File D2de154b2a 1061 Unidad V y VI

UNIVERSIDAD TÉC. FEDERICO STA.
MARÍA-SEDE VIÑA DEL MAR PROGRAMAS DE INGENIERÍA

III UNIDAD TEMÁTICA: INTRODUCCIÓN A LA TEORÍA DE
PROBABILIDADES
3.0 Introducción.
La Teoría de Probabilidades estudia las reglas de probabilidad básica que

pueden ser utilizadas para determinar y “medir” la posible ocurrencia de determinados
fenómenos, de modo que ésta pueda servir de base para realizar inferencias sobre los
parámetros poblacionales basados en muestras estadísticas.
Los elementos básicos de la Teoría de Probabilidades son los resultados de un

proceso o fenómeno bajo estudio.
3.1 Definición de Posibilidad, Axiomas de Probabilidad.
• Experimento al azar: acción de la cuál no se puede predecir con certeza su

resultado.
• Probabilidad: grado o nivel de posibilidad o certeza que ocurra un
determinado suceso o evento, medido en un espacio
determinado.
• Suceso o Evento: resultado o conjunto de ellos que interesa estudiar o
medir.
• Espacio Muestral: conjunto de todos los posibles resultados de un
experimento aleatorio. (Ω)
• Suceso Seguro: Ω
• Suceso Imposible: Ø
Cuando trabajamos en Teoría de Probabilidades una de las ideas fundamentales

se relaciona con la intención de obtener una “medida” que cuantifique el nivel de
certeza en la ocurrencia de un determinado suceso o evento.
El concepto de medida lo podemos ligar en este caso a la necesidad de

establecer sistemas de conteo, es decir, formas que permitan contar la cantidad de
maneras que puede ocurrir un suceso determinado.
De esta manera nacen algunos métodos de conteo fundamentales en Teoría de

Probabilidades que se describen como sigue:
a) Principio de Adición: si tenemos dos sucesos, con la condición de que ambos

no pueden ocurrir simultáneamente, de manera tal que el
suceso A puede ocurrir de n maneras y el suceso B
puede ocurrir de m maneras, entonces el suceso (A ó B)
puede ocurrir de (n + m) maneras.
b) Principio de Multiplicación: si tenemos dos sucesos de manera tal que el suceso A

puede ocurrir de n maneras y el suceso B puede ocurrir
Eduardo Díaz Saavedra. 1 Estadística Aplicada

UNIVERSIDAD TÉC. FEDERICO STA. MARÍA-SEDE VIÑA DEL MAR PROGRAMAS DE INGENIERÍA
de m maneras, entonces el suceso (A y B) puede ocurrir
de (n • m) maneras.
c) Permutaciones: corresponde a la cantidad de arreglos u ordenaciones

posibles de realizar al tomar una cantidad determinada
de objetos (r), dentro de un conjunto de ellos (n).
n n!
P r = (n − r)! permutaciones de n objetos tomando r cada
vez.
Pn = n! permutaciones totales.
n!
Pn1 n2 ... nk = permutaciones objetos idénticos.
n1! n2! n3!...nk!
⎛ n = k ni ⎞
⎜ ∑ ⎟
⎝ i =1 ⎠
Pc = (n - 1)! permutaciones circulares.
d) Combinaciones: corresponde a la cantidad de formas posibles de tomar r

objetos de entre un total de n. En otras palabras es la
cantidad de subconjuntos que se pueden formar a partir
de n objetos tomando r cada vez.
n n!
C r = r! (n − r)!
e) Definición Clásica y Frecuentista de Probabilidad:
El enfoque clásico de probabilidad asume que todos los posibles resultados del
espacio muestral son igualmente probables y mutuamente excluyentes. (Probabilidad a
priori).
n(A)
P(A) =
n( Ω )
El enfoque frecuentista de probabilidad se basa en la observación de un

experimento, que sólo consiste en observar las veces que se repite un determinado
suceso en una cantidad determinada de repeticiones de la experiencia. No existe la
suposición implícita de igualdad de probabilidades. (Probabilidad empírica).
ni nº de veces que ocurre A

P(A) = =
n nº de veces que se repite el experimento

f) Definición Axiomática de Probabilidad:
La teoría de probabilidades es una herramienta con una base teórica sumamente

importante y que alcanza niveles importantes de complejidad dependiendo del nivel que
se desee profundizar en su análisis. Dadas las características de este curso haremos
algunas definiciones dejando a un lado algunas consideraciones teóricas que escapan a
los objetivos de la asignatura.
Teniendo presente entonces la observación anterior, para poder definir

matemáticamente una medida de probabilidad se deben dar las siguientes condiciones:
i) P(A) ∈ IR , 0 ≤ P(A) ≤ 1
ii) P(Ω) = 1
iii) Si tenemos dos sucesos A y B, con la condición de que ambos sean sucesos
mutuamente excluyentes, entonces:
• P(A ∪ B) = P(A) + P(B)

c
• P(A) = 1 - P(A )
• P(Ø) = 0
• P(A ∩ B) = 0
• P(A) < P(B) ⇒ A ⊂ B
iv) Sean A, B y C tres sucesos cualesquiera, entonces:
• P(A ∪ B) = P(A) + P(B) - P(A ∩ B)

c
• P(A) = P(A ∩ B) + P(A ∩ B )
c c
• P(A ∩ B ) = 1 - P(A ∪ B)
• P(A∪B∪C) = P(A) + P(B) + P(C) - P(A ∩ B) - P(A ∩ C) - P(B ∩ C) + P(A ∩ B ∩ C)
3.2 Probabilidad asociada a la visión de suceso, Sucesos Excluyentes.
Definición: Sean A y B dos sucesos determinados, entonces:
Si A ∩ B = Ø ⇒ A y B son sucesos mutuamente excluyentes o sucesos disjuntos, no

pueden ocurrir simultáneamente.
Diagrama de Venn:
A B

En resumen, podemos decir que dos o más sucesos o eventos son mutuamente
excluyentes si éstos no pueden ocurrir al mismo tiempo, es decir, la ocurrencia de uno
de ellos imposibilita de inmediato la ocurrencia del otro u otros.
3.3 Dependencia Estadística, Probabilidad Condicional.
El concepto de “dependencia estadística” se refiere a aquellos sucesos que

cuando ocurren tienen una influencia o efecto en la ocurrencia de otro u otros sucesos.
El caso de “probabilidad condicional” obedece a aquellas medidas de

probabilidad que se calculan dada una condición previa de ocurrencia de otro suceso
determinado.
A partir de estas definiciones podemos entonces presentar las siguientes

expresiones:
P(A ∩ B)
• P(A/B) = , P(B) > 0
P(B)
• P(A ∩ B) = P(A/B) P(B)
• P(A ∩ B) = P(B/A) P(A)
• P(A ∪ B/C) = P(A/C) + P(B/C) - P(A ∩ B/C)
• P(A ∩ B ∩ C) = P(A) P(B/A) P(C/A ∩ B)
3.3.1 Teorema de Bayes:
k
• P(A) = ∑ P(A/Bi)P(Bi) , Bi es una partición.
i =1
P(A/B)P(B)
• P(B/A) = k
, Bi es una partición.
∑ P(A/Bi)P(Bi)
i =1
3.4 Independencia Estadística.
Definición: Sean A y B dos sucesos independientes, entonces:
• P(A ∩ B) = P(A) · P(B)

• P(A/B) = P(A)
Entonces, dos eventos son independientes cuando la ocurrencia de uno no tiene

ningún efecto sobre la probabilidad de ocurrencia del otro.
3.5 Variables Aleatorias.
Una variable aleatoria se relaciona con un modelo matemático que entrega

resultados de medidas de probabilidad. Corresponde a un evento numérico cuyo valor
se determina a través de un proceso aleatorio.
3.5.1 Función de Distribución de Probabilidades:

Cuando se asignan valores de probabilidad a todos los valores numéricos

posibles de una variable aleatoria, o sea, a todo su recorrido, ya sea mediante un
listado o a través de una función matemática, se obtiene como resultado una
Distribución de Probabilidades.
Una función de distribución de probabilidades puede definirse como una relación
mutuamente excluyente de todos los resultados numéricos posibles para esa variable
aleatoria, de manera que la probabilidad de ocurrencia se relacione en particular con
cada resultado.
Un modelo matemático es una representación de algún fenómeno en particular,

corresponde a una expresión matemática que representa algún fenómeno. Para el caso
de las variables aleatorias este modelo se conoce como Función de Distribución de
Probabilidades.
3.5.2 Tipos de Variables Aleatorias:
Existen básicamente dos tipos de variables aleatorias y éstas se clasifican,

matemáticamente hablando, según el dominio que posea su recorrido, en variables
aleatorias discretas y continuas.
Una variable aleatoria discreta puede identificarse ya que sólo puede asumir
valores observados en puntos aislados a lo largo de una escala, de este modo los
valores se expresan en números enteros. Una variable discreta corresponde a datos
que se generan por un proceso de conteo. Para este tipo de variables es posible listar
cada uno de los valores numéricos de la variable en una tabla con las correspondientes
probabilidades.
Una variable aleatoria continua puede asumir un valor en cualquier punto

fraccionario de un intervalo especifico. Este tipo de datos se generan por medio de un
proceso de medición. Para estas variables continuas no es posible listar todos los
valores fraccionarios de la variable y, por lo tanto, las probabilidades que se determinan
a través de una función matemática se ilustran en forma gráfica mediante una Función
de Densidad de Probabilidad o una Curva de Probabilidad.

IV UNIDAD TEMÁTICA: DISTRIBUCIÓN DE PROBABILIDADES
4.0 Distribuciones de Probabilidades Especiales.
Cuando tenemos Distribuciones de Probabilidad a partir de una relación teórica

de resultados y probabilidades, en donde se puede obtener un modelo matemático que
represente algún fenómeno de interés, nacen Distribuciones de Probabilidades
modeladas que facilitan el cálculo de probabilidades en situaciones que siguen el
comportamiento del modelo que se asume.
Al contar con expresiones matemáticas se puede calcular la probabilidad de

ocurrencia exacta de cualquier resultado en particular de la variable aleatoria. De esta
manera, en estos casos se puede obtener y relacionar toda la distribución de
probabilidad.
Para facilitar los estudios y análisis en diversas áreas del conocimiento se han
desarrollado modelos matemáticos para representar algunos fenómenos discretos y
continuos que ocurren en las ciencias sociales y naturales, en la investigación médica y
en los negocios, y prácticamente en todas las áreas del conocimiento.
4.1 Distribuciones Discretas.
4.1.1 Valor Esperado de una Variable Aleatoria Discreta.
Generalmente se utiliza la simbología µ para denotar a la media de una

distribución de probabilidades, la que corresponderá al valor esperado de su variable
aleatoria.
El valor esperado de una variable aleatoria discreta puede ser considerado como
el promedio ponderado de todos los resultados posibles, siendo las ponderaciones la
probabilidad asociada a cada uno de los resultados posibles. Este valor esperado
puede expresarse de la siguiente manera:
n
µ = E(X) = ∑ xipxi
i=1
4.1.2 Varianza y Desviación Estándar de una Variable Aleatoria Discreta.
Para el caso de la varianza su definición teórica corresponde al promedio

ponderado de las distancias cuadráticas entre cada resultado posible y la media del
conjunto de datos, siendo la ponderación la probabilidad de cada uno de los resultados
posibles. Su expresión está dada como sigue:
n
σ2 = V(X) = ∑ ( xi − µ ) px
2
i
i=1
En cuanto a la desviación estándar, al igual como ya se ha estudiado, ésta

corresponde a:
n
σ= ∑ ( xi − µ ) px
2
i
i =1
4.1.3 Propiedades importantes de las Variables Aleatorias Discretas.
x
i) P(X ≤ x) = ∑ P(X = xi)
Rec X
ii) P(X > x) = 1 - P(X ≤ x – 1)

iii) P(a ≤ X ≤ b) = P(X ≤ b) – P(X ≤ a)
iv) V(X) = E(X2) – E(X)2
a) Distribución Binomial:
Esta distribución corresponde a aquella que se ajusta a la siguiente definición: se

realizan n ensayos tipo Bernoulli, con las siguientes características:
• Existen dos resultados mutuamente excluyentes en cada ensayo los que

denominaremos “éxito” y “fracaso”.
• Cada ensayo constituye eventos independientes.
• Es un proceso estacionario, es decir, la probabilidad de obtener un éxito
permanece constante de un ensayo a otro.
Notación: X ~ B(n,p) Recorrido: Rx = {0, 1, ...n}

n: número de ensayos.
p: probabilidad de obtener un éxito.
La función de cuantía está dada por:

x n-x
P(X = x) = nCx p q
n! x n-x
= p q
x! (n − x)!
donde: q = 1 – p
E(X) = np
V(X) = npq
b) Distribución Hipergeométrica:
Este tipo de distribución la podemos definir como sigue: tenemos una población
de tamaño N de entre los cuáles A elementos poseen una determinada característica y
el resto no la posee. Se toma una muestra de tamaño n y se cuenta el número de
elementos que poseen la característica en la muestra.
Notación: X ~ H(N,n,A) Recorrido: Rx = {En función de N, n y A}

N: número de elementos de la población.
n: número de elementos de la muestra.
A: número de elementos con la característica.
Cx·N − ACn − x
A
P(X = x) =
NCn
A
E(X) = n •
N
A N- A N-n
V(X) = n • • •
N N N -1
Obs.: Si n < 0,05N es recomendable utilizar la distribución Binomial.
c) Distribución Poisson:
Esta distribución la identificamos bajo las siguientes características: se cuentan la

cantidad de sucesos que ocurren en un determinado continuo de tiempo, espacio,
superficie, etc., y, además, debe considerar los siguientes elementos:
i) Los sucesos se presentan en un determinado continuo de tiempo, espacio,

superficie, etc.
ii) Cada ensayo constituye un evento independiente.
iii) Es un proceso estacionario, es decir, la probabilidad de obtener un evento
determinado permanece constante en el continuo dado.
Notación: X ~ P(λ) Recorrido: Rx = {0,1, ...}

λ: número promedio de eventos o tasa de eventos.
λx e−λ
P(X = x) =
x!
E(X) = λ
V(X) = λ
d) Aproximación a la distribución Poisson desde una distribución Binomial:
Si tenemos una distribución Binomial con parámetros n y p en donde existen las

condiciones tal que n → ∞ (> 30) ó p → 0 ó 1, entonces tenemos:
Si X ~ B(n,p) → E(X) = np
Si Y ~ P(λ) → E(Y) = λ
∴ X ~ P(np) que corresponde a una distribución Poisson aproximada desde una

distribución Binomial.
e) Distribución Geométrica:
Esta distribución la identificamos ya que consiste en la realización de infinitos

ensayos Bernoulli independientes y la variable cuenta el número de ensayos hasta que
aparece el primer éxito.
Notación: X ~ G(p) Recorrido: Rx = {1, 2, 3, ...}

p: probabilidad de éxito.

x-1
P(X = x) = p q
1
E(X) =
p
q
V(X) = 2
p
f) Distribución Binomial Negativa o Pascal:
La presente distribución consiste en la realización de infinitos ensayos Bernoulli

independientes y cuenta el número de ensayos hasta que aparece el r-ésimo éxito.
Notación: X ~ Bn(r,p) Recorrido: Rx = {r, r + 1, ...}

r: ensayo en que aparece éxito.
p: probabilidad de éxito.

r x-r
P(X = x) = x-1Cr-1 p q
r
E(X) =
p
rq
V(X) = 2
p
Muchas de estas distribuciones han sido tabuladas previamente y están

disponibles para evitar realizar cálculos excesivos.
4.2 Distribuciones Continuas.
4.2.1 Función de Densidad de Probabilidad para modelos matemáticos de Variables

Aleatorias Continuas.
Como ya hemos señalado en más de una oportunidad, las variables aleatorias

continuas se generan a partir de un proceso de medición.

Estos modelos que representan variables aleatorias continuas tienen numerosas
aplicaciones en ingeniería y en física, al igual que en los negocios y las ciencias
sociales.
Una expresión matemática que representa algún fenómeno de tipo continuo

puede ser utilizada para calcular la probabilidad de que ocurran varios valores de la
variable aleatoria dentro de ciertos rangos o intervalos, sin embargo, la probabilidad
exacta de un valor particular es cero.
4.2.2 Valor Esperado, Varianza y Desviación Estándar de una Variable Aleatoria

Continua.
Dada las dificultades de tipo matemáticas que significa el cálculo de los valores
esperados, varianza y desviación estándar, cuyos conocimientos escapan al alcance de
este curso, no estudiaremos la forma de calcular estas expresiones, sino que solamente
serán mencionadas para la distribución, siendo su interpretación y significado los
mismos que se estudiaron para el caso de variables aleatorias discretas.
a) Distribución Normal.
Esta distribución ha sido y es una de las de mayor importancia ya que se utiliza

en la teoría de muchas de las técnicas estadísticas para realizar estimaciones y
predicciones. Estadísticamente su importancia radica en:
i) Varios fenómenos continuos parecen seguir esta distribución o pueden ser

aproximados a ella.
ii) Sirve para aproximar varias distribuciones discretas de probabilidad y así evitar
molestos cálculos matemáticos.
iii) Proporciona la base para la Inferencia Estadística Clásica por su relación con el
Teorema del Límite Central1.
Además, esta distribución posee varias propiedades que son interesantes de

destacar:
i) Su forma es de campana y, además, es simétrica.

ii) Las medidas de tendencia central son idénticas.
iii) La variable aleatoria asociada no está acotada, es decir, tiene un rango infinito por lo
que su recorrido varía entre -∞ < x < ∞.
El modelo matemático de esta distribución que corresponde a su función de

densidad, está dado por:
⎡ x −µ )
2⎤
(
1 −⎢
⎢
⎥
⎥
f(x) = e⎣ 2 σ2
⎦
2 πσ
donde:
1
Teorema del Límite Central será estudiado en adelante en este curso.
e: constante matemática aproximada por 2,71828.
π: constante matemática aproximada por 3,14159.
µ: media de la población.
σ: desviación estándar de la población.
x: es cualquier valor de la variable aleatoria continua.
Como podemos deducir entonces, las probabilidades de una variable aleatoria

distribuida Normal sólo dependen de los dos parámetros de la distribución, la media de
la población µ y la desviación estándar de la población σ.
En la figura anterior podemos señalar que para el caso de las distribuciones

ubicadas al lado izquierdo, éstas presentan un mismo valor para la media µ, pero
distinto valor para la desviación estándar σ; sin embargo, para el caso de las dos
distribuciones más bajas ubicadas en el lado izquierdo y derecho respectivamente,
éstas poseen un valor distinto para la media µ pero igual valor para el caso de la
desviación estándar σ.
2
Notación: X ~ N(µ,σ ) µ: media.
2
σ : varianza.
E(X) = µ
2
V(X) = σ
Para efectos de simplificar los cálculos de la distribución Normal, estudiosos han

tabulado los valores de sus probabilidades, pero solamente para la llamada distribución
Normal Estándar, la que posee media igual a cero y varianza igual a uno.
Matemáticamente, el proceso de estandarización de la Distribución Normal es el

siguiente:
x -µ
Z= ~ N(0,1)
σ
En este caso su densidad está dada por la siguiente expresión:

1 −⎡ ⎤
z2
f(z) = ⎢⎣ 2 ⎥⎦
e
2π
b) Aproximación a la distribución Normal a partir de una distribución Binomial:
Sea que tenemos una distribución Binomial con parámetros n y p, en donde

existen las condiciones tal que n → ∞ (> 30) y p → 0 ó 1, entonces tenemos:
Si X ~ B(n,p) → E(X) = np V(X) = npq

2
Si Y ~ N(µ,σ2) → E(Y) = µ V(Y) = σ
∴ X ~ N(np;npq) que corresponde a una distribución Normal aproximada desde una

distribución Binomial.
c) Aproximación a la distribución Normal a partir de una distribución Poisson:
Si tenemos una distribución Poisson con parámetro λ y existen las condiciones

tal que λ → ∞ (> 10), entonces tenemos:
Si X ~ P(λ) → E(X) = λ V(X) = λ

2
Si Y ~ N(µ,σ2) → E(Y) = µ V(Y) = σ
∴ X ~ N(λ;λ) que corresponde a una distribución Normal aproximada desde una

distribución Poisson.
d) Distribución Uniforme:
Una distribución uniforme corresponde a aquella que posee un mismo

comportamiento en un determinado intervalo. Su función de densidad está dada por:
1
f(x) =
b-a
x-a
F(X) =
b- a
Notación: X ~ U[a,b]
a+b
E(X) =
2
V(X) =
(b-a) 2
12

e) Distribución Exponencial:
La función de densidad está dada por:
1 −( x )
f(x) = e a
a
F(X) = 1− e−( a )
x
Notación: X ~ E(α)
E(X) = α
2
V(X) = α

File D2de154b2a 1061 Unidad V y VI

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

File D2de154b2a 1061 Unidad V y VI

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD TÉC. FEDERICO STA.

MARÍA-SEDE VIÑA DEL MAR PROGRAMAS DE INGENIERÍA

La Teoría de Probabilidades estudia las reglas de probabilidad básica que

Los elementos básicos de la Teoría de Probabilidades son los resultados de un

3.1 Definición de Posibilidad, Axiomas de Probabilidad.

• Experimento al azar: acción de la cuál no se puede predecir con certeza su

Cuando trabajamos en Teoría de Probabilidades una de las ideas fundamentales

El concepto de medida lo podemos ligar en este caso a la necesidad de

De esta manera nacen algunos métodos de conteo fundamentales en Teoría de

a) Principio de Adición: si tenemos dos sucesos, con la condición de que ambos

b) Principio de Multiplicación: si tenemos dos sucesos de manera tal que el suceso A

Eduardo Díaz Saavedra. 1 Estadística Aplicada

c) Permutaciones: corresponde a la cantidad de arreglos u ordenaciones

Pc = (n - 1)! permutaciones circulares.

d) Combinaciones: corresponde a la cantidad de formas posibles de tomar r

e) Definición Clásica y Frecuentista de Probabilidad:

El enfoque frecuentista de probabilidad se basa en la observación de un

ni nº de veces que ocurre A

Eduardo Díaz Saavedra. 2 Estadística Aplicada

La teoría de probabilidades es una herramienta con una base teórica sumamente

Teniendo presente entonces la observación anterior, para poder definir

• P(A ∪ B) = P(A) + P(B)

iv) Sean A, B y C tres sucesos cualesquiera, entonces:

• P(A ∪ B) = P(A) + P(B) - P(A ∩ B)

3.2 Probabilidad asociada a la visión de suceso, Sucesos Excluyentes.

Definición: Sean A y B dos sucesos determinados, entonces:

Si A ∩ B = Ø ⇒ A y B son sucesos mutuamente excluyentes o sucesos disjuntos, no

Eduardo Díaz Saavedra. 3 Estadística Aplicada

3.3 Dependencia Estadística, Probabilidad Condicional.

El concepto de “dependencia estadística” se refiere a aquellos sucesos que

El caso de “probabilidad condicional” obedece a aquellas medidas de

A partir de estas definiciones podemos entonces presentar las siguientes

3.3.1 Teorema de Bayes:

3.4 Independencia Estadística.

Definición: Sean A y B dos sucesos independientes, entonces:

• P(A ∩ B) = P(A) · P(B)

Entonces, dos eventos son independientes cuando la ocurrencia de uno no tiene

3.5 Variables Aleatorias.

Una variable aleatoria se relaciona con un modelo matemático que entrega

3.5.1 Función de Distribución de Probabilidades:

Cuando se asignan valores de probabilidad a todos los valores numéricos

Un modelo matemático es una representación de algún fenómeno en particular,

3.5.2 Tipos de Variables Aleatorias:

Existen básicamente dos tipos de variables aleatorias y éstas se clasifican,

Una variable aleatoria continua puede asumir un valor en cualquier punto

Eduardo Díaz Saavedra. 5 Estadística Aplicada

4.0 Distribuciones de Probabilidades Especiales.

Cuando tenemos Distribuciones de Probabilidad a partir de una relación teórica

Al contar con expresiones matemáticas se puede calcular la probabilidad de

4.1 Distribuciones Discretas.

4.1.1 Valor Esperado de una Variable Aleatoria Discreta.

Generalmente se utiliza la simbología µ para denotar a la media de una

4.1.2 Varianza y Desviación Estándar de una Variable Aleatoria Discreta.

Para el caso de la varianza su definición teórica corresponde al promedio

En cuanto a la desviación estándar, al igual como ya se ha estudiado, ésta

4.1.3 Propiedades importantes de las Variables Aleatorias Discretas.

ii) P(X > x) = 1 - P(X ≤ x – 1)

Esta distribución corresponde a aquella que se ajusta a la siguiente definición: se

• Existen dos resultados mutuamente excluyentes en cada ensayo los que

Notación: X ~ B(n,p) Recorrido: Rx = {0, 1, ...n}

La función de cuantía está dada por:

Notación: X ~ H(N,n,A) Recorrido: Rx = {En función de N, n y A}

La función de cuantía está dada por: