Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Aproximación Poisson de la
Binomial. Distribución Uniforme
Estadı́stica I.
1
INTRODUCCIÓN
Estadı́stica I.
2
INTRODUCCIÓN
3
Distribución Poisson
Definición:
Sea X una variable aleatoria que representa el número de eventos aleatorios
independientes que ocurren a una rapidez constante (λ) sobre el tiempo o el
espacio. Se dice entonces que la variable aleatoria X tiene una distribución
de Poisson (X ∼ P(λ)) con función de probabilidad
e−λ λx
(
; x = 0, 1, . . . ; λ > 0
p(x, λ) = x!
0 ; e.o.c.
Estadı́stica I.
4
Distribución Poisson
Estadı́stica I.
5
Distribución Poisson
1. E[X] = λ
2. Var[X] = λ
Dm:
Estadı́stica I.
6
Distribución Poisson
1.
∞ e−λλx
E[X] = ∑ x Por definición de valor esperado
x=0 x!
∞ λx
= ∑x e−λ
x=1 x(x − 1)!
∞ λx λ−1λ
= ∑ e−λ multiplicando por λ−1λ = 1
x=1 (x − 1)!
∞ λx−1
=λ ∑ (x − 1)! e−λ
x=1
∞ λy
=λ ∑ e−λ donde y = x − 1
x=1 y!
=λ
Estadı́stica I.
7
Distribución Poisson
2.
∞ e−λλx
E[X(X − 1)] = ∑ x(x − 1) Por definición de valor esperado
x=0 x!
∞ λx
= ∑ x(x − 1) e−λ
x=2 x(x − 1)(x − 2)!
∞ λx λ−2λ2
= ∑ e−λ multiplicando por λ−2λ2 = 1
x=2 (x − 2)!
∞ λx−2
=λ 2
∑ (x − 2)!
e−λ
x=2
∞ λy
= λ2 ∑ e−λ donde y = x − 2
x=2 y!
= λ2
Estadı́stica I.
8
Distribución Poisson
Ahora
=⇒ E[X 2] = λ2 + E[X] = λ2 + λ
Luego
Estadı́stica I.
9
Distribución Poisson
Ejemplo 1
Suponga que a una central telefónica llegan en promedio 10 llamadas por
minuto.
(a) ¿Qué tan probable es que en el siguiente minuto lleguen al menos dos
llamadas?
Estadı́stica I.
10
Distribución Poisson
Sln:
Sea X : número de llamadas por minuto, note que X ∼ P(λ = 10)*, luego
e−1010x
(
x! ; x = 0, 1, . . .
p(x) =
0 ; e.o.c.
(a)
*
cumple con todas las condiciones de un experimento Poisson, siempre y cuando se pueda
garantizar que el número promedio de llamadas por minuto se mantie constante para cada
intervalo de 1 minuto
Estadı́stica I.
11
Distribución Poisson
−10 1015
(b) P(X = 15) = e 15! = 0,0347
e−10 100
(c) P(X = 0) = 0! = 0,0000454
Ejemplo 2
En un manuscrito legendario se descubrió que solo el 13,5 % de las páginas
no contienen errores tipográficos. Si asumimos que el número de errores por
página es una variable aleatoria con distribución Poisson. Encuentre el por-
centaje de páginas que tienen exactamente un error.
Estadı́stica I.
12
Distribución Poisson
Sln:
Sea X : el número de errores por páginas, se sabe que X ∼ P(λ), entonces
e−λλx
(
x! ; x = 0, 1, . . .
p(x) =
0 ; e.o.c.
Se sabe también que sólo el 13,5 % de las páginas no contiene errores ti-
pográficos, esto es P(X = 0) = 0,135. Ası́ que
e−λλ0
0,135 = = e−λ =⇒ ln(0,135) = ln(e−λ) = −λ =⇒ λ = − ln(0,135)
0!
Luego, el porcentaje de páginas que tiene un sólo error es
Estadı́stica I.
13
Distribución Poisson
Ejemplo 3
Si la variable aleatoria X ∼ P(λ) y P(X = 1) = P(X = 2), encuentre P(X = 4)
Sln:
Como P(X = 1) = P(X = 2) y X ∼ P(λ), entonces
e−λλ1 e−λλ2 λ2 λ2
= =⇒ λ = =⇒ 2 = =⇒ λ = 2
1! 2! 2 λ
Luego
e−224
P(X = 4) = = 0,0902
4!
