Introducción a la distribución de Bernoulli
La distribución de Bernoulli es una de las distribuciones de probabilidad más simples y fundamentales dentro de la teoría de la probabilidad y la estadística. A pesar de su simplicidad, tiene un papel central en la modelización de fenómenos aleatorios que solo pueden producir dos resultados posibles: éxito o fracaso, verdadero o falso, sí o no, 1 o 0.
Este tipo de distribución aparece de forma natural en numerosos contextos cotidianos y científicos, desde el lanzamiento de una moneda hasta la evaluación de si un cliente realiza o no una compra, si un producto es defectuoso o no, o si un paciente responde positivamente a un tratamiento médico. Su importancia radica en que sirve como base para otras distribuciones más complejas, como la binomial, la geométrica o la negativa binomial.
Concepto de experimento de Bernoulli
Un experimento de Bernoulli es un experimento aleatorio que cumple con las siguientes características fundamentales:
- Solo tiene dos resultados posibles.
- Uno de los resultados se denomina éxito, y el otro fracaso.
- La probabilidad de éxito es constante y se representa como ( p ).
- La probabilidad de fracaso es ( 1 – p ).
Es importante destacar que los términos éxito y fracaso no tienen una connotación positiva o negativa necesariamente; simplemente se utilizan para distinguir los dos resultados posibles.
Ejemplos clásicos de experimentos de Bernoulli incluyen:
- Lanzar una moneda y observar si sale cara.
- Verificar si un estudiante aprueba o reprueba un examen.
- Determinar si una pieza producida en una fábrica es defectuosa.
- Analizar si un correo electrónico es spam o no.
Cada uno de estos experimentos puede modelarse mediante una variable aleatoria de Bernoulli.
Variable aleatoria de Bernoulli
Una variable aleatoria de Bernoulli es una variable discreta que toma únicamente dos valores, generalmente:
- ( X = 1 ) si ocurre el éxito.
- ( X = 0 ) si ocurre el fracaso.
La probabilidad asociada a cada uno de estos valores es:
- ( P(X = 1) = p )
- ( P(X = 0) = 1 – p )
Esta representación binaria facilita enormemente el análisis matemático y computacional, especialmente en áreas como la estadística inferencial, el aprendizaje automático y la ciencia de datos.
Definición formal de la distribución de Bernoulli
Se dice que una variable aleatoria ( X ) sigue una distribución de Bernoulli con parámetro ( p ) si su función de probabilidad está definida como:
[{eq}P(X = x) =
\begin{cases}
p & \text{si } x = 1 \
1 – p & \text{si } x = 0
\end{cases}{/eq}]
Donde ( {eq}0 \leq p \leq 1{/eq} ).
Esta función describe completamente el comportamiento probabilístico de la variable aleatoria y permite calcular cualquier medida asociada, como la media, la varianza o los momentos.
Ejemplo básico de distribución de Bernoulli
Consideremos el siguiente ejemplo sencillo:
Se lanza una moneda equilibrada y se define la variable aleatoria ( X ) como:
- ( X = 1 ) si sale cara.
- ( X = 0 ) si sale cruz.
Como la moneda es equilibrada, la probabilidad de obtener cara es ( {eq}p = 0{,}5{/eq} ).
La distribución de Bernoulli asociada es:
- ( {eq}P(X = 1) = 0{,}5{/eq} )
- ( {eq}P(X = 0) = 0{,}5{/eq} )
Este ejemplo ilustra el caso más simple y simétrico de una distribución de Bernoulli, donde ambos resultados son igualmente probables.
Ejemplo con probabilidad no equilibrada
Ahora consideremos un caso más realista:
Una fábrica produce tornillos, y se sabe que el 2 % de los tornillos son defectuosos. Se selecciona un tornillo al azar y se define la variable aleatoria ( X ) como:
- ( X = 1 ) si el tornillo es defectuoso.
- ( X = 0 ) si el tornillo no es defectuoso.
En este caso, la probabilidad de éxito (defecto) es:
[{eq}p = 0{,}02{/eq}]
Por lo tanto:
- ( {eq}P(X = 1) = 0{,}02{/eq} )
- ( {eq}P(X = 0) = 0{,}98{/eq} )
Este ejemplo muestra cómo la distribución de Bernoulli permite modelar eventos poco frecuentes pero relevantes en contextos industriales y de control de calidad.
