Las principales distribuciones discretas

Hasta aqu, hemos analizado variables aleatorias y sus funciones de probabilidad. Dedicare-
mos este captulo a estudiar algunas distribuciones discretas particulares que resultan impor-
tantes tanto por su aplicabilidad como por su papel en el desarrollo de la Teora Matemtica
de la Probabilidad. Las dos primeras distribuciones que veremos son en realidad demasiado
sencillas y, a pesar de ello, tienen aplicaciones prcticas adems de servir para denir otras
distribuciones.
Distribucin uniforme discreta
La ms sencilla de estas distribuciones es la que surge de variables aleatorias como la que
indica el nmero obtenido al lanzar un dado, o la que indica el nmero obtenido al extraer
una bola al azar de una urna que contiene N bolas numeradas. La caracterstica comn de
este tipo de variables es que todos los resultados posibles tienen la misma probabilidad de
ocurrir, razn por la cual se le conoce como uniforme discreta.
Sea X una variable aleatoria que toma valores en 1; 2; : : : ; N de manera que cada uno de
los resultados tiene la misma probabilidad de ocurrir. Entonces, su funcin de densidad es
f
X
(x) = P (X = x) =
_
1
N
si x 1; 2; : : : ; N
0 en otro caso
La notacin que usaremos para indicar que una variable X se distribuye como uniforme
discreta en el conjunto 1; 2; 3:::; N es
X ~ U (1; 2; 3:::; N)
Ejemplo 0.1 De una caja que contiene tarjetas con los nmeros 10, 15, 20, 25, 30, 35 y
40, se selecciona una tarjeta al azar. Calcularemos la probabilidad de los eventos A : se
obtiene el nmero 25. B : se obtiene un mltiplo de 10. C : se obtiene un mltiplo de 7 o
un mltiplo de 8.
Sea X la variable aleatoria que indica el nmero seleccionado. Como se tienen 7 tarjetas,
P (A) = P [X = 25] =
1
7
P (B) = P [X = 10; 20; 30; 40] =
4
7
P (C) = P [X = 35; 40] =
2
7
:
Distribucin Bernoulli
Se tiene un experimento aleatorio en el que se identica un evento como xito y su comple-
mento como fracaso. Por ejemplo, al lanzar un dado, se puede decidir que el xito es que
salga 1 o 6, y los dems resultados representan un fracaso. Supongamos que las probabili-
dades correspondientes son P (xito) = p y P (fracaso) = q = 1 p: Denimos la variable
aleatoria X como sigue:
X =
_
0 si ocurre un fracaso
1 si ocurre un xito
1
Tambin se puede pensar que X indica el nmero de xitos que se obtienen al realizar una
vez el experimento.
En cualquier caso, est calro que X toma valores en 0; 1 y la correspondiente funcin de
densidad es
f
X
(x) = P (X = x)
_

_
q si x = 0
p si x = 1
0 en otro caso
=
_
p
x
q
1x
si x 0; 1
0 en otro caso
Para que esta distribucin de probabilidad o funcin de densidad quede bien denida, slo
se requiere conocer p; por lo que usaremos la notacin:
X ~ Ber (p)
Distribucin Binomial
La distribucin binomial es una de las ms importantes, tanto por su aplicacin prctica
como por el papel que juega en varios de los principales teoremas de la probabilidad.
Se realizan n pruebas tipo Bernoulli independientes, todas ellas con P (xito) = p y P (fracaso) =
q = 1 p. Sea X la variable aleatoria que indica el nmero de xitos obtenidos. X puede
tomar los valores 0; 1; 2; : : : ; n:
Para calclular P (X = x) ; analicemos cmo pueden ocurrir x xitos y n x fracasos en n
pruebas. Por la independencia de las pruebas se obtiene el factor p
x
(1 p)
nx
= p
x
q
nx
: Pero
hay varias formas de acomodar los x xitos en las n pruebas que se tienen, y est claro que
una vez denidos los lugares de los xitos los lugares de los fracasos quedan determinados.
Por ejemplo, si fueran 4 pruebas y quisieramos ver la probabilidad de que haya 2 xitos,
tendramos 6 resultados:
e e f f
e f e f
e f f e
f e e f
f e f e
f f e e
de donde obtenemos que P (X = 2) = 6p
2
q
2
: En general, el nmero de formas de acomodar
los x xitos en las n pruebas es
_
n
x
_
=
_
n
nx
_
. As obtenemos:
f
X
(x) = P (X = x) =
_ _
n
x
_
p
x
q
nx
si x 0; 1; 2; : : : ; n
0 en otro caso
Los parmetros que se requieren son los valores de n y p; es decir, stos son los nmeros que
se requiere conocer para calcular cualquier probabilidad relacionada con X: El hecho de que
X se distribuya como binomial con parmetros n y p se suele escribir as
X ~ B(n; p) :
La f
X
que encontramos es funcin de densidad? Es claro que el resultado estar entre
0 y 1: Veamos la otra condicin. Recurdese que el Teorema del Binomio asegura que
2
(a + b)
n
=

