Probabilidad y Estadística – cuat II 2014

Variable aleatoria Binomial - Hipergeometrica - Poisson

Experimento: Un estudiante intenta entrar a un sistema de computadora,

compartido. Si existe por lo menos un puerto libre, el estudiante accederá al
sistema. En caso contrario no podrá acceder al sistema.
S: espacio muestral del experimento
S={ A, Ac }

Definimos la variable aleatoria X de modo que:

X(A)=1 el alumno accede al sistema
X(Ac) =0 el alumno NO accede al sistema
Entonces el Recorrido de X
Rx = { 0, 1 }

LOS UNICOS VALORES POSIBLES DE LA VARIABLE ALEATORIA X SON 0 ó 1.

Tal variable aleatoria se presenta con suficiente frecuencia como para darle un
nombre especial, en honor del individuo que la estudió primero.

VARIABLE ALEATORIA DE BERNOULLI

En general:
Sea un experimento E, se registra si ocurrió el evento
A, con p=P(E), entonces

Esperanza y Varianza de la v.a. de Bernoulli:

Sea X una v.a. de Bernoulli
Donde RX = { 0, 1 }

P(X=0) = 1-p = q y P(X=1) = p

Esperanza:
E(X) = 0* q + 1 * p = p
Varianza:
V(X) = E(X2) – E2(X)
E(X2) = 02*q + 12*p = p
Entonces: V(X) = p – p2 = p(1-p) = p*q

Supongamos un experimento aleatorio de Bernoulli, que satisface

las siguientes condiciones:
1. El experimento consta de n ensayos.

Prof: Claudia Buongiorno – Ma y Ju de 9 a 12hs Página 1

 Probabilidad y Estadística – cuat II 2014
2. Cada ensayo o repetición puede arrojar dos resultados posibles,
éxito o fracaso.
3. Las repeticiones son independientes.
4. La probabilidad de éxito es constante de una repetición a otra.
Este experimento se denomina EXPERIMENTO BINOMIAL

Ejemplos de experimentos binomiales:

1) Una misma moneda se lanza al aire n veces, se registra cara o cruz.
2) Se plantan 25 semillas de cierto vegetal y se registra el numero de
semillas que germinó.
3) Se dispara n veces a un blanco y se registran los aciertos.

Ejemplo: Un artillero dispara a un blanco. Queremos calcular la probabilidad

de la cantidad de blancos que acierta si dispara 10 veces, sabiendo que la
probabilidad de acertar una vez es 0.01
X: número de disparos que dan en el blanco en un total de 10
Rx = {0,1,2,3,4,5,6,7,8,9,10}
Sea A: da en el blanco
p = p(A) = 0.01
El experimento es Binomial y la variable aleatoria X
TIENE DISTRIBUCION BINOMIAL

Entonces, en general:
En un experimento que es binomial, se analiza el evento A y se define la
variable aleatoria X como:
X: número de veces que ocurre A, en n repeticiones independientes de
un experimento Bernoulli.
Sea p: probabilidad que ocurra el evento A
p = p(A)
El recorrido de la variable aleatoria X es:
Rx = {0, 1, 2, 3, . . . , n}

Si p = p(A) tendremos
La función de probabilidad puntual será:

Entonces, decimos que la variable aleatoria

X: número de éxitos en n repeticiones del experimento,
tiene distribución Binomial de parámetros n y p
X ~ B (n,p)

Prof: Claudia Buongiorno – Ma y Ju de 9 a 12hs Página 2

 Probabilidad y Estadística – cuat II 2014
Su recorrido es: Rx = {0, 1, 2, 3, . . . , n}
La función de probabilidad puntual de X es:

Para que P(X=k) sea una función de probabilidad de una variable

aleatoria, debe cumplir las siguientes condiciones:

Otro ejemplo:
Se arroja un dado 3 veces.
X: número de veces que SALE 6, en LAS 3 TIRADAS.
a) Hallar P(X=2)
b) La función de probabilidad puntual

RX ={0, 1, 2, 3}
El evento A=“sale un 6 en una tirada”
A = “éxito” P(A)= 1/6
EL EXPERIMENTO ES BINOMIAL??

Analicemos las condiciones:

1) El experimento consta de n ensayos.
n= 3 ensayos
2) Cada ensayo o repetición puede arrojar dos resultados posibles, éxito o
fracaso.
Éxito = “sale 6” ; Fracaso = “no sale 6”
3) Las repeticiones son independientes.
4) La probabilidad de éxito es constante de una repetición a otra.
p= P(sale 6)=1/6

Podemos afirmar que:

X ~ B ( n=3 , p = 1/6)

Si X ~ B ( n=3 , p = 1/6)
b) La función de probabilidad puntual y RX ={0, 1, 2, 3}

Prof: Claudia Buongiorno – Ma y Ju de 9 a 12hs Página 3

 Probabilidad y Estadística – cuat II 2014

P(X=2) = 0,06944
P(X=3) = 1- (0,06944-0,3472-0,5787) = 0,00466
Si X ~ B ( n=3 , p = 1/6)

Esperanza de la v.a. Binomial:

Sea X una v.a. de Binomial
X: numero de exitos en n repeticiones independientes de un experimento
Bernoulli.

E(Xi) = p
Como las repeticiones son independientes, entonces los exitos que cuenta X
serán la suma de los exitos de todas las repeticiones del experimentos
Bernoulli, resulta

Varianza de la v.a. Binomial:

Sea X una v.a. de Binomial
X: numero de exitos en n repeticiones independientes de un experimento
Bernoulli.

Como las repeticiones son independientes!!!!

Ejemplo:
Un fabricante de neumáticos para autos reporta que para los
5000 que manda a un distribuidor, 1000 están manchados.
Se eligen 5 al azar, calcular la probabilidad que 2 de ellos
estén manchados.
X: número de neumáticos manchados en un total de 5.
p(éxito) = P(manchado)=1000/5000 =1/5= 0,2

Prof: Claudia Buongiorno – Ma y Ju de 9 a 12hs Página 4

 Probabilidad y Estadística – cuat II 2014
X es Binomial (n=5 , p= 1000/5000=0,2 )??

Analicemos las condiciones:

1) El experimento consta de n ensayos.
n= 5 ensayos
2) Cada ensayo o repetición puede arrojar dos resultados posibles,
éxito o fracaso.
Éxito = “está manchado” Fracaso = “no está manchado”
3) Las repeticiones son independientes.
4) La probabilidad de éxito es constante de una repetición a otra.
p= P(manchado)=1/5 = 0,2

Para que el experimento sea Binomial, al realizar las extracciones deben ser
con reposición PARA GARANTIZAR LA INDEPENDENCIA. Condiciones 3 y 4
Cuando no se repone en las extracciones, pero N es mucho mayor que n,
(N>>n) se puede aproximar la distribución con una Binomial.

Podemos utilizar como regla que n/N < 0,05

En el ejemplo: 5/5000 = 0,001

Entonces consideramos la distribución de la variable aleatoria X como

APROXIMADAMENTE BINOMIAL
X ≈ B (n=5 , p= 1000/5000=0,2 )

Binomial en R, con p=0.2

Prof: Claudia Buongiorno – Ma y Ju de 9 a 12hs Página 5

 Probabilidad y Estadística – cuat II 2014

DISTRIBUCION HIPERGEOMETRICA
Se extraen n sin reposición
Se extrae un artículo en cada repetición.
Se registra su calidad.
ÉXITO: El artículo es defectuoso.
Definimos:
X: número de éxitos en las n repeticiones sin reposición.
Retomando el ejercicio 4 del Practico 2
X: número de
defectuosos en la
muestra de 3
Rx = {0,1,2}

Prof: Claudia Buongiorno – Ma y Ju de 9 a 12hs Página 6

 Probabilidad y Estadística – cuat II 2014

Ejemplo: De una población de animales en peligro de extinción, se toman 5

individuos, se los marca y se los libera nuevamente. Luego de un tiempo se
toma otra muestra al azar de 10 animales. Sea X: numero de animales
marcados en la muestra de 10. Si se sabe que la población consta de 25
animales de ese tipo en la región, ¿Cuál es la probabilidad que haya 2
marcados en la nueva muestra? Y ¿Qué haya 2 ó más?
X tiene distribución HIPERGEOMÉTRICA
de parámetros N, D, n
X ~ H(N=25,D=5,n=10 RX={0,1,2,3,4,5}

Esperanza y Varianza de la v.a. Hipergeometrica:

Si X una v.a. Binomial
E(X) = np y V(X) = npq
Analogamente (sin demostrar)
Si X es una v.a. Hipergeometrica, X ~ H(N,D,n)
Entonces,

EJERCICIO 6 TP3
6. Se ha puesto en vigor una ordenanza con reglamentos para las industrias
que producen sustancias que pueden producir contaminación ambiental en una
zona de Buenos Aires en la que existen 50 industrias de este tipo. Un inspector

Prof: Claudia Buongiorno – Ma y Ju de 9 a 12hs Página 7

 Probabilidad y Estadística – cuat II 2014
visitará 10 industrias seleccionadas al azar para verificar si cumplen con los
reglamentos.
Si 15 de las empresas violan en
realidad por lo menos algún
reglamento. ¿Cuál es la función de
probabilidad puntual del número de
empresas visitadas por el inspector
que están violando algún
reglamento?

ÉXITO: La empresa viola algun reglamento.

Definimos:
X: número de empresas que violan algun reglamento en las 10 repeticiones sin
reposición.
a) X tiene distribución HIPERGEOMÉTRICA
de parámetros N, D, n
X ~ H(N=50,D=15,n=10)

b) Si hay 500 industrias en la zona, de las cuales 150 están en violación,

aproxime la función de probabilidad puntual de la parte a) por una más
sencilla.
c) Calcular E(X) y V(X) para los dos casos analizados en a) y b), siendo X:
número de empresas entre las 10 visitadas que estén en violación de la
ordenanza.

b) X tiene distribución HIPERGEOMÉTRICA

de parámetros N, D, n
X ~ H(N=500,D=150,n=10)

Puedo aproximar la distribución Hipergeometrica con una Binomial

Aproximamos la distribución de X que es: HIPERGEOMÉTRICA
de parámetros N, D, n
X ~ H(N=500,D=150,n=10)
Con una Binomial:

Prof: Claudia Buongiorno – Ma y Ju de 9 a 12hs Página 8

 Probabilidad y Estadística – cuat II 2014

VARIABLE ALEATORIA DE POISSON

VARIABLE ALEATORIA DE POISSON

Supongamos que un experimento consiste en:
Observar la cantidad de veces que ocurre un suceso en un intervalo de tiempo,
superficie, volumen. Digamos UN CONTÍNUO!
• Número de partículas de material que se desintegran en 10 minutos.
• Número de glóbulos rojos que hay en 1 ml de sangre.
• Número de elementos en una superficie o volumen.

Ejemplo: A una refinería llegan un promedio de 2 buques-tanque por día.

Las actuales instalaciones portuarias pueden atender hasta 3 buques por
día. ¿Cuál es la probabilidad que lleguen mas de 3 buques en un día y no
pueda atenderlos?

X: número de buques tanque que llegan en un día a la refinería.

X~P( promedio 2 por dia) = P(λ = 2 por dia)
RX ={0, 1, 2, 3, …. } = N
En general la v.a. de Poisson es:
X: número de éxitos por unidad de medida (contínuo: tiempo, espacio,
volumen).
Definición: Decimos que una variable aleatoria X es de Poisson de parámetro
λ, con λ ϵ R y λ>0, si su RX = N U {0} y su función distribución de
probabilidades está dada por:

Observación:
1) X ~ P(λ), entonces P(X=k) >0 para todo kϵ RX

El modelo de Poisson explica apropiadamente gran número de fenómenos

aleatorios. Por ejemplo,

Prof: Claudia Buongiorno – Ma y Ju de 9 a 12hs Página 9

 Probabilidad y Estadística – cuat II 2014
X: número de partículas producidas por la desintegración de una sustancia
radiactiva en un intervalo de tiempo.
Y: número de microrganismos en un volumen de una solución.
Z: número de llamadas telefónicas que llegan a una central en un día.
W: número de errores tipográficos en una página escrita.
X: número de éxitos en una unidad de tiempo, espacio, volumen.

X ~ P(λ) con RX ={0, 1, 2, 3 …. } donde λ es una tasa, promedio de

ocurrencias por unidad de tiempo.
Entonces,
E(X) = λ y V(X) = λ (dem)
Graficos en R

Aproximación de Binomial mediante Poisson

X~ B(n,p) con n muy grande, resultando los factoriales de difícil cálculo.
Entonces esta distribución se puede aproximar por una mas sencilla (Poisson)
bajo ciertas condiciones.
Se puede probar que:

Buena aproximación: n>100 y p<0.01

O también: N>50 y np < 5

Ejemplo:
La probabilidad de que una persona sufra una reacción nociva debido a una
inyección de suero es 0.001.
Se aplica la inyección a 500 personas. Calcular.
a. La probabilidad de que sufran reacción 2 personas.
b. Por lo menos 2 personas.

Prof: Claudia Buongiorno – Ma y Ju de 9 a 12hs Página 10

 Probabilidad y Estadística – cuat II 2014
X: número de personas que sufren reacción del grupo de 500
X ~ B(n=500, p=0.001)
Si la probabilidad de que una persona sufra reacción es independiente de que
otra la sufra y la probabilidad de reacción es igual para todos los individuos

n > 50 y np = 0.5 < 5 entonces se puede aproximar por Poisson.

Y ~ P(λ = 0.5)

PROCESOS DE POISSON
Una aplicación muy importante de la distribución de Poisson surge en conexión
con la ocurrencia de eventos de algún tipo en el transcurso del tiempo.
Xt: número de ocurrencias de un suceso en un intervalo [0,t) con t>0
Xt toma valores 0, 1, 2, . . .

Suponiendo que
1) Xt e Yt : numero de ocurrencias de un evento en el intervalo [k,k+t)
entonces Xt e Yt son independientes siempre que I1∩I2=ф
2) Pn(t) = P(Xn=t) = P(Yn=t)
O sea que la probabilidad que ocurran n sucesos en un intervalo de
longitud t es igual para todo intervalo que tenga la misma longitud.
Decimos entonces, que
Xt ~ P( λ * t ) donde
λ: intensidad, tasa de ocurrencia, promedio de ocurrencia ó número esperado
de ocurrencias por unidad de tiempo.
E(Xt ) = λ * t

Ejemplos
• Visitas a un sitio web en particular
• Pulsos de alguna clase registrados en un contador
• Mensajes de correo electrónico enviados a una dirección
• Accidentes en una instalación industrial
• Llamadas que entran a una central

Ejemplo
Supongamos que llegan pulsos a un contador a un ritmo promedio de 6
pulsos por minuto. Calculemos la probabilidad de que en 30 segundos
lleguen por lo menos 2 pulsos. Si consideramos:
X : número de pulsos que llegan en 1 minuto~ P(λ = 6 por min)

Prof: Claudia Buongiorno – Ma y Ju de 9 a 12hs Página 11

 Probabilidad y Estadística – cuat II 2014
Xt : número de pulsos que llegan en t minutos.
Verificamos las condiciones de un proceso de Poisson:
1) En intervalos de tiempo de igual longitud el promedio de ocurrencias es
el mismo. No puede haber diferencia de promedio de ocurrencia entre
los intervalos de tiempo de igual longitud.
2) La probabilidad de pulsos en intervalos diferentes son independientes.
Entonces, Xt es un proceso de Poisson en un intervalo de tiempo [0,t] (en
minutos) con λ =6 pulsos por minuto.

Xt:número de pulsos que llegan en t minutos ~ P( λ*t=6*t min)

Calculemos la probabilidad de que en 30 segundos lleguen por lo menos 2

pulsos.
Si λ = 6 pulsos por minuto = 6 pulsos / 60 segundos =
= 1/10 segundo = 0.1 segundo
Xt ~ P(λ t = 0.1*t seg)
X30 ~ P(λ*30 = 0.1 *30 = 3)

Entonces:
X30: numero de pulsos que llegan en 30 segundos
X30 ~ P(λ*30= 3)
P(X30 ≥2) = 1- P(X30 <2) = 1 – P(X30 =0) – P(X30 =1)=

Prof: Claudia Buongiorno – Ma y Ju de 9 a 12hs Página 12