Você está na página 1de 85

TEMAS:

2. MODELOS PROBABILISTICOS

Dr. Gilberto Lpez Cantes


INTRODUCCIN
Estudiar algunas funciones probabilsticas que tienen
importancia debido a que describen el
comportamiento de una gran variedad de fenmenos
de la vida real.

Definicin: Un modelo probabilstico de una variable


aleatoria X es la forma especfica de la funcin de
probabilidades que se supone refleja el
comportamiento de X.
INTRODUCCIN
Las probabilidades involucradas en el estudio de un
fenmeno son descritas en trminos de ciertas constantes
(parmetros) caractersticas de la poblacin que se estudia,
y relacionadas tambin con el mtodo empleado para
obtener los datos.
Funciones de distribucin de variables aleatorias discretas:
la Uniforme, la Binomial Puntual o Bernoulli, la Binomial,
la Hipergeomtrica, la Poisson y la Binomial Negativa.
Funciones de distribucin de variables aleatorias continuas:
la Uniforme, la Normal, la t de Student, la Ji-cuadrada y la F
de Snedecor
Funcin de probabilidades
Uniforme Discreta
Describe el comportamiento probabilstico de un
experimento en que cada uno de los posibles resultados (hay
un nmero finito de ellos) tiene la misma probabilidad de
ocurrencia.

Definicin: Una variable aleatoria X tiene distribucin


uniforme discreta si su funcin de probabilidades es:
1 ; x = k1, k2, , kn
fX(x) = n
0 , de otra forma

Donde n es el nmero de resultados posibles en el experimento, y los ki son


los valores que toma la variable aleatoria.
Ejemplo FD Uniforme Discreta
Considrese un experimento con el siguiente espacio
muestral
M = {B1, B2, B3, B4, B5}

Donde los eventos {B1}, {B2}, , {B5} forman una particin


de M y adems,
P({B1}) = P({B2}) = = P({B5}) = 1/5

La variable aleatoria X se define sobre M como sigue:


X(B1) = 1, X(B2) = 3.1, X(B3) = 4, X(B4) = 4.5 y X(B5) = 6
Ejemplo FD Uniforme Discreta
Entonces, la funcin de probabilidades de X es la de la
siguiente tabla:
x 1 3.1 4 4.5 6
P(X = x) 1/5 1/5 1/5 1/5 1/5 1

O en forma de ecuacin:
1 ; x = 1, 3.1, 4, 4.5, 6
fX(x) = 5
0 , de otra forma
Ejemplo FD Uniforme Discreta
La representacin grfica de la funcin es la siguiente:

Diagrama de putos

Resumen: Funcin de probabilidades Uniforme Discreta:

a) El espacio muestral tiene un nmero finito n de resultados posibles Bi (i =


1, 2, , n).
b) Los eventos Bi tienen la misma probabilidad de ocurrencia.
Caso particular
Se tiene cuando la variable toma como valores los
primeros n enteros positivos
1 ; x = 1, 2, , n
fX(x) = n
0 , de otra forma

Si una variable aleatoria discreta tiene distribucin de probabilidades uniforme en


los primeros n enteros positivos, entonces:
n 1
E( X )
2
n2 1
Var ( X )
12
Se aplica a lanzamiento de un dado o de una moneda, para la lotera, etc.
Funcin de probabilidades
Binomial Puntual o Bernoulli
Ejemplo:
Se inspecciona una planta de trigo con objeto de saber
si se encuentra atacada por un hongo. Los resultados
posibles se registran como xito si no est infestada y
como fracaso si lo est.

Se aplica una encuesta a productores de una regin y se


les pregunta si aplican maquinaria agrcola para
realizar las labores culturales al cultivo de maz. Las
respuestas posibles seran si se aplican o no se aplican.
Funcin de probabilidades
Binomial Puntual o Bernoulli
Tiene las siguientes caractersticas:
a) El espacio muestral solamente contiene dos
resultados posibles denominados xito (E) y fracaso
(F). Esto es,
M = {E, F}
b) La probabilidad de que ocurra el evento {E} es
p(0 p 1). Por lo que;
P({E}) = p,
P({F}) = 1 p = q.
El resultado es uno de dos eventos mutuamente excluyentes, es decir, que los
elementos de la poblacin pertenecen exclusivamente a dos clases.
Funcin de probabilidades
Binomial Puntual o Bernoulli
Si se define la variable aleatoria X sobre el espacio
muestral M = {E, F} como sigue:
X(E) = 1; X(F) = 0
Y puede escribirse: x 0 1
P(X = x) 1-p p
Es decir:
fX(o) = P(X = 0) = p0(1 p)1-0
fX(1) = P(X = 1) = p1(1 p)1-1
Funcin de probabilidades
Binomial Puntual o Bernoulli
De manera que en forma general puede escribirse:

px(1 p)1-x ; x = 0, 1
fX(x) =
0 , de otra forma
Donde 0 p 1, y por tanto puede decirse que la variable
aleatoria X tiene distribucin Binomial Puntual o
Bernoulli.

