09.VAD y Distribuciones

UNIDAD II: PROBABILIDAD
DISTRIBUCIONES DE PROBABILIDAD
DE VARIABLES ALEATORIAS DISCRETAS
TEMA
7.1.Introduccin
7.2.Distribucin uniforme
7.3.Distribucin bernoulli
7.4.Distribucin binomial
7.4.1. Generalidades.
7.4.2. Propiedades caractersticas de la distribucin binomial
7.4.3. Funciones de probabilidad de la vab
7.4.4. Aplicaciones de la distribucin binomial
7.5.Distribucin de poisson
7.5.1. Generalidades
7.5.2. Propiedades caractersticas de la distribucin binomial
7.5.3. Funciones de probabilidad de la vap
7.5.4. Aplicaciones de la distribucin poisson
7.5.5. La distribucin de poisson como una aproximacin a la binomial
7.1. INTRODUCCIN
Se ha visto que las variables aleatorias se relacionan con los experimentos aleatorios, y que en
todos los casos se trata de variables numricas. En este captulo se desarrollarn modelos
probabilsticos o modelos estocsticos, que describen el comportamiento de variables aleatorias
discretas y en el prximo se introducirn modelos para el caso continuo. En ambos casos se trata de un
tipo de modelo formal que puede expresarse mediante una frmula, y que es muy utilizado en el mbito
de las ciencias aplicadas para explicar el comportamiento de los fenmenos aleatorios.
Un modelo probabilstico para el caso discreto, expresa la relacin entre los valores de una
variable aleatoria discreta y la probabilidad asociada a posibles valores de la misma. en cuyo caso tal
regla de correspondencia se denomina funcin de probabilidad. La informacin correspondiente se
suele organizar como una distribucin de probabilidad, la cual se refiere a la distribucin de las
probabilidades asociadas a cada uno de los valores de la variable aleatoria. Las distribuciones
probabilsticas se pueden representar a travs de una tabla o de una representacin grfica.
Entre los modelos de distribuciones de probabilidad de variables discretas se tiene a los siguientes:
Modelo uniforme (discreto). Modela la distribucin de probabilidades de una variable donde

todos sus posibles valores tienen la misma probabilidad de ocurrencia.
Modelo Bernoulli 1. Modela la distribucin de probabilidades para variables dicotmicas con

recorrido RX = {0,1}.
Modelo binomial. Modela la distribucin de probabilidades de una variable que se refiere a la

cantidad de xitos que se pueden lograr al realizar una cierta cantidad de experimentos simples
con probabilidad de xito constante y con repeticiones independientes.
Modelo multinomial. Este modelo puede considerarse una generalizacin de la distribucin

binomial, o sea aplicable al clculo de la probabilidad de obtener n1, n2, ..., nk ocurrencias en k
categoras (mutuamente excluyentes) de una muestra de tamao nc=n1+n2+...+ nk.
Modelo geomtrico. Modela la distribucin de probabilidades de una variable que se refiere a

realizar cierto nmero de experimentos antes de obtener un xito.
Modelo Poisson 2. Modela la distribucin de la probabilidad de que ocurra un evento raro en un

periodo de tiempo o cierto espacio.
En este curso se utilizarn los modelos uniforme y de Bernoulli para introducir algunos conceptos
bsicos, pero el inters se centrar en los modelos binomial y de Poisson.
Jakob Bernoulli o Jacob Bernoulli (1654 - 1705), fue un matemtico y cientfico suizo cuya obra maestra fue Ars
Conjectandi (el Arte de la conjetura), un trabajo pionero en la teora de la probabilidad. Los trminos ensayo de Bernoulli y
nmeros de Bernoulli son resultado de su trabajo, publicado siete aos despus de su muerte.
Modelo descubierto por Simon-Denis Poisson (1781- 1840), un fsico y matemtico francs que se interes en el clculo de
las integrales y en la distribucin de las cargas elctricas sobre la superficie de los conductores. En 1837 public Recherches
sur la probabilit des jugements en matires criminelles et matire civile (Investigacin sobre la probabilidad de los juicios en
materias criminales y civiles), donde describi la probabilidad de acontecimientos fortuito ocurridos en un tiempo o intervalo de
espacio, cuando la probabilidad de ocurrencia es muy pequea, pero el nmero de intentos es muy grande.
121
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCUYO / Ciclo 2014
7.2. DISTRIBUCIN UNIFORME

Se conoce que en el experimento de arrojar al aire un dado legal, todos los puntajes del 1 al 6,
tienen la misma probabilidad de aparecer, y que esta es igual a 1/6.
Definicin 7.1. Distribucin uniforme discreta
Sea una variable aleatoria X, en la que cada uno de sus valores x1,x2,., tiene igual probabilidad de
ocurrencia. Luego, se dice que X es una variable aleatoria que se distribuye uniformemente sobre n
puntos cuya funcin de probabilidad es
1

= , , , #
= = = ;
=
0 !"
Se puede decir entonces que la distribucin uniforme se caracteriza porque todos los valores de
un sistema finito de valores posibles son igualmente probables.
Propiedades
Parmetros del modelo
Esperanza matemtica
o media
k
$%&' = ( =
-%&' = ., =
Varianza
)++
,
), +
+,
. = 0-%&'
Desviacin estndar
Ejemplo 7.1: la variable aleatoria X asociada al experimento de tirar un dado sigue una distribucin
uniforme discreta, cuya media es 3,5 y varianza 5,8.
p(x)
1/6
Grfico 7.1. Distribucin de probabilidades de X u (x;k= 6)

La expresin &~23; ) = 4 se lee: variable aleatoria X cuyos valores x siguen una distribucin
de probabilidades uniforme discreta con parmetro k=6.
7.3. DISTRIBUCIN BERNOULLI

