Distribuciones Discretas: Bernoulli y Binomial

Curso de Matemáticas para Data Science: Probabilidad

Contenido del curso

Incertidumbre y probabilidad

Fundamentos de probabilidad

Distribuciones de probabilidad

MLE (Maximum Likelihood Estimation)

Inferencia bayesiana

Tomar examen

Cursos Empresas Blog Live Conf Eventos Precios

0:0014:56

Distribuciones Discretas: Bernoulli y Binomial

Curso de Matemáticas para Data Science: Probabilidad

Clase 7 de 17

Clase 7 / 17

Recursos

¿Qué es una distribución de Bernoulli?

Las distribuciones de Bernoulli son fundamentales en la teoría de probabilidades y estadísticas. Son distribuciones de probabilidad que modelan variables aleatorias binarias, como puede ser el resultado de un lanzamiento de moneda: cara o cruz. En una distribución de Bernoulli, una variable aleatoria X puede tomar el valor de 1 (por ejemplo, cara) con una probabilidad p, y 0 (cruz) con una probabilidad de (1 - p). Este tipo de distribución es la base para comprender distribuciones más complejas.

Variables binarias: Los valores que toma X son discretos, normalmente 0 y 1, representando ocurrencias opuestas.
Probabilidades balanceadas o no: En un caso ideal, p sería 0.5, balanceando las probabilidades, aunque puede variar.

¿Qué es la distribución binomial?

La distribución binomial es una extensión de la distribución de Bernoulli y describe el número de éxitos en una serie de ensayos independientes, donde cada ensayo sigue distribuciones tipo Bernoulli. Consideremos el caso de lanzar una moneda varias veces: la binomial describe la probabilidad de obtener un número específico de caras (éxitos) en esos lanzamientos.

Espacio muestral: Si consideramos 3 lanzamientos de moneda, hay 8 resultados posibles.
Fórmula de probabilidad: La probabilidad de obtener un número “k” de caras a partir de “n” lanzamientos de una moneda es dada por la siguiente fórmula:

P(X = k) = C(n, k) * p^k * (1 - p)^(n-k)

Donde:

( C(n, k) = \frac{n!}{k!(n-k)!} ) representa las combinaciones posibles de obtener ( k ) éxitos en ( n ) ensayos,
n es el número total de lanzamientos,
k es el número de caras que queremos obtener,
p es la probabilidad de éxito individual en un ensayo.

¿Cómo se representa gráficamente?

En la representación gráfica de una distribución binomial, el histograma muestra las frecuencias relativas de obtener 0, 1, 2,... caras en una serie de lanzamientos. La altura de cada barra representa estas probabilidades. Tomemos tres lanzamientos de moneda como ejemplo:

0 caras: Probabilidad de ( \frac{1}{8} )
1 cara: Probabilidad de ( \frac{3}{8} )
2 caras: Probabilidad de ( \frac{3}{8} )
3 caras: Probabilidad de ( \frac{1}{8} )

Fórmula específica para calcular probabilidades

El conteo de formas posibles de obtener un cierto número de caras en múltiples lanzamientos utiliza los coeficientes binomiales:

n = 3  # Número de lanzamientos
k = 1  # Éxitos deseados

probabilidad = C(n, k) * (0.5)**k * (0.5)**(n-k)

La interpretación práctica de estas fórmulas matemáticas permite entender cuántas combinaciones llevan a cierto resultado y cómo calcular la probabilidad de esos resultados.

Coeficiente combinatorio: Permite contar los diferentes órdenes en que pueden ocurrir estos "éxitos" y se representa con el factorial.
Probabilidad de éxito y fracaso: Multiplica las probabilidades de los casos deseados y no deseados, elevando a las potencias correspondientes.

La aplicación de estos modelos es crucial para muchas áreas, desde ingeniería hasta ciencias sociales, ayudando a resolver problemas de toma de decisiones bajo incertidumbre.

Más allá de Bernoulli y binomial

La probabilidad discreta no se limita solo a las distribuciones de Bernoulli y binomial. Existen otras como la distribución multinomial, la cual es una generalización de la binomial y se aplica en situaciones con más de dos posibles resultados, como el lanzamiento de un dado. Aunque no exploramos en detalle estas otras distribuciones, su comprensión es vital para modelar datos reales, más complejos, y hará parte de un aprendizaje contínuo en diversos cursos y prácticas. Este conocimiento es también integral para el desarrollo de algoritmos en machine learning, donde se busca modelar probabilidades más complejas a partir de datos.

Daniel Moreno

Hace 3 años

Tema 1: Introducción a las Distribuciones Discretas

Definición de distribuciones discretas

Las distribuciones discretas modelan eventos donde los resultados posibles son contables y distintos. A diferencia de las distribuciones continuas, aquí nos centramos en valores específicos.

Diferencias entre distribuciones discretas y continuas

En las distribuciones discretas, solo se pueden tener ciertos valores, mientras que en las continuas, se pueden tener infinitos valores posibles.

Importancia en estadísticas y probabilidad

Las distribuciones discretas son fundamentales para entender y predecir resultados en situaciones donde los datos son discretos.

Tema 2: Distribución Bernoulli

Concepto básico de experimentos Bernoulli

Un experimento Bernoulli tiene solo dos resultados posibles: éxito o fracaso.

