Modulo 11 de Estadistica y Probabilidad
-
Upload
milena-castilla -
Category
Documents
-
view
12 -
download
9
description
Transcript of Modulo 11 de Estadistica y Probabilidad
-
107Estadstica
11Distribuciones geomtrica,binomial negativa y de Poisson
Introduccin
En este mdulo continuamos considerando las pruebas de Bernoulli, aunque la
variable de inters se define de otra manera. Cuntas pruebas tenemos que hacer
para lograr el primer xito, o para acumular cierto nmero de xitos deseados? A
estas preguntas responderemos con la distribucin geomtrica y con la binomial
negativa.
Veremos tambin en este mdulo la distribucin de Poisson, que sirve para modelar
muchos fenmenos y que tiene la ventaja de depender solamente de un parmetro.
Objetivos del mdulo
1. Continuar desarrollando el concepto de pruebas independientes de Bernoulli y
presentar modelos cuyo campo de aplicacin es muy amplio.
2. Presentar la distribucin de Poisson.
Preguntas bsicas
1. Por qu puede afirmarse que la distribucin geomtrica est contenida en la
distribucin binomial negativa?
2. Presente algunos ejemplos de situaciones donde sea aplicable la distribucin de
Poisson.
Contenidos del mdulo
11.1 Distribucin geomtrica
11.2 Distribucin binomial negativa
11.3 Distribucin de Poisson
Simon Poisson
El fsico y matemtico francs Simon DenisPoisson naci el 21 de junio de 1781 enPhitiviers y muri el 25 de abril de 1840 enla poblacin de Sceaux (cerca de Pars).
A Poisson se le conoce por sus trabajos enelectricidad, geometra diferencial, clculode variaciones, teora de la probabilidad yastronoma (fundamentalmente en lamatemtica del movimiento de la Luna). Enel campo de la electricidad intent calcularmatemticamente la distribucin de lascargas elctricas sobre la superficie de losconductores y posteriormente demostrque estas mismas formulaciones podanaplicarse de igual manera al magnetismo. Yaunque se le reconoce particularmente porla famosa distribucin de Poisson (quees un caso especial de la distribucinbinomial en estadstica), quizs su trabajoms importante fue una serie de escritossobre las integrales definidas y sobre lasdiferencias finitas (sobre estas ltimas,cuando tena tan slo 18 aos).
Poisson fue profesor en la EscuelaPolitcnica de Pars, en donde trabaj conel matemtico y astrnomo Joseph Louis
Vea el mdulo 11 del programade televisin Estadstica.
-
108
11.1 Distribucin geomtrica
Realicemos sucesivamente pruebas de Bernoulli y detengmos cuando alcancemos
por primera vez un xito. Nos interesa estudiar el nmero de pruebas que tuvimos
que realizar.
Sea X el nmero de pruebas realizadas hasta lograr por primera vez un xito. Tendre-
mos entonces el siguiente dominio:
^ `1, 2, 3... .XR La frmula de probabilidad ser:
1( ) ( ) ,xP X x p x q p ^ `1, 2, 3... .Xx R Cuando una variable aleatoria X cumpla con este modelo, tendremos que:
( ).X GEOM pvDejamos como ejercicio al lector comprobar que al realizar la suma de las probabili-
dades para todos los valores del dominio, el resultado es 1.
Tambin queda como ejercicio hallar expresiones para la media y la varianza. Obser-
ve que en las distribuciones se presentan frmulas que permiten hallar la media y la
varianza con el simple conocimiento de los valores de los parmetros del modelo. En
el caso que nos ocupa del modelo geomtrico, tendremos:
1,
p P 2
2.
q
p V
Ejemplo: lanzamientos sucesivos de un dado, hasta obtener el resultado 1
a. Probabilidad de xito:
1.
6p
b. Con el valor de p = 1/6 el grfico de la distribucin geomtrica es como
aparece en la figura 11.1. Esta probabilidad de xito se mantendr constante
a lo largo de todos los lanzamientos.
