Distribuciones clásicas: binomial, Poisson y la gaussiana · Probabilidad y procesos: del azar al ruido · CO.DE Academy
Lección 3 de 9· Matemáticas
Distribuciones clásicas: binomial, Poisson y la gaussiana
0 de 9 lecciones · 0 %
01 / 03
En los videos
3.1 Bernoulli y binomial: un bit es un intento; contar los caminos con k errores da la binomial, un paquete de 100 bits tiene al menos un error con probabilidad 0.095 y los reintentos siguen una geométrica.
3.2 Poisson: impactos sin patrón en ventanas de una hora, la binomial que se vuelve Poisson al partir el tiempo, los micrometeoroides sobre un panel y la exponencial sin memoria entre llegadas.
3.3 La gaussiana: tres mil muestras de ruido de receptor, la regla 68–95–99.7, la estandarización del error de apuntado y por qué el ruido térmico es una campana.
Las piezas del azar de un enlace
Casi todo lo que puede salir mal en un enlace se cuenta con muy pocas familias de distribuciones. Saber de dónde sale cada una importa más que memorizar su fórmula: así se sabe cuándo deja de valer.
Bernoulli y binomial
Un bit llega bien o mal. Si X=1 cuando hay error, con P(X=1)=p, X es Bernoulli: E[X]=p y, como X2=X, VarX=p−p2=p(1−p).
Deducción de la binomial. Un paquete de n bits con errores independientes y la misma p. Una secuencia concreta con k errores tiene probabilidad pk(1−p)n−k, por independencia. Cuántas secuencias tienen exactamente k errores es el número de formas de elegir las k posiciones: (kn). Como las secuencias son disjuntas, se suman:
P(X=k)=(kn)pk(1−p)n−k,k=0,…,n.■
Al ser X la suma de n Bernoulli independientes, E[X]=np y VarX=np(1−p) (la segunda usa la lección 4: varianzas de independientes se suman).
Ejemplo resuelto (video 3.1.2). Con n=20 y p=0.05: P(0)=0.9520=0.358, P(1)=20⋅0.05⋅0.9519=0.377 y dos o más, 0.264. Media np=1, desviación 0.95=0.975.
Ejemplo resuelto (video 3.1.3). Paquete de 100 bits con BER 10−3: sin errores 0.999100=0.9048, al menos uno 0.0952. Si el código corrige hasta 2 errores, el paquete se pierde con tres o más:
P(X≥3)=1−k=0∑2(k100)10−3k0.999100−k=1.5×10−4.
En 100 000 paquetes se esperan 15 perdidos; la simulación del video contó 14. Esa diferencia es ruido de muestreo, del orden de 15≈4.
Reintentos: la geométrica
Si cada envío se pierde con probabilidad q y se reenvía hasta que llega, el número de intentos N cumple P(N=m)=qm−1(1−q). Media, deducida:
Con q=0.1: dos intentos o menos cubren 1−q2=0.99 de los casos y el promedio es 1.11 intentos.
Poisson: muchos intentos, cada uno raro
Los impactos de micrometeoroides, los fotones en un detector o los paquetes que llegan a un nodo no tienen «n intentos» naturales. Deducción. Partimos una hora en n tramos; en cada uno cae un evento con probabilidad λ/n, independiente de los demás. El número total es binomial (n,λ/n):
P(X=k)=k!n(n−1)⋯(n−k+1)(nλ)k(1−nλ)n−k.
Cuando n→∞ con k fijo, nkn(n−1)⋯(n−k+1)→1, (1−λ/n)n→e−λ y (1−λ/n)−k→1. Queda
P(X=k)=e−λk!λk,E[X]=VarX=λ.■
Con λ=3, la probabilidad de tres eventos vale 0.2668 con 10 tramos, 0.2275 con 100, 0.2244 con 1000 y 0.2240 en el límite de Poisson.
Ejemplo resuelto (video 3.2.3). Un panel de 2 m² expuesto 3 días, con una tasa de modelo de 0.25 impactos por m² y día: λ=0.25⋅2⋅3=1.5. Cero impactos: e−1.5=0.2231; exactamente uno: 1.5e−1.5=0.3347; tres o más: 1−0.2231−0.3347−0.2510=0.1912.
