Distribución Bernoulli

Distribucion Binomial
R
1 Distribución de Bernoulli
2 Distribución Binomial
3 Gráficos
4 Funciones en R de la distribución binomial
5 Ejemplos
5.1 Ejemplo
5.2 Ejemplo
1 Distribución de Bernoulli
Consideremos un experimento con únicamente dos resultados posibles: éxito y fracaso y supongamos que la probabilidad de éxito es conocida
y denotada por p, P (Exito) = p . A este experimento se le conoce como Prueba de Bernoulli.
Sea la variable aleatoria,
X = n úmero de éxitos obtenidos en una prueba de Bernoulli

Su espacio muestral es S = {0, 1} donde 1 representa un éxito y 0 un fracaso. Se tiene,
Función de probabilidad
p x= 1
P (X = x) = px = {
1−p= q x= 0
Que se puede escribir,
px(1 − p)1−x x ∈ {0, 1}

P (X = x) = px = {
0 x ∉ {0, 1}
Momentos
1. E[X] = 1 ⋅ p + 0 ⋅ (1 − p)
2. V (X) = 1 2 ⋅ p + 0 2 ⋅ (1 − p) = p ⋅ (1 − p) = p ⋅ q
Notación
X ∼ B(p)
Ejemplo 1. Se lanza una moneda y se considera la siguiente v.a.
1 sale cara
X={
0 sale cruz
X es una B( 12 )
2 Distribución Binomial
Supongamos un experimento de Bernoulli que se repite n veces en idénticas condiciones. Sea la variable aleatoria
X = n úmero de exitos obtenidos en una prueba de Bernoulli
Se dice que la variable aleatoria X sigue una distribución binomial de parámetros n y p, X ∼ B(n, p) y su espacio muestral es
S = {0, 1, ⋯ , n} .
Función de probabilidad
⎧ n x n−x
⎪ ( )p (1 − p) x = 0, 1, ⋯ , n
P (X = x) = px = ⎨ x
⎩
⎪
0 Otro caso
Función de distribución
⎧
⎪ 0 x< 0
⎪
⎪ x n
⎪
n−i
F (x) = ⎨ ∑ ( )pi (1 − p ) x = 0, 1, ⋯ , n
i
⎪ i=0
⎪
⎪
⎩
⎪
1 x≥ n
Momentos
E[X] = n ⋅ p
1. E[X] = n ⋅ p
2. V (X) = n ⋅ p ⋅ (1 − p)
Propiedad reproductiva
Si X ∼ B(n, p) e Y ∼ B(m, p) , entonces Z = X + Y verifica que Z ∼ B(n + m, p).
3 Gráficos
Binomial n = 10 , p = 0.5 , X ∼ B(10, 0.5)
*Función de Probabilidad y de Distribución
par(mfrow=c(1,2))
x <- 0:10
n <- 10 # Tamaño
p <- 0.5 # Probabilidad de éxito
plot(x, dbinom(x, size=n, prob=p),
xlab="Número de Éxitos",
ylab="Probabilidad",
main="Función de masa Binomial: n = 10, p = 0.5", cex.main = 0.7,
type="h")
points(x, dbinom(x, size=n, prob=p), pch=16, col='red')
abline(h=0, col="gray")
x <- 0:10
x <- rep(x, rep(2, length(x)))
plot(x[-1], pbinom(x, size=10, prob=0.6)[-length(x)],
xlab="Número de Éxitos",
ylab="Probabilidad acumulada",
main="Función de Distribución Binomial: n = 10, p = 0.5", cex.main = 0.7,
type="l", col='blue')
abline(h=0, col="gray")
par(mfrow=c(1,1))
4 Funciones en R de la distribución binomial

