Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Distribucin de Poisson
=
Propiedades
La funcin de masa o probabilidad de la distribucin de Poisson es
donde
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 interpretacin combinatoria. 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 0 a
otra de parmetro es
Intervalo de confianza
Un criterio fcil y rpido para calcular un intervalo de confianza aproximada de es propuesto
por Guerriero (2012).1 Dada una serie de eventos k (al menos el 15 - 20) en un periodo de
tiempo T, los lmites del intervalo de confianza para la frecuencia vienen dadas por:
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 (en el caso de 'n') y a cero (en
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
converge a una distribucin normal de media 0 y varianza 1.
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 transcurridos entre dos sucesos sucesivos sigue la distribucin exponencial.
Ejemplos
Si el 2% de los libros encuadernados en cierto taller tiene encuadernacin defectuosa, para
obtener la probabilidad de que 5 de 400 libros encuadernados en este taller tengan
encuadernaciones defectuosas usamos la distribucin de Poisson. En este caso concreto, kes
5 y, , el valor esperado de libros defectuosos es el 2% de 400, es decir, 8. Por lo tanto, la
probabilidad buscada es
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:
Distribucin binomial
Binomial redirige aqu. Para otras acepciones, vase binomial (desambiguacin).
Este artculo o seccin necesita referencias que aparezcan en una publicacin acreditada.
Este aviso fue puesto el 24 de diciembre de 2014.
Puedes aadirlas o avisar al autor principal del artculo en su pgina de discusin
pegando: {{sust:Aviso referencias|Distribucin binomial}} ~~~~
Distribucin binomial
Funcin de probabilidad
Ejemplos[editar]
Las siguientes situaciones son ejemplos de experimentos que pueden modelizarse por
esta distribucin:
Experimento binomial[editar]
Existen muchas situaciones en las que se presenta una experiencia binomial. Cada uno
de los experimentos es independiente de los restantes (la probabilidad del resultado de un
experimento no depende del resultado del resto). El resultado de cada experimento ha de
admitir slo dos categoras (a las que se denomina xito y fracaso). Las probabilidades de
ambas posibilidades han de ser constantes en todos los experimentos (se denotan
como p y q o p y 1-p).
Se designa por X a la variable que mide el nmero de xitos que se han producido en
los n experimentos.
Cuando se dan estas circunstancias, se dice que la variable X sigue una distribucin de
probabilidad binomial, y se denota B(n,p).
Caractersticas analticas
Su funcin de probabilidad es
donde
siendo
de x en n)
Ejemplo[editar]
Supongamos que se lanza un dado (con 6 caras) 51 veces y queremos conocer la
probabilidad de que el nmero 3 salga 20 veces. En este caso tenemos una X ~ B(51,
1/6) y la probabilidad sera P(X=20):
Propiedades
Relaciones con otras variables aleatorias
Si n tiende a infinito y p es tal que el producto entre ambos parmetros tiende a
, entonces
la distribucin de la variable aleatoria binomial tiende a una distribucin de Poisson de
parmetro .
Por ltimo, se cumple que cuando =0.5 y n es muy grande (usualmente se exige que ) la
distribucin binomial puede aproximarse mediante la distribucin normal.
Propiedades reproductivas[editar]
Dadas m variables binomiales independientes de parmetros ni (i = 1,..., m) y , su suma es
tambin una variable binomial, de parmetros n1+... + nm, y , es decir,
Distribucin multinomial
probabilidades
sucesos independientes.
(tal que
para i entre 1 y K y
); y con n
Entonces sea la variable aleatoria , que indica el nmero de veces que se ha dado el resultado
i sobre los n sucesos. El vector
parmetros n y p, donde
Especificacin
Funcin de probabilidad
La funcin de probabilidad de la distribucin multinomial es como sigue:
Para enteros no negativos x1, ..., xk.
