You are on page 1of 23

EJERCICIO RESUELTO DE PROBABILIDAD |

DADO TRUCADO
Ejercicio resuelto de probabilidad con un dado trucado

Enunciado
Tenemos un super dado que ha sido trucado de forma inteligente para que la
probabilidad de que salga una cara sea siempre proporcional al nmero de
puntos que hay en ella. Define una funcin de masa de probabilidad que est
asociada a una variable aleatoria que contenga informacin sobre si el
resultado del lanzamiento es un nmero par o no. Luego, pregntale a dicha
funcin: Qu probabilidad tenemos de obtener nmero par?

Pues vamos a ver


Empezamos por definir nuestro experimento aleatorio:
Recordar conceptos: Experimento Aleatorio
Experimento: Lanzar un dado trucado.
Objetivo: Analizar la probabilidad de obtener los distintos resultados posibles.
Definicin de todos los sucesos elementales:
UNO: Sale la cara con 1 punto.
DOS: Sale la cara con 2 puntos.
TRES: Sale la cara con 3 puntos.
CUATRO: Sale la cara con 4 puntos.
CINCO: Sale la cara con 5 puntos.
SEIS: Sale la cara con 6 puntos.
Espacio muestral:
= {UNO, DOS, TRES, CUATRO, CINCO, SEIS}

Definimos una variable aleatoria que nos interese:


SI_NO_PAR: Variable que contiene informacin de si el nmero de puntos es
par o no.
Asignamos un valor para cada elemento del espacio muestral.
SI_NO_PAR(UNO) = no
SI_NO_PAR(DOS) = s
SI_NO_PAR(TRES) = no
SI_NO_PAR(CUATRO) = s
SI_NO_PAR(CINCO) = no
SI_NO_PAR(SEIS) = s
Definimos nuestra funcin de masa de probabilidad:
probabilidad(SI_NO_PAR)
Qu probabilidad tiene cada uno de los valores que toma la variable?
Ojo al dato: La variable toma dos valores: s y no.
Para establecer la probabilidad de cada caso, vamos a considerar el enunciado
del problema:
"la probabilidad de que salga una cara es siempre
proporcional al nmero de puntos que hay en ella"

Ok.
Tomamos n como factor de proporcin.
P(UNO) = 1n
P(DOS) = 2n
P(TRES) = 3n
P(CUATRO) = 4n
P(CINCO) = 5n
P(SEIS) = 6n
Para calcular el valor de n, podemos jugar con lo que sabemos.
Sabemos que la probabilidad de que salga cualquier cosa es uno.
Es decir:
La probabilidad de que se d el suceso UNO o DOS o TRES o CUATRO o
CINCO o SEIS es 1.
Es decir:
P() = P(UNO DOS TRES CUATRO CINCO SEIS) = 1
Como todos son sucesos elementales, por fuerza son tambin no
compatibles (Ningn suceso repite lo que dice otro. No se pisan entre ellos.
Cada uno es nico y distinto.). Entonces podemos calcular la probabilidad de la
unin como la suma de las probabilidades de cada uno.
Es decir:
P() = 1n + 2n + 3n + 4n + 5n + 6n = 1

Es decir, que el valor de n es 1/21.


Conociendo el valor de n, conocemos el valor de la probabilidad de todos los
sucesos.
Conocida la cantidad de probabilidad de cada uno de los puntos por los que
pasa nuestra variable aleatoria, podemos dar valores a nuestra funcin de
masa de probabilidad.
La variable SI_NO_PAR toma los valores s y no:
Entonces:
probabilidad(s) = P(DOS) P(CUATRO) P(SEIS) = 2n + 4n + 6n = 12n =
12/21
probabilidad(no) = P(UNO) P(TRES) P(CINCO) = n + 3n + 5n = 9n = 9/21
Cul es la probabilidad de obtener nmero par?
Pues, preguntamos:
probabilidad(SI_NO_PAR=s)?

Respuesta: 12 de cada 21 veces; es decir, 4 de cada 7 veces. Ms del 50%.


Cero con cincuenta y siete para ser exactos.

