Anda di halaman 1dari 70

INSTITUTO TECNOLGICO SUPERIOR DE TEPOSCOLULA

INGENIERA EN SISTEMAS COMPUTACIONALES


PROBABILIDAD Y ESTADISTICA
TEMAS: 2.8 Variables aleatorias conjuntas. 2.9 Modelos analticos de fenmenos aleatorios discretos. 2.10 Modelos analticos de fenmenos aleatorios continuos.

DORIS LZARO CHVEZ

CATEDRTICO: ING. IVAN ESPINOSA LPEZ

SAN PEDRO Y SAN PABLO TEPOSCOLULA, A 14 DE MARZO DE 2011.

NDICE
INTRODUCCIN----------------------------------------------------------------------- 3

2.8 Variables aleatorias conjuntas. --------------------------------------------------------- 4

Distribuciones De Probabilidad Conjunta --------------------------------------- 4

Distribuciones marginales de probabilidad -------------------------------------- 5

Distribuciones condicionales de probabilidad ---------------------------------- 6

Media y varianza para variables aleatorias conjuntas------------------------ 7

Covarianza ------------------------------------------------------------------------------- 8

2.9 Modelos analticos de fenmenos aleatorios discretos. ------------------------- 10

2.9.1 Funciones de Probabilidad (Discreto). --------------------------------------- 10

2.9.1.1 Definicin de variables aleatoria discreta. --------------------- 10

2.9.2 Funcin de probabilidad y de distribucin, valor esperado, varianza y desviacin estndar. --------------------------------------------------------------------------- 11

Funcin de probabilidad -------------------------------------------------------------- 11

Distribucin de probabilidad --------------------------------------------------------- 11 Definicin de funcin de distribucin ---------------------------------------------- 12 Esperanza matemtica --------------------------------------------------------------- 12 Desviacin estndar de una variable aleatoria discreta --------------------- 14 2.9.3 Distribuciones y otros (Discreto). ---------------------- 15 Binomial. --------------------------------- 15 Distribucin hipergeomtrica. ---------------------------------------- 16 Aproximacin de la hipergeomtrica por la binomial. ---------- 17 Distribucin geomtrica ------------------------------------------------ 18 Distribucin poisson ---------------------------------------------------- 18 2.10 Modelos analticos de fenmenos aleatorios continuos. ---------------------- 20 Definicin de variables aleatorias continuas. -------------------------------- 20 Funcin de distribucin ------------------------------------------------------ 21 Distribuciones y otros (Continuos). --------------------------- 22 Distribucin Uniforme y Exponencial --------------------- 22 Distribucin normal. ---------------------------------------------------------- 22 CONCLUSION ----------------------------------------------------------------------------------- 24 BIBLIOGRAFIA ---------------------------------------------------------------------------------- 25

Distribucin

INTRODUCCIN En la vida cotidiana sin darnos cuenta nos enfrentamos a situaciones en las cuales existen sucesos difciles de cuantificar, es en este caso cuando hacemos uso de las Tcnicas de Conteo, sin embargo, en los temas vistos anteriormente durante el curso hemos visto tcnicas que no son muy complejas, pero a como avanza el curso se muestran tcnicas cada vez ms complicadas es por eso que para entender un poco mejor en qu consisten estas tcnicas se realiz la siguiente investigacin. Primero que nada queda claro que en esta unidad hemos trabajado utilizando trminos como lo que son las variables y estas se pueden entender como trminos que no tienen bien definido su valor, es decir, puede tomar diferentes valores dependiendo de la situacin en la que nos encontremos. Algunos experimentos estadsticos pueden incluir ms de una variable aleatoria las cuales actan en forma conjunta, y es de inters determinar la probabilidad correspondiente a los diferentes valores que estas variables puedan tomar, debido a que el que suceda una u otra afectar directamente la ocurrencia del siguiente. En esta seccin revisamos las distribuciones de probabilidad para dos variables aleatorias que intervienen en forma conjunta, as como tambin se hace mencin de modelos analticos de Fenmenos Aleatorios Continuos y Discretos. Se abordaran los 3 ltimos temas de la segunda unidad de la asignatura de Probabilidad y Estadstica: 2.8 Variables aleatorias conjuntas. 2.9 Modelos analticos de fenmenos aleatorios discretos. 2.10 Modelos analticos de fenmenos aleatorios continuos. A lo largo de cada uno de estos temas se har mencin de las diferentes medidas de tendencia central, as como sus propiedades, caractersticas y lo principal cada una de sus formulas .

