Вы находитесь на странице: 1из 19

2PM10

Distribucin de Poisson, Binomial y Normal

5 de Noviembre del 2012

INSTITUTO POLITCNICO NACIONAL ESCUELA SUPERIOR DE INGENIERA Y ARQUITECTURA UNIDAD TICOMN

Carrera: Ingeniera Petrolera

Unidad de Aprendizaje: Geoestadstica

Docente: Ing. Velzquez Cadena Ariel Yrving

Alumno: Herrera Hernndez Nataly

Boleta: 2011390250

Grupo: 2PM10

Fecha: 5 de Noviembre del 2012

INTRODUCCIN Los valores de una variable sirven para describir o clasificar individuos o distinguir entre ellos. La mayora de nosotros hacemos algo ms que simplemente describir, clasificar o distinguir, porque tenemos ideas respecto a las frecuencias relativas de los valores de una variable. En estadstica decimos que la variable tiene una funcin de probabilidad, una funcin de densidad de probabilidad o simplemente una funcin de distribucin (Badii & Castillo, 2007). Las distribuciones de probabilidad estn relacionadas con la distribucin de frecuencias. De hecho, podemos pensar en la distribucin de probabilidad como una distribucin de frecuencias terica. Debido a que estas distribuciones tratan sobre expectativas de que algo suceda, resultan ser modelos tiles para hacer inferencias y tomar decisiones de incertidumbre. Los objetivos de distribuciones de probabilidad son: a) Introducir las distribuciones de probabilidad que ms se utilizan en la toma de decisiones. b) Utilizar el concepto de valor esperado para tomar decisiones. c) Mostrar qu distribucin de probabilidad utilizar, y cmo encontrar sus valores. d) Entender las limitaciones de cada una de las distribuciones de probabilidad que utilice. Es por lo anterior que a continuacin se dar a la tarea de describir algunas delas distribuciones de probabilidad ms importantes y que son imprescindibles a la hora de adentrarnos en el estudio de la inferencia estadstica. La distribucin binomial es uno de los primeros ejemplos de las llamadas distribuciones discretas (que slo pueden tomar un nmero finito, o infinito numerable, de valores). Fue estudiada por Jakob Bernoulli. Los Bernoulli formaron una de las sagas de matemticos ms importantes de la historia. La distribucin normal es un ejemplo de las distribuciones continuas, y aparece en multitud de fenmenos sociales. Fue estudiada, entre otros, por J.K.F. Gauss, uno de los ms famosos matemticos de la historia. La grfica de la distribucin normal en forma de campana se denomina Campana de Gauss.

DISTRIBUCIN DE POISSON En teora de probabilidad y estadstica, la distribucin de Polisn es una distribucin de probabilidad discreta que expresa, a partir de una frecuencia de ocurrencia media, la probabilidad que ocurra un determinado nmero de eventos durante cierto periodo de tiempo. Esta distribucin debe su nombre al matemtico francs Simn Poisson (1781-1840), quien estableci su modelo. Existen fenmenos o experimentos en los que los eventos ocurren en intervalos continuos de tiempo o espacio (reas y volmenes), donde slo importa la ocurrencia del fenmeno, ya que la no ocurrencia no tiene sentido. Por ejemplo, si en cierta regin ocurren en promedio 2 terremotos por ao, la variable aleatoria ser el nmero de terremotos por ao y es claro que no tiene sentido hablar del nmero de no terremotos por ao. Lo mismo sucede para otros fenmenos, como el nmero de errores en una pgina, derrumbes anuales en una regin montaosa, accidentes de trfico diarios en cierto crucero, personas atendidas en un banco en un perodo de 10 minutos, partculas de polvo en cierto volumen de aire, nacimientos de nios en un periodo de tiempo, rayos que caen en una tormenta, llamadas que llegan a un conmutados telefnico en un minuto, insectos por planta en un cultivo, etc. Tambin es de importancia mencionar que cada ocurrencia puede considerarse como un evento en un intervalo de tiempo determinado. Si consideramos que: 1. La esperanza de ocurrencia de un evento en un intervalo es la misma que la esperanza de ocurrencia del evento en otro intervalo cualesquiera, sin importar donde empiece el intervalo. 2. Que las ocurrencias de los eventos son independientes, sin importar donde ocurran.

3.

Que la probabilidad de que ocurra un evento en un intervalo de tiempo depende de la longitud del intervalo.

