Distribucion de bernoulli

En teora de probabilidad y estadstica, la distribucin de bernoulli (o distribucin

dicotmica), nombrada as por el matemtico y cientfico suizo jakob bernoulli, es
una distribucin de probabilidad discreta, que toma valor 1 para la probabilidad de
xito (p) y valor 0 para la probabilidad de fracaso (q = 1 p).

Si x es una variable aleatoria que mide "nmero de xitos", y se realiza un nico

experimento con dos posibles resultados (xito o fracaso), se dice que la variable
aleatoria se distribuye como una bernoulli de parmetro .

La frmula ser:

Su funcin de probabilidad viene definida por:

Un experimento al cual se aplica la distribucin de bernoulli se conoce como

ensayo de bernoulli o simplemente ensayo, y la serie de esos experimentos como
ensayos repetidos.

Ejemplo

"lanzar una moneda, probabilidad de conseguir que salga cruz".

Se trata de un solo experimento, con dos resultados posibles: el xito (p) se

considerar sacar cruz. Valdr 0,5. El fracaso (q) que saliera cara, que vale

(1 - p) = 1 - 0,5 = 0,5.

La variable aleatoria x medir "nmero de cruces que salen en un lanzamiento", y

slo existirn dos resultados posibles: 0 (ninguna cruz, es decir, salir cara) y 1
(una cruz).

Por tanto, la variable .aleatoria . X se distribuir como una bernoulli, ya que cumple
todos los requisitos.

Xbe(0,5)

P(x = 0) = f(0) = 0,500,51 = 0,5

P(x = 1) = f(1) = 0,510,50 = 0,5

Ejemplo:

"lanzar un dado y salir un 6".

Cuando lanzamos un dado tenemos 6 posibles resultados:

= {1,2,3,4,5,6}

Estamos realizando un nico experimento (lanzar el dado una sola vez).

Se considera xito sacar un 6, por tanto, la probabilidad segn el teorema de

laplace (casos favorables dividido entre casos posibles) ser 1/6.

P=1/6

Se considera fracaso no sacar un 6, por tanto, se considera fracaso sacar

cualquier otro resultado.

Q=1p=11/6=5/6

La variable aleatoria x medir "nmero de veces que sale un 6", y solo existen dos
valores posibles, 0 (que no salga 6) y 1 (que salga un 6).

Por tanto, la variable aleatoria x se distribuye como una bernoulli de parmetro

P = 1/6

Xbe(1 / 6)

La probabilidad de que obtengamos un 6 viene definida como la probabilidad de

que x sea igual a 1.

P(x = 1) = f(1) = (1 / 6)1 * (5 / 6)0 = 1 / 6 = 0.1667

La probabilidad de que no obtengamos un 6 viene definida como la probabilidad

de que x sea igual a 0.

P(x = 0) = f(0) = (1 / 6)0 * (5 / 6)1 = 5 / 6 = 0.8333

Distribuciones discretas. Distribucin binomial.
1. Variable aleatoria. Funcin de probabilidad.

Se llama variable aleatoria a toda funcin que asocia a cada elemento del espacio
muestral e un nmero real.
Ejemplos:
1. Lanzar tres monedas y anotar el nmero de caras. La variable aleatoria x toma los
valores 0, 1, 2 y 3 .
2. Suma de los resultados de lazar dos dados. X= 2, 3, 4, 5, 6, 7, 8, 9, 10, 11 y 12.
3. Medir la longitud de 100 judas verdes de una plantacin. X toma valores en el
intervalo [0 , 30]
4. Peso al nacer de los bebs que nacen durante un mes en una clnica. X toma
cualquier valor del intervalo [0,5]
Los dos primeros ejemplos corresponden a variables aleatorias discretas porque slo
pueden tomar un nmero discreto de valores.
Los dos ltimos ejemplos son variables aleatorias continuas pues pueden tomar, al
menos tericamente cualquier valor dentro de un intervalo de la recta real.
2. Funcin de probabilidad

Se llama funcin de probabilidad de una variable aleatoria discreta x a la aplicacin que

asocia a cada valor xi de la variable su probabilidad pi.
p i P ( xi )
Debe cumplir:
n

Si e={x1, x2,xn} , entonces pi 1

i 1. ( la suma de las probabilidades de todos los

elementos del espacio muestral es 1).

