3

MODELOS DE PROBABILIDAD

1.- VARIABLES ALEATORIAS DISCRETAS

En ocasiones, algunas variables aleatorias siguen distribuciones de probabilidad muy concretas, como por ejemplo el estudio a un colectivo numeroso de individuos que se modelizan por la distribucin Normal. Estudiaremos algunas de las distribuciones o modelos de probabilidad ms importantes y que despus nos resultarn muy tiles para el tema de la Estimacin. Como hemos visto, las variables pueden ser discretas o continuas; por ello, tambin las distribuciones podrn ir asociadas a variables aleatorias discretas o continuas.

1.1.- Distribucin uniforme discreta

Sea X una variable aleatoria discreta que toma valores x1.....xn tales la 1 probabilidad de tomar cada uno de los valores es ( X = xi ) = . Cuando esto ocurre se n dice que X se distribuye como una variable aleatoria Uniforme discreta. Esta es la distribucin discreta ms sencilla, la cual asigna la misma probabilidad a cada una de las soluciones.

1.2.- Distribucin de Bernouilli

Considerado un experimento aleatorio en el cual solo hay dos posibles resultados incompatibles a los que se les puede denominar xito o fracaso, entonces se dice que X es una variable aleatoria discreta que se distribuye como parmetro p donde p es la probabilidad de obtener xito., y se expresa
X B( p)

3_Apuntes de Estadstica II Por tanto, se puede decir que: X=1 ---- P[xito] = p P[ X = 1] = p; X=0 ---- P[fracaso] = 1-p P[ X = 0] = 1 p.

34

En esta distribucin 1-p se suele denotar como q, y tanto la esperanza como la varianza vienen dadas por las siguientes expresiones: E[x] = 1p + 0q = p; V[x] = p p = p (1-p) = p q. Ejemplo: El 10% de los trabajadores del pas est desempleado, Cul es la probabilidad de seleccionar un individuo al azar y est desempleado? X = 1 Desempleado p = 0,1 X = 0 Empleado p(x=1)=0,1 q = 1-p = 1-0,1 = 0,9

1.3.- Distribucin Binomial

Es una extensin de la distribucin de Bernouilli. Supongamos que se repite un experimento n veces de forma idntica e independiente. Los resultados de cada realizacin del experimento se clasifican en dos categoras (como en el caso de Bernouilli), una ser la probabilidad de xito p, y otra q=1-p, la de fracaso. As, por tanto, sea X una variable aleatoria discreta, se dice que se distribuye como una distribucin binomial de parmetros (n,p). Siempre se debe de verificar que n>1 y que p tome valores entre 0 y 1. La funcin de probabilidad viene dada por la expresin:
X = x =n i x i

xi p (1 p )n xi

x = 1,2,..., n .

Adems, es fcil de comprobar que se verifica que E[x] = np y que V [x] = np(1 p) = npq . Su funcin de distribucin es: 0 F(x)=

x0
n n xi xi

( )p
I =1

(1 p ) n xi

0 xn
x>n

A continuacin podemos ver varios ejemplos de variables que se distribuyen con una Binomial: nmero de caras al lanzar 20 veces una moneda, nmero de aprobados si

Modelos de Probabilidad

35

se presentan 80 alumnos a un examen, nmero de familias con un solo hijo en una poblacin de 120 familias, nmero de reacciones negativas ante un frmaco administrado a 40 pacientes, nmero de accidentes de trfico si han circulado 1200 automviles nmero de semillas que germinan de las 20 semillas que se han plantado en suelos de idntica composicin. Propiedades de la distribucin Binomial: 1. La distribucin Binomial se puede obtener como suma de n variables aleatorias independientes Bernouilli con el mismo parmetro p. 2. Si tenemos dos variables aleatorias que se distribuyen segn una Binomial con el mismo parmetro p, es decir, con la misma probabilidad de xito, X B (n, p ) e Y B ( m, p ) , entonces siempre se verifica
X + Y B ( n + m, p ) .

Si no tienen la misma probabilidad no se pueden sumar. 3. Sea X una variable aleatoria e Y otra variable aleatoria que verifican que X B (n, p ) e Y=X/n, entonces se verifica
Y B (1, p / n)

y adems su esperanza y varianza son

E[Y ] = p y V [Y ] =

pq . n

1.4.- Distribucin de Poisson

Esta es una distribucin discreta de gran utilidad sobre todo en procesos biolgicos, donde X suele representar el nmero de eventos independientes que ocurren a velocidad constante en un intervalo de tiempo o en un espacio. As, por tanto, sea X una variable aleatoria discreta, se dice que se distribuye como una distribucin de Poisson,
X P ( ),

con > 0, si su funcin o distribucin de probabilidad viene dada por: P[ X = xi ] = e

xi !

En esta distribucin representa el nmero promedio de ocurrencias en un intervalo de tiempo o en un espacio. Por lo tanto, para esta distribucin se verifica que su esperanza y su varianza son:

E[x ] = , V [x ] = .
y su funcin de distribucin:

3_Apuntes de Estadstica II 0 F(x)= x<0

n

36

e
i =1

xi

x>0

Seguidamente se pueden ver varios ejemplos de variables que se distribuyen con una Poisson: Nmero de clientes que llegan a un banco durante una hora o una maana, nmero de defectos en un trozo de material, etc. Sin embargo, de llegar muchos clientes en una determinada franja horaria y pocos en otra, o no estar los defectos igualmente distribuidos en el material, la distribucin de Poisson no sera apropiada. Ejemplo: Una central telefnica recibe una media de 480 llamadas por hora. Si el nmero de llamadas se distribuye segn una Poisson y la central tiene una capacidad para atender a lo sumo 12 llamadas por minuto, cul es la probabilidad de que en un minuto determinado no sea posible dar lnea a todos los clientes? Si definimos X = N de llamadas por minuto entonces X P (8). P (X > 12) = 1 P (X 12) = 1 0,9362 = 0,0638.

2.- VARIABLES ALEATORIAS CONTINUAS 2.1.- Distribucin Uniforme Continua

Es la ms sencilla de las distribuciones continuas. Surge cuando consideramos una variable aleatoria que toma valores en un intervalo finito de manera equiprobable. Esta se define como una variable aleatoria continua, X, se dice que se distribuye como una distribucin uniforme de parmetros a, b, tales que < a < b< +
X U ( a, b);

siempre se verifica que su funcin de densidad viene dada por la expresin:

1 ba

f(x)=

a xb
________

Lo ms significativo que vamos a destacar de esta distribucin es que su esperanza viene dada por la expresin: E(x)=
a+b 2

Modelos de Probabilidad y su varianza por V(x)=

(b a ) . 12

37

La funcin de distribucin dada una variable aleatoria uniforme es

0 F(x)=
xa ba

x<a

a xb
x b

Ejemplo: Seleccionamos al azar un nmero real en el intervalo [2, 6] y definimos una variable aleatoria como X=nmero seleccionado. Calcula la probabilidad de que el nmero seleccionado sea menor de 5 y el nmero esperado. En este caso X U ( 2,6); Para calcular la probabilidad lo que hacemos es
P[ X 5] =
2 5 5

1 1 f ( x )dx = dx = dx = 62 4 2 2

5 2 3 x = 4 4 = 4 = 0.75. 42

Esto se poda haber hecho ms rpido con la funcin de distribucin de la siguiente forma:
P[ X 5] = F (5) = x2 52 3 = = 0.75. = ba 62 4

Para calcular la esperanza, aplicamos la formula y nos queda,

E[ X ] = a+b 2+6 8 = = = 4. 2 2 2

2.2.- Distribucin Normal

Es una de las distribuciones ms importantes. Es el modelo de distribucin ms utilizado en la prctica, ya que multitud de fenmenos se comportan segn una distribucin normal. Esta distribucin de caracteriza porque los valores se distribuyen formando una campana de Gauss, en torno a un valor central que coincide con el valor medio de la distribucin: Las ventajas tericas de este modelo hacen que su uso se generalice en las aplicaciones reales. Sea X una variable aleatoria continua, se dice que se distribuye como una normal
X N ( , );

>0

3_Apuntes de Estadstica II

38

donde se verifica que < x < +, es el valor medio de la distribucin y es precisamente donde se sita el centro de la curva (de la campana de Gauss), y es cualquier valor entre y +, si su funcin de densidad viene dada por:
f (x ) =
1 2

(x )
2 2

Cuando la media de la distribucin es 0 y la varianza es 1, se denomina "normal tipificada", 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. Es se ver con ms detalle en el siguiente apartado. Propiedades: Tiene un parmetro que es la media

E[X ] = .
Tiene otro parmetro que nos da la dispersin.
V [X ] = 2 .

La media, la moda y la mediana coinciden.

Es una funcin simtrica respecto a la media, como se puede ver en el grfico.

Si definimos la variable Y = a X + b, donde X se distribuye como una normal de parmetros X N ( , ); , entonces:

Y N ( a + b, a );

Modelos de Probabilidad

39

Sean dos variables aleatorias normales que se distribuyen X 1 N ( 1 , 1 ), y X 2 N ( 2 , 2 ), se define una nueva variable de la forma Y = X1 + X2, entonces esta nueva variable se distribuye como:
2 Y N ( 1 + 2 , 12 + 2 ).

2.3.- Distribucin Normal Tipificada o Estandarizada

Como se deca anteriormente, este es un caso particular de una variable aleatoria continua X que se distribuye como una Normal de parmetros (0,1), por lo que su funcin de densidad viene dada por: f ( x) = Propiedades: E(x)=0. V(x)=1. 1 2 e
x2 2

La importancia de la distribucin normal tipificada es que tiene la ventaja, como ya hemos indicado, de que las probabilidades para cada valor de la curva se encuentran recogidas en una tabla. As, lo que se har es transformar cualquier variable que se distribuya como una normal en una normal tipificada. Para hacer este cambio, se crea una nueva variable Z que ser igual a la anterior X menos su media y dividida por su desviacin tpica (que es la raz cuadrada de la varianza). Esta nueva variable se distribuye como una normal tipificada, permitindonos, por tanto, conocer la probabilidad acumulada en cada valor, es decir, X N ( , ); al X siempre se verifica que Z N (0;1); definir la nueva variable Z =
X x P[X x]= < = x . P Z <

2.4.- Distribucin Chi-Cuadrado de Pearson

Sea X1, X2, X3....Xn variables aleatorias que se distribuyen como normales 2 2 N(0,1), y se define una nueva variable X = X 12 + X 2 + X 32 + ... + X n , entonces se dice que X se distribuye como una Chi-Cuadrado o Ji-cuadrado con n grados de libertad, donde n es el nmero de variables aleatorias normales independientes elevadas al cuadrado que se han sumado. Esta se representa como
2 X n ,

y su funcin de densidad es de la forma,

3_Apuntes de Estadstica II n X n 2 2 2 2 1 f ( x) = n e X ( ) 2 0 X>0 ----

40

Grficamente, la variable aleatoria Chi-cuadrado se representa,

Propiedades: Es una funcin asimtrica. E(x)= n. V(x)=2n.

2 Sean dos variables aleatorias chi-cuadrado que se distribuyen X 1 n y

2 X 2 m , se define una nueva variable de la forma Y = X1 + X2, entonces esta nueva variable se distribuye como:

2 Y n+m

Cuando el nmero de variables aleatorias es muy grande, es decir, cuando n , la variable se puede aproximar por una normal.

2.5.- Distribucin t- Student

Sea X una variable aleatoria que se distribuye como X N (0,1) y sea Y otra 2 variable aleatoria que se distribuye como Y n , tal que X e Y son independientes, entonces podemos definir otra variable aleatoria T= X Y n ,

se dice que esta se distribuye como una t-Student con n grados de libertad y su funcin de densidad viene dada por:

Modelos de Probabilidad

41

+ ( n2 1 ) n f ( x) = n ( 2 )

t2 1 + n 0

n +1 2

< x < +

Esta distribucin es muy utilizada, que se construye a partir de una normal y un chi-cuadrado. Veamos una grfica comparativa con una distribucin normal y algunas de las propiedades que verifica.

Propiedades:

Es simtrica, est centrada en el punto (0,0) Mo = Me =0 E [T] = 0 si n>1 V [T] = n/n-2 si n>2. Cuando el nmero de variables aleatorias es muy grande, es decir, cuando n , la variable se puede aproximar por una normal.

2.6.- Distribucin F-Snedecor

2 Sea una variable aleatoria que se distribuye como X 1 n con n grados de 2 libertad y, otra variable aleatoria X2 que se distribuye como X 2 m con m grados de libertad, tal que las dos variables son independientes, entonces se puede definir una nueva variable aleatoria:

X1 X = X2

n m

que se dice que se distribuye como X Fn ,m . En este caso, su funcin de densidad viene dada por:

3_Apuntes de Estadstica II

42

n+m n m n 2 m 2 (n 2 ) n+m 2 x 2 (nx + m ) 2 n n2 f ( x ) = 1 2 2 0

x>0

x0

Veamos algunas de las propiedades que verifican las variables aleatorias que siguen esta distribucin y su representacin grfica.
Propiedades:

E[ F ] = V [F ] =

n , si m > 2. m2

m 2 (2n + 2m 4) , n(m 2) 2 (m 4)

si m > 4.

2 Si m entonces la distribucin X Fn,m n .

Si X Fn ,m entonces la distribucin

1 Fm ,n . X

3.- RELACIN ENTRE MODELOS

A continuacin se van a detallar las distintas relaciones que existen entre los distintos modelos estudiados.

3.1.- Aproximacin de una Binomial por una Poisson

Sea X una variable aleatoria discreta que se distribuye como una Binomial con parmetros (n,p) donde n tiende a infinito y, p tiende a 0. Cuando esto ocurre podemos

Modelos de Probabilidad

43

aproximar una distribucin Binomial por medio de una distribucin de Poisson, es decir,
X P ( = np ).

Por convenio se realizar esto cuando se verifiquen una de estas condiciones: 1. 2. Cuando se verifique n > 30 y p < 01. np < 5.

3.2.- Aproximacin de una Binomial por una Normal

Sea X una variable aleatoria discreta que se distribuye como una Binomial con parmetros (n,p), entonces De Moivre demostr que cuando n y, p es aproximadamente 05, esa variable aleatoria se puede aproximar como una distribucin normal. El criterio que se toma es que n >50 y p 05. Cuando esto ocurre se verifica que
X B (n, p ) se dice que X N ( = np; = npq ) .

3.3.- Aproximacin de una distribucin de Poisson por una Normal

Sea X una variable aleatoria discreta que se distribuye como una Poisson de parmetro ( ), se demuestra que cuando es muy grande, se puede aproximar por medio de una distribucin normal, como ocurra anteriormente. As, si
X P ( ) y entonces X N = ; = .

La condicin es que se verifique > 16 .

3.4.- Correccin por continuidad

Es evidente que en una distribucin Binomial o Poisson, que son variables discretas, cuando se aproximan por una Normal, que es una variable continua, surge un problema en el clculo de determinadas probabilidades. As, la probabilidad de que X este entre dos valores, (a X b ) , no tiene por qu ser igual a (a < X < b ) en el caso discreto. En la distribucin normal, por el contrario, estas probabilidades coinciden. Para solucionar este problema cuando aproximamos una variable aleatoria discreta por una continua y se desea que la aproximacin de la probabilidad sea lo ms adecuada posible, tendremos que evitar este problema. En una distribucin continua, la probabilidad de que la variable tome algn valor comprendido entre dos considerados como consecutivos es cero, de modo que toda la regin comprendida entre ellos no tiene asignada ninguna probabilidad. Si queremos continuidad en todos los puntos, parece lgico repartir la probabilidad asignada a xi, a toda la regin ms cercana a xi; la probabilidad asignada a xi+1, a toda la regin ms cercana a xi+1, etc....Esto nos conduce al grfico (histograma) siguiente:

3_Apuntes de Estadstica II Area=P[X=xi]

44

x1-1

xi

x1+1

Los valores que adopta una Binomial o Poisson, son enteros positivos (0,1, 2, ..., k..). Cualquier rectngulo centrado en un valor k, ser de la forma: k-1/2, k+1/2; de manera que determinar la probabilidad de P(X=x) en una Binomial o Poisson, ser equivalente a determinar la probabilidad en el intervalo (x-0.5; x+0.5) utilizando la funcin de distribucin de la normal. Por tanto, para calcular la P(X=xi) se adopta el criterio de calcular: ( xi 0,5 < X < xi + 0,5) .