Sandra Patricia Bravo Pérez.

EJERCICIO 1:
Cada estudiante de forma individual, realizará la lectura de las referencias recomendadas, posteriormente
desarrollará un cuadro sinóptico
 DISTRIBUCIONES DE PROBABILIDAD Binomial:DISCRETA Sea un espacio probabilístico
describe el número de éxitos al realizar n
y sea X una variable aleatoria discreta que toma como posibles valores experimentos independientes entre sí,
n
x1,x2,.....xn, se define la distribución
DISCRETAS
No puede tomar de pares
ningún valor (xi,entre
pi) que
dosa consecutivos. x ()
x n−x
P(x)= de probabilidad
p q , μ=n∗p ,σ=
de X como npqacerca de una variable aleatoria.
el conjunto
cada valor de la variable le asocia una probabilidad,
√
muestras pequeñas de poblaciones
donde pi= P(X=xi), VARIABLES. Hipergeométrica:
tal que la suma de todas las probabilidades es igual a la
pequeñas y en el cálculo de probabilidades
Ejemplos: númerounidad.
de hijos, cantidad de libros vendidos,
UNIDAD 2. k N −K de juegos de azar. Aplicaciones en el
cantidad de empleados. ( x )( n−x ) N −n
control de calidad para procesos
P =
PROBABILIDAD CONDICIONAL Y DISTRIBUCIONES DE PROBABILIDAD , μ=np , σ = npq
( x)
Binomial
N
n
negativa:
N −1 √ experimentales

es un modelo adecuado para tratar aquellos

Importancia:

x−1 r rq procesos en los que se repite un

P(x)=
x−k( )
Geométrica:
p √
p k q x−k , μ= , σ = 2 determinado ensayo o prueba hasta
p conseguir un número determinado de
resultados favorables.
procesos en los que se repiten pruebas hasta
la consecución del éxito a resultado deseado
1 q
P(x)=q x−1 p , μ= , σ= 2
p p √ y tiene interesantes aplicaciones en los
muestreos realizados de esta manera

número de hechos de cierto tipo que se

Poisson:
k −ƛ pueden producir en un intervalo de tiempo o
ƛ e de espacio, bajo presupuestos de aleatoriedad
P(x)= , μ=ƛ , σ=√ ƛ
k! y ciertas circunstancias restrictivas

Uniforme discreta: Modeliza fenómenos en los que tenemos un

conjunto de n sucesos posibles, cada uno de
k n+1 n2 −1
CONTINUAS.
P(x)= , μ=
Multinomial:
n 2
,σ=
12 √ los cuales con la misma probabilidad de
ocurrir.

es una generalización de la distribución

Unidad 2.

Puede tomar cualquier valor dentro de

DISTRIBUCIONES DEun intervalo.
PROBABILIDAD CONTINUA. binomial. En este caso, en un experimento
n! k1 k2 kr
Ejemplos. P
Estatura- peso- salario- temperatura- =
(x) etc. p 1 p 2 … . p r , μ=np , σ = npq √
interesa estudiar no la ocurrencia de un único
Calcula la probabilidad acumulada khasta
1 !∗k 2 !∗…∗k
un r ! (función de
cierto valor suceso o la de su contrario, sino la de varios
distribución) y cómo cambia esa probabilidad acumulada en cada sucesos (tres o más)
punto (densidad de probabilidad).
Uniforme: Por tanto, cuando la variable
modelo uniforme puede considerarse como
aleatoria sea continua hablaremos de función de densidad. proveniente de un proceso de extracción aleatoria. El
0 x <a

{ }
planteamiento radica en el hecho de que la
x−a probabilidad se distribuye uniformemente a lo largo de
F(x) = a≤x ≤b un intervalo.
b−a
Chi-cuadrado: especifica por los grados de libertad y el parámetro
1 x> b de no centralidad. La distribución es positivamente
2 n−1 ) s 2 pero la asimetría disminuye al aumentar
(asimétrica,
P(x)=( areabajo la curva ) , x = los grados
2
, μ=n−1 , σ= 2 v
de libertad. √
σ
t-student: surge del problema de estimar la media de una
Importancia:
población normalmente distribuida cuando el
x−μ
P(x)=( areabajola curva t ) ,t= tamaño,de la muestra es pequeño
s
Normal:
√ n la probabilidad de encontrar un valor de
determina
la variable que sea igual o inferior a un cierto valor
x−μ
xi, conociendo el promedio y la varianza de un
P(x)=( areabajo la curva Z ) ; z= conjunto, de
μ=np
datos, ,seσdebe npq estos valores
= reemplazar √
σ
en la fórmula matemática del modelo.
 REFERENCIAS BIBLIOGRÁFICAS
Temáticas de estudio: Variables aleatorias discretas y continuas.
Rodríguez, F. & Pierdant, A. (2014). Estadística para administración. Pp. 150-152.
Recuperado de http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?
ppg=258&docID=11013767&tm=1470693471527 
García, Á. M. Á. (2005). Introducción a la teoría de la probabilidad. primer curso. Pp. 195-
221. Recuperado de https://ebookcentral-proquest-
com.bibliotecavirtual.unad.edu.co/lib/unadsp/reader.action?
docID=4722054&ppg=196
Temáticas de estudio: Distribuciones discretas de probabilidad.
Rodríguez, F. & Pierdant, A. (2014). Estadística para administración. Pp. 245-261. 
Recuperado de http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?
ppg=258&docID=11013767&tm=1470693471527
García, Á. M. Á. (2005). Introducción a la teoría de la probabilidad. primer curso. Pp. 221-
243. Recuperado de https://ebookcentral-proquest-
com.bibliotecavirtual.unad.edu.co/lib/unadsp/reader.action?
docID=4722054&ppg=222
Temáticas de estudio: Distribuciones continuas de probabilidad.
Rodríguez, F. & Pierdant, A. (2014). Estadística para administración. Pp. 279 -301. 
Recuperado de  https://ebookcentral-proquest-
com.bibliotecavirtual.unad.edu.co/lib/unadsp/reader.action?
docID=3227823&ppg=296
García, Á. M. Á. (2005). Introducción a la teoría de la probabilidad. primer curso. Pp. 267-
291. Recuperado de https://bibliotecavirtual.unad.edu.co:2538