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 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)

Tablero de Galton
o quincunx

Quincunx

Sir Francis Galton

(1822-1911)
10

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

11

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
12

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

13

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

14

Ejercicio:
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;

x3

10
3
10 - 3
p( 3 ) ( 0.04 ) ( 1-0.04 ) 0.043 0.967 0.006
3
15

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

3 1 5
3 1 5
3 2
3 6 6
2 6 6
1

3 1 5
3 5
1 (1) 0.08
1 6 6
0 6
16

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
17

18

Distribucin multinomial
Cuando hay ms de dos acontecimientos posibles (A1, A2,
A3 ...) con probabilidades p1 , p2 , p3 ... constantes y
tales que:

pi 1
i

x1 x2 x3
n!
p ( x1 , x2 , x3 ...)
p1 . p 2 . p3 ....
x1! x2 ! x3!..

19

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
p (1,3,1)
0.1 0.7 0.2 0.0112
1!.3!.1!

20

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 , ...
21

p(x)

G ( p ) P ( X x ) 1 p p ,
x 0 ,1, 2 , ...
x

x
Funcin de distribucin:
n

F (n) (1 p ) p 1 (1 p )
x

n 1

x 0

22

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
23
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

i 1

i 1

i 1

q q (1 q ) q p.
i

De modo que Y est distribuida geomtricamente

con parmetro p.
24

Para generar Y, basta con que despejemos de:

1 q rnd
Y

Ln (1 rnd )

Y int
Ln q

25

26

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

0.9 n 1
0.95 0.1.
0.95 (0.9 n 1) 0.95 0.9 n 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

27

Distribucin binomial negativa

(de Pascal o de Plya)

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

28

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
xr
p 1 p ,
BN (r , p) P( X x)
r 1
x r, r 1, r 2, ...
29

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)

30

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:
x

n A
A
P ( x)
1
N
x N

n x

( x 0,1,....n)
(Una distribucin binomial) 31

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.
32

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)
33

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
34

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.
35

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
36
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:
37

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

38

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!

39

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

40

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
41

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 .

42

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,....)

43

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.
44

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!

45

46

Ley de Benford

47

Primer dgito significativo

0,0174

299.959

x , x m 10 , 1 m 10
d ( x) m
n

2,99959 10
[2,99959] = 2
5

1,74 10-2
[1,74] = 1
48

Las barras negras representan las frecuencias de

aparicin como primer dgito significativo
(d = 1,2,3,...,9) en una lista de N = 201 constantes
fsicas.

49

Leading digit Probability

1

30.1 %

17.6 %

12.5 %

9.7 %

7.9 %

6.7 %

5.8 %

5.1 %

4.6 %

En barras blancas aparecen las frecuencias de aparicin

como primer dgito de los nmeros 1 a 9 en el tamao en
bytes de N = 1.295.777 ficheros.
50

Simon Newcomb
(1835-1909).
Note on the frequency of use of the
different digits in natural numbers.
Amer. J. Math. 4 (1881) 39-40.

d 1
P (d ) log

51

Frank Benford

The law of anomalous

numbers.
Proc. Am. Philos. Soc.
78 (1938) 551-538.

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

Title

Probable Error

52

53

Las barras representan las frecuencias de aparicin como primer dgito

de los nmeros 10 a 99 en los N = 1.295.777 ficheros medidos. La lnea
continua representa la ley de Benford generalizada para dos dgitos.
54

Invarianza de base y de escala

en la densidad de probabilidad
Theodore Hill

Invarianza de escala

Invarianza de base

No toda lista de nmeros que cumple la Ley de Benford proviene

de una distribucin invariante de escala. Pero seguro que es
invariante de base.

55

Procesos multiplicativos

56

 = -1
5 dcadas

5 dcadas

57

Para una lista de nmeros que siga una distribucin de

probabilidad en forma de ley de potencias N-1, tendremos
que la probabilidad del primer dgito significativo es
independiente de la dcada y sigue la ley de Benford:
10 k ( d 1)

10 k d

N 1dN Ln10 k ( d 1) Ln10 k d

10 k ( d 1)
d 1
Ln
Ln

k
10 d
d

Normalizando:

d 1
P (d ) log

58

The demonstration of Benfords Law (and also for the distribution of the second
digit) was done in 1996 by Professor Theodore Hill (School of
Mathematics, Center for Applied Probability, Georgia Institute of Technology) in his
article: A Statistical Derivation of the Significant Digit law.
Hill later showed there was a kind of central limit theorem that applied to a wide
variety of distributions--that combinations of distributions tend towards the
59
distribution predicted by Benfords law even when the original distributions do not [