ndice

Modelos de probabilidad

Jos Gabriel Palomo Snchez

gabriel.palomo@upm.es
E.U.A.T. U.P.M.

Julio de 2011

ndice

ndice I

Variables aleatorias
1 2

Denicin Generalidades

Probabilidad
1 2 3 4 5 6 7 8

Objetivo de la probailidad. Sucesos Denicin de probabilidad Propiedades de la probabilidad Unin e interseccin de sucesos Dependencia e independencia de sucesos.Probabilidad condicionada Probabilidad e informacin Clculo de probabilidades Clculo de probabilidades. Insuciencia de la regla de Laplace

ndice

ndice II

Los modelos de probabilidad

1 2 3 4

Modelos de probabilidad Clasicacin de los modelos de probabilidad Caracterizacin de los modelos de probabilidad Parmetros de los modelos de probabilidad

Los modelos de probabilidad discretos

1 2 3 4 5 6

Los modelos de probabilidad discretos. La funcin de probabilidad Clculo de los parmetros de un modelo de probabilidad discreto El proceso de Bernoulli El modelo binomial El proceso de Poisson El modelo de Poisson

ndice

ndice III

Los modelos de probabilidad continuos

1 2 3 4 5 6 7 8

Los modelos de probabilidad continuos. La funcin de densidad Clculo de los parmetros de un modelo de probabilidad continuo El modelo normal El teorema central del lmite El modelo exponencial El modelo exponencial. Relacin con el modelo de Poisson La t de Student La Chi cuadrado

La funcin de distribucin
1

La funcin de distribucin. Denicin

ndice

Variables aleatorias I

Objetivo

Uno de los objetivos bsicos de la Estadstica es confeccionar tcnicas que ayuden a modelar el comportamiento de una variable aleatoria.

ndice

Variables aleatorias II. Definicin

De una manera poco rigurosa se admitir que una variable aleatoria es el resultado numrico de un experimento que depende del azar. (Vase una denicin ms precisa, por ejemplo, en Martn Pliego y Ruiz-Maya (1995)). Cuando el resultado de la observacin no ofrece directamente un nmero, se realiza una codicacin numrica de los resultados.

Variables aleatorias. Definicin

ndice

Variables aleatorias III. Generalidades

Una variable aleatoria se caracteriza porque si se repite sucesivamente el experimento en las mismas condiciones, el resultado puede ser distinto.

ndice

Variables aleatorias IV. Generalidades. Ejemplos

Ejemplos de variables aleatorias:

Tiempo de vida de un ordenador. Dureza de una probeta de hormign. Nmero de accidentes laborales diarios en la comunidad de Madrid. Cotizacin diaria en bolsa de un valor. Nmero de mensajes diarios recibidos en un telfono mvil, . . .

ndice

Variables aleatorias V. Generalidades

Cuando se analiza una variable aleatoria, se deseara conocer con exactitud el valor que tomara la variable si se realizara el experimento. Sin embargo, Esto es imposible y genera incertidumbre

ndice

Variables aleatorias VI. Generalidades

De una variable aleatoria se puede llegar a conocer:

La proporcin de veces que la variable toma un valor, o un conjunto de valores.

La facilidad o dicultad con que la variable puede tomar un valor o un conjunto de valores, al realizar el experimento.

10

ndice

Variables aleatorias VII. Generalidades

Metodologa de anlisis de una variable aleatoria

Una variable aleatoria se describe asociando su comportamiento con el de algn modelo de probabilidad.

11

ndice

Variables aleatorias VIII. Generalidades

Para resolver el problema de describir el comportamiento de una variable aleatoria habr que dar respuesta, consiguientemente, a las siguientes preguntas: Qu es la probabilidad? Qu son los modelos de probabilidad? Cmo se asimila el comportamiento de una variable aleatoria concreta con un modelo de probabilidad?

12

ndice

Probabilidad I. Objetivo. Sucesos

Qu es la probabilidad?

