1.

D ISTRIBUCIONES D ISCRETAS

L EYES DE PROBABILIDAD PARA VARIABLES DISCRETAS

1.1. L EY DE B ERNOULLI

Bernoulli, es el esquema más simple de las leyes de probabilidad discreta y consiste en lo siguien-
te:

Se realiza un experimento, sobre el cual se plantea si ocurre o no un cierto evento.

Así, este es un experimento donde se tienen dos posibles resultados:

(I) ocurre el evento, y;

(II) no ocurre el evento.

Cuando ocurre el evento, se dice que se tiene un éxito (E), mientras que, cuando no ocurre el evento,
se dice que se tiene un fracaso (F).

Sea X, la variable aleatoria discreta de Bernoulli que cuenta el número de éxitos que se obtienen
del experimento. Como tal puede tomar dos valores 0 y 1, equivalente a fracaso y éxito respectiva-
mente.

Por ejemplo, se lanza un dado, y se plantea el evento que salga la cara marcada con el número
cuatro. Si sale el número cuatro, se dice que se tiene un éxito, en caso contrario (si sale el uno o el dos
o el tres o el cinco o el seis), se tiene un fracaso.

Bajo este esquema se notan las probabilidades de éxito y fracaso, por:

P(éxito) = P( E) = P( X = 1) = p,

P(fracaso) = P( F ) = P( X = 0) = q,

donde p + q = 1.

Estas probabilidades p y q representan la ley de probabilidad, en este caso Ley Bernoulli de

probabilidades de la variable aleatoria discreta X dado por:

P( X = x ) = p x q1− x , x ∈ {0, 1}

3
Probabilidad y Estadística CAPÍTULO 1. DISTRIBUCIONES DISCRETAS

Para el ejemplo planteado, se tiene un éxito si sale la cara marcada con el número cuatro, entonces:

1
P( E) = p = 6 (por la definición básica de probabilidad), y
5
P( F ) = q = 6 (ya que p + q = 1).

Veamos la tendencia central y la dispersión de esta ley de probabilidad. Para esto se utiliza la defini-
ción de esperanza matemática (o promedio) y varianza para una variable aleatoria discreta (v.a.d.).
Siendo X la v.a.d. de Bernoullí, la tabla de distribución de probabilidades es:

X 0 1
P( X = x ) q p

La esperanza es

E( X ) = 1 · p + 0 · q
= p.

La varianza es

V ( X ) = (1 − p )2 · p + (0 − p )2 · q
= q2 p + p2 q
= pq( p + q)
= pq.

√
La desviación estándar es D ( X ) = pq.

1.2. L EY B INOMIAL

Supongamos ahora, que se realizan n experimentos de Bernoulli, cada uno de ellos de forma
independiente. Consideremos en este caso la variable aleatoria discreta X, que representa la suma de
éxitos obtenidos en los n experimentos de Bernoulli. Los posibles resultados de suma de éxitos que
pueden tenerse son: 0 éxitos, 1 éxito, 2 éxitos, 3 éxitos, ..., hasta n éxitos.

Así, bajo este esquema se plantea lo siguiente, ¿cuál será la probabilidad de obtener x éxitos,
como resultado de n experimentos de Bernoulli?

A esta situación planteada, se lo denomina, el esquema Binomial1 de probabilidades.

Luego, nos interesa calcular la probabilidad de tener x éxitos: P( X = x )

Se realizan n experimentos de Bernoulli, de los cuales x son éxitos (y por lo tanto se tienen n − x
fracasos). Supongamos que ocurrió la siguiente serie de x éxitos y n − x fracasos.

