Dsitribucion de Probabilidades - Cesar

ESTADISTICA
Distribucin de Probabilidad
Utilizando Mathematica
Cesar Carrasco Bocangel
2012
Dr(c) Csar Carrasco Bocangel
Distribucin de Probabilidad

CLCULO DE PROBABILIDADES
Conceptos generales
Uno de los objetivos de la estadstica es el conocimiento cuantitativo de una determinada parcela de la
realidad. Para ello, es necesario construir un modelo de esta realidad particular objeto de estudio,
partiendo de la premisa de que lo real es siempre ms complejo y multiforme que cualquier
modelo que se pueda construir. De todas formas, la formulacin de modelos aceptados por las institu-
ciones responsables y por los usuarios, permite obviar la existencia del error o distancia entre la reali-
dad y el modelo.
Los modelos tericos a los que se hace referencia se reducen en muchos casos a (o incluyen en su
formulacin) funciones de probabilidad. La teora de la probabilidad tiene su origen en el estudio de los
juegos de azar, que impulsaron los primeros estudios sobre clculo de probabilidades en el siglo
XVI, aunque no es hasta el siglo XVIII cuando se aborda la probabilidad desde una perspectiva
matemtica con la demostracin de la ley dbil de los grandes nmeros segn la cual, al aumentar el
nmero de pruebas, la frecuencia de un suceso tiende a aproximarse a un nmero fijo denominado
probabilidad. Este enfoque, denominado enfoque frecuentista, se modela matemticamente en el
siglo XX cuando Kolmogorov formula la teora axiomtica de la probabilidad1. Dicha teora
define la probabilidad como una funcin que asigna a cada posible resultado de un experimento aleato-
rio un valor no negativo, de forma que se cumpla la propiedad aditiva. La definicin axiomtica
establece las reglas que deben cumplir las probabilidades, aunque no asigna valores concretos.
Uno de los conceptos ms importantes de la teora de probabilidades es el de variable aleatoria que,
intuitivamente, puede definirse como cualquier caracterstica medible que toma diferentes valores
con probabilidades determinadas. Toda variable aleatoria posee una distribucin de probabilidad que
describe su comportamiento (vale decir, que desagrega el 1 a lo largo de los valores posibles de la
variable). Si la variable es discreta, es decir, si toma valores aislados dentro de un intervalo, su distribu-
cin de probabilidad especifica todos los valores posibles de la variable junto con la probabilidad de
que cada uno ocurra. En el caso continuo, es decir, cuando la variable puede tomar cualquier
valor de un intervalo, la distribucin de probabilidad permite determinar las probabilidades correspon-
dientes a con subintervalos de valores. Una forma usual de describir la distribucin de probabilidad de
una variable aleatoria es mediante la denominada funcin de densidad, en tanto que lo que se conoce
como funcin de distribucin representa las probabilidades acumuladas2-7.
Una de las preocupaciones de los cientficos ha sido construir modelos de distribuciones de probabili-
dad que pudieran representar el comportamiento terico de diferentes fenmenos aleatorios que
aparecan en el mundo real. La pretensin de modelar lo observable ha constituido siempre una
necesidad bsica para el cientfico emprico, dado que a travs de esas construcciones tericas, los
modelos, poda experimentar sobre aquello que la realidad no le permita. Por otra parte, un mod-
elo resulta extremadamente til, siempre que se corresponda con la realidad que pretende represen-
tar o predecir, de manera que ponga de relieve las propiedades ms importantes del mundo que nos
rodea, aunque sea a costa de la simplificacin que implica todo modelo.
En la prctica hay unas cuantas leyes de probabilidad tericas, como son, por ejemplo, la ley binomial o
la de Poisson para variables discretas o la ley normal para variables continuas, que sirven de modelo
para representar las distribuciones empricas ms frecuentes.
As, por ejemplo, la variable talla de un recin nacido puede tener valores entre 47 cm y 53 cm, pero
no todos los valores tienen la misma probabilidad, porque las ms frecuentes son las tallas prximas a
los 50 cm. En este caso la ley normal se adapta satisfactoriamente a la distribucin de probabilidad
emprica, que se obtendra con una muestra grande de casos.
2 | Distribicin de Probabilidad con Mathematica
CLCULO DE PROBABILIDADES
Conceptos generales
Uno de los objetivos de la estadstica es el conocimiento cuantitativo de una determinada parcela de la
realidad. Para ello, es necesario construir un modelo de esta realidad particular objeto de estudio,
partiendo de la premisa de que lo real es siempre ms complejo y multiforme que cualquier
modelo que se pueda construir. De todas formas, la formulacin de modelos aceptados por las institu-
ciones responsables y por los usuarios, permite obviar la existencia del error o distancia entre la reali-
dad y el modelo.
Los modelos tericos a los que se hace referencia se reducen en muchos casos a (o incluyen en su
formulacin) funciones de probabilidad. La teora de la probabilidad tiene su origen en el estudio de los
juegos de azar, que impulsaron los primeros estudios sobre clculo de probabilidades en el siglo
XVI, aunque no es hasta el siglo XVIII cuando se aborda la probabilidad desde una perspectiva
matemtica con la demostracin de la ley dbil de los grandes nmeros segn la cual, al aumentar el
nmero de pruebas, la frecuencia de un suceso tiende a aproximarse a un nmero fijo denominado
probabilidad. Este enfoque, denominado enfoque frecuentista, se modela matemticamente en el
siglo XX cuando Kolmogorov formula la teora axiomtica de la probabilidad1. Dicha teora
define la probabilidad como una funcin que asigna a cada posible resultado de un experimento aleato-
rio un valor no negativo, de forma que se cumpla la propiedad aditiva. La definicin axiomtica
establece las reglas que deben cumplir las probabilidades, aunque no asigna valores concretos.
Uno de los conceptos ms importantes de la teora de probabilidades es el de variable aleatoria que,
intuitivamente, puede definirse como cualquier caracterstica medible que toma diferentes valores
con probabilidades determinadas. Toda variable aleatoria posee una distribucin de probabilidad que
describe su comportamiento (vale decir, que desagrega el 1 a lo largo de los valores posibles de la
variable). Si la variable es discreta, es decir, si toma valores aislados dentro de un intervalo, su distribu-
cin de probabilidad especifica todos los valores posibles de la variable junto con la probabilidad de
que cada uno ocurra. En el caso continuo, es decir, cuando la variable puede tomar cualquier
valor de un intervalo, la distribucin de probabilidad permite determinar las probabilidades correspon-
dientes a con subintervalos de valores. Una forma usual de describir la distribucin de probabilidad de
una variable aleatoria es mediante la denominada funcin de densidad, en tanto que lo que se conoce
como funcin de distribucin representa las probabilidades acumuladas2-7.
Una de las preocupaciones de los cientficos ha sido construir modelos de distribuciones de probabili-
dad que pudieran representar el comportamiento terico de diferentes fenmenos aleatorios que
aparecan en el mundo real. La pretensin de modelar lo observable ha constituido siempre una
necesidad bsica para el cientfico emprico, dado que a travs de esas construcciones tericas, los
modelos, poda experimentar sobre aquello que la realidad no le permita. Por otra parte, un mod-
elo resulta extremadamente til, siempre que se corresponda con la realidad que pretende represen-
tar o predecir, de manera que ponga de relieve las propiedades ms importantes del mundo que nos
rodea, aunque sea a costa de la simplificacin que implica todo modelo.
En la prctica hay unas cuantas leyes de probabilidad tericas, como son, por ejemplo, la ley binomial o
la de Poisson para variables discretas o la ley normal para variables continuas, que sirven de modelo
para representar las distribuciones empricas ms frecuentes.
As, por ejemplo, la variable talla de un recin nacido puede tener valores entre 47 cm y 53 cm, pero
no todos los valores tienen la misma probabilidad, porque las ms frecuentes son las tallas prximas a
los 50 cm. En este caso la ley normal se adapta satisfactoriamente a la distribucin de probabilidad
emprica, que se obtendra con una muestra grande de casos.
Distribucin de Bernoulli
Experimento de Bernoulli: solo son posibles dos resultados: xito o fracaso. Podemos definir una
variable aleatoria discreta X tal que:
xito 1
fracaso 0
Si la probabilidad de xito es p y la de fracaso 1 - p, podemos construir una funcin de probabilidad:
Un tpico experimento de Bernoulli es el lanzamiento de una moneda con probabilidad p para cara y (1-
p) para cruz
PDFBernoulliDistributionp
Functionx
.
.
,
1 - p x
.
.
= 0
p x
.
.
= 1
0 True
, Listable
RandomVariateBernoulliDistribution0.3, 10
{0, 1, 0, 1, 1, 0, 0, 0, 0, 1]
MeanBernoulliDistributionp
p
VarianceBernoulliDistributionp
(1 - p) p
Distribucin de Probabilidad con Mathematica| 3
DiscretePlotTablePDFBernoulliDistributionp, x,
p, 0.3, 0.5, 0.7, 0.9, x, 0, 1, AxesOrigin 12, 0,
PlotMarkers Automatic
0.0 0.2 0.4 0.6 0.8 1.0

0.2
0.4
0.6
0.8
Distribucin Binomial
Distribucin Binomial (n,p)
La distribucin binomial es una distribucin discreta muy importante que surge en muchas aplicaciones
bioestadsticas.
Esta distribucin aparece de forma natural al realizar repeticiones independientes de un experimento
que tenga respuesta binaria, generalmente clasificada como xito o fracaso. Por ejemplo, esa
respuesta puede ser el hbito de fumar (s/no), si un paciente hospitalizado desarrolla o no una infec-
cin, o si un artculo de un lote es o no defectuoso. La variable discreta que cuenta el nmero de xitos
en n pruebas independientes de ese experimento, cada una de ellas con la misma probabilidad de
xito igual a p, sigue una distribucin binomial de parmetros n y p. Este modelo se aplica a pobla-
ciones finitas de las que se toma elementos al azar con reemplazo, y tambin a poblaciones conceptual-
mente infinitas, como por ejemplo las piezas que produce una mquina, siempre que el proceso de
produccin sea estable (la proporcin de piezas defectuosas se mantiene constante a largo plazo) y sin
memoria (el resultado de cada pieza no depende de las anteriores).
Un ejemplo de variable binomial puede ser el nmero de pacientes ingresados en una unidad
hospitalaria que desarrollan una infeccin nosocomial.
Un caso particular se tiene cuando n=1, que da lugar a la distribucin de Bernoulli.
Valores:
x: 0, 1, 2, ..., n
Parmetros:
n: nmero de pruebas, n > 0 entero
p: probabilidad de xito, 0 < p < 1
Tablero de Galton o quincunx
Sir Francis Galton (1822-1911)
Distribucin Binomial (n,p)
La distribucin binomial es una distribucin discreta muy importante que surge en muchas aplicaciones
bioestadsticas.
Esta distribucin aparece de forma natural al realizar repeticiones independientes de un experimento
que tenga respuesta binaria, generalmente clasificada como xito o fracaso. Por ejemplo, esa
respuesta puede ser el hbito de fumar (s/no), si un paciente hospitalizado desarrolla o no una infec-
cin, o si un artculo de un lote es o no defectuoso. La variable discreta que cuenta el nmero de xitos
en n pruebas independientes de ese experimento, cada una de ellas con la misma probabilidad de
xito igual a p, sigue una distribucin binomial de parmetros n y p. Este modelo se aplica a pobla-
ciones finitas de las que se toma elementos al azar con reemplazo, y tambin a poblaciones conceptual-
mente infinitas, como por ejemplo las piezas que produce una mquina, siempre que el proceso de
produccin sea estable (la proporcin de piezas defectuosas se mantiene constante a largo plazo) y sin
memoria (el resultado de cada pieza no depende de las anteriores).
Un ejemplo de variable binomial puede ser el nmero de pacientes ingresados en una unidad
hospitalaria que desarrollan una infeccin nosocomial.
Un caso particular se tiene cuando n=1, que da lugar a la distribucin de Bernoulli.
Valores:
x: 0, 1, 2, ..., n
Parmetros:
n: nmero de pruebas, n > 0 entero
p: probabilidad de xito, 0 < p < 1
Tablero de Galton o quincunx
Sir Francis Galton (1822-1911)
PDFBinomialDistributionn, p
Functionx
.
.
,
(1 - p)
-x
.
.
+n
p
x
.
.
Binomial[n, x
.
.
] 0 x
.
.
n
0 True
, Listable
RandomVariateBinomialDistribution5, 0.3, 10
{2, 3, 0, 2, 1, 1, 1, 2, 1, 1]
MeanBinomialDistributionn, p
n p
VarianceBinomialDistributionn, p
n (1 - p) p
DiscretePlot
EvaluateTablePDFBinomialDistribution40, p, k,
p, 0.1, 0.5, 0.7, k, 36, PlotRange All,
5 10 15 20 25 30 35
0.05
0.10
0.15
0.20
Ejemplo Demostrativo

