Distribución binomial

Una distribución binomial es una distribución discreta que modela el número de

eventos en un número de ensayos fijo. Cada ensayo tiene dos resultados
posibles, y evento es el resultado de interés en un ensayo.

Utilice la distribución binomial para describir un proceso donde los resultados

se pueden etiquetar como un evento o un no evento y cuando esté interesado
en la ocurrencia de un evento y no en su magnitud. Por ejemplo, un elemento
pasa o no pasa una inspección o un partido político gana o pierde. La
distribución binomial se usa frecuentemente en control de calidad, sondeos de
opinión pública, investigaciones médicas y seguros.

Por ejemplo, utilice la distribución binomial para calcular la probabilidad de que

3 o más elementos defectuosos se encuentren en una muestra de 25
elementos si la probabilidad de un elemento defectuoso en cada ensayo es
0.02. El número de elementos defectuosos (X) sigue una distribución binomial
con n = 25 y p = 0.02.

El número de eventos (X) en n ensayos sigue una distribución binomial si se

cumplen las siguientes condiciones:

 El número de ensayos es fijo.

 Cada ensayo es independiente de otros ensayos.

 Cada ensayo tiene uno de dos resultados: evento o no evento.

 La probabilidad de un evento es igual para cada ensayo.

Una de las propiedades de la distribución binomial es que cuando n es

grande, la distribución binomial puede ser aproximada razonablemente por
la distribución normal. Por ejemplo, para la siguiente distribución binomial,
n = 100 y p = 0.5.
Formula

Parámetros: Media, varianza y desviación típica

Ejemplos
Distribución hipergeometrica

La distribución hipergeométrica es una distribución discreta que modela el

número de eventos en una muestra de tamaño fijo cuando usted conoce el
número total de elementos en la población de la cual proviene la muestra. Cada
elemento de la muestra tiene dos resultados posibles (es un evento o un no
evento). Las muestras no tienen reemplazo, por lo que cada elemento de la
muestra es diferente. Cuando se elige un elemento de la población, no se
puede volver a elegir. Por lo tanto, la probabilidad de que un elemento sea
seleccionado aumenta con cada ensayo, presuponiendo que aún no haya sido
seleccionado.

Utilice la distribución hipergeométrica para muestras obtenidas de poblaciones

relativamente pequeñas, sin reemplazo. Por ejemplo, la distribución
hipergeométrica se utiliza en la prueba exacta de Fisher para probar la
diferencia entre dos proporciones y en muestreos de aceptación por atributos
cuando se toman muestras de un lote aislado de tamaño finito.

La distribución hipergeométrica se define por 3 parámetros: tamaño de la

población, conteo de eventos en la población y tamaño de la muestra.

Por ejemplo, usted recibe un envío de pedido especial de 500 etiquetas.

Supongamos que el 2% de las etiquetas es defectuoso. El conteo de eventos
en la población es de 10 (0.02 * 500). Usted toma una muestra de 40 etiquetas
y desea determinar la probabilidad de que haya 3 o más etiquetas defectuosas
en esa muestra. La probabilidad de que haya 3 o más etiquetas defectuosas en
la muestra es de 0.0384.
Formula

Ejercicio
Para evitar que lo descubran en la aduana, un viajero ha colocado 6
tabletas de narcótico en una botella que contiene 9 píldoras de vitamina que
son similares en apariencia. Si el oficial de la aduana selecciona 3 tabletas
aleatoriamente para analizarlas, a) ¿Cuál es la probabilidad de que el viajero
sea arrestado por posesión de narcóticos?, b) ¿Cuál es la probabilidad de que
no sea arrestado por posesión de narcóticos?.

Solución:
a) N = 9+6 =15 total de tabletas
a = 6 tabletas de narcótico
n = 3 tabletas seleccionadas
x = 0, 1, 2, o 3 tabletas de narcótico = variable que nos indica el número de
tabletas de narcótico que se puede encontrar al seleccionar las 3 tabletas

p(viajero sea arrestado por posesión de narcóticos) = p(de que entre las 3
tabletas seleccionadas haya 1 o más tabletas de narcótico)
Distribución de poisson

Esta distribución es una de las más importantes distribuciones

de variable discreta. Sus principales aplicaciones hacen referencia a la
modelización de situaciones en las que nos interesa determinar el
número 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
consideración límite de procesos dicotómicos reiterados un gran
número de veces si la probabilidad de obtener un éxito es muy
pequeña .

