Distribuciones discretas y continuas

Las distribuciones discretas son aquellas en las que la

variable puede pude tomar un nmero determinado de
valores:

Ejemplo: si se lanza una moneda al aire puede salir cara o

cruz; si se tira un dado puede salir un nmero de 1 al 6; en
una ruleta el nmero puede tomar un valor del 1 al 32.

Las distribuciones continuas son aquellas que presentan

un nmero infinito de posibles soluciones:

Ejemplo: El peso medio de los alumnos de una clase puede

tomar infinitos valores dentro de cierto intervalo (42,37 kg,
42,3764 kg, 42,376541kg, etc); la esperanza media de vida
de una poblacin (72,5 aos, 72,513 aos, 72,51234 aos).

Vamos a comenzar por estudiar las principales distribuciones

discretas.

Distribuciones discretas: Bernouilli

Es aquel modelo que sigue un experimento que se realiza una
sola vez y que puede tener dos soluciones: acierto o
fracaso:

Cuando es acierto la variable toma el valor 1

Cuando es fracaso la variable toma el valor 0

Ejemplo: Probabilidad de salir cara al lanzar una moneda al

aire (sale cara o no sale); probabilidad de ser admitido en una
universidad (o te admiten o no te admiten); probabilidad de
acertar una quiniela (o aciertas o no aciertas)

Al haber nicamente dos soluciones se trata de sucesos

complementarios:
A la probabilidad de xito se le denomina "p"
A la probabilidad de fracaso se le denomina "q"
Verificndose que:
p+q=1

Veamos los ejemplos anteriores :

Ejemplo 1: Probabilidad de salir cara al lanzar una moneda

al aire:
Probabilidad de que salga cara: p = 0,5
Probabilidad de que no salga cara: q = 0,5

p + q = 0,5 + 0,5 = 1

Ejemplo 2: Probabilidad de ser admitido en la universidad:

Probabilidad de ser admitido: p = 0,25

Probabilidad de no ser admitido: q = 0,75

p + q = 0,25 + 0,75 = 1

Ejemplo 3: Probabilidad de acertar una quiniela:

Probabilidad de acertar: p = 0,00001
Probabilidad de no acertar: q = 0,99999

p + q = 0,00001 + 0,99999 = 1

Las distribucin binomial parte de la

distribucin de Bernouilli:

La distribucin de Bernouiili se aplica cuando se realiza

una sola vez un experimento que tiene nicamente dos
posibles resultados (xito o fracaso), por lo que la variable
slo puede tomar dos valores: el 1 y el 0.

La distribucin binomial se aplica cuando se realizan un

nmero"n" de veces el experimento de Bernouiili, siendo cada
ensayo independiente del anterior. La variable puede tomar
valores entre:

0: si todos los experimentos han sido fracaso

n: si todos los experimentos han sido xitos

Ejemplo: se tira una moneda 10 veces: cuantas caras

salen? Si no ha salido ninguna la variable toma el valor 0; si
han salido dos caras la variable toma el valor 2; si todas han
sido cara la variable toma el valor 10

La distribucin de probabilidad de este tipo de distribucin

sigue el siguiente modelo:

Alguien entiende esta frmula? Vamos a tratar de explicarla

con un ejemplo:

Ejemplo 1: Cul es la probabilidad de obtener 6 caras al

lanzar una moneda 10 veces?

" k " es el nmero de aciertos. En este ejemplo " k " igual a 6

(en cada acierto decamos que la variable toma el valor 1:
como son 6 aciertos, entonces k = 6)
" n" es el nmero de ensayos. En nuestro ejemplo son 10
" p " es la probabilidad de xito, es decir, que salga "cara" al
lanzar la moneda. Por lo tanto p = 0,5
La frmula quedara:

Luego,
P (x = 6) = 0,205

Es decir, se tiene una probabilidad del 20,5% de obtener 6

caras al lanzar 10 veces una moneda.

Ejemplo 2: Cul es la probabilidad de obtener cuatro veces

el nmero 3 al lanzar un dado ocho veces?

" k " (nmero de aciertos) toma el valor 4

" n" toma el valor 8
" p " (probabilidad de que salga un 3 al tirar el dado) es 1 / 6
(= 0,1666)

La frmula queda:

Luego,
P (x = 4) = 0,026
Es decir, se tiene una probabilidad del 2,6% de obtener cuatro
veces el nmeros 3 al tirar un dado 8 veces.

Distribucin Geomtrica
En teora de probabilidad y estadstica, la distribucin geomtrica es cualquiera de las
dos distribuciones de probabilidad discretas siguientes: La distribucin de
probabilidad del nmero X del experimento de Bernoulli necesaria para obtener un
xito, cuando x = 1, 2, 3, ... La distribucin de probabilidad del nmero Y = X 1 de
fallos antes del primer xito, cuando x = 0, 1, 2, 3, ...

Si se considera el caso especial de la distribucin binomial negativa donde k = 1, se

tiene una distribucin de probabilidad para el nmero de pruebas que se requieren para
un solo xito. La distribucin binomial negativa se reduce a la forma
B*(x;1,p)=pqx-1 x=1,2,3
Como los trminos sucesivos constituyen una progresin geomtrica, se acostumbra
referirse a este caso especial como la distribucin geomtrica y denotar sus valores con
g(x;p).
Si pruebas independientes repetidas pueden tener como resultado un xito con
probabilidad p y un fracaso con probabilidad q = 1 p, entonces la distribucin de
probabilidad de la variable aleatoria X, el nmero de la prueba en el que ocurre el
primer xito, es

La media y la varianza de una variable aleatoria que sigue distribucin geomtrica son

Distribuciones discretas: Multinomial

La distribucin multinomial es similar a la distribucin binomial,
con la diferencia de que en lugar de dos posibles resultados en
cada ensayo, puede haber mltiples resultados:

Ejemplo de distribucin binomial: a unas elecciones se

presentaron 2 partidos polticos: el POPO obtuvo un 70% de los
votos y el JEJE el 30% restante. Cul es la probabilidad de que al
elegir 5 ciudadanos al azar, 4 de ellos hallan votado al JEJE?

