Distribuciones discretas de Poisson y Geométrica

UNIVERSIDAD NACIONAL DE
HUANCAVELICA

DISTRIBUCIONES DISCRETAS DE
POISSON Y GEOMÉTRICA

CÁTEDRA:
ESTADÍTICA DESCRIPTIVA E INFERENCIAL
CATEDRÁTICO:
ING. SIGUAS ROBLES, Omar
INTEGRANTES:
RAMOS GONZALES, Billy Joel
RAMOS LAGONES, Kevin Greycol
RAMOS ÑAHUI, Cristian Edson
SANTOS AMANCAY, Miqueas
SARMIENTO CAPANI, Pamela

Huancavelica
2017
ING.CIVIL 1
 Distribuciones discretas de Poisson y Geométrica

DEDICATORIA

A nuestra querida familia por su

paciencia y apoyo indispensable
para todos nosotros quienes
buscamos alcanzar nuestra meta
profesional

ING.CIVIL 2
 Distribuciones discretas de Poisson y Geométrica

AGRADECIMIENTOS

A Dios por otorgarnos cada día la oportunidad de

continuar viviendo y buscando perfeccionar nuestros
conocimientos para bien de nuestros semejantes.

A nuestra Universidad porque dentro de sus aulas

venimos aprendiendo y captando conocimientos que nos
ayudarán a ser grandes profesionales.

A nuestra familia por su abnegado apoyo y por brindarnos

siempre esa confianza de continuar adelante.

ING.CIVIL 3
 Distribuciones discretas de Poisson y Geométrica

Contenido
DEDICATORIA ................................................................................................................................... 2
AGRADECIMIENTOS................................................................................................................................ 3
DISTRIBUCION DISCRETA...................................................................................................................... 5
Ejemplos de variables discretas aplicados a la ingeniería............................................................... 5
Distribuciones de variable discreta más importantes:.................................................................... 5
1. DISTRIBUCIONES DE POISSON .................................................................................................. 6
1.1 Definición: ......................................................................................................................... 6
1.2 Aplicaciones: ..................................................................................................................... 7
1.3 Observaciones................................................................................................................... 9
2. DISTRIBUCION GEOMETRICA ................................................................................................... 9
2.1 Definición: ......................................................................................................................... 9
2.2 Aplicaciones: ................................................................................................................... 11
INTRODUCCION.................................................................................................................................... 14
BIBLIOGRAFÍA....................................................................................................................................... 16

ING.CIVIL 4
 Distribuciones discretas de Poisson y Geométrica

DISTRIBUCION DISCRETA
Las distribuciones discretas a diferencia de las discretas continuas veamos la diferencia:

Las distribuciones discretas son aquellas en las que la variable puede pude tomar un número
determinado de valores.
Se llama discreta si se puede contar su conjunto de resultados posibles. Las variables aleatorias
discretas son variables cuyo intervalo de valores es finito o contablemente infinito.
Ejemplo: si se lanza una moneda al aire puede salir cara o cruz; si se tira un dado puede salir un
número de 1 al 6; en una ruleta el número puede tomar un valor del 1 al 36.
Las distribuciones continuas son aquellas que presentan un número infinito de posibles soluciones:
Ejemplo: El peso medio de los alumnos de una clase puede tomar infinitos valores dentro de cierto
intervalo (42,37 kg, 42,3764 kg, 42, 376541kg, etc.); la esperanza media de vida de una población
(72,5 años, 7,513 años, 72, 51234 años).

Ejemplos de variables discretas aplicados a la ingeniería

 El número de accidentes laborales al año.

 El número de errores en un mensaje transmitido.
 El número de piezas defectuosas producidas a lo largo de una obra.
 El número de días de baja de un trabajador.

Ejemplo: Un ingeniero se ve obligado a transmitir dígitos binarios a través de un sistema de

