Distribuciones importantes

Parte 1 – Distribuciones discretas

Introducción
Muchos fenómenos de tipo aleatorio se pueden estudiar con modelos relativamente
sencillos, es decir distribuciones específicas de probabilidad que son útiles en diversas
situaciones reales:

Discretas Continuas

• Distribución Uniforme discreta • Distribución Uniforme continua

• Distribución Bernoulli • Distribución Gamma

• Distribución Binomial o Distribución Exponencial

o Distribución Ji-cuadrada
• Distribución Poisson
• Distribución Normal

Se describirán con detalle sus propiedades y los parámetros que las caracterizan
 𝑭𝒖𝒏𝒄𝒊ó𝒏 𝒅𝒆 𝑭𝒖𝒏𝒄𝒊ó𝒏
𝑬𝒔𝒑𝒆𝒓𝒂𝒏𝒛𝒂 𝑽𝒂𝒓𝒊𝒂𝒏𝒛𝒂
𝑫𝒊𝒔𝒕𝒓𝒊𝒃𝒖𝒄𝒊ó𝒏 𝑵𝒐𝒕𝒂𝒄𝒊ó𝒏 𝑺𝒐𝒑𝒐𝒓𝒕𝒆 𝑹𝒙 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒅𝒂𝒅 𝒈𝒆𝒏𝒆𝒓𝒂𝒅𝒐𝒓𝒂
𝑬(𝑿) 𝑽𝒂𝒓(𝑿)
𝒇(𝒙) 𝒅𝒆 𝒎𝒐𝒎𝒆𝒏𝒕𝒐𝒔
𝑘 𝑘
1 1 1 1
𝑈𝑛𝑖𝑓𝑜𝑟𝑚𝑒 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎 𝑋 ~ 𝑈𝑛𝑖𝑓 {𝑥1 , … , 𝑥𝑘 } 𝑥 ∈ {𝑥1 , … , 𝑥𝑘 } ෍ 𝑥𝑖 ෍(𝑥𝑖 − 𝐸 𝑋 )2 σ𝑖 𝑒 𝑡𝑥𝑖
𝑘 𝑘 𝑘 𝑘
𝑖=1 𝑖=1

𝐵𝑒𝑟𝑛𝑜𝑢𝑙𝑙𝑖 𝑋 ~ 𝐵𝑒(𝑝) 𝑥 ∈ {0, 1} 𝑝 𝑥 (1 − 𝑝)1−𝑥 𝑝 𝑝(1 − 𝑝) 𝑝𝑒 𝑡 + (1 − 𝑝)

𝑛 𝑥
𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙 𝑋 ~ 𝐵𝑖(𝑛, 𝑝) 𝑥 ∈ {0, 1, … , 𝑛} 𝑝 (1 − 𝑝)𝑛−𝑥 𝑛𝑝 𝑛𝑝(1 − 𝑝) 𝑝𝑒 𝑡 + (1 − 𝑝) 𝑛
𝑥

𝜆𝑥 𝑒 −𝜆 𝑡 −1)
𝑃𝑜𝑖𝑠𝑠𝑜𝑛 𝑋 ~ 𝑃𝑜(𝜆) 𝑥 ∈ {0, 1, 2, … } 𝜆 𝜆 𝑒 𝜆(𝑒
𝑥!

1 𝑎+𝑏 (𝑏 − 𝑎)2 𝑒 𝑡𝑏 − 𝑒 𝑡𝑎
𝑈𝑛𝑖𝑓𝑜𝑟𝑚𝑒 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎 𝑋 ~ 𝑈𝑛𝑖𝑓(𝑎, 𝑏) 𝑎≤𝑥≤𝑏
𝑏−𝑎 2 12 𝑡(𝑏 − 𝑎)

1 1 𝑥−𝜇 2 1 2 2
−
𝑁𝑜𝑟𝑚𝑎𝑙 𝑋 ~ 𝑁(𝜇, 𝜎 2 ) −∞ < 𝑥 < ∞ 𝑒 2 𝜎 𝜇 𝜎2 𝑒 𝜇𝑡 + 2 𝜎 𝑡
𝜎 2𝜋
𝑥
−
𝐺𝑎𝑚𝑚𝑎 𝑋 ~ 𝐺𝑎𝑚𝑚𝑎(𝛼, 𝛽) 𝑥∈ℛ + 𝑥 𝛼−1 𝑒 β 𝛼𝛽 𝛼𝛽 2 (1 − 𝛽𝑡)−𝛼
Γ(𝛼)𝛽 𝛼
Distribución uniforme discreta
Una variable aleatoria X tiene una distribución uniforme discreta en el conjunto {𝑥1 , 𝑥2 … , 𝑥𝑘 }
si su función de densidad está dada por:

𝒇(𝒙)

1
1 𝑘
𝑥 = 𝑥1 , 𝑥2 , … , 𝑥𝑘
𝑘
𝑓𝑋 𝑥 = 𝑃 𝑋 = 𝑥 =

0 𝑒. 𝑜. 𝑐.

𝑥1 𝑥𝑘 𝒙

𝑁𝑜𝑡𝑎𝑐𝑖ó𝑛: 𝑋 ~ 𝑈 {𝑥1 , … , 𝑥𝑘 }

Se lee: X tiene una distribución uniforme en {𝑥1 , 𝑥2 … , 𝑥𝑘 }

Distribución uniforme discreta

• La variable aleatoria 𝑋 sólo tomará valores que estén en el conjunto {𝑥1 , 𝑥2 … , 𝑥𝑘 } , en

cualquier otro caso la probabilidad es cero

• Los valores de las 𝑥𝑖 pueden ser números reales (no necesariamente enteros)

• Se llama uniforme porque cada uno de los posibles valores de 𝑋 tiene la misma probabilidad

𝒇(𝒙)
1
𝑘

𝑥1 𝑥𝑘 𝒙
Ejemplo 1 (Distribución uniforme discreta)

Al lanzar una moneda se tienen dos posibles resultados: sol y águila. Si 𝐺 es la variable
aleatoria definida como:

𝐺 𝑠𝑜𝑙 = −10.5 𝐺 á𝑔𝑢𝑖𝑙𝑎 = 10.5

Y además la moneda no está cargada. Por lo tanto, es fácil deducir la función de probabilidad
de 𝐺
1
𝑔 = −10.5, 10.5
2
𝑓𝐺 𝑔 = 𝑃 𝐺 = 𝑔 =
0 𝑒. 𝑜. 𝑐.

Por lo tanto 𝐺 ~ 𝑈 {−10.5, 10.5}

Ejemplo 2 (Distribución uniforme discreta)

Se lleva a cabo una rifa en donde los boletos están numerados del 00 al 99. Si 𝑌 es la variable
aleatoria definida como el número de boleto ganador, entonces su función de probabilidad es

1
𝑦 = 0,1,2, … , 99
100
𝑓𝑌 𝑦 = 𝑃 𝑌 = 𝑦 =
0 𝑒. 𝑜. 𝑐.

Por lo tanto 𝑌 ~ 𝑈 {0, 1, 2, … , 99}

𝑓𝑌 𝑦

1
100

0 1 2 ⋯ 97 98 99 𝑦
Distribución uniforme discreta

En los ejemplos anteriores se puede observar que las funciones de densidad de 𝐺 y de 𝑌 son
simétricas, pero esto no siempre ocurre en una distribución uniforme discreta. Consideremos
la variable 𝑊~𝑈{1,2,4,7}

La gráfica de la función de densidad es:

𝑓𝑊 𝑤
No hay simetría
1
4

0 1 2 4 7 𝑤
Valor esperado y varianza de la distribución uniforme

Sabemos que en general el valor esperado y la varianza están dados por las expresiones:

2
𝜇𝑋 = 𝐸 𝑋 = σ 𝑥𝑓𝑋 (𝑥) 𝑉𝑎𝑟 𝑋 = 𝐸 𝑋 − 𝜇𝑋 = σ(𝑋 − 𝜇𝑋 )2 𝑓𝑋 𝑥
Valor esperado y varianza de la distribución uniforme
En el caso del ejemplo 1, la variable aleatoria 𝑊 se puede interpretar como la ganancia que
se obtiene al lanzar una moneda ¿Cuál sería entonces el valor esperado y la desviación
estándar de esta ganancia?

𝐺 𝑠𝑜𝑙 = −10.5
1 1
𝜇W = 𝐸 𝑊 = −10.5 + 10.5 =𝟎
2 2
𝐺 á𝑔𝑢𝑖𝑙𝑎 = 10.5

La varianza es

2
1 1
𝜎𝑊 = 𝑉𝑎𝑟 𝑊 = 𝐸 𝑊 2 = −10.5 2
+ 10.5 2
= 𝟏𝟏𝟎. 𝟐𝟓
2 2

Y finalmente la desviación estándar es

𝜎𝑊 = 110.25 = 𝟏𝟎. 𝟓
Valor esperado y varianza de la distribución uniforme

En el ejemplo 2 consideremos que el premio de la rifa se determina a

partir del número premiado de la siguiente forma:

𝑋 =𝑌+1

donde 𝑋 es el monto del premio en pesos y 𝑌 es el número premiado. 𝑋 es una variable aleatoria,
pues es función de 𝑌. Además, es fácil ver que también tiene una distribución uniforme:

1
𝑥 = 1, 2, … , 100
100
𝑓𝑋 𝑥 = 𝑋 ~ 𝑈 {1, 2, … , 100}

0 𝑒. 𝑜. 𝑐.
Valor esperado y varianza de la distribución uniforme

El valor esperado, la varianza y el coeficiente de variación de 𝑋 están dados por:

100 100
1 1 1 100(100 + 1)
𝜇𝑋 = 𝐸 𝑋 = ෍ 𝑥 = ෍𝑥 = = 𝟓𝟎. 𝟓
100 100 100 2
𝑥=1 𝑥=1

100
2 1
𝜎𝑋2 = 𝑉𝑎𝑟 𝑋 = 𝐸 (𝑋 − 𝜇X )2
=𝐸 𝑋 2
− 𝐸 𝑋 = ෍ 𝑥 2 − 50.52 = 𝟖𝟑𝟑. 𝟐𝟓
100
𝑥=1

𝜎𝑋 833.25
𝐶. 𝑉. = = = 𝟎. 𝟓𝟕
𝜇𝑋 50.5

𝑛(𝑛+1)
σ𝑛𝑥=1 𝑥 =
2

𝑛(𝑛+1)(2𝑛+1)
σ𝑛𝑥=1 𝑥 2 =
6
Cálculo de probabilidades con distribución uniforme
Como la distribución es discreta, la probabilidad de que ocurra algún evento se reduce al
cálculo de una suma.

Por ejemplo, supongamos que nos interesa calcular la probabilidad de que el premio sea
mayor a $80
100
1 20
𝑃 𝑋 > 80 = ෍ = = 0.2
100 100
𝑥=81

Encontremos ahora la función de distribución acumulada de una variable aleatoria uniforme

discreta.
0 𝑥<1

𝑥
𝐹𝑋 𝑥 = 𝑃(𝑋 ≤ 𝑥) = 𝑥 = 1, 2, … , 100
100

1 𝑥 > 100
Función generadora de momentos

La función generadora de momentos de una variable aleatoria 𝑋 ~ 𝑈 {𝑥1 , … , 𝑥𝑘 }

está dada por:

1
𝑀𝑋 𝑡 = 𝐸 𝑒 𝑡𝑥 = ෍ 𝑒 𝑡𝑥𝑖
𝑘 𝑖
 𝑭𝒖𝒏𝒄𝒊ó𝒏 𝒅𝒆 𝑭𝒖𝒏𝒄𝒊ó𝒏
𝑬𝒔𝒑𝒆𝒓𝒂𝒏𝒛𝒂 𝑽𝒂𝒓𝒊𝒂𝒏𝒛𝒂
𝑫𝒊𝒔𝒕𝒓𝒊𝒃𝒖𝒄𝒊ó𝒏 𝑵𝒐𝒕𝒂𝒄𝒊ó𝒏 𝑺𝒐𝒑𝒐𝒓𝒕𝒆 𝑹𝒙 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒅𝒂𝒅 𝒈𝒆𝒏𝒆𝒓𝒂𝒅𝒐𝒓𝒂
𝑬(𝑿) 𝑽𝒂𝒓(𝑿)
𝒇(𝒙) 𝒅𝒆 𝒎𝒐𝒎𝒆𝒏𝒕𝒐𝒔
𝑘 𝑘
1 1 1 1
𝑈𝑛𝑖𝑓𝑜𝑟𝑚𝑒 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎 𝑋 ~ 𝑈𝑛𝑖𝑓 {𝑥1 , … , 𝑥𝑘 } 𝑥 ∈ {𝑥1 , … , 𝑥𝑘 } ෍ 𝑥𝑖 ෍(𝑥𝑖 − 𝐸 𝑋 )2 σ𝑖 𝑒 𝑡𝑥𝑖
𝑘 𝑘 𝑘 𝑘
𝑖=1 𝑖=1

𝐵𝑒𝑟𝑛𝑜𝑢𝑙𝑙𝑖 𝑋 ~ 𝐵𝑒(𝑝) 𝑥 ∈ {0, 1} 𝑝 𝑥 (1 − 𝑝)1−𝑥 𝑝 𝑝(1 − 𝑝) 𝑝𝑒 𝑡 + (1 − 𝑝)

𝑛 𝑥
𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙 𝑋 ~ 𝐵𝑖(𝑛, 𝑝) 𝑥 ∈ {0, 1, … , 𝑛} 𝑝 (1 − 𝑝)𝑛−𝑥 𝑛𝑝 𝑛𝑝(1 − 𝑝) 𝑝𝑒 𝑡 + (1 − 𝑝) 𝑛
𝑥

𝜆𝑥 𝑒 −𝜆 𝑡 −1)
𝑃𝑜𝑖𝑠𝑠𝑜𝑛 𝑋 ~ 𝑃𝑜(𝜆) 𝑥 ∈ {0, 1, 2, … } 𝜆 𝜆 𝑒 𝜆(𝑒
𝑥!

1 𝑎+𝑏 (𝑏 − 𝑎)2 𝑒 𝑡𝑏 − 𝑒 𝑡𝑎
𝑈𝑛𝑖𝑓𝑜𝑟𝑚𝑒 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎 𝑋 ~ 𝑈𝑛𝑖𝑓(𝑎, 𝑏) 𝑎≤𝑥≤𝑏
𝑏−𝑎 2 12 𝑡(𝑏 − 𝑎)

1 1 𝑥−𝜇 2 1 2 2
−
𝑁𝑜𝑟𝑚𝑎𝑙 𝑋 ~ 𝑁(𝜇, 𝜎 2 ) −∞ < 𝑥 < ∞ 𝑒 2 𝜎 𝜇 𝜎2 𝑒 𝜇𝑡 + 2 𝜎 𝑡
𝜎 2𝜋
𝑥
−
𝐺𝑎𝑚𝑚𝑎 𝑋 ~ 𝐺𝑎𝑚𝑚𝑎(𝛼, 𝛽) 𝑥∈ℛ + 𝑥 𝛼−1 𝑒 β 𝛼𝛽 𝛼𝛽 2 (1 − 𝛽𝑡)−𝛼
Γ(𝛼)𝛽 𝛼
Distribución Bernoulli
El modelo probabilístico Bernoulli se aplica a un experimento cuyo espacio muestral está
constituido sólo por dos resultados posibles, éxito y fracaso.

𝑃 é𝑥𝑖𝑡𝑜 =𝑝
𝑑𝑜𝑛𝑑𝑒 0 ≤ 𝑝 ≤ 1

𝑃 𝑓𝑟𝑎𝑐𝑎𝑠𝑜 = 1−𝑝 =𝑞

Para simplificar, se considerará la variable aleatoria 𝑋 sobre el espacio muestral 𝑆 = {é𝑥𝑖𝑡𝑜, 𝑓𝑟𝑎𝑐𝑎𝑠𝑜}
de tal forma que

𝑋 é𝑥𝑖𝑡𝑜 =1 𝑋 𝑓𝑟𝑎𝑐𝑎𝑠𝑜 =0
Distribución Bernoulli

La función de probabilidad está dada por:

𝒙 𝑷(𝑿 = 𝒙) 𝒙 𝑷(𝑿 = 𝒙)

1 𝑝 1 𝑝1 (1 − 𝑝)1−1

0 1−𝑝 0 𝑝0 (1 − 𝑝)1−0
Distribución Bernoulli
Una variable aleatoria 𝑋 sigue una distribución Bernoulli si su función de probabilidad está
dada por:

𝑝 𝑥 (1 − 𝑝)1−𝑥 𝑓𝑋 𝑥 ≥ 0
𝑥 = 0, 1 Notar que f(x) cumple
𝑓𝑋 𝑥 = 𝑑𝑜𝑛𝑑𝑒 0 ≤ 𝑝 ≤ 1 σ 𝑓𝑋 𝑥 = 1
0 𝑒. 𝑜. 𝑐.

Notación:

𝑋 ~ 𝐵𝑒(𝑝)

El parámetro de la distribución es 𝑝 y toma valores en el intervalo 0, 1 por lo que el espacio

parametral está dado por 𝑝 ∈ ℜ 0 ≤ 𝑝 ≤ 1}
Valor esperado y varianza de una distribución Bernoulli

Si 𝑋 ~ 𝐵𝑒(𝑝), su valor esperado y su varianza están dadas por:

𝜇𝑋 = 𝐸 𝑋 = 𝑝 𝜎𝑋2 = 𝑉𝑎𝑟 𝑋 = 𝑝 1 − 𝑝 = 𝑝𝑞
Función generadora de momentos

La función generadora de momentos de una variable aleatoria 𝑋 ~ 𝐵𝑒 𝑝 está dada por:

𝑀𝑋 𝑡 = 𝐸 𝑒 𝑡𝑥 = 𝑝𝑒 𝑡 + (1 − 𝑝)
 𝑭𝒖𝒏𝒄𝒊ó𝒏 𝒅𝒆 𝑭𝒖𝒏𝒄𝒊ó𝒏
𝑬𝒔𝒑𝒆𝒓𝒂𝒏𝒛𝒂 𝑽𝒂𝒓𝒊𝒂𝒏𝒛𝒂
𝑫𝒊𝒔𝒕𝒓𝒊𝒃𝒖𝒄𝒊ó𝒏 𝑵𝒐𝒕𝒂𝒄𝒊ó𝒏 𝑺𝒐𝒑𝒐𝒓𝒕𝒆 𝑹𝒙 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒅𝒂𝒅 𝒈𝒆𝒏𝒆𝒓𝒂𝒅𝒐𝒓𝒂
𝑬(𝑿) 𝑽𝒂𝒓(𝑿)
𝒇(𝒙) 𝒅𝒆 𝒎𝒐𝒎𝒆𝒏𝒕𝒐𝒔
𝑘 𝑘
1 1 1 1
𝑈𝑛𝑖𝑓𝑜𝑟𝑚𝑒 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎 𝑋 ~ 𝑈𝑛𝑖𝑓 {𝑥1 , … , 𝑥𝑘 } 𝑥 ∈ {𝑥1 , … , 𝑥𝑘 } ෍ 𝑥𝑖 ෍(𝑥𝑖 − 𝐸 𝑋 )2 σ𝑖 𝑒 𝑡𝑥𝑖
𝑘 𝑘 𝑘 𝑘
𝑖=1 𝑖=1

𝐵𝑒𝑟𝑛𝑜𝑢𝑙𝑙𝑖 𝑋 ~ 𝐵𝑒(𝑝) 𝑥 ∈ {0, 1} 𝑝 𝑥 (1 − 𝑝)1−𝑥 𝑝 𝑝(1 − 𝑝) 𝑝𝑒 𝑡 + (1 − 𝑝)

𝑛 𝑥
𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙 𝑋 ~ 𝐵𝑖(𝑛, 𝑝) 𝑥 ∈ {0, 1, … , 𝑛} 𝑝 (1 − 𝑝)𝑛−𝑥 𝑛𝑝 𝑛𝑝(1 − 𝑝) 𝑝𝑒 𝑡 + (1 − 𝑝) 𝑛
𝑥

𝜆𝑥 𝑒 −𝜆 𝑡 −1)
𝑃𝑜𝑖𝑠𝑠𝑜𝑛 𝑋 ~ 𝑃𝑜(𝜆) 𝑥 ∈ {0, 1, 2, … } 𝜆 𝜆 𝑒 𝜆(𝑒
𝑥!

1 𝑎+𝑏 (𝑏 − 𝑎)2 𝑒 𝑡𝑏 − 𝑒 𝑡𝑎
𝑈𝑛𝑖𝑓𝑜𝑟𝑚𝑒 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎 𝑋 ~ 𝑈𝑛𝑖𝑓(𝑎, 𝑏) 𝑎≤𝑥≤𝑏
𝑏−𝑎 2 12 𝑡(𝑏 − 𝑎)

1 1 𝑥−𝜇 2 1 2 2
−
𝑁𝑜𝑟𝑚𝑎𝑙 𝑋 ~ 𝑁(𝜇, 𝜎 2 ) −∞ < 𝑥 < ∞ 𝑒 2 𝜎 𝜇 𝜎2 𝑒 𝜇𝑡 + 2 𝜎 𝑡
𝜎 2𝜋
𝑥
−
𝐺𝑎𝑚𝑚𝑎 𝑋 ~ 𝐺𝑎𝑚𝑚𝑎(𝛼, 𝛽) 𝑥∈ℛ + 𝑥 𝛼−1 𝑒 β 𝛼𝛽 𝛼𝛽 2 (1 − 𝛽𝑡)−𝛼
Γ(𝛼)𝛽 𝛼
Distribución Binomial
Características y definición

La distribución Binomial se utiliza para calcular la probabilidad de que se presente cierto

número de éxitos (o resultados de interés) en una secuencia de 𝒏 ensayos
Bernoulli independientes entre sí, con una probabilidad fija 𝑝 de ocurrencia del éxito entre
los ensayos.

Para 𝑛 = 1, la binomial se convierte, en una distribución Bernoulli.

La distribución binomial se aplica en situaciones por ejemplo, de control de calidad,

mercadotecnia y estudios de opiniones o preferencias.
Distribución Binomial
Características y definición

La denominación binomial se utiliza en experimentos en los que los resultados de una

variable aleatoria se pueden clasificar en dos categorías mutuamente excluyentes y
colectivamente exhaustivas.

Ejemplos de variables aleatorias que se puede modelar binomiales son: respuestas sí o no a

un cuestionario y productos manufacturados como defectuosos o no defectuosos.

En general, las variables con resultados múltiples se pueden considerar como binomiales
cuando sólo uno de los resultados es de interés.

Para utilizar la distribución binomial es necesario que se cumplan algunos postulados…

Postulados de la distribución Binomial

1. El experimento consiste un número fijo 𝒏 de ensayos o pruebas idénticas

2. Los ensayos o pruebas son independientes

3. Cada ensayo o prueba resulta en un éxito (𝐸) o en un fracaso (𝐹). *El éxito es en lo que se
está interesado y no necesariamente significa algo bueno o ventajoso que haya sucedido*

4. Todas las pruebas o ensayos deben tener idénticas probabilidades de éxito 𝑝, de manera que
la probabilidad de fracaso para cada prueba es 𝑞 = 1 − 𝑝
Ejemplos

1. Preguntarle a un ciudadano si está a favor o no de un candidato a gobernador

2. Preguntar a un ama de casa si le gusta o no el empaque de un nuevo producto que se va a lanzar

al mercado

Si cualquiera de los experimentos se lleva a cabo en un número 𝑛 de personas y la respuesta de cada

quien es independiente, entonces los datos que se obtienen resultan de conteos de respuestas
afirmativas o negativas.

Si en el primer ejemplo nos interesa la respuesta a favor del candidato, ésta será considerada como el
éxito y la variable de interés estará dada por:
𝑋 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑖𝑢𝑑𝑎𝑑𝑎𝑛𝑜𝑠 𝑞𝑢𝑒 𝑒𝑠𝑡á𝑛 𝑎 𝑓𝑎𝑣𝑜𝑟 𝑑𝑒𝑙 𝑐𝑎𝑛𝑑𝑖𝑑𝑎𝑡𝑜

En el segundo ejemplo, si lo que interesara es que el empaque del producto NO le guste al

encuestado, entonces éste sería el éxito y la variable aleatoria de interés se define como:
𝑋 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑎𝑚𝑎𝑠 𝑑𝑒 𝑐𝑎𝑠𝑎 𝑎 𝑙𝑎𝑠 𝑞𝑢𝑒 𝑛𝑜 𝑙𝑒𝑠 𝑔𝑢𝑠𝑡𝑎 𝑒𝑙 𝑒𝑚𝑝𝑎𝑞𝑢𝑒
Función de probabilidad Binomial

La función de probabilidad 𝑓𝑋 (𝑥) es útil para conocer las probabilidades de obtener 𝑥 éxitos al
efectuar 𝑛 ensayos, que cumplen con los postulados de una distribución Binomial.

Como la variable aleatoria 𝑋 es el número de éxitos en 𝑛 pruebas independientes, para

obtener su función de probabilidad 𝑓𝑋 (𝑥) se considerará que cualquier secuencia de 𝑛 pruebas
que contenga 𝑥 éxitos y (𝑛 − 𝑥) fracasos es un resultado que interesa.

𝐸 𝐸 𝐸 𝐸…𝐸 𝐹 𝐹 𝐹 …𝐹 𝐸𝐹𝐸𝐹𝐸𝐹𝐸𝐹𝐸𝐹 … 𝐸𝐹
𝑥 é𝑥𝑖𝑡𝑜𝑠 𝑛 − 𝑥 𝑓𝑟𝑎𝑐𝑎𝑠𝑜𝑠

𝑛 𝑛!
El total de estas secuencias se puede calcular mediante: 𝑛 𝐶𝑥 = 𝑥 = 𝑛−𝑥 !𝑥!
Función de probabilidad Binomial

Como los ensayos son independientes, la probabilidad de que ocurra la secuencia de 𝑥 éxitos
consecutivos seguidos de (𝑛 − 𝑥) fracasos consecutivos es

𝐸 𝐸 𝐸 𝐸…𝐸 𝐹 𝐹 𝐹 …𝐹 𝑝 ∙ 𝑝 ⋯ 𝑝 1 − 𝑝 ∙ 1 − 𝑝 ⋯ 1 − 𝑝 = 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥

𝑥 𝑡é𝑟𝑚𝑖𝑛𝑜𝑠 (𝑛 − 𝑥) 𝑡é𝑟𝑚𝑖𝑛𝑜𝑠

Por la propiedad conmutativa del producto, la probabilidad de obtener exactamente 𝑥 éxitos y

(𝑛 − 𝑥) fracasos, en cualquier otro orden, está dada por el mismo valor 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥

Por lo tanto, la probabilidad 𝑃(𝑋 = 𝑥) de obtener 𝑥 éxitos en 𝑛 pruebas es el producto

𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 sumado tantas veces como total de secuencias haya.

De aquí, la función de probabilidad 𝑓(𝑥) que se presenta a continuación

 Función de probabilidad Binomial 𝑓(𝑥)

Una variable aleatoria 𝑋 sigue una distribución Binomial si su función de probabilidad está
dada por:

𝑛 𝑥
𝑝 (1 − 𝑝)𝑛−𝑥 𝑥 = 0, 1,2, … , 𝑛 𝑓𝑋 𝑥 ≥ 0
𝑥
𝑓𝑋 𝑥 = 𝑑𝑜𝑛𝑑𝑒 0 ≤ 𝑝 ≤ 1 Notar que f(x) cumple
σ 𝑓𝑋 𝑥 = 1
0 𝑒. 𝑜. 𝑐.

Los parámetros de la distribución binomial son 𝑛, el número de repeticiones del experimento

Bernoulli y 𝑝 la probabilidad de éxito en cada uno de éstos.

Notación:

𝑋 ~ 𝐵𝑖𝑛(𝑛, 𝑝)
 Valor esperado y varianza de una variable aleatoria
Binomial

La esperanza y la varianza de una variable aleatoria X que sigue una distribución Binomial
están dadas por:
𝜇𝑋 = 𝐸 𝑋 = 𝑛𝑝 𝜎𝑋2 = 𝑉𝑎𝑟 𝑋 = 𝑛𝑝𝑞

El desarrollo para demostrar estos resultados se basará en que la variable aleatoria binomial X
es la suma de n variables que siguen una distribución Bernoulli, es decir,

𝑋 = 𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛

𝜇𝑋 = E(X) = E(𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 ) 𝜎𝑋2 = 𝑉𝑎𝑟(𝑋) = 𝑉𝑎𝑟(𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 )

𝜇𝑋 = E(X) = E(𝑋1 ) + 𝐸(𝑋2 ) + ⋯ + 𝐸(𝑋𝑛 ) 𝜎𝑋2 = 𝑉𝑎𝑟(𝑋) = 𝑉𝑎𝑟(𝑋1 ) + 𝑉𝑎𝑟(𝑋2 ) + ⋯ + 𝑉𝑎𝑟(𝑋𝑛 )

𝜇𝑋 = E(X) = 𝑝 + 𝑝 + ⋯ + 𝑝 𝜎𝑋2 = 𝑉𝑎𝑟 𝑋 = 𝑝𝑞 + 𝑝𝑞 + ⋯ + 𝑝𝑞

𝜇𝑋 = E(X) = 𝑛𝑝 𝜎𝑋2 = 𝑛𝑝𝑞

Ejercicio 1 – Distribución Binomial
En una empresa se seleccionan aleatoriamente seis cuentas por pagar. Se sabe por experiencias
pasadas que éstas se convierten en un gasto por incobrables con probabilidad de 0.05

a) Defina la variable de interés y justifique por qué esta situación se modela con una
distribución Binomial

b) Determine la probabilidad de que la mitad de las cuentas seleccionadas sean incobrables

c) Calcule el número esperado de cuentas incobrables

Solución
En una empresa se seleccionan aleatoriamente seis cuentas por pagar. Se sabe por experiencias
pasadas que éstas se convierten en un gasto por incobrables con probabilidad de 0.05

a) Defina la variable de interés y justifique por qué esta situación se modela con una
distribución Binomial
𝑋 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑢𝑒𝑛𝑡𝑎𝑠 𝑖𝑛𝑐𝑜𝑏𝑟𝑎𝑏𝑙𝑒𝑠 𝑋 ~ 𝐵𝑖𝑛(6, .05)

b) Determine la probabilidad de que la mitad de las cuentas seleccionadas sean incobrables

6
𝑓𝑋 3 = (.05)3 (.95)3 = .00214
3

c) Calcule el número esperado de cuentas incobrables

𝐸 𝑋 = 𝑛𝑝 = 6 .05 = .3
Ejercicio 2 – Distribución Binomial
Ahora supóngase que en una situación similar se observan 20 cuentas y que se desea calcular
la probabilidad de que 4 o menos de éstas sean incobrables

Solución: 𝑋 ~ 𝐵𝑖𝑛(20, .05)

4 4
20
𝐹𝑋 4 = 𝑃 𝑋 ≤ 4 = ෍ 𝑓𝑋 𝑥 = ෍ (.05)𝑥 (.95)20−𝑥
𝑥
𝑥=0 𝑥=0

Tedioso de calcular Uso de tablas

Tabla Distribución Binomial

Valor de x en el que queremos Probabilidad

la probabilidad acumulada de éxito (p)

Probabilidad
Número de ACUMULADA
ensayos (n)
 5
20
𝑋 ~ 𝐵𝑖𝑛(20, 0.05) 𝐹𝑋 4 = 𝑃 𝑋 ≤ 4 = ෍ (.05)𝑥 (.95)20−𝑥
𝑥
𝑥=0

𝐹𝑋 4 = 𝑃 𝑋 ≤ 4 = 𝟎. 𝟗𝟗𝟕
Ejercicio 2 – Distribución Binomial
Ahora supóngase que en una situación similar se observan 20 cuentas y que se desea calcular
la probabilidad de que 4 o menos de éstas sean incobrables

Solución: 𝑋 ~ 𝐵𝑖𝑛(20, .05)

4 4
20
𝐹𝑋 4 = 𝑃 𝑋 ≤ 4 = ෍ 𝑓𝑋 𝑥 = ෍ (.05)𝑥 (.95)20−𝑥
𝑥
𝑥=0 𝑥=0

Tedioso de calcular Uso de tablas

Con 𝑛 = 20, 𝑝 = 0.05, 𝑥 = 4 de la tabla se obtiene que 𝑃 𝑋 ≤ 4 = 0.997

Ejercicio 3 – Distribución Binomial

Una agencia de renta de automóviles tiene disponibles vehículos de cuatro y dos puertas. Los archivos
muestran que una de cada cuatro personas prefiere un auto de cuatro puertas. Si las elecciones de los
clientes por determinado tipo de coche son independientes, construya la distribución de probabilidad
del número de personas que prefieren el automóvil de 4 puertas, en una muestra de 7 clientes.
Ejercicio 3 – Distribución Binomial

Una agencia de renta de automóviles tiene disponibles vehículos de cuatro y dos puertas. Los archivos
muestran que una de cada cuatro personas prefiere un auto de cuatro puertas. Si las elecciones de los
clientes por determinado tipo de coche son independientes, construya la distribución de probabilidad
del número de personas que prefieren el automóvil de 4 puertas, en una muestra de 7 clientes.

Solución: 𝑋 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑝𝑒𝑟𝑠𝑜𝑛𝑎𝑠 𝑞𝑢𝑒 𝑝𝑟𝑒𝑓𝑖𝑒𝑟𝑒𝑛 𝑒𝑙 𝑎𝑢𝑡𝑜𝑚ó𝑣𝑖𝑙 𝑑𝑒 4 𝑝𝑢𝑒𝑟𝑡𝑎𝑠

𝑋 ~ 𝐵𝑖𝑛(7,0.25)

Además, con el uso de la tabla de la distribución binomial, con 𝑛 = 7 y 𝑝 = 0.25 se puede calcular
𝑃(𝑋 = 𝑥) para cada uno de los valores de 𝑥. Por ejemplo, 𝑃(𝑋 = 0):

𝐹𝑋 0 = 𝑃 𝑋 ≤ 0 = 𝑃 𝑋 = 0 = 0.1335 Porque el valor de x no puede ser negativo

Si queremos calcular 𝑃 𝑋 = 4

𝑃 𝑋 = 4 = 𝑃 𝑋 ≤ 4 − 𝑃 𝑋 ≤ 3 = 𝐹𝑋 4 − 𝐹𝑋 3 = 0.9871 − 0.9294 = 0.0577

Ejercicio 3 – Distribución Binomial
Análogamente se pueden determinar las probabilidades asociadas todos los posibles valores de
la variable aleatoria 𝑋, con la función de densidad
7 𝑥 = 0, 1,2, … , 7
(.25)𝑥 (.75)7−𝑥
𝑥
𝑓𝑋 𝑥 =
𝑋 ~ 𝐵𝑖𝑛(7,0.25) 0 𝑒. 𝑜. 𝑐.

𝒙 𝑷(𝑿 = 𝒙) 0.35

0 0.1335 0.3

1 0.3115
0.25

Probabilidad
2 0.3115
0.2
3 0.1730
0.15
4 0.0577
0.1
5 0.0115
0.05
6 0.0013
0
7 0.0001 0 1 2 3 4 5 6 7 8

𝜇𝑋 = 𝑛𝑝 = 7 (.25) = 1.75

𝜎𝑋2 = 𝑛𝑝𝑞 = 7 (.25) .75 = 1.31

𝑋 ~ 𝐵𝑖𝑛(7,0.25)
Ejercicio 4 – Distribución Binomial

Grafique la distribución de probabilidad de una variable aleatoria 𝑌 que sigue una distribución
binomial con parámetros 𝑛 = 10 , 𝑝 = 1/2

10 𝑦 = 0, 1,2, … , 10
Solución: 𝑦
(.5)𝑦 (.5)10−𝑦
𝑌~ 𝐵𝑖𝑛(10 , 0.5) 𝑓𝑌 𝑦 =
0 𝑒. 𝑜. 𝑐.

𝒚 𝑷(𝒀 = 𝒚)
0 0.0010
0.3
1 0.0098 Cuando 𝑝 = 0.5 la
2 0.0439 0.25
gráfica es simétrica
3 0.1172 0.2
Probabilidad
4 0.2051
0.15
5 0.2461
6 0.2051 0.1
7 0.1172
0.05
8 0.0439
9 0.0098 0
0 2 4 6 8 10 12
10 0.0010
La otra forma de
hacerlo es usando
las tablas
Ejercicio 4 – Distribución Binomial

Solución: 10 𝑦 = 0, 1,2, … , 10
(.5)𝑦 (.5)10−𝑦
𝑦
𝑌~ 𝐵𝑖𝑛(10 , 0.5) 𝑓𝑌 𝑦 =
0 𝑒. 𝑜. 𝑐.

10
𝒚 𝑷 𝒀=𝒚 = (.5)𝑦 (.5)10−𝑦 𝑷 𝒀 = 𝒚 𝑼𝒔𝒂𝒏𝒅𝒐 𝒕𝒂𝒃𝒍𝒂𝒔
𝑦
0 0.0010 𝐹(0)
1 0.0098 𝐹(1) − 𝐹(0)
2 0.0439 𝐹(2) − 𝐹(1)
Tarea: Verificar que el resultado es el mismo
3 0.1172 𝐹(3) − 𝐹(2)
utilizando las tablas de la distribución binomial
4 0.2051 𝐹(4) − 𝐹(3)
5 0.2461 𝐹(5) − 𝐹(4)
6 0.2051 𝐹(6) − 𝐹(5)
7 0.1172 𝐹(7) − 𝐹(6)
8 0.0439 𝐹(8) − 𝐹(7)
9 0.0098 𝐹(9) − 𝐹(8)
10 0.0010 𝐹(10) − 𝐹(9)
Forma geométrica de la distribución Binomial
0.25

0.2

Probabilidad
Si 𝒑 = 𝟎. 𝟓 entonces la gráfica de la 𝑋~ 𝐵𝑖𝑛(15 , 0.5)
0.15

distribución binomial será simétrica 0.1

0.05

0
0 5 10 15 20

0.3
0.25
𝑋~ 𝐵𝑖𝑛(15 , 0.8)
Si 𝒑 > 𝟎. 𝟓 entonces la gráfica será

Probabilidad
0.2
0.15
sesgada la izquierda 0.1
0.05
0
0 5 10 15 20

0.3
Si 𝒑 < 𝟎. 𝟓 entonces la gráfica será 0.25
Probabilidad

0.2
sesgada la derecha 0.15 𝑋~ 𝐵𝑖𝑛(15 , 0.2)
0.1
0.05
0
0 5 10 15 20
Función generadora de momentos

La función generadora de momentos de una variable aleatoria 𝑋 ~ 𝐵𝑖𝑛 𝑛, 𝑝 está dada por:

𝑀𝑋 𝑡 = 𝐸 𝑒 𝑡𝑥 = 𝑝𝑒 𝑡 + (1 − 𝑝) 𝑛
 𝑭𝒖𝒏𝒄𝒊ó𝒏 𝒅𝒆 𝑭𝒖𝒏𝒄𝒊ó𝒏
𝑬𝒔𝒑𝒆𝒓𝒂𝒏𝒛𝒂 𝑽𝒂𝒓𝒊𝒂𝒏𝒛𝒂
𝑫𝒊𝒔𝒕𝒓𝒊𝒃𝒖𝒄𝒊ó𝒏 𝑵𝒐𝒕𝒂𝒄𝒊ó𝒏 𝑺𝒐𝒑𝒐𝒓𝒕𝒆 𝑹𝒙 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒅𝒂𝒅 𝒈𝒆𝒏𝒆𝒓𝒂𝒅𝒐𝒓𝒂
𝑬(𝑿) 𝑽𝒂𝒓(𝑿)
𝒇(𝒙) 𝒅𝒆 𝒎𝒐𝒎𝒆𝒏𝒕𝒐𝒔
𝑘 𝑘
1 1 1 1
𝑈𝑛𝑖𝑓𝑜𝑟𝑚𝑒 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎 𝑋 ~ 𝑈𝑛𝑖𝑓 {𝑥1 , … , 𝑥𝑘 } 𝑥 ∈ {𝑥1 , … , 𝑥𝑘 } ෍ 𝑥𝑖 ෍(𝑥𝑖 − 𝐸 𝑋 )2 σ𝑖 𝑒 𝑡𝑥𝑖
𝑘 𝑘 𝑘 𝑘
𝑖=1 𝑖=1

𝐵𝑒𝑟𝑛𝑜𝑢𝑙𝑙𝑖 𝑋 ~ 𝐵𝑒(𝑝) 𝑥 ∈ {0, 1} 𝑝 𝑥 (1 − 𝑝)1−𝑥 𝑝 𝑝(1 − 𝑝) 𝑝𝑒 𝑡 + (1 − 𝑝)

𝑛 𝑥
𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙 𝑋 ~ 𝐵𝑖(𝑛, 𝑝) 𝑥 ∈ {0, 1, … , 𝑛} 𝑝 (1 − 𝑝)𝑛−𝑥 𝑛𝑝 𝑛𝑝(1 − 𝑝) 𝑝𝑒 𝑡 + (1 − 𝑝) 𝑛
𝑥

𝜆𝑥 𝑒 −𝜆 𝑡 −1)
𝑃𝑜𝑖𝑠𝑠𝑜𝑛 𝑋 ~ 𝑃𝑜(𝜆) 𝑥 ∈ {0, 1, 2, … } 𝜆 𝜆 𝑒 𝜆(𝑒
𝑥!

1 𝑎+𝑏 (𝑏 − 𝑎)2 𝑒 𝑡𝑏 − 𝑒 𝑡𝑎
𝑈𝑛𝑖𝑓𝑜𝑟𝑚𝑒 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎 𝑋 ~ 𝑈𝑛𝑖𝑓(𝑎, 𝑏) 𝑎≤𝑥≤𝑏
𝑏−𝑎 2 12 𝑡(𝑏 − 𝑎)

1 1 𝑥−𝜇 2 1 2 2
−
𝑁𝑜𝑟𝑚𝑎𝑙 𝑋 ~ 𝑁(𝜇, 𝜎 2 ) −∞ < 𝑥 < ∞ 𝑒 2 𝜎 𝜇 𝜎2 𝑒 𝜇𝑡 + 2 𝜎 𝑡
𝜎 2𝜋
𝑥
−
𝐺𝑎𝑚𝑚𝑎 𝑋 ~ 𝐺𝑎𝑚𝑚𝑎(𝛼, 𝛽) 𝑥∈ℛ + 𝑥 𝛼−1 𝑒 β 𝛼𝛽 𝛼𝛽 2 (1 − 𝛽𝑡)−𝛼
Γ(𝛼)𝛽 𝛼
Distribución Poisson
Características y definición

Es una distribución de probabilidad discreta que sirve para calcular la probabilidad de que ocurra un
determinado número de eventos durante un intervalo dado (puede ser de tiempo, longitud, área, etc)

Una variable aleatoria 𝑋 tiene una distribución Poisson con parámetro 𝜆 > 0 si su función de
probabilidad está dada por:

𝜆𝑥 𝑒 −𝜆 𝑥 = 0, 1,2, … 𝜆 representa el número de veces que

𝑓𝑋 𝑥 = 𝑃 𝑋 = 𝑥 = 𝑥!
se espera que ocurra el fenómeno
0 𝑒. 𝑜. 𝑐. durante el intervalo dado.

