Clase 6 PDF

Estadística matemática I - Clase 6
Mauricio Alejandro Mazo Lopera

Universidad Nacional de Colombia
Facultad de Ciencias
Escuela de Estadística
Medellín
1 / 35
Algunas distribuciones discretas y sus propiedades
2. Distribución hipergeométrica:
Suponga que una población finita tiene N elementos, cada uno

de los cuales tiene una de dos características diferentes (por
ejemplo, K elementos tienen la característica de interés y N −K
no la tienen). Se toman al azar y sin reemplazo n de estos
elementos.
2 / 35
Defina la variable aleatoria:

X : número de elementos que tienen la carac-
terística de interés en los n seleccionados.
Los valores que toma esta variable aleatoria son:
x = 0, 1, 2, · · · , mı́n(n, K )
Pero, ¿por qué x va hasta el mínimo entre n y K ?
3 / 35
4 / 35
5 / 35
En este experimento se puede observar:
!
N
: Formas distintas de seleccionar n objetos de N.
n
!
K
: Formas distintas de seleccionar x elementos de los K
x
!
N −K
: Formas distintas de seleccionar (n − x ) de los (N − K )
n−x
Entonces, la f.m.p. de X está dada por:
 K N−K
 x n−x

N
; x = 0, 1, 2, · · · , min(n, K )
px (x ) =
 n
0 ; e.o.c.

6 / 35
Esta función de probabilidad se conoce como Distribución Hi-

pergeométrica. Se denotará X ∼ Hiper (N, K , n)
7 / 35

Propiedades: Sea X ∼ Hiper (N, K , n) entonces:

K
E [X ] = n
N !
(N − n) K K
Var [X ] = n 1− .
(N − 1) N N
7 / 35

Propiedades: Sea X ∼ Hiper (N, K , n) entonces:

K
E [X ] = n
N !
(N − n) K K
Var [X ] = n 1− .
(N − 1) N N
NOTA: Para la distribución hipergeométrica no veremos la

prueba de estas dos propiedades en clase (está en el texto guía
páginas 86, 87 y 88), ni tampoco veremos la estructura de la
f.g.m. dada su complejidad.
7 / 35
(N − n)
El término se conoce con el nombre de factor de co-
(N − 1)
rrección por población finita.
Observe que si el tamaño de la muestra n es muy pequeño
comparado con el tamaño de la población, entonces el factor
de corrección por población finita tiende a uno y por lo tanto,
como veremos más adelante, la varianza de la hipergeométrica
se asemeja a la varianza de la binomial; además garantiza que
la condición de independiencia se cumpla aproximadamente.
8 / 35
2. Distribución hipergeométrica: Ejemplo 1
Una persona inescrupulosa va a un banco a consignar 1 millón

de pesos en billetes de 50 mil y entre los billetes incluye 10
billetes falsos. Si el cajero del banco solo examina a profundidad
6 billetes:
a. ¿Cuál es la f.m.p. para el número de billetes falsos en la
muestra?
b. ¿Cuál es la probabilidad de que todos los billetes seleccio-
nados sean falsos u originales, es decir, de un solo tipo?
c. ¿Cuál es la probabilidad de que la cantidad de billetes falsos
seleccionados para ser examinados esté a menos de una
desviación estándar de la media?
9 / 35
2. Distribución hipergeométrica: Solución
Sea X : # de billetes falsos en la muestra para análisis.
10 / 35

a.
10 10
x 6−x
px (x ) = 20 ; x = 0, 1, 2, 3, 4, 5, 6 .
6
10 / 35

a.
10 10
x 6−x
px (x ) = 20 ; x = 0, 1, 2, 3, 4, 5, 6 .
6
b.
P (X = 6 ∨ X = 0) = P (X = 0) + P (X = 6) = px (0) + px (6)
10 10
6 6 210 + 210
= 20 + 20 = = 0.01084 .
6 6
38760
10 / 35
c.

10 20 − 6 10 10
E [X ] = 6 =3 Var [X ] = 6 1−
20 20 − 1 20 20
11 / 35
c.

10 20 − 6 10 10
E [X ] = 6 =3 Var [X ] = 6 1−
20 20 − 1 20 20
r
14 6 21 21
Var [X ] = = = 1.10526 y σ= .
19 4 19 19
11 / 35
c.

10 20 − 6 10 10
E [X ] = 6 =3 Var [X ] = 6 1−
20 20 − 1 20 20
r
14 6 21 21
Var [X ] = = = 1.10526 y σ= .
19 4 19 19
r r !
21 21
P (|X − µx | ≤ σ) = P − <X −3< = P (1.95 < X < 4.05) .
19 19
11 / 35
c.

10 20 − 6 10 10
E [X ] = 6 =3 Var [X ] = 6 1−
20 20 − 1 20 20
r
14 6 21 21
Var [X ] = = = 1.10526 y σ= .
19 4 19 19
r r !
21 21
P (|X − µx | ≤ σ) = P − <X −3< = P (1.95 < X < 4.05) .
19 19
Así,
P (|X − µx | ≤ σ) = P (2 ≤ X ≤ 4) = px (2) + px (3) + px (4) .
9450 14400 9450
P (|X − µx | ≤ σ) = + + = 0.85913 .
38760 38760 38750
11 / 35
2. Distribución hipergeométrica: Ejemplo 2
Un lote con 25 arandelas contiene tres en las que la variabilidad

en el espesor alrededor de la circunferencia es inaceptable. Se
toma una muestra al azar de tres arandelas.
a. ¿Cuál es la probabilidad de que ninguna de las arandelas
inaceptables se encuentren en la muestra?
b. ¿Cuál es la probabilidad de que al menos una de las aran-
delas inaceptables se encuentren en la muestra?
c. ¿Cuál es la probabilidad de que exactamente una de las
arandelas inaceptables se encuentre en la muestra?
12 / 35
Sea X : # de arandelas inaceptables en la muestra.
13 / 35
La f.m.p. de X es de la forma:
3 22
x 3−x
px (x ) = 25 ; x = 0, 1, 2, 3 .
3
13 / 35
3 22
x 3−x
px (x ) = 25 ; x = 0, 1, 2, 3 .
3
a.
22
3 1540
P (X = 0) = px (0) = 25 = = 0.66957 .
3
2300
13 / 35
3 22
x 3−x
px (x ) = 25 ; x = 0, 1, 2, 3 .
3
a.
22
3 1540
P (X = 0) = px (0) = 25 = = 0.66957 .
3
2300
b.
38
P (X ≥ 1) = 1 − P (X < 1) = 1 − px (0) = = 0.33043 .
115
13 / 35
3 22
x 3−x
px (x ) = 25 ; x = 0, 1, 2, 3 .
3
a.
22
3 1540
P (X = 0) = px (0) = 25 = = 0.66957 .
3
2300
b.
38
P (X ≥ 1) = 1 − P (X < 1) = 1 − px (0) = = 0.33043 .
115
c.
3 22
1 2 693
P (X = 1) = px (1) = 25 = = 0.30130 .
3
2300
13 / 35
3. Distribución binomial:
Un experimento aleatorio es llamado Binomial si cumple las

siguientes características:
1 Consta de n pruebas idénticas e independientes.
2 Cada prueba tiene dos posibles resultados “Éxito” o “Fra-
caso”.
3 La probabilidad de Éxito es constante en las n pruebas y se
denota por p.
4 La v.a de interés es X : # éxitos en los n ensayos.
14 / 35
Un experimento aleatorio es llamado Binomial si cumple las

siguientes características:
1 Consta de n pruebas idénticas e independientes.
2 Cada prueba tiene dos posibles resultados “Éxito” o “Fra-
caso”.
3 La probabilidad de Éxito es constante en las n pruebas y se
denota por p.
4 La v.a de interés es X : # éxitos en los n ensayos.
NOTA: Una sola prueba donde se tienen las salidas o resultados
“Éxito” o “Fracaso” es conocido como ensayo Bernoulli. Por
ejemplo, lanzar una moneda una sola vez y ganar si cae cara es
un ensayo Bernoulli
14 / 35
Decimos que una v.a. X tiene distribución binomial con pará-

metros n y p, siendo este n un entero positivo y 0 < p < 1, si
su f.m.p. está dada por:
 !
n
p x (1 − p)n−x , para x = 0, 1, 2, . . . , n


x


px (x ) =



0, e.o.c.

15 / 35

 !
n
p x (1 − p)n−x , para x = 0, 1, 2, . . . , n


x


px (x ) =



0, e.o.c.

Denotaremos “X tiene una distribución binomial con parámetros

n y p” como X ∼ Binomial(n, p).
15 / 35

 !
n
p x (1 − p)n−x , para x = 0, 1, 2, . . . , n


x


px (x ) =



0, e.o.c.

Denotaremos “X tiene una distribución binomial con parámetros

n y p” como X ∼ Binomial(n, p).
En el caso particular n = 1, diremos que “X tiene una distribu-
ción Bernoulli con parámetro p” y lo denotaremos
X ∼ Bernoulli(p).
15 / 35
Nota: Recuerde que el binomio de Newton establece que:

n
!
n n
an−k b k
X
(a + b) =
k=0
k
(Para ver la prueba de este resultado, ir a la página 90 - Teorema

3.2.2 del Texto guía de Casella & Berger).
16 / 35
3. Distribución binomial: Propiedades
Suponga que X ∼ Binomial(n, p)
a.
La f.g.m. está dada por:
in
Mx (t) = (1 − p) + pe t
h
b. E (X ) = np.
c.
Var (X ) = np(1 − p).
17 / 35
3. Distribución binomial: Propiedades - Prueba
a. Se tiene que:
Mx (t) = E (e tX )
18 / 35
a. Se tiene que:
n
Mx (t) = E (e tX ) = e tx ∗ px (x )
X
x =0
18 / 35
a. Se tiene que:
n
Mx (t) = E (e tX ) = e tx ∗ px (x )
X
x =0
n
!
tx n
p x (1 − p)n−x
X
= e
x =0
x
18 / 35
a. Se tiene que:
n
Mx (t) = E (e tX ) = e tx ∗ px (x )
X
x =0
n
!
tx n
p x (1 − p)n−x
X
= e
x =0
x
n
!
n
(pe t )x (1 − p)n−x
X
=
x =0
x
18 / 35
a. Se tiene que:
n
Mx (t) = E (e tX ) = e tx ∗ px (x )
X
x =0
n
!
tx n
p x (1 − p)n−x
X
= e
x =0
x
n
!
n n
(pe t )x (1 − p)n−x = [(1 − p) + pe t ] ,
X
=
x =0
x
18 / 35
b. Como M 0 (t) = npe t [(1 − p) + pe t ]n−1
19 / 35
b. Como M 0 (t) = npe t [(1 − p) + pe t ]n−1 entonces

E (X ) = M 0 (0) = np.
19 / 35

E (X ) = M 0 (0) = np.
c. Dado que
n−1 n−2
M 00 (t) = npe t (1 − p) + pe t +n(n−1)p 2 e 2t (1 − p) + pe t

19 / 35

E (X ) = M 0 (0) = np.
c. Dado que
n−1 n−2

se tiene que

E X 2 = M 00 (0) = np + n(n − 1)p 2 = np + n2 p 2 − np 2
19 / 35

E (X ) = M 0 (0) = np.
c. Dado que
n−1 n−2

se tiene que

E X 2 = M 00 (0) = np + n(n − 1)p 2 = np + n2 p 2 − np 2
Luego,

Var (X ) = E X 2 − [E (X )]2
19 / 35

E (X ) = M 0 (0) = np.
c. Dado que
n−1 n−2

se tiene que

E X 2 = M 00 (0) = np + n(n − 1)p 2 = np + n2 p 2 − np 2
Luego,

Var (X ) = E X 2 − [E (X )]2
n2
= np + 2
p − np 2 −
n22
p = np − np 2
19 / 35

E (X ) = M 0 (0) = np.
c. Dado que
n−1 n−2

se tiene que

E X 2 = M 00 (0) = np + n(n − 1)p 2 = np + n2 p 2 − np 2
Luego,

Var (X ) = E X 2 − [E (X )]2
n2
= np + 2
p − np 2 −
n22
p = np − np 2
= np(1 − p)
19 / 35
3. Distribución binomial: Ejemplos
Ejemplo 1: Un examen de opción múltiple contiene 10 pre-

