Se utiliza en situaciones cuya solucin tiene dos posibles resultados.

Por ejemplo: Al nacer un beb puede ser varn o mujer. Un equipo puede ganar o perder.

En pruebas de verdadero o falso slo hay dos alternativas.

Tambin se utiliza cuando el resultado se puede reducir a dos opciones.

Estos ejemplos los podemos considerar como

Por ejemplo:

Experimentos de Bernoulli

Un tratamiento mdico puede ser efectivo o inefectivo. La meta de produccin o ventas del mes se pueden o no lograr. En pruebas de seleccin mltiple, aunque hay cuatro o cinco alternativas, se pueden clasificar como correcta o incorrecta.

Es una distribucin de probabilidad ampliamente utilizada de una variable aleatoria discreta.

Describe datos discretos, resultantes de un experimento denominado proceso de Bernoulli en honor del matemtico suizo Jacob Bernoulli. La distribucin binomial aparece cuando estamos interesados en el nmero de veces que un suceso A ocurre (xitos) en n intentos independientes de un experimento.

Ejemplo: # de caras en n lanzamientos de una moneda.

Si A tiene probabilidad p (probabilidad de xito) en un intento, entonces 1-p es la probabilidad de que A no ocurra (probabilidad de fracaso).

La funcin P(x=k): A continuacin vemos La funcin de probabilidad de la distribucin Binomial, tambin denominada Funcin de la distribucin de Bernoulli:

k es el nmero de aciertos. n es el nmero de experimentos.

p es la probabilidad de xito, como por ejemplo, que salga "cara" al

lanzar la moneda. 1-p tambin se le denomina como q

1. En cada prueba del experimento slo hay dos posibles resultados: xitos o fracasos. 2. El resultado obtenido en cada prueba es independiente de los resultados obtenidos en pruebas anteriores. 3. La probabilidad de un suceso es constante, la representamos por p, y no vara de una prueba a otra. La probabilidad del complemento es 1- p y la representamos por q .

Cul es la probabilidad de obtener 6 caras al lanzar una moneda 10 veces?. El nmero de aciertos k es 6 x=6

Solucin
El nmero de experimentos n son 10

La probabilidad de xito p, es decir, que salga "cara" al lanzar la moneda es 50% 0.50
La frmula quedara:

P (k = 6) = 0.205 Es decir, que la probabilidad de obtener 6 caras al lanzar 10 veces una moneda es de 20.5% .

Una mquina fabrica una determinada pieza y se sabe que produce un 7 por 1000 de piezas defectuosas. Hallar la probabilidad de que al examinar 50 piezas slo haya una defectuosa.

Solucin
Se trata de una distribucin binomial de parmetros B(50, 0.007) y debemos calcular la probabilidad P (X = 1).

Podemos utilizar los resultados de un nmero fijo de lanzamientos de una moneda como ejemplo de un proceso de Bernoulli. Este proceso lo describimos as:

1. Cada lanzamiento tiene slo dos resultados posibles: lado A o lado B, s o no, xito o fracaso.
2. La probabilidad del resultado de cualquier lanzamiento permanece fija con el tiempo. Tratndose de una moneda la probabilidad de que salga del lado A sigue siendo de 0.5 (1/2) en cada lanzamiento, cualquiera que sea el nmero de veces que la moneda sea arrojada. 3. Los ensayos son estadsticamente independientes, es decir, el resultado de un lanzamiento no afecta al de cualquier otro lanzamiento.

Cada proceso de Bernoulli tiene su propia probabilidad caracterstica.

Desde luego, la otra caracterstica del proceso de Bernoulli tambin deber ser satisfecha. Cada prueba deber arrojar tan slo dos resultados (xito o fracaso) y los resultados de las pruebas habrn de ser estadsticamente independientes. En un lenguaje ms formal, el smbolo p representa la probabilidad de un xito y el smbolo q representa la probabilidad de un fracaso. Para representar cierto nmero de xitos, utilizaremos el smbolo r y para simbolizar el nmero total de ensayos emplearemos el smbolo n.

Entonces tenemos que:

p q r n Probabilidad de xito. Probabilidad de fracaso. Nmero de xitos deseados. Nmero de ensayos efectuados.

Existe una frmula binomial: Probabilidad de r xitos en n ensayos es:

Recordemos que el smbolo factorial (!) significa: por ejemplo que es 3! = 3 * 2 * 1 = 6

Los matemticos definen 0! = 1.

