MODELOS DE PROBABILIDAD

MODELOS DE PROBABILIDAD (INTRODUCCIN)

MODELOS DISCRETOS
DISTRIBUCIN DICOTMICA
DISTRIBUCIN BINOMIAL
DISTRIBUCIN HIPERGEOMTRICA
DISTRIBUCIN DE POISSON
CONVERGENCIA BINOMIAL-POISSON
MODELOS CONTINUOS
DISTRIBUCIN UNIFORME
DISTRIBUCIN EXPONENCIAL
DISTRIBUCIN NORMAL
DISTRIBUCIN NORMAL N-DIMENSIONAL ;DERIVADAS DE LA NORMAL
(otra lexia)

Una distribucin de probabilidad queda definida y caracterizada por:

1.- la especificacin de la variable aleatoria y su campo de variacin.
2.- la especificacin de su asignacin de probabilidades, mediante la funcin de
distribucin.(Alternativamente mediante la f.cuanta o densidad,la F.C. o la F.G.M.(si
existe).(Estas son las FUNCIONES DE DEFINICIN)

Si un conjunto dado de distribuciones tiene sus funciones de distribucin con la misma

ESTRUCTURA FUNCIONAL, diremos que pertenece a la misma FAMILIA DE
DISTRIBUCIONES, al mismo MODELO DE PROBABILIDAD o a la misma
DISTRIBUCIN-TIPO.
p.ej : Todas las distribuciones que estn definidas sobre una v.a. continua de modo que para
x 0 la funcin de densidad es : f(x)= e-x siendo un real positivo (alternativamente:
F(x)= 1- e-x; (t) = (1-t/ )-1; son equivalentes la tres caracterizaciones), pertenecen a la
misma familia, modelo o tipo (el exponencial).
La estructura matemtica de las funciones de definicin que caracterizan un modelo de
probabilidad suelen depender de uno o ms parmetros.Estos parmetros son los
PARMETROS DE LA DISTRIBUCIN(TIPO), y tienen un importancia fundamental, en
Estadstica matemtica y sobre todo en INFERENCIA ESTADSTICA.

MODELOS DISCRETOS
Aunque en adelante hablemos de distribucin "tal", nos estaremos refiriendo al modelo tal.
Los modelos discretos, son modelos de probabilidad de variable aleatoria discreta.Los ms
importante son los modelos de BERNOUILLI (especialmente "la distribucin binomial")
y la "distribucin de Poisson".

1.- DISTRIBUCIN DICOTMICA.(Bernouilli).

El campo de variacin de la variable es : {0,1}. y la funcin de cuanta es :
P(X=0) = q = 1-p
P(X=1)= p .
Si una variable aleatoria X sigue o tiene una distribucin dicotmica de parmetro p se
expresa como X D(p).

Modeliza situaciones en las que :

Se

realiza una prueba

Que
La
En

slo puede dar dos resultados posibles: A y A

probabilidad del resultado A es P(A) = p y la del resultado A es P(A)= q=1-p.

estas circunstancias la variable aleatoria X significa "n de resultados A que

se obtienen.

La media de la distribucin ser: = x P(x) = 0.q + 1.p = p

La varianza de la distribucin: 2 = 2
con : 2 = x2.P(x) = 0.q +1.p= p

2 = 2= p - p2 = p (1-p) = p.q
Y la F.G.M.:

(t) = E(etx) = etx P(x) = e0 q + et p = (pet +q)

Es fcil comprobar que todos los momentos ordinarios de orden mayor o igual a 1 son
iguales a p.

2.- DISTRIBUCIN BINOMIAL.

El campo de variacin de la variable es {0,1,2,3,..., n} y la funcin de cuanta es:

para valores de x= 0,1,2,...n siendo n N , p [0,1] y q=1-p

Si una variable aleatoria, X, sigue una distribucin binomial de parmetros n y p se expresa
como: X B(n,p).

Situaciones que modeliza:

Se

realiza un nmero n de pruebas (separadas o separables).

Cada

prueba puede dar dos nicos resultados A y

La

probabilidad de obtener un resultado A es p y la de obtener un resultado es

q, con q= 1-p, en todas las pruebas.Esto implica que las pruebas se realizan
exactamente en las mismas condiciones.Si se trata de extracciones, (muestreo),
las extracciones debern ser con devolucin (reemplazamiento) (M.A.S).
En

estas circunstancias se aleatoriza de forma que variable aleatoria signifique:

X = n de resultados A que se obtienen en las n pruebas

Es fcil comprobar que considerando estas condiciones la funcin de cuanta de la variable
es precisamente la que se ha especificado arriba.
La funcin de distribucin quedar como F(x) = P(x), sin una expresin analtica
concreta.
Los indicadores-momentos (media y varianza) pueden obtenerse a partir de la funcin de
cuanta (operador esperanza) o a a partir de F.G.M.:

F.G.M.: (t) = E(etx) = etx P(x) =

(desarrollo del Binomio de

Newton)
(t) =(pet + q)n
A partir de aqu :
la media = 1= '(t=0) :

