓN DE BINOMIAL POR DE POISSON La distribución de Poisson como una aproximación a la distribución binomial.  Algunas veces, si se desea evitar el tedioso trabajo de calcular las distribuciones binomiales, se puede usar a cambio la de Poisson, pero debe cumplir con ciertas condiciones como :  n=>20  p=<0.05  En los casos en que se satisfacen tales condiciones, podemos sustituir la media de la distribución binomial en lugar de la media de la distribución de Poisson de modo que la fórmula quedaría así:  P(x) = (np) X * e-np /x!  Características: En este tipo de experimentos los éxitos buscados son expresados por unidad de área, tiempo, pieza, etc, etc,:  Para determinar la probabilidad de que ocurran x éxitos por unidad de tiempo, área, o producto, la fórmula a utilizar sería:  donde:  p(x, l) = probabilidad de que ocurran x éxitos, cuando el número promedio de ocurrencia de ellos es l  l = media o promedio de éxitos por unidad de tiempo, área o producto  e = 2.718  x = variable que nos denota el número de éxitos que se desea que ocurra  Hay que hacer notar que en esta distribución el número de éxitos que ocurren por unidad de tiempo, área o producto es totalmente al azar y que cada intervalo de tiempo es independiente de otro intervalo dado, así como cada área es independiente de otra área dada y cada producto es independiente de otro producto dado.  Ejemplos:  1. Si un banco recibe en promedio 6 cheques sin fondo por día, ¿cuáles son las probabilidades de que reciba, a) cuatro cheques sin fondo en un día dado, b) 10 cheques sin fondos en cualquiera de dos días consecutivos? Solución:  a) x = variable que nos define el número de cheques sin fondo que llegan al banco en un día cualquiera = 0, 1, 2, 3, ….., etc, etc.

Más contenido relacionado

La actualidad más candente

Exponencial Poisson
Exponencial PoissonExponencial Poisson
Exponencial Poisson
Morelia Basaldúa
 
RAÍCES DE ECUACIONES NO LINEALES
RAÍCES DE ECUACIONES NO LINEALESRAÍCES DE ECUACIONES NO LINEALES
RAÍCES DE ECUACIONES NO LINEALES
Victor Bernal Sandoval
 
Guia de-probabilidad
Guia de-probabilidadGuia de-probabilidad
Guia de-probabilidad
Hugo Daniel Giardini
 
DIAPOSITIVAS DE ESTADÍSTICA COMPLEJA
DIAPOSITIVAS DE ESTADÍSTICA COMPLEJADIAPOSITIVAS DE ESTADÍSTICA COMPLEJA
DIAPOSITIVAS DE ESTADÍSTICA COMPLEJA
ajimenezz
 
U0304
U0304U0304
Distribución hipergeometrica
Distribución hipergeometricaDistribución hipergeometrica
Distribución hipergeometrica
Rafa Rafita Azulrey
 
Tarea 10 de probabilidad y estadistica con respuesta
Tarea 10 de probabilidad y estadistica con respuestaTarea 10 de probabilidad y estadistica con respuesta
Tarea 10 de probabilidad y estadistica con respuesta
IPN
 
Probabilidades .......
Probabilidades .......Probabilidades .......
Probabilidades .......
Luis Miguel Reyes
 
Distribucion binomial
Distribucion binomialDistribucion binomial
Distribucion binomial
Eduardo Grimaldo
 
Distribución gamma
Distribución gammaDistribución gamma
Distribución gamma
levisandro
 
Distribucion exponencial
Distribucion exponencialDistribucion exponencial
Distribucion exponencial
Monica Mantilla Hidalgo
 
Funciones vectoriales de una variable real
Funciones vectoriales de una variable realFunciones vectoriales de una variable real
Funciones vectoriales de una variable real
Nahomi OLiveros
 
Distrib.binomial
Distrib.binomialDistrib.binomial
Distrib.binomial
betyglo
 
Ejercicos y problemas de interpolacion de lagrange.
Ejercicos y problemas de interpolacion de lagrange.Ejercicos y problemas de interpolacion de lagrange.
Ejercicos y problemas de interpolacion de lagrange.
Sergio Riveros
 
AEP19. Presentación 2: Teoría de las Probabilidades
AEP19. Presentación 2: Teoría de las ProbabilidadesAEP19. Presentación 2: Teoría de las Probabilidades
AEP19. Presentación 2: Teoría de las Probabilidades
Francisco Sandoval
 
14_Funciones de Probabilidad_2022.pdf
14_Funciones de Probabilidad_2022.pdf14_Funciones de Probabilidad_2022.pdf
14_Funciones de Probabilidad_2022.pdf
CristopherCamiloFlor
 
Distribucion de poisson
Distribucion de poissonDistribucion de poisson
Distribucion de poisson
cathycontreras
 
Pruebas de bondad de ajuste y pruebas no parametricas
Pruebas de bondad de ajuste y pruebas no parametricasPruebas de bondad de ajuste y pruebas no parametricas
Pruebas de bondad de ajuste y pruebas no parametricas
Alez Escandón
 
Fase2 100402 grupo_9
Fase2 100402 grupo_9Fase2 100402 grupo_9
Fase2 100402 grupo_9
Elvia Padilla
 
Distribucion geometrica
Distribucion geometricaDistribucion geometrica
Distribucion geometrica
javier
 

La actualidad más candente (20)

Exponencial Poisson
Exponencial PoissonExponencial Poisson
Exponencial Poisson
 
RAÍCES DE ECUACIONES NO LINEALES
RAÍCES DE ECUACIONES NO LINEALESRAÍCES DE ECUACIONES NO LINEALES
RAÍCES DE ECUACIONES NO LINEALES
 
Guia de-probabilidad
Guia de-probabilidadGuia de-probabilidad
Guia de-probabilidad
 
DIAPOSITIVAS DE ESTADÍSTICA COMPLEJA
DIAPOSITIVAS DE ESTADÍSTICA COMPLEJADIAPOSITIVAS DE ESTADÍSTICA COMPLEJA
DIAPOSITIVAS DE ESTADÍSTICA COMPLEJA
 
U0304
U0304U0304
U0304
 
Distribución hipergeometrica
Distribución hipergeometricaDistribución hipergeometrica
Distribución hipergeometrica
 
Tarea 10 de probabilidad y estadistica con respuesta
Tarea 10 de probabilidad y estadistica con respuestaTarea 10 de probabilidad y estadistica con respuesta
Tarea 10 de probabilidad y estadistica con respuesta
 
Probabilidades .......
Probabilidades .......Probabilidades .......
Probabilidades .......
 
Distribucion binomial
Distribucion binomialDistribucion binomial
Distribucion binomial
 
Distribución gamma
Distribución gammaDistribución gamma
Distribución gamma
 
Distribucion exponencial
Distribucion exponencialDistribucion exponencial
Distribucion exponencial
 
Funciones vectoriales de una variable real
Funciones vectoriales de una variable realFunciones vectoriales de una variable real
Funciones vectoriales de una variable real
 
Distrib.binomial
Distrib.binomialDistrib.binomial
Distrib.binomial
 
Ejercicos y problemas de interpolacion de lagrange.
Ejercicos y problemas de interpolacion de lagrange.Ejercicos y problemas de interpolacion de lagrange.
Ejercicos y problemas de interpolacion de lagrange.
 
AEP19. Presentación 2: Teoría de las Probabilidades
AEP19. Presentación 2: Teoría de las ProbabilidadesAEP19. Presentación 2: Teoría de las Probabilidades
AEP19. Presentación 2: Teoría de las Probabilidades
 
14_Funciones de Probabilidad_2022.pdf
14_Funciones de Probabilidad_2022.pdf14_Funciones de Probabilidad_2022.pdf
14_Funciones de Probabilidad_2022.pdf
 
Distribucion de poisson
Distribucion de poissonDistribucion de poisson
Distribucion de poisson
 
Pruebas de bondad de ajuste y pruebas no parametricas
Pruebas de bondad de ajuste y pruebas no parametricasPruebas de bondad de ajuste y pruebas no parametricas
Pruebas de bondad de ajuste y pruebas no parametricas
 
Fase2 100402 grupo_9
Fase2 100402 grupo_9Fase2 100402 grupo_9
Fase2 100402 grupo_9
 
Distribucion geometrica
Distribucion geometricaDistribucion geometrica
Distribucion geometrica
 

Destacado

Modelo de tabla variable cuantitativa discreta
Modelo de tabla   variable cuantitativa  discretaModelo de tabla   variable cuantitativa  discreta
Modelo de tabla variable cuantitativa discreta
Ramiro Muñoz
 
Distribución Probabilidad (Variable Aleatoria Discreta)
Distribución Probabilidad (Variable Aleatoria Discreta)Distribución Probabilidad (Variable Aleatoria Discreta)
Distribución Probabilidad (Variable Aleatoria Discreta)
Daniel Gómez
 
Variables aleatorias discretas y continuas
Variables aleatorias discretas y continuasVariables aleatorias discretas y continuas
Variables aleatorias discretas y continuas
Scarlet Íglez
 
Variables aleatorias discretas y continuas
Variables aleatorias discretas y continuasVariables aleatorias discretas y continuas
Variables aleatorias discretas y continuas
colcaxsiempre
 
Variable aleatoria y Distribuciónes de Probabilidad
Variable aleatoria y Distribuciónes de ProbabilidadVariable aleatoria y Distribuciónes de Probabilidad
Variable aleatoria y Distribuciónes de Probabilidad
Joan Fernando Chipia Lobo
 
Distribuciones de probabilidad
Distribuciones de probabilidadDistribuciones de probabilidad
Distribuciones de probabilidad
Antonio Suárez-b Ontalba
 
Tema5 ud3
Tema5 ud3Tema5 ud3
Variable aleatoria
Variable aleatoriaVariable aleatoria
Variable aleatoria
andresprieto20
 
Variable aleatoria
Variable aleatoriaVariable aleatoria
Valor esperado
Valor esperadoValor esperado
Valor esperado
Mary Andrade
 
Valor esperado
Valor esperadoValor esperado
Valor esperado
Monica Cardenas
 
Tarea 4
Tarea 4Tarea 4
Tarea 4
Carmen Moraga
 
Estadistica.point
Estadistica.pointEstadistica.point
Estadistica.point
anita0809
 
terminaos básicos de la estadistica
terminaos básicos de la estadisticaterminaos básicos de la estadistica
terminaos básicos de la estadistica
manuelalbertvs
 
Kevin bladimir010
Kevin bladimir010Kevin bladimir010
Kevin bladimir010
Bladimir_
 
03 Variable Aleatoria
03   Variable Aleatoria03   Variable Aleatoria
03 Variable Aleatoria
Diego Andrés Alvarez Marín
 
Matematica cualitativa cuantitativa
Matematica cualitativa cuantitativaMatematica cualitativa cuantitativa
Matematica cualitativa cuantitativa
Cesar Deras
 
Estadística: Escalas de medición
Estadística: Escalas de mediciónEstadística: Escalas de medición
Estadística: Escalas de medición
Luis Fernando Aguas Bucheli
 
Transparencias variable aleatoria_discreta2016
Transparencias variable aleatoria_discreta2016Transparencias variable aleatoria_discreta2016
Transparencias variable aleatoria_discreta2016
José Antonio Jiménez Tejero
 
Distribucion hipergeometrica
Distribucion hipergeometricaDistribucion hipergeometrica
Distribucion hipergeometrica
Alexander Flores Valencia
 

Destacado (20)

Modelo de tabla variable cuantitativa discreta
Modelo de tabla   variable cuantitativa  discretaModelo de tabla   variable cuantitativa  discreta
Modelo de tabla variable cuantitativa discreta
 
Distribución Probabilidad (Variable Aleatoria Discreta)
Distribución Probabilidad (Variable Aleatoria Discreta)Distribución Probabilidad (Variable Aleatoria Discreta)
Distribución Probabilidad (Variable Aleatoria Discreta)
 
Variables aleatorias discretas y continuas
Variables aleatorias discretas y continuasVariables aleatorias discretas y continuas
Variables aleatorias discretas y continuas
 
Variables aleatorias discretas y continuas
Variables aleatorias discretas y continuasVariables aleatorias discretas y continuas
Variables aleatorias discretas y continuas
 
Variable aleatoria y Distribuciónes de Probabilidad
Variable aleatoria y Distribuciónes de ProbabilidadVariable aleatoria y Distribuciónes de Probabilidad
Variable aleatoria y Distribuciónes de Probabilidad
 