n
x=0
_
n
x
_
a
x
b
nx
para cualquier n natural. De manera que
n

x=1
_
n
x
_
p
x
q
nx
= (p + q)
n
= (p + 1 p)
n
= 1:
Precisamente por esto es que la distribucin hereda el nombre de binomial.
Ejemplo 0.2 Se lanzan 6 volados con una moneda regular. Sea X la varibale aleatoria que
indica el nmero de guilas que se obtienen. Determinaremos la distribucin de probabilidad
de X. Obsrves euq en este caso p =
1
2
= q:
P [X = 0] = q
6
=
1
2
6
P [X = 1] =
_
6
1
_
pq
5
=
6
2
6
P [X = 2] =
_
6
2
_
p
2
q
4
=
15
2
6
P [X = 3] =
_
6
3
_
p
3
q
3
=
20
2
6
P [X = 4] =
_
6
4
_
p
4
q
2
=
15
2
6
P [X = 5] =
_
6
5
_
p
5
q =
6
2
6
P [X = 6] = p
6
=
1
2
6
La simetra de esta distribucin se hereda de la simetra de las combinaciones, dado que el
producto p
x
q
nx
siempre es igual a 1=2
6
:
Ejemplo 0.3 De una urna que contiene M bolas, K de las cuales son blancas, se extraen n
bolas al azar y con reemplazo. Sea X el nmero de bolas blancas contenidas en la muestra.
En este caso, la probabilidad de xito en cada prueba es K=M; as que la distribucin de X
es
f
X
(x) = P (X = x) =
_ _
n
x
_ _
K
M
_
x
_
1
K
M
_
nx
si x 0; 1; : : : ; n
0 en otro caso
La probabilidad de que salgan a lo ms 2 bolas blancas en una muestra de 6 bolas tomadas
con reemplazo de una urna con 5 blancas y 7 negras es
2

x=0
_
6
x
__
5
12
_
x
_
7
12
_
6x
=
_
7
12
_
6
+ 6
5
12
_
7
12
_
5
+ 15
_
5
12
_
2
_
7
12
_
4
=
7
6
+ 30 (7)
5
+ 15 (25) (7)
4
12
6
= 0:5098
Ejemplo 0.4 Un sistema electrnico contiene 10 componentes. La probabilidad de que un
componenete falle es 0.2 y los componentes fallan independientemente unos de los otros.
Dado que al menos uno de los componentes ha fallado, calcula la probabilidad de que fallen
al menos dos de los componentes.
3
Solucin: X indica el nmero de componentes que fallan.
P [ X _ 2[ X _ 1] =
P ([X _ 2] [X _ 1])
P [X _ 1]
=
P [X _ 2]
P [X _ 1]
=
1 P [X = 0] P [X = 1]
1 P [X = 0]
=
1 0:8
10
10 (0:2) (0:8)
9
1 0:8
10
= 0:69927
Ejemplo 0.5 Una parte de un satlite est compuesto por 10 componentes independientes.
Esa parte funciona nicamente si por lo menos 6 de sus partes funcionan. En un da lluvioso,
cada una de las componentes funciona con probabilidad p
1
= 1=2 y en un da no lluvioso,
funcionan con probabilidad p
2
= 3=4: Si la probabilidad de que maana llueva es 1=4, cul
es la probabilidad de que esa parte del satlite funcione maana?
Solucin: X indica el nmero de componentes que funcionan. Para que la parte funcione,
necesitamos entonces que X _ 6; esto es,
P (X _ 6) =
10

x=6
_
10
x
_
p
x
(1 p)
10x
donde p puede ser p
1
o p
2
: Sea B el evento de que maana sea un da lluvioso. Entonces
necestiamos calcular
P (X _ 6) = P (X _ 6[B) P (B) + P (X _ 6[B
c
) P (B
c
)
=
1
4
10

x=6
_
10
x
__
1
2
_
x
_
1
2
_
10x
+
3
4
10

x=6
_
10
x
__
3
4
_
x
_
1
4
_
10x
=
1
4
10

x=6
10!
x! (10 x)!
1
2
10
+
3
4
10

x=6
10!
x! (10 x)!
3
x
4
10
=
10!
2
12
_
1
6!4!
+
1
7!3!
+
1
8!2!
+
1
9!1!
+
1
10!
_
+
10! (3)
4
11
_
3
6
6!4!
+
3
7
7!3!
+
3
8
8!2!
+
3
9
9!1!
+
3
10
10!
_
= 0:78564
Distribucin Geomtrica
Consideremos que se realizan sucesivamente pruebas Bernoulli independientes, todas ellas
con P (xito) = p: Sea X el nmero de fracasos antes del primer xito. X puede tomar los
valores 0; 1; 2; 3; : : :
Por ejemplo, analicemos el evento [X = 2] ; es decir, el evento de que ocurran dos fracasos
antes del primer xito. Debe ocurrir
f f e
4
Como las pruebas son independientes, esto sucede con ptobabilidad q
2
p: En general, para el
evento [X = x] requerimos x xitos y un fracaso, as que
f
X
(x) = P (X = x) =
_
pq
x
si x 0; 1; : : :
0 en otro caso
Como
1

x=0
p (1 p)
x
= p
1

x=0
(1 p)
x
= p
1
1 (1 p)
= 1
Se trata de una funcin de densidad.
El nico parmetro que se requiere conocer es p; as que si X se distribuye como geomtrica
con parmetro p escribimos
X ~ Geom(p) :
Ejemplo 0.6 De una urna que contiene M bolas, K de las cuales son blancas, se extraen
bolas con reemplazo hasta que por primera vez aparece una blanca. Sea X el nmero de bolas
extradas antes de la primera blanca. Entonces, X se distribuye de acuerdo a la funcin
f
X
(x) = P (X = x) =
_ _
K
M
_ _
1
K
M
_
x
si x 0; 1; 2; : : :
0 en otro caso
Ejemplo 0.7 S el 5% de las mediciones que se hacen con cierto tipo de dispositivos mues-
tra una desviacin excesiva, calcular la probabilidad de que a) el sexto de los dispositivos
sometidos a prueba sea el primero en mostrar una desviacin excesiva?, b) el sptimo de los
dispositivos sometidos a prueba, sea el primero que no muestre una desviacin excesiva?.
a) Sea X el nmero de dispositivos que muestran una desviacin excesiva antes del primero
que no la muestra,
p = 0:05 y P (X = 5) = (0:05) (0:95)
5
= 0:0386
b) Sea Y el nmero de dipsositivos que no muestrann una desviacin excesiva antes del
primero que si la muestra
p = 0:95 y P (Y = 6) = (0:95) (0:05)
6
= 0:000000015
Ejemplo 0.8 Doce personas lanzan volados hasta obtener la primera guila. Cul es la
probabilidad de por lo menos 10 de ellas realicen menos de 4 lanzamientos?
Solucin:
Esta es una combinacin de binomial y geomtrica. Para la Binomial, sea Y el nmero de
personas que realizan menos de 4 lanzamientos. Consideramos n = 12 pruebas independi-
entes y tenemos un xito cuando una persona hace menos de 4 lanzamientos, es decir, obtiene
menos de 3 soles antes de la primera guila. Sea X el nmero de soles antes de la primera
guila. Entonces p; la probabilidad de xito es
p = P (X < 3) =
2

k=0
1
2
_
1
2
_
k
=
1
2
+
1
4
+
1
8
=
7
8
:
5
Entonces Y ~ B
_
12;
7
8
_
y nos piden calcular P (Y _ 10) ;
P (Y _ 10) =
12

