Está en la página 1de 12

Distribucin de probabilidad binomial.

Este tipo de experimento aleatorio particular es denominado ensayo de Bernoulli.


Sus dos resultados posibles son denotados por xito y fracaso y se define por p la
probabilidad de un xito y 1-p la probabilidad de un fracaso.

Supongamos que un experimento aleatorio tiene 5 caractersticas:

En cada prueba del experimento slo son posibles dos resultados: el suceso A
(xito) y su contrario A (fracaso).
El resultado obtenido en cada prueba es independiente de los resultados
obtenidos anteriormente.
La probabilidad del suceso A es constante, la representamos por p, y no vara
de una prueba a otra. La probabilidad de A es 1- p y la representamos
por q .
El experimento consta de un nmero n de pruebas.
Estamos interesados en x, el nmero de xitos observado durante los n
intentos, para x _ 0, 1, 2, , n.

Todo experimento que tenga estas caractersticas diremos que sigue el modelo de la
distribucin Binomial. A la variable X que expresa el nmero de xitos obtenidos en
cada prueba del experimento, la llamaremos variable aleatoria binomial.

La variable binomial es una variable aleatoria discreta, slo puede tomar los valores 0,
1, 2, 3, 4,..., n suponiendo que se han realizado n pruebas. Como hay que
considerar todas las maneras posibles de obtener k-xitos y (n-k) fracasos debemos
calcular stas por combinaciones (nmero combinatorio n sobre k).

La distribucin Binomial se suele representar por B(n,p) siendo n y p los


parmetros de dicha distribucin.

Como el clculo de estas probabilidades puede resultar algo tedioso se han construido
tablas para algunos valores de n y p que nos facilitan el trabajo.

Tabla de la Funcin de Probabilidad de la Binomial


Parmetros de la Distribucin Binomial

Funcin de Distribucin de la v.a. Binomial

Siendo k el mayor nmero entero menor o igual a xi.

Esta funcin de distribucin proporciona, para cada nmero real xi, la probabilidad de
que la variable X tome valores menores o iguales que xi.

Sea X una variable aleatoria discreta correspondiente a una distribucin binomial.


Identificacin y solucin de un experimento binomial
Ejemplo:
Suponga que hay alrededor de un milln de adultos en un condado y una proporcin
desconocida p estn a favor de limitar el periodo de funcin de polticos. Se escoger
una muestra de mil adultos en forma tal que cada uno del milln de adultos tenga igual
probabilidad de ser seleccionado y a cada uno se le pregunta si l o ella est a favor
de limitar el periodo. (El objetivo final de esta encuesta es estimar la proporcin
desconocida
p, un problema que veremos en el captulo 8.) Este experimento es binomial?

Solucin El experimento tiene las cinco caractersticas binomiales?


1. Un intento es la seleccin de un solo adulto de entre el milln de adultos del
condado. Esta muestra consta de n _ 1000 intentos idnticos.
2. Como cada adulto estar a favor o no estar a favor de limitar el periodo, hay dos
resultados que representan los xitos y fracasos del experimento binomial.
3. La probabilidad de xito, p, es la probabilidad de que un adulto est a favor del
lmite del periodo. Esta probabilidad sigue igual para cada uno de los adultos de la
muestra? Para todos los fines prcticos, la respuesta es s. Por ejemplo, si 500 mil
adultos de la poblacin estn a favor de limitar el periodo, entonces la probabilidad de
un xito cuando se escoja al primer adulto es 500 000/1 000 000 = 1/2. Cuando se
escoja al segundo adulto, la probabilidad p cambia ligeramente, dependiendo de la
primera seleccin. Esto es, habr 499 999 o 500 000 xitos que queden entre los 999
999 adultos. En cualquiera de estos casos, p es todava ms o menos igual a 1/2.
4. La independencia de los intentos est garantizada debido al grupo grande de
adultos del que se toma la muestra. La probabilidad de que un adulto est a favor de
limitar el periodo no cambia, dependiendo de las respuestas de las personas
previamente escogidas.
5. La variable aleatoria x es el nmero de adultos de la muestra que estn a favor de
limitar el periodo.
Debido a que el estudio satisface las cinco caractersticas razonablemente bien, para
todos los fines prcticos se puede ver como un experimento binomial.

Ejemplo 1

Una mquina fabrica una determinada pieza y se sabe que produce un 7 por 1000 de
piezas defectuosas. Hallar la probabilidad de que al examinar 50 piezas slo haya una
defectuosa.

