Distribucion Binomial

Una distribución binomial es una distribución de probabilidad discreta

que describe el número de éxitos al realizar n experimentos
independientes entre sí, acerca de una variable aleatoria.

Existen una gran diversidad de experimentos o sucesos que pueden ser

caracterizados bajo esta distribución de probabilidad. Imaginemos el
lanzamiento de una moneda en el que definimos el suceso “sacar cara” como
el éxito. Si lanzamos 5 veces la moneda y contamos los éxitos (sacar cara) que
obtenemos, nuestra distribución de probabilidades se ajustaría a una
distribución binomial.

Por lo tanto, la distribución binomial se entiende como una serie de pruebas o

ensayos en la que solo podemos tener 2 resultados (éxito o fracaso), siendo el
éxito nuestra variable aleatoria.

Propiedades de la distribución binomial

Para que una variable aleatoria se considere que sigue una distribución
binomial, tiene que cumplir las siguientes propiedades:

 En cada ensayo, experimento o prueba solo son posibles dos resultados

(éxito o fracaso).
 La probabilidad del éxito ha de ser constante. Esta se representa
mediante la letra p. La probabilidad de que salga cara al lanzar una moneda es
0,5 y esta es constante dado que la moneda no cambia en cada experimento y
las probabilidades de sacar cara son constantes.
 La probabilidad de fracaso ha de ser también constate. Esta se
representa mediante la letra q = 1-p. Es importante fijarse que mediante esa
ecuación, sabiendo p o sabiendo q, podemos obtener la que nos falte.
 El resultado obtenido en cada experimento es independiente del
anterior. Por lo tanto, lo que ocurra en cada experimento no afecta a los
siguientes.
 Los sucesos son mutuamente excluyentes, es decir, no pueden ocurrir
los 2 al mismo tiempo. No se puede ser hombre y mujer al mismo tiempo o que
al lanzar una moneda salga cara y cruz al mismo tiempo.
 Los sucesos son colectivamente exhaustivos, es decir, al menos uno de
los 2 ha de ocurrir. Si no se es hombre, se es mujer y, si se lanza una moneda,
si no sale cara ha de salir cruz.
 La variable aleatoria que sigue una distribución binomial se suele
representar como X~(n,p), donde n representa el número de ensayos o
experimentos y p la probabilidad de éxito.

Formula de la distribución binomial

La fórmula para calcular la distribución normal es:
Donde:

n    = Número de ensayos/experimentos

x    = Número de éxitos

p    = Probabilidad de éxito

q    = Probabilidad de fracaso (1-p)

Es importante resaltar que la expresión entre corchetes no es una expresión

matricial, sino que es un resultado de una combinatoria sin repetición. Este se
obtiene con la siguiente formula:

El signo de exclamación en la expresión anterior representa el símbolo de

factorial.

Ejemplo de distribución binomial

Imaginemos que un 80% de personas en el mundo ha visto el partido de la final
del último mundial de fútbol. Tras el evento, 4 amigos se reúnen a conversar,
¿Cuál es la probabilidad de que 3 de ellos hayan visto el partido?

Definamos las variables del experimento:

n    = 4 (es el total de la muestra que tenemos)

x    = número de éxitos, que en este caso es igual a 3, dado que buscamos la
probabilidad de que 3 de los 4 amigos lo hayan visto.

p    = probabilidad de éxito (0,8)

q    = probabilidad de fracaso (0,2). Este resultado se obtiene al restar 1-p.

Tras definir todas nuestras variables, simplemente sustituimos en la formula.

 El numerador del factorial se obtendría de multiplicar 4*3*2*1 = 24 y en el
denominador tendríamos 3*2*1*1 = 6. Por lo tanto, el resultado del factorial
sería 24/6=4.
Fuera del corchete tenemos dos números. El primero sería 0,8^3=0,512 y el
segundo 0,2 (dado que 4-3 = 1 y cualquier número elevado a 1 es el mismo).

Por tanto, nuestro resultado final sería: 4*0,512*0,2 = 0,4096. Si multiplicamos

por 100 tenemos que hay una probabilidad del 40,96% de que 3 de los 4
amigos haya visto el partido de la final del mundial.

Distribuciones de probabilidad continuas y discretas

Más información sobre Minitab 18 

Las distribuciones de probabilidad son distribuciones de probabilidad continuas o

distribuciones de probabilidad discretas, dependiendo de si definen probabilidades
para variables continuas o discretas.

En este tema

 ¿Qué es una distribución continua?

 ¿Qué es una distribución discreta?

¿Qué es una distribución continua?

Una distribución continua describe las probabilidades de los posibles valores de
una variable aleatoria continua. Una variable aleatoria continua es una variable
aleatoria con un conjunto de valores posibles (conocido como el rango) que es
infinito y no se puede contar.

Las probabilidades de las variables aleatorias continuas (X) se definen como el área
por debajo de la curva de su PDF. Por lo tanto, solo los rangos de valores pueden
tener una probabilidad diferente de cero. La probabilidad de que una variable
aleatoria continua equivalga a algún valor siempre es cero.
Ejemplo de la distribución de pesos
La distribución normal continua puede describir la distribución del peso de
hombres adultos. Por ejemplo, usted puede calcular la probabilidad de que un
hombre pese entre 160 y 170 libras.

Gráfica de distribución del peso de hombres adultos

El área sombreada debajo de la curva en este ejemplo representa el rango de 160 a 170 libras. El
área de este rango es 0.136; por lo tanto, la probabilidad de que un hombre seleccionado
aleatoriamente pese entre 160 y 170 libras es de 13.6%. Toda el área por debajo de la curva
equivale a 1.0.
Sin embargo, la probabilidad de que X sea exactamente igual a algún valor siempre
es cero, porque el área por debajo de la curva en un punto individual, que no tiene
anchura, es cero. Por ejemplo, la probabilidad de que un hombre pese exactamente
190 libras es cero. Podría calcular una probabilidad diferente de cero de que un
hombre pese más de 190 libras, menos de 190 libras o entre 189.9 y 190.1 libras,
pero la probabilidad de que pese exactamente 190 libras es cero.

¿Qué es una distribución discreta?

Una distribución discreta describe la probabilidad de ocurrencia de cada valor de
una variable aleatoria discreta. Una variable aleatoria discreta es una variable
aleatoria que tiene valores contables, tales como una lista de enteros no negativos.

Con una distribución de probabilidad discreta, cada valor posible de la variable

aleatoria discreta puede estar asociado con una probabilidad distinta de cero. Por
lo tanto, una distribución de probabilidad discreta suele representarse en forma
tabular.
Ejemplo del número de quejas de clientes
Con una distribución discreta, a diferencia de una distribución continua, usted
puede calcular la probabilidad de que X sea exactamente igual a algún valor. Por
ejemplo, puede utilizar la distribución discreta de Poisson para describir el número
de quejas de clientes en un día. Supongamos que el número promedio de quejas
por día es 10 y usted desea saber la probabilidad de recibir 5, 10 y 15 quejas de
clientes en un día.

x P (X = x)

5 0.037833

1 0.12511
0

1 0.034718
5

Usted también puede visualizar una distribución discreta en una gráfica de

distribución para ver las probabilidades entre los rangos.

Gráfica de distribución del número de quejas de clientes

Las barras sombreadas en este ejemplo representan el número de ocurrencias cuando las quejas
diarias de los clientes son 15 o más. La altura de las barras suma 0.08346; por lo tanto, la
probabilidad de que el número de llamadas por día sea 15 o más es 8.35%.

Distribucion de Poisson
En teoría de probabilidad y estadística, la distribución de Poisson es una distribución de
probabilidad discreta que expresa, a partir de una frecuencia de ocurrencia media, la
probabilidad de que ocurra un determinado número de eventos durante cierto período de
tiempo. Concretamente, se especializa en la probabilidad de ocurrencia de sucesos con
probabilidades muy pequeñas, o sucesos «raros».
Fue propuesta por Siméon-Denis Poisson, que la dio a conocer en 1838 en su
trabajo Recherches sur la probabilité des jugements en matières criminelles et matière
civile (Investigación sobre la probabilidad de los juicios en materias criminales y civiles).

    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 de los número naturales, incluido
el cero:    

4.1. Distribución hipergeométrica.

Hasta ahora hemos analizado distribuciones que modelaban situaciones en las
que se realizaban pruebas que entrañaban una dicotomía (proceso de
Bernouilli) de manera que, en cada experiencia, la probabilidad de obtener cada
uno de los dos posibles resultados se mantenía constante.
Si el proceso consistía en una serie de extracciones o selecciones ello implicaba
la reposición de cada extracción o selección, o bien la consideración de una
población muy grande (cartas en un casino). Sin embargo, si la población es
pequeña y las extracciones no se remplazan, las probabilidades no se
mantendrán constantes. La distribución hipergeométrica viene a cubrir esta
necesidad de modelar procesos de Bernouilli con probabilidades no constantes
(sin reemplazamiento).

La distribución hipergeométrica  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.

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:

La media, varianza y desviación típica de esta distribución vienen dadas por:

EJEMPLO 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:

EJEMPLO 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.
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.

En la siguiente escena puedes observar la función de probabilidad de la

distribución hipergeométrica. Puedes cambiar los diferentes parámetros que
configuran dicha distribución y observar como cambia esta función a medida
que se varía alguno de ellos. Extrae tus propias conclusiones. Así mismo,
puedes utilizar también la escena como calculadora directa que permite
resolver situaciones concretas que se puedan plantear en problemas
específicos. Lógicamente hay un límite para los valores de la población de
manera que la escena funcione con fluidez (valores menores de 200).

Escena desarrollada por Juan Jesús Cañas Escamilla(RED Descartes)