DISTRIBUCIONES DE PROBABILIDAD

Distribución binomial
Distribución de Poisson

Ciclo de Metodología I
Responsable: Prof Agda Mariela Garau
En una caja hay 200 caramelos,
entre ellos 40 rojos, 50 verdes y 30
amarillos. Si se saca un caramelo al
azar, cuál es la probabilidad de que
sea rojo o amarillo?
40 30
P(rojo o amarillo) = +
200 200

P(rojo o amarillo) = P(rojo) + P(amarillo)

P(A U B)= P(A) + P(B)

Si A y B no pueden darse simultáneamente!! (P(A ∩ B)=0)

P(A U B)= P(A) + P(B) - P(A∩B)

 Una moneda está “trucada” de forma que la probabilidad de que
salga “cara” es 0.6 mientras que la probabilidad de “cruz” es 0.4. Si
tiramos dos veces la moneda, ¿cuál es la probabilidad de que salga
cara las dos veces?

P(cara y cara ) = 0.6  0.6

P(cara y cara) = P(cara) x P(cara)

P(A ∩ B)= P(A) x P(B)

Si A y B son sucesos independientes!!

P(A ∩ B)= P(A) x P(B|A)

 Variables aleatorias
 Funciones de distribución discretas
 Distribución Binomial
 Distribución de Poisson
 Experimento aleatorio: Situación que bajo el mismo
conjunto aparente de condiciones iniciales, puede
presentar resultados diferentes, (no se puede
predecir el resultado exacto de cada experiencia
particular).
 Se contrapone a experimento determinista, en el
que es posible predecir en forma precisa el
resultado.
 Una variable aleatoria es una función que asigna un
valor, usualmente numérico, al resultado de un
experimento aleatorio.
 Una variable aleatoria es una función cuyo
dominio es un espacio muestral () y cuyos
correspondientes son valores pertenecientes a los
números Reales (X).

 La probabilidad de que se den los diferentes

valores de la VA se describe mediante una
distribución de probabilidad.
Si X es una variable aleatoria discreta (finita o
infinita numerable) podemos definir una
función de masa de probabilidad f(x) que a
cada valor de la variable asocia una
probabilidad.

A f(x) también la llamamos función de cuantía

La función de masa de probabilidad o
función de cuantía

f (xi)= P (X=xi) i= 1, 2, ....., n

cumple:
n
f ( xi )  0, i y  f (x ) = 1
i =1
i
Se define también la función de distribución
acumulada, que expresa la probabilidad de
un determinado evento más todos los que
lo anteceden P (X  xi)

F (xi)= P (X  xi) i = 1,2,...n

i
F ( xi ) =  f ( x j ) i = 1,2,...n
j =1
Experimento: Lanzar un dado.
La función de cuantía muestra la probabilidad de obtener cada
uno de los valores de la variable aleatoria:
x 1 2 3 4 5 6
f(x) 1/6 1/6 1/6 1/6 1/6 1/6

La función de distribución acumulativa muestra la probabilidad

de obtener valores menores o iguales a uno dado:

x 1 2 3 4 5 6
F(x) 1/6 2/6 3/6 4/6 5/6 1
 Variables aleatorias ,
 Funciones de distribución discretas
 Discretas: Distribución Binomial
 Discretas: Distribución Poisson
Supongamos que el color de ojos azul se trasmite de
generación en generación por herencia mendeliana. Un hombre
y una mujer, cada uno con un gen dominante (marrón) y uno
recesivo (azul) tienen dos hijos.
a) ¿Cuál es la probabilidad de que sus dos hijos tengan ojos
azules?
b) ¿Cuál es la probabilidad de que sus dos hijos tengan ojos
marrones?
R r Para cada hijo:
R RR Rr P(marrón)=0,75
P(azul)=0,25
r Rr rr

a) P(azul,azul)=P(azul)xP(azul) =0.25x0.25=0.0625
b) P(marrón,marrón)=P(m)xP(m) =0.75x0.75=0.5625
 R r Para cada hijo:
R RR Rr P(marrón)=0,75
r Rr rr P(azul)=0,25

a) P(azul,azul)=P(azul)xP(azul) =0.25x0.25=0.0625
b) P(marrón,marrón)=P(m)xP(m)=0.75x0.75=0.5625

¿Pueden darse otras situaciones?