EJERCICIO RESUELTO DE PROBABILIDAD |


EXTRACCIN SIN REPOSICIN
Ejercicio resuelto de extraccin sin reemplazamiento.

Enunciado
Se extraen sin reposicin tres fichas de una caja que contiene cuatro rojas y
seis blancas. Si X es la variable aleatoria: nmero de fichas rojas extradas,
halle la funcin de probabilidad de X.

Ataque palabrstico

Mirar el problema con otros ojos. Ojos de rana.

Se sacan tres fichas, de una en una. Y se busca la funcin de probabilidad de


una variable aleatoria que est mirando el nmero de fichas que son rojas.
Como estamos sacando tres fichas, pues la variable aleatoria X toma
exactamente 4 valores:

Cero fichas rojas


Una ficha roja
Dos pichas flojas
Tres fichas rojas

Y la funcin de probabilidad o de masa de probabilidad asocia una


probabilidad a cada uno de esos valores.

Solucionando el asunto
Podramos dibujar un rbol de probabilidad y contar qu cosa pasa en cada
caso. Eso est guay si tenemos un par de fichas, como es el caso. Pero si
tuvisemos un milln trescientas doce fichas, dibujar un rbol de probabilidad
sera demasiado aburrido. Y nos llevara como mnimo un da o dos o tres o
nueve.

Lo que vamos a hacer es descubrir nuestro espacio muestral. Todo lo que


podra pasar. Todas las posibles extracciones de tres fichas que podran
hacerse.

Como tenemos 10 fichas, pues en la primera extraccin podemos extraer 10


fichas.

En la segunda extraccin, hay 9 posibilidades, porque una ficha ya no est.

En la tercera, hay 8 posibilidades, porque ya hemos quitado 2 fichas del juego.

Es decir, que en total hay 10 veces 9 veces 8 veces posibles variaciones de


realizar una extraccin sin reemplazamiento de tres fichas, de ese total de diez.

Eso hace un total de 720.

Ficha roja | Ficha blanca | Ficha roja


Ficha blanca | Ficha blanca | Ficha roja
Ficha blanca | Ficha roja | Ficha roja
Y as hasta 720 posibilidades distintas.

Para saber ms sobre mezcla de posibilidades de casos mira el


artculo: Variaciones y combinaciones.

Variable aleatoria

Nuestra variable aleatoria X est obligada a mirar el nmero de fichas rojas.

Podramos pararnos a escribir todas las variaciones y contar cuntas veces hay
fichas rojas, pero eso sera una prdida de tiempo demasiado cagante.

Nosotros vamos a averiguar una forma de saber cuntas variaciones contienen


cero fichas rojas, cuntas variaciones contienen una ficha roja, y cuntas
variaciones contienen n fichas rojas. Pues es eso lo que cuenta la variable
aleatoria: el nmero de fichas rojas extradas.

Para saber eso, se hace necesario dividir el proceso de extraccin en tres


partes.

Primero: tomamos n fichas rojas, de 4 que hay.


Segundo: tomamos el resto de fichas blancas, de 6 que hay.
Tercero: consideramos todas las ordenaciones posibles de esos
elementos.

O lo que es lo mismo.

Primero: vemos cuntas combinaciones de 4 sobre n hay de


fichas rojas.
Segundo: vemos cuntas combinaciones del resto 6 sobre (3-n)
hay de fichas blancas.
Tercero: realizamos una permutacin con todos los elementos.
Vale.

Donde n, naturalmente, va de cero a 4. Pues no podemos sacar ms de 4


fichas rojas de una caja con 4 fichas rojas.

Bravo.

Sustituyendo n por los valores que toma X, obtenemos:

rojas(n=0)=120
rojas(n=1)=360
rojas(n=2)=216
rojas(n=3)=24

Es decir, hay 216 variaciones de las 720 totales, en las que hay dos fichas
rojas. E igual con el resto.

Dado que cualquiera de las 720 variaciones tienen la misma probabilidad, nos
encontramos en un espacio muestral equiprobable.

Podemos aplicar la regla de Laplace.

Por tanto, la probabilidad para cada caso es:

f(X=0)=120/720=0.1666666667
f(X=1)=360/720=0.5
f(X=2)=216/720=0.3
f(X=3)=24/720=0.033333334

Observamos que para la unin de todos los casos posibles, la probabilidad es


la suma de los 4 valores mencionados. Es decir, 1.

Solucin
La funcin de probabilidad de X, es:

Nmero de casos favorables partido por el nmero de casos totales.

Es decir,

Nmero de variaciones con X fichas rojas partido por el nmero de


variaciones totales.

Es decir,

Donde X toma los valores cero, uno, dos y tres.

EJERCICIO RESUELTO DE PROBABILIDAD |


BOTELLAS DE VINO
Ejercicios resueltos para practicar probabilidad online

Enunciado
Un almacn recibi 1000 botellas de vino. La probabilidad de que se rompa
una botella durante el transporte es de 0,003. Halle la probabilidad de que el
almacn haya recibido rotas:

1. Dos botellas
2. Menos de dos
3. Ms de dos
4. Por lo menos una

Vale.

Volvemos a leer
Lo mismo, pero de otra forma.

Hacemos mil experimentos de Bernoulli. Cada experimento de Bernoulli tiene


una probabilidad de xito de 0,003. Mira a las funciones de probabilidad y de
distribucin para contestar a las preguntas.

Solucionando el ejercicio
Pues va a ser que tenemos una repeticin de experimentos de Bernoulli
independientes. Ya habamos nombrado esa distribucin y calculado su
probabilidad.

Ver artculo: Distribuciones de probabilidad ms frecuentes.

Pero bueno, nosotros vamos a hacer como que no tenemos ni idea.

Pero conocemos nuestro objetivo:

Necesitamos la funcin de masa de probabilidad porque tenemos que mirarla,


y sacar a partir de ella la funcin de distribucin, para mirarla tambin.

Experimento aleatorio: Mirar qu pasa con las botellas de vino se rompen


o no?.

Espacio muestral: Todo lo que puede pasar.

Una se rompe y el resto no.


Se rompe la cuarta y la octava y las 998 restantes no.
Se rompen 600 y 400 no.
Y un etctera largo largo largo, pero largo de Co. Jones

Pues eso.

Variable aleatoria N: Nmero de xitos en los mil experimentos


O lo que es lo mismo: N: Nmero de botellas rotas al finalizar el transporte
de las mil botellas.

Calculando la funcin de probabilidad

Partimos de la informacin que nos dan

Probabilidad de que se rompa = 0.003 = p


Probabilidad de que no se rompa = 1 0.003 = 0.997 = q

para llegar a donde queremos llegar, paso a paso:

Se rompe ninguna.

Pues la probabilidad de que se rompan cero de mil botellas es la misma que la


probabilidad de que mil botellas no se rompan.

Es decir,

Mil fracasos del experimento.

Es decir,

1 de mil.

La probabilidad de que se rompa una botella es la de que se rompa una y no


se rompan el resto.

Es decir,

1 xito y 999 fracasos del experimento.

Pero de mil formas distintas, porque no es lo mismo que se rompa la primera


botella, a que se rompa la segunda, a que se rompa la nmero mil.
Hay mil combinaciones de mil elementos tomados de uno en
uno.
O lo que es lo mismo, podemos hacer mil equipos de una
persona si tenemos mil personas.

Nota: si te pierdes con esto, chale un ojo a este artculo de Variaciones y


combinaciones.

Es decir,

42 de mil.

La probabilidad de que se rompan 42 botellas es la de que se rompan 42 y no


se rompan el resto.

Es decir,

42 xitos y 1000-42 fracasos del experimento.

De las mil sobre 42 formas posibles.

Es decir,

n de mil.

La probabilidad de que se rompan n botellas es la de que se rompan n y no se


rompan el resto.

Es decir,

n xitos y 1000-n fracasos del experimento.


De mil sobre n formas posibles.

Es decir,

Perfecto.

Funcin de probabilidad

Cul es la funcin que nos da la cantidad probabilidad para cualquier


elemento de la variable aleatoria?

La funcin de masa de probabilidad.

Y cul es?

Pues la que acabamos de calcular:

Guay.

Con este invento en el bolsillo, ya podemos contestar a la primera pregunta.

Cul es la probabilidad de que se rompan dos botellas?

Poco ms del 22%

Vale.

Y para las otras preguntas?

Pues esas preguntas hablan de probabilidades acumuladas.


Acumuladas?

S. Si te pregunto la probabilidad de que se rompan ms de dos botellas, estoy


buscando la acumulacin de la probabilidad de que se rompan tres, cuatro,
doscientas o incluso las mil.

Para saber eso necesito un elemento que mire la probabilidad acumulada hasta
cada punto de la variable aleatoria. Ese elemento ya se ha inventado y se le ha
puesto hasta nombre.

Buscamos la funcin de distribucin acumulada.

Pues vamos a encontrarla.

O mejor dicho, vamos a construirla.

PROBABILIDAD CONDICIONADA
Qu es la probabilidad condicionada y para qu sirve?

Creme. Yo tambin me he hecho esa pregunta.

Se define la probabilidad condicionada como a la probabilidad de que pase una


cosa, teniendo por seguro que va a pasar o ya ha pasado otra.

Para que lo veas claro.

Cul es la probabilidad de que encuentres un tesoro que est escondido en


una cueva que est perdida en las montaas?

La que sea. Pero parte de esa probabilidad se pierde buscando la cueva.

Y ahora, Si te doy un mapa con la posicin exacta de la cueva?

La probabilidad cambia.
Hemos establecido la condicin de que vamos a encontrar la cueva.

Por tanto esta cosa que antes no sabamos es ahora una certeza.

Ahora la nica probabilidad en juego es la de encontrar el tesoro que est


dentro de la cueva.

No cambia la probabilidad del experimento


Hay que tenerlo claro.

A la hora de tratar con una probabilidad condicionada, no cambia la


probabilidad del experiemento.

Cambia todo el experimento. Y la probabilidad es otra, que puede y puede no


tener el mismo valor que la anterior.

Antes tenamos un experimento.


Ahora tenemos otro.

En total tenemos dos experimentos diferentes.

Pero con una relacin entre ellos.

La probabilidad de darse un suceso A cuando sabemos que segursimo se da


un suceso B se puede calcular como el cociente entre la probabilidad de que
se den ambos sucesos al mismo tiempo y la probabilidad de que el suceso B
se diese en primera instancia, cuando no sabamos nada.

Y por qu esta relacin es as?

Para entender la relacin hay que tener una visin clara de lo que significa el
concepto de probabilidad.
La probabilidad no es un nmero en el aire.

Ni en el papel.

Ni en la pantalla.

Es un nmero en el aire el papel o la pantalla que siempre va asociado a un


suceso. Calculamos la probabilidad de que algo suceda. La probabilidad de
que no te caiga un rayo es la probabilidad de que suceda el suceso No te cae
un rayo.

La probilidad de que pase el suceso A es una comparacin en forma de


cociente.

Una comparacin-cociente de qu cosas?

De las veces que algo pasa con respecto a todo lo que podra pasar.

Entonces, cuando decimos:

Estamos haciendo lo mismo, pero reduciendo los conjuntos de sucesos.

Estamos seguros de que pasa el suceso B.


Entonces todo lo que podra pasar est contenido en B ahora, y
no ms.
Entonces, nuestro nuevo suceso aleatorio solo se encuentra en
la interseccin del antiguo A, con B.
Todo lo que pertenezca al suceso A pero no pertenezca al
suceso B, es ahora imposible y se queda fuera.

Tambin puedes fijarte en que es lo mismo que decamos en el artculo de


la Regla de la multiplicacin.
Esta sigue siendo la regla de la multiplicacin que ya dijimos: La probabilidad
de una interseccin de dos sucesos es el producto de la probabilidad del
primero por la probabilidad del segundo suceso condicionado al primero
Recuerdas?

Solo hemos despejado lo que nos interesa.

Ok. Pero para qu toda esta ensalada?

Considera la probabilidad de que vaya a llover dentro de un minuto en el


desierto del Sahara (suceso A) conociendo perfecta y seguramente el hecho
de que est lloviendo all ahora mismo (suceso B).

La probabilidad de que llueva dentro de 1 minuto sabiendo que est lloviendo


ahora es clara e intuitivamente bastante cercana a 1, y la probabilidad de los
sucesos A y B es igualmente similar. Sin embargo, si despreciamos la
condicin de lo que conocemos, aunque lo conozcamos, tanto la probabilidad
de A como la de B son clara e intuitivamente muy cercanas a cero.

Por tanto, esto no solo no es un concepto intil, sino todo lo contrario.

Buscando los restos del barco


Si vamos a buscar restos de un barco que se ha hundido en el siglo veinte,
podramos ignorar todas las condiciones y decir: Pues la probabilidad de que
est en un punto cualquiera del mar dividida entre todos los posibles y
prcticamente infinitos puntos en los que pudiera estar. Es decir, una
probabilidad basura. No sirve para nada.

Pero, podra considerarse la informacin histrica de los acontecimientos


sucedidos en aquella poca, y reducir ese infinito prctico a un puado
reducido de zonas en las que confiamos altamente que pudiese estar, para
as calcular una probabilidad ms prctica de que est en una de esas zonas.
Qu cartas tiene nuestro oponente?
Si queremos obtener la probabilidad de que el oponente tenga o no la carta
que nos interesa, podemos ignorar todas las cartas que han aparecido ya
durante la partida, y calcular una probabilidad que no nos ayuda en nada.

O podemos tambin condicionar la probabilidad a la certeza de que sabemos


perfectamente cules son las cartas que ya han salido, y que naturalmente no
van a volver a salir.

Jugando con probabilidades


En los clculos reales, se usan probabilidades de eventos aislados y relevantes
que ya conocemos, para conocer otras probabilidades de otros eventos que se
vean afectados (condicionados) por tales eventos.

He ah la importancia de la relacin de la probabilidad condicionada.

Ya la viste?

Seguir aprendiendo
ndice: Aprender probabilidad fcil.

Siguiente: Teorema de Bayes.

Si tienes algo que decir, usa el sistema de comentarios que aparece ms abajo

TEOREMA DE BAYES
Qu es y para qu sirve el teorema de Bayes?

Despus de saber Qu es la Probabilidad Condicionada, vamos a jugar a dar


vueltas.
Vueltaaaaas!
Conozco la probabilidad de que un coche tenga un accidente si s que tiene
una rueda pinchada.

Pero esa probabilidad no me importa.

Yo he tenido un accidente y quiero saber una cosa.

Tena mi coche la rueda pinchada?

Cul es la probabilidad de que mi coche tuviese la rueda pinchada si s que


he tenido el accidente?

Para ese estilo de vueltas, vino el tito Bayes haciendo una ensalada con lo que
ya saba.

Expresin matemtica del Teorema de Bayes.

Qu bien. Tengo que aprenderme frmulas frmulas frmulas de memoria


como un aprende-frmulas profesional.

No.

No porque para aprenderse las frmulas de memoria sin tener ni idea de lo que
representan, mejor nos vamos todos a pescar salmn y sale ms rentable la
cagada.

Estamos en el mismo caso que en la probabilidad condicionada, que era el


mismo caso que la regla de la multiplicacin, y que es el mismo caso de
siempre.

Lo que pasa es que estamos disfrazando la expresin en funcin de lo que nos


interesa.
Si nos fijamos bien en el numerador de la super frmula superior, observamos
que en realidad no hemos hecho otra cosa que sustituir en l el valor que se
tena para la regla de la multiplicacin, que deca que:

Seguimos en la misma onda.

Con diferentes puntos de vista.

Siempre.

Seguir aprendiendo
ndice: Aprender probabilidad online.

Siguiente: Distribuciones de probabilidad comunes.

Si tienes algo que decir, usa el sistema de comentarios que aparece ms


abajo.

DISTRIBUCIONES DE PROBABILIDAD MS
COMUNES
La probabilidad se distribuye. Con mucho arte.
Para intentar entender este artculo antes tienes que saber qu es una variable
aleatoria y qu es la distribucin de probabilidad. Ambas cosas se explican en
el artculo ingredientes de un experimento aleatorio.
El caso es que en el da a da hay aleatoriedades cuya distribucin de
probabilidad se repite con frecuencia en otros casos similares.
Entonces tocaba darle nombre a las distintas distribuciones. Y aqu estn.

Distribucin Uniforme
Esta se llama as porque es uniforme. Es la ms normal de todas, y es la
distribucin que tienen las aleatoriedades ms comunes. S, como la de lanzar
un dado, o una moneda.
Es la distribucin en la que cada uno de los valores de la variable aleatoria del
experimento tiene la misma probabilidad.
Una variable aleatoria que sigue una distribucin uniforme tendr probabilidad
de 1/k para cada uno de los valores que toma.
La letra k se conoce como parmetro de la distribucin, y es el nmero de
valores que toma la variable.
Lo que estamos aplicando es la Regla de Laplace.
Si la variable aleatoria se llama Paco: resultado de lanzar un dado y toma los
valores 1, 2, 3, 4, 5 y 6, pues cada uno de esos valores tiene una probabilidad
de un sexto.

Distribucin de Bernoulli
Bernoulli fue un artista suizo. Su padre lo mand a estudiar teologa, pero l
estudi mates porque le molaba ms. Y ah est el to petrificado dentro de una
distribucin.
Un experimento de Bernoulli es un experimento aleatorio que tiene solo dos
resultados posibles. O xito, o fracaso. O pasa algo, o no pasa. Ni ms ni
menos.
La distribucin de Bernoulli, o tambin llamada distribucin dicotmica, es una
distribucin en la que la variable aleatoria toma dos valores.
El cero, cuando algo no pasa. Fracaso.
El uno, cuando algo s pasa. xito.
Y la probabilidad de ambos valores, se definen mediante el parmetro p de la
distribucin.
La probabilidad del xito es el valor de la funcin de probabilidad asociada a la
funcin variable aleatoria cuando esta pasa por el uno.
Es decir, f(X=1) = p
La probabilidad del fracaso es el valor que toma la funcin de probabilidad
asociada a la variable aleatoria cuando esta toma el valor cero.
Es decir, f(X=0) = 1 p
De dnde viene p?
Pues p es la probabilidad. La que sea. La probabilidad de que algo pase, p.
Por qu la probabilidad de que no pase; es decir, la probabilidad de que
la variable aleatoria X tome el valor cero, es igual a 1 p?
Porque si la probabilidad de que algo pase es p, y sabemos que la probabilidad
de todo el todo todito bravo todo es 1. Entonces la probabilidad de que no pase
es la diferencia entre ambas cosas.
Para gusto del consumidor, se suele llamar q al valor de 1 p.

