You are on page 1of 5

Distribución Binomial

Es una extensión de la distribución de Bernoulli. Supongamos que se repite un
experimento “n” veces de forma idéntica e independiente. Los resultados de cada
realización del experimento se clasifican en dos categorías (como en el caso de
Bernoulli), una será la probabilidad de éxito p, y otra q=1-p, la de fracaso.
Así, por tanto, sea X una variable aleatoria discreta, se dice que se distribuye
como una distribución binomial de parámetros (n,p). Siempre se debe de verificar
que n>1 y que p tome valores entre 0 y 1.
La función de probabilidad viene dada por la expresión:

Además, es fácil de comprobar que se verifica que E [x]=np y que V [x]= np(1-p)=
npq
Su función de distribución es:

A continuación podemos ver varios ejemplos de variables que se distribuyen con
una Binomial: número de caras al lanzar 20 veces una moneda, número de
aprobados si se presentan 80 alumnos a un examen, número de familias con un
solo hijo en una población de 120 familias, número de reacciones negativas ante
un fármaco administrado a 40 pacientes, número de accidentes de tráfico si han
circulado 1200 automóviles ó número de semillas que germinan de las 20 semillas
que se han plantado en suelos de idéntica composición.
Propiedades de la distribución Binomial:
1. La distribución Binomial se puede obtener como suma de n variables aleatorias
independientes Bernouilli con el mismo parámetro “p”.

2. por tanto. X→P(λ) con λ > . para esta distribución se verifica que su esperanza y su varianza son: E [X]= λ V[X] = λ y su función de distribución: .0 si su función o distribución de probabilidad viene dada por: En esta distribución λ representa el número promedio de ocurrencias en un intervalo de tiempo o en un espacio. donde X suele representar el número de eventos independientes que ocurren a velocidad constante en un intervalo de tiempo o en un espacio. Si tenemos dos variables aleatorias que se distribuyen según una Binomial con el mismo parámetro “p”. Por lo tanto. Así.p ). y V[Y]= pq/n Distribución de Poisson Esta es una distribución discreta de gran utilidad sobre todo en procesos biológicos.p/n) y además su esperanza y varianza son E[Y ] = P.p) entonces siempre se verifica X+Y→B(n+m. se dice que se distribuye como una distribución de Poisson.p) Si no tienen la misma probabilidad no se pueden sumar 3. p) e Y=X/n. e Y → B( m. es decir. entonces se verifica Y→B(1. Sea X una variable aleatoria e Y otra variable aleatoria que verifican que X→ B(n.X → B(n. sea X una variable aleatoria discreta. con la misma probabilidad de éxito.

Esta distribución de caracteriza porque los valores se distribuyen formando una campana de Gauss. Distribución Normal Es una de las distribuciones más importantes. etc. la distribución de Poisson no sería apropiada Ejemplo: Una central telefónica recibe una media de 480 llamadas por hora. en torno a un valor central que coincide con el valor medio de la distribución: Las ventajas teóricas de este modelo hacen que su uso se generalice en las aplicaciones reales.0638. Sea X una variable aleatoria continua. ya que multitud de fenómenos se comportan según una distribución normal. o no estar los defectos igualmente distribuidos en el material. Sin embargo. ¿cuál es la probabilidad de que en un minuto determinado no sea posible dar línea a todos los clientes? Si definimos X = “Nº de llamadas por minuto” entonces X → P (8) P (X > 12)= 1 − P (X ≤ 12)= 1 − 0. de llegar muchos clientes en una determinada franja horaria y pocos en otra. número de defectos en un trozo de material. Es el modelo de distribución más utilizado en la práctica. Si el número de llamadas se distribuye según una Poisson y la central tiene una capacidad para atender a lo sumo 12 llamadas por minuto. se dice que se distribuye como una normal .Seguidamente se pueden ver varios ejemplos de variables que se distribuyen con una Poisson: Número de clientes que llegan a un banco durante una hora o una mañana.9362 = 0.

.Distribución hipergeometrica Este modelo presenta similitudes con el Binomial. la variable X que representa el número k de individuos que pertenecen a la categoría A (de los n extraídos) tiene por función de densidad: La distribución lognormal se obtiene cuando los logaritmos de una Variable se describen mediante una distribución normal. pero sin la suposición de independencia de éste último. Es el caso en el que las variaciones en la fiabilidad de una misma clase de componentes técnicos se representan considerando la tasa de fallos λaleatoria en lugar de una variable constante. Veámoslo: Partimos de un conjunto formado por N individuos divididos en dos categorías mutuamente excluyentes: A y Ac. a la categoría Ac. se cumple que N = N1 + N2 Si del conjunto anterior extraemos n individuos sin reemplazamiento (n ≤ N). Por tanto. de manera que N1 individuos pertenecen a la categoría A y N2 individuos.

por tanto. La esperanza matemática o media en la distribución lognormal es mayor que su mediana. La distribución lognormal tiene dos parámetros: m* (media aritmética del logaritmo de los datos o tasa de fallos) y σ(desviación estándar del logaritmo de los datos o tasa de fallos). Es idónea para parámetros que son a su vez producto de numerosas cantidades aleatorias (múltiples efectos que influyen sobre la fiabilidad de un componente). a ser pesimista. La distribución logarítmica-normal se caracteriza por las siguientes propiedades: Asigna a valores de la variable < 0 la probabilidad 0 y de este modo se ajusta a las tasas y probabilidades de fallo que de esta forma sólo pueden ser positivas. según veremos. . Como depende de dos parámetros. proporciones o porcentajes más que por valores absolutos como es el caso de la distribución normal. se ajusta bien a un gran número de distribuciones empíricas.Es la distribución natural a utilizar cuando las desviaciones a partir del valor del modelo están formadas por factores. De este modo da más importancia a los valores grandes de las tasas de fallo que una distribución normal con los mismos percentiles del 5% y 50% tendiendo.