UNIVERSIDAD NACIONAL AGRARIA DE

LA SELVA

FACULTAD DE CIENCIAS ECONMICAS Y

ADMINISTRATIVAS

DEPARTAMENTO ACADMICO DE CIENCIAS ECONMICAS

ESTADISTICA APLICADA A LOS NEGOCIOS I

DISTRIBUCIONES DE PROBABILIDAD

DOCENTE : BERMUDEZ PINO, WILMER

ESTUDIANTES : RUIZ CHANCHARI, Isidro

SEMESTRE : 2015 II

Tingo Mara PER

 DEDICATORIA

Dedicamos el presente trabajo, fruto

de la investigacin, a nuestros padres
por su apoyo, moral, econmico y a los
profesores que da tras da nos
inculcan conocimientos y principios.
 INTRODUCCIN

Cuando nos planteamos estudiar estas distribuciones de probabilidad, lo hacemos

partiendo de la base que su estudio nos permitir simplificar el tratamiento estadstico de
muchos fenmenos reales. De esta manera, si nosotros nos encontramos con un fenmeno
real tal y como puede ser realizar una inversin o no. Este es un fenmeno que tiene dos
posibles valores, invertir, no invertir. Bien, veremos que este tipo de fenmenos los
podemos estudiar como una variable o distribucin de Bernoulli. Si nosotros hemos
estudiado esta variable tendremos perfectamente identificados tanto la media como la
varianza como su funcin de cuanta, etc... Es decir, conocemos el comportamiento
probabilstico de este fenmeno. Si nos ponemos a pensar en fenmenos econmicos
reales, veremos que existen muchos que se pueden ajustar a un comportamiento de este
tipo. Todos ellos estn estudiados simultneamente mediante la distribucin de Bernoulli
o la generalizacin binomial. Por tanto, cuando estudiamos la distribucin binomial,
estamos estudiando miles de posibles distribuciones. Lo mismo pasar con el resto de
distribuciones que analizaremos.
 DISTRIBUCIONES DE PROBABILIDAD
El comportamiento de una variable aleatoria queda descrito por su distribucin de
probabilidad. Esta distribucin especifica su forma y sus parmetros.

En muchas tareas o anlisis de aplicacin estadstica, se busca determinar una distribucin

de probabilidad o modelo de probabilidad que satisfagan un conjunto de supuestos, para
estudiar los resultados observados de un experimento aleatorio.

I. PRINCIPALES DISTRIBUCIONES DE VARIABLES ALEATORIAS

DISCRETAS
Muchos de los acontecimientos cotidianos, pueden ser representados mediante
funciones probabilsticas tericas, que son tiles en la toma de decisiones bajo
condiciones de incertidumbre que contribuye al desarrollo de la ciencia.

VARIABLE ALEATORIA DISCRETA (x).

Porque solo puede tomar valores enteros y un nmero finito de ellos. Por ejemplo:
X Variable que nos define el nmero de alumnos aprobados en la materia de
probabilidad en un grupo de 40 alumnos (1, 2 ,3 los 40).

PROPIEDADES DE UNA VARIABLE ALEATORIA DISCRETA (X)

p(xi)<1 Las probabilidades asociadas a cada uno de los valores que toma x deben ser
mayores o iguales a cero y menores o iguales a 1.
E p(xi) = 1 La sumatoria de las probabilidades asociadas a cada uno de los valores que
toma x debe ser igual a 1.
EJEMPLO
Para variable aleatoria discreta
Tenemos una moneda que al lanzarla puede dar slo dos resultados: o cara (50%), o
cruz (50%).
La siguiente tabla nos muestra los posibles resultados de lanzar dos veces una moneda:
Al realizar la tabla de distribucin del nmero posible de caras que se obtiene al lanzar
una moneda dos veces, obtenemos:

VARIABLE ALEATORIA CONTINUA (x).

Porque puede tomar tanto valores enteros como fraccionarios y un nmero infinito de
ellos dentro de un mismo intervalo. Por ejemplo:
x es la Variable que nos define la concentracin en gramos de plata de algunas
muestras de mineral (14.8 gr, 12.1, 10.0, 42.3, 15.0, 18.4, 19.0, 21.0, 20.8, , n)

PROPIEDADES DE UNA VARIABLE ALEATORIA DISCRETA (X)

p(x) Las probabilidades asociadas a cada uno de los valores que toma x deben ser
mayores o iguales a cero. Dicho de otra forma, la funcin de densidad de probabilidad
deber tomar solo valores mayores o iguales a cero.
El rea definida bajo la funcin de densidad de probabilidad deber ser de 1.

