Binomial Negativa
-
Upload
alejandro-gutierrez-valverde -
Category
Documents
-
view
124 -
download
3
description
Transcript of Binomial Negativa
![Page 1: Binomial Negativa](https://reader034.fdocuments.net/reader034/viewer/2022050720/563db8f8550346aa9a98b67e/html5/thumbnails/1.jpg)
1
Introduccion al Tema 7
Tema 6. Variables aleatorias unidimensionalesDistribucion.
Caracterısticas: media, varianza, etc.
Transformaciones.
V.A. de uso frecuente
Tema 7. Modelos probabilısticos discretosUniforme discreta.Bernoulli, binomial, geometrica y binomial negativa.HipergeometricaPoisson.
Tema 8. Modelos probabilısticos continuos
Introduccion a la Estadıstica Andres M. Alonso
![Page 2: Binomial Negativa](https://reader034.fdocuments.net/reader034/viewer/2022050720/563db8f8550346aa9a98b67e/html5/thumbnails/2.jpg)
2
Tema 7. Modelos probabilısticos discretos
Los contenidos a desarrollar en este tema son los siguientes:
La distribucion uniforme discreta.
Ensayos de Bernoulli.
Distribuciones binomial, geometrica y binomial negativa.
La distribucion hipergeometrica.
Sucesos raros y la distribucion de Poisson.
Aproximacion a la binomial con p pequeno.
Lecturas recomendadas: Capıtulo 16 del libro de Pena y Romo (1997) y lassecciones 4.5 a 4.7 de Newbold (2001).
Introduccion a la Estadıstica Andres M. Alonso
![Page 3: Binomial Negativa](https://reader034.fdocuments.net/reader034/viewer/2022050720/563db8f8550346aa9a98b67e/html5/thumbnails/3.jpg)
3
Distribucion uniforme discreta
Una variable aleatoria X se dice que tiene una distribucion uniforme discretasobre n puntos {x1, x2, . . . , xn} si su funcion de probabilidad es:
Pr(X = xi) =1n, para todo i ∈ {1, 2, . . . , n}.
Media: E[X] =∑n
i=1 xi Pr(X = xi) = 1n
∑ni=1 xi = x.
Momento de orden p: E[|X|p] = 1n
∑ni=1 |xi|p.
Varianza: V [X] = E[X2]− E2[X] = 1n
∑ni=1 x2
i − x2 = 1n
∑ni=1(xi − x)2.
I Si {x1, x2, . . . , xn} es a su vez una muestra aleatoria, el proceso de tomarmuestras de la variable X es lo que se conoce en la literatura como bootstrap.
I Como vemos, en ese caso, la variable X reproduce las caracterısticas (media,varianza, momentos) de la muestra original.
Introduccion a la Estadıstica Andres M. Alonso
![Page 4: Binomial Negativa](https://reader034.fdocuments.net/reader034/viewer/2022050720/563db8f8550346aa9a98b67e/html5/thumbnails/4.jpg)
4
Distribucion uniforme discreta - Ejemplo
Ejemplo 1. Suponga que tiramos una vez un dado no trucado. Defina unavariable aleatoria que modele el resultado de la tirada y diga su funcion demasa, media y varianza.
X = i si en la tirada del dado sale el numero i, con i ∈ {1, 2, 3, 4, 5, 6}.
Pr(X = i) = 1/6, es decir, todos los resultados son igualmente probables.
E[X] = 1+2+3+4+5+66 = 3,5.
V [X] = 12+22+32+42+52+62
6 −3,52 ≈ 2,9167.
Introduccion a la Estadıstica Andres M. Alonso
![Page 5: Binomial Negativa](https://reader034.fdocuments.net/reader034/viewer/2022050720/563db8f8550346aa9a98b67e/html5/thumbnails/5.jpg)
5
El modelo de Bernoulli
Supongamos que hacemos un experimento simple de lanzar una vez unamoneda sesgada con p = Pr(cruz).
Definimos una variable X como
X ={
1 si sale cruz0 si sale cara
es decir que X = el numero de cruces.
En este caso, se dice que X tiene una distribucion de Bernoulli conparametro ppp.
Una variable con solo dos posibles resultados (cruz / cara, exito / fracaso, . . .)donde se da un valor de 1 en caso de cruz (exito) y 0 en caso de cara (fracaso)tiene una distribucion de Bernoulli. El experimento se llama un ensayo deBernoulli.
Introduccion a la Estadıstica Andres M. Alonso
![Page 6: Binomial Negativa](https://reader034.fdocuments.net/reader034/viewer/2022050720/563db8f8550346aa9a98b67e/html5/thumbnails/6.jpg)
6
Media y varianza de una variable Bernoulli
Sea X una variable Bernoulli con parametro p:
E[X] = p× 1 + (1− p)× 0
= p
E[X2
]= p× 12 + (1− p)× 02
= p
V [X] = E[X2
]− E[X]2
= p− p2
= p(1− p)
DT [X] =√
p(1− p)
Introduccion a la Estadıstica Andres M. Alonso
![Page 7: Binomial Negativa](https://reader034.fdocuments.net/reader034/viewer/2022050720/563db8f8550346aa9a98b67e/html5/thumbnails/7.jpg)
7
Ejemplo 2. Se sabe que una maquina produce un 3% de piezas defectuosas.Elegimos una pieza al azar para comprobar si no presenta defectos.
¿Como se distribuye la variable X que vale 1 si la pieza no es defectuosa y 0si es defectuosa?
¿Cuales son su media y su varianza?
X sigue una distribucion Bernoulli con parametro 0,97.
Su media y varianza son
E[X] = ,97
V [X] = ,97× ,03
= ,0291
Ejemplo tomado de Pe~na y Romo (1997).
Introduccion a la Estadıstica Andres M. Alonso
![Page 8: Binomial Negativa](https://reader034.fdocuments.net/reader034/viewer/2022050720/563db8f8550346aa9a98b67e/html5/thumbnails/8.jpg)
8
Distribucion binomial
Supongamos ahora que se repite un ensayo de Bernoulli n veces de formaindependiente. Por ejemplo, se tira n veces una moneda con p = Pr(cruz), yque se quiere la distribucion de X = el numero de cruces. Esta distribucion sellama la distribucion binomial con parametros n y p.
Definicion 1. Una variable X tiene distribucion binomial con parametrosnnn y ppp si
Pr(X = x) =(
nx
)px(1− p)n−x
para x = 0, 1, . . . , n donde
(nx
)= n!
x!(n−x)!. En este caso, se escribe
X ∼ B(n, p).
Por tanto, la distribucion Bernoulli es el caso especial X ∼ B(1, p).
Introduccion a la Estadıstica Andres M. Alonso
![Page 9: Binomial Negativa](https://reader034.fdocuments.net/reader034/viewer/2022050720/563db8f8550346aa9a98b67e/html5/thumbnails/9.jpg)
9
Ejemplo 3. La probabilidad de que Ronaldo marque un gol de penalti es 0,8.
¿Cual es la distribucion del numero de goles que marca en los siguientes 6
penaltis? Supuestos
X ∼ B(6, 0,8)
¿Cual es la probabilidad de que marque todos los 6 penaltis?
Pr(X = 6) =(
66
)0,86(1− 0,8)6−6 ≈ ,262
¿Y la probabilidad de que falle por lo menos uno?
Pr(X < 6) = 1− Pr(X = 6) = ,738
Introduccion a la Estadıstica Andres M. Alonso
![Page 10: Binomial Negativa](https://reader034.fdocuments.net/reader034/viewer/2022050720/563db8f8550346aa9a98b67e/html5/thumbnails/10.jpg)
10
Ejemplo 4. Volviendo al Ejemplo 2, supongamos que se eligen 10 piezas alazar. Si X es el numero de piezas defectuosas, ¿cual es la distribucion de X?
X ∼ B(10, 0,03)
Igualmente, si Y es el numero de piezas buenas,
Y ∼ B(10, 0,97)
¿Cual es la probabilidad de que se encuentre por lo menos una pieza defectuosa?
Pr(X ≥ 1) = 1− Pr(X = 0)
= 1−(
100
)0,030(1− 0,03)10−0
≈ ,263
Introduccion a la Estadıstica Andres M. Alonso
![Page 11: Binomial Negativa](https://reader034.fdocuments.net/reader034/viewer/2022050720/563db8f8550346aa9a98b67e/html5/thumbnails/11.jpg)
11
Media y varianza de una variable binomial
Teorema 1. Sea X ∼ B(n, p). Entonces,
E[X] = np
V [X] = np(1− p)
DT [X] =√
np(1− p)
Demostracion Propiedades de E[·] y V [·]
Escribimos X = X1 +X2 + . . .+Xn donde cada Xi es un ensayo de Bernoulli.
E[X] = E[X1 + X2 + . . . + Xn]
= E[X1] + . . . + E[Xn] = p + . . . + p = np
V [X] = V [X1 + X2 + . . . + Xn]
= V [X1] + . . . + V [Xn] = np(1− p).
Introduccion a la Estadıstica Andres M. Alonso
![Page 12: Binomial Negativa](https://reader034.fdocuments.net/reader034/viewer/2022050720/563db8f8550346aa9a98b67e/html5/thumbnails/12.jpg)
12
Ejemplo 5. Volvemos a con el ejemplo de Ronaldo.
El numero medio de goles en 6 penaltis es
E[X] = 6× 0,8 = 4,8
La desviacion tıpica es
DT [X] =√
6× 0,8× 0,2 ≈ 0,98.
Ejemplo 6. El numero medio de piezas defectuosas en una muestra de 10 es
10× 0,03 = 0,3
La desviacion tıpica es √10× 0,03× 0,97 ≈ 0,54.
Introduccion a la Estadıstica Andres M. Alonso
![Page 13: Binomial Negativa](https://reader034.fdocuments.net/reader034/viewer/2022050720/563db8f8550346aa9a98b67e/html5/thumbnails/13.jpg)
13
Uso de tablas de la distribucion binomial
Calcular directamente probabilidades binomiales a traves de la formula puedeser trabajoso. Mas facil es usar tablas de la distribucion binomial.
En Pena y Romo (1997), se proporcionan tablas de las probabilidades de kexitos en una distribucion binomial con n ensayos y probabilidad p de exito:
Ejemplo 7. Sea X ∼ B(15, 0,2). Hallar Pr(X = 3) y Pr(X ≤ 3).
Pr(X = 3) = 0,2501
Pr(X ≤ 3) =∑3
x=0Pr(X = x)
= ,0352 + ,1319 + ,2309 + ,2501
= ,6481
I Estas tablas solo consideran el caso p ≤ 0,5. ¿Que hacemos si p > 0,5?
Introduccion a la Estadıstica Andres M. Alonso
![Page 14: Binomial Negativa](https://reader034.fdocuments.net/reader034/viewer/2022050720/563db8f8550346aa9a98b67e/html5/thumbnails/14.jpg)
14
Distribucion geometrica
Hemos visto que si se tira una moneda (con p = Pr(cruz)) n veces, entoncesel numero de cruces se distribuye como binomial.
Consideramos otro experimento relacionado. Vamos a seguir tirando la monedahasta que veamos la primera cruz ¿Cuantas tiradas necesitamos?
Sea X el numero de tiradas.
Pr(X = 1) = p
Pr(X = 2) = (1− p)p
Pr(X = 3) = (1− p)2p... = ...
Pr(X = x) = (1− p)x−1p
La distribucion de X se llama la distribucion geometrica.