comunicaciones bastante imperfecto. Por estudios previos, estima que la probabilidad de que un
dígito se transmita incorrectamente es del 20 %. El ingeniero envía un mensaje de 4 dígitos y se
pregunta cuántos se recibirán incorrectamente. Desde el punto de vista estadístico nosotros no
podemos responder a esa pregunta. En realidad, nadie puede responder a esa pregunta con certeza,
porque existe incertidumbre latente en ella: el azar determinar a cuántos dígitos se cruzan. Lo que sí
podemos hacer es facilitarle el grado de certeza, es decir, la probabilidad, de cada uno de los posibles
resultados. Concretamente, si analizamos la variable X: número de dígitos que se reciben
incorrectamente, teniendo en cuenta que el ensayo de cada envío de cada dígito se hará de forma
independiente y que nos ha dicho que la probabilidad de que un dígito se reciba incorrectamente es
0.2, podemos armar que un modelo de probabilidad adecuado para dicha variable es una distribución
B (4; 0:2). Esta distribución nos permite calcular la probabilidad de que se crucen 0, 1, 2, 3 o 4 de los
dígitos. Lo esquematizamos en la tabla adjunta. Vistos los resultados, debemos decirle al ingeniero
que es hartamente improbable que le fallen los 4 dígitos, pero que tiene una probabilidad de 0:41 +
0:15 + 0:03 + 0:00 = 0:59 de que le falle el envío de al menos uno de ellos.

Distribuciones de variable discreta más importantes:

Las distribuciones de variable discreta más importantes son las siguientes:
• Distribución binomial
• Distribución binomial negativa
• Distribución Poisson
• Distribución geométrica
• Distribución hipergeométrica
• Distribución de Bernoulli
• Distribución Rademacher, que toma el valor 1 con Probabilidad ½ y el valor -1 con
probabilidad ½.

ING.CIVIL 5
 Distribuciones discretas de Poisson y Geométrica

1. DISTRIBUCIONES DE POISSON
Llamada así en honor de Simión Denis Poisson, probabilista francés del siglo XIX. Quién fue el primero
en describirla es otra distribución discreta de probabilidad muy útil en la que la variable aleatoria
representa el número de eventos independientes que ocurren a una velocidad constante.

1.1 Definición:
La distribución de poisson es el número de resultados que ocurren durante un intervalo de tiempo
determinado o en una región específica y a eso se denominan experimentos de Poisson. Sea x el
número de resultados que ocurren durante un experimento de Poisson se llama variable aleatoria de
Poisson y su distribucion de probabilidad se llama distribución de Poisson. El número medio de
resultados se calcula a partir de 𝜇 = 𝜆𝑡, donde t es el tiempo, distancia , área o el volumen
específicos de interés. Como las probabilidades dependen de λ, denotaremos la tasa de ocurrencia
de los resultados con 𝑝(𝑥; 𝜆𝑡). La derivación de la fórmula para 𝑝(𝑥; 𝜆𝑡), que se basa en las tres
propiedades de un proceso de Poisson que se listaron antes, esta fuera del alcance de este texto. La
siguiente formula se utiliza para calcular probabilidades de Poisson.

Algunos ejemplos de fenómenos que se ajustan a una distribución de Poisson son los siguientes:
 el número de accidentes de tráfico en una ciudad durante una semana.
 el número de emergencias que llegan a un servicio de urgencia hospitalaria.
 el número de llamadas telefónicas que llegan a la centralita de una gran empresa en hora
punta.
 el número de precipitaciones atmosféricas que ocurra durante un mes o año.
 el número de seísmos que ocurra en un año.
 El número de fisuras que puede tener una construcción.

Todos estos casos pueden ser caracterizados como el número de sucesos de un determinado evento
en un período de tiempo. Cada uno de estos eventos toma dos posibles valores, éxito o

fracaso, equivalente a recibir una llamada o no recibirla, accidentarse o no accidentarse, etc...

Además, la probabilidad del éxito es muy pequeña. Es decir, la probabilidad de tener un accidente es
muy bajo, la probabilidad de que una persona llama a la centralita de la gran empresa es mínima. Y,
no debemos de olvidar, que n, número de personas que hay en una ciudad, número de personas que
circulan en coche, etc... es muy grande. Todo esto nos lleva a que una buena parte de fenómenos de
esta naturaleza siguen una distribución del tipo Poisson. Es por ello que esta distribución, también
denominada "de los sucesos raros" es particularmente útil para resolver problemas de colas y líneas
de espera, temas ambos que se podrán estudiar en otras asignaturas del área de métodos
cuantitativos en economía.