ESPERANZA MATEMATICA O VALOR ESPERADO

El valor esperado de una Variable Aleatoria X es el promedio ponderado de todos los

valores posibles de la misma. DNode los pesos son las probabilidades asociadas con
los valores

Para calcular el valor esperado de una variable aleatoria por su correspondiente

probabilidad y luego sumar los trminos resultante.
La esperanza matemtica o valor esperado de una variable aleatoria tiene sus orgenes
en los juegos de azar, debido a que los apostadores deseaban saber cul era su
esperanza de ganar repetidamente un juego, por lo tanto, el valor esperado representa la
cantidad de dinero promedio que el jugador est dispuesto a ganar o perder despus de
un nmero grande de apuestas.

E(x) = = E xf (x)

VARIANZA

Es un promedio ponderado de las de las desviaciones al cuadrado.

Varianza = E ( x - ) f ( x)

1. DISTRIBUCION DE BERNOULLI
Para comprender el proceso de Bernoulli pensemos, por ejemplo, en
situaciones en las que slo hay dos posibles resultados mutuamente
excluyentes (verdadero/falso, en un test; defectuoso/no defectuoso, en los
artculos que salen de una fbrica; aprobado/suspendido, en los resultados
de un examen, etc....). Decimos que son mutuamente excluyentes porque
no pueden darse simultneamente (un examen no puede estar aprobado y
suspendido al mismo tiempo; una respuesta no puede ser simultneamente
verdadera o falsa, etc...). Una manera comn de designar estos dos
resultados es como xito (E) o Fracaso (F).
Una segunda caracterstica de los fenmenos que siguen el denominado
Proceso de Bernoulli es que las pruebas de las que se obtienen los xitos o
los fracasos son independiente. As, el hecho de que un artculo salga
defectuoso en una lnea de produccin no tiene que ver con el resultado
obtenido en el siguiente artculo que examinamos.
Por ltimo, una tercera caracterstica de este Proceso es que las
probabilidades de xito o Fracaso son constantes.
Los fenmenos que en la vida real cumplen estas tres caractersticas pueden
ser considerados como Procesos de Bernoulli.
Llamemos p a la probabilidad de xito: P(E) = p
y llamemos q a la probabilidad de fracaso: P(F) = q
Definamos ahora una variable aleatoria, tal que
xi = 1 si el resultado es xito
xi = 0 si el resultado es fracaso.
Entonces
P(E) = P(X=1) = p
P(F) = P(X=0) = q
Tal como hemos definido las probabilidades es fcil concluir que
q = 1-p
Calculemos ahora la media de esa variable aleatoria:

Por tanto la media de una variable de Bernoulli vale p y su varianza p*q.

Supongamos que estamos estudiando si una familia de Las Palmas de Gran
Canaria tiene radio o no. En este caso nos encontramos con una distribucin
de Bernoulli. Sin embargo, en Las Palmas de Gran Canaria hay ms de una
familia, por tanto, vamos a denotar por xi a la familia i-sima. Bajo este
esquema de trabajo, llamaremos sucesin de Bernoulli a aquella serie que
viene dada por (x1,x2,...,xn), en donde cada xi indica si la familia i tiene
radio, en este caso tomar el valor 1, o no tiene rari o, en este caso tomar
 el valor 0. Por otra parte, el que la familia i tenga rardio no afecta a que la
familia j la tenga o no, es decir, xi es independiente de xj. Y, adems,

2. DISTRIBUCIN BINOMIAL

La distribucin Binomial es un caso particular de probabilidad de variable aleatoria

discreta, y por sus aplicaciones, es posiblemente la ms importante.
Esta distribucin corresponde a la realizacin de un experimento aleatorio que cumple
con las siguientes condiciones:
* Al realizar el experimento slo son posible dos resultados: el suceso A, llamado
xito, y el suceso B , llamado fracaso.
* Al repetir el experimento, el resultado obtenido es independiente de los resultados
obtenidos anteriormente.
* La probabilidad del suceso A es constante, es decir, no vara de una prueba del
experimento a otra.
* En cada experimento se realizan n pruebas idnticas.
Todo experimento que tenga estas caractersticas se dice que sigue el modelo de la
distribucin Binomial o distribucin de Bernoulli.
En general, si se tienen n ensayos Bernoulli con probabilidad de xito p y de fracaso q,
entonces la distribucin de probabilidad que la modela es la distribucin de
probabilidad binomial y su regla de correspondencia es:
Donde:
P(X)= es la probabilidad de ocurrencia del evento
p = es la probabilidad de xito del evento (en un intento)
q = es la probabilidad de fracaso del evento (en un intento) (se define como q = 1 p )
X = ocurrencia del evento o xitos deseados
n = nmero de intentos
EJEMPLO
Cul es la probabilidad de obtener exactamente 2 caras al lanzar una misma moneda 6
veces ?

Donde:
P(X)= Probabilidad de que ocurra el evento
p = (0.5)
q = (se define como q = 1 p ) (0.5)
X=2
n=6

Al sustituir los valores en la frmula obtenemos:

La posibilidad de obtener dos caras al lanzar una moneda 6 veces es de 0.234375

Como el clculo de estas probabilidades puede resultar algo tedioso se han construido
tablas para algunos valores de n y p que nos facilitan el trabajo (Ver las tablas de la
funcin de probabilidad Binomial).
Para una combinacin de n y p, la entrada indica una probabilidad de obtener un valor
especfico de r.
Para localizar la entrada, cuando p8804;0.50, localice p a lo largo del encabezado de la
tabla, y en la columna correspondiente localice n y r en el margen izquierdo; cuando
p8805;0.50, localice el valor de p en la parte inferior de la tabla, y n y r arriba, en el
margen derecho.
Tenemos p = 0.50, n = 6 y r = 2 obteniendo resultado directo de tablas
P(2 caras) = 0.2344

3. DISTRIBUCIN DE POISSON

La distribucin de POISSON es tambin un caso particular de probabilidad de variable

aleatoria discreta, el cual debe su nombre a Simon Denis Poisson (1781-1840), un
francs que la desarroll a partir de los estudios que realiz durante la ltima etapa de
su vida.
La distribucin de Poisson se puede entender como un caso particular de la Binomial
que utilizamos para determinadas distribuciones en las que el clculo de la
probabilidad es engorroso debido bien a que el nmero de pruebas es excesivamente
elevado o bien a que la probabilidad de xito es excesivamente baja; en ambos casos la
media (n*p) es muy pequea en relacin al nmero de pruebas (n). En estos casos se
puede demostrar que la distribucin binomial converge, tiende a comportarse, como
una distribucin de Poisson. Como regla prctica entenderemos que es aplicable la
distribucin de Poisson en aquellas binomiales cuya media tenga un valor inferior a 5 y
el nmero de pruebas sea superior a 30.
Es til cuando tratamos con cantidades de ocurrencia de un evento a lo largo de un
intervalo de tiempo o espacio especificado.
Esta distribucin se utiliza para describir ciertos procesos.
Caractersticas:
En este tipo de experimentos los xitos buscados son expresados por unidad de rea,
tiempo, pieza, etc:
- # de defectos de una tela por m2
- # de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc.
- # de bacterias por cm2 de cultivo
- # de llamadas telefnicas a un conmutador por hora, minuto, etc, etc.
- # de llegadas de embarcaciones a un puerto por da, mes, etc, etc.

Para determinar la probabilidad de que ocurran x xitos por unidad de tiempo, rea, o
producto, la frmula a utilizar sera:

donde:

p(X) = probabilidad de que ocurran x xitos, cuando el nmero promedio de ocurrencia

de ellos es /
/= media o promedio de xitos por unidad de tiempo, rea o producto
e = 2.718 (base de logaritmo neperiano o natural)
X = variable que nos denota el nmero de xitos que se desea que ocurra

Hay que hacer notar que en esta distribucin el nmero de xitos que ocurren por
unidad de tiempo, rea o producto es totalmente al azar y que cada intervalo de tiempo
es independiente de otro intervalo dado, as como cada rea es independiente de otra
rea dada y cada producto es independiente de otro producto dado.

EJEMPLO

Si un banco recibe en promedio 6 cheques sin fondo por da, cules son las
probabilidades de que reciba, a) cuatro cheques sin fondo en un da dado, b) 10
cheques sin fondos en cualquiera de dos das consecutivos? (e= 2.718281828)

Resolviendo para :
a) x = 4; / = 6 cheques sin fondo por da
Comprobando (sustituyendo en la frmula):
Por lo tanto la probabilidad de que el banco reciba cuatro cheques sin fondo en un da
dado es de 0.133853 (13.39%)

Valores directos para determinar probabilidades de Poisson.

