Capı́tulo 4

Distribución discretas

La distribución de probabilidad está completamente especificada por la función de

distribución, cuyo valor en cada x real es la probabilidad de que la variable aleatoria sea
menor o igual que x.
Recordamos que para una variable aleatoria X discreta, la función de probabilidad
acumulada o bien la distribución de probabilidad F(X ) debe satisfacer las siguientes pro-
piedades:
0 ≤ F(x) ≤ 1, y P(X ≤ x′ ) = ∑ f (x).
x≤x′

Cuando un experimento sólo tiene dos posibles resultados, decimos que la variable
aleatoria X que mide el resultado tiene una distribución Bernoulli. Los resultados del ex-
perimento pueden ser por ejemplo éxito/fallo, bien/mal, si/no, rojo/azul, falso/verdadero,
niña/niño, sol/águila etc. Si X es una distribución Bernoull, entonces X puede tomar úni-
camente dos valores 0 y 1, éxito y fallo respectivamente. Si la probabilidad de éxito es p,
entonces
P(X = 0) = 1 − p P(X = 1) = p

Ejemplo 4.0.1. Considera el experimento de lanzar una moneda, y sea X la variable

aleatoria que le asigna el valor 0 si sale águila y le asigna el valor 1 si es sol. Entonces
P(X = 0) = 1 − 0.5 = 0.5 y P(X = 1) = 0.5.

Ejemplo 4.0.2. Considera el experimento de lanzar un dado, y sea X la variable aleatoria

que le asigna el valor 0 si salen al menos 3 puntos y le asigna el valor 1 si salen menos de
3 puntos. Entonces P(X = 0) = 1 − 0.3 = 0.6 y P(X = 1) = 0.3.

67
68 CAPÍTULO 4. DISTRIBUCIÓN DISCRETAS

4.1. Distribución Binomial

Cuando un experimento Bernoulli que se repite n veces (es decir, el experimento sólo
tiene dos posibles resultados) y el resultado de cada uno de los experimentos es indepen-
diente al resultado de los otros experimentos, decimos que la variable aleatoria X que mide
el número de “éxitos” tiene una distribución binomial.
Ejemplo 4.1.1. Considera el experimento de lanzar una moneda 3 veces. Sea X la variable
aleatoria que mide el número de veces que sale sol. La probabilidad de un “éxito” es 0.5.
¿Cuál es la probabilidad de que en exactamente uno de los tres lanzamientos sale sol?
Solución:
Sea A el evento en que salió águila y sea S el evento en que salió sol. Los siguientes eventos
son los que buscamos: (A, A, S), (A, S, A), (S, A, A).

P(X = 1) = (0.5)(0.5)(0.5) + (0.5)(0.5)(0.5) + (0.5)(0.5)(0.5)

= 3(0.5)3 = 0.375.

La probabilidad de que en exactamente uno de los tres lanzamientos sale sol es P(X =
1) = 0.375.

Ejemplo 4.1.2. Considera el experimento de lanzar un dado 3 veces. ¿Cuál es la proba-

bilidad de que en exactamente dos de los tres lanzamientos la suma de los puntos del dado
sean a lo mas 4?
Solución:
Sea X la variable aleatoria que mide el número de veces que la suma de los puntos del
dado sean a lo mas 4 (“éxito” es que la suma sea 1, 2, 3 o 4), la probabilidad de “éxito”
es 2/3. Sea M el evento de una suma Mayor a 4 y m una suma menor o igual a 4. Los
siguientes eventos son los que buscamos: (m, m, M), (m, M, m), (M, m, m).
! "! "! " ! "! "! " ! "! "! "
2 2 1 2 1 2 1 2 2
P(X = 2) = + +
3 3 3 3 3 3 3 3 3
! "2 ! " ! "2 ! " ! "2 ! "
2 1 2 1 2 1
= + +
3 3 3 3 3 3
! "2 ! "
2 1
= 3 = 0.4.
3 3
La probabilidad de que en exactamente dos de los tres lanzamientos la suma de los puntos
del dado sean a lo mas 4 es P(X = 2) = 0.4.
4.1. DISTRIBUCIÓN BINOMIAL 69

Una variable aleatoria X que mide exactamente x “éxitos” de n experimentos inde-

pendientes, donde cada experimento tiene probabilidad p de “éxito” y 1 − p de “fallo”
es una distribución binomial con parámetros n y p. La función de probabilidad de una
distribución binomial es:
⎧ &n' x
⎨ x p (1 − p)n−x x = 0, 2 . . . , n, 0 < p < 1;
f (x; p, n) =
⎩
0 e.o.c.

