Professional Documents
Culture Documents
Distribuciones discretas
-¿Qué tal van las clases,
Litman? Me pregunta mi
barbero.
-Bien... Dando probabilidad
y estadística... Respondo.
-¡Ah! Probabilidad... Yo
suelo jugar a la lotería...
Dice mientras me pasa la
cuchilla.
-Cuando compro un número, tal y como yo lo veo, hay dos
posibilidades: ganar o perder. De modo que tengo un 50% de
probabilidad de ganar y un 50% de perder.
-¡Muy bien, Ricardo! Respondo, mientras pienso que no es bueno
contradecir a nadie que tenga una navaja en mi cuello... 1
Distribución de Bernoulli
Hay un cierto número de fenómenos aleatorios
conocidos como procesos de Bernoulli.
Se denominan ensayos de Bernoulli, a aquellos
ensayos independientes que repetidos un número
fijo de veces tienen las siguientes características:
1) Hay sólo dos resultados posibles: éxito o fracaso:
2) La probabilidad de éxito es la misma en cada
ensayo. Independencia.
Ensayos de Bernoulli
Tirar una moneda, suponiendo que la moneda
es perfecta, cada tirada se denomina un ensayo
y tiene dos posibles resultados: uno de ellos se
considera éxito. P[E] = p ; y P[F] = q
Extraemos de una urna con 4 bolas rojas y 3
azules una bolilla; anotamos su color y la
devolvemos a la urna. P(roja)=4/7 y P(azul)=3/7.
Proceso de fabricación de artículos
electrónicos: elección de una muestra,
defectuoso o no defectuoso.
Distribución de Bernoulli
Experimento de Bernoulli:
solo son posibles dos
resultados: éxito o fracaso.
Podemos definir una variable
aleatoria discreta X tal que:
éxito 1
fracaso 0
4
Distribución de Bernoulli
Experimento de Bernoulli:
5
1 x
P( X x) f ( x) p (1 p)
x
x 0, 1
x 0 1
f(x) q p
Función de distribución:
1 p, para x 0
F ( x)
1, para x 1
6
Ejercicio: Calcular la esperanza y la varianza
de la distribución de Bernoulli.
1
E[ X ] x P ( X x )
x 0
0 * f (0) 1 * f (1) 0 p p
1
Var ( X ) E[ X ] ( E[ X ]) x f ( x) p
2 2 2 2
x 0
[0 * f (0) 1 * f (1)] p
2 2 2
p p p (1 p ) p * q
2
7
Distribución binomial
La distribución binomial aparece cuando estamos
interesados en el número de veces que un suceso
A ocurre (éxitos) en n intentos independientes de
un experimento.
P. ej.: # de caras en n lanzamientos de una moneda.
8
Experimento aleatorio: n = 3 lanzamientos de una moneda.
Probabilidad de éxito en cada lanzamiento (cara) = p.
Probabilidad de fracaso en cada lanzamiento (sello) = 1- p = q.
3 p 2 (1 p)
3 p(1 p) 2
9
Supongamos que el experimento consta de n
intentos y definamos la variable aleatoria:
10
La función de probabilidad P(X = x) será
la distribución binomial:
n x n x n! n x
B(n, p) p( x) p (1 p) p (1 p)
x
x x!(n x)!
11
12
Ejercicio 1:
¿Cuál es la probabilidad de que en una familia de 4
hijos exactamente 2 sean niñas?
n x
p(x) p ( 1 p)n x
x
p 0.5; n 4; x 2
4
p( 2 ) ( 0.5 ) ( 1-0.5 )
2 4- 2
2
13
6-21
EJEMPLO 3
La Secretaría del Trabajo del estado de
Alabama reporta que 20% de la fuerza de
trabajo en Mobile está desempleada. De
una muestra de 15 trabajadores, calcule las
siguientes probabilidades con la fórmula de
la distribución binomial (n=15, p = 0,20):
tres están desempleados: P(x = 3)= f(3):
P(x=3)=
6-22
EJEMPLO 3 continuación
n
La variancia está dada por:
n (1 )
2
6-24
EJEMPLO 4
Del EJEMPLO 3, recuerde que = 0.20 y n=
15.
