Dpto. Matemtica Aplicada (Biomatemtica) Fac.

Biologa UCM
Esquema del TEMA 4. Modelos de probabilidad discretos
Variable de Bernoulli B(p). Variable aleatoria dicotmica
asociada a un suceso especfico, A , de un experimento aleatorio,
con p=p(A); que toma el valor 1 si tiene lugar A (xito) , y el
valor 0 en caso contrario, es decir, si tiene lugar A
c
(fracaso):
c
si
si
X( ) A
X( ) A
e e
e e
= e
= e
1
0
cuya funcin de densidad es
Otros datos de inters:
x x
p ( p) , x=0,1
f(x)
en el resto de

1
1
0 R
t
X
E(X) p
Var(X) pq
M (t) (q pe )

o
= =
= =
= +
2
Dpto. Matemtica Aplicada (Biomatemtica) Fac. Biologa UCM
El Modelo Binomial.
Variable Binomial B(n,p). Surge a considerar n ensayos o
repeticiones, en las mismas condiciones (ensayos
independientes), de un experimento aleatorio, al contabilizar las
veces que tiene lugar un suceso especfico, A : X= n de xitos
en los n ensayos; cuya funcin de densidad, que fue determinada
anteriormente, es:
As mismo fueron establecidos los siguientes resultados:
Observacin: Este modelo, para un n dado, alcanza su mxima
variabilidad si p=0.5 y siempre que p se aproxime a 0 o a 1,
dicha variabilidad ser mnima (en los caso extremos p=0 o
p=1, la variable degenera en una constante)
t n
X
E(X) np
Var(X) np( p) npq
M (t) (q pe )

o
= =
= = =
= +
2
1
x n x
en el resto de
n
p q ; x , ,...,n
f(x) x

| |
=

|
=

\ .

0 1
0 R
Dpto. Matemtica Aplicada (Biomatemtica) Fac. Biologa UCM
El Modelo Binomial. (2)
n=10, p=0.5
Modelo Binomial
x
f
(
x
)
0 2 4 6 8 10
0
0,05
0,1
0,15
0,2
0,25
Dpto. Matemtica Aplicada (Biomatemtica) Fac. Biologa UCM
El Modelo Binomial. (3)
n=10, p=0.1
Modelo Binomial
x
f
(
x
)
0 1 2 3 4 5 6 7 8 9 10
0
0,1
0,2
0,3
0,4
Dpto. Matemtica Aplicada (Biomatemtica) Fac. Biologa UCM
El Modelo Binomial. (4)
Otro hecho relevante del modelo binomial B(n,p) es su relacin-
identificacin con el modelo normal
) N(np, npq
cuando n, el nmero de ensayos es grande, con
independencia del valor de p; y a pesar que uno sea continuo
y el otro discreto.
La razn de ello es la siguiente descomposicin, ya
mencionada en el tema 3, de X en suma de variables de
Bernoulli de idntico parmetro p , independientes :

= + + +
= =
=
= =
=
n
i
i
i
con
si xito
si fracaso
X X X ... X ,
, , p(X ) p
X
, , p(X ) p
i , ,...,n
1 2
1 1
0 0 1
1 2
junto con el resultado fundamental de la teora de la probabilidad,
el teorema del lmite central, que ser abordado en el tema 6:
Dpto. Matemtica Aplicada (Biomatemtica) Fac. Biologa UCM
El Modelo Binomial. (5)
Vemoslo grficamente en un caso donde existe , aparentemente,
una asimetra notable: n=1000, p=0.1 (=100, o
2
=90
(o=9.49), cv= o/ =0.095 ; adems, entre 80 y 120 se
concentra ms del 95%de la probabilidad X) :
n i
Si X X X ... X , con X independientes, e identicamente distribuidas,
entonces, cuando n es grande (n ), el modelo de probabilidad de X
se aproxima al de la variable

