Modelos Estadsticos ( L

A
T
E
X)
Ein Lehrer
Artculos varios.
Chile
21 de julio de 2014
Resumen
Modelos Estadsticos: Digresi on breve.
1. Variables Aleatorias
El concepto clave aqu es Variable Aleatoria (v.a). El el contexto de un experimento aleatorio, una
v.a es una funci on que relaciona el resultado de la medici on de una variable (el dominio de la funci on) a
un valor en el conjunto de los n umeros reales R (el recorrido de la funci on). Podemos entonces tener un
experimento y denir muchas v.a. asociadas.
Un ejemplo: Considere el experimento de lanzar varias veces una moneda al aire. Tpicamente pode-
mos considerar como variable al resultado de un lanzamiento (cara o sello). Si al resultado cara le
asociamos el valor 1 y al resultado sello le asociamos el valor 0, hemos denido una v.a, resultado del
1er lanzamiento. Si efectuamos varios lanzamientos, podemos entonces denir varias v.a. como resulta-
do del lanzamiento i-esimo
1
.
No obstante el tema no queda ah. Para el mismo experimento, podramos denir una v.a. m as intere-
sante: cantidad de caras obtenidas en n lanzamientos. O tambien, cantidad de lanzamientos necesarios
para obtener la primera cara. Otras v.a. pueden ser la cantidad de sellos obtenidos antes de lograr n
caras, la cantidad de lanzamientos necesarios para obtener n caras, etc.
1.1. Funcion Distribuci on de Probabilidad de una v.a.
Si a cada valor posible x de una v.a. X le asociamos un valor de probabilidad de ocurrencia, es decir,
si construimos una funci on que asocie a cada valor x de la v.a. un valor de probabilidad f(x), entonces
se dice que f es una funci on de distribuci on o densidad de probabilidad para la v.a. X.
Se debe cumplir que el conjunto de todas estas probabilidades (los valores f(x)) sume 1. En el caso
de una distribuci on discreta corresponde a una sumatoria. En el caso de una continua, corresponde a la
operacion integracion.
Se dice entonces que la v.a. X sigue la distribuci on de probabilidad f.
Por ejemplo: En el caso del lanzamiento de una moneda, podemos asociar la probabilidad 0.5 al valor
1 (cara) de la v.a. resultado del 1er lanzamiento y el valor 0.5 al valor 0 (sello) de la v.a. (0 y 1
son los unicos valores posibles de esta v.a., de modo que la funci on est a correctamente denida. Ademas,
la suma de estos valores es 1).
1.2. Modelos
Los Modelos de Probabilidad, o Modelos Estadsticos, corresponden a funciones de distribuci on de
probabilidad idealizadas, y que pueden ser aplicables a diferentes v.a., en diversos contextos. En otras
1
Cabe se nalar que los valores de la v.a. pueden ser absolutamente arbitrarios, o bien representar efectivamente alg un concepto
mas real (como veremos en los ejemplos que siguen)
1
palabras, son idealizaciones o abstracciones, inspiradas muchas veces en situaciones reales, y de uso
recurrente en muchsimos problemas.
Ahora bien, no es un determinado experimento el que sigue una cierta distribuci on. El concepto
correcto es que una determinada v.a sigue una determinada distribuci on. En consecuencia, para un mismo
experimento podemos denir diferentes v.a. y cada una de estas seguir diferentes distribuciones o modelos
de probabilidad.
1.3. Modelos Discretos
Los modelos discretos est an inspirados en fen omenos muy concretos y en general resultan de f acil
comprensi on. Veamos algunos ejemplos basados en el experimento del lanzamiento de las monedas.
1.3.1. Bernoulli
Denominemos X a la v.a. resultado del lanzamiento i-esimo. Si la probabilidad de que salga cara (o
sea, que x = 1) es p, y que salga sello (x = 0) es q = 1 p, entonces, la funci on que sigue X es:
f(x) = p(X = x) = p
x
q
1x
, con x = 0, 1
Cada uno de los lanzamientos, considerados individualmente, es una v.a. que sigue una Bernoulli.
1.3.2. Binomial
Denominemos X a la v.a. cantidad de caras obtenidas en n lanzamientos. Consideremos nuevamente
que la probabilidad de que salga cara es p, y que salga sello es q = 1 p. En este caso, la funci on que
sigue X es:
f(x) = p(X = x) =

n
x

p
x
q
nx
, con x = 0, 1, 2..., n
La razon es la siguiente: Deben ocurrir x caras y nx sellos, y tenemos n sobre x formas (el coeciente
binomial) de escoger las x caras entre los n lanzamientos.
Esta distribuci on puede ser vista como un experimento en que se hacen n observaciones independien-
tes, con dos resultados posibles, sobre una muestra nita con reposici on, o sobre una poblaci on innita
sin reposicion (lo que permite mantener constante la probabilidad p), buscando obtener x exitos en el
experimento (en este ejemplo, la cantidad de caras).
1.3.3. Binomial Negativa
Denominemos X a la v.a. cantidad de sellos obtenidos antes de lograr n caras. En este caso, la
funci on que sigue X es:
f(x) = p(X = x) =

n + x 1
x

p
n
q
x
, con x = 0, 1, 2...
La raz on es la siguiente: Deben ocurrir n caras y x sellos. Y tenemos que escoger x sellos entre n+x1
lanzamientos, antes del ultimo lanzamiento que obligadamente debe arrojar la n-esima cara.
1.3.4. Hipergeometrica
Denominemos X a la v.a. cantidad de exitos obtenidos en n observaciones, pero en este caso el
experimento se realiza sobre una poblaci on nita y sin reposici on. La poblacion es de tama no N, existen
k resultados que se consideran exitosos y Nk son considerados fracasos. Aqu no existe una probabilidad
p constante, ya que el resultado de una observaci on afecta a las otras observaciones. En este caso, la funci on
que sigue X es:
f(x) = p(X = x) =

k
x

N k
n x

N
n
, con x = max{0, n N + k}, ..., mn{k, n}
La raz on es la siguiente: Deben ocurrir (como casos favorables) x elecciones entre los k exitos dispo-
nibles y n x elecciones entre los N k fallos disponibles. Por su parte los casos totales son elegir n
observaciones de un total de N disponibles.
2
1.3.5. Poisson
Los experimentos que resultan en valores numericos de una v.a. y que representan el n umero de
resultados durante un intervalo de tiempo dado se denominan experimentos Poisson . El intervalo de
tiempo puede ser de cualquier duraci on (un minuto, un da, una semana, un mes, un a no). El n umero
de resultados que ocurren en un experimento Poisson se llama v.a. de Poisson. El n umero promedio de
resultados es el par ametro = t, donde t es el intervalo de tiempo de interes. La funci on que sigue X
es:
f(X = x) =
e

()
x
x!
, con x = 0, 1, 2, ...
Ejemplos: El n umero de llamadas telef onicas por hora que se recibe en una ocina, el n umero de das
en que una determinada escuela se cierra en invierno debido a la nieve, el n umero de juegos pospuestos
debido a la lluvia durante una temporada de f utbol.
Ejemplo numerico:
Suponga que los clientes llegan a una la de espera a una tasa de 4 por minuto. Suponiendo que el n umero
de personas que llegan a la la en cualquier intervalo de tiempo dado tiene distribuci on Poisson. Cu al
es la probabilidad de que al menos una persona llegue a la la en un intervalo de 1/2 minuto?
Soluci on: 4 clientes por minuto, implica de 2 clientes en 1/2 minuto. X = nro de clientes que llegan
en 0.5 minutos. Entonces:
f(X = x) =
e
2
(2)
x
x!
, con x = 0, 1, 2, ...
Y queremos saber
p(X 1) = 1 p(X = 0) = 1
e
2
(2)
0
0!
= 0, 8647
1.4. Modelos Continuos
Los modelos continuos se inspiran en fen omenos reales, pero la funci on de distribuci on
2
es una idea-
lizaci on o construcci on llevada al lmite. Recordemos que en el caso continuo los valores posibles son
innitos, entonces lo unico que se puede hacer es realizar mediciones con intervalos de valores cada vez
m as peque nos, pero siempre nitos.
Por ello, en el caso continuo, la funci on distribuci on o densidad de probabilidad, es una funci on idea-
lizada, que aproxima lo mejor posible un experimento real (pero teniendo presente que nunca es posible
llegar al lmite de innitos intervalos).
Ejemplos: Uniforme, Exponencial, Normal, etc.
1.5. Que Modelo aplicar?
En muchos ejercicios el enunciado dice se sabe que la v.a. X sigue la siguiente distribuci on ..., y se
pide efectuar diversos c alculos.
En otros casos, por ejemplo en aquellos de v.a. continua, frecuentemente (tal como hemos visto) se
puede determinar la distribuci on por medio de an alisis combinatorio. Adem as, en aquellos casos de v.a.
discreta medida en un intervalo de tiempo, es com un usar la distribuci on Poisson.
En el caso continuo no siempre es tan directo, y muchas veces la distribuci on que sigue una v.a. se
sabe a priori o simplemente se supone.
La distribuci on exponencial se usa tipicamente en ejemplos de vida media de un elemento radioactivo,
duraci on de alg un artefacto, intervalo de tiempo entre determinados eventos, etc.
Es habitual suponer, si no se sabe nada, que una v.a. continua sigue una normal (por ejemplo, la
medici on de estaturas en una poblaci on).
2
en el caso continuo muchas veces se usa la palabra densidad de probabilidad
3
Referencias
[1] Morales, Aaron Estuardo, Estadstica y Probabilidades, (2012)
[2] Novo Sanjurjo, Vicente, Problemas de C alculo de Probabilidades y Estadstica, (2003)
4