Tarea 8

DISTRIBUCIÓN 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 así (éxito) y q=1-p
el que no lo sea (fracaso). En realidad no se trata más que de una que únicamente puede tomar
dos modalidades, es por ello que el hecho de llamar éxito o fracaso a los posibles resultados de
las pruebas del resultado. Podríamos 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.
DISTRIBUCIÓN BINOMIAL• La distribución binomial es una distribución de probabilidad discreta
que mide el número de éxitos en una secuencia de n ensayos de BERNOULLI independientes
entre sí, con una probabilidad fija p de ocurrencia del éxito entre los ensayos.• Existen muchas
situaciones en las que se presenta una experiencia binomial. Cada uno de los experimentos es
independiente de los restantes (la probabilidad del resultado de un experimento no depende
del resultado del resto). El resultado de cada experimento ha de admitir sólo dos categorías (a
las que se denomina éxito y fracaso). Las probabilidades de ambas posibilidades han de ser
constantes en todos los experimentos (se denotan como p y q o p y 1-p).• Se designa por X a la
variable que mide el número de éxitos que se han producido en los n experimentos.• Cuando se
dan estas circunstancias, se dice que la variable X sigue una distribución de probabilidad
binomial, y se denota B(n,p)
DISTRIBUCION POISSON• Se trata de un modelo discreto, pero en el que el conjunto de valores
con probabilidad no nula no es finito, sino numerable.• Esta distribución suele utilizarse para
contajes del tipo número de individuos por unidad de tiempo, de espacio, etc.• Propiedades del
modelo de Poisson• 1) Esperanza: E(X) = λ.• 2) Varianza: V(X) = λ.• En esta distribución la
esperanza y la varianza coinciden.
DISTRIBUCIÓN NORMAL• En estadística y probabilidad se llama distribución normal, distribución
de Gauss o distribución gaussiana, a una de las distribuciones de probabilidad de variable
continua que con más frecuencia aparece aproximada en fenómenos reales.• La gráfica de su
función de densidad tiene una forma acampanada y es simétrica respecto de un determinad o
parámetro . Esta curva se conoce como campana de Gauss y e es el gráfico de una función
gaussiana.
DISTRIBUCIÓN GAMMA• En estadística la distribución gamma es una distribución de
probabilidad continua con dos parámetros k y λ cuya función de densidad para valores x > 0 es•
Aquí e es el número e y Γ es la función gamma. Para valores la aquella es Γ(k) = (k − 1)! (el
factorial de k − 1). En este caso - por ejemplo para describir un proceso de Poisson - se llaman la
distribución distribución Erlang con un parámetro θ = 1 / λ.• El valor esperado y la varianza de
una variable aleatoria X de distribución gamma son E*X+ = k / λ = kθ V*X+ = k / λ2 = kθ2 .
DISTRIBUCIÓN T STUDENT• En probabilidad y estadística, la distribución t (de Student) es una
distribución de probabilidad que surge del problema de estimar la media de una población
normalmente distribuida cuando el tamaño de la muestra es pequeño. Surge, en la mayoría de
los estudios estadísticos prácticos, cuando la desviación típica de una población se desconoce y
debe ser estimada a partir de los datos de una muestra.• La prueba t-Student fue desarrollada
en 1899 por el químico inglés William Sealey Gosset (1876-1937), mientras trabajaba en técnicas
de control de calidad para las destilerías Guiness en Dublín . Debido a que en la destilería, su
puesto de trabajo no era inicialmente de estadístico y su dedicación debía estar exclusivamente
encaminada a mejorar los costes de producción, publicó sus hallazgos anónimamente firmando
sus artículos con el nombre de "Student".