IMPORTANCIA DE LA DISTRIBUCION BINOMIAL Y DE

POISSON
MILLER RODRIGUEZ RODRIGUEZ

El contenido de este ensayo fue redactado por el estudiante Miller Rodriguez Rodriguez bajo la tutora del
docente Ing. Ramiro Polanco pertenecientes a la escuela de ingenieras de la Corporacin Universitaria del
Meta, el autor reside en la ciudad de Cumaral Meta (Colombia) en la calle 13 # 12-31(Los Moriches) con
direccin de corre electrnico milleradrian31@hotmail.com.

________________________________________________________________________________________

DISTRBUCION BINOMIAL.
A menudo cuando nos encontramos
estudiando una carrera universitaria somos
bombardeados con mucha informacin por
parte de la academia, sin embargo no
hallamos conciencia de la importancia de
dicha informacin menospreciando la
aplicacin de estos conocimientos al igual
atacamos sin misericordia al docente cuando
por no prestar atencin a la clase, no
entendemos lo enseado y para escudar la
falta de atencin expresamos comentarios
como: para que me va ha servir esto en mi
vida laboral?.
Bien ahora los invito a reflexionar sobre lo
siguiente: ser que la distribucin bionomal
nos puede servir para algo, para averiguarlo
debemos entender de que estamos hablando
comencemos por estudiar la historia de este
tipo de distribucin fue desarrollada por
Jakob Bernoulli (Suiza, 1654-1705) es la
principal distribucin de probabilidad
discreta.
Una distribucin de probabilidad
ampliamente utilizada de una variable
aleatoria discreta es la distribucin binomial.
Esta describe varios procesos de inters para
los administradores. Describe datos discretos,
resultantes de un experimento denominado
proceso de Bernoulli en honor del
matemtico suizo Jacob Bernoulli, quien
vivi en el siglo XVII.
Empleo del proceso de Bernoulli. Podemos
servirnos de los resultados de un nmero fijo
de lanzamientos de una moneda como
ejemplo de un proceso de Bernoulli. Este
proceso lo describimos as:
1. Cada ensayo (cada lanzamiento, en nuestro
caso) tiene slo dos resultados posibles: lado
A o lado B, s o no, xito o fracaso.
2. La probabilidad del resultado de cualquier
ensayo (lanzamiento) permanece fija con el
tiempo. Tratndose de una moneda la
probabilidad de que salga del lado A sigue
siendo de 0.5 en cada lanzamiento, cualquiera
que sea el nmero de veces que la moneda
sea arrojada.
3. Los ensayos son estadsticamente
independientes, es decir, el resultado de un
lanzamiento no afecta al de cualquier otro
lanzamiento.
Cada proceso de Bernoulli tiene su propia
probabilidad caracterstica. Pongamos el caso
en que siete dcimas partes de las personas
que solicitaron cierto tipo de empleo pasaron
la prueba. Diremos entonces que la
probabilidad caracterstica fue de 0.7 pero
podemos describir los resultados de la prueba
como un proceso de Bernoulli slo si
tenemos la seguridad de que la proporcin de
los que fueron aprobados permaneci
constante con el tiempo. Desde luego, la otra
caracterstica del proceso de Bernoulli
tambin deber ser satisfecha. Cada prueba
deber arrojar tan slo dos resultados (xito o
fracaso y los resultados de las pruebas habrn
de ser estadsticamente independientes. En un
lenguaje ms formal, el smbolo p representa
la probabilidad de un xito y el smbolo
q (1- p) representa la probabilidad de un
fracaso. Para representar cierto nmero de
xitos, utilizaremos el smbolo r y para
simbolizar el nmero total de ensayos
emplearemos el smbolo n. para ilustrar de
una manera ms sencilla lo dicho
anteriormente analicemos el siguiente
ejemplo Supongamos que un experimento
aleatorio tiene las siguientes caractersticas:
En cada prueba del experimento slo son
posibles dos resultados: el suceso A (xito) y
obtenido en cada prueba es independiente de
los resultados obtenidos anteriormente. La
probabilidad del suceso A es constante, la
representamos por p, y no vara de una
prueba a otra. La probabilidad de es 1- p y la
representamos por q. El experimento consta
de un nmero n de pruebas.
Todo experimento que tenga estas
caractersticas diremos que sigue el modelo
de la distribucin Binomial. A la variable X
que expresa el nmero de xitos obtenidos en
cada prueba del experimento, la llamaremos
variable aleatoria binomial.
La variable binomial es una variable aleatoria
discreta, slo 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-xitos y
(n-k) fracasos debemos calcular stas por
combinaciones (nmero combinatorio n sobre
k).La distribucin Binomial se suele
representar por B(n,p) siendo n y p los
parmetros de dicha distribucin.
El anterior fue un ejemplo de la forma que
menos nos gusta con trminos enredados y
con poca aplicabilidad pero ahora vamos a
analizar y a demostrar con el siguiente
ejemplo que la distribuc in binomial es fcil
de entender y es importante en nuestra vida
cotidiana imaginemos una escuela primaria
donde los alumnos llegan tarde a menudo.
Cinco alumnos estn en el jardn de nios. La
directora lleva tiempo estudiando el
problema, habiendo llegado a la conclusin
de que hay una probabilidad de 0.4 de que un
alumno llegue tarde y de que los alumnos
lleguen independientemente uno de otro
Cmo trazamos una distribucin binomial
de probabilidad que ilustre las probabilidades
de que 0,1,2,3,4 5 estudiantes lleguen tarde
simultneamente? Para hacerlo necesitaremos
utilizar la frmula binomial donde:
P= 0.4
Q= 0.6
N= 5
P Probabilidad de xito.
Q Probabilidad de
fracaso.
r Nmero de xitos
deseados.
n Nmero de ensayos
efectuados.
Existe una frmula binomial:
Probabilidad de r xitos en n ensayos es :
N! / R! (N-R)! PR QN-R
Recordemos que el smbolo factorial!
Significa por ejemplo que es 3! = 3*2*1 =6
Los matemticos definen 0! = 1.
Realicemos el clculo de cada valor de R:
Para R= 0 obtenemos que:
P (0) = 5!/ 0! (5-0)! (0.4)0 (0.6)5 matire civile (Investigacin sobre la
probabilidad de los juicios en materias
P (0) = 0.07776
criminales y civiles). La funcin de densidad
Para R= 1 obtenemos que : de la distribucin de Poisson es
1 4
P(1) = 5!/ 1!(5-1)! (0.4 ) (0.6)
P(1) = 0.2592
Para R=2 obtenemos que:
P(2) = 5!/ 2!(5-2)! (0.4 ) (0.6)3 2
Donde es un parmetro positivo que
P(2) = 0.3456 representa la frecuencia esperada del
Para R= 3 obtenemos que : fenmeno modelado por la distribucin.
3 2
P(3) = 5!/ 3!(5-3)! (0.4 ) (0.6) Tanto el valor esperado como la varianza de
P(3) = 0.2304 una variable aleatoria con distribucin de
Para R= 4 obtenemos que : Poisson son iguales a . Los momentos de
4 1
P(4) = 5!/ 4!(5-4)! (0.4 ) (0.6) orden superior son polinomios de Touchard
P(4) = 0.0768 en cuyos coeficientes tienen una
Para R= 5 obtenemos que: interpretacin combinatoria. De hecho,
P(5) = 5!/ 5!(5-5)! (0.4 )5 (0.6)0 cuando el valor esperado de la distribucin de
P(5) = 0.01024 Poisson es 1, entonces segn la frmula de
Representando estos resultados en una Dobinski, el n-simo momento iguala al
grfica:
nmero de particiones de tamao n.
La moda de una variable aleatoria de
distribucin de Poisson con un no entero es
igual a , el mayor de los enteros menores
que (los smbolos representan la funcin
parte entera). Cuando es un entero positivo,
las modas son y 1.
La funcin generadora de momentos de la
distribucin de Poisson con valor esperado
es

DISTRIBUCION DE POISSON Las variables aleatorias de Poisson tienen la

En teora de probabilidad y estadstica, la
distribucin de Poisson es una distribucin de
probabilidad discreta. Expresa la probabilidad
de un nmero k de eventos ocurriendo en un
tiempo fijo si estos eventos ocurren con una
frecuencia media conocida y son
independientes del tiempo discurrido desde el
ltimo evento. Fue descubierta por Simon-
Denis Poisson, que la dio a conocer en 1838
en su trabajo Recherches sur la probabilit
des jugements en matires criminelles et
propiedad de ser infinitamente divisibles.
La divergencia Kullback-Leibler desde una
variable aleatoria de Poisson de parmetro 0
a otra de parmetro es
La distribucin de Poisson, se aplica a varios
fenmenos discretos de la naturaleza (esto es,
aquellos fenmenos que ocurren 0, 1, 2, 3, ...
veces durante un periodo definido de tiempo
o en un rea determinada) cuando la
probabilidad de ocurrencia del fenmeno es mayscula. La probabilidad de exactamente x
constante en el tiempo o el espacio. Ejemplos ocurrencias en una distribucin de Poisson se
de estos eventos que pueden ser modelados calcula mediante la frmula:
por la distribucin de Poisson incluyen: P(x) = l x * e-l / x!
El nmero de autos que pasan a travs de un l x = Lambda
ciertopuntoenunaruta (suficientemente (nmero medio de ocurrencias por intervalo
distantes de los semforos) durante un de tiempo) elevada a la potencia x.
periodo definido de tiempo. e-l = e= 2.71828 elevado a la potencia de
El nmero de errores de ortografa que uno lambda negativa.
comete al escribir una nica pgina. x! = x factorial.
El nmero de llamadas telefnicas en una Ejemplo: Supngase que estamos
central telefnica por minuto. investigando la seguridad de un crucero muy
El nmero de servidores web accedidos por peligroso. Los archivos de la polica indican
minuto. una media de cinco accidentes por mes en l.
El nmero de animales muertos encontrados El nmero de accidentes est distribuido
por unidad de longitud de ruta. conforme a la distribucin de Poisson, y la
El nmero de mutaciones de determinada divisin de seguridad en carreteras quiere
cadena de ADN despus de cierta cantidad de calcular la probabilidad de exactamente 0, 1,
radiacin. 2,3 y 4 accidentes en un mes determinado.
El nmero de ncleos atmicos inestables que Aplicando la frmula anterior:
decayeron en un determinado periodo de P(0) = (5)0 (e-5) /0! = 0.00674
tiempo en una porcin de sustancia P(1) = (5)1 (e-5) /1! = 0.03370
radiactiva. La radiactividad de la sustancia se P(2) = (5)2 (e-5) /2! = 0.08425
debilitar con el tiempo, por lo tanto el P(3) = (5)3 (e-5) /3! = 0.14042
tiempo total del intervalo usado en el modelo P(4) = (5)4 (e-5) /4! = 0.17552
debe ser significativamente menor que la vida Para saber cual es la probabilidad en 3 o
media de la sustancia. menos, sumaremos las probabilidades de
El nmero de estrellas en un determinado 0,1,2,3 lo que ser igual a :
volumen de espacio. P(0) = 0.00674
La distribucin de receptores visuales en la P(1) = 0.03370
retina del ojo humano. P(2) = 0.08425
La inventiva de un inventor a travs de su P(3) = 0.14042
carrera. La distribucin de Poisson, segn P(3 o menos) = 0.26511
hemos sealado, se refiere a ciertos procesos Dado que la probabilidad de que haya 3 o
que pueden ser descritos con una variable menos accidentes es de 0.26511 entonces la
aleatoria discreta. La letra X suele representar probabilidad de que ocurran ms de tres debe
esa variable y puede adems asumir valores ser = 1 0.26511 = 0.73489.
enteros (0,1,2,3 etc..) . Utilizamos la letra X La distribucin de Poisson como una
mayscula para representar la variable aproximacin a la distribucin binomial.
aleatoria y la x minscula para designar un Algunas veces, si se desea evitar el tedioso
valor especfico que puede asumir la X trabajo de calcular las distribuciones
binomiales, se puede usar a cambio la de Categora: Distribuciones discr etas
Poisson, pero debe cumplir con ciertas
3. Recherches sur la probabilit des
condiciones como : jugements en matires criminelles et
n=>20 matire civile (Investigacin sobre la
p=<0.05 probabilidad de los juicios en materias
En los casos en que se satisfacen tales criminales y civiles).
condiciones, podemos sustituir la media de la
distribucin binomial en lugar de la media de
la distribucin de Poisson de modo que la
frmula quedara as:
P(x) = (np) X * e-np /x!
Teniendo en cuenta todo lo anteriormente
dicho podemos llegar a la conclusin que si
ponemos en prctica los conocimientos
aprendidos en la academia sern de gran
provecho en nuestra vida laboral

REFERENCIA BIBLIOGRFICA

1. Hamza, K. (1995). The smallest uniform

upper bound on the distance between the
mean and the median of the binomial and
Poisson distributions. Statist. Probab. Lett. 23
2125.
2. Obtenido de
"http://es.wikipedia.org/wiki/Distribuci%C3
%B3n_binomial"