FACULTAD DE INGENIERIA DE MINAS

UNIVERSIDAD NACIONAL GEOLOGIA Y METALURGÍA

“SANTIAGO ANTÚNEZ DE MAYOLO” ESCUELA ACADÉMICO

PROFESIONAL ING. MINAS

Lic. Martha Vanessa Poma Blas

1
 Distribución binomial

La distribución binomial aparece cuando estamos

interesados en el número de veces que un suceso
A ocurre (éxitos) en n intentos independientes de
un experimento.
P. ej.: # de caras en n lanzamientos de una moneda.

Si A tiene probabilidad p (probabilidad de éxito) en

un intento, entonces 1-p es la probabilidad de que A
no ocurra (probabilidad de fracaso).

2
Distribución Binomial

Supongamos que un experimento aleatorio tiene las siguientes características:

•En cada prueba del experimento sólo son posibles dos resultados: el suceso A
(éxito) y su contrario Ā (fracaso).
•El resultado obtenido en cada prueba es independiente de los resultados
obtenidos anteriormente.
•La probabilidad del suceso A es constante, la representamos por p, y no varía
de una prueba a otra. La probabilidad de Ā es 1- p y la representamos por q .

El experimento consta de un número n de pruebas.

Todo experimento que tenga estas características diremos que sigue el modelo de la
distribución Binomial. A la variable X que expresa el número de éxitos obtenidos
en cada prueba del experimento, la llamaremos variable aleatoria binomial.
Experimento aleatorio: n = 3 lanzamientos de una moneda.
Probabilidad de éxito en cada lanzamiento (cara) = p.
Probabilidad de fracaso en cada lanzamiento (cruz) = 1- p = q.

3 p 2 (1  p)

3 p(1  p) 2

4
 Supongamos que el experimento consta de n
intentos y definamos la variable aleatoria:

X = Número de veces que ocurre A.

En nuestro ejemplo: X = Número 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
x n-x n
ordenación es p q y existen  x  idénticas
 
ordenaciones. 5
Distribución Binomial
La variable binomial es una variable aleatoria discreta, sólo puede tomar los valores
0, 1, 2, 3, 4, ..., n suponiendo que se han realizado n pruebas.
Como hay que considerar todas las maneras posibles de obtener k-éxitos y (n-k)
fracasos debemos calcular éstas por combinaciones (número combinatorio n sobre k).

Se suele representar por B(n,p) siendo n y p los parámetros de dicha distribución.

Función de probabilidad de la distribución Binomial

o también denominada función de la distribución de Bernoulli (para n=1).
Verificándose: 0  p  1

Probabilidad de obtener K éxitos

n k nk
p( X  k )     p  q
k
La función de probabilidad P(X = x) será
la distribución binomial:

n x n x n! n x
B(n, p)  p( x)    p (1  p)  p (1  p)
x

 x x!(n  x)!

Distribución binomial para n = 5 y

distintos valores de p, B(5, p)

7
8
Distribución Binomial
Parámetros de la Distribución Binomial

Función de Distribución de la variable aleatoria Binomial

n 0 n n 1 n 1 n k nk
F ( x1 )  p( X  x1 )     p q   p q  ....     p q
0 1 k
Siendo K el mayor número entero menor o igual a xi

Esta función de distribución proporciona, para cada número real xi, la probabilidad
de que la variable X tome valores menores o iguales que xi.
Distribución Binomial
Resumen Distribución Binomial
Sea X una variable aleatoria discreta correspondiente a una distribución binomial.
Distribución Binomial
Ejemplo
La probabilidad de éxito de una determinada vacuna es 0,72. Calcula la
probabilidad de que una vez administrada a 15 pacientes:
a) Ninguno sufra la enfermedad
b) Todos sufran la enfermedad
c) Dos de ellos contraigan la enfermedad

Solución :
Se trata de una distribución binomial de parámetros B(15, 0'72)
Ejercicio:
¿Cuál es la probabilidad de que en una familia de 4 hijos
exactamente 2 sean niñas?

n x
p(x)    p ( 1  p)n  x
 x
p  0.5; n  4; x  2
 4
p( 2 )    ( 0.5 ) ( 1-0.5 )
2 4- 2

 2

13
Ejercicio:
Si una décima parte de personas tiene cierto grupo sanguíneo,
¿cuál es la probabilidad de que entre 100 personas escogidas al
azar exactamente 8 de ellas pertenezcan a este grupo sanguíneo?

n x n x
 
p(x)    p ( 1  p)
 x
p  0.1; n  100; x  8
100 
p( 8 )    ( 0.1 )8( 1-0.1 )92
 8 

14
¿Y si la pregunta es 8 como máximo?

8
n x
p(x  8 )     p ( 1  p)n  x
x 0  x 

8
100 
   (0.1) x ( 0.9 )100 x
x 0  x 

15
Calcula la probabilidad de obtener al menos dos seises al
lanzar un dado cuatro veces.

 n  k nk
P(k )    p q (k  0,1,....n)
k 
p = 1/6, q = 5/6, n = 4

Al menos dos seises, implica que nos valen k = 2, 3, 4.

P(2) + P(3) + P (4)

 4  1   5   4  1   5   4  1 
2 2 3 4

               

 2  6   6   3  6   6   4  6 
1 171
 4 (6  25  4  5  1)   0.132
6 1296
16
Ejercicio:
Supongamos que la probabilidad de encontrar una estrella de
masa m* >10 M en un cúmulo estelar joven es del 4%.
¿Cuál es la probabilidad de que en una muestra escogida al azar,
entre 10 miembros del cúmulo encontremos 3 estrellas con m*
>10 M?
n x
p(x)    p ( 1  p)n  x
 x
p  0.04; n  10; x  3
10 
p( 3 )    ( 0.04 ) ( 1-0.04 )  0.043 0.967  0.006
3 10- 3

3

17
Chuck-a-luck: Elige un número entre 1 y 6. Lanzas 3 dados.
Si el número que has elegido sale en los 3 dados cobras
3 euros. Si sale en 2 cobras 2 euros. Si sale en un dado
cobras 1 euro. Y si no sale en ninguno, pagas 1 euro.
¿Es un juego justo?

 3  1   3  1 
3 0 2
5 5
        3      2
 3  6  6  2  6  6
 3  1   3  5 
1 2 3
5
      1      (1)  0.08
 1  6  6  0  6 

18
 Características de la distribución
binomial
Media
= E(X) = n p .6
P(X) n = 5 p = 0.1
= 5 · 0.1 = 0.5 .4
.2

= 5 · 0.5 = 0.25 0 X
0 1 2 3 4 5

Desviación estándar
P(X) n = 5 p = 0.5
  np(1  p) .6
.4

  5  0.1 (1  0.1)  0.67 .2

0 X

  5  0.5  (1  0.5)  1.1 0 1 2 3 4 5

19
 Distribución de Poisson
Cuando en una distribución binomial el número de intentos (n)
es grande y la probabilidad de éxito (p) es pequeña, la
distribución binomial converge a la distribución de Poisson:


e  x
p ( x)  , x  0,1,2,...   0
x!
donde np = 
Observa que si p es pequeña, el éxito es
un “suceso raro”.

La distribución de Poisson, junto con la uniforme y la

binomial, son las distribuciones más utilizadas. 20
Distribución de Poisson
Esta distribución aparece en algunos procesos que tienen una dimensión temporal
o espacial, y en fenómenos que tienen un alto número de experimentos (alto n) y
una baja probabilidad de que ocurran (baja p).
Ejemplos:
• número de llamadas telefónicas que recibe un servicio de atención a urgencias
durante un intervalo de tiempo determinado
•número de cultivos infectados por una plaga en una cierta región geográfica

La función de probabilidad de una variable aleatoria de Poisson con media  > 0,

que simplificamos con la notación P(), es

siendo su función de distribución el sumatorio de cada uno de los valores

menores.

La media y varianza de X son ambas iguales a ,

E[S] = V[S] = .
Un proceso poissoniano es aquél compuesto de eventos
discretos que son independientes en el espacio y/o en el
tiempo.
Por ejemplo la llegada de fotones a un detector.

Usemos la distribución binomial para modelar el proceso.

Podemos dividir el intervalo de tiempo en el que ocurre el
proceso en n subintervalos suficientemente pequeños, como
para asegurarnos que a lo sumo se produce un evento en cada
subintervalo. De modo que en cada subintervalo, o se
producen 0 o 1 ocurrencias.
A lo sumo llega un fotón en cada subintervalo o ninguno.

De modo que podemos entender el proceso como un

experimento de Bernoulli. Para determinar p, podemos
razonar de la siguiente manera:
22
En promedio se producirán λt ocurrencias en un intervalo de
tiempo t. Si este intervalo se divide en n subintervalos,
entonces esperaríamos en promedio (usando Bernoulli):
np ocurrencias. Así: λt = np, p = λt / n.

Sin pérdida de generalidad supongamos que t = 1 y que X

es la variable aleatoria = número total de ocurrencias.
Sabemos que:
 
n

P( X  0)  B(n, p,0)  (1  p)  1  
n

 n
Observa que para n grande P(X = 0) es aproximadamente e-λ.
Además para n grande (y por tanto p muy pequeño):

B(n, p, k )   (k  1) p 
 
B(n, p, k  1) k (1  p) k 23
 
Tenemos entonces B(n, p,0)  e
la siguiente ecuación

iterada: B(n, p, k )  B(n, p, k  1)
k

Que nos proporciona:


P( X  1)  B(n, p,1)  e
2
P( X  2)  B(n, p,2)  e 
2
...
k
P( X  k )  e 
k!
24
Bombas sobre Londres en la II Guerra Mundial (Feller)
Supón que vivías en uno de los 100 bloques que aparecen en la gráfica inferior. La
probabilidad de que una bomba cayera en tu bloque era 1/100. Como cayeron 400
bombas, podemos entender el número de impactos en tu bloque como el número
de éxitos en un experimento de Bernoulli con n = 400 y p = 1/100. Podemos usar una
Poisson con λ=400 1/100=4:
e 4 4 x
400 bombas p ( x) 
x! Observado

Predicho

10 x 10 25
 Características de la distribución de
Poisson

Media P(X) = 0.5

  E (X )   .6
.4
.2
0 X
Desviación estándar 0 1 2 3 4 5

   P(X) = 6
.6
.4
Nota: el máximo de la distribución .2
se encuentra en x   0 X
0 2 4 6 8 10
26
Distribución de Poisson
Ejemplo
El número de enfermos que solicitan atención de urgencia en un hospital
durante un periodo de 24 horas tiene una media de  = 43,2 pacientes. Unas
obras en las instalaciones mermarán las capacidades de atención del
servicio, el cual se sabe que colapsará si el número de enfermos excede de
50. ¿Cual es la probabilidad de que colapse el servicio de urgencias del
hospital?

Bajo las condiciones del modelo de Poisson, se trata de una distribución

P(43,2). La probabilidad solicitada es

Pr{X > 50} = 1 - Pr{X <= 50} = 1 - F(50) = 0.13.

El responsable del servicio deberá valorar si esta probabilidad es lo

suficientemente alta como para reforzar la atención de urgencias con más
efectivos, materiales, espacios, etc.
 Distribución de Poisson
Ejemplo
Cierta enfermedad tiene una probabilidad muy baja de ocurrir, p=1/100.000. Calcular
la probabilidad de que en una ciudad con 500.000 habitantes haya más de 3 personas
con dicha enfermedad.
Calcular el número esperado de habitantes que la padecen.

Consideramos la v.a. X que contabiliza el número de personas que padecen la

enfermedad, es claro que sigue un modelo binomial, pero que puede ser muy bien
aproximado por un modelo de Poisson, de modo que

Así el número esperado de personas que padecen la enfermedad es

Existe una gran dispersión, y no sería extraño encontrar que en realidad hay muchas más
personas o menos que están enfermas. La probabilidad de que haya más de tres personas
enfermas es:

P=0.7365
La distribución de Poisson se obtiene como aproximación de
una distribución binomial con la misma media, para ‘n grande’
(n > 30) y ‘p pequeño’ (p < 0,1). Queda caracterizada por un único
parámetro μ (que es a su vez su media y varianza).

  n p = 

Distribución de Poisson para varios valores de .

29
 Si la probabilidad de fabricar un televisor defectuoso es
p = 0.01, ¿cuál es la probabilidad de que en un lote de 100
televisores contenga más de 2 televisores defectuosos?
La distribución binomial nos daría el resultado exacto:
  99    99   1    99   1 
100 99 98 2
100 100 100
P( A )  
c
             
 0  100   1  100   100   2  100   100 
 0.9206  n  x n x
p( x)    p q ( x  0,1,....n)
 x

El suceso complementario Ac: No más de 2 televisores

defectuosos puede aproximarse con una distribución de
Poisson con  = np = 1, sumando p(0) + p(1) + p(2).
1 μ x μ
P( A )  e (1  1  12 )  0.9197
c p ( x) 
x!
e ( x  0,1,....)
30
La señal 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.

Una distribución de Poisson μ x μ

p ( x)  e ( x  0,1,....)
con μ = 10. x!

P(7) = 107 e−10 / 7! = 0.09, es decir 9%

Parece muy baja. Comparemos con el valor de máxima probabilidad
que ocurrirá para x = 10:
μ = 10 P(10) = 1010 x e−10 / 10! = 0.125, es decir 12.5%
Las probabilidades poissonianas para un número de eventos dado,
son siempre pequeñas, incluso en el máximo de la distribución de
probabilidad.
31
Si en promedio, entran 2 coches por minuto en un garaje, ¿cuál
es la probabilidad de que durante un minuto entren 4 o más
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 pequeño será también pequeño – podemos
aproximar la distribución a una Poisson con  = np = 2.

El suceso complementario “entran 3 coches o menos” tiene

probabilidad:
2 20
P( A )  p(0)  p(1)  p(2)  p(3)  e ( 
c
0!
21
1!  22
2!  )  0.857
23
3!

y la respuesta es 1 – 0.857 = 0.143 μ x μ

p ( x)  e ( x  0,1,....)
x! 32
33
"El éxito es simplemente la aplicación diaria de la
disciplina"