Estadistica y Prob 09 PDF

CLASE 09
DISTRIBUCIONES
PROBABILÍSTICAS
DISCRETAS
Ing. William León Velásquez

ING. WILLIAM LEON V.
2
DISTRIBUCIÓN DE PROBABILIDAD BINOMIAL
Un experimento seguirá el modelo
de la distribución Binomial si
tiene las siguientes
características :
 En cada prueba del experimento
sólo son posibles dos resultados:
el suceso A (éxito) y su contrario
Ᾱ(fracaso).
 El resultado obtenido en cada
prueba es independiente de los
resultados obtenidos
anteriormente.

PROBABILIDAD 3
BINOMIAL
Probabilidad del suceso
 La probabilidad del suceso

A es constante, se
representa por p, y no varía
de una prueba a otra.
 La probabilidad de
Ᾱ es 1- p y se representa
por q.
 El experimento consta de un
números n de pruebas.
PROBABILIDAD ING. WILLIAM LEON V.

4
BINOMIAL
Variable aleatoria binomial
Se llama variable aleatoria

binomial a la variable
X que expresa el número
de éxitos obtenidos en
cada prueba del
experimento,

5
BINOMIAL
Variable aleatoria binomial
La variable binomial es una variable

aleatoria discreta, sólo puede tomar
los valores 0, 1, 2, 3, 4, ...,
n suponiendo que se han realizado
n pruebas.
Como se considera todas las
formas posibles de obtener k-
éxitos y (n-k) fracasos se debe
calcular éstas, por combinaciones
(número combinatorio n sobre k).

6
BINOMIAL
DISTRIBUCIÓN
DE PROBABILIDAD BINOMIAL
La distribución Binomial
generalmente se representa
por
B(n,p)
siendo n y p los parámetros
de dicha distribución.
n: numero de ensayos
p: probabilidad de éxito

7
BINOMIAL
Ejemplos
 Lanzar una moneda dos o más

veces para observar el número de
caras.
 Seleccionar dos o más DVD de un

lote que contiene un % de
defectuosos para verificar cuántos
DVD defectuosos contiene la
muestra.

8
BINOMIAL
Función de Cuantía
 La función de cuantía se emplea con variables aleatorias
de tipo discreto y nos informa de la probabilidad de que
la variable aleatoria tome cada uno de los posibles
valores de su campo de variación.
 Se designa como:
 Es la Función de probabilidad de la distribución

Binomial o también denominada función de la
distribución de Bernoulli (para n=1).
Verificándose: 0 ≤ p ≤ 1

9
BINOMIAL
DISTRIBUCIÓN
Probabilidad de obtener k éxitos

10
BINOMIAL
Tablas
Como el cálculo de
estas probabilidades
puede resultar algo
tedioso se han
construido tablas para
algunos valores
de n y p que nos
facilitan el trabajo.

11
BINOMIAL
DISTRIBUCIÓN
C xn p x q n − x si x : 0 , 1 , 2 , ....., n

f ( x) = P( X = x) = 
0 en otro lugar

x : Número de éxitos. x : 0 , 1 , 2 , ... , n

n : Número de ensayos o pruebas.
p : Probabilidad de éxito.
q : Probabilidad de fracaso. q = 1 - p
12
BINOMIAL
Función
de Distribución:
0 si x < 0

f (0) 0 ≤ x <1

f (0) + f (1) 1≤ x < 2

F(x ) = 
f (0) + f (1) + f (2) 2≤x<3

...................... ...........


1 x≥n

13
BINOMIAL
Ejemplo
 En una escuela primaria los
alumnos llegan tarde a menudo.
Cinco alumnos están en el
jardín de niños. La directora
lleva tiempo estudiando el
problema, habiendo llegado a la
conclusión de que hay una
probabilidad de 0.4 de que un
alumno llegue tarde y de que los
alumnos lleguen
independientemente uno de otro
¿Cómo trazamos una distribución binomial de

probabilidad que ilustre las probabilidades de que
0,1,2,3,4 ó 5 estudiantes lleguen tarde
simultáneamente? ING. WILLIAM LEON V.
14
La distribución binomial expresada
en forma gráfica
 Para hacerlo necesitaremos utilizar la fórmula
binomial
donde:
p= 0.4
q= 0.6
n= 5
15
BINOMIAL
en forma gráfica
Se realiza el cálculo de cada valor de R:
Para R= 0 :
P(0) = 5!/ 0!(5-0)! (0.4 )0 (0.6)5
P(0) = 0.07776
Para R= 1 :
P(1) = 5!/ 1!(5-1)! (0.4 )1 (0.6)4
P(1) = 0.2592
16
BINOMIAL
en forma gráfica
Para R=2:
P(2) = 5!/ 2!(5-2)! (0.4 )2 (0.6)3
P(2) = 0.3456
Para R= 3:
P(3) = 5!/ 3!(5-3)! (0.4 )3 (0.6)2
P(3) = 0.2304

17
BINOMIAL
en forma gráfica
Para R= 4 :
P(4) = 5!/ 4!(5-4)! (0.4 )4 (0.6)1
P(4) = 0.0768
Para R= 5:
P(5) = 5!/ 5!(5-5)! (0.4 )5 (0.6)0
P(5) = 0.01024

18
BINOMIAL
en forma gráfica
Representando estos resultados en una gráfica:

19
BINOMIAL
Medidas de tendencia central y de
dispersión para la distribución binomial.
 La distribución binomial tiene un

valor esperado o media ( E[x]) y
una desviación estándar ( σ ) y
por lo tanto se puede calcular
esas dos medidas estadísticas.

20
BINOMIAL
Se puede representar la media de una

distribución binomial de la siguiente forma:
E[x] = n p
donde :
n= número de ensayos.
p= probabilidad de éxitos.

21
BINOMIAL
Y la desviación de la siguiente forma:
V[x] = √ npq
donde :
n= número de ensayos.
p= probabilidad de éxito.
q= probabilidad de fracaso.

22
BINOMIAL
Ejemplo
Una máquina empaquetadora

produce 20% de paquetes
defectuosos.
Si se extrae una muestra
aleatoria de 10 paquetes
Calcular la media y la
desviación estándar de la
distribución binomial de ese
proceso

23
BINOMIAL
Ejemplo
E[x] = np
= 10*0.2
= 2 Media
V[x] = √ npq
= √ (10) (0.2) (0.8)
= √ 1.6
= 1.265 Desviación estándar.

24
BINOMIAL
TABLA DE LA DISTRIBUCIÓN BINOMIAL
USO DE TABLA
Tabla de Términos Individuales:
Tabla de Términos Acumulativos:

25
BINOMIAL
P(x)=x

26
BINOMIAL
P(x)=x

27
BINOMIAL
P(x)=x

28
BINOMIAL
P(x)<=x

29
BINOMIAL
P(x)<=x

30
BINOMIAL
P(x)<=x

31
BINOMIAL
1. Cómo utilizar
la tabla de la distribución Binomial?
Si se lanza al aire una moneda
trucada.
Con esta moneda la probabilidad de
obtener cara es del 30%. La
probabilidad que salga sello, es del
70%.
Si se lanza la moneda 10 veces de
manera consecutiva.
Se quiera calcular la probabilidad
de que observemos 6 caras o
menos
Nos fijamos en la tabla:
32
BINOMIAL
1. Cómo utilizar
la tabla de la distribución Binomial?
localizamos n=10, x=6, p=0.3 y buscamos la intersección: 0.9894

33
BINOMIAL
2.-¿Y si nos pidieran la probabilidad de que
salieran 7 caras o más?
 Entonces se utiliza el hecho
de que el suceso descrito es
el complementario del
anterior para afirmar que la
probabilidad buscada es
1-0.9894=0.0106

34
BINOMIAL
salieran exactamente 6 caras?
 Tendríamos que calcular la

probabilidad de obtener 6
caras o menos (0.9894) y la
de obtener 5 caras o menos
(0.9527), las restamos y
obtenemos 0.0367.

