Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CCX 2
CXC 2
XCC Variable 2
aleatoria X
CXX 1
XCX 1
XXC 1
XXX 0
Distribución binomial
Ejemplo. Sea una población en la que un 40% de sus miembros son fumadores. Se
extrae una muestra de 10 personas.
• ¿Cuál es la esperanza y variancia del número de fumadores?
E(X)= 10 · 0.4 = 4
Var(X)= 10 · 0.4 · 0.6 = 2.4
• ¿Cuál es la probabilidad de encontrar 3 fumadores?
10!
Pr(X = 3) = f(3) = (0.40)3 (1 - 0.40)10-3 = 0.214991
3! (10 - 3)!
La probabilidad de que haya 3 fumadores es del 21.4991%
• ¿Cuál es la probabilidad de encontrar 2 o menos fumadores?
Pr(X ≤ 2) = F(2) = P(X = 0) + P(X = 1) + P(X = 2) = f(0) + f(1) + f(2)
Pr(X ≤ 2) = 0.006047 + 0.040311 + 0.120932 = 0.16729
La probabilidad de que haya 2 o menos fumadores es del 16.729%
Ejemplo: Sea una población en la que un 40% de sus miembros son fumadores. Se
extrae una muestra de 10 personas.
X P(X=k) P(X ≤ k)
Función de probabilidad
0 0.006047 0.00605 Binomial B(10, 0.40)
1 0.040311 0.04636
0.3
2 0.120932 0.16729
0.25
3 0.214991 0.38228
0.2
4 0.250823 0.63310
0.15
5 0.200658 0.83376
0.1
6 0.111477 0.94524
0.05
7 0.042467 0.98771
0
8 0.010617 0.99832
0 2 4 6 8 10
9 0.001573 0.99990
10 0.000105 1.00000
Distribución multinomial
n!
f ( n1 , n 2 , ..., n k ) = p1n1 p 2n2 ... p nk k
n1! n 2 ! ... n k !
10!
f ( 4, 4, 1, 1) = (0.5) 4 (0.3) 4 (0.15)1 (0.05)1 = 0.024877
4! 4!1!1!
Distribución hipergeométrica
Sea una población finita de tamaño N, donde las observaciones están clasificadas
en dos categorías con N1 y N2 observaciones por categoría.
Extraemos una muestra aleatoria SIN REEMPLAZAMIENTO, de n observaciones.
La variable aleatoria X se define como el número de veces que se presenta el
suceso de interés A1. La función de probabilidad de la variable es:
• N1: nº de veces que en la población se da la
⎛ N1 ⎞⎛ N 2 ⎞
⎜⎜ ⎟⎟⎜⎜ ⎟⎟ característica A1
k n − k
f(x) = P(X = k) = ⎝ ⎠⎝ ⎠ • N2: nº de veces que en la población se da la
característica A2
⎛ N⎞
⎜⎜ ⎟⎟ • N= N1+ N2
⎝n ⎠ • n: tamaño de la muestra
⎛ 8 ⎞⎛ 12 ⎞ 8! 12!
⎜⎜ ⎟⎟⎜⎜ ⎟⎟ ×
1 6 − 1⎠ 1!(8 − 1)! 5!(12 − 5)!
Pr(X = 1) = ⎝ ⎠⎝ = = 0.1634675
⎛ 20 ⎞ 20!
⎜⎜ ⎟⎟
⎝6⎠ 6!(20 − 6)!
Distribución de Poisson
Una variable aleatoria X que toma los valores 0, 1, ..., n, con probabilidad no nula,
diremos que sigue la distribución de Poisson, de parámetro λ>0 :
⎛ λ k
⎞ λ= n·p
f(x) = Pr(X = k) = e ⎜ ⎟⎟
−λ
⎜ e = 2.7182828281
⎝ k! ⎠
Con esperanza y variancia dadas por:
E(X)= λ
Var(X)= λ
Este modelo se basa en las mismas condiciones que la distribución binomial y se
utiliza en la práctica para asignar probabilidades a sucesos “raros”, es decir,
sucesos con n muy grandes y p muy pequeño. La variable aleatoria X se define
como el número de veces que se presenta el suceso de interés.
Ejemplo. Para la población de Baleares, existe una probabilidad de esquizofrenia de
0.0002. Si extraemos una muestra de 25000 personas, ¿cuál es la probabilidad de
que 10 personas tengan la enfermedad?
La probabilidad de que de
⎛ λ ⎞ -5 ⎛ 5 ⎞
k 10
entre los 25000 hayan 10
f(10) = Pr(X = 10) = e ⎜⎜ ⎟⎟ = e ⎜⎜ ⎟⎟ = 0.018133
-λ
esquizofrénicos es del
⎝ k! ⎠ ⎝ 10! ⎠ 1.8133%