Vous êtes sur la page 1sur 8

Universidad Abierta y a

Distancia de México
Licenciatura en matemáticas.
Probabilidad I.

Unidad 3.
Actividad 2. Lectura teórica.

Docente: Paula García Leija.


Alumno: Andrea Montserrat Domínguez Rosas.

Matricula: ES181002120
Desarrollo resumido
Tema Subtema Ejemplos
Definiciones/Simbología/Fórmulas
Una variable aleatoria es una función que asocia Experimento aleatorio:
un numero real y solo uno, a cada suceso Lanzar una moneda al aire dos veces
elemental del espacio muestral € de un
experimento aleatorio. Se representan mediante Sucesos elementales: 𝐸 =
letras mayúsculas y pueden tomar N posibles {𝐶𝐶, 𝐶𝑋, 𝑋𝐶, 𝑋𝑋}𝐷𝑜𝑛𝑑𝑒: 𝐶 (𝑐𝑎𝑟𝑎)𝑦 𝑋 (𝑐𝑟𝑢𝑧)
valores: Se define el suceso X: N° de caras
𝑋 = {𝑋1 , 𝑋2 , … , 𝑋𝑖 , … , 𝑋𝑛 } Asignación de números reales: (CC,2) ;(CX,1)
Las variables aleatorias discretas se definen ;(XC,1) ;(XX,0)
sobre espacios muestrales finitos o infinitos y La variable X viene definida por los valores: 0, 1,
numerables. 2
Características: 𝑃𝑜𝑟 𝑡𝑎𝑛𝑡𝑜, 𝑥 = {0,1,2}
 Una variable: Valor esperado
𝐸(𝑥) = 𝑁 = Σ[𝑋𝑖 ∗ 𝑓(𝑋𝑖 )]
Varianza:
𝜎 2 (𝑥) = [𝐸𝑥𝑖 2 ∗ 𝑓(𝑋𝑖 )] − [𝐸(𝑥)]2
Propiedades:
𝐸(𝑎) = 𝑎; 𝜎 2 (𝑎)
Definición de = 0 𝑑𝑜𝑛𝑑𝑒 𝑎 𝑒𝑠 𝑢𝑛𝑎 𝑠𝑢𝑚𝑎 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒)
variable 𝑆𝑖 𝑌 = 𝑥 + 𝑎 … 𝐸(𝑦) = 𝐸(𝑥) + 𝑎 … 𝜎 2 (𝑦)
aleatoria = 𝜎 2 (𝑥)
discreta 𝑆𝑖 𝑦 = 𝑎 ∗ 𝑥 … 𝐸(𝑦) = 𝑎 ∗ 𝐸(𝑥) … 𝜎 2 (𝑦)
Variable aleatoria discreta

= 𝑎2 ∗ 𝜎 2 (𝑥)
 Dos variables:
Cuando trabajamos con dos variables
discretas x e y, se puede definir la
probabilidad que de ambas tomen
ciertos valores (𝑥𝑖 𝑒 𝑦𝑗)
simultáneamente. A esto se le
denomina:
Función de probabilidad conjunta
𝑓(𝑥𝑖 , 𝑦𝑗 ) = 𝑃[(𝑥 = 𝑥𝑖 ) ∩ 𝑃(𝑌 = 𝑦𝑗 )]
Los índices que reflejan la relación
lineal entre las variables x e y son los
siguientes:
La covarianza:
𝜎(𝑥𝑦) = 𝐸(𝑥𝑦) − 𝐸(𝑥)
∗ 𝐸(𝑦) 𝐷𝑜𝑛𝑑𝑒 𝐸(𝑥𝑦)
= ∑ ∑ 𝑥𝑗 ∗ 𝑓(𝑥𝑖 , 𝑥𝑗 )
𝑖 𝑗