P(X = k)
0.31104

0.27648
0.186624

0.4

0.13824
0.046656

0.036864

0.004096
0.2

−1 0 1 2 3 4 5 6 k

Figura 4.1: Distribución binomial con n = 6 y p = 0.4

P(X = k)
n = 5, p = 0.5; n = 20, p = 0.3; n = 20, p = 0.5; n = 20, p = 0.8
0.4

0.2

0
0 5 10 15 20 k

Figura 4.2: Distribución binomial con diferentes valores para los paraámetros
70 CAPÍTULO 4. DISTRIBUCIÓN DISCRETAS

Ejemplo 4.1.3. Es un hecho conocido que el color de ojos de un hijo depende de los dos
genes que hereda de sus padres. Pero no es el único fenómeno que tiene este compor-
tamiento. Vamos a denotar por d un gen dominante y por r un gen recesivo y la pareja
(x, y) denota la pareja de genes que hereda de sus padres, donde la primera entrada co-
rresponde del gen de la madre y la segunda corresponde al gen del padre. Decimos que
una persona es dominante si tiene la pareja (d, d), es una persona es recesiva si tiene la
pareja (r, r) y es hı́brido si tiene la pareja (r, d) o (d, r). Determina la probabilidad de dos
padres hı́bridos tiene un hijo recesivo. Si dos padres hı́bridos tienen cuatro hijos, ¿cuál es
la probabilidad de que uno de los hijos sea recesivo?
Solución:
Sea X la variable aleatoria que mide el número de genes recesivos de una persona, por lo
que definimos como éxito si el gen es recesivo. La probabilidad de éxito (un gen recesivo)
es p = 0.5. Queremos calcular la probabilidad de que los dos genes sean exitosos.

! "
2
P(X = 2; 0.5, 2) = (0.5)2(1 − 0.5)2−2 = (0.5)2 = 0.25.
2

Ejemplo 4.1.4. Para estudiar si las ratas distinguen el color rojo, crearon una jaula con
tres palancas, una palanca roja que al presionarla proporcionaba comida y otras dos
palancas donde al presionarlas no pasaba nada. En cada experimento la palanca de color
rojo se colocaba de manera aleatoria y la rata sólo puede presionar una palanca. Una
misma rata realizó el experimento cuatro veces. Sı́ la rato no destingue el color rojo,
entonces va a elegir de manera aletoria la palanca que presiona. Define una variable
aleatoria X que te permita determinar si la rata destingue el color rojo y determina su
distribución de probabilidad. Y determina el valor esperado de X
Solución:
Como hay tres palancas y sólo una de ellos da comida, entonces la probabilidad de acertar
es 1/3 y la probabilidad de fallar es 2/3. Sea X la variable aleatoria que mide el número
de veces que la rata consiguió comida (presionó la palanca roja). Los posibles valores
que de X (el rango de X ) son

X = 0, 1, 2, 3, 4.

Queremos determinar la distribución de probabilidad de X . Sea R el evento favorable y R

4.1. DISTRIBUCIÓN BINOMIAL 71

el evento de fallo.

X =0: RRRR
P(X = 0) = (2/3)4 = 16/81

X =1: RRRR ∪ RRRR ∪ RRRR ∪ RRRR

&'
P(X = 1) = 41 (1/3)(2/3)3 = 32/81

X =2: &4' ∪ RRRR

RRRR ∪ RRRR ∪ RRRR ∪ RRRR ∪ RRRR
P(X = 2) = 2 (1/3) (2/3)2 = 24/81
2

X =3: RRRR ∪ RRRR ∪ RRRR ∪ RRRR

&4'
P(X = 3) = 3 (1/3)3(2/3) = 8/81

X =4: RRRR
&'
P(X = 4) = 41 (1/3)4 = 1/81.

