VARIABLES DISCRETAS
Una variable discreta es una variable que no puede tomar algunos valores dentro de un mínimo conjunto numerable, quiere decir, no acepta cualquier valor, únicamente aquellos que pertenecen al conjunto. En estas variables se dan de modo coherente separaciones entre valores observables sucesivos. Dicho con más rigor, se determina una variable discreta como la variable que hay entre dos valores observables (potencialmente), hay por lo menos un valor no observable (potencialmente).

DISTRIBUCIÓN
En teoría de la probabilidad y estadística, la distribución de probabilidad de una variable aleatoria es una función que asigna a cada suceso definido sobre la variable la probabilidad de que dicho suceso ocurra. La distribución de probabilidad está definida sobre el conjunto de todos los sucesos y cada uno de los sucesos es el rango de valores de la variable aleatoria. También puede decirse que tiene una relación estrecha con las distribuciones de frecuencia. De hecho, una distribución de probabilidades puede comprenderse como una frecuencia teórica, ya que describe cómo se espera que varíen los resultados.

VALOR ESPERADO
En estadística la esperanza matemática (también llamada esperanza, valor esperado, media poblacional o media) de una variable aleatoria , es el número o que formaliza la idea de valor medio de un fenómeno aleatorio. Es un concepto análogo a la media aritmética de un conjunto de datos.
Cuando la variable aleatoria es discreta, la esperanza es igual a la suma de la probabilidad de cada posible suceso aleatorio multiplicado por el valor de dicho suceso. Por lo tanto, representa la cantidad promedio que se "espera" como resultado de un experimento aleatorio cuando la probabilidad de cada suceso se mantiene constante y el experimento se repite un elevado número de veces. Cabe decir que el valor que toma la esperanza matemática en algunos casos puede no ser "esperado" en el sentido más general de la palabra (el valor de la esperanza puede ser improbable o incluso imposible).

VARIABLE ALEATORIA
Es una función que asigna un número real, a cada resultado del espacio muestral, de un experimento aleatorio. En otras palabras, es una función X definida: ?: ? → ? Por tanto, es una función cuyo dominio es el espacio muestral y el rango es el conjunto de los número reales.

DISTRIBUCIÓN DE BERNOULLI
Utilice la distribución de Bernoulli cuando un proceso aleatorio tenga exactamente dos resultados: evento o no evento.
Las variables de Bernoulli pueden tomar dos valores numéricos, 0 y 1, donde 1 corresponde a un evento y 0 corresponde a un no evento. Una variable aleatoria X sigue una distribución de Bernoulli si P(X = 1) = p y P(X = 0) = 1 – p, donde p es la probabilidad de ocurrencia del evento.

DISTRIBUCIÓN DE POISSON
En teoría de probabilidad y estadística, la distribución de Poisson es una distribución de probabilidad discreta que expresa, a partir de una frecuencia de ocurrencia media, la probabilidad de que ocurra un determinado número de eventos durante cierto período de tiempo. Concretamente, se especializa en la probabilidad de ocurrencia de sucesos con probabilidades muy pequeñas, o sucesos “raros”.

VARIABLE CONTINUA
Una variable continua es aquella que puede adoptar cualquier valor en el marco de un intervalo que ya está predeterminado. Entre dos de los valores, siempre puede existir otro valor intermedio, susceptible de ser tomado como valor por la variable continua.

DISTRIBUCIÓN UNIFORME
la distribución uniforme continua es una familia de distribuciones de probabilidad para variables aleatorias continuas, tales que para cada miembro de la familia, todos los intervalos de igual longitud en la distribución en su rango son igualmente probables.

DISTRIBUCIÓN NORMAL O GAUSSIANA
la distribución normal, también llamada distribución de Gauss (en honor a Carl F. Gauss), distribución gaussiana o distribución de Laplace-Gauss, refleja cómo se distribuyen los datos en una población.
Se trata de la distribución más frecuente en estadística, y se considera la más importante por la gran cantidad de variables reales que adoptan su forma.

METODOS DESCRIPTIVOS PARA DETERMINAR LA NORMALIDAD
Para empezar a determinar la normalidad es fundamental conocer el concepto y la importancia de la normalidad estadística o también llamada distribución normal.

La distribución normal es una de las distribución de probabilidad de variable continua que con más frecuencia aparece aproximada en fenómenos reales. La importancia de esta distribución radica en que permite modelar numerosos fenómenos naturales, sociales y psicológicos.

Para determinar el rango se tomo el máximo y el mínimo de los valores de la muestra por lo que el Rango = máximo – mínimo = 75.3 - 64.4 = 8.9.

Para el numero de clases se utilizo la regla de sturger que es = 3.3x long 58 + 1 por lo que el # de clases = 1+(3.3* Long 1.76) =6.8 = 7.

Y por ultimo el ancho de clases se determina con el rango entre el número de clases, esto es:
Ancho de clases = 8.9/7 = 1.2714 =1.3.
La primera fila esta reservada para estas clasificaciones ,atendiendo el numero de clase realizaremos la columnas de la tabla .

Los intervalos de clases se determinan para identificar el patrón de comportamiento de las variables,

ya que los datos están entre 66.4 y 75.3 kg (mínimo-máximo) , los datos se agruparon por intervalos de 1.3 = el ancho de clases.

DISTRIBUCIÓN EXPONENCIAL
Distribución del tiempo que transcurre hasta que se produce un fallo, si se cumple la condición que la probabilidad de producirse un fallo en un instante no depende del tiempo transcurrido. Aplicaciones en fiabilidad y teoría de la supervivencia. Función de densidad.