Instituto Politcnico Nacional Centro de Estudios Cientfico y Tecnolgico No.

3 Estanislao Ramrez Ruiz

Distribucin de Probabilidad Normal y Probabilidad de Poisson

Carlos Enrique Tule Uscanga

Probabilidad y Estadstica

6IM5

Miguel ngel Villagmez Aragn

DISTRIBUCION DE PROBABILIDAD NORMAL

Esta distribucin es frecuentemente utilizada en las aplicaciones estadsticas. Su propio nombre indica su extendida utilizacin, justificada por la frecuencia o normalidad con la que ciertos fenmenos tienden a parecerse en su comportamiento a esta distribucin. Muchas variables aleatorias continuas presentan una funcin de densidad cuya grfica tiene forma de campana. En otras ocasiones, al considerar distribuciones binomiales, tipo B(n,p), para un mismo valor de p y valores de n cada vez mayores, se ve que sus polgonos de frecuencias se aproximan a una curva en "forma de campana". En resumen, la importancia de la distribucin normal se debe principalmente a que hay muchas variables asociadas a fenmenos naturales que siguen el modelo de la normal. y y y y y y y Caracteres morfolgicos de individuos (personas, animales, plantas,) de una especie, p. ejem. Tallas, pesos, envergaduras, dimetros, permetros Caracteres fisiolgicos, por ejemplo; efecto de una misma dosis de un frmaco, o de una misma cantidad de abono. Caracteres sociolgicos, por ejemplo: consumo de cierto producto por un mismo grupo de individuos, puntuaciones de examen. Caracteres psicolgicos, por ejemplo: cociente intelectual, grado de adaptacin a un medio Errores cometidos al medir ciertas magnitudes. Valores estadsticos maestrales, por ejemplo: la media. Otras distribuciones como la binomial o la de Poisson son aproximaciones normales

Y en general cualquier caracterstica que se obtenga como suma de muchos factores. Funcin de densidad Empleando clculos bastante laboriosos, puede demostrarse que el modelo de la funcin de densidad que corresponde a tales distribuciones viene dando por la frmula:

Funcin De Una Distribucin y y y y Puede tomar cualquier valor (- ,+ ) Son ms probables los valores cercanos a uno central que llamados media Conforme nos separamos de ese valor , la probabilidad va decreciendo de igual forma a derecha e izquierda (es simtrica). Conforma nos separamos de ese valor , la probabilidad va decreciendo de forma ms o menos rpida dependiendo de un parmetro s , que es la desviacin tpica.

La distribucin binomial Funciones de probabilidad: Llamamos funcin d probabilidad f a la aplicacin de E(X) (Espacio Muestral) en el intervalo [0,1] QUE VERIFICA: f(A)= p (A) Bsicamente se trata de estudiar la probabilidad como una funcin utilizando para su estudio todas las propiedades de las funciones. La Distribucin Binomial: Llamamos experiencia aleatoria dicotmica a aquella que solo puede tener dos posibles resultados A y A'. Usualmente A recibe el nombre de xito, adems representaremos como p= p(A) y q=1p=p(A). A la funcin de probabilidad de una variable aleatoria X resultado de contar el nmero de xitos al repetir n veces una experiencia aleatoria dicotmica con probabilidad de xito p la llamamos distribucin binomial y la representamos por B (n, p) Para esta distribucin se verifica que, la variable X puede tomar los valores: 0,1,2,, n y que la variable toma cada uno de estos valores con probabilidad: p( X = r ) = (nr) pr (1 p) n-r Parmetros de una distribucin binomial: Esperanza: n p Desviacin tpica (n p q )0.5 ( raz cuadrada) Ajuste de una serie de datos a una distribucin binomial: Disponemos de una serie de k datos que toman los valores 0,1, ,n. Para saber si estos datos siguen pueden aproximarse por una distribucin binomial: Calculamos la media de los k datos y la igualamos a la Esperanza terica de la Binomial (n p). Despejamos de aqu el valor de p. Calculamos los valores tericos de p(X = r), multiplicndolos por k para obtener los valores tericos de cada posible valor de la variable aleatoria en series de k datos. Si la diferencia es " suficientemente pequea " aceptamos como buena la aproximacin Binomial, si no, la rechazamos. (nota: la fundamentacin estadstica que nos permitira decidir de manera objetiva si la diferencia entre los datos tericos y los reales es "suficientemente pequea" escapa de los objetivos de esta unidad didctica, con lo cual la decisin se deber tomar de manera subjetiva).