Un hijo de ojos azules y uno de ojos marrones
P(marrón, azul)+P(azul, marrón) = 0.75x0.25 + 0.25x0.75
= 2x0.75x0.25
= 0.375
x=cantidad de hijos de ojos azules
x 0 1 2
f(x) 0.5625 0.3750 0.0625
Supongamos que el color de ojos azul se trasmite de
generación en generación por herencia mendeliana. Un hombre
y una mujer, cada uno con un gen dominante (marrón) y uno
recesivo (azul) tienen tres hijos. ¿Cuál es la distribución de
probabilidades para el número de hijos que tienen ojos azules?

x 0 1 2 3
f(x) 0,753 3(0,25)1(0,75)2 3(0,25)2(0,75)1
0,253

P(x=0)=0,75×0,75×0,75=(0,75)3
P(x=3)=0,25×0,25×0,25=(0,25)3
P(x=1)=3x0,25×0,75×0,75=3(0,25)1(0,75)2
P(x=2)=3x0,25×0,25×0,75=3(0,25)2(0,75)1
 1er hijo 2do hijo 3er hijo

0.75
(0.75)3(0.25)0
0.75
0.25 (0.75)2(0.25)1
0.75 0.75
(0.75)2(0.25)1
0.25
0.25 (0.75)1(0.25)2
0.75
(0.75)2(0.25)1
0.75
0.25
0.25 (0.75)1(0.25)2
0.75
(0.75)1(0.25)2
0.25
0.25 (0.75)0(0.25)3
x 0 1 2 3
f(x) (0.25) 0 (0.75)3 3(0.25)1 (0.75) 2 3(0.25) 2 (0.75)1 (0.25)3 (0.75) 0
 n!
Combinaciones de n tomadas de a x: C =
n

x!(n − x)!
x

n!= 1x2x3x4x...xn
Ejemplo: ¿De cuántas formas puedo organizar 3 elementos en
un total de 5?
5!
C35 =
3!(5 − 3)!

5  4  3  2 1
C35 = =10
3  2  1 2  1
 1er hijo 2do hijo 3er hijo

0.75
(0.75)3(0.25)0
0.75
0.25 (0.75)2(0.25)1
0.75 0.75
(0.75)2(0.25)1
0.25
0.25 (0.75)1(0.25)2
0.75
(0.75)2(0.25)1
0.75
0.25
0.25 (0.75)1(0.25)2
0.75
(0.75)1(0.25)2
0.25
0.25 (0.75)0(0.25)3
x 0 1 2 3
f(x) C 03 (0.25) 0 (0.75) 3 C13 (0.25)1 (0.75) 2 C 23 (0.25) 2 (0.75)1 C33 (0.25) 3 (0.75) 0
 n− x
P( X = x) = C . p (1 − p )
n
x
x

Siendo C n = n! y n!=123....  n
x!(n − x)!
x

n y p son los parámetros de la distribución.

El valor esperado (E(X)) es np, y la varianza np(1-p)

• El experimento consiste en n ensayos
idénticos.
• Los ensayos tienen sólo dos resultados
posibles, mutuamente excluyentes.
• Los ensayos son independientes.
• Interesa la probabilidad de x éxitos en n
ensayos
• Probabilidad de éxito igual a p,
permanece constante.
Ejemplo de estudio: el asma
 "El asma afecta a 1 de cada 5 niños"
a) ¿Cuán probable es encontrar, en una muestra de 5
niños, exactamente 2 que tengan asma?

n=5 p = 0,2
x=2 q = 1 - 0,2= 0,8

• S, S, N, N, N • S, N, S, N, N
• N, S, S, N, N • N, S, N, S, N
10 situaciones
• N, N, S, S, N • N, N, S, N, S
con 2 éxitos
• N, N, N, S, S • N, S, N, N, S
• S, N, N, S, N • S, N, N, N, S

n! 5!
B( x, n, p ) = p x (1 − p ) n − x =  0,2 2  0,83 = 0.2048
x!(n − x)! 2!(5 − 2)!
10
 n=5 p = 0,2

a ) ¿Cuán probable es encontrar, en una muestra

de 5 niños, exactamente 2 que tengan asma?
p
n X 0,1 0,2 0,25 0,3 0,4 0,5 0,6 0,7 0,8 0,9
5 0 0,5905 0,3277 0,2373 0,1681 0,0778 0,0313 0,0102 0,0024 0,0003 0,0000
1 0,9185 0,7373 0,6328 0,5282 0,3370 0,1875 0,0870 0,0308 0,0067 0,0005
2 0,9914 0,9421 0,8965 0,8369 0,6826 0,5000 0,3174 0,1631 0,0579 0,0086
3 0,9995 0,9933 0,9844 0,9692 0,9130 0,8125 0,6630 0,4718 0,2627 0,0815
4 1,0000 0,9997 0,9990 0,9976 0,9898 0,9688 0,9222 0,8319 0,6723 0,4095
5 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000

B(n=5, p=0,1) P(X=2) = 0.9421 - 0,7373 = 0,2048

 n=5 p = 0,2

b) ¿Cuál es la probabilidad de encontrar menos

de 3 niños con asma en una muestra de 5 ?
p
n X 0,1 0,2 0,25 0,3 0,4 0,5 0,6 0,7 0,8 0,9
5 0 0,5905 0,3277 0,2373 0,1681 0,0778 0,0313 0,0102 0,0024 0,0003 0,0000
1 0,9185 0,7373 0,6328 0,5282 0,3370 0,1875 0,0870 0,0308 0,0067 0,0005
2 0,9914 0,9421 0,8965 0,8369 0,6826 0,5000 0,3174 0,1631 0,0579 0,0086
3 0,9995 0,9933 0,9844 0,9692 0,9130 0,8125 0,6630 0,4718 0,2627 0,0815
4 1,0000 0,9997 0,9990 0,9976 0,9898 0,9688 0,9222 0,8319 0,6723 0,4095
5 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000

B(n= 5, p= 0,1) P(X<3)= P(X≤2)= 0.9421

 n=5 p = 0,2
c) ¿Cuál es la probabilidad de encontrar más de
3 niños con asma en una muestra de 5 ?
p
n X 0,1 0,2 0,25 0,3 0,4 0,5 0,6 0,7 0,8 0,9
5 0 0,5905 0,3277 0,2373 0,1681 0,0778 0,0313 0,0102 0,0024 0,0003 0,0000
1 0,9185 0,7373 0,6328 0,5282 0,3370 0,1875 0,0870 0,0308 0,0067 0,0005
2 0,9914 0,9421 0,8965 0,8369 0,6826 0,5000 0,3174 0,1631 0,0579 0,0086
3 0,9995 0,9933 0,9844 0,9692 0,9130 0,8125 0,6630 0,4718 0,2627 0,0815
4 1,0000 0,9997 0,9990 0,9976 0,9898 0,9688 0,9222 0,8319 0,6723 0,4095
5 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000

B(n= 5, p= 0,1) P(X>3)= 1-P(X 3) = 1 - 0,9933= 0,0067

La probabilidad de aprobar un examen para un grupo
de estudiantes es de 0,3. Diez estudiantes rinden
dicho examen.
a) Calcular la esperanza y la varianza
b) Calcular las probabilidades (utilizando la tabla):
◦ Que ninguno apruebe
◦ Que exactamente uno apruebe
◦ Que exactamente dos aprueben
◦ Que exactamente tres aprueben
◦ Que exactamente cuatro aprueben
◦ Que exactamente cinco aprueben
◦ Que exactamente seis aprueben
◦ Que exactamente siete aprueben
◦ Que exactamente ocho aprueben
◦ Que exactamente nueve aprueben
◦ Que todos aprueban
 Calcular la esperanza y la varianza

◦ E = n X p = 10 X 0,3 = 3
◦ Var = n X p X q = 10 X 0,3 X 0,7 = 2,1
 Calcular la esperanza y la varianza
◦ E = n X p = 10 X 0,3 = 3
◦ Var = n X p X q = 10 X 0,3 X 0,7 = 2,1
 Calcular las probabilidades:
◦ Que ninguno apruebe 0,028247525
◦ Que exactamente uno apruebe 0,121060821
◦ Que exactamente dos aprueben 0,233474441
◦ Que exactamente tres aprueben 0,266827932
◦ Que exactamente cuatro aprueben 0,200120949
◦ Que exactamente cinco aprueben 0,102919345
◦ Que exactamente seis aprueben 0,036756909
◦ Que exactamente siete aprueben 0,009001692
◦ Que exactamente ocho aprueben 0,001446701
◦ Que exactamente nueve aprueben 0,000137781
◦ Que todos aprueban 0,000005905
 0,3

0,25

0,2

0,15

0,1

0,05

0
0 1 2 3 4 5 6 7 8 9 10
 Variables aleatorias ,
 Funciones de distribución discretas
 Discretas: Distribución Binomial
 Discretas: Distribución Poisson
 Distribución de Poisson

¿Cuál es el experimento aleatorio que puede dar lugar a

este modelo de probabilidad?

La variable aleatoria “X” representa el número de

eventos independientes que ocurren a una velocidad
constante η (eta) en el tiempo o espacio.

Por ejemplo X=”Cantidad de ambulancias que llegan a

la puerta de una emergencia en una hora”.
Características de un modelo de Poisson:
La distribución de probabilidad de Poisson describe un
experimento que consiste en contar la cantidad de ocurrencias de
un cierto evento en un intervalo de longitud h, el cual ocurre en
promedio η (eta) veces en dicho intervalo. Los supuestos del
modelo son:
 La probabilidad de que se produzca exactamente una ocurrencia
en un intervalo de tamaño h, es proporcional a la longitud del
intervalo.
 La probabilidad de que se produzcan dos o más ocurrencias en
un intervalo de longitud h es nula.
 El que el suceso se presente en un intervalo de longitud h no
tiene influencia alguna sobre el que se dé el mismo suceso en
cualquier otro intervalo de longitud h no solapado con él.
(independencia)
 Distribución de Poisson
Si X sigue una distribución de Poisson, su función de
probabilidad es:
( )
x
−
e
P( X = x) = ; x = 0,1, 2...;   0
x!
Donde λ=ηh , es el parámetro de la distribución

 X= Variable aleatoria “número de eventos”

 x=número (cantidad de eventos, para los cuales
quiero calcular la probabilidad)
 η=número de eventos por unidad de tiempo
 h= tiempo o espacio considerado en el experimento
 λ= es el parámetro de la distribución
 Distribución de Poisson

El parámetro de la distribución de Poisson es λ, que

representa el número promedio de ocurrencias del evento
aleatorio en un intervalo de longitud h.

X es una variable aleatoria discreta: Recorrido {0,1,2,…}

La esperanza matemática de la variable aleatoria X es:

La varianza de la variable X también es :

V (X ) = 
 Distribución de Poisson: Ejemplo

En una clínica, en promedio se atienden 16 pacientes cada 4 horas.

a) ¿Cuál es la probabilidad de que en 30 minutos se atiendan menos
de 3 personas?

X=”Cantidad de pacientes que se atienden en una clínica en media

hora”

η= número de eventos por unidad de tiempo

=16pacientes/4hs=4 pac/h
h= tiempo o espacio considerado en el experimento= 0.5horas

 = h = 4  0.5 = 2 pacientes (para el intervalo de 0.5 horas)

Interesa calcular la probabilidad de ver "menos de 3 personas en
media hora":

P(X<3)=P(X≤2) =P(X=0)+P(X=1)+P(X=2)

e −2 20 e −2 21 e −2 2 2
P( X  2) = + + = 0.2707 + 0.2707 + 0.1353 = 0.6767
0! 1! 2!
 Distribución de Poisson: Ejemplo

b) ¿Cuál es la probabilidad de que en 180 minutos (3 hrs.)

se atiendan 10 pacientes?

 =  h = 4  3 = 12 pacientes (para el intervalo de 3 horas)

e −12 (12)10
P ( X = 10) = = 0,1048
10!
P(X=10)=P(X≤10)-P(X≤9)= 0.3472-0.2424=0.1048
Ante un evento “raro” ,de ocurrencia es baja y un n
grande es razonable aproximar los valores de la
distribución Binomial a los de una distribución de
Poisson.

Observación: en este curso se considerará “n

grande” cuando sea mayor a 30 y un evento "raro"
cuando su probabilidad p sea menor o igual a 0,1.