La distribución binomial

Introducción
VARIABLE ALEATORIA CONTÍNUA: es aquella que puede tomar cualquier valor (
peso, volumen. Dimensiones etc.

VARIABLE ALEATORIA DISCRETA

Es aquella que sólo puede tomar determinados valores ( bueno - malo: si - no;
macho-hembra.

La distribución normal se utiliza para para variables aleatorias continuas.

Para las variables aleatorias discretas existen otro tipo de distribuciones, como la
Distribución Binomial

Para variables aleatorias continuas que No siguen una distribución Normal, pueden
seguir otras distribuciones como la:
Distribución de Poisson
Introducción
En las empresas tenemos muchas situaciones donde se espera que
ocurra o no un evento específico. Éste puede ser de éxito o
fracaso sin dar paso a un punto medio.
Por ejemplo, en la producción de un artículo, éste puede salir
bueno o malo. Casi bueno no es un resultado de interés.
Para situaciones como éstas se utiliza la distribución binomial.

En este módulo se describe el uso de la distribución binomial para

obtener la probabilidad de ocurrencia de ese evento que
representa un resultado esperado.
Dato histórico

El cálculo de probabilidades tuvo un

notable desarrollo con el trabajo del
matemático suizo Jacob Bernoulli (1654-1705).

Bernoulli definió el proceso conocido por su

nombre el cual establece las bases para el
desarrollo y utilización de la distribución binomial.
Utilidad

La distribución binomial se utiliza en situaciones cuya solución

tiene dos posibles resultados.

Por ejemplo:

Al nacer un/a bebé puede ser varón o hembra.

En el deporte un equipo puede ganar o perder.

En pruebas de cierto o falso sólo hay dos alternativas.

Utilidad
También se utiliza cuando el resultado se puede reducir a dos
opciones.

Por ejemplo:

Un tratamiento médico puede ser efectivo o inefectivo.

La meta de producción o ventas del mes se pueden o no lograr.

En pruebas de selección múltiple, aunque hay cuatro o cinco

alternativas, se pueden clasificar como correcta o incorrecta.

Estos ejemplos los podemos considerar como

“experimentos de Bernoulli”
Propiedades de un
experimento de Bernoulli
1 - En cada prueba del experimento sólo hay dos posibles resultados:
éxitos o fracasos.

2 - El resultado obtenido en cada prueba es independiente de los

resultados obtenidos en pruebas anteriores.

3 - La probabilidad de éxito de un suceso es constante, la

representamos por p, y no varía de una prueba a otra.
La probabilidad de fracaso 1- p y la representamos por q .
▪P + q = 1
Si repetimos el experimento n veces podemos
obtener resultados para la construcción de la
distribución binomial.
La distribución binomial

La distribución de probabilidad binomial es un ejemplo de

distribución de probabilidad discreta.
Esta formada por una serie de experimentos de Bernoulli. Los
resutados de cada experimento son mutuamente excluyentes.
Para contruirla necesitamos:
1 - la cantidad de pruebas n
2 - la probabilidad de éxitos p
3 - utilizar la función matemática.
 La distribución binomial
Ejemplo
Lanzamos 5 monedas, 5 veces ( n) la probabilidad de que caiga cara es =0,5
p = 0,5
Y la probabilidad complementaria (q) es que caiga sello, 0,5
q = 1-p
Encuentre la probabilidad P(x) de que caigan cero, caras, 1 cara, 2 caras, 3 caras, 4 caras y
5 caras ( x)
Datos
x= es el número de aciertos ( caras)
n = 5 es el número de experimentos.
p = 0,5; es la probabilidad de éxito, como por ejemplo, que salga "cara" al lanzar la
moneda.
q = 1-p = es la probabilidad del complemente, es decir que salga sello.
q = 1-0,5 = 0,5
 La distribución binomial

Calcule
a) Probabilidad de que caigan

P(x= 0 caras)

S S S S S

1/2 1/2 1/2 1/2 1/2 1/32

 La distribución binomial

P(x= 1 cara)
1/2 1/2 1/2 1/2 1/2 1/32

1/2 1/2 1/2 1/2 1/2 1/32

1/2 1/2 1/2 1/2 1/2 1/32

1/2 1/2 1/2 1/2 1/2 1/32

1/2 1/2 1/2 1/2 1/2 1/32

5/32
 La distribución binomial
P(x= 2 caras)
C C S S S 0,50 0,50 0,50 0,50 0,50 = 1/32
S C C S S 0,50 0,50 0,50 0,50 0,50 = 1/32
S S C C S 0,50 0,50 0,50 0,50 0,50 = 1/32
S S S C C 0,50 0,50 0,50 0,50 0,50 = 1/32
C S C S S 0,50 0,50 0,50 0,50 0,50 = 1/32
C S S C S 0,50 0,50 0,50 0,50 0,50 = 1/32
C S S S C 0,50 0,50 0,50 0,50 0,50 = 1/32
S C S C S 0,50 0,50 0,50 0,50 0,50 = 1/32
S S C S C 0,50 0,50 0,50 0,50 0,50 = 1/32
S C S S C 0,50 0,50 0,50 0,50 0,50 = 1/32

10/32
 La distribución binomial

C C C S S 0,50 0,50 0,50 0,50 0,50 = 1/32

P(x= 3 caras) S C C C S 0,50 0,50 0,50 0,50 0,50 = 1/32
S S C C C 0,50 0,50 0,50 0,50 0,50 = 1/32
C S C C S 0,50 0,50 0,50 0,50 0,50 = 1/32
C S S C C 0,50 0,50 0,50 0,50 0,50 = 1/32
S C S C C 0,50 0,50 0,50 0,50 0,50 = 1/32
S C C S C 0,50 0,50 0,50 0,50 0,50 = 1/32
C C S S C 0,50 0,50 0,50 0,50 0,50 = 1/32
C S C S C 0,50 0,50 0,50 0,50 0,50 = 1/32
C C S C S 0,50 0,50 0,50 0,50 0,50 = 1/32

10/32
 La distribución binomial

C C C C S 0,50 0,50 0,50 0,50 0,50 = 1/32

P(x= 4 caras) S C C C C 0,50 0,50 0,50 0,50 0,50 = 1/32
C S C C C 0,50 0,50 0,50 0,50 0,50 = 1/32
C C S C C 0,50 0,50 0,50 0,50 0,50 = 1/32
C C C S C 0,50 0,50 0,50 0,50 0,50 = 1/32

5/32

P(x= 5 caras) CCCCC 0,50 0,50 0,50 0,50 0,50 = 1/32

La función P(x=k)

A continuación vemos La función de probabilidad de la distribución

Binomial, también denominada Función de la distribución de Bernoulli:

x: es el número de aciertos.
n: es el número de experimentos.
p: es la probabilidad de éxito, como por ejemplo, que salga
"cara" al lanzar la moneda.
q=1-p : es el complemneto de p, es decir que caiga sello al lanzar
una moneda
 La distribución binomial

Si graficamos P(xi) f(xi)

Xi (caras) P(xi)
0 1/32
1 5/32
2 10/32
3 10/32
4 5/32
5 1/32
 La distribución binomial

Media O también con la ecuación

Xi (caras) P(xi) Xi*P(xi)
0 0,03125 0
Donde
1 0,15625 0,15625 n=5
2 0,3125 0,625
P(caras) =0,5
3 0,3125 0,9375
4 0,15625 0,625
5 0,03125 0,15625
Media 2,5
Varianza O también con la ecuación
Xi (caras) P(xi) Xi*P(xi) (xi-Media) (xi-Media)^2 (xi-Media)^2 * P(xi)
0 0,03125 0 -2,5 6,25 0,1953125
1 0,15625 0,15625 -1,5 2,25 0,3515625
2 0,3125 0,625 -0,5 0,25 0,078125
3 0,3125 0,9375 0,5 0,25 0,078125
4 0,15625 0,625 1,5 2,25 0,3515625
5 0,03125 0,15625 2,5 6,25 0,1953125
Media 2,5 Varianza: 1,25
Ejemplo1 de la función
F(x=k)

¿Cuál es la probabilidad de obtener 6 caras al lanzar una moneda

10 veces?
El número de aciertos x es 6. Esto es x=6
El número de experimentos n son 10
La probabilidad de éxito p, es decir, que salga "cara" al lanzar la
moneda es 50% ó 0.50
La fórmula quedaría:

P (k = 6) = 0.205
Es decir, que la probabilidad de obtener 6 caras al lanzar 10 veces
una moneda es de 20.5% .
Ejemplo 2 de la función
F(x=k)

¿Cuál es la probabilidad de obtener cuatro veces el número 3 al

lanzar un dado ocho veces?
El número de aciertos k es 4. Esto es x=4
El número de experimentos n son 8
La probabilidad de éxito p (probabilidad de que salga un 3 al
tirar el dado) es 1 / 6 (= 0.1666)
La fórmula queda:
P (k = 4) = 0.026
Es decir, que la probabilidad de obtener cuatro veces el números
3 al tirar un dado 8 veces es de 2.6%.
Ejemplo 3 de la función
F(x=k)

La producción de lámparas es continua cuya fracción de fracción de no

conformes es de 0,125. Un cartón es aceptado si una muestra de 4 (n)
no contiene lámparas no conformes (x=0).
Cual es la probabilidad de aceptar un cartón.
El número de aciertos k es 0. Esto es (x=0 ) (buscamos cero no
conformes para aceptar el lote)
p= 0,125
n= 4
q = 1-p = 0,875
x n-x
P(k=x) = n! p q
x! ( n – x)!

4! 0 4-0
P(k=x) = 0! ( 4 – 0)! (0,125) (0,875) = 0,59
Ejemplo 4 de la función
F(x=k)

La empresa JBC reclama que no más de 1 de 10 clientes llama a

reparación en el primer año. Para verificar lo anunciado se elige a 20
personas en forma aleatoria y determina que 4 de ellos había llamado
en el primer año.
Esto destruye lo anunciado por la empresa JBC.
X=4
p= 1/10 = 0,1
n= 20
q = 1-p = 0,9
x n-x
P(k=x) = n! p q
x! ( n – x)!

20! 4 20-4
P(k=x) = 4! ( 20 – 4)! (0,1) (0,9) = 0,08 = 8%
Ejemplo 3 de la función
F(x=k)
Un 10% de productos producidos en un proceso de fabricación resulta
defectuoso. Hallar la probabilidad de que en una muestra de 10 unidades
elegidas al azar sean exactamente 2 defectuosos.
X : 0 - 1 - 2 - 3 - 4 - 5 - 6 - 7 - 8 - 9 - 10
p= 10% = 0,1
n= 10
X= 2
q = 1-p = 0,9 2 10 -2
10!
P(k=x) = (0,1) (0,9) = 0,1937= 19,7%
2! (10 – 2)!
 Ejemplo 5
En una fábrica de cámaras el 5% sale con defectos. Determine la probabilidad de que en una
muestra de 10 se encuentren hasta 2 cámaras defectuosas.
Solución :
N= 10
P= 5% = 0,05
X≤2
Q = 1-p = 1-0,05 = 0,95

X : 0 - 1 - 2 - 3 - 4 - 5 - 6 - 7 - 8 - 9 - 10

Debemos calcular la probabilidad

P(x≤2) = P(x=0) + P(x=1) +P(x=2)

Con el excel
DISTR. BINOMIAL.N(xi, n;p; falso)
DISTR. BINOMIAL.N(0, 10;0,05; falso)

DISTR. BINOMIAL.N(1, 10;0,05; falso)

DISTR. BINOMIAL.N(2, 10;0,05; falso)

Con el excel
P(x≤2) = 0,5987 + 0,3151 +0,0746 = 0,9885 DISTR. BINOMIAL.N(2, 10;0,05; verdadero)
 USO DE TABLAS BINOMIALES
Utilizando la tabla de probabilidad binomial se pueden resolver los ejemplos anteriores.
Para esto debe saber los valores x y B (n,p) .
• (n)= El número de veces que se realiza el experimento
• p = La probabilidad de éxito
• x = El número de éxitos (este valor se encuentra entre 0 y n)
• En el parámetro B(n,p), n debe ser mayor de 0 y p un valor desde 0 al 1.
La probabilidad p se busca en la primera fila (valores desde 0’01 hasta 0’5).
El número de veces que se realiza el experimento, en la primera columna (valores
desde 2 a 10) y el número de éxitos a su lado.

Nota importante: En las tablas encontramos los valores acumulativos esto es:
P(2) = P(0) +P(1) +P(2)
En la tabla encuentras valores de n hasta 10 y p hasta 0,5
 Acumulada
n x p
Ejemplo 5
B(n,p)

En una fábrica de cámaras el 5% sale con defectos. Determine la probabilidad de

que en una muestra de 10 se encuentren hasta 2 cámaras defectuosas.

X : 0 - 1 - 2 - 3 - 4 - 5 - 6 - 7 - 8 - 9 - 10

Solución :
Se trata de una distribución binomial de parámetros
n = 10
p = 0,05
Debemos calcular la probabilidad de que x sea menor e igual que 2. Esto es
P (x<=2).
Busque en la parte izquierda de la tabla n=10, luego en la parte superiror
p=0.05 . La probabilidad estará en x≤2 ( la tabla me da el valor acumulativo X
=0; x = 1; x =2)
P (X ≤ 2) = 0.985 = 98,5%
Acumulada
Ejemplo 3 de la función

Un 10% de productos producidos en un proceso de fabricación resulta defectuoso. Hallar la

probabilidad de que en una muestra de 10 unidades elegidas al azar sean exactamente 2
defectuosos.
p= 10% = 0,1
n= 10
X= 2
q = 1-p = 0,9
2 10 -2
P(k=x) = 10! (0,1) (0,9) = 0,1937= 19,7%
2! (10 – 2)!

Con las tablas

X : 0 - 1 - 2 - 3 - 4 - 5 - 6 - 7 - 8 - 9 - 10

P(X ≤2) = 0,9298,

Calculamos para
P(x ≤1) = 0,7361
P(x=2) = P(X ≤2) - P (x ≤1) = 0,9298 – 0,7361 = 0,1937= 19,37%
Ejemplo 3 de la función
F(x=k)
Un 10% de productos producidos en un proceso de fabricación resulta defectuoso. Hallar
la probabilidad de que en una muestra de 10 unidades elegidas al azar se encuentre:
a) hasta 3 defectuosos ( x ≤ 3)
b) 3 defectuosos ( X = 0)
c) 3 o mas defectuosos ( X ≥ 3), es decir X= 3,3,5,6,7,8,9 y 10)
d) Más de 3 defectuosos ( X > 3); es decir X = 3,4,5,6,7,8 y 10
e) De 3 a 5 defectuosos ( 3 ≤ x ≤ 5); es decir X = 3, 4,5

Datos
p= 10% = 0,1
n= 10
q = 1-p = 0,9
P(k=x)
Ejemplo 3 de la función
F(x=k)
Un 10% de productos producidos en un proceso de fabricación resulta defectuoso. Hallar
la probabilidad de que en una muestra de 10 unidades elegidas al azar se encuentre:
a) hasta 3 defectuosos ( x ≤ 3)
b) 3 defectuosos ( X = 0)
c) 3 o mas defectuosos ( X ≥ 3), es decir X= 3,3,5,6,7,8,9 y 10)
d) Más de 3 defectuosos ( X > 3); es decir X = 3,4,5,6,7,8 y 10
e) De 3 a 5 defectuosos ( 3 ≤ x ≤ 5); es decir X = 3, 4,5

a.- hasta 3 defectuosos ( x ≤ 3)

X: 0 - 1 - 2 - 3 - 4 - 5 - 6 - 7 - 8 - 9 - 10

Con la tabla vemos

P( x ≤ 3) = 0,9872 = 98,72%
Acumulada
Ejemplo 3 de la función
Un 10% de productos producidos en un proceso de fabricación resulta defectuoso. Hallar la
probabilidad de que en una muestra de 10 unidades elegidas al azar se encuentre:
a) hasta 3 defectuosos ( x ≤ 3)
b) 3 defectuosos ( X = 0)
c) 3 o mas defectuosos ( X ≥ 3), es decir X= 3,3,5,6,7,8,9 y 10)
d) Más de 3 defectuosos ( X > 3); es decir X = 3,4,5,6,7,8 y 10
e) De 3 a 5 defectuosos ( 3 ≤ x ≤ 5); es decir X = 3, 4,5

b.- 3 defectuosos ( x = 3)
X: 1 - 2 - 3 - 4 - 5 - 6 - 7 - 8 - 9 - 10

Con la tabla vemos

Primero calculamos el de P( x ≤ 3)
P( x ≤ 3) = 0,9872 = 98,72%
Segundo calculamos el de P( X ≤ 2)
P(x≤2) = 0,9298 =92,98%
Tercero calculamos el P( X = 3)
P(X = 3) = P( x ≤ 3) - P( x ≤ 2)
P(X = 3) = 0,9872 – 0,9298 = 0,0574 = 5,74%
Acumulada
Ejemplo 3 de la función
Un 10% de productos producidos en un proceso de fabricación resulta defectuoso. Hallar la
probabilidad de que en una muestra de 10 unidades elegidas al azar se encuentre:
a) hasta 3 defectuosos ( x ≤ 3)
b) 3 defectuosos ( X = 0)
c) 3 o mas defectuosos ( X ≥ 3), es decir X= 3,3,5,6,7,8,9 y 10)
d) Más de 3 defectuosos ( X > 3); es decir X = 3,4,5,6,7,8 y 10
e) De 3 a 5 defectuosos ( 3 ≤ x ≤ 5); es decir X = 3, 4,5

c.- 3 o mas defectuosos ( X ≥ 3), es decir X= 3,3,5,6,7,8,9 y 10)

X: 0 - 1 - 2 - 3 - 4 - 5 - 6 - 7 - 8 - 9 - 10

Primero calculamos (X ≤ 2)
P(x≤2) = 0,9298 =92,98%
Luego para calcular el de (X ≥ 3), usamos la ecuación
P(X ≥ 3) = 1 – P(X ≤ 2)
P(X ≥ 3) = 1 – 0,9298 = 0,0702 = 7,02%
Ejemplo 3 de la función
Un 10% de productos producidos en un proceso de fabricación resulta defectuoso. Hallar la
probabilidad de que en una muestra de 10 unidades elegidas al azar se encuentre:
a) hasta 3 defectuosos ( x ≤ 3)
b) 3 defectuosos ( X = 0)
c) 3 o mas defectuosos ( X ≥ 3), es decir X= 3,3,5,6,7,8,9 y 10)
d) Más de 3 defectuosos ( X > 3); es decir X = 3,4,5,6,7,8 y 10
e) De 3 a 5 defectuosos ( 3 ≤ x ≤ 5); es decir X = 3, 4,5

d.- Más de 3 defectuosos ( X > 3); es decir X = 3,4,5,6,7,8 y 10

X: 0 - 1 - 2 - 3 - 4 - 5 - 6 - 7 - 8 - 9 - 10

Primero calculamos (X ≤ 3)
P(x≤3) = 0,9872
Luego para calcular el de (X > 3), usamos la ecuación
P(X >3) = 1 – P(X ≤ 3)
P(X > 3) = 1 – 0,9872 = 0,0128 = 1,28%
Ejemplo 3 de la función
Un 10% de productos producidos en un proceso de fabricación resulta defectuoso. Hallar la
probabilidad de que en una muestra de 10 unidades elegidas al azar se encuentre:
a) hasta 3 defectuosos ( x ≤ 3)
b) 3 defectuosos ( X = 0)
c) 3 o mas defectuosos ( X ≥ 3), es decir X= 3,3,5,6,7,8,9 y 10)
d) Más de 3 defectuosos ( X > 3); es decir X = 3,4,5,6,7,8 y 10
e) De 3 a 5 defectuosos ( 3 ≤ x ≤ 5); es decir X = 3, 4,5

d.- Más de 3 defectuosos ( X > 3); es decir X = 3,4,5,6,7,8 y 10

X: 0 - 1 - 2 - 3 - 4 - 5 - 6 - 7 - 8 - 9 - 10

Primero calculamos (X ≤ 2)
P(x≤2) = 0,9298
Segundo calculamos (X ≤ 5)
P(x≤5) = 0,9999
Tercero calculamos P(3 ≤ x ≤ 5) como la diferencia entre P(X ≤ 5) – P(X ≤ 2)
P(3 ≤ x ≤ 5) = P(X ≤ 5) – P(X ≤ 2)
P(3 ≤ x ≤ 5) =0,9999 – 0,9298 = 0,0701 = 0,701%
Acumulada
 Media y desviación de la distribución
binomial
Media y desviación típica en una distribución binomial
• el número esperado de éxitos o media, viene dado por X = n · p. (Recordemos que
la media es una medidad de centralizaciòn).
• La desviación típica, que es una medida de dispersión y mide lo alejados que
están los datos de la media, viene dada por (σ ) = √(n · p · q)

Características de la distribución
binomial
Media
= E(X) = n p P(X) n = 5 p = 0.1
.6
= 5 · 0.1 = 0.5 .4
.2

= 5 · 0.5 = 0.25 0 X
0 1 2 3 4 5

Desviación estándar
P(X) n = 5 p = 0.5
 = np (1 − p ) .6
.4
 = 5  0.1  (1 − 0.1) = 0.67 .2
X
0
 = 5  0.5  (1 − 0.5) = 1.1 0 1 2 3 4 5
17
La media μ y desviación estándar σ

Características de la distribución
binomial
Media
= E(X) = n p P(X) n = 5 p = 0.1
.6
= 5 · 0.1 = 0.5 .4
.2

= 5 · 0.5 = 0.25 0 X
0 1 2 3 4 5

Desviación estándar
P(X) n = 5 p = 0.5
 = np (1 − p) .6
.4
 = 5  0.1  (1 − 0.1) = 0.67 .2
0 X
 = 5  0.5  (1 − 0.5) = 1.1 0 1 2 3 4 5
17
 Aproximación de la distribución
binomial por la normal
Una distribución binomial B (n, p) se puede aproximar por una
distribución normal, siempre que n sea grande y p no esté muy
próxima a 0 ó 1. Es decir que p tome valores cercanos a 0,5.
La aproximación consiste en utilizar una distribución normal con la
misma media y desviación típica de la distribución binomial.
En la práctica se utiliza la aproximación cuando:
n >30
np>5, nq>5 = 0,5

En cuyo caso : x= B(n,p) se puede aproximar a N(μ=np, σ = npq )

 Aproximación de una Binomial a una Normal
La distribución binomial es una forma límite de la distribución de Poisson cuando
n es grande (n  50) y p es pequeño. Cuando n es grande; pero p no tiene
un valor cercano a cero, la distribución normal proporciona una mejor
aproximación.
TEOREMA DEL LÍMITE DE DEMOIVRE – LAPLACE
Si X es una variable aleatoria que se distribuye binomial con parámetros n y
p, y n es grande; entonces X posee una distribución aproximadamente

( )
normal

X N n p , n p (1− p)
1
Esta aproximación es np 5 cuando p 
2
buena cuando n es
n (1 − p )  5
1
grande y se cumple que: cuando p 
2
Estandarización

◼ Dada una variable X distribuida binomial con parámetros n y p, se

denomina valor estandarizado, z, a la distancia (con signo) con respecto
a la media poblacional, medido en desviaciones típicas, es decir

x − (n p )
z=
n p (1 − p )
◼ Para tamaños de muestra grandes, nos permite calcular, de forma
sencilla, aproximadamente valores de probabilidad que no serían fáciles
de calcular usando la distribución binomial.
 Ejemplo: Preferencia por un Candidato
Una organización política planea llevar a cabo una encuesta para detectar la
preferencia de los votantes con respecto a los candidatos A y B que ocuparán
un puesto en la administración pública. Supóngase que se toma una muestra
aleatoria de 1000 ciudadanos. ¿Cuál es la probabilidad de que 550 o mas de
los votantes indiquen una preferencia por el candidato A si la población, con
respecto a los candidatos, se encuentra igualmente dividida p =0,5?.
Solución:
Sea X la v.a. que define el número de ciudadanos que prefieren al candidato
A.
Esta v.a. tiene distribución binomial; sin embargo dado que p = ½ y la
muestra es de 1000; es decir, es una muestra grande podemos usar una
aproximación a la distribución normal para resolver el problema. Por tanto

X (
N n p , n p (1− p) )  X (
N 500 , 5 10 )
Debemos hallar : P(x  550)
 Ejemplo: Preferencia por un Candidato
P(x  550)
Para ello debemos estandarizar la variable x en el valor 550 y, con la ayuda de
la tabla, respondemos la interrogante planteada.

 x − np 550 − 500 
P(x  550) = P  = P( z  3,16)
 np(1 − p ) 
 5 10 
 Ejemplo: Preferencia por un Candidato
P(x  550)
Para obtener esa probabilidad debemos acudir a la tabla de probabilidades de
la función normal estándar, recordando que esta tabla nos proporciona
probabilidades acumuladas; es decir, el caso que nos ocupa lo resolvemos:

P( z  3,16 ) = 1 − P( z  3,16 )

P( z  3,16 ) = 1 − 0,9992 = 0,0008

La probabilidad de que 550 o mas votantes manifiesten una preferencia por el
candidato A en la encuesta es de 0,0008.
DEBER
Ejercicio de prueba #6

Sea x una variable aleatoria binomial. Hallar la distribución de

probabilidad de x si  = 4 y n= 10.

Para resolver esta pregunta utilice la relación de μ=np

Depejando por p queda
p= μ/n
p = 4/10 = 0,4
Al tener el parámetro B(n,p) puede buscar en la tabla las x
y sus probabilidades correspondientes. Esto forma la
distribución de probabilidad binomial para este ejercicio.
 DEBER

Graficar
Buscamos valores de X = de 0 a 10
n = 10
p= 0,4
q = 1-0,4 = 0,6
x n-x
P(x) = n! p q
x! ( n – x)!

Graficar P(x) f (x)

 DEBER
x n-x p q P(x)
0 10 0,4 0,6
1 9 0,4 0,6
2 8 0,4 0,6
3 7 0,4 0,6
4 6 0,4 0,6
5 5 0,4 0,6
6 4 0,4 0,6
7 3 0,4 0,6
8 2 0,4 0,6
9 1 0,4 0,6
10 0 0,4 0,6

Graficar P(x) f (x)

Glosario de términos

Distribución de probabilidad discreta - distribución con un número

finito de valores.

Distribución binomial – Distribución discreta que se aplica cuando se

realizan más de una vez y de forma independiente el experimento de
Bernoulli.

Experimento de Bernoulli – Experimento con dos posibles resultados

(éxito o fracaso).

Experimento independiente – Cuando el resultado de un experimento

no tiene influencia en el resultado de otro experimento
Glosario de términos

Éxitos – Es la ocurrencia del evento de interés como cantidad de

defectos, llamadas recibidas, servicios completados.

Fracasos – Es el complemento de los éxitos. Es la ocurrencia del

evento que no es de interés.

Resultados mutuamente excluyentes – Son resultados que no pueden

ocurrir al mismo tiempo. Si un producto sale bueno, no puede salir
defectuoso al mismo tiempo.
Referencias

Anderson, S. (2006). Estadísticas para administración y

economía, ( 8tva ed.) México: Thomson.

Newbold, P. (2003). Statistics for Business And Economics,

(5ta. Ed.). New Jersey: Prentice Hall.

Bluman, A. G. (2007). Statistics. (6ta ed.). New York: Mc Graw

Hil,New York.

http://karnak.upc.es/teaching/estad/MC/taules/com-usar-
taules.pdf
Referencias
• http://personal5.iddeo.es/ztt/Tem/t19_distribucion_binomial.htm

• http://www-stat.stanford.edu/~naras/jsm/example5.html

• http://cyber.gwc.cccd.edu/faculty/jmiller/Binom_Tab.pdf

• http://descartes.cnice.mecd.es/Estadistica/Distribucion_binomial/bino
mial.htm

• http://descartes.cnice.mecd.es/Estadistica/Binomial_Normal/index.ht
m