LA DISTRIBUCIÓN BINOMIAL.

 
 
La  distribución  binomial    es  una  de  las  distribuciones  de  probabilidad  que  se  encuentra 
con más frecuencia en la estadística aplicada. Se obtiene a partir de un proceso conocido 
como ensayo de Bernoulli, en honor al matemático suizo James Jacob Bernoulli. Cuando 
un  solo  ensayo  de  algún  experimento  puede  conducir  solo  a  uno  de  dos  resultados 
mutuamente  excluyentes,  tales  como  muerto  o  vivo,  enfermo  o  sano,  masculino  o 
femenino, el ensayo se conoce como : de Bernoulli. 
 
La  distribución  binomial  es  de  gran  interés  en  el  presente  curso  no  únicamente  por  ser 
miembro de la familia de distribuciones bernoulli si no porque presenta una dicotomía en 
las  alternativas  de  realización  de  un  fenómeno  aleatorio,  es  decir  se  presentan 
únicamente dos características complementarias.  
 
Una secuencia de ensayos forma un proceso de Bernoulli en las siguientes condiciones: 
 
1.‐ Cada ensayo conduce a uno de los resultados posibles, mutuamente excluyentes. Uno 
de los resultados posibles se denota como éxito y el otro como fracaso. 
2.‐ La probabilidad de éxito, la cual denotamos por  p,  permanece constante de ensayo a 
ensayo.  La probabilidad de fracaso,  1  ‐  p  ,  se denota por  q . 
3.‐ Los ensayos son independientes, es decir el resultado de cualquier ensayo particular no 
es afectado por el resultado de cualquier otro ensayo. 
 
Ejemplo:  Consideremos  un  conjunto  de  experimentos  Bernoulli    donde  tres  artículos  se 
seleccionan  al  azar  de  un  proceso  de  manufactura,  se  inspeccionan  y  se  clasifican  como 
defectuosos o no defectuosos.  Un artículo defectuoso se considera un éxito. El número 
de  éxitos  es  una  variable  aleatoria  que  asume  valores  enteros  de  0  a  3.  Los  8  posibles 
resultados y sus correspondientes valores de X son: 
 
    Resultado                                 X 
      N  N  N       0   
      N  D  N         1 
      N  N  D       1 
      D  N  N       1 
      N  D  D       2 
      D  N  D       2 
      D  D  N       2 
      D  D  D       3 
Dado  que  los  artículos  se  seleccionaron  en  forma  independiente  de  un  proceso  que  se 
supone produce un 25% de piezas defectuosas, tenemos: 
  
                          P ( NDN )  =  P(N) P(D) P(N)  =  (3/4) (1/4) (3/4) =  9/64 
 
El  numero  X  de  éxitos  en  n  experimentos  de  Bernoulli  recibe  el  nombre  de  variable 
aleatoria  binomial.  La  distribución  de  Probabilidad  de  esta  variable  aleatoria  discreta  se 
llama  distribución  binomial  y  sus  valores  se  representan  por  b  (x;  n,  p),  dado  que  estos 
últimos  dependen  del  numero  de  intentos  y  de  la  probabilidad  de  éxito  en  un  intento 
determinado. 
 
Un  experimento  Bernoulli  puede  resultar  en  un  éxito  con  una  probabilidad    p    y  en  un 
fracaso  con  una  probabilidad  q  =  1  ‐  p.  La  distribución  de  probabilidad  de  la  variable 
aleatoria binomial X,  el número de éxitos en  n  experimentos independientes, por lo cual 
su modelo matemático: 
 
                            b(x; n, p) =    n C r   p x  q n‐x                    x = 0,1,2,...,n. 
                                                  
 
Ejemplo  1:  la  probabilidad  de  que  el  componente  z  pase  con  éxito  una  determinada 
prueba de impacto es igual a 3/4.  Encuentre la probabilidad de que exactamente 2 de los 
siguientes cuatro componentes que se prueban pasen la siguiente prueba. 
 
Suponiendo que las pruebas son independientes  y que p es igual a ¾ para cada una de 
ellas tenemos: 
 
b( 2; 4, 3/4 ) =  4 C 2  (3/4)² (1/4)² = (24 / 4) (9 / 16) ( 1 / 16) =0.21 = 21 %                                           
La media y la desviación estándar en la distribución binomial se determinan aplicando los 
siguientes modelos matemáticos: 
 
              µ  =  n  p                           σ  =  √ n p q 
 
Si consideramos los datos del ejemplo arriba citado para calcular la media y la desviación 
estándar, sustituyendo valores tendremos: 
 
              µ   =  ( 4 ) ( 3/4 )  = 3 
          
              σ  =   √ (4)(3/4)(1/4)   =  √ 0.75    =  0.867   
 
Ejemplo 2: En una escuela primaria los alumnos llegan tarde a menudo, la directora lleva 
tiempo  estudiando  el  problema,  habiendo  llegado  a  la  conclusión  de  que  hay  una 
probabilidad  de  0.4  de  que  un  alumno  llegue  tarde  y  de  que  los  alumnos  lleguen 
independientemente  uno  de  otro  ¿Cómo  trazamos  una  distribución  binomial  de 
probabilidad  que  ilustre  las  probabilidades  de  que  0,  1,  2,  3,  4  ó  5  estudiantes  lleguen 
tarde simultáneamente de los siguientes 5 observados? 
 
Datos 
P = 0.4 
Q = 0.6 
X = 0, 1, 2, 3, 4, 5. 
n = 5 
 
Realicemos el cálculo para cada valor de x: 
 
b( 0; 5, 0.4 ) =  5 C 0  (0.4)0 (0.6)5  = 0.0777 =   7.8% 
b( 1; 5, 0.4 ) =  5 C 1  (0.4)1 (0.6)4  = 0.2592 = 25.9% 
b( 2; 5, 0.4 ) =  5 C 2  (0.4)2 (0.6)3  = 0.3456 = 34.6% 
b( 3; 5, 0.4 ) =  5 C 3  (0.4)3 (0.6)2  = 0.2304 = 23.0% 
b( 4; 5, 0.4 ) =  5 C 4  (0.4)4 (0.6)1  = 0.0768 =  7.7% 
b( 5; 5, 0.4 ) =  5 C 5  (0.4)5 (0.6)0  = 0.0102 =  1.0% 
 
                                                                      Σ   100 %  
 
Representando los resultados en la grafica de barras tenemos: 
 
 

 
 
Ejemplo  3: Si  una  pecera  contiene 20  peces  dorados  y  30  verdes,  determine  cual  es  la 
probabilidad  de  que  al  tomar  al  azar  una  muestra  de  10  peces,  esta  contenga 
exactamente 3, 4, 5 o 6 dorados. 
Datos 
P = 0.4 
Q = 0.6 
X = 3, 4, 5, 6. 
N = 10 
 
Realicemos el cálculo para cada valor de x: 
 
b( 3; 10, 0.4 ) =  10 C 3  (0.4)3 (0.6)7  = (120)(0.064)(0.0279936) = 
                                                           = 0.2150 = 21.50 % 
b( 4; 10, 0.4 ) =  10 C 4  (0.4)4 (0.6)6  = (210)(0.0256)(0.046656) = 
                                                           = 0.2508 = 25.08% 
b( 5; 10, 0.4 ) =  10 C 5  (0.4)5 (0.6)5  = (252)(0.01024)(0.07776) = 
                                                           = 0.2006 = 20.06% 
b( 6; 10, 0.4 ) =  10 C 6  (0.4)6 (0.6)4  = (210)(0.004096)(0.1296) = 
                                                           = 0.1115 = 11.15 % 
 
Por tanto la probabilidad conjunta del ejemplo será igual a:    
 
                    21.5% + 25.08% + 20.06% + 11.15% = 77.79% ~ 77.8 %