En una escuela primaria los alumnos llegan tarde a menudo. Cinco alumnos estn en el jardn de nios. La directora lleva tiempo estudiando el problema, habiendo llegado a la conclusin de que hay 0.4 de probabilidad de que un alumno llegue tarde y que los alumnos lleguen independientemente uno de otro. Cmo trazamos una distribucin binomial de probabilidad que ilustre las probabilidades de que 0,1,2,3,4 5 estudiantes lleguen tarde simultneamente? Para hacerlo necesitaremos utilizar la frmula binomial donde:

p = 0.4 q = 0.6 q = 1 p 1 0.4 = 0.6

n=5

Realicemos el clculo de cada valor de R: Para r = 0 obtenemos que: P(0) = 5!/ 0! (5-0)! (0.4 )0 (0.6)5 P(0) = 0.07776 Para r = 1 obtenemos que:

P(1) = 5!/ 1! (5-1)! (0.4 )1 (0.6)4

P(1) = 0.2592 Para r = 2 obtenemos que: P(2) = 5!/ 2! (5-2)! (0.4 )2 (0.6)3 P(2) = 0.3456

Realicemos el clculo de cada valor de R: Para r = 3 obtenemos que: P(3) = 5!/ 3! (5-3)! (0.4 )3 (0.6)2

P(3) = 0.2304
Para r = 4 obtenemos que: P(4) = 5!/ 4! (5-4)! (0.4 )4 (0.6)1 P(4) = 0.0768 Para r = 5 obtenemos que: P(5) = 5!/ 5! (5-5)! (0.4 )5 (0.6)0 P(5) = 0.01024

Representando estos resultados en una grfica:

P(x)
0.4

0.35
0.3 0.25 0.2 0.15 0.1 0.05 0 0 1 2 3 4 5

x=r

Media
= E(X) = n p = 5 0.1 = 0.5 = 5 0.5 = 0.25
Dnde: n= nmero de ensayos. P= probabilidad de xitos.

Desviacin Estndar

= = =
Donde: (1-p) = probabilidad de fracaso.

La distribucin binomial negativa tambin se puede definir como el nmero de pruebas x hasta la aparicin de r xitos. Como el nmero de pruebas x, en este caso, contabiliza tanto los xitos como los fracasos se tendra segn sta definicin que:

Disponemos de una moneda trucada con probabilidad de cara igual a p=0.25. La lanzamos hasta que obtenemos 2 caras. La distribucin del nmero de lanzamientos x ser:

Ley Uniforme
La ley uniforme definida sobre un conjunto finito es la ley de ``sorteos al azar'' en este conjunto o equiprobabilidad. Ella asigna la misma probabilidad a todos los elementos del conjunto, si el cardinal del conjunto es .

Ley de Bernoulli
Las variables aleatorias discretas ms simples son las indicatrices de eventos. Si es un evento de probabilidad , la variable aleatoria toma el valor si se realiza y 0 si no. Su ley es la ley de Bernoulli de parmetro .

Ley Uniforme
Se repite el mismo experimento en forma independiente y se cuenta el nmero de veces que se produce el evento . Se considerar la repeticin de los experimentos como un nuevo experimento global. Como solamente nos interesa el evento , bastar guardar de la experiencia global una -tupla booleana del tipo: la cual ser ms fcil de transformar en una -tupla de 0 y . Denotemos: el nmero de veces en que se realiza a lo largo de los experimentos.

Si denota la probabilidad del evento , la variable aleatoria sigue una ley de Bernoulli de parmetro. La variable aleatoria toma sus valores en el conjunto. Para determinar su ley, los eventos que nos interesan son los del tipo `` ''. A partir de la hiptesis de independencia de los experimentos, la probabilidad de un resultado cualquiera del experimento global es un producto de probabilidades. Por ejemplo:
Toda -tupla particular que contenga `` '' y ``0'' tiene como probabilidad . En total hay: que es el nmero de maneras de seleccionar ndices entre . De donde:

Para recordar: El nmero de ocurrencias de un mismo evento en el curso de experimentos independientes sigue una ley binomial. Simulacin: A la salida del algoritmo que mostramos a continuacin, sigue la ley binomial. Es el caso tpico en el que encontramos una ley binomial, pero no es el mtodo mas eficaz de simulacin de la misma. Repetir veces Si (Random ) entonces fin Si fin Repetir.

Observacin:
Es un buen hbito el comprobar que la suma de las probabilidades calculadas vale . En este caso: , por la frmula del binomio de Newton (de ahel nombre de binomial).

Ley Geometrica El problema aqu es observar una sucesin de repeticiones independientes de un mismo experimento. Nos interesa el momento en que se produce el evento por primera vez. Se asume que la probabilidad de es estrictamente positiva. Denotemos por el nmero de orden del experimento en el cual ocurre por primera vez. Es una variable aleatoria que depende del experimento: repetir independientemente hasta que ocurra. Observacin:
La consecuencia de esta observacin es la siguiente: En el transcurso de una serie de experimentos independientes, todo evento acabar sucediendo, si su probabilidad es estrictamente positiva. As una sucesin aleatoria de 0 y debe contener necesariamente una cadena de ceros seguidos. Con el mismo razonamiento, si un mono golpea al azar las teclas de una mquina de escribir, terminar, necesariamente, escribiendo ``Don Quijote'' sin faltas, desde la primera mayscula hasta el ltimo punto. Para comprender esta paradoja, calculemos la probabilidad de que un evento de probabilidad se produzca a lo sumo en el -simo experimento. Mostramos algunos valores de en funcin de y .