DISTRIBUCIONES DE PROBABILIDAD:

BINOMIAL, POISSON Y NORMAL

Objetivos

 Seleccionar la distribución de probabilidad para modelizar un experimento aleatorio
 Calcular probabilidades de las distribuciones Binomial, Poisson y Normal
 Calcular cuantiles
 Generar valores aleatorios de una distribución determinada.

Introducción
En la teoría de la probabilidad existen muchos modelos teóricos que resultan
de utilidad en una gran variedad de situaciones prácticas, ya que sirven para
modelizar gran número de situaciones reales. Estas distribuciones o modelos
de probabilidad se dividen en dos grandes grupos dependiendo del tipo de la
variable que modelizan. Así, distinguimos entre distribuciones de probabilidad
discretas, si la variable aleatoria que modelizan es de naturaleza discreta
y distribuciones de probabilidad continuas, cuando la variable aleatoria es
continua.
Existen muchas distribuciones de probabilidad pero, dado el carácter
introductorio de esta práctica, nos limitaremos a estudiar la
distribución binomial y la distribución de Poisson como ejemplos de
distribuciones discretas y la distribución Normal para ilustrar las distribuciones
continuas.
Función masa de probabilidad
Una variable aleatoria no está perfectamente definida si no se conocen los
valores que puede tomar (recorrido), pero dichos valores son impredecibles.
Puesto que el comportamiento de una variable aleatoria está gobernado por el
azar, debemos determinar dicho comportamiento en términos de
probabilidades. Para ello se utilizan dos funciones: la Función Masa de
Probabilidad y la Función de Distribución.
La función masa de probabilidad de una variable aleatoria discreta es una
función que a cada valor posible de dicha v.a. le asigna una probabilidad. Así
en los ejemplos:
 Ejemplo. La v.a. X = “Cara superior de una moneda ” puede tomar los valores X={1, 0}
con probabilidades P(X)={1/2, 1/2}. Así, la probabilidad de que la v.a.
 X tome el valor 1, que se denota por P[X=1], vale 1/2 (P[X=1]=1/2) y que
 X tome el valor 0, que se denota por, P[X=0], vale 1/2 (P[X=0]=1/2).
 Ejemplo. La v.a. X = “Máximo de los dos números obtenidos” puede tomar los
valores X={1, 2, 3, 4, 5, 6} con probabilidades P(X)={1/36, 3/36, 5/36, 7/36, 9/36,
11/36}. Así, por ejemplo, P[X=2]=3/36 o P[X=6]=11/36.
la Función Masa de Probabilidad de la variable aleatoria discreta X, se denota
por pi, y se define como la probabilidad de que la v.a. X tome un
valor xi, pi=P[X=xi], si verifica las siguientes propiedades:


 pi ≥ 0 ∀i
 En una variable aleatoria continua no tiene sentido determinar una función,
como en las vv.aa. discretas, que asigne a cada valor posible de dicha v.a. una
probabilidad; puesto que la v.a. continua puede tomar infinitos valores y la
probabilidad de que la v.a. tome un valor determinado vale cero. Por ello, en el
caso continuo definiremos una función que nos permita calcular la probabilidad
de que la v.a. esté comprendida en un intervalo de valores específico. Dicha
función recibe el nombre de Función de Densidad de probabilidad, y se denota
por f(x).
La Función de Densidad de probabilidad, es una función definida para todos los
números reales tal que satisface las siguientes condiciones:
1. f(x) ≥ 0 (no negativa)∀x

2. (El área comprendida entre la gráfica de f y el eje x es igual a 1)

3. (Para cualquier valor real entre los números a y b, P[a < X < b]
representa el área comprendida entre la gráfica de f(x), el eje OX y las rectas x=a y
x=b).
Función de distribución
Se define la Función de Distribución de la variable aleatoria X, y se denota
por F{X}, como la probabilidad de que la v.a. X tome un valor menor o igual
que x

Expresión 1: Función de distribución

Es decir, F{X} es una función de los números reales, R, en el intervalo [0,1]

Expresión 2: F(X)
La variable aleaoria discreta está caracterizada por la función masa de
probabilidad. Conocidos los valores pi se puede conocer la función de
distribución. En efecto,

Expresión 3: Función
de distribución conocidos los valores pi
Propiedades
 P1) F{X}(.) es una función no-decreciente
 P2) F{X}(.) es continua a la derecha
 P3) F{X}(+∞) = +1 y F{X}(-∞) = 0
 P4) P[x1 < X ≤ x2] = F(x2) – F(x1)
 P5) P[X > x] = 1 – F(x)
En la variable aleatoria continua X, recibe el nombre de Función de
Distribución, y se denota por F{X} (o F cuando en el contexto está claro a la
v.a. que se refiere), la función F: R→ [0,1] definida por:
 Expresión 4: Función de distribución en la
v.a. continua

La función de densidad y la función de distribución de una v.a. continua están

relacionadas:

Expresión 5: Función de
distribución y función de densidad

Por lo tanto se verifica:

1. P[a < X < b] = F(b) – F(a)

2. P[X < a] = F(a)
3. P[X > b] = 1 – F(b)

La función de distribución es monótona no-decreciente, continua por lo menos

a la derecha y tal que

Expresión 6: Valores extremos de la función de

distribución
Se comprueba fácilmente que si X es una v.a. continua entonces la
probabilidad del suceso X igual a constante es cero, P[X = a] = 0, aunque no es
el suceso imposible. En efecto,

