Variables

Hipergeométrica Y Normal
  Ángel Yahir Rodríguez Flandes-2025169

E  Alondra Paola García Gonzalez-2024020

 Bryan Rafael Alanís Garcia-1997955

q
 Celeste Abigail Rangel Tristan-1997293
 Devany Daniela Muñoz Landaverde-1998405
 Héctor Eduardo Gómez Ovalle-1932740

u  Lizbeth Herrera Imperial-2029061

 María Fernanda Fernández Garcia-2032410

i  Marialy Barrientos Gonzalez-2130459

 Nicole Aracely González Flores-1994160
 Paola Michel Márquez Carrizales-2010045

p  Patricio Soberon Salas-1958163

o
Introduccion
INDICE
Desarrollo
Variables Aleatorias
Variables Aleatorias Discretas
Ejemplos
Variables Aleatorias Continuas
Ejemplo
Modelos De Probabilidad
 INDICE
Modelos Discretos
Ejemplo
Distribución Hipergeometrica
Ejemplo
Modelos Continuos
Distribución Normal
Ejemplo
Conclusion
Referencias
 Introduccion
El enfoque que se abordará es el de cada uno de los modelos existentes; por un lado, en el modelo
discreto, se hablara conforme a la distribución hipergeometrica, sus componentes y usos, y por el
otro lado, en el modelo continuo, sobre la distribución normal, de igual forma su estructura,
componentes y usos.
El objetivo principal de los modelos es lograr obtener resultados que se busquen encontrar,
facilitando con base a las formulas, la manera de realizarlo. Cada una de las distribuciones
derivadas de estos modelos nos permiten conocer y determinar casos con resultados exactos,
precisos y concretos, que ayudan a llegar a el objetivo principal, que es conocer el resultado al
que se quiere llevar y de igual modo conocer las distintas maneras con las que se puede llegar
para encontrar un mismo resultado.
 Variable Aleatoria
Una variable aleatoria es
Una variable aleatoria puede
una función que asigna un
ser discreta o continua, las
valor numérico, al resultado
cuales hay que conocer para
de un experimento aleatorio.
lograr obtener los resultados
Hay que recordar que el
que deseamos.
resultado de un experimento
aleatorio depende del azar.
 Variables Aleatorias Discretas
Una variable aleatoria es discreta solamente cuando se pueden
tomar ciertos valores enteros en un número finito de valores,
eso es lo que la caracteriza de ser discreta. Las variables
discretas son valores que se pueden contar y no suelen llevar
decimales. Por ejemplo: El número de hijos en una familia o la
puntuación obtenida al lanzar un dado. Entonces, esta solo será
discreta si se tienen valores concretos.
Estas variables llevan consigo dos funcionamientos
característicos:
La función de probabilidad: La
La función de distribución:
función de probabilidad lo que
La función de distribución de
hace es asignarle a cada suceso
una variable aleatoria discreta
definido sobre la variable
se define como:
aleatoria la probabilidad de que
dicho suceso pueda ocurrir y esta
está definida con el conjunto de
F(x) = P [X ≤ x]
todos los posibles valores que se
pueden obtener de la variable
aleatoria discreta.
 Se dice que hemos definido una variable aleatoria para un experimento aleatorio cuando hemos
asociado un valor numérico a cada resultado del experimento. Para designar a las variables
aleatorias, se utilizan letras mayúsculas X, Y, ..., y las respectivas minúsculas (x, y, ...) para
designar valores concretos de las mismas. (Martínez, 2019)
Ejemplo:
Se realiza un experimento en un salón de clases y se selecciona al azar 10 personas para un examen
sorpresa de matemáticas, se puede definir la variable aleatoria A:
A= número de personas que aprobaron el examen
Los valores que asume A (en su rango), van del 0 al 10. El cual será expresado de la siguiente manera:

RA= {0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10}

La variable aleatoria A corresponde a un número contable de valores, por lo tanto, es una variable aleatoria
discreta.
 Variables Aleatorias Continuas
Es aquella cuyo dominio de definición (campo de variación) es un intervalo
(compacto) de la recta real, una unión de varios intervalos, o la totalidad de la
recta real.
Ejemplo:
Se realiza un experimento en una agencia de banco de registrar los datos de atención al cliente
para conocer el tiempo en el que son atendidos en segundos; se define la variable aleatoria D:
D= tiempo de atención a los clientes (segundos)
 Un cliente puede ser atendido en 24,100 s; otro cliente en 40,32142 s; otro en
51,123123 s. Si se sigue tomando más clientes, se tendrían más valores. Se conoce
además que el tiempo mínimo de atención en ventanilla es de 1s y el tiempo
máximo es de 240s.
Y es así como se tiene un número incontable de valores para el rango de esta
variable. El rango de esta variable puede ser cualquier valor dentro del intervalo
que va desde 1 s hasta 240 s. Por ello, se trata de una variable aleatoria continua.
 Modelos de Probabilidad
Un modelo probabilístico o estadístico es
la forma que pueden tomar un conjunto de
datos obtenidos de muestreos de otros
datos con comportamiento que se supone
aleatorio.

Una distribución de probabilidad está definida por: la

especificación de la variable aleatoria y su campo de
variación y la especificación de su asignación de
probabilidades, mediante la función de distribución.
 La estructura matemática de las funciones de definición que caracterizan un
modelo de probabilidad suele depender de uno o más parámetros. Estos
parámetros son los parámetros de la distribución y tienen una importancia
fundamental, en Estadística matemática y sobre todo en inferencia estadística.

Muchos modelos de probabilidad pueden establecerse teóricamente sin necesidad de

recurrir a un sistema de aleatorización racional. Sin embargo, en muchos casos
resulta conveniente definir los modelos de probabilidad recurriendo a un claro
sistema de aleatorización sobre determinado tipo de fenómeno aleatorio.
Un proceso experimental es el conjunto de características que rigen la realización
de un determinado fenómeno aleatorio. Un proceso quedará definido por una
serie de características o hipótesis que puedan aplicarse a cierta categoría de
experimentos o experiencias en las que participa el azar.
Conocer una variable aleatoria significa poder precisar: Los posibles valores de
esta, las probabilidades con las que la variable toma cualquier valor, o conjunto
de valores. La proporción de veces que una variable toma un valor o un conjunto
de valores. Ésta es, por lo tanto, la información que debe dar un modelo de
probabilidad.
Los modelos de probabilidad, al igual que las variables aleatorias,
de manera general se clasifican en:

Modelos discretos: (sólo Modelos continuos:

pueden tomar valores en
conjunto asimilable a un
subconjunto de los
números enteros):
Uniforme, Bernoulli,
Binomial, Poisson.
(pueden tomar cualquier
valor en un rango):
Uniforme, Normal,
Exponencial.
 Modelos Discretos
Los modelos de probabilidad discretos se describen por medio de su
función de probabilidad.

La función de probabilidad de una V.A. discreta es una función que a cada

posible valor de la V.A. le asigna la probabilidad de obtener dicho valor cuando
se realiza una observación
 Ejemplo:
Se lanza una moneda al aire cinco veces y se cuenta el número de caras obtenidas. Los posibles
valores de la variable son: {0, 1, 2, 3, 4, 5}
La función de probabilidad viene dada por:
P (0) = 0,03125 P (3) = 0,3125
P (1) = 0,15625 P (4) = 0,15625
P (2) = 0,3125 P (5) = 0,03125
En general, una función de probabilidad es cualquier función discreta, (definida en los puntos a1, a2, a3...), que
cumple las siguientes condiciones:
1. f (ai) ≥ 0 cualquiera que sea i.
2. Ʃ f (ai) = 1
En consecuencia, existen infinitas funciones de probabilidad e infinitos modelos de probabilidad discretos. Sólo
tienen intereses algunos, (pocos), modelos que se encuentran en la naturaleza.
 Distribución Hipergeométrica
La función de densidad de probabilidad más sencilla es la hipergeométrica.
Es la más básica porque se crea combinando nuestro conocimiento de las
probabilidades a partir de los diagramas de Venn, las reglas de adición y
multiplicación y la fórmula de recuento combinatorio.

