PROBABILIDAD

Permutaciones:
Agrupar ( permutar) n objetos es equivalente a
ponerlos en algn orden especfico, en una caja de n
lugares. La primera casilla se puede llenar de cualesquiera de las n maneras, la
segunda de (n-1) maneras.....y as obtendremos, por el principio de la
multiplicacin, que la caja se puede llenar de ( )( ) 1 2 1 n n n maneras.
Entonces las maneras de permutar los n objetos son n!.
Si ahora quiero elegir r de esos n objetos ( ) n r s s 0 y permutarlos, recurriremos
nuevamente a la caja de n compartimientos. As el primer compartimiento se
puede llenar de n maneras, el segundo de (n-1)... y el r-simo compartimiento
con ( ) 1 r n maneras y as, usando el principio de la multiplicacin
encontramos que hay ( )( ) ( ) 1 2 1 + r n n n n maneras. Usando notacin
factorial:
( )!
!
r n
n
r
n
P

=
|
|
.
|

\
|

1 2 3 4 .... n
Combinaciones:
Consideremos nuevamente n objetos diferentes.
Esta vez queremos contar cuantas maneras hay de
escoger r de esos n objetos pero sin que nos importe el orden. Sea C el nmero
de maneras de escoger r objetos sin orden, sabemos que hay r! Maneras de
permutarlos, entonces:
( ) ( )! !
!
!
!
!
r n r
n
r
n
C
r n
n
Cr

=
|
|
.
|

\
|
=

=
Las dos propiedades fundamentales son:
1- ( )
n
r ( )
( )
n
n-r
=
2-
( )
n
r ( )
( )
n-1
r-1
=
( )
n-1
r
+

1 2 ... r .... n
Mtodo Experimental

Mtodo terico
Probabilidades
Se tiene una urna con 73 bolas blancas y 145 bolas rojas.

Si se extraen 12 bolas, Cul es la probabilidad de sacer 5 bolas blancas y 7 rojas?
Probabilidad
Lo que queremos es acercarnos al nmero de la
A
f sin recurrir a la
experimentacin. Para llegar a ello el nmero de repeticiones debe ser muy
grande y procedemos como sigue:
Con cada evento A asociamos un nmero real, designado con P(A) y
llamando probabilidad de A, el cual satisface las siguientes propiedades:
i) ( ) 1 0 s s A P .
ii) P(S) = 1.
iii) Si A y B son eventos que se excluyen mutuamente,
( ) ( ) ( ) B P A P B A P + = .
iv) Si A
1
,A
2
, A
3
..............A
n
son eventos que se excluyen mutuamente de
par en par, entonces: ( )

= =
=
|
|
.
|

\
|
n
i
i
n
i
i
A P A P
1 1

.
Teorema 1.1: Si | es el conjunto vaco, entonces P(| ) = 0.
Demostracin: Podemos escribir | = A A y como A y | son
mutuamente excluyentes escribimos ( ) ( ) ( ) ( ) | | P A P A P A P + = = .
Nota: No vale la recproca. Esto es, si P(A) = 0 no significa que A =
|
.
Teorema 1.2: Si es el evento complementario de A, entonces:
( ) ( ) P A P =1 .
Demostracin: Podemos sustituir A S = , entonces
( ) ( ) ( ) ( ) P A P A P S P + = = , as tenemos ( ) ( ) P A P + = 1 .
Propiedades aplicables a las probabilidades
Teorema 1.3: Si A y B son dos eventos cualesquiera, entonces:
( ) ( ) ( ) ( ) B A P B P A P B A P + = .
Demostracin:

( ) B A B A =

( ) ( ) B B A B =
Por lo tanto:
( ) ( ) ( ) B P A P B A P + =
( ) ( ) ( ) B P B A P B P + =
Si restamos las dos ecuaciones:
( ) ( ) ( ) ( ) B A P A P B P B A P =
S
A B
A B
B
Teorema 1.4: Si A, B y C son tres eventos cualesquiera, entonces:
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) C B A P C B P C A P B A P C P B P A P C B A P + + + =

Demostracin: Consiste en escribir C B A como ( ) C B A y
aplicar el resultado del teorema anterior.

Teorema1.5: Si B Ac , entonces ( ) ( ) B P A P s .

Demostracin: Podemos escribir a B como dos eventos excluyentes
( ) B A B = . Por lo tanto ( ) ( ) ( ) B P A P B P + = y como por propiedad
( ) 0 > B P entonces fcil apreciar que ( ) ( ) B P A P s .
Podemos distinguir dos tipos de probabilidad:

- La probabilidad de un evento se establece slo mediante la definicin
del sistema (A priori).

Ejemplo, lanzar un dado.

- Probabilidad basada en la experiencia (Emprica o a posteriori).

Ejemplo, tasas.

En general la estadstica trata ambos tipos de probabilidades.

Tambin podemos distinguir dos reglas de probabilidad, que son de
gran importancia:
a) La probabilidad de ocurrencia de dos eventos mutuamente
excluyentes, es la suma de las probabilidades de los eventos separados.

- Los eventos son mutuamente excluyentes si solo uno de ellos puede
ocurrir en determinado momento:

Ejemplo, lanzar un dado, se puede obtener un 1 o un 6, pero no ambos.
1
6
P (A o B) = P(A) + P(B)
Definicin: A y B son eventos independientes si y slo si
( ) ( ) ( ) B P A P B A P = .
Definicin: Decimos que los tres eventos A, B y C son mutuamente
independientes si y slo si todas las condiciones siguientes se mantienen:
i ) ( ) ( ) ( ) B P A P B A P =
ii ) ( ) ( ) ( ) C P A P C A P =
iii ) ( ) ( ) ( ) C P B P C B P =
iv ) ( ) ( ) ( ) ( ) C P B P A P C B A P =
Definicin: Los n eventos A
1
, A
2
, A
3
,...,A
n
son mutuamente independientes
si y slo si tenemos para cada k = 2, 3, 4.....n
( ) ( ) ( ) ( )
ik i i ik i i
A P A P A P A A A P
2 2 2 1
=
a) La probabilidad que exista una ocurrencia simultnea de cierta
cantidad de eventos independientes, es el producto de las probabilidades
separadas.

- Los eventos son independientes si la ocurrencia de uno no afecta la
probabilidad de ocurrencia de otros:

Ejemplo, al lanzar dos dados, la probabilidad de obtener 6 en ambos es
igual a la probabilidad de obtener un seis multiplicada por la
probabilidad de obtener otro seis
6
P (A y B) = P(A) x P(B)
6
Por equivocacin se mezclaron 30 pernos de alta resistencia con 25
pernos comunes, de igual apariencia, por lo que resulta imposible
distinguirlos. Si se sacan dos pernos (unos despus del otro), qu
probabilidad hay que uno de ellos sea de alta resistencia y el otro
comn?

Los eventos mutuamente excluyentes son:
Anteriormente se consideraron dos eventos mutuamente excluyentes. La
realidad no siempre es igual.

Qu ocurre si deseamos conocer la proporcin de personas zurdas o
miopes?

Nos encontramos con personas que presentan cualquiera de estas
caractersticas, pero tambin con las que presentan ambas.
La probabilidad de presentar una de estas caractersticas est dada por la
suma de las probabilidades individuales, pero el grupo que presenta
ambas no debe ser contado dos veces. Por tanto la probabilidad de ser
zurdo o miope, se representa como:
Z
M
P(A + B) = P(A) + P(B) P(AB)

P(A U B) = P(A) + P(B) P(A B)
Ejemplo:
Se selecciona un naipe al azar de una baraja de 52 cartas.
Cul es la probabilidad que este naipe sea un trbol o una figura o
ambas cosas?, (consideremos al As como figura).

Respuesta:

La probabilidad de obtener un trbol es 13/52, dado que 13 cartas son
trbol. Del mismo modo, la probabilidad de obtener una figura es 16/52.
Dado que 4 trboles son figuras, la probabilidad de ocurrencia de este
evento es 4/52.

De esta forma la probabilidad requerida es:

P(A+B) = P(A) + P(B) P(AB) = 13 + 16 4 = 25
52 52 52 52
Debemos tambin destacar que los eventos mutuamente excluyentes
pueden ser dependientes o independientes. En este ltimo caso, la
ocurrencia de un evento afecta la probabilidad que se presenten otros.

En este caso, decimos que trabajamos con la probabilidad condicional,
lo que equivale a la probabilidad que se presente un evento A, dado que
otro evento B ya ocurri. Esto se representa de la siguiente forma:

P(A|B) = P(AB)
P(B)

Ejemplo:

Si volvemos a la baraja, la probabilidad de sacar un As de 4/52. si
sacamos una segunda carta, la probabilidad de obtener una Reina se ve
afectada (4/51), si la primera carta no vuelve a la baraja.
Probabilidad Condicional
Sean A y B dos eventos asociados con un experimento c . Indicaremos
con ( )
A
B
P la probabilidad condicional del evento B, dado que A ha ocurrido.
Cada vez que calculamos ( )
A
B
P , esencialmente estamos calculando
( ) B P respecto del espacio muestral reducido A, en vez del espacio muestral
original S.
Podemos escribir:
S B B =
y sabemos que :
( ) ( ) ( ) ( ) ( )
( )
( ) S P
S B P
S
B
P S P B P S B P B P

= = =
Si ahora reducimos el espacio Muestral de S a A:
( )
( )
( ) A P
A B P
A
B
P

= puesto que ( ) 0 > A P
La consecuencia ms importante de la definicin de probabilidad
condicional es:
( ) ( ) ( ) A P
A
B
P B A P =
( ) ( ) ( ) B P
B
A
P B A P =
Esto tambin se conoce como el teorema de la multiplicacin de
probabilidades.
S
A B

i ) | = B A
S
A
B

ii ) B Ac
S
A
B

iii ) A B c
S
A B

iv ) Ninguno anterior
i ) ( ) ( ) A P
B
A
P s = 0 puesto que A no puede ocurrir si ocurri B.
ii ) ( )
( )
( )
( )
( )
( ) A P
B P
A P
B P
B A P
B
A
P > =

= puesto que ( ) 1 0 s < B P .

iii ) ( )
( )
( )
( )
( )
( ) A P
B P
B P
B P
B A P
B
A
P > = =

= 1 .
iv ) No se puede hacer porque ninguna afirmacin acerca de la magnitud
relativa de ( )
B
A
P y ( ) A P .
Ejemplo 2:

Al lanzar dos dados, se obtuvo un 4 en uno de ellos. No se nos dice que
nmero se obtuvo en el otro. Cul es la probabilidad que el nmero
obtenido sea 9?

Respuesta:
Se tienen 36 puntos muestrales. El nmero de resultados en que un dado
cae en 4, es 11. En consecuencia P(B)= 11/36. De los cuatro resultados
que dan 9 (4-5, 6-3, 5-4, 3-6), en dos de ellos aparece el 4. De esta
forma P(AB)= 2/36.

De ah que la probabilidad requerida sea:

P(A|B) = P(AB) = 2 / 6 = 2
P(B) 11/36 11
Sean B
1
, B
2
, B
3
,...,B
k
una particin de S y A un evento asociado a l.
Aplicando la definicin de probabilidad condicional, podemos escribir:
( )
( )

=
|
.
|

\
|
|
.
|

\
|
=
|
.
|

\
|
k
j
j
j
i
i
i
B P
B
A
P
B P
B
A
P
A
B
P
1
, con i = 1, 2, 3....,k
Tambin se le llama frmula para la probabilidad de las causas. Puesto
que las B
i
son una particin del espacio muestral, uno y slo uno de los eventos
B
i
ocurre. Por lo tanto, la frmula anterior nos da la probabilidad de un B
i

particular (esto es, una causa), dado que el evento A ocurri.
Teorema de Bayes
VARIABLES ALEATORIAS
Experimento Aleatorio
Tiene tres caractersticas:
- Es posible repetirlo en forma indefinida sin cambiar esencialmente las
condiciones.
- Podemos describir el conjunto de todos los resultados posibles del
experimento.
- Al repetir el experimento un gran nmero de veces aparece un patrn
definido.
Espacio muestral
Es el conjunto de todos los resultados posibles del experimento aleatorio ( ), segn la
cantidad de elementos que posea el Espacio Muestral puede ser:
- Finito: Se lanza un dado y se anota la cara superior.
- Infinito Numerable: Se fabrican artculos hasta producir 10 no defectuosos
{10,11,12,13....}.
- Infinito No Numerable: Se anota la duracin de una lmpara. T/T>=0

Eventos

Un evento A (respecto de un espacio muestral S asociado a un experimento ) es
un conjunto de resultados posibles ( ).

Definicin: Dos eventos A y B son mutuamente excluyentes si no pueden
ocurrir juntos. Expresamos esto escribiendo .



Frecuencia Relativa
Si se repite n veces el experimento c y sea A y B dos eventos asociados a l.
Sea n
A
y n
B
el nmero de veces que ocurri el evento A y el B respectivamente de las n
repeticiones, llamaremos a
n
n
f
A
A
= frecuencia relativa del evento A en las n
repeticiones del experimento c . La
A
f tiene las siguientes propiedades:
i) 1 0 s s
A
f .
ii) 1 =
A
f si y solo si A ocurre cada vez en las n repeticiones.
iii) 0 =
A
f si y solo si A nunca ocurre en las n repeticiones.
iv) Si A y B son eventos mutuamente excluyentes entonces
B A B A
f f f + =

.
v)
A
f , basada en las n repeticiones de c y considerada para una funcin
de n, converge en cierto sentido probabilstico a P(A) cuando n .
DISTRIBUCIONES DE PROBABILIDAD
Hemos mencionado que existen dos tipos de variables aleatorias, las
continuas y las discretas.

La primera asume cualquier valor entre dos lmites dados, de lo
contrario se trata de una variable continua.

Recordemos tambin que una muestra aleatoria es aquella que se
selecciona de tal manera que cada elemento de la poblacin tenga la
misma oportunidad de ser elegido para conformar la muestra.
Si una variable aleatoria x puede asumir valores discretos:
x
0
, x
1
, x
2
, x
3
, ..x
k
, con sus respectivas probabilidades,
p
0
, p
1
, p
2
, p
3
, ..p
k
, en las que p
i
para todas las i,

i=k
p
i
= 1
i=0

Entonces, la probabilidad (x = x
i
), o simplemente p(x
i
) = pi, caracteriza
a una distribucin probabilstica discreta para la variable x.
DISTRIBUCIONES PROBABILSTICAS DISCRETAS
0 1 2 3 k
p
0
p
3
p
2
p
1
p
k
P(X)
La funcin de distribucin acumulativa (fda) de una variable aleatoria
discreta se define como:


P(X) = p
i

xix

Dicha funcin es de tipo escaln, que es constante respecto a cada
intervalo.


P(x) y P(X) representan probabilidades simples y acumuladas
respectivamente, en el caso de una gran poblacin originante, en
comparacin con f y F que constituyen la frecuencia simple y
acumulada en una muestra de datos agrupados.
De esta forma, asociamos las distribuciones probabilsticas con la
poblacin, en tanto que las distribuciones de frecuencias las asociamos
con las muestras. En resumen, podemos considerar una distribucin de
probabilidades, como una de frecuencia relativa en lo referido a una
muestra muy grande.

Ejemplo: Trazar la distribucin probabilstica simple y acumulada para
una variable aleatoria x, que se define como la suma de los nmeros
resultantes al lanzar dos dados.

Para 2: (1/6) x (1/6) = 1/36 = p(2)
Para 3: (1/6) x (1/6) + (1/6) x (1/6) = 2/36 = p(3).
0
0,05
0,1
0,15
0,2
0,25
2 3 4 5 6 7 8 9 10 11 12
p(X)
p(X)
Para este mismo caso, la probabilidad acumulada de obtener la suma 3 o
menor, esta dada por:

1/36 + 2/36 = 3/36

La probabilidad acumulada de obtener una suma 12 o menor es:

P(1) + p(2) + p(3)+ p(12) = 36/36 = 1


Dibujemos la grfica de probabilidad acumulada para esta variable.
Si los dados no estn cargados, los resultados reales deberan seguir la
distribucin de probabilidades que ya vimos, por lo que decimos que
conocemos la probabilidad a priori. Sin embargo, los problemas
estadsticos no son de tan fcil solucin.

En la mayora de los problemas estadsticos, no se conoce la
distribucin probabilstica de la variable aleatoria y, por tanto, se deben
emplear los resultados de la variable al azar proveniente de una muestra
dada, a fin de tomar la decisin adecuada respecto de la distribucin
probabilstica de la poblacin que no se conoce.

La distribucin Binomial y la de Poisson, son ejemplos de
distribuciones discretas.
Si tenemos una variable continua, en la que el nmero de observaciones
aumentara indefinidamente, la amplitud de clase tendera a cero y el
histograma se acercara a la forma de una curva continua.
DISTRIBUCIONES PROBABILISTICAS CONTINUAS
Si la curva fuera estandarizada de manera que el rea bajo ella
correspondiera a la unidad, entonces determinara una distribucin
probabilstica continua, donde p(x) es la funcin de densidad de
probabilidad, de modo que:

+
p(x) dx = 1

-









De esta forma, el rea que se encuentra bajo la curva entre x
1
y x
2
,
corresponde a la probabilidad de que x quede entre x
1
y x
2
.

Es necesario entender que es cero, la probabilidad de observar un valor
especfico de x.
La definicin adecuada de p(x) consiste en que para un intervalo
pequeo dx, p(x)dx es la probabilidad de observar un valor entre x y
x+dx.
La funcin de distribucin acumulativa, P(x), en el caso de una variable
aleatoria continua x, se define como la probabilidad de observar un
valor menor que x o igual a este (rea sombreada bajo la curva).

La probabilidad que x se encuentre entre x1 y x2 se puede expresar
como:

Probabilidad (x
1
< x < x
2
) =
x
1

p(x) dx = P(x
2
) P(x
1
)

x
2
La funcin de distribucin acumulativa debe aumentar de 0 a 1, dado
que se tiene:

P(-) = 0 y P(+) = 1
Se trata de una curva en forma de s.

Es posible calcular la media, la varianza y otros parmetros de una
curva de distribucin de probabilidad, de la misma manera que con una
distribucin de frecuencia. Esto es parte del estudio de la expectativa o
Esperanza Matemtica.







Funcin de distribucin acumulativa de una variable aleatoria continua
Consideremos una variable aleatoria x. Si x es discreta y tiene una
distribucin probabilstica p, entonces el valor esperado de x (o media
de x) se define como:

Ex = p
i
x
i

i
Donde xi es el valor del evento i-simo, en tanto que pi es la
probabilidad que ocurra dicho evento.

Si x es continua, la funcin de densidad de probabilidad es:
X(x) =
-
xp(x) dx o bien se puede expresar como = E(x)
+
En la cual es la media de la distribucin de probabilidad. Cabe
recordar que la muestra debe ser tomada al azar.
Ejemplo.

Obtener la media para el ejemplo de los dados.

Aplicando la ecuacin:
E(x) = p
i
x
i

i
Se obtiene

E(x) =

= 2(1/36) + 3(1/36) + ..+ 12(1/36)
= 252/36
= 7
Ejercicio.
Cuntos equipos de 6 hombres se pueden seleccionar de una poblacin
de 60?

Solucin.

Se trata de un problema de combinaciones. De ah que:

60
C
6
= 60! = 60 x 59 x 58 x 57 x 56 x 55 = 50.063.860
2 x 3 x 4 x 5 x 6
Ejercicio.
Una mquina presenta un componente A vital para su funcionamiento.
La confiabilidad el componente A es de 80%. Para incrementar tal
confiabilidad se emplea un componente similar en paralelo. La maquina
funcionar siempre que un componente trabaje de manera correcta.
Calcule la confiabilidad del sistema.
A
A
sistema
Solucin.
Denotaremos la probabilidad de xito de A como P(A) y la de fracaso
como P(). Dado que P(A) = 0,8, se tiene P() = 0,2.. La probabilidad
que ambos componentes fallen simultneamente es P(A) x P() = 0,04.
Por tanto, la probabilidad que por lo menos un componente funcione
adecuadamente es 1-0,04 = 0,06, lo que equivale a la confiabilidad del
sistema.
Ejercicio.

Se estima que un avin experimental tiene una probabilidad de 0,85 de
lograr un primer vuelo exitoso. En caso de falla, existe una probabilidad
de 0,05 que sufra una explosin catastrfica, en cuyo caso no se podr
emplear el sistema de proteccin al despegar, el cual tiene una
confiabilidad de 0,95. Calcule la probabilidad de todo resultado posible
en el vuelo inicial.
Solucin.
Definamos los eventos.
El xito del vuelo ser A. El fracaso ser .
El fracaso no catastrfico ser B. El fracaso catastrfico ser .
La proteccin exitosa C. La proteccin fallida .
La supervivencia del piloto D. La no supervivencia del piloto .

Por la naturaleza del problema nos percatamos que A es mutuamente
excluyente con B, , C, , D y , dado que el vuelo exitoso descarta la
ocurrencia de los otros eventos. Del mismo modo B es mutuamente
excluyente con C, , D y . Asimismo C es mutuamente excluyente con
.
Ahora bien, P(A) = 0,85 y P() = 1-0,85 = 0,15.

P() = P()P(|). Pero un fracaso catastrfico , slo se puede
producir si se presente un fracaso en el vuelo (). De esta forma se
puede expresar:
P() = P() = P()P(|)
= (0,15)(0,05)
= 0,75
De manera semejante,

P(B) = P(B) = P()P(B|) = (0,15)(0,95) = 0,1425

P(C) = P(CB) = P(B)P(C|B) = (0,1425)(0,95) = 0,1354

P(D) = P(A) + P(C) = 0,85 + 0,1354 = 0,9854

P() = 1- P(D) = 0,0146. (Puesto que D y son complementarios).

P() = P(B) = P(B)P(|B) = (0,1425)(0,05) = 0,007125

Para comprobar el resultado se observa que
P() = P() + P()
0,0146 = 0,0075 + 0,0071
DISTRIBUCIN BINOMIAL
En algunos casos una poblacin est conformada slo por dos clases de
elementos, por ejemplo seres animados e inanimados, pares o impares,
anversos o reversos. Sin embargo, la mayora de los problemas
relacionados con distribucin binomial, se refieren a presencia o
ausencia de alguna caracterstica en

Cuando se realiza un ensayo, por ejemplo sacar una bola al azar de una
urna, que contiene bolas negras y bolas blancas, la distribucin de las
dos clases de elementos es discreta y de tipo binomial.

