You are on page 1of 30

La distribución binomial

MARIO BERMEO Máster en Administración de Empresas (MBA) Máster en Calidad Total
©Todos los derechos son reservados 2012

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 variables aleatorias continuas. Para las variables aleatorias discretas existen otro tipo de distribuciones Binomial Poison Hipergeométrica

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.

Bernoulli definió el proceso conocido por su nombre el cual establece las bases para el desarrollo y utilización de la distribución binomial. .Dato histórico El cálculo de probabilidades tuvo un notable desarrollo con el trabajo del matemático suizo Jacob Bernoulli (1654-1705).

En el deporte un equipo puede ganar o perder.Utilidad La distribución binomial se utiliza en situaciones cuya solución tiene dos posibles resultados. En pruebas de cierto o falso sólo hay dos alternativas. . Por ejemplo: Al nacer un/a bebé puede ser varón o hembra.

se pueden clasificar como correcta o incorrecta. Por ejemplo: Un tratamiento médico puede ser efectivo o inefectivo. aunque hay cuatro o cinco alternativas.Utilidad También se utiliza cuando el resultado se puede reducir a dos opciones. En pruebas de selección múltiple. Estos ejemplos los podemos considerar como “experimentos de Bernoulli” . La meta de producción o ventas del mes se pueden o no lograr.

La probabilidad de fracaso 1.En cada prueba del experimento sólo hay dos posibles resultados: éxitos o fracasos. P + q = 1 Si repetimos el experimento n veces podemos obtener resultados para la construcción de la distribución binomial. la representamos por p. 2 . . y no varía de una prueba a otra.p y la representamos por q .El resultado obtenido en cada prueba es independiente de los resultados obtenidos en pruebas anteriores.La probabilidad de éxito de un suceso es constante.Propiedades de un experimento de Bernoulli 1 . 3 .

.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.la cantidad de pruebas n 2 .utilizar la función matemática. Para contruirla necesitamos: 1 . Los resutados de cada experimento son mutuamente excluyentes.la probabilidad de éxitos p 3 .

p = es la probabilidad de éxito. como por ejemplo. también denominada Función de la distribución de Bernoulli: "cara" al lanzar la moneda. 1-p = también se le denomina como “q ” k = es el número de aciertos.La función P(x=k) A continuación vemos La función de probabilidad de la distribución Binomial. que salga . n = es el número de experimentos.

205 Es decir. que salga "cara" al lanzar la moneda es 50% ó 0. que la probabilidad de obtener 6 caras al lanzar 10 veces una moneda es de 20. es decir.5% .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 k es 6. Esto es x=6 El número de experimentos n son 10 La probabilidad de éxito p. .50 La fórmula quedaría: P (k = 6) = 0.

1666) La fórmula queda: P (k = 4) = 0.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. .6%. que la probabilidad de obtener cuatro veces el números 3 al tirar un dado 8 veces es de 2.026 Es decir. 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.

59 . Un cartón es aceptado si una muestra de 4 no contiene lámparas no conformes. Esto es (x=0 ) (buscamos cero no conformes para aceptar el lote) P= 0.Ejemplo 3 de la función F(x=k) La producción de lámparas es continua cuya fracción de no conformes es de 0.125) (0. Cual es la probabilidad de aceptar un cartón.875) 0 4-0 = 0.875 P(k=x) = n! x! ( n – x)! 4! P(k=x) = 0! ( 4 – 0)! p x q n-x (0.125 n= 4 q = 1-p = 0.125. El número de aciertos k es 0.

X=4 p= 1/10 = 0.9 P(k=x) = n! x! ( n – x)! 20! P(k=x) = 4! ( 20 – 4)! p x q 4 n-x 20-4 (0. Esto destruye lo anunciado por la empresa JBC.1) (0.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.08 = 8% .9) = 0.1 n= 20 q = 1-p = 0.

p).  (n)= El número de veces que se realiza el experimento  p = La probabilidad de éxito  k = El número de éxitos (este valor se encuentra entre 0 y n)  En el parámetro B(n.5 . en la primera columna (valores desde 2 a 10) y el número de éxitos a su lado.p) . La probabilidad p se busca en la primera fila (valores desde 0’01 hasta 0’5). 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. n debe ser mayor de 0 y p un valor desde 0 al 1.Tabla de probabilidad binomial Utilizando la tabla de probabilidad binomial se pueden resolver los ejemplos anteriores. El número de veces que se realiza el experimento. Para esto debe saber los valores k y B (n.

.Tabla de probabilidad binomial Obtenga más información de cómo asignar probabilidades utilizando las tablas.

Ejemplo 5 B(n.998 = 99.8% . Determine la probabilidad de que en una muestra de 10 se encuentren hasta 2 cámaras defectuosas.p) En una fábrica de cámaras el 5% sale con defectos. Solución : Se trata de una distribución binomial de parámetros n = 10 y p = 0. Esto es P (k<=2). luego en la parte superiror p=0. La probabilidad estará en x<=2 El resultado es 0. Busque en la parte izquierda de la tabla n=10.05 .05 Debemos calcular la probabilidad de que x sea igual a k que en este caso es 2.

9) 2 10 -2 = 0.1) (0.7361 P(x=2) = P(X ≤2) . Calculamos para (x ≤1) = 0. p= 10% = 0.1 n= 10 X= 2 q = 1-p = 0.P (x ≤1) = 0. Hallar la probabilidad de que en una muestra de 10 unidades elegidas al azar sean exactamente 2 defectuosos.7361 = 0.Ejemplo 3 de la función F(x=k) Un 10% de productos producidos en un proceso de fabricación resulta defectuoso.37% .1937= 19.7% Con las tablas (X ≤2) = 0.9298 – 0.9 P(k=x) = 10! 2! (10 – 2)! (0.1937= 19.9298.

7) = P(x=6) = 10! 6! ( 10 – 4)! 0.Ejemplo 6 B(n. Si queremos calcular la probabilidad de que observemos 6 caras o menos nos fijamos en la tabla: localizamos n=10.9% Pero esto es X ≤6.9527).3 y buscamos la intersección. Lanzamos la moneda 10 veces de manera consecutiva. x= 5.0367 = 3. x=6. p=0.P(x ≤5) = 0. es decir P(X ≤6) = P(0) +P(1)+P(2)+P(3)+P(4)+P(5)+P(6) ¿si nos pidieran la probabilidad de que salieran exactamente 6 caras? Tendríamos que calcular la probabilidad de obtener 6 caras o menos (0. La probabilidad que salga cruz será. p= 0.9894) y la de obtener 5 caras o menos n= 10.67% .9894 . del 70%.p) Supongamos que lanzamos al aire una moneda trucada.6% Con la fórmula 6 10-4 (0.3 esto es P(x ≤5) = (0. Con esta moneda la probabilidad de obtener cara es del 30%. pues.0367 = 3.3) (0.9894= 98.0. las restamos P(X =6) = P(X ≤6).9527 = 0. Solución : 0.

06% .9894=0.Ejemplo 6 B(n.0106 = 1.p) Si nos pidieran la probabilidad de que salieran 7 caras o más? P(X ≥ 7) Entonces utilizaríamos el hecho de que el suceso descrito es el complementario del anterior para afirmar que la probabilidad buscada es 1-0.

5? Este caso se daría. si nos piden la probabilidad de obtener 4(x≤4) caras o menos tirando 10 veces (n=10) la moneda.0473 P(x≤4 caras) = P(x≥6 cruces)= 0.0473 . Notemos que la probabilidad de obtener 4 caras o menos (x≤4caras) será la misma de obtener 6 cruces o más P(x≥6 cruces). Entonces.Ejemplo 7 B(n.3 (ya que la probabilidad de obtener cruz es del 30%) P(x≥6 cruses) = 1 . x=5.9527 P(x≥6 cruces) = 0.P(x≤5 cruces) P(x≥6 cruces) = 1 – 0. p=0. haríamos lo siguiente. Este suceso es el complementario de obtener 5 cruces o menos. si la probabilidad de que saliera cara fuera del 70%.p) ¿ Qué pasa si el suceso sobre el que queremos calcular tiene una probabilidad mayor que 0. P(x≤5cruces) Así pues localizamos n=10. por ejemplo.

9885 .17 x ≤3 localizamos las probabilidades más cercanas a 0.9941) =0.98966 (0.15 n=6. x=3 = 0.17.9830-0. Supongamos que X se distribuye como una binomial con P=0. tomamos la tabla y Calcular cual es la probabilidad de que observemos 3 (x≤3) con una p= 0.17.9941 P =0.9830+0.p) ¿Y si la probabilidad P no aparece en la tabla? Entonces haríamos interpolación.2. que son p=0.20-0.Ejemplo 8 B(n. n=6. si queremos calcular la probabilidad que X sea menor o igual que 3 (x≤3) después de 6 tiradas (n=6).15) (0. entonces.15) O sacar el promedio= (0.9941)/2 = 0. x=3 = 0.9941 (0.9830 Interpolamos P(xi) = 0.17-0.17 n=6 p= 0.

67 5  0. viene dado por X = n · p.1  (1  0.4 . que es una medida de dispersión y mide lo alejados que están los datos de la media. (Recordemos que la media es una medidad de centralizaciòn).Media y desviación de la distribución binomial Media y desviación típica en una distribución binomial  el número esperado de éxitos o media.1 = 0.5 X 1 2 3 4 5 17 .5  (1  0.4 .1)  0.2 0 0 n = 5 p = 0.6 .5 = 0.5 = 5 · 0.1 X 1 2 3 4 5 Desviación estándar       np (1  p ) 5  0.2 0 0 n = 5 p = 0.1 P(X) .  La desviación típica.6 .25 P(X) . viene dada por (σ ) = √(n · p · q) Características de la distribución binomial Media = E(X) = n p = 5 · 0.5)  1.

5 = 0.La media μ y desviación estándar σ Características de la distribución binomial Media = E(X) = n p = 5 · 0.6 .1)  0.67   5  0.2 0 0 n = 5 p = 0.1 X 1 2 3 4 5 Desviación estándar   np (1  p)   5  0.6 .25 P(X) .1 = 0.4 .1  (1  0.1 P(X) .5 = 5 · 0.2 0 0 n = 5 p = 0.5)  1.4 .5  (1  0.5 X 1 2 3 4 5 17 .

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 Al tener el parámetro B(n. Esto forma la distribución de probabilidad binomial para este ejercicio.Ejercicio de prueba #6 Sea x una variable aleatoria binomial.p) puede buscar en la tabla las x y sus probabilidades correspondientes. .

Aproximación de la distribución binomial por la normal Una distribución binomial B (n. La aproximación consiste en utilizar una distribución normal con la misma media y desviación típica de la distribución binomial.p) se puede aproximar a N(μ=np. p) se puede aproximar por una distribución normal. siempre que n sea grande y p no esté muy próxima a 0 ó 1. En la práctica se utiliza la aproximación cuando: n>30. np>5. nq>5 En cuyo caso : x= B(n. σ = npq ) .

1 q = 1-0.9 P(x) = n! x! ( n – x)! p q x n-x Graficar P(x) f (x) .DEBER Graficar X = de 0 a 10 n = 30 p= 0.1 = 0.

9 P(x) 5 6 7 8 9 10 25 24 23 22 21 20 0.9 0.9 0.9 0.1 q 0.9 0.1 0.1 0.9 0.1 0.1 0.1 0.1 0.9 0.1 0.9 .9 0.9 0.9 0.1 0.1 0.DEBER x 0 1 2 3 4 n-x 30 29 28 27 26 p 0.1 0.

Experimento independiente – Cuando el resultado de un experimento no tiene influencia en el resultado de otro experimento . Experimento de Bernoulli – Experimento con dos posibles resultados (éxito o fracaso).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.

Si un producto sale bueno. llamadas recibidas. Fracasos – Es el complemento de los éxitos.Glosario de términos Éxitos – Es la ocurrencia del evento de interés como cantidad de defectos. no puede salir defectuoso al mismo tiempo. Resultados mutuamente excluyentes – Son resultados que no pueden ocurrir al mismo tiempo. Es la ocurrencia del evento que no es de interés. . servicios completados.

Statistics for Business And Economics. Bluman. http://karnak. Ed. (6ta ed.htm . (5ta. P. New Jersey: Prentice Hall.es/Estadistica/Distribucion_binomial/binomial. Estadísticas para administración y economía.).es/Estadistica/Binomial_Normal/index.pdfhttp://personal5.htm http://descartes.cnice. Statistics.es/ztt/Tem/t19_distribucion_binomial. S.).cnice. (2003).edu/faculty/jmiller/Binom_Tab. (2006). (2007).New York.cccd.mecd.html http://cyber. ( 8tva ed.) México: Thomson.gwc.es/teaching/estad/MC/taules/com-usartaules.htm http://www-stat. A.mecd. Newbold.upc.pdf http://descartes.stanford. New York: Mc Graw Hil.Referencias Anderson. G.iddeo.edu/~naras/jsm/example5.