Distribuciones probabilísticas básicas

Distribuciones de probabilidad física: normal gaussiana, binomial, Poisson y exponencial continua.

Qué es

Una distribución de probabilidad es un modelo matemático riguroso que asigna probabilidades a los posibles resultados de un experimento físico o a los estados microscópicos de un sistema. Si la variable es discreta (como el conteo de partículas en un detector), se describe mediante una función de masa de probabilidad $P(X = k)$; si la variable es continua (como la velocidad térmica de un gas o la energía de un fotón), se formula mediante una función de densidad de probabilidad (FDP) $f(x)$ tal que la probabilidad de hallar el valor en el intervalo infinitesimal $[x, x + dx]$ es $dP = f(x) dx$.

En la física clásica y cuántica experimental destacan cuatro distribuciones canónicas fundamentales:

1. Distribución Binomial: Modela el número de éxitos $k$ en $N$ ensayos independientes con probabilidad fija $p$: $P(k; N, p) = \binom{N}{k} p^k (1 - p)^{N-k}$
2. Distribución de Poisson: Límite de la binomial cuando $N \to \infty$ y $p \to 0$ manteniendo la tasa media $\lambda = N p$ constante. Modela eventos discretos raros e independientes en el tiempo o espacio (desintegración nuclear, llegada de fotones a un píxel CCD): $P(k; \lambda) = \frac{\lambda^k e^{-\lambda}}{k!}, \quad \mu = \lambda, \quad \sigma^2 = \lambda$
3. Distribución Normal o Gaussiana: Consecuencia del Teorema del Límite Central; surge cuando una magnitud es el resultado acumulado de innumerables perturbaciones microscópicas aleatorias e independientes: $f(x; \mu, \sigma) = \frac{1}{\sigma \sqrt{2\pi}} \exp\left( -\frac{(x - \mu)^2}{2\sigma^2} \right)$
4. Distribución Exponencial: Modela el tiempo de espera entre sucesos de Poisson continuos (vida media de partículas inestables o decaimiento radiactivo): $f(t; \lambda) = \lambda e^{-\lambda t} \quad (t \geq 0), \quad \mu = \frac{1}{\lambda}, \quad \sigma = \frac{1}{\lambda}$

Por qué aparece en física

La física estadística, la termodinámica, la mecánica cuántica y la instrumentación experimental están intrínsecamente gobernadas por leyes probabilísticas.

• En mecánica estadística, la distribución de Maxwell-Boltzmann de velocidades moleculares surge de maximizar la entropía bajo vínculos de conservación de energía y partículas, manifestando una forma gaussiana en cada componente cartesiana de velocidad $v_x, v_y, v_z$.
• En física nuclear y de partículas, la emisión de radiación alfa, beta o gamma por un isótopo inestable es un proceso puramente estocástico sin memoria: el número de cuentas registradas por segundo en un tubo Geiger-Müller sigue con precisión absoluta una distribución de Poisson. La propiedad única $\sigma = \sqrt{\mu}$ impone que la incertidumbre de conteo relativa sea $\sigma_N / N = 1/\sqrt{N}$, dictando cuántas cuentas se requieren para alcanzar una significancia estadística determinada.
• En metrología y teoría de errores, el Teorema del Límite Central demuestra que cualquier ruido instrumental compuesto por múltiples fuentes no correlacionadas converge asintóticamente a una campana de Gauss, lo que justifica el uso universal de la desviación estándar como métrica de incertidumbre.

Idea visual o geométrica

• Binomial y Poisson: Representan histogramas discretos de barras ubicadas en los enteros no negativos $k = 0, 1, 2, \dots$. Para tasas bajas $\lambda < 5$, Poisson es fuertemente asimétrica con una cola extendida hacia la derecha. A medida que $\lambda$ crece ($\lambda > 20$), el histograma se vuelve cada vez más simétrico y sus barras calzan de forma prácticamente indistinguible bajo la envolvente continua de una curva normal con $\mu = \lambda$ y $\sigma = \sqrt{\lambda}$.
• Gaussiana: Una curva acampanada perfectamente simétrica alrededor de su valor medio $\mu$, con puntos de inflexión ubicados exactamente en $\mu \pm \sigma$. El área total bajo la curva normalizada es 1; las áreas integradas bajo $[\mu - \sigma, \mu + \sigma]$, $[\mu - 2\sigma, \mu + 2\sigma]$ y $[\mu - 3\sigma, \mu + 3\sigma]$ abarcan respectivamente el $68.27\%$, $95.45\%$ y $99.73\%$ de la probabilidad total.
• Exponencial: Una curva suave monótonamente decreciente que arranca en $\lambda$ para $t=0$ y decae asintóticamente hacia cero. Su propiedad geométrica de "falta de memoria" implica que la forma de la cola condicional $f(t + t_0 | t > t_0)$ es idéntica a la función original reescalada.