El valor esperado de X es E[X ] = np = 4(1/3) = 4/3

Ejemplo 4.1.5. En la fabricación de cierto producto, para asegurar la calidad de la pro-

ducción, se selecciona todos los dı́as aleatoriamente 15 unidades para verificar el porcen-
taje de unidades defectuosas. Si hay dos o mas unidades de los 15 que son defectuosas, se
detiene la producción para calibrar la maquina. Por experiencia se sabe que la probabi-
lidad de que una unidad elegida al azar es p = 0.05.
¿Cuál es la probabilidad de que se detiene la producción?
Solución:
Sea X la variable aleatoria que representa el número de unidades defectuosas. Queremos
determinar P(X ≥ 2). Por la propiedad del complemento tenemos que

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

&15'
P(X = 0) = 0 (0.9515 ) =
&15'
P(X = 1) = 1 (0.05)(0.9514) =

P(X ≥ 2) = 1 − ()
= 0.1709.
72 CAPÍTULO 4. DISTRIBUCIÓN DISCRETAS

Medidas de localización de una distribución binomial

Vamos a calcular el valor esperado, la varianza, la desviación estandar , el coeficiente
de variación, el coeficiente de simetrı́a y el coeficiente de curtosis de una distribución bino-
mial con parámetros n y p. Recordamos que la función de probabilidad de una distribución
binomial es
! "
n i
f (x; p, n) = p (1 − p)n−i , x = 0, 2 . . ., n, 0 < p < 1.
i
Calculamos la media (esperanza, valor esperado) de una distribución binomial X .
&'
E[X ] = ∑nx=0 x nx px (1 − p)n−x
n!
= ∑nx=0 x px (1 − p)n−x
(n − x)!x!
(n − 1)!
= n ∑nx=0 px (1 − p)n−x , como (n − 1) − (x − 1) = n − x
(n − x)!(x − 1)!
(n − 1)!
= np ∑nx=0 px−1 (1 − p)(n−1)−(x−1)
((n − 1)
& ' x−1 − (x − x))!(x − 1)! & '
= np ∑nx=0 n−1 p (1 − p) (n−1)−(x−1) , n−1 = 0 cuando x = 0 o x = n,
&x−1
n−1' x−1
x−1
= np ∑n−1
x=1 &x−1 p (1 − p) (n−1)−(x−1) , sea x′ = x − 1 y n′ = n − 1,
′ ′' ′ ′ ′
= np ∑nx′ =0 nx′ px (1 − p)n −x , por función de probabilidad,
= np.
Por lo que µ = np.
Para calcular la varianza de una distribución binomial X calculamos primero el segun-
do momento al rededor del cero µ2′ .
&'
E[X (X − 1)] = ∑nx=0 x(x − 1)&nx' px (1 − p)n−x
= ∑nx=2 x(x − 1) nx px (1 − p)n−x
n!
= ∑nx=2 x(x − 1) px (1 − p)n−x
(n − x)!x!
n!
= ∑nx=2 px (1 − p)n−x
(n − x)!(x − 2)!
siguiendo los pasos para calcular E[X ] obtenemos que
n
(n − 2)!
E[X (X − 1)] = n(n − 1)p2 ∑ px−2 (1 − p)n−x
x=2 ((n − 2) − (x − 2))!(x − 2)!
Hacemos el siguiente cambio de variable x′ = x − 2 y n′ = n − 2,
′ & ′' ′ ′ ′
E[X (X − 1)] = n(n − 1)p2 ∑nx′ =0 nx′ px (1 − p)n −x
= n(n − 1)p2 .
4.1. DISTRIBUCIÓN BINOMIAL 73

Como E[X (X − 1)] = E[X 2 − X ] = µ2′ − µ , entonces µ2′ = n(n − 1)p2 + np y

µ2 = µ2′ − µ 2 = (np)2 − np2 + np − (np)2 = np(1 − p).

Por lo tanto Var(X ) = µ2 = p(1 − p)

Ejemplo 4.1.6. En una producción se toma una muestra de 1000 productos. Si un produc-
to es defectuoso con probabilidad 0.01, ¿cuántos productos defectuosos pueden esperar
encontrar en la muestra? ¿Cuál es la varianza para n = 1000?
√
E[X ] = 1000(0.01) = 10, Var(X ) = 1000(0.01)(0.99) = 9.9 y σ (X ) = 9.9 = 3.1464.

