Clase 7: Distribución Poisson.

Aproximación Poisson de la
Binomial. Distribución Uniforme

Lina Marı́a Acosta Avena*

ASESORIAS: LUNES DE 4:00 pm - 6:00 pm. VIERNES DE
9:00 am - 11:00 am, B43-103
Escuela de Estadı́stica
Universidad Nacional de Colombia, Sede Medellin
limacostaav@unal.edu.co
*
Estudiante de la Maestrı́a en Ciencias Estadı́stica

Estadı́stica I.

1
 INTRODUCCIÓN

Considere los siguientes experimentos o eventos

1. El número de errores tipográficos por páginas.

2. El número de llamadas telefónicas a una central por minuto.

3. El número de huecos en una carretera por kilómetros.

4. El número de accidentes en un cruce por hora.

5. El número de bacterias en un cultivo.

Estadı́stica I.

2
 INTRODUCCIÓN

Algunos de estos experimentos tienen caracterı́sticas similares

(a) El experimento consiste en contar el número de veces que ocurre un

cierto evento de interés por unidad de tiempo o espacio.

(b) En cada unidad establecida, el número de eventos que ocurren es inde-

pendiente de los que ocurren en otras unidades.

(c) Es posible asumir que la probabilidad de un evento ocurra en una cierta

unidad es la misma para todas las unidades de su tipo.

Los experimentos que cumplen con estas condiciones, es llamado Experi-

mento Poisson
Estadı́stica I.

3
 Distribución Poisson

Definición:
Sea X una variable aleatoria que representa el número de eventos aleatorios
independientes que ocurren a una rapidez constante (λ) sobre el tiempo o el
espacio. Se dice entonces que la variable aleatoria X tiene una distribución
de Poisson (X ∼ P(λ)) con función de probabilidad

e−λ λx
(
; x = 0, 1, . . . ; λ > 0
p(x, λ) = x!
0 ; e.o.c.

El parámetro de la distribución Poisson es λ, y corresponde a el número

promedio de ocurrencias del evento aleatorio por unidad de tiempo (o espa-
cio).

Estadı́stica I.

4
 Distribución Poisson

Caracterı́sticas de la distribucuión Poisson

La distribución de Poisson es el principal modelo de probabilidad empleado
para analizar problemas de lineas de espera.

1. Independencia: El número de veces que ocurra el evento de interés en un

intervalo de tiempo es independiente de los que ocurra en otro intervalo,
disjunto al anterior.

2. Carencia de agrupamiento: La probabilidad de que ocurran dos eventos

al mismo tiempo es cero, es decir no hay empates.

3. La tasa promedio de ocurrencia es constante.

Estadı́stica I.

5
 Distribución Poisson

Popiedades de la distribución Poisson

Sea X ∼ P(λ), entonces

1. E[X] = λ

2. Var[X] = λ

Dm:

Estadı́stica I.

6
 Distribución Poisson

1.
∞ e−λλx
E[X] = ∑ x Por definición de valor esperado
x=0 x!
∞ λx
= ∑x e−λ
x=1 x(x − 1)!
∞ λx λ−1λ
= ∑ e−λ multiplicando por λ−1λ = 1
x=1 (x − 1)!
∞ λx−1
=λ ∑ (x − 1)! e−λ
x=1
∞ λy
=λ ∑ e−λ donde y = x − 1
x=1 y!
=λ

Estadı́stica I.

7
 Distribución Poisson

2.
∞ e−λλx
E[X(X − 1)] = ∑ x(x − 1) Por definición de valor esperado
x=0 x!
∞ λx
= ∑ x(x − 1) e−λ
x=2 x(x − 1)(x − 2)!
∞ λx λ−2λ2
= ∑ e−λ multiplicando por λ−2λ2 = 1
x=2 (x − 2)!
∞ λx−2
=λ 2
∑ (x − 2)!
e−λ
x=2
∞ λy
= λ2 ∑ e−λ donde y = x − 2
x=2 y!
= λ2

Estadı́stica I.

8
 Distribución Poisson

Ahora

λ2 = E[X(X − 1)] = E[X 2 − X] = E[X 2] − E[X]

=⇒ E[X 2] = λ2 + E[X] = λ2 + λ
Luego

Var[X] = E[X 2] − (E[X])2 = λ2 + λ − λ2 = λ

Estadı́stica I.

9
 Distribución Poisson

Ejemplo 1
Suponga que a una central telefónica llegan en promedio 10 llamadas por
minuto.

(a) ¿Qué tan probable es que en el siguiente minuto lleguen al menos dos
llamadas?

(b) ¿Cuál es la probabilidad de que en el siguiente minuto lleguen exacta-

mente 15 llamadas?

(c) ¿Cuál es la probabilidad de tener que esperar más de un minuto para la

siguiente llamada?

Estadı́stica I.

10
 Distribución Poisson

Sln:
Sea X : número de llamadas por minuto, note que X ∼ P(λ = 10)*, luego

e−1010x
(
x! ; x = 0, 1, . . .
p(x) =
0 ; e.o.c.

(a)

P(X ≥ 2) = 1 − P(X < 2) = 1 − [P(X = 0) + P(X = 1)]

" #
e−10 10 0 e−10 10 1
= 1− + = 0,9995
0! 1!

*
cumple con todas las condiciones de un experimento Poisson, siempre y cuando se pueda
garantizar que el número promedio de llamadas por minuto se mantie constante para cada
intervalo de 1 minuto

Estadı́stica I.

11
 Distribución Poisson

−10 1015
(b) P(X = 15) = e 15! = 0,0347

e−10 100
(c) P(X = 0) = 0! = 0,0000454

Ejemplo 2
En un manuscrito legendario se descubrió que solo el 13,5 % de las páginas
no contienen errores tipográficos. Si asumimos que el número de errores por
página es una variable aleatoria con distribución Poisson. Encuentre el por-
centaje de páginas que tienen exactamente un error.

Estadı́stica I.

12
 Distribución Poisson

Sln:
Sea X : el número de errores por páginas, se sabe que X ∼ P(λ), entonces

e−λλx
(
x! ; x = 0, 1, . . .
p(x) =
0 ; e.o.c.
Se sabe también que sólo el 13,5 % de las páginas no contiene errores ti-
pográficos, esto es P(X = 0) = 0,135. Ası́ que

e−λλ0
0,135 = = e−λ =⇒ ln(0,135) = ln(e−λ) = −λ =⇒ λ = − ln(0,135)
0!
Luego, el porcentaje de páginas que tiene un sólo error es

e−(− ln(0,135))(− ln(0,135))1

P(X = 1) = = eln(0,135)(− ln(0,135)) = 0,27033
1!

Estadı́stica I.

13
 Distribución Poisson

Ejemplo 3
Si la variable aleatoria X ∼ P(λ) y P(X = 1) = P(X = 2), encuentre P(X = 4)
Sln:
Como P(X = 1) = P(X = 2) y X ∼ P(λ), entonces

e−λλ1 e−λλ2 λ2 λ2
= =⇒ λ = =⇒ 2 = =⇒ λ = 2
1! 2! 2 λ
Luego
e−224
P(X = 4) = = 0,0902
4!

Estadı́stica I.

14
 Distribución Poisson

Ejemplo 4
El número de llamadas que llega a una oficina es una variable aleatoria Pois-
son con parámetro λ = 4 × Hora.

(a) ¿Cuál es la probabilidad de que durante tres horas se reciba al menos

dos llamadas?

(b) Encuentre el intervalo de tiempo dado por L (en horas) para que la prob-
abilidad de que se reciban al menos una llamada sea de 0,9.

Estadı́stica I.

15
 Distribución Poisson

Sln:
Sea X : número de llamadas que llegan a la oficina en tres horas, X ∼ P(λ∗).
Note que:

1 hora −→ λ = 4

3 horas −→ λ∗ =?

=⇒ λ∗ = 12
Por lo tanto
12x e−12
(
x! ; x = 0, 1, . . .
p(x) =
0 ; e.o.c.

Estadı́stica I.

16
 Distribución Poisson

(a)

P(X ≥ 2) = 1 − P(X ≤ 1) = 1 − P(X = 0) − P(X = 1)

120 −12 121 −12
= 1− e − e
0! 1!
= 1 − e−12(1 + 12) = 1 − 13e−12
= 0,9999

(b) Sea Y : número de llamadas que llegan a la oficina en L horas

1 hora −→ λ = 4

L horas −→ λ∗∗ =?

=⇒ λ∗∗ = 4L

Estadı́stica I.

17
 Distribución Poisson

Se pide el valor L tal que P(Y ≥ 1) = 0,9, entonces

(4L)0 −4L
0,9 = P(Y ≥ 1) = 1 − P(Y = 0) = 1 − e
0!
ln(0,1)
=⇒ e−4L = 0,1 =⇒ −4L = ln(0,1) =⇒ L = − = 0,5756horas
4

Estadı́stica I.

18
 Distribución Poisson

Ejemplo 5
Estudios recientes han mostrado que la probabilidad de morir a causa de cier-
to medicamento contra la gripe es 0,00002. Si se administra dicho medica-
mento a 100000 personas ¿cuál es la probabilidad de que no más de 2 per-
sonas mueran?
Sln:
Si definimos la variable aleatoria
X : número personas que mueren por causa del medicamento,
tendrı́amos que X ∼ b(n = 100000, p = 0,00002).
Luego
2 100000
P(X ≤ 2) = ∑ x
(0,00002)x(0,99998)100000−x = 0,676672
x=0

Estadı́stica I.

19
 Distribución Poisson

Ahora sea la variable aleatoria

Y : número personas que mueren por cada 100000 habitantes,
tendrı́amos que Y ∼ P(λ).
Digamos que λ = np = 100000 × 0,00002 = 2, entonces
2 (2)y
P(Y ≤ 2) = ∑ e−2 = 5e−2 = 0,676676
y=0 y!
Algunas veces, bajo ciertas condiciones, es posible aproximar una v.a. bino-
mial a una v.a. Poisson; esto se puede hacer siempre que n → ∞ y p → 0 y
haciéndo el parámetro de la Poisson λ = np

Estadı́stica I.

20
 APROXIMACIÓN POISSON DE LA BINOMIAL

Teorema
Sea X ∼ b(n, p), con n grande y p pequeño (n ≥ 100 y p < 0,1), entonces
X ∼ P(λ = np)

Estadı́stica I.

21
 APROXIMACIÓN POISSON DE LA BINOMIAL

Ejemplo 6
En un auditorio se encuentran 135 estudiantes. La probabilidad de que uno
1 . ¿Cuál es
de los estudiantes se encuentre hoy de cumpleaños es igual a 365
la probabilidad de que en el auditorio dos o más estudiantes estén hoy de
cumpleaños?

Estadı́stica I.

22
 APROXIMACIÓN POISSON DE LA BINOMIAL

Sln:
Sea X : número de estudiantes que están de cumpleaños hoy. Claramente X ∼
1 ).
b(135, 365
1 < 0,1, por lo tanto λ = 135( 1 ) = 27 .
Note que n = 135 ≥ 100 y p = 365 365 73
Luego

P(X ≥ 2) = 1 − P(X = 0) − P(X = 1)

(27/73)0 −27/73 (27/73)1 −27/73
= 1− e − e
0! 1!
= 0,0537

Estadı́stica I.

23
 APROXIMACIÓN POISSON DE LA BINOMIAL

Suponga que un bus escolar llega siempre a cierto paradero entre las 6 :
00 am y las 6 : 30 am, y que la probabilidad de que el bus llegue en cualquier
subintervalo de tiempo, del intervalo [0, 30] (digamos por ejemplo, 6 : 00 − 6 :
15 am a 6 : 05 − 6 : 20 am ) es solo proporcional a la longitud del subintervalo.
Sea X el tiempo (en minutos) que un escolar debe esperar en el paradero del
bus, si llega exactamente a las 6 : 00 am.
Si se mide cuidadosamente la hora en que llega el bus, se observa por ejemplo
que las frecuencias relativas de X entre 6 : 00 y 6 : 15 am y 6 : 05 y 6 : 20 am
en un histograma son practicamente las mismas. Decimos entonces que X es
una variable aleatoria con distribución uniforme.

Estadı́stica I.

24
 DISTRIBUCIÓN UNIFORME

Definición:
Se dice que una variable aleatoria X está distribuı́da uniformemente (X ∼
U[a,b]) sobre el intervalo [a, b] si su función de densidad de probabilidad está da-
da por
(
1 ; a ≤ x ≤ b;
f (x, a, b) = b−a
0 ; e.o.c.
La función de densidad de una uniforme es constante en el intervalo [a, b].

Estadı́stica I.

25
DISTRIBUCIÓN UNIFORME

Estadı́stica I.