= + + +

1 2
i i
N(n , n)

donde E(X ), Var(X ).
o
o = =
2
Dpto. Matemtica Aplicada (Biomatemtica) Fac. Biologa UCM
El Modelo Binomial. (6)
Modelo Binomial B(1000,0.1)
x
f(x)
0 50 100 150 200 250 300 350 400 450 500 550 600 650 700 750 800 850 900 9501000
(X 1000)
0
0,01
0,02
0,03
0,04
0,05
Dpto. Matemtica Aplicada (Biomatemtica) Fac. Biologa UCM
El Modelo Binomial. (7)
Modelo Binomial B(1000,0.1) (slo para 60<x<140)
x
f(x)
60 70 80 90 100 110 120 130 140
0
0,01
0,02
0,03
0,04
0,05
Descartemos los valores excesivamente improbables y
agrandemos la grfica de la zona resultante:
Dpto. Matemtica Aplicada (Biomatemtica) Fac. Biologa UCM
El Modelo Binomial. (9)
Se puede observar una notable similitud con el modelo normal o
de Gauss N(100,9.49) , donde 100 y 9.49 son el valor medio y
la desviacin tpica de la variable binomial considerada.
Modelo Normal N(100,9.49)
x
f(x)
60 70 80 90 100 110 120 130 140
0
0,01
0,02
0,03
0,04
0,05
Dpto. Matemtica Aplicada (Biomatemtica) Fac. Biologa UCM
El Modelo Binomial. (9)
Dicha similitud se pone claramente de manifiesto, superponiendo
ambas funciones de densidad:
Superposicin Modelos B(1000,0.1) y N(100,9.49)
x
f(x)
60 70 80 90 100 110 120 130 140
0
0,01
0,02
0,03
0,04
0,05
Dpto. Matemtica Aplicada (Biomatemtica) Fac. Biologa UCM
Variable multinomial. Modelo que generaliza el planteamiento
utilizado en el modelo binomial, en el que se considera una
particin en sucesos del espacio muestral corespondiente a una
experiencia aleatoria:
El Modelo Multinomial.
Al realizar n (n>r) ensayos independientes de experimento, cuyo
espacio muestral es
r i i i
r
i
i=1
i j
A , A ,..., A ; donde A , p p(A )
A
A A , i j
e O
= O
= u =
1 2
=

n veces
x x...x

O O O
_
se define la variable multivariante (r-variante):
r i i
r
n de veces que tiene lugar en los ensayos (X , X ,..., X ) , X A n
donde X X ... X n
=
+ + + =
1 2
1 2
que recibe el nombre de variable multinomial.
(Como es obvio, cada variable X
i
sigue el modelo binomial
B(n,p
i
))
Dpto. Matemtica Aplicada (Biomatemtica) Fac. Biologa UCM
La funcin de densidad conjunta del modelo multinomial se
establece como
El Modelo Multinomial. (2)
dado que,
r
r
r
i r
x x x
r
n!
f(x , x ,..., x )
x !x !...x !
donde los x son enteros no negativos, x x ... x n
p p ...p =
+ + + =
1 2
1 2
1 2
1 2
1 2
1 i
2 i
r r i
r r r
n veces
n
x de los S son A
x de los S son A
...
x de los S son A
S
para , suceso del espacio muestral
donde esta un
f(x , x ,..., x ) p(X x , X x ,..., X x ) p( )
x x...x ,
x x x...x )
S
S (S S S S

= = = = =
O O O
=
1
2
1 2 1 1 2 2
1 2 3
_

r
r
x x x
r
ion est formada por sucesos
incompatibles dos a dos y con probabilidad
cada uno de ellos.
n!

x !x !...x !
p p ...p
1 2
1 2
1 2
Dpto. Matemtica Aplicada (Biomatemtica) Fac. Biologa UCM
Variable hipergeomtrica. Se parte de una poblacin, cuyos
individuos se clasifican en funcin de la presencia o no de una
caracterstica, A y A
c
, respectivamente. De la poblacin, cuyo
tamao es N , y m son del tipo A; se va a extraer al azar una
muestra de n individuos (nsm) y se considera la variable X=n de
individuos, entre los n, que son del tipo A; la cual recibe el nombre
de variable hipergeomtrica. La funcin de densidad de este modelo
es :
El Modelo hipergeomtrico.
que puede justificarse mediante el siguiente esquema:
{ }
m N m
x n x
f(x) , x X( ) , , ,...,n
N
n
| | | |
| |

\ . \ .
= e O =
| |
|
\ .
0 1 2
Muestra
de tamao
n con
x del tipo A
n-x del tipo A
c
m
x
| |
|
\ .
N m
n x
| |
|

\ .
m N m
x n x
| | | |
| |

\ . \ .
Dpto. Matemtica Aplicada (Biomatemtica) Fac. Biologa UCM
Valor medio y varianza. El valor medio y la varianza de la
variable hipergeomtrica se establecen de la forma siguiente:
El Modelo hipergeomtrico. (2)
es decir, se obtiene el producto del tamao muestral y la
proporcin (p) de individuos tipo A.
En cuanto a la varianza, se tiene (ejercicio):
n n n n
x x x x
m N m N m N m
m! m(m )!
x!(m x)! x(x )!(m x)! x n x n x n x
E(X) xf(x) x x x
N! N(N )!
N
n!(N n)! n(n )!(N n)!
n
m N (m )
x n (x ) m
n
(N )!
N
(n

= = = =
| | | | | | | |
| | | |

\ . \ . \ . \ .
= = = = =

| |
|

\ .
| | | |
| |

\ . \ .
=

0 0 1 1
1
1
1
1
1 1 1
1 1 1
1
n n
x y
funcin de densidad para poblacin
con N-1 individuos, de los cuales m-1
son tipo A, extrayndose una muestra
de tamao n-1.
m N (m )
y n y m
n
N N
)!(N n)!
n
= =
| | | |
| |

\ . \ .
=
| |
|

\ .

1 0
1 1 1
1
1
1
1
_
m
n np
N

= =

1
que surge fcilmente de
mN mN n N n
Var(X) n np( p) ,
N N N N
Var(X)=E(X(X-1))+E(X)- E(X)
o

= = =

(

2
2
1
1 1
Dpto. Matemtica Aplicada (Biomatemtica) Fac. Biologa UCM
Similitud entre los modelos binomial e hipergeomtrico.
Como se puede observar de lo expuesto anteriormente, ambas
variables tienen el mismo recorrido, y miden la frecuencia de un
suceso, de una caracterstica (A) en n ensayos o n extracciones;
en el caso binomial, independientes, en el caso hipergeomtrico,
dependientes (salvo que se realice un proceso de reemplazamiento
o la poblacin sea suficientemente extensa o numerosa):
El Modelo hipergeomtrico. (3)
es decir, cuando el tamao de la muestra es pequeo, respecto
del tamao de la poblacin, se admite que los ensayos son
independientes y , por tanto, el modelo binomial describe el
comportamiento en probabilidad de X.
Extracciones con reemplazamiento (ensayos independientes)
variable binomial B(n,
Sin reemplazamiento, pero con
se comporta aproximadamente como va
a)
m
X )
N
n
b) . , N 60
N
X
< > 0 1
riable binomial B(n,
m
)
N
Dpto. Matemtica Aplicada (Biomatemtica) Fac. Biologa UCM
Variable geomtrica. Variable analizada con algn detalle en
temas previos, se deriva de considerar sucesivos ensayos
independientes de un experimento aleatorio, hasta que un suceso
de inters , A (con p(A)=p), tiene lugar. Esta variable se define
como X = n de ensayos hasta que A tenga lugar, y se denomina
variable geomtrica de parmetro p. Se trata, por tanto, de un
tiempo de espera discreto, donde p representara la probabilidad de
A/ensayo.
Su funcin de densidad y valor medio fueron ya calculados:
El Modelo geomtrico y binomial negativo.
En cuanto a su varianza, vamos previamente a establecer su
funcin generadora de momentos:
1 1
1 1 2
1

=
= =
= =
x x
f(x) ( p) q
E(X)
p p , x , .....
p
tx tx tx x tx x t x
X
x X( ) x x x
t
t t t
t
M f(x) q q q)
q
q) q (t ln(q))
q
q p
(t) E(e ) e e p e p (e
q q
p e
pe ( e , si e
q e


e O = = =

=
< <
= = = =
= =

1 1
1 1 1
1
1 1
1
Dpto. Matemtica Aplicada (Biomatemtica) Fac. Biologa UCM
Por derivacin de la f.g.m. podemos obtener su varianza:
El Modelo geomtrico y binomial negativo. (2)
La generalizacin del modelo geomtrico da lugar a una de las
variantes de la variable binomial negativa : X = n de ensayos hasta
que el suceso A tenga lugar r veces (r xitos, r>1). Su funcin
de densidad presenta la siguiente forma:
t t t t t t t t t X
t t t t t t t X
t t t t t t t
X
dM
q) q) q) q)
d M
q) q) q)
q) q) q)
d M
(t)
pe ( e pe ( e qe =pe ( e 1+qe ( e
dt
(t)
pe ( e pe ( e qe qe ( e
dt
pe ( e qe ( e qe ( e qe
( ) q
E(X )
dt p



( = +

( ( = + + +

( + +

+
= =
1 2 1 1
2
1 2 1
2
1 1 2
2
2
2 2
1 1 1 1
1 1 1 1
1 1 1
0 1 q
, Var(X)=E(X ) E(X)
p
= (

2
2
2
r x r
f(x) q
x
p , x r,r ,r ,...
r

=
| |
= + +
|

\ .
1
1 2
1
que se obtiene de considerar:

=
| |

|

\ .
-
_
r x r
modelo binomial
f(x) p(de que sean necesarios x ensayos)=p(de que en x-1 ensayos se produzcan r-1 xitos)
probabilidad de xito en el x-simo ensayo= q

x
p p
r

1
1
1
Dpto. Matemtica Aplicada (Biomatemtica) Fac. Biologa UCM
El valor medio y la varianza de la variable binomial negativa son
(ejercicio):
El Modelo de Poisson.
Variable aleatoria de Poisson. Se parte de una variable
aleatoria, X, con ley binomial B(n,p). Se supone que n, el nmero
de ensayos es considerable y que p, probabilidad de xito, es
pequea; y sea =np.
Bajo tales condiciones, desarrollamos la funcin de densidad de
esta variable:
r
E(X)
p
q
Var(X) r
p
=
=
2
x n-x
x n x
x n-x
n -x
x
x
f(x)
n n!
p ( p)
x!(n x)! n n x
n(n )(n )....(n x )(n x)(n x )....
x!(n x)! n n
n(n )(n )....(n x )

n x! n n

=
| | | | | |
= =
| | |

\ . \ . \ .
+ | | | |
= =
| |

\ . \ .
+ | | | |
= =
| |
\ . \ .
1 1
1 2 1 1 2 1
1
1 2 1
1 1
Dpto. Matemtica Aplicada (Biomatemtica) Fac. Biologa UCM
El Modelo de Poisson. (2)
Definicin. Una variable aleatoria, X, con recorrido
X(O)={0,1,2,3,....}, sigue una ley de probabilidad de Poisson de
parmetro positivo (P()) , si su funcin de densidad presenta la
siguiente forma:
x
x , , ,.... f(x) e ,
x!

= = 0 1 2
n -x
x
x veces
n -x
x

x
, si n grande
e
e
x!
f(x)
n(n )(n )....(n x )
n n ... n x! n n
x
( )( )...( )
n n n x! n n

=
+ | | | |
=
| |

\ . \ .
| | | |
=
| |
\ . \ .
1
1
1 2 1
1 1
1 2 1
1 1 1 1 1 1
_
_
__
_
x
e
x!

Su funcin generadora de momentos es:

t t
x
tX tx tx
X
x x x
x t
) e (e
)
(t) E(e ) e e M f(x) e e e e
( e
x! x!
e



= = =

= = = = = =

0 0 0
1
Dpto. Matemtica Aplicada (Biomatemtica) Fac. Biologa UCM
Su valor medio y varianza pueden ser calculados con ayuda de
sta:
El Modelo de Poisson. (3)
Observaciones.
1.) Si X
1
,X
2
,...,X
k
son variables aleatorias independientes, con
leyes de probabilidad de Poisson de parmetros
1
,
2
,...,
k
;
respectivamente, entonces la suma X
1
+X
2
+...+X
k
es una variable
de Poisson de parmetro =
1
+
2
+...+
k
. El resultado es
inmediato en base a:
k k
k k
t t t t
... )
X X ... X X X X
) ) ) ) (e (e (e ( (e
... = M (t) M (t)M (t)...M (t) e e e e
+ + +
+ + +

= =
1 2 1 2
1 2 1 2
1 1 1 1
t
t t
t X X
t t X X
)
) )
(e
(e (e
d (t) d ( )
e
dt dt
d (t) d ( )
( e ) e , E(X )
dt dt
M M

M M
Var(X) E(X ) E(X)
, E(X) e
e e

= =
= + = = +
(

= = = + =
= =
2 2
2 2 2
2 2
2
2 2 2 2
1
1 1
0
0
Dpto. Matemtica Aplicada (Biomatemtica) Fac. Biologa UCM
2.) Tal y como vimos anteriormente, el modelo de Poisson puede
ser obtenido del binomial, B(n,p) , suponiendo que n es
considerable y p pequea. A nivel de aproximacin, se admite que
para n>10 y p<0.05, la funcin de densidad de la variable de
Poisson de parmetro =np describe probabilsticamente la
variable binomial.
El Modelo de Poisson. (4)
Procesos temporales de Poisson. En el ejemplo 5) del tema 2,
hicimos referencia a la variable aleatoria T = tiempo de espera
hasta que una circunstancia se produce (emisin de partcula por
cuerpo radioactivo), que es descrita por el modelo exponencial de
parmetro o (o=n medio de partculas emitidas/unidad de tiempo).
Relacionada con esta variable continua, tambin mencionamos la
variable discreta:
t
de veces que tienen lugar el fenmeno en un intervalo de
tiempo de amplitud o duracin
X n
t
=
Si se asumen las mismas condiciones exigidas en tal ejemplo, es
decir, en intervalos de amplitud h (suficientemente pequea) :
Dpto. Matemtica Aplicada (Biomatemtica) Fac. Biologa UCM
El Modelo de Poisson. (4)
donde o, la tasa de ocurrencia del fenmeno/unidad de tiempo,
se mantiene constante en el tiempo. Adems, si h y s son las
amplitudes de dos intervalos de tiempo distintos, las variables X
h
y X
s
se suponen independientes.
Al considerar X
t
, en el intervalo (0,t], podemos dividir dicho
intervalo en n subintervalos de idntica longitud o amplitud, t/n
h
h
h
y por tanto
p(X ) h
p(X ) ,
p(X ) h
o
o
= ~
> ~
= ~
1
2 0
0 1
Si n es suficientemente grande, de manera que t/n es pequeo,
podemos asociar a cada intervalo I
i
una variable de Bernoulli, B(p)
:
0 t
I
1
I
2
I
3
.... .... I
n
i
i
i
si el acontecimiento tiene lugar en
en caso contrario
donde el parmetro
, I
X
,
t
p p(X )
n

o

= = =
1
0
1
Dpto. Matemtica Aplicada (Biomatemtica) Fac. Biologa UCM
Entonces, resulta obvio que
El Modelo de Poisson. (4)
resultando que X
t
es una variable binomial B(n , ot/n), cuyo modelo
de probabilidad puede ser aproximado por el de la variable de
Poisson de parmetro = ot , es decir, su funcin de densidad
sera:
t n
i
donde las son independientes
X X X X .... X
X
= + + + +
1 2 3
x
t
, x , , , ,......
( t)
f(x) e
x!
o
o

= = 0 1 2 3