You are on page 1of 97

1

-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.
5. Distribuciones discretas
-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
contradecir a nadie que tenga una navaja en mi cuello...
2
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 , 0 ) 1 ( ) (
1
= =

x p p x P
x x
Un tpico experimento de Bernoulli es el lanzamiento de
una moneda con probabilidad p para cara y (1-p) para cruz.
3
1 , 0 ) 1 ( ) (
1
= =

x p p x P
x x
Funcin de distribucin:

=
=
=
1 para , 1
0 para , 1
) (
x
x p
x F
4
Ejercicio: Calcular la esperanza y la varianza
de la distribucin de Bernoulli.
p X P X P
x X P x X E
x
= = + =
= = = =

=
) 1 ( 1 ) 0 ( 0
) ( ] [
1
0

) 1 (
) 1 ( 1 ) 0 ( 0
) ( ]) [ ( ] [ ) (
2
2 2 2
1
0
2 2 2 2
p p p p
p X P X P
p x X P x X E X E X Var
x
=
= = + = =
= = =

=
5
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:





( )
... , , , x
p p x X P p G
x
2 1 0
, 1 ) ( ) (
=
= = =
6
( )
... , , , x
p p x X P p G
x
2 1 0
, 1 ) ( ) (
=
= = =
p(x)
x
Funcin de distribucin:
1
0
) 1 ( 1 ) 1 ( ) (
+
=
= =

n
n
x
x
p p p n F
2
1
) (
1
) (
p
p
X Var
p
X E

=
=
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

125 1
(125;0.01) (1 0.01) 0.01 0.0029 fx

= =
10
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).


11
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.
2
) 1 ( 3 p p
) 1 ( 3
2
p p
12
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
ordenacin es p
x
q
n-x
y existen idnticas
ordenaciones.
|
|
.
|

\
|
x
n
13
La funcin de probabilidad P(X = x) ser
la distribucin binomial:
x n x x n x
p p
x n x
n
p p
x
n
x p p n B

=
|
|
.
|

\
|
= = ) 1 (
)! ( !
!
) 1 ( ) ( ) , (
Distribucin binomial para n =5 y
distintos valores de p, B(5, p)
14
16
Caractersticas de la distribucin
binomial
n = 5 p = 0.1
n = 5 p = 0.5
Media
= E(X) = n p
= 5 0.1 =0.5
= 5 0.5 = 0.25
Desviacin estndar
0
.2
.4
.6
0 1 2 3 4 5
X
P(X)
.2
.4
.6
0 1 2 3 4 5
X
P(X)
0
1 . 1 ) 5 . 0 1 ( 5 . 0 5
67 . 0 ) 1 . 0 1 ( 1 . 0 5
) 1 (
= =
= =
=

p np
18
19
Tablero de Galton
o quincunx
Sir Francis Galton
(1822-1911)
Quincunx
20
Cul es la probabilidad de que en una familia de 4 hijos exactamente 2
sean nias?
2 4 2
) 5 0 1 ( 5 0
2
4
) 2 (
2 4 5 0
) 1 ( ) (
-
x n x
. - . p
x ; n ; . p
p p
x
n
x p
|
|
.
|

\
|
=
= = =

|
|
.
|

\
|
=

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?

92 8
) 1 0 1 ( 1 0
8
100
) 8 (
8 100 1 0
) 1 ( ) (
. - . p
x ; n ; . p
p p
x
n
x p
x n x
|
|
.
|

\
|
=
= = =

|
|
.
|

\
|
=

|
|
.
|

\
|
=

|
|
.
|

\
|
=
8
0
100
8
0
9 . 0 1 . 0
100
) 1 ( ) 8 (
x
x x
x
x n x
x
p p
x
n
x p
21
Calcula la probabilidad de obtener al menos dos seises al
lanzar un dado cuatro veces.
p = 1/6, q = 5/6, n = 4
4 3 2 2
6
1
4
4
6
5
6
1
3
4
6
5
6
1
2
4
|
.
|

\
|
|
|
.
|

\
|
+
|
.
|

\
|
|
.
|

\
|
|
|
.
|

\
|
+
|
.
|

\
|
|
.
|

\
|
|
|
.
|

\
|
=
132 . 0
1296
171
) 1 5 4 25 6 (
6
1
4
= = + + =
Al menos dos seises, implica que nos valen k = 2, 3, 4.
P(2) + P(3) + P (4)
) ,.... 1 , 0 ( ) ( n k q p
k
n
k P
k n k
=
|
|
.
|

\
|
=

22
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

?
. . . . - . ) p(
x ; n ; . p
p p
x
n
x p
-
x n x
006 0 967 0 043 0 ) 04 0 1 ( ) 04 0 (
3
10
3
3 10 04 0
) 1 ( ) (
3 10 3
= =
|
|
.
|

\
|
=
= = =

|
|
.
|

\
|
=

28
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?
08 . 0 ) 1 (
6
5
0
3
1
6
5
6
1
1
3
2
6
5
6
1
2
3
3
6
5
6
1
3
3
3 2 1
2 0 3
=
|
.
|

\
|
|
|
.
|

\
|
+
|
.
|

\
|
|
.
|

\
|
|
|
.
|

\
|
+

|
.
|

\
|
|
.
|

\
|
|
|
.
|

\
|
+
|
.
|

\
|
|
.
|

\
|
|
|
.
|

\
|
=
29
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?
Blaise Pascal
1623 - 1662
NACIMIENTO DE LA TEORIA DE PROBABILIDADES

|
|
.
|

\
|

+
=
1
0
) 1 (
j N
n
n k N
p p
k N
n k N
P
Debemos calcular la probabilidad de que el primer jugador
gane N - k juegos, antes de que el segundo gane N - j.
De modo que el primer jugador debera llevarse un porcentaje P del
premio y el segundo (1-P).
30
Distribucin multinomial
Podemos generalizar la distribucin binomial cuando hay
ms de dos acontecimientos posibles (A
1
, A
2
, A
3
...) con
probabilidades p
1
, p
2
, p
3
... constantes y tales que:


.... . .
!.. ! !
!
...) , , (
3 2 1
3 2 1
3 2 1
3 2 1
x x x
p p p
x x x
n
x x x p =
1 =

i
i
p
31
0112 . 0 2 . 0 7 . 0 1 . 0
! 1 !. 3 !. 1
! 5
) 1 , 3 , 1 (
3 1 1
= = p
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 ?
32
33
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
tiempo de cmputo.

34
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:
rnd q
Y
1
. ) 1 (
) 1 1 ( ) (
1 1 1
1
p q q q q q
q rnd q P i Y P
i i i i
i i

= = =
> = =
Entonces tenemos:
De modo que Y est distribuida geomtricamente
con parmetro p.
35
Para generar Y, basta con que despejemos de:
rnd q
Y
1
|
|
.
|

\
|

=
q Ln
rnd Ln
Y
) 1 (
int
36
1
1
95 . 0
1
1

= =

=

q
q
p
n
n
x
x
pq
1 9 . 0 95 . 0 ) 1 9 . 0 ( 95 . 0
1 9 . 0
1 9 . 0
1 . 0 95 . 0 + = =

=
n n
n
29 4 . 28
9 . 0 ln
05 . 0 ln
9 . 0 ln 05 . 0 ln 9 . 0 05 . 0 = = = = n n
n
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 ?
37
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:





( )
... , , , x
p p
x
r x
x X P p r BN
x
r
2 1 0
, 1
1
) ( ) , (
=

|
|
.
|

\
|
+
= = =
Se denomina binomial negativa porque los coeficiente provienen de
la serie binomial negativa:
-x -x
-q p ) 1 ( =
El ltimo tiene que ser un xito.
38
Distribucin binomial negativa
(de Pascal o de Plya)
( )
... r , r r, x
p p
r
x
x X P p r BN
r x
r
, 2 1
, 1
1
1
) ( ) , (
+ + =

|
|
.
|

\
|

= = =

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:
2
( ) /
(1 )
( )
E X r p
r p
Var X
p
=