E E F F E F······ E F E E
i i i i i i i i i

1 Toma este nombre en honor al famoso Binomio de Newton

4 1.2. LEY BINOMIAL

CAPÍTULO 1. DISTRIBUCIONES DISCRETAS Probabilidad y Estadística

Luego, la probabilidad de tener x éxitos para esta serie de eventos de Bernoulli es:

P( B1 ) = P( E ∩ E ∩ F ∩ F ∩ E ∩ F ∩ . . . ∩ E ∩ F ∩ E ∩ E)
= P( E) P( E) P( F ) P( F ) P( E) P( F ) . . . P( E) P( F ) P( E) P( E)
= p · p · q · q · p · q · . . . · p · q · p · p.

Supongamos ahora que, de los n eventos de Bernoulli, los primeros x eventos fueron éxitos, y los
restantes n − x fracasos. Veamos si cambia la probabilidad, para este esquema, como puede apreciarse
en la siguiente figura:

E E E E E E······ F F F F
i i i i i i i i i

Nuevamente, la probabilidad de tener x éxitos para esta serie, está dada por:

P( B1 ) = P( E ∩ E ∩ E ∩ E ∩ E ∩ E ∩ . . . ∩ E ∩ F ∩ E ∩ E)
= P( E) P( E) P( E) P( E) P( E) P( E) . . . P( F ) P( F ) P( F ) P( F )
= p · p · p · p · p · p · . . . · q · q · q · q.

Se aprecia que la probabilidad no cambia. Sin embargo, no interesan solamente las series B1 y B2
de eventos, sino todas las combinaciones posibles, puesto que se desea calcular la probabilidad de
tener x éxitos en n eventos de Bernoulli en cualquier orden que aparezcan.

Luego, la suma de todas las combinaciones posibles de estas probabilidades da la ley binomial
de probabilidades de parámetros n y p:

P ( X = x ) = p x qn− x + p x qn− x + . . . p x qn− x

 
n x n− x
= p q
x

La tabla de distribución de probabilidades de la variable aleatoria discreta X Binomial es:

X 0 1 ... x ... n
       
n 0 n −0 n 1 n −1 n x n− x n n n−n
P( X = x ) p q p q ... p q ... p q
0 1 x n

Así, utilizando nuevamente las definiciones de los momentos estadísticos, el valor esperado y la
varianza de una variable aleatoria binomial X están dados por:

n
µ = E( X ) = ∑ xk pk
k =1
n  
n k n−k
= ∑ k
k
p q
k =1

= np
σ2 = V ( X ) = npq

1.2. LEY BINOMIAL 5

Probabilidad y Estadística CAPÍTULO 1. DISTRIBUCIONES DISCRETAS

En resumen,
Teorema 1 – Media y Varianza Distribución Binomial
La media y la varianza de la distribución binomial de parámetros n y p son

µ = np y σ2 = npq.

Puede apreciarse que si se aplica esta ley para n = 1, se tiene la ley de Bernoulli.

Ejemplo 1. Se lanza un dado 20 veces, ¿cual será la probabilidad de que salga la cara marcada con el
cuatro en 15 ocasiones?

Solución. Este problema se ajusta al esquema binomial de probabilidades. Así, un lanzamiento del
dado puede ser visto como un evento de Bernoulli, en donde el éxito es cuando sale la cara marcada
con el cuatro y fracaso en caso contrario. Luego, tenemos 20 eventos de Bernoulli, y queremos la
probabilidad de que ocurran 15 éxitos.

La probabilidad de un éxito está dada por la probabilidad de que salga la cara marcada con el
1 5
cuatro al lanzar el dado, P( E) = p = 6, yq = 6. Utilizando la ley binomial de probabilidades
tenemos que la probabilidad de que salga la cara marcada con el cuatro en 15 ocasiones es:
  15  20−15
20 1 5

P( X = 15) = = 0.000 000 013
15 6 6

Podemos apreciar que la probabilidad de que ocurra tal situación es bastante baja, casi nula.

