DISTRIBUCIONES TEORICAS

DISCRETAS
0.4
p=0.05, n=25
0.2

0
0 5 10 15 20 25

0.3
p=0.5, n=25
0.2
0.1
0
0 5 10 15 20 25

0.3
0.2 p=0.9, n=25
0.1
0
0 5 10 15 20 25

10
 DISTRIBUCIONES UNIFORME
DISCRETA
0.20 GRAFICO DE PROBABILIDADES

P( X = x)
0.15

0.10

0.05

0.00
1 2 3 4 5 6

10
 Función de cuantía y de distribución.

Función de cuantía:
𝟏
𝐱: 𝟏, 𝟐, … , 𝐧
𝐟(𝐱) = 𝐧 .
𝟎 𝐎𝐭𝐫𝐨 𝐜𝐚𝐬𝐨
Función de distribución:
𝟎 . 𝐱<𝟏
𝟏
𝐅 𝒙 = 𝐱: 𝟏, … , 𝐤
𝒏
.
𝟏 𝐱 >𝐧
18/01/2021 3
 Función de probabilidad o cuantía

En teoría de la probabilidad, la distribución uniforme

discreta es una distribución de probabilidad que asume un
número finito de valores con la misma probabilidad.
Si la distribución asume los valores reales x1, x2, …, xn su
función de probabilidad es

𝟏
𝐱: 𝟏, 𝟐, … , 𝐧
𝐏(𝐗 = 𝐱) = 𝐧 .
𝟎 𝐎𝐭𝐫𝐨 𝐜𝐚𝐬𝐨

18/01/2021 4
 Función de probabilidad acumulada
Función de distribución
En teoría de la probabilidad, la distribución uniforme
discreta es una distribución de probabilidad que asume un
número finito de valores con la misma probabilidad.
Si la distribución asume los valores reales x1, x2, …, xn su
función de distribución o función escalonada es:

𝟎 . 𝐱<𝟏
𝟏
𝐏 𝑿=𝒙 = 𝐱: 𝟏, … , 𝐤
𝒏
.
𝟏 𝐱 >𝐧

18/01/2021 5
 Parámetros de la distribución uniforme

𝐱𝐢
𝛍𝐱 =
𝐧
𝟐
𝐱𝐢 − 𝛍
𝛔𝟐𝐱 =
𝐧

18/01/2021 6
 Ejemplo:
Se tiene un dado y se lanza una vez describir:
a) La función de cuantía y de distribución
b) La función de probabilidad y probabilidad
acumulada.
c) El cuadro de distribución de probabilidades.
d) Calcular los parámetros.
e) Graficar las funciones de densidad y de distribución.
f) Graficar las funciones de probabilidades.

18/01/2021 7
 a) La función de cuantía y de distribución.
b) La función de probabilidad y probabilidad
acumulada.

𝟏 𝟏
𝐱: 𝟏, 𝟐, … , 𝟔 𝐱: 𝟏, 𝟐, … , 𝟔
𝐟(𝐱) = 𝟔 . 𝐏(𝐗 = 𝐱) = 𝟔 .
𝟎 𝐎𝐭𝐫𝐨 𝐜𝐚𝐬𝐨 𝟎 𝐎𝐭𝐫𝐨 𝐜𝐚𝐬𝐨

𝟎 𝐱<𝟏 𝟎 . 𝐱<𝟏
.
𝟏 𝟏
𝐅 𝐱 = 𝐱: 𝟏, … , 𝐤 𝐏 𝑿=𝒙 = 𝐱: 𝟏, … , 𝐤
𝟔 𝟔
. .
𝟏 𝐱 >𝐧 𝟏 𝐱 >𝐧

18/01/2021 8
 c) El cuadro de distribución de probabilidades.
d) Calcular los parámetros.

DISTRIBUCION DE PROBABILIDADES PARAMETROS

x P(X = x) P(X ≤ x) P(X ≥ x) xP(X = x) (x-µ)2P(X=x) x2P(X=x)
1 0.1666667 0.166667 1.000000 0.166667 1.041667 0.166667
2 0.1666667 0.333333 0.833333 0.333333 0.375000 0.666667
3 0.1666667 0.500000 0.666667 0.500000 0.041667 1.500000
4 0.1666667 0.666667 0.500000 0.666667 0.041667 2.666667
5 0.1666667 0.833333 0.333333 0.833333 0.375000 4.166667
6 0.1666667 1.000000 0.166667 1.000000 1.041667 6.000000
1.000000 3.500000 2.916667 15.166667

𝐄 𝐗 = 𝛍𝐱 = 3.5

𝐕 𝐗 = 𝛔𝟐𝐱 = 𝟐. 𝟗𝟐

𝛔𝐱 = 𝟏. 𝟕𝟎𝟖

18/01/2021 9
 e) Graficar las funciones de densidad y de
distribución.

FUNCION DE CUANTIA f(x) FUNCION DE DISTRIBUCION F(x)

0.18 1.20
0.16
1.00
0.14
0.12 0.80
0.10
0.60
0.08
0.06 0.40
0.04
0.20
0.02
0.00 0.00
0 1 2 3 4 5 6 7 0 1 2 3 4 5 6 7

18/01/2021 10
 f) Graficar las funciones de probabilidades.

GRAFICO DE PROBABILIDADES PROBABILIDAD ACUMULADA

0.18 1.2
P( X = x)

0.16
1.0
0.14
0.12 0.8
0.10
0.6
0.08
0.06 0.4
0.04
0.2
0.02
0.00 0.0
1 2 3 4 5 6 1 2 3 4 5 6
X

18/01/2021 11
 DISTRIBUCION DE BERNOULLI

10
 Distribución De Bernoulli

Consiste en realizar un experimento aleatorio una

sóla vez y observar si cierto suceso ocurre o no,
siendo p la probabilidad de que esto sea así (éxito) y q
= 1-p el que no lo sea (fracaso).

18/01/2021 13
 Experimento de Bernoulli

En realidad no se trata más que de una variable

dicotómica, es decir que únicamente puede tomar dos
modalidades, es por ello que el hecho de llamar éxito o
fracaso a los posibles resultados de las pruebas obedece
más una tradición literaria o histórica.
Podríamos por tanto definir este experimento mediante
una variable aleatoria discreta X que toma los valores X
= 0 si el suceso no ocurre, y X = 1 en caso contrario.

18/01/2021 14
 FUNCIÓN DE PROBABILIDAD O
FUNCION DE CUANTIA BERNOULLI:

Para una variable aleatoria de Bernoulli, tenemos que su

función de probabilidad es:
𝟏 𝐱
𝐩 (𝟏 − 𝐩)𝟏−𝐱 𝐱: 𝟎, 𝟏
𝐟(𝐱) = 𝐱 p = P(Éxito) = P( X = 1)
. q = P(Fracaso) = P( X = 0)
𝟎 𝐎𝐭𝐫𝐨 𝐜𝐚𝐬𝐨
La función se usa para hallar la probabilidad para cada valor del
recorrido de X.
𝟏 𝐱 p = P(Éxito) = P( X = 1)
𝐩 (𝟏 − 𝐩)𝟏−𝐱 𝐱: 𝟎, 𝟏 q = P(Fracaso) = P( X = 0)
𝐏𝐗=𝐱 = 𝐱
.
𝟎 𝐎𝐭𝐫𝐨 𝐜𝐚𝐬𝐨

18/01/2021 15
 FUNCIÓN DE PROBABILIDAD O
FUNCION DE CUANTIA BERNOULLI:

Las principales características de la distribución se

definen por :

𝐄 𝐗 = 𝝁𝑿 = p 𝐕 𝐗 = 𝛔𝟐𝐱 = pq

18/01/2021 16
 EJEMPLO:

1.- Un ejemplo típico de este tipo de variables aleatorias

consiste en lanzar una moneda al aire y considerar la
variable aleatoria

E( X ) = p = 0.5
Var( X ) =pq= 0.25

18/01/2021 17
 EJEMPLO:

2.- Supóngase que el 4 por ciento de cierta población tiene

artículos defectuosos. A partir de esta población se
selecciona un artículo al azar, calcular la probabilidad
de que el articulo sea defectuoso.

P(X=1)=0.04

E( X ) = p = 0.04
V( X ) = pq = 0.04(0.96) = 0.0384

18/01/2021 18
 EJEMPLO:
En un asentamiento humano el 30% de sus habitantes son
analfabetos. Si se extrae o elige a un ciudadano cualquiera,
cuál es la probabilidad de que este sea no analfabeto,
construir la distribución de probabilidades, calcular sus
características.
p= P(éxito) = 0.7
X P(X=x) xP(X=x) (x-E(x))2P(X=x)
0 0.3 0 0.147
1 0.7 0.7 0.063
0.7 0.21
E(X) = p= 0.7
V(X)= pq = 0.21

18/01/2021 19
 Distribución Hipergeomètrica

10
 Distribución Hipergeomètrica
FUNCION DE CUANTIA

𝐍𝟏 𝐍 − 𝐍𝟏
𝐱 𝐧−𝐱 𝐱: 𝟎, 𝟏, … , 𝐧
𝐏 𝐗=𝐱 = 𝐍
𝐧 .
𝟎 𝐎𝐭𝐫𝐨 𝐜𝐚𝐬𝐨

18/01/2021 21
 Distribución Hipergeomètrica
FUNCION DE DISTRIBUCION

𝟎 𝐗<𝟎
𝐍𝟏 𝐍−𝐍𝟏
𝐱 𝐧−𝐱
𝐏 𝐗≤𝐱 = 𝐍
𝟎<𝐗<𝐧
𝐧
𝟏 𝐗>𝐧

18/01/2021 22
 PARAMETROS
Distribución Hipergeomètrica

n𝐍𝟏
𝐄 𝐗 = 𝛍𝐱 =
𝐍

𝐍 − 𝐧 𝐧𝐍𝟏 𝐍𝟏
𝐕 𝐗 = 𝛔𝟐𝐗 = 𝟏−
𝐍−𝟏 𝐍 𝐍

18/01/2021 23
 Distribución binomial

10
 Distribución binomial
FUNCION DE CUANTIA

Se dice que una variable aleatoria X sigue una ley

binomial de parámetros n y p, ,
si es la suma de n variable aleatoria independientes de
Bernoulli con el mismo parámetro p y esta dado por la
siguiente expresión:
𝐧 𝐱
𝐩 (𝟏 − 𝐩)𝐧−𝐱 𝐱: 𝟎, 𝟏, 𝟐, … , 𝐧
𝐟(𝐱) = 𝐱
.
𝟎 𝐎𝐭𝐫𝐨 𝐜𝐚𝐬𝐨
p = P(Éxito) = P( X = 1)
q = P(Fracaso) = P( X = 0)

18/01/2021 25
 Distribución binomial
PROBABILIDAD

Se dice que una variable aleatoria X sigue una distribución

binomial de parámetros n y p cuando se repite n veces un
experimento es de Bernoulli, y esta expresado por la
siguiente expresión:

𝐧 𝐱
𝐩 (𝟏 − 𝐩)𝐧−𝐱 𝐱: 𝟎, 𝟏, 𝟐, … 𝐧
𝐏𝐗=𝐱 = 𝐱
.
𝟎 𝐎𝐭𝐫𝐨 𝐜𝐚𝐬𝐨

p = P(Éxito) = P( X = 1)
q = P(Fracaso) = P( X = 0)
18/01/2021 26
 Distribución binomial
CARACTERISTICAS

Las principales características de la distribución se

definen por :

𝐄 𝐗 = 𝛍.𝐱 = np

𝐕 𝐗 = 𝛔𝟐𝐱 = npq

18/01/2021 27
 RELACION DE LA FUNCION DE CUANTIA
BINOMIAL CON FUNCIONES DEL EXCEL Y SPSS

𝐧 𝐱
𝐩 (𝟏 − 𝐩)𝐧−𝐱 𝐱: 𝟎, 𝟏, 𝟐, … 𝐧
𝐏𝐗=𝐱 = 𝐱
.
𝟎 𝐎𝐭𝐫𝐨 𝐜𝐚𝐬𝐨

P( X = x ) = DISTR.BINOM.N( x, n, p, 0)

P( X = x ) = PDF.BINOM( x, n, p)

18/01/2021 28
 Función de Distribución:

