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
contradecir a nadie que tenga una navaja en mi cuello... 1
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
Un tpico experimento de Bernoulli es el lanzamiento de
una moneda con probabilidad p para cara y (1-p) para cruz.
2
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 3
Ejercicio: Calcular la esperanza y la varianza
de la distribucin de Bernoulli.
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 2 2 2
x =0
= 0 P( X = 0) + 1 P( X = 1) p =
2 2 2
p p = p (1 p )
2
4
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
x = 0 ,1, 2 , ...
5
p(x)
G ( p) = P( X = x) = (1 p ) p,
x
x = 0 ,1, 2 , ...
x
Funcin de distribucin:
n
F (n) = (1 p ) x p =1 (1 p ) n +1
1 x =0
E( X ) =
p
1 p
Var ( X ) = 2
p 6
La probabilidad de que una muestra de aire contenga una
molcula rara es 0.01. Si se supone que las muestras son
independientes respecto a la presencia de la molcula.
Determine cul es la probabilidad de que sea necesario
analizar 125 muestras antes de detectar una molcula rara
(1 0.01)125 1 0.01 =
fx(125;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.
10
Experimento aleatorio: n = 3 lanzamientos de una moneda.
Probabilidad de xito en cada lanzamiento (cara) = p.
Probabilidad de fracaso en cada lanzamiento (cruz) = 1- p = q.
3 p 2 (1 p )
3 p (1 p ) 2
11
Supongamos que el experimento consta de n
intentos y definamos la variable aleatoria:
n x n x n! n x
B (n, p ) = p ( x) = p (1 p ) = p (1 p )
x
x x!(n x)!
13
14
Caractersticas de la distribucin
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
Desviacin estndar
P(X) n = 5 p = 0.5
= np (1 p ) .6
.4
Comprar un quincux:
http://www.qualitytng.com/.
Applets: Sir Francis Galton
http://www.jcu.edu/math/isep/Quincunx/Qui
ncunx.html (1822-1911) La vida y la obra de
Galton, as como el contexto histrico en que se
Quincunx desarrollaron, est muy bien explicado en el libro
de Stigler: "The History of Statistics" (cap. 8).
Cul es la probabilidad de que en una familia de 4 hijos exactamente 2
sean nias?
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
Si una dcima parte de personas tiene cierto grupo sanguneo, cul es la
probabilidad de que entre 100 personas escogidas al azar, exactamente 8
de ellas pertenezcan a este grupo sanguneo? Y si la pregunta es 8
como mximo?
n x 8
n x
p ( x ) = p (1 p ) n x p( x 8) p (1 p ) n x
=
x x =0 x
p = 0.1; n = 100; x = 8 8
100 x
= 0.1 0.9100 x
100 8 x =0 x
p (8) = 0.1 (1-0.1)92
8 20
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
= + +
2 6 6 3 6 6 4 6
1 171
= 4 (6 25 + 4 5 + 1) = = 0.132
6 1296 21
Supongamos que la probabilidad de encontrar una estrella
de masa m* >10 M en un cmulo estelar joven es del 4%.
Cul es la probabilidad de que en una muestra escogida al
azar, entre 10 miembros del cmulo encontremos 3 estrellas
con m* >10 M?
n x
p( x ) = p (1 p ) n x
x
p = 0.04; n = 10; x = 3
10
p( 3 ) = (0.04) (1-0.04) = 0.043 0.967 = 0.006
3 10 - 3
3
22
Chuck-a-luck: Elige un nmero entre 1 y 6. Lanzas 3 dados.
Si el nmero 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 5
3 0 2
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
28
NACIMIENTO DE LA TEORIA DE PROBABILIDADES
Hay dos jugadores jugando a un juego, donde el primer
jugador gana con probabilidad p cada partida. El total de
lo apostado es ganado por el jugador que gana por
primera vez N partidas.
N j 1
N k + n N k
P= p (1 p ) n
n =0 N k
De modo que el primer jugador debera llevarse un porcentaje P del
premio y el segundo (1-P).
29
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!
p( x1 , x2 , x3...) = x1 x2 x3
p1 . p2 . p3 ....
x1! x2! x3!..
30
Un mtodo de diagnstico tiene 3 resultados posibles:
positivo (P), negativo (N) y dudoso (D). Se sabe que, en la
poblacin, el 10% de los sujetos son positivos, el 70%
negativos y el resto dudosos. Qu 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!
31
32
Cmo simular de manera sencilla en el ordenador
una variable aleatoria binomial X?
Entonces tenemos:
i 1
P(Y = i ) = P (1 q rnd > 1 q )
i
i 1 i 1 i 1
=q q = q (1 q ) = q p.
i
1 q rnd
Y
Ln (1 rnd )
Y = int
Ln q
35
Un acontecimiento ocurre, en la poblacin, en el 10% de los
casos. Qu tamao de muestra debo tomar para tener una
probabilidad del 95% de obtener al menos un xito ?
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
36
Distribucin binomial negativa
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 r-simo xito. Definimos la variable
aleatoria X, como el nmero de fracasos x hasta que se
obtiene el r-simo xito. Entonces: El ltimo tiene que ser un xito.
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 37
Distribucin binomial negativa
(de Pascal o de Plya)
x 1 r
BN (r , p ) = P( X = x) = p (1 p )x r ,
r 1
x = r, r + 1, r + 2, ...
E( X ) = r / p
r (1 p )
Var ( X ) =
p2 38
Disponemos de una moneda trucada con probabilidad de cara
igual a p=0.25. La lanzamos hasta que obtenemos 2 caras.
La distribucin del nmero de lanzamientos x ser:
x 1
0.25 (1 0.25) ,
x2
BN (r = 2, p = 0.25) = P( X = x) = 2
2 1
x = 2 ,3, 4, ...
P(x)
39
x
Una aeronave tiene 3 computadoras idnticas. Slo una de
ellas se emplea para controlar la nave, las otras 2 son de
reserva, redundantes, por si falla la primera. Durante una
hora de operacin la probabilidad de fallo es 0.0005.
Cul es el tiempo promedio de fallo de las tres
computadoras?
Cul es la probabilidad de que las 3 fallen durante
un vuelo de 5 horas?
a)
=
E ( x) 3=
/ 0.0005 6000h
b)
P ( x 5) =
P ( X =+
3) P ( X =
4) + P( X =
5)
3 4
3 3
1.249 x109
0.0005 + 0.0005 (0.9995) + 0.00053 (0.9995) =
2 2
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 distribucin binomial.
A N A
x n x
H (n, N , A) = P( x) = ( x = 0,1, ..., n)
N
n 46
Queremos seleccionar al azar dos bolas de una caja que contiene
10 bolas, tres de las cuales son rojas. Encuentra la funcin de
probabilidad de la variable aleatoria : X = Nmero de bolas rojas
en cada eleccin (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 47
Se debe seleccionar 2 miembros de un comit, entre 5, para
que asistan a una convencin. Suponga que el comit est
formado por 3 mujeres y 2 hombres. Determine la
probabilidad de seleccionar 2 mujeres al azar:
Tenemos N = 5, n = 2, A = 3 y x = 2:
3 2
2 0
=
f (2) 3
= = 0.3
5 10
2
Hipergeomtrica 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 qu
4 0.0264 0.0412 -0.0148
-0.0028
distribucin
5 0.0013 0.0041
N = 240 n=5
empleemos.
X = 80 p = 80/240 =1/3 La distribucin
n=5
binomial es una
x P(x) P(x) Error aproximacin
0 0.1289 0.1317 -0.0028
1 0.3306 0.3292 0.0014
aceptable a la
2 0.3327 0.3292 0.0035 hipergeomtrica
3 0.1642 0.1646 -0.0004 si n < 5% de N.
4 0.0398 0.0412 -0.0014 49
5 0.0038 0.0041 -0.0003
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
p( x) = , x = 0 ,1,2 , ... > 0
x!
donde np =
Observa que si p es pequea, el xito es un suceso raro.
= P(X) =6
.6
.4
Nota: el mximo de la distribucin .2
se encuentra en x 0 X
0 2 4 6 8 10
55
La distribucin de Poisson se obtiene como aproximacin de
una distribucin binomial con la misma media, para n grande
(n > 30) y p pequeo (p < 0,1). Queda caracterizada por un
nico parmetro (que es a su vez su media y varianza).
= = np =
La distribucin de Poisson es asimtrica,
siendo en general ms probables los
valores pequeos de la variable que los
mayores (normalmente se asocia a
procesos que ocurren muy pocas veces).
Sin embargo, si crece, la distribucin
tiende a la simetra.
P( A ) = + +
c
Predicho
60
10 x 10
Muertos por coz de caballo
La explicacin de cmo se interpreta la frecuencia acumulada queda mucho ms clara si se
tienen los datos desglosados por ao y regimiento, tal como aparecen en la publicacin original
de Bortkiewicz. La tabla de la parte superior contiene los muertos por regimiento y ao. En el
regimiento G (primera fila) no muri nadie en el ao 75, murieron 2 en el 76, otros 2 en el 77 En
total hay 144 casillas que tienen un cero (una rayita), 91 casillas que tienen un 1, 32 casillas que
tienen un 2
Para tener el valor medio de muertos por casilla hay que ver que el total de muertos es:
191+232+311+42=196. Como hay 280 casillas, el nmero medio de muertos por casilla es
196/280=0,7. Con este valor medio y aplicando la frmula de la distribucin de Poisson se tiene
que:
-Probabilidad de 0 muertos = 0,4966
-Probabilidad de 1 muerto = 0,3476 ; etc.
Una vez se tienen las probabilidades, multiplicando por 280 se tienen los valores esperados.
Cuando escrib el libro busqu los datos originales pero no los encontr. Reproduje la tabla tal
como la vi en el texto de Bulmer, ahora veo que es muy parecida a la que aparece en el original
(parte central de la pgina). Hay algo que no entiendo (mi alemn = 0): lo que parece la columna
de valores esperados no coincide con los resultados que se obtienen. No s si se est calculando
otra cosa o hay algn error de clculo o de redondeo. El texto completo se puede descargar aqu.
62
Relacin entre las distribuciones Poisson y Binomial
La distribucin de Poisson es una aproximacin de la
distribucin Binomial cuando n es muy grande y p es pequeo
En estos casos, podremos usar tanto la distribucin de Poisson
como la binomial para calcular estas probabilidades. Cmo?
Veamos un ejemplo:
La probabilidad de que en una pgina de un libro haya una errata
es 0.02. Cul es la probabilidad que en libro de 200 pginas
haya 3 erratas?
200
P ( X = 3) = 0.023 0.98197 = 0.1973
3
Tambin podramos calcularlo usando la distribucin de Poisson.
Fjate que E(X) = np = 200*0.02 = 4. En la distribucin de
Poisson, el parmetro representa la esperanza de la variable,
por tanto, para calcular la aproximacin, consideramos X sigue
una distribucin P(=4), Entonces:
P ( X = 3) = 43 e 4 / 3!= 0.1954
np < 10
Un proceso poissoniano es aqul compuesto de
eventos discretos que son independientes en el
espacio y/o en el tiempo.
Por ejemplo la llegada de fotones a un detector.
P( X = 0) = B(n, p,0) = (1 p ) = 1
n
n
Observa que para n grande P(X = 0) es aproximadamente e-.
Adems para n grande (y por tanto p muy pequeo):
B ( n, p , k ) (k 1) p
=
B(n, p, k 1) k (1 p ) k 67
Tenemos entonces B ( n , p ,0 ) = e
la siguiente ecuacin
iterada: B ( n, p , k ) = B(n, p, k 1)
k
P( X = 1) = B(n, p,1) = e
2
P( X = 2) = B(n, p,2) = e
2
...
k
P( X = k ) = e
k! 68
La seal promedio recibida en un telescopio de una fuente
celeste es de 10 fotones por segundo. Calcular la probabilidad
de recibir 7 fotones en un segundo dado.
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
The leading digit of a number
represents its non-zero leftmost digit.
299.959 0,0174
+
x , x = m 10 , 1 m < 10
n
d ( x) = [m]
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
The law of Addresses 28.9 19.2 12.6 8.8 8.5 6.4 5.6 5.0 5.0 342
anomalous numbers. , 25.3 16.0 12.0 10.0 8.5 8.8 6.8 7.1 5.5 900
Proc. Am. Philos. Soc. Death Rate 27.0 18.6 15.7 9.4 6.7 6.5 7.2 4.8 4.1 418
78 (1938) 551-538. Average 30.6 18.5 12.4 9.4 8.0 6.4 5.1 4.9 4.7 1011
Probable Error
A fin de proteger su privacidad, PowerPoint bloque la descarga automtica de esta imagen.
5.761.455 primes 50.847.534 primes
Scale
invariance
10 k ( d +1) 10 ( d + 1)
k
d +1
x dx = log = log
1
d
10 k d k
10 d
Generalized Benford's Law (GBL)
P( x) ~ x
1
{(d + 1) }
k
10 k ( d +1) (10 )
1 1
x dN = d
10 dk
1
P(d ) =
10
1
1
1
{(d + 1) 1
d 1
}
1; d = 1, 2, ... ,9
lim P(d ) = 1 / 9
0
5.761.455 primes 50.847.534 primes
(25) = 9.
"For me, the smoothness with which this curve climbs
is one of the most astonishing facts in mathematics."
x du
Li ( x) =
2 Ln u
"within the accuracy of our picture, the two coincide exactly."
Don Zagier, "The first 50 million primes"
Mathematical Intelligencer, 0 (1977) 1-19
Prime Number Theorem
Valee Poussin and Hadamard (1896)
x
( x) ~
ln x
( x)
lim =1
x x / ln x
God may not
play dice with
the universe,
but something
strange is
going on with
the prime
numbers.
Paul Erds
Modelo de Crmer
Conditions for conformance to GBL
e ( N ) 1 ( N )
L( N ) = N
1 (N )
1
with ( N ) =
Ln N a
Minimum for a = 1
105