Notas Complementarias

I) Recordando del tema de conteo de elementos, se tiene que a partir de un conjunto de la forma
Ω = { a, a, a, b, c, c, d, e, e}, con n elementos, de los cuales al menos uno se repite un cierto núme-
ro de veces, el número de grupos posibles de tamaño n que se pueden formar (k = n), y que se
llaman permutaciones está dado por:

n n2 ...,nq n!
Pn 1 =
n1 !n2 ! . . . nq !

Siendo n1 el número de veces que se repite el primer elemento, n2 las veces que se repite el
segundo elemento del conjunto base, y así sucesivamente. Además, n1 + n2 + n3 + . . . + nq = n.

Se mencionó anteriormente que el número de combinaciones posibles de x éxitos (n − x fra-

casos) en n experimentos de Bernoulli son las combinaciones sin repetición de n elementos
agrupados en tamaño de x elementos, pero en realidad son permutaciones de n elementos de
tamaño n, formadas a partir de dos elementos {Exito, Fracaso} en donde los éxitos se repiten x
veces y los fracasos se repiten n − x veces.

Así, siendo n1 = x éxitos, y n2 = n − x fracasos, el número de grupos posibles son (de acuerdo

6 1.2. LEY BINOMIAL

CAPÍTULO 1. DISTRIBUCIONES DISCRETAS Probabilidad y Estadística

a la expresión de conteo del párrafo anterior):

n! n!
grupos posibles = = = combinaciones sin repetición (n, x)
n1 !n2 ! x!(n − x )!

Es decir, en el caso de tener 2 elementos que se repiten un cierto número de veces, el número
de permutaciones coinciden con el conteo de combinaciones sin repetición.

II ) El modelo Binomial de probabilidades (caracterizado por dos grupos que los podemos llamar
G1 = ÉXITOS y, G2 =FRACASOS), se puede generalizar para más de dos grupos.

Sean:

Ë k resultados (grupos) posibles G1 , G2 , . . . , Gk ;

Ë pi la probabilidad de que ocurra Gi , tal que p1 + p2 + . . . + pk = 1;
Ë se realizan n experimentos y, se plantea la probabilidad de que x1 elementos pertenezcan
al grupo G1 , x2 elementos al grupo G2 , . . . , xk elementos pertenezcan al grupo Gk , tal que
x1 + x2 + . . . + xk = n.

Este esquema (para dos o más grupos) se conoce como la ley multinomial y la probabilidad
está dada por:
n!
P(n, x1 , x2 , . . . xk ) = p x1 p x2 . . . pkxk .
x1 !x2 ! . . . xk ! 1 2

III ) La suma de todas las probabilidades sabemos que es igual a uno. En el caso de las probabilida-
des de la Ley Binomial se tiene:

n  n
n
∑ P ( X = x ) = ∑ x p x qn− x = ( p + q )n .
x =0 x =0

Es decir, este modelo viene del desarrollo del Binomio de Newton de ( p + q)n

1.3. L EY B INOMIAL N EGATIVA

Recordemos nuevamente el modelo Binomial (de la sección anterior). Este modelo se basa en
realizar n experimentos de Bernoulli (fijos), y se plantea la probabilidad de obtener x éxitos (donde x
puede tomar los valores 0, 1, 2, . . . , n, es decir, los éxitos x es el componente variable).

Consideremos ahora la situación contraria, es decir, mantenemos fijos los éxitos, digamos k, y se
plantea la probabilidad de realizar n experimentos (variable) de Bernoulli para lograr obtener los k
éxitos (fijos). Este esquema es lo que se conoce como el modelo Binomial Negativo o Ley de Pascal.

Debe notarse que si se realizan n experimentos de Bernoulli para obtener k éxitos (fijos de an-
temano), entonces n toma los valores k, k + 1, k + 2, . . . , puesto que necesitamos realizar al menos k
experimentos de Bernoulli para obtener k éxitos (fijos). El modelo de probabilidad que da esta pro-
babilidad, y que es conocido también como modelo o ley de Pascal, es:

n − 1 k n−k
 
P( X = n) = p q
k−1

1.3. LEY BINOMIAL NEGATIVA 7

Probabilidad y Estadística CAPÍTULO 1. DISTRIBUCIONES DISCRETAS

Para evitar alguna confusión con esto de que n toma los valores desde k hasta el infinito, se hace la
transformación siguiente: n = x + k, donde k son los éxitos fijos, y x vienen a representar los fracasos
de los eventos de Bernoulli y, por lo tanto, esta variable X toma los valores 0, 1, 2, . . .. Por ejemplo, si
x = 0, entonces n = k, o si x = 1, n = k + 1, etc, que es equivalente a lo descrito en el párrafo anterior.
Reemplazando n = x + k en la expresión anterior, se obtiene la ley Binomial Negativa:

x+k−1 k x
 
P( X = x ) = p q ,
k−1

válido para x ∈ {0, 1, 2 . . .} fracasos (componente variable) y k ∈ {1, 2, . . .} éxitos (fijos).

Y se vuelve a reiterar que x + k es el número de experimentos de Bernoullí que se realizan para

obtener los k éxitos (fijos).

Con base en las definiciones de momentos estadísticos, el valor esperado y la varianza de la

variable aleatoria discreta Binomial Negativa, están dados por:
Teorema 2 – Media y Varianza Distribución Binomial Negativa
La media y la varianza de la distribución binomial negativa de parámetros k y p son

kq kq
µ= y σ2 = .
p p2

Ejemplo 2. Una persona realiza el lanzamiento de una moneda y registra el lanzamiento. Encuentre
la probabilidad de obtener la tercera cara en el séptimo lanzamiento;

Solución. La variable X representa el número de fracasos antes de obtener k éxitos. Luego, k = 3,

x = 4, n = 7 y p = 0.5, después,

4+3−1
 
P ( X = 4) = · (0.5)3 · (0.5)4
3−1
6
 
= · (0.5)7
2
= 0.1172

Una situación interesante que surge de este modelo en la gestión y análisis de algunos proyectos
es cuando se tiene un solo éxito, es decir, k = 1, obteniendo lo que se llama el modelo geométrico de
probabilidades, que se describe a continuación.

1.4. L EY G EOMÉTRICA

Este modelo se basa en repetir un experimento de Bernoulli mientras el resultado sea fracaso,
hasta que ocurre un éxito. Gráficamente se tiene:

F F F F F F······ F F F E
i i i i i i i i i

8 1.4. LEY GEOMÉTRICA

CAPÍTULO 1. DISTRIBUCIONES DISCRETAS Probabilidad y Estadística

Luego, si se realizan m experimentos de Bernoulli, significa que se dieron m − 1 fracasos y 1 éxito (al
final y es cuando termina el proceso). Esto es equivalente a tomar el modelo Binomial Negativo con
k = 1 (un éxito fijo), y x = m − 1 fracasos.

Siendo X la variable aleatoria discreta que sigue una distribución Geométrica que representa el
número de fracasos de eventos de Bernoulli realizados hasta obtener un éxito (k = 1), se plantea
calcular la probabilidad P( X = x ) para x = 0, 1, 2, 3, . . ..

Se realizan x + 1 experimentos de Bernoulli, de los cuales los primeros x tiene como resultado
FRACASO, y el último es ÉXITO, entonces:

P( X = x ) = P( F ∩ F ∩ F ∩ F ∩ F ∩ F ∩ . . . ∩ F ∩ F ∩ F ∩ E)
= P( F ) P( F ) P( F ) P( F ) P( F ) P( F ) . . . P( F ) P( F ) P( F ) P( E)
= q·q·q·q·q·q·...·q·q·q· p
= q x p.

Así, la Ley Geométrica de parámetro p está dada por P( X = x ) = q x p para x ∈ {0, 1, 2, . . .}

Se obtiene la misma expresión algebraica, al reemplazar k = 1 en el modelo de la ley Binomial

Negativa.

Veamos los parámetros de media y varianza de la v.a.d. X, a partir de la tabla de distribución de

probabilidades geométrica:

X 0 1 2 3 4 5 ...
P q0 p q1 p q2 p q3 p q4 p q5 p . . .

La esperanza es:

∞
E( X ) = ∑ kqk p
k =1

= p(q + 2q2 + 3q3 + . . .)

= pq(1 + 2q + 3q2 + . . .),

q
pero, 1 + 2q + 3q2 + . . . es la derivada de q + q2 + q3 + . . . = 1− q .

Derivando y reemplazando se tiene: E( X ) = pq (1−1q)2 =

pq
p2
= qp .
La varianza es:

∞  2
q
V (X) = ∑ k− qk p
k =1
p
= E ( X 2 ) − E2 ( X )
 2
2 q
= E( X ) −
p
∞
q2
= ∑ k2 qk p − 2
k =1
p

1.4. LEY GEOMÉTRICA 9

Probabilidad y Estadística CAPÍTULO 1. DISTRIBUCIONES DISCRETAS

q2
= p(q + 4q2 + 9q3 + . . .) −
p2
1+q q2
= pq −
(1 − q )3 p2
1+q q2
=q −
p2 p2
q
= 2.
p

En resumen,
Teorema 3 – Media y Varianza Distribución Geométrica
La media y la varianza de la distribución geométrica de parámetro p son

q q
µ= y σ2 = .
p p2

Ejemplo 3. Continuando con el ejemplo anterior del lanzamiento de un moneda, encuentre la proba-
bilidad de obtener la primera cara en el cuarto lanzamiento;

Solución. Si x representa el número de fracasos de eventos de Bernoulli realizados hasta obtener un

éxito (k = 1). Luego, se tiene que k = 1, m = 4, x = m − 1 = 3, p = 0.5 y q = 1 − p, por lo tanto,

P( X = 3) = (0.5) · (0.5)3
1
= .
16

1.5. L EY H IPERGEOMÉTRICA

Esta ley se basa en el esquema siguiente: se tiene una población N de elementos, la cual está
caracterizada o definida por dos grupos o clases (G1 y G2 ), y digamos que K elementos pertenecen al
grupo G1 y N − K elementos pertenecen al grupo G2 .

De esta población, se toma al azar una muestra sin reposición de n elementos (n 6 N), y se plantea
calcular la probabilidad de que esta muestra esté formada por x elementos que pertenecen al grupo
G1 , y n − x elementos al grupo G2 .

Gráficamente, el esquema es:

Grupo 1 Grupo 2
K elementos N − K elementos

x elementos n − x elementos

muestra al azar de n elementos

A este esquema, se le llama el modelo Hipergeométrico de probabilidades.

10 1.5. LEY HIPERGEOMÉTRICA

CAPÍTULO 1. DISTRIBUCIONES DISCRETAS Probabilidad y Estadística

Siendo X, la variable aleatoria discreta que representa el número de elementos x que pertenecen
al grupo 1, la probabilidad de que hayan x elementos de la muestra n, y que pertenecen al grupo 1
está dada por:
N−k
  
K
x n−x
P( X = x ) =  
N
n

K
Siendo p = N la proporción de elementos del Grupo 1, el valor esperado y la varianza de la
variable aleatoria discreta Hipergeométrica X, están dados por:
Teorema 4 – Media y Varianza Distribución Hipergeométrica
La media y la varianza de la distribución hipergeométrica de parámetros N, K y n son

K N−n
µ=n = np y σ2 = np(1 − p)
N N−1

Ejemplo 4. Se tiene un grupo 20 personas, compuesto por 10 hombres y 10 mujeres. Se toma al azar
un grupo de 2 personas. ¿Cuál será la probabilidad de que el grupo tomado al azar esté compuesto
por 1 hombre y 1 mujer?

Solución. Este problema se ajusta al esquema Hipergeométrico de probabilidades, teniendo el grupo

de 10 hombres (digamos G1 ), y el grupo de 10 mujeres (G2 ). De estas 20 personas, se toma al azar un
grupo de n = 2 personas.

De acuerdo a la notación utilizada, tenemos:

Ë N = 20 (población total)

Ë K = 10, (N − K = 10)

Ë n = 2 (muestra al azar)

Ë x = 1 (n − x = 1)

Utilizando la ley Hipergeométrica de probabilidades, y siendo A el evento al que hacemos refe-

rencia, tenemos:

10! (20 − 10)!

1!(10 − 1)! (2 − 1)!(20 − 10 − 2 + 1)! 10 · 10
P( A) = = ≈ 0.526 315 8
20! 190
2!(20 − 2)!

Así, existe casi un 53 % de opciones que ocurra el evento planteado.

Vamos a resolver este mismo ejercicio, con base en la definición básica de probabilidades

Para esto debemos definir el espacio muestral (conjunto de posibles resultados), y de este con-
junto, contamos cuantos elementos cumplen la condición (grupos de 2 personas, compuestos por un
hombre y una mujer). Veamos el siguiente gráfico para ayudarnos a establecer el espacio muestral:

1.5. LEY HIPERGEOMÉTRICA 11

Probabilidad y Estadística CAPÍTULO 1. DISTRIBUCIONES DISCRETAS

1 2 3 4 5 6 7 8 9 10
i i i i i i i i i i

1 2 3 4 5 6 7 8 9 10
i i i i i i i i i i

El espacio muestral esta formado por todas las combinaciones posibles de dos personas que pue-
den darse de entre las 20 totales.

Así, del gráfico podemos ver, por ejemplo, que el primer hombre puede combinarse o hacer gru-
pos de dos, con cada una de las 10 mujeres, y con cada uno de los nueve hombres restantes.

Luego, posibles grupos de 2 personas formados por un hombre y una mujer, son 100, ya que son
las combinaciones de cada uno de los 10 hombres con cada una de las 10 mujeres (10 · 10).

Pero también, por ser tomados al azar, pueden formarse grupos de dos hombres o dos mujeres.
Y, podemos ver que el primer hombre se puede agrupar con los otros nueve hombres, teniendo así 9
grupos; luego el segundo hombre se puede combinar con los 8 hombres restantes, teniendo 8 grupos
posibles más, y así sucesivamente, hasta llegar al penúltimo que forma un grupo más con el último.

Tenemos que los grupos posibles de 2 hombres son: 9 + 8 + 7 + 6 + 5 + 4 + 3 + 2 + 1 = 45. Y

como se tiene igual número de mujeres, se tiene también 45 posibles grupos de 2 mujeres.

Luego, el espacio muestral está formado por un conjunto de 190 elementos (grupos posibles de 2
personas), de los cuales, 100 están compuestos por 1 hombre y una mujer, 45 están formados por 2
hombres, y 45 están formados por 2 mujeres.

Por definición de probabilidad, tenemos que 100 elementos (de los 190 posibles), cumplen la
condición (grupos de 2 personas formado por un hombre y una mujer).
100
Por lo tanto P( A) = 190 = 0.526 315 8, que es el mismo resultado que se obtuvo con la ley Hiper-
geométrica.

Sin embargo, este ejercicio resulta fácil de resolver por la definición básica de probabilidad debido
solamente a que se toma un grupo de dos personas. Para el caso en que se tomara, por ejemplo, 7
personas al azar, de las cuales 3 sean hombres, y 4 mujeres, resulta difícil resolver con la definición
básica de probabilidad, pero en cambio es muy fácil hacerlo con la ley Hipergeométrica que modela
tal situación.

Utilizando la ley Hipergeométrica de probabilidades en el caso de tomar al azar una muestra de

12 1.5. LEY HIPERGEOMÉTRICA

CAPÍTULO 1. DISTRIBUCIONES DISCRETAS Probabilidad y Estadística

7 personas, la probabilidad de que el grupo esté formado por 3 hombres y 4 mujeres, está dada por:

10! (20 − 10)!

3!(10 − 3)! (7 − 3)!(20 − 10 − 7 + 3)! 120 · 210
P( A) = = ≈ 0.325.
20! 77520
7!(20 − 7)!

Nota complementaria

De una forma similar a como se generalizó la Ley Binomial para obtener la Ley Multinomial,
también se puede generalizar la Ley Hipergeométrica para más de dos grupos. Recordemos:

La Ley Hipergeométrica se basa en el esquema siguiente:

Grupo 1 Grupo 2
N1 elementos N2 elementos

x1 elementos x2 elementos

muestra al azar de n elementos

Cambiando la notación, digamos que el Grupo 1 tiene N1 elementos, y el Grupo 2 tiene N2 elemen-
tos (con N1 + N2 = N). Se selecciona al azar una muestra (sin reposición) de n elementos, entonces la
probabilidad de que esta muestra esté compuesta por x1 elementos que pertenecen al Grupo 1 y, x2
elementos al Grupo 2, (con x1 + x2 = n), está dada por:

N − N1
     
N1 N2 N1
x1 x x1 n−x
P ( X = x1 ) =  2 =   1
N N
n n

Ahora planteamos lo siguiente: se tiene una población N de elementos, la cual está caracterizada o
definida por k grupos o clases (G1 , G2 , . . . , Gk ), y digamos que N1 elementos pertenecen al grupo G1 ,
N2 elementos al grupo G2 , . . . ., y Nk elementos pertenecen al grupo Gk (con N1 + N2 + . . . + Nk = N)

De esta población, se toma al azar una muestra sin reposición de n elementos (n 6 N), y se plantea
calcular la probabilidad de que esta muestra esté formada por x1 elementos que pertenezcan al grupo
G1 , x2 elementos al grupo G2 , . . ., y xk elementos al grupo Gk (con x1 + x2 + . . . + xk = n ; y xi 6 Ni
para todo i = 1, 2, . . . , k). Gráficamente se tiene:

1.5. LEY HIPERGEOMÉTRICA 13

Probabilidad y Estadística CAPÍTULO 1. DISTRIBUCIONES DISCRETAS

G1 G2 G3 ...... Gk
......
N1 N2 N3 Nk

x1 x2 x3 ...... xk

muestra al azar de n elementos

Así, esta probabilidad está dada por la Ley Hipergeométrica generalizada siguiente:
    
N1 N2 Nk
...
x1 x2 xk
P(n, x1 , x2 , . . . xk ) =   .
N
n

1.6. L EY DE P OISSON

Existen eventos o esquemas en los cuales se tiene arribos o llegadas de elementos a un sistema,
por ejemplo:

Ë personas que llegan a un banco para ser atendidos,

Ë personas que llegan o arriban a un centro comercial,

Ë carros que llegan a una cierta esquina,

Ë aviones que arriban a un aeropuerto,

Ë llamadas telefónicas que arriban a una central, etc.

Esquemáticamente tenemos lo siguiente:

Sistema
b b b b b b b b b

Elementos que arriban al sistema

Se pueden modelar algunas de estas situaciones, digamos raras, en el sentido que muchas de ellas no
tienen control sobre la forma como arriban los elementos, como es el caso de los carros que llegan a
una determinada esquina.

Así, surge lo que se llama el proceso de Poisson, el cual consiste en lo siguiente:

Ë Los elementos que arriban al sistema son independientes entre sí.

Ë Los elementos arriban o llegan al sistema en forma aleatoria, y

Ë Los tiempos entre arribos de los elementos son también aleatorios.

14 1.6. LEY DE POISSON

CAPÍTULO 1. DISTRIBUCIONES DISCRETAS Probabilidad y Estadística

Luego, un esquema o sistema que cumpla con estas tres condiciones a la vez, se llama proceso
físico de Poisson2 .