La probabilidad es una forma numrica de medir la incertidumbre. Es decir, una forma de medir la facilidad o dicultad de que un suceso ocurra. Un suceso es cualquier evento observable tras la realizacin de un experimento.

ndice

Probabilidad II. Definicin

Una probabilidad es cualquier medida de la incertidumbre que verique los siguientes axiomas:
Si S es un suceso cualquiera, asociado a un experimento aleatorio:
P (S ) [0, 1]

Si E es el suceso seguro:
P (E ) = 1

Si S1 y S2 , . . . son sucesos excluyentes dos a dos, (no hay dos que pudan ocurrir simultneamente), se cumple que:
P (S1 S2 S . . . ) =
i j

=1

P (S ).
j

14

ndice

Probabilidad III. Propiedades

Como consecuencia de estos axiomas se pueden demostrar las siguientes propiedades de la probabilidad:
Si S1 y S2 son complementarios, (siempre que se ejecuta el experimento ocurre uno de los dos, pero no simultneamente): La probabilidad del suceso imposible, , es cero, Si S1 y S2 son sucesos excluyentes, se cumple que: Si S1 y S2 no son sucesos excluyentes, se cumple que:
P (S1 S2 ) = P (S1 ) + P (S2 ) P (S1 y S2 )
15

P (S1 S2 ) = 1 P () = 0.

P (S1 S2 ) = P (S1 ) + P (S2 )

ndice

Probabilidad IV. Unin e interseccin de sucesos

Observaciones
1

El suceso S S es el que se verica cuando uno de los dos sucesos, o ambos, se verica. Habitualmente a este suceso se le denomina suceso unin y se representa por S S .
2 1 2

El suceso S y S es el que se verica cuando los dos sucesos ocurren simultneamente. Habitualmente a este suceso se le denomina suceso interseccin y se representa por S S .
1 2 1 2

16

ndice

Probabilidad V. Dependencia e independencia de sucesos

Con respecto a la probabilidad del suceso interseccin, se presentan dos casos:

P

(S1 S2 ) = P (S1 ) P (S2 )

1 2

En este caso se dice que S y S son independientes, lo que supone que la informacin acerca de si uno de ellos ha ocurrido, en la realizacin del experimento, no altera la probabilidad de que el otro ocurra.

17

ndice

Probabilidad VI. Dependencia e independencia de sucesos

O bien,
P

(S1 S2 ) = P (S1 ) P (S2 )

1 2

En este caso se dice que S y S son dependientes, lo que supone que la informacin acerca de si uno de ellos ha ocurrido en la realizacin del experimento altera la probabilidad de que el otro ocurra.

18

ndice

Probabilidad VII. Probabilidad condicionada

En general, se dene la probabilidad de S ocurrencia de S como:

2

condicionada

a la

P S1 S2

( | )=

P S1

S2 ) , P (S2 )

de donde:
P S1

S2 ) = P (S2 ) P (S1 |S2 ) = P (S1 ) P (S2 |S1 )

19

ndice

Probabilidad VIII

En el caso en que S y S sean independientes se cumplir que:

1 2

P S1 S2

( | ) = P (S1 )

P S2 S1

( | ) = P (S2 )

20

ndice

Probabilidad IX

Observacin

En general, no es fcil distinguir si dos sucesos son, o no, independientes. En ocasiones se pueden calcular las probabilidades de ambos sucesos y la del suceso interseccin, lo que permite decidir si los sucesos son independientes. En otros casos, un razonamiento lgico sobre la naturaleza de los sucesos permite discernir si son independientes. En situaciones ms complejas se requieren tcnicas de inferencia estadstica para analizar la independencia de sucesos.

21

ndice

Probabilidad X

Observaciones

Asociado a un experimento puede haber distintas variables aleatorias y, por lo tanto, distintos modelos de probabilidad. Ejemplo: Se arrojan dos monedas al aire y se observa:
1

El nmero de caras resultante Nmero de caras 0 1 2 Probabilidad 1/4 1/2 1/4 El nmero de monedas con el mismo resultado que la otra Nmero de monedas con el mismo resultado 0 2 Probabilidad 1/2 1/2

22

ndice

Probabilidad XI. Probabilidad e informacin

Observaciones

No todos los valores de la probabilidad son igualmente informativos.

