Teoría Estadística 2
Tema 3.1: Distribuciones Discretas
MSc. Esteban Michel
1. Introducción
● Avancemos más en nuestro análisis
● En Estadística Inferencial, podemos entender que tenemos distintas observaciones, mejor dicho, variables
aleatorias:
● Pero todo esto tiene una específica distribución
● La idea es como podemos discutirlo:
○ Usualmente debemos adecuar la distribución de nuestras respuestas a una distribución conocida
○ Entonces usamos distintas distribuciones conocidas
○ Hay muchas distribuciones en el mundo, pero usaremos las más conocidas
1. Introducción
● Tenemos varias familias de distribuciones que tienen las distintas características:
○ estas pueden ser discretas o continuas
○ en caso de discretas: pueden ser finitas o infinitas
○ en caso de continuas: ver los distintos sets de valores (todos los valores reales, x>0, 0<x<1)
○ ver la simetría existente
● Pero cómo podemos utilizarlos?
○ Primero, escogemos qué familia de distribuciones se asemeja a mi muestra
○ Utilizamos datos observables para estimar parámetros de esa distribución
○ Hacemos inferencia de los datos
● Comencemos con las distribuciones discretas:
○ Discreta Uniforme
○ Bernoulli
○ Binomial
○ Poisson
2. Distribución Discreta Uniforme
● Supongamos una variable aleatoria X que tiene k posibles valores (k = 1,2,3,4) tiene una Distribución
Discreta Uniforme si todos los valores tienen una misma probabilidad
● Un ejemplo simple de esta distribución son los valores que obtienes cuando lanzas un dado
● Pero calculemos lo que hicimos en el anterior tema:
○ CDF
○ Esperanza Matemática
○ Varianza
2. Distribución Discreta Uniforme
Ejemplo:
● Una compañía de software ha desarrollado un nuevo juego de dados en el que los jugadores deben lanzar un
dado especial que tiene k=6 caras numeradas del 1 al 6. Se sabe que la probabilidad de obtener cualquiera
de las caras es igual, es decir, la distribución de los resultados es uniforme discreta.
○ ¿Cuál es la probabilidad de que al lanzar el dado, salga un número mayor que 4?
○ Calcula la esperanza matemática (valor esperado) del número que aparece en un solo lanzamiento del
dado.
○ Calcula la varianza del número que aparece en un solo lanzamiento del dado.
3. Distribución Bernoulli
● Un Bernoulli (o un experimento de Bernoulli) es aquel que tiene 2 posibles eventos: éxito y fracaso
● Normalmente los nombraremos como 1 qué es éxito y 0 que es fracaso
● Ejemplos: de acuerdo/desacuerdo, hombre/mujer, empleado/desempleado, etc.
● Una Distribución de Bernoulli es aquella que solo muestra 1 evento o experimento, no más.
● Podemos ver que tiene la siguiente PMF
● Donde P(x=1) es π, y P(x=0) es 1 - π
● Podemos escribirlo igualmente:
3. Distribución Bernoulli
Ejemplo:
● Una máquina en una fábrica tiene una probabilidad de π=0.8 de producir una pieza defectuosa en cada
intento. Se considera que la variable aleatoria X toma el valor 1 si la pieza es defectuosa (éxito) y 0 si la
pieza no es defectuosa (fracaso).
○ Escribe la función de masa de probabilidad p(x) para esta variable aleatoria X
○ Calcula la probabilidad de que una pieza seleccionada al azar sea defectuosa.
○ Calcula la esperanza matemática (valor esperado) de X.
○ Calcula la varianza de X
○ Determina la CDF
4. Distribución Binomial
● El momento que podemos tener más de un Bernoulli, podemos tener una Distribución Binomial
● Podemos ver que en cada evento o experimento:
○ En cada prueba, la probabilidad de éxito es π
○ Cada prueba es un evento estadísticamente independiente
● Definimos a X como el número de éxitos de n intentos.
● X sigue una Binomial con parámetros n y π donde n>0 y 0<π<1
● Por ende, tenemos la siguiente PMF
4. Distribución binomial
Reglas de una distribución binomial:
1. El procedimiento tiene un número fijo de ensayos. (Un ensayo es una sola observación).
2. Los ensayos son independientes, lo que significa que el resultado de cualquier ensayo individual no
afecta las probabilidades en los otros ensayos.
3. Cada ensayo debe tener todos los resultados clasificados en exactamente dos categorías, comúnmente
llamadas éxito y fracaso.
4. La probabilidad de un éxito se conserva igual en todos los ensayos.
18
4. Distribución Binomial
Ejemplo:
● James está tomando un examen de opciones múltiples que tiene 4 preguntas, y cada pregunta tiene 4 opciones
posibles. James no tiene idea de cuál es la respuesta correcta, por lo que elige una respuesta al azar para cada
pregunta. La probabilidad de que James elija la respuesta correcta para cualquier pregunta es π=0.25.
● La variable aleatoria X representa el número de respuestas correctas que James obtendrá en su examen. Dado que X
sigue una distribución binomial con n=4 y π=0.25.
○ Escribe la fórmula de la PMF para 𝑋
○ Calcula la probabilidad de que James acierte exactamente 2 preguntas de las 4.
○ Calcula la esperanza matemática (valor esperado) del número de respuestas correctas que James obtendrá.
○ Calcula la varianza del número de respuestas correctas que James obtendrá.
○ Calcula la CDF de X para x=3, es decir, la probabilidad de que James acierte 3 o menos preguntas.
4. Distribución Binomial
4. Distribución Binomial
Ejemplo:
● Luciana y Gabriel realizan una encuesta para saber si a los consumidores les gusta su nuevo producto, unos vapes
que contienen vitamina A y C. La probabilidad de que a un consumidor le guste el producto es del 60% (p=0.6).
La empresa encuesta a 10 consumidores (n=10).
● ¿Cuál es la probabilidad de que exactamente 6 consumidores digan que les gusta el producto?
● ¿Cuál es la probabilidad de que al menos 8 consumidores digan que les gusta el producto?
● Calcula la Esperanza Matemática y Varianza
5. Distribución Poisson
● Una vez ya vistas las dos distribuciones más utilizadas, tanto la base que es la de Probabilidad, como la Binomial,
debemos concluir con otra muy utilizada, la de Poisson
● La distribución de Poisson lleva el nombre del matemático francés Siméon-Denis Poisson, quien la introdujo en su
trabajo en 1837.
● Poisson la desarrolló en el marco de su estudio sobre la teoría de probabilidades y la aplicación de las matemáticas a
la física.
● La distribución apareció en su libro "Recherches sur la probabilité des jugements en matières criminelles et matière
civile".
5. Distribución Poisson
● Es una distribución de probabilidad discreta que describe el número de eventos que ocurren en un
intervalo fijo de tiempo o espacio.
● Es adecuada para modelar eventos que ocurren de manera independiente y con una tasa constante.
● Algunas aplicaciones que tenemos para esta distribución son:
○ Número de llamadas telefónicas recibidas por un Call-Center en una hora.
○ Número de autos que pasan por el peaje de Malasilla en el día
○ Número de usuarios que entran a TikTok en un minuto
○ Número de perritos que van a un veterinario
5. Distribución Poisson
● Una distribución de probabilidad de Poisson es una distribución de probabilidad discreta que se aplica a
las ocurrencias de algún evento en un intervalo especificado.
● Nuestra variable aleatoria, X, es las ocurrencias que este evento haya sucedido en ese intervalo de
tiempo [o distancia, volumen, etc.]
● La PMF es la siguiente:
● Podemos definir entonces:
5. Distribución Poisson
5. Distribución Poisson
Ejemplo:
● Los clientes llegan a un banco en las tardes de los días laborales de manera aleatoria a una tasa
promedio de 1.6 clientes por minuto. Sea X el número de llegadas por minuto y Y el número de llegadas
por 5 minutos.
● Asumimos una distribución de Poisson para ambos, tal que:
● ¿Cuál es la probabilidad de que no llegue ningún cliente en un intervalo de un minuto?
● ¿Cuál es la probabilidad de que más de dos clientes lleguen en un intervalo de un minuto?
● ¿Cuál es la probabilidad de que no lleguen más de 1 cliente en un intervalo de cinco minutos?
6. Aproximación Poisson a la Binomial
● Algunas de las distribuciones tienen una conexión
● Un ejemplo es que una Bernoulli de más de un intento es un Binomial
● Pero también podemos aproximar una distribución Poisson a una Binomial
● Para eso necesitamos que:
○ X se aproxime a una Binomial [duh]
○ n sea grande
○ π sea pequeña
● Si tenemos esa función, podemos decir que:
λ = nπ
● Ejemplo: Supongamos que queremos calcular cuantas muertes hubo por golpe de pata de caballo [si,
efectivamente eso]. Tenemos una muestra de 5000 y la incidencia de este evento es de 0.7
6. Aproximación Poisson a la Binomial
6. Aproximación Poisson a la Binomial
Ejemplo:
● Supongamos que en una fábrica de tornillos, cada tornillo producido tiene una probabilidad de 0.01 de
ser defectuoso. La fábrica produce 500 tornillos en un día. Queremos calcular la probabilidad de
encontrar exactamente 10 tornillos defectuosos en un día.
● Calcular la probabilidad usando la distribución binomial.
● Calcular la probabilidad usando la aproximación de la distribución de Poisson.
● Comparar los resultados de ambas distribuciones.