Dado un espacio probabilístico (E, A, p) se llama Ejemplo:


variable aleatoria x(a) a una función que toma Consideremos el experimento aleatorio de lanzar
valores reales y esta definida para los sucesos dos monedas y anotar sus resultados. El espacio
elementales o del espacio probabilístico. muestral estaría formado por E= {(C, C) (C, X) (X,
Además, se supone para cada numero real x el C) (X, X)}. Sea X la v. a que nos da el número de
Función de conjunto {a/x(a)x} de sucesos elementales a en caras obtenidos. Los valores que puede tomar X
probabilidad de que x toma valores menores o iguales que x es son =, 1, 2 y la función de distribución de
una variable un suceso de la familia A. el caso de variable probabilidad viene dada por:
aleatoria discreta supone además que hay un
aleatoria
numero finito o numerable de valores xi tales que X 𝑃𝑖 𝑃[𝑋 = 𝑥𝑖 ]
discreta
P[X=xi]=pi0, Epi=1.
0 ¼=0.25
Una variable aleatoria puede ser discreta o
continua según sea el rango de esta función. 1 ½=0.5
Este conjunto de valores P[X=xi]=pi es lo que se
llama la ley o distribución de la probabilidad de la 2 ¼=0.25
variable x. en otras palabras se llama función x a
la aplicación que asocia a cada valor xi de la
variable aleatoria de su probabilidad pi.
Dada una variable aleatoria discreta X, a la
función acumulativa.

𝐹(𝑥) = 𝑃(𝑥 ≤ 𝑥) = ∑ 𝑃(𝑋 = 𝑥𝑖 )


𝑥𝑖≤𝑥
Se le llama función de distribución de x.
En general una distribución acumulativa F(x) de
una variable aleatoria discreta es una función no
decreciente de los valores de x, de tal manera
que:
4. −𝑃(𝑋 = 𝑥) = 𝐹(𝑥) − 𝐹(𝑥 − 1)
5. −𝑃(𝑥𝑖 ≤ 𝑋 ≤ 𝑥𝑗 − 𝐹(𝑥𝑖 − 1)

Al realizar un experimento generalmente Se venden 5000 billetes para una rifa a 1 euro
estamos interesados en alguna función del cada uno. Si el único premio del sorteo es de
resultado mas que en el resultado en si mismo. 1800 euros, calcular el resultado que debe
Así, por ejemplo, al arrojar un dado dos veces esperar una persona que compra 3 billetes.
podríamos estar interesados solo en la suma de *Consideramos la variable aleatoria discreta
los puntos definidos y no en el par de valores
que dio origen a ese valor de la suma. Esa 𝜉 = 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑑𝑖𝑛𝑒𝑟𝑜 𝑜𝑏𝑡𝑒𝑛𝑖𝑑𝑜 𝑒𝑛 𝑒𝑙 𝑗𝑢𝑒𝑔𝑜
cantidad de interés o más formalmente esa Los posibles valores de ξ son dos:
función a valores reales definida sobre el
espacio muestral se denomina variable aleatoria. *Si se gana la rifa, se obtiene un beneficio de
Variable porque toma distintos valores y 1800-3?1777 euros. Por la ley de Laplace, la
probabilidad de que ocurra este hecho es de
aleatoria porque el valor observado no puede ser
3/5000
predicho antes de la realización del experimento,
Función de aunque si se sabe cuáles son sus posibles *Si no se gana la rifa, resulta una perdida de 3
distribución de valores. euros. Nuevamente por la ley de Laplace, la
una variable probabilidad de que esto ocurra es de 4997/5000.
Dado que el valor de una variable aleatoria (en
aleatoria adelante lo abreviaremos v. a) es determinado Por lo tanto, la distribución de probabilidad para la
discreta por el resultado de un experimento, podremos variable aleatoria 𝜉 será:
asignar probabilidades a los posibles valores o
conjuntos de valores de las variables. 𝜉 = 𝑋𝑖 1777 -3
0 𝑃(𝜉 = 𝑋𝑖 ) 3/5000 4997/5000
𝑃[𝑋 = 𝑋1 ]
𝐹𝑥(𝑋) = ⋮ El resultado que debe esperar una persona que
𝑃[𝑋 = 𝑋1 ] + ⋯ + 𝑃[𝑋 = 𝑋𝑘 ] compra 3 billetes es:
{ ⋮ 3 4997 9660 483
Para x<x1 𝐸[𝜉] = 1777 ∗ −3∗ = =−
5000 5000 5000 250
Para xE [x1, x2] = −1.932
Para xE [xk, xk+1] Lo que interpretamos como que, en promedio,
cabe esperar una pérdida de 1.93 euros.

De manera intuitiva podemos decir que dos Sea el numero de machos por camada de una
variables aleatorias son independientes si los determinada especie e y el número de hembras.
valores que toma una de ellas no afectan a las Se han observado 399 camadas y el numero de
de la otra ni a sus probabilidades. hembras y machos viene reflejadas en la tabla:
Independencia En muchas ocasiones la independencia será
x/y 0 1 2 3 4 Marginal
de variables evidente a partir del experimento, por ejemplo, y
aleatorias es independiente el resultado del lanzamiento de
un dado y el de una moneda, por tanto, las 0 2 10 6 8 16 42
variables puntuación obtenida con el dado y
numero de caras obtenidas al lanzar la moneda 1 1 5 3 4 8 21
una vez serán variables independientes.
2 6 30 18 24 48 126
En otras ocasiones tenemos una dependencia 3 10 50 30 40 152 210
clara, por ejemplo, al lanzar un dado
consideramos las variables. Marginal 19 95 57 76 399
X=puntuación del dado x
Y=variable indicadora de puntuación par Estudiar si x e y son independientes, x e y son
Es evidente que existe una clara dependencia, si independientes si se verifica que:
sabemos que y=1 la variable x solo puede tomar 𝑃[𝑋 = 𝑥, 𝑌 = 𝑦] = 𝑃[𝑋 = 𝑥]𝑃[𝑌 = 𝑦]
los valores 2, 4 o 6 si sabemos que x=3,
entonces, y=0 forzosamente. 42
𝑃[𝑋 = 0] =
𝑃[𝑋 = 0, 𝑌 = 0]2 ∕ 399 { 399
Algunas veces podemos suponer la existencia 19
de una cierta relación entre variables, aunque 𝑃[𝑌 = 0] =
sea en forma algo abstracta y sin concretar. Por 399
ejemplo, si realizamos unas mediciones sobre 42 19 2
𝑃[𝑋 = 0] ∗ 𝑃[𝑌 = 0] = ∗ =
unos individuos, las variables altura en cm y 399 399 399
peso en kg probablemente estarán relacionadas, = 𝑃[𝑋 = 0, 𝑌 = 0]
los valores de una influirán en los valores de la Análogamente se estudia para el resto de los
otra. Intentar la naturaleza exacta de la relación valores.
entre ambas es lo que en estadística conocemos
Se prueba que X e Y son independientes.
como un problema de regresión.
*Diremos que dos variables aleatorias x e y son
independientes si y solo si:
𝑃(𝑋 ≤ 𝑎 ∩ 𝑌 ≤ 𝑏) = 𝑃(𝑋 ≤ 𝑎) ∗ 𝑃(𝑌 ≤ 𝑏)
= 𝐹𝑥(𝑎) ∗ 𝐹𝑦(𝑏)
A la función 𝐹(𝑥, 𝑦) = 𝑃(𝑋 ≤ 𝑎 ∩ 𝑌 ≤ 𝑏) se la
conoce como la función de distribución conjunta
de x e y.
Como consecuencia inmediata de la
independencia de x e y, se cumple lo siguiente:
𝑃(𝑎 < 𝑋 ≤ 𝑐 ∩ 𝑏 < 𝑌 ≤ 𝑑) = 𝑃(𝑎 < 𝑋 ≤ 𝑐) ∗ 𝑃(𝑏
< 𝑌 ≤ 𝑑)

La esperanza matemática de una variable Se lanzan un par de dados. Se define la variable


aleatoria es una característica numérica que aleatoria x como la suma de las puntuaciones
proporciona una idea de la localización de la obtenidas. Hallar la función de probabilidad, la
variable aleatoria sobre la recta real. Decimos esperanza matemática y la varianza.
que es un parámetro de centralización o de
localización. X Pi X*Pi X2*pi
Su interpretación intuitiva o significado se 2 1/36 2/36 4/36
corresponde con el valor medio teórico de los
posibles valores que pueda tomar la variable 3 2/36 6/36 18/36
aleatoria o también con el centro de gravedad de
los valores de la variable supuesto que cada 4 3/36 12/36 48/36
Esperanza de valor tuviera una masa proporcional a la función
de densidad en ellos. 5 4/36 20/36 100/36
una variable
aleatoria La definición matemática de la esperanza en el 6 5/36 30/36 180/36
discreta caso de las variables aleatorias discretas se
corresponde directamente con las 7 6/36 42/36 294/36
interpretaciones proporcionales. Supuesta una
variable aleatoria discreta X con recorrido {X1, 8 5/36 40/36 320/36
X2, …Xk, …} y con función de densidad f(x), se
define la esperanza matemática de X como el 9 4/36 36/36 324/36
valor: 10 3/36 30/36 300/36
𝐸(𝑋) = ∑ (𝑋𝑖 )
11 2/36 22/36 242/36
𝑥𝑗 ∈𝑋(Ω)

Donde el sumatorio se efectúa para todo valor 12 1/36 12/36 194/36


que pertenece al recorrido de x.
Total 7 54.83
𝜇=7
𝜎 = √54.83 − 72 = 2.415

La varianza de una variable aleatoria es una Una variable aleatoria discreta toma todos los
característica numérica que proporciona una valores enteros entre 0 y 4 con la siguiente
idea de la dispersión de la variable aleatoria función de densidad:
respecto de su esperanza. Decimos que es un
parámetro de dispersión. X 0 1 2 3 4
𝑉𝑎𝑟(𝑋) = 𝐸((𝑋 − 𝐸(𝑋))2 ) F(x) 0.3 0.25 0.25 0.1 0.1
Es, por tanto, el promedio teórico de las
desviaciones cuadráticas de los diferentes *Calcular su esperanza y varianza:
valores que puede tomar la variable respecto de La esperanza matemática de la variable x viene
su valor medio teórico o esperanza. dada por:
En el caso de las variables discretas, la 4
expresión se convierte en: 𝐸[𝑋] = ∑ 𝑥𝑖 ∗ 𝑓(𝑥𝑖 )
𝑉𝑎𝑟(𝑥) = Σ(𝑋𝑖 − 𝐸(𝑋))2 𝑓(𝑋𝑖 )𝑥𝑖 𝐸𝑋(Ω) 𝑖=0
= (0 ∗ 0.3) + (1 ∗ 0.25)
Varianza de Mientras que para las variables continuas + (2 ∗ 0.25) + (3 ∗ 0.1)
una variable tenemos: + (4 ∗ 0.1) = 1.45
aleatoria +∞
La varianza viene dada por 𝑉𝑎𝑟[𝑋] = 𝐸[𝑋 2 ] −
discreta 𝑉𝑎𝑟(𝑋) = ∫ (𝑋 − 𝐸(𝑋))2 𝑓(𝑋)𝑑𝑥 (𝐸[𝑋])2
−∞
*Calculamos la esperanza de la variable X2
En ambos casos existe una expresión 4
equivalente alternativa y generalmente de
𝐸[𝑥 2 ] = ∑ 𝑥 2 𝑖 ∗ 𝑓(𝑥 2 𝑖 ∗ 𝑓(𝑥𝑖 )
cálculo más fácil:
𝑖=0
𝑉𝑎𝑟(𝑋) = 𝐸(𝑋 2 ) − (𝐸(𝑋))2 = (02 ∗ 0.3) + (12 ∗ 0.25)
Una de las características de la varianza es que + (22 ∗ 0.25) + (32 ∗ 0.1)
expresada en unidades cuadráticas respecto de + (42 ∗ 0.1) = 3.75
las unidades originales de la variable. Un Por tanto:
parámetro de dispersión derivado de la varianza
y que tiene las mismas unidades de la variable 𝑉𝑎𝑟[𝑥] = 3.75 − 1.452 = 1.6475
aleatoria es la desviación típica, que se define
como la raíz cuadrada de la varianza.
𝜎𝑥 = √𝑉𝑎𝑟(𝑥) = √𝐸((𝑋 − 𝐸(𝑋))2 )