Para una variable aleatoria Bernoulli se tiene:


E(X) = p
Var(X) = p(1 p) = pq
Ejemplo FP Bernoulli
Supngase que de una manada de caballos, de los
cuales 3 estn enfermos y 30 estn sanos, se elige uno
de acuerdo con un modelo uniforme, es decir, de tal
forma que cada caballo tiene la misma probabilidad de
ser escogido. Se registra si el caballo est enfermo, en
cuyo caso se anota xito; en caso contrario se anota
fracaso. El experimento satisface los postulados de un
modelo probabilstico Binomial Puntual con p = P(E) =
3/33. La variable aleatoria X definida para el
experimento tiene la funcin de probabilidades
(3/33)x(1 3/33)1-x ; x = 0, 1
fX(x) =
0 , de otra forma
Ejemplo FP Bernoulli
O sea que la probabilidad de que el caballo elegido est
enfermo es:
fX(1) = P(X = 1) = (3/33)1(1 3/33)1-1 = 3/33

Y la probabilidad de que est sano es.


fX(0) = P(X = 0) = (3/33)0(1 3/33)1-0 = 30/33
Funcin de probabilidades
Binomial
Supongamos que se llevan a cabo n repeticiones
independientes de un experimento en el que el
resultado necesariamente es uno de dos eventos
mutuamente excluyentes (es decir que los elementos
de la poblacin pertenecen exclusivamente a dos
clases; por ej: macho o hembra, sano o enfermo, rico o
pobre, etc). De manera que en cada una de las
repeticiones la probabilidad del evento que llamamos
xito es la misma.
Condiciones necesarias para aplicar la
funcin de probabilidades Binomial
1. Slo se tienen dos resultados posibles a uno de los
cuales se le asigna el valor 1 o xito y al otro el valor 0
o fracaso.
2. La probabilidad de xito permanece constante en
cada ensayo Bernoulli.
3. Los resultados obtenidos en cada evento son
independientes, por lo que la nueva variable aleatoria
(Y) es la suma de las n variables definidas
previamente:
Y = X 1 + X2 + + Xn
Funcin de probabilidades
Binomial
En el modelo probabilstico Binomial, el espacio
muestral est constituido por las secuencias de xitos y
fracasos que resultan de n repeticiones independientes
de un experimento cuyo modelo probabilstico es
Bernoulli con probabilidad p (constante). Contiene
n
n
2 n elementos, donde x es el nmero de xitos.
x
x 0
Funcin de probabilidades
Binomial
Definicin: Una variable aleatoria X se distribuye de
acuerdo con un modelo probabilstico binomial si su
funcin de probabilidades es:
n x n n!
p 1 p n x ; x = 0, 1, 2, , n
fX(x) = x x x!(n x)!
0 , de otra forma
donde 0 p 1.
Los parmetros de la distribucin son: n, el nmero de repeticiones del experimento
Bernoulli y p, la probabilidad de xito en cada uno de stos.

Si X tiene una distribucin Binomial con parmetros n y p, escribiremos :


X Bin(n, p) donde debe leerse se distribuye o tiene distribucin
Funcin de probabilidades
Binomial
Si la funcin de probabilidades de X es binomial, con
parmetros n y p, entonces la media y la varianza son:

E(X) = n*p

Var(X) = n*p*q donde q = 1 - p


Otras caractersticas de la Funcin
de probabilidades Binomial
Para valores pequeos de p(p < 0.5) las probabilidades
mayores se dan para valores pequeos de X. Esto es
congruente con el modelo probabilstico propuesto, ya que
en estos casos la probabilidad de xito en cada repeticin es
menor que la probabilidad de fracaso. El histograma tiene
una larga cola hacia la derecha, por lo que es asimtrica a la
derecha. Lo contrario ocurre con valores de p mayores de
0.5, tenindose entonces distribuciones asimtricas hacia la
izquierda.

La distribucin es simtrica para p = 0.5.

La distribucin tiene varianza mxima para p = 0.5.


Ejemplo FP Binomial
Un proceso de grabacin de discos produce un 20 % de
unidades defectuosas. Suponga que se toma una
muestra de tamao 8, cuidando que la proporcin de
defectuosos se mantenga constante en la poblacin, y
que cada disco en sta tenga la misma probabilidad de
ser incluido en la muestra. Es decir, que los discos se
eligen de acuerdo con una funcin de probabilidades
uniforme.
Cul es la probabilidad de que no se encuentran discos
defectuosos en la muestra?Cul es la probabilidad de
que se encuentren 5 o ms discos defectuosos?
Ejemplo FP Binomial
El experimento consistente en tomar aleatoriamente
un disco y anotar si es defectuoso o no, sigue el modelo
Bernoulli, y la toma de 8 unidades en la forma descrita
arriba es equivalente a 8 repeticiones independientes
del experimento.
Sea X la variable aleatoria que cuantifica el nmero de
discos defectuosos (xitos) en la muestra. Entonces X
tiene una distribucin Binomial con parmetros n = 8
(el nmero de repeticiones) y p = 0.2 (la probabilidad
de xito en una repeticin). La funcin de
probabilidad de X es:
Ejemplo FP Binomial
8 x
0.2 0.88 x ; x = 0, 1, 2, , 8
fX(x) = x
0 , de otra forma x P(X = x)
0 0.16777
Explcitamente estas probabilidades son:
1 0.33554
8
f X (0) P( X 0) 0.20 0.8 0.16777
8
2 0.29360
0
3 0.14680
8 4 0.04588
f X (1) P( X 1) 0.21 0.8 0.33554
7

