Distribucin uniforme discreta

En teora de la probabilidad, la distribucin uniforme discreta es una distribucin de probabilidad que asume un nmero finito de valores con la misma probabilidad.

Propiedades
Si la distribucin asume los valores reales , su funcin de probabilidad es

y su funcin de distribucin la funcin escalonada

Su media estadstica es

y su varianza

Ejemplos

Para un dado perfecto, todos los resultados tienen la misma probabilidad 1/6. Luego, la probabilidad de que al lanzarlo caiga 4 es 1/6.

Para una moneda perfecta, todos los resultados tienen la misma probabilidad 1/2. Luego, la probabilidad de que al lanzarla caiga cara es 1/2.

DISTRIBUCION DE PROBABILIDADES DISCRETAS Sigamos con nuestro ejemplo del centro medico de departamento de Ucayali. Nuestra variable de inters seria: Deseo ser esterilizada. Supongamos que a la charla asistieron tres mujeres, entonces definimos como variable aleatoria a: X : Nmero de mujeres que desearan ser esterilizadas. Antes de hacerles la pregunta sobre su deseo de ser esterilizadas, puede considerar las posibles respuestas: X = 0 Ninguna deseara ser esterilizada X = 1 Slo una de las mujeres deseara X = 2 Dos mujeres desearan X = 3 Las tres mujeres desearan

Antes de verificar las respuestas de las 3 mujeres seleccionada; no sabe cuntas estarn de acuerdo en ser esterilizadas, pero si conociera las probabilidades de ocurrencia de cada uno de los posibles valores de la variable podra predecir su ocurrencia con una cierta probabilidad. El conjuntode las probabilidades de ocurrencia de los posibles valores de la variable aleatoria se denomina distribucin de probabilidades. En nuestro ejemplo:

A esto se le llama distribucin de probabilidades discreta. Discreta porque la variable X deseo ser esterilizada es discreta.

DISTRIBUCION BINOMIAL Esta distribucin se basa en el proceso de Bernoulli. Se denominan procesos de tipo Bernoulli, a todo experimento consistente en una serie de pruebasrepetidas, caracterizadas por tener resultados que se pueden clasificar en si verifican o no cierta propiedad o atributo, siendo aleatorios eindependientes. Para identificar un proceso Bernoulli en una serie de pruebas repetidas, se deben verificar tres condiciones: 1. 2. Resultados dicotmicos: Los resultados de cada prueba se pueden clasificar en "xito" si verifican cierta condicin, o "fracaso" en el caso contrario. 3. Independencia de las pruebas: El resultado de una prueba cualquiera es independiente del resultado obtenido en la prueba anterior, y no incide en el resultado de la prueba siguiente. 4. Estabilidad de las pruebas: La probabilidad p de obtener un resultado considerado como un xito se mantiene constante a lo largo de toda la serie de pruebas. Cuando en un proceso del tipo Bernoulli se desea saber la probabilidad de obtener exactamente r xitos, en una serie de n pruebas, con una probabilidad de xito p, se puede aplicar la frmula de la probabilidad binomial:

X = 0, 1, 2, , n.

La media o valor esperado es m = np La varianza s 2 = np(1-p) Veamos el siguiente ejemplo:

Sea el caso de una droga X, con una dosis mortal de 1g/100 ml para cobayos experimentales, en el 25% de los casos. Aplicando esta dosis a cien cobayos se desea saber cuanto vale la probabilidad de que mueran veinte de ellos. Primero analizaremos si este caso cumple los supuestos bsicos de una distribucin binomial:

Los cobayos mueren (xito) o sobreviven (fracaso). Que un cobayo muera con la dosis, no significa que lo har el siguiente (independencia) pues no se trata de una epidemia. La probabilidad de que mueran se mantiene constante a lo largo de la serie de pruebas (p = 0,25).

Entonces, como si cumple los supuestos bsicos, aplicamos la formula:

Mucha matemtica. No se preocupen, tenemos al Excel

Ingresamos la informacin y listo P(x=20) = 0.0493

La distribucin Multinomial
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 = 2tenemos 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 X1como 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 ypi.