CAPITULO 5

DISTRIBUCIONES DE PROBABILIDAD DISCRETA

5.1 Variables aleatorias
Una variable aleatoria proporciona un medio para describir estos resultados con
valores numéricos. Las variables aleatorias deben asumir valores numéricos.
Una variable aleatoria asocia un valor numérico con cada resultado experimental
posible. El valor numérico particular de la variable aleatoria depende del resultado
del experimento. Ésta se clasifica como discreta o continua en función de los
valores numéricos que asume.
Variables aleatorias discretas
Una variable aleatoria que puede asumir cualquier número fi nito de valores o una
sucesión infinita de valores como 0, 1, 2, . . . se conoce como variable aleatoria
discreta. Por ejemplo, considere el experimento de un sujeto que presenta el
examen de certificación de contador público, el cual consta de cuatro partes. Una
variable aleatoria se define como x el número de partes del examen aprobadas.
Se trata de una variable aleatoria discreta, ya que puede asumir un número fi nito
de valores 0, 1, 2, 3 o 4.

Valores posibles de la
variable aleatoria
Experimento Variable aleatoria (x)
Llamar a cinco clientes Número de clientes que 0, 1, 2, 3, 4, 5
hacen un pedido
Inspeccionar un embarque 0, 1, 2, . . . , 49, 50
de 50 radios Encargarse de Número de radios
defectuosos Número de 0, 1, 2, 3, . . .
un restaurante por un día
clientes
Vender un automóvil 0 si es hombre, 1 si es
Género del cliente mujer

Ejemplo. Considere el experimento de los automóviles que llegan a una caseta de

cobro. La variable aleatoria de interés es x el número de vehículos que llegan
durante un periodo de un día. Los valores posibles para x provienen de la
secuencia de números enteros 0, 1, 2, etc.
Ejemplos de variables aleatorias discretas

.
 Variables aleatorias continuas
Una variable aleatoria que asume cualquier valor numérico en un intervalo o
conjunto de intervalos se llama variable aleatoria continua. Los resultados
experimentales basados en escalas de medición como el tiempo, el peso, la
distancia y la temperatura se describen por medio de este tipo de
variable. Suponga que la variable aleatoria de interés es x tiempo entre las
llamadas entrantes consecutivas en minutos. Para un servicio de ambulancias de
emergencia ubicado en Atlanta, la variable aleatoria podría definirse como x
número de millas al lugar del siguiente accidente de tránsito a lo largo del tramo de
la carretera I-75. En este caso, x sería una variable aleatoria continua que asume
cualquier valor en el intervalo 0 x 90. Observe que cada ejemplo describe una
variable que asume cualquier valor en un intervalo de valores.

Ejemplos de variables aleatorias continuas

Valores posibles de la
variable aleatoria
Experimento Variable aleatoria (x)
Operar un banco Tiempo entre las llegadas de x ≥ 0
los
clientes, en minutos Cantidad
Llenar una lata de refresco 0 ≤ x ≤ 12.1
de onzas
(máx. = 12.1 onzas)
Construir una biblioteca
0 ≤ x ≤ 100
Porcentaje del proyecto
completado después de seis
Probar un proceso químico meses
150 ≤ x ≤ 212
nuevo
Temperatura a la que ocurre la
reacción (mín. 150 °F; máx.
212 °F)
5.2 Distribuciones de probabilidad discreta
La distribución de probabilidad de una variable aleatoria describe cómo se
distribuyen las probabilidades entre los valores de la misma. Para una variable
aleatoria discreta x, la distribución de probabilidad se defi ne por medio de una
función de probabilidad, denotada por f (x). La función de probabilidad proporciona
la probabilidad para cada valor que puede asumir la variable aleatoria.
Como ejemplo de una variable aleatoria discreta y su distribución de probabilidad,
considere las ventas de automóviles en DiCarlo Motors, con sede en Saratoga,
Nueva York. Durante los últimos 300 días de operación, los datos de ventas
mostraron que en 54 días no se vendió ningún automóvil, en 117 días se vendió 1
automóvil, en 72 días se vendieron 2, en 42 días se vendieron 3, en 12 días se
vendieron 4 y en 3 días se vendieron 5. Suponga que se considera el experimento
de seleccionar un día de operación en DiCarlo Motors y se define la variable
aleatoria de interés como x número de automóviles vendidos en un día.
Una de las principales ventajas de definir una variable aleatoria y su distribución
de probabilidad es que, una vez que se conoce esta última, es relativamente fácil
determinar la probabilidad de una variedad de eventos que pueden ser útiles para
quien toma decisiones. Por ejemplo, utilizando la distribución de probabilidad para
DiCarlo Motors que aparece en la tabla 5.3, vemos que el número de automóviles
que es más probable vender en un día es 1, con una probabilidad de f (1) 0.39.
Además, hay una probabilidad de f (3) f (4) f (5) 0.14 0.04 0.01 0.19 de vender 3 o
más unidades durante un día. Estas probabilidades, además de otras que quien
toma decisiones puede solicitar, proporcionan información que le ayudan a
entender el proceso de la venta de automóviles en DiCarlo Motors.

CONDICIONES REQUERIDAS PARA UNA FUNCIÓN DE PROBABILIDAD DISCRETA

f (x) ≥ 0 (5.1)

\ f (x) = 1 (5.2)
Distribución de probabilidad para el número de automóviles vendidos
durante un día en Dicarlo Motors.

x f (x)
0 0.18
1 0.39
2 0.24
3 0.14
4 0.04
5 0.01
Total 1.00

Representación gráfica de la distribución de probabilidad para el número de

automóviles vendidos durante un día en Dicarlo Motors.

f(x)

0.40

0.30

0.20

0.10

0.00

x
012345
Número de automóviles vendidos en un día

El ejemplo más sencillo de una distribución de probabilidad discreta dada una

fórmula, es la distribución de probabilidad uniforme discreta. Su función de
probabilidad se define por medio de la ecuación.
 FUNCIÓN DE PROBABILIDAD UNIFORME DISCRETA

f (x) = 1/n (5.3)

Donde:

n = número de valores que la variable aleatoria puede asumir.

5.3 Valor esperado y varianza

El valor esperado, o media, de una variable aleatoria es una medida de su
posición central. La fórmula para el valor esperado de una variable aleatoria
discreta x se indica enseguida.

VALOR ESPERADO DE UNA VARIABLE ALEATORIA DISCRETA

E (x) = μ = \x f (x) (5.4)

Ambas notaciones, E(x) y μ se usan para denotar el valor esperado de una variable
aleatoria.
La ecuación (5.4) muestra que para calcular el valor esperado de una variable
aleatoria discreta se debe multiplicar cada valor de la variable por su
probabilidad correspondiente f (x), y después se suman los productos que
resultan.
Varianza
Aun cuando el valor esperado proporciona el valor medio de la variable aleatoria, a
menudo necesitamos una medida de variabilidad o dispersión. Así como la
varianza se usó en el capítulo 3 para resumir la variabilidad en los datos, ahora la
varianza se usa para resumir la variabilidad en los valores de una variable
aleatoria.
Como muestra la ecuación (5.5), una parte esencial de la fórmula de la varianza
es la desviación, x— μ, la cual mide a qué distancia está el valor esperado, o la
media, μ, de un valor particular de la variable aleatoria. Para calcular la varianza
de una variable aleatoria, las desviaciones se elevan al cuadrado y luego se
ponderan por el valor correspondiente de la función de probabilidad.

