CICLOS BIOGEOQUÍMICOS

El término Ciclo Biogeoquímico deriva del movimiento cíclico de los elementos que forman los organismos
biológicos y el ambiente geológico en donde interviene un cambio químico.

Pero mientras que el flujo de energía en el ecosistema es abierto, puesto que al ser utilizada en el seno de los
niveles tróficos para el mantenimiento de las funciones vitales de los seres vivos se degrada y disipa en forma de
calor, no sigue un ciclo y fluye en una sola dirección. El flujo de materia es cerrado ya que los nutrientes se
reciclan. La energía solar que permanentemente incide sobre la corteza terrestre, permite mantener el ciclo de
dichos nutrientes y el mantenimiento del ecosistema. Por tanto estos ciclos biogeoquímicos son activados directa
o indirectamente por la energía que proviene del sol.

Se refiere en resumen al estudio del intercambio de sustancias químicas entre formas bióticas y abióticas.

La materia circula desde los seres vivos hacia el ambiente abiótico, y viceversa. Esa circulación constituye los
ciclos biogeoquímicos, que son los movimientos de agua, de carbono, oxígeno, nitrógeno, fósforo, azufre y otros
elementos que en forma permanente se conectan con los componentes bióticos y abióticos de la Tierra. Las
sustancias utilizadas por los seres vivos no se

1
"pierden" aunque pueden llegar a sitios donde resultan inaccesibles para los organismos por un largo período.
Sin embargo, casi siempre la materia se reutiliza y a menudo circula varias veces, tanto dentro de los
ecosistemas como fuera de ellos.

Nuestro planeta actúa como un sistema cerrado donde la cantidad de materia existente permanece constante,
pero sufre permanentes cambios en su estado químico dando lugar a la producción de compuestos simples y
complejos. Es por ello que los ciclos de los elementos químicos gobiernan la vida sobre la Tierra, partiendo
desde un estado elemental para formar componentes inorgánicos, luego orgánicos y regresar a su estado
elemental.

En las cadenas alimentarias, los productores utilizan la materia inorgánica y la convierten en orgánica, que será
la fuente alimenticia para todos los consumidores. La importancia de los descomponedores radica en la
conversión que hacen de la materia orgánica en inorgánica, actuando sobre los restos depositados en la tierra y
las aguas. Esos compuestos inorgánicos quedan a disposición de los distintos productores que inician
nuevamente el ciclo.

Los ciclos biogeoquímicos más importantes corresponden al agua, oxígeno, carbono y nitrógeno. Gracias a estos
ciclos es posible que los elementos principales (carbono, hidrógeno, oxígeno, nitrógeno, fósforo y azufre) estén
disponibles para ser usados una y otra vez por otros organismos.

TIPOS DE CICLOS BIOGEOQUÍMICOS

Los ciclos biogeoquímicos pueden ser gaseosos, sedimentarios y mixtos.

CICLOS GASEOSOS
Los elementos casi siempre se distribuyen tanto en la atmósfera como en el agua y de ahí a los organismos, y
así sucesivamente.
Los elementos que cumplen ciclos gaseosos son el carbono, el oxígeno y el nitrógeno. La
transformación de elementos de un estado a otro es relativamente rápida.

CICLOS SEDIMENTARIOS
Son aquellos donde los elementos permanecen formando parte de la tierra, ya sea en las rocas o en el fondo
marino, y de ahí a los organismos. En estos, la transformación y recuperación de estos elementos es mucho más
lenta. Ejemplos de ciclos sedimentarios son el del fósforo y el del azufre.

CICLOS MIXTOS
El ciclo del agua es una combinación de los ciclos gaseoso y sedimentario, ya que esa sustancia permanece
tanto en la atmósfera como en la corteza terrestre.
Los ciclos biogeoquímicos más importantes corresponden al agua, oxígeno, carbono y nitrógeno.

CICLO DEL AGUA

2
Toda el agua de la Tierra forma la hidrosfera, que se distribuye en tres reservorios principales: los océanos, los
continentes y la atmósfera. Entre estos reservorios existe una circulación continua.

Alrededor del 70% de la superficie del planeta está cubierta por las aguas de los océanos, lagos, ríos, arroyos,
manantiales y glaciares. Al perforar el subsuelo, por lo general se puede encontrar agua a profundidades diversas
(agua subterránea o mantos freáticos). La luz solar es la fuente de energía térmica necesaria para el paso del agua
desde las fases líquida y sólida a la fase de vapor, y también es el origen de las circulaciones atmosféricas que
transportan el vapor de agua y mueven las nubes.

Los rayos solares calientan las aguas. El vapor sube a la troposfera en forma de gotitas. El agua se evapora y se
concentra en las nubes. El viento traslada las nubes desde los océanos hacia los continentes.

A medida que se asciende bajan las temperaturas, por lo que el vapor se condensa. Es así que se desencadenan
precipitaciones en forma de lluvia y nieve. El agua caída forma los ríos y circula por ellos. Además, el agua se
infiltra en la tierra y se incorpora a las aguas subterráneas (mantos freáticos). Por último, el agua de los ríos y del
subsuelo desemboca en los mares.

CICLO DEL CARBONO

Es uno de los elementos más importantes de la naturaleza. Combinado con oxígeno forma dióxido de carbono y
monóxido de carbono.

La atmósfera contiene alrededor de 0.03 % de dióxido de carbono. Es el elemento básico de los compuestos
orgánicos (hidratos de carbono, lípidos, proteínas y ácidos nucleicos). El carbono también forma parte de sales
llamadas carbonatos, como el carbonato de sodio y el carbonato de calcio, entre otras.
El carbono, como dióxido de carbono, inicia su ciclo de la siguiente manera:

Durante la fotosíntesis, los organismos productores (vegetales terrestres y acuáticos) absorben el dióxido de
carbono, ya sea disuelto en el aire o en el agua, para transformarlo en compuestos orgánicos. Los consumidores
primarios se alimentan de esos productores utilizando y degradando los elementos de carbono presentes en la
materia orgánica. Gran parte de ese carbono es liberado en forma de CO2 por la respiración, mientras que otra
parte se almacena en los tejidos animales y pasa a los carnívoros (consumidores secundarios), que se alimentan
de los herbívoros. Es así como el carbono pasa a los animales colaborando en la formación de materia orgánica.

Los organismos de respiración aeróbica (los que utilizan oxígeno) aprovechan la glucosa durante ese proceso y
al degradarla, es decir, cuando es utilizada en su metabolismo, el carbono que la forma se libera para convertirse
nuevamente en dióxido de carbono que regresa a la atmósfera o al agua.

3
Los desechos de las plantas, de los animales y de restos de organismos se descomponen por la acción de hongos
y bacterias. Durante este proceso de putrefacción por parte de los descomponedores, se desprende CO2.

En niveles profundos del planeta, el carbono contribuye a la formación de combustibles fósiles, como el
petróleo. Este importante compuesto se ha originado de los restos de organismos que vivieron hace miles de
años. Durante las erupciones volcánicas se libera parte del carbono constituyente de las rocas de la corteza
terrestre.

Una parte del dióxido de carbono disuelto en las aguas marinas ayuda a determinados organismos a formar
estructuras como los caparazones de los caracoles de mar. Al morir, los restos de sus estructuras se depositan en
el fondo del mar. Con el paso del tiempo, el carbono se disuelve en el agua y es utilizado nuevamente durante su
ciclo.

Los océanos contienen alrededor del 71% del carbono del planeta en forma de carbonato y bicarbonato. Un 3%
adicional se encuentra en la materia orgánica muerta y el fitoplancton. El carbón fósil representa un 22%. Los
ecosistemas terrestres, donde los bosques constituyen la principal reserva, contienen alrededor del 3-4% del
carbono total, mientras que un pequeño porcentaje se encuentra en la atmósfera circulante y es utilizado en la
fotosíntesis.

CICLO DEL OXÍGENO

La atmósfera posee un 21% de oxígeno, y es la reserva fundamental utilizable por los organismos vivos. Además
forma parte del agua y de todo tipo de moléculas orgánicas.

El ciclo del oxígeno está estrechamente vinculado al del carbono, ya que el proceso por el cual el carbono es
asimilado por las plantas (fotosíntesis) da lugar a la devolución del oxígeno a la atmósfera, mientras que en el
proceso de respiración ocurre el efecto contrario.

Otra parte del ciclo natural del oxígeno con notable interés indirecto para los organismos vivos es su conversión
en ozono (O3). Las moléculas de O2, activadas por las radiaciones muy energéticas de onda corta, se rompen en
átomos libres de oxígeno (O) que reaccionan con otras moléculas de O2, formando ozono. Esta reacción se
produce en la estratosfera y es reversible, de forma que el ozono vuelve a convertirse en oxígeno absorbiendo
radiaciones ultravioletas.

CICLO DEL NITRÓGENO

La reserva fundamental es la atmósfera, que está compuesta por un 78% de nitrógeno. No obstante, la mayoría
de los seres vivos no lo puede utilizar en forma directa, con lo cual dependen de los minerales presentes en el
suelo para su utilización. En los organismos productores el nitrógeno ingresa en forma de nitratos, y en los
consumidores en forma de grupos amino.

4
Existen algunas bacterias especiales que pueden utilizar directamente el nitrógeno atmosférico. Esas bacterias
juegan un papel muy importante en el ciclo al hacer la fijación del nitrógeno. De esta forma convierten el
nitrógeno en otras formas químicas como amonio y nitratos, para que puedan ser aprovechadas por las plantas.

Está compuesto por las siguientes etapas:

Fijación:
Se produce cuando el nitrógeno atmosférico (N2) es transformado en amoníaco (NH3) por bacterias presentes en
los suelos y en las aguas. Rhizobium es un género de bacterias que viven en simbiosis dentro de los nódulos que
hay en las raíces de plantas leguminosas. En ambientes acuáticos, las cianobacterias son importantes fijadoras de
nitrógeno.

Amonificación:
Es la transformación de compuestos nitrogenados orgánicos en amoníaco. En los animales, el metabolismo de
los compuestos nitrogenados da lugar a la formación de amoníaco, siendo eliminado por la orina como urea
(humanos y otros mamíferos), ácido úrico (aves e insectos) o directamente en amoníaco (algunos peces y
organismos acuáticos). Estas sustancias son transformadas en amoníaco o en amonio por los descomponedores
presentes en los suelos y aguas. Ese amoníaco queda a disposición de otro tipo de bacterias en las siguientes
etapas.

Nitrificación:
es la transformación del amoníaco o amonio (NH4+) en nitritos (NO2–) por un grupo de bacterias del género
Nitrosomas para luego esos nitritos convertirse en nitratos (NO3–) mediante otras bacterias del género
Nitrobacter.

Asimilación:
Las plantas toman el amonio (NH4+) y el nitrato (NO3–) por las raíces para poder utilizarlos en su metabolismo.
Usan esos átomos de nitrógeno para la síntesis de clorofila, de proteínas y de ácidos nucleicos (ADN y ARN).
Los consumidores obtienen el nitrógeno al alimentarse de plantas y de otros animales.

Desnitrificación:
Proceso llevado a cabo por bacterias desnitrificantes que necesitan utilizar el oxígeno para su respiración en
suelos poco aireados y mal drenados. Para ello, degradan los nitratos y liberan el nitrógeno no utilizado a la
atmósfera.

NITRIFICACIÓN: transformación bacteriana de amoníaco en nitratos. DESNITRIFICACIÓN:

transformación bacteriana de nitratos en nitrógeno.
AMONIFICACIÓN: transformación de los desechos orgánicos en amoníaco por los
descomponedores.
ASIMILACIÓN: absorción de nitratos y amonio por las raíces de las plantas. FIJACIÓN:
transformación bacteriana del nitrógeno atmosférico en amoníaco.

CICLO DEL FÓSFORO

La proporción de fósforo en la materia viva es bastante pequeña, pero el papel que desempeña es vital. Es
componente de los ácidos nucleicos como el ADN. Se encuentra presente en los huesos y piezas dentarias. En la
fotosíntesis y en la respiración celular, muchas sustancias intermedias están combinadas con el fósforo, tal el
caso del trifosfato de adenosina (ATP) que almacena energía.
El fósforo es el principal factor limitante del crecimiento para los ecosistemas, porque su ciclo está muy
relacionado con su movimiento entre los continentes y los océanos.

5
La mayor reserva de fósforo está en la corteza terrestre y en los depósitos de rocas marinas. El fósforo se
encuentra en forma de fosfatos (sales) de calcio, hierro, aluminio y manganeso.

La lluvia disuelve los fosfatos presentes en los suelos y los pone a disposición de los vegetales. El lavado de los
suelos y el arrastre de los organismos vivos fertilizan los océanos y mares. Parte del fósforo incorporado a los
peces es extraído por aves acuáticas que lo llevan a la tierra por medio de la defecación (guano). Otra parte del
fósforo contenido en organismos acuáticos va al fondo de las rocas marinas cuando éstos mueren. Las
bacterias fosfatizantes que están en los suelos transforman el fósforo presente en cadáveres y excrementos en
fosfatos disueltos, que son absorbidos por las raíces de los vegetales.

CICLO DEL AZUFRE

El azufre está presente dentro de todos los organismos en pequeñas cantidades, principalmente en los
aminoácidos (sustancias que dan lugar a la formación de proteínas). Es esencial para que tanto vegetales como
animales puedan realizar diversas funciones. Las mayores reservas de azufre están en el agua del mar y en rocas
sedimentarias. Desde el mar pasa a la atmósfera por los vientos y el oleaje.

Gran parte del azufre que llega a la atmósfera proviene de las erupciones volcánicas, de las industrias, vehículos,
etc. Una vez en la atmósfera, llega a la tierra con las lluvias en forma de sulfatos y sulfitos. Su combinación con
vapor de agua produce el ácido sulfúrico. Cuando el azufre llega al suelo, los vegetales lo incorporan a través
de las raíces en forma de sulfatos solubles. Parte del azufre presente en los organismos vivos queda en los
suelos cuando éstos mueren. La descomposición de la materia orgánica produce ácido sulfhídrico, de mal olor,
devolviendo azufre a la atmósfera.

6
CICLO DEL CALCIO

Un método para almacenar el ciclo de calcio es la circulación del calcio entre los organismos vivos y el medio.
El calcio es un mineral que se encuentra en la litosfera formando grades depósitos de origen sedimentario, que
emergieron de fondos marinos por levantamientos geológicos muchas veces, estas rocas, contienen restos
fosilizados de animales marinos con caparazones ricos en calcio; en minero logia se conocen como rocas
calizas. la lluvia y los agentes atmosféricos descomponen las rocas calizas, arrastrando los compuestos del
calcio a los suelos, a los ríos y al mar. En este recorrido, el calcio es absorbido por las plantas y animales, en
cualquier punto del ciclo, ya sea por la cadena alimenticia o por absorción del agua.

El ciclo del calcio es un ciclo sedimentario y su función básica es que el calcio es un elemento que circula entre
los organismo vivos y el medio y también es un mineral que se allá en la litosfera que emergen grandes marinos
y levantamientos geológico el ciclo del calcio se relaciona con el ciclo del carbono y fósforo ya que hay rocas
que contienes restos fosofolizados y animales marinos que tiene calcio rocas calizadas y bueno algunas
atmósferas descomponen esas rocas llevando el calcio al suelo a ríos o mar y esa vuelta es absorbida por las
plantas y los animales y el calcio forma parte de depósitos de cuevas y a veces se convierte en agua dulce y algas
unicelulares y estas al morir dejan calcio para el rió y por eso el calcio es un ciclo sedimentario porque no es
gaseoso en la atmósfera

CICLO DEL SODIO

7
el sodio es el sexto elemento en orden de abundancia en la corteza terrestre, es por esto y por la solubilidad de
sus sales, que casi siempre está presente en la mayoría de las aguas naturales. su cantidad puede variar desde
muy poco hasta valores apreciables.
altas concentraciones de sodio de sodio se encuentran en las salmueras y en las aguas duras que han sido
ablandadas con el proceso de intercambio ciclo sodio.

la relación entre sodio y los catones totales es de importancia en la agricultura y en la patología humana.
la permeabilidad de los suelos, es afectada negativamente cuando se riega con agua de alta relación de sodio.
a las personas que tienen una alta presión arterial, se les recomienda ingerir agua. el sodio
esta presente en grandes cantidades en el oceano en forma iónica.

CICLO DEL POTASIO

el potasio (k) es un elemento esencial para las plantas, los animales y los humanos por que intervienen en los
procesos de la fotosíntesis, en procesos químicos dentro de las células y contribuye en mantener el agua en las
células. es por esto que el potasio, junto con el nitrógeno y el fósforo son elementos esenciales para los seres
vivos.

El potasio se encuentra en forma natural en el suelo, especialmente en los suelos ricos en arcillas, que contienen
hasta un 3% en los suelos pantanosos y los pobres en arcilla el contenido de compuestos de potasio es menor y
puede ser deficitario, originando problemas en los cultivos.
los compuestos de potasio del suelo son lavados (lixiviados) con facilidad en las zonas de altas precipitaciones y,
en consecuencia, deben ser restituidos a los campos por fertilización añadiendo cloruro de potasio o sulfato de
potasio. ciertos cultivos (alfalfa, zanahorias, pepinos y coles) son muy exigentes en potasio y no prosperan en
suelos pobres de dicho elemento.

El ciclo se encuentra de forma muy natural en el suelo y prontamente en suelos ricos en arcillas y en suelos
pantanosos y tienen un compuesto de potasio menor el potasio es un elemento de las plantas los animales y los
seres vivos por que hacen parte del proceso de la fotosíntesis es por eso que todos los ciclos junto al potasio son
esenciales para los seres vivos sabias que en la agricultura moderna se aplica compuestos de potasio a los suelos
para aumentar las plantas y productos y también depende de cuánto le apliques si le aplicas mucho el cultivo
puede verse afectado

8
CICLO DEL MAGNESIO

El Mg en las plantas se encuentra en contenidos menores al de Ca (0.15-0.75% de Materia seca). Este nutriente
forma parte de la molécula de clorofila por lo que se encuentra íntimamente involucrado en la fotosíntesis.
Cumple un rol en la síntesis de aceites y proteínas y la actividad de enzimática del metabolismo energético.

