UNIDAD I: REPASO DE PROBABILIDADES Y

ESTADSTICA BSICA

OBJETIVO: RECORDAR CONCEPTOS DE
PROBABILIDADES Y ESTADSTICA
Conceptos Bsicos

Poblacin: Conjunto de todos los individuos (personas, objetos, animales, etc.)
que porten informacin sobre el fenmeno que se estudia. Por ejemplo, si
estudiamos la edad de los habitantes en una ciudad, la poblacin ser el total
de los habitantes de dicha ciudad.

Muestra: Subconjunto de la poblacin seleccionado de acuerdo con un criterio,
y que sea representativo de la poblacin. Por ejemplo, elegir 30 personas por
cada colonia de la ciudad para saber sus edades, y este ser representativo
para la ciudad.

Espacio muestra: Son todos los posibles resultados de un experimento.
Cualquier resultado experimental particular se llama punto muestral y es un
elemento del espacio muestral.

Experimento: Cualquier proceso de observacin que genera datos inciales.
Proceso que conduce a la ocurrencia de una de varias observaciones posibles.

Resultado: lo que resulta en particular de un experimento.
CONCEPTOS BSICOS

Experimento estocstico: Prueba de un proceso aleatorio cuyo resultado no se
puede predecir.
Evento o suceso: Resultado posible de un experimento estocstico. Conjunto de
uno o ms resultados de un experimento.
Individuo: Cualquier elemento que porte informacin sobre el fenmeno que se
estudia. As, si estudiamos la altura de los nios de una clase, cada alumno es
un individuo; si estudiamos la edad de cada habitante, cada habitante es un
individuo.
Variable: Fenmeno que puede tomar diversos valores. Las variables pueden
ser de dos tipos.
Variable aleatoria: Es una funcin definida en el conjunto de elementos de un
espacio muestral.
Variables cualitativas o atributos: No se pueden medir numricamente (por
ejemplo: nacionalidad, color de la piel, sexo).
Variables cuantitativas: Tienen valor numrico (edad, precio de un producto,
ingresos anuales.
Por su parte, las variables cuantitativas se pueden clasificar en discretas y
continuas:
CONCEPTOS BSICOS
Discretas: Slo pueden tomar valores enteros (1, 2, 8, -4, etc.). Por ejemplo:
nmero de hermanos (puede ser 1, 2, 3....,etc, pero, por ejemplo, nunca
podr ser 3.45).
Continuas: Pueden tomar cualquier valor real dentro de un intervalo. Por
ejemplo, la velocidad de un vehculo puede ser 80,3 km/h, 94,57
km/h...etc.
Las variables tambin se pueden clasificar en:
Variables unidimensionales: Slo recogen informacin sobre una
caracterstica (por ejemplo: edad de los alumnos de una clase).
Variables bidimensionales: Recogen informacin sobre dos caractersticas
de la poblacin (por ejemplo: edad y altura de los alumnos de una
clase).
Variables pluridimensionales: Recogen informacin sobre tres o ms
caractersticas (por ejemplo: edad, altura y peso de los alumnos de una
clase).
Probabilidad: Valor entre cero y uno, inclusive, que describe la posibilidad
relativa de que ocurra un evento.
Probabilidad objetiva: La probabilidad de un evento A, es la frecuencia
relativa con que ocurre dicho evento en nmero muy grande de pruebas
del experimento aleatorio, as:
P(A)= No. Ocurrencia de A/No. Total de pruebas

CONCEPTOS BSICOS
Tipos de sucesos:
Exhaustivo: Se dice que dos o ms sucesos son exhaustivos si se consideran todos
los posibles resultados.
Simblicamente: P (A o B o...) = 1
No exhaustivos: Se dice que dos o ms sucesos son no exhaustivos si no cubren
todos los posibles resultados.
Mutuamente excluyentes: Sucesos que no pueden ocurrir en forma simultnea:
Simblicamente: P(A y B) = 0 y P(A o B) = P(A) + P (B)
No mutuamente excluyentes: Sucesos que pueden ocurrir en forma simultnea:
Simblicamente: P (A o B) = P (A) + P (B) P (A y B)
Independientes: Sucesos cuya probabilidad no se ve afectada por la ocurrencia o no
ocurrencia del otro :
P (A/ B) = P (A); P (B/A) = P (B)
Dependientes: Sucesos cuya probabilidad cambia dependiendo de la ocurrencia o no
ocurrencia del otro:
P (A/ B) difiere de P (A); P (B/A) difiere de P (B);
y P (A Y B)= P ( A ) P ( B/A )= P (B) P ( A/ B )
Probabilidades conjuntas: Probabilidad de que dos sucesos o ms, ocurran simultneamente
Probabilidades marginales: o probabilidades incondicionales = suma de probabilidades.
El diagrama de rbol: Es muy til para visualizar las probabilidades condicional y conjunta y en
particular para el anlisis de decisiones administrativas que involucran varias etapas.
EJEMPLO: una bolsa contiene 7 fichas rojas (R) y 5 azules (B), se escogen 2 fichas, una despus
de la otra sin reemplazo. Construya el diagrama de rbol con esta informacin.

Conceptos Bsicos
PERMUTACIONES Y COMBINACIONES

Una permutacin de objetos es un arreglo de stos en el que orden s importa. Para encontrar el
nmero de permutaciones de n objetos diferentes en grupos de r, se usan las siguientes frmulas:

Cuando no se permite repeticin


Cuando se permita repeticin
Una combinacin de objetos es un arreglo de stos en el que el orden no importa. Para encontrar el
nmero de combinaciones de n objetos en grupos de r, se usa la siguiente frmula:

Conceptos Bsicos
A) Cuntas cantidades de tres cifras se pueden formar con los dgitos 0, 1, 2, 3 y 4 si no se
permite la repeticin? Solucin:
.
B) Cuntas cantidades de cuatro cifras se pueden formar con los dgitos 0, 1, 2, 3 y 4 si se
permite la repeticin? Solucin:
.
C) De entre 8 personas debemos formar un comit de cinco miembros. Cuntas diferentes
posibilidades existen para formar el comit? Solucin: Esta es una combinacin porque el orden
no importa.

Ejemplos:
1) Cuntas representaciones diferentes sern posibles formar, si se desea que
consten de Presidente, Secretario, Tesorero, Primer Vocal y Segundo Vocal?, s
esta representacin puede ser formada de entre 25 miembros del sindicato de
una pequea empresa.
Solucin:
Por principio multiplicativo:
25 x 24 x 23 x 22 x 21 = 6,375,600 maneras de formar una representacin de ese
sindicato que conste de presidente, secretario, etc., etc.
Por Frmula: n = 25, r = 5
25
P
5
= 25!/ (25 5)! = 25! / 20! = (25 x 24 x 23 x 22 x 21 x....x 1) / (20 x 19 x 18 x
... x 1) = 6,375,600 maneras de formar la representacin
2) a. Cuntas maneras diferentes hay de asignar las posiciones de salida de 8 autos que
participan en una carrera de frmula uno? (Considere que las posiciones de salida de los
autos participantes en la carrera son dadas totalmente al azar) b. Cuntas maneras
diferentes hay de asignar los primeros tres premios de esta carrera de frmula uno?
Solucin:
a. Por principio multiplicativo:
8 x 7 x 6 x 5 x 4 x 3 x 2 x 1= 40,320 maneras de asignar las posiciones de salida de los
autos participantes en la carrera
Por Frmula: n = 8, r = 8

8
P
8
= 8! = 8 x 7 x 6 x 5 x 4 x......x 1= 40,320 maneras de asignar las posiciones de
salida...etc., etc.
b. Por principio multiplicativo:
8 x 7 x 6 = 336 maneras de asignar los tres primeros lugares de la carrera
Por frmula: n =8, r = 3

8
P
3
= 8! / (8 3)! = 8! / 5! = (8 x 7 x 6 x 5 x ........x1)/ (5 x 4 x 3 x......x1) = 336 maneras
de asignar los tres primeros lugares de la carrera
3) Cuntos puntos de tres coordenadas ( x, y, z ), ser posible generar con los
dgitos 0, 1, 2, 4, 6 y 9?, Si, a) No es posible repetir dgitos, b) Es posible repetir
dgitos.
Solucin:
a) Por frmula: n = 6, r = 3