Distribuciones de probabilidad
Distribuciones de probabilidadDistribuciones de probabilidad
Distribuciones de probabilidad
 
Tema5 ud3
Tema5 ud3Tema5 ud3
Tema5 ud3
 
Variable aleatoria
Variable aleatoriaVariable aleatoria
Variable aleatoria
 
Variable aleatoria
Variable aleatoriaVariable aleatoria
Variable aleatoria
 
Valor esperado
Valor esperadoValor esperado
Valor esperado
 
Valor esperado
Valor esperadoValor esperado
Valor esperado
 
Tarea 4
Tarea 4Tarea 4
Tarea 4
 
Estadistica.point
Estadistica.pointEstadistica.point
Estadistica.point
 
terminaos básicos de la estadistica
terminaos básicos de la estadisticaterminaos básicos de la estadistica
terminaos básicos de la estadistica
 
Kevin bladimir010
Kevin bladimir010Kevin bladimir010
Kevin bladimir010
 
03 Variable Aleatoria
03   Variable Aleatoria03   Variable Aleatoria
03 Variable Aleatoria
 
Matematica cualitativa cuantitativa
Matematica cualitativa cuantitativaMatematica cualitativa cuantitativa
Matematica cualitativa cuantitativa
 
Estadística: Escalas de medición
Estadística: Escalas de mediciónEstadística: Escalas de medición
Estadística: Escalas de medición
 
Transparencias variable aleatoria_discreta2016
Transparencias variable aleatoria_discreta2016Transparencias variable aleatoria_discreta2016
Transparencias variable aleatoria_discreta2016
 
Distribucion hipergeometrica
Distribucion hipergeometricaDistribucion hipergeometrica
Distribucion hipergeometrica
 

Similar a DefinicióN Variable Aleatoria Discreta

Unidad 4b
Unidad 4bUnidad 4b
Distribuciones discretas-2017.ppt
Distribuciones discretas-2017.pptDistribuciones discretas-2017.ppt
Distribuciones discretas-2017.ppt
JUAN M. MUÑOZ H.
 
Distribucionesdiscretas]
Distribucionesdiscretas]Distribucionesdiscretas]
Distribucionesdiscretas]
edeannis
 
Distribucionesdiscretas]
Distribucionesdiscretas]Distribucionesdiscretas]
Distribucionesdiscretas]
edeannis
 
Variables aleatorias. estadistica 1
Variables aleatorias. estadistica 1Variables aleatorias. estadistica 1
Variables aleatorias. estadistica 1
Leyvis Farias Medina
 
Presentación distribuciones discretas denís cañas
Presentación distribuciones discretas denís cañasPresentación distribuciones discretas denís cañas
Presentación distribuciones discretas denís cañas
Denis2014
 
Distribucioones discretas
Distribucioones discretasDistribucioones discretas
Distribucioones discretas
angiegutierrez11
 
L ochoa-distribuciones-probabilidad-discretas
L ochoa-distribuciones-probabilidad-discretasL ochoa-distribuciones-probabilidad-discretas
L ochoa-distribuciones-probabilidad-discretas
leo_8a
 
Distribuciones2 b discretas Estadística
Distribuciones2 b discretas EstadísticaDistribuciones2 b discretas Estadística
Distribuciones2 b discretas Estadística
Cindy Adriana Bohórquez Santana
 
Estadistica Aplicada
Estadistica AplicadaEstadistica Aplicada
Estadistica Aplicada
Mariely Sanz Cerezo
 
Estadisticadocx
EstadisticadocxEstadisticadocx
Presentacion estadistica II
Presentacion estadistica IIPresentacion estadistica II
Presentacion estadistica II
alexjcv
 
Distribuciones discretas/ ESTADISTICA GENERAL
Distribuciones discretas/ ESTADISTICA GENERALDistribuciones discretas/ ESTADISTICA GENERAL
Distribuciones discretas/ ESTADISTICA GENERAL
perezpc
 
Investigacion uni4
Investigacion uni4Investigacion uni4
Investigacion uni4
Vana Cigarroa
 
DISTRIBUCIÓN DISCRETA.pptx
DISTRIBUCIÓN DISCRETA.pptxDISTRIBUCIÓN DISCRETA.pptx
DISTRIBUCIÓN DISCRETA.pptx
PaolaChancoCanchanya
 
Probabilidad 2
Probabilidad 2 Probabilidad 2
Probabilidad 2
Moises Betancort
 
Diapositivas probabilidades
Diapositivas probabilidadesDiapositivas probabilidades
Diapositivas probabilidades
EliasGoncalves4
 
distribuciones-discretas-2017.ppt
distribuciones-discretas-2017.pptdistribuciones-discretas-2017.ppt
distribuciones-discretas-2017.ppt
BaquedanoMarbaro
 
distribuciones-discretas- choluteca honduras
distribuciones-discretas- choluteca  hondurasdistribuciones-discretas- choluteca  honduras
distribuciones-discretas- choluteca honduras
UNIVERSIDAD PEDAGOGICA NACIONAL FRANCISCO MORAZAN
 
distribuciones de probabilidad los numeros enteros
distribuciones de probabilidad los numeros enterosdistribuciones de probabilidad los numeros enteros
distribuciones de probabilidad los numeros enteros
UNIVERSIDAD PEDAGOGICA NACIONAL FRANCISCO MORAZAN
 

Similar a DefinicióN Variable Aleatoria Discreta (20)

Unidad 4b
Unidad 4bUnidad 4b
Unidad 4b
 
Distribuciones discretas-2017.ppt
Distribuciones discretas-2017.pptDistribuciones discretas-2017.ppt
Distribuciones discretas-2017.ppt
 
Distribucionesdiscretas]
Distribucionesdiscretas]Distribucionesdiscretas]
Distribucionesdiscretas]
 
Distribucionesdiscretas]
Distribucionesdiscretas]Distribucionesdiscretas]
Distribucionesdiscretas]
 
Variables aleatorias. estadistica 1
Variables aleatorias. estadistica 1Variables aleatorias. estadistica 1
Variables aleatorias. estadistica 1
 
Presentación distribuciones discretas denís cañas
Presentación distribuciones discretas denís cañasPresentación distribuciones discretas denís cañas
Presentación distribuciones discretas denís cañas
 
Distribucioones discretas
Distribucioones discretasDistribucioones discretas
Distribucioones discretas
 
L ochoa-distribuciones-probabilidad-discretas
L ochoa-distribuciones-probabilidad-discretasL ochoa-distribuciones-probabilidad-discretas
L ochoa-distribuciones-probabilidad-discretas
 
Distribuciones2 b discretas Estadística
Distribuciones2 b discretas EstadísticaDistribuciones2 b discretas Estadística
Distribuciones2 b discretas Estadística
 
Estadistica Aplicada
Estadistica AplicadaEstadistica Aplicada
Estadistica Aplicada
 
Estadisticadocx
EstadisticadocxEstadisticadocx
Estadisticadocx
 
Presentacion estadistica II
Presentacion estadistica IIPresentacion estadistica II
Presentacion estadistica II
 
Distribuciones discretas/ ESTADISTICA GENERAL
Distribuciones discretas/ ESTADISTICA GENERALDistribuciones discretas/ ESTADISTICA GENERAL
Distribuciones discretas/ ESTADISTICA GENERAL
 
Investigacion uni4
Investigacion uni4Investigacion uni4
Investigacion uni4
 
DISTRIBUCIÓN DISCRETA.pptx
DISTRIBUCIÓN DISCRETA.pptxDISTRIBUCIÓN DISCRETA.pptx
DISTRIBUCIÓN DISCRETA.pptx
 
Probabilidad 2
Probabilidad 2 Probabilidad 2
Probabilidad 2
 
Diapositivas probabilidades
Diapositivas probabilidadesDiapositivas probabilidades
Diapositivas probabilidades
 
distribuciones-discretas-2017.ppt
distribuciones-discretas-2017.pptdistribuciones-discretas-2017.ppt
distribuciones-discretas-2017.ppt
 
distribuciones-discretas- choluteca honduras
distribuciones-discretas- choluteca  hondurasdistribuciones-discretas- choluteca  honduras
distribuciones-discretas- choluteca honduras
 
distribuciones de probabilidad los numeros enteros
distribuciones de probabilidad los numeros enterosdistribuciones de probabilidad los numeros enteros
distribuciones de probabilidad los numeros enteros
 

Último

Evolución, características, aplicación, ventajas y desventajas de las TIC
Evolución, características, aplicación, ventajas y desventajas de las TICEvolución, características, aplicación, ventajas y desventajas de las TIC
Evolución, características, aplicación, ventajas y desventajas de las TIC
Henry W. Zavala
 
Conceptos y definiciones de Antenas y propagación
Conceptos y definiciones de Antenas y propagaciónConceptos y definiciones de Antenas y propagación
Conceptos y definiciones de Antenas y propagación
edgarcalle8
 
DE LO HUMANO Y LO COMUNITARIO PROYECTO INTEGRADOR (2).docx
DE LO HUMANO Y LO COMUNITARIO PROYECTO INTEGRADOR (2).docxDE LO HUMANO Y LO COMUNITARIO PROYECTO INTEGRADOR (2).docx
DE LO HUMANO Y LO COMUNITARIO PROYECTO INTEGRADOR (2).docx
lourdesuribe6
 
Índice del libro "Metaverso y mundos virtuales: Tecnologías, Retos y Oportuni...
Índice del libro "Metaverso y mundos virtuales: Tecnologías, Retos y Oportuni...Índice del libro "Metaverso y mundos virtuales: Tecnologías, Retos y Oportuni...
Índice del libro "Metaverso y mundos virtuales: Tecnologías, Retos y Oportuni...
Telefónica
 
Informe_mc_bombas_Warman_001-WEIR vulco.pdf
Informe_mc_bombas_Warman_001-WEIR vulco.pdfInforme_mc_bombas_Warman_001-WEIR vulco.pdf
Informe_mc_bombas_Warman_001-WEIR vulco.pdf
Rubén Cortes Zavala
 
Generaciones de Computadoras .
Generaciones de Computadoras                 .Generaciones de Computadoras                 .
Generaciones de Computadoras .
gregory760891
 
bomba-koomey -Todo sobre sus istema y conexiones
bomba-koomey -Todo sobre sus istema y conexionesbomba-koomey -Todo sobre sus istema y conexiones
bomba-koomey -Todo sobre sus istema y conexiones
JessAdrinGonzlezCade
 
UiPath Community Data Service presentation
UiPath Community Data Service presentationUiPath Community Data Service presentation
UiPath Community Data Service presentation
DianaGray10
 
"El uso de las TIC en la vida cotidiana". SantanaMartinez_Alejandra
"El uso de las TIC en la vida cotidiana". SantanaMartinez_Alejandra"El uso de las TIC en la vida cotidiana". SantanaMartinez_Alejandra
"El uso de las TIC en la vida cotidiana". SantanaMartinez_Alejandra
241578066
 
¿Cómo funciona el seguimiento por GPS y cómo puede ayudar al transporte y la ...
¿Cómo funciona el seguimiento por GPS y cómo puede ayudar al transporte y la ...¿Cómo funciona el seguimiento por GPS y cómo puede ayudar al transporte y la ...
¿Cómo funciona el seguimiento por GPS y cómo puede ayudar al transporte y la ...
Navsat
 
11. Legislación Aplicada a la Informática.pdf
11. Legislación Aplicada a la Informática.pdf11. Legislación Aplicada a la Informática.pdf
11. Legislación Aplicada a la Informática.pdf
PanchoChangue
 
SEGUNDA GENERACIÓN xxxxxxxxxxxxxxxx.docx
SEGUNDA GENERACIÓN xxxxxxxxxxxxxxxx.docxSEGUNDA GENERACIÓN xxxxxxxxxxxxxxxx.docx
SEGUNDA GENERACIÓN xxxxxxxxxxxxxxxx.docx
Eddy Nathaly Jaimes Villamizar
 
PROTOCOLO DE NANOPOROS Kit de códigos de barras 16S (SQK-RAB204)
PROTOCOLO DE NANOPOROS Kit de códigos de barras 16S (SQK-RAB204)PROTOCOLO DE NANOPOROS Kit de códigos de barras 16S (SQK-RAB204)
PROTOCOLO DE NANOPOROS Kit de códigos de barras 16S (SQK-RAB204)
ADELAIDA90
 
_Manejo de Riesgos en el Laboratorio.pdf
_Manejo de Riesgos en el Laboratorio.pdf_Manejo de Riesgos en el Laboratorio.pdf
_Manejo de Riesgos en el Laboratorio.pdf
correodetareas
 