=
39
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
x
x X P p r BN
x
, 4 3 2
, 25 . 0 1 25 . 0
1 2
1
) ( ) 25 . 0 , 2 (
2
2
=

|
|
.
|

\
|

= = = = =

x
P(x)
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?
( ) 3/0.0005 6000 E x h = =
3 3 3 9
( 5) ( 3) ( 4) ( 5)
3 4
0.0005 0.0005 (0.9995) 0.0005 (0.9995) 1.249 10
2 2
P x P X P X P X
x

= = + = + =
| | | |
+ + =
| |
\ . \ .
a)
b)
44
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:
) ,.... 1 , 0 ( 1 ) ( n x
N
A
N
A
x
n
x P
x n x
=
|
.
|

\
|

|
.
|

\
|
|
|
.
|

\
|
=

(Una distribucin binomial)
45
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?
posibles Casos
|
|
.
|

\
|
=
n
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.
46
Distribucin hipergeomtrica
) ..., , 1 , 0 ( ) ( ) , , ( n x
n
N
x n
A N
x
A
x P A N n H =
|
|
.
|

\
|
|
|
.
|

\
|

|
|
.
|

\
|
= =
|
|
.
|

\
|

|
|
.
|

\
|
=
=
|
|
.
|

\
|

=
|
|
.
|

\
|
x n
A N
x
A
A N x n
x n
A N
A x
x
A
favorables Casos
de rojas no bolas tomar de formas diferentes
de rojas bolas tomar de formas diferentes
47
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:
09 . 0 ) 2 ( , 42 . 0 ) 1 ( , 49 . 0 ) 0 ( ,
10
7
10
3
2
) (
2
= = =
|
.
|

\
|
|
.
|

\
|
|
|
.
|

\
|
=

p p p
x
x p
x x
07 . 0
45
3
) 2 ( 47 0
45
21
) 1 ( ) 0 (
2
10
2
7 3
) ( = = =
|
|
.
|

\
|
|
|
.
|

\
|

|
|
.
|

\
|
= p , . p p
x x
x p
Escogemos sin reemplazo:
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:
3 2
2 0
3
(2) 0.3
5
10
2
f
| || |
| |
\ .\ .
= = =
| |
|
\ .

Tenemos N = 5, n = 2, A = 3 y x = 2:
49
Hipergeomtrica
N = 24
X = 8
n = 5
Binomial
n = 5
p = 8/24 =1/3
x
Error
0 0.1028 0.1317
-0.0289
1 0.3426 0.3292
0.0133
2 0.3689 0.3292
0.0397
3 0.1581 0.1646
-0.0065
4 0.0264 0.0412
-0.0148
5 0.0013 0.0041
-0.0028
P(x) P(x)
N = 240
X = 80
n = 5
n = 5
p = 80/240 =1/3
x P(x) Error
0 0.1289 0.1317 -0.0028
1 0.3306 0.3292 0.0014
2 0.3327 0.3292 0.0035
3 0.1642 0.1646 -0.0004
4 0.0398 0.0412 -0.0014
5 0.0038 0.0041 -0.0003
P(x)
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.
51
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:







0 2 1 0 ,
!
) ( > = =

... , , , x
x
e
x p
x
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.
donde np =
52
Caractersticas de la distribucin de
Poisson
= 0.5
= 6
1 2 3 4 5
X
2 4 6 8 10
X
Media
Desviacin estndar


E X = =
=
( )
0
.2
.4
.6
0
P(X)
0
.2
.4
.6
0
P(X)
Nota: el mximo de la distribucin
se encuentra en x
0 2 1 0 ,
!
) ( > = =

... , , , x
x
e
x p
x
53
Distribucin de Poisson para varios valores de .
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 =

54
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?
El suceso complementario A
c
: No ms de 2 televisores
defectuosos puede aproximarse con una distribucin de
Poisson con = np = 1, sumando p(0) + p(1) + p(2).
9197 . 0 ) 1 1 ( ) (
2
1
1
= + +

e A P
c
,....) 1 , 0 (
!

) (

x
= =

x e
x
x p
La distribucin binomial nos dara el resultado exacto:
9206 . 0
100
1
100
99
2
100
100
1
100
99
1
100
100
99
0
100
) (
2 98 99 100
=
|
.
|

\
|
|
.
|

\
|
|
|
.
|

\
|
+
|
.
|

\
|
|
.
|

\
|
|
|
.
|

\
|
+
|
.
|

\
|
|
|
.
|

\
|
=
c
A P
) ,.... 1 , 0 ( ) ( n x q p
x
n
x p
x n x
=
|
|
.
|

\
|
=

55
56
Bombas sobre Londres en la II Guerra Mundial (Feller)
10 x 10
400 bombas
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:
!
4
) (
4
x
e
x p
x
=
Observado
Predicho
58
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:
59
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:
n
n
n
p p n B X P
|
.
|

\
|
= = = =

1 ) 1 ( ) 0 , , ( ) 0 (
Observa que para n grande P(X = 0) es aproximadamente e
-
.
Adems para n grande (y por tanto p muy pequeo):
k p k
p k
k p n B
k p n B


=
) 1 (
) 1 (
) 1 , , (
) , , (
60
) 1 , , ( ) , , (
) 0 , , (
=
=

k p n B
k
k p n B
e p n B

Tenemos entonces
la siguiente ecuacin
iterada:

= =
= = =
= = =
e
k
k X P
e p n B X P
e p n B X P
k
!
) (
...
2
) 2 , , ( ) 2 (
) 1 , , ( ) 1 (
2
Que nos proporciona:
61
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.
P(7) = 10
7
e
10
/ 7! = 0.09, es decir 9%
Parece muy baja. Comparemos con el valor de mxima
probabilidad que ocurrir para x = 10:
= 10 P(10) = 10
10
x e
10
/ 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.
,....) 1 , 0 (
!

) (

x
= =

x e
x
x p
Una distribucin de Poisson
con = 10.
62
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.
y la respuesta es 1 0.857 = 0.143
El suceso complementario entran 3 coches o menos tiene
probabilidad:
857 . 0 ) ( ) 3 ( ) 2 ( ) 1 ( ) 0 ( ) (
! 3
2
! 2
2
! 1
2
! 0
2
2
3 2 1 0
= + + + = + + +

e p p p p A P
c
,....) 1 , 0 (
!

) (

x
= =

x e
x
x p
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.
299.959 0,0174
| | m x d
m m x x
n
=
< =
+
) (
10 1 , 10 ,
2,99959 10
5
[2,99959] = 2
1,74 10
-2

[1,74] = 1
Note on the frequency of use of the
different digits in natural numbers.
Amer. J . Math. 4 (1881) 39-40.
Simon Newcomb
(1835-1909).
Red bars: Leading digit histogram of a list of 201
physical constants in SI.
|
.
|

