1

RESUMEN DISTRIBUCIONES BINOMIAL Y NORMAL

VARIABLE ALEATORIA
Se llama variable aleatoria a toda funcin que asocia a cada elemento del espacio
muestral E un nmero real. Se utilizan letras maysculas X, Y, ... para designar
variables aleatorias, y las respectivas minsculas (x, y, ...) para designar valores
concretos de las mismas.
Variable aleatoria discreta
Una variable aleatoria discreta es aquella que slo puede tomar valores enteros.
(No siempre se anula y la suma de las probabilidades asociadas a cada valor de la
variable es uno).
Ejemplos: El nmero de hijos de una familia, el valor obtenido al lanzar un dado.
Variable aleatoria continua
Una variable aleatoria continua es aquella que puede tomar todos los valores
posibles dentro de un cierto intervalo de la recta real. (Puede que no podamos asociar
a cada valor de la variable su probabilidad, por Laplace podra salir cero, al tener el
denominador infinito, y no ser un suceso imposible)
Ejemplos: La altura de los alumnos de un grupo, las horas de duracin de una
pila.
DISTRIBUCIN DE PROBABILIDAD PARA UNA VARIABLE
DISCRETA
FUNCIN DE PROBABILIDAD
Se llama funcin de probabilidad de una variable aleatoria discreta X a la
aplicacin que asocia a cada valor de x
i
de la variable su probabilidad
f(x
i
) = P(X=x
i
)= p
i
, de forma:
0 p
i
1
p
1
+ p
2
+ p
3
+ + p
n
= p
i
= 1
Si es una variable discreta, se suele dar con una tabla de valores, y su
representacin grfica se hace con un diagrama de barras.
FUNCIN DE DISTRIBUCIN
Sea X una variable aleatoria discreta cuyos valores suponemos ordenados de
menor a mayor. Llamaremos funcin de distribucin de la variable X, a la que a cada
valor x
i
le asigna la probabilidad de que tome valores menores o iguales a x
i
:
F(x
i
) = p(X x
i
)
2
La funcin de distribucin asocia a cada valor de la variable aleatoria la
probabilidad acumulada hasta ese valor. As, si la variable es discreta, es una funcin
escalonada, creciente, y, al ser probabilidad, se cumple 0 F(x) 1.

PARMETROS ESTADSTICOS
Esperanza matemtica o media:
= x
1
p
1
+x
2
p
2
++x
|
p
|
= x
|
p
|
n
|=1

Varianza:
o
2
= (x
|
-)
2
p
|
n
|=1
= x
|
2
p
|
n
|=1
-
2

Desviacin tpica:
o = _x
|
2
p
|
n
|=1
-
2


DISTRIBUCIN BINOMIAL
Un experimento sigue el modelo de la distribucin binomial o de Bernoulli si:
1. El experimento consiste en n ensayos idnticos
2. En cada prueba del experimento slo son posibles dos resultados: el suceso A
(xito) y su contrario (fracaso).
3. La probabilidad de xito en un ensayo (osea, del suceso A) permanece
constante en todo el experimento (reemplazamiento). Se representa por p. La
probabilidad de fracaso es q = 1 p.
4. El resultado obtenido en cada prueba es independiente de los resultados
obtenidos anteriormente.

Distribucin binomial
La variable aleatoria binomial, X, asocia a cada realizacin de un experimento
binomial el nmero de xitos obtenidos.



3
La distribucin binomial se suele representar por B(n, p). Donde n es el nmero
de pruebas de que consta el experimento y p es la probabilidad de xito.
La probabilidad de es 1 p, y la representamos por q.
La funcin de probabilidad de la distribucin binomial, tambin
denominada funcin de la distribucin de Bernoulli, es:
P(X = k) = [
n
k
p
k
q
n-k
donde [
n
k
=
n!
k!(n-k)!

siendo n es el nmero de pruebas, k es el nmero de xitos, p es la probabilidad
de xito, q es la probabilidad de fracaso.
La funcin de distribucin, ser la suma desde X=0 hasta X=k,
Ejemplo: Probabilidad de tirar un dado 80 veces y sacar 7 veces un 5.
P(X = 7) = [
8
7
_
1

]
7
_
5

]
73

Ejemplo: La ltima novela de un autor ha tenido un gran xito, hasta el punto de
que el 80% de los lectores ya la han ledo. Un grupo de 4 amigos son aficionados a la
lectura:
1. Cul es la probabilidad de que el grupo hayan ledo la novela 2 personas?
Los datos son: n = 4, p = 0.8, q = 0.2, as es una distribucin B(4, 0.8)
P(X = 2) = [
4
2
. 8
2
. 2
2
=
4 3
2
. 4 . 4 = . 153
2.Y cmo mximo 2?
P(X 2) = P(X = u) +P(X = 1) + P(X = 2) =
= [
4
u
. 8
0
. 2
4
+[
4
1
. 8
1
. 2
3
+[
4
2
. 8
2
. 2
2
= u.18u8


PARMETROS ESTADSTICOS EN UNA DISTRIBUCIN BINOMIAL
Media Varianza Desviacin tpica
= n p o
2
= n p q o =

n p q


4
Ejemplo:
La probabilidad de que un artculo producido por una fbrica sea defectuoso es
0.02. Se envi un cargamento de 10.000 artculos a unos almacenes. Hallar el nmero
esperado de artculos defectuosos, la varianza y la desviacin tpica.
= n p = 1u.uuu u,u2 = 2uu
o
2
= n p q = 1u.uuu u.u2 u.98 = 196
o = n p q = 196 = 14

DISTRIBUCIN DE PROBABILIDAD PARA UNA VARIABLE
CONTNUA
Cuando la variable aleatoria es continua, puede tomar cualquier valor dentro del
intervalo [a,b], y no es posible conocer el valor que toma la probabilidad en un punto
exacto. Se va haciendo por subintervalos y se representan con histogramas. Si los
vamos haciendo cada vez ms pequeos, el histograma tiende a aproximarse a una
curva, que corresponde a una funcin llamada funcin de densidad. La probabilidad de
que la variable tome valores en un intervalo, es el rea bajo la curva correspondiente a
dicho intervalo (integral definida).
P(x

X x
1
) = ] (x)dx
x
1
x

(si x
0
= x
1
, da cero)
A partir de aqu, se puede definir la funcin de distribucin. F(x
i
)= P(X x
i
)
F(X x
1
) = _ (x)dx
x
1
a

Se pueden estudiar los parmetros estadsticos, a partir de estas definiciones.
Pero nos centramos en la distribucin continua ms importante: la Normal
DISTRIBUCIN NORMAL
Variable aleatoria de la distribucin normal
Una variable aleatoria continua, X, sigue una distribucin normal de media
(mu) y desviacin tpica (sigma), y se designa por N(,), si se cumplen las
siguientes condiciones:
1. La variable puede tomar cualquier valor: (-, +)
2. La funcin de densidad, es la expresin en trminos de ecuacin matemtica de
la curva de Gauss:
(x) =
1
o2n
c
-
1
2
[
x-
c

2

5
Curva de la distribucin normal: se denomina campana de Gauss

El campo de existencia es cualquier valor real, es decir, (-, +).
Es simtrica respecto a la recta x= .
Tiene un mximo en el valor de la media, x=.Crece hasta la media y
decrece a partir de ella.
En los puntos y + presenta puntos de inflexin.
El eje de abscisas es una asntota de la curva.
El rea del recinto determinado por la funcin y el eje de abscisas es igual a la
unidad. Al ser simtrica respecto al eje que pasa por x = , deja un rea igual a
0.5 a la izquierda y otra igual a 0.5 a la derecha.
La probabilidad equivale al rea encerrada bajo la curva.
o p( - < X + ) = 0.6826 = 68.26 %
o p( - 2 < X + 2) = 0.954 = 95.4 %
o p( - 3 < X + 3) = 0.997 = 99.7 %

Distribucin normal estndar
La distribucin normal estndar, o tipificada o reducida, es aquella que tiene
por media el valor cero, = 0, y por desviacin tpica la unidad, =1. N(0, 1)
Su funcin de densidad es:
(x) =
1
2n
c
-
x
2
2


La curva se llama curva normal reducida, es simtrica respecto al eje de
ordenadas, y tiene dos puntos de inflexin en x=1 y x=1
6
La gran ventaja es que no hay que realizar el clculo de ninguna integral, ya que
est tabulada, por lo que es fcil calcular las probabilidades asociadas a los distintos
valores de la variable.
Tipificacin de la variable
Para poder utilizar la tabla con cualquier distribucin normal, tenemos que
transformar la variable X que sigue una distribucin N(, ) en otra variable Z que
siga una distribucin N(0, 1).
Si hacemos Z =
X-
c
, tendremos que P(X x) = P [Z
x-
c


Empleo de la tabla
La tabla nos da las probabilidades de P(Z k), siendo Z la variable tipificada.
Estas probabilidades nos dan la funcin de distribucin.
Bsqueda en la tabla de valor de k: unidades y dcimas en la columna de la
izquierda y centsimas en la fila de arriba; donde se crucen es el valor que buscamos.
La probabilidad de la variable X depender del rea del recinto sombreado en la
figura. Se puede calcular cualquier probabilidad, teniendo en cuenta que el rea total
encerrada en la curva es 1, y que sta es simtrica respecto al eje de ordenadas.
P(Z a)

P(Z 1.47) = 0.9292 (Buscando en la fila 1.4 y en la columna 0.07)

P(Z a) = 1 - P(Z a)

P(Z 1.47) = 1 P(Z 1.47) = 1 0.9292 = 0.0708


7
P(Z a) = P(Z a) =1 P(Z a)

P(Z 1.47) = 1 P(Z 1.47) = 1 0.9292 = 0.0708

P(Z a) = P(Z a)

p(Z 1.47) = p(Z 1.47) = 0.9292

P(a Z b ) = P(Z b) P(Z a)

P( 0.45 Z 1.47) = P(Z 1.47) P(Z 0.45) =
= 0.9292 0.6736 = 0.2556

P(b Z a ) = P(a Z b )

P(1.47 Z 0.45) = P( 0.45 Z 1.47) =
= P(Z 1.47) P(Z 0.45) = 0.9292 0.6736 = 0.2556
8

P(a Z b ) = P(Z b) [ 1 P(Z a)]

P(-1.47 < Z 0.45) = P(Z 0.45) [ 1 P(Z 1.47)]=
= 0.6736 (1 0.9292) = 0.6028
Si queremos calcular entre a y a, tendremos:
P(a Z a ) = P(Z a) [ 1 P(Z a)] = 2P(Z a) 1

p = K
Nos encontramos con el caso inverso a los anteriores, conocemos el valor de la
probabilidad y se trata de hallar el valor de la abscisa. Ahora tenemos que buscar en la
tabla el valor que ms se aproxime a K.
Ejemplo: Con qu valor de la variable se obtiene p = 0.75?
El valor ms prximo, 0.7517, est en la fila 0.6 y la columna 0.08, luego
Z 0.68
Para calcular la variable X nos vamos a la frmula de la tipificacin.
(X - )/ = 0.68; X = + 0.68

APROXIMACIN DE LA BINOMIAL POR LA NORMAL
Teorema central del lmite: Dice que si tenemos un grupo numeroso de variables
independientes y todas ellas siguen el mismo modelo de distribucin (cualquiera que ste sea), la
suma de ellas se distribuye segn una distribucin normal.
Moivre demostr que se puede aproximar una distribucin binomial, B(n,p) por
una normal, si n es mayor que 30 y p no est prximo ni a cero ni a uno.
En general, consideramos una buena aproximacin si np 5 y nq 5, siendo
q=1-p.
9
La distribucin binomial B(n, p) se puede aproximar mediante una distribucin
normal N(np,

npq)
B(n, p)

---- N(np,

npq)

---- tomonJo Z =
X -np

npq


---- N(u,1)
Ejemplo
En una ciudad una de cada tres familias posee telfono. Si se eligen al azar 90
familias, calcular la probabilidad de que entre ellas haya por lo menos 30 tengan
telfono.
n = 9u p =
1
3
q =
2
3

n p > S y n q > S

B[9u,
1
3


-- N_9u
1
3
, _9u
1
3

2
3
_ = N (Su, 4.47)

p(X > Su) = p [Z >
30-30
4,47
= p(Z > u) = 1 -p(Z u) = u,S