Distribucién Binomial En Estadistica, la Distribucién Binomial es una distribueién de probabilidad discreta que mide el nimero de éxitos en una secuencia de n ensayos independientes de Bernoulli, con una probabilidad fija p de ocurrencia del éxito entre los ensayos Un experimento de Bernoulli se caracteriza por ser dicotémico, esto es, slo son posibles dos resultados. A uno de estos se denomina éxito y tiene una probabilidad de ocurrencia p y al otro, fracaso, con una probabilidad q =1-p. En la distribucién binomial el anterior experimento se repite n veces, de forma independiente, y se trata de calcular la probabilidad de un determinado numero de éxitos. Para n = 1, la binomial se convierte, de hecho, en una distribucién de Bernoulli, Para representar que una variable aleatoria X sigue una distribucién binomial de parimetzos 7 y p, se escribe: ~ B(n,p) La distribucién Binomial es la base del test binomial de significacion estadistica Ejemplos La siguiente situacion es un ejemplo de experimento que puede modelizarse por esta distribucién: + Se lanza un dado diez veces y se cuenta el niimero de tres obtenidos: X~B(10, 1/6)Experimento Binomial Existen muchas situaciones en las que se presenta una experiencia binomial. Este tipo de experiencias se caracteriza por estar formada por un nimero predeterminado » de experimentos iguales. Cada uno de los experimentos es independiente de los restantes (la probabilidad del resultado de un experimento no depende del resultado del resto), El resultado de cada experimento ha de admitir sélo dos categorias (a las que se denomina éxito y fracaso). Las probabilidades de ambas posibilidades han de ser constantes en todos los experimentos (se denotan como p y q op y Lp). Se designa por Xa la variable que mide el nimero de éxitos que se han producido en los 7 experimentos. Cuando se dan estas circunstancias. se dice que la variable X sigue una distribueién de probabilidad binomial, y se nota B(np). Caracteristicas analiticas Su funcién de probabilidad esta dada por f(z) = (")ora -y donde = {0,1,2,...,n} (’) - . gin —z) . ‘ , siendo x} x(n—2)! Jas combinaciones de n en x ( elementos tomados de zen x)Propiedades caracteristicas E[X] =np Var[X] = np(1— p) Relaciones con otras variables aleatorias Se verifica que si {Xi }i=1....n son tales que cada una sigue una distribucién Bernouilli de pardmetro 0, y todas ellas son independientes entre si, LX entonces 1 ‘resulta ser una variable aleatoria con distribucién binomial de parametros 9, Ademis, si m es grande y 0 es pequefio, de modo que el producto entre ambos pardmetros tiende a A, entonces la distribucién de la variable aleatoria binomial tiende a una Distribucién de Poisson de parimetro A Por dlitimo, se cumple que cuando 7 es muy grande (n> 30) la distribueién binomial se aproxima a la distribucién normal Propiedades reproductivas Dadas n variables aleatorias Xi, tales que: + Todas tienen una distribucién binomial; + Todas tienen el mismo pardmetro 6: + Cada una tiene su propio parimetro Ts (es decir, los 7 no necesariamente tienen que ser iguales); + NO son TOTALMENTE independientes entre si: y=, + Se toma la variable aleatoriany = Yon + Se toma Entonces: La variable aleatoria Y tiene una distribucién Binomial, con parametros ny y@. Por lo tanto, dadas n variables binomiales independientes, de parametros n; ry 8, su suma es también una variable binomial, de pardmetros nit tin ¥ 8. Distribucion binomial Funcién de probabilidad + pS an ne20 = p07 an = PPS ond noFuncién de distribucién de probabilidad Parametros 7 > 0 nimero de ensayos (entero) 0

