3 - Estadística General - Distribuciones y Modelos Discretos

Estadstica General Variables Aleatorias Discretas Modelos de Probabilidad
Ing. Sergio Anbal Dopazo Pgina 39 de 112

VARIABLES ALEATORIAS y DISTRIBUCIONES DE PROBABILIDAD

El concepto de una variable aleatoria nos permite pasar de los resultados experimentales a
una funcin numrica de los resultados. Una variable aleatoria es una regla bien definida para asignar
valores numricos a todos los resultados posibles de un experimento o fenmeno aleatorio (regla
mediante la cual a cada uno de los resultados de un experimento se le asocia un nmero). Tambin
se la puede definir como una descripcin numrica del resultado de un experimento (la variable
aleatoria asocia un valor numrico con cada resultado posible). Por lo tanto se puede resumir que una
variable aleatoria es una regla de asociacin. El valor numrico de la variable aleatoria depende del
resultado del experimento.

La variable aleatoria: Primero es variable porque son posibles diferentes valores numricos.
Segundo es aleatoria porque el valor observado depende de cul de los posibles resultados
experimentales aparezca, y, adems, porque involucra la probabilidad de los resultados del espacio
muestral. La variable aleatoria es una funcin de valor real definida sobre el espacio muestral, de
manera que transforma todos los posibles resultados del espacio muestral en cantidades numricas.

Se pueden definir variables aleatorias cuyos nmeros de posibles valores es finito, o variables
aleatorias cuyos valores son infinitos (sean contables o no), ya que una variable aleatoria es una
caracterizacin cuantitativa de los resultados de un espacio muestral. Dependiendo de los valores
numricos que asume, las variables aleatorias se pueden clasificar en variables aleatorias discretas
y variables aleatorias continuas. Cabe aclarar que las variables aleatorias son discretas o
continuas por su carcter intrnseco y no por como se las observa. Para ser rigurosos, para el caso
continuo, el conjunto infinito debe ser no numerable; porque si fuera numerable, la variable, desde un
punto de vista matemtico estricto, sera discreta. Ello no obstante, cuando un dominio tiene muchos
valores posibles, se le asocia en la prctica un modelo o distribucin continua.

VARIABLES ALEATORIAS DISCRETAS

Una variable aleatoria r, es discreta si el nmero de valores que puede tomar es contable
(ya sea finito o infinito), y si stos pueden arreglarse en una secuencia que corresponde con los
enteros positivos. En general, todo lo que se quiere expresar de manera contable (cantidad de
unidades defectuosas, cantidad de vehculos que arriban o parten, etc.), es una variable aleatoria
discreta.

En resumen, una variable aleatoria es discreta si su conjunto de valores posibles es un
conjunto discreto. Un conjunto es discreto si est formado por un nmero finito de elementos, o si sus
elementos se pueden enumerar en secuencia de modo que haya un primer elemento, un segundo
elemento, un tercer elemento, y as sucesivamente, en la lista. O sea que cada fenmeno aleatorio
genera su propia variable.

En el captulo sobre procesamiento de los datos se estudi la forma de condensar la
informacin contenida en una muestra o poblacin. Para una variable discreta, la forma ms simple
de hacerlo era asignar a cada valor posible de la variable la frecuencia absoluta o relativa
correspondiente.

Cabe destacar que toda variable aleatoria discreta r tiene un dominio bien definido entre
valores extremos: Mx r mn

Si consideramos ahora un valor particular r de la variable aleatoria como un acontecimiento
aleatorio, es indudable que su frecuencia relativa resulta una medida experimental de la probabilidad
de su ocurrencia. Es posible entonces asociar a cada valor de r (variable aleatoria discreta) una
Pgina 40 de 112 Ing. Sergio Anbal Dopazo

probabilidad, obtenindose entonces la denominada Funcin de Probabilidad (o funcin
puntual de probabilidad o funcin masa de probabilidad) de la variable aleatoria considerada.

Una funcin de probabilidad (tambin llamada probabilidad puntual) ) r VA ( P ) r ( P = == = = == = , es
una funcin que indica (o bien calcula) la probabilidad de que la variable aleatoria discreta en cuestin
tome un valor exactamente igual a r. Es una funcin tal que se cumplen dos condiciones:

Primera condicin: r" " todo para 0 ) r VA ( P ) r ( P = == = = == =

Segunda condicin: ( (( ( ) )) ) [ [[ [ ] ]] ] 1 r P
Mx
mn r
= == =

= == =

La segunda condicin refleja el hecho que el conjunto de acontecimientos correspondientes a
los distintos valores de la variable aleatoria r es una particin de un Espacio Muestral.

Los pares ordenados [ [[ [ ] ]] ] ) r ( P ; r dan la distribucin de la variable aleatoria. La distribucin de
probabilidad para una variable aleatoria discreta es una realizacin mutuamente excluyente de todos
los resultados numricos posibles para esa variable aleatoria, de modo tal que la probabilidad de
ocurrencia se relacione en particular con cada resultado. Estos valores de P(r), se pueden asignar
de manera subjetiva y/o arbitraria (aplicando las reglas de clculo de probabilidades); o bien usando
modelos matemticos de comportamiento aleatorio (razonamiento analtico).

En el razonamiento analtico, el analista parte de algunas suposiciones y deduce
matemticamente la expresin de la funcin P(r). En la asignacin subjetiva y/o arbitraria, se utiliza
cuando no es posible aplicar un modelo matemtico o bien no se puede realizar la experimentacin
correspondiente; es un recurso terminal y los valores de P(r), se especifican de acuerdo a nuestro
sentimiento o con la indicacin de la persona que mejor conoce el fenmeno en estudio y puede
darnos una buena informacin; la utilidad de este procedimiento est dada por la razonable
confiabilidad de la informacin disponible.

Veamos algunos ejemplos de asignacin subjetiva:

Ejemplo 1: Al tirar un dado me interesa saber el nmero que va a salir. Entonces la Variable
Aleatoria r es: r = nmero que sale al tirar un dado equilibrado. El dominio
de la variable aleatoria es: 6 r 1 . Su distribucin de probabilidades se
visualiza en la siguiente tabla:

r 1 2 3 4 5 6
P(r)
6
1

6
1

6
1

6
1

6
1

6
1

En este ejemplo vemos como los pares ordenados [ [[ [ ] ]] ] ) r ( P ; r conforman un espacio
muestral y se cumplen las dos condiciones de la funcin de probabilidad. Es una
asignacin subjetiva porque suponemos que el dado est equilibrado, ya que si el
dado no estara equilibrado y lo suponemos cargado de manera proporcional a su
cara, la distribucin de probabilidades sera:



r 1 2 3 4 5 6
P(r)
21
1

21
2

21
3

21
4

21
5

21
6

Tambin vemos como los pares ordenados [ [[ [ ] ]] ] ) r ( P ; r conforman un espacio
muestral y se cumplen las dos condiciones de la funcin de probabilidad.

Ejemplo 2: Al tirar dos dados me interesa saber el nmero resultante de la suma de las
caras que van a salir. Entonces la variable aleatoria r es: r = suma de las
caras de dos dados equilibrados. El dominio de la variable aleatoria es:
12 r 2 . Su distribucin de probabilidades se visualiza en la siguiente tabla:

r 2 3 4 5 6 7 8 9 10 11 12
P(r)
36
1

36
2

36
3

36
4

36
5

36
6

36
5

36
4

36
3

36
2

36
1

Los pares ordenados [ [[ [ ] ]] ] ) r ( P ; r conforman un espacio muestral y se cumplen las
dos condiciones de la funcin de probabilidad. Tambin es una asignacin
subjetiva porque suponemos que los dados estn equilibrados y adems hemos
usado para el resultado de la funcin de probabilidad, las reglas del clculo de
probabilidades (que fueron desarrolladas en el captulo anterior).

A las distribuciones tipo del ejemplo 1 se las denomina distribuciones uniformes discretas o
bien distribuciones rectangulares, y, a las distribuciones tipo del ejemplo 2 se las denomina
distribuciones triangulares. Se ilustrar mejor en el grfico del polgono de probabilidad.

6
1

Ejemplo 1

36
1
36
2
36
3
36
4
36
5
36
6

Ejemplo 2

As como en el procesamiento de datos, para algunas aplicaciones en general, se utilizan las
Frecuencias Acumuladas; en variables aleatorias se utilizan probabilidades acumuladas, por lo que
es conveniente definir a las Funciones de Distribucin de Probabilidad.
Funcin de Distribucin:

= == =
= == = = == =
r
mn r
) r ( P ) r VA ( P ) r ( F , calcula la probabilidad de que la
variable aleatoria en cuestin tome un valor especfico menor o igual que r. En muchos
casos tambin se utiliza:

= == = = == =
Mx
r
) r ( P ) r VA ( P ) r ( G , calcula la probabilidad de que la
variable aleatoria en cuestin tome un valor especfico mayor o igual que r. Por lo que a
la primera se la denomina funcin de probabilidades acumuladas izquierda y a la
segunda funcin de probabilidades acumuladas derecha.

Se cumple: ) r ( P 1 ) r ( G ) r ( F + ++ + = == = + ++ +

De manera que podemos definir las siguientes relaciones funcionales:

) 1 r ( G ) r ( G ) 1 r ( F ) r ( F ) r ( P + ++ + = == = = == =

) 1 r ( G 1 ) r ( F + ++ + = == = , y ) 1 r ( F 1 ) r ( G = == =

) 1 B ( G ) A ( G ) 1 A ( F ) B ( F ) r ( P ) B r A ( P
B
A r
+ ++ + = == = = == = = == =

= == =

El lector ver como se cumplen las funciones de probabilidad y sus relaciones en los ejemplos
desarrollados anteriormente.



Al igual que en el procesamiento de datos se pueden definir los siguientes valores
caractersticos:

Moda o Modo:
o
r Mo = == = ; es el valor de la variable aleatoria cuya probabilidad de ocurrencia
es mxima. ( (( ( ) )) ) Mxima r P
o
= == = .

Mediana:
e
r Me = == = ; es el valor de la variable aleatoria tal que se cumplan las siguientes
condiciones: ( (( ( ) )) ) ( (( ( ) )) ) 5 , 0 r F y 5 , 0 r F
e 1 e

.

Esperanza Matemtica o Valor Medio: [ [[ [ ] ]] ]

= == =
= == = = == =
Mx
mn r
) r ( P r ) r ( E ; (suele denominarse valor
esperado de la variable o MEDIA), es el valor que toma el promedio de la variable
aleatoria despus de infinitas observaciones. En el estudio de las funciones tericas de
probabilidad, el valor medio es, generalmente, el parmetro ms importante. Si de un
proceso aleatorio se extrae una muestra, el promedio de la misma es una medida
experimental de la esperanza matemtica de la variable aleatoria, en la misma forma en
que la frecuencia relativa lo es de la probabilidad. La esperanza no es una funcin de r,
no depende de un valor particular de la variable, sino que es una caracterstica general de
la distribucin.

Varianza: [ [[ [ ] ]] ] ( (( ( ) )) )
2
Mx
mn r
2 2
) r ( P r ) r ( V
) )) )
` `` `

= == = = == =

= == =
; es el valor esperado del cuadrado de las
desviaciones de la variable aleatoria respecto a su esperanza matemtica. Mide la
aleatoriedad misma de la variable, porque nos indica cuan dispersa puede ser la
distribucin. Esta caracterstica es utilizada de manera usual para medir la dispersin de la
variable.

Propiedades matemticas de la Esperanza Matemtica y de la Varianza. Sean x e y
dos variables aleatorias independientes, y, a y b dos constantes, se demuestran las
siguientes propiedades en la combinacin algebraica de dichos elementos:

2
y
2
x
2 2
R y x R
a ; b a b y ax R + ++ + = == = = == = = == =
2
x
2
y
2
y
2
x
2
y
2
x
2
R y x R
; y x R + ++ + + ++ + = == = = == = = == =

Estas propiedades se cumplen en cualquier tipo de variable aleatoria independiente, ya
sea discreta (como en este caso) o sea continua (como veremos ms adelante).

Si las variables aleatorias x e y, no son independientes, las propiedades de la
varianza (en la combinacin algebraica de estas) cambian. Para desarrollar la varianza,
debemos introducir el concepto de covarianza, sta es una medida de dispersin conjunta
de dos variables aleatorias.

Desvo Standard:
2
) r ( D = == = = == = ; (Desvo Estndar, Desvo Tpico o Dispersin), es el
valor que mide la dispersin de los valores que toma la variable respecto a la esperanza
matemtica.


Coeficiente de Variacin: 100 Cv

= == = ; (o Dispersin Relativa) expresado en forma
porcentual, con el mismo concepto visto en el procesamiento de datos. Cabe destacar que
esta caracterstica, no es muy importante en las variables aleatorias discretas; pero en el
caso de las variables aleatorias continuas, como veremos ms adelante, esta
caracterstica adquiere vital importancia.

Coeficiente de Asimetra:
( (( ( ) )) ) [ [[ [ ] ]] ]
3
Mx
mn r
3
3
r ) r ( P
As

= == = = == =

= == =
; (es una caracterstica de forma),
con el mismo concepto visto en el procesamiento de datos.

Cabe aclararas que si este coeficiente es mayor que cero, la distribucin tiene asimetra
positiva, en cambio, si es menor que cero la distribucin tiene asimetra negativa. Si el
coeficiente es nulo, diremos que la distribucin es simtrica y, en general, se cumple la
propiedad de este tipo de distribuciones (Modo = Mediana = Esperanza Matemtica).
Debemos sealar que el hecho que este coeficiente sea nulo, no implica necesariamente
que la distribucin sea simtrica y puede no cumplirse la propiedad.

Coeficiente de Kurtosis:
( (( ( ) )) ) [ [[ [ ] ]] ]
4
Mx
mn r
4
4
r ) r ( P
Ku

= == = = == =

= == =
; (o Coeficiente de Aplastamiento o
de Agudeza) es una caracterstica de forma, con el mismo concepto visto en el
procesamiento de datos.

ESPERANZA MATEMTICA (o EXPECTATIVA) PARCIAL

En muchos problemas prcticos, especialmente aquellos problemas de decisin en que
aparecen costos o ganancias con un nmero finitos de discontinuidades, resulta til la definicin de la
esperanza matemtica parcial de la variable aleatoria o de una funcin de la misma.

La necesidad de la esperanza matemtica parcial aparece cuando se requiere calcular la
esperanza matemtica de una funcin de una variable aleatoria tal que, ella misma o su derivada
tiene un nmero finito de discontinuidades.

Esta se aplica como un poderoso procedimiento de anlisis que permite resolver un conjunto
importante de problemas, en general de naturaleza econmica. Es una herramienta estadstica de
decisin de suma utilidad en el clculo de valores esperados de variables econmicas atpicas. La
idea de esta aplicacin de las esperanzas matemticas parciales fue propuesta por el estadstico
Robert Schlaifer y el economista Howard Raiffa en sus obras (1967).

El uso de estas esperanzas matemticas parciales tiene aplicacin en variables con puntos
de corte o bien variables cuya funcin es lineal a tramos; o bien variables que son funciones
condicionales de una variable aleatoria simple. Permite estudiar o calcular los valores esperados de
este tipo de variables aleatorias y obtener sus valores ptimos, tambin puedo calcular la famosa
curva A-B-C (la cual realiza una clasificacin de elementos en un cierto orden de importancia
respecto de un cierto criterio). Otro uso aparece cuando de una variable aleatoria no se quiera
estudiar todo el dominio, de manera que tenemos distribuciones truncadas. Algunos ejemplos:


En una obra civil, la empresa constructora tiene un plazo de n das para concluirla. Si se
atrasa, tiene una penalizacin de b U$s/da y si se adelanta recibe un premio de c U$s/da.

Se desea estipular el salario promedio de los individuos que ganan menos que el salario
mnimo vital y mvil.

Los rollos de tela de 100 metros pueden tener cierta cantidad de fallas, si el nmero de fallas
es menor que a, el rendimiento tiene un costo y si el nmero de fallas es mayor que a, el
rendimiento tiene otro costo.

La demanda de camisas en temporada es variable. Si la empresa compra un lote de x
camisas y las vende a todas tiene un determinado beneficio; pero si le sobran, el remanente
se debe vender a otro precio

A la esperanza matemtica (que denominaremos TOTAL, porque tiene en cuenta a todo el
dominio de la variable), que es el valor que toma el promedio despus de infinitas observaciones al
darse todos los valores posibles de la variable aleatoria en cuestin, la habamos definido:

Esperanza Matemtica Total: [ [[ [ ] ]] ]

= == =
= == = = == =
Mx
mn r
) r ( P r ) r ( E

Al igual que las funciones de distribucin de probabilidad, que se interpretan como una parte
del espacio muestral, las expectativas parciales se pueden interpretar (de manera matemtica) como
una parte de la esperanza matemtica, de modo que a la misma la podemos dividir en partes.
Entonces definimos:

Expectativa Parcial Izquierda: [ [[ [ ] ]] ]

= == =
= == =
r
mn r
) r ( P r ) r ( H . Hacemos el clculo tomando en cuenta
los valores de la variable aleatoria menores o iguales que el valor r en cuestin (o sea a
la izquierda de r).

Expectativa Parcial Derecha: [ [[ [ ] ]] ]

= == =
Mx
r
) r ( P r ) r ( J . Hacemos el clculo tomando en cuenta los
valores de la variable aleatoria mayores o iguales que el valor r en cuestin (o sea a la
derecha de r).

Como la sumatoria es un operador matemtico lineal tenemos:

[ [[ [ ] ]] ] [ [[ [ ] ]] ] [ [[ [ ] ]] ] ) r ( E ) r ( P r ) r ( P r ) r ( P r
Mx
mn r
Mx
1 r r
r
mn r
= == = = == = = == = + ++ +

= == = + ++ + = == = = == =

Observemos que la primer sumatoria corresponde a la expectativa parcial izquierda de los
valores de la variable aleatoria menores o iguales que r; y la segunda sumatoria corresponde a la
expectativa parcial derecha de los valores de la variable aleatoria mayores o iguales que r+1. De
manera que podemos deducir lo siguiente:

) 1 r ( H ) r ( J ) 1 r ( J ) r ( H + ++ + = == = + ++ + + ++ + = == = , se demuestra que una expectativa se puede obtener a
partir de la otra.


Si quisiramos obtener la expectativa en un punto o bien en un intervalo de la variable, las
expresiones son:

Expectativa Puntual: [ [[ [ ] ]] ] ) r ( P r ) r ( P r ) r ( E
r
r r
p
= == = = == =

= == =
. Para un valor de la variable aleatoria
exactamente igual que r.

Expectativa Parcial en un rango: ( (( ( ) )) ) [ [[ [ ] ]] ]

= == =
= == =
B
A r
) r ( P r B r A E . Tomando en cuenta los valores
de la variable aleatoria comprendidos entre A y B. Siendo estos pertenecientes al
dominio de la variable aleatoria r en cuestin. Tambin se puede calcular mediante
( (( ( ) )) ) ) 1 B ( J ) A ( J ) 1 A ( H ) B ( H B r A E + ++ + = == = = == = .

Ejemplo: Tomemos en cuenta la variable que surge al tirar un dado y observar el nmero que sale. La
distribucin de la variable aleatoria con sus funciones de probabilidad, se visualizan en la
tabla de la pgina 4. El dominio de la variable es 6 r 1 . Recordemos el clculo de la
esperanza matemtica de esta variable aleatoria:

[ [[ [ ] ]] ] 5 , 3
6
21
6
1
6
6
1
5
6
1
4
6
1
3
6
1
2
6
1
1 ) r ( P r ) r ( E
6
1 r
= == = = == = + ++ + + ++ + + ++ + + ++ + + ++ + = == = = == = = == =

= == =

Calculemos la expectativa parcial izquierda de 3, o sea para 3 r

[ [[ [ ] ]] ] 1
6
6
6
1
3
6
1
2
6
1
1 ) r ( P r ) 3 ( H
3
1 r
= == = = == = + ++ + + ++ + = == = = == =

= == =

Calculemos la expectativa parcial derecha de 4, o sea para 4 r

[ [[ [ ] ]] ] 5 , 2
6
15
6
1
6
6
1
5
6
1
4 ) r ( P r ) 4 ( J
6
4 r
= == = = == = + ++ + + ++ + = == = = == =

= == =

Si realizamos la suma de las dos expectativas anteriores, tenemos comprendido al total del
espacio muestral:

[ [[ [ ] ]] ] [ [[ [ ] ]] ] [ [[ [ ] ]] ] 5 , 3 5 , 2 1
6
21
6
15
6
6
) r ( P r ) r ( P r ) r ( P r ) r ( E ) 4 ( J ) 3 ( H
6
1 r
6
4 r
3
1 r
= == = + ++ + = == = = == = + ++ + = == = = == = + ++ + = == = = == = = == = + ++ +

= == = = == = = == =

Veamos de otra manera: calculemos la expectativa parcial izquierda de 2; luego la
expectativa parcial entre 3 y 5; y luego la expectativa puntual de 6.

[ [[ [ ] ]] ] 5 , 0
6
3
6
1
2
6
1
1 ) r ( P r ) 2 ( H
2
1 r
= == = = == = + ++ + = == = = == =

= == =
; ( (( ( ) )) ) [ [[ [ ] ]] ] 2
6
12
6
1
5
6
1
4
6
1
3 ) r ( P r 5 r 3 E
5
3 r
= == = = == = + ++ + + ++ + = == = = == =

= == =
;
[ [[ [ ] ]] ] 1
6
6
6
1
6 ) r ( P r ) 6 ( E
6
6 r
p
= == = = == = = == = = == =

= == =
. Denotemos que todas son una parte del dominio completo de la
variable aleatoria que si las sumamos nos da la esperanza matemtica.



( (( ( ) )) ) = == = = == = + ++ + + ++ + = == = = == = + ++ + + ++ + = == = + ++ + + ++ + 5 , 3 1 2 5 , 0
6
21
6
6
6
12
6
3
) 6 ( E 5 r 3 E ) 2 ( H
p

ESPERANZA MATEMTICA TRUNCADA (o PROMEDIOS TRUNCADOS)

Una aplicacin sencilla, prctica e intuitiva de las expectativas parciales es el clculo de los
promedios truncados. Imaginemos, en el ejemplo del dado, que tiramos infinitas veces el dado y
solamente promediamos los valores obtenidos en un rango de la variable aleatoria, sin considerar al
resto de los valores observados. A dicho procedimiento se denomina truncamiento de la variable
aleatoria (el truncamiento de una variable consiste en eliminar un intervalo de su dominio); por lo
tanto el promedio obtenido solamente refiere a una parte de los valores observados descartando al
resto de los otros valores obtenidos. El clculo de estos promedios se denota por medio de las
siguientes expresiones:

Promedio Truncado Izquierdo:
) r ( F
) r ( H
) r VA ( T
= == =

; realizamos un truncamiento a la izquierda
(eliminamos valores de la variable aleatoria mayores que el valor r). O sea que tomamos
en cuenta solamente los valores de la variable aleatoria menores o iguales que el valor
r.

Promedio Truncado Derecho:
) r ( G
) r ( J
) r VA ( T
= == =

; realizamos un truncamiento a la derecha
(eliminamos valores de la variable aleatoria menores que el valor r). O sea que tomamos
en cuenta solamente los valores de la variable aleatoria mayores o iguales que el valor r.

Promedio Truncado a dos Colas:
) 1 B ( G ) A ( G
) 1 B ( J ) A ( J
) 1 A ( F ) B ( F
) 1 A ( H ) B ( H
) B r A ( T
+ ++ +
+ ++ +
= == =

= == =

; realizamos
un truncamiento a la izquierda y a la derecha (eliminamos valores de la variable aleatoria
menores que A y mayores que B). O sea que tomamos en cuenta solamente los
valores de la variable aleatoria comprendidos en un rango del valor r. Tambin se puede
calcular mediante la siguiente expresin:
( (( ( ) )) )
) B r A ( P
B r A E
) B r A ( T

= == =

.

Ejemplo: Tomando a la variable aleatoria que surge al observar el nmero que sale en un dado
equilibrado al tirarlo de marea azarosa.

Si solamente tenemos en cuenta a los valores de la variable 3 r , truncamiento a la
izquierda, y eliminamos los valores 4 r ; intuitivamente podemos deducir que el promedio de los
valores 1; 2 y 3 es igual que 2. Confirmemos mediante el uso de la ecuacin correspondiente:

2
3
6
6
3
6
6
) 3 ( F
) 3 ( H
) 3 r ( T
= == = = == = = == = = == =

Si solamente tenemos en cuenta a los valores de la variable 4 r , truncamiento a la derecha,
y eliminamos los valores 3 r ; intuitivamente podemos deducir que el promedio de los valores 4; 5 y
6 es igual que 5. Confirmemos mediante el uso de la ecuacin correspondiente:


5
3
15
6
3
6
15
) 4 ( G
) 4 ( J
) 4 r ( T
= == = = == = = == = = == =

Si solamente tenemos en cuenta a los valores de la variable 5 r 3 , truncamiento a dos
colas, y eliminamos los valores 2 r y los valores 6 r ; intuitivamente podemos deducir que el
promedio de los valores 3; 4 y 5 es igual que 4. Confirmemos mediante el uso de la ecuacin
correspondiente:

4
3
12
6
3
6
12
6
1
6
4
6
6
6
18
6
2
6
5
6
3
6
15
) 6 ( G ) 3 ( G
) 6 ( J ) 3 ( J
) 2 ( F ) 5 ( F
) 2 ( H ) 5 ( H
) 5 r 3 ( T
= == = = == = = == =

= == =

= == =

= == =

= == =

Las aplicaciones mencionadas al principio (variables atpicas, variables condicionalmente
lineales a tramos, etc.), las veremos en el desarrollo de cada uno de los modelos correspondientes.



MODELOS (o DISTRIBUCIONES de PROBABILIDAD) de VARIABLES ALEATORIAS DISCRETAS

Para estudiar los modelos correspondientes a las variables aleatorias discretas, primero
debemos introducirnos en los Procesos Fsicos de Observacin. Se reconocen en la naturaleza, en
forma general, tres procesos bien diferenciados entre si: El proceso de Bernoulli, El proceso
Hipergeomtrico y El proceso de Poisson.

PROCESO DE BERNOULLI (Jacques Bernoulli, 1654 1705):

La referencia bibliogrfica fue desarrollada en el captulo de probabilidades.

El proceso de Bernoulli es un proceso fsico de repeticiones de un determinado experimento
en el cual observamos la ocurrencia o no de un determinado evento. Estos experimentos dan lugar a
ensayos independientes repetidos, cada uno de los cuales tiene slo dos resultados posibles: xito
(ocurre el evento deseado) o fracaso (no ocurre el evento deseado). Las condiciones en las que se
realizan todas las pruebas deben ser iguales. A cada ensayo se llama experimento de Bernoulli.
Los trminos xito y fracaso son meras etiquetas o convencionalismos; desafortunadamente,
las etiquetas pueden ser engaosas en ocasiones (la bsqueda de la aparicin de una pieza
defectuosa, en un proceso productivo de fabricacin, puede resultar en algunas aplicaciones, un
xito).

Supongamos un proceso consistente en la ejecucin de una serie ordenada de pruebas o
ensayos, cuyo resultado es aleatorio y puede clasificarse de acuerdo a la existencia o falta de un
determinado atributo.

Las pruebas podran consistir, por ejemplo, en la tirada de una moneda o de un dado, o en la
fabricacin de una pieza por una mquina o un proceso productivo.

Diremos que el resultado de una prueba ha sido un xito si se ha dado el atributo; en caso
contrario hablaremos de un fracaso. As podran considerarse xitos en los casos anteriores la
aparicin de una cara, la de un as y la de una pieza defectuosa; los acontecimientos
complementarios, desde luego, se consideraran fracasos.

En un proceso de este tipo se cumplen las siguientes condiciones:

I) Independencia de las Pruebas: la probabilidad de un xito en una prueba, es
independiente de que en la prueba anterior el resultado haya sido un xito o un fracaso.

II) Estabilidad: En una serie de ensayos, la probabilidad de un xito y por ende la
probabilidad de un fracaso, permanece constante a lo largo de la misma.

Un Proceso de Bernoulli queda definido por un solo parmetro: La probabilidad de xito
(p), que es la probabilidad (constante e independiente de las circunstancias) de la ocurrencia de un
xito. Esta probabilidad cumple las caractersticas dadas en el captulo de clculo de probabilidades
(o sea es un nmero real comprendido entre 0 y 1). Pese a ser un parmetro, que para el
desarrollo de este captulo supondremos conocido, muchas veces el mismo es desconocido a los
ojos del profesional que trata una problemtica basada en este proceso. Denotemos que si la
probabilidad de la ocurrencia de un xito es p, la probabilidad de que se de un fracaso (en cada
experimento realizado) es el complemento de p ( p 1 ), algunos autores a la probabilidad de
fracaso la denominan q de manera convencional.


Son ejemplos del proceso:

Tirar un dado equilibrado o viciado (cargado),
Tirar una moneda,
Sacar elementos con reposicin de una caja,
Sacar muestras de elementos finitos de un proceso productivo o un proceso de la
naturaleza (muestreo para el control de procesos), o sea la obtencin de una pieza
defectuosa o buena de una mquina o de un proceso productivo que fabrica piezas en
serie. En este ejemplo el proceso de Bernoulli se cumple en un perodo razonable,
Sacar una muestra de un lote de tamao infinito,
Todo proceso de experimentacin dnde la probabilidad del xito buscado sea
constante e independiente de las circunstancias.

En el proceso de Bernoulli intervienen, adems del parmetro, dos elementos:

n, que es la cantidad de pruebas o experimentos realizados o bien a realizar (son
valores enteros 1 n );
r, que es la cantidad de xitos encontrados o a encontrar (tambin valores enteros
0 r , y nunca superiores a n).

Dependiendo del elemento que se fija (parametriza), el otro elemento es una variable
aleatoria.

En el caso del proceso productivo o la mquina, la condicin de estabilidad, no se cumplira si
por desgaste o cambio de la herramienta, variara la frecuencia de los defectuosos o bien de los
buenos. En este caso diremos que el proceso es condicionalmente estable, dado que dicha
estabilidad se cumplir en un determinado intervalo de fabricacin. En el mismo caso, la condicin de
independencia, tampoco se cumplira si, por ejemplo, obtuviramos piezas de una barra de material
no perfectamente homogneo (o sea con fallas) y ocurriera con frecuencia que por efecto de una
falla salieran dos o tres piezas defectuosas (en este caso el proceso es condicionado; y por lo tanto
no se cumple el proceso de Bernoulli.

En el proceso de Bernoulli, podemos reconocer bsicamente dos modelos o distribuciones de
probabilidad: El Modelo Binomial y El Modelo de Pascal, los cuales responden
(recprocamente) a dos interrogantes:

a) Si se realiza una serie de n pruebas, qu probabilidad hay de que ocurran exactamente
r xitos?
b) Si se realiza una serie de pruebas a fin de obtener r xitos, qu probabilidad hay de que
sea necesario llegar a efectuar exactamente n pruebas para obtener dichos xitos?

Tambin en el proceso de Bernoulli, podemos reconocer otros modelos: El Modelo de
Bernoulli; El Modelo Geomtrico, El Modelo Binomial Negativo y El Modelo Multinomial.

