DISTRIBUCIÓN BINOMIAL Y DISTRIBUCIÓN DE POISSON

Anteriormente vimos la distribución normal o de Gauss,

ahora veremos dos distribuciones mas:
• la distribución binomial.
• la distribución de Poisson

DISTRIBUCIÓN BINOMIAL
En esta clase se describe la distribución binomial, que no
es de mucha importancia practica para el físico
experimental. Su sencillez, sin embargo, hace que sea una
excelente introducción a muchas de las propiedades de las
distribuciones, y en teoría es importante, porque podemos
derivar la distribución de Gauss de suma importancia.
• Veamos un ejemplo.
• Supongamos que lanzamos tres dados y anotamos el
número de ases que muestran.
• Los posibles resultados del experimento son las respuestas
0, 1, 2, o 3 ases.
• Si repetimos el experimento un enorme número de veces,
nos encontraremos con la distribución límite, que nos dirá la
probabilidad de que en cualquier tirada (de los tres dados)
obtenemos v ases, donde = 0, 1, 2 o 3
• la probabilidad de obtener un as al lanzar un dado es
• Tiramos los tres dados ¿cuál es la probabilidad de obtener
tres ases ( = 3)?
• Debido a que cada dado por separado tiene una
probabilidad de , y debido a que los tres dados ruedan de
forma independiente, la probabilidad de que tres ases es
¿Cuál es la probabilidad de obtener 2 ases al tirar los 3 dados?

Hay varias posibilidades

La probabilidad para los dos primeros ases es 1/6 y para el
tercero que no sea un as será 5/6
Por lo tanto la probabilidad de tener dos ases al tirar los 3
dados es:

Lo mismo será para las otras posibilidades

DADO 1 DADO 2 DADO 3 Hay 3 posibilidades de obtener los
SI SI NO dos ases
SI NO SI Hay 3 ordenes diferentes, por
NO SI SI lo tanto:
Análogamente :
Para obtener 1 as en 3 tiros es 57,9%
Para obtener 0 ases en 3 tiros es 57,9%
Ejemplo: Al lanzar dos dados la suma de ambos puede asumir 11 valores diferentes
en 36 puntos muestrales

En este caso vemos que la distribución de p(x) obtenida es simétrica.

Para el caso de 1 solo dado, donde todos los valores tienen la misma
probabilidad de salir (1/6), obtendríamos una
distribución uniforme
Función de probabilidad de la variable aleatoria X

6/36
P
5/36 5/36

4/36 4/36

3/36 3/36

2/36 2/36

1/36 1/36

2 3 4 5 6 7 8 9 10 11 12 X

Observa que cumple las dos condiciones: es siempre positiva y está normalizada.

6
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.
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 -éxitos y (n- ) fracasos debemos calcular éstas
por combinaciones (número combinatorio n sobre ).
Se suele representar por siendo n y p los
parámetros de dicha distribución.
PROPIEDADES
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 (bajo 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
•Desintegraciones nucleares
•etc
• Como un ejemplo de la distribución de Poisson, suponemos
que se nos da una muestra de material radiactivo y
utilizamos un detector adecuado para encontrar el número
de partículas de desintegración eyectadas en un intervalo
de dos minutos. Si el contador es fiable, nuestro valor no
tendrá incertidumbre.
• Sin embargo, si repetimos el experimento, casi sin duda
obtener un valor diferente para .
• Esta variación en el número no refleja las incertidumbres
en nuestro conteo; Más bien, refleja el carácter
intrínsecamente aleatorio del proceso de desintegración
radiactiva.
• Cada núcleo radiactivo tiene una probabilidad definida de
decaimiento en el intervalo de dos minutos.
• Si supiéramos esta probabilidad y el número de núcleos
en nuestra muestra, podríamos calcular el número
promedio esperado de decaimientos en dos minutos.
• Sin embargo, cada núcleo se desintegra en un tiempo
aleatorio, y en cualquier intervalo de dos minutos dado, el
número de desintegraciones puede ser diferente del
número promedio esperado
• De la clase anterior se reconoce que la distribución requerida es
la distribución binomial. Si hay n núcleos y la probabilidad de que
un núcleo se desintegra es P, entonces la probabilidad de
decaimientos es justamente la probabilidad de "éxitos" en "n
ensayos," o ).
• En el tipo de experimento que estamos discutiendo, sin embargo,
existe una importante simplificación.
• El número de «tiradas" (es decir, núcleos) es enorme ( ),
y la probabilidad de "éxito" (decaimiento) para cualquier núcleo
! ).
es muy pequeño (a menudo tan pequeños como
• En estas condiciones (n grande y p pequeña ), la distribución
binomial puede demostrarse que es indistinguible de una función
simple llamada la distribución de Poisson. Específicamente, se
puede demostrar que
 #
!"
"
" #
#$
SOLUCIÓN
%
# "