Estadı́stica I.
14
Distribución Poisson
Ejemplo 4
El número de llamadas que llega a una oficina es una variable aleatoria Pois-
son con parámetro λ = 4 × Hora.
(b) Encuentre el intervalo de tiempo dado por L (en horas) para que la prob-
abilidad de que se reciban al menos una llamada sea de 0,9.
Estadı́stica I.
15
Distribución Poisson
Sln:
Sea X : número de llamadas que llegan a la oficina en tres horas, X ∼ P(λ∗).
Note que:
1 hora −→ λ = 4
3 horas −→ λ∗ =?
=⇒ λ∗ = 12
Por lo tanto
12x e−12
(
x! ; x = 0, 1, . . .
p(x) =
0 ; e.o.c.
Estadı́stica I.
16
Distribución Poisson
(a)
1 hora −→ λ = 4
L horas −→ λ∗∗ =?
=⇒ λ∗∗ = 4L
Estadı́stica I.
17
Distribución Poisson
(4L)0 −4L
0,9 = P(Y ≥ 1) = 1 − P(Y = 0) = 1 − e
0!
ln(0,1)
=⇒ e−4L = 0,1 =⇒ −4L = ln(0,1) =⇒ L = − = 0,5756horas
4
Estadı́stica I.
18
Distribución Poisson
Ejemplo 5
Estudios recientes han mostrado que la probabilidad de morir a causa de cier-
to medicamento contra la gripe es 0,00002. Si se administra dicho medica-
mento a 100000 personas ¿cuál es la probabilidad de que no más de 2 per-
sonas mueran?
Sln:
Si definimos la variable aleatoria
X : número personas que mueren por causa del medicamento,
tendrı́amos que X ∼ b(n = 100000, p = 0,00002).
Luego
2 100000
P(X ≤ 2) = ∑ x
(0,00002)x(0,99998)100000−x = 0,676672
x=0
Estadı́stica I.
19
Distribución Poisson
Estadı́stica I.
20
APROXIMACIÓN POISSON DE LA BINOMIAL
Teorema
Sea X ∼ b(n, p), con n grande y p pequeño (n ≥ 100 y p < 0,1), entonces
X ∼ P(λ = np)
Estadı́stica I.
21
APROXIMACIÓN POISSON DE LA BINOMIAL
Ejemplo 6
En un auditorio se encuentran 135 estudiantes. La probabilidad de que uno
1 . ¿Cuál es
de los estudiantes se encuentre hoy de cumpleaños es igual a 365
la probabilidad de que en el auditorio dos o más estudiantes estén hoy de
cumpleaños?
Estadı́stica I.
22
APROXIMACIÓN POISSON DE LA BINOMIAL
Sln:
Sea X : número de estudiantes que están de cumpleaños hoy. Claramente X ∼
1 ).
b(135, 365
1 < 0,1, por lo tanto λ = 135( 1 ) = 27 .
Note que n = 135 ≥ 100 y p = 365 365 73
Luego
Estadı́stica I.
23
APROXIMACIÓN POISSON DE LA BINOMIAL
Suponga que un bus escolar llega siempre a cierto paradero entre las 6 :
00 am y las 6 : 30 am, y que la probabilidad de que el bus llegue en cualquier
subintervalo de tiempo, del intervalo [0, 30] (digamos por ejemplo, 6 : 00 − 6 :
15 am a 6 : 05 − 6 : 20 am ) es solo proporcional a la longitud del subintervalo.
Sea X el tiempo (en minutos) que un escolar debe esperar en el paradero del
bus, si llega exactamente a las 6 : 00 am.
Si se mide cuidadosamente la hora en que llega el bus, se observa por ejemplo
que las frecuencias relativas de X entre 6 : 00 y 6 : 15 am y 6 : 05 y 6 : 20 am
en un histograma son practicamente las mismas. Decimos entonces que X es
una variable aleatoria con distribución uniforme.
Estadı́stica I.
