Distribucin binomial o de Bernoulli

Un experimento sigue el modelo de la distribucin binomial o

de Bernoulli si:

1. En cada prueba del experimento slo son posibles dos

resultados: el suceso A (xito) y su contrario .

2. La probabilidad del suceso A es constante , es decir, que

no vara de una prueba a otra. Se representa por p.

3. El resultado obtenido en cada prueba es independiente de

los resultados obtenidos anteriormente.

La distribucin binomial se suele representar por B(n, p).

n es el nmero de pruebas de que consta el experimento.

p es la probabilidad de xito .

La probabilidad de es 1 p, y la representamos por q.

Clculo de probabilidades en una distribucin binomial

n es el nmero de pruebas.

k es el nmero de xitos.
 p es la probabilidad de xito.

q es la probabilidad de fracaso.

El nmero combinatorio

Ejemplo

La ltima novela de un autor ha tenido un gran xito,

hasta el punto de que el 80% de los lectores ya la han
leido. Un grupo de 4 amigos son aficionados a la lectura:

1. Cul es la probabilidad de que el grupo hayan

leido la novela 2 personas?

n = 4

p = 0.8

q = 0.2

B(4, 0.8)

2. Y cmo mximo 2?

Distribucin de Poisson
Definicin La distribucin de Poisson se puede entender como un
caso particular de la Binomial que utilizamos para determinadas
distribuciones en las que el clculo de la probabilidad es engorroso
debido bien a que el nmero de pruebas es excesivamente elevado o
bien a que la probabilidad de xito es excesivamente baja; en ambos
casos la media (n*p) es muy pequea en relacin al nmero de
pruebas (n).

En estos casos se puede demostrar que la distribucin binomial

converge, tiende a comportarse, como una distribucin de Poisson.
Como regla prctica entenderemos que es aplicable la distribucin de
Poisson en aquellas binomiales cuya media tenga un valor inferior a 5
y el nmero de pruebas sea superior a 30. Algunos ejemplos de
fenmenos que se ajustan a una distribucin de Poisson son los
siguientes:

* el nmero de accidentes de trfico en una ciudad durante una

semana.

* el nmero de emergencias que llegan a un servicio de urgencia

hospitalaria.

Todos estos casos pueden ser caracterizados como el nmero

de sucesos de un determinado evento en un perodo de tiempo. Cada
uno de estos eventos toma dos posibles valores, xito o fracaso,
equivalente a recibir una llamada o no recibirla, accidentarse o no
accidentarse, etc... Adems, la probabilidad del xito es muy pequea.
Es decir, la probabilidad de tener un accidente es muy baja, la
probabilidad de que una persona llama a la centralita de la gran
empresa es mnima. Y, no debemos de olvidar, que n, nmero de
personas que hay en una ciudad, nmero de personas que circulan en
coche, etc... es muy grande. Todo esto nos lleva a que una buena
parte de fenmenos de esta naturaleza siguen una distribucin del tipo
Poisson. Es por ello que esta distribucin, tambin denominada "de
los sucesos raros" es particularmente til para resolver problemas de
 colas y lneas de espera, temas ambos que se podrn estudiar en
otras asignaturas del rea de mtodos cuantitativos en economa. Por
tratarse de un caso particular de la Binomial, la distribucin de Poisson
cumple los requisitos del Proceso de Bernouilli y la variable aleatoria
(X) sigue definindose como el nmero de xitos en una sucesin de
Bernouilli.

El parmetro de la distribucin es, en principio, el factor de proporcionalidad

para la probabilidad de un hecho en un intervalo infinitsimo. Se le suele
designar como parmetro de intensidad , aunque ms tarde veremos que se
corresponde con el nmero medio de hechos que cabe esperar que se
produzcan en un intervalo unitario (media de la distribucin); y que tambin
coincide con la varianza de la distribucin.

Por otro lado, es evidente que se trata de un modelo discreto y que el campo
de variacin de la variable ser el conjunto de los nmeros naturales, incluido

el cero:

Clculo de probabilidades mediante la distribucin de Poisson

La distribucin de Poisson, segn hemos sealado, se refiere a ciertos
procesos que pueden ser descritos con una variable aleatoria discreta. La letra
X suele representar esa variable y puede adems asumir valores enteros
(0,1,2,3 etc..) . Utilizamos la letra X mayscula para representar la variable
aleatoria y la x minscula para designar un valor especfico que puede asumir
la X mayscula. La probabilidad de exactamente x ocurrencias en una
distribucin de Poisson se calcula mediante la frmula:

P(x) = l x * e-l / x!

l x = Lambda
(nmero medio de ocurrencias por intervalo de tiempo) elevada a la potencia x.

e-l = e= 2.71828 elevado a la potencia de lambda negativa.

x! = x factorial.
Ejemplo:

Supngase que estamos investigando la seguridad de un crucero muy

peligroso. Los archivos de la polica indican una media de cinco accidentes por
mes en l. El nmero de accidentes est distribuido conforme a la distribucin
de Poisson, y la divisin de seguridad en carreteras quiere calcular la
probabilidad de exactamente 0,1,2,3 y 4 accidentes en un mes determinado.

Aplicando la frmula anterior:

P(0) = (5)0 (e-5) /0! = 0.00674

P(1) = (5)1 (e-5) /1! = 0.03370

P(2) = (5)2 (e-5) /2! = 0.08425

P(3) = (5)3 (e-5) /3! = 0.14042

P(4) = (5)4 (e-5) /4! = 0.17552

Para saber cual es la probabilidad en 3 o menos, sumaremos las

probabilidades de 0,1,2,3 lo que ser igual a :

P(0) = 0.00674
P(1) = 0.03370
P(2) = 0.08425
P(3) = 0.14042
P(3 o menos) = 0.26511

Dado que la probabilidad de que haya 3 o menos accidentes es de 0.26511

entonces la probabilidad de que ocurran ms de tres debe ser = 1 0.26511 =
0.73489.
Generacin de nmeros aleatorios

NUMEROS ALEATORIOS

Los nmeros random son un elemento bsico en la

simulacin de la mayora de los sistemas discretos.

Cada nmero random Ri es una muestra

independiente de una distribucin uniforme y continua en el
intervalo (0,1).

NMEROS ALEATORIOS

* La probabilidad de observar un valor en un particular

intervalo es independiente del valor previo observado.
 * Todo punto en el rango tiene igual probabilidad de
ser elegido.

* Si el intervalo (0,1) es dividido en n subintervalos de

igual longitud, el nmero esperado de observaciones en
cada intervalo es N/n. (N nmero de observaciones
totales).

Generador de nmeros aleatorios

El objetivo de cualquier esquema de generacin

(generador), es producir una secuencia de nmeros entre 0
y 1 que simule las propiedades ideales de distribucin
uniforme y de independencia.

NMEROS PSEUDO-ALEATORIOS

Los nmeros aleatorios son calculados a partir de una

semilla (seed) y una frmula.

El problema es que si el mtodo es conocido,

entonces la secuencia de nmeros random puede ser
replicada.

En la prctica ninguna funcin produce datos

aleatorios verdaderos -- las funciones producen nmeros
pseudo-aleatorios.

TCNICAS PARA GENERAR NMEROS ALEATORIOS

La mayora de los mtodos (generadores) comienzan

con un nmero inicial (semilla), a este nmero se le aplica
un determinado procedimiento y as se encuentra el primer
nmero random.
 Usando este nmero como entrada, el procedimiento
es repetido para lograr un prximo nmero random.

Mtodo Del Cuadrado Medio: comienza con un nmero

inicial (semilla). Este nmero es elevado al cuadrado. Se
escogen los dgitos del medio de este nuevo nmero (segn
los dgitos que se deseen) y se colocan despus del punto
decimal. Este nmero conforma el primer nmero random.

Ejemplo: X0 = 5497

X02 = (5497)2 = 30,217,009===> X1 = 2170 R1 =

0.2170

X12 = (2170)2 = 04,708,900===> X2 = 7089 R2 =

0.7089

X22 = (7089)2 = 50,253,921===> X3 = 2539

Mtodo De Congruencia Lineal: produce una secuencia

de enteros X1, X2,... entre 0 y m-1 de acuerdo a la
siguiente relacin recursiva:

Xi+1= (a * Xi + c) mod m, i=0,1,2,...

X0 es llamado semilla. a es llamado el multiplicador

constante. c es el incremento. m es el mdulo.

El nmero aleatorio se encuentra de la siguiente

manera:
 R = X / m

Ejemplo: Utilice el mtodo de Congruencia Lineal para

generar nmeros aleatorios con las siguientes constantes:

X 0 = 27, a = 17, c = 43, m = 100

La secuencia de Xi y subsecuentes Ri seran:

X 0 = 27

X 1 = (17 *27 + 43) mod100= 502mod100= 2

R 1 = 2/100= 0.02

X 2 = (17 *2 + 43) mod100= 77mod100= 77

R 2 = 77/100= 0.77

La seleccin de los parmetros del generador afecta

drsticamente las propiedades ideales y la longitud del
ciclo.