TEMA 5.

MODELOS DE PROBABILIDAD
DISCRETOS

5.1 Distribucin binomial

5.1.1 Definicin. Ejemplos
5.1.2 La media y la varianza
5.1.3 Aditividad

5.2 Distribucin de Poisson

5.2.1 Definicin. Ejemplos
5.2.2 La media y la varianza
5.2.3 Aditividad
5.2.4 Aproximacin de Binomial a Poisson
 5.1 Distribucin binomial

5.1.1 Definicin. Ejemplos

Sea un experimento aleatorio en el que slo puedan darse

dos posibilidades: que ocurra un determinado suceso A, que
llamaremos xito, o que no ocurra dicho suceso, o sea que
ocurra su complementario, que llamaremos fracaso, A .
Se conoce la probabilidad de ocurrencia del suceso A, y
por lo tanto la de su complementario:

P A p ; P A 1 p q

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 xitos) en n
realizaciones independientes del experimento

Por lo tanto, X: 0, 1, 2 , 3, n

X B(n; p)
 Funcin de probabilidad

P( X r ) n
r
p r qn r

pr qn r
n!

r ! n r !

r : 0,1,2,..., n

Puede comprobarse que se verifica:

n n
n p r q nr 1
P( X r ) r
r 0 r 0
 Ejemplos

N de caras al lanzar 20 veces una moneda

N de aprobados si se presentan 80 alumnos a un

examen

N de familias con un solo hijo en una poblacin de

120 familias

N de reacciones negativas ante un frmaco

administrado a 40 pacientes

N de accidentes de trfico si han circulado 1200

automviles

N de semillas que germinan de las 20 semillas que

se han plantado en suelos de idntica composicin
 5.1.2 La media y la varianza

Media

n
E[ X ] rP( X r ) np
r 0

Varianza

n
Var[ X ]
2
( r ) 2
P( X r ) npq
r 0

Funcin Generatriz de momentos

n
m(t ) E etX pet q

Ejemplo

Diez individuos entran en contacto con un portador de

la tuberculosis. La probabilidad de que la enfermedad
se contagie a un sujeto cualquiera es de 0.1. Cuntos
se espera que contraigan la enfermedad?
Solucin:

X B (10; 0.1) E ( X ) 10 0.1 1

 Un hombre y una mujer, cada uno con un gen recesivo
(Azul) y uno dominante (Marrn) para el color de los ojos,
son padres de tres hijos. Cul es la distribucin de
probabilidades para X, nmero de hijos con ojos azules?
E = {(AA), (AM), (MA), (MM)}
A = Ojos Azules; P ( A ) = p =1/4; n = 3
X = {N de hijos con ojos azules de 3 hijos}

X B(n ; p) B(3; 0.25)

r 3 n r

P( X r ) nr p r qn r 3r
1
; r 0, 1, 2, 3
4 4

3 1 3
0 3
P( X 0) 0.4219
0 4 4
3 1
1 2
3
P( X 1) 4 0.4219
1 4

3 1 3
2 1
P( X 2) 0.1406
2 4 4
3 1
3 0
3
P( X 3) 4 0.0156
3 4
 5.1.3 Aditividad

Sean k variables aleatorias, X1, X2,...,XK , que verifican:

Independientes entre s
Xi B ( ni ; p ), i = 1, 2,k

Definimos la variable aleatoria X como:

X X1 X 2 .... X k

En estas condiciones se verifica que la variable aleatoria

X sigue una distribucin Binomial:

X B (n1 ... n k ; p)
 5.2. Distribucin de Poisson

5.2.1 Definicin. Ejemplos

Se define la variable aleatoria X como el nmero de

sucesos que ocurren en un intervalo continuo de tiempo,
longitud o espacio, de un tamao determinado.
Sea el nmero medio de sucesos que ocurren en estos
intervalos.
La variable aleatoria as definida sigue una distribucin
de Poisson de parmetro

X P

Ejemplos

N de leucocitos en una gota de sangre

N de veces que una planta de energa nuclear emite

gases radiactivos en un periodo de tres meses
 Funcin de probabilidad

r
P( X r ) e ; r 0,1, 2,3,...; 0
r!
Puede comprobarse que se verifica:

r
P( X r ) r!
e 1
r o r o
5.2.2 La media y la varianza

Funcin Generatriz de momentos

m(t ) E etX e

et 1

La media

E[ X ]

Varianza

Var [ X ] 2
 Ejemplos

Nmero de bacterias nocivas por cada cm3 de agua.

Nmero de partculas radiactivas emitidas cada hora

por una cierta sustancia.

Nmero de erratas por pgina.

Nmero de plantas por rea.

Nmero de autobuses que pasan por una parada en

una hora.

Nmero de linces por rea que hay en el parque de

Doana.

Nmero de notas Do que hay en una obra musical

cada 16 compases.
 5.2.3 Aditividad

Sean k variables aleatorias, X1, X2,...,XK , que verifican:

Independientes entre s
Xi P (i ), i = 1, 2,k

Definimos la variable aleatoria X como:

X X1 X 2 .... X k

En estas condiciones se verifica que la variable aleatoria

X sigue una distribucin de Poisson:

X P ( 1 ... k )
 Ejemplo

Una solucin contiene 3 tipos de virus A, B y C. En un

mm3 de solucin hay una media de 2 virus de tipo A, 4 virus
de tipo B y 3 virus de tipo C. Obtener las siguientes
probabilidades:
a.- En 3 mm3 de solucin haya mas de 1 virus de tipo A
b.- En 4 mm3 de solucin haya 5 virus de tipo B
c.- En 2 mm3 de solucin haya 7 virus de tipo A o C
d.- En 1 mm3 de solucin haya 8 virus de tipo A, B o C.
a. X : N de virus A en una solucin de 3 mm3
X P 3 2
P( X 1) 1 P( X 1) 1 P( X 0) P( X 1)
1 0.0025 0.0149 0.9826

b. Y : N de virus B en una solucin de 4 mm3

Y P 4 4
16 5 16
P(Y 5) e 0.01198
5!
c. Z = N de virus A o C en una solucin de 2 mm3
Z P 2 2 2 3
P( Z 7) 0.0901
d. V = N de virus A, B o C en una solucin de 1 mm3
V P 2 4 3 P(V 8) 0.1318
 5.2.4 Aproximacin de una Binomial
a una Poisson

Sea X una v.a. con distribucin Binomial

X B(n; p)

Si se verifica que

n > 30 y p < 0.1

o bien
np 5

La distribucin binomial se aproxima a una

distribucin de Poisson de parmetro = np

X P( np)
 Ejemplo

La probabilidad de que al administrrsele un antibitico a

un ave rapaz en recuperacin se le presente una reaccin
negativa es 0.05. Si se le va a administrar el antibitico a
80 de estas aves, calclese la probabilidad de que:
1. No haya reaccin negativa en ningn ave
2. Al menos haya reaccin negativa en dos de ellas
3. Como mucho la haya en 5

Solucin:
Suceso A : " A un ave se le presenta reaccin negativa "
X :" n de aves a las que se les presenta tal reaccin "

P( A ) 0.05; n 80; X B (80 ; 0.05)

n > 30 y p < 0.1

X P ( np) P ( 80 0.05) P ( 4)
1. P( X 0) 0.0183
2. P( X 2) 1 P( X 1) 1 P( X 0) P( X 1)
0.9084
3. P( X 5) P( X 0) ... P( X 5) 0.7851