Está en la página 1de 8

- 1 -

TEMA 3. Algunos modelos de probabilidad de tipo discreto



En este captulo se abordan familias muy especficas de probabilidad, que con
cierta frecuencia se nos presentan en el mundo real. Van a ser distribuciones de tipo
discreto y por lo ya estudiado hasta ahora, estaremos en condiciones de calcular sus
caractersticas ms representativas, como son: la media y la varianza.

Destacaremos por su especial inters, dos tipos de estas distribuciones: Las
distribuciones tipo Binomial, y las distribuciones tipo Poisson.

Recordemos que al ser distribuciones de tipo discreto, no tiene sentido hablar en
ellas de la funcin de densidad de probabilidad. Se expresarn a travs de su funcin
de cuanta, o bien de manera agregada a travs de su funcin de distribucin.

3.1 Al finalizar el tema el alumno debe conocer........

Las condiciones bajo las cuales una variable aleatoria tiene una distribucin
de probabilidad de Bernoulli, binomial o Poisson.
La expresin matemtica y caractersticas de estas distribuciones de
probabilidad .
Distribucin de Poisson como limite de la distribucin binomialEl. Las
medidas de posicin, dispersin y forma de una variable aleatoria.

3.2 .Introduccin.

Hasta ahora hemos estudiado, en trminos generales, las variables aleatorias y sus
distribuciones de probabilidad. Ahora vamos a describir familias especficas de
distribuciones de probabilidad que ocurren con cierta frecuencia en el mundo real.

A la hora de estudiar estas distribuciones estudiaremos distribuciones tericas tanto
de variable discreta, como en el siguiente tema de variable continua. Para un
adecuado estudio de las mismas es necesario conocer sus parmetros, esto es, las
cantidades que son constantes para distribuciones particulares pero que pueden
tomar diferentes valores para diferentes miembros de las familias de distribuciones


- 2 -
de la misma clase, y una serie de funciones matemticas tales como:
- | | x P funcin de probabilidad.
- ( ) x f funcin de densidad.
- ( ) x F funcin de distribucin.
Los parmetros ms comunes son y
2
o , que como vimos eran la media y
varianza de las distribuciones de probabilidad.

Modelos de distribuciones de probabilidad de variables discretas
1. Uniforme. Es la distribucin donde todos resultados posibles tienen la misma
probabilidad
2. Binomial. Es la que maneja la distribucin de la probabilidad de obtener
cierta cantidad de xitos al repetir un experimento, con probabilidad de xito
constante y con resultados posibles del experimento independientes.
3. Geomtrica. Es la distribucin de la probabilidad de realizar cierto nmero
de repeticiones de un experimento, antes de obtener el primer xito.
4. Hipergeomtrica. Es similar a la binomial, pero con un tamao de muestra
grande en relacin al tamao de la poblacin.
5. Poisson. Es la distribucin de la probabilidad de que ocurra un evento raro
en un periodo de tiempo, un espacio o un lugar.

3.3 Distribucin de Bernoulli.

Este modelo se utiliza principalmente en situaciones en las que slo pueden ocurrir
dos resultados posibles mutuamente excluyentes: uno de ellos de probabilidad p y
el otro de probabilidad p 1 . Son ejemplos: El sexo de una persona: hombre o
mujer, la respuesta correcta o incorrecta de un examen, etc.
Supongamos un experimento consistente en observar elementos de una poblacin,
con las siguientes caractersticas:
- Mediante esta observacin los elementos slo pueden clasificarse en dos
categoras, que generalmente se llamaran xito al suceso de probabilidad p
y fracaso al suceso de probabilidad p 1 (tambin llamado q ).
- La proporcin de sucesos xito y fracaso en la poblacin es constante y no
se modifica cualquiera que sea la cantidad observada. Esto implica que los


- 3 -
elementos se reemplazan una vez observados en la poblacin.
- Las observaciones son independientes, la probabilidad de xito es siempre la
misma no se modifica.

Experimento da lugar
a dos posibles
resultados:
xito p
Fracaso (1 - p ) = q

Diremos que una variable aleatoria X sigue una distribucin de Bernoulli de
parmetro p si su distribucin de probabilidad est dada por:
( ) ( ) ( ) , 2 , 1 , 0 1
1
= = = =

x para p p x X P x P
x x


La variable aleatoria x quedar definida como:
x =

" " 1
" " 0
xito si
fracaso si

Abreviadamente esta distribucin la indicaremos por: ( ) p B x o bien ( ) p B x , 1
Caractersticas de sta distribucin:

1. Funcin de distribucin:
( ) ( ) x X P x F s = =

>
< s
<
1 1
1 0 1
0 0
x si
x si p
x si

2. Media :
Se calcula como vimos anteriormente en el valor esperado de una variable
aleatoria discreta; | | p x E =
3. Varianza:
Se calcula como vimos anteriormente en el caso de una variable aleatoria
discreta; | | | | ( ) ( ) | | ( ) pq p p x Var x E x E = = = = = 1
2
1 2
2 2
2
o o
Los parmetros de esta distribucin son:





- 4 -
Distribucin Bernoulli Parmetros
Media
p
Varianza
pq
Desviacin tpica
pq

3.4 Distribucin binomial.

La repeticin de un experimento juega un papel muy importante en probabilidad, y
en estadstica. Una generalizacin de la distribucin de Bernoulli se obtiene cuando
el experimento o prueba de Bernoulli se repite varias veces. Por tanto, estamos ante
un experimento binomial cuando repetimos n veces de forma independiente un
ensayo de Bernoulli. Conceptualmente la distribucin ( ) p n B , describe situaciones
que se pueden presentar si un mismo suceso dicotmico se observa o se repite n-
veces y si los posibles resultados en cada ocasin son independientes de los que
puedan lograrse en las dems.

Definimos la variable aleatoria binomial x , como el nmero de xitos que tienen
lugar cuando se realizan n repeticiones independientes de un experimento o prueba
de Bernoulli.

Para obtener su funcin de probabilidad, consideramos que al realizar n repeticiones
independientes del experimento hemos obtenido x resultados de xito (con
probabilidad p ) y x n resultados de fracaso (con probabilidad q) :
( )
x n x x n x
x n x
p p q p q q q p p p

= = 1



La probabilidad de x elementos de xito en cualquier orden, requiere sumar las
probabilidades de todos los sucesos mutuamente excluyentes que verifican esta
condicin. Estos sucesos se obtienen permutando las letras anteriores de todas las
posibles formas:
|
|
.
|

\
|
=
x
n
x n x
n
)! ( !
!


Diremos que una variable aleatoria X sigue una distribucin de binomial de


- 5 -
parmetros n y p si su distribucin de probabilidad est dada por:
( ) ( ) ( ) n x para p p
x
n
x X P x P
x n x
2 , 1 , 0 1 =
|
|
.
|

\
|
= = =


Abreviadamente esta distribucin la indicaremos por: ( ) p n B x , o bien
( ) p n x B x , , .
Caractersticas de sta distribucin:

1. Funcin de distribucin:
( ) ( ) ( )

>
< s
|
|
.
|

\
|
<
= s =

n x si
n x si p p
i
n
x si
x X P x F
i n i
x
i
1
0 1
0 0
0

1. Media :
Para obtener la media y la varianza de la distribucin binomial tenemos que
tener en cuenta que la variable aleatoria binomial est definida como el
nmero de xitos que tienen lugar cuando se realizan n repeticiones
independientes de un experimento o prueba de Bernoulli, es decir, como
suma de n variables independientes:
n x
x x x x + + + =
2

Si utilizamos las propiedades de la esperanza:
| | | | | | | | | | np p p x E x E x E x x x E x E
n n
= + + = + + + = + + + =
2 1 2 1

2. Varianza:
| | | | | | | | | |= + + + = + + + =
n n
x Var x Var x Var x x x Var x Var
2 1 2 1

npq pq pq = + =
3. Propiedad reproductiva:
Si
1
x y
2
x son dos variables aleatorias independientes distribuidas
( ) p n B x ,
1 1
y ( ) p n B x ,
2 2
, entonces la variable aleatoria:
2 1
x x x + =

se
distribuye segn una ( ) p n n B ,
2 1
+ .
Los parmetros bsicos de la distribucin son:






- 6 -
Distribucin Binomial Parmetros
Media
np
Varianza
npq
Desviacin tpica
q p n


3.5 Distribucin de Poisson.

Consideremos un experimento en el que observamos la aparicin de sucesos
puntuales sobre un soporte continuo; el nmero de clientes que llegan a una sucursal
bancaria durante cinco minutos, el nmero de averas que sufre una mquina durante
un ao, el nmero de rdenes de devolucin de piezas que recibe una empresa en
una semana, etc. Suponemos que el proceso se caracteriza por:
- Es estable, produce a largo plazo un nmero medio de sucesos constante por
unidad de tiempo o espacio o rea.
- Los sucesos aparecen aleatoriamente de forma independiente, es decir, el
proceso no tiene memoria: conocer el nmero de sucesos en un intervalo no
ayuda a predecir el nmero de sucesos en el siguiente.

Definimos una variable aleatoria de Poisson como el nmero de sucesos en un
intervalo de longitud fija. En este caso, la distribucin de probabilidad de la variable
aleatoria de Poisson depende solamente del nmero medio de resultados que
ocurren en un intervalo.
Diremos que la variable aleatoria X sigue una distribucin de Poisson de
parmetro ( ) 0 > si su distribucin de probabilidad es:
( ) ( ) , 1 , 0
!
= = = =

x si e
x
x X P x P
x


Abreviadamente esta distribucin la indicaremos por: ( ) P x
Caractersticas de sta distribucin:

1. Funcin de distribucin:
( ) ( )

=
<
= s =

x
i
i
x e
i
x si
x X P x F
0
.. 2 , 1 , 0
!
0 0




- 7 -
2. Media :
| | ( )
( )


= =

= = = =

=

e e
x
e e
x
x x X P x x E
x
x
x
x
x 0
1
0 0
! 1 !

3. Varianza:
| | ( ) x X P x x E
x
= =

=0
2 2
, si realizamos este calculo llegamos a | | + =
2 2
x E
Y como sabemos que: | | | | | | ( ) = + = =
2 2 2 2
x E x E x Var
Vemos por tanto que en la distribucin de Poisson la media y la varianza valen
lo mismo.

4. Propiedad reproductiva:
Si
1
x y
2
x son dos variables aleatorias independientes distribuidas
( )
1 1
P x y ( )
2 2
P x , entonces la variable aleatoria:
2 1
x x x + =

se
distribuye segn una ( )
2 1
+ P .
Los parmetros bsicos de la distribucin son:

Distribucin Poisson Parmetros
Media
Varianza
Desviacin tpica




Distribucin de Poisson como lmite de la Binomial.

La distribucin de Poisson se obtiene como limite de la distribucin binomial
cuando n , de manera que podemos considerar un soporte continuo, y 0 p ,
para que el nmero medio de sucesos, np , permanezca constante. En este caso
= np , es decir el nmero de xitos es una variable aleatoria que tiene una
distribucin de Poisson con el parmetro .

En la prctica la distribucin binomial se puede aproximar a una de Poisson cuando


- 8 -
1 , 0 30 s < p y n . Por tanto, se utilizar la distribucin de Poisson en situaciones
reales donde la probabilidad de xito del suceso es muy pequea y donde se
producen un gran nmero de repeticiones.