35
BINOMIAL
salieran exactamente 6 caras?
 Se puede también calcular

36
BINOMIAL
4.-¿ Qué pasa si el suceso sobre el que
queremos calcular tiene una
probabilidad mayor que 0.5?
 Este caso se daría, por ejemplo, si la probabilidad de que

saliera cara fuera del 70%. Entonces, si nos piden la
probabilidad de obtener 4 caras o menos tirando 10
veces la moneda, haríamos lo siguiente.
 Notemos que la probabilidad de obtener 4 caras o menos
será la misma de obtener 6 sellos o más.
 Este suceso es el complementario de obtener 5 sellos o
menos.

37
BINOMIAL
queremos calcular tiene una
probabilidad mayor que 0.5?
Se localiza n=10, x=5, p=0.3

(probabilidad de obtener sello es del
30%) y tomar la intersección, que es
0.9527.
La probabilidad que se pedía será de 1-
0.9527=0.0473

38
BINOMIAL
queremos calcular tiene una probabilidad
mayor que 0.5?

39
BINOMIAL
5.-¿Y si la probabilidad P no aparece en la
tabla?
Se hará una interpolación.

Suponer que X se distribuye como una
binomial con P=0.17; entonces, si se quiere
calcular la probabilidad que X sea menor o
igual que 3 después de 6 tiradas (n=6), tome
la tabla y localice las probabilidades más
cercanas a 0.17, que son 0.15 y 0.2.

40
BINOMIAL
tabla?

41
BINOMIAL
tabla?
 La interpolación se realiza como sigue:

42
BINOMIAL
tabla?
 En estos casos hay dos posibilidades:
 A grosso modo, si el valor de P es muy pequeño,
intentaremos aproximar la variable aleatoria binomial
con la distribución de Poisson, que se explicara mas
adelante
 Si no se puede considerar pequeño, se buscará la
aproximación adoptando la distribución normal .
 En general, el valor de n que se requiere para que la
aproximación sea satisfactoria suele ser bastante
superior a 20.
 Una tercera posibilidad, evidentemente, es recurrir al
cálculo por computador.
43
BINOMIAL
Ejemplos
1.- Un Ingeniero Industrial, planea un
estudio piloto para su disertación doctoral.
Como parte de su estudio, planea enviar
cuestionarios a 20 contadores públicos
seleccionados en forma aleatoria.
Sabe que el índice de respuesta para este
grupo de personas es de 30%, y espera
que al menos once de los cuestionarios
estén completos y le sean regresados.
¿Cuál es la probabilidad de que en realidad
el número de cuestionarios completos que
reciba sea:

44
BINOMIAL
Ejemplos
a) exactamente doce.
n = 20 p = 0,30
P ( x = 12 ) = b ( 12 ; 20 ; 0,30 ) = 0,004

45
BINOMIAL
Ejemplos
b) al menos once.
P ( x ≥ 11 ) = B ( 11; 20 ; 0,30 ) = 0,017

1- P(x<10) = 1-0.9829=0.017 46
BINOMIAL
Ejemplos
c) entre once y quince inclusive.
P ( 11 ≤ x ≤ 15 ) = P (x ≤ 16 ) − P (x ≤ 10 )
= 1,000 − 0,9829
= 0,0171

47
BINOMIAL
Ejemplos
2.-Se envían invitaciones para cenar a los
20 delegados que asisten a una
convención, y se cree que para cada
delegado invitado, la probabilidad de
que acepte es 0,9. Si se asume que
toman la decisión de aceptar la
invitación independientemente,
¿cuál es la probabilidad de que
como mucho 17 delegados acepten
la invitación?

48
BINOMIAL
Ejemplos
n = 20 P ( A ) = 0,90
P ( x ≤ 17 ) = 1 − P ( x ≥ 18 )
[
= 1 − P ( x = 18 ) + P ( x = 19 ) + P ( x = 20 ) ]
= 1 − [ b (18 ; 20 ; 0,90 ) + b (19 ; 20 ; 0,90 ) + b ( 20 ; 20 ; 0,90 ) ]
= 1 − [ b ( 2 ; 20 ; 0,10 ) + b (1 ; 20 ; 0,10 ) + b ( 0 ; 20 ; 0,10 ) ]
= 1 − [ 0,285 + 0,270 + 0,122 ]
= 0,323

49
BINOMIAL
Ejemplos
3.- Suponga que el 5% de cierto
modelo de calculadoras de bolsillo
fallan durante los primeros 60 días
y son regresadas a la tienda para
ser reparadas.
Si una compañía compra 25
calculadoras:

50
BINOMIAL
Ejemplos
a) Aproximadamente, ¿cuántas espera que

fallen en el lapso de 60 días?.
P ( F ) = 0,05 = p n = 25
E ( x ) = n p = 25 x 0,05 = 1,25 = 1

51
BINOMIAL
Ejemplos
b) ¿Cuál es la probabilidad de que ninguna
falle?
 P ( x = 0 ) = b ( 0 ; 25 ; 0,05 ) = 0,277

52
BINOMIAL
Ejemplos
c) Calcular la probabilidad de que fallen tres o

más.
P ( x ≥ 3 ) = B ( 3 ; 25 ; 0,05 )
= 0,127

53
BINOMIAL
Ejemplos
d) Hallar la probabilidad de que como máximo

fallen 4.
P(x≤4) = 1–P(x≥5)
= 1 – 0,007 = 0,993

54
BINOMIAL
Distribucion
es
Multinomial
Ing. William León Velásquez

Distribuciones Multinomial
La distribución
multinomial es similar a
la distribución binomial,
con la diferencia de que
en lugar de dos posibles
resultados en cada
ensayo, puede haber
múltiples resultados:
DISTRIBUCION ING. WILLIAM LEON V.

56
DISCRETA
Ejemplo
Ejemplo de distribución
binomial:
En unas elecciones
estudiantiles se presentaron
2 listas: La 01 obtuvo un 60%
de los votos y la 02 el 40%
restante. ¿Cuál es la
probabilidad de que al elegir 5
estudiantes al azar, 4 de ellos
hallan votado la 02?

57
DISCRETA
Ejemplo de distribución
multinomial:
A unas elecciones
estudiantiles se
presentaron 4 listas: la
01obtuvo un 40% de los
votos, la 02 el 30%, la 03 el
20% y la 04 el 10% restante.
¿Cuál es la probabilidad de
que al elegir 5 estudiantes
al azar, 3 hayan votado la
01, 1 al a la 03 y 1 la 04?
58
DISCRETA
La distribución multinomial sigue el siguiente modelo:
Donde:
X1 = x1: indica que el suceso X1 aparezca x1 veces (en el
ejemplo, que la lista 01lo hayan votado 3 estudiantes)
n: indica el número de veces que se ha repetido el suceso (en el
ejemplo, 5 veces)
n!: es factorial de n (en el ejemplo: 5 * 4 * 3 * 2 * 1)
p1: es la probabilidad del suceso X1 (en el ejemplo, el 40%)
59
DISCRETA
En el ejemplo:
Luego:
P = 0,0256
Es decir, que la probabilidad de que los 5
estudiantes elegidas hayan votado de esta manera
es tan sólo del 2,56%
Nota: 0! es igual a 1, y cualquier número elevado a 0 es

también igual a 1

60
DISCRETA
Otro ejemplo:
 En una fiesta, el 20% de los
asistentes son españoles, el 30%
franceses, el 40% italiano y el
10% portugueses.
 En un pequeño grupo se han
reunido 4 invitados: ¿cual es la
probabilidad de que 2 sean
españoles y 2 italianos?

61
DISCRETA
Aplicamos el modelo:
Luego
P = 0,0384
Por lo tanto, la probabilidad de que el grupo

esté formado por personas de estos países es
tan sólo del 3,84%.

62
DISCRETA
Ejemplo Adicional
Un método de un diagnóstico
tiene 3 resultados posibles:
positivo (P), negativo (N) y dudoso
(D).
Se sabe que, en la población, el
10% de los sujetos son positivos,
el 70% negativos y el resto
dudosos. ¿Qué probabilidad hay
de, en una muestra de 5
individuos, obtener exactamente 1
positivo, 1 negativo y 3 dudosos ?
63
Aplicar el modelo:
5!
p (1,3,1) = 0.1 × 0.7 × 0.2 = 0.0112
1 1 3
1!.3!.1!
Luego
P = 0,0112
Por lo tanto, la probabilidad de que la muestra de

5 individuos esté formado por 1 positivo, i negativo
y 3 dudosos es tan sólo del 1,12%.
64
Distribuciones
Hipergeométrica

65
Distribuciones Hipergeométrica
Son experimentos donde,
al igual que en la
distribución binomial, en
cada ensayo hay tan sólo
dos posibles resultados: o
sale blanca o no sale.
Pero se diferencia de la
distribución binomial en
que los distintos ensayos
son dependientes entre
sí:
66
DISCRETA
Se aplica por ejemplo:

Si en una urna con 5 bolas
blancas y 3 negras en un
primer ensayo saco una bola
blanca, en el segundo ensayo
hay una bola blanca menos por
lo que las probabilidades son
diferentes (hay dependencia
entre los distintos ensayos).

67
DISCRETA
La distribución hipergeométrica sigue el
siguiente modelo:

68
DISCRETA
Donde:

69
DISCRETA
Explicación:
 N: es el número total de bolas en la urna
 N1: es el número total de bolas blancas
 N2: es el número total de bolas negras
 k: es el número de bolas blancas cuya
probabilidad se está calculando
 n: es el número de ensayos que se realiza

70
DISCRETA
Ejemplo 1:
En una urna hay 7 bolas
blancas y 5 negras.
Se sacan 4 bolas
que 3 sean blancas?
Entonces:
N = 12; N1 = 7; N2 = 5;
k = 3; n = 4

71
DISCRETA
Aplicamos el modelo:
Por lo tanto, P (x = 3) = 0,3535.

Es decir, la probabilidad de sacar 3 bolas blancas es del
35,3%.

72
DISCRETA
Este modelo no sólo se utiliza con experimentos con
bolas, sino que también se aplica con experimentos
similares:
Ejemplo 2:
En una fiesta hay 20
personas: 14 casadas y 6
solteras.
Se eligen 3 personas al
azar.
que las 3 sean solteras?
73
DISCRETA
Por lo tanto, P (x = 3) = 0,0175.

Es decir, la probabilidad de que las 3 personas sean
solteras es tan sólo del 1,75%.

74
DISCRETA
Distribuciones
Multihipergeométrica

75
Distribuciones Multihipergeométrica
La distribución multihipergeométrica
es similar a la distribución
hipergeométrica, con la diferencia de
que en la urna, en lugar de haber
únicamente bolas de dos colores, hay
bolas de diferentes colores.

76
DISCRETA
Ejemplo:
En una urna hay 7 bolas

blancas, 3 verdes y 4 amarillas:
¿Cuál es la probabilidad de que
al extraer 3 bolas sea cada una
de un color distinto?

77
DISCRETA
La distribución multihipergeométrica sigue el siguiente modelo:

78
DISCRETA
Donde:
X1 = x1: indica que el suceso X1 aparezca x1 veces
(en el ejemplo, que una de las bolas sea blanca)
N1: indica el número de bolas blancas que hay en
la urna (en el ejemplo, 7 bolas)
N: es el número total de bolas en la urna (en el
ejemplo, 14 bolas)
n: es el número total de bolas que se extraen (en el
ejemplo, 3 bolas)

79
DISCRETA
Reemplazando con los datos del ejemplo:

80
DISCRETA
Luego:
P = 0,2307
Es decir, que la probabilidad de sacar una bola de

cada color es del 23,07%.

81
DISCRETA
Otro ejemplo:
En una caja de lápices hay 10

de color amarillo, 3 de color
azul y 4 de color rojo. Se
extraen 7 lápices,
¿cual es la probabilidad de
que 5 sean amarillos y 2
rojos?

82
DISCRETA
Aplicamos el modelo:

83
DISCRETA
Luego
P = 0,0777
Por lo tanto, la probabilidad de que los 5 lápices

sean de los colores indicados es del 7,77%.

