Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Modelos de probabilidad
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
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. 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. 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
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
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.
ndice
Una variable aleatoria se caracteriza porque si se repite sucesivamente el experimento en las mismas condiciones, el resultado puede ser distinto.
ndice
ndice
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
La facilidad o dicultad con que la variable puede tomar un valor o un conjunto de valores, al realizar el experimento.
10
ndice
Una variable aleatoria se describe asociando su comportamiento con el de algn modelo de probabilidad.
11
ndice
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
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
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
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.
ndice
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
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
O bien,
P
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
condicionada
a la
P S1 S2
( | )=
P S1
S2 ) , P (S2 )
de donde:
P S1
19
ndice
Probabilidad VIII
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
Observaciones
23
ndice
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
( )=
24
ndice
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
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
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
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, . . .
29
ndice
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
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
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
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
Grcamente:
La ordenada en cada punto representa la probabilidad de que la variable tome ese valor.
34
ndice
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
( ) = 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.
slo tendr inters prctico si sirve para explicar alguna variable aleatoria presente en la naturaleza.
36
ndice
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
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
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
41
ndice
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
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
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
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
En un modelo P ():
= 2 = .
ndice
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
47
ndice
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 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
Grcamente,
b
b a f (x)
P (a X b) =
dx.
50
ndice
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
(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
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
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
55
ndice
El modelo Normal II
Grcamente,
b
b a f (x)
P (a X b) =
dx.
ndice
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
( X + ) = 0 6827
06827
ndice
El modelo Normal VI
(2 X +2 ) = 0 9545
2 09545
+ 2
ndice
(3 X +3 ) = 0 9973
3 09973
+ 3
ndice
Otras propiedades interesantes de la distribucin normal son las siguientes: Simetra respecto de la media. As = 0. Coeciente de apuntamiento (curtosis), K
= 3.
N (0, 1)
62
ndice
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
= .
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
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
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
P (X x0 ) 0 x0 x0 P (X x0 )
72
ndice
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
73