Para un valor dado de /, la entrada indica la probabilidad de obtener un valor especfico
de X

Para el ejemplo, inciso a) que estamos viendo: Cul es la probabilidad de que el banco
reciba cuatro cheques sin fondo en un da dado?
Tenemos x = 4; / = 6 cheques sin fondo por da; obteniendo resultado directo de tablas
:
 II. PRINCIPALES DISTRIBUCIONES DE VARIABLES ALEATORIAS
CONTINUAS

4. DISTRIBUCIN NORMAL

La distribucin normal es tambin un caso particular de probabilidad de variable

aleatoria contnua, fue reconocida por primera vez por el francs Abraham de Moivre
(1667-1754). Posteriormente, Carl Friedrich Gauss (1777-1855) elabor desarrollos ms
profundos y formul la ecuacin de la curva; de ah que tambin se le conozca, ms
comnmente, como la "campana de Gauss". La distribucin de una variable normal est
completamente determinada por dos parmetros, su media () y su desviacin estndar
(&#963;). Con esta notacin, la densidad de la normal viene dada por la ecuacin:

que determina la curva en forma de campana que tan bien conocemos.

Existen dos razones bsicas por las cuales la distribucin normal ocupa un lugar tan
prominente en la estadstica:
Tiene algunas propiedades que la hacen aplicable a un gran nmero de situaciones en
la que es necesario hacer inferencias mediante la toma de muestras.
La distribucin normal casi se ajusta a las distribuciones de frecuencias reales
observadas en muchos fenmenos, incluyendo caractersticas humanas, resultados de
procesos fsicos y muchas otras medidas de inters para los administradores, tanto en el
sector pblico como en el privado.

Propiedad:
No importa cules sean los valores de y &#963; para un distribucin de probabilidad
normal, el rea total bajo la curva siempre es 1, de manera que podemos pensar en
reas bajo la curva como si fueran probabilidades. Matemticamente es verdad que:

Aproximadamente el 68% de todos los valores de una poblacin normalmente

distribuida se encuentra dentro de 1 desviacin estndar de la media.

Aproximadamente el 95.5% de todos los valores de una poblacin normalmente

distribuida se encuentra dentro de 2 desviaciones estndar de la media.

Aproximadamente el 99.7% de todos los valores de una poblacin normalmente

distribuida se encuentra dentro de 3 desviaciones estndar de la media.
Relacin entre el rea bajo la curva de distribucin normal de probabilidad y la
distancia a la media medida en desviaciones estndar.
Estas grficas muestran tres formas diferentes de medir el rea bajo la curva normal.
Sin embargo, muy pocas de las aplicaciones que haremos de la distribucin normal de
probabilidad implican intervalos de exactamente (ms o menos) 1, 2 3 desviaciones
estndar a partir de la media. Para estos casos existen tablas estadsticas que indican
porciones del rea bajo la curva normal que estn contenidas dentro de cualquier
nmero de desviaciones estndar (ms o menos) a partir de la media.
Afortunadamente tambin podemos utilizar una distribucin de probabilidad normal
estndar para encontrar reas bajo cualquier curva normal. Con esta tabla podemos
determinar el rea o la probabilidad de que la variable aleatoria distribuida
normalmente est dentro de ciertas distancias a partir de la media. Estas distancias
estn definidas en trminos de desviaciones estndar.

USO DE LA TABLA DE DISTRIBUCIN NORMAL DE PROBABILIDAD

NORMAL STANDAR

Para cualquier distribucin normal de probabilidad, todos los intervalos que contienen
el mismo nmero de desviaciones estndar a partir de la media contendrn la misma
fraccin del rea total bajo la curva para cualquier distribucin de probabilidad normal.
Esto hace que sea posible usar solamente una tabla (Apndice Tabla 1) de la
distribucin de probabilidad normal estndar.
El valor de z est derivado de la frmula:

En la que:
x = valor de la variable aleatoria que nos preocupa.
= media de la distribucin de la variable aleatoria.
&#963; = desviacin estndar de la distribucin.
z = nmero de desviaciones estndar que hay desde x a la media de la
distribucin. (el uso de z es solamente un cambio de escala de medicin del
eje horizontal)
Distribucin normal que ilustra la comparacin de los valores de z y las desviaciones
estndar

EJEMPLO.

