Distribuciones

No Uniformes

Algoritmos y
Estructura de
Datos I

1
Distribuciones no uniformes
Si bien en la lectura anterior desarrollamos un generador de números
aleatorios con distribución uniforme, existen también otras distribuciones
de interés.

Es posible obtener una secuencia de números aleatorios respetando una

distribución no uniforme, si hacemos uso de un generador de números
aleatorios con distribución uniforme.

En esta lectura, analizaremos otras distribuciones de utilidad, como la

distribución normal, la de Poisson y la exponencial no negativa.

Distribución normal
Existen muchos fenómenos naturales que responden a una distribución
normal. Cuando necesitemos representar a alguno de ellos en una
aplicación, nos encontraremos con que la distribución uniforme antes vista
no nos sirve.

Analicemos, primero, lo que es una distribución normal. Esto nos permitirá

entender cuál es su utilidad y por qué la necesitamos.

Una distribución normal es una curva que muestra la distribución de un

conjunto de valores en función de dos parámetros: la media y la desviación
estándar. En estos, la mayoría de los valores del conjunto de valores coinciden
o están cercanos a un valor promedio o media, que definen, así, la probabilidad
de ocurrencia de un valor.

Figura 1: Representación gráfica de la distribución normal

Fuente: elaboración propia.

2
Interpretación

Si analizamos su forma, podemos ver que es una curva con forma de

campana y simétrica respecto del valor de la media. Se la suele llamar
campana de Gauss.

Ahora bien, la definición nos informa de la presencia de dos parámetros

estadísticos. Analicemos cada uno de ellos.

La media es un valor que seguro ya conocerás. Hace referencia al promedio

de los valores: se suman todos los valores y se lo divide por la cantidad
total.

Sin embargo, esta medida no es suficiente. Necesitamos de otra medida,

llamada desviación estándar, que nos indica el nivel de acumulación del
conjunto de valores alrededor de la media. Así, si la desviación estándar es
un valor muy pequeño, tendremos una curva más aplanada. Si la
desviación estándar es un valor grande, tendremos una curva más
puntiaguda, lo cual mostrará que hay más valores que son iguales o
cercanos al valor de la media. Podrás observar esto en los gráficos que
están a continuación.

Figura 2: Representación gráfica de una distribución normal con

desviación estándar grande

Fuente: elaboración propia.

3
Figura 3: Representación gráfica de una distribución normal con
desviación estándar chica

Fuente: elaboración propia.

Ejemplos

Desarrollemos un ejemplo que nos permitirá entender la diferencia con la

distribución uniforme. Supongamos que analizamos las alturas de las
personas de un aula. Si elegimos alguna persona al azar, podremos pensar
que su altura es un número aleatorio. De hecho, es así, pero no es
cualquier número. La diferencia crucial con la distribución uniforme en este
ejemplo es que es más probable que la altura de esa persona sea una
altura promedio. Asimismo, será poco probable que la persona sea muy
baja o muy alta.

Como podemos visualizar en este ejemplo, las alturas de las personas son
bastante parecidas en lo que respecta a la magnitud para la mayoría de las
personas y son unos pocos los que difieren grandemente. Esto mismo
sucedería con el peso de las personas según el sexo.

Distribución de Poisson
Es otro tipo de distribución de gran utilidad. Se llama así en honor a su
descubridor, Simeón-Denis Poisson, un físico y matemático francés que
realizó distintos aportes de utilidad, uno de los cuales está orientado a la
teoría de las probabilidades.

La distribución de Poisson es una distribución de probabilidad discreta que

establece la probabilidad de ocurrencia de un suceso que ocurre raramente.

4
Figura 4: Representación gráfica de la distribución de Poisson

Fuente: elaboración propia.

Interpretación

Como se mencionó en la definición, los sucesos están caracterizados por

ocurrir raramente, lo cual nos indica que la probabilidad de ocurrencia es
muy baja.

Los sucesos que tienen lugar en las siguientes circunstancias

satisfacen la distribución de Poisson:
1) La probabilidad de que se produzca un
suceso dentro de una región de pequeño tamaño es
proporcional al tamaño de la región.
2) La probabilidad de que se produzcan dos
sucesos en una región de pequeño tamaño es proporcional
al cuadrado del tamaño de la región y es, usualmente, lo
suficientemente pequeña como para despreciarla.
3) El suceso consistente en obtener k
sucesos en una región y el suceso consistente en obtener j
sucesos en otra región disjunta con la primera son
independientes. (Técnicamente, esta afirmación quiere decir
que podemos obtener la probabilidad de que ambos sucesos
se produzcan simultáneamente multiplicando la
probabilidad de los sucesos individuales.)
4) El número de sucesos en una región de
cierto tamaño es conocido.
Si el número medio de veces que se produce un suceso es
a, la probabilidad de que se produzca exactamente k veces
es

5
 𝑎𝑘 𝑒 −𝑎
. (Weiss, 2013, p. 393).
𝑘!

Ahora bien, si queremos generar una secuencia de valores aleatorios que

respondan a una distribución de Poisson, primero se debe definir el valor
esperado a. Posteriormente, se puede optar por distintas estrategias.

Una de ellas hace uso de la generación de números aleatorios uniformes.

Se generan números aleatorios, distribuidos uniformemente dentro del
intervalo (0; 1). En cada iteración, se multiplican los valores generados y se
comienza una nueva iteración, hasta que se valide que dicho producto sea
menor o igual a e-a.

Ejemplos

Podemos encontrar muchos ejemplos en la vida diaria que respondan a

una distribución de Poisson. Así, podríamos mencionar algunos, como el
número de accesos a un servidor web, la probabilidad de que llegue un
cliente a un negocio en un período de tiempo, la cantidad de errores
ortográficos en función de alguna unidad (cantidad de errores por página,
por párrafo, etc.), la cantidad de bacterias por unidad de volumen en una
solución, la cantidad de defectos por lote, entre otros.

Distribución exponencial negativa

La distribución exponencial negativa es otro tipo de distribución muy
usado. Esta nos permite realizar cálculos de utilidad, que abordaremos a
continuación. Pero, primero, analicemos su definición.

La distribución exponencial negativa es una distribución de probabilidad de

variable continua, que permite determinar el tiempo que transcurre hasta que
se produce el suceso aleatorio.

Interpretación

La definición nos permite distinguir una gran diferencia respecto de la

distribución de Poisson. Con la distribución de Poisson podemos
determinar, por ejemplo, la cantidad de defectos en un lote de productos.
En contraposición, la distribución exponencial negativa nos permite
calcular qué probabilidad hay de que podamos fabricar una cierta cantidad
de lotes hasta encontrar el primer lote defectuoso.

6
Ejemplos

Si nos ponemos a pensar, son muchas las aplicaciones que se nos pueden
ocurrir. Por mencionar algunos, gracias a esta distribución podemos
determinar cuánto tiempo pasa hasta que se produce una réplica de un
terremoto, el tiempo en que una aplicación funciona correctamente hasta
que falla, la cantidad de metros de algún producto (hilo, telas, etc.) que se
producen hasta encontrar una falla, entre otros.

7
Referencias
Weiss, M. A. (2013). Aleatorización. En M. Martín-Romo (Ed.), Estructuras de
datos en Java (pp. 392-394). Madrid, ES: Pearson.