Para calcular el coeficiente de asimetrı́a y el coeficiente de curtosis de una distribución

binomial calculamos el tercer y el cuarto momento al rededor del cero. Recordamos que
el segundo momento central es la varianza, es decir µ2 = Var(X ) = np(1 − p).
Para el coeficiente de asimetrı́a calculamos primero el tercer momento al rededor del
cero y el tercer momento central.
&'
E[X (X − 1)(X − 2)] = ∑nx=0 x(x − 1) nx px (1& −' p)n−x
= ∑nx=3 x(x − 1)(x − 2) nx px (1 − p)n−x
n!
= ∑nx=3 x(x − 1)(x − 2) px (1 − p)n−x
(n − x)!x!
n n!
= ∑x=3 px (1 − p)n−x ,
(n − x)!(x − 3)!

siguiendo los pasos para calcular E[X ] obtenemos

n
(n − 3)!
E[X (X − 1)(X − 2)] = n(n − 1)(n − 2)p3 ∑ px−3 (1 − p)n−x
x=3 ((n − 3) − (x − 3))!(x − 3)!

Hacemos el siguiente cambio de variable x′ = x − 3 y n′ = n − 3,

′ &n′ ' ′ ′ ′
E[X (X − 1)(X − 2)] = n(n − 1)(n − 2)p3 ∑nx′ =0 x′ px (1 − p)n −x
= n(n − 1)(n − 2)p3.

Como
E[X (X − 1)(X − 2)] = E[X 3 − 3X 2 + 2X ] = µ3′ − 3µ2′ + 2µ , (4.1)
entonces
µ3′ = n(n − 1)(n − 2)p3 + 3(n(n − 1)p2 + np) − 2np
= n(n − 1)(n − 2)p3 + 3n(n − 1)p2 + np.
74 CAPÍTULO 4. DISTRIBUCIÓN DISCRETAS

y usando la formula (3.10) tenemos que

µ3 = n(n − 1)(n − 2)p3 + 3n(n − 1)p2 + np − 3np(n(n − 1)p2 + np) + 2(np)3

= np(1 − p)(1 − 2p).

El coeficiente de asimetrı́a de la distribución binomial es:

np(1 − p)(1 − 2p) np(1 − p)(1 − 2p)
α3 = =
(np(1 − p))3/2 np(1 − p)(np(1 − p))1/2

(1 − 2p)
= .
(np(1 − p))1/2

Para el coeficiente de curtosis calculamos primero el cuarto momento al rededor del

cero y el cuarto momento central.
&'
E[X (X − 1)(X − 2)(X − 3)] = ∑nx=0 x(x − 1) nx px (1 − p)n−x &'
= ∑nx=4 x(x − 1)(x − 2)(x − 3) nx px (1 − p)n−x
n!
= ∑nx=4 x(x − 1)(x − 2)(x − 3) px (1 − p)n−x
(n − x)!x!
n!
= ∑nx=4 px (1 − p)n−x ,
(n − x)!(x − 4)!

siguiendo los pasos para calcular E[X ] obtenemos

n
(n − 4)!
E[X(X − 1)(X − 2)(X − 3)] = n(n − 1)(n − 2)(n − 3)p4 ∑ px−4 (1 − p)n−x,
x=4 ((n − 4) − (x − 4))!(x − 4)!

Hacemos el siguiente cambio de variable x′ = x − 4 y n′ = n − 4,

′ &n′ ' ′ ′ ′
E[X (X − 1)(X − 2)(X − 3)] = n(n − 1)(n − 2)(n − 3)p4 ∑nx′ =0 x′ px (1 − p)n −x
= n(n − 1)(n − 3)(n − 3)p4.

Como
E[X (X − 1)(X − 2)(X − 3)] = µ4′ − 6µ3′ + 11µ2′ − 6µ , (4.2)
entonces
µ4′ = n(n − 1)(n − 2)(n − 3)p4 + 6[n(n − 1)(n − 2)p3 + 3n(n − 1)p2 + np] − 11[n(n − 1)p2 + np] + 6np

y usando la formula (3.12) tenemos que

µ4 = np(1 − p) {3np(1 − p) + [1 − 6p(1 − p)]}.