Se conoce que los resultados en el experimento de arrojar al aire una moneda legal,
corresponden a los de una variable dicotmica: ocurre cara (C) u ocurre sello (S). Adems siendo legal,
la probabilidad de ocurrencia del evento que generalmente se considera xito es igual a , un valor que
se mantendr constante cada vez que se haga este tipo de experimento.
En la teora de probabilidad se considera como ensayo de Bernoulli a un experimento aleatorio
que se realiza una sola vez, donde se trata de observar si cierto suceso ocurre o no ocurre. Significa que
el espacio muestral slo tiene dos resultados, que suelen denominarse como evento xito y evento
fracaso, esto es S = {E, F}. Desde el punto de vista de la teora de la probabilidad, tales ensayos estn
modelados por una variable aleatoria dicotmica que puede tomar slo dos valores, 0 y 1, que suelen
aplicarse respectivamente para etiquetar los eventos fracaso y xito, o sea que x=0 si el suceso no
ocurre (se observ el evento fracaso) y x=1 en el caso que ocurra (se observ el evento xito).
Definicin 7.2 Distribucin Bernoulli
Sea una variable aleatoria X, asociada a la presencia de obtener un xito cuando se realiza un nico
experimento con dos posibles resultados (xito o fracaso). Luego, se dice que X es una variable
aleatoria que se distribuye uniformemente sobre n puntos cuya funcin de probabilidad es
6 = 1
= = = 5; 6 = 1 6 = 0 #
0 !"
122
Propiedades
$%&' = ( = 7
Esperanza matemtica
o media
-%&' = ., = 7+ 7
Varianza
. = 0-%&'
Desviacin estndar
Ejemplo 7.2. la variable aleatoria X asociada al experimento de tirar una moneda una vez sigue una
distribucin Bernoulli, si cara es el evento xito y sello el evento fracaso, la probabilidad de xito es
6 = 0,5 y la probabilidad de fracaso es 1 6 = 0,5. La media es 0,5 y la varianza 0,25.
p(x)
0,5
Grfico 7.2. Distribucin de probabilidades de X
b (x; 0,5)
La expresin &~93; :, ; se lee: variable aleatoria X cuyos valores por siguen una distribucin
de probabilidades Bernoulli con parmetro = 0,5.
En forma anloga, el experimento de lanzar un dado legal y considerar como evento xito la
salida del 6, se asocia con una variable dicotmica, esto es S = {6, no 6}. La variable aleatoria X se
referir a la ocurrencia del 6, que se etiquetar con 1 (xito) en tanto que 0 representar que salga
cualquier puntaje que no sea 6 (fracaso). La probabilidad clsica indica que = 1 / 6, de este modo
P(6) = P(X = 1) = p (1) = 1 / 6 0,17
P(no 6) = P(X = 0) = p (0) = 1- p (0) 0,83
7.4. DISTRIBUCIN BINOMIAL

7.4.1. GENERALIDADES.
Se considerar una encuesta de mercado, realizada para predecir las preferencias sobre
determinados productos alimenticios, la entrevista de un solo consumidor se parece, en muchos
aspectos, al lanzamiento de una sola moneda, porque el consumidor puede indicar que un producto le
parece bueno o bien caratularlo con una opinin diferente (regular, malo o desconocido). Otra situacin
parecida se dara en el caso de un socilogo rural que se interesa por la fraccin de casas rurales que
tienen electricidad donde cada casa podra resultar que est electrificada o no; o de un docente que se
interesa por la fraccin del nmero de alumnos que aprueba el curso cuando existe la posibilidad de que
un alumno apruebe o bien no apruebe.
En cada uno de los ejemplos dados, hay dos resultados posibles: el resultado de inters, que se
llamar xito y el resultado adverso que se considerar un fracaso. Si el estudio se hubiera realizado
consultando a un solo consumidor, o a una solo familia rural o a un solo alumno, el modelo probabilstico
que se utilizara para describir la correspondiente variable aleatoria habra sido el de Bernoulli. Pero, en
estos tres casos, siempre se recurrir al estudio de una muestra de tamao n, de modo que se estar
aplicando un ensayo de tipo Bernoulli n veces. Se trata entonces de un proceso repetitivo de ensayos
Bernoulli, que se llama proceso de Bernoulli.
Definicin 7.3.
Un proceso de Bernoulli tiene las siguientes propiedades:
1. Cada ensayo produce un resultado que se puede clasificar como xito (E) fracaso (F).
2. La probabilidad de un xito, que se denota con , permanece constante de un ensayo a otro
(ensayos independientes).
3. A priori se fija el nmero de repeticiones del ensayo (c).
Si en el ejemplo mencionado anteriormente sobre una encuesta de mercado, se entrevista a diez
(c=10) consumidores, y dado que: a) cada consumidor podr estar a favor (xito) no (fracaso) de un
producto en particular, b) debido a que se trabaja con una muestra seleccionada al azar, cada ensayo es
123

independiente de otro y, c) , la probabilidad de xito permanece constante en cada ensayo ( = 0,5).
Puede decirse entonces que se est frente a un proceso Bernoulli en el que se repite 10 veces un
ensayo Bernoulli (c=10). El objetivo es llegar a modelar el comportamiento de X, es decir, la VAD
(variable aleatoria discreta) que representa el nmero de consumidores que estn a favor del producto
(Rx = {0,1, 2, 3, 4, 5, 6, 7, 8, 9, 10}).
Cuando se cumple todas las caractersticas definidas para un proceso Bernoulli, se dice que se
trata de un tipo de experimento denominado experimento Binomial.
Definicin 7.4.
Un experimento binomial es un experimento que posee las siguientes propiedades:
1.
El experimento consta de una cantidad fija de c ensayos o pruebas idnticas.
2.
Cada prueba puede tener uno de dos resultados. Es decir los resultados son dicotmicos
Debido a la falta de una mejor nomenclatura, llamaremos convencionalmente a un resultado
xito (E) y al otro fracaso (F).
3. La probabilidad del evento xito en una sola prueba es igual a , y permanece constante de
una prueba a otra. La probabilidad del evento fracaso es (1-).
4. Las pruebas son independientes.
5. Interesa conocer x, que es el nmero de xitos observados en c pruebas.
Ejemplo 7.3: De un proceso de produccin que supondremos arroja un 25% de artculos defectuosos,
se seleccionan tres artculos al azar que se inspeccionan y se clasifican como defectuosos no
defectuosos. En el contexto de la inspeccin de calidad de los procesos productivos se suele designar
como xito al resultado: artculo defectuoso. El nmero de xitos es una variable aleatoria X que toma
valores enteros de 0 a 3. Es ste un experimento binomial?
1. El experimento consiste en c=3 ensayos o pruebas de Bernoulli que se repiten.
2. Cada ensayo es independiente de los otros (que un artculo sea defectuoso o no defectuoso
no influye en el resultado que arroja otro artculo).
3. Cada ensayo arroja un resultado que se puede clasificar como xito o fracaso. (cada artculo
podr ser defectuoso o no defectuoso).
4. La probabilidad de xito permanecer constante en cada prueba. (siempre que se seleccione
un artculo, ste tendr una probabilidad de 0,25 de ser defectuoso).
5. La variable aleatoria X representa el nmero de
experimento. (Rx = {0, 1, 2, 3}).
artculos defectuosos en todo el
Por lo tanto, despus del anlisis de los tems anteriores, se concluye que se trata de un
experimento binomial. Los ocho resultados posibles del experimento anterior (2x2x2) y los valores de la
variable aleatoria X se reflejan en la siguiente tabla:
Resultado
Ningn defectuoso
Uno defectuoso
Dos defectuosos
Tres defectuosos
DDD
DNN
NDN
NND
DDN
DND
NDD
DDD
xi
0
1
1
1
2
2
2
3
7.4.2. PROPIEDADES CARACTERSTICAS DE LA DISTRIBUCIN BINOMIAL

