1. Conceptos Generales
Una distribución de probabilidad indica toda la gama de valores que pueden
igual a este número tiene menos probabilidad de ocurrencia o que no ocurra el evento.
Por el contrario, si se acerca a 1 o es igual a 1, este evento puede llegar a ocurrir, puesto
fenómenos naturales.
lo real es siempre más complejo y multiforme que cualquier modelo que se pueda
responsables y por los usuarios, permite obviar la existencia del error o distancia la
realidad y el modelo. Los modelos teóricos a los que se hace referencia se reducen en
en el estudio de los juegos de azar, que impulsaron los primeros estudios sobre cálculo
toda distribución de probabilidad es generada por una variable (porque puede tomar
1.1. Variable aleatoria discreta (x). Se le denomina variable porque puede tomar
discreta porque solo puede tomar valores enteros y un número finito de ellos.
Por ejemplo:
X1: variable que nos define el número gramos por contenedor que son generadas
en un proceso dado.
1.2. Variable aleatoria continua (x). Se le denomina variable porque puede tomar
diferentes valores, aleatoria, porque los valores que toma son totalmente al azar
Por ejemplo:
1.3 Media: La media de esta distribución puede ser obtenida como una
media aritmética de los valores que toma la variable (x1, x2..., xk).
1.4 Varianza: La varianza se obtiene de la forma ya conocida; es decir, como
varianza será:
En este trabajo abordaremos acerca de las probabilidades discretas, que es generada por
entender más acerca de las probabilidades para poder comprender la realidad y tomar
distribuciones:
- Distribución Binomial.
- Distribución Hipergeometrica.
- Distribución de Poisson.
Bien, veremos que este tipo de fenómenos los podemos estudiar como una variable o
Si nos ponemos a pensar en fenómenos económicos reales, veremos que existen muchos
que se pueden ajustar a un comportamiento de este tipo. Todos ellos están estudiados
analizaremos.
CAPITULO 1
1. Concepto
La distribución de probabilidad discreta es un listado mutuamente excluyente de todos
los resultados numéricos posibles para esa variable aleatoria, tal que una probabilidad
específica de ocurrencia se asocia con cada resultado. El valor esperado de una variable
aleatoria discreta es un promedio ponderado de todos los posibles resultados, donde las
ponderaciones son las probabilidades asociadas con cada uno de los resultados.
Con una distribución de probabilidad discreta, cada valor posible de la variable aleatoria
discreta puede estar asociado con una probabilidad distinta de cero. Por lo tanto, una
1.1. Variable aleatoria discreta (x). Se le denomina variable porque puede tomar
discreta porque solo puede tomar valores enteros y un número finito de ellos.
Ejemplo 1:
Las barras sombreadas en este ejemplo representan el número de ocurrencias cuando las
quejas diarias de los clientes son 15 o más. La altura de las barras suma 0.08346; por lo
tanto, la probabilidad de que el número de llamadas por día sea 15 o más es 8.35%.
Ejemplo 2:
Sea el experimento aleatorio consistente en lanzar una moneda al aire. Los sucesos
elementales del experimento, <<que salga cara>>, <<que salga cruz>>, no vienen
En general, una variable aleatoria discreta se define como una aplicación f (xi) tal que:
Ejemplo 3:
posibles.
Es así, que podemos decir que una variable aleatoria discreta (X) tiene distribución
misma; es decir, cuando todos los posibles valores que puede adoptar la variable
DISTRIBUCION BINOMIAL:
experimento, cada una de ellas con la misma probabilidad de “éxito” igual a p, sigue
Este modelo se aplica a poblaciones finitas de las que se toman elementos al azar con
piezas que produce una máquina, siempre que el proceso de producción sea estable (la
proporción de piezas defectuosas se mantiene constante a largo plazo) y sin memoria (el
Ejemplo 1:
k: 0, 1, 2, ..., n
Parámetros:
Ejemplo 2:
Un examen consta de 10 preguntas a las que hay que contestar SI o NO. Suponiendo
que a las personas que se le aplica, no saben contestar a ninguna de las preguntas porque
Tener en cuenta que es una probabilidad de distribución binomial, puesto que la persona
Hallar:
DEFINICION:
relacionada con muestreos aleatorios y sin reemplazo. Suponga que se tiene una
eventos en una muestra de tamaño fijo cuando usted conoce el número total de
tiene dos resultados posibles (es un evento o un no evento). Las muestras no tienen
que un elemento sea seleccionado aumenta con cada ensayo, presuponiendo que aún no
utiliza en la prueba exacta de Fisher para probar la diferencia entre dos proporciones y
de tamaño finito.
1) Esperanza: E(X) = n N1 / N 2.
Donde:
Vamos a tratar de explicarlo:
Ejemplo 1:
En una urna hay 7 bolas verdes y 5 azules. Se sacan 4 bolas ¿Cuál es la probabilidad de
Entonces:
N = 12; N1 = 7; N2 = 5; k = 3; n = 4
Si aplicamos el modelo:
Por lo tanto, P (x = 3) = 0,3535.
Pero este modelo no sólo se utiliza con experimentos con bolas, sino que también se
Ejemplo 2:
Es decir, la probabilidad de que las 3 personas sean solteras es tan sólo del 1,75%.