4.1. DISTRIBUCIÓN BINOMIAL 75

El coeficiente de curtosis de la distribución binomial es:

np(1 − p) {3np(1 − p) + [1 − 6p(1 − p)]}

α4 =
(np(1 − p))2

3np(1 − p) + [1 − 6p(1 − p)] 1 − 6p(1 − p)

= = 3+ .
np(1 − p) np(1 − p)

En el cuadro 4.1 están resumidos las propiedades de la distribución binomial y se puede

Cuadro 4.1: Propiedades de la distribución binomial.

Función de probabilidad Parámetros

&n'
p(x; p, n) = x px (1 − p)n−x n, entero positivo

x = 0, 1, 2, . . ., n p, 0 ≤ p ≤ 1

Coeficiente de Coeficiente de
Mediana Varianza asimetrı́a curtosis
µ µ2 α3 α4

(1 − 2p) 1 − 6p(1 − p)
np np(1 − p) 3+
(np(1 − p))1/2 np(1 − p)

apreciar que tanto el coeficiente de asimetrı́a como el coeficiente de curtosis depende del
valor de n y p. En el cuadro 4.2 revisamos los valores de estos dos coeficientes según
el valor de p. Podemos apreciar que la distribución binomial presenta un sesgo negativo
cuando p > 0.5 y presenta un sesgo positivo cuando p < 0.5 mientras que es simétrico
cuando p = 0.5. También podemos apreciar que la distribución binomial es relativamente
plana cuando p = 0.5, mientras que es relativamente picuda para cualquier otro valor de p,
aunque para valores suficientemente grandes de n, sin importar el valor de p, la distribución
binomial es ni muy plana ni muy picuda (mesocúrtica).
Para terminar vamos a calcular la función generadora de la distribución binomial. Co-
76 CAPÍTULO 4. DISTRIBUCIÓN DISCRETAS

Cuadro 4.2: Los coeficientes de asimetrı́a y curtosis de una distribución binomial según el
valor de p.

p = 0.1 p = 0.5 p = 0.9

8 8
α3 √ 0 − √
3 n 3 n

46 2 46
α4 3+ 3− 3+
9n n 9n

mo mX (t) = E[etX ] y la distribución binomial es discreta tenemos que

n!
mX (t) = ∑nx=0 etx px (1 − p)n−x
(n − x)!x!
n!
= ∑nx=0 (pet )x (1 − p)n−x
(n − x)!x!
= [(1 − p) + et p]n .
Podemos calcular la primera y segunda derivada de mX (t) y evaluar en t = 0 para
encontrar el primer y segundo momento al rededor del cero.
La primera derivada con respecto a t, evaluada en t = 0 es
(
dmx (t) (( t n−1 t (
(
= n(e p + 1 − p) (pe ) t=0
= n(p + 1 − p)n−1 p = np.
dt (t=0
La segunda derivada con respecto a t, evaluada en t = 0 es
(
dmx (t) (( (
= n(n − 1)(et p + 1 − p)n−2 (pet )2 (t=0 = n(n − 1)p2 + np.
dt t=0(

En el caso de la distribución binomial resulta mas fácil que calcular estos momentos usan-
do la definición. En general esto no sucede.

4.2. Distribución Poisson

La distribución Poisson fue descrita por Simón Denis Poisson en el siglo XIX.
Una variable aleatoria es de Poisson si representa el número de eventos independientes
de velocidad constante en un tiempo o espacio determinado.
4.2. DISTRIBUCIÓN POISSON 77

Ejemplo 4.2.1. Los siguientes son ejemplos de variable aleatoria de tipo Poisson.

1. El número de personas que llegan a una tienda de autoservicio.

2. El número de bacterias en un cultivo.

3. El número de solicitudes procesados por una compañı́a.

4. El número de visitas en página de internet.

5. El número de éxitos de ensayos de experimentos de eventos Bernoulli.

Se aplica a problemas de lı́neas de espera, además aproxima a la distribución binomial

cuando la probabilidad p de éxito es pequeño y el número de ensayos n es grande.
Sea X una variable aleatoria que representa el número de eventos independientes que
ocurren a una velocidad constante sobre el tiempo o espacio. Se dice que la variable alea-
toria X tiene una distribución de Poisson con la siguiente función de probabilidad:
⎧
⎪
⎪ e−λ λ x
⎨ x ≥ 0, λ > 0
p(x; λ ) = x!
⎪
⎪
⎩ 0 e.o.c.

donde λ es el promedio de ocurrencia por unidad de tiempo.