Cul es la probabilidad de que en una familia de 4 hijos exactamente 2 sean nias?
Probabilityx 2, x BinomialDistribution4, 0.5
0.375
Distribucin Multinomial
Cuando hay ms de dos acontecimientos posibles (A1, A2, A3 ...) con probabilidades p1 , p2 , p3 ...
constantes y tales que:
PDFMultinomialDistributionn, p
1
, p
2
, x, y
Binomial[n, y] p
1
x
p
2
y
x + y = n && x ~ 0 && y ~ 0
0 True
RandomVariateMultinomialDistribution5, 0.1, 0.7, 0.2,
10
{{0, 4, 1], {1, 4, 0], {0, 2, 3], {0, 5, 0], {0, 5, 0],
{0, 4, 1], {1, 2, 2], {1, 3, 1], {0, 5, 0], {0, 3, 2]]
Probabilityx
1
0 && x
2
0 && x
3
0,
x
1
, x
2
, x
3
MultinomialDistribution5, 13, 13, 13
Probabilityx
2
> 0 && x
3
> 0,
{3, x
2
, x
3
] MultinomialDistribution5,
1
3
,
1
3
,
1
3
MeanMultinomialDistributionn, p
1
, p
2
{n p
1
, n p
2
]
VarianceMultinomialDistributionn, p
1
, p
2
{n (1 - p
1
) p
1
, n (1 - p
2
) p
2
]

Un mtodo de diagnstico tiene 3 resultados posibles: positivo (P), negativo (N) y dudoso (D). Se sabe
que, en la poblacin, el 10% de los sujetos son positivos, el 70% negativos y el resto dudosos. Qu
probabilidad hay de, en una muestra de 5 individuos, obtener exactamente 1 positivo, 1 negativo y 3
dudosos ?
Probabilityx
1
1 && x
2
1 && x
3
3,
x
1
, x
2
, x
3
MultinomialDistribution5, 0.10, 0.70, 0.20
0.0112
Distribucin Geomtrica
Supngase, que se efecta repetidamente un experimento o prueba, que las repeticiones son independi-
entes y que se est interesado en la ocurrencia o no de un suceso al que se refiere como xito, siendo
la probabilidad de este suceso p. La distribucin geomtrica permite calcular la probabilidad de que
tenga que realizarse un nmero k de repeticiones hasta obtener un xito por primera vez. As pues, se
diferencia de la distribucin binomial en que el nmero de repeticiones no est predeterminado, sino
que es la variable aleatoria que se mide y, por otra parte, el conjunto de valores posibles de la variable
es ilimitado.
Supngase, que se efecta repetidamente un experimento o prueba, que las repeticiones son independi-
entes y que se est interesado en la ocurrencia o no de un suceso al que se refiere como xito, siendo
la probabilidad de este suceso p. La distribucin geomtrica permite calcular la probabilidad de que
tenga que realizarse un nmero k de repeticiones hasta obtener un xito por primera vez. As pues, se
diferencia de la distribucin binomial en que el nmero de repeticiones no est predeterminado, sino
que es la variable aleatoria que se mide y, por otra parte, el conjunto de valores posibles de la variable
es ilimitado.
CDFGeometricDistributionp
Functionx
.
.
,
1 - (1 - p)
1+Floor[x
.
.
]
x
.
.
~ 0
0 True
, Listable
RandomVariateGeometricDistribution0.3, 10
{6, 0, 0, 0, 0, 1, 0, 0, 2, 1]
data RandomVariateGeometricDistribution0.3, 10 000;
Show
Histogramdata, 0.5, 40.5, 2, "PDF",
DiscretePlotPDF, x, x, 0, 40,
PlotStyle PointSizeMedium
0 10 20 30 40
0.05
0.10
0.15
0.20
0.25
MeanGeometricDistributionp
-1 +
1
p
VarianceGeometricDistributionp
1 - p
p
2

La probabilidad de que una muestra de aire contenga una molcula rara es 0.01. Si se supone que las
muestras son independientes respecto a la presencia de la molcula. Determine cul es la probabilidad
de que sea necesario analizar 125 muestras antes de detectar una molcula rara

La probabilidad de que una muestra de aire contenga una molcula rara es 0.01. Si se supone que las
muestras son independientes respecto a la presencia de la molcula. Determine cul es la probabilidad
de que sea necesario analizar 125 muestras antes de detectar una molcula rara
Probabilityx 125, x GeometricDistribution0.01
0.00284708
Distribucin Binomial Negativa
Puede definirse como una generalizacin del modelo Geomtrico o de Pascal. As, dado un suceso A y
su complementario Ac, cuando X representa el nmero de veces que se da Ac (ausencias, fallos, etc.)
hasta que se produce r veces el suceso A, en una serie de repeticiones de la experiencia aleatoria en
condiciones independientes, decimos que X sigue la distribucin Binomial negativa. Ntese que,
cuando r = 1, tenemos exactamente el modelo geomtrico.
Este modelo queda definido por dos parmetros p (la probabilidad de A: p = P(A)) y r (el nmero de
veces que debe producirse A para que detengamos la experiencia).
La funcin de densidad viene dada por:
donde q representa el complementario de p: q = 1 - p.
Propiedades del modelo Binomial negativo
1) Esperanza: E(X) = r q/p
2) Varianza: V(X) = r q/p2
3) Se cumplen las siguientes propiedades respecto la funcin de densidad:
4) Este modelo se ajusta bien a contajes (nmeros de individuos por unidad de superficie) cuando se
produce una distribucin contagiosa (los individuos tienden a agruparse).
5) La distribucin Binomial negativa puede definirse con mayor generalidad si tomamos r como un
nmero real positivo cualquiera (no necesariamente entero). Pero, en dicho caso, se pierde el carcter
intuitivo del modelo y se complican ligeramente los clculos. Por dichas razones, se ha excluido dicha
posibilidad en esta presentacin.
PDFNegativeBinomialDistributionn, p
Functionx
.
.
,
(1 - p)
x
.
.
p
n
Binomial[-1 + x
.
.
+ n, -1 + n] x
.
.
~ 0
0 True
, Listable
RandomVariateNegativeBinomialDistribution5, 0.3,
10
{15, 12, 7, 38, 20, 3, 37, 5, 15, 4]
MeanNegativeBinomialDistributionn, p
n (1 - p)
p
VarianceNegativeBinomialDistributionn, p
n (1 - p)
p
2
DiscretePlotTablePDFNegativeBinomialDistribution2, p, k,
p, 0.1, 0.2, 0.3, k, 25, PlotMarkers Automatic