Solucin:

Se trata de una distribucin binomial de parmetros B(50, 0'007) y debemos calcular la


probabilidad p(X=1).

Ejemplo 2

La probabilidad de xito de una determinada vacuna es 0,72. Calcula la probabilidad


de a que una vez administrada a 15 pacientes:
a) Ninguno sufra la enfermedad
b) Todos sufran la enfermedad
c) Dos de ellos contraigan la enfermedad

Solucin:

Se trata de una distribucin binomial de parmetros B(15, 0'72)

DISTRIBUCIN DE PROBABILIDAD DE POISSON


Otra variable aleatoria discreta que tiene numerosas aplicaciones prcticas es la
variable aleatoria de Poisson. Su distribucin de probabilidad da un buen modelo
para datos que representa el nmero de sucesos de un evento especificado en una
unidad determinada de tiempo o espacio.

Caractersticas de experimentos que pueden ser modelados por la variable


aleatoria de Poisson:

1. Los experimentos que dan valores numricos de una variable aleatoria X, el


nmero de resultados que ocurren durante un intervalo dado o en una regin
especfica, se llaman experimentos de Poisson.

2. El intervalo dado puede ser de cualquier longitud, como un minuto, un da, una
semana, un mes o incluso un ao.

3. La regin especfica podra ser un segmento de lnea, un rea o quiz una


pieza de material

A continuacin veamos algunos ejemplos de experimentos para los cuales la variable


aleatoria x puede ser modelada por la variable aleatoria de Poisson:

El nmero de llamadas recibidas por un conmutador durante un tiempo determinado


El nmero de bacterias por volumen pequeo de fluido
El nmero de llegadas de clientes al mostrador de una caja de pago en un minuto
determinado
El nmero de descomposturas de una mquina durante un da determinado
El nmero de accidentes de trnsito en un crucero dado durante un tiempo
determinado

Un experimento de Poisson se deriva del proceso de Poisson y posee las


siguientes propiedades:
El nmero de resultados que ocurren en un intervalo o regin especfica es
independiente del nmero que ocurre en cualquier otro intervalo o regin del espacio
disjunto. No tiene memoria.

La probabilidad de que ocurra un solo resultado durante un intervalo muy corto o en


una regin pequea es proporcional a la longitud del intervalo o al tamao de la regin,
no depende del nmero de resultados que ocurren fuera de este intervalo o regin.

La probabilidad de que ocurra ms de un resultado en tal intervalo corto o que caiga


en tal regin pequea es insignificante

El nmero X de resultados que ocurren durante un experimento de Poisson se llama


variable aleatoria de Poisson y su distribucin de probabilidad se llama distribucin de
Poisson.

El nmero medio de resultados se calcula de = t, donde t es el tiempo o regin


especfico de inters.

Como sus probabilidades dependen de , la tasa de ocurrencia de los resultados, se


denota con p(x;t).

La distribucin de probabilidad de la variable aleatoria de Poisson X, que representa el


nmero de resultados que ocurren en un intervalo dado o regin especfica que se
denota con t, es:

Donde es el nmero promedio de resultados por unidad de tiempo o regin y e =


2.71828

La media y la varianza de la distribucin de Poisson p(x;t) tienen el valor t.

La distribucin Poisson se ha tabulado de manera para distintos valores de


El procedimiento para su clculo es similar al seguido en el clculo de probabilidades
acumuladas de variables aleatorias binomiales,
(1) Localice el valor de , indicado en la primera fila de la tabla.
(2) Identifique la columna de nmeros que se obtienen del paso (1).
(3) Ubique el valor correspondiente de x en la primera columna.
(4) Haga coincidir o cruzar la fila que obtuvo en el paso (3) con la columna del paso (1)
para obtener el valor de la probabilidad acumulada deseada.

Solucin de problemas

Ejemplo 1

El nmero promedio de accidentes de trnsito en cierto crucero de carretera es dos


por semana. Suponga que el nmero de accidentes sigue una distribucin de Poisson
con 2.
1. Encuentre la probabilidad de que no haya accidentes en este crucero de carretera
durante un periodo de 1 semana.
2. Encuentre la probabilidad de que a lo sumo haya tres accidentes en esta seccin de
carretera durante un periodo de 2 semanas.

Solucin
1. El nmero promedio de accidentes por semana es 2. Por tanto, la probabilidad de
que no haya accidentes en esta seccin de carretera durante 1 semana determinada
es

2. Durante un periodo de 2 semanas, el nmero promedio de accidentes en esta


seccin de carretera es 2(2) = 4. La probabilidad de que a lo sumo haya tres
accidentes durante un periodo de 2 semanas es

DISTRIBUCIN HIPERGEOMTRICA DE PROBABILIDAD

En la distribucin binomial se vea que el muestreo se haca con reemplazo,


asegurando la independencia de los ensayos y la probabilidad constante.

Supngase ahora que el muestreo es sin reemplazo, caso en el cual los ensayos no
son independientes.
Sea N el nmero de elementos de un conjunto de los cuales k son determinados como
xitos y N-k como fallas, se trata ahora de determinar la probabilidad de x xitos en n
ensayos de los N elementos del conjunto donde k N y n N . Sea tambin la variable
aleatoria X el nmero de xitos en la muestra. Entonces, X tiene una distribucin
hipergeomtrica y su funcin de distribucin de probabilidad est dada por:

La expresin min(k,n) corresponde al valor menor entre el tamao de la muestra k y el


nmero mximo de xitos que puede presentarse en la muestra n. La distribucin
hipergeomtrica suele expresarse como h(x;N, k,n) .
La media y la varianza de una variable aleatoria hipergeomtrica X con
parmetros N, k y n son:

Un experimento hipergeomtrico posee las siguientes dos propiedades:


1. De un lote de N artculos se selecciona una muestra aleatoria de tamao n sin
reemplazo.
2. k de los N artculos se pueden clasificar como xitos y N k se clasifican como
fracasos.

El nmero X de xitos de un experimento hipergeomtrico se denomina variable


aleatoria hipergeomtrica. En consecuencia, la distribucin de probabilidad de la
variable hipergeomtrica se conoce como distribucin hipergeomtrica, y sus valores
se denotan con h(x; N, n, k), ya que dependen del nmero de xitos k en el conjunto N
del que seleccionamos n artculos.
El rea donde ms aplicaciones tiene la distribucin hipergeomtrica es el control
estadstico de calidad y la aceptacin de muestreo, el siguiente ejemplo es muestra de
ello.
Ejemplo 1
Un lote de 75 quesos contiene cinco en los que la variabilidad de su peso es
inaceptable. Se toma una muestra al azar de 10 quesos, sin reemplazo. Determine las
siguientes probabilidades.

Antes de iniciar con el clculo de las probabilidades, se debe identificar el tipo de


variable aleatoria que interviene en el problema y sus respectivos parmetros. Sea X
el nmero de quesos inaceptables en una muestra de 10, tomados de un lote de 75
quesos de los cuales 5 son inaceptables. Esto es, X es una variable aleatoria
hipergeomtrica con parmetros N=75, k=5 y n=10 y su distribucin de probabilidad es

a. Cul es la probabilidad de que ninguno de los quesos inaceptables se encuentren


e la muestra?
b. Cul es la probabilidad de que al menos uno de los quesos inaceptables se
encuentre en la muestra?

c. Cul es la probabilidad de que exactamente uno de los quesos inaceptables se


encuentre en la muestra?

Distribucin de probabilidad normal:

La Normal es la distribucin de probabilidad ms importante. Multitud de variables


aleatorias continuas siguen una distribucin normal o aproximadamente normal.
Una de sus caractersticas ms importantes es que casi cualquier distribucin de
probabilidad, tanto discreta como continua, se puede aproximar por una normal bajo
ciertas condiciones.
La distribucin de probabilidad normal y la curva normal que la representa, tienen las
siguientes caractersticas:
La curva normal tiene forma de campana y un solo pico en el centro de la
distribucin.
De esta manera, la media aritmtica, la mediana y la moda de la distribucin son
iguales y se localizan en el pico. As, la mitad del rea bajo la curva se encuentra a la
derecha de este punto central y la otra mitad est a la izquierda de dicho punto.
La distribucin de probabilidad normal es simtrica alrededor de su media.
La curva normal desciende suavemente en ambas direcciones a partir del valor
central. Es asinttica, lo que quiere decir que la curva se acerca cada vez ms al eje X
pero jams llega a tocarlo. Es decir, las colas de la curva se extienden de manera
indefinida en ambas direcciones.
La distribucin gaussiana, recibe tambin el nombre de distribucin normal, ya que
una gran mayora de las variables aleatorias continuas de la naturaleza siguen esta
distribucin. Se dice que una variable aleatoria X sigue una distribucin normal si su
funcin de densidad es:

Esta distribucin viene definida por dos parmetros: X: N (, s2)


: es el valor medio de la distribucin y es precisamente donde se sita el centro de la
curva (de la campana de Gauss).
s2 : es la varianza. Indica si los valores estn ms o menos alejados del valor central:
si la varianza es baja los valores estn prximos a la media; si es alta, entonces los
valores estn muy alejados de ella. Se representa por s2 porque su raz cuadrada, s,
es la denominada desviacin estndar.

Distribucin normal estndar o tipificada


Cuando la media de la distribucin normal es 0 y la varianza es 1, se denomina
"normal tipificada", y su ventaja reside en que hay tablas, o rutinas de clculo que
permiten obtener esos mismos valores, donde se recoge la probabilidad acumulada
para cada punto de la curva de esta distribucin.
Para resolver este problema, se utiliza un solo miembro de la familia de
distribuciones normales, aquella cuya media es 0 y desviacin estndar 1 que es la
que se conoce como distribucin estndar normal, de forma que todas las
distribuciones normales pueden convertirse a la estndar, restando la media de cada
observacin y dividiendo por la desviacin estndar.
Primero, convertiremos la distribucin real en una distribucin normal estndar
utilizando un valor llamado Z, o estadstico Z que ser la distancia entre un valor
seleccionado, designado X, y la media , dividida por la desviacin estndar .
Formalmente, si X N(,) , entonces la v.a.

.
De esta manera, un valor Z mide la distancia entre un valor especificado de X y la
media Aritmtica, en las unidades de la desviacin estndar. Al determinar el valor Z
utilizando la expresin anterior, es posible encontrar el rea de probabilidad bajo
cualquier curva normal haciendo referencia a la distribucin normal estndar en las
tablas correspondientes
Cmo se lee esta tabla?
La columna de la izquierda indica el valor cuya probabilidad acumulada queremos
conocer. La primera fila nos indica el segundo decimal del valor que estamos
consultando.

Queremos conocer la probabilidad acumulada en el valor 2,75. Entonces buscamos en


la columna de la izquierda el valor 2,7 y en la primera fila el valor 0,05. La casilla en la
que se interceptan es su probabilidad acumulada (0,99702, es decir 99.7%).
Atencin: la tabla nos da la probabilidad acumulada, es decir, la que va desde el inicio
de la curva por la izquierda hasta dicho valor. No nos da la probabilidad concreta en
ese punto. En una distribucin continua en el que la variable puede tomar infinitos
valores, la probabilidad en un punto concreto es prcticamente despreciable.

APLICACIONES DE LA DISTRIBUCIN NORMAL


Ejemplo 1
El salario medio de los empleados de una empresa se distribuye segn una
distribucin normal, con media $ 500.000. y desviacin tpica $100.000 Calcular el
porcentaje de empleados con un sueldo inferior a $700.000
Solucin:
Lo primero que haremos es transformar esa distribucin en una normal tipificada, para
ello se crea una nueva variable (Z) que ser igual a la anterior (X) menos su media y
dividida por la desviacin tpica
Esta nueva variable se distribuye como una normal tipificada. La variable Z que
corresponde a una variable X de valor 700.000 es: Z=2
Ya podemos consultar en la tabla la probabilidad acumulada para el valor 2
(equivalente a la probabilidad de sueldos inferiores a $700.000.). Esta probabilidad es
0,97725 Por lo tanto, el porcentaje de empleados con salarios inferiores a $700.000 es
del 97,725%.

Referencias Bibliogrficas

CANAVOS C., George (1986). Probabilidad y Estadstica. Mxico: McGraw Hil.

ORTEGA, Joaqun y WSCHEBOR, Mario (1994). Introduccin a la Probabilidad.


Santa fe de Bogot: UNISUR.
PUENTES MEJA, Carlos Eduardo (1995). Elementos de Probabilidad y de

Mtodos Estadsticos. Santaf de Bogot: UNISUR.

Walpole, R.E.; Myers, R.H.; Myers, S.L. & Ye, K. Probabilidad y estadstica para
ingeniera y ciencias. Octava Edicin. Pearson Prentice-Hall. Mxico, 2007.