TRABAJO COLABORATIVO 2

PROBABILIDAD

LICETH YESENIA CAPACHO CABEZA

CODIGO: 1094682498

TUTORA
AZUCENA GIL TRIANA

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

ADMINISTRACION DE EMPRESA
PAMPLONA
OCTUBRE DE 2015

CONCEPTOS
VARIABLE ALEATORIA DISCRETA
Se denomina variable aleatoria discreta aquella que slo puede tomar un nmero
finito de valores dentro de un intervalo. Por ejemplo, el nmero de componentes de
una manada de lobos, pude ser 4 5 6 individuos pero nunca 5,75 5,87. Otros
ejemplos de variable discreta seran el nmero de pollos de gorrin que llegan a volar
del nido o el sexo de los componentes de un grupo familiar de babuinos.
Densidad
Se denomina densidad discreta a la probabilidad de que una variable aleatoria discreta
X tome un valor numrico determinado (x). Se representa:
f(x) = P[X=x]
La suma de todas las densidades ser igual a 1

VARIABLE ALEATORIA CONTINUA

Una v ariabl e al eatori a continu a es a qu ell a qu e pued e tomar todo s
los valor es posib les dentro de un ci erto int erva lo d e l a recta rea l.
Eje mplo s:
La alt ura de los al umnos d e u na clase, l as horas de duraci n de una
pil a.

VALOR ESPER ADO

El valor q ue se espera obte ner d e un e xp eriment o estad stico se ll
ama el val or espera do. Tambi en ll amad o esper anza mate mt ica.
Tamb ien lo ll amamos me di a y esta es la pa la bra q ue vamos a
seguir usa nd o. Si tira mos un a mo ne da 1 0 veces, esper amos q ue
salga 5 veces car a y 5 veces cruz. Espera mos obt en er este
valor porq ue la pro bab ili da d d e q ue salga cara es o,5, y si lanza mos
la mo ned a 10 veces, o bte ne mos 5. Por lo t ant o, 5 es la me di a. Par a
formal izar este part icular e je mpl o de la me di a, si p es la prob abi li dad
y n el n mer o d e eve ntos, la me dia es a = np . Esta es la forma d e l a
me dia . Para for ma lizar este p articul ar ej emplo de la med ia, si p es la
pro bab ili da d y n el nmero de event os, distri buci n bin omina l.

 VARI ANZ A
La varianza muestral
Se puede definir como el "casi promedio" de los cuadrados de las desviaciones de los datos
con respecto a la media muestral. Su frmula matemtica para el caso de datos referentes a
una muestra es:

Y para el caso de datos de una poblacin es dada por

Propiedades de la varianza
Dos propiedades importantes de la varianza son:
1. La varianza de una constante es cero
2. Otra propiedad importante es que si se tiene la varianza

de de un conjunto de

datos y a cada observacin se multiplica por una constante , entonces la nueva

varianza de los datos se obtiene multiplicando a la varianza de los datos por
.

Ejemplo
La varianza muestral para los datos del ejemplo 1 de la clase 04, se determina de la siguiente
manera

DISTRIBUCION BINOMINAL

La distribucin binomial es una distribucin de probabilidad discreta que cuenta el

nmero de xitos en una secuencia de n ensayos de Bernoulli independientes entre
s, con una probabilidad fija p de ocurrencia del xito entre los ensayos. Un
experimento de Bernoulli se caracteriza por ser dicotmico, esto es, slo son posibles
dos resultados. A uno de estos se denomina xito y tiene una probabilidad de
ocurrencia p y al otro, fracaso, con una probabilidad q = 1 - p. En la distribucin
binomial el anterior experimento se repite n veces, de forma independiente, y se trata
de calcular la probabilidad de un determinado nmero de xitos. Para n = 1, la
binomial se convierte, de hecho, en una distribucin de Bernoulli.
Para representar que una variable aleatoria X sigue una distribucin binomial de
parmetros n y p, se escribe:

DISTRIBUCION BINOMINAL NEGATIVA Y GEOMETRICA

En la distribucin geomtrica, la variable aleatoria estaba definida como el nmero de

ensayos Bernoulli necesarios para obtener el primer xito. Suponga ahora que se desea
conocer el nmero de ensayos hasta obtener r xitos; en este caso la variable aleatoria
es denominada binomial negativa.

La distribucin binomial negativa o distribucin de Pascal es una generalizacin de la

distribucin geomtrica donde la variable aleatoria X es el nmero de ensayos Bernoulli
efectuados hasta que se tienen r xitos, con una probabilidad constante de xito p. Se
dice entonces que X tiene una distribucin binomial negativa con parmetros p y r = 1, 2,
3,...

DISTRIBUCION DE POISON

Esta distribucin es una de las ms importantes distribuciones de variable discreta. Sus

principales aplicaciones hacen referencia a la modelizacin de situaciones en las que nos
interesa determinar el nmero de hechos de cierto tipo que se pueden producir en un
intervalo de tiempo o de espacio, bajo presupuestos de aleatoriedad y ciertas
circunstancias restrictivas. Otro de sus usos frecuentes es la consideracin lmite de
procesos dicotmicos reiterados un gran nmero de veces si la probabilidad de obtener
un xito es muy pequea

. DISTRIBUCION HIPERGEOMETRICA

La distribucin hipergeomtrica es especialmente til en todos aquellos casos en los que

se extraigan muestras o se realizan experiencias repetidas sin devolucin del elemento
extrado o sin retornar a la situacin experimental inicial, de hecho, situaciones en las que
se repite un nmero determinado de veces una prueba dicotmica de manera que con
cada sucesivo resultado se ve alterada la probabilidad de obtener en la siguiente prueba
uno u otro resultado. Es una distribucin .fundamental en el estudio de muestras
pequeas de poblaciones .pequeas y en el clculo de probabilidades de, juegos de azar
y tiene grandes aplicaciones en el control de calidad en otros procesos experimentales en
los que no es posible retornar a la situacin de partida.
La distribucin hipergeomtrica puede derivarse de un proceso experimental puro o de
Bernoulli con las siguientes caractersticas:
El proceso consta de n pruebas, separadas o separables de entre un conjunto de N
pruebas posibles.
Cada una de las pruebas puede dar nicamente dos resultados mutuamente
excluyentes: A y no A.

DISTRIBUCION UNIFORME DISCRETA

Tenemos esta distribucin cuando el resultado de una experiencia aleatoria puede ser un
conjunto finito de n posibles resultados, todos ellos igualmente probables.
Un ejemplo puede ser la variable X, puntuacin en el lanzamiento de un dado regular.
Esta variable toma seis valores posibles, todos con la misma probabilidad p = 1/6. La
funcin de densidad de esta variable ser:
f(k) = P[X = k] = 1/6

k = 1, 2, 3, 4, 5, 6

En general, si la variable X puede tomar n (k = 1, 2, ..., n) valores, todos con igual

probabilidad, su funcin de densidad ser:
f(k) = P[X = k] = 1/n

Propiedades del modelo Uniforme discreto

k = 1, 2, ..., n

Sea n el nmero de valores equiprobables posibles:

1) Esperanza:

2) Varianza:

DISTRIBUCION UNIFORME CONTINUA

La distribucin o modelo uniforme puede considerarse como proveniente de un proceso

de extraccin aleatoria .El planteamiento radica en el hecho de que la probabilidad se
distribuye uniformemente a lo largo de un intervalo. As: dada una variable aleatoria
continua, x, definida en el intervalo [a,b] de la recta real, diremos que x tiene una
distribucin uniforme en el intervalo [a,b] cuando su funcin de densidad
para

sea:

Su representacin grfica ser:

para x [a,b].

DISTRIBUCION NORMAL

Una variable aleatoria continua , X, sigue una distribucin

normal de media y desviacin tpica , y se designa por N(, ),
si se cumplen las siguientes condiciones:
1. La variable puede tomar cualquier valor: (-, +)
2. La funcin de densidad , es la expresin en trminos de ecuacin
matemtica de la cur va de Gauss :

Curva de la distribucin normal

El campo de existencia es cualquier valor real, es decir, (-, +).

Es simtrica respecto a la media .
Tiene un mximo en la media .
Crece hasta la media y decrece a partir de ella.
En los puntos y + presenta puntos de inflexin.
El eje de abscisas es una asntota de la curva.

El rea del recinto determinado por la funcin y el eje de abscisas es igual a la

unidad.

Al ser simtrica respecto al eje que pasa por x = , deja un rea igual a 0.5 a la
izquierda y otra igual a 0.5 a la derecha.

DISTRIBUCION CHI CUADRADO

la distribucin de Pearson, llamada tambin ji cuadrada(o) o chi cuadrado(a) (), es

una distribucin de probabilidad continua con un parmetro

que representa los grados

de libertad de la variable aleatoria

Donde

son variables aleatorias normales independientes de media cero

y varianza uno. El que la variable aleatoria

habitualmente as:

tenga sta distribucin se representa

DISTRIBUCION T DE STUDENT

ir a distribuciones derivadas de la normal

La distribucin t de student (desarrollada por Gosset ) es , con la chi2 , la F de
Snedecor, y , por supuesto, la normal, transcendental para aplicaciones
inferenciales , en especial para aquellas en las que se desconoce la varianza ;
dado que no depende de las varianzas de las variables que la integran.
Su expresin formal parte de dos variables X e Y tales que:

e
de manera que
siendo t una
nueva distribucin conocida como t de student con n grados de libertad.
La distribucin t de student . admite , tambin , una definicin alternativa ,
tomada como la distribucin marginal de la primera variable de una distribucin
"normal-gamma" ; en este sentido la expresin de su funcin de densidad vendra
dada por :

Siendo n los grados de libertad que actan de parmetro

gamma de Euler

la funcin