Modelos

probabilsticos
ING. EDER ROBLES MORALES

1
Variable aleatoria
El resultado de un experimento
aleatorio puede ser descrito en
ocasiones como una cantidad numrica.
En estos casos aparece la nocin de
variable aleatoria
Funcin que asigna a cada suceso un
nmero.

Las variables aleatorias pueden ser

discretas o continuas (como en el
primer tema del curso).
2
Funcin de probabilidad (V. Discretas)
Asigna a cada posible
valor de una variable
discreta su probabilidad.
Recuerda los conceptos de
frecuencia relativa y diagrama
de barras.
Ejemplo
Nmero de caras al lanzar 3
monedas.

3
Funcin de densidad (V. Continuas)
Definicin
Es una funcin no negativa de integral
1.
Pinsalo como la generalizacin del histograma con
frecuencias

relativas para variables continuas .

Para qu lo voy a usar?
Nunca lo vas a usar directamente.
Sus valores no representan
probabilidades.

4
Para qu sirve la f. densidad?
Muchos procesos aleatorios vienen descritos por variables de
forma que son conocidas las probabilidades en intervalos.

La integral definida de la funcin de densidad en dichos

intervalos coincide con la probabilidad de los mismos.

Es decir, identificamos la probabilidad de un intervalo con el

rea bajo la funcin de densidad.

5
Funcin de distribucin
Es la funcin que asocia a cada valor de una
variable, la probabilidad cumulada
de los valores inferiores o iguales.

Pinsalo como la generalizacin de las

frecuencias acumuladas. Diagrama integral.

A los valores extremadamente bajos les corresponden

valores de la funcin de distribucin cercanos a cero.

A los valores extremadamente altos les corresponden

valores de la funcin de distribucin cercanos a uno.

Lo encontraremos en los artculos y aplicaciones en

forma de p-valor, significacin,
No le deis ms importancia a este comentario ahora.
Ya os ir sonando conforme avancemos.

6
 Para qu sirve la f. distribucin?
Contrastar lo anmalo de una observacin concreta.

S que una persona de altura 210cm es anmala porque la funcin de

distribucin en 210 es muy alta.
S que una persona adulta que mida menos de 140cm es anmala
porque la funcin de distribucin es muy baja para 140cm.

S que una persona que mida 170cm no posee una altura nada extraa
pues su funcin de distribucin es aproximadamente 0,5.

Relacinalo con la idea de cuantil.

En otro contexto (contrastes de hiptesis) podremos

observar unos resultados experimentales y contrastar lo
anmalos que son en conjunto con respecto a una
hiptesis de terminada.

Intenta comprender la explicacin de clase si puedes. Si no, ignora

7
esto de momento.
 Valor esperado y varianza de una v.a. X
Valor esperado
Se representa mediante E[X]
Es el equivalente a la media

Varianza
Se representa mediante VAR[X] o 2
Es el equivalente a la varianza
Se llama desviacin tpica a

8
 Algunos modelos de v.a.

Hay v.a. que aparecen con frecuencia :

Experimentos dicotmicos.
Bernoulli

Contar xitos en experimentos

dicotmicos repetidos:
Binomial
Poisson (sucesos raros)

Y en otras muchas ocasiones

Distribucin normal (gaussiana, )

9
 Distribucin de Bernoulli
Tenemos un experimento de Bernoulli si al realizar un
experimentos slo son posibles dos resultados:
X=1 (xito, con probabilidad p)
X=0 (fracaso, con probabilidad q=1-p)

Lanzar una moneda y que salga cara.

p=1/2
Elegir una persona de la poblacin y que est enfermo.
p=1/1000 = prevalencia de la enfermedad
Aplicar un tratamiento a un enfermo y que ste se cure.
p=95%, probabilidad de que el individuo se cure

Como se aprecia, en experimentos donde el resultado

es dicotmico, la variable queda perfectamente
determinada conociendo el parmetro p.
10
 Ejemplo de distribucin de Bernoulli.
Se ha observado estudiando 2000 accidentes de
trfico con impacto frontal y cuyos conductores
no tenan cinturn de seguridad, que 300
individuos quedaron con secuelas. Describa el
experimento usando conceptos de v.a.

