02 Distribuciones Binomial Poisson Hipergeo PDF

Introduccion La Variable aleatoria Binomial
Tres distribuciones de probabilidad discretas • El experimento de lanzar una

moneda al aire es un ejemplo
sirven como modelo poblacional de gran simple de una variable aleatoria
numero de aplicaciones prácticas binomial. Se lanza una moneda al
aire n = 3 veces y se registra x = el
numero de caras.
0.3
La variable aleatoria binomial 0.25
0.2
x f(x)
La variable aleatoria Poisson 0.15 0 1/8
La variable aleatoria hipergeometrica 0.1
1 3/8
0.05
0 2 3/8
0 1 2 3
Copyright ©2006 Brooks/Cole Copyright ©2006 Brooks/Cole
A division of Thomson Learning, Inc.
3 1/8
Muchas situaciones de la vida real se parecen al sorteo de una El experimento Binomial

moneda, pero cambia la probabilidad del evento de interés
P(Cara) ≠ 1/2.
1. El experimento consiste de n ensayos identicos
Ejemplo: Un genetista toma una muestra de 10 (pruebas repetidas).
personas y cuenta el número que tienen un gen 2. Cada prueba tiene uno de dos resultados, exito (E)
relacionado con la enfermedad de Alzheimer. o fracaso (F).
3. La probabilidad de exito en una prueba is p y
permanece constante en todas las pruebas. La
probabilidad de fracaso es q = 1 – p.
• Moneda: Persona • Numero de ensayos n = 10
• P(C): 4. Las repeticiones son independientes.
• Cara: Tiene el gen
5. Estamos interesados en x, el numero de EXITOS
• Sello: No tiene el gen en n pruebas.
P(tiene el gen) = proporción en la
población que tiene
A division of Thomson el gen.
Learning, Inc. A division of Thomson Learning, Inc.
Identificar los parámetros de estos experimentos:
¿Es Binomial? 1).- De todos los bits transmitidos por un canal de
transmisión digital, el 10% se reciben con error. Sea
Muy pocas aplicaciones reales de vida satisfacer estas
X el número bits con error en los siguientes tres por
exigencias.
transmitir
• Seleccione dos personas de la población de los
USA, y supongamos que el 15% de la 2).- Un examen de opción múltiple contiene diez
población tiene el gen de la enfermedad de preguntas cada una con 5 opciones y se pide que la
Alzheimer persona adivine la respuesta. Sea X el número de
• Para la primera persona, p = P(gen) = 0.15 respuestas correctas al azar.
• Para la segunda, p ≈ P(gen) = 0.15, a pesar de que
una persona se ha eliminado de la población (una 3).- Una máquina produce 1% de partes defectuosas.
población grande). Sea X el número de partes defectuosas en las
siguientes 25 que se produzcan. A division of Thomson Learning, Inc.
La Distribucion de Probabilidad Binomial Ejemplo

En un experimento binomial con n repeticiones o
pruebas y probabilidad “p” de Exito , la probabilidad de Un deportista de tiro acierta su objetivo el 80% de las
k exitos en n pruebas es veces. Dispara cinco tiros. ¿Cuál es la probabilidad de
que exactamente tres disparos acierte en el blanco?
n= 5 exito = acierto p = 0.8 x = # de

aciertos
5!
P ( x = 3) = C3n p 3q n−3 = (.8)3 (.2)5−3
3!2!
Copyright ©2006 Brooks/Cole = 10(.8)3 (.2) 2 = .2048

Copyright ©2006 Brooks/Cole
A division of Thomson Learning, Inc. A division of Thomson Learning, Inc.
Tabla de probabilidad acumulada
Ejemplo FUNCION DE DISTRIBUCION
¿Cual es la probabilidad que acierte mas de tres veces? Se puede usar las tablas de probabilidad acumulada
para calcular las probabilidades para distribuciones
binomiales.
P ( x > 3) = C45 p 4 q 5−4 + C55 p 5 q 5−5
Ubicar el valor de n.
5! 5!
= (. 8 ) 4 (. 2 )1 + (. 8 ) 5 (. 2 ) 0 Encontrar el valor correcto de p.
4!1! 5!0!
Hallar el valor “k” con la probabilidad
= 5(.8) 4 (.2) + (.8)5 = .7373
acumulada: P(x ≤ k) = P(x = 0) +…+ P(x = k)
x F(x) Ejemplo
Probabilidades acumuladas binomiales 0 0.0003 ¿Cual es la probabilidad que exactamente
1 0.0067 3 tiros acierten en el blanco?
2 0.0579 P(x = 3) = P(x ≤ 3) – P(x ≤ 2)
3 0.2627
= .2627 - .0579
4 0.6723
= .2048
5 1.0000

