UNIDAD 3: PROBABILIDAD.

DISTRIBUCIN BINOMIAL Y NORMAL

1o Bachillerato de CCSS.

1.- CALCULO
DE PROBABILIDADES.

Un experimento aleatorio es aquel que puede dar lugar a varios resultados, sin que pueda
ser previsible enunciar con certeza cul de stos va a ser observado en la realizacin del experimento.
El espacio muestral es el conjunto de formado por todos los resultados de un experimento o
fenmeno aleatorio. Lo denotamos por la letra E.
Se llama suceso de un experimento aleatorio a cada uno de los subconjuntos del espacio muestral E.
Al conjunto de todos los sucesos que ocurren en un experimento aleatorio se le llama espacio de sucesos
y se designa por S.
Algunos tipos de sucesos:
-Suceso elemental es el que est formado por un solo resultado del experimento.
- Suceso compuesto es el que est formado por dos o ms resultados del experimento; es
decir, por dos o ms sucesos elementales.
- Suceso seguro es el que se verica al realizar el experimento y, por tanto, coincide con
el espacio muestral E.
- Suceso imposible es el que nunca se verica. Se representa por
Debemos tener en cuenta que: si el espacio muestral E, asociado a un experimento aleatorio,
tiene n elementos el espacio de sucesos correspondiente S tiene 2n elementos.
Si tiramos una moneda, E= {C, X}, el espacio se sucesos est formado por 22 =4:
S= { , {C}, {X}, {C,X}}.

Ejemplos:
Experimento
Se lanza
una moneda
Resultado de
quiniela

Se lanza
un dado

Espacio muestral
E = {cara, cruz}
E = {1, X, 2}

Sucesos elementales
{cara}
{cruz}
{1}
{X}
{2}

E = {1, 2, 3, 4, 5, 6}

{1}
{2}
{3}
{4}
{5}

Sucesos compuestos
{C, X} suceso seguro
{1, X}
{1, 2}
{2, X}
{1, X, 2} suceso seguro
{1, 2} , {1, 3} , {1, 4} , . . .
{1, 2, 3} , {1, 2, 4} , . . .
{1, 2, 3, 4} , {1, 2, 3, 5} , . . .
{1, 2, 3, 4, 5} , . . .
{1, 2, 3, 4, 5, 6} suceso
seguro

1.1.- RELACIONES ENTRE SUCESOS.

- Dos sucesos A y B son incompatibles si no tienen en comn ningn suceso elemental (A B = ). Es decir, es imposible
que ocurran simultneamente. En caso contrario, los sucesos son compatibles.
-Dado un suceso cualquiera A, se llama suceso contrario o complementario de A al que no se verica
cuando se verica A, y viceversa. El suceso contrario de A se designa por A.
Ejemplos: En el experimento que consiste en lanzar un dado cbico con las caras numeradas
del 1 al 6, consideramos los sucesos:
a) A = {1, 3, 5} y B = {2, 6} Los sucesos A y B no se pueden vericar simultneamente.
En este caso, los sucesos A y B son incompatibles.
Los sucesos contrarios seran: A = {2, 4, 6}
y B = {1, 3, 5}
b) A = {par} y B = {2, 3} Los sucesos A y B son compatibles, pues tienen en comn el suceso
elemental {2}.
-Dados dos sucesos A y B de un mismo experimento aleatorio, se llama suceso unin de A y
B al suceso que se realiza cuando se verica A o B o ambos a la vez. El suceso A unin B se representa por A B.
-Dados dos sucesos A y B de un mismo experimento aleatorio, se llama suceso interseccin
de A y B al suceso que se realiza cuando se verica A y B simultneamente. El suceso
A interseccin B se representa por A B.
Ejemplos:
1. En el experimento que consiste en lanzar un dado cbico con las caras numeradas
del 1 al 6, consideramos los siguientes sucesos:
A = {2, 4, 6} y B = {2, 3, 5}
El suceso A B = {2, 3, 4, 5, 6}.
El suceso A B = {2}
2. Se considera el sexo de los hijos de las familias de tres hijos. Sea A el suceso el hijo mayor es una hembra,
y B el suceso los dos hijos pequeos son varones. Cules son los elementos de A y B?
Solucin:
Llamando V a ser varn y H a ser hembra, el espacio muestral est formado por los sucesos elementales:
E={(VVV),(VVH),(VHV),(HVV),(VHH),(HVH),(HHV),(HHH)}
Y los sucesos A y B son compuestos y estn formados por los siguientes sucesos elementales:
A={(HHH),(HHV),(HVH),(HVV)}
B={(VVV),(HVV)}

