Documentos de Académico
Documentos de Profesional
Documentos de Cultura
P = P (E ) ⇔ P ( X = 1) = p
q =1 − P = P( F ) ⇔ P ( X = 0) = q = 1 − p
0 s ix < 0
x
F ( x) = ∑ p k q1− k s ix = 0, 1
k= 0
1 s ix > 1 Las características de posición y dispersión son su
esperanza y variancia:
E( X ) = p
V ( X ) = p.q
Modelo Binomial :
n
Luego, existen secuencias diferentes con k éxitos, todas ellas con la misma
k
probabilidad de ocurrir. Por lo tanto, la probabilidad de obtener k éxitos (en cualquier
orden) es igual a la probabilidad de una secuencia en particular multiplicada por este
número combinatorio .Así:
n k n− k
P( X = k) = p q
k
La función de cuantía se expresa y grafica:
n x n− x
. p .q s xi = 0,1, . .n . . .
p( x) = x
0 ∀ o t xr o
p(x)
Función de
cuantía
0 1 2 3............ n x
Y la función de distribución acumulada se expresa y grafica:
F(x)=1
0 s xi < 0
F(x)
Función de
x
distribución
acumulada
de una
n k n− k
variable
F (x) = ∑ p .q s xi = 0,1, . n. . ,
discreta
F(x)=0
0 1 2 3............ n x
k = 0 k
Los parámetros de esta distribución son n y p,
y simbólicamente escribimos X ~ B(n, p) y
leemos X se distribuye binomial con
1
parámetros n y p.
s xi > n
La esperanza y la variancia son:
E(X)=n.p
V(X)=n.p.q
Modelo poisson
Hay ciertos acontecimientos que suceden continuamente en forma aleatoria con una
cierta tasa de ocurrencia,sobre un campo continuo (que puede ser el tiempo, una
superficie o un volumen).Un proceso de poisson satisfase las siguientes tres hipótesis:
1-.Tasa constante de ocurrencia
2-. La cantidad de acontecimientos ocurridos durante un intervalo es independiente al
número de acontecimientos ocurridos en otro intervalo (excluyente al primero)
3) La probabilidad de dos acontecimientos simultáneos es nula.
Simbolisaremos con λ al número promedio de acontecimientos ocurridos en una
determinada magnitud del campo continuo sobre el cual se dan los acontecimientos.
La variable de poisson ser de fine como X: número de acontecimientos ocurridos en un
determinado intervalo ,(de tiempo de superficie, de volumen, etc ), y puede asumir
cualquier numero no negativo es decir :
X= 0,1,2,3,4, ……………………, ∞
e −λ .λ k
P( x = k ) =
k!
Donde λ representa la cantidad media de ocurrencias de ese fenómeno en dicho
intervalo.El valor de λ depende de la magnitud del intervalo, siendo proporcional al
mismo ya que la tasa de ocurrencia es constante.
Por lo tanto , la variable poisson tiene la siguiente función de cuantía :
e− λ λ x
s ix = 0 ,1, 2. . . . . . ∞. . . .
p( x) = x!
o ∀ o t r xo Y la siguiente función de
distribución acumulada:
0 s ix < 0
F ( x) = x e − λ λ k
∑ k! s ix = 0,1, 2. . . . . ...,∞. . .
k= 0
La esperanza y la
variancia de la variable poisson son:
E (x ) = λ
V (x ) = λ
Aplicación
El modelo poisson puede ser utilizado como caso limite de una variable binomial, para
n muy grande y p muy pequeño. Para la practica, basta n≥100 y p ≤ 0.01 .En
estos casos la variable X ; N° de éxitos se distribuye aproximadamente poisson con
parametro λ = n. p
x− µ 2
1 − 1/ 2
f ( x) =
2π
e σ
σ
para - ∞ < x < ∞
Siendo µ una constante cualquiera, µ ∈ R y σ una constante positiva.
Es una curva simétrica en forma de campana, asintótica al eje de las absisas que
alcanza su valor máximo en x= µ , siendo:
1
f ( µ) =
2π σ
f(x) en funcion de x
f(x)
0,4
0,3
0,2
0,1
0
0 1 2 3 4 5 6 7 8 9 10 x
b-
Rx
∫ f ( x). dx =1 (condición de cierre)
0,8
0,6
0,4
0,2
0
0 1 2 3 4 5 6 7 8 9 10 x
1 − 1/ 2*Z 2
f ( z) =
2π
e para −∞ < z< ∞
Usos
Una importante cantidad de poblaciones correspondientes a variables aleatorias
continuas siguen la ley normal.
Ejemplo:
Estatura de individuos adultos, resistencia a la tracción de un gran número de
muestras de acero, diámetro de arandelas.
Esta distribución sirve como buena aproximación de muchas variables aleatorias
discretas (Binomial, Poisson).
En teoría estadística, la hipótesis de normalidad de las variables aleatorias, permite
solucionar problemas de tipo teórico, justificando o rechazando la aplicación del
método.
Modelo exponencial
Se aplica a una variable aleatoria continua que puede asumir cualquier valor positivo,
pero la densidad de probabilidad va disminuyendo conforme la variable asume valores
mayores.
Su función de densidad y representación grafica es:
f(x )
0.1
1 1
− x
β
0.08
e s ix ≥ 0 0.06
f ( x) = β 0.04 ß=12.5
0 s ix < 0
0.02
0 10 20 30 40 x
Veamos que verifica con las condiciones de no negatividad y de cierre, requisitos para
sea considerada función de densidad.
1
1 − x
1) f ( x) = e β ≥ 0 ∀x ∈ R, pues β> 0
β
∞ ∞ 1 1 ∞
1 −β x −β x
∫− ∞ ∫0 β e d x= − e = − (0 − 1) = 1
2) f ( x) d x=
x − 1x 1 x 1 1
1 − x − x − x
F ( x) = ∫ e = − e
β β β
= − (e − 1) = 1 − e β
0
β 0
Luego la función distribución y su gráfico correspondiente son:
F( x )
1
0 s ix < 0 0.8
0.6 ß=12.5
F ( x) = 0.4
− 1x 0.2
1− e β s ix ≥ 0
0 10 20 30 40 60 X
∞
E ( x) = ∫ x. f ( x)dx = β
−∞
V ( x) = E ( X 2 ) − [ E ( X )] = β 2
2