400816850-Mantenimiento-de-Equipos-de-Espesamiento-pdf.pdf
400816850-Mantenimiento-de-Equipos-de-Espesamiento-pdf.pdf400816850-Mantenimiento-de-Equipos-de-Espesamiento-pdf.pdf
400816850-Mantenimiento-de-Equipos-de-Espesamiento-pdf.pdf
Rubén Cortes Zavala
 
Diapositiva sobre Tecnologia de la Información y Telecomunicaciones.pptx
Diapositiva sobre Tecnologia de la Información y Telecomunicaciones.pptxDiapositiva sobre Tecnologia de la Información y Telecomunicaciones.pptx
Diapositiva sobre Tecnologia de la Información y Telecomunicaciones.pptx
GnesisOrtegaDeLen
 

Último (16)

Evolución, características, aplicación, ventajas y desventajas de las TIC
Evolución, características, aplicación, ventajas y desventajas de las TICEvolución, características, aplicación, ventajas y desventajas de las TIC
Evolución, características, aplicación, ventajas y desventajas de las TIC
 
Conceptos y definiciones de Antenas y propagación
Conceptos y definiciones de Antenas y propagaciónConceptos y definiciones de Antenas y propagación
Conceptos y definiciones de Antenas y propagación
 
DE LO HUMANO Y LO COMUNITARIO PROYECTO INTEGRADOR (2).docx
DE LO HUMANO Y LO COMUNITARIO PROYECTO INTEGRADOR (2).docxDE LO HUMANO Y LO COMUNITARIO PROYECTO INTEGRADOR (2).docx
DE LO HUMANO Y LO COMUNITARIO PROYECTO INTEGRADOR (2).docx
 
Índice del libro "Metaverso y mundos virtuales: Tecnologías, Retos y Oportuni...
Índice del libro "Metaverso y mundos virtuales: Tecnologías, Retos y Oportuni...Índice del libro "Metaverso y mundos virtuales: Tecnologías, Retos y Oportuni...
Índice del libro "Metaverso y mundos virtuales: Tecnologías, Retos y Oportuni...
 
Informe_mc_bombas_Warman_001-WEIR vulco.pdf
Informe_mc_bombas_Warman_001-WEIR vulco.pdfInforme_mc_bombas_Warman_001-WEIR vulco.pdf
Informe_mc_bombas_Warman_001-WEIR vulco.pdf
 
Generaciones de Computadoras .
Generaciones de Computadoras                 .Generaciones de Computadoras                 .
Generaciones de Computadoras .
 
bomba-koomey -Todo sobre sus istema y conexiones
bomba-koomey -Todo sobre sus istema y conexionesbomba-koomey -Todo sobre sus istema y conexiones
bomba-koomey -Todo sobre sus istema y conexiones
 
UiPath Community Data Service presentation
UiPath Community Data Service presentationUiPath Community Data Service presentation
UiPath Community Data Service presentation
 
"El uso de las TIC en la vida cotidiana". SantanaMartinez_Alejandra
"El uso de las TIC en la vida cotidiana". SantanaMartinez_Alejandra"El uso de las TIC en la vida cotidiana". SantanaMartinez_Alejandra
"El uso de las TIC en la vida cotidiana". SantanaMartinez_Alejandra
 
¿Cómo funciona el seguimiento por GPS y cómo puede ayudar al transporte y la ...
¿Cómo funciona el seguimiento por GPS y cómo puede ayudar al transporte y la ...¿Cómo funciona el seguimiento por GPS y cómo puede ayudar al transporte y la ...
¿Cómo funciona el seguimiento por GPS y cómo puede ayudar al transporte y la ...
 
11. Legislación Aplicada a la Informática.pdf
11. Legislación Aplicada a la Informática.pdf11. Legislación Aplicada a la Informática.pdf
11. Legislación Aplicada a la Informática.pdf
 
SEGUNDA GENERACIÓN xxxxxxxxxxxxxxxx.docx
SEGUNDA GENERACIÓN xxxxxxxxxxxxxxxx.docxSEGUNDA GENERACIÓN xxxxxxxxxxxxxxxx.docx
SEGUNDA GENERACIÓN xxxxxxxxxxxxxxxx.docx
 
PROTOCOLO DE NANOPOROS Kit de códigos de barras 16S (SQK-RAB204)
PROTOCOLO DE NANOPOROS Kit de códigos de barras 16S (SQK-RAB204)PROTOCOLO DE NANOPOROS Kit de códigos de barras 16S (SQK-RAB204)
PROTOCOLO DE NANOPOROS Kit de códigos de barras 16S (SQK-RAB204)
 
_Manejo de Riesgos en el Laboratorio.pdf
_Manejo de Riesgos en el Laboratorio.pdf_Manejo de Riesgos en el Laboratorio.pdf
_Manejo de Riesgos en el Laboratorio.pdf
 
400816850-Mantenimiento-de-Equipos-de-Espesamiento-pdf.pdf
400816850-Mantenimiento-de-Equipos-de-Espesamiento-pdf.pdf400816850-Mantenimiento-de-Equipos-de-Espesamiento-pdf.pdf
400816850-Mantenimiento-de-Equipos-de-Espesamiento-pdf.pdf
 
Diapositiva sobre Tecnologia de la Información y Telecomunicaciones.pptx
Diapositiva sobre Tecnologia de la Información y Telecomunicaciones.pptxDiapositiva sobre Tecnologia de la Información y Telecomunicaciones.pptx
Diapositiva sobre Tecnologia de la Información y Telecomunicaciones.pptx
 

DefinicióN Variable Aleatoria Discreta

  • 1. DEFINICIÓN VARIABLE ALEATORIA DISCRETA VARIABLE ALEATORIA DISCRETA: Se dice que una Variable aleatoria Discreta o Discontinua X, tiene un conjunto definido de valores posibles x1,x2,x3,…..xn con probabilidades respectivas p1,p2,p3,…..pn., Es decir que sólo puede tomar ciertos valores dentro de un campo de variación dado. Como X ha de tomar uno de los valores de este conjunto, entonces p1 + p2 +…+ pn=1. En general, una variable aleatoria discreta X representa los resultados de un espacio muestral en forma tal que por P(X = x)se entenderá la probabilidad de que X tome el valor de x. De esta forma, al considerar los valores de una variable aleatoria es posible desarrollar una función matemática que asigne una probabilidad a cada realización x de la variable aleatoria X. Esta función recibe el nombre de función de la probabilidad. Ejemplo.- Sea el experimento aleatorio consistente en lanzar una moneda al aire. Los sucesos elementales del experimento, «que salga cara», «que salga cruz», no vienen representados por los números, por lo que casa suceso elemental se le hace corresponder un número real. Así al suceso elemental «que salga cara» se le hace corresponder el número “1” y al suceso elemental «que salga cruz» se le hace corresponder el número “2”. La variable aleatoria será: X = (1,2). Se trata de una variable aleatoria discontinua o discreta
  • 2. DISTRIBUCIÓN BINOMIAL Las distribución binomial parte de la distribución de Bernouilli: La distribución de Bernouilli se aplica cuando se realiza una sola vez un experimento que tiene únicamente dos posibles resultados (éxito o fracaso), por lo que la variable sólo puede tomar dos valores: el 1 y el 0 La distribución binomial se aplica cuando se realizan un número”n” de veces el experimento de Bernouilli, siendo cada ensayo independiente del anterior. La variable puede tomar valores entre: 0: si todos los experimentos han sido fracaso n: si todos los experimentos han sido éxitos Ejemplo: se tira una moneda 10 veces: ¿cuantas caras salen? Si no ha salido ninguna la variable toma el valor 0; si han salido dos caras la variable toma el valor 2; si todas han sido cara la variable toma el valor 10 La distribución de probabilidad de este tipo de distribución sigue el siguiente modelo:
  • 3. EJEMPLO ¿Cuál es la probabilidad de obtener 6 caras al lanzar una moneda 10 veces? “ k “ es el número de aciertos. En este ejemplo “ k “ igual a 6 (en cada acierto decíamos que la variable toma el valor 1: como son 6 aciertos, entonces k = 6) “ n” es el número de ensayos. En nuestro ejemplo son 10 “ p “ es la probabilidad de éxito, es decir, que salga “cara” al lanzar la moneda. Por lo tanto p = 0,5 La fórmula quedaría: Luego, P (x = 6) = 0,205 Es decir, se tiene una probabilidad del 20,5% de obtener 6 caras al lanzar 10 veces una moneda. Se utiliza para determinar la probabilidad de obtener un número o cantidad determinada de éxitos, en experimentos completamente aleatorios o de Bemoulli. En este caso “X” se define como el éxito en un experimento. Se requieren 3 valores, la cantidad designada de éxitos o X; el numero de ensayos, observaciones o experimentos (n) y la probabilidad de éxito de cada ensayo. Una variable aleatoria discreta X definida en un espacio de probabilidad: representa el numero de éxitos en n repeticiones de un experimento de Bernoulli, entonces: n = cantidad de ensayos o experimentos x = cantidad de éxitos p = probabilidad de éxito q = probabilidad de fracasos (1-p)
  • 4. DISTRIBUCIÓN HIPERGEOMETRICA Características: a) a) Al realizar un experimento con este tipo de distribución, se esperan más de dos tipos de resultados. b) b) Las probabilidades asociadas a cada uno de estos resultados no son constantes. c) c) Los ensayos o repeticiones del experimento no son independientes entre sí. d) d) El número de repeticiones del experimento n, es constante. Entonces en este caso se tienen más de dos tipos de objetos, por lo que la fórmula a utilizar sería: donde: N = x + y + z = total de objetos a = total de objetos del primer tipo b = total de objetos del segundo tipo c = N-a-b = total de objetos del tercer tipo n = objetos seleccionados en la muestra x = objetos del primer tipo en la muestra y = objetos del segundo tipo en la muestra z = n-x-y = objetos del tercer tipo en la muestra Ejemplos: 1.En un lote de productos se tienen 20 productos sin defectos, 3 con defectos menores y 2 con defectos mayores, se seleccionan al azar 5 productos de este lote, determine la probabilidad de que a) 3 de los productos seleccionados no tengan defectos y 1 tenga defectos menores, b) 4 de los productos seleccionados no tengan defectos y 1 tenga defectos menores. Solución: a)N= 20+3+2 =25 total de artículos a=20 productos sin defectos b= 3 productos con defectos menores N-a-b= 2 productos con defectos mayores n= 5 productos seleccionados en la muestra x = 3 productos sin defectos en la muestra = variable que nos define el # de productos sin defectos en la muestra y = 1 producto con defectos menores en la muestra = variable que nos define el # de productos con defectos menores en la muestra z = n-x-y = 5–3−1 = 1 producto con defectos mayores en la muestra = variable que nos define el # de productos con defectos mayores en la muestra b)N= 25 a=20 productos sin defectos b= 3 productos con defectos menores N-a-b= 2 productos con defectos mayores n= 5 productos seleccionados en la muestra x = 4 productos sin defectos en la muestra = variable que nos define el # de productos sin defectos en la muestra y = 1 producto con defectos menores en la muestra = variable que nos define el # de productos con defectos menores en la muestra z = n-x-y = 5–4−1 = 0 productos con defectos mayores en la muestra = variable que nos define el # de productos con defectos mayores en la muestra 3.Un club de estudiantes extranjeros tiene en sus listas a 2 canadienses, 3 japoneses, 5 italianos y 2 alemanes. Si se selecciona aleatoriamente un comité de 4 estudiantes, encuentre la probabilidad de que: a)estén representadas todas las nacionalidades, b)estén representadas todas las nacionalidades, excepto la italiana. Solución: a) N = 12 estudiantes a = 2 Canadienses b = 3 Japoneses c = 5 Italianos N-a-b-c = 2 Alemanes n = 4 estudiantes seleccionados para formar comité x = 1 estudiante Canadiense en el comité seleccionado y = 1 estudiante Japonés en el comité seleccionado z = 1 estudiante Italiano en el comité seleccionado n-x-y-z = 1 estudiante Alemán en el comité seleccionado b) N = 7 estudiantes quitando a los Italianos a = 2 Canadienses b = 3 Japoneses N-a-b = 2 Alemanes n = 4 estudiantes seleccionados para formar comité x = 1 o 2 estudiantes Canadienses en el comité seleccionado y = 1 o 2 estudiantes Japoneses en el comité seleccionado n-x-y= 1 o 2 estudiantes Alemanes en el comité seleccionado p(estén representadas todas las nacionalidades, excepto la italiana) Distribución hipergeométrica Por claridad, consideremos el siguiente ejemplo: Tenemos una baraja de cartas españolas (N=40 naipes), de las cuales nos vamos a interesar en el palo de oros (D=10 naipes de un mismo tipo).
  • 5. DISTRIBUCIÓN GEOMÉTRICA Si la probabilidad de éxito en cada ensayo es p , entonces la probabilidad de que n ensayos sean necesarios para obtener un éxito es para n = 1, 2, 3,.... Equivalentemente, la probabilidad de que haya n fallos antes del primer éxito es para n = 0,1, 2, 3,.... En ambos casos, la secuencia de probabilidades es una secuencia geométrica . Por ejemplo, supongamos que un dado ordinario es lanzado repetidamente hasta que aparece &quot;1&quot; por primera vez. La distribución de probabilidad del número de veces que el dado es lanzado se encuentra en el conjunto infinito {1, 2, 3,...} y es una distribución geométrica con p =1/6. El valor esperado de una variable aleatoria X distribuida geométricamente es 1/' p y su varianza es (1 −  p )/ p 2 ; Equivalentemente, el valor esperado de una variable aleatoria distribuida geométricamente Y es (1 −  p )/ p , y su varianza es (1 −  p )/ p 2 . La función generatriz de probabilidad de X y la de Y son, respectivamente, Como su continua análoga (la distribución exponencial ), la distribución geométrica es sin memoria . Esto significa que si intentamos repetir el experimento hasta el primer éxito, entonces, dado que el primer éxito todavía no ha ocurrido, la distribución de probabilidad condicional del número de ensayos adicionales no depende de cuantos fallos se hayan observado. El dado o la moneda que uno lanza no tiene &quot;memoria&quot; de estos fallos. La distribución geométrica es de hecho la única distribución discreta sin memoria. De todas estas distribuciones de probabilidad contenidas en {1, 2, 3,... } con un valor esperado dado μ, la distribución geométrica X con parámetro p = 1/μ es la de mayor entropía La distribución geométrica del número y de fallos antes del primer éxito es infinitamente divisible , esto es, para cualquier entero positivo n , existen variables aleatorias independientes Y 1 ,..., Y n distribuidas idénticamente la suma de las cuales tiene la misma distribución que tiene Y . Estas no serán geométricamente distribuidas a menos que n = 1.
  • 6. DISTRIBUCION MULTINOMIAL La distribución multinomial es una generalización de la distribución binomial. En este caso, en un experimento interesa estudiar no la ocurrencia de un único suceso o la de su contrario, sino la de varios sucesos (tres o más). La distribución multinomial, M(n,p1,…,pn) proporciona probabilidades de obtener, en m repeticiones independientes de un experimento, x1 veces el suceso A1, x2 veces el suceso A2,…, xn veces el suceso An, donde dichos sucesos forman una partición del espacio muestral, es decir, tal que para y donde , por tanto, se cumple . Así, considerando que Xi es el número de veces que se presenta el suceso Ai en las m repeticiones tenemos que la variable n-dimensional (X1, X2, …, Xn) sigue una distribución multinomial de parámetros n, p1, …, pn y su función de probabilidad es Hay que tener en cuenta que si (X1, X2, …, Xn) es una variable multidimensional entonces existe una relación lineal entre sus componentes ya que X1+ X2+ …+ Xn = m, por lo que, una de las variables, por ejemplo Xn, se puede poner como combinación lineal del resto, Xn=m-X1- X2- …- Xn-1. Por tanto, el fenómeno que describe la variable (X1, X2, …, Xn) queda igualmente descrito por una variable de una dimensión menor, (X1, X2, …, Xn-1), sin que esta pérdida de dimensión suponga una pérdida de información. Por ejemplo, una variable multinomial de dimensión dos (X1, X2), M(n,p1,p2), se puede describir considerando una cualquiera de sus componentes que tiene una distribución binomial, por lo que en realidad esta variable es unidimensional y no bidimensional. Además, cada una de las n variables, Xi, que forman una multinomial M(n,p1,…,pn) siguen distribuciones binomiales B(m,pi), es decir, las distribuciones marginales de una multinomial son binomiales, por tanto, la esperanza y la varianza de cada una de estas variables es, E[Xi]=m•pi y Var(Xi)=mpi(1-pi). Además la covarianza entre dos cualesquiera de sus componentes es, . Estos momentos de las variables componentes de una multinomial se pueden agrupar en forma de matriz dando lugar a las denominadas matriz de esperanzas y matriz de varianzas-covarianzas, que recogen las características teóricas principales de la distribución multinomial (medias, varianzas y covarianzas) Ejemplo: El entrenador de un equipo de baloncesto opina que los jugadores A, B y C tienen similares aptitudes para ser titulares del equipo en la posición de base. Así, determina que juegen el mismo número de minutos cada partido. Se sabe que el 40% de las canastas son de C, mientras que A y B consiguen un 30% de encestes. Calcular la probabilidad de que en un partido con 9 encestes de dos puntos, A consiguiera dos, B tres y C cuatro. Sea la variable tridimensional que recoge el número de encestes de A, de B y de C, respectivamente. Dicha variable es una multinomial con n=9, p1=0.3, p2=0.3 y p3=0.4. Así,
