DISTRIBUCIN BINOMIAL.

Nos encontramos con un modelo derivado de un proceso experimental puro, en el que

se plantean las siguientes circunstancias.

Se realiza un nmero n de pruebas (separadas o separables).

Cada prueba puede dar dos nicos resultados A y

La probabilidad de obtener un resultado A es p y la de obtener un resultado es q, con

q= 1-p, en todas las pruebas. Esto implica que las pruebas se realizan exactamente en
las mismas condiciones y son, por tanto, independientes en sus resultados.

Si se trata de extracciones, (muestreo), las extracciones debern ser con devolucin

(reemplazamiento), o bien poblacin grande (M.A.S). A este respecto hagamos una
consideracin: si el proceso consiste en extraer individuos de una poblacin y observar
si poseen cierta caracterstica: el parmetro n ser el nmero de extracciones (tamao
muestral) y el parmetro p la proporcin de individuos de la poblacin que poseen la
caracterstica en cuestin.

Se ha comentado que para que la probabilidad, de que en cada extraccin obtengamos

un individuo poseedor de la caracterstica sea constante en todas la pruebas es
necesario que las proporciones poblacionales no cambien tras cada extraccin es decir
se reemplace cada individuo extrado .Sin embargo si la poblacin es muy grande,
aunque no reemplacemos los individuos extrados las variaciones en las proporciones
de la poblacin restante sern muy pequeas y, aunque de hecho las probabilidades de,
obtener un xito varen tras cada prueba, esta variacin ser muy pequea y podremos
considerar que son constantes .

Ilustremos con un ejemplo:

Supongamos que una ciudad hay 1000000 de habitantes de los cuales 450000 son
varones y 550000 son mujeres. Si extraemos un individuo al azar la probabilidad. de que
sea mujer ser.

Si repetimos esta prueba varias veces y no reponemos "en el saco" al sujeto extrado la
probabilidad de obtener una mujer en cada siguiente extraccin variar, al variar la
composicin por sexos de la poblacin restante.

Sin embargo, al ser la poblacin tan grande, la variacin de esta probabilidad con cada
sucesiva prueba ser prcticamente despreciable y podremos considerar, en la prctica
que las probabilidades son constantes: en efecto:

Si, en la primera prueba obtenemos una mujer y no la reintegramos a la poblacin la de

probabilidad de obtener una mujer en la segunda prueba ser:
Si por el contrario en la primera prueba se obtiene un varn la probabilidad de obtener

una mujer el siguiente ser:

Por lo tanto bien podramos considerar que la probabilidad de extraer una mujer en
sucesivas elecciones aleatorias es constante. En consecuencia, si considerramos el
muestreo de 10 individuos de esa ciudad, aunque no reemplazramos las extracciones,
la variable aleatoria x = nmero de mujeres obtenidas en las diez extracciones, seguira
una distribucin binomial de parmetros n = 10 Y p= 0.55.

Sin embargo, si la poblacin es pequea, las variaciones de la probabilidad de xito con

cada prueba sern importantes sino se devuelve a la poblacin original cada sujeto
extrado. En este caso, no podremos considerar que p y q son constantes a lo largo de
todo el proceso y el nmero de xitos obtenidos en n pruebas ser una variable aleatoria
que no seguir una distribucin binomial sino una nueva distribucin que estudiaremos,
ms tarde llamada hipergeomtrica.

DISTRIBUCIN DE POISSON

Esta distribucin es una de las ms importantes distribuciones de variable discreta. Sus

principales aplicaciones hacen referencia a la modelizacin de situaciones en las que nos
interesa determinar el nmero de hechos de cierto tipo que se pueden producir en un
intervalo de tiempo o de espacio, bajo presupuestos de aleatoriedad y ciertas
circunstancias restrictivas. Otro de sus usos frecuentes es la consideracin lmite de
procesos dicotmicos reiterados un gran nmero de veces si la probabilidad de obtener
un xito es muy pequea.

Proceso experimental del que se puede hacer derivar

Esta distribucin se puede hacer derivar de un proceso experimental de observacin

en el que tengamos las siguientes caractersticas

Se observa la realizacin de hechos de cierto tipo durante un cierto periodo de tiempo

o a lo largo de un espacio de observacin

Los hechos a observar tienen naturaleza aleatoria; pueden producirse o no de una

manera no determinstica.

La probabilidad de que se produzcan un nmero x de xitos en un intervalo de amplitud

t no depende del origen del intervalo (Aunque, s de su amplitud)

La probabilidad de que ocurra un hecho en un intervalo infinitsimo es prcticamente

proporcional a la amplitud del intervalo.
 La probabilidad de que se produzcan 2 o ms hechos en un intervalo infinitsimo es un
infinitsimo de orden superior a dos.

En consecuencia, en un intervalo infinitsimo podrn producirse O 1 hecho, pero nunca

ms de uno

Si en estas circunstancias aleatorizados de forma que la variable aleatoria X signifique

o designe el "nmero de hechos que se producen en un intervalo de tiempo o de espacio",
la variable X se distribuye con una distribucin de parmetro l. As :

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 nmero naturales, incluido el
cero: