SESIN 12: MODELOS PROBABILSTICOS
1.1. Introduccin
Son modelos matemticos apropiados para situaciones reales en condiciones
especficas, son importantes porque nos ayudan a predecir la conducta de futuras
repeticiones de un experimento aleatorio. Los modelos pueden ser discretos o
continuos.
Los modelos o distribuciones discretas ms comunes son: La Uniforme, Binomial,
Poisson y la Hipergeometrica Dado que el enfoque del texto es presentar los
modelos ms usados en investigacin, y ms especficamente en reas sociales y
humansticas, ac se abordarn los temas de la Binomial, la cual es base para
definir los tamaos mustrales y la Poisson, de gran utilidad en teora de colas o
fenmenos de espera. Adems, la Hipergeometrica en muchos casos (n grande)
se aproxima con el modelo Binomial.
En cuanto a las continuas, se utilizan fundamentalmente las siguientes: Z de la
objeto de estudio.
1.2. Modelo Binomial
Es un modelo discreto, es decir, la variable toma valores conocidos y finitos. Es
utilizado en grficos de control para anlisis de nmero o porcentaje defectuoso,
adicionalmente se utiliza para calcular probabilidades de aceptacin o rechazo de
lotes en muestreo de aceptacin, de ah su importancia.
Un modelo Binomial cumple las siguientes propiedades:
A. El experimento tiene un nmero fijo de pruebas.
B. De cada prueba solo puede presentarse uno de dos resultados. Un xito
o un fracaso.
C. La probabilidad de xito y la probabilidad de fracaso son constante para
cada prueba.
D. Cada una de las pruebas es independiente de todas las dems, es decir,
lo que ocurre en una prueba cualquiera, no afecta los resultados de las
otras pruebas.
Si una variable aleatoria definida previamente cumple las condiciones
anteriores, se dice que ella se distribuye Binomial con parmetros n, p y
se escribe: X b (x, n, p)
La funcin de probabilidad de densidad y de distribucin acumulada de
una variable aleatoria X b (x,n,p) est dada por:
Si bien prcticamente todos los libros poseen los valores tabulados para
valores de n pequeos y de p comunes, ahora es posible calcular estas
probabilidades con la ayuda del Excel.
Ejemplo 1: Se estima que en una ciruga al hgado el 10% de los pacientes
muere. Si la operacin se realiza a 3 personas, cual es la probabilidad de que:
Exactamente 2 mueran.
No ms de 2 se mueran.
Al menos 1 pero no ms de 2 se mueran.
El objetivo fundamental de ste ejemplo, es mostrar como funciona la tabla
diseada para calcular las probabilidades Binomiales, en la direccin de Internet
[Link] se encuentra la tabla usando
la f.d.p. es decir, muestra las probabilidades puntuales. El pantallazo se presenta
luego del ejemplo.
P(X=2) = 0.0270
P(X2) = 0.7290+0.1354+0.0071 =0.8715
P(X=1) + P(X=2) = 0.2430+0.0270 = 0.27
1.3. Modelo Poisson
Es una distribucin discreta, tiene su principal aplicacin en teora de colas o
fenmenos de espera y en control estadstico de calidad, as, como para calcular
probabilidades en eventos escasos y en intervalos de tiempo y espacio. Ejemplo,
cul es la probabilidad de que lleguen 5 llamadas en un minuto a un conmutador?,
cul de que se encuentren 4 huecos en un kilmetro?
Se deben cumplir los siguientes supuestos, el nmero de llegadas de los sucesos
en el intervalo objeto de estudio, ocurren de manera aleatoria y por ende son
independientes entre s, el modelo est definido completamente por su promedio
.
Por ltimo, se debe resaltar, que el promedio, , es proporcional al intervalo que
representa, es decir, s =2 muertos/semana, entonces, =8 muertos/mes.
Si una variable aleatoria definida previamente cumple las condiciones anteriores,
se dice que ella se distribuye Poisson con parmetro y se denota as:
X P (x, )
La funcin de probabilidad de una variable aleatoria X P (x, ) est dada por:
La funcin de distribucin acumulada est dada por:
No sobra recordar que es el promedio, luego se calcula como la sumatoria de los
valores dividido por el nmero de ellos.
1.4. Modelo Normal
Es el modelo continuo ms utilizado en inferencia estadstica, dado que muchos
fenmenos socio demogrfico y de otra ndole tienen un comportamiento
acampanado y por ende cumplen la teora de la distribucin normal, sin embargo,
es importante aclarar que antes de proceder a aplicar los mtodos sugeridos por la
teora estadstica, es imprescindible identificar primero si en realidad los datos si
se comportan como tal, es decir, se debe saber a ciencia cierta si los datos son
aproximadamente acampanados, para ello se disponen de procedimientos
descriptivos ya descritos, como son: el histograma, comparar las medidas de
posicin relevantes (media, mediana y moda), calcular los coeficientes de
asimetra y curtosis. Adems, de otras pruebas ms avanzadas como la de
Smirnov Kolmogorov y la de Shapiro Wilks.
CARACTERISTICAS:
Es simtrica, adems, de ser asinttica con respecto al eje X, es decir, no toca el
eje.
TEOREMA DE TIPIFICACION O ESTANDARIZACION.
Esto se hace con el fin de utilizar las tablas y poder calcular todas las
probabilidades requeridas, ya que si no se hace este cambio de escala, se tendra
que calcular la frmula de la distribucin de densidad que implica calcular
integrales; y por tanto se volvera inmanejable para un gran nmero de personas
que no tiene formacin para ello.
Si no se cuenta con una tabla como la siguiente, debemos proceder a realizar la
siguiente frmula para calcular la probabilidad:
Cuando el valor de z da negativo, y en la tabla de distribucin normal estndar no
se encuentra; buscamos la probabilidad absoluta y la restamos de uno. Sin
embargo, a continuacin se coloca la tabla considerando tanto valores negativos
como positivos de la nueva variable estndar z, por lo tanto, no se requiere hacer
ningn cambio, slo busca la interseccin, por ejemplo s:
z= -2.43, la probabilidad es 0.007549
z= 1.28, la probabilidad es 0.899727