Prbabilidad y Estadstica

Matias Carrasco
mcarrasco@fing.edu.uy

2015-3-9

Dependencia entre eventos

Realizamos un experimento aleatorio dado. Sean A y B dos eventos
cualesquiera.
Problema: Queremos saber si la ocurrencia de B influye, o no,
en la ocurrencia de A.
Hay dos situaciones extremas:
I

Cuando A y B son incompatibles.

Cuando B esta incluido en A.

Que pasa en general? Como medir la dependencia de A con B?

Realizamos n veces el experimento. Hay tres cantidades relevantes:

I

n(A) = el n
umero de ocurrencias de A.

n(B) = el n
umero de ocurrencias de B.

n(A B) = el n
umero de ocurrencias de A B.

Ejemplo
Supongamos que queremos saber si hay una relaci
on entre exonerar
Probabilidad y Estadstica y ser de Pe
narol (por decir algo!).
El curso de Probabilidad y Estadstica tiene n estudiantes.
Podemos pensar que el curso se realiza n veces, y que cada vez hay un
solo estudiante. Nos interesan los eventos:
I

A = el estudiante exonera, y

B = el estudiante es de Pe
narol.

Hacemos el experimento n veces:

A
B

x
x

x
x

x
x

x
x

x
x

x
x

x
x

x
x

n(AB)
Queremos comparar n(A)
n con n(B) . De los datos oficiales de la
facultad resulta:
n(A)
n(A B)
0.347 y
0.681
n
n(B)
La probabilidad de que exoneren, dado que son de Pe
narol, es el doble!

Probabilidad Condicional
Cuando el n
umero de veces n que realizamos el experimento se va a
infinito, obtenemos
p(A|B) := lim

n+

n(A B)
n(B)

n(AB)
n
n+ n(B)
n

= lim

p(A B)
.
p(B)

Definicion
Sea (, A, P) un espacio de probabilidad. Sean A, B A dos eventos,
con P(B) > 0. Definimos la probabilidad condicional de A dado B
como
P(A B)
P(A|B) =
.
P(B)
Representa la probabilidad que tiene A cuando se sabe que B ocurre.

Ejemplo
Un cuadro de datos de clima se indica con LL los das en los que llovio
de manera moderada o intensa y con E los das en que predominaron
los vientos del Este.
Vientos
E
No E
Total

LL
65
44
109

No LL
21
860
881

Total
86
904
990

Supongamos que las frecuencias observadas son aproximaciones de las

probabilidades.
I Se observa que la frecuencia de lluvias es 109/990 0.11
I Dentro de los d
as de viento Este, la frecuencia de lluvias es
65/86 0.76
I Si A =Llueve y B =Vientos del Este, estimar
amos entonces que
P(A) 0.11, y P(A|B) 0.76
I

Observar que P(A B) = 65/990, P(B) = 86/990 y por lo tanto

P(A B)
= 65/86 = P(A|B).
P(B)

Propiedades de la probabilidad condicional

Proposicion
Sean (, A, P) un espacio de probabilidad, y B A un evento con
P(B) > 0. La funci
on probabilidad condicional
P(|B) : A [0, 1],
que a A A asocia P(A|B) es una probabilidad en (, A, P).

Demostracion
I

P(|B) = P( B)/P(B) = P(B)/P(B) = 1.

Sean {An }nN una sucesi

on de eventos dos a dos incompatibles.
Entonces
!
S



[ 
P
nN An B
P
An B =
P(B)
nN


S
X P(An B) X
P nN (An B)
=
=
=
P(An |B).
P(B)
P(B)
nN

nN

Observaciones
I

En particular, vale que

P(Ac |B) = 1 P(A|B).

Si A y B son incompatibles, entonces P(A|B) = 0. Es decir, dos

eventos incompatibles son altamente dependientes!

Si B esta incluido en A, entonces P(A|B) = 1.

Cuidado: fijado un evento A, la funci

on
B 7 P(A|B),
no es una probabilidad!
Por ejemplo, si en el lanzamiento de un dado equilibrado A =sale
un 6, B =sale un nro. par, entonces
P(A|B c ) = 0, y 1 P(A|B) = 1 1/3 = 2/3,
o sea que P(A|B c ) 6= 1 P(A|B).

Formula de la probabilidad total

Teorema
Sean B1 , B2 , . . . , Bn eventos incompatibles dos a dos, los u
nicos posibles,
y con probabilidades positivas. Sea A un evento cualquiera. Entonces
P(A) =

n
X

P(A|Bi )P(Bi )

i=1

Demostracion
I

Notar que = B1 B2 Bn .

Luego A = A = (A B1 ) (A B2 ) (A Bn ).

Calculamos
P(A) = P

n
[

!
(A Bi )

i=1

n
X
i=1

P(A Bi ) =

n
X
i=1

P(A|Bi )P(Bi ).

Ejemplos
Ejemplo I
Tenemos 5 cajas con productos de una cierta industria.
I

Dos cajas contienen cada una 4 productos buenos y 1 defectuoso.

Otras dos cajas contienen cada una 4 productos buenos y 2

defectuosos.

La u
ltima caja contiene 6 productos buenos.

Se elige al azar una caja, de la cual, tambien al azar, se extrae un

producto. Calcular la probabilidad de que el producto extrado resulte
bueno.

Ejemplo II
En cierta poblaci
on hay un 30% de fumadores. Se sabe que la
probabilidad de enfermarse de cancer de pulm
on es igual a
I

0, 1 para los fumadores,

0, 01 para los no fumadores.

Calcular la probabilidad de que una persona elegida al azar en poblacion

este enferma de cancer de pulm
on.

Formula de Bayes
Teorema
Sean B1 , . . . , Bn eventos incompatibles dos a dos, los u
nicos posibles, y
con probabilidades positivas. Sea A un evento con probabilidad positiva.
Entonces
P(Bk )P(A|Bk )
P(Bk |A) = Pn
i=1 P(Bi )P(A|Bi )

Demostracion
I

De la definici
on de probabilidad condicional: P(Bk |A) =

Por un lado:
P(Bk A) = P(Bk )P(A|Bk ).

Y por la f
ormula de la probabilidad total:
P(A) =

n
X

P(Bi )P(A|Bi ).

i=1
I

Dividimos y obtenemos la fromula de Bayes.

P(Bk A)
P(A) .

Ejemplos
Ejemplo I
En una primera urna se tienen 9 bolas blancas y 1 negra, y en una
segunda urna, 9 bolas negras y 1 blanca. Se elige al azar una urna, y de
ella, tambien al azar se extrae una bola.
Cual es la probabilidad de que la urna elegida haya sido la segunda,
dado que la bola extrada es blanca?

Ejemplo II
Supongamos que un test de drogas produce 99% verdaderos resultados
positivos para los consumidores de drogas y 99% verdaderos resultados
negativos para los no consumidores. Supongamos que el 0, 5% de las
personas son consumidores de la droga.
Si una persona elegida al azar resulta positivo, cual es la probabilidad de
que sea un consumidor?

Eventos independientes
Sean A y B dos eventos, con P(B) > 0. Tenemos tres posibilidades:

> P(A) si B favorece la ocurrencia de A.

P(A|B) < P(A) si B desfavorece la ocurrencia de A.

= P(A) si B no influye en la ocurrencia de A.

Notar que en el u
ltimo case, tenemos
P(A|B) = P(A) P(A B) = P(A)P(B).

Definicion
Sea (, A, P) un espacio de probabilidad, y sean A, B A dos eventos.
Decimos que A y B son independientes si, y solo si, se cumple
P(A B) = P(A)P(B)

Ejemplos

Ejemplo I
Se lanza un dado dos veces consecutivas. Consideremos
I

A =sacar 6 en el primer lanzamiento.

B =sacar impar en el segundo lanzamiento.

Son A y B independientes?

Ejemplo II
El experimento consiste en elegir una carta al azar en una baraja de 52
cartas. Consideremos
I

A =la carta es una figura.

B =la carta es negra.

Son A y B independientes?

Mas independencia!
Ejemplo III (Ejemplo de Bernstein)
El experimento consiste en lanzar un tetraedro cuyas caras estan pintadas
de la siguiente forma:
I

Una cara es roja,

otra cara es azul,

otra es verde,

y la cuarta cara tiene los tres colores pintados.

Consideremos los eventos:

I

A =la presencia del rojo en la cara sobre la que se apoya el

tetraedro al caer,

B =la presencia del azul

C =la presencia del verde.

Mostrar que:
I

A y B son independientes. Tambien A y C ; y B y C lo son. Es

decir, los eventos A, B, y C son dos a dos independientes.

Calcular P(A B C ) y P(A) P(B) P(C ).

Todava independencia...
Definicion
Sea (, A, P) un espacio de probabilidad. Sean A1 , A2 , . . . , An eventos de
A. Decimos que A1 , . . . , An son mutuamente independientes si

k
\

!
Aim

m=1

k
Y

P(Aim )

m=1

para cualquier elecci

on de naturales i1 , i2 , . . . , ik que cumplan la condicion
1 i1 < i2 < < ik n.
Por ejemplo, si k = 3 estamos pidiendo:
I

P(A1 A2 ) = P(A1 )P(A2 ),

P(A1 A3 ) = P(A1 )P(A3 ),

P(A2 A3 ) = P(A2 )P(A3 ),

y tambien
P(A1 A2 A3 ) = P(A1 )P(A2 )P(A3 ).

Regla del producto

Consideremos eventos A1 , . . . , An , que no tienen porque ser mutuamente
independientes. Aplicando la definici
on de probabilidad condicional
obtenemos:
P(An A1 ) = P(An |An1 A1 ) P(An1 A1 ).
Repitiendo resulta:

n
\
k=1

!
Ak

n
Y
k=1

 k1
 \

P Ak 
Aj

j=1

Esto se llama la regla del producto.

Por ejemplo, si k = 4 esta regla se escribe:
P(A4 A3 A2 A1 ) = P(A4 | A3 A2 A1 )P(A3 | A2 A1 )P(A2 | A1 )P(A1 ).

Hipergeometrica y Binomial
Experimento: tenemos una caja con N bolas, numeradas de 1 a N:
S = {s1 , s2 , . . . , sN },
de las cuales K son blancas y N K son negras.
Extraemos n bolas para formar una muestra ordenada.
Cual es el espacio muestral ?
I

Sin reposici
on:
SR = { = (1 , . . . , n ) : i S para todo i, y i 6= j si i 6= j}.

Con reposici
on
CR = { = (1 , . . . , n ) : i S para todo i}.

Caso sin reposicion: la distribucion hipergeometrica

I

El espacio muestral es
SR = { = (1 , . . . , n ) : i S para todo i, y i 6= j si i 6= j}.

I
I

Notar que en este caso se debe imponer 0 n N.

El n
umero total de muestras posibles es
#SR = (N)n = AN
n =

N!
.
(N n)!

Consideremos la funci
on X : SR R que a cada realizacion (i.e. a
cada muestra) SR asocia el n
umero de bolas blancas en la
muestra:
X (1 , . . . , n ) = #{i : i es blanca}.

Que valores puede tomar X ? Toma valores enteros y verifica

mn = max{n (N K ), 0} X () Mn = min{K , n}.

Para cada k, con mn k Mn , queremos calcular la probabilidad

del evento {X = k}: P(X = k) =?

Calculando P(X = k)
El evento que nos interesa es
{X = k} = {(1 , . . . , n ) : k de los i son blancas y n k son negras}.
Por un lado:
P(X = k) =

#{X = k}
casos favorables
=
.
casos posibles
#SR

Y la cantidad de casos favorables #{X = k} es igual a:

elegimos los lugares de las k blancas

z}|{
n
k

elegimos las n k negras

(K )k
| {z }

z
}|
{
(N K )nk

elegimos las k blancas

Juntando todo nos queda

P(X = k) =

n
k

(K )k (N K )nk
.
(N)n

Re-agrupando terminos
A partir de la definici
on de combinaciones y arreglos:
n
k

(K )k (N K )nk
(N)n
K!
(N K )!
(N n)!
n!

