Teoria 4 Modelos Discretos

r
PRINCIPALES DISTRIBUCIONES
to
DE PROBABILIDAD DISCRETAS
di
E
CONTENIDOS:
F
D
rP
 Modelo de Bernoullí
te
 Modelo Binomial
as
M
 Modelo Geométrico
in
 Modelo de Poisson
ed
at
re
PROF. LUIS ARENAS - DEPARTAMENTO DE ESTADÍSTICA - UNCO 214

r
Modelos de Probabilidad
to
di
Si el fenómeno aleatorio que se estudia verifica
E
ciertos supuestos o condiciones, entonces es posible
F
describirlo mediante un modelo de probabilidad.
D
rP
El modelo de probabilidad expresa matemáticamente
la distribución de probabilidad de la variable aleatoria
te
asociada al fenómeno (experimento aleatorio) que se
estudia.
as
M
Para que sea útil el modelo debe proveer una
in
representación adecuada del comportamiento

estadístico del fenómeno real bajo estudio. Existen
ed
distintos modelos para representar fenómenos

at
diferentes.
re

r
Modelo de Bernoulli
to
di
E
F
D
rP
te
as
Daniel Bernoulli (Groninga, 8-2-1700. - Basilea, 17-3-1782) fue un
M
matemático, estadístico, físico y médico suizo. Destacó no solo en
matemática pura, sino también en las llamadas aplicadas,
in
principalmente estadística y probabilidad. Hizo importantes

ed
contribuciones en hidrodinámica y elasticidad.

at
https://es.wikipedia.org/wiki/Daniel_Bernoulli
re

r
Modelo de Bernoulli
to
di
Consideremos el siguiente experimento aleatorio :
E
F
•Realizamos una prueba dicotómica, es decir que
D
admite unicamente dos resultados posibles:
rP
•“positivo” - “negativo”
te
as
•“posee cierta cualidad” - “no posee esa cualidad”
M
•Llamaremos éxito cuando el resultado de la prueba
in
sea aquella cualidad en que estamos interesados y

fracaso cuando no lo sea.
ed
at
• La probabilidad de éxito debe ser conocida P(E)=p

re

r
Modelo de Bernoulli
to
di
Definimos la variable X: cantidad de éxitos obtenidos.
E
R X = {0, 1} X ~ Bi( p)
F
D
rP
Decimos que X tiene una distribución Bipuntual con
parámetro p:
te
La función de cuantía de X es:
as
p ( x)  p 1  p 
M 1 x
x
si x  0;1
in
La esperanza y la variancia son: E ( X ) = p

ed
V ( X ) = p(1 - p)
at
re

r
Modelo de Bernoulli: ejemplo
to
di
Una empresa petrolera va a perforar un pozo en un
E
yacimiento en el que la probabilidad de hallar petróleo
F
es 0,2.
D
¿Se cumplen las condiciones para aplicar el modelo de
rP
Bernoullí?.
te
 El resultado de la perforación es un ensayo
dicotómico: hallar petróleo – no hallar petróleo.
as
 Si consideramos que hallar petróleo es éxito,
M
conocemos P(éxito) = 0,2
in
 Definimos la variable X: cantidad de pozos con

petróleo. Luego R X = {0, 1}.
ed
 X tiene una distribución bipuntual con parámetro

at
p=0,2
re

r
Modelo de Bernoulli: ejemplo
to
di
X : cantidad de pozos con petróleo.
E
F
R X = {0, 1} X ~ Bi( p = 0.2)
D
rP
p ( x)  p 1  p  x 1 x
La función de cuantía es:
te
as
1 x
x P(x)
p( x)  0,2  0,8
x
M
0 0,8
1 0,2
in
ed
E(X ) = p E(X)=0,2
at
V ( X ) = p(1-p) V(X)=0,2 0,8= 0,16 

re

Modelo Binomial
r
to
di
1. Se efectúa un número fijo n de pruebas
E
dicotómicas cada una de las cuales admite dos
F
resultados posibles: éxito o fracaso.
D
Llamaremos éxito cuando el resultado de la
rP
pruebas sea aquella cualidad en que estamos
interesados y fracaso cuando no lo sea.
te
as
2. Las pruebas son efectuadas
M en las mismas
condiciones y la probabilidad de éxito p es
conocida y constante de prueba en prueba.
in
ed
at
re