Lenguaje simbólico mínimo

1. Normalización fundamental: $\sum_{k} P(k) = 1 \quad (\text{discreta}), \qquad \int_{-\infty}^\infty f(x) dx = 1 \quad (\text{continua})$
2. Momentos estadísticos (esperanza y varianza): $\mu = E[X] = \int_{-\infty}^\infty x f(x) dx$ $\sigma^2 = \operatorname{Var}(X) = E[(X - \mu)^2] = \int_{-\infty}^\infty (x - \mu)^2 f(x) dx = E[X^2] - \mu^2$
3. Distribución acumulada (CDF): $F(x) = P(X \leq x) = \int_{-\infty}^x f(u) du$
4. Variable normal tipificada (puntuación $z$): $z = \frac{x - \mu}{\sigma}, \qquad f(z) = \frac{1}{\sqrt{2\pi}} e^{-z^2/2}$

Qué significa el resultado

Cuando modelas un conjunto de datos experimentales con una distribución teórica:

• Si los datos provienen de conteos radiactivos y su varianza muestral $s^2$ es significativamente mayor que su media $\bar{k}$, el sistema no es un Poisson puro; existe una fuente de fluctuación instrumental externa o deriva térmica sistemática (sobredispersión).
• La identificación de la distribución adecuada permite calcular intervalos de confianza reales, evaluar el valor p en contrastes de hipótesis (por ejemplo, el descubrimiento de una nueva partícula elemental a nivel $5\sigma$ en el CERN, correspondiente a una probabilidad de fluctuación aleatoria inferior a $3 \times 10^{-7}$) y calcular probabilidades de saturación de sensores o desbordamiento de detectores.

Cuándo no debes usarlo

1. No uses Gaussiana para conteos pequeños: Si un detector registra en promedio $\lambda = 2$ cuentas por intervalo, usar una campana normal asignará probabilidades no nulas a valores negativos ($k < 0$), lo cual es físicamente absurdo. Debe emplearse estrictamente la distribución de Poisson.
2. No uses Poisson cuando los eventos no son independientes: Si la detección de una partícula estimula o bloquea temporalmente el detector (tiempo muerto del detector, ionizaciones en cascada o avalanchas de Townsend), los eventos están correlacionados y Poisson subestima la variabilidad real.
3. No uses distribuciones normales para fenómenos con colas pesadas o procesos no ergódicos: Fenómenos como turbulencia desarrollada, fluctuaciones de rayos cósmicos de ultra-alta energía o criticalidad autorganizada siguen leyes de potencia (distribuciones de Cauchy, Lévy o Pareto) donde la varianza puede no estar acotada.

Resumen operativo

• Identifica la naturaleza de la variable: ¿es discreta (conteos) o continua (magnitudes físicas)?
• Si es conteo independiente con probabilidad pequeña en un continuo temporal/espacial, asigna Poisson con parámetro $\lambda$ y varianza $\sigma^2 = \lambda$.
• Si es una magnitud continua afectada por múltiples perturbaciones aditivas pequeñas, adopta la distribución Gaussiana $\mathcal{N}(\mu, \sigma^2)$.
• Si es un decaimiento o tiempo hasta el primer evento de una cadena de Poisson, utiliza la exponencial $f(t) = \lambda e^{-\lambda t}$.
• Aplica los criterios de normalización y cálculo de momentos para deducir probabilidades e incertidumbres experimentales.

Procedimiento de Selección y Uso de Distribuciones Probabilísticas

Antes de calcular

Antes de realizar cualquier cálculo de probabilidad, examina la naturaleza física del fenómeno:

• ¿Es una variable cuantitativa continua (longitud, voltaje, masa, temperatura)?
• ¿Es un proceso de conteo de eventos discretos enteros no negativos ($k = 0, 1, 2, \dots$)?
• ¿Se trata de un tiempo continuo transcurrido hasta que ocurre un evento estocástico? Verifica si el sistema se encuentra en estado estacionario y si las observaciones son estadísticamente independientes entre sí.

Paso 1: identifica el objeto matemático

Selecciona el modelo probabilístico canónico en función de las restricciones del problema:

• Conteo de eventos raros independientes en un intervalo: Distribución de Poisson con parámetro de tasa $\lambda$.
• Magnitud física continua sujeta a ruido aleatorio multivariable: Distribución Normal $\mathcal{N}(\mu, \sigma^2)$.
• Ensayos repetidos con dos resultados mutuamente excluyentes (éxito/fracaso): Distribución Binomial $\mathcal{B}(N, p)$.
• Tiempo de vida o decaimiento de estados metaestables: Distribución Exponencial $\text{Exp}(\lambda)$.

Paso 2: elige la operación

Define con precisión la cantidad requerida:

• Probabilidad puntual discreta: Evalúa la función de masa $P(X = k)$.
• Probabilidad en un intervalo:
  • Para variables discretas: suma finita $P(a \leq X \leq b) = \sum_{k=a}^b P(X = k)$.
  • Para variables continuas: integral de la densidad $P(a \leq X \leq b) = \int_a^b f(x) dx = F(b) - F(a)$.
• Incertidumbre asociada al conteo: En conteos de Poisson, la desviación estándar es directamente $\sigma = \sqrt{\lambda} \approx \sqrt{N_{\text{cuentas}}}$.

Paso 3: conserva unidades y signos

• En distribuciones discretas, $P(X = k)$ es un número adimensional estrictamente acotado en $[0, 1]$.
• En funciones de densidad continuas $f(x)$, las dimensiones físicas de $f(x)$ son las inversas de la variable de entrada: $[f(x)] = [x]^{-1}$. Por ende, $f(x)$ puede tomar valores superiores a 1 sin violar ninguna ley probabilística, siempre que la integral acumulada $\int f(x) dx = 1$ permanezca normalizada.
• La variable tipificada $z = (x - \mu)/\sigma$ es un número puro adimensional sin unidades.

Paso 4: calcula

• Para la Normal, calcula el valor $z$ para los extremos del intervalo y consulta la función de error $\operatorname{erf}(z)$ o las tablas de la normal estándar $\Phi(z)$: $P(X \leq x) = \Phi\left( \frac{x - \mu}{\sigma} \right) = \frac{1}{2} \left[ 1 + \operatorname{erf}\left( \frac{x - \mu}{\sigma \sqrt{2}} \right) \right]$
• Para Poisson con tasa $\lambda$, si $\lambda > 20$, puedes aproximar mediante la normal $\mathcal{N}(\lambda, \lambda)$ aplicando corrección por continuidad: $P(X = k) \approx \int_{k - 0.5}^{k + 0.5} \frac{1}{\sqrt{2\pi \lambda}} \exp\left( -\frac{(u - \lambda)^2}{2\lambda} \right) du$

Paso 5: interpreta el resultado

• Expresa la probabilidad como porcentaje o fracción científica.
• Relaciona el resultado con el contexto experimental: ¿representa la probabilidad de que una señal espuria supere el umbral de detección (falso positivo)? ¿Representa el intervalo donde caerá el $95\%$ de las mediciones de calibración?
• Si estás estimando una tasa de emisión nuclear, reporta $N_{\text{cuentas}} \pm \sqrt{N_{\text{cuentas}}}$, destacando que la precisión relativa mejora proporcionalmente a $1/\sqrt{N}$.

Checklist de autocontrol

• ¿Es la suma o integral total igual a 1?
• ¿He comprobado que las probabilidades calculadas se mantengan estrictamente entre 0 y 1?
• ¿He verificado que la densidad de probabilidad $f(x)$ tenga unidades de $1/[x]$?
• ¿He aplicado Poisson únicamente a valores enteros no negativos $k \in \mathbb{N}_0$?
• Si aproximé Poisson por Gauss, ¿es el parámetro medio $\lambda \geq 20$ y apliqué la corrección de medio punto ($0.5$)?

Ejemplo guiado: Conteo radiactivo con detector Geiger-Müller

Situación física

Un laboratorio de física nuclear mide la radiación de fondo ambiental utilizando un detector Geiger-Müller. Durante un periodo de calibración de 10 minutos se registran exactamente 120 pulsos de ionización. Posteriormente, se realiza un ensayo rápido de 1 minuto para evaluar si una muestra de mineral presenta actividad radiactiva por encima del fondo. Se desea:

1. Modelar la tasa media esperada de cuentas de fondo en 1 minuto y su incertidumbre estadística.
2. Determinar la probabilidad de registrar exactamente 15 cuentas en un intervalo de 1 minuto debidas exclusivamente a fluctuaciones aleatorias del fondo ambiental.
3. Establecer el umbral de cuentas por minuto necesario para declarar una detección positiva con un nivel de significancia de $3\sigma$ ($p < 0.0013$).

Traducción matemática

La desintegración nuclear y la ionización de fondo son eventos discretos, independientes y con probabilidad infinitesimal por intervalo continuo, por lo que siguen con rigor una distribución de Poisson $P(k; \lambda) = \frac{\lambda^k e^{-\lambda}}{k!}$.

1. Tasa media estimada en 1 minuto: $\lambda = \frac{120 \text{ cuentas}}{10 \text{ min}} = 12.0 \text{ cuentas/min}$ La varianza de un proceso de Poisson es $\sigma^2 = \lambda$, por lo que la desviación estándar es: $\sigma = \sqrt{\lambda} = \sqrt{12.0} \approx 3.464 \text{ cuentas/min}$
2. Probabilidad puntual de $k = 15$ con $\lambda = 12$: $P(15; 12) = \frac{12^{15} e^{-12}}{15!}$

Cálculo paso a paso

1. Evaluación de la probabilidad puntual: $12^{15} \approx 1.540702 \times 10^{16}$ $e^{-12} \approx 6.144212 \times 10^{-6}$ $15! = 1\,307\,674\,368\,000 \approx 1.307674 \times 10^{12}$ $P(15; 12) = \frac{1.540702 \times 10^{16} \cdot 6.144212 \times 10^{-6}}{1.307674 \times 10^{12}} = \frac{9.4664 \times 10^{10}}{1.307674 \times 10^{12}} \approx 0.07239 \quad (7.24\%)$
2. Cálculo del umbral de alarma a $3\sigma$: Como $\lambda = 12$ es suficientemente grande para aproximación cuasi-normal, el umbral de disparo de una cola a $3\sigma$ es: $k_{\text{umbral}} = \lambda + 3 \sigma = 12.0 + 3(3.464) = 12.0 + 10.39 = 22.39$ Redondeando al entero superior más próximo: si en 1 minuto se registran $k \geq 23$ cuentas, la probabilidad de que se deba a una fluctuación casual del fondo es menor al $0.13\%$.

Lectura del resultado

Registrar 15 cuentas en un minuto es una fluctuación ordinaria compatible con el fondo ($7.24\%$ de probabilidad individual). Por el contrario, registrar 23 o más cuentas en 1 minuto constituye una prueba estadísticamente concluyente al $99.87\%$ de confianza de que la muestra contiene material radiactivo por encima del fondo natural.

Error común evitado

Asumir que la incertidumbre de 12 cuentas por minuto es proporcional al rango de medidas o aplicar un error fijo instrumental del instrumento. En conteos de eventos raros, la incertidumbre intrínseca fundamental es impuesta por la física del proceso y vale exactamente $\sqrt{N}$.

Ejemplo inverso: Tiempo de vida media a partir del decaimiento exponencial

Situación física

En un experimento con cámara de niebla o detector de trazas de silicio, se miden los tiempos de vida de muones cósmicos en reposo antes de decaer en un electrón y dos neutrinos: $\mu^- \to e^- + \bar{\nu}_e + \nu_\mu$. Se observa que el $50\%$ de los muones decae en un tiempo menor o igual a $t_{1/2} = 1.523 \,\mu\text{s}$ (semivida experimental).

Resultado dado

Mediana experimental de la distribución temporal: $t_{\text{mediana}} = t_{1/2} = 1.523 \,\mu\text{s}$. La probabilidad acumulada en dicho tiempo es $P(T \leq t_{1/2}) = 0.50$.

Reconstrucción analítica

El decaimiento estocástico continuo sigue una distribución de densidad exponencial: $f(t) = \lambda e^{-\lambda t} \quad (t \geq 0)$ La función de probabilidad acumulada es: $F(t) = \int_0^t \lambda e^{-\lambda u} du = 1 - e^{-\lambda t}$ Igualando a la probabilidad del $50\%$: $1 - e^{-\lambda t_{1/2}} = 0.50 \implies e^{-\lambda t_{1/2}} = 0.50$ Tomando logaritmo natural en ambos lados: $-\lambda t_{1/2} = \ln(0.50) = -\ln(2) \implies \lambda = \frac{\ln(2)}{t_{1/2}}$ El tiempo de vida medio característico del muón es el valor esperado de la distribución exponencial: $\tau = \mu_t = E[T] = \frac{1}{\lambda} = \frac{t_{1/2}}{\ln(2)}$ Sustituyendo el valor experimental: $\tau = \frac{1.523 \,\mu\text{s}}{0.693147} \approx 2.197 \,\mu\text{s}$

Qué pregunta física permite responder

¿Qué fracción de muones sobrevive después de $3\tau \approx 6.59 \,\mu\text{s}$? $P(T > 3\tau) = 1 - F(3\tau) = e^{-\lambda (3/\lambda)} = e^{-3} \approx 0.0498 \quad (4.98\%)$ Apenas el $5\%$ de los muones originales permanece sin decaer tras 3 vidas medias.

Verificación de límites

Cuando $t \to 0$, $F(0) = 0$ (ninguna partícula ha decaído en el instante inicial). Cuando $t \to \infty$, $F(t) \to 1$ (con certeza absoluta todas las partículas metaestables terminan decayendo). La desviación estándar de la distribución exponencial es idéntica a la media: $\sigma_t = \tau = 2.197 \,\mu\text{s}$.

Errores comunes en Distribuciones Probabilísticas

1. Usar la distribución normal para conteos con tasas medias bajas

Parece razonable porque la campana de Gauss es la distribución más familiar y fácil de usar con tablas o funciones integradas. Falla porque para $\lambda < 10$, la distribución real de Poisson es marcadamente asimétrica con una barrera física estricta en cero ($k \geq 0$). Una distribución normal con $\mu = 2$ y $\sigma = \sqrt{2} \approx 1.414$ asigna un $8\%$ de probabilidad a valores negativos ($k < 0$), lo que en física de detectores no tiene ningún sentido. Se detecta si el parámetro $\lambda < 15$ y se reportan probabilidades de conteo basadas en la función de error $\operatorname{erf}$. Se corrige utilizando siempre la fórmula exacta de Poisson $P(k) = \lambda^k e^{-\lambda} / k!$ para tasas pequeñas. Mini-ejemplo: si $\lambda = 1$, la probabilidad real de Poisson de 0 cuentas es $e^{-1} \approx 0.368$ ($36.8\%$), mientras que una aproximación normal daría un valor sesgado cercano al $24\%$.

2. Olvidar la corrección por continuidad al aproximar variables discretas por continuas

Parece razonable porque cuando $\lambda = 50$, Poisson y Gauss parecen curvas continuas idénticas a simple vista. Falla porque una variable discreta concentra probabilidad finita en el punto entero $k$, mientras que la integral de un punto en una densidad continua es exactamente cero. Se detecta si al calcular $P(X = k)$ con una distribución normal se evalúa $f(k)$ directamente en vez de integrar entre $k - 0.5$ y $k + 0.5$. Se corrige ensanchando siempre los límites discretos en $\pm 0.5$ unidades al pasar a la variable continua. Mini-ejemplo: para $P(X = 25)$ con $\lambda = 25$, evaluar la densidad normal da $\frac{1}{\sqrt{50\pi}} \approx 0.0798$, que coincide con la integral en $[24.5, 25.5]$, pero evaluar una probabilidad de cola como $P(X \geq 30)$ requiere integrar desde $29.5$, no desde $30$.

3. Confundir densidad de probabilidad con probabilidad

Parece razonable porque en la gráfica de una curva gaussiana, la altura $f(x)$ parece indicar "cuánta probabilidad" hay en ese punto. Falla porque $f(x)$ es una densidad y tiene dimensiones físicas $[x]^{-1}$. Si la escala de la variable se mide en milímetros en vez de metros, el valor numérico de $f(x)$ se multiplica por 1000 y puede superar holgadamente el valor 1. Se detecta si alguien afirma que una probabilidad es $1.5$ o $2.8$ basándose en la altura máxima de una campana muy estrecha. Se corrige recordando que para obtener una probabilidad adimensional es obligatorio multiplicar o integrar $f(x)$ sobre un intervalo diferencial $dx$: $P = \int_a^b f(x) dx$. Mini-ejemplo: para una variable normal con $\sigma = 0.01 \text{ s}$, la altura en la media es $f(0) \approx 40 \text{ s}^{-1}$; la probabilidad en un intervalo de $0.001 \text{ s}$ es $40 \times 0.001 = 0.04$, perfectamente válida.

4. Asumir varianza independiente de la media en procesos de Poisson

Parece razonable porque en la distribución normal la media $\mu$ y la varianza $\sigma^2$ son parámetros independientes que pueden elegirse libremente. Falla porque en la distribución de Poisson la media y la varianza están rígidamente acopladas por la estructura matemática del proceso: $\sigma^2 = \lambda = \mu$. No existe un proceso de Poisson con media 100 y desviación estándar 2. Se detecta cuando un modelo de conteo experimental reporta incertidumbres de conteo desvinculadas de la raíz cuadrada del número de cuentas. Se corrige asignando siempre $\sigma = \sqrt{N}$ a las cuentas brutas no procesadas. Mini-ejemplo: si se registran 10000 cuentas de fotones, la incertidumbre estadística es automáticamente $\sqrt{10000} = 100$ cuentas ($1\%$).