Partiendo de la misma premisa, = 500

y &#963; = 100. Cul es la probabilidad de que un candidato elegido al azar se tome
entre 500 y 650 horas en completar el programa de entrenamiento?
Si buscamos Z=1.5 (refirase a la tabla), encontramos una probabilidad de 0.4332.

Por lo tanto, la probabilidad de que un candidato escogido al azar requiera entre 500 y
650 horas para terminar el programa de entrenamiento es de 0.4332

PROBLEMAS PROPUESTOS
1. Si X se distribuye como N(20,4), calcular las siguientes probabilidades:
a) P(X < 15).
b) P(4X -5 > 80).
SOLUCION
a) Si X - N(20,4)
b) P(4X - 5 > 80) = P(X > 21.25) = 1 - P(X < 21.25).
Tipificando:

Resultando que P(4X - 5 > 80) = 1 - 0.73405 = 0.26595 = 26.6%

2. Un reciente estudio de la Asociacin Americana de Conductores de

Autopista ha revelado que el 60% de los conductores norteamericanos usa
regularmente el cinturn de seguridad. Se selecciona una muestra de 10
conductores en una autopista del estado de Oklahoma.
a) Cul es la probabilidad de que exactamente siete de ellos lleven el cinturn
de seguridad?
b) Cul la probabilidad de que al menos siete de los conductores lleven el
cinturn de seguridad?
SOLUCION
Debemos determinar primero de qu tipo de distribucin se trata. Veamos:
* Solamente hay dos posibles resultados en cada una de las comprobaciones
que se hacen a los conductores: llevan el cinturn de seguridad (resultado que
denominaremos "xito") o no lo llevan ("fracaso").
* La probabilidad de "xito" (llevar el cinturn) es la misma e invariable :
60%.
* Las pruebas son independientes: si el cuarto conductor que es parado no
lleva el cinturn de seguridad, eso no condiciona el resultado de la
comprobacin para el quinto conductor que sea parado.
Cumple, por tanto, las condiciones del Proceso de Bernoulli, en el cual
definimos una variable aleatoria que es "nmero de conductores que llevan el
cinturn", es decir, "nmero de xitos". Se trata, por tanto, de una distribucin
Binomial con n=10 y p=0.6.
a) Para calcular la probabilidad de que exactamente siete conductores lleven
puesto el cinturn de seguridad debemos hacer uso de la funcin de
cuanta, cuya expresin genrica es:

b) La probabilidad de que como mximo siete conductores lleven cinturn

es P(X7), es decir, ser la funcin de distribucin para xi = 7.
Recordemos que la funcin de distribucin tiene una expresin que puede
dificultar la realizacin de los clculos numricos, por lo que utilizamos
una va que nos facilite los clculos.

P(X7) = 1 - P(X=10) - P(X=9) - P(X=8)

= 1 - f(X=10) - f(X=9) - f(X=8)

Las funciones de cuanta las calculamos de la forma ya conocida y el

resultado es:
P(X7) = 1 - 0,006 - 0,04 - 0.121 = 0.833
 Otra va alternativa de clculo sera:

P(X7) = P(X=0) + P(X=1) + P(X=2) + P(X=3) + P(X=4) + P(X=5) +

P(X=6) + P(X=7)
3. Un analista de empresas ha pronosticado que el 3.5% de las pequeas
empresas irn a la bancarrota en 1995. Para una muestra de 100 pequeas
empresas, estime la probabilidad de que al menos tres de ellas entren en
bancarrota, suponiendo que la prediccin del experto es correcta.

SOLUCION

Veamos primero de qu tipo de distribucin se trata.

* Cumple los requisitos de un Proceso de Bernoulli, puesto que hay dos
resultados posibles (bancarrota o no bancarrota); la probabilidad es
constante (3.5% predicho por el experto); y las pruebas son
independientes.
* Puede ser considerada una Binomial, puesto que definimos una variable
aleatoria que es el nmero de empresas que entran en bancarrota ("xito").
* Pero cumple las condiciones para ser analizada como una distribucin
de Poisson, puesto que n es muy grande (n=100) y p muy pequea
(p=0,035), por lo que la media es muy pequea en relacin a n (n*p = 3,5)
Usaremos la distribucin de Poisson con media 3,5 para aproximar nuestra
distribucin.
La probabilidad de que al menos 3 de las 100 empresas entren en
bancarrota es igual a la probabilidad de que entren 3 empresas, ms la de
que entren cuatro, mas cinco, y as hasta 100:
P(3) + P(4) + P(5) +.........+ P(100) = 1 - P(0) - P(1) - P(2).
Para hallar las probabilidades necesarias para resolver el problema
debemos hacer uso de la funcin de cuanta, cuya expresin genrica es:
 Aplicada a nuestro ejemplo, y para el caso P(0):

