Modelos Probabilsticos comunes

M. en A. Vctor D. Pinilla Morn

Facultad de Ingeniera, UNAM
Resumen
Introduccin. Ensayo de Bernoulli. Distribucin de Bernoulli,
determinacin de su media y de su varianza.
Proceso de Bernoulli. Distribucin binomial, determinacin de
su media y su varianza. Distribucin geomtrica,
determinacin de su media y su varianza. Distribucin
binomial negativa, determinacin de su media y su varianza.
Distribucin hipergeomtrica, determinacin de su media y su
varianza.
Proceso de Poisson. Distribucin de Poisson, determinacin de
su media y su varianza. Aproximacin entre las distribuciones
binomial y de Poisson.

4.1 Ensayo de Bernoulli. Distribucin de

Bernoulli, determinacin de su media y
variancia.
Tal y como ocurre en los modelos
deterministas, en los cuales ciertas
relaciones funcionales desempean un
papel importante (Tales como lineales,
cuadrticas, exponenciales, trigonomtricas,
etc.), al elaborar modelos aleatorios para
fenmenos observables, tambin se
encuentra que ciertas distribuciones de
probabilidades aparecen ms a menudo que
otras. Una razn de esto es que, como en el
caso determinista, algunos modelos
matemticos relativamente simples parecen
ser ms capaces de describir un gran
nmero de fenmenos.
Ensayo y distribucin de Bernoulli. Si en
un experimento slo aparecen dos posibles
resultados: xito y fracaso, ha dicho
experimento
se
le
conoce
como
Probabilidad y Estadstica
Noviembre 2009

experimento de Bernoulli. El espacio

muestral de un experimento de Bernoulli
tiene solo dos puntos. Si la variable
aleatoria X representa el resultado del
experimento:
S={xito, fracaso}={1,0}
A la probabilidad de xito, es decir, P(X=1)
se le representa con p, es decir, P(X=1)=p
donde 0 p 1 .
Por otra parte, a la probabilidad del fracaso
se le representa con q, es decir, P(X=0)=q,
donde p+q=1.

x
0
1

P(X)
q
p

M.A. Vctor Damin Pinilla Morn.

59

Proceso de Bernoulli. Si el experimento de

Bernoulli se lleva a cabo varias veces y las
pruebas son independientes entre s, se
conforma un experimento de Bernoulli.

4.2 Ensayo binomial. Distribucin

binomial, determinacin de su media y
variancia.
Distribucin
geomtrica,
determinacin de su media y variancia.
Distribucin de Pascal, su media y
variancia.
Distribucin Binomial. Un proceso de
Bernoulli se compone de una secuencia de
ocurrencia de xitos y fracasos, todos un
nmero n de veces.

ensayos independientes, y p la probabilidad

de xito de cualquiera de stos. Se dice
entonces que X tiene una distribucin
binomial con funcin de probabilidad:

n k
nk
p (1 p )
P ( X = k ) = k
0 otro valor

donde

para n = 0,1,2,..., n

0 p 1

Ejemplo. Se tira una moneda 3 veces

consecutivamente.
Determinar
su
distribucin de probabilidad.
Ai={lanzar una moneda}

El inters radica en determinar la

probabilidad de obtener
k-xitos
durante los n ensayos; esto requiere de dos
suposiciones:
1) La probabilidad de xito p
permanece constante para cada
ensayo.
2) Los
n
ensayos
son
independientes entre s.
Para obtener la funcin de probabilidad de
la distribucin binomial, primero se
determina la probabilidad de tener, en hn
ensayos, k-xitos consecutivos seguidos de
n-x fracasos consecutivos. Ya que se
supone que los n ensayos son
independientes:
P(A1,A2,A3,...,An)=P(A1)P(A2)P(A3)...P(An)
P.P.P...P.

(1-p)(1-p)(1-p)=pk(1-p)n-k
K trminos n-k trminos

La probabilidad de obtener k xitos y n-k

fracasos en cualquier otro orden es la
misma, puesto que los factores p y (1-p) se
reordenan de acuerdo con el orden
particular. Por lo tanto, la anterior
probabilidad es el producto pk(1-p)n-k por el
nmero de combinaciones distintas, esto
ltimo tomando k objetos a la vez de n en
total.

