2.

Distribución Binomial y de Poisson

Introducción
En el tema anterior estudiamos diferentes distribuciones discretas que sentaron las bases
para abordar dos modelos específicos de probabilidad, que dan cabida a gran cantidad de
experimentos aleatorios, y que se les conoce como distribución de probabilidad binomial
y distribución de probabilidad de Poisson; parte de su importancia radica en que sus
experimentos tienen resultados que se clasifican en dos categorías: éxito o fracaso.

Distribución Binomial
Analiza el siguiente experimento probabilístico:

Un estudiante del curso decide resolver un examen compuesto por cinco preguntas con tres
posibles respuestas. Como no ha estudiado, toma la decisión de intentar adivinar las
respuestas, sin siquiera leer las preguntas.

Ahora tú realiza el examen para que puedas analizar lo que sucedió con este estudiante.

¿Qué probabilidades tendrías si hubieras respondido el examen sólo adivinando?

Ahora veamos qué debería ocurrir teóricamente.

Función de probabilidad binomial

P ( X )= n ( p ) x ( q )n−x para x=0,1,2 , … . ,n

()
x
Donde:
p = probabilidad de éxito
q = probabilidad de fracaso
n= Numero de ensayos totales
x= Número de ensayos exitosos
P(X) = Probabilidad de la variable aleatoria

Muchos experimentos tienen resultados que son clasificados en dos categorías, éxito o
fracaso. Por ejemplo, el lanzamiento de una moneda, un examen de falso o verdadero, o de
respuesta correcta o incorrecta, que un producto funcione o no, etc.
Todos los experimentos que presentan estos dos eventos, se les denomina experimentos
probabilísticos binomiales o de Bernoulli y deben tener las siguientes propiedades:

 Cada ensayo tiene dos resultados posibles (éxito o fracaso)

 Hay n ensayos independientes repetidos.
 p + q = 1, p = probabilidad de éxito, q = probabilidad de fracaso; q = 1 – p
 La variable aleatoria binomial x es la cuenta del número de ensayos exitosos que ocurren: x
puede tomar cualquier valor entero entre 0 y n
Para calcular la media y la desviación estándar, podemos proceder como en los casos que se vieron
con la variable aleatoria discreta o de una forma más simplificada, para esta distribución podemos
usar las siguientes expresiones:
Media de la distribución binomial

μ=np
La varianza de la distribución binomial

σ 2=npq
La desviación estándar de la distribución binomial

σ =√ npq

A continuación te presentaremos algunos ejemplos.

Ejemplo 1

Cuál es la probabilidad de que en una familia de 6 hijos haya:

a) 4 mujeres y 2 hombres
b) 3 mujeres y 3 hombres
c) más de 3 mujeres
d) ¿Cuánto vale la media de esta distribución de probabilidad y qué significa su
valor obtenido?

Este es un experimento binomial, puesto que tiene dos posibles resultados aleatorios: nace
una mujer o un hombre.

Sea

X = el número de hijos

1
p(x )= la probabilidad de que nazca una mujer; y
2
 1
q ( x)= la probabilidad de que nazca un hombre.
2
La función de probabilidad asociada a este experimento es:

P ( X )= (nx) ( p) ( q )
x n−x

Donde sustituyendo valores, tenemos:

x 6−x
1 1
P ( X )= 6 ( )( ) ( ) para x=1,2 , … .,6
x 2 2
a) La probabilidad de que nazcan 4 mujeres y 2 hombres, significa que

1 1
x=4 , p= , q=1− p= que sustituyendo en la función binomial tendremos:
2 2

4 6−4
1 1
P ( x=4 )= 6 ( )( ) ( ) =0.2344
4 2 2

Esto significa que la probabilidad de que nazcan 2 hombres y 4 mujeres es 0.2344, o sea, el 23.44%

b) La probabilidad de que nazcan 3 mujeres y 3 hombres, significa que x=3

1 1
x=3 , p= , q=1− p= que sustituyendo en la función binomial tendremos:
2 2

3 6−3
1 1
P ( x=3 )= 6 ( )( ) ( ) =0.3125
3 2 2

La probabilidad de tener el mismo número de hijos que de hijas en esta familia es igual a
0.3125, o sea, el 31.25%.

c) más de 3 mujeres, significa que x=4,5 ó 6 mujeres

P ( x ) = 6 ( 0.5 )4 ( 0.5 )2 + 6 ( 0.5 )5 ( 0.5 )1 + 6 ( 0.5 )6 ( 0.5 )0 =0.2344+ 0.1937+0.0156=0.3437

() () ()
4 5 6

La probabilidad de nazcan más de tres mujeres es de 0.3437, es decir, el 34.37%.

d) La media se calcula usando μ=np

Donde n=6 hijos y p=0.5, por lo tanto μ= ( 6 ) ( 0.5 )=3
Significa que en promedio se espera que en una familia con seis hijos, tres sean mujeres.
Ejemplo 2

El 0.5% de las piezas producidas por una máquina son defectuosas. La máquina se lleva a
reparación si al tomar una muestra aleatoria de 10 piezas se encuentran dos o más
defectuosas. Obtén la probabilidad de que la máquina sea sometida a reparación con este
esquema de muestreo.

Sea X las piezas defectuosas, la variable aleatoria.

X=1,2,3,……,10 y n=10 piezas

p= 0.005 es la probabilidad de que la pieza salga defectuosa.
q = 1-0.005 = 0.995, que es la probabilidad de que la pieza salga buena.

La función de probabilidad asociada a este experimento es:

(10x ) ( 0.005 ) ( 0.995 )

P ( x) =
x 10−x
para x=0,1,2, … .10
De acuerdo al enunciado del ejemplo, sabemos que la máquina se manda a reparación si en una
muestra tomada en forma aleatoria se encuentran 2 o más piezas defectuosas.

Sea P(D) la probabilidad de que salgan dos o más piezas defectuosas, de tal forma que:

P ( D )=P ( x=2 ) + P ( x=3 )+ …+ P ( x=10 )

Y que es equivalente a tener:
P ( D )=1− [ P ( x=0 )+ P ( x=1 ) ]

P ( D )=1− 10 ( 0.005 )0 ( 0.995 )10+ 10 ( 0.005 )1 ( 0.995 )9

0 [( ) 1 ( ) ]
P ( D )=1−0.9989=0.0011
En conclusión, la probabilidad de que la máquina se mande a reparación es de 0.0011, es decir, del
0.11%

Otro ejemplo de una distribución de probabilidad discreta que veremos en nuestro curso es
la llamada distribución de Poisson, que tiene la característica de describir diversos procesos
que consisten en observar lo que se conoce como eventos discretos en un intervalo
continuo.
Distribución de Poisson
La distribución de Poisson se llama así en honor a su creador, el francés Simeón Dennis Poisson
(1781-1840). Esta distribución de probabilidades fue uno de los múltiples trabajos matemáticos que
Dennis completó en su productiva trayectoria.

La distribución de Poisson se emplea para describir diversos procesos que consisten en observar lo
que se conoce como eventos discretos en un intervalo continuo, como la distribución de las
llamadas telefónicas que llegan a un conmutador entre las 9:00 y las 10:00 horas; las entradas de los
automóviles a la caseta de cobro de la autopista México Cuernavaca; la llegada de un cliente al
banco durante una hora. Estos ejemplos tienen un elemento en común y es que pueden ser descritos
por una variable aleatoria discreta, en un periodo continuo de tiempo, la cual asume valores
enteros (0,1,2,3,4,5...).

En una distribución de Poisson, la letra X suele representar la variable aleatoria discreta y puede
además asumir valores enteros (0, 1, 2, 3, etc.). Ten presente que utilizamos la letra X mayúscula
para representar la variable aleatoria y la x minúscula para designar un valor específico que puede
asumir la variable aleatoria (X)
La probabilidad de exactamente x ocurrencias en una distribución de Poisson se calcula mediante la
siguiente expresión:

λx
P X= λ
( )
e x!
Donde:
e = 2.7182
x = número de éxitos que se desea que ocurran
λ = media o valor central

A continuación se muestran las expresiones para calcular la media, la varianza y la distribución

estándar de la distribución de Poisson.
Media

μ= λ=np
La varianza

σ 2=λ
La desviación estándar de la distribución binomial

σ =√ λ
Observa que la media de la distribución de Poisson se determina de la misma forma que en
la binomial, además la media y la varianza para esta distribución son iguales.

A continuación te presentamos algunos ejemplos sobre la aplicación de la distribución de

Poisson en diferentes contextos. En ellos podrás apreciar que en este tipo de experimentos
los éxitos buscados son expresados por pieza, tiempo, unidad de área, etcétera.

Ejemplo 1

Imagina que estás investigando la seguridad vehicular de un crucero muy peligroso en la

calzada Ignacio Zaragoza. Los archivos de la policía indican una media de cinco accidentes
por mes. Ciertos analistas han determinado que el número de accidentes está distribuido
conforme a la distribución de Poisson, por lo que el departamento de seguridad de la policía
quiere calcular la probabilidad de que ocurran exactamente 0, 1, 2 ó 3 accidentes en un mes
cualquiera.

λx
Solución: aplicando la fórmula de Poisson P X= λ
( )
e x!
El problema indica una media de cinco accidentes por mes, por lo tanto, λ =5. Nos interesa analizar
lo que sucede cuando X toma valores iguales a 0, 1, 2 ó 3, que corresponde al número de accidentes
en un mes y considerando que e = 2.7182.

50
P ( x=0 )= =0.0067
e 5 0!
51
P x=1 = 5 =0.0337
( )
e 1!
52
P ( x=2 )= 5 =0.0842
e 2!
53
P ( x=3 )= 5 =0.1404
e 3!
Conviene organizar esta información en una tabla de distribución de probabilidad.

X P(X)
0 0.0067
1 0.0337
2 0.0842
3 0.1404

En la tabla se puede leer la probabilidad de que ocurran 0, 1, 2 ó 3 accidentes en un mes

cualquiera.

Así, por ejemplo, se observa que la probabilidad de que haya exactamente 3 accidentes es
de 0.1404, que es equivalente al 14.04%.
Podemos hacernos más preguntas a partir de la tabla de distribución, por ejemplo:

¿Cuál es la probabilidad de que haya al menos un accidente?

Para dar respuesta a la pregunta, tendremos que sumar:

P ( X )=P ( x=1 ) + P ( x=2 ) + P ( x=3 )=0.0337+ 0.0842+ 0.1404=0.2583

O sea, que el 25.83% es la probabilidad de que haya al menos un accidente en un mes.

Ejemplo 2

Si el Banco de México recibe en promedio 9 cheques sin fondos por día. Cuál es la
probabilidad de que reciba:

a) 5 cheques sin fondos en un día dado

b) Más de un cheque sin fondos por día

Solución:

a) 5 cheques sin fondos en un día dado

La variable aleatoria discreta, X corresponde al número de cheques que llegan sin fondos al Banco
de México.

x = 1,2,3,…. Cheques que llegan sin fondos

λ =9, es decir, el número de cheques en promedio, que recibe diario el Banco de México, sin fondos
por día.

95
P ( x=5 )= =0.06073
e9 5 !

b) Más de un cheques sin fondos por día

x = 1,2,3,…. Cheques que llegan sin fondos

λ =9 P ( X )=1−[ P ( x=0 ) + P ( x=1 ) ] aplicando la propiedad p+ q = 1, sustituyendo valores

tendremos:

90 91
[
P ( X )=1− 9 + 9 =0.9987
e 0! e 1! ]
es la probabilidad de que reciba más de un cheque sin fondos en un día. (Se puede observar que es
bastante alta la probabilidad.)
2.1 Aproximación de la distribución binomial por medio de la distribución de Poisson

Cuando n el tamaño de la muestra, es relativamente grande y p la probabilidad de éxito, pequeña,

las probabilidades binomiales a menudo se aproximan por medio de la fórmula de Poisson y deben
cumplir con las siguientes condiciones:

La probabilidad p de éxito debe ser menor que 0.10, esto es p=¿ 0.10 y la media de una
distribución discreta binomial está dada por μ=(n)( p)<10
Veamos un ejemplo en donde es conveniente utilizar la aproximación.

Ejemplo 1
Un ingeniero, que labora en el departamento de control de calidad de una empresa eléctrica,
inspecciona una muestra al azar de 200 alternadores de un lote. Si el 2% de los alternadores
del lote están defectuosos, cuál es la probabilidad de que en la muestra:

a) ninguno esté defectuoso

b) uno salga defectuoso
c) al menos dos salgan defectuosos
d) más de tres estén con defectos

Solución:

Primero debemos verificar que se cumplan las condiciones antes mencionadas para utilizar
la distribución de Poisson.

Podemos observar que:

p=0.02 y μ=( n )( p ) =( 0.02 )( 200 )=4

Por lo tanto, ambos valores cumplen con las condiciones, de manera que sí podemos usar la
aproximación propuesta.

Donde λ =4

λx
a) Ninguno esté defectuoso. Usando la expresión P X = λ
( )
e x!
 40
Tenemos que P ( x ) = =0.01831
e4 0 !

Puesto que la probabilidad de éxito, en el contexto de nuestro problema, es que el artículo esté
defectuoso, o sea, que x = 0 alternadores defectuosos.

b) Uno salga defectuoso

41
P ( x=1 )= =0.07326
e 4 1!

La probabilidad de que, al tomar al azar cualquier alternador del lote, uno salga defectuoso es
7.326%

c) Al menos dos salgan defectuosos

P ( X )=1−[ P ( x=0 ) + P ( x=1 ) ]

Recuerda que

P ( x=0 ) + P ( x=1 ) +… P ( x=200 )=1

40 41
P ( X )=1−
[ +
]
e 4 0! e 4 1!
=1−0.0183−0.0733=0.9084

La probabilidad de que al menos dos salgan defectuosos es P(X) = 0.9084

d) Más de tres estén con defectos

42 43
P ( X )=1−[ P ( x=0 ) + P ( x=1 )+ P ( x=2 ) + P ( x=3 ) ]=1−0.0183−0.0733−
[ +
]
e 4 2! e 4 3 !
=0.5665

P(X) = 0.5665 es la probabilidad de que más de tres alternadores estén con defecto.

Con la siguiente actividad de aprendizaje concluimos el estudio de las distribuciones de

probabilidad binomial y de Poisson, que son ejemplos de distribuciones de probabilidad de
variables aleatorias discretas

Conclusión
Las características básicas de las distribuciones de frecuencia y de probabilidad son
semejantes, pero con la diferencia importante de que, por lo general, las distribuciones de
probabilidad representan distribuciones teóricas o hipotéticas, y las de frecuencia
representan observaciones obtenidas de experimentos reales. Así una distribución de
probabilidad dice, de manera teórica, lo que se puede observar en una distribución de
frecuencias.