Se dice que una variable aleatoria X sigue una ley binomial

de parámetros n y p, , y su función de distribución
( Probabilidad acumulada ) esta dada por :
𝟎 𝒙<𝟎
.
𝐧 𝐱
𝐅 𝒙 = 𝐩 (𝟏 − 𝐩)𝐧−𝐱 𝒙: 𝟎, 𝟏, … , 𝒌
𝐱
.
𝟏 𝒙 >𝒏

p = P(Éxito) = P( X = 1)
q = P(Fracaso) = P( X = 0)

18/01/2021 29
 Función de Distribución:
PROBABILIDAD ACUMULADA

Se dice que una variable aleatoria X sigue una ley binomial

de parámetros n y p, , y su función de distribución
( Probabilidad acumulada ) esta dada por :
𝟎 𝐱<𝟎
.
𝐧 𝐱
𝐅 𝐱 = 𝐩 (𝟏 − 𝐩)𝐧−𝐱 𝐱: 𝟎, 𝟏, … , 𝐧
𝐱
.
𝟏 𝐱 >𝐧

p = P(Éxito) = P( X = 1)
q = P(Fracaso) = P( X = 0)

18/01/2021 30
 RELACION DE LA FUNCION DE
DISTRIBUCION BINOMIAL CON FUNCIONES
DEL EXCEL Y SPSS

𝟎 𝐱<𝟎
.
𝐧 𝐱
𝐅 𝐱 = 𝐩 (𝟏 − 𝐩)𝐧−𝐱 𝐱: 𝟎, 𝟏, … , 𝐧
𝐱
.
𝟏 𝐱 >𝐧

P( X ≤ x ) = DISTR.BINOM.N( x, n, p, 1)

P( X ≤ x ) = CDF.BINOM( x, n, p)

18/01/2021 31
 EJEMPLO

Se lanza una moneda trucada 10 veces de modo que el

salir cara tiene dos veces la posibilidad de salir sello.
Sea X numero de caras. Hallar:
a) Construir la función de cuantía y de distribución.
b) Construir la distribución de probabilidades y sus
gráficos.
c) Sus características por definición y el modelo.
d) Salga 5 sellos.
e) Salga 3 caras.

18/01/2021 32
 𝟏𝟎
𝟎. 𝟔𝟔𝟕𝐱 (𝟏 − 𝟎. 𝟔𝟔𝟕)𝟏𝟎−𝐱 𝐱: 𝟎, 𝟏, 𝟐, … , 𝟏𝟎
𝐟(𝐱) = 𝐱
.
𝟎 𝐎𝐭𝐫𝐨 𝐜𝐚𝐬𝐨

f(x)
FUNCION DE CUANTIA BINOMIAL
0.30

0.25

0.20

0.15

0.10

0.05

0.00
0 1 2 3 4 5 6 7 8 9 10

18/01/2021 33
 𝟎 . 𝒙<𝟎
𝟏𝟎
𝐅(𝐱) = 𝟎. 𝟔𝟔𝟕𝐱 (𝟏 − 𝟎. 𝟔𝟔𝟕)𝟏𝟎−𝐱 𝒙: 𝟎, 𝟏, … , 𝟏𝟎
𝐱
.
𝟏 𝒙 >𝟏

FUNCION DE DISTRIBUCION BINOMIAL

1.2

1.0

0.8

0.6

0.4

0.2

0.0
0 1 2 3 4 5 6 7 8 9 10

18/01/2021 34
 DISTRIBUCION DE PROBABILIDADES
x P(X = x) P(X ≤ x) P(X ≥ x)
𝟏𝟎
0 0.0000169 0.0000169 1.0000000 𝟎. 𝟔𝟔𝟕𝐱 (𝟏 − 𝟎. 𝟔𝟔𝟕)𝟏𝟎−𝐱 𝐱: 𝟎, 𝟏, 𝟐, … , 𝟏𝟎
𝐏(𝐗 = 𝐱) = 𝐱
.
1 0.0003387 0.0003556 0.9999831
𝟎 𝐎𝐭𝐫𝐨 𝐜𝐚𝐬𝐨
2 0.0030483 0.0034040 0.9996444
3 0.0162577 0.0196616 0.9965960
4 0.0569019 0.0765635 0.9803384 𝟎 𝒙<𝟎
.
5 0.1365645 0.2131281 0.9234365 𝟏𝟎
P(X ≤ x) = 𝟎. 𝟔𝟔𝟕𝐱 (𝟏 − 𝟎. 𝟔𝟔𝟕)𝟏𝟎−𝐱 𝒙: 𝟎, 𝟏, … , 𝟏𝟎
6 0.2276076 0.4407357 0.7868719 𝐱
.
7 0.2601229 0.7008586 0.5592643 𝟏 𝒙 >𝟏
8 0.1950922 0.8959508 0.2991414
9 0.0867076 0.9826585 0.1040492
10 0.0173415 1.0000000 0.0173415
1.0000000

18/01/2021 35
 PROBABILIDAD DE V.A.BINOMIAL
P(X=x)

0.30
PROBABILIDAD ACUMULADA
1.2
0.25
1.0
0.20
0.8
0.15
0.6

0.10
0.4

0.05
0.2

0.00 0.0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
X

18/01/2021 36
 x P(X = x) P(X ≤ x) P(X ≥ x) xP(X = x) (x-µ)2P(X=x)

0 0.0000169 0.0000169 1.0000000 0.00000 0.000753

1 0.0003387 0.0003556 0.9999831 0.00034 0.010876

2 0.0030483 0.0034040 0.9996444 0.00610 0.066386
3 0.0162577 0.0196616 0.9965960 0.04877 0.218576
4 0.0569019 0.0765635 0.9803384 0.22761 0.404636

5 0.1365645 0.2131281 0.9234365 0.68282 0.379346

6 0.2276076 0.4407357 0.7868719 1.36565 0.101159
7 0.2601229 0.7008586 0.5592643 1.82086 0.028903
8 0.1950922 0.8959508 0.2991414 1.56074 0.346831
9 0.0867076 0.9826585 0.1040492 0.78037 0.472075
10 0.0173415 1.0000000 0.0173415 0.17342 0.192684
µ = 6.67
1.0000000 6.66667 2.222222 σ2 = 2.22

𝛍𝐱 = 𝟏𝟎(𝟎. 𝟔𝟔𝟕) = 6.67 𝛔𝟐𝐱 = 10(0.667)(0.333) = 2.22

18/01/2021 37
 EJEMPLO

Supóngase que el 4 por ciento de cierta población tiene

artículos defectuosos. A partir de esta población se
selecciona 10 artículos al azar, calcular la probabilidad :
i. Encontrar exactamente tres artículos defectuosos.
ii. Encontrar tres o más artículos defectuosos.
iii. Encontrar menos de tres.
iv. Encontrar exactamente cinco.

18/01/2021 38
 P(Éxito) = 0.04
n = 10

DISTRIBUCION DE PROBABILIDADES
X P(X=x) P(X<=x) xP(X=x) (x-E(X))^2P(X=x)
0 0.66483263599150 0.66483263599150 0.0000000000000 0.1063732217586
1 0.27701359832979 0.94184623432129 0.2770135983298 0.0997248953987
2 0.05194004968684 0.99378628400813 0.1038800993737 0.1329665271983
3 0.00577111663187 0.99955740064000 0.0173133498956 0.0390127484314
4 0.00042081058774 0.99997821122774 0.0016832423510 0.0054537052171
5 0.00002104052939 0.99999925175713 0.0001052026469 0.0004452176018
6 0.00000073057394 0.99999998233106 0.0000043834436 0.0000229107987
7 0.00000001739462 0.99999999972568 0.0000001217623 0.0000007577095
8 0.00000000027179 0.99999999999747 0.0000000021743 0.0000000156986
9 0.00000000000252 0.99999999999999 0.0000000000226 0.0000000001861
10 0.00000000000001 1.00000000000000 0.0000000000001 0.0000000000010
1.0000000 0.400 0.3840

18/01/2021 39
 PROBABILIDADES BINOMIALES
0.4

p=0.05, n=25
0.2

Sesgada si p es cerca de 0 0
0 5 10 15 20 25

0.3
p=0.5, n=25
0.2
Simétrica si p es 0.5 (o cercana) 0.1
 Aproximadamente normal 0
0 5 10 15 20 25

