5.

A) 0.048

B) 0.2375

C) 0,1789

5.9

A) 0.7073

B) 0.4613

C) 0.1484

5.10

A) 0.6294

B) 0.0386

C) 0.7237

5.15

A) 0.0778

B) 0.3370

C) 0.0870

5.16

P1 0.8208

P2 0.84
Marzo 18 de 2019

Distribución Multinomial

Si en un experimento aleatorio con características binomiales, la realización puede tener varios

resultados, se tiene un modelo multinomial.

Proposición: sea un modelo multinomial, su función de probabilidad es:

𝑓(𝑥; 𝑛, 𝑝)
𝑛
𝑓(𝑥1, 𝑥2 , … 𝑥𝑘 ; 𝑛, 𝑝1 , 𝑝2 … 𝑝𝑘 ) = ( ) 𝑝1 𝑥1, , 𝑝2 𝑥2, … 𝑝𝑘 𝑥𝑘,
𝑥1, 𝑥2 , … 𝑥𝑘

Los estudiantes para llegar a la universidad, lo hacen en metro o en moto o en bus o en otro
medio de transporte.

Metro = 0,70 , moto = 0,20 , bus = 0,05 , otro = 0,05

Si se toma una muestra de 80 estudiantes, halle la probabilidad de que 50 lleguen en metro,

de que 15 en moto, 7 en bus, y 8 lo hagan en otro.
80
𝑓(𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , 80, 0.70, 0.20, 0.05, 0.05) = (50 15 7 8
)0.7050 0.2015 0.057 0.058

Distribución Bernoulli

DEF: este modelo cuenta el número de éxitos en una sola realización del experimento
aleatorio.

Observaciones:

1. La distribución binomial es la suma de n ensayos o pruebas de Bernoulli

2. Este modelo tiene un parámetro: P
3. X es una Bernoulli de parámetro p: XNBern(p)
Donde:
X = N° de éxitos en una sola realización del experimento aleatorio.
X = 0, 1

Proposición: XNBern(p)

𝑓(𝑥; 𝑝) = 𝑝 𝑥 (1 − 𝑝)1−𝑥 𝑒𝑛 𝑥 = 0,1

0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Nota: XNb(n,p) es una binomial con n realizaciones, mientras que XNb (1,p) es de una sola
realización.

1) Media 𝑀𝑥 = 𝑝
Varianza 𝐺 2 = 𝑝 (1 − 𝑝)
𝐷𝑒𝑠𝑣𝑖𝑎𝑐𝑖ó𝑛 𝑒𝑠 𝑙𝑎 𝑟𝑎í𝑧 𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎.

En cierta región, la probabilidad de encontrar agua potable es del 85%, para un control se está
interesado en el # de tomas de agua que sean potables. En este modelo binomial, defina un
ensayo de Bernoulli, halle su función de probabilidad y grafíquela, halle su función acumulativa
y grafíquela.

𝑋: 𝐸𝑙 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑡𝑜𝑚𝑎 𝑑𝑒 𝑎𝑔𝑢𝑎 𝑝𝑜𝑡𝑎𝑏𝑙𝑒 𝑒𝑛 𝑢𝑛 𝑠𝑜𝑙𝑜 𝑎𝑛á𝑙𝑖𝑠𝑖𝑠

𝑋 = 0, 1
0.85 0.15, 𝑥 = 0, 1
𝑓(𝑥; 0.85) = {
0, 𝑒. 𝑜. 𝑐.

0, 𝑥<0
𝐹(𝑥; 0.85) = {0.15, 0≤𝑥< 1
1, 𝑥≥1
Ejercicio: en cierta empresa, la probabilidad de encontrar un artículo defectuoso es del 7%.
Para un control, los artículo serán analizados, y se está interesado en el # de artículos malos
extraídos. En este modelo binomial, defina 1 ensayo de Bernoulli, halle su función de
probabilidad y grafíquela, halle su función acumulativa de probabilidad y grafíquela.

Distribución Hipergeométrica

Observaciones:

1. Es un modelo discreto finito

2. Para que una VA se clasifique como hipergeométrica, se requiere que cumpla cuatro
condiciones
i. Los tres primros requisitos son los mismos que la distribución binomial.
ii. Los sucesos son dependientes

Para que los sucesos sean dependientes, la extracción de la muestra se hace con muestreo de
población finita, es decir, sin sustitución o simultáneamente.

La población N se clasifica en dos categorías excluyentes, una de tamaño k y la otra de tamaño

N-k.

K es el número de éxitos en la población-

N-k es el número de fracasos en la población.