84
DISCRETA
DISTRIBUCIÓN
DE POISSON

85
DISTRIBUCIÓN DE POISSON
Una variable aleatoria X tiene

una distribución de Poisson
cuando el fenómeno se presenta
aleatoria o independientemente
en el tiempo o espacio en el cual
sólo interesa la ocurrencia del
fenómeno un número
determinado de veces y no
interesa la no ocurrencia del
fenómeno.

86
DISCRETA
Ejemplos:
La cantidad de llamadas telefónicas
en un periodo de una hora en cierta
oficina.
El número de accidentes de tránsito
durante un mes.
El número de errores tipográficos
por página en un libro.
El número de fallas de una
computadora durante una semana de
operación.

87
DISCRETA
Función de Cuantía:
 e− λ λ x
 si x : 0 , 1 , 2 , .....
f (x ) = P(X = x ) = x!
0 en otro caso


88
DISCRETA
Valor Esperado: E( x ) = λ
Varianza:
V(x ) = λ
89
DISCRETA
Aplicaciones:
La distribución de Poisson tiene

aplicaciones en Control de Calidad y
muestreo de aceptación.
Además, ciertas distribuciones
continuas importantes utilizadas en
teoría de confiabilidad y teoría de
colas dependen del proceso de
Poisson.

90
DISCRETA
Uso de Tabla:
Lectura directa.
P(x ≤ x ) = F(x )

91
DISCRETA
Ejemplo:
Si el número de defectos en
los rollos de tela de cierta
empresa textil es una
variable aleatoria de Poisson
con una media de 0,1
defectos por metro
cuadrado.

92
DISCRETA
¿Cuál es la probabilidad de :
a) Tener dos defectos en un metro
cuadrado de tela.
0,1 defectos ---- 1 m2

⇒ λ = 0,1
− 0,1 2
e . 0,1
P (x = 2) = = 0, 005
2!

93
DISCRETA
b) Tener un defecto en 10 metros cuadrados de
tela,.
0,1 defectos ---- 1 m2

λ ---- 10 m2
⇒ λ =1
−1 1
e .1
P ( x = 1) = = 0, 368
1!
94
DISCRETA
c) Que no hayan defectos en 20 metros cuadrados de
tela.
λ=2 ⇒ P (x = 0) = 0,135

95
DISCRETA
1.-¿Cómo utilizar la tabla de la
distribución de Poisson?
 Supongamos que X es una variable

aleatoria que sigue la ley de Poisson
con parámetro 0.9.
 Nos piden calcular la probabilidad de
que X sea menor o igual que 3.
Localizamos en la
 tabla λ=0.9, x=3 y tomamos la
intersección:0.987.

96
DISCRETA

97
DISCRETA
2.-¿Y si nos pidieran la probabilidad de que X
fuera mayor que 3?
 En este caso nos tendríamos que fijar en que

este suceso es el complementario del
anterior y que por lo tanto la probabilidad
buscada es de 1-0.987=0.013

98
DISCRETA
fuera exactamente 3?
 Una posibilidad seria calcular la probabilidad

que X fuera menor o igual que 3 (0.987), la
probabilidad que X fuera menor o igual que
2 (0.937) y restarlas, dando 0.05.

99
DISCRETA
fuera exactamente 3?
 Pero la fórmula de la función de

probabilidad nos dará un resultado exacto

100
DISCRETA
4.-¿Qué pasa si el parámetro λ no aparece de forma

exacta en la tabla?
 Suponga que se tiene una variable aleatoria X que
se distribuye según una ley de Poisson con
parámetro λ = 4.65.
 Queremos calcular la probabilidad que X sea
menor o igual que 7. Se toma los dos parámetros
más cercanos a 4.65 que aparecen en la tabla, que
son 4.6 y 4.8.
 Localizar las respectivas probabilidades

101
DISCRETA

102
DISCRETA
5.-¿Cómo se hace para, dado p, calcular el
valor x tal que P(X ≤ x)=p, siendo X una
variable aleatoria Poisson?
 Suponga que X se distribuye como una
Poisson con parámetro λ =12, y nos dan
p=0.772.
 Para calcular la x correspondiente
tomamos la tabla y localizamos λ =12.