  • 7.   DISTRIBUCIÓN DE POISSON La Distribución de Poisson se llama así en honor a Simeón Dennis Poisson (1781–1840), francés que desarrolló esta distribución basándose en estudios efectuados en la última parte de su vida. La distribución de Poisson se emplea para describir varios procesos, entre otros la distribución de las llamadas telefónicas que llagan a un conmutador, la demanda (necesidades) de servicios en una institución asistencial por parte de los pacientes, los arribos de los camiones y automóviles a la caseta de cobro y el número de accidentes en un cruce. Los ejemplos citados tienen un elemento en común, pueden ser descritos por una variable aleatoria discreta que asume valores enteros (0,1,2,3,4,5 y así sucesivamente). El número de enfermos que llegan a un consultorio en cierto intervalo de tiempo será de 0,1,2,3,4,5 o algún otro número entero. De manera análoga, si se cuenta el número de automóviles que llegan a una caseta de cobro durante un periodo de diez minutos, el número será entero. Características de los procesos que producen una distribución de la probabilidad de Poisson. El número de vehículos que pasan por una caseta de cobro en las horas de mayor tráfico sirve como ejemplo para mostrar las características de una distribución de probabilidad de Poisson. El promedio (media) de los arribos de vehículos por hora de gran tráfico puede estimarse a partir de los datos anteriores del tráfico. Si dividimos las horas de gran tráfico en periodos (intervalos) de un segundo cada uno, encontraremos que los siguientes enunciados son verdaderos: a) La probabilidad de que exactamente un vehículo llegue por segundo a una caseta individual es un número muy pequeño y es constante para que cada intervalo de un segundo. b) La probabilidad de que dos o más vehículos lleguen en un intervalo de un segundo es tan reducida que podemos asignarle un valor cero. c) El número de vehículos que llegan en determinado intervalo de un segundo es independiente del momento en que el intervalo de un segundo ocurre durante la hora de gran tráfico. d) El número de llegadas en cualquier intervalo de un segundo no depende del número de arribos de cualquier otro intervalo de un segundo. Ahora bien, podemos generalizar partiendo de las cuatro condiciones que hemos descrito en este ejemplo, si estas condiciones se cumplen nos apoyaremos en una distribución de probabilidad de Poisson para describirlos. Cálculo de probabilidades mediante la distribución de Poisson. La distribución de Poisson, según hemos señalado, se refiere a ciertos procesos que pueden ser descritos con una variable aleatoria discreta. La letra X suele representar esa variable y puede además asumir valores enteros (0,1,2,3 etc..) . Utilizamos la letra X mayúscula para representar la variable aleatoria y la x minúscula para designar un valor específico que puede asumir la X mayúscula. La probabilidad de exactamente x ocurrencias en una distribución de Poisson se calcula mediante la fórmula: P(x) = l x * e-l / x! l x = Lambda (número medio de ocurrencias por intervalo de tiempo) elevada a la potencia x. e-l = e= 2.71828 elevado a la potencia de lambda negativa.       x! = x factorial.
  • 8. Supóngase que estamos investigando la seguridad de un crucero muy peligroso. Los archivos de la policía indican una media de cinco accidentes por mes en él. El número de accidentes está distribuido conforme a la distribución de Poisson, y la división de seguridad en carreteras quiere calcular la probabilidad de exactamente 0,1,2,3 y 4 accidentes en un mes determinado. Aplicando la fórmula anterior: P(0) = (5)0 (e-5) /0! = 0.00674 P(1) = (5)1 (e-5) /1! = 0.03370 P(2) = (5)2 (e-5) /2! = 0.08425 P(3) = (5)3 (e-5) /3! = 0.14042 P(4) = (5)4 (e-5) /4! = 0.17552 Para saber cual es la probabilidad en 3 o menos, sumaremos las probabilidades de 0,1,2,3 lo que será igual a : P(0) = 0.00674 P(1) = 0.03370 P(2) = 0.08425 P(3) = 0.14042 P(3 o menos) = 0.26511 Dado que la probabilidad de que haya 3 o menos accidentes es de 0.26511 entonces la probabilidad de que ocurran más de tres debe ser = 1 –0.26511 = 0.73489. La distribución de Poisson como una aproximación a la distribución binomial. Algunas veces, si se desea evitar el tedioso trabajo de calcular las distribuciones binomiales, se puede usar a cambio la de Poisson, pero debe cumplir con ciertas condiciones como : n=>20 p=<0.05 En los casos en que se satisfacen tales condiciones, podemos sustituir la media de la distribución binomial en lugar de la media de la distribución de Poisson de modo que la fórmula quedaría así: P(x) = (np) X * e-np /x! Características: En este tipo de experimentos los éxitos buscados son expresados por unidad de área, tiempo, pieza, etc, etc,: - # de defectos de una tela por m2 - # de aviones que aterrizan en un aeropuerto por día, hora, minuto, etc, etc. - # de bacterias por cm2 de cultivo - # de llamadas telefónicas a un conmutador por hora, minuto, etc, etc. - # de llegadas de embarcaciones a un puerto por día, mes, etc, etc. Para determinar la probabilidad de que ocurran x éxitos por unidad de tiempo, área, o producto, la fórmula a utilizar sería: donde: p(x, l) = probabilidad de que ocurran x éxitos, cuando el número promedio de ocurrencia de ellos es l l = media o promedio de éxitos por unidad de tiempo, área o producto e = 2.718 x = variable que nos denota el número de éxitos que se desea que ocurra Hay que hacer notar que en esta distribución el número de éxitos que ocurren por unidad de tiempo, área o producto es totalmente al azar y que cada intervalo de tiempo es independiente de otro intervalo dado, así como cada área es independiente de otra área dada y cada producto es independiente de otro producto dado.
  • 9. APROXIMACIÓN DE BINOMIAL POR DE POISSON La distribución de Poisson como una aproximación a la distribución binomial. Algunas veces, si se desea evitar el tedioso trabajo de calcular las distribuciones binomiales, se puede usar a cambio la de Poisson, pero debe cumplir con ciertas condiciones como : n=>20 p=<0.05 En los casos en que se satisfacen tales condiciones, podemos sustituir la media de la distribución binomial en lugar de la media de la distribución de Poisson de modo que la fórmula quedaría así: P(x) = (np) X * e-np /x! Características: En este tipo de experimentos los éxitos buscados son expresados por unidad de área, tiempo, pieza, etc, etc,: Para determinar la probabilidad de que ocurran x éxitos por unidad de tiempo, área, o producto, la fórmula a utilizar sería: donde: p(x, l) = probabilidad de que ocurran x éxitos, cuando el número promedio de ocurrencia de ellos es l l = media o promedio de éxitos por unidad de tiempo, área o producto e = 2.718 x = variable que nos denota el número de éxitos que se desea que ocurra Hay que hacer notar que en esta distribución el número de éxitos que ocurren por unidad de tiempo, área o producto es totalmente al azar y que cada intervalo de tiempo es independiente de otro intervalo dado, así como cada área es independiente de otra área dada y cada producto es independiente de otro producto dado. Ejemplos: 1. Si un banco recibe en promedio 6 cheques sin fondo por día, ¿cuáles son las probabilidades de que reciba, a) cuatro cheques sin fondo en un día dado, b) 10 cheques sin fondos en cualquiera de dos días consecutivos? Solución: a) x = variable que nos define el número de cheques sin fondo que llegan al banco en un día cualquiera = 0, 1, 2, 3, ….., etc, etc.