Captulo 4: Distribuciones discretas de probabilidad
Lagrange y con el matemtico JosephFourier. Tambin fue profesor en laSorbona (en la ctedra de mecnica).
Adaptado de:
http://www.mat.usach.cl/histmat/html/pois.html
Enciclopedia Encarta, 2006.
-
109Estadstica
Figura 11.1. Distribucin geomtrica con p = 1/6.
c. Sea X el total de lanzamientos requeridos para lograr por primera vez el
puntaje 1. Tendremos entonces que:
^ `1, 2, 3... .XR d. La media vale 6. Esto significa que en promedio se requieren seis lanzamien-
tos para que aparezca el resultado (es decir, el 1, o cualquier otro deseado).
e. La varianza vale
2
5 / 630.
(1/ 6)
f. La probabilidad de requerir al menos diez lanzamientos para obtener el resul-
tado deseado (el 1) es:
110 10
1 1
5 1( 10) ( ) 0.865412,
6 6
xx x
x x
P X p x
d o sea que la probabilidad de obtener el resultado deseado en los diez lanza-
mientos iniciales es muy alta.
La distribucin geomtrica cumple la importante propiedad de prdida de memoria,
que consiste en lo siguiente: si llevamos veinte lanzamientos y an no aparece el
resultado 1, la probabilidad de obtenerlo en el siguiente lanzamiento es igual a la
probabilidad que tenamos de obtenerlo en el primer lanzamiento. O sea que mien-
tras no aparezca el xito, siempre estamos como se empez. No hay memoria.
Formalmente tendramos:
( 21/ 20) ( 1).d ! dP X X P X
Mdulo 11: Distribuciones geomtrica, binomial negativa y de Poisson
-
110
De una manera general, planteamos la propiedad de prdida de memoria de la si-
guiente forma:
( / ) ( )P X s t X s P X td ! d , donde , Xs t R .(La demostracin de esta propiedad se presentar en el mdulo grabado en televisin.)
11.2 Distribucin binomial negativa
Realicemos sucesivamente pruebas de Bernoulli y detengmonos cuando alcance-
mos r xitos. Nos interesa estudiar el nmero de pruebas que tuvimos que realizar.
Sea X el nmero de pruebas realizadas hasta lograr r xitos. Tendremos entonces el
siguiente dominio:
^ `, 1, 2... . XR r r rLa frmula de probabilidad ser:
1( ) ( )
1
x r rx
P X x p x q pr
, ^ `, 1, 2... , Xx R r r ry escribiremos:
( , ),X PASCAL r pvdonde r es el total de xitos que se quiere acumular y p es la probabilidad de xito en
cada prueba de Bernoulli.
La figura 11.2 muestra la distribucin de Pascal, cuando sus parmetros son r = 2 y
p = 0.6.
Figura 11.2. Distribucin de Pascal con r = 2 y p = 0.6.
Captulo 4: Distribuciones discretas de probabilidad
-
111Estadstica
En los problemas propuestos al final del captulo pediremos al lector que obtenga la
media y la varianza, que son, respectivamente:
,r
p P
2
2.
rq
p V
Relacin entre la distribucin binomial y la de Pascal
Consideremos las siguientes dos variables aleatorias:
( , ),X BINOMIAL n pv( , ),vY PASCAL r p
en donde X es el nmero de xitos logrados al realizar n pruebas independientes,
todas con probabilidad de xito p, y Y es el nmero de pruebas de Bernoulli, con la
misma probabilidad de xito p, requeridas para obtener r xitos.
Podemos formular entonces la siguiente equivalencia:
^ ` ^ ` ,X r Y n !que en palabras sera: Si hay menos de r xitos en los primeros n ensayos, enton-
ces requeriremos ms de n pruebas para lograr r xitos, y viceversa.
