1

3. FAMILIA DE DISTRIBUCIOES ESPECIALES DE DISTRIBUCIOES

UIVARIADAS

3.1 Distribuciones discretas

Definicin: Los ensayos o experimentos repetidos e independientes son llamados Bernoulli, cuando en cada
ensayo, solo se presentan dos resultados posibles y sus probabilidades son las mismas en cada ensayo.

Distribucin Bernoulli
Definicin. En un experimento Bernoulli, sus resultados posibles son denominados xito y fracaso, los cuales
comnmente sus probabilidades son: p y (1-p) respectivamente.
Si se define la variable aleatoria X como X=0 si el resultado es fracaso y X=1 es si el resultado obtenido es
el xito, esta es denominada variable aleatoria Bernoulli. As si se considera la variable a estudiar:
X: mero de xito obtenido en el experimento
Entonces funcin de densidad o probabilidad que la caracteriza esta variable es:
) ( ) (
} 1 , 0 {
1
x I q p x f
x x
X

= con (q=1-p) y 0p1
donde los valores posibles son 1 0 = = x y x P(X=1)=p y P(X=0)=1-p

Denotemos la variable aleatoria X como Bernoulli(p)

Comprobando que la funcin anterior es una fn de densidad
1 ) 1 ( ) (
1
0
= + =

=
p p x f
x
X

Veamos algunas caractersticas de la variable aleatoria bernoulli(p)

Esperanza de X

Varianza de X
( )
2 2
) ( ) ( ) ( X E X E X V =
p p p x f x X E
x
X
= + = =

=
) 1 ( 0 ) ( ) (
1
0
2 2

) 1 ( ) (
2
p p p p X V = =

Funcin generadora de momento
t t
i
x x tx tx
pe q p e p p p e e E t m + = + = = =

=

) 1 ( ) 1 ( ) ( ) (
1
0
1


Distribucin Binomial

Un experimento Binomial es identificado por las siguientes caractersticas:
1. El experimento consta de n experimentos Bernoullis idnticos
2. La probabilidad de xito en cada experimento es p y la probabilidad de fracaso es (1-p)
3. Los n experimentos Bernoullis son independientes.

Dado un experimento binomial y si se considera la variable a aleatoria a estudiar:

X : mero de xitos obtenidos en los n experimento Binomial realizado.
p p p x xf X E
x
X
= + = =

=
1 ) 1 ( 0 ) ( ) (
1
0
2

Entonces la funcin de densidad o probabilidad que caracteriza o modela probabilsticamente a dicho
experimento es:
) ( ) (
} ,... 1 , 0 {
x I q p
x
n
x f
n
x x n
X

|
|

\
|
= (q=1-p)
Obsrvese que el rango o valores posibles de X son n x ,...., 1 , 0 =
Denotemos la variable aleatoria X como Binomial(n, p)

Una variable Bernoulli(p) es una Binomial (1,p). !!

Comprobemos que es una funcin de densidad
[ ]
n
n
n
n
n
X
p p p p
x
n
q p
x
n
x f
x
x x
x
x x
x
) 1 ( ) 1 ( ) (
0 0 0
+ =
|
|

\
|
=
|
|

\
|
=

=

=
=1

Distribucin Geomtrica

La distribucin geomtrica modela (o caracteriza) a experimentos con las siguientes caractersticas:
1) El experimento completo consiste en una serie de experimentos Bernoullis similares y termina hasta
obtener el 1er. xito.
2) Variable aleatoria que estudia
Existen dos formas de expresar la distribucin geomtrica, esto es dependiendo de cmo definamos la
variable aleatoria, veamos los casos a) y b).

a) X: mero de experimentos Bernoullis requeridos hasta obtener el 1er xito.

La funcin de densidad o probabilidad de este tipo de experimentos para la variable aleatoria X es:
) ( ) (
...} 2 , 1 {
1
x I pq x f
x
X

= (q=1-p) y 0p1
Denotemos la variable aleatoria X como Geomtrica(p)

Comprobemos que es una funcin de densidad
1
) 1 ( 1
1
1
1
0 0
=
|
|

\
|

=
|
|

\
|

= =


=

=
p
p
q
p q p pq
x x
x x


b) X: mero de fracasos ocurridos hasta obtener el 1er xito.