Por ejemplo, la llegada de aviones a un aeropuerto: el aeropuerto viene a ser el sistema; los avio-
nes son los elementos que arriban al sistema. Muchos elementos pueden ser independientes entre sí
(si son de compañías aéreas diferentes), sin embargo, los aviones no llegan en forma aleatoria, de-
bido a que tienen horarios establecidos, y por lo tanto, este esquema o sistema, no es un proceso de
Poisson.

Analicemos ahora el caso de los carros que llegan a una determinada esquina de la cuidad. La
esquina con los semáforos es el sistema, y los carros son los elementos que arriban al sistema (la es-
quina o la intersección de calles), donde son “atendidos” y continúan. Los carros, en general, llegan o
pasan por el lugar en forma aleatoria, son independientes entre sí, y también, en general, los tiempos
entre arribos podemos decir que son aleatorios, y por lo tanto, puede establecerse que este es un pro-
ceso de Poisson. Pero como se modela una situación como ésta, ya que los elementos pueden estar
arribando al sistema todo el tiempo, es decir, de manera permanente.

Para modelar este proceso, se establece un cierto intervalo de tiempo para el análisis, por ejem-
plo, un minuto, o una hora, etc., y se plantea ¿cuál será la probabilidad de que al sistema arriben x
elementos (en el intervalo de tiempo acordado para el análisis)?

Siendo X, la variable aleatoria discreta que representa el número de elementos x que arriban al
sistema durante el intervalo de tiempo establecido, se define la Ley de probabilidades de Poisson
de parámetro λ por:
e−λ λ x
P( X = x ) = ;
x!
donde

Ë λ se denomina el parámetro de Poisson, y representa al número promedio de elementos que

arriban al sistema durante el intervalo de tiempo establecido.

Ë e es aproximadamente el número 2.7182 (base de los logaritmos naturales)

Los valores que puede tomar esta variable aleatoria teóricamente van desde cero hasta el infinito,
es decir, x ∈ {0, 1, 2, 3, . . .}.

Una de las cosas interesantes que podemos notar en estos procesos de Poisson es que los elemen-
tos pueden forman colas si el tiempo de atención en el sistema tarda, como es el caso típico al ir a un
Banco, a un centro comercial, una llamada en espera, el tráfico vehicular, etc. Así, con este modelo,
puede estudiarse lo que suele denominarse “teoría de cola”.
Teorema 5 – Media y Varianza Distribución de Poisson
El valor esperado y la varianza de la variable aleatoria discreta de Poisson de parámetro λ son:

µ=λ y σ2 = λ.

2 Suele decirse que esta ley sirve para modelar eventos raros.

1.6. LEY DE POISSON 15

Probabilidad y Estadística CAPÍTULO 1. DISTRIBUCIONES DISCRETAS

Ejemplo 5. Supongamos que por una determinada esquina de la ciudad, pasan en promedio 7 carros
cada dos minutos. ¿Cuál será la probabilidad de que no pase ningún carro?, ¿cuál será la probabilidad
de que pasen 5 carros?, y ¿cuál será la probabilidad de que pasen 20 carros?

Solución. Asumiendo que se cumplen las condiciones de un proceso de Poisson, tenemos que el inter-
valo de análisis es dos minutos, y el parámetro de Poisson es λ = 7 (siete carros pasan en promedio
cada 2 minutos).

Luego, tenemos:

70 e − 7
Ë Probabilidad que no pase ningún carro: P( X = 0) = 0! ≈ 0.000 912.
75 e − 5
Ë Probabilidad que pasen 5 carros: P( X = 5) = 5! ≈ 0.127 717.
720 e−20
Ë Probabilidad que pasen 20 carros: P( X = 20) = 20! ≈ 0.000 030.

16 1.6. LEY DE POISSON