CONTENIDO

LA DISTRIBUCIN DE PROBABILIDAD UNIFORME .......................................................................... 2 DISTRIBUCIN DE BERNOULLI ........................................................................................................... 7 DISTRIBUCIONES DISCRETAS: BINOMIAL ....................................................................................... 9 LA DISTRIBUCIN DE PROBABILIDAD GEOMTRICA .................................................................... 11 DISTRIBUCIN HIPERGEOMTRICA .................................................................................................. 14 MODELO PROBABILSTICO DISCRETO DE POISSON ...................................................................... 22 CONCLUSIONES ..................................................................................................................................... 25 BILIOGRAFIA........................................................................................................................................ 26

LA DISTRIBUCIN DE PROBABILIDAD UNIFORME

Distribucin Uniforme Discreta La Distribucin uniforme discreta es la ms simple de todas las distribuciones con probabilidad discreta. Describe el comportamiento de una variable discreta que puede tomar n valores distintos con la misma probabilidad cada uno de ellos. Esta distribucin asigna igual probabilidad a todos los valores enteros consecutivos entre el lmite inferior y el lmite superior que definen el recorrido de la variable; se aplica a un experimento que puede ocurrir de n formas mutuamente excluyentes y cada una de esas formas tiene la misma probabilidad de las otras; por tanto, cada probabilidad es 1/n, la variable aleatoria toma cada uno de sus valores con una probabilidad idntica, es decir cada elemento tiene la misma probabilidad. Por ejemplo cuando se observa el nmero obtenido tras el lanzamiento de un dado perfecto, los valores posibles siguen una distribucin uniforme discreta en {1, 2, 3, 4, 5, 6} y la probabilidad de cada cara es 1/6. Con idnticas probabilidades, entonces la distribucin uniforme discreta sta dada por: F(X; n)= 1/n, X=X1, X2,..Xn

Se utiliza la notacin f(x; n) para indicar que la distribucin uniforme depende del parmetro n. Sea la variable aleatoria X que puede asumir valores X=X1, X2,..Xn con idntica probabilidad. Entonces la distribucin uniforme discreta viene dada por:

O sea que el parmetro clave en esta distribucin es n=nmero de valores que asume la variable aleatoria X y que sera un parmetro de conteo.

As por ejemplo volviendo al ejemplo anterior cuando se lanza un dado correcto, cada una de las seis caras posibles conforman el espacio muestral: = {1P, 2P, 3P, 4P, 5P, 6P} La variable aleatoria X: nmero de puntos en la cara superior del dado tiene una distribucin de probabilidad Uniforme discreta, puesto que: F(x) = P [X=x]= F(x) = P [X=x]= 0

para x=1, 2, 3, 4, 5, 6
En otro caso

La representacin grfica de esta distribucin de probabilidad puede hacerse con un histograma para variable aleatoria discreta, f(x), es en este caso la altura

Planteemos sus caractersticas principales de tendencia central y dispersin. Media de la Distribucin Uniforme discreta f(x, n) son:

Varianza de la Distribucin Uniforme discreta f(x, n) son:

Caso: La Institucin Educativa Privada Pierre Laplace, perteneciente a la UGEL n1, aspira a crecer como institucin, preparando sus exmenes para postular a cualquiera Universidad del pas. Estas evaluaciones se realizan en el mdulo de secundaria y se realizan al final de cada bimestre acadmico. El temario de un examen bimestral contiene 50 temas selectivos entre los cuales destacan materias de ciencia; sin embargo no todos logran aprobar satisfactoriamente el examen, he ah el inters, en los ltimos puestos; ante este sector de estudiantes la Institucin ha iniciado un anlisis con un examen de subsanacin a pocos das de haberse llevado a cabo el examen. El temario del mencionado examen de subsanacin contiene todos los temas y se llevar a cabo de manera oral y/o escrita, de los cuales se elegir uno por sorteo en el instante, esta es una medida para promover acadmicamente a este sector de estudiantes. La variable que representa el nmero del tema seleccionado para examen sigue una distribucin uniforme con parmetros a=1 y b=50. estudiante aprueba el examen si le toca un tema del 1 al 50, Cul la probabilidad que apruebe el examen? Si el estudiante no estudiado los ltimos 15 temas. el El es ha

Solucin:
Para ello, realizaremos un clculo en el programa EPIDAT 3.1, Programa desarrollado por el Servicio de Informacin de la Direccin de la Organizacin Panamericana de la Salud (OPS-OMS). De la siguiente manera:

Con esto la Institucin Educativa Pierre Laplace, ofrece un mejoramiento acadmico como servicio a cada uno de sus estudiantes. Por lo ejecutado en el programa podemos darnos cuenta fcilmente de la siguiente condicin: Si el estudiante no ha estudiado 15 temas y aprueba con una probabilidad de 70%, es promovido como regular para nivelarlo y fortalecerlo acadmicamente. De no pasar este porcentaje, la Institucin tomara otra decisin como ofrecerles apoyo psicolgico, reforzamiento acadmico, evaluar otra opcin de habilidad y destreza, etc.

DISTRIBUCIN DE BERNOULLI
Introduccin: Una prueba de Bernoulli tiene uno de dos resultados mutuamente exclusivos, que por lo regular se denotan (xito y fracaso). Los resultados son exhaustivos es decir, no hay otros resultados posibles. Es considerado la base de la distribucin Binomial. Distribucin de Bernoulli: Consiste en realizar un experimento aleatorio una sola vez y observar si cierto suceso ocurre o no, siendo p la probabilidad de que esto sea as (xito) y q=1-p el que no lo sea (fracaso). En realidad no se trata ms que de una variable dicotmica, es decir que nicamente puede tomar dos modalidades, es por ello que el hecho de llamar xito o fracaso a los posibles resultados de las pruebas obedece ms una tradicin literaria o histrica, en el estudio de las v.a., que a la situacin real que pueda derivarse del resultado. Podramos por tanto definir este experimento mediante una v.a. discreta X que toma los valores X=0 si el suceso no ocurre, y X=1 en caso contrario, y que se denota P (X = 1) P (X = 0) = = p 1 p

Un ejemplo tpico de este tipo de variables aleatorias consiste en lanzar una moneda al aire y considerar la v.a.

PROPIEDADES Distribucin de Bernoulli de parmetro p: Media Varianza 2 E(X) = P Var (X) = P(1-P)

Desviacin Tpica

CASO PRCTICO

En la Bodega Karla, ubicada en la Urbanizacin Los Cipreses K 12, se realiza la compra semanal de frutos de un distribuidor particular. Recibe 6 cajas de Naranja, sin embargo no solo los recibe, pues tiene que verificar si el producto est en buen estado para poder quedarse con la mercadera. Se revisa una caja al azar: Si 4 a menos naranjas estn mal, se considera mercadera buena y se verifican un par de cajas ms. As tenemos: En una caja vienen: 45 naranjas Entonces tendremos: La fruta buena = Probabilidad de xito = p La fruta mala = Probabilidad de fracaso = q Entonces de las 45 naranjas: Usualmente las naranjas buenas son 41 aprox. Para 1 naranja tendremos lo siguiente: p (x = 1) = (41/45)1 + (4/45)0 = 0.9111 P (x = 0) = (41/45)0 + (4/45)1 = 0.0889 Tendremos la varianza de: Var(x) = p(1-p) = (0.9111)(1-0.9111) = 0.0809 Desviacin Tpica = 0.2844

Por cada naranja que saque de la caja tendr un 91.11% de que se encuentre en buen estado.

DISTRIBUCIONES DISCRETAS: BINOMIAL

Las distribucin binomial parte de la distribucin de Bernouilli: La distribucin de Bernouiili se aplica cuando se realiza una sola vez un experimento que tiene nicamente dos posibles resultados (xito o fracaso), por lo que la variable slo puede tomar dos valores: el 1 y el 0 La distribucin binomial se aplica cuando se realizan un nmero "n" de veces el experimento de Bernouiili, 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 xitos

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 distribucin de probabilidad de este tipo de distribucin sigue el siguiente modelo:

Alguien entiende esta frmula? Vamos a tratar de explicarla con un ejemplo:

10

LA DISTRIBUCIN DE PROBABILIDAD GEOMTRICA

Se recordar que en un experimento binomial se tiene una serie de eventos idnticos e independientes, y que cada uno origina un xito E o un fracaso F, con p(E) = p y p(F) = 1- p = q. Si se interesa el nmero x de pruebas hasta la observacin del primer xito, entonces x posee una distribucin de probabilidad geomtrica. Ntese que el nmero de pruebas podra seguir indefinidamente y que x es un ejemplo de variable aleatoria discreta que puede tomar un nmero infinito (pero contable) de valores. Las frmulas para la distribucin geomtrica son: p(x) = pq Donde, x = nmero de pruebas independientes hasta la ocurrencia del primer xito. p = probabilidad de xito en una sola prueba, q = 1 p. Media:
x-1

x = 1,2,,8

Variancia:

Desviacin estndar:

La distribucin de probabilidad geomtrica es un modelo para el intervalo de tiempo que un jugador (o inversionista) tiene que esperar hasta ganar. Por ejemplo, si la ganancia media en una serie de apuestas idnticas en la ruleta (o en alguna otra serie de pruebas idnticas), no es una buena medida para su prospectiva de ganar, podra tener una racha de mala suerte y quedarse sin dinero antes de tener la posibilidad de recuperar sus prdidas. La distribucin de probabilidad geomtrica tambin proporciona un modelo discreto para el lapso, digamos el nmero x de minutos, antes de que un consumidor en una fila o lnea de espera (en un supermercado, servicio de reparaciones, hospital, etc.) reciba la atencin [ntese que el lapso o intervalo de tiempo es una variable aleatoria continua. La distribucin de probabilidad geomtrica es una analoga discreta de (una aproximacin para) una distribucin de probabilidad continua particular, conocida como

11

distribucin exponencial]. Este modelo discreto para la distribucin de probabilidad de tiempo de espera x se basa en la suposicin de que la probabilidad de recibir el servicio durante cualquier minuto es idntica e independiente del resultado durante cualquier otro minuto y que x se mide en minutos enteros, es decir, x = 1, 2, 3. Caso Prctico

La tienda Comercial F & C, cuya actividad es la venta de electrodomsticos, planea conocer el volumen de ventas que hace durante el da, con lo cual evala la posibilidad de abrir otra tienda. Segn sus registros, el vendedor de la tienda tiene xito al vender 3 producto de cada diez con consultas (30%), suponiendo que cada consulta es independiente de una venta en cualquier otro momento. a) Cul es la probabilidad de que el vendedor tenga que tratar con 10 personas antes de hacer su primera venta? b) Cul es la probabilidad que la primera venta se realice antes o en la dcima oportunidad? c) Segn el volumen de ventas, Se debera abrir otra tienda? Solucin:

a) La probabilidad de realizar una venta en un solo contacto o consulta es

p = 0.3 Entonces la probabilidad de que necesita exactamente x = 10 contactos antes de hacer su primera venta es: p(x) = pq
9 x-1

o bien p(10) = (0.3)(0.7) = 0.012

b) La probabilidad de que se realice la primera venta antes de o en la

dcima entrevista, es: P(x = 10) = p(0) + p(1) + p(2) +.+ p(10) La manera ms sencilla de hallar esta probabilidad es expresarla como el complemento de una serie infinita, es decir: P(x = 10) = 1- P(x > 10)

12

Donde, P(x > 10) = p(11) + p (12) + p (13) + = pq

10 11

+ pq

La suma de una serie geomtrica infinita es igual a a / (1 - r), donde a es el primer trmino de la serie, r es la razn, comn, y r < 1. Utilizando este resultado, tenemos. P(x = 10) = 1 - p(x > 10) = 1 = 1 q = 1 (0.7)10 = 0.972
2

Por lo tanto existe una alta probabilidad (0.972) de que el vendedor realice la primera venta antes de o en el dcimo contacto. c) Puesto que las probabilidades de venta son altas dentro de las 10 consultas, es decir, es por lo menos una venta asegurada en cada 10 consultas, se decide abrir una nueva tienda.

13

DISTRIBUCIN HIPERGEOMTRICA
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 Bernouilli 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. En la primera prueba las probabilidades son: P(A) = p y P(A) = q; con p + q = l. Las probabilidades de obtener un resultado A y de obtener un resultado no A varan en las sucesivas pruebas, dependiendo de los resultados anteriores.

Consideramos un conjunto de N elementos en el que tenemos N1 elementos del tipo 1 y N - N1 elementos del tipo 2. Extraemos n sin reemplazamiento y definimos la variable aleatoria: X = nmero de elementos del tipo 1 en los n extrados. El modelo de distribucin que sigue esta variable aleatoria es una hipergeomtrica. Definicin: Se dice que una variable aleatoria discreta X sigue una distribucin hipergeomtrica de parmetros N, N1 y n con n N , si se verifica:

rg(X) = { max( 0, n ( N N1 ), , min( n, N1) ) }

Y la funcin de probabilidad de X es:

( )(
Con: 0 k N1
,

0 n - k N N1 . Se denota X

H(N, N1, n)

Proposicin: Si X

H(N, N1, n) entonces:

14

Donde, de la funcin de probabilidad:

( )

N: conjunto de elementos del tipo N1 y N-N1 N1: es el nmero de elementos del tipo 1. N N1: es el nmero de elementos del tipo2. k: es el nmero de elementos de N1 cuya probabilidad se est calculando n: es el nmero de ensayos que se realiza FUNCIN DE CUANTA Las probabilidades de obtener un resultado A y de obtener un resultado no A varan en las sucesivas pruebas, dependiendo de los resultados anteriores. Veamos:

Hay un total de

formas distintas de obtener

x resultados del tipo A y n-x del tipo , si partimos de una poblacin formada por Np elementos del tipo A y Nq elementos del tipo .

15

Por otro lado si realizamos n pruebas o extracciones hay un total de:

posibles muestras (grupos de n elementos)

Aplicando la regla de Laplace tendramos que:

que para valores de X comprendidos entre el conjunto de enteros 0,1,..n ser la expresin de la funcin de cuanta de una distribucin Hipergeomtrica de parmetros N, n, p.

MEDIA Y VARIANZA Considerando que una variable hipergeomtrica de parmetros N, n, p puede considerarse generada por la reiteracin de un proceso dicotmico n veces en el que las n dicotomas NO son independientes; podemos considerar que una variable hipergeomtrica es la suma de n variables dicotmicas NO independientes. Es bien sabido que la media de la suma de variables aleatorias (sean stas independientes o no) es la suma de las medias y por tanto la media de una distribucin hipergeomtrica ser, como en el caso de la binomial:

En cambio si las variables sumando no son independientes la varianza de la variable suma no ser la suma de las varianzas. Si se evala el valor de la varianza para nuestro caso se obtiene que la varianza de una distribucin hipergeomtrica de parmetros N, n, p es:

si

16

EJEMPLOS DE APLICACIN Ejemplo 1: En una urna hay 7 bolas blancas y 5 negras. Se sacan 4 bolas Cul es la probabilidad de que 3 sean blancas?
Solucin Definimos nuestros parmetros del modelo hipergeometrico:

N = 12;

N1 = 7;

N2 = 5;

k(x) = 3;

n=4

Aplicamos el modelo:

Por lo tanto, P (x = 3) = 0,3535. Es decir, la probabilidad de sacar 3 bolas blancas es del 35,3%.

Ejemplo 2: La empresa CERMICA MENFIS, compra grandes cantidades de cermicas por metro cuadrado en la ciudad de Lima para su venta en la ciudad de Huacho.
Las cermicas son transportadas a su almacn, ubicada en la ciudad de Huacho en trailers u mnibus de transporte pblico dependiendo de tamao del lote de las cermicas, en la cual hay productos en perfecto estado y algunos rotos y/o quebrados debido al mal manejo del proceso de carga, descarga y almacenamiento de las cermicas. Para tener un conocimiento acerca de las prdidas que se generan, la empresa MENFIS extraer una muestra de 2 cajas de cermicos de una muestra de 10 cajas. Se desea saber: a) Cul es la probabilidad de que en la muestra examinada, no exista mermas. b) Cul es la probabilidad de que en la muestra examinada, exista como mximo 1 caja deteriorada, ya que si fuera ms de esa cantidad si estara perdiendo la inversin.