Cálculo del valor esperado para el número de automóviles que se venden en

un día en Dicarlo Motors.

x f (x) xf (x)
0 0.18 0(0.18) = 0.00
1 0.39 1(0.39) = 0.39
2 0.24 2(0.24) = 0.48
3 0.14 3(0.14) = 0.42
4 0.04 4(0.04) = 0.16
5 0.01 5(0.01) = 0.05
1.50

E(x) = μ = \xf
(x)

Cálculo de la varianza para el número de automóviles que se venden en un

día en Dicarlo Motors.

x x—μ (x — μ)2 f (x) (x — μ)2f (x)

0 0 — 1.50 = — 2.25 0.18 2.25(.18) = 0.4050
1.50
1 1 — 1.50 = — 0.25 0.39 0.25(.39) = 0.0975
0.50
2 2 — 1.50 = 0.50 0.25 0.24 0.25(.24) = 0.0600
3 3 — 1.50 = 1.50 2.25 0.14 2.25(.14) = 0.3150
4 4 — 1.50 = 2.50 6.25 0.04 6.25(.04) = 0.2500
 5 5 — 1.50 = 3.50 12.25 0.01 12.25(.01) = 0.1225
1.2500
σ 2 = \(x — μ)2f (x)

El cálculo de la varianza para la distribución de probabilidad del número de

automóviles vendidos durante un día en DiCarlo Motors se resume en la tabla 5.5.
Vemos que la varianza es 1.25. La desviación estándar, σ, se define como la raíz
cuadrada positiva de la varianza. Por tanto, la desviación estándar para el número
de automóviles vendidos durante un día es σ = √1.25 = 1.118

5.4 Distribución de probabilidad binomial

La distribución de probabilidad binomial es una distribución de probabilidad
discreta que proporciona muchas aplicaciones. Se asocia con un experimento de
múltiples pasos que se llama experimento binomial.
PROPIEDADES DE UN EXPERIMENTO BINOMIAL
1. El experimento consiste de una secuencia de ensayos idénticos.
2. En cada ensayo hay dos resultados posibles. A uno de ellos se le llama éxito y
al otro, fracaso.
3. La probabilidad de éxito, denotada por p, no cambia de un ensayo a otro. Por
consiguiente, la probabilidad de fracaso, denotada por 1- p, tampoco cambia de un
ensayo a otro.
4. Los ensayos son independientes.
En un experimento binomial, lo que interesa es el número de éxitos que ocurren
en los n ensayos. Si x denota el número de éxitos que ocurren en n ensayos,
vemos que x puede asumir los valores 0, 1, 2, 3..., n. Debido a que el número de
valores es fi nito, x es una variable aleatoria discreta. La distribución de
probabilidad asociada con esta variable se llama distribución de probabilidad
binomial.
Por ejemplo, considere el experimento de lanzar una moneda cinco veces y en
cada lanzamiento observe si la moneda cae con cara o cruz en el lado superior.
Suponga que queremos contar el número de caras que aparecen durante los cinco
lanzamientos. ¿Este ejemplo muestra las propiedades de un experimento
binomial? ¿Cuál es la variable aleatoria de interés? Observe que:
1. El experimento consta de cinco ensayos idénticos; cada uno consiste en el
lanzamiento de una moneda.
 2. En cada ensayo hay dos resultados posibles: cara o cruz. Se puede designar
cara como un éxito y cruz como un fracaso.
3. La probabilidad de obtener cara y la probabilidad de obtener cruz son iguales
para cada ensayo, con p 0.5 y 1 - p 0.5.
4. Los ensayos o lanzamientos son independientes debido a que el resultado de
cualquier ensayo no se ve afectado por lo que ocurre con otros ensayos o
lanzamientos.
Secuencia posible de éxitos y fracasos para un experimento binomial de
ocho ensayos

Propiedad 1. El experimento consta de

n = 8 ensayos idénticos.
Ensayos 1 2 3 4 5 6 7 8

Propiedad 2. Cada ensayo da como resultado

Resultados S F F S S F S S
un éxito (S) o un fracaso (F).

En otro ejemplo, considere a una vendedora de seguros que visita a 10 familias

seleccionadas al azar. El resultado asociado con cada visita se clasifica como un
éxito si la familia compra un seguro y un fracaso si no lo compra. A partir de su
experiencia, la vendedora sabe que la probabilidad de que una familia
seleccionada al azar compre un seguro es de 0.10. Al revisar las propiedades de
un experimento binomial se observa que:
1. El experimento consta de 10 ensayos idénticos; cada uno consiste en visitar a
una familia.
2. En cada ensayo hay dos resultados posibles: la familia compra el seguro (éxito)
o no lo compra (fracaso).
3. Se asume que las probabilidades de que haya una compra o no la haya son
iguales para cada visita, con p 0.10 y 1 p 0.90.
4. Los ensayos son independientes, porque las familias se eligen al azar.
Como estos cuatro supuestos se cumplen, este ejemplo es un experimento
binomial. La variable aleatoria de interés es el número de ventas obtenidas al
hacer contacto con las 10 familias. En este caso, x puede asumir los valores 0, 1,
2, 3, 4, 5, 6, 7, 8, 9 y 10.

En las aplicaciones con experimentos binomiales se usa una fórmula matemática

especial, llamada función de probabilidad binomial, para calcular la probabilidad de
x éxitos en n ensayos. Enseguida se mostrará cómo se desarrolla la fórmula, en el
contexto de un problema ilustrativo.

El problema de Martin Clothing Store

Considere las decisiones de compra de los tres clientes siguientes que entran en
la tienda de ropa Martin Clothing Store. Con base en su experiencia, el gerente de
la tienda estima que la probabilidad de que un cliente cualquiera haga una compra
es de 0.30. ¿Cuál es la probabilidad de que dos de los tres clientes siguientes
realicen una compra?
Un diagrama de árbol permite ver que en el experimento de observar a tres
clientes que toman una decisión de compra, cada uno tiene ocho resultados
posibles. Si S denota éxito (una compra) y F denota fracaso (no hay compra), se
tiene interés en los resultados experimentales que consisten en dos éxitos en los
tres ensayos (decisiones de compra). A continuación, se verificará que el
experimento con una secuencia de tres decisiones de compra puede verse como
binomial.
Al revisar los cuatro requerimientos para un experimento binomial, observamos
que:
1. El experimento se describe como una secuencia de tres ensayos idénticos, uno
para cada uno de los tres clientes que entran en la tienda.
2. Para cada ensayo hay dos resultados posibles: el cliente efectúa una compra
(éxito) o el cliente no efectúa una compra (fracaso).
3. Se asume que la probabilidad de que el cliente realice una compra (0.30) o no
la realice (0.70) es la misma para todos los clientes.
4. La decisión de compra de cada sujeto es independiente de las decisiones que
tomen los otros clientes.
Diagrama de árbol para el problema de Martin Clothing Store

Primer Segundo Tercer Resultado

cliente cliente cliente experimentalValor de x

S (S, S, S) 3

S
F (S, S, F) 2

S (S, F, S) 2
S F

F (S, F, F) 1

S (F, S, S) 2

F S
F (F, S, F) 1

S (F, F, S) 1
F

F (F, F, F) 0

S = Hay compra
F = No hay compra
x = Número de clientes que efectúan una compra

Por consiguiente, están presentes las propiedades de un experimento binomial.

El número de resultados experimentales que producen exactamente x éxitos en n
ensayos se calcula usando la fórmula siguiente.
 NÚMERO DE RESULTADOS EXPERIMENTALES QUE PROPORCIONAN EXACTAMENTE x ÉXITOS EN n ENSAYOS

n n!
(5.6)
x = x!(n — x)!

donde
n! = n(n — 1)(n — 2) . . . (2)
(1)
y por definición,

0! = 1

FUNCIÓN DE PROBABILIDAD BINOMIAL

f (x) = n px(1 — p)(n—x) (5.8)

x
dond
e x = número de éxitos
p = probabilidad de un éxito en un
ensayo
n = número de ensayos
fn(x) = probabilidad
n! de x éxitos en n
ensayos
x = x!(n — x)!

Para la distribución de probabilidad binomial, x es una variable aleatoria discreta

con la función de probabilidad f (x) aplicable para los valores de x = 0, 1, 2,..., n.
En el ejemplo de Martin Clothing Store, se usa la ecuación (5.8) para calcular la
probabili- dad de que ningún cliente realice una compra; exactamente un cliente
haga una compra; exac- tamente dos clientes efectúen una compra, y los tres
clientes compren. Los cálculos se resumen en la tabla 5.6, que proporciona la
distribución de probabilidad del número de sujetos que rea- lizan una compra. La
figura 5.4 es una gráfica de esta distribución de probabilidad.
La función de probabilidad binomial se aplica a cualquier experimento binomial. Si
una situación demuestra las propiedades de un experimento binomial y se
conocen los valores de n y p, se puede usar la ecuación (5.8) para calcular la
probabilidad de x éxitos en n ensayos.
Distribución de probabilidad para el número de clientes que efectúan una
compra
x f (x)
3!
0 (0.30)0(0.70)3 = 0.343
0!3!
3! (0.30)1(0.70)2 = 0.441
1
1!2!
3!
2 (0.30)2(0.70)1 = 0.189
2!1!
0.027
3! (0.30)3(0.70)0 =
3 1.000
3!0!

Representación gráfica de la distribución de probabilidad para el número de

clientes que efectúan una compra

f (x)

0.50

0.40

0.30

0.20

0.10

0.00
x
0123
Número de clientes que efectúan una compra

Si se consideran variaciones del experimento de Martin, por ejemplo, que 10

clientes en vez de tres entren en la tienda, la función de probabilidad binomial
dada la ecuación (5.8) sigue siendo válida. Suponga que se tiene un experimento
binomial con n = 10, x = 4 y p = 0.30. La probabilidad de que exactamente cuatro
de los 10 clientes que entran en la tienda realicen una compra es:
10!
f (4) = (0.30)4(0.70)6 = 0.2001
4!6!

Uso de tablas de probabilidades binomiales

Se han desarrollado tablas que proporcionan la probabilidad de x éxitos en n
ensayos para un experimento binomial. Por lo general son fáciles de usar y más
rápidas que la ecuación (5.8). La tabla 5 del apéndice B es una tabla de
probabilidades binomiales de este tipo. Una parte de ella se reproduce en la tabla
5.7.
Ahora se usará la tabla 5.7 para verificar la probabilidad de cuatro éxitos en 10
ensayos en el problema de Martin Clothing Store. Note que el valor de f (4) =
0.2001 se lee directamente de la tabla de probabilidades binomiales, según la cual
n = 10, x = 4 y p = 0.30.
Valores seleccionados del ejemplo de la tabla de probabilidad binomial: n =
10; x = 3; p =.040; f (3) = 0.2150

p
n x 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50
9 0 0.630 0.387 0.231 0.134 0.0751 0.040 0.020 0.010 0.00 0.00
2 4 6 2 4 7 1 46 20
1 0.298 0.387 0.367 0.302 0.2253 0.155 0.100 0.060 0.03 0.01
5 4 9 0 6 4 5 39 76
2 0.062 0.172 0.259 0.302 0.3003 0.266 0.216 0.161 0.11 0.07
9 2 7 0 8 2 2 10 03
3 0.007 0.044 0.106 0.176 0.2336 0.266 0.271 0.250 0.21 0.16
7 6 9 2 8 6 8 19 41
4 0.000 0.007 0.028 0.066 0.1168 0.171 0.219 0.250 0.26 0.24
6 4 3 1 5 4 8 00 61
5 0.000 0.000 0.005 0.016 0.0389 0.073 0.118 0.167 0.21 0.24
0 8 0 5 5 1 2 28 61
6 0.000 0.000 0.000 0.002 0.0087 0.021 0.042 0.074 0.11 0.16
0 1 6 8 0 4 3 60 41
7 0.000 0.000 0.000 0.000 0.0012 0.003 0.009 0.021 0.04 0.07
0 0 0 3 9 8 2 07 03
8 0.000 0.000 0.000 0.000 0.0001 0.000 0.001 0.003 0.00 0.01
0 0 0 0 4 3 5 83 76
9 0.000 0.000 0.000 0.000 0.0000 0.000 0.000 0.000 0.00 0.00
0 0 0 0 0 1 3 08 20
10 0 0.598 0.348 0.196 0.107 0.0563 0.028 0.013 0.006 0.00 0.00
7 7 9 4 2 5 0 25 10
1 0.315 0.387 0.347 0.268 0.1877 0.121 0.072 0.040 0.02 0.00
1 4 4 4 1 5 3 07 98
2 0.074 0.193 0.275 0.302 0.2816 0.233 0.175 0.120 0.07 0.04
6 7 9 0 5 7 9 63 39
 3 0.010 0.057 0.129 0.201 0.2503 0.266 0.252 0.215 0.16 0.11
5 4 8 3 8 2 0 65 72
4 0.001 0.011 0.040 0.088 0.1460 0.200 0.237 0.250 0.23 0.20
0 2 1 1 1 7 8 84 51
5 0.000 0.001 0.008 0.026 0.0584 0.102 0.153 0.200 0.23 0.24
1 5 5 4 9 6 7 40 61
6 0.000 0.000 0.001 0.005 0.0162 0.036 0.068 0.111 0.15 0.20
0 1 2 5 8 9 5 96 51
7 0.000 0.000 0.000 0.000 0.0031 0.009 0.021 0.042 0.07 0.11
0 0 1 8 0 2 5 46 72
8 0.000 0.000 0.000 0.000 0.0004 0.001 0.004 0.010 0.02 0.04
0 0 0 1 4 3 6 29 39
9 0.000 0.000 0.000 0.000 0.0000 0.000 0.000 0.001 0.00 0.00
0 0 0 0 1 5 6 42 98
10 0.000 0.000 0.000 0.000 0.0000 0.000 0.000 0.000 0.00 0.00
0 0 0 0 0 0 1 03 10
El software para estadística, como Minitab, y los programas de hoja de cálculo,
como Excel, también permiten calcular probabilidades binomiales. Considere el
ejemplo de Martin Clothing Store con n = 10 y p = 0.30. La figura 5.5 muestra las
probabilidades binomiales ge- neradas por Minitab para todos los valores posibles
de x. Note que estos valores son los mismos que aquellos encontrados en la
columna p = 0.30 de la tabla 5.7. En el apéndice 5.1 se explica el procedimiento
paso por paso para usar Minitab con la finalidad de generar el resultado que se
exhibe en la figura 5.5. En el apéndice 5.2 se describe cómo usar Excel para
calcular proba- bilidades binomiales.

Valor esperado y varianza de la distribución binomial

En la sección 5.3 se proporcionaron las fórmulas para calcular el valor esperado y
la varianza de una variable aleatoria discreta. En el caso especial en que la
variable tiene una distribución binomial con un número conocido de ensayos n y
una probabilidad conocida de éxitos p, las fórmulas generales para el valor
esperado y la varianza se simplifican. Los resultados se muestran a continuación.

VALOR ESPERADO Y VARIANZA DE LA DISTRIBUCIÓN BINOMIAL

E(x) = μ = np (5.9)
Var (x) = σ 2
= np(1 — p) (5.10)

Resultado de Minitab que muestra las probabilidades binomiales para el

problema de Martin Clothing Store
 x P(X = x)
0.00 0.0282
1.00 0.1211
2.00 0.23350
3.00 0.2668
4.00 0.2001
5.00 0.1029
6.00 0.0368
7.00 0.0090
8.00 0.0014
9.00 0.0001
10.00 0.0000

En el caso del problema de Martin Clothing Store con tres clientes, se usa la
ecuación (5.9) para calcular el número esperado de clientes que realizarán una
compra.

