Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
5.1)
INTRODUCCIN.
5.2)
MODELO UNIFORME.
5.3)
MODELO BERNOULLI.
5.4)
MODELO BINOMIAL.
5.5)
MODELO GEOMTRICO.
5.6)
MODELO HIPERGEOMTRICO.
5.7)
MODELO POISSON.
5.8)
PROBLEMAS PROPUESTOS.
Pgina 5-1
5.1)
INTRODUCCIN.
La definicin de variable aleatoria dada en el Captulo 3 ha permitido el uso de un
lenguaje comn que ayuda a entender de una forma sistemtica los experimentos
aleatorios. En la medida en que se analizan distintos tipos de experimentos
aleatorios se comienza a notar que el comportamiento de muchos de ellos es
bastante similar entre s. Comienzan a repetirse caractersticas de una variable
aleatoria a otra lo que conlleva a continuar la sistematizacin del anlisis al verificar
esas caractersticas comunes. Este anlisis lleva a definir modelos probabilsticos
particulares que permiten explicar fenmenos aleatorios que tienen un
comportamiento similar entre s.
En este captulo se analizarn los modelos probabilsticos discretos ms comunes y
de mayor aplicacin prctica. Para algunos de ellos el lector debe notar que en los
captulos 3 y 4 se desarrollaron algunas de sus caractersticas como lo son las
funciones de distribucin, densidad y probabilidad, y los valores esperados ms
comunes.
5.2)
MODELO UNIFORME.
Al analizar un experimento aleatorio en el cual el espacio muestral es un conjunto
discreto y finito (Definicin 2.3) y utilizar la definicin clsica de probabilidades
(Definicin 2.16) para el proceso de asignacin de probabilidades a los eventos
elementales, se concluye que todos ellos tienen igual probabilidad dada por el
inverso del nmero de eventos elementales. Esta es la base de la definicin de un
modelo uniforme discreto.
Definicin 5.1: El modelo uniforme discreto es una variable aleatoria donde
todos sus valores tienen igual probabilidad de ocurrencia.
Pgina 5-2
P(UD(n) = k ) =
1
, para k = 1,2,..., n
n
(ec. 5.2)
k
k
1
FX ( x ) = U ( x k ) = U ( x k ), si k x < k + 1, k = 1,2,..., n 1 (ec. 5.3)
n
i =1 n
1,
si x n
1
( x k ), si k=1,2 ,....,n
f X ( x) = n
(ec. 5.4)
1
, si k=1,2 ,....,n
p X (k ) = n
0, en cualquier otro caso
(ec. 5.5)
Valor Esperado
Varianza
n +1
2
n2 1
12
Funcin Generadora
de Momentos
1 e nt
ne t (1 e t )
Funcin
Caracterstica
1 e njw
ne jw (1 e jw )
Pgina 5-3
5.3)
MODELO BERNOULLI.
Considere una Prueba de Bernoulli (Definicin 2.27 del Captulo 2). En este
experimento aleatorio se le asigna al evento no ocurre el evento A el valor cero y
al evento ocurre el evento A el valor uno. La variable aleatoria as definida se
conoce como modelo Bernoulli.
Definicin 5.2: El modelo Bernoulli es una variable aleatoria que se define
alrededor de una Prueba de Bernoulli.
(S = { A, A} / X ( A) = 1, X ( A ) = 0)
(ec. 5.6)
P( B( p) = k ) = p k (1 p) (1 k ) , para k = 0,1
(ec. 5.7)
FX ( x ) = 1 p, si 0 x < 1
1,
si x 1
(ec. 5.8)
p k (1 p) (1 k ) ( x k ), si k=0,1
f X ( x) =
0, en cualquier otro caso
(ec. 5.9)
Pgina 5-4
p k (1 p) (1 k ) , si k=0,1
p X (k ) =
0, en cualquier otro caso
(ec. 5.10)
Valor Esperado
Varianza
(1-p)p
Funcin Generadora
de Momentos
1 p + pet
Funcin
Caracterstica
1 p + pejw
Pgina 5-5
5.4)
MODELO BINOMIAL.