EJEMPLO 5
A la larga, el 20% de los gerentes que reciben
capacitación obtienen la calificación de
sobresaliente, el 50% de aceptable y el 30% la
de insatisfactorio. En una muestra de 20
gerentes seleccionados al azar, encuentre las
siguientes probabilidades:
Exactamente 4 gerentes son calificados con sobresaliente
Al menos 4 gerentes son calificados con sobresaliente
Exactamente 15 gerentes son calificados con sobresaliente o
aceptable
Al menos 15 gerentes son calificados con sobresaliente o
aceptable
6-21
EJEMPLO 5
n x n x
p(x) p ( 1 p)
x
p 0.1; n 100; x 8
100
p( 8 ) ( 0.1 )8( 1-0.1 )92
8
20
¿Y si la pregunta es 8 como máximo?
8
n x
p(x 8 ) p ( 1 p)n x
x 0 x
8
100
(0.1) x ( 0.9 )100 x
x 0 x
21
Calcula la probabilidad de obtener al menos dos seises al
lanzar un dado cuatro veces.
n k nk
P(k ) p q (k 0,1,....n)
k
p = 1/6, q = 5/6, n = 4
4 1 5 4 1 5 4 1
2 2 3 4
3
23
Chuck-a-luck: Elige un número entre 1 y 6. Lanzas 3 dados.
Si el número que has elegido sale en los 3 dados cobras
3 euros. Si sale en 2 cobras 2 euros. Si sale en un dado
cobras 1 euro. Y si no sale en ninguno, pagas 1 euro.
¿Es un juego justo?
3 1 3 1
3 0 2
5 5
3 2
3 6 6 2 6 6
3 1 3 5
1 2 3
5
1 (1) 0.08
1 6 6 0 6
24
Características de la distribución
binomial
Media
= E(X) = n p P(X) n = 5 p = 0.1
.6
= 5 · 0.1 = 0.5 .4
.2
= 5 · 0.5 = 0.25 0 X
0 1 2 3 4 5
Desviación estándar
P(X) n = 5 p = 0.5
np(1 p) .6
.4
n p - (q) ≤ xo ≤ np +p
27
3. De un lote de 24, se selecciona al azar 4 artículos, además se
conoce que el 20% de los artículos producidos resultan
defectuosas. Sea X la variable aleatoria que denota al número de
artículos defectuosos elegidos.
28
Distribución multinomial
Cuando hay más de dos acontecimientos posibles (A1, A2,
A3 ...) con probabilidades p1 , p2 , p3 ... constantes y
pi 1
tales que:
n! x1 x2 x3
p( x1 , x2 , x3 ...) p1 . p2 . p3 ....
x1!x2 !x3!..
29
Un método de diagnóstico tiene 3 resultados posibles:
positivo (P), negativo (N) y dudoso (D). Se sabe que, en la
población, el 10% de los sujetos son positivos, el 70%
negativos y el resto dudosos. ¿Qué probabilidad hay de, en
una muestra de 5 individuos, obtener exactamente 1 positivo,
1 negativo y 3 dudosos ?
5!
p(1,3,1) 0.1 0.7 0.2 0.0112
1 1 3
1!.3!.1!
30
Distribución Geométrica
Consideremos el siguiente experimento:
Partimos de un experimento de Bernoulli donde la
probabilidad de que ocurra un suceso es p (éxito) y
la probabilidad de que no ocurra: q = (1- p) (fracaso).
Rx = {1, 2, 3, ………..}
El espacio muestral tiene la siguiente forma:
Ω = {E, FE, FFE, FFFE, FFFFE, . . . . . .}
f ( x) P( X x) p 1 p ,
x 1
x 1, 2 , 3, . . .
32
p(x)
f ( x) P( X x) p 1 p ,
x 1
x 1, 2, ...
