Distribuciòn Hipergeomètrica Generalizada

Instituto Politécnico Nacional
Escuela Superior de Ingeniería Textil
Realizado por Diego Yael Aguirre Alvarez 1
Materia Probabilidad y Estadística
Profesora Sandoval Hernández Adriana
Investigación No. 2
Grupo 4TM42
Cd. De México a 29 de Marzo del 2023
INTRODUCCIÓN 1.0
Probabilidad y Estadística
En la teoría de la probabilidad, un espacio muestral o espacio muestral consiste en 2

el conjunto de todos los resultados posibles de un experimento aleatorio, junto con
una estructura sobre ellos. Un espacio de muestra no vacío se define claramente
como uno de los tres componentes de un modelo de probabilidad (espacio de
probabilidad). Los otros dos elementos básicos son: un conjunto bien definido de
eventos posibles (un espacio de eventos); Donde, generalmente un conjunto de
potencias de álgebra si es discreto o sigma en continuidad y la probabilidad
específica de cada evento (función de probabilidad).
Los siguientes temas que veremos a continuación que se derivan de la misma
rama de la probabilidad y la estadística nos ayudaran a comprender y resolver
diversos problemas que o cálculos que pueden llegar en un futuro.
OBJETIVO 1.1
El objetivo es explorar los datos y realizar inferencias con la información disponible para
comprender los procesos que generan los datos, ayudar a tomar decisiones y realizar predicciones.
La exploración, descripción y análisis se limita al conjunto datos observado mediante resúmenes
numéricos y gráficos de la frecuencia. Por otra parte, la inferencia extiende las conclusiones del
estudio al proceso generador de la información mediante el uso de modelos
probabilísticos o estocásticos.
Es muy importante comprender y analizar de forma detallada en que ocasiones y cuales son los
casos en los cuales vamos a poder usar las diferentes formulas y los conocimientos que vamos a
adquirir a lo largo de esta investigación, al igual que podernos apoyar con las diferentes
herramientas que nos proporcionan para saber como actuar ante los diferentes casos que se nos
presenten.
DISTRIBUCIÒN HIPERGEOMÈTRICA GENERALIZADA 2.0
Características:
a) Al realizar un experimento con este tipo de distribución, se esperan más 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 sí.
d) El número de repeticiones del experimento n, es constante.
Diferencias y su Distribución:
Hipergeométrica Hipergeométrica Generalizada
Características: Características:
a) Al realizar un experimento con a) Al realizar un experimento con
este tipo de distribución, se esperan este tipo de distribución, se esperan 3

dos tipos de resultados. más de dos tipos de resultados.
b) Las probabilidades asociadas a b) Las probabilidades asociadas a
cada uno de los resultados no son cada uno de estos resultados no son
constantes. constantes.
c) Cada ensayo o repetición del c) Los ensayos o repeticiones del
experimento no es independiente de experimento no son independientes
los demás. entre sí.
d) El número de repeticiones del d) El número de repeticiones del
experimento (n) es constante. experimento n, es constante.
Entonces en este caso se tienen más
de dos tipos de objetos, por lo que la
fórmula a utilizar sería:
a C x* b C y * N  a  b C n  x  y
p( x , y ,n ) 
N Cn
Entonces en este caso se tienen más de a C x* b C y * N  a  b Cn  x  y

dos tipos de objetos, por lo que la p( x , y ,n ) 
fórmula a utilizar sería:
N Cn
N = x + y + z = total de objetos
a = total de objetos del primer tipo
b = total de objetos del segundo tipo
c = 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
z = n-x-y = objetos del tercer tipo en la muestra 4
Ejemplo No. 1 2.1

Se va a utilizar un grupo de 10 personas para un estudio biológico. El grupo
consta de 3 individuos con tipo sanguíneo O, 4 con tipo A y 3 con tipo B. ¿Cuál es
la probabilidad de que una muestra aleatoria de 5 contenga 1 persona con sangre
de tipo O, 2 con tipo A y 2 con tipo B?
Solución: tenemos: x1=1, x2=2, x3=2, a1=3 a2=4, a3=3, N=10 y n=5.
P(1, 2, 2, 3, 4, 3, 10, 5)=3C1 * 4C2 * 3C2= 3/14
10C5
Ejemplo No. 2 2.2

Si en un refrigerador hay 12 envases de refresco de
los cuales son 3 de manzana, 5 de naranja y 4 de uva,
Cual es la probabilidad de que al surtir un pedido de 7
envases tomados al azar 2 sean de manzana, 4 de
naranja y 1 de uva.
Solución.
Ejemplo No. 3 2.3

En una comida campestre había una canasta con 50 empanadas caseras de
tamaño pequeño y de apariencia similar. Pero rellenas de distintas cosas. Treinta
por ciento estaban llenas de atún, 20% de mole poblano y 50% de picadillo. El
primer comensal se acerca a la canasta y escoge al azar nueve empanadas para 5

compartirlas en una mesa con sus amigos.
Determine la probabilidad de que le hayan tocado cuatro de picadillo, tres de atún
y dos de mole.
B) calcule la probabilidad de que entre esas nueve empanadas haya por lo menos
una de mole.
Solución:
a) p=15C3 * 10C2 * 25C4 = 0.103378
50C4
b) P=40C9 * 10C0 = 0.109138
50C9
R=1-o.109138=0.89086
Ejemplo No. 4 2.4

Tenemos una baraja de cartas españolas (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 reemplaza miento) y se nos
plantea el problema de calcular la probabilidad de que hayan k=2 oros
(exactamente) en esa extracción.
Solución:
APROXIMACIÓN DE LA NORMA A LA BINOMIAL 3.0
¿Qué es? 3.1 6

La distribución binomial, es una distribución discreta en la que n ensayos pueden
producir un éxito o un fracaso. La probabilidad de éxito la denominamos p y la
posibilidad de fracaso será q = (1 - p). Como se ha visto en otros apartados el
cálculo de la distribución binomial puede exceder el límite de cualquier tabla y
volverse muy engorrosa en su cálculo si el valor de n es muy grande.
Un método alternativo para el cálculo de la distribución binomial es por medio del
uso de la distribución normal para aproximar la distribución binomial. Para ello es
fundamental que se satisfagan las siguientes condiciones, np ≥ 5 y n(1 - p) ≥ 5 y
además p está próximo a 0,5.
Si no se pudieran utilizar las tablas binomiales, se puede aproximar
la respuesta utilizando la distribución normal. Para ello podemos
obtener la media y la desviación estándar de la distribución normal
con las siguientes fórmulas:
Debido a que la distribución normal es continua, y en consecuencia entre dos
valores existirá una serie infinita de valores posibles, para estimar una variable
aleatoria discreta se requiere de un leve ajuste,
denominado factor de corrección de continuidad,
sumando o restando 1/2 al valor de x. De esta forma el
valor de z se obtiene mediante la fórmula:
Problemas de la distribución binomial Supongamos una distribución
binomial 3.2
B(n,p) con un número muy grande de n; por ejemplo lanzamos un tiro libre 200
veces siendo la probabilidad de encestar del 40%, es decir B(n=200,p=0,4). Si nos
planteamos cual es la probabilidad de encestar más de 100 lanzamientos
tendremos que calcular 100 términos, siendo aburrido y muy laborioso:
Surge así la pregunta natural: ¿no se podría calcular esta probabilidad sin tener
que recurrir a la fórmula de distribución binomial 100 veces? Resulta que, si se
puede, el Teorema de Movire-Laplace nos muestra que de forma aproximada
podemos aproximar esta probabilidad utilizando la distribución normal.
Corrección de Continuidad 3.3
En términos simples, una corrección de continuidad es el nombre que se le da a 7

sumar o restar 0.5 a un valor x discreto.
Por ejemplo, suponga que nos gustaría encontrar la probabilidad de que una
moneda caiga en cara menor o igual a 45 veces durante 100 lanzamientos. Es
decir, queremos encontrar P (X ≤ 45). Para usar la distribución normal para
aproximar la distribución binomial, encontraríamos en cambio P (X ≤ 45.5).
La siguiente tabla muestra cuándo debe sumar o restar 0.5, según el tipo de
probabilidad que está tratando de encontrar:
Usar distribución binomial Uso de distribución normal con

corrección de continuidad
X = 45 44,5 <X <45,5
X ≤ 45 X <45,5
X <45 X <44,5
X ≥ 45 X> 44,5
X> 45 X> 45,5
Aproximación de la binomial a la normal: 3.4
Teorema de Movire-Laplace: si X es una variable discreta que sigue una

distribución binomial de parámetros n y p, B(n,p) y se cumple que n>10, n·p>5 y
n·q>5 resulta una aproximación bastante buena
suponer que la variable X’
(recordemos que en la binomial se aproxima a la variable
normal
Resulta mucho más sencillo trabajar con la variable normal X’ que, con la binomial
X, pues recordemos que los valores
de la normal están tabulados. Corrección
de continuidad o de Yates: cuando
aproximamos una
distribución binomial
mediante una normal,
estamos convirtiendo una variable X discreta (toma un número determinado de 8

valores) en una continua X’ (toma valores en un intervalo). Los valores de la
probabilidad para valores fijos de la variable continua son cero (ya que sería el
área de un punto), y necesitamos definir un intervalo. Para evitar este problema en
la aproximación de los valores fijos estos se corrigen (corrección de continuidad o
de Yates) sustituyéndolos por un intervalo centrado en el punto y de valor unidad.
En el siguiente esquema se muestran todas las situaciones posibles:
Ejemplos:
Ejercicio No. 1 3.5
Se efectúan 15 lanzamientos de una moneda. Calcular la probabilidad de que 9

ocurran los siguientes sucesos a) salgan entre 8 y 12 caras b) Salgan menos de 6
caras
Solución
Si calculamos el problema de forma exacta el problema
tenemos que sumar 5 términos
P(8≤X≤12)=P(x=8)+p(x=9)+p(x=10)+p(x=11)+p(x=12)=0,4963 Aproximando con la

distribución normal
Ejercicio No. 2 3.6

Un examen tipo test consta de 38 preguntas a contestar verdadero o falso. El
examen se aprueba si se contesta correctamente al menos 20 preguntas. Un
alumno responde al examen lanzando al aire una moneda y contestando
verdadero si sale cara y falso si sale cruz. Halla
a) La probabilidad de aprobar el examen
b) Probabilidad de acertar más de 24 y menos de 31.
DISTRIBUCIÓN GEOMÉTRICA 4.0

La distribución geométrica es un modelo adecuado para aquellos procesos en los
que se repiten pruebas hasta la consecución del éxito a resultado deseado y tiene
interesantes aplicaciones en los muestreos realizados de esta manera. También
implica la existencia de una dicotomía de posibles resultados y la independencia
de las pruebas entre sí. Proceso experimental del que se puede hacer derivar Esta 10
distribución se puede hacer derivar de un proceso experimental puro o de
Bernoulli en el que tengamos las siguientes características · El proceso consta de
un número no definido de pruebas o experimentos separados o separables. El
proceso concluirá cuando se obtenga por primera vez el resultado deseado (éxito).
· Cada prueba puede dar dos resultados mutuamente excluyentes: A y no A · La
probabilidad de obtener un resultado A en cada prueba es p y la de obtener un
resultado no A es q siendo (p + q = 1).
Las probabilidades p y q son constantes en todas las pruebas, por tanto, las
pruebas, son independientes (si se trata de un proceso de "extracción" éste se
llevará a, cabo con devolución del individuo extraído). · (Derivación de la
distribución). Si en estas circunstancias aleatorizamos de forma que tomemos
como variable aleatoria X = el número de pruebas necesarias para obtener por
primera vez un éxito o resultado A, esta variable se distribuirá con una distribución
geométrica de parámetro p. Cabría considerar un cuarto grupo que supondrían
aquellos procesos experimentales de "salto al límite" de cualquiera de los
anteriores, cuando las características propias del fenómeno considerado tomen
valores tan elevados que puedan considerarse tendentes a infinito , serían
procesos que podemos denominar Gaussianos en honor al investigador de la
distribución normal , ya que es a esta distribución o modelo al que suelen
converger en su "salto al límite" los modelos o distribuciones de otros procesos .
1° Procesos experimentales puros son aquellos son aquellos en los que se
considera la realización de una prueba o experimento una o más veces. Cada
prueba realizada podrá darnos un cierto número de resultados posibles, siempre
susceptibles de convertirse en dos únicos complementarios: éxito o fracaso. Cada
resultado tendrá una probabilidad de ocurrir. Dependiendo de las características
de estas probabilidades (constantes o no a lo largo del proceso), del número de
pruebas (una, varias o un número indeterminado), y sobre todo de la
aleatorización que consideremos, que dependerá de las pretensiones de nuestra
experimentación, podremos derivar distintas distribuciones de probabilidad. 2° Los
procesos experimentales de observación engloban situaciones y fenómenos en los
que se observa la naturaleza (o, por decir lo de una manera más amplia, la
realidad) a la espera de que se produzca un hecho, durante un determinado
periodo experimental o a lo largo de un determinado espacio de experimentación
(durante un intervalo de tiempo o de espacio). El hecho sujeto a estudio puede o
no producirse, escapándose su realización al control causal; esto es, es aleatorio.
Igualmente, puede producirse el hecho ninguno, una o más veces, durante el
periodo experimental. Ejemplos de estos tipos de hechos serían el
desencadenamiento de un accidente o un fallo, una llamada telefónica, un
siniestro, la llegada de un cliente a una oficina etc. 3° Los procesos de selección
aleatoria se caracterizan por la extracción aleatoria de uno o más individuos de
entre el conjunto de los que constituyen la población estudiada. De los individuos
seleccionados se podrán analizar características cuantitativas o cuantificables.
Estas características serán variables aleatorias que, dependiendo de su propia, 11

naturaleza y de las hipótesis del proceso tendrán una u otra distribución y seguirán
uno u otro modelo. Los procesos de selección aleatoria son fundamentales en la
inferencia estadística ya que a partir de ellos puede deducirse toda la teoría del
muestreo.
EXPERIMENTO GEOMÉTRICO 4.1

