Probabilidades: Definiciones y Conceptos

Las Probabilidades pertenecen a la rama de la matemtica que estudia ciertos

experimentos llamados aleatorios, o sea regidos por el azar, en que se conocen
todos los resultados posibles, pero no es posible tener certeza de cul ser en
particular el resultado del experimento. Por ejemplo, experimentos aleatorios
cotidianos son el lanzamiento de una moneda, el lanzamiento de un dado,
extraccin de una carta de un mazo de naipes. Ms adelante se ver que debemos
distinguir entre los conceptos de probabilidades matemticas o clsicas de las
probabilidades experimentales o estadsticas.

Probabilides, Algunas Definiciones

Espacio Muestral.- Se llama espacio muestral (E) asociado a un experimento
aleatorio, el conjunto de todos los resultados posibles de dicho experimento.
Al lanzar una moneda, el espacio muestral es E = {sale cara, sale sello} E = {c,
s}.
Al lanzar un dado de seis caras, el espacio muestral es
E = {sale 1, sale 2, sale 3, sale 4, sale 5, sale 6}
E = {1, 2, 3, 4, 5, 6}
Al lanzar dos monedas, el espacio muestral es
E = {(c,c), (c,s), (s,c), (s,s)}.
Al lanzar tres monedas, el espacio muestral es E = {(c,c,c), (c,c,s), (c,s,c), (c,s,s),
(s,c,c), (s,c,s), (s,s,c), (s,s,s)}
Evento o Suceso. Se llama evento o suceso a todo subconjunto de un espacio
muestral. Por ejemplo en el espacio muestral E = {1, 2, 3, 4, 5, 6} del lanzamiento
de un dado, los siguientes son eventos:
1. Obtener un nmero primo A = {2, 3, 5}
2. Obtener un nmero primo y par B = {2}
3. Obtener un nmero mayor o igual a 5 C = {5, 6}
Eventos mutuamente excluyentes.- Dos eventos son mutuamente excluyentes
si no pueden ocurrir en forma simultnea, esto es, si y slo si su interseccin es
vaca. Por ejemplo, en el lanzamiento de un dado los eventos B = {2} y C = {5, 6}
son mutuamente excluyentes por cuanto
B C=
Eventos Complementarios.- Si A
eventos complementarios: Ac = B y
Bc = A

B= yA

B = E, se dice que A y B son

Su Medicin Matemtica o Clsica. Si en un experimento aleatorio todos los

resultados son equiprobables (iguales probabilidades), es decir, la ocurrencia de
uno es igualmente posible que la ocurrencia de cualquiera de los dems, entonces,

la probabilidad de un evento A es la razn:

P(A) = nmero de casos favorables para A/nmero total de casos posibles
A partir de esta definicin las probabilidades de los posibles resultados del
experimento se pueden determinar a priori, es decir, sin realizar el experimento.
Se deduce de la definicin lo siguiente:
0 P(A) 1 La medicin probabilstica es un nmero real entre 0 y 1, inclusive, 0%
P(A) 100% en porcentaje.
P( ) = 0 y P(E) = 1
Su Medicin Experimental o Estadstica.- La frecuencia relativa del resultado A
de un experimento es la razn
FR = nmero de veces que ocurre A/nmero de veces que se realiza el experimento
Si el experimento se repite un nmero grande de veces, el valor de FR se
aproximar a la medicin probabilstica P del evento A. Por ejemplo, si lanzo 100
veces una moneda, el nmero de veces que obtengo cara es cercano a 50, o sea FR
es cercano a 50%.

Teora de la probabilidad
La teora de la probabilidad es la teora matemtica que modela los fenmenos
aleatorios. Estos deben contraponerse a los fenmenos determinsticos, en los cuales el
resultado de un experimento, realizado bajo condiciones determinadas, produce un
resultado nico o previsible: por ejemplo, el agua calentada a 100 grados Celsius, a
nivel del mar, se transforma en vapor. Un fenmeno aleatorio es aquel que, a pesar de
realizarse el experimento bajo las mismas condiciones determinadas, tiene como
resultados posibles un conjunto de alternativas, como el lanzamiento de un dado o de
una moneda.
Los procesos reales que se modelizan como procesos aleatorios pueden no serlo
realmente; cmo tirar una moneda o un dado no son procesos aleacin en sentido
estricto, ya que no se reproducen exactamente las mismas condiciones iniciales que lo
determinan, sino slo unas pocas. En los procesos reales que se modelizan mediante
distribuciones de probabilidad corresponden a modelos complejos donde no se conocen
a priori todos los parmetros que intervienen; sta es una de las razones por las cuales la
estadstica, que busca determinar estos parmetros, no se reduce inmediatamente a la
teora de la probabilidad en s.

Esta aproximacin axiomtica que generaliza el marco clsico de la probabilidad, la

cual obedece a la regla de clculo de casos favorables sobre casos posibles, permiti la
rigorizacin de muchos argumentos ya utilizados, as como el estudio de problemas
fuera de los marcos clsicos. Actualmente, la teora de la probabilidad encuentra
aplicacin en las ms variadas ramas del conocimiento, como puede ser la fsica (donde
corresponde mencionar el desarrollo de las difusiones y el movimiento Browniano), o

Definicin clsica de probabilidad

La probabilidad es la caracterstica de un evento, que existen razones para creer que ste
se realizar.
La probabilidad p de que suceda un evento S de un total de n casos posibles igualmente
probables es igual a la razn entre el nmero de ocurrencias h de dicho evento (casos
favorables) y el nmero total de casos posibles n.

La probabilidad es un nmero (valor) que varia entre 0 y 1. Cuando el evento es

imposible se dice que su probabilidad es 0, si el evento es cierto y siempre tiene que
ocurrir su probabilidad es 1.
La probabilidad de no ocurrencia de un evento est dada por q, donde:

Sabemos que p es la probabilidad de que ocurra un evento y q es la probabilidad de que

no ocurra, entonces p + q = 1
Simblicamente el espacio de resultados, que normalmente se denota por , es el
espacio que consiste en todos los resultados que son posibles. Los resultados, que se
denota por 1,2, etctera, son elementos del espacio .

Definicin segn la frecuencia relativa y definicin

axiomtica [editar]
Segn Spiegel (1) la definicin clsica de la probabilidad se define con base a s misma
(igualmente factible es sinnimo de igualmente probable) se define la probabilidad
estimada o emprica basada en la frecuencia relativa de aparicin de un suceso S cuando
es muy grande. La probabilidad de un suceso es una medida que se escribe como
,

y mide con qu frecuencia ocurre algn suceso si se hace algn experimento

indefinidamente.
La definicin anterior es complicada de representar matemticamente ya que debiera
ser infinito. Otra manera de definir la probabilidad es de forma axiomtica esto
estableciendo las relaciones o propiedades que existen entre los conceptos y operaciones
que la componen.

Probabilidad discreta [editar]

Este tipo de probabilidad, es aquel que puede tomar slo ciertos valores diferentes que
son el resultado de la cuenta de alguna caracterstica de inters.
Estos Valores pueden ser de varios tipos ya sean Finitos o Infinitos, Numerables o
innumerables
EJEMPLO 1: sea X el nmero de caras obtenidas al lanzar 3 veces una moneda. Aqu
los valores de X son x = 0, 1, 2, 3
Como se muestra en el ejemplo 1 estos valores son Numerables, y Finitos, ya que se nos
da un nmero de especifico de casos y solo nos pueden dar un nmero especifico de
resultados.

Probabilidad continua [editar]

Una variable aleatoria es una funcin

que da un valor numrico a cada suceso en .

Funcin de densidad [editar]

Artculo principal: Funcin de densidad

La funcin de densidad, o densidad de probabilidad de una variable aleatoria, es una

funcin a partir de la cual se obtiene la probabilidad de cada valor que toma la variable.
Su integral en el caso de variables aleatorias continuas es la distribucin de
probabilidad. En el caso de variables aleatorias discretas la distribucin de probabilidad
se obtiene a travs del sumatorio de la funcin de densidad.

Probabilidad condicional [
Se llama probabilidad condicional o probabilidad condicionada a la probabilidad de que
un suceso se cumpla habindose cumplido ya otro. Se nota "probabilidad de A sabiendo
que B se ha cumplido" de la siguiente manera:

Dicha probabilidad se calcular de la siguiente forma:

Clculo de probabilidades: nociones bsicas

La estadstica, junto con la epidemiologa, es un instrumento

indispensable en el proceso de investigacin en medicina.
Formalmente, se puede clasificar la estadstica en descriptiva,
cuando se utiliza simplemente para la presentacin y sntesis de la
informacin recogida en un estudio, e inferencial, que tiene por
objetivo generalizar la informacin obtenida en una muestra a
resultados vlidos para la poblacin de la que procede 1. Supongamos,
por ejemplo, que nos interesa comparar dos frmacos A y B y
determinar cul de ellos es ms eficaz para el tratamiento de una
determinada enfermedad. Para ello, se disea un estudio
distribuyendo 100 enfermos en dos grupos, cada uno de los cuales
recibe uno de los dos tratamientos. Al cabo de 1 mes, la tasa de
curacin en cada grupo es del 80% y del 70%, respectivamente. Ante
esta informacin, es correcto suponer que el tratamiento A es mejor
que el tratamiento B para esta enfermedad en concreto? La respuesta
a esta pregunta, como a la mayor parte de problemas que pueden
plantearse en medicina, est sujeta a un cierto grado de
incertidumbre que hacen muy complicado tomar una decisin al
respecto. En la respuesta de un paciente al tratamiento pueden influir
diversos factores, entre los que se incluye el azar, que pueden
provocar una gran variabilidad en los resultados. La aplicacin de los
principios de la estadstica a la clnica permite reducir y cuantificar
dicha variabilidad y ayudar a la toma de decisiones. En particular, el
clculo de probabilidades suministra las reglas apropiadas para
cuantificar esa incertidumbre y constituye la base para la estadstica
inductiva o inferencial.
El objetivo de este trabajo consiste en introducir algunos de los
conceptos bsicos del clculo de probabilidades, as como las reglas
necesarias para el desarrollo de la inferencia estadstica en medicina.
Una exposicin ms detallada de estos y otros conceptos puede
encontrarse en referencias ms especializadas2-8.
El concepto de probabilidad resulta familiar a cualquier profesional
del mbito sanitario, pero una definicin ms precisa exige considerar
la naturaleza matemtica de dicho concepto. La probabilidad de
ocurrencia de un determinado suceso podra definirse como la
proporcin de veces que ocurrira dicho suceso si se repitiese un
experimento o una observacin en un nmero grande de ocasiones
bajo condiciones similares. Por definicin, entonces, la probabilidad se
mide por un nmero entre cero y uno: si un suceso no ocurre nunca,
su probabilidad asociada es cero, mientras que si ocurriese siempre