Propiedades
La esperanza matemtica del suceso i observado en n pruebas es:
La varianza es:
Distribucin hipergeomtrica
Propiedades
Distribucin geomtrica
En teora de probabilidad y estadstica, la distribucin geomtrica es cualquiera de las
dos distribuciones de probabilidad discretas siguientes:
Propiedades[editar]
1. La distribucin geomtrica no tiene memoria, es decir,
Distribuciones relacionadas[editar]
La distribucin geomtrica es un caso especial de la distribucin binomial negativa con
parmetro k = 1. Ms generalmente, si Y 1,...,Yk son variables independientes distribuidas
geomtricamente con parmetro p, entonces sigue a una distribucin binomial negativa con
parmetros k y p.
Si Y1,...,Yr son variables independientes distribuidas geomtricamente (con diferentes
parmetros de xito pm posibles ), entonces su mnimo es tambin geomtricamente
distribuido, con parmetro
Distribucin de Bernoulli
La frmula ser:
)y
Propiedades caractersticas
Esperanza matemtica:
Varianza:
Funcin generatriz de momentos:
Funcin caracterstica:
Moda:
0 si q > p (hay ms fracasos que xitos)
1 si q < p (hay ms xitos que fracasos)
0 y 1 si q = p (los dos valores, pues hay igual nmero de fracasos que de xitos)
Asimetra (Sesgo):
Curtosis:
Distribuciones Relacionadas
Si son variables aleatorias identicamente distribuidas con la distribucin de Bernoulli con la
misma probabilidad de xito en todas, entonces la variable aleatoria presenta
una distribucin binomial de probabilidad.
Ejemplo
"Lanzar una moneda, probabilidad de conseguir que salga cruz".
Se trata de un solo experimento, con dos resultados posibles: el xito (p) se considerar sacar
cruz. Valdr 0,5. El fracaso (q) que saliera cara, que vale (1 - p) = 1 - 0,5 = 0,5.
La variable aleatoria X medir "nmero de cruces que salen en un lanzamiento", y slo
existirn dos resultados posibles: 0 (ninguna cruz, es decir, salir cara) y 1 (una cruz).
Por tanto, la v.a. X se distribuir como una Bernoulli, ya que cumple todos los requisitos.
Ejemplo:
"Lanzar un dado y salir un 6".
Cuando lanzamos un dado tenemos 6 posibles resultados:
Estamos realizando un nico experimento (lanzar el dado una sola vez).
Se considera xito sacar un 6, por tanto, la probabilidad segn la Regla de Laplace (casos
favorables dividido entre casos posibles) ser 1/6.
Se considera fracaso no sacar un 6, por tanto, se considera fracaso sacar cualquier otro
resultado.
La variable aleatoria X medir "nmero de veces que sale un 6", y solo existen dos valores
posibles, 0 (que no salga 6) y 1 (que salga un 6).
Por tanto, la variable aleatoria X se distribuye como una Bernoulli de parmetro = 1/6
Bibliografa
TTULO: Elementos de la Probabilidad
AUTORES: Lic. Martha Leticia Hernndez
Lic. Luis Fernando Mendoza Melken
Ing. Rodolfo Jess Matus Quiroz
EDICIN: Primera
EDITORIAL: LIBUDI S.A DE C.V.
PGINAS: 62-74
Bibliografa
TTULO: Probabilidad y estadstica para
AUTORES: Ronald E. Walpole
Raymond H. Myers
Sharon L. Myers
EDICIN: Sexta
EDITORIAL: PEARSON Educacin
PGINAS: 54-56
ingenieros
Bibliografa
TTULO: Probabilidad y Estadstica
AUTORES: Spiegel Murray R.
Schiller John J.
Srinivasan R. Alu
EDICIN: Segunda
EDITORIAL: Mc Graw Hill
PGINAS: 41-42
Bibliografa
TTULO: Estadstica y Probabilidad
AUTORES: Domnguez Domnguez
Domnguez Lpez Jorge Axel
EDICIN: Primera
EDITORIAL: OXFORD
PGINAS: 268-282
Jorge
Bibliografa
TTULO: Anlisis y control estadstico de los procesos
AUTORES: Hernndez Herrera Claudia Alejandra
EDITORIAL: Colegio Nacional de Educacin Profesional
PGINAS: 163-167