Introduccion a la Estadıstica Andres M. Alonso
![Page 15: Binomial Negativa](https://reader034.fdocuments.net/reader034/viewer/2022050720/563db8f8550346aa9a98b67e/html5/thumbnails/15.jpg)
15
Definicion 2. Una variable X tiene una distribucion geometrica conparametro ppp si
Pr(X = x) = (1− p)x−1p para x = 1, 2, . . .
En este caso, se escribe X ∼ G(p).
Teorema 2. Si X ∼ G(p), entonces
E[X] =1p,
V [X] =1− p
p2y
DT [X] =√
1− p
p2.
Introduccion a la Estadıstica Andres M. Alonso
![Page 16: Binomial Negativa](https://reader034.fdocuments.net/reader034/viewer/2022050720/563db8f8550346aa9a98b67e/html5/thumbnails/16.jpg)
16
Ejemplo 8. Volvemos al Ejemplo 3. Supongamos que Ronaldo esta ensayandotiros de penalti y que dejara de ensayar cuando marque por primera vez.
¿Cual es la probabilidad de que Ronaldo marque por primera vez en su quintopenalti?
Sea X el numero de penaltis que necesita para marcar su primer gol, suponemosque X ∼ G(0,8).
Pr(X = 5) = 0,24 × 0,8 = ,00128
¿Cual es el numero esperado de penaltis que necesita para marcar?
La esperanza de X es 1/0,8 = 1,2 penaltis.
Se ira pronto a casa ...
Introduccion a la Estadıstica Andres M. Alonso
![Page 17: Binomial Negativa](https://reader034.fdocuments.net/reader034/viewer/2022050720/563db8f8550346aa9a98b67e/html5/thumbnails/17.jpg)
17
Ejemplo 9. En el Ejemplo 2, supongamos que se inspeccionaran piezas hastaencontrar la primera pieza defectuosa. ¿Cual es la probabilidad de que senecesiten inspeccionar 4 o menos piezas para encontrar la primera piezadefectuosa?
Sea Y el numero de inspecciones necesarias, suponemos que Y ∼ G(0,03).
Pr(Y ≤ 4) =4∑
y=1
Pr(Y = y)
=4∑
y=1
0,97y × 0,03
≈ 0,115
¿Cual es el numero esperado de inspecciones necesarias?
El numero esperado de inspecciones necesarias es 1/0,03 = 33.3.
Introduccion a la Estadıstica Andres M. Alonso
![Page 18: Binomial Negativa](https://reader034.fdocuments.net/reader034/viewer/2022050720/563db8f8550346aa9a98b67e/html5/thumbnails/18.jpg)
18
Ejemplo 10. (Junio de 2003) Andres y Pedro se plantean el siguiente juego:se lanza al aire un dado equilibrado con seis caras numeradas de uno a seis. Seconsidera que el jugador gana cuando el resultado del dado es cuatro o seis, yrecibe diez euros. En otro caso, no recibe nada. Cada apuesta (un lanzamiento)es de cinco euros.
1) Si Andres juega en cinco ocasiones, ¿cual es la probabilidad de que aciertea lo sumo una vez?
2) ¿Cual es el numero medio de aciertos en esas cinco ocasiones?
3) Pedro jugara tantas veces como sea necesario hasta conseguir acertar unavez. Calcular la probabilidad de que tenga que jugar al menos tres veces.Obtener el numero medio de veces que tiene que jugar para conseguir suobjetivo.
4) ¿Cual sera el beneficio medio obtenido por cada jugador?
Introduccion a la Estadıstica Andres M. Alonso
![Page 19: Binomial Negativa](https://reader034.fdocuments.net/reader034/viewer/2022050720/563db8f8550346aa9a98b67e/html5/thumbnails/19.jpg)
19
1) Sea X el numero de aciertos de Andres.
X ∼ B
(5,
13
)Pr(X = 1) =
(51
) (13
)1 (23
)4
=80243
≈ 0,329.