2.8 Variables aleatorias conjuntas. DISTRIBUCIONES DE PROBABILIDAD CONJUNTA


Caso discreto Definicin Sean X, Y: variables aleatorias discretas. Entonces su funcin de distribucin de probabilidad conjunta es f(x,y) Esta funcin satisface las siguientes propiedades 1) pxpy (f(x,y)d0) 2) ...xy1yxf),( 3) P(X=x,Y=y) = f(x,y) Tambin se puede definir la distribucin de probabilidad acumulada conjunta: F(x,y) = P(XTx,YTy) = , -VTx,yTV . ....xsyttsf),( Caso continuo Definicin Sean X, Y: dos variables aleatorias continuas, entonces su funcin de densidad conjunta es f(x,y) Esta funcin satisface las siguientes propiedades 1) f(x,y)d0, xs, ys 2) .........1dxdyyxf),( 3) P(aTXTb, cTYTd) = ..dcbadxdyyxf),( La funcin de densidad de probabilidad de dos variables aleatorias continuas X, Y, es una superficie en el espacio. La probabilidad P(aTXTb, cTYTd) es entonces una porcin del volumen debajo de la superficie y sobre el rectngulo aTXTb, cTYTd La funcin de distribucin conjunta acumulada es: P(XTx, YTy) = F(x,y) = . ......yxdudvvuf),(

DISTRIBUCIONES MARGINALES DE PROBABILIDAD


Estas definiciones corresponden a funciones de probabilidad de cada variable. Definicin Caso discreto (dos variables) Sean X,Y variables aleatorias discretas y f(x,y) su funcin de probabilidad conjunta. Entonces, las funciones de probabilidad g(x)=P(X=x)= .yyxf),( h(y)=P(Y=y)= .xyxf),( Se denominan funciones marginales de probabilidad . Caso continuo (dos variables) Sean X,Y variables aleatorias continuas y f(x,y) su funcin de densidad de probabilidad conjunta. Entonces, las funciones de densidad de probabilidad g(x)= ....dyyxf),( h(y)= ....dxyxf),( Se denominan funciones marginales de densidad de probabilidad . Para cada variable la distribucin marginal se obtiene sumando la funcin de probabilidad sobre la otra variable.

DISTRIBUCIONES CONDICIONALES DE PROBABILIDAD


Recordemos la frmula de probabilidad condicional para eventos P(A|B) = P(AxB)/P(B) Si definimos los eventos A: X=x B: Y=y Siendo X, Y variables aleatorias discretas con distribucin de probabilidad conjunta f(x,y), entonces, P(X=x|Y=y) = )(),(yYPyYxXP... Que se puede expresar con la notacin establecida para las distribuciones conjuntas: f(x|y) = )(),(yhyxf f(x|y) tambin satisface las propiedades de las funciones de probabilidad Definicin Sean X, Y variables aleatorias discretas con distribucin de probabilidad f(x,y) Entonces, la distribucin condicional de X dado que Y=y, es f(x|y) = Y la distribucin condicional de Y dado que X=x, es f(y|x) = . )x(g)y,x(f Definicin Sean X, Y variables aleatorias continuas con densidad de probabilidad f(x,y) Entonces, la densidad condicional de X dado que Y=y, es f(x|y) = Y la densidad condicional de Y dado que X=x, es f(y|x) = . )(),(xgyxf Las distribuciones condicionales tambin se pueden usar para calcular probabilidad: Caso discreto: P(aTXTb|Y=y) = ..baxyxf)|( Caso continuo: P(aTXTb|Y=y) = .badxyxf)|( Sustituyendo en la densidad condicional inicial se obtiene f(x,y) = g(x) h(y)

Definicin Se dice que X, Y son variables aleatorias continuas estadsticamente independientes si y solo si f(x,y) = g(x) h(y), en el dominio de x, y . Esta definicin se puede extender a ms variables aleatorias continuas. En el caso de variables aleatorias discretas, para que esta definicin sea cierta, debe cumplirse que en cada punto, el producto de las distribuciones marginales sea igual a la distribucin conjunta .