guntas. Cada pregunta tiene cuatro opciones de las cuáles sólo
una es la correcta. El examen se aprueba si se responden co-
rrectamente al menos seis preguntas. Si el estudiante adivina
las respuestas, conteste las siguientes preguntas:
a. ¿Cuál es la probabilidad de aprobar el examen?.
b. Si el estudiante adivina al menos tres de las preguntas,
¿Cuál es la probabilidad de reprobar el examen?.
c. Halle E [X ] y Var [X ]
20 / 35
3. Distribución binomial: Ejemplos - Solución
Sea X : # preguntas con respuesta correcta de las 10 contesta-

das.
21 / 35

das.
Entonces
1
X ∼ Binomial (10 , p) , con p = .
4
21 / 35

das.
Entonces
1
X ∼ Binomial (10 , p) , con p = .
4
Así,
! x 10−x
10 1 3
px (x ) = ; x = 0 , 1 , · · · , 10 .
x 4 4
21 / 35
a. Se pide
5 x 10−x
X 10 1 3
P (X ≥ 6) = 1 − P (X ≤ 5) = 1 − = 0.0197
x =0
x 4 4
22 / 35
a. Se pide
5 x 10−x
X 10 1 3
P (X ≥ 6) = 1 − P (X ≤ 5) = 1 − = 0.0197
x =0
x 4 4
b.
P (3 ≤ X < 6) P (3 ≤ X ≤ 5)
P (X < 6 | X ≥ 3) = =
P (X ≥ 3) 1 − P (X < 3)
22 / 35
a. Se pide
5 x 10−x
X 10 1 3
P (X ≥ 6) = 1 − P (X ≤ 5) = 1 − = 0.0197
x =0
x 4 4
b.
P (3 ≤ X < 6) P (3 ≤ X ≤ 5)
P (X < 6 | X ≥ 3) = =
P (X ≥ 3) 1 − P (X < 3)
5
10 1 x 3 10−x
P
x 4 4 0.4547
x =3
P (X < 6 | X ≥ 3) = = = 0.9585 .
1 − P (X ≤ 2) 1 − 0.5256
22 / 35
a. Se pide
5 x 10−x
X 10 1 3
P (X ≥ 6) = 1 − P (X ≤ 5) = 1 − = 0.0197
x =0
x 4 4
b.
P (3 ≤ X < 6) P (3 ≤ X ≤ 5)
P (X < 6 | X ≥ 3) = =
P (X ≥ 3) 1 − P (X < 3)
5
10 1 x 3 10−x
P
x 4 4 0.4547
x =3
P (X < 6 | X ≥ 3) = = = 0.9585 .
1 − P (X ≤ 2) 1 − 0.5256
c.

1 1 3 15
E [X ] = 10 = 2.5 ; Var [X ] = 10 = .
4 4 4 8
22 / 35
3. Distribución binomial: Ejemplos
Ejemplo 2: Suponga que la probabilidad de tener

una unidad defectuosa en una línea de ensamble es
de 0.05.
a.
¿Cuál es la probabilidad de que entre 20 unidades
seleccionadas al azar, dos sean defectuosas?
b. ¿Cuál es la probabilidad de que a lo más dos de
las 20 unidades estén defectuosas?
c.
¿Cuál es la probabilidad de que por lo menos 2
unidades estén defectuosas?
23 / 35
Sea X : el # de unidades defectuosas de las 20 unidades selec-

cionadas.
24 / 35

cionadas.
Este experimento cumple con todas las condiciones para ser un
ensayo Binomial.
24 / 35

cionadas.
ensayo Binomial.
Así, X ∼ Binomial (20 , 0.05) , donde
!
20
px (x ) = (0.05) x (0.95) 20 − x ; x = 0 , 1 , · · · , 20 .
x
24 / 35

cionadas.
ensayo Binomial.
!
20
px (x ) = (0.05) x (0.95) 20 − x ; x = 0 , 1 , · · · , 20 .
x
20

a. P (X = 2) = px (2) = 2 (0.05) 2 (0.95) 18 = 0.1887
24 / 35

cionadas.
ensayo Binomial.
!
20
px (x ) = (0.05) x (0.95) 20 − x ; x = 0 , 1 , · · · , 20 .
x
20

a. P (X = 2) = px (2) = 2 (0.05) 2 (0.95) 18 = 0.1887
b. P (X ≤ 2) = px (0) + px (1) + px (2) = 0.3585 + 0.3774 + 0.1887 =
0.9246
24 / 35

cionadas.
ensayo Binomial.
!
20
px (x ) = (0.05) x (0.95) 20 − x ; x = 0 , 1 , · · · , 20 .
x
20

a. P (X = 2) = px (2) = 2 (0.05) 2 (0.95) 18 = 0.1887
b. P (X ≤ 2) = px (0) + px (1) + px (2) = 0.3585 + 0.3774 + 0.1887 =
0.9246
c. P (X ≥ 2) = 1 − P (X < 2) = 1 − P (X ≤ 1) = 0.2641
24 / 35
Relación entre la distribución binomial y la hipergeométrica
Sea X una variable aleatoria tal que X ∼ Hiper (N, K , n).

(N − n)
Si ≈ 1, entonces:
(N − 1)
K N−K !
x n−x n K
N
≈ p x (1 − p)n−x ; donde p = .
n
x N
Este resultado se conoce como Aproximación Binomial de la

Hipergeométrica.
25 / 35
Relación entre la distribución binomial y la
hipergeométrica: Ejemplo
Considere nuevamente el ejemplo donde una persona inescru-

pulosa va a un banco a consignar 1 millón de pesos pero ahora
en billetes de 5 mil y entre ellos incluye 10 billetes falsos. Si el
cajero del banco solo examina a profundidad 6 billetes, ¿cuál es
la probabilidad de sacar ningún billete falso o todos los billetes
falsos en la muestra?
26 / 35
Relación entre la distribución binomial y la
hipergeométrica: Solución
Sea X : # de billetes falsos en la muestra de 6 billetes.

10 190 10 190
0 6 6 0
P (X = 0 ∨ X = 6) =
200
+
200
= 0.7321 .
6 6
Usando la aproximación se tiene que:

6 0 0 6
6 10 190 6 10 190
P (X = 0 ∨ X = 6) ≈ + = 0.7351
6 200 200 0 200 200
La aproximación es muy buena.
27 / 35
4. Distribución binomial negativa
Suponga que estamos interesados en la variable aleatoria
X : número de ensayos hasta obtener r éxitos, con probabilidad
de éxito en cada ensayo igual a 0 < p < 1.
28 / 35
En este caso, la f.m.p. de X está dada por:
 !
x −1
p r (1 − p)x −r , para x = r , r + 1, r + 2, . . .


r −1


px (x ) = 


0, e.o.c.

28 / 35
 !
x −1
p r (1 − p)x −r , para x = r , r + 1, r + 2, . . .


r −1


px (x ) = 


0, e.o.c.

Denotaremos “X tiene una distribución binomial negativa con

parámetros r y p” como X ∼ Nbinom(r , p).
28 / 35
 !
x −1
p r (1 − p)x −r , para x = r , r + 1, r + 2, . . .


r −1


px (x ) = 


0, e.o.c.

Denotaremos “X tiene una distribución binomial negativa con

parámetros r y p” como X ∼ Nbinom(r , p).
En el caso particular r = 1, diremos que “X tiene una distribu-
ción geométrica con parámetro p” y lo denotaremos
X ∼ Geometrica(p).
28 / 35
4. Distribución binomial negativa: Propiedades
Suponga que X ∼ Nbinom(r , p), entonces:
a. La f.g.m. está dada por:

−r
Mx (t) = (pe t )r [1 − (1 − p)e t ] , para t < − log(1−p)
r
b. E (X ) = .
p
r (1 − p)
c. Var (X ) = .
p2
Prueba: Queda como TAREA!!!
29 / 35
4. Distribución binomial negativa: Ejemplo
Si se sabe que un basquetbolista encesta 4 de cada 10 veces

que lanza.
a. ¿Cuál es el valor promedio y la desviación estándar de lan-
zamientos que debe hacer hasta encestar 5 veces?
b. ¿Cuál es la probabilidad de que tenga que lanzar a lo sumo
3 veces hasta encestar la primera vez?
c. ¿Cuál es la probabilidad de que haya encestado 4 veces si
lanzó el balón 7 veces?
30 / 35
4. Distribución binomial negativa: Solución
a. Defina X : # de lanzamientos hasta encestar 5 veces.
31 / 35

En este caso X ∼ Nbinom(5, 4/10), ya que dicen que el “score”
del basquetbolista es de p = 4/10.
31 / 35

En este caso X ∼ Nbinom(5, 4/10), ya que dicen que el “score”
del basquetbolista es de p = 4/10.
Así,
E (X ) = r /p = 5/(4/10) = 50/4 = 12.5
Var (X ) = r (1 − p)/p 2 = 5(1 − 4/10)/(4/10)2 = 18.75
y q √
σ= Var (X ) = 18.75 = 4.33
31 / 35
b. Defina Y : # de lanzamientos hasta encestar la primera

vez.
32 / 35
b. Defina Y : # de lanzamientos hasta encestar la primera

vez.
En este caso Y ∼ Geometrica(4/10), ya que dicen que el “sco-
re” del basquetbolista es de p = 4/10. La probabilidad pedida
es
3
(6/10)y −1 (4/10) = 0.8704
X
P(Y ≤ 3) =
y =1
32 / 35
c. Defina W : # de cestas entre 7 lanzamientos.
33 / 35
c. Defina W : # de cestas entre 7 lanzamientos.

En este caso W ∼ Binomial(7, 4/10), ya que se trata de número
de éxitos (cestas) entre 7 lanzamientos. La probabilidad pedida
es:
!
7
P(W = 4) = (4/10)4 (6/10)7−4 = 0.193536
4
33 / 35
Ejercicios clase 6:
1 Demuestre las propiedades de la distribución binomial ne-

gativa, las cuales se encuentran en la diapositiva 29 de esta
presentación.
2 Realice los ejercicios 3.1, 3.2, 3.3., 3.4, 3.5 y 3.6 del texto
guía de Casella & Berger.
3 Al probar cierta clase de neumático para camión en un te-
rreno accidentado, se encuentra que el 25 % de los camiones
no completan la prueba de recorrido sin ponchaduras. De
los siguientes 15 camiones probados, calcule la probabilidad
de que:
a. de 3 a 6 tengan ponchaduras;
b. menos de 4 tengan ponchaduras;
c. más de 5 tengan ponchaduras.
34 / 35
Ejercicios clase 6:
4 Una empresa está interesada en evaluar su procedimiento

de inspección actual para embarques de 50 artículos idén-
ticos. El procedimiento consiste en tomar una muestra de
5 artículos y aceptar el embarque si no se encuentran más
de 2 defectuosos. ¿Qué proporción de embarques con 20 %
de artículos defectuosos se aceptará?
5 Un científico inocula a varios ratones, uno a la vez, el virus
que produce una enfermedad, hasta que encuentra a 2 que
contraen la enfermedad. Si la probabilidad de contraer la
enfermedad es de 1/6, ¿cuál es la probabilidad de que tenga
que inocular a 8 ratones?
35 / 35

Clase 6 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

Clase 6 PDF

Cargado por

Copyright:

Formatos disponibles

Estadística matemática I - Clase 6

Mauricio Alejandro Mazo Lopera

Suponga que una población finita tiene N elementos, cada uno

Defina la variable aleatoria:

Pero, ¿por qué x va hasta el mínimo entre n y K ?

