Documentos de Académico
Documentos de Profesional
Documentos de Cultura
5 DistribucionesDiscretas PDF
5 DistribucionesDiscretas PDF
Distribuciones discretas
-Qu tal van las clases,
Bartolo? Me pregunta mi
barbero.
-Bien... Dando probabilidad
y estadstica... Respondo.
-Ah! Probabilidad... Yo
suelo jugar a la lotera...
Dice mientras me pasa la
cuchilla.
-Cuando compro un nmero, 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
1
contradecir a nadie que tenga una navaja en mi cuello...
Distribucin de Bernoulli
Experimento de Bernoulli: solo son
posibles dos resultados: xito o fracaso.
Podemos definir una variable aleatoria
discreta X tal que:
xito 1
fracaso 0
Si la probabilidad de xito es p y la de
fracaso 1 - p, podemos construir una
funcin de probabilidad:
1 x
P( x) = p (1 p )
x
x = 0,1
1 x
P( x) = p (1 p )
x
x = 0, 1
Funcin de distribucin:
1 p, para x = 0
F ( x) =
1, para x = 1
E[ X ] = = x P ( X = x) =
x =0
0 P ( X = 0) + 1 P ( X = 1) = p
1
Var ( X ) = E[ X ] ( E[ X ]) = x P( X = x) p
2
x =0
= 0 P( X = 0) + 1 P( X = 1) p =
2
p p = p (1 p )
2
Distribucin geomtrica
Consideremos el siguiente experimento:
Partimos de un experimento de Bernoulli donde la
probabilidad de que ocurra un suceso es
p (xito) y la probabilidad de que no ocurra
q = 1- p (fracaso). Repetimos nuestro experimento
hasta conseguir el primer xito. Definimos la variable
aleatoria X, como el nmero de fracasos hasta que
se obtiene el primer xito. Entonces:
G ( p ) = P( X = x) = (1 p ) p,
x = 0 ,1, 2 , ...
x
p(x)
G ( p) = P( X = x) = (1 p ) p,
x = 0 ,1, 2 , ...
x
x
Funcin de distribucin:
n
1
E( X ) =
p
1 p
Var ( X ) = 2
p
F (n) = (1 p ) x p =1 (1 p ) n +1
x =0
fx(125;0.01) =
(1 0.01)125 1 0.01 =
0.0029
Distribucin binomial
La distribucin binomial aparece cuando estamos
interesados en el nmero de veces que un suceso
A ocurre (xitos) en n intentos independientes de
un experimento.
P. ej.: # de caras en n lanzamientos de una moneda.
3 p 2 (1 p )
3 p (1 p ) 2
11
n x
n!
n x
x
n x
B (n, p ) = p ( x) = p (1 p ) =
p (1 p )
x!(n x)!
x
Distribucin binomial para n = 5 y
distintos valores de p, B(5, p)
13
14
Caractersticas de la distribucin
binomial
Media
= E(X) = n p
= 5 0.1 = 0.5
= 5 0.5 = 0.25
P(X)
.6
.4
.2
0
n = 5 p = 0.1
X
Desviacin estndar
= np (1 p )
= 5 0.1 (1 0.1) = 0.67
= 5 0.5 (1 0.5) = 1.1
P(X)
.6
.4
.2
0
n = 5 p = 0.5
X
5
16
18
Tablero de Galton
o quincunx
Comprar un quincux:
http://www.qualitytng.com/.
Applets:
http://www.jcu.edu/math/isep/Quincunx/Qui
ncunx.html
Quincunx
n x
p( x ) = p (1 p ) n x
x
p = 0.5;
n = 4; x = 2
4 2
p( 2) = 0.5 (1-0.5) 4 - 2
2
n x
p ( x ) = p (1 p ) n x
x
p = 0.1;
n = 100; x = 8
100 8
p (8) =
0.1 (1-0.1)92
8
n x
=
p( x 8) p (1 p ) n x
x =0 x
8
100 x
=
0.1 0.9100 x
x =0 x
8
20
(k = 0,1,....n)
p = 1/6, q = 5/6, n = 4
Al menos dos seises, implica que nos valen k = 2, 3, 4.
P(2) + P(3) + P (4)
4 1 5 4 1 5 4 1
= + +
2 6 6 3 6 6 4 6
2
1
171
= 4 (6 25 + 4 5 + 1) =
= 0.132
6
1296
21
n x
p( x ) = p (1 p ) n x
x
p = 0.04;
n = 10; x = 3
10
3
10 - 3
p( 3 ) = (0.04) (1-0.04) = 0.043 0.967 = 0.006
3
22
3 1
=
3 6
3 1
+
1 6
3 1 5
5
3 + 2
6
2 6 6
0
3 5
5
1 + (1) = 0.08
6
0 6
2
28
P=
N j 1
n =0
Blaise Pascal
1623 - 1662
N k + n N k
p (1 p ) n
N k
Distribucin multinomial
Podemos generalizar la distribucin binomial cuando hay
ms de dos acontecimientos posibles (A1, A2, A3 ...) con
probabilidades p1 , p2 , p3 ... constantes y tales que:
pi = 1
i
n!
x3
x1
x2
p( x1 , x2 , x3...) =
p1 . p2 . p3 ....
x1! x2! x3!..
30
5!
1
1
3
0.1 0.7 0.2 = 0.0112
p (1,3,1) =
1!.3!.1!
31
32
1 q rnd
Y
Entonces tenemos:
i 1
=q
i 1
i 1
i 1
q = q (1 q ) = q p.
i
1 q rnd
Y
Ln (1 rnd )
Y = int
Ln q
35
0.95 = pq
x =1
x 1
q 1
= p
q 1
n
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 =
= 28.4 29
ln 0.9
n
36
x + r 1 r
x
p (1 p ) ,
BN (r , p ) = P( X = x) =
x
x = 0 ,1, 2 , ...
Se denomina binomial negativa porque los coeficiente provienen de
la serie binomial negativa:
p -x = (1-q ) -x
37
x 1 r
p (1 p )x r ,
BN (r , p ) = P( X = x) =
r 1
x = r, r + 1, r + 2, ...
E( X ) = r / p
r (1 p )
Var ( X ) =
p2
38
x 1
x2
2
0.25 (1 0.25) ,
BN (r = 2, p = 0.25) = P( X = x) =
2 1
x = 2 ,3, 4, ...
P(x)
39
b)
P ( x 5) =
P ( X =+
3) P ( X =
4) + P( X =
5)
3
4
3
0.0005 + 0.0005 (0.9995) + 0.00053 (0.9995) =
1.249 x109
2
2
3
n A
P( x) =
x N
1
N
n x
( x = 0,1,....n)
(Una distribucin binomial)
44
N
Casos posibles =
n
45
Distribucin hipergeomtrica
A
= diferentes formas de tomar x bolas rojas de A
x
N A
Casos favorables =
x n x
A N A
x n x
H (n, N , A) = P( x) =
N
n
( x = 0,1, ..., n)
46
7
10
2 x
x 2 x
p( x) =
10
2
21
3
p (0) = p (1) =
0.47 , p (2) =
0.07
45
45
47
Tenemos N = 5, n = 2, A = 3 y x = 2:
3 2
2 0
3
f (2)
=
= = 0.3
10
5
2
Hipergeomtrica
N = 24
X=8
n=5
x
0
1
2
3
4
5
P(x)
0.1028
0.3426
0.3689
0.1581
0.0264
0.0013
N = 240
X = 80
n=5
x
0
1
2
3
4
5
P(x)
0.1289
0.3306
0.3327
0.1642
0.0398
0.0038
Binomial
n=5
p = 8/24 =1/3
P(x)
0.1317
0.3292
0.3292
0.1646
0.0412
0.0041
Error
-0.0289
0.0133
0.0397
-0.0065
-0.0148
-0.0028
n=5
p = 80/240 =1/3
P(x)
0.1317
0.3292
0.3292
0.1646
0.0412
0.0041
Error
-0.0028
0.0014
0.0035
-0.0004
-0.0014
-0.0003
Observa que si N,
A, N-A son grandes
comparados con n
no hay gran
diferencia en qu
distribucin
empleemos.
La distribucin
binomial es una
aproximacin
aceptable a la
hipergeomtrica
si n < 5% de N.
49
Distribucin de Poisson
Cuando en una distribucin binomial el nmero de intentos (n)
es grande y la probabilidad de xito (p) es pequea, la
distribucin binomial converge a la distribucin de Poisson:
e
, x = 0 ,1,2 , ... > 0
p( x) =
x!
x
donde np =
Observa que si p es pequea, el xito es un suceso raro.
La distribucin de Poisson, junto con la uniforme y la binomial,
son las distribuciones ms utilizadas.
51
Distribucin de Poisson
Definicin: Consideramos una v.a. X que cuenta el
nmero de veces que un determinado suceso ocurre
en una unidad (normalmente de tiempo o de espacio).
Si verifica:
1) la probabilidad de que el suceso estudiado se produzca en
la unidad es constante a lo largo del tiempo.
2) El nmero de veces que ocurre un suceso durante la unidad
considerada es independiente del nmero de veces que ocurre
dicho suceso en otra unidad.
3) Si se considera una unidad inferior (superior), la probabilidad
de que ocurra un determinado nmero de sucesos se reduce
(aumenta) proporcionalmente.
Caractersticas de la distribucin de
Poisson
e x
p( x) =
Media
= E (X ) =
Desviacin estndar
=
x!
= 0.5
P(X)
.6
.4
.2
0
X
0
=6
P(X)
.6
.4
.2
0
X
0
10
55
= = np =
56
P( A ) =
0 100
100
100 99 1 100 99 1
+
1 100 100 2 100 100
= 0.9206
99
n x n x
p( x) = p q
x
98
( x = 0,1,....n)
P( A ) e (1 + 1 + 12 ) = 0.9197
c
x
p( x) =
e
x!
( x = 0,1,....)
58
59
(Feller)
Supn que vivas en uno de los 100 bloques que aparecen en la grfica
inferior. La probabilidad de que una bomba cayera en tu bloque era 1/100.
Como cayeron 400 bombas, podemos entender el nmero de impactos en tu
bloque como el nmero de xitos en un experimento de Bernoulli con n = 400
y p = 1/100. Podemos usar una Poisson con = 400 1/100 = 4:
400 bombas
e 4 4 x
p( x) =
x!
Observado
Predicho
10 x 10
60
61
62
200
0.023 0.98197 = 0.1973
P ( X = 3) =
3
P ( X = 3) = 43 e 4 / 3!= 0.1954
Por tanto, una distribucin binomial se puede aproximar
por una distribucin de Poisson (es decir, las prob.
calculadas a partir de una u otra frmula son muy
parecidas) si n es grande (consideramos n grande si n es
mayor que 100) y p pequeo, de manera que
np < 10
P( X = 0) = B(n, p,0) = (1 p ) = 1
n
(k 1) p
B ( n, p , k )
=
B(n, p, k 1)
k (1 p )
k
67
B ( n , p ,0 ) = e
Tenemos entonces
la siguiente ecuacin
iterada:
B ( n, p , k ) =
B(n, p, k 1)
P( X = 1) = B(n, p,1) = e
P( X = 2) = B(n, p,2) =
2
2
...
P( X = k ) =
k
k!
68
x
p( x) =
e
x!
( x = 0,1,....)
9%
22
2!
+ ) = 0.857
x
p( x) =
e
x!
( x = 0,1,....)
21
1!
23
3!
70
Existe una gran dispersin, y no sera extrao encontrar que en realidad hay
muchas ms personas o menos que estn enfermas. La probabilidad de que
haya ms de tres personas enfermas es:
Benford's Law
299.959
+
x , x = m 10 , 1 m < 10
d ( x) = [m]
n
105
2,99959
[2,99959] = 2
1,74 10-2
[1,74] = 1
Simon Newcomb
(1835-1909).
Note on the frequency of use of the
different digits in natural numbers.
Amer. J. Math. 4 (1881) 39-40.
d +1
P (d ) = log
Frank Benford
The law of
anomalous numbers.
Proc. Am. Philos. Soc.
78 (1938) 551-538.
Title
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
25.3
16.0
12.0
10.0
8.5
8.8
6.8
7.1
5.5
900
Death Rate
27.0
18.6
15.7
9.4
6.7
6.5
7.2
4.8
4.1
418
Average
30.6
18.5
12.4
9.4
8.0
6.4
5.1
4.9
4.7
1011
Probable Error
5.761.455 primes
50.847.534 primes
455.052.511 primes
4.118.054.813 primes
Benford Generalizado
L. Pietronero, E. Tossati, V. Tossati and
A. Vespignani.
Explaining the uneven distribution of
numbers in nature: the laws of Benford
and Zipf.
Physica A 293 (2001) 297-304.
d +1
P (d ) = log
d
Scale
invariance
P( x) ~ x
10 k ( d +1)
10 k d
10 ( d + 1)
d +1
= log
x dx = log
k
d
10 d
1
P( x) ~ x
10 k ( d +1)
10 d
P(d ) =
(10 )
dN =
1
1
1
10
{(d + 1)
{
(d + 1)
1
1; d = 1, 2, ... ,9
lim P(d ) = 1 / 9
5.761.455 primes
50.847.534 primes
455.052.511 primes
4.118.054.813 primes
1
(N ) =
Ln N a
a = 1.1 0.1
(25) = 9.
Li ( x) =
du
Ln u
x
( x) ~
ln x
lim
x
( x)
x / ln x
=1
Modelo de Crmer
L( N ) = e ( N ) x
( N )
dx
cte
e ( N ) 1 ( N )
L( N ) =
N
1 (N )
1
with ( N ) =
Ln N a
Minimum for a = 1
105