A continuacin desarrollaremos los modelos bsicos.



A. MODELO o DISTRIBUCIN de PROBABILIDAD BINOMIAL:

Adems del parmetro del proceso de Bernoulli p (probabilidad de xito constante en cada
experimento), se fija el valor de n (cantidad de pruebas o experimentos a realizar o bien
realizados), o sea que el valor de n se convierte en parmetro. El valor de n se fija antes de los
experimentos.

Es uno de los modelos (o distribucin de probabilidad) discretos ms tiles. Sus reas de
aplicacin incluyen inspeccin de calidad, ventas, mercadotecnia, medicina y otras aplicaciones.

La variable aleatoria es r (cantidad de xitos encontrados o bien a encontrar en n
experimentos realizados o bien a realizar). Se debe observar que primero se realizan los
experimentos y luego se cuentan los xitos obtenidos. Observemos que la variable aleatoria es un
conteo del nmero de xitos en una determinada cantidad de experimentos con un criterio
especificado.

Parmetros del Modelo: n y p Variable Aleatoria: r

Dominio de la Variable Aleatoria: n r 0 . La variable binomial de parmetros n y p,
es la variable discreta que toma valores enteros comprendidos en el intervalo del dominio.

El modelo o funcin de probabilidad, describe (o calcula) la probabilidad de obtener
exactamente r xitos en n experimentos o pruebas realizadas con una probabilidad de xito
constante p, o sea en experimentos de tipo Bernoulli. Su expresin es:

( (( ( ) )) ) ( (( ( ) )) )
) r n ( r ) r n ( r
b
p 1 p nCr p 1 p
r
n
) p ; n / r ( P ) r VA ( P

= == =
| || |
| || |

| || |

\ \\ \
| || |
= == = = == =

Veamos la demostracin de esta expresin en el siguiente ejemplo: Se arroja un dado
equilibrado buscando que salga un As; se quiere averiguar la probabilidad de que salgan
exactamente 2 ases, en 3 tiradas consecutivas. Observemos que estamos en presencia de un
proceso de Bernoulli, donde el xito es la obtencin de un as en cada tirada; p es la probabilidad de
que salga un as en cada tirada, esta probabilidad es constante en cada tirada y vale
6
1
p = == = , se
deduce que la probabilidad de fracaso (de que no salga As) es
6
5
p 1 q = == = = == = ; el nmero de
experimentos a realizar es 3 n = == =

y la cantidad de xitos deseados es 2 r = == = . Si resolvemos el
problema con los conceptos desarrollados en el captulo anterior, deberamos observar todas las
combinaciones posibles en tres tiradas consecutivas de un dado equilibrado. La cantidad de posibles
resultados es 8 y surge de realizar la siguiente cuenta 8 2
3
= == = , son 2 resultados posibles en cada
tirada y se realizan un total de 3 tiradas, visualicemos en una tabla los posibles resultados:

De los 8 posibles resultados, slo 3 de ellos son
favorables a las condiciones estipuladas

Los parmetros son: 3 n = == = (cantidad de tiradas) y
6
1
p = == = (probabilidad de xito).

La variable aleatoria es r (cantidad de ases a
obtener en las 3 tiradas), con dominio 3 r 0 .

Primer Tirada Segunda Tirada Tercer Tirada
xito xito xito
Fracaso Fracaso Fracaso
xito Fracaso Fracaso
Fracaso xito Fracaso
Fracaso Fracaso xito
xito xito Fracaso
xito Fracaso xito
Fracaso xito xito

De manera que la probabilidad de obtener 2 ases en 3 tiradas se puede calcular con la
siguiente expresin:

( (( ( ) )) ) ( (( ( ) )) ) ( (( ( ) )) ) [ [[ [ ] ]] ]
( (( ( ) )) ) ( (( ( ) )) ) ( (( ( ) )) ) ( (( ( ) )) ) ( (( ( ) )) ) ( (( ( ) )) ) ( (( ( ) )) ) ( (( ( ) )) ) ( (( ( ) )) )
) p 1 ( p 3 p p ) p 1 ( p ) p 1 ( p ) p 1 ( p p
E P E P F P E P F P E P F P E P E P
E E F E F E F E E P ) 2 r ( P
2
3 2 1 3 2 1 3 2 1
3 2 1 3 2 1 3 2 1
= == = + ++ + + ++ + = == =
= == = + ++ + + ++ + = == =
= == = = == = = == =

Analicemos el resultado de la expresin: p (la probabilidad de que salga un as en cada
tirada) est elevado a la cantidad de ases deseados
2
p ; el complemento de esta probabilidad
p 1 q = == = (la probabilidad de que no salga un as en cada tirada) est elevado a la cantidad de no
ases deseados ( (( ( ) )) ) ( (( ( ) )) ) p 1 p 1
1
= == = y el nmero 3 (representa el nmero de combinaciones favorables
dentro de las 8 combinaciones posibles), este nmero se calcula con la siguiente expresin:

3
2
6
! 1 ! 2
! 3
2
3
C
2 3
= == = = == =

= == =
| || |
| || |

| || |

\ \\ \
| || |
= == =

Ahora demostremos que el modelo es una funcin de probabilidad, para ello se debe
cumplir con las 2 condiciones: la primera condicin se demuestra calculando las P(r), siendo todas
mayores que cero; la segunda condicin ( (( ( ) )) ) [ [[ [ ] ]] ] ( (( ( ) )) )

= == =

= == =
( (( (

( (( (

| || |
| || |

| || |

\ \\ \
| || |
= == = = == =
n
0 r
) r n ( r
Mx
mn r
p 1 p
r
n
1 r P , se demuestra de la
siguiente manera:

Partiendo del conocimiento (por el Binomio de Newton) de que:

( (( ( ) )) )

= == =

( (( (

( (( (

| || |
| || |

| || |

\ \\ \
| || |
= == = + ++ +
n
0 i
) i n ( i n
B A
i
n
B A

Llamando p A = == = y p 1 B = == = , tenemos: ( (( ( ) )) ) ( (( ( ) )) ) [ [[ [ ] ]] ] 1 1 p 1 p p 1 p
r
n
n n
n
0 r
) r n ( r
= == = = == = + ++ + = == =
( (( (

( (( (

| || |
| || |

| || |

\ \\ \
| || |

= == =

Quedando demostrado que el modelo Binomial es una Funcin de probabilidad.

Funcin de Probabilidad Acumulada Izquierda:

= == =

( (( (

( (( (

| || |
| || |

| || |

\ \\ \
| || |
= == =
r
0 x
) x n ( x
b
) p 1 ( p
x
n
) p ; n / r ( F ) r VA ( P

Funcin de Probabilidad Acumulada Derecha:

= == =

( (( (

( (( (

| || |
| || |

| || |

\ \\ \
| || |
= == =
n
r x
) x n ( x
b
) p 1 ( p
x
n
) p ; n / r ( G ) r VA ( P

Como r es una variable aleatoria discreta, se cumplen las relaciones funcionales dadas para
la generalidad de ellas.



Moda:
o
r Mo = == = ; verifica las siguientes condiciones:
( (( ( ) )) ) [ [[ [ ] ]] ] ( (( ( ) )) ) p p n Mo p 1 p n + ++ + < << < < << <

Mediana:
e
r Me = == = . Para la mayora de los casos la mediana es la parte entera de ( (( ( ) )) ) p n , y
est dada por la siguiente expresin: ( (( ( ) )) ) p n . E . P Me = == =

Para otros casos no hay una expresin plausible para determinarla, por ello tambin se
deben cumplir las siguientes condiciones:

( (( ( ) )) ) ( (( ( ) )) ) 5 , 0 p ; n / r F y 5 , 0 p ; n / 1 r F
e b e b

Esperanza Matemtica: p n ) r ( E = == = = == =

Varianza: ( (( ( ) )) ) p 1 p n ) r ( V
2
= == = = == =

Se cumplen en este modelo las propiedades matemticas de la esperanza matemtica y
de la varianza enunciadas en las generalidades.

( (( ( ) )) )
( (( ( ) )) ) p 1 p n
p 2 1
As
3

= == = = == =

( (( ( ) )) ) [ [[ [ ] ]] ]
( (( ( ) )) ) p 1 p n
p 1 p 6 1
3 Ku
4

+ ++ + = == = = == = . Este coeficiente tiende a 3
cuando n tiende a infinito, este resultado traduce la convergencia de la ley Binomial a
la ley Normal. Cabe aclarar que en la ley normal, como veremos en el siguiente captulo,
este coeficiente es exactamente igual a 3.

Expectativa Parcial Izquierda:
( (( ( ) )) ) ) p ; 1 n / 1 r ( F p n p 1 p
x
n
x ) p ; n / r ( H
b
r
0 x
) x n ( x
b
= == =
( (( (

( (( (

| || |
| || |

| || |

\ \\ \
| || |
= == =

= == =

Este modelo, para ciertas restricciones, puede calcular en forma aproximada al modelo
Hipergeomtrico; y puede ser calculado de forma aproximada por el modelo de Poisson o por el
modelo Normal. (Ver las restricciones de la aproximacin en pginas: 109 110)

B. MODELO o DISTRIBUCIN de PROBABILIDAD de PASCAL:

Blaise Pascal (Clermont, Francia, 1623 Pars, Francia 1662) fue un matemtico,
fsico, filsofo catlico y escritor. Sus contribuciones a las matemticas y las
ciencias naturales incluyen el diseo y construccin de calculadoras mecnicas,
aportes a la teora de la probabilidad, investigaciones sobre los fluidos y la
aclaracin de conceptos tales como la presin y el vaco. Despus de una
experiencia religiosa profunda en 1654, Pascal abandon las matemticas y la fsica
para dedicarse a la filosofa y a la teologa.


experimento), se fija el valor de r (cantidad deseada de xitos a obtener), o sea que el valor de r
se convierte en parmetro. El valor de r se fija antes de los experimentos.

La variable aleatoria es n (cantidad de pruebas o experimentos necesarios para obtener r
xitos deseados). Se debe observar que se van realizando los experimentos hasta obtener los xitos
deseados (los experimentos paran cuando se encuentra el r -simo xito). Observemos que la
variable aleatoria es un conteo del nmero de experimentos realizados o a realizar para la obtencin
de una cantidad determinada de xitos con un criterio especificado.

Parmetros del Modelo: r y p (siendo 1 r ) Variable Aleatoria: n

Dominio de la Variable Aleatoria: n r . La variable de Pascal de parmetros r y p,
es la variable discreta que toma valores enteros comprendidos en el intervalo del dominio,
deberemos realizar como mnimo r pruebas.

El modelo o funcin de probabilidad, describe (o calcula) la probabilidad de necesitar
exactamente n experimentos o pruebas para obtener r xitos deseados con una probabilidad de
xito constante p, o sea en experimentos de tipo Bernoulli. Su expresin es:

( (( ( ) )) )
) r n ( r
pa
p 1 p
1 r
1 n
) p ; r / n ( P ) n VA ( P

| || |
| || |

| || |

\ \\ \
| || |

= == = = == =

Por las propiedades del modelo, se puede afirmar la siguiente igualdad:

) p ; n / r ( P
n
r
) p ; r / n ( P
b pa
= == =

Desarrollemos a continuacin las funciones de distribucin de probabilidad de este modelo y
sus caractersticas (se puede observar, en las siguientes expresiones, la relacin matemtica con el
modelo Binomial).


) p ; n / r ( G ) p 1 ( p
1 r
1 x
) p ; r / n ( F ) n VA ( P
b
n
r x
) r x ( r
pa
= == =
( (( (

( (( (

| || |
| || |

| || |

\ \\ \
| || |

= == =

= == =


) p ; 1 n / 1 r ( F ) p 1 ( p
1 r
1 x
) p ; r / n ( G ) n VA ( P
b
n x
) r x ( r
pa
= == =
( (( (

( (( (

| || |
| || |

| || |

\ \\ \
| || |

= == =

= == =

Para ambas funciones de distribucin se deben usar programas apropiados o bien planillas de
clculo que tengan esta distribucin. Si se quiere usar tablas notemos que las tres funciones tienen
una relacin con el modelo Binomial.

Como n es una variable aleatoria discreta, se cumplen las relaciones funcionales dadas
para la generalidad de ellas.



Las caractersticas de este modelo tienen el mismo concepto que lo desarrollado para la
generalidad de las variables aleatorias discretas, con las particularidades que se muestran a
continuacin:

Moda:
o
n Mo = == = ; no hay una expresin plausible para determinarla.

Mediana:
e
n Me = == = ; no hay una expresin plausible para determinarla, por ello tambin se

( (( ( ) )) ) ( (( ( ) )) ) 5 , 0 p ; r / n F y 5 , 0 p ; r / 1 n F
e pa e pa

Esperanza Matemtica:
p
r
) n ( E = == = = == =

Varianza:
( (( ( ) )) )
2
2
p
p 1 r
) n ( V

= == = = == =


( (( ( ) )) ) p 1 r
p 2
As
3

= == = = == =

[ [[ [ ] ]] ]
( (( ( ) )) ) p 1 r
6 p 6 p
3 Ku
2
4

+ ++ +
+ ++ + = == = = == =

( (( ( ) )) ) ) p ; 1 r / 1 n ( F
p
r
p 1 p
1 r
1 x
x ) p ; r / n ( H
pa
n
r x
) r x ( r
pa
+ ++ + + ++ + = == =
( (( (

( (( (

| || |
| || |

| || |

\ \\ \
| || |

= == =

= == =

C. MODELO o DISTRIBUCIN de PROBABILIDAD GEOMTRICO/A:

experimento), se fija el valor de r = 1 (cantidad deseada de xitos a obtener).

La variable aleatoria es n (cantidad de pruebas o experimentos necesarios hasta obtener
el xito deseado). Se debe observar que se van realizando los experimentos hasta obtener el
primer xito encontrado (los experimentos paran cuando se encuentra el primer xito).

Denote, el lector que este modelo se puede estudiar como un caso particular del modelo de
Pascal.

Ejemplos: la cantidad de veces que hay que tirar un dado para sacar un as, la cantidad de tiros
necesarios en un blanco hasta obtener el acierto, etctera.


D. MODELO o DISTRIBUCIN de PROBABILIDAD MULTINOMIAL:

Este modelo es una generalizacin del modelo Binomial, cada prueba o experimento puede
tener ms de dos resultados posibles (por ejemplo: 1 calidad, 2 calidad y descarte). Este modelo se
presenta cuando el resultado de una experimentacin puede clasificarse de acuerdo a ms de dos
atributos. Por lo tanto son varios xitos buscados a la vez, siendo la coleccin de atributos
incompatibles entre si. Se pueden definir varios parmetros del proceso de Bernoulli p
1
, p
2
, , p
k

(probabilidad de los varios xitos constantes en cada experimento), se fija el valor de n (cantidad
de pruebas o experimentos a realizar o bien realizados), o sea que el valor de n se convierte en
parmetro.

Las variables aleatorias son r
1
, r
2
, , r
k
(cantidad de los distintos xitos encontrados o bien
a encontrar en n experimentos realizados o bien a realizar). Observemos que las variables
aleatorias son un conteo del nmero de los distintos xitos encontrados o bien a encontrar.

Parmetros del Modelo: n y p
1
, p
2
, , p
k
Variable Aleatoria: r
1
, r
2
, , r
k

Dominio de la Variable Aleatoria: 0 r
i
.