Ejemplo: si lanzamos un dado equilibrado:
Xi 1 2 3 4 5 6
Pi 1 1 1 1 1 1
6 6 6 6 6 6
pi=p(x=xi )= 1
6

3. Media y varianza de una variable aleatoria discreta.

En la estadstica descriptiva, estudibamos la media aritmtica de una distribucin

n

x f i i n

x h
experimental
x i 1
i i
N i 1

Ahora trabajamos con una distribucin terica, no conocemos la frecuencia de un dato

pero s su probabilidad.
Se llama media o esperanza matemtica de una variable aleatoria x, que toma valores x1,
x2, , xn, con probabilidades p1, p2,, pn respectivamente, al valor de las siguiente
expresin:
n

x1 p1 x 2 p 2 ... x n p n x p
i 1
i i

De la misma manera,
Se llama varianza de una variable aleatoria x, que toma valores x 1, x2, , xn, con
probabilidades p1, p2,, pn respectivamente, al valor de las siguiente expresin:
n

2 x12 p 2 x 22 p 2 ... x n2 p n 2 x p
i 1
2
i i
2
O bien,
n

2 ( x1 ) 2 p1 ( x 2 ) 2 p 2 ... ( x n ) 2 p n (x ) p
i 1
i
2
i

La raz cuadrada positiva de la varianza es la desviacin tpica.

Ejemplo:
1. Sea la funcin de probabilidad:

Xi Pi Xipi Xi2pi media.: 2'7

1 03 03 03 varianza: 2 8'7 2'7 2 1'41
3 04 12 36 desviacin tpica: 1'41 1'18
4 03 12 48 4. Variable aleatoria de la distribucin binomial o de
27 87 bernoulli.

Supongamos un experimento aleatorio con las siguientes caractersticas:

1. En cada prueba del experimento slo son posibles dos resultados, a (xito) y A
(fracaso).
2. El resultado obtenido en cada prueba es independiente de los resultados
anteriores.
3. La probabilidad de que suceda a es constante, no vara de una prueba a otra.
Todo experimento que tenga estas caractersticas, diremos que sigue el modelo de la
distribucin binomial o de bernoulli.
La variable x que expresa el nmero de xitos obtenidos en cada prueba del
experimento se llama variable aleatoria binomial.
Es una variable aleatoria discreta, ya que slo toma los valores 1, 2, 3,, n, siendo n
el nmero de pruebas realizadas.
Representaremos por b(n,p) a una distribun binomial cuyos parmetros son n
(pruebas realizadas) y p (probabilidad de que ocurra a.
Ejemplo:
Un examen tipo test con 10 preguntas y cuatro posibles respuestas, de las que
slo una es correcta.
En cada pregunta slo hay dos resultados acertar o fallar.
La respuesta a cada pregunta es independiente de las dems.
La probabilidad de acertar es la misma en todas las preguntas.
Por tanto la variable x que cuenta el nmero de aciertos sigue una distribucin binomial de
parmetros n=10 y p=1/4. X b(10,1/4)
5. Funcin de probabilidad
Si tenemos una variable aleatoria que sigue una distribucin b(n,p),

n r n r
P(X r) p q
r


p P(acierto)

q 1 p P( fracaso)
Donde:
n
n!
r r!(n r )!

n
es el nmero de formas posibles de obtener r xitos y n-r fracasos. Se llama nmero

r
combinatorio.
Tambin se puede calcular usando el tringulo de tartaglia.
 0

0
1 1

0 1
2 2 2

Ejemplo:
1. En el ejemplo anterior, cul ser la probabilidad de obtener 7 aciertos en el
examen?

73
10 1 3 27
( XP 7) 201 10 0' 03
7 4 4 4
2. en un grupo de 20 alumnos se ha comprobado que cada uno de ellos falta a clase
el 5% de los das. Calcula la probabilidad de que un da determinado:
a. no se registre ninguna ausencia.
b. Falten a clase ms de cinco alumnos.
c. No asista a clase nadie.
d. Falten menos de tres.

x: n de faltas. X b(20,005)

20 0 20
a.
P( X 0) 0' 5 0'95 0'358
0
b.

