Clase Variables Aleatorias Dicretas. ESPOL

ESTADÍSTICA
III. MODELOS ESTOCÁSTICOS

DISCRETOS
Wendy Plata Alarcón
wplata@espol.edu.ec
Guayaquil, octubre de 2016

Variables Aleatorias Discretas
 Variable Aleatoria: es una función X cuyo dominio es  y
cuyo conjunto de llegada es R.
 En definitiva su representación como función es X:   R;

lo cual significa que a cada w, la función X le asigna
uno y solo un número real X(w).
 Soporte S de una Variable Aleatoria: conjunto de valores

reales X(w) que ocurren con probabilidad distinta de cero.
 Variable Aleatoria Discreta: X es discreta si su soporte S

es un conjunto contable.
2 Estadística para Ingenierías
Variables Aleatorias Discretas:
ejemplo
 Si un experimento consiste en lanzar tres veces una
moneda “legal” de manera sucesiva siendo cada
lanzamiento independiente del otro; y, se observa que
terna de “lados” ocurre.
 = {sss; ssc; scs; css; scc; csc; ccs; ccc}
 = {w1 ; w2 ; w3 ; w4 ; w5 ; w6 ; w7 ; w8 }
 Dado este experimento, definimos una Variable

Aleatoria X tal que para cualquier w, X(w) es igual
al número de “sellos” en w. Esto hace que:
Variables Aleatorias Discretas:
ejemplo
 X(w1) = X(sss) = 3  X(w5) = X(scc) = 1
 X(w2) = X(ssc) = 2  X(w6) = X(csc) = 1 Soporte S de la
Variable Aleatoria
 X(w3) = X(scs) = 2  X(w7) = X(ccs) = 1 Discreta X
 X(w4) = X(css) = 2  X(w8) = X(ccc) = 0
1
P(X  0)  P({ccc}) 
 Si aplicamos los principios 8
de probabilidades del 3
P(X  1)  P({scc}  {csc} {ccs}) 
Capítulo previo, tenemos 8
que para esta Variable 3
P(X  2)  P({ssc}  {scs}  {css}) 
Aleatoria: 8
1
P(X  3)  P({sss}) 
8
Función de Distribución de
Probabilidades
 Con cada Variables Aleatoria Discreta asociaremos una
función f: R  [0,1] a la que llamaremos Función de
Distribución de Probabilidades de X, función que
debe cumplir las siguientes condiciones:
i. f(x) = P(X = x);
ii. 
. f (x) 
xS
xS
P(X  x )  1; y, Ejemplo
X: número de “sellos” en w
iii. 
. P( x  A)   f ( x )
xS xA
1
 8 ; x  0, 3
f ( x )  P(X  x )  
 3 ; x  1, 2
 8
Función de Distribución de
Probabilidades: ejemplo
 Consideremos la variable aleatoria X cuya Distribución de
Probabilidades es,
f(x) = k(x + 1)2 ; para xS = {0; 1; 2; 3}
 Determinar el valor de k para que f(x) sea una función de Distribución
de probabilidades
 f ( x )   P( X  x )  1
xS xS
3
 P(X  x)  P(x  0)  P(x  1)  P(x  2)  P(x  3)  1

x 0
k (0  1) 2  k (1  1) 2  k (2  1) 2  k (3  1) 2  1
k  4k  9k  16k  1
1
 30k  1  k  f(x) = (x + 1)2 /30; para xS = {0; 1; 2; 3}
30
Histograma de Probabilidades
 El gráfico de barras de la Función Distribución de
Probabilidades es el Histograma de Probabilidades de
la Variable Aleatoria Discreta X, esto es, las barras
tienen altura proporcional al valor de la probabilidad
en el punto.
4/8
3/8 3/8 3/8

f(x) = P(X=x)
2/8
2/8
1/8 1/8
1/8
0
0 1 X 2 3
Distribución Acumulada de X
 Una función de variable real F: R  [0,1] es definida como
la Distribución Acumulada de una Variable Aleatoria
Discreta X si y sólo si:
F(x) = P(X  x), x, esté o no en el Soporte S de X
1,00
0; x  0 0,90
1 0,80
 ; 0  x 1 0,70
8 0,60

F(X)
0,50
4
F( x )  P( X  x )   ; 1  x  2 0,40
8 0,30
7 0,20
8 ; 2  x  3 0,10
0,00
 -1 0 1 2 3 4
1; x  3