su probabilidad sera igual a uno. As, las probabilidades suelen venir

expresadas como decimales, fracciones o porcentajes.
La definicin anterior de probabilidad corresponde a la conocida
como definicin frecuentista. Existe otra descripcin ms formal
desde el punto terico que permite definir el concepto de probabilidad
mediante la verificacin de ciertos axiomas a partir de los que se
deducen todas las dems propiedades del clculo de probabilidades 2.
En otros contextos, se ha defendido una interpretacin ms amplia
del concepto de probabilidad que incluye las que podemos denominar
probabilidades subjetivas o personales, mediante las cuales se
expresa el grado de confianza o experiencia en una proposicin. Esta
definicin constituye la base de los llamados mtodos bayesianos,
que se presentan como alternativa a la estadstica tradicional
centrada en el contraste de hiptesis9-11. No obstante, y en relacin
con el propsito de este trabajo, bastar con considerar la definicin
frecuentista anterior. As, a partir de una poblacin con N elementos,
de los cuales k presentan una caracterstica A, se estimar la
probabilidad de la caracterstica A como P(A) = k/N. As, por ejemplo,
en una poblacin de 100 pacientes, 5 de los cuales son diabticos, la
probabilidad de padecer diabetes p(Diabetes) se estimar como el
cocient:e 5/100= 0.5.
Es conveniente conocer algunas de las propiedades bsicas del
clculo de probabilidades:

Para un suceso A, la probabilidad de que suceda su complementario

(o equivalentemente, de que no suceda A) es igual a uno menos la
probabilidad de A:

donde

denota al suceso contrario o suceso complementario de A.

Si un fenmeno determinado tiene dos posibles resultados A y B

mutuamente excluyentes (es decir, que no pueden darse de forma
simultnea, como ocurre en el lanzamiento de una moneda al aire),
la probabilidad de que una de esas dos posibilidades ocurra se calcula
como la suma de las dos probabilidades individuales:

(1)
La extensin de la ley aditiva anterior al caso de ms de dos sucesos
mutuamente excluyentes A, B, C... indica que:

Consideremos, como ejemplo, un servicio de urologa en el que el

38,2% de los pacientes a los que se les practica una biopsia
prosttica presentan una hiperplasia benigna (HB), el 18,2%
prostatitis (PR) y en un 43,6% el diagnstico es de cncer (C). La
probabilidad de que en un paciente que se somete a una biopsia de
prstata no se confirme el diagnstico de cncer prosttico ser igual
a:

Es decir, en un 56,4% de los casos se logra descartar un diagnstico

maligno. De modo equivalente, la probabilidad anterior podra
haberse calculado como la probabilidad del suceso contrario al del
diagnstico de cncer:

Ntese la importancia del hecho de que los sucesos anteriores sean

mutuamente excluyentes. Sin esta condicin, la ley de adicin no
ser vlida. Por ejemplo, se sabe que en una determinada Unidad de
Cuidados Intensivos (UCI) el 6,9% de los pacientes que ingresan lo
hacen con una infeccin adquirida en el exterior, mientras que el
13,7% adquieren una infeccin durante su estancia en el hospital. Se
conoce adems que el 1,5% de los enfermos ingresados en dicha
unidad presentan una infeccin de ambos tipos. Cul ser entonces
la probabilidad de que un determinado paciente presente una
infeccin de cualquier tipo en UCI? Para realizar el clculo, si se
suman simplemente las probabilidades individuales (0,069+0,137) la
probabilidad de un suceso doble (infeccin comunitaria y nosocomial)
se estar evaluando dos veces, la primera como parte de la
probabilidad de padecer una infeccin comunitaria y la segunda como
parte de la probabilidad de adquirir una infeccin en la UCI. Para
obtener la respuesta correcta se debe restar la probabilidad del doble
suceso. As:

Si un fenmeno determinado tiene dos posibles resultados A y B, la

probabilidad de que una de esas dos posibilidades ocurra viene dada,
en general, por la expresin:

Por lo tanto, si dos o ms sucesos no son mutuamente excluyentes,

la probabilidad de que ocurra uno de ellos o ambos se calcula
sumando las probabilidades individuales de que ocurra una de esas
circunstancia, pero restando la probabilidad de que ocurra la comn.