Al realizar n repeticiones independientes de una Prueba de Bernoulli con parmetro
p se genera un tipo de experimento conocido como experimento Binomial
(Definicin 2.29 del Captulo 2). En este experimento el inters est en el nmero de
veces que ocurre el evento A. Ese valor define la variable aleatoria Binomial.
Definicin 5.3: El modelo Binomial es una variable aleatoria que se define como
el nmero de veces que ocurre el evento A en n repeticiones independientes de una
Prueba de Bernoulli.
(ec. 5.11)
k
n
FX ( x ) = p i (1 p) n i , si k x < k + 1, k = 0,1,...., n 1
i =0 i
1,
si x n
(ec. 5.12)
n k
( n k )
( x k ), si k=0,1,..., n
p (1 p)
f X ( x ) = k
(ec. 5.13)
Pgina 5-6
n k
( n k )
, si k=0,1,..., n
p (1 p)
p X ( k ) = k
0, en cualquier otro caso
(ec. 5.14)
Valor Esperado
Varianza
np
n(1-p)p
Funcin Generadora
de Momentos
(1 p + pet)n
Funcin
Caracterstica
(1 p + pejw)n
Pgina 5-7
5.5)
MODELO GEOMTRICO.
En el marco de repeticiones independientes de Pruebas de Bernoulli con parmetro
p se define otro tipo de experimento como el nmero de pruebas necesarias hasta
conseguir que ocurra el evento A por primera vez. Este experimento se denomina
experimento Geomtrico (Definicin 2.28) y define una variable aleatoria
Geomtrica.
Definicin 5.4: El modelo Geomtrico es una variable aleatoria que se define
como el nmero de repeticiones independientes de una Prueba de Bernoulli hasta
que ocurre el evento A.
(ec. 5.15)
Pgina 5-8
0,
si x < 1
k
FX ( x ) =
i 1
p(1 p) , si k x < k + 1, k = 1,2,....
i =0
(ec. 5.16)
p(1 p) k 1 ( x k ), si k=1,2,...
f X ( x) =
0, en cualquier otro caso
(ec. 5.17)
p(1 p) k 1 , si k=1,2,....
p X (k ) =
0, en cualquier otro caso
(ec. 5.18)
Valor Esperado
Varianza
1
p
1 p
p2
Funcin Generadora
de Momentos
pe t
1 (1 p)e t
Funcin
Caracterstica
pe jw
1 (1 p)e jw
Pgina 5-9
A+ R
A + R
31
AR 2
( A + R) 3
k =4
k =1
5.6)
MODELO HIPERGEOMTRICO.
Considere una caja con R pelotas rojas y A pelotas amarillas y un muestreo sin
reposicin (MSR) de tamao n de esa caja. Defina una variable aleatoria como el
nmero de pelotas amarillas en la muestra de n pelotas. La variable as definida es
una Binomial?.
Para analizar la pregunta se deben recordar las definiciones 2.19 y 2.20 del Captulo
2 que aclaran la diferencia entre muestreo con reposicin y sin reposicin.
En el primer caso la reposicin de la pelota extrada restablece el espacio muestral
por lo que la probabilidad de extraer cada color de pelota no vara de una extraccin
a otra y la condicin de Pruebas de Bernoulli independientes se cumple por lo que la
variable as definida sera una Binomial.
Pero esas no son exactamente las condiciones de la pregunta efectuada. El muestreo
sin reposicin altera el espacio muestral para las siguientes extracciones por lo que
las Pruebas de Bernoulli que se repiten no son independientes. La respuesta, en
Pgina 5-10
n
i
, para i = 0,1,..., n; i k , n i N k
N
P( H ( N , k , n ) = i ) =
. (ec. 5.19)
0,
en cualquier otro caso.
Como consecuencia de la Ecuacin 5.19, la funcin de distribucin acumulativa de
probabilidades, la funcin de densidad de probabilidades y la funcin de
probabilidad vienen dadas por las ecuaciones 5.20, 5.21 y 5.22, respectivamente.
0,
si x < 0
N k k
j n i i
F X ( x ) =
, si j x < j + 1, j = 0,1,2,..., n
N
=
0
i
1,
si x n
Pgina 5-11
(ec. 5.20)
N k k
n i i ( x i ), si i=0,1,2,.., n, i k , n i N k
N
f X ( x) =
0,
en cualquier otro caso
(ec. 5.21)
N k k
n i i , si i=0,1,2,..., n, i k , n i N k
N
p X (k ) =
0,
en cualquier otro caso
(ec. 5.22)
3!( A + R 3)!
3
Pgina 5-12
3!( A + R 3)!
3!( A + R 3)!
3 3
p=
p=
3 AR( A 1)
A( A 1)( A 2)
+
2( A + R)( A + R 1)( A + R 2) ( A + R)( A + R 1)( A + R 2)
3 AR ( A 1) + 2 A( A 1)( A 2)
A( A 1)( 3R + 2 A 4)
=
2( A + R)( A + R 1)( A + R 2) 2( A + R)( A + R 1)( A + R 2)
Note que los clculos que involucra el modelo Hipergeomtrico se pueden volver
muy engorrosos para valores grandes de sus parmetros.
5.7)
MODELO POISSON.
El lector puede observar que los clculos numricos asociados con la variable
aleatoria Binomial resultan muy laboriosos en la medida que el valor de n aumenta.
Este eventual problema se puede subsanar a travs de un proceso de lmites en el
cual el valor de n tiende a infinito pero el producto np tiende a ser un valor finito
(esto obliga a que p debe tender hacia cero) tal y como se explica en el Ejemplo 2.55
que justifica la Definicin 2.30 de un experimento Poisson a partir de un
experimento Binomial. Esta definicin permite enunciar una nueva variable
aleatoria que describe lo que se conocer con el nombre de modelo Poisson.
Existen varias maneras de justificar la definicin de un modelo Poisson, la anterior
es una de ellas. Otra manera es considerar la observacin de la ocurrencia de un
cierto evento en un intervalo de duracin unitaria; el nmero de veces que ocurre
ese evento en el intervalo tambin se puede considerar como una variable aleatoria
Poisson. Esta explicacin lleva implcitas una serie de restricciones que en este
momento se obviarn pero que saldrn a colacin en captulos posteriores.
En atencin a las dos maneras de justificar el modelo Poisson se dan las dos
definiciones siguientes.
Pgina 5-13
Definicin 5.6: El modelo Poisson es una variable aleatoria que se puede definir
como un proceso de lmites en un Experimento Binomial para n muy grande (n)
y p muy pequeo (p0) tal que el producto np tiende a ser un valor finito m.
Definicin 5.7: El modelo Poisson es una variable aleatoria que se puede definir
como el nmero de veces que ocurre un cierto evento A en un intervalo de tiempo
de duracin unitaria.
, para k = 0,1,...,
P( P(m) = k ) = k !
.
0,
en cualquier otro caso.
(ec. 5.23)
k i m
FX ( x ) = m e
i ! , si k x < k + 1, k = 0,1,2,..
i =0
(ec. 5.24)
mk e m
( x k ), si k=0,1,2,..
f X ( x) = k !
0,
en cualquier otro caso
(ec. 5.25)
Pgina 5-14
mk e m
, si k=0,1,2,...
p X (k ) = k !
0,
en cualquier otro caso
(ec. 5.26)
Valor Esperado
Varianza
Funcin Generadora
de Momentos
e m( e 1)
Funcin
Caracterstica
e m( e
jw
1)
i =0
i =0
p = p X (i ) =
m2 m3
mi e m
= e m 1 + m +
+
= 0.4335
i!
2
6
= e m = 01353
.
i =0
Pgina 5-15