1/17

TEMAS DE MATEMTICAS
(Oposiciones de Secundaria)
TEMA 65
DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA.
CARACTERSTICAS Y TRATAMIENTO. LAS DISTRIBUCIONES BINOMIAL Y
DE POISSON. APLICACIONES.
1. Introduccin.
2. Funciones de Cuanta.
3. Distribuciones Multivariantes.
4. Distribucin de Bernouilli.
5. Distribucin Binomial.
6. Distribucin de Poisson.
7. Ajuste de una Distribucin Binomial a una Poisson.
8. Otras Distribuciones Discretas.
8.1. Distribucin Multinomial.
8.2. Distribucin Hipergeomtrica.
8.3. Distribucin Hipergeomtrica Multivariante.
8.4. Distribucin Geomtrica o de Pascal.
8.5. Distribucin Binomial Negativa.
Bibliografa Recomendada.



2/17
TEMA 65
DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA.
CARACTERSTICAS Y TRATAMIENTO. LAS DISTRIBUCIONES BINOMIAL Y
DE POISSON. APLICACIONES.
1. INTRODUCCIN.
DEF Diremos que X es una variable aleatoria discreta unidimensional si es una
variable aleatoria que toma slo un nmero finito o infinito numerable de valores del eje
x.
Supongamos que X toma nicamente los valores x
1
, x
2
, ..., x
n
, ... con probabilidades
f(x
1
), f(x
2
), ..., f( x
n
), ... e imaginemos que A es cualquier subconjunto de los puntos x
1
,
x
2
, ..., x
n
, ... La probabilidad P(A) del suceso A (probabilidad de que x est en A) se
define como

A x
x f A P ) ( ) (
donde el sumatorio representa la suma de f(x) para aquellos valores x
i
que pertenecen a
A.
As, por ejemplo, P(X=4) indica la probabilidad de que el valor de la variable sea 4,
y P(1<X<3) indica la probabilidad de que el valor de la variable aleatoria est
comprendido entre 1 y 3.
Dada una situacin experimental, f(x) la tomaremos de tal manera que se ajuste al
problema particular que estemos considerando.
DEF Llamaremos a f(x) Funcin de Densidad de una variable Discreta, si satisface las
dos condiciones siguientes:
f(x
i
)0 i
1 ) (
i
x f
La funcin de Densidad tambin se conoce como Funcin de Cuanta.
Ejemplo. Sea un experimento aleatorio consistente en lanzar cuatro monedas
simtricas y registrar el nmero de caras. Los valores que toma una variable aleatoria X
sern 0, 1, 2, 3 y 4. Para calcular la funcin de densidad f(x), probabilidad de que
aparezcan x caras, observamos que el nmero de formas en que pueden caer las cuatro
monedas es 2
4
. El nmero de formas en que pueden aparecer x caras es

,
`

.
|
x
4
; por tanto,
4 , 3 , 2 , 1 , 0
2
4
) (
4

,
`

.
|
x
x
x f
Como
f(x)0 0x4



3/17
1
4
2
1
) (
4
0
4
4
0

,
`

.
|

x x
x
x f
Entonces, f(x) es una funcin de densidad.
Es importante destacar que f(x) da las frecuencias relativas o frecuencias con que se
presenta cada uno de los valores de X.
2. FUNCIONES DE CUANTA.
El conjunto de resultados posibles de un suceso aleatorio se divide en un cierto
nmero de clases mutuamente excluyentes en relacin con determinado atributo. A cada
clase se le asocia un valor de la variable aleatoria, o variante X. La funcin de cuanta es
una funcin que da la probabilidad de que ocurra un valor determinado de x.
La variante X puede describir un atributo, como era el caso anterior del lanzamiento
de 4 monedas, o puede ser simplemente el resultado de una codificacin. As, al extraer
bolas de una urna, pueden clasificarse segn su color, y podramos definir una variable
aleatoria X estableciendo arbitrariamente una correspondencia entre los valores de X y
los colores.
La funcin de cuanta puede ser una expresin matemtica, como en el apartado
anterior, o bien reducirse a una tabla de valores.
A menudo resulta necesario calcular la probabilidad cuando la variable aleatoria se
encuentra en un determinado rango de valores, como por ejemplo, P(X<3) o P(1<X<5).
En estos casos, y tambin en otras situaciones, es conveniente definir una nueva
funcin.
DEF Llamaremos Funcin de Distribucin Acumulativa a F(x), que se define como
F(x)=P(Xx). Es decir

