ESTADÍSTICA

Módulo 4

Modulo 4
Variables aleatorias discretas.
Números combinatorios.
Aparato de Galton.
Modelo de distribución binomial

Variables aleatorias discretas.

MODELOS DE PROBABILIDAD:

Una distribución de probabilidad no es más que, como su nombre lo indica, la asignación a cada
suceso posible de un experimento de probabilidad que le corresponde. (Modelos)

Estos modelos dependen del tipo de variable aleatoria que se utiliza, ya sea discreta o continua
(explicado en módulos anteriores).

Existen varios modelos, analizaremos en este módulo un modelo para variables discretas y en el
próximo otro para variables continuas. Dado el alcance del curso, nos limitaremos al estudio de
estos dos modelos a sabiendas que nos queda un amplio espectro de modelos sin considerar.

El más utilizado entre todas las distribuciones de probabilidad discreta es la distribución

binomial o distribución de Bernoulli, que es la más sencilla y básica.
Aparece en múltiples ocasiones y los cálculos que se realizan con ella resultan accesibles,
recordando hechos básicos sobre números combinatorios.

LEY DE LOS GRANDES NÚMEROS

Cuando el número de experiencias crece indefinidamente, la frecuencia relativa de cada suceso

tiene de estabilizarse y el límite es su probabilidad. La distribución de probabilidad es pues, la
distribución límite de las distribuciones de frecuencias relativas.

¿Qué significa esto?

Con los siguientes gráficos podremos ver: Pensemos en tres experiencias de arrojar una dado y
ver el número que sale, en la primera experiencia repetimos 120 veces lanzamientos, en la
segunda 1.200 y en la tercera 4.800 veces.

ISIV – Página 1 de 9
ESTADÍSTICA
Módulo 4

0,3 0,20
0,18
0,25 0,16
0,2 0,14
0,12
0,15 0,10
0,08
0,1 0,06
0,05 0,04
0,02
0 0,00
1 2 3 4 5 6 1 2 3 4 5 6
Caras del dado Caras del dado

120 lanzamientos 1200 lanzamientos

Si seguimos ampliando la cantidad de lanzamientos, omitimos representar aquí la de 4.800

veces, podremos observar como cada número del dado tiende a acercarse a la probabilidad
0,166…, que en realidad es la probabilidad que existe de que salga un determinado número del 1
al 6 al arrojar un dado, gráficamente la distribución de probabilidad cuando el número de
lanzamientos tiende a infinito es:

0,180
0,166…
0,160
0,140
0,120
0,100
0,080
0,060
0,040
0,020
0,000
1 2 3 4 5 6

Es evidente que al aumentar el número de lanzamientos la forma de la distribución tiende a

estabilizarse y se aproxima a la distribución de probabilidad.

Análogamente, si tiramos muchas veces dos dados y anotamos la suma tendremos una
distribución como la siguiente.

ISIV – Página 2 de 9
ESTADÍSTICA
Módulo 4

0,18
0,16
0,14
0,12
0,1
0,08
0,06
0,04
0,02
0
2 3 4 5 6 7 8 9 10 11 12

Tener en cuenta que, en una distribución de probabilidad, si la variable es discreta:

- En cada valor de la variable levantamos la barra de longitud proporcional a la

probabilidad de que la variable tome ese valor.

- La suma de las longitudes de todas las barras es igual a 1.

Sintetizando: Si el número de experimentos de un fenómeno aleatorio crece mucho, la frecuencia

relativa del suceso asociado se va acercando más y más a cierto valor. Este valor se llama
probabilidad.

Para resolver situaciones de distribución binomial (para variables discretas), se utilizan los
números combinatorios. En este apartado una breve revisión de los mismos.

NÚMEROS COMBINATORIOS:

¿Qué es el factorial de un número?

Un número combinatorio tiene la expresión
Por ejemplo 6! (Factorial de 6) nótese que
 m
  y su valor se calcula utilizando el se le agrega un signo de admiración cerrado
n detrás del número. Este signo aparece en las
concepto de factorial “!” calculadoras científicas y justamente se utiliza
para el cálculo del factorial de un número.

6! = 6x5x4x3x2x1= 720

ISIV – Página 3 de 9
ESTADÍSTICA
Módulo 4

¿Cómo se calcula el valor de un número combinatorio?

 m m!
  =
 n  (m − n )!⋅n!

Ejemplo:

6 6! 6! 6 x5 x 4 x3/! 120

  = = = = = 20
 3  (6 − 3)!⋅3! 3!⋅3! 3/! x3 x 2 x1 6

Se puede seguir simplificando

APARATO DE GALTON:
Este curioso aparato, tiene una entrada por donde
entran pequeñas bolitas que caen hasta un grupo de
casillas.

Si se observa el gráfico, aparecen más bolitas en los

recipientes centrales que en los laterales.

¿Por qué ocurre esto?

Para explicarlo sigamos el recorrido en el gráfico de

una bolita. Esta bolita en su recorrido encuentra 4
bifurcaciones de su camino y en cada una de ellas
1
tiene la misma probabilidad, , de ir hacia la derecha o hacia la izquierda.
2

Si se arrojan muchas bolitas al aparato, éstas al ir bajando aleatoriamente, tenderán a agruparse

como se observa en la figura, mayor cantidad en la cavidad central y menos hacia los laterales.

Las posibilidades que tienen las bolitas de sortear las bifurcaciones generan las siguientes
probabilidades que dan forma al triángulo de Tartaglia:

ISIV – Página 4 de 9
ESTADÍSTICA
Módulo 4

1 1

1 2 1

1 3 3 1

1 4 6 4 1

Esto quiere decir que el número aproximado de bolitas que caerá en cada casillero es
proporcional a 1, 4, 6, 4, 1, respectivamente, pues esos números son la cantidad posible de
itinerarios por los que se puede llegar a ese casillero.

Y las probabilidades de caer en cada casillero serán:

1
Primer y último casillero:
16
4
Segundo y anteúltimo:
16
6
Casillero central:
16

¿De donde sale el 16?

Es la suma de las posibilidades de caer en los casilleros: 1+4+6+4+1 = 16

Esta explicación se puede extender a partir de la ampliación del triángulo de Tartaglia:

Ejemplo:

1
1 1
1 2 1
1 3 3 1
1 4 6 4 1
1 5 10 10 5 1
1 6 15 20 15 6 1

ISIV – Página 5 de 9
ESTADÍSTICA
Módulo 4

Los números del triángulo de Tartaglia se llaman números combinatorios y para referirnos a cada
uno de ellos lo hacemos nombrando su fila y el lugar que ocupa en ella. Las filas son 0, 1, 2, 3, 4,
5, 6, etc. y los lugares también: 0, 1, 2, 3,… etc.

6
Ejemplo:   Significa que es el número que está en la fila 6, lugar 3.
 3

6
  = 20 (que coincide con el cálculo realizado anteriormente, cuando se explicaba cómo se
 3
calculaba un número combinatorio)

El mismo triángulo con números combinatorios quedaría:

0
 
0
 1  1  El estudio del aparato de
    Galton nos facilita
 0  1  notablemente la comprensión
2 2 2 de las distribuciones
     
0 1 2 binomiales.
 3 3  3 3
       
0 1  2 3
4 4 4 4 4
         
0 1 2 3 4
……………………………………

EJEMPLO:
Si arrojamos cinco monedas: ¿Cuál es la probabilidad de obtener dos caras?

Consideramos:
La probabilidad de que las dos primeras sean caras y las otras tres tengan número es:

P(C, C, N, N, N) = P(C).P(C).P(N).P(N).P(N) =

¿Por qué el valor de cada probabilidad?:

porque al arrojar la moneda puede suceder una de dos posibilidades, por lo tanto la probabilidad
es ½.

Volviendo al ejercicio, hay varias formas de obtener dos caras, algunas de ellas son:
C, N, C, N, N N, C, C, N, N N, C, N, C, N
C, N, N, C, N N, N, C, C, N N, C, N, N, C
C, N, N, N, C N, N, N, C, C N, N, C, N, C

ISIV – Página 6 de 9
ESTADÍSTICA
Módulo 4

En total 10 formas diferentes.

¿Cómo realizamos el cálculo sin escribir todas las posibilidades?

Utilizando el número combinatorio

Ya que de 5 posibilidades, vemos todas aquellas en que pueden salir 2 caras.

Calculamos el número combinatorio:

= 10
Qué coincide con nuestra enumeración de casos posibles.

En el desarrollo, se simplifican los factoriales de 3 (3!).

Por lo tanto, la posibilidad de que salgan 2 caras al arrojar 5 monedas es:

P(2 caras)=

Que si lo relacionamos al aparato de Galton y al triángulo de Tartaglia, coincide perfectamente:

1
1 1
1 2 1
1 3 3 1
1 4 6 4 1
1 5 10 10 5 1 1+5+10+10+5+1=32

DISTRIBUCION BINOMIAL:
Antes de definir este tipo de distribución debemos tener en cuenta:

a) Consideramos un experimento en el que se consideran solo dos sucesos:

A y su contrario A’

Teóricamente sus probabilidades son:

P(A) = p P(A’)= 1 – p = q

(Por comodidad llamamos “q” a “1-p”)

b) Al suceso A lo llamamos éxito.

ISIV – Página 7 de 9
ESTADÍSTICA
Módulo 4

Si repetimos n veces la experiencia, nos preguntamos por la probabilidad de obtener 1, 2,

3,…., k éxitos.

c) Observar que se trata de una distribución de probabilidad discreta, pues puede

tomar los valores 1, 2, 3….. n.

A este tipo de distribución se le denomina DISTRIBUCION BINOMIAL de parámetro “n”

(Número de repeticiones), y “p” (probabilidad de éxito) y la designaremos B(n,p)

CÁLCULO DE PROBABILIDADES EN UNA DISTRIBUCION BINOMIAL

Si “x” es una variable binomial B(n,p), la probabilidad de obtener “k” éxitos [P(x=k)] en forma
general es:

P(x=k) =

Ejemplo genérico:

VALOR DE K PROBABILIDAD P(x=k)

0
1
2

3
………………………
………………………………..
k

………………………. …………………………………
n

Además se define la media y la desviación típica de la siguientes manera:

Por ejemplo: En una distribución binomial B(10; 0,2) hallar P(x=4)

P(x=4) =

Otro ejemplo:

ISIV – Página 8 de 9
ESTADÍSTICA
Módulo 4

La probabilidad de que un jugador de golf haga hoyo en un lanzamiento a cierta distancia es 0,4.
Si lo intenta 5 veces, calcular la probabilidad de que:

a) No acierte ninguna
b) Acierte alguna
c) Acierte 2
d) Si hace tandas de 5 lanzamientos, ¿cuál será el número medio de aciertos? ¿Cuál será su
desviación típica?

Tenemos aquí una distribución binomial B(5; 0,2) pues consiste en repetir 5 veces la misma
prueba, manteniéndose constante la probabilidad de éxito en 0,2.
(p = 0,2 q= 0,8 y p + q = 1)

a) P(0 aciertos) = 0,32768

Aplicamos P(x=k) = =P(x=0)= =1.1.

b) P(algún acierto) = 1 – P(0 aciertos) = 1 – 0,32768 = 0,67232

c) P(2 aciertos) = P(x=2) = = 10 0,2048

d) (En promedio acertaría 1 de cada 5 en promedio)

ISIV – Página 9 de 9