SlideShare una empresa de Scribd logo
UNIVERSIDAD TECNOLOGICA DE TORREON.




NOMBRE:MONSERRAT GUADALUPE
VILLA GONZALEZ.




         TRABAJO FINAL.




   LIC. EDGAR GERARDO MATA
               ORTIZ
BERNOULLI




Bernoulli es un experimento aleatorio en el que sólo se pueden obtener dos
resultados (habitualmente etiquetados como éxito y fracaso). Se denomina así
en honor a Jakob Bernoulli.

Desde el punto de vista de la teoría de la probabilidad, estos ensayos están
modelados por una variable aleatoria que puede tomar sólo dos valores, 0 y 1.
Habitualmente, se utiliza el 1 para representar el éxito.

Si p es la probabilidad de éxito, entonces el valor del valor esperado de la
variable aleatoria es p y su varianza, p (1-p).

Los procesos de Bernoulli son los que resultan de la repetición en el tiempo de
ensayos de Bernoulli independientes pero idénticos.

se utilizan para modelar fenómenos aleatorios que sólo tienen dos resultados
posibles, como por ejemplo:

      Al lanzar una moneda, comprobar si sale cara (éxito) o cruz (fracaso).
      Se suele suponer que una moneda tiene una probabilidad de éxito de
      0,5.
      Al lanzar un dado, ver si se obtiene un seis (éxito) o cualquier otro valor
      (fracaso).
      Al realizar una encuesta política, tras escoger un votante al azar, ver si
      éste votará "si" en un referéndum próximo.
      ¿Era el recién nacido niña?
      ¿Son verdes los ojos de una persona?
      ¿Decidió un cliente potencial comprar determinado producto?

Hay que entender que éxito y fracaso son etiquetas para los resultados y que
no debe ser interpretado literalmente.
BINOMIAL
la distribución binomial es una distribución de probabilidad discreta que mide
el número de éxitos en una secuencia de n ensayos de Bernoulli
independientes entre sí, con una probabilidad fija p de ocurrencia del éxito
entre los ensayos.

Un experimento de Bernoulli se caracteriza por ser dicotómico, esto es, sólo
son posibles dos resultados. A uno de estos se denomina éxito y tiene una
probabilidad de ocurrencia p y al otro, fracaso, con una probabilidad q = 1 - p.
En la distribución binomial el anterior experimento se repite n veces, de forma
independiente, y se trata de calcular la probabilidad de un determinado número
de éxitos. Para n = 1, la binomial se convierte, de hecho, en una distribución de
Bernoulli.

Existen muchas situaciones en las que se presenta una experiencia binomial.
Cada uno de los experimentos es independiente de los restantes (la
probabilidad del resultado de un experimento no depende del resultado del
resto). El resultado de cada experimento ha de admitir sólo dos categorías (a
las que se denomina éxito y fracaso). Las probabilidades de ambas
posibilidades han de ser constantes en todos los experimentos (se denotan
como p y q o p y 1-p).

Se designa por X a la variable que mide el número de éxitos que se han
producido en los n experimentos.

Cuando se dan estas circunstancias, se dice que la variable X sigue una
distribución de probabilidad binomial, y se denota B(n,p).

Supongamos que se lanza un dado 50 veces y queremos la probabilidad de
que el número 3 salga 20 veces. En este caso tenemos una X ~ B(50, 1/6) y la
probabilidad sería P(X=20):
POISSON
la distribución de Poisson es una distribución de probabilidaddiscreta que
expresa, a partir de una frecuencia de ocurrencia media, la probabilidad que
ocurra un determinado número de eventos durante cierto periodo de tiempo.

La función de masa de la distribución de Poisson es




donde

        k es el número de ocurrencias del evento o fenómeno (la función nos da
        la probabilidad de que el evento suceda precisamente k veces).
        λ es un parámetro positivo que representa el número de veces que se
        espera que ocurra el fenómeno durante un intervalo dado. Por ejemplo,
        si el suceso estudiado tiene lugar en promedio 4 veces por minuto y
        estamos interesados en la probabilidad de que ocurra k veces dentro de
        un intervalo de 10 minutos, usaremos un modelo de distribución de
        Poisson con λ = 10×4 = 40.
        e es la base de los logaritmos naturales (e = 2,71828 ...)

Tanto el valor esperado como la varianza de una variable aleatoria con
distribución de Poisson son iguales a λ. Los momentos de orden superior son
polinomios de Touchard en λ cuyos coeficientes tienen una interpretación
combinatorio. De hecho, cuando el valor esperado de la distribución de Poisson
es 1, entonces según la fórmula de Dobinski, el n-ésimo momento iguala al
número de particiones de tamaño n.
NORMAL
La distribución normalN (m, s) es un modelo matemático que rige muchos
fenómenos. La experiencia demuestra que las distribuciones de la mayoría de
las muestras tomadas en el campo de la industria se aproximan a la
distribución normal si el tamaño de la muestra es grande. Esta distribución
queda definida por dos parámetros: la media m y la desviación típica s. Se
presenta mediante una curva simétrica conocida como campana de Gauss.
Esta distribución nos da la probabilidad de que al elegir un valor, éste tenga
una medida contenida en unos intervalos definidos. esto permitirá predecir de
forma aproximada, el comportamiento futuro de un proceso, conociendo los
datos del presente.
T DE STUDENT
la distribución t (de Student) es una distribución de probabilidad que surge
del problema de estimar la media de una poblaciónnormalmente distribuida
cuando el tamaño de la muestra es pequeño.

Aparece de manera natural al realizar la prueba t de Student para la
determinación de las diferencias entre dos medias muestrales y para la
construcción del intervalo de confianza para la diferencia entre las medias de
dos poblaciones cuando se desconoce la desviación típica de una población y
ésta debe ser estimada a partir de los datos de una muestra.

Supongamos que X1,..., Xn son variables aleatoriasindependientes distribuidas
normalmente, con media μ y varianza σ2. Sea



la media muestral. Entonces




sigue una distribución normal de media 0 y varianza 1.

Sin embargo, dado que la desviación estándar no siempre es conocida de
antemano, Gosset estudió un cociente relacionado,




donde




es la varianza muestral y demostró que la función de densidad de T es




donde   es igual a n − 1.

La distribución de T se llama ahora la distribución-t de Student.

El parámetro representa el número de grados de libertad. La distribución
depende de , pero no de o , lo cual es muy importante en la práctica.
Universidad tecnologica de torreon

Más contenido relacionado

La actualidad más candente

Estadistica
EstadisticaEstadistica
Estadistica
Joan Toro
 
Variables aleatorias discretas y continuas
Variables aleatorias discretas y continuasVariables aleatorias discretas y continuas
Variables aleatorias discretas y continuas
colcaxsiempre
 
Distribución de probabilidad
Distribución de probabilidadDistribución de probabilidad
Distribución de probabilidad
Mariel Sánchez
 
Distribuciones comúnmente usadas
Distribuciones comúnmente usadasDistribuciones comúnmente usadas
Distribuciones comúnmente usadas
rossee2012
 
Variables aleatorias. estadistica 1
Variables aleatorias. estadistica 1Variables aleatorias. estadistica 1
Variables aleatorias. estadistica 1
Leyvis Farias Medina
 
distribución de probabilidad
distribución de probabilidaddistribución de probabilidad
distribución de probabilidad
carlosalexisestradajuarez
 
Diferentes distribuciones
Diferentes distribucionesDiferentes distribuciones
Diferentes distribuciones
Carol Ramos
 
MODELOS DE PROBABILIDAD
MODELOS DE PROBABILIDADMODELOS DE PROBABILIDAD
MODELOS DE PROBABILIDAD
aidelj14
 
Procedimientos especiales
Procedimientos especialesProcedimientos especiales
Procedimientos especiales
Anel Sosa
 
3.3 Variables Aleatorias Continuas
3.3 Variables Aleatorias Continuas3.3 Variables Aleatorias Continuas
3.3 Variables Aleatorias Continuas
Consuelo Valle
 
Variables aleatorias y distribuciones de probabilidad
Variables aleatorias y distribuciones de probabilidadVariables aleatorias y distribuciones de probabilidad
Variables aleatorias y distribuciones de probabilidad
Pedro Rodas
 
Variables aleatorias
Variables aleatoriasVariables aleatorias
Variables aleatorias
Tensor
 
Probabilidad Discreta
Probabilidad DiscretaProbabilidad Discreta
Probabilidad Discreta
Montano1292
 
Procesos industriales área manufactura
Procesos industriales área manufacturaProcesos industriales área manufactura
Procesos industriales área manufactura
Yovana Marin
 
Diapositivas 2
Diapositivas 2Diapositivas 2
Diapositivas 2
AdrianaSOFIA5
 
Distribuciones2 de probabilidad.lm
Distribuciones2 de probabilidad.lmDistribuciones2 de probabilidad.lm
Distribuciones2 de probabilidad.lm
LMartiinez
 
Fase2 100402 grupo_292
Fase2 100402 grupo_292Fase2 100402 grupo_292
Fase2 100402 grupo_292
JACK ROBERT LLORENTE MOSQUERA
 
Distribución triangular
Distribución triangularDistribución triangular
Distribución triangular
tatiana vierq nizama
 
Distribucion de probabilidad
Distribucion de probabilidadDistribucion de probabilidad
Distribucion de probabilidad
adrikiana
 

La actualidad más candente (19)

Estadistica
EstadisticaEstadistica
Estadistica
 
Variables aleatorias discretas y continuas
Variables aleatorias discretas y continuasVariables aleatorias discretas y continuas
Variables aleatorias discretas y continuas
 
Distribución de probabilidad
Distribución de probabilidadDistribución de probabilidad
Distribución de probabilidad
 
Distribuciones comúnmente usadas
Distribuciones comúnmente usadasDistribuciones comúnmente usadas
Distribuciones comúnmente usadas
 
Variables aleatorias. estadistica 1
Variables aleatorias. estadistica 1Variables aleatorias. estadistica 1
Variables aleatorias. estadistica 1
 
distribución de probabilidad
distribución de probabilidaddistribución de probabilidad
distribución de probabilidad
 
Diferentes distribuciones
Diferentes distribucionesDiferentes distribuciones
Diferentes distribuciones
 
MODELOS DE PROBABILIDAD
MODELOS DE PROBABILIDADMODELOS DE PROBABILIDAD
MODELOS DE PROBABILIDAD
 
Procedimientos especiales
Procedimientos especialesProcedimientos especiales
Procedimientos especiales
 
3.3 Variables Aleatorias Continuas
3.3 Variables Aleatorias Continuas3.3 Variables Aleatorias Continuas
3.3 Variables Aleatorias Continuas
 
Variables aleatorias y distribuciones de probabilidad
Variables aleatorias y distribuciones de probabilidadVariables aleatorias y distribuciones de probabilidad
Variables aleatorias y distribuciones de probabilidad
 
Variables aleatorias
Variables aleatoriasVariables aleatorias
Variables aleatorias
 
Probabilidad Discreta
Probabilidad DiscretaProbabilidad Discreta
Probabilidad Discreta
 
Procesos industriales área manufactura
Procesos industriales área manufacturaProcesos industriales área manufactura
Procesos industriales área manufactura
 
Diapositivas 2
Diapositivas 2Diapositivas 2
Diapositivas 2
 
Distribuciones2 de probabilidad.lm
Distribuciones2 de probabilidad.lmDistribuciones2 de probabilidad.lm
Distribuciones2 de probabilidad.lm
 
Fase2 100402 grupo_292
Fase2 100402 grupo_292Fase2 100402 grupo_292
Fase2 100402 grupo_292
 
Distribución triangular
Distribución triangularDistribución triangular
Distribución triangular
 
Distribucion de probabilidad
Distribucion de probabilidadDistribucion de probabilidad
Distribucion de probabilidad
 

Destacado

Prospect engagement & sales pipeline overview
Prospect engagement & sales pipeline overviewProspect engagement & sales pipeline overview
Prospect engagement & sales pipeline overview
Heinz Marketing Inc
 
Karem lucero garcia vitela
Karem lucero garcia vitelaKarem lucero garcia vitela
Karem lucero garcia vitela
karemlucero
 
