Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Suponga que lanzamos una moneda corriente tres veces y definimos X:=“Número
de caras en los tres lanzamientos”. Calcule P (X = 0), P (X = 1), P (X = 2) y
P (X = 3).
Recuerde que en tres lanzamientos de una moneda hay 8 posibles resultados.
(+, +, +) → X = 0,
1
Notas de Clase - Estadı́stica Aplicada I (Applied Statistics I ) (ESMA3101)
Distribución de Probabilidad
Siguiendo con el ejemplo anterior, los valores que toma la variable aleatoria X y sus respec-
tivas probabilidad se suelen presentar en una tabla, la cual llamaremos la distribución de
probabilidad de X.
Note que en la tabla anterior, las probabilidades son números entre 0 y 1, y la suma de
todas las probabilidades de la tabla suman 1.
Suponga que lanzamos dos dados corrientes y definimos X:=“Suma de los resulta-
dos”. Halle la distribución de probabilidad de X.
Distribución Binomial
Ejemplo: Resultados de Prueba Corta
Figure 1: Diagrama de árbol para la prueba corta con cuatro preguntas (W=Incorrecta,
C=Correcta).
3
1 2 2 2 1 2
P (X = 1) = 4 · · · · = 4 = 0.395,
3 3 3 3 3 3
2 2
1 1 2 2 1 2
P (X = 2) = 6 · · · · = 6 = 0.296,
3 3 3 3 3 3
3 1
1 1 1 2 1 2
P (X = 3) = 4 · · · · = 4 = 0.099,
3 3 3 3 3 3
4
1 1 1 1 1
P (X = 4) = 1 · · · · = = 0.012.
3 3 3 3 3
Una gráfica de los valores de X con sus respectivas probabilidades se muestra a continuación.
0.5
0.4
Probabilidad: P(X=x)
0.3
0.2
0.1
0.0
0 1 2 3 4
Experimento Binomial
3. P (éxito) = p y P (fracaso) = 1 − p = q.
1. B
2.
3.
4.
Ahora suponga que queremos calcular la probabilidad de obtener tres caras en el lanza-
miento de las seis monedas. Una forma de obtener la respuesta a esta pregunta es listando
los posibles resultados del experimento, contando cuántos casos resultan en dos caras y
diviendo por el número total de resultados. Sin embargo, en este caso hay 64 posibles resul-
tados. Por lo tanto, enumerar todos los posibles casos y contarlos es tedioso.
Vamos a ver una forma de calcular probabilidades cuando tenemos un experimento bino-
mial usando una función de probabilidad.
donde
n n!
= , B
x (n − x)!x!
y
n! = 1 · 2 · 3 · n.
n
El término x se lee “n combinado x” y representa las diferentes formas de elegir
x elementos de un total de n posibles, cuando el orden no importa. De otro lado,
la expresión n! se lee “n factorial” . Este término indica las diferentes formas de
permutar n objetos diferentes.
Los cálculos anteriores se pueden hacer rápidamente en R/RStudio usando las funciones
choose() y dbinom().
[1] 20
[1] 0.3125
El gerente de Pueblo afirma que ningún cartón de 12 huevos de los que vende en
el supermercado contiene más de un huevo dañado. Si el cliente compra un cartón
y hay más de un huevo dañado entonces el cliente recibe un cartón de reemplazo.
Si la probabilidad de encontrar un huevo dañado es 0.05, ¿cuál es la probabilidad
que el gerente tenga que reemplazar un cartón de huevos?
Una variable aleatoria que se puede modelar con un experimento con n ensayos
independientes y probabilidad de éxito p tiene media y desviación estándar dadas
por las siguientes fórmulas:
Media = µX = np, B
p
Desviación Estándar = σX = np(1 − p).
Según las estadı́sticas de PR, apróximadamente 51.85% de los nacimientos son mu-
jeres. Si una muestra de 100 nacimientos en PR son aleatoriamente seleccionados,
responda:
§
1. ¿Cuál es el número esperado de mujeres?.
Distribución Poisson
Distribución Poisson
Una variable aleatoria discreta X que toma valores X = 0, 1, 2, . . . se dice que sigue
una distribución Poisson con parámetro µ si
µx e−µ
P (X = x) = , x = 0, 1, . . .
x!
El parámetro µ generalmente consiste del número de eventos en un intervalo de
tiempo fijo. Por ejemplo, número de clientes que llegan al supermercado en una
hora, número de llamadas telefónicas que ingresan a una oficina en 10 minutos, B
etc.
E(X) = V ar(X) = µ.
0.5
0.4
Probabilidad: P(X=x)
0.3
0.2
0.1
0.0
0 1 2 3 4 5
X=Número de Eventos
0.050 e−0.05
P (X ≥ 1) = 1 − P (X = 0) = 1 − = 1 − e−0.05 = 0.048.
0!
Por lo tanto, la probabilidad de que ocurra al menos un accidente aéreo en las
siguientes 100 millones de millas es igual a 0.048. En este ejemplo, uno puede
calcular que el número esperado de accidentes fatales después de 2,000 millones de
millas es igual a 2, 000 ∗ 0.05 = 1.
Recursos Adicionales
• Secciones 6.1-6.3 del libro de texto.