Notación:
𝑋 ~ 𝑃𝑜(𝜆)
Distribución Poisson
El espacio parametral, es decir, el conjunto al que pertenece el parámetro 𝜆 es el de los reales positivos.

Algunos ejemplos en los que podría utilizarse la distribución Poisson son:

a) Número de personas que llegan a un banco en una hora

b) Número de accidentes a la semana en algún cruce importante de la ciudad

c) Número de llamadas de larga distancia que se reciben al mes en una empresa

d) Número de alumnos que en un día solicitan préstamo de libros en una Biblioteca

e) Número de errores de ortografía que uno comete al escribir una página

f) Número de baches encontrados por kilómetro en una carretera

g) Número de estrellas en un determinado volumen de espacio.

h) Número de receptores visuales en la retina del ojo humano.

Gráfica de 𝑓(𝑥) de una distribución Poisson
0.2
0.3 0.18
𝑓𝑋 𝑥 𝑓𝑋 𝑥
0.25 𝑋 ~ 𝑃𝑜(2) 0.16 𝑋 ~ 𝑃𝑜(5)
0.14
0.2 0.12
0.1
0.15
0.08
0.1 0.06
0.04
0.05
0.02
0 0
0 2 4 6 8 10 0 5 10 15 20
𝑥 𝑥

0.14 0.1
𝑓𝑋 𝑥
0.09
𝑓𝑋 𝑥 0.12 0.08
𝑋 ~ 𝑃𝑜(10) 𝑋 ~ 𝑃𝑜(20)
0.1 0.07
0.06
0.08
0.05
0.06
0.04

0.04 0.03
0.02
0.02
0.01
0 0
La distribución Poisson está
0 5 10 15 20 25 0 5 10 15 20 25 30 35 40 sesgada a la derecha y este
𝑥 𝑥 sesgo es mayor, conforme 𝜆 es
más pequeño
Valor esperado y varianza de la distribución de Poisson

Si 𝑋 ~ 𝑃𝑜(𝜆) se puede demostrar que

∞ ∞
𝜆𝑥 𝑒 −𝜆
𝜇𝑋 = 𝐸 𝑋 = ෍ 𝑥𝑓𝑋 𝑥 = ෍ 𝑥 =𝝀
𝑥!
𝑥=0 𝑥=0

∞
𝜆𝑥 𝑒 −𝜆
𝜎𝑋2 = 𝑉𝑎𝑟 𝑋 = 𝐸 𝑋 − 𝜆 2
= ෍ 𝑥−𝜆 2
=𝝀
𝑥!
𝑥=0

Así que el valor esperado y la varianza de una distribución de Poisson son iguales
Ejercicio 1 – distribución Poisson

Considere la variable aleatoria 𝑊=número de reclamos que se reciben al día en una compañía
de seguros. Suponga que 𝑊 tiene una distribución Poisson en donde sólo falta conocer el
parámetro 𝜆, es decir, el número promedio de reclamos que se tienen en un día.

Una forma de determinar el valor de 𝜆 es a partir de observaciones 𝑤1 , 𝑤2 , … , 𝑤𝑛 que se tengan

de la variable 𝑊. Como 𝜆 es el valor esperado de 𝑊 se propone aproximar el valor de 𝜆 con
el promedio muestral de las 𝑛 observaciones.

Supongamos que se registraron los reclamos al día durante una semana, por lo tanto se tienen
ocho observaciones de 𝑊: 5, 4, 2, 4, 3, 2, 1, 3

El promedio de estos ocho valores es 3, que es el valor que se propone como

aproximación al verdadero valor del parámetro 𝜆
Ejercicio 1 – distribución Poisson
Entonces 𝑊 ~ 𝑃𝑜(3) y su función de densidad es

3𝑤 𝑒 −3
𝑤 = 0, 1,2, …
𝑤!
𝑓𝑊 𝑤 = 𝑃 𝑊 = 𝑤 =

0 𝑒. 𝑜. 𝑐.

𝑤 𝑃(𝑊 = 𝑤) 𝑓𝑊 𝑤 0.25
0 0.0498
Moda: 2 y 3
1 0.1494
0.20
2 0.2240
3 0.2240
0.15 𝜇𝑋 = 3
4 0.1680
5 0.1008
0.10
𝜎𝑋 = 3 = 1.732
6 0.0504
7 0.0216
8 0.0081 0.05

9 0.0027
10 0.0008 0.00
0 1 2 3 4 5 6 7 8 9 10
𝑤

¿Cuál es la probabilidad de que en un día la compañía reciba 4 o 5 reclamaciones?

𝑃 𝑊 = 4 + 𝑃 𝑊 = 5 = 0.168 + 0.1008 = 0.2688

Tabla Distribución Poisson

Lambda (𝜆)
Valor de x en el que queremos
la probabilidad acumulada
Probabilidad
ACUMULADA
Ejercicio 1 – Distribución Poisson

En todo el desarrollo anterior, el periodo fue de un día. ¿Qué se debe hacer cuando cambia este
periodo? De nuevo se tiene una variable aleatoria Poisson, pero con otro parámetro.

Si lo que interesa es el número de reclamaciones recibidas en 5 días, la nueva variable es Poisson con
parámetro 𝜆 = 3 5 = 15

Una vez determinado el valor del parámetro, calculemos la probabilidad de que en 5 días se reciban
por lo menos 10 reclamaciones.

𝑋 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑟𝑒𝑐𝑙𝑎𝑚𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑟𝑒𝑐𝑖𝑏𝑖𝑑𝑎𝑠 𝑒𝑛 𝑐𝑖𝑛𝑐𝑜 𝑑í𝑎𝑠 𝑋~ 𝑃𝑜(15)

𝑃 𝑋 ≥ 10
𝑋~ 𝑃𝑜(15) 𝑃 𝑋 ≥ 10 = 1 − 𝑃 𝑋 ≤ 9 = 𝐹(9)
Ejercicio 1 – Distribución Poisson

En todo el desarrollo anterior, el periodo fue de un día. ¿Qué se debe hacer cuando cambia este
periodo? De nuevo se tiene una variable aleatoria Poisson, pero con otro parámetro.

Si lo que interesa es el número de reclamaciones recibidas en 5 días, la nueva variable es Poisson con
parámetro 𝜆 = 3 5 = 15

Una vez determinado el valor del parámetro, calculemos la probabilidad de que en 5 días se reciban
por lo menos 10 reclamaciones.

𝑋 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑟𝑒𝑐𝑙𝑎𝑚𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑟𝑒𝑐𝑖𝑏𝑖𝑑𝑎𝑠 𝑒𝑛 𝑐𝑖𝑛𝑐𝑜 𝑑í𝑎𝑠 𝑋~ 𝑃𝑜(15)

9
15𝑥 𝑒 −15
𝑃 𝑋 ≥ 10 = 1 − 𝑃 𝑋 ≤ 9 = 1 − ෍ = 1 − 0.070 = 0.93
𝑥!
𝑥=0
Función de distribución acumulada (Poisson)

La función de distribución acumulada en el caso de una variable 𝑋 ~ 𝑃𝑜(𝜆) está dada por:

0 𝑥<0

𝐹𝑋 𝑥 = 𝑃 𝑋 ≤ 𝑥 = 𝑥
𝜆𝑘 𝑒 −𝜆
෍ 𝑥≥0
𝑘!
𝑘=0

Los valores de esta función se pueden encontrar con las tablas del formulario.
Función de distribución acumulada (Poisson)

Para el ejemplo de los reclamos que se reciben en un día, 𝑊 ~ 𝑃𝑜 3 y su función de distribución es:

0 𝑥<0

𝐹𝑊 𝑤 = 𝑃 𝑊 ≤ 𝑤 = 𝑤
3𝑘 𝑒 −3
෍ 𝑥≥0
𝑘!
𝑘=0
Función generadora de momentos

La función generadora de momentos de una variable aleatoria 𝑋 ~ 𝑃𝑜(𝜆) está dada por:

𝑡 −1)
𝑀𝑋 𝑡 = 𝐸 𝑒 𝑡𝑥 = 𝑒 𝜆(𝑒
 𝑭𝒖𝒏𝒄𝒊ó𝒏 𝒅𝒆 𝑭𝒖𝒏𝒄𝒊ó𝒏
𝑬𝒔𝒑𝒆𝒓𝒂𝒏𝒛𝒂 𝑽𝒂𝒓𝒊𝒂𝒏𝒛𝒂
𝑫𝒊𝒔𝒕𝒓𝒊𝒃𝒖𝒄𝒊ó𝒏 𝑵𝒐𝒕𝒂𝒄𝒊ó𝒏 𝑺𝒐𝒑𝒐𝒓𝒕𝒆 𝑹𝒙 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒅𝒂𝒅 𝒈𝒆𝒏𝒆𝒓𝒂𝒅𝒐𝒓𝒂
𝑬(𝑿) 𝑽𝒂𝒓(𝑿)
𝒇(𝒙) 𝒅𝒆 𝒎𝒐𝒎𝒆𝒏𝒕𝒐𝒔
𝑘 𝑘
1 1 1 1
𝑈𝑛𝑖𝑓𝑜𝑟𝑚𝑒 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎 𝑋 ~ 𝑈𝑛𝑖𝑓 {𝑥1 , … , 𝑥𝑘 } 𝑥 ∈ {𝑥1 , … , 𝑥𝑘 } ෍ 𝑥𝑖 ෍(𝑥𝑖 − 𝐸 𝑋 )2 σ𝑖 𝑒 𝑡𝑥𝑖
𝑘 𝑘 𝑘 𝑘
𝑖=1 𝑖=1

𝐵𝑒𝑟𝑛𝑜𝑢𝑙𝑙𝑖 𝑋 ~ 𝐵𝑒(𝑝) 𝑥 ∈ {0, 1} 𝑝 𝑥 (1 − 𝑝)1−𝑥 𝑝 𝑝(1 − 𝑝) 𝑝𝑒 𝑡 + (1 − 𝑝)

𝑛 𝑥
𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙 𝑋 ~ 𝐵𝑖(𝑛, 𝑝) 𝑥 ∈ {0, 1, … , 𝑛} 𝑝 (1 − 𝑝)𝑛−𝑥 𝑛𝑝 𝑛𝑝(1 − 𝑝) 𝑝𝑒 𝑡 + (1 − 𝑝) 𝑛
𝑥

𝜆𝑥 𝑒 −𝜆 𝑡 −1)
𝑃𝑜𝑖𝑠𝑠𝑜𝑛 𝑋 ~ 𝑃𝑜(𝜆) 𝑥 ∈ {0, 1, 2, … } 𝜆 𝜆 𝑒 𝜆(𝑒
𝑥!

1 𝑎+𝑏 (𝑏 − 𝑎)2 𝑒 𝑡𝑏 − 𝑒 𝑡𝑎
𝑈𝑛𝑖𝑓𝑜𝑟𝑚𝑒 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎 𝑋 ~ 𝑈𝑛𝑖𝑓(𝑎, 𝑏) 𝑎≤𝑥≤𝑏
𝑏−𝑎 2 12 𝑡(𝑏 − 𝑎)

1 1 𝑥−𝜇 2 1 2 2
−
𝑁𝑜𝑟𝑚𝑎𝑙 𝑋 ~ 𝑁(𝜇, 𝜎 2 ) −∞ < 𝑥 < ∞ 𝑒 2 𝜎 𝜇 𝜎2 𝑒 𝜇𝑡 + 2 𝜎 𝑡
𝜎 2𝜋
𝑥
−
𝐺𝑎𝑚𝑚𝑎 𝑋 ~ 𝐺𝑎𝑚𝑚𝑎(𝛼, 𝛽) 𝑥∈ℛ + 𝑥 𝛼−1 𝑒 β 𝛼𝛽 𝛼𝛽 2 1 − 𝛽𝑡 −𝛼
Γ(𝛼)𝛽 𝛼
Relación entre las distribuciones Poisson y Binomial
Convergencia Binomial-Poisson

Se puede demostrar que la distribución Binomial converge a la distribución de Poisson cuando el

parámetro 𝑛 tiende a infinito y el parámetro 𝑝 tiende a cero, de manera que el producto de 𝑛 por
𝑝 sea una cantidad constante. De ocurrir esto, la distribución binomial tiende a un modelo de
Poisson de parámetro 𝝀 = 𝒏𝒑

Sea 𝑋 ~ 𝐵𝑖𝑛(𝑛, 𝑝)

𝑛 𝑥 𝑛−𝑥
(𝑛𝑝)𝑥 𝑒 −(𝑛𝑝)
lim 𝑝 (1 − 𝑝) →
𝑛→∞,𝑝→0 𝑥 𝑥!

que es la 𝑓(𝑥) de una Poisson con parámetro 𝜆 = 𝑛𝑝

Este resultado es importante para el cálculo de probabilidades o incluso para inferir

características de la distribución binomial cuando el número de pruebas es muy grande 𝑛 → ∞
y la probabilidad de éxito es muy pequeña 𝑝 → 0
Ejemplo aproximación Binomial-Poisson

En el cruce de las calles Cuauhtémoc y Popocatépetl, la probabilidad de que haya un

accidente automovilístico es de 0.0001, además, entre las 4 y las 6 pm pasan
aproximadamente 1000 autos por dicho cruce. Con estas condiciones:

¿Cuál es la probabilidad de que ocurran 2 o más accidentes durante ese periodo?

¿Cuál es el número esperado y la varianza de accidentes?