2.

Distribucin binomial y de Poisson

Introduccin
En el tema anterior estudiamos diferentes distribuciones discretas que sentaron las bases para
abordar dos modelos especficos de probabilidad, que dan cabida a gran cantidad de
experimentos aleatorios, y que se les conoce como distribucin de probabilidad binomial
y distribucin de probabilidad de Poisson; parte de su importancia radica en que sus
experimentos tienen resultados que se clasifican en dos categoras: xito o fracaso.

Distribucin binomial
Analiza el siguiente experimento probabilstico:

Un estudiante decide resolver un examen compuesto por cinco preguntas con tres posibles
respuestas. Como no ha estudiado, toma la decisin de intentar adivinar las respuestas, sin
siquiera leer las preguntas.

Ahora t realiza el examen para que puedas analizar lo que sucedi con este estudiante.

Qu probabilidades tendras si hubieras respondido el examen slo adivinando?

Funcin de probabilidad binomial

() = ( ) () () = 0,1,2, . ,

Donde:

p = probabilidad de xito

q = probabilidad de fracaso

n= Numero de ensayos totales

x= Nmero de ensayos exitosos

P(X) = Probabilidad de la variable aleatoria

 Muchos experimentos tienen resultados que son clasificados en dos categoras, xito o
fracaso. Por ejemplo, el lanzamiento de una moneda, un examen de falso o verdadero, o de
respuesta correcta o incorrecta, que un producto funcione o no, etc.

Todos los experimentos que presentan estos dos eventos, se les denomina experimentos
probabilsticos binomiales o de Bernoulli y deben tener las siguientes propiedades:

Cada ensayo tiene dos resultados posibles (xito o fracaso)

Hay n ensayos independientes repetidos.
p + q = 1, p = probabilidad de xito, q = probabilidad de fracaso; q = 1 p
La variable aleatoria binomial x es la cuenta del nmero de ensayos exitosos que ocurren: x
puede tomar cualquier valor entero entre 0 y n

Para calcular la media y la desviacin estndar, podemos proceder como en los casos que se vieron
con la variable aleatoria discreta o de una forma ms simplificada, para esta distribucin podemos
usar las siguientes expresiones:

Media de la distribucin binomial

=
La varianza de la distribucin binomial

2 =
La desviacin estndar de la distribucin binomial

A continuacin te presentaremos algunos ejemplos.

Ejemplo 1

Cul es la probabilidad de que en una familia de 6 hijos haya:

a) 4 mujeres y 2 hombres
b) 3 mujeres y 3 hombres
c) ms de 3 mujeres
d) Cunto vale la media de esta distribucin de probabilidad y qu significa su
valor obtenido?

Este es un experimento binomial, puesto que tiene dos posibles resultados aleatorios: nace
una mujer o un hombre.

Sea

X = el nmero de hijos
 1
() = 2 la probabilidad de que nazca una mujer; y
1
() = 2 la probabilidad de que nazca un hombre.

La funcin de probabilidad asociada a este experimento es:

() = ( ) () ()

Donde sustituyendo valores, tenemos:

6 1 1 6
() = ( ) ( ) ( ) = 1,2, . ,6
2 2
a) La probabilidad de que nazcan 4 mujeres y 2 hombres, significa que

1 1
= 4, = 2 , = 1 = 2 que sustituyendo en la funcin binomial tendremos:

4
6 1 1 64
( = 4) = ( ) ( ) ( ) = 0.2344
4 2 2

Esto significa que la probabilidad de que nazcan 2 hombres y 4 mujeres es 0.2344, o sea, el 23.44%

b) La probabilidad de que nazcan 3 mujeres y 3 hombres, significa que x=3

1 1
= 3, = 2 , = 1 = 2 que sustituyendo en la funcin binomial tendremos:

3
6 1 1 63
( = 3) = ( ) ( ) ( ) = 0.3125
3 2 2

La probabilidad de tener el mismo nmero de hijos que de hijas en esta familia es igual a
0.3125, o sea, el 31.25%.

c) ms de 3 mujeres, significa que x=4,5 6 mujeres

6 6 6
() = ( ) (0.5)4 (0.5)2 + ( ) (0.5)5 (0.5)1 + ( ) (0.5)6 (0.5)0
4 5 6
= 0.2344 + 0.1937 + 0.0156 = 0.3437

La probabilidad de nazcan ms de tres mujeres es de 0.3437, es decir, el 34.37%.

d) La media se calcula usando

=
Donde n=6 hijos y p=0.5, por lo tanto
= (6)(0.5) = 3
Significa que en promedio se espera que en una familia con seis hijos, tres sean mujeres.
Ejemplo 2

El 0.5% de las piezas producidas por una mquina son defectuosas. La mquina se lleva a
reparacin si al tomar una muestra aleatoria de 10 piezas se encuentran dos o ms
defectuosas. Obtn la probabilidad de que la mquina sea sometida a reparacin con este
esquema de muestreo.

Sea X las piezas defectuosas, la variable aleatoria.

X=1,2,3,,10 y n=10 piezas

p= 0.005 es la probabilidad de que la pieza salga defectuosa.
q = 1-0.005 = 0.995, que es la probabilidad de que la pieza salga buena.

La funcin de probabilidad asociada a este experimento es:

10
() = ( ) (0.005) (0.995)10 = 0,1,2, .10

De acuerdo al enunciado del ejemplo, sabemos que la mquina se manda a reparacin si en una
muestra tomada en forma aleatoria se encuentran 2 o ms piezas defectuosas.

Sea P(D) la probabilidad de que salgan dos o ms piezas defectuosas, de tal forma que:

() = ( = 2) + ( = 3) + + ( = 10)
Y que es equivalente a tener:
() = 1 [( = 0) + ( = 1)]
10 10
() = 1 [( ) (0.005)0 (0.995)10 + ( ) (0.005)1 (0.995)9 ]
0 1

() = 1 0.9989 = 0.0011
En conclusin, la probabilidad de que la mquina se mande a reparacin es de 0.0011, es decir, del
0.11%

Otro ejemplo de una distribucin de probabilidad discreta que veremos en nuestro curso es
la llamada distribucin de Poisson, que tiene la caracterstica de describir diversos procesos
que consisten en observar lo que se conoce como eventos discretos en un intervalo continuo.

Distribucin de Poisson

La distribucin de Poisson se llama as en honor a su creador, el francs Simen Dennis

Poisson (1781-1840). Esta distribucin de probabilidades fue uno de los mltiples trabajos
matemticos que Dennis complet en su productiva trayectoria.
La distribucin de Poisson se emplea para describir diversos procesos que consisten en
observar lo que se conoce como eventos discretos en un intervalo continuo, como la
distribucin de las llamadas telefnicas que llegan a un conmutador entre las 9:00 y las 10:00
horas; las entradas de los automviles a la caseta de cobro de la autopista Mxico
Cuernavaca; la llegada de un cliente al banco durante una hora. Estos ejemplos tienen un
elemento en comn y es que pueden ser descritos por una variable aleatoria discreta, en un
periodo continuo de tiempo, la cual asume valores enteros (0,1,2,3,4,5...).

En una distribucin de Poisson, la letra X suele representar la variable aleatoria discreta y

puede adems asumir valores enteros (0, 1, 2, 3, etc.). Ten presente que utilizamos la letra X
mayscula para representar la variable aleatoria y la x minscula para designar un valor
especfico que puede asumir la variable aleatoria (X)
La probabilidad de exactamente x ocurrencias en una distribucin de Poisson se calcula
mediante la siguiente expresin:

() =
!
Donde:
e = 2.7182
x = nmero de xitos que se desea que ocurran
= media o valor central

A continuacin se muestran las expresiones para calcular la media, la varianza y la

distribucin estndar de la distribucin de Poisson.
Media
= =
La varianza
2 =
La desviacin estndar de la distribucin binomial

Observa que la media de la distribucin de Poisson se determina de la misma forma que en

la binomial, adems la media y la varianza para esta distribucin son iguales.

A continuacin te presentamos algunos ejemplos sobre la aplicacin de la distribucin de

Poisson en diferentes contextos. En ellos podrs apreciar que en este tipo de experimentos
los xitos buscados son expresados por pieza, tiempo, unidad de rea, etctera.
Ejemplo 1

Imagina que ests investigando la seguridad vehicular de un crucero muy peligroso en la

calzada Ignacio Zaragoza. Los archivos de la polica indican una media de cinco accidentes
por mes. Ciertos analistas han determinado que el nmero de accidentes est distribuido
conforme a la distribucin de Poisson, por lo que el departamento de seguridad de la polica
quiere calcular la probabilidad de que ocurran exactamente 0, 1, 2 3 accidentes en un mes
cualquiera.

Solucin: aplicando la frmula de Poisson

() =
!
El problema indica una media de cinco accidentes por mes, por lo tanto, =5. Nos interesa
analizar lo que sucede cuando X toma valores iguales a 0, 1, 2 3, que corresponde al nmero
de accidentes en un mes y considerando que e = 2.7182.

50
( = 0) = = 0.0067
5 0!
51
( = 1) = 5 = 0.0337
1!
52
( = 2) = 5 = 0.0842
2!
53
( = 3) = 5 = 0.1404
3!
Conviene organizar esta informacin en una tabla de distribucin de probabilidad.

X P(X)
0 0.0067
1 0.0337
2 0.0842
3 0.1404

En la tabla se puede leer la probabilidad de que ocurran 0, 1, 2 3 accidentes en un mes

cualquiera.

As, por ejemplo, se observa que la probabilidad de que haya exactamente 3 accidentes es
de 0.1404, que es equivalente al 14.04%.

Podemos hacernos ms preguntas a partir de la tabla de distribucin, por ejemplo:

Cul es la probabilidad de que haya al menos un accidente?

Para dar respuesta a la pregunta, tendremos que sumar:

 () = ( = 1) + ( = 2) + ( = 3) = 0.0337 + 0.0842 + 0.1404 = 0.2583

O sea, que el 25.83% es la probabilidad de que haya al menos un accidente en un mes.

Ejemplo 2

Si el Banco de Mxico recibe en promedio 9 cheques sin fondos por da. Cul es la
probabilidad de que reciba:

a) 5 cheques sin fondos en un da dado

b) Ms de un cheque sin fondos por da

Solucin:

a) 5 cheques sin fondos en un da dado

La variable aleatoria discreta, X corresponde al nmero de cheques que llegan sin fondos al Banco
de Mxico.

x = 1,2,3,. Cheques que llegan sin fondos

=9, es decir, el nmero de cheques en promedio, que recibe diario el Banco de Mxico, sin fondos
por da.

95
( = 5) = = 0.06073
9 5!

b) Ms de un cheques sin fondos por da

x = 1,2,3,. Cheques que llegan sin fondos

=9
() = 1 [( = 0) + ( = 1)] aplicando la propiedad p+ q = 1, sustituyendo valores
tendremos:

90 91
() = 1 [ + ] = 0.9987
9 0! 9 1!

es la probabilidad de que reciba ms de un cheque sin fondos en un da. (Se puede observar que es
bastante alta la probabilidad.)
2.1 Aproximacin de la distribucin binomial por medio de la distribucin
de Poisson
Cuando n el tamao de la muestra, es relativamente grande y p la probabilidad de xito, pequea,
las probabilidades binomiales a menudo se aproximan por medio de la frmula de Poisson y deben
cumplir con las siguientes condiciones:

La probabilidad p de xito debe ser menor que 0.10, esto es =< 0.10 y la media de una distribucin
discreta binomial est dada por = ()() < 10
Veamos un ejemplo en donde es conveniente utilizar la aproximacin.

Ejemplo 1
Un ingeniero, que labora en el departamento de control de calidad de una empresa elctrica,
inspecciona una muestra al azar de 200 alternadores de un lote. Si el 2% de los alternadores
del lote estn defectuosos, cul es la probabilidad de que en la muestra:

a) ninguno est defectuoso

b) uno salga defectuoso
c) al menos dos salgan defectuosos
d) ms de tres estn con defectos

Solucin:

Primero debemos verificar que se cumplan las condiciones antes mencionadas para utilizar
la distribucin de Poisson.

Podemos observar que:

= 0.02 = ()() = (0.02)(200) = 4

Por lo tanto, ambos valores cumplen con las condiciones, de manera que s podemos usar la
aproximacin propuesta.

Donde =4

a) Ninguno est defectuoso. Usando la expresin

() =
!

Tenemos que
40
() = = 0.01831
4 0!

Puesto que la probabilidad de xito, en el contexto de nuestro problema, es que el artculo est
defectuoso, o sea, que x = 0 alternadores defectuosos.
b) Uno salga defectuoso

41
( = 1) = = 0.07326
4 1!

La probabilidad de que, al tomar al azar cualquier alternador del lote, uno salga defectuoso es 7.326%

c) Al menos dos salgan defectuosos

() = 1 [( = 0) + ( = 1)]

Recuerda que

( = 0) + ( = 1) + ( = 200) = 1

40 41
() = 1 [ 4 + 4 ] = 1 0.0183 0.0733 = 0.9084
0! 1!

La probabilidad de que al menos dos salgan defectuosos es P(X) = 0.9084

d) Ms de tres estn con defectos

() = 1 [( = 0) + ( = 1) + ( = 2) + ( = 3)]
42 43
= 1 0.0183 0.0733 [ 4 + 4 ] = 0.5665
2! 3!

P(X) = 0.5665 es la probabilidad de que ms de tres alternadores estn con defecto.

Con la siguiente actividad de aprendizaje concluimos el estudio de las distribuciones de

probabilidad binomial y de Poisson, que son ejemplos de distribuciones de probabilidad de
variables aleatorias discretas

Conclusin
Las caractersticas bsicas de las distribuciones de frecuencia y de probabilidad son
semejantes, pero con la diferencia importante de que, por lo general, las distribuciones de
probabilidad representan distribuciones tericas o hipotticas, y las de frecuencia representan
observaciones obtenidas de experimentos reales. As una distribucin de probabilidad dice,
de manera terica, lo que se puede observar en una distribucin de frecuencias (por ejemplo,
el proyecto 2 desarrollado en la primera unida