Es más común la deficiencia de Mg que la de Ca, aun a niveles de pH apropiados. El síntoma de deficiencia más
característico se ve como clorosis internara en las hojas viejas, al ser un elemento móvil en la planta a diferencia
del calcio. Es muy común la deficiencia de Mg. en suelos arenosos o suelos de baja CIC.

FORMAS DE MAGNESIO EN EL SUELO

• Magnesio contenido en minerales (primarios y secundarios)
• Magnesio intercambiable: representa la fracción sorbida al complejo de cambio arcillo húmico
• Magnesio en solución: se encuentra en pequeñas cantidades pero hay una rápida reposición a partir de la fase
de cambio.

CICLO DE HIDRÓGENO

El hidrógeno es el elemento más sencillo y más abundante en el universo. En la tierra, existe en la forma de agua
(H2O). También existe una pequeña cantidad en el aire que respiramos y en ¡todos los seres vivos!
Las celdas de combustible requieren casi el hidrógeno puro (H2) como el que se consigue en el agua, la biomasa
y los combustibles fósiles.

Como en la extracción del petróleo, producir hidrógeno puro requiere de energía. Si los recursos de energía
renovable son usados para producir hidrógeno, el impacto en el medio ambiente va a ser mínimo. Los recursos
de energía renovable son aquellos que pueden ser reabastecidos en un corto periodo de tiempo.

El uso de energía solar para nuestras necesidades eléctricas cotidianas tiene distintas ventajas: evitamos el
consumo de recursos naturales y la degradación del medio ambiente que resulta de las emisiones contaminantes,
derrames de petróleo, y los productos tóxicos secundarios. El uso de recursos renovables permite que los E.U.A.
se independicen de los países política y socialmente inestables, que actualmente son los que proveen el 50% de
nuestro petróleo. Además, una economía basada en el hidrógeno solar podría proteger a nuestro país contra los
efectos negativos de los cambios dramáticos en el abastecimiento y el precio de
la energía.

Sin embargo, hay una desventaja en la energía solar: el sol no brilla constantemente. Necesitamos, pues, un
método para almacenar la energía solar para utilizarla cuando no haya sol. El hidrógeno provee un
método seguro, eficiente y sano para hacerlo.

El ciclo del hidrógeno solar funciona así: la electricidad producida por los módulos solares opera un equipo de
electrólisis que divide el agua (H2O) en sus componentes elementales, hidrógeno (H2) y oxígeno (O2). El
oxígeno se libera al aire y el hidrógeno se bombea a los tanques, donde es almacenado en el lugar de
producción o se envía a las regiones donde el sol escasea.

En la noche, cuando no se dispone de energía solar, el hidrógeno se combina nuevamente con el oxígeno del aire
en una celda de combustible, una planta de energía electroquímica que convierte en electricidad la energía
química contenida en el hidrógeno. El único subproducto que resulta de este proceso es
agua pura.

9
 La electricidad producida por las celdas de combustible se puede usar exactamente como utilizamos la energía
ya generada por las compañías de electricidad para operar los electrodomésticos y las luces, incluso para
impulsar los carros. El hidrógeno solar nos permite utilizar la energía solar las 24 horas del día, y nos provee de
un recurso energético abundante, sano, eficiente y producido localmente.

El hidrógeno es uno de los elementos químicos más importantes existentes desde cualquier punto de vista,
siendo justamente el que más abunda en toda la galaxia gracias a un porcentaje de aproximadamente un 84%.
Por cualquiera de nosotros es reconocible debido a estar en la tabla periódica química bajo el símbolo H y
contando además con valor atómico de 1. Son muchas las características que se podrían mencionar acerca del
hidrógeno, siendo por ejemplo el elemento químico más ligero existente, además de también caracterizarse por
ser completamente incoloro, insípido y altamente inflamable.

Al momento de hablar del ciclo del hidrógeno estamos haciendo referencia a la producción y uso de este mismo,
siendo pese a todo lo mencionado anteriormente algo escaso en nuestro planeta. Es de esta manera que existe un
trabajo completamente industrial mediante el cual se realiza la creación de hidrógeno en base a hidrocarburos
tales como el metano.

La producción del hidrógeno mediante su ciclo no es un mero capricho, siendo así que notamos que se va a
convertir en muy importante dentro de la industria automotriz, sobre todo lo relacionado a la gasolina bajo la que
estos funcionan ya que sirve para la refinación de los combustibles fósiles.

Distribuciones discretas
Destacamos como principales variables de tipo discreto las siguientes: Bernouilli, Binomial,
Geométrica y Poisson.

1.3.1 Bernouilli
Imaginemos una situación experimental donde el resultado de cierta variable que observamos
únicamente puede tomar dos valores posibles, denominados “éxito” (codificado con el valor 1)
y “fracaso” (codificado con el valor 0). Así pues, la variable aleatoria asociada X� verifica que:
Pr(X=x)={θ si x=1( éxito)1−θ si x=0( fracaso.)(1.2)(1.2)��(�=�)={� si �=1( éxito)1−� 
si �=0( fracaso.)
Definición 1.9 Una variable aleatoria X� cuya fmp viene dada por (1.2) se denomina variable
Bernouilli, con probabilidad de éxito θ�, y se denota por:
X∼Ber(θ)�∼���(�)
de forma que E(X)=θ�(�)=� y V(X)=θ(1−θ).�(�)=�(1−�).
Un ejemplo típico de una variable Bernouilli es el lanzamiento de una moneda que sólo tiene
dos posibles resultados: cara o cruz. Si la moneda esta equilibrada tenemos
que θ=0.5�=0.5 (idéntica probabilidad para cualquiera de los dos resultados), de forma que si
definimos por ejemplo el éxito por conseguir cara, tendremos:
X= Obtener cara ∼Ber(0.5)�= Obtener cara ∼���(0.5)
Una distribución Ber(p)���(�) es equivalente a una distribución binomial con parámetros 1
y p, Bin(1,p)���(1,�), de modo que para simular y realizar cálculos de probabilidad con

10
 ella utilizaremos las funciones correspondientes a la distribución binomial que vemos a
continuación.

 La función dbinom(x,1,prob)  nos permite evaluar la Pr(X=x)��(�=�) para una variable

Bernoilli con probabilidad de éxito prob.
 La función pbinom(x,1,prob) nos permite evaluar la Pr(X≤x),x=0,1��(�≤�),�=0,1.
 La función rbinom(n,1,prob) permite simular n� valores Bernouilli.

1.3.2 Binomial
Consideramos un experimento Bernouilli que repetimos en n� ocasiones, obteniendo en cada
repetición sólo dos resultados posibles, “éxito” o “fracaso,” con cierta probabilidad  θ� para el
éxito, y contabilizamos el número de éxitos N�. Los posibles resultados de este experimento
son {0,1,2,...,n}{0,1,2,...,�} éxitos conseguidos en un total de n� pruebas. La probabilidad
de observar x� éxitos en n� pruebas viene dada por la función:
Pr(N=x)=n!x!(n−x)!θx(1−θ)n−x para x=0,1,…,n,(1.3)(1.3)��(�=�)=�!�!(�−�)!
��(1−�)�−� para �=0,1,…,�,con n� el número de repeticiones o pruebas Bernouilli
realizadas, x� el número de éxitos obtenidos, y θ� la probabilidad de éxito.
Definición 1.10 La variable aleatoria N� que se obtiene como la suma de n� variables
Bernouilli independientes con la misma probabilidad de éxito θ�, y cuya función de masa de
probabilidad viene dada en (1.3), se denomina variable Binomial de tamaño n� y probabilidad
de éxito θ�, y se denota por:
N∼Bi(n,θ)�∼��(�,�)
con E(N)=nθ�(�)=�� y V(N)=nθ(1−θ).�(�)=��(1−�).
A continuación se presentan algunos ejemplos de aplicación de la variable Binomial donde
representamos tanto la fmp como la función de distribución asociada al problema de interés.
Antes mencionamos las funciones de R relacionadas con esta distribución.

 La función dbinom(x,size,prob)  nos permite evaluar la Pr(N=x)��(�=�) para una variable

Binomial con tamaño size y probabilidad de éxito prob.
 pbinom(x,size,prob)  permite evaluar la Pr(N≤x)��(�≤�).
 rbinom(n,size,prob)  permite simular n� valores de una variable Binomial de tamaño size y
probabilidad de éxito prob����.

Ejemplo 1.5 Estamos revisando en una empresa el comportamiento de las bajas laborales. En

base al histórico, se tiene que cada día aproximadamente el 3% de los trabajadores faltan al
trabajo alegando una baja laboral. Si el número de trabajadores de la empresa es de 150,
queremos saber qué porcentaje de días vamos a tener al menos 3 trabajadores de baja.

Denotemos por N� a la variable aleatoria que indica el número de trabajadores de baja en un

día cualquiera, e identifiquemos el “éxito” por el hecho de “estar de baja.” Así, podemos asumir
que la distribución de N� es binomial, con tamaño 50 y probabilidad 0.03.
N∼Bi(50,0.03).�∼��(50,0.03).
En consecuencia, el valor esperado del número de trabajadores de baja cada día
es E(N)=50⋅0.03=1.5�(�)=50⋅0.03=1.5.
11
A continuación, en la Figura 1.1 representamos la fmp y la función de distribución asociadas.
# los valores posibles de la variable Bin(1000,0.03) son
xs <- 0:50
n=50
p=0.03
# Data frame
datos <- data.frame(xs = xs, probs = dbinom(xs, n,p),
probsacum = pbinom(xs, n,p))
# función de masa de probabilidad
g1 <- ggplot(datos, aes(x=xs, y=probs)) +
geom_bar(stat = "identity", fill = "steelblue") +
ylim(0,0.5) +
labs(x ="x", y = "Probabilidad puntual. Pr(N=x)")
# función de distribución
g2 <- ggplot(datos, aes(xs, probsacum)) +
geom_bar(stat = "identity", fill = "steelblue") +
scale_y_continuous(breaks = scales::breaks_extended(10)) +
labs(x ="x", y ="Probabilidad acumulada. Pr(N<=x)")
grid.arrange(g1, g2, nrow = 1)

12
 Figura 1.1: Función de masa de probabilidad y Función de distribución para el número de
trabajadores de baja un día cualquiera.

En la fmp (Figura 1.1-izquierda) podemos ver que en este caso la probabilidad se concentra en

muy pocos valores, en concreto por debajo de 10, de modo que antes de llegar
a x=10�=10 la probabilidad acumulada llega al valor 1, como se aprecia en la Figura 1.1-
derecha.
La probabilidad que nos reclaman en el enunciado
esPr(N≥3)=1−Pr(N≤2),��(�≥3)=1−��(�≤2),que calculamos y podemos aproximar por
MC a partir, por ejemplo, de 1000 simulaciones.
nsim=1000
n=50
p=0.03
# valor real de la probabilidad
prob=1-pbinom(2,n,p)
13
cat("Pr(N>=3)=",round(prob,3))
## Pr(N>=3)= 0.189
set.seed(1234)
# simulaciones
I.a=(rbinom(nsim,n,p)>=3)*1 # función indicatriz para la probabilidad requerida
prob=mean(I.a)
cat("AproxMC=",prob)
## AproxMC= 0.193
El error estimado de esta aproximación, que calculamos con la raíz cuadrada de (??) es
error=sqrt(sum((I.a-prob)^2)/(nsim^2))
cat("Error.AproxMC=",round(error,3))
## Error.AproxMC= 0.012
de donde podríamos calcular un intervalo de confianza para la aproximación MC
de Pr(N≥3)��(�≥3) al 95% utilizando la distribución (??) y la fórmula (1.1):
# límites del IC redondeados a 3 cifras decimales
ic.low=round(prob-qnorm(0.975)*error,3)
ic.up=round(prob+qnorm(0.975)*error,3)
cat("IC(95%)[AproxMC]=[",ic.low,",",ic.up,"]")
## IC(95%)[AproxMC]=[ 0.169 , 0.217 ]
Ejemplo 1.6 Una empresa de fabricación produce piezas, de las cuales el 97% están dentro de
las especificaciones y el 3% son defectuosas (fuera de las especificaciones). Aparentemente
no hay ningún patrón en la producción de piezas defectuosas. La cadena de producción
empaqueta las piezas en cajas de 20 piezas cada una, y produce 1000 cajas al día. Al gerente
de la empresa le gustaría estimar el número de cajas con al menos dos piezas defectuosas, de
entre todas las que se producen al día durante un día cualquiera.

Si N� es la variable aleatoria que recoge el número de piezas defectuosas en una caja,
tenemos que:N∼Bi(20,0.03)�∼��(20,0.03)La probabilidad de que una caja tenga al
menos dos piezas defectuosas se calcula
con pN=Pr(N≥2)=1−Pr(N≤1)��=��(�≥2)=1−��(�≤1).
n=20
p=0.03
prob=(1 - pbinom(1, n,p))
cat("Probabilidad de que una caja tenga al menos dos defectos=",prob)
## Probabilidad de que una caja tenga al menos dos defectos= 0.119838
Sin embargo, lo que nos piden es, de un total de 1000 cajas, cuál es el número esperado de
cajas con al meos dos piezas defectuosas. Para ello, surge la variable DN�� que representa
el número de cajas, de un total de 1000, con al menos 2 piezas defectuosas, que es binomial
de tamaño 1000 y probabilidad pN��,DN∼Bin(1000,pN),��∼���(1000,��),y lo que
nos están pidiendo es E(DN)=1000pN�(��)=1000��.
Si simulamos con la distribución de N� lo acontecido un día, esto es, con 1000 cajas o
simulaciones, y contamos el número de cajas con 2 o más piezas defectuosas, obtenemos una
aproximación a la cantidad que nos piden.
n=20
p=0.03
sum(rbinom(1000,n,p)>=2)
## [1] 99
El problema es que no todos los días son iguales. De hecho si repites los siguientes cálculos
varias veces, verás como el resultado varía. La aproximación Monte Carlo habría de considerar
simulaciones de la variable Dn�� , esto es, nsim días, para con ellos poder sacar una
conclusión “promedio” de lo que puede ocurrir un día cualquiera.
nsim=5000 # número de días simulados
14
 n=1000
p=prob
# valor real del valor esperado
media=n*p
cat("E(D_N)=",round(media,3))
## E(D_N)= 119.838
# simulaciones
xi=rbinom(nsim,n,p)
m=mean(rbinom(nsim,n,p))
cat("AproxMC=",m)
## AproxMC= 119.7926
# Error MC
error=sqrt(sum((xi-m)^2)/(nsim^2))
# límites del IC redondeados a 3 cifras decimales
ic.low=round(m-qnorm(0.975)*error,3)
ic.up=round(m+qnorm(0.975)*error,3)
cat("IC(95%)[AproxMC]=[",ic.low,",",ic.up,"]")
## IC(95%)[AproxMC]=[ 119.51 , 120.076 ]

1.3.3 Geométrica
Imaginemos una situación experimental donde se repite un experimento hasta que sucede un
“éxito.” En otras palabras, se piensa en θ� como la probabilidad de éxito para un solo ensayo,
y realizamos sucesivamente los ensayos hasta que se produce un éxito. La variable
aleatoria N� se define entonces como el número de ensayos Bernouilli realizados hasta
conseguir un éxito. Nótese que aunque la variable aleatoria geométrica es discreta, su rango
es infinito, y su fmp viene dada por:
Pr(N=x)=θ(1−θ)x para x=1, 2,...(1.4)(1.4)��(�=�)=�(1−�)� para �=1, 2,...con x� el
número de repeticiones hasta alcanzar un éxito, y θ� la probabilidad de éxito.
Definición 1.11 La variable aleatoria N� cuya función de masa de probabilidad viene dada
en (1.4) se denomina variable Geométrica de parámetro θ�, y se denota por:
N∼Ge(θ)�∼��(�)
con E(N)=1−θθ�(�)=1−�� y V(N)=1−θθ2.�(�)=1−��2.
Las funciones de R relacionadas con esta distribución se presentan a continuación, y tras ello
un ejemplo de aplicación de la variable Geométrica.

 La función dgeom(x, prob) nos permite evaluar la Pr(N=x)��(�=�) para una variable

Geométrica con probabilidad de éxito prob.
 pgeom(x, prob) calcula la función de distribución.
 rgeom(n, prob) permite generar n� valores de una variable Geométrica con probabilidad de
éxito prob����. Los resultados que proporciona son el número de repeticiones realizadas
hasta alcanzar el primer éxito.

Ejemplo 1.7 Una vendedora de coches ha hecho un análisis estadístico de su historial de

ventas anterior y ha determinado que cada día tiene un 10% de probabilidad de vender un
coche de lujo. Tras un cuidadoso análisis posterior, también está claro que la venta de un
coche de lujo en un día es independiente de la ventas realizadas cualquier otro día. El día de
Año Nuevo (un día festivo en el que el concesionario estaba cerrado) la vendedora está
intentando predecir cuándo venderá su primer coche de lujo del año.

15
Si consideramos N� como la variable aleatoria que indica el día de la primera venta de
coches de lujo (N = 1 implica que la venta se realizaría el día 2 de enero),
entonces:N∼Ge(0.1)�∼��(0.1)
En este caso el valor esperado del número de días transcurridos hasta la venta del primer
coche de lujo es E(N)=0.9/0.1=9�(�)=0.9/0.1=9 días, con una desviación típica de 9.5 días.
Así pues, es posible que el día 10 de enero tenga su primera venta. En la Figura  1.2 se
muestran la fmp y la función de distribución asociadas.
# Valores de N
xs <- seq(0, 60, 1)
# Data frame
datos <- data.frame(xs = xs, probs = dgeom(xs, 0.1),
probsacum = pgeom(xs, 0.1))
# función de masa de probabilidad
g1 <- ggplot(datos, aes(xs, probs)) +
geom_bar(stat = "identity", fill = "steelblue") +
ylim(0,0.12) +
labs(x ="x", y = "Probabilidad puntual. Pr(N=x)")
# función de distribución
g2 <- ggplot(datos, aes(xs, probsacum)) +
geom_bar(stat = "identity", fill = "steelblue") +
scale_y_continuous(breaks = scales::breaks_extended(10)) +
labs(x ="x", y = "Probabilidad acumulada Pr(N<=x)")
grid.arrange(g1, g2, nrow = 1)

16
 Figura 1.2: Función de masa de probabilidad y Función de distribución para el día en que
venderá el primer coche de lujo.

Hacemos a continuación un análisis de simulación para aproximar los datos teóricos dados en
la definición 1.11. Simulamos 1000 valores de una Ge(0.1)��(0.1), con los que calculamos
una aproximación al valor esperado de los días que deben transcurrir para vender un coche de
lujo, y construimos un intervalo de confianza para la aproximación MC según (1.1).
# Parámetros de la simulación

set.seed(1970)
nsim <- 10000
prob <- 0.1
media<-(1-prob)/prob
cat("E(N)=",media)
## E(N)= 9
# Valores simulados
17
 datos <- rgeom(nsim, prob)
# Aproximación MC del valor esperado
m=round(mean(datos),0)
cat("AproxMC=",m)
## AproxMC= 9
# Error MC
error=sqrt(sum((datos-m)^2)/(nsim^2))
# límites del IC redondeados a 3 cifras decimales
ic.low=round(m-qnorm(0.975)*error,3)
ic.up=round(m+qnorm(0.975)*error,3)
cat("IC(95%)[AproxMC]=[",ic.low,",",ic.up,"]")
## IC(95%)[AproxMC]=[ 8.811 , 9.189 ]

1.3.4 Poisson
La distribución de Poisson se emplea como un modelo para variables aleatorias de tipo
discreto cuando se quieren obtener las probabilidades de ocurrencia de un evento que se
distribuye al azar en el espacio o el tiempo. Algunos ejemplos de esta distribución se presentan
a continuación.

 En el estudio de cierto organismo acuático, se toman un gran número de muestras de un lago

y se cuenta el número de dichos organismos que aparecen en cada muestra. Podríamos
plantear como objetivo el conocer cuál es la probabilidad de encontrar dicho organismo en una
próxima muestra si la media observada en el conjunto de muestras es de 2 organismos.

 En un estudio sobre la efectividad de un insecticida sobre cierto tipo de insecto, se fumiga una
gran región. Posteriormente se crea una cuadrícula sobre el terreno, se selecciona de forma
aleatoria un conjunto de ellas, y se cuenta el número de insectos vivos dentro de cada una.
Planteamos como objetivo conocer cuál es la probabilidad de que no encontremos ningún
insecto vivo en una próxima cuadrícula si se sabe que la media de insectos vivos en las
cuadrículas analizadas es de 0.5.

 Un grupo de investigadores observó la ocurrencia de hemangioma capilar retiniano (RCH) en

pacientes con la enfermedad de von Hippel-Lindau (VHL). RCH es un tumor vascular benigno
de la retina. Usando una revisión retrospectiva de series de casos consecutivos, los
investigadores encontraron que el número de medio de tumores RCH por ojo para pacientes
con VHL era de 4. Están interesados en conocer cuál es la probabilidad de que se detecten
más de cuatro tumores por ojo.

La variable aleatoria N� se define entonces como el número de eventos que ocurren en un

espacio o un tiempo determinados, y viene caracterizada por la denominada tasa de
eventos o número medio de eventos que ocurren en el tiempo o espacio, y que se denota
habitualmente por λ�. El rango de esta variable es infinito y su fmp viene dada por:
Pr(N=x)=e−λλxx! para x=1, 2,...(1.5)(1.5)��(�=�)=�−����! para �=1,
2,...con λ� es la tasa y x� es el número de eventos que han ocurrido.
Definición 1.12 La variable aleatoria X� cuya función de masa de probabilidad viene dada
en (1.5) se denomina variable poisson de parámetro λ>0�>0, y se denota por:
N∼Po(λ)�∼��(�)
con E(N)=λ�(�)=� y V(N)=λ.�(�)=�.
A continuación vemos diferentes ejemplos de uso de la distribución de Poisson, tras presentar
las funciones de R relacionadas.
18
 La función dpois(x, lambda) nos permite evaluar la Pr(X=x)��(�=�) para una variable
poisson de media λ�.
 ppois(x, lambda) calcula la función de distribución.
 rpois(n, lambda)  permite generar n� valores de una variable Poisson con media λ�. Los
resultados que proporciona son el número de eventos que ocurren en el tiempo o espacio
determinado.

Ejemplo 1.8 Una empresa de asesoramiento está realizando el análisis del funcionamiento de

una panadería y ha estimado que el número medio de barras de pan que se venden en un
periodo de media hora es de 12. La empresa está interesada en saber cuál es la capacidad de
venta en cada franja de diez minutos (pues es prácticamente el tiempo de horneado), y
también cuál es la probabilidad de que el número de barras que se venden en diez minutos
sea exactamente de tres.

Como nuestro interés radica en un periodo de diez minutos y el número de intervalos de diez
minutos en un periodo de 30 minutos es tres, tenemos que el número medio de barras puestas
a la venta en ese periodo viene dado por: λ=12/3=4.�=12/3=4.
La variable aleatoria que reproduce el número de barras que se venden en una franja de cinco
minutos es:
N∼Po(4)�∼��(4)
En este caso el valor esperado del número de barras que se venden es 4 y la desviación típica
es igual a 2( =√ 4 =4). En la Figura 1.3 se muestran la fmp y la función de distribución
asociadas.
# Valores de N
lambda=4
xs <- seq(0, 10, 1)
# Data frame
datos <- data.frame(xs = xs, probs = dpois(xs, lambda),
probsacum = ppois(xs, lambda))
# función de masa de probabilidad
g1 <- ggplot(datos, aes(xs, probs)) +
geom_bar(stat = "identity", fill = "steelblue") +
scale_x_continuous(breaks = 0:10, labels = 0:10) +
ylim(0,0.3) +
labs(x ="x", y = "Probabilidad puntual. Pr(N=x)")
# función de distribución
g2 <- ggplot(datos, aes(xs, probsacum)) +
geom_bar(stat = "identity", fill = "steelblue") +
scale_x_continuous(breaks = 0:10, labels = 0:10) +
scale_y_continuous(breaks = scales::breaks_extended(10)) +
labs(x ="x", y = "Probabilidad acumulada Pr(N<=x)")
grid.arrange(g1, g2, nrow = 1)

19
 Figura 1.3: Función de masa de probabilidad y Función de distribución para el número de
barras de pan que se venden cada cinco minutos.

Podemos reconoder en la Figura 1.3-izquierda los valores más probables con las barras más
altas (3 y 4(. De hecho, en la Figura 1.3-derecha, la probabilidad de que a lo sumo se vendan
menos de 5 barras es algo superior a 0.6.

Para calcular la probabilidad pretendida, esto es, Pr(N=3)��(�=3) utilizamos la función fmp

correspondiente en R y la aproximamos por MC con 1000 simulaciones, dando también una
banda de confianza.
lambda=4
# Probabilidad buscada P(N=3) para la poisson con media 2
media=dpois(3,lambda)
cat("Pr(N=4)=",round(media,3))
## Pr(N=4)= 0.195

20
 nsim <- 10000
# Simulamos de la poisson y evaluamos la función indicatriz para la prob de interés
set.seed(1970)
I.a <- (rpois(nsim, lambda)==3)*1
# Realizamos la aproximación MC
m=mean(I.a)
cat("AproxMC=",m)
## AproxMC= 0.1934
# Error MC
error=sqrt(sum((I.a-m)^2)/(nsim^2))
# límites del IC redondeados a 3 cifras decimales
ic.low=round(m-qnorm(0.975)*error,3)
ic.up=round(m+qnorm(0.975)*error,3)
cat("IC(95%)[AproxMC]=[",ic.low,",",ic.up,"]")
## IC(95%)[AproxMC]=[ 0.186 , 0.201 ]
Si la aproximación la hacemos con 10 veces más simulaciones, el intervalo de estimación
resultará más preciso:
lambda=4
# Probabilidad buscada P(N=3) para la poisson con media 2
media=dpois(3,lambda)
cat("Pr(N=4)=",round(media,3))
## Pr(N=4)= 0.195
nsim <- 10000*10
# Simulamos de la poisson y evaluamos la función indicatriz para la prob de interés
set.seed(1970)
I.a <- (rpois(nsim, lambda)==3)*1
# Realizamos la aproximación MC
m=mean(I.a)
cat("AproxMC=",m)
## AproxMC= 0.19375
# Error MC
error=sqrt(sum((I.a-m)^2)/(nsim^2))
# límites del IC redondeados a 3 cifras decimales
ic.low=round(m-qnorm(0.975)*error,3)
ic.up=round(m+qnorm(0.975)*error,3)
cat("IC(95%)[AproxMC]=[",ic.low,",",ic.up,"]")
## IC(95%)[AproxMC]=[ 0.191 , 0.196 ]
Ejemplo 1.9 Una empresa de fabricación de galletas de chocolate está analizando la calidad
en su empresa para responder del mejor modo posible a sus clientes. Para ello ha fijado que
con probabilidad 0.8 las galletas deben contener al menos tres trozos de chocolate para
satisfacer las exigencias de los clientes. Se trata pues de fijar el valor medio de trozos de
chocolate que debe ir suministrando en la cadena de producción para cumplir con el nivel de
exigencia establecido.

Si N� es la variable aleatoria que indica el número de trozos de chocolate en una galleta,
tenemos que:N∼Po(λ)�∼��(�)
donde en este caso el valor de λ� es desconocido y representa el número medio de trozos de
chocolate en cada galleta. Planteamos un estudio de simulación para aproximar dicho valor.
Algoritmo para aproximar el valor de λ�.

1. Considerar una secuencia de valores de λi��, i=1,...,K�=1,...,�

2. Obtener una muestra de tamaño nsim���� para cada
distribución Po(λi)��(��), Mi={xi1,…,xinsim}��={��1,…,������}.

21
3. Con cada muestra Mi�� aproximar la probabilidad de que el número de trozos sea mayor o
igual a 3, pi≈Pr(Nλi≥3)��≈��(���≥3).
4. Obtener el valor mínimo de λ�, de entre {λ1,…,λK}{�1,…,��} que
verifica pi≥0.8��≥0.8.

En la Figura 1.4 se muestra el proceso de simulación realizado a continuación y el resultado

obtenido para el valor de λ� para cumplir los requisitos de la empresa.
# Paso 1
set.seed(1970)
nsim <- 5000
lams <- seq(0.1, 5, 0.01) # valores de lambda
nlams <- length(lams) # número de lambdas para evaluar
prob <- c() # vector de probabilidades

# Pasos 2 y 3
for(i in 1:nlams){
datos <- rpois(nsim, lams[i])
prob[i] <- mean(datos >= 3)
}

# Paso 4. Resultado del problema

lambda=lams[min(which(prob >= 0.8))];lambda
## [1] 4.25
# Pintamos los resultados de la simulación realizada
dat=data.frame(lams=lams,prob=prob)
ggplot(dat,aes(x=lams,y=prob))+
geom_point()+
geom_hline(yintercept=0.8)+
geom_vline(xintercept=lambda)+
labs(x="lambda",y="Pr(N>=3)")

22
 Figura 1.4: Probabilidad estimada de conseguir al menos 3 trozos de chocolate en cada
galleta, en función de lambda.

Así pues, el número medio de trozos de chocolate que ha de suministrarse a cada galleta ha
de ser al menos de 4.25.

23
24