P(X 5) 1 P(X 5) 1 P([ X 0) P(X 1) P(X 2) P(X 3) P(X 4)

20 0 20 20 1 19 20 2 18 20 3 17
P(X 5)]1 0' 5 0'95 0' 5 0'95 0' 5 0'95 0' 5 0'95
0 1 2 3
20 4 16 20 5 15
0' 5 0'95 0' 5 0'95 ]10'9 918 0' 0 82
4 5
 2 0 20 0 27
c. P( X 0)2 0' 5 0'95 9'510
20

20 0 20 20 1 19 20 2 18
P(X 3 P() X 0 P() X 1 P() X 2) 0' 5 0'95 0' 50'95 0' 5 0'95
d.

0 1 2
0'3580'3780'1890'924
6. Media y varianza de una distribucin binomial
Si consideramos que se realiza slo una prueba. La funcin de probabilidad ser:
Valor de la variable 1 0
Probabilidad P Q=1-p
La media ser. 1 p 0q p
La varianza: 2 12 p 0 2.q p 2 p p 2 p(1 p) pq
Con liderando el caso de n pruebas repetidas; nicamente tendremos que multiplicar por
n
a. Media. n p
b. Varianza: 2 n pq
c. Desviacin tpica: n pq
Ejemplo: la probabilidad de salga cara en una moneda trucada es 02. Se lanza cien
veces. Calcula la esperanza matemtica y la varianza.
1000'2 20 2 1000'2(1 0'2) 16 16 4
 7. Ajuste de una distribucin emprica a una binomial

El proceso para ajustar unos datos a una distribucin binomial son:

I. Identificar el parmetro n.
II. Estimar p:

III. La variable que mejor se aproxima a x es una .

IV.Se contrasta el ajuste comparando las frecuencias tericas con las
observadas.
Ejemplo: un jugador de baloncesto realiza 300 series de 3
lanzamientos desde la lnea de 625,como entrenamiento para el
concurso nacional de triples. En la siguiente tabla se recogen las
frecuencias absolutas del nmero de aciertos de cada serie.
Aciertos
0 1 2 3
(xi)
6 12 8 1
Fi
6 8 7 9
Cada serie de lanzamientos puede considerarse un experimento
aleatorio compuesto por tres repeticiones de la misma
prueba:lanzar a canasta
En cada lanzamiento slo pueden ocurrir dos sucesos: el
jugador encesta o no.
El resultado de cada lanzamiento es independiente del
anterior.
La probabilidad de que ese jugador enceste se puede suponer
constante.
Por todo ello podemos ajustar a una b(n;p).
I. Identificamos n con el nmero de lanzamientos de cada serie:
n=3.
II. Estimamos p:

III. Se puede ajustar por una binomial b(3;0399)

Para hallar las frecuencias tericas se calculan las
probabilidades p(x=k) para k=0,1,2,3 y se multiplican por 300.

Aciertos (xi) 0 1 2 3
02 04 02 006
P(x=xi)
17 32 87 4
Frecuencias
65 130 86 19
esperadas
IV. Se ve comparando los resultados que hay muy poca diferencia entre
los resultados tericos y los empricos.
Distribuciones continuas. Distribucin normal
1. Idea de distribucin de probabilidad continua
La distribucin de las tallas de los alumnos varones de una clase o del tiempo de espera
de una llamada de telfono en la centralita del instituto, a medida que la amplitud de los
intervalos van siendo ms pequeos, tienden a representarse mediante una funcin
continua.
Una funcin de probabilidad es una idealizacin de una distribucin de frecuencias
relativas.
De la misma manera que la suma de todas las frecuencias relativas es uno, se verifica
que la suma de todas las probabilidades de una distribucin de probabilidad es igual a la
unidad.
En las variables aleatorias continuas la probabilidad de que la variable tome un valor
nico es siempre cero, luego lo que tiene mayor inters es conocer la probabilidad
correspondiente a un intervalo.
6. Funcin de densidad. Funcin de probabilidad
Las funciones f(x) asociadas a una variable aleatoria x que cumplen las condiciones:
f ( x ) 0 en todo el dominio de definicin.
El rea encerrada bajo la curva de f(x) es la unidad.
Se llama funcin de densidad de la variable x.
En variables aleatorias continuas, el rea entre f(x) ( funcin de densidad) , y el eje x nos
da la funcin de probabilidad.
a
rea= P( x a)

f ( x ) dx

7. Funcin de distribucin normal

En muchas variables aleatorias , se cumple que los valores de la variable ms frecuentes
estn cerca de la media. En estos casos la funcin de densidad est representada por la
campana de gauss que es simtrica respecto a la media.
en estos casos la variable aleatoria x sigue (se
comporta como ) una distribucin normal de media
y desviacin tpica ( X N ( , ) ) y su funcin de
densidad es:
2
1 x
1
2

f ( x) e
2
Donde,
E=2,7182, =3,14159, : media de x, :
desviacin tpica de x
 8. Distribucin normal estandar n(0,1).

de las infinitas distribuciones N ( , ) , tiene especial

inters la distribucin n(0,1); es decir , aquella que tiene por
media el valor cero y desviacin tpica uno. Esta
distribucin se llama distribucin normal estandar y su
funcin de densidad ser.
x2
1
f ( x) e 2

2
Y la probabilidad de un intervalo ser:
x2
a
1
P( x a) 2
e 2
dx

Se obtiene consultando tablas.

9. Tipificacin de la variable x N ( , )
Como es obvio que no se pueden construir tablas para las infinitas distribuciones
normales N ( , ) , lo ms aconsejable es poder transformar la variable x que sigue una
distribucin N ( , ) en otra z que sigue una distribucin n(0,1). Esta transformacin se
llama tipificacin de la variable.
Hay que realizar dos pasos:
1 centrar, es decir, trasladar la media al cero.
2 reducir la desviacin tpica a 1, contrayendo o dilatando la grfica de la distribucin.
Estos dos pasos se consiguen haciendo el cambio de variable
X
Z

Ejemplos:
X 6
I. Si x sigue una distribucin n(6, 05) tipificamos Z se distribuye segn una
0'5
n(0,1)
x 6 86
P ( x 8) P P z 4
0'5 0'5
X 12
II. Si x sigue una distribucin n(12, 2) tipificamos Z se distribuye segn
2
una n(0,1)
20 12 x 12 28 12
P (20 x 28) P P 4 z 8
2 2 2
Observacin: en variables continuas P ( x a ) 0 .
6. Uso de las tablas de la normal

Las tablas de n(0,1) nos dan directamente la probabilidad de que una variable tome
valores menores que cierta cantidad positiva, p(z<b). A partir de est, por la simetra de la
funcin y utilizando que la probabilidad del suceso seguro es 1, se pueden calcular las
dems.
ejemplos:
P ( z b) para b>0

b
 P ( z b) para b>0

P ( z b) 1 P ( z b )

P ( z b) para b<0.
b

P ( z b) P ( z b) 1 P ( z b)

P (a z b)
-b

P ( a z b) P ( z b) P ( z a )

a
Distribucin de poisson
b
En teora de probabilidad y estadstica, la distribucin de poisson es una
distribucin de probabilidad discreta. Expresa la probabilidad de un nmero de
eventos ocurriendo en un tiempo fijo si estos eventos ocurren con una tasa media
conocida, y son independientes del tiempo desde el ltimo evento.

Su distribucin de probabilidad est dada por:

Donde;

E es el base del logaritmo natural (e = 2.71828...),

K! Es el factorial de k,

es un nmero real positivo, equivalente al nmero esperado de ocurrencias

durante un intervalo dado. Por ejemplo, si los eventos ocurren de media cada 4 minutos, y
ests interesado en el nmero de eventos ocurriendo en un intervalo de 10 minutos,
usaras como modelo una distribucin de poisson con = 2.5.

Por ejemplo, si 2% de los libros encuadernados en cierto taller tiene

encuadernacin defectuosa, obtener la probabilidad de que 5 de 400 libros
encuadernados en este taller tengan encuadernaciones defectuosas.
Su media y su varianza son: ,

Propiedades reproductivas

Dadas n variables aleatorias xi, tales que:

Todas tienen una distribucin de poisson

Cada una tiene su propio parmetro i (es decir, los lambda no necesariamente tienen
que ser iguales)

Son todas independientes entre s

Se toma la variable aleatoria

Se toma

Entonces:

La variable aleatoria y tiene una distribucin poisson, con parmetro y

Es decir: dadas n variables de poisson cualesquiera independientes, su suma es
tambin una variable de poisson, cuyo parmetro vale la suma de los parmetros
de las variables originales.