La distribución de Bernoulli de parámetro p es el Un jugador de basquetbol está a punto de tirar


modelo más simple de probabilidad. Se aplica a hacia la parte superior del tablero. La probabilidad
situaciones en las que un cierto atributo aparece de que anote el tiro es de 0.55
Modelos discretos de probabilidad

con probabilidad p(éxito) y la ausencia de este Sea X=1 si anota el tiro. So no lo hace X=0,
mismo atributo con probabilidad q=1-p(fracaso), determine la media y la varianza de x.
como en el lanzamiento de una moneda. Que
puede dar como resultado cara o cruz. Si anota el tiro, su equipo obtiene 2 puntos. Si lo
falla su equipo no recibe puntos. Sea y el número
Recíprocamente, todo experimento aleatorio que de puntos anotados ¿Tiene una probabilidad de
solo admite dos resultados posibles, (uno Bernoulli? Si es así, encuentre la probabilidad de
llamado por costumbre éxito y el otro fracaso) se éxito. Si no explique.
Modelo llama ensayo de Bernoulli y lleva obviamente a
Bernoulli la distribución de Bernoulli. Determine la media y varianza de y
𝑝[𝑋 = 𝑥] = 𝑝 𝑥 (1 − 𝑝)1−𝑥 ∗ 𝑋 = 0.1 Media:
𝑃𝑥 = (=)(1 − 0.55) = 𝑃𝑋 = 0.55
Varianza:
𝑉 2 𝑀 = (0 − 0.55)2 (0.55)(0 − 0.55)2 (0.45) = 𝑉 2𝑥
= 0.2475
No, una variable aleatoria de Bernoulli tiene
valores positivos de 0 y 1 mientras que los
valores de y son 0 y 2.
X P XP

1 0.55 1.1

0 0.45 0

(𝑦 − 𝑀)2𝑥 𝑃
(2 − 1.1)2 (0.55)(0 − 1.1)2 (0.45) = 0.99

El modelo binominal se basa en la posibilidad de La ultima novela de un autor ha tenido un gran


formar una cobertura combinando una posición éxito, hasta el punto de que el 80% de los
larga en acciones con una call vendida sobre lectores ya la han leído. Un grupo de 4 amigos
ellas. Que esta combinación sea sin riesgos son aficionados a la lectura.
significa que se deben verificar dos condiciones: 1.- ¿Cuál es la probabilidad de que en el grupo
en primer lugar, los flujos de caja en +=1 deben hayan leído la novela 2 personas?
ser los mismos, ocurra lo que ocurra con el
precio del subyacente; en segundo lugar, el flujo B (4,0.2) p=0.8 q=0.2
de caja en +=1 debe ser financieramente 4 4∗3
equivalente al flujo de caja en +=0, a la tasa sin 𝑝(𝑥 = 2) = ( ) 0. 82 ∗ 0. 22 = ∗ 0.64 ∗ 0.04
2 2
riesgo. Solo puede sufrir dos cambios, aumentar = 0.1536
la tasa (x), o reducirse la tasa (y).
2.- ¿Y como máximo 2?
Partiendo de ellos, y de la ratio de cobertura (el
𝑝(𝑥 ≤ 2) = 𝑝(𝑥 = 0) + 𝑝(𝑥 = 1) + 𝑝(𝑥 = 2)
numero de acciones a adquirir para formar la 4 4
Modelo posición larga) se obtiene una expresión que = ( ) 0.8 ∗ 0. 24 + ( ) 0. 81
0 1
binomial permite calcular el valor actual de la opción en 4
función del valor esperado del instrumento en ∗ 0. 23 + ( ) 0. 82 ∗ 0. 22
2
+=1 si el subyacente aumenta precio (cu) y del = 0.1808
valor en caso de que el subyacente se deprecie
(cd):
1+𝑖−𝑑 𝑢−1−𝑖
𝑐𝑢𝑥 + 𝐶𝑑𝑥
𝑢−𝑑 𝑢−𝑑
𝑐=
1+𝑖
𝑐𝑢 𝑥 𝑝 + 𝑐𝑑 𝑥 (1 − 𝑝)
=
1+𝑖
Donde p y (-1p) son dos probabilidades riesgo
naturales, i es la tasa sin riesgo u=1+x (x es el
aumento medio de S por periodo) y d=1-y (y es
la tasa media a la que se reduce S por periodo).

La distribución hipergeométrica es una Supongamos que hay 10 automóviles disponibles


distribución discreta que modela el número de para que usted los pruebe (N=10) y cinco de ellos
eventos en una muestra de tamaño fijo cuando tienen motores turbo (x=5). Si prueba tres de los
usted conoce el número total de elementos en la vehículos (n=3) ¿Cuál es la probabilidad de que
población de la cual proviene la muestra. Cada dos de los tres que probara tengan motores
elemento de la muestra tiene dos resultados turbo?
posibles (es un evento o un no evento). Las La probabilidad de que seleccione exactamente
muestras no tienen reemplazo, po lo que cada dos automóviles con motores turbos de forma
elemento de la muestra es diferente. Cuando se aleatoria cuando pruebe tres de los diez
elige un elemento de la población, no se puede vehículos es 41.67%.
Modelo
volver a elegir. Por lo tanto, la probabilidad de
hipergeométrico que un elemento sea seleccionado aumenta con
cada ensayo, presuponiendo que aún no haya
sido seleccionado.
La distribución hipergeométrica se define por 3
parámetros: tamaño de la población, conteo de
eventos en la población y tamaño de la muestra.
Por ejemplo, usted recibe un envió de pedido o
especial de 500 etiquetas. Supongamos que el
2% de las etiquetas es defectuoso. El conteo de
eventos en la población es de 10(0.02*500).
Usted toma una muestra de 40 etiquetas y desea
determinar la probabilidad de que haya 30 o más
etiquetas defectuosas en esa muestra. La
probabilidad de que haya 3 o mas etiquetas
defectuosas en la muestra es de 0.0384

Se trata de un modelo discreto, pero en el que el Si un banco recibe en promedio 6 cheques sin
conjunto de valores con probabilidad no nula no fondo por día ¿Cuáles son las probabilidades de
es finito, si no numerable, se dice que una que reciba a) cuatro cheques sin fondo en un día
variable aleatoria x sigue la distribución de dado, b) 10 cheques sin fondo en cualquiera de
Poisson si su función de densidad viene dada dos días consecutivos?
por: A) X=variable que nos define el numero de
−𝜆
𝜆𝑘 cheques sin fondo que llegan al banco
𝑓(𝑘) = 𝑃[𝑋 = 𝑘] = { 𝑒 𝑠𝑖 𝑘 = 0,1,2, … en un día cualquiera=0,1,2,3, etc.
𝑘!
0 𝑒𝑛 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟𝑟𝑎𝑖𝑜 𝜆 = 6 𝑐ℎ𝑒𝑞𝑢𝑒𝑠 𝑠𝑖𝑛 𝑓𝑜𝑛𝑑𝑜 𝑝𝑜𝑟 𝑑𝑖𝑎
Como vemos, este modelo se caracteriza por un (6)4 (2.718)−6
𝑝(𝑥 = 4, 𝜆 = 6) =
solo parámetro 𝜆, que debe ser positivo. Esta 4!
distribución suele utilizarse para contajes del tipo (1.296)(0.00248)
=
numero de individuos por unidad de tiempo, de 24
Modelo de espacio, etc. = 0.13392
Poisson B) X= variable que nos define el numero de
cheques sin fondo que llegan al banco
en don días consecutivos =0,1,2, 3, …,
etc.
𝜆=6*2=12 cheques son fondo en
promedio que llagan al banco en dos
días consecutivos
Nota: 𝜆 siempre debe de estar en
función de x siempre o, dicho de otra
forma, debe “hablar” de lo mismo que x.
(12)10 (2.718)−12
𝑝(𝑥 = 10. 𝜆 = 12) =
10!
(6.191736410)(0.000006151
=
3628800
= 0.104953

Referencias:
Aurora Sánchez Caro. (2012). Distribución de Bernoulli ejercicios. 29/10/2018, de
Slideshare Sitio web: https://es.slideshare.net/aurorasanchezcaro/distribucin-de-bernoulli-
ejercicios
Sonye Lockheart. (2013). Distribución de Bernoulli y distribución binominal. 29/10/2018,
de Slideshare Sitio web: https://es.slideshare.net/sonyelockheart/distribucin-bernoulli-y-
distribucin-binomial
Benito J. González Rodríguez; Domingo Hernández Abreu; Mateo M. Jiménez Paiz; M.
Isabel Marreo Rodríguez; Alejandro Sanabria García. (2013). Variables aleatorias:
problemas resueltos. 29/10/2018, de Campusvirtual.es Sitio web:
https://campusvirtual.ull.es/ocw/pluginfile.php/6033/mod_resource/content/1/tema8/PR8.2-
valeatorias.pdf
ub.edu. (2018). Varianza de una variable aleatoria. 29/10/2018, de ub.edu Sitio web:
http://www.ub.edu/stat/GrupsInnovacio/Statmedia/demo/Temas/Capitulo2/B0C2m1t17.htm
Vitutor. (2017). Ejercicios de distribuciones discretas 2. 29/10/2018, de Vitutor Sitio web:
https://www.vitutor.com/pro/3/a_a2.html
ub.edu. (2018). Esperanza de una variable aleatoria discreta. 29/10/2018, de ub.edu Sitio
web:
http://www.ub.edu/stat/GrupsInnovacio/Statmedia/demo/Temas/Capitulo2/B0C2m1t14.htm
Biosestad. (2018). Tema 3. Variable aleatoria. 29/10/2018, de Bioestad Sitio web:
https://www.ugr.es/~bioestad/_private/Tema_3.pdf
ub.edu. (2018). Independencia de variables aleatorias. 29/10/2018, de ub.edu Sitio web:
http://www.ub.edu/stat/GrupsInnovacio/Statmedia/demo/Temas/Capitulo2/B0C2m1t12.htm
Bernard. (2018). Función de distribución. 29/10/2018, de ljk.imag.fr Sitio web:
https://ljk.imag.fr/membres/Bernard.Ycart/emel/cours/mp/node14.html
Ana M. Bianco; Elena J. Martínez. (2004). Variables aleatorias discretas. 29/10/2018, de
dm.uba Sitio web:
http://www.dm.uba.ar/materias/probabilidades_estadistica_C/2011/1/PyEC03.pdf