4. 5.

Que las condiciones del experimento no varan. Que nos interesa analizar el nmero promedio de ocurrencias en el intervalo. Entonces se puede afirmar, que la variable aleatoria mencionada en los fenmenos

descritos es una variable de Poisson. Propiedades de la distribucin de Poisson La funcin de masa de la distribucin de Poisson es:

Donde:
k es el nmero de ocurrencias del evento o fenmeno (la funcin nos da la probabilidad de que

el evento suceda precisamente k veces).


es un parmetro positivo que representa el nmero de veces que se espera que ocurra el

fenmeno durante un intervalo dado. Por ejemplo, si el suceso estudiado tiene lugar en promedio 4 veces por minuto y estamos interesados en la probabilidad de que ocurra k veces dentro de un intervalo de 10 minutos, usaremos un modelo de distribucin de Poisson con = 104 = 40.
e es la base de los logaritmos naturales (e = 2,71828...)

Tanto el valor esperado como la varianza de una variable aleatoria con distribucin de Poisson son iguales a . Los momentos de orden superior son polinomios de Touchard en cuyos coeficientes tienen una interpretacin combinatorio. De hecho, cuando el valor esperado de la distribucin de Poisson es 1, entonces segn la frmula de Dobinski, el n-simo momento iguala al nmero de particiones de tamao n.

La moda de una variable aleatoria de distribucin de Poisson con un no entero es igual a , el mayor de los enteros menores que (los smbolos representan la funcin parte entera). Cuando es un entero positivo, las modas son y 1. La funcin generadora de momentos de la distribucin de Poisson con valor esperado es

Las variables aleatorias de Poisson tienen la propiedad de ser infinitamente divisibles. Caractersticas de la distribucin de Poisson Un modelo de probabilidad de Poisson tiene las siguientes caractersticas: 1. El espacio muestral se genera por un nmero muy grande (puede considerarse infinito) de repeticiones de un experimento cuyo modelo de probabilidad es el de Bernoulli, con probabilidad de xito muy pequea. Por esta razn, a la distribucin de Poisson suele llamrsele de eventos raros. Las repeticiones del experimento de Bernoulli se realizan en cada uno de los puntos de un intervalo de tiempo o espacio. 2. El nmero de xitos en el intervalo li es ajeno al nmero de xitos en el intervalo lk, por lo que li lk = . 3. La probabilidad de que se tengan dos o ms xitos en el mismo punto del intervalo es cero. 4. El nmero promedio de xitos en un intervalo es una constante , que no cambia de intervalo a intervalo.

Para aclarar el significado de estos 4 postulados, se presenta el siguiente ejemplo. Ejemplo 5. 16. Anteriormente se mencion el nmero de accidentes diarios en un cruce de calles como un caso de fenmeno en el que los eventos ocurren en intervalos continuos de tiempo, donde slo importa la ocurrencia del fenmeno, y de acuerdo a sus caractersticas puede decirse que la variable aleatoria del nmero de accidentes diarios puede representarse por un modelo de Poisson. En seguida analizamos lo razonable de los 4 postulados anteriores en esta situacin: 1. Si consideramos un lapso, tan pequeo como se quiera, pero que para propsitos prcticos puede ser un segundo y tomamos como xito que ocurra un accidente en ese lapso, tenemos que en el intervalo de tiempo de un da hay 86,400 segundos, o sean 86,400 repeticiones de un experimento de Bernoulli. Es obvio que la probabilidad de xito en cada repeticin es muy pequea. 2. Aqu, cada intervalo li puede ser un da, por lo que es lgico suponer que el nmero de accidentes en un da es independiente del nmero de accidentes en otro da cualquiera, lo cual no ocurre, por ejemplo, con el nmero de personas que adoptan una moda en un da determinado, ya que una moda tiene una etapa creciente, un apogeo y una etapa decreciente. En estas ltimas condiciones, se dice que existe contagio y el modelo de probabilidad no puede suponer independencia entre los intervalos. En el caso del modelo de Poisson se dice que no existe contagio. 3. Puesto que una repeticin del experimento de Bernoulli ocurre cada segundo, es razonable suponer que no pueden ocurrir dos accidentes en el mismo segundo. 4. Mientras las condiciones de vialidad no cambien en el crucero de calles, es aceptable el supuesto de que el nmero promedio de accidentes por da, al que representaremos por , permanece constante.

DISTRIBUCIN BINOMIAL O DE BERNOULLI La distribucin binomial est asociada a experimentos del siguiente tipo: Realizamos n veces cierto experimento en el que consideramos slo la posibilidad de xito o fracaso. La obtencin de xito o fracaso en cada ocasin es independiente de la obtencin de xito o fracaso en las dems ocasiones. La probabilidad de obtener xito o fracaso siempre es la misma en cada ocasin. Vemoslo con un ejemplo: Tiramos un dado 7 veces y contamos el nmero de cincos que obtenemos. Cul es la probabilidad de obtener tres cincos? Este es un tpico ejemplo de distribucin binomial, pues estamos repitiendo 7 veces el experimento de lanzar un dado. Cul es nuestro xito? Evidentemente, sacar un 5, que es en lo que nos fijamos. El fracaso, por tanto, ser no sacar 5, sino sacar cualquier otro nmero. Por tanto, xito = E = sacar un 5 p (E) = 1/6 Fracaso = F = sacar un 5 p (F) = 5/6 Para calcular la probabilidad que nos piden, fijmonos en que nos dicen que sacamos 3 cincos y por lo tanto tenemos 3 xitos y 4 fracasos, de cuntas maneras pueden darse estas posibilidades? Podramos sacar 3 cincos en las primeras tiradas y luego 4 tiradas sin sacar cinco, es decir: EEEFFFF. Pero tambin podramos sacar EFEFFFE, es decir que en realidad estamos calculando de cuntas maneras se pueden ordenar 4 fracasos y 3 xitos. Recordando las tcnicas combinatorias, este problema se reduce a calcular las permutaciones con elementos repetidos:

Y por tanto, como p = 1/6 y tengo 3 xitos y p (F) = 5/6 y tengo 4 fracasos:

Formalizando lo obtenido, en una variable binomial con 7 repeticiones y con probabilidad de xito 1/6, la probabilidad de obtener 3 xitos es 00781, y lo expresaramos:

Como repetir este proceso sera bastante penoso en la mayora de los casos, lo mejor es recurrir a la siguiente frmula que expresa la probabilidad de obtener cierto nmero de xitos en una distribucin binomial. Definicin de distribucin binomial Si realizamos n veces un experimento en el que podemos obtener xito, E, con probabilidad p y fracaso, F, con probabilidad q (q = 1 p), diremos que estamos ante una distribucin binomial de parmetros n y p, y lo representaremos por Bin (n:p). En este caso la probabilidad de obtener k xitos viene dada por:

NOTA: Observar que las probabilidades de xito y fracaso son complementarias, es decir, q = 1 p y p = 1 q, por lo que basta saber una de ellas para calcular la otra. Ejemplo: Antes tenamos Bin (7; 1/6), y queramos calcular p (X = 3) (obtener 3 xitos). Aplicando la frmula:

Ejemplo: Supongamos que la probabilidad de que una pareja tenga un hijo o una hija es igual. Calcular la probabilidad de que una familia con 6 descendientes tenga 2 hijos. En este caso xito = E = tener hijo y p = 05. Fracaso = F = tener hija y p (F) = 05. Estamos por tanto ante una binomial Bin (6; 05) y nos piden p (X = 2). Si aplicamos la frmula es:

NOTA: La eleccin de xito o fracaso es subjetiva y queda a eleccin de la persona que resuelve el problema, pero teniendo cuidado de plantear correctamente lo que se pide. En el caso concreto del ejemplo anterior, si: xito = tener hija, como nos piden la probabilidad de que una familia con 6 hijos tenga 2 hijos, si el xito es tener hija hemos de plantearnos cul es la probabilidad de tener 4 xitos (4 hijas), es decir:

El uso de las tablas de la distribucin binomial La distribucin binomial se encuentra tabulada por lo que es fcil calcular probabilidades sin necesidad de hacer demasiadas cuentas. Para usar las tablas de la distribucin binomial es necesario conocer: El nmero de veces que se realiza el experimento (n). La probabilidad de xito (p). El nmero de xitos (k).

La probabilidad p se busca en la primera fila (valores desde 001 hasta 05). El nmero de veces que se realiza el experimento, en la primera columna (valores desde 2 a 10) y el nmero de xitos a su lado. Por ejemplo en el caso anterior, Bin (6; 05), p (X = 2), la columna p = 05 es la ltima, y cuando n = 6 y k = 2 encontramos 02344, el valor que habamos calculado. NOTA IMPORTANTE: El caso en que p > 05, no se encuentra tabulado. La razn es bien sencilla. Si p > 05, entonces q < 05 y basta intercambiar los papeles de xito y fracaso para que podamos utilizar la tabla. Ejemplo: La probabilidad de que un alumno de 2 de Bachillerato apruebe las Matemticas es de 07. Si consideramos un grupo de 8 alumnos, cul es la probabilidad de que cinco de ellos aprueben las Matemticas? Si xito = aprobar y fracaso = suspender, entonces p = 07 y q = 03. Tenemos , por tanto, una Bin (8; 07). Nos piden calcular p (X = 5), que no se puede calcular mediante las tablas porque p = 07 y slo tenemos hasta p = 05. Por tanto si intercambiamos xito = suspender y fracaso = aprobar entonces p = 03, q = 07, es decir la nueva binomial es Bin (8; 03) y nos piden que aprueben 5 de 8, es decir que suspendan 3 de 8 o lo que es lo mismo, que tengamos 3 xitos, p (X = 3), y buscando en la tabla es p (X = 3) = 02541. Tambin, desde luego podramos haber utilizado la frmula desde el principio, utilizar la Bin (8; 07) y olvidarnos de tablas para hacer:

DISTRIBUCIN NORMAL Al estudiar aspectos tan cotidianos como: Caracteres morfolgicos de individuos (personas, animales, plantas) de una misma raza, como tallas, pesos, envergaduras, etc. Caracteres fisiolgicos, como el efecto de una misma dosis de un frmaco, o de una misma cantidad de abono. Caracteres sociolgicos, como el consumo de ciertos productos por individuos de un mismo grupo humano. Caracteres psicolgicos, como el cociente intelectual, grado de adaptacin a un medio. Caracteres fsicos, como la resistencia a la rotura de ciertas piezas Todos ellos tienen en comn que se distribuyen normalmente. Qu quiere decir esta expresin? Pues, por ejemplo, si hacemos una estadstica para conocer la altura de 1400 mujeres y representamos los resultados en un diagrama de barras, obtenemos:

Las grficas de este tipo son muy corrientes: Hay pocos individuos en los extremos y un aumento paulatino hasta llegar a la parte central del recorrido, donde est la mayora de ellos.

Definicin de distribucin normal Diremos que una distribucin de probabilidad sigue una distribucin normal de media y desviacin tpica , y los representaremos por cuando la representacin grafica de su

funcin de densidad es una curva positiva continua, simtrica respecto a la media, de mximo en la media, y que tiene2 puntos de inflexin, situados a ambos lados de la media respectivamente Dependiendo de los valores que tomen la grafica de esta funcin puede ser mas o

menos alargada, achatada, etc pero en cualquier caso siempre tiene las mismas condiciones de simetra , continuidad etc. Reseadas anteriormente. El concepto de funcin de densidad introducido anteriormente no se estudiar con profundidad. Baste decir que la funcin de densidad determina la forma de cada distribucin de probabilidad. En el caso de la distribucin normal de parmetros por: dicha funcin viene dada

Propiedad de distribucin normal El rea encerrada bajo la curva normal siempre es 1. La demostracin de este

resultado no es nada sencilla e implica el uso de resultados matemticos que exceden el nivel de este curso. De entre todas curvas normales aquella que tiene por medida 0 y por derivacin tpica 1, , la ms sencilla, usada y conocida es Esta normal estndar se suele

representar por Z. La grafica de esta curva se denomina campana de Gauss y se puede observar en la figura:

Su funcin de densidad ser:

Puesto que el rea bajo esta curva normal es 1, podemos definir una probabilidad de las siguientes maneras: Para un valor cualquiera K, definimos la probabilidad de que la distribucin Z, N(0;1), sea menor o igual que K como: p(Z k)= rea encerrada bajo la curva normal N(0;1) desde - hasta k (es decir la parte rayada de la figura siguiente).

Figura 3.4: rea encerrada por la curva normal desde hasta k Ahora bien, cmo calcular dicha rea? Fcil: Dichas reas o probabilidades se encuentran tabuladas.

