Variables Aleatorias Binomial Poisson

Variables aleatorias, distribución binomial, distribución Poisson
Variables aleatorias, distribución binomial,

distribución Poisson
Estadı́stica
Área de Estadı́stica
Departamento de Ciencias Básicas y Modelado

Facultad de Ciencias Naturales e Ingenierı́a
Universidad Jorge Tadeo Lozano
Variables aleatorias
Conceptos preliminares
Considere que se examinan dos personas y se determina si padecen
cierta enfermedad (E) o se encuentran sanos (S)
P(EE ) = P(E ) × P(E ) = 0.04 × 0.04 = 0.0016

P(ES) = P(E ) × P(S) = 0.04 × 0.96 = 0.0384
P(SE ) = P(S) × P(E ) = 0.96 × 0.04 = 0.0384
P(SS) = P(S) × P(S) = 0.96 × 0.96 = 0.9216
0.0016 + 0.0384 + 0.0384 + 0.9216 = 1

Variable aleatoria
Función que transforma los resultados del experimento (Ω) en

puntos sobre la recta real <
X: número de pacientes enfermos
Evento x p(x)
EE 2 0.0016
ES, SE 1 0.0768
SS 0 0.9216
Clasificación
· Discreta: toma un conjunto contable de valores en un

intervalo de los reales (<). En general, este tipo de variables
procede de conteos
· Número de personas que compran el producto A
· Pacientes que presentan reacción adversa a un tratamiento
· Continua: aquellas variables que pueden tomar cualquier

valor en un intervalo de los reales (<)
· Tiempo de vida de un producto
· Distancia que recorre un auto por galón de combustible
· Contenido de agua en una fruta
Función de probabilidad
La función de probabilidad de una variable es una expresión

matemática mediante la cual se pueden calcular las probabilidades
asociadas al rango de variación de X (Ωx )
La función de probabilidad de una variable discreta se le suele
denominar función de masa de probabilidad (fmp)
Si X es continua se llama función de densidad de probabilidad
denotada con fdb
· Discreta - fmp
· 0 ≤ p(x) ≤ 1
·
P
p(x) = 1
x∈Ω
· Continua - fdp
· f (x) ≥ 0
R∞
· −∞ f (x)dx = 1
f (x) y F (x) - Variable discreta

X : número de dı́as por semana que entrena un deportista
aficionado f (x) = 0.1x, x = 1, 2, 3, 4
x p(x) F (x)
1 0.1 0.1
2 0.2 0.3
3 0.3 0.6
4 0.4 1.0
Valor esperado y varianza
P
Discreta: µ = E (X ) = x × p(x)
x∈Ω
R∞
Continua: µ = E (X ) = −∞ x × f (x)dx
σ 2 = V (X ) = E (X − µ)2 = E (X 2 ) − µ2
Ejemplo 1
x p(x) x × p(x) x 2 × p(x)

2 0.0016 0.0032 0.0064
1 0.0768 0.0768 0.0768
0 0.9216 0.0000 0.0000
Total 1.0000 0.0800 0.0832
2
X
µ = E (X ) = x × p(x) = 0.08
x=0
σ = V (X ) = E (X ) − µ2 = 0.0832 − 0.082 = 0.0768

2 2
√
σ = 0.0768 = 0.2771
Ejemplo 2
La vida máxima de la patente para un nuevo fármaco es 17 años.
Si se resta el tiempo que requiere la FDA para probar y aprobar el
fármaco se obtiene la vida real de la patente, es decir, el tiempo
que la compañı́a farmacéutica tiene para recuperar los costos de la
investigación y desarrollo y conseguir una utilidad. Considere la
siguiente distribución del tiempo de vida de la patente para los
nuevos fármacos
X (años) 3 4 5 6 7 8 9 10 11 12 13
p(x) 0.03 0.05 0.07 0.10 0.14 0.20 0.18 0.12 0.07 0.03 0.01
· Encuentre el número esperado de años de vida de la patente

para un nuevo fármaco
· Determine la varianza y la desviación estándar de X

Ejemplo 2
x <- c(3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13)
p <- c(0.03, 0.05, 0.07, 0.10, 0.14, 0.20, 0.18, 0.12, 0.07, 0.03, 0.01)
x * p # x*p(x)
## [1] 0.09 0.20 0.35 0.60 0.98 1.60 1.62 1.20 0.77 0.36 0.13
(m <- sum(x*p)) # valor esperado E(X)
## [1] 7.9
# Cálculo de la varianza (método 1) V(X) = E [ X - E(X) ]^2

(x - m)^2
## [1] 24.01 15.21 8.41 3.61 0.81 0.01 1.21 4.41 9.61 16.81 26.01
((x - m)^2) * p
## [1] 0.7203 0.7605 0.5887 0.3610 0.1134 0.0020 0.2178 0.5292 0.6727 0.5043
## [11] 0.2601
sum(((x - m)^2) * p)
## [1] 4.73
Ejemplo 2
# Cálculo de la varianza (método 2) V(X) = E [X^2] - E(X)^2
x^2
## [1] 9 16 25 36 49 64 81 100 121 144 169
(x^2) * p
## [1] 0.27 0.80 1.75 3.60 6.86 12.80 14.58 12.00 8.47 4.32 1.69
(e2 <- sum(x^2 * p)) # E [X^2]
## [1] 67.14
e2 - m^2 # V(X) = E [X^2] - E(X)^2
## [1] 4.73
sqrt(e2 - m^2) # Desviación estándar
## [1] 2.174856
Ejemplo 3
Determine la prima anual para una póliza de seguro por 10

millones que cubre un evento que, en un perı́odo largo, se ha
presentado tres veces de cada 100. Sea X la ganancia financiera
anual de la compañı́a y C la prima anual desconocida. Calcule el
valor de C de tal manera que la ganancia esperada E(X) sea igual
a cero. Entonces C será la prima para no ganar ni perder. A esto
la compañı́a le agregará los costos administrativos y las utilidades
Ejemplo 3
X: ganancia financiera anual de la compañı́a
Hallar C tal que E (X ) = 0
X
E (X ) = 0 = x × p(x)
x∈Ωx
(C − 10000000) × 0.03 + 0.97C =

0.03C − 300000 + 0.97C = C − 300000
C = 300000
Ejemplo 4
La siguiente tabla muestra la densidad para la variable aleatoria X,
número de aleteos por segundo de una especie de polillas grandes
mientras vuelan
x 5 6 7 8 9 10
f (x) 0.02 0.04 0.10 0.60 0.14 ?
· Encontrar f (10) y luego determine F (x)

· Encontrar P[X ≤ 8]
· Encontrar P[X < 8]
· Encontrar P[X ≥ 7]
· Encontrar P[X > 7]
· Encontrar P[7 ≤ X ≤ 9]
Ejemplo 4
· f (10) y F (x)
x 5 6 7 8 9 10
f (x) 0.02 0.04 0.10 0.60 0.14 0.10
F (x) 0.02 0.06 0.16 0.76 0.90 1.00
· P[X ≤ 8] = F(8) = 0.76

· P[X < 8] = P[X ≤ 7] = F [7] = 0.16
· P[X ≥ 7] = 1 − P[X ≤ 6] = 1 − F (6) = 1 − 0.06 = 0.94
· P[X > 7] = P[X ≥ 8] = 1 − P[X ≤ 7] = 1 − F [7] =
1 − 0.16 = 0.84
· P[7 ≤ X ≤ 9] = P[X ≤ 9] − P[X ≤ 6] = 0.90 − 0.06 = 0.84
Distribución binomial
· Experimento binomial
· Función de masa de probabilidad
· Valor esperado y varianza
· Aplicaciones
Introducción
Situación 1. En un estudio sobre hábitos migratorios de gansos
canadienses se ha anillado aproximadamente el 5% de la población
de estas aves. En un dı́a especı́fico se capturaron dos aves
X: número de gansos marcados
Evento x p(x)
mm 2 0.0025
nm, mn 1 0.095
nn 0 0.9025
0.0025 + 0.0475 + 0.0475 + 0.9025 = 1

El experimento binomial
· Consta de n pruebas (repeticiones)
· Cada prueba: E: éxito o F: fracaso
· P(E ) = p (constante). P(F ) = q = 1 − p
· Las pruebas son independientes
· X: número de éxitos observados en los n ensayos

ΩX = {0, 1, 2, 3, . . . , n}
Función de masa de probabilidad
Si X es una variable que sigue las condiciones de un experimento

binomial, entonces:

n
P(X = x) = P(x) = p x q n−x , x = 0, 1, 2, . . . , n
x

n n!
=
x (n − x)!x!
X ∼ B(n; p)
Probabilidades con la función de masa de

probabilidad

3
Sea X ∼ B(3; 0.05) entonces p(x) = 0.05x 0.953−x , x = 0, 1, 2, 3
x

3
p(0) = 0.050 0.953 = 0.857375
0

3
p(1) = 0.051 0.952 = 0.135375
1

3
p(2) = 0.052 0.951 = 0.007125
2

3
p(3) = 0.053 0.950 = 0.000125
3
Valor esperado y Varianza
Si X ∼ B(n; p) entonces el valor esperado (promedio) y la varianza

son:
µ = E (X ) = n × p
σ 2 = V (X ) = n × p × q
Ejemplo: Si X ∼ B(10; 0.2) entonces:

µ = E (X ) = 10 × 0.2 = 2
σ 2 = V (X ) = 10 × 0.2 × 0.8 = 1.6
σ = 1.264911
Ejemplo 1
Para estudiar la regulación hormonal de una lı́nea metabólica se

inyectan ratas albinas con un fármaco que inhibe la sı́ntesis de
proteı́nas del organismo. En general, 4 de cada 20 ratas muere a
causa del fármaco antes de que haya concluido el experimento. Si
se trata a 10 animales con el fármaco, cuál es la probabilidad de
que al menos 8 lleguen vivas al final del experimento?
Ejemplo 1
X : número de ratas que llegan vivas al final del experimento

n = 10; p = 0.8; q = 0.2

10
p(x) = 0.8x 0.210−x , x = 0, 1, 2, . . . , 10
x
P(X ≥ 8) = p(8) + p(9) + p(10) =

10 8 2 10 9 1 10
0.8 0.2 + 0.8 0.2 + 0.81 00.20 =
8 9 10
0.30199 + 0.26844 + 0.10737 = 0.6778
Ejemplo 1 - Tabla binomial
x 0.05 0.10 ... 0.40 ... 0.95

0 0.774 0.590 ... 0.078 P(X ≤ 0) = p(0) = F (0) 0.000
1 0.977 0.919 ... 0.337 P(X ≤ 1) = p(0) + p(1) = F (1) 0.000
2 0.999 0.991 ... 0.683 P(X ≤ 2) = p(0) + p(1) + p(2) = F (2) 0.001
3 1.000 1.000 ... 0.913 P(X ≤ 3) = p(0) + p(1) + p(2) + p(3) = F (3) 0.023
4 1.000 1.000 ... 0.990 P(X ≤ 4) = p(0) + p(1) + p(2) + p(3) + p(4) = F (4) 0.226
5 1.000 1.000 ... 1.000 P(X ≤ 5) = p(0) + p(1) + p(2) + p(3) + p(4) + p(5) = F (5) 1.000
Probabilidades con tabla

n = 10; p = 0.8; q = 0.2

10
p(x) = 0.8x 0.210−x , x = 0, 1, 2, . . . , 10
x
Probabilidades con tabla

n = 10; p = 0.8; q = 0.2
P(X ≤ 6) = F (6) = 0.121
P(5 ≤ X ≤ 8) = F (8) − F (4) = 0.624 − 0.006 = 0.618
P(X ≥ 8) = 1 − P(X ≤ 7) = 1 − F (7) = 1 − 0.322 = 0.678
P(X < 8) = P(X ≤ 7) = 0.322
Binomial con R
Cálculo de probabilidades para cada punto (función de masa de

probabilidad)
dbinom(x, size = n, prob = p)
Cálculo de función acumulada F (x)
pbinom(x, size = n, prob = p)