Por tanto, podemos escribir que las probabilidades de estos sucesos son iguales:
( ) ( ),P X r P Y n !igualdad que tambin se cumple en trminos de sus complementos:
( ) ( ).t dP X r P Y nEsta relacin fue muy til hasta hace algunos aos porque permita hallar el valor de
probabilidades en el modelo de Pascal, conociendo los valores de las probabilida-
des en el modelo binomial que apareca tabulado en muchos libros de estadstica;
sin embargo, con la masificacin de los recursos computacionales hoy en da es
muy fcil calcular valores probabilsticos de cualquier distribucin.
11.3 Distribucin de Poisson
Recordemos que en la distribucin binomial tenamos n pruebas independientes,
todas ellas con la misma probabilidad de xito p. En muchos problemas reales tene-
mos que el nmero de pruebas es muy grande y que la probabilidad de xito es
pequea.
Mdulo 11: Distribuciones geomtrica, binomial negativa y de Poisson
-
112
Supongamos, por ejemplo, que una persona acciona una ruleta cuya probabilidad
de xito, como sabemos, es pequea, digamos p = 1/36. Si la persona acciona la
ruleta 1000 veces, cada vez que lo hace tendramos una prueba de Bernoulli, con una
probabilidad de xito muy pequea. La variable de inters es el nmero de xitos
logrados por una persona en los 1000 intentos. Tengamos en cuenta que el nmero
promedio de xitos logrados por todos los jugadores es (1/36)(1000), lo cual es
aproximadamente 28. O sea que en promedio cada persona tendra 28 xitos en su
serie de 1000 intentos. Si este promedio de eventos se mantiene constante de perso-
na a persona podemos definir la variable X as:
X : nmero de eventos que se producen en cada realizacin,
que en nuestro ejemplo ser el nmero de xitos que lograr una persona en sus
1000 intentos. La distribucin probabilstica es:
( )( ) ( )
!
x xeP X x p x
x
O , donde ^ `, 0, 1, 2 ... .R x OEn la figura 11.3 se muestra la distribucin de Poisson cuando el valor del parmetro
es 5.
Figura 11.3. Distribucin de Poisson con O = 5.El dominio de esta variable incluye el cero y todos los nmeros naturales. El parmetro
es ,O que, como lo establecimos en el ejemplo y ser demostrado, corresponde alnmero promedio de eventos por realizacin.
Tambin demostraremos que
0
( )1,
!
x xe
x
f Oy emplearemos la siguiente notacin:
( ).OvX POISSON
Captulo 4: Distribuciones discretas de probabilidad
-
113Estadstica
Igualmente hallaremos que:
( )E X P Oy
2 ( ) ,V X V Olo cual significa que en este modelo la media y la varianza coinciden.
Finalmente, miremos algunas situaciones en las que puede aplicarse la distribucin
de Poisson:
El nmero de llamadas que ingresan a un conmutador telefnico durante unminuto.
El nmero de defectos por cada metro cuadrado de tela producido en unafbrica.
El nmero de bacterias por centmetro cbico de cierto lquido. El nmero de accidentes que se presentan en cierto cruce durante un mes.Para que el modelo de Poisson sea vlido hay que cerciorarse de que los eventos
sean independientes entre s. La distribucin probabilstica de la distribucin de
Poisson puede obtenerse a partir de la distribucin binomial, asumiendo que el
nmero de pruebas es muy grande. Puede decirse que las pruebas son infinitesimales,
la correspondiente probabilidad de xito es muy pequea y el producto np = O semantiene constante.
Mdulo 11: Distribuciones geomtrica, binomial negativa y de Poisson
Actividades de autoestudio
Resumen
Hemos presentado otros modelos discretos que nos darn ms recursos para resolver problemas. En los casos geom-
trico e hipergeomtrico hacemos referencias a la sucesin de pruebas de xito o fracaso. En el caso de la distribucin
de Poisson estudiamos la ocurrencia de eventos contenidos en un continuo; por ejemplo, cuando estudiamos el
nmero de accidentes que ocurren en una empresa en cada semana, etc.
1. Sea X el puntaje obtenido al lanzar un dado.
a. Halle y .x xP Vb. Calcule la probabilidad de los siguientes sucesos:
X es par. .X ! S 1 .X S 4.3.X 4.3.X t