DISTRIBUCIÓN BINOMIAL

Si p es la probabilidad de ocurrencia de un suceso en un solo ensayo (probabilidad de éxito) y

q = 1 – p es la probabilidad de que el suceso no ocurra en un solo ensayo (probabilidad de fallo),
entonces la probabilidad de que el suceso se presente exactamente x veces en N ensayos (es decir,
X éxitos y N – X fallos) viene dada por:

N!
A) pX  N C x p x q N X  p X q N X
X! N  X !

Donde X = 0,1,2,...,N y N!= (N-1)(N-2)....1. 0! = 1 por definición

La distribución de probabilidad discreta (A) recibe el nombre de DISTRIBUCIÓN BINOMIAL, dado
que para X =1, 2, 3,.....,N, corresponden sucesivos términos de la formula binomial o desarrollo
binomial.

(1) p  qn     p n
r
r
 q n r

n
Donde r son las combinaciones sin repetición de n elementos tomados de a r. Una manera de
determinar las combinaciones es por medio del triangulo de Tartaglia o de Pascal.
Por medio de este triangulo es posible determinar los coeficientes binomiales para cualquier n dado

n=1 1 1
n=2 1 2 1
n=3 1 3 3 1
n=4 1 4 4 1 6
n=5 1 5 10 10 5 1
n=6 1 6 15 20 15 6 1
n=7 1 7 21 35 35 21 7 1
n=8 1 8 28 56 70 56 28 8 1
n=9 1 9 36 84 126 126 84 36 9 1
n = 10 1 10 45 120 210 252 210 120 45 10 1

La formula (1) define una distribución aleatoria de variables discretas cuya descripción pertenece a
Jaques Bernouilli recibiendo el nombre de Distribución binomial.

PROPIEDADES DE LA DISTRIBUCIÓN BINOMIAL

Media aritmética   Np

Varianza  2  Npq

Desviación estándar  Npq

pq
 
Coeficiente de sesgo 3
Npq
RELACIÓN ENTRE LA DISTRIBUCIÓN BINOMIAL Y NORMAL
Si N es grande y ni Coeficiente
p ni q están próximos a cero, la distribución 1  6pq
de curtosis  4  3  binomial puede aproximarse
estrechamente a la distribución normal con variable tipificada dada para:Npq
X  Np
z 
Npq

1
 La aproximación es tanto mejor conforme aumenta N, y en el límite es total. Se puede observar que al
aumentar N, el sesgo y la curtosis de la distribución binomial se aproximan a los de la distribución
normal.
En la práctica, la aproximación es muy buena si ambos Np y Nq son mayores a 5.

Probabilidad Probabilidad

0,3 0,3

0,2 0,2

0,1 0,1

0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
Número de caras Número de caras
Distribución de probabilidad para el número de caras en 10 Distribución de probabilidad para el número de caras
lanzamientos de una moneda en 10 lanzamientos de una moneda tratando los datos
como si fueran continuos.

EJEMPLO N° 1

Hallar la probabilidad de obtener entre 3 y 6 caras inclusive en 10 lanzamientos de una moneda

utilizando :

a) La distribución binomial

b) La aproximación normal de la distribución binomial

a) (p+q)10 = p10 + 10 p9q + 45 p8q2 + 120 p7q3 + 210 p6q4 + 252 p5q5 + 210 p4q6 + 120 p3q7 +

+ 45 p2q8 + 10 pq9 + q10.

Se calcula la probabilidad de obtener una cara cuando se arroja una moneda al aire (éxito) y la
probabilidad de fracaso.

p = Casos favorables f Casos no favorables

= q=
Casos posibles N Casos posibles
1caso 1 1
p   q 
2posibles 2 2
Casos favorables + Casos No Favorables = Total de Casos = Casos Posibles

p+q=1 1 2(1)  1 1
q=1–p q  1  
2 2 2

210 p6q4 + 252 p5q5 + 210 p4q6 + 120 p3q7 =

6 4 5 5 4 6 3 7
 1  1  1  1  1  1  1  1
210     252     210     120    
 2  2  2  2  2  2  2  2

 210   252   210   120  210  252  210  120 792

       0,7734
 1024   1024   1024   1024  1024 1024

2
 b) La distribución e probabilidad para el número de caras en 10 lanzamientos de la moneda, se
tratan los datos como si fuesen continuos.
Considerando los datos como continuos, se sigue que 3 a 6 caras pueden considerarse
como 2,5 a 6,5 caras.
Se debe calcular la media y la varianza para la distribución binomial
 1
  Np  10   5
 2

 1  1  10
  Npq  10     2,5  1,58
 2  2  4

Se determinan los puntajes z para los valores extremos de 2,5 y 6,5 caras.
x  Np 2,5  5 2,5
z1    ,1,58
Npq 1,58 1,58
Área para z1 = 0,4429
x  Np 6,5  5 1,5 Área para z2 = 0,3289
z2     0,95
Npq 1,58 1,58

-1,58 0,95

La probabilidad, en este caso, es la suma de las áreas correspondiente a z1 y z2= 0,7718

Se observa que tiene una muy buena aproximación al valor verdadero 0,7738, la
aproximación mejora a medida que aumenta n.

ESPERANZA MATEMÁTICA
Cuando una variable aleatoria puede tomar solo un conjunto finito de valores (X) que son número
enteros (ejemplo: cantidad de hijos), estamos en presencia de una variable discreta. En este caso
la distribución de frecuencias es posible transformarla en una distribución de probabilidades.
Siempre que se tiene una variable aleatoria discreta en la que los valores de X1 a Xn la serie de
probabilidades de ocurrencia para los n valores es igual a 1, es decir que:

p  X 1   p X 2   pX 3   .....  pX n   1 p = a la probabilidad no nula de cada valor de la variable X1 a Xn.

La media aritmética de una distribución de probabilidades recibe el nombre de esperanza

matemática. Es el valor esperado para una variable aleatoria X y se simboliza como E(X). La
misma se obtiene sumando el producto de cada uno de los valores en que puede darse la variable
por su probabilidad, se expresa de la siguiente manera:

E X    XpX
EJEMPLO N° 2
Jugadores están interesados en saber cuánto pueden “esperar” ganar a la larga en un juego y
cuánto deben apostar si el juego es equitativo. Por lo tanto el valor esperado significa las
ganancias o pérdidas esperadas a la larga al repetir el juego. Supóngase que se organiza un juego
de lotería y vende 1000 números a 1 peso cada uno. Se establece que el premio será de 750
pesos al ganador (aquella persona que tenga un número igual al primero que salga en suerte entre
mil bolillas numeradas). Supongamos que una persona compra un número entre mil vendidos.
¿Cuánto se puede esperar ganar con él?.

CATEGORÍA X ($) p(X)

Ganar 749 1/1000 = 0,001
Perder -1 999/1000 = 0,999
Por lo tanto, la esperanza matemática será
 1   999 
E X    X  p( X)  749   1000    1   1000   0,749  0,999  0,25

3
El resultado nos informa que si jugamos repetidamente una cantidad infinita de veces a la larga
perderíamos 0,25 pesos. Este resultado no indica que no conviene comprar un número para esta
lotería.
Un juego equitativo es aquel en que a la larga no se gana ni se pierde, es decir cuando la
esperanza matemática es igual a 0 (cero)

EJEMPLO N° 3
Supongamos un juego en el que la probabilidad de ganar es 1/6 y la de perder es 5/6 además
supongamos que al jugador le cuesta 1 peso cada apuesta que realiza. Se quiere tener un juego
equitativo.
E (X) = 0
E (X) = Ganancia . p(ganar) + Pérdida . p (perder) = 0 X1 = ganancia
X2 = pérdida
 1 5  1  5
X 1      1     0  X 1        0 p(ganar) = Probabilidad de ganar
p(perder) = Probabilidad de perder
6 6 6 6
 1 5 5
X1      X1   6  X1  5
6 6 6

Se interpreta que cada jugador debe poder ganar 5 pesos por cada uno que apueste, para que el
juego sea equitativo.