10 1s 20 El eje horizontal es el indice k. La funcién solamente esta definida envalores enteros de Las lineas que conectan los puntos son solo guias para el ojo y no indican continuidad, Funcién de distribucién de probabilidad 1.0 0.0 02 04 06 08 El eje horizontal es el indice k. probabilidad (fp) Fun de ibucion (cd: Mediana Moda Varianza Coeficiente de X€ (0,00) ke {0,1,2,..} et ki! T([k+ 1],.) lk (dénde F(x, y) es la Funcién gamma incompleta d usualmente cerca de [\ + 1/3 0.02/AJ [AJ (and A = 1 si A es un entero) a ye fork >0jimetria Curtosis 3+" = a In(k! Entropia AL —In(A)] +e “nth mF Funcién generadora te de momentos (maf) “PO ~ 1) Eunci6n it caracteristiea *P((e" —1)) Distribucién Normal o de Gauss En Estadistica y Probabilidad se lama distribucién normal, distribucién de Gauss o distribucién gaussiana, a una de las distribuciones de probabilidad de variable continua que con mis frecuencia aparece en fenémenos reales. La grifica de su funcién de densidad tiene una forma acampanada y es simétrica respecto de un determinado parametro. Esta curva se conoce como campana de Gauss. La importancia de esta distribucién radica en que permite modelizar numerosos fenémenos naturales, sociales y psicolégicos. Mientras que los mecanismos que subyacen a gran parte de este tipo de fenémenos son desconocidos, por la ingente cantidad de variables incontrolables que en ellos intervienen, el uso del modelo normal puede justificarse asumiendo que cada observacién se obtiene como Ia suma de unas pocas causas independientes La distribucién normal también es importante por su relacién con la estimacién por minimos cuadrados, uno de los métodos de estimacién mas simples y antiguos.Algunos ejemplos de variables asociadas a fendmenos naturales que siguen el modelo de la normal son: + caracteres morfoldgicos de individuos como la estatura; + caracteres fisiolégicos como el efecto de un farmaco: + caracteres sociolégicos como el consumo de cierto producto por un mismo grupo de individuos: + caracteres psicolégicos como el cociente intelectual + nivel de muido en telecomunicaciones: + errores cometidos al medir ciertas magnitudes; + ete, La distribucién normal también aparece en muchas areas de la propia estadistica. Por ejemplo, la distribucién muestral de las medias muestrales es aproximadamente normal, incluso si la distribucién de la poblacién de la cual se extrae la muestra no es normal, Ademas, la distribucion normal maximiza la entropia entre todas las distribuciones con media y varianza conocidas, lo cual Ia convierte en la eleccién natural de la distribucién subyacente a una lista de datos resumidos en términos de media muestral y varianza. La distribucién normal es Ia mas extendida en estadistica y muchos tests estadisticos estan basados en una supuesta "normalidad”, En probabilidad la distribucién normal aparece como el limite de varias distribuciones de probabilidad continuas y discretas.Distribucién normal Funcion de densidad de probabilidad 0 Ss 4 3 2 4 °0 1 2 3 4° 5 La linea verde corresponde a la distribucion normal estandar Parametros Dominio Funcién de densidad (pdf) Death Ma Bateestin (atDefinicién formal Hay varios modos de definir formalmente una distribucién de probabilidad. La forma mas visual es mediante su funcién de densidad. De forma equivalente, también pueden darse para su definicién la funcién de distribucién, los momentos, la funcién caracteristica y la funcién generatriz de momentos, entre otros. Funcién de densidad Se dice que una variable aleatoria continua X sigue una distribucién normal de parimetros uy ¢ y se denota Y~ N (u, 6) si su funcion de densidad esti dada por:donde 4 (mu) es la media y o (sigma) es Ia desviacién tipica (o? es la varianza) Se lama distribucién normal "estindar" a aquella en la que sus parimetros toman los valores « = 0 y ¢= 1. En este caso la funcién de densidad tiene la siguiente expresién: f(x) = foal) = Su grafica se muestra a continuacién y con frecuencia se usan TABLAS para el cdlculo de los valores de su distribucion. Propiedades Algunas propiedades de la distribucién normal son: 1. Es simétrica respecto de su media, : orm 25 09 01 02 03 04 =30 -20 -le 10 20 30 2. La moda y la mediana son ambas iguales a la media, 4: 3. Los puntos de inflexién de la curva se dan parax=1—o yx=\+o. 4. Distribucién de probabilidad en un entorno de la media:© en el intervalo [u - 0, « + a] se encuentra comprendida, aproximadamente, el 68.26% de la distribucién; © enel intervalo [u - 2c, + 2a] se encuentra, aproximadamente, 1 95,44% de la distribucién; © por su parte, en el intervalo [w -30, 4 + 30] se encuentra comprendida, aproximadamente. el 99,74% de la distribucién. Estas propiedades son de gran utilidad para el establecimiento de intervalos de confianza. Por otra parte, el hecho de que pricticamente la totalidad de la distribucién se encuentre a tres desviaciones tipicas de la media justifica los limites de las tablas empleadas habitualmente en la normal estandar. 5. Si X ~ N(u, a) y ay b son niimeros reales, entonces (a¥ + 6) ~ N(au+b, aa). 6. SiX ~ Nits @) © ¥ ~ N(u, 6) son variables aleatorias normales independientes, entonces: © Su suma esta normalmente distribuida con U = X+ ¥ ~ N(te + I. 02 + 62). Reciprocamente, si dos variables aleatorias independientes tienen una suma normalmente distribuida, deben ser normales (Teorema de Cramer). * Su diferencia esti normalmente—distribuida con VaX-Y~ N(ux by, 0: <+0¥), © Si las varianzas de Xe Y son iguales, entonces Uy V’ son independientes entre si. *La [[divergencia de Kullback-Leibler, ty fat Daal X1Y) = 5 (ow (37.81 X~N(O,o%)e Y~N(0,0¢)son variables —aleatorias independientes normalmente distribuidas, entonces: * Su producto XY sigue una distribucién con densidad p dada por 1. (_lal p(z) = —— Ko Toxey — \ox Fy) “donde Ko es una funcion de Bessel modificada de segundo tipo. * Su cociente sigue una distribucién de Cauchy con X / Cauchy (0,6r/ 07). De este modo la distribucion de Cauchy es un tipo especial de distribueién cociente. 8. Si Xi,-.-.Xnson variables normales estandar_independientes, 2 2 entonces Xi +°*:+Xnsigue una distribucién y2 con » grados de libertad. 9. Si Xiy---+Xnson variables normales estandar independientes, entonces la media muestral X = (Xi +--+ + Xn)/ny Ja varianza muestra 5? = ((X1— XY +--+ (Xn — X))/(2= 1) son independientes. Esta propiedad caracteriza a las distribuciones normales y contribuye a explicar por qué el test-F no es robusto respecto a la no-normalidad). Estandarizacion de variables aleatorias normales Como consecuencia de la Propiedad 1, es posible relacionar todas las variables aleatorias normales con la distribucién normal estandar. SiX~N (.o?), entonceses una variable aleatoria normal estandar: Z~ N (0.1). La transformacién de una distribucién X ~ N (1, 0) en una N (0. 1) se llama normalizacién, estandarizacién o tipificacién de la variable X. Una consecuencia importante de esto es que la funcién de distribucién de una distribucién normal es. por consiguiente. P(X , 99.064 0, 589 580 0,547 758 0.26868 0.982997 0, 999.095 0.969.981 o.ss1 718 0.870761 fo, 414 fo, 999 25 0.399981 0, s55670 o.s72 856 0,903 222 fo, 999 155 0.309 9820.559617 0.574928 fo, 904222 0, s99183, Jo, 309583 0.979999 0, 984936 0.999.237 0.350.084 0, 80 999 0.985.371 0.930.263 0.390 04s o.s7sa45 0.982976 0.985737 0, 99.288 0 399 985 0, 79250 ose 9% 0, 906086 fo, 99322 0, 90 905 0, 87068 0.888767 0, 986730 0.559398 0.559587 0.90354 0,390.65), 0, 987126 |p, 99 380 0, 559588 fo, so4ss4 oss. fo, 987454 0.555402 0.559.088 0,598 708 0.998380 0.987775 fo, 999 422 0,399 989 0,62 6s 0.996368 0, 9s 0x9 fo, 99.442 0. 399 989 0, cos a19 0.997987 0, 9s 396 0, 99.460 0 $99 990 0, 610261 0.999727 0, 988 636 >, 399.480 0, 389 980 0, 4091 e.son a7 988988 0, 559.499 0.359 991 o.si7911 0.903 199 0, 989275 0, 99.16 0.399 991 fo, 719 0.904 902 0, 989555 0, 999535, 0.399 901o.ssis 0.906582 0, 99820 0, 99 549 0,309 902 0.633071 o.909 677 0, 90358 0.959 81 0.359.952 fo, 635830 Cereal 0,990 613 0. 930 595 0.290 993 0.610576 o.sr3088 0, 990882 0, 99.610 a. 309 993 0,641 308 o.s1s6s6 0,901 105 o, 999604 a, se0 903 0.651731 0.917735 0,991: 0.559.650 0.559555 0.655421 0.919285 0, 931802 0.539.663, 0,559 938 0, 659096 0.920730 0, 92023 0.559.675 0.559.054 0.662257 o.922 196 0, 92.239 0.999 686 0, s80 005 0, 6 402 0.236 0,92 450 0, 99 698 a. 309 995 0.70031 0.935 066 o, oon 656 0, 99 709 0. 569905 0.673644 0.926870 0, 992857 o,39 719 0, 559595 oer. o.927 854 0.983088 0, 959 729 0.359905 fo, 680822 0.929219 0, 993294 0, 99 739 0, 909 995 fo, case 0.330568 0, 993430 0, 99 749 0 909 9950.7933 0.981887 0, 993612 0, 99.758 0 909 995 0, 6os974 0.938978 0,993 968, 0.959 75 0, 559 996 0, 08 468 0.935 748 o,g4132 0,99 784 0. 999 996 0.701944 0.236991, 0, 994296 0, 999792 a. s09 997 0,705 201 o.sie219 0, 904457 0, 999799 0, $60 907 0.712260 0.919620 0, 994 766 0.559.814 0.559997 0.715661 0,981 732 fo, 934915 fo, 939.21, 0.399597 0.719082 o,912 046 0, 95 050 fo, 559 828 0.559997 0, 722408 o.944 08 0,995 201 fo. s99 834 0.399 997 fo. 725746 0,945 200 fo, 95 338 0, 99 810 0.399 97 0, 729060 0.946301 0,995 472 0, 9 sss a. $89 907 0.732371 0.987388 0, 95.68 o, 539.52 0, 559598 fo, 735652 o.91849 0.965730 fo 599 858 0.359 998 fo, 738913 0.919497 0,995 254 0. 39.863, 0.399 908 fo, 72 153 0.95008 0, 995975 0,99 868 0.359 9980.748373 oss se 0, 996002 fo, 99873 0,309 998 o.751747 0.953521 ose sis > 950 83 0.950.958 0, 754902 0.954 496 0, 996497 0.999 087 0,299 958 0.758036 0.955434 fo, 99632 0, 99.002 0. $09 908 o,7o1 ue 0.956367 0, 996635 o, 99 996 0, $60 908 0, 767308 0.958 188 0, 996835 0.559.908 0.559538 0.770350 0.93907 0, 996827 >, 99 907 0, 559538 o.73372 0.93990 0, 997020 0.559911 0,559 .058 0.776372 0, 960 706 0, 997109 fo. s59935 0,399 999 0.779350 0,961 636 0.997197 0, 99938 0.399 999 0.722308 0.96246 o, 997281 fo, 99921 0 $99 999 0, 785236 0.963273, 0, 997364 >, 939924 0, 359.999 fo, 738144 0.964060 9674s 0, 999927 0,559 999 0, 791020 0.964852 0.997522 0, 99930 0,999 999 0,793 22 0.965 60 0, 997598 0, 99935, 0. 399 9990.796730 0.966375 0, 997672 0, 99935 0, 399 999 0.302337 0.96788 0.99785 0.599 940 0,599 999 0, 05 108 0.968357 0,997 8 fo. sap 983 0,999 999 0. so7 40 0.969 258 0.97987 0, 99935 0, 399 999 o,e10570 0.969.946 0, 99801 0, 999947 0, 399 999 0.15938 o.97i285 fo, 998134 0.559951 0, 599999 fo, 1838 o.g71933 0, 998152 o,539953 0,559 999 o.san213 o.sr2sr 0, 998249 0, 59955 0, 599.999 o.s23.1¢ 0.973196 0,90 308 0.999957 0,399 999 o.s2391 o.s73810 0,998 ase 0, 99 950 0.399 999 fo. e28043 ogra o.oo an, 0, 999960 0 $99 999 o,s31472 0.975002 0,98 6 o, 539962 0, 359.999 0,33 976 0.975590 968510 0. 599.964 0,559 999 o,s356 0.976148 0,998 sse 0, 39965 0,999 999 o,s38012 0.976708 0, 998 60s 0, 99.968 0. 399 999Ejemplo: Buscar la probabilidad normal tipificada de que Z < 2,04. En la columna del 2 y la fila del 0,04, esta el valor 0,979 324, esto es: P(Zo,) < 2,04) = 0, 979324 Para otros valores En la tabla anterior se pueden buscar los valores de la probabilidad normal tipificada: P(Zos) 2) =1 despejando: P(Zoea) > t) = 1- P(Zo1) 2) y sustituyendo, tenemos que: P(Ze1) < 2) =1- P(Zo) <2) Donde el valor: P(Zo1) <2) se busca en la tabla. Ejemplo Cual es la probabilidad: PZ, <— 1,32) los valores negativos no vienen en Ia tabla, pero segiin lo anterior: P(Zoa) < -1,32) =1- P(Zo,) < 1,32)segtn la tabla: P(Zo1) < 1,32) = 0, 906582 por tanto: P(Zo1) < —1,32) = 1—0,906582 que resulta: P(Zo,) < —1,32) = 0,093417 Probabilidad de Z>xyx>0 P(Zoa) >2)yxr>0 ‘Como en el caso anterior partimos de: P(Zoa) < t) + P(Zoa) > 2) =1 despejando: P(Zoa) > ®) = 1- P(Zo,) <2) y el valor: P(Zox <2) se busca en Ia tabla.Ejemplo Cual es la probabilidad: P(Zox) > 2,11) segiin el caleulo anterior: P(Zo,1) > 2,11) = 1 P(Zo1) <2, 11) de Ia tabla tenemos: P(Zoa) < 2,11) = 0, 982570 Jo que resulta: P(Zo,) > 2,11) = 1 - 0,982570 que resulta: P(Zo,) > 2,11) = 0,017430 Probabilidad de Z>x yx<0 Para caleular: P(Ze1) > -2) Partimos de la simetria de la funcién normal tipificada: P(Zoa) < -2) = P(Zo, > 2)y sustituyendo: -y resulta: P(Zo1) <¥) = P(Zo > -y) ordenando P(Zo) > -y) = P(Ze.) <9) Ejemplo Cual es la probabilidad: P(Zo1) > ~ 2.02) Segun lo anterior: P(Zoea) > —2,02) = P(Zo,1) < 2,02) buscando el valor en Ia tabla, tenemos que: P(Zos) > —2,02) = P(Zoa) < 2,02) = 0, 978308 Probabilidad de x1 50 Una variable tiene distribucién hipergeométrica si procede de un experimento que cumple las siguientes condiciones 1) Se toma una muestra de tamario n, sin reemplazamiento, de un conjunto finito de N objetos, 2) K de los N objetos se pueden clasificar como éxitos y N - K como fracasos. X cuenta el ntimero de éxitos obtenidos en la muestra. El espacio muestral es el conjunto de los nlimeros enteros deOan,édeOaKsi K 0 cuya funcién de densidad es de para r > 0 f(z)= { 0 — deotro modo Su funcién de distribucién es . 0 <0 PC) = P(X <2) {10 paraz > 0 Aqui e significa el nimero e.EI valor esperado y la varianza de una variable aleatoria X con distribucién exponencial son i 2 EIX| = 5 1 V(X) = 59 Funcién de densidad de probabilidad Ls Funcién de distribucion de probabilidadParametros Dominio Funcién de densidad (pdf) Funcién de distribucién (cdf) Media Mediana Moda Varianza Coeficiente de simetria Curtosis Entropia Funcién generadora de momentos (mgf) Funcién caracteristica A>0 (0,00) nels 1-e* In(2)/X 0 x 2 6 1-In(A)AUTOEVALUACIO! Distribucion multinomial 1. Se lanza un dado 6 veces. Hallar la probabilidad de que: a) salga uno una vez, dos veces el dos y tres veces tres; b) que salga cada numero una vez. una caja contiene 5 bolas de color rojo, 4 de color blanco y tres de color azul. Se saca al azar una bola de la caja, se anota su color y se vuelve a colocar en la caja. Hallar la probabilidad de que entre seis bolas asi seleccionadas, 3 sea de color rojo, 2. de color blanco y 1 azul. 6.8.4.1 Ejemplo 219, Po ; . au En un experimento de Laboratorio se utilizan 10 gramos de Sabiendo que la duracién media de un Atomo de esta materia es de 140 dias, ,cuantos 90% idas transcurriran hasta que haya desaparecido el ‘de este material? 