DISTRIBUCIONES DE PROBABILIDAD
4.1 Introduccin
Estudiaremos en este tema dos de las distribuciones de probabilidad ms importantes y que son
imprescindibles a la hora de adentrarnos en el estudio de la inferencia estadstica. La distribucin
binomial es uno de los primeros ejemplos de las llamadas distribuciones discretas (que slo pueden
tomar un nmero finito, o infinito numerable, de valores). Fue estudiada por Jakob Bernoulli (Suiza,
16541705), quin escribi el primer tratado importante sobre probabilidad, Ars conjectandi (El
arte de pronosticar) Los Bernoulli formaron una de las sagas de matemticos ms importantes de la
historia. La distribucin normal es un ejemplo de las distribuciones continuas, y aparece en multitud
de fenmenos sociales. Fue estudiada, entre otros, por J.K.F. Gauss (Alemania, 17771855), uno de
los ms famosos matemticos de la historia. La grfica de la distribucin normal en forma de
campana se denomina Campana de Gauss.
Los parmetros que caracterizan una distribucin binomial son el nmero de pruebas, n, y la
probabilidad del suceso xito, p, y se representa por B (n, p).
Ejemplo: Tiramos un dado 7 veces y contamos el nmero de cincos que obtenemos. Cul es la
probabilidad de obtener tres cincos?
Este es un tpico ejemplo de distribucin binomial:
Estamos repitiendo 7 veces el experimento de lanzar un dado. Como resultado del mismo nos
fijamos en los sucesos:
xito = A = sacar un 5 Fracaso = A = no sacar un 5
Ejercicio 10: Se reparten unas invitaciones sabiendo que el 40% de los invitados asistirn al acto. Se
seleccionan al azar 12 invitados. Comprueba si la variable aleatoria que expresa el nmero de
personas que asisten al acto sigue una distribucin binomial. En caso afirmativo, seala los
parmetros de la distribucin.
Solucin: Se trata de una distribucin binomial de parmetros n = 12 y p = 0,4; es decir, B (12; 0,4).
Ejercicio 11: En un grupo de 16 personas, 10 son varones, y 6, mujeres. Se eligen al azar 3 personas
del grupo. Comprueba si la variable aleatoria que expresa el nmero de varones elegidos sigue una
distribucin binomial. En caso afirmativo, seala los parmetros de la distribucin.
Solucin: No se trata de una distribucin binomial. La razn es que una vez elegida una persona, la seleccin de la
segunda no se puede repetir en las mismas condiciones que la primera vez ya que hay una persona menos en el grupo.
Se realizan n pruebas del experimento y se quiere saber la probabilidad de obtener k xitos en las n
pruebas.
1. Uno de los casos en los que se obtienen k xitos en las n pruebas es el suceso:
kxitos nk fracasos
B = A A... A A A... A
La probabilidad de B, teniendo en cuenta la independencia en pruebas sucesivas, ser:
k veces nk veces
2. Ahora bien, hay que considerar todas las maneras posibles de obtener k xitos y n k fracasos, y esta
cantidad viene dada por:
Pnk,nk = n! =n k!
(nk)! k
Nota: Observar que las probabilidades de xito y fracaso son complementarias, es decir, q =
1 p y p = 1 q, por lo que basta saber una de ellas para calcular la otra.
Ejemplo: Retomemos el ejemplo anterior: Tiramos un dado 7 veces y contamos el nmero de cincos
que obtenemos. Cul es la probabilidad de obtener tres cincos?
La variable aleatoria X, que cuenta el nmero de cincos obtenidos sigue una distribucin binomial
1
B 7,
Para calcular la probabilidad que nos piden, fijmonos en que nos dicen que sacamos 3 cincos y por
lo tanto tenemos 3 xitos y 4 fracasos, entonces:
7 1 3 5 73 7 1 3 5 4
P (X = 3) = = = 0,0781
3 6 6 3 6 6
Ejemplo: Supongamos que la probabilidad de que una pareja tenga un hijo o una hija es igual.
Calcular la probabilidad de que una familia con 6 descendientes tenga 2 hijas.
Estamos repitiendo 6 veces el experimento de tener un descendiente. Como resultado del
mismo nos fijamos en los sucesos:
aleatoria X, que cuenta el nmero de hijas sigue una distribucin binomial B (6, ).
Nos piden la probabilidad de que una familia con 6 descendientes tenga 2 hijas, esto es, P (X = 2).
Si aplicamos la frmula tenemos:
6 1 2 1 4 P (X
= 2) = = 0,2344
2 2 2
Nota: La eleccin de xito o fracaso es subjetiva y queda a eleccin de la persona que resuelve el
problema, pero teniendo cuidado de plantear correctamente lo que se pide. En el caso concreto del
ejemplo anterior, si consideramos como xito = tener hijo, como nos piden la probabilidad de que
una familia con 6 descendientes tenga 2 hijas, si el xito es tener hijo hemos de plantearnos cul es
la probabilidad de tener 4 xitos (4 hijos), es decir:
6 1 4 1 2 P (X
= 4) = = 0,2344
4 2 2
Evidentemente sale lo mismo, pero hay que ser consecuente a la hora de elegir el xito y el fracaso y
la pregunta que nos hagan.
Ejercicio 13: La probabilidad de que un cazador novato cobre una pieza es 0,35. Si lo intenta 8
veces, calcula la probabilidad de que cobre 4 piezas.
Solucin: 0,1875
4.4 El uso de las tablas de la distribucin binomial
La distribucin binomial se encuentra tabulada por lo que es fcil calcular probabilidades sin
necesidad de hacer demasiadas cuentas. Para usar las tablas de la distribucin binomial es necesario
conocer:
El nmero de veces que se realiza el experimento, n.
La probabilidad de xito, p.
El nmero de xitos, k.
El nmero de veces que se realiza el experimento, en la primera columna (valores desde 2 a 10) y el
nmero de xitos, k, a su lado (2 columna).
Ejemplo: En el caso anterior, B (6; 0,5), P (X = 2), la columna p = 0,5 es la ltima, y cuando n = 6 y
k = 2 encontramos 0,2344, el valor que habamos calculado.
Nota importante: Para calcular probabilidades donde p > 0,5, basta intercambiar los papeles de xito
y fracaso para que podamos utilizar la tabla. La explicacin es bien sencilla, pues si p > 0,5,
entonces q < 0,5, esto es, si X es una variable B (n, p), entonces P (X = k) = P (Y = n k), donde y es
una variable B (n, q), pero ahora q < 0,5 y s est tabulada.
Si consideramos los sucesos xito = aprobar y fracaso = suspender, entonces p = 0,7 y q = 0,3.
Tenemos, por tanto, que la variable aleatoria, X, que cuenta el nmero de aprobados sigue una
distribucin binomial B (8; 0,7). Nos piden calcular P (X = 5), que no se puede calcular mediante las
tablas porque p = 0,7 y slo aparecen probabilidades hasta p = 0,5. Por tanto si intercambiamos los
papeles y consideramos como xito = suspender y fracaso =aprobar entonces tenemos que p =
0,3, q = 0,7, es decir la nueva variable aleatoria, Y, que cuenta el nmero de suspensos sigue una
distribucin binomial B (8; 0,3). Como nos piden que aprueben 5 de 8, es decir que suspendan 3 de 8
o lo que es lo mismo, que tengamos 3 suspensos, ahora xitos, debemos calcular P (Y = 3), y
buscando en la tabla se tiene que P (X = 3) = 0,2541.
Tambin, desde luego podramos haber utilizado la frmula desde el principio, usar la calculadora, y
calcular directamente la probabilidad P (X = 5) mediante la distribucin B (8; 0,7) y olvidarnos de
tablas:
5 3
P (X = 5) = ( 8 ) (0,7) (0,3) = 0,2541
5
Ejercicio 14: Supongamos que el porcentaje de estudiantes que han repetido curso alguna vez es del
35 %. Si se toman 8 estudiantes al azar, cul es la probabilidad de que 2 de ellos hayan repetido
curso?
Solucin: 0,2587
Si xito = aprobar y fracaso = suspender, p = 0,7 y q = 0,3, entonces nos piden P (X 2). En
este caso, basta pensar en que para que aprueben 2 alumnos como mucho, puede que aprueben 2, 1 o
ninguno, es decir:
P (X 2) = P (X = 0) + P (X = 1) + P (X = 2) = 0,0001 + 0,0012 + 0,01 = 0,1013
O tambin nos podran pedir, cul es la probabilidad de que aprueben entre 3 y 6 alumnos (inclusive)?
Del mismo modo:
P (3 X 6) = P (X = 3) + P (X = 4) + P (X = 5) + P (X = 6) =
= 0,0467 + 0,1361 + 0,2541 + 0,2965 = 0,7334
Hemos de tener en cuenta que para la distribucin binomial, en las tablas slo se admiten valores
hasta n = 10 (10 repeticiones del experimento). Para valores de n > 10, inevitablemente debemos
utilizar la frmula y la calculadora.
Ejemplo: Los alumnos de cierta clase se encuentran en una proporcin del 67 % que estudian ingls
y el resto francs. Tomamos una muestra de 15 alumnos de la clase, calcular:
a) Probabilidad de que al menos encontremos tres alumnos de ingls.
b) Probabilidad de que los 15 alumnos estudien ingls.
c) Probabilidad de que estudien ingls entre 7 y 10 alumnos.
a) P (X 3) = P (X = 3) + P (X = 4) + P (X = 5) + P (X = 6) + + P (X = 15).
Una opcin es calcular estas 13 probabilidades y sumarlas. Como hay que aplicar la frmula para
calcular cada una, la tarea se puede hacer bastante larga. Otra opcin, ms sencilla, es pasar al
complementario. El complementario de encontrar al menos 3 alumnos de ingls es encontrar como
mucho 2 alumnos de ingls, P (X 2). Es decir,
P (X 3) = 1 P (X < 3) = 1 P (X 2) = 1 (P (X = 0) + P (X = 1) + P (X = 2))
Por lo cual,
P (X 3) = 1 (0 + 0,000001 + 0,000026) = 1 0,000027 = 0,999973
b) P (X = 15) = 0,0025 (aplica la frmula).
c) P (7 X 10) = P (X = 7) + P (X = 8) + P (X = 9) + P (X
= 10) = = 0,0549 + 0,1114 + 0,1759 + 0,2142 = 0,5564
Ejercicio 15: En 1992 el 20 % de las pelculas de cine proyectadas en Espaa eran de nacionalidad
espaola. Si tomamos una muestra de 6 pelculas, calcula la probabilidad de que haya: a) Una
pelcula espaola.
b) Tres o ms pelculas espaolas.
Solucin: a) 0,3932; b) 0,0989
Ejemplo: Supongamos que tenemos una urna que contiene 1000 bolas, de las cuales una es blanca y
999 son negras. La probabilidad de extraer una bola blanca es muy pequea: (1 / 1000= 0,001). Si se
sacan n bolas de la urna, con devolucin (volvindose a meter una vez sacadas), es necesario repetir
esta prueba muchas veces para que la probabilidad de sacar la bola blanca sea apreciable. Por tanto,
n ser muy grande y p es pequeo. En un caso como este utilizaremos por su mayor sencillez la
distribucin de Poisson.
Ejemplo: Supngase que estamos investigando la seguridad de un crucero muy peligroso. Los
archivos de la polica indican una media de cinco accidentes por mes en l. Si el nmero de
accidentes est distribuido conforme a la distribucin de Poisson, y la divisin de seguridad en
carreteras quiere calcular la probabilidad de exactamente 0, 1 y 3 accidentes en un mes determinado,
aplicando la frmula anterior tenemos que:
e5 50 e5 51 e5 53
P (0) = = 0,00674 ; P (1) = = 0,03370 ; P (3) = = 0,14042
0! 1! 3!
Notas:
1. Cuando hablemos de una distribucin de Poisson, la denotaremos por P (r, ), siendo el parmetro
de la distribucin, donde es la media.
Ejemplo: Se lanzan cuatro monedas 48 veces y se desea saber la probabilidad de obtener 4 caras dos
veces.
En principio se trata de una distribucin binomial de parmetros n = 48 y p = 1/16 (Usando la
frmula y la calculadora podemos decir que: P(X = 2) = 0,2263).
Ahora bien, como p = 1/16 y n p = 48 1/16 = 3 si se aproxima por una P (r, ), con = n p = 3,
buscando en la tabla de la distribucin de Poisson, tendremos que:
e3 32
P (X = 2) = = 0,2240 2!
Ejercicio 16: Por ejemplo, si 2 % de los libros encuadernados en cierto taller tiene encuadernacin
defectuosa, obtener, mediante la distribucin de Poisson, la probabilidad de que 5 de 400 libros
encuadernados en este taller tengan encuadernaciones defectuosas.
Solucin: 0,092
Ejercicio 17: La probabilidad de tener un accidente de trfico es de 0,02 cada vez que se viaja, si se
realizan 300 viajes, cual es la probabilidad de tener 3 accidentes?
Solucin: 0,0892
Ejercicio 18: La probabilidad de que una persona muera debido a un cierto virus es de 0,001. Cul
es la probabilidad de que mueran al menos tres personas en una poblacin de 3000 personas
afectadas por dicho virus?
Solucin: 0,5768
Todos ellos tienen en comn que se distribuyen normalmente. Qu quiere decir esta expresin?
Experimentalmente se ha podido comprobar que en casos como los anteriores el histograma de
frecuencias relativas adopta una forma muy parecida a la de una campana cuando el nmero de datos
es muy grande. As, por ejemplo, si hacemos una estadstica para conocer la altura de 1400 mujeres
y representamos los resultados en un diagrama de barras, obtenemos:
Muestra
de tamao
grande
Las grficas de este tipo son muy corrientes: hay pocos individuos en los extremos y un aumento
paulatino hasta llegar a la parte central del recorrido, donde est la mayora de ellos.
La distribucin normal fue introducida por primera vez por Abraham de Moivre en 1733 como lmite
de la distribucin binomial. Posteriormente Carl Friedrich Gauss, en su estudio de los errores de
medida en datos de observaciones astronmicas, indic la expresin de la funcin de densidad de la
distribucin normal. Por ello esta distribucin tambin se conoce con el nombre de curva o campana
de Gauss.
La representacin grfica de la misma es una curva positiva continua, simtrica respecto a la recta x
= media, con un mximo en la abscisa x = , y que tiene 2 puntos de inflexin, situados a ambos
lados de la media ( y + respectivamente) y a distancia de ella, y que tiene por asntota
horizontal al eje de abscisas, es decir de la forma:
1
N (, ) . El mximo est
Distribucin normal ,
en
22
Dependiendo de los valores que tomen y , la grfica de esta funcin puede ser ms o menos
alargada, achatada, etc..., pero en cualquier caso siempre tiene las mismas condiciones de simetra,
continuidad, etc reseadas anteriormente.
Propiedad:
El rea encerrada bajo la curva normal N (, ) siempre es 1.
(La demostracin de este resultado no es nada sencilla e implica el uso de resultados matemticos
que exceden el nivel de este curso)
Para un valor cualquiera k, definimos la probabilidad de que la distribucin Z, N (0, 1), sea menor o
igual que k como:
Ahora bien, cmo calcular dicha rea? Fcil: dichas reas o probabilidades se encuentran tabuladas.
1. Buscar la parte entera y las dcimas en la primera columna (en este caso 2,7)
2. Buscar las centsimas en la primera fila (en este caso 0,08)
3. En el punto comn a la fila y la columna que hemos encontrado, tenemos la probabilidad buscada,
en este caso 0,9973.
Por tanto:
P (Z 2,78) = 0,9973.
Si queremos calcular una probabilidad de un valor mayor que 3,69, basta fijarse en que las
probabilidades correspondientes a valores tales como 3,62 y mayores ya valen 0,9999
(prcticamente 1). Por eso, para estos valores mayores que 3,99, diremos que la probabilidad es
aproximadamente 1. As:
P (Z 5,62) 1
aunque no aparezca en la tabla.
Por otra parte, fijmonos en que en este tipo de distribuciones no tiene sentido plantearse
probabilidades del tipo P (Z = k), ya que siempre valen 0, al no encerrar ningn rea. Por tanto, si
nos pidiesen P (Z = 3,2), basta decir que P (Z = 3,2) = 0.
Recordemos que en este tipo de distribuciones en las cuales la probabilidad de tomar un valor
concreto es 0 se denominan distribuciones continuas, para diferenciarlas de otras en las que esto no
ocurre, como por ejemplo la binomial, que es una distribucin discreta.
P (Z k)
Slo se puede hacer esto en distribuciones continuas, en el caso de la binomial esto no se puede
hacer y hay que ser cuidadosos con el paso al complementario.
P (Z k)
Por simetra, P (Z k) = P (Z k) = 1 P (Z k)
Las probabilidades de valores negativos no estn tabuladas, pero por las propiedades de la funcin
de densidad, dicha rea es igual a la mostrada en la
siguiente figura:
P (Z k) = P (Z k) = 1 P (Z k)
P (Z k)
4. Probabilidades comprendidas entre dos valores, P (k1 Z k2), es decir el rea rayada:
P (k1 Z k2)
6.5Uso inverso de la tabla: conocidas las probabilidades, hallar los valores de la variable
Hasta ahora nos han dado la distribucin normal N (0, 1) y nos pedan P (Z k) siendo k un cierto
nmero, y nos pedan calcular dicha probabilidad. Ahora bien, otra pregunta puede ser: Dado que en
una normal N (0, 1) sabemos que P (Z k) = 0,9099, cunto vale k?
Vamos a distinguir dos casos:
1. La probabilidad aparece en las tablas (est entre 0,5 y 1). En este caso basta con mirar la fila y la
columna en que aparece.
Nota: En caso de que el valor a buscar no aparezca exactamente dentro de la tabla de la distribucin
normal, tomaremos el valor ms prximo a l por exceso.
2. La probabilidad no est en las tablas, es decir, es menor de 0,5; luego el nmero buscado es
negativo. Entonces buscamos y0 con la condicin de que P (Z y0) = 1 (siendo la
probabilidad dada) y entonces z0 = 1 y0.
Dicha probabilidad aparece en la fila de 0,1 y la columna de 0,01, luego y0 = 0,11 y entonces el valor
buscado es z0 = y0 = 0,11.
Propiedad:
X
Si X sigue una distribucin N (, ), entonces la variable Z = sigue una distribucin N (0, 1).
Ejemplo: Las estaturas de 600 soldados se distribuyen de acuerdo a una distribucin normal de
media 168 y desviacin tpica 8 cm. Cuntos soldados miden entre 166 y 170 cm?
Sea X la distribucin de los soldados, X es una N (168, 8). Nos piden P (166 X 170). Utilizando
el resultado anterior, tipificamos la variable y obtenemos:
166168 X 168 170168 2 X 168 2
P (166 X 170) = P = = P =
8 8 8 8 8 8
= P (0,25 Z 0,25) = P (Z 0,25) P (Z 0,25) = P (Z 0,25) P (Z 0,25) =
= P (Z 0,25) [1 P (Z 0,25)] = 2 P (Z 0,25) 1 = 0,1974
Ejercicio 26: En una distribucin N (22, 5), calcula: P (X 27), P (X 27), P (X 125),
P (15 X 20), P (17 X 30).
Solucin: P (X 27) = 0,8413 ; P (X 27) = 0,1587 ; P (X 125) = 0 ; P (15 X 20) = 0,2638 P
(17 X 30) = 0,7865
Ejercicio 27: Los pesos de 60 soldados siguen una distribucin N (67, 5). Calcula la probabilidad de
que el peso sea:
a) mayor de 80 kg. b) 50 kg. o menos c) menos de 60 kg.
d) 70 kg. e) Entre 60 y 70 kg inclusive.
Solucin: a) 0,0047 ; b) 0,0003 ; c) 0,9192 ; d) 0 ; e) 0,6449
Tipificando:
k 6
X 6 k 6 P Z = 0,9082
P (X k) = P = 0,9082
3 3 3