Distribución Bernoulli

DISTRIBUCIONES DISCRETAS
La distribución de Bernoulli es una distribución de probabilidad discreta que abre el

camino a la distribución binomial, la distribución geométrica y la distribución binomial
negativa. Lleva ese nombre por Jakob Bernoulli, un gran matemático y científico
suizo.
Se denomina ensayo de Bernoulli a todo experimento aleatorio que tiene
solo dos resultados posibles mutuamente excluyentes, generalmente
llamados éxito y fracaso.
Por ejemplo, voy a realizar un experimento que consiste en preguntar a un suscriptor
seleccionado al azar si le gusta la pizza. Si me dice que si, lo considero un éxito, si
me qué no, lo considero un fracaso. Otro ensayo de Bernoulli sería lanzar mi
moneda que de un lado tiene gato y del otro lado tiene perro. Si defino perro como
éxito, obtener un gato será un fracaso.
Ejemplo
En un ensayo de Bernoulli vamos a definir la variable aleatoria X de la siguiente
manera:
• si obtenemos un éxito, la variable aleatoria X vale 1.
• caso contrario, si el ensayo termina en fracaso, la variable
aleatoria X vale 0.
De manera sencilla podemos decir que X cuenta el número de éxitos. Si sale
fracaso, el número de éxitos sería 0, no hay ningún éxito. Si el experimento termina
en éxito, hay 1 éxito.
A continuación, vamos a elaborar una tabla muy sencilla con los valores de X en un
ensayo de Bernoulli:
La probabilidad de éxito se denota por p, por ello, la probabilidad de fracaso será 1-

p. Agregamos esta información a la tabla:
Y listo, ya tenemos la distribución de probabilidad de Bernoulli representada

mediante una tabla. Si queremos la función de probabilidad (una fórmula), sería la
siguiente:
La variable aleatoria binomial es una variable aleatoria discreta. Representa el
número de aprobados entre n pruebas elementales siempre que se cumpla lo
siguiente:
Para cada prueba, son posibles dos tipos de resultados:
• A (éxito) y A* (fracaso)
Una distribución binomial, en estadística, es una distribución de probabilidad

discreta (función que asigna a cada suceso definido sobre la variable la probabilidad
de que dicho suceso ocurra) que describe el número de éxitos al realizar n
experimentos o ensayos de Bernoulli independientes entre sí, acerca de una
variable aleatoria.
De este modo, en otras palabras, la distribución binomial se define como una serie
de experimentos o ensayos en los que solo podemos tener 2 posibles resultados
(éxito o fracaso), siendo el éxito la variable aleatoria.
Por ejemplo, al lanzar un dado, la posibilidad de que el resultado sea par o impar
será exactamente la misma: el 50 %. Y por muchas veces que lo lancemos, la
probabilidad, en cada una de esas veces, seguirá siendo el 50 %. Igual que en el
ejemplo de la moneda.
En la distribución binomial hay tres variables:
n es el número de veces que repetimos el experimento.
p es uno de los dos resultados al que llamaremos éxito.
q es el otro resultado posible al que llamaremos fracaso.
La probabilidad de cada posibilidad no puede ser más grande que 1 y no puede ser
negativa. Por eso, como p y q son los dos únicos resultados posibles, entre los dos
su porcentaje debe sumar uno, por lo que p =1- q.
La distribución de Poisson fue desarrollada por Simeón‐Denis Poisson (1781‐1840).