2) El numero medio de aciertos es 5× 13 ≈ 1,67.
3) Sea Y el numero de jugadas necesarios.
Y ∼ G(1/3)
Pr(Y ≥ 3) = 1− Pr(Y < 3) = 1− {Pr(Y = 1) + Pr(Y = 2)}
= 1−{
13
+23× 1
3
}=
49
= 0,44
El numero medio de jugadas necesarias es 11/3 = 3.
Introduccion a la Estadıstica Andres M. Alonso
![Page 20: Binomial Negativa](https://reader034.fdocuments.net/reader034/viewer/2022050720/563db8f8550346aa9a98b67e/html5/thumbnails/20.jpg)
20
4) El beneficio medio de Andres serıa
E[10X] − 5× 5 = 10× 53− 25 = −25
3
es decir que en promedio, Andres pierde 8,33 euros.
El beneficio medio de Pedro es
10− E[5Y ] = 10 − 5× 3 = −5
y entonces, en promedio, Pedro pierde 5 euros.
I La estrategia de Pedro es mejor, en promedio, que la de Andres.
Introduccion a la Estadıstica Andres M. Alonso
![Page 21: Binomial Negativa](https://reader034.fdocuments.net/reader034/viewer/2022050720/563db8f8550346aa9a98b67e/html5/thumbnails/21.jpg)
21
Distribucion binomial negativa
Hemos visto que si se tira n veces una moneda con p = Pr(cruz), entonces elnumero de cruces se distribuye como una binomial.
Consideramos otro experimento relacionado. Vamos a seguir tirando la monedahasta que obtengamos exactamente n cruces. ¿Cuantas caras (fallos) seobservan?
Sea X el numero de fallos. Para que X = x se necesita que:
En las primeras x + n− 1 tiradas haya exactamente n− 1 exitos.
La n-esima tirada sea un exito.
La variable X sigue una distribucion binomial negativa.
Introduccion a la Estadıstica Andres M. Alonso
![Page 22: Binomial Negativa](https://reader034.fdocuments.net/reader034/viewer/2022050720/563db8f8550346aa9a98b67e/html5/thumbnails/22.jpg)
22
Definicion 3. Una variable X tiene una distribucion binomial negativa conparametros ppp y nnn si
Pr(X = x) =(
n + x− 1n− 1
)pn(1− p)x para x = 0, 1, 2, . . .
En este caso, se escribe X ∼ BN(p, n).
Teorema 3. Si X ∼ BN(p, n), entonces
E[X] =n(1− p)
p,
V [X] =n(1− p)
p2y
DT [X] =
√n(1− p)
p2.
Introduccion a la Estadıstica Andres M. Alonso
![Page 23: Binomial Negativa](https://reader034.fdocuments.net/reader034/viewer/2022050720/563db8f8550346aa9a98b67e/html5/thumbnails/23.jpg)
23
Ejemplo 11. Volvemos al Ejemplo 3. Supongamos que Ronaldo esta ensayan-do tiros de penalti y que dejara de ensayar cuando marque 20 veces. ¿Cual esel numero esperado de tiros que fallara antes de irse a casa?
Sea X es el numero de fallos, suponemos que X ∼ BN(0,8, 20). La esperanzade X es 20(1− 0,8)
0,81/0,8 = 5 penaltis.
¿Cual es la probabilidad de que Ronaldo tire exactamente 25 veces?
Pr(X = 5) =(
20 + 5− 120− 1
)0,820(1− 0,8)5 = 0,1568.
¿Cual es la probabilidad de que falle mas de 5 veces?
Pr(X > 5) = 1− Pr(X ≤ 5) = 1−∑5
x=0Pr(X = x) ≈ 0,6167
Excel: NEGBINOMDIST(num fracasos;num exitos;prob exito)
Introduccion a la Estadıstica Andres M. Alonso
![Page 24: Binomial Negativa](https://reader034.fdocuments.net/reader034/viewer/2022050720/563db8f8550346aa9a98b67e/html5/thumbnails/24.jpg)
24
Distribucion hipergeometrica
Supongamos que tenemos una poblacion de N individuos, D poseen unacaracterıstica dada (por ejemplo, estan empleados) y N −D no la poseen(desempleados).
Consideremos el experimento de obtener una muestra simultanea de nindividuos.
Equivalentemente, podemos ir extrayendo la muestra uno a uno hastatener los n individuos pero no “devolvemos” los individuos a la poblacion:Muestreo sin reemplazamiento.
Denotamos por X el numero de individuos que poseen la caracterıstica deinteres en la muestra de n.
La variable X sigue una distribucion hipergeometrica.
Introduccion a la Estadıstica Andres M. Alonso
![Page 25: Binomial Negativa](https://reader034.fdocuments.net/reader034/viewer/2022050720/563db8f8550346aa9a98b67e/html5/thumbnails/25.jpg)
25
Definicion 4. Una variable X tiene una distribucion hipergeometrica conparametros NNN , DDD y nnn si
Pr(X = x) =
(Dx
) (N −Dn− x
)(
Nn
) ,
con max(0, n−N + D) ≤ x ≤ mın(D,n).
Teorema 4. Si X ∼ HG(N,D, n), entonces
E[X] =Dn
N, y V [X] =
D(N −D)n(N − n)N2(N − 1)
.
I Si llamamos p = DN , entonces E[X] = np y V [X] = np(1− p)N−n
N−1
I ¿Que nos recuerda el lımite N →∞ de E[X] y V [X]?
I ¿Que distribucion aproxima a la HG(N,D, n) cuando N →∞ y D/N → p?
Introduccion a la Estadıstica Andres M. Alonso
![Page 26: Binomial Negativa](https://reader034.fdocuments.net/reader034/viewer/2022050720/563db8f8550346aa9a98b67e/html5/thumbnails/26.jpg)
26
Ejemplo 12. En estudio sobre la relacion entre el nivel de estudio y paro, serealiza una encuesta de 100 personas (sin reemplazamiento) en una comunidadcon 10000 personas en edad laboral y una tasa de paro del 5%. Sea X elnumero de personas encuestadas que estan en paro.
a) Proponga una distribucion para X y diga su funcion de masa, media yvarianza.
b) Calcule la probabilidad de obtener exactamente 5 personas en paro.
a) X ∼ HG(10000, 500, 100) cuya media es 5 y la varianza es 4,7030
b)
Pr(X = 5) =
(5005
) (950095
)(
10000100
) = 0,1809.
Si, “incorrectamente” hubiesemos utilizado una B(n = 100, p = 0,05) losresultados habrıan sido: Media = 5, Varianza = 4.7500, Pr(X = 5) = 0,1800.
Introduccion a la Estadıstica Andres M. Alonso
![Page 27: Binomial Negativa](https://reader034.fdocuments.net/reader034/viewer/2022050720/563db8f8550346aa9a98b67e/html5/thumbnails/27.jpg)
27
Sucesos raros y la distribucion de Poisson
La distribucion del numero de “sucesos raros” (llamadas de telefono, emisionesde partıculas radioactivos, accidentes de trafico, numero de erratas) que ocurrenen un periodo fijo del tiempo (una hora, un segundo, un ano, una pagina) esla llamada distribucion Poisson.
Definicion 5. Una variable X tiene distribucion Poisson con parametro λλλsi
Pr(X = x) =λxe−λ
x!para x = 0, 1, 2, . . .
En este caso, se escribe X ∼ Poisson(λ).
Teorema 5. Si X ∼ Poisson(λ), entonces
E[X] = λ, V [X] = λ y DT [X] =√
λ.