Computacion i
Computacion iComputacion i
Computacion i
Alex Olivo
 
Ejercicio 1 2
Ejercicio 1 2Ejercicio 1 2
Ejercicio 1 2
sontorito0o
 
Ejercicio 1 2
Ejercicio 1 2Ejercicio 1 2
Ejercicio 1 2
sontorito0o
 
Presentation 5 of Kitchens
Presentation 5 of KitchensPresentation 5 of Kitchens
Presentation 5 of Kitchens
nancyrickardfast
 
14
1414
14
aazp
 
Trabajo2 unidad2
Trabajo2 unidad2Trabajo2 unidad2
Trabajo2 unidad2
alimacni
 
Food
FoodFood
20140201 brand management iba bba18
20140201 brand management iba bba1820140201 brand management iba bba18
20140201 brand management iba bba18
Zeeshan Huq
 
20130926 buyer behavior iba mba48 d
20130926 buyer behavior iba mba48 d20130926 buyer behavior iba mba48 d
20130926 buyer behavior iba mba48 d
Zeeshan Huq
 
Planning
PlanningPlanning
Planning
amrisha93
 
50 palabras
50 palabras50 palabras
50 palabras
VicNoee
 
English Is Fun
English Is FunEnglish Is Fun
English Is Fun
pattyuk
 
Stacklabs
StacklabsStacklabs
Stacklabs
powellcalvinss
 
Seminario 10
Seminario 10Seminario 10
Seminario 10
Salud Benitez Garcia
 
Collective ID easter follow up
Collective ID easter follow upCollective ID easter follow up
Collective ID easter follow up
aquinasmedia
 
50 palabras y su traduccion
50 palabras y su traduccion50 palabras y su traduccion
50 palabras y su traduccion
Sujey Yulim Mendez Espino
 
Aplicasiones de los histogramas en spc
Aplicasiones de los histogramas en spcAplicasiones de los histogramas en spc
Aplicasiones de los histogramas en spc
Fer Echavarria
 

Destacado (20)

Milieu
MilieuMilieu
Milieu
 
Prospect engagement & sales pipeline overview
Prospect engagement & sales pipeline overviewProspect engagement & sales pipeline overview
Prospect engagement & sales pipeline overview
 
Karem lucero garcia vitela
Karem lucero garcia vitelaKarem lucero garcia vitela
Karem lucero garcia vitela
 
Computacion i
Computacion iComputacion i
Computacion i
 
Ejercicio 1 2
Ejercicio 1 2Ejercicio 1 2
Ejercicio 1 2
 
Ejercicio 1 2
Ejercicio 1 2Ejercicio 1 2
Ejercicio 1 2
 
Presentation 5 of Kitchens
Presentation 5 of KitchensPresentation 5 of Kitchens
Presentation 5 of Kitchens
 
14
1414
14
 
Trabajo2 unidad2
Trabajo2 unidad2Trabajo2 unidad2
Trabajo2 unidad2
 
Food
FoodFood
Food
 
20140201 brand management iba bba18
20140201 brand management iba bba1820140201 brand management iba bba18
20140201 brand management iba bba18
 
20130926 buyer behavior iba mba48 d
20130926 buyer behavior iba mba48 d20130926 buyer behavior iba mba48 d
20130926 buyer behavior iba mba48 d
 
Planning
PlanningPlanning
Planning
 
50 palabras
50 palabras50 palabras
50 palabras
 
English Is Fun
English Is FunEnglish Is Fun
English Is Fun
 
Stacklabs
StacklabsStacklabs
Stacklabs
 
Seminario 10
Seminario 10Seminario 10
Seminario 10
 
Collective ID easter follow up
Collective ID easter follow upCollective ID easter follow up
Collective ID easter follow up
 
50 palabras y su traduccion
50 palabras y su traduccion50 palabras y su traduccion
50 palabras y su traduccion
 
Aplicasiones de los histogramas en spc
Aplicasiones de los histogramas en spcAplicasiones de los histogramas en spc
Aplicasiones de los histogramas en spc
 

Similar a Universidad tecnologica de torreon

Trabajo final de estadistica
Trabajo final de estadisticaTrabajo final de estadistica
Trabajo final de estadistica
CYALE19
 
Trabajo final de estadistica
Trabajo final de estadisticaTrabajo final de estadistica
Trabajo final de estadistica
CYALE19
 
Alejandra
AlejandraAlejandra
Alejandra
karemlucero
 
Distribuciones de probabilidad
Distribuciones de probabilidadDistribuciones de probabilidad
Distribuciones de probabilidad
Alma Karina Sanchez Dominguez
 
Distribucion de probabilidad
Distribucion de probabilidadDistribucion de probabilidad
Distribucion de probabilidad
Azucena Avila Hernandez
 
Distribuciones de probabilidad
Distribuciones de probabilidadDistribuciones de probabilidad
Distribuciones de probabilidad
zooneerborre
 
Trabajo Final 2
Trabajo Final 2Trabajo Final 2
Trabajo Final 2
LauraAnguiano25
 
Universidad tecnológica de Torreón Distribuciones
Universidad tecnológica de Torreón DistribucionesUniversidad tecnológica de Torreón Distribuciones
Universidad tecnológica de Torreón Distribuciones
Carlos Garcia Godoy
 
Distribuciones
DistribucionesDistribuciones
Distribuciones
Fer Echavarria
 
Fase2 100402 grupo_292
Fase2 100402 grupo_292Fase2 100402 grupo_292
Fase2 100402 grupo_292
JACK ROBERT LLORENTE MOSQUERA
 
Distrubuciones para subir al blog
Distrubuciones para subir al blogDistrubuciones para subir al blog
Distrubuciones para subir al blog
Zoniia ALmanza
 
Distribuciones de probabilidad.lm
Distribuciones de probabilidad.lmDistribuciones de probabilidad.lm
Distribuciones de probabilidad.lm
LMartiinez
 
Unidad dos punto n° 2
Unidad dos punto n° 2Unidad dos punto n° 2
Unidad dos punto n° 2
eduardobarco
 
TIPOS DE DISTRIBUCIONES
TIPOS DE DISTRIBUCIONESTIPOS DE DISTRIBUCIONES
TIPOS DE DISTRIBUCIONES
Yovana Marin
 
Procesos industriales área manufactura
Procesos industriales área manufacturaProcesos industriales área manufactura
Procesos industriales área manufactura
Yovana Marin
 
Investigacion uni4
Investigacion uni4Investigacion uni4
Investigacion uni4
Vana Cigarroa
 
Distribuciones de probabilidad.
Distribuciones de probabilidad.Distribuciones de probabilidad.
Distribuciones de probabilidad.
LMartiinez
 
Presentación distribuciones discretas denís cañas
Presentación distribuciones discretas denís cañasPresentación distribuciones discretas denís cañas
Presentación distribuciones discretas denís cañas
Denis2014
 
Distribución de la probabilidad
Distribución de la probabilidadDistribución de la probabilidad
Distribución de la probabilidad
angela guevara
 
Distribución de probabilidades
Distribución de probabilidadesDistribución de probabilidades
Distribución de probabilidades
UTT
 

Similar a Universidad tecnologica de torreon (20)

Trabajo final de estadistica
Trabajo final de estadisticaTrabajo final de estadistica
Trabajo final de estadistica
 
Trabajo final de estadistica
Trabajo final de estadisticaTrabajo final de estadistica
Trabajo final de estadistica
 
Alejandra
AlejandraAlejandra
Alejandra
 
Distribuciones de probabilidad
Distribuciones de probabilidadDistribuciones de probabilidad
Distribuciones de probabilidad
 
Distribucion de probabilidad
Distribucion de probabilidadDistribucion de probabilidad
Distribucion de probabilidad
 
Distribuciones de probabilidad
Distribuciones de probabilidadDistribuciones de probabilidad
Distribuciones de probabilidad
 
Trabajo Final 2
Trabajo Final 2Trabajo Final 2
Trabajo Final 2
 
Universidad tecnológica de Torreón Distribuciones
Universidad tecnológica de Torreón DistribucionesUniversidad tecnológica de Torreón Distribuciones
Universidad tecnológica de Torreón Distribuciones
 
Distribuciones
DistribucionesDistribuciones
Distribuciones
 
Fase2 100402 grupo_292
Fase2 100402 grupo_292Fase2 100402 grupo_292
Fase2 100402 grupo_292
 
Distrubuciones para subir al blog
Distrubuciones para subir al blogDistrubuciones para subir al blog
Distrubuciones para subir al blog
 
Distribuciones de probabilidad.lm
Distribuciones de probabilidad.lmDistribuciones de probabilidad.lm
Distribuciones de probabilidad.lm
 
Unidad dos punto n° 2
Unidad dos punto n° 2Unidad dos punto n° 2
Unidad dos punto n° 2
 
TIPOS DE DISTRIBUCIONES
TIPOS DE DISTRIBUCIONESTIPOS DE DISTRIBUCIONES
TIPOS DE DISTRIBUCIONES
 
Procesos industriales área manufactura
Procesos industriales área manufacturaProcesos industriales área manufactura
Procesos industriales área manufactura
 
Investigacion uni4
Investigacion uni4Investigacion uni4
Investigacion uni4
 
Distribuciones de probabilidad.
Distribuciones de probabilidad.Distribuciones de probabilidad.
Distribuciones de probabilidad.
 
Presentación distribuciones discretas denís cañas
Presentación distribuciones discretas denís cañasPresentación distribuciones discretas denís cañas
Presentación distribuciones discretas denís cañas
 
Distribución de la probabilidad
Distribución de la probabilidadDistribución de la probabilidad
Distribución de la probabilidad
 
Distribución de probabilidades
Distribución de probabilidadesDistribución de probabilidades
Distribución de probabilidades
 

Más de Lúaz Garcia

Prueba de hipótesis
Prueba de hipótesisPrueba de hipótesis
Prueba de hipótesis
Lúaz Garcia
 
Estad quimestimacionintconfianza
Estad quimestimacionintconfianzaEstad quimestimacionintconfianza
Estad quimestimacionintconfianza
Lúaz Garcia
 
Ejemplos de distribuciones probabilidad
Ejemplos de distribuciones  probabilidadEjemplos de distribuciones  probabilidad
Ejemplos de distribuciones probabilidad
Lúaz Garcia
 
Distribuciones de probabilidad
Distribuciones de probabilidadDistribuciones de probabilidad
Distribuciones de probabilidad
Lúaz Garcia
 
Probabilidad
ProbabilidadProbabilidad
Probabilidad
Lúaz Garcia
 
Distribuciones de probabilidad
Distribuciones de probabilidadDistribuciones de probabilidad
Distribuciones de probabilidad
Lúaz Garcia
 
Distribuciones de probabilidad
Distribuciones de probabilidadDistribuciones de probabilidad
Distribuciones de probabilidad
Lúaz Garcia
 
Distribuciones de probabilidad
Distribuciones de probabilidadDistribuciones de probabilidad
Distribuciones de probabilidad
Lúaz Garcia
 
Probabilidad
ProbabilidadProbabilidad
Probabilidad
Lúaz Garcia
 
Distribuciones de probabilidad
Distribuciones de probabilidadDistribuciones de probabilidad
Distribuciones de probabilidad
Lúaz Garcia
 
Estadis trab fin
Estadis trab finEstadis trab fin
Estadis trab fin
Lúaz Garcia
 
Ejemplos de ejercicios bernoulli
Ejemplos de ejercicios bernoulliEjemplos de ejercicios bernoulli
Ejemplos de ejercicios bernoulli
Lúaz Garcia
 
Ejemplos de ejercicios bernoulli
Ejemplos de ejercicios bernoulliEjemplos de ejercicios bernoulli
Ejemplos de ejercicios bernoulli
Lúaz Garcia
 
Teoría de probabilidad
Teoría de probabilidadTeoría de probabilidad
Teoría de probabilidad
Lúaz Garcia
 
Distribuciones de probabilidad
Distribuciones de probabilidadDistribuciones de probabilidad
Distribuciones de probabilidad
Lúaz Garcia
 
conceptos y ejemplos de probabilidad
conceptos y ejemplos de probabilidad conceptos y ejemplos de probabilidad
conceptos y ejemplos de probabilidad
Lúaz Garcia
 
Universidad tecnologica de torreon
Universidad tecnologica de torreonUniversidad tecnologica de torreon
Universidad tecnologica de torreon
Lúaz Garcia
 

Más de Lúaz Garcia (20)

Prueba de hipótesis
Prueba de hipótesisPrueba de hipótesis
Prueba de hipótesis
 
Estad quimestimacionintconfianza
Estad quimestimacionintconfianzaEstad quimestimacionintconfianza
Estad quimestimacionintconfianza
 
2
22
2
 
Prob
ProbProb
Prob
 
Probabilidad
ProbabilidadProbabilidad
Probabilidad
 
Ejemplos de distribuciones probabilidad
Ejemplos de distribuciones  probabilidadEjemplos de distribuciones  probabilidad
Ejemplos de distribuciones probabilidad
 
Distribuciones de probabilidad
Distribuciones de probabilidadDistribuciones de probabilidad
Distribuciones de probabilidad
 
Probabilidad
ProbabilidadProbabilidad
Probabilidad
 
Distribuciones de probabilidad
Distribuciones de probabilidadDistribuciones de probabilidad
Distribuciones de probabilidad
 
Distribuciones de probabilidad
Distribuciones de probabilidadDistribuciones de probabilidad
Distribuciones de probabilidad
 
Distribuciones de probabilidad
Distribuciones de probabilidadDistribuciones de probabilidad
Distribuciones de probabilidad
 
Probabilidad
ProbabilidadProbabilidad
Probabilidad
 
Distribuciones de probabilidad
Distribuciones de probabilidadDistribuciones de probabilidad
Distribuciones de probabilidad
 
Estadis trab fin
Estadis trab finEstadis trab fin
Estadis trab fin
 
Ejemplos de ejercicios bernoulli
Ejemplos de ejercicios bernoulliEjemplos de ejercicios bernoulli
Ejemplos de ejercicios bernoulli
 
Ejemplos de ejercicios bernoulli
Ejemplos de ejercicios bernoulliEjemplos de ejercicios bernoulli
Ejemplos de ejercicios bernoulli
 
Teoría de probabilidad
Teoría de probabilidadTeoría de probabilidad
Teoría de probabilidad
 
Distribuciones de probabilidad
Distribuciones de probabilidadDistribuciones de probabilidad
Distribuciones de probabilidad
 
conceptos y ejemplos de probabilidad
conceptos y ejemplos de probabilidad conceptos y ejemplos de probabilidad
conceptos y ejemplos de probabilidad
 
Universidad tecnologica de torreon
Universidad tecnologica de torreonUniversidad tecnologica de torreon
Universidad tecnologica de torreon
 

Universidad tecnologica de torreon

  • 1. UNIVERSIDAD TECNOLOGICA DE TORREON. NOMBRE:MONSERRAT GUADALUPE VILLA GONZALEZ. TRABAJO FINAL. LIC. EDGAR GERARDO MATA ORTIZ
  • 2. BERNOULLI Bernoulli es un experimento aleatorio en el que sólo se pueden obtener dos resultados (habitualmente etiquetados como éxito y fracaso). Se denomina así en honor a Jakob Bernoulli. Desde el punto de vista de la teoría de la probabilidad, estos ensayos están modelados por una variable aleatoria que puede tomar sólo dos valores, 0 y 1. Habitualmente, se utiliza el 1 para representar el éxito. Si p es la probabilidad de éxito, entonces el valor del valor esperado de la variable aleatoria es p y su varianza, p (1-p). Los procesos de Bernoulli son los que resultan de la repetición en el tiempo de ensayos de Bernoulli independientes pero idénticos. se utilizan para modelar fenómenos aleatorios que sólo tienen dos resultados posibles, como por ejemplo: Al lanzar una moneda, comprobar si sale cara (éxito) o cruz (fracaso). Se suele suponer que una moneda tiene una probabilidad de éxito de 0,5. Al lanzar un dado, ver si se obtiene un seis (éxito) o cualquier otro valor (fracaso). Al realizar una encuesta política, tras escoger un votante al azar, ver si éste votará "si" en un referéndum próximo. ¿Era el recién nacido niña? ¿Son verdes los ojos de una persona? ¿Decidió un cliente potencial comprar determinado producto? Hay que entender que éxito y fracaso son etiquetas para los resultados y que no debe ser interpretado literalmente.
  • 3. BINOMIAL la distribución binomial es una distribución de probabilidad discreta que mide el número de éxitos en una secuencia de n ensayos de Bernoulli independientes entre sí, con una probabilidad fija p de ocurrencia del éxito entre los ensayos. Un experimento de Bernoulli se caracteriza por ser dicotómico, esto es, sólo son posibles dos resultados. A uno de estos se denomina éxito y tiene una probabilidad de ocurrencia p y al otro, fracaso, con una probabilidad q = 1 - p. En la distribución binomial el anterior experimento se repite n veces, de forma independiente, y se trata de calcular la probabilidad de un determinado número de éxitos. Para n = 1, la binomial se convierte, de hecho, en una distribución de Bernoulli. Existen muchas situaciones en las que se presenta una experiencia binomial. Cada uno de los experimentos es independiente de los restantes (la probabilidad del resultado de un experimento no depende del resultado del resto). El resultado de cada experimento ha de admitir sólo dos categorías (a las que se denomina éxito y fracaso). Las probabilidades de ambas posibilidades han de ser constantes en todos los experimentos (se denotan como p y q o p y 1-p). Se designa por X a la variable que mide el número de éxitos que se han producido en los n experimentos. Cuando se dan estas circunstancias, se dice que la variable X sigue una distribución de probabilidad binomial, y se denota B(n,p). Supongamos que se lanza un dado 50 veces y queremos la probabilidad de que el número 3 salga 20 veces. En este caso tenemos una X ~ B(50, 1/6) y la probabilidad sería P(X=20):
  • 4. POISSON la distribución de Poisson es una distribución de probabilidaddiscreta que expresa, a partir de una frecuencia de ocurrencia media, la probabilidad que ocurra un determinado número de eventos durante cierto periodo de tiempo. La función de masa de la distribución de Poisson es donde k es el número de ocurrencias del evento o fenómeno (la función nos da la probabilidad de que el evento suceda precisamente k veces). λ es un parámetro positivo que representa el número de veces que se espera que ocurra el fenómeno durante un intervalo dado. Por ejemplo, si el suceso estudiado tiene lugar en promedio 4 veces por minuto y estamos interesados en la probabilidad de que ocurra k veces dentro de un intervalo de 10 minutos, usaremos un modelo de distribución de Poisson con λ = 10×4 = 40. e es la base de los logaritmos naturales (e = 2,71828 ...) Tanto el valor esperado como la varianza de una variable aleatoria con distribución de Poisson son iguales a λ. Los momentos de orden superior son polinomios de Touchard en λ cuyos coeficientes tienen una interpretación combinatorio. De hecho, cuando el valor esperado de la distribución de Poisson es 1, entonces según la fórmula de Dobinski, el n-ésimo momento iguala al número de particiones de tamaño n.
  • 5. NORMAL La distribución normalN (m, s) es un modelo matemático que rige muchos fenómenos. La experiencia demuestra que las distribuciones de la mayoría de las muestras tomadas en el campo de la industria se aproximan a la distribución normal si el tamaño de la muestra es grande. Esta distribución queda definida por dos parámetros: la media m y la desviación típica s. Se presenta mediante una curva simétrica conocida como campana de Gauss. Esta distribución nos da la probabilidad de que al elegir un valor, éste tenga una medida contenida en unos intervalos definidos. esto permitirá predecir de forma aproximada, el comportamiento futuro de un proceso, conociendo los datos del presente.
  • 6. T DE STUDENT la distribución t (de Student) es una distribución de probabilidad que surge del problema de estimar la media de una poblaciónnormalmente distribuida cuando el tamaño de la muestra es pequeño. Aparece de manera natural al realizar la prueba t de Student para la determinación de las diferencias entre dos medias muestrales y para la construcción del intervalo de confianza para la diferencia entre las medias de dos poblaciones cuando se desconoce la desviación típica de una población y ésta debe ser estimada a partir de los datos de una muestra. Supongamos que X1,..., Xn son variables aleatoriasindependientes distribuidas normalmente, con media μ y varianza σ2. Sea la media muestral. Entonces sigue una distribución normal de media 0 y varianza 1. Sin embargo, dado que la desviación estándar no siempre es conocida de antemano, Gosset estudió un cociente relacionado, donde es la varianza muestral y demostró que la función de densidad de T es donde es igual a n − 1. La distribución de T se llama ahora la distribución-t de Student. El parámetro representa el número de grados de libertad. La distribución depende de , pero no de o , lo cual es muy importante en la práctica.