E(x) = np = 3(0.30) = 0.9

Suponga que para el mes siguiente Martin Clothing Store pronostica que 1 000
clientes entrarán en la tienda. ¿Cuál es el número esperado de personas que
realizarán una compra? La respues- ta es μ = np = (1 000)(0.3) = 300. Por tanto,
para aumentar el número esperado de compras, la empresa debe lograr que más
clientes entren en el establecimiento y/o aumentar de alguna manera la
probabilidad de que un cliente realice una compra cuando esté adentro.
En este problema con tres clientes, vemos que la varianza y la desviación
estándar del nú- mero de ellos que harán una compra es

σ2 = np(1 — p) = 3(0.3)(0.7) = 0.63

σ = √0.63 = 0.79
Para los próximos 1 000 clientes que entren en la tienda, la varianza y la
desviación estándar del número de personas que harán una compra son

σ2 = np(1 — p) = 1 000(0.3)(0.7) = 210

σ = √210 = 14.49
5.5 Distribución de probabilidad de Poisson
En esta sección consideramos una variable aleatoria discreta que a menudo es
útil para estimar el número de ocurrencias en un intervalo específico de tiempo o
espacio. Por ejemplo, la variable aleatoria de interés podría ser el número de
llegadas a un centro de lavado automotriz en una hora, el número de reparaciones
necesarias en 10 millas de una autopista o el número de fugas en 100 millas de
tubería. Si las dos propiedades siguientes se satisfacen, el número de ocurrencias
es una variable aleatoria descrita por la distribución de probabilidad de Poisson.

PROPIEDADES DE UN EXPERIMENTO DE POISSON

1. La probabilidad de ocurrencia es la misma para cualesquiera dos intervalos de
igual longitud.
2. La ocurrencia o no ocurrencia en cualquier intervalo es independiente de la
ocurrencia o no ocurrencia en cualquier otro intervalo.

La función de probabilidad de Poisson se define por medio de la ecuación

(5.11)

FUNCIÓN DE PROBABILIDAD DE POISSON

μx e
—μ
f (x) = (5.11)
x!

dond
e
f (x) = probabilidad de x ocurrencias en un intervalo
μ = valor esperado o número medio de ocurrencias en
un intervalo
e = 2.71828

Para la distribución de probabilidad de Poisson, x es una variable aleatoria

discreta que indica el número de ocurrencias en el intervalo. Como no hay un
límite superior establecido para el número de ocurrencias, la función de
probabilidad f (x) es aplicable para los valores x = 0, 1, 2, . . . sin límite. En las
aplicaciones prácticas, x a la larga se volverá lo suficientemen- te grande para que
f (x) sea aproximadamente cero y la probabilidad de cualquier valor mayor que x
se vuelva insignificant

Un ejemplo con intervalos de tiempo

Suponga que le interesa conocer el número de llegadas al autocajero de un
banco en las mañanas de lunes a viernes durante un periodo de 15 minutos. Si se
asume que la probabilidad de un automóvil que llega es la misma para cualquiera
de dos periodos de igual duración y que la llegada o no llegada de un vehículo en
cualquier periodo es independiente del arribo o no en cualquier otro periodo, la
función de probabilidad de Poisson es aplicable.

Un ejemplo con intervalos de longitud o de distancia

Se demostrará una aplicación que no tiene intervalos de tiempo en la que es útil
la distribución de Poisson. Suponga que le interesa saber cuál es la ocurrencia de
defectos importantes en una autopista un mes después de repavimentarla.
Considere que la probabilidad de un defecto es la misma en cualquiera de dos
intervalos de igual longitud de la autopista, y que la ocurrencia o no ocurrencia de
defectos en cualquier intervalo es independiente de su ocurrencia o no en
cualquier otro intervalo. Por ende, la distribución de Poisson puede aplicarse.

Valores seleccionados del ejemplo de las tablas de probabilidad de Poisson:

μ = 10; x = 5; f (5) = 0.0378

μ
x 9.1 9.2 9.3 9.4 9.5 9.6 9.7 9.8 9.9 10
0 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0000
1 0.0010 0.0009 0.0009 0.0008 0.0007 0.0007 0.0006 0.0005 0.0005 0.0005
2 0.0046 0.0043 0.0040 0.0037 0.0034 0.0031 0.0029 0.0027 0.0025 0.0023
3 0.0140 0.0131 0.0123 0.0115 0.0107 0.0100 0.0093 0.0087 0.0081 0.0076
4 0.0319 0.0302 0.0285 0.0269 0.0254 0.0240 0.0226 0.0213 0.0201 0.0189
5 0.0581 0.0555 0.0530 0.0506 0.0483 0.0460 0.0439 0.0418 0.0398 0.0378
6 0.0881 0.0851 0.0822 0.0793 0.0764 0.0736 0.0709 0.0682 0.0656 0.0631
7 0.1145 0.1118 0.1091 0.1064 0.1037 0.1010 0.0982 0.0955 0.0928 0.0901
8 0.1302 0.1286 0.1269 0.1251 0.1232 0.1212 0.1191 0.1170 0.1148 0.1126
9 0.1317 0.1315 0.1311 0.1306 0.1300 0.1293 0.1284 0.1274 0.1263 0.1251
10 0.1198 0.1210 0.1219 0.1228 0.1235 0.1241 0.1245 0.1249 0.1250 0.1251
11 0.0991 0.1012 0.1031 0.1049 0.1067 0.1083 0.1098 0.1112 0.1125 0.1137
12 0.0752 0.0776 0.0799 0.0822 0.0844 0.0866 0.0888 0.0908 0.0928 0.0948
13 0.0526 0.0549 0.0572 0.0594 0.0617 0.0640 0.0662 0.0685 0.0707 0.0729
14 0.0342 0.0361 0.0380 0.0399 0.0419 0.0439 0.0459 0.0479 0.0500 0.0521
15 0.0208 0.0221 0.0235 0.0250 0.0265 0.0281 0.0297 0.0313 0.0330 0.0347
16 0.0118 0.0127 0.0137 0.0147 0.0157 0.0168 0.0180 0.0192 0.0204 0.0217
17 0.0063 0.0069 0.0075 0.0081 0.0088 0.0095 0.0103 0.0111 0.0119 0.0128
18 0.0032 0.0035 0.0039 0.0042 0.0046 0.0051 0.0055 0.0060 0.0065 0.0071
19 0.0015 0.0017 0.0019 0.0021 0.0023 0.0026 0.0028 0.0031 0.0034 0.0037
20 0.0007 0.0008 0.0009 0.0010 0.0011 0.0012 0.0014 0.0015 0.0017 0.0019
21 0.0003 0.0003 0.0004 0.0004 0.0005 0.0006 0.0006 0.0007 0.0008 0.0009
22 0.0001 0.0001 0.0002 0.0002 0.0002 0.0002 0.0003 0.0003 0.0004 0.0004
23 0.0000 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0002 0.0002
24 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0001 0.0001

Un ejemplo con intervalos de longitud o de distancia

Se demostrará una aplicación que no tiene intervalos de tiempo en la que es útil la
distribución de Poisson. Suponga que le interesa saber cuál es la ocurrencia de
defectos importantes en una autopista un mes después de repavimentarla.
Considere que la probabilidad de un defecto es la misma en cualquiera de dos
intervalos de igual longitud de la autopista, y que la ocurrencia o no ocurrencia de
defectos en cualquier intervalo es independiente de su ocurrencia o no en
cualquier otro intervalo. Por ende, la distribución de Poisson puede aplicarse.
Suponga que se enteró de que los principales defectos después de un mes de
repavimentar ocurren a una tasa media de 2 por milla. En seguida se determinará
la probabilidad de que no hay defectos importantes en un tramo particular de 3
millas de la autopista. Como nos interesa un intervalo con esta longitud, μ = (2
defectos/milla) (3 millas) = 6 representa el número esperado de anomalías
importantes en este tramo de la autopista. Mediante la ecuación (5.11), la
probabilidad de que no haya alguna avería importante es f (0) = 60e—6 /0! =
0.0025. Por tanto, es poco probable que ningún defecto importante se presente en
la sección de las 3 millas. De hecho, este ejemplo indica que 1 — 0.0025 = 0.9975
es la probabilidad de por lo menos un defecto importante en la sección de 3 millas
de la autopista.