Considerando al evento Ai como un xito,

con probabilidad p, y al evento Ai como un
fracaso, con probabilidad q=1-p, se define
la variable aleatoria X como el nmero de
xitos en el experimento.
Sin xitos

X=0

P ( X = 0) = P( A1 A2 A3 ) = q.q.q = q 3
Un xito

X=1

Si X es una variable aleatoria que

representa en nmero k de xitos en n
Probabilidad y Estadstica
Noviembre 2009

M.A. Vctor Damin Pinilla Morn.

60

Dos xitos

extrayendo los trminos independientes a la

sumatoria y haciendo el cambio de variable
r = k-1.

X=2

(n 1)!
p r q [(n 1) r ]
k = 0 [(n 1) r ]! r!
n

= np

Tres xitos

El binomio de Newton se define como:

X=3

n nr r
a b
r =1 r
n

P( X = 3) = P( A1 A2 A3 ) = p. p. p = p 3
X
0
1
2
3

(a + b )n =

P(X)
q3
3pq2
3p2q
p3

Ahora bien, a partir de la distribucin

binomial:

por analoga

= np( p + q )n 1 si p + q = 1
= np

{ }

Var{ X = k} = E k 2 E{k }

para simplificar los clculos se propone

calcular E k 2 con k 2 = k (k 1) + k , de

{ }
tal forma E {k } = E{k (k 1)} + E{k }.
2

n=3
3
3!
P( x = 0) = p 0 q 3 0 =
p0q3 = q3
(3 0)!0 !
0
3
3!
P( x = 1) = p q 31 =
p q 2 = 3 pq 2
1
(
3
1
)!
1
!

Evaluando E{k (k 1)}

3
3!
P( x = 2) = p 2 q 3 2 =
p2q = 3p2q
2

(
3
2
)
!
2
!

3 3 3 3
3!
P( x = 3) = p q =
p 3 q 3 3 = p 3
3

(
3
3
)
!
3
!

Ambos resultados son coincidentes.

Media y Varianza de la distribucin

binomial. A partir de las propiedades de los
operadores E{ } y Var{ }.
n

n
k

= E {x = k } = k p k q n k
k =0

= k
k =0

n!
p k q nk =
(n k )! k !

n (n 1)!
= k
pp k 1q [(n 1) (k 1)]
(
)
(
)
(
)
[

1
]
!

1
!
n
k
k
k
k =0
n

Probabilidad y Estadstica
Noviembre 2009

Ntese que en los pasos anteriores se

escribi la suma a partir de dos porque los
dos primeros trminos son cero.
Haciendo el cambio de variable.

y = k 2

m = n2
m!
p y q m y
y = 0 (m y )! y!
m

E {k (k 1)} = n (n 1) p 2

M.A. Vctor Damin Pinilla Morn.

61

en virtud de que:

m!

(m y )! y! p

q m y = ( p + q )

m y

y p + q =1

c) La probabilidad de que acierte,

cuando menos, la mitad de todos
sus tiros.

y =0

E {k (k 1)} = n (n 1) p 2
Substituyendo hacia atrs:

{ }

E k 2 = E{k (k 1)} + E{k }

= n(n 1) p 2 + np

Var{x = k } = n(n 1) p 2 + np (np )

= np[(n 1) p + 1 np ]

= np[np p + 1 np ]
= np(1 p )

Este procedimiento es igualmente vlido

para obtener las medidas descriptivas de la
distribucin binomial.
Ejemplo. La probabilidad de que un
excelente jugador de ftbol anote un tiro
libre es de (probabilidad frecuentista). Se
considera que sus tiros son independientes.
Si se estima que puede hacer 5 tiros libres
en un partido, calcule:
a) La probabilidad de que acierte
todos sus tiros

Ejemplo. Un estudiante presenta un

examen de seleccin mltiple que contiene
8 preguntas, cada una con tres respuestas
opcionales si se supone que el alumno est
adivinando al responder cada problema,
entonces la probabilidad de responder
correctamente es de 1/3. Determinar la
probabilidad:
a) De que responda incorrectamente a
todas las preguntas.
b) La probabilidad de que apruebe si
se
requiere
responder
correctamente a seis o ms
preguntas.
c) La probabilidad de que las 8
preguntas
las
responda
consecutivamente mal.
Se emplea distribucin binomial.

Px( x = k ) = C nk p k q n k

n = 5 tiros
k = 5 anotaciones
p = 3/4 y q =

n=8
5

5 3 1
P ( x = 5) =
5 4 4

p = 1/ 3 q = 2 / 3

5 5

= 0.237

b) La probabilidad de que falle todos

sus tiros
n=5
k=0
0

5 3 1
P ( x = 0) =
0 4 4

Probabilidad y Estadstica
Noviembre 2009

5 0

= 0.097

M.A. Vctor Damin Pinilla Morn.

62

c) Es lo mismo que a) porque son

independientes.
Ejemplo. Todos los das se seleccionan de
manera aleatoria 15 unidades de un proceso
de manufactura con el propsito de verificar
el porcentaje de unidades defectuosas en la
produccin. Con base en informacin
pasada, la probabilidad de tener una unidad
defectuosa es del 5%. La gerencia ha
decidido detener la produccin cada vez
que en una muestra de 15 unidades existan
dos o ms defectuosas. Cul es la
probabilidad de que en cualquier da, la
produccin se detenga?

en analoga con el binomio de Newton

k [p e ] q
n

k =0

t k

nk

= (p et + q)

sustituyendo

xito = {Encontrar 1 unidad defectuosa}

n = 15 p = 0.05

Para obtener la varianza

Funcin Generatriz de Momentos de la

distribucin Binomial.
n

m(t ) = e tk P(k )
k =0

en el caso de la distribucin binomial

n
n

m(t ) = e tk p k q n k
k =0
k

sustituyendo

n
n
k
m(t ) = p e t q n k
K =0 k

Probabilidad y Estadstica
Noviembre 2009

M.A. Vctor Damin Pinilla Morn.

63

Distribucin de Pascal. Sea un escenario

binomial en que se observa una secuencia
de ensayos independientes; la probabilidad
de xito en cada ensayo es constante e igual
a P.

Funcin Generadora de Momentos de la

Distribucin de Pascal.

Si ahora, en lugar de fijar el nmero de

ensayos es n y observar el nmero de
xitos, supnganse que se continan los
ensayos hasta que hayan ocurrido
exactamente k-xitos. En ste caso, la
variable aleatoria es el nmero de ensayos
necesarios para observar k-xitos.
Para determinar la probabilidad de que en el
n-simo ensayo ocurra el k-simo xito,
entonces el resultado del ltimo ensayo fue
xito. Antes del ltimo ensayo, haban
ocurrido k-1 xitos en n-1 xitos. El
nmero de maneras distintas en las que
pueden observarse k-1 en n-1 ensayos es

n 1

k 1
Por lo tanto, la probabilidad de tener kxitos en n-ensayos con el ltimo ensayo
siendo un xito es:

2 = E {x 2 } 2

{ }

Ex

d2
k k + qe t
=
m(t ) =
2
dt
1 qe t
t =0

k (k + q ) p

=
2
k
(1 q ) (1 q )
k

pe t
1 qe t

t =0

k (k + q )
=

p2

Debe hacerse hincapi que la variable

aleatoria X representa el nmero de
experimentos requeridos para obtener k
ocurrencias (xitos)
Si en la variable aleatoria de Pascal se
define a la variable aleatoria Y que
caracteriza el nmero de
noocurrencias (fracasos) que ocurren antes de
obtener k-xitos, de tal forma que Y=X-k,
se crea la Distribucin Binomial Negativa.

Probabilidad y Estadstica
Noviembre 2009

M.A. Vctor Damin Pinilla Morn.

64

Adquiere su nombre debido a que las

probabilidades dadas por la anterior
expresin corresponden a los trminos
sucesivos de la expresin binomial de:

1 1 p

p
p

A diferencia del modelo de Pascal, en que

la variable se define a partir de 1, es el
modelo binomial-negativo la variable se
define a partir de cero.
La media y la varianza pueden encontrarse
a partir del modelo de la variable aleatoria
X.

a) Cul es la probabilidad de que la 5

unidad observada sea la 2
observada.
b) El nmero promedio de unidades
que se debe observar para encontrar
la 5 defectuosa.
a) p = 0.10

q = 0.90

P( x = 2 ) = C41 p 2 q 3 =

n=5 k=2

4!
(0.1)2 (0.9)3 = 0.0916
1! 3!

b) k = 5

x =

k (1 p ) 5(0.9)
=
= 45 unidades
p
0.1

Distribucin Geomtrica. Si en la
distribucin binomial negativa se tiene el
caso especial de k=1, se le conoce como
distribucin geomtrica, cuya funcin de
probabilidad est dada por:
En el caso en que el valor de k no sea
entero, como ocurre cuando se ajusta los
parmetros del modelo a partir de
observaciones reales.
Cuando ocurre esto, se le devuelve su
nombre de Distribucin de Pascal, aunque
los coeficientes binomiales no estn
definidos, por lo que se introduce a la
funcin gamma. El modelo queda:

Esto se interpreta como el tiempo que hay

que esperar para que ocurra el k-xito.
Ejercicio. En una fbrica de automviles se
ha observado que el 10% de las unidades
salen defectuosas de la lnea de produccin,
si se seleccionan un lote de 5 para ser
observado.

Probabilidad y Estadstica
Noviembre 2009

P(x=k)=p qn-1
La variable aleatoria geomtrica representa
el nmero de fallas que ocurren antes de
que se presente el primer xito.
Ejemplo.Cul es la probabilidad de que en
su tercer intento, el excelente jugador anote
su primer gol?

P( x = 3) =

31

44

31

= 0.046

Ejemplo. En un proceso de manufactura se

sabe que en promedio una de cada mil
piezas est defectuosa. Cul es la
probabilidad de que la 5 pieza
inspeccionada sea la 1 defectuosa?

1 999
P ( x = 5) =

1000 1000

51

= 0.0096

M.A. Vctor Damin Pinilla Morn.

65

A partir de las expresiones obtenidas para la

distribucin
binomial
negativa,
substituyendo k=1:

1
p

2 =

1 p
p2

La funcin generatriz de momentos es:

m(t ) =

pe t
1 qe t

Ejemplo. El propietario de 10 terrenos

campestres en el centro turstico, est
tratando de venderlos por medio de
entrevistas personales con los posibles
compradores.
Considera
que
al
entrevistarse con un posible comprador,
exista la misma posibilidad de vender que
de no vender y que el resultado de una
entrevista es independiente de lo que ocurre
en lo dems.
a) Cul es la probabilidad de que la
4 persona entrevistada sea la 1 que
compre?

Para la distribucin geomtrica, su variable

aleatoria no requiere independencia, por lo
cual el muestreo se hace sin reemplazo.
Ejemplo. Se desea conocer la probabilidad
de obtener 3 cartas rojas en 5 retiros de un
paquete comn de 52 cartas. Se pueden
seleccionar, en 5 cartas separadas al azar, 3
rojas de 26, 2 negras de 26, de un total de 5
cartas de 52, todo sin reemplazo.

26!
26!

3!(26 3)! 2!(26 2)!

C C

=
= 0.32513
5
C52
52!

5!(52 5)!
3
26

2
26

El nmero total de muestras de tamao n

seleccionadas de N resultados es:

N

n
Se supone que estas muestras son
igualmente probables. Por otra parte, hay

k

x

p = q = 0 .5
Px ( x ) = p q N 1 = (0.5)(0.5)

4 1

= 0.0625 = 6.25%

b) La media de la variable N que

representa el nmero de clientes
que se tienen que entrevistar para
realizar la 1 venta.

x =

formas de seleccionar x xitos de k posibles

y por cada una de estas formas se pueden
seleccionar n-x fracasos en formas.

N k

n x

1
1
=
= 2 entrevistas
p 0.5

Distribucin
Hipergeomtrica.
La
diferencia entre la distribucin Binomial y
la Hipergeomtrica radica en la forma en
que se realiza el muestreo.

Entonces el nmero total de muestras

favorables
entre
las
muestras

N
es:
n

posibles

k N k

.
x n x

El muestreo, en el caso de la Binomial, se

requiere la independencia entre los eventos:
si se aplicase este concepto a un proceso
con un paquete de naipes o una urna, debe
haber reemplazo.

Probabilidad y Estadstica
Noviembre 2009

M.A. Vctor Damin Pinilla Morn.

66

Definicin. La distribucin de probabilidad

de la variable aleatoria hipergeomtrica, el
nmero de xitos en una muestra aleatoria
de tamao n seleccionada de N resultados
posibles, de los cuales k son considerados
como xitos y N-k como fracasos es:

k N k

x n x

P(x = k ) =
N

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

xk

nx N k

En una distribucin hipergeomtrica deben

identificarse dos pares de datos:
Los que corresponden a la
poblacin.
Los que corresponden a la muestra.

Ejemplo. Lotes de 40 componentes c/u se

consideran aceptables si no contienen ms
de 3 defectuosos. El procedimiento de
muestreo del lote consiste a seleccionar 5
componentes aleatoriamente y rechazar el
lote si se encuentra un componente
defectuoso, Cul es la probabilidad de que
exactamente 1 defectuoso se encuentre en la
muestra si hay 3 defectuosos en todo el
lote?
N=40

Total de elementos de la poblacin = N

Total de elementos de la muestra = n
Total de xitos de la poblacin
=k
Total de xitos de la muestra
=x
Por lo tanto
N k = Total de fracasos de la
poblacin
N x = Total de fracasos de la muestra
Ejemplo. Cul es la probabilidad de
obtener 3 cartas rojas en 5 retiros de una
baraja americana?
N=52

k=3

3 37

1 4
P( x = 1) = = 0.3011
40

5
Para determinar la media de la distribucin
se sigue un procedimiento anlogo al
utilizado para la distribucin binomial.

E{x} = xP( x )
x

n=5 k=26 x=3

E {x } =

x=0

Probabilidad y Estadstica
Noviembre 2009

n=5 x=1

k N k

x n. x
x
N

n

M.A. Vctor Damin Pinilla Morn.

67

si

p=

k
n

(1 p ) = N k
N

N n
Var{x} = np(1 p )

N 1

Por las propiedades de los nmeros

combinatorios:
N

N
=
n

N 1

n 1

es decir:

(N

(N 1)!
N!
N
=
n )! n! n ( N n )! (n 1)!

sustituyendo:

Retomando a la funcin de probabilidad

hipergeomtrica, cuando en un determinado
fenmeno, el tamao de la muestra es slo
una pequea fraccin de la poblacin N, y
al tratarse de un muestreo sin reemplazo, la
diferencia entre la probabilidad del evento
uno y el siguiente es insignificante.
En estos casos se emplea la distribucin
binomial para aproximar a la distribucin
hipergeomtrica cuando el cociente n/N es
pequeo.
Si se define a la proporcin P=k/N la
funcin de probabilidad hipergeomtrica se
define como:

Np N Np

x n x

P (x = k ) =
N

n
En esta expresin, si N , se obtiene la
distribucin binomial.
De
esta
forma,
la
distribucin
hipergeomtrica tiende a la binomial con
Haciendo un cambio de variables:
M=N-1

r=k-1 s=n-1 y=x-1

r M r

s y s y
nk
= nk

E {x} =

N
N y =1
M

s

Por el mismo procedimiento:

Var{x} =

nk (N k ) (N n )
N 1
N2

Probabilidad y Estadstica
Noviembre 2009

parmetros n y p =

k
n
conforme
0.
N
N

En la prctica se utiliza esta aproximacin

si n<0.1N.
Con respecto a la varianza hipergeomtrica,
sta es ms pequea que la correspondiente
a la variable aleatoria binomial por un
factor

N n
.
N 1

Sin embargo, debe notarse que N es grande,

este factor tiende a 1, dado como resultado
M.A. Vctor Damin Pinilla Morn.
68

una varianza prcticamente igual a la

binomial.
4.3 Proceso de Poisson. Distribucin de
Poisson, determinacin de su media y
variancia. Aproximacin entre las
distribuciones binomial y Poisson.
Distribucin exponencial, determinacin
de su media y variancia.
Distribucin de Poisson. Los experimentos
que resulten en valores numricos de una
variable aleatoria X, misma que representa
el nmero de resultados durante un
intervalo de tiempo dado, o en una regin
especfica, frecuentemente se llaman
experimentos de Poisson.
Ejemplo. Llamadas por minuto, clientes
por hora, toneladas por hectrea, errores por
pgina, etc.
De un experimento de Poisson, surge el
proceso de Poisson que tiene las siguientes
propiedades:
1. El nmero de resultados que ocurren en
un intervalo de tiempo o regin
especficos es independiente del
nmero que ocurre en cualquier otro
intervalo de tiempo o regin.
2. La probabilidad de que un resultado
sencillo ocurra en un intervalo de
tiempo corto o una regin pequea es
proporcional a la longitud del intervalo
de tiempo o al tamao de la regin y no
depende del nmero de resultados que
ocurren fuera de ste intervalo o regin.
3. La probabilidad de que ms de un
resultado ocurra en ese intervalo de
tiempo tan corto o en esa regin tan
pequea es despreciable.
La distribucin de Poisson se obtiene a
partir de la distribucin binomial,
considerando que n tiende a (el
nmero de experimentos de Bernoulli)
mientras que p tiende a cero
(probabilidad de xito). Se le interpreta
como la variable aleatoria que representa el
nmero de eventos independientes que
ocurren a una velocidad constante en el
tiempo o el espacio.
Probabilidad y Estadstica
Noviembre 2009

p 0 si

lim P( x = k ) =
n

k!

P(x = k ) = C nk p k q n k

e ; = np

es el nmero promedio de resultados por

unidad de tiempo o regin (velocidad o
rapidez de cambio).
La distribucin de Poisson puede sustituir a
la binomial para una n grande y una p
pequea:

n 50 np 5
Considerando la expresin general para la
probabilidad binomial:
n
n!
nk
nk
P ( x = k ) = p k (1 p ) =
p k (1 p )
k!(n k )!
k

n(n 1)(n 2 )K (n k + 1) k
nk
p (1 p )
k!

Sea = np ; por tanto p =

1 p = 1
P (x = k ) =
=
=

n
sustituyendo:
n

n (n 1)K (n k + 1) n

k!
n n
k

nk

(1) 1 1 1 2 L 1 k 1 1
k !
n
n
n
n

nk

(1) 1 1 1 2 L 1 k 1 1 1
k !
n
n
n
n
n
n

Sea n de tal forma que np =

permanezca constante.
Esto significa
que p 0 cuando n (de igual forma
que np y p0 de tal forma que
np).
En la ltima expresin, los trminos de la
forma

1 2
1 , 1 , L
n n
M.A. Vctor Damin Pinilla Morn.
69

Por binomial:

tienden a 1 si n,

al igual que 1
n

n=200 p=0.02

P( x 5) = P( x = 0 ) + P(x = 1) + P( x = 2 ) + P( x = 3) +
P ( x = 4 ) + P ( x = 5)

Por otra parte, la definicin del nmero e es

cuando

1 = e
n

0
(0.02) (0.98)
C 200
0

k!

{ }= e

tk

tk

k =0

si e y =
n =0

y
,
n!

4 0 4 41 4
45
e + e + L + e 4
0!
1!
5!
0
1
5
4
4
4
= e 4 + + L + = 0.78
5!
0! 1!

e k
= e
k!

( e )

k =o

t k

t =0

{ }

t
d2
d
m(t ) = e (e 1)+ t
2
dt
dt
t =0

= ( e + 1) e (
t

et 1

= +

Var{x} = 2 + 2 =

Ejemplo. Si el 2% de los transistores

producidos por una fbrica salen
defectuosos encontrar la probabilidad de
que en un lote de 200 transistores haya
cuando ms 5 transistores defectuosos.

Noviembre 2009

; = 4 = 0.7851

= np = 2.5

n=50

P(x 2) =

2.5
e
0!

2 .5

= 0.082

k =0

2.5 0 2.51 2.5 2

+
+
e = e 2.5

1!
2!
k!
0!
k

= 0.5437

c)

Probabilidad y Estadstica

b)
t =0

t =0

a) P( X = 0 ) =

Var{x} = E x 2 [E{x}]
E x2 =

k!

k =0

Datos.
P=0.05

{ }

a) Ninguna falle
b) Cuando ms 2 fallen
c) 5 fallen

t
d
d
m(t ) = e (e 1)
dt
dt
t =0
t =0

= e e (

Ejemplo. Si la probabilidad da que una

viga de concreto falle a la compresin es de
0.05. Obtener la probabilidad de que en 50
vigas:

Clculo de la media y la varianza de

Poisson.

e t 1

P ( x 5) =

k!

para y = e t

195

P ( x 5) =

m(t ) = e e e = e (e 1)

E{x} =

= np = 200(0.02) = 4
k

Funcin Generadora de Momentos.

m(t ) = E e

5
(0.02) (0.98)
L C 200

Por poisson:

si n

lim P( x = k ) =

finalmente

200

5
(
2.5) 2.5
P ( x = 5) =
e
= 0.068

5!

M.A. Vctor Damin Pinilla Morn.

70

Ejemplo. En el conmutador telefnico

de una compaa se reciben en
promedio 2 llamadas por minuto,
suponiendo que esas llamadas siguen
un proceso de Poisson.

Ejemplo. Se sabe que 10 es el nmero

promedio de camiones tanque que
llegan por da a una cierta estacin; las
instalaciones slo pueden atender
cuando mucho 15 camiones por da,
Cul es la probabilidad de que en un
determinado da se tengan que regresar
los camiones?

a) cual es la probabilidad de recibir 8

llamadas en 5 minutos.
b) Ninguna llamada en 3 minutos.
c) Menos de 3 llamadas en 2 minutos.

= 10

= 2 llamadas

P ( x 15

por min uto

llamadas
(5 ) = 10 llamadas
a) t = 2
min
min
8
(10 ) e 10 = 0 . 1126
Px ( x = 8 ) =
8!

b)

t = 3

Px ( x = 0 ) =

t = 2

(6 )

llamadas
min

(3 ) =

llamadas
min

e 6 = (1 )e 6 = 0 . 00248

0!

t = 2
llamadas
t = 2
min
c)

(2 ) =

Px ( x < 3 ) = e 4

llamadas
min
1
0
4
4
42
= 0 . 2381
+
+
0!
1!
2 !
4

Ejemplo. El STC ha determinado

tasa de suicidios de 2 por
coincidiendo
que
puede
considerado como un proceso
Poisson, determinar:

una
da
ser
de

)=

1 P ( x 15

)=

15

k=0

k!

10 0
10 1
10 2
10 3
10 4
10 15
= 1 e 10
+
+
+
+
+L +

1!
2!
3!
4!
15 !
0!
P ( x 15 ) = 1 0 . 953 = 0 . 0487

Ejemplo. A partir de ciertos

experimentos se ha establecido que la
probabilidad de que un individuo sufra
una reaccin por la aplicacin de un
determinado suero es de 0.001.
Determinar la probabilidad de que de
un total de 2000 individuos, tenga
reaccin:
a) Exactamente 3
b) Ms de 2
Pxito = 0 .001
a)
b)

n = 2000

= np = 2

2 2
e = 0 .18
3!
P (x > 2 ) = 1 P (x 2 )
P (x = 3 ) =

P ( x 2) =

a) La probabilidad de que ocurran 14

muertes por semana.
b) Al menos 3 muertes por semana.

k =0

2 0 21 2 2
e = e 2
+
+
= 0 .3235
k!
2!
0! 1!
k

Bibliografa
= 2
a)

t = 7

P ( x = 14 ) =

b)

t = 2 s / dia (7 dias

(14 )

14

14 !

14

) = 14 suicidios

= 0 . 1058

P (x 3 ) = 1 P (x 3 )
3

= 1 e
i=0

k!

= 1 0 . 0005 = 0 . 9995

Captura y Edicin:
M.A. Mara Torres Hernndez.
Probabilidad y Estadstica
Noviembre 2009

Canavos, Probabilidad y Estadstica,

Edit. Mc Graw Hill, Mxico 1988.
Borras, et. al. Apuntes de Probabilidad
y Estadstica, Facultad de Ingeniera
UNAM, Mxico 1985.
Villarreal , Probabilidad y Modelos
Probabilsticos, UAEM, Mxico 1989.
Hines, Montgomery; Probabilidad y
Estadstica, Edit. CECSA, 3 edicin,
Mxico 1993.
M.A. Vctor Damin Pinilla Morn.
71