r
to
3. Los resultados de las pruebas son independientes
di
E
entre sí.
4. La variable aleatoria de interés es X: cantidad de
F
D
éxitos en las n pruebas . (No se considera el orden
rP
en cual son obtenidos los éxitos).
te
as
Por ejemplo si me interesa 1 éxito en 4 pruebas,
M
no importa en qué prueba ocurre el éxito.
in
ed
EFFF o FEFF o FFEF o FFFE

at
re

r
Modelo Binomial
to
di
RX = {0, 1, . . . n}
E
F
D
Decimos que X tiene una distribución Binomial con
rP
parámetros n y p: X ~ B(n; p)
te
as
La función de cuantía de X es:
M
 n n!!
in
n x
 p x
(1  p ) si x : 1,2, , n
p ( x)   x!n  x !
ed
 0  otro x
at
re

Simétrica
r
Forma de la
to
distribución
di
Binomial según
E
el valor de p
F
D
rP
X ~ B(6 ; 0,5)
te
Asimétrica derecha Asimétrica izquierda
as
M
in
ed
at
X ~ B(6 ; 0,25) X ~ B(6 ; 0,75)

re

r
La función de probabilidad acumulada es:
to
di
0 si x  0
E
 x n!
F ( x)    p k (1  p) n  k si x : 0,1,  , n
F
 k 0 k!n  k !
D
 1 si x  n
rP
F(x)
te
F(x)=1
1
as
M
in
ed
F(x)=0
at
0 1 2 n X
re

r
to
Si X ~ B(n,p)
di
E
• La esperanza es: E(X) = np
F
D
• La variancia es: V(X) = np(1-p)
rP
te
as
M
in
ed
at
re

Ejemplo
r
to
di
E
F
D
rP
te
Fuente
as
https://es.wikipedia.org/wiki/Anexo:Estad%C3%ADsticas_de_Lionel_Messi#Penaltis.
Fecha de acceso 23-03-19 M
a. ¿Cuál es la probabilidad de que Messi convierta un
in
tiro penal?
fA 67
ed
hA = = = 0 ,807  0 ,80
n 83
at
re

Ejemplo
r
to
La siguiente tabla presenta información estadística sobre
di
la performance de Leonel Messi al patear penales.
E
F
D
rP
te
as
M
in
c. Supongamos que a Messi en la próxima temporada le

tocará patear 8 penales. ¿Podríamos aplicar el modelo
ed
binomial?
at
re

r
to
Cada tiro penal admite dos resultados posibles: éxito
di
(gol) o fracaso.
E
La probabilidad de éxito (gol) es conocida y se
F
supone que permanece sin cambios (constante) de
D
penal en penal.
rP
La cantidad de penales que Messi va a patear es fija
te
(8).
as
Se supone que los sucesivos penales son
independientes, es decir el éxito o el fracaso no
M
influirá los resultados de los penales siguientes.
in
En esas condiciones se satisfacen los supuestos del

ed
modelo binomial y lo podemos usar para conocer las

probabilidades de los sucesos de interés.
at
re

r
Ejemplo
to
X: cantidad de penales convertidos
di
E
n p
F
R X = {0, 1, . . 8} X ~ B(8 ; 0,8)
D
rP
La función de cuantía es:
 n!
te
n x
 p (1  p )
x
si x : 1,2, , n
p ( x)   x!n  x !
as
 0  otro x
M
n! p
in
 8! x 8 x
 0,8 0,2 si x : 0,1,  ,8
p ( x)   x!8  x !
ed
0  otro x
at
1-p
re

r
to
¿Cuál es la probabilidad de que no convierta
di
ningún penal?
E
P(No convertir ningún penal) = P(X=0)
F
D
 8!
rP
x 8 x
 0,8 0, 2 si x : 0,1,  ,8
p ( x)   x!8  x !
te
0  otro x
as
M
8! 80
p ( 0)  0,8 0,2  0
0
in
0!8  0!
ed
at
re

r
to
P(No convertir ningún penal) = P(X=0)
di
E
F
D
rP
te
as
M
in
ed
at
re

r
to
¿Cuál es la probabilidad de que convierta todos los
di
penales?
E
F
P(Convertir todos los penales) = P(X=8)
D
rP
 8! x 8 x
 0,8 0, 2 si x : 0,1,  ,8
te
p ( x)   x!8  x !
as
0  otro x
M
in
8!
p (8)  0,880,288  0,1677
8!8  8!
ed
at
re