5. Aplicar la distribución exponencial a procesos con memoria o envejecimiento

Parece razonable porque la exponencial decae de forma monótona, similar a cómo se degradan muchos componentes físicos. Falla porque la distribución exponencial posee la propiedad única de falta de memoria: $P(T > t + s | T > s) = P(T > t)$. Esto significa que una bombilla o componente que siga una exponencial tiene la misma probabilidad de fallar en la próxima hora sea nueva o tenga 10 años de uso. Se detecta cuando se modelan fenómenos de fatiga de materiales o desgaste mecánico mediante exponenciales simples. Se corrige empleando la distribución de Weibull o log-normal para componentes mecánicos sujetos a envejecimiento y reservando la exponencial exclusivamente para transiciones cuánticas y decaimientos radiactivos espontáneos. Mini-ejemplo: los núcleos de carbono-14 no envejecen (un núcleo de hace 10000 años tiene exactamente la misma probabilidad de decaer hoy que uno recién formado); una barra de acero sometida a ciclos térmicos acumula microfisuras y envejece, violando la exponencial.

Regla rápida de detección

• Si estás contando enteros: comprueba si $\lambda < 20$. Si es así, prohibido usar Gauss.
• Si calculas probabilidades continuas: comprueba las unidades de tu resultado. Si no es un número puro adimensional entre 0 y 1, el cálculo contiene un error dimensional.

Aplicaciones físicas de las Distribuciones Probabilísticas Básicas

1. Astrofísica: ruido de disparo fotónico en cámaras CCD astronómicas

Aparece al capturar imágenes de galaxias lejanas o exoplanetas tenues mediante detectores CCD en telescopios espaciales (Hubble, James Webb). Se calcula modelando el flujo de fotones estelares que incide sobre cada píxel como un proceso de Poisson con parámetro $\lambda = \Phi_{\text{fotones}} \cdot A \cdot \Delta t \cdot \eta_{\text{cuántica}}$. El resultado da la fluctuación estadística intrínseca de la señal (ruido de disparo o shot noise) $\sigma = \sqrt{\lambda}$, estableciendo el límite fundamental de detección fotométrica que ninguna tecnología de sensor puede superar. El error peligroso es confundir el ruido de disparo fotónico con el ruido de lectura electrónico del sensor (readout noise); el ruido de lectura es gaussiano y constante, mientras que el shot noise crece con la raíz cuadrada del brillo del objeto. Como control final se calcula la relación señal-ruido $\text{SNR} = \lambda / \sqrt{\lambda + \sigma_{\text{read}}^2}$ para determinar el tiempo de integración óptimo antes de que el fondo del cielo sature la imagen.

2. Física nuclear: datación por radiocarbono (Carbono-14)

Aparece en arqueometría y geofísica nuclear para datar fósiles orgánicos midiendo la actividad beta residual de la desintegración $^{14}\text{C} \to {}^{14}\text{N} + e^- + \bar{\nu}_e$. Se calcula utilizando la ley de decaimiento exponencial $N(t) = N_0 e^{-\lambda t}$, donde los tiempos de vida individuales de los núcleos siguen una densidad exponencial continua $f(t) = \lambda e^{-\lambda t}$ con vida media $\tau = 1/\lambda = T_{1/2} / \ln(2) \approx 8267 \text{ años}$. El resultado da la edad de la muestra arqueológica a partir del cociente de actividad medido en espectrometría de masas por acelerador (AMS). El error peligroso es omitir que a medida que la muestra supera los 40,000 años de antigüedad, el número de cuentas de desintegración por hora cae a valores extremadamente pequeños donde la estadística de Poisson impone barras de error asimétricas que distorsionan drásticamente la datación si se tratan con fórmulas gaussianas estándar. Como control final se cotejan las edades obtenidas con curvas de calibración dendrocronológicas (anillos de árboles) que corrigen las fluctuaciones históricas en la producción de radiocarbono.

3. Física del estado sólido: distribución de velocidades térmicas de Maxwell-Boltzmann

Aparece en teoría cinética y física de semiconductores para modelar la velocidad térmica de electrones de conducción y átomos gaseosos. Se calcula considerando que cada componente cartesiana de la velocidad ($v_x, v_y, v_z$) sigue de forma independiente una distribución normal $\mathcal{N}(0, k_B T / m)$. La magnitud de la velocidad $v = \sqrt{v_x^2 + v_y^2 + v_z^2}$ sigue entonces la distribución de Maxwell: $f(v) = \left( \frac{m}{2\pi k_B T} \right)^{3/2} 4\pi v^2 \exp\left( -\frac{m v^2}{2 k_B T} \right)$ El resultado da la velocidad más probable $v_p = \sqrt{2 k_B T / m}$, la velocidad media $\langle v \rangle = \sqrt{8 k_B T / \pi m}$ y la velocidad cuadrática media $v_{\text{rms}} = \sqrt{3 k_B T / m}$. El error peligroso es asumir que la rapidez escalar $v$ se distribuye normalmente; la rapidez $v$ es estrictamente no negativa y su densidad se anula cuadráticamente en $v=0$ debido al factor de volumen esférico $4\pi v^2$ en el espacio de momentos. Como control final se verifica el teorema de equipartición calculando la energía cinética media $\langle \frac{1}{2} m v^2 \rangle = \frac{3}{2} k_B T$.

