Distribucin Binomial

Es una extensin de la distribucin de Bernoulli. Supongamos que se repite un

experimento n veces de forma idntica e independiente. Los resultados de cada
realizacin del experimento se clasifican en dos categoras (como en el caso de
Bernoulli), una ser la probabilidad de xito p, y otra q=1-p, la de fracaso.
As, por tanto, sea X una variable aleatoria discreta, se dice que se distribuye
como una distribucin binomial de parmetros (n,p). Siempre se debe de verificar
que n>1 y que p tome valores entre 0 y 1.
La funcin de probabilidad viene dada por la expresin:

Adems, es fcil de comprobar que se verifica que E [x]=np y que V [x]= np(1-p)=
npq
Su funcin de distribucin es:

A continuacin podemos ver varios ejemplos de variables que se distribuyen con

una Binomial: nmero de caras al lanzar 20 veces una moneda, nmero de
aprobados si se presentan 80 alumnos a un examen, nmero de familias con un
solo hijo en una poblacin de 120 familias, nmero de reacciones negativas ante
un frmaco administrado a 40 pacientes, nmero de accidentes de trfico si han
circulado 1200 automviles nmero de semillas que germinan de las 20 semillas
que se han plantado en suelos de idntica composicin.
Propiedades de la distribucin Binomial:
1. La distribucin Binomial se puede obtener como suma de n variables aleatorias
independientes Bernouilli con el mismo parmetro p.

2. Si tenemos dos variables aleatorias que se distribuyen segn una Binomial con
el mismo parmetro p, es decir, con la misma probabilidad de xito,X B(n,p ),
e Y B( m,p) entonces siempre se verifica
X+YB(n+m,p)
Si no tienen la misma probabilidad no se pueden sumar
3. Sea X una variable aleatoria e Y otra variable aleatoria que verifican que X
B(n, p) e Y=X/n, entonces se verifica
YB(1,p/n)
y adems su esperanza y varianza son
E[Y ] = P,

V[Y]= pq/n
Distribucin de Poisson

Esta es una distribucin discreta de gran utilidad sobre todo en procesos

biolgicos, donde X suele representar el nmero de eventos independientes que
ocurren a velocidad constante en un intervalo de tiempo o en un espacio.
As, por tanto, sea X una variable aleatoria discreta, se dice que se distribuye
como una distribucin de Poisson,
XP()
con > ,0 si su funcin o distribucin de probabilidad viene dada por:

En esta distribucin representa el nmero promedio de ocurrencias en un

intervalo de tiempo o en un espacio. Por lo tanto, para esta distribucin se verifica
que su esperanza y su varianza son:
E [X]=
V[X] =
y su funcin de distribucin:

Seguidamente se pueden ver varios ejemplos de variables que se distribuyen con

una Poisson: Nmero de clientes que llegan a un banco durante una hora o una
maana, nmero de defectos en un trozo de material, etc. Sin embargo, de llegar
muchos clientes en una determinada franja horaria y pocos en otra, o no estar los
defectos igualmente distribuidos en el material, la distribucin de Poisson no sera
apropiada
Ejemplo:
Una central telefnica recibe una media de 480 llamadas por hora. Si el nmero de
llamadas se distribuye segn una Poisson y la central tiene una capacidad para
atender a lo sumo 12 llamadas por minuto, cul es la probabilidad de que en un
minuto determinado no sea posible dar lnea a todos los clientes?
Si definimos X = N de llamadas por minuto entonces X P (8)
P (X > 12)= 1 P (X 12)= 1 0,9362 = 0,0638.

Distribucin Normal
Es una de las distribuciones ms importantes. Es el modelo de distribucin ms
utilizado en la prctica, ya que multitud de fenmenos se comportan segn una
distribucin normal.
Esta distribucin de caracteriza porque los valores se distribuyen formando una
campana de Gauss, en torno a un valor central que coincide con el valor medio de
la distribucin:
Las ventajas tericas de este modelo hacen que su uso se generalice en las
aplicaciones reales.
Sea X una variable aleatoria continua, se dice que se distribuye como una normal

Distribucin hipergeometrica
Este modelo presenta similitudes con el Binomial, pero sin la suposicin de
independencia de ste ltimo. Vemoslo:
Partimos de un conjunto formado por N individuos divididos en dos categoras
mutuamente excluyentes: A y Ac; de manera que N1 individuos pertenecen a la
categora A y N2 individuos, a la categora Ac. Por tanto, se cumple que
N = N1 + N2
Si del conjunto anterior extraemos n individuos sin reemplazamiento (n N), la
variable X que representa el nmero k de individuos que pertenecen a la categora
A (de los n extrados) tiene por funcin de densidad:

La distribucin lognormal se obtiene cuando los logaritmos de una Variable se

describen mediante una distribucin normal. Es el caso en el que las variaciones
en la fiabilidad de una misma clase de componentes tcnicos se representan
considerando la tasa de fallos aleatoria en lugar de una variable constante.

Es la distribucin natural a utilizar cuando las desviaciones a partir del valor del
modelo estn formadas por factores, proporciones o porcentajes ms que por
valores absolutos como es el caso de la distribucin normal.
La distribucin lognormal tiene dos parmetros: m* (media aritmtica del logaritmo
de los datos o tasa de fallos) y (desviacin estndar del logaritmo de los datos o
tasa de fallos).
La distribucin logartmica-normal se caracteriza por las siguientes
propiedades:
Asigna a valores de la variable < 0 la probabilidad 0 y de este modo se ajusta a
las tasas y probabilidades de fallo que de esta forma slo pueden ser positivas.
Como depende de dos parmetros, segn veremos, se ajusta bien a un gran
nmero de distribuciones empricas.
Es idnea para parmetros que son a su vez producto de numerosas cantidades
aleatorias (mltiples efectos que influyen sobre la fiabilidad de un componente).
La esperanza matemtica o media en la distribucin lognormal es mayor que su
mediana. De este modo da ms importancia a los valores grandes de las tasas de
fallo que una distribucin normal con los mismos percentiles del 5% y 50%
tendiendo, por tanto, a ser pesimista.