La funcin de densidad o probabilidad de estos tipos de experimentos para la variable aleatoria X es:
) ( ) (
...} 2 , 1 , 0 {
x I pq x f
x
X
= (q=1-p) y 0p1
Denotemos la variable aleatoria X como Geomtrica(p)


Ejemplo: Un estudio geolgico de exploracin petrolera indica que, en una perforacin, la probabilidad de
encontrar petrleo en una zona particular es 0.2. Calcular la probabilidad de que en la quinta perforacin se
encuentre por primera vez petrleo en la zona.

Solucin: xito: obtener petrleo en la perforacin.
a) Empleando
1
) (

= =
x
pq x X P
Sea X= No. de perforaciones requeridas hasta obtener el primer xito.
3
Entonces se desea P(x=5)
f
x
(5)= (0.2)(0.8)
4
.
b) Empleando ) ( ) (
...} 2 , 1 , 0 {
x I pq x f
x
X
=
X= No. de perforaciones con fracaso hasta obtener el primer xito.

Se tienen n = 5 perforaciones realizadas para encontrar por 1. vez petrleo sea X= No. de perforaciones
realizadas sin encontrar petrleo hasta encontrarlo por 1. Vez. Se desea P(X=4)
f
x
(4)= (0.2)(0.8)
4
.
Distribucin Binomial egativa

Esta distribucin es una generalizacin de la distribucin geomtrica y surge cuando se presentan
experimentos similares al caso de la distribucin geomtricas con la diferencia en que se esperan obtener r
xitos, es decir, se presentan experimento bernoullis y el experimento termina hasta obtener r exitos.
Al igual que la distribucin geomtrica, existen dos formas de expresar la distribucin binomial negativa,
dependiendo de cmo se defina la variable aleatoria, veamos los casos a) y b) siguientes:

a) Variable aleatoria que estudiada:
X : mero de experimentos Bernoullis requeridos hasta obtener r xitos
La funcin de densidad es:
r x r
q p
r
x
x f

|
|

\
|

=
1
1
) ( x=r,r+1,r+2
b) Variable aleatoria que estudia:
X : mero de fracasos ocurridos hasta obtener r xitos
La funcin de densidad es:
x r
q p
x
x r
x f
|
|

\
| +
=
1
) ( x=0,1, 2
Analicemos como surge la funcin de densidad mediante el tipo de experimento aqu mencionado.
Si r =1 entonces X tiene una distribucin Geomtrica(p)

X: el nmero de fracasos obtenidos hasta obtener el r-simo xito entonces en este caso, el No. de
experimentos requeridos para obtener exactamente r xitos es r+x, siendo eventos independientes la
probabilidad es:
x r x r
q p
x
x r
p q p
r
x r
x f
|
|

\
| +
=
|
|

\
|

+
=

1
1
1
) (
1
donde x=0,1,2
Nota: no es complejo comprobar que :
|
|

\
|

=
|
|

\
|
x n
n
x
n
para cualquier n>x (esto justifica la igualdad
inmediata anterior).

As la distribucin que modela los tipos de experimentos anteriores es definido por la fn. de densidad
Binomial egativa
A f
x
(x) se le llama distribucin Binomial Negativa, lo cual denotaremos por BinN(r, p).

Ejemplo
Un estudio geolgico de exploracin petrolera indica que, en una perforacin, la probabilidad de encontrar
petrleo en una zona particular es 0.2. Calcular la probabilidad de que en la quinta perforacin se encuentre
por tercera vez petrleo en la zona.

