ELEMENTOS BÁSICOS

1. CLASES DE EXPERIMENTOS

En la vida cotidiana se pueden encontrar dos clases de fenómenos o experimentos:

1.1 Determinísticos

Al realizarlos bajo las mismas condiciones generales, presentan siempre el mismo

resultado.

Ejemplos

Determinísticos:

a) Leyes gravitacionales (un cuerpo baja en ciertas condiciones).

b) Leyes de Kepler (comportamiento de los planetas).

1.2 Aleatorios

Aun cuando se observen bajo las mismas condiciones y se conozcan los posibles
resultados ninguno se puede anticipar con certeza.

Los primeros se relacionan con la causalidad que implica conocimiento y control de los
factores que determinan el comportamiento del fenómeno.

Los segundos obedecen a factores de casualidad o del azar además de los causales,
pero con la imposibilidad de controlarlos debido al desconocimiento de las causas.

Ejemplos

Aleatorios:

a) Seleccionar de un lote un artículo para conocer su calidad.

b) El resultado de un partido de fútbol.
c) El número de llamadas telefónicas por minuto, la duración de cada llamada.
d) La intensidad del ruido de un sistema de comunicación.
2. TEORÍA DE PROBABILIDADES

El objetivo de la teoría de probabilidades es proporcionar un modelo matemático

adecuado, aplicable a la descripción e interpretación de los fenómenos aleatorios. La
construcción del modelo se basa en los siguientes conceptos:

2.1 Espacio Muestral

Dado un experimento aleatorio, el conjunto cuyos elementos son los posibles resultados
diferentes (que se desean considerar diferentes) del mismo, se conoce como espacio
muestral asociado al experimento aleatorio, se denota por Ω

Se presentan diversos tipos de espacios muestrales:

a) En el lanzamiento de un dado se puede tomar como espacio muestral:

Ω= {1,2,3,4,5,6}

b) En el experimento aleatorio que describe el número de automóviles que cruzan un

peaje en un período dado, el espacio muestral es del tipo Ω= {1,2,3,4,5,6, … … }

c) En el caso de elegir al azar un número real en el intervalo [0,1], el espacio muestral

asociado es precisamente Ω =[0,1]

Atendiendo al número de resultados posibles de un experimento aleatorio se pueden

establecer los siguientes tipos de espacios muéstrales:

a) Espacios muestrales finitos: Son aquellos que tienen un número finito de

elementos, como puede ser la tirada de un dado.

b) Espacios muestrales infinitos numerables: Son aquellos en los que Ω tiene un

número infinito de elementos y puede ponerse en correspondencia biunívoca con
los números naturales, como pude ser el número de automóviles que pasan por el
peaje.

c) Espacios muestrales infinitos no numerables: Son aquellos en los que Ω tiene

un número infinito de elementos y no puede ponerse en correspondencia con los
números naturales, como puede ser la elección al azar de un número en el
intervalo [0,1]

SUCESOS

Pudiendo definir un suceso de un experimento aleatorio como un subconjunto del espacio

muestral, A ᴄ Ω , es decir, una colección de puntos del espacio muestral.
OPERACIONES CON SUCESOS.- Para definir ‘algo’ que mida la aleatoriedad que dentro
de sí llevan los sucesos de un experimento aleatorio es necesario construir una estructura
matemática. Para ello se definen ciertas operaciones con los sucesos.

Unión de sucesos: Dados dos sucesos A y B, de cierto experimento aleatorio, se define

la unión de A y B, que se representa por A ∪ B, a otro suceso que se denota por C, que
ocurre siempre que ocurra A o siempre que ocurra B: A ∪ B = C

Intersección de sucesos: Dados dos sucesos A y B, de cierto experimento aleatorio, se

define la intersección de A y B, que se representa por A ∩ B, a otro suceso que se denota
por D, que ocurre siempre que ocurran A y B simultáneamente: A ∩ B = D

Suceso complementario: Dado un suceso A, de cierto experimento aleatorio, se define

el complementario de A, que se representa por 𝐴 𝑜 𝐴𝑐 , a otro suceso que ocurre siempre
que no ocurre A.

Suceso imposible: Dado el suceso A y su complementario 𝐴 , junto con la operación

de intersección, se define un suceso que no ocurre nunca, se le conoce como suceso
imposible y se denota por 𝛷 : A ∩ 𝐴 = 𝛷
El suceso complementario del suceso imposible es el suceso seguro, que es
precisamente el espacio muestral: ̅̅̅
𝛷= Ω

Sucesos incompatibles: Dados dos sucesos A y B, de cierto experimento aleatorio, se

dice que estos sucesos son incompatibles si su intersección es el suceso imposible A ∩ B
= 𝛷, A y B incompatible

Sucesos contenido en otro: Dados dos sucesos A y B, de cierto experimento

aleatorio, se dice que A está contenido en B si siempre que ocurre A ocurre B, se denota
por A ᴄ B

Diferencia de sucesos: Dados dos sucesos A y B, de cierto experimento aleatorio, se

define la diferencia de los sucesos A y B, y se denota por A - B, el suceso C, que ocurra A
y no ocurra B: C = A - B . Se observa que C = A – B=A ∩ 𝐵

Sucesos elementales: Dado un suceso puede ocurrir que éste pueda ser descompuesto
en sucesos más simples, de forma que la unión de éstos sea precisamente el suceso
considerado. A estos sucesos se les llama sucesos compuestos. Por otra parte, existen
otros sucesos que no pueden ser descompuestos en sucesos más simples, estos sucesos
reciben el nombre de sucesos elementales.
Concepto de probabilidad

Probabilidad clásica. Regla de Laplace

Supongamos un experimento probabilístico formado por sucesos equiprobables, es decir

todos ellos de igual probabilidad (no siempre es fácil demostrar ésto). La probabilidad de
que ocurra un suceso A se calcula de la siguiente forma:

casos favorables
p(A)  casos totales



Ejemplos

1) Calcular la probabilidad de que al lanzar un dado el valor sea un número primo

2) Lanzar dos monedas y que salga

3) Lanzar dos dados y que la suma de ambos sea 6.

Probabilidad experimental. Ley de los grandes números(Probabilidad frecuentista)

En los ejemplos anteriores suponíamos que los sucesos elementales eran equiprobables,
pero y ¿si el dado o la moneda están trucados?, ¿Cómo podemos saberlo?. Por otro lado
hay experimentos probabilísticos que no son equiprobables, dos ejemplos:

Ejemplo 1:
Lanzamos una tachuela y queremos saber la probabilidad de que caiga con la punta
para arriba o para abajo

Ejemplo 2:
Lanzamos un tiro libre en una canasta de baloncesto y queremos saber la probabilidad de
encestar o de fallar.

Probabilidad subjetiva o teórica

Se basan en la creencias e ideas en que se realiza la evaluación de las probabilidades y

se define como en aquella que un evento asigna el individuo basándose en la evidencia
disponible (el individuo asigna la probabilidad en base a su experiencia).

Teorema: dada la función de probabilidad P:  _[0,1] sobre un espacio muestral

 ={s1,s2 ,…,sn}queda perfectamente definida si se conoce los valores de p(s1) tal que:

(a) p(s1)≥0 i{1,2,…,n}

(b) ∑𝑛𝑖=1 𝑝(𝑠𝑖 )=1
Propiedades de la probabilidad

Además de las propiedades que definen la probabilidad veamos alguna de las

propiedades más importantes y usadas a la hora de calcular la probabilidad:

a) p(A∪B)=p(A)+p(B)-p(A ∩ B) (ya que sumando p(A)+p(B) sumamos dos veces la

intersección.
b) p( 𝐴 )=1-p(A) (la probabilidad del suceso contrario más la del propio suceso es 1)
c) p(𝐴 ∪ 𝐵 ) = p(𝐴 ∩ 𝐵 ) =1− p( 𝐴 ∩ 𝐵 ) (Ley de Morgan)
d) p( 𝐴 ∩ 𝐵 ) = p(𝐴 ∪ 𝐵) =1− p(A ∪ B) (Ley de Morgan)

Probabilidad condicional. Sucesos independientes.

Muchos sucesos probabilísticos dependen de los resultados de algún otro suceso

anteriormente acaecido. Por ejemplo la probabilidad de sacar la segunda carta sin
reemplazamiento de una baraja de un determinado basto depende de si la carta anterior
era de ese o de otro basto

Así la probabilidad de que ocurra un suceso B, habiendo ocurrido otro suceso

anteriormente A se denomina probabilidad condicionada. Se denota como p(B/A)
(probabilidad de que ocurra B sabiendo que antes a ocurrido A).

El resultado de la probabilidad condicionada se puede relacionar con la probabilidad de

los sucesos A y A∩B. La fórmula es la siguiente:

P( A  B)
p( B / A)  o P( A  B)  P( A) . P( B / A)
P( A)

Problema:

Se pregunta a los 650 miembros de un instituto, 50 profesores y 600 estudiantes si son

favorables a la implantación de dos recreos de 15 minutos en vez de uno de 30. Se
obtienen que en total 110 miembros son favorables, de los cuales 10 profesores. Elegido
un miembro al azar se pregunta la probabilidad de que:

a) Sea contrario a la implantación de dos recreos

b) Sea alumno y favorable a dos recreos
c) Sabiendo que es profesor sea favorable a dos recreos
d) Sabiendo que es favorable a un recreo sea alumno.

A= Alumnos 𝐴=Profesores Total

D= Dos Recreos 10 110
𝐷=Un Recreo
Total 600 50
Teorema de la probabilidad total.

El teorema de la probabilidad total va a permitir calcular la probabilidad de un suceso a

partir de las superposiciones de sucesos que son incompatibles dos a dos. La forma de
calcular entender y resolver los problemas es a partir de diagrama de árbol, donde cada
rama que sale de un mismo nivel son sucesos incompatibles.

Teorema de la probabilidad total: si tenemos varios sucesos A1, A2,…, An que son
incompatibles dos a dos y cuya unión es E, es decir p(A1  A2  … An)=1 entonces la
probabilidad de otro suceso B se puede calcular por medio de la siguiente fórmula:

p( B)  p( A1 ). p( B / A1 )  p( A2 ). p( B / A2 )  ............  p( An ). p( B / An )

Ejemplo:
En una fábrica de tornillos hay tres máquinas que ahora describimos: la máquina A que
hace el 30% de los tornillos de los cuales el 2% son defectuosos, la máquina B que hace
el 50% de los tronillos de los cuales el 1% son defectuosos y la máquina C que hace el
20% restante y el 3% de los tronillos son defectuosos. Calcular

a) la probabilidad de que elegido un tornillo sabiendo que ha sido fabricado por A esté
defectuoso,
b) elegido uno al azar lo haya fabricado la máquina B y no esté defectuoso.
c) la probabilidad de que elegido un tornillo al azar sea defectuoso (probabilidad total)

Teorema de Bayes.

En el problema anterior (las máquinas de tornillos) conocíamos las probabilidades

condicionadas de que un tornillo esté defectuoso según haya sido fabricada en cada una
de las tres máquinas, pero no al revés es decir las probabilidades condicionadas de que
un tornillo esté fabricado en una u otro máquina sabiendo que es defectuoso o no (es
decir p(A/D), p(A/𝐷 ), p(B/D), p(B/𝐷 ), p(C/D), p(C/ 𝐷 ) ). Esta probabilidad se calcula
por medio del teorema de Bayes.

Teorema de Bayes:

Si tenemos varios sucesos A1, A2,…, An que son incompatibles dos a dos y cuya unión es
E, es decir p(A1A2…An)=1 entonces la probabilidad de que ocurra un suceso B
condicionada a cada uno de los sucesos Ai, p(Ai/B), se puede calcular por la siguiente
fórmula:

p( Ai  B) p( Ai ). p( B / Ai )
p( Ai / B)   n

 p( A ). p( B / A )
p( B)
i i
i 1

Ejemplo: en el problema anterior de las máquinas calcular las probabilidades siguientes:

a) sabiendo que el tornillo es defectuoso que haya sido fabricado por la máquina B,
b) sabiendo que el tornillo no es defectuoso el tronillo haya sido fabricado
por la máquina C.
 GUIA DE TRABAJO

1) Una fábrica produce tres tipos diferentes de bolígrafos, A, B y C. El número total de unidades
producidas de cada uno de ellos es el mismo (un tercio del total). Salen defectuosos, sin
embargo, un 15 por mil de todos los del tipo A, un 3 por mil de todos los del tipo B y un 7 por mil
de todos los del tipo C. En un control de calidad se detectan el 70% de todos los bolígrafos
defectuosos del tipo A, el 80% de los del tipo B y el 90% de los del tipo C. Los bolígrafos
defectuosos en dicho control se tiran. Si se saca al azar uno de estos bolígrafos defectuosos
que se han tirado, calcula la probabilidad de que sea del tipo A

2) Entre la población económicamente activa de una ciudad, el 40% ha completa do la enseñanza

básica, el 50% la enseñanza media y el 10% la enseñanza superior. Entre los individuos que
tienen educación básica hay una 10% de desempleados, entre los que tienen educación media
un 5% y entre los graduados universitarios un 2%. ¿Cuál es la probabilidad de que un individuo
económicamente activo esté desempleado?

3) Una compañía dedicada al transporte público explota tres líneas de una ciudad, de forma que el
60% de los autobuses cubre el servicio de la primero línea, el 30% cubre la segunda y el 10%
cubre el servicio de la tercera línea. Se sabe que la probabilidad de que, diariamente, un
autobús se averíe es del 2%, 4% y 1%, respectivamente, para cada línea. Determina la
probabilidad de que, en un día, un autobús sufra una avería.

4) Una empresa del ramo de la alimentación elabora sus productos en cuatro factorías: F1, F2, F3
y F4. El porcentaje de producción total que se fabrica en cada factoría es del 40%, 30%, 20% y
10%, respectivamente, y además el porcentaje de envasado incorrecto en cada factoría es del
1%, 2%, 7% y 4%. Tomamos un producto de la empresa al azar. ¿Cuál es la probabilidad de
que se encuentre defectuosamente envasado?

5) De los créditos concedidos por un banco, un 42% lo son para clientes nacionales, un 33% para
clientes de la Unión Europea y un 25% para individuos del resto del mundo. De esos créditos,
son destinados a vivienda un 30%, un 24% y un 14% según sean nacionales, de la UE o del
resto del mundo. Elegido un cliente al azar, ¿qué probabilidad hay de que el crédito concedido
no sea para vivienda?

6) Tenemos dos urnas, en la primera hay 5 bolas rojas, 4 blancas y 3 verdes. En la segunda hay 5
bolas rojas, 5 blancas y 7 verdes. Extraemos una bola de cada urna.

a) ¿cuál es la probabilidad de que sean del mismo color?

b) ¿y de que sean de distinto color?

7) En una cierta ciudad, 40% de la gente tiene pelo castaño, 25% tiene ojos pardos y un 15%
tienen ambas características. Si una persona es seleccionada al azar:

a) y tiene el pelo castaño, cuál es la probabilidad de que también tenga ojos pardos.
b) y tiene ojos pardos, cuál es la probabilidad de que no tenga pelo castaño.
c) cuál es la probabilidad de que no tenga ni los ojos pardos ni el pelo castaño.

8) La probabilidad de que un hombre acierte en el blanco es 1/4. Si dispara 10 veces ¿cuál es la

probabilidad de que acierte exactamente en tres ocasiones? ¿Cuál es la probabilidad de que
acierte por lo menos en una ocasión?
9) Tenemos dos urnas A y B. En la urna A hay 4 bolas azules, 3 rojas y 3 verdes y en la urna B
hay 5 bolas azules, 2 rojas y 3 verdes. Lanzamos una moneda. Si sale cara acudimos a la urna
A y si sale sello a la B. Calcula la probabilidad de obtener:

a. cara y bola roja

b. bola azul
c. bola verde
d. sello y bola azul

10) Un médico ha observado que el 40% de sus pacientes fuma y de estos, el 75% son hombres.
Entre los que no fuman, el 60% son mujeres. Calcula la probabilidad de

a) Un paciente sea mujer

b) Sabiendo que el paciente ha sido hombre, qué probabilidad hay de que sea fumador.

11) Se realiza una encuesta sobre las preferencias de vivir en la ciudad o en urbanizaciones
cercanas. Del total de la población encuestada el 60% son mujeres, de las cuales prefieren
vivir en la ciudad un 73%. Se sabe que la probabilidad de que una persona, sea hombre o
mujer, desee vivir en la ciudad es 0.62.
Calcule la probabilidad de que elegido un hombre al azar, prefiera vivir en la ciudad.

12) La empresa “SILENCIOSOS S.A.” se dedica a la fabricación de tubos de escape para

automóviles. Por los controles de calidad que la misma empresa lleva a cabo se puede
concluir diciendo que aproximadamente el 5% de los tubos de escape producidos son
defectuosos. En el laboratorio de control de calidad hay instalado un dispositivo que detecta el
90% de los tubos incorrectos, pero también califica como defectuosos el 2% de los correctos.
El gerente de la empresa está interesado en conocer las probabilidades siguientes:
a) Probabilidad de que sea correcto un tubo calificado como defectuoso por el dispositivo
b) Probabilidad de que sea defectuoso un tubo calificado por el dispositivo como
correcto.

13) En cierto país donde existe una enfermedad endémica, se sabe que el 12% de la población
padece dicha enfermedad. Se dispone de una prueba para detectarla, pero no es totalmente
fiable, ya que da positivo en sólo el 90% de los casos de personas realmente enfermas y
también da positivo en el 5% de las personas sanas. ¿Cuál es la probabilidad de que esté
sana una persona a la que la prueba le ha dado positivo?

14) En una empresa trabajan 150 hombres y 50 mujeres. Alguien ha estado fumando en la zona
de descanso. ¿Cuál es la probabilidad de que haya sido una mujer si estimamos que fuman el
30% de los hombres y el 50% de las mujeres?. (Haz una tabla de contingencia)
 VARIABLE ALEATORIA

Como introducir el concepto de variable aleatoria discreta para lo cual empezaremos con
algunos ejemplos sencillos
a) Consideremos el experimento aleatorio que consiste en lanzar 3 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 número real igual al
número de caras obtenidas.
Esta ley que acabamos de construir es una función del espacio muestral E en el conjunto
de los números reales.
A esta función que denotaremos X la llamaremos variable aleatoria, que representa el
número de caras obtenidas en el lanzamiento de 3 monedas

b) Supongamos ahora que lanzamos dos dados; el espacio muestral es:

E = {(1, 1), (1, 2) ………(1, 6), (2, 1), ………….(6, 1), ………(6, 6) }
La ley 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.
Definición
Se llama variable aleatoria a toda función que asocia a cada elemento del espacio
muestral E un número real.
Diremos que una variable aleatoria es discreta cuando solo puede tomar valores enteros.
Los dos ejemplos anteriores son variables aleatorias discretas
Lo siguiente será introducir el concepto de Función de probabilidad para ello comenzamos
con un ejemplo:
Supongamos que hemos lanzado 240 veces un dado perfecto y hemos obtenido los
siguientes resultados:
 Cara 1 2 3 4 5 6
Nº de veces 40 39 42 38 42 39

Construimos ahora una tabla con la distribución de frecuencias absolutas y relativas y otra
tabla con los resultados esperados a la vista del cálculo de probabilidades

Cara F.absoluta F.relativa Cara Nº de veces Probabilidad

1 40 0.1667 1 40 1/6
2 39 0.1625 2 40 1/6
3 42 0.1715 3 40 1/6
4 38 0.1538 4 40 1/6
5 42 0.1750 5 40 1/6
6 39 0.1625 6 40 1/6
240 1 240 1
Distribución de la frecuencia Distribución 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 ley se le llama función de
probabilidad o distribución de probabilidad.
 Función de probabilidad

Se llama función de probabilidad de una variable aleatoria X a la función que asocia a

cada valor xi de la variable su probabilidad p i

La representación gráfica más habitual de la función de probabilidad es un diagrama de

barras no acumulativo

Lo siguiente que haremos será introducir el concepto de Función de distribución para

empezar a realizar algunos ejercicios sobre estos tres conceptos

En muchas ocasiones no nos interesa tanto conocer la probabilidad de que la variable

aleatoria X tome exactamente un determinado valor xi cuanto la probabilidad de que
tome valores menores o iguales que un cierto valor xi . En tales casos es necesario
acumular los distintos valores de la función de probabilidad hasta el valor deseado. Se
trata de una nueva aplicación llamada función de distribución.
Función de distribución
Sea X una variable aleatoria discreta cuyos valores suponemos ordenados de menor a
mayor. Llamaremos función de distribución de la variable X y escribiremos F(X) a la
función

F ( X )  PX  x
 Propiedades
- Como F(X) es una probabilidad se verifica que 0  F ( X )  1
- F(X) = 0 para todo valor de x anterior al menor valor de la variable aleatoria
- F(X)=1 para todo valor de x posterior al mayor valor de la variable aleatoria
- F (X) es creciente

Su representación gráfica tiene forma escalonada, siendo los saltos coincidentes con las
probabilidades p i correspondientes a los valores xi de la variable X.

Ejercicio 1
Un miembro del consejo de Administración de una empresa ha comprobado que, si
bien todos los años tienen una junta, ha habido años que tienen hasta cinco. Por la
experiencia acumulada durante años sabe que el número de juntas anual se distribuye
con arreglo a la siguiente tabla:

Nº de juntas al año 1 2 3 4 5
Probabilidad 2/15 5/15 1/15 3/15 4/15

a) Sea X la variable número de juntas al año ¿Es variable aleatoria discreta?

b) Calcular la función de probabilidad
c) Calcular la función de distribución
 Solución
a) La variable aleatoria X = número de juntas al año es variable aleatoria discreta ya
que solo toma valores enteros
b) La función de probabilidad de la variable aleatoria X nos la da el enunciado

xi pi  PX  x
1 2/15
2 5/15
3 1/15
4 3/15
5 4/15

c) Función de distribución
Valor de X F ( X )  PX  x
x 1 0
1 x  2 2/15
2 x3 7/15
3 x4 8/15
4 x5 11/15
x5 1

Esperanza matemática
Se llama esperanza matemática o media de una variable aleatoria X que toma los
valores x1 , x 2 ….. x n con probabilidades p1 , p 2 ….. p n respectivamente al valor de la

siguiente expresión:
n
  x1 p1  x2 p2  .....  xn p n   xi pi
I 1

Varianza
Se llama varianza de una variable aleatoria X que toma los valores x1 , x 2 ….. x n con

probabilidades p1 , p 2 ….. p n respectivamente al valor de la siguiente expresión

 n n
 2   xi2 pi   2 o bien  2   ( xi   ) 2
i 1 i 1

Desviación típica
Se define la desviación típica como la raíz cuadrada positiva de la varianza y se
representa por 

Ejercicio 1
Un miembro del consejo de Administración de una empresa ha comprobado que, si
bien tofos los años tienen una junta, ha habido años que tienen hasta cinco. Por la
experiencia acumulada durante años sabe que el número de juntas anual se distribuye
con arreglo a la siguiente tabla:

Nº de juntas al año 1 2 3 4 5
Probabilidad 2/15 5/15 1/15 3/15 4/15

a) Calcular la media
b) Calcular la varianza y la desviación típica
c) Probabilidad de que en un año elegido al azar se celebren más de 3 juntas

Solución
Para realizar los cálculos usamos la tabla de probabilidades

xi pi xi pi xi2 pi

1 2/15 2/15 2/15

2 5/15 10/15 20/15
3 1/15 3/15 9/15
4 3/15 12/15 48/15
5 4/15 20/15 100/15
1 47/15 179/15

a) Media
47
  3.13
15
 b) Varianza y desviación típica
179
2   (3.13) 2  2.13
15
  2.13  1.46

PX  3  PX  4  PX  5 

3 4 7
c)    0.466
15 15 15

3. A continuación propondremos ejercicios para que los alumnos los vayan realizando
en lo que queda de clase los cuales se corregirán otro día
Los ejercicios que proponen serán los siguientes

Ejercicio 2
Una variable aleatoria discreta tiene la siguiente función de probabilidad

x 2 3 5 6 8
p 0.2 0.1 0.4 0.2 0.1

a) Halla la función de distribución de dicha variable

b) Halla la esperanza y la desviación típica

Ejercicio 3
Sea X una variable aleatoria discreta cuya función de probabilidad es:
x 0 1 2 3 4 5
p 0.1 0.2 0.1 0.4 0.1 0.1

a) Calcula la función de distribución

b) Calcula la media y la varianza
c) Calcula las siguientes probabilidades
PX  4 PX  3
Distribución Binomial
Supongamos que un experimento aleatorio tiene las siguientes características:
- En cada prueba del experimento sólo son posibles dos posibles resultados: el

suceso A que llamaremos éxito 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 varía de

una prueba a otra. La probabilidad de A es 1 – p

- El experimento consta de un número n de pruebas

Todo experimento que tenga estas características diremos que sigue el modelo de la
distribución Binomial. A la variable X que representa el número de éxitos obtenidos en
cada prueba la llamaremos variable de la distribución Binomial
Esta variable es discreta ya que únicamente tomará los valores 0, 1, 2…….n
Representaremos por B (n, p) a la distribución Binomial siendo n y p los parámetros de
la distribución

Ejemplo
Una marca de tabacos ha calculado que el número de fumadores en una ciudad es del
35 %. Se escoge al azar una muestra formada por 10 personas. Comprueba si la
variable que expresa el número de fumadores dentro de la muestra sigue una
distribución Binomial. En caso afirmativo señala los parámetros de la distribución

Solución
En cada prueba solo son posibles dos resultados:
A = individuo fumador

A = individuo no 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
Así pues la variable que representa el número de individuos fumadores en la muestra
es una variable aleatoria que sigue una distribución Binomial cuyos parámetros son n
= 10 y p = 0.35
2. A continuación le pasamos a explicar a los alumnos cual es la función de
probabilidad de la distribución Binomial, la media y varianza y pondremos algunos
ejemplos que aclaren todos estos conceptos

Función de Probabilidad
La función de probabilidad de la distribución Binomial viene dada por la siguiente
expresión
 n
P (Obtener x éxitos) = P( X  x)    p x (1  p) n  x
 x

Cómo el cálculo de estas probabilidades puede resultar algo trabajoso se han

construido tablas que nos proporcionan para los distintos valores de n y de x, la
probabilidad de que la variable X tome los distintos valores de 0 a n

Parámetros de la distribución
Si tenemos una distribución Binomial de parámetro n y p se verifica que
Media o esperanza:   np

Varianza:  2  np(1  p)

Desviación típica:   np(1  p)

Vamos a realizar algunos ejemplos que aclaren estos conceptos

Ejemplo
Una prueba de inteligencia está 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
Solución
Consideremos los sucesos
A = Contestar bien P (A) = 0.25
A = No contestar bien P ( A ) = 0.75
Se trata de una distribución Binomial de parámetros B (10, 0.25 )
Sea X la variable aleatoria que representa el número de preguntas contestadas
correctamente

10 
a) P(acertar 4) = PX  4   (0.25) 4 (0.75)6  0.1460
4
10 
b) P (no acertar ninguna) = PX  0   (0.25)0 (0.75)10  0.0563
0
10 
c) P(acertar todas) = PX  10   (0.25)10 (0.75)0  0
10 

d) P(acertar al menos 8) = PX  8  PX  8  PX  9  PX  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  PX  0  PX  1  PX  2  PX  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
Ejercicio1
La probabilidad de que un estudiante obtenga el título de licenciado en Geografía e
Historia es de 0.3. Halla la probabilidad de que de un grupo de siete estudiantes
matriculados en primer curso
a) Ninguno de los 7 finalice la carrera
b) Finalicen todos la carrera
c) Al menos 2 acaben la carrera
d) Halla la media y la desviación típica

Solución
Consideremos los sucesos:
A = Finalizar la carrera P(A) = 0.3

A = No finalizar la carrera P ( A ) = 0.7

Por tanto se trata de una distribución Binomial de parámetros B (7, 0.3)
Sea X la variable aleatoria que representa el número de estudiantes que obtienen el título
de licenciado en Geografía e Historia
7
a) PX  0   (0.3)0 (0.7)7  0.0824
 0
7
b) PX  7   (0.3)7 (0.7)0  0.0002
7
7 7
c) PX  2  1  PX  1  1  PX  0  PX  1  1   (0.3)0 (0.7)7   (0.3)1 (0.7)6  0.6705
 0 1

d) Media y desviación típica

  np  7(0.3)  2.1

  np(1  p)  7(0.3)(0.7)  1.21

Ejercicio 2
En geografía Humana se ha determinado que las condiciones socioeconómicas del 35%
de la población de una comarca determinada son inaceptables. Elegida una muestra de
esa población formada por 9 individuos, calcular
a) Probabilidad de que solo vivan 3 en condiciones inaceptables
b) Hallar la media y la varianza de la distribución

Solución
Consideramos los sucesos
A = Las condiciones socioeconómicas son inaceptables P(A)= 0.35

A = Las condiciones socioeconómicas son aceptables P ( A ) = 0.65

Por tanto se trata de una distribución Binomial de parámetros B (9, 0.35)
Sea X la variable que representa el número de individuos que viven en condiciones
socioeconómicas inaceptables
9
a) a) PX  3   (0.35)3 (0.65)6  0.2716
 3
b) Media y varianza
  np  9(0.35)  3.15
  np(1  p)  9(0.35)(0.65)  2.0475

Distribución de Poisson
En teoría de probabilidad y estadística, la distribución de Poisson es una distribución
de probabilidad discreta. Expresa la probabilidad de un número de eventos ocurriendo
en un tiempo fijo si estos eventos ocurren con una tasa media conocida, y son
independientes del tiempo desde el último evento.
Su distribución de probabilidad está dada por:

donde;

 e es el base del logaritmo natural (e = 2.71828...),

k! es el factorial de k,
λ es un número real positivo, equivalente al número esperado de ocurrencias durante un
intervalo dado. Por ejemplo, si los eventos ocurren de media cada 4 minutos, y estás
interesado en el número de eventos ocurriendo en un intervalo de 10 minutos, usarías
como modelo una distribución de Poisson con λ = 2.5.
Por ejemplo, si 2% de los libros encuadernados en cierto taller tiene encuadernación
defectuosa, obtener la probabilidad de que 5 de 400 libros encuadernados en este taller
tengan encuadernaciones defectuosas.

Su media y su varianza son: ,

Propiedades Reproductivas

Dadas n variables aleatorias Xi, tales que:

 todas tienen una distribución de Poisson

 cada una tiene su propio parámetro λi (es decir, los lambda no necesariamente tienen

que ser iguales)

 son todas independientes entre sí

 se toma la variable aleatoria

 se toma

Entonces:

La variable aleatoria Y tiene una distribución Poisson, con parámetro λY

Es decir: Dadas n variables de Poisson cualesquiera independientes, su suma es también
una variable de Poisson, cuyo parámetro vale la suma de los parámetros de las variables
originales.