Probabilidad y Estadistica Distribucion de Poisson y distribucion exponencial

INTRODUCCIN La Probabilidad, como rama de las El presente trabajo tiene como objetivo el anlisis y estudio de dos tipos de distribucin como lo es la distribucin de Poisson y la distribucin exponencial, teniendo como finalidad presentar sus caractersticas primordiales, calculo de la media, la varianza y su desviacin estndar. DISTRIBUCIN DE POISSON. Consideremos un problema que se puede resolver por medio de la distribucin binomial. Supongamos que inspeccionamos una longitud L de alambre de acero esmaltado, para encontrar las imperfecciones, que tiene, tales como rebabas, rasgaduras, roturas, etc. Supondremos que , para cada intervalo pequeo de longitud L, la probabilidad de una imperfeccin . L, donde (alfa) es una constante que depende de la calidad del alambre, y L es suficientemente pequeo para que se pueden despreciar la probabilidad de hallar dos, o ms, La probabilidad de un resultado se representa con un nmero entre 0 y 1, ambos inclusive. La probabilidad 0 indica que el resultado no ocurrir nunca, y la probabilidad 1, que el resultado ocurrir siempre. El clculo matemtico de probabilidades se basa en situaciones tericas en las cuales puede configurarse un espacio muestral cuyos sucesos elementales tengan todos la misma probabilidad. Por ejemplo, al lanzar un dado ideal, la probabilidad de cada una de las caras es 1/6. Al lanzar dos dados, la probabilidad de cada uno de los resultados es 1/36. Supongamos que hay n intervalos de longitud L, esto es, n. L, y adems que la presencia de una imperfeccin cualquiera de en cualquier los otros intervalo intervalos. dado, es independiente de la presencia de imperfecciones en Podemos considerar, entonces, que los n intervalos forman una succin de n pruebas independientes con una probabilidad constante . L de que se presente una imperfeccin en cualquiera de las pruebas. Se deduce imperfecciones en dicho intervalo. Nos interesa la probabilidad de encontrar x imperfecciones en una longitud L de alambre. matemticas que se ocupa de medir o determinar cuantitativamente la posibilidad de que ocurra un determinado suceso est basada en el estudio de la combinatoria y es fundamento necesario de la estadstica. La creacin de la probabilidad se atribuye a los matemticos franceses del siglo XVII Blaise Pascal el y Pierre XVI, de Fermat, aunque algunos matemticos anteriores, como Gerolamo Cardano en siglo haban aportado importantes contribuciones a su desarrollo. La probabilidad matemtica comenz como un intento de responder a varias preguntas que surgan en los juegos de azar, por ejemplo, saber cuntos dados hay que lanzar para que la probabilidad de que salga algn seis supere el 50%.

en consecuencia que la probabilidad de hallar x imperfecciones en una longitud n. L de alambre es b (x; n, . L)=

longitud L del alambre del tipo considerado, y corresponde a la familia de las llamadas DISTRIBUCIONES DE POISSON. Sustituyendo L por el parmetro nico , la ecuacin general de una Distribucin de Poisson es

n ( L) x (1 - L) n x para x = 0, 1, ..., n . x
Como la hiptesis de que sea despreciable la probabilidad de encontrar ms de una imperfeccin por intervalo, slo es aceptable si L es muy pequeo, hallemos ahora el lmite al que se aproxima la probabilidad anteriormente indicada cuando L 0 . este nos dar la probabilidad buscada de encontrar x imperfecciones en una longitud L de alambre considerado.

f ( x; ) = e

x
x!

para x = 0, 1, 2, ...

Como esta distribucin se define sobre un espacio muestral infinito numerable, es evidente, por la forma como se introduce que poniendo = np, nos dar una buena aproximacin de la distribucin binomial cuando n es grande y p pequea.

EJEMPLO 1:

L por L y simplificando la Sustituyendo n

expresin resultante para b(x; n, . L), obtenemos:
b( x; n, L) = n! L x!(n - x)! n
x

Comparemos b(2; 100; 0.05) con f(2;5), donde = np= 100(0.05) = 5. Sustituyendo en las expresiones correspondientes, tenemos
100 2 98 b(2;100,0.05) = 2 (0.05) (0.95) = 0.081 2 5 f (2;5) = e 5 = 0.084 2! y es interesante notar que el error es menor que 0.003. una regla prctica aceptable es usar la distribucin de poisson para hallar probabilidades binomiales si n20 y p0.05.(si n100, la aproximacin es excelente, mientras sea np10). DEFINICIN FORMAL DE LA DISTRIBUCIN DE POISSON. Sea X una variable aleatoria discreta que puede tomar los valores 0,1,2,.. tal que la funcin de probabilidad de X est dada por:

L 1 n

n x

n(n 1)(n 2).....(n x + 1) L b( x; n, L) = (L) x 1 x n x!n 1 2 x - 1 1 - 1 - ....1 n x L n n n (L) x 1 b( x; n, L) = x! n si ahora hacemos n , obtenemos 1 2 x - 1 1 1 - 1 - ....1 n n n esto L 1 n e
-L x L nL L L = 1 1 e n n y, por lo tanto, la probabilidad binomial se aproxima a n x

n x

(L) x!

para x = 0, 1, 2, ...

Esta es la distribucin de probabilidad que buscamos de obtener x imperfecciones en una

f ( x) = P( X = x) =

x e
x!

para x = 0, 1, 2 ,....

Media

Varianza Desviacin tpica Coeficiente de sesgo

donde es una constante positiva dada. Esta distribucin se llama Distribucin de Poisson (en memoria de S.D. Poisson, quien la descubri a principios del siglo XIX) y una variable aleatoria con esta distribucin se dice que est distribuida con la distribucin de Poisson. Los valores de f(x) en la ecuacin pueden obtenerse usando la siguiente tabla, que da los valores de e para diferentes valores de , o utilizando logaritmos. PROPIEDADES DE LA DISTRIBUCIN DE POISSON.
1. El nmero de resultados que ocurren en un

2 =

3 = 1

Coeficiente de curtosis Funcin generatriz de momentos Funcin caracterstica

4 = 3 + (1 + 1 )
M (t ) = e ( e 1)
t

( w) = e ( e

tw

-1)

La media y la varianza de la distribucin de Poisson p(x;t) tiene el valor t. Para verificar que en realidad la media tenga ese valor , podemos escribir:
e x e x e x 1 x. x! = ( x 1)! x! x =1 x =0 x =1 ahora bien, sea y = x - 1 lo que da

E ( X ) = x.

intervalo o regin especifica es independiente del nmero que ocurre en cualquier otro intervalo o regin del especio disjunto. De esta forma vemos que el proceso de Poisson no tiene memoria.
2. La probabilidad de que ocurra un solo

E(X) = puesto que

e y = y! y =0

p ( y, ) = 1 e y = y! y =0 y =0

la varianza de la distribucin de Poisson se obtiene al encontra primero E[X(X - 1)] = x.( x 1)

e x e x e x2 = x.( x 1) = 2 x! x! x =0 x =2 x = 2 ( x 2)! al hacer y = x - 2, tenemos

resultado durante un intervalo muy corto o en una regin pequea es proporcional a la longitud del intervalo o al tamao de la regin y no depende del nmero de resultados que ocurren fuera de este intervalo o regin.
3. La probabilidad de que ocurre ms de un

E[X(X - 1)] = 2 de aqu :

e y = 2 y! x=2

2 = E[X(X - 1)] + 2 = 2 + 2 = = t.

EJEMPLOS: 1. Durante un experimento de laboratorio el nmero promedio de partculas radioactivas que pasan a travs de un contador de un milisegundo es cuatro. Cul es la probabilidad de que seis partculas entren al contador en un milisegundo dado? Solucin:

resultado en tal intervalo corto o que caiga en tal regin pequea es insignificante.

al usar la distribucin de Poisson con x = 6 y t = 4 p(6;4) =

el siguiente teorema y corolario dan la media, la

6 5 e -4 4 6 varianza y la desviacin estndar de la distribucin = p( x;4) p ( x;4) = 0.8893 0.7851 = 0.1042 6! x =0 x =0 exponencial

2.

El nmero promedio de camiones tanque que

= 2 = 2 =
APLICACIONES DE LA DISTRIBUCIN EXPONENCIAL Ejemplo 1: Suponga que un sistema contiene cierto tipo de

llega cada da a cierta ciudad portuaria es 10. Las instalaciones en el puerto pueden manejar a lo ms 15 camiones tanque por da. cul es la probabilidad de que en un da dado los camiones se tengan que regresar?. Solucin: Sea X el nmero de camiones tanque que llegan Al usar la distribucin de Poisson desde x=0 a x=15 y encontrando el complementario tenemos el resultado:
e 10 .10 X = 0.95 p(x;10) = p ( x;4) = X! x =0 x =0
15 15

componente cuyos tiempo de falla en aos est dada por T. La variable aleatoria T se modela bien mediante la distribucin exponencial con tiempo medio para la falla =5. Si se instalan cinco de estos componentes en diferentes sistemas. Cul es la probabilidad de que al menos dos an funcionen al final de ocho aos? Solucin: La probabilidad de que un componente dado an funcione despus de ocho aos est dada por: P(T>8)=
1 t 5 8 5 8 e dt = e = 0.2 5 CONCLUSION En el estudio de la probabilidad,

p=0.95 representa la probabilidad de recibir de 0 a 15 camiones, es decir, no rebasa la capacidad de las instalaciones. El complementario p=0.05 es la probabilidad de rebasar la capacidad, es decir, de devolver camiones. DISTRIBUCIN EXPONENCIAL La variable aleatoria continua X tiene una

especficamente de las distribuciones binomiales, podemos encontrar diversas formas de distribucin, dependiendo de las caractersticas de los valores estudiados. Para la distribucin de Poisson se plantea una probabilidad de un hecho a partir de un valor

distribucin exponencial, con parmetro , si su funcin de densidad est dada por:

1 x e , f ( x) = 0 donde > 0 x>0 en cualquier otro caso

promedio conocido, estudiado previamente y de un dato a evaluar. Igualmente se puede realizar con la

distribucin exponencial, aunque esta expresin esta en funcin de un valor exponencial. FUENTES CONSULTADAS WALPOLE, Meyers. Probabilidad y estadstica. 6 edicin. Enciclopedia Encarta 2001. Microsoft Corporation.