Distribuciones Discretas de Probabilidad

Métodos Cuantitativos
Modelo de la
DISTRIBUCION DE
POISSON
Distribución de Poisson:
Es una distribución muy usada en medicina y biología. Se deriva
del proceso de Poisson en honor al matemático francés Simeon
Denis Poisson (1781-1840).
Debe cumplir las siguientes condiciones:
La ocurrencia de los eventos son independientes.
El número promedio de veces () que ocurre un éxito por
cada unidad de tiempo o de espacio es constante.
La probabilidad de un suceso es una unidad de tiempo o de
espacio muy pequeña.
Ejemplos de aplicaciones de Poisson:

Pacientes que llegan a la sala de urgencias de un hospital

durante un cierto día.
Defectos de un rollo de gasa.
Accidentes por hora en cierta parte de una carretera.
Clientes que llegan a la caja registradora de una farmacia en
un determinado horario.
Si el tamaño de la muestra es bastante grande (n>50) y la
probabilidad de un evento particular es muy pequeño (p < 0,1) y
se desea hallar la probabilidad de un número determinado de
éxitos, se puede aplicar la distribución de Poisson, dada por la
siguiente ecuación.

x e 
P(X = x) =
x!
donde
 :(lambda): media = n∗p = variancia
e : base de logaritmos naturales = 2.71828
x! : factorial de x
Ejemplo:
Supongamos que estamos investigando la seguridad de una
peligrosa intersección de calles, los registros policiales indican
un media de 5 accidentes mensuales en esta intersección. El
número de accidentes esta distribuido de acuerdo con una
distribución de Poisson y el departamento de seguridad vial
desea que calculemos la probabilidad de que en cualquier mes
ocurra exactamente 3 accidentes.

x e 
P(X = x) =
x!
X = 3 acc/mes 53 2.71835
 = 5 acc/mes P( x 3)   0.14042  14.04%
3!
Uso de Tablas

Solucionando el problema anterior usando la tabla

de distribución de probabilidades de Poisson:

x 4.1 ......... 4.5 .......... 4.9 5

0 0.0067
La probabilidad de
1 0.0337 tener exactamente 3
2 0.0842
3 0.1404
accidentes en un
4 0.1755 mes cualquiera es
5 0.1755
0.1404
1.- ¿Cómo utilizar la tabla de la distribución de Poisson?
Supongamos que X es una variable aleatoria que sigue la ley de Poisson con parámetro 0.9; Nos
piden calcular la probabilidad de que X sea menor o igual que 3. Localizamos en la tabla =0.9,
x=3 y tomamos la intersección: 0.987.

Una distribución de Poisson acumulada se utiliza para calcular la probabilidad de obtener un

mínimo de n éxitos en un experimento de Poisson. Aquí, n es la variable aleatoria de Poisson que
se refiere al número de éxitos.
Por ejemplo,

En una oficina han llegado 2 clientes hoy. Calcula la posibilidad de que mañana lleguen 3
clientes como mínimo.

dónde, λ=2 , e=2.718 and x=3.

P(x < 3) = P(x = 0) + P(x = 1) + P(x = 2) + P(x = 3)

= e-2 λ0 / 0! + e-2 λ1 / 1! + e-2 λ2 / 2! + e-2 λ3 / 3!

= 0.135 + 0.271 + 0.271 + 0.18

= 0.857.

De ahí, que el mínimo de posibilidad sea de 85.7%.

2.- ¿Y si nos pidieran la probabilidad de que X fuera mayor que 3?
En este caso nos tendríamos que fijar en que este suceso es el complementario del anterior y
que por lo tanto la probabilidad buscada es de 1-0.987=0.013

3.- ¿Y si nos pidieran la probabilidad de que X fuera exactamente 3?

Una posibilidad seria calcular la probabilidad que X fuera menor o igual que 3 (0.987), la
probabilidad que X fuera menor o igual que 2 (0.937) y restarlas, dando 0.05. Pero la
fórmula de la función de probabilidad nos dará un resultado exacto:

x e  0,93 e0,9
P(X = x) = P(X  3) =  0,0493982
x! 3!
4.- ¿Qué pasa si el parámetro  no aparece de forma exacta en la tabla?
Supongamos que tenemos una variable aleatoria X que se distribuye según una ley de
Poisson con parámetro 4.65. Queremos calcular la probabilidad que X sea menor o igual
que 7. Tomaremos los dos parámetros más cercanos a 4.65 que aparecen en la tabla, que
son 4.6 y 4.8. Localizaremos las respectivas probabilidades:

La interpolación a realizar es la siguiente:

 P(x)
a 4.6 0.905 4.65 − 4.6
b 4.65 P(x) 𝑃 𝑥 = 0.887 − 0.905 + 0.905 = 0.9005
4.8 − 4.6
c 4.8 0.887
6.- ¿Cómo se hace para, dado p, calcular el valor x tal que P(X  x)=p, siendo X una
variable aleatoria Poisson?
Supongamos que X se distribuye como una Poisson con parámetro =12, y nos dan p=0.772. Para
calcular la x correspondiente tomamos la tabla y localizamos =12. Nos fijamos entonces que la x
correspondiente es 14.

Si nos dan por ejemplo p=0.72, =14.5, entonces tomamos el valor inmediatamente inferior a 0.72
que aparece en la tabla para =14.5. En nuestro caso es 0.711, que corresponde a x=16.
Notemos que en este caso no hacemos interpolación lineal ya que la ley Poisson es discreta y por
lo tanto no tiene sentido dar un valor no entero, como 16.2.
5.- Comentarios acerca de la distribución binomial

Siempre que se utilice una variable aleatoria binomial con los parámetros p muy grande y n
muy pequeño, podemos aproximarla por una variable aleatoria Poisson con parámetro:

 = n∗p

Un posible ejemplo es éste: un fabricante produce artículos de los cuales alrededor de 1 cada
1000 son defectuosos. O sea, p=0.001. Si consideramos la distribución binomial encontramos
que en un lote de 500 artículos la probabilidad de que ninguno sea defectuoso es (0.999)500 =
0.609. Si utilizamos la aproximación de Poisson obtenemos e-0.5-=0.607 (se puede mirar en la
tabla). La probabilidad de encontrar dos o más artículos defectuosos sería, según la
aproximación de Poisson y mirando a la tabla, 1-0.91=0.09.

En el caso que tanto p como n sean muy grandes, sería necesario aproximarla mediante la
distribución normal.
Aplicación
La probabilidad de “número equivocado” a pesar de haber marcado
correctamente es 3. Si se toma una muestra de 100 llamadas, ¿cuál es
la probabilidad de tener 2 “número equivocado”?

Solución:
32  (2.71828) 3
n = 100 P(X = 2) =
2!
= 3
= 0.2240
La aproximación de Poisson a la distribución Binomial

Consideremos una distribución binomial con p=0.02 y n = 100.

Supongamos que nos interesa calcular la probabilidad de que X = 3
utilizando la formula binomial, podemos encontrar la probabilidad
exacta de la forma siguiente:

100!
P(X = 3) = (0,02) 3 (0,98) 97
3! 97!

 0,1823
Los cálculos son muy tediosos. Cuando p es pequeño y n es lo
suficientemente grande, la formula binomial puede aproximarse
mediante una distribución de Poisson con  = n∗p
Luego, utilizando una distribución de Poisson encontramos que la
probabilidad de que X=3 es:

 x e    np = 100 (0,02) = 2
P(X = 3) =
x!

(2)3  (2,71828) 2 8
  2
 0,1805
3! 6 (2,71828)

La respuesta es muy ¨próxima¨ a la encontrada con la distribución binomial.

La aproximación se considera válida cuando

p  0.05 y n  20
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?
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.
 = 6 cheques sin fondo por día
e = 2.718
( 6 )4 ( 2.718 )6 ( 1296 )( 0.00248 )
p( x  4,  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.
 = 6 ∗ 2 = 12 cheques sin fondo en promedio que llegan al banco en dos días consecutivos
Nota:  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 ( 6.191736410 )( 0.000006151 )

p( x  10,  12 )    0.104953
10! 3628800
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.

a) x = variable que nos define el número de imperfecciones en la hojalata por cada 3

minutos = 0, 1, 2, 3, ...., etc., etc.
 = 0.2 ∗ 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,  0.6 )    0.329307
1! 1

b) x = variable que nos define el número de imperfecciones en la hojalata por cada 5

minutos = 0, 1, 2, 3, ...., etc., etc.
 = 0.2 ∗ 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....  1 )  1  p( x  0,1,  1 )  1     
 0! 1! 
=1 - (0.367918 + 0.367918) = 0.26416
c) x = variable que nos define el número de imperfecciones en la hojalata por cada 15
minutos = 0, 1, 2, 3, ....., etc., etc.
 = 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,  3 )  p( x  0,  3 )  p( x  1,  3 )   
0! 1!
= 0.0498026 + 0.149408 = 0.1992106

Estadistica:
Inafuko Capitulo 4 y 5 Probabilidades
Lind Capitulo 5 y 6 Estudio de Probabilidades
Webster Capitulo 4 y 5 Principios de Probabilidades
Distribuciones Discretas de Probabilidad
 Métodos Cuantitativos
Modelo de la
DISTRIBUCION DE
HIPERGEOMETRICA
La distribución hipergeométrica
Se utiliza para describir variables discretas
a) Características
La información de la muestra se obtiene sin reposición de una
población finita, por lo tanto la probabilidad de éxito varía.
b) Formula
donde:
𝑀 𝑁−𝑀 M : número de éxitos en la población
𝑃 𝑋=𝑘 = 𝑘 𝑛−𝑘 k : número de éxitos en la muestra
𝑁 N : tamaño de la población
𝑛 N-M : número de fracasos en la población
n : tamaño de la muestra
n-k : número de fracasos en la muestra
c) Aplicación
Calcular la probabilidad de obtener 10 tubos defectuosos en una
muestra de 20 tubos de radio tomados sin reemplazo de un lote de
30 tubos, de lo cuales 15 son defectuosos.

Datos:
15 30 − 15
k = 10
n = 20 𝑃 𝑋 = 10 = 10 20 − 10
30
N= 30 20
M= 15
(3003)(3003) 9018009
= 
30045015 30045015
= 0,3001
Si erróneamente se usa la distribución binomial con n = 20 y
p =15/30 = 1/2 para calcular la probabilidad de tener 10
defectuosos, el resultado será:

P(X = x) 
20! 1  
10!(20 - 10)! 2
10
1
2
10

184756
  0,1762
1048576

Una probabilidad considerablemente menor que la probabilidad

real.
d) Forma
Puede ser simétrica o sesgada. Cada vez que p = 0.5, la
distribución hipergeométrica será simétrica sin tener en
cuenta qué tan grande o pequeño sea el valor de n; sin
embargo, cuando p  0,5 la distribución será sesgada. El
grado de sesgo variará, dependiendo de la proximidad del p
a 0,5 y del tamaño de n.
e) La media y la desviación estándar
La media:
  E(X)  np
La desviación estándar:
N n
  np(1  p) 
N 1

Donde N n Es un factor de corrección de población finita

N 1 que se produce debido al proceso de
muestreo sin reposición de poblaciones finitas.