Uso de las tablas de la distribucin normal N (0; 1) La normal N (0; 1) se encuentra tabulada, para valores a partir de 0 y hasta 399. Si por ejemplo Queremos calcular p (Z 278), hemos de realizar los pasos: 1. Buscar la parte entera y las decimas en la primera columna (en este caso 27). 2. Buscar las centsimas en la primera fila (en este caso 8). 3. En el punto comn a la fila y la columna que hemos encontrado, tenemos la probabilidad buscada, En este caso 09973. Por tanto p (Z 278) = 09973. Si queremos calcular una probabilidad de un valor mayor que 399, basta fijarse en que las probabilidades correspondientes a valores tales como 362 y mayores ya valen 09999 (prcticamente 1). Por eso, para estos valores mayores que 399, diremos que la probabilidad es aproximadamente 1. As: p (Z 562) 1 aunque no aparezca en la tabla. Por otra parte, fijmonos en que en este tipo de distribuciones no tiene sentido plantearse probabilidades. Del tipo p (Z=k), ya que siempre valen 0, al no encerrar ningn rea. Por tanto, si nos pidiesen. p (Z=3f2), basta decir que p (Z=3f2)=0. Este tipo de distribuciones en las cuales la probabilidad de tomar un valor concreto es 0 se denominan distribuciones continuas, para diferenciarlas de otras en las que esto no ocurre, como por ejemplo la binomial, que es una distribucin discreta. As, al pasar al complementario, si tenemos Z k, su complementario ser Z < k, pero como incluir k no influye en la probabilidad, al calcular probabilidades podemos escribir: p(Z . k) = 1 . p(Z < k) = 1 . p(Z . k)

Solo se puede hacer esto en distribuciones continuas, en el caso de la binominal esto no se puede hacer y hay que ser cuidadosos con el paso al complementario. Ejercicio: Buscar en la tabla de la normal estndar N(0;1) las probabilidades: a) p(Z . 115) b) p(Z . 05) c) p(Z . 082) d) p(Z . 105) e) p(Z . 427) f) p(Z . 1809)

CONCLUSIN Una distribucin de probabilidad indica toda la gama de valores que pueden representarse como resultado de un experimento si ste se llevase a cabo. Es decir, describe la probabilidad de que un evento se realice en el futuro, lo implica que se puede disear un escenario de acontecimientos futuros considerndolas tendencias actuales de diversos fenmenos naturales. Una distribucin de probabilidades es una lista de las probabilidades de todos los resultados posibles que pudiera resultar si el experimento se hace; es decir, es la suma de todas las funciones en las que interviene la variable aleatoria x bajo estudio. Las distribuciones de probabilidad siempre es la suma de todas las funciones posibles, por tanto su sumatoria siempre tiene que ser igual al espacio muestral. Para saber cul es la f(x) que corresponde se deber estudiar los tipos de distribuciones de probabilidad que podemos tener. Para esto, lo importante es definir el tipo de variable que tenemos bajo estudio, y de aqu surge la clasificacin de las distribuciones. La estadstica es la ciencia que se trata de cuantificar la probabilidad de la ocurrencia o el efecto de cualquier evento, sujeto, proceso, fenmeno o interacciones resultantes. Hay que recalcar que la estadstica es solamente un medio y no el fin. Sin embargo, algunos investigadores se involucran tanto en los detalles de la estadstica que parece que hasta se trata de ajustar la realidad a los mtodos estadsticos, es decir, para estos investigadores, si la estadstica no define una realidad, uno debe deshacerse de la realidad. En otras palabras, hemos sido testigo de abuso, mal uso y sobre uso de esta herramienta en las investigaciones en diferentes disciplinas de la bsqueda de patrones repetitivas, que forman el propsito de una franquicia muy sera denominada la ciencia. Los ejemplos de este mal uso de la estadstica abundan en las mejores revistas cientficas del mundo. Es con este objetivo que debemos utilizar de forma adecuado las diferentes distribuciones probabilsticas de uso actual en nuestras investigaciones.

BIBLIOGRAFA http://www.spentamexico.org/v4-n1/4(1)%20149-178.pdf http://148.204.211.134/polilibros/Portal/Polilibros/P_terminados/PROBABILIDAD/doc/Unidad%2 02/2.9.htm http://www.franciscojaviercruzariza.com/attachments/File/Distribuciones_de_Probabilidad.pdf http://sauce.pntic.mec.es/~jpeo0002/Archivos/PDF/T03.pdf