x x
i
i
x f x F ) ( ) (
PROP P(a<xb) = F(b) F(a)
Dem.
Inmediata a partir de la definicin.
3. DISTRIBUCIONES MULTIVARIANTES.
Si el resultado de un suceso aleatorio lo podemos clasificar de ms de una manera,
la funcin de cuanta es una funcin de ms de una variable. As, al extraer una carta de
una baraja francesa, podramos caracterizarla segn su palo y su numeracin.
Tendramos la variable aleatoria X que toma los valores 1, 2, 3 y 4 (representando cada
uno a un palo de la baraja) y la variable aleatoria Y que toma los valores del 1 al 13.



4/17
La variable aleatoria (X,Y) es bidimensional y la probabilidad de extraer una carta
se representa por f(X,Y). Si cada carta tiene la misma probabilidad de ser extraida, la
funcin de cuanta ser
13 1 4 1
52
1
) , ( Y X Y X f
Este tipo de funciones pueden representarse sobre un plano. Las probabilidades
vienen representadas por segmentos verticales en los puntos (x,y) del plano horizontal
en el cual estn definidas. En el ejemplo, los segmentos sern de igual altura.
En general, la variable aleatoria k-dimensional (x
1
, x
2
, ..., x
n
) se denomina funcin
de cuanta de la variable aleatoria k-dimensional. Sea A un subconjunto del conjunto de
valores de la variable aleatoria, entonces
( )


A
k k
x x x f A x x x P ) , , , ( ) , , , (
2 1 2 1
K K
donde el sumatorio supone la suma que toma la funcin de cuanta para los valores de la
variable que pertenecen al conjunto A.
DEF Sea
t
i i i
x x x , , ,
2 1
K cualquier subconjunto de las variables aleatorias discretas x
1
,
x
2
, ..., x
n
. La distribucin marginal de la variable aleatoria t-dimensional (
t
i i i
x x x , , ,
2 1
K )
es

) ,..., , ( ) ,..., , (
2 1 ,..., ,
1 2 1
n i i i i i i
x x x f x x x f
t t t
donde la suma se extiende a todos los valores, a excepcin de
t
i i i
x x x , , ,
2 1
K .
DEF Sean
t
i i i
x x x , , ,
2 1
K y
s
j j j
x x x , , ,
2 1
K dos subconjuntos disjuntos de las variables
aleatorias discretas x
1
, x
2
, ..., x
n
. La distribucin condicional de la variable aleatoria
t-dimensional (
t
i i i
x x x , , ,
2 1
K ) dado el valor (
s
j j j
x x x , , ,
2 1
K ) es
) , , , (
) , , , , , , , (
) , , , | , , , (
2 1 2 1
2 1 2 1 2 1 2 1
2 1 2 1
,..., ,
,..., , , ,..., ,
s s
s t s t
s t
j j j j j j
j j j i i i j j j i i i
j j j i i i
x x x f
x x x x x x f
x x x x x x g
K
K K
K K
para todos los valores de x para los cuales no se anula el denominador.
DEF Las variables aleatorias discretas x
1
, x
2
, ..., x
k
son Independientes si
) ( )... ( ) ( ) ,..., , (
2 1 2 1 k k
x f x f x f x x x f
para todos los valores en que est definida la variable aleatoria.
Ejemplo Supongamos que extraemos 12 cartas sin reemplazamiento de una baraja
francesa. Sea X
1
el nmero de ases, X
2
el nmero de doses, X
3
el nmero de treses y X
4
el nmero de cuatros. La distribucin de estas variables viene expresada por una funcin
de cuatro variables, que es:



5/17

,
`

.
|

,
`

.
|

,
`

.
|

,
`

.
|

,
`

.
|

,
`

.
|

12
52
12
36 4 4 4 4
) , , , (
4 3 2 1 4 3 2 1
4 3 2 1
x x x x x x x x
x x x x f
siendo el recorrido de cada una de las variables aleatorias de 1X
i
4 y verificando la
restriccin de
12
i
X
Existe una gran cantidad de distribuciones marginales y condicionales asociadas con
esta distribucin. Veamos dos ejemplos de distribuciones marginales y otro de
distribucin condicional.

,
`

.
|

,
`

.
|

,
`

.
|

,
`

.
|

12
52
12
44 4 4
) , (
3 2 3 2
4 3 23
x x x x
x x f 0 x
i
4

,
`

.
|

,
`

.
|

,
`

.
|

12
52
12
48 4
) (
4 4
4 4
x x
x f 0 x
4
4

,
`

.
|

,
`

.
|

,
`

.
|

,
`

.
|

3 1
4 3 2 1 4 2
3 1 4 2
12
44
12
36 4 4
) , | , (
x x
x x x x x x
x x x x f
3 1 4 2
12
4 0
x x x x
x
i
+

4. DISTRIBUCIN DE BERNOUILLI.
Llamaremos Prueba de Bernouilli a toda realizacin de un experimento aleatorio en
el que slo sean posibles dos resultados mutuamente exclusivos (por ejemplo, xito y
fracaso). Por tanto, podemos definir un espacio muestral como
= {0,1}
donde 0 representa fracaso y 1 representa xito. Definamos una variable aleatoria X
que pueda tomar slo los valores anteriores, con probabilidades asociadas
P(xito) = p P(fracaso) = q = 1 p
Es claro que la funcin de distribucin de probabilidades (tambin llamada de
cuanta) de X es:



6/17
f(x) = P(X=x) = p
x
(1p)
1-x
para x=0,1
Esta distribucin de probabilidades recibe el nombre de Distribucin de Bernouilli.
La media y la varianza de una variable aleatoria que posee una distribucin de
probabilidades de Bernouilli son:
E(X) = 0f(0) + 1f(1) =00q + 1p = p
Var(X) = E(X
2
) [E(X)]
2
= 0f(0) + 1f(1) p
2
= p p
2
= p(1p) = pq
5. DISTRIBUCIN BINOMIAL.
Supongamos n pruebas independientes entre s de Bernouilli tales que la
probabilidad de xito, p, se mantiene constante a lo largo de todas ellas. Definimos la
variable aleatoria X como el nmero de veces que sucedi el suceso xito. Bajo estas
condiciones podemos definir
DEF Diremos que X es una variable aleatoria Binomial de parmetros n y p si su
funcin de probabilidad es
x n x
q p
x
n
x X P

,
`

.
|
) ( con x = 0,1,...,n
Veamos como se ha originado esta funcin de probabilidad. Supongamos que el
resultado de la i-sima prueba forma una variable aleatoria unidimensional que
designaremos por X
i
, siendo su valor X
i
=0 si el resultado es un fracaso y X
i
=1 si es un
xito. Sea f(x
1
,x
2
,...,x
n
) la probabilidad de que la variable aleatoria X
i
=x
i
con i:1,2,...,n.
Puesto que las n variables aleatorias, todas ellas iguales, son independientes,
podemos aplicar la definicin de independencia para obtener



i i
n n
x n x
x x x x x x
n n
q p q p q p q p x f x f x f x x x f
1 1 1
2 1 2 1
) ( ) ( ) ( ) (
2 2 1 1
K K ,..., ,
donde 0 y 1 son los valores que toman cada una de las variables x
i
.
Evidentemente, para cualquier ordenacin de k xitos y nk fracasos, la
probabilidad es
p
k
q
nk
puesto que el sumatorio ser k al haber esa cantidad de 1s. Si ahora tenemos en cuenta
el nmero total de formas de ordenar k 1s en n lugares, obtenemos el nmero
combinatorio

,
`

.
|
k
n
siendo entonces la probabilidad de k xitos el nmero



7/17
k n k
q p
k
n

,
`

.
|
La funcin de distribucin de variable aleatoria binomial presenta otras dos
variables, p y n, de carcter distinto. Su variacin corresponde a distribuciones
binomiales diferentes, ya que para una distribucin binomial dada, p y n tienen valores
fijos. Las variables de este tipo reciben el nombre de parmetros de la distribucin.
La funcin f( x;n,p) representa una familia de distribuciones con dos parmetros,
obtenindose un miembro de esta familia al especificar los valores de p y n.
DEF El parmetro n recibe el nombre de Parmetro Discreto. El parmetro p es el
Parmetro Contnuo.
El nombre de n es debido a que slo puede tomar valores naturales. En cambio, p
puede tomar valores dentro del intervalo cerrado [0,1]
En general, la distribucin binomial tendr un valor mximo, el cual pasamos a
determinar.
Sea m la parte entera del nmero (n+1)p y sea e la parte fraccionaria.
m = [(n+1)p] y e = (n+1)p [(n+1)p]
PROP El mayor valor de f(x) se obtiene al tomar x = m, recibiendo m el nombre de
valor modal o, simplemente, moda de la variable aleatoria X. Si e=0, tambin se alcanza
en x = m1.
Dem.
Supongamos que el nmero e, definido anteriormente, es distinto de cero. Tomemos
la razn
) (
) 1 (
x f
x f +
Vamos a comprobar que esta razn es inferior a 1 cuando x es mayor o igual a m, y
superior a 1 cuando x es inferior a m.
1 ) (
) 1 (
+

+
x
x n
q
p
x f
x f
y si x m tenemos
1 1 +

m
m n
q
p
x
x n
q
p
Sustituyendo m por (n+1)pe, el segundo miembro puede escribirse como



8/17
]
]
]

+ +
]
]
]

p
e
n
q
e
n
m
m n
q
p
1
) 1 (
1
) 1 (
1
que es menor que la unidad
Si x < m1 tenemos
p
e
n
q
e
n
e p n
e q n
q
p
m
m n
q
p
x
x n
q
p
+
+ +
>
+
+ +
>

>
+

1
1
) 1 (
) 1 ( ) 1 (
1
que es mayor que 1.
Ahora vamos a estudiar el caso que nos hemos dejado pendiente: x = m1, para el
cual se verifica:
p
e
n
q
e
n
m
m n
q
p
x f
x f
+
+ +

+

+
) 1 (
) 1 (
1
) (
) 1 (
que es tambin superior a 1 si e0. Si e=0, la razn es igual a la unidad, verificndose
que f(x+1) = f(x), teniendo la distribucin dos valores de x en los que alcanza el
mximo, x =m y x = m1.
PROP La Media y la Varianza de una variable aleatoria que posee una distribucin de
probabilidades Binomial es:
1) E(X) = np
2) Var(X) = npq
Dem.
Para la demostracin, vamos a considerar que la variable aleatoria X con
distribucin binomial se puede dividir en n variables aleatorias independientes, cada una
de ellas asociada a una distribucin de Bernouilli de probabilidad p. Es decir
X = X
1
+ X
2
+ ... + X
n
donde las X
i
son variables aleatorias independientes que siguen una distribucin de
Bernouilli, representando si sucede o no el suceso A en la prueba i-sima, con i:1,2,...,n.
Tomando esperanzas a ambos lados de la igualdad:
E(X) = E(X
1
+ X
2
+ ... + X
n
) = E(X
1
) + E(X
2
) + ... + E(X
n
) = p + p + ... + p = np
y tomando varianzas
Var(X) = Var(X
1
+ X
2
+ ... + X
n
) = Var(X
1
) + Var(X
2
) + ... + Var(X
n
) =



9/17
= pq + pq + ... + pq = npq
6. DISTRIBUCIN DE POISSON.
DEF Diremos que la variable aleatoria X se distribuye segn una distribucin de
Poisson si la funcin de distribucin es de la forma
!
) (
x
e
x f
x

con x=0,1,2,3,...
siendo cualquier nmero positivo.
Si tenemos en cuenta que la exponencial e

tiene un desarrollo en serie de potencias

K K + + + + +
! ! 2
1
2
x
e
x

deducimos que
1 ) (
0

x
x f
Esta distribucin se suele aplicar en aquellas situaciones en que un gran nmero de
objetos se encuentran distribuidos sobre un gran recinto de considerable extensin.
Consideremos un ejemplo que concrete esta situacin.
Supongamos un volumen V de un fluido que contiene un gran nmero N de
pequeos organismos. Podemos suponer que estos organismos carecen de instintos
sociales y que la probabilidad de que aparezcan en cualquier parte del fluido es la
misma para un determinado volumen.
Examinemos una gota de volumen D al microscopio. Cul es la probabilidad de
que se hallen x organismos en la gota?. Se supone que V es mucho mayor de D. Puesto
que suponemos que los organismos estn distribuidos con probabilidad uniforme por
todo el fluido, se deduce que la probabilidad de encontrar uno cualquiera de ellos en D
es
V
D
. Y al suponer que no tienen instintos sociales, la presencia de uno de ellos en D
no influye en la de cualquiera de los otros. Por tanto, la probabilidad de que haya x
organismos en D es
x N x
V
D V
V
D
x
N

,
`

.
|

,
`

.
|

,
`

.
|
Supongamos ahora tambin que los organismos son tan pequeos que podemos
prescindir del espacio que ocupan; los N reunidos no ocuparan parte apreciable del
volumen D. La funcin de Poisson es una aproximacin de la expresin anterior, que es
simplemente una funcin binomial en la que
V
D
p es un valor muy pequeo.



10/17
La distribucin de Poisson se obtiene haciendo que V y N tiendan a infinito, de tal
modo que la densidad de organismos
V
N
d permanezca constante. si escribimos de
nuevo el producto anterior de la siguiente forma

,
`

.
|

,
`

.
|

+
x N x
x
NV
ND
V
ND
N x
x N N N N
1
!
) 1 ( ) 2 )( 1 ( L
( )
!
1
1
1
2
1
1
1
x
N
Dd
Dd
N
x
N N
x N
x

,
`

.
|

,
`

.
|


,
`

.
|

,
`

.
|

L
Podemos ver que el lmite de la expresin anterior cuando N tiende a infinito es
!
) (
x
Dd e
x Dd
y si sustituimos Dd por obtenemos la funcin de distribucin de Poisson.. Esto nos
demuestra que es el valor medio de x, ya que D, volumen de la porcin examinada,
multiplicado por la densidad d, da el promedio esperado en el volumen D.
Hemos visto este ejemplo con cierto detalle porque a menudo se aplica de forma
equivocada a datos que no verifican todas las condiciones requeridas. Por ejemplo, no
se puede aplicar en el estudio de distribuciones de larvas de insectos en una gran
extensin de cultivo, porque los insectos depositan sus huevos en grupos, de modo que
en caso de encontrar uno en una pequea rea dada, lo probable es que se encuentren
tambin otros.
PROP La Media y la Varianza de una distribucin de Poisson son iguales al parmetro
.
Dem.

1
1
1 0
)! 1 ( ! !
) (
x
x
x
x
x
x
x
e
x
e
x
x
e
x X E

Haciendo el cambio de y = x1 y operando, obtenemos

e e
y
e X E
y
y
1
!
) (
En cuanto a la varianza, nos vamos a apoyar en su obtencin en el clculo de la
esperanza.
[ ]

2
2
2
2 0
)! 2 ( !
) 1 (
!
) 1 ( ) 1 (
x
x
x
x
x
x
x
e
x
e
x x
x
e
x x X X E

Carlos M. Abrisqueta Valcrcel, 2002 Temario Especfico Tema 65
11/17
Haciendo el cambio de variable y = x2 y operando, obtenemos
[ ]
2
0
2
!
) 1 (

y
y
y
e
X X E
con lo cual obtenemos el valor de la varianza
[ ] [ ] +
2 2 2 2 2
) 1 ( ) ( ) ( ) ( ) ( X X E X E X E X E X Var
7. AJUSTE DE UNA DISTRIBUCIN BINOMIAL A UNA POISSON.
La distribucin de Poisson tambin se obtiene como lmite de la binomial cuando el
tamao de muestra n crece, n, y la probabilidad de xito tiende a cero, p0, de
manera que el nmero medio de xitos, np=, permanezca constante. Las
probabilidades binomiales las podemos expresar de la forma siguiente:
x n x
n n x
n
x X P

,
`

.
|

,
`

.
|

,
`

.
|


1 ) (
Tomando lmites:

]
]
]
]
]
]
]

,
`

.
|

,
`

.
|

]
]
]
]

,
`

.
|

,
`

.
|

,
`

.
|

n
x
x
n
x
x n x
n n
n
n
n
x n n n
Lim
x n n x
n
Lim x X P Lim

1
1
) 1 ( ) 1 (
!
1 ) (
K

,
`

.
|

]
]
]
]
]
]
]

,
`

.
|

+
e
x n
Lim
n
n
x n n n
Lim
x
x
n
n
x
x
n
x
1
!
1
1
) 1 ( ) 1 (
!
K
En consecuencia
!
) (
x
e
x X P
x

para x = 0, 1, 2, ...
llegando as a la distribucin de Poisson. La aproximacin se puede considerar que es
bastante buena cuando se verifican las siguientes condiciones:
1) n > 25
2) p < 01
3) np = 5
Debido a esto, se conoce a la distribucin de Poisson como Ley de los Sucesos
Raros ya que se presenta en aquellos fenmenos en que estudiemos la ocurrencias de
sucesos con probabilidades pequeas.



12/17
8. OTRAS DISTRIBUCIONES DISCRETAS.
8.1. Distribucin Multinomial.
Supongamos que un experimento aleatorio puede conducir a k resultados
excluyentes y exhaustivos E
1
, E
2
, ..., E
k
, con probabilidades respectivas p
1
, p
2
, ..., p
k
,
entonces la distribucin de probabilidad de las variables aleatorias X
1
, X
2
, ..., X
k
, que
representan los nmeros de ocurrencias para E
1
, E
2
, ..., E
k
, en n ensayos independientes
es:
k k
x
k
x x
k
x
k
x x
k
k
p p p
x x x
n
p p p
x x x
n
x x x f K
K
K
K
K
2 1 2 1
2 1
2 1
2 1
2 1
2 1
! ! !
!
, , ,
) , , , (

,
`

.
|

donde
1 1 0
1
1
1



k
i
i
k
i
i
p p n x
Si la variable aleatoria X tiene distribucin Multinomial, entonces sus Medias,
Varianzas y Covarianzas estn dadas por las siguientes expresiones:
1) E(X
i
) =
i
= np
i
2) Var(X
i
) =
i
2
= np
i
(1p
i
)
3) Cov(X
i
,X
j
) =
ij
= np
i
p
j
con ij
8.2. Distribucin Hipergeomtrica.
Supongamos que tenemos una poblacin con N unidades estadsticas, de las cuales
N
A
son de la clase A y el resto, NN
A
, de la clase contraria A. Sea un experimento
consistente en tomar, sin reemplazamiento, n unidades de poblacin.
DEF Bajo las condiciones anteriores, llamamos variable aleatoria Hipergeomtrica a
X = nmero de elementos de la clase A que hay en la muestra
A la variable aleatoria as definida le corresponde una funcin de probabilidad dada
por

,
`

.
|

,
`

.
|

,
`

.
|

n
N
x n
N N
x
N
x X P
A A
) (
Los parmetros de la distribucin son
N Tamao de la poblacin
N
A
N de unidades de la clase A
n Tamao de la muestra sin reemplazamiento
PROP Si la variable aleatoria X tiene una distribucin Hipergeomtrica, entonces su
media y su varianza estn dadas por



13/17
np
N
nN
X E
A
) ( ) 1 (
1
) (
2
p np
N
n N
X Var

donde
N
N
p
A
.
Dem.
( )
( )

,
`

.
|

,
`

.
|

,
`

.
|

,
`

.
|

,
`

.
|

x n
N N
x N x
N
n
N
N
n
N
x n
N N
x
N
x X E
A
n
x A
A A
n
x
A A
1 0
! )! 1 (
! 1
) (
( )
( )

,
`

.
|

,
`

.
|

,
`

.
|

,
`

.
|

,
`

.
|

x n
N N
x
N
n
N
N
x n
N N
x N x
N
n
N
N
A
n
x
A A A
n
x A
A A
1 1
1
1
! )! 1 (
! 1
y haciendo el cambio de variable de y = x1 convertimos la expresin anterior en

,
`

.
|

,
`

.
|

,
`

.
|

n
N
y n
N N
y
N
N
X E
n
y
A A
A
1
0
1
1
) (
y teniendo en cuenta que

,
`

.
|

,
`

.
|
1
1
n
N
n
N
n
N
podemos dejar la expresin anterior
como
np n
N
N
n
N
y n
N N
y
N
n
N
N
X E
A
n
y
A A
A

,
`

.
|

,
`

.
|

,
`

.
|

1
0
1
1
1
1
) (
ya que el sumatorio es el de todas las probabilidades en el caso de una muestra de
tamao n1, de un lote con N1 objetos de los que N
A
1 son de la clase A.
Para el clculo de la varianza vamos a tener en cuenta lo siguiente:
[ ] [ ]
2 2 2 2 2
) 1 ( ) ( ) ( ) ( ) ( + X X E X E X E X E X Var
donde
[ ]
) 1 (
) 1 ( ) 1 (
) 1 (

N N
n n N N
X X E
A A
y al operar obtenemos



14/17
) 1 (
1
) ( p np
N
n N
X Var

La diferencia ms importante entre esta distribucin y la binomial es que en esta

ltima las probabilidades permanecen constantes a lo largo de las pruebas (muestreo con
reemplazamiento), mientras que en la hipergeomtrica varan de prueba a prueba en
funcin de los resultados de las pruebas anteriores (muestreo sin reemplazamiento).
Cuando se verifican las condiciones siguientes:
1) N
2) cte p
N
N
A

3) n = cte.
entonces podemos aproximar la distribucin hipergeomtrica por una binomial, ya que
puede probarse que en esas condiciones se cumple que:
x n x
A A
q p
x
n
n
N
x n
N N
x
N

,
`

.
|

,
`

.
|

,
`

.
|

,
`

.
|
8.3. Distribucin Hipergeomtrica Multivariante.
Consideremos una poblacin con N unidades estadsticas repartidas en k clases
disjuntas y exhaustivas E
1
, E
2
, ..., E
k
con N
1
, N
2
, ..., N
k
unidades en cada clase
respectivamente, y verificndose que N
1
+N
2
+ ...+N
k
=N. Si tomamos n unidades
estadsticas sin reemplazamiento y contabilizamos cuntas unidades de cada clase nos
aparecen, entonces esas k variables discretas constituyen una variable hipergeomtrica
multivariante.
X
i
= N de elementos de la clase A
i
que hay en la muestra
Estas variables X
i
son linealmente dependientes, ya que su suma es evidentemente el
tamao n de la muestra. Su funcin de probabilidad viene dada por

,
`

.
|

,
`

.
|

,
`

.
|

,
`

.
|

n
N
x
N
x
N
x
N
x X x X x X P
k
k
k k
K
K
2
2
1
1
2 2 1 1
) , , , (
y sus medias y varianzas valen
i i i
np X E ) (



15/17
) 1 (
1
) (
2
i i i i
p np
N
n N
X Var

j i p np
N
n N
X X Cov
j i ij j i

1
) , (
donde
N
N
p
i
i
.
Vemos que las covarianzas son negativas, al igual que suceda con la distribucin
multinomial. De manera totalmente anloga a la expuesta en el punto anterior, podemos
aproximar esta distribucin por una binomial, bajo las siguientes condiciones:
1) N
2) . cte p
N
N
i
i

3) n = cte.
y la aproximacin de la distribucin hipergeomtrica multivariante por una multinomial
se debe al hecho de que en esas condiciones se verifica
k
x
k
x x
k
k
k
p p p
x x x
n
n
N
x
N
x
N
x
N
K
K
K
2 1
2 1
2 1
2
2
1
1
! ! !
!