Informacin mxima: valores cercanos a 0 1 Informacin mnima: valores cercanos a 1/2

La probabilidad puede modicarse con la informacin.

23

ndice

Probabilidad XII. Clculo de probabilidades

Cmo se calculan probabilidades? En casos particulares, cuando cualquier resultado elemental es igualmente posible, (espacios equiprobables), se puede emplear la regla de Laplace:
P S

( )=

Casos favorables Casos posibles

24

ndice

Probabilidad XIII. Clculo de probabilidades. Ejemplo

La probabilidad de que al sacar dos naipes consecutivos de una baraja, los dos sean reyes es:
Si se sacan con restitucin los resultados de las dos extracciones son independientes: 4 4 1 P (S ) = = 40 40 100 Sin embargo, si se sacan sin restitucin:
P (S ) = P (naipe I rey)P (naipe II rey|naipe I rey) =

1 4 3 = 40 39 130

25

ndice

Probabilidad XIV. Clculo de probabilidades. Insuficiencia de la regla de Laplace

Si el problema consiste en conocer la probabilidad de que un autobs tarde ms de veinte minutos en la realizacin de un trayecto, la regla de Laplace no es aplicable.
Cmo se calculan en este problema los casos favorables y los casos posibles?

Las probabilidades acerca de una variable aleatoria se calculan, en general, empleando el modelo de probabilidad que las describe.

ndice

Modelos de probabilidad I

Conocer una variable aleatoria signica poder precisar:

Los posibles valores de la misma. Las probabilidades con las que la variable toma cualquier valor, o conjunto de valores. La proporcin de veces que una variable toma un valor o un conjunto de valores.

sa es, por lo tanto, la informacin que debe dar un modelo de probabilidad.

27

ndice

Modelos de probabilidad II

Un modelo de probabilidad es un objeto matemtico abstracto, descrito a travs de ciertas ecuaciones que cumplen unas determinadas propiedades.

ndice

Modelos de probabilidad III. Clasificacin

Los modelos de probabilidad, al igual que las variables aleatorias, de manera general se clasican en:
Modelos discretos, (slo pueden tomar valores en conjunto asimilable a un subconjunto de los nmeros enteros):
Uniforme, Bernoulli, Binomial, Poisson, . . .

Modelos continuos, (pueden tomar cualquier valor en un rango):

Uniforme, Normal, Exponencial, t de Student, Chi cuadrado, ...

29

ndice

Modelos de probabilidad IV. Caracterizacin

Los modelos de probabilidad se caracterizan, en general, por medio de funciones que pueden depender de la tipologa de la variable: funcin de probabilidad, funcin de densidad, funcin de distribucin . . . , y de parmetros.

30

ndice

Modelos de probabilidad V. Parmetros

Algunos de los parmetros usuales para describir los modelos de probabilidad son la media y la varianza. Por extensin del caso de las variables estadsticas:
La media, , de una variable aleatoria indica el valor en torno al cual se acumula la probabilidad. La varianza, 2 , es una medida de la variabilidad del modelo en torno a la media.

31

ndice

Los modelos de probabilidad discretos I

Los modelos de probabilidad discretos se describen por medio de su

funcin de probabilidad

La funcin de probabilidad de una V.A. discreta es una funcin que a cada posible valor de la V.A. le asigna la probabilidad de obtener dicho valor cuando se realiza una observacin.

32

ndice

Los modelos de probabilidad discretos II. Ejemplo

Supngase que se lanza un moneda al aire cinco veces y que se cuenta el nmero de caras obtenidas Los posibles valores de la variable son:
{0, 1, 2, 3, 4, 5}

La funcin de probabilidad viene dada por: P (0) = 0,03125 P (1) = 0,15625 P (2) = 0,3125 P (3) = 0,3125 P (4) = 0,15625 P (5) = 0,03125
33

ndice

Los modelos de probabilidad discretos III

Grcamente:

La ordenada en cada punto representa la probabilidad de que la variable tome ese valor.

