Distribuciones de Probabilidad Discretas

Las distribuciones de probabilidad discretas son herramientas fundamentales en estadística, permitiéndonos modelar y entender fenómenos donde los resultados son conteos o valores finitos. Este artículo se adentrará en las características, fórmulas y aplicaciones de dos modelos esenciales: la Distribución de Poisson y la Distribución Hipergeométrica, junto con las útiles aproximaciones de la binomial a otras distribuciones. Comprender estas distribuciones es clave para la toma de decisiones informadas en diversas áreas. Nuestro objetivo es clarificar cómo estas distribuciones se diferencian y cuándo aplicar cada una, incluso cuando se busca la resolución de problemas complejos a través de aproximaciones, asegurando que siempre haya una solución.

¿Qué Son las Distribuciones de Probabilidad Discretas?

Las distribuciones de probabilidad representan las expectativas sobre la ocurrencia de eventos y son modelos esenciales para tomar decisiones bajo incertidumbre. Se diferencian de las distribuciones de frecuencias en que estas últimas listan resultados observados, mientras que las de probabilidad listan los posibles resultados teóricos de un experimento. Pueden basarse en consideraciones teóricas o estimaciones de experiencia, como en compañías de seguros.

Variable Aleatoria Discreta: La Base de los Conteo

Una variable aleatoria discreta es el resultado numérico de un experimento aleatorio que asume un número finito o una serie infinita numerable de valores (como los números naturales). Surge de un conteo. Por ejemplo, el número de personas que asistirán a un evento o el número de piezas defectuosas en una muestra. A diferencia de las variables continuas, que pueden tomar cualquier valor dentro de un intervalo, las discretas arrojan resultados enteros.

Funciones de Probabilidad Discretas: Definición y Condiciones

La forma de una distribución de probabilidades para una variable aleatoria discreta se define por una función de probabilidad f(x). Este valor f(x) es la probabilidad de que la variable aleatoria tome el valor x. Por ejemplo, en el caso de ventas de seguros en un día, f(0) es la probabilidad de no vender ningún seguro.

Para que una función sea una función de probabilidad válida, debe cumplir dos condiciones cruciales:

• La probabilidad de cada valor de x debe ser mayor o igual a cero: f(x) ≥ 0.
• La suma de todas las probabilidades posibles debe ser igual a uno: Σ f(x) = 1.

Estas funciones pueden presentarse mediante tablas, gráficos de bastones o fórmulas matemáticas, siendo esta última la más común para describir modelos como la distribución uniforme discreta.

Valor Esperado y Varianza: Medidas Clave

Para describir mejor una distribución de probabilidad discreta, necesitamos medidas de posición y dispersión. El valor esperado (o media), E(x) o μ, es una medida de posición central. Se calcula como un promedio ponderado de los valores que toma la variable aleatoria, donde cada valor se multiplica por su probabilidad: E(x) = μ = Σ x·f(x). Representa el valor promedio que se obtendría si el experimento se repitiera muchas veces. Por ejemplo, si se espera vender 2.24 seguros al día, esto es un promedio a largo plazo, no una predicción exacta para mañana.

La varianza, Var(x) o σ², es una medida de dispersión que indica cuán dispersos están los valores de la variable aleatoria con respecto a la media. Se calcula como un promedio ponderado de los cuadrados de las desviaciones de cada valor respecto a la media: Var(x) = σ² = Σ (x - μ)²·f(x). La desviación estándar, σ, es la raíz cuadrada de la varianza y se expresa en la misma unidad que la variable aleatoria, facilitando su interpretación. Una mayor variabilidad indica una mayor dispersión de los datos.

Distribución de Poisson: Eventos Raros en Intervalos

La Distribución de Poisson es un modelo de probabilidad para variables aleatorias discretas que se utiliza para estimar la cantidad de veces que ocurre un evento específico (ocurrencias) en un intervalo fijo de tiempo o espacio. Es ideal para situaciones donde es imposible contar los "fracasos", como el número de accidentes que no ocurrieron.