MEDIA Y VARIANZA PARA VARIABLES ALEATORIAS CONJUNTAS


Sean X, Y variables aleatorias con distribucin de probabilidad conjunta f(x,y) Sea G(X,Y), alguna expresin con X,Y. Por lo tanto G tambin es una variable aleatoria. Definicin Si X, Y son variables aleatorias discretas . La media o valor esperado de G(X,Y), es .......XYYXGyxfyxGYXGE),(),(),(),( Si X, Y son variables aleatorias continuas. La media o valor esperado de G(X,Y), es . . .............dxdyyxGYXGEYXG),(),(),( CASO ESPECIAL Si G(X,Y) = X ..)(),(),(xgxyxfxyxxfXEXYxyxX.......... Si G(X,Y) = Y . ............XYyxyYyyhyxfyyxyfYE)(),(),( en donde g(x), h(y) son las distribuciones marginales Igualmente para el caso continuo: Si G(X,Y) = X .........dxxxgXEX)( Si G(X,Y) = Y . .........dyyyhYEY)( en donde g(x), h(y) son las densidades marginales

COVARIANZA
La definicin de varianza se extiende a variables aleatorias conjuntas y se denomina covarianza Definicin Sean X, Y variables aleatorias discretas con distribucin conjunta f(x,y) Entonces, la covarianza de X, Y es
..................xyYXYXXYyxfyxYXEYXCov),())(())((,

Sean X, Y variables aleatorias continuas con densidad conjunta f(x,y) Entonces, la covarianza de X, Y es ........................dxdyyxfyxYXEYXCovYXYXXY),())(())((, Igualmente, se puede obtener una frmula alterna para calcular la covarianza: . ....YXXYXYEYXCov......, Demostracin Cov[X,Y] = E[(X-X)(Y-Y)] = E[XY - XY - YX + XY] = E[XY] - YE[X] - XE[Y] + XY = E[XY] - YX - XY + XY = E[XY] - XY Propiedades de la covarianza Si X, Y son variables aleatorias estadsticamente independientes, entonces Cov[X,Y] = 0 Signos de la covarianza La covarianza tiene signo positivo si valores grandes de X estn asociados con valores grandes de Y, o si valores pequeos de X estn asociados con valores pequeos de Y. La covarianza tiene signo negativo si valores grandes de la una variable estn asociados con valores pequeos de la otra variable. Este comportamiento se puede observar en la definicin de covarianza: ................xyYXYXyxfyxYXEYXCov),())(())((, Si los valores de X, Y son ambos grandes o ambos pequeos, el producto de sus diferencias con respecto a sus medias tendr signo positivo, y la suma de estos trminos tendr signo positivo. Tambin es cierto con variables continuas

Definicin Sean X, Y variables aleatorias conjuntas (discretas o continuas) entonces, el coeficiente de correlacin de X, Y es: , . ..YXXYYXXYYXCov........,11XY....

El smbolo del alfabeto griego se lee ro y es una medida estandarizada de la covarianza. Esta definicin puede extenderse a ms variables aleatorias conjuntas

2.9 Modelos analticos de fenmenos aleatorios discretos. 2.9.1 Funciones de Probabilidad (Discreto).
Toda distribucin de probabilidad es generada por una variable aleatoria x, la que puede ser de dos tipos (discreto y continuo), en este caso nicamente vamos a ver la discreta:

2.9.1.1 Definicin de variables aleatoria discreta.


Variable aleatoria discreta (x). Se le denomina variable porque puede tomar diferentes valores, aleatoria, porque el valor tomado es totalmente al azar y discreta porque solo puede tomar valores enteros y un nmero finito de ellos. Ejemplos: x_ Variable que nos define el nmero de burbujas por envase de vidrio que son generadas en un proceso dado. x_0, 1, 2, 3, 4, 5, etc, etc. burbujas por envase x_Variable que nos define el nmero de productos defectuosos en un lote de 25 productos. x_0, 1, 2, 3,....,25 productos defectuosos en el lote x_Variable que nos define el nmero de alumnos aprobados en la materia de probabilidad en un grupo de 40 alumnos. x_0, 1, 2, 3, 4, 5,....,40 alumnos aprobados en probabilidad Con los ejemplos anteriores nos damos cuenta claramente que los valores de la variable x siempre sern enteros, nunca fraccionarios.

2.9.1.2 Funcin de probabilidad y de distribucin, valor esperado, varianza y desviacin estndar. Funcin de probabilidad
En teora de la probabilidad, una funcin de probabilidad (tambin denominada funcin de masa de probabilidad) es una funcin que asocia a cada punto de su espacio muestral X la probabilidad de que sta lo asuma. En concreto, si el espacio muestral, E de la variable aleatoria X consta de los puntos x1, x2, ..., xk, la funcin de probabilidad P asociada a X es donde pi es la probabilidad del suceso X = xi. Por definicin de probabilidad, Hay que advertir que el concepto de funcin de probabilidad slo tiene sentido para variables aleatorias que toman un conjunto discreto de valores. Para variables aleatorias continuas el concepto anlogo es el de funcin de densidad.

Distribucin de probabilidad
En teora de la probabilidad y estadstica, la distribucin de probabilidad de una variable aleatoria es una funcin que asigna a cada suceso definido sobre la variable aleatoria la probabilidad de que dicho suceso ocurra. La distribucin de probabilidad est definida sobre el conjunto de todos los eventos rango de valores de la variable aleatoria. Cuando la variable aleatoria toma valores en el conjunto de los nmeros reales, la distribucin de probabilidad est completamente especificada por la funcin de distribucin, cuyo valor en cada real x es la probabilidad de que la variable aleatoria sea menor o igual que x.

Definicin de funcin de distribucin


Dada una variable aleatoria todos son puntos , su funcin de distribucin, , es Por simplicidad, cuando no hay lugar a confusin, suele omitirse el subndice y se escribe, simplemente, .

Propiedades
Como consecuencia casi inmediata de la definicin, la funcin de distribucin: h Es una funcin continua por la derecha. h Es una funcin montona no decreciente. Adems, cumple y Para dos nmeros reales cualesquiera a y b tal que (a < b), los sucesos y son mutuamente excluyentes y su unin es el suceso , por lo que tenemos entonces que: y finalmente Por lo tanto una vez conocida la funcin de distribucin F(x) para todos los valores de la variable aleatoria x conoceremos completamente la distribucin de probabilidad de la variable. Para realizar clculos es ms cmodo conocer la distribucin de probabilidad, y sin embargo para ver una representacin grfica de la probabilidad es ms prctico el uso de la funcin de densidad.

Esperanza matemtica
En estadstica la esperanza matemtica (tambin llamada esperanza, valor esperado, media poblacional o media) de una variable aleatoria X, es el nmero que formaliza la idea de valor medio de un fenmeno aleatorio. Cuando la variable aleatoria es discreta, la esperanza es igual a la suma de la probabilidad de cada posible suceso aleatorio multiplicado por el valor de dicho suceso. Por lo tanto, representa la cantidad media que se "espera" como resultado de un experimento aleatorio cuando la probabilidad de cada suceso se mantiene constante y el experimento se repite un elevado nmero de veces. Cabe decir que el valor que toma la esperanza matemtica en algunos casos puede no ser

"esperado" en el sentido ms general de la palabra - el valor de la esperanza puede ser improbable o incluso imposible.

Definicin
Para una variable aleatoria discreta con valores posibles y sus probabilidades representadas por la funcin de probabilidad p(xi) la esperanza se calcula como: Para una variable aleatoria continua la esperanza se calcula mediante la integral de todos los valores y la funcin de densidad : La definicin general de esperanza se basa, como toda la teora de la probabilidad, en el marco de la teora de la medida y se define como la siguiente integral: La esperanza tambin se suele simbolizar con Las esperanzas para se llaman momentos de orden . Ms importantes son los momentos centrados . No todas las variables aleatorias tienen un valor esperado. Por ejemplo, la distribucin de Cauchy no lo tiene.

Propiedades
La esperanza es un operador lineal, ya que:

Combinando estas propiedades, podemos ver que donde e son variables aleatorias y y y son tres constantes cualesquiera. La varianza de una variable aleatoria discreta se define como el promedio ponderado de los cuadros de las diferencias entre cada resultado posible y su media. Esta medida se puede obtener multiplicando el cuadrado de cada diferencia posible. por su probabilidad correspondiente y luego sumando los productos obtenidos. DESVIACIN ESTANDAR DE UNA VARIABLE ALEATORIA DISCRETA Se dice que un modelo es la representacin en miniatura de algunos fenmenos relevantes. En particular, un modelo matemtico es una expresin matemtica que representa algn fenmeno relevante. Para variables aleatorias discretas, esta expresin matemtica se conoce como funcin de distribucin de probabilidad.

2.9.2 Distribuciones y otros (Discreto).

2.9.2.1 Distribucin Binomial.

Supongamos que un experimento aleatorio tiene las siguientes caractersticas: h En cada prueba del experimento slo son posibles dos resultados: el suceso A (xito) y su contrario (fracaso). h El resultado obtenido en cada prueba es independiente de los resultados obtenidos anteriormente. h La probabilidad del suceso A es constante, la representamos por p, y no vara de una prueba a otra. La probabilidad es 1- p y la representamos por q . h El experimento consta de un nmero n de pruebas. Todo experimento que tenga estas caractersticas diremos que sigue el modelo de la distribucin Binomial. A la variable X que expresa el nmero de xitos obtenidos en cada prueba del experimento, la llamaremos variable aleatoria binomial. La variable binomial es una variable aleatoria discreta, slo puede tomar los valores 0, 1, 2, 3, 4, ..., n suponiendo que se han realizado n pruebas. Como hay que considerar todas las maneras posibles de obtener k-xitos y (n-k) fracasos debemos calcular stas por combinaciones (nmero combinatorio n sobre k). La distribucin Binomial se suele representar por B(n,p) siendo n y p los parmetros de dicha distribucin.

Funcin de Probabilidad de la v.a. Binomial


Funcin de probabilidad de la distribucin Binomial o tambin denominada funcin de la distribucin de Bernoulli (para n=1). Verificndose: 0 . p . 1 Como el clculo de estas probabilidades puede resultar algo tedioso se han construido tablas para algunos valores de n y p que nos facilitan el trabajo.

Parmetros de la Distribucin Binomial Funcin de Distribucin de la v.a. Binomial


siendo k el mayor nmero entero menor o igual a x i. Esta funcin de distribucin proporciona, para cada nmero real x i, la probabilidad de que la variable X tome valores menores o iguales que xi. El clculo de las F(x) = p( X .x) puede resultar laborioso, por ello se han construido tablas para algunos valores de n y p que nos facilitan el trabajo. Sea X una variable aleatoria discreta correspondiente a una distribucin binomial.

DISTRIBUCIN HIPERGEOMTRICA.
Los experimentos que tienen este tipo de distribucin tienen las siguientes caractersticas: a) Al realizar un experimento con este tipo de distribucin, se esperan dos tipos de resultados. b) Las probabilidades asociadas a cada uno de los resultados no son constantes. c) Cada ensayo o repeticin del experimento no es independiente de los dems. d) El nmero de repeticiones del experimento (n) es constante.

APROXIMACIN DE LA HIPERGEOMTRICA POR LA BINOMIAL.


Diremos en general que una v.a. X sigue una distribucin hipergeomtrica de parmetros, N, n y p, lo que representamos del modo , si su funcin de probabilidad es Observacin Cuando el tamao de la poblacin (N) es muy grande, la ley hipergeomtrica tiende a aproximarse a la binomial: El valor esperado de la hipergeomtrica es el mismo que el de la binomial, sin embargo su varianza no es exactamente la de la binomial, pues est corregida por un factor, , que tiende a 1 cuando . A este factor se le denomina factor de correccin para poblacin finita.

DISTRIBUCIN GEOMETRICA
Esta distribucin indica exactamente el nmero de repeticiones del experimento hasta lograr la caracterstica de inters. Se genera la simulacin de variables aleatorias tipo Geomtrica a partir del mtodo de la transformada inversa.

DISTRIBUCIN POISSON
Sirve para trabajar en teora de colas. Para simular una distribucin Poisson se deben usar sus propiedades estadsticas.

APROXIMACIN DE LA BINOMIAL POR LA DE POISSON. APROXIMACIN DE POISSON A LA BINOMIAL.


En este caso se determinarn probabilidades de experimentos Binomiales, pero que dadas sus caractersticas, es posible aproximarlas con la distribucin de Poisson, estas caractersticas son, n V_ ( n es muy grande) y p_0 (p es muy pequea), por lo que:

La expresin anterior solo se cumple cuando n _V y p_0, solo en este caso, si esto no se cumple, la aproximacin no se puede llevar a efecto, por lo que la frmula a utilizar en este caso sera:

Donde: == np = nmero esperado de xitos = tasa promedio de xitos n = nmero de repeticiones del experimento p = probabilidad de xito = p(xito) Una regla general aceptable es emplear esta aproximacin si nd20 y pT0.05: s nd100, la aproximacin es generalmente excelente siempre y cuando npT10.

2.10 Modelos analticos de fenmenos aleatorios continuos. Definicin de variables aleatorias continuas.
Variable aleatoria continua (x). Se le denomina variable porque puede tomar diferentes valores, aleatoria, porque los valores que toma son totalmente al azar y continua porque puede tomar tanto valores enteros como fraccionarios y un nmero infinito de ellos. Ejemplos: x_Variable que nos define el dimetro de un engrane en pulgadas x_5.0, 4.99, 4.98, 5.0, 5.01, 5.0, 4.96 x_Variable que nos define la longitud de un cable o circuito utilizado en un arns de auto x_20.5 cm, 20.1, 20.0, 19.8, 20,6, 20.0, 20.0 x_Variable que nos define la concentracin en gramos de plata de algunas muestras de mineral x_14.8gramos, 12.0, 10.0, 42.3, 15.0, 18.4, 19.0, 21.0, 20.8

Funcin de densidad
Una funcin y=f(x) es una funcin de densidad de una variable aleatoria continua si cumple las siguientes condiciones :

FUNCIN DE DISTRIBUCIN
En general, la funcin de distribucin de una variable aleatoria continua X es el modelo terico de la curva de frecuencias acumuladas que se espera obtener para X, y debe cumplir, evidentemente, estas propiedades: h Ser creciente h Tomar valores de 0 a 1 Es decir, la funcin de distribucin F(x) es una primitiva de la funcin de densidad f(x), o dicho de otra forma, la funcin de densidad es la derivada de la funcin de distribucin. Indica la probabilidad de que la variable aleatoria continua X sea menor o igual que un valor dado, es decir, proporciona la probabilidad acumulada hasta un determinado valor de la variable.

4.2. Distribuciones y otros (Continuos). Exponencial. La distribucin uniforme

4.2.1. Distribucin Uniforme y

Las distribuciones uniformes corresponden al experimento de elegir dos puntos al azar entre dos fijos m y n. Como la probabilidad de elegir cualquier punto es la misma, la funcin de densidad tendr la misma altura en todos los puntos entre m y n, es decir se trata de una funcin constante desde m a n, de altura 1/ (m-n).

La distribucin exponencial
Las distribuciones exponenciales se utilizan como modelo para representar tiempos de funcionamiento o tiempos de espera. Su funcin de densidad que depende de un parmetro k es de la forma f(x)=ke -kx h La media de esta distribucin es 1/k y la desviacin tpica tambin es 1/k

DISTRIBUCIN NORMAL.
Caractersticas: a) Es generada por una variable de tipo continuo, denominada x; -V x V b) La funcin que nos define esta distribucin es: -V x V Al dar a la funcin los valores de , 2 y valores a x, obtendremos la distribucin en cuestin, la que tiene forma de campana, por lo que tambin se le conoce como campana de Gauss. Hay un nmero infinito de funciones de densidad Normal, una para cada combinacin de y . La media mide la ubicacin de la distribucin y la desviacin estndar mide su dispersin. c) Es simtrica con respecto a su eje vertical.