Distribucin Binomial
Cuando repetimos un experimento de Bernoulli al menos una vez, de forma
independiente, tenemos una distribucin Binomial.
Por ejemplo, al lanzar un dado siete millones de veces, y definir una variable
aleatoria que capture el nmero de veces que hemos obtenido un seis en los
siete millones de lanzamientos del dado, tendramos una distribucin Binomial,
compuesta por siete millones de experimentos o pruebas de Bernoulli: lanzar
un dado y obtener un seis, que son independientes (porque el primer
lanzamiento no afecta al siguiente, ni este al siguiente, y ctera.).
La probabilidad de obtener x xitos en n pruebas de Bernoulli, resulta ser n
sobre x veces la probabilidad del xito del experimento de Bernoulli elevada a
x, multiplicado por la probabilidad del fracaso elevada a n-x.
Por qu?
Pues es menos complicado de lo que parece.
x es el nmero de xitos totales.
n es el nmero de pruebas totales.
n-x ser el nmero de fracasos totales, cierto?
Entonces, aplicando la regla de la multiplicacin, tendramos que la
probabilidad de obtener x xitos en n pruebas es la probabilidad del xito x
veces por la probabilidad del fracaso n-x veces. Super ultra mega lgico.
Repito.
[probabilidad xito x veces] multiplicada por [probabilidad fracaso n-x veces].
Aqu nadie se inventa nada.
Y el n sobre x?
n sobre x es un nmero combinatorio, que viene de combinar las distintas
formas de ordenar los xitos y los fracasos.
Qu?
Pues que si repetimos la prueba cuarenta veces no es lo mismo acertar las
treinta primera y fallar las diez ltimas que al revs.
Son distintas combinaciones, y por eso hay un nmero combinatorio que las
representa.
Cmo calculo el nmero combinatorio?
Pues sabiendo que el nmero combinatorio n sobre x es igual al factorial de
n dividido por el producto del factorial de x y el factorial de la diferencia entre n
y x.
Aviso: Si no sabes lo que es un nmero combinatorio o un factorial, aqu tienes
un artculo que tienes que mirar antes de seguir: Factorial. Variaciones.
Permutaciones. Combinaciones.
Es decir,
Probabilidad de obtener 38 veces un 6 al lanzar un dado 1200 veces.
Pues tenemos 1200 pruebas de Bernoulli.
xito: sacar un seis al lanzar el dado.
Fracaso: no xito: no sacar un seis al lanzar el dado.
p (probabilidad del xito): un sexto.
Variable aleatoria N: Nmero de xitos del experimento en 1200 repeticiones.
La probabilidad de sacar un seis 38 veces es igual a [la probabilidad de tener
xito 38 veces] por [la probabilidad de fracasar todas las dems veces] por
[todas las posibles formas de ordenar ambos acontecimientos].
Es decir,

Ver: Ejercicio resuelto de distribucin binomial.

Distribucin Geomtrica
Voy a conseguirlo si realizo n intentos?
Pues eso. Cuando repetimos el mismo experimento aleatorio de Bernoulli,
podemos saber qu probabilidad hay de tener al menos un xito al intentarlo n
veces.
Y cmo calculo la probabilidad de que voy a conseguirlo con n intentos?
Pues calculndolo.
Conseguir algo en el n-simo intento significa fallar n menos 1 veces y luego
acertar.
Es decir (probabilidad del fracaso) n-1 veces multiplicando a la probabilidad del
xito.
Es decir,
La probabilidad de obtener al menos un dos al lanzar un dado tres veces, sigue
una distribucin Geomtrica de variable aleatoria X: intentos necesarios para
obtener un dos al lanzar un dado.
xito: La probabilidad de obtener un dos es de un sexto.
Fracaso: La probabilidad de no obtener un dos es de cinco
sextos.
Fracasamos dos veces y acertamos a la tercera, cul es la probabilidad?

Fcil.

Distribucin de Poisson
Poisson fue un estudioso de alta calidad.
Proceso de Poisson: en un punto determinado del tiempo o el espacio se dan
eventos de manera aleatoria.
Por ejemplo, en un cruce de carreteras van llegando coches a lo largo del
tiempo. Cada llegada de un coche es un evento. En una oficina se reciben
llamadas de telfono cada cierto tiempo. Cada llamada es un evento. En un
cable de mil kilmetros hay defectos cada cierta distancia. Cada defecto es un
evento.
Un proceso de Poisson es un experimento aleatorio al que se le asigna la
siguiente variable aleatoria:
P: Nmero de eventos que ocurren en un intervalo de tiempo o regin
especificada.
Los valores que toma esta variable son, naturalmente, los nmeros naturales.
Del cero palante.
Y la distribucin de probabilidad asociada a dicha variable, se llama distribucin
de Poisson.
La funcin de probabilidad de una variable aleatoria de Poisson es:

Donde es el nmero medio de veces que el evento ocurre en el intervalo o


regin especificada.
Si por ejemplo tenemos una carretera con un promedio de 6 baches por
kilmetro, cul es la probabilidad de tener 10 baches en 2km de esa
carretera?
= nmero medio de eventos en regin especificada
= nmero medio de baches en 2km de carretera
= 2 kilmetros por 6 baches de promedio en cada kilmetro =
12 baches
= 12
Probabilidad de que haya 10 baches en los 2km de carretera: