CAPÍTULO 5:

DISTRIBUCIONES DE
PROBABILIDAD DISCRETA

Ing. Sergio Castro Viloria

Especialista en Estadística Aplicada
 INTRODUCCIÓN
 Terna X, f, F: Distribución de Probabilidad.

 Distribuciones discretas: Corresponden a

aquellas variables aleatorias X que sólo toman
un conjunto finito o infinito numerable de valores

 Se verán las distribuciones de probabilidad

discretas de uso más frecuente, su fórmula,
media y varianza, y sus aplicaciones en ramas de
la ciencia, ingeniería, negocios y economía.

07/11/2014
DISTRIBUCIÓN UNIFORME DISCRETA
 Experimentos cuya variable aleatoria asociada
toma un número finito de resultados, todos ellos
con la misma probabilidad de ocurrencia.
 Definición: Una variable aleatoria discreta X
tiene la distribución uniforme con parámetro k,
si su función masa de probabilidad es:
1
, 𝑠𝑖 𝑥 = 1,2,3, … , 𝑘
 𝑓 𝑥, 𝑘 = 𝑘
0, 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜

07/11/2014
 EJEMPLO
 Sea la v. a. X: Número obtenido al lanzar
un dado perfecto
 X: S R, ranX= {1, 2, 3, 4, 5, 6}
 𝑓 1 = 𝑓 2 = ⋯ = 𝑓 6 = 1 6,
𝑦 𝑓 𝑥 = 0, 𝑝𝑎𝑟𝑎 𝑥 ≠ 1,2,3,4,5,6.
 Entonces, X es uniforme discreta con
parámetro k=6.

07/11/2014
 MEDIA Y VARIANZA
 Teorema: Si X es v. a. uniforme discreta con parámetro
k, entonces:
𝑘 1 𝑘
 𝐸 𝑋 =𝜇= 𝑖=1 𝑥𝑖 𝑓(𝑥)𝑖 = 𝑖=1 𝑥𝑖 ,
𝑘
1 𝑘 2
 𝑉𝑎𝑟 𝑋 = 𝑖=1 𝑥𝑖 − 𝜇
𝑘
 Ejemplo: La media y varianza de la v.a X anterior son:
1 7
 𝜇= 1 + 2 + 3 + 4 + 5 + 6 = = 3,5
6 2
1 2 2 2
 𝑉𝑎𝑟 𝑋 = 1 − 3,5 + 2 − 3,5 + ⋯ + 6 − 3,5
6
35
 = = 2,92 y d.e.(X) = 1,71
12

07/11/2014
 DISTRIBUCIÓN BINOMIAL

 Origen en Procesos de Bernoulli: Éxito y

Fracaso. Ejemplo: Producto Defectuoso o No
defectuoso.

 Ensayo: Experimento de Bernoulli. Ejemplos:

Lanzamiento de una moneda, de un dado, de un
par de dados, lotería (ganar / no ganar)

07/11/2014
 PROPIEDADES DEL PROCESO DE
BERNOULLI
1. Consiste en n ensayos que se repiten.
2. Cada ensayo produce un resultado, que se
puede catalogar como éxito o fracaso.
3. La probabilidad p de éxito permanece
constante de un ensayo a otro.
4. Los ensayos que se repiten son independientes.
El resultado de un ensayo no tiene que ver con
lo que suceda en otro de ellos.

07/11/2014
 VARIABLE ALEATORIA BINOMIAL
 Número X de éxitos en n-experimentos Bernoulli.
 Fmp: Distribución binomial. b(x; n, p). Donde n
es el número de ensayos, p es la probabilidad de
éxito y x los éxitos obtenidos.
 Entonces n-x: Número de fracasos
 Y q = 1-p, probabilidad de fracaso.
 nCx = Particiones de n en un grupo de los x
éxitos y los n-x fracasos. Combinaciones.
 Estas particiones son mutuamente excluyentes.

07/11/2014
DEFINICIÓN DISTRIBUCIÓN BINOMIAL
 La fdp de la variable aleatoria binomial X, el
número de éxitos en n ensayos independientes,
es:
𝑛 𝑥 𝑛−𝑥 𝑛
 𝑏 𝑥; 𝑛, 𝑝 = 𝑝 𝑞 ; = nCx , x = 0,1,2 … n
𝑥 𝑥
 𝑝 + 𝑞 = 1; 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑛𝑥=0 𝑏 𝑥; 𝑛, 𝑝 = 1 , se
cumple la condición válida para cualquier fmp.
 Nombre: Generada de la expansión del binomio
de Newton:
𝑛 𝑛 𝑛! 𝑥 𝑛−𝑥
 𝑝+𝑞 = 𝑥=0 𝑥! 𝑛−𝑥 ! 𝑝 𝑞 = 1𝑛 = 1

07/11/2014
 FUNCIÓN DE DISTRIBUCIÓN Y
APLICACIONES DE LA DIST. BINOMIAL
 Problemas donde se necesita encontrar 𝑃 𝑋 ≤ 𝑟
ó 𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) , las sumas binomiales:
𝐵 𝑟; 𝑛, 𝑝 = 𝑟𝑥=0 𝑏 𝑥; 𝑛, 𝑝

 ÁREAS DE APLICACIÓN: Cualquier situación

industrial donde el resultado de un proceso sea
dicotómico, y los resultados de un proceso son
independientes, y la probabilidad de éxito es
constante de una prueba a otra. Inspección de
calidad, ventas, mercadotecnia, medicina.
07/11/2014
 USO DE TABLAS FMP DISCRETA
 𝑃 𝑋 > 𝑎 = 𝑃(𝑋 ≥ 𝑎 + 1) = 1 − 𝑃(𝑋 ≤ 𝑎)

 𝑃 𝑋 =𝑎 =𝑃 𝑋 ≤𝑎 −𝑃 𝑋 ≤𝑎−1

 𝑃 𝑋 <𝑎 =𝑃 𝑋 ≤𝑎−1

 𝑃 𝑋 ≥ 𝑎 = 1 − 𝑃(𝑋 ≤ 𝑎 − 1)

 𝑃 𝑎 ≤ 𝑋 ≤ 𝑏 = 𝑃 𝑋 ≤ 𝑏 − 𝑃(𝑋 ≤ 𝑎 − 1)

07/11/2014
MEDIA Y VARIANZA DISTR BINOMIAL, EJEMPLO
 Teorema: La media y la varianza de la distribución
binomial son:
 𝜇 = 𝑛𝑝
 𝜎 2 = 𝑛𝑝𝑞 = 𝑛𝑝(1 − 𝑝)
 Ejemplo: ¿Cuál es la probabilidad de obtener 3 caras
exactamente cuando una moneda perfecta se lanza 8
veces?
 Solución: Sea X: Número de caras obtenidas en el
lanzamiento de la moneda 8 veces.
 X es v.a. binomial con x=3 éxitos y n=8 lanzamientos.
p=q=1/2. P es probabilidad de éxito (sacar cara).
1 3 1 5
 𝑃(𝑋 = 3 = 8𝐶3 2 2 =7 32 = 21,88%
07/11/2014
 EJEMPLO 2
 Una bolsa contiene 3 bolas blancas y 5 bolas negras, se
extraen 6 bolas con reposición. ¿Cuál es la probabilidad
de obtener 2 blancas y 4 negras? ¿Cuál es el número
esperado de bolas blancas?
 Solución: Sea X: Número de bolas blancas en las 6
extracciones.
 X es v.a. binomial con n=6 extracciones, x=2 blancas
(éxito).
3 5
 𝑝 = 𝑝𝑟𝑜𝑏 𝑏𝑙𝑎𝑛𝑐𝑎 = 𝑦 𝑞 = 𝑝𝑟𝑜𝑏 𝑛𝑒𝑔𝑟𝑎 =
8 8
 𝑃 𝑋 = 2 = 6𝐶2 3 2 5 4 = 15 9 25 2 = 0,3219 = 32,2%
8 8 64 64
 La media de X es: 𝜇 = 𝑛𝑝 = 6 3 =9
8 4