k=10
_
12
k
__
7
8
_
k
_
1
8
_
12k
=
_
12
10
__
7
8
_
10
_
1
8
_
2
+
_
12
11
__
7
8
_
11
_
1
8
_
+
_
12
12
__
7
8
_
12
= 0:818:
La distribucin geomtrica tiene una caracterstica importante: es desmemoriada, es decir, si
han transcurrido ya un cierto nmero de fracasos, la probabilidad de que ocurran k fracasos
ms es igual a la de que ocurran k fracasos desde el inicio del experimento.
Proposicin 0.9 Sea X una variable aleatoria que se distribuye como geomtrica con parmetro
p: Entonces
P (X = n + k[X _ n) = P (X = k) :
Demostracin.
P (X = n + k[X _ n) =
P ([X = n + k] [X _ n])
P (X _ n)
=
P (X = n + k)
P (X _ n)
=
p (1 p)
n+k
(1 p)
n
= p (1 p)
k
= P (X = k) :
Distribucin Binomial Negativa
Se realizan pruebas Bernoulli independientes sucesivamente, cada una con P (xito) = p.
La variable aleatoria X cuenta el nmero de fracasos antes del rsimo xito. Entonces X
toma valores en 0; 1; 2; : : : : Si por ejemplo r = 3; el caso en que X toma el valor 7 ocurre
de varias formas, una de ellas es
e f f f e f f f f e
que tiene probabilidad p
3
q
7
: Noten que lo nico que tenemos jo es que el dcimo debe ser el
tercer xito, es decir, en los primeros 9 lugares se tienen que acomodar 7 fracasos y 2 xitos
en el orden que sea. Entonces tenemos que escoger los lugares de los xitos o bien los lugares
de los fracasos.
_
9
7
_
=
_
9
2
_
:
As que la probabilidad de que haya 7 fracasos antes del tercer xito es
P (X = 7) =
_
9
7
_
p
3
q
7
:
6
En general,
f
X
(x) = P (X = x) =
_
_
_
_
r + x 1
x
_
p
r
q
x
=
_
r + x 1
r 1
_
p
r
q
x
si x 0; 1; 2; : : :
0 en otro caso
y escribimos X ~ BN (r; p)
La razn por la que se llama Binomial negativa es porque se puede demostrar que es el
desarrollo de un binomio elevado a una potencia negativa, cosa que aqu no vamos a ver
(cranmelo). Si a y b son nmeros reales tales que

a
b

< 1
(a + b)
r
=
1

k=0
_
r
k
_
a
k
b
rk
;
donde
_
r + k 1
k
_
= (1)
k
_
r
k
_
De paso, los siguiente nos va a servir para demostrar que en realidad, la f
X
que dimos, es
una funcin de densidad. Para empezar, veamos que
1
p

q
p
=
1 (1 p)
p
=
p
p
= 1:
Por tanto,
1 =
_
1
p

q
p
_
r
=
_

q
p
+
1
p
_
r
=
1

k=0
_
r
k
__

q
p
_
k
_
1
p
_
rk
=
1

k=0
(1)
k
_
r
k
__
q
p
_
k
_
1
p
_
rk
=
1

k=0
_
r + k 1
k
_
p
r
q
k
Ejemplo 0.10 En una poblacin, la proporcin de individuos que tiene cierta caracterstica
es p: Se van seleccionando de uno en uno y con reemplazo individuos de la poblacin hasta
obtener exctamente k individuos con la caracterstica sealada. X que cuente el nmero de
individuos en la muestra que no tienen la caracterstica. Identiquemos los xitos con obtener
un defectuoso. Si por ejemplo, la proporcin de individuos con la caracterstica observada es
p = 1=5 y se eligen individuos hasta que salga el tercero con la caracterstica, la probabilidad
de que no salgan ms de 2 individuos sin la caracterstica es
P (X _ 2) = P (X = 0) + P (X = 1) + P (X = 2)
=
_
1
5
_
3
+
_
3
1
_
4
5
_
1
5
_
3
+
_
4
2
__
4
5
_
2
_
1
5
_
3
= 0:058
Ejemplo 0.11 Cuando cierta mquina no est bien ajustada, la probabilidad de que produzca
un artculo defectuoso es 0:2: Cada da, la mquina se pone a trabajar como amanece y se
detiene para su ajuste en cuanto produzca el tercer artculo defectuoso. Si un da la mquina
amanece desajustada, cul es la probabilidad de que produzca por lo menos 5 artculos antes
de ser ajustada?
7
Sea Y el nmero de artculos que produce antes de ser ajustada. Y toma valores en 3; 4; 5; : : : :
Sea X el nmero de artculos buenos antes del tercer defectuoso. Identicamos la probabilidad
de xito con la de que salga un defectuos, es decir, 0.2. Entonces P (Y = 3 + k) = P (X = k)
y lo que nos piden es:
P (Y _ 5) = P (X _ 2) = 1 P (X = 0) P (X = 1)
= 1 (0:2)
3

