Abigail Acosta

983639

DISTRIBUCIONES DE PROBABILIDADES DISCRETAS BINOMIAL Y

POISSON.
DISTRIBUCIÓN BINOMIAL
Sea un experimento aleatorio en el que solo puedan darse dos probabilidades: que ocurra un
determinado suceso A, que llamaremos éxito, o que ocurra dicho suceso, ósea que ocurra su
complemento, que llamaremos fracaso,𝐴̅.
Se conoce la probabilidad de ocurrencia del suceso A, y por lo tanto la de su complemento:

Se repite el experimento n veces en las mismas condiciones (independencia). Se define la variable

aleatoria Binomial:
X: “n” de veces que ocurre el suceso A (n° éxitos) en n realizaciones independientes del
experimento.
Por lo tanto X: 0, 1, 2, 3, 4….n°

Puede verificarse con:

Su función de distribución es:

 Abigail Acosta
983639

La última novela de un autor ha tenido un gran éxito, hasta el punto de que el 80% de los
lectores ya la han leido. Un grupo de 4 amigos son aficionados a la lectura:

1) ¿Cuál es la probabilidad de que en el grupo hayan leído la novela 2 personas?

B (4, 0.2) p = 0.8 q = 0.2

2) ¿Y cómo máximo 2?

Un agente de seguros vende pólizas a cinco personas de la misma edad y que disfrutan de
buena salud. Según las tablas actuales, la probabilidad de que una persona en estas
condiciones viva 30 años o más es 2/3. Hállese la probabilidad de que, transcurridos 30
años, vivan:

1) Las cinco personas

B (5, 2/3) p = 2/3 q = 1/3

2) Al menos tres personas

3) Exactamente dos personas

 Abigail Acosta
983639

La media y la varianza

DISTRIBUCIÓN DE POISSON.

Se define la variable aleatoria “X”como el número de sucesos que ocurren en un intervalo

continuo de tiempo longitud o espacio, de un tamaño determinado.

Sea 𝜆 el número medio de sucesos que ocurren en estos de Poisson de parámetro 𝜆.

Se verifica con:
 Abigail Acosta
983639

La media y la Varianza

Ejemplos:

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

Solución:

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

 = 6 cheques sin fondo por día

 = 2.718

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 x 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.
 Abigail Acosta
983639

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

identifican 0.2 imperfecciones en promedio por minuto. Determine las probabilidades
de identificar a) una imperfección en 3 minutos, b) al menos dos imperfecciones en 5
minutos, c) cuando más una imperfección en 15 minutos.

Solución:

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

cada 3 minutos = 0, 1, 2, 3, ...., etc., etc.

 = 0.2 x 3 =0.6 imperfecciones en promedio por cada 3 minutos en la hojalata

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 x 5 =1 imperfección en promedio por cada 5 minutos en la hojalata

=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

= 0.0498026 + 0.149408 = 0.1992106

 Abigail Acosta
983639

DISTRIBUCIÓN EXPONENCIAL

A pesar de la sencillez analítica de sus funciones de definición, la distribución exponencial

tiene una gran utilidad práctica ya que podemos considerarla como un modelo adecuado para
la distribución de probabilidad del tiempo de espera entre dos hechos que sigan un proceso
de Poisson. De hecho la distribución exponencial puede derivarse de un proceso experimental
de Poisson con las mismas características que las que enunciábamos al estudiar la
distribución de Poisson, pero tomando como variable aleatoria, en este caso, el tiempo que
tarda en producirse un hecho

Obviamente, entonces, la variable aleatoria será continua. Por otro lado existe una relación
entre el parámetro de la distribución exponencial, que más tarde aparecerá, y el parámetro de
intensidad del proceso, esta relación es a=1

Al ser un modelo adecuado para estas situaciones tiene una gran utilidad en los siguientes
casos:

 Distribución del tiempo de espera entre sucesos de un proceso de Poisson

 Distribución del tiempo que transcurre hasta que se produce un fallo, si se cumple la
condición que la probabilidad de producirse un fallo en un instante no depende del
tiempo transcurrido .Aplicaciones en fiabilidad y teoría de la supervivencia.

Ejemplos:

1. Suponga que un sistema contiene cierto tipo de componente cuyo tiempo de falla en
años está dado por la variable aleatoria T, distribuida exponencialmente con tiempo
 Abigail Acosta
983639

promedio de falla . S í 5 de estos componentes se instalan en diferentes

sistemas, ¿cuál es la probabilidad de que al menos 2 continúen funcionando después
de 8 años?

Solución:

La probabilidad de que un determinado componente esté funcionando aún después de 8

años es:

la | nos indica que la integral se va a

evaluar desde 8 hasta 

Sea x el número de componentes funcionando después de 8 años. Entonces mediante la

distribución Binomial,

n=5

p = 0.20 = probabilidad de que un componente esté funcionando después de 8 años

q = 1-p = 0.80 = probabilidad de que un componente no funcione después de 8 años

P(x  2 ) = p(x=2) + p(x=3) + p(x=4)+p(x=5) = 1 – p(x = 0, 1)

2. El tiempo que transcurre antes de que una persona sea atendida en una cafetería es
una variable aleatoria que tiene una distribución exponencial con una media de 4
minutos. ¿Cuál es la probabilidad de que una persona sea atendida antes de que
transcurran 3 minutos en al menos 4 de los 6 días siguientes?

Solución:

la nos indica que la integral

va a ser evaluada de 0 a 3

x = número de días en que un cliente es atendido antes de que transcurran 3 minutos

x = 0, 1, 2,...,6 días
 Abigail Acosta
983639

p = probabilidad de que un cliente sea atendido antes de que transcurran 3 minutos en un día
cualquiera = 0.5276

q = probabilidad de que un cliente no sea atendido antes de que transcurran 3 minutos en un

día cualquiera = 1- p = 0.4724

= 0.11587 + 0.02157 = 0.13744

DISTRIBUCIÓN NORMAL

En estadística y probabilidad se llama distribución normal, distribución de

Gauss o distribución gaussiana, a una de las distribuciones de probabilidad de variable
continua que con más frecuencia aparece aproximada en fenómenos reales.

La gráfica de su función de densidad tiene una forma acampanada y es simétrica respecto de

un determinado parámetro estadístico. Esta curva se conoce como campana de Gauss y es el
gráfico de una función. La importancia de esta distribución radica en que
permite modelar numerosos fenómenos naturales, sociales y psicológicos. Mientras que los
mecanismos que subyacen a gran parte de este tipo de fenómenos son desconocidos, por la
enorme cantidad de variables incontrolables que en ellos intervienen, el uso del modelo
normal puede justificarse asumiendo que cada observación se obtiene como la suma de unas
pocas causas independientes. De hecho, la estadística descriptiva sólo permite describir un
fenómeno, sin explicación alguna. Para la explicación causal es preciso el diseño
experimental, de ahí que al uso de la estadística en psicología y sociología sea conocido
como método correlaciona la distribución normal también es importante por su relación con
la estimación por mínimos cuadrados, uno de los métodos de estimación más simples y
antiguos.Algunos ejemplos de variables asociadas a fenómenos naturales que siguen el
modelo de la normal son:

 caracteres morfológicos de individuos como la estatura;

 caracteres fisiológicos como el efecto de un fármaco;
 caracteres sociológicos como el consumo de cierto producto por un mismo grupo de
individuos;
 caracteres psicológicos como el cociente intelectual;
 nivel de ruido en telecomunicaciones;
 errores cometidos al medir ciertas magnitudes;
 etc.
 Abigail Acosta
983639

La distribución normal también aparece en muchas

áreas de la propia estadística. Por ejemplo, la
distribución de las medias muéstrales es
aproximadamente normal, cuando la distribución
de la población de la cual se extrae la muestra no
es normal.1 Además, la distribución normal
maximiza la entropía entre todas las distribuciones
con media y varianza conocidas, lo cual la
convierte en la elección natural de la distribución
subyacente a una lista de datos resumidos en
términos de media muestral y varianza. La
distribución normal es la más extendida en
estadística y muchos test estadísticos están basados
en una supuesta "normalidad”. En probabilidad, la distribución normal aparece como el límite
de varias distribuciones de probabilidades continuas y discretas.

Ejemplos:

1) Si X es una variable aleatoria de una distribución N(µ, σ), hallar: p(µ−3σ ≤ X ≤ µ+3σ)

Es decir, que aproximadamente el 99.74% de los valores de X están a menos de tres

desviaciones típicas de la media.

2) En una distribución normal de media 4 y desviación típica 2, calcular el valor de a para

que: P(4−a ≤ x ≤ 4+a) = 0.5934
 Abigail Acosta
983639

Linkografia:

 https://www.uv.es/ceaces/base/modelos%20de%20probabilidad/exponencial.htm
 https://distribuciondaysi.weebly.com/blog/distribucion-exponencial-y-normal
 www.itchihuahua.edu.mx/academic/industrial/sabaticorita/_private/05Distr
Poisson.htm