d) Es asinttica con respecto a su eje horizontal; esto quiere decir que jams va a tocar el eje de las equis. e) El rea total bajo la curva es 1. f) S sumamos a b , se observar que aproximadamente el 68.26% de los datos se encuentran bajo la curva, si sumamos a b 2, el 95.44% de los datos estar entre esos lmites y si sumamos a b 3, entonces el 99.74% de los datos caer dentro de esos lmites. Esta caracterstica es a la vez una forma emprica y rpida de demostrar si los datos que se analizan tienen una distribucin Normal; ya que para trabajar los datos con esta distribucin, debe verificarse que efectivamente as se distribuyen, ya que de no hacerlo, las decisiones que en un momento dado se tomarn de un anlisis de los datos con la distribucin Normal, seran errneas. Cmo se determinan probabilidades con la distribucin Normal? De acuerdo a como se trataron las distribuciones de probabilidad continuas en la unidad III, lo ms lgico es que la funcin f(x, , 2), se integre entre los lmites de la variable x; esto es, La integral anterior nos dara el rea bajo la curva de la funcin, desde a hasta b, que corresponde o es igual a la probabilidad buscada. Debido a la dificultad que se presenta para integrar esta funcin cada vez que sea necesario, lo que se hace es tipificar el valor de la variable x, esto es, x se transforma en un valor de z, de la siguiente manera: Este valor de z es buscado en una tabla donde vienen reas asociadas a este valor, y haciendo uso de los valores tabulados, se determina la probabilidad requerida. La tabla que es usada para calcular las probabilidades es la que nos d el rea.

CONCLUSION
Una vez terminada la investigacin concluyo que en la probabilidad existen diferentes trminos que ahora ya han quedado bien definidos como los son las medidas de tendencia central este tipo de medidas con ciertas tendencias centrales o dispersas son muy importantes y tienen una gran aplicacin en la solucin de problemas en el rea de estudio a partir de datos agrupados o datos no agrupados para poder entender mejor el comportamiento de algunas variables que para algunas empresas representa tiempo, esfuerzo o costos y que se pueden optimizar mediante la aplicacin de este tipo de clculos estadsticos y que se pueden representar de una manera fcil y entendible mediante de grficos e histogramas con la informacin necesaria para el interesado ayudndolo a un mejor entendimiento y comprensin del problema en cuestin. As tambin se hizo mencin de algunos teoremas stos son aplicables para resolver diferentes tipos de problemas tomando en cuenta cierto tipo de limitaciones o caractersticos del problema que una vez entendiendo el tema se pueden aplicar estas caractersticas que son de suma importancia para resolver diversos problemas en el rea de estudio partiendo de datos reales encontrando soluciones reales. Con la finalidad de minimizar costos, esfuerzos y tiempos y optimizar adecuadamente ciertos procesos logrando una mayor productividad para la empresa. En la mayora de las veces para hacer uso de los mtodos mencionados anteriormente se necesita de datos agrupados, que es para ellos donde se utilizan las formulas de varianza, desviacin estndar, entre otras.

BIBLIOGRAFIA www.ocw.espol.edu.ec/instituto-de-ciencias-matematicas/estadistica/ http://www.itescam.edu.mx/principal/sylabus/rptSylabus.php? tipo=PDF&id_asignatura=256&clave_asignatura=INB-0402&carrera=IIND0405001 http://centros.edu.xunta.es/iesaslagoas/metodosesta/0documentos/T01_1_EstadisticaDescriptiva.pdf http://thales.cica.es/rd/Recursos/rd97/UnidadesDidacticas/53-1-u-punt11.html http://es.wikipedia.org/wiki/Funci%C3%B3n_de_probabilidad http://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_probabilidad http://www.itch.edu.mx/academic/industrial/sabaticorita/_private/04Distr%20Hipergeometrica%20Gral.htm http://www.itch.edu.mx/academic/industrial/sabaticorita/index.html http://es.wikipedia.org/wiki/Esperanza_matem%C3%A1tica http://www.itch.edu.mx/academic/industrial/sabaticorita/index.html http://personal5.iddeo.es/ztt/Tem/t19_distribucion_binomial.htm http://www.virtual.unal.edu.co/cursos/sedes/manizales/4060015/Lecciones/Capitulo%20VI/distribuciones1.htm Luna, Rita. Curso: PROBABILIDAD Y ESTADSTICA-DISTRIBUCIN HIPERGEOMTRICA. Instituto Tecnolgico de Chihuahua. Mxico 2005. pp. 5. Cetina Lpez Wendy. APROXIMACIN DE LA HIPERGEOMTRICA POR LA BINOMIAL. Mxico. 2005. pp. 3.