\
|
+
=
d
d
d P
1
log ) (
Red bars: Leading digit histogram of a list of 201
physical constants in SI.
Grey bars: Benfords law
The law of
anomalous numbers.
Proc. Am. Philos. Soc.
78 (1938) 551-538.
Frank Benford
Probable Error
1011 4.7 4.9 5.1 6.4 8.0 9.4 12.4 18.5 30.6 Average
418 4.1 4.8 7.2 6.5 6.7 9.4 15.7 18.6 27.0 Death Rate
900 5.5 7.1 6.8 8.8 8.5 10.0 12.0 16.0 25.3 ,
342 5.0 5.0 5.6 6.4 8.5 8.8 12.6 19.2 28.9 Addresses
1165 5.4 4.7 5.2 7.0 6.6 8.7 14.1 17.3 31.0 Blackbody
1458 3.0 5.6 4.9 6.4 7.4 9.8 12.6 17.6 32.7 Am. League
707 4.8 5.8 5.1 7.4 8.1 9.0 14.4 17.5 27.9 X-Ray Volts
741 3.1 5.5 4.7 5.5 9.8 10.1 10.1 18.8 32.4 Cost Data
308 4.2 4.9 5.5 6.5 7.1 7.5 12.4 18.5 33.4 Reader's Digest
560 5.6 7.3 7.0 8.4 8.3 7.5 14.3 14.8 26.8 Design
5000 8.9 8.0 7.2 6.8 6.6 6.8 9.7 20.3 25.7 ,
91 5.5 4.4 3.3 4.4 6.6 4.4 5.5 18.7 47.2 Atomic Wgt.
159 1.9 2.5 5.0 5.0 8.2 12.6 13.8 23.9 27.1 Drainage
1800 3.2 2.8 4.1 5.1 6.7 10.8 15.4 25.2 26.7 Mol. Wgt.
690 3.6 5.1 5.1 7.0 8.1 10.8 11.9 18.4 30.0 H.P. Lost
703 4.7 4.4 5.7 6.4 8.3 9.8 12.8 18.3 29.6 Pressure
1389 4.1 4.8 3.2 4.1 10.6 14.6 16.2 18.4 24.0 Specific Heat
100 5.0 5.0 6.0 6.0 8.0 10.0 12.0 18.0 30.0 Newspapers
104 10.6 2.9 1.0 5.8 10.6 8.6 4.8 14.4 41.3 Constants
3259 2.2 3.7 4.1 6.2 7.2 8.1 14.2 20.4 33.9 Population
335 5.1 4.2 5.5 8.6 7.2 11.3 10.7 16.4 31.0 Rivers, Area
Sampls 9 8 7 6 5 4 3 2 1 Title
No se puede mostrar la imagen en este momento.
Red bars: Leading digit histogram of the prime number sequence
in the interval [1,N].
5.761.455 primes
455.052.511 primes
50.847.534 primes
4.118.054.813 primes
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
d
d P
1
log ) (
Red bars: Leading digit histogram of a list of 201
physical constants in SI.
Grey bars: Benfords law
Scale
invariance
|
.
|

\
|
+
=
|
|
.
|

\
|
+
=

+

d
d
d
d
dx x
k
k
d
d
k
k
1
log
10
) 1 ( 10
log
) 1 ( 10
10
1
1
~ ) (

x x P
{ }

=
1 1
1
) 1 (
1 10
1
) ( d d d P
9 / 1 ) ( lim
9 , ... , 2 , 1 ; 1
0
=
=

d P
d

Generalized Benford's Law (GBL)


{ }

+

+

1 1
1
) 1 ( 10
10
) 1 (
1
) 10 (
d d dN x
k
d
d
k
k

x x P ~ ) (
Red bars: Leading digit histogram of the prime number sequence
in the interval [1,N]. Red bars: Generalized Benford's law.
5.761.455 primes
455.052.511 primes
50.847.534 primes
4.118.054.813 primes
1 . 0 1 . 1
1
) (
=

=
a
a N Ln
N
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
. 2 interval in the primes of # ) ( ,x] [ 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
" within the accuracy of our picture, the two coincide exactly."
Don Zagier, "The first 50 million primes"
Mathematical Intelligencer, 0 (1977) 1-19

The logarithmic integral function Li(x)

=
x
u Ln
du
x Li
2
) (
Prime Number Theorem
Valee Poussin and Hadamard (1896)
x
x
x
ln
~ ) (
1
ln /
) (
lim =

x x
x
x

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
No se puede mostrar la imagen en este momento.
Conditions for conformance to GBL
Conditions for conformance to GBL
dx x N e N L
N
cte
N


=
) (
) ( ) (

The primes counting function L(N)


a N Ln
N
N
N
N e
N L
N

=

1
) ( with
) ( 1
) (
) (
) ( 1


Minimum for a = 1
97

You might also like