1

-Qu tal van las clases,

Bartolo? Me pregunta mi
barbero.
-Bien... Dando probabilidad
y estadstica... Respondo.
-Ah! Probabilidad... Yo
suelo jugar a la lotera...
Dice mientras me pasa la
cuchilla.
3. Variable aleatoria discreta
-Cuando compro un nmero, tal y como yo lo veo, hay dos
posibilidades: ganar o perder. De modo que tengo un 50% de
probabilidad de ganar y un 50% de perder.
-Muy bien, Ricardo! Respondo, mientras pienso que no es bueno
contradecir a nadie que tenga una navaja en mi cuello...
2
Variable aleatoria
Una variable aleatoria X es una funcin que asocia a
cada suceso del espacio muestral E de un experimento
aleatorio un valor numrico real:
) (
:
w X w
E X

9
Llamar variable a una funcin resulta algo confuso,
por ello hay que insistir en que es una funcin.

La variable aleatoria puede ser discreta o continua.
Veremos en este captulo el caso discreto.
3
Ejemplo de variable aleatoria discreta:
Nmero de caras al lanzar 3 monedas.
Elementos del
espacio muestral
+++ ++C +C+ C++ CC+ C+C +CC CCC
N reales
0 1 2 3 caras
Ley de
correspondencia
4
Voy a pensar un nmero entero del 1 al 100.
Qu numero ser?
Intentaremos representar el estado de
incertidumbre mediante una funcin
matemtica: la funcin de probabilidad
1 2 3 99 100 X
P
1/100
........
5
Supongamos que me preguntis si es par.
Y respondo que no. Cmo modifica la funcin?
1 2 3 99 100 X
P
1/50
........
Os pido una pregunta de modo que mi respuesta
genere una funcin de incertidumbre, de probabilidad,
tal que los valores con posibilidad no tengan todos
la misma.
Son vlidas: Tiene dos cifras el nmero?o Es un
nmero primo??
6
Funcin de probabilidad
Una vez definida una variable aleatoria X, podemos
definir una funcin de probabilidad asociada a X, de
la siguiente forma:
) ( ) (
] 1 , 0 [ :
x X P x p x
p
= =
9
La funcin de probabilidad debe cumplir:

=
9 e >
x
x p ii
x x p i
1 ) ( ) (
0 ) ( ) (
(Suma sobre todos los posibles valores
que puede tomar la variable aleatoria).
7
Funcin de probabilidad discreta

Valores Probabilidad
0 1/4 = 0.25
1 2/4 = 0.50
2 1/4 = 0.25
Z
Z
Z Z

8
Requerimientos de una distribucin de
probabilidad
X P(X)
-1
0
1
2
3
.1
.2
.4
.2
.1
1.0
X P(X)
-1
0
1
2
3
-.1
.3
.4
.3
.1
1.0
X P(X)
-1
0
1
2
3
.1
.3
.4
.3
.1
1.2
x todo para 1 ) ( 0 s s x P
1 ) (
x todo para
=

x P
9
Observa que aun si el espacio muestral es infinito
numerable, podemos definir una variable aleatoria
discreta y una funcin de probabilidad.

Ejemplo: Sea X = Nmero de lanzamientos de una
moneda antes de que aparezca una cara.
Entonces:

P(X = 1) = P(C) = 1/2
P(X = 2) = P(+C) = 1/2 . 1/2 = 1/4
P(X = 3) = P(++C) = 1/2 . 1/2 . 1/2 = 1/8
etc.

y en general P(X = n) = (1/2)
n
, n = 1,2,.

