Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Área de Estadı́stica
Conceptos preliminares
Considere que se examinan dos personas y se determina si padecen
cierta enfermedad (E) o se encuentran sanos (S)
Variable aleatoria
Evento x p(x)
EE 2 0.0016
ES, SE 1 0.0768
SS 0 0.9216
Variables aleatorias, distribución binomial, distribución Poisson
Variables aleatorias
Clasificación
Función de probabilidad
Función de probabilidad
· Discreta - fmp
· 0 ≤ p(x) ≤ 1
·
P
p(x) = 1
x∈Ω
· Continua - fdp
· f (x) ≥ 0
R∞
· −∞ f (x)dx = 1
Variables aleatorias, distribución binomial, distribución Poisson
Variables aleatorias
Función de probabilidad
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
Variables aleatorias, distribución binomial, distribución Poisson
Variables aleatorias
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
Variables aleatorias, distribución binomial, distribución Poisson
Variables aleatorias
Valor esperado y varianza
Ejemplo 1
2
X
µ = E (X ) = x × p(x) = 0.08
x=0
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
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
## [1] 7.9
## [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
Variables aleatorias, distribución binomial, distribución Poisson
Variables aleatorias
Valor esperado y varianza
Ejemplo 2
# Cálculo de la varianza (método 2) V(X) = E [X^2] - E(X)^2
x^2
(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
## [1] 67.14
## [1] 4.73
## [1] 2.174856
Variables aleatorias, distribución binomial, distribución Poisson
Variables aleatorias
Valor esperado y varianza
Ejemplo 3
Ejemplo 3
X
E (X ) = 0 = x × p(x)
x∈Ωx
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 ?
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
Distribución binomial
· Experimento binomial
· Aplicaciones
Variables aleatorias, distribución binomial, distribución Poisson
Distribución binomial
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
El experimento binomial
X ∼ B(n; p)
Variables aleatorias, distribución binomial, distribución Poisson
Distribución binomial
Ejemplo 1
Ejemplo 1
Binomial con R
Ejemplo 2
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
## [1] 0.1090997
b. A lo más 16 sobreviven
P(X ≤ 16) = p(0) + p(1) + . . . + p(16)
## [1] 0.5885511
Variables aleatorias, distribución binomial, distribución Poisson
Distribución binomial
Ejemplo 2
X: número de árboles que se recuperan; n = 20; p = 0.8; q = 0.2
c. Al menos 10 se recuperen?
P(X ≥ 10) = p(10) + p(11) + . . . + p(20)
## [1] 0.0005634137
## [1] 0.9994366
## [1] 0.9994366
Variables aleatorias, distribución binomial, distribución Poisson
Distribución binomial
Ejemplo 2
X: número de árboles que se recuperan; n = 20; p = 0.8; q = 0.2
d. Al menos 14 pero no más de 18 se recuperen?
P(14 ≤ X ≤ 18) = p(14) + p(15) + . . . + p(18)
## [1] 0.08669251
## [1] 0.9308247
F18 - F13
## [1] 0.8441322
Variables aleatorias, distribución binomial, distribución Poisson
Distribución Poisson
Distribución Poisson
· Aplicaciones
Variables aleatorias, distribución binomial, distribución Poisson
Distribución Poisson
Distribución Poisson
e −µ µx
p(x) =
, x = 0, 1, 2, . . .
x!
· Parámetro de la distribución: µ (también se denota con λ)
· Notación: X ∼ P(µ)
Variables aleatorias, distribución binomial, distribución Poisson
Distribución Poisson
Ejemplo
d entre 8 y 15?
Variables aleatorias, distribución binomial, distribución Poisson
Distribución Poisson
Ejemplo
## [1] 0.1124786
Variables aleatorias, distribución binomial, distribución Poisson
Distribución Poisson
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
## [1] 0.657704
Variables aleatorias, distribución binomial, distribución Poisson
Distribución Poisson
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
## [1] 0.864736
Variables aleatorias, distribución binomial, distribución Poisson
Distribución Poisson
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
## [1] 0.04148315
F15 - F7
## [1] 0.6763096