Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
DOCENTE:COSME CORREA
FECHA : 25/08/17
FUNCIÓN GENERADORA DE MOMENTOS
DISTRIBUCION MULTINOMIAL
En teoría de probabilidad, la distribución multinomial es una generalización de
la distribución binomial.
La distribución binomial es la probabilidad de un número de éxitos en N sucesos de Bernoulli
independientes, con la misma probabilidad de éxito en cada suceso. En una distribución
multinomial, el análogo a la distribución de Bernoulli es la distribución categórica, donde
cada suceso concluye en únicamente un resultado de un número finito K de los posibles,
con probabilidades
0 en otras casos
PROPIEDADES:
ESPERANZA MATEMÁTICA
ϵ(x)=∑_(i=1)^n 〖xi∙f(xi) 〗
∈(cx)=c∈(x)
∈(x+y)=∈(x)+∈(y)
∈(xy)=∈(x)∈(y)
VARIANZA:
√(x+y)〗^2=〖√x〗^2+ 〖√y〗^2
Sus propiedades:
Ejemplos:
1.Se lanza al aire una moneda cargada 8 veces, de tal manera que la
probabilidad de que aparezca águila es de 2/3, mientras que la
probabilidad de que aparezca sello es de 1/3, Determine la probabilidad
de que en el último lanzamiento aparezca una águila.
- Solución:
SSSSSSSA
Sí denotamos;
x = el número de repeticiones del experimento necesarias para que ocurra
un éxito por primera y única vez = 8 lanzamientos
p = probabilidad de que aparezca una águila = p( éxito) = 2/3
q = probabilidad de que aparezca un sello = p(fracaso) = 1/3
=q*q*q*q*q*q*q*p =
Luego, la fórmula a utilizar cuando se desee calcular probabilidades con esta
distribución sería;
Donde:
p(x) = probabilidad de que ocurra un éxito en el ensayo x por primera y única
vez
p = probabilidad de éxito
q = probabilidad de fracaso
-Solución:
a) x = 6 que el sexto dispositivo de medición probado sea el primero
que muestre una variación excesiva
p = 0.05 =probabilidad de que un dispositivo de medición muestre una
variación excesiva
q = 0.95 =probabilidad de que un dispositivo de medición no muestre
una variación excesiva
p(x = 6) =
p(x = 5) =
-Solución:
p(x = 5) =
DISTRIBUCION BINOMIAL NEGATIVA
En estadística la distribución binomial negativa es una distribución de
probabilidad discreta que incluye a la distribución de Pascal.
PROPIEDADES
Su función de Probabilidad es
Su media es:
μ= k(1-θ)/θ
en ambos casos.
Ejemplos:
La solución es:
b*(10;1,0.4)= (103--11)0.43(1-0.4)10-3=(92)0.43(0.6)7=0.0645
Solución:
a) k = 6 dispositivos de medición
r = 3 dispositivos que muestran desviación excesiva
p = p(dispositivo muestre una desviación excesiva) = 0.05
q = p(dispositivo no muestre una desviación excesiva) = 0.95
p(Y = 6) =
b) k = 7 dispositivos de medición
r = 4 dispositivos que no muestran una desviación excesiva
p = p(dispositivo no muestre una desviación excesiva) = 0.95
q = p(dispositivo muestre una desviación excesiva) = 0.05
p(Y = 7) =
Solución:
a) k = 6 pozos
r = 2 pozos que requieren reparaciones en un año
p = p(pozo requiera reparaciones en un año) = 0.20
q = p(pozo no requiera reparaciones en un año) = 0.80
p(Y = 6) =
b) k = 8 pozos
r = 3 pozos que requieren reparaciones en un año
p = p(pozo requiera reparaciones en un año) = 0.20
q = p(pozo no requiera reparaciones en un año) = 0.80
p(Y = 8) =
LA DISTRIBUCIÓN GAMMA
Este modelo es una generalización del modelo Exponencial ya que, en
ocasiones, se utiliza para modelar variables que describen el tiempo hasta que
se produce p veces un determinado suceso.
1. Su esperanza es pα.
2. Su varianza es pα2
X + Y ~ G(α, p1 + p2).
2. Su esperanza vale:
3. Su varianza vale:
donde Γ(x) representa la función Gamma de Euler definida anteriormente.