Dpto.

Psicología Básica y Metodología

Asignatura: Análisis de Datos en Psicología
Curso 2015-2016
Profesores: Ana Benavente Reche y Fulgencio Marín Martínez

Tema 11. Algunos modelos de distribuciones discretas de probabilidad

11.1 Introducción
11.2 Distribución de Bernouilli
11.3 Distribución binomial

11.1 Introducción

Los modelos probabilísticos son ecuaciones o fórmulas matemáticas que nos

permiten obtener directamente la distribución de probabilidad de una variable aleatoria.
El interés de estos modelos es que gran parte de las variables aleatorias que estudiamos
en Psicología se ajustan a unos pocos modelos, como por ejemplo el modelo normal
cuando las variables aleatorias son continuas; o los modelos binomial, multinomial, de
Pascal y de Poisson, cuando las variables aleatorias son discretas. Así, con estos
modelos simplificamos el trabajo analítico, ya que no hace falta deducir las
probabilidades de los valores de las variables aleatorias, como hacíamos en el tema
anterior, sino tan sólo aplicar fórmulas. La única dificultad estriba en que ante un
problema de probabilidad hay que saber escoger el modelo pertinente para resolverlo.

En el presente tema nos limitaremos a estudiar dos de los modelos más

habituales en Psicología cuando las variables aleatorias son discretas: el modelo de
Bernouilli y el binomial. El resto de modelos se estudiarán en otros cursos posteriores.

11.2 Distribución o modelo de Bernouilli

Decimos que una variable aleatoria discreta sigue el modelo de Bernouilli

cuando procede de un experimento aleatorio con sólo dos resultados mutuamente
excluyentes. A estos dos resultados los representamos como los sucesos A y A y los
denominamos éxito y fracaso, respectivamente. Así, tendríamos el espacio muestral:

E = {A, A }

Para definir la variable aleatoria de Bernouilli X, asignamos números reales a

cada elemento del espacio muestral, en concreto el valor 1 al suceso éxito y el valor 0 al
suceso fracaso.

E X
A (éxito) 1
A (fracaso) 0

1
 Ejemplo 1. Definimos un experimento aleatorio con sólo dos resultados, como
es el lanzamiento de una moneda, siendo el espacio muestral E ={C, *}. A partir de éste
definimos la variable aleatoria X = “número de caras”, que es una variable de
Bernouilli:

E X
C, A, éxito 1
*, A , fracaso 0

Ejemplo 2. Otro ejemplo de experimento aleatorio con sólo dos resultados

consistiría en pedirle a un sujeto que respondiera al azar un ítem de un test, con la doble
posibilidad de que acertara o fallase. En este caso el espacio muestral es E ={acertar,
fallar}, y a partir de éste podemos definir la variable aleatoria X = “número de aciertos”,
que también es una variable de Bernouilli:

E X
Acertar, A, éxito 1
Fallar, A fracaso 0

Ejemplo 3. Un último ejemplo consistiría en escoger a un alumno al azar de

Primero de Psicología y anotar si es varón o mujer, siendo el espacio muestral E =
{varón, mujer}. A partir de éste definimos la variable aleatoria de Bernouilli X =
“número de varones”.

E X
A, varón, éxito 1
A , mujer, fracaso 0

Nótese que el hecho de que un determinado suceso se califique de éxito (o

fracaso) viene condicionado por la definición de la variable aleatoria. Así, si en el
último ejemplo definimos la variable Y = “número de mujeres”, que también sería de
Bernouilli, al suceso “ser mujer” le correspondería el valor Y = 1, convirtiéndose en el
suceso éxito (y “ser varón” en el suceso fracaso).

A la probabilidad del suceso éxito la representamos con la letra “p” y a la

probabilidad del suceso fracaso con la letra “q”, de tal forma que p+q = 1. Suponiendo
que en 1º de Psicología hubiera 200 alumnos, de los que 30 son varones y 170 mujeres,
si escogemos un alumno al azar y definimos la variable X=”número de varones”
(ejemplo 3), tendríamos la tabla de función de probabilidad:

2
 E X f(xi) = P(X = xi)
A, varón, éxito 1 p = 30/200 = 0,15
A , mujer, fracaso 0 q = 170/200 = 0,85

puesto que la probabilidad de que el sujeto salga varón, o de que X = 1, f(1) = p = 0,15;
mientras que la probabilidad de que salga mujer es f(0) = q = 0,85.

En consecuencia, una variable aleatoria de Bernouilli es una variable dicotómica

o con dos valores que generalmente representamos con 1 (éxito) y 0 (fracaso). La
función de probabilidad de una variable de Bernouilli viene dada por la expresión:

f ( x i ) = P(X = x i ) = p x q1− x
i i

Sustituyendo en tal expresión por el valor 1, obtenemos la probabilidad p del

suceso éxito:

f (1) = P(X = 1) = p1q 0 = p

Y sustituyendo por el valor 0, obtenemos probabilidad q del suceso fracaso:

f (0) = P(X = 0) = p 0 q1 = q

Por su parte, los valores de la función de distribución de probabilidad de 0 y 1 se

obtienen según:

F(0) = P(X ≤ 0) = f (0) = q

F(1) = P(X ≤ 1) = f (0) + f (1) = q + p = 1

La media o esperanza matemática de una variable X de Bernouilli coincide

siempre con la probabilidad de éxito p: E(X) = p. En efecto:

E(X) = ∑ x i f ( x i ) = 0f (0) + 1f (1) = 0q + 1p = p

La varianza de una variable X de Bernouilli coincide con el producto de las

probabilidades de éxito y fracaso pq: V(X) = σ 2x = pq. En efecto:

V(X ) = E(X 2 ) − [E(X)]2 = ∑ x 2i f ( x i ) − p 2 = 0 2 f (0) + 12 f (1) − p 2 = 0q + 1p − p 2 =

= p − p 2 = p(1 − p) = pq

3
 Y la desviación típica de una variable X de Bernouilli es la raíz cuadrada de
la varianza que acabamos de ver. Así, siendo σ x2 = pq, tendríamos que σ x = pq .

En resumen toda variable de Bernouilli X viene caracterizada por un parámetro

que es la probabilidad de éxito, p, a partir de la cual podemos derivar todos los valores
de la función de probabilidad y de los momentos (esperanza matemática, varianza,
desviación típica…) de la variable. El modelo de Bernouilli al que se ajusta tal variable
lo representaremos como B(p).

Hacemos ahora todos estos cálculos a partir de los datos de nuestro ejemplo 3,
que hacía referencia a la extracción de un alumno de primero de Psicología al azar y a la
definición de la variable de Bernouilli X = “número de varones”. Teniendo en cuenta
que en Primero de Psicología hay 30 varones y 170 mujeres, recordamos la tabla de la
función de probabilidad:

E X f(xi) = P(X = xi) F(xi)

A, varón, éxito 1 p = 30/200 = 0,15 1
A , mujer, fracaso 0 q = 170/200 = 0,85 0,85

• f(0) = P(X=0) = q = 0,85 representa la probabilidad de que el sujeto escogido sea

mujer, o de que el número de varones sea 0. Se lee “f(0)” como “función de
probabilidad de 0”.

• f(1) = P(X=1) = p = 0,15 representa la probabilidad de que el sujeto escogido sea

varón, o de que el número de varones sea 1. Se lee “f(1)” como “función de
probabilidad de 1”.

• F(0) = P(X≤0) = f(0) = q = 0,85 representa la probabilidad de que el número de

varones sea 0 o inferior, que equivale a la probabilidad de que el sujeto escogido
sea mujer. “F(0)” se lee como “función de distribución de probabilidad de 0”.

• F(1) = P(X≤1) = f(0) + f(1) = q + p = 0,85 + 0,15 = 1 representa la probabilidad

de que el número de varones sea 1 o inferior, que equivale a la probabilidad de
que el sujeto escogido sea varón o mujer. “F(1)” se lee como “función de
distribución de probabilidad de 1”.

• E(X) = p = 0,15 representa la esperanza matemática de X, es decir, el promedio

de los valores de X si se repitiera el experimento aleatorio infinitas veces.

• V(X) = pq = 0,15 (0,85) = 0,1275 representa la varianza de X.

• σ x = pq = 0,1275 = 0,3571 representa la desviación típica de X.

4
11.3 Distribución binomial

Siendo X1, X2, …, XN N variables aleatorias independientes de Bernouilli,

procedentes de la repetición del mismo experimento aleatorio N veces, definimos la
variable binomial X como la suma:

X = X1 + X2 + … + XN

Puesto que los valores posibles de cada variable de Bernouilli, Xi, son 0 y 1, el
rango de valores posibles para X oscila entre 0 y N: X valdrá 0 cuando todas las
variables de Bernouilli valgan 0 y N cuando todas las variables de Bernouilli valgan 1.

Así definida, la variable binomial X es el número de éxitos (valores 1) en N

repeticiones independientes de un experimento con dos resultados posibles. Un ejemplo
es la variable binomial “número de caras en cinco lanzamientos de una moneda”. En
este ejemplo repetimos 5 veces el experimento aleatorio consistente en lanzar una
moneda, siendo el número de repeticiones N = 5, y los posibles valores de la variable
oscilando entre 0 y 5 caras.

Otro ejemplo es la variable binomial “número de varones en la extracción

sucesiva y con reposición de tres alumnos de Primero de Psicología”. En este ejemplo
repetimos 3 veces el experimento aleatorio consistente en extraer un alumno al azar,
siendo el número de repeticiones N = 3, y los posibles valores de la variable oscilando
entre 0 y 3 varones. Aquí es muy importante que la extracción sea con reposición, para
que los ensayos o repeticiones del experimento aleatorio sean independientes.

Toda variable binomial presenta tres características:

1ª. Se basa en N repeticiones independientes de un experimento aleatorio.

2ª. Cada repetición, prueba o ensayo del experimento aleatorio tiene dos resultados
posibles.

3ª. La probabilidad p de éxito en cada ensayo permanece constante.

El modelo binomial lo simbolizamos como B(N,p), donde N es el número de

ensayos o repeticiones del experimento aleatorio y p la probabilidad constante de éxito
en cada variable de Bernouilli. La función de probabilidad del modelo binomial es:

⎛ N⎞
f ( x i ) = P(X = x i ) = ⎜ ⎟p x q N − x
⎝x ⎠

La media o esperanza matemática de una variable X binomial coincide con

el producto entre el número de ensayos N y la probabilidad de éxito p: E(X) = Np. En
efecto:

5
 E(X ) = E( X1 + X 2 + L X N ) = E (X1 ) + E(X 2 ) + L + E(X N ) = Np

La varianza de una variable X binomial coincide con el producto entre el

número de ensayos N y las probabilidades de éxito y fracaso, p y q: V(X) = Npq. En
efecto:

V(X ) = V (X1 + X 2 + L X N ) = V(X1 ) + V (X 2 ) + L + V (X N ) = Npq,

ya que al ser las N variables de Bernouilli independientes, la varianza de su suma

coincide con la suma de las varianzas.

Y la desviación típica de una variable X binomial es la raíz cuadrada de la

varianza que acabamos de ver. Así, siendo σ 2x = Npq , tendríamos que σ x = Npq .

Ejemplo. Se extraen sucesivamente y con reposición tres sujetos de la muestra

de 200 alumnos (30 varones y 170 mujeres) matriculados en Primero de Psicología. Se
define la variable aleatoria X = “número de varones”, para la que debe obtener la tabla
de función de probabilidad, su esperanza matemática E(X), y su varianza V(X).

En este caso X es una variable binomial de parámetros N = 3 y p = 30/200 =

0,15; ya que son tres los sujetos que se extraen, y la probabilidad de éxito (que el sujeto
sea varón) es 0,15. En consecuencia trabajamos con el modelo B(3; 0,15).

En cada uno de los tres ensayos las probabilidades de éxito y fracaso, p y q

respectivamente, permanecen constantes, ya que la extracción es con reposición: p =
P(varón) = 0,15; y q = P(mujer) = 0,85.

La siguiente tabla muestra los elementos del espacio muestral y su

correspondencia con los cuatro posibles valores de X: 0, 1, 2 y 3 (ningún varón, un
varón, dos varones y tres varones).

E X
MMM 0
VMM
MVM 1
MMV
VVM
VMV 2
MVV
VVV 3

Calculamos ahora la función de probabilidad para cada uno de los cuatro valores
de X (X = 0, 1, 2 y 3) de dos formas: siguiendo los pasos explicados en los temas
anteriores y aplicando la fórmula del modelo binomial.

6
™ f(0) = P(M∩M∩M) = (0,85) (0,85) (0,85) = 0,6141

⎛ N⎞
Aplicando el modelo binomial f ( x i ) = ⎜ ⎟p x q N − x
⎝x ⎠
⎛3⎞
f (0) = ⎜ ⎟(0,15) 0 (0,85) 3−0 = (0,85) 3 = 0,6141
⎝ 0⎠

™ f(1) = P[(V∩M∩M)U(M∩V∩M)U(M∩M∩V)] = 3 P(V∩M∩M) =

= 3 P(V) P(M) P(M) = 3 (0,15) (0,85) (0,85) = 0,3251

⎛ N⎞
Aplicando el modelo binomial f ( x i ) = ⎜ ⎟p x q N − x
⎝x ⎠
⎛ 3⎞
f (1) = ⎜ ⎟(0,15)1 (0,85) ( 3−1) = 3(0,15)(0,85) 2 = 0,3251
⎝1 ⎠

™ f(2) = P[(V∩V∩M)U(V∩M∩V)U(M∩V∩V)] = 3 P(V∩V∩M) =

= 3 P(V) P(V) P(M) = 3 (0,15) (0,15) (0,85) = 0,0574

⎛ N⎞
Aplicando el modelo binomial f ( x i ) = ⎜ ⎟p x q N − x
⎝x ⎠
⎛3⎞
f ( 2) = ⎜ ⎟(0,15) 2 (0,85) ( 3− 2 ) = 3(0,15) 2 (0,85) = 0,0574
⎝ 2⎠

™ f(3) = P(V∩V∩V) = (0,15) (0,15) (0,15) = 0,0034

⎛ N⎞
Aplicando el modelo binomial f ( x i ) = ⎜ ⎟p x q N − x
⎝x ⎠
⎛ 3⎞
f (3) = ⎜ ⎟(0,15) 3 (0,85) ( 3−3) = (1)(0,15) 3 (1) = 0,0034
⎝ 3⎠

7
 A partir de estos valores de la función de probabilidad construimos la tabla:

X f(xi) F(xi)
0 0,6141 0,6141
1 0,3251 0,9392
2 0,0574 0,9966
3 0,0034 1

La esperanza matemática también podemos obtenerla de dos formas, a partir de

la fórmula general que veíamos en tema 10, E(X) = ∑ xi f(xi), o a partir de la fórmula de
la esperanza de una variable binomial, E(X) = Np.

1) E(X) = ∑ xi f(xi) = 0(0,6141) + 1(0,3251) + 2(0,0574) + 3(0,0034) =

= 0 + 0,3251 + 0,1148 + 0,0102 = 0,4501

2) Según el modelo binomial E(X) = Np = 3 (0,15) = 0,45

Finalmente la varianza también podemos obtenerla de dos formas, a partir de la

fórmula general que veíamos en tema 10, V(X) = E(X2) –[E(X)]2, o a partir de la
fórmula de la varianza de una variable binomial, V(X) = Npq.

1) V(X) = E(X2) –[E(X)]2 = ∑ x f ( x ) − (0,45)

2
i i
2
=

= 0(0,6141) + 1(0,3251) + 4(0,0574) + 9(0,0034) - 0,2025 = 0,3828

2) Según el modelo binomial V(X) = Npq = 3 (0,15)(0,85) = 0,3825

EJERCICIOS

1. Los valores de una variable binomial B(5, 1/3) son:

a) X ={1, 2, 3, 4, 5} b) X = {0, 1, 2, 3, 4, 5} c) X = {0, 1, 2, 3}

8
2. Siendo X una variable que se distribuye según un modelo binomial B(4, 1/2) la
esperanza matemática de X, E(X), tendrá un valor de:

a) 2 b) 4 c) 1

3. Un examen tipo test consta de tres preguntas todas ellas con cuatro alternativas de
respuesta de las que sólo una es la correcta. Si un alumno responde al azar, ¿cuál es la
probabilidad de que acierte las tres preguntas?

a) 3/4 b) 1/64 c) ninguna de las anteriores es correcta

4. Continuando con el ejercicio anterior, ¿cuál es la probabilidad de que el alumno

acierte sólo dos preguntas?

a) 9/64 b) 2/3 c) 27/64

5. Los dos ejercicios previos pueden resolverse a través del modelo binomial

a) B(4, 1/3) b) B(3, 1/4) c) B(5, 1/2)