Académique Documents
Professionnel Documents
Culture Documents
Un ejemplo tpico de este tipo de variables aleatorias consiste en lanzar una moneda al
aire y considerar la v.a.
y su funcin de distribucin:
6.4.2.1 Observacin
En este caso tan simple no se aprecia la ventaja de usar la funcin caracterstica en el
clculo de momentos, pero en las prximas leyes de probabilidad que son ms
complicadas, esta ventaja se har manifiesta.
, si es
6.4.4.1 Ejemplo
(prop.
Un mdico aplica un test a 10 alumnos de un colegio para detectar una enfermedad cuya
incidencia sobre una poblacin de nios es del
y la especificidad del
. Cual es la probabilidad de que exactamente a cuatro
personas le de un resultado positivo? Si en la muestra hay cuatro personas a las que el
test le da positivo, cul es la probabilidad de que entre estas, exactamente dos estn
sanas? Calcular la probabilidad de que el test suministre un resultado incorrecto para
dos personas. Calcular la probabilidad de que el resultado sea correcto para ms de 7
personas.
Solucin:
Los datos de que disponemos son:
donde E, T+, y T- tienen el sentido que es obvio. Si queremos saber a cuantas personas el
test le dar un resultado positivo, tendremos que calcular
, para lo que podemos
usar el teorema de la probabilidad total (estar enfermo y no estarlo forman una
coleccin exhaustiva y excluyente de sucesos):
Sea X1 la v.a. que contabiliza el nmero de resultados positivos. Es claro que llamando
, se tiene que X sigue una distribucin binomial
Por ello la probabilidad de que a cuatro personas le de el resultado del test positivo es:
Si queremos calcular a cuantas personas les dar el test un resultado positivo aunque en
realidad estn sanas, hemos de calcular previamente
predictivo de falsos positivos:
, o sea, el ndice
Es importante observar este resultado. Antes de hacer los clculos no era previsible que
si a una persona el test le da positivo, en realidad tiene una probabilidad
aproximadamente del
de estar sana. Sea X2 la variable aleatoria que contabiliza al
nmero de personas al que el test le da positivo, pero que estn sanas en realidad.
Entonces
Como la probabilidad de que el test sea correcto para ms de siete personas, es la de que
sea incorrecto para menos de 3, se tiene
6.4.6.1 Observacin
Es sencillo comprobar que realmente f es una ley de probabilidad, es decir,
. Para ello basta observar que la sucesin
es una progresin
geomtrica de razn q, a la que podemos aplicar su frmula de sumacin:
6.4.6.2 Observacin
En la distribucin geomtrica el conjunto de posibles valores que puede tomar la
variable ( ) es infinito numerable, mientras que en la de Bernouilli y en la binomial,
estos eran en nmero finito.
6.4.6.3 Ejemplo
Un matrimonio quiere tener una hija, y por ello deciden tener hijos hasta el nacimiento
de una hija. Calcular el nmero esperado de hijos (entre varones y hembras) que tendr
el matrimonio. Calcular la probabilidad de que la pareja acabe teniendo tres hijos o ms.
Solucin: Este es un ejemplo de variable geomtrica. Vamos a suponer que la
probabilidad de tener un hijo varn es la misma que la de tener una hija hembra. Sea X
la v.a.
Es claro que
, por tanto el
6.4.6.4 Observacin
La distribucin exponencial tambin puede ser definida como el nmero de pruebas
realizadas hasta la obtencin del primer xito (como hubiese sido ms adecuado en el
ejemplo anterior). En este caso es un ejercicio sencillo comprobar que X slo puede
tomar valores naturales mayores o iguales a 1, y que:
Es decir,
. Su ley de
6.4.8.1 Ejemplo
Para tratar a un paciente de una afeccin de pulmn han de ser operados en operaciones
independientes sus 5 lbulos pulmonares. La tcnica a utilizar es tal que si todo va bien,
lo que ocurre con probabilidad de 7/11, el lbulo queda definitivamente sano, pero si no
es as se deber esperar el tiempo suficiente para intentarlo posteriormente de nuevo. Se
practicar la ciruga hasta que 4 de sus 5lbulos funcionen correctamente. Cul es el
valor esperado de intervenciones que se espera que deba padecer el paciente? Cul es
la probabilidad de que se necesiten 10 intervenciones?
Solucin: Este es un ejemplo claro de experimento aleatorio regido por una ley
binomial negativa, ya que se realizan intervenciones hasta que se obtengan 4 lbulos
sanos, y ste es el criterio que se utiliza para detener el proceso. Identificando los
parmetros se tiene:
Luego
6.4.8.2 Observacin
La distribucin binomial negativa tambin se puede definir como el nmero de pruebas
hasta la aparicin de r xitos. Como el nmero de pruebas contabiliza tanto los xitos
como los fracasos se tendra segn sta definicin que
En lugar de usar como dato D es posible que tengamos la proporcin existente, p, entre
el nmero total de oros y el nmero de cartas de la baraja
Este ejemplo sirve para representar el tipo de fenmenos que siguen una ley de
distribucin hipergeomtrica. Diremos en general que una v.a. X sigue una distribucin
hipergeomtrica de parmetros, N, n y p, lo que representamos del modo
, si su funcin de probabilidad es
6.4.10.1 Observacin
Cuando el tamao de la poblacin (N) es muy grande, la ley hipergeomtrica tiende a
aproximarse a la binomial:
Este tipo de leyes se aplican a sucesos con probabilidad muy baja de ocurrir,
obtenindose como la distribucin lmite de una sucesin de variable binomiales,
, donde
,y
(por tanto
).
es
6.4.12.1 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 ms de 3 personas con
dicha enfermedad. Calcular el nmero esperado de habitantes que la padecen.
Solucin: Si consideramos la v.a. X que contabiliza el nmero 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
. Como
Por ejemplo
lo
la funcin de distribucin de
es:
La funcin caracterstica es
Como esta distribucin es muy simple, vamos a calcular sus momentos ms usuales
directamente a partir de la definicin, en lugar de usar la funcin caracterstica:
Nos interesa saber el tiempo hasta que ocurre determinado evento, sabiendo que,
el tiempo que pueda ocurrir desde cualquier instante dado t, hasta que ello ocurra
en un instante tf, no depende del tiempo transcurrido anteriormente en el que no
ha pasado nada.
6.8.4.1 Ejemplo
En un experimento de laboratorio se utilizan 10 gramos de
. Sabiendo que la
duracin media de un tomo de esta materia es de 140 das, cuantos idas transcurrirn
hasta que haya desaparecido el
de este material?
es una v.a. de
6.8.4.2 Ejemplo
Se ha comprobado que el tiempo de vida de cierto tipo de marcapasos sigue una
distribucin exponencial con media de 16 aos. Cul es la probabilidad de que a una
persona a la que se le ha implantado este marcapasos se le deba reimplantar otro antes
de 20 aos? Si el marcapasos lleva funcionando correctamente 5 aos en un paciente,
cul es la probabilidad de que haya que cambiarlo antes de
aos?
Entonces
En segundo lugar
o sea, en la duracin que se espera que tenga el objeto, no influye en nada el tiempo que
en la actualidad lleva funcionando. Es por ello que se dice que ``la distribucin
exponencial no tiene memoria".
6.8.6.1 Observacin
6.4
, lo que
Figura: Campana de Gauss o funcin de densidad de una v.a. de distribucin normal. El rea contenida
entre la grfica y el eje de abcisas vale 1.
Para el lector es un ejercicio interesante comprobar que sta alcanza un nico mximo
(moda) en
,y
, ya que
6.8.6.2 Observacin
Como se ha mencionado anteriormente, la ley de probabilidad gaussiana la encontramos
en la mayora de los fenmenos que observamos en la naturaleza, por ello gran parte de
lo que resta del curso lo vamos a dedicar a su estudio y a el de las distribuciones
asociadas a ella. Sin embargo, a pesar de su utilidad, hay que apuntar un hecho negativo
para esta ley de probabilidad:
La funcin
Las consecuencias desde el punto de vista prctico son importantes, ya que eso impide
el que podamos escribir de modo sencillo la funcin de distribucin de la normal, y nos
tenemos que limitar a decir que:
sin poder hacer uso de ninguna expresin que la simplifique. Afortunadamente esto no
impide que para un valor de xfijo, F(x) pueda ser calculado. De hecho puede ser
calculado con tanta precisin (decimales) como se quiera, pero para esto se necesita usar
tcnicas de clculo numrico y ordenadores. Para la utilizacin en problemas prcticos
de la funcin de distribucin F, existen ciertas tablas donde se ofrecen (con varios
decimales de precisin) los valores F(x) para una serie limitada de valores xi dados.
Normalmente F se encuentra tabulada para una distribucin Z, normal de media 0 y
varianza 1 que se denomina distribucin normal tipificada:
. Entonces
, se obtiene Z
, y nos interesa
1.
Hacemos el cambio
y calculamos
2.
Usamos la tabla 3, relativa a la distribucin
aproximado)
3.
Como
6.8.6.4 Ejemplo
Supongamos que cierto fenmeno pueda ser representado mediante una v.a.
, y queremos calcular la probabilidad de que Xtome un valor entre 39 y
48, es decir,
de modo que
Vamos ahora a demostrar algunas de las propiedades de la ley gaussiana que hemos
mencionado anteriormente.
6.8.6.5 Proposicin
Sea
. Entonces
Demostracin
Por ser la normal una ley de probabilidad se tiene que
es decir, esa integral es constante. Con lo cual, derivando la expresin anterior con
respecto a
se obtiene el valor 0:
luego
Luego
y calculamos
Como
aunque en realidad esta no da resultados muy precisos a menos que realmente nsea un
valor muy grande o
6.8.6.7 Ejemplo
cuya media es
y su varianza es
. Realizar los clculos
con la ley binomial es muy engorroso, ya que intervienen nmeros combinatorios de
gran tamao, y potencias muy elevadas. Por ello utilizamos la aproximacin normal de
X, teniendo en cuenta que se verifican las condiciones necesarias para que el error sea
aceptable:
Dada la dificultad numrica para calcular esa cantidad, y como la distribucin binomial
no est habitualmente tabulada hasta valores tan altos, vamos a utilizar su aproximacin
normal, XN. Pero hay que prestar atencin al hecho de que XN es una v.a. continua, y por
tanto la probabilidad de cualquier punto es cero. En particular,
6.8.6.8 Ejemplo
Segn un estudio, la altura de los varones de cierta ciudad es una v.a. X, que podemos
considerar que se distribuye segn una ley gaussiana de valor esperado
y
desviacin tpica
. Dar un intervalo para el que tengamos asegurado que el
de los habitantes de la ciudad estn comprendidos en l.
donde
) y se obtiene
Por tanto podemos decir que la mitad de la poblacin tiene una altura inferior a
. Este resultado era de esperar, ya que en la distribucin es
simtrica y habr una mitad de individuos con un peso inferior a la media y otro
con un peso superior (figura 6.12). Esto puede escribirse como:
El
Figura: Intervalo donde tenemos asegurado que el 50% de la poblacin tiene un peso comprendido en l.
Como se observa, no es un tamao ptimo, en el sentido de que el intervalo es demasiado grande (longitud
infinita a la izquierda).
2.
Anlogamente podemos considerar el percentil 50, y tomar como intervalo
aquellos pesos que lo superan. Por las mismas razones que en el problema
anterior, podremos decir:
El
3.
Los anteriores intervalos, an dando un resultado correcto, no son satisfactorios
en el sentido de que son muy grandes, y no tienen en cuenta la simetra de la
distribucin normal para tomar un intervalo cuyo centro sea . Vamos a utilizar
entonces otra tcnica que nos permita calcular el intervalo centrado en la media,
y que adems ser el ms pequeo posible que contenga al
de la poblacin.
Figura: Intervalo donde tenemos asegurado que el 50% de la poblacin tiene un peso comprendido en l.
En este caso el intervalo es ms pequeo que el anterior y est centrado en
donde
Anlogamente se calculara
donde
En conclusin:
El
de la poblacin tiene un peso comprendido en el intervalo
[168,25,181,75].
De entre los tres intervalos que se han calculado el que tiene ms inters es el ltimo, ya
que es simtrico con respecto a la media, y es el ms pequeo de todos los posibles
(ms preciso). Este ejemplo es en realidad una introduccin a unas tcnicas de
inferencia estadstica que trataremos posteriormente, conocidas con el nombre de
``estimacin confidencial'' o ``clculo de intervalos de confianza''.
6.8.8 Distribucin
, la v.a. X=Z2 se distribuye segn una ley de
Los percentiles de esta distribucin que aparecen con ms frecuencia en la prctica los
podemos encontrar en la tabla 5.
En consecuencia, si tenemos
, se tiene
6.8.8.1 Observacin
La ley de distribucin
muestra su importancia cuando queremos determinar la
variabilidad (sin signo) de cantidades que se distribuyen en torno a un valor central
siguiendo un mecanismo normal. Como ilustracin tenemos el siguiente ejemplo:
6.8.8.2 Ejemplo
Un instrumento para medir el nivel de glucemia en sangre, ofrece resultados bastantes
aproximados con la realidad, aunque existe cierta cantidad de error que se distribuye
de modo normal con media 0 y desviacin tpica
.
De este modo, el valor esperado para E1 es 0, es decir, que los errores ei van a tender a
compensarse entre unos pacientes y otros. Obsrvese que si
no fuese conocido a
grados de libertad,
donde
,
v.a. independientes
a la de una v.a. T,
La funcin de densidad de
es
Para calcular
v.a.
y as
y para ello, como en todas las distribuciones asociadas a la normal, disponemos de una
tabla (la nmero 6) donde encontrar aproximaciones a esas cantidades
6.10 Problemas
Ejercicio 6..1. Para estudiar la regulacin hormonal de una lnea metablica se inyectan
ratas albinas con un frmaco que inhibe la sntesis de protenas del organismo. En
general, 4 de cada 20 ratas mueren a causa del frmaco antes de que el experimento
haya concluido. Si se trata a 10 animales con el frmaco, cul es la probabilidad de que
al menos 8 lleguen vivas al final del experimento?
Ejercicio 6..2. En una cierta poblacin se ha observado un nmero medio anual de
muertes por cncer de pulmn de 12. Si el nmero de muertes causadas por la
enfermedad sigue una distribucin de Poisson, cul es la probabilidad de que durante
el ao en curso:
1.
Haya exactamente 10 muertes por cncer de pulmn?
2.
15 o ms personas mueran a causa de la enfermedad?
3.
10 o menos personas mueran a causa de la enfermedad?
Ejercicio 6..3. Daando los cromosomas del vulo o del espermatozoide, pueden
causarse mutaciones que conducen a abortos, defectos de nacimiento, u otras
deficiencias genticas. La probabilidad de que tal mutacin se produzca por radiacin es
del 10%. De las siguientes 150 mutaciones causadas por cromosomas daados, cuntas
se esperara que se debiesen a radiaciones? Cul es la probabilidad de que solamente
10 se debiesen a radiaciones?
Ejercicio 6..4. Entre los diabticos, el nivel de glucosa en sangre X, en ayunas, puede
suponerse de distribucin aproximadamente normal, con media 106 mg/100 ml y
desviacin tpica 8 mg/100 ml, es decir
1.
Hallar
2.
Qu porcentaje de diabticos tienen niveles comprendidos entre 90 y 120 ?
3.
Hallar
4.
Hallar
5.
Hallar el punto x caracterizado por la propiedad de que el 25% de todos los
diabticos tiene un nivel de glucosa en ayunas inferior o igual a x.
Ejercicio 6..5. Una prueba de laboratorio para detectar herona en sangre tiene un 92%
de precisin. Si se analizan 72 muestras en un mes, cul es la probabilidad de que:
1.
60 o menos estn correctamente evaluadas?
2.
menos de 60 estn correctamente evaluadas?
3.
exactamente 60 estn correctamente evaluadas?
Ejercicio 6..6. El 10% de las personas tiene algn tipo de alergia. Se seleccionan
aleatoriamente 100 individuos y se les entrevista. Hallar la probabilidad de que, al
menos, 12 tengan algn tipo de alergia. Hallar la probabilidad de que, como mximo, 8
sean alrgicos a algo.
Ejercicio 6..7. La probabilidad de muerte resultante del uso de pldoras anticonceptivas
es de 3/100.000. De 1.000.000 de mujeres que utilizan este medio de control de
natalidad:
1.
Cuntas muertes debidas a esta causa se esperan?
2.
Cul es la probabilidad de que haya, como mximo, 25 de estas muertes?
3.
Cul es la probabilidad de que el nmero de muertes debidas a esta causa est
entre 25 y 35, inclusive?
Ejercicio 6..8. La probabilidad de presentar una caracterstica gentica es de 1/20.
1.
Tomando una muestra de 8 individuos, calcular la probabilidad de que 3
individuos presenten la caracterstica.
2.
Tomando una muestra de 80 personas, cul ser la probabilidad de que
aparezcan ms de 5 individuos con la caracterstica?
Ejercicio 6..9. Se supone que en una cierta poblacin humana el ndice ceflico i,
(cociente entre el dimetro transversal y el longitudinal expresado en tanto por ciento),
se distribuye segn una Normal. El 58% de los habitantes son dolicocfalos (i
75), el
38% son mesocfalos (75 < i 80) y el 4% son braquicfalos (i > 80). Hllese la media
y la desviacin tpica del ndice ceflico en esa poblacin.
Ejercicio 6..10. Se supone que la glucemia basal en individuos sanos, Xs sigue una
distribucin