Esta función de probabilidad se conoce como Distribución Hi-

Esta función de probabilidad se conoce como Distribución Hi-

Propiedades: Sea X ∼ Hiper (N, K , n) entonces:

Esta función de probabilidad se conoce como Distribución Hi-

Propiedades: Sea X ∼ Hiper (N, K , n) entonces:

NOTA: Para la distribución hipergeométrica no veremos la

Una persona inescrupulosa va a un banco a consignar 1 millón

Sea X : # de billetes falsos en la muestra para análisis.

Sea X : # de billetes falsos en la muestra para análisis.

Sea X : # de billetes falsos en la muestra para análisis.

Un lote con 25 arandelas contiene tres en las que la variabilidad

Un experimento aleatorio es llamado Binomial si cumple las

Un experimento aleatorio es llamado Binomial si cumple las

Decimos que una v.a. X tiene distribución binomial con pará-

Decimos que una v.a. X tiene distribución binomial con pará-

Denotaremos “X tiene una distribución binomial con parámetros

Decimos que una v.a. X tiene distribución binomial con pará-

Denotaremos “X tiene una distribución binomial con parámetros

Nota: Recuerde que el binomio de Newton establece que:

(Para ver la prueba de este resultado, ir a la página 90 - Teorema

Suponga que X ∼ Binomial(n, p)

b. Como M 0 (t) = npe t [(1 − p) + pe t ]n−1

b. Como M 0 (t) = npe t [(1 − p) + pe t ]n−1 entonces

b. Como M 0 (t) = npe t [(1 − p) + pe t ]n−1 entonces

b. Como M 0 (t) = npe t [(1 − p) + pe t ]n−1 entonces

b. Como M 0 (t) = npe t [(1 − p) + pe t ]n−1 entonces

b. Como M 0 (t) = npe t [(1 − p) + pe t ]n−1 entonces

b. Como M 0 (t) = npe t [(1 − p) + pe t ]n−1 entonces

Ejemplo 1: Un examen de opción múltiple contiene 10 pre-

Sea X : # preguntas con respuesta correcta de las 10 contesta-

Sea X : # preguntas con respuesta correcta de las 10 contesta-

Sea X : # preguntas con respuesta correcta de las 10 contesta-

Ejemplo 2: Suponga que la probabilidad de tener

Sea X : el # de unidades defectuosas de las 20 unidades selec-

Sea X : el # de unidades defectuosas de las 20 unidades selec-

Sea X : el # de unidades defectuosas de las 20 unidades selec-

Sea X : el # de unidades defectuosas de las 20 unidades selec-

Sea X : el # de unidades defectuosas de las 20 unidades selec-

Sea X : el # de unidades defectuosas de las 20 unidades selec-

Sea X una variable aleatoria tal que X ∼ Hiper (N, K , n).

Este resultado se conoce como Aproximación Binomial de la

Considere nuevamente el ejemplo donde una persona inescru-

Sea X : # de billetes falsos en la muestra de 6 billetes.

Usando la aproximación se tiene que:

La aproximación es muy buena.

Denotaremos “X tiene una distribución binomial negativa con

Denotaremos “X tiene una distribución binomial negativa con

Suponga que X ∼ Nbinom(r , p), entonces:

a. La f.g.m. está dada por:

Si se sabe que un basquetbolista encesta 4 de cada 10 veces

a. Defina X : # de lanzamientos hasta encestar 5 veces.

a. Defina X : # de lanzamientos hasta encestar 5 veces.

a. Defina X : # de lanzamientos hasta encestar 5 veces.

b. Defina Y : # de lanzamientos hasta encestar la primera

b. Defina Y : # de lanzamientos hasta encestar la primera

c. Defina W : # de cestas entre 7 lanzamientos.

c. Defina W : # de cestas entre 7 lanzamientos.

1 Demuestre las propiedades de la distribución binomial ne-