_
3
1
_
(0:8) (0:2)
3
= 0:9728
Obstvese que una Binomial Negativa es la suma de r geomtricas independientes: la primera
geomtrica cuenta los fracasos antes del primer xito, la segunda cuenta los fracasos despus
del primer xito y antes del segundo xito, y as sucesivamente. Entonces, si X ese distribuye
como binomial negativa con parmetros r y p; la podemos escribir como X = X
1
+ X
2
+
+ X
r
donde X
i
~ Geom(p) y estas variables son independientes.
Distribucin Poisson
Esta distribucin fue descubierta por Simon Denis Poisson al aplicar lmite a una distribu-
cin Binomial en las siguientes condiciones. Supongamos que se hace crecer el nmero de
pruebas n en una distribucin Binomial pero manteniendo constante la esperanza = np; s
decir, al crecer n disminuye p:
Antes de ver cmo queda la distribucin al aplicar ese lmite, recordemos que el nmero e se
puede escribir como sucesin y como serie. Como sucesin, tenemos
e

= lim
k!1
_
1 +

k
_
k
e

= lim
k!1
_
1

k
_
k
Como serie,
e

=
1

k=0

k
k!
Entonces
P (X = x) =
_
n
x
_
p
x
(1 p)
nx
=
n(n 1) (n 2) (n x + 1)
x!
_

n
_
x
_
1

n
_
nx
=
n(n 1) (n 2) (n x + 1)
n
x

x
x!
_
1

n
_
nx
=
n
n
_
n 1
n
__
n 2
n
_

_
n (x 1)
n
_

x
x!
_
1

n
_
n
_
1

n
_
x
= 1
_
1
1
n
__
1
2
n
_

_
1
x 1
n
_

x
x!
_
1

n
_
n
_
1

n
_
x
8
y tenemos los siguientes lmites cuando n :
e

= lim
n!1
_
1

n
_
n
1 = lim
n!1
_
1
j
n
_
para cada j
1 = lim
n!1
_
1

n
_
x
= lim
n!1
1
_
1

n
_
x
y

x
x!
es constante respecto a n; as que haciendo tender n y dejando constante ;
obtenemos
lim
n!1
np constante
P (X = x) =

x
x!
e

Entonces, se dice que X se distribuye como Poisson con parmetro si

f
X
(x) = P (X = x) =
_
1
x!

x
e

si x 0; 1; 2; : : :
0 en otro caso
donde podemos pensar que X cuenta el nmero de xitos al tomar un nmero muy grande
de pruebas Bernoulli independientes con esperanza constante = np:
Veamos que si es densidad
1

x=0
1
x!

x
e

= e

x=0
1
x!