X
Valores Esperados de un Variable
Aleatoria
 A partir de ahora, pretendemos encontrar los valores
promedios o Valores Esperados de una Variable
Aleatoria Y; cuyo valor y = u(x) está definido en
términos de una Variable Aleatoria X, cuyo soporte es
S y cuya Distribución de Probabilidades es f.
 Se denota por
E[u ( x )]   u ( x )   u ( x )f ( x )
xS

Aleatoria: teorema
 Si X es una Variable Aleatoria Discreta, ui(x) y i i = 0, 1, 2,
…, n; funciones en X y constantes reales conocidas
respectivamente, entonces:
 n  n
E 
 i 1

 i u i ( x ) 
 i 1
 i E[u i ( x )]
 Nótese que el Valor Esperado E es una transformación lineal,

puesto que:
E[ 1 u 1 ( x )   2 u 2 ( x )]   1 E[u 1 ( x )]   2 E[u 2 ( x )]
 Además, el Valor Esperado de una constante real es la misma

constante: E() = 
Aleatoria: Media
 Existen funciones de X cuyos Valores Esperados son de
particular utilidad en Estadística, por decir u(x) = xr,
donde r es un entero positivo conocido, el Valor
Esperado de ésta función es también llamado el r-ésimo
Momento de X con respecto al origen; usualmente se lo
denota por ’r esto es:
 'r  E ( x r )  
xS
x r f (x)
 Cuando r = 1 se tiene E(x) = ’1 =  valor este, al que se

denomina Media  de la Variable Aleatoria X o también
llamada Esperanza Matemática de X.
Aleatoria: Media
 Consideremos la variable aleatoria X cuya Distribución
de Probabilidades es,
f(x) = (x + 1)2/30; para xS = {0; 1; 2; 3}
 Determinar la Media  de X usando Valores Esperados.
( x  1) 2
3 3
  E(X)  
x 0
xf ( x )  
x 0
x
30
 (0  1) 2   (1  1) 2   (2  1) 2   (3  1) 2 
  0   1   2   3 
 30   30   30   30 
       
4 18 48 70 7
  0      2.33
30 30 30 30 3
Aleatoria: Varianza
 Otra función cuyo Valor Esperado es relevante para una
Variable Aleatoria Discreta es (X - )r, que es el r-ésimo
Momento de X con Respecto a su Media , así:
 r  E ( X  ) r  
xS
( X  ) r f ( x )
 Cuando r = 2,
 2  E(X  ) 2  E(X 2  2X   2 )
 2  E(X 2 )   2   '2   2
 Este Valor Esperado tiene el nombre de Varianza de una

Variable Aleatoria X y se lo denota por 2.
Aleatoria: Varianza
Probabilidades es,
f(x) = (x + 1)2/30; para xS = {0; 1; 2; 3}
 Determinar la Varianza 2 de X usando Valores Esperados.
 2  E(X 2 )   2
( x  1) 2
3 3
E(X ) 
2

x 0
x f (x) 
2

x 0
x 2
30
 2 (0  1) 2   2 (1  1) 2   2 (2  1) 2   2 (3  1) 2 
E(X )   0
2   1   2   3 
 30     30   30   30 
   
4 36 144 184
E(X 2 )  0      6.13
30 30 30 30
 2  6.13  5.43  0.70
Aleatoria: teorema
 Sea X una Variable Aleatoria Discreta con Media  y
Varianza 2 y sea Y = X +  entonces:
 Media Y de Y es igual a  + 
 Varianza es 2 2
 Se supone que  y  son constantes reales.
 Prueba
 Y = X +   E(Y) = E(X + )
 E(Y) = E(X) + E()

 E(Y) =  + 
Aleatoria: Sesgo
 El tercer momento de X con respecto a , esto es,
3 = E(X - )3, es utilizado para medir el sesgo o
asimetría de X con respecto a .
 Simetría
 Se puede probar que si el valor de 3 es cero, la
distribución f de X es simétrica con respecto a .
 Asimetría de las Distribuciones

 Si 3 es positivo la distribución es sesgada hacia la
izquierda de ; y, si es negativo el sesgada hacia la
derecha de .
Aleatoria: Sesgo
0,80
a) Sesgo positivo 0,50
b) Distribución Simétrica
0,60 0,40 3 = 0
3 > 0
0,30
f(x)
f(x)
0,40
0,20
0,20 0,10
0,00 0,00
0 1 2 3 0 1 2 3
0,80
c) Sesgo negativo
0,60
3 < 0
f(x)
0,40
0,20
0,00
0 1 2 3
Aleatoria: Kurtosis
 El cuarto momento de X con respecto a , esto es,
4 = E(X - )4, es llamado Medida de Kurtosis o Medida de
Apuntamiento; lo usual es utilizar el Coeficiente 4 = 4/4
al que se denomina Coeficiente de Apuntamiento de X.
 X es Leptocúrtica
Cuando el Coeficiente de Apuntamiento 4 es mayor a tres.
 X es Platicúrtica
Cuando el Coeficiente de Apuntamiento de X es menor a tres.
 X es Mesocúrtica
Cuando el Coeficiente de Apuntamiento de X es igual a tres.
Aleatoria: Kurtosis
 Medidas de Forma de X
Leptocúrtica
Mesocúrtica
Platicúrtica

Función Generadora de Momentos
 Uno de los Valores Esperados más útiles de una Variable
Aleatoria Discreta es la denominada Función Generada de
Momentos, se denota y define de la siguiente manera:
M x ( t )  E(e xt )  
xS
e xt f ( x ); t  (a , a )
 No es verdad que para todas las Variables Aleatorias existe este

Valor Esperado.
 Si dos Variables X e Y tienen idéntica función Generadora de
Momentos, como consecuencia ambas tienen idéntica
Distribución de Probabilidades, o X e Y son idénticamente
distribuidas.
Función Generadora de Momentos:
ejemplo
Probabilidades es,
f(x) = (x + 1)2/30; para xS = {0; 1; 2; 3}
 Determinar la Función Generadora de Momentos.
( x  1) 2
3
M x ( t )  E (e ) 
xt
e
xS
xt
f (x)  e
x 0
xt
30
 0 t (0  1) 2   1t (1  1) 2   2 t (2  1) 2   3t (3  1) 2 
M x (t)   e   e   e   e 
 30   30   30   30 
       
1 4 t 9 2 t 16 3t
M x (t)   e  e  e ; tR
30 30 30 30
Función Generadora de Momentos
 Si se deriva la Función Generadora de Momentos con

respecto a t y se la evalúa en t = 0, encontramos que:
  E(x)  M 'x (t ) t 0
 La Varianza también puede ser expresada en término

de la Función Generadora de Momentos, de la
siguiente manera:
  E ( X  ) 
2 2
M x (0)  [M x (0)]
'' ' 2

ejemplo
Probabilidades es,
f(x) = (x + 1)2/30; para xS = {0; 1; 2; 3}
 A partir de la Función Generadora de Momentos, calcular la
Media y Varianza de X.
1 4 t 9 2 t 16 3t
M x (t )   e  e  e ; t R
30 30 30 30
 Media 4 t 9 2t 16 3t 
 M 'x (0)   e  2. e  3. e 
 30 30 30  t 0
4 9 16 70
  2.  3.   2.33
30 30 30 30
ejemplo
 A partir de la Función Generadora de Momentos, calcular la
Media y Varianza de X.
1 4 t 9 2 t 16 3t
M x (t )   e  e  e ; t R
30 30 30 30
 Varianza
4 t 9 2t 16 3t 
 2
 M 'x' (0)  [M 'x (0)]2   e  4. e  9. e   (2.33) 2
 30 30 30  t 0
4 9 16 
    4.  9.   5.43  6.13  5.43  0.70
2
 30 30 30 

Distribución Uniforme Discreta
 Variable Aleatoria Uniforme Discreta con parámetro N
tiene como Distribución de Probabilidades f a la función
siguiente:
1
P(X  x )  f ( x )  ; S  {1; 2; 3; ...; N}
N
 Se suele denotar X  U(1,N), X es una Variable Aleatoria
Uniforme Discreta con Parámetro N.
 Media:  = (N + 1)/2
 Varianza: 2 = (N2 – 1)/12

Experimento Binomial
 Un Experimento es Binomial cuando y solo cuando lo
constituyen n repeticiones Bernoulli que cumplen las
siguientes condiciones:
 La probabilidad de que una repetición cualquiera ocurra

suceso es p y falla (1 – p);
 La probabilidad de suceso se mantiene invariable durante
todo el experimento;
 Cada una de las repeticiones es independiente de las demás;
y,
 El número n de repeticiones es establecido antes de que el
experimento tenga lugar.

Distribución Binomial
 Una Variable Aleatoria Binomial se la representa como
b(x; n, p) y se dice “tenemos una Variable Binomial con
parámetros n y p”.
 Si X es Binomial con parámetros n y p, entonces su

Distribución de Probabilidades es:
n x
P(X  x )  f ( x )   p (1  p) n  x ; para todo x  S; S  {0, 1, 2, ..., n}
x
 Media:  = np
 Varianza: 2 = np(1 – p)
 Función Generadora de Momentos: Mx(t) = [etp + (1 – p)]n
Distribución Binomial
 Demostración: Media.
  M 'x (0)  n[e t p  (1  p)] n 1 (e t p) t 0
  n (p  1  p) n 1 (p)
  np
 Demostración: Varianza.

 2  M 'x' (0)  M 'x (0) 2
 2  n[e t p  (1  p)] n 1 (e t p)  n ( n  1)[e t p  (1  p)] n  2 (e t p) 2   ( np) 2

 t 0 

 2  [n ( p  1  p) n 1 ( p)  n ( n  1)(p  1  p) n  2 ( p) 2 ]  ( np) 2
 2  np  n (n  1) p 2  ( np) 2  np  (np) 2  np 2  ( np) 2
 2  np(1  p)
Distribución Binomial: ejemplo
 De los correos electrónicos que un profesor encuentra en
su revisión diaria, él ha establecido que el 30% provienen
de estudiantes y el resto de otras fuentes. Una mañana
cualquiera encuentra 35 “e-mails” en su buzón. (Suponga
independencia de los envíos de correos)
 ¿Cuál es la probabilidad que diez de ellos provengan

de sus estudiantes?
 ¿Qué a lo mucho diez de ellos provengan de sus
estudiantes?
 ¿Cuál es el número promedio de correos de
estudiantes que recibe el profesor?

 Datos
 Si X es número de correos que recibe el profesor provenientes
de los estudiantes.
 Si denominamos suceso al hecho de que el profesor reciba un
correo proveniente de un estudiante, entonces p = 0.30.
 Si n = 35 correos en el buzón del profesor.
 Se pide:
 ¿Cuál es la probabilidad que diez de ellos provengan de sus
estudiantes?
. P(X  10)   35 0.3010 (1  0.30) 3510  0.145
 10 
 
 Se pide:
 ¿Qué a lo mucho diez de ellos provengan de sus
estudiantes?
P(X  10)  P(X  0)  P(X  1)  P(X  2)  ...  P(X  10)
 35  35 0  35 
P(X  10)   0.30 (1  0.30)
0
 ...   0.3010 (1  0.30) 3510
0  10 
P(X  10)  0.51
 ¿Cuál es el número promedio de correos de
estudiantes que recibe el profesor?
 = np = 35 (0.30) = 11 correos

Distribución Binomial Negativa
 Se tiene una sucesión independiente de repeticiones
Bernoulli todas ellas con probabilidad de suceso p; si r
es un número entero previamente determinado,
diremos que X es una Variable Aleatoria Binomial
Negativa si y solo si X representa el número de
repeticiones requeridas para que el r-ésimo suceso
ocurra.

Distribución Binomial Negativa
 Si X es Binomial Negativa con parámetros r y p, entonces
su Distribución de Probabilidades es:
 x  1 r
P(X  x )  f ( x )   p (1  p) x  r ; para todo x  S; S  {r, r  1, ...}
 r 1 
r
 Media:  
p
r (1  p)
 Varianza:  
2
p2
 Función Generadora de Momentos:
M x ( t )  (pe t ) r [1  (1  p)e t ]  r , para (1  p)e t  1
Distribución Binomial Negativa:
ejemplo
 Se conoce a través de la experiencia del Departamento
de Calidad de una empresa, que en uno de sus procesos
productivos, el porcentaje de disconformidad es de 15%.
Preocupados por tan alto porcentaje, se procede a la
inspección uno a uno de los productos que se elaboran
en un día:
 ¿Cuál es la probabilidad que el sexto producto

revisado sea el tercero en el que se encuentre una
disconformidad?
 ¿Cuál es la probabilidad que en la cuarta inspección se
encuentre la primera inconformidad?
ejemplo
 Datos:
 X es el número de repeticiones hasta encontrar la
tercera disconformidad (r = 3).
 La probabilidad de que se encuentra una disconformidad
es p = 0.15.
 Se pide:
 ¿Cuál es la probabilidad que el sexto producto
revisado sea el tercero en el que se encuentre una
disconformidad?
 6  1
P(X  6)   0.15 3 (1  0.15) 63  0.021
 3  1
ejemplo
 Datos:
 X es el número de repeticiones hasta encontrar la
primera disconformidad (r = 1).
 La probabilidad de que se encuentra una disconformidad
es p = 0.15.
 Se pide:
 ¿Cuál es la probabilidad que en la cuarta inspección se
encuentre la primera inconformidad?
 4  1
P(X  4)   0.151 (1  0.15) 41  0.092
 1 1 
Distribución Geométrica
 Supongamos que se tiene una sucesión de repeticiones
Bernoulli, cada una de ellas Independientes de las otras, con
probabilidad de suceso “p”. Diremos que X es una Variable
Aleatoria Geométrica, cuando y sólo cuando, los valores que
ella toma son iguales al número de repeticiones que se
requieren en el experimento, para que el primer suceso
ocurra.
P(X = x) = f(x) = (1 – p)x – 1p; para todo xS
 Media: 1

p
 Varianza:  2  1 p
p2
Distribución Geométrica: ejemplo
 Un predicador visita hogares en su afán de difundir la
cristiandad, pero no siempre es bien recibido y escuchado;
sus estimaciones son que en el 15% de los hogares que
visita es bien recibido y escuchado. ¿Cuál es la
probabilidad de que en la quinta visita que haga, sea la
primera vez que el predicador es bien “recibido y
escuchado”?
 Datos:
 Sea X: número de hogares a visitar hasta ser bien “recibido
y escuchado”.
 p = 0.15
Distribución Geométrica: ejemplo
 Se pide:
 ¿Cuál es la probabilidad de que en la quinta visita que
haga, sea la primera vez que el predicador es bien
“recibido y escuchado”?
 P(X = 5) = (1 – p)x – 1p = (1 – 0.15)5 – 1(0.15)
 P(X = 5) = (0.85)4(0.15)
 P(X = 5) = 0.0783
 Por lo tanto, la probabilidad de que la quinta visita sea la

primera en la cual el predicador es bien recibido es
0.0783.
Distribución Poisson
 En ciencias e ingenierías es común enfrentar problemas en los que
es de interés conocer cómo un determinado hecho ocurre, cada
unidad de tiempo o cada unidad de espacio.
 Una Variable Aleatoria discreta es Poisson con parámetro  cuando

y solo cuando su distribución de probabilidades está dada de la
siguiente manera:
x e 
P( X  x )  ; para todo x  S, S  {0, 1, 2, 3, ...}
x!
 Media:  = 
 Varianza: 2 = 
Función Generadora de Momentos: M x ( t )  e  (e 1)
t
 , t R

Distribución Poisson: ejemplo
 Los usuarios de un sistema computacional se quejan
de este, ya que el número de veces a la semana que
el mismo falla es considerado muy alto. Al estudiarlo
un grupo de consultores han modelado al número de
“caídas” semanales como una Variable Aleatoria
Poisson con parámetro = 3.2 caídas por semana.
 Determinar la probabilidad de que el sistema falle
cuatro veces una semana cualquiera.
 ¿Cuántas fallas semanales se esperaría que ocurran?

Distribución Poisson: ejemplo
 Datos:
 Sea X: número de “caídas” semanales del sistema.
  = 3.2.
 Se pide:
 Determinar la probabilidad de que el sistema falle
cuatro veces una semana cualquiera.
3.2 4 e 3.2
P(X  4)   0.178
4!
 ¿Cuántas fallas semanales se esperaría que ocurran?
E[X] =  =  = 3.2.
Distribución Hipergeométrica
 Trabajamos con una Población Objetivo constituida
por N entes; entre estos N entes, a tienen una
característica que es de interés en la investigación. Se
toma una Muestra de tamaño n de la Población. Bajo
estas condiciones, X es una Variable Aleatoria
Hipergeométrica con parámetros N, a, n si X
representa el número de elementos que aparecen en
la Muestra, que poseen la característica de interés.