El nmero de xitos en c experimentos de Bernoulli es una variable discreta que se asocia con
una variable aleatoria binomial. La distribucin de probabilidad de una variable binomial se llama
distribucin binomial, y los correspondientes valores de la funcin de probabilidad se denotan como
5; , 6, lo que indica que c (nmero fijo de ensayos Bernoulli) y 6 (probabilidad del evento xito) son
los parmetros de tal distribucin. Se justificar ahora la expresin presentada.
Para desarrollar la frmula de la probabilidad de x xitos en c pruebas, para un experimento
binomial:
1) se considerar un orden especfico de x xitos y (c-x) fracasos; la probabilidad de este
resultado en particular, debido a que las pruebas (c=3) son independientes se obtiene al multiplicar
las correspondientes probabilidades de los diferentes resultados para cada prueba experimental.
Por otra parte se conoce que cada xito ocurre con una probabilidad y cada fracaso con
probabilidad + 7. Por tanto, la probabilidad para el orden especfico es 73 + 7<=3 .
Ilustracin: en el ejemplo de control de calidad productiva (c=3), se considerar el resultado (NDN),

124

esto es resulta N en la primera prueba; en la segunda D y en la tercera N. Como se conoce que
histricamente el proceso produce alrededor de un 25% de artculos defectuosos, se puede
suponer que la probabilidad de xito es = 1/4, de modo que 1- = 3/4. Luego:
3 1 3 9
P ( N D N ) = P ( N ).P (D ).P ( N ) = =
4 4 4 64
Pero el resultado una sola de las tres unidades es defectuosa se corresponde con tres puntos del
espacio muestral.
2) Se debe determinar ahora el nmero total de puntos muestrales en el experimento que tiene x
xitos y (c-x) fracasos. Este nmero es igual al nmero combinatorio >3< ? dado por la regla de
conteo para el caso sin reposicin y sin orden, que en este contexto recibe el nombre de
coeficiente binomial.
Ilustracin: de esta manera las probabilidades asociadas a los valores posibles de la variable
aleatoria Por, de inters resultan ser
P(X=x)=p(x)
xi
27
64
9
64
9
64
1
64
donde se observa que la probabilidad de dos artculos defectuosos calculada aplicando la funcin
de probabilidad es igual a
1
9
= 2 = 2 = 5 A = 2; = 3, 6 = D =
4
64
7.4.3. FUNCIONES DE PROBABILIDAD DE LA VAB

Definicin 7.5.
Sea X una variable aleatoria discreta que representa el nmero de xito en c ensayos y la
probabilidad de xito con cualquiera de stos.
1) Se dice que X tiene una distribucin binomial con funcin de probabilidad:

5; , 6 = GHI 6 H 1 6I=H = J K 6 H 1 6I=H = 0,1,2, , 0 6 1

= = = 5; , 6 =

donde
I!
6 H 1
I=H!H!
M
6I=H ; 0 6 1 #
0 !" O !
p(x): da la probabilidad de la ocurrencia de exactamente x veces el evento xito.

c: nmero fijo de pruebas
: probabilidad de xito en una sola prueba
(1 ) : probabilidad de fracaso de una sola prueba

C xc es el coeficiente binomial dado por
c!
(c x)! x!
2) La probabilidad de que una variable aleatoria X sea menor o igual a un valor especfico de x,
se determina por la funcin de la distribucin acumulada

= P = P; , 6 = Q A D 6 1 6 ; = 1,2, + 1
R
donde
HS TH
F(x): da la probabilidad de la ocurrencia de x veces o menos del evento xito.

Propiedades
Esperanza matemtica
o media
Varianza
Desviacin estndar
<, 7
$%&' = ( = <7
-%&' = ., = <7+ 7
. = 0-%&'
125
7.4.4. APLICACIONES DE LA DISTRIBUCIN BINOMIAL

Nota: Al graficar la funcin de probabilidad de una variable aleatoria discreta (grfico de lneas),
lneas)
se debe tener en cuenta que en el eje de abscisas se representan los valores de la VAD X, y en el
eje de ordenadas se representan las probabilidades puntuales o probabilidades masa p (x
( ),
correspondientes a dichos valores de la variable
p(xI)
Grfico 7.3. Funcin de probabilidad de una VAB
Otros ejemplos de distribuciones de VAB
(a)
(b)
(c)
Grfico 7.4.. Distribuciones de probabilidad binomial para (a) c=10,
c=20, =0,50
=0,10; (b) c=10, =0,50; y (c)
Notar: que la distribucin binomial resulta simtrica cuando =1/2; mientras que si 1- resulta
asimtrica positiva.
Grfico 7.5.
7. . Funcin de distribucin acumulada de una VAB
Nota: Al graficar la distribucin de probabilidad acumulada simbolizada como F(x), que se

corresponde
sponde con un grfico escalonado, para una variable binomial se debe tener en cuenta que
en el eje de abscisas se representan los valores de la VAD X, y en el eje de ordenadas se
representan las probabilidades acumuladas, F(x), correspondientes a dichos v
valores
alores de la variable.
Ejemplo 7.4: Las observaciones durante un largo perodo muestran que la probabilidad de vida de
un cierto componente de la fauna silvestre en los primeros cinco aos de vida es de 0,2.
Supngase que un investigador procura una muestra
mues
de cuatro animales de la especie y le quiere
hacer seguimiento del ciclo de vida.
vida
126
Ctedra de Clculo E
Estadstico y Biometra Facultad de Ciencias
ias Agrarias UNCUYO / Ciclo 2014

a) Cul es la probabilidad de que exactamente dos animales sobrevivan?
p( x) = C x4 (0,2) x (0,8) 4 x
p(2 sobrevivientes) = p(2) = C 24 (0,2) 2 (0,8) 2
p(2) =
4!
(0,04)(0,64) = 0,15
2!2!
b) Cul es la probabilidad de que al menos dos animales sobrevivan?
P(almenos.dos ) = P ( X 2 ) = p (2) + p(3) + p(4)