Resulta evidente que, para el caso de procesos mutuamente

excluyentes,
y se obtiene (1).
En el ejemplo anterior, la probabilidad de infeccin en UCI vendr
dada, por lo tanto, como:

Es decir, 19 de cada 100 enfermos registrar alguna infeccin (ya sea

de tipo comunitario o nosocomial) durante su ingreso en la citada
unidad.
A veces, la probabilidad de que un determinado suceso tenga lugar
depende de que otro suceso se haya producido o no con anterioridad.
Esto es, en ocasiones el hecho de que se produzca un determinado
fenmeno puede hacer ms o menos probable la aparicin de otro.
Este tipo de probabilidades se denominan probabilidades
condicionadas, y se denotar por
a la probabilidad
condicionada del suceso A suponiendo que el suceso B haya ocurrido
ya.

La ley multiplicativa de probabilidades indica que la probabilidad de

que dos sucesos A y B ocurran simultneamente es igual a:

(3)
La ley multiplicativa anterior se utiliza tambin con el fin de
determinar una probabilidad condicional
a partir de los valores
de
y
:

(4)
Supongamos, por ejemplo, que queremos estudiar la incidencia del
hecho de ser fumador como factor de riesgo en el desarrollo de una
enfermedad en una determinada poblacin. Para ello se dise un
estudio prospectivo y, tras seleccionar una muestra de 180 sujetos,
los resultados son los que se muestran en la Tabla 1. Considerando
toda la muestra, la probabilidad de desarrollar la enfermedad (E) en
la poblacin de estudio es:

Mientras que la probabilidad de padecer la enfermedad un fumador

(F) es:

Y un no fumador:

Teniendo en cuenta que:

Podra haberse aplicado la frmula (4) para obtener cualquiera de las

dos probabilidades condicionadas anteriores, resultando idnticos
valores:

En el ejemplo, se constata por lo tanto que la incidencia de la

enfermedad es diferente en la poblacin fumadora que en la no
fumadora (85,7% vs 18,2%). As pues, la probabilidad de desarrollar
la enfermedad depende de si se es o no fumador. En otras ocasiones,
sin embargo, sucede que la ocurrencia o no de un determinado
fenmeno B no influye en la ocurrencia de otro suceso A. Se dice
entonces que los sucesos A y B son independientes y se verificar
que:
(5)
Sustituyendo (5) en (3) se obtiene entonces que:

Es decir, en caso de independencia, la probabilidad de que ocurran

dos sucesos de forma simultnea es igual al producto de las
probabilidades individuales de ambos sucesos.As, dos sucesos son
independientes, si el resultado de uno no tiene efecto en el otro; o si

el que ocurra el primero de ellos no hace variar la probabilidad de

que se de el segundo.
Obviamente, en la prctica, y debido a las variaciones en el
muestreo, ser extremadamente difcil encontrar una muestra que
reproduzca de forma exacta las condiciones de independencia
anteriores. El determinar si las diferencias observadas son o no
compatibles con la hiptesis de independencia constituye uno de los
principales problemas que aborda la estadstica inferencial.

Si se considera un fenmeno con k resultados posibles,

mutuamente excluyentes, B1, B2,...,Bk y se conoce la
probabilidad de cada uno de ellos, el llamado Teorema de las
Probabilidades Totales permite calcular la probabilidad de un
suceso A a partir de las probabilidades condicionadas:

Utilizando la expresin para el clculo de la probabilidad de la

interseccin de dos sucesos se tiene que
lo tanto:

y, por

En el ejemplo anterior, podra aplicarse este resultado para el clculo

de la incidencia de la enfermedad en la poblacin de estudio:

Las leyes aditiva y multiplicativa, junto con la nocin de

probabilidades condicionadas y el teorema de las probabilidades
totales se han empleado para desarrollar el llamado Teorema de
Bayes, de indudable inters en la aplicacin de la estadstica al
campo de la medicina. Si se parte de la definicin de probabilidad
condicionada (4):

siempre que
y
. Aplicando adems el teorema de las
probabilidades totales se llega a que:

El diagnstico mdico constituye un problema tpico de aplicacin del

Teorema de Bayes en el campo mdico, puesto que permite el clculo
de la probabilidad de que un paciente padezca una determinada
enfermedad una vez dados unos sntomas concretos. La capacidad
predictiva de un test o de una prueba diagnstica suele venir dada en
trminos de su sensibilidad y especificidad12. Tanto la sensibilidad
como la especificidad son propiedades intrnsecas a la prueba
diagnstica, y definen su validez independientemente de cul sea la
prevalencia de la enfermedad en la poblacin a la cual se aplica. Sin
embargo, carecen de utilidad en la prctica clnica, ya que slo
proporcionan informacin acerca de la probabilidad de obtener un
resultado concreto (positivo o negativo) en funcin de si un paciente
est realmente enfermo o no. Por el contrario, el concepto de valores
predictivos, a pesar de ser de enorme utilidad a la hora de tomar
decisiones clnicas y transmitir informacin sobre el diagnstico,
presenta la limitacin de que dependen en gran medida de lo
frecuente que sea la enfermedad a diagnosticar en la poblacin
objeto de estudio. El Teorema de Bayes permite obtener el valor
predictivo asociado a un test al aplicarlo en poblaciones con ndices
de prevalencia muy diferentes.
Consideremos como ejemplo un caso clnico en el que una gestante
se somete a la prueba de sobrecarga oral con 50 gramos de glucosa
para explorar la presencia de diabetes gestacional, obtenindose un
resultado positivo. Es sabido que dicho test presenta unos valores
aproximados de sensibilidad y especificidad en torno al 80% y al
87%, respectivamente. Si se conoce adems que la prevalencia de
diabetes gestacional en la poblacin de procedencia es
aproximadamente de un 3%, por medio del teorema de Bayes
podemos conocer la probabilidad de que el diagnstico sea correcto o,
equivalentemente, el valor predictivo positivo:

Se puede concluir por lo tanto que, a pesar de obtener un resultado

positivo en la prueba, existe slo una probabilidad de un 15,9% de
que la paciente padezca diabetes gestacional.
Supongamos que adems dicha paciente tiene ms de 40 aos de
edad. Se sabe que en grupos de edad ms avanzada la prevalencia
de diabetes gestacional entre las gestantes llega a aumentar hasta
aproximadamente un 8%. En este caso, el valor predicativo positivo
asociado vendr dado por:

En este caso las posibilidades de un diagnstico de diabetes

gestacional aumentan hasta un 34,86%.
En un caso como este, en que se realiza una prueba para obtener
informacin sobre un diagnstico, suele hablarse de probabilidad a
priori, que es la disponible antes de realizar la prueba (la prevalencia,
en este caso) y probabilidad a posteriori, que es la obtenida despus
de realizarla (los valores predictivos). A su vez, se suele denominar
verosimilitudes a las probabilidades de un suceso bajo distintas
hiptesis. El teorema de Bayes permite as obtener los valores de las
probabilidades a posteriori a partir de las probabilidades a priori
mediante una multiplicacin proporcional a las verosimilitudes.
Tal y como se indic al inicio del presente artculo, la teora de la
probabilidad constituye la base matemtica para la aplicacin de la
estadstica inferencial en medicina. El clculo de probabilidades
constituye una herramienta que permitir hacer inferencia sobre
distintos parmetros poblacionales a partir de los resultados
obtenidos en una muestra, y despus tomar decisiones con el mnimo
riesgo de equivocacin en situaciones de incertidumbre.

Probabilidad
La probabilidad mide la frecuencia con la que se obtiene un resultado (o conjunto de
resultados) al llevar a cabo un experimento aleatorio, del que se conocen todos los
resultados posibles, bajo condiciones suficientemente estables. La teora de la
probabilidad se usa extensamente en reas como la estadstica, la fsica, la matemtica,
la ciencia y la filosofa para sacar conclusiones sobre la probabilidad de sucesos
potenciales y la mecnica subyacente de sistemas complejos.
El estudio cientfico de la probabilidad es un desarrollo moderno. Los juegos de azar
muestran que ha habido un inters en cuantificar las ideas de la probabilidad durante
milenios, pero las descripciones matemticas exactas de utilidad en estos problemas
slo surgieron mucho despus.
Segn Richard Jeffrey, "Antes de la mitad del siglo XVII, el trmino 'probable' (en latn
probable) significaba aprobable, y se aplicaba en ese sentido, unvocamente, a la
opinin y a la accin. Una accin u opinin probable era una que las personas sensatas
emprenderan o mantendran, en las circunstancias."1
DISTRIBUCION

DE POISSON

La Distribucin de Poisson se llama as en honor a Simen Dennis

Poisson (1781-1840), francs que desarroll esta distribucin
basndose en estudios efectuados en la ltima parte de su vida.
La distribucin de Poisson se emplea para describir varios procesos,
entre otros la distribucin de las llamadas telefnicas que llagan a un
conmutador, la demanda (necesidades) de servicios en una
institucin asistencial por parte de los pacientes, los arribos de los
camiones y automviles a la caseta de cobro y el nmero de
accidentes en un cruce. Los ejemplos citados tienen un elemento en
comn, pueden ser descritos por una variable aleatoria discreta que
asume valores enteros (0,1,2,3,4,5 y as sucesivamente).
El nmero de enfermos que llegan a un consultorio en cierto intervalo
de tiempo ser de 0,1,2,3,4,5 o algn otro nmero entero. De manera
anloga, si se cuenta el nmero de automviles que llegan a una
caseta de cobro durante un periodo de diez minutos, el nmero ser
entero.
Caractersticas de los procesos que producen una distribucin de la
probabilidad de Poisson.
El nmero de vehculos que pasan por una caseta de cobro en las
horas de mayor trfico sirve como ejemplo para mostrar las
caractersticas de una distribucin de probabilidad de Poisson.
El promedio (media) de los arribos de vehculos por hora de gran
trfico puede estimarse a partir de los datos anteriores del trfico.
Si dividimos las horas de gran trfico en periodos (intervalos) de un
segundo cada uno, encontraremos que los siguientes enunciados son
verdaderos:
a) La probabilidad de que exactamente un vehculo llegue por
segundo a una caseta individual es un nmero muy pequeo y es
constante para que cada intervalo de un segundo.
b) La probabilidad de que dos o ms vehculos lleguen en un intervalo
de un segundo es tan reducida que podemos asignarle un valor cero.
c) El nmero de vehculos que llegan en determinado intervalo de un
segundo es independiente del momento en que el intervalo de un
segundo ocurre durante la hora de gran trfico.
d) El nmero de llegadas en cualquier intervalo de un segundo no
depende del nmero de arribos de cualquier otro intervalo de un
segundo.

Ahora bien, podemos generalizar partiendo de las cuatro condiciones

que hemos descrito en este ejemplo, si estas condiciones se cumplen
nos apoyaremos en una distribucin de probabilidad de Poisson para
describirlos.
Clculo de probabilidades mediante la distribucin de Poisson.
La distribucin de Poisson, segn hemos sealado, se refiere a ciertos
procesos que pueden ser descritos con una variable aleatoria
discreta. La letra X suele representar esa variable y puede adems
asumir valores enteros (0,1,2,3 etc..) . Utilizamos la letra X mayscula
para representar la variable aleatoria y la x minscula para designar
un valor especfico que puede asumir la X mayscula. La probabilidad
de exactamente x ocurrencias en una distribucin de Poisson se
calcula mediante la frmula:
P(x) = l x * e-l / x!
l x = Lambda
(nmero medio de ocurrencias por intervalo de tiempo) elevada a la
potencia x.
e-l = e= 2.71828 elevado a la potencia de lambda negativa.
x! = x factorial.
Ejemplo :
Supngase que estamos investigando la seguridad de un crucero muy
peligroso. Los archivos de la polica indican una media de cinco
accidentes por mes en l. El nmero de accidentes est distribuido
conforme a la distribucin de Poisson, y la divisin de seguridad en
carreteras quiere calcular la probabilidad de exactamente 0,1,2,3 y 4
accidentes en un mes determinado.
Aplicando la frmula anterior:
P(0) = (5)0 (e-5) /0! = 0.00674
P(1) = (5)1 (e-5) /1! = 0.03370
P(2) = (5)2 (e-5) /2! = 0.08425
P(3) = (5)3 (e-5) /3! = 0.14042

P(4) = (5)4 (e-5) /4! = 0.17552

Para saber cual es la probabilidad en 3 o menos, sumaremos las

probabilidades de 0,1,2,3 lo que ser igual a :
P(0) = 0.00674
P(1) = 0.03370
P(2) = 0.08425
P(3) = 0.14042
P(3 o menos) = 0.26511
Dado que la probabilidad de que haya 3 o menos accidentes es de
0.26511 entonces la probabilidad de que ocurran ms de tres debe
ser = 1 0.26511 = 0.73489.
La distribucin de Poisson como una aproximacin a la distribucin
binomial.
Algunas veces, si se desea evitar el tedioso trabajo de calcular las
distribuciones binomiales, se puede usar a cambio la de Poisson, pero
debe cumplir con ciertas condiciones como :
n=>20
p=<0.05
En los casos en que se satisfacen tales 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!

Distribucin de probabilidad
discretas
PROBLEMA
En los servicios de salud, una de las interrogantes mas comunes son:
Cuantos pacientes vendrn hoy a una hora determinada?
Cul es la probabilidad de atender partos mltiples en un mes dado?
Cul es la probabilidad de que un medicamento sea eficaz en un tratamiento dado?
Todas estas interrogantes pueden ser contestadas en su mayora, haciendo uso de las
distribuciones de probabilidades. En este caso de las discretas (Binomial y Poisson)

INTRODUCCION
Cuando se habla de los tipos de probabilidad, decimos que esta se clasifica en tres:
1.
2.
3.

Probabilidad clsica.
Probabilidad distribucin de frecuencias.
Probabilidad subjetiva.

La distribucin de probabilidades esta muy relacionado con el tipo de variables.

Nosotros conocemos dos tipos de variables:
a.
b.

Variable discreta, y
Variable contina.

En este trabajo, estudiaremos las principales distribuciones de variables discretas. Una

distribucin de probabilidades para una variable aleatoria discreta es un listado
mutuamente excluyente de todos los resultados numricos posibles para esa variable
aleatoria tal que una probabilidad especfica de ocurrencia se asocia con cada resultado.
El valor esperado de una variable aleatoria discreta es un promedio ponderado de todos
los posibles resultados, donde las ponderaciones son las probabilidades asociadas con
cada uno de los resultados.

Donde: Xi = i-simo resultado de X, la variable discreta de inters.

P(Xi) = probabilidad de ocurrencia del i-simo resultado de X
La varianza de una variable aleatoria discreta ( 2) se define como el promedio
ponderado de los cuadros de las diferencias entre cada resultado posible y su media (los
pesos son las probabilidades de los resultados posibles).

Donde: Xi = i-simo resultado de X, la variable discreta de inters.

P(Xi) = probabilidad de ocurrencia del i-simo resultado de X
Las distribuciones de probabilidades discretas ms importantes son:
1.
2.

Distribucin Binomial, y
Distribucin de Poisson

Hablaremos de cada tipo de distribucin y como lo resolveremos aplicando el Excel.

DISTRIBUCION BINOMIAL
La distribucin binomial es una distribucin de probabilidades que surge al cumplirse
cinco condiciones:
1.
2.
3.
4.

Existe una serie de N ensayos,

En cada ensayo hay slo dos posibles resultados,
En cada ensayo, los dos resultados posibles son mutuamente excluyentes,
Los resultados de cada ensayo son independientes entre si, y

5.

La probabilidad de cada resultado posible en cualquier ensayo es la misma de

un ensayo a otro.

Cuando se cumple estas condiciones, la distribucin binomial proporciona cada

resultado posible de los N ensayos y la probabilidad de obtener cada uno de estos
resultados.
Para este tipo de distribucin de probabilidad, la funcin matemtica es la siguiente:

Donde: P(X) = probabilidad de X xitos dados los parmetros n y p

n = tamao de la muestra
p = probabilidad de xito
1 p = probabilidad de fracaso
X = numero de xitos en la muestra ( X = 0, 1, 2, .. n)
El trmino

indica la probabilidad de obtener X xitos de n observaciones

en una secuencia especfica. En trmino

los X xitos entre n observaciones son posibles.

indica cuantas combinaciones de

Entonces dado el nmero de observaciones n y la probabilidad de xito p, la

probabilidad de X xitos es:
P(X) = (numero de de secuencia posibles) x (probabilidad de un secuencia especifica)
Por eso que llegamos a la funcin matemtica que representa esta distribucin.
Veamos un ejemplo:
Supngase que en cierta poblacin el 52 por ciento de todos los nacimientos que se
registraron son varones. Si aleatoriamente se escogen cinco registros de nacimientos
dentro de esa poblacin, cul es la probabilidad de que exactamente tres de ellos
pertenezcan a varones?
Tenemos los siguientes datos:
N = 5 X = 3 p = 0.52
Este problema los solucionamos con el Excel.
Vamos a insertar funcin:

Escogemos en Seleccionar una categora, a las Estadsticas. Y dentro de las

estadsticas, escogemos a la DISTR.BINOM.
Ingresamos la informacin del problema y listo. P(X=3) = 0.3239

DISTRIBUCION DE POISSON
Se dice que existe un proceso de Poisson si podemos observar eventos discretos en un
rea de oportunidad un intervalo continuo (de tiempo, longitud, superficie, etc.) de
tal manera que si se reduce lo suficiente el rea de oportunidad o el intervalo,
1.
2.
3.

La probabilidad de observar exactamente un xito en el intervalo es constante.

La probabilidad de obtener ms de un xito en el intervalo es 0.
La probabilidad de observar un xito en cualquier intervalo es estadsticamente
independiente de la de cualquier otro intervalo.

Esta distribucin se aplica en situaciones como:

El numero de pacientes que llegan al servicio de emergencia de un hospital en

un intervalo de tiempo.
El numero de radiaciones radiactivas que se recibe en un lapso de tiempo,
El numero de glbulos blancos que se cuentan en una muestra dada.
El numero de partos triples por ao

Su utilidad en el rea de la salud es muy amplia.

La expresin matemtica para la distribucin de Poisson para obtener X xitos, dado
que se esperan xitos es:

Donde: P(X) = probabilidad de X xitos dado el valor de

= esperanza del nmero de xitos.

e = constante matemtica, con valor aproximado 2.711828

X = nmero de xitos por unidad
La distribucin de Poisson se considera una buena aproximacin a la distribucin
binomial, en el caso que np < 5 y p < 0.1 n > 100 y p < 0.05 y en ese caso = np. El
interes por sustituir la distribucin Binomial por una distribucin de Poisson se debe a
que esta ultima depende unicamente de un solo parmetro, , y la binomial de dos, n y
p.
Veamos un ejemplo:
Si en promedio, llegan tres pacientes por minuto al servicio de emergencia del hospital
del Nio durante la hora del almuerzo. Cul es la probabilidad de que en un minuto
dado, lleguen exactamente dos pacientes? Y Cul es la probabilidad de que lleguen
ms de dos pacientes en un minuto dado?
Datos: = 3 pacientes por minuto
P(X=2) = ?
Para resolver esto utilizamos al Excel. De las funciones estadsticas, seleccionamos la
funcin POISSON.

Ingresamos la informacin que tenemos: y listo, tenemos el resultado:

P(X=2) = 0.2240

Para resolver la segunda parte del problema P(X>2) = ?

Con el Excel encontraremos P(X 2) y hacemos el siguiente clculo:
P(X > 2 ) = 1 - P(X 2)
Utilizando nuevamente el Excel:

Entonces:
P(X>2) = 1 0.4232 = 0.5768
Trabajo realizado por:
Enma Irma Alvarez Cordero
Alumna de la Maestra Salud Publica con mencin en Salud Reproductiva de la
Universidad Federico Villarreal
en el curso de Estadstica dictado por el Dr. Jorge Crdova Egochea.

5) DISTRIBUCIN DE POISSON.
Caractersticas:
En este tipo de experimentos los xitos buscados son expresados por unidad de
rea, tiempo, pieza, etc, etc,:
- # de defectos de una tela por m2
- # de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc, etc.
- # de bacterias por cm2 de cultivo
- # de llamadas telefnicas a un conmutador por hora, minuto, etc, etc.
- # de llegadas de embarcaciones a un puerto por da, mes, etc, etc.
Para determinar la probabilidad de que ocurran x xitos por unidad de tiempo,
rea, o producto, la frmula a utilizar sera:
p( x , )

x
x!

donde:
p(x, ) = probabilidad de que ocurran x xitos, cuando el nmero promedio de
ocurrencia de ellos es
= media o promedio de xitos por unidad de tiempo, rea o producto
= 2.718
x = variable que nos denota el nmero de xitos que se desea que ocurra
Hay que hacer notar que en esta distribucin el nmero de xitos que ocurren por
unidad de tiempo, rea o producto es totalmente al azar y que cada intervalo de
tiempo es independiente de otro intervalo dado, as como cada rea es
independiente de otra rea dada y cada producto es independiente de otro
producto dado.
Ejemplos:
1. Si un banco recibe en promedio 6 cheques sin fondo por da, cules son las
probabilidades de que reciba, a) cuatro cheques sin fondo en un da dado, b)
10 cheques sin fondos en cualquiera de dos das consecutivos?
Solucin:
a) a)

x = variable que nos define el nmero de cheques sin fondo que

llegan al banco en un da cualquiera = 0, 1, 2, 3, ....., etc, etc.
= 6 cheques sin fondo por da
= 2.718

p( x 4 , 6 )

( 6 )4 ( 2.718 )6 ( 1296 )( 0.00248 )

0.13392
4!
24

b)x= variable que nos define el nmero de cheques sin fondo que llegan
al banco en dos das consecutivos = 0, 1, 2, 3, ......, etc., etc.
= 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos
das consecutivos
Nota: siempre debe de estar en funcin de x siempre o dicho de otra
forma, debe hablar de lo mismo que x.

p( x 10, 12 )

( 12 )10 ( 2.718 )12 ( 6.191736410 )( 0.000006151 )

0.104953
10!
3628800

2. En la inspeccin de hojalata producida por un proceso electroltico

continuo, se identifican 0.2 imperfecciones en promedio por minuto.
Determine las probabilidades de identificar a) una imperfeccin en 3
minutos, b) al menos dos imperfecciones en 5 minutos, c) cuando ms una
imperfeccin en 15 minutos.
Solucin:
a) a) x = variable que nos define el nmero de imperfecciones en la
hojalata por cada 3 minutos = 0, 1, 2, 3, ...., etc., etc.
= 0.2 x 3 =0.6 imperfecciones en promedio por cada 3 minutos en la
hojalata

p( x 1, 0.6 )

( 0.6 )1( 2.718 )0.6 ( 0.6 )( 0.548845 )

0.329307
1!
1

b) b)

x = variable que nos define el nmero de imperfecciones en la

hojalata por cada 5 minutos = 0, 1, 2, 3, ...., etc., etc.
= 0.2 x 5 =1 imperfeccin en promedio por cada 5 minutos en la
hojalata

( 1 )0 ( 2.718 )1 ( 1 )( 2.718 )1

p( x 2,3,4,etc.... 1 ) 1 p( x 0,1, 1 ) 1

0!
1!

=1-(0.367918+0.367918) = 0.26416
c) c)

x = variable que nos define el nmero de imperfecciones en la

hojalata por cada 15 minutos = 0, 1, 2, 3, ....., etc., etc.
= 0.2 x 15 = 3 imperfecciones en promedio por cada 15 minutos en la
hojalata

p( x 0 ,1, 3 ) p( x 0 , 3 ) p( x 1, 3 )

( 3 )0 ( 2.718 )3 ( 3 )1( 2.718 )3

0!
1!

= 0.0498026 +
0.149408 = 0.1992106