Las distribuciones

binomial, normal
y de Poisson

CAPITULO 7
Wmmr

L A D I S T R I B U C I O N

B I N O M I A L

Si p es la probabilidad de que cualquier evento ocurra en un solo ensayo (denominada

probabilidad de xito) y q = 1 - p es la probabilidad de que no ocurra en un solo ensayo
(denominada probabilidad de fracaso), entonces la probabilidad de que el evento ocurra
exactamente X veces en /V ensayos (es decir, X xitos y N - X fracasos) est dada por

donde X= 0, 1, 2,..., N; N\ = N(N- l ) ( / V - 2 ) 1, y 0! = 1 por definicin (vase el problema 6.34).

EJEMPLO 1

La probabilidad de obtener exactamente 2 caras en 6 lanzamientos de una moneda es

2) (2) (2)

"iT^G) 6 4
=

utilizando la frmula (7) con N =6, X=2y p = q=\.

EJEMPLO 2

La probabilidad de obtener al menos 4 caras en 6 lanzamientos de una moneda es

' 6 Y i y4 n, ^ 6 - 4 ^ ^ i f r i Y " % ^ 6 y i y ^ "

6

V/ 2
4

12

6 [2

[2

i5 _6_ _i

64

32

64

64

La distribucin de probabilidad discreta (7) se denomina distribucin binomial yaque

paraX = 0, 1, 2,..., /V corresponde a trminos sucesivos de la frmula binomial o <
binomial,

donde 1, (*), (?),... se denominan coeficientes binomiales.

1- ~-.Z
Z

EJEMPLO 3

LOS distribuciones

binomial,

(+f
q

normal

y de

Poisson

Q ^ + Qy

= +
g

+ Q
3

'+ /

= q + 4q p + 6q p + 4qp + p

La distribucin (1) tambin se denomina distribucin de Bernoulli, debido a que James

Bernoulli la descubri a finales del siglo xvn. En la tabla 7-1 se incluyen algunas de la
propiedades de la distribucin binomial.
T a b l a 7-1

Distribucin binomial

Media

fi = Np
2

a Npq

Varianza

a =

Desviacin estndar
Coeficiente momento de asimetra

v'Npq

q-p
Q

VNpq
Coeficiente momento de curtosis

=3+
Npq

EJEMPLO 4

En 100 lanzamientos de una moneda la media de caras es /x = Np = (100)(i) = 50, que es el numere
esperado de caras, en 100 lanzamientos. La desviacin estndar es a= Vp~q = V(100)(i)(i) = 5.

LA

D I S T R I B U C I O N

N O R M A L

Uno de los ejemplos ms importantes de una distribucin de probabilidad continua es la distribucin normal, curva normal o distribucin gaussiana. Se define por medio de la ecuacin

_J_

-l/2(*-)V

Jj

ovlir
donde p. = media, a = desviacin estndar, TT= 3.14159- y e - 2.71828- -. El rea total
limitada por la curva (3) y el eje X es 1; por consiguiente, el rea bajo la curva entre dos
ordenadas X = a y X - b, donde a < b, representa la probabilidad de que X est entre a y b.
Esta probabilidad se denota por Pr{a < X < b).
Cuando la variable X est expresada en unidades estndar [z = (X - pS)/a], la ecuacin
(3) se reemplaza por la denominada/orma estndar

Y = 4=e~

W2z2

V2n

(4)

En tal caso, se dice que z est normalmente distribuida, con media 0 y varianza 1. La figura
7-1 es una grfica de esta curva normal estandarizada. Muestra que las reas incluidas entre
z - - 1 y +1, z = - 2 y +2 y z - -3 y +3 son iguales, respectivamente, a 68.27%, 95.45% y
99.73% del rea total, que es 1. La tabla del apndice I I indica las reas bajo esta curva,
limitadas por las ordenadas en z = 0 y cualquier valor positivo de z. A partir de esta tabla se
puede encontrar el rea entre cualesquiera 2 ordenadas, usando la simetra de la curva respecto de z = 0.
Algunas propiedades de la distribucin normal dadas por la ecuacin (3) se incluyen en
la tabla 7-2.

Distribucin

de Poisson

1 5 9

0.4_ y

F I G U R A 7-1

0.3
0.20.1-

i"

-3

-2

-1

0
-68.27%-95.45%-99.73%-

T a b l a 7-2

Distribucin normal

Media

Varianza

Desviacin estndar

Coeficiente momento de asimetra

=0

Coeficiente momento de curtosis

0:4

=3

Desviacin media

R E L A C I N
Y

E N T R E

D I S T R I B U C I N

ay/pn = 0.7979(7

D I S T R I B U C I N

B I N O M I A L

N O R M A L

Si N es grande y si ni p ni q se acercan a cero, la distribucin binomial puede ser muy

aproximada a la distribucin normal, con una variable estandarizada dada por
_ X

-Np

y/pq
La aproximacin mejora al incrementarse N y en el caso lmite es exacta; esto se muestra en
las tablas 7-1 y 7-2, donde est claro que conforme N aumenta, la asimetra y la curtosis de
la distribucin binomial se acercan a las de la distribucin normal. En la prctica, la aproximacin es muy buena si tanto Np como Nq son mayores que 5.

MP

D I S T R I B U C I N D E

P O I S S O N

La distribucin de probabilidad discreta

p(X)

=^

A- = 0 , 1 , 2 , . . .

donde e = 2.71828- y X es una constante dada, se denomina distribucin de Poiatm.

debido a que Simon-Denis Poisson la descubri a inicios del siglo xxx. El valor de plt
puede calcularse con la tabla del apndice V I I I (que proporciona los valores de e" p a n
diversos valores de X) o por medio de logaritmos.
Algunas de las propiedades de la distribucin de Poisson se incluyen ea h i a t "

CAPTULO

L o s distribuciones

binomial,

normal

Tabla 7-3

y de

Poisson

Distribucin de Poisson

Media

fj = X

Varianza

<x = A
a= \/

Desviacin estndar

R E L A C I N
Y

Coeficiente momento de asimetra

Coeficiente momento de curtosis

Q =

E N T R E

= l/v/

L A D I S T R I B U C I N

L A D I S T R I B U C I N

D E

3 + 1/A

B I N O M I A L

P O I S S O N

En la distribucin binomial (7), si N es grande y la probabilidad p de ocurrencia de un

evento se acerca a 0, de tal manera que q = 1 - p se acerca a 1, entonces el evento se
denomina suceso raro o inusual. En la prctica se debe considerar que un evento es raro si
el nmero de ensayos es de por lo menos 50 (7V> 50), mientras que Np es menor que 5. En
tal caso, la distribucin binomial (7) se aproxima estrechamente a la distribucin de Poisson
(5), con \ = Np. Esto se comprueba comparando las tablas 7-1 y 7-3, ya que, al poner X =
Np, q ~ 1 y p = 0 en la tabla 7-1, se obtienen los resultados de la tabla 7-3.
Como hay una relacin entre la distribucin binomial y la distribucin normal, se deduce que tambin existe una relacin entre la distribucin de Poisson y la distribucin normal.
De hecho, se puede demostrar que la distribucin de Poisson se aproxima a una distribucin
normal con variable estandarizada (X - X y v T conforme se incrementa indefinidamente.

D I S T R I B U C I O N

M U L T I N O M I A L

Si los eventos E ,E ,...,E

pueden ocurrir con probabilidades p,p ,...,p ,
respectivamente,
entonces la probabilidad de q u e E ,E ocurran
X X ,...,
X , veces, en ese orden, es
{

TV!

lp

x \x \...x \* *
x

Pk

(6)

~'~ '

donde X + X +...+ X = N. Esta distribucin, que es una generalizacin de la distribucin

binomial, se denomina distribucin multinomial, puesto que la ecuacin (6) es el trmino
general en la expansin multinomial (p + p + + p ) .
l

EJEMPLO 5

Si un dado se lanza 12 veces, la probabilidad de obtener 1, 2, 3,4, 5 y 6 puntos exactamente dos veces
cada uno es
12!
( 1VV1 V f 1YY1 f ( 1YY1V
2!2!2!2!2!2!l 6 I {6 ( 6
6) \6) l 6 I
El nmero esperado de veces queis,,^
mente.

A J U S T E

E ocurrirn enNensayos es Np , Np ,...,Np , respectivaK

D E D I S T R I B U C I O N E S

D I S T R I B U C I O N E S

1925
= 0.00344
559872
t

T E R I C A S

D E F R E C U E N C I A

M U E S T R A L E S

Cuando se tiene cierta indicacin de la distribucin de una poblacin por medio de razonamiento probabilstico o de otro tipo, suele ser posible ajustar dichas distribuciones tericas
(tambin llamadas distribuciones modelo o esperadas) a distribuciones de frecuencia obte-

Problemas

resueltos

161

nidas a partir de una muestra de la poblacin. El mtodo consiste, en general, en usar la

media y la desviacin estndar de la muestra para calcular la media y la desviacin estndar
de la poblacin (vanse los problemas 7.31, 7.33 y 7.34).
Para comprobar la bondad de ajuste de las distribuciones tericas, se utiliza la prueba
chi-cuadrada (explicada en el captulo 12). En un intento por determinar si una distribucin
normal representa un buen ajuste para ciertos datos, es conveniente usar papel milimtrico.
como se le suele llamar (vase el problema 7.32).