Vous êtes sur la page 1sur 11

Distribucin de probabilidad discreta

Se denomina distribucin de variable discreta a aquella cuya funcin de


probabilidad slo toma valores positivos en un conjunto de valores de X
finito o infinito numerable. A dicha funcin se le llama funcin de masa de
probabilidad. En este caso la distribucin de probabilidad es la suma de la
funcin de masa, por lo que tenemos entonces que:

( ) = ( ) = ()
=

Y, tal como corresponde a la definicin de distribucin de probabilidad, esta


expresin representa la suma de todas las probabilidades desde - hasta el
valor x.

Tipos de distribucin de probabilidad discreta.

Descripcin de Bernoulli
Descripcin binomial
Descripcin de poisson
Descripcin de hipergeometrica
Valor esperado y varianza
1. DISTRIBUCIN DE BERNOULLI.

En teora de probabilidad y estadstica, la distribucin de Bernoulli (o


distribucin dicotmica), nombrada as por el matemtico
y cientfico suizo Jakob Bernoulli, es una distribucin de probabilidad discreta,
que toma valor 1 para la probabilidad de xito (p) y valor 0 para la probabilidad
de fracaso (q=1-p).

Si X es una variable aleatoria que mide el "nmero de xitos", y se realiza un


nico experimento con dos posibles resultados (xito o fracaso), se dice que la
variable aleatoria X se distribuye como una Bernoulli de parmetro p.

X Be(p)
Su funcin de probabilidad viene definida por:
() = (1 )1 con x = {0,1}

La frmula ser:


(; ) = { si x =1 , si x = 0 en cualquier otro caso.
0

Un experimento al cual se aplica la distribucin de Bernoulli se conoce


como Ensayo de Bernoulli o simplemente ensayo, y la serie de esos
experimentos como ensayos repetidos.

Ejemplos:
Probabilidad de obtener cara en el lanzamiento de una moneda.
Probabilidad de que un individuo nazca macho/hembra.
Probabilidad de que al caer una tostada quede el lado de la mermelada
hacia arriba.
2. DISTRIBUCIN BINOMIAL

En estadstica, la distribucin binomial es una distribucin de


probabilidad discreta que cuenta el nmero de xitos en una secuencia
de n ensayos de Bernoulli independientes entre s, con una probabilidad
fija p de ocurrencia del xito entre los ensayos. Un experimento de Bernoulli se
caracteriza por ser dicotmico, esto es, slo son posibles dos resultados. A uno
de estos se denomina xito y tiene una probabilidad de ocurrencia p y al otro,
fracaso, con una probabilidad q = 1 - p. En la distribucin binomial el anterior
experimento se repite n veces, de forma independiente, y se trata de calcular la
probabilidad de un determinado nmero de xitos. Para n = 1, la binomial se
convierte, de hecho, en una distribucin de Bernoulli.

Para representar que una variable aleatoria X sigue una distribucin binomial
de parmetros n y p, se escribe:

X B (p,q)

La distribucin binomial es la base del test binomial de significacin estadstica.

Ejemplos

Se lanza un dado diez veces y se cuenta el nmero X de tres obtenidos:


entonces X ~ B(10, 1/6)
Se lanza una moneda dos veces y se cuenta el nmero X de caras
obtenidas: entonces X ~ B(2, 1/2).
3. DISTRIBUCION DE POISSON:

En teora de probabilidad y estadstica, la distribucin de Poisson es una


distribucin de probabilidad discreta que expresa, a partir de una frecuencia de
ocurrencia media, la probabilidad de que ocurra un determinado nmero de
eventos durante cierto perodo de tiempo. Concretamente, se especializa en la
probabilidad de ocurrencia de sucesos con probabilidades muy pequeas, o
sucesos "raros".

Fue descubierta por Simon-Denis Poisson, que la dio a conocer en 1838 en


su trabajo Recherches sur la probabilit des jugements en matires criminelles
et matire civile (Investigacin sobre la probabilidad de los juicios en materias
criminales y civiles).

PROPIEDADES

La funcin de masa o probabilidad de la distribucin de Poisson es:


( + ) =
!

Donde:

k es el nmero de ocurrencias del evento o fenmeno (la funcin nos da la


probabilidad de que el evento suceda precisamente k veces).
es un parmetro positivo que representa el nmero de veces que se
espera que ocurra el fenmeno durante un intervalo dado. Por ejemplo, si el
suceso estudiado tiene lugar en promedio 4 veces por minuto y estamos
interesados en la probabilidad de que ocurra k veces dentro de un intervalo
de 10 minutos, usaremos un modelo de distribucin de Poisson con =
104 = 40.
e es la base de los logaritmos naturales (e = 2,71828...)
Tanto el valor esperado como la varianza de una variable aleatoria con
distribucin de Poisson son iguales a . Los momentos de orden superior
son polinomios de Touchard en cuyos coeficientes tienen una
interpretacin combinatoria. De hecho, cuando el valor esperado de la
distribucin de Poisson es 1, entonces segn la frmula de Dobinski, el n-simo
momento iguala al nmero de particiones de tamao n.
La moda de una variable aleatoria de distribucin de Poisson con un no

entero es igual a , el mayor de los enteros menores que (los smbolos
representan la funcin parte entera). Cuando es un entero positivo, las modas
son y 1.

La funcin generadora de momentos de la distribucin de Poisson con valor


esperado es



)

( = (; ) = = ( 1)
!
k=0
=0

Las variables aleatorias de Poisson tienen la propiedad de ser infinitamente


divisibles.
La divergencia Kullback-Leibler desde una variable aleatoria de Poisson de
parmetro 0 a otra de parmetro es

0 0 0
(0 ) = (1 + )

4. DESCRIPCION HIPERGEOMETRICA

En teora de la probabilidad la distribucin hipergeomtrica es


una distribucin discreta relacionada con muestreos aleatorios y sin reemplazo.
Suponga que se tiene una poblacin de N elementos de los
cuales, d pertenecen a la categora Ay N-d a la B. La distribucin
hipergeomtrica mide la probabilidad de obtener x (0 ) elementos de la
categora A en una muestra sin reemplazo de n elementos de la poblacin
original.

PROPIEDADES

La funcin de probabilidad de una variable aleatoria con distribucin


hipergeomtrica puede deducirse a travs de razonamientos combinatorios y
es igual a


() ( )
( = ) =
(

)
5. VALOR ESPERADO Y VARIANZA

VALOR ESPERADO:

El valor esperado es un concepto fundamental en el estudio de las


distribuciones de probabilidad. Desde hace muchos aos este concepto ha sido
Aplicado ampliamente en el negocio de seguros y en los ltimos veinte aos ha
Sido aplicado por otros profesionales que casi siempre toman decisiones en
Condiciones de incertidumbre.
Para obtener el valor esperado de una variable aleatoria discreta, multiplicamos
Cada valor que sta puede asumir por la probabilidad de ocurrencia de ese
Valor y luego sumamos los productos. Es un promedio ponderado de los
Resultados que se esperan en el futuro.

Sea X una Variable Aleatoria que toma valores en un conjunto discreto (en un
conjunto finito de nmeros en uno infinito como: los naturales, los enteros o los
racionales), por ejemplo si la variable aleatoria X toma los siguientes valores:

X = 0, 1, 2, 3, decimos que es discreta

La probabilidad de que X tome cada uno de sus valores viene dada por la
funcin de probabilidad:

P(X = i ), para i = 0, 1, 2, 3, ... ;

Sea P(X = i ) = pi para i = 0, 1, 2, 3, ... Se tiene que p1 + p2 + p3 +...+ pn +... =1

Se define el Valor Esperado de una Variable Aleatoria con distribucin discreta

como:

= E(X) = xf (x)

Y para una variable aleatoria con distribucin continua como


= E(X) = xf (x)dx
VARIANZA:

Se podra usar un argumento parecido para justificar las frmulas para la


varianza
de la poblacin 2 y la desviacin estndar de la poblacin . Estas medidas
numricas describen la dispersin o variabilidad de la variable aleatoria
mediante
el promedio o valor esperado de las desviaciones cuadrticas de los valores
de
x a partir de su media .

Sea x variable aleatoria discreta con distribucin de probabilidad f(x) y media


.

La varianza de x es: La varianza de x es: 2 = E[( - X ) ] =(x - )2 f (x)

Sea x variable aleatoria continua con distribucin de probabilidad f(x) y media


.
La varianza de x es : 2 = E[( X -)2 ] = (x- )2 f x dx
DISTRIBUCIN DE PROBABILIDAD CONTINUA

En teora de la probabilidad una distribucin de probabilidad se


llama continua si su funcin de distribucin es continua. Puesto que la funcin
de distribucin de una variable aleatoria X viene dada por (x) = P( X x), la
definicin implica que en una distribucin de probabilidad continua X se cumple
P[X = a] = 0 para todo nmero real a, esto es, la probabilidad de que X tome el
valor a es cero para cualquier valor de a. Si la distribucin de X es continua, se
llama a X variable aleatoria continua.
En las distribuciones de probabilidad continuas, la distribucin de probabilidad
es la integral de la funcin de densidad, por lo que tenemos entonces que:


(x) = P ( X x) = (t)

Tipos de distribuciones de variable continua las ms importantes.

Distribucin Beta
Distribucin exponencial
Distribucin F
Distribucin Gamma
Distribucin ji cuadrado
Distribucin normal
Distribucin t de Student
DISTRIBUCIN NORMAL

Concepto:

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.

Para indicar que una variable aleatoria (v.a.) sigue una distribucin normal de
media y desviacin estndar usaremos la expresin: X N(,).
Historia:

La distribucin normal se conoce como la curva de Gauss o campana de


Gauss, famoso matemtico alemn del siglo 19.
Realmente, fue un trabajo de ms de 200 aos para descubrirla y establecer su
ecuacin. En este post, explico la historia de la distribucin ms conocida de la
estadstica: la ley normal.
Su origen viene de la observacin de un estadstico francs del siglo
18, Abraham de Moivre, que, entre otras cosas, actuaba como consultor para
temas de juegos. Observ, que al lanzar una moneda, la probabilidad de
obtener cara (o cruz) en N tirada tena una representacin grfica con una
curva suave a medida que N se haca grande. En el grfico presentado a
continuacin, la altura de cada barra representa la probabilidad de que ocurra
el evento (sale cara al lanzar una moneda) de N veces que lanzamos la
moneda (hemos cogido, N=2; N=4; N=12). Si la moneda no est trucada, la
probabilidad de que salga cara al lanzarla es del 50% (p=0,5). Este fenmeno
sigue una distribucin conocida como la Binomial.