Este temario corresponde en exclusiva a la especialidad de Matemáticas del Cuerpo de Profesores de Enseñanza Secundaria (código 590/512) — una de las aproximadamente 50 especialidades oficiales de este cuerpo. No cubre ninguna otra especialidad de Secundaria (Lengua Castellana y Literatura, Geografía e Historia, Física y Química, Biología y Geología, Inglés, Filosofía, Tecnología, Dibujo, Música...) ni los cuerpos de Maestros o de Profesores Técnicos de Formación Profesional, que tienen temarios propios y distintos, todavía no publicados en OpositaGratis. El cuestionario específico (Parte A) que se reproduce aquí es el fijado con carácter estatal por el entonces Ministerio de Educación y Ciencia, y sigue siendo, más de tres décadas después, el temario base que las distintas Administraciones educativas —las 17 comunidades autónomas más Ceuta y Melilla, cada una competente para convocar su propia oposición— citan y desarrollan en sus resoluciones de convocatoria anual, al no existir una versión posterior que lo haya derogado o sustituido con carácter general para esta especialidad. Cada convocatoria autonómica concreta puede añadir particularidades propias (requisitos lingüísticos en comunidades con lengua cooficial, la prueba de programación y unidad didáctica, u otras variaciones menores de redacción), que no están reflejadas en este índice.
Este tema introduce el concepto general de variable aleatoria discreta y su función de probabilidad, y desarrolla en detalle los dos modelos probabilísticos discretos de mayor relevancia curricular y aplicada: la distribución binomial, que modeliza el número de éxitos en una secuencia de pruebas independientes idénticas, y la distribución de Poisson, que modeliza el número de ocurrencias de un suceso raro en un intervalo continuo de tiempo o espacio. Es un tema con fuerte componente de cálculo (fórmulas, esperanza, varianza) y con relaciones de aproximación entre distribuciones —binomial-Poisson, binomial-normal— que constituyen contenido de examen recurrente, además de vincularse con figuras históricas como Bernoulli y Poisson.
Una variable aleatoria discreta X es una función que asigna un número real a cada resultado posible de un experimento aleatorio, y que solo puede tomar un número finito de valores distintos, o un número infinito pero numerable de ellos, típicamente resultado de procesos de conteo: el número de caras obtenidas al lanzar varias monedas, el número de clientes que llegan a una tienda en una hora, o el número de artículos defectuosos en un lote son ejemplos característicos. A diferencia de una variable estadística descriptiva definida sobre datos ya observados, una variable aleatoria se define de forma teórica y previa a la realización del experimento, asignando a cada suceso elemental del espacio muestral un valor numérico, y asociando a cada uno de esos valores posibles una probabilidad, cuyo estudio conjunto constituye la distribución de probabilidad de la variable. El tratamiento matemático de una variable aleatoria discreta se basa en dos herramientas fundamentales, análogas mutatis mutandis a la tabla de frecuencias y a la frecuencia acumulada de la estadística descriptiva: la función de probabilidad, que asigna a cada valor posible su probabilidad de ocurrencia, y la función de distribución, que acumula dichas probabilidades hasta cada valor, sirviendo ambas de puente conceptual directo entre la estadística descriptiva estudiada en temas anteriores y el cálculo de probabilidades.
Función de probabilidad o masa de probabilidad
La función de probabilidad, o función de masa de probabilidad, de una variable aleatoria discreta X, denotada P(X=xᵢ) o simplemente pᵢ, asigna a cada uno de los valores posibles xᵢ que puede tomar la variable la probabilidad exacta de que dicho valor se produzca en una realización del experimento aleatorio. Para que una función pueda considerarse legítimamente una función de probabilidad debe cumplir dos condiciones análogas a las de la frecuencia relativa en estadística descriptiva: cada valor pᵢ = P(X=xᵢ) debe ser no negativo, pᵢ ≥ 0 para todo i, ya que ninguna probabilidad puede ser negativa; y la suma de las probabilidades de todos los valores posibles de la variable debe ser exactamente igual a uno, Σpᵢ = 1, reflejando la certeza de que la variable ha de tomar necesariamente alguno de sus valores posibles al realizar el experimento. La función de probabilidad puede representarse mediante una tabla que liste los valores xᵢ junto a sus probabilidades pᵢ correspondientes, o mediante una expresión algebraica cerrada cuando la variable sigue un modelo teórico conocido, como ocurre con las distribuciones binomial y de Poisson desarrolladas en este mismo tema, en las que dicha fórmula permite calcular la probabilidad de cualquier valor sin necesidad de una tabla exhaustiva de todos los casos posibles.
Función de distribución de una variable discreta
La función de distribución F(x) de una variable aleatoria discreta X, análoga conceptualmente a la frecuencia relativa acumulada de la estadística descriptiva, se define como la probabilidad de que la variable tome un valor menor o igual que un valor real x dado, F(x) = P(X≤x), calculándose para cada x como la suma de las probabilidades de todos los valores xᵢ de la variable que sean menores o iguales que dicho x. Se trata de una función escalonada y no decreciente, que presenta saltos discontinuos exactamente en cada uno de los valores posibles xᵢ de la variable, de magnitud igual a la probabilidad P(X=xᵢ) de dicho valor, y que permanece constante entre dos valores consecutivos de la variable, ya que no hay ninguna probabilidad adicional que acumular en el intervalo entre ambos. La función de distribución cumple siempre F(-∞) = 0 (no hay probabilidad acumulada antes del valor mínimo posible de la variable) y F(+∞) = 1 (toda la probabilidad está acumulada al llegar al valor máximo). La función de distribución resulta especialmente útil para calcular directamente probabilidades acumuladas o de intervalos, como P(X≤k), P(X<k) = F(k) - P(X=k), o P(X>k) = 1 - F(k), evitando sumar individualmente varias probabilidades puntuales en cálculos con distribuciones tabuladas.
Esperanza matemática de una variable discreta
La esperanza matemática, o valor esperado, E(X) de una variable aleatoria discreta X, es el análogo teórico y probabilístico de la media aritmética de la estadística descriptiva, y se calcula como la suma de cada valor posible de la variable ponderado por su probabilidad correspondiente, E(X) = Σxᵢ·pᵢ. Conceptualmente, la esperanza matemática representa el valor medio que cabría esperar obtener si el experimento aleatorio se repitiera un número muy elevado de veces, promediando los resultados obtenidos en todas esas repeticiones, interpretación que se fundamenta rigurosamente en la ley de los grandes números estudiada en el tema 63: a medida que el número de repeticiones del experimento crece indefinidamente, la media aritmética observada de los resultados converge, en probabilidad, hacia el valor de la esperanza matemática teórica de la variable. La esperanza matemática no tiene por qué coincidir necesariamente con ninguno de los valores concretos que la variable puede efectivamente tomar (por ejemplo, la esperanza del número de caras al lanzar tres monedas es 1,5, un valor que la variable nunca puede tomar realmente, al ser esta discreta y solo poder tomar valores enteros), lo que debe aclararse explícitamente para evitar una interpretación errónea de la esperanza como un resultado individual posible del experimento.
Varianza y desviación típica de una variable discreta
La varianza Var(X) de una variable aleatoria discreta X mide su dispersión teórica en torno a su esperanza matemática, y se define de forma análoga a la varianza descriptiva estudiada en el tema 60, como la esperanza matemática del cuadrado de las desviaciones respecto a la propia esperanza, Var(X) = E[(X-E(X))²] = Σ(xᵢ-E(X))²·pᵢ, admitiendo también, mediante un desarrollo algebraico análogo al teorema de König, la fórmula de cálculo práctico Var(X) = E(X²) - [E(X)]², donde E(X²) = Σxᵢ²·pᵢ es la esperanza matemática del cuadrado de la variable. La desviación típica σ(X) de la variable aleatoria es, como en el caso descriptivo, la raíz cuadrada positiva de la varianza, y recupera las unidades originales de la variable, perdidas al elevar al cuadrado las desviaciones en el cálculo de la varianza. Estas dos magnitudes, junto con la esperanza matemática, constituyen los parámetros teóricos fundamentales que caracterizan por completo el comportamiento probabilístico de las distribuciones binomial y de Poisson desarrolladas en los siguientes apartados de este tema, para las cuales existen fórmulas cerradas y directas de cálculo de E(X) y Var(X) a partir exclusivamente de los parámetros propios de cada distribución, sin necesidad de aplicar las fórmulas generales sumatorias en cada caso concreto.
Linealidad de la esperanza
La propiedad de linealidad de la esperanza matemática establece que, para cualesquiera variables aleatorias X e Y, y para cualesquiera constantes reales a y b, se cumple siempre E(aX+bY) = a·E(X)+b·E(Y), propiedad que se mantiene válida con total generalidad, sean o no independientes las variables X e Y entre sí, a diferencia de otras propiedades probabilísticas (como la de la varianza de una suma) que sí exigen la condición de independencia para su validez. Un caso particular especialmente relevante de esta propiedad es E(aX+b) = a·E(X)+b, que permite calcular de forma inmediata la esperanza de cualquier transformación lineal de una variable aleatoria conocida, sin necesidad de recalcular la distribución de probabilidad completa de la nueva variable transformada. La linealidad de la esperanza es la propiedad matemática que permite, entre otras aplicaciones, deducir de forma sencilla y elegante la esperanza de la distribución binomial (interpretada como suma de n variables de Bernoulli independientes) sin necesidad de desarrollar la suma completa y compleja que definiría directamente dicha esperanza a partir de su función de probabilidad general, constituyendo así una herramienta de cálculo y de demostración de extraordinaria utilidad práctica en el desarrollo teórico de las distribuciones de probabilidad discretas estudiadas en este tema.
Distribución de Bernoulli
La distribución de Bernoulli, nombrada en honor al matemático suizo Jacob Bernoulli, es el modelo probabilístico discreto más elemental posible, y describe un experimento aleatorio con únicamente dos resultados posibles, mutuamente excluyentes: éxito, con probabilidad p, y fracaso, con probabilidad complementaria 1-p (denotada habitualmente q). La variable aleatoria de Bernoulli X toma el valor 1 si se produce el éxito y el valor 0 si se produce el fracaso, siendo su función de probabilidad P(X=1)=p y P(X=0)=1-p=q. Su esperanza matemática es E(X) = 1·p + 0·(1-p) = p, resultado especialmente sencillo e intuitivo: la esperanza de una variable de Bernoulli coincide exactamente con su probabilidad de éxito. Su varianza es Var(X) = p·(1-p) = p·q, obtenida mediante la fórmula E(X²)-[E(X)]², teniendo en cuenta que X² = X al tomar X únicamente los valores 0 y 1. Pese a su extrema sencillez, la distribución de Bernoulli desempeña un papel fundamental y estructural dentro de la teoría de la probabilidad, ya que constituye el bloque constructivo elemental a partir del cual se define, mediante la repetición de n pruebas de Bernoulli independientes e idénticas, la distribución binomial desarrollada en el siguiente apartado de este tema.
Distribución binomial: parámetros n y p
La distribución binomial modeliza el número total de éxitos, X, obtenido al repetir n veces, de forma independiente entre sí, un mismo experimento de Bernoulli con probabilidad de éxito p constante en todas las repeticiones, condiciones que se conocen conjuntamente como experimento binomial: un número fijo y conocido de pruebas (n), cada prueba con solo dos resultados posibles (éxito o fracaso), probabilidad de éxito constante en todas las pruebas (p), e independencia entre los resultados de las distintas pruebas. La variable aleatoria binomial X, que se denota habitualmente X ~ B(n,p), puede tomar cualquier valor entero entre 0 (ningún éxito en las n pruebas) y n (éxito en todas las pruebas). Ejemplos típicos de experimentos binomiales son el número de caras obtenidas al lanzar n veces una moneda, el número de artículos defectuosos al examinar n artículos de una producción con una tasa de defectos constante y conocida (siempre que el muestreo se realice con reemplazamiento, o que la población sea suficientemente grande para poder asumir aproximadamente la independencia entre extracciones), o el número de aciertos al responder al azar n preguntas de un test de opción múltiple con la misma probabilidad de acierto en cada una de ellas.
Fórmula de la distribución binomial
La función de probabilidad de la distribución binomial X ~ B(n,p) proporciona la probabilidad de obtener exactamente k éxitos en las n pruebas, y se calcula mediante la fórmula P(X=k) = C(n,k)·pᵏ·(1-p)ⁿ⁻ᵏ, donde C(n,k) = n!/(k!·(n-k)!) es el número combinatorio "n sobre k", que cuenta el número de formas distintas y equiprobables en que pueden distribuirse exactamente k éxitos entre las n pruebas realizadas, sin importar el orden concreto en que se hayan producido dichos éxitos dentro de la secuencia de n pruebas. El término pᵏ representa la probabilidad de que se produzcan exactamente esos k éxitos concretos (multiplicando la probabilidad p de éxito tantas veces como éxitos se buscan, en aplicación directa de la regla del producto para sucesos independientes), y el término (1-p)ⁿ⁻ᵏ representa, de forma análoga, la probabilidad de que se produzcan los n-k fracasos restantes; el número combinatorio actúa multiplicando este producto por el número de secuencias distintas de éxitos y fracasos que dan lugar exactamente al mismo resultado total de k éxitos, ya que la binomial, a diferencia de la simple regla del producto aplicada a una secuencia concreta, no distingue el orden en que se producen los éxitos y fracasos dentro de las n pruebas.
Esperanza y varianza de la distribución binomial
La esperanza matemática y la varianza de una variable aleatoria binomial X ~ B(n,p) admiten fórmulas cerradas extraordinariamente sencillas, deducibles de forma elegante mediante la propiedad de linealidad de la esperanza y una propiedad análoga de la varianza para variables independientes, interpretando la variable binomial X como la suma de n variables de Bernoulli independientes X₁, X₂, ..., Xₙ, cada una de ellas con parámetro p: E(X) = n·p, y Var(X) = n·p·(1-p) = n·p·q. La esperanza n·p tiene una interpretación intuitiva inmediata: si cada una de las n pruebas tiene una probabilidad p de éxito, cabe esperar, en promedio, que se produzcan aproximadamente n·p éxitos en el total de las n pruebas realizadas, resultado consistente con la esperanza de una única prueba de Bernoulli, E(Xᵢ) = p, multiplicada por el número de pruebas n, en aplicación directa de la linealidad de la esperanza para la suma de las n variables de Bernoulli que componen la variable binomial. La desviación típica correspondiente es σ(X) = √(n·p·q), magnitud que resulta especialmente relevante para determinar, mediante la aproximación normal de la binomial que se estudia más adelante en este mismo tema, un intervalo de valores en torno a la esperanza n·p dentro del cual es previsible que se sitúe el resultado observado del experimento binomial.
Distribución de Poisson: parámetro λ
La distribución de Poisson, nombrada en honor al matemático francés Siméon Denis Poisson, modeliza el número de veces que ocurre un determinado suceso raro o infrecuente dentro de un intervalo continuo de tiempo, de espacio, de superficie o de volumen fijado de antemano, cuando dichas ocurrencias se producen de forma aleatoria e independiente entre sí, y con una tasa media constante de ocurrencia a lo largo del intervalo considerado. Su único parámetro, λ (lambda), representa precisamente el número medio o esperado de ocurrencias del suceso dentro del intervalo considerado, y caracteriza completamente a la distribución. Ejemplos característicos de fenómenos que se modelizan adecuadamente mediante una distribución de Poisson son el número de llamadas recibidas en una centralita telefónica durante una hora, el número de erratas tipográficas por página en un libro, el número de desintegraciones radiactivas de una muestra en un intervalo de tiempo fijado, o el número de accidentes de tráfico registrados en un determinado tramo de carretera durante un año. La condición conceptual clave para que un fenómeno pueda modelizarse razonablemente mediante una distribución de Poisson es que las ocurrencias del suceso sean relativamente raras o poco frecuentes dentro del intervalo considerado, y que se produzcan de forma aleatoria e independiente entre sí, sin ningún tipo de agrupamiento o de dependencia temporal o espacial entre ocurrencias sucesivas.
Fórmula de la distribución de Poisson
La función de probabilidad de una variable aleatoria de Poisson X con parámetro λ, denotada X ~ P(λ), proporciona la probabilidad de que ocurran exactamente k sucesos dentro del intervalo considerado, mediante la fórmula P(X=k) = (e⁻λ·λᵏ)/k!, donde e es el número de Euler (base de los logaritmos neperianos, aproximadamente 2,71828), λ es el parámetro de la distribución (el número medio de ocurrencias en el intervalo), k es el número concreto de ocurrencias cuya probabilidad se desea calcular, y k! es el factorial de k. A diferencia de la distribución binomial, cuya variable aleatoria está acotada superiormente por el número fijo de pruebas n, la variable de Poisson puede tomar teóricamente cualquier valor entero no negativo, sin límite superior, aunque la probabilidad de valores muy alejados de λ se vuelve rápidamente despreciable a medida que k se aleja de dicho parámetro. Esta fórmula puede deducirse rigurosamente como el límite matemático de la fórmula de la distribución binomial cuando el número de pruebas n tiende a infinito y la probabilidad de éxito p tiende simultáneamente a cero, de tal manera que el producto n·p se mantiene constante e igual precisamente al parámetro λ, lo que fundamenta matemáticamente la relación de aproximación entre ambas distribuciones que se desarrolla en un apartado posterior de este mismo tema.
Esperanza y varianza de la distribución de Poisson
Una propiedad especialmente notable y de fácil recuerdo de la distribución de Poisson es que su esperanza matemática y su varianza coinciden exactamente entre sí, siendo ambas iguales al único parámetro λ que caracteriza a la distribución: E(X) = λ y Var(X) = λ, resultado que se obtiene aplicando directamente las fórmulas generales de esperanza y varianza de una variable aleatoria discreta, Σk·P(X=k) y Σk²·P(X=k)-[E(X)]², a la función de probabilidad de Poisson previamente definida, mediante un desarrollo algebraico que emplea el desarrollo en serie de la función exponencial. Esta igualdad entre esperanza y varianza es una característica distintiva de la distribución de Poisson entre las principales distribuciones discretas estudiadas en el temario (en la binomial la varianza es menor que la media, y en la binomial negativa o la geométrica es mayor), y constituye, en la práctica, un criterio empírico sencillo y muy utilizado para valorar si un conjunto de datos observado (por ejemplo, el número de siniestros registrados en distintos periodos de tiempo iguales) puede modelizarse razonablemente mediante una distribución de Poisson: si la varianza muestral observada de los datos resulta muy distinta de su media muestral (fenómeno conocido en estadística aplicada como sobredispersión, cuando la varianza observada supera claramente a la media), ello constituye un indicio de que el modelo de Poisson no resulta adecuado para describir dicho fenómeno concreto, y de que sería preferible recurrir a otro modelo probabilístico alternativo más flexible.
Aproximación de la binomial por la Poisson
La distribución de Poisson puede emplearse como una aproximación matemáticamente válida y computacionalmente mucho más sencilla de la distribución binomial en aquellas situaciones en que el número de pruebas n es muy elevado y, simultáneamente, la probabilidad de éxito p es muy pequeña, de modo que su producto n·p (que coincide exactamente con la esperanza de la binomial) toma un valor moderado, ni excesivamente próximo a cero ni excesivamente elevado; en tales condiciones, se aproxima la distribución binomial B(n,p) mediante una distribución de Poisson de parámetro λ = n·p. Como criterio práctico orientativo, ampliamente aceptado en los manuales y muy frecuente en el examen, esta aproximación se considera suficientemente precisa cuando n ≥ 30 y p ≤ 0,1 (es decir, un suceso relativamente raro); los umbrales exactos varían según los manuales (por ejemplo, n ≥ 100 y n·p ≤ 10 es otro criterio muy extendido), por lo que conviene indicar siempre el criterio utilizado, condiciones que reflejan precisamente el escenario límite matemático mediante el cual se dedujo formalmente la fórmula de Poisson a partir de la binomial. Esta aproximación resulta especialmente valiosa en la práctica de cálculo manual o con calculadora científica, ya que evita el cálculo de números combinatorios con valores de n muy grandes, que pueden resultar computacionalmente incómodos o directamente inviables sin recursos informáticos, sustituyéndolos por la fórmula, considerablemente más manejable, de la distribución de Poisson.
Distribución geométrica
La distribución geométrica modeliza el número de pruebas de Bernoulli independientes, cada una con la misma probabilidad de éxito p, que es necesario realizar hasta obtener el primer éxito, ambas inclusive, siendo por tanto una distribución conceptualmente relacionada con la binomial (comparte el mismo tipo de prueba elemental de Bernoulli), pero que responde a una pregunta distinta: mientras que la binomial fija de antemano el número de pruebas n y pregunta por el número de éxitos obtenidos, la geométrica fija de antemano que se busca un único éxito (el primero) y pregunta por el número de pruebas necesarias para conseguirlo, siendo por tanto una variable aleatoria que puede tomar cualquier valor entero positivo, sin límite superior teórico. Su función de probabilidad es P(X=k) = (1-p)ᵏ⁻¹·p, correspondiente a la probabilidad de obtener fracaso en las primeras k-1 pruebas y éxito precisamente en la k-ésima, siendo su esperanza matemática E(X) = 1/p (cuanto menor es la probabilidad de éxito de cada prueba individual, mayor es, como cabría esperar intuitivamente, el número medio de pruebas necesarias hasta conseguir el primer éxito) y su varianza Var(X) = (1-p)/p². Un ejemplo típico es el número de lanzamientos de un dado necesarios hasta obtener por primera vez un seis.
Distribución hipergeométrica y su diferencia con la binomial
La distribución hipergeométrica modeliza, al igual que la binomial, el número de éxitos obtenidos al extraer una muestra de tamaño n de una población que contiene un número conocido de elementos con la característica de interés (éxitos) y otro número conocido de elementos sin dicha característica (fracasos), pero se diferencia de la binomial en un aspecto crucial: la extracción se realiza sin reemplazamiento, de modo que la composición de la población, y en consecuencia la probabilidad de éxito en cada extracción sucesiva, va cambiando a lo largo del proceso de muestreo, dependiendo del resultado obtenido en las extracciones anteriores, lo que rompe la condición de independencia entre pruebas exigida por el modelo binomial. Su función de probabilidad, más compleja que la de la binomial, se expresa en términos de números combinatorios que cuentan el número de formas de elegir los elementos de éxito y de fracaso de la muestra a partir de la población total. No obstante, cuando el tamaño de la población N es mucho mayor que el tamaño de la muestra n extraída (habitualmente cuando n representa menos del 5-10 % de N), el efecto de la ausencia de reemplazamiento sobre las probabilidades sucesivas se vuelve prácticamente despreciable, y la distribución hipergeométrica puede aproximarse razonablemente, en la práctica, mediante una distribución binomial con parámetro p igual a la proporción de éxitos en la población total.
Aplicaciones de la binomial a experimentos repetidos independientes
La distribución binomial encuentra aplicación en una extraordinaria variedad de contextos prácticos y profesionales caracterizados por la repetición de un número fijo de pruebas idénticas e independientes entre sí, con dos únicos resultados posibles en cada una de ellas. En control de calidad industrial, permite calcular la probabilidad de encontrar un determinado número de artículos defectuosos al inspeccionar una muestra de tamaño fijo procedente de un proceso de fabricación con una tasa de defectos conocida y estable, informando decisiones sobre la aceptación o el rechazo de lotes completos de producción. En genética, modeliza el número de descendientes que heredan un determinado carácter genético entre un número fijo de crías, cuando dicho carácter sigue un patrón de herencia mendeliana simple con una probabilidad de transmisión conocida. En estudios electorales y de opinión pública, permite calcular la probabilidad de obtener un determinado número de respuestas favorables a una opción concreta al encuestar a un número fijo de personas, bajo el supuesto de que la proporción real de apoyo en la población es conocida o hipotética. En medicina, modeliza el número de pacientes que responden favorablemente a un tratamiento entre un grupo de tamaño fijo, cuando se conoce o se supone conocida la tasa de éxito individual del tratamiento evaluado.
Aplicaciones de la Poisson a sucesos raros en un intervalo
La distribución de Poisson resulta particularmente adecuada para modelizar fenómenos naturales, sociales o tecnológicos en los que interesa cuantificar el número de ocurrencias de un suceso relativamente infrecuente dentro de un intervalo bien delimitado de tiempo, espacio o superficie, sin que exista un número fijo de "pruebas" identificable como en el caso binomial. En seguros y actuaría, modeliza el número de siniestros o reclamaciones que recibe una compañía aseguradora en un periodo de tiempo determinado, informando el cálculo de primas y de reservas técnicas. En telecomunicaciones e informática, modeliza el número de llamadas entrantes en una centralita, de paquetes de datos que llegan a un servidor, o de fallos de un sistema informático en un intervalo de tiempo fijado, información esencial para el dimensionamiento de infraestructuras de red y de capacidad de procesamiento. En física nuclear, modeliza el número de partículas emitidas por desintegración radiactiva de una muestra en un intervalo de tiempo, fenómeno físico que constituyó, históricamente, uno de los primeros y más citados ejemplos experimentales de ajuste empírico casi perfecto a la distribución de Poisson teórica. En epidemiología, modeliza el número de casos nuevos de una enfermedad rara registrados en una región durante un periodo determinado, siempre que dichos casos se produzcan de forma independiente entre sí, sin contagio ni agrupamiento espacial o temporal relevante.
Aproximación de la binomial por la normal (De Moivre-Laplace)
El teorema de De Moivre-Laplace, considerado el primer caso histórico particular del teorema central del límite que se desarrolla con carácter general en el tema 66, establece que una distribución binomial B(n,p) puede aproximarse mediante una distribución normal de la misma media y varianza, N(n·p, √(n·p·q)), cuando el número de pruebas n es suficientemente grande, con independencia del valor concreto de la probabilidad p, siempre que esta no sea demasiado extrema (ni muy próxima a 0 ni muy próxima a 1). Como criterio práctico habitual, ampliamente aceptado y de frecuente aparición en el examen, esta aproximación se considera suficientemente precisa cuando se cumplen simultáneamente las condiciones n·p ≥ 5 y n·(1-p) ≥ 5 (o, según otros manuales, n·p ≥ 10 y n·q ≥ 10, criterio más exigente), garantizando así que tanto el número esperado de éxitos como el de fracasos sean suficientemente grandes como para que la forma de la distribución binomial resulte razonablemente simétrica y acampanada, similar a la de la distribución normal. Esta aproximación reviste gran utilidad práctica cuando n es demasiado grande para calcular directamente y con comodidad los números combinatorios exactos de la fórmula binomial, permitiendo recurrir en su lugar a las tablas, mucho más manejables, de la distribución normal estándar previa tipificación de la variable.
Corrección por continuidad en la aproximación normal
Dado que la distribución binomial es una distribución discreta, que solo puede tomar valores enteros, mientras que la distribución normal empleada para aproximarla es una distribución continua, definida sobre todo el eje real, es necesario aplicar una corrección técnica denominada corrección por continuidad al calcular probabilidades puntuales o de intervalos discretos mediante dicha aproximación normal, con el fin de minimizar el error introducido por esta discrepancia fundamental de naturaleza entre ambas distribuciones. La corrección consiste en ampliar en 0,5 unidades, en cada extremo relevante, el intervalo sobre el que se calcula la probabilidad mediante la distribución normal continua: así, para aproximar P(X=k) en la binomial se calcula, mediante la normal, P(k-0,5 < Y < k+0,5); para aproximar P(X≤k) se calcula P(Y < k+0,5); y para aproximar P(X≥k) se calcula P(Y > k-0,5). Esta corrección, que puede parecer un detalle técnico menor, resulta especialmente relevante para obtener resultados numéricamente precisos cuando el valor de n no es extraordinariamente grande, y su omisión constituye un error frecuente y penalizado en la resolución de ejercicios de aproximación normal de la binomial, que se estudia con mayor detalle en el tema 66 al desarrollar en profundidad la distribución normal y su relación con el teorema central del límite.
Jacob Bernoulli y Siméon Poisson: contexto histórico
Jacob Bernoulli (1654-1705), miembro de la célebre familia de matemáticos suizos Bernoulli, es el autor de la obra póstuma "Ars Conjectandi" (El arte de la conjetura), publicada en 1713 por su sobrino tras su muerte, en la que se formuló por primera vez de forma rigurosa la ley de los grandes números en su versión más elemental, y en la que se estudió con detalle el modelo probabilístico que hoy lleva su nombre, base constructiva de la distribución binomial. Siméon Denis Poisson (1781-1840) fue un matemático, ingeniero y físico francés cuyo trabajo abarcó campos tan diversos como la electricidad, el magnetismo, la mecánica celeste y la probabilidad, disciplina en la que introdujo en su obra de 1837 "Recherches sur la probabilité des jugements en matière criminelle et en matière civile" la distribución que lleva su nombre, obtenida originalmente precisamente como el límite matemático de la distribución binomial cuando el número de pruebas crece indefinidamente y la probabilidad de éxito individual decrece proporcionalmente, situación que Poisson analizó en el contexto, indicado por el propio título de su obra, de la probabilidad de error en los veredictos de los tribunales de justicia, un origen histórico curiosamente afín a las aplicaciones judiciales de la probabilidad condicionada y del teorema de Bayes estudiadas en el tema anterior.
Ejemplo completo de variable discreta: función de probabilidad, distribución, esperanza y varianza
Sea X el número de caras al lanzar dos monedas equilibradas. Su función de probabilidad es P(X=0) = 1/4, P(X=1) = 1/2 y P(X=2) = 1/4, que suma 1. La función de distribución es F(x) = 0 para x < 0, F(x) = 1/4 para 0 ≤ x < 1, F(x) = 3/4 para 1 ≤ x < 2 y F(x) = 1 para x ≥ 2. La esperanza es E(X) = 0·1/4 + 1·1/2 + 2·1/4 = 1, E(X²) = 0 + 1/2 + 4/4 = 3/2 y la varianza es Var(X) = 3/2 - 1 = 1/2, con desviación típica ≈ 0,707. Estos valores coinciden con los de una binomial B(2; 0,5): np = 1 y npq = 0,5. Para una función g de la variable, la esperanza se calcula como E[g(X)] = Σg(xᵢ)·pᵢ, sin necesidad de obtener la distribución de g(X); en particular, E(aX + b) = a·E(X) + b y Var(aX + b) = a²·Var(X): las traslaciones no alteran la dispersión y los cambios de escala la multiplican por a². Si X e Y son independientes, Var(X + Y) = Var(X) + Var(Y), y la desviación típica de la suma no es la suma de desviaciones típicas.
Esperanza y juegos de azar: juegos equitativos
La esperanza matemática de la ganancia neta es el criterio para decidir si un juego es equitativo (E = 0), favorable (E > 0) o desfavorable (E < 0) para el jugador. En la ruleta europea, que tiene 37 casillas numeradas del 0 al 36, una apuesta de 1 euro a un número paga 35 euros además de devolver la apuesta; la ganancia neta es +35 con probabilidad 1/37 y -1 con probabilidad 36/37, de modo que E = 35/37 - 36/37 = -1/37 ≈ -0,027 euros: en promedio, el jugador pierde unos 2,7 céntimos por euro apostado. En un juego equitativo la cuota se ajusta a la probabilidad: si se apuesta 1 euro a un suceso de probabilidad 1/6 (por ejemplo, un número en un dado), la ganancia neta justa es 5 euros. La ley de los grandes números garantiza que, a largo plazo, el promedio de ganancias por jugada se aproxima a la esperanza, pero no que se compensen las pérdidas y ganancias en un número reducido de jugadas. Este tipo de análisis es una aplicación habitual en el aula para desarrollar el sentido crítico ante los juegos de azar.
Propiedades y cálculo práctico de la distribución binomial
Para X ~ B(n, p) se cumplen varias propiedades útiles. Simetría: P(X = k; n, p) = P(X = n - k; n, 1 - p), por lo que las tablas suelen estar construidas solo para p ≤ 0,5. Recurrencia: P(X = k + 1) = P(X = k)·[(n - k)/(k + 1)]·[p/q], que permite calcular toda la distribución a partir de P(X = 0) = qⁿ. Moda: es el entero mayor o igual que (n + 1)p - 1 y menor o igual que (n + 1)p (un único valor, [(n + 1)p], salvo que (n + 1)p sea entero, en cuyo caso hay dos modas consecutivas). Aditividad: si X ~ B(n₁, p) e Y ~ B(n₂, p) son independientes, X + Y ~ B(n₁ + n₂, p). Probabilidad de «al menos un éxito»: 1 - qⁿ. Ejemplo: en un test de 10 preguntas con 4 opciones, respondiendo al azar (p = 0,25), P(X = 3) ≈ 0,2503 y P(X ≥ 5) ≈ 0,0781, es decir, aprobar (5 aciertos o más) al azar es poco probable; la esperanza es np = 2,5 y la desviación típica √(10·0,25·0,75) ≈ 1,37. En genética mendeliana, si dos progenitores portadores de un carácter recesivo tienen 4 hijos, la probabilidad de que exactamente 2 lo manifiesten es C(4,2)(1/4)²(3/4)² = 54/256 ≈ 0,211. En las hojas de cálculo existen funciones específicas para estos cálculos (por ejemplo, DISTR.BINOM.N en Excel en español), así como en GeoGebra y calculadoras científicas.
Propiedades y cálculo práctico de la distribución de Poisson
La distribución de Poisson cumple una recurrencia sencilla, P(X = k + 1) = P(X = k)·λ/(k + 1), con P(X = 0) = e^(-λ). La moda es [λ] (la parte entera de λ), y hay dos modas, λ - 1 y λ, si λ es entero. Es aditiva: si X ~ P(λ₁) e Y ~ P(λ₂) son independientes, X + Y ~ P(λ₁ + λ₂). El parámetro es proporcional a la longitud del intervalo: si el número medio de ocurrencias por unidad es μ, en un intervalo de longitud t el parámetro es λ = μ·t. Ejemplo: una centralita recibe 3 llamadas por hora en promedio. En una hora, P(X = 0) = e⁻³ ≈ 0,0498, P(X = 2) = e⁻³·3²/2 ≈ 0,224 y P(X ≥ 1) = 1 - e⁻³ ≈ 0,950. En media hora λ = 1,5 y P(X = 0) = e^(-1,5) ≈ 0,223. Un caso histórico célebre es el de Ladislaus von Bortkiewicz, que en 1898 mostró que el número anual de soldados del ejército prusiano muertos por coz de caballo en cada cuerpo de caballería se ajustaba muy bien a una distribución de Poisson, y acuñó la expresión «ley de los pequeños números».
