Este documento describe diferentes distribuciones de probabilidad, incluyendo la distribución de Bernoulli, binomial, y Poisson. La distribución de Bernoulli modela experimentos con dos resultados posibles, como lanzar una moneda. La distribución binomial se usa para contar el número de éxitos en múltiples pruebas de Bernoulli. La distribución de Poisson modela el número de eventos que ocurren en un periodo de tiempo, cuando la probabilidad de cada evento es baja.
Toda distribución de probabilidad es generada por una VARIABLE (porque puede tomar diferentes valores) ALEATORIA (porque el valor tomado no puede ser predicho antes del experimento).
Toda distribución de probabilidad es generada por una VARIABLE (porque puede tomar diferentes valores) ALEATORIA (porque el valor tomado no puede ser predicho antes del experimento).
Ponencia en I SEMINARIO SOBRE LA APLICABILIDAD DE LA INTELIGENCIA ARTIFICIAL EN LA EDUCACIÓN SUPERIOR UNIVERSITARIA. 3 de junio de 2024. Facultad de Estudios Sociales y Trabajo, Universidad de Málaga.
Presentación de la conferencia sobre la basílica de San Pedro en el Vaticano realizada en el Ateneo Cultural y Mercantil de Onda el jueves 2 de mayo de 2024.
IMÁGENES SUBLIMINALES EN LAS PUBLICACIONES DE LOS TESTIGOS DE JEHOVÁClaude LaCombe
Recuerdo perfectamente la primera vez que oí hablar de las imágenes subliminales de los Testigos de Jehová. Fue en los primeros años del foro de religión “Yahoo respuestas” (que, por cierto, desapareció definitivamente el 30 de junio de 2021). El tema del debate era el “arte religioso”. Todos compartíamos nuestros puntos de vista sobre cuadros como “La Mona Lisa” o el arte apocalíptico de los adventistas, cuando repentinamente uno de los participantes dijo que en las publicaciones de los Testigos de Jehová se ocultaban imágenes subliminales demoniacas.
Lo que pasó después se halla plasmado en la presente obra.
3. Es una distribución discreta y en ésta sólo
pueden existir dos resultados; Éxito y de
fracaso 1 y 0 respectivamente
4. Si “X” es una variable aleatoria que mide el número de
éxitos obtenidos y se realiza un único experimento con dos
posibles resultados que como ya lo mencionamos es éxito y
fracaso, se dice que la variable aleatoria “X” se distribuye
como una Bernoulli de parámetro “P”
6. "Lanzar una moneda, probabilidad de conseguir que salga cruz".
Se trata de un solo experimento, con dos resultados posibles: el éxito (p) se considerará sacar
cruz. Valdrá 0,5. El fracaso (q) que saliera cara, que vale (1 - p) = 1 - 0,5 = 0,5.
La variable aleatoria X medirá "número de cruces que salen en un lanzamiento", y sólo existirán
dos resultados posibles: 0 (ninguna cruz, es decir, salir cara) y 1 (una cruz).
Por tanto, la variable aleatoria X se distribuirá como una Bernoulli, ya que cumple todos los
requisitos.
7. Es una distribución discreta que cuenta el número de éxitos
en una distribución de Bernoulli.
8. Esta se suele representar con B(n, p), n es el número de pruebas que conforman
el experimento y p es la probabilidad de éxito que tengamos.
En cada prueba sólo existen dos resultados posibles, éxito y fracaso.
La probabilidad del suceso A es constante, ésta no varía de una prueba a la otra y
se representa con “P”. El resultado que se obtenga en cada prueba siempre será
independiente su anterior. En la distribución binomial, su anterior experimento
se repite n veces, de forma independiente, y se trata de calcular la probabilidad
de un determinado número de éxitos. Para n = 1, la binomial se convierte, de
hecho, en una distribución de Bernoulli.
9. Para representar que una variable aleatoria X sigue una distribución
binomial de parámetros n y p, se escribe
10. Las siguientes situaciones son ejemplos de experimentos que pueden modelizarse por esta
distribución:
-Se lanza un dado diez veces y se cuenta el número X de tres obtenidos: entonces X ~ B(10, 1/6)
-Se lanza una moneda dos veces y se cuenta el número X de caras obtenidas: entonces X ~ B(2,
1/2)
11. Es una distribución discreta que expresa la
probabilidad de que ocurra un cierto número de
sucesos en un ya determinado período de tiempo, se
especializa en la probabilidad de ocurrencia de
sucesos con pequeñas probabilidades.
12. Tanto el valor esperado como la varianza de una variable aleatoria con
distribución de Poisson son iguales a λ. Los momentos de orden superior
son polinomios de Toucharden λ cuyos coeficientes tienen una
interpretación combinatorio. De hecho, cuando el valor esperado de la
distribución de Poisson es 1, entonces según la fórmula de Dobinski, el n-ésimo
momento iguala al número de particiones de tamaño n.
La moda de una variable aleatoria de distribución de Poisson con un λ no
entero es igual a , el mayor de los enteros menores que λ (los
símbolos representan la función parte entera). Cuando λ es un entero positivo,
las modas son λ y λ − 1.
13. La función de masa o probabilidad
de la distribución de Poisson es:
La función generadora de momentos de la distribución
de Poisson con valor esperado λ es:
Las variables aleatorias de Poisson tienen la
propiedad de ser infinitamente divisibles.
La divergencia Kullback-Leibler desde una
variable aleatoria de Poisson de parámetro λ0 a
otra de parámetro λ es:
14. Si el 2% de los libros encuadernados en cierto taller tiene encuadernación defectuosa, para
obtener la probabilidad de que 5 de 400 libros encuadernados en este taller tengan
encuadernaciones defectuosas usamos la distribución de Poisson. En este caso concreto, k es
5 y, λ, el valor esperado de libros defectuosos es el 2% de 400, es decir, 8. Por lo tanto, la
probabilidad buscada es: