Captulo 3

BINOMIAL Y
DISTRIBUCION
NORMAL
DISTRIBUCION
3.1.

Introducci
on

Estudiaremos en este tema dos de las distribuciones de probabilidad m

as importantes y que son
imprescindibles a la hora de adentrarnos en el estudio de la inferencia estadstica. La distribuci
on
binomial es uno de los primeros ejemplos de las llamadas distribuciones discretas (que s
olo pueden
tomar un n
umero finito, o infinito numerable, de valores). Fue estudiada por Jakob Bernoulli (Suiza,
1654-1705), quien escribi
o el primer tratado importante sobre probabilidad, Ars conjectandi (El
arte de pronosticar). Los Bernoulli formaron una de las sagas de matem
aticos mas importantes de la
historia. La distribuci
on normal es un ejemplo de las distribuciones continuas, y aparece en multitud
de fen
omenos sociales. Fue estudiada, entre otros, por J.K.F. Gauss (Alemania, 1777-1855), uno de los
mas famosos matem
aticos de la historia. La gr
afica de la distribuci
on normal en forma de campana se
denomina Campana de Gauss.

3.2.

La distribuci
on binomial o de Bernoulli

La distribuci
on binomial est
a asociada a experimentos del siguiente tipo:
- Realizamos n veces cierto experimento en el que consideramos solo la posibilidad de exito o
fracaso.
- La obtencion de exito o fracaso en cada ocasi
on es independiente de la obtenci
on de exito o
fracaso en las dem
as ocasiones.
- La probabilidad de obtener exito o fracaso siempre es la misma en cada ocasion.
Veamoslo con un ejemplo
Tiramos un dado 7 veces y contamos el n
umero de cincos que obtenemos. Cual es la probabilidad
de obtener tres cincos?.
Este es un tpico ejemplo de distribuci
on binomial, pues estamos repitiendo 7 veces el experimento
de lanzar un dado. Cu
al es nuestro exito?.
Evidentemente, sacar un 5, que es en lo que nos fijamos.
El fracaso, por tanto, ser
a no sacar 5, sino sacar cualquier otro n
umero.
1

Por tanto, Exito

= E = sacar un 5 = p(E) =
6
5
Fracaso = F = no sacar un 5 = p(F ) =
6
Para calcular la probabilidad que nos piden, fijemonos en que nos dicen que sacamos 3 cincos y
por lo tanto tenemos 3 exitos y 4 fracasos, de cu
antas maneras pueden darse estas posibilidades?.
Podramos sacar 3 cincos en las 3 primeras tiradas y luego 4 tiradas sin sacar cinco, es decir: EEEFFFF
Pero tambien podramos sacar EFEFFFE, es decir que en realidad estamos calculando de cuantas
38

 BINOMIAL Y DISTRIBUCION
NORMAL
CAPITULO 3. DISTRIBUCION

39

maneras se pueden ordenar 4 fracasos y 3 exitos. Recordando las tecnicas combinatorias, este problema
se reduce a calcular las permutaciones con elementos repetidos:
7!
765
=
= 35formas
3! 4!
321
1
5
Y por tanto, como p(E) = y tengo 3 exitos y p(F ) = y tengo 4 fracasos:
6
6
1 1 1 5 5 5 5
p(tener 3 exitos y 4 fracasos) = 35 = 0 0781
6 6 6 6 6 6 6
P73,4 =

1
Formalizando lo obtenido, en una variable binomial con 7 repeticiones y con probabilidad de exito ,
6
la probabilidad de obtener 3 exitos es 00781, y lo expresaramos:
!
"
1
Bin 7;
, entonces p(X = 3) = 0 0781
6
Como repetir este proceso sera bastante penoso en la mayora de los casos, lo mejor es recurrir a la
siguiente f
ormula que expresa la probabilidad de obtener cierto n
umero de exitos en una distribuci
on
binomial:
Definici
on de distribuci
on binomial:
Si realizamos n veces un experimento en el que podemos obtener exito, E, con probabilidad p y
fracaso, F, con probabilidad q (q = 1 p), diremos que estamos ante una distribuci
on binomial de
par
ametros n y p, y lo representaremos por Bin(n;p). En este caso la probabilidad de obtener k exitos
viene dada por:
! "
n
p(X = k) =
pk q (nk)
k
Nota:
Observar que las probabilidades de exito 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:

!
"
1
, y queramos calcular p(X=3) (obtener 3 exitos). Aplicando la f
ormula:
Antes tenamos Bin 7;
6
! " ! "3 ! "4
7
1
5
p(X = 3) =

= 0 0781
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 hijos.

En este caso Exito

= E = tener hijo y p(E) = 05.
Fracaso = F = tener hija y p(F) = 05.
Estamos por tanto ante una binomial Bin(6;05) y nos piden p(X=2).
Si aplicamos la f
ormula es:
! "
6
p(X = 2) =
(0 5)2 (0 5)4 = 0 2344
2
Nota:
La eleccion de exito o fracaso es subjetiva y queda a elecci
on 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:

Exito
= tener hija, como nos piden la probabilidad de que una familia con 6 hijos tenga 2 hijos,
si el exito es tener hija hemos de plantearnos cu
al es la probabilidad de tener 4 exitos (4 hijas), es

 BINOMIAL Y DISTRIBUCION
NORMAL
CAPITULO 3. DISTRIBUCION
decir:

40

! "
6
p(X = 4) =
(0 5)4 (0 5)2 = 0 2344
4

Evidentemente sale lo mismo, pero hay que ser consecuente a la hora de elegir el exito y el fracaso y
la pregunta que nos hagan.

3.2.1.

El uso de las tablas de la distribuci

on binomial

La distribuci
on binomial se encuentra tabulada por lo que es f
acil calcular probabilidades sin
necesidad de hacer demasiadas cuentas. Para usar las tablas de la distribuci
on binomial es necesario
conocer:
- El n
umero de veces que se realiza el experimento (n).
- La probabilidad de exito (p).
- El n
umero de exitos (k).
La probabilidad p se busca en la primera fila (valores desde 001 hasta 05).
El n
umero de veces que se realiza el experimento, en la primera columna (valores desde 2 a 10) y
el n
umero de exitos a su lado.
Por ejemplo en el caso anterior, Bin (6;05) , p(X=2), la columna p=05 es la u
ltima, y cuando
n=6 y k=2 encontramos 02344, el valor que habamos calculado.
Nota importante: El caso en que p > 0 5, no se encuentra tabulado.
La raz
on es bien sencilla. Si p > 0 5, entonces q < 0 5 y basta intercambiar los papeles de exito y
fracaso para que podamos utilizar la tabla.
Ejemplo:
La probabilidad de que un alumno de 2 de Bachillerato apruebe las Matematicas es de 07. Si
consideramos un grupo de 8 alumnos, cu
al es la probabilidad de que cinco de ellos aprueben las
Matematicas?.
Si exito = aprobar y fracaso = suspender, entonces p = 07 y q = 03.
Tenemos, por tanto, una Bin(8;07).
Nos piden calcular p(X=5), que no se puede calcular mediante las tablas porque p = 07 y s
olo
tenemos hasta p = 05. Por tanto si intercambiamos exito = suspender y fracaso =aprobar entonces
p = 03, q = 07, es decir la nueva binomial es Bin(8;03) y nos piden que aprueben 5 de 8, es decir
que suspendan 3 de 8 o lo que es lo mismo, que tengamos 3 exitos, p(X=3), y buscando en la tabla es
p(X=3) = 02541.
Tambien, desde luego podramos haber utilizado la formula desde el principio, utilizar la Bin(8;07)
y olvidarnos de tablas para hacer:
! "
8
p(X = 5) =
(0 7)5 (0 3)3 = 0 254
5

3.2.2.

Probabilidades acumuladas

Es posible que nos pidan no s

olo la probabilidad de que ocurran un cierto n
umero de exitos en
concreto, sino que ocurran como mucho k exitos o preguntas similares. En el ejemplo anterior, por
ejemplo, podran pedirnos:
a) Cual es la probabilidad de que aprueben como mucho 2 alumnos?.
Si exito = aprobar y fracaso = suspender, p= 07 y q = 03, 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
(haz las cuentas)
b) Cu
al es la probabilidad de que aprueben entre 3 y 6 alumnos (inclusive)?.

 BINOMIAL Y DISTRIBUCION
NORMAL
CAPITULO 3. DISTRIBUCION

41

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 distribuci

on binomial, en las tablas s
olo se admiten valores
hasta n=10 (10 repeticiones del experimento). Para valores de n > 10, inevitablemente hemos de
utilizar la f
ormula.
Ejemplo:
Los alumnos de cierta clase se encuentran en una proporci
on del 67 % que estudian ingles y el resto
frances.
Tomamos una muestra de 15 alumnos de la clase, calcular:
a) Probabilidad de que al menos encontremos tres alumnos de ingles.
b) Probabilidad de que los 15 alumnos estudien ingles.
c) Probabilidad de que estudien ingles entre 7 y 10 alumnos.
Si exito = estudiar ingles, p = 067 y fracaso = estudiar frances, q = 1-067 = 033. Manejamos
por tanto una Bin(15;067)
a) p(X 3) = p(X = 3) + p(X = 4) + p(X = 5) + p(X = 6) + . . . + p(X = 15).
Una opci
on es calcular estas 13 probabilidades y sumarlas. Como hay que aplicar la f
ormula para
calcular cada una, la tarea se puede hacer bastante larga. Otra opcion, mas sencilla, es pasar al
complementario. El complementario de encontrar al menos 3 alumnos de ingles es encontrar como
mucho 2 alumnos de ingles, 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))
y solo tenemos que calcular 3 probabilidades: p(X = 0) 0 , p(X=1) = 0000001, p(X=2) = 0000026
(compruebalo!).
Por lo cual,
p(X 3) = 1 (0 + 0 000001 + 0 000026) = 1 0 000027 = 0 999973
b) p(X=15) = 00025 (aplica la f
ormula).
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.

3.2.3.

Media y desviaci
on tpica en una distribuci
on binomial

Aunque no se demostar
a, en una distribuci
on binomial Bin(n;p), el n
umero esperado de exitos o
media, viene dado por x
= n p. (Recordemos que la media es una medidad de centralizacion).
La desviacion tpica, , que es una medida de dispersi
on y mide lo alejados que est
an los datos

de la media, viene dada por = n p q.

 BINOMIAL Y DISTRIBUCION
NORMAL
CAPITULO 3. DISTRIBUCION

3.3.

42

La distribuci
on Normal

Al estudiar aspectos tan cotidianos como:

- Caracteres morfol
ogicos de individuos ( personas, animales, plantas) de una misma raza. como
tallas, pesos, envergaduras, etc.
- Caracteres fisiologicos, como el efecto de una misma dosis de un farmaco, o de una misma cantidad
de abono.
- Caracteres sociol
ogicos, como el consumo de ciertos productos por individuos de un mismo grupo
humano.
- Caracteres psicologicos, como el cociente intelectual, grado de adaptacion a un medio.
- Caracteres fsicos, como la resistencia a la rotura de ciertas piezas. . .
todos ellos tienen en com
un que se distribuyen normalmente. Que quiere decir esta expresion?.
Pues, por ejemplo, si hacemos una estadstica para conocer la altura de 1400 mujeres y representamos
los resultados en un diagrama de barras, obtenemos:

Figura 3.1: Distribuci

on de estaturas de 1400 mujeres
Las graficas 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
a la mayora de ellos.
Definici
on: Diremos que una distribucion de probabilidad sigue una distribuci
on normal de media x
y desviacion tpica , y lo representaremos por N (x; ) cuando la representacion gr
afica de su funci
on
de densidad es una curva positiva continua, simetrica respecto a la media, de maximo en la media, y
que tiene 2 puntos de inflexion , situados a ambos lados de la media (x y x + respectivamente)
y a distancia de ella, es decir de la forma:

Figura 3.2: Distribuci

on normal N (x; ). El m
aximo est
a en (x,

1
)
22

 BINOMIAL Y DISTRIBUCION
NORMAL
CAPITULO 3. DISTRIBUCION

43

Dependiendo de los valores que tomen x y , la gr

afica de esta funcion puede ser m
as o menos
alargada, achatada, etc..., pero en cualquier caso siempre tiene las mismas condiciones de simetra,
continuidad, etc rese
nadas anteriormente.
El concepto de funcion de densidad introducido anteriormente no se estudiar
a con profundidad.
Baste decir que la funcion de densidad determina la forma de cada distribuci
on de probabilidad. En
el caso de la distribuci
on normal de par
ametros x y , dicha funcion viene dada por:
f (x) =

1
2 2

(xx)2
2 2

Propiedad:
El area encerrada bajo la curva normal N (x; ) siempre es 1.
La demostracion de este resultado no es nada sencilla e implica el uso de resultados matematicos que
exceden el nivel de este curso.
De entre todas las curvas normales N (x; ), la mas sencilla, usada y conocida es aquella que tiene
por media 0 y por desviaci
on tpica 1, N(0, 1).
Esta normal est
andar se suele representar por Z.
La grafica de esta curva se denomina campana de Gauss y se puede observar en la figura:

1
Figura 3.3: Distribuci
on normal N (0; 1). El m
aximo est
a en (0, 2
)

Su funci
on de densidad ser
a:

x2
1
e 2
2
Puesto que el area bajo esta curva normal es 1, podemos definir una probabilidad de la siguiente
manera:

f (x) =

Para un valor cualquiera k, definimos la probabilidad de que la distribuci

on Z, N(0;1) , sea menor o
igual que k como:

p(Z k)= Area

encerrada bajo la curva normal N(0,1) desde hasta k
(es decir la parte rayada de la figura siguiente).

Figura 3.4: Area

encerrada por la curva normal desde hasta k
Ahora bien, c
omo calcular dicha area?. F
acil: Dichas areas o probabilidades se encuentran tabuladas.

 BINOMIAL Y DISTRIBUCION
NORMAL
CAPITULO 3. DISTRIBUCION

3.3.1.

44

Uso de las tablas de la distribuci

on normal N(0;1)

La normal N(0;1) se encuentra tabulada, para valores a partir de 0 y hasta 399. Si por ejemplo
queremos calcular p(Z 2 78), hemos de realizar los pasos:
1. Buscar la parte entera y las decimas en la primera columna (en este caso 27).
2. Buscar las centesimas en la primera fila (en este caso 8).
3. En el punto com
un a la fila y la columna que hemos encontrado, tenemos la probabilidad buscada,
en este caso 09973.
Por tanto p(Z 2 78) = 0 9973.
Si queremos calcular una probabilidad de un valor mayor que 399, basta fijarse en que las probabilidades correpondientes a valores tales como 362 y mayores ya valen 09999 (pr
acticamente 1). Por
eso, para estos valores mayores que 399, diremos que la probabilidad es aproximadamente 1. As:
aunque no aparezca en la tabla.

p(Z 5 62) 1

Por otra parte, fijemonos 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 ning
un area. Por tanto, si nos pidiesen
p(Z=32), basta decir que p(Z=32)=0.
Este tipo de distribuciones en las cuales la probabilidad de tomar un valor concreto es 0 se demoniman distribuciones continuas, para diferenciarlas de otras en las que esto no ocurre, como por
ejemplo la binomial, que es una distribuci
on discreta.
As, al pasar al complementario, si tenemos Z k, su complementario sera Z < k, pero como incluir
k no influye en la probabilidad,al calcular probabilidades podemos escribir:
p(Z k) = 1 p(Z < k) = 1 p(Z k)

S
olo 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.
Ejercicio: Buscar en la tabla de la normal est
andar N(0;1) las probabilidades:

b) p(Z 0 5)
c) p(Z 0 82)
d) p(Z 1 05)
a) p(Z 1 15)

f) p(Z 18 09)

3.3.2.

e) p(Z 4 27)

C
alculo de otras probabilidades

1. Si k es positivo y queremos calcular p(Z k), es decir el area rayada:

Figura 3.5: p(Z k). Basta pasar al complementario

basta pasar al complementario, es decir: p(Z k) = 1 p(Z k) y esta u
ltima probabilidad ya
se encuentra tabulada.
Ejercicio: Calcular p(Z 0 3) y p(Z 2 07).

 BINOMIAL Y DISTRIBUCION
NORMAL
CAPITULO 3. DISTRIBUCION

45

2. Si k es positivo y queremos calcular p(Z k), es decir el area: por simetra, p(Z k) =

Figura 3.6: p(Z k).Las probabilidades de valores negativos no est

an tabuladas
p(Z k) y esta se calcula como en el caso anterior. Se puede observar la igualdad de areas en
la figura:

Figura 3.7: p(Z k) = p(Z k). La simetra permite reducir este caso al anterior
Ejercicio: Calcular p(Z 0 78) y p(Z 3 2).
3. Si k es positivo y queremos calcular p(Z k), es decir el area rayada:

Figura 3.8: p(Z k)

entonces, por simetra p(Z k) = p(Z k):

Figura 3.9: p(Z k) = p(Z k).La simetra permite reducir este caso al que ya est
a tabulado
Ejercicio: Calcular p(Z 0 96) y p(Z 1 01).

 BINOMIAL Y DISTRIBUCION
NORMAL
CAPITULO 3. DISTRIBUCION

46

4. Probabilidades comprendidas entre dos valores,p(k1 Z k2 ) ,es decir el area rayada:

Figura 3.10: p(k1 Z k2 ). Probabilidad comprendida entre dos valores

se calcula restando las areas:

Figura 3.11: p(Z k2 ) en la primera imagen.p(Z k1 ) en la segunda. Al restar obtenemos el area

pedida.
Se quita la parte correspondiente a Z k1 ,p(Z k2 ) p(Z k1 ).

Ejercicio: Calcular p(0 96 Z 1 49) y p(1 32 Z 0 57).

Ejercicio: Calcular p(Z=2), p(Z 2), p(Z 2), p(Z 2), p(Z 2), p(2 Z 2),
p(0 81 Z 1 33).

3.3.3.

C
alculo de probabilidades en normales N(x; )

Si no tenemos una distribuci

on N(0;1), sino una N (x; ) cualquiera, c
omo calcular probabilidades,
si no tenemos tabla salvo para N(0;1)?. El siguiente resultado nos da la respuesta.
Propiedad:

Xx
sigue una distribuci
on N(0,1).

(El paso de la variable X N (x; ) a la Z N(0;1) se denomina tipificaci

on de la variable X).
Si X sigue una distribuci
on N (x; ) , entonces la variable Z =

Ejemplo:
Las estaturas de 600 soldados se distribuyen de acuerdo a una distribuci
on normal de media 168
y desviacion tpica 8 cm. Cu
antos soldados miden entre 166 y 170 cm?.
Sea X la distribucion de los soldados , X es una N(168,8). Nos piden p(166 X 170).
Utilizando el resultado anterior, primero restamos x=168 en la desigualdad:
p(166 X 170) = p(166 168 X 168 170 168) = p(2 X 168 2)
Y ahora dividimos entre = 8, con lo que acabamos de tipificar:
"
!
X 168
2
2

p(166 X 170) = p(2 X 168 2) = p

8
8
8

 BINOMIAL Y DISTRIBUCION
NORMAL
CAPITULO 3. DISTRIBUCION
Llamando a

47

X 168
= Z, esta ya es normal N(0,1) y se encuentra en las tablas:
8

p(166 X 170) = p(0 25 Z 0 25) = p(Z 0 25) p(Z 0 25) =

= (tablas) = 0 5987 0 4013 = 0 1974.

(pues p(Z 0 25) = p(Z 0 25) = 1 p(Z 0 25) = 1 0 5987 = 0 4013).

Ejercicios: 1) En una distribuci
on N(22,5), calcula: p(X 27),p(X 27),p(X 125), p(15
X 20), p(17 X 30).
2) Los pesos de 60 soldados siguen una distribuci
on 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.

3.3.4.

Otro uso de las tablas

Hasta ahora nos han dado la distribuci

on normal N(0;1) y nos pedan p(Z k) siendo k un cierto
n
umero, 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 9573, quien es k?.

La resolucion es bien sencilla. Basta buscar 09573 dentro de la tabla de la distribuci
on normal, y
lo encontramos en el cruce de la fila 17 con la columna 2, y por lo tanto k debe ser 172.
Ejercicio: Calcular k si:
a) p(Z k) = 0 8078.
b) p(Z k) = 0 0028.
En caso de que el valor a buscar no aparezca directamente dentro de la tabla de la distribuci
on normal,
pueden ocurrir dos posibilidades:
a) Si el valor se encuentra entre dos valores de la tabla y a la misma distancia (aproximadamente)
de cada uno de ellos, por ejemplo: p(Z k) = 0 7982. En este caso el valor buscado sera la media
entre los valores extremos.
Si buscamos en la tabla este valor no aparece directamente, sino que se encuentra entre los valores
07967 (que corresponde a 083) y 07996 (que corresponde a 084). Por tanto el valor de k sera:
k=

0 83 + 0 84
= 0 835
2

b) Si el valor esta entre dos valores, pero muy cercano a uno de ellos, directamente tomamos este valor,
por ejemplo: p(Z k) = 0 7970. El valor mas cercano es 09767 (que corresponde a 083) y como el
valor buscado est
a muy cerca de el, entonces directamente k=083.
Si la distribuci
on no es normal N(0;1), sino N (x; ), tendremos que tipificar previamente.
Por ejemplo, si X sigue una normal N(6;3) y p(X k) = 0 9082, calcula k.
Tipificando:
!
"
!
"
X 6
k6
k6

= 0 9082 p Z
= 0 9082
3
3
3
Y buscando en la tabla,

k6
= 1 33 k 6 = 3 99 k = 9 99
3

 BINOMIAL Y DISTRIBUCION
NORMAL
CAPITULO 3. DISTRIBUCION

48

Ejercicios:
1. Calcular k si p(X k) = 0 6141 y X sigue una N(15,4).
2. De una variable normal N (x; ) se sabe que p(X 7) = 0 9772 y p(X 6 5) = 0 8413. Calcular:
a)

x y .

b) p(5 65 X 6 25)

c) El n
umero k tal que p(X > k) = 0 3

 BINOMIAL Y DISTRIBUCION
NORMAL
CAPITULO 3. DISTRIBUCION

3.4.

49

Relaci
on entre la distribuci
on binomial y la distribuci
on normal

Es un hecho comprobado que cuando tenemos una distribuci

on Bin(n;p), a medida que n crece, es
difcil hacer uso de las f
ormulas y/o tablas.
Por ejemplo, tiramos un dado 100 veces, calcular la probabilidad de obtener entre 20 y 33 cincos(inclusive).
1
5
Si exito = obtener cinco entonces p = y fracaso = no obtener cinco y q = .
6
6
!
"
1
Tenemos una Bin 100;
, y nos piden p(20 X 33).
6
Es inviable aplicar las tablas (pues repetimos el experimento 100 veces) y tampoco la f
ormula pues
es inviable calcular, por ejemplo,
! " ! "32 ! "68
100
1
5
p(X = 32) =

6
6
32
Como resolver el problema?. Del siguiente modo:
Teorema Central del Lmite:
La distribuci
on binomial Bin(n;p) se aproxima a una curva normal de media x = n p y desviacion

tpica = n p q, cuando n tiende a , es decir, cuando n se hace muy grande.

La aproximaci
on se puede aplicar (es una buena aproximaci
on) solo si n es grande, en concreto n 30
y ademas n p 5 y n q 5. Si no se cumplen estas condiciones NO podemos aproximar la binomial
que tengamos por una distribucion normal.
En caso de que podamos aproximar, debemos tener en cuenta que estamos pasando de una variable
discreta (binomial) a una continua (normal), y por tanto son distribuciones diferentes. El precio que
hay que pagar por pasar de una a otra se denomina correcci
on por continuidad y consiste en hacer
determinados ajustes para que la aproximaci
on realizada sea lo mas precisa posible.
As, si nos piden p(X=k) en una distribuci
on binomial X, y aproximamos X por una distribuci
on normal
Y, no podemos calcular directamente p(Y=k) porque, como ya se ha comentado anteriormente, en
una distribuci
on continua todas estas probabilidades valen 0. La correccion por continuidad consiste
en tomar un peque
no intervalo de longitud 1 alrededor del punto k.
De otro modo, si nos piden p(X=k) con X binomial, con la aproximaci
on normal Y deberemos
calcular p(k 0 5 Y k + 0 5).
Del mismo modo se razona en el caso de probabilidades acumuladas en la binomial. Algunos
ejemplos:
Si nos piden p(X < k) con X binomial, aproximando por Y normal calcularemos p(Y k 0 5). La
explicaci
on de que haya que restar 05 y no sumarlo es que queremos que X sea menor estrictamente
que k, con lo cu
al, si sumase 05 , el propio k aparecera en la probabilidad a calcular y NO debe
aparecer.
Por contra, si debiesemos calcular p(X k), con X binomial, fijemonos que ahora k SI esta incluido
en la probabilidad y por tanto al aproximar por la normal Y deberamos calcular p(Y k + 0 5).
Comprender estos dos hechos es fundamental para realizar bien la correci
on por continuidad al
aproximar una distribuci
on binomial por una normal.
#
100
500

= 16 67 y = n p q =
= 3 73. De modo que, como
En el caso anterior,x = n p =
6
36
n 30, n p = 16 67 5 y nq = 83 33 5, se pude aproximar la binomial por la normal, es decir:
"
!
1
Y N (16 67; 373)
X Bin 100;
6

 BINOMIAL Y DISTRIBUCION
NORMAL
CAPITULO 3. DISTRIBUCION

50

Entonces:
p(20 X 33) $%&'
p(20 0 5 Y 33 + 0 5) = p

()

Y 16 67
33 5 16 67
19 5 16 67

3 73
3 73
3 73

"

= p(0 89 Z 4 51) = p(Z 4 51) p(Z 0 89) 1 0 8133 = 0 1867

Notemos que en el paso se

nalado por (*) hemos cambiado X(binomial) por Y(normal) y se ha realizado
la correccion por continuidad.