UNIDAD III

Bioestadstica

MODELOS DE PROBABILIDAD
El modelo de probabilidad es una expresin matemtica que resulta de un cmulo
de supuestos. El modelo describe el comportamiento de una variable aleatoria si el
experimento se repite bajo ciertas condiciones iniciales, y por lo tanto ayuda a predecir
resultados de futuras repeticiones.
MODELOS DISCRETOS
1. Modelo Bipuntual o de Bernoulli
Se aplica a una variable que slo puede asumir dos valores: 0 y 1.
Consideremos un experimento que puede presentar slo dos resultados, que
podramos llamar xito y Fracaso, y una variable a la cual le asignaremos valores 0 y 1
segn resulte xito o Fracaso respectivamente.
Es decir = { E , F }
Entonces, definimos la variable aleatoria X como presencia o ausencia de cierta
caracterstica. Es decir :
= F X() = X(F) = 0 ausencia de la caracterstica
= E X() = X(E) = 1 presencia de la caracterstica
Sea
la probabilidad conocida de que se presente la caracterstica (es decir, la
proporcin poblacional).

p = P( E )

P( X = 1) = p

q = 1 p = P( F )

P( X = 0 ) = q = 1 p

Xi

p(xi)

F
E

0
1

q
p

La distribucin de probabilidad bipuntual se expresa y grafica de la siguiente manera:

p x q1 x
p ( x) =
0

para x = 0 , 1
otro x

El nico parmetro de esta distribucin es

simblicamente escribimos
~
, y leemos
se distribuye Bernoulli con parmetro " " .

La funcin de distribucin acumulada F(x) = P(X x) se expresa y grfica de la siguiente

forma:

x
F ( x) = p k q1 k
k = 0

si

x<0

si

x=0 , 1

si

x >1

Las caractersticas de posicin y dispersin son su esperanza y variancia :

1

E ( X ) = x p ( x) = 0.q + 1. p = p

E( X ) = p

x =0
1

V ( X ) = ( x p ) 2 p ( x)= (0 p ) 2 q + (1 p ) 2 p = p 2 q + q 2 p = pq( p + q ) = pq

V ( X ) = pq

x =0

Modelos de Probabilidad Discretos

UNIDAD III

Bioestadstica

2. Modelo Binomial
Consideremos una serie de pruebas Bernoulli repetidas en forma independiente, donde slo
interesa la cantidad de veces que ocurre xito. Por lo tanto, el experimento debe cumplir
con las siguientes tres condiciones:
1. Debe haber un nmero fijo de pruebas repetidas e independientes.
2. Cada prueba debe ser dicotmica, es decir, debe resultar en xito o fracaso .
3. La probabilidad de xito debe ser conocida y constante para todas las pruebas,
.
Simbolizamos con
a la cantidad de veces que se repite el experimento. La variable la
simbolizamos con y se define como : cantidad de xitos ocurridos en las n repeticiones
del experimento.
Simbolizando con
al recorrido (o campo de variacin) de la variable, tenemos que:
0 ,1 ,2 ,...,
La funcin de cuanta de la variable binomial se expresa y se grafica de la siguiente forma:

n x n x
p q
p ( x) = x

si x = 0 , 1, ..... , n
otro x

y la funcin de distribucin acumulada se expresa y se grafica de la siguiente forma :

x n
F ( x) = p k q n k

k = 0 k

si x < 0
si x = 0 , 1 ,....., n
si x > n

Los parmetros de esta distribucin son y , y simblicamente escribimos:

~
,
y leemos
se distribuye binomial con parmetros " " y " ".
La esperanza y la variancia son :

E ( X ) = np
V ( X ) = npq

Modelos de Probabilidad Discretos

UNIDAD III

Bioestadstica

3. Modelo Geomtrico
Surge de realizar repetidas veces un experimento dicotmico hasta obtener el
resultado deseado. Es decir, el nuevo experimento consiste en repetir una prueba Bernoulli
tantas veces como sea necesario hasta obtener xito. Estas pruebas son independientes
entre s, y cada una de ellas tiene la misma probabilidad de resultar exitosa.
Simbolizamos con p a la probabilidad de obtener xito en cualquiera de las
pruebas, o sea,
, y por lo tanto la probabilidad de fracaso es
1 .
La variable se define como : nmero necesario de repeticiones hasta la obtencin
del xito. Obviamente, como mnimo se necesita una prueba; por lo tanto, deber ser x
1. Como no existe una cota superior para el n de repeticiones necesarias, la variable
puede tomar valores infinitamente grandes (cada vez con menor probabilidad). Por lo
tanto, el recorrido de la variable es:

1, 2, 3, .

La probabilidad de obtener cada uno de estos valores es fcilmente calculable. Para que la
1 , necesariamente debe resultar
cantidad de repeticiones sea un determinado nmero
fracaso en las primeras 1 pruebas y
en la k-sima repeticin. Luego, el suceso
que nos interesa es:

FFFFFFF
1
4243 E
k 1 veces

y la probabilidad de este suceso es:

P 1
FF
....
F E = P( F ).P ( F ).......P( F ) P( E ) =
42
4
3
144424443
k 1 veces
k 1 veces

P 1
....
F E = (1 p ) ..... (1 p ) . p = ( 1 p )k 1 . p
42
4
3
FF
144
42444
3

k 1 veces

k 1 veces

P( X = k ) = p ( 1 p ) k 1
Luego, la funcin de cuanta de la variable geomtrica es:

p(1 p ) x 1
p ( x) =

x = 1 , 2 , 3 , .......
otro x

y la funcin de probabilidad acumulada est dada por:

F ( x) = P( X x ) =

p ( 1 p ) k 1

= 1 (1 p ) x

k =1

Puede verificarse que p(x) es funcin de cuanta, ya que :

1.

p ( x) = p (1 p )

2.

p ( x) =

x =1

x 1

xR

p ( 1 p ) x1 =

p .1 / p = 1

x =1

El nico parmetro de esta distribucin es , simblicamente escribimos

se distribuye geomtricamente con parmetro .
La esperanza y la variancia de la variable geomtrica son:

E( X ) =

Modelos de Probabilidad Discretos

1
p

V (X ) =

y leemos

q
p2

UNIDAD III

Bioestadstica

4. Modelo Poisson
Hay ciertos acontecimientos que suceden continuamente en forma aleatoria con una
cierta tasa de ocurrencia, sobre un campo continuo ( que puede ser el tiempo, una
superficie, o un volumen ) . Un proceso de Poisson satisface las siguientes tres hiptesis:
1. Tasa constante de ocurrencia.
2. La cantidad de acontecimientos ocurridos durante un intervalo es independiente al
nmero de acontecimientos ocurridos en otro intervalo (excluyente al primero).
3. La probabilidad de dos acontecimientos simultneos es nula.
Simbolizaremos con
al nmero promedio de acontecimientos ocurridos en una
determinada magnitud del campo continuo sobre el cual se dan los acontecimientos.
La variable Poisson se define como : nmero de acontecimientos ocurridos en un
determinado intervalo, (de tiempo, de superficie, de volumen, etc.), y puede asumir
cualquier nmero no negativo, es decir:

, , , ,.............,

En base a las tres hiptesis consideradas se demuestra (mediante el Anlisis Matemtico

Diferencial) que la probabilidad de que ocurran k acontecimientos en un intervalo est
dado por la siguiente expresin:

P( x = k ) =

e .k
k!

donde representa la cantidad media de ocurrencias de ese fenmeno en dicho intervalo.

Obviamente, el valor de depende de la magnitud del intervalo, siendo proporcional al
mismo ya que la tasa de ocurrencia es constante.
Por lo tanto , la variable Poisson tiene la siguiente funcin de cuanta :

e .x

p ( x) = x!
0

x = 0 , 1 , ........

si

otro x

y la siguiente funcin de distribucin acumulada:

x k
F ( x) = e .
k!
k =0

si x < 0
si x = 0 , 1 , 2 ,......

p(x) es funcin de cuanta pues verifica las dos condiciones:

1. p ( x) =

e .x
0
x!

para x = 0 , 1 , 2 , ........

x
e .x
= e . = e e = 1
x!
x =0
x = 0 x!

2.

La esperanza y la variancia de la variable Poisson son:

Aplicacin :
El modelo Poisson suele ser utilizado como caso limite de una variable binomial, para
y
, . En estos
muy grande y
muy pequeo. Para la prctica, basta tener
casos la variable X: nmero de xitos se distribuye aproximadamente Poisson con
parmetro
. .

Modelos de Probabilidad Discretos