Este documento contiene información sobre variables discretas y distribuciones de probabilidad. Explica que una variable discreta solo puede tomar valores separados y define una distribución de probabilidad como una lista de todos los resultados posibles de un experimento junto con su probabilidad. Luego proporciona ejemplos de distribuciones discretas como la binomial y de Poisson.
Este documento describe las distribuciones de probabilidad discreta binomial y de Poisson. La distribución binomial modela experimentos con dos resultados posibles (éxito/fracaso) y probabilidades constantes. La distribución de Poisson modela el número de eventos que ocurren en intervalos de tiempo o espacio, donde la probabilidad de un evento es proporcional al intervalo y los eventos son independientes. Ambas distribuciones tienen propiedades como la media y varianza que pueden usarse para calcular probabilidades.
Este documento describe diferentes pruebas estadísticas como el análisis de varianza (ANOVA) y la prueba Ji-cuadrada. Explica cómo se usa la prueba Ji-cuadrada para probar la bondad del ajuste y la independencia entre variables, y cómo el ANOVA se utiliza para comparar varianzas entre muestras. También cubre tablas de contingencia y los pasos para realizar las pruebas estadísticas.
La distribución binomial describe el número de éxitos en una secuencia de ensayos de Bernoulli independientes con una probabilidad fija p de éxito. La distribución de Poisson describe la probabilidad de que ocurran x eventos en un período de tiempo, área o producto, cuando el número promedio de ocurrencias es l. Ambas distribuciones son importantes en estadística pero la de Poisson es más adecuada para eventos raros con pequeñas probabilidades.
La distribución binomial se utiliza para modelar experimentos con dos posibles resultados, como lanzar una moneda o sacar un número en un dado. Se caracteriza por tener un número fijo de pruebas independientes, cada una con la misma probabilidad de éxito. La función binomial permite calcular la probabilidad de obtener un número específico de éxitos tras realizar múltiples pruebas de Bernoulli.
Este documento presenta diferentes problemas sobre pruebas de hipótesis, incluyendo definiciones de pruebas unilaterales y bilaterales, cómo calcular los valores estadísticos z y t, y cómo establecer regiones de rechazo. Luego, proporciona ejemplos numéricos y sus soluciones sobre temas como comparar medias poblacionales, proporciones y el tiempo que pasan juntos diferentes tipos de parejas.
Este documento resume diferentes tipos de distribuciones de probabilidad, incluyendo distribuciones discretas como la binomial, hipergeométrica, multinominal y de Poisson, y distribuciones continuas como la uniforme, exponencial y normal. Explica cada distribución, cómo se aplica y cómo calcular la probabilidad de diferentes eventos usando cada modelo estadístico.
Este documento presenta 5 ejemplos de distribuciones de probabilidad, incluyendo distribución de Bernoulli, binomial, Poisson y normal. Explica cada distribución con un ejemplo numérico y calcula las probabilidades relevantes usando la herramienta Epidat 3.1. También incluye ejemplos de distribución gamma y cómo calcular probabilidades, tiempos medios y otros valores estadísticos para esta distribución.
Este documento introduce los conceptos básicos de probabilidad y estadística. Explica que la probabilidad estudia fenómenos aleatorios y cómo medir la probabilidad de que ocurran eventos específicos. Define términos clave como espacio muestral, eventos, eventos elementales y operaciones entre eventos. También discute cómo la probabilidad frecuencial se basa en la regularidad estadística y cómo las frecuencias relativas tienden a estabilizarse a medida que aumenta el número de observaciones.
Este documento describe las distribuciones de probabilidad discreta binomial y de Poisson. La distribución binomial modela experimentos con dos resultados posibles (éxito/fracaso) y probabilidades constantes. La distribución de Poisson modela el número de eventos que ocurren en intervalos de tiempo o espacio, donde la probabilidad de un evento es proporcional al intervalo y los eventos son independientes. Ambas distribuciones tienen propiedades como la media y varianza que pueden usarse para calcular probabilidades.
Este documento describe diferentes pruebas estadísticas como el análisis de varianza (ANOVA) y la prueba Ji-cuadrada. Explica cómo se usa la prueba Ji-cuadrada para probar la bondad del ajuste y la independencia entre variables, y cómo el ANOVA se utiliza para comparar varianzas entre muestras. También cubre tablas de contingencia y los pasos para realizar las pruebas estadísticas.
La distribución binomial describe el número de éxitos en una secuencia de ensayos de Bernoulli independientes con una probabilidad fija p de éxito. La distribución de Poisson describe la probabilidad de que ocurran x eventos en un período de tiempo, área o producto, cuando el número promedio de ocurrencias es l. Ambas distribuciones son importantes en estadística pero la de Poisson es más adecuada para eventos raros con pequeñas probabilidades.
La distribución binomial se utiliza para modelar experimentos con dos posibles resultados, como lanzar una moneda o sacar un número en un dado. Se caracteriza por tener un número fijo de pruebas independientes, cada una con la misma probabilidad de éxito. La función binomial permite calcular la probabilidad de obtener un número específico de éxitos tras realizar múltiples pruebas de Bernoulli.
Este documento presenta diferentes problemas sobre pruebas de hipótesis, incluyendo definiciones de pruebas unilaterales y bilaterales, cómo calcular los valores estadísticos z y t, y cómo establecer regiones de rechazo. Luego, proporciona ejemplos numéricos y sus soluciones sobre temas como comparar medias poblacionales, proporciones y el tiempo que pasan juntos diferentes tipos de parejas.
Este documento resume diferentes tipos de distribuciones de probabilidad, incluyendo distribuciones discretas como la binomial, hipergeométrica, multinominal y de Poisson, y distribuciones continuas como la uniforme, exponencial y normal. Explica cada distribución, cómo se aplica y cómo calcular la probabilidad de diferentes eventos usando cada modelo estadístico.
Este documento presenta 5 ejemplos de distribuciones de probabilidad, incluyendo distribución de Bernoulli, binomial, Poisson y normal. Explica cada distribución con un ejemplo numérico y calcula las probabilidades relevantes usando la herramienta Epidat 3.1. También incluye ejemplos de distribución gamma y cómo calcular probabilidades, tiempos medios y otros valores estadísticos para esta distribución.
Este documento introduce los conceptos básicos de probabilidad y estadística. Explica que la probabilidad estudia fenómenos aleatorios y cómo medir la probabilidad de que ocurran eventos específicos. Define términos clave como espacio muestral, eventos, eventos elementales y operaciones entre eventos. También discute cómo la probabilidad frecuencial se basa en la regularidad estadística y cómo las frecuencias relativas tienden a estabilizarse a medida que aumenta el número de observaciones.