Ejemplo de distribucin multinomial: a esas elecciones se

presentaron 4 partidos polticos: el POPO obtuvo un 40% de los
votos, el JEJE el 30%, el MUMU el 20% y el LALA el 10% restante.
Cul es la probabilidad de que al elegir 5 ciudadanos al azar, 3
hayan votado al POPO, 1 al MUMU y 1 al LALA?

La distribucin multinomial sigue el siguiente modelo:

Donde:
X1 = x1: indica que el suceso X1 aparezca x1 veces (en el
ejemplo, que el partido POPO lo hayan votado 3 personas)
n: indica el nmero de veces que se ha repetido el suceso (en el
ejemplo, 5 veces)
n!: es factorial de n (en el ejemplo: 5 * 4 * 3 * 2 * 1)
p1: es la probabilidad del suceso X1 (en el ejemplo, el 40%)

Veamos el ejemplo:

Luego:
P = 0,0256

Es decir, que la probabilidad de que las 5 personas elegidas hayan

votado de esta manera es tan slo del 2,56%

Nota: 0! es igual a 1, y cualquier nmero elevado a 0 es tambin

igual a 1

Veamos otro ejemplo:

En una fiesta, el 20% de los asistentes son espaoles, el 30%

franceses, el 40% italiano y el 10% portugueses. En un pequeo
grupo se han reunido 4 invitados: cual es la probabilidad de que 2
sean espaoles y 2 italianos?

Aplicamos el modelo:

Luego
P = 0,0384

Por lo tanto, la probabilidad de que el grupo est formado por

personas de estos pases es tan slo del 3,84%.

Las distribucin de Poisson parte de la

distribucin binomial:
Cuando en una distribucin binomial se realiza el experimento un
nmero "n" muy elevado de veces y la probabilidad de xito "p" en
cada

ensayo

es

reducida,

entonces

se

aplica

de distribucin de Poisson:
Se tiene que cumplir que:
p " < 0,10
" p * n " < 10

La distribucin de Poisson sigue el siguiente modelo:

el

modelo

Vamos a explicarla:

El nmero "e" es 2,71828

" l " = n * p (es decir, el nmero de veces " n " que se realiza el
experimento multiplicado por la probabilidad " p " de xito en cada
ensayo)
" k " es el nmero de xito cuya probabilidad se est calculando

Veamos un ejemplo:

La probabilidad de tener un accidente de trfico es de 0,02 cada

vez que se viaja, si se realizan 300 viajes, cual es la probabilidad
de tener 3 accidentes?

Como la probabilidad " p " es menor que 0,1, y el producto " n * p

" es menor que 10, entonces aplicamos el modelo de distribucin
de Poisson.

Luego,
P (x = 3) = 0,0892

Por lo tanto, la probabilidad de tener 3 accidentes de trfico en

300 viajes es del 8,9%

Otro ejemplo:
La probabilidad de que un nio nazca pelirrojo es de 0,012. Cul
es la probabilidad de que entre 800 recien nacidos haya 5
pelirrojos?

Luego,
P (x = 5) = 4,602

Por lo tanto, la probabilidad de que haya 5 pelirrojos entre 800

recien nacidos es del 4,6%.

Distribuciones discretas:
Hipergeomtrica

Las distribucin hipergeomtrica es el modelo que se aplica en

experimentos del siguiente tipo:

En una urna hay bolas de dos colores (blancas y negras), cul es

la probabilidad de que al sacar 2 bolas las dos sean blancas?

Son experimentos donde, al igual que en la distribucin binomial,

en cada ensayo hay tan slo dos posibles resultados: o sale
blanca o no sale. Pero se diferencia de la distribucin binomial en
que los distintos ensayos son dependientes entre s:

Si en una urna con 5 bolas blancas y 3 negras en un primer

ensayo saco una bola blanca, en el segundo ensayo hay una bola
blanca menos por lo que las probabilidades son diferentes (hay
dependencia entre los distintos ensayos).

La distribucin hipergeomtrica sigue el siguiente modelo:

Donde:

Vamos a tratar de explicarlo:

N: es el nmero total de bolas en la urna
N1: es el nmero total de bolas blancas
N2: es el nmero total de bolas negras
k: es el nmero de bolas blancas cuya probabilidad se est
calculando
n: es el nmero de ensayos que se realiza

Veamos un ejemplo: en una urna hay 7 bolas blancas y 5 negras.

Se sacan 4 bolas Cul es la probabilidad de que 3 sean blancas?

Entonces:

N = 12; N1 = 7; N2 = 5; k = 3; n = 4

Si aplicamos el modelo:

Por lo tanto, P (x = 3) = 0,3535. Es decir, la probabilidad de sacar

3 bolas blancas es del 35,3%.
Pero este modelo no slo se utiliza con experimentos con bolas,
sino que tambin se aplica con experimentos similares:
Ejemplo: en una fiesta hay 20 personas: 14 casadas y 6 solteras.
Se eligen 3 personas al azar Cul es la probabilidad de que las 3
sean solteras?

Por lo tanto, P (x = 3) = 0,0175. Es decir, la probabilidad de que

las 3 personas sean solteras es tan slo del 1,75%.