Esta distribución de probabilidades es muy utilizada para situaciones donde los
sucesos son impredecibles o de ocurrencia aleatoria. En general, utilizaremos la
distribución de Poisson como aproximación de experimentos binomiales donde el
número de pruebas es muy alto (n→∞), pero la probabilidad de éxito muy baja
(p→0).
Características:
En este tipo de experimentos los éxitos buscados son expresados por unidad de
área, tiempo, pieza, etc.
- # de defectos de una tela por m2
- # de aviones que aterrizan en un aeropuerto por día, hora, minuto, etc.
donde:
p(x, l) = probabilidad de que ocurran x éxitos, cuando el número promedio de
ocurrencia de ellos es l-
l = media o promedio de éxitos por unidad de tiempo, área o producto-
e = 2.718-
x = variable que nos denota el número de éxitos que se desea que ocurra.
Ejemplos:
1. 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.
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.
DISTRIBUCIONES CONTINUAS
La distribución uniforme es útil para describir una variable aleatoria con probabilidad
constante sobre el intervalo (a, b) en el que está definida y se denota por U (a, b).
La distribución uniforme es aquella que puede tomar cualquier valor dentro de un
intervalo, todos ellos con la misma probabilidad. También es conocida con el
nombre de distribución rectangular por el aspecto de su función de densidad.
Una peculiaridad importante de esta distribución es que la probabilidad de un
suceso depende exclusivamente de la amplitud del intervalo considerado y no de
su posición en el campo de variación de la variable. Cualquiera que sea la
distribución F de cierta variable X, la variable transformada Y = F(X) sigue una
distribución uniforme en el intervalo (0,1). Esta propiedad es fundamental por ser la
base para la generación de números aleatorios de cualquier distribución en las
técnicas de simulación, y recibe el nombre de método de inversión.
Campo de variación: a < x < b
Parámetros: a: mínimo, -∞ < a < ∞ b: máximo, -∞ < b < ∞ con a < b
Ejemplo:
El precio medio del litro de gasolina durante el próximo año se estima que puede
oscilar entre 140 y 160 ptas. Podría ser, por tanto, de 143 ptas., o de 143,4 ptas., o
de 143,45 ptas., o de 143,455 ptas., etc. Hay infinitas posibilidades, todas ellas con
la misma probabilidad.
Su función de densidad, aquella que nos permite conocer la probabilidad que tiene
cada punto del intervalo, viene definida por:
Donde:
b: es el extremo superior (en el ejemplo, 160 ptas.)
a: es el extremo inferior (en el ejemplo, 140 ptas.)
Por lo tanto, la función de distribución del ejemplo sería:
Es decir, que el valor final esté entre 140 ptas. y 141 ptas. tiene un 5% de
probabilidad, que esté entre 141 y 142, otro 5%, etc.
El valor medio de esta distribución se calcula:
La distribución exponencial es el equivalente continuo de la distribución geométrica
discreta. Esta ley de distribución describe procesos en los que:
• Nos interesa saber el tiempo hasta que ocurre determinado evento, sabiendo
que,
• el tiempo que pueda ocurrir desde cualquier instante dado t, hasta que ello
ocurra en un instante tf, no depende del tiempo transcurrido anteriormente
en el que no ha pasado nada.
Ejemplos de este tipo de distribuciones son:
El tiempo que tarda una partícula radiactiva en desintegrarse. El conocimiento de la
ley que sigue este evento se utiliza en Ciencia para, por ejemplo, la dotación de
fósiles o cualquier materia orgánica mediante la técnica del carbono 14, C14;
El tiempo que puede transcurrir en un servicio de urgencias, para la llegada de un
paciente;
Ejemplo:
El tiempo de revisión del motor de un avión sigue una distribución exponencial con
media 22 minutos.
a) Encontrar la probabilidad de que el tiempo de revisión sea menor a 10 minutos.
Definición de la variable:
X: el tiempo de revisión del motor de un avión
La distribución de la variable X es:
X∼ Exponencial (β=22) X
Entonces podemos escribir su función de densidad de probabilidad
fexp(x)=1/22e –x/22 x≥0
Y también su función de distribución:
Queremos averiguar la probabilidad de que el

tiempo de revisión sea menor a 10 minutos. Y conocemos la función de distribución
de la variable. Así que basta con reemplazar por x=10x=10 en la función de
distribución.
La distribución normal es un modelo teórico capaz
de aproximar satisfactoriamente el valor de
una variable aleatoria a una situación ideal.
En otras palabras, la distribución normal adapta
una variable aleatoria a una función que depende
de la media y la desviación típica. Es decir, la función y la variable aleatoria tendrán
la misma representación, pero con ligeras diferencias.
Una variable aleatoria continua puede tomar cualquier número real. Por ejemplo, las
rentabilidades de las acciones, los resultados de un examen, el coeficiente de
inteligencia IQ y los errores estándar son variables aleatorias continua.
La función de densidad es la expresión en términos de ecuación matemática de la
curva de Gauss:
Ejemplo:
Se supone que los resultados de un examen siguen una distribución normal con
media 78 y desviación típica 36.
¿Cuál es la probabilidad de que una persona que se presenta el examen obtenga
una calificación superior a 72?
Sustituimos los valores en la fórmula:
La distribución normal estándar, o tipificada o
reducida, es aquella que tiene por media el valor
cero, μ =0, y por desviación típica la unidad, σ =1.
Su función de densidad es:
Ejemplo:
Fuentes consultadas
Aula fácil. (2015, 14 abril). Distribuciones continuas: Uniforme - Estadísticas.
https://www.aulafacil.com/cursos/estadisticas/gratis/distribuciones-continuas-uniforme-
l11245
C. (2013). 5.1-Normal y Normal Estándar. CIDECAME.
http://cidecame.uaeh.edu.mx/lcc/mapa/PROYECTO/libro19/51normal_y_normal_estndar.h
tml
F. (2018, 25 julio). Distribución exponencial: Ejercicios Resueltos [¡Paso a paso!]. PROBA
FÁCIL. https://probafacil.com/distribucion-exponencial-ejercicios-resueltos/
ITC. (s. f.). 5) DISTRIBUCIÓN DE POISSON. itchihuahua. Recuperado 19 de mayo de
2021, de
http://www.itchihuahua.edu.mx/academic/industrial/sabaticorita/_private/05Distr%20Poisso
n.htm

Distribución Bernoulli

Cargado por

Copyright:

Formatos disponibles

Distribución Bernoulli

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Distribución Bernoulli

Cargado por

Copyright:

Formatos disponibles

DISTRIBUCIONES DISCRETAS

La distribución de Bernoulli es una distribución de probabilidad discreta que abre el

La probabilidad de éxito se denota por p, por ello, la probabilidad de fracaso será 1-

Y listo, ya tenemos la distribución de probabilidad de Bernoulli representada

Una distribución binomial, en estadística, es una distribución de probabilidad

La distribución de Poisson fue desarrollada por Simeón‐Denis Poisson (1781‐1840).

Queremos averiguar la probabilidad de que el

También podría gustarte