El documento resume conceptos básicos de probabilidad condicional y teorema de Bayes. Explica que la probabilidad condicional es la probabilidad de que ocurra un evento B dado que ocurrió un evento A. También describe cómo calcular la probabilidad total de un evento usando la regla de probabilidad total y aplicando el teorema de Bayes a ejemplos numéricos.
La teoría de probabilidades asigna números a los posibles resultados de experimentos aleatorios para cuantificar la probabilidad de que ocurran ciertos sucesos. Un suceso es cada resultado posible y un espacio muestral es el conjunto de todos los resultados posibles. La regla de adición establece cómo calcular la probabilidad de la unión de sucesos y la regla de multiplicación se usa para sucesos condicionados. El teorema de Bayes calcula probabilidades condicionales cuando se conocen las causas y efectos de diferentes resultados.
Ejercicios de distribución binomial, hipergeométrica y de poisson pablo peraz...Stalin Jose Gdz
Este documento presenta varios ejercicios resueltos sobre distribuciones de probabilidad como binomial, hipergeométrica, Poisson y sus aplicaciones. Los ejercicios incluyen calcular probabilidades para eventos como obtener cierto número de éxitos en muestras aleatorias, número de defectos en lotes, y ocurrencia de errores o imperfecciones siguiendo estas distribuciones.
Repaso de teoría de conjuntos
Fenómenos determinísticos vs. fenómenos aleatorios
Definición de probabilidad
Interpretación frecuentista y Bayesiana de la probabilidad
Espacio muestral, eventos
Sigma-álgebra
Medida de probabilidad, definición, propiedades
Axiomas de Kolmogorov
Probabilidad conjunta, marginal, condicional
Eventos independientes
Teorema de las probabilidades totales, teorema de Bayes
Técnicas de conteo: factorial, permutación, combinatoria
Este documento presenta 5 ejercicios que utilizan la distribución de Poisson para calcular probabilidades relacionadas con procesos industriales y de inspección. En cada ejercicio, se da la probabilidad p de un defecto, el número n de artículos inspeccionados, y se pide calcular la probabilidad de que x artículos estén defectuosos. Las soluciones utilizan la función de distribución de Poisson en Excel.
Este documento describe la distribución normal de probabilidad continua, que es una de las distribuciones más importantes en estadística. Explica que la distribución normal describe muchos fenómenos naturales y de medición, y define sus parámetros de media y desviación estándar. Además, proporciona ejemplos y fórmulas para calcular áreas bajo la curva normal y probabilidades asociadas a valores de una variable aleatoria normal.
Este documento explica la distribución binomial, incluyendo su función de probabilidad, características y ejemplos. La distribución binomial cuenta el número de éxitos en una secuencia de ensayos de Bernoulli independientes. Se utiliza para problemas con dos resultados posibles, como lanzar una moneda múltiples veces. El documento también proporciona ejemplos numéricos y resume las propiedades de la distribución binomial.
La probabilidad es una medida numérica de la posibilidad de que ocurra un evento. Existen propiedades como la suma de probabilidades de un suceso y su contrario es 1, y la probabilidad de un suceso imposible es 0. La probabilidad de la unión de sucesos se calcula usando las leyes de probabilidad. Un ejemplo común es la distribución binomial que modela el número de éxitos en ensayos de Bernoulli independientes.
1. El documento presenta 15 ejercicios de probabilidad con sus respectivas soluciones. Los ejercicios involucran conceptos como espacio muestral, eventos, probabilidad simple, condicionada y conjunta al lanzar dados, sacar cartas o extraer bolas de urnas.
2. El último ejercicio calcula la probabilidad de que un dispositivo sea defectuoso considerando la probabilidad independiente de falla de cada uno de sus 3 componentes.
3. Se concluye que la probabilidad de que el dispositivo sea defectuoso es de 12.682
Este documento presenta conceptos básicos de probabilidad. Define probabilidad como la frecuencia relativa de ocurrencia de un evento al repetir un experimento. Explica que un evento es un subconjunto de resultados posibles de un experimento. Describe reglas para calcular la probabilidad de la unión, intersección y complemento de eventos. Finalmente, introduce la noción de probabilidad condicionada como la probabilidad de un evento dado que otro evento ha ocurrido.
Este documento presenta varios problemas estadísticos relacionados con distribuciones t de Student y F de Snedecor. Resume cómo calcular percentiles en estas distribuciones y aplicarlas para determinar si un fabricante cumple con sus afirmaciones sobre la duración promedio de sus focos o la probabilidad de que la longitud promedio de tornillos sea inferior a un valor dado.
En teoría de la probabilidad y estadística, la distribución hipergeométrica es una distribución de probabilidad discreta relacionada con muestreos aleatorios y sin reemplazo. Supongamos se tiene una población.
Este documento explica los conceptos de valor esperado y varianza para variables aleatorias continuas. Define el valor esperado como la integral de la función de densidad de probabilidad, y la varianza como la integral de la diferencia al cuadrado entre el valor y el valor esperado. Presenta ejemplos numéricos y propiedades importantes como que el valor esperado de una suma es la suma de los valores esperados, y que la varianza de una constante es cero. Finalmente, proporciona ejercicios para practicar el cálculo de media y varianza.
El documento presenta una introducción a las ecuaciones diferenciales de segundo orden con coeficientes constantes. Explica que este tipo de ecuaciones pueden ser homogéneas u no homogéneas. Luego, describe el método para encontrar las soluciones generales de las ecuaciones diferenciales de segundo orden homogéneas constantes, el cual involucra hallar las raíces de la ecuación auxiliar asociada. Finalmente, presenta ejemplos para ilustrar cómo aplicar el método.
Este documento resume la distribución normal estándar, incluyendo su historia, definición, propiedades y ejemplos. Explica que la distribución normal surge al considerar un modelo binomial con un número muy grande de ensayos, y fue desarrollada de forma independiente por De Moivre y Gauss. Define una variable aleatoria normal estándar Z como aquella con media 0 y varianza 1, y explica cómo transformar cualquier variable normal a esta forma estándar. Además, presenta ejemplos numéricos para calcular probabilidades usando la distribución normal.