Este modelo tiene tres parámetros: N, n, k. XNhpgm(N, n, k)

XNhpgm(N, n, k). X: número de éxitos en n realizaciones del experimento aleatorio. X= 0, 1, 2,

… n).

n-X es el número de fracasos en la muestra, mientras que N-k es el número de fracasos en la

población.

Proposición:
Miércoles, 20 de marzo de 2019

Distribución Hipergeométrica

Proposición: sea X una variable aleatoria XNhiper(N, n, k). Si n  0, entonces XNb (n, p).

Observaciones:

1. El ajuste de una distribución binomial a una hiper se puede hacer si 𝑛 ≤ 0,05𝑁

2. Si la hiper se trabaja como hiper, le da la probabilidad exacta, mientras que la binomial
da una probabilidad aproximada. Pero si el ajuste se puede hacer, la diferencia entre la
probabilidad exacta y la aproximada es despreciable.

Ejemplo: la DIAN recibe un pedido de 20.000 formularios para declaración de renta, de una
litografía cuyos productos defectuosos son el 1%. Si en una muestra de 150 formularios, 1 o
más es defectuoso, se rechaza el pedido. Halle la probabilidad de que el pedido sea
rechazado.

X: número de formularios malos en la muestra

X = 0, 1, 2, 3… 150

XNhiper (20000, 150, 200) entonces

p(rechazar) = p(𝑥 ≥ 1) = 1 − 𝑝(𝑥 < 1) = 1 − 𝑝(𝑥 = 0)

1-F(0) = 1-dhyper(0, 200, 19800, 150) = 0.7798 ó 1-dbinom(0, 150, 0.01) = 0.7785 (aprox.)

Ahora, cuando sucede que X: número de formularios buenos en la muestra

X = 0, 1, 2, 3… 150

XNhiper (20000, 150, 19800) entonces

𝑝(𝑟𝑒𝑐ℎ𝑎𝑧𝑎𝑟) = 𝑝(𝑥 < 150) = 𝑝(𝑥 ≤ 149)

phyper (149, 19800, 200, 150) = 0.7798 ó pbinom (149, 150, 0.99) = 0.7785

Ejercicio 1 (5.31 de la hoja):

X: N° de médicos en la muestra

X = 1, 2, 3

Calcule 𝑝(2 ≤ 𝑥 ≤ 3).

𝑥𝑁ℎ𝑖𝑝𝑒𝑟 (6, 3, 4)
4
N = 6{ 3
2
𝐹(3) − 𝐹(2) + 𝑝(𝑥 = 2)

Ejercicio 2 (5.38 de la hoja):

X: N° de mujeres seleccionadas en la muestra

X = 0, 1 , 2… 10

𝑥𝑁ℎ𝑖𝑝𝑒𝑟 (150, 10, 30)

 30
𝑁 = 150 { 10
120
𝑝(𝑥 ≥ 3) = 1 − 𝑝(𝑥 < 3) = 1 − 𝑝(𝑥 ≤ 2)
Ejercicio 3 (5.39 de la hoja):

X: N° de familias a favor en la muestra

X = 0, 1, 2… 10

𝑥𝑁ℎ𝑖𝑝𝑒𝑟 (1200, 10, 600)

600
𝑁 = 1200 { 10
600
𝑝(𝑥 ≥ 3) = 1 − 𝑝(𝑥 < 3) = 1 − 𝑝(𝑥 ≤ 2)

También se puede hacer con binomial.

Ejercicio 4 (5.40 de la hoja):

X: número de residentes a favor en la muestra

X = 0, 1, 2, 3…15

𝑥𝑁ℎ𝑖𝑝𝑒𝑟 (10000, 15, 6000)

6000
𝑁 = 10000 { 15
4000
Ejercicio 5: un almacén recibe un pedido de 30.000 recibos de ventas de una tipografía cuyos
productos defectuosos son el 1%. Si en una muestra de 200 formularios, más de 1 es defectuoso,
se rechaza el pedido. Sea X el N° de formularios malos en la muestra, halle la probabilidad exacta
y aproximada de rechazar el pedido. Halle la probabilidad exacta y aproximada de aceptar el
pedido.

Sea X el N° de formularios buenos en la muestra, halle la probabilidad exacta y aproximada de

rechazar el pedido. Halle la probabilidad exacta y aproximada de aceptar el pedido.

Respuesta ejercicios de la hoja:

5.32

A. 1/6
B. 29/30

5.34

A. 10/21

5.35

A. 0.9517

5.36

A. 77/115

B. 3/25