Esperanza matemática de una distribución de Bernoulli
La esperanza matemática, o valor esperado, de una variable aleatoria de Bernoulli es una medida central que indica el promedio esperado del resultado en un gran número de repeticiones del experimento.
Para una variable aleatoria ( {eq}X \sim \text{Bernoulli}(p){/eq} ), la esperanza se calcula como:
[{eq}\mathbb{E}(X) = 1 \cdot p + 0 \cdot (1 – p) = p{/eq}]
Esto significa que el valor esperado de una variable de Bernoulli coincide exactamente con la probabilidad de éxito.
Ejemplo de esperanza
En el ejemplo del tornillo defectuoso, la esperanza es:
[{eq}\mathbb{E}(X) = 0{,}02{/eq}]
Interpretación: si se inspeccionan muchos tornillos, el promedio de tornillos defectuosos tenderá al 2 %.
Varianza de la distribución de Bernoulli
La varianza mide la dispersión de los valores de la variable aleatoria respecto a su esperanza. Para una distribución de Bernoulli, la varianza se define como:
[{eq}\text{Var}(X) = p(1 – p){/eq}]
Esta expresión muestra que la variabilidad depende directamente de la probabilidad de éxito y es máxima cuando ( {eq}p = 0{,}5{/eq} ).
Ejemplo de varianza
Para el caso del tornillo defectuoso:
[{eq}\text{Var}(X) = 0{,}02 \times 0{,}98 = 0{,}0196{/eq}]
La varianza es relativamente baja, lo cual refleja que la mayoría de los resultados serán ( X = 0 ), es decir, tornillos no defectuosos.
Función de distribución acumulada
La función de distribución acumulada (FDA) de una variable de Bernoulli se define como:
[{eq}F(x) = P(X \leq x){/eq}]
Dado que la variable solo puede tomar los valores 0 y 1, la FDA queda definida por tramos:
- ( {eq}F(x) = 0 ) si ( x < 0 ){/eq}
- ( {eq}F(x) = 1 – p ) si ( 0 \leq x < 1 ){/eq}
- ( {eq}F(x) = 1 ) si ( x \geq 1 ){/eq}
Esta función permite calcular probabilidades acumuladas y es útil en análisis teóricos y computacionales.
Ejemplo aplicado a decisiones binarias
Supongamos que una empresa lanza una campaña publicitaria por correo electrónico. Se sabe que la probabilidad de que un cliente haga clic en el enlace es del 12 %.
Definimos la variable aleatoria:
- ( X = 1 ) si el cliente hace clic.
- ( X = 0 ) si no hace clic.
Entonces:
[{eq}X \sim \text{Bernoulli}(0{,}12){/eq}]
Este modelo permite a la empresa:
- Estimar el número esperado de clics.
- Analizar el rendimiento de la campaña.
- Comparar diferentes estrategias de marketing.
Si se envían 10.000 correos, el número esperado de clics será:
[{eq}10.000 \times 0{,}12 = 1.200{/eq}]
Relación entre la distribución de Bernoulli y la binomial
La distribución de Bernoulli es un caso particular de la distribución binomial. Mientras que la Bernoulli modela un solo experimento, la binomial modela el número de éxitos en una secuencia de ( n ) experimentos de Bernoulli independientes.
Formalmente, si:
[{eq}X_1, X_2, \dots, X_n \sim \text{Bernoulli}(p){/eq}]
entonces:
[{eq}S = X_1 + X_2 + \dots + X_n \sim \text{Binomial}(n, p){/eq}]
Este vínculo convierte a la distribución de Bernoulli en la piedra angular del estudio de procesos aleatorios discretos.
Ejemplo en el ámbito educativo
Consideremos un examen de opción múltiple con una sola pregunta de verdadero o falso. Un estudiante responde al azar, por lo que la probabilidad de responder correctamente es 0,5.
Definimos:
- ( X = 1 ) si la respuesta es correcta.
- ( X = 0 ) si la respuesta es incorrecta.
Entonces:
[{eq}X \sim \text{Bernoulli}(0{,}5){/eq}]
Este ejemplo es útil para analizar el rendimiento esperado de estudiantes cuando responden sin conocimiento previo y para diseñar evaluaciones más justas.
Ejemplo en medicina y ciencias de la salud
En estudios clínicos, la distribución de Bernoulli se utiliza para modelar la respuesta de un paciente a un tratamiento.
Por ejemplo:
- ( X = 1 ) si el paciente mejora.
- ( X = 0 ) si el paciente no mejora.
Si estudios previos indican que la probabilidad de mejora es del 70 %, entonces:
[{eq}X \sim \text{Bernoulli}(0{,}7){/eq}]
Este tipo de modelización es fundamental en bioestadística, ensayos clínicos y epidemiología.
Interpretación estadística de un ejemplo de Bernoulli
Un error común es interpretar incorrectamente el valor esperado de una variable de Bernoulli. El valor esperado no indica el resultado de un experimento individual, sino el promedio a largo plazo.
Por ejemplo, si ( {eq}p = 0{,}7{/eq} ), no significa que el resultado será 0,7, sino que, en promedio, el 70 % de los experimentos resultarán en éxito.
Esta interpretación es clave para evitar malentendidos en la toma de decisiones basada en probabilidades.
Estimación del parámetro p a partir de datos
En la práctica, el valor de ( p ) suele ser desconocido y debe estimarse a partir de observaciones.
Si se realizan ( n ) experimentos de Bernoulli y se observan ( k ) éxitos, una estimación natural de ( p ) es:
[{eq}\hat{p} = \dfrac{k}{n}{/eq}]
Esta estimación es la base de numerosos métodos estadísticos, incluyendo intervalos de confianza y pruebas de hipótesis.
Ejemplo de estimación
Supongamos que se inspeccionan 200 productos y se detectan 8 defectuosos.
Entonces:
[{eq}\hat{p} = \dfrac{8}{200} = 0{,}04{/eq}]
Este valor puede utilizarse como estimación de la probabilidad de defecto en el proceso productivo.
Aplicaciones en informática y ciencia de datos
En informática, la distribución de Bernoulli se utiliza ampliamente en:
- Modelos de clasificación binaria.
- Redes neuronales.
- Algoritmos de aprendizaje automático.
- Simulación de eventos aleatorios.
Por ejemplo, en un clasificador que predice si un correo es spam o no, cada predicción puede modelarse como una variable de Bernoulli.
Simulación de una distribución de Bernoulli
La simulación de variables de Bernoulli es común en estudios estadísticos y computacionales. Consiste en generar números aleatorios y compararlos con el valor de ( p ).
Este procedimiento permite estudiar el comportamiento empírico de la distribución y verificar propiedades teóricas como la ley de los grandes números.
Ventajas de la distribución de Bernoulli
Entre las principales ventajas de esta distribución se encuentran:
- Simplicidad conceptual y matemática.
- Interpretación clara y directa.
- Amplia aplicabilidad en distintos campos.
- Base para distribuciones más complejas.
Estas características explican por qué la distribución de Bernoulli se introduce tempranamente en cursos de probabilidad y estadística.
Limitaciones y consideraciones
A pesar de su utilidad, la distribución de Bernoulli tiene limitaciones:
- Solo modela dos resultados posibles.
- No considera dependencias entre experimentos.
- Puede ser insuficiente para fenómenos más complejos.
En estos casos, es necesario recurrir a distribuciones más generales.
Conclusión
La distribución de Bernoulli es una herramienta fundamental para modelar fenómenos aleatorios con dos resultados posibles. A través de ejemplos simples y aplicados, se ha demostrado su versatilidad y relevancia en áreas como la educación, la industria, la medicina, el marketing y la informática.
Comprender los ejemplos de distribución de Bernoulli permite no solo dominar un concepto clave de la estadística, sino también sentar las bases para el estudio de modelos probabilísticos más avanzados. Su simplicidad, lejos de ser una limitación, es precisamente lo que la convierte en una de las distribuciones más poderosas y utilizadas en la práctica.
Continua con:
- ¿Qué es la Política redistributiva? Definición y ejemplos
- ¿Qué es Inspección de Hacienda? Definición y ejemplos
- ¿Qué es el Salario neto? Definición y ejemplos
- ¿Qué es el Salario bruto? Definición y ejemplos
- ¿Qué es el Test de Durbin-Watson? Definición y ejemplos
- ¿Qué es el Consenso de Washington? Definición y características