Si aplicamos la frmula al resto de casos, la resolucin del problema ser:

1 - 0,302 - 0,1057 - 0,1850 = 0.679

4. Una tienda vende camisetas de dos marcas distintas (Top y Body). Las ventas de
cada una de estas marcas siguen distribuciones normales con media de 2000
unidades y desviacin tpica de 100 unidades para la marca Top, y 2100 unidades
de media con desviacin tpica de 110 unidades para la marca Body. Al hacer el
pedido para la prxima temporada, el dueo de la tienda quiere conocer la
probabilidad de que las ventas de la marca Body superen en ms de 150 unidades
a las de la marca Top.
SOLUCION
Llamando T ventas de la marca Top: T N(2000, 100^2)
Llamando B ventas de la marca Body: B N(2100, 110^2)
Se pide: P(B - T > 150); llamando B - T = X
5. Si los autobuses con destino a la Universidad salen cada 15 minutos, por
trmino medio, y suponemos que los tiempos entre las salidas de los
distintos autobuses son independientes y siguen una distribucin
exponencial, cul sera la probabilidad de que un estudiante tuviera que
esperar ms de 20 minutos?
SOLUCION
Si T - Exp entonces E(T) = 1/ y = 1/15
Llamamos X20: "nmero de autobuses que llegan en 20 minutos"
X20 - P(1/15*20) = P(4/3)
Tenemos que calcular:

Que es la probabilidad de que en 20 minutos no llegue ningn autobs.

 CONCLUCIONES

Una distribucin de frecuencia es una tabla de resumen en la que los datos se disponen
en agrupamientos o categoras convenientemente establecidas de clases ordenadas
numricamente.
En esta forma las caractersticas ms importantes de los datos se aproximan muy
fcilmente, compensando as el hecho de que cuando los datos se agrupan de ese modo,
la informacin inicial referente a las observaciones individuales de que antes se dispona
se pierde a travs del proceso de agrupamiento o condensacin.
La principal ventaja de usar una de estas tablas de resumen es que las principales
caractersticas de los datos se hacen evidentes inmediatamente para el lector.
La principal desventaja de tal tabla de resumen es que no podemos saber como se
distribuyen los valores individuales dentro de un intervalo de clase particular sin tener
acceso a los datos originales. El punto medio de la clase, sin embargo, es el valor usado
para representar todos los datos resumidos en un intervalo particular.
El punto medio de una clase (o marca de clase) es el punto a la mitad de los lmites de
cada clase y es representativo de los datos de esa clase.
La probabilidad es la posibilidad u oportunidad de que suceda un evento particular. La
probabilidad involucrada es una porcin o fraccin cuyo valor vara entre cero y uno
exclusivamente. Observamos un evento que no tiene posibilidad de ocurrir (es decir, el
evento nulo), tiene una probabilidad de cero, mientras que un evento que seguramente
ocurrir (es decir, el evento cierto), tiene una probabilidad de uno.
La regla mas evidente para las probabilidades es que deben variar en valor de 0 a 1. Un
evento imposible tiene una probabilidad cero de ocurrir, y un evento cierto tiene una
probabilidad uno de ocurrir. La probabilidad simple se refiere a la probabilidad de
ocurrencia de un evento simple.
Una distribucin de probabilidad para una variable aleatoria discreta es un listado
mutuamente excluyente de todos los resultados posibles para esa variable aleatoria, tal
que una probabilidad particular de ocurrencia est asociada con cada resultado.
 BIBLIOGRAFIA

1. MEZA DE CASTILLO, Elizabeth. (1994) Probabilidad. Lima Per:

CONCYTEC
2. MILLER, FREUD Y JOHNSON. (1992) Probabilidad y Estadstica para
Ingenieros. Mxico: Ed. Prince Hall. Cuarta Edicin.
3. WONNACOTT Y WONNACOTT. (1992). Estadstica Bsica Practica.
Mxico: Ed. Limusa.
4. MITACC MEZA, Mximo. (1994). Tpico de Estadstica y Probabilidad.
Lima Per: Ed. San Marcos.