Вы находитесь на странице: 1из 10

OPOSICIONES I.N.

E BLOQUE ESTADSTICA TERICA BSICA: TEMA 4

TEMA 4: DISTRIBUCIN BINOMIAL: PROPIEDADES.


DISTRIBUCIN DE POISSON: PROPIEDADES. RELACIN
ENTRE ELLAS. OTRAS DISTRIBUCIONES DISCRETAS.

INTRODUCCIN:

Para estudiar un fenmeno aleatorio le asignamos un modelo de distribucin


que describa razonablemente bien su comportamiento, para a continuacin, decidir los
valores de los parmetros que mejor se ajusten al experimento.

DISTRIBUCIN BINOMIAL: PROPIEDADES.

1. DISTRIBUCIN DE BERNOULLI ( BINOMIAL (1,p) BINOMIAL (0,1))

Vamos a explicar el proceso de Bernoulli. Supongamos un experimento que


consiste en observar elementos de una poblacin con las siguientes caractersticas:
La observacin se puede clasificar en dos categoras complementarias que
llamaremos: xito E y fracaso F .
La proporcin de E y F en la poblacin es constante y no se modifica
cualquiera que sea la cantidad observada (ie, los elementos se reemplazan una
vez observados en la poblacin). Llamaremos p a la probabilidad de xito y
q 1 p a la de fracaso.
Las observaciones son independientes, es decir, la probabilidad de xito es
siempre la misma y no se modifica por cualquier combinacin de elementos
xito fracaso observados, por tanto, es un proceso sin memoria.

Luego la distribucin de la variable aleatoria : (, A , P) (, B )


1, w E
w w
0, w F
la denominaremos distribucin de Bernoulli de parmetro p siendo p la probabilidad
de xito, y la denotaremos por B0,1 B1, p .

Caractersticas B (1,p):

Funcin de cuanta: P 0 1 p q , P 1 p
0 si x 0
Funcin de distribucin: F( x ) 1 p si 0 x 1
1 si x 1
Esperanza: 0 P 0 1 P 1 0 1 p 1 p p


Varianza: 2 0 2 P 0 12 P 1 0 1 p 1 p p
V
2 2
p p 2 p1 p pq

V
Se da la varianza mnima cuando 1 2p 0 p 0'5
p


Func.caracterstica: t e it e it 0 P 0 e it P 1 1 p pe it q pe it

1
OPOSICIONES I.N.E BLOQUE ESTADSTICA TERICA BSICA: TEMA 4

2. DISTRIBUCIN BINOMIAL:

La variable aleatoria con distribucin binomial se define en un proceso de


Bernoulli por: nmero de xitos al realizar n pruebas, es decir, n repeticiones
independientes en un proceso de Bernoulli siendo en todas ellas la probabilidad de
xito la misma p .
El espacio muestral de (posibles resultados) sern todos los valores entre 0 y
n. Para calcular la probabilidad de un valor particular r consideramos el suceso r
xitos, seguidos de n r fracasos EE EF F
r) n r)

Por la hiptesis de independencia la probabilidad de este suceso es:


r) n r )
p p1 p 1 p p r 1 p n r
Pero como los r xitos pueden aparecer en cualquier orden, el nmero de sucesos se
obtienen permutando las letras E y F de todas las formas posibles:
n!
n
Pnr ,n r
r! n r ! r
Luego, la funcin de cuanta de ser:
P r nr p r 1 p n r , r 0,1, , n

Vemos que es funcin de cuanta:
P r 0
n n
P r nr p r 1 pn r p 1 pn 1n 1
r 0 r 0

Esta distribuciones denota por Bn, p Binomial de parmetros n y p .


La funcin de distribucin de Bn , p es:
F( x ) nr p r q n r , es discreta.
rx
Para p 0 variable degenerada en 0
p 1 variable degenerada en n
n 1 B1, p , Bernoulli

Proposicin:
B( n , p)
P k P n k , k 0,1, , n
B(n ,1 p)

Propiedades:

La distribucin de Bernoulli es una binomial de parmetros 1, p . Por tanto


todas las propiedades que veremos se trasladan a B1, p haciendo n 1 .
La Bn , p es la suma de n distribuciones B1, p independientes.
n
Bn , p , i con i B1, p
i 1

Funcin caracterstica: t q pe it n

2
OPOSICIONES I.N.E BLOQUE ESTADSTICA TERICA BSICA: TEMA 4

Esperanza: np
Varianza: V npq

Desviacin tpica: npq


Probabilidad mxima valor modal: Ser aquel valor de la distribucin que
verifique la desigualdad np q Mo np p .