r
to
P(Convertir todos los penales) = P(X=8)
di
E
F
D
rP
te
as
M
in
ed
at
re

r
to
X P(x)
di
0 0,00000
E
1 0,000008
F
2 0,00115
D
3 0,00918
rP
4 0,04588
5 0,14680
te
6 0,29360
as
7 0,33554 M
8 0,16777
in
ed
Función de
cuantía
at
re

r
¿Cuál es la probabilidad de que convierta al
to
menos la mitad de los penales?
di
E
P(convierta al menos la mitad) = P(X  4)
F
complemento
D
rP
P (X4) = 1 – P(X <4) = 1- P(X ≤3) = 1- F(3) =
te
F(3)
as
= 1 – [ P(X=0) + P(X=1)+P(X=2) + P(X=3)]
M
in
= 1 – 0,01041
ed
P (X4) = 0,98959
at
re

r
to
x F(x)
Diagrama escalonado
di
0 0,00000
1 0,000008
E
2 0,00123
F
3 0,01041
D
4 0,05628
rP
5 0,20308
te
6 0,49668
as
7 0,83223
8 1
M
in
Función de Representación de
ed
Probabilidad Probabilidad
at
Acumulada Acumulada
re

r
¿Cuál es la probabilidad de que convierta al
to
menos la mitad de los penales?
di
E
P(convierta al menos la mitad) = P(X 4)
F
D
rP
te
as
M
in
ed
at
re

r
to
di
E( X ) = np = 8  0,8= 6,4
E
F
Interpretación: Si se repite infinitas veces el
D
experimento aleatorio de que Messi patee 8 penales
rP
(en condiciones similares), se espera que convierta en
te
promedio 6,4 penales.
as
V( X ) = np(1-p) = 8  0,8  0,2 = 1,28
M
in
 ( x)  V ( X )  1,28  1,1313
ed
at
re

r
to
di
E
F
D
rP
te
as
M
in
ed
Moments
at
re

r
MODELO GEOMÉTRICO
to
di
El experimento aleatorio consiste en repetir los
E
ensayos Bernoullí hasta obtener el 1er éxito. Es decir,
F
lo ensayos son independientes entre sí y la probabilidad
D
de éxito p es constante.
rP
La variable se define como:
te
X: cantidad de pruebas requeridas hasta obtener el
primer éxito.
R X = {1, 2, 3, . . . }
as
M
Decimos que X tiene una distribución Geométrica
in
con parámetro p: X ~ G(p)

ed
at
re

r
MODELO GEOMÉTRICO
to
1
di
función de cuantía E( X ) 
E
p
p ( x )  1  p 
x1
F
p si x : 1, 2,  1 p
D
V (X )  2
p
rP
te
as
M
in
ed
at
función de probabilidad acumulada

re

Ejemplo
r
to
di
Consideremos el experimento aleatorio de hacer que
E
Messi patee penales hasta que convierta el primer
gol. Recordemos que la probabilidad de convertir un
F
D
penal es p=0,8.
rP
¿Se verifican las condiciones del modelo geométrico?
te
ensayos
as ensayos
M
dicotómicos independientes
probabilidad
in
de éxito
conocida y
ed
cte
at
re

r
to
Se verifican las condiciones del experimento
di
geométrico. En este caso, la variable de interés es
E
el número de ensayos independientes hasta obtener
F
el 1er éxito, es decir:
D
X: cantidad de penales pateados hasta obtener el
rP
primer gol.
te
R X = {1, 2, 3,. . } X ~ G (p =0,8)
as
La función de cuantía del modelo Geométrico es:
M
p ( x)  1  p 
x1
p si x : 1, 2, 
in
x 1
ed
En este caso resulta: p ( x)  0,2 0,8

at
re

r
to
di
E
F
p ( x)  0,2 x10,8 si x : 1, 2,
D
rP
te
as
a) ¿Cuál es la probabilidad de que el primer gol ocurra en el
M
primer penal?
p(1)= P(X=1) = 0,8 0,20 = 0,8
in
b) ¿Cuál es la probabilidad de que el primer gol ocurra en el

ed
tercer penal?
at
P(3)=P(X=3) = 0,8 0,23-1 = 0.032

re

r
a) Cuál es la probabilidad de que el primer gol ocurra
to
en el primer penal?
di
E
p (1) = P(X=1) = 0,8 0,20 = 0,8
F
D
rP
te
as
M
in
ed
at
re