34

ndice

Los modelos de probabilidad discretos IV

En general, una funcin de probabilidad es cualquier funcin discreta, (denida en los puntos a , a , . . . , a , . . . ), que cumple las siguientes condiciones: 1 f (a ) 0 cualquiera que sea i . 2 f (a ) = 1
1 2 k i i

Observaciones

En consecuencia, existen innitas funciones de probabilidad e innitos modelos de probabilidad discretos. Slo tienen inters algunos, (pocos), modelos que se encuentran en la naturaleza.
35

ndice

Los modelos de probabilidad discretos V. Ejemplo

Considrese la siguiente funcin discreta:

f

( ) = 0,19;

( 2 ) = 0,32;

( 3 ) = 0,26;

( 4 ) = 0,23.

Como

f (x ) 0, para x {, 2 , 3 , 4 } y f ( ) + f ( 2 ) + f ( 3 ) + f ( 4 ) = 1.

Resulta que f es una funcin de probabilidad.

Observacin
f

slo tendr inters prctico si sirve para explicar alguna variable aleatoria presente en la naturaleza.
36

ndice

Los modelos de probabilidad discretos VI. Clculo de los parmetros

Si la funcin de probabilidad de una variable aleatoria discreta viene dada por la expresin
p xi

( ) = pi

con

= 1, 2, . . .

entonces:
=
i

xi pi

=1

=
i

(xi )2 pi .
=1

37

ndice

El proceso de Bernoulli I

Algunas variables discretas de inters se obtienen de la observacin sucesiva de sucesos elementales, de forma que se cumplen las siguientes condiciones:
1

Cada vez que se realiza una observacin elemental solo existen dos resultados posibles. (xito o fracaso.) Las probabilidades de xito o de fracaso, p y (1 p), se mantienen constantes en cada observacin elemental. Los resultados de las observaciones sucesivas son independientes. Es decir, el conocimiento del resultado de un conjunto de observaciones elementales no altera las probabilidades de xito o de fracaso en la siguientes observaciones.

38

ndice

El proceso de Bernoulli II

Definicin de proceso de Bernoulli

Un conjunto de observaciones elementales realizadas en un contexto que verica las tres condiciones anteriores determina un proceso de Bernoulli.

ndice

El modelo binomial I

Supngase que en un proceso de Bernoulli, en el que la probabilidad de xito es p, se realizan n observaciones elementales y se cuenta el nmero, X , de xitos. La variable aleatoria X es discreta.
X

puede tomar los valores: {0, 1, 2, . . . , n}

Definicin

es una variable binomial de parmetros n y p. B (n, p). Y se demuestra que su funcin de probabilidad es:
X P X

= k) =

n k

(1 p )nk

ndice

El modelo binomial II

Media y varianza de un modelo binomial

En un modelo B (n, p):

= np 2 = np (1 p ).

41

ndice

El modelo binomial III. Ejemplos

Las siguientes variables aleatorias tienen una distribucin binomial:

1

En un proceso fabricacin de ladrillos, la probabilidad de fabricar un ladrillo defectuoso es p. Los ladrillos se almacenan en pals de n elementos. La variable Nmero de ladrillos defectuosos en un pal es una distribucin B (n , p ). Un emisor emite un mensaje de n carcteres. La probabilidad de que el receptor reciba errneamente un carcter es p. La variable Nmero de carcteres ledos errneamente es una distribucin B (n, p). La probabilidad de que una persona en contacto con un determinado virus se infecte es p. La variable Nmero de
personas infectadas en n que han tenido contacto con el virus

es una distribucin B (n, p).

42

ndice

El proceso de Poisson I

Algunas variables discretas de inters se obtienen de la observacin de la aparicin de ciertos sucesos elementales en un continuo, de forma que se cumplen las siguientes condiciones:
1

En media, el nmero de sucesos elementales por unidad de continuo es constante, . La aparicin de los sucesos elementales ocurre con independencia.

43

ndice

El proceso de Poisson II

Definicin de proceso de Poisson

Un conjunto de observaciones elementales realizadas en un contexto que verica las condiciones anteriores determina un proceso de Poisson.

ndice

El modelo Poisson I

Supngase un proceso de Poisson en el que, en promedio, ocurren sucesos elementales por unidad de continuo. Se considera la variable X , Nmero de sucesos elementales observados en una
unidad de continuo

La variable aleatoria X es discreta.

X

puede tomar los valores: {0, 1, 2, . . . }

Definicin
X

es una variable de Poisson de parmetro . P (). Y se puede demostrar que su funcin de probabilidad es:
P X

= k) =

45

ndice

El modelo Poisson II

Media y varianza de un modelo de Poisson

En un modelo P ():
= 2 = .

ndice

El modelo de Poisson III

Propiedad de las variables de Poisson.

1 2

Supngase que las variables aleatorias X , X , . . . , X son variables de Poisson independientes entre s, de parmetros respectivos , , . . . , . Se verica entonces que la variable:
n 1 2 n

= X1 + X2 + + Xn

se comporta como una variable de Poisson de parmetro

= 1 + 2 + + n .

47

ndice

El modelo de Poisson IV. Ejemplos

Las siguientes variables aleatorias siguen una distribucin de Poisson:

1

Un proceso de fabricacin de pasta de papel produce, en media, 2 burbujas de aire por metro cuadrado. La variable Nmero de burbujas en un metro cuadrado de pasta es una variable P (2). A una cola de un supermercado llegan, en media, dos personas por minuto. La variable Nmero de personas que llega a la cola en media hora es una distribucin P (60). Una imprenta imprime libros generando, en media, una errata cada cinco pginas. La variable Nmero de erratas en un libro de 200 pginas es una P (40).

48

ndice

Los modelos de probabilidad continuos I

Los modelos de probabilidad continuos se describen por medio de su funcin de densidad La funcin de densidad de una V.A. continua es una curva, situada por encima del eje de abscisas, que a cada intervalo de posibles valores de la V.A. le asigna la probabilidad determinada por el rea que dicha curva encierra con el eje de abscisas en ese intervalo.

49

ndice

Los modelos de probabilidad continuos II

Grcamente,

b
b a f (x)

P (a X b) =

dx.

50

ndice

Los modelos de probabilidad continuos III

Observaciones

En general, una funcin de densidad es cualquier funcin continua, denida en un intervalo, que cumple las siguientes condiciones: 1 f (x ) 0 cualquiera que sea x del intervalo. 2 f (x ) dx = 1
I

En consecuencia, existen innitas funciones de densidad e innitos modelos de probabilidad continuos. Slo tienen inters algunos, (pocos), modelos que se encuentran en la naturaleza. En las variables continuas, la probabilidad de que la variable tome un valor concreto es cero!
51

ndice

Los modelos de probabilidad continuos IV. Ejemplo

Considrese la siguiente funcin:

f

(x ) =

1 x+

7 cuando 4

[1 5; 3 5]

0 en otro caso Como f (x ) 0 para todo x , y adems + f (x ) = 1 Resulta que f es una funcin de densidad.

52

ndice

Los modelos de probabilidad continuos V. Ejemplo

Grcamente,
Observacin
f

(3 5, 1)

slo tendr inters prctico si sirve para explicar alguna variable aleatoria presente en la naturaleza.

1,5

3,5

ndice

Los modelos de probabilidad continuos VI. Clculo de los parmetros

Si f (x ) es la funcin de densidad de una variable aleatoria continua:

+

xf

(x )dx .

Y
+

2 =

(x )2 f (x )dx .

54

ndice

El modelo Normal I

El modelo de probabilidad normal es un modelo de probabilidad continuo, cuya funcin de densidad viene dada por la expresin: 1

(x ) = e 2

1 2

representa la esperanza matemtica (media) de la variable. representa su desviacin tpica.

55

ndice

El modelo Normal II

Grcamente,

b
b a f (x)

P (a X b) =

dx.

ndice

El modelo Normal III

El grco permite observar la inuencia del cambio del valor de sobre el comportamiento de la variable. En l se representan tres modelos normales con medias, respectivas, 2, 2 y 6, y desviacin tpica comn 1.

57

ndice

El modelo Normal IV

Este nuevo grco permite observar la inuencia del cambio del valor de sobre el comportamiento de la variable. En l se representan tres modelos normales con desviaciones tpicas, respectivas, 1, 2 y 3, y media comn 2.

58

ndice

El modelo Normal V

En cualquier variable N (, ) se cumple que:

P

( X + ) = 0 6827

06827

ndice

El modelo Normal VI

En cualquier variable N (, ) se cumple que:

P

(2 X +2 ) = 0 9545

2 09545

+ 2

ndice

El modelo Normal VII

En cualquier variable N (, ) se cumple que:

P

(3 X +3 ) = 0 9973

3 09973

+ 3

ndice

El modelo Normal VIII

Otras propiedades interesantes de la distribucin normal son las siguientes: Simetra respecto de la media. As = 0. Coeciente de apuntamiento (curtosis), K
= 3.

La nica combinacin algebraica de distribuciones normales que mantiene la normalidad es la lineal. Si X

N (, ):
Z X

N (0, 1)

62

ndice

El modelo Normal IX. El teorema central del lmite

El teorema central del lmite constituye una justicacin de la presencia de la normalidad en la naturaleza. El teorema central del lmite, enunciado de forma poco rigurosa, dice que el resultado de sumar variables aleatorias, de forma que no haya ninguna predominante, tiende a comportarse como una distribucin normal.

63

ndice

El modelo exponencial I

El modelo exponencial de parmetro es un modelo de probabilidad continuo, cuya funcin de densidad viene dada por la ecuacin:
f

(t ) = e t

Su media y su desviacin tpica vienen dadas por las ecuaciones siguientes:

=

= .

Este modelo permite describir, en muchas ocasiones, fenmenos relacionados con tiempos de vida.

64

ndice

El modelo exponencial II

Este grco presenta la funcin de densidad de los modelos exponenciales de medias 5 y 10, cuyos parmetros sern, respectivamente = 1/5 y = 1/10.
1 2

65

ndice

El modelo exponencial III

Relacin del modelo exponecial con el modelo de Poisson

Supngase que una variable de Poisson de media describe el nmero de veces que ocurre un determinado suceso en una unidad de tiempo. Si se considera la variable X =Tiempo transcurrido entre dos sucesos consecutivos, entonces X sigue un modelo exponencial de media 1/ y, en consecuencia, de parmetro , por lo que su funcin de densidad tendr la forma:
f

(t ) = e t .

66

ndice

La t de Student I

La t de Student es un modelo de probabilidad muy til en el campo de la inferencia estadstica. Depende de un parmetro denominado grados de libertad. Todas las t de Student tienen de media cero. Cuando aumenta el nmero de los grados de libertad, la variabilidad de la t decrece y la funcin de densidad converge a la funcin de densidad de la N (0, 1).

67

ndice

La t de Student II

En el grco adjunto se representan las funciones de densidad de las t con 5 y 20 grados de libertad,

68

ndice

La

La es otro modelo de probabilidad tambin muy til en el campo de la inferencia estadstica, depende de un parmetro denominado igualmente grados de libertad.
2

Si una variable aleatoria es una , su media = n, y su varianza = 2n.

2 n 2

Cuando aumentan los grados de libertad. La funcin de densidad de la se acerca a la de una N (n, 2n).
2

69

ndice

La

II

En el grco adjunto se representan las funciones de densidad de las con 5 y 20 grados de libertad,
2

70

ndice

La funcin de distribucin I

Para el clculo efectivo de probabilidades, tanto en distribuciones discretas como continuas, se emplea la funcin de distribucin.
Definicin

La funcin de distribucin de una variable aleatoria, X , es una funcin, F (x ), que a cada valor, x , le hace corresponder la probabilidad de que la variable tome un valor menor o igual que x . Es decir:
0 0

F x0

( ) = P (X x0 )

ndice

La funcin de distribucin II

Grcamente, en modelos continuos:

P (X x0 ) 0 x0 x0 P (X x0 )

72

ndice

La funcin de distribucin III

En los modelos discretos, si X es una variable aleatoria que puede tomar los valores a , a , . . . , la funcin de distribucin en cualquier valor a viene dada por la ecuacin:
1 2 k

F ak

( ) = P (X ak ) = P (a1 ) + P (a2 ) + + P (ak )

73