0.3
0.2
p=0.9, n=25
Sesgada si p es cerca a 1 0.1
0
0 5 10 15 20 25

18/01/2021 40
 Ejemplo:
Obtenga una muestra aleatoria de n = 200 por el día de producción
Suponga que p = 7% de esta producción es defectuosa
Número de Proporción o Porcent.
Defectos, X Defectuoso, p = X/n
Media X = np p = p = 0.07
= 2000.07 = 14
“Espera ver 14 “Espera ver 7%
defectos, en promedio” defectuoso, en promedio”

Dev Std.. X = np(1–p) p = p(1–p)/n

= 2000.070.93 = 0.070.93/200
= 3.61 = 0.018
“Típica. espera aprox. “Típicamente espera aprox.
3.61 mas o menos que 14” 1.8% mas o menos que 7%”

18/01/2021 41
 Ejemplo.-

Sea el experimento que consiste en lanzar un dado 5 veces; y

sea la probabilidad de ganar si sale un número 6. Calcular la
distribución de probabilidad y la probabilidad de:

a) Ganar 2 veces exactamente. P(X=2) = 0.1607510

b) Ganar a lo más 4 veces. P(X<=4) = 0.9998799
c) Ganar al menos 3 veces. P(X>=3) = 0.0354938
d) Ganar exactamente 4 veces.
P(X=4) = 0.0032150

18/01/2021 42
 P(éxito) = 0.1667
n= 5

DISTRIBUCION DE PROBABILIDADES CARACTERISTICAS

X P(X=x) P(X<=x) xP(X=x) (x-E(x))2P(X=x)

0 0.4018776 0.401877572 0 0.279081647
1 0.4018776 0.803755144 0.401877572 0.011163266
2 0.1607510 0.964506173 0.321502058 0.218800011
3 0.0321502 0.996656379 0.096450617 0.150927355
4 0.0032150 0.999871399 0.012860082 0.032239512
5 0.0001286 1 0.000643004 0.002232653
1 0.8333 0.6944

18/01/2021 43
 Ejemplos:
1) Una empresa que fabrica mesas de billar sospecha que el
20% de su producción está defectuosa en alguna forma. Si
esta sospecha es correcta, encuentre la probabilidad de que
en una muestra de nueve mesas:
a) haya por lo menos una defectuosa.
b) no haya mesas defectuosas.

18/01/2021 44
 Ejemplos :
2) De los alumnos de una universidad, el 41% fuma. Se
eligen seis alumnos para conocer las opiniones
sobre el cigarro.

a) Encuentre la probabilidad de que ninguno de ellos

fume.
b) Obtenga la probabilidad de que todos ellos fumen
c) Determine la probabilidad de que por lo menos la
mitad de los seis fumen.

18/01/2021 45
 Distribución de Poisson

P( X = x ) = POISSON.DIST( x, λ, 0 )

P( X = x ) = PDF.POISSON( x, λ)

10
 Distribución de Poisson
FUNCION DE CUANTIA

Una variable aleatoria X posee una ley de distribución de

probabilidades del tipo Poisson

𝐞−𝛌 𝛌𝐱
𝐱: 𝟎, 𝟏, 𝟐, 𝟑, …
𝐟(𝐱) = 𝐗!
.
𝟎 𝐎𝐭𝐫𝐨 𝐜𝐚𝐬𝐨

18/01/2021 47
 Distribución de Poisson
PROBABILIDAD

Una variable aleatoria X posee una ley de distribución de

probabilidades del tipo Poisson y esta dada por la
expresión siguiente:

𝐞−𝛌 𝛌𝐱
𝐱: 𝟎, 𝟏, 𝟐, 𝟑, …
𝐏(𝐗 = 𝐱) = 𝐗!
.
𝟎 𝐎𝐭𝐫𝐨 𝐜𝐚𝐬𝐨

PARAMETRO: λ Número de hechos por unidad de medida

18/01/2021 48
 Distribución de Poisson
PROBABILIDAD

PARAMETROS: λ Número de hechos por unidad de medida

E(X) = λ Media aritmética teórica o Media poblacional

V(X) = λ Varianza teórica o Varianza poblacional

𝐄 𝐗 = 𝛍𝐱 = 𝛌

𝐕 𝐗 = 𝛔𝟐𝐱 = λ

18/01/2021 49
 RELACION DE LA FUNCION DE CUANTIA
POISSON CON FUNCIONES DEL EXCEL Y SPSS

𝐞−𝛌 𝛌𝐱
𝐱: 𝟎, 𝟏, 𝟐, 𝟑, …
𝐏(𝐗 = 𝐱) = 𝐗!
.
𝟎 𝐎𝐭𝐫𝐨 𝐜𝐚𝐬𝐨

P( X = x ) = POISSON.DIST( x, λ, 0 )

P( X = x ) = PDF.POISSON( x, λ)

18/01/2021 50
 Función de Distribución:
POISSON
Una variable aleatoria X posee una ley de distribución de
probabilidades del tipo Poisson, su función de
distribución esta dada por:

𝟎 𝐗<𝟎
.
𝐤
𝐅(𝐱) = 𝐞−𝛌 𝛌 𝐱
𝐱: 𝟎, 𝟏, 𝟐, 𝟑, …
𝐗!
𝐱=𝟎
.
𝟏 𝐗>∞

18/01/2021 51
 Función de Distribución:
Probabilidad acumulada Poisson
Una variable aleatoria X posee una ley de distribución de
probabilidades del tipo Poisson; su función de
distribución ( Probabilidad acumulada ) esta dada por:

𝟎 𝐗<𝟎
.
𝐤
𝐏(𝐗 ≤ 𝐱) = 𝐞−𝛌 𝛌 𝐱
𝐱: 𝟎, 𝟏, 𝟐, 𝟑, …
𝐗!
𝐱=𝟎
.
𝟏 𝐗>∞

18/01/2021 52
 RELACION DE LA FUNCION DE DISTRIBUCION
POISSON CON FUNCIONES DEL EXCEL Y SPSS

𝟎 𝐗<𝟎
𝐤
𝐞−𝛌 𝛌𝐱
𝑷(𝑿 ≤ 𝒙) = 𝐱: 𝟎, 𝟏, 𝟐, 𝟑, …
𝐗!
𝐱=𝟎
𝟏 𝐗>∞

P( X ≤ x ) = POISSON.DIST( x, λ, 1 )

P( X ≤ x ) = CDF.POISSON( x, λ)

18/01/2021 53
 RELACION ENTRE DISTRIBUCION POISSON Y
BINOMIAL

La Distribución de Poisson se usa para modelar

situaciones en las que hay ocurrencias aleatorias de
sucesos por unidad de espacio o tiempo y en donde se
desea conocer la probabilidad de un número específico de
éxitos.

Una Distribución binomial cuando n es muy grande y p

muy pequeña, se acerca a una distribución de Poisson
(como regla empírica, el uso de de la distribución es
apropiado cuando n>20 y np <5 ó n(1-p)<=5

18/01/2021 54
 Ejemplos. Comprobando ocurrencia aleatoria

La ocurrencia de autos a un puesto de peaje,

De clientes al banco,
A una caja en el supermercado,
De camiones a una balanza
La ocurrencia de llamadas a una central
El número de defectos por km de un cable subterráneo

18/01/2021 55
 Ejemplo.
Los clientes llegan a una exhibición a razón de 6.5
clientes/hora (Poisson). Calcule la probabilidad de que en
cualquier hora dada:
a. no llegue ningún cliente b. por lo menos lleguen 5
c. lleguen a lo más cinco d. lleguen exactamente 5
λ  6.5/hora
e 6.5 6.50
5
e 6.5 6.5x
a. PX  0  c. PX  5  
0! x o x!
4
e 6.5 6.5x e 6.5 6.55
b. PX  5  1   d. PX  5 
x o x! 5!