1 5 0.00918
. 6 0.00115
.
8 8 7 0.00008
f X (8) P( X 8) 0.2 0.8 0.00000
0

8 8 0.00000
1
Ejemplo FP Binomial
La probabilidad de no encontrarse discos defectuosos
es: P(X = 0) = 0.16777

La probabilidad de encontrar 5 o ms discos


defectuosos es:
P(X 5) = P(X = 5) + P(X = 6) + P(X = 7) + P(X = 8)
= 0.00918 + 0.00115 + 0.00008 + 0.00000
= 0.01041
Funcin de probabilidades
Hipergeomtrica
Supongamos repeticiones de un experimento Bernoulli pero con
la diferencia de que las repeticiones no son independientes. Es
decir que si E1 y E2 son xito en el primer intento y xito en el
segundo intento, respectivamente, P({E2}/E1) P({E2}.
Para ilustrar la situacin que se propone consideremos el
experimento consistente en extraer sucesivamente n elementos de
una poblacin finita con N elementos (n N), sin devolver un
elemento antes de extraer el siguiente, o sea que un elemento no
puede aparecer dos veces en la muestra.
A esta forma de obtener la muestra se le llama Muestreo sin
Reemplazo .
Se usa mucho en la industria y las categoras son
Defectuosa y Aceptable.
Funcin de probabilidades
Hipergeomtrica
Definicin: Se dice que el modelo probabilstico de
una variable aleatoria X es Hipergeomtrico si su
funcin de probabilidades es:
A B

x n x ; x = 0, 1, , n; n A y n B
fX(x) = P(X = x) = N

n A A!

0 , de otra forma x x!( A x)!

Donde N = A + B es el nmero de elementos en la poblacin, A y B el nmero de


defectuosos y aceptables en la poblacin respectivamente, n el tamao de la
muestra y x el nmero de defectuosos en la muestra.
Funcin de probabilidades
Hipergeomtrica
En sta funcin se tiene:

E(X) = n*p

Var(X) = n*p*q*(N n/N 1)

Donde: p = A/N y q=1-p


Ejemplo de Funcin de
probabilidades Hipergeomtrica
Un vendedor de insecticidas quiere vender a una
planta un lote de 50 barriles de un producto, que el
gerente de la planta sospecha han pasado la fecha de
caducidad. El vendedor sostiene que slo el 20 % (10
barriles) han caducado y est dispuesto a permitir que
se analicen 5 barriles sin costo para el comprador, para
que ste decida si adquiere el lote. Cul es la
probabilidad de que el gerente encuentre que 4 o ms
de los 5 barriles examinados han caducado,
suponiendo que el vendedor tiene razn?
Ejemplo de Funcin de
probabilidades Hipergeomtrica
Aceptando la afirmacin del vendedor, el nmero de
barriles caducos en la poblacin es A = 10 y, por tanto,
B = 40. El tamao de la muestra es n = 5.
La funcin de probabilidades de la variable X, definida
por el nmero de barriles defectuosos en la muestra es:

10 40


f X ( x)
x 5 x
; x = 0, 1, 2, 3, 4, 5
50

5
Ejemplo de Funcin de
probabilidades Hipergeomtrica
La probabilidad deseada:
10 40 10 40 10 40
5

x 5 x 4 1 5 0 8400 252
P( X 4) 0.00408
x 4 50 50 2118760

5 5

De modo que si el cliente encuentra que 4 ms barriles han caducado, es


difcil creer en la afirmacin del vendedor, ya que si ste tiene razn, esta
probabilidad slo es de 0.00408.
Semejanzas y diferencias del modelo
binomial e hipergeomtrico
Ambos modelos surgen de la repeticin de un
experimento con slo dos resultados posibles.
Las diferencias ms notables son:
1. Las repeticiones en un modelo Binomial son
independientes, y la probabilidad de los eventos
permanece constante de intento a intento. En el caso
Hipergeomtrico las repeticiones no son
independientes. Es decir, que si D1 y D2 son
resultados que indican defectuoso en el primero y
segundo intentos, respectivamente, se tiene que
P({D2}D1) P({D2}).
Semejanzas y diferencias del modelo
binomial e hipergeomtrico
2. Las medias en los dos modelos son iguales, pero las
varianzas son:
Binomial: Var(X) = npq
Hipergeomtrica: Var(X) = npq((N-n)/(N-1))
De modo que la varianza en la Hipergeomtrica es
menor que en la Binomial, salvo cuando n = 1, pero
entonces las dos distribuciones se reducen a la
Bernoulli.
Semejanzas y diferencias del modelo
binomial e hipergeomtrico
3. Es fcil ver en que condiciones cada distribucin es el
modelo apropiado. Si la poblacin es infinita, o el
muestreo se realiza con remplazo, el modelo es el
Binomial. Si la poblacin es finita y el muestreo se
realiza sin remplazo, el modelo es el
Hipergeomtrico.
Si N, el tamao de la poblacin, es grande, o si n es
muy pequeo en relacin con N, puede usarse con
buena aproximacin el modelo Binomial, aunque el
muestreo se realice sin remplazo
Semejanzas y diferencias del modelo
binomial e hipergeomtrico
4. Si n es muy pequeo en relacin con N, entonces
((N - n)/(N - 1)) = 1, y las varianzas en los dos modelos
son aproximadamente iguales. A la cantidad ((N -
n)/(N - 1)) se le llama el factor de correccin por
finitud de la poblacin, y representa el factor por el
cual disminuye la varianza cuando la poblacin es
finita y se muestra sin remplazo.
Funcin de probabilidades POISSON
Este modelo considera un nmero muy grande de repeticiones
de un experimento Bernoulli, con probabilidades de xito muy
pequeas.

Bajo ciertas condiciones, la distribucin de la variable X, definida


como el nmero de xitos en las n repeticiones, se aproxima
(cuando n tiende a infinito) a la funcin de probabilidades
Poisson. Por esta razn se considera a veces al modelo Poisson
como una forma lmite de la distribucin Binomial y se utiliza
para aproximar probabilidades en sta.

Tambin sirve como modelo para experimentos donde los


eventos ocurren en intervalos de tiempo o espacio y nos interesa
el nmero promedio de ocurrencias en el intervalo.
Caractersticas de la funcin de
probabilidades POISSON
1. El espacio muestral se genera por un nmero muy
grande (puede considerarse infinito) de repeticiones
de un experimento cuyo modelo probabilstico es
Bernoulli, con probabilidades muy pequeas de
xito. Por esta razn a la distribucin de Poisson se le
llama de eventos raros. Las repeticiones del
experimento Bernoulli se realizan en cada uno de los
puntos de un intervalo de tiempo o espacio.
Caractersticas de la funcin de
probabilidades POISSON
2. El nmero de xitos en el intervalo Ij es
independiente del nmero de xitos en el intervalo
Ik, donde Ij Ik = .
3. La probabilidad de que se tengan dos ms xitos en
el mismo punto del intervalo es cero
4. El nmero promedio de xitos en un intervalo es una
constante , que no cambia de intervalo a intervalo.
Funcin de probabilidades
POISSON
Definicin: Una variable aleatoria X tiene una
distribucin de Poisson si su funcin de probabilidades
est dada por:

e x
; x = 0, 1, 2,
fX(x) = x!
0 , de otra forma

Donde e = 2.71828 es la base de los logaritmos naturales y es


un nmero (desconocido) mayor que cero.
Esta funcin (fX(x)) se calcula hasta el valor de X que la
haga cero para la precisin utilizada.
Funcin de probabilidades
POISSON
El parmetro de la distribucin de Poisson es , el
nmero promedio de xitos por intervalo. La notacin
que se usar es X P(). Ntese que una vez
especificado pueden calcularse todas las
probabilidades, pero para cada valor de se tiene una
funcin de probabilidades distinta.
Funcin de probabilidades
POISSON
Si X P(), su media y su varianza estn dadas por:

E(X) =

Var(X) =

Ntese que, de acuerdo con las suposiciones del modelo,


el valor esperado de xitos por intervalo es . La varianza
de X es igual a la media
Ejemplo de funcin de
probabilidades POISSON
Un entomlogo examina una planta de algodonero
contando el nmero de huevecillos de un insecto
(Helliothis sp) por planta. De estudios anteriores se
sabe que bajo las condiciones del experimento el
nmero de huevecillos por planta puede representarse
por una distribucin de Poisson con = 0.9. Las
probabilidades de que el entomlogo encuentre 0, 1, 2,
, huevecillos por planta son:
Ejemplo de funcin de
probabilidades POISSON
e 0.9 0.9
0
P( X 0) f X ( 0) 0.40657
0!
e 0.9 0.9
1
P( X 1) f X (1) 0.36591
1!
e 0.9 0.9 Las probabilidades para X = 8, X = 9, ,
2
P( X 2) f X ( 2) 0.16466
2! etc no se calcularon porque son cero
e 0.9 0.9 con una aproximacin a 5 decimales.
3
P( X 3) f X (3) 0.04940
3! De hecho, es fcil verificar que:
e 0.9 0.9
4
4) f X ( 4) 0.01111
e 0.9 0.9
P( X 7 x
P ( X 7)
4!
0.99999
e 0.9 0.9
5
P( X 5) f X (5) 0.00200 x 0 x!
5!
e 0.9 0.9
6
P( X 6) f X ( 6) 0.00030
Es decir, que la probabilidad de encontrar 7
6! o menos huevecillos en una planta es
e 0.9 0.9
7
P( X 7 ) f X (7 ) 0.00004
prcticamente uno, aunque la variable
7! aleatoria puede tomar cualquier valor
entero positivo.
Funcin de probabilidades
Binomial Negativa
En un modelo Binomial la pregunta es Cul es la
probabilidad de que en n repeticiones se obtengan
exactamente k xitos (k = 0, 1, , n)?.
Supngase ahora que la pregunta es Cul es la
probabilidad de que para que se obtengan k xitos se
requieran n repeticiones?
En el primer caso, el nmero de repeticiones est fijo, y la
variable aleatoria es el nmero de xitos.
En el segundo caso, el nmero de xitos se fija de
antemano, y la variable aleatoria es el nmero de
repeticiones necesarias para obtener los xitos requeridos.
Es un Muestreo Binomial Inverso.
Funcin de probabilidades
Binomial Negativa
El espacio muestral de una variable aleatoria cuya funcin
de probabilidades es Binomial Negativa se genera por las
repeticiones independientes de un experimento Bernoulli
con probabilidad p de xito en cada intento, y el proceso se
detiene cuando se obtienen exactamente k xitos.

Definicin: Una variable aleatoria N tiene la distribucin


Binomial Negativa si su funcin de probabilidades es:
n 1 k nk
p q ; n = k, k +1,
k 1
fN(n) = P(N = n) =

0 , de otra forma

Donde k es el nmero de xitos que se desean, p es la probabilidad de xito en cada


intento y q = 1 p. La notacin que se usa es: N B. N. (k, p).
Funcin de probabilidades
Binomial Negativa
Semejanzas y diferencias en la notacin para la Binomial y
la Binomial Negativa

Funcin de Variable Parmetros Valores de la


probabilidades aleatoria variable
aleatoria
Binomial X n, p X = 0, 1, 2, , n
Binomial N k, p N = k, k + 1,
Negativa
Funcin de probabilidades
Binomial Negativa
Si la variable aleatoria N tiene distribucin Binomial
Negativa, su media y varianza son:

E(N) = k/p

Var(N) = k*q/p2
Ejemplo de funcin de
probabilidades Binomial Negativa
Un investigador somete semillas de trigo (Triticum sp)
a una dosis de radiaciones y registra si su capacidad de
germinar ha sido destruida por la radiacin. De
estudios previos se sabe que la probabilidad de que la
capacidad de germinar se destruya con esa dosis es 0.8.
El investigador desea obtener 3 semillas daadas.
Las probabilidades de que se requieran 3, 4, 5,
intentos son:
Ejemplo de funcin de
probabilidades Binomial Negativa
2
P ( N 3) 0.830.2 0 0.51200
2
3
P ( N 4) 0.830.21 0.30720
2
4
P ( N 5) 0.830.2 2 0.12288
2 Ntese que las probabilidades se
5 encuentran concentradas para valores de N
P ( N 6) 0.830.23 0.04096 cercanos a k, al grado de que P(N 10) =
2
0.99993. Esto se debe a que la probabilidad
6
P ( N 7) 0.830.2 4 0.01229 de xito en un intento es grande (0.8).
2
7
P ( N 8) 0.830.25 0.00344
2
8
P ( N 9) 0.830.2 6 0.00092
2
9
P ( N 10) 0.830.2 7 0.00024
2
Funcin de probabilidades
Geomtrica o de Pascal
Es un caso particular de la distribucin Binomial Negativa,
se da cuando se tiene k = 1.
La importancia es evidente si consideramos una situacin
en la que la observacin de un solo xito nos obliga a tomar
una accin. Ej: que se encuentre una planta atacada por un
hongo en un invernadero.
La funcin de probabilidades es:
La media y la varianza se
p * q n1 ; n = 1, 2, calcula como:

fN(n) = P(N = n) = E(N) = 1/p

0 , de otra forma Var(N) = q/p2


Consideraciones para elegir un
modelo probabilstico discreto
1. La forma en que se realiza el experimento (o se toma
la muestra) es importante. Si las variables Bernoulli
son independientes (la poblacin es infinita o el
muestreo es con reemplazo) el modelo adecuado es
Binomial. Si las observaciones son dependientes
debe usarse el modelo Hipergeomtrico. Si las
observaciones se realizan en todos los puntos de un
intervalo de tiempo o espacio, y la probabilidad de
xito es pequea, puede usarse un modelo Poisson,
siempre y cuando las ocurrencias en los intervalos
sean independientes.
Consideraciones para elegir un
modelo probabilstico discreto
2. El modelo Binomial Negativo es til cuando menos
dos situaciones: una, que surge cuando se tiene un
esquema de muestreo binomial inverso, y la otra,
similar a la del modelo Poisson, es cuando se observa
en todos los puntos de un intervalo, pero las
ocurrencias en los intervalos no son independientes.
Decimos entonces que la Binomial Negativa es un
modelo adecuado cuando se tiene contagio y, por
extensin, que la distribucin Binomial Negativa es
una distribucin de contagio.
Consideraciones para elegir un
modelo probabilstico discreto
3. En los modelos Binomial e Hipergeomtrico el
inters se centra en las observaciones individuales y,
por tanto, el parmetro de inters es la probabilidad
de xito en cada intento. En el modelo Poisson, y en
el Binomial Negativo cuando se usa como modelo de
contagio, lo que interesa es el nmero promedio de
xitos por intervalo y, en consecuencia, las
repeticiones del experimento son el nmero de
intervalos observados.
Consideraciones para elegir un
modelo probabilstico discreto
4. En la distribucin Binomial Negativa pueden admitirse
valores fraccionarios para k y es cuando es ms til como
modelo de contagio. Mientras ms pequeo sea el valor
de k, mayor es la varianza en relacin con la media. Por el
contrario, si k crece, la varianza decrece
aproximadamente a la media. Cuando k es muy grande
la funcin de probabilidades Binomial Negativa se
aproxima a la Poisson.
Si k es pequeo se dice que el contagio es fuerte. Si k
es grande el contagio es dbil y, para k muy grande,
se dice que no existe contagio y se usa el modelo de
Poisson.
Funcin de probabilidades
Uniforme Continua
Definicin: Se dice que una variable aleatoria X tiene
una distribucin Uniforme Continua si su funcin de
densidad de probabilidades es:
1
; 1 x 2
fX(x) =
2 1
0 , de otra forma

Donde 1 y 2 son dos nmeros reales tales


que 1 < 2. Se denota como: X U[1, 2].
La grfica de la funcin tiene la siguiente
forma:
Funcin de probabilidades
Uniforme Continua
Enunciados de la funcin:
El espacio muestral es continuo
Si dos intervalos [a, b] [1, 2] y [c, d] [1, 2] son
tales que la anchura de [a, b] es menor o igual que la de
[c, d], es decir, b a d c, entonces:
P[a X b] P[c X d]
El segundo enunciado es claro de la figura anterior, ya que es obvio que si [a, b] y
[c, d] son subconjuntos de [1, 2], entonces:

ba d c
Pa X b Pc X d
2 1 2 1
Funcin de probabilidades
Uniforme Continua
Si X U[1, 2], su media y su varianza son:

1 2
E( X )
2

Var(X) = (2 - 1)2/12

NOTA: Esta funcin sirve para generar nmeros aleatorios


Ejemplo de funcin de
probabilidades Uniforme Continua
Sea X una variable aleatoria distribuida uniformemente
en el intervalo [-3, 4]. Es decir, X U[-3, 4].
a) La funcin de densidad de X es:
1 1
; x [-3, 4]
fX(x) = 4 (3) 7
0 , de otra forma

b) La grfica de la distribucin es:


Ejemplo de funcin de
probabilidades Uniforme Continua
c) En seguida se evalan las probabilidades de algunos
eventos
a) P(2 X 1) [1 (2)](1 / 7) 0.4286

b) P(1.5 X 3.2 [3.2 (1.5)](1 / 7) 0.6714

c) P(1 X 6) P[1 X 4] P[4 X 6] (4 1)(1 / 7) 0 0.4286

d ) P( X [1,0]U [1,4]) P[1 X 0] P[1 X 4] 1 / 7 3 / 7 0.5714

e) P( X 3) P(3 X 4) P( X 4) 1 / 7 0 0.1428

f ) P( X 0) P(3 X 0) P( X 3) 3 / 7 0 0.4286
Funcin de probabilidades Normal
Tambin se conoce como Ley Normal de los Errores.
Definicin: Una variable aleatoria X se distribuye
normalmente si su funcin de densidad es:
x
2

2
1

; - < x <
2
e
fX(x) = 2

0 , de otra forma
Donde = E(X), - < < ; Var(X) = 2 , 2> 0; e =
2.71828 y = 3.14159.

La notacin utilizada es X N(, 2).


Funcin de probabilidades Normal
Propiedades de la distribucin
Sea X N(, 2), entonces:
1. Los parmetros de la distribucin son y 2. En este
caso los parmetros de la distribucin coinciden con
la media y la varianza de la variable aleatoria.
2. La funcin de probabilidades normal es simtrica
con respecto a , el valor esperado de X es .
3. Debido a la simetra, la media, moda y mediana
coinciden.
Funcin de probabilidades Normal
3. La distancia horizontal entre una lnea vertical
erigida sobre E(X) y el punto de inflexin de la curva
es la desviacin estndar () de la distribucin.
Claramente, a mayor , mayor es la probabilidad de
intervalos que incluyen a valores extremos de X. Para
X con distribucin normal se cumple:
P( - x + ) = 0.6827
P( - 2 x + 2) = 0.9545
P( - 3 x + 3) = 0.9973
Funcin de probabilidades Normal
Estndar
La funcin de densidad de una variable aleatoria
normal es complicada y, por lo tanto, es difcil calcular
probabilidades en ella, ya que se requiere generar
tablas de clculo para cada par de valores y 2.

La solucin de este problema es transformar estas


probabilidades en probabilidades de un miembro
particular de la familia Normal de densidades. Esta
distribucin recibe el nombre de Distribucin
Normal Estndar, y el proceso por el cual se obtiene
se llama estandarizacin de una variable aleatoria.
Funcin de probabilidades Normal
Estndar
Teorema: Si X es una variable aleatoria con media X y
varianza 2X, la variable aleatoria Z X tiene mediaX

X
cero y varianza uno. Se dice que Z es una variable
estandarizada.
Definicin: Sea X una variable aleatoria distribuida
N(, 2). La variable aleatoria Z X tiene distribucin
N(0, 1). Su funcin de densidad es:
1 z2 2
e ; - < z <
2
fZ(z) =

0 , de otra forma
Funcin de probabilidades Normal
Estndar
Teorema: Si X N(, 2), el clculo de probabilidades
para X puede reducirse al clculo de probabilidades en
la variable aleatoria Z N(0, 1) mediante la siguiente
igualdad:
a b
P ( a X b) P Z

Donde a y b son nmeros tales que a < b.

Aun as, el clculo de probabilidades en la variable aleatoria Z no es fcil, por lo que


se utilizan tablas que proporcionan estas probabilidades.
Uso de las tablas de la
Distribucin Normal Estndar
Esta tabla est integrada de la siguiente forma: la
primera columna tiene valores de la variable Z de -3.6 a
3.6 y la primera hilera, nmeros que permiten obtener
valores de Z con una decimal ms.
El resto del cuerpo de la tabla contiene las
probabilidades de que la variable aleatoria Z tome un
valor menor o igual que el valor particular z que se
desea, es decir, el rea bajo la curva a la izquierda del
valor z.
Uso de las tablas de la
Distribucin Normal Estndar
Ejemplo: Si deseamos calcular P(Z 1.96), buscamos
en la primera columna el nmero 1.9 y en la primera
hilera el nmero 0.06.
El nmero ubicado en la interseccin de la hilera con
el nmero 1.9 y la columna encabezada por 0.06 es la
probabilidad buscada; en este caso ese nmero es
0.975, por lo que:
P(Z 1.96) = 0.975
Igualdades que simplifican el uso de las
tablas de la Distribucin Normal Estndar
Si Z N(0, 1) y z, z1 y z2 son nmeros reales cualesquiera
tales que z1 < z2:
a) P(Z z) = 1 P(Z z) = P(Z -z)
b) P(z1 Z z2) = P(Z z2) P(Z z1)
c) P(-z Z z) = 1 - 2P(Z -z)
d) Si z > 0:
P(Z z) = 0.5 + P(0 Z z)
P(Z -z) = 0.5 - P(0 Z z)
Este ultimo inciso es til cuando se tiene tablas que slo proporcionan reas entre
cero y z para valores positivos de z.
Ejemplo de la Distribucin Normal
Estndar
Si el tiempo (en segundos) que una bacteria resiste a
determinado antibitico se distribuye N(1200, 14400),
Cul es la proporcin de bacterias que resisten ms de
1000 segundos?

Sea X la variable tiempo, entonces:


1000 1200
P( X 1000) P Z PZ 1.67 1 PZ 1.67 1 0.0475 0.9525
120

La respuesta es entonces el 95.25 %.


Funcin de probabilidades Ji-
Cuadrada
Esta distribucin surge como la suma de cuadrados de
variables aleatorias independientes Zi, cada una con
distribucin normal estndar.

El caso ms sencillo se tiene cuando se considera una


sola variable aleatoria normal estndar elevada al
cuadrado. Esto es, si Z N(0, 1), entonces:
2 = Z2
Funcin de probabilidades Ji-
Cuadrada
Teorema: Una variable aleatoria 2 se genera por la
suma de variables aleatorias independientes normal
estndar elevadas al cuadrado.
Al nmero de variables independientes en la suma se
le llama los grados de libertad, y es el parmetro de la
distribucin. Por lo tanto, si:

(2 ) Z12 Z 22 ... Z2
Donde las Zi son normales estndar independientes,
diremos que 2 tiene una distribucin Ji cuadrada con
grados de libertad.
Funcin de probabilidades Ji-
Cuadrada
Si una variable aleatoria 2() tiene la distribucin Ji
cuadrada con grados de libertad se tiene:

E(2()) =

Var(2()) =2
Uso de las tablas de Ji-Cuadrada
Esta integrada de la siguiente forma: en la primera columna
se encuentran los grados de libertad , en la primera hilera
diferentes valores de probabilidad, y en el resto de la
tabla valores de la variable, denotados por 2(), tales que:


P X ( )
2 2

Esto es, 2() es aquel valor de la
variable aleatoria Ji cuadrada con
grados de libertad tal que el rea
bajo la curva a su derecha es .
Uso de las tablas de Ji-Cuadrada
Debe notarse en la grfica que cada hilera de la tabla slo
da la probabilidad a la derecha de algunos valores 2().

Ejemplo: En la distribucin de Ji cuadrada con 15 grados


de libertad se desea encontrar el valor de la variable tal que
la probabilidad de un valor mayor o igual sea 0.05, es decir,
se desea obtener 20.05(15). Esto es:

PX 2
(15) 2
0.05
(15) 0.05
En la primera columna se busca = 15, y en la primera hilera el valor = 0.05.
En la interseccin de esa hilera y esa columna leemos el nmero 24.9958, por


lo tanto:
PX 2
(15) 24.9958 0.05
Uso de las tablas de Ji-Cuadrada
En la siguiente figura se ilustra la situacin descrita:
Funcin de probabilidades t de
Student
Esta distribucin es simtrica, con media cero y de
forma muy semejante a la normal estndar.
Definicin: Si Z es una variable N(0, 1), y si 2 2() y
es independiente de Z, entonces la variable
aleatoria definida por:
Z
2

Tiene una distribucin t de student con grados de
libertad
Funcin de probabilidades t de
Student
Como en todos los modelos anteriores, ms que una
distribucin se tiene una familia de distribuciones, en
la cual la forma particular de cada miembro depende
de los grados de libertad. Si t tiene distribucin de
Student con grados de libertad escribiremos t t().

La distribucin t, tiene una apariencia similar a la de la


normal Estndar y, de hecho, se aproxima cada vez
ms a sta a medida que se tienen ms grados de
libertad. La diferencia es que la distribucin t tiene
ms rea en las colas que la N(0, 1).
Uso de las tablas de t de Student
En la primera columna de la tabla se encuentran
diferentes valores de los grados de libertad, mientras
que en la primera hilera aparecen valores de la
variable t, denotados por t(), tales que:

Pt t ( )
Aqu, al igual que en la normal, debido a la simetra de
la distribucin se cumple que:

Pt t ( ) Pt t ( )
Para localizar un valor especfico de t(), se encuentra la hilera con grados de
libertad y sobre esa hilera la columna con la probabilidad deseada. El valor que
parece en el cruce de esa hilera y esa columna es t().
Uso de las tablas de t de Student
Ejemplo: Se desea encontrar el valor de t con 14 grados
de libertad, tal que la probabilidad de un valor mayor
es 0.05. Esto es, se desea encontrar t0.05(14). En la tabla
se localiza la hilera con = 14 y se busca el valor que
aparece en el cruce de esa hilera y la columna con = o.o5,
el cual resulta ser 1.761. O sea que:

P(t(14) 1.761) = 0.05


Uso de las tablas de t de Student
Ejemplo: En la distribucin de t con 30 grados de libertad,
se desea encontrar los valores t0.025(30) y -t0.025(30). Es
decir, valores tales que:
P[-t0.025(30) t(30) t0.025(30)] = 0.95

De la tabla obtenemos: P(t(30) 2.042) = 0.025


De donde los valores buscados son 2.042 y -2.042, esto es:
P[-2.042 t(30) 2.042] = 0.95
Se ilustra en la figura
Funcin de probabilidades F de
Snedecor
Es til para comparar las varianzas de dos poblaciones
normales, comparar los efectos de dos o ms tratamientos,
etc.
Definicin: Sean 2(m) y 2(n) dos variables aleatorias
independientes distribuidas como Ji cuadrada con m
y n grados de libertad, respectivamente. Entonces, la
variable aleatoria F definida como:
(2m )
F m
(2n )
n
tiene la distribucin F con m y n grados
de libertad. La distribucin F est ligada
con la distribucin t de Student.
Funcin de probabilidades F de
Snedecor
La distribucin F est completamente determinada
por los parmetros m y n, los grados de libertad de las
variables aleatorias Ji cuadradas que le dan origen.
En ocasiones se identifica a F diciendo que tiene m
grados de libertad en el numerador y n en el
denominador. La notacin ser: .
F Fnm

Sea t una variable aleatoria distribuida como t de


Student con grados de libertad; entonces, el
cuadrado de t se distribuye como F con 1 y grado
t( ) 2 F1
de libertad. En smbolos:
Uso de las tablas de F
Las tablas estn integradas de la siguiente forma: la
primera hilera tiene los grados de libertad (m) de la
variable 2 en el numerador, mientras que en la
primera columna estn los grados de libertad (n) de la
variable 2 en el denominador. El resto del cuerpo de la
tabla presenta valores de la variable F tales que:


PFF m
n ,
Propiedad de la distribucin F: Si la variable aleatoria F
es tal que F Fnm , entonces la variable aleatoria F * 1
tiene la distribucin Fnm F
Uso de las tablas de F
Ejemplo: Se quiere encontrar F154, 0.05 , es decir, el valor
de F tal que la probabilidad de un valor mayor es 0.05
con 4 y 15 grados de libertad.
De la tabla correspondiente, en la interseccin de la
columna con m = 4 y la hilera con n = 15, el valor
3.0556. Po lo tanto, F154,0.05 3.0556 . Es decir,


P F154 3.0556 0.05

Você também pode gostar