MATERIA:

PROBABILIDAD Y ESTADISTICA

FUNDAMENTOS DE LA DISTRIBUCION BINOMIAL

Una forma corriente de descripcin de los experimentos aleatorios equiprobables con variable
discreta es la distribucin binomial. En este tipo de distribucin se estudia la probabilidad de
que se produzca un cierto resultado, que se describe por medio de dos parmetros: el nmero
de repeticiones realizadas del experimento y la probabilidad individual del suceso aleatorio que
se persigue como resultado.

Una distribucin se denomina binomial cuando se cumplen las condiciones

siguientes:

El experimento aleatorio de base se repite n veces, y todos los

resultados obtenidos son mutuamente independientes.
En cada prueba se tiene una misma probabilidad de xito (suceso A),
expresada por p. Asimismo, existe en cada prueba una misma
probabilidad de fracaso (suceso ), que es igual a q = 1 - p.
El objetivo de la distribucin binomial es conocer la probabilidad de que
se produzca un cierto nmero de xitos. La variable aleatoria X, que
indica el nmero de veces que aparece el suceso A (xito), es discreta, y
su recorrido es el conjunto {0, 1, 2, 3, ..., n}.
La distribucin binomial se expresa como B (n, p), siendo n el nmero de
veces que se repite el experimento y p la probabilidad de que se produzca un
xito.
Ejemplo de experimento aleatorio descrito por una distribucin binomial: al tirar
un dado cuatro veces, cuntas veces saldr el nmero 6? Este suceso es el
xito del experimento.
En ocasiones, el clculo de la probabilidad de una distribucin binomial del tipo
B (n, p) resulta muy complicado. Segn demostr el matemtico francs
Abraham de Moivre, la probabilidad de una distribucin binomial B (n, p) puede
aproximarse por medio de una distribucin normal de tipo N (np,
), que
resulta particularmente adecuada cuando:
El valor de n es muy elevado.
Tanto np y nq son que 5. (Obsrvese que cuanto mayor es n y ms se
aproxima p a 0,5 tanto mejor es la aproximacin realizada).
Para transformar una distribucin binomial (de variable discreta) en una normal
(de variable continua), es preciso proceder a la siguiente transformacin:

FUNDAMENTOS DE LA DISTRIBUCION HIPERGEOMETRICA

Distribucin Hipergeomtrica (N,R,n)
La distribucin hipergeomtrica suele aparecer en procesos mustrales sin
reemplazo, en los que se investiga la presencia o ausencia de cierta
caracterstica. Pinsese, por ejemplo, en un procedimiento de control de calidad
en una empresa farmacutica, durante el cual se extraen muestras de las
cpsulas fabricadas y se someten a anlisis para determinar su composicin.
Durante las pruebas, las cpsulas son destruidas y no pueden ser devueltas al
lote del que provienen. En esta situacin, la variable que cuenta el nmero de
cpsulas que no cumplen los criterios de calidad establecidos sigue una
distribucin hipergeomtrica. Por tanto, esta distribucin es la equivalente a la
binomial, pero cuando el muestreo se hace sin reemplazo.
Esta distribucin se puede ilustrar del modo siguiente: se tiene una poblacin
finita con N elementos, de los cuales R tienen una determinada caracterstica
que se llama xito (diabetes, obesidad, hbito de fumar, etc.). El nmero de
xitos en una muestra aleatoria de tamao n, extrada sin reemplazo de la
poblacin, es una variable aleatoria con distribucin hipergeomtrica de
parmetros N, R y n. Cuando el tamao de la poblacin es grande, los

muestreos con y sin reemplazo son equivalentes, por lo que la distribucin

hipergeomtrica se aproxima en tal caso a la binomial.
Valores: x: max{0,n-(N-R)}, ..., min{R,n}, donde max{0,n-(N-R)} indica el valor
mximo entre 0 y n- (N-R) y min{R,n} indica el valor mnimo entre R y n.
Parmetros:
N: tamao de la poblacin, N>0 entero
R: nmero de xitos en la poblacin, R0 entero
n: nmero de pruebas, n>0 entero

DISTRIBUCION MULTINOMMIAL
Este modelo se puede ver como una generalizacin del Binomial en el que, en
lugar de tener dos posibles resultados, tenemos r resultados posibles.
Supongamos que el resultado de una determinada experiencia puede
ser r valores distintos: A1, A2, ..., Ar cada uno de ellos con
probabilidad p1, p2, ..., pr, respectivamente.

Si repetimos la experiencia n veces en condiciones independientes, podemos

preguntarnos la probabilidad de que el suceso A1 aparezca k1 veces, el
suceso A2, k2 veces y as sucesivamente:

Al modelo estadstico que nos da dicha probabilidad se le

denomina Multinomial, y su funcin de densidad viene dada por:

Como se ve, el modelo Multinomial queda definido por los parmetros

(n, p1, p2, ..., pr). La frmula anterior puede deducirse de forma anloga al caso
Binomial. En realidad, si tomamos r = 2 tenemos exactamente el modelo
Binomial.
Se debe destacar que este modelo es un ejemplo de distribucin multivariante,
es decir, de distribucin conjunta de varias (r) variables aleatorias. En efecto, si
definimos la variable aleatoria X1 como nmero de veces que se produce el
suceso A1 de un total de n experiencias, y as sucesivamente, tenemos un
conjunto de r variables aleatorias discretas cuya funcin de densidad conjunta
(valorada a la vez) viene definida por la anterior frmula. Ntese que si
consideramos cada una de estas variables Xi (i = 1, 2, ..., r) por separado, su
distribucin es la Binomial de parmetros n y pi.

DISTRIBUCION UNIFORME DISCRETA

Tenemos esta distribucin cuando el resultado de una experiencia aleatoria
puede ser un conjunto finito de n posibles resultados, todos ellos igualmente
probables.
Un ejemplo puede ser la variable X, puntuacin en el lanzamiento de un dado
regular. Esta variable toma seis valores posibles, todos con la misma
probabilidad p = 1/6. La funcin de densidad de esta variable ser:
f(k) = P[X = k] = 1/6

k = 1, 2, 3, 4, 5, 6

En general, si la variable X puede tomar n (k = 1, 2, ..., n) valores, todos con

igual probabilidad, su funcin de densidad ser:
f(k) = P[X = k] = 1/n

k = 1, 2, ..., n

Propiedades del modelo Uniforme discreto

Sea n el nmero de valores equiprobables posibles:
1) Esperanza:

2) Varianza:

DISTRIBUCION DE POISSON
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
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%