Distribucin hipergeometrica y de Poisson.

La distribucin hipergeomtrica es especialmente til en todos aquellos casos

en los que se extraigan muestras o se realizan experiencias repetidas sin
devolucin del elemento extrado o sin retornar a la situacin experimental inicial.
Modeliza , de hecho, situaciones en las que se repite un nmero determinado
de veces una prueba dicotmica de manera que con cada sucesivo resultado se
ve alterada la probabilidad de obtener en la siguiente prueba uno u otro resultado.
Es una distribucin .fundamental en el estudio de muestras pequeas de
poblaciones .pequeas y en el clculo de probabilidades de, juegos de azar y tiene
grandes aplicaciones en el control de calidad en otros procesos experimentales en
los que no es posible retornar a la situacin de partida.
La distribucin hipergeomtrica puede derivarse de un proceso experimental
puro o de Bernouilli con las siguientes caractersticas:
El proceso consta de n pruebas , separadas o separables de entre
un conjunto de N pruebas posibles.
Cada una de las pruebas puede dar nicamente dos resultados
mutuamente excluyentes: A y no A.
En la primera prueba las probabilidades son :P(A)= p y P(A)= q ;con
p+q=l.
Las probabilidades de obtener un resultado A y de obtener un resultado no A
varan en las sucesivas pruebas, dependiendo de los resultados anteriores.
(Derivacin de la distribucin) . Si estas circunstancias
aleatorizados de forma que la variable aleatoria X sea el nmero de
resultados A obtenidos en n pruebas la distribucin de X ser una
Hipergeomtrica de parmetros N,n,p

as

Un tpico caso de aplicacin de este modelo es el siguiente:

Supongamos la extraccin aleatoria de n elementos de un
conjunto formado por N elementos totales, de los cuales Np son del tipo A y Nq
son del tipo (p+q=l) .Si realizamos las extracciones sin devolver los elementos
extrados , y llamamos X. al nmero de elementos del tipo A que extraemos en n
extracciones X seguir una distribucin hipergeomtrica de parmetros N , n , p

Funcin de cuanta.
La funcin de cuanta de una distribucin Hipergeomtrica har corresponder a
cada valor de la variable X (x = 0,1,2, . . . n) la probabilidad del suceso "obtener x
resultados del tipo A ", y (n-x) resultados del tipo no A en las n pruebas realizadas
de entre las N posibles.
Veamos:

Hay un total de

formas distintas de obtener

x
resultados
del
tipo
A
y
n-x
del
tipo
,
si partimos de una poblacin formada por Np elementos del tipo A y Nq elementos
del tipo

Por otro lado si realizamos n pruebas o extracciones hay un total de

Posibles muestras ( grupos de n elementos)

aplicando la regla de Laplace tendramos

que para valores de X comprendidos entre el conjunto de enteros 0,1,. .n ser la

expresin de la funcin de cuanta de una distribucin , Hipergeomtrica de
parmetros N,n,p .
Media y varianza.
Considerando que una variable hipergeomtrica de parmetros N, n, p puede
considerarse generada por la reiteracin de un proceso dicotmico n veces en el
que las n dicotomas NO son independientes; podemos considerar que una
variable hipergeomtrica es la suma de n variables dicotmicas NO
independientes.

Es bien sabido que la media de la suma de variables aleatorias (sean stas

independientes o no) es la suma de las medias y por tanto la media de una
distribucin hipergeomtrica ser, como en el caso de la binomial :
En cambio si las variables sumando no son independientes la varianza de la
variable suma no ser la suma de las varianzas.
Si se evala el valor de la varianza para nuestro caso se obtiene que la varianza
de una distribucin hipergeomtrica de parmetros N,n,p es : si

para demostracin de esta expresin vase Wilks S. ,Mathematical Statistics,1962

Esta forma resulta ser la expresin de la varianza de una binomial (n, p)
afectada por un coeficiente corrector [N-n/N-1] , llamado coeficiente de
exhaustividad o Factor Corrector de Poblaciones Finitas (F.C.P.F.) y que da
cuenta del efecto que produce la no reposicin de los elementos extrados en el
muestreo.
Este coeficiente es tanto ms pequeo cuanto mayor es el tamao muestral
(nmero de pruebas de n ) y puede comprobarse como tiende a aproximarse a 1
cuando el tamao de la poblacin N es muy grande . Este ltimo hecho nos
confirma lo ya comentado sobre la irrelevancia de la reposicin o no cuando se
realizan extracciones sucesivas sobre una poblacin muy grande. Con una
poblacin muy grande se cual fuere el tamao de n , el factor corrector sera uno
lo que convertira , en cierto modo a la hipergeomtrica en una binomial (ver D.
Binomial) . As
Lmite de la distribucin hipergeomtrica cuando N tiende a infinito.
Hemos visto como la media de la distribucin hipergeomtrica [H{N,n,p)],
tomaba siempre el mismo valor que la media de una distribucin binomial [B{n,p)]
tambin hemos comentado que si el valor del parmetro N creca hasta
aproximarse a infinito el coeficiente de exhaustividad tenda a ser 1, y, por lo tanto,
la varianza de la hipergeomtrica se aproximaba a la de la binomial : puede
probarse asimismo , cmo la funcin de cuanta de una distribucin
hipergeomtrica tiende a aproximarse a la funcin de cuanta de una distribucin
binomial cuando

Puede comprobarse en la
representacin grfica de una
hipergeomtrica con N =100000
como sta ,es idntica a la de
una binomial con los mismos
parmetros restantes n y p , que
utilizamos al hablar de la binomial

DISTRIBUCIN DE POISSON

Esta distribucin es una de las ms importantes distribuciones de variable

discreta. Sus principales aplicaciones hacen referencia a la modelizacin de
situaciones en las que nos interesa determinar el nmero de hechos de cierto tipo
que se pueden producir en un intervalo de tiempo o de espacio, bajo presupuestos
de aleatoriedad y ciertas circunstancias restrictivas. Otro de sus usos frecuentes
es la consideracin lmite de procesos dicotmicos reiterados un gran nmero de
veces si la probabilidad de obtener un xito es muy pequea .
Proceso experimental del que se puede hacer derivar
Esta distribucin se puede hacer derivar de un proceso experimental de
observacin en el que tengamos las siguientes caractersticas
Se observa la realizacin de hechos de cierto tipo durante un cierto periodo
de tiempo o a lo largo de un espacio de observacin
Los hechos a observar tienen naturaleza aleatoria ; pueden producirse o no
de una manera no determinstica.
La probabilidad de que se produzcan un nmero x de xitos en un intervalo
de amplitud t no depende del origen del intervalo (Aunque, s de su amplitud)
La probabilidad de que ocurra un hecho en un intervalo infinitsimo es
prcticamente proporcional a la amplitud del intervalo.

 La probabilidad de que se produzcan 2 o ms hechos en un intervalo

infinitsimo es un infinitsimo de orden superior a dos.
En consecuencia, en un intervalo infinitsimo podrn producirse O 1
hecho pero nunca ms de uno
Si en estas circunstancias aleatorizamos de forma que la variable aleatoria
X signifique o designe el "nmero de hechos que se producen en un
intervalo de tiempo o de espacio", la variable X se distribuye con una
distribucin de parmetro l . As :
El parmetro de la distribucin es, en principio, el factor de proporcionalidad
para la probabilidad de un hecho en un intervalo infinitsimo. Se le suele designar
como parmetro de intensidad, aunque ms tarde veremos que se corresponde
con el nmero medio de hechos que cabe esperar que se produzcan en un
intervalo unitario (media de la distribucin); y que tambin coincide con la varianza
de la distribucin.
Por otro lado es evidente que se trata de un modelo discreto y que el campo de
variacin de la variable ser el conjunto de los nmeros naturales, incluidos el
cero:
Funcin de cuanta
A partir de las hiptesis del proceso, se obtiene una ecuacin diferencial de
definicin del mismo que puede integrarse con facilidad para obtener la funcin de
cuanta de la variable "nmero de hechos que ocurren en un intervalo unitario de
tiempo o espacio "

Que sera :

ir a

programa de clculo

Cuya representacin grfica

para un modelo de media 11
sera
la
adjunta
.
Obsrvense
los
valores

prximos en la media y su forma parecida a la campana de Gauss , en definitiva ,

a la distribucin normal

La funcin de distribucin vendr dada por :

Funcin Generatriz de Momentos

Su expresin ser :

dado

que

tendremos

que

luego :
Para la obtencin de la media y la varianza aplicaramos la F.G.M.; derivndola
sucesivamente e igualando t a cero .
As.

Una vez obtenida la media , obtendramos la varianza en base

a:

Haciendo

por lo que

as se observa que media y varianza coinciden con el

parmetro del modelo siendo , l
En cuanto a la moda del modelo tendremos que ser el valor de la variable que
tenga mayor probabilidad, por tanto si Mo es el valor modal se cumplir que :

Y, en particular:
A partir de estas dos desigualdades, es muy sencillo probar que la moda tiene
que verificar:
De manera que la moda ser la parte entera del
parmetro l o dicho de otra forma, la parte entera de la media
Podemos observar cmo el intervalo al que
amplitud de una unidad , de manera que
distribucin tenga dos modas ser que los
nmeros naturales, o lo que es lo mismo que
caso las dos modas sern l -1 y l .

debe pertenecer la moda tiene una

la nica posibilidad de que una
extremos de este intervalo sean
el parmetro l sea entero, en cuyo

Teorema de adicin.
La distribucin de Poisson verifica el teorema de adicin para el parmetro l .
"La variable suma de dos o ms variables independientes que tengan una
distribucin de Poisson de distintos parmetros l (de distintas medias) se
distribuir, tambin con una distribucin de Poisson con parmetro l la suma de los
parmetros l (con media, la suma de las medias) :
En efecto:

Sean x e y dos variables aleatorias que se distribuyen con dos distribuciones de

Poisson de distintos parmetros siendo adems x e y independientes
As

e
Debemos probar que la variable Z= x+y seguir una Poisson con parmetro

igual a la suma de los de ambas:

En base a las F.G.M para X

Para Y
De manera que la funcin generatriz de momentos de Z ser el producto de
ambas
ya
que
son
independientes
:

Siendo

la F.G.M de una Poisson

Convergencia de la distribucin binomial a la Poisson

Se puede probar que la distribucin binomial tiende a converger a la distribucin
de Poisson cuando el parmetro n tiende a infinito y el parmetro p tiende a ser
cero, de manera que el producto de n por p sea una cantidad constante. De ocurrir
esto la distribucin binomial tiende a un modelo de Poisson de parmetro l igual a
n por p
Este resultado es importante a la hora del clculo de probabilidades, o , incluso a
la hora de inferir caractersticas de la distribucin binomial cuando el nmero de
pruebas sea muy grande

y la probabilidad de xito sea muy pequea

.
El resultado se prueba , comprobando como la funcin de cuanta de una
distribucin binomial con

tiende a una funcin de cuanta de una

distribucin de Poisson con

constante ( un valor finito)

siempre que este producto sea una cantidad

En efecto : la funcin de cuanta de la binomial es

Y llamamos

realizando
distribucin de Poisson

tendremos que:

que es la funcin de cuanta de una

Estimacin Bayesiana sobre muestras de poisson.

Anlogamente a como plantebamos el problema de necesitar estimar la
proporcin de una caracterstica ,en el caso de un modelo binomial , en alguna
situacin prctica , podemos estar interesados en determinar el parmetro
desconocido de una distribucin de Poisson. Por ejemplo podramos estar
interesados en determinar el nmero medio de clientes que acuden a una
ventanilla de una oficina pblica.
El planteamiento de la estimacin podra hacerse utilizando informacin
suministrada por una experiencia {la observacin de cuntos hechos se producen
en un intervalo experimental),conjuntamente con algn otro tipo de informacin a
priori .En este caso, estaramos ,como ya comentbamos en el caso binomial ante
un planteamiento bayesiano del problema.
La solucin requerir que dispongamos de una informacin inicial que puede
especificarse a travs de una distribucin a priori de probabilidad. De manera que
la funcin de cuanta de esta distribucin a priori (o su f. de densidad si fuera
continua) nos asigne probabilidades a cada posible valor del parmetro l .

Utilizando nicamente la informacin inicial la estimacin sera la media de la

distribucin a priori.
Pero realizando una experiencia podremos mejorar la informacin acerca de l Si
observamos la realizacin de hechos durante un intervalo experimental y se
producen x hechos, para cada posible valor de l podremos calcular su
verosimilitud definida como la probabilidad de que se d ese resultado si el valor
de l es el considerado:

Obviamente esta probabilidad condicionada ser la funcin de cuanta de una

distribucin de Poisson con

. para el valor de la variable x.

Finalmente podemos calcular las probabilidades de cada valor alternativo de ,

condicionada al resultado de la experiencia aplicando el teorema de Bayes:

Estas probabilidades finales (a posteriori) constituirn la funcin de cuanta de la

distribucin a posteriori que nos dar cuenta de toda la informacin disponible
(tanto muestral como no muestral) .
La estimacin mejorada del parmetro ser, entonces, la media de la
distribucin a posteriori.