18/01/2021 56
 DISTRIBUCION DE PROBABILIDADES
X P(X=x) P(X<=x) xP(X=x) (x-E(X))^2P(X=x)
0 0,0015034392 0,0015034392 0,0000000000 0,0635182623
1 0,0097723548 0,0112757939 0,0097723548 0,2956024916
2 0,0317601530 0,0430359469 0,0635203059 0,6431132099
3 0,0688136647 0,1118496116 0,2064409942 0,8429170274
4 0,1118222052 0,2236718168 0,4472888207 0,6988303227
5 0,1453688667 0,3690406836 0,7268443337 0,3270343523
6 0,1574829390 0,5265236225 0,9448976338 0,0393542700
7 0,1462341576 0,6727577801 1,0236391033 0,0365738313
8 0,1188152531 0,7915730332 0,9505220245 0,2673715908
9 0,0858110161 0,8773840493 0,7722991449 0,5363637137
10 0,0557771605 0,9331612098 0,5577716046 0,6833110409
11 0,0329592312 0,9661204409 0,3625515430 0,6674554479
12 0,0178529169 0,9839733578 0,2142350027 0,5400712699
13 0,0089264584 0,9928998163 0,1160439598 0,3771550030
14 0,0041444271 0,9970442434 0,0580219799 0,2331305266
15 0,0017959184 0,9988401618 0,0269387764 0,1297582985
16 0,0007295919 0,9995697537 0,0116734698 0,0658471148
17 0,0002789616 0,9998487153 0,0047423471 0,0307561282
18 0,0001007361 0,9999494514 0,0018132504 0,0133225956
19 0,0000344624 0,9999839138 0,0006547849 0,0053848339
20 0,0000112003 0,9999951140 0,0002240053 0,0020412803
1 6,49989544 6,4989126118

18/01/2021 57
 Ejemplo:
Si 2% de los libros encuadernados en cierto taller tiene
encuadernación defectuosa, obtener la probabilidad de
que 5 de 400 libros encuadernados en este taller tengan
encuadernaciones defectuosas.
. λ = 400(0.02) = 8

8 5
PX  5 
e 8
 0.0916
5!

18/01/2021 58
 X D.BINOMIAL D.POISSON
0 0.000309336 0.000335463
1 0.002525191 0.002683701
2 0.010281134 0.010734804
3 0.027835995 0.028626144
4 0.056382091 0.057252288
5 0.091131870 0.091603662
n= 400 6 0.122439077 0.122138215
p= 2.0% 7 0.140644304 0.139586532

λ= 8 8 0.141003091 0.139586532
9 0.125336081 0.124076917
10 0.100013077 0.099261534
11 0.072365677 0.072190206
12 0.047874572 0.048126804
13 0.029160650 0.029616495
14 0.016450687 0.016923711
15 0.008639409 0.009025979

18/01/2021 59
 Ejemplo:
En una fábrica de tejidos el encargado del
control de calidad se percata que en cierta
clase de tejido de lana ocurren al azar con un
promedio de 1 por 100 pies cuadrados.
Calcular la probabilidad que una pieza que
mide 50 por 10 pies no contenga defectos.
Calcular la probabilidad que una pieza que
mide 70 por 10 pies tenga al menos 3 defectos.

18/01/2021 60
 Ejemplo:
Una panadería por campaña navideña decide
hacer panteones con frutillas, para empezar
hace un lote de 200 unidades, a estos se le
agrega 1000 frutillas . Se mezcla bien toda la
masa para hacer los panetones. Se elige un
panteón al azar de dicho lote , ¿ Cuál es la
probabilidad de que no contenga ninguna
frutilla? ¿ Cuántos panetones con solamente
una frutilla podrí haber en el lote?’.

18/01/2021 61
 Ejemplo:
Una de cada 100 lámparas incandescentes fabricadas por
una compañía se funde antes del final de su período de una
semana si se dejan encendidas todo el tiempo. Se instala una
lámpara de cada uno de los 50 pisos de un edificio grande.
¿Cuál es la verdadera distribución de probabilidad del
número de lámparas que se fundan antes del final de la
semana? ¿Cuáles son sus parámetros?
Utilice una aproximación a la verdadera distribución para
calcular la probabilidad de que:
tres lámparas se funden antes del fin de la semana
más de tres lámparas se funden antes del fin de la semana
menos de tres lámparas se funden antes de fin de la semana

18/01/2021 62
 Ejemplo:
Un fabricante de insecticidas nota que el 10% de los
insectos expuestos a su producto, en condiciones
de laboratorio pudieron sobrevivir. Si se expone
una muestra de 30 insectos al insecticida, ¿Cuál
es la probabilidad aproximada que:
sobreviva exactamente un insecto
no sobreviva ninguno de los 30 insectos
no sobreviva más que dos insectos

18/01/2021 63
 FIN

1/18/2021 64