ALGUNAS DISTRIBUCIONES

DISCRETAS
1.- DISTRIBUCIN DE BERNOULLI
1.1 Ensayo de Bernoulli
Consiste en realizar un experimento aleatorio una sola vez y observar si
cierto suceso ocurre o no.
As el experimento aleatorio tiene solamente dos resultados posibles, y por tanto
el espacio muestral asociado estar formado por dos eventos simples.
Es comn llamar a uno de los posibles resultados xito y al otro
fracaso en forma arbitraria, sin implicar ello que un xito sea necesariamente
deseable.
El hecho de llamar xito o fracaso a los posibles resultados obedece a una
tradicin literaria o histrica.
Supondremos que:
p = prob. de xito (E)
q = 1-p = prob. de fracaso (F)
Resumiendo:
Caractersticas de un ensayo de Bernoulli
a.- El ensayo tiene uno de dos resultados mutuamente excluyentes, que
indicaremos arbitrariamente xito (E) y fracaso (F).
b.- Los resultados son exhaustivos, es decir no hay otros resultados posibles.
c.- Las probabilidades de E y F se indican: P(E) = p y P(F) = q = 1-p

1.2 Distribucin de probabilidad de Bernoulli
Los dos posibles resultados, xito y fracaso, de un ensayo de Bernoulli
son de naturaleza CUALITATIVA.
Pero sabemos que en el anlisis estadstico es necesario convertir estos eventos
cualitativos en CUANTITATIVOS (valores numricos).
Para ello definimos una v.a. discreta como sigue:

'

fracaso un ocurre si 0
xito un ocurre si 1
X
La distribucin de probabilidad de una v.a. discreta en general viene dada
mediante una tabla, en este caso ser:
X 1 0
P(x
i
) = P(X= x
i
) p 1-p
Tabla 1
Recordar: distribucin de probabilidad de una v.a. discreta est constituida por
los valores que toma la v.a. X y las probabilidades con que toma estos valores.
Podemos escribir la f.d.p. de la v.a. X como sigue:
p(x) = P(X = x) = p
x
.(1-p)
1-x
para x = 0,1. (1)
Decimos que la v.a. X con f.d.p. dada por (1) tiene distribucin de Bernoulli. (Se
realiza slo un experimento que puede tener nicamente dos resultados).
Podemos resumir lo dicho como sigue:
Distribucin de probabilidad de Bernoulli
Consideramos un ensayo de Bernoulli y definimos la v.a. discreta X por:

'

fracaso un ocurre si 0
xito un ocurre si 1
X
Decimos que X tiene distribucin de Bernoulli si y solo si, su f.d.p. est dada
por:
p(x) = P(X = x) = p
x
.(1-p)
1-x
para x = 0,1.

donde p es la probabilidad de xito.
Notacin: Para indicar que una v.a. discreta X tiene distribucin de
probabilidad de Bernoulli, anotaremos:
X Ber(p)
Notar que p es el nico parmetro (nmero que caracteriza a una distribucin)
de esta distribucin.
Observacin. La distribucin de Bernoulli solo tiene inters terico, se usar
para obtener la distribucin binomial.
1.3 Esperanza y varianza de una variable aleatoria con
distribucin de Bernoulli
I) Esperanza
De acuerdo a la definicin de esperanza de una v.a. X, resulta:
) ( ) (
2
1
i
i
i
x f x X E

en nuestro caso: x
1
= 1 y x
2
= 0 = E(X) = 1.p + 0.(1-p) = p
Por tanto:
E(X) = p
II) Varianza
De acuerdo a la definicin de varianza de una v.a. discreta X, resulta:
[ ] [ ]
) 1 .( ) 1 ( ) 0 ( ) 1 (
) ( . ) ( ) ( )) ( ( ) (
2 2
) 2 ( 2
2
1
) 1 ( 2 2 2
p p p p p p
x p p x p X E X E X E X V
i
i
i
+

(1) por definicin de esperanza de una funcin de v.a. (en este caso: Y =
H(X) = =(X-p)
2
)
(2) se us x
1
= 1 y x
2
= 0
Luego:
V(X) = p.(1-p)
1.4 Funcin de distribucin de probabilidad acumulada (Fda)
Sabemos que la Fda de cualquier v.a. de define por: F(x) = P(X x)
Teniendo en cuenta la tabla 1:

si x < 0 F(x) = 0
si 0 x < 1 F(x) = 1-p
si x 1 F(x)= p + 1-p = 1
Por tanto:

'

<
<

1 x si 1
1 x 0 si p - 1
0 x si 0
) (x F
(graficar la funcin). Es una funcin escalonada.
Ejemplo En una empresa textil el 80 % de los empleados son mujeres.
Sea X la v.a. que toma el valor 1 cuando un empleado seleccionado
aleatoriamente es mujer y 0 cuando el empleado es hombre.
Obtener la media y la desviacin estndar de X.
Solucin
Denominaremos:
xito: si se selecciona aleatoriamente una mujer.
fracaso: si se selecciona aleatoriamente un hombre.
La distribucin de probabilidad de la v.a. X ser:
X 1 0
p(x
i
) = P(X = x
i
) 0,80 0,20
p(x
1
) = P(X = 1) = 0,80 = p
p(x
2
) = P(X = 0) = 0,20 = 1-p
Por tanto:
E(X)= 0,80
V(X) = 0,80(1-0,80) = 0,16 desviacin estndar de X = 0,4
2.- DISTRIBUCIN BINOMIAL
Una v.a. de Bernoulli, por si sola, tiene poco inters en las aplicaciones. En
cambio la realizacin de una serie de pruebas de Bernoulli conduce a varias
distribuciones de probabilidad muy usadas, una de ellas es la binomial.
Supongamos que se realizan n ensayos de Bernoulli, independientes, con lo cual
el resultado de un ensayo no influye en el resultado de cualquier otro.
Consideramos adems que:
p: prob. de un xito en cada repeticin
q = 1-p: prob. de un fracaso en cada repeticin.
En estos problemas siempre haremos las siguientes suposiciones:
Caractersticas que definen una v.a. binomial
1.- Existen solamente dos posibles resultados en cada ensayo, arbitrariamente
llamados xito y fracaso.
2.- La probabilidad p de un xito es la misma en cada ensayo.
3.- Se efectan n ensayos, donde n es una constante especificada.
4.- Los n ensayos son estadsticamente independientes.
5.- La v.a. binomial X representa el nmero x de xitos en n ensayos
independientes de Bernoulli.

Para resolver problemas que satisfacen las condiciones enunciadas arriba,
usaremos el siguiente procedimiento:
Definimos una v.a. X tal que:
X: nmero x de xitos en n ensayos independientes de Bernoulli
con x = 0, 1, 2,, n. (desde 0 xitos hasta n xitos).
Estamos interesados en hallar la probabilidad de obtener x xitos y n-x
fracasos en n ensayos independientes de Bernoulli, de decir:
p(x) = P(X = x)
Observar que: el resultado de las n repeticiones es una secuencia de n
resultados, cada uno de los cuales puede ser: xito (E) o fracaso (F).
Una secuencia posible con x xitos y (n-x) fracasos es:
EEEEE.E FFF.F (1)
x xitos (n-x) fracasos
pero: p = P(E) (probabilidad de 1 xito en cada repeticin)
1-p = P(F) (probabilidad de un fracaso en cada repeticin)
dado que las n repeticiones son independientes, la probabilidad de cualquier
secuencia de resultados es, por la regla de multiplicacin de probabilidades,
igual al producto de las probabilidades de los resultados individuales. Es decir,
en particular para la secuencia (1):
P(EEE.EFFF.F) = P(E).P(E).P(E).P(E).P(F)P(F).P(F) =
= p.p.pp (1-p)(1-p).(1-p) = p
x
.(1-p)
n-x
x veces (n-x) veces
este resultado establece que la probabilidad de obtener una secuencia
concreta que contenga x xitos y (n-x) fracasos es: p
x
.(1-p)
n-x
Pero nuestro inters original no era determinar la probabilidad de ocurrencia de
una secuencia particular, sino la probabilidad de obtener exactamente x xitos,
sin tener en cuenta el orden de los resultados.
Existen varias secuencias en las que pueden aparecer x xitos intercalados entre
n-x fracasos. El nmero de secuencias de este tipo es el nmero de
combinaciones de n elementos tomados de a x, puesto que podemos elegir x
posiciones de un total de n en las que colocar los xitos.
Entonces:
el nmero de secuencias que contienen x xitos en n repeticiones es:
)! !.(
!
) , (
x n x
n
x
n
x n C