 '(t)= n (pet + q)n-1pet

'(t=0) = n(p+q)n-1 p = n.1.p= np

la varianza 2 = 2y 2 = ''(t=0)

''(t) = n.(n-1) (pet + q)n-2pet pet+ n (pet + q)n-1 p

''(t=0) = n.(n-1) (p + q)n-2p2 +n (p+q)n-1 p =

=n.(n-1)p2 + np = n2p2 -np2 + np

2 =n2p2 -np2 + np

de donde : la varianza 2 = 2=n2p2 -np2 + np -(np)2 =-np2 + np =

2 =np(1-p)= npq
Anlogamente se pueden obtener los coeficientes de Asimetra y de Curtosis.
que acaban siendo:

Es interesante hacer ver que si p=q= 0.5 la distribucin es SIMTRICA Y TIENE

VARIANZA MXIMA
Puede determinarse la moda de una distribucin binomial como el (los) valor(es) de la
variable (nmero entero del 0 a n) que verifica:

pn - q Mo pn + p
Generalmente ser un nico valor ( la parte entera de la media), y podrn ser dos valores
modales cuando pn +p ( pn-q) sea un nmero entero[p.ej. B(5,0.5)]

3.DISTRIBUCIN HIPERGEOMTRICA
Dada la siguiente situacin:

Una poblacin constituida por N individuos en total.

De los cuales Np individuos son del tipo A , y Nq individuos son del tipo .

De forma que la proporcin de individuos A que hay en la poblacin es p, y la proporcin

de individuos de tipo , es q (p+q=1).

Se realizan n (pruebas) extracciones sin reemplazamiento

De forma que la probabilidad de extraer un individuo A ( ) en una de las

extracciones depende de los resultados de las pruebas anteriores.

Si consideramos la variable aleatoria X = n de resultados A obtenidos en

las n extracciones , X seguir una distribucin hipergeomtrica.
XH(N,n,p)

Puede comprobarse que la funcin de cuanta es, entonces:

La distribucin hipergeomtrica es semejante a la binomial, excepto en el hecho de que las

pruebas no mantienen constantes las probabilidades de A y
La media de la distribucin hipergeomtrica es = np
La varianza de la distribucin es 2 = npq (N-1/(N-n))

al trmino (N-1/(N-n)) se le llama coeficiente de exhaustividad ,o tambin,

factor corrector de poblaciones finitas :
Puede observarse que este factor es siempre inferior a 1 y que cuando la poblacin es muy
grande (N ) tiende a 1(por tanto si la poblacin es muy grande la media y la varianza
coinciden con las de la D. Binomial).
De hecho, si la poblacin es muy grande (resulta irrelevante la existencia o no de
reposicin) la funcin de cuanta de la Hipergeomtrica tiende a la f. de cuanta de la
distribucin Binomial y se puede prescindir del hecho de que haya o no reemplazamiento.

4. DISTRIBUCIN DE POISSON
Formalmente : dada una variable aleatoria X con campo de variacin
X {0,1,2,..., }, es decir X N cuya funcin de cuanta sea:

siendo un parmetro positivo

diremos que X sigue una distribucin de Poisson de parmetro , X P( ).

Situaciones que modeliza:

Se observa la ocurrencia de hechos de cierto tipo durante un perodo de

tiempo o a lo largo de un espacio, considerados unitarios

El tiempo (o el espacio) pueden considerarse homogneos, respecto al tipo

de hechos estudiados, al menos durante el perodo experimental; es decir,
que no hay razones para suponer que en ciertos momentos los hechos sean
ms probables que otros.

En un instante (infinitesimal) slo puede producirse como mucho un hecho

(se podr producir o uno o ninguno).

La probabilidad de que se produzca un hecho en un intervalo infinitesimal

es prcticamente proporcional a la amplitud del intervalo infinitesimal.

Si en estas circunstancias la variable aleatoria X = n de hechos que se producen

en un intervalo unitario sigue una distribucin de Poisson , que cmo veremos
tendr por parmetro el nmero medio de hechos que pueden producirse en el
intervalo unitario.
F.G.M. de una distribucin de Poisson:

(t)

= E(etx) = etx P(x) =

Derivando sucesivamente podremos obtener los distintos momentos ordinarios y, a partir de

ellos media, varianza y otros indicadores:
' (t)

= et e(et - 1)

' (t =0) = 1= =

 ''

(t) = et e(et - 1) +( et )2 e(et - 1)

' (t =0) = 2= + 2

de forma que la varianza ser: 2 = 2- 2 = + 2 - 2 =

La moda de una distribucin de Poisson puede determinarse como el valor de la variable (el
nmero natural) que verifica que:
- 1 Mo
Habitualmente la moda ser la "parte entera de la (de la media)" , pero habr dos modas
( - 1 y ) cuando sea un nmero entero.
PROPIEDAD IMPORTANTE: CONVERGENCIA BINOMIAL-POISSON.
Dada una variable aleatoria X que siga una distribucin Binomial si el parmetro n es muy
grande (n ) y el parmetro p es muy pequeo (p 0 ) su distribucin puede
aproximarse por la de una de Poisson con parmetro = np.
la f. de cuanta de una variable X / X B(n,p) cuando n y p 0 tiende a:

de forma que haciendo = np tiende a la f. de cuanta de una distribucin de Poisson con

= np.

