TRABAJO COLABORATIVO 2

MARY LUZ RAMOS JOVEN

COD. 1078750707
Tutor
ELKIN ORLANDO VELEZ
Grupo: 100402_245

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

PROBABILIDAD
CEAD PITALITO
2015

INTRODUCCION
Este segundo trabajo de probabilidad lo realizaremos con los temas a tratar en la
unidad 2, donde profundizaremos en nuevos temas que vamos encontrando en el
desarrollo del curso. Es importante resaltar la importancia de este curso ya que es
muy til para nuestra cotidianidad y para nuestras vidas profesionales, hemos
encontrado diversos contenidos los cuales nos permiten obtener una solucin ms
rpida a la hora de requerir alguna respuesta a un interrogante.

VARIABLE ALEATORIA DISCRETA

Una variable aleatoria discreta es una modelizacin terica de una caracterstica X
de tipo discreto, en la que nos quedamos con lo esencial que se obtendra en un
proceso de muestreo. Se dice que una variable aleatoria X es discreta si el
nmero de valores que puede tomar es finito (o infinito contable).
Recordemos que una caracterstica X es de tipo discreto cuando puede tomar una
serie de valores claramente separados x1, ..., xk. En una muestra concreta de
tamao n, cada uno de estos valores aparece n1, ..., nk veces (frecuencias
absolutas). La frecuencia relativa de cada valor es fi = ni/n.
VARIABLE ALEATORIA CONTINUA
Se dice que una variable aleatoria X es continua si el nmero de valores que
puede tomar estn contenidos en un intervalo (finito o infinito) de nmeros reales.
Una variable aleatoria continua es una modelizacin terica de una caracterstica
X de tipo continuo, en la que nos quedamos con lo esencial que se obtendra en
un proceso de muestreo.
La distribucin de probabilidad de una variable aleatoria continua X est
caracterizada por una funcin f(x) que recibe el nombre de funcin de densidad
de probabilidad. Esta funcin f(x) no es la misma funcin de probabilidad de una
variable aleatoria discreta.
VALOR ESPERADO Y VARIANZA
El valor esperado (tambin llamado media o esperanza matemtica) de
una variable aleatoria discreta X es una medida de posicin para la distribucin de
X. Se simboliza con _ y se calcula al sumar el producto de cada valor de X con su
probabilidad correspondiente.
La media o esperanza de X se define como:

=E[ X ]= R xf (x)dx

La varianza de una variable aleatoria es una medida de la dispersin de la

distribucin de probabilidad de sta. Se calcula ponderando el cuadrado de cada
desviacin con respecto a la media, con la probabilidad asociada con la
desviacin.
La varianza de X se define como:
2=V ( X )= R(xE [ X ])2 f ( x ) dx=...= R x 2 f (x) dx( E[ X ])2

DISTIBUCION BINOMIAL
Las distribuciones binomiales son las ms tiles dentro de las distribuciones de
probabilidad discretas. Estas distribuciones permiten enfrentar circunstancias en
las que los resultados pertenecen a dos categoras relevantes: que ocurra un
evento determinado o que no lo haga. Este tipo de experimento aleatorio particular
es denominado ensayo de Bernoulli. Sus dos resultados posibles son
denotados por xito y fracaso y se define por p la probabilidad de un xito y 1p la probabilidad de un fracaso.
Una prueba de Bernoulli es un experimento aleatorio cuyos posibles resultados
son agrupados en dos conjuntos excluyentes que llamaremos xito (E) y fracaso
(F), con P(E) = p y P(F) = 1 p.
DISTRIBUCION BINOMIAL NEGATIVA Y GEOMETRICA
Considere ahora una serie de ensayos Bernoulli con una probabilidad constante
de xitos p, en la que el nmero de ensayos no es fijo como en la distribucin
binomial si no que stos se realizan hasta que se obtiene el primer xito. Sea
entonces, la variable aleatoria X el nmero de ensayos realizados hasta obtener
un xito, ella tiene una distribucin geomtrica con parmetro p y se expresa:
f ( x ; p ) ( 1 p )

x1

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 POISSON
Esta es otra distribucin de probabilidad discreta til en la que la variable aleatoria
representa el nmero de eventos independientes que ocurren a una velocidad
constante. es el principal modelo de probabilidad empleado para analizar
problemas de lneas de espera, confiabilidad y control de calidad; entonces el
experimento aleatorio recibe el nombre de proceso Poisson o flujo de

procesos de Poisson. Dado un proceso Poisson donde

es el nmero
promedio de ocurrencias en el intervalo de nmeros reales donde este se define,
la variable aleatoria X correspondiente al nmero de ocurrencias en el intervalo es

llamada variable aleatoria Poisson y su funcin de probabilidad est dada

por:
f ( x ; )=

e x
x =0,1,2, >0
x!
DISTRIBUCION HIPERGEOMETRICA

Entonces, X
tiene una distribucin hipergeomtrica y su funcin de distribucin de
probabilidad est dada por:
k N k
(
x )( n x )
f ( x ; N , k , n) =
x=0,1,2, min ( k , n )
N
n

DISTRIBUCION NORMAL
El modelo Normal de parmetros y ( < < y > 0), que representaremos
abreviadamente por N(; ) o por N(; 2 ), es el modelo de probabilidad
caracterizado por la funcin de densidad:

[ ( )]

1
1 x
exp
2

f ( x )=

para todo x R