Pruebas para una Media Poblacional: Muestra Grande y Desviación Estándar Pobl...myriam sarango
Este documento describe cómo realizar una prueba de hipótesis para determinar si la media poblacional de un saldo insoluto promedio mensual es mayor que $400 utilizando una muestra grande cuando la desviación estándar poblacional es desconocida. Se establecen las hipótesis nula y alternativa, se calcula el estadístico z, y se compara con el valor crítico para decidir si rechazar o no la hipótesis nula. El análisis de los datos de una muestra de 172 saldos insolutos conduce al rechaz
Este documento presenta un ejemplo de la distribución de Bernoulli. Explica que la probabilidad de obtener un 5 al lanzar un dado es 1/5, mientras que la probabilidad de no obtener un 5 es 4/5. Define la variable aleatoria X para medir el número de veces que sale un 5, que puede ser 0 o 1. Calcula la probabilidad de X = 1 (sale un 5) como 1/5, y la probabilidad de X = 0 (no sale un 5) como 4/5.
Trabajo de ESTADISTICA APLICADA ULADECH III CICLO
La oficina de investigación de mercados S.A., basa sus tarifas en la hipótesis de que las preguntas de una encuesta telefónica se pueden contestar en un tiempo medio de 15 minutos o menos. Si es necesario un mayor tiempo de encuesta, se aplica una tarifa adicional. Suponga que en una muestra de 35 conferencias se obtiene una media de 17 minutos y una desviación estándar de 4 minutos. ¿Se justifica a tarifa adicional?
a) Formule las hipótesis nula y alternativa para esta aplicación
b) Calcule el valor del estadístico de prueba
c) ¿Cuál es el valor de P?
d) Con α = 0.01, ¿cuál es su conclusión?
Un dispensador de gaseosas está diseñado para descargar 7 onzas. Si se selecciona una muestra de 16 vasos para medir su llenado, observando que el promedio es de 5.8 con uns desviación de 1.6 onzas ¿se puede concluir que la máquina no funciona correctamente?
Una distribuidora de gas ofrece a sus clientes el servicio de un máximo de espera de 48 horas. Se toma una muestra de seis hogares que hicieron pedidos y se encontró lo siguiente: 24, 20, 60, 72, 40, 30, ¿se puede creer lo ofrecido por la distribuidora?
Tema calculo de los cuartiles deciles y percentiles - Estadistica Descriptivatutoraamparo
Este documento describe cómo calcular cuartiles, deciles y percentiles utilizando frecuencias acumuladas. Explica que el primer cuartil (Q1) es el valor que supera al 25% de las observaciones, el segundo cuartil o mediana es el valor que supera al 50%, y el tercer cuartil es el valor que supera al 75%. También define deciles y percentiles, e incluye fórmulas y un ejemplo para calcular estos valores estadísticos descriptivos.
Este documento presenta seis distribuciones de probabilidad comunes: distribución de Bernoulli, distribución binomial, distribución de Poisson, distribución gamma, distribución normal y distribución t de Student. Explica brevemente cada distribución y proporciona ejemplos numéricos para ilustrar sus propiedades. También incluye ejercicios de práctica relacionados con cada distribución.
El documento resume conceptos básicos de probabilidad condicional y teorema de Bayes. Explica que la probabilidad condicional es la probabilidad de que ocurra un evento B dado que ocurrió un evento A. También describe cómo calcular la probabilidad total de un evento usando la regla de probabilidad total y aplicando el teorema de Bayes a ejemplos numéricos.
La teoría de probabilidades asigna números a los posibles resultados de experimentos aleatorios para cuantificar la probabilidad de que ocurran ciertos sucesos. Un suceso es cada resultado posible y un espacio muestral es el conjunto de todos los resultados posibles. La regla de adición establece cómo calcular la probabilidad de la unión de sucesos y la regla de multiplicación se usa para sucesos condicionados. El teorema de Bayes calcula probabilidades condicionales cuando se conocen las causas y efectos de diferentes resultados.
Ejercicios de distribución binomial, hipergeométrica y de poisson pablo peraz...Stalin Jose Gdz
Este documento presenta varios ejercicios resueltos sobre distribuciones de probabilidad como binomial, hipergeométrica, Poisson y sus aplicaciones. Los ejercicios incluyen calcular probabilidades para eventos como obtener cierto número de éxitos en muestras aleatorias, número de defectos en lotes, y ocurrencia de errores o imperfecciones siguiendo estas distribuciones.
Repaso de teoría de conjuntos
Fenómenos determinísticos vs. fenómenos aleatorios
Definición de probabilidad
Interpretación frecuentista y Bayesiana de la probabilidad
Espacio muestral, eventos
Sigma-álgebra
Medida de probabilidad, definición, propiedades
Axiomas de Kolmogorov
Probabilidad conjunta, marginal, condicional
Eventos independientes
Teorema de las probabilidades totales, teorema de Bayes
Técnicas de conteo: factorial, permutación, combinatoria
Este documento presenta 5 ejercicios que utilizan la distribución de Poisson para calcular probabilidades relacionadas con procesos industriales y de inspección. En cada ejercicio, se da la probabilidad p de un defecto, el número n de artículos inspeccionados, y se pide calcular la probabilidad de que x artículos estén defectuosos. Las soluciones utilizan la función de distribución de Poisson en Excel.
Este documento describe la distribución normal de probabilidad continua, que es una de las distribuciones más importantes en estadística. Explica que la distribución normal describe muchos fenómenos naturales y de medición, y define sus parámetros de media y desviación estándar. Además, proporciona ejemplos y fórmulas para calcular áreas bajo la curva normal y probabilidades asociadas a valores de una variable aleatoria normal.
Este documento explica la distribución binomial, incluyendo su función de probabilidad, características y ejemplos. La distribución binomial cuenta el número de éxitos en una secuencia de ensayos de Bernoulli independientes. Se utiliza para problemas con dos resultados posibles, como lanzar una moneda múltiples veces. El documento también proporciona ejemplos numéricos y resume las propiedades de la distribución binomial.
La probabilidad es una medida numérica de la posibilidad de que ocurra un evento. Existen propiedades como la suma de probabilidades de un suceso y su contrario es 1, y la probabilidad de un suceso imposible es 0. La probabilidad de la unión de sucesos se calcula usando las leyes de probabilidad. Un ejemplo común es la distribución binomial que modela el número de éxitos en ensayos de Bernoulli independientes.
1. El documento presenta 15 ejercicios de probabilidad con sus respectivas soluciones. Los ejercicios involucran conceptos como espacio muestral, eventos, probabilidad simple, condicionada y conjunta al lanzar dados, sacar cartas o extraer bolas de urnas.
2. El último ejercicio calcula la probabilidad de que un dispositivo sea defectuoso considerando la probabilidad independiente de falla de cada uno de sus 3 componentes.
3. Se concluye que la probabilidad de que el dispositivo sea defectuoso es de 12.682
Este documento presenta conceptos básicos de probabilidad. Define probabilidad como la frecuencia relativa de ocurrencia de un evento al repetir un experimento. Explica que un evento es un subconjunto de resultados posibles de un experimento. Describe reglas para calcular la probabilidad de la unión, intersección y complemento de eventos. Finalmente, introduce la noción de probabilidad condicionada como la probabilidad de un evento dado que otro evento ha ocurrido.
Este documento presenta varios problemas estadísticos relacionados con distribuciones t de Student y F de Snedecor. Resume cómo calcular percentiles en estas distribuciones y aplicarlas para determinar si un fabricante cumple con sus afirmaciones sobre la duración promedio de sus focos o la probabilidad de que la longitud promedio de tornillos sea inferior a un valor dado.
En teoría de la probabilidad y estadística, la distribución hipergeométrica es una distribución de probabilidad discreta relacionada con muestreos aleatorios y sin reemplazo. Supongamos se tiene una población.
Este documento explica los conceptos de valor esperado y varianza para variables aleatorias continuas. Define el valor esperado como la integral de la función de densidad de probabilidad, y la varianza como la integral de la diferencia al cuadrado entre el valor y el valor esperado. Presenta ejemplos numéricos y propiedades importantes como que el valor esperado de una suma es la suma de los valores esperados, y que la varianza de una constante es cero. Finalmente, proporciona ejercicios para practicar el cálculo de media y varianza.
El documento presenta una introducción a las ecuaciones diferenciales de segundo orden con coeficientes constantes. Explica que este tipo de ecuaciones pueden ser homogéneas u no homogéneas. Luego, describe el método para encontrar las soluciones generales de las ecuaciones diferenciales de segundo orden homogéneas constantes, el cual involucra hallar las raíces de la ecuación auxiliar asociada. Finalmente, presenta ejemplos para ilustrar cómo aplicar el método.
Este documento resume la distribución normal estándar, incluyendo su historia, definición, propiedades y ejemplos. Explica que la distribución normal surge al considerar un modelo binomial con un número muy grande de ensayos, y fue desarrollada de forma independiente por De Moivre y Gauss. Define una variable aleatoria normal estándar Z como aquella con media 0 y varianza 1, y explica cómo transformar cualquier variable normal a esta forma estándar. Además, presenta ejemplos numéricos para calcular probabilidades usando la distribución normal.
Pruebas para una Media Poblacional: Muestra Grande y Desviación Estándar Pobl...myriam sarango
Este documento describe cómo realizar una prueba de hipótesis para determinar si la media poblacional de un saldo insoluto promedio mensual es mayor que $400 utilizando una muestra grande cuando la desviación estándar poblacional es desconocida. Se establecen las hipótesis nula y alternativa, se calcula el estadístico z, y se compara con el valor crítico para decidir si rechazar o no la hipótesis nula. El análisis de los datos de una muestra de 172 saldos insolutos conduce al rechaz
Este documento presenta un ejemplo de la distribución de Bernoulli. Explica que la probabilidad de obtener un 5 al lanzar un dado es 1/5, mientras que la probabilidad de no obtener un 5 es 4/5. Define la variable aleatoria X para medir el número de veces que sale un 5, que puede ser 0 o 1. Calcula la probabilidad de X = 1 (sale un 5) como 1/5, y la probabilidad de X = 0 (no sale un 5) como 4/5.
Trabajo de ESTADISTICA APLICADA ULADECH III CICLO
La oficina de investigación de mercados S.A., basa sus tarifas en la hipótesis de que las preguntas de una encuesta telefónica se pueden contestar en un tiempo medio de 15 minutos o menos. Si es necesario un mayor tiempo de encuesta, se aplica una tarifa adicional. Suponga que en una muestra de 35 conferencias se obtiene una media de 17 minutos y una desviación estándar de 4 minutos. ¿Se justifica a tarifa adicional?
a) Formule las hipótesis nula y alternativa para esta aplicación
b) Calcule el valor del estadístico de prueba
c) ¿Cuál es el valor de P?
d) Con α = 0.01, ¿cuál es su conclusión?
Un dispensador de gaseosas está diseñado para descargar 7 onzas. Si se selecciona una muestra de 16 vasos para medir su llenado, observando que el promedio es de 5.8 con uns desviación de 1.6 onzas ¿se puede concluir que la máquina no funciona correctamente?
Una distribuidora de gas ofrece a sus clientes el servicio de un máximo de espera de 48 horas. Se toma una muestra de seis hogares que hicieron pedidos y se encontró lo siguiente: 24, 20, 60, 72, 40, 30, ¿se puede creer lo ofrecido por la distribuidora?
Tema calculo de los cuartiles deciles y percentiles - Estadistica Descriptivatutoraamparo
Este documento describe cómo calcular cuartiles, deciles y percentiles utilizando frecuencias acumuladas. Explica que el primer cuartil (Q1) es el valor que supera al 25% de las observaciones, el segundo cuartil o mediana es el valor que supera al 50%, y el tercer cuartil es el valor que supera al 75%. También define deciles y percentiles, e incluye fórmulas y un ejemplo para calcular estos valores estadísticos descriptivos.
Este documento presenta seis distribuciones de probabilidad comunes: distribución de Bernoulli, distribución binomial, distribución de Poisson, distribución gamma, distribución normal y distribución t de Student. Explica brevemente cada distribución y proporciona ejemplos numéricos para ilustrar sus propiedades. También incluye ejercicios de práctica relacionados con cada distribución.
El documento explica conceptos básicos de estadística como distribución de probabilidad, variables aleatorias, media y varianza. Define una distribución de probabilidad como una lista de todos los resultados posibles de un experimento junto con su probabilidad. Explica que la media es el valor promedio esperado de una variable y se calcula sumando cada resultado multiplicado por su probabilidad. Finalmente, la varianza mide el grado de dispersión en una distribución y se calcula restando la media a cada valor, elevando la diferencia al cuadrado y multiplicando por la probabilidad correspondiente.
Este documento describe diferentes tipos de variables estadísticas, como cualitativas y cuantitativas, discretas y continuas. También describe tipos de estudios estadísticos como descriptivos e inferenciales, y clases de variables como unidimensionales, bidimensionales y pluridimensionales. Por último, explica conceptos como distribución de frecuencia, frecuencias absolutas y relativas, y medidas de forma como concentración, asimetría y curtosis.
Este documento presenta una introducción al proceso de investigación de mercados. Explica que este proceso ayuda a las empresas a tomar mejores decisiones mediante la obtención sistemática de información del mercado. Luego describe algunos métodos comunes de investigación de mercados como encuestas, grupos de enfoque y paneles de consumidores, así como los pasos involucrados en un proyecto de investigación típico.
Este documento describe la investigación de mercados, incluyendo su definición, importancia, tipos, proveedores y características generales. Define la investigación de mercados como el proceso sistemático de recopilación y análisis de información para tomar mejores decisiones de negocios. Explica que la investigación de mercados puede ser básica o aplicada, y que las empresas pueden contratar firmas especializadas o tener sus propios departamentos de investigación.
Medidas de posición, cuartiles, deciles y percentiles, clase mate, 1º, 3er.pe...linaresmejia
Este documento introduce las medidas de posición como cuartiles, deciles y percentiles. Explica cómo calcular estas medidas dividiendo una serie de datos ordenados en partes iguales para determinar los valores correspondientes a diferentes porcentajes de los datos. El objetivo es aplicar estas medidas a conjuntos de datos numéricos reales para interpretarlos.
El Proyecto de investigación. El Planteamiento del problemaCésar Calizaya
Un proyecto de investigación es un procedimiento que siguiendo el método científico recaba todo tipo de información y formula hipótesis acerca de cierto fenómeno social o científico, empleando las diferentes formas de investigación.Los objetivos son el enunciado de los propósitos de la investigación e identifican claramente lo que se pretende lograr este tiene que ir de acuerdo con lo que se quiere al finalizar el proyecto. Se divide en dos: el objetivo general y los objetivos específicos. El objetivo general permite visualizar el propósito global, mientras que los objetivos específicos se refieren a los componentes. Es muy importante tener el objetivo presente en el proyecto.
La formulacion de un problema en un Proyecto de Investigacioncarmencordones2013
Este documento describe los elementos clave de un proyecto de investigación, incluyendo la formulación del problema, los objetivos, la justificación y la planificación. Explica que un problema de investigación debe ser preciso y objetivo, y debe plantearse y formularse claramente. También destaca la importancia de realizar una búsqueda de información preliminar y revisión de literatura para delimitar adecuadamente el problema de estudio.
Distribuciones de probabilidad con ejemplosamy Lopez
Este documento describe varias distribuciones de probabilidad comunes como la distribución de Bernoulli, binomial, Poisson y normal. Explica las características y fórmulas de cada distribución y proporciona ejemplos numéricos para ilustrar su aplicación.
1) El documento describe varias distribuciones discretas como la distribución de Bernouilli, binomial, Poisson y hipergeométrica. 2) Explica que las distribuciones discretas son aquellas donde la variable puede tomar valores numerables y provee ejemplos. 3) Provee detalles sobre cada distribución, incluyendo sus fórmulas y ejemplos numéricos.
1) El documento trata sobre distribuciones discretas como la binomial, Poisson y multivariante. 2) Explica que las distribuciones discretas son aquellas donde la variable puede tomar un número determinado de valores. 3) Detalla los modelos matemáticos de las distribuciones de Bernoulli, binomial, hipergeométrica y Poisson que representan fenómenos discretos.
Este documento resume diferentes tipos de distribuciones discretas en estadística, incluyendo distribuciones de Bernoulli, binomial, Poisson, hipergeométrica, multinomial y multihipergeométrica. Proporciona definiciones, fórmulas y ejemplos para cada distribución.
Este documento describe las principales distribuciones discretas y continuas. Explica la distribución de Bernoulli, binomial, Poisson, hipergeométrica y multinomial, proporcionando ejemplos para ilustrar cada una. También incluye fórmulas matemáticas para calcular las probabilidades en cada distribución.
Este documento presenta 5 ejemplos para ilustrar la aplicación de las distribuciones de Bernoulli, binomial, Poisson y normal. Explica conceptos como probabilidad de éxito, probabilidad de fracaso, variables aleatorias y parámetros asociados a cada distribución. Los ejemplos incluyen lanzar monedas, dados y otros experimentos aleatorios para calcular probabilidades bajo cada distribución.
Este documento presenta la distribución binomial. Explica que se usa para experimentos con dos resultados posibles, como éxito/fracaso. Define las propiedades de un experimento de Bernoulli y cómo usar la función binomial para calcular probabilidades. También cubre el cálculo de la media, varianza y desviación estándar para la distribución binomial. Incluye ejemplos y ejercicios de práctica.
DISTRIBUCIÓN BERNOULLI Y DISTRIBUCIÓN BINOMIALSonyé Lockheart
Este documento describe las distribuciones de Bernoulli y binomial. La distribución de Bernoulli modela experimentos con dos resultados posibles (éxito o fracaso) con probabilidades p y q. La distribución binomial modela el número de éxitos en n ensayos independientes con probabilidad constante p de éxito en cada uno. Proporciona fórmulas para calcular las probabilidades de resultados específicos y explica cómo usar tablas binomiales para tales cálculos.
El documento describe diferentes tipos de distribuciones de probabilidad discretas, incluyendo la distribución de Bernouilli, binomial, Poisson y hipergeométrica. Explica las fórmulas y características de cada distribución y provee ejemplos numéricos para ilustrar cómo calcular probabilidades usando estas distribuciones.
Este documento describe diferentes distribuciones de probabilidad como la distribución de Bernoulli, binomial, Poisson y exponencial. Explica que la distribución de Bernoulli modela ensayos con dos resultados posibles, éxito o fracaso. La distribución binomial se usa para contar el número de éxitos en múltiples ensayos de Bernoulli independientes. La distribución de Poisson modela el número de eventos que ocurren en un intervalo de tiempo, y la distribución exponencial modela el tiempo entre eventos. Cada distribución se ilustra con ejemplos numéricos.
Este documento explica conceptos básicos de probabilidad como posibilidades, probabilidades, experimentos, sucesos, pruebas y eventos. También cubre temas como probabilidad aditiva, independencia, permutaciones, combinaciones y variaciones para calcular el número de posibles resultados en diferentes escenarios. Se incluyen ejemplos numéricos para ilustrar cada concepto.
Este documento describe las distribuciones de Bernoulli y binomial. La distribución de Bernoulli modela experimentos con dos resultados posibles (éxito o fracaso) con probabilidades p y q=1-p. La distribución binomial modela el número de éxitos en n ensayos independientes con probabilidad constante p de éxito en cada uno.
Este documento resume tres tipos de distribuciones de probabilidad discreta: distribuciones binomiales, de Bernoulli y de Poisson. Explica que las distribuciones binomiales modelan experimentos que ocurren un número fijo de veces con dos posibles resultados, mientras que las distribuciones de Poisson se usan cuando el número de ensayos es muy grande. Además, proporciona ejemplos de cómo calcular la probabilidad de diferentes resultados usando las fórmulas correspondientes a cada distribución.