Características Clave de la Distribución de Poisson

Esta distribución se aplica a eventos no muy comunes o "raros" y presenta las siguientes características:

• La probabilidad de ocurrencia de un evento es constante en cualquier intervalo de la misma magnitud.
• El número de ocurrencias en un intervalo es independiente del número de ocurrencias en cualquier otro intervalo.
• La probabilidad de que un evento ocurra es proporcional a la longitud del intervalo.
• La probabilidad de que uno o más eventos ocurran en un intervalo muy pequeño es despreciable.
• Puede verse como una aproximación de la binomial cuando n tiende a infinito y p a cero.

Ejemplos comunes incluyen el número de clientes por hora en un banco, errores tipográficos por página, defectos por metro cuadrado en una fábrica, o llamadas por minuto a un conmutador. La variable es discreta (conteo), pero el intervalo es una variable continua (tiempo o espacio).

Fórmula y Parámetros de Poisson

El único parámetro que define la distribución de Poisson es Lambda (λ), que representa el promedio de ocurrencias o el valor esperado en un intervalo dado. La función de densidad (expresión matemática) es:

P(x) = (e^(-λ) * λ^x) / x!

Donde:

• P(x): Probabilidad de tener exactamente x ocurrencias.
• x: Número de éxitos/ocurrencias (0, 1, 2,...).
• λ: Promedio de ocurrencia en el intervalo.
• e: Número irracional (aproximadamente 2.71828).

Es importante que x y λ se refieran a la misma unidad de tiempo o espacio. El número de ocurrencias x no tiene límite superior, abarcando una sucesión infinita de números. Sin embargo, la suma de todas las probabilidades debe ser 1.

Valor Esperado y Varianza en Poisson: Simplicidad y Utilidad

Una particularidad de la distribución de Poisson es que su media (valor esperado) y su varianza son iguales a su parámetro λ:

• Valor Esperado (Media): E(x) = μ = λ
• Varianza: Var(x) = σ² = λ
• Desviación Estándar: σ = √λ

Esta simplicidad facilita los cálculos y la interpretación de la dispersión de los eventos.

Ejemplo de Aplicación: Visitantes a un Sitio Web (Hostelaustral.com)

Consideremos el caso de Hostelaustral.com, un sitio web que registra un promedio de 7 visitantes por minuto (λ = 7). Si queremos calcular la probabilidad de que no haya ningún visitante en un minuto (x = 0):

P(x = 0) = (e^(-7) * 7^0) / 0! = 0.0009

Esto significa que la probabilidad de no tener visitantes en un minuto es muy baja, aproximadamente 0.09%. Este ejemplo ilustra cómo la fórmula de Poisson nos permite calcular probabilidades de eventos específicos en un intervalo dado.

Distribución Hipergeométrica: Muestreo sin Reposición

La Distribución Hipergeométrica aborda escenarios donde la probabilidad de éxito no se mantiene constante debido al muestreo sin reposición de una población finita. A diferencia de la binomial, donde la extracción de un elemento no afecta la probabilidad de los siguientes, aquí cada extracción modifica las probabilidades futuras.

Características Esenciales de la Hipergeométrica

Esta distribución se aplica bajo las siguientes condiciones:

• El proceso consta de n pruebas separadas, extraídas de un conjunto de N pruebas posibles.
• En cada prueba, hay dos resultados mutuamente excluyentes: éxito (E) o fracaso (F).
• Los ensayos son dependientes.
• Las probabilidades de éxito o fracaso varían en las sucesivas pruebas, dependiendo de los resultados anteriores.
• La población es finita, y el tamaño de la muestra (n) es grande y significativo respecto al tamaño poblacional (N), generalmente n > 5% N.

Un ejemplo clásico es seleccionar alumnos de un curso sin volver a ponerlos en la "bolsa" de selección, donde la probabilidad de elegir a un alumno aprobado cambia después de cada extracción.

Fórmula y Parámetros de la Hipergeométrica

La fórmula de la probabilidad hipergeométrica se basa en combinaciones. Sea:

• N: Número total de elementos en la población (finita).
• k: Número de éxitos en la población.
• n: Número de ensayos (tamaño de la muestra).
• x: Variable aleatoria, número de éxitos que se pretende encontrar en la muestra.

La probabilidad de obtener x éxitos en una muestra de tamaño n es:

P(x) = [C(k, x) * C(N-k, n-x)] / C(N, n)

Donde C(a, b) representa el número combinatorio "a elementos tomados de b en b".

Valor Esperado y Varianza Hipergeométrica: La Ponderación del Muestreo

Los parámetros de la distribución hipergeométrica, el valor esperado y la varianza, también tienen fórmulas específicas que reflejan la naturaleza del muestreo sin reposición:

• Valor Esperado (Media): E(x) = μ = n * (k/N)
• Varianza: Var(x) = σ² = n * (k/N) * (1 - k/N) * [(N - n) / (N - 1)]

El término (N - n) / (N - 1) es el factor de corrección para poblaciones finitas, que ajusta la varianza por el efecto del muestreo sin reemplazo. Si n es pequeño en comparación con N, este factor se acerca a 1, y la varianza se asemeja a la de una binomial.

Ejemplo de Aplicación: Alumnos Aprobados en Estadística

Consideremos un curso de 40 alumnos (N=40), de los cuales 15 aprobaron el parcial de Estadística (k=15). Si se toma una muestra aleatoria de 10 alumnos (n=10) sin reposición, la probabilidad de que exactamente 2 alumnos en la muestra hayan aprobado el parcial (x=2) sería:

P(x = 2) = [C(15, 2) * C(40 - 15, 10 - 2)] / C(40, 10) = [C(15, 2) * C(25, 8)] / C(40, 10) = 0.134

Existe una probabilidad del 13.4% de encontrar exactamente 2 alumnos aprobados en esa muestra. Este cálculo directo es esencial para entender la dinámica de probabilidades cuando la población es finita y el muestreo es sin reposición.

Aproximaciones en Distribuciones de Probabilidad Discretas

En ocasiones, los cálculos directos de distribuciones binomiales o de Poisson pueden ser tediosos o inviables si los valores de n o λ son muy grandes y no se encuentran en las tablas. Aquí es donde las aproximaciones a otras distribuciones, como la normal, se vuelven extremadamente útiles, permitiendo una resolución práctica con errores mínimos.

Aproximación de la Binomial a Poisson

Un experimento binomial puede aproximarse a una distribución de Poisson cuando el número de ensayos (n) es grande y la probabilidad de éxito (p) es muy pequeña. Específicamente, cuando n tiende a infinito y p tiende a cero, la binomial se asemeja a Poisson. Para esta aproximación, se usa λ = n * p.

Aproximación de la Binomial a la Normal: Cuando n es Grande

Cuando en un experimento binomial el número de ensayos n es muy grande, la distribución binomial puede aproximarse y resolverse con la Distribución Normal. Esta aproximación es válida si se cumplen las siguientes condiciones:

• Condiciones Binomiales: El experimento debe cumplir todas las características de una distribución binomial (ensayos independientes, dos resultados posibles, p constante).
• Criterio de Aproximación: n * p ≥ 5 y n * q ≥ 5 (donde q = 1 - p).

Si se cumplen estas condiciones, la distribución normal utilizada para la aproximación tendrá los siguientes parámetros:

• Media: μ = n * p (igual a la media de la binomial).
• Desviación Estándar: σ = √(n * p * q) (igual a la desviación estándar de la binomial).

Factor de Corrección por Continuidad: El Puente entre Discreto y Continuo

Dado que la binomial es discreta y la normal es continua, se introduce un factor de corrección por continuidad de ± 0.5 a la variable aleatoria. Este factor minimiza el error de aproximación. Aquí están los casos comunes:

• P(x = 15) (exactamente 15): Se calcula P(14.5 ≤ x ≤ 15.5).
• P(x ≥ 15): Se estandariza x = 14.5.
• P(x > 15): Se estandariza x = 15.5.
• P(x ≤ 15): Se estandariza x = 15.5.
• P(x < 15): Se estandariza x = 14.5.

Ejemplo: Impresiones con Errores

Supongamos un comercio con una impresora que produce defectos en el 30% de las impresiones (p=0.30). Si se eligen 80 impresiones al azar (n=80), verificamos las condiciones: n*p = 24 ≥ 5 y n*q = 56 ≥ 5. Por lo tanto, podemos aproximar con una Normal.

La media es μ = 80 * 0.30 = 24 y la desviación estándar σ = √(80 * 0.30 * 0.70) = √16.8 ≈ 4.1.

