You are on page 1of 5

TEMA II

DISTRIBUCIONES DE PROBABILIDAD
2.1 Distribucin binomial.
Una distribucin binomial es una distribucin de probabilidad
ampliamente utilizada de una variable aleatoria discreta es la
distribucin binomial. Esta describe varios procesos de inters para los
administradores.
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.
La distribucin de probabilidad binomial es uno de los modelos
matemticos (expresin matemtica para representar una variable)
que se utiliza cuando la variable aleatoria discreta es el nmero de
xitos en una muestra compuesta por n observaciones.
Propiedades
- La muestra se compone de un nmero fijo de observaciones n
- Cada observacin se clasifica en una de dos categoras, mutuamente
excluyentes (los eventos no pueden ocurrir de manera simultnea.
Ejemplo: Una persona no puede ser de ambos sexos) y
colectivamente exhaustivos (uno de los eventos debe ocurrir. Ejemplo:
Al lanzar una moneda, si no ocurre cruz, entonces ocurre cara). A
estas categoras se las denomina xito y fracaso.
- La probabilidad de que una observacin se clasifique como xito, p,
es constante de una observacin o otra. De la misma forma, la

probabilidad de que una observacin se clasifique como fracaso, 1-p,


es constante en todas las observaciones.
- La variable aleatoria binomial tiene un rango de 0 a n
Ecuacin:
PX=n!X!n-X!pX1-pn-X
Donde
PX=Probabilidad de X xitos, dadas y
n = Nmero de observaciones
p = Probabilidad de xitos
1-p = Probabilidad de fracasos
X = Nmero de xitos en la muestra (= 0, 1, 2, 3, 4,)
Ejemplo ilustrativo N 1
Determine P(X=5) para n = 6 y p = 0,83
Solucin:
Aplicando la ecuacin se obtiene:
PX=n!X!n-X!pX1-pn-X
PX=5=6!5!6-5!0,8351-0,836-5=0,4018
2.2. Distribucin de Poisson. Aplicaciones.
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".

Esta distribucin es una de las ms importantes distribuciones de


variable discreta. Sus principales aplicaciones hacen referencia a la
modelizacin de situaciones en las que nos interesa determinar el
nmero de hechos de cierto tipo que se pueden producir en un
intervalo de tiempo o de espacio, bajo presupuestos de aleatoriedad y
ciertas circunstancias restrictivas. Otro de sus usos frecuentes es la
consideracin lmite de procesos dicotmicos reiterados un gran
nmero de veces si la probabilidad de obtener un xito es muy
pequea .
Proceso experimental del que se puede hacer derivar
Esta distribucin se puede hacer derivar de un proceso
experimental de observacin en el que tengamos las siguientes
caractersticas
Se observa la realizacin de hechos de cierto tipo durante un cierto
periodo de tiempo o a lo largo de un espacio de observacin
Los hechos a observar tienen naturaleza aleatoria ; pueden
producirse o no de una manera no determinstica.
La probabilidad de que se produzcan un nmero x de xitos en un
intervalo de amplitud t no depende del origen del intervalo (Aunque, s
de su amplitud)
La probabilidad de que ocurra un hecho en un intervalo infinitsimo
es prcticamente proporcional a la amplitud del intervalo.
La probabilidad de que se produzcan 2 o ms hechos en un intervalo
infinitsimo es un infinitsimo de orden superior a dos.
En consecuencia, en un intervalo infinitsimo podrn producirse O 1
hecho pero nunca ms de uno
Si en estas circunstancias aleatorizados de forma que la variable
aleatoria X signifique o designe el "nmero de hechos que se
producen en un intervalo de tiempo o de espacio", la variable X se
distribuye con una distribucin de parmetro.

2.3. Distribucin normal o de Gauss. Aplicaciones


La distribucin normal fue reconocida por primera vez por el francs
Abraham de Moivre (1667-1754). Posteriormente, Carl Friedrich
Gauss (1777-1855) elabor desarrollos ms profundos y formul la
ecuacin de la curva; de ah que tambin se la conozca, ms
comnmente, como la "campana de Gauss". La distribucin de una
variable normal est completamente determinada por dos parmetros,
su media y su desviacin estndar, denotadas generalmente por y .
Con esta notacin, la densidad de la normal viene dada por la
ecuacin:
Ecuacin 1:
que determina la curva en forma de campana que tan bien
conocemos (Figura 2). As, se dice que una caracterstica sigue una
distribucin normal de media y varianza , y se denota como , si su
funcin de densidad viene dada por la Ecuacin 1.
Al igual que ocurra con un histograma, en el que el rea de cada
rectngulo es proporcional al nmero de datos en el rango de valores
correspondiente si, tal y como se muestra en la Figura 2, en el eje
horizontal se levantan perpendiculares en dos puntos a y b, el rea
bajo la curva delimitada por esas lneas indica la probabilidad de que
la variable de inters, X, tome un valor cualquiera en ese intervalo.
Puesto que la curva alcanza su mayor altura en torno a la media,
mientras que sus "ramas" se extienden asintticamente hacia los ejes,
cuando una variable siga una distribucin normal, ser mucho ms
probable observar un dato cercano al valor medio que uno que se
encuentre muy alejado de ste.
Propiedades de la distribucin normal:
La distribucin normal posee ciertas propiedades importantes que
conviene destacar:
Tiene una nica moda, que coincide con su media y su mediana.

La curva normal es asinttica al eje de abscisas. Por ello,


cualquier valor entre y es tericamente posible. El rea total bajo la
curva es, por tanto, igual a 1.
Es simtrica con respecto a su media . Segn esto, para este
tipo de variables existe una probabilidad de un 50% de observar un
dato mayor que la media, y un 50% de observar un dato menor.
La distancia entre la lnea trazada en la media y el punto de
inflexin de la curva es igual a una desviacin tpica (). Cuanto mayor
sea , ms aplanada ser la curva de la densidad.
El rea bajo la curva comprendida entre los valores situados
aproximadamente a dos desviaciones estndar de la media es igual a
0.95. En concreto, existe un 95% de posibilidades de observar un
valor comprendido en el intervalo .
La forma de la campana de Gauss depende de los parmetros y
(Figura 3). La media indica la posicin de la campana, de modo que
para diferentes valores de la grfica es desplazada a lo largo del eje
horizontal. Por otra parte, la desviacin estndar determina el grado
de apuntamiento de la curva. Cuanto mayor sea el valor de , ms se
dispersarn los datos en torno a la media y la curva ser ms plana.
Un valor pequeo de este parmetro indica, por tanto, una gran
probabilidad de obtener datos cercanos al valor medio de la
distribucin.