El tiempo entre eventos. En un proceso de Poisson de tasa λ, que no haya ningún evento en [0,t] tiene probabilidad e−λt; por tanto el tiempo de espera T cumple P(T>t)=e−λt: es exponencial de media 1/λ. Con tres impactos por hora, la media es 20 minutos. Y no tiene memoria: P(T>s+t∣T>s)=e−λ(s+t)/e−λs=e−λt. Si ya esperaste 20 minutos, esperar 15 más sigue teniendo probabilidad e−0.75=0.47.
Un paquete de 1000 bits tiene BER 3×10−3. ¿Qué distribución aproxima mejor el número de bits erróneos, y con qué parámetro?
La gaussiana
La densidad normal o gaussiana,
f(x)=σ2π1e−(x−μ)2/2σ2,
tiene su máximo en μ, es simétrica y sus colas caen más rápido que cualquier exponencial. Su acumulada no tiene fórmula cerrada; se trabaja con la de la normal estándarΦ(z) y con su cola Q(z)=1−Φ(z).
Estandarizar. Si X∼N(μ,σ2), por el cambio de variable lineal de la lección 2, Z=(X−μ)/σ∼N(0,1). Así toda pregunta sobre una gaussiana se reduce a una tabla:
P(∣X−μ∣<kσ)=1−2Q(k):68.27%,95.45%,99.73% para k=1,2,3.
Ejemplo resuelto (video 3.3.3). El error de apuntado de una antena se modela con μ=0 y σ=0.3∘. ¿Con qué probabilidad supera medio grado en valor absoluto? z=0.5/0.3=1.667, Q(1.667)=0.0478 y, con dos colas, 0.0956. La simulación del video dio 0.0955.
El ruido térmico. El voltaje de ruido de un receptor es la suma de las contribuciones de muchísimos electrones agitados: el teorema del límite central (lección 5) explica por qué esa suma es gaussiana. Con σ=2 mV la potencia media es σ2=4 mV², y un pico de más de 3σ aparece el 0.27 % del tiempo.
El laboratorio
El laboratorio dibuja la binomial de los bits erróneos con Poisson y la normal superpuestas, y cuenta paquetes simulados. Arrastra sobre la gráfica para mover la capacidad de corrección t del código: la cola roja es la probabilidad de perder el paquete. Usa la escala logarítmica para ver colas de 10−4 y compara los perdidos simulados con los esperados.
Playground · python
1 de 7
Qué deja fuera este modelo
Errores independientes. La binomial supone un canal sin memoria. Los desvanecimientos y las interferencias producen ráfagas: cuando un bit falla, el siguiente tiene más probabilidad de fallar. Por eso los códigos reales se combinan con entrelazado.
Tasas constantes. Un proceso de Poisson supone tasa fija; el flujo de meteoroides cambia con las lluvias de estrellas fugaces y con la órbita, y la tasa de 0.25 por m² y día es un parámetro de ejemplo, no una medida.
Colas gaussianas. La normal subestima los sucesos extremos cuando hay interferencia impulsiva o ruido de conmutación. Para probabilidades de 10−9 el modelo de la cola importa más que el centro.
Un código idealizado. «Corrige cualquier patrón de hasta t errores» describe un código perfecto; los reales tienen patrones que no corrigen aunque sean pocos.
Lo que sigue
Ya sabemos describir una variable sola. La lección 4 mira dos a la vez —el estado del enlace y el ruido, dos sensores vecinos— y aparecen la probabilidad conjunta, la covarianza y la regla que manda en todo receptor: los ruidos independientes suman potencias, no amplitudes.
Laboratorio interactivo
Bits erróneos en un paquete: binomial, Poisson y la cola
Cierre de la lección
Lo que sigue: video
Sigue el recorrido de la lección paso a paso.
Crea una cuenta gratis para continuar
Con una cuenta desbloqueas el cuestionario, el foro de dudas y el tutor con IA de esta lección, además del registro de progreso y el certificado verificable al terminar «Probabilidad y procesos: del azar al ruido».