6
P
3
= 6! / (6 3)! = 6! / 3! = 6 x 5 x 4 x 3! / 3! = 6 x 5 x 4 = 120 puntos posibles
Nota: este inciso tambin puede ser resuelto por el principio multiplicativo
b) Por el principio multiplicativo
6 x 6 x 6 = 216 puntos posibles
Cul es la razn por la cual no se utiliza en este caso la frmula?. No es utilizada
debido a que la frmula de permutaciones slo se usa cuando los objetos no se
repiten, esto quiere decir que en el inciso a) Los puntos generados siempre van a
tener coordenadas cuyos valores son diferentes ejem. (1, 2, 4), (2, 4, 6), (0, 4, 9),
etc. etc., mientras que los puntos generados en el inciso b) Las coordenadas de los
puntos pueden tener valores diferentes o repeticiones de algunos valores o pueden
tener todas las coordenadas un mismo valor ejem. (1, 2, 4), (1, 2, 2), (1, 1, 1), etc.,
etc.
4) a) Cuntas maneras hay de asignar las 5 posiciones de juego de un equipo de
bsquetbol, si el equipo consta de 12 integrantes?, b) Cuntas maneras hay de asignar las
posiciones de juego si una de ellas solo puede ser ocupada por Uriel Jos Esparza?, c)
Cuntas maneras hay de que se ocupen las posiciones de juego si es necesario que en una
de ellas este Uriel Jos Esparza y en otra Omar Luna?
Solucin:
a) Por frmula: n = 12, r = 5

12
P
5
= 12! / (12 5 )! = 12 x 11 x 10 x 9 x 8 = 95,040 maneras de asignar las cinco
posiciones de juego
b) Por principio multiplicativo:
1 x 11 x 10 x 9 x 8 =7,920 maneras de asignar las posiciones de juego
Por frmula:
1 x
11
P
4
= 1 x 11! / (11 4)! = 11! / 7! = 11 x 10 x 9 x 8 = 7,920 maneras de asignar las
posiciones de juego con Uriel Jos en una determinada posicin
c) Por principio multiplicativo
1 x 1 x 10 x 9 x 8 = 720 maneras de ocupar las diferentes posiciones de juego
Por frmula:
1 x 1 x
10
P
3
= 1 x 1 x 10! / (10 3)! = 10! / 7! = 10 x 9 x 8 = 720 maneras de ocupar las
posiciones de juego con Uriel Jos y Omar Luna en posiciones previamente definidas
5) Cuntas claves de acceso a una computadora ser posible disear, si debe constar de dos
letras, seguidas de cinco dgitos, las letras sern tomadas del abecedario y los nmeros de
entre los dgitos del 0 al 9. a) Considere que se pueden repetir letras y nmeros, b) Considere
que no se pueden repetir letras y nmeros, c) Cuntas de las claves del inciso b empiezan
por la letra A y terminan por el nmero 6?, d) Cuntas de las claves del inciso b tienen la
letra R seguida de la L y terminan por un nmero impar?
Solucin:
a) Por principio multiplicativo:
26 x 26 x 10 x 10 x 10 x 10 x 10 = 67,600,000 claves de acceso
b) Por frmula:

26
P
2
x
10
P
5
= 26 x 25 x 10 x 9 x 8 x 7 x 6=19,656,000 claves de acceso
c) Por frmula:
1 x
25
P
1
x
9
P
4
x 1 = 1 x 25 x 9 x 8 x 7 x 6 x 1 = 75,600 claves de acceso que empiezan por la
letra A y terminan por el nmero 6
d) Por frmula:
1 x 1 x
9
P
4
x 5 = 1 x 1 x 9 x 8 x 7 x 6 x 5 =15,120 claves de acceso que tienen la letra R
seguida de la L y terminan por un nmero impar.
AXIOMAS DE PROBABILIDAD:
Primer axioma : La probabilidad de un suceso A es un nmero real entre 0 y 1.
Segundo axioma: Ocurre un suceso de la muestra de todos los sucesos o espacio de
sucesos con probabilidad 1.
Tercer axioma Si A
1
, A
2
... son sucesos mutuamente excluyentes.
Reglas bsicas de probabilidad:
Si los eventos son mutuamente excluyentes, la ocurrencia de cualquier evento impide
que otro eventos ocurra.
Reglas de adicin: Si dos eventos A y B son mutuamente excluyentes, la regla
especial de adicin indica que la probabilidad de que ocurra A o B es igual a la suma
de sus probabilidades respectivas: P(A o B) = P(A) + P (B)
CONCEPTOS BSICOS
Distribucin de probabilidad
En estadstica, dada una variable aleatoria X, la distribucin de probabilidad de X es la funcin F
X
(x), que
asigna a cada evento definido sobre X una probabilidad, que est definida por:

y de manera que se cumplan las siguientes tres condiciones:
1. y
2. Es continua por la derecha.
3. Es montona no decreciente.
Para simplificar la notacin, cuando no hay lugar a confusin se omite el subndice X, y se escribe
simplemente F(x).
La funcin de distribucin es la acumulada de la funcin de densidad de probabilidad f(x). Es decir, se
calcula directamente segn:
Si x es una variable aleatoria discreta:

Si x es una variable aleatoria continua:

Propiedades
Para dos nmeros reales cualesquiera a y b tal que (a < b), los sucesos y
sern 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.
Distribucin de probabilidad.
Es una distribucin terica de frecuencias que describe cmo se
espera que varen los resultados de un experimento. Existen
diferentes tipos de modelos que permiten describir el
comportamiento de fenmenos estadsticos que permiten hacer
inferencias y tomar decisiones en condiciones de incertidumbre.
Distribuciones de variable discreta ms importantes:
Distribucin binomial
Distribucin Poisson
Distribucin hipergeomtrica
Distribucin Multinomial
Distribucin binomial

En estadstica, la distribucin binomial es una distribucin de probabilidad discreta, mide el
nmero de xitos en una secuencia de n ensayos independientes de Bernoulli , con una
probabilidad fija de ocurrencia del xito entre los ensayos.
La distribucin binomial es una generalizacin de la distribucin de Bernoulli, a la que puede
llegarse nuevamente haciendo n = 1.
Su funcin de masa de probabilidad est dada por:


para , siendo las combinaciones de en (
elementos tomados de en )
Experimento binomial
La variable aleatoria binomial y su distribucin estn basadas en un experimento que satisface las
siguientes condiciones:
El experimento consiste en una secuencia de n ensayos, donde n se fija antes del
experimento.
Los ensayos se realizan bajo idnticas condiciones, y cada uno de ellos tiene unicamente
dos posibles resultados, que se denotan a conveniencia por xito (E) o fracaso (F)
(p(E)+p(F)=1).
Los ensayos son independientes, por lo que el resultado de cualquier ensayos en particular
no influye sobre el resultado de cualquier otro intento.
La probabilidad de xito es idntica para todos los ensayos.
Siguiendo estas premisas, la variable aleatoria binomial X est definida como
X = el nmero de E entre los n intentos.
El trmino Binomial se utiliza para designar situaciones en la
que los resultados de una variable aleatoria se pueden agrupar
en dos clase o categoras. Por tanto los datos son nominales.
Es la distribucin de probabilidades que muestra las
probabilidades relacionadas con valores posibles de una
variable aleatoria discreta, que se genera por un proceso de
Bernoulli.

CARACTERSTICAS
1. Cada prueba tiene solo dos posibles resultados:
Genricamente los llamados xito y fracaso.
2. Se da un nmero finito de pruebas o ensayos.
3. El resultado de cada prueba es independiente del resultado
de las dos pruebas.
4. La probabilidad de xito no cambia de una prueba a otra.
5. Todas las pruebas deben tener probabilidades idnticas de
sucesos.
FORMULAS:
A. Distribucin Binomial Individual:

n x n-x
b(x,n,p)= p q
x

B. Distribucin Binomial Acumulada:

n x n-x
b(x,n,p)= p q
x

Donde: n: nmero de ensayos
x: la probabilidad buscada
p: probabilidad de xito
q: probabilidad de fracaso
PROPIEDADES:
1. =np Media
2. =npq Varianza
3. = Desviacin Tipica


Ejemplo:
Determinar la probabilidad de que al lanzar un dado 36 veces : a) solamente una vez
resulte un cuatro. b) Caiga 6 veces el cuatro. c) Al lanzar 6 veces caiga cuatro.

Solucin: n x n-x
a) b(x,n,p)= x p q
1 36-1 35
b(x=1, n=36, p=1/6) = 36 (1/6) (5/6) = 36 (1/6)(5/6) =0.01=1.0%
1
6 36-6 6 30
b) b(x=6, n=36, p=1/6) = 36 (1/6) (5/6) = (36!)/6!(36-6)! (1/6) (5/6)
6

= 0.1758= 17.58%
6-1 5
c) b(x=1,n=6,p=1/6)= 6 (1/6) (5/6) = 6 (1/6) (5/6) = 0.4018= 40.18%
1

ejemplo, la distribucin binomial se puede usar para calcular la probabilidad de sacar 5 caras y 7
cruces en 12 lanzamientos de una moneda. En realidad solo se calcula la probabilidad de sacar 5
caras, pero como es lgico si en 12 lanzamientos de una moneda sacamos 5 caras el resto deben
ser cruces, 7 en este caso.
Por lo tanto debemos definir la variable "X: Nmero de caras obtenidas en 12 lanzamientos de
moneda". En este caso se tiene que y resulta:

Observese que para el caso concreto de la moneda al ser la probabilidad de xito = 0,5 la funcin
de masa de probabilidad solo depende del nmero combinatorio ya que:
0,5
x
(1 0,5)
n x
= 0,5
x
0,5
n x
= 0,5
n x + x
= 0,5
n
que es constante para un n fijo.
Su media y su varianza son:


DISTRIBUCIN DE PROBABILIDADES DE POISSON

Este modelo se llama as para honrar la memoria de del gran probabilista y
matemtico POISSON.
Se refiere a sucesos en un intervalo de tiempo o en un rea especfica.
El intervalo de tiempo puede ser de cualquier duracin: Un minuto, una hora, un
da, un ao.
Proceso POISSON: acontecimiento de una serie de eventos de un tipo dado en una
forma aleatoria en el tiempo y el espacio, tal que:
a) El nmero de acontecimientos dentro de un tiempo o espacio especfico puede
ser igual al cualquier entero entre cero e infinito.
b) El nmero de acontecimientos dentro de una unidad de tiempo o espacio es
independiente del de cualquier otra unidad (que no se traslapa).
c) La probabilidad de acontecimiento es la misma en todas estas unidades.

CARACTERSTICAS:
1. Se aplica en aquellos procesos en los que el nmero de xitos esperados viene
dado por una unidad de tiempo o espacio.
2. n es muy grande y la probabilidad muy pequea.
3. Cuantifica los defectos, es decir, proporciona una referencia de cuanto es el
nmero de errores.
4. Cuando n tiende al infinito y la probabilidad de xito tiende a cero, se llegado al
limite de la distribucin .

FORMULA:





x>0, x=0,1,2,3,4,5.......
Donde: =Tiene que ser conocido y es el valor medio.
x= Variable discreta que asume cualquier valor
de los enteros naturales.
e= Constante de los logaritmos naturales
(2.71828)

PROPIEDADES:
1. ==np Media
2. ==np Varianza
3. = = Desviacin Tpica

Distribucin de Poisson
Distribucin de Poisson
Funcin de densidad de probabilidad

El eje horizontal es el ndice k. La funcin solamente est definida en valores enteros de k.
Las lneas que conectan los puntos son solo guas para el ojo y no indican continuidad.

En teora de probabilidad y estadstica, la distribucin de Poisson es una
distribucin de probabilidad discreta. Expresa la probabilidad de un nmero k de
eventos ocurriendo en un tiempo fijo si estos eventos ocurren con una tasa media
conocida, y son independientes del tiempo desde el ltimo evento.