5 10 15 20 25
0.02
0.04
0.06
0.08
0.10
0.12

Una aeronave tiene 3 computadoras idnticas. Slo una de ellas se emplea para controlar la nave, las
otras 2 son de reservas por si falla la primera. Durante una hora de operacin la probabilidad de falla
0.0005
Cul es la probabilidad de que las 3 fallen durante un vuelo de 3 horas?
Probabilityx 3, x NegativeBinomialDistribution3, 0.0005
1.24813x10
-9
Distribucin de Poisson
La distribucin de Poisson, que debe su nombre al matemtico francs Simen Denis Poisson
(1781-1840), ya haba sido introducida en 1718 por Abraham De Moivre como una forma lmite de la
distribucin binomial que surge cuando se observa un evento raro despus de un nmero grande de
repeticiones10. En general, la distribucin de Poisson se puede utilizar como una aproximacin de la
binomial, Bin(n, p), si el nmero de pruebas n es grande, pero la probabilidad de xito p es pequea;
una regla es que la aproximacin Poisson-binomial es buena si n 20 y p 0,05 y muy buena si n
100 y p 0,01.
La distribucin de Poisson tambin surge cuando un evento o suceso raro ocurre aleatoria-
mente en el espacio o el tiempo. La variable asociada es el nmero de ocurrencias del evento en un
intervalo o espacio continuo, por tanto, es una variable aleatoria discreta que toma valores enteros de 0
en adelante (0, 1, 2,...). As, el nmero de pacientes que llegan a un consultorio en un lapso dado, el
nmero de llamadas que recibe un servicio de atencin a urgencias durante 1 hora, el nmero de clulas
anormales en una superficie histolgica o el nmero de glbulos blancos en un milmetro cbico de
sangre son ejemplos de variables que siguen una distribucin de Poisson. En general, es una
distribucin muy utilizada en diversas reas de la investigacin mdica y, en particular, en epidemi-
ologa.
El concepto de evento raro o poco frecuente debe ser entendido en el sentido de que la probabilidad
de observar k eventos decrece rpidamente a medida que k aumenta.
Para que una variable recuento siga una distribucin de Poisson deben cumplirse varias condiciones:
1. En un intervalo muy pequeo (p. e. de un milisegundo) la probabilidad de que ocurra un evento es
proporcional al tamao del intervalo.
2. La probabilidad de que ocurran dos o ms eventos en un intervalo muy pequeo es tan reducida
que, a efectos prcticos, se puede considerar nula.
3. El nmero de ocurrencias en un intervalo pequeo no depende de lo que ocurra en cualquier otro
intervalo pequeo que no se solape con aqul.
Estas propiedades pueden resumirse en que el proceso que genera una distribucin de Poisson es
estable (produce, a largo plazo, un nmero medio de sucesos constante por unidad de observacin) y
no tiene memoria (conocer el nmero de sucesos en un intervalo no ayuda a predecir el nmero de
sucesos en el siguiente).
El parmetro de la distribucin, lambda, representa el nmero promedio de eventos esperados
por unidad de tiempo o de espacio, por lo que tambin se suele hablar de lambda como la tasa de
ocurrencia del fenmeno que se observa.
A veces se usan variables de Poisson con intervalos que no son espaciales ni temporales, sino de otro
tipo. Por ejemplo, para medir la frecuencia de una enfermedad se puede contar, en un perodo dado, el
nmero de enfermos en cierta poblacin, dividida en intervalos de, por ejemplo, 10.000 habitantes.
Al nmero de personas enfermas en una poblacin de tamao prefijado, en un instante dado, se le
denomina prevalencia de la enfermedad en ese instante y es una variable que sigue una distribucin
de Poisson. Otra medida para la frecuencia de una enfermedad es la incidencia, que es el nmero de
personas que enferman en una poblacin en un periodo determinado. En este caso, el intervalo es de
personas- tiempo, habitualmente personas-ao, y es tambin una variable con distribucin de Poisson.
Habitualmente, ambas medidas se expresan para intervalos de tamao unidad o, dicho de otro modo, en
lugar de la variable nmero de enfermos, se usa el parmetro lambda (el riesgo, en el caso de la preva-
lencia, y la densidad de incidencia, en el de incidencia).
La distribucin de Poisson tiene iguales la media y la varianza. Si la variacin de los casos observados
en una poblacin excede a la variacin esperada por la Poisson, se est ante la presencia de un prob-
lema conocido como sobredispersin y, en tal caso, la distribucin binomial negativa es ms adecuada.
Valores:
x: 0, 1, 2, ...
Parmetros:
lambda: media de la distribucin, lambda > 0
La distribucin de Poisson, que debe su nombre al matemtico francs Simen Denis Poisson
(1781-1840), ya haba sido introducida en 1718 por Abraham De Moivre como una forma lmite de la
distribucin binomial que surge cuando se observa un evento raro despus de un nmero grande de
repeticiones10. En general, la distribucin de Poisson se puede utilizar como una aproximacin de la
binomial, Bin(n, p), si el nmero de pruebas n es grande, pero la probabilidad de xito p es pequea;
una regla es que la aproximacin Poisson-binomial es buena si n 20 y p 0,05 y muy buena si n
100 y p 0,01.
La distribucin de Poisson tambin surge cuando un evento o suceso raro ocurre aleatoria-
mente en el espacio o el tiempo. La variable asociada es el nmero de ocurrencias del evento en un
intervalo o espacio continuo, por tanto, es una variable aleatoria discreta que toma valores enteros de 0
en adelante (0, 1, 2,...). As, el nmero de pacientes que llegan a un consultorio en un lapso dado, el
nmero de llamadas que recibe un servicio de atencin a urgencias durante 1 hora, el nmero de clulas
anormales en una superficie histolgica o el nmero de glbulos blancos en un milmetro cbico de
sangre son ejemplos de variables que siguen una distribucin de Poisson. En general, es una
distribucin muy utilizada en diversas reas de la investigacin mdica y, en particular, en epidemi-
ologa.
El concepto de evento raro o poco frecuente debe ser entendido en el sentido de que la probabilidad
de observar k eventos decrece rpidamente a medida que k aumenta.
Para que una variable recuento siga una distribucin de Poisson deben cumplirse varias condiciones:
1. En un intervalo muy pequeo (p. e. de un milisegundo) la probabilidad de que ocurra un evento es
proporcional al tamao del intervalo.
2. La probabilidad de que ocurran dos o ms eventos en un intervalo muy pequeo es tan reducida
que, a efectos prcticos, se puede considerar nula.
3. El nmero de ocurrencias en un intervalo pequeo no depende de lo que ocurra en cualquier otro
intervalo pequeo que no se solape con aqul.
Estas propiedades pueden resumirse en que el proceso que genera una distribucin de Poisson es
estable (produce, a largo plazo, un nmero medio de sucesos constante por unidad de observacin) y
no tiene memoria (conocer el nmero de sucesos en un intervalo no ayuda a predecir el nmero de
sucesos en el siguiente).
El parmetro de la distribucin, lambda, representa el nmero promedio de eventos esperados
por unidad de tiempo o de espacio, por lo que tambin se suele hablar de lambda como la tasa de
ocurrencia del fenmeno que se observa.
A veces se usan variables de Poisson con intervalos que no son espaciales ni temporales, sino de otro
tipo. Por ejemplo, para medir la frecuencia de una enfermedad se puede contar, en un perodo dado, el
nmero de enfermos en cierta poblacin, dividida en intervalos de, por ejemplo, 10.000 habitantes.
Al nmero de personas enfermas en una poblacin de tamao prefijado, en un instante dado, se le
denomina prevalencia de la enfermedad en ese instante y es una variable que sigue una distribucin
de Poisson. Otra medida para la frecuencia de una enfermedad es la incidencia, que es el nmero de
personas que enferman en una poblacin en un periodo determinado. En este caso, el intervalo es de
personas- tiempo, habitualmente personas-ao, y es tambin una variable con distribucin de Poisson.
Habitualmente, ambas medidas se expresan para intervalos de tamao unidad o, dicho de otro modo, en
lugar de la variable nmero de enfermos, se usa el parmetro lambda (el riesgo, en el caso de la preva-
lencia, y la densidad de incidencia, en el de incidencia).
La distribucin de Poisson tiene iguales la media y la varianza. Si la variacin de los casos observados
en una poblacin excede a la variacin esperada por la Poisson, se est ante la presencia de un prob-
lema conocido como sobredispersin y, en tal caso, la distribucin binomial negativa es ms adecuada.
Valores:
x: 0, 1, 2, ...
Parmetros:
lambda: media de la distribucin, lambda > 0
PDFPoissonDistribution1, k
c
-1
1
k
k!
k ~ 0
0 True
RandomVariatePoissonDistribution5, 10
{2, 10, 11, 4, 6, 4, 5, 2, 5, 7]
MeanPoissonDistribution1
1
VariancePoissonDistribution1
1
DiscretePlot
EvaluateTablePDFPoissonDistribution, k,
, 5, 10, 20, k, 0, 30, PlotRange All,
5 10 15 20 25 30
0.05
0.10
0.15

Se necesita estimar la cantidad de llegadas a la ventanilla de servicio en automviles de un banco, durante un perodo de 15 minutos en las
maanas de los das hbiles. Los datos histricos indican que en este perodo la cantidad de automviles en promedio es 10. A la gerencia
le interesa saber cual es la probabilidad exacta de que lleguen 5 automviles en 15 minutos
Probabilityx 5, x PoissonDistribution10.
0.0378333
Distribucin de Probabilidad Continua
Distribucin Normal
La distribucin normal es, sin duda, la distribucin de probabilidad ms importante del Clculo de
probabilidades y de la Estadstica. Fue descubierta por De Moivre (1773), como aproximacin de la
distribucin binomial. De todas formas, la importancia de la distribucin normal queda totalmente
consolidada por ser la distribucin lmite de numerosas variables aleatorias, discretas y continuas, como
se demuestra a travs de los teoremas centrales del lmite. Las consecuencias de estos teoremas
implican la casi universal presencia de la distribucin normal en todos los campos de las cien-
cias empricas: biologa, medicina, psicologa, fsica, economa, etc. En particular, muchas medi-
das de datos continuos en medicina y en biologa (talla, presin arterial, etc.) se aproximan a la
distribucin normal.
Junto a lo anterior, no es menos importante el inters que supone la simplicidad de sus caractersticas y
de que de ella derivan, entre otras, tres distribuciones (Ji-cuadrado, t y F) que se mencionarn ms
adelante, de importancia clave en el campo de la contrastacin de hiptesis estadsticas.
La distribucin normal queda totalmente definida mediante dos parmetros: la media () y la
desviacin estndar (Sigma).
Campo de variacin:
- < x <
Parmetros:
Mu: media de la distribucin, -< <
Sigma: desviacin estndar de la distribucin, Sigma > 0
PDFNormalDistribution, , x
c
-
(x-)
2
2
2
2
RandomVariateNormalDistribution5, 0.3, 10
{5.11104, 5.51797, 4.83107, 5.2136, 5.01697,
4.72921, 5.43523, 5.02684, 4.63002, 5.08949]
MeanNormalDistribution,

VarianceNormalDistribution,
2
PlotEvaluateTableCDFNormalDistribution0, , x,
, .75, 1, 2, x, 6, 6, Filling Axis
6 4 2 2 4 6
0.2
0.4
0.6
0.8
1.0
Distribucin LogNormal
La variable resultante al aplicar la funcin exponencial a una variable que se distribuye normal con
media Mu y desviacin estndar Sigma, sigue una distribucin lognormal con parmetros (escala) y
Sigma (forma). Dicho de otro modo, si una variable X se distribuye normalmente, la variable lnX, sigue
una distribucin lognormal.
La distribucin lognormal es til para modelar datos de numerosos estudios mdicos tales como el
perodo de incubacin de una enfermedad, los ttulos de anticuerpo a un virus, el tiempo de superviven-
cia en pacientes con cncer o SIDA, el tiempo hasta la seroconversin de VIH+, etc.
Campo de variacin:
0 < x <
Parmetros:
Mu: parmetro de escala, - < <
Sigma: parmetro de forma, Sigma > 0
PDFLogNormalDistribution, , x
c
-
(-+Log[x])
2
2
2
2 x
x > 0
0 True
RandomVariateLogNormalDistribution5, 0.3, 10
{182.329, 108.517, 166.293, 182.373, 167.425,
220.786, 149.573, 113.878, 136.898, 104.271]
MeanLogNormalDistribution,
c
+
2
2
VarianceLogNormalDistribution,
c
2 +
2
-1 + c
PlotTablePDFLogNormalDistribution, 2, x,
, 1, 2, 3, x, 0, 4, Filling Axis, PlotRange 0, 1
0 1 2 3 4
0.2
0.4
0.6
0.8
1.0
Distribucin Logistica
La distribucin logstica se utiliza en el estudio del crecimiento temporal de variables, en particular,
demogrficas. En biologa se ha aplicado, por ejemplo, para modelar el crecimiento de clulas
de levadura, y para representar curvas de dosis respuesta en bioensayos.
La ms conocida y generalizada aplicacin de la distribucin logstica en Ciencias de la Salud se funda-
menta en la siguiente propiedad: si U es una variable uniformemente distribuida en
el intervalo [0,1], entonces la variable X ln
U
1U
sigue una distribucin logstica. Esta transformacin,
denominada logit, se utiliza para modelar datos de respuesta binaria, especialmente en el contexto
de la regresin logstica.
Campo de variacin:
- < x <
Parmetros:
a: parmetro de posicin, - < a <
b: parmetro de escala, b > 0
La distribucin logstica se utiliza en el estudio del crecimiento temporal de variables, en particular,
demogrficas. En biologa se ha aplicado, por ejemplo, para modelar el crecimiento de clulas
de levadura, y para representar curvas de dosis respuesta en bioensayos.
La ms conocida y generalizada aplicacin de la distribucin logstica en Ciencias de la Salud se funda-
menta en la siguiente propiedad: si U es una variable uniformemente distribuida en
el intervalo [0,1], entonces la variable X ln
U
1U
sigue una distribucin logstica. Esta transformacin,
denominada logit, se utiliza para modelar datos de respuesta binaria, especialmente en el contexto
de la regresin logstica.
Campo de variacin:
- < x <
Parmetros:
a: parmetro de posicin, - < a <
b: parmetro de escala, b > 0
PDFLogisticDistribution, , x
c
-
x-
1 + c
-
x-
RandomVariateLogisticDistribution5, 2, 10
{6.05017, 10.0082, 5.49693, 3.7554, 0.532909,
3.29606, 4.33103, 8.45216, 11.4307, 21.0462]
MeanLogisticDistribution,
VarianceLogisticDistribution,
2
3
PlotEvaluateTablePDFLogisticDistribution, 2, x,
, 2, 0, 3, x, 10, 10, Filling Axis
10 5 5 10
0.02
0.04
0.06
0.08
0.10
0.12
Distribucin Beta
La distribucin beta es posible para una variable aleatoria continua que toma valores en el intervalo
[0,1], lo que la hace muy apropiada para modelar proporciones. En la inferencia bayesiana, por ejem-
plo, es muy utilizada como distribucin a priori cuando las observaciones tienen una distribu-
cin binomial.
Uno de los principales recursos de esta distribucin es el ajuste a una gran variedad de distribuciones
empricas, pues adopta formas muy diversas dependiendo de cules sean los valores de los parmetros
de forma p y q, mediante los que viene definida la distribucin.
Un caso particular de la distribucin beta es la distribucin uniforme en [0,1], que se corre-
sponde con una beta de parmetros p=1 y q=1, denotada Beta(1,1).
Campo de variacin:
0 x 1
Parmetros:
p: parmetro de forma, p > 0
q: parmetro de forma, q > 0
La distribucin beta es posible para una variable aleatoria continua que toma valores en el intervalo
[0,1], lo que la hace muy apropiada para modelar proporciones. En la inferencia bayesiana, por ejem-
plo, es muy utilizada como distribucin a priori cuando las observaciones tienen una distribu-
cin binomial.
Uno de los principales recursos de esta distribucin es el ajuste a una gran variedad de distribuciones
empricas, pues adopta formas muy diversas dependiendo de cules sean los valores de los parmetros
de forma p y q, mediante los que viene definida la distribucin.
Un caso particular de la distribucin beta es la distribucin uniforme en [0,1], que se corre-
sponde con una beta de parmetros p=1 y q=1, denotada Beta(1,1).
Campo de variacin:
0 x 1
Parmetros:
q: parmetro de forma, q > 0
PDFBetaDistribution, , x
(1-x)
-1+
x
-1+
Beta[,]
0 x 1
0 True
RandomVariateBetaDistribution5, .5, 10
{0.976758, 0.685592, 0.594925, 0.966064, 0.996464,
0.975684, 0.959573, 0.970067, 0.796784, 0.967393]
MeanBetaDistribution,
+
VarianceBetaDistribution,

( + )
2
(1 + + )
PlotTablePDFBetaDistribution2, , x, , 14, 2, 4,
x, 0, 1, Filling Axis
0.2 0.4 0.6 0.8 1.0
0.5
1.0
1.5
2.0
2.5
3.0
3.5
Distribucin Gamma
La distribucin gamma se puede caracterizar del modo siguiente: si se est interesado en la ocurrencia
de un evento generado por un proceso de Poisson de media lambda, la variable que mide el tiempo
transcurrido hasta obtener n ocurrencias del evento sigue una distribucin gamma con parmet-
ros a= n lambda (escala) y p=n (forma). Se denota Gamma(a,p).
Por ejemplo, la distribucin gamma aparece cuando se realiza el estudio de la duracin de elementos
fsicos (tiempo de vida).
Esta distribucin presenta como propiedad interesante la falta de memoria. Por esta razn, es muy
utilizada en las teoras de la fiabilidad, mantenimiento y fenmenos de espera (por ejemplo en una
consulta mdica tiempo que transcurre hasta la llegada del segundo paciente).
Campo de variacin:
0 < x <
Parmetros:
a: parmetro de escala, a > 0
PDFGammaDistribution, , x
c
-
x
x
-1+
-
Gamma[]
x > 0
0 True
RandomVariateGammaDistribution6, 2, 10
{18.3091, 7.78838, 10.827, 8.80372, 9.52106,
13.1389, 7.80144, 16.481, 15.3635, 11.497]
MeanGammaDistribution,

VarianceGammaDistribution,

2
PlotEvaluateTablePDFGammaDistribution2, , x,
, 2, 4, 6, x, 0, 20, Filling Axis
5 10 15 20
0.05
0.10
0.15
Distribucin Exponencial
La distribucin exponencial es el equivalente continuo de la distribucin geomtrica discreta. Esta ley
de distribucin describe procesos en los que interesa saber el tiempo hasta que ocurre determinado
evento; en particular, se utiliza para modelar tiempos de supervivencia. Un ejemplo es el tiempo que
tarda una partcula radiactiva en desintegrarse. El conocimiento de la ley que sigue este evento se
utiliza, por ejemplo, para la datacin de fsiles o cualquier materia orgnica mediante la tcnica del
carbono 14.
Una caracterstica importante de esta distribucin es la propiedad conocida como falta de memoria.
Esto significa, por ejemplo, que la probabilidad de que un individuo de edad t sobreviva x aos ms,
hasta la edad x+t, es la misma que tiene un recin nacido de sobrevivir hasta la edad x. Dicho de
manera ms general, el tiempo transcurrido desde cualquier instante dado t0 hasta que ocurre el
evento, no depende de lo que haya ocurrido antes del instante t0.
La distribucin exponencial se puede caracterizar como la distribucin del tiempo entre sucesos consecu-
tivos generados por un proceso de Poisson; por ejemplo, el tiempo que transcurre entre dos heridas
graves sufridas por una persona. La media de la distribucin de Poisson, lambda, que representa la tasa
de ocurrencia del evento por unidad de tiempo, es el parmetro de la distribucin exponencial, y su
inversa es el valor medio de la distribucin.
Tambin se puede ver como un caso particular de la distribucin gamma(a,p), con a=lambda y
p=1.
El uso de la distribucin exponencial ha sido limitado en bioestadstica, debido a la propiedad
de falta de memoria que la hace demasiado restrictiva para la mayora de los problemas.
Campo de variacin:
0 < x <
Parmetros:
lambda: tasa, lambda > 0
La distribucin exponencial es el equivalente continuo de la distribucin geomtrica discreta. Esta ley
de distribucin describe procesos en los que interesa saber el tiempo hasta que ocurre determinado
evento; en particular, se utiliza para modelar tiempos de supervivencia. Un ejemplo es el tiempo que
tarda una partcula radiactiva en desintegrarse. El conocimiento de la ley que sigue este evento se
utiliza, por ejemplo, para la datacin de fsiles o cualquier materia orgnica mediante la tcnica del
carbono 14.
Una caracterstica importante de esta distribucin es la propiedad conocida como falta de memoria.
Esto significa, por ejemplo, que la probabilidad de que un individuo de edad t sobreviva x aos ms,
hasta la edad x+t, es la misma que tiene un recin nacido de sobrevivir hasta la edad x. Dicho de
manera ms general, el tiempo transcurrido desde cualquier instante dado t0 hasta que ocurre el
evento, no depende de lo que haya ocurrido antes del instante t0.
La distribucin exponencial se puede caracterizar como la distribucin del tiempo entre sucesos consecu-
tivos generados por un proceso de Poisson; por ejemplo, el tiempo que transcurre entre dos heridas
graves sufridas por una persona. La media de la distribucin de Poisson, lambda, que representa la tasa
de ocurrencia del evento por unidad de tiempo, es el parmetro de la distribucin exponencial, y su
inversa es el valor medio de la distribucin.
Tambin se puede ver como un caso particular de la distribucin gamma(a,p), con a=lambda y
p=1.
El uso de la distribucin exponencial ha sido limitado en bioestadstica, debido a la propiedad
de falta de memoria que la hace demasiado restrictiva para la mayora de los problemas.
Campo de variacin:
0 < x <
Parmetros:
lambda: tasa, lambda > 0
PDFExponentialDistribution, x
c
-x
x ~ 0
0 True
RandomVariateExponentialDistribution0.0625, 10
{2.52593, 38.3246, 30.0242, 18.2917, 2.30441,
0.848802, 3.51018, 48.6254, 37.0882, 16.4061]
MeanExponentialDistribution
1
VarianceExponentialDistribution
1
2
PlotTablePDFExponentialDistribution, x,
, 12, 1, 2, x, 0, 3, Filling Axis, PlotRange All
0.5 1.0 1.5 2.0 2.5 3.0
0.5
1.0
1.5
2.0
Distribucin Xi-Cuadrado
Un caso especial, muy importante, de la distribucin Gamma se obtiene cuando a=1/2 y p=n/2. La
distribucin resultante se conoce con el nombre de Ji-cuadrado con n grados de libertad. Es la distribu-
cin que sigue la suma de los cuadrados de n variables independientes N(0,1).
La Ji-cuadrado es una distribucin fundamental en inferencia estadstica y en los tests estadsti-
cos de bondad de ajuste. Se emplea, entre muchas otras aplicaciones, para determinar los lmites
de confianza de la varianza de una poblacin normal, para contrastar la hiptesis de homogeneidad o de
independencia en una tabla de contingencia y para pruebas de bondad de ajuste.
La distribucin Ji-cuadrado queda totalmente definida mediante sus grados de libertad n. Campo de
variacin:
0 x <
Parmetros:
n: grados de libertad, n>0
PDFChiSquareDistribution, x
2
-/2
c
-x/2
x
-1+
2
Gamma
x > 0
0 True
RandomVariateChiSquareDistribution2, 10
{0.581388, 1.36556, 2.625, 0.298062, 0.887185,
2.18523, 0.0268979, 5.94243, 1.3175, 0.506867]
MeanChiSquareDistribution
VarianceChiSquareDistribution
2
PlotTablePDFChiSquareDistribution, x, , 0.5, 3, 5,
x, 0, 6, Filling Axis
1 2 3 4 5 6
0.1
0.2
0.3
0.4
Distribucin t student
La distribucin t de Student se construye como un cociente entre una normal y la raz de una Ji-
cuadrado independientes. Esta distribucin desempea un papel importante en la inferencia
estadstica asociada a la teora de muestras pequeas. Se usa habitualmente en el contraste de hiptesis
para la media de una poblacin, o para comparar las medias de dos poblaciones, y viene definida por
sus grados de libertad n.
A medida que aumentan los grados de libertad, la distribucin t de Student se aproxima a una normal
de media 0 y varianza 1 (normal estndar).
Campo de variacin:
- < x <
Parmetros:
n: grados de libertad, n>0
CDFStudentTDistribution, , , x
1
2
Beta
2
,
1
2
+
(x-) Hypergeometric2F1
1
2
,
1+
2
,
3
2
,-
(x-)
2

2

Beta
2
,
1
2
RandomVariateStudentTDistribution5, 0.3, 2, 10
{4.041, 5.38102, 2.88493, 5.17437, 4.66216,
6.01129, 4.98512, 4.80281, 5.19653, 5.05095]
MeanStudentTDistribution, ,
> 1
Indeterminate True
VarianceStudentTDistribution, ,

2
-2+
> 2
Indeterminate True
PlotEvaluateTablePDFStudentTDistribution1, 2, , x,
, 0.1, 0.5, 4, x, 3, 5, Filling Axis
2 2 4
0.05
0.10
0.15
Distribucin F
Otra de las distribuciones importantes asociadas a la normal es la que se define como el cociente de dos
variables con distribucin Ji-cuadrado divididas por sus respectivos grados de libertad, n y m. En este
caso la variable aleatoria sigue una distribucin F de Snedecor de parmetros n y m. Hay muchas
aplicaciones de la F en estadstica y, en particular, tiene un papel importante en las tcnicas del anlisis
de la varianza y del diseo de experimentos.
Campo de variacin:
0 x <
Parmetros:
n: grados de libertad del numerador, n>0
m: grados de libertad del denominador, m>0
Otra de las distribuciones importantes asociadas a la normal es la que se define como el cociente de dos
variables con distribucin Ji-cuadrado divididas por sus respectivos grados de libertad, n y m. En este
caso la variable aleatoria sigue una distribucin F de Snedecor de parmetros n y m. Hay muchas
aplicaciones de la F en estadstica y, en particular, tiene un papel importante en las tcnicas del anlisis
de la varianza y del diseo de experimentos.
Campo de variacin:
0 x <
Parmetros:
n: grados de libertad del numerador, n>0
m: grados de libertad del denominador, m>0
PDFFRatioDistributionn, m, x
m
m/2
n
n/2
x
-1+
n
2 (m+n x)
1
2
(-m-n)
Beta
n
2
,
m
2
x > 0
0 True
RandomVariateFRatioDistribution5, 10, 10
{2.00449, 0.272982, 0.762358, 1.60316, 2.47143,
0.516527, 0.541773, 1.50007, 2.14559, 0.449475]
MeanFRatioDistributionn, m
m
-2+m
m > 2
Indeterminate True
VarianceFRatioDistributionn, m
2 m
2
(-2+m+n)
(-4+m) (-2+m)
2
n
m > 4
Indeterminate True
PlotTablePDFFRatioDistributionn, 10, x, n, 2, 5, 20,
x, 0, 2, PlotRange 0, 1, Filling Axis, Exclusions None
0.0 0.5 1.0 1.5 2.0
0.2
0.4
0.6
0.8
1.0
PlotTablePDFFRatioDistribution10, m, x, m, 1, 5, 20,
x, 0, 2, PlotRange 0, 1, Filling Axis, Exclusions None
0.0 0.5 1.0 1.5 2.0
0.2
0.4
0.6
0.8
1.0
BIBLIOGRAFA
1. Kolmogorov AN. Grundbegriffe der Wahrscheinlichtkeitsrechnung. Berlin: Springer-Verlag;
1933. (Traducido al ingls: Morrison N. Foundations of the Theory of Probability. New York:
Chelsea; 1956).
2. Martn Pliego FJ, Ruiz-Maya L. Estadstica I: Probabilidad. Madrid: Editorial AC; 1997.
3. Meyer PL. Probabilidad y Aplicaciones Estadsticas. Mxico: Addison-Wesley
Iberoamericana; 1986.
4. Pea D. Modelos y mtodos. 1. Fundamentos. Madrid: Alianza Universidad Textos; 1993.
5. Katz DL. Epidemiology, Biostatistics and Preventive Medicine Review. USA: W.B.
Saunders
Company; 1997.
6. Domnech JM. Mtodos Estadsticos en Ciencias de la Salud. Barcelona: Signo; 1997.
7. Hospital Ramn y Cajal. Material docente de la unidad de bioestadstica clnica.
Disponible en: http://www.hrc.es/bioest/M_docente.html
8. Biggeri A. Negative Binomial Distribution. En: Armitage P, Colton T editores. Encyclopedia
of Biostatistics. Vol. 4. Chichester: John Wiley & Sons; 1998. p. 2962-7.
9. Kemp AW, Kemp CD. Accident Proneness. En: Armitage P, Colton T editores.
Encyclopedia of Biostatistics. Vol. 1. Chichester: John Wiley & Sons; 1998. p. 35-7.
10. Palmgren J. Poisson Distribution. En: Armitage P, Colton T editores. Encyclopedia
of
Biostatistics. Vol. 4. Chichester: John Wiley & Sons; 1998. p. 3398-3402.
11. Lehmer DH. Mathematical methods in large-scale computing units. En: Proceedings of the
Second Symposium on Large Scale Digital Computing Units Machinery. Cambridge, Mass.:
Harvard University Press; 1951. p. 141-6.

Dsitribucion de Probabilidades - Cesar

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Dsitribucion de Probabilidades - Cesar

Uploaded by

Copyright:

Available Formats

ESTADISTICA

0.0 0.2 0.4 0.6 0.8 1.0

14 | Distribicin de Probabilidad con Mathematica

You might also like