,
_

Adems todas las secuencias que se presentan son mutuamente excluyentes,

puesto que no pueden ocurrir dos de ellas simultneamente.
Hasta ahora vimos que:
el suceso se obtienen x xitos en n repeticiones pude ocurrir de

,
_

x
n
maneras mutuamente excluyentes, cada una con probabilidad:
p
x
.(1-p)
n-x
.
Luego por la regla de la suma de probabilidades, la probabilidad buscada es la
suma de estas C(n, x) probabilidades individuales, es decir:
X: nmero x de xitos en n ensayos independientes de Bernoulli
p(x) = P(X = x) =
n ...., 1, 0, con x ) 1 (

,
_

x n x
p p
x
n
Definicin. Supongamos que se realizan n ensayos de Bernoulli
independientes,
Si X es la v.a. que representa el nmero de xitos en las n repeticiones;
decimos
que X tiene distribucin de probabilidad binomial con parmetros n y p.
Su f.d.p. es:
p(x) = P(X = x) = n ...., 1, 0, con x ) 1 (

,
_

x n x
p p
x
n

Notacin. Si X es una v.a. discreta con distribucin binomial, con parmetros n
y p, lo indicaremos:
X B(n, p)
Recordar: los parmetros son nmeros que caracterizan a una distribucin.
Ejemplos
1.- Consideremos un gran lote de fusibles, el el cual 10 % de los mismos son
defectuosos. Si se extraen aleatoriamente 4 fusibles del lote:
I. Calcular la probabilidad de que slo un fusible sea defectuoso.
II. Calcular la probabilidad de que por lo menos 1 fusible sea defectuoso.
Solucin
Primero se debe verificar que podemos resolver el problema usando la
distribucin binomial.
n = 4 (se hacen 4 ensayos)
p = 0,10 (es la misma en cada extraccin, cosa que es cierta si el lote es
realmente grande, si el lote estuviera formado por pocos fusibles, al
extraer uno de ellos, cambiara la probabilidad de obtener un defectuoso
en la segunda extraccin).
en este contexto el uso del trmino aleatorio indica que existe
independencia en los distintos ensayos.
existen solamente 2 resultados posibles, llamaremos xito: extraer un
fusible defectuoso.
De acuerdo a todo esto resolvemos el problema usando la distribucin binomial.
Definimos as la v.a. X: nmero x de xitos en 4 ensayos independientes de
Bernoulli
Esta variable puede tomar los valores: x = 0, 1, 2, 3, 4.
I. p(1) = P(X = 1) =
2916 , 0 ) 1 , 0 1 .( ) 1 , 0 (
1
4
3 1

,
_

(este valor sacarlo de la

tabla puntual de la distribucin binomial)
II. P(X 1) = P(X = 1) + P(X = 2) + P(X = 3) + P(X = 4)
Podemos usar aqu la tabla de la f.d.p de la distribucin binomial, para
ello:
Recordar: P(A) +P(CA) = 1, usando esta propiedad:
P(X < 1) + P(X 1) = 1 P(X 1) = 1-P(X < 1) = 1 P(X = 0) =
3439 , 0 ) 10 , 0 1 ).( 10 , 0 (
0
4
1
4

