MODELOS PROBABILISTICOS O DISTRIBUCIÓN DE PROBABILIDAD

INTRODUCCIÓN:
Un modelo probabilístico de un experimento requiere asociar un valor de probabilidad a
cada punto del espacio muestral. En el caso de las variables aleatorias discretas, la
función que asocia una probabilidad a la variable se denomina función de probabilidad
de masa (fpm), y se designa por px(x0) . Esta función representa la probabilidad que la
variable aleatoria X tome el valor x0 en la realización del experimento. Usualmente, la
función de probabilidad de masa se representa por un gráfico de barras para cada valor
de la variable aleatoria

1. MODELO BINOMIAL
a) CONCEPTO
Es la distribución n de probabilidades de una Variable Absoluta Discreta que
puede tomar valores X = {1,2,3,…,n} Este tipo de distribución resulta de
contar el umero de éxitos al repetir “n” veces un experimento que tiene dos
resultados posibles (éxito y fracaso) con probabilidades p y q
respectivamente.
Se representa que X sigue la distribución binomial X~Bi(n,p) también suele
escribirse: X~B(n,p). Su función de probabilidad:

𝑛
𝑃𝑘 = P(x = K) = ( ) ∗ 𝑝𝐾 ∗ 𝑞 𝑛−𝑘
𝐾
Donde:
P(k) = probabilidad de X éxitos dados los parámetros n y p
n: Tamaño de la muestra
P: Probabilidad de éxito
1-p: probabilidad de fracaso
X: número de éxitos de a muestra (X= 0,1,2, 3, … ,n)

b) CONDICIONES
La distribución binomial es una distribución de probabilidades que surge al
cumplirse las siguientes condiciones:

El número de ensayos o repeticiones del experimento (n) es constante.

En cada ensayo hay sólo dos posibles resultados (éxito o fracaso,
defectuoso o no defectuoso).
La probabilidad de cada resultado posible en cualquier ensayo permanece
constante.
En cada ensayo, los dos resultados posibles son mutuamente excluyentes.
Los resultados de cada ensayo son independientes entre sí.

c) FORMA
 Simétrica: Cuando p=0.5 sin tomar en cuenta que tan grande o pequeño
sea el valor de "n"
Sesgada: Cuando p≠0.5. Cuanto más cerca se encuentre "p" de 0.5 y
mayor sea el número de observaciones "n", menos sesgada será la
distribución, por otra parte, con una "p" pequeña la distribución tendrá
un gran sesgo a la derecha y para una "p" muy grande la distribución
tendría un gran sesgo a la izquierda.

d) TABLA
Proporciona, para diversas combinaciones de n y p, las probabilidades de que la
variable aleatoria binomial tome valores x = 0, 1, 2, ..., n. Tiene en la primera
fila los valores de "p"; en la primera columna los valores de "n" y en la segunda
columna los valores de x, pero están representados en ella por una k Sí se quiere
tener el resultado de la probabilidad se combinan los valores de n y p y dentro de
ellos se busca el valor de x que se necesita.

e) APLICACIÓN
Variable aleatoria: X = {0,1,2,3}, la cual sigue una distribución binomial
X~Bi(10,0.1), es decir n = 10 y p = 0.1→q = 1-p = 0.9

Calcular la probabilidad de que:

 P[X>1] = P[x=2]+P[x=3] = 0.1937 + 0.0573 ≈ 0.25
10
P(x = 0) = ( ) ∗ 0.10 ∗ 0.910−0 = 0.3486
0
10
P(x = 1) = ( ) ∗ 0.11 ∗ 0.910−1 = 0.3874
1

10
P(x = 2) = ( ) ∗ 0.12 ∗ 0.910−2 = 0.1937
2
10
P(x = 3) = ( ) ∗ 0.13 ∗ 0.910−3 = 0.0573
3

 P[X≥3] = P[x=3] = 0.0573

 P[X<3] = P[x=2]+P[x=1]+ P[x=0] = 0.1937 + 0.3674 + 0.3486 ≈
0.9297
 P[x≤3] = P[x=0]+P[x=1]+P[x=2]+P[x=3] = 1

2. MODELO HIPERGEOMETRICO
a) CONCEPTO
Es especialmente útil en todos aquellos casos en los que se extraigan
muestras o se realicen experiencias repetidas sin devolución del elemento
extraído o sin retornar a la situación experimental inicial.
 Es una distribución fundamental en el estudio de muestras pequeñas de
poblaciones pequeñas y en el cálculo de probabilidades de juegos de azar.
Tiene grandes aplicaciones en el control de calidad para procesos
experimentales en los que no es posible retornar a la situación de partida.

b) CONSIDERACIONES
Las consideraciones a tener en cuenta en una distribución hipergeométrica:
El proceso consta de "n" pruebas, separadas o separables de entre un
conjunto de "N" pruebas posibles.
Cada una de las pruebas puede dar únicamente dos resultados
mutuamente excluyentes.
El número de individuos que presentan la característica A (éxito) es
"k".
En la primera prueba las probabilidades son: P(A)= p y P(A)= q; con
p+q=1.

En estas condiciones, se define la variable aleatoria X = “nº de éxitos

obtenidos”. La función de probabilidad de esta variable sería:

𝑘 𝑁−𝑘 Donde:
(𝑥 ) ∗ ( 𝑛 − 𝑥 ) N=Tamaño de la población
P(X = x) =
𝑁 K= n° individuos que..
(𝑛 )
n= Tamaño de la muestra
X = Valor que toma la variable

c) LA MEDIA, VARIANZA Y DESVIACIÓN TÍPICA DE ESTA

DISTRIBUCIÓN
Están dadas por:

µ = np
𝑁−𝑛
ơ2 = 𝑛𝑝𝑞 ∗
𝑁−1
𝑁−𝑛
ơ = √𝑛𝑝𝑞
𝑁−1

d) EJEMPLOS
1. Supongamos la extracción aleatoria de 8 elementos de un conjunto
formado por 40 elementos totales (cartas baraja española) de los cuales
10 son del tipo A (salir oro) y 30 son del tipo complementario (no salir
oro).
Si realizamos las extracciones sin devolver los elementos extraídos y
llamamos X al número de elementos del tipo A (oros obtenidos) que
 extraemos en las 8 cartas; X seguirá una distribución hipergeométrica de
parámetros 40, 8, 10/40.H(40,8,0,25).
Para calcular la probabilidad de obtener 4 oros:

10 30
(4)∗(4)
P(X = 4) = = 0.07
40
(8)

2. De cada 20 piezas fabricadas por una máquina, hay 2 que son

defectuosas. Para realizar un control de calidad, se observan 15
elementos y se rechaza el lote si hay alguna que sea defectuoso. Vamos a
calcular la probabilidad de que el lote sea rechazado.
N = 20
n = 15
X = Número de piezas defectuosas de las 15 escogidas
P (x≥1) = 1-p (x<1) = 1-p (x=0)
2 20 − 2
(0) ∗ ( )
15 = 0.947
20
( )
15

NOTA: Cuando N es muy grande, como criterio se suele considerar N > 10n, la
distribución hipergeométrica se puede aproximar por la binomial B (n, p) con p = k/N.
REFERENCIAS BIBLIOGRÁFICAS
https://www.ecured.cu/Distribuci%C3%B3n_binomial

https://proyectodescartes.org/iCartesiLibri/materiales_didacticos/EstadisticaProbabilida
dInferencia/VAdiscreta/4_1DistribucionHipergeometrica/index.html