Distribución discreta

Las distribuciones de probabilidad discretas permiten establecer toda la gama posible de

valores de un suceso cuando este se describe con una variable aleatoria discreta. Se muestran
ejemplos de uso de las distribuciones de Bernoulli, binomial, geométrica e hipergeométrica. En
ocasiones, algunas variables aleatorias siguen distribuciones de probabilidad, Una variable
aleatoria discreta es una variable aleatoria que tiene valores contables, tales como una lista de
enteros no negativos. Con una distribución de probabilidad discreta, cada valor posible de la
variable aleatoria discreta puede estar asociado con una probabilidad distinta de cero.

muy concretas, como por ejemplo el estudio a un colectivo numeroso de individuos que

se modelizan por la distribución “Normal”. asigna la misma probabilidad a cada una de las
soluciones. En esta distribución 1-p se suele denotar como q, y tanto la esperanza como la
varianza vienen dadas por las siguientes expresiones: E[x] = 1·p + 0·q = p; V[x] = p · p = p · (1-p)
= p · q.

La distribución de Bernoulli, también llamada distribución dicotómica, se utiliza para

representar una variable aleatoria discreta que solo puede tener dos resultados mutuamente
excluyentes. Además, solo podemos aplicar esta distribución cuando realicemos un solo
experimento.

Por ejemplo, si definimos un experimento de Bernoulli tirando un dado y considerando éxito

sacar un 6, el no éxito será sacar 1, 2, 3, 4 o 5.

Como todas las distribuciones de probabilidad, podemos definir la distribución de Bernoulli en

función de algunos de sus parámetros. Así, si la probabilidad de éxito es “p” y la de no éxito “1-
p”, la distribución puede definirse por su media (p) y su varianza (p(1-p)).

Binomial Para un caso así, mi primo recurre a la distribución binomial. Es parecida a la de

Bernoulli, pero nos dice la probabilidad de obtener un resultado entre dos posibles al realizar
un número n de experimentos.

Para los amantes de las fórmulas, siendo p la probabilidad de éxito, la fórmula general para
calcular la probabilidad binomial es la siguiente:

distribuciones de probabilidad discretas distribuciones de probabilidad discretas

Como podemos ver en la fórmula, para caracterizar una distribución de probabilidad binomial
solo necesitamos el número de experimentos (n) y la probabilidad de éxito (p). Su media se
puede calcular como np y su varianza como np(1-p).nomial
Geométrica Si lo pensamos un poco, la probabilidad será cada vez menor a medida que
aumente k. Cada vez será menos probable tener que esperar un número de experimentos
mayor para observar un éxito. Por esta razón la distribución geométrica está muy sesgada
hacia la derecha. Para aquellos a los que pueda interesar, la media se define como 1/p y la
varianza como 1-p/p2.

Hipergeométrica La distribución hipergeométrica es una distribución de probabilidad discreta

útil para aquellos casos en los que se extraen muestras o en los que hacemos experimentos
repetidos sin reemplazo del elemento que hayamos extraído. Vemos, pues, que se ajusta a
este problema.

Si partimos de una población de N elementos, N1 serán éxitos y N2 serán fracasos (no éxitos),
teniendo en cuenta que cada elemento solo puede pertenecer a uno de los dos grupos. Si
obtenemos una muestra n sin reemplazo (no son extracciones independientes), podemos

calcular la probabilidad de obtener un determinado número de éxitos.

Como podemos ver, las cuatro distribuciones de probabilidad que hemos empleado son
distribuciones discretas útiles para cuando hacemos recuentos al ser la variable aleatoria de
tipo discreto.

Resumen

¿Cuándo usamos cada una de ellas? Cuando sean experimentos únicos con un resultado
dicotómico la elección es sencilla: distribución de Bernoulli. Cuando se trate de experimentos
independientes múltiples y queramos saber la probabilidad de un determinado número de
éxitos, utilizaremos la probabilidad binomial.

Otras veces querremos saber el número de experimentos que tendremos que realizar para
tener un éxito: nuestra herramienta en estos casos será la distribución geométrica. Por último,
cuando hagamos extracciones sin reemplazo de una muestra y queramos saber la probabilidad
de obtener un tipo u otro de elemento, necesitaremos recurrir a la distribución de
probabilidad hipergeométrica que, para quien no lo sepa, es la que está detrás de la prueba
exacta de Fisher.