Ejemplo 2
La probabilidad de que un ciprés común afectado por Seiridium de las

Cupresáceas (Seiridium cardinale)* se recupere después del control es de
0.8; si 20 árboles presentan tal afección, cuál es la probabilidad asociada
a los siguientes eventos:
· Se recuperan exactamente 14
· A lo más 16 sobrevivan
· Al menos 10 se recuperen?
· Al menos 14 pero no más de 18, se recuperen?
* Es una enfermedad, producida por hongo, que produce graves daños, tanto en setos como en árboles aislados.
Ataca principalmente a las siguiente especies: Ciprés, Macrocarpa y Arizónica, Ciprés de Leyland, Tuyas, Enebros
(Juniperus sp.), Ciprés de Lawson, Criptomeria. El control consiste en: Poda las partes atacadas, aplicar fungicida
intentando proteger lo demás, chancros sobre troncos y ramas se pueden eliminar con una navaja afilada, aplicando
después pasta desinfectante-cicatrizante, riego y abono para vigorizar, limpiar y desinfectar las herramientas de
poda o recorte empleadas en los árboles enfermos con alcohol o lejı́a para no ir propagándolo de planta en planta
Ejemplo 2
X: número de árboles que se recuperan; n = 20; p = 0.8; q = 0.2
a. Se recuperan
exactamente 14
20
p(14) = 0.814 0.26 = 0.1091
14
dbinom(14, size = 20, prob = 0.8)
## [1] 0.1090997
b. A lo más 16 sobreviven
P(X ≤ 16) = p(0) + p(1) + . . . + p(16)
pbinom(16, size = 20, prob = 0.8)
## [1] 0.5885511
Ejemplo 2
c. Al menos 10 se recuperen?
P(X ≥ 10) = p(10) + p(11) + . . . + p(20)
pbinom(9, size = 20, prob = 0.8)
## [1] 0.0005634137
1 - pbinom(9, size = 20, prob = 0.8)
## [1] 0.9994366
pbinom(9, 20, 0.8, lower.tail = FALSE)
## [1] 0.9994366
Ejemplo 2
d. Al menos 14 pero no más de 18 se recuperen?
P(14 ≤ X ≤ 18) = p(14) + p(15) + . . . + p(18)
(F13 <- pbinom(13, 20, 0.8))
## [1] 0.08669251
(F18 <- pbinom(18, 20, 0.8))
## [1] 0.9308247
F18 - F13
## [1] 0.8441322
Distribución Poisson
· Función de masa de probabilidad
· Valor esperado y varianza
· Aplicaciones
· Modelo para estudiar fenómenos que ocurren con baja

frecuencia en alguna unidad dimensional (espacio, tiempo,
volumen)
(X: número de eventos que ocurren por unidad)
· La probabilidad de que un evento ocurra en una unidad

dimensional (intervalo) dada es la misma para todas la
unidades
· La probabilidad de que un evento ocurra en un intervalo es

proporcional a su longitud
· El número de eventos que ocurre en un intervalo es

independiente de los que ocurren en los demás intervalos
Función de masa de probabilidad
· X: número de eventos que ocurren por unidad
· µ: promedio de ocurrencias por unidad
e −µ µx
p(x) =
, x = 0, 1, 2, . . .
x!
· Parámetro de la distribución: µ (también se denota con λ)
· Notación: X ∼ P(µ)
Si X ∼ P(µ) entonces el valor esperado (promedio) y la varianza

son:
E (X ) = µ
σ 2 = V (X ) = µ
Ejemplo
Si X ∼ P(4) entonces:
µ = E (X ) = 4; σ 2 = V (X ) = 4
Entonces σ = 2
Ejemplo
La cantidad de incendios forestales informados en un paı́s varia de

mes a mes pero se sabe que tiene un promedio de 4.5. Si el número
de incendios forestales por mes posee una distribución de Poisson,
¿Cuál es la probabilidad de que en un determinado mes se informen
a dos incendios forestales?
b cuatro incendios o mas?
c cuál es la probabilidad de que en un periodo de tres meses se

informen, al menos 10 incendios?
d entre 8 y 15?
Ejemplo
X: número de incendios por mes

µ = 4.5 incendios por mes
a. Ocurren dos incendios forestales
e −4.5 4.52
p(2) =
2!
dpois(x = 2, lambda = 4.5)
## [1] 0.1124786
Ejemplo
X: número de incendios por mes; µ = 4.5 incendios por mes
b. Ocurren cuatro incendios o más
P∞ e −4.5 4.5x P3 e −4.5 4.5x
p(X ≥ 4) = =1− = 1 − F (3) = 1 − 0.3423 = 0.6577
x=4 x! x=0 x!
ppois(3, 4.5)
## [1] 0.342296
1 - ppois(3, 4.5)
## [1] 0.657704
ppois(3, 4.5, lower.tail = FALSE)
## [1] 0.657704
Ejemplo
X: número de incendios en 3 meses; µ = 13.5 incendios en 3 meses
c. Probabilidad de que en un periodo de 3 meses se informen al
menos 10 incendios
p(X ≥ 10) = 1 − F (9)
ppois(9, 13.5)
## [1] 0.135264
1 - ppois(9, 13.5)
## [1] 0.864736
ppois(9, 13.5, lower.tail = FALSE)
## [1] 0.864736
Ejemplo
X: número de incendios en 3 meses; µ = 13.5 incendios por 3 meses
d. Probabilidad de que en un periodo de 3 meses se informen entre 8 y
15 incendios
15 e −13.5 13.5x
P
P(8 ≤ X ≤ 15) = = F (15) − F (7)
x=8 x!
(F15 <- ppois(15, 13.5))
## [1] 0.7177928
(F7 <- ppois(7, 13.5))
## [1] 0.04148315
F15 - F7
## [1] 0.6763096