Introduccion a la Estadıstica Andres M. Alonso
![Page 28: Binomial Negativa](https://reader034.fdocuments.net/reader034/viewer/2022050720/563db8f8550346aa9a98b67e/html5/thumbnails/28.jpg)
28
Ejemplo 13. El numero medio de erratas por transparencia es 0,2. ¿Cual esla probabilidad de que en una transparencia no haya erratas?
Sea X el numero de erratas. Supondremos que X ∼ Poisson(0,2)
Pr(X = 0) =0,20e−0,2
0!= e−0,2 ≈ 0,8187
¿Y la probabilidad de que haya 2 o mas erratas?
Pr(X ≥ 2) = 1− Pr(X < 2)
= 1− Pr(X = 0)− Pr(X = 1)
= 1−(
0,20e−0,2
0!+
0,21e−0,2
1!
)≈ 1− (0,8187 + 0,1637) = 0,0176.
Introduccion a la Estadıstica Andres M. Alonso
![Page 29: Binomial Negativa](https://reader034.fdocuments.net/reader034/viewer/2022050720/563db8f8550346aa9a98b67e/html5/thumbnails/29.jpg)
29
Teorema 6. Si X ∼ Pr(λ) es el numero de sucesos raros en una unidad detiempo e Y representa el numero de sucesos raros en un tiempo t, entonces
Y ∼ Pr(tλ).
Ejemplo 14. En promedio, hay 50 incendios serios cada ano en una localidad
a) ¿Cual es la probabilidad de que no haya ningun incendio manana?
El numero medio de incendios serios al t = ano es 50.
El numero medio de incendios serios en un dıa es 50365 ≈ 0,137, y si suponemos
que el numero de incendios es Poisson(0,137) tenemos que la probabilidad decero incendios manana es
0,1370e−0,137
0!≈ 0,872.
b) Dada la suposicion anterior, ¿cual es la distribucion del numero de incendiosen un ano?
Poisson(365× 0,137) = Poisson(50).
Introduccion a la Estadıstica Andres M. Alonso
![Page 30: Binomial Negativa](https://reader034.fdocuments.net/reader034/viewer/2022050720/563db8f8550346aa9a98b67e/html5/thumbnails/30.jpg)
30
Ejemplo 15. Volvemos al Ejemplo 13. Este tema tiene 40 transparencias
¿Cual es el numero medio de erratas en el tema?
Sea Y el numero de erratas en el tema. Si X ∼ Poisson(0,2), entoncesY ∼ Poisson(40× 0,2) y E[Y ] = 8.
¿Cual es la probabilidad de que el tema contengan por lo menos una errata?
Pr(Y > 0) = 1− Pr(Y = 0)
= 1− 80e−8
0!≈ 1− 0,00034 = 0,99966
Ejercicio importante: Detectarla(s) antes del examen.
Introduccion a la Estadıstica Andres M. Alonso
![Page 31: Binomial Negativa](https://reader034.fdocuments.net/reader034/viewer/2022050720/563db8f8550346aa9a98b67e/html5/thumbnails/31.jpg)
31
Tablas de la distribucion Poisson
Igual que con la distribucion binomial, en el libro de Pena y Romo (1997) haytablas de la distribucion Poisson para varios valores de λ.
Ejemplo 16. Si X ∼ Poisson(3). Hallar Pr(X = 2) y Pr(X ≥ 2).
Pr(X = 2) = 0,2240
Pr(X ≥ 2) = 1− Pr(X < 2)
= 1− Pr(X = 0)− Pr(X = 1)
= 1− 0,0498− 0,1494
= 0,8008
Excel: POISSON(x;media;acumulado)
Introduccion a la Estadıstica Andres M. Alonso
![Page 32: Binomial Negativa](https://reader034.fdocuments.net/reader034/viewer/2022050720/563db8f8550346aa9a98b67e/html5/thumbnails/32.jpg)
32
Aproximacion de la distribucion binomial mediante ladistribucion Poisson
Sea X ∼ B(n, p) donde p es pequena y n es grande. Llamemos λ = np,
Pr(X = x) =(
nx
)px(1− p)n−x =
n!(n− x)!x!
(λ
n
)x (1− λ
n
)n−x
=n(n− 1) . . . (n− x + 1)
nx
λx
x!
(1− λ
n
)n−x
=n
n
(n− 1)n
. . .(n− x + 1)
n
λx
x!
(1− λ
n
)n−x
≈ λx
x!e−λ.
El resultado implica que para n grande (n > 50) y p pequeno, (p < 0,1) en-tonces se pueden aproximar probabilidades binomiales a traves de la distribucionPoisson.
Introduccion a la Estadıstica Andres M. Alonso
![Page 33: Binomial Negativa](https://reader034.fdocuments.net/reader034/viewer/2022050720/563db8f8550346aa9a98b67e/html5/thumbnails/33.jpg)
33
Aproximacion de la distribucion binomial mediante ladistribucion Poisson
0 10 20 30 40 5010
-150
10-100
10-50
100
0 50 100 150 200
10-300
10-250
10-200
10-150
10-100
10-50
100
B(100, 1/100)B(200, 1/200)B(300, 1/200)B(400, 1/400)B(500, 1/500)B(600, 1/600)B(700, 1/700)B(800, 1/800)B(900, 1/900)B(1000, 1/1000)Poisson(1)
B(50, 0.01)P(0.5)B(50, 0.02)P(1.0)B(50, 0.03)P(1.5)B(50, 0.04)P(2.0)B(50, 0.05)P(2.5)B(50, 0.06)P(3.0)B(50, 0.07)P(3.5)B(50, 0.08)P(4.0)B(50, 0.09)P(4.5)B(50, 0.10)P(5.0)
Introduccion a la Estadıstica Andres M. Alonso
![Page 34: Binomial Negativa](https://reader034.fdocuments.net/reader034/viewer/2022050720/563db8f8550346aa9a98b67e/html5/thumbnails/34.jpg)
34
Ejemplo 17. Sea X ∼ B(100, 0,05). Estimar Pr(X ≤ 3).
E[X] = 100× 0,05 = 5
Aproximando y usando las tablas de la distribucion Poisson, se tiene
Pr(X ≤ 3) =3∑
x=0
Pr(X = x)
≈ 0,0067 + 0,0337 + 0,0842 + 0,1404
= 0,2650
La solucion exacta usando la distribucion binomial es 0,2578, la diferencia es0,0072.
Excel: POISSON(x;media;acumulado)
DISTR.BINOM(num exito;ensayos;prob exito;acumulado)
Introduccion a la Estadıstica Andres M. Alonso
![Page 35: Binomial Negativa](https://reader034.fdocuments.net/reader034/viewer/2022050720/563db8f8550346aa9a98b67e/html5/thumbnails/35.jpg)
35
Recapitulacion
Tema 7. Modelos probabilısticos discretos
Ensayos de Bernoulli.Distribuciones binomial,geometrica y binomial nega-tiva.
W V.A. Bernoulli y asociadas.
Distribucion hipergeometrica.W Muestreo en poblaciones
finitas.
Distribucion de Poisson.
Aproximacion a la binomial con ppequeno.
W Modelo para contarsucesos poco frecuentes
Introduccion a la Estadıstica Andres M. Alonso
![Page 36: Binomial Negativa](https://reader034.fdocuments.net/reader034/viewer/2022050720/563db8f8550346aa9a98b67e/html5/thumbnails/36.jpg)
36
Tema 7. Variables aleatorias unidimensionalesDistribucion.
Caracterısticas: media, varianza, etc.
Transformaciones.
V.A. de uso frecuente
Tema 7. Modelos probabilısticos discretos XBernoulli, binomial, hipergeometrica, Poisson, etcetera.
Tema 8. Modelos probabilısticos continuos
Uniforme, exponencial, Pareto, Normal, etcetera.
Introduccion a la Estadıstica Andres M. Alonso