1.2.- PROBABILIDAD.
Experimentos deterministas: Son los experimentos de los que podemos predecir el resultado antes de que se realicen.
Si dejamos caer una piedra desde una ventana sabemos, sin lugar a dudas, que la piedra bajar.
Experimentos aleatorios: Son aquellos en los que no se puede predecir el resultado, ya que ste depende del azar.
Si lanzamos una moneda no sabemos de antemano si saldr cara o cruz.

Probabilidad de un suceso es el nmero al que tiende la frecuencia relativa asociada al suceso a medida
que el nmero de veces que se realiza el experimento crece.

Regla de Laplace: Si realizamos un experimento aleatorio en el que hay n sucesos elementales, todos igualmente probables
(equiprobables), entonces si A es un suceso, la probabilidad de que ocurra el suceso A es:
P (A) = nmero de casos favorables al suceso A
nmero de casos posibles
Siempre se debe cumplir que: 0 P(A) 1

Ejemplo: -En una baraja de 40 cartas, cul es la probabilidad de sacar un AS?, Y OROS?

-Calcular la probabilidad de que al echar un dado al aire, salga un nmero par.

Casos posibles: {1, 2, 3, 4, 5, 6}.
Casos favorables: {2, 4, 6}.
- Calcular la probabilidad de que al echar un dado al aire, salga un nmero mayor que 4.
Casos favorables: {5, 6}.

Propiedades:

1- Si A y B son incompatibles P (A B) = P (A) + P (B)

Ejemplo: Realizamos un experimento que consiste en extraer una carta de una baraja espaola
y consideramos los sucesos:
A=salir rey ;

B=salir as

Los sucesos A y B son incompatibles, ya que no pueden ocurrir a la vez.

Vamos a hallar la probabilidad del suceso A B =salir rey o as.
Hay 8 cartas favorables a este suceso, 4 reyes y 4 ases, de las 40 posibles.
Por tanto: P (A B) = 8/40 =0.2
2- Si A y B son compatibles P (A B) = P (A) + P (B) P (A B)
Ejemplo: Realizamos un experimento que consiste en extraer una carta de una baraja espaola
y consideramos los siguientes sucesos:
A=salir rey B=salir oro
Los sucesos A y B son compatibles, pues se verican a la vez cuando sale el rey de oros.
Vamos a hallar la probabilidad de A B=salir rey u oro.
Hay 13 cartas favorables a este suceso, los 4 reyes y los 9 oros diferentes del rey de oros.
P (A B) =13
40
Este resultado es igual al de la operacin siguiente:

3- P (A) = 1 P (A)

1.3.- EXPERIMENTOS COMPUESTOS.

Un experimento compuesto puede ser considerado equivalente a la realizacin de dos o ms experimentos simples.
Para el clculo de la probabilidad de un suceso en un experimento compuesto es aconsejable trabajar con el diagrama de
rbol. La probabilidad de un suceso en experimentos compuestos es igual al producto de las probabilidades de las ramas del
diagrama de rbol que da lugar a ese suceso.
APLICACIN DE DIAGRAMAS DE RBOLES

-Ejemplo de Experimento simple: Calcular la probabilidad de que al arrojar al aire tres monedas, salgan:
Tres caras.
El procedimiento que se sigue para desarrollar el
diagrama de rbol es el siguiente:
Se inicia el evento a partir de un punto
de inicio.
Se desarrolla el espacio muestral para el
lanzamiento de una moneda: cara o x
(cruz).
Se determina la probabilidad de cada
suceso, considerando que los sucesos
son equiprobables, con una probabilidad
total igual a uno de la suma de los
sucesos.

Probabilidad de C = . Probabilidad de X = .
Para cada rama del primer evento, se dibuja el segundo evento. Obtenindose 4 ramas posibles
Se repite el procedimiento anterior para cada evento del segundo suceso. Resultando 8 ramas
posibles.
Se recorre el diagrama superior, determinndose la probabilidad para las ramas que corresponda
una cara. Se considera que los eventos son independientes. El resultado que se obtiene es.
p(3C) = 1/8

- Ejemplo de Experimento simple compuesto: Una universidad tiene de tres facultades:

La 1 con el 50% de estudiantes.
La 2 con el 25% de estudiantes.
La 3 con el 25% de estudiantes.
Las mujeres representan un 60% del total en cada facultad.
a)Probabilidad de encontrar una alumna de la primera facultad?
b)Probabilidad de encontrar un alumno varn?

En los experimentos compuestos por sucesivas extracciones (de una baraja, de una bolsa, ...) pueden darse dos modalidades,
que es muy importante distinguir:
-

Extracciones con reemplazamiento el resultado de la primera extraccin no influye en las condiciones de la segunda. Despus de
cada extraccin el elemento extrado se devuelve.

Extracciones sin reemplazamiento el resultado de la primera extraccin influye o condiciona el resultado de la segunda.

Ejemplos:
1. Extraemos de una baraja tres cartas. Hallar la probabilidad de que sean tres ases.
a) Extracciones con reemplazamiento:(formamos el diagrama en rbol)

b) Sin reemplazamiento: (formamos el diagrama en rbol)

2. En una urna hay cinco letras: 3 A y 2 N. Se extrae, se anota y se repite el mismo proceso dos veces ms. Cul es la probabilidad
de obtener las letras de la palabra ANA y en ese orden?

1.4. PROBABILIDAD CONDICIONADA

La probabilidad de que ocurra un suceso A si sabemos que ha ocurrido un suceso B es:

Es frecuente utilizar esta frmula para calcular la probabilidad de la interseccin: P( A B) P( B) P( A | B) que se interpreta
fcilmente pensando que para que se cumplan los dos sucesos A y B podramos empezar cumpliendo B para despus calcular la
probabilidad de que se cumpla A. Es obvio que se puede alterar este orden utilizando la frmula: P( A B) P( A) P( B | A)
Las probabilidades condicionadas son las segundas ramas de los rboles y sucesivas.

Ejemplo: Se seleccionan dos semillas aleatoriamente, una por una, de una bolsa que contiene 10 semillas
de flores rojas y 5 de flores blancas. Cul es la probabilidad de que la primera semilla sea roja? Y que la
segunda semilla sea blanca dado que la primera fue roja?

La probabilidad de que la primera semilla sea roja es:

La probabilidad de que la segunda semilla sea blanca se ve influida por lo que sali primero, es decir esta probabilidad est sujeta
a una condicin, la de que la primera semilla sea roja
Esta probabilidad, puesto que todava hay 5 semillas blancas en un total de 14 restantes.

10 5

P( B2 R1 ) 15 14 5
P( B2 | R1 )

10
P( R1 )
14
15
Veamos la situacin en un diagrama de rbol:

Dos sucesos A y B son independientes si la realizacin de A no condiciona la realizacin de B; es decir, P (B/A) = P (B).
Dos sucesos A y B son dependientes si la realizacin de A condiciona la realizacin de B; en
este caso, P (B/A) no coincide con P (B).
En las extracciones con reemplazamiento los sucesos son siempre independientes.
En las extracciones sin reemplazamiento los sucesos son siempre dependientes.
Las siguientes expresiones permiten calcular la probabilidad de la interseccion de sucesos.
-Si A y B son independientes : P (A B) = P (A) P (B)
- Si A y B son dependientes : P (A B) = P (A) P (A/B)
Ejemplos:
1. De una baraja espaola se extraen simultaneamente dos cartas. Calcular la probabilidad
de que las dos sean copas.
Como las extracciones se realizan simultneamente, equivale a extracciones sin reemplazamiento;
por tanto, los sucesos son dependientes.

