Está en la página 1de 17

Probabilidad 1

Unidad 3. Modelos de probabilidad discretos
Contenido nuclear
Universidad Abierta y a Distancia de México

Licenciatura en Matemáticas

2° Semestre

Programa de la asignatura:
Probabilidad 1

Unidad 3:
Modelos de probabilidad discretos

Clave:
05141212/06141212

Ciencias exactas, ingenierías y Tecnologías

1

.......................................................................... Probabilísticos ................................................................................................................................................................................................................................................ 12 Modelo Hipergeométrico .................................................................................................. 7 Valor esperado y varianza de una variable aleatoria discreta .................................... 9 Modelos de probabilidad para variables aleatorias discretas ........................ 5 Variable aleatoria discreta............................................................................................... 7 Distribución de probabilidad ........................... 5 Modelos de probabilidad ..................................................................................................................................................... 16 Cierre de la Unidad ............ 16 Aprende leyendo ........................................................................... 10 Modelo Binomial.................................. 11 Modelo de Poisson............................................. 13 Aprende observando ........................................... 5 Modelos determinísticos vs...... 17 Fuentes de consulta ......... 3 Desarrollo del contenido nuclear ................... 17 Ciencias exactas................................................................................................. Modelos de probabilidad discretos Contenido nuclear Índice Introducción ........................................................... ingenierías y Tecnologías 2 ...................................................... 6 Definición de variable aleatoria discreta........................................................................................Probabilidad 1 Unidad 3........................

En esta unidad se presentan los modelos de probabilidad discretos y se distinguen los modelos determinísticos. Modelos de probabilidad discretos Contenido nuclear Introducción En general. Abordaremos los temas de valor esperado y varianza de una variable aleatoria discreta para los modelos Binomial. su variable aleatoria. en una tabla o en una gráfica. Ciencias exactas. Poisson e Hipergeométrico. En un espacio muestral continuo los resultados en general representan mediciones de tiempo. en particular los modelos de probabilidad representan experimentos aleatorios. En otros el número de resultados es infinito y es imposible contar. como el peso o la estatura de una persona o el tiempo de vida de una lámpara de luz. ingenierías y Tecnologías 3 . es decir. reconoce y distingue la variable aleatoria discreta de la continua. Los modelos de probabilidad nos presentan una relación que nos permite obtener la probabilidad para cada uno de los valores que puede tomar la variable aleatoria. a estos se les llama espacios muéstrales continuos. y a esto se le llama espacios muéstrales discretos. podemos distinguir un espacio muestral discreto cuando realizamos conteos como el número de personas que se presenta a un evento. sus parámetros y su función para el cálculo de probabilidades. el número de resultados posibles del experimento aleatorio que conforman su espacio muestral es un número finito. podemos dividir el estudio de la probabilidad de acuerdo a las características de la información contenida en un experimento aleatorio. En algunos experimentos. siendo los elementos más importantes las características del experimento aleatorio. la cual aprenderás a representar en una función. podemos enumerar y contar los resultados posibles. también conocida como distribución de probabilidad. Para entender los modelos de probabilidad discretos o distribuciones de probabilidad discretas empezaremos esta unidad comparando los modelos determinísticos con los probabilísticos identificando los elementos de un modelo de probabilidad. El siguiente diagrama muestra. Esta relación se conoce como función de probabilidad o función de distribución de probabilidad. volumen. parámetros y una relación o función que contiene a esa variable que nos facilita el cálculo de probabilidades. para este fin emplea variables. los contenidos que se abordarán en esta unidad. superficie. el número de nacimientos en un hospital. etc.Probabilidad 1 Unidad 3. Un modelo matemático es una representación de la realidad. el número de resultados en el lanzamiento de un dado. Por otro lado se define. Generalmente. el número de accidentes de tránsito en un día.

Modelos de probabilidad discretos Contenido nuclear Ciencias exactas. ingenierías y Tecnologías 4 .Probabilidad 1 Unidad 3.

Ejemplos de modelos probabilísticos. Probabilísticos En los modelos deterministas o determinísticos todos los datos del problema se conocen con absoluta certeza esto no es así en los modelos probabilísticos. o bien puede suceder que se observen artículos defectuosos y el proceso esté bajo control. Una solución se tiene en el muestreo aleatorio. Modelos determinísticos vs. Los modelos de control de inventarios buscan optimizar la función de costo que se relaciona con estos factores. Se toman muestras de los artículos producidos y con base en la información contenida en estas se toman decisiones.Probabilidad 1 Unidad 3. el proceso se hace complejo y costoso. Ciencias exactas. Un modelo constituye una representación abstracta de un cierto aspecto de la realidad y tiene una estructura que está formada por los elementos que caracterizan el aspecto de la realidad modelada y por las relaciones entre estos elementos. Una característica de estos modelos es que la información es conocida y los resultados son iguales siempre que usemos la misma información. ¿cuándo se debe comprar? El contar con un inventario implica costos de almacenamiento de preparación. Modelos de probabilidad discretos Contenido nuclear Desarrollo del contenido nuclear Modelos de probabilidad Definición de modelo. A diferencia de los modelos deterministas no se cuenta con certeza con la información necesaria para tomar decisiones. la variable de interés es el número de artículos defectuosos en la muestra. Un riesgo presente en el control de la producción es que al tomar muestras la información muestral no se observe evidencia de un proceso fuera de control. En el control de la producción se requiere inspeccionar los artículos producidos. ingenierías y Tecnologías 5 . En este ejemplo. En el área de investigación de operaciones se plantea el problema de control de inventarios que radica principalmente en optimizar los costos de operación y producción y tomar decisiones de ¿cuánto se debe comprar?. cuando se producen grandes cantidades. En las matemáticas financieras podemos calcular con precisión la tabla de amortización de una deuda si conocemos el plazo. dicho de otro modo no se conoce el total de artículos defectuosos producidos y la información disponible es solo una parte del total de artículos producidos. de merma o daño. Ejemplos de modelos determinísticos. El no contar con un inventario implica un costo de oportunidad y retraso en la producción y venta. la tasa de interés y el número de pagos.

Si es rojo. requieren de variables que asumen valores al azar. 1: pasa uno de los dos. Variable aleatoria discreta Una característica de los modelos es que para representar la realidad usan variables. no pasan inspección. 2: pasan los dos. si es verde. Una característica de los modelos de probabilidad es que las muestras tomadas son siempre diferentes. Los modelos de probabilidad nos presentan una relación que nos permite obtener la probabilidad para cada uno de los valores que puede tomar la variable aleatoria. Otra característica es la incertidumbre y riesgo presentes debido a la aleatoriedad generada por el muestreo aleatorio. observamos que esta variable puede tomar tres valores posibles: 0: no pasa ninguno. RV. Si nos interesa la variable aleatoria que describa. El espacio muestral asociado a este experimento es S = {RR. ingenierías y Tecnologías 6 . lo que les da el nombre de variables aleatorias. En esta asignatura abordaremos modelos para variables aleatorias discretas y modelos para variables aleatorias continuas. Modelos de probabilidad discretos Contenido nuclear En la medicina frecuentemente se toman muestras de sangre para determinar la salud de una persona. por lo que les llamamos variables aleatorias discretas. Entonces Rx = {0.Probabilidad 1 Unidad 3. Los modelos de probabilidad nos permiten medir los riesgos de tomar estas decisiones. se les detiene para una inspección completa. 2} y la función X tiene la siguiente regla de correspondencia: Ciencias exactas. presentan un patrón aleatorio. sin embargo. al pasar por la aduana deben de oprimir un botón que se puede encender en rojo o en verde. Ejemplo. 1. Las técnicas usadas realizan un conteo de algunas características en la sangre. o bien concluir que está sana cuando realmente está enferma. En esta unidad estudiaremos las variables aleatorias relacionadas a experimentos aleatorios cuyos resultados son finitos o numerables. en particular los modelos de probabilidad para representar experimentos aleatorios. Esta relación se conoce como función de probabilidad o función de distribución de probabilidad. Considere el experimento aleatorio que consiste en observar a dos personas que regresan de viaje en la terminal internacional del aeropuerto en la Ciudad de México y que. VV}. es decir. existen riesgos de concluir que una persona está enferma cuando realmente está sana. pasar el semáforo en verde para la pareja. En este ejemplo la variable aleatoria podría ser el número de glóbulos rojos por cm3. VR.