La distribución hipergeométrica es especialmente útil en todos aquellos casos en

los que se extraigan muestras o se realicen experiencias repetidas sin devolución
del elemento extraído o sin retornar a la situación experimental inicial.
 Las consideraciones a tener en cuenta en una
distribución hipergeométrica:

El proceso consta de "n" El número de individuos que

pruebas, separadas o separables presentan la característica A
de entre un conjunto de "N" (éxito) es "k".
pruebas posibles.

Cada una de las pruebas

En la primera prueba las
puede dar únicamente dos
probabilidades son: P(A)=p y
resultados mutuamente
P(A)=q; con p+q=1
excluyentes.
La diferencia más simple con la binomial es la forma
de aplicar el muestreo. En efecto, en:
Binomial.
Muestreo con Hipergeométrica.
reemplazamiento e Muestreo sin
independencia de reemplazamiento y
pruebas ó ensayos. sin independencia
entre pruebas ó
ensayos.
 Ejemplo
De un grupo de 15 estudiantes, de los cuales 4 practican fútbol americano, y el resto
fútbol soccer, se eligen al azar 6 personas. ¿Cuál es la probabilidad de que salgan 2 de
fútbol soccer?

N: 20 Estudiante
a: 11 futbol soccer
n: 6 personas
x: 2 probabilidad
 Primero utilizaremos la formula

(𝑎𝐶𝑥)(𝑁 − 𝑎𝐶𝑛 − 𝑥)
ℎ 𝑥 =
𝑁𝐶𝑛

Ahora sustituiremos las variables con los datos

previamente identificados.

(11𝐶2)(20 − 11𝐶6 − 2)
ℎ 𝑥 =
20𝐶6
 Para hallar el número de formas de obtener 2 estudiantes jugadores de soccer de los 11

que hay en la entre los estudiantes, calculamos:

11!
11𝐶2 = = 55
11 − 2 ! 2!

Para hallar el número de formas de obtener cuantos estudiantes no juegan futbol soccer, cuantas

personas no juegan de la muestra extraída, calcularemos:

9!
9𝐶4 = = 126
(9 − 4)! 4!

20!
20𝐶6 = = 38760
20 − 6 ! 6!
Uniendo todo esto, podemos calcular la probabilidad de obtener exactamente dos ases

en una mano de póquer de 5 cartas como:

(55)(126)
= 0,1787
(38760)

Habiendo un 17.87% de probabilidades de que dos estudiantes sean

jugadores de soccer.
 Esta solución es en realidad la distribución de probabilidad conocida como hipergeométrica. La

fórmula generalizada es:

(𝑎𝐶𝑥)(𝑁 − 𝑎𝐶𝑛 − 𝑥)
ℎ 𝑥 =
𝑁𝐶𝑛

Donde “x” = el número que nos interesa procedente del grupo con “a” objetos. h(x) es la

probabilidad de “x” aciertos, en “n” intentos, cuando los aciertos “a” (ases en este caso) están en una

población que contiene “N” elementos.

 La distribución hipergeométrica es un ejemplo de
distribución de probabilidad discreta porque no hay
posibilidad de éxito parcial, es decir, no puede haber
manos de póquer con 2 1/2 ases. Dicho de otro modo, una
variable aleatoria discreta tiene que ser un número entero,
o que se pueda contar, solamente. Esta distribución de
probabilidad funciona en los casos en que la probabilidad
de éxito cambia con cada extracción de cartas. Otra forma
de decir esto es que los eventos NO son independientes
Para que el hipergeométrico funcione:
La población debe ser divisible en dos y solo dos subconjuntos independientes
(ases y no ases en nuestro ejemplo). La variable aleatoria X = el número de
elementos del grupo de interés.
El experimento debe tener probabilidades cambiantes de éxito con cada
experimento (el hecho de que las cartas no sean reemplazadas después de la
extracción en nuestro ejemplo hace que esto sea cierto en este caso). Otra forma
de decir esto es que se muestrea sin reemplazo y, por lo tanto, cada selección no
es independiente.

La variable aleatoria debe ser discreta, en lugar de continua.

 Los modelos de probabilidad continuos se
describen por medio de su función de densidad.
MODELOS
La función de densidad de una V.A. continua es
una curva, situada por encima del eje de
CONTINUOS
abscisas, que a cada intervalo de posibles
valores de la V.A. le asigna la probabilidad
determinada por el área que dicha curva
encierra con el eje de abscisas en ese intervalo.
 En general, una función de densidad es cualquier función continua, definida
en un intervalo, que cumple las siguientes condiciones:
𝑓 𝑥 ≥ 0 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟𝑎 𝑞𝑢𝑒 𝑠𝑒𝑎 𝑥 𝑑𝑒𝑙 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜

𝑓 𝑥 𝑑𝑥 = 1
𝐼

o En consecuencia, existen infinitas funciones de densidad e infinitos modelos de

probabilidad continuos.
o Sólo tienen intereses algunos, (pocos), modelos que se encuentran en la naturaleza.
 DISTRIBUCION NORMAL
La función de densidad de probabilidad normal, una distribución continua, es la más
importante de todas las distribuciones. Su uso está muy extendido y su abuso aún más.
Su gráfico tiene forma de campana. La curva de campana se ve en casi todas las
disciplinas. Algunas de ellas son Psicología, Negocios, Economía, Ciencias, Enfermería
y, por supuesto, Matemáticas. Algunos de sus instructores pueden utilizar la
distribución normal para ayudar a determinar su calificación. La mayoría de las
calificaciones de coeficiente intelectual (Intelligence Quotient, IQ) se distribuyen
normalmente. A menudo, los precios de los inmuebles se ajustan a una distribución
normal.
La distribución normal es muy importante, pero no se puede aplicar a todo en el mundo real. Sin
embargo, se está hablando de la distribución de los datos de la población. Se trata de una
discusión sobre la probabilidad y, por tanto, son los datos de la población los que pueden estar
distribuidos normalmente, y si lo están, entonces es así cómo se puede calcular las
probabilidades de eventos específicos.

Una variable aleatoria continua, X, definida en [-∞, ∞] seguirá una distribución normal de

parámetros m y s, (X ~ N (m; s)), si su función de densidad es:

Para x Є [-∞, ∞]
1 𝑥−𝜇 2
𝑒 −2( 𝜎
)
𝑓 𝑥 =
𝜎 2𝜋
Y su representación gráfica es la siguiente:

La distribución normal queda totalmente definida mediante dos parámetros: la media (m) y la
desviación estándar o desviación típica (s). Su función de densidad es simétrica respecto a la
media y la desviación estándar nos indica el mayor o menor grado de apertura de la curva que,
por su aspecto, se suele llamar campana de Gauss. Esta distribución se denota por N (m, s).
Cuando la distribución normal tiene como parámetros m = 0 y s = 1 recibe el nombre de
distribución normal estándar. Cualquier variable X que siga una distribución normal de
parámetros m y s se puede transformar en otra variable Y= (X-m) /s que sigue una distribución
normal estándar; este proceso se denomina estandarización, tipificación o normalización.
 Campo de variación:
- ∞< x <∞
Parámetros:
m: media, -∞ < m < ∞
s: desviación estándar, s > 0.
Características de la distribución normal:
•Toma en cuenta la media(µ) y la desviación
estándar(σ).
•El área bajo la curva es igual a 1.
a) Enorme número de fenómenos que puede modelizar: Casi todas las características
cuantitativas de las poblaciones muy grades tienden a aproximar su distribución a una
distribución normal.
b) Muchas de las demás distribuciones de uso frecuente, tienden a distribuirse según una
Normal, bajo ciertas condiciones.
c) (En virtud del teorema central del límite). Todas aquellas variables que pueden considerarse
causadas por un gran número de pequeños efectos (como pueden ser los errores de medida)
tienden a distribuirse según una distribución normal.
 En una ciudad se estima que la temperatura
máxima en el mes de junio sigue una distribución
normal, con media 23° y desviación típica
5°Calcular el número de días del mes en los que se
Ejemplo
espera alcanzar máximas entre 21°y 27°.

𝑃 = (21 < 𝑥 < 27)

𝑃(21 − 23/5)

= (30)(0.78)

= (30)(0.44)

= 13
 CONCLUSION
Con todo esto concluimos que la variable aleatoria es un valor numérico que
corresponde a un resultado de un experimento aleatorio.
En caso de que esta se quiera denominar discreta es cuando su campo de variación
(dominio de definición) está constituido por un conjunto finito o infinito numerable
de valores posibles. Entonces si la variable aleatoria es discreta, cada valor de los
pertenecientes al campo de variación se corresponderá con un suceso del álgebra de
sucesos (lo que permitirá después asignar probabilidades a cada valor ) y se utilizan
por ejemplo, el número de quejas de los clientes o el número de fallas o defectos.
 Hablando de la distribución hipergeométrica en la teoría de la probabilidad y estadística, es una
distribución de probabilidad discreta relacionada con muestreos aleatorios y sin reemplazo, es decir
esta tiene como objetivo calcular la función de densidad y la función de probabilidad acumulada o
modela el número de eventos en una muestra de tamaño fijo cuando se conoce el número total de
elementos en la población de la cual proviene la muestra.
Por otro lado cuando se clasifica como normal es cuando la distribución adapta una variable aleatoria
a una función que depende de la media y la desviación típica. Es decir, la función y la variable aleatoria
tendrán la misma representación, pero con ligeras diferencias
 REFERENCIAS
o Distribuciones de Probabilidad. (2014). https://www.sergas.es/Saude-
publica/Documents/1899/Ayuda_Epidat_4_Distribuciones_de_probabilidad_Octubre2014.pdf

o Distribución hipergeométrica - Minitab. (s. f.). (C) Minitab, LLC. All rights Reserved. 2023.
https://support.minitab.com/es-mx/minitab/21/help-and-how-to/probability-distributions-random-data-and-resampling-
analyses/supporting-topics/distributions/hypergeometric-distribution/

o Jorge, & Jorge. (2022). Variables aleatorias discretas y continuas. MateMovil. https://matemovil.com/variable-aleatoria-
discreta-y-continua/

o Modelos de Probabilidad. (s. f.). https://www.uv.es/ceaces/base/modelos%20de%20probabilidad/MODEPR1.htm

o Palomo, J. (2011). “Modelos de probabilidad”. http://ocw.upm.es/pluginfile.php/797/mod_label/intro/Probabilidad.pdf

o Sánchez, J. R. G. (s. f.). Modelo Estadística. José R. Galo Sánchez.

https://proyectodescartes.org/iCartesiLibri/materiales_didacticos/EstadisticaProbabilidadInferencia/VAdiscreta/4_1Distribu
cionHipergeometrica/index.html

o Uso de la distribución normal. (s. f.). OpenStax. https://openstax.org/books/introducci%C3%B3n-estad%C3%ADstica-

empresarial/pages/6-2-uso-de-la-distribucion-normal