Proceso experimental del que se puede hacer derivar

Esta distribución se puede hacer derivar de un proceso

experimental de observación en el que tengamos las siguientes
características

· Se observa la realización de hechos de cierto tipo durante un cierto

periodo de tiempo o a lo largo de un espacio de observación

· Los hechos a observar tienen naturaleza aleatoria ; pueden

producirse o no de una manera no determinística.

· La probabilidad de que se produzcan un número x de éxitos en un

intervalo de amplitud t no depende del origen del intervalo (Aunque, sí
de su amplitud)

· La probabilidad de que ocurra un hecho en un intervalo infinitésimo

es prácticamente proporcional a la amplitud del intervalo.

· La probabilidad de que se produzcan 2 o más hechos en un intervalo

infinitésimo es un infinitésimo de orden superior a dos.

En consecuencia, en un intervalo infinitésimo podrán producirse O ó 1

hecho pero nunca más de uno
· Si en estas circunstancias aleatorizamos de forma que la variable
aleatoria X signifique o designe el "número de hechos que se
producen en un intervalo de tiempo o de espacio", la variable X se
distribuye con una distribución de parámetro l . Así:

El parámetro de la distribución es, en principio, el factor de

proporcionalidad para la probabilidad de un hecho en un intervalo
infinitésimo. Se le suele designar como parámetro de intensidad ,
aunque más tarde veremos que se corresponde con el número medio
de hechos que cabe esperar que se produzcan en un intervalo unitario
(media de la distribución); y que también coincide con la varianza de la
distribución.

Por otro lado es evidente que se trata de un modelo discreto y que

el campo de variación de la variable será el conjunto del número
natural, incluido el cero:
Ejemplos:
Si un banco recibe en promedio 6 cheques sin fondo por día, ¿cuáles son las
probabilidades de que reciba, a) cuatro cheques sin fondo en un día dado, b)
10 cheques sin fondos en cualquiera de dos días consecutivos?

Solución:
a) x = variable que nos define el número de cheques sin fondo
que llegan al banco en un día cualquiera = 0, 1, 2, 3, ....., etc, etc.
l = 6 cheques sin fondo por día
e = 2.718

b)
x= variable que nos define el número de cheques sin fondo que
llegan al banco en dos días consecutivos = 0, 1, 2, 3, ......, etc., etc.
l = 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en
dos días consecutivos
Nota: l siempre debe de estar en función de x siempre o dicho de otra
forma, debe “hablar” de lo mismo que x.

Distribución normal

Se trata, sin duda, del modelo continuo más importante en estadística, tanto
por su aplicación directa, veremos que muchas variables de interés general
pueden describirse por dicho modelo, como por sus propiedades, que han
permitido el desarrollo de numerosas técnicas de inferencia estadística. En
realidad, el nombre de Normal proviene del hecho de que durante un tiempo se
creyó, por parte de médicos y biólogos, que todas las variables naturales de
interés seguían este modelo.

Su función de densidad viene dada por la fórmula:

Que, como vemos, depende de dos parámetros μ (que puede ser cualquier
valor real) y σ (que ha de ser positiva). Por esta razón, a partir de ahora
indicaremos de forma abreviada que una variable X sigue el modelo
Normal así: X ~ N(μ, σ). Por ejemplo, si nos referimos a una distribución
Normal con μ = 0 y σ = 1 lo abreviaremos N(0, 1).

A continuación presentamos la gráfica de esta función de densidad (donde se

pueden cambiar los parámetros):

Como se puede ver, la función de densidad del modelo Normal tiene forma de
campana, la que habitualmente se denomina campana de Gauss. De hecho, a
este modelo, también se le conoce con el nombre de distribución gaussiana.