,
_

2.-El sistema de direccin de un cohete trabaja bien con una probabilidad p. En
el cohete i instalan sistemas de respaldo independientes, pero idnticos, de modo
que la probabilidad de que al menos un sistema trabaje en forma correcta sea por
lo menos 0,95.
Sea n el nmero de sistemas de direccin en el cohete, cunto debe valer el
mnimo n para alcanzar la probabilidad especificada de que al menos trabaje un
sistema de direccin si:
I. p = 0,9
II. p = 0,8
Solucin
Veamos que se puede usar la distribucin binomial.
existen 2 resultados posibles: el sistema de direccin de un cohete
funciona bien o no.
p = 0,9 (en I); p = 0,8 (en II)
p = probabilidad de un xito.
los ensayos son independientes.
n : es el valor a especificar teniendo en cuenta los datos del problema.
Definimos la v.a. X que representa:
X: N x de xitos en n ensayos independientes de Bernoulli
X puede tomar los valores x =0, 1, 2, , n.
Llamaremos xito: un sistema funciona bien
P(X 1) = 1- P(X = 0) = 1-
n n
p p p
n
) 1 ( 1 ) 1 .( .
0

,
_

Las condiciones especifican que n debe ser tal que:

P(X 1) = 1-(1-p)
n
0,99
I. p = 0,9
1-(1-0,9)
n
0,99 0,01 (0,1)
n
bastar con tomar n tal que
0,01 = (0,1)
n
tomando logaritmo decimal en ambos miembros de la igualdad:
log(10
-2
) = n.log(10
-1
)
-2.log(10) = -n.log(10)
n = 2
II. p =0,8
1-(1-0,8)
n
0,99 0,01 (0,2)
n
bastar con tomar n tal que
0,01 = (0,2)
n
tomando logaritmo natural en ambos miembros de la igualdad:
ln(10
-2
) = n .ln(0,2)
-4,605) = -n.(1,609)
86 , 2
609 , 1
605 , 4
n
basta tomar n = 3
Esperanza y Varianza de la distribucin binomial.
a) ESPERANZA
Consideremos n ensayos de Bernoulli independientes, cada uno de ellos con
probabilidad de xito p.
Sea la v.a. X
i
, de Bernoulli que representa el resultado del i-simo ensayo
(i = 1,., n)

'

fracaso un ocurre si 0
xito un ocurre si 1
i
X
X
1
, X
2
,, X
n
son n v.a. independientes con distribucin de Bernoulli, cada una
con probabilidad de xito p.
Definimos una nueva v.a (funcin de X
1
, X
2
,, X
n
) como sigue:
X = X
1
+ X
2
++ X
n
X representa el nmero total x de xitos en los n ensayos independientes de
Bernoulli.
Pensar: si en el ensayo 2 sali fracaso, por ejemplo, X
2
= 0, y as cada vez que
se produzca un fracaso, solo sumamos los 1, de aquellas variables
correspondientes a xitos.
Esto indica que una v.a. binomial puede expresarse como suma de v.a. de
Bernoulli independientes.

Luego:
E(X) = E(X
1
+ X
2
++ X
n
) = E(X
1
) + + E(X
n
)
Recordando que E(X
i
) = p; para i = 1, 2, , n; resulta : E(X) = np
b) VARIANZA
Haciendo las mismas consideraciones que en la parte a) y recordando que:
V(X
i
) = p.(1-p) i = 1, 2, , n
Resulta:
V(X) = V(X
1
+ X
2
++ X
n
) =
(1)
V(X
1
) + + V(X
n
) V(X) = np(1-p)
(1) teniendo en cuenta que X
1
, X
2
,, X
n
independientes y usando una de las
propiedades de la varianza.
Conclusin: Si X es una v.a. con distribucin B(n,p) E(X) = np
V(X) = np(1-p)
FUNCIN DE DISTRIBUCIN DE PROBABILIDAD ACUMULADA
PARA UNA V.A. B(n, p)
Sabemos que la probabilidad de que una v.a. X sea menor o igual a un valor
especfico x, se determina por medio de la funcin de distribucin acumulada:
F(x) = P(X x) =
i n i
x
i
p p
i
n

,
_

) 1 .( .
0
La distribucin binomial est tabulada de manera extensa para distintos valores
de n y p, ya sea por medio de:
p(x) = P(X = x) o bien F(x) = P(X x)
La tabla de F(x) proporciona las probabilidades acumuladas para distintos
valores de x, n y p.
A partir de ella tambin se puede determinar:
p(x) = P(X = x) = F(x) F(x-1) (por un teorema que ya vieron)
Para ejemplificar el uso de la tabla hallamos:
Para n = 10 y p = 0,3
P(X 4) = 0,8497
P(X > 2) = 1- P(X 2) = 1 0,3828 = 0,6172
P(X = 5) = F(5) F(4) = 0,9527 0,8497 = 0,1030
P(X < 3) = P(X 2)= 0,3828
3.- DISTRIBUCIN HIPERGEOMTRICA
N-N
A

fracasos Tamao de
la muestra
aleatoria
3.1.- Introduccin
La distribucin binomial tiene muchas aplicaciones en diversas reas,
particularmente en problemas referentes al muestreo.
En todos los casos el uso d la distribucin binomial requiere que:
el muestreo se haga con reposicin
de esta manera la probabilidad p de un xito en cada ensayo se mantiene
constante.
Tambin si:
el tamao de la poblacin es muy grande frente al tamao de la muestra
puede usarse la distribucin binomial an trabajando sin reposicin, dado que la
influencia de la dependencia es tan pequea que puede ser ignorada.
3.2.- Funcin de distribucin de probabilidad de una variable aleatoria
hipergeomtrica
Queremos definir el significado de una v.a. con distribucin hipergeomtrica y
hallar su funcin de distribucin de probabilidad.
Consideremos una poblacin de N finita de N elementos, de los cuales:

'

A propiedad la verifican no elementos N - N

A propiedad la verifican elementos N
elementos

A

A
N
Se extrae un muestra aleatoria de n elementos, entre los cuales hay:

'

A propiedad la verifican no elementos k - n

A propiedad la verifican elementos k
elementos n
Estamos interesados en calcular la probabilidad de que la muestra extrada
contenga k elementos que verifican A.
N-N
A

fracasos Tamao de
la muestra
aleatoria
1.- El experimento consiste en extraer al azar y sin sustitucin n elementos
de un conjunto de N de esos elementos dados. De los n elementos
extrados: e
2.- El tamao N de la poblacin no es grande con respecto al tamao n de
la muestra, puede decirse que (n/N) > 0,05.
3.- La variable aleatoria hipergeomtrica X, representa:
X: n de xitos extrados sin reposicin en una muestra aleatoria de n
elementos
Si llamamos xito al hecho de que un elemento verifique la propiedad A,
podemos esquematizar lo dicho anteriormente como sigue:
Definimos la v.a:
X: nmero k de xitos extrados sin reposicin contenidos en la muestra
aleatoria de tamao n
Queremos hallar la f.d.p. de X, es decir:
P(k) = P(X = k)
Es inmediato que los valores de k deben ser tales que:
0 k n
k N
A
n-k N N
A
es decir: n-N+N
A
k
Se deduce que:
Mx(0, n-N+N
A
k Mn(n, N
A
)
Consideremos que:
casos de total nmero
k X evento al favorables casos de nmero
) ( ) (

k X P k p
I) Nmero total de casos : el nmero total de posibles muestras de n
elementos que pueden elegirse de um total de N es l nero de
combinaciones C(N, n)=

,
_

n
N
II) Nmero de casos al evento X = k : el nmero posible de obtener k
xitos de un total de N
A
xitos, ser: C(N
A
, k) =

,
_

k
N
A
y el nmero
N
Tamao
de la poblacin
N
A
xitos
N-N
A

fracasos
n
Tamao de
la muestra
aleatoria
k xitos
n k
fracasos
1.- El experimento consiste en extraer al azar y sin sustitucin n elementos
de un conjunto de N de esos elementos dados. De los n elementos
extrados: e
2.- El tamao N de la poblacin no es grande con respecto al tamao n de
la muestra, puede decirse que (n/N) > 0,05.
3.- La variable aleatoria hipergeomtrica X, representa:
X: n de xitos extrados sin reposicin en una muestra aleatoria de n
elementos
posible de obtener n-k fracasos en la muestra, de un total de N-N
A
fracasos, ser: C(N-N
A
; n-k) =