Ciencias exactas.….Probabilidad 1 Unidad 3. X2. La distribución de probabilidad de una variable aleatoria X es una función que proporciona a cada uno de los valores de la variable aleatoria X: X1. una función o bien una gráfica. Distribución de probabilidad Definición de distribución de probabilidad. Modelos de probabilidad discretos Contenido nuclear Definición de variable aleatoria discreta Dado un experimento aleatorio y su correspondiente espacio muestral. Xn una probabilidad y debe cumplir con las siguientes propiedades: Para cualquier valor de X en Rx 1) P(x) ≤ 1 2) P(x) ≥ 0 3) ∑𝑥 𝑒𝑛 𝑅𝑥 𝑃(𝑥) = 1 Una distribución de probabilidad puede ser expresada mediante una tabla. como se muestra a continuación. El conjunto Rx se conoce como rango o recorrido de la variable aleatoria x. se denomina variable aleatoria discreta a una función X que le asigna a cada elemento del espacio muestral S un número en el conjunto Rx = {s  S | X(s)  ℝ }. ingenierías y Tecnologías 7 . Los valores en Rx de la variable aleatoria corresponden a eventos numéricos relacionados con los resultados del experimento aleatorio.

5)x (10. ingenierías y Tecnologías 8 .5)2-x para X= 0. Gráfica de la distribución de probabilidad Representación por una función de probabilidad o distribución de probabilidad para el ejemplo. Modelos de probabilidad discretos Contenido nuclear En el ejemplo 1 anterior si consideramos que cada uno de los resultados del espacio muestral es igualmente probable entonces: P(RR) = P(RV) = P(VR) = P(VV) = 1 4 Asignaríamos probabilidades a los valores de X en Rx observando los eventos o sucesos equivalentes: Para el evento de x = 0 el suceso equivalente es {RR} Para el evento de x = 1 el suceso equivalente es {RV.Probabilidad 1 Unidad 3. P(X=x) = 2Cx (0. VR} Para el evento de x = 2 el suceso equivalente es {VV} Tabla de distribución de probabilidad La tabla anterior se conoce como Distribución de Probabilidad para la variable aleatoria X.2 Ciencias exactas. observa que las propiedades dadas en la definición se cumplen.1.

Sea X una variable aleatoria discreta con una distribución de probabilidad P(X). es decir. Ejemplo. se define el valor esperado. X 1 0. otros son 2’s. La función de distribución de probabilidad de la variable X está dada por la siguiente tabla: X 𝑷(𝒙) 1 0. 𝟒𝟑 𝒙 Así.13 650 6 0. 𝟎𝟏) = 𝟑.03 7 0. 𝟎𝟐) + 𝟐(𝟎.008 Una manera de ver esta situación es pensar que valores de la variable X representan a la población. Ciencias exactas. y análogamente con los demás valores de X.000 empleados que trabajan para una armadora de coches.25 4 0. Una vez que hemos modelado a la población.013 2 0.Probabilidad 1 Unidad 3. media o promedio de X por: E[x] = ∑𝑥 𝑒𝑛 𝑅𝑥 𝑥𝑃(𝑥) Observa que si P(x) es una descripción exacta de las frecuencias relativas para una población de datos.07 3 0. Desde que P(1)=0. ingenierías y Tecnologías 9 . Modelos de probabilidad discretos Contenido nuclear Valor esperado y varianza de una variable aleatoria discreta Definición.02 𝑷(𝒙) Número de 100 empleados 2 0.01)(5.08 6 0. sabemos que (0.25 1250 5 0.17 850 3 0.39 1950 4 0.03 150 7 0.…. y finalmente unos son 7’s. 𝟏𝟕) + ⋯ + 𝟕(𝟎. 𝑬[𝒙] = 𝝁 = ∑ 𝒙𝒑(𝒙) = 𝟏(𝟎. algunos son 1’s en la población.15 5 0. este último valor representa la media del número de días que falta un trabajador por año. Se selecciona un empleado al azar entre 5.01 50 Calculando el valor medio de la variable X.000)= 50 de los empleados faltan un día. entonces E[x] = μ la media o promedio de la población.02. podemos caracterizarla a través de la media de la siguiente manera. Sea X=el número de faltas por año del empleado seleccionado.

43)2 + (0. y en Poisson. o superficie. Tanto la varianza como la desviación estándar miden qué tan dispersos se encuentran los valores de una población. V[x] = 2 = ∑𝑥(𝑥 − )2 𝑝(𝑥) = (0. un modelo de probabilidad representa un experimento aleatorio. Modelos de probabilidad discretos Contenido nuclear Definición. Sea X una variable aleatoria discreta con una distribución de probabilidad P(X). a la que se le denomina “éxito”. Ciencias exactas.02)(63. ingenierías y Tecnologías 10 .43. el “número de ocurrencias o éxitos” en una unidad especificada de tiempo. etc. la medicina. un elector puede votar “en contra” o “a favor”. tenemos que. un artículo producido puede ser “bueno” o “defectuoso”. Ejemplo. volumen.24. pero la probabilidad de éxito no es constante como en el caso de binomial. la electrónica. El modelo Poisson y el modelo Hipergeométrico comparten con el modelo binomial que cada resultado puede tener o no una característica.43)2 = 3.01)(13.43)2 +…+ (0. En un modelo Hipergeométrico nos interesa también el número de éxitos en una muestra.07 La desviación estándar de X es =2. Modelos de probabilidad para variables aleatorias discretas Un modelo es una representación de la realidad. El modelo binomial es ampliamente usado en control de calidad en la industria.08)(23. con la función de distribución de probabilidad del ejemplo (sección anterior). en esta unidad estudiaremos los modelos de probabilidad más frecuentemente usados en la práctica relacionados con experimentos aleatorios discretos. se define la varianza de X por: V[x] = E[(xμ)2 ] = ∑𝑥 𝑒𝑛 𝑅𝑥(𝑥 − )2 𝑃(𝑥) Observa que si P(x) es una descripción exacta de las frecuencias relativas para una población de datos. Por ejemplo. entonces V[x] = 2 la varianza de la población.Probabilidad 1 Unidad 3. En un modelo binomial nos interesa el número de éxitos en una muestra. Si X representa el número de faltas que un empleado tiene durante un año. para la cual =3.

es decir. el resultado de un ensayo no depende de los ensayos anteriores.1.  A la variable X que expresa el número de éxitos obtenidos en los n ensayos del experimento. Supón que 20% de todas las computadoras producidas por una compañía necesitan un servicio durante su periodo de garantía. entre 15 seleccionadas aleatoriamente. que necesitarán un servicio.2)(0.8)15 + 15C1(0. En donde el interés del investigador es que cumple con una característica que se requiere observar.2)(0.  La probabilidad de éxito (p) no varía de una prueba a otra. Corresponde a un experimento aleatorio que tiene las siguientes características:  Se realizan n ensayos o pruebas de forma idéntica. Su función de distribución de probabilidad está dada por: P(X=x) = nCx (p)x (1p)n-x El rango o recorrido de la variable aleatoria X es {0.2)(0. ingenierías y Tecnologías 11 .2 a) La probabilidad de que a lo más 8 necesiten servicio es: P(X ≤ 8) = ∑8x=0 nCx(p)(1p)15-x P(X 8) = 15C0(0.  Cada ensayo tiene dos posibles resultados: éxito o fracaso.….999 Ciencias exactas. Entonces si X tiene una distribución binomial con n=15 y p=0. Sea X el número de computadoras.  Los ensayos son independientes.  La probabilidad de fracaso es q = 1  p  La variable aleatoria es el número de éxitos en los n ensayos. si un elemento de la población presenta esta característica le llamamos un éxito. 2. Como ejemplos tenemos la proporción de votantes de toma de decisiones.8)14 + … +15C8(0. la llamaremos variable aleatoria Binomial.8)7 P(X 8) = 0. n}  Todo experimento que tenga estas características diremos que sigue el modelo de la distribución Binomial. Modelos de probabilidad discretos Contenido nuclear Modelo Binomial El modelo binomial es empleado en situaciones en donde nos interesa conocer una suma de éxitos o una proporción en una población.Probabilidad 1 Unidad 3. Ejemplo. en la práctica requieren conocer algunas características de una población la suma de elementos o la proporción de elementos de la población involucran la selección de una muestra aleatoria de una población.

2)(0. etc. leucocitos. Modelos de probabilidad discretos Contenido nuclear b) La probabilidad de que exactamente 8 necesiten servicio es: P(X 8) = 15C8(p)(1p)15-8 = 0. superficie o volumen. Entendemos el promedio de defectos como el parámetro a estimar y un metro cuadrado como unidad de espacio. ingenierías y Tecnologías 12 ..  El número de ocurrencias es independiente de la unidad especificada  λ es el parámetro de la población a estimar y se conoce como el promedio de ocurrencias por unidad especificada. linfocitos.8)8 P(X 8) = 0.  Un supermercado se interesa en observar el promedio de clientes que llega a las cajas por hora.003 c) La probabilidad de que al menos 8 necesiten servicio es: P(X 8) = 1P(X 7)= 115C0(0.2)(0.2)(0. Este tipo de situaciones se aborda con el modelo Poisson en teoría de colas. neutrófilos. ¿Cuál es el parámetro de interés? ¿Sirve el modelo Poisson para representar este problema? El modelo Poisson corresponde a un experimento aleatorio que tiene las siguientes características:  El promedio de ocurrencias por unidad especificada es proporcional al tamaño de la unidad.004 Modelo de Poisson El modelo Poisson es empleado en situaciones en donde nos interesa conocer la suma de ocurrencias de un evento en un continuo de tiempo. Ciencias exactas. Entendemos el número de llamadas la suma de ocurrencias en un espacio de tiempo de una hora.8)14 + … +15C7(0. con el fin de estimar el promedio de ocurrencias por unidad de volumen. por ml2.  Un laboratorio de análisis clínicos realiza estudios en los que requiere contar el número de ocurrencias de plaquetas. Ejemplos  Un departamento de atención a clientes desea estimar el promedio de llamadas por hora.Probabilidad 1 Unidad 3.8)15 + 15C1(0.  Una tienda de telas tiene interés en estimar el promedio de defectos por metro cuadrado en un lote de telas.  El departamento de tránsito está interesado en estimar el promedio de accidentes por semana en un crucero peligroso.

5)5 = + +⋯+ = 0. Suponemos que X tiene una distribución de Poisson con λ =4.5 (4.5)0 𝑒 −4. Una compañía de seguros de vida ha determinado que en promedio recibe 4. El modelo Hipergeométrico corresponde a un experimento aleatorio que tiene las siguientes características:  Se realizan n ensayos o se obtiene una muestra de n observaciones sin reponer.5 (4.5 (4.5)1 𝑒 −4.  La suma de variables Poisson es una variable Poisson con la suma de sus promedios. superficie o volumen.1708 5! b) La probabilidad de que ocurran a lo más 5 reclamos es: 5 𝑃(𝑋 ≤ 5) = ∑ 𝑥=0 𝑒 −4.5.5 (4. a) La probabilidad de que ocurran 5 reclamos en un día está dada por: 𝑃(𝑋 = 5) = 𝑒 −4.Probabilidad 1 Unidad 3.2.5)5 = 0. Su función de distribución de probabilidad está dada por: 𝑃(𝑋 = 𝑥) = 𝑒 −λ λ𝑥 𝑃𝑎𝑟𝑎 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑑𝑒 𝑥: 0. Modelos de probabilidad discretos Contenido nuclear  La variable aleatoria asociada al experimento es el número de ocurrencias por una unidad especificada.1.5 (4. … 𝑥! Media: E[x]= λ Varianza: V[x]= λ Desviación estándar: σ = √λ Ejemplo. ingenierías y Tecnologías 13 .7029 𝑥! 0! 1! 5! Modelo Hipergeométrico El modelo Hipergeométrico es empleado en experimentos binomiales cuando no se cumple que los eventos sean independientes y la probabilidad de éxito no se mantenga constante.5 reclamos por seguro de muerte al día.5)𝑥 𝑒 −4. Ciencias exactas. la cual puede ser de tiempo.  Cada ensayo tiene dos posibles resultados: éxito o fracaso.

es decir.  x es el número de éxitos en la muestra (valor de la variable aleatoria). ingenierías y Tecnologías 14 .  La probabilidad de éxito (p) varía de una prueba a otra.  kCx representa la cantidad de formas para seleccionar x éxitos de un total de k éxitos en la población.  n  x es el número de fracasos en la muestra. Modelos de probabilidad discretos Contenido nuclear  Los ensayos no son independientes.  NCn representa la cantidad de formas para seleccionar una muestra de tamaño n de una población con N elementos en donde N ≥ n. En donde N es el total de elementos y r el número de éxitos en la población.  La probabilidad de fracaso es q = 1  p  La variable aleatoria es el número de éxitos en los n ensayos. Media: 𝑘 𝐸[𝑥] = 𝑛 ∗ 𝑁 Varianza: 𝑘 𝑘 𝑁−𝑛 𝑉[𝑥] = 𝑛 ∗ 𝑁 (1 − 𝑁) ( 𝑁−1 ) 𝑘 𝑘 𝑁−𝑛 Desviación estándar: 𝜎 = √𝑛 ∗ 𝑁 (1 − 𝑁) ( 𝑁−1 ) Ciencias exactas. el resultado de un ensayo depende de los ensayos anteriores.  k es el número de éxitos.  n es el tamaño de muestra seleccionado.  P(X=x) es la probabilidad de seleccionar x éxitos.Probabilidad 1 Unidad 3.  N  k es el número de fracasos. Su función de distribución de probabilidad está dada por: 𝑷(𝑿 = 𝒙) = (𝑵 − 𝒌)𝑪(𝒏 − 𝒙) ∗ 𝒌𝑪𝒙 𝒔𝒊𝒆𝒎𝒑𝒓𝒆 𝒚 𝒄𝒖𝒂𝒏𝒅𝒐 𝟎 ≤ 𝒙 ≤ 𝒌 𝑵𝑪𝒏 Observa que:  N es el total de elementos en la población.  El valor de 𝑝 = 𝑟 𝑁 es la proporción de éxitos en la población. parámetro de la población a estimar.  (N – k )C(n –x) representa la cantidad de formas para seleccionar n –x fracasos de un total de N – k fracasos en la población.