Por tratarse de un caso particular de la Binomial, la distribución de Poisson cumple los requisitos del
Proceso de Bernouilli y la variable aleatoria (X) sigue definiéndose como el número de éxitos en una
sucesión de Bernouilli. Se puede demostrar que la forma que adopta la función de cuantía para una
variable aleatoria (X) con una distribución de Poisson de parámetro 𝜆 es:

𝑒 −𝜆 𝜆𝑥
𝑓(𝑥) = 𝑃(𝑋 = 𝑥) =
𝑥!
donde 𝜆 = 𝑛 ∗ 𝑝, x! Es la factorial de x y “e” es el número e. La forma que adopta la función de
distribución es

ING.CIVIL 6
 Distribuciones discretas de Poisson y Geométrica

𝑒 −𝜆 𝜆𝑟
𝐹(𝑥) = ∑ 𝑃(𝑋 = 𝑟) = ∑
𝑟!
𝑟≤𝑥 𝑟≤𝑥

En base a la función de cuantía podemos calcular la media y la varianza de la distribución de Poisson.

La determinación de la media es casi inmediata de forma inmediata
∞
𝑒 −𝜆 𝜆𝑥
𝜇𝑥 = 𝐸(𝑋) = 𝛼1 = ∑ 𝑥( )
𝑥!
𝑋=1
∞
−𝜆
𝜆𝑦
𝑠𝑖 ℎ𝑎𝑐𝑒𝑚𝑜𝑠 𝑦 = (𝑥 − 1)𝑛𝑜𝑠 𝑞𝑢𝑒𝑑𝑎𝑟á: 𝐸(𝑋) = 𝑒 𝜆∑ = 𝑒 −𝜆 𝜆𝑒 𝜆 = 𝜆
𝑦!
𝑦=0

Para el cálculo de la varianza, determinaremos primero el momento no centrado de orden 2,𝛼2

∞ ∞
2)
𝑒 −𝜆 𝜆𝑥
2
𝜆𝑥
𝛼2 = 𝐸(𝑋 = ∑𝑥 ( ) = 𝑒 −𝜆 ∑ 𝑥 2
𝑥! 𝑥!
𝑋=0 𝑥=0
2
−𝜆 2
𝜆 2
𝜆 −𝜆
𝜆2 𝜆3
𝛼2 = 𝑒 [1 +2 + ⋯ ] = 𝑒 [𝜆 + 2 + 3 … ]
1! 2! 1! 2!

𝜆 𝜆2 𝜆3
𝛼2 = 𝑒 −𝜆 𝜆 [1 + (1 + 1) + (1 + 2) + (1 + 3) + ⋯ ]
1! 2! 3!

Aplicando el desarrollo de Taylor llegamos a la siguiente expresión para el momento no centrado de

orden 2

𝜆 𝜆2 𝜆2 𝜆3 𝜆 𝜆2
𝛼2 = 𝑒 −𝜆 𝜆 [1 + + + ⋯ 𝜆 + + + ⋯ ] = 𝑒 −𝜆 𝜆 [𝑒 𝜆 + 𝜆 (1 + + + ⋯ )]
1! 2! 1! 2! 1! 2!

𝑃𝑜𝑟 𝑡𝑎𝑛𝑡𝑜, 𝛼2 = 𝑒 −𝜆 𝜆[𝑒 𝜆 + 𝜆𝑒 𝜆 ] = 𝜆(1 + 𝜆) = 𝜆 + 𝜆2

Y la varianza se calcula como

𝜎𝑥2 = 𝛼2 − 𝛼12

𝜎𝑥2 = 𝐸(𝑋 2 ) − [𝐸(𝑋)]2 = 𝜆 + 𝜆2 − 𝜆2 = 𝜆

Por tanto, la media y la varianza de esta distribución son idénticas e iguales a 𝜆 = 𝑛 ∗ 𝑝.

1.2 Aplicaciones:
Veamos un ejemplo de distribución de Poisson. Un analista de empresas ha pronosticado que el 3.5%
de las pequeñas empresas irán a la bancarrota en 1995. Para una muestra de 100 pequeñas
empresas, estime la probabilidad de que al menos tres de ellas entren en bancarrota, suponiendo
que la predicción del experto es correcta.

Resolución: Veamos primero de qué tipo de distribución se trata.

 Cumple los requisitos de un Proceso de Bernouilli, puesto que hay dos resultados posibles
(bancarrota o no bancarrota); la probabilidad es constante (3.5% predicho por el experto); y
las pruebas son independientes.
 Puede ser considerada una Binomial, puesto que definimos una variable aleatoria que es el
número de empresas que entran en bancarrota ("éxito").

ING.CIVIL 7
 Distribuciones discretas de Poisson y Geométrica

 Pero cumple las condiciones para ser analizada como una distribución de Poisson, puesto
que n es muy grande (n=100) y p muy pequeña (p=0,035), por lo que la media es muy
pequeña en relación a n (n*p = 3,5)

Usaremos la distribución de Poisson con media 3,5 para aproximar nuestra distribución. La
probabilidad de que al menos 3 de las 100 empresas entren en bancarrota es igual a la probabilidad
de que entren 3 empresas, más la de que entren cuatro, más cinco, y así hasta

100:

𝑃(3) + 𝑃(4) + 𝑃(5) +. . . . . . . . . + 𝑃(100) = 1 − 𝑃(0) − 𝑃(1) − 𝑃(2).

Para hallar las probabilidades necesarias para resolver el problema debemos hacer uso de la función
de cuantía, cuya expresión genérica es:

𝑒 −𝜆 𝜆𝑥
𝑓(𝑥) = 𝑃(𝑋 = 𝑥) =
𝑥!

Aplicada a nuestro ejemplo, y para el caso 𝑃(0):

𝑒 −3.5 3.50
𝑓(0) = 𝑃(𝑋 = 0) =
0!
(0.30197) ∗ (1)
= 0.302
1

Si aplicamos la fórmula al resto de casos, la resolución del problema será:

1 − 0,302 − 0,1057 − 0,1850 = 0.679

Ejemplo 2. Al examinar la aplicación de estaño por un proceso electrolítico continuo, se descubren
en promedio 0,3 imperfecciones por minuto.
a) ¿Cuál es la probabilidad de encontrar 3 imperfecciones en 4 minutos?
b) ¿Cuál es la probabilidad de que hayan más de 4 imperfecciones en 6 minutos?
c) ¿Cuál es la probabilidad de a lo sumo 6 imperfecciones en 15 minutos?

Solución:
Sea X el número de imperfecciones por un espacio de tiempo.
Parte a: 0,3 imperfecciones por minuto equivalen a (0,3)4 = 1,2 imperfecciones en 4 minutos.
𝜇 = 1,2; 𝑥 = 3 ⇒ 𝑝(3; 1,2) = 𝑃(3; 1,2) − (𝑃(2; 1,2) = 0,966 − 0,879 = 0,087
Parte b: 0,3 imperfecciones por minuto equivalen a 1,8 imperfecciones en 6 minutos. Dado que
se quiere calcular que hayan más de 4 infectados, se tiene que calcular 𝑃(𝑋 > 4) o
equivalente 1 − 𝑃(𝑡 ≤ 4)
𝜇 = 1,8; 𝑥 = 4 ⇒ 1 − 𝑃(𝑋 ≤ 4) = 1 − 𝑃(4; 1,8) = 1 − 0,964 = 0,036.
Parte c: 0,3 imperfecciones por minuto equivalen a 4,5 imperfecciones en 15 minutos.
𝜇 = 4,5; 𝑥 = 6 ⇒ 𝑃(𝑋 ≤ 6) = 𝑃(6; 4,5) = 0,831
El valor 0,831 es un promedio de los valores entre 𝜇 = 4,4 𝑦 𝜇 = 4,6

ING.CIVIL 8
 Distribuciones discretas de Poisson y Geométrica

1.3 Observaciones
Se puede utilizar la distribución de Poisson para hallar una aproximación de la distribución Binomial;
cuando n es muy grande y p se aproxima a cero, esto es, cuando la distribución Binomial es muy
sesgada; tomando 𝜇 = 𝑛𝑝. Usualmente esta aproximación es satisfactoria cuando 𝑛 ≥ 20 y 𝑝 ≤
0,05 ; y excelente cuando 𝑛 ≥ 100 𝑦 𝑛𝑝 ≤ 10 . En el caso en que p este cerca de 1, se puede utilizar
la distribución de Poisson para aproximar la Binomial intercambiando las definiciones de lo que se
considera éxito y fracaso.

2. DISTRIBUCION GEOMETRICA
El origen de la distribución geométrica comenzó con Jakob Bernoulli (1654-1705), que escribió Artes
Conjectandi (el Arte de la conjetura), su obra maestra. Aquí Bernoulli proporciono la clave para
entender la distribución geométrica.

En un “ensayo de Bernoulli” A hay un conjunto de n variables independientes binarias en el que la

observación j es un “éxito” o “fracaso”, con la probabilidad de éxito, p, que es la misma para cada
ensayo.

Se llama distribución geométrica porque su forma coincide con la k-ésimo término de la progresión
geométrica dada por: P, p𝒒𝟐 , p𝒒𝟑 ,……

2.1 Definición:
La distribución geométrica es un modelo adecuado para aquellos procesos en los que se repiten
pruebas hasta la consecución del éxito a resultado deseado y tiene interesantes aplicaciones en los
muestreos realizados de esta manera. También implica la existencia de una dicotomía de posibles
resultados y la independencia de las pruebas entre sí.

Proceso experimental del que se puede hacer derivar

Esta distribución se puede hacer derivar de un proceso experimental puro o de Bernouilli en el que
tengamos las siguientes características

 El proceso consta de un número no definido de pruebas o experimentos separados

o separables. El proceso concluirá cuando se obtenga por primera vez el resultado
deseado (éxito).
 Cada prueba puede dar dos resultados mutuamente excluyentes: A y no A
 La probabilidad de obtener un resultado A en cada prueba es p y la de obtener un
resultado no A es q
siendo (p + q = 1).
 Las probabilidades p y q son constantes en todas las pruebas, por tanto, las pruebas,
son independientes (si se trata de un proceso de "extracción" éste se llevará a, cabo
con devolución del individuo extraído).
 (Derivación de la distribución). Si en estas circunstancias aleatorizamos de forma que
tomemos como variable aleatoria X = el número de pruebas necesarias para obtener
por primera vez un éxito o resultado A, esta variable se distribuirá con una
distribución geométrica de parámetro p.

Los valores de una variable sirven para describir o clasificar individuos o distinguir entre ellos. La
mayoría de nosotros hacemos algo más que simplemente describir, clasificar o distinguir, porque
tenemos ideas respecto a las frecuencias relativas de los valores de una variable. En estadística

ING.CIVIL 9
 Distribuciones discretas de Poisson y Geométrica

decimos que la variable tiene una función de probabilidad, una función de densidad de probabilidad
o simplemente una función de distribución (Badii & Castillo, 2007).

Las distribuciones de probabilidad están relacionadas con la distribución de frecuencias. De hecho,

podemos pensar en la distribución de probabilidad como una distribución de frecuencias teórica. Una
distribución de frecuencias teórica es una distribución de probabilidades que describe la forma en
que se espera que varíen los resultados. Debido a que estas distribuciones tratan sobre expectativas
de que algo suceda, resultan ser modelos útiles para hacer inferencias y tomar decisiones de
incertidumbre (Badii et al., 2007a, 2007b).

Los objetivos de distribuciones de probabilidad son:

a) Introducir las distribuciones de probabilidad que más se utilizan en la toma de decisiones.

b) Utilizar el concepto de valor esperado para tomar decisiones.

c) Mostrar qué distribución de probabilidad utilizar, y cómo encontrar sus valores.

d) Entender las limitaciones de cada una de las distribuciones de probabilidad que utilice.

La distribución de probabilidad geométrica Se recordará que en un experimento binomial se tiene

una serie de eventos idénticos e independientes, y que cada uno origina un “éxito” E o un “fracaso”
F, con p(E) = p y p(F) = 1- p = q.

Si se interesa el número x de pruebas hasta la observación del primer éxito, entonces x posee una
distribución de probabilidad geométrica. Nótese que el número de pruebas podría seguir
indefinidamente y que x es un ejemplo de variable aleatoria discreta que puede tomar un número
infinito (pero contable) de valores. Las fórmulas para la distribución geométrica son:

p(x) = p𝒒𝒙−𝟏 x = 1,2,……,8 (15)

Donde,

x = número de pruebas independientes hasta la ocurrencia del primer éxito.

p = probabilidad de éxito en una sola prueba, q = 1–p.

1
Media: 𝑢=𝑃
1−𝑃
Variancia: 𝜎2 = 𝑃2

1−𝑃
Desviación estándar: √
𝑃2

La distribución de probabilidad geométrica es un modelo para el intervalo de tiempo que un jugador

(o inversionista) tiene que esperar hasta ganar. Por ejemplo, si la ganancia media en una serie de
apuestas idénticas en la ruleta (o en alguna otra serie de pruebas idénticas), no es una buena medida
para su prospectiva de ganar, podría tener una racha de mala suerte y quedarse sin dinero antes de
tener la posibilidad de recuperar sus pérdidas.

La distribución de probabilidad geométrica también proporciona un modelo discreto para el lapso,

digamos el número x de minutos, antes de que un consumidor en una fila o línea de espera (en un
supermercado, servicio de reparaciones, hospital, etc.) reciba la atención [nótese que el lapso o

ING.CIVIL 10
 Distribuciones discretas de Poisson y Geométrica

intervalo de tiempo es una variable aleatoria continua. La distribución de probabilidad geométrica es

una analogía discreta de (una aproximación para) una distribución de probabilidad continua
particular, conocida como distribución exponencial]. Este modelo discreto para la distribución de
probabilidad de tiempo de espera x se basa en la suposición de que la probabilidad de recibir el
servicio durante cualquier minuto es idéntica e independiente del resultado durante cualquier otro
minuto y que x se mide en minutos “enteros”, es decir, x = 1, 2, 3.

2.2 Aplicaciones:
Ejemplo 1.

Los registros indican que una cierta vendedora tiene éxito en formular venta en 30% de sus
entrevistas. Supóngase que una venta en una entrevista es independiente de una venta cualquier
otro momento.

a) ¿Cuál es la probabilidad de que esta vendedora tenga que tratar con 10 personas antes de hacer
su primera venta?

b) ¿Cuál es la probabilidad que la primera venta se realice antes o en la décima oportunidad?

Solución:

a) La probabilidad de realizar una venta en un solo contacto o entrevista es p = 0.3 Entonces la

probabilidad de que necesita exactamente x = 10 contactos antes de hacer su primera venta es:

𝑝(𝑥) = 𝑝𝑞 𝑥−1
𝑜 𝑏𝑖𝑒𝑛 𝑝(10) = (0.3)(0.7)9 = 0.012
b) La probabilidad de que se realice la primera venta antes de o en la décima entrevista, es

𝑃(𝑥 = 10) = 𝑝(0) + 𝑝(1) + 𝑝(2) + ⋯ … . + 𝑝(10)

La manera más sencilla de hallar esta probabilidad es expresarla como el complemento de una serie
infinita, es decir:

𝑃(𝑥 = 10) = 1 − 𝑃(𝑥 > 10)

Donde, 𝑃(𝑥 > 10) = 𝑝(11) + 𝑝 (12) + 𝑝 (13) + ⋯

= 𝑝𝑞10 + 𝑝𝑞11 + ⋯
La suma de una serie geométrica infinita es igual a a / (1 - r), donde a es el primer término de la serie,
r es la razón, común, y 𝑟 2 < 1. Utilizando este resultado, tenemos.
𝑝𝑞10
𝑃(𝑥 = 10) = 1 − 𝑝(𝑥 > 10) = 1 − 1−𝑞
= 1 − 𝑞10 = 1 − (0.7)10 = 0.972

Por lo tanto, existe una alta probabilidad (0.972) de que la vendedora realice primera venta antes de
o en el décimo contacto.

Ejemplo 2:

Un jugador de baloncesto se dispone a tirar hasta anotar una canasta. Sí se supone que sus tiros son
independientes y la probabilidad de anotar una canasta es de 0.8.

ING.CIVIL 11
 Distribuciones discretas de Poisson y Geométrica

¿Cuál es la probabilidad de necesitar efectuar dos tiros?, ¿tres tiros?, ¿cuatro tiros?, ¿cinco tiros?, ¿n
tiros?

Solución

Sea Y = número de tiros necesarios para anotar una canasta

p= 0.8 q = 0.2

𝑃( 𝑌 = 2 ) = 𝑞 𝑝 = (0.2) ∗ (0.8) = 0.16

𝑃( 𝑌 = 3 ) = 𝑞 𝑞 𝑝 = (0.2)(0.2)(0.8) = 0.032
𝑃( 𝑌 = 4 ) = 𝑞 𝑞 𝑞 𝑝 = (0.2)(0.2)(0.2)(0.8) = 0.0064
𝑃( 𝑌 = 5) = 𝑞 𝑞 𝑞 𝑞 𝑝 = (0.2)(0.2)(0.2)(0.2)(0.8) = 0.00128

𝑃( 𝑌 = 𝑛) = 𝑞 𝑛−1 𝑝 =

b) ¿Cuál es la probabilidad de necesitar a lo más 5 tiros?

𝑃 (𝑌 ≤ 5) = 𝑃 (1) + 𝑃(2) + 𝑃(3) + 𝑃(4) + 𝑃(5)

5

𝑃(𝑌 ≤ 5) = ∑ 𝑞 𝑟−1 𝑝 = (0.20 ∗ 𝑜. 8) + (0.21 ∗ 0.8) + (0.22 ∗ 0.8) + (0.23 ∗ 0.8) + (0.24 ∗ 0.8)
𝑟=1

= 0.8 + 0.16 + 0.032 + 0.0064 + 0.00128

= 0.99968

Ejemplos 3:

Sí la probabilidad de que un cierto dispositivo de medición muestre una desviación excesiva es de

0.05, ¿cuál es la probabilidad de que: a) el sexto de estos dispositivos de medición sometidos a
prueba sea el primero en mostrar una desviación excesiva, b) el séptimo de estos dispositivos de
medición sometidos a prueba, sea el primero que no muestre una desviación excesiva?.

Solución:

a) x = 6 que el sexto dispositivo de medición probado sea el primero que muestre una variación
excesiva

p = 0.05 =probabilidad de que un dispositivo de medición muestre una variación excesiva

q = 0.95 =probabilidad de que un dispositivo de medición no muestre una variación excesiva

p(x = 6) =

b) x = 5 que el quinto dispositivo de medición probado, sea el primero que no muestre una
desviación excesiva

p = 0.95 = probabilidad de que un dispositivo de medición no muestre una variación excesiva

q = 0.05 = probabilidad de que un dispositivo de medición muestre una variación excesiva

p(x = 5) =

ejemplo 4:

ING.CIVIL 12
 Distribuciones discretas de Poisson y Geométrica

Los registros de una compañía constructora de pozos, indican que la probabilidad de que uno de sus
pozos nuevos, requiera de reparaciones en el término de un año es de 0.20. ¿Cuál es la probabilidad
de que el quinto pozo construido por esta compañía en un año dado sea el primero en requerir
reparaciones en un año?

Solución:

x = 5 que el quinto pozo sea el primero que requiera reparaciones en un año

p = 0.20 = probabilidad de que un pozo requiera reparaciones en el término de un año

q = 0.80 = probabilidad de que un pozo no requiera reparaciones en el término de un año

p(x = 5) =

ING.CIVIL 13
 Distribuciones discretas de Poisson y Geométrica

INTRODUCCION
En este trabajo veremos específicamente las definiciones y aplicaciones en el campo de la ingeniería
de la distribución de Poisson y distribución Geométrica.

En la distribución de Poisson podemos tener el caso en que si consideremos el número de éxitos en

un periodo de tiempo donde los éxitos acontecen a razón de x veces por unidad de tiempo (en
promedio) y de forma independiente. En ese caso X: número de ocurrencias del suceso por unidad
de tiempo es una variable de Poisson de parámetro 𝜆; y se nota X! P (𝜆): En esta caracterización, las
hipótesis fundamentales ahora son: la independencia de las realizaciones y el promedio constante
de ocurrencias por unidad de tiempo.

En la distribución geométrica veremos el caso en que si repetidos intentos independientes pueden

resultar en un éxito con una probabilidad p y en un fracaso con una probabilidad de q = 1−p, entonces
la distribución de probabilidad de la variable aleatoria X, el número del intento en el cual ocurre el
primer éxito es: 𝑔(𝑥; 𝑝) = 𝑝𝑞𝑥 − 1 𝑥 = 1, 2, 3, . . . . . . . . ..
Equivalentemente, la probabilidad de que haya x fallos antes del primer éxito es: 𝑔(𝑥; 𝑞) = 𝑞 𝑥 𝑝 =
( 1 − 𝑃)𝑥 ∗ 𝑝

ING.CIVIL 14
Distribuciones discretas de Poisson y Geométrica

ING.CIVIL 15
 Distribuciones discretas de Poisson y Geométrica

BIBLIOGRAFÍA

DEVORE, J. (2008). Probabilidad y Estadística para Ingenieros y Ciencias. Cergage

Learning Editors S.A.
FREUND, J. (2002). Probabilidad y Estadística para Ingenieros. Reverté.
GOMEZ, F. (1993). Estadística Metodológica. Fragor. 1993.
JOHNSON, R. (2012). Probabilidad y Estadística para Ingenieros. Pearson Education.
CANAVOS, G. C. Probabilidad y Estadística Aplicaciones y Métodos, México: McGraw-Hill
Interamericana de México. S. A.

ING.CIVIL 16