MODELOS CONTINUOS

1.DISTRIBUCIN UNIFORME (DE V.CONTINUA)

Dada una variable aleatoria continua, X , definida en el intervalo [a,b] de la recta real,
diremos que X tiene una distribucin uniforme en el intervalo [a,b] cuando su funcin de
densidad sea: X U([a,b])

f(x)= 1/(b-a) para x [a,b].

De manera que la funcin de distribucin resultar:

0 para x < a

1 para x b

Es fcil comprobar que =(b+a)/2 y que 2 = (b-a)2/12

2. DISTRIBUCIN EXPONENCIAL
Dada una variable aleatoria continua, X , definida para valores reales positivos.

diremos que X tiene una distribucin exponencial de parmetro cuando su

funcin de densidad sea: f(x) = ex para x 0 ( siendo el parmetro
positivo)

La funcin de distribucin ser

F(x) =

=0 para x < 0

F.G.M.

Si derivamos la F.G.M. en el punto t=0 obtendremos que = 1/

Y derivando por segunda vez en t= 0 obtendremos el momento ordinario de segundo orden,

y a partir de l la varianza: 2= 1 /2
la moda es 0 y la mediana ln2/

3.DISTRIBUCIN NORMAL (ir a distribuccin normal)

La distribucin normal es la ms importante de todas las distribuciones de probabilidad.Es
una distribucin de variable continua con campo de variacin [- , ], que queda
especificada a travs de dos parmetros ( que acaban siendo la media y la desviacin tpica
de la distribucin).
Una variable aleatoria continua, X, definida en [- , ] seguir una distribucin normal de
parmetros y , ( X N( ; ) ) , si su funcin de densidad es :

para x [- , ]
cuya representacin grfica es:

Importancia de la distribucin Normal.

a) Enorme nmero de fenmenos que puede modelizar: Casi todas las caractersticas
cuantitativas de las poblaciones muy grades tienden a aproximar su distribucin a una
distribucin normal.

b) Muchas de las dems distribuciones de uso frecuente, tienden a distribuirse segn una
Normal, bajo ciertas condiciones.
c) (En virtud del teorema central del lmite).Todas aquellas variables que pueden
considerarse causadas por un gran nmero de pequeos efectos (como pueden ser los
errores de medida) tienden a distribuirse segn una distribucin normal.
La probabilidad de cualquier intervalo se calculara integrando la funcin de
densidad a lo largo de ese de intervalo, pero no es necesario nunca resolver la integral
pues existen tablas que nos evitan este problema.

F.G.M.:puede probarse que la funcin generatriz de momentos de una distribucin N( ;

) es:
(t)

= E(etx) = e( t + 2t2)

A partir de ella es fcil comprobar como efectivamente la media de la distribucin es el

parmetro y, cmo su varianza es el parmetro .
Igualmente puede comprobarse que la distribucin es simtrica y que su curtsis es nula.

Propiedad importante: "CUALQUIER TRANSFORMACIN LINEAL DE UNA

VARIABLE ALEATORIA NORMAL TIENE TAMBIN UNA DISTRIBUCIN
NORMAL DONDE LA MEDIA DE LA NUEVA VARIABLE ES LA MISMA
TRANSFORMACIN LINEAL DE LA MEDIA DE LA ANTIGUA Y DONDE LA
DESVIACIN TPICA ES LA DESVIACIN TPICA ANTIGUA MULTIPLICADA POR
EL COEFICIENTE ANGULAR DE LA TRANSFORMACIN":

Dada una variable X N( ; ) si la nueva variable Y es Y = a+bX

Y N(a+b ; b ) :
en efecto: la F.G.M de la distribucin de X ser:
E(etx) = e( t + 2t2)
y la F.G.M. de la distribucin de Y ser:

y(t)= eat.x(bt) = eat .e( bt + 2b2t2) = e((a+b )t + (b )2t2)

que es la F.G.M de una distribucin N(a+b ; b ) //*q.e.d.*//
Consecuencia importante de esto es que si se tipifica una variable X / X N( ; ) la
nueva variable Z = tendr una distribucin N(0,1).

La distribucin N(0,1) se conoce con el nombre de Normal tipificada o reducida y tiene una
importancia terica y prctica fundamental.Su Funcin de distribucin est tabulada y ello
nos permite calcular directamente cualquier probabilidad de cualquier intervalo de
cualquier distribucin normal ( X N( ; )), sin necesidad de integrar.
En efecto: si X N( ; ) y queremos calcular P(X [a,b])==P(a X b) =

donde es la F. de distribucin de una Normal tipificada, que puede evaluarse a travs de

las tablas.