Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Modelos probabilísticos
Helmer Zapata
1
Algunos modelos de variables aleatorias
◼ Hay v.a. que aparecen con frecuencia en las Ciencias de la
Salud.
En muchas ocasiones…(Variables cuantitativas continuas)
◼ Distribución normal (gaussiana, campana,…)
Si se selecciona un neonato de una población que tiene un
comportamiento gaussiano, estimar la probabilidad de que ese menor
tenga un valor inferior a 3000 grs
Experimentos dicotómicos. (Variables Cualitativas)
◼ Bernoulli
Elegir una persona de la población (n=10) y que esta fume (prevalencia
de fumar=P)
Contar éxitos en experimentos dicotómicos repetidos: (Variables
cuantitativas discretas)
◼ Binomial
De una población (n=10) con una prevalencia de fumar (P), estimar la
probabilidad de encontrar menos de tres fumadores.
◼ Poisson (sucesos raros)
De una población (n=250) con una prevalencia de fumar (P), estimar la
probabilidad de encontrar menos de tres de fumadores.
Modelos probabilísticos 2
Algunos modelos de variables aleatorias
Modelos probabilísticos 3
Algunos modelos de variables aleatorias
Modelos probabilísticos 4
Algunos modelos de variables aleatorias
Modelos probabilísticos 5
Distribución de Bernoulli
◼ Tenemos un experimento de Bernoulli si al realizar un
experimentos sólo son posibles dos resultados:
X=1 (éxito, con probabilidad p)
X=0 (fracaso, con probabilidad q=1-p)
◼ Solución.
La noc. frecuentista de prob. nos permite aproximar la probabilidad de
tener secuelas mediante 300/2000=0,15=15%
Modelos probabilísticos 7
Ejemplo de distribución de Bernoulli.
◼ Se ha observado estudiando 2000 accidentes de tráfico
con impacto frontal y cuyos conductores sí tenían
cinturón de seguridad, que 10 individuos quedaron con
secuelas. Describa el experimento usando conceptos de
v.a.
◼ Solución.
La noc. frecuentista de prob. nos permite aproximar la probabilidad de
quedar con secuelas por 10/2000=0,005=0,5%
Modelos probabilísticos 8
Observación
◼ En los dos ejemplos anteriores hemos visto cómo enunciar los
resultados de un experimento en forma de estimación de
parámetros en distribuciones de Bernoulli.
Sin cinturón: p ≈ 15%
Con cinturón: p ≈ 0,5%
Modelos probabilísticos 9
Observación
◼ En los dos ejemplos anteriores hemos visto cómo enunciar los
resultados de un experimento en forma de estimación de
parámetros en distribuciones de Bernoulli.
Sin cinturón: p ≈ 15%
Con cinturón: p ≈ 0,5%
Modelos probabilísticos 11
Distribución binomial
X~B(n,p)
◼ Función de densidad de probabilidad
n k n−k
P[ X = k ] = p q , 0 k n
k
Problemas de cálculo si n es grande y/o p cercano a 0 o 1.
◼ Media: μ =n p
◼ Varianza: σ2 = n p q
Modelos probabilísticos 12
Función de distribución F(x)
Modelos probabilísticos 13
Ejemplo de binomial:
Modelos probabilísticos 15
Ejemplo de binomial:
X~B(n,p)
n k n−k
P[ X = k ] = p q , 0 k n
k
Modelos probabilísticos 16
Solución:
Sea X1 la v.a. que contabiliza el número de resultados positivos. Es claro que
llamando , se tiene que X sigue una distribución binomial
Modelos probabilísticos
17
Función de distribución F(x)
Modelos probabilísticos 18
Distribución de Poisson
◼ También se denomina de sucesos raros.
◼ Se obtiene como aproximación de una
distribución binomial con la misma media, para
‘n grande’ (n>30) y ‘p pequeño’ (p<0,1).
◼ Queda caracterizada por un único parámetro μ
() (que es a su vez su media y varianza.)
◼ Función de probabilidad:
k
P[ X = k ] = e − , k = 0,1,2,...
k!
Modelos probabilísticos 19
Distribución de Poisson
◼ También se denomina de sucesos raros.
◼ Se obtiene como aproximación de una
distribución binomial con la misma media, para
‘n grande’ (n>30) y ‘p pequeño’ (p<0,1).
◼ Queda caracterizada por un único parámetro μ
() (que es a su vez su media y varianza.)
◼ Función de probabilidad:
k
P[ X = k ] = e − , k = 0,1,2,...
k!
Modelos probabilísticos 20
Ejemplos de variables de Poisson
◼ El número de individuos que será atendido un día cualquiera en el
servicio de urgencias del hospital clínico universitario.
En Pereira hay 500.000 habitantes (n grande)
La probabilidad de que cualquier persona tenga un accidente es pequeña,
pero no nula. Supongamos que es 1/10.000
Bin(n=500.000,p=1/10.000) ≈ Poisson(μ=np=50)
Modelos probabilísticos 21
Ejemplo
Cierta enfermedad tiene una probabilidad muy baja de ocurrir, p=1/100.000.
Calcular la probabilidad de que en una ciudad con 500.000 habitantes haya más
de 3 personas con dicha enfermedad. Calcular el número esperado de
habitantes que la padecen.
Solución:
Si consideramos la v.a. X que contabiliza el número de personas que
padecen la enfermedad, es claro que sigue un modelo binomial, pero que
puede ser muy bien aproximado por un modelo de Poisson, de modo que
k
P[ X = k ] = e − , k = 0,1,2,...
k!
Modelos probabilísticos 22
Ejercicio: Se sabe que en cierta población el 10% es daltónico. Si extrae
una muestra aleatoria de 25 personas de esa población :
Usar la tabla
Modelos probabilísticos 23
Solución (Continuación) :
− k
P[ X = k ] = e , k = 0,1,2,...
k!
P(X>3) = 1 – P (x ≤ 3)
P(X>3) = 1 – e– 5 5 0 -
e– 5 5 1 - e – 5 5 2 - e– 5 5 3
0! 1! 2! 3!
P(X>3) = 0.735
Modelos probabilísticos 24
Modelos probabilísticos 25
Ejercicio
Si el número promedio de accidentes graves por año en una fábrica grande, es de cinco.
Calcule la probabilidad de que en al año en curso haya:
Modelos probabilísticos 26
“Parecidos razonables”
X~B(n,p) X~N(np,npq)
◼ Aún no conoces la n>30
distribución de Poisson. np≥5
nq≥5
◼ Sobre todo nos interesa saber qué valores de dichas distribuciones son
“atípicos”.
Significación, p-valores,…
Modelos probabilísticos 28
Chi cuadrado
◼ Tiene un sólo parámetro
denominado grados de libertad.
◼ La función de densidad es
asimétrica positiva. Sólo tienen
densidad los valores positivos.
◼ Normalmente consideraremos
anómalos aquellos valores de la
variable de la “cola de la
derecha”.
Modelos probabilísticos 29
T de student
◼ Tiene un parámetro denominado
grados de libertad.
Modelos probabilísticos 30
F de Snedecor
◼ Tiene dos parámetros
denominados grados de
libertad.
◼ Normalmente se consideran
valores anómalos los de la
cola de la derecha.
Modelos probabilísticos 31