DISTRIBUCIÓN BINOMIAL

Para que la distribución de probabilidad de una

variable se ajuste al modelo binomial deben
cumplirse una serie de requisitos.
1) Variable dicotómica que no es todavía la variable nominal, pero su
presencia es imprescindible para la generación de ésta. Las
variables que están en la base de una variable binomial pueden
definirse como aquellas que adoptan la regla de asignar un 1 si se
cumple una cierta condición y un 0 si no se cumple.
2) En una repetición de n ensayos de la variable dicotómica en los
que la probabilidad de que cada repetición se verifique la condición, y
por tanto se asigne un 1, sea constante. A la probabilidad de
verificación de la condición en cada ensayo independiente la
representaremos por n.

3) Se defina una variable X, como el “número de casos que en la

secuencia de n ensayos dicotómicos verifican la condición
especifcada, o lo que es lo mismo, el número de unos observados.
Ej: Se introduce una rata en un laberinto, se
produce un ensayo dicotómico de acuerdo a las
veces que se van dando, se produce el éxito o
el fracaso.
Si
a) definimos una variable dicotómica a partir del cumplimiento
o incumplimiento de una condición.
b) realizamos una secuencia de n observaciones de esos
ensayos dicotómicos en los que la probabilidad de
verificación de la condición en cada repetición, es constante.
c) definimos una variable aleatoria X, como el número de
casos de esa secuencia en los que se cumple la condición.

Entonces la variable X se ajusta a un modelo binomial con

parámetros n y ñ y se representa por: B(X; n, ñ)
De la forma de generar una variable aleatoria binomial se
deducen algunas de sus características:

-El valor esperado de una

variable binomial se obtiene
a partir de las propiedades
de la suma de variables
aleatorias y de la definición
del valor esperado. Dado
que una binomial es la
suma de una secuencia de
n valores, y cada uno de
ellos puede considerarse
una variable aleatoria
dicotómica, su valor
esperado será igual a la
suma de los valores
esperados de cada una de
ellas.
MODELO BERNOULLI:

Una variable se distribuye según el modelo Bernoulli, cuando

toma sólo dos valores. Los dos valores de un variable
Bernoulli, suelen denominarse “éxito” o “fracaso” y codificarse
respectivamente con 1 y 0. La probabilidad asignada al éxito se
la denota con la letra “p” por lo que la del fracaso con “1-p” ya
que deben sumar 1. Una variable Bernoulli queda totalmente
caracterizada conociendo el parámetro p, es decir, la
probabilidad de éxito o, equivalentemente, la probabilidad de
fracaso.
Ej: Probabilidad de que una la rata del laberinto salga por la derecha.

N de veces = 10
p = 0,50 (dos opciones)
veces que salió por la derecha = 7

Tabla de probabilidades binominales individuales.

N: 10 (primera columna)
x: veces que salió bien (segunda columna)
p: columna en función de la probabilidad.

0 – 0,4 ----- Baja

0.4 – 0,6 ----- Media
0,6 ó mas ---- Alta

Todo suceso tiene un suceso complementario.

A= suceso
X-A = A´ suceso complementario
BINOMIAL:
la distribución binomial depende de dos valores fijos o
parámetros a saber: un número natural n y una probabilidad
p. Una variable binomial es aquella cuyos valores son 0, 1,
2… n, por tanto es un modelo para una variable discreta – y
las probabilidades asociadas a cada uno de ellos resultan de
la aplicación de una fórmula matemática que involucran a n y
a p.

RELACIÓN:
una variable binomial de parámetros n y p puede generarse,
bajo ciertas condiciones, a partir de n observaciones de una
variable Bernoulli de parámetro p. (n es la cantidad de
observaciones de una variable Bernoulli y p la probabilidad de
éxito en cada observación de la variable Bernoulli)
CONDICIONES
NECESARIAS PARA LA
RELACIÓN.

Estabilidad: la probabilidad
de éxito debe permanecer DISTRIBUCIÓN MULTINOMIAL
constante en las n
observaciones de la variable En ocasiones se trabaja con
Bernoulli. ensayos que en lugar de dar
lugar a dos resultados
Independencia: la alternativos (dicotomía) puede
probabilidad de obtener éxito dar lugar a más de dos
en una observación no (politomía). En estos casos las
aumenta ni disminuye si se probabilidades asociadas a
conoce el resultado de otra cualquier combinación de
observación. resultados pueden obtenerse
mediante el modelo
multinomial..
MODELOS PARA VARIABLES CONTINUAS.

La mayor parte de las técnicas inferenciales que se

utilizan para la investigación en psicología tienen
distribuciones de probabilidad que se ajustan a las
de los modelos teóricos para variables continuas. La
curva normal, a demás de ser un instrumento para la
inferencia estadística, es el modelo al que se ajustan
muchas variables de interés en psicología.
DISTRIBUCIÓN NORMAL:
La importancia de la curva normal estriba no sólo en su
utilidad para el análisis estadístico, sino que en muchas
variables de interés para los psicólogos. La estatura, el peso,
la agudeza visual, la fuerza son variables que se ajustan a
este modelo. Ya dentro de la psicología, variables como el
cociente intelectual, la extraversión son variables con
distribución normal.
En la mayor parte de las variables existe un valor central (la
media) en torno a la cual se concentran la mayor parte de los
individuos, y a medida que nos vamos fijando en valores más
alejados de la media observamos que éstos son menos
frecuentes. Esta reducción gradual en la frecuencia no es
lineal, sino que es mayor al principio y menor después (pasa
de convexa a cóncava al alejarse de la media).
Una variable aleatoria se distribuye según el
modelo normal, con parámetros u y o. Las
variables cuya distribución se ajusta al modelo
normal adoptan una representación gráfica en la
que se pueden apreciar algunas de las
propiedades que vamos a enumerar:
Es simétrica con respecto a un valor Los puntos de inflexión se encuentran
central (u) y en ese valor central en los puntos correspondientes a la
coinciden la media, la mediana o la media más/menos una desviación
moda. típica (u +- o)
Es asintótica con respecto al eje de Cualquier combinación lineal de
abscisas, es decir, por mucho que se variables aleatorias normales se
extienda, nunca llega a tocar los ajusta también al modelo normal.
ejes.
Hay toda una familia
de curvas normales,
dependiendo de los
valores de u y o. De
entre ellas, la más
importante es aquella
que tienen media 0 y
de desviación típica 1.
La mayor parte del trabajo práctico con variables aleatorias
normales consiste en hallar probabilidades asociadas a
valores. Esto significaría integrar la función de densidad entre
los valores de interés. Para evitar tener que resolver este tipo
de operaciones se han construido tablas apropiadas con las
áreas ya halladas y cuyo eso se basa en el teorema de
tipificación. Según este teorema, la función de distribución
asociada a un valor de una variable aleatoria, X, con
distribución normal, es la misma que la función de distribución
de la tipificada de ese valor en la normal unitaria.