10
Sea el experimento lanzar dos dados. Definamos el
espacio muestral E como:
E = {(1,1),(1,2),...(1,6),...,(5,6),(6,6)}

Definamos la variable aleatoria discreta X como:


con S = {2,3,...,12} la suma de puntos.
Una posible funcin de probabilidad es:
...
36 3 ) 2 , 2 ( ) 1 3 ( ) 3 1 ( 4 ) 4 (
36 2 ) 1 2 ( ) 2 1 ( 3 ) 3 (
36 1 ) 1 1 ( 2 ) 2 (
] 1 , 0 [ :
/ ) , , P( ) P(X f
/ ) , , P( ) P(X f
/ ) , P( ) P(X f
f
= = = =
= = = =
= = = =
9
11
P
2 3 4 5 6 7 8 9 10 11 12 X
1/36
2/36
6/36
4/36
5/36
3/36
2/36
1/36
5/36
4/36
3/36
Funcin de probabilidad de la variable aleatoria X
Observa que cumple las dos condiciones: es siempre
positiva y est normalizada.
12
Funcin de distribucin
Dada una variable aleatoria discreta X se llama
funcin de distribucin a la funcin F definida
como:
) ( ) (
] 1 , 0 [ :
x X P x F x
F
s =
9
En nuestro ejemplo de los dos dados:

F(5) = P(X s 5) = P(x = 2 o x = 3 o x = 4 o x = 5)

F(5) = 1/36 + 2/36 +3/36 + 4/36 = 10/36

13
x
1,0






0,5






0,028

2 3 4 5 6 7 8 9 10 11 12
F
Funcin de distribucin de la variable aleatoria X
14
Ejemplo: Dibuja la funcin de probabilidad f(x) y la funcin
de distribucin F(x) de una variable discreta definida
como:
X = Nmero en la cara de un dado.
X tiene como posibles valores x = 1, 2, 3, 4, 5, 6 cada
uno con probabilidad 1/6
0
6
1
1
x
f(x)
1
0.5
1
0
F(x)
x
6
6
Funcin de probabilidad f(x) Funcin de distribucin F(x)
15
Algunos problemas de probabilidad estn relacionados
con la probabilidad P(a <X s b) de que X asuma algn
valor en un intervalo. Observa que:

P(a < X s b) = F(b) - F(a)
Los sucesos X s a y a< X s b son mutuamente
excluyentes. Entonces:

F(b) = P(X s b) = P(X s a) + P(a < X s b)
= F(a) + P(a < X s b)
En el ejemplo de los dos dados, calcula la probabilidad de
que los dos dados sumen al menos 4 pero no ms de 8.
P(3 < X s 8) = F(8) - F(3) = 26/36 - 3/36 = 23/36
16
Algunas propiedades de la funcin de distribucin
0 ) ( ) ( lim ) ( lim ) ( = C = s = =

P x X P x F F
x x
1 ) ( ) ( lim ) ( lim ) ( = = s = = +
+ +
E P x X P x F F
x x
) ( ) ( ) (
1 2 2 1
x F x F x X x P = s <
F es montona creciente.

F es continua por la derecha: la probabilidad de
que la variable aleatoria discreta X tome un valor
concreto es igual al salto de la funcin de distribucin
en ese punto.
17
Realicemos ahora el siguiente experimento aleatorio: girar la
ruleta de la imagen y apuntar el nmero del sector que coincide
con la flecha.
En la ruleta de la izquierda de la figura los resultados posibles
son {0, 1, 2, 3, 4, 5, 6, 7}, y la probabilidad de cada resultado es
1/8.
En la ruleta de la derecha de la figura los posibles resultados son
{0, 1, 2, 3}, y las probabilidades respectivas {1/4, 1/2, 1/8, 1/8},
proporcionales al ngulo del sector.
18
Mtodo de Montecarlo
La variable aleatoria X en el primer ejemplo de la ruleta
est uniformemente distribuida, ya que todos los resultados
tienen la misma probabilidad. Sin embargo, en el segundo
ejemplo, la variable aleatoria X, no est uniformemente
distribuida.
El problema crucial de la aplicacin de los mtodos de
Montecarlo es hallar los valores de una variable aleatoria
(discreta o continua) con una distribucin de probabilidad
dada por la funcin p(x) a partir de los valores de una
variable aleatoria uniformemente distribuida en el
intervalo [0, 1), proporcionada por el ordenador.
19
Cmo simular con
el ordenador la
distribucin de
probabilidad de las
ruletas?
Resultado Funcin de
probabilidad
P. acumulada
(Funcin de
distribucin)
0 0.25 0.25
1 0.5 0.75
2 0.125 0.875
3 0.125 1
Condicin Resul
tado
0<=<0.25 0
0.25<=<0.75 1
0.75<=<0.875 2
0.875<=<1 3
20
Una vez visto un caso particular, el problema general puede
formularse del siguiente modo:
Si X es una variable aleatoria discreta cuyos posible resultados
son {x
0
, x
1
, x
2
, ... x
n
} y sean {p
0
, p
1
, p
2
, ... p
n
} sus respectivas
probabilidades. Al sortear un nmero aleatorio ,
uniformemente distribuido en el intervalo [0, 1), se obtiene el
resultado x
i
, si se verifica la siguiente condicin:


=

=
< s
i
j
j
i
j
j
p p
0
1
0

21
Esperanza matemtica o media
de un distribucin discreta
( ) ) ( ) (
i
i
i i
i
i
x p x x X P x X E

= = = =
X
-1
0
1
2
3
P(X)
.1
.2
.4
.2
.1
-.1
.0
.4
.4
.3
1.0
X P(X)


22
Calcular la esperanza de la variable aleatoria X en
el ejemplo de los dos dados:




7 12
36
1
... 7
36
6
... 3
36
2
2
36
1
) ( ) (
12
2
= + + + + +
= = =

= i
i i P X E
23
Sean a, b y c constantes. Demuestra que:
c c E = ) (
)) ( ( )) ( ( )) ( ) ( (
2 1 2 1
x P E x P E x P x P E + = +
(3)
(1)
b X aE b aX E + = + ) ( ) (
(2) ( ) ( )
( ) ( ) ) ( ) ( ) ( ) (
) ( ) ( ) ( ) (
2 1 2 1
2 1 2 1
x P E x P E x X P x x X P x
x X P x X P x x P x P E
i
i i i
i
i
i i
i
i
+ = = + =
= = + = = +


( ) c c c E = = = 1
(1)
(2)
24
A un juego de azar podemos asignarle una variable aleatoria X,
cuyos valores son las ganancias correspondientes a los
posibles resultados. La esperanza matemtica de la variable
aleatoria X representa el beneficio medio o ganancia media
que se obtiene en cada jugada cuando se juega un nmero
elevado de veces.

Si la esperanza matemtica es 0 se dice que el juego es justo.
Si es mayor que 0 se dice que el juego es favorable al jugador
Si es menor que 0 se dice que perjudica al jugador y no es
favorable.

Sea el juego que consiste en sacar una bola de una urna que
contiene 7 bolas rojas y 3 bolas negras. Ganamos 50 euros si la
bola extrada es roja y pagamos 150 euros en el caso de que sea
negra. Qu podemos esperar si jugamos muchas veces?
25
Espacio muestral E = {R, N}. Consideramos las ganancias
como positivas y las prdidas negativas:

Variable aleatoria X Funcin de probabilidad
R
N
50
0,7
-150
0,3
10 3 , 0 150 7 , 0 50 = =
Ganancia media
26
( ) ) ( ) ( ) (
i
i
i
x p x T X T E

= =
Momento de orden k de una variable aleatoria

De forma ms general podemos definir la esperanza
matemtica o media no solo para una variable aleatoria X,
sino para cualquier funcin T(X) como:
Tomando como funciones a:
k
X X T = ) (
1
obtenemos los momentos de orden k centrados en el origen:

= =
i
i
k
i
k
k
x p x X E m ) ( ) (
27
Y tomando como funciones a:
k
X X T ) ( ) (
2
=
obtenemos los momentos de orden k centrados en
la media de X:

= =
i
i
k k
k
x p x X E M ) ( ) ( ) ) ((
Observa que:
0 ) ( ) (
) (
1
1
= = =
= =

