Está en la página 1de 10

Distribuciones discretas: Bernouilli

Distribuciones discretas y continuas


Las distribuciones discretas son aquellas en las que la variable puede pude
tomar un nmero determinado de valores:
Ejemplo: si se lanza una moneda al aire puede salir cara o cruz; si se tira un
dado puede salir un nmero de 1 al 6; en una ruleta el nmero puede tomar un
valor del 1 al 32.
Las distribuciones continuas son aquellas que presentan un nmero infinito de
posibles soluciones:
Ejemplo: El peso medio de los alumnos de una clase puede tomar infinitos
valores dentro de cierto intervalo (42,37 kg, 42,3764 kg, 42, 376541kg, etc); la
esperanza media de vida de una poblacin (72,5 aos, 7,513 aos, 72, 51234
aos).
Vamos a comenzar por estudiar las principales distribuciones discretas.
Distribuciones discretas: Bernouilli
Es aquel modelo que sigue un experimento que se realiza una sola vez y que
puede tener dos soluciones: acierto o fracaso:
Cuando es acierto la variable toma el valor 1
Cuando es fracaso la variable toma el valor 0
Ejemplo: Probabilidad de salir cara al lanzar una moneda al aire (sale cara o no
sale); probabilidad de ser admitido en una universidad (o te admiten o no te
admiten); probabilidad de acertar una quiniela (o aciertas o no aciertas)
Al haber nicamente dos soluciones se trata de sucesos complementarios:
A la probabilidad de xito se le denomina "p"
A la probabilidad de fracaso se le denomina "q"
Verificndose que:
p+q=1
Veamos los ejemplos anteriores :
Ejemplo 1: Probabilidad de salir cara al lanzar una moneda al aire:

Probabilidad de que salga cara: p = 0,5


Probabilidad de que no salga cara: q = 0,5
p + q = 0,5 + 0,5 = 1
Ejemplo 2: Probabilidad de ser admitido en la universidad:
Probabilidad de ser admitido: p = 0,25
Probabilidad de no ser admitido: q = 0,75
p + q = 0,25 + 0,75 = 1
Ejemplo 3: Probabilidad de acertar una quiniela:
Probabilidad de acertar: p = 0,00001
Probabilidad de no acertar: q = 0,99999
p + q = 0,00001 + 0,99999 = 1
Distribucin Binomial
La funcin de distribucin binomial especifica el nmero de veces (x) que
puede ocurrir un evento en un nmero independiente de tiradas n y donde p es
la probabilidad de la ocurrencia del evento en una simple tirada. Es una
distribucin de probabilidad exacta para cualquier nmero de intentos. Si n es
muy grande se puede tratar como una funcin continua. Esto es lo que hace
la distribucin gausiana. Si la probabilidad p es pequea de modo que la
funcin solo tenga valores significativos para valores pequeos de x, entonces
la funcin se puede aproximar por medio de ladistribucin de Poisson.
Si el nmero de eventos es grande, este clculo debe manejar factoriales de
nmeros muy grandes. Como hay un cociente de factoriales que se puede
reducir, se hizo uso de la suma de logaritmos para evaluar los factoriales. An
as los factoriales pueden llegar a constituir grandes nmeros. Para valores
grandes de n, puede ser necesario el uso de la distribucin gausiana. Con los
parmetros arriba definidos, las condiciones para la validez de la distribucin
binomial son cada tirada puede dar lugar a uno de dos resultados posibles, lo
que podra calificarse de "xito" o "fracaso".
la probabilidad de "xito", p, es constante de una tirada a otra.
las tiradas son independientes.
Una distribucin binomial o de Bernoulli tiene las siguientes caractersticas:

1. En
cada
prueba
del
resultados: xito y fracaso.

experimento

slo

son

posibles dos

2.La probabilidad de xito es constante, es decir, que no vara de una


prueba a otra. Se representa por p.
3.La probabilidad de fracaso tambin es constante, Se representa por q,
q=1p
3.El resultado obtenido en cada prueba es independiente de los resultados
obtenidos anteriormente.
5.La variable aleatoria binomial, X, expresa el nmero de xitos
obtenidos en las n pruebas. Por tanto, los valores que puede tomar X son: 0,
1, 2, 3, 4, ..., n.
La distribucin bimomial se expresa por B(n, p)

n es el nmero de pruebas.

k es el nmero de xitos.

p es la probabilidad de xito.

q es la probabilidad de fracaso.

El nmero combinatorio

Distribucin de Poisson
La distribucin de Poisson parte de la distribucin binomial:
Cuando en una distribucin binomial se realiza el experimento un nmero "n"
muy elevado de veces y la probabilidad de xito "p" en cada ensayo es
reducida, entonces se aplica el modelo de distribucin de Poisson:
Se tiene que cumplir que:
" p " < 0,10

" p * n " < 10


La distribucin de Poisson sigue el siguiente modelo:

Vamos a explicarla:
El nmero "e" es 2,71828
" l " = n * p (es decir, el nmero de veces " n " que se realiza el experimento
multiplicado por la probabilidad " p " de xito en cada ensayo)
" k " es el nmero de xito cuya probabilidad se est calculando
Veamos un ejemplo:
La probabilidad de tener un accidente de trfico es de 0,02 cada vez que se
viaja, si se realizan 300 viajes, cual es la probabilidad de tener 3 accidentes?
Como la probabilidad " p " es menor que 0,1, y el producto " n * p " es menor
que 10, entonces aplicamos el modelo de distribucin de Poisson.

Luego,
P (x = 3) = 0,0892
Por lo tanto, la probabilidad de tener 3 accidentes de trfico en 300 viajes es
del 8,9%
Distribucin hipergeomtrica
La distribucin hipergeomtrica es
experimentos del siguiente tipo:

el

modelo

que

se

aplica

en

En una urna hay bolas de dos colores (blancas y negras), cul es la


probabilidad de que al sacar 2 bolas las dos sean blancas?
Son experimentos donde, al igual que en la distribucin binomial, en cada
ensayo hay tan slo dos posibles resultados: o sale blanca o no sale. Pero se
diferencia de la distribucin binomial en que los distintos ensayos son
dependientes entre s:

Si en una urna con 5 bolas blancas y 3 negras en un primer ensayo saco una
bola blanca, en el segundo ensayo hay una bola blanca menos por lo que las
probabilidades son diferentes (hay dependencia entre los distintos ensayos).
La distribucin hipergeomtrica sigue el siguiente modelo:

Dnde:

Vamos a tratar de explicarlo:


N: es el nmero total de bolas en la urna
N1: es el nmero total de bolas blancas
N2: es el nmero total de bolas negras
k: es el nmero de bolas blancas cuya probabilidad se est calculando
n: es el nmero de ensayos que se realiza
Veamos un ejemplo: en una urna hay 7 bolas blancas y 5 negras. Se sacan 4
bolas Cul es la probabilidad de que 3 sean blancas?
Entonces:
N = 12; N1 = 7; N2 = 5; k = 3; n = 4
Si aplicamos el modelo:

Por lo tanto, P (x = 3) = 0,3535. Es decir, la probabilidad de sacar 3 bolas


blancas es del 35,3%.
Pero este modelo no slo se utiliza con experimentos con bolas, sino que
tambin se aplica con experimentos similares:
Ejemplo: en una fiesta hay 20 personas: 14 casadas y 6 solteras. Se eligen 3
personas al azar Cul es la probabilidad de que las 3 sean solteras?

Por lo tanto, P (x = 3) = 0,0175. Es decir, la probabilidad de que las 3 personas


sean solteras es tan slo del 1,75%.
Distribucin geomtrica
Distribucin binomial negativa:
DISTRIBUCIN BINOMIAL NEGATIVA.
Esta distribucin puede considerarse como una extensin o ampliacin de la
distribucin geomtrica . La distribucin binomial negativa es un modelo
adecuado para tratar aquellos procesos en los que se repite un determinado
ensayo o prueba hasta conseguir un nmero determinado de resultados
favorables (por vez primera) .Es por tanto de gran utilidad para aquellos
muestreos que procedan de esta manera. Si el nmero de resultados
favorables buscados fuera 1 estaramos en el caso de la distribucin
geomtrica . Est implicada tambin la existencia de una dicotoma de
resultados posibles en cada prueba y la independencia de cada prueba o
ensayo, o la reposicin de los individuos muestreados.
Proceso experimental del que puede hacerse derivar
Esta distribucin o modelo puede hacerse derivar de un proceso experimental
puro o de Bernouilli en el que se presenten las siguientes condiciones

El proceso consta de un nmero no definido de pruebas separadas o


separables . El proceso concluir cuando se obtenga un determinado nmero
de resultados favorables K
Cada prueba puede dar dos resultados posibles mutuamente excluyentes A y
no A
La probabilidad de obtener un resultado A en cada una de las pruebas es p
siendo la probabilidad de no A , q . Lo que nos lleva a que p+q=1
Las probabilidades p y q son constantes en todas las pruebas. Todas las
pruebas son independientes. Si se trata de un experimento de extraccin ste
se llevar cabo con devolucin del individuo extrado, a no ser que se trate de
una poblacin en la que el nmero de individuos tenga de carcter infinito.
(Derivacin de la distribucin) Si, en estas circunstancias aleatorizamos de
forma que la variable aleatoria x sea "el nmero de pruebas necesarias para
conseguir K xitos o resultados A " ; entonces la variable aleatoria x seguir
una distribucin binomial negativa con parmetros p y k
ser entonces
La

variable

aleatoria

podr

tomar

slo

valores

superiores

k
El suceso del que se trata podra verse como:

o lo que es lo mismo

dado que las pruebas son independientes y conocemos que P(A)= p y P(no A)=
q

que sera la probabilidad de x si el suceso fuera precisamente con los


resultados en ese orden. Dado que pueden darse otros rdenes , en

concreto
formas u rdenes distintos . La funcin de cuanta de la
distribucin binomial negativa quedar como :

Distribucin continua: uniforme


La distribucin uniforme es aquella que puede tomar cualquier valor dentro
de un intervalo, todos ellos con la misma probabilidad.
Es una distribucin continua porque puede tomar cualquier valor y no
nicamente un nmero determinado (como ocurre en las distribuciones
discretas).
Ejemplo: el precio medio del litro de gasolina durante el prximo ao se estima
que puede oscilar entre 140 y 160 ptas. Podra ser, por tanto, de 143 ptas., o
de 143,4 ptas., o de 143,45 ptas., o de 143,455 ptas, etc. Hay infinitas
posibilidades, todas ellas con la misma probabilidad.
Su funcin de densidad, aquella que nos permite conocer la probabilidad que
tiene cada punto del intervalo, viene definida por:

Dnde:
b: es el extremo superior (en el ejemplo, 160 ptas.)
a: es el extremo inferior (en el ejemplo, 140 ptas.)
Por lo tanto, la funcin de distribucin del ejemplo sera:

Es decir, que el valor final est entre 140 ptas. y 141 ptas. tiene un 5% de
probabilidad, que est entre 141 y 142, otro 5%, etc.
El valor medio de esta distribucin se calcula:

En el ejemplo:

Por lo tanto, el precio medio esperado de la gasolina para el prximo ao es de


150 ptas.
Veamos otro ejemplo:
El volumen de precipitaciones estimado para el prximo ao en la ciudad de
Sevilla va a oscilar entre 400 y 500 litros por metro cuadrado. Calcular la
funcin de distribucin y la precipitacin media esperada:

Es decir, que el volumen de precipitaciones est entre 400 y 401 litros tiene un
1% de probabilidades; que est entre 401 y 402 litros, otro 1%, etc.
El valor medio esperado es:

Es decir, la precipitacin media estimada en Sevilla para el prximo ao es de


450 litros.
DISTRIBUCIN EXPONENCIAL
A pesar de la sencillez analtica de sus funciones de definicin, la
distribucin exponencial tiene una gran utilidad prctica ya que podemos
considerarla como un modelo adecuado para la distribucin de probabilidad del
tiempo de espera entre dos hechos que sigan un proceso de Poisson. De hecho
la distribucin exponencial puede derivarse de un proceso experimental de
Poisson con las mismas caractersticas que las que enuncibamos al estudiar la
distribucin de Poisson, pero tomando como variable aleatoria , en este caso, el
tiempo que tarda en producirse un hecho
Obviamente, entonces , la variable aleatoria ser continua. Por otro lado existe
una relacin entre el parmetro a de la distribucin exponencial , que ms
tarde aparecer , y el parmetro de intensidad del proceso l , esta relacin
es a = l

Al ser un modelo adecuado para estas situaciones tiene una gran utilidad en
los siguientes casos:
Distribucin del tiempo de espera entre sucesos de un proceso de Poisson
Distribucin del tiempo que transcurre hasta que se produce un fallo, si se
cumple la condicin que la probabilidad de producirse un fallo en un instante
no depende del tiempo transcurrido .Aplicaciones en fiabilidad y teora de la
supervivencia.

Funcin de densidad.
A pesar de lo dicho sobre que la distribucin exponencial puede derivarse de
un proceso de Poisson , vamos a definirla a partir de la especificacin de su
funcin. de densidad:
Dada una variable aleatoria X que tome valores reales no negativos {x 0}
diremos que tiene una distribucin exponencial de parmetro a con a 0, si y
slo si su funcin de densidad tiene la expresin:
Diremos

entonces

que

Varianza
En teora de probabilidad, la varianza (que suele representarse como 2) de
una variable
aleatoria es
una medida
de
dispersin definida
como
la esperanza del cuadrado de la desviacin de dicha variable respecto a su
media.