Muestreo En estadstica, es el proceso por el cual se seleccionan los individuos que formarn una muestra. Para que se puedan obtener conclusiones fiables para la poblacin a partir de la muestra, es importante tanto su tamao como el modo en que han sido seleccionados los individuos que la componen. El tamao de la muestra depende de la precisin que se quiera conseguir en la estimacin que se realice a partir de ella. Para su determinacin se requieren tcnicas estadsticas superiores, pero resulta sorprendente cmo, con muestras notablemente pequeas, se pueden conseguir resultados suficientemente precisos. Por ejemplo, con muestras de unos pocos miles de personas se pueden estimar con muchsima precisin los resultados de unas votaciones en las que participarn decenas de millones de votantes. Para seleccionar los individuos de la muestra es fundamental proceder aleatoriamente, es decir, decidir al azar qu individuos de entre toda la poblacin forma parte de la muestra. Si se procede como si de un sorteo se tratara, eligiendo directamente de la poblacin sin ningn otro condicionante, el muestreo se llama aleatorio simple o irrestrictamente aleatorio. Cuando la poblacin se puede subdividir en clases (estratos) con caractersticas especiales, se puede mostrar de modo que el nmero de individuos de cada estrato en la muestra mantenga la proporcin que exista en la poblacin. Una vez fijado el nmero que corresponde a cada estrato, los individuos se designan aleatoriamente. Este tipo de muestreo se denomina aleatorio estratificado con asignacin proporcional. Las inferencias realizadas mediante muestras seleccionadas aleatoriamente estn sujetas a errores, llamados errores de muestreo, que estn controlados. Si la muestra est mal elegida - no es significativa - se producen errores sistemticos no controlados. Mtodos De Muestreo Existen dos mtodos de muestreo: El muestreo probabilstico y no probabilstico Mtodos de muestreo probabilstico Los mtodos de muestreo probabilsticas son aqullos que se basan en el principio de equiprobabilidad. Es decir, aquellos en los que todos los individuos tienen la misma probabilidad de ser elegidos para formar parte de una muestra y, consiguientemente, todas las posibles muestras de tamao n tienen la misma probabilidad de ser elegidas. Slo estos mtodos de muestreo probabilsticas nos aseguran la representatividad de la muestra extrada y son, por tanto, los ms recomendables. Error Muestral De estimacin o estndar. Es la diferencia entre un estadstico y su parmetro correspondiente. Es una medida de la variabilidad de las estimaciones de muestras repetidas en torno al valor de la poblacin, nos da una nocin clara de hasta dnde y con qu probabilidad una estimacin basada en una muestra se aleja del valor que se hubiera obtenido por medio de un censo completo. Siempre se comete un error, pero la naturaleza de la investigacinnos indicar hasta qu medida podemos cometerlo (los resultados se someten a error muestral e intervalos de confianza que varan muestra a muestra). Vara segn se calcule al principio o al final. Un estadstico ser ms preciso en cuanto y tanto su error es ms pequeo. Podramos decir que es la desviacin de la distribucin muestral de un estadstico y su fiabilidad.

DISTRIBUCION DE PROBABILIDAD POISSON

En teora de probabilidad y estadstica, la distribucin de Poisson es una distribucin de probabilidad discretaque expresa, a partir de una frecuencia de ocurrencia media, la probabilidad que ocurra un determinado nmero de eventos durante cierto periodo de tiempo. Fue descubierta por Simon-Denis Poisson, que la dio a conocer en 1838 en su trabajo Recherches sur la probabilit des jugements en matirescriminelles et matirecivile (Investigacin sobre la probabilidad de los juicios en materias criminales y civiles). Propiedades La funcin de masa de la distribucin de Poisson es:

Dnde:   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 interpretacincombinatoria. 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. La divergencia Kullback-Leibler desde una variable aleatoria de Poisson de parmetro parmetro es
0

a otra de

Sumas de variables aleatorias de Poisson La suma de variables aleatorias de Poisson independientes es otra variable aleatoria de Poisson cuyo parmetro es la suma de los parmetros de las originales. Dicho de otra manera, si

son N variables aleatorias de Poisson independientes, entonces

Distribucin binomial La distribucin de Poisson es el caso lmite de la distribucin binomial. De hecho, si los parmetros n y de una distribucin binomial tienden a infinito y a cero de manera que se mantenga constante, la distribucin lmite obtenida es de Poisson.

Aproximacin normal Como consecuencia del teorema central del lmite, para valores grandes de , una variable aleatoria de Poisson X puede aproximarse por otra normal dado que el cociente

Distribucin exponencial Supngase que para cada valor t > 0, que representa el tiempo, el nmero de sucesos de cierto fenmeno aleatorio sigue una distribucin de Poisson de parmetro t. Entonces, los tiempos discurridos entre dos sucesos sucesivos sigue la distribucin exponencial.

Procesos de Poisson La distribucin de Poisson se aplica a varios fenmenos discretos de la naturaleza (esto es, aquellos fenmenos que ocurren 0, 1, 2, 3,... veces durante un periodo definido de tiempo o en un rea determinada) cuando la probabilidad de ocurrencia del fenmeno es constante en el tiempo o el espacio. Ejemplos de estos eventos que pueden ser modelados por la distribucin de Poisson incluyen:      El nmero de autos que pasan a travs de un cierto punto en una ruta (suficientemente distantes de los semforos) durante un periodo definido de tiempo. El nmero de errores de ortografa que uno comete al escribir una nica pgina. El nmero de llamadas telefnicas en una central telefnica por minuto. El nmero de servidores web accedidos por minuto. El nmero de animales muertos encontrados por unidad de longitud de ruta.

 

  

El nmero de mutaciones de determinada cadena de ADN despus de cierta cantidad de radiacin. El nmero de ncleos atmicos inestables que decayeron en un determinado perodo en una porcin de sustancia radiactiva. La radiactividad de la sustancia se debilitar con el tiempo, por lo tanto el tiempo total del intervalo usado en el modelo debe ser significativamente menor que la vida media de la sustancia. El nmero de estrellas en un determinado volumen de espacio. La distribucin de receptores visuales en la retina del ojo humano. La inventiva de un inventor a lo largo de su carrera.

BIBLIOGRAFIA

Probabilidad y Estadstica Para Ingenieros | Autor: Ronald E. Walpole, Raymond H. Myers, Sharon L. Myers | ISBN: 9701702646 | Pearson Prentice Hall | 6ta Edicin | 1999 | 752 Pginas

http://www.monografias.com/trabajos10/dino/dino.shtml#bi http://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_Poisson