Función de distribución:
0 ; x<1
F(x) =
1–qx ; x ≥ 1
33
Esperanza y Varianza
1
E [ x] µ
p
q
Var [ x] 2
p
34
Propiedades de la distribución
geométrica
35
Ejemplo
• Considere una sucesión de lanzamientos
independientes de dos dados. Si x
representa el número de lanzamientos
hasta encontrar suma 7, determinar el
número esperado de lanzamientos hasta
conseguir suma 7
36
37
Un acontecimiento ocurre, en la población, en el 10% de los
casos. ¿Qué tamaño de muestra debo tomar para tener una
probabilidad del 95% de obtener al menos un éxito ?
n
q 1
n
0.95 pq x 1
p.
x 1 q 1
0.9n 1
0.95 0.1. 0.95 (0.9n 1) 0.95 0.9n 1
0.9 1
ln 0.05
0.05 0.9 ln 0.05 n ln 0.9 n
n
28.4 29
ln 0.9
38
Distribución binomial negativa
(de Pascal o de Pólya)
Consideremos el siguiente experimento:
Partimos de un experimento de Bernoulli donde la probabilidad
de que ocurra un suceso es p (éxito) y la probabilidad de que
no ocurra q = 1- p (fracaso). Repetimos nuestro experimento
hasta conseguir el r-ésimo éxito. Definimos la variable
aleatoria X, como el número de fracasos x hasta que se
obtiene el r-ésimo éxito. Entonces:
El último tiene que ser un éxito.
x r 1 r
BN (r , p) P( X x) p 1 p ,
x
x
x 0,1, 2, ...
Se denomina binomial negativa porque los coeficiente provienen de
la serie binomial negativa: p -x ( 1-q)-x 39
Distribución binomial negativa
(de Pascal o de Pólya)
x 1 r
BN (r , p) P( X x) p 1 p ,
xr
r 1
x r, r 1, r 2, ...
40
Disponemos de una moneda trucada con probabilidad de cara
igual a p=0.25. La lanzamos hasta que obtenemos 2 caras.
La distribución del número de lanzamientos x será:
x 1
BN (r 2, p 0.25) P( X x) 0.25 1 0.25 ,
2 x2
2 1
x 2,3, 4, ...
P(x)
x 41
Elegir al azar con reemplazo
Elegir al azar con reemplazo significa que escogemos al azar
un elemento de un conjunto y lo regresamos para elegir de nuevo
al azar. Esto garantiza la independencia de las elecciones y nos
lleva a una distribución binomial.
44
Distribución hipergeométrica
A
diferentes formas de tomar x bolas rojas de A
x
N A
diferentes formas de tomar n x bolas no rojas de N A
nx
A N A
Casos favorables
x n x
A N A
x n x
H (n, N , A) P( x) ( x 0,1, ..., n)
N
n
45
Queremos seleccionar al azar dos bolas de una caja que contiene
10 bolas, tres de las cuales son rojas. Encuentra la función de
probabilidad de la variable aleatoria: X = Número de bolas rojas
en cada elección (con y sin reemplazo).
Tenemos N = 10, A = 3, N - A = 7, n = 2
Escogemos con reemplazo:
2 x
2 3
x
7
p( x) , p(0) 0.49, p(1) 0.42, p(2) 0.09
x 10 10
Escogemos sin reemplazo:
3 7
x 2 x 21 3
p( x) p(0) p(1) 0.47 , p(2) 0.07
10 45 45
2 46
Hipergeométrica Binomial
N = 24 n=5
X=8 p = 8/24 =1/3
n=5 Observa que si N,
x P(x) P(x) Error A, N-A son grandes
0 0.1028 0.1317 -0.0289 comparados con n
1 0.3426 0.3292 0.0133
2 0.3689 0.3292 0.0397
no hay gran
3 0.1581 0.1646 -0.0065 diferencia en qué
4 0.0264 0.0412 -0.0148
-0.0028
distribución
5 0.0013 0.0041
N = 240 n=5
empleemos.
X = 80 p = 80/240 =1/3 La distribución
n=5
binomial es una
x P(x) P(x) Error aproximación
0 0.1289 0.1317 -0.0028
1 0.3306 0.3292 0.0014
aceptable a la
2 0.3327 0.3292 0.0035 hipergeométrica
3 0.1642 0.1646 -0.0004 si n < 5% de N.
4 0.0398 0.0412 -0.0014
5 0.0038 0.0041 -0.0003 47
Distribución hipergeométrica
AN A N n N n
n
2
n pq
N N N 1 N 1
48
A) ¿Cuál es la probabilidad de que una mesera se rehúse a servir
bebidas alcohólicas únicamente a dos menores de edad si verifica
aleatoriamente solo 5 identificaciones de entre 9 estudiantes, de los
cuales 4 no tienen la edad suficiente?,
B) ¿Cúal es la probabilidad de que como máximo 2 de las
identificaciones pertenezcan a menores de edad?
Solución:
N=9 / A=4 estudiantes menores de edad
n = 5 identificaciones seleccionadas
x = va que define n° identificaciones que pertenecen a menores
de edad
0.64286
49
Una empresa fabrica fusibles que empaca en cajas de 12 unidades cada
una. Asuma que un inspector selecciona al azar tres de los 12 fusibles de
una caja para inspeccionarlos. Si la caja contiene exactamente cinco
fusibles defectuosos, ¿cuál es la probabilidad de que el inspector encuentre
que uno de los tres fusibles está defectuoso?
En esta aplicación n= 3 y N = 12. Si A = 5 fusibles defectuosos en la caja,
la probabilidad de hallar x = 1 defectuoso es:
50
51
Distribución de Poisson
Cuando en una distribución binomial el número de intentos (n) es
grande y la probabilidad de éxito (p) es pequeña, la distribución binomial
converge a la distribución de Poisson, cuya función de cuantía es:
e x
f ( x) , x 0 ,1,2 , ... 0
x!
donde np =
Observa que si p es pequeña, el éxito es un “suceso raro”.
52
Distribución de Poisson
El fenómeno aleatorio que define el modelo Poisson
llamado también Proceso de Poisson, se caracteriza:
53
Un proceso poissoniano es aquél compuesto de eventos discretos
que son independientes en el espacio y/o en el tiempo.
Por ejemplo:
• La frecuencia de terremoto que ocurren en el Perú en un intervalo de tiempo.
• La cantidad de imperfecciones encontradas en un metro de alambre producidos
por un proceso electrolítico contínuo
• Número de llamadas telefónicas recibidas en la central telefónica de la UNCP
entre las 12:00 y 13:00 horas.
54
La llegada de un cliente al negocio durante una hora.
El resultado es P (x = 5) = 0.04602
Por lo tanto, la probabilidad de que haya 5 productos
defectuosos entre 800 recién producidos es de 4.6%.
Ejemplo poissoniano
El 0,005% de los que padecen cierta
enfermedad mueren y la cantidad de
personas atacadas por el mal son 50 000.
Si X representa el número de personas
que mueren, entonces;
X ~ B(x; 50000; 0,00005).
np = λ = 2,5
58
Bombas sobre Londres en la II Guerra Mundial (Feller)
Supón que vivías en uno de los 100 bloques que aparecen en la gráfica
inferior. La probabilidad de que una bomba cayera en tu bloque era 1/100.
Como cayeron 400 bombas, podemos entender el número de impactos en tu
bloque como el número de éxitos en un experimento de Bernoulli con n = 400
y p = 1/100. Podemos usar una Poisson con λ=400 1/100=4:
e 4 4 x
400 bombas p ( x)
x! Observado
Predicho
10 x 10 59
Características de la distribución de
Poisson
P(X) = 6
.6
.4
Nota: el máximo de la distribución .2
se encuentra en x 0 X
0 2 4 6 8 10
60
La distribución de Poisson se obtiene como aproximación de
una distribución binomial con la misma media, para ‘n grande’
(n > 30) y ‘p pequeño’ (p < 0,1). Queda caracterizada por un
único parámetro μ (que es a su vez su media y varianza).
n p =
63
Si en promedio, entran 2 coches por minuto en un garaje, ¿cuál
es la probabilidad de que durante un minuto entren 4 o más
coches?
65
Ley de Benford
66
Primer dígito significativo
299.959 0,0174
x , x m 10 , 1 m 10
n
d ( x) m
d 1
P (d ) log
d 70
Frank Benford Title 1 2 3 4 5 6 7 8 9 Sampls
Rivers, Area 31.0 16.4 10.7 11.3 7.2 8.6 5.5 4.2 5.1 335
Population 33.9 20.4 14.2 8.1 7.2 6.2 4.1 3.7 2.2 3259
Constants 41.3 14.4 4.8 8.6 10.6 5.8 1.0 2.9 10.6 104
Newspapers 30.0 18.0 12.0 10.0 8.0 6.0 6.0 5.0 5.0 100
Specific Heat 24.0 18.4 16.2 14.6 10.6 4.1 3.2 4.8 4.1 1389
Pressure 29.6 18.3 12.8 9.8 8.3 6.4 5.7 4.4 4.7 703
H.P. Lost 30.0 18.4 11.9 10.8 8.1 7.0 5.1 5.1 3.6 690
Mol. Wgt. 26.7 25.2 15.4 10.8 6.7 5.1 4.1 2.8 3.2 1800
Drainage 27.1 23.9 13.8 12.6 8.2 5.0 5.0 2.5 1.9 159
Atomic Wgt. 47.2 18.7 5.5 4.4 6.6 4.4 3.3 4.4 5.5 91
, 25.7 20.3 9.7 6.8 6.6 6.8 7.2 8.0 8.9 5000
Design 26.8 14.8 14.3 7.5 8.3 8.4 7.0 7.3 5.6 560
Reader's Digest 33.4 18.5 12.4 7.5 7.1 6.5 5.5 4.9 4.2 308
Cost Data 32.4 18.8 10.1 10.1 9.8 5.5 4.7 5.5 3.1 741
X-Ray Volts 27.9 17.5 14.4 9.0 8.1 7.4 5.1 5.8 4.8 707
Am. League 32.7 17.6 12.6 9.8 7.4 6.4 4.9 5.6 3.0 1458
Blackbody 31.0 17.3 14.1 8.7 6.6 7.0 5.2 4.7 5.4 1165
Addresses 28.9 19.2 12.6 8.8 8.5 6.4 5.6 5.0 5.0 342
The law of anomalous , 25.3 16.0 12.0 10.0 8.5 8.8 6.8 7.1 5.5 900
numbers. Death Rate 27.0 18.6 15.7 9.4 6.7 6.5 7.2 4.8 4.1 418
Proc. Am. Philos. Soc. Average 30.6 18.5 12.4 9.4 8.0 6.4 5.1 4.9 4.7 1011
75
= -1
5 décadas
5 décadas
76
Para una lista de números que siga una distribución de
probabilidad en forma de ley de potencias N-1, tendremos
que la probabilidad del primer dígito significativo es
independiente de la década y sigue la ley de Benford:
10k ( d 1)
k
10 d
N 1dN Ln 10 k (d 1) Ln 10 k d
10 k (d 1) d 1
Ln Ln
d
k
10 d
Normalizando:
d 1
P (d ) log
d 77
The demonstration of Benford’s Law (and also for the distribution of the second
digit) was done in 1996 by Professor Theodore Hill (School of
Mathematics, Center for Applied Probability, Georgia Institute of Technology) in his
article: “A Statistical Derivation of the Significant‐Digit law”.
Hill later showed there was a kind of central limit theorem that applied to a wide
variety of distributions--that combinations of distributions tend towards the 78
distribution predicted by Benford’s law even when the original distributions do not