Expresión 7: P[X=a]
Distribución Binomial
Consideremos repeticiones independientes de un experimento aleatorio con
dos posibles resultados a los cuales nos referiremos genéricamente
como “éxito” y “fracaso”. El éxito ocurre con una probabilidad p y el fracaso,
por tanto, con una probabilidad q = 1-p .
En este contexto, interesa estudiar el número de éxitos en estas repeticiones
del experimento aleatorio y, para ello, se define la siguiente variable
aleatoria, X = “Número de éxitos en n ensayos independientes con probabilidad de
éxito constante p ”.
Entonces decimos que X sigue una distribución binomial de parámetros n y p, y
lo representamos como X→B(n, p).
La distribución binomial es una distribución de probabilidad discreta, mide el
número de éxitos en una secuencia de n ensayos independientes, con una
probabilidad fija p de ocurrencia de éxitos entre los ensayos.
 Es evidente que los posibles valores que puede tomar la variable aleatoria (o,
lo que es lo mismo, el número de ensayos exitosos de los que se realizan) son
los valores comprendidos entre 0 y n.

A continuación vamos a definir y calcular:

1. La probabilidad de que la variable aleatoria X tome cada valor concreto o,

equivalentemente, el valor de la función masa de probabilidad en cada uno de estos
puntos
2. La probabilidad que acumula cada uno de los valores de la variable aleatoria X, es decir,
el valor de la función de distribución en cada punto de la variable
3. Cuantiles de la distribución binomial
4. Valores aleatorios de la distribución binomial.
Función masa de probabilidad
La función masa de probabilidad de una variable aleatoria discreta, la cual
suele representarse por pi, es una función que asigna una determinada
probabilidad a cada uno de los puntos de la variable.
pi = P [X = xi]
En R, los valores de la función masa de probabilidad de una variable con
distribución binomial se obtienen a través de la función dbinom, la cual necesita
los siguientes argumentos:
dbinom(x, size, prob)

donde:

 x: es el valor (o los valores) de la variable para el cual (o los cuales) queremos calcular
la función masa de probabilidad
 size y prob: son los dos parámetros de la distribución binomial (n y p, respectivamente).
En caso de que el argumento esté formado por dos o más valores, éstos vendrán
concatenados mediante la función c(,).
Función de distribución
La función de distribución evaluada en un punto xi de una variable aleatoria
discreta se denota por F(xi) y viene dada por
F(xi) = P[ X ≤ xi ] = P[ X = 0 ] + P[ X = 1 ] + … + P[ X=xi ]
Para calcular valores de la función de distribución de una distribución binomial
con R utilizaremos la función pbinom, que tiene los siguientes argumentos:
pbinom(q, size, prob)
siendo q el valor (o los valores) de la variable en el cual (o los cuales)
queremos calcular la función de distribución y size y prob, los parámetros de la
distribución.
Cuantiles de la distribución binomial
Por definición, el cuantil de orden α de una distribución de probabilidad es
aquel valor de la distribución que deja a su izquierda una proporción de
valores α (o, equivalentemente, un porcentaje del (α x100)% ). Esto es, el
cuantil de orden α, será aquel valor k tal que
P[ X ≤ k ] = α
Para calcular cuantiles de una distribución binomial en R recurriremos a la
función qbinom, que tiene los siguientes argumentos:
qbinom(p, size, prob)
siendo p el orden del cuantil que queremos calcular (en tanto por uno)
y, size y prob los dos parámetros que identifican a la distribución binomial.
Generar valores aleatorios de la distribución binomial
Por último, calcular muestras de valores aleatorios generados a partir de una
distribución binomial. Esta opción puede resultar de mucho interés en
experimentos de simulación en los que se conoce de antemano que la variable
de interés sigue una distribución binomial. Para generar estos valores
utilizamos la función rbinom de R, la cual requiere los siguientes argumentos:
rbinom(n, size, prob)
donde n es el número de valores aleatorios a generar y size y prob son los dos
parámetros de la distribución.

Veamos un ejemplo sencillo en el que se utilizan estas 4 funciones.

Supuesto Práctico 1
A un examen se han presentado un total de 80 alumnos y la probabilidad de
aprobar el examen es de 0.85. Se pide
a) Definir una variable aleatoria que cuente el número de alumnos que superan el
examen. Identificar la distribución de probabilidad que sigue esta variable
aleatoria
b) Calcular la probabilidad de que exactamente 55 alumnos superen el examen
c) Obtener la probabilidad de que al menos 65 alumnos superen el examen
d) Obtener la probabilidad de que entre 60 y 75 alumnos (ambos inclusive)
superen el examen
e) Calcular el valor de la variable tal que deja a su derecha un 35% de las
observaciones
f) Generar una muestra de 20 valores aleatorios de esta distribución.
Solución
a) Definir una variable aleatoria que cuente el número de alumnos que superan el
examen. Identificar la distribución de probabilidad que sigue esta variable
aleatoria
En primer lugar, definimos la variable aleatoria X = “Número de alumnos que
aprueban el examen de los 80 que se presentan”.
A partir de la información que nos proporciona el enunciado podemos afirmar
que X→B(80, 0.85).
b) Calcular la probabilidad de que exactamente 55 alumnos superen el examen
En este apartado nos piden la probabilidad de que la variable aleatoria tome,
exactamente, un valor o, lo que es lo mismo, el valor de la función masa de
probabilidad evaluada en el punto xi = 55. Debemos, por tanto, calcular p55 =
P[X=55]. Para ello, utilizaremos la función dbinom del siguiente modo