2. Cul es la probabilidad de que al lanzar cuatro veces un dado cbico se obtenga al menos un seis?
Cada lanzamiento es independiente del anterior, ya que su resultado no viene afectado
por lo que saliera en el lanzamiento anterior.Como es ms fcil hallar la probabilidad del suceso contrario, hallamos
primero
P(ningn 6) =

Luego

2. TEOREMAS DE PROBABILIDAD
2.1. REGLA DEL PRODUCTO O DE LA PROBABILIDAD COMPUESTA

Partiendo de la definicin de la probabilidad condicionada P(B/A) podemos escribirla en forma de producto, llegando
a obtener la regla de multiplicacin de probabilidades o probabilidad compuesta:

P(A B) = P(A) * P(B/A) si A y B son dos sucesos dependientes

Anlogamente, para el caso de tres sucesos se obtiene:
p(A B C) = p(A) . p(B/A) . p(C/A B ) si A , B y C son tres sucesos dependientes.
En general, si A1 A 2 A n son sucesos dependientes,
P(A1 A2 A3 ...An) = P(A1) P(A2/A1)P(A3/A1 A2) ...P(An/ A1 A2n
En la prctica dice que la probabilidad de un camino del diagrama en rbol es el producto de las probabilidades de las ramas
que lo forman.
Ejemplo:
Consideramos el experimento que consiste en extraer tres cartas de una baraja espaola. Calcular la probabilidad
de que sean rey, as y sota respectivamente.
Sean R1 = { sacar rey en la primera extraccin }.
A2 = { sacar as en la segunda extraccin }.
S3= { sacar sota en la tercera extraccin }.
p(R1 A2 S3 ) = p(R1). p(A2/R1). p(S3/A2 R1 )= 4/40 . 4/39 . 4/38 = 0.001

Ser:

2.2. PROBABILIDAD TOTAL

Sean los sucesos A1, A2,..., An tales que forman un sistema completo de sucesos, es decir, que
n

A i A j , i j

i 1

. La probabilidad de un suceso B cualquiera para el que se conocen las P(B/Ai ) se calculara mediante

la siguiente frmula llamada Teorema de la Probabilidad Total:

P( B) P( A1 ) P( B | A1 ) P( A2 ) P( B | A2 ) ... P( An ) P( B | An )

es decir,

P(B)= P(Ai ) P(B/Ai )

i=1

En la prctica consiste en avanzar por las ramas del diagrama en rbol hasta llegar al suceso pedido multiplicando las
probabilidades que se encuentren y sumndose a los productos realizados en otros caminos que partan de otra rama
de inicio.

Ejemplo:
Un paquete de semillas contiene un 40% de semillas rojas y el resto son semillas amarillas. La probabilidad de que
germine una semilla roja es de 0,9 mientras que la de que germine una semilla amarilla es 0,8.

P(Germine) P(Roja) P(Germine | Roja) P( Amarilla) P(Germine | Amarilla) 0,4 0,9 0,6 0,8 0,84
B: Germina una semilla

P( B) P( A1 ) P( B | A1 ) P( A2 ) P( B | A2 )

A1: Semilla roja

A2: Semilla amarilla
Ejemplo: En una economa hay 4 sectores B1, B2, B3 y B4. Sea el suceso S estar en paro. La probabilidad de que una persona est en paro
en cada uno de los sectores ser:

P S B1 0,05 P S B2 0,01 P S B3 0,02 P S B4 0,1

De los trabajadores de esa economa la mitad pertenecen a B1 y el resto se reparten por igual entre los otros tres, es decir:
P B1 0,5 P B2 0,16 P B3 0,16 P B4 0,16

La probabilidad de estar en paro de una persona escogida al azar ser:

4

P(S ) P( Bi ) P S Bi 0,05 0,5 0,01 0,16 0,02 0,16 0,1 0,16 0,458
i 1

2.3. TEOREMA DE BAYES

Sean A1, A2,..., An sucesos tales que forman un sistema completo de sucesos, para cualquier suceso B se verifica:
P( Ai | B)

P( Ai ) P( B | Ai )
P( Ai ) P( B | Ai )

P( B)
P( A1 ) P( B | A1 ) P( A2 ) P( B | A2 ) ... P( An ) P( B | An )

El teorema de Bayes, en cierto modo, responde a la inversa de cmo lo hace el teorema de la probabilidad total.
A las probabilidades P(Ai) se les llama probabilidades a priori, que forman todas las posibilidades de la primera etapa,
A las probabilidades P(B/Ai) se les llaman verisimilitudes del suceso B.
La probabilidad P(Ai/B) se llama a posteriori
En definitiva, estaramos diferenciando entre las probabilidades de los sucesos A i antes de que ocurra B (a priori) de las
probabilidades de los sucesos Ai sabiendo que ya se ha cumplido B (a posteriori).

Ejemplo:
Un paquete de semillas contiene un 40% de semillas rojas y el resto son semillas amarillas. La probabilidad de que
germine una semilla roja es de 0,9 mientras que la de que germine una semilla amarilla es 0,8.

P(Roja|Germina)

P(Roja) P(Germina | Roja)

0,4 0,9
0,36 3

P(Roja) P(Germina | Roja) P( Amarilla) P(Germina | Amarilla)

0,4 0,9 0,6 0,8 0,84 7

B: Germina una semilla

P( A1 | B)

A1: Semilla roja

P( A1 ) P( B | A1 )
P( A1 ) P( B | A1 )

P( B)
P( A1 ) P( B | A1 ) P( A2 ) P( B | A2 )

A2: Semilla amarilla

3. DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA

3.1. VARIABLE ALEATORIA
Consideremos el experimento aleatorio que consiste en lanzar tres monedas. El espacio muestral es:
E = {CCC, CCX, CXC, XCC, CXX, XCX, XXC, XXX}
Supongamos que a cada uno de estos sucesos le asignamos un nmero real (no de caras):
Esta correspondencia que acabamos de construir es una funcin del espacio muestral E en el conjunto de los numeros reales R,
que denotaremos por X, la llamaremos variable aleatoria.
En este ejemplo, la funcin X asocia a cada terna el nmero de caras que contiene.
Ejemplo: Supongamos ahora que lanzamos dos dados. El espacio muestral de este experimento aleatorio es:
E = {(1, 1), (1, 2), . . . , (1, 6), . . . , (6, 1), (6, 2), . . . , (6, 6)}
La funcin que asocia a cada resultado la suma de los puntos obtenidos en cada dado es una
variable aleatoria que toma los valores:
2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12

Segn como sea el nmero de valores que toman las variables, stas se pueden clasicar en discretas y continuas:
Una variable aleatoria es discreta cuando solo puede tomar unos ciertos valores enteros.
Una variable aleatoria es continua cuando puede tomar todos los valores posibles dentro de un cierto intervalo de la recta real.
Ejemplos: Clasificar como discretas o continuas las siguientes variables aleatorias:
a) nde pginas de un libro discreta
b) tiempo que tarda en fundirse una bombilla continua
c) nde preguntas en una clase de una hora discreta
d) cantidad de agua consumida en un mes continua

3.2. DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA

Una distribucin de probabilidad indica toda la gama de valores que pueden representarse como resultado
de un experimento. Una distribucin de probabilidad es similar al distribucin de frecuencias relativas. Sin embargo,
en vez de describir el pasado, describe la probabilidad que un evento se realice en el futuro, constituye una herramienta
fundamental para la prospectiva, puesto que se puede disear un escenario de acontecimientos futuros considerando las
tendencias actuales de diversos fenmenos naturales.
Por tanto, las distribuciones de probabilidad son idealizaciones de las distribuciones de frecuencias relativas. Estas son
empricas, y aquellas tericas.
Supongamos que hemos lanzado 240 veces un dado perfecto y hemos obtenido los siguientes resultados:
Cara

N de veces

40

39

42

38

42

39

Construimos ahora una tabla con la distribucin de frecuencias absolutas y relativas y otra tabla con los resultados
esperados a la vista del clculo de probabilidades
Cara

F.absoluta

F.relativa

Cara

N de veces

Probabilidad

40

0.1667

40

1/6

39

0.1625

40

1/6

42

0.1715

40

1/6

38

0.1538

40

1/6

42

0.1750

40

1/6

39

0.1625

40

1/6

240

240

Distribucin de la frecuencia

Distribucin de probabilidad

Si nos fijamos en la tabla de la derecha observamos que a cada valor de la variable aleatoria le hacemos corresponder su
probabilidad. A esa funcin se le llama funcin de probabilidad o distribucin de probabilidad.
Por tanto, se llama funcin de probabilidad de una variable aleatoria discreta X a la aplicacin que asocia a cada
valor, xi , de la variable su probabilidad, pi. Se denota por P(xi) = pi

xi
x1
x2
..
.
xn

pi
p1
p2
..
.
pn

Se cumple que:

0 pi 1

p 1 + p 2 + p 3 + + pn = p i = 1

La representacin de una distribucin discreta de probabilidad es un diagrama de barras.

Ejemplo: Calcular la distribucin de probabilidad de la variable aleatoria puntuaciones obtenidas al lanzar un dado.
Xi

pi

1/6

1/6

1/6

1/6

1/6

1/6

Representacin:

Sea X una variable aleatoria discreta cuyos valores suponemos ordenados de menor a mayor. La funcin de distribucin F(X)
o de probabilidad acumulada representa en cada punto xi la probabilidad de que la variable tome un valor menor o igual que dicho punto,
es decir, F ( X ) P X xi . La representacin de una funcin de distribucin es una grfica escalonada.
Ejemplo: n caras al lanzar tres veces una moneda
F (0) P{x 0} P{x 0} 0,125
F (1) P{x 1} P{x 0} P{x 1} 0,125 0,375 0,5
F (2) P{x 2} P{x 0} P{x 1} P{x 2} 0,5 0,375 0,875
F (3) P{x 3} P{x 0} P{x 1} P{x 2} P{x 3} 0,875 0,125 1

Ejemplo: Una variable aleatoria discreta tiene la siguiente funcin de probabilidad

x
p

2
0.2

3
0.1

5
0.4

6
0.2

8
0.1

Halla la funcin de distribucin de dicha variable

Solucin

Funcin de distribucin
Valor de X

x2
2 x3
3 x5
5 x6
6 x8
x8

F(X)
0
0.2
0.3
0.7
0.9
1

3.2. PARMETROS DE UNA VARIABLE DISCRETA

Las probabilidades pi son una idealizacin de las frecuencias relativas, fi = ni/N. Por tanto, los parmetros se denen del siguiente modo:
-Media o esperanza matemtica de una variable aleatoria X que toma los valores x1 , x2 .. xn con
probabilidades p1 , p2 .. pn respectivamente al valor de la siguiente expresin:
n

x1 p1 x2 p2 ..... xn pn xi pi
I 1

- Varianza de una variable aleatoria X que toma los valores x1 , x2 .. xn con probabilidades

p2 .. pn respectivamente al valor de la siguiente expresin

n

i 1

i 1

2 xi2 pi 2 o bien 2 ( xi ) 2
-Desviacin tpica es la raz cuadrada positiva de la varianza y se representa por

Ejemplo
Un miembro del consejo de Administracin de una empresa ha comprobado que, si bien todos los aos
tienen una junta, ha habido aos que tienen hasta cinco. Por la experiencia acumulada durante aos
sabe que el nmero de juntas anual se distribuye con arreglo a la siguiente tabla:
N de juntas al ao
Probabilidad
a)
b)
c)

1
2/15

4
3/15

5
4/15

Para realizar los clculos usamos la tabla de probabilidades

pi

xi pi

xi2 pi

2/15

2/15

2/15

5/15

10/15

20/15

1/15

3/15

9/15

3/15

12/15

48/15

4/15

20/15

100/15

47/15

179/15

xi

Media

b)

3
1/15

Calcular la media
Calcular la varianza y la desviacin tpica
Probabilidad de que en un ao elegido al azar se celebren ms de 3 juntas

Solucin:

a)

2
5/15

47
3.13
15

Varianza y desviacin tpica

2

179
(3.13)2 2.13
15

c) P X 3 P X 4 P X 5

2.13 1.46
3 4
7
0.466
15 15 15

3.3. DISTRIBUCIN BINOMIAL

Supongamos que un experimento aleatorio tiene las siguientes caractersticas:
- En cada prueba del experimento slo son posibles dos resultados: el suceso A que llamaremos xito y su
contrario A que llamaremos fracaso
- El resultado obtenido en cada prueba es independiente de los resultados obtenidos anteriormente
- La probabilidad del suceso A es constante la representamos por p y no vara de una prueba a otra. La probabilidad de A
es 1 p.

Es decir, P [A] = p

- El experimento consta de

P[ A]=1p=q

pruebas

Todo experimento que tenga estas caractersticas diremos que sigue el modelo de la distribucin Binomial.
A la variable X que representa el nmero de xitos obtenidos en cada prueba la llamaremos variable de la distribucin
Binomial. Esta variable es discreta ya que nicamente tomar los valores 0, 1, 2.n
Representaremos por B (n, p) a la distribucin Binomial siendo n y p los parmetros de la distribucin

Ejemplo: Una marca de tabacos ha calculado que el nmero de fumadores en una ciudad es del 35 %. Se escoge al azar
una muestra formada por 10 personas. Comprobemos que la variable que expresa el nmero de fumadores dentro de la muestra
sigue una distribucin Binomial.
- En cada prueba solo son posibles dos resultados:
A = individuo no fumador
A = individuo fumador
- El resultado obtenido de la pregunta Fuma o no fuma en cada individuo de la muestra es independiente de los otros
- La probabilidad del suceso A es P(A) = 0.35 constante
As pues la variable que representa el nmero de individuos fumadores en la muestra es una variable aleatoria que sigue una
distribucin Binomial cuyos parmetros son n = 10 y p = 0.35.

Funcin de Probabilidad de la distribucin binomial

La funcin de probabilidad de la distribucin Binomial viene dada por la siguiente expresin

n
P (Obtener k xitos) = P( X x) p k (1 p)n k
k
NMEROS COMBINATORIOS.
Se llama factorial de n, y se representa

n!

al producto de los n primeros nmeros naturales excluido el cero,

es decir:

n! n n 1 n 2 ....321
Si
Si

n 1 , 1! 1.
n 0 , 0! 1.

m
m
m!
El nmero se llama nmero combinatorio y se lee m sobre n y se define como Cmn
.
m n !n!
n
n
Propiedades de los nmeros combinatorios:

Parmetros de la distribucin binomial

Si tenemos una distribucin Binomial de parmetro n y p se verifica que
Media o esperanza: np
Varianza: 2 np(1 p) =npq
Desviacin tpica:

np(1 p)

Ejemplo: Una prueba de inteligencia est compuesta por 10 preguntas, cada una de las cuales tiene 4 respuestas y
solo una de ellas correcta. Un alumno tiene prisa por acabar la prueba y decide contestar aleatoriamente. Se pide
a)
Probabilidad de acertar exactamente 4 preguntas
b)
Probabilidad de no acertar ninguna
c)
Probabilidad de acertar todas
d)
Probabilidad de acertar al menos 8
e)
Probabilidad de acertar a los sumo 6
f)
Media y varianza
Solucin
Consideremos los sucesos
A = Contestar bien P (A) = 0.25 = p

A = No contestar bien P ( A ) = 0.75 = 1-p = q

Se trata de una distribucin Binomial de parmetros B (10, 0.25 )

Sea X la variable aleatoria que representa el nmero de preguntas contestadas correctamente

10
(0.25) 4 (0.75)6 0.1460
4

a)

P(acertar 4) = PX 4

b)

P (no acertar ninguna) = PX 0

c)

P(acertar todas) = PX 10

d)

P(acertar al menos 8) = PX 8 PX 8 PX 9 PX 10

10
(0.25)0 (0.75)10 0.0563
0

10
(0.25)10 (0.75)0 0
10

10
10
(0.25)8 (0.75) 2 (0.25)9 (0.75) 0 0.005
8
9
e)

P( acertar a lo sumo 3) = P X 3 PX 0 PX 1 PX 2 PX 3

10
10
10
10
(0.25)0 (0.75)10 (0.25)1 (0.75)9 (0.25) 2 (0.75)8 (0.25)3 (0.75)7 0.7759
0
1
2
3
f)

Media y Varianza

np 10 (0.25) 2.5

2 np(1 p) 10(0.25)(0.75) 1.875

4. DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE CONTINUA
4.1. FUNCIN DE DENSIDAD
Las distribuciones de probabilidad de variable continua son distribuciones tericas e idealizadas de las
distribuciones estadsticas de variable continua.

Histograma

Funcin de densidad

Las distribuciones de probabilidad de variable continua se definen mediante una funcin f (x)
denominada funcin de probabilidad o funcin de densidad.
Las funciones de densidad de variable aleatoria deben de cumplir una serie de propiedades:
-

Deben ser positivas (f(x) > 0) para cualquier valor de la variable aleatoria en su campo de definicin.

El rea encerrada por la curva y el eje de abcisas debe ser uno.

Adems:

a) La probabilidad de que la variable aleatoria tome un valor comprendido

en cualquier intervalo [a, b] interior a su dominio, es el rea bajo la curva en dicho intervalo. Es decir,
P[a x b] = rea bajo la curva en [a, b]

b) La probabilidad de un suceso puntual es cero:

Como consecuencia:

P[x = a] = 0

P[a x b] = P[a < x < b]

Los parmetros que definen a este tipo de distribucin son la media y la desviacin. Para su
determinacin terica se requiere el clculo infinitesimal (Integrales).

Clculo de probabilidades mediante la funcin de densidad

Para calcular probabilidades en distribuciones de probabilidad de variable continua, hay que hallar
las reas bajo la curva que representa la funcin de densidad, lo que se hace mediante el clculo integral. Para
funciones de densidad constante o proporcionales, el rea bajo la curva se puede hallar como el rea de un rectngulo
o rea de un trapecio

Ejemplo: La siguiente grfica corresponde a una funcin de probabilidad de una variable continua x.

4.1. FUNCIN DE DISTRIBUCIN

Se llama funcin de distribucin de una variable aleatoria(x), a la funcin F(x) que asocia a cada valor de la
variable x la probabilidad acumulada hasta ese valor

F(x) = P(x x)

La funcin de distribucin de una variable aleatoria definida en el intervalo [a, b] cumple las siguientes propiedades:
i. La probabilidad de que la variable tome un valor menor que a es la probabilidad del suceso
imposible, y por tanto vale cero.

x < a F(x) = 0

ii. La probabilidad de que la variable tome un valor anterior a x siendo x >b es la probabilidad del suceso seguro y,
por tanto, 1.

x > b F(x) = 1

iii. La probabilidad de que la variable tome un valor anterior a x con (a x b) es el rea bajo la
curva en el intervalo [a, x]. Se halla mediante el clculo infinitesimal, pero para funciones
elementales del tipo constante lineal, se puede hallar mediante la geometra elemental.

iv.

P(x1 < X x 2 ) = F(x2 ) F(x1)

v. En toda distribucin de variable continua la probabilidad de que la variable X tome un

determinado valor x, es igual a cero.
Ejemplo:

P(X = x) = 0

4.3. DISTRIBUCIN NORMAL

La N(0,1) se ha tabulado.
MANEJO DE LA TABLA N(0; 1)

CLCULO DE PROBABILIDADES EN UNA DISTRIBUCIN N(0; 1).

La curva de distribucin normal N(0, 1) tiene dos propiedades muy tiles a la hora de calcular probabilidades:

Ejemplo: En una distribucin N(0, 1), calcula:

Ejemplo: En una distribucin N(0, 1), calcula:

TIPIFICACIN DE LA VARIABLE.

5. APROXIMACIN DE LA BINOMIAL A LA NORMAL

Ejemplo. Calcular la probabilidad de que al lanzar un dado 500 veces, se obtengan menos de 75 veces la
cara tres.