Primero checamos que p(x) en efecto es una distribución de probabilidad. Si x ≥ 0,
entonces p(x; λ ) > 0. Además

∞ ∞
e−λ λ x λx λ λ3
∑ x! = e ∑ x! = e−λ (1 + λ + 2 + 3! + . . . ) = e−λ eλ = e0 = 1.
−λ
x=0 x=0

Vamos a calcular el valor esperado y la varianza de una distribución de Poisson con

parámetro λ
e−λ λ x
p(x) = , x > 0.
x!

Medidas de localización de una distribución Poisson

El valor esperado de una distribución de Poisson X es E[X ] = λ :
78 CAPÍTULO 4. DISTRIBUCIÓN DISCRETAS

P(X = k)

0.2

0.1

0 5 10 15 k

Figura 4.3: Distribución Poisson

e−λ λ x λx
E[X ] = ∑∞
x=0 x = e−λ ∑∞ x=1
x! (x − 1)!
λ x−1
= λ e−λ ∑∞
x=1 , sea x′ = x − 1
(x − 1)!
′ ′
−λ ∞ λx ∞ e−λ λ x
= λ e ∑x′ =0 ′ = λ ∑x′ =0
(x )! (x′ )!
= λ.
4.2. DISTRIBUCIÓN POISSON 79

La varianza de una distribución de Poisson X es Var(X ) = λ :

e−λ λ x
E[X (X − 1)] = ∑∞
x=0 x(x − 1)
x!
e−λ λ x
= ∑∞
x=0 , siguiendo los pasos para calcular E[X ]
(x − 2)!
λ x−2
= λ 2 e−λ ∑∞ x=2 sea x′ = x − 2
(x − 2)!
′
2 − λ ∞ λx
= λ e ∑x′ =0 ′
(x )!
e−λ λ x′
= λ 2 ∑∞x′ =0
(x′ )!
= λ 2.

Como E[X (X − 1)] = E[X 2 − X ] = E[X 2 ] − E[X ], entonces E[X 2 ] = λ 2 + λ y

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

Por (3.5) y (3.7) tenemos que

√
√ λ 1
σX = λ y VX = = √ .
λ λ
Para calcular el coeficiente de asimetrı́a de una distribución Poisson calculamos el
tercer momento al rededor del cero. Recordamos que el segundo momento central es la
varianza, es decir µ2 = Var(X ) = λ .
Para el coeficiente de asimetrı́a calculamos primero el tercer momento al rededor del
cero y el tercer momento central.

e−λ λ x
E[X (X − 1)(X − 2)] = ∑∞
x=0 x(x − 1)(x − 2)
x!
e −λ λ x
= 0 + 0 + 0 ∑∞x=3 , siguiendo los pasos para calcular E[X ]
(x − 3)!
−λ ∞ λ x−3
= 3
λ e ∑x=3 sea x′ = x − 3
(x − 3)!
′
3 −λ ∞ λx
= λ e ∑x′ =0 ′
(x )!
− λ ′
3 ∞ e λx
= λ ∑x′ =0
(x′ )!
= 3
λ .
80 CAPÍTULO 4. DISTRIBUCIÓN DISCRETAS

Por ecuación (4.1) tenemos que E[X (X −1)(X −2)] = E[X 3 −3X 2 +2X ] = µ3′ −3µ2′ +2µ ,
entonces
µ3′ = λ 3 + 3(λ 2 + λ ) − 2λ = λ 3 + 3λ 2 + λ .
y usando la formula (3.10) tenemos que

µ3 = (λ 3 + 3λ 2 + λ ) − 3λ (λ 2 + λ ) + 2λ 3 = λ 2 .

El coeficiente de asimetrı́a de la distribución Poisson es:

λ 2/2 1
α3 = 3/2 = √ .
λ λ
El coeficiente de curtosis se deja como ejercicio 4.13, el procedimiento es análogo
al procedimiento para el coeficiente de simetrı́a, usando las ecuaciones (4.2) y (3.12) y
(3.13).
En el cuadro 4.3 están resumidos las propiedades de la distribución Poisson y se puede

Cuadro 4.3: Propiedades de la distribución Poisson.

Función de probabilidad Parámetros

e−λ λ x
p(x; λ ) = λ > 0,
x!

x = 0, 1, 2, . . ., n

Coeficiente de Coeficiente de
Mediana Varianza asimetrı́a curtosis
µ µ2 α3 α4

1 1
λ λ √ 3+
λ λ

apreciar que tanto el coeficiente de asimetrı́a como el coeficiente de curtosis depende del
valor de n y p. En el cuadro 4.4 revisamos los valores de los coeficientes de asimetrı́a
y de curtosis según el valor de λ . Podemos apreciar que la distribución Poisson tiende a
ser simétrica cuando λ tiende a ∞ y en cualquier otro caso presenta un sesgo positivo.
4.2. DISTRIBUCIÓN POISSON 81

Cuadro 4.4: Los coeficientes de asimetrı́a y curtosis de una distribución Poisson según el
valor de λ .

λ = 1/9 λ =4 λ = 100

α3 3 0.5 0.1

α4 12 3.25 3.01

Análogamente, distribución Poisson tiende a ser mesocúrtica cuando λ tiende a ∞ y en

cualquier otro caso es relativamente picuda.
Para terminar vamos a calcular la función generadora de la distribución Poisson. Como
mX (t) = E[etX ] y la distribución Poisson es discreta tenemos que

e−λ λ x e−λ (λ et )x
mX (t) = ∑nx=0 etx = ∑nx=0
x! x!
* t
+ t
n eλ −λ e e−λ (λ et )x 1 n eλ −λ e e−λ (λ et )x
= ∑x=0 λ −λ et = λ −λ et ∑x=0
e x! e x!

t
t e−λ e (λ et )x t
= eλ (e −1) ∑nx=0 = eλ (e −1) .
x!
Podemos calcular la primera y segunda derivada de mX (t) y evaluar en t = 0 para
encontrar el primer y segundo momento al rededor del cero.
La primera derivada con respecto a t, evaluada en t = 0 es
( (
dmx (t) (( λ (et −1) t(
=e λe ( = λ.
dt (t=0 t=0

La segunda derivada con respecto a t, evaluada en t = 0 es

( , -(
dmx (t) (( λ (et −1)
& t '2 λ (et −1)
= e λ e + e λ e ( = λ2 +λ.
t (
dt (t=0 t=0

En el caso de la distribución Poisson, igual que para la distribución binomial, resulta mas
fácil que calcular estos momentos usando la definición. En general esto no sucede.
82 CAPÍTULO 4. DISTRIBUCIÓN DISCRETAS

4.3. Aplicaciones
4.3.1. Gráficas aleatorias
4.3.2. Aproximación de distribución binomial mediante distribución
Poisson
4.3.3. Incertidumbre con Poisson

4.4. Ejercicios
Ejercicio 4.1. Sea X una variable aleatoria con distribución bin(n, p). Usa el teorema del
binomio para demostrar que f (x) es efectivamente una función de densidad.
Ejercicio 4.2. Sea X una variable aleatoria con distribución bin(n, p) tal que E[X ] = 4 y
Var(X ) = 2. ¿Cuáles son los valores de n y p?
Ejercicio 4.3. Sea X una variable aleatoria con distribución bin(n, p). Demuestre que
la variable aleatoria Y = n − X tiene una distribución bin(n, 1 − p). Proporcione una
explicación probabilı́sta de este resultado.
Ejercicio 4.4. El FBI ha reportado que 44 por ciento de lo los muertes por asesinato fue-
ron asesinados con una pistola. Si 4 vı́ctimas de asesinato son elegidos al azar, encuentra
1. La probabilidad de que todos fueron asesinados con pistola.
2. La probabilidad de que ninguno fue asesinados con pistola.
3. La probabilidad de que exactamente dos fueron asesinados con pistola.
4. El número esperado que fueron asesinados con pistola.
5. La desviación estándar del número que fueron asesinados con pistola.
Ejercicio 4.5. Un productor de semillas conoce por experiencia que el 10 % de un gran
lote de semillas no germinan. El productor vende sus semillas en paquetes de 200 semi-
llas garantizando que por lo menos 185 de ellas germinarán. Calcula el porcentaje de
paquetes que no cumplirán la garantı́a.
Ejercicio 4.6. Se pone a la venta un lote de 100 artı́culos de los cuales 10 son defectuosos.
Un comprador extrae una muestra al azar de 5 artı́culos y decide que si encuentra 2 o
mas defectuosos, entonces no compra el lote. Calcula la probabilidad de que la compra
se efectúe.
4.4. EJERCICIOS 83