Las funciones en R asociadas de la distribución binomial son:
Nombre de la función Descripción
dbinom(x, size, prob, log = FALSE) Función de masa de probabilidad
pbinom(q, size, prob, lower.tail = TRUE, log.p = FALSE) Función de distribución

qbinom(p, size, prob, lower.tail = TRUE, log.p = FALSE) Función de cuantiles
rbinom(n, size, prob) Función de generación de valores aleatorios
para más información ?dbinom
5 Ejemplos
5.1 Ejemplo
Una línea aérea estima que los pasajeros que compran un billete no se presentan al embarque con una probabilidad de 0.05 . Sabiendo que la
línea ha vendido 80 billetes para un vuelo, ¿cuál es la distribución de la v.a. X = n úmero de pasajeros que no se presentan ?.
La variable aleatoria X ∼ B(80, 0.95) .

Probabilidad que se presenten los 80 pasajeros
80
P (X = x) = ( )0.95 8 0(1 − 0.95 )80−80 = 0.0165
80
En R,
P <- dbinom(x=80,size=80, prob=0.95)

P
## [1] 0.01651537
Probabilidad de que al menos un pasajero no se presente
P (X < 80) = 1 − P (X = 80) = 0.9835

En R,
P <- pbinom(q=79, size=80, prob=0.95)

P
## [1] 0.9834846
5.2 Ejemplo
En un hospital se realizan 10 intervenciones quirúrgicas, de un cierto tipo, mensulamente. Se sabe que una intervención se complica el 20% de
las veces por término medio, y que cuando ello ocurre es preciso disponer de un preparadosumamente costoso de un mes de vida útil. ¿De
qué stock de preparados debe diponer para estar seguros de cubrir todas las complicaciones en el 95% de los meses?
Solución
Sea X = n úmero de complicaciones de entre 10 , entonces X ∼ B(n = 10, p = 0.20) .

Buscamos un número tal que P r(X ≤ M) ≥ 0.95 de forma teórica la solución es sumar
P r(X = 0) + P (X = 1) + ⋯ >= 95
con el menor número de sumandos.
En este caso,
P r(X = 0) + P r(X = 1) + P r(X = 2) + P r(X = 3) = 0.8791 < 0.95

P r(X = 0) + P r(X = 1) + P r(X = 2) + P r(X = 3) + P r(X = 4) = 0.9672 > 0.95
tomamos M =4 y como F (4) = P r(X ≥ 4) = 0.9672065 con un error α = 0.0327935
en R
qbinom(p = 0.95,size = 10, prob = 0.2, lower.tail = TRUE)
## [1] 4

Distribución Bernoulli

Cargado por

Copyright:

Formatos disponibles

Distribución Bernoulli

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Distribución Bernoulli

Cargado por

Copyright:

Formatos disponibles

Distribucion Binomial

Sea la variable aleatoria,

X = n úmero de éxitos obtenidos en una prueba de Bernoulli

px(1 − p)1−x x ∈ {0, 1}

Si X ∼ B(n, p) e Y ∼ B(m, p) , entonces Z = X + Y verifica que Z ∼ B(n + m, p).

4 Funciones en R de la distribución binomial

Nombre de la función Descripción

dbinom(x, size, prob, log = FALSE) Función de masa de probabilidad

pbinom(q, size, prob, lower.tail = TRUE, log.p = FALSE) Función de distribución

rbinom(n, size, prob) Función de generación de valores aleatorios

para más información ?dbinom

La variable aleatoria X ∼ B(80, 0.95) .

P <- dbinom(x=80,size=80, prob=0.95)

Probabilidad de que al menos un pasajero no se presente

P (X < 80) = 1 − P (X = 80) = 0.9835

P <- pbinom(q=79, size=80, prob=0.95)

Sea X = n úmero de complicaciones de entre 10 , entonces X ∼ B(n = 10, p = 0.20) .

P r(X = 0) + P r(X = 1) + P r(X = 2) + P r(X = 3) = 0.8791 < 0.95

qbinom(p = 0.95,size = 10, prob = 0.2, lower.tail = TRUE)

También podría gustarte