𝑃(𝑋 = 2) = 5𝐶 2 20𝐶 10−2 25𝐶 10 = 0.057 + 0. Cinco animales de una especie que se pensaba estaba cerca de la extinción en cierta región han sido capturados. Sea X= el número de animales marcados en la segunda muestra. marcados y liberados para que mezclaran con los de su misma especie. Modelos de probabilidad discretos Contenido nuclear Ejemplo. Si hay en la actualidad 25 animales de este tipo en la región. Después de que ellos han tenido la oportunidad de mezclarse.699 15 .Probabilidad 1 Unidad 3. k=5 (5 animales marcados) y N=25.385 Para (b). entonces. 2 𝑃(𝑋 ≤ 2) = 𝑃(𝑋 = 0.1 𝑜 2) = ∑ 𝑥=0 𝑘𝐶 𝑥 𝑁−𝑘 𝐶 𝑛−𝑥 𝑁𝐶 𝑛 Ciencias exactas. ingenierías y Tecnologías = 0. una muestra aleatoria de 10 animales fue seleccionada.385 = 0. a) ¿Cuál es la probabilidad de que X =2? b) ¿Cuál es la probabilidad de que X  2? Los valores de los parámetros son n=10. Para (a).257 + 0.

Tomados de LuisRinconUNAM.unam. valor esperado/esperanza. (Archivos de vídeo) recuperados de: 1 2 3 4 5 6 7 Aprende leyendo A continuación te recomendamos revisar los siguientes recursos: http://lya. Modelos de probabilidad discretos Contenido nuclear Aprende observando Recursos modelos de Probabilidad discretos En estos videos se muestran los conceptos de: variable aleatoria discreta. distribución de probabilidad. varianza. distribución binomial.pdf Ciencias exactas.Probabilidad 1 Unidad 3. distribución de Poisson y distribución hipergeométrica.mx/lars/Publicaciones/Prob1-ago2013. (2013).mec.pdf http://sauce.pntic.fciencias.es/~jpeo0002/Archivos/PDF/T02. ingenierías y Tecnologías 16 .

Evans. Hayslett.uy/~mordecki/notas_probabilidad. (2006). H. M. T. Probabilidad y estadística.pdf http://www. D. Spiegel. Probabilidad y estadística para ingeniería y ciencias. (2008).edu. L. J.cimat. y Sweeney. Así como identificar modelos de probabilidad como el Binomial. Cengage Learning Latin America. así como las propiedades de una función de probabilidad. R. México: Compañía Editorial Continental. México: Thomson Paraninfo. Estadística elemental. (2005). Ciencias exactas. (2005). Devore. Jr. Reverte. Ruiz. Estadística para administración y economía. L. y Ruiz.pdf Cierre de la Unidad En esta unidad aprendiste a utilizar modelos de probabilidad discretos para el análisis de eventos a través del valor esperado y la varianza de las variables aleatorias discretas.aulafacil. México: Grupo editorial Sayrols. México: McGraw-Hill.cmat.J. Modelos de probabilidad discretos Contenido nuclear http://www. (2007). Probabilidad y estadística.com/CursoEstadistica/CursoEstadistica. interpretando sus resultados. (2003).htm http://www. J. México: McGraw-Hill Interamericana. E. Estadística. y Stephens. Fuentes de consulta           Anderson. Ch. México: Thomson. P. ingenierías y Tecnologías 17 . B. M. (2002).Probabilidad 1 Unidad 3. Lincoln L.mx/~pabreu/LuisRinconI. México: Just in time Press. J. (2000). Johnson. Ahora eres capaz de distinguir una variable aleatoria de una continua y de determinar los valores de los parámetros en los modelos probabilísticos y calcular probabilidades. Introducción a la estadística. Probabilidad y estadística con prácticas en Excel. Poisson e Hipergeométrico. (1987) Estadística simplificada. Gamiz Casarrubias. R. D. y Kuby. E.