24
DISTRIBUCIÓN UNIFORME
Definición:
Se dice que una variable aleatoria X está distribuı́da uniformemente (X ∼
U[a,b]) sobre el intervalo [a, b] si su función de densidad de probabilidad está da-
da por
(
1 ; a ≤ x ≤ b;
f (x, a, b) = b−a
0 ; e.o.c.
La función de densidad de una uniforme es constante en el intervalo [a, b].
Estadı́stica I.
25
DISTRIBUCIÓN UNIFORME
Estadı́stica I.
26
DISTRIBUCIÓN UNIFORME
• Si x < a =⇒ FX (x) = 0
• Si x > b =⇒ FX (x) = 1
Estadı́stica I.
27
DISTRIBUCIÓN UNIFORME
Definición:
Si X ∼ U[a,b], entonces la función de distribución acumulada está dada por
0
; x < a;
x−a ; a ≤ x ≤ b;
FX (x) = b−a
1 ;x > b
Estadı́stica I.
28
DISTRIBUCIÓN UNIFORME
1. E[X] = a+b
2
(b−a)2
2. Var[X] = 12
Dm:
Estadı́stica I.
29
DISTRIBUCIÓN UNIFORME
1.
Z b
1
E(X) = x dx
a b − a
2 b
1 x
=
b − a 2 a
1
= (b2 − a2)
2(b − a)
1
= (b + a)(b − a)
2(b − a)
a+b
=
2
Estadı́stica I.
30
DISTRIBUCIÓN UNIFORME
Z b
1
2. E(X2) = x2 dx
a b−a
1 x 3 b
=
b − a 3 a
1
= (b3 − a3)
3(b − a)
1
= (b2 + ab + a2)
3
h i2
=⇒ Var[X] = 31 (b2 + ab + a2) − a+b
2
4b2 +4ab+4a2 −3a2 −6ab−3b2 b2 −2ab+a2 (b−a)2
= 12 = 12 = 12
Estadı́stica I.
31
DISTRIBUCIÓN UNIFORME
Ejemplo 7
Se escoge un número al azar en el intervalo [1, 3] ¿cuál es la probabilidad de
que el primer dı́gito al lado derecho del punto decimal sea cinco?
Sln:
Sea X : número escogido al azar del intervalo [1,3]
X ∼ U[1,3], por lo tanto
(
1
;1 ≤ x ≤ 3
f (x) = 2
0 ; e.o.c
Sea A : primer dı́gito al lado derecho del punto decimal de X es cinco.
Estadı́stica I.
32
DISTRIBUCIÓN UNIFORME
Estadı́stica I.
33
DISTRIBUCIÓN UNIFORME
Ejemplo 8
Suponga que X ∼ U(a,b) y que E[X] = 2 y Var[X] = 34 , calcule P(X ≤ 1)
Sln:
a+b
2 = E[X] = =⇒ a + b = 4 =⇒ a = 4 − b
2
r
3 (b − a)2 3
= Var[X] = =⇒ b − a = (12) = 3
4 12 4
=⇒ 3 = b − (4 − b) = 2b − 4 =⇒ b = 7/2 =⇒ a = 1/2
Estadı́stica I.
34
DISTRIBUCIÓN UNIFORME
luego
(
1
; 1/2 ≤ x ≤ 7/2
f (x) = 3
0 ; e.o.c
Por lo tanto
Z 1
1
P(x ≤ 1) = dx = 1/6
1/2 3
Estadı́stica I.
35
DISTRIBUCIÓN UNIFORME
Ejemplo 9
El tiempo de viaje de cierto camión de entrega es una variable aleatoria uni-
forme en el intervalo (20, 50) minutos.
Estadı́stica I.
36
DISTRIBUCIÓN UNIFORME
Sln:
Sea X : tiempo de entrega, X ∼ U(20,50), entonces
(
1 ; 20 ≤ x ≤ 50
f (x) = 30
0 ; e.o.c
Z 30
1
(a) P(X < 30) = dx = 1/3
20 30
Estadı́stica I.
37
DISTRIBUCIÓN UNIFORME
(b)
P(25 ≤ X ≤ 40)
P(X ≤ 40|X ≥ 25) =
P(X ≥ 25)
Z 40
1
dx
30
= Z2550
1
dx
25 30
3
=
5
Estadı́stica I.
38