A division of Thomson Learning, Inc. Con la formula:
A divisionP(x = 3)Learning,
of Thomson = .2048 Inc.
Ejemplo La media y Desviacion estandar
¿Cual es la probabilidad que mas de 3
x F(x) En un experimento binomial con n pruebas y una
tiros acierten en el blanco?
0 0.0003 probabilidad p de exito en cada prueba, las medidas
1 0.0067 de centro y dispersion son::
2 0.0579
3 0.2627 P(x > 3) = 1 - P(x ≤ 3)
4 0.6723 = 1 - .263 = .737
5 1.0000
Con la formula: P(x > 3) = .7373

Ejemplo Ejemplo
Grafica de la distribucion de probabilidad
para x = numero de aciertos. ¿Cual es la • ¿Sería raro encontrar que ninguno de
media y desviacion estandar de x? los disparos dieran en el blanco?
• El valor x = 0 se
encuentra
• A mas de 4 desviaciones
µ µ estandar bajo la media
A division of Thomson Learning, Inc. Muy inusual.
Conceptos clave
I. La variable aleatoria binomial
1. Caracteristicas: n pruebas independientes, estas pruebas
tienen solamente dos posibilidades Exito o Fracaso; la
La variable
probabilidad de exito es p y permanece constante x es el
numero de exitos en n pruebas.
2. Calculo de probabilidades binomiales
a. Formula: P( x = k ) = Ck p q
n k n−k
aleatoria de
b. Funcion de distribucion
c. Software Excel
3. Media de la variable aleatoria binomial: µ = np
Poisson
4. Varianza y desviacion estandar: σ 2 = npq

• Es un modelo poblacional que representa el La distribucion de probabilidad

numero de ocurrencias de un evento en
unidades de medida de tiempo o espacio.
de Poisson
• x es el numero de eventos que ocurren en un
periodo de tiempo o espacio con un promedio
• Ejemplos: λ de valor esperado. La probabilidad de k
ocurrencias de este evento es
• El numero de llamadas que recibe una central
telefonica durante un periodo de tiempo. λk e − λ
P( x = k ) =
• El número de accidentes en una planta industrial k!
por mes Con k = 0, 1, 2, … La media y desviacion
estandar de la variable Poisson son
• El número de muertes en una región debido a
Media: λ :Desviacion estandar: σ = λ
una enfermedad rara
• Número de bacterias por cm3 en una
Copyright sustancia.
©2006 Brooks/Cole Copyright ©2006 Brooks/Cole
Ejemplo 1 La tabla de probabilidad acumulada
El promedio de accidentes de trafico en una
carretera es 2 por semana. Encontrar la Podemos usar la tabla de probabilidad acumulada o
probabilidad que ocurra exactamente un FUNCION DE DISTRIBUCION para calcular las
accidente en el periodo de una semana. probabilidades de poisson en la tabla Nro 02.
21 e −2
λk e − λ Hallar en la fila el valor de λ.
P ( x = 1) = = = 2 e − 2 = . 2707
k! 1! En la columna hallar el valor de “k” ,
P(x ≤ k) = P(x = 0) +…+ P(x = k)