4
Solucin:
a) Empleando
r x r r x r
q p
r
x
p q p
r
x
X P

|
|

\
|

=
|
|

\
|

=

1
1
1
1
) (
) ( ) ( 1 1 1

Sea X= No. de perforaciones requeridas hasta obtener 3 xitos. Entonces
X~BinN (3, 0.2). x=5, r =3
f
x
(5)=
|
|

\
|
2
4
(0.2)
3
(0.8)
2
.
b) Empleando
x r x r
q p
x
x r
p q p
r
x r
x X P X P
|
|

\
| +
=
|
|

\
|

+
= = =

1
1
1
) ( ) (
1

Se tienen n = 5 perforaciones realizadas para encontrar por tercera vez petrleo sea X= No. de perforaciones
realizadas sin encontrar petrleo antes de encontrarlo en la quinta perforacin. Entonces
X~BinN (3, 0.2). Se observa que r =3, x = 2 pide:
f
x
(2)=
|
|

\
|
2
4
(0.2)
3
(0.8)
2
.
Definamos ahora la funcin de densidad de la distribucin binomial negativa como:

Comprobando que es una funcin de densidad.
i) f
x
(x) > 0 x = r, r+1, por que "p" no es negativa y como "p" 1 , 1-p tampoco es negativa
ii) f
x
(x) = 0 si x r, r+1, r+2, .. por la definicin de la funcin.
Para comprobar el inciso iii) emplearemos sin demostracin el Teorema del binomio Negativo que nos da
la siguiente igualdad:
(1 - p)
-n
=

|
|

\
|
0
) (
j
j
p
j
n
=

=
|
|

\
| +
0
1
j
j
j n
p
j
para -1< p <1

( ) ( ) ( ) 1 ) 1 ( 1
1
1
1
1
1
0 0 0
= =
|
|

\
| +
=
|
|

\
| +
=
|
|

\
| +

=
r r r r x r x r
x
p p p
x
x r
p p
x
x r
p p p
x
x r
x x

por lo tanto Bin N(r, p) es una funcin de densidad discreta.

Distribucin Poisson

Ejemplos de variables que usualmente son caracterizadas por la distribucin Poisson:

Esta distribucin esta relacionada con la distribucin Binomial como se ver ms adelante, ejemplos reales
las cuales est caracterizado por una distribucin Poison lo podemos encontrar en los siguientes tipos de
variables.

1. El nmero X
a
de clulas sanguneas visibles bajo el microscopio, en donde el rea de la superficie visible
bajo el microscopio esta dada por A unidades cuadradas.

2. El nmero de cierta especie de bacterias que se encuentran en un litro de agua de un ro situado en las
inmediaciones de una planta nuclear, bacterias cuyo conteo promedio en el mes de julio es de 1.2 litros de
agua.

3. El nmero de errores de impresin en una pgina (o en un libro).
Si al escribir una pgina hay una probabilidad constante de que cualquier letra se escriba errneamente, y si
las condiciones de impresin permanecen inalterables, entonces tenemos tantos ensayos Bernoulli como
5
letras halla en la pgina. El nmero de errores tipogrficos en la pgina redistribuye Poisson (np), donde n=
nmero de letras de la pgina, y p = proporcin o probabilidad de que cualquier letra se escriba
errneamente.

4. El nmero de personas en una comunidad que han vivido 100 aos.
Cualquier persona particular, al nacer, tiene una pequea probabilidad de vivir 100 aos y, en una comunidad
grande, el nmero n de nacimientos por ao es grande. El nmero de personas que vivir 100 aos de los
nacidos este ao es una v. a. cuya distribucin se puede aproximar con una Poisson (np).
5. El nmero de clientes que entran a un banco un da dado.

6. El nmero de llamadas equivocadas al telfono de la escuela un da dado.

Definicin: Una v. a. X, cuyo rango o valores posibles de X son 0,1,2,..., se dice que es una variable
aleatoria con distribucin Poisson con parmetro , si para alguna >0 se tiene:
f
x
(x) = P(X= x)=
! x
e
x

, x=0,1,2,...
se dice entonces que X tiene una distribucin Poisson y la funcin f
x
(x) es denominada funcin de densidad
Poisson. Si X es una variable aleatoria Poisson con parmetro denotaremos como:
X ~ Poisson( )

Esto se leer X se distribuye Poisson con parmetro .


Comprobemos que la distribucin de Poisson es una funcin de densidad.