Este documento describe diferentes tipos de distribuciones de probabilidad, incluyendo distribuciones discretas como la binomial y de Poisson, y distribuciones continuas como la uniforme y normal. Explica conceptos clave como función de densidad de probabilidad y parámetros como la media y varianza. Además, proporciona ejemplos numéricos para ilustrar cómo calcular probabilidades usando cada tipo de distribución.
EJERCICIOS DE DISTRIBUCION BINOMIAL, LEY DE LOS GRANDES NUMEROS, DISTRIBUCIÓN DE MEDIAS MUESTRALES, DISTRIBUCION DE PROPORCIONES, DISTRIBUCION MUESTRAL DE DIFERENCIA DE PROPORCIONES, DISTRIBUCION MUESTRAL DE DIFERENCIA DE MEDIAS,DISTRIBUCIÓN DE POISSON A LA BINOMIAL, DISTRIBUCIÓN HIPERGEOMETRICA
Este documento presenta ejemplos de diferentes distribuciones de probabilidad como Bernoulli, binomial, Poisson, normal, gamma y t de Student. Incluye ejercicios y problemas resueltos sobre cada distribución con el objetivo de explicar sus características fundamentales y cómo calcular probabilidades para diferentes escenarios.
Este documento presenta ejemplos de diferentes distribuciones de probabilidad como Bernoulli, binomial, Poisson, normal, gamma y t de Student. Incluye ejercicios y problemas resueltos sobre cada distribución para ilustrar sus características y cómo calcular probabilidades asociadas a cada una. Las distribuciones cubiertas son comúnmente usadas en estadística para modelar diferentes tipos de fenómenos aleatorios.
Este documento presenta información sobre diferentes distribuciones de probabilidad como la distribución de Bernoulli, binomial, Poisson y t de Student. Explica cada distribución con ejemplos y ejercicios. También incluye información sobre la media, varianza y funciones de probabilidad asociadas a cada distribución.
Este documento presenta información sobre diferentes distribuciones de probabilidad como la distribución de Bernoulli, binomial, Poisson y t de Student. Explica cada distribución con ejemplos y ejercicios. También incluye información sobre la media, varianza y funciones de probabilidad asociadas a cada distribución.
Este documento presenta varios ejemplos de distribuciones de probabilidad, incluyendo la distribución de Bernoulli, la binomial, la de Poisson, la normal y la gamma. Explica cada distribución y proporciona un ejemplo numérico para ilustrar cómo calcular las probabilidades según cada distribución.
Este documento presenta los conceptos básicos de las distribuciones de probabilidad, incluyendo las variables discretas y continuas, y describe dos distribuciones específicas: la binomial y la normal. El objetivo es que los estudiantes aprendan a definir y calcular probabilidades usando estas distribuciones.
Soluciones Examen de Selectividad. Geografía junio 2024 (Convocatoria Ordinar...Juan Martín Martín
Criterios de corrección y soluciones al examen de Geografía de Selectividad (EvAU) Junio de 2024 en Castilla La Mancha.
Soluciones al examen.
Convocatoria Ordinaria.
Examen resuelto de Geografía
conocer el examen de geografía de julio 2024 en:
https://blogdegeografiadejuan.blogspot.com/2024/06/soluciones-examen-de-selectividad.html
http://blogdegeografiadejuan.blogspot.com/
ACERTIJO DESCIFRANDO CÓDIGO DEL CANDADO DE LA TORRE EIFFEL EN PARÍS. Por JAVI...JAVIER SOLIS NOYOLA
El Mtro. JAVIER SOLIS NOYOLA crea y desarrolla el “DESCIFRANDO CÓDIGO DEL CANDADO DE LA TORRE EIFFEL EN PARIS”. Esta actividad de aprendizaje propone el reto de descubrir el la secuencia números para abrir un candado, el cual destaca la percepción geométrica y conceptual. La intención de esta actividad de aprendizaje lúdico es, promover los pensamientos lógico (convergente) y creativo (divergente o lateral), mediante modelos mentales de: atención, memoria, imaginación, percepción (Geométrica y conceptual), perspicacia, inferencia y viso-espacialidad. Didácticamente, ésta actividad de aprendizaje es transversal, y que integra áreas del conocimiento: matemático, Lenguaje, artístico y las neurociencias. Acertijo dedicado a los Juegos Olímpicos de París 2024.
En la ciudad de Pasto, estamos revolucionando el acceso a microcréditos y la formalización de microempresarios informales con nuestra aplicación CrediAvanza. Nuestro objetivo es empoderar a los emprendedores locales proporcionándoles una plataforma integral que facilite el acceso a servicios financieros y asesoría profesional.
José Luis Jiménez Rodríguez
Junio 2024.
“La pedagogía es la metodología de la educación. Constituye una problemática de medios y fines, y en esa problemática estudia las situaciones educativas, las selecciona y luego organiza y asegura su explotación situacional”. Louis Not. 1993.
2. ¿Qué es una variable discreta?
Una variable discreta es sencillamente
una variable para la que se dan de modo
inherente
separaciones
entre
valores
observables sucesivos. En otras palabras, se
define una variable discreta como la variable tal
que entre 2valores cualesquiera observables,
hay por lo menos un valor no observable
3. ¿QUÉ ES UNA DISTRIBUCIÓN DE
PROBABILIDAD?
Indica en una lista todos los resultados posibles de
un
experimento,
junto
con
la
probabilidad
correspondiente a cada uno de los resultados.
Ejemplo:
Supongamos que queremos conocer
el número de caras que se obtienen al
lanzar tres veces una moneda al aire
( Experimento ).
Los posibles resultados son: 0, 1, 2, y 3
caras.
4. Pregunta:
¿Cuál es la distribución de probabilidad del
número de caras?
Solución:
Hay ocho posibles resultados: En el primer
lanzamiento puede caer cruz (+), otra cruz en
el segundo y otra en el tercero.
O puede caer cruz, cruz y cara (C), en ese
orden.
