Professional Documents
Culture Documents
(real)
(real)
Dominio
Funcin de probabilidad(fp)
Funcin de distribucin(cdf)
Media
Moda
Varianza
Coeficiente de simetra
Curtosis
Funcin generadora de
momentos(mgf)
Funcin caracterstica
Propiedades[editar]
Su funcin de probabilidad es
para enteros x mayores o iguales que k, donde
.
Su media es
si se piensa en el nmero de fracasos nicamente y
si se cuentan tambin los k-1 xitos.
Su varianza es
en ambos casos.
Ejemplos[editar]
Si la probabilidad de que un nio expuesto a una enfermedad contagiosa la contraiga es 0,40,
Cul es la probabilidad de que el dcimo nio expuesto a la enfermedad sea el tercero en
contraerla? En este caso, X es el nmero de nios expuestos la enfermedad y
La solucin es:
En un proceso de manufactura se sabe que un promedio de 1 en cada 10 productos es
defectuoso, cual es la probabilidad que el quinto (5) artculo examinado sea el primero (1) en
estar defectuoso?. La solucin es: X= artculos defectuosos P= 1/10 = 0,1 q= 1- 0,1 = 0,9 x= 5
ensayos K= 1 f_b(5;1,0.1)=(5-1\1-1)(0.1)^1*(0.9)^5-1= b*(5;1,0.1)= 6.6% de probabilidad que
el quinto elemento extrado sea el primero en estar defectuoso.
Enlaces externos[editar]
resultados favorables (por vez primera) .Es por tanto de gran utilidad para
aquellos muestreos que procedan de esta manera. Si el nmero de
resultados favorables buscados fuera 1 estaramos en el caso de la
distribucin geomtrica . Est implicada tambin la existencia de una
dicotoma de resultados posibles en cada prueba y la independencia de
cada prueba o ensayo, o la reposicin de los individuos muestreados.
Proceso experimental del que puede hacerse derivar
Esta distribucin o modelo puede hacerse derivar de un proceso
experimental puro o de Bernouilli en el que se presenten las siguientes
condiciones
El proceso consta de un nmero no definido de pruebas separadas o
separables . El proceso concluir cuando se obtenga un determinado
nmero de resultados favorables K
Cada prueba puede dar dos resultados posibles mutuamente
excluyentes A y no A
La probabilidad de obtener un resultado A en cada una de las
pruebas es p siendo la probabilidad de no A , q . Lo que nos lleva a
que p+q=1
Las probabilidades p y q son constantes en todas las pruebas. Todas
las pruebas son independientes. Si se trata de un experimento de
extraccin ste se llevar cabo con devolucin del individuo extrado, a no
ser que se trate de una poblacin en la que el nmero de individuos tenga
de carcter infinito.
(Derivacin de la distribucin) Si, en estas circunstancias
aleatorizamos de forma que la variable aleatoria x sea "el nmero de
pruebas necesarias para conseguir K xitos o resultados A " ; entonces
la variable aleatoria x seguir una distribucin binomial negativa con
parmetros p y k
ser entonces
La variable aleatoria x podr tomar slo valores superiores a
k
El suceso del que se trata podra verse como:
o lo que es lo mismo
dado que las pruebas son independientes y conocemos que P(A)= p y P(no
A)= q
variable
sera la siguiente
Como en el
caso de la geomtrica ,
algunos autores
aleatorizan de distinta
manera el mismo
proceso . As X sera el
nmero de fracasos (k)
necesarios antes de
conseguir el r-simo xito
. En este caso el nmero de pruebas sera k + r ( lo que nosotros hemos
llamado x) y r lo que nosotros hemos denominado k.
Para este tipo de aleatorizacin la funcin
de cuanta sera:
Las probabilidades p y q son constantes en todas las pruebas. Todas las pruebas son
independientes. Si se trata de un experimento de extraccin ste se llevar cabo con devolucin
del individuo extrado, a no ser que se trate de una poblacin en la que el nmero de individuos
tenga de carcter infinito.
FORMULA
RESOLVIENDO EL PROBLEMA
Este tipo de distribucin es muy sencilla ya que tienes los datos muy claros en los
problemas. An as, si sigues teniendo dudas te invito a checar el link que viene abajo.
Ah encontrars ms problemas con el procedimiento dado.
BINOMIAL NEGATIVO
DISTRIBUCION BINOMIAL NEGATIVA
La tabla siguiente expresa la diferencia entre una variable aleatoria binomial y una
variable aleatoria binomial negativa. En este sentido, la variable aleatoria binomial
negativa se considera como el opuesto, o el negativo, de una variable aleatoria
binomial.
Suponga otra vez el caso del jugador de ftbol del ejemplo Cul es la
Probabilidad de que el quinto tiro que lanza sea precisamente su tercer gol?
Sea X el nmero de tiros libres hechos por un futbolista para obtener tres goles.
Observe que X es una variable aleatoria binomial negativa con p = 0.7 y r = 3.
En una caja hay 8 canicas rojas, 10 verdes, 5 negras, si extraemos 6 canicas rojas al azar
Calcular probabilidad de que ya hayan salido 2 canicas verdes ?
p = 8 / 13 = 0.347826
q = 15 / 23 = 0.6521739
k=6
x=2
Donde:
P(Y=k) = probabilidad de que ocurran r xitos en k ensayos y que el
ltimo de ellos que es el r-simo, ocurra en el k-simo ensayo que es el
ltimo.
r = nmero de xitos
k = nmero de ensayos para obtener r xitos
p = p(xito) = p(aparezca guila)
q = p(fracaso) = p(aparezca sello) = 1-p
Ejemplos:
1. S la probabilidad de que un cierto dispositivo de medicin muestre
una desviacin excesiva es de 0.05, cul es la probabilidad de que; a) el
sexto de estos dispositivos de medicin sometidos a prueba sea el tercero
en mostrar una desviacin excesiva?, b) el sptimo de estos dispositivos
p(Y = 6) =
b) k = 7 dispositivos de medicin
r = 4 dispositivos que no muestran una desviacin excesiva
p = p(dispositivo no muestre una desviacin excesiva) = 0.95
q = p(dispositivo muestre una desviacin excesiva) = 0.05
p(Y = 7) =
p(Y = 6) =
b) k = 8 pozos
r = 3 pozos que requieren reparaciones en un ao
p = p(pozo requiera reparaciones en un ao) = 0.20
q = p(pozo no requiera reparaciones en un ao) = 0.80
p(Y = 8) =