103
DISCRETA

104
DISCRETA
 Fijarse que la x correspondiente es 14.
 Si nos dan por ejemplo p=0.72, λ =14.5, entonces

se toma el valor inmediatamente inferior a 0.72
que aparece en la tabla para λ =14.5. En nuestro
caso es 0.711, que corresponde a x=16.
 Note que en este caso no se hace interpolación
lineal ya que la ley Poisson es discreta y por lo
tanto no tiene sentido dar un valor no entero,
como 16.2.

105
DISCRETA
wjleonv@yahoo.com

106

Estadistica y Prob 09 PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Estadistica y Prob 09 PDF

Enviado por

Direitos autorais:

Formatos disponíveis

CLASE 09

Ing. William León Velásquez

ING. WILLIAM LEON V.

 La probabilidad del suceso

PROBABILIDAD ING. WILLIAM LEON V.

Se llama variable aleatoria

PROBABILIDAD ING. WILLIAM LEON V.

La variable binomial es una variable

PROBABILIDAD ING. WILLIAM LEON V.

PROBABILIDAD ING. WILLIAM LEON V.

 Lanzar una moneda dos o más

 Seleccionar dos o más DVD de un

PROBABILIDAD ING. WILLIAM LEON V.

 Es la Función de probabilidad de la distribución

PROBABILIDAD ING. WILLIAM LEON V.

PROBABILIDAD ING. WILLIAM LEON V.

PROBABILIDAD ING. WILLIAM LEON V.

x : Número de éxitos. x : 0 , 1 , 2 , ... , n

PROBABILIDAD ING. WILLIAM LEON V.

¿Cómo trazamos una distribución binomial de

PROBABILIDAD ING. WILLIAM LEON V.

PROBABILIDAD ING. WILLIAM LEON V.

PROBABILIDAD ING. WILLIAM LEON V.

 La distribución binomial tiene un

PROBABILIDAD ING. WILLIAM LEON V.

Se puede representar la media de una

PROBABILIDAD ING. WILLIAM LEON V.

Y la desviación de la siguiente forma:

PROBABILIDAD ING. WILLIAM LEON V.

Una máquina empaquetadora

PROBABILIDAD ING. WILLIAM LEON V.

PROBABILIDAD ING. WILLIAM LEON V.

Tabla de Términos Acumulativos:

PROBABILIDAD ING. WILLIAM LEON V.

PROBABILIDAD ING. WILLIAM LEON V.

PROBABILIDAD ING. WILLIAM LEON V.

PROBABILIDAD ING. WILLIAM LEON V.

PROBABILIDAD ING. WILLIAM LEON V.

PROBABILIDAD ING. WILLIAM LEON V.

PROBABILIDAD ING. WILLIAM LEON V.

PROBABILIDAD ING. WILLIAM LEON V.

PROBABILIDAD ING. WILLIAM LEON V.

 Tendríamos que calcular la

PROBABILIDAD ING. WILLIAM LEON V.

PROBABILIDAD ING. WILLIAM LEON V.

 Este caso se daría, por ejemplo, si la probabilidad de que

PROBABILIDAD ING. WILLIAM LEON V.

Se localiza n=10, x=5, p=0.3

PROBABILIDAD ING. WILLIAM LEON V.

PROBABILIDAD ING. WILLIAM LEON V.

Se hará una interpolación.

PROBABILIDAD ING. WILLIAM LEON V.

PROBABILIDAD ING. WILLIAM LEON V.

 La interpolación se realiza como sigue:

PROBABILIDAD ING. WILLIAM LEON V.

PROBABILIDAD ING. WILLIAM LEON V.

PROBABILIDAD ING. WILLIAM LEON V.

P ( x ≥ 11 ) = B ( 11; 20 ; 0,30 ) = 0,017

PROBABILIDAD ING. WILLIAM LEON V.

PROBABILIDAD ING. WILLIAM LEON V.

PROBABILIDAD ING. WILLIAM LEON V.

PROBABILIDAD ING. WILLIAM LEON V.

PROBABILIDAD ING. WILLIAM LEON V.