,
`

.
|

,
`

.
|

,
`

.
|

,
`

.
|
8.4. Distribucin Geomtrica o de Pascal.
Supongamos que realizamos un experimento y estamos interesados en la ocurrencia
o no de un determinado suceso A. Supongamos tambin, al igual que hacamos en la
distribucin binomial, que realizamos repeticiones del experimento de forma que estas
repeticiones son independientes, y que en cada una de las repeticiones las
probabilidades de A, p, y de su complementario A, 1p, permanecen constantes. En
esta situacin, repetimos el experimento hasta que ocurre A por primera vez. Podemos
definir la variable aleatoria
X = nmero de repeticiones del experimento necesarias para que tenga lugar la
primera ocurrencia de A
la cual, diremos, tiene una distribucin Geomtrica o de Pascal de parmetro p.
Tengamos en cuenta que aqu nos separamos de las hiptesis mantenidas para la
distribucin binomial. All el nmero de repeticiones era predeterminado, mientras que
aqu es una variable aleatoria. Tenemos que X=k siempre que en las k1 repeticiones
anteriores no haya sucedido A. Entonces, la funcin de probabilidad es
K , 3 , 2 , 1 ) (
1


k para pq x f
k



16/17
PROP Si la variable aleatoria X tiene una distribucin geomtrica, entonces su media y
su varianza vienen determinadas por
p
X E
1
) (
2
) (
p
q
X Var
Dem.
p p
p
q
p
q
q
dq
d
p
dq
q d
p
dq
q d
p kpq X E
k
k
k
k
k
k
1
) 1 ( 1
) (
) (
2 2
1

,
`

.
|

,
`

.
|

y de forma anloga, con la derivada segunda respecto de q podemos razonar para
obtener la varianza a travs de la esperanza de X(X1)
[ ]
2
2
) ( ) ( ) 1 ( ) (
p
q
X E X E X X E X Var +
8.5. Distribucin Binomial Negativa.
Esta distribucin es una generalizacin de la anterior. Para obtenerla, y bajo las
mismas condiciones que para la distribucin geomtrica, supongamos que un
experimento se repite hasta que un suceso particular A se repite r veces. Sea la variable
aleatoria
X = nmero de repeticiones necesarias para que A suceda exactamente r veces.
Esta distribucin recibe el nombre de Distribucin Binomial Negativa de Parmetros
r y p.
Es evidente que para r=1 obtenemos la distribucin geomtrica de parmetro p. El
suceso X=K ocurre si y slo si el suceso A ocurre en la k-sima repeticin,
verificndose que A ya sucedi r-1 veces en los k-1 experimentos anteriores. Por ello, la
probabilidad de este suceso es
r k r
q p
r
k
k X P

,
`

.
|

1
1
) ( para k = r, r+1, ...
PROP La media y la varianza de una distribucin binomial negativa son
p
r
X E ) (
2
) (
p
rq
X Var
Dem.
Para comprobarlo, definamos las siguientes variables aleatorias.
Z
1
= N de repeticiones necesarias hasta la primera ocurrencia de A



17/17
Z
2
= N de repeticiones necesarias desde la primera ocurrencia de A hasta incluir
la segunda ocurrencia de A.
.......
Z
r
= N de repeticiones necesarias desde la ocurrencia r1 de A hasta incluir la r-
sima ocurrencia de A.
Todas las Z
i
son variables aleatorias independientes, teniendo cada una de ellas una
distribucin geomtrica de parmetro p. Adems, la variable aleatoria X es suma de
todas ellas. Por tanto
p
r
p p p
Z E Z E Z E Z Z Z E X E
r r
+ + + + + + + + +
1 1 1
) ( ) ( ) ( ) ( ) (
2 1 2 1
K K K
de manera anloga, tomando varianzas
2
2 1 2 1
) ( ) ( ) ( ) ( ) (
p
rq
Z Var Z Var Z Var Z Z Z Var X Var
r r
+ + + + + + K K
BIBLIOGRAFA RECOMENDADA.
Estadstica Terica. Aut. J.M.Doblado y M.C. Nieto. Edit. UNED
Introduccin a la Estadstica Terica. Aut.: G Arniz. Edit.: Lex Nova
Estadstica Terica y Aplicada. Aut.: A. Nortes. Edit.: S. Rodrguez.
Introduccin a la Probabilidad y la Medida (I). Aut.: P Zoroa y N. Zoroa. Edit.: Maior
DM.
Introduccin a la Teora de la Estadstica. Aut.: Mood, Graybill. Edit.: Aguilar.