07/11/2014
 EJEMPLO 3: USO DE TABLAS
 Ejemplo 5,9 Walpole: Al probar cierta clase de
neumático para camión en un terreno accidentado, se
encuentra que 25% de los camiones no completaban la
prueba de recorrido sin ponchaduras. De los siguientes
15 camiones probados, encuentre la probabilidad de
que:

a) De 3 a 6 tengan ponchaduras.
b) Menos de 4 tengan ponchaduras.
c) Más de 5 tengan ponchaduras

07/11/2014
 SOLUCIÓN
 X: Número de camiones ponchados después de la
prueba.
 X es v.a. binomial con p=0,25; q=0,75; n=15 ensayos.
 𝑃 3 ≤ 𝑋 ≤ 6 = 𝑃 𝑋 ≤ 6 − 𝑃(𝑋 ≤ 2)
 𝑃 3 ≤ 𝑋 ≤ 6 = 6𝑥=0 𝑏 𝑥; 15,0.25 − 2𝑥=0 𝑏 𝑥; 15,0.25
 = 0,9434 − 0,2361 = 0,7073
 𝑃 𝑋 < 4 = 𝑃 𝑋 ≤ 3 = 3𝑥=0 𝑏 𝑥; 15,0.25 = 0,4613
 𝑃 𝑋 >5 =𝑃 𝑋 ≥6 =1−𝑃 𝑋 ≤5
 = 1 − 5𝑥=0 𝑏 𝑥; 15,0.25 = 1 − 0,8516 = 0,1484

07/11/2014
 DISTRIBUCIÓN MULTINOMIAL
 Experimentos multinomiales: Son aquellos donde cada
prueba tiene más de dos resultados posibles.
Generalmente, k resultados. Cada prueba es
independiente de las demás.
 X: Variable aleatoria multinomial basada en n-pruebas
independientes con posibles resultados 𝐸1 , 𝐸2 , … , 𝐸𝑘 en
cada prueba y probabilidades respectivas 𝑝1 , 𝑝2 , … , 𝑝𝑘 .
 Entonces, la probabilidad de que se obtenga 𝐸1 𝑛1 veces,
𝐸2 𝑛2 veces, …, 𝐸𝑘 𝑛𝑘 veces, es:
 𝑃 𝑛1 , 𝑛2 , 𝑛3 , … , 𝑛𝑘 ; 𝑝1 , 𝑝2 , 𝑝3 , … , 𝑝𝑘 =
𝑛! 𝑛 𝑛 𝑛
𝑝1 1 𝑝2 2 … 𝑝𝑘 𝑘 ,
𝑛1 !𝑛2 !…𝑛𝑘 !
 Donde 𝑛1 + 𝑛2 + ⋯ + 𝑛𝑘 = 𝑛 𝑦 𝑝1 + 𝑝2 + ⋯ + 𝑝𝑘 = 1

07/11/2014
 EJEMPLO
 En una caja se tienen 3 monedas de oro, 3 de plata y 3
de cobre. Si se hacen 5 extracciones con reposición,
¿Cuál es la probabilidad de tener 2 de oro, 2 de plata y 1
de cobre?
 Solución: Sean 𝑋1 = # 𝑂𝑟𝑜 𝑋2 = # 𝑃𝑙𝑎𝑡𝑎 𝑦 𝑋3 = # 𝐶𝑜𝑏𝑟𝑒
1
 𝑝1 = 𝑝2 = 𝑝3 =
3
 La probabilidad pedida es:𝑃(𝑋1 = 2, 𝑋2 = 2, 𝑋3 = 1
5! 1 2 1 2 1 1 1 10
 = = 30 = = 0,12345679
2!2!1! 3 3 3 243 81
 Multinomial: Desarrollo de 𝑝1 + 𝑝2 + … + 𝑝𝑘 𝑛

07/11/2014
 DISTRIBUCIÓN HIPERGEOMÉTRICA
 Ejemplo clásico: Muestreo de N artículos, de los
cuales k son defectuosos y N-K son no defectuosos.
 Se selecciona una muestra aleatoria de n artículos
(sin reposición) ¿Cuál es la probabilidad de obtener
x artículos defectuosos y n-x no defectuosos en la
muestra de tamaño n?
 Se diferencia de la distribución binomial en que el
muestreo se realiza SIN REEMPLAZO, es decir,
implica probabilidad condicional, mientras que en el
primero es CON REEMPLAZO, es decir, implica
eventos independientes.

07/11/2014
VARIABLE ALEATORIA HIPERGEOMÉTRICA
 Número de artículos defectuosos en la muestra de
tamaño n, sin reposición, se llama variable aleatoria
hipergeométrica con parámetros N, n, k.
 La distribución de probabilidad de X está dada por:
𝑘 𝑁−𝑘
𝑥 𝑛−𝑥
 ℎ 𝑥; 𝑁, 𝑛, 𝑘 = 𝑁 , 𝑥 = 0,1,2, … 𝑛, 𝑁 − 𝑘 ≥ 𝑛
𝑛
 Donde NCn indica las maneras totales de elegir una
muestra de la población.
 Teorema: La media y la varianza de la distribución
hipergeométrica son:
𝑛𝑘 2 𝑁−𝑛 𝑛𝑘 𝑘
 𝜇= 𝜎 = × 1 −
𝑁 𝑁−1 𝑁 𝑁

07/11/2014
 EJEMPLO
 Si se toman 5 personas en forma aleatoria de un
conjunto de 7 hombres y 5 mujeres, cuál es la
probabilidad de tener 3 hombres y 2 mujeres?

 Solución:

 X: Número de mujeres en la muestra de 5 sin reposición.

 X es v.a. hipergeométrica con parámetros: N=12 (total
de personas); n=5 (tamaño de la muestra); k=5
(Número de éxitos – tener mujeres)

07/11/2014
 5 12−5
2 5−2 175
 𝑃 𝑋=2 = 12 = = 0,442.
396
5
 La media y la varianza de este problema son:
𝑛𝑘 5×5 25 12−5 5×5 5 7
 𝜇= = = y 𝜎2 = × 1− = ×
𝑁 12 12 12−1 12 12 11
25 7 1225
= = 0,773
12 12 1584

 Aplicaciones: Control de Calidad y Muestreo de

aceptación. Determinar si se acepta o no el lote
completo de artículos, dado que se muestrea un
subconjunto del total.
 Ejemplo 2: 4,24 Canavos

07/11/2014
RELACIÓN CON LA DISTRIBUCIÓN BINOMIAL
 Si n es pequeña comparada con N, la naturaleza de
los N artículos varía muy poco en cada prueba. Se
puede usar una distribución binomial para aproximar
una distribución hipergeométrica cuando la relación
𝑛
𝑁 ≤ 0,05, es decir, 𝑛 ≤ 0,05𝑁. Se usa cuando la
población N es muy grande con respecto a la
muestra n.
𝑘
 Con esto, el parámetro binomial 𝑝 = . La media y
𝑁
la varianza serán:
𝑛𝑘 𝑛𝑘 𝑘
 𝜇 = 𝑛𝑝 = 𝜎2 = 𝑛𝑝𝑞 = 1−
𝑁 𝑁 𝑁

07/11/2014
 EJEMPLO APROX BINOMIAL A HIPERGEOMÉTRICA
 5.43 Walpole 8 ed. Una encuesta a nivel nacional de la
Universidad de Michigan a 17000 estudiantes
universitarios de último año revela que casi 70%
desaprueba el consumo de marihuana. Si se
seleccionan al azar 18 de tales estudiantes y se les
pide su opinión, ¿Cuál es la probabilidad de que más
de 9 pero menos de 14 desaprueben el consumo de
marihuana?
 Solución: Sea X el número de estudiantes de la
muestra que desaprueban el consumo de marihuana.
Entonces, X es v.a. hipergeométrica con N=17000,
n=18. k=17000(0,7)=11900

07/11/2014
 Como n/N =18/17000 =0,00106≤0,05, puede utilizar la
distribución binomial para aproximar el resultado
hipergeométrico.

 Es decir,
 ℎ 𝑥; 𝑁, 𝑛, 𝑘 → 𝑏 𝑥; 𝑛, 𝑝 ; ℎ 𝑥; 17000,18,11900 → 𝑏 𝑥; 18,0,70

 Y la probabilidad pedida es:

 𝑃 9 < 𝑋 < 14 = 𝑃 𝑋 < 14 − 𝑃 𝑋 < 10 = 𝑃 𝑋 ≤ 13 − 𝑃 𝑋 ≤ 9
 = 13 9
𝑖=0 𝑏 𝑥; 18,0.7 − 𝑖=0 𝑏 𝑥; 18,0.7 = 0,6673 − 0,0596 = 0,6077

 La probabilidad exacta resulta ser 0,6080. La aproximación binomial

a hipergeométrica resulta ser muy acertada en este caso.

07/11/2014
 DISTRIBUCIÓN BINOMIAL NEGATIVA
 Se basa en experimentos con condiciones binomiales, pero en
este caso no se calcula la probabilidad de x-éxitos en n-pruebas,
con n fija, sino la probabilidad que ocurra el k-ésimo éxito en la
x-ésima prueba. Un caso particular es la distribución
geométrica, donde k=1
 Variable Aleatoria Binomial Negativa:
 El número X de ensayos necesarios para generar k éxitos en un
experimento binomial negativo se denomina variable aleatoria
binomial negativa. Sus probabilidades dependen del número de
éxitos deseados y de la probabilidad de un éxito en un ensayo
dado. Se representan estos datos con la expresión 𝑏∗ (𝑥; 𝑘, 𝑝).
Los ensayos son independientes, por lo tanto la probabilidad
para un orden específico que termina en un éxito es
𝑝𝑘−1 𝑞𝑥−𝑘 𝑝 = 𝑝𝑘 𝑞𝑥−𝑘

07/11/2014
 Ahora, se encuentran todas las combinaciones que
𝑥−1
ocurrieron antes del éxito deseado:
𝑘−1
 Se multiplica ahora la probabilidad del orden específico
que termina en un éxito por el número total de puntos
muestrales del experimento que termina en un éxito,
después de la ocurrencia de k-1 éxitos y x-k fracasos en
cualquier orden, para obtener la fmp de la v.a. binomial
negativa.
 Definición: Si pruebas independientes repetidas pueden
dar como resultado un éxito con probabilidad p y un
fracaso con probabilidad q = 1-p, entonces la fmp de la
v. a. X, número de la prueba en la prueba en la que
ocurre el k-ésimo éxito es:
𝑥 − 1 𝑘 𝑥−𝑘
𝑏∗ 𝑥; 𝑘, 𝑝 = 𝑝 𝑞 , 𝑥 = 𝑘, 𝑘 + 1, 𝑘 + 2 …
𝑘−1
07/11/2014
 APLICACIONES. MEDIA Y VARIANZA
 Aplicaciones: Obviamente similares a la de la distribución
geométrica. Se utiliza de manera frecuente para modelar
las estadísticas de accidentes, datos psicológicos,
compras del consumidor y otras situaciones similares en
donde la frecuencia de ocurrencia entre grupos o
individuos no se espera que sea la misma.

 Teorema: La media y la varianza de la distribución

Binomial Negativa son:
𝑘(1−𝑝) 𝑘(1−𝑝)
 𝜇= 𝜎2 =
𝑝 𝑝2

07/11/2014
 Ejemplo (4,33 Canavos)
 En un departamento de control de calidad se
inspeccionan las unidades terminadas que provienen de
una línea de ensamble. Se piensa que la proporción de
unidades defectuosas es de 0,05.
 a) ¿Cuál es la probabilidad de que la vigésima unidad
inspeccionada sea la segunda que se encuentre
defectuosa?
 b) Supóngase que la decimoquinta unidad inspeccionada
es la segunda que se encuentra defectuosa. ¿Cuál es la
probabilidad de este hecho bajo condiciones
determinadas?

07/11/2014
 Sea X: v.a. que indica el número de ensayos necesarios
para tener el k-ésimo éxito: En este caso, es el número de
inspecciones necesarias para tener la k-ésima unidad
defectuosa.
 X es v. a. binomial negativa con parámetros 𝑝 = 0,05, 𝑞 =
0,95.
 Para a), x = 20 y k = 2.
𝑥 − 1 𝑘 𝑥−𝑘
𝑃 𝑋 = 20 = 𝑏∗ 20; 2, 0,05 = 𝑝 𝑞
𝑘−1
20 − 1
= 0,052 0,9520−2
2−1
19
𝑃 𝑋 = 20 = 0,052 0,9518 = 0,0189
1
 Para b), x = 15 y k = 2.
14
𝑃 𝑋 = 15 = 0,052 0,9513 = 0,0180
1

07/11/2014
 DISTRIBUCIÓN GEOMÉTRICA
 Se basa en experimentos con condiciones binomiales, pero en
este caso no se calcula la probabilidad de x-éxitos en n-
pruebas, con n fija, sino la probabilidad que ocurra el primer
éxito en la x-ésima prueba.

 Definición: Si pruebas independientes repetidas pueden tener

como resultado un éxito con probabilidad p y un fracaso con
probabilidad q = 1-p, entonces la fmp de la v. a. X, número
de la prueba en la que ocurre el primer éxito es:

 𝑔 𝑥; 𝑝 = 𝑝𝑞 𝑥−1 , 𝑥 = 1,2,3 …

07/11/2014
 MEDIA Y VARIANZA. APLICACIONES
 Teorema: La media y la varianza de la
distribución geométrica son:
1 1−𝑝
 𝜇= 𝜎2 =
𝑝 𝑝2
 Aplicación: Normalmente, las pruebas realizadas
en un proceso involucran costos. Si se necesitan
hacer muchas pruebas antes de llegar al éxito
deseado, entonces podría estudiarse la
posibilidad de rediseñar o replantear el sistema.

07/11/2014
 Ejemplo (5,57 Walpole): La probabilidad de que un
estudiante para piloto apruebe el examen escrito para
obtener una licencia de piloto privado es 0,7. Encuentre
la probabilidad de que el estudiante aprobará el examen:
 a) En el tercer intento.
 Sea X: v.a. que indica aprobar el examen en el x-ésimo
intento.
 X es v. a. geométrica con parámetros
𝑝 = 0,7, 𝑞 = 0,3, 𝑥 = 3
 𝑔 𝑥; 𝑝 = 𝑝𝑞 𝑥−1 = 𝑔 3; 0,7 = 0,7 × 0,33−1 = 0,063
 b) Antes del cuarto intento?
 Se pide 𝑃 𝑋 < 4 = 𝑃 𝑋 ≤ 3 = 𝑃 𝑋 = 1 + 𝑃 𝑋 = 2 +
𝑃 𝑋=3
 𝑃 𝑋 < 4 = 0,7 × 0,30 + 0,7 × 0,31 + 0,7 × 0,32 = 0,973

07/11/2014
 DISTRIBUCIÓN DE POISSON
 Los experimentos que dan valores numéricos de
una v.a X, el número de resultados que ocurren
durante un intervalo dado o en una región
específica, se llaman experimentos Poisson. El
intervalo puede ser de cualquier longitud o
extensión (1 día, semana, mes, año). Si es
región: segmento de área, línea, volumen… Un
experimento Poisson se deriva del proceso de
Poisson.
 En pocas palabras, eventos discretos en medios
continuos.
07/11/2014
PROPIEDADES DEL PROCESO DE POISSON
 No tiene memoria. El número de resultados que ocurran
en un intervalo o región específica es independiente del
número que ocurra en otro intervalo o región de la
misma extensión.
 La probabilidad de que ocurra un solo resultado durante
un intervalo muy corto o en una región pequeña es
proporcional a la longitud del intervalo o al tamaño de la
región, y no depende del número de resultados que
ocurre por fuera de ese intervalo o región.
 La probabilidad que ocurra más de un resultado en tal
intervalo corto o que caiga en dicha región pequeña es
insignificante.

07/11/2014
 V.A. DE POISSON
 Número X de resultados que ocurren durante un
experimento de Poisson se llama v. a. de Poisson. El
número medio de resultados se calcula 𝜇 = 𝜆𝑡, donde t
es el tiempo, distancia, área, etc, específicos de interés.
𝜆: tasa de ocurrencia de los resultados.
 Definición: La distribución de probabilidad de la v.a. de
Poisson X, número de resultados que ocurren en un
intervalo dado o región específicos, se denotará con t,
𝑒 −𝜆𝑡 (𝜆𝑡)𝑥
es:𝑝 𝑥; 𝜆𝑡 = ,𝑥 = 0,1,2 …
𝑥!
 Con 𝜆 el número promedio de resultados por unidad de
tiempo, distancia, área o volumen, y 𝑒 = 2,71828 …
 Suma Probabilidades de Poisson: 𝑃 𝑟; 𝜆𝑡 = 𝑟𝑥=0 𝑝 𝑥; 𝜆𝑡

07/11/2014
 APLICACIONES. MEDIA Y VARIANZA
 Aplicaciones: Control de calidad, aseguramiento de
calidad y muestreo de aceptación. Así como
distribuciones continuas empleadas en técnicas de
confiabilidad y teoría de colas dependen del proceso
de Poisson.

 Teorema: La media y la varianza de la distribución

de Poisson son:
 𝜇 = 𝜆𝑡 𝜎 2 = 𝜆𝑡
 Si t=1 (lo común), 𝜇 = 𝜆 y 𝜎 2 = 𝜆

07/11/2014
 EJEMPLO DE APLICACIÓN
 Ejemplo: Un libro de 60 páginas tiene 12 errores.
 a) ¿Cuál es la probabilidad de encontrar 3 errores en las primeras
15 páginas?
 b) ¿Cuál es la probabilidad de no encontrar ningún error en las
primeras 15 páginas?
 c) ¿Cuál es la probabilidad de encontrar 3 errores entre las páginas
20 y 35?
 Solución: X: Número de errores en t= 15 páginas.
12 1
 X es v. a. de Poisson con parámetro 𝜆 = = 𝑒𝑟𝑟𝑜𝑟𝑒𝑠/𝑝á𝑔𝑖𝑛𝑎
60 5
1
−5×15 1
𝑒 (5×15)3 𝑒 −3 (3)3 27 −3
 a) 𝑃 𝑋 = 3 = = = 𝑒 = 22,4%
3! 3! 6
𝑒 −3 (3)0
 b) 𝑃 𝑋 = 0 = = 𝑒 −3 = 0,0498
0!
 c) El proceso de Poisson no tiene memoria. R/ Misma de a)

07/11/2014
 EJEMPLO 2 (TIPO FINAL) –
DISTRIBUCIONES SIMULTÁNEAS
 Pedro recibe en promedio 6 llamadas por día, de lunes a
viernes.
 a) ¿Probabilidad de que Pedro reciba solamente una
llamada en un día específico?
 b) ¿Cuál es la probabilidad que en 2 de los 5 días reciba
exactamente una llamada? Es decir, en cada día reciba
exactamente una llamada).
 Solución:
 X: Número de llamadas que recibe Pedro en un día
cualquiera.
 X es v.a. de Poisson con 𝜆 = 6 𝑙𝑙𝑎𝑚𝑎𝑑𝑎𝑠 𝑝𝑜𝑟 𝑑í𝑎

07/11/2014
 SOLUCIÓN
 X: Número de llamadas que recibe Pedro en un día
cualquiera.
 X es v.a. de Poisson con 𝜆 = 6 𝑙𝑙𝑎𝑚𝑎𝑑𝑎𝑠 𝑝𝑜𝑟 𝑑í𝑎
𝑒 −6 (6)1
 a) 𝑃 𝑋 = 1 = = 6𝑒 −6 = 0,0149
1!
 b) Y Es número de días en que Pedro recibió únicamente
una llamada.
 Y es v.a. binomial n= 5 días y y=2 días.
 𝑝 = 𝑃 𝑋 = 1 = 6𝑒 −6
5! 2 3
 𝑃 𝑌=2 = 0,0149 0,9851 = 2,1147 × 10−3
2!3!

07/11/2014
 APROX. POISSON A BINOMIAL
 Si n es grande y p es pequeña, se comienzan a simular
las implicaciones de espacio continuo o región temporal
del proceso de Poisson. La independencia de Bernoulli es
consistente con el proceso de Poisson,
 Si p tiende a 0 y n tiende a infinito, se puede usar la
distribución de Poisson para aproximar probabilidades
binomiales.
 SI p tiende a uno, se intercambian las definiciones de
éxito y fracaso, con lo que p tiende a 0 y así se pueda
usar la aproximación.

07/11/2014
 APROX. POISSON A BINOMIAL
 Teorema: Sea X es v.a. binomial con
𝑓𝑚𝑝 𝑏 𝑥; 𝑛, 𝑝 . Cuando 𝑛 → ∞, 𝑝 → 0 𝑦 𝑛𝑝 → 𝜇
permanece constante.

 𝑏 𝑥; 𝑛, 𝑝 → 𝑝(𝑥; 𝜇)

 La fmp de Poisson se vuelve cada vez más simétrica

conforme la media se haga más grande. Incluso, con
forma de campana.

07/11/2014
 Ejemplo: 5,65 Walpole
 Suponga que, en promedio, 1 persona en 1000 comete
un error numérico al preparar su declaración de
impuestos. Si se seleccionan 10000 formas al azar y se
examinan, encuentre la probabilidad de que 6, 7 u 8 de
las formas contengan un error.
 R/ El experimento es binomial con n=10000 y p=0,001.
Como 𝑛 → ∞ 𝑦 𝑝 → 0, se puede aproximar el resultado
binomial por Poisson utilizando 𝜇 = 𝑛𝑝 = 10000 0,001 =
10
 X: Número de errores cometidos en la declaración.
 𝑃 6 ≤ 𝑋 ≤ 8 = 𝑃 𝑋 ≤ 8 − 𝑃 𝑋 ≤ 5 = 8𝑖=0 𝑝 𝑥; 10 −
5
𝑖=0 𝑝 𝑥; 10 = 0,3328 − 0,0671 = 0,2657

07/11/2014
 Referencias

1. G. C. Canavos. 1988. Probabilidad y Estadística - Aplicaciones y

Métodos. Mc. Graw Hill, México.

2. R. Walpole. 2007. Probabilidad y Estadística para Ingeniería y

Ciencias. Octava edición. Prentice – Hall.

3. D. Montgomery. 1997. Probabilidad y Estadística aplicadas a la

Ingeniería . Mc. Graw Hill, México.

07/11/2014