26
 DISTRIBUCIÓN UNIFORME

• Si x < a =⇒ FX (x) = 0

• Si a < X < b, entonces

Z x
1
FX (x) = dy
a b − a
1 x
= y
b−a a
x−a
=
b−a

• Si x > b =⇒ FX (x) = 1

Estadı́stica I.

27
 DISTRIBUCIÓN UNIFORME

Definición:
Si X ∼ U[a,b], entonces la función de distribución acumulada está dada por

0
 ; x < a;
x−a ; a ≤ x ≤ b;
FX (x) = b−a

1 ;x > b


Estadı́stica I.

28
 DISTRIBUCIÓN UNIFORME

Popiedades de la distribución uniforme

Sea X ∼ U[a,b]

1. E[X] = a+b
2

(b−a)2
2. Var[X] = 12

Dm:

Estadı́stica I.

29
 DISTRIBUCIÓN UNIFORME

1.
Z b
1
E(X) = x dx
a b − a
2 b
1 x 
=
b − a 2 a
1
= (b2 − a2)
2(b − a)
1
= (b + a)(b − a)
2(b − a)
a+b
=
2

Estadı́stica I.

30
 DISTRIBUCIÓN UNIFORME

Z b
1
2. E(X2) = x2 dx
a b−a
1 x 3 b
= 
b − a 3 a
1
= (b3 − a3)
3(b − a)
1
= (b2 + ab + a2)
3

h i2
=⇒ Var[X] = 31 (b2 + ab + a2) − a+b
2
4b2 +4ab+4a2 −3a2 −6ab−3b2 b2 −2ab+a2 (b−a)2
= 12 = 12 = 12

Estadı́stica I.

31
 DISTRIBUCIÓN UNIFORME

Ejemplo 7
Se escoge un número al azar en el intervalo [1, 3] ¿cuál es la probabilidad de
que el primer dı́gito al lado derecho del punto decimal sea cinco?
Sln:
Sea X : número escogido al azar del intervalo [1,3]
X ∼ U[1,3], por lo tanto
(
1
;1 ≤ x ≤ 3
f (x) = 2
0 ; e.o.c
Sea A : primer dı́gito al lado derecho del punto decimal de X es cinco.

Estadı́stica I.

32
 DISTRIBUCIÓN UNIFORME

P(A) = P(1,5 < X < 1,6) + P(2,5 < X < 2,6)

Z 1,6 Z 2,6
1 1
= dx + dx
1,5 2 2,5 2
= 0,1

Estadı́stica I.

33
 DISTRIBUCIÓN UNIFORME

Ejemplo 8
Suponga que X ∼ U(a,b) y que E[X] = 2 y Var[X] = 34 , calcule P(X ≤ 1)
Sln:

a+b
2 = E[X] = =⇒ a + b = 4 =⇒ a = 4 − b
2

r
3 (b − a)2 3
= Var[X] = =⇒ b − a = (12) = 3
4 12 4

=⇒ 3 = b − (4 − b) = 2b − 4 =⇒ b = 7/2 =⇒ a = 1/2

Estadı́stica I.

34
 DISTRIBUCIÓN UNIFORME

luego
(
1
; 1/2 ≤ x ≤ 7/2
f (x) = 3
0 ; e.o.c
Por lo tanto
Z 1
1
P(x ≤ 1) = dx = 1/6
1/2 3

Estadı́stica I.

35
 DISTRIBUCIÓN UNIFORME

Ejemplo 9
El tiempo de viaje de cierto camión de entrega es una variable aleatoria uni-
forme en el intervalo (20, 50) minutos.

(a) ¿Qué proporción de entrega se hace en menos de media hora?

(b) Si el conductor tardó al menos 25 minutos, ¿qué tan probable es que

entregue en menos de 40 minutos?

Estadı́stica I.

36
 DISTRIBUCIÓN UNIFORME

Sln:
Sea X : tiempo de entrega, X ∼ U(20,50), entonces
(
1 ; 20 ≤ x ≤ 50
f (x) = 30
0 ; e.o.c

Z 30
1
(a) P(X < 30) = dx = 1/3
20 30

Estadı́stica I.

37
 DISTRIBUCIÓN UNIFORME

(b)
P(25 ≤ X ≤ 40)
P(X ≤ 40|X ≥ 25) =
P(X ≥ 25)
Z 40
1
dx
30
= Z2550
1
dx
25 30
3
=
5

Estadı́stica I.

38