=
k!(n k)! (K k)! (N K (n k))!
N!
K!
(N K )!
n!(N n)!
=

k!(K k)! (n k)!(N K (n k))!

N!




K NK

P(X = k) =

nk


N
n

Es decir:

elegimos las k blancas elegimos las n k negras

P(X = k) =

z}|{
K
k

 
N
n
| {z }

z }| {

N K
nk

total de muestras

El orden no importa
Como la variable X no depende del orden, podramos haber modelizado
el experimento con
n
o
SR = {1 , . . . , n } subconjuntos de tama
no n
y obtener directamente: para cada k, con mn k Mn , tenemos
P(X = k) =

K
k

NK
nk


N
n

La distribuci
on obtenida en el caso sin reposici
on se llama
Hipergeometrica de parametros N, K y n.
En general, esto se escribe as:
X H(N, K , n)

Cuando se usa la distribucion hipergeometrica?

I

Ejercicio: Cual es la probabilidad de que la i-esima bola sea

blanca?

Control de calidad: De un lote industrial de N artculos, elegimos

al azar una muestra de tama
no n, a los que estudiaremos para saber
si portan un cierto defecto.

Un referendum: En una poblaci

on de N individuos, elegimos al
azar una muestra de tama
no n, a los que les preguntaremos si
votaran a favor o en contra en un determinado referendum.

En este caso: K = cantidad de defectuosos en el lote

En este caso: K = es la cantidad de personas a favor

I

Peces en un lago: supongamos que en un lago hay una especie de

pez, N individuos en total, algunos de los cuales son dorados,
digamos K de ellos, y el resto son plateados.
Tiene sentido plantear una muestra sin reposicion?

Caso con reposicion: la distribucion binomial

I

El espacio muestral es
CR = { = (1 , . . . , n ) : i S para todo i}.

Notar que en este caso se puede tener n > N.

El n
umero total de muestras posibles es
#CR = ARnN = N n .

Consideremos la funci
on X : CR R que a cada realizacion (i.e. a
cada muestra) CR asocia el n
umero de bolas blancas en la
muestra:
X (1 , . . . , n ) = #{i : i es blanca}.

Que valores puede tomar X ? Toma valores enteros y verifica

0 X () n.

Para cada k, con 0 k n, queremos calcular la probabilidad del

evento {X = k}: P(X = k) =?

Calculando P(X = k)
El evento que nos interesa es
{X = k} = {(1 , . . . , n ) : k de los i son blancas y n k son negras}.
Por un lado:
P(X = k) =

#{X = k}
casos favorables
=
.
casos posibles
#CR

Y la cantidad de casos favorables #{X = k} es igual a:

elegimos los lugares de las k blancas

z}|{
n
k

elegimos las n k negras

K
|{z}

z
}|
{
(N K )nk

elegimos las k blancas

Juntando todo nos queda

  k
n K (N K )nk
P(X = k) =
.
k
Nn

Re-agrupando terminos
Haciendo cuentitas:
  k
n K (N K )nk
P(X = k) =
k
Nn
  k
n K (N K )nk
=
k
N k N nk
nk
   k 
K
n
K
1
=
N
N
k
Es decir, poniendo p =

K
N

obtenemos:

 
n k
nk
P(X = k) =
p (1 p)
k

Interpretacion de la binomial
I

El valor de p = K
N [0, 1] es la probabilidad de sacar una bola
blanca en un intento.
Si llamamos un exito a obtener una bola blanca, la variable X
cuenta el n
umero de exitos en la realizaci
on de n intentos,
mutuamente independientes.
Si escribimos 1 cuando sale una bola blanca y 0 cuando no,
podemos pensar el espacio muestral como
= {(1 , . . . , n ) : para todo i, i = 0 o 1}

y la variable X cuenta el n
umero de unos en dicha secuencia, y vale
que
 
n k
nk
P(X = k) =
p (1 p)
, 0 k n.
k
La distribuci
on obtenida en el caso con reposici
on se llama
Binomial de parametros n y p.
En general, esto se escribe as:
X Bin(n, p)

Aproximacion de la Hipergeometrica por la Binomial

Supongamos que hacemos un muestreo sin repocisi
on, pero que el lote es
extremadamente grande.
Mas precisamente, supondremos que
I

N ,

n es fijo,

y que p =

K
N

[0, 1] es fijo tambien. O sea:

K = pN, con p fijo.

Observar que bajo estas condiciones, para N suficientemente grande

mn = 0 y Mn = n.
Calculamos entonces:
P(X = k) =

K
k

NK
nk


N
n

Aproximacion de la Hipergeometrica por la Binomial

Re-agrupando terminos:
=

K!
(N K )!
(N n)!
n!

k!(n k)! (K k)! (N K (n k))!

N!

n K (K 1)(K k+1)(NK )(NK 1)(NK (nk)+1)
k
N(N1)(Nn+1)

Llamemos:
I

A = K (K 1) (K k + 1),

B = (N K )(N K 1) (N K (n k) + 1), y

C = N(N 1) (N n + 1).

Tenemos que, cuando N :

A K k , B (N K )nk , C N n .
Luego, cuando N :
 
  k
n k
n K (N K )nk
=
p (1 p)nk .
P(X = k)
Nn
k
k

Aproximacion de la Hipergeometrica por la Binomial

Teorema
Sea XN H(N, pN, n), donde n y p [0, 1] estan fijos. Entonces, para
todo k, con 0 k n, tenemos
lim P(XN = k) =

 
n k
p (1 p)nk
k

Es decir, XN Bin(n, p) cuando N .

Observaciones
I

La hipergeometrica tiende a la binomial si el tama

no del lote, N,
tiende a infinito y la proporci
on de defectuosos K /N y el tama
no
muestral n se mantienen constantes.

Muchas veces se utiliza esta aproximaci

on cuando el tama
no del lote
N es muy grande, de forma tal que el tama
no de la muestra n es
muy peque
no en comparaci
on a N.

Resumiendo

La distribuci
on Binomial corresponde a contar el n
umero de exitos
en n intentos independientes de un suceso de probabilidad p.

La distribuci
on Hipergeom
etrica corresponde a contar tambien
exitos, pero los intentos ya no son independientes, puesto que al
no haber reposici
on, cada extracci
on condiciona a las siguientes.

Problemita para llevarse a casa

Calcular la probabilidad de que al elegir dos puntos al azar en un

segmento, con los tres segmentos resultantes se pueda formar un
triangulo.

La distribucion Binomial negativa

Experimento: tenemos una caja con N bolas, numeradas de 1 a N:

S = {s1 , s2 , . . . , sN },
de las cuales K son blancas y N K son negras.
Extraemos bolas, con reposici
on, para formar una muestra ordenada
hasta obtener m blancas.
Cual es el espacio muestral ?
m = { = (1 , . . . , n ) : i S para todo i,
con n blanca y en total m de las n son blancas}

Contando el numero de intentos hasta obtener m blancas

I

El espacio muestral es
m = { = (1 , . . . , n ) : i S para todo i,
con n blanca y en total m de las n son blancas}

Notar que se siempre m n.

El n
umero elementos de m es
#m =

Consideremos la funci
on X : m N que a cada realizacion
m asocia el n
umero de intentos n hasta obtener m blancas:
X (1 , . . . , n ) = n.

Que valores puede tomar X ? Puede tomar todos valores enteros

mayores o iguales que m.

Para cada n m, queremos calcular la probabilidad del evento

{X = n}: P(X = n) =?

El caso mas simple: m = 1

X
1
2
3
4
5
..
.

1 es blanca
1 es negra, 2 es blanca
1 es negra, 2 es negra, 3 es blanca
1 es n, 2 es n, 3 es n, 4 es b
1 es n, 2 es n, 3 es n, 4 es n, 5 es b
..
.

1 es n, 2 es n, . . ., n1 es n, n es b

Es decir que, si ponemos p =


P(X = n) =

Probabilidad
K
N
NK K
N
N
NK 2 K
N
N
NK 3 K
N
N
NK 4 K
N
N

..
.


NK n1
N

K
N,

N K
N

n1

K
= (1 p)n1 p
N

K
N

El caso general: cualquier m

X
m
m+1

m+2

..
.
m+k

1 es b, 2 es b, . . ., m es b
1 es n, 2 es b, . . ., m+1 es b
1 es b, 2 es n, . . ., m+1 es b
..
.
1 es b, 2 es b, . . ., m es n, m+1 es b
1 es n, 2 es n, 3 es b, . . ., m+2 es b
1 es n, 2 es b, 3 es n, . . ., m+2 es b
..
.
..
.
1 es n, . . ., k es n, k+1 es b, . . ., k+m es b
..
.

Probabilidad


K m
N


NK
K m
N N
m
NK
K
N N
..
.

K m
NK
N
N

NK 2
K m
N
N

2
m
NK
K
N
N
..
.
..
.



m
NK k
K
N
N
..
.

Formula en el caso general

Poniendo n = m + k, obtenemos
elegimos los lugares de las m 1 blancas

z }| {
n1
m1

P(X = n) =
y poniendo p =

K
N

N K
N

nm 

K
N

m

nos queda


para todo n m : P(X = n) =


n1
(1 p)nm p m
m1

Cuando m = 1 se dice que X tiene distribuci

on geom
etrica de
parametro p:
X Geom(p)

En general, si m 2, se dice que X tiene distribucion Binomial

Negativa de parametros m y p:
X NBin(m, p)

Grafica de la distribucion Binomial Negativa

Grafica de la distribucion Binomial Negativa

Cuando se usa la Binomial Negativa?

La Kermesse: tengo 6 intentos para darle a 3 latitas puestas en fila. El
premio es un gran osito de peluche! Pero con mi puntera, tengo
probabilidad p de pegarle a una latita en un intento.
Cual es la probabilidad de ganar?
Si ponemos X el n
umero de intentos hasta darle a las 3 latitas, queremos

6
6 
X
X
n1
(1 p)n3 p 3 .
P(X 6) =
P(X = n) =
2
n=3
n=3

Cuando se usa la Binomial Negativa?

Excavaciones: en una prospecci
on minera, se desea determinar cuantas
excavaciones (cuya ubicaci
on se elige al azar dentro del area de estudio)
deben realizarse para conseguir m muestras de un determinado mineral,
sabiendo que:
I

Una proporci
on p de las excavaciones realizadas son exitosas y
obtienen muestras del mineral,

El hecho de tener exito o no en cada excavaci

on es completamente
aleatorio.

Suponiendo que cada excavaci

on cuesta 1000 d
olares, se desea
determinar la suma que debemos cobrar por el trabajo para que, con alta
probabilidad (95%, por ejemplo) la suma cobrada sea suficiente y no
debamos pagar excavaciones de nuestro propio bolsillo.
El costo es 1000 X d
olares, con X NBin(m, p).

Estimando el presupuesto
Si calculamos el menor k que cumpla
P(X k) 0.95
entonces con mas de 95% de chances, el costo de las excavaciones sera
1000k.

Resulta k = 28 y por lo tanto nuestro presupuesto es de: 28.000 dolares.

Resumiendo

La Binomial Negativa funciona al reves que la Binomial:

I

En la Binomial se cuentan cuantos exitos se obtienen en una

muestra de tama
no dado.

Y aqu, se cuenta cuanto tiene que ser la muestra para lograr una
cantidad dada de exitos, en ensayos independientes de un
determinado experimento.

Problemita para llevarse a casa: En promedio, cuantas veces tengo

que tirar un dado hasta que salga 6?

La distribucion de Poisson
Modelizando un cielo estrellado
Supongamos que elegimos al azar una regi
on del cielo, por ejemplo un
cuadrado de lado 1.
Queremos hacer un modelo en el que podamos calcular la probabilidad de
que en dicha regi
on haya un cierto n
umero de estrellas.
Fijamos n bien grande, y dividimos el cuadrado en N = n2 cudraditos
mas chicos, todos del mismo tama
no.

Lo dividimos en n
segmentos iguales

Poniendo estrellas al azar

Fijamos un parametro real (0, +). Lo vamos a interpretar mas
adelante.
Para cada cuadradito, lanzamos una moneda cargada que tiene
probabilidad
(
de salir cara
pN = N

qN = 1 N
de salir n
umero
Recordar que N = n2 es bien grande, por lo que p [0, 1]. Si sale cara
ponemos una estrella en el cuadradito.
Suponemos que los lanzamientos de la moneda son independientes.
Sea XN el n
umero de cuadraditos que tienen una estrella. Entonces
XN Bin(N, pN )
Es decir, que para 0 k N, tenemos
 
N
P(XN = k) =
(1 p)Nk p k
k

Haciendo N
Qu
e pasa cuando N ?
Fijamos k y hacemos cuentas:
Nk  k
 
 

N
N

Nk k
P(XN = k) =
(1 p)
p =
1
N
N
k
k

Nk  k

N!
1
=
k!(N k)!
N
N
"
#
N
 k
k

1
1
=
N(N 1) (N k + 1) 1


k
k!
N
N
1
N

Observar que cuando N :

I
I
I

N(N 1) (N k + 1) N k ,

N
1 N
e ,

k
1 N 1.

Haciendo N
Luego
P(XN = k)

k k
N
k!


1

N

1
Nk

de donde
lim P(XN = k) =

N+

k e
k!

Resulta que esta distribuci

on es bien conocida: se llama distribucion de
Poisson de parametro .
Si X es el n
umero de estrellas en el cuadrado, tenemos
para todo k N, P(X = k) =
Escribimos X Poiss().

k e
k!

Interpretacion de

El parametro que introdujimos al principio para construir la distribucion

de Poisson se llama la intensidad.
Si observamos lo que pasa con los cuadraditos en la etapa n, vemos que
si C es uno de ellos, entonces
P (en C hay una estrella) =

= Area(C ).
n2

Luego
=

lim
Area(C )0

P (en C hay una estrella)

Area(C )

Grafica de la distribucion de Poisson

Otro ejemplo de aplicacion de la Poisson

Modelizando accidentes de tr
afico
Queremos calcular la probabilidad de que hayan k accidentes en T dias.
0

Dividimos en n segemntos iguales

Sea > 0. Dividimos en n (bien grande) segmentos iguales el intervalo

[0, T ].
Para cada segmento, lanzamos una moneda cargada que tiene
probabilidad
(
pn = T
de salir cara
n
T
qn = 1 n
de salir n
umero
Suponemos que los lanzamientos de la moneda son independientes.
Si sale cara marcamos un accidente en el segmento.

Accidentes de trafico
Sea Xn el n
umero de segmentos que tienen un accidente. Entonces
Xn Bin(n, pn )
La misma cuenta que antes nos permite mostrar que para todo k N:
lim P(Xn = k) =

n+

(T )k e T
k!

Si X es el n
umero de accidentes en T das, tenemos
X Poiss(T ) ,
es una Poisson de intensidad = T .

Ejemplo

Si un conductor tiene probabilidad de 1/10.000 de cometer un error al

volante en una maniobra de riesgo, pero realiza 5 maniobras de alto
riesgo diariamente,
cual es la probabilidad de que tenga al menos un accidente en
un lapso de 20 a
nos?
Tenemos T = 365 20 = 7300 das y = 5/10.000 = 0.0005.
As, = T = 3.65, y
P(X 1) = 1 P(X = 0) = 1 e 3.65 = 0.974

Aproximacion de la Binomial por Poisson

Las cuentas del ejemplo de las estrellas permiten probar el siguiente:

Teorema
Para cada n N, sea Xn Bin(n, pn ). Suponemos que
pn =

,
n

para un cierto parametro > 0. Entonces, para todo k N, tenemos que

lim P(Xn = k) =

k
e .
k!

Observacion
Este teorema suele usarse para aproximar una Binomial mediante una
Poisson cuando n grande y p es chico. En general, cuando
p < 0.1 y np 1,
la distribucin Bin(n, p) puede aproximarse por una distribucin de Poisson
de parmetro = np.