Distribuciones discretas

-¿Qué tal van las clases,

Bartolo? 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
Experimento de Bernoulli: solo son
posibles dos resultados: éxito o fracaso.
Podemos definir una variable aleatoria
discreta X tal que:
éxito  1
fracaso  0
Si la probabilidad de éxito es p y la de fracaso 1 - p,
podemos construir una función de probabilidad:
1 x
P( x)  p (1  p)
x
x  0,1
Un típico 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

Función de distribución:

1  p, para x  0
F ( x)  
 1, para x  1 3
 Ejercicio: Calcular la esperanza y la varianza
de la distribución 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
 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.

Si A tiene probabilidad p (probabilidad de éxito) en

un intento, entonces 1-p es la probabilidad de que A
no ocurra (probabilidad de fracaso).

5
Experimento aleatorio: n = 3 lanzamientos de una moneda.
Probabilidad de éxito 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

6
 Supongamos que el experimento consta de n
intentos y definamos la variable aleatoria:

X = Número de veces que ocurre A.

En nuestro ejemplo: X = Número de veces que sale cara.

Entonces X puede tomar los valores 0, 1, 2, ... n.

Si consideramos uno de estos valores, digamos el
valor x , i.e. en x de los n intentos ocurre A y en n - x
no. Entonces la probabilidad de cada posible
x n-x n
ordenación es p q y existen  x  idénticas
  7
ordenaciones.
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)!

Distribución binomial para n = 5 y

distintos valores de p, B(5, p)

8
9
Ejercicio:
¿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

10
Ejercicio:
Si una décima parte de personas tiene cierto grupo
sanguíneo, ¿cuál es la probabilidad de que entre 100
personas escogidas al azar exactamente 8 de ellas
pertenezcan a este grupo sanguíneo?

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 

11
¿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 

12
Calcula la probabilidad de obtener al menos dos seises al
lanzar un dado cuatro veces.

 n  k nk
P(k )    p q (k  0,1,....n)
k 
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 2 3 4

               

 2  6   6   3  6   6   4  6 
1 171
 4 (6  25  4  5  1)   0.132
6 1296
13
 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

  5  0.1 (1  0.1)  0.67 .2

0 X

  5  0.5  (1  0.5)  1.1 0 1 2 3 4 5

14
 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
 nx 
 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 15
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 16
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 17
5 0.0038 0.0041 -0.0003
 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:


e  x
p ( x)  , x  0,1,2,...   0
x!
donde np = 
Observa que si p es pequeña, el éxito es
un “suceso raro”.

La distribución de Poisson, junto con la uniforme y la

binomial, son las distribuciones más utilizadas. 18
Un proceso poissoniano es aquél compuesto de
eventos discretos que son independientes en el
espacio y/o en el tiempo.
Por ejemplo la llegada de fotones a un detector.

Usemos la distribución binomial para modelar el

proceso. Podemos dividir el intervalo de tiempo en el
que ocurre el proceso en n subintervalos suficientemente
pequeños, como para asegurarnos que a lo sumo se
produce un evento en cada subintervalo. De modo que
en cada subintervalo, o se producen 0 o 1 ocurrencias.
A lo sumo llega un fotón en cada subintervalo o ninguno.

De modo que podemos entender el proceso como un

experimento de Bernoulli. Para determinar p, podemos
razonar de la siguiente manera:
19
En promedio se producirán λt ocurrencias en un intervalo de
tiempo t. Si este intervalo se divide en n subintervalos,
entonces esperaríamos en promedio (usando Bernoulli):
np ocurrencias. Así: λt = np, p = λt / n.

Sin pérdida de generalidad supongamos que t = 1 y que X

es la variable aleatoria = número total de ocurrencias.
Sabemos que:
 
n

P( X  0)  B(n, p,0)  (1  p)  1  
n

 n
Observa que para n grande P(X = 0) es aproximadamente e-λ.
Además para n grande (y por tanto p muy pequeño):

B(n, p, k )   (k  1) p 
 
B(n, p, k  1) k (1  p) k 20
 
Tenemos entonces B(n, p,0)  e
la siguiente ecuación

iterada: B(n, p, k )  B(n, p, k  1)
k

Que nos proporciona:


P( X  1)  B(n, p,1)  e
2
P( X  2)  B(n, p,2)  e 
2
...
k
P( X  k )  e 
k! 21
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

22
10 x 10
 Características de la distribución de
Poisson

Media P(X) = 0.5

  E (X )   .6
.4
.2
0 X
Desviación estándar 0 1 2 3 4 5

   P(X) = 6
.6
.4
Nota: el máximo de la distribución .2
se encuentra en x   0 X
0 2 4 6 8 10
23
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 = 

Distribución de Poisson para varios valores de . 24

 Si la probabilidad de fabricar un televisor defectuoso es
p = 0.01, ¿cuál es la probabilidad de que en un lote de 100
televisores contenga más de 2 televisores defectuosos?
La distribución binomial nos daría el resultado exacto:
  99    99   1    99   1 
100 99 98 2
100 100 100
P( A )  
c
             
 0  100   1  100   100   2  100   100 
 0.9206  n  x n x
p( x)    p q ( x  0,1,....n)
 x

El suceso complementario Ac: No más de 2 televisores

defectuosos puede aproximarse con una distribución de
Poisson con  = np = 1, sumando p(0) + p(1) + p(2).
1 μ x μ
P( A )  e (1  1  12 )  0.9197
c p ( x) 
x!
e ( x  0,1,....)
25
La señal 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.

Una distribución de Poisson μ x μ

p ( x)  e ( x  0,1,....)
con μ = 10. x!

P(7) = 107 e−10 / 7! = 0.09, es decir 9%

Parece muy baja. Comparemos con el valor de máxima
probabilidad que ocurrirá para x = 10:
μ = 10 P(10) = 1010 x e−10 / 10! = 0.125, es decir 12.5%
Las probabilidades poissonianas para un número de eventos
dado, son siempre pequeñas, incluso en el máximo de la
distribución de probabilidad.
26
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?

Si asumimos que un minuto puede dividirse en muchos

intervalos cortos de tiempo independientes y que la probabilidad
de que un coche entre en uno de esos intervalos es p – que para
un intervalo pequeño será también pequeño – podemos
aproximar la distribución a una Poisson con  = np = 2.

El suceso complementario “entran 3 coches o menos” tiene

probabilidad:
2 20
P( A )  p(0)  p(1)  p(2)  p(3)  e ( 
c
0!
21
1!  22
2!  )  0.857
23
3!

y la respuesta es 1 – 0.857 = 0.143 μ x μ

p ( x)  e ( x  0,1,....)
x! 27