r
b) Cuál es la probabilidad de que el primer gol ocurra
to
en el tercer penal?
di
E
p (3) = P(X=3) = 0,8 0,23-1 = 0,032
F
D
rP
te
as
M
in
ed
at
re

r
Gráfica de la función de probabilidad acumulada:
to
diagrama escalonado.
di
E
F
D
rP
te
as
M
in
ed
at
re

r
1 1
to
c) Calcule e interprete E(X) E( X ) = = = 1,25
di
p 0.8
E
Interpretación: Si se repite infinitas veces el
F
experimento aleatorio de que Messi patee penales (en
D
condiciones similares) hasta convertir el 1er gol, se
rP
espera que en promedio necesite patear 1,25 penales.
te
as
M
in
ed
Moments
at
re

r
to
MODELO POISSON
di
Baron Siméon Denis Poisson ; 21 June 1781 – 25 April
E
1840) was a French mathematician and physicist who
F
worked on statistics, complex analysis, partial differential
D
equations, the calculus of variations, analytical mechanics,
rP
electricity and magnetism, thermodynamics, elasticity, and
fluid mechanics.
te
as
https://en.wikipedia.org/wiki/Sim%C3%A9on_Denis_Poisson
M
in
ed
at
re

r
to
MODELO POISSON
di
Hay una gran cantidad de fenómenos en los cuales los
E
eventos de interés, suceden en forma aleatoria con una
F
cierta tasa de ocurrencia, sobre un intervalo continuo (
D
rP
puede ser de tiempo, de superficie, de volumen, etc.).
Ejemplos
te
 cantidad de partículas emitidas por una fuente
as
radiactiva en cierto tiempo.
M
 cantidad de transacciones que llegan a un servidor
in
en cierto tiempo.
ed
Sea un experimento aleatorio denominado proceso de

at
Poisson que satisface los siguientes supuestos:

re

r
to
Proceso de Poisson
di
1. El proceso que genera los eventos es
E
homogéneo, entonces,  la tasa o intensidad de
F
ocurrencias por unidad de tiempo, longitud, etc.
D
rP
es constante.
2. La cantidad de eventos ocurridos en un intervalo
te
es independiente del n° de eventos ocurridos en
as
otro intervalo (excluyente al primero).
M
in
ed
3. La probabilidad de dos eventos simultáneos es

at
nula.
re

r
to
Consecuencias de los supuestos
di
 Como en el proceso de Poisson la tasa de
E
ocurrencias por u nidad de tiem po, superficie,
F
etc., es constante:
D
rP
El promedio de ocurrencias por intervalo es
te
proporcional a la longitud t del intervalo.
as
M
in
unidad de tiempo, longitud, etc.
t =unidad =tasa de ocurrencias
ed
at
duplico t ’=promedio de ocurrencias = 2 

re

r
to
Modelo de Poisson
di
Definamos la variable
E
X : cantidad de eventos ocurridos en una unidad de
F
tiempo, distancia, etc.
D
rP
RX = {0, 1, . . . }
Decimos que X tiene una distribución Poisson con
te
as
parámetro  M X ~ Po ( )
La variable de Poisson tiene la siguiente función de
cuantía:
in

e  x
ed
p( x)  si x : 0,1,
x!
at
re

r
to
En el modelo Poisson la esperanza y la variancia
di
son iguales:
E
E(X ) = V (X ) = 
F
Ejemplo
D
rP
Un servidor de bases de datos atiende consultas que
son generadas por un proceso homogéneo cuya tasa
te
de ocurrencias es constante con una media de 6
as
consultas por minuto e independiente de la cantidad
M
de consultas ocurridas en cualquier otro minuto.
in
ed
at
re

r
Solución
to
di
En esta situación tenemos que considerar:
E
 Se cuentan los eventos que ocurren en una
F
magnitud continua, es decir, se cuenta la cantidad
D
de consultas al servidor en un minuto.
rP
 El proceso que genera los eventos (consultas) es
te
homogéneo y las produce con una tasa de
as
ocurrencias constante.
M
 La cantidad de consultas que ocurren en un
minuto cualquiera es independiente de la cantidad
in
de consultas en otro minuto.

ed
 Supondremos que no pueden llegar dos consultas

at
en forma simultánea al servidor.

re

r
to
Teniendo en cuenta lo anterior estamos ante un
di
proceso de Poisson y podemos definir:
E
F
X : cantidad de consultas al servidor por minuto.
D
rP
R X : {0,1,2,3, … }
te
X~Po(  = 6)
as
M

e  x
e 6 6 x
in
p( x)  si x : 0,1,  p( x)  x : 0,1,
x! x!
ed
at
re

r
a. ¿Cuál es la probabilidad de que haya 4 consultas
to
al servidor en un minuto dado?
di
E
6 x 6 4
e 6 e 6
p( x)  p (4)   0,1338
F
x : 0,1,
4!
D
x!
rP
te
as
M
in
ed
at
re

r
to
b. ¿Cuál es la probabilidad de que haya más de 7
di
consultas en un minuto dado?. Interprete E ( X ).
E
F
P(más de 7 consultas) = P ( X >7) = 1-P(X≤7)=1-F(7)
D
rP
F(7) = P(X ≤ 7)= P(X=0)+P(X=1)+…+P(X=7) =0,7439
te
P(más de 7 consultas) = P ( X >7) = 1-0,7439 = 0,256
as
M
P(X  8)= 0,256
in
ed
at
re

r
to
c. Interprete E ( X ).
di
E(X ) = V (X ) = 
E
F
E(X) = 6 Si se repite el experimento aleatorio una
D
rP
cantidad muy grande de veces y en cada vez se
registra la cantidad de consultas al servidor por
te
minuto, en promedio resultarán 6 consultas por
as
minuto. M
in
ed
at
re

r
to
d. ¿Cuál es la probabilidad de que no haya ninguna
di
consulta en 15 segundos?
E
Defino X’ : cantidad de consultas en 15 segundos.
F
D
El proceso que genera los eventos es un proceso de
rP
Poisson con tasa de ocurrencias constante =6
consultas/min.
te
El promedio de ocurrencias es proporcional a la
as
longitud del intervalo, luego para un intervalo de 15
M
segundos.
in
1 min
=6
ed
15 seg
at
= 1,5
re

r
to
X’ : cantidad de consultas en 15 segundos.
di
El nuevo promedio de ocurrencias es:
E
’ = /4 = 6/4 = 1,5 consultas en 15 segundos.
F
D
X’ ~ Po(’ = 1,5) R X’ : {0,1,2,3,…}
rP
1, 5 0
e 1,5
P(ninguna consulta) = p (0)   0,2231
te
0!
as
M
in
ed
at
re

r
to
e. ¿Cuál es la probabilidad de que haya 3 o menos
di
consultas en 15 segundos?
E
P ( X ’ ≤ 3)= F(3)=P(X’=0)+P(X’=1)+P(X’=2)+P(X’=3)
F
D
rP
te
as
M
in
ed
at
re

r
La gráfica de la función de probabilidad acumulada es el
to
siguiente diagrama escalonado.
di
E
F
D
rP
te
as
M
in
ed
at
re

Teoria 4 Modelos Discretos

Cargado por

Información del documento

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

Teoria 4 Modelos Discretos

Cargado por

Copyright:

Formatos disponibles

r

PROF. LUIS ARENAS - DEPARTAMENTO DE ESTADÍSTICA - UNCO 214

representación adecuada del comportamiento

distintos modelos para representar fenómenos

PROF. LUIS ARENAS - DEPARTAMENTO DE ESTADÍSTICA - UNCO 215

principalmente estadística y probabilidad. Hizo importantes

contribuciones en hidrodinámica y elasticidad.

PROF. LUIS ARENAS - DEPARTAMENTO DE ESTADÍSTICA - UNCO 216

sea aquella cualidad en que estamos interesados y

• La probabilidad de éxito debe ser conocida P(E)=p

PROF. LUIS ARENAS - DEPARTAMENTO DE ESTADÍSTICA - UNCO 217

La esperanza y la variancia son: E ( X ) = p

PROF. LUIS ARENAS - DEPARTAMENTO DE ESTADÍSTICA - UNCO 218

 Definimos la variable X: cantidad de pozos con

 X tiene una distribución bipuntual con parámetro

PROF. LUIS ARENAS - DEPARTAMENTO DE ESTADÍSTICA - UNCO 219

V ( X ) = p(1-p) V(X)=0,2 0,8= 0,16 

PROF. LUIS ARENAS - DEPARTAMENTO DE ESTADÍSTICA - UNCO 220

PROF. LUIS ARENAS - DEPARTAMENTO DE ESTADÍSTICA - UNCO 221

EFFF o FEFF o FFEF o FFFE

PROF. LUIS ARENAS - DEPARTAMENTO DE ESTADÍSTICA - UNCO 222

PROF. LUIS ARENAS - DEPARTAMENTO DE ESTADÍSTICA - UNCO 223

X ~ B(6 ; 0,25) X ~ B(6 ; 0,75)