20po son: El ti , a Solucién: El tiempo T de desintegracién de un étomo de “es una va. de distribucién exponencial: — = de, Tustxp (= 335) = ft) =e Msi VEDO = Fe mas 20P5 a ‘ a Como el niimero de dtomos de existentes en una muestra de 10 gramos es enorme, el histograma de frecuencias relativas formado por los tiempos de desintegracién de cada uno de estos étomos debe ser extremadamente aproximado a la curva de densidad, f; Del mismo modo, elpoligono de frecuencias relativas acumuladas debe ser muy aproximado a Ja curva de su funci6n de distribucién F. Entonces el tiempo que transcurre 90% hasta que el del material radiactivo se desintegra es el percentil 90, foo, de la distribucién exponencial, es decir F(too) =0,9 <> >t 0,9 < too 5 Ino, 1m 922 dias Figura: Como el niimero de dtomos (observaciones) es extremedamente alto en 10 gramos de materia, el histograms puede ser aproximado de modo excelente por Ja funcién de densidad exponencial, y el poligono de freeuencias acumuladas por la fancioa de cistribucion L F a a9 f ° ton T 2 Ejemplo Se ha comprobado que el tiempo de vida de cierto tipo de marcapasos sigue una distribucién exponencial con media de 16 afios. {Cual es la probabilidad de que a una persona a la que se le ha implantado este mareapasos se le deba reimplantar otto antes de 20 afios? Si el mareapasoslleva funcionando correctamente 5 afios en un paciente, cual es la . . 25% probabilidad de que haya que cambiarlo antes de aflos? Solucion Sea T la variable aleatoria que mide la duracion de un marcapasos en una persona, Tenemos que 1 S(t) =Ae si VEDO —M = F(t) Entonces - a PIT < 20] = f f(t) dt = F(20) = 1- e-® =0, 7135 En segundo Ingar PI55] = Sa ae = 0,7135 2 " Po5| = [ I (t)dt = F(+00) — F(S) =\-\+e-% = 0, 7316 Is Luego como era de esperar, por ser propio a un mecanismo exponencial, PIP < 25yr>s] = PIT < 20]0 sea, en la duracién que se espera que tenga el objeto, no influye en nada el tiempo que en la actualidad lleva funcionando. Es por ello que se dice que “la distribucién exponencial no tiene memoria". 4) DISTRIBUCION HIPERGEOMETRICA GENERALIZADA. Caracteristicas: a) Al realizar un experimento con este tipo de distribucién, se esperan mas de dos tipos de resultados b) Las probabilidades asociadas a cada uno de estos resultados no son constantes. c) Los ensayos o repeticiones del experimento no son independientes entre si. d) El nimero de repeticiones del experimento n, es constante. Entonces en este caso se tienen mis de dos tipos de objetos, por lo que la formula a utilizar seria: donde: N=x+y+z=total de objetos a= total de objetos del primer tipo b= total de objetos del segundo tipo ¢=N-a-b = total de objetos del tercer tipon= objetos seleccionados en la muestra x = objetos del primer tipo en la muestra. y= objetos del segundo tipo en la muestra 2=n-x-y = objetos del tercer tipo en la muestra Ejemplos: LEn un lote de productos se tienen 20 productos sin defectos, 3 con defectos menores y 2 con defectos mayores, se seleccionan al azar 5 productos de este lote, determine la probabilidad de que a) 3 de los productos seleccionados no tengan defectos y 1 tenga defectos menores, b) 4 de los productos seleccionados no tengan defectos y 1 tenga