DISTRIBUCIÓN DE POISSON.

Características:
En este tipo de experimentos los éxitos buscados son expresados por unidad de
área, tiempo, pieza, etc, etc,:
- # de defectos de una tela por m2
- # de aviones que aterrizan en un aeropuerto por día, hora, minuto, etc, etc.
- # de bacterias por cm2 de cultivo
- # de llamadas telefónicas a un conmutador por hora, minuto, etc, etc.
- # de llegadas de embarcaciones a un puerto por día, mes, etc, etc.
Para determinar la probabilidad de que ocurran x éxitos por unidad de tiempo, área,
o producto, la fórmula a utilizar sería:

λx ε − λ
p( x ,λ ) =
x!
donde:
p(x, λ ) = probabilidad de que ocurran x éxitos, cuando el número promedio de
ocurrencia de ellos es λ
λ = media o promedio de éxitos por unidad de tiempo, área o producto
ε = 2.718
x = variable que nos denota el número de éxitos que se desea que ocurra

Hay que hacer notar que en esta distribución el número de éxitos que ocurren por
unidad de tiempo, área o producto es totalmente al azar y que cada intervalo de
tiempo es independiente de otro intervalo dado, así como cada área es
independiente de otra área dada y cada producto es independiente de otro producto
dado.

Ejemplos:
1. Si un banco recibe en promedio 6 cheques sin fondo por día, ¿cuáles son las
probabilidades de que reciba, a) cuatro cheques sin fondo en un día dado, b)
10 cheques sin fondos en cualquiera de dos días consecutivos?

Solución:
a) x = variable que nos define el número de cheques sin fondo que
llegan al banco en un día cualquiera = 0, 1, 2, 3, ....., etc, etc.
λ = 6 cheques sin fondo por día
ε = 2.718

( 6 )4 ( 2.718 )−6 ( 1296 )( 0.00248 )

p( x = 4,λ = 6 ) = = = 0.13392
4! 24

b) x= variable que nos define el número de cheques sin fondo que llegan
al banco en dos días consecutivos = 0, 1, 2, 3, ......, etc., etc.

1
 λ = 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en
dos días consecutivos
Nota: λ siempre debe de estar en función de x siempre o dicho de otra
forma, debe “hablar” de lo mismo que x.

( 12 )10 ( 2.718 )−12 ( 6.1917364Ε10 )( 0.000006151 )

p( x = 10,λ = 12 ) = = = 0.104953
10! 3628800

2. En la inspección de hojalata producida por un proceso electrolítico continuo,

se identifican 0.2 imperfecciones en promedio por minuto. Determine las
probabilidades de identificar a) una imperfección en 3 minutos, b) al menos
dos imperfecciones en 5 minutos, c) cuando más una imperfección en 15
minutos.
Solución:
a) a) x = variable que nos define el número de imperfecciones en la
hojalata por cada 3 minutos = 0, 1, 2, 3, ...., etc., etc.
λ = 0.2 x 3 =0.6 imperfecciones en promedio por cada 3 minutos en la
hojalata

( 0.6 )1( 2.718 )−0.6 ( 0.6 )( 0.548845 )

p( x = 1,λ = 0.6 ) = = = 0.329307
1! 1

b) b) x = variable que nos define el número de imperfecciones en la

hojalata por cada 5 minutos = 0, 1, 2, 3, ...., etc., etc.
λ = 0.2 x 5 =1 imperfección en promedio por cada 5 minutos en la
hojalata

 ( 1 )0 ( 2.718 )−1 ( 1 )( 2.718 )−1 

p( x = 2,3,4,etc....λ = 1 ) = 1 − p( x = 0,1,λ = 1 ) = 1 −  +  =
 0! 1! 

=1-(0.367918+0.367918) = 0.26416

c) c) x = variable que nos define el número de imperfecciones en la

hojalata por cada 15 minutos = 0, 1, 2, 3, ....., etc., etc.
λ = 0.2 x 15 = 3 imperfecciones en promedio por cada 15 minutos en la
hojalata

( 3 )0 ( 2.718 )−3 ( 3 )1( 2.718 )−3

p( x = 0,1,λ = 3 ) = p( x = 0 ,λ = 3 ) + p( x = 1,λ = 3 ) = + =
0! 1!

= 0.0498026 + 0.149408 = 0.1992106

2
 Bioestadística
Distribuciones discretas: Bernouilli, Binomial, Poisson y
Multivariante

Las distribuciones discretas son aquellas en las que la variable puede

pude tomar un número determinado de valores:
Ejemplo: si se lanza una moneda al aire puede salir cara o cruz; si se tira
un dado puede salir un número de 1 al 6; en una ruleta el número puede
tomar un valor del 1 al 32.
Las distribuciones continuas son aquellas que presentan un número
infinito de posibles soluciones:
Ejemplo: El peso medio de los alumnos de una clase puede tomar infinitos
valores dentro de cierto intervalo (42,37 kg, 42,3764 kg, 42, 376541kg, etc);
la esperanza media de vida de una población (72,5 años, 7,513 años, 72,
51234 años).

En este apartado nos centraremos exclusivamente en estudiar las

principales distribuciones discretas, que además se basan cada una de ellas
en la anterior.

Distribuciones discretas: Bernouilli.

La distribución de Bernuilli es el modelo que sigue un experimento que se
realiza una sola vez y que puede tener dos soluciones: acierto o fracaso:

Cuando es acierto la variable toma el valor 1

Cuando es fracaso la variable toma el valor 0

Ejemplo: Probabilidad de salir cara al lanzar una moneda al aire (sale cara
o no sale); probabilidad de ser admitido en una universidad (o te admiten o
no te admiten); probabilidad de acertar una quiniela (o aciertas o no
aciertas)

3
Al haber únicamente dos soluciones se trata de sucesos
complementarios:
A la probabilidad de éxito se le denomina "p"

A la probabilidad de fracaso se le denomina "q"

Verificándose que:

p+q=1

Veamos los ejemplos antes mencionados:

Ejemplo 1: Probabilidad de salir cara al lanzar una moneda al aire:

Probabilidad de que salga cara: p = 0,5

Probabilidad de que no salga cara: q = 0,5

p + q = 0,5 + 0,5 = 1

Ejemplo 2: Probabilidad de ser admitido en la universidad:

Probabilidad de ser admitido: p = 0,25

Probabilidad de no ser admitido: q = 0,75

p + q = 0,25 + 0,75 = 1

Ejemplo 3: Probabilidad de acertar una quiniela:

Probabilidad de acertar: p = 0,00001

Probabilidad de no acertar: q = 0,99999

p + q = 0,00001 + 0,99999 = 1

Distribuciones discretas: Binomial.

Las distribución binomial parte de la distribución de Bernouilli:

La distribución de Bernouilli se aplica cuando se realiza una sola vez un

experimento que tiene únicamente dos posibles resultados (éxito o fracaso),
por lo que la variable sólo puede tomar dos valores: el 1 y el 0

4
La distribución binomial se aplica cuando se realizan un número"n"
de veces el experimento de Bernouilli, siendo cada ensayo independiente
del anterior. La variable puede tomar valores entre:

0: si todos los experimentos han sido fracaso

n: si todos los experimentos han sido éxitos

Ejemplo: se tira una moneda 10 veces: ¿cuantas caras salen? Si no ha

salido ninguna la variable toma el valor 0; si han salido dos caras la variable
toma el valor 2; si todas han sido cara la variable toma el valor 10
La distribución de probabilidad de este tipo de distribución sigue el
siguiente modelo:

Ejemplo 1: ¿Cuál es la probabilidad de obtener 6 caras al lanzar una

moneda 10 veces?

“k " es el número de aciertos. En este ejemplo " k " igual a 6 (en cada
acierto decíamos que la variable toma el valor 1: como son 6 aciertos,
entonces k = 6)

“n" es el número de ensayos. En nuestro ejemplo son 10

“p " es la probabilidad de éxito, es decir, que salga "cara" al lanzar la

moneda. Por lo tanto p = 0,5

La fórmula quedaría:

Luego,

P (x = 6) = 0,205
Es decir, se tiene una probabilidad del 20,5% de obtener 6 caras al lanzar
10 veces una moneda.

Ejemplo 2:¿Cuál es la probabilidad de obtener cuatro veces el número 3 al

lanzar un dado 8 veces?

5
“k " (número de aciertos) toma el valor 4

“n" toma el valor 8

“p " (probabilidad de que salga un 3 al tirar el dado) es 1 / 6 (= 0,1666)

La fórmula queda:

Luego,
P (x = 4) = 0,026
Es decir, se tiene una probabilidad del 2,6% de obtener cuatro veces el
número 3 al tirar un dado 8 veces.

Distribuciones discretas: Poisson.

Las distribución de Poisson parte de la distribución binomial:

Cuando en una distribución binomial se realiza el experimento un número

"n" muy elevado de veces y la probabilidad de éxito "p" en cada ensayo es
reducida, entonces se aplica el modelo de distribución de Poisson:

Se tiene que cumplir que:

" p " < 0,10

" p * n " < 10

La distribución de Poisson sigue el siguiente modelo:

Vamos a explicarla:

El número "e" es 2,71828

"λ " = n * p (es decir, el número de veces " n " que se realiza el
experimento multiplicado por la probabilidad " p " de éxito en cada ensayo)

6
“k " es el número de éxito cuya probabilidad se está calculando

Veamos un ejemplo:
La probabilidad de tener un accidente de tráfico es de 0,02 cada vez que se
viaja, si se realizan 300 viajes, ¿cual es la probabilidad de tener 3
accidentes?

Como la probabilidad " p " es menor que 0,1, y el producto " n * p " es menor
que 10, entonces aplicamos el modelo de distribución de Poisson.

Luego,

P (x = 3) = 0,0892

Por lo tanto, la probabilidad de tener 3 accidentes de tráfico en 300 viajes es

del 8,9%

Otro ejemplo:
La probabilidad de que un niño nazca pelirrojo es de 0,012. ¿Cuál es la
probabilidad de que entre 800 recien nacidos haya 5 pelirrojos?

Luego,

P (x = 5) = 4,602

Por lo tanto, la probabilidad de que haya 5 pelirrojos entre 800 recien

nacidos es del 4,6%..