DISTRIBUCIÓN BINOMIAL

@ Angel Prieto Benito Matemáticas Acceso a CFGS 1

 DISTRIBUCIÓN BINOMIAL
• Muchos experimentos sociales quedan determinados por dos sucesos contrarios:
Hombre o mujer; mayor de 18 años o menor de 18 años; trabajador o en paro; etc.
• La distribución de probabilidad discreta que estudia estos experimentos recibe el
nombre de distribución binomial.
• En general, a estos dos sucesos contrarios los calificamos por éxito (E) y fracaso (F).
• Esta distribución queda caracterizada por:
• (1) El resultado de una prueba del experimento aleatorio debe concretarse
en dos únicas opciones que, como se ha dicho, llamaremos éxito (E) y fracaso (F).
• (2) Se realizan n ensayos del experimento, independientes unos de otros.
• (3) La probabilidad de éxito es constante a lo largo de las n pruebas y
suele denotarse por p.
• P(E) = p
• Por tanto, la probabilidad de fracaso también es constante e igual a 1-p = q.
• P(F) = q = 1 – P(E) = 1 – p
• (4) La variable aleatoria X cuenta el número r de éxitos en las n pruebas:
• r = 0, 1, 2, ..., n
• Por tanto, los valores que puede tomar X son: 0, 1, 2, ..., ni.
• Tal variable binomial queda caracterizada por los parámetros n y p, y se escribe
• B(n, p)
@ Angel Prieto Benito Matemáticas Acceso a CFGS 2
 DISTRIBUCIÓN BINOMIAL
• Ejemplo 1

• En una reunión hay 40 hombres y 60 mujeres. Se elige una persona al azar, anotando
el sexo de dicha persona. Se repite el experimento 30 veces. Hallar la probabilidad de
que en 10 ocasiones el resultado haya sido “hombre”.
• Es una experiencia dicotómica.
• P(E) = p =40/100 = 0,40
• P(F) = q = 1 – 0,40 = 0,60
• n= 30 veces que se repite el experimento.
• La binomial queda caracterizada por B(n, p)  B(30, 0,30)
• Hay que hallar P(x=10)

• Notas importantes:
• El experimento se puede repetir un número de veces mayor que la cantidad de
personas que hay. Podemos repetir el experimento 500, aunque hubiera sólo 3
personas en la reunión.
• Nos pueden pedir probabilidades tales como: P(“Que de las 30 veces que se ha
repetido al menos en dos ocasiones halla sido hombre”)
• P(x ≥ 2) = P(x=2)+P(x=3)+…+P(x=30)
• O también: P(x ≥ 2) = 1 – P(x < 2) = 1 – [ (P(x=0) + P(x=1) ]

@ Angel Prieto Benito Matemáticas Acceso a CFGS 3

 DISTRIBUCIÓN BINOMIAL
• Ejemplo 2

• Un cazador tiene una probabilidad de 0,65 de acertar a una pieza en cada disparo. Si
realiza 20 disparos, hallar la probabilidad de …
• a) Que no cace ninguna pieza.
• b) Que cace 7 piezas.
• c) Que cace al menos 3 piezas.
• Es una experiencia dicotómica, pues acierta el tiro o falla el tiro.
• P(E) = p =0,65
• P(F) = q = 1 – 0,65 = 0,35
• n= 20 veces que se repite la experiencia de disparar.
• La binomial queda caracterizada por B(n, p)  B(20, 0,65)

• a) P(x=0)
• b) P(x=7)
• c) P(x≥3) =P(x=3)+P(x=4)+…+P(x=20)
• P(x≥3) = 1 - P(x<3) = 1 – [ P(x=0)+P(x=1)+P(x=2) ]

• Nota: Los cálculos necesarios para completar el ejemplo se ven más adelante.
@ Angel Prieto Benito Matemáticas Acceso a CFGS 4
 DISTRIBUCIÓN BINOMIAL
• Ejemplo 3

• Una máquina produce 32 tornillos defectuosos cada 1000 unidades. Al realizar un

control de calidad tomamos una caja de 50 tornillos. Hallar la probabilidad de que …
• a) Ningún tornillo resulte defectuoso.
• b) Halla 37 tornillos defectuosos.
• c) Halla menos de 3 tornillos defectuosos.
• Es una experiencia dicotómica, pues cada tornillo examinado está defectuoso o no.
• P(E) = p =32/1000 = 0,032
• P(F) = q = 1 – 0,032 = 0,968
• n= 50 veces que se repite la experiencia, al examinar los 50 tornillos de la caja.
• La binomial queda caracterizada por B(n, p)  B(50, 0,032)

• a) P(x=0)
• b) P(x=37)
• c) P(x<3) = P(x=0) + P(x=1) + P(x=2)

• Nota: En este ejemplo, como en todos los demás, P(x=0)+P(x=1)+P(x=2)+…+P(x=n)=1

• Por el Teorema de la Probabilidad Total, al ser los “n” sucesos independientes.
@ Angel Prieto Benito Matemáticas Acceso a CFGS 5
 DISTRIBUCIÓN BINOMIAL
• Los experimentos o experiencias que quedan determinados por dos sucesos contrarios
reciben el nombre de experiencias dicotómicas.
• En general, cualquier distribución de probabilidad discreta se puede reducir a una
experiencia dicotómica:

• Ejemplo_1

• Lanzamos un dado al aire.

• Hay seis sucesos posibles. Y cada suceso tiene su probabilidad (pi=1/6).
• Pero si lo que nos interesa es obtener un 6, reducimos los sucesos a dos:
• P(“Obtener un seis”) = 1/6
• P(“No obtener un seis”) = 5/6
• Y hemos convertido el experimento no dicotómico en dicotómico.
• P(E) = p=1/6
• P(F) = q= 5/6
• B(n, 1/6)
• Donde n es la cantidad de veces que lanzamos el dado.

• Lo mismo haríamos si el resultado deseado (Éxito) fuera un 5 en lugar de un seis.

@ Angel Prieto Benito Matemáticas Acceso a CFGS 6
 DISTRIBUCIÓN BINOMIAL
• Ejemplo_2

• En una población conocemos:

• P(“Un habitante gane 0 € /mes”) = 0,25
• P(“Un habitante gane 500 € /mes”) = 0,25
• P(“Un habitante gane 1000 € /mes”) = 0,20
• P(“Un habitante gane 1500 € /mes”) = 0,20
• P(“Un habitante gane 2000 € /mes”) = 0,10

• Si lo que nos interesa es que gane más de 1000 € /mes, reducimos la distribución de
probabilidades discretas a una distribución binomial:
• P(“Un habitante gane más de 1000 € /mes”) = 0,20+0,10 = 0,30
• P(“Un habitante no gane más de 1000 € /mes”) = 1 – 0,30 = 0,70
• Y hemos convertido la experiencia no dicotómica en dicotómica.
• P(E) = p=0,30
• P(F) = q= 0,70
• B(n, 0,30)
• Donde n es la cantidad de veces que lanzamos el dado.
• Lo mismo haríamos si el resultado deseado (Éxito) fuera que ganara hasta 500 €.

@ Angel Prieto Benito Matemáticas Acceso a CFGS 7