= 1 p(0) p(1)
= 1 C 04 (0,2) 0 (0,8) 4 C14 (0,2)1 (0,8) 3
= 1 0,4096 0,4096 = 0,19
c) Cul es la probabilidad de que todos los animales sobrevivan?
p(4) = C 44 (0,2) 4 (0,8) 0

=
4!
(0,2) 4 (1) = 0,0016
4!0!
Ejemplo 7.5: Se inspeccionan los grandes lotes de productos que llegan a una planta manufacturera a
fin de encontrar artculos defectuosos, mediante un plan de muestreo. Se selecciona una muestra
aleatoria de n artculos de cada uno de los lotes y se inspeccionar la muestra, anotando el nmero x de
defectuosos. Si X es menor que o igual a algn nmero de aceptacin a especificado, se aceptar el
lote. Si X es mayor que a, se rechazar el citado lote. Supngase que un fabricante utiliza un plan de
muestreo con c = 10 y a = 1. Si el lote contiene exactamente 5% de artculos defectuosos, cul es la
probabilidad de que el lote sea aceptado? Cul es la probabilidad de que sea rechazado?
Bajo la suposicin de que el lote contiene 5% de defectuosos, la probabilidad de que un artculo,
extrado de l sea defectuoso, es =0,05. Entonces la probabilidad de observar x defectuosos en una
muestra de c=10 artculos es:
x
10 x
p ( x ) = C 10
x ( 0,05) ( 0,95)
Se ha especificado que el lote ser aceptado, cuando x sea menor o igual que al nmero de aceptacin
a=1. Por lo tanto, la probabilidad de aceptacin de un lote con estas caractersticas es:
P(aceptar ) = p(0) + p(1) = C 010 (0,05) 0 (0,95)10 + C110 (0,05)1 (0,95) 9 = 0,914
P(rechazar ) = 1 P(aceptar ) = 1 0,914 = 0,086
Ejemplo 7.6: Una representacin grfica de la probabilidad de aceptacin del lote, contra la fraccin de
defectuosos , se llama curva caracterstica de operacin de un plan de muestreo para aceptacin
de lotes. Calcular la probabilidad de aceptacin de lotes en el caso de un plan de muestreo con un
tamao muestral c=5 y un nmero de aceptacin a=0 para las fracciones de defectuosos del lote
considerando =0,1; 0,3 y 0,5.
5
P(aceptar ) = p(0) = p 0 q 5 = q 5
0
P( aceptar = 0,1) = (0,9) 5 = 0,590

P( aceptar = 0,3) = (0,7) 5 = 0,168
P( aceptar = 0,5) = (0,5) 5 = 0,031
Con los resultados se puede trazar la curva de operacin caracterstica para el plan de muestreo
(3 puntos intermedios de la curva). Adicionalmente se que la probabilidad de aceptacin tiene que ser
igual a 1 cuando =0 y tiene que ser 0 cuando =1.
p
Grfico 7.6. Curva caracterstica de operacin para c=5 y a=0
.
127
7.4.4.1. TABLAS DE PROBABILIDAD PARA LA DISTRIBUCIN BINOMIAL

El clculo de probabilidades binomiales es un trabajo tedioso cuando c es grande. Para simplificar
los clculos, se recurre a una tabla de la funcin de distribucin F(x), que da la suma de las
probabilidades binomiales desde x=0 hasta x=c, para c = 5, 10, 15, 20 y 25, y diferentes valores de .
Para mostrar como utilizar la tabla, supngase que se desea encontrar la suma de las
probabilidades binomiales desde x = 0 hasta x = 3, para un experimento binomial con c = 5 pruebas y
=0,3. Es decir, se quiere calcular
5
x
p( x) = p(0) + p(1) + p(2) + p(3)
donde p ( x) = (0,3) x (0,7) 5 x
x =0
Para entrar en la tabla, primero hay que localizar a c=5. Luego, ya que los valores tabulares dan
a
p( x) , se busca el valor tabulado en la fila correspondiente a x=3 y en la interseccin con la columna

x =0
de =0,3 se encuentra el valor tabulado buscado: 0,9692, que corresponde a la suma de las
probabilidades binomiales desde x=0 hasta a=3 (para c=5 y =0,3), esto es
3
F(3) =
p( x) = 0,9692.
x =0
Tabla 7.1. Fragmento de una tabla de valores de la funcin de distribucin acumulada binomial
x
c
0.01 0.05 0.10 0.20
0.30 0.40 0.50 0.60 0.70 0.80 0.90 0.95 0.99 c
5 0
0
1
1
2
0,8369
---2
3
0,9692
--3
4
4
La tabla puede utilizarse tambin para encontrar una probabilidad binomial especfica, por ejemplo p(3)
para c=5, =0,6. En este caso se procede segn
p (3) = [ p (0) + p (1) + p (2) + p (3)] [ p (0) + p (1) + p (2)]

3
x =0
x =0
= p( x) p( x)
= 0,9692 0,8369
= 0,1323
Por lo tanto, un valor individual de p(x) es igual a la diferencia entre dos sumas que son entradas
adyacentes, dadas en una columna de la tabla.
Ejemplo 7.7. Obtener la media y la desviacin tpica para la distribucin de probabilidad binomial
relacionada con un experimento donde c=10 y =0,1 y calcular la probabilidad de que X caiga en el
intervalo ( 2 ) .
La media y la desviacin tpica para la distribucin de probabilidad de la VAB resultan
= c = (10)(0,1) = 1
= c (1 ) =
(10)(0,1)(0,9) = 0,95
El valor paramtrico de = 1 indica el centrado del grfico de probabilidades y el intervalo
2 = 1 2(0,95) = 1 1,90 = 0,9 2,90

muestra que x=0, 1, 2. Por lo tanto, la probabilidad de que x caiga en el intervalo ( 2 ) es igual a
2
p (0) + p (1) + p (2) = p ( x)

x =0
Esta probabilidad acumulada se encuentra en la tabla de la funcin de distribucin de la VAB para

= 10, 6 = 0,1 y = 2, como 0,930.
7.4.4.2. PROPORCIONES BINOMIALES
Todos los problemas sobre VAB estudiados hasta aqu se han referidos a la variable X, que
representa el nmero de xitos en experimentos con c pruebas de Bernouilli. Muchas veces interesa
trabajar con la proporcin de xitos en c pruebas de Bernouilli. La proporcin en un experimento
binomial se corresponde con una VAB expresada como X/c.
La nueva variable aleatoria X / c se distribuye de una forma similar a la VAB X. En otras palabras,
128

el hecho de dividir cada valor x por c, no cambia ninguna de las probabilidades, y los parmetros de la
distribucin probabilstica son:
Propiedades
$%&' = ( = 7
Esperanza matemtica
o media
-%&' = ., =
Varianza
7+ 7
U
. = 0-%&'
Desviacin estndar
Ejemplo 7.9. Sea la probabilidad de xito es 0,10 y el nmero de observaciones es 100. Encontrar la
media y la desviacin estndar de la distribucin probabilstica, tanto para el nmero de xitos X, como
para la proporcin de xitos (X/c).
Variable
X: Nmero de xitos
Media
6 = 1000,10 = 10
X/c: Proporcin de xitos
6 = 0,10
Desviacin tpica
061 6 = 01000,100,90 = 3
0,100,90
61 6
V
=V
= 0,03

100
La media de 10 en lo referente al nmero de xitos se interpreta como el nmero promedio de

xitos a largo plazo en muestras de 100 observaciones, y en forma semejante, la proporcin de xitos a
largo plazo en muestras de 100 es 0,10. Las dos desviaciones estndar reflejan la variabilidad que se
presentar a largo plazo, respectivamente 3 y 0,03. Cabe observar que si la proporcin se considera en
forma porcentual, en este caso el 3% de 100 es 3; de de modo que las dos formas alternativas son
equivalentes.
7.5. DISTRIBUCIN DE POISSON

7.5.1. GENERALIDADES
Despus de conocida la aplicacin hecha por S. D. Poisson, se encontr que la distribucin de
Poisson describa con mucha precisin la probabilidad de las muertes producidas en el ejrcito prusiano
a causa de las coces de los caballos, as como del nmero de suicidios de mujeres y nios. Una
aplicacin ms contempornea ha sido la modelacin del nmero de bombas arrojadas por aviones con
impacto/cuadrcula territorial durante la segunda guerra mundial y el nmero de avistajes de objetos
voladores no identificados/espacio geogrfico. En el campo profesional de las carreras de la Facultad
tambin encuentra importantes aplicaciones asociadas a eventos raros, que son aquellos con baja
probabilidad de ocurrencia como la distribucin de fallas en relacin al control de calidad (n de
defectos/artculo, n de reparaciones en mantenimiento industrial, etc.), o el patrn de la variabilidad
correspondiente a la distribucin de la abundancia de especmenes de aves y de insectos en fracciones
espaciales (reas en: m2, km2, etc.), cabezas de ganado por hectrea, cantidad de huevos de un insecto
en una oviposicin, as como el nmero de bacterias por muestra de agua potable o de nemtodos por
unidad de volumen del suelo y otros. Tambin la distribucin de probabilidades discreta de Poisson
tiene actualmente un amplio abanico de aplicaciones en el rea de la investigacin de operaciones, con
relacin al nmero de llegadas o solicitudes de servicio por unidad de tiempo en los puestos de peaje de
una va frrea, en las cajas registradoras o cajas bancarias, o la utilizacin de las pistas de aterrizaje de
un aeropuerto. En medicina la variable nmero de llegada de infartados a un centro de atencin es una
variable Poisson.
Muestra
Grfico 7.7. Parte de un rollo de papel y rea base para contar la ocurrencia de fallas.
129

Se llaman experimentos de Poisson a aquellos experimentos que arrojan valores numricos de
una variable aleatoria X referidos al nmero de ocurrencias durante un intervalo dado de espacio o
tiempo. El intervalo temporal puede tener cualquier longitud razonable al caso, como puede ser un
minuto, un da, una semana, un mes o incluso un ao, y el intervalo espacial podra corresponderse con
un segmento de una lnea, un rea o un volumen.
Definicin 7.6
Un experimento de Poisson se deriva del proceso de Poisson y tiene las siguientes propiedades:
1- El nmero de resultados que ocurren en un intervalo o regin especfica es independiente
del nmero que ocurre en cualquier otro intervalo o regin del espacio disjunto.
2- La probabilidad de que ocurra un solo resultado durante un intervalo muy corto o en una
regin pequea es proporcional a la longitud del intervalo o al tamao de la regin, y no
depende del nmero de resultados que ocurren fuera de este intervalo o regin.
3- La probabilidad de que ocurra ms de un resultado en tal intervalo corto o que caiga en tal
regin pequea es insignificante
Para utilizar la distribucin de Poisson en clculo de las probabilidades para modelar el
comportamiento de una VA, se requiere cumplir con cuatro supuestos bsicos:
1) debe ser posible dividir el intervalo de tiempo considerado en un nmero grande de pequeos
subintervalos, de manera que la probabilidad de ocurrencia en cada uno de ellos sea muy pequea.
2) la probabilidad de una ocurrencia en cada uno de los subintervalos debe permanecer constante a
lo largo del perodo que est considerndose.
3) la probabilidad de dos o ms ocurrencias en cada subintervalo tiene que ser suficientemente
pequea como para ignorarla.
4) una ocurrencia (o no ocurrencia) en un subintervalo no debe afectar a otra ocurrencia (o no
ocurrencia) en cualquiera de los otros subintervalos; es decir, las ocurrencias deben ser
independientes. Consideremos el nmero de llegadas por hora a un banco.
A continuacin se ilustran estos conceptos:
Suposicin
Ejemplo del banco
Es posible dividir el intervalo de tiempo Puede dividirse la hora en subintervalos de un

segundo cada uno.
considerado en pequeos subintervalos.
La probabilidad de una ocurrencia permanece Se elige una hora en la que es razonable
constante a lo largo de los intervalos.
prever que el flujo de clientes es constante.
La probabilidad de dos o ms ocurrencias en Es imposible que dos personas entren al
banco simultneamente (o sea, en el mismo
un subintervalo es suficientemente pequea
como para ignorarla.
segundo)
Las ocurrencias son independientes.
Las llegadas al banco no estn incluidas por

las dimensiones de la cola.
Resulta importante identificar que la unidad de medicin de tiempo o de rea presenta

caractersticas de continuidad, pero que la variable aleatoria nmero de ocurrencias es discreta.
Adems, cabe notar que es imposible contar las ocurrencias del evento complementario, por ejemplo el
nmero de accidentes que no ocurrieron, el nmero de llamadas que no se realizaron o el nmero de
defectos que no se presentaron en un centmetro cuadrado.
7.5.2. PROPIEDADES CARACTERSTICAS DE LA DISTRIBUCIN POISSON

El nmero de xitos en c experimentos de Bernoulli es una variable discreta que se asocia con
una variable aleatoria El lmite inferior del nmero de acontecimientos en todas esas situaciones es cero,
y el lmite superior - por lo menos tericamente- es infinito, aun cuando en la mayora de los ejemplos
presentados sera difcil imaginar un nmero ilimitado de ocurrencias. De este modo, la variable Poisson,
que toma valores de cero a un nmero infinito de ocurrencias por unidad, puede no representar
exactamente cualquiera de los procesos aleatorios mencionados en pginas anteriores, pero en muchas
oportunidades se ha demostrado que el modelo de Poisson resulta til para aproximar estrechamente
tales procesos.
130
7.5.3. FUNCIONES DE PROBABILIDAD DE LA VAP

Definicin 7.7.
Sea X una variable aleatoria discreta que representa el nmero de ocurrencias con relacin a
una base temporal o espacial.
1) Se dice que X tiene una distribucin Poisson con funcin de probabilidad:
e x
P( X = x ) = p( x ) = x! para x = 0,1,2,... > 0

0,
en.los dems casos
donde p(x): da la probabilidad de que el evento x suceda exactamente k veces.
: es un parmetro positivo que representa una tasa media de veces que puede
esperarse la ocurrencia de un fenmeno en el intervalo considerado
e: es la base de los logaritmos naturales (e = 2,71828 ...)
2) La probabilidad de que una variable aleatoria X sea menor o igual a un valor especfico de x,
se determina por la funcin de la distribucin acumulada
e xi
; para xi.= 0,1, 2, 3, .
P ( X x ) = F ( x; ) =
xi !
xi x
(7.4)
donde
F(x): da la probabilidad de la ocurrencia de x veces o menos del evento xito.
Propiedades
Esperanza matemtica
o media
Varianza
Desviacin estndar
$%&' = ( = W
-%&' = ., = W
. = 0-%&'
El nico parmetro necesario para caracterizar una poblacin descrita por la distribucin de
Poisson es la tasa media de ocurrencia de los sucesos, simbolizada con la letra griega lambda ().
Puede definirse lambda como la tasa media de ocurrencia por unidad de temporal o espacial
considerada.
As, si =1,0 se refiere a la llegada de los clientes la un banco, la ley de probabilidad de Poisson
est indicando que a largo plazo se produce a razn de 1,0 clientes por minuto, con una varianza de
llegadas tambin igual a 1,0.
7.5.4. APLICACIONES DE LA DISTRIBUCIN POISSON

En el grfico 7.8 se ilustra una tpica distribucin de probabilidades de una VA Poisson.
Obsrvese que casi toda la probabilidad se concentra cerca del origen (valores 0, 1), y que la
probabilidad de observar grandes valores de la variable aleatoria es muy pequea. Cuando se dice que
una variable aleatoria est distribuida segn el modelo de Poisson, se suele interpretar que una
distribucin de frecuencias relativas de ocurrencias respecto a esa variable, tiene un patrn de
variabilidad que se puede representar aproximadamente o razonablemente con tal modelo.
Grfico 7.8. Distribucin de probabilidades de una VA Poisson para =1,0
Debe notarse que an cuando se considera que la VAP toma un nmero infinito de valores, tal
131

como ocurre con todas las funciones de masa discretas slo un nmero discreto de valores de x tienen
probabilidades positivas, y los valores de probabilidad resultan muy pequeos a medida que los valores
de x se diferencian ms respecto a . Las grficas tpicas de las distribuciones de Poisson muestran una
asimetra marcadamente positiva, pero cuando no tiene un valor muy cercano a cero, la forma de la
distribucin de Poisson es bastante simtrica. Tambin por los axiomas de probabilidad se sabe que la
suma de las probabilidades correspondientes a todos los valores de x debe ser igual a 1,0. En casos
prcticos debido a que no se consideran infinitos valores de la variable, la suma solo resulta aproximada
a 1,0.
Para las aplicaciones prcticas del modelo Poisson, es necesario determinar empricamente la
tasa media a la que ocurren los sucesos. Esto es, hay que conocer el valor de , quiz sobre la base de
un estudio previo de la situacin (muestra). Una vez conocido el valor de , se pueden utilizar las
funciones de probabilidad de Poisson para determinar la probabilidad de que tengan lugar exactamente
x ocurrencias o sucesos en el intervalo de tiempo especificado o bien la de un evento compuesto (X<5,
etc.).
Muchas veces ms que interesarse en valores especficos, interesa obtener conocimiento sobre
el patrn de variabilidad de la VA vinculada con un fenmeno aleatorio de inters. En este caso el
estudio tambin se inicia con la toma de una muestra, la obtencin de su distribucin de frecuencias y el
clculo de los estadgrafos media y desviacin tpica. Luego se procede a realizar un ajustamiento del
modelo Poisson y se obtienen valores de frecuencias tericas, tratando de tomar alguna idea acerca de
la distribucin poblacional correspondiente a la poblacin de donde se extrajo la muestra. Con posterior
ayuda de herramientas que proporcionar la Inferencia Estadstica, se podr establecer una conclusin
probabilstica al respecto.
Ejemplo 7.10: Las observaciones durante un perodo muestras que la probabilidad de vida de un
cierto componente de la fauna silvestre en los primeros cinco aos de vida es de 0,2 X. A partir de
este conocimiento, puede calcularse la probabilidad de que sobrevivan animales en ese perodo.
Ejemplo 7.11 Un zologo sabe por experiencia que en ciertas condiciones, la tasa media de insectos
xilfagos que puede encontrarse en rboles que presentan una incipiente podredumbre es de =600. Se
supone que los insectos van colonizando el fuste del forestal en forma constante a razn de 1 insecto
por unidad de volumen de madera. Se desea determinar la probabilidad de encontrar:
a) exactamente dos insectos en una unidad de volumen seleccionada al azar.
Siendo = 1 y x = 2, luego
P( 2 in sec tos ) = p( 2) =
e 1 (1) 2
1
1
=
=
= 0,1839
2!
2e 2 x 2,71828
a) Cuando ms 2 insectos (2 menos)

P( 2.o.menos.in sec tos ) = P( X 2 ) = P(0) + P(1) + P( 2)
e 1 (1) 0 e 1 (1)1 e 1 (1) 2
+
+
0!
1!
2!
= 0,3679 + 0,3679 + 0,1839 = 0,9197
La probabilidad buscada se obtiene sumando los valores correspondientes a x = 0, 1 y 2.

Ejemplo 7.12 Se realiz un experimento de Poisson que consisti en observar la cantidad de
clientes que pas por una caja registradora de un supermercado en el horario nocturno. Se
considera que las llegadas de los clientes a las cajas pueden seguir una distribucin de Poisson durante
ciertos periodos de tiempo.
Los datos obtenidos se presentan en las dos primeras columnas de la siguiente tabla, construida para
describir estadsticamente la muestra.
Tabla 7.3. Distribucin muestral del nmero de clientes que llega a una caja mercadista
(1)
Cantidad
de
llegadas
R
0
1
2
3
4
5
6
7
8
9
10
Total
(2)
N de
clientes
R
0
8
19
23
17
15
8
3
3
2
1
100
(3)
Frec.
Relativas
YR
0.00
0.08
0.19
0.23
0.17
0.15
0.08
0.03
0.03
0.02
0.01
1.00
(4)
R YR
(5)
R
(6)
R YR
0.00
0.08
0.38
0.69
0.68
0.75
0.48
0.21
0.24
0.18
0.10
3.79
0
1
4
9
16
25
36
49
64
81
100
385
0.00
0.08
0.76
2.07
2.72
3.75
2.88
1.47
1.92
1.62
1.00
18.27
132

Utilizando el enfoque empirista de la probabilidad,
probabilidad, se obtendrn los parmetros de la distribucin
probabilstica de la variable Poisson empleando las frecuencias relativas para ponderar los valores de la
variable.
\%' = Q R YR = 3,79 !
.

Z%'' = [ = \% ' \%' = Q R YR JQ R YR K = 18,27 3,79

[ = 3,91.

Recurdese que, en la distribucin

distrib
de Poisson, y 2 toman el mismo valor, pero su interpretacin
respectivamente es con relacin al centrado y a la variabilidad.
variabilidad Se observa que el resultado obtenido es
favorable al supuesto de que las llegadas de los clientes a las cajas pueden segu
seguir
ir una distribucin de
Poisson durante ciertos periodos de tiempo. Dado que se tienen datos muestrales (n=100) nunca se
obtendrn valores exactamente iguales, pero como hay escasa diferencia esto da confianza respecto a
la suposicin planteada.
Otro anlisis
sis a realizar para obtener mayor informacin consiste en realizar un ajustamiento del
modelo Poisson. Se emplear con esta finalidad una tabla cuyo encabezamiento es el siguiente:
Tabla 7.4.
7. Ajustamiento del modelo Poisson a la distribucin
del nmero de clientes que llega a una caja mercadista
(1)
Cantidad de
llegadas
R
(2)
N de clientes
observados
R
(3)
R

(4)
N de clientes
esperados
aR
La columna ltima de esta tabla contiene las frecuencias tericas aR ,, calculadas utilizando el
modelo Poisson. Esta serie de frecuencias debe
debe compararse con las correspondientes frecuencias
observadas de la segunda columna R . Cuanto
o mayor sea la similitud significa que se tiene ms
informacin emprica a favor de la suposicin planteada inicialmente y, contrariamente, si se observan
discrepancias
epancias notables se comenzar a sospechar que habr que describir el comportamiento de la
variable observada utilizando otro modelo para acercarse al conocimiento de la verdadera distribucin
de la poblacin de donde se extrajo la muestra.
Ms
s adelante se presentar
presentarn herramientas,, proporcionadas por la Estadstica Inferencial,
Inferencial que
permitirn dilucidar este problema y alcanzar una conclusin en trminos probabilsticos acerca de la
distribucin poblacional.
7.5.4.1. TABLAS DE PROBABILIDAD PARA LA DISTRIBBU

UCIN POISSON
En realidad, las tablas
tabla de la funcin de distribucin de Poisson, F
F(x), se utilizan de modo
muy semejante a las tablas binomiales, aunque a primera vista no lo parezcan.. Como la distribucin de
Poisson es una funcin slo de la media del proceso, las tablas estn diseadas para proporci
proporcionar
onar las
probabilidades con base en la media del proceso para diferentes valores de la variable X.
Tabla 7.5. Fragmento
ragmento de una tabla de distribucin de probabilidad acumulada de Poisson
La tabla proporciona sumas de probabilidades, al igual que la ttabla binomial acumulativa, para x
o menos ocurrencias P(X
P(X x),, dada la media del proceso ()3. Adems si bien da valores de
probabilidad para una funcin de distribucin acumulada, tambin puede utilizarse con criterios similares
a los vistos en el caso Poisson
oisson para encontrar una probabilidad Poisson especfica, P(X=x) = p(x).
Hay bibliografa que utiliza el smbolo en lugar de
133
Ctedra de Clculo
culo Estadstico y Biometra Facultad de Cien
iencias Agrarias UNCUYO / Ciclo 2014

Ilustracin. Probabilidades obtenidas a partir de la tabla acumulativa de Poisson
0.8
1.2
1.5
2.0
2.6
3.8
5.6
6.0
Probabilidad deseada para

x1
x<3
x=0
x>3
1<x4
1x4
1x4
x5
Incluir los resultados

0, 1
0, 1, 2
0
4, 5, 6,
2, 3, 4
1, 2, 3, 4
1, 2, 3, 4
5, 6, 7,
Clculos
Se lee directamente
Se lee P(x 2)
Se lee directamente
1 P( x 3)
P ( x 4) P ( x 1)
P ( x 4) P ( x = 0 )
P ( x 4) P ( x 1)
1 P ( x 4)
Probabilidad
0.809
0.879
0.223
0.143
0.610
0.646
0.338
0.715
Para valores de que no se encuentran en la tabla, se puede encontrar una ms amplia, o

interpolar (en el caso de valores aproximados) en la tabla, o recurrir a las frmula dadas.
7.5.5. LA DISTRIBUCIN DE POISSON COMO UNA APROXIMACIN A LA BINOMIAL

En determinadas circunstancias la distribucin de Poisson se puede utilizar para aproximar
probabilidades binomiales. La aproximacin es ms adecuada cuando el nmero de observaciones es
mayor, y la probabilidad del xito 6 est cerca de O 1. Es deseable contar con un mtodo alternativo
para obtener probabilidades binomiales, por las siguientes razones:
1- La distribucin binomial describe adecuadamente muchas situaciones interesantes.
2- La mayora de las tablas se limitan a 20.
3- La frmula binomial puede requerir de un gran esfuerzo para obtener una solucin exacta.
Las ventajas de la aproximacin son que la exactitud se altera muy poco, y que el esfuerzo
comprendido es considerablemente menor. Para utilizar la aproximacin, es necesario determinar
solamente la media o el valor esperado de la distribucin binomial. Este valor se utiliza como la media
del proceso para la distribucin de Poisson. Es decir, el promedio del proceso es igual al promedio
binomial 6.
Ejemplo 7.8: Obtenga la probabilidad de encontrar cuatro artculos defectuosos de una muestra de 300
tomada de un enorme lote, en el que se dice que hay un 2% de artculos defectuosos.
Como los valores c=300 y = 0,02 estn ms all de la variedad de valores presentados en la
tabla binomial, las alternativas seran buscar una tabla ms extensa, y recurrir a la frmula binomial
300
(0,02)4 (0,98)296
P( x = 4) =
4
(lo que representara una tarea muy difcil), o bien, utilizar la aproximacin de Poisson, con = x . De
esta manera
X = 6 = 3000,02 = 6
A partir de la frmula de Poisson se observa que:
P( x = 4) =
x e
x!
6 4 e 6
= 0,135
4!
El mismo resultado se puede obtener utilizando una tabla de Poisson: cuando X = 6, a partir de la tabla
P(x = 4) es 0,135.
En la tabla 7.6 se hace una comparacin entre algunas de las caractersticas fundamentales de
las distribuciones de Poisson y binomial.
Tabla 7.6. Comparacin entre las distribuciones binomial y Poisson
Resultados posibles
Observaciones
Parmetros
Binomial
Poisson
Enteros de 0 a n
Enteros de 0 a +
Conteo de xitos o de
fracasos
Conteo slo de xitos
6
134

09.VAD y Distribuciones

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

09.VAD y Distribuciones

Transféré par

Droits d'auteur :

Formats disponibles

UNIDAD II: PROBABILIDAD

Modelo uniforme (discreto). Modela la distribucin de probabilidades de una variable donde

Modelo Bernoulli 1. Modela la distribucin de probabilidades para variables dicotmicas con

Modelo binomial. Modela la distribucin de probabilidades de una variable que se refiere a la

Modelo multinomial. Este modelo puede considerarse una generalizacin de la distribucin

Modelo geomtrico. Modela la distribucin de probabilidades de una variable que se refiere a

Modelo Poisson 2. Modela la distribucin de la probabilidad de que ocurra un evento raro en un

UNIDAD II: PROBABILIDAD

7.2. DISTRIBUCIN UNIFORME

Grfico 7.1. Distribucin de probabilidades de X u (x;k= 6)

7.3. DISTRIBUCIN BERNOULLI

UNIDAD II: PROBABILIDAD

Grfico 7.2. Distribucin de probabilidades de X

7.4. DISTRIBUCIN BINOMIAL

UNIDAD II: PROBABILIDAD

El experimento consta de una cantidad fija de c ensayos o pruebas idnticas.

artculos defectuosos en todo el

7.4.2. PROPIEDADES CARACTERSTICAS DE LA DISTRIBUCIN BINOMIAL

Ilustracin: en el ejemplo de control de calidad productiva (c=3), se considerar el resultado (NDN),

UNIDAD II: PROBABILIDAD

7.4.3. FUNCIONES DE PROBABILIDAD DE LA VAB

=  =  = 5; , 6 =

0    !"  O !

p(x): da la probabilidad de la ocurrencia de exactamente x veces el evento xito.

: probabilidad de xito en una sola prueba

(1 ) : probabilidad de fracaso de una sola prueba

F(x): da la probabilidad de la ocurrencia de x veces o menos del evento xito.

UNIDAD II: PROBABILIDAD

7.4.4. APLICACIONES DE LA DISTRIBUCIN BINOMIAL

Grfico 7.3. Funcin de probabilidad de una VAB

Otros ejemplos de distribuciones de VAB

=0,10; (b) c=10, =0,50; y (c)

Nota: Al graficar la distribucin de probabilidad acumulada simbolizada como F(x), que se

UNIDAD II: PROBABILIDAD

p(2 sobrevivientes) = p(2) = C 24 (0,2) 2 (0,8) 2

b) Cul es la probabilidad de que al menos dos animales sobrevivan?

P(almenos.dos ) = P ( X 2 ) = p (2) + p(3) + p(4)

p(4) = C 44 (0,2) 4 (0,8) 0

P( aceptar = 0,1) = (0,9) 5 = 0,590

UNIDAD II: PROBABILIDAD

7.4.4.1. TABLAS DE PROBABILIDAD PARA LA DISTRIBUCIN BINOMIAL

p( x) = p(0) + p(1) + p(2) + p(3)

donde p ( x) = (0,3) x (0,7) 5 x

p( x) , se busca el valor tabulado en la fila correspondiente a x=3 y en la interseccin con la columna

p (3) = [ p (0) + p (1) + p (2) + p (3)] [ p (0) + p (1) + p (2)]

El valor paramtrico de = 1 indica el centrado del grfico de probabilidades y el intervalo

2 = 1 2(0,95) = 1 1,90 = 0,9 2,90

p (0) + p (1) + p (2) = p ( x)

Esta probabilidad acumulada se encuentra en la tabla de la funcin de distribucin de la VAB para

7.4.4.2. PROPORCIONES BINOMIALES

UNIDAD II: PROBABILIDAD

X/c: Proporcin de xitos

La media de 10 en lo referente al nmero de xitos se interpreta como el nmero promedio de

7.5. DISTRIBUCIN DE POISSON

UNIDAD II: PROBABILIDAD

Ejemplo del banco

Es posible dividir el intervalo de tiempo Puede dividirse la hora en subintervalos de un

Las llegadas al banco no estn incluidas por

Resulta importante identificar que la unidad de medicin de tiempo o de rea presenta

7.5.2. PROPIEDADES CARACTERSTICAS DE LA DISTRIBUCIN POISSON

UNIDAD II: PROBABILIDAD

7.5.3. FUNCIONES DE PROBABILIDAD DE LA VAP

P( X = x ) = p( x ) = x! para x = 0,1,2,... > 0

7.5.4. APLICACIONES DE LA DISTRIBUCIN POISSON

= = = 5; , 6 =

0 !" O !

Z%'' = [ = \% ' \%' = Q R YR JQ R YR K = 18,27 3,79