x
= e

= 1:
Veamos un ejemplo de la Poisson como aproximacin de la Binomial.
Ejemplo 0.12 Se prepara masa para hacer N galletas con pasas mezcalndo los ingredientes
en un gran recipiente. Cuntas pasas se deben mezclar en la masa para evitar que, en
promedio, en cada 100 galletas haya ms de una sin pasas?
Sea n el nmero de pasas que debe contener la masa. Supongamos que cada pasa puede
quedar en cualquiera de las N galletas, es decir, si consideramos una pasa y una galleta
determinadas, llamaremos xito al hecho de que la pasa quede en la galleta y la probabilidad
de xito es 1=N: Considremos entonces las n pasas y una galleta determinada. Sea X el
nmero de pasas que quedan en esa galleta. Buscamos n tal que P (X = 0) _ 0:01
Solucin por Binmial:
P (X = x) =
_
n
x
_
1
N
x
_
1
1
N
_
nx
P (X = 0) =
_
1
1
N
_
n
_ 0:01
Si N es grande, p =
1
N
es pequea y podemos usar la aproximacin Poisson con = n=N:
P (X = x) -
1
x!
_
n
N
_
x
e
n=N
:
P (X = 0) = e
n=N
_ 0:01 =n _ N ln (0:01) = 4:605N:
9
El hecho de que el nmero de repeticiones independientes del experimento se deje crecer
indenidamente, permite que las variables aleatorias que tienen distribucin Poisson se usen
para analizar eventos que ocurren aleatoriamente en el tiempo o en el espacio. En este tipo
de experimentos, suponemos conocido es el nmero de eventos que en promedio ocurren en
una unidad de tiempo y ese valor es . Nos preguntamos por la probabilidad de que el
nmero de ocurrencias en el intervalo [0; t], sea x:
El razonamiento que conduce a que la situacin anterior se modela mediante una distribucin
Poisson, es el siguiente.
Vamos ha hacer primero un modelo discreto dividiendo el intervalo [0; t] en n subintervalos
de longitud h = t=n: Tenemos que hacer ciertas suposiciones:
i) En t = 0; no ha habido ninguna ocurrencia, es decir, la cuenta empieza en 0.
ii) La probabilidad de que haya k ocurrencias en cualquier intervalito de la misma longitud,
debe ser igual.
iii) El nmero de ocurrencias en cada subintervalo es independiente de lo que pase en
intervalos ajenos a l.
iv) La probabilidad de que haya una ocurrencia en un intervalo pequeo, es pequea, es
decir, esta aprobabilidad se achica tan rpido como la longitud del intervalo.
v) La probabilidad de que haya ms de una ocurrencia en un intervalo pequeo, es des-
preciable.
A los eventos que cumplen estas 5 condiciones, les llamaremos eventos tipo Poisson.
Sea X
n
el nmero de subintervalos en los que hay una ocurrencia, es decir, el nmero de
ocurrencias en [0; t] cuando se ha dividido en n subintervalos de igual longitud. Bajo las
condiciones anteriores, se puede suponer que X
n
~ B(n; p), de manera que
P [X
n
= x] =
_
n
x
_
p
x
(1 p)
nx
donce p es la probabilidad de que haya una ocurrencia en un subintervalo y 1 p es la
probabilidad de que haya 0 ocurrencias en un subintervalo. Aplicando lmite cuando n
(o cuando h 0); se obtiene que
P [X = x] = lim
n!1
P [X
n
= x] =
(t)
x
x!
e
t
;
es decir, X ~ Poisson(t) :
Obsrvese que esto es similar a lo que vimos antes, slo que antes hablamos de una unidad
de tiempo y aqu nos estamos reriendo a t unidades de tiempo (donde t es cualquier real,
es decir, podemos referirnos a media unidad o a 3.2 unidades)
Veamos un ejemplo:
Ejemplo 0.13 Supongamos que el nmero de accidentes diarios que ocurren en una car-
retera, tiene distribucin Poisson con = 2 (es, decir, en un nmero muy grande de das
observados, en promedio ocurren 2 accidentes diarios). a) Calcular la probabilidad de que
10
en un da ocurran 3 accidentes. b) Cul es la probabilidad de que en un da ocurran ms
de 2 accidentes, sabiendo que ocurre por lo menos uno? c) Cul es la probabilidad de que
en 3 das ocurran 4 accidentes?
a) Sea X el nmero de accidentes que ocurren en la carretera en un da.
P (X = 3) =
2
3
3!
e
2
= 0:18
b) Usando la misma variable X
P (X > 2[X _ 1) =
P ([X > 2] [X _ 1])
P (X _ 1)
=
P (X > 2)
P (X _ 1)
=
1 P (X = 0) P (X = 1) P (X = 2)
1 P (X = 0)
=
1 e