Ejemplo 1
¿Cuál es la probabilidad que ocurra exactamente un accidente?
k λ=2
0 .135
1 .406
2 .677
3 .857
4 .947
5 .983
6 .995
7 .999 P(x = 1) = P(x ≤ 1) – P(x ≤ 0)
8 1.000 = 0.406 - 0.135 = 0.271
A division of Thomson Learning, Inc. Con la formula:
A divisionP(x = 1)Learning,
of Thomson = .2707 Inc.
Ejemplo
¿Cual es la probabilidad que ocurran 8 o mas accidentes?
EJEMPLO 1:
k λ=2 P(x ≥ 8) = 1 - P(x < 8) ¿Hasta cuantos accidentes son comunes debido al azar?
0 .135 = 1 – P(x ≤ 7)
1 .406 Los valores comunes debidos a la variabilidad
= 1 - .999 = .001
2 .677 del azar estarán entre:
3 .857
Es muy inusual (muy poco probable) ya que x = 8 Li = µ – 2σ y Ls = µ + 2σ
4 .947
x−λ 8−2
5 .983 z=
λ
=
1.414
= 4.24 µ=2 σ= √ µ = √2
6 .995
7 .999 Desviaciones estandar sobre la media.
8 1.000 Li = 2 - 2 √2 = -1
Copyright ©2006 Brooks/Cole
Ls = 2 + 2 √2 = 5 Copyright ©2006 Brooks/Cole
EJEMPLO 2
CONCLUSIONES
Durante la segunda guerra mundial en un bombardeo cayeron sobre
Londres 537 bombas. El área afectada fue dividida en 576 sectores
iguales. Sea fk el número real de sectores en los cuales cayeron k 1).- La propaganda Nazi decía que el bombardeo era
bombas. Suponiendo que las bombas cayeron al azar, el número planificado sobre objetivos militares exactos. Esta
esperado de bombas por sector es λ = 537/576= 0.9323. La propaganda era falsa, porque los impactos eran al azar.
probabilidad que caigan k bombas en un sector, según la
aproximación Poisson , es: = 2).- No era necesario cambiar la ubicación de los grandes
!
cuarteles pues el bombardeo era al azar
lambda= 0.9323
27
3).- El numero esperado de impactos en un mismo lugar es
Impactos (k) 0 1 2 3 4 5 1. Es poco probable que un mismo lugar reciba mas de un
impacto. Los lugares mas seguros eran los que ya habían
Areas (fk ) 229 211 93 35 7 1 sido bombardeados.
Probabilid 0.3936 0.367 0.1711 0.0532 0.0124 0.0023
576 x Probab 227 211 99 31 7 1
Conceptos clave
I. La variable aleatoria de poisson
1. Es el numero de eventos que ocurren durante un periodo de
tiempo o espacio, con promedio de λ como valor esperado
2. Calculo de probabilidades de Poisson:
La distribucion
a. Formula:
b. Tablas de probab. acumuladas
c. Usando =POISSON(X, media, acumulado) en EXCEL
hipergeometrica
3. La media de la variable poisson es: E(x) = λ
4. La varianza y desviacion estandar: σ 2 = λ y
5. La probabilidades binomiales pueden aproximarse con
probabilidades Poisson usando λ = np cuando:
n > 30 y p < 0.05. o cuando np < 7
m m
m m
m m m m
m m
m
m Media y varianza m
m
• Una urna contiene M bolas rojas y N-M La media y varianza de la distribucion

azules. Se elige al azar y sin reposición n hipergeometrica es similar a la distribucion
bolas de la urna y se registra x el numero de binomial:
bolas rojas. Se define la variable numero de
bolas rojas en la muestra.
La probabilidad de exactamente k exitos en n pruebas es
CkM CnN−−kM
P( x = k ) =
CnN
Ejemplo Ejemplo
¿Cual es la media y varianza para el numero de
Un paquete de 8 baterias contiene 2 baterias baterias que funcionan?
malogradas. Un estudiante selecciona al azar cuatro
M  6
baterias y las instala en su calculadora. ¿Cual es la µ = n  = 4  = 3
probabilidad que todas las baterias funcionen? N 8
 M  N − M  N − n 
C46C02 σ 2 = n   
Exito = bateria que funciona P ( x = 4) =  N  N  N − 1 
N=8 C48
 6  2  4 
M=6 6(5) / 2(1) 15 = 4    = .4286
= =  8  8  7 
n=4 8(7)(6)(5) / 4(3)(2)(1) 70
Conceptos clave
II. La variable aleatoria hipergeometrica
1. El numero de exitos en una muestra de tamaño n de una
poblacion finita que contiene M exitos y N − M fracasos
2. Con Excel : =DISTR.HIPERGEOM(x, n, M,N)
La formula de calculo es
3. Media
Y varianza:
4. Observación: Si n es pequeño con respecto a N (n/N <

0.05) entonces se puede utilizar las probabilidades
binomiales para calcular probabilidades
Copyrighthipergeometricas
©2006 Brooks/Cole
haciendo p = M/N A division of Thomson Learning, Inc.

02 Distribuciones Binomial Poisson Hipergeo PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

02 Distribuciones Binomial Poisson Hipergeo PDF

Cargado por

Copyright:

Formatos disponibles

Introduccion La Variable aleatoria Binomial

Tres distribuciones de probabilidad discretas • El experimento de lanzar una

La variable aleatoria binomial 0.25

Muchas situaciones de la vida real se parecen al sorteo de una El experimento Binomial

La Distribucion de Probabilidad Binomial Ejemplo

n= 5 exito = acierto p = 0.8 x = # de

Copyright ©2006 Brooks/Cole = 10(.8)3 (.2) 2 = .2048

Copyright ©2006 Brooks/Cole Copyright ©2006 Brooks/Cole

Con la formula: P(x > 3) = .7373

Copyright ©2006 Brooks/Cole Copyright ©2006 Brooks/Cole

Copyright ©2006 Brooks/Cole Copyright ©2006 Brooks/Cole

• Es un modelo poblacional que representa el La distribucion de probabilidad

Copyright ©2006 Brooks/Cole Copyright ©2006 Brooks/Cole

• Una urna contiene M bolas rojas y N-M La media y varianza de la distribucion

La probabilidad de exactamente k exitos en n pruebas es

4. Observación: Si n es pequeño con respecto a N (n/N <

También podría gustarte