La función de densidad de probabilidad geométrica se basa en lo que hemos
aprendido de la distribución binomial. En este caso, el experimento continúa hasta
que se produce un éxito o un fracaso, en lugar de un número determinado de
ensayos. Hay tres características principales de un experimento geométrico.
Hay uno o más ensayos de Bernoulli con todos los fallos excepto el último, que es
un acierto. En otras palabras, sigue repitiendo lo que está haciendo hasta el primer
acierto. Entonces se detiene. Por ejemplo, se lanza un dardo a una diana hasta
dar en ella. La primera vez que logra dar en la diana es un “acierto”, así que deja
de lanzar el dardo. Puede que le lleve seis intentos hasta que acierte en la diana.
Puede pensar en las pruebas como fallo, fallo, fallo, fallo, acierto, PARAR.
En teoría, el número de pruebas podría ser eterno.
La probabilidad, p, de un acierto y la probabilidad, q, de un fallo es igual para cada
ensayo. p + q = 1 y q = 1 – p. Por ejemplo, la probabilidad de sacar un tres al
lanzar un dado imparcial es 1616. Esto es cierto sin importar cuántas veces se
lance el dado. Supongamos que quiere saber la probabilidad de obtener el primer
tres en la quinta lanzada. En las lanzadas del uno al cuatro, no se obtiene un lado
con un tres. La probabilidad de cada una de las lanzadas es q = 5656, la
probabilidad de un fallo. La probabilidad de obtener un tres en la quinta lanzada
es (56)(56)(56)(56)(16)(56)(56)(56)(56)(16) = 0,0804
X = el número de ensayos independientes hasta el primer acierto.
Ejemplo No. 1 4.2
Participa en un juego de azar que puede ganar o perder (no hay otras
posibilidades) hasta que pierde. Su probabilidad de perder es p = 0,57. ¿Cuál es la
probabilidad de que se necesiten cinco jugadas para perder? Supongamos que X
= el número de partidas que juega hasta que pierde (incluye la partida perdida).
Entonces X toma los valores 1, 2, 3, ... (podría seguir indefinidamente). La
pregunta de probabilidad es P(x = 5).
Ejemplo No. 2 4.3
Una ingeniera de seguridad considera que el 35 % de los accidentes laborales en
su planta se deben a que los empleados no siguen las instrucciones. Decide mirar
los informes de accidentes (seleccionados al azar y sustituidos en la pila después 12

de la lectura) hasta que encuentra uno que muestra un accidente causado por el
incumplimiento de las instrucciones por parte de los empleados. En promedio,
¿cuántos informes tendría que mirar la ingeniera de seguridad hasta hallar un
informe que muestre un accidente causado por el incumplimiento de las
instrucciones por parte de los empleados? ¿Cuál es la probabilidad de que la
ingeniera de seguridad tenga que examinar al menos tres informes hasta hallar un
informe que muestre un accidente causado por el incumplimiento de las
instrucciones por parte de los empleados? Supongamos que X = el número de
accidentes que la ingeniera de seguridad debe examinar hasta hallar un informe
que muestre un accidente causado por el incumplimiento de las instrucciones por
parte de los empleados. X toma los valores 1, 2, 3, .... La primera pregunta le pide
que calcule el valor esperado o la media. La segunda pregunta le pide que calcule
P(x ≥ 3). (“Al menos” se traduce en un símbolo “mayor o igual que”).
NOTACIÓN PARA LA GEOMETRÍA 4.4
Lea como “X es una variable aleatoria con una distribución geométrica”. El
parámetro es p; p = la probabilidad de acierto de cada ensayo.
La pdf geométrica nos dice la probabilidad de que la primera ocurrencia de acierto
requiera x número de ensayos independientes, cada uno con probabilidad de
acierto p. Si la probabilidad de éxito en cada ensayo es p, entonces la probabilidad
de que el ensayo xésimo (de x ensayos) sea el primer acierto es:
para x = 1, 2, 3, ....
El valor esperado de X, la media de esta distribución, es 1/p. Esto nos dice
cuántos ensayos tenemos que esperar hasta obtener el primer acierto incluido en
el recuento el ensayo que resulta en acierto. La forma anterior de la distribución
geométrica se utiliza para modelar el número de ensayos hasta el primer acierto.
El número de ensayos incluye el que es un acierto: x = todos los ensayos, incluido
el que es un acierto. Esto se puede ver en la composición de la fórmula. Si X =
número de ensayos incluido el acierto, entonces debemos multiplicar la
probabilidad de fracaso, (1-p), por el número de fracasos, es decir, X-1.
Por el contrario, la siguiente forma de la distribución geométrica se utiliza para
modelar el número de fallos hasta el primer éxito:
para x = 0, 1, 2, 3, ....
En este caso el ensayo que es un éxito no se cuenta como un ensayo
en la fórmula: x = número de fracasos. El valor esperado, la media, de
esta distribución como en la figura. Esto nos indica cuántos fracasos
debemos esperar antes de tener un acierto. En cualquier caso, la secuencia de 13

probabilidades es una secuencia geométrica.
Ejemplo No. 1 4.5
Supongamos que la probabilidad de un componente informático defectuoso es de
0,02. Los componentes se seleccionan al azar. Calcule la probabilidad de que el
primer defecto sea causado por el séptimo componente probado. ¿Cuántos
componentes espera probar hasta que se halle uno defectuoso? Supongamos que
X = el número de componentes informáticos probados hasta que se encuentra el
primer defecto. X toma los valores 1, 2, 3, ... donde p = 0,02. X ~ G(0,02) Calcule
P(x = 7). Respuesta: P(x = 7) = (1 – 0,02)7-1 × 0,02 = 0,0177. La probabilidad de
que el séptimo componente sea el primer defecto es de 0,0177. El gráfico de X ~
G(0,02) es:
El eje y contiene la probabilidad de x, donde X =
el número de componentes informáticos
probados. Observe que las probabilidades
disminuyen en un incremento común. Este
incremento es la misma proporción entre cada
número y se llama progresión geométrica y de
ahí el nombre de esta función de densidad de
probabilidad. El número de componentes que se
espera probar hasta encontrar el primer
componente defectuoso es la media, μ = 50 .
La fórmula de la media de la variable aleatoria definida como el número de fallos
hasta el primer acierto es μ = 1p = 10,02 = 50
PROCESOS EXPERIMENTALES 4.6

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. Cada proceso dará
cuenta de un conjunto de fenómenos similares que se producen con las mismas
características o bajo las mismas hipótesis.
A partir de las características del fenómeno que analicemos (partiendo del proceso
experimental del que se trate) podremos, identificando la variable aleatoria que
nos interesa, estudiar y determinar la estructura matemática de su distribución.
Podremos agrupar los modelos de probabilidad a aplicar.
CLASIFICACIÓN DE LOS PROCESOS EXPERIMENTALES 4.7
De una manera un exhaustiva podemos clasificar los procesos experimentales en 14

tres grandes grupos:
- Procesos experimentales puros
- Procesos experimentales de observación
- Procesos experimentales de selección o extracción aleatoria.
Cabría considerar un cuarto grupo que supondrían aquellos procesos
experimentales de "salto al límite" de cualquiera de los anteriores, cuando las
características propias del fenómeno considerado tomen valores tan elevados que
puedan considerarse tendentes a infinito , serían procesos que podemos
denominar Gaussianos en honor al investigador de la distribución normal , ya que
es a esta distribución o modelo al que suelen converger en su "salto al límite" los
modelos o distribuciones de otros procesos .
Procesos experimentales puros son aquellos son aquellos en los que se considera
la realización de una prueba o experimento una o más veces. Cada prueba
realizada podrá darnos un cierto número de resultados posibles, siempre
susceptibles de convertirse en dos únicos complementarios: éxito o fracaso. Cada
resultado tendrá una probabilidad de ocurrir. Dependiendo de las características
de estas probabilidades (constantes o no a lo largo del proceso), del número de
pruebas (una, varias o un número indeterminado), y sobre todo de la
aleatorización que consideremos , que dependerá de las pretensiones de nuestra
experimentación ,podremos derivar distintas distribuciones de probabilidad.
Cuando cada prueba puede dar tan sólo uno de dos resultados posibles (éxito o
fracaso) suele hablarse de que se trata de una experiencia de Bernouilli. En honor
a este autor podemos llamar a todos estos procesos (tengan o no sus pruebas dos
únicos resultados posibles) procesos de Bernouilli.
DISTRIBUCIÓN EXPONENCIAL 5.0
¿Qué es? 5.1
La distribución exponencial suele referirse a la cantidad de tiempo que
transcurre hasta que se produce algún evento específico. Por ejemplo, la cantidad
de tiempo (que comienza ahora) hasta que se produzca un terremoto tiene una
distribución exponencial. Otros ejemplos son la duración, en minutos, de las
llamadas telefónicas de larga distancia comerciales y la cantidad de tiempo, en
meses, que dura la batería de un automóvil. También se puede demostrar que el
valor del cambio que se tiene en el bolsillo o en el monedero sigue una distribución
exponencial aproximadamente.
Los valores de una variable aleatoria exponencial se producen de la siguiente
manera. Hay menos valores grandes y más valores pequeños. Por ejemplo, los
estudios de marketing han demostrado que la cantidad de dinero que los clientes
gastan en una visita al supermercado sigue una distribución exponencial. Hay más
gente que gasta pequeñas cantidades de dinero y menos gente que gasta grandes 15
cantidades de dinero.
Las distribuciones exponenciales se utilizan habitualmente en cálculos de
fiabilidad de productos, es decir, el tiempo que dura un producto.
La variable aleatoria de la distribución exponencial es continua y suele medir el
paso del tiempo, aunque puede utilizarse en otras aplicaciones. Las preguntas
típicas pueden ser: "¿cuál es la probabilidad de que algún evento ocurra en los
próximos x horas o días, o cuál es la probabilidad de que algún evento ocurra
entre x1 horas y x2 horas, o cuál es la probabilidad de que el evento dure más
de x1 horas para llevarse a cabo" En resumen, la variable aleatoria X es iguala (a)
el tiempo entre eventos o(b) el paso del tiempo para completar una acción, por
ejemplo, esperar a un cliente. La función de densidad de
probabilidad viene dada por:
donde μ es el tiempo promedio de espera histórico.

y tiene una media y una desviación típica de 1/μ.
Una forma alternativa de la fórmula de la distribución exponencial reconoce lo que
suele llamarse el factor de decaimiento. El factor de decaimiento simplemente
mide la rapidez con la que la probabilidad de un evento disminuye a medida que la
variable aleatoria X aumenta. Cuando se utiliza la notación con el parámetro de
decaimiento m, la función de densidad de probabilidad se
presenta como
donde m=1μ=1
Para calcular las probabilidades de determinadas funciones de densidad de
probabilidad, se utiliza la función de densidad acumulada. La función de densidad
acumulativa (cdf) es simplemente la
integral de la pdf y es:
La falta de memoria de la distribución exponencial 5.2
Recordemos que la cantidad de tiempo entre clientes para el empleado de correos

comentado anteriormente se distribuye exponencialmente con una media de dos
minutos. Supongamos que han pasado cinco minutos desde que llegó el último
cliente. Dado que ha transcurrido un tiempo inusualmente largo, parece más
probable que un cliente llegue durante el próximo minuto. Con la distribución
exponencial, esto no es así: el tiempo adicional de espera del siguiente cliente no
depende del tiempo que haya transcurrido desde el último cliente. Esto se conoce 16
como la propiedad de falta de memoria. Las funciones de densidad de
probabilidad exponencial y geométrica son las únicas funciones de probabilidad
que tienen la propiedad de falta de memoria. Específicamente, la propiedad de
falta de memoria dice que
P (X > r + t | X > r) = P (X > t) para todo r ≥ 0 y t ≥ 0
Por ejemplo, si han transcurrido cinco minutos desde la llegada del último cliente,
la probabilidad de que transcurra más de un minuto antes de que llegue el
siguiente cliente se calcula utilizando r = 5 y t = 1 en la ecuación anterior.
P(X > 5 + 1 | X > 5) = P(X > 1) = e(–0,5)(1)(–0,5)(1) = 0,6065.
Es la misma probabilidad que la de esperar más de un minuto a que llegue un
cliente después de la llegada anterior. La distribución exponencial se utiliza a
menudo para modelar la longevidad de un dispositivo eléctrico o mecánico. años.
La propiedad de falta de memoria dice que el conocimiento de lo que ha ocurrido
en el pasado no tiene ningún efecto sobre probabilidades futuras. En este caso,
significa que una pieza usada no tiene más probabilidades de estropearse en un
momento determinado que una pieza nueva. En otras palabras, la pieza se
mantiene como nueva hasta que se rompe de repente. Por ejemplo, si la pieza ya
ha durado diez años, la probabilidad de que dure otros siete es P(X > 17|X > 10)
= P(X > 7) = 0,4966, donde la línea vertical se lee como “dada".
Relación entre la distribución de Poisson y la distribución exponencial 5.3
Existe una relación interesante entre la distribución exponencial y la distribución de

Poisson. Supongamos que el tiempo que
transcurre entre dos eventos sucesivos sigue la
distribución exponencial con una media
de μ unidades de tiempo. También se supone que estos tiempos son
independientes, lo que significa que el tiempo entre eventos no se ve afectado por
los tiempos entre eventos anteriores. Si se cumplen estos supuestos, el número
de eventos por unidad de tiempo sigue una distribución de Poisson con una
media μ. Recordemos que si X tiene la distribución de Poisson con una media μ,
entonces
La fórmula de la distribución
exponencial Donde m = el parámetro de la tasa, o μ =
tiempo promedio entre ocurrencias.
Vemos que la exponencial es la pariente de la distribución de Poisson y se 17

relacionan a través de esta fórmula. Existen importantes diferencias que hacen
que cada distribución sea relevante para diferentes tipos de problemas de
probabilidad.
En primer lugar, la Poisson tiene una variable aleatoria discreta, x, en la que el
tiempo; una variable continua se divide artificialmente en trozos discretos. Vimos
que el número de ocurrencias de un evento en un intervalo de tiempo dado, x,
sigue la distribución de Poisson.
Por ejemplo, el número de veces que suena el teléfono por hora. En cambio, el
tiempo entre ocurrencias sigue la distribución exponencial. Por ejemplo. El
teléfono acaba de sonar, ¿cuánto tiempo pasará hasta que vuelva a sonar?
Estamos midiendo la duración del intervalo, una variable aleatoria continua,
exponencial, no los eventos durante un intervalo, Poisson.
La distribución exponencial frente a la distribución de Poisson 5.4
Una forma visual de mostrar tanto las similitudes como las diferencias entre estas
dos distribuciones es con una línea del tiempo.
La variable aleatoria de la distribución de Poisson es discreta y, por tanto, cuenta

los eventos durante un periodo determinado, de t1 a t2 en la Figura, y calcula la
probabilidad de que se produzca ese número. El número de eventos, cuatro en el
gráfico, se mide en números que se pueden contar; por lo tanto, la variable
aleatoria de Poisson es una variable aleatoria discreta.
La distribución de probabilidad exponencial calcula las probabilidades del paso del
tiempo, una variable aleatoria continua. En la Figura esto se muestra como el
paréntesis desde t1 hasta la siguiente ocurrencia del evento marcada con un
triángulo.
Las preguntas clásicas de la distribución de Poisson son "¿cuántas personas
llegarán a mi caja en la próxima hora?".
Las preguntas clásicas de la distribución exponencial son "¿cuánto tiempo pasará
hasta que llegue la siguiente persona?", o una variante, "¿cuánto tiempo
permanecerá la persona una vez que haya llegado?".
De nuevo, la fórmula de la distribución exponencial es: 18
Vemos inmediatamente la similitud entre la fórmula

exponencial y la fórmula de Poisson.
Ambas funciones de densidad de probabilidad se basan en la relación entre el

tiempo y el crecimiento o decaimiento exponencial. La "e" de la fórmula es una
constante con el valor aproximado de 2,71828 y es la base de la fórmula del
crecimiento exponencial logarítmica natural. Cuando la gente dice que algo ha
crecido exponencialmente, se refiere a esto.
Un ejemplo de la exponencial y la Poisson dejará claras las diferencias entre
ambas. También mostrará las interesantes aplicaciones que tienen.
Distribución de Poisson Supongamos que históricamente llegan 10 clientes a las
filas de espera en las cajas registradoras cada hora. Recuerde que esto es todavía
una probabilidad, por lo que nos tienen que decir estos valores históricos. Vemos
que se trata de un problema de probabilidad de Poisson.
Podemos introducir esta información en la función de densidad de probabilidad de
Poisson y obtener una fórmula general que calculará la probabilidad de que
llegue algún número determinado de clientes en la próxima hora.
La fórmula es para cualquier valor de la variable aleatoria
que hayamos elegido y, por tanto, la x se pone en la
fórmula. Esta es la fórmula:
Como ejemplo, la probabilidad de que
lleguen 15 personas a la caja registradora
en la próxima hora sería
Aquí insertamos x = 15 y calculamos que la
probabilidad de que en la próxima hora lleguen 15 personas es de 0,061.
Distribución 5.5
Si mantenemos los mismos hechos históricos de que llegan 10 clientes cada hora,
pero ahora nos interesa el tiempo de servicio que pasa una persona en el
mostrador, entonces utilizaríamos la distribución
exponencial. La función de probabilidad
exponencial para cualquier valor de x, la variable
aleatoria, para estos datos históricos de la caja
registradora es:
Para calcular µ, el tiempo promedio de servicio histórico, simplemente dividimos el 19

número de personas que llegan por hora, 10, entre el periodo, una hora, y
tenemos µ = 0,1. Históricamente, la gente pasa el 0,1 de una hora en la caja
registradora, es decir, 6 minutos. Esto explica el 0,1 de la fórmula.
Existe una confusión natural con µ tanto en las fórmulas de Poisson como en las
exponenciales. Tienen significados diferentes, aunque tengan el mismo símbolo.
La media de la exponencial es uno dividido entre la media de Poisson. Si se da el
número histórico de llegadas se tiene la media de Poisson. Si se da una duración
histórica entre eventos, se tiene la media de una exponencial.
Siguiendo con nuestro ejemplo de la caja, si quisiéramos saber la probabilidad de
que una persona tarde 9 minutos o menos en pasar por caja registradora,
utilizaríamos esta fórmula. En primer lugar, convertimos a las mismas unidades de
tiempo que son partes de una hora. Nueve minutos son 0,15 de una hora. A
continuación, observamos que estamos pidiendo
un rango de valores. Este es siempre el caso de
una variable aleatoria continua. Escribimos la
pregunta de probabilidad como:
Ahora podemos poner los números
en la fórmula y obtenemos nuestro
resultado.
La probabilidad de que un cliente emplee 9 minutos o menos en pasar por caja es
de 0,7769.
Vemos que tenemos una alta probabilidad de salir en menos de nueve minutos y
una mínima probabilidad de que lleguen 15 clientes en la próxima hora.
CONCLUSIÓN 6.0
La probabilidad está presente en todas las actividades humanas, por lo que es
importante tener conocimientos básicos al respecto. específicamente hablando en
el campo de la ingeniería debemos ser capaces de identificar todo lo posible
soluciones a un problema o conjunto de problemas para su implementación la
solución más eficaz. La conexión de todos estos temas nos hace pensar en la
gran amplitud de este uso diario, facilidad de probabilidad y estadísticas, varios
métodos Probabilidades y estadísticas quince y soluciones a todos los problemas
a los que nos enfrentamos cuando hablamos de contar, población,
experimentando con eventos coloquiales (lanzamiento de una moneda, tirando
dados, calculando la probabilidad de éxitos y fracasos, etc.) Si hablamos de
conceptos más específicos, entonces serían complejos, pero en la realidad
consiste solo en terminologías a las que no estamos acostumbrados se relacionan
entre sí, y si los traducimos a algo más familiar, es fácil entender. Asimismo, la 20
probabilidad nos permite como sociedad tomar las mejores decisiones. hay que
tomar decisiones para continuar nuestro desarrollo y no quedarnos estancados
como ha sido A través de esto, podemos sopesar los riesgos, ventajas y
desventajas. ofrecemos opciones Incluso nos permite mirar hacia el futuro,
considerando los elementos con los que actualmente y cómo afectan nuestras
vidas a lo largo del tiempo.
Bibliografías 6.1
1° JAOL S.A, STATOLOGOS, FEBRERO DEL 2023
URL: https://statologos.com/aproximacion-normal/
2° JORGE CASTRO MONGE, MATEMATICA INFORMATICA EDUCACION, EN COLABORACION CON

JIMBO
URL: https://jcastrom.jimdofree.com/matematica/estadistica/aproximaci%C3%B3n-normal-a-la-
binomial/
3° JOSELUIS LORENTE ARAGON, LORENTE A 2023
URL: http://joseluislorente.es/estadistica/Tema7_aproxima_binomial_normal.pdf
4° RICE UNIVERSITI, OPENSTAX A 2023
URL: https://openstax.org/books/introducci%C3%B3n-estad%C3%ADstica-empresarial/pages/4-4-
distribucion-de-poisson
5° UNIVERSIDAD DE VALENCIA, AUTORES ANONIMOS CON DERECHOS DE AUTOR A 2023
URL: https://www.uv.es/ceaces/base/modelos%20de%20probabilidad/geometrica.htm

Distribuciòn Hipergeomètrica Generalizada

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Distribuciòn Hipergeomètrica Generalizada

Cargado por

Copyright:

Formatos disponibles

Instituto Politécnico Nacional

Escuela Superior de Ingeniería Textil

Realizado por Diego Yael Aguirre Alvarez 1

Materia Probabilidad y Estadística

Profesora Sandoval Hernández