Propiedad aditiva reproductiva: La suma de variables independientes


i Bn i , p tambin es binomial, es decir:
1 n Bn 1 n n , p Bn , p con n n 1 n n

Funcin generatriz de momentos:

nr pe t q n r q pe t n
n n r
gt e tr nr p r q n r

r 0 r 0

Funcin generatriz de cumulantes:


B t ln ( t ) n ln q pe it
La asimetra de la distribucin aumenta con la diferencia q p y la distribucin
es simtrica para p q 0'5

Ajuste de una distribucin binomial a una distribucin de frecuencias.

De un colectivo se extrae una muestra obtenindose la distribucin de frecuencias:


xi ni
0 n0
1 n1 Donde n i designan las
... ... frecuencias observadas.
n nn
N
Queremos averiguar si la muestra procede de un colectivo que se
distribuye binomialmente (para eso ajustaremos la binomial a una distribucin de
frecuencias). Como no conocemos (valor terico medio) lo estimamos por la media
muestral:
xini
x (hacemos np )
N
Como en una Bm, p se verifica que m p m p x
x x
p q 1 p 1
m m
Calcularemos las probabilidades de Bm, p con los parmetros estimados:
P x m p x 1 p n x , x 0,1, , m
x
Designamos por n it las frecuencias tericas que se obtienen multiplicando la frecuencia
total N por las respectivas probabilidades.
Finalmente se comparan las frecuencias observadas n i con las tericas n it y si
las diferencias no son grandes, afirmaremos que la muestra procede de un colectivo que
se distribuye binomialmente, negando en caso contrario (para comprobarlo se realizar

3
OPOSICIONES I.N.E BLOQUE ESTADSTICA TERICA BSICA: TEMA 4

una prueba de bondad de ajuste). Para comprobar que no existe error en los clculos
debe cumplirse:
P x 1
n
i n it

Teorema de Bernoulli:

Sea Bn, p y consideremos la variable aleatoria con:
n
np V npq pq
p V
n n 2 2 n
n n
Consideramos la desigualdad de Markov:
g
Pg k g 0 k0
k

Haciendo g p 2 y k 2 tenemos que:


pq

P p 2 2 p V n pq P p 2
2 pq
n
2 2 2 n 2

que cuando n tenemos que P p 0 lim P p .
n n

El teorema de Bernoulli nos dice que podemos emplear para estimar la probabilidad
n
p cuando n . En la prctica n es finito, luego debe determinarse tal nmero n para

que est comprendida entre p y p con probabilidad grande.
n
pq p p2
Si desconocemos p, como necesitamos calcular 2 , el mximo aparecer en:
n n 2

p p 2 1 2p 1
0p 1 1
p n 2 n 2 2 pq
2 1
2 2 2 2
p p 2 n 2
0 Mximo n 4n 2
2 2 2
p n n

El teorema de Bernoulli lo podemos expresar: P p


pq 1

2
n 4n 2

DISTRIBUCIN DE POISSON: PROPIEDADES:

Una variable aleatoria se dice que tiene distribucin de Poisson cuando puede
tomar todos los valores enteros y positivos 0,1,2, ... con probabilidad:

4
OPOSICIONES I.N.E BLOQUE ESTADSTICA TERICA BSICA: TEMA 4

e x
P x , x 0,1,2, (Funcin de cuanta).
x!
Es una distribucin de probabilidad de tipo discreto:
P x 0

P x 1
x 0
La funcin de distribucin es:
e k
x
F( x ) P x k!
k 0

Propiedades:

Funcin caracterstica: t e e
it
1

Esperanza:

Varianza: V

Valor modal: 1 Mo


Frmula recursiva de Poisson: P( x ) P( x 1)

Funcin generatriz de momentos: g p t e e t 1


Funcin generatriz de cumulantes: p t ln t ln e e
it
e it 1
1

Propiedad aditiva reproductiva : Sean 1 , , n variables aleatorias


independientes, con i i , entonces:
n
1 n

i

i

Distribuciones condicionadas: Sean 1 , 2 variables aleatorias independientes


con i i , i 1,2 . La distribucin de la variable aleatoria 1 condicionada
por la variable suma 1 2 es una distribucin binomial
1 1
1 2 y B y, 1 2

Aplicaciones:

Se aplica fundamentalmente cuando se trata de un suceso con probabilidad muy


pequea en cada observacin y tratamos de obtener probabilidades de que ocurra
el suceso un cierto n de veces en un nmero muy grande de observaciones.

5
OPOSICIONES I.N.E BLOQUE ESTADSTICA TERICA BSICA: TEMA 4

La distribucin de Poisson puede tomar cualquier valor natural pero las


probabilidades de que la variable tome valores cada vez mayores decrecen de
forma muy acelerada y la mayora de la probabilidad se acumula en muy pocos
dependiendo de . Se conoce tambin como distribucin de los sucesos raros.
En 1898 se aplic para estudiar el nmero de soldados muertos del ejrcito
prusiano por una coz.
Se aplic tb. a la modelizacin de partos mltiples en Londres (la probabilidad
de obtener mellizos, trillizos, disminuye a un ritmo considerable).
Actualmente se usa en la Teora de Colas para modelizar la distribucin de
llegadas a un punto determinado donde se irn formando colas.
Se usa para modelizar cualquier suceso raro: averas de mquinas en el tiempo,
nmero de erratas por pgina del libro...

Distribucin de Poisson como lmite de una binomial

Supongamos que en una Bn , p , p es muy pequea, n grande y adems que


np cte, entonces podemos aproximar una distribucin binomial por la de Poisson:
Cuando en la binomial p 0'01 se puede sustituir por la de Poisson
Otros autores dicen que la aproximacin es buena si p 0'1 , np 5

Observacin:

Podemos considerar el proceso de Poisson como aquel en que observamos sucesos


puntuales sobre un soporte continuo, es decir, generalizacin del proceso de Bernoulli.

Consecuencia: El clculo del parmetro puede obtenerse:

1. A partir de n y p conocidos np
2. Como valor trmino medio de la variable
x
3. Estimado a partir de la media de una muestra de valores observados: p
m

Relacin con la distribucin Gamma:

1. El tiempo transcurrido entre la presencia del acontecimiento (i-1) y el


acontecimiento i sigue la distribucin exponencial de parmetro .
f ( t ) e t t0
son tiempos independientes.

2. La distribucin del tiempo Tk (tiempo transcurrido hasta la presencia de k


acontecimientos) es G( ,k).
k
f Tk e t t k 1 si t >0
( k 1)!
3. El nmero de acontecimientos que se pueden presentar en el intervalo de tiempo
T sigue una (T)
e T ( T ) k
P ( k / T ) k = 0,1,2....
k!

6
OPOSICIONES I.N.E BLOQUE ESTADSTICA TERICA BSICA: TEMA 4

Distribuciones de Poisson compuestas:

Una variable aleatoria cuya distribucin depende de un parmetro tiene


distribucin compuesta si a su vez es variable aleatoria. Si f x , es la funcin de
densidad de dado , g es la funcin de densidad de ( de cuanta si son
discretas). Entonces:

f x f x, g d
es la funcin de densidad de si es variable aleatoria continua ( sustituimos por
si es discreta).

Distribucin binomial compuesta con una Poisson.

Bn, p
la distribucin compuesta es una p

Distribucin de Poisson compuesta con una Gamma:


la compuesta es una binomial negativa de parmetros r y p
, r 1

Distribucin de Poisson compuesta con otra Poisson

n
i 1 ind. i n1

Neyman Tipo A con una ley de
i
2

probabilidad complicada pero con esperanza 1 2 y varianza 1 2 1 1

Distribucin de Poisson Truncada:


PXk P1X PkX, X 00 1 e k
X0
1 e k!

Aproximaciones de algunas distribuciones a la distribucin normal:

1. Distribucin Binomial: Por el teorema de De Moivre-Laplace para n grande:



Bn , p N np, npq .
La aproximacin es suficiente si: n 30, p 0'1 . Si p 0'1 n 30 la
aproximacin es aceptable si np 5
2. Distribucin de Poisson: Como la suma de variables aleatorias independientes con
distribucin i es una Poisson de parmetro la suma de parmetros, podemos
considerar esta distribucin aproximadamente normal, es decir: ( ) N(, )
Esta aproximacin se considera aceptable si 5.

OTRAS DISTRIBUCIONES DISCRETAS:

7
OPOSICIONES I.N.E BLOQUE ESTADSTICA TERICA BSICA: TEMA 4

1. Distribucin degenerada causal en k:

Toda la masa de probabilidad se encuentra centrada en un punto.

P k 1 0 si x k
f .d Fx
P k 0 1 si x k
k

V k 2 0 0
t e e
it itk

2. Distribucin 2 puntos:

Una variable aleatoria tiene distribucin en dos puntos si slo toma los valores
x 1 y x 2 , x 1 x 2 con probabilidades:

P x1 1 p 0 si x x 1

0 p 1 Fx 1 p si x1 x x 2
P x 2 p 1 si x x 2

x1 1 p x 2 p

2 x 12 1 p x 22 p
V p1 p x 2 x 1 2

t e it 1 p e itx1 pe itx 2

3. Uniforme discreta:

Una variable aleatoria sigue una distribucin uniforme discreta si puede tomar
n valores distintos x 1 , , x n con la misma probabilidad cada uno de ellos. Es
decir, se reparte la masa total de probabilidad por igual o uniformemente.
1
P x i , i 1, , n
n
0 si x x 1
1
si x1 x x 2
k
1 k n
Fx k P x k n n Fx k


i 1 si x k x x k 1
n

1 si x x n

n x i2
n n
xi
2

i 1
n i 1
n n
x i x 2 xi 1 n itx i
V i 1 con x i 1
t e it
n i 1
e
n n

8
OPOSICIONES I.N.E BLOQUE ESTADSTICA TERICA BSICA: TEMA 4

4. Geomtrica de Pascal

Sea un fenmeno dicotmico con alternativas A y A c . Realizamos sucesivos


experimentos de Bernoulli independientes con probabilidad constante PA p .
sigue G p si la probabilidad de que aparezca por primera vez el suceso A tras
r pruebas es la misma que: A c A c A c A con P 1 p r p , 0 p 1 .
r)

Luego:
P r q r p 0 r 0,1,2,3,
es el nmero de fracasos antes del primer xito.
Es funcin de cuanta, ya que:
P r q r p 0

1 p
P r pq r p 1 q p 1
r 0 r 0
Tenemos que:
x x x
1 qxq
Fx P r qrp p qr p
1 q
1 q x 1
r 0 r 0 r 0

e it q 1
x 1
t e itx P x e itx q x p p p
1 e it q
p 1 e it q
x 0 x 0 x 0


t t 0
i

q
p

2
t t 0
i 2

q
p
2
q2
p2 p
q
V 2

G ( p) no verifica la propiedad aditiva, pero s la falta de memoria.


- Se aplica en experimentos de repeticin de un fenmeno cuando ninguna
observacin condiciona a otra posterior.
- Si una v.a. toma valores enteros no negativos y cumple la propiedad del
olvido es una variable aleatoria geomtrica.

5. Binomial negativa:

Realizamos un experimento con dos alternativas: xito (E) y fracaso (F) con:
PE p , P( F) 1 p
sigue una binomial negativa si proporciona la probabilidad de que se
produzcan k fracasos antes del r-simo xito:
r 1) k)
EE EFF FE PE EF FE p q p q p
r 1 k k r

k r 1
Hay k formas de ordenar r 1 xitos y k fracasos.

P k k kr 1q k p r con k 0,1,2,

Tenemos que:

9
OPOSICIONES I.N.E BLOQUE ESTADSTICA TERICA BSICA: TEMA 4

0 si x 0

Fx P x k r 1q k p r si k x k 1



t p r 1 qe it r

t t 0
i
r
q
p

2
t t 0
i2

rq r r 1q 2
p

p2
rq
V
p2

6. Hipergeomtrica HN, n, p :

Se aplica a la extraccin sin reemplazamiento. Supongamos una urna con N


bolas ( N1 bolas blancas y N 2 negras). Extraemos n bolas blancas y queremos
calcular la probabilidad de obtener un nmero de bolas de un determinado color.
Sea el nmero de bolas blancas extradas.

k minn , N1
N1 N 2
k n k n k min n, N 2
P k
N max 0, n N 2 k minn, N1
n P ( k ) 0
El muestreo S.R tiende al muestreo C.R: si N H(N,n,p) B(n,p)

N1 N 2
x n k
x

F( x ) P x N
k 0 n

Nn
np V npq
N 1

Se aplica en el control de calidad, encuestas de opinin, ...

Bm, p
Propiedad: z Hm n , z, p
Bn , p

10