Solucin.
La noc. frecuentista de prob. nos permite aproximar la
probabilidad de tener secuelas mediante 300/2000=0,15=15%

X=tener secuelas tras accidente sin cinturn es variable de

Bernoulli
X=1 tiene probabilidad p 0,15
X=0 tiene probabilidad q 0,85

11
 Ejemplo de distribucin de Bernoulli.
Se ha observado estudiando 2000 accidentes de
trfico con impacto frontal y cuyos conductores s
tenan cinturn de seguridad, que 10 individuos
quedaron con secuelas. Describa el experimento
usando conceptos de v.a.

Solucin.
La noc. frecuentista de prob. nos permite aproximar la
probabilidad de quedar con secuelas por 10/2000=0,005=0,5%

X=tener secuelas tras accidente usando cinturn es variable

de Bernoulli
X=1 tiene probabilidad p 0,005
X=0 tiene probabilidad q 0,995

12
 Observacin
En los dos ejemplos anteriores hemos visto cmo enunciar
los resultados de un experimento en forma de estimacin
de parmetros en distribuciones de Bernoulli.
Sin cinturn: p 15%
Con cinturn: p 0,5%

En realidad no sabemos en este punto si ambas cantidades

son muy diferentes o aproximadamente iguales, pues en
otros estudios sobre accidentes, las cantidades de
individuos con secuelas hubieran sido con seguridad
diferentes.

Para decidir si entre ambas cantidades existen diferencias

estadsticamente significativas necesitamos introducir
conceptos de estadstica inferencial (extrapolar resultados
de una muestra a toda la poblacin).

Esperemos a las pruebas de X2.

13
Distribucin binomial
Funcin de probabilidad
n k nk
P[ X k ] p q , 0 k n
k
Problemas de clculo si n es grande y/o p cercano a 0 o 1.

Media: =n p

Varianza: 2 = n p q

14
 Distribucin Binomial
Si se repite un nmero fijo de veces, n, un
experimento de Bernoulli con parmetro p, el nmero
de xitos sigue una distribucin binomial de
parmetros (n,p).

Lanzar una moneda 10 veces y contar las caras.

Bin(n=10,p=1/2)

Lanzar una moneda 100 veces y contar las caras.

Bin(n=100,p=1/2)
Difcil hacer clculos con esas cantidades. El modelo normal ser ms
adecuado.

El nmero de personas que enfermar (en una poblacin de

500.000 personas) de una enfermedad que desarrolla una de
cada 2000 personas.
Bin(n=500.000, p=1/2000)
o Difcil hacer clculos con esas cantidades. El modelo de Poisson ser
ms adecuado.
15
Parecidos razonables
An no conomos la
distribucin normal, ni de
Poisson.

De cualquier forma ah tenis

la comparacin entre valores
de p no muy extremos y una
normal de misma media y
desviacin tpica, para
tamaos de n grandes
(n>30).

Cuando p es muy pequeo

es mejor usar la
aproximacin del modelo de
Poisson.
16
Distribucin de Poisson
Tambin se denomina de sucesos raros.
Se obtiene como aproximacin de una
distribucin binomial con la misma media,
para n grande (n>30) y p pequeo (p<0,1).
Queda caracterizada por un nico parmetro
(que es a su vez su media y varianza.)
Funcin de probabilidad:

k
P[ X k ] e , k 0,1,2,...
k!
17
 Ejemplos de variables de Poisson
El nmero de individuos que ser atendido un da cualquiera
en el servicio de urgencias del hospital clnico universitario.
En Pasco hay 500.000 habitantes (n grande)
La probabilidad de que cualquier persona tenga un accidente es
pequea, pero no nula. Supongamos que es 1/10.000
Bin(n=500.000,p=1/10.000) Poisson(=np=50)

Sospechamos que diferentes hospitales pueden tener

servicios de traumatologa de diferente calidad (algunos
presentan pocos, pero creemos que an demasiados,
enfermos con secuelas tras la intervencin). Es dificil
compararlos pues cada hospital atiende poblaciones de
tamaos diferentes (ciudades, pueblos,)
Tenemos en cada hospital n, n de pacientes atendidos o n individuos
de la poblacin que cubre el hospital.
Tenemos p pequeo calculado como frecuencia relativa de secuelas
con respecto al total de pacientes que trata el hospital, o el tamao de
la poblacin,
Se puede modelar mediante Poisson(=np)
18
 Distribucin normal o de Gauss
Aparece de manera natural:
Errores de medida. 1 x
2

Distancia de frenado. 1


f ( x) e 2

Altura, peso, propensin al crimen 2

Distribuciones binomiales con n grande (n>30) y p
ni pequeo (np>5) ni grande (nq>5).

Est caracterizada por dos parmetros: La

media, , y la desviacin tpica, .

Su funcin de densidad es:

19
N(, ): Interpretacin
geomtrica

Podis interpretar la
media como un
factor de traslacin.

Y la desviacin tpica
como un factor de
escala, grado de
dispersin,

20
N(, ): Interpretacin probabilista

Entre la media y
una desviacin
tpica tenemos
siempre la misma
probabilidad: aprox.
68%

Entre la media y dos

desviaciones tpicas
aprox. 95%
21
 Algunas caractersticas
La funcin de densidad es simtrica, mesocrtica y unimodal.
Media, mediana y moda coinciden.
Los puntos de inflexin de la fun. de densidad estn a distancia
de .
Si tomamos intervalos centrados en , y cuyos extremos
estn
a distancia , tenemos probabilidad 68%
a distancia 2 , tenemos probabilidad 95%
a distancia 25 tenemos probabilidad 99%

No es posible calcular la probabilidad de un intervalo

simplemente usando la primitiva de la funcin de densidad, ya
que no tiene primitiva expresable en trminos de funciones
comunes.

Todas las distribuciones normales N(, ), pueden ponerse

mediante una traslacin , y un cambio de escala , como
N(0,1). Esta distribucin especial se llama normal tipificada.
Justifica la tcnica de tipificacin, cuando intentamos comparar individuos
diferentes obtenidos de sendas poblaciones normales.
22
Tipificacin
Dada una variable de media y desviacin tpica , se denomina
valor tipificado,z, de una observacin x, a la distancia (con signo)
con respecto a la media, medido en desviaciones tpicas, es decir

x
z

En el caso de variable X normal, la interpretacin es clara: Asigna
a todo valor de N(, ), un valor de N(0,1) que deja exctamente
la misma probabilidad por debajo.

Nos permite as comparar entre dos valores de dos distribuciones

normales diferentes, para saber cul de los dos es ms extremo.

23
Tabla N(0,1) Z es normal tipificada.

Calcular P[Z<1,85]

Solucin: 0,968 = 96,8%

24
Tabla N(0,1) Z es normal tipificada.

Calcular P[Z<-0,54]

Solucin: 1-0,705 = 0,295

25
Tabla N(0,1) Z es normal tipificada.

Calcular P[-0,54<Z<1,85]

Solucin: 0,968-0,295= 0,673

26
Ejemplo: Clculo con probabilidades normales

El colesterol en la poblacin tiene

distribucin normal, con media 200 y
desviacin 10.

Qu porcentaje de indivduos tiene

colesterol inferior a 210?

Qu valor del colesterol slo es superado

por el 10% de los individuos.
27
 Todas las distribuciones normales son similares salvo traslacin y
cambio de escala: Tipifiquemos.
x 210 200
z 1
10

28
P[ Z 1,00] ( ver tabla) 0,841
 El valor del colesterol que slo supera el 10% de los individuos es el percentil
90. Calculemos el percentil 90 de la N(0,1) y deshacemos la tipificacin.

x
z

x 200
1,28
10
x 200 10 1,28 212,8

29
Ejemplo: Tipificacin
Se quiere dar una beca a uno de dos estudiantes
de sistemas educativos diferentes. Se asignar al
que tenga mejor expediente acadmico.
El estudiante A tiene una calificacin de 8 en un sistema
donde la calificacin de los alumnos se comporta como
N(6,1).
El estudiante B tiene una calificacin de 80 en un
sistema donde la calificacin de los alumnos se
comporta como N(70,10).
Solucin
No podemos comparar directamente 8 puntos de A
frente a los 80 de B, pero como ambas poblaciones se
comportan de modo normal, podemos tipificar y
observar las puntuaciones sobre una distribucin de
referencia N(0,1)
30
 xA A 8 6
zA 2
A 1
xB B 80 70
zB 1
B 10

Como ZA>ZB, podemos decir que el

porcentaje de compaeros del mismo
sistema de estudios que ha superado
en calificacin el estudiante A es
mayor que el que ha superado B.
Podramos pensar en principio que A
es mejor candidato para la beca.
31
 Por qu es importante la distribucin
normal?
Las propiedades que tiene la distribucin normal son
interesantes, pero todava no hemos hablado de por
qu es una distribucin especialmente importante.

La razn es que aunque una v.a. no posea

distribucin normal, ciertos estadsticos/estimadores
calculados sobre muestras elegidas al azar s que
poseen una distribucin normal.

Es decir, tengan las distribucin que tengan nuestros

datos, los objetos que resumen la informacin de
una muestra, posiblemente tengan distribucin
normal (o asociada).

32
Aplic. de la normal: Estimacin en
muestras
Como ilustracin
mostramos una variable
que presenta valores
distribuidos de forma
muy asimtrica.
Claramente no normal.

Saquemos muestras de
diferentes tamaos, y
usemos la media de
cada muestra para
estimar la media de la
poblacin.
33
Aplic. de la normal: Estimacin en
muestras
Cada muestra ofrece un
resultado diferente: La media
muestral es variable
aleatoria.

Su distribucin es ms
parecida a la normal que la
original.

Tambin est menos

dispersa. A su dispersin
(desv. tpica del estimador
media muestral os gusta
el nombre largo?) se le suele
denominar error tpico.

34
Aplic. de la normal: Estimacin en
muestras
Al aumentar el
tamao, n, de la
muestra:

La normalidad de las
estimaciones mejora

El error tpico
disminuye.

35
Aplic. de la normal: Estimacin en
muestras
Puedo garantizar
medias muestrales tan
cercanas como quiera a
la verdadera media, sin
ms que tomar n
bastante grande

Se utiliza esta
propiedad para
dimensionar el tamao
de una muestra antes
de empezar una
investigacin.
36
 Resumen: Teorema del lmite central
Dada una v.a. cualquiera, si extraemos muestras de tamao n, y
calculamos los promedios muestrales, entonces:

dichos promedios tienen distribucin aproximadamente normal;

La media de los promedios muestrales es la misma que la de la variable

original.

La desviacin tpica de los promedios disminuye en un factor raz de n

(error estndar).

Las aproximaciones anteriores se hacen exactas cuando n tiende a infinito.

Este teorema justifica la importancia de la distribucin

normal.
Sea lo que sea lo que midamos, cuando se promedie sobre una
muestra grande (n>30) nos va a aparecer de manera natural la
distribucin normal.
37
 Distribuciones asociadas a la normal
Cuando queramos hacer inferencia estadstica hemos visto que la
distribucin normal aparece de forma casi inevitable.

Dependiendo del problema, podemos encontrar otras (asociadas):

X2 (chi cuadrado)
t- student
F-Snedecor

Estas distribuciones resultan directamente de operar con

distribuciones normales. Tpicamente aparecen como
distribuciones de ciertos estadsticos.

Veamos algunas propiedades que tienen (superficialmente). Para

ms detalles consultad el manual.

Sobre todo nos interesa saber qu valores de dichas

distribuciones son atpicos.
Significacin, p-valores,
38
 Chi cuadrado
Tiene un slo parmetro
denominado grados de libertad.

La funcin de densidad es
asimtrica positiva. Slo tienen
densidad los valores positivos.

La funcin de densidad se hace

ms simtrica incluso casi
gausiana cuando aumenta el
nmero de grados de libertad.

Normalmente consideraremos
anmalos aquellos valores de la
variable de la cola de la
derecha.

39
T de student
Tiene un parmetro denominado
grados de libertad.

Cuando aumentan los grados de

libertad, ms se acerca a N(0,1).

Es simtrica con respecto al cero.

Se consideran valores anmalos

los que se alejan de cero
(positivos o negativos).

40
 Qu hemos visto?
En v.a. hay conceptos equivalentes a los de temas
anteriores
Funcin de probabilidad Frec. Relativa.
Funcin de densidad histograma
Funcin de distribucin diagr. Integral.
Valor esperado media,
Hay modelos de v.a. de especial importancia:
Bernoulli
Binomial
Poisson
Normal
Propiedades geomtricas
Tipificacin
Aparece tanto en problemas con variables cualitativas
(dicotmicas, Bernoulli) como numricas
Distribuciones asociadas
T-student
X2

41