,
_

k n
N N
A
De I) y II) se obtiene que:
el nmero total de muestras de n elementos que contienen: k xitos y n-k
fracasos es:

,
_

,
_

k n
N N
k
N
A A
entonces:
) , ( N N - n Mx(0, : que tal
positivo entero es k y naturales neros son n , N N, donde ) ( ) (
A
A
A
A A
N N Mn k
n
N
k n
N N
k
N
k X P k p
+

,
_

,
_

,
_

Notacin: si una variable aleatoria X tiene distribucin hipergeomtrica con
parmetros N, N
A
y n indicaremos X ~ H(N, N
A
, n).
3.3.-
Caractersticas que definen a una variable aleatoria con distribucin
hipergeomtrica
1.- El experimento consiste en extraer al azar y sin sustitucin n elementos
de un conjunto de N de esos elementos dados. De los n elementos
extrados: e
2.- El tamao N de la poblacin no es grande con respecto al tamao n de
la muestra, puede decirse que (n/N) > 0,05.
3.- La variable aleatoria hipergeomtrica X, representa:
X: n de xitos extrados sin reposicin en una muestra aleatoria de n
elementos
3.4.- Ejemplos
a) Un alumno que no tiene mucho tiempo para preparar un examen cree que
puede estudiar 10 de los 15 temas que el profesor ha dictado en clase,
sabiendo que el profesor se ha comprometido a extraer 5 al azar de entre
los 15, para proponerlos como preguntas en el examen. cul es la
probabilidad de que el alumno conozca al menos 3 de los temas del
examen?
Solucin
Tamao de la poblacin: N = 15
El profesor selecciona al azar 5 entre los 15 temas, entonces: n = 5
Esta seleccin se puede hacer de:
diferentes maneras
! 5 !. 10
! 15
5
15

,
_

n = 5 entonces: k = 3 y n-k = 2
Se debe calcular: p(3) = P(X = 3), por tanto:
40 , 0
5
15
2
5
3
10
) 3 (

,
_

,
_

,
_

p
b) En un proceso de produccin se fabrican componentes electrnicos en
lotes de 50 unidades. Supngase que el proceso ha estado funcionando
mal y que 5 componentes de un lote particular son defectuosos. Cul es
la probabilidad de que una muestra de tamao 4 contenga exactamente 1
componente defectuoso y 3 no defectuosos?
Solucin
N = 50
De los cuales: 5 don defectuosos y 45 son no defectuosos.
Definimos:
X: n de elementos defectuosos en la muestra de tamao n = 4
Se debe calcular:
p(1) = P(X = 1)
308 , 0
4
50
3
45
1
5
) 1 (

,
_

,
_

,
_

p
3.5.- Esperanza y Varianza de una variable aleatoria X con distribucin
Hipergeomtrica .
a) Esperanza
Supongamos que una urna contiene una poblacin de N bolillas, de las cuales
N
A
bolillas son blancas y N- N
A
bolillas son negras
Se extrae una muestra al azar de n bolillas, sin reemplazo y se define la
variable aleatoria:
X: n de bolillas blancas en la muestra
La variable aleatoria X tiene distribucin hipergeomtrica dado que el
muestreo se hace sin reemplazo.
Calcularemos la E(X).
Supongamos que el muestro se hace en forma secuencial y se anotan los
valores X
1
, , X
n
; donde:

'

(fracaso) blanca es no extrada bolilla sima - e la si 0

(xito) blanca es extrada bolilla sima - i la si 1
i
X
i = 1, 2, , n
N
N
X P
A
) 1 (
1
N
N
N
N
N
N N
N
N
N
N
X X P
X P X X P X P X X P X X P
X X P X P
A A A A A

+ +

1
.
1
1
. ) 0 / 1 (
). 0 ( ) 1 / 1 ( ). 1 ( ) 1 0 ( ) 1 1 (
) 1 0 X 1 X 1 ( 1 ) 2 (
1 2
1 1 2 1 2 1 2 1
2 1 2 1 2
Anlogamente puede probarse que:
n ..., 2, 1, i ; ) 1 (
N
N
X P
A
i
As la probabilidad de sacar una bolilla blanca en cualquier intento, dado que
no se conocen los resultados anteriores, es:
N
N
p
A

Podemos definir la variable aleatoria X como sigue:

X= X
1
+X
2
++X
n
Entonces: E(X) = E(X
1
) + E(X
2
) + ...+E(X
n
) = n.
N
N
A
=np
b) Varianza
.
1
). 1 .( .
1
). 1 .( . ) (

N
n N
p p n
N
n N
N
N
N
N
n X V
A A
Sin demostracin
c) Comparacin de la esperanza y la varianza de una variable aleatoria
con distribucin H(N, N
A
, n) y la esperanza y varianza de una
variable aleatoria B(n, p)
I. Si X es variable aleatoria con distribucin B(n, p), entonces:
E(X) = n.p
V(X) = n.p.(1-p) (1)
II. Si X es variable aleatoria con distribucin H(N, N
A
, n), entonces:
(2)
1 - N
n - N
p). - n.p.(1
1
). 1 ( . ) (
. . ) (

N
n N
N
N
N
N
n X V
p n
N
N
n X E
A A
A
Comparando (1) y (2) que en (2) existe un factor adicional:
(N-n)/(N-1) llamado: factor de correccin de poblaciones finitas.
Cuando n = 1 esta factor es exactamente igual a 1.
Cuando n > 1 el factor es menor que 1.
Para la mayora de las situaciones prcticas en las que la muestra es
una fraccin muy pequea de la poblacin (n es mucho ms pequeo
que N) el factor:
1

N
n N
es aproximadamente igual a 1.
Por ejemplo: si n = 100 y N = 100.000.000
resulta:
999999 , 0
1

N
n N
3.6.- Resumen comparativo de las distribuciones hipergeomtrica y
binomial
DISTRIBUCIN SUPOSICIONES FUNCIN DE DISTRIBUCIN
DE PROBABILIDAD
BINOMIAL
Muestro con
reposicin o
de una
poblacin
infinita (para
los efectos
prcticos n
5 % de N).
p constante
n .., 1, 0, con x
) 1 .( . ) (

,
_

x n x
p p
x
n
x f
HIPERGEOMETRICA
Muestreo sin
reposicin
de una
poblacin
finita.
p cambia con
cada
observacin
muestral.
) , ( N N - n Mx(0,
: que tal positivo entero es k y
naturales neros son n , N N, donde
) ( ) (
A
A
A
A A
N N Mn k
n
N
k n
N N
k
N
k X P k p
+

,
_

,
_

,
_

Distribucin de Poisson
Una variable de tipo Poisson cuenta xitos (es decir, objetos de un tipo
determinado) que ocurren en una regin del espacio o del tiempo.
En este tipo de experimentos los xitos buscados son expresados por unidad de
rea, tiempo, pieza, etc, etc. Ejemplos:
- Nmero de defectos de una tela por m
2
- Nmero de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc,
etc.
- Nmero de bacterias por cm
2
de cultivo
- Nmero de llamadas telefnicas a un conmutador por hora, minuto, etc, etc.
- Nmero de llegadas de embarcaciones a un puerto por da, mes, etc, etc.
El experimento que la genera debe cumplir las siguientes condiciones:
1. El nmero de xitos que ocurren en cada regin del tiempo o
del espacio es independiente de lo que ocurra en cualquier otro tiempo o
espacio disjunto del anterior.
2. La probabilidad de un xito en un tiempo o espacio pequeo
es proporcional al tamao de este y no depende de lo que ocurra fuera de l.
3. La probabilidad de encontrar uno o ms xitos en una regin
del tiempo o del espacio tiende a cero a medida que se reducen las
dimensiones de la regin en estudio.
Como consecuencia de estas condiciones, las variables Poisson tpicas son
variables en las que se cuentan sucesos raros.
La funcin de probabilidad de una variable Poisson es:
El parmetro de la distribucin es que es igual a la media y a la varianza de la
variable.
=E[X]= (verificarlo)

2
=V[X]= (verificarlo)
La distribucin de Poisson se puede considerar como el lmite al que tiende la
distribucin binomial cuando n tiende a y p tiende a 0, siendo np constante (y
menor que 7); en esta situacin sera difcil calcular probabilidades en una
variable binomial y, por tanto, se utiliza una aproximacin a travs de una
variable Poisson con media
np
.
La varianza de la variable aproximada es ligeramente superior a la de la variable
binomial
Las variables Poisson cumplen la propiedad de que la suma de variables Poisson
independientes es otra Poisson con media igual a la suma las medias.
El aspecto de la distribucin depende muchsimo de la magnitud de la media.
Como ejemplo, mostramos tres casos con = 0,5 (arriba a la izquierda), = 1,5
(arriba a la derecha) y = 5 (abajo) Obsrvese que la asimetra de la distribucin
disminuye al crecer y que, en paralelo, la grfica empieza a tener un aspecto
acampanado.
Fig. 3.6. Grficos de probabilidad de Poisson.
Ejemplos:
Ejemplo 8.5. Si un banco recibe en promedio 6 cheques sin fondo por da,
cules son las probabilidades de que reciba, a) cuatro cheques sin fondo en un
da dado, b) 10 cheques sin fondos en cualquiera de dos das consecutivos?
Solucin:
a) x = variable que nos define el nmero de cheques sin fondo que llegan al
banco en un da cualquiera = 0, 1, 2, 3, ....., etc, etc.
= 6 cheques sin fondo por da

13392 0
24
00248 0 1296
4
718 2 6
6 4
6 4
.
) . )( (
!
) . ( ) (
) , x ( p

b)
x= variable que nos define el nmero de cheques sin fondo que llegan al banco
en dos das consecutivos = 0, 1, 2, 3, ......, etc., etc.
= 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos das
consecutivos
Nota: siempre debe de estar en funcin de x siempre o dicho de otra forma,
debe hablar de lo mismo que x.
104953 0
3628800
000006151 0 10 1917364 6
10
718 2 12
12 10
12 10
.
) . )( . (
!
) . ( ) (
) , x ( p

Ejemplo 8.6. En la inspeccin de hojalata producida por un proceso electroltico

continuo, se identifican 0.2 imperfecciones en promedio por minuto. Determine
las probabilidades de identificar a) una imperfeccin en 3 minutos, b) al menos
dos imperfecciones en 5 minutos, c) cuando ms una imperfeccin en 15
minutos.
Solucin:
a) x = variable que nos define el nmero de imperfecciones en la hojalata por
cada 3 minutos = 0, 1, 2, 3, ...., etc., etc.
= 0.2 x 3 =0.6 imperfecciones en promedio por cada 3 minutos en la hojalata


329307 0
1
548845 0 6 0
1
718 2 6 0
6 0 1
6 0 1
.
) . )( . (
!
) . ( ) . (
) . , x ( p
.

b) x = variable que nos define el nmero de imperfecciones en la hojalata por
cada 5 minutos = 0, 1, 2, 3, ...., etc., etc.
= 0.2 x 5 =1 imperfeccin en promedio por cada 5 minutos en la hojalata

,
_

+

!
) . )( (
!
) . ( ) (
) , , x ( p ) .... etc , , , x ( p
1
718 2 1
0
718 2 1
1 1 1 0 1 1 4 3 2
1 1 0


=1-(0.367918+0.367918) = 0.26416

c) x = variable que nos define el nmero de imperfecciones en la hojalata por
cada 15 minutos = 0, 1, 2, 3, ....., etc., etc.
= 0.2 x 15 = 3 imperfecciones en promedio por cada 15 minutos en la hojalata


+ +

!
) . ( ) (
!
) . ( ) (
) , x ( p ) , x ( p ) , , x ( p
1
718 2 3
0
718 2 3
3 1 3 0 3 1 0
3 1 3 0


= 0.0498026 + 0.149408 = 0.1992106