La distribucin de poisson est definida de la siguiente manera

> =
=

modo otro de 0
0 ,..., 1 , 0 si
!
) (

y x
x
e
x f
x

Como la distribucin de poisson es una distribucin discreta para que sea una funcin de densidad debe
cumplir con:i) 0 ) ( >
i
x f
X
esto se cumple por la manera como est definida la fn
ii) 0 ) ( = x f
X
para cualquier x que no sea un valor posible, por la manera como esta definida la fn.
iii) 1 ) (
0
=

= x
x
x f
comprobemos (iii)



=

=

=
= =
0 0 0
! !
) (
x
x
x
x
x
X
x
e
x
e
x f

Ya que

=0
!
x
x
x

es el desarrollo en la serie de Taylor para e

es decir

=0
!
x
x
x

= e

1 ) (
0
= =

e e x f
x
X

Relacin de la distribucin Binomial y la distribucin Poisson
Notemos que si X ~ Binomial(n,p), donde p= / n, entonces
( )
( )
x
n
n
n
x
x
x n x
x n x
X
x n
x n n n
n n x x n
n
p p
x
n
x f

+
= |

\
|
|

\
|

=
|
|

\
|
=

1
1
!
) 1 )...( 1 (
1
! )! (
!
) 1 ( ) (
6
cuando n
1
) 1 )...( 1 (

+
x
n
x n n n

( ) 1 1
x
n

y
( )

e
n
n
1


cuando n ,
!
) (
x
e
x f
x
X


=
Pues: recordemos que ( ) 0 1
/ 1
+ x cuando e x
x

Una variacin de lo anterior es ( ) te escons donde x cuando e x
x
tan 0 1
/ 1


+
Podemos redefinir ( ) te escons donde n cuando e
n
n
tan 1

Se observa que si n , entonces p 0, por lo que el resultado anterior asegura que se puede aproximar
las probabilidades de distribuciones binomiales con las probabilidades de la distribucin Poisson, siempre
que : n sea grande y p pequeo.

Ejemplo1:
Cul es la probabilidad de que en la facultad haya k estudiantes que cumplan aos en el da de ao nuevo, si
se sabe que la escuela tiene 500 alumnos?

Solucin:
P(un estudiante cumpla aos en ao nuevo)= 1/365 =(500)(1/365)=1.3699

K 0 1 2 3 4 5 6
Binomial 0.2537 0.3484 0.2388 0.1089 0.0372 0.0101 0.0023
Poisson 0.2541 0.3481 0.2385 0.1089 0.0373 0.0102 0.0023

Ejemplo2:
Supngase que en una gran poblacin la proporcin de personas que tienen cierta enfermedad es 0.01.
Determina la probabilidad de que en un grupo aleatorio de 200 personas, al menos 4 tengan la enfermedad.

Solucin:
n=200, p=0.01 entonces =n*p=2
X = numero de persona que tienen la enfermedad,
Por tanto, P(X>=4) = 0.1428

7
DISTRIBUCIO HIPERGEOMTRICA.
La distribucin hipergeomtrica se presenta cuando se realiza experimentos con las siguientes caractersticas.
1. La poblacin sobre la cual se realiza el experimento es finita, digamos la poblacin consta de M
elementos.
2. Cada elemento de la muestra tiene una de dos caractersticas, (defectuoso- no defectuoso, color Z-
color diferente de Z, chico-grande etc.). Hay K elementos con caracterstica Z y M-K elementos
con caracterstica diferente de Z
3. El experimento es seleccionar n elementos de la poblacin, (n M)
4. La v.a. es X-No. de elementos con caracterstica Z encontrada en los n elementos
seleccionados de la poblacin.
5. El experimento de seleccin de los n elementos es sin reemplazamiento.

As la funcin de densidad que modela este tipo de experimentos es la distribucin hipergeomtrica definida
por:
n x
n
M
x n
K M
x
K
x f
X
,..., 1 , 0 ) ( =
|
|

\
|
|
|

\
|

|
|

\
|
= sujeto a xK y n-xM-K
Comprobando que es una fn. de densidad.
No es complejo comprobar la siguiente igualdad:
|
|

\
| +
=
|
|

\
|

|
|

\
|

=
m
b a
x m
b
x
a
m
x 0
. Se deja como ejercicio.
1
1 1
) (
0 0
=
|
|

\
|
|
|

\
|
=
|
|

\
|

|
|

\
|
|
|

\
|
=
|
|

\
|
|
|

\
|

|
|

\
|
=

= =
n
M
n
M x n
K M
x
M
n
M
n
M
x n
K M
x
K
x f
n
x
n
x
X

Esperanza de X


= = =
= = =
|
|

\
|

|
|

\
|

|
|

\
|

|
|

\
|

|
|

\
|

|
|

\
|

|
|

\
|

=
|
|

\
|
|
|

\
|

|
|

\
|
=
n
x
n
x
n
x
n
x
n
x
n
x
n
M
x n
K M
x
K
M
K
n
n n M
M
x n
K M
x x K
K
M
K
n
n n M
M
x n
K M
x x K
K
M
K
n
n n n M
M M
x n
K M
x x K
K K
n n M
M
x n
K M
x x K
K
x
n
M
x n
K M
x
K
x X E
1 1 1
1 1 0
1
1
1
1
)! 1 ( )! (
)! 1 (
)! 1 ( )! (
)! 1 (
)! 1 ( )! (
)! 1 (
)! 1 ( )! (
)! 1 (
)! 1 ( )! (
)! 1 (
)! 1 ( )! (
)! 1 (
! )! (
!
! )! (
!
) (


M
K
n
n
M
n
M M
K
n
y n
K M
y
K
n
M M
K
n
n
M
y n
K M
y
K
M
K
n
n
y y
n
=
|
|

\
|

|
|

\
|

=
|
|

\
|

|
|

\
|
|
|

\
|

=
|
|

\
|

|
|

\
|

|
|

\
|
=


= =

1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0 0
1

E[X]=
M
K
n

Varianza de X
8

= =

|
|

\
|

=
|
|

\
|
|
|

\
|

|
|

\
|
=
n
x
n
x
n n M
M
x n
K M
x x K
K
x x
n
M
x n
K M
x
K
x x X X E
2 0
! )! (
!
! )! (
!
) 1 ( ) 1 ( )] 1 ( [

= =

|
|

\
|

=


|
|

\
|

=
n
x
n
x
n n M
M
x n
K M
x x K
K
M M
K K
n n
n n n n M
M M M
x n
K M
x x K
K K K
2 2
)! 2 ( )! (
)! 2 (
)! 2 ( )! (
)! 2 (
) 1 (
) 1 (
) 1 (
)! 2 )( 1 ( )! (
)! 2 )( 1 (
)! 2 ( )! (
)! 2 )( 1 (



= =
|
|

\
|

|
|

\
|

|
|

\
|

=
|
|

\
|

|
|

\
|

|
|

\
|

=
2
0 2
2
2
2
2
) 1 (
) 1 (
) 1 (
2
2
2
2
) 1 (
) 1 (
) 1 (
n
y
n
x
n
M
y n
K M
y
K
M M
K K
n n
n
M
x n
K M
x
K
M M
K K
n n

) 1 (
) 1 (
) 1 (
2
2
2
2
1
) 1 (
) 1 (
) 1 (
2
2
2
2
1
) 1 (
) 1 (
) 1 (
2
0

=
|
|

\
|

|
|

\
|

=
|
|

\
|

|
|

\
|
|
|

\
|

=
M M
K K
n n
n
M
n
M M M
K K
n n
y n
K M
y
K
n
M M M
K K
n n
n
y

Entonces
V[X]= ( )
2
2
) 1 (
) 1 (
) 1 ( ] [ ] [ )] 1 ( [
|

\
|
+

= +
M
K
n
M
K
n
M M
K K
n n X E X E X X E
(

=
|

\
|
+

=
M
K
n
M
K
n
M
K
n
M
K
n
M
K
n
M M
K K
n n 1
) 1 (
) 1 (
) 1 (
) 1 (
) 1 (
) 1 (
2
2


(

+
=
M M
K M n M M K M n
M
K
n
) 1 (
) 1 ( ) 1 ( ) 1 ( ) 1 (


(

+
=
M M
K M n M M K M K nM
M
K
n
) 1 (
) ) 1 ( ) 1 ( ) 1 ( ) 1 (


(

+ + +
=
M M
nK nMK M M M MK nM nMK
M
K
n
) 1 (
)
2


(

+ +
=
M M
nK M MK nM
M
K
n
) 1 (
)
2


(

=
M M
n M K M
M
K
n
) 1 (
) )( (