Distribución Hipergeométrica
 Si X es Hipergeométrica con parámetros N, a y n,
entonces su Distribución de Probabilidades es:
 a  N  a 
  
 x  n  x 
P( X  x )  f ( x )  ; para todo x  S; S  {0, 1, ..., k}; k  min{a; n}
 N
 
n
an
 Media:  
N
an ( N  a )(N  n )
 Varianza:   2
N 2 ( N  1)
Distribución Hipergeométrica:
ejemplo
 En un experimento sobre regresión genética un
biólogo observa un grupo de 25 parejas, 8 de las
cuales tienen el mismo color de ojos y las restantes 17
distintos colores. Se selecciona aleatoriamente una
muestra de 10 parejas.
 ¿Cuál es la probabilidad que ninguna pareja tenga el

mismo color de ojos?
 ¿Qué al menos dos tengan el mismo color de ojos?

ejemplo
 Datos:
 Población Objetivo: parejas que van a participar en el
experimento, N = 25.
 Característica de interés: que las parejas tengan el
mismo color de ojos, a = 8.
 Tamaño de la Muestra, n = 10. N = 25
 8  25  8  n = 10
  
 x 10  x 
P(X  x )  ;
 25 
  a=8
 10 
para todo x  S; S  {0, 1, ...,8}
ejemplo
 ¿Cuál es la probabilidad que ninguna pareja tenga le
mismo color de ojos?
 8  25  8 
  
 0 10  0 
P(X  0)   0.006
 25 
 
 10 
 ¿Qué al menos dos tengan el mismo color de ojos?
P ( X  2)  1  P( X  2)  1  [ P( X  0)  P( X  1)]
  8  25  8   8  25  8  
       
  0  10  0   1  10  1  
P ( X  2)  1    0.935
  25  25 
     
  10   10  
Referencias
 Zurita, G. (2010), “Probabilidad y Estadística:
Fundamentos y Aplicaciones”, Segunda Edición,
Escuela Superior Politécnica del Litoral, Instituto de
Ciencias Matemáticas, Guayaquil-Ecuador.


Clase Variables Aleatorias Dicretas. ESPOL

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Clase Variables Aleatorias Dicretas. ESPOL

Cargado por

Copyright:

Formatos disponibles

ESTADÍSTICA

III. MODELOS ESTOCÁSTICOS

Guayaquil, octubre de 2016

 En definitiva su representación como función es X:   R;

 Soporte S de una Variable Aleatoria: conjunto de valores

 Variable Aleatoria Discreta: X es discreta si su soporte S

 Dado este experimento, definimos una Variable

 P(X  x)  P(x  0)  P(x  1)  P(x  2)  P(x  3)  1

3/8 3/8 3/8

9 Estadística para Ingenierías

 Nótese que el Valor Esperado E es una transformación lineal,

 Además, el Valor Esperado de una constante real es la misma

 Cuando r = 1 se tiene E(x) = ’1 =  valor este, al que se

 Este Valor Esperado tiene el nombre de Varianza de una

 Se supone que  y  son constantes reales.

 E(Y) = E(X) + E()

 Asimetría de las Distribuciones

19 Estadística para Ingenierías

 No es verdad que para todas las Variables Aleatorias existe este

 Si se deriva la Función Generadora de Momentos con

 La Varianza también puede ser expresada en término

22 Estadística para Ingenierías

24 Estadística para Ingenierías

25 Estadística para Ingenierías

 La probabilidad de que una repetición cualquiera ocurra

26 Estadística para Ingenierías

 Si X es Binomial con parámetros n y p, entonces su

 2  n[e t p  (1  p)] n 1 (e t p)  n ( n  1)[e t p  (1  p)] n  2 (e t p) 2   ( np) 2

 ¿Cuál es la probabilidad que diez de ellos provengan

29 Estadística para Ingenierías

31 Estadística para Ingenierías

32 Estadística para Ingenierías

 ¿Cuál es la probabilidad que el sexto producto

 Por lo tanto, la probabilidad de que la quinta visita sea la

 Una Variable Aleatoria discreta es Poisson con parámetro  cuando

40 Estadística para Ingenierías

41 Estadística para Ingenierías

43 Estadística para Ingenierías

 ¿Cuál es la probabilidad que ninguna pareja tenga el

45 Estadística para Ingenierías

48 Estadística para Ingenierías

También podría gustarte