Si queremos la probabilidad de un máximo de 20 errores, P(x ≤ 20), usando la corrección, calculamos P(x ≤ 20.5). Estandarizando y buscando en tablas, P(x ≤ 20.5) ≈ 0.1977.

Aproximación de Poisson a la Normal: Cuando Lambda es Grande

Similarmente, la distribución de Poisson puede aproximarse a la Normal cuando su parámetro λ es suficientemente grande, generalmente cuando λ ≥ 10. Aunque la distribución sigue siendo de Poisson (discreta), su gráfica se aproxima a una curva normal, y los errores de aproximación son muy pequeños.

Para tratarla como una Normal, se usan los siguientes parámetros:

• Media: μ = λ
• Desviación Estándar: σ = √λ

Después de calcular estos parámetros, se procede a la estandarización de la variable aleatoria con la fórmula z = (x - μ) / σ y se calcula la probabilidad solicitada usando tablas de la distribución normal estándar.

Ejemplo: Peaje a Carlos Paz

En un peaje, pasan en promedio 70 vehículos por hora (λ = 70). Queremos la probabilidad de que, en una hora al azar, se registren menos de 55 vehículos (P(x < 55)). Dado que λ = 70 ≥ 10, podemos aproximar a una normal.

• Media: μ = 70
• Desviación Estándar: σ = √70 ≈ 8.37

Usando la corrección por continuidad para P(x < 55), calculamos P(x ≤ 54.5). Estandarizamos x = 54.5: z = (54.5 - 70) / 8.37 ≈ -1.85. Buscando en la tabla normal acumulada, P(z ≤ -1.85) ≈ 0.0322.

Esto nos da la probabilidad de que en una hora se registren como máximo 55 vehículos.

Conclusión: Dominando las Distribuciones Discretas

Hemos explorado en detalle las distribuciones de probabilidad discretas de Poisson e Hipergeométrica, comprendiendo sus características únicas y los escenarios en los que cada una es aplicable. Además, hemos visto cómo las aproximaciones a la distribución normal se convierten en herramientas indispensables para resolver problemas complejos con grandes volúmenes de datos. Diferenciar entre estos modelos y saber cuándo aplicar las aproximaciones es fundamental para cualquier estudiante o profesional que busque realizar análisis estadísticos precisos y tomar decisiones bien fundamentadas.

Preguntas Frecuentes sobre Distribuciones de Probabilidad Discretas

¿Cuál es la diferencia principal entre la distribución de Poisson y la binomial?

La distribución binomial modela el número de éxitos en un número fijo de ensayos independientes con una probabilidad constante de éxito. La distribución de Poisson, por otro lado, modela el número de ocurrencias de un evento en un intervalo de tiempo o espacio, donde la probabilidad de ocurrencia es muy baja y el número de ensayos es muy grande (o desconocido), y solo se conoce el promedio de ocurrencias (λ).

¿Cuándo debo usar la distribución hipergeométrica en lugar de la binomial?

Debe usar la distribución hipergeométrica cuando el muestreo se realiza sin reposición de una población finita, y el tamaño de la muestra es significativo (generalmente más del 5%) en relación con el tamaño de la población. En estos casos, la probabilidad de éxito cambia con cada extracción, lo que la diferencia de la binomial, donde la probabilidad de éxito es constante.

¿Qué son las condiciones para aproximar una binomial a una normal?

Para aproximar una distribución binomial a una normal, se deben cumplir las condiciones de un experimento binomial, y el tamaño de la muestra (n) debe ser grande, tal que n * p ≥ 5 y n * q ≥ 5 (donde p es la probabilidad de éxito y q = 1 - p). Además, se aplica un factor de corrección por continuidad de ±0.5 al valor de la variable discreta para mejorar la precisión de la aproximación.

¿Por qué la media y la varianza son iguales en la distribución de Poisson?

La igualdad de la media (E(x) = λ) y la varianza (Var(x) = λ) en la distribución de Poisson es una propiedad matemática inherente a su derivación. Refleja que, en procesos donde los eventos ocurren de forma aleatoria e independiente a una tasa promedio constante, la variabilidad esperada de las ocurrencias es directamente proporcional a la tasa promedio de ocurrencia. Distribución de Poisson