Está en la página 1de 2

AJUSTE DE UN CONJUNTO DE DATOS REALES A UNA

DISTRIBUCION TEORICA
En la prctica, uno recoge datos experimentales pero desconoce a
priori cul es la distribucin (binomial, Poisson, etc.) que siguen esos
datos. Por ello, a la hora de determinar cul es esa distribucin
terica, resulta habitual el mtodo de ensayo/error: ensayamos con
una cierta distribucin que nos parece verosmil, y comparamos los
resultados que producira esa distribucin (terica) con los datos
reales que hemos recogido. Si los primeros aproximan
suficientemente bien los segundos, admitiremos que la distribucin
que siguen los datos es la que hemos conjeturado; en otro caso,
probaremos otras posibilidades.
Como ejemplo de esta situacin (que aparece constantemente en la
investigacin cientfica), durante la Segunda Guerra Mundial se tuvo
la sospecha de que los impactos de las bombas nazis en el Sur de
Londres obedecan a una Ley de Poisson. Para decidir si esta
conjetura era cierta, se dividi el rea total en 576 reas parciales de
025 km2, y se recogieron los siguientes datos:
N impactos (k)
N reas con
impactos

0
229

1
211

2
93

3
35

4
7

5
1

A fin de ajustar los datos anteriores a una distribucin de Poisson, se


hicieron las siguientes consideraciones:
1) Para definir una distribucin de Poisson, es necesario conocer el
valor del parmetro correspondiente. Como coincide con la
media de la distribucin, se estim el valor del parmetro como la
media del conjunto de datos anterior. Puede comprobarse que esta
media es de 093. En consecuencia, se estim 0,93 .
2) En consecuencia, el modelo propuesto fue P( X k ) e 0 ,93

0,93 k .
k!

Esta frmula proporcionaba la probabilidad de que uno de esos


pequeos reas (de 025 km2) recibiera exactamente k bombas.
3) Para comprobar la bondad del modelo, se compararon las
predicciones del modelo con los datos reales. Con ese fin se
determinaron las siguientes probabilidades, utilizando la expresin
obtenida en el apartado anterior:
N impactos (k)
Probabilidad

0
0,394
6

1
0,366
9

2
0,170
6

3
0,052
9

4
0,012
3

5
0,002
3

Finalmente,
traduciendo
cada
probabilidad
a
porcentaje
(multiplicando por 100), y considerando un total de impactos de 229

+ 211 + 93 + 35 + 7 + 1 = 576, se determin el nmero de reas


con k impactos predicho por el modelo. Por ejemplo, el nmero
predicho de reas con 0 impactos se calcula como el 3946% de 576,
es decir, 227 (que est muy prximo a 229). Estas predicciones se
muestran en la siguiente tabla:
N impactos (k)
N (predicho) de
reas
con
k
impactos

0
227

1
211

2
98

3
30

4
7

5
1

Se puede comprobar que las predicciones concuerdan muy bien con


los datos observados, con lo cul el modelo obtenido es razonable.
Obsrvese que el modelo predice una media de impactos en cada
rea casi igual a 1 (concretamente, 093); en otras palabras, que es
raro que un mismo rea reciba ms de 1 impacto.
En el momento en que el estudio se hizo, la utilidad del estudio fue la
de avalar matemticamente la idea de que los lugares ms seguros
eran los que ya haban sido bombardeados previamente, tanto ms
seguros cuantas ms bombas hubieran recibido en el pasado.

También podría gustarte