X E X E M
X E m
28
Varianza y desviacin estndar o tpica
de una distribucin discreta

=
= = = =
i
i i
x X P x
X E M X Var
) ( ) (
) ) (( ) (
2
2
2
2

o
) (X Var = o
Varianza
Desviacin estndar
o tpica
Ambas miden la dispersin de los datos. Observa que la desviacin
tpica lo hace con las mismas unidades que los propios datos.
29
Ejemplo
X
-1
0
1
2
3
P(X)
.1
.2
.4
.2
.1
-2
-1
0
1
2

4
1
0
1
4

.4
.2
.0
.2
.4
1.2
) (
2
X
) (
) (
2
X P
X

= =
i
i i
x P x 2 , 1 ) ( ) (
2 2
o
10 . 1 ) ( = = X Var o
X
30
Calcula la varianza y desviacin tpica de la variable
aleatoria X en el ejemplo de los dos dados:









83 , 5 ) 7 12 (
36
1
... ) 7 3 (
36
2
) 7 2 (
36
1
) 7 ( ) ( ) ( Var
2 2 2
12
2
2
= + + +
= =

= i
i i P X
41 , 2 83 , 5 ) ( = = = X Var o
31
Algunas propiedades de la varianza
2 2 2 2 2
2
2
2
2
2 2
)) ( ( ) ( 2 ) (
) ( 2 ) (
) ( ) 2 (
) ( ) ( ) (
X E X E X E
x p x x p x
x p x x
x p x X Var
i i
i i i i
i
i i i
i
i i
= +
= +
= +
= = =

o
2 2 2
)) ( ( ) ( X E X E = o
32
Distribucin de Bernoulli
Experimento de Bernoulli: solo son
posibles dos resultados: xito o fracaso.
Podemos definir una variable aleatoria
discreta X tal que:
xito 1
fracaso 0
Si la probabilidad de xito es p y la de fracaso q = 1 - p,
podemos construir una funcin de probabilidad:
1 , 0 ) (
1
= = =

x q p x X P
x x
Evidentemente:

=
= + = = + = = =
1
0
1 ) 1 ( ) 0 ( ) (
x
q p X P X P x X P
33
Ejercicio: Calcular la esperanza y la varianza de la
distribucin de Bernoulli.
p X P X P
x X P x X E
x
= = + =
= = = =

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

pq p p p p
p X P X P
p x X P x X E X E X Var
x
= =
= = + = =
= = =

=
) 1 (
) 1 ( 1 ) 0 ( 0
) ( ]) [ ( ] [ ) (
2
2 2 2
1
0
2 2 2 2
34
Distribucin binomial
La distribucin binomial aparece cuando estamos interesados
en el nmero de veces que un suceso A ocurre (xitos) en n
intentos independientes de un experimento.

P. ej.: nmero de caras en n lanzamientos
de una moneda.

Si A tiene probabilidad p (probabilidad de xito) en un intento,
entonces q = 1-p es la probabilidad de que A no ocurra
(probabilidad de fracaso).

En nuestro ejemplo de la moneda, p = 0.5 es la
probabilidad de que salga cara y q = 1-p =1 - 0.5 = 0.5
es la probabilidad de que no salga cara.

35
Supongamos que el experimento consta de n intentos y
definamos la variable aleatoria:

X = Nmero de veces que ocurre A.

En nuestro ejemplo: X = Nmero de veces que sale cara.
Entonces X puede tomar los valores 0, 1, 2, ... n.
Si consideramos uno de estos valores, digamos el valor x , i.e. en
x de los n intentos ocurre A y en n-x no. Entonces la probabilidad
de cada posible ordenacin es p
x
q
n-x
y existen idnticas
ordenaciones.
|
|
.
|

\
|
k
x
36
La distribucin de probabilidad P(X = k) ser:
x n x x n x
p p
x n x
n
p p
x
n
x p p n B

=
|
|
.
|

\
|
= = ) 1 (
)! ( !
!
) 1 ( ) ( ) , (
Distribucin binomial para n = 5 y
distintos valores de p, B(5, p)
37
Ejercicio:
Supongamos que la probabilidad de encontrar una estrella
de masa m
*
>10 M

en un cmulo estelar joven es del 4%.
Cul es la probabilidad de que en una muestra escogida al
azar, entre 10 miembros del cmulo encontremos 3 estrellas
con m
*
>10 M

?
. . . ) . - ( ) . ( ) p(
x ; n ; . p
p) ( p
x
n
p(x)
-
x n x
006 0 967 0 043 0 04 0 1 04 0
3
10
3
3 10 04 0
1
3 10 3
= =
|
|
.
|

\
|
=
= = =

|
|
.
|

\
|
=

38
Calcula la probabilidad de obtener al menos dos seises al
lanzar un dado cuatro veces.
p = 1/6, q = 5/6, n = 4
4 3 2 2
6
1
4
4
6
5
6
1
3
4
6
5
6
1
2
4
|
.
|

\
|
|
|
.
|

\
|
+
|
.
|

\
|
|
.
|

\
|
|
|
.
|

\
|
+
|
.
|

\
|
|
.
|

\
|
|
|
.
|

\
|
=
132 . 0
1296
171
) 1 5 4 25 6 (
6
1
4
= = + + =
Al menos dos seises, implica que nos valen k = 2, 3, 4.
P(2) + P(3) + P (4)
) ,.... 1 , 0 ( ) ( n k q p
k
n
k P
k n k
=
|
|
.
|

\
|
=

39
Caractersticas de la distribucin
binomial
n = 5 p = 0.1
n = 5 p = 0.5
Media
= E(X) = n p
= 5 0.1 = 0.5
= 5 0.5 = 0.25
Desviacin estndar
0
.2
.4
.6
0 1 2 3 4 5
X
P(X)
.2
.4
.6
0 1 2 3 4 5
X
P(X)
0
1 . 1 ) 5 . 0 1 ( 5 . 0 5
67 . 0 ) 1 . 0 1 ( 1 . 0 5
) 1 (
= =
= =
=
o
o
o p np
40
Distribucin geomtrica
Consideremos el siguiente experimento:
Partimos de un experimento de Bernoulli donde la
probabilidad de que ocurra un suceso es
p (xito) y la probabilidad de que no ocurra
q = 1- p (fracaso). Repetimos nuestro experimento
hasta conseguir el primer xito. Definimos la variable
aleatoria X, como el nmero de fracasos hasta que
se obtiene el primer xito. Entonces:





... , , , x
pq x X P p G
x
2 1 0
, ) ( ) (
=
= = =
41
Distribucin binomial negativa
Consideremos el siguiente experimento:
Partimos de un experimento de Bernoulli donde la probabilidad de
que ocurra un suceso es p (xito) y la probabilidad de que no
ocurra q = 1- p (fracaso). Repetimos nuestro experimento hasta
conseguir el r-simo xito. Definimos la variable aleatoria X,
como el nmero de fracasos x hasta que se obtiene el r-simo
xito. Entonces:





... , , , x
q p
x
r x
x X P p r BN
x r
2 1 0
,
1
) ( ) , (
=
|
|
.
|

\
|
+
= = =
Se denomina binomial negativa porque los coeficiente provienen de
la serie binomial negativa:
-x -x
-q) ( p 1 =
42
Elegir al azar con reemplazo
Elegir al azar con reemplazo significa que escogemos al azar
un elemento de un conjunto y lo regresamos para elegir de nuevo
al azar. Esto garantiza la independencia de las elecciones y nos
lleva a una distribucin binomial.
Si una caja contiene N bolas de las cuales A son rojas, entonces
la probabilidad de escoger al azar una bola roja es: p = A/N
Si repetimos el experimento sacando n bolas con reemplazo la
probabilidad de que x sean rojas es:
) ,.... 1 , 0 ( 1 ) ( n x
N
A
N
A
x
n
x P
x n x
=
|
.
|

\
|

|
.
|

\
|
|
|
.
|

\
|
=

(Una distribucin binomial)
43
Elegir al azar sin reemplazo
Elegir al azar sin reemplazo significa que no devolvemos
el elemento elegido al azar al conjunto. De modo que las
probabilidades de la siguiente eleccin dependen de las
anteriores.
Si repetimos el experimento anterior sacando n bolas sin
reemplazo, cul ser ahora la probabilidad de que x sean
rojas?
posibles Casos
|
|
.
|

\
|
=
n
N
Para calcular los casos favorables observa que:
N = A + (N A). De las A bolas rojas tomaremos x y de
las N A bolas no rojas tomaremos n x.
44
Distribucin hipergeomtrica
) ,.... 1 , 0 ( ) ( ) , , ( n x
n
N
x n
A N
x
A
x P A N n H =
|
|
.
|

\
|
|
|
.
|

\
|

|
|
.
|

\
|
= =
|
|
.
|

\
|

|
|
.
|

\
|
=
=
|
|
.
|

\
|

=
|
|
.
|

\
|
x n
A N
x
A
M N x n
x n
A N
A x
x
A
favorables Casos
de rojas no bolas tomar de formas diferentes
de rojas bolas tomar de formas diferentes
45
Queremos seleccionar al azar dos bolas de una caja que contiene
10 bolas, tres de las cuales son rojas. Encuentra la funcin de
distribucin de la variable aleatoria : X = Nmero de bolas rojas
en cada eleccin (con y sin reemplazo).
Tenemos N = 10, A = 3, N - A = 7, n = 2
Escogemos con reemplazo:
09 . 0 ) 2 ( , 42 . 0 ) 1 ( , 49 . 0 ) 0 ( ,
10
7
10
3
2
) (
2
= = =
|
.
|

\
|
|
.
|

\
|
|
|
.
|

\
|
=

p p p
x
x p
x x
07 . 0
45
3
) 2 ( 47 0
45
21
) 1 ( ) 0 (
2
10
2
7 3
) ( ~ = ~ = =
|
|
.
|

\
|
|
|
.
|

\
|

|
|
.
|

\
|
= p , . p p
x x
x p
Escogemos sin reemplazo:
46
Hipergeomtrica
N = 24
X = 8
n = 5
Binomial
n = 5
p = 8/24 =1/3
x
Error
0 0.1028 0.1317
-0.0289
1 0.3426 0.3292
0.0133
2 0.3689 0.3292
0.0397
3 0.1581 0.1646
-0.0065
4 0.0264 0.0412
-0.0148
5 0.0013 0.0041
-0.0028
P(x) P(x)
N = 240
X = 80
n = 5
n = 5
p = 80/240 =1/3
x P(x) Error
0 0.1289 0.1317 -0.0028
1 0.3306 0.3292 0.0014
2 0.3327 0.3292 0.0035
3 0.1642 0.1646 -0.0004
4 0.0398 0.0412 -0.0014
5 0.0038 0.0041 -0.0003
P(x)
Observa que si N,
A, N-A son grandes
comparados con n
no hay gran
diferencia en qu
distribucin
empleemos.
La distribucin
binomial es una
aproximacin
aceptable a la
hipergeomtrica
si n < 5% de N.
47
Distribucin de Poisson
Cuando en una distribucin binomial el nmero de intentos (n)
es grande y la probabilidad de xito (p) es pequea y np (la
media de la distribucin binomial) es finito y tiende a entonces
la distribucin binomial converge a la distribucin de Poisson:







0 2 1 0 ,
!
) ( > = =

... , , , x
x
e
x p
k
Observa que si p es pequea, el xito es un suceso raro.
48
Caractersticas de la distribucin de
Poisson
= 0.5
= 6
1 2 3 4 5
X
2 4 6 8 10
X
Media
Desviacin estndar

o
E X = =
=
( )
0
.2
.4
.6
0
P(X)
0
.2
.4
.6
0
P(X)
Nota: el mximo de la distribucin
se encuentra en x ~
49
Distribucin de Poisson para varios valores de .
La distribucin de Poisson se obtiene como aproximacin de
una distribucin binomial con la misma media, para n grande
(n > 30) y p pequeo (p < 0,1). Queda caracterizada por un
nico parmetro (que es a su vez su media y varianza).

= n p =

50
Si la probabilidad de fabricar un televisor defectuoso es
p = 0.01, cul es la probabilidad de que en un lote de 100
televisores contenga ms de 2 televisores defectuosos?
El suceso complementario A
c
: No ms de 2 televisores
defectuosos puede aproximarse con una distribucin de
Poisson con = np = 1, sumando p(0) + p(1) + p(2).
9197 . 0 ) 1 1 ( ) (
2
1
1
= + + ~

e A P
c
,....) 1 , 0 (
!

) (

x
= =

x e
x
x p
La distribucin binomial nos dara el resultado exacto:
9206 . 0
100
1
100
99
2
100
100
1
100
99
1
100
100
99
0
100
) (
2 98 99 100
=
|
.
|

\
|
|
.
|

\
|
|
|
.
|

\
|
+
|
.
|

\
|
|
.
|

\
|
|
|
.
|

\
|
+
|
.
|

\
|
|
|
.
|

\
|
=
c
A P
) ,.... 1 , 0 ( ) ( n x q p
x
n
x p
x n x
=
|
|
.
|

\
|
=

51
Un proceso poissoniano es aqul compuesto de
eventos discretos que son independientes en el
espacio y/o en el tiempo. Por ejemplo la llegada de
fotones a un detector.
Si el nmero de eventos esperados, el nmero
medio de eventos en un intervalo de extensin h
es m. Por ejemplo el detector nos informa de la llegada
en promedio de 20 fotones fotones cada 5 segundos.
Entonces = h/ m, ser la tasa de eventos por
unidad de h. En nuestro caso 4 fotones por segundo.
La probabilidad de que ocurran x eventos en el
intervalo h vendr dada por la distribucin de
Poisson. En nuestro ejemplo la probabilidad de que
lleguen x fotones en 5 segundos.
52
La seal promedio recibida en un telescopio de una fuente
celeste es de 10 fotones por segundo. Calcular la probabilidad
de recibir 7 fotones en un segundo dado.
P(7) = 10
7
e
10
/ 7! = 0.09, es decir 9%
Parece muy baja. Comparemos con el valor de mxima
probabilidad que ocurrir para x = 10:
= 10 P(10)=10
10
x e
10
/ 10! = 0.125, es decir 12.5%
Las probabilidades poissonianas para un nmero de eventos
dado, son siempre pequeas, incluso en el mximo de la
distribucin de probabilidad.
,....) 1 , 0 (
!

) (

x
= =

x e
x
x p
Una distribucin de Poisson
con = 10.
53
Si en promedio, entran 2 coches por minuto en un garaje, cul
es la probabilidad de que durante un minuto entren 4 o ms
coches?
Si asumimos que un minuto puede dividirse en muchos
intervalos cortos de tiempo independientes y que la probabilidad
de que un coche entre en uno de esos intervalos es p que para
un intervalo pequeo ser tambin pequeo podemos
aproximar la distribucin a una Poisson con = np = 2.
y la respuesta es 1 0.857 = 0.143
El suceso complementario entran 3 coches o menos tiene
probabilidad:
857 . 0 ) ( ) 3 ( ) 2 ( ) 1 ( ) 0 ( ) (
! 3
2
! 2
2
! 1
2
! 0
2
2
3 2 1 0
= + + + = + + + ~

e p p p p A P
c
,....) 1 , 0 (
!

) (

x
= =

x e
x
x p
54
Bartolo Luque. VARIABLES
ALEATORIAS DISCRETAS Mxico.
2005. p. 54.