• No se han encontrado resultados

Modelos de distribuciones discretas

N/A
N/A
Protected

Academic year: 2021

Share "Modelos de distribuciones discretas"

Copied!
8
0
0

Texto completo

(1)

Modelos de distribuciones discretas

En este cap´ıtulo estudiaremos las distribuciones discretas m´as importantes. De nuevo, esa importancia es doble, por las aplicaciones y por su relevancia conceptual.

4.1

Distribuci´

on uniforme discreta

Ejercicio 4.1.1 Consideremos el conjunto E ={1,2, . . . , n}.

(a) Definid una variable discreta X que asigne a cada punto de E igual probabilidad. (b) Hallad su funci´on de masa y su funci´on de distribuci´on.

(c) Hallad E(X), 2, CV y la mediana.

Problema 4.1.2 Supongamos ahora que E ={x1, x2, . . . , xn}, un conjunto arbitrario, donde

xi 2R. Generalizad los resultados del problema anterior.

4.2

Procesos de Bernouilli

Definici´on 4.2.1 Procesos de Bernouilli Sea un experimento aleatorio que cumple las siguientes propiedades:

(a) El experimento solo puede dar dos resultados posibles, que llamaremos A y B. (b) La probabilidad pde obtener A no cambia con el tiempo.

Un proceso de Bernouilli es una variable aleatoria X definida sobre este experimento tal que X toma el valor 1 si sale A y 0 si saleB.

Si una variable aleatoria X modeliza un proceso de Bernouilli se escribe X ⇠B(1, p). Con frecuencia, los resultados del experimento se interpretan en un sentido muy general como ´exito y fracaso. Por ejemplo, en el contexto de control de calidad, A es una pieza que pasa los controles yB es una pieza defectuosa.

(2)

54 Modelos de distribuciones discretas

Ejercicio 4.2.2 Sea X B(1, p).

(a) Hallad la funci´on masa y la funci´on de distribuci´on de X. (b) Hallad E(X), 2 y CV .

Definici´on 4.2.3 Distribuci´on binomialConsideremos un conjuntos de variables aleatorias Xi ⇠ B(1, p), con i = 1, . . . , n. Si las variables Xi son independientes entre s´ı, la variable X =X1+. . .+Xn se llama distribuci´on binomial y se escribe X ⇠B(n, p).

En general, si tenemos dos variables aleatorias X B(n1, p) e Y ⇠ B(n2, p), la variable

X+Y sigue una distribuci´on B(n1 +n2, p). El resultado es falso si la probabilidad p no es

com´un en ambas distribuciones binomiales.

Problema 4.2.4 Sea X B(n, p).

(a) Si interpretamos A como el suceso tener ´exito, ¿qu´e mide la variableX? (b) Hallad su funci´on de masa y probad que suma 1.

(c) Hallad E(X), 2 y CV .

(d) Sabiendo que el coeficiente de asimetr´ıa de Fisher es CAF =

1 2p p

np(1 p)

describid la asimetr´ıa de la distribuci´on binomial. Dibujad aproximadamente la funci´on de masa en cada caso.

Las probabilidades de la binomial son tediosas de calcular a mano. En la pr´actica se calculan por v´ıa del ordenador, con alg´un paquete estad´ıstico (Statgraphics, Matlab, SPSS), o bien mediante tablas. Las tablas se pueden encontrar en el Moodle (fichero Formularios y tablas). En la figura 4.1 se encuentra elementos de la tabla de la distribuci´on binomial. Por ejemplo, si en una binomial X B(4,0,15) queremos hallar la probabilidad de que X tome el valor 2, consultando la tabla encontramos que tal valor es 0,988.

Ejercicio 4.2.5 Un dado se tira 4 veces. ¿Cu´al es la probabilidad de obtener exactamente un 6? Resolved el problema usando una variable binomial.

Problema 4.2.6 Un examen, que consta de 10 preguntas, se aprueba si se contestan correctamente 6 o m´as. Cada pregunta tiene 3 apartados y la respuesta se considera correcta si se contestan bien 2 o m´as apartados. Sabiendo que la probabilidad de que un alumno estudioso conteste bien cada apartado es 007, independientemente de lo que conteste en el resto de los

apartados, calculad:

(a) La probabilidad de que dicho alumno apruebe el examen y la nota esperada.

(b) Sabiendo que este alumno ha aprobado el examen, calculad la probabilidad de que haya contestado correctamente 7 preguntas.

(3)

Figura 4.1: Tabla de la distribuci´on binomial

Problema 4.2.7 En un huerto con 100 calabazas, la probabilidad de recolectar una sin pipas es 0005.

(a) Calcular las probabilidades de los siguientes sucesos:

(i) Obtener m´as de 6 calabazas con pipas al recolectar las 10 primeras. (ii) Encontrar la primera calabaza sin pipas al recolectar la d´ecima. (iii) Recolectar en todo el huerto 10 calabazas sin pipas.

(iv) Recolectar en todo el huerto m´as de 7 calabazas sin pipas. (b) Hallar el n´umero esperado de calabazas sin pipas en el huerto.

4.3

Distribuci´

on geom´

etrica

Consideremos de nuevo un proceso de Bernouilli que se repite de modo independiente. Queremos medir el n´umero de veces que hay que repetir el experimentoantesde salir el primer ´exito o suceso A. La correspondiente variable aleatoria se llama geom´etrica y se escribe X G(p), donde p es la probabilidad de que salga A.

Problema 4.3.1 Sea X G(p).

(a) Hallad la funci´on de masa de X y probad que suma 1. (b) Hallad E(X).

(c) Sabiendo que el coeficiente de asimetr´ıa de Fisher es CAF =

2 p

p

1 p

describid la asimetr´ıa de la distribuci´on binomial. Dibujad aproximadamente la funci´on de masa.

(4)

56 Modelos de distribuciones discretas La varianza de la distribuci´on geom´etrica es

V(X) = 1 p p2

Otra variable asociada a los procesos de Bernouilli es el n´umero de veces que se repite el experimentohastaque sale el primer ´exito. Esta variable es similar a la anterior y sus momentos se calculan de modo an´alogo.

Ejercicio 4.3.2 Un dado se tira hasta que aparece un 4. ¿Cu´al es la probabilidad de tirar el dado 10 veces antes de sacar 4? ¿Cu´al es la probabilidad de sacar 4 en la d´ecima tirada? Resolved el problema usando una variable geom´etrica.

Teorema 4.3.3 Sea X una variable aleatoria G(p). La probabilidad de repetir el experimento k veces m´as antes de sacar el primer ´exito no depende del n´umero previo de veces que hayamos realizado el experimento.

Problema 4.3.4 Supongamos que en un juego de azar (que no sea hacer un examen de estad´ıstica), la probabilidad de ganar es p, con 0 < p < 1. ¿C´omo se interpreta el teorema anterior en el contexto de los juegos de azar?

Problema 4.3.5 En una red ATM los mensajes se env´ıan en r´afagas de celdas de 53 octetos. Un mensaje tendr´a tantas celdas como quiera y sabremos que hemos llegado al final del mensaje porque en los bits de control de la ´ultima celda as´ı se indica. Se sabe que la variable aleatoria X que cuenta el n´umero de celdas enviadas en la transmisi´on de un mensaje antes de la celda que marca el final del mensaje es geom´etrica de par´ametrop.

(a) Si sabemos que el n´umero medio de celdas por mensaje sin incluir la ´ultima celda es 7, calculad la probabilidad de que el n´umero de celdas enviadas en la transmisi´on de un mensaje, excluyendo la ´ultima, sea menor que 3.

(b) Calculad la probabilidad de que el n´umero de celdas enviadas en la transmisi´on de un mensaje, sin incluir la ´ultima celda, sea mayor que 7 si sabemos que es mayor que 4. (c) Se transmiten 10 mensajes de forma independiente. Obtened la probabilidad de que en

4 mensajes o m´as el n´umero total de celdas enviadas por mensaje, sin incluir la ´ultima celda, sea menor que 3.

4.4

Distribuci´

on de Poisson

La distribuci´on se cuenta entre la m´as importantes entre las discretas, principalmente por su ubicuidad. Es capaz de modelizar eficazmente un gran abanico de situaciones muy dispares entre s´ı. Sim´eon Poisson (1781–1840) la introdujo por primera vez como parte de su teor´ıa de la probabilidad en 1837. Apareci´o en una obra suya en que investigaba la probabilidad de ciertos hechos en juicios penales y civiles. Poisson se preguntaba sobre el n´umero de condenas injustas en un pa´ıs, variable que sigue ciertamente la distribuci´on que lleva su nombre.

¿Por qu´e es tan ubicua la distribuci´on de Poisson? Definamos primero qu´e es un

(5)

Definici´on 4.4.1 Experimento de Poisson. Consideremos un experimento con las siguientes propiedades:

(1) Los resultados del experimento se pueden clasificar en ´exito o fracaso, esto es, solo hay dos resultados posibles.

(2) Se observa el n´umero de ´exitos por unidad de cierta magnitud (tiempo, longitud, ´area, volumen, etc.).

(3) El n´umero medio de ´exitos en una regi´on dada es conocido; en otras palabras, se conoce la media de ´exitos por unidad de magnitud. Adem´as, este valor medio es constante en el tiempo.

(4) La probabilidad de ´exito es proporcional al tama˜no de la regi´on (aqu´ı regi´on se refiere a la magnitud en cuesti´on).

(5) La probabilidad de ´exito en intervalos extremadamente peque˜nos es cero. Esto asegura que la probabilidad de que dos sucesos ocurran a la vez es cero.

(6) Los sucesos ocurren de manera independiente.

Una objeci´on que se puede hacer a la definici´on anterior es que, en la pr´actica, esas condiciones son dif´ıciles de comprobar exhaustivamente. Ello es cierto en muchas ocasiones. De lo que se trata entonces es de suponer que son razonablemente ciertas las hip´otesis anteriores y ver c´omo el modelo explica los resultados de ulteriores experimentos.

Para que el lector tome consciencia de la importancia de la distribuci´on de Poisson, he aqu´ı una lista de modo alguno exhaustiva de situaciones en que aparece esta distribuci´on:

(a) El n´umero de coces dadas por los caballos del ej´ercito prusiano. Esta fue la primera aplicaci´on de la distribuci´on de Poisson de la que se tiene constancia hist´orica.

(b) El n´umero de part´ıculas alfa emitidas por una sustancia radioactiva por unidad de tiempo. (c) El n´umero de bombas lanzadas por bombarderos a´ereos en el sur de Londres durante la

Segunda Guerra Mundial.

(d) El n´umero de accidentes en cierto punto de una carretera por d´ıa. (e) El n´umero de erratas por p´agina.

(f) El n´umero de pasas por cent´ımetro c´ubico en unplumcake.

(g) El n´umero de cambios cromos´omicos en una c´elula como consecuencia de la exposici´on a los rayos X.

(h) El n´umero de alumnos con verdadera pasi´on por la inform´atica por grupo.

(i) El n´umero de pelos encontrados en las hamburguesas de McDonalds (o de cualquier otra cadena de comida basura).

(j) El n´umero de fallos en una m´aquina por mes.

(6)

58 Modelos de distribuciones discretas Si solo queremos centrarnos en ejemplos con sabor netamente inform´atica, aqu´ı va otra lista similar, m´as corta pero suficientemente representativa; el lector puede construir su propia lista:

(a) El n´umero de peticiones a un servidor por unidad de tiempo.

(b) El n´umero de errores de codificaci´on que comete un equipo de programadores por semana. (c) El n´umero de fallos de un disco duro por mes.

(d) El n´umero de mensajes que llegan a la unidad de proceso de un ordenador por segundo. (e) El n´umero de cuelgues de un sistema operativo por semana.

(f) El n´umero de mensajes de correo basura que llegan por semana. (g) El n´umero de programas compilados por un ordenador por d´ıa.

La funci´on de masa de la distribuci´on de Poisson est´a dada por la expresi´on de m´as abajo

P(X =k) =e k

k!

donde el rango de valores es k 2 N (el n´umero de sucesos por unidad de magnitud puede ser cualquier n´umero natural). La figura 4.2 muestra la funci´on de masa para distintos valores de

.

Figura 4.2: La funci´on de masa de la distribuci´on de Poisson

Problema 4.4.2 Comprobad que la funci´on de masa dada anteriormente lo es efectivamente. Usad la siguiente f´ormula, consecuencia del desarrollo de Taylor (¡ah, qu´e tiempo aquellos de AM!) y que es v´alida para todox2R:

(7)

ex = 1 X n=0 xn n!

El c´alculo efectivo de una probabilidad en una distribuci´on de Poisson se hace tambi´en a trav´es de la consulta de tablas o del ordenador.

Suponemos que el lector estar´a un tanto desorientado ante esa funci´on de masa. ¿De d´onde sale una expresi´on tan complicada? Obviamente, Poisson no se la invent´o de la nada ni tuvo un acceso de inspiraci´on y dijo “¡ah!, todos estos fen´omenos siguen esta distribuci´on con esta funci´on de masa tan intricada”. Poisson obtuvo esta distribuci´on a partir de la binomialB(n, p) imponiendo las condiciones de m´as arriba en el experimento y haciendo tender n a infinito y p a cero con ciertas restricciones. El siguiente teorema que, excepcionalmente damos con demostraci´on, muestra el trabajo original de Poisson y da, adem´as, una explicaci´on l´ogica y org´anica de d´onde sale la funci´on de masa.

Teorema 4.4.3 Sean X B(n, p) una variable aleatoria binomial. Supongamos que se dan las siguientes condiciones:

(a) El par´ametro n tiende a infinito; (b) np permanece constante e igual a .

Entonces la funci´on de masa de la binomial tiende a la de una Poisson.

Prueba: : Teniendo en cuenta que en todo momentonp= , tenemos la siguiente demostraci´on (cons´ultese las explicaciones de los pasos de los c´alculos m´as abajo):

l´ım n!1P(X =k) = l´ımn!1 ✓ n k ◆ ·pk(1 p)n k (1)= l´ım n!1 n! k!(n k)! ·p k(1 p)n k (2) = l´ım n!1 n! k!(n k)! · ✓ n ◆k✓ 1 n ◆n k (3) = k k! nl´ım!1 n·(n 1)·. . .·(n (k 1)) nk · ✓ 1 n ◆n k (4) = k k! ✓ l´ım n!1 n·(n 1)·. . .·(n (k 1)) nk ◆ · l´ım n!1 ✓ 1 n ◆n k! (5) = k k! ✓ l´ım n!1 n·(n 1)·. . .·(n (k 1)) nk ◆ · l´ım n!1 ✓ 1 n ◆n · ✓ 1 n ◆ k! (6) = k k! ·1·e ·1 = k k!e

donde: en (1) se ha aplicado la definici´on de n´umero combinatorio; en (2) se ha sustituido p por /n; en (3) se ha sacado fuera del l´ımite el t´ermino

k

k! y reordenado el resto de t´erminos; en (4) se han separado en dos l´ımites el producto de (3); en (5) se ha separado el segundo l´ımite en dos productos para facilitar su c´alculo; en (6) se han calculado los l´ımites entre par´entesis. El primer l´ımite de (6) da 1 puesto que en el numerador y el denominador hayk factores en n. El siguiente l´ımite dae por la definici´on de n´umero e y el ´ultimo l´ımite tiende claramente a 1.

(8)

60 Modelos de distribuciones discretas

Problema 4.4.4 ¿C´omo se llega del teorema anterior a la definici´on de experimento de Poisson? Dad una explicaci´on conceptual de esa relaci´on.

Problema 4.4.5 Si X P( ), calculad E(X), V(X) y el coeficiente de variaci´on.

Ejercicio 4.4.6 El coeficiente de asimetr´ıa de la variable Poisson es p1 . Interpretad dicho coeficiente.

Teorema 4.4.7 Sean X1 ⇠ P( 1) y X2 ⇠ P( 2) dos variables aleatorias independientes con

distribuci´on de Poisson. Entonces la variable X = X1 +X2 sigue una distribuci´on X ⇠

P( 1 + 2).

Ejercicio 4.4.8 El n´umero de peticiones que llegan a un servidor sigue una distribuci´on de Poisson. Si la media de ese n´umero es de 10 mensajes por segundo, ¿cu´al es la probabilidad de que no haya ninguna petici´on en un segundo? ¿Y de que haya 15 o menos en un segundo?

Problema 4.4.9 Sabiendo que un ordenador compila, en promedio, 5 programas cada 10 minutos, calculad la probabilidad de que compile: (a) M´as de 2 programas y menos de 6 en 10 minutos. (b) 25 programas en una hora.

Problema 4.4.10 Una f´abrica suelta un vertido contaminante 2 veces al mes en promedio. La f´abrica se revisa cuando hay m´as de 8 vertidos contaminantes en un trimestre. La f´abrica se para si un trimestre hay m´as de 1 mes con al menos 4 vertidos. Calculad:

(a) La probabilidad de que un trimestre haya que revisar la f´abrica. (b) El n´umero esperado de vertidos contaminantes en un trimestre.

(c) La probabilidad de que la f´abrica funcione 5 trimestres antes de ser revisada.

(d) El n´umero medio de trimestres que tienen que transcurrir antes de que la f´abrica tenga que ser revisada.

(e) La probabilidad de que un mes haya al menos 4 vertidos contaminantes. (f) La probabilidad de que un trimestre haya que parar la f´abrica.

Referencias

Documento similar

Cedulario se inicia a mediados del siglo XVIL, por sus propias cédulas puede advertirse que no estaba totalmente conquistada la Nueva Gali- cia, ya que a fines del siglo xvn y en

No había pasado un día desde mi solemne entrada cuando, para que el recuerdo me sirviera de advertencia, alguien se encargó de decirme que sobre aquellas losas habían rodado

De acuerdo con Harold Bloom en The Anxiety of Influence (1973), el Libro de buen amor reescribe (y modifica) el Pamphihis, pero el Pamphilus era también una reescritura y

[r]

SVP, EXECUTIVE CREATIVE DIRECTOR JACK MORTON

Social Media, Email Marketing, Workflows, Smart CTA’s, Video Marketing. Blog, Social Media, SEO, SEM, Mobile Marketing,

The part I assessment is coordinated involving all MSCs and led by the RMS who prepares a draft assessment report, sends the request for information (RFI) with considerations,

Así pues, formulamos ese fin o concepto concreto: «quiero asistir a esa conferencia». Ahora bien, este concepto/fin, como todo concepto, no tiene el modo de ser de un objeto, pues