Hay que tener en cuenta las siguientes restricciones o propiedades:

n r
k
1 r
i
= == =

= == =
y 1 p
k
1 p
i
= == =

= == =

exactamente r
1
, r
2
, , r
k
xitos en n experimentos o pruebas realizadas con probabilidades de
xito constantes p
1
, p
2
, , p
k
, o sea en experimentos de tipo Bernoulli. Su expresin es:

= == =
( (( (

( (( (

= == = = == = = == = = == =
k
1 i i
r
i
k 2 1 k 2 1 mu k k 2 2 1 1
! r
p
! n ) p ,..., p , p ; n / r ;...; r ; r ( P ) r VA ;...; r VA ; r VA ( P

Como r
i
son variables aleatorias discretas, se cumplen las relaciones funcionales dadas

Esperanza Matemtica: ( (( ( ) )) )
i r i
p n r E
i
= == = = == = .

Varianza: ) p 1 ( p n ) r ( V
i i
2
r i
i
= == = = == =



PROCESO HIPERGEOMTRICO

El proceso Hipergeomtrico es un proceso fsico de repeticiones de un determinado experimento
en el cual observamos la ocurrencia o no de un determinado evento. Estos experimentos dan lugar a
ensayos repetidos, los cuales no son independientes entre s, y, tambin, al igual que en el proceso
de Bernoulli, tienen cada uno slo dos resultados posibles: xito (ocurre el evento deseado) o
fracaso (no ocurre el evento deseado). Las condiciones en las que se realizan todas las pruebas no
son iguales, porque a medida que ocurre un resultado de una prueba, ste condiciona el resultado de
la siguiente prueba.

En un proceso de este tipo se cumplen las siguientes condiciones:

I) Las Pruebas no son independientes: la probabilidad de un xito en una prueba, est
condicionada por el resultado de la prueba anterior (si fue un xito o un fracaso, entonces
habr un xito o un fracaso menos respectivamente).

II) No Estabilidad: En una serie de ensayos, la probabilidad de un xito no permanece
constante a lo largo de la misma.

III) Poblacin, Lote o Universo Finito: A diferencia del proceso de Bernoulli (que se da en
una poblacin infinita), este proceso se da en una poblacin acotada o finita.

Un proceso Hipergeomtrico queda definido por dos parmetros: total de elementos,
posibles, que intervienen en el experimento a realizar, o tamao del lote a examinar N; y la
cantidad total de xitos en el total de elementos posibles o en el lote a examinar R. Pese a ser
dos parmetros, que para el desarrollo de este captulo supondremos conocidos, muchas veces los
mismos son desconocidos a los ojos del profesional que trata una problemtica basada en este
proceso. Cabe aclarar que en la mayora de las aplicaciones se suele conocer el tamao del lote a
examinar N.

Son ejemplos del proceso:

Nmeros salidos en una lotera,
Sacar elementos sin reposicin de una caja,
Sacar una muestra de un lote de tamao finito (muestreo para aceptacin de un lote),
Todo proceso de experimentacin dnde la probabilidad del xito buscado en cada
experimento condicione a la probabilidad del xito del siguiente experimento (o sea
que la probabilidad del xito no es constante).

Este proceso surgi a partir de la necesidad del control de calidad de lotes acotados, pero dada la
evidente imposibilidad de conocer la composicin del lote, este proceso se usa para verificar los
supuestos declarados por los fabricantes y proveedores. La tendencia actual es el control de los
procesos a los cuales les cabe perfectamente el proceso de Bernoulli.

Si en este proceso las extracciones del lote se realizan con reposicin o bien se realizan en un
lote de tamao infinito, este proceso se convierte en el proceso de Bernoulli.

En el proceso Hipergeomtrico intervienen, adems de los dos parmetros, dos elementos:

n, que es la cantidad de pruebas o experimentos realizados o bien a realizar, o mejor
dicho la muestra extrada (son valores enteros 1 n , y nunca superiores a N);

r, que es la cantidad de xitos encontrados o a encontrar (tambin valores enteros
0 r , y nunca superiores a n ni a R).

Dependiendo del elemento que se fija (parametriza), el otro elemento es una variable
aleatoria.

En el proceso Hipergeomtrico, podemos reconocer dos modelos o distribuciones de
probabilidad bsicos: El Modelo Hipergeomtrico y El Modelo de Pascal Hipergeomtrico o
HiperPascal, los cuales responden (recprocamente) a dos interrogantes:

a) Si se extrae una muestra de n elementos de un lote de tamao N conteniendo un total de
xitos R, qu probabilidad hay de encontrar exactamente r xitos en esa muestra?
b) Si se extrae una serie de elementos de un lote de tamao N (conteniendo un total de xitos
R), a fin de encontrar r xitos, qu probabilidad hay de que sea necesario llegar a
extraer exactamente una muestra de n elementos para obtener dichos xitos?

Tambin en el proceso Hipergeomtrico, podemos reconocer a otro modelo: El Modelo
Hipergeomtrico Multivariado o Multipergeomtrico.

A continuacin desarrollaremos los bsicos.

A. MODELO o DISTRIBUCIN de PROBABILIDAD HIPERGEOMTRICO/A

Adems de los dos parmetros del proceso Hiergeomtrico N (tamao del lote o total de
elementos a experimentar) y R (cantidad total de xitos en el lote o en los elementos a
experimentar), se fija el valor de n (cantidad de pruebas o experimentos a realizar o bien
realizados, o sea el tamao de la muestra a extraer del lote en cuestin), o sea que el valor de n se
convierte en parmetro. El valor de n se fija antes de las extracciones.

La variable aleatoria es r (cantidad de xitos encontrados o bien a encontrar en n
extracciones realizadas o bien a realizar, o sea en la muestra extrada). Se debe observar que
primero se extrae la muestra y luego se cuentan los xitos obtenidos. Observemos que la variable
aleatoria es un conteo del nmero de xitos en una determinada cantidad de extracciones con un
criterio especificado.

Parmetros del Modelo: n, N y R Variable Aleatoria: r, siendo R r

Dominio de la Variable Aleatoria: ( (( ( ) )) ) [ [[ [ ] ]] ] [ [[ [ ] ]] ] R ; n Mn r R N n ; 0 Mx .

exactamente r xitos en n extracciones realizadas o bien en una muestra de un lote de tamao
N que contiene R xitos, o sea en experimentos de tipo Hipergeomtrico. Su expresin es una
simple aplicacin de la frmula de Laplace (cantidad de casos favorables sobre la cantidad de casos
posibles, o sea resultados totales equiprobables):

| || |
| || |

| || |

\ \\ \
| || |
| || |
| || |

| || |

\ \\ \
| || |

| || |
| || |

| || |

\ \\ \
| || |
= == = = == =
n
N
r n
R N
r
R
) R ; N ; n / r ( P ) r VA ( P
h



sus caractersticas.


= == =
( (( (
( (( (
( (( (
( (( (
( (( (

( (( (

| || |
| || |

| || |

\ \\ \
| || |
| || |
| || |

| || |

\ \\ \
| || |

| || |
| || |

| || |

\ \\ \
| || |
= == =
r
mn x
h
n
N
x n
R N
x
R
) R ; N ; n / r ( F ) r VA ( P


= == =
( (( (
( (( (
( (( (
( (( (
( (( (

( (( (

| || |
| || |

| || |

\ \\ \
| || |
| || |
| || |

| || |

\ \\ \
| || |

| || |
| || |

| || |

\ \\ \
| || |
= == =
Mx
r x
h
n
N
x n
R N
x
R
) R ; N ; n / r ( G ) r VA ( P

Para ambas funciones de distribucin se deben usar tablas, programas apropiados o bien
planillas de clculo que tengan esta distribucin.

Como r es una variable aleatoria discreta, se cumplen las relaciones funcionales dadas para
la generalidad de ellas.

continuacin:

Moda:
o
r Mo = == = :
( (( ( ) )) )
( (( ( ) )) )
( (( ( ) )) )
( (( ( ) )) )
( (( (

( (( (

+ ++ +
+ ++ + + ++ + + ++ +
< << < < << <
( (( (

( (( (

+ ++ +
+ ++ + + ++ +
2 N
1 n R nR
Mo
2 N
1 n R N nR

Mediana:
e
r Me = == = . No hay una expresin plausible para determinarla, por ello tambin se

( (( ( ) )) ) ( (( ( ) )) ) 5 , 0 R ; N ; n / r F y 5 , 0 R ; N ; n / 1 r F
e h e h

N
R
n r E = == = = == =

Varianza: ( (( ( ) )) ) | || |

| || |

\ \\ \
| || |

| || |

| || |

\ \\ \
| || |
= == = = == =
1 N
n N
N
R
1
N
R
n r V
2
. Si observamos las ecuaciones de la
esperanza matemtica y de la varianza, vemos una similitud con el modelo binomial; salvo
que en la varianza se agrega un factor de correccin por finitud de la poblacin | || |

| || |

\ \\ \
| || |

1 N
n N
,
este factor tiende a 1 cuando el tamao del lote N tiende a infinito. Cabe aclarar que
cuando los experimentos se realizan con poblaciones de tamao acotado o finito, siempre

la varianza se ve afectada por este factor. A este factor tambin se lo llama coeficiente de
exhaustividad.


( (( ( ) )) ) ( (( ( ) )) ) ( (( ( ) )) )
( (( ( ) )) ) ( (( ( ) )) ) ( (( ( ) )) ) [ [[ [ ] ]] ] n N R N R n 2 N
1 N n 2 N R 2 N
As
3

= == = = == =

4
Ku = == =

( (( ( ) )) ) [ [[ [ ] ]] ]
( (( ( ) )) )( (( ( ) )) )( (( ( ) )) )( (( ( ) )) ) [ [[ [ ] ]] ]
( (( ( ) )) ) ( (( ( ) )) ) ( (( ( ) )) ) ( (( ( ) )) ) ( (( ( ) )) ) [ [[ [ ] ]] ]
) )) )
` `` `

+ ++ + + ++ + + ++ +
) )) )
` `` `

= == = n N n 6 Nn 2 n N R N
N
R
3 n N n 6 1 N N
n N R N 3 N 2 N nR
1 N N
2 2
2
2
4

) 1 R ; 1 N ; 1 n / 1 r ( F
N
R
n ) R ; N ; n / r ( H
h h
= == =

Se puede afirmar que se cumplen las siguientes igualdades:

) R N ; N ; n / r n ( P ) R ; N ; n N / r R ( P ) n ; N ; R / r ( P ) R ; N ; n / r ( P
h h h h
= == = = == = = == =

) R N ; N ; n N / n R N r ( P ) R ; N ; n / r ( P
h h
+ ++ + = == =

) R N ; N ; n / r n ( G ) R ; N ; n N / r R ( G ) n ; N ; R / r ( F ) R ; N ; n / r ( F
h h h h
= == = = == = = == =

) R N ; N ; n N / n R N r ( F ) R ; N ; n / r ( F
h h
+ ++ + = == =

Este modelo, para ciertas condiciones y restricciones, se puede calcular en forma aproximada
por el modelo Binomial. (Ver las restricciones de la aproximacin en pginas: 109 110)

B. MODELO o DISTRIBUCIN de PROBABILIDAD PASCAL HIPERGEOMTRICO o
HIPER-PASCAL

Adems de los dos parmetros del proceso Hipergeomtrico N (tamao del lote o total de
elementos a experimentar) y R (cantidad total de xitos en el lote o en los elementos a
experimentar), se fija el valor de r (cantidad deseada de xitos a obtener), o sea que el valor de r
se convierte en parmetro. El valor de r se fija antes de las extracciones a realizar.

La variable aleatoria es n (cantidad de extracciones necesarias o muestra necesaria para
obtener r xitos deseados). Se debe observar que se van realizando las extracciones hasta obtener
los xitos deseados (las extracciones paran cuando se encuentra el r -simo xito). Observemos
que la variable aleatoria es un conteo del nmero de extracciones realizadas o a realizar para la
obtencin de una cantidad determinada de xitos con un criterio especificado.



Parmetros del Modelo: r, N y R, siendo N R r 1

Variable Aleatoria: n

Dominio de la Variable Aleatoria: ( (( ( ) )) ) r R N n r + ++ + . La variable Hiper-Pascal es la variable
discreta que toma valores enteros comprendidos en el intervalo del dominio, deberemos
realizar como mnimo r extracciones.

El modelo o funcin de probabilidad, describe (o calcula) la probabilidad de necesitar
exactamente n extracciones o muestra para obtener r xitos determinada de un lote de tamao
N que contiene R xitos, o sea en experimentos de tipo Hipergeomtrico. Su expresin es:

| || |
| || |

| || |

\ \\ \
| || |
| || |
| || |

| || |

\ \\ \
| || |

| || |
| || |

| || |

\ \\ \
| || |

= == =
| || |
| || |

| || |

\ \\ \
| || |
| || |
| || |

| || |

\ \\ \
| || |

| || |
| || |

| || |

\ \\ \
| || |
= == = = == =
R
N
1 r
1 n
r R
n N
n
N
r n
R N
r
R
n
r
) R ; N ; r / n ( P ) n VA ( P
pah

Se puede demostrar que el modelo es una funcin de probabilidad. Esta demostracin no
ser desarrollada.

Se puede afirmar que se cumple la siguiente igualdad:

) R ; N ; n / r ( P
n
r
) R ; N ; r / n ( P
h pah
= == =

sus caractersticas (se puede observar, en las siguientes expresiones, la relacin matemtica con el
modelo Hipergeomtrico).


) R ; N ; n / r ( G
x
N
r x
R N
r
R
x
r
) R ; N ; r / n ( F ) n VA ( P
h
n
r x
pah
= == =
( (( (
( (( (
( (( (
( (( (
( (( (

( (( (

| || |
| || |

| || |

\ \\ \
| || |
| || |
| || |

| || |

\ \\ \
| || |

| || |
| || |

| || |

\ \\ \
| || |
= == =

= == =


) R ; N ; 1 n / 1 r ( F
x
N
r x
R N
r
R
x
r
) R ; N ; r / n ( G ) n VA ( P
h
Mx
n x
pah
= == =
( (( (
( (( (
( (( (
( (( (
( (( (

( (( (

| || |
| || |

| || |

\ \\ \
| || |
| || |
| || |

| || |

\ \\ \
| || |

| || |
| || |

| || |

\ \\ \
| || |
= == =

= == =

Para ambas funciones de distribucin se deben usar programas apropiados o bien planillas de
clculo que tengan esta distribucin. Si se quiere usar tablas notemos que las tres funciones tienen
una relacin con el modelo hipergeomtrico.


Como n es una variable aleatoria discreta, se cumplen las relaciones funcionales dadas

continuacin:

Moda:
o
n Mo = == = . No hay una expresin plausible para determinarla.

Mediana:
e
n Me = == = . No hay una expresin plausible para determinarla, por ello tambin se

( (( ( ) )) ) ( (( ( ) )) ) 5 , 0 R ; N ; r / n F y 5 , 0 R ; N ; r / 1 n F
e pah e pah

) 1 R (
) 1 N ( r
n E
+ ++ +
+ ++ +
= == = = == =

Varianza: ( (( ( ) )) )
2 2
1
) 2 R (
) 2 N ( ) 1 r (
n V
) )) )
` `` `

( (( (

( (( (

+ ++ +
+ ++ + + ++ +
= == = = == =


Coeficiente de Asimetra: No hay una expresin plausible para determinarlo.

Coeficiente de Kurtosis: No hay una expresin plausible para determinarlo.


) 1 R ; 1 N ; 1 r / 1 n ( F
) 1 R (
) 1 N ( r
) R ; N ; r / n ( H
pah pah
+ ++ + + ++ + + ++ + + ++ +
+ ++ +
+ ++ +
= == =

El Proceso de Poisson con sus modelos relacionados ser desarrollado ms adelante en las
pginas 103 a 108.

3 - Estadística General - Distribuciones y Modelos Discretos

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

3 - Estadística General - Distribuciones y Modelos Discretos

Uploaded by

Copyright:

Available Formats

Estadstica General Variables Aleatorias Discretas Modelos de Probabilidad

Ing. Sergio Anbal Dopazo Pgina 39 de 112

You might also like