5. TABLA DE PROBABILIDADES
Resultados Primero
posibles
1
2
3
4
5
6
7
8
+
+
+
+
C
C
C
C
Segundo
Tercero
Numero
de caras
(C)
+
+
C
C
+
+
C
C
+
C
+
C
+
C
+
C
0
1
1
2
1
2
2
3
6. DISTRIBUCIÓN DE PROBABILIDAD
PARA LOS EVENTOS
Numero de caras
0
Probabilidad del
resultado
1/8 = 0,125
1
3/8 = 0,375
2
3/8 = 0,375
3
1/8 = 0,125
Total
1,000
7. Es la cantidad que da
como resultado de un
experimento, y debido al
azar, puede tomar valores
diferentes. Pueden ser
variables aleatorias
discretas o continuas
8. Variable que solo puede tomar ciertos valores claramente
separados.
Ejemplo:
Las puntuaciones otorgadas por los
jueces a los deportistas de Danza
Rítmica son cifras decimales como: 7.2,
8.7 y 9.7. Son discretos porque existe
una distancia entre estas puntuaciones
por ejemplo: entre 8.7 y 8.8 no puede
ser la puntuación 8.74 o 8.747.
10. MEDIA
Es un valor típico que sirve para representar una
distribución de probabilidades.
También es el valor promedio, a largo plazo de la
variable aleatoria.
Es conocida también como su “valor esperado”.
11. MEDIA DE DISTRIBUCION
DE PROBABILIDAD
Formula:
P(x)= probabilidad de puede tomar la variable
aleatoria X
12. Ejemplo:
Juan Pablo Torres vende automóviles
nuevos de la agencia Tronco Movil.
Generalmente, los sábados vende el
mayor número de vehículos.
El Sr. Torres, tiene la siguiente
distribución de probabilidad que
espera vender en un día sábado en
particular
14. Pregunta:
En un sábado común, ¿cuántos
vehículos
espera vender?
Solución:
El número medio de automóviles vendidos
se calcula estimando la cantidad de vehículos
vendidos, con la probabilidad de vender ese
número, y luego se suman todos los productos
aplicando la fórmula:
15.
16.
17. ¿Cómo interpretar la media de 2.10?
Este valor nos indica que, en un gran número
de sábados, el Sr. Torres espera vender un
promedio de 2.10 vehículos por día. Por tanto,
a la media se la denomina valor esperado ya
que desde luego no se puede vender 2.10
autos.
18. VARIANZA
Se utiliza para describir el grado de
dispersión o variación en una distribución
de probabilidades.
19.
20. Pasos:
Restar la media ( u ) a cada valor ( x ) y elevar la
diferencia al cuadrado.
Multiplicar el cuadrado de cada diferencia, por su
probabilidad ( P(x) ).
Sumar los productos resultantes para obtener
finalmente la varianza.
25. Distribuciones discretas:
Bernouilli
Es aquel modelo que sigue un experimento que se
realiza una sola vez y que puede tener dos
soluciones: acierto o fracaso:
Cuando es acierto la variable toma el valor 1
Cuando es fracaso la variable toma el valor 0
26. Ejemplo:
Probabilidad de salir cara al lanzar una moneda al
aire (sale cara o no sale); probabilidad de ser
admitido en una universidad (o te admiten o no te
admiten); probabilidad de acertar una quiniela (o
aciertas o no aciertas)
Al haber únicamente dos soluciones se trata de sucesos
complementarios:
A la probabilidad de éxito se le denomina "p"
A la probabilidad de fracaso se le denomina "q"
Verificándose que: p + q = 1
27. Veamos los ejemplos anteriores :
Ejemplo 1: Probabilidad de salir cara al lanzar una moneda al
aire:
Probabilidad de que salga cara: p = 0,5
Probabilidad de que no salga cara: q = 0,5
p + q = 0,5 + 0,5 = 1
Ejemplo 2: Probabilidad de ser admitido en la universidad:
Probabilidad de ser admitido: p = 0,25
Probabilidad de no ser admitido: q = 0,75
p + q = 0,25 + 0,75 = 1
Ejemplo 3: Probabilidad de acertar una quiniela:
Probabilidad de acertar: p = 0,00001
Probabilidad de no acertar: q = 0,99999
p + q = 0,00001 + 0,99999 = 1
28. Distribuciones discretas: Binomial
- Las distribución binomial parte de la distribución de Bernouilli:
- La distribución de Bernouiili se aplica cuando se realiza una
sola vez un experimento que tiene únicamente dos posibles
resultados (éxito o fracaso), por lo que la variable sólo puede tomar
dos valores: el 1 y el 0
- La distribución binomial se aplica cuando se realizan un
número"n" de veces el experimento de Bernouiili, siendo cada
ensayo independiente del anterior. La variable puede tomar valores
entre:
0: si todos los experimentos han sido fracaso
n: si todos los experimentos han sido éxitos
29.
Ejemplo: se tira una moneda 10 veces: ¿cuantas
caras salen? Si no ha salido ninguna la variable
toma el valor 0; si han salido dos caras la variable
toma el valor 2; si todas han sido cara la variable
toma el valor 10.
La distribución de probabilidad de este tipo
de distribución sigue el siguiente modelo:
30.
¿Alguien entiende esta fórmula? Vamos a tratar
de explicarla con un ejemplo:
Ejemplo 1: ¿Cuál es la probabilidad de obtener
6 caras al lanzar una moneda 10 veces?
" k " es el número de aciertos. En este ejemplo
" k " igual a 6 (en cada acierto decíamos que la variable
toma el valor 1: como son 6 aciertos, entonces k = 6)
" n" es el número de ensayos. En nuestro ejemplo son 10
" p " es la probabilidad de éxito, es decir, que salga
"cara" al lanzar la moneda. Por lo tanto p = 0,5
31. Luego,
P (x = 6) = 0,205
Es decir, se tiene una probabilidad del
20,5% de obtener 6 caras al lanzar 10 veces
una moneda.
32. Ejemplo 2: ¿Cuál es la probabilidad de obtener
cuatro veces el número 3 al lanzar un dado
ocho veces?
" k " (número de aciertos) toma el valor 4
" n" toma el valor 8
" p " (probabilidad de que salga un 3 al tirar el
dado) es 1 / 6 (= 0,1666).
La fórmula queda:
33. Luego,
P (x = 4) = 0,026
Es decir, se tiene una probabilidad del 2,6% de
obtener cuatro veces el números 3 al tirar un
dado 8 veces.
34. Distribuciones discretas: Poisson
Las distribución de Poisson parte de la
distribución binomial:
Cuando en una distribución binomial se realiza
el experimento un número "n" muy elevado de
veces y la probabilidad de éxito "p" en cada
ensayo es reducida, entonces se aplica el
modelo de distribución de Poisson:
Se tiene que cumplir que:
" p " < 0,10
" p * n " < 10
35. La distribución de Poisson sigue el siguiente
modelo:
Vamos a explicarla:
El número "e" es 2,71828.
" l " = n * p (es decir, el número de veces " n "
que se realiza el experimento multiplicado por la
probabilidad " p " de éxito en cada ensayo)
" k " es el número de éxito cuya probabilidad se
está calculando.
36. Veamos un ejemplo:
La probabilidad de tener un accidente de tráfico
es de 0,02 cada vez que se viaja, si se realizan
300 viajes, ¿cual es la probabilidad de tener 3
accidentes?
Como la probabilidad " p " es menor que 0,1, y el
producto " n * p " es menor que 10, entonces
aplicamos el modelo de distribución de Poisson.
Luego,
P (x = 3) = 0,0892
Por lo tanto, la probabilidad de
tener 3 accidentes de tráfico en 300
viajes es del 8,9%
37. Otro ejemplo:
La probabilidad de que un niño nazca pelirrojo
es de 0,012. ¿Cuál es la probabilidad de que
entre 800 recién nacidos haya 5 pelirrojos?
Luego,
P (x = 5) = 4,602
Por lo tanto, la probabilidad de que haya 5
pelirrojos entre 800 recién nacidos es del
4,6%.
38.
Distribuciones discretas: Hipergeométrica
Las distribución hipergeométrica es el modelo que se aplica en
experimentos del siguiente tipo:
En una urna hay bolas de dos colores (blancas y negras), ¿cuál es
la probabilidad de que al sacar 2 bolas las dos sean blancas?
Son experimentos donde, al igual que en la distribución
binomial, en cada ensayo hay tan sólo dos posibles resultados :
o sale blanca o no sale. Pero se diferencia de la distribución
binomial en que los distintos ensayos son dependientes entre
sí:
Si en una urna con 5 bolas blancas y 3 negras en un primer ensayo
saco una bola blanca, en el segundo ensayo hay una bola blanca
menos por lo que las probabilidades son diferentes (hay
dependencia entre los distintos ensayos).
40. Vamos a explicarlo:
N: es el número total de bolas en la urna
N1: es el número total de bolas blancas
N2: es el número total de bolas negras
k: es el número de bolas blancas cuya
probabilidad se está calculando
n: es el número de ensayos que se realiza
41. Veamos un ejemplo: en una urna hay 7 bolas blancas
y 5 negras. Se sacan 4 bolas ¿Cuál es la probabilidad
de que 3 sean blancas?
Entonces:
N = 12; N1 = 7; N2 = 5; k = 3; n = 4
Si aplicamos el modelo:
Por lo tanto, P (x = 3) = 0,3535.
Es decir, la probabilidad de sacar 3
bolas blancas es del 35,3%.
42.
Pero este modelo no sólo se utiliza con experimentos
con bolas, sino que también se aplica con experimentos
similares:
Ejemplo: en una fiesta hay 20 personas: 14 casadas y
6 solteras. Se eligen 3 personas al azar ¿Cuál es la
probabilidad de que las 3 sean solteras?
Por lo tanto, P (x = 3) = 0,0175.
Es decir, la probabilidad de que
las 3 personas sean solteras es
tan sólo del 1,75%.
43. La distribución multinomial es similar a la
distribución binomial, con la diferencia de que
en lugar de dos posibles resultados en cada
ensayo, puede haber múltiples resultados:
Ejemplo de distribución binomial:
a unas elecciones se presentaron 2 partidos
políticos: el POPO obtuvo un 70% de los votos
y el JEJE el 30% restante. ¿Cuál es la
probabilidad de que al elegir 5 ciudadanos al
azar, 4 de ellos hallan votado al JEJE?
44. Ejemplo de distribución multinomial : a esas
elecciones se presentaron 4 partidos políticos: el POPO
obtuvo un 40% de los votos, el JEJE el 30%, el MUMU
el 20% y el LALA el 10% restante. ¿Cuál es la
probabilidad de que al elegir 5 ciudadanos al azar, 3
hayan votado al POPO, 1 al MUMU y 1 al LALA?
La distribución multinomial
sigue el siguiente modelo:
45.
Donde:
X1 = x1: indica que el suceso X1 aparezca x1 veces (en el
ejemplo, que el partido POPO lo hayan votado 3 personas)
n: indica el número de veces que se ha repetido el suceso (en el
ejemplo, 5 veces)
n!: es factorial de n (en el ejemplo: 5 * 4 * 3 * 2 * 1)
p1: es la probabilidad del suceso X1 (en el ejemplo, el 40%)
Veamos el ejemplo:
46. Luego:
P = 0,0256
Es decir, que la probabilidad de que las 5
personas
elegidas hayan votado de esta manera es tan
sólo del
Nota: 0! es igual a 1, y cualquier número
elevado
2,56% a 0 es también igual a 1
47.
Veamos otro ejemplo:
En una fiesta, el 20% de los asistentes son españoles, el 30%
franceses, el 40% italiano y el 10% portugueses. En un
pequeño grupo se han reunido 4 invitados: ¿cual es la
probabilidad de que 2 sean españoles y 2 italianos?
Aplicamos el modelo:
Luego;
P = 0,0384
Por lo tanto, la probabilidad de que el
grupo esté formado por personas de estos
países es tan sólo del 3,84%.
48. La distribución multihipergeométrica es similar a la
distribución hipergeométrica, con la diferencia de que en
la urna, en lugar de haber únicamente bolas de dos
colores, hay bolas de diferentes colores.
Ejemplo: en una urna hay 7 bolas blancas, 3 verdes y 4
amarillas: ¿cuál es la probabilidad de que al extraer 3 bolas
sea cada una de un color distinto?
La distribución multihipergeométrica sigue el siguiente
modelo:
49. Donde:
X1 = x1: indica que el suceso X1 aparezca x1 veces (en
el ejemplo, que una de las bolas sea blanca)
N1: indica el número de bolas blancas que hay en la urna
(en el ejemplo, 7 bolas)
N: es el número total de bolas en la urna (en el ejemplo,
14 bolas)
n: es el número total de bolas que se extraen (en el
ejemplo, 3 bolas)
Veamos el ejemplo:
50. Luego:
P = 0,2307
Es decir, que la probabilidad de sacar una bola de cada
color es
del 23,07%.
Veamos otro ejemplo:
En una caja de lápices hay 10 de color amarillo, 3 de
color azul y 4 de color rojo. Se extraen 7 lápices, ¿cual
es la probabilidad de que 5 sean amarillos y 2 rojos?
Aplicamos el modelo:
Luego
P = 0,0777
Por lo tanto, la probabilidad
de que los 5 lápices sean de
los colores indicados es del
7,77%.