defectos menores. Solucién: a)N= 20+3+2 =25 total de articulos a=20 productos sin defectos b= 3 productos con defectos menores N-a-b=2 productos con defectos mayores 5 productos seleccionados en la muestra X= 3 productos sin defectos en la muestra = variable que nos define el # de productos sin defectos en la muestra y = I producto con defectos menores en la muestra = variable que nos define el # de productos con defectos menores en la muestraZz -x-y = 5-3-1 = 1 producto con defectos mayores en la muestra = variable que nos define el # de productos con defectos mayores en la mmestra b)N= 25 a=20 productos sin defectos 3 productos con defectos menores N-a-b=2 productos con defectos mayores n= 5 productos seleccionados en la muestra x =4 productos sin defectos en la muestra = variable que nos define el # de productos sin defectos en la muestra y = | producto con defectos menores en la muestra = vi riable que nos define el # de productos con defectos menores en la muestra z = n-x-y = 54-1 = 0 productos con defectos mayores en la muestra = variable que nos define el # de productos con defectos mayores en la muestra 3.Un club de estudiantes extranjeros tiene en sus listas a 2 canadienses, 3 japoneses, 5 italianos y 2 alemanes. Si se selecciona aleatoriamente un comité de 4 estudiantes, encuentre la probabilidad de que: a)estén representadas todas las nacionalidades, b)estén representadas todas las nacionalidades, excepto la italiana. Solucién: a) N= 12 estudiantesa= 2 Canadienses b =3 Japoneses ¢=5 Italianos N-a-b-c = 2 Alemanes n=4 estudiantes seleccionados para formar comité x= L estudiante Canadiense en el comité seleccionado | estudiante Japonés en el comité seleccionado Z= | estudiante Italiano en el comité seleccionado z= | estudiante Aleman en el comité seleccionado b) N=7 estudiantes quitando a los Italianos a~2Canadienses b =3 Japoneses N-a-b = 2 Alemanes n=4 estudiantes seleccionados para formar comité x= 1 0 2 estudiantes Canadienses en el comité seleccionado 1 0 2 estudiantes Japoneses en el comité seleccionado n-x-y= | 0 2 estudiantes Alemanes en el comité seleecionado p(estén representadas todas las nacionalidades, excepto la italiana)Distribucion hipergeométrica Por claridad, consideremos el siguiente ejemplo: Tenemos una baraja de cartas espafiolas (N=40 naipes), de las cuales nos vamos a interesar en el palo de oros (D=10 naipes de un mismo tipo). Supongamos que de esa baraja extraemos n=8 cartas de una vez (sin reemplazamiento) y se nos plantea el problema de calcular la probabilidad de que hayan k=2 oros (exactamente) en esa extraccién. La respuesta a este problema es En lugar de usar como dato D es posible que tengamos la proporcién existente, p, entre el nimero total de oros y el numero de cartas de la baraja de modo que podemos decir que: Este ejemplo sirve para representar el tipo de fenémenos que siguen una ley de distribucién hipergeométrica. Diremos en general que una v.a. X sigue una distribucién hipergeométrica de parametros, N, n yp, lo que representamos del modo, si su funcién de probabilidad es 6.4.10.1 Observacion Cuando el tamafio de la poblacién (N) es muy grande, la ley hipergeométrica tiende a aproximarse a la binomial: El valor esperado de la hipergeomeétrica es el mismo que el de la binomial. sin embargo su varianza no es exactamente la de la binomial, pues esta corregida por un factor, , que tiende a 1 cuando . A este factor se le denomina factor de correccién para poblacién finita.