17

Solucin Definimos nuestros parmetros:

N = 10 cajas n = 2 cajas (tamao de la muestra)

a) Para el caso de que no se encontrarn cajas deterioradas, es decir k=0 tenemos: k=0 N1 = 10

( )( )

Por lo tanto, la probabilidad de que en una muestra de 20 cajas de un lote de 100 cajas de cermico no exista cajas deterioradas es de 0.55 %, una probabilidad muy baja de obtener xito.

b) Para el caso de obtener como mximo 1 cajas deterioradas, para no obtener perdidas en la inversin, tenemos: k=1 N1 = 9

( )( )

Por lo tanto, la probabilidad de que en una muestra de 20 cajas de un lote de 100 cajas de cermico exista 1 caja deteriorada como mximo es de 20%, probabilidad media baja por lo que sugiere tener mayor cuidado en el proceso de carga y descarga de los productos para evitar prdidas de la inversin.

18

Ejemplo 3: Para evitar que lo descubran en la aduana, un viajero ha colocado 6 tabletas de

narctico en una botella que contiene 9 pldoras de vitamina que son similares en apariencia. Si el oficial de la aduana selecciona 3 tabletas aleatoriamente para analizarlas. a) Cul es la probabilidad de que el viajero sea arrestado por posesin de narcticos? b) Cul es la probabilidad de que no sea arrestado por posesin de narcticos? Solucin

N = 9 + 6 = 15 tabletas;

N1 = 6;

N2 = 9; k = 3

a) P(viajero sea arrestado por posesin de narcticos) = P(de que entre las 3 tabletas seleccionadas haya 1 o ms tabletas de narctico)

( ) ( ) ( )

( ) ( ) ( )

( ) ( ) ( )

Otra forma de resolver: ( ) ( ( ) )

Por lo tanto la probabilidad de que el viajero sea arrestado en la aduana por posesin de narcticos ser 81.5 % , una probabilidad alta. b) P(no sea arrestado por posesin de narcticos) ( ) ( ( ) )

19

Por lo tanto la probabilidad de que el viajero no sea arrestado en la aduana por posesin de narcticos ser 18.4 %, una probabilidad baja.

Grfica de la distribucin hipergeomtrica para el caso del viajero en la aduana.

Grfica de la Distribucin Hipergeomtrica

0.5 0.4 0.3 0.2 0.1 0 0 1 2 3

SEMEJANZAS Y DIFERENCIAS CON LA DISTRIBUCIN BINOMIAL Las semejanzas son: 1. Tanto el modelo Hipergeomtrico como el Binomial surgen de la repeticin de un experimento con slo dos resultados posibles. Si el tamao de la poblacin es grande o si el tamao de la muestra es muy pequeo en relacin con el de la poblacin, mediante el modelo Binomial se puede obtener una buena aproximacin al modelo Hipergeomtrico, aunque el muestreo se realice sin reemplazo, haciendo

Las diferencias entre ellos es que las repeticiones en un modelo Binomial son independientes, mientras que en el modelo Hipergeomtrico las repeticiones no son independientes. Por ejemplo, si

20

al realizar por primera vez un experimento el resultado es defectuoso (D1) y al realizar por segunda vez tambin es defectuoso (D2), entonces se tiene que:

P (D2 | D1) P (D2)

2. Las medias en los dos modelos son iguales, pero las variancias son diferentes. La variancia en el modelo Hipergeomtrico siempre es menor que en el Binomial, salvo cuando n = 1, pero entonces las dos distribuciones se reducen al modelo de Bernoulli.

De acuerdo a lo anterior, es fcil ver las condiciones en que se debe aplicar cada distribucin. Si la poblacin es infinita o el muestreo se realiza con reemplazo, el modelo adecuado es el Binomial. Si la poblacin es finita y el muestreo se realiza sin reemplazo, el modelo adecuado es el Hipergeomtrico, salvo el caso en que se pueda realizar la aproximacin mediante el modelo Binomial.

21

MODELO PROBABILSTICO DISCRETO DE POISSON

Existen varias maneras de justificar la definicin de un modelo Poisson, una de ellas es considerar la observacin de la ocurrencia de un cierto evento en un intervalo de duracin unitaria; el nmero de veces que ocurre ese evento en el intervalo, tambin se puede considerar como una variable aleatoria Poisson. En atencin a las dos maneras de justificar el modelo Poisson se dan las dos definiciones siguientes. Definicin 1: El modelo Poisson es una variable aleatoria que se puede definir como un proceso de lmites en un Experimento Binomial para n muy grande (n) y p muy pequeo (p0) tal que el producto (n*p) tiende a ser un valor finito m. Definicin 2: El modelo Poisson es una variable aleatoria que se puede definir como el nmero de veces que ocurre un cierto evento A en un intervalo de tiempo de duracin unitaria. Notas: La variable aleatoria tomar cualquier valor entero mayor o igual a cero. El modelo Poisson se denotar como P(m), donde m puede definirse como el producto (n*p) en trminos de la Definicin 1 o como la tasa de ocurrencia del evento A por unidad de tiempo, en trminos de la Definicin 2. La asignacin de probabilidades de cada valor de la variable est dada por la siguiente ecuacin.