PROF. LUIS ARENAS - DEPARTAMENTO DE ESTADÍSTICA - UNCO 224

PROF. LUIS ARENAS - DEPARTAMENTO DE ESTADÍSTICA - UNCO 225

PROF. LUIS ARENAS - DEPARTAMENTO DE ESTADÍSTICA - UNCO 226

PROF. LUIS ARENAS - DEPARTAMENTO DE ESTADÍSTICA - UNCO 227

c. Supongamos que a Messi en la próxima temporada le

PROF. LUIS ARENAS - DEPARTAMENTO DE ESTADÍSTICA - UNCO 228

En esas condiciones se satisfacen los supuestos del

modelo binomial y lo podemos usar para conocer las

PROF. LUIS ARENAS - DEPARTAMENTO DE ESTADÍSTICA - UNCO 229

PROF. LUIS ARENAS - DEPARTAMENTO DE ESTADÍSTICA - UNCO 230

PROF. LUIS ARENAS - DEPARTAMENTO DE ESTADÍSTICA - UNCO 231

PROF. LUIS ARENAS - DEPARTAMENTO DE ESTADÍSTICA - UNCO 232

PROF. LUIS ARENAS - DEPARTAMENTO DE ESTADÍSTICA - UNCO 233

PROF. LUIS ARENAS - DEPARTAMENTO DE ESTADÍSTICA - UNCO 234

PROF. LUIS ARENAS - DEPARTAMENTO DE ESTADÍSTICA - UNCO 235

PROF. LUIS ARENAS - DEPARTAMENTO DE ESTADÍSTICA - UNCO 236

PROF. LUIS ARENAS - DEPARTAMENTO DE ESTADÍSTICA - UNCO 237

PROF. LUIS ARENAS - DEPARTAMENTO DE ESTADÍSTICA - UNCO 238

PROF. LUIS ARENAS - DEPARTAMENTO DE ESTADÍSTICA - UNCO 239

PROF. LUIS ARENAS - DEPARTAMENTO DE ESTADÍSTICA - UNCO 240

con parámetro p: X ~ G(p)

PROF. LUIS ARENAS - DEPARTAMENTO DE ESTADÍSTICA - UNCO 241

función de probabilidad acumulada

PROF. LUIS ARENAS - DEPARTAMENTO DE ESTADÍSTICA - UNCO 242

PROF. LUIS ARENAS - DEPARTAMENTO DE ESTADÍSTICA - UNCO 243

En este caso resulta: p ( x)  0,2 0,8

PROF. LUIS ARENAS - DEPARTAMENTO DE ESTADÍSTICA - UNCO 244

b) ¿Cuál es la probabilidad de que el primer gol ocurra en el

P(3)=P(X=3) = 0,8 0,23-1 = 0.032

PROF. LUIS ARENAS - DEPARTAMENTO DE ESTADÍSTICA - UNCO 245

PROF. LUIS ARENAS - DEPARTAMENTO DE ESTADÍSTICA - UNCO 246

PROF. LUIS ARENAS - DEPARTAMENTO DE ESTADÍSTICA - UNCO 247

PROF. LUIS ARENAS - DEPARTAMENTO DE ESTADÍSTICA - UNCO 248

PROF. LUIS ARENAS - DEPARTAMENTO DE ESTADÍSTICA - UNCO 249

PROF. LUIS ARENAS - DEPARTAMENTO DE ESTADÍSTICA - UNCO 250

Sea un experimento aleatorio denominado proceso de

Poisson que satisface los siguientes supuestos:

PROF. LUIS ARENAS - DEPARTAMENTO DE ESTADÍSTICA - UNCO 251

3. La probabilidad de dos eventos simultáneos es

PROF. LUIS ARENAS - DEPARTAMENTO DE ESTADÍSTICA - UNCO 252

duplico t ’=promedio de ocurrencias = 2 