_
1 + +
2
=2
_
1 e

=
1 5e
2
1 e
2
= 0:3739
c) Sea Y el nmero de accidentes que ocurren en 3 das. En este caso, t = 3 (2) = 6, es
decir, se sabe que en promedio en 3 das ocurren 6 accidentes.
P (Y = 4) =
6
4
4!
e
6
= 0:134
Distribucin Hipergeomtrica
Hasta aqu hemos considerado slo pruebas independientes de un experimento tipo Bernoulli.
Sin embargo, hay varios casos en los que no es posible contar con la independencia. Esta
distribucin resulta til en esos caso.
Supngase que se toma una muestra de n elementos sin reemplazo, de una poblacin que
contine r elementos con una caracterstica y s elementos sin la caracterstica. Sea X el
nmero de elementos con la caracterstica contenidos en la muestra.
Qu valores puede tomar X? Consideremos primero un ejemplito numrico:
En una urna haya 5 bolas blancas y 6 negras. Se selecciona una muestra de tamao n sin
reemplazo.
Si n = 4; el nmero de bolas blancas en la muestra puede ser 0, 1, 2, 3 o 4.
Si n = 6; el nmero de bolas blancas en la muestra puede ser 0, 1, 2, 3, 4 o 5.
Si n = 8; el nmero de bolas blancas en la muestra puede ser 2, 3, 4 o 5 porque aunuqe
se seleccionaran las 6 negras, seranecesario incluir al menos 2 blancas para completar
la muestra.
Si el tamao de la muestra n es menor que r; el nmero de elementos con la caracterstica
en la poblacin, X toma valores desde 0 hasta el mnimo entre n y r: Pero si el tamao de la
muestra n; est entre r y r +s;es decir r < n _ r +s; entonces X toma valores desde n s;
hasta el r:
Sea m = max 0; n s y M = min n; r : Entonces X toma valores entre m y M:
11
La P (X = x) ya la hemos calculado antes. Los casos favorables son cuando de los r elementos
con la caracterstica se eligen x y de los s elementos sin la caracterstica se eligen los n x
restantes. As obtenemos
f
X
(x) = P (X = x) =
_

_
0
@
r
x
1
A
0
@
s
n x
1
A
0
@
r + s
n
1
A
si x m; m + 1; : : : ; M
0 en otro caso
Los parmetros son r; s y n:
Ejemplo 0.14 A tiene 10 chas, cuatro de ellas son blancas y las dems negras. Apuesta
con B a que al tomar 7 chas, al menos 3 sern blancas. Cul es la probabilidad de que
gane A?
Sea X el nmero de chas blancas en una muestra sin reemplazo de tamao 7
P (gana A) = P (X _ 3)
= 1 P (X = 0) P (X = 1) P (X = 2)
= 1 0
_
4
1
__
6
6
_
_
10
7
_
_
4
2
__
6
5
_
_
10
7
_
= 1 4
7!3!
10!

_
4!
2!2!
6!
5!1!
_
7!3!
10!
= 1
4 (6)
10 (9) (8)
6 (6)
_
6
10 (9) (8)
_
= 1
4 (6)
10 (9) (8)
6 (6)
_
6
10 (9) (8)
_
= 1
24
720

216
720
= 0:666
La diferencia fundamental entre la Binomial y la Hipergeomtrica es que en la segunda las
pruebas no son independientes, as que en un modelo de urnas, la segunda corresponde a ex-
tracciones sin reemplazo mientras que la primera corresponde a extracciones con reemplazo.
Sin embargo, cuando la poblacin de la cual se extrae la muestra es grande en comparacin
con la muestra, esta dieferencia es mnima porque la poblacin cambia muy poco por no
reemplazar los objetos ya extrados. Veamos un ejemplo:
Ejemplo 0.15 En un minisuper que tiene 400 artculos, hay 6 que no estn marcados con
el precio. Un cliente compra 10 artculos. Calcular la probabilidad de qie al menso 1 no est
marcado.
Sea X el nmero de artculos no marcados en la muestra de tamao 10.
P (X _ 1) = 1 P (X = 0) = 1
_
6
0
__
394
10
_
_
400
10
_ = 0:14177
Si usamos Binomial en lugar de Hipergeomtrica, tendremos n = 10; p = 6=400 = 0:015 y
obtenemos
P (X _ 1) = 1 P (X = 0) = 1 (0:985)
10
= 0:14027
donde se ve que el error es del orden de un milsimo.
12