22

CASO DE APLICACIN

La empresa INVERSIONES E&C ubicada en Av. Circunvalacin 1404 INTERIOR 31 MERCADO MODELO DE FRUTAS LA VICTORIA, se dedica a la produccin de durazno en jabas. Para satisfacer las rdenes de pedido la empresa ha creado tres grupos de trabajo el primer grupo de trabajo realiza el 50% de la produccin con un 1% de defecto, el segundo grupo realiza el 30% de la produccin con un 2% de defecto y finalmente el tercer grupo realiza el 20% de la produccin con un 3% de defecto. La empresa cliente ha establecido una tolerancia de aceptacin de productos defectuosos mediante un mtodo que consiste en analizar 100 jabas del envo total y aceptando el lote de jabas si hay cinco o menos jabas defectuosas. INVERSIONES E&C debe tomar la decisin de aceptar o rechazar la orden de produccin ya que de aceptar y no aprobar la evaluacin, el lote de productos sera rechazado.

SOLUCIN:
Para dar solucin a este problema hemos empleado el modelo probabilsticos discreto de Poisson ya que se encuentra en las condiciones debidas: Se tiene entonces que:

n = 100

p = ?

= n*p

M1: El 1 centro de prod. Produce el 50 % M2: El 2 centro de prod. Produce el 30 % M3: El 3 centro de prod. Produce el 20 %

P(M1)=0.50 P(M2)=0.30 P(M3)=0.20

23

D: Artculo defectuoso Entonces: P(D/M1) = 0.01 P(D/M2) = 0.02 P(D/M3) = 0.03

Segn el Teorema Total de la Probabilidad se tiene que: P(D) = P(M1)*P(D/M1) + P(M2)*P(D/M2) + P(M3)*P(D/M3) P(D) = (0.50)(0.01)+ (0.30)(0.02)+ (0.20)(0.03) P(D) = 0.017

Por lo tanto el valor del parmetro p es p = 0.017 El valor del parmetro

= n*p
ser

= =

(100)*(0.017) 1.7

La funcin de Distribucin de Poisson ser:

x=0,1,2,,100

Se pide hallar

P[x>5] = 1 - P[x<=5] P[x>5] = 1 0.9704 P[x>5] = 0.0296

Segn el estudio del caso y de la aplicacin del modelo probabilstico discreto de Poisson la probabilidad de que rechacen el pedido es de 0.0296, y por consiguiente la empresa debe tomar la decisin de aceptar la orden de produccin.

24

CONCLUSIONES
Los modelos probabilsticos discretos son adecuadamente aplicables en la toma de decisiones ya que los resultados ha garantizado un resultado verdadero tras la ejecucin de las obras.

En la medida en que se analizan distintos tipos de experimentos aleatorios se comienza a notar que el comportamiento de muchos de ellos es bastante similar entre s. Comienzan a repetirse caractersticas de una variable aleatoria a otra lo que conlleva a continuar la sistematizacin del anlisis al verificar esas caractersticas comunes.

25

BILIOGRAFIA
Suitberto Cabrera Garcia Dpto de EStadistica e investigacion Operativa aplicadas y calidad Universidad Politcnica de Valencia Espaa http://polimedia.upv.es/visor/?id=938c6ceb-9fc9-8141-beb7-f966c296db19 Universidad de Vigo - Espaa Principales distribuciones discretas http://webs.uvigo.es/anapg/Tema2Discretasmodif.pdf Universidad de Malaga Bioestadstica: Metodos y Aplicaciones http://www.bioestadistica.uma.es/libro/node69.htm http://webs.uvigo.es/anapg/Tema2Discretasmodif.pdf http://www.bioestadistica.uma.es/libro/node69.htm http://polimedia.upv.es/visor/?id=938c6ceb-9fc9-8141-beb7-f966c296db19

26