Variables Aleatorias Binomial Poisson

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

Variables Aleatorias Binomial Poisson

Cargado por

Copyright:

Formatos disponibles

Variables aleatorias, distribución binomial, distribución Poisson

Variables aleatorias, distribución binomial,

Departamento de Ciencias Básicas y Modelado

P(EE ) = P(E ) × P(E ) = 0.04 × 0.04 = 0.0016

0.0016 + 0.0384 + 0.0384 + 0.9216 = 1

Función que transforma los resultados del experimento (Ω) en

· Discreta: toma un conjunto contable de valores en un

· Continua: aquellas variables que pueden tomar cualquier

La función de probabilidad de una variable es una expresión

f (x) y F (x) - Variable discreta

Valor esperado y varianza

x p(x) x × p(x) x 2 × p(x)

σ = V (X ) = E (X ) − µ2 = 0.0832 − 0.082 = 0.0768

· Encuentre el número esperado de años de vida de la patente

· Determine la varianza y la desviación estándar de X

(m <- sum(x*p)) # valor esperado E(X)

# Cálculo de la varianza (método 1) V(X) = E [ X - E(X) ]^2

## [1] 9 16 25 36 49 64 81 100 121 144 169

(e2 <- sum(x^2 * p)) # E [X^2]

e2 - m^2 # V(X) = E [X^2] - E(X)^2

sqrt(e2 - m^2) # Desviación estándar

Determine la prima anual para una póliza de seguro por 10

X: ganancia financiera anual de la compañı́a

Hallar C tal que E (X ) = 0

(C − 10000000) × 0.03 + 0.97C =

· Encontrar f (10) y luego determine F (x)

· P[X ≤ 8] = F(8) = 0.76

· Función de masa de probabilidad

· Valor esperado y varianza

0.0025 + 0.0475 + 0.0475 + 0.9025 = 1

· Consta de n pruebas (repeticiones)

· Cada prueba: E: éxito o F: fracaso

· P(E ) = p (constante). P(F ) = q = 1 − p

· Las pruebas son independientes

· X: número de éxitos observados en los n ensayos

Función de masa de probabilidad

Si X es una variable que sigue las condiciones de un experimento

Probabilidades con la función de masa de

Valor esperado y Varianza

Si X ∼ B(n; p) entonces el valor esperado (promedio) y la varianza

Ejemplo: Si X ∼ B(10; 0.2) entonces:

Para estudiar la regulación hormonal de una lı́nea metabólica se

X : número de ratas que llegan vivas al final del experimento

Ejemplo 1 - Tabla binomial

x 0.05 0.10 ... 0.40 ... 0.95

Probabilidades con tabla

Probabilidades con tabla

X : número de ratas que llegan vivas al final del experimento

Cálculo de probabilidades para cada punto (función de masa de

dbinom(x, size = n, prob = p)

Cálculo de función acumulada F (x)

pbinom(x, size = n, prob = p)

La probabilidad de que un ciprés común afectado por Seiridium de las

dbinom(14, size = 20, prob = 0.8)

pbinom(16, size = 20, prob = 0.8)

pbinom(9, size = 20, prob = 0.8)

1 - pbinom(9, size = 20, prob = 0.8)

pbinom(9, 20, 0.8, lower.tail = FALSE)

(F13 <- pbinom(13, 20, 0.8))

(F18 <- pbinom(18, 20, 0.8))

· Función de masa de probabilidad

· Valor esperado y varianza

· Modelo para estudiar fenómenos que ocurren con baja