5.

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.
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

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 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

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

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.

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).
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:
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

12
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)

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

Sir Francis Galton

(1822-1911) La vida y la obra de
Galton, as como el contexto histrico en que se
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
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

Calcula la probabilidad de obtener al menos dos seises al

lanzar un dado cuatro veces.
n k nk
P(k ) = p q
k

(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

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
3
10 - 3
p( 3 ) = (0.04) (1-0.04) = 0.043 0.967 = 0.006
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 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

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.
Supongamos que el primer jugador ha ganado k partidas
y el segundo j y se interrumpe el juego: Cmo debe
dividirse el total entre ambos jugadores?
Debemos calcular la probabilidad de que el primer jugador
gane N - k juegos, antes de que el segundo gane N - j.

P=

N j 1

n =0

Blaise Pascal
1623 - 1662

N k + n N k

p (1 p ) n
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!
x3
x1
x2
p( 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!
1
1
3
0.1 0.7 0.2 = 0.0112
p (1,3,1) =
1!.3!.1!

31

32

Cmo simular de manera sencilla en el ordenador

una variable aleatoria binomial X?
Sumando n variables aleatorias independientes
cuyos valores pueden ser 1 o 0, con probabilidad p
y 1-p respectivamente.
Y cmo simular una distribucin geomtrica de
parmetro p?
Una manera es generar una secuencia de nmeros
aleatorios en [0, 1) con la funcin rnd, y paramos
cuando obtengamos un nmero que no exceda a p,
que es el equivalente al primer xito.
El problema es que si p es pequeo, en promedio se
necesitan 1/p pasos de tiempo y se consume mucho
33
tiempo de cmputo.

Una forma alternativa con tiempo de cmputo

independiente del valor de p sera:
Sea q = 1- p y definamos la variable Y como el menor
entero que satisface:

1 q rnd
Y

Entonces tenemos:
i 1

P(Y = i ) = P (1 q rnd > 1 q )

i

=q

i 1

i 1

i 1

q = q (1 q ) = q p.
i

De modo que Y est distribuida geomtricamente

con parmetro p.
34

Para generar Y, basta con que despejemos de:

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 ?

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

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
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

Distribucin binomial negativa

(de Pascal o de Plya)
La distribucin binomial negativa tambin se puede definir
como el nmero de pruebas x hasta la aparicin de r xitos.
Como el nmero de pruebas x, en este caso, contabiliza
tanto los xitos como los fracasos se tendra segn sta
definicin que:

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

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
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

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
0.0005 + 0.0005 (0.9995) + 0.00053 (0.9995) =
1.249 x109
2
2
3

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.
Si una caja contiene N bolas de las cuales A son rojas, entonces
la probabilidad de escoger al azar una bola roja es: p = A/N.
Si repetimos el experimento sacando n bolas con reemplazo la
probabilidad de que x sean rojas es:

n A
P( x) =
x N

1
N

n x

( x = 0,1,....n)
(Una distribucin binomial)

44

Elegir al azar sin reemplazo

Elegir al azar sin reemplazo significa que no devolvemos
el elemento elegido al azar al conjunto. De modo que las
probabilidades de la siguiente eleccin dependen de las
anteriores.
Si repetimos el experimento anterior sacando n bolas sin
reemplazo, cul ser ahora la probabilidad de que x sean
rojas?

N
Casos posibles =
n

Para calcular los casos favorables observa que:

N = A + (N A). De las A bolas rojas tomaremos x y de
las N A bolas no rojas tomaremos n x.

45

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 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

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 3
p ( x) =
x 10

7

10

2 x

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

Escogemos sin reemplazo:

3 7

x 2 x

p( x) =
10

2

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

Considera los siguientes experimentos:

El nmero de clientes que llegan a la ventanilla de un banco a la hora.
El nmero de pacientes que ingresan en un da por urgencias en un
hospital.
El nmero de denuncias que se presentan diariamente en un juzgado.
El nmero de coches que circulan por una rotonda a la hora.
Las v.a. definidas en los ejemplos anteriores comparten las siguientes
caractersticas:

Todas ellas se refieren a contar el nmero de veces que un

determinado suceso ocurre en un periodo de tiempo determinado.
La probabilidad de que dicho suceso ocurra es la misma a lo largo del
tiempo. (si la unidad de tiempo es un da, la prob. de que el suceso en
cuestin ocurra es la misma para hoy, para maana, etc.)
El nmero de sucesos que ocurren en una unidad de tiempo es
independiente del nmero de sucesos que ocurren durante cualquier
otra unidad.

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.

Entonces X es una v.a. que sigue una distribucin de

Poisson.

Ejemplo: Sea X el nmero de clientes que han entrado

en una tienda de alimentacin a lo largo de un mes.
Para poder suponer que X sigue una distribucin de
Poisson tendramos que verificar que,
1) La probabilidad de entrar en la tienda es la misma a lo
largo del periodo (suponemos entonces, que no han
abierto/cerrado otras tiendas de la competencia, etc). Esto es
equivalente a comprobar que el nmero medio de clientes en
un mes es ms o menos constante.
2) Adems tiene que ocurrir que el nmero de clientes
en un determinado mes, por ejemplo, octubre, sea
independiente del nmero de clientes que hubo en otro mes,
por ejemplo, septiembre. (En este caso sera suponer que no
hay clientela fija).
3) Supongamos que el nmero medio de clientes es 400
al mes. Entonces si X es Poisson se ha de cumplir que el
nmero medio de clientes a los dos meses es 800 y el
nmero medio de clientes a la semana es 100.

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

Nota: el mximo de la distribucin

se encuentra en x

, x = 0 ,1,2 , ... > 0

=6

P(X)
.6
.4
.2
0

X
0

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.

Distribucin de Poisson para varios valores de .

56

El nmero medio de aviones que usan una pista de aterrizaje en

un aeropuerto es 2 cada media hora. Suponiendo que siguen una
ley de Poisson, cul es la probabilidad de que el nmero de
llegadas sea 5 o mayor? Cul es la probabilidad de que en un
cuarto de hora aterrizen ms de 4 aviones?

P(X 5) = 1 - [P(0) + P(1) + P(2) + P(3) + P(4)] =

1 - [e-2+2 e-2 +22 e-2/2 + 23 e-2/6 + 24 e-2/24] = .052.
Sea Y el nmero de aviones que aterrizan en esa pista cada
cuarto de hora. Entonces Y es una Poisson de parmetro 1.
Por tanto, P( Y > 4) = P(Y 5) = 1 - [P(Y=0) + P(Y=1) +
P(Y=2) + P(Y=3) + P(Y=4)] =1 - [e-1+1 e-1 +12 e-1/2 + 13 e1/6 + 14 e-1/24] =

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 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)

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,....)

58

59

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

60

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.

Goles en la liga espaola

Cuando escrib esto la ltima temporada de la que se tenan los datos completos era la 2008-09.
El mejor resumen de resultados lo encontr en La Vanguardia del 1 de junio del 2009. Tambin se
tiene una buena aproximacin si en vez de goles por equipo se toma como variable los goles por
partido. Los datos y grficos obtenidos, en formato Minitab, estn aqu.

Pere Grima, La certeza absoluta y otras ficciones RBA

61

El permetro torcico de los soldados

Las aportaciones de Quetelet y su estudio sobre el torax de los soldados estn
en el libro de Ian Hacking: "La domesticacin del azar", cap. 13. La cita que se
reproduce est en la pgina 164. [Arriba]

Ley de Stigler de los Epnimos

Stigler lo explica en el captulo 14 de su libro: "Statisitcs on the Table". Hay una
lista de ejemplos en la wikipedia:
http://en.wikipedia.org/wiki/List_of_examples_of_Stigler%27s_law

Pere Grima, La certeza absoluta y otras ficciones RBA

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?
Sea X = nmero de erratas en el libro.
Lo podemos interpretar como una binomial, entonces X es B(200,0.02).
Por tanto la prob. que nos piden:

200
0.023 0.98197 = 0.1973
P ( X = 3) =
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
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

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:
66

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):

(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)

Que nos proporciona:

P( X = 1) = B(n, p,1) = e
P( X = 2) = B(n, p,2) =

2
2

...
P( X = k ) =

k
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.
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.
69

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!

70

El nmero de enfermos que solicitan atencin de urgencia en un hospital

durante un periodo de 24 horas tiene una media de = 43,2 pacientes.
Unas obras en las instalaciones mermarn las capacidades de atencin
del servicio. Se sabe que colapsar si el nmero de enfermos excede de
50. Cual es la probabilidad de que colapse el servicio de urgencias del
hospital?

Bajo las condiciones del modelo de Poisson, se trata de una

distribucin P(43,2). La probabilidad solicitada es
Pr {X > 50} = 1 Pr {X <= 50} = 1 - F(50) = 0.13.
El responsable del servicio deber valorar si esta probabilidad es
lo suficientemente alta como para reforzar urgencias.

Cierta enfermedad tiene una probabilidad muy baja de ocurrir, p = 1/100.000.

Calcular la probabilidad de que en una ciudad con 500.000 habitantes haya ms de
3 personas con dicha enfermedad. Calcular el nmero esperado de habitantes que
la padecen.
Consideremos la v.a. X que contabiliza el nmero de personas que padecen la
enfermedad. Claramente sigue un modelo binomial, pero que puede ser
aproximado por un modelo de Poisson, de modo que:

As el nmero esperado de personas que padecen la enfermedad es

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.
0,0174

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.

Red bars: Leading digit histogram of a list of 201

physical constants in SI.

 d +1
P (d ) = log

Red bars: Leading digit histogram of a list of 201

physical constants in SI.
Grey bars: Benfords law

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

A fin de proteger su privacidad, PowerPoint bloque la descarga automtica de esta imagen.

5.761.455 primes

50.847.534 primes

455.052.511 primes

4.118.054.813 primes

Red bars: Leading digit histogram of the prime number sequence

in the interval [1,N].

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

Red bars: Leading digit histogram of a list of 201

physical constants in SI.
Grey bars: Benfords law

P( x) ~ x
10 k ( d +1)

10 k d

10 ( d + 1)
d +1
= log
x dx = log

k
d
10 d
1

Generalized Benford's Law (GBL)

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

Red bars: Leading digit histogram of the prime number sequence

in the interval [1,N]. Red bars: Generalized Benford's law.

1
(N ) =
Ln N a
a = 1.1 0.1

Why do prime number

sequence exhibit this
unexpected pattern in the
leading digit distribution?
New Pattern Found in Prime Numbers
May 8th, 2009 By Lisa Zyga
Physorg.com

"Me esperar a la pelcula,

a ver si entiendo algo :)"

The Counting Prime Function

( x) # of primes in the interval [ 2 ,x].

(25) = 9.

"For me, the smoothness with which this curve climbs

is one of the most astonishing facts in mathematics."
Don Zagier, "The first 50 million primes"
Mathematical Intelligencer, 0 (1977) 1-19

The logarithmic integral function Li(x)

Li ( x) =

du
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
lim
x

( x)
x / ln x

=1

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

A fin de proteger su privacidad, PowerPoint bloque la descarga automtica de esta imagen.

Conditions for conformance to GBL

Conditions for conformance to GBL

The primes counting function L(N)

N

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