4. Física médica: dosimetría y supervivencia celular en radioterapia

Aparece en oncología radioterápica para predecir la fracción de supervivencia celular $S(D)$ tras administrar una dosis de radiación ionizante $D$ mediante el modelo lineal-cuadrático. Se calcula modelando el número de roturas letales de doble hebra en el ADN celular mediante un proceso de Poisson espacial en el núcleo: la probabilidad de que una célula no reciba ningún impacto letal es la probabilidad de cero eventos en Poisson: $S = P(k=0) = e^{-\langle k \rangle} = \exp(-\alpha D - \beta D^2)$. El resultado da la curva de supervivencia fraccional para optimizar el fraccionamiento de dosis en pacientes, maximizando la muerte celular en el tumor y preservando los tejidos sanos. El error peligroso es asumir una respuesta celular determinista lineal ignorando la naturaleza estocástica del depósito de energía microscópico (microdosimetría), lo que provocaría subestimar el daño biológico en tumores hipóxicos. Como control final se comprueba que a dosis muy bajas ($D \to 0$) la supervivencia responde linealmente con pendiente $-\alpha$, mientras que a altas dosis domina el término cuadrático $-\beta D^2$ por interacción de dos trazas ionizantes independientes.

5. Física de altas energías: descubrimiento de partículas elementales (criterio $5\sigma$)

Aparece en colisionadores de partículas (como el LHC en el descubrimiento del bosón de Higgs) al buscar resonancias o excesos de eventos sobre un fondo continuo estándar. Se calcula integrando la distribución normal tipificada en la cola de significancia estadística: la significancia local $Z$ se define como $Z = \frac{N_{\text{obs}} - N_{\text{fondo}}}{\sigma_{\text{fondo}}}$. El resultado da el nivel de confianza formal; el estándar de oro en física de partículas exige $Z \geq 5\sigma$, lo que equivale a un valor $p = 1 - \Phi(5) \approx 2.87 \times 10^{-7}$ (probabilidad menor a 1 entre 3.5 millones de que el exceso observado sea una mera fluctuación casual del fondo). El error peligroso es el "efecto Look-Elsewhere" (LEO): si se busca una resonancia barriendo un rango amplio de masas invariantes, la probabilidad global de observar una fluctuación local de $3\sigma$ o $4\sigma$ en algún punto del espectro aumenta exponencialmente, generando falsos descubrimientos si no se aplica una corrección de ensayo múltiple. Como control final se calcula la significancia global mediante simulaciones Monte Carlo completas del fondo con millones de ensayos sintéticos.

Práctica guiada: Distribuciones Probabilísticas Básicas

Nivel 1: reconocimiento

Clasifica la distribución de probabilidad más adecuada para modelar cada uno de los siguientes fenómenos físicos:

1. El número de fotones térmicos que impactan en un píxel astronómico en una exposición de 50 milisegundos con una tasa media de 4 fotones.
2. La componente $v_x$ de la velocidad molecular en un gas noble diluido a temperatura de equilibrio $T$.
3. El tiempo transcurrido entre dos llegadas consecutivas de rayos cósmicos a un detector de centelleo.
4. El número de espines orientados "arriba" en un conjunto paramagnético de $N=10$ átomos en un campo magnético externo.

Solución:

1. Distribución de Poisson (conteo discreto de eventos independientes raros en tiempo continuo, tasa baja $\lambda = 4$).
2. Distribución Normal o Gaussiana (teorema de equipartición y distribución de Maxwell-Boltzmann, con media $\mu = 0$ y varianza $\sigma^2 = k_B T / m$).
3. Distribución Exponencial (tiempo de espera continuo entre eventos de un proceso de Poisson homogéneo).
4. Distribución Binomial (número de éxitos binarios en $N$ ensayos de Bernoulli con probabilidad $p$ dada por el factor de Boltzmann).

Nivel 2: aplicación directa

La tensión de ruptura de una muestra de aislante cerámico sigue una distribución normal con media $\mu = 25.0 \text{ kV}$ y desviación estándar $\sigma = 2.0 \text{ kV}$. Calcula la probabilidad de que una muestra elegida al azar soporte una tensión de prueba de $28.0 \text{ kV}$ sin romperse (es decir, que su tensión de ruptura sea $X \geq 28.0 \text{ kV}$).

