UNIVERSIDAD BLAS PASCAL Carrera: INGENIERA EN TELECOMUNICACIONES Asignatura: INTRODUCCIN A LA PROBABILIDAD

REFERENTES TERICOS UNIDAD III: MODELOS DE PROBABILIDAD No siempre es posible determinar las probabilidades para los distintos valores que toma una variable aleatoria. Afortunadamente se han desarrollado funciones que permiten valorar probabilidades asociadas a distintas variables aleatorias. Estas funciones se denominan MODELOS DE PROBABILIDAD, y son distribuciones especiales o particulares. Entonces, en muchas situaciones dado un problema que requiere asignacin de probabilidades, se identifica la variable aleatoria asociada y se selecciona un modelo de probabilidad adecuado, que describa el comportamiento de dicha variable aleatoria, y se utiliza este modelo para calcular probabilidades. En general estos modelos son buenas aproximaciones de la realidad, ya que han sido probados analtica y experimentalmente. Vamos a estudiar modelos para variables discretas y continuas. Para poder seleccionar un modelo apropiado es necesario conocer las caractersticas de los mismos. Las caractersticas que estudiaremos de cada modelo son las siguientes: Definicin de la variable Expresin matemtica de la funcin de probabilidad. Parmetros del modelo: valores que determinan la funcin. Forma de la funcin de distribucin de probabilidades. Valor esperado, varianza, desvo y asimetra. MODELOS PARA VARIABLES ALEATORIAS DISCRETAS Los modelos para variables discretas que vamos a estudiar son dos: el modelo Binomial y el modelo de Poisson, que como veremos estn relacionados. Modelo Binomial Sea un experimento aleatorio que se realiza una sola vez y que puede tener slo dos resultados xito o fracaso: A la probabilidad de xito se denomina "p" A la probabilidad de fracaso se denomina "q" Al haber nicamente dos soluciones se trata de sucesos complementarios, por lo tanto se verifica que: p+q=1 por tanto q=1p Sea Y una variable aleatoria relacionada con los resultados de este experimento, de modo que si el resultado es xito la variable toma valor 1 y si es fracaso toma valor 0. Esta variable y el experimento asociado se conocen con el nombre de variable y experimento de Bernoulli. Ahora bien, sean n experimentos de tipo Bernoulli independientes entre s, entonces la variable X: cantidad de xitos en n experimentos de Bernoulli tiene distribucin binomial. X = Y1 +Y2 + Y3 +... +Yn La distribucin binomial parte de un experimento de Bernoulli, se aplica cuando se realizan un nmero "n" de veces el experimento de Bernoulli. La variable X puede tomar valores entre: 1

UNIVERSIDAD BLAS PASCAL Carrera: INGENIERA EN TELECOMUNICACIONES Asignatura: INTRODUCCIN A LA PROBABILIDAD

0: si todos los experimentos han sido fracaso n: si todos los experimentos han sido xitos Ejemplo 1: se tira una moneda 10 veces: cuantas caras salen? Si no ha salido ninguna la variable toma el valor 0; si han salido dos caras la variable toma el valor 2; si todas han sido cara la variable toma el valor 10. Por las caractersticas del experimento asociado a una variable aleatoria binomial se verifica: Cada ensayo o intento tiene slo dos resultados posibles xito fracaso. La probabilidad de un xito permanece fija en cada repeticin del experimento de Bernoulli o ensayo. Los ensayos son independientes. El modelo de probabilidad para obtener X xitos en n ensayos de Bernoulli distribucin binomial- se obtiene del siguiente modo: Sea p = probabilidad de xito y 1 p = probabilidad de fracaso. La probabilidad de una secuencia de n intentos con x xitos es:
n p. p. p...( 1 p) (1 p)( 1 p) = px. ( 1 p)n-x x nx
n n! = x x! (n x )!

El nmero de secuencias distintas que contienen x xitos es: Por tanto la expresin general para la distribucin binomial es:
P(X = x) =
n! . px. ( 1 p)n-x x! (n x )!

Donde x = 0,1,2,n

Los parmetros de la expresin matemtica del modelo son n y p y se escribe: X ~ Bin (n,p) que se lee: x tiene distribucin binomial con parmetros n y p En cuanto a la forma de la distribucin depende de los valores de los parmetros: 1) Si se considera n constante se tiene: a) Si p < 0,5 tiene asimetra positiva, sesgo a la derecha
P(X=x)

UNIVERSIDAD BLAS PASCAL Carrera: INGENIERA EN TELECOMUNICACIONES Asignatura: INTRODUCCIN A LA PROBABILIDAD

b) Si p 0,5 entonces la asimetra 0

P(X=x)

X c) Si p > 0,5 tiene asimetra negativa, sesgo a la izquierda

P(X=x)

X 2) Si se considera p constante y n entonces la asimetra 0 P(X=x)

X Respecto a las propiedades o parmetros de la distribucin se tiene: E(X) = = n.p

E[(x )2] = 2 = n.p.(1 p)

Observacin: Si n es grande la calculadora no tiene capacidad para calcular la probabilidad P(X = x) =

n! . px. ( 1 p)n-x entonces se usan tablas. x! (n x )!

UNIVERSIDAD BLAS PASCAL Carrera: INGENIERA EN TELECOMUNICACIONES Asignatura: INTRODUCCIN A LA PROBABILIDAD

Ejemplo 2: Cul es la probabilidad de obtener 6 caras al lanzar una moneda 10 veces? " x " es el nmero de aciertos. En este ejemplo " x " igual a 6 (en cada acierto decamos que la variable toma el valor 1: como son 6 aciertos, entonces x = 6) " n" es el nmero de ensayos. En nuestro ejemplo son 10 " p " es la probabilidad de xito, es decir, que salga "cara" al lanzar la moneda. Por lo tanto p = 0,5 La frmula quedara:

Luego: P (x = 6) = 0,205 Es decir, se tiene una probabilidad del 20,5% de obtener 6 caras al lanzar 10 veces una moneda. Ejemplo 3:Cul es la probabilidad de obtener cuatro veces el nmero 3 al lanzar un dado 8 veces? " x " (nmero de aciertos) toma el valor 4 " n" toma el valor 8 " p " (probabilidad de que salga un 3 al tirar el dado) es 1 / 6 (= 0,1666) La frmula queda:

Luego: P (x = 4) = 0,026 Es decir, se tiene una probabilidad del 2,6% de obtener cuatro veces el nmero 3 al tirar un dado 8 veces. Realice el siguiente ejercicio: Segn un anlisis efectuado por una empresa aproximadamente el 3% de los envos al exterior presentan algn reclamo. Prximamente la empresa realizar 5 envos. Se define la variable aleatoria: X: nmero de reclamos en 5 envos a) Calcule y dibuje la distribucin de probabilidad de esta variable. b) Calcule la esperanza y la varianza. c) Determine las probabilidades de que: 1) No se presente ningn reclamo 2) Se presenten dos reclamos. 3) Se presente a lo sumo un reclamo. 4) Se presente al menos un reclamo. Modelo de Poisson. Una variable aleatoria que tiene distribucin de Poisson puede ser definida como. X: cantidad de ocurrencias (xitos) en un intervalo continuo En la prctica el concepto de continuo se asocia con intervalos de tiempo o espacio.

UNIVERSIDAD BLAS PASCAL Carrera: INGENIERA EN TELECOMUNICACIONES Asignatura: INTRODUCCIN A LA PROBABILIDAD

Ejemplos: X: cantidad de clientes que llegan a un banco en 3 minutos Y: cantidad de clulas de cierto tipo que aparecen en la lente de un microscopio por cm2. Para llegar a la formulacin del modelo probabilstico debe suponerse que el experimento asociado responde a un Proceso de Poisson. Este proceso consiste en el conteo de ocurrencias en un intervalo continuo, que por tanto cumple con la propiedad de poder subdividirse en subintervalos tan pequeos como se necesite, esto de modo tal que se verifiquen las siguientes condiciones: La probabilidad de ms de una ocurrencia en un subintervalo es cero. La probabilidad de una ocurrencia en un subintervalo es la misma fija para todos los intervalos y es proporcional a la longitud del mismo. El nmero de ocurrencias en un subintervalo es independiente del nmero de ocurrencias en los dems intervalos. Si > 0 es el nmero promedio de ocurrencias o xitos en un intervalo, entonces la distribucin de Poisson sigue el siguiente modelo:
P(X=x) = e .x x!

En este caso, a diferencia de la distribucin binomial, el nmero de valores posibles de X es infinito. El modelo tiene un nico parmetro que es y se escribe: X ~ Poi () que se lee: x tiene distribucin de Poisson con parmetro La forma de la grfica de la distribucin tiene en general asimetra positiva, sesgo a la derecha, y depende de .

P(X=x)

Si ocurre que entonces asimetra 0. Para > 5 ya es bastante simtrica. Esta distribucin si bien se aproxima a cero despus de los primeros valores, tiene infinitos valores posibles para X.

UNIVERSIDAD BLAS PASCAL Carrera: INGENIERA EN TELECOMUNICACIONES Asignatura: INTRODUCCIN A LA PROBABILIDAD

Observacin: La distribucin de Poisson parte de la distribucin binomial. Cuando en una distribucin binomial se realiza el experimento un nmero "n" muy elevado de veces y la probabilidad de xito "p" en cada ensayo es reducida, es decir si n crece y p disminuye de tal manera que n.p= se mantiene constante, entonces se verifica que:
lim n! e .x . px. ( 1 p)n-x = x! (n x )! x!

Por lo tanto las dos distribuciones se acercan en la prctica, para aproximar probabilidades binomiales se usa Poisson para n 30 y p 0.1 para n 20 y p 0.05, en general cuando se cumple " p " < 0,10 y " p . n " < 10. Para calcular probabilidades con el modelo de Poisson tambin se utilizan tablas, por las dificultades de clculo con calculadora. Respecto a las propiedades del modelo, por lo dicho anteriormente, son similares a las de la distribucin binomial se tiene: E(X) = = n.p =

(observe = )

Ejemplo 4: Si la probabilidad de tener un accidente de trfico es de 0,02 cada vez que se viaja, y se realizan 300 viajes, cual es la probabilidad de tener 3 accidentes? Como la probabilidad " p " es menor que 0,1, y el producto " n * p " es menor que 10, entonces aplicamos el modelo de distribucin de Poisson.

Luego, P (x = 3) = 0,0892 Por lo tanto, la probabilidad de tener 3 accidentes de trfico en 300 viajes es del 8,9% Ejemplo 5: La probabilidad de que un nio nazca pelirrojo es de 0,012. Cul es la probabilidad de que entre 800 recin nacidos haya 5 pelirrojos?

Luego, P (x = 5) = 4,602 Por lo tanto, la probabilidad de que haya 5 pelirrojos entre 800 recin nacidos es del 4,6%.. Realice el siguiente ejercicio: Suponga que la variable nmero de fallas de un alambre delgado de cobre, esta descripta por una distribucin de Poisson con una media de 2,3 fallas por milmetro. Determine las siguientes probabilidades: a) Se presenten dos fallas en un milmetro. b) Se presenten 10 fallas en 5 milmetros c) Se presente al menos una falla en 2 milmetros. Ayuda: Utilice unidades consistentes. 6

E[(x )2] = 2 = n.p = (observe que a partir de la varianza de la distribucin binomial, si p es pequea (1 p) tiende a 1).

UNIVERSIDAD BLAS PASCAL Carrera: INGENIERA EN TELECOMUNICACIONES Asignatura: INTRODUCCIN A LA PROBABILIDAD

MODELOS PARA VARIABLES ALEATORIAS CONTINUAS Distribucin uniforme

Una variable aleatoria tiene distribucin uniforme si puede tomar cualquier valor dentro de un intervalo de nmeros reales y todos ellos tienen la misma probabilidad. La funcin de densidad, viene definida por:

f(x)=
La funcin de distribucin es:

1 b-a

axb

0 F(x) = x-a b-a 1

xa axb xb

En cuanto a E(x)= =

a+b (b a )2 y Var(X) = 2= 2 12

Una aplicacin importante de esta distribucin es la generacin de nmeros aleatorios, que se realiza conforme a la distribucin uniforme con a=0 y b= 1.
Ejemplo: el precio medio del fardo grande de alfalfa especial para el prximo ao, se estima que puede oscilar entre 140 y 160 pesos. Podra ser, por tanto, de 143 pesos, o de 143,4 pesos, o de 143,45 pesos, o de 143,455 pesos, etc. Hay infinitas posibilidades, todas ellas con la misma probabilidad.

En este caso:

b: es el extremo superior =160 a: es el extremo inferior =140 Por lo tanto, la funcin de distribucin es Es decir, que el valor final est entre 140 pesos y 141 pesos tiene un 5% de probabilidad, que est entre 141 y 142, otro 5%, etc. El precio medio esperado del fardo para el prximo ao es de 150 pesos ya que:

UNIVERSIDAD BLAS PASCAL Carrera: INGENIERA EN TELECOMUNICACIONES Asignatura: INTRODUCCIN A LA PROBABILIDAD

Distribucin exponencial
Una variable aleatoria con distribucin de Poisson es el conteo del nmero de ocurrencias (xitos) en un intervalo continuo. Una variable aleatoria que mide el espacio o el lapso entre esas ocurrencias es continua y tiene distribucin exponencial. Es decir una distribucin exponencial se aplica para medir tiempo o espacios entre ocurrencias cuando el nmero de ocurrencias sigue una distribucin de Poisson.

Observacin: Sea la variable aleatoria Y: nmero de fallas por milmetro de alambre. Si es el nmero promedio de fallas por milmetro entonces Y es Poi().
Por lo tanto P(Y=y)=
e y y!

Se busca la funcin de densidad de la variable aleatoria continua: X: distancia desde el punto inicial del alambre hasta el sitio donde hay una falla. Sea la variable auxiliar: N : nmero de fallas en x milmetros de alambre. N es Poi(x) por tanto P(N=n)=
e x ( x )n n!

La variable que interesa es X y la distancia hasta la primera falla es mayor que x milmetros si no hay fallas en esos x milmetros por lo tanto: P(X >x)= P(N = 0) =
e x ( x )0 = e x entonces P(X < x) = 1 e x =F(x) 0!

Como f(x) = F(x) entonces f(x) = () e x es decir la funcin de densidad de x es: f(x) = e x , que es precisamente la expresin matemtica de la distribucin exponencial.

Definicin: La variable aleatoria X que es igual a la distancia entre ocurrencias sucesivas de un proceso de Poisson con media > 0, tiene distribucin exponencial y la funcin de densidad de probabilidad es la siguiente: f ( x; ) = e x con 0 x
Tiene un nico parmetro que es la media de la distribucin de Poisson asociada. En cuanto a E(x)= =
1

y Var(X) = 2=
1 x

1 2

por esto la funcin tambin se escribe:

f x;

con 0 x y media de la distribucin exponencial.

La funcin de distribucin (acumulada) es:

F ( x; ) = 1 e x con 0 x

Los grficos de las funciones de densidad y de distribucin (acumulada) son:

UNIVERSIDAD BLAS PASCAL Carrera: INGENIERA EN TELECOMUNICACIONES Asignatura: INTRODUCCIN A LA PROBABILIDAD

Clculo de probabilidad con la exponencial: Se usa F(x) = P( X < x) = 1 e x , que representa el valor del rea encerrada por la curva de f(x) desde 0 a x. Realice el siguiente ejercicio:
En una gran red de computadoras la variable nmero de usuarios que accede por hora puede modelarse con un proceso de Poisson con media igual a 25 accesos por hora. a) Cul es la probabilidad de que no haya accesos en un intervalo de 6 minutos? b) Cul es la probabilidad de que el tiempo que transcurre hasta el siguiente acceso este entre 2 y 3 minutos? c) Determine el intervalo de tiempo para el cual la probabilidad de que no se presenten accesos al sistema durante ese tiempo sea 0.9.

Distribucin normal o Gaussiana

Es el modelo de distribucin ms utilizado en la prctica, ya que multitud de fenmenos se comportan segn una distribucin normal. Esta distribucin es frecuentemente utilizada en las aplicaciones

estadsticas. Su propio nombre indica su extendida utilizacin, justificada por la frecuencia o normalidad con la que ciertos fenmenos tienden a parecerse en su comportamiento a esta distribucin. Muchas variables aleatorias continuas presentan una funcin de densidad cuya grfica tiene forma de campana. Al considerar distribuciones binomiales, tipo B(n,p), para un mismo valor de p y valores de n cada vez mayores, se ve que sus polgonos de frecuencias se aproximan a una curva en "forma de campana". En resumen, la importancia de la distribucin normal se debe principalmente a que hay muchas variables asociadas a fenmenos naturales que siguen el modelo de la normal. Como los siguientes: Caracteres morfolgicos de individuos (personas, animales, plantas, etc.) de una especie, por ejemplo tallas, pesos, envergaduras, dimetros, permetros, etc. Caracteres fisiolgicos, por ejemplo: efecto de una misma dosis de un frmaco, o de una misma cantidad de abono. Caracteres sociolgicos, por ejemplo: consumo de cierto producto por un mismo grupo de individuos, puntuaciones de examen. Caracteres psicolgicos, por ejemplo: cociente intelectual, grado de adaptacin a un medio, etc.

UNIVERSIDAD BLAS PASCAL Carrera: INGENIERA EN TELECOMUNICACIONES Asignatura: INTRODUCCIN A LA PROBABILIDAD

Errores cometidos al medir ciertas magnitudes. Valores estadsticos muestrales, por ejemplo: la media. Otras distribuciones como la binomial o la de Poisson son aproximaciones normales. Y en general cualquier caracterstica que se obtenga como suma de muchos factores.

Es posible demostrar que el modelo de la funcin de densidad que corresponde a una distribucin normal es el siguiente:

Representacin grfica de esta funcin de densidad

La distribucin normal queda entonces definida por dos parmetros, su media y su varianza. Si X es una variable aleatoria con esta distribucin se escribe: X: ~ N ( , 2 ) En cuanto a la influencia de los parmetros en la grfica de la funcin, ocurre que si 2 se mantiene constante, la variacin de produce desplazamientos rgidos de la campana sobre el eje de las X, ya que mide posicin o ubicacin de la curva. En cambio si se mantiene constante, la variacin de 2 modifica la forma de la campana de tal modo que, a menor varianza la curva tiene menor base y mayor altura, ya que 2 mide dispersin. La funcin de distribucin (acumulada de la funcin de densidad normal) F(x) tiene las siguientes caractersticas:

10

UNIVERSIDAD BLAS PASCAL Carrera: INGENIERA EN TELECOMUNICACIONES Asignatura: INTRODUCCIN A LA PROBABILIDAD

F(x) es el rea sombreada de esta grfica

La grfica de F(x) es:

F(x 1 F(b F(a

X a b Clculo de probabilidad con la distribucin normal

Como la distribucin de probabilidades para variable continua se realiza conforme al rea de la funcin de densidad y slo es posible calcular probabilidad por intervalos, es necesario para el clculo utilizar la funcin acumulada F(x).
Resolver la integral que define la distribucin acumulada normal no siempre es posible y existen infinitas curvas normales que dependen de y por lo tanto tampoco es posible construir infinitas tablas. Entonces para calcular probabilidades, se utiliza un elemento de la familia de normales, que se denomina "normal tipificada", tiene media igual a 0 y varianza igual a 1 y su ventaja reside en que hay tablas, o rutinas de clculo que permiten obtener esos mismos valores, donde se recoge la probabilidad acumulada para cada punto de la curva de esta distribucin. Adems, toda distribucin normal se puede transformar en una normal tipificada:
x-

Si X es una variable aleatoria normal con E(x)= y Var(x)=2 entonces Z= aleatoria normal con E(z)= 0 y Var(z)= 1, es decir Z ~ N( 0,1) La funcin de densidad de Z es

es una variable

11

UNIVERSIDAD BLAS PASCAL Carrera: INGENIERA EN TELECOMUNICACIONES Asignatura: INTRODUCCIN A LA PROBABILIDAD

y su funcin de distribucin es

Mediante el siguiente grfico de la funcin de densidad (z), es posible visualizar lo que representa F(z):

La variable Z se la denomina variable tipificada de X, y a la curva de su funcin de densidad curva normal tipificada o estandarizada.
La distribucin normal tipificada tiene la ventaja de que las probabilidades acumuladas, para cada valor de z, se encuentran recogidas en una tabla.

Entonces es posible usar la tabla para calcular probabilidades de cualquier distribucin normal si se considera que:
Si X:~ N(, 2) entonces P(X< x) = P(
X-

<

x- ) = P(Z< z)

Atencin: la tabla da la probabilidad acumulada, es decir, la que va desde el inicio de la curva por la izquierda hasta el valor considerado.

Realice el siguiente ejercicio: Se estudia el funcionamiento de una mquina que llena bolsas de cemento y para ello se define la variable aleatoria X: contenido de una bolsa. Se sabe que X debe tener distribucin Normal, con media 50 Kg. y desvo 0.5 Kg. a) Determine la probabilidad de que una bolsa contenga ms de 51 Kg. b) Determine la probabilidad de que una bolsa contenga entre 49.25 y 49.75 Kg. c) Determine la probabilidad de que una bolsa contenga entre 49 y 51 Kg. d) Si un 20 % de las bolsas contienen ms de x1 Kg. Hallar el valor de x1. e) Calcule los contenidos x2 y x3, valores simtricos con respecto a la media, que encierran un 50 % de la distribucin.

12

UNIVERSIDAD BLAS PASCAL Carrera: INGENIERA EN TELECOMUNICACIONES Asignatura: INTRODUCCIN A LA PROBABILIDAD

f) Al controlar el llenado, se planea desechar todas las bolsas que contengan ms de 51 Kg. o menos de 49 Kg. Calcule f) 1. La probabilidad de que 3 bolsas fabricadas sucesivamente deban ser desechadas en el control de llenado. f) 2. La probabilidad de que en un lote de 15 bolsas a las que se les va a controlar el llenado, 3 deban ser desechadas.

PROPIEDADES Y APLICACIONES IMPORTANTES RELACIONADAS CON LA DISTRIBUCIN NORMAL Propiedad reproductiva de la distribucin normal
Es posible demostrar que: Si X1; X2; X3; ...; Xn son n variables aleatorias independientes y con distribucin normal, con E(Xi)= i y Var(Xi) = i2 para i=1,2,..n entonces: Y= c1X1 + c2X2 +...+cnXn con c1,c2,..,cn constantes. Tiene distribucin normal, es decir Y ~ N(,2) con: = c11 + c22 +...+cnn y 2 = c12 12 + c22 22 +...+cn2 n2

Teorema del lmite central

El siguiente teorema es uno de los que tiene mayores aplicaciones en el clculo de probabilidades: Si X1; X2; X3; ...; Xn son n variables aleatorias independientes e idnticamente distribuidas (no necesariamente continuas ni normales) con E(Xi)= y Var(Xi) = 2 para i=1,2,..n entonces: Y= X1 + X2 +...+Xn si n tiene distribucin normal tal que Y ~ N(n,n2)

Observacin: Para que se verifique el teorema del lmite central n debe ser lo suficientemente grande. Si las variables aleatorias sumandos son idnticamente distribuidas y con distribucin normal, por propiedad reproductiva, el teorema vale para cualquier n. Esencialmente lo que dice el teorema es que la suma de variables aleatorias independientes tiene aproximadamente distribucin normal. Frecuentemente se cree que el error en un experimento es consecuencia de varias fuentes independientes que se combinan, por lo tanto la distribucin normal es un modelo convincente para el error experimental combinado.

13

UNIVERSIDAD BLAS PASCAL Carrera: INGENIERA EN TELECOMUNICACIONES Asignatura: INTRODUCCIN A LA PROBABILIDAD

Realice el siguiente ejercicio:

Una mquina consume aproximadamente 15 KW por hora de energa, con un desvo de 1 KW. Si se tienen 30 mquinas de ese tipo operando: a) Cul ser la distribucin del consumo total de las 30 mquinas? Cul ser la media y el desvo del consumo total? b) Cul es la probabilidad de que el consumo total supere los 460 KW? c) Cul es el consumo total que es superado slo el 10 % de las veces?

Aproximacin de la Binomial por la Normal (Teorema De De Moivre)

En muchas situaciones el modelo binomial resulta ser el apropiado y el valor de n es grande, entonces un enfoque eficiente, consistente con el Teorema del lmite Central, consiste en aplicar el modelo normal Se demostr que bajo determinadas condiciones (para n grande y tanto p como q=1p prximos a 0,5) la distribucin Binomial B(n, p) se puede aproximar mediante una distribucin normal

Debemos tener en cuenta que cuanto mayor sea el valor de n, y cuanto ms prximo sea p a 0.5, tanto mejor ser la aproximacin realizada. Es decir, basta con que se verifique:

Gracias a esta aproximacin es fcil determinar probabilidades binomiales, que para valores grandes de n resulten laboriosos de calcular. Hay que tener en cuenta que para realizar correctamente el clculo de probabilidades de una variable discreta (binomial) mediante una distribucin de variable continua (normal) es necesario hacer una correccin por continuidad. Esta correccin puede realizarse como se indica a continuacin:

14

UNIVERSIDAD BLAS PASCAL Carrera: INGENIERA EN TELECOMUNICACIONES Asignatura: INTRODUCCIN A LA PROBABILIDAD

Aproximacin de la distribucin de Poisson por la normal

Recordemos que la distribucin de Poisson puede tomarse como el lmite de una distribucin binomial cuando n . Entonces para n grande tambin es posible aplicar el modelo normal ya que:
Si X es Poi () entonces Z =
X

es una variable aleatoria con distribucin aproximadamente

normal estandar es decir Z es N(0,1)

Observacin: La tabla para calcular probabilidades de una variable de Poisson llega hasta =20. Para valores mayores que 20 se utiliza la distribucin normal para calcular probabilidades y se efecta la respectiva correccin por continuidad del modo sealado anteriormente. Realice los siguientes ejercicios: a) Se conoce que entre los alumnos del nivel secundario aproximadamente un 25 % son lectores habituales. Calcule la probabilidad de que en un grupo de 50 alumnos haya al menos 20 que sean lectores habituales. b) A una central telefnica llegan en promedio 3 llamadas por minuto. Determine la probabilidad que en dos horas lleguen al menos 350 llamadas.

15