El trabajo estaba enfocado en ciertas variables aleatorias N que cuentan, entre otras cosas, un nmero de
ocurrencias discretas (muchas veces llamadas "arribos") que tienen lugar durante un intervalo de tiempo de
duracin determinada. Si el nmero esperado de ocurrencias en este intervalo es , entonces la probabilidad
de que haya exactamente k ocurrencias (siendo k un entero no negativo, k = 0, 1, 2, ...) es igual a:

dnde
e es el base del logaritmo natural (e = 2.71828...),
k! es el factorial de k,
k es el nmero de ocurrencias de un evento,
es un nmero real positivo, equivalente al nmero esperado de ocurrencias durante un intervalo
dado. Por ejemplo, si los eventos ocurren de media cada 4 minutos, y se est interesado en el
nmero de eventos ocurriendo en un intervalo de 10 minutos, se usara como modelo una
distribucin de Poisson con = 2.5.
ejemplo, si 2% de los libros encuadernados en cierto taller tiene encuadernacin defectuosa, obtener la
probabilidad de que 5 de 400 libros encuadernados en este taller tengan encuadernaciones defectuosas.


Su media y su varianza son:


Como una funcin de k, sta es la funcin probabilidad de masa. La distribucin de Poisson puede ser vista
como un caso limitante de la distribucin binomial, es decir, que una distribucin binomial en la que
y se puede aproximar por una distribucin de Poisson de valor
La distribucin Poisson es tambin llamada Poissoniana, anlogamente al trmino Gaussiana para una
distribucin de Gauss o distribucin normal.
Propiedades
El valor esperado de una variable aleatoria con distribucin Poisson es igual a y tambin lo es su
varianza. Los momentos ms altos de la distribucin Poisson son polinomios de Touchard en
cuyos coeficientes tienen un sentido combinatorio. De hecho, cuando el valor esperado de la
distribucin Poisson es 1, entonces la frmula de Dobinski dice que el ensimo momento iguala al
nmero de particiones de tamao n.
Las medidas de tendencia central de una variable aleatoria de distribucin Poisson con un no
entero es igual a (o suelo de ), el cual es el nmero entero ms grande menor o igual a . Esto
tambin es expresado como la funcin parte entera de . Cuando es un entero positivo, las
medidas de tendencia central son y 1.
Sumas de las variables aleatorias de distribucin Poisson
Ejemplos de estos eventos que pueden ser modelados por la distribucin Poisson incluyen:
El nmero de autos que pasan a travs de un cierto punto en una ruta (suficientemente distantes de
los semforos) durante un periodo definido de tiempo.
El nmero de errores de ortografa que uno comete al escribir una nica pgina.
El nmero de llamadas telefnicas en una central telefnica por minuto.
El nmero de servidores web accedidos por minuto.
El nmero de animales muertos encontrados por unidad de longitud de ruta.
El nmero de mutaciones de determinada cadena de ADN despus de cierta cantidad de radiacin.
El nmero de ncleos atmicos inestables que decayeron en un determinado periodo de tiempo en
una porcin de sustancia radiactiva. La radiactividad de la sustancia se debilitar con el tiempo, por
lo tanto el tiempo total del intervalo usado en el modelo debe ser significativamente menor que la
vida media de la sustancia.
El nmero de estrellas en un determinado volumen de espacio.
La distribucin de receptores visuales en la retina del ojo humano.
La inventiva de un inventor a travs de su carrera.
DISTRIBUCIN HIPERGEOMTRICA

Cuando la probabilidad no permanece constante no se trata de un experimento de
Bernoulli y por lo tanto no se aplica la distribucin Binomial. En este caso se ha
estudiado que lo adecuado es aplicar la distribucin hipergeomtrica, la cual muestra
las probabilidades relacionadas con valores posibles de una variable aleatoria
discreta, en situaciones en la que estos valores son generados por muestreo sin
reemplazo, y en los que la probabilidad de xito, por lo tanto cambia de un intento al
siguiente.

CARACTERSTICAS:
1. El experimento consiste en extraer al azar y sin sustitucin n elementos de un
conjunto de N elementos, d de los cuales son xito y (N-d) son fracasos.
2. El tamao de la muestra n es grande en comparacin con el nmero N de
elementos de la poblacin, es decir, n/N>0.05
3. La variable aleatoria hipergeomtrica y es el nmero de resultados xitos en la
muestra de n elementos.
Distribucin hipergeomtrica
En estadstica la Distribucin hipergeomtrica es una distribucin de probabilidad discreta con tres
parmetros discretos N, d y n cuya funcin de probabilidad es:

N = Tamao de poblacin.
n = Tamao de muestra.
d = Cantidad de elementos que cumple caracterstica deseada.
x = Cantidad de xitos.

Aqu, se refiere al coeficiente binomial, o al nmero de combinaciones posibles al seleccionar b
elementos de un total a.
Esta distribucin se refiere a un espacio muestral donde hay elementos de 2 tipos posibles. Indica la
probabilidad de obtener un nmero de objetos x de uno de los tipos, al extraer (sin reemplazo) una muestra
de tamao n, de un total de N objetos, de los cuales d son del tipo requerido.
El valor esperado de una variable aleatoria X de distribucin hipergeomtrica es

Y su varianza

llamando
, q = 1 p entonces:

La distribucin hipergeomtrica se puede aproximar por una distribucin binomial Bi(n,p) si
y
DISTRIBUCIN MULTINOMIAL
Es una generalizacin de la Binomial. Un experimento Binomial se convierte en un
Multinomial si se hace que un ensayo tenga ms de dos posible resultados. Es un
importante y til vector aleatorio de orden superior que tiene un distribucin conocida
como distribucin Multinomial. La cual representa una extensin del experimento
Binomial.
CARACTERSTICAS:
1. Hay n pruebas independientes permitiendo cada prueba k resultados mutuamente
excluyentes cuyas probabilidades respectivas son P1, P2, P3........Pk.

Donde: n= Xi
2. El tamao de la muestra se mantiene constante.
3. El experimento consiste en n pruebas idnticas.
4. Hay k posibles resultados de cada prueba.
5. Las probabilidades de los k resultados, denotados P1, P2, P3.....Pk, se mantienen
constantes a lo largo de todas las pruebas, donde P1+P2+......+Pk=1
6. Las pruebas son independientes.
7. Las variables aleatorias de inters son las cuentas y1, y2, y3,.....,yk, en cada una de
las k categoras de clasificacin.






FORMULA

x1 x2 xk
P(x1,x2,x3,.....,xK)= ( n!/x1!,x2!,......x,k!) P1 , P2 .......Pk

Donde: xi= 0, 1, 2, 3, ......., n
Sujeto a : x1+x2+....+xk= n

PROPIEDADES:
1. 1=n1P1 Media
2. 2= n2P2
3. =X(x) dx
2
4. =(x-) P(x) dx Varianza

5. = Desviacin Tpica





Distribucin uniforme
En estadstica la distribucin uniforme es una funcin de densidad de probabilidad cuyos valores tienen la
misma probabilidad.
Contenido
[ocultar]
1 Distribucin uniforme para variable aleatoria discreta
2 Distribucin uniforme para variable aleatoria continua
3 Funcin de distribucin acumulada para variable aleatoria continua
4 Simulacin
5 Vase tambin
Distribucin uniforme para variable aleatoria discreta [editar]

Distribucin uniforme (caso discreto).
Su distribucin de probabilidad es en el caso discreto con valores posibles

Su funcin de distribucin es en el caso discreto:

Su media estadstica es:

Su varianza es:

Distribucin uniforme (caso continuo).
Se dice que una variable aleatoria continua tiene una distribucin uniforme en el intervalo si la
funcin de densidad de probabilidad (FDP) es

La funcin de distribucin en el caso continuo entre y es

Su media estadstica es:

Su varianza es:

Distribuciones de variable continua ms importantes
Las distribuciones de variable continua ms importantes son las siguientes:
Distribucin ji cuadrado
Distribucin exponencial
Distribucin t de Student
Distribucin normal
Distribucin Gamma
Distribucin Beta
Distribucin F
Distribucin normal
Distribucin normal
Funcin de densidad de probabilidad


La lnea verde corresponde a la distribucin normal estandar






VARI ABLES CONTI NUAS.
DI STRI BUCI N NORMAL.
L OS ENUNCI ADOS DE L OS
PROBL EMAS CON EST E T I PO DE
DI ST RI BUCI N GENERAL MENT E
EXPRESAN QUE L OS DATOS SI GUEN
L A DI ST RI BUCI N NORMAL Y DAN EL
VAL OR DE L A MEDI A Y L A
DESVI ACI N EST NDAR, VAL ORES
NECESARI OS PARA ESTANDARI Z AR
L A VARI ABL E.
SE EXPRESA AS : X ~ N( ,
2
) .
FUNCI N QUE L A DESCRI BE:





Su grafica es llamada curva normal o
campana de Gauss.
Algunas caractersticas son:
rea total bajo la curva siempre es igual a
1.
La curva es simtrica respecto de X=
La curva es asinttica del eje X.




DISTRIBUCIN NORMAL
ESTNDAR N(0,1)

Si =0 y =1, se tiene la distribucin
normal estndar y la variable de sta
distribucin se llama variable aleatoria
normal estndar y se denota por Z.
Esta se expresa como Z~(0,1).
Funcin que la describe:






PARA DETERMINAR ESTA DISTRIBUCIN
SLO ES NECESARIO CONOCER SUS
DOS PARMETROS, LA MEDIA O
ESPERANZA DE LA VARIABLE () Y LA
DESVIACIN TPICA ().
HACIENDO UNA ESTANDARIZACIN DE
LA VARIABLE NORMAL.
ASI :
Su grafica

DISTRIBUCIN EXPONENCIAL.
La variable aleatoria exponencial, es el tiempo que
transcurre hasta que se da el primer evento de
Poisson. Es decir, la distribucin exponencial
puede modelar el lapso entre dos eventos
consecutivos de Poisson que ocurren de manera
independiente y a una frecuencia constante. Esta
distribucin se emplea con bastante frecuencia
con objeto de modelar problemas del tipo
"tiempo - falla" y como modelo para el estudio de
intervalos en problemas de espera; por ejemplo,
la duracin de componentes electrnicos, El
tiempo entre las llegadas en las instalaciones de
servicio.

Su funcin de densidad esta dada por:


Donde :








= tiempo promedio entre falla.
DISTRIBUCIN GAMMA ().
Este modelo es una generalizacin del modelo
Exponencial ya que, en ocasiones, se utiliza para
modelar variables que describen el tiempo hasta
que se produce veces un determinado suceso.
Funcin Gamma


Su funcin de densidad es de la forma:

CARACTERSTICAS DE LA
DISTRIBUCIN GAMMA.
Su esperanza o media es .

Su varianza es
2


La distribucin Gamma (, = 1) es una distribucin Exponencial de parmetro . Es
decir, el modelo Exponencial es un caso particular de la Gamma con = 1.


DISTRIBUCIN CHI-
CUADRADO (C2)
Es otro caso particular de la distribucin gamma
para el caso = 2 y = n / 2, siendo n un nmero
natural.
Se deriva de la distribucin normal y esta
relacionada con la teoria del muestreo pequeo y
se utiliza para para calcular si los resultados
estadsticos de un experimento se alejan
significativamente o no de los resultados
esperados del modelo terico
Su funcin de densidad es:


SU MEDIA Y SU VARIANZA SON
RESPECTIVAMENTE :
Otra forma de definir la distribucin c2 es la siguiente:
Supongamos que tenemos n variables aleatorias normales
independientes, X
1
,..., X
n
, con media
i
y varianza
(i = 1 ... n), la variable definida como
DISTRIBUCIN T DE STUDENT

Los usos para cuales es idnea esta distribucin:
Probar hiptesis cuando se basa en un muestreo pequeo.
Probar si dos muestras vienen de una misma poblacin.
Supongamos dos variables aleatorias independientes, una normal tipificada, Z , y otra con
distribucin c2 con n grados de libertad, la variable definida segn la ecuacin:






tiene distribucin t con n grados de libertad.





La funcin de densidad de la distribucin t es:

El parmetro de la distribucin t es n, su nmero
de grados de libertad.
Esta distribucin es simtrica respecto al eje Y y
sus colas se aproximan asintticamente al eje X.
Es similar a la distribucin Z salvo que es
platicrtica y, por tanto, ms aplanada.
Cuando n tiende a infinito, t tiende
asintticamente a Z y se pueden considerar
prcticamente iguales para valores de n mayores o
iguales que 30..