Ejercicio 4.7. Mediante estudios recientes se ha determinado que la probabilidad de mo-

rir por causa de cierta vacuna contra la gripe es de 0.00002. Si se administra la vacuna a
100 mil personas y se supone que éstas constituyen un conjunto independiente de ensayos,
¿cuál es la probabilidad de que muera no mas de dos personas a causa de la vacuna?

Ejercicio 4.8. Sea f (x) la función de probabilidad de la distribución Poisson con paráme-
tro λ . Demuestra que la siguiente fórmula iterativa de recursión:

λ
f (x + 1) = f (x).
x+1
Ejercicio 4.9. Sea X con distribución binomial con parámetros n y p. Demuestre que la
f.g.m. de X está dada por la expresión que aparece abajo. Usando esta función encuentra
nuevamente la esperanza y la varianza de la distribución binomial.

MX (t) = (1 − p + pet )2 .

Ejercicio 4.10. En un tiempo largo, se ha observado que cierto jugador profesional de

basquetball puede hacer un tiro libre en un intento determinado con probabilidad igual a
0.8. Si éste jugador lanza cuatro tiros libres.

1. ¿Cuál es la probabilidad de que enceste exactamente dos tiros libres?

2. ¿Cuál es la probabilidad de que enceste al menos un tiro libre?

Ejercicio 4.11. Las llamadas de servicio llegan a un centro de mantenimiento de acuer-

do con un proceso de Poisson con un promedio de 2.7 llamadas por minuto. Calcula la
probabilidad de que

1. lleguen no mas de cuatro llamadas en cualquier minuto,

2. lleguen menos de dos llamadas en cualquier minuto,

3. lleguen mas de diez llamadas en un periódo de cinco minutos.

Ejercicio 4.12. El número de semillas en una variedad de naranjas sigue una distribución
Poisson de media 3. Calcule la probabilidad de que una naranja seleccionada al azar
contenga:
a) ninguna semilla. b) al menos dos semillas. c) a lo sumo tres semillas.

Ejercicio 4.13. Comprueba que la coeficiente de curtosis de la distribución Poisson es, en

efecto, igual a 3 + 1/λ .
84 CAPÍTULO 4. DISTRIBUCIÓN DISCRETAS

Ejercicio 4.14. Repite el ejercicio 4.7 usando la distribución Poisson y compara los re-
sultados con los que obtuviste en el ejercicio 4.7.

Ejercicio 4.15. Para un volumen fijo, el número de células rojas es una variable aleatoria
que se presenta con una frecuencia constante. Si el número promedio para un volumen fijo
es de nueve células rojas para personas normales, determina la probabilidad de que el
número de células rojas para una persona se encuentra dentro de una desviación estandar
del valor promedio y a dos desviaciones estándar del promedio.

Ejercicio 4.16. Un estudiante de leyes va a tomar una decisión importante, entrar en el

negocio familiar o ejercer como abogado. Ha decidido que va a basar la desición en si
pasa el examen del juzgado, pasa el examen si gana el juicio. Se va a dar 4 oportunidades
para pasar. Si pasa el examen va a ejercer como abogado y si pierde los cuatro casos
entra al negocio familiar. Supón que cada resultado es independiente a los anteriores y
que tiene probabilidad 0.3 de ganar el juicio. Define la variable aleatoria X que vas a
utilizar para resolver el ejercicio.

1. ¿Cuál es son los posibles valores de X ?

2. ¿Cuál es la probabilidad que pase el examen?

3. Encuentra E[X ].

4. Encuentra Var(X ).