Probabilidad de éxito y fracaso

La probabilidad de éxito (éxito en el experimento) se representa como 'p', y la de fracaso como 'q' (que es 1-p).

Ejemplos prácticos (lanzamiento de moneda)

Si definimos éxito como obtener cara al lanzar una moneda, la probabilidad de éxito sería 0.5.

Tema 3: Distribución Binomial

Explicación de experimentos binomiales

Son una secuencia de experimentos Bernoulli independientes.

Fórmula de la distribución binomial y términos asociados

La fórmula es P(X=k) = nCr * p^k * q^(n-k), donde nCr es la combinación de n elementos tomados de r en r.

Ejemplos prácticos (probabilidad de éxitos en múltiples ensayos)

Calcular la probabilidad de obtener exactamente 3 caras en 5 lanzamientos de una moneda.

Tema 4: Combinatoria para Calcular Probabilidad

Introducción al concepto de combinatoria

Combinatoria se refiere al conteo de formas en que se pueden elegir elementos de un conjunto sin importar el orden.

Uso de la fórmula nCr en la probabilidad

La fórmula nCr = n! / (r! * (n-r)!) es esencial para calcular combinaciones en problemas de probabilidad.

Ejemplos de cálculos con combinaciones

Calcular el número de formas en que se pueden seleccionar 2 cartas de un mazo de 52.

Tema 5: Distribución Multinomial

Definición y aplicación en experimentos con más de dos resultados posibles

La distribución multinomial se utiliza cuando hay más de dos resultados posibles en un experimento, y queremos conocer la probabilidad de cada resultado.

Ejemplos prácticos (lanzamiento de dados)

Calcular la probabilidad de obtener un número específico en el lanzamiento de tres dados.

Tema 6: Otras Distribuciones

Distribución Poisson: características y aplicaciones

La distribución Poisson modela eventos raros o infrecuentes. Por ejemplo, el número de llamadas a una línea de atención al cliente en una hora.

Distribución Geométrica: modelando el tiempo hasta el primer éxito

Describe la probabilidad de que se necesiten 'k' ensayos para obtener el primer éxito en un experimento Bernoulli.

Distribución Hipergeométrica: probabilidad en muestreos sin reemplazo

Usada para calcular la probabilidad de obtener un número específico de éxitos en un muestreo sin reemplazo.

Distribución Binomial Negativa: número de ensayos hasta r éxitos

Modela el número de ensayos necesarios para obtener 'r' éxitos en un experimento binomial.

Conclusión

Recapitulación de conceptos clave

Revisamos conceptos fundamentales de distribuciones discretas, desde Bernoulli hasta las distribuciones más especializadas.

Importancia de comprender las distribuciones discretas en análisis de datos

Las distribuciones discretas son esenciales en estadísticas y análisis de datos, permitiendo modelar y entender una amplia gama de fenómenos.

Comentarios (78)78 comentarios

Luis Fernando Manzano

Hace 6 años

Pablo Reyes Abarca

Angel Estrada

Carolina Coronado Alderete

Daniel Andrés Giraldo Benites

Jeinfferson Bernal G

Hace 4 años

Leonardo Peralta

Ayrton Julián Dos santos

Cesar Augusto Morales Godoy

Luis Arturo Cruz Cruz

José Manuel Piña Rodríguez

Uriel Alfonso Velandia Donado

JAVIER SANTIAGO SALGADO

Alex Camacho

Profesor

Miguel Torres

Sergio Emanuel Tomas

Orlando castellanos

Hace 5 años

Josue Noha Valdivia

Diego Fernando Torres Coy

Alejandro Cuello Maure

Sebastián José Herrera Monterrosa

Sebastián Andrade

Julián Ramírez

Yazfir Lopez Jorge

Miguel Rodríguez

Mariano Gobea Alcoba

Sandra Mazo

Geovany Uribe Aguirre

David Rosas

Incertidumbre y probabilidad

Fundamentos de Probabilidad para Ciencia de Datos

Probabilidad en Machine Learning: Fuentes de Incertidumbre y Modelos

Fundamentos de probabilidad

Tipos de Probabilidad: Conjunta, Marginal y Condicional

Probabilidades Condicionales y Correlación de Eventos Aleatorios

Paradojas de Probabilidad: Niño o Niña y Monty Hall

Distribuciones de probabilidad

Funciones y Distribuciones de Probabilidad en Cálculo

Distribuciones Discretas: Bernoulli y Binomial

Cálculos con Distribución Binomial en Google Colab usando Python

Análisis de Distribuciones Continuas: Enfoque en la Gaussiana

Estimación de Distribuciones de Probabilidad en Google Colab

MLE (Maximum Likelihood Estimation)

Estimación de Máxima Verosimilitud en Modelado Estadístico

Regresión Lineal con Estimación de Máxima Verosimilitud en Machine Learning

Regresión Logística y Estimación de Máxima Verosimilitud

Visualización de Máxima Verosimilitud en Regresión Logística

Inferencia bayesiana

Teorema de Bayes: Aplicación en Diagnósticos Médicos

Clasificación Bayesiana y el Algoritmo Naive Bayes

Ejercicios de Probabilidad para Ciencia de Datos

Distribuciones Discretas: Bernoulli y Binomial

Progreso del curso

Incertidumbre y probabilidad

Fundamentos de probabilidad

Distribuciones de probabilidad

MLE (Maximum Likelihood Estimation)

Inferencia bayesiana

Recursos

Recursos