Solución:

1. Calculamos la puntuación tipificada $z$ para $x = 28.0 \text{ kV}$: $z = \frac{x - \mu}{\sigma} = \frac{28.0 - 25.0}{2.0} = \frac{3.0}{2.0} = +1.5$
2. La probabilidad acumulada hasta $z = 1.5$ según la tabla de la normal estándar es $\Phi(1.5) \approx 0.9332$.
3. La probabilidad de soportar la prueba es la cola superior: $P(X \geq 28.0) = 1 - \Phi(1.5) = 1 - 0.9332 = 0.0668 \quad (6.68\%)$ Apenas el $6.68\%$ de las muestras cerámicas superará la prueba de $28.0 \text{ kV}$.

Nivel 3: elección de herramienta

Un contador de neutrones registra en promedio $\lambda = 400$ neutrones por minuto en un reactor nuclear de investigación. Se desea estimar la probabilidad de registrar más de 430 neutrones en un minuto determinado. ¿Debe calcularse la suma de Poisson exacta o la aproximación gaussiana?

Solución: Dado que $\lambda = 400 \gg 20$, la aproximación gaussiana es extraordinariamente precisa y evita calcular factoriales astronómicos como $400!$.

1. Parámetros de la normal equivalente: $\mu = \lambda = 400$, $\sigma = \sqrt{\lambda} = \sqrt{400} = 20$.
2. Aplicamos la corrección por continuidad para la condición $k > 430$ (equivalente a $k \geq 431$): tomamos el umbral continuo $x = 430.5$.
3. Tipificación: $z = \frac{430.5 - 400}{20} = \frac{30.5}{20} = 1.525$
4. Probabilidad: $\Phi(1.525) \approx 0.9364 \implies P(X > 430) = 1 - 0.9364 = 0.0636 \quad (6.36\%)$

Nivel 4: interpretación física

Demuestra que para una distribución de Poisson, el cociente entre la desviación estándar y el valor medio (coeficiente de variación o ruido relativo) es $\frac{\sigma}{\mu} = \frac{1}{\sqrt{\lambda}}$. ¿Qué implicación experimental tiene este resultado para la relación señal-ruido (SNR) en espectroscopía óptica o imágenes de rayos X?

Solución: En Poisson, la media es $\mu = \lambda$ y la varianza es $\sigma^2 = \lambda$, por lo que $\sigma = \sqrt{\lambda}$. El ruido relativo es: $\frac{\sigma}{\mu} = \frac{\sqrt{\lambda}}{\lambda} = \frac{1}{\sqrt{\lambda}}$ La relación señal-ruido se define como $\text{SNR} = \frac{\text{Señal}}{\text{Ruido}} = \frac{\mu}{\sigma} = \sqrt{\lambda}$. Implicación física: Si se cuadruplica el tiempo de integración de un telescopio o la dosis de un equipo de tomografía (multiplicando $\lambda$ por 4), el número de cuentas se multiplica por 4 pero la fluctuación de ruido solo se multiplica por $\sqrt{4} = 2$. Como consecuencia, la SNR se duplica exactamente (mejora como $\sqrt{N}$). Para mejorar la SNR por un factor 10, es imprescindible recolectar 100 veces más cuentas.

Nivel 5: error intencionado

Un alumno afirma: "En una distribución normal $\mathcal{N}(0, \sigma^2)$, si la desviación estándar es muy pequeña, por ejemplo $\sigma = 0.1$, el valor máximo de la densidad es $f(0) = \frac{1}{0.1 \sqrt{2\pi}} \approx 3.989$. Como la probabilidad no puede ser mayor que 1, la fórmula está rota o no está normalizada". Identifica el error conceptual del estudiante.

Error conceptual: El alumno confunde una función de probabilidad discreta $P(X = k)$ con una función de densidad de probabilidad continua $f(x)$.

1. En variables continuas, la probabilidad de un punto exacto aislado es estrictamente cero: $P(X = 0) = 0$.
2. Lo que está acotado en $[0, 1]$ es el área integrada: $\int_{-\infty}^\infty f(x) dx = 1$.
3. La densidad $f(x)$ tiene dimensiones físicas de $[x]^{-1}$. Si $x$ se mide en metros con $\sigma = 0.1 \text{ m}$, $f(0) = 3.989 \text{ m}^{-1}$. Al integrar en un intervalo estrecho, por ejemplo de anchura $\Delta x = 0.01 \text{ m}$, la probabilidad es $P \approx f(0) \Delta x = 3.989 \cdot 0.01 = 0.03989$ ($3.99\% < 1$), satisfaciendo plenamente los axiomas de Kolmogorov.