Ejemplos numéricos de las aproximaciones binomial-Poisson y binomial-normal
Aproximación por Poisson: si X ~ B(200; 0,01), entonces λ = np = 2 y la aproximación por P(2) da P(X = 3) ≈ e⁻²·2³/3! ≈ 0,1804, frente al valor exacto 0,1814; para P(X = 0), la aproximación da e⁻² ≈ 0,1353 y el valor exacto es 0,1340. La concordancia es muy buena porque n es grande y p pequeño. Aproximación normal con corrección por continuidad: si X ~ B(100; 0,5), entonces μ = np = 50 y σ = √(npq) = 5; para calcular P(X ≤ 45) se estandariza el valor corregido 45,5: z = (45,5 - 50)/5 = -0,9, y Φ(-0,9) = 1 - 0,8159 = 0,1841, que coincide con el valor exacto (0,1841) hasta la cuarta cifra decimal; sin la corrección, z = -1 y Φ(-1) = 0,1587, un resultado claramente peor. Para la probabilidad de un valor concreto, P(X = 55) ≈ P(54,5 < Y < 55,5) = Φ(1,1) - Φ(0,9) = 0,8643 - 0,8159 = 0,0484. En un examen, el esquema siempre debe incluir la comprobación de las condiciones de la aproximación (np ≥ 5 y nq ≥ 5, o los umbrales que indique el enunciado), la transformación de la desigualdad discreta en continua y la tipificación.
Distribución geométrica y binomial negativa: precisiones
La distribución geométrica admite dos convenciones: contar el número de pruebas hasta el primer éxito, X = 1, 2, 3, ... (la que se ha utilizado en este tema, con P(X = k) = q^(k-1)·p, E(X) = 1/p y Var(X) = q/p²), o contar solo los fracasos previos al primer éxito, Y = X - 1 = 0, 1, 2, ... (con P(Y = k) = qᵏ·p, E(Y) = q/p y la misma varianza). Es importante indicar la convención adoptada. La geométrica es la única distribución discreta que cumple la propiedad de falta de memoria: P(X > m + n | X > m) = P(X > n), lo que significa que, tras un número de fracasos, el número de pruebas adicionales hasta el éxito sigue teniendo la misma distribución (otro motivo por el que la falacia del jugador es errónea). Su generalización es la distribución binomial negativa, que cuenta el número de pruebas hasta el r-ésimo éxito: P(X = k) = C(k - 1, r - 1)·pʳ·q^(k-r) para k ≥ r, con E(X) = r/p y Var(X) = r·q/p². Ejemplo: el número esperado de lanzamientos de un dado hasta obtener el primer seis es 1/p = 6, y la probabilidad de necesitar más de 6 lanzamientos es (5/6)⁶ ≈ 0,335.
Distribución hipergeométrica: fórmula, momentos y ejemplo de lotería
Si una población de tamaño N contiene K elementos con la característica de interés y se extrae sin reemplazamiento una muestra de tamaño n, el número X de elementos con la característica en la muestra sigue una distribución hipergeométrica, con P(X = k) = C(K, k)·C(N - K, n - k)/C(N, n). Su esperanza es E(X) = n·K/N, igual a la de una binomial de parámetros n y p = K/N, y su varianza es Var(X) = n·(K/N)·(1 - K/N)·(N - n)/(N - 1), que es la de la binomial multiplicada por el factor de corrección de población finita (N - n)/(N - 1) < 1. Este factor tiende a 1 cuando N es mucho mayor que n, lo que justifica la aproximación de la hipergeométrica por la binomial. Ejemplo: en la lotería primitiva se eligen 6 números entre 49; la probabilidad de acertar exactamente 3 de los 6 números premiados con una apuesta simple es C(6,3)·C(43,3)/C(49,6) = 20·12 341/13 983 816 ≈ 0,0177. Otro ejemplo habitual: en una caja de 20 piezas con 4 defectuosas se extraen 5 sin reemplazamiento; el número de defectuosas en la muestra es hipergeométrico con E(X) = 5·4/20 = 1.
Resumen comparativo: qué modelo elegir
Para identificar el modelo adecuado conviene fijarse en qué se cuenta y en qué está fijo. Binomial B(n, p): pruebas independientes con p constante; se fija n y se cuenta el número de éxitos (0 a n). Hipergeométrica: como la binomial, pero sin reemplazamiento en una población finita; el número de éxitos en una muestra de n. Geométrica: se repiten pruebas independientes con p constante y se cuenta el número de pruebas hasta el primer éxito. Binomial negativa: igual, pero hasta el r-ésimo éxito. Poisson P(λ): no hay un número fijo de pruebas; se cuenta el número de ocurrencias de un suceso raro en un intervalo de tiempo, longitud, área o volumen, con tasa media constante. Multinomial: generalización de la binomial a más de dos resultados por prueba, con P(n₁,...,n_k) = n!/(n₁!···n_k!)·p₁^n₁···p_k^n_k. Las esperanzas y varianzas respectivas son np y npq (binomial), nK/N y la corregida (hipergeométrica), 1/p y q/p² (geométrica), r/p y rq/p² (binomial negativa) y λ y λ (Poisson). Un criterio práctico: si en el enunciado aparece «cada prueba» y un número fijo de pruebas, se piensa en binomial; si aparece «por hora», «por página» o «por metro cuadrado», en Poisson; si aparece «hasta que ocurra», en geométrica; y si se extraen elementos «sin devolverlos» de una población pequeña, en hipergeométrica.
Errores típicos en los problemas de variable discreta
Los errores más frecuentes son los siguientes. Aplicar la binomial cuando las pruebas no son independientes o la probabilidad cambia (muestreo sin reemplazamiento en una población pequeña). Confundir «al menos k» (P(X ≥ k) = 1 - P(X ≤ k - 1)) con «más de k» (P(X ≥ k + 1)) y con «como máximo k». Olvidar que la variable binomial incluye el valor 0 y que, por tanto, P(X ≥ 1) = 1 - P(X = 0). En Poisson, no ajustar el parámetro λ a la longitud del intervalo preguntado (si λ = 3 por hora, en 30 minutos es 1,5). Usar la aproximación de Poisson cuando p no es pequeño, o la normal sin comprobar np ≥ 5 y nq ≥ 5. Omitir la corrección por continuidad, o aplicarla en el sentido contrario (P(X ≤ k) se aproxima con k + 0,5, y P(X ≥ k) con k - 0,5). Interpretar la esperanza como el valor más probable o como un valor que la variable debe tomar (np puede no ser entero). Sumar desviaciones típicas en lugar de varianzas al estudiar la suma de variables independientes. Confundir la desviación típica de la suma de n variables, σ√n, con la de la media, σ/√n.
Tratamiento didáctico: software, simulación y modelización
El estudio de las distribuciones discretas se apoya en recursos tecnológicos: hojas de cálculo con funciones de distribución para binomial y Poisson, GeoGebra con su calculadora de probabilidades, calculadoras científicas con modo de distribución, y lenguajes de programación que permiten simular experimentos binomiales (por ejemplo, repetir miles de veces la suma de n variables de Bernoulli). Es recomendable que el alumnado compare la distribución teórica con las frecuencias relativas simuladas y observe cómo, al aumentar el número de simulaciones, la frecuencia se aproxima a la probabilidad, cómo la forma de la binomial se hace más simétrica y acampanada al aumentar n, y cómo la binomial con n grande y p pequeño se parece a la de Poisson. En el currículo de Bachillerato destaca el uso de la distribución binomial en contextos de modelización y su aproximación por la normal, mientras que la distribución de Poisson suele tratarse como ampliación o en niveles superiores. La modelización parte de identificar las hipótesis (independencia, probabilidad constante, número fijo de pruebas), validarlas críticamente y interpretar el resultado en el contexto del problema.
Ideas clave para el examen — memoriza esto
Función de probabilidad P(X=xᵢ)=pᵢ: pᵢ≥0 y Σpᵢ=1 (análogo teórico de la frecuencia relativa).
Función de distribución F(x)=P(X≤x): escalonada, no decreciente, con saltos de magnitud pᵢ en cada valor posible.
Esperanza E(X)=Σxᵢpᵢ (análogo de la media); no tiene por qué coincidir con ningún valor real que la variable pueda tomar.
Varianza Var(X)=E(X²)-[E(X)]² (análogo del teorema de König); linealidad de la esperanza E(aX+bY)=aE(X)+bE(Y) válida siempre, sin exigir independencia.
Bernoulli: dos resultados (éxito p, fracaso 1-p); E(X)=p, Var(X)=p(1-p); bloque constructivo de la binomial.
Binomial B(n,p): n pruebas independientes idénticas; P(X=k)=C(n,k)pᵏ(1-p)ⁿ⁻ᵏ; E(X)=np, Var(X)=npq.
Poisson P(λ): sucesos raros en un intervalo; P(X=k)=e⁻λλᵏ/k!; propiedad distintiva E(X)=Var(X)=λ.
Aproximación binomial→Poisson cuando n grande y p pequeño (n≥30, p≤0,1), con λ=np — se deduce como límite matemático de la fórmula binomial.
Geométrica: número de pruebas hasta el primer éxito; P(X=k)=(1-p)ᵏ⁻¹p; E(X)=1/p.
Hipergeométrica: como la binomial pero SIN reemplazamiento (p cambia en cada extracción); se aproxima por binomial si n<<N (población mucho mayor que la muestra).
Aproximación binomial→normal (De Moivre-Laplace): N(np, √(npq)) cuando np≥5 y n(1-p)≥5 (primer caso histórico del teorema central del límite).
Corrección por continuidad obligatoria al aproximar una discreta (binomial) por una continua (normal): ±0,5 en los límites del intervalo.
Sobredispersión (varianza muestral >> media muestral) es indicio de que el modelo de Poisson no es adecuado para unos datos concretos.
Jacob Bernoulli (Ars Conjectandi, 1713, póstuma) y Siméon Poisson (1837, contexto de probabilidad de error en veredictos judiciales).
Ejemplo base: X=nº de caras en 2 monedas; P=1/4,1/2,1/4; E=1; Var=1/2 (coincide con B(2;0,5)). E[g(X)]=Σg(xᵢ)pᵢ; Var(aX+b)=a²Var(X); Var(X+Y)=Var(X)+Var(Y) si son independientes.
Juego equitativo ⟺ esperanza de la ganancia neta = 0. Ruleta europea (37 casillas), apuesta a pleno con pago 35 a 1: E=-1/37≈-0,027 € por euro apostado.
Binomial: simetría P(k;n,p)=P(n-k;n,1-p); recurrencia P(k+1)=P(k)·(n-k)/(k+1)·p/q; moda ≈ [(n+1)p]; aditiva con el mismo p; P(al menos un éxito)=1-qⁿ.
Test de 10 preguntas con 4 opciones al azar: P(X=3)≈0,2503; P(X≥5)≈0,0781; E=2,5; σ≈1,37. Genética (portadores): 4 hijos, P(2 afectados)=54/256≈0,211.
Poisson: P(k+1)=P(k)·λ/(k+1); moda [λ] (dos modas si λ entero); aditiva; λ=μ·t proporcional al intervalo. Con λ=3: P(0)=e⁻³≈0,0498; P(2)≈0,224; en media hora λ=1,5.
Von Bortkiewicz (1898): soldados prusianos muertos por coz de caballo ajustan una Poisson; 'ley de los pequeños números'.
Binomial→Poisson: B(200;0,01)≈P(2): P(X=3)≈0,1804 (exacto 0,1814). Los umbrales (n≥30, p≤0,1; o n≥100, np≤10) varían según manuales: indicar el criterio.
Binomial→normal con corrección: B(100;0,5), P(X≤45)=Φ((45,5-50)/5)=Φ(-0,9)=0,1841 (sin corrección 0,1587). P(X≤k) usa k+0,5; P(X≥k) usa k-0,5; P(X=k) usa (k-0,5; k+0,5).
Geométrica: dos convenciones (pruebas hasta el primer éxito: E=1/p; o fracasos previos: E=q/p). Única discreta sin memoria. Binomial negativa (hasta r éxitos): E=r/p, Var=rq/p².
Hipergeométrica: P(k)=C(K,k)C(N-K,n-k)/C(N,n); E=nK/N; Var=n(K/N)(1-K/N)(N-n)/(N-1) (factor de población finita). Lotería 6/49, acertar 3: ≈0,0177.
Relación de varianzas y medias: binomial Var<E; Poisson Var=E; geométrica y binomial negativa Var>E. Sobredispersión indica que Poisson no es adecuada.
Pistas del enunciado: 'número fijo de pruebas' → binomial; 'por hora/página/m²' → Poisson; 'hasta que ocurra' → geométrica; 'sin devolver' en población pequeña → hipergeométrica.
Errores clásicos: 'al menos k' = 1-P(X≤k-1); λ debe ajustarse a la longitud del intervalo; sumar varianzas (no desviaciones típicas) en sumas de independientes.
12 preguntas sobre este tema, en orden aleatorio. Sin registro, sin límite de intentos.
Pregunta 1 de 120 aciertos
Para X ~ B(100; 0,5), al aproximar P(X ≤ 45) por la normal con corrección por continuidad se calcula...
Preguntas frecuentes
¿De qué trata el Tema 65 de Secundaria?
Este tema introduce el concepto general de variable aleatoria discreta y su función de probabilidad, y desarrolla en detalle los dos modelos probabilísticos discretos de mayor relevancia curricular y aplicada: la distribución binomial, que modeliza el número de éxitos en una secuencia de pruebas independientes idénticas, y la distribución de Poisson, que modeliza el número de ocurrencias de un suceso raro en un intervalo continuo de tiempo o espacio. Es un tema con fuerte componente de cálculo (fórmulas, esperanza, varianza) y con relaciones de aproximación entre distribuciones —binomial-Poisson, binomial-normal— que constituyen contenido de examen recurrente, además de vincularse con figuras históricas como Bernoulli y Poisson.
¿Qué hay que memorizar del Tema 65 para el examen?
Función de probabilidad P(X=xᵢ)=pᵢ: pᵢ≥0 y Σpᵢ=1 (análogo teórico de la frecuencia relativa). Función de distribución F(x)=P(X≤x): escalonada, no decreciente, con saltos de magnitud pᵢ en cada valor posible. Esperanza E(X)=Σxᵢpᵢ (análogo de la media); no tiene por qué coincidir con ningún valor real que la variable pueda tomar. Varianza Var(X)=E(X²)-[E(X)]² (análogo del teorema de König); linealidad de la esperanza E(aX+bY)=aE(X)+bE(Y) válida siempre, sin exigir independencia. Bernoulli: dos resultados (éxito p, fracaso 1-p); E(X)=p, Var(X)=p(1-p); bloque constructivo de la binomial. Binomial B(n,p): n pruebas independientes idénticas; P(X=k)=C(n,k)pᵏ(1-p)ⁿ⁻ᵏ; E(X)=np, Var(X)=npq. Poisson P(λ): sucesos raros en un intervalo; P(X=k)=e⁻λλᵏ/k!; propiedad distintiva E(X)=Var(X)=λ. Aproximación binomial→Poisson cuando n grande y p pequeño (n≥30, p≤0,1), con λ=np — se deduce como límite matemático de la fórmula binomial. Geométrica: número de pruebas hasta el primer éxito; P(X=k)=(1-p)ᵏ⁻¹p; E(X)=1/p. Hipergeométrica: como la binomial pero SIN reemplazamiento (p cambia en cada extracción); se aproxima por binomial si n<<N (población mucho mayor que la muestra). Aproximación binomial→normal (De Moivre-Laplace): N(np, √(npq)) cuando np≥5 y n(1-p)≥5 (primer caso histórico del teorema central del límite). Corrección por continuidad obligatoria al aproximar una discreta (binomial) por una continua (normal): ±0,5 en los límites del intervalo. Sobredispersión (varianza muestral >> media muestral) es indicio de que el modelo de Poisson no es adecuado para unos datos concretos. Jacob Bernoulli (Ars Conjectandi, 1713, póstuma) y Siméon Poisson (1837, contexto de probabilidad de error en veredictos judiciales). Ejemplo base: X=nº de caras en 2 monedas; P=1/4,1/2,1/4; E=1; Var=1/2 (coincide con B(2;0,5)). E[g(X)]=Σg(xᵢ)pᵢ; Var(aX+b)=a²Var(X); Var(X+Y)=Var(X)+Var(Y) si son independientes. Juego equitativo ⟺ esperanza de la ganancia neta = 0. Ruleta europea (37 casillas), apuesta a pleno con pago 35 a 1: E=-1/37≈-0,027 € por euro apostado. Binomial: simetría P(k;n,p)=P(n-k;n,1-p); recurrencia P(k+1)=P(k)·(n-k)/(k+1)·p/q; moda ≈ [(n+1)p]; aditiva con el mismo p; P(al menos un éxito)=1-qⁿ. Test de 10 preguntas con 4 opciones al azar: P(X=3)≈0,2503; P(X≥5)≈0,0781; E=2,5; σ≈1,37. Genética (portadores): 4 hijos, P(2 afectados)=54/256≈0,211. Poisson: P(k+1)=P(k)·λ/(k+1); moda [λ] (dos modas si λ entero); aditiva; λ=μ·t proporcional al intervalo. Con λ=3: P(0)=e⁻³≈0,0498; P(2)≈0,224; en media hora λ=1,5. Von Bortkiewicz (1898): soldados prusianos muertos por coz de caballo ajustan una Poisson; 'ley de los pequeños números'. Binomial→Poisson: B(200;0,01)≈P(2): P(X=3)≈0,1804 (exacto 0,1814). Los umbrales (n≥30, p≤0,1; o n≥100, np≤10) varían según manuales: indicar el criterio. Binomial→normal con corrección: B(100;0,5), P(X≤45)=Φ((45,5-50)/5)=Φ(-0,9)=0,1841 (sin corrección 0,1587). P(X≤k) usa k+0,5; P(X≥k) usa k-0,5; P(X=k) usa (k-0,5; k+0,5). Geométrica: dos convenciones (pruebas hasta el primer éxito: E=1/p; o fracasos previos: E=q/p). Única discreta sin memoria. Binomial negativa (hasta r éxitos): E=r/p, Var=rq/p². Hipergeométrica: P(k)=C(K,k)C(N-K,n-k)/C(N,n); E=nK/N; Var=n(K/N)(1-K/N)(N-n)/(N-1) (factor de población finita). Lotería 6/49, acertar 3: ≈0,0177. Relación de varianzas y medias: binomial Var<E; Poisson Var=E; geométrica y binomial negativa Var>E. Sobredispersión indica que Poisson no es adecuada. Pistas del enunciado: 'número fijo de pruebas' → binomial; 'por hora/página/m²' → Poisson; 'hasta que ocurra' → geométrica; 'sin devolver' en población pequeña → hipergeométrica. Errores clásicos: 'al menos k' = 1-P(X≤k-1); λ debe ajustarse a la longitud del intervalo; sumar varianzas (no desviaciones típicas) en sumas de independientes.
¿Hay preguntas de test de este tema exacto?
Sí, 12 preguntas tipo test sobre este tema, en el apartado "Ponte a prueba" de esta misma página. Sin registro y sin límite de intentos.
¿De dónde sale el temario de este tema?
Del índice oficial de BOE núm. 226, de 21 de septiembre de 1993, páginas 27400 a 27438 (Orden de 9 de septiembre de 1993, del Ministerio de Educación y Ciencia, BOE-A-1993-23257), Anexo III — cuestionario específico (Parte A) de la especialidad Matemáticas del Cuerpo de Profesores de Enseñanza Secundaria (Temario oficial estatal de referencia — especialidad Matemáticas (Cuerpo de Profesores de Enseñanza Secundaria)).
Fuentes de este desarrollo
J. Bernoulli, "Ars Conjectandi" (1713), distribución binomial y ley de los grandes números
S. D. Poisson, "Recherches sur la probabilité des jugements en matière criminelle et en matière civile" (1837)
A. de Moivre, aproximación de la binomial por la curva normal (1733), y P.S. Laplace, "Théorie analytique des probabilités" (1812)
L. von Bortkiewicz, "Das Gesetz der kleinen Zahlen" (1898)
Real Decreto 243/2022, de 5 de abril, por el que se establecen la ordenación y las enseñanzas mínimas del Bachillerato — Matemáticas, sentido estocástico
Mientras tanto, practica con tests gratis de Secundaria.