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

Un tpico experimento de Bernoulli es el lanzamiento de

una moneda con probabilidad p para cara y (1-p) para
cruz.

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

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

x 0

0 P ( X 0) 1 P ( X 1) p
2

p p p (1 p )
2

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.

Si A tiene probabilidad p (probabilidad de xito) 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 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

Supongamos que el experimento consta de n

intentos y definamos la variable aleatoria:
X = Nmero de veces que ocurre A.
En nuestro ejemplo: X = Nmero 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
n
x n-x
ordenacin es p q y existen x idnticas

7
ordenaciones.

La funcin de probabilidad P(X = x) ser

la distribucin binomial:

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)

Ejercicio:
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;

x2

4
2
4- 2

p( 2 ) ( 0.5 ) ( 1-0.5 )
2

10

Ejercicio:
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?

n x
n x
p(x) p ( 1 p)
x
p 0.1;

n 100;

x 8

100
( 0.1 )8( 1-0.1 )92
p( 8 )
8
11

Y si la pregunta es 8 como mximo?

n x
p(x 8 ) p ( 1 p)n x
x 0 x
8

100
(0.1) x ( 0.9 )100 x

x
x 0
8

12

Calcula la probabilidad de obtener al menos dos seises al

lanzar un dado cuatro veces.

p = 1/6, q = 5/6, n = 4

n k nk
P (k ) p q
k

(k 0,1,....n)

Al menos dos seises, implica que nos valen k = 2, 3, 4.

P(2) + P(3) + P (4)
2

4 1 5
4 1 5 4 1

2 6 6
3 6 6 4 6

1
171
4 (6 25 4 5 1)
0.132
6
1296

13

Caractersticas de la distribucin
binomial
Media
= E(X) = n p
= 5 0.1 = 0.5
= 5 0.5 = 0.25

.6
.4
.2
0

P(X)

X
0

Desviacin estndar

np (1 p)
5 0.1 (1 0.1) 0.67
5 0.5 (1 0.5) 1.1

.6
.4
.2
0

n = 5 p = 0.1

P(X)

n = 5 p = 0.5
X

5
14

Distribucin hipergeomtrica
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
Casos favorables
x

N A

nx

H (n, N , A) P( x)

A

x

N A

nx
N

n

( x 0,1, ..., n)
15

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:

p ( x)

3 7

10 10

2 x

, p (0) 0.49, p (1) 0.42, p ( 2) 0.09

Escogemos sin reemplazo:

p( x)

3

x

2 x
10

2

21
3
p (0) p (1)
0.47 , p (2)
0.07
45
45
16

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.
17

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
p( x)
, x 0 ,1,2 , ... 0
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
18
binomial, son las distribuciones ms utilizadas.

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.

Usemos la distribucin binomial para modelar el

proceso. Podemos dividir el intervalo de tiempo en el
que ocurre el proceso en n subintervalos suficientemente
pequeos, 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 fotn 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 producirn t ocurrencias en un intervalo de

tiempo t. Si este intervalo se divide en n subintervalos,
entonces esperaramos en promedio (usando Bernoulli):
np ocurrencias. As: t = np, p = t / n.
Sin prdida de generalidad supongamos que t = 1 y que X
es la variable aleatoria = nmero total de ocurrencias.
Sabemos que:

P ( X 0) B (n, p,0) (1 p ) 1
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

20

Tenemos entonces
la siguiente ecuacin
iterada:

B ( n, p , 0) e

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)

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

22

Caractersticas de la distribucin de
Poisson
Media
E (X )
Desviacin estndar

.6
.4
.2
0

Nota: el mximo de la distribucin

se encuentra en x

X
0

.6
.4
.2
0

= 0.5

P(X)

= 6

P(X)

X
0

10
23

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).

n p =

Distribucin de Poisson para varios valores de .

24

Si la probabilidad de fabricar un televisor defectuoso es

p = 0.01, cul es la probabilidad de que en un lote de 100
televisores contenga ms de 2 televisores defectuosos?
La distribucin binomial nos dara el resultado exacto:
100 99
c

P ( A )

0 100

100

100 99

1 100

0.9206

99

100

100 99

2 100

n x n x
p ( x) p q
x

98

100

( x 0,1,....n)

El suceso complementario Ac: No ms de 2 televisores

defectuosos puede aproximarse con una distribucin de
Poisson con = np = 1, sumando p(0) + p(1) + p(2).
1

P( A ) e (1 1 12 ) 0.9197
c

x
p( x)
e
x!

( x 0,1,....)

25

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.
Una distribucin de Poisson
con = 10.
P(7) = 107 e10 / 7! = 0.09, es decir

x
p( x)
e
x!

( x 0,1,....)

9%

Parece muy baja. Comparemos con el valor de mxima

probabilidad que ocurrir para x = 10:
= 10

P(10) = 1010 x e10 / 10! = 0.125, es decir 12.5%

Las probabilidades poissonianas para un nmero de eventos

dado, son siempre pequeas, incluso en el mximo de la
distribucin de probabilidad.
26

Si en promedio, entran 2 coches por minuto en un garaje, cul

es la probabilidad de que durante un minuto entren 4 o ms
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 pequeo ser tambin pequeo podemos
aproximar la distribucin a una Poisson con = np = 2.
El suceso complementario entran 3 coches o menos tiene
probabilidad:
2 2 0
0!

P( A ) p (0) p (1) p (2) p (3) e (

c

y la respuesta es 1 0.857 = 0.143

22
2!

) 0.857

x
p( x)
e
x!

( x 0,1,....)

21
1!

23
3!

27