El nombre que recibe la distribucin se debe a la similitud de obtener
elementos considerados como xitos de una muestra de tamao n, donde
los trminos sucesivos del desarrollo binomial corresponde a (p+q)
n
.
Aqu, p denota la probabilidad de xito en un solo ensayo y q la
probabilidad de fracaso.
DEDUCCIONES
Consideremos n ensayos, en cada uno de los cuales la probabilidad de
tener xito es p.
Entonces, la probabilidad de fracaso es q = 1 p.
Para calcular la probabilidad de tener r xitos, se observa que,

La probabilidad de 1 xito en un ensayo es p.
La probabilidad de 2 xitos en dos ensayos es p x p = p
2
.
La probabilidad de 3 xitos en 3 ensayos es p x p x p = p
3
.
La probabilidad de tener r xitos en r ensayos es p
r
.

Y la de (n - r) fracasos subsecuentes en (n r) ensayos es (1 p)
n-r
= q
n-r
.

Se deduce que la probabilidad de tener r xitos seguidos por (n r)
fracasos es p
r
(1 p)
n-r
. De manera que slo se ha considerado un grupo o
combinacin de r eventos en particular; esto es, se empez con r xistos y
se termin con (n - r) fracasos.

Consideremos n ensayos, en cada uno de los cuales la probabilidad de
tener xito es p.
Entonces, la probabilidad de fracaso es q = 1 p.
Para calcular la probabilidad de tener r xitos, se observa que,

La probabilidad de 1 xito en un ensayo es p.
La probabilidad de 2 xitos en dos ensayos es p x p = p
2
.
La probabilidad de 3 xitos en 3 ensayos es p x p x p = p
3
.
La probabilidad de tener r xitos en r ensayos es p
r
.

Y la de (n - r) fracasos subsecuentes en (n r) ensayos es (1 p)
n-r
= q
n-r
.

Se deduce que la probabilidad de tener r xitos seguidos por (n r)
fracasos es p
r
(1 p)
n-r
. De manera que slo se ha considerado un grupo o
combinacin de r eventos en particular; esto es, se empez con r xitos y
se termin con (n - r) fracasos. Cualquier otra ordenacin posible de r
xitos y (n r) fracasos en n ensayos es n!/[r!(n r)!].
En consecuencia la probabilidad P
r
de que un evento tenga xito r veces es

P
r
= n! P
r
(1 p)
n-r
r!(n - r)!

O bien,

Pr =
n
C
r
p
r
q
n-r

Este trmino se asemeja al r-simo trmino del desarrollo binomial
(p + q)
n
.

Lo cual se puede expresar como:


n
(q + p)n =
n
C
r
p
r
q
n-r

r=0
Los trminos sucesivos del desarrollo proporcionan la probabilidad P
r
que
un evento ocurra r veces en n ensayos, en el caso de valores de r que
varan de uno en uno desde 0 hasta r.

En muchos casos no nos interesa la probabilidad que un evento ocurra
exactamente r veces, sino la probabilidad que tenga xito por lo menos r
veces en n ensayos. Esto se representa mediante el Teorema de los ensayos
repetidos como:

P
r
+ P
r
+1 + .. + P
n


Destaquemos que para la distribucin binomial, la probabilidad de xito
debe ser constante de ensayo en ensayo, todos los cuales deben ser
eventos independientes.

Ejemplo.

Se lanzan al aire las dos monedas, existiendo tres posibilidades, ninguna
cara, una cara, dos caras. Dos monedas pueden caer de 2
2
= 4 maneras.
Slo en un caso no se obtienen caras. Para que se obtenga una cara existen
dos posibilidades, por lo que su probabilidad es 2/4 = 1/2. Del mismo
modo, la probabilidad de obtener dos caras es , igual que la de obtener
dos sellos.

Estableciendo el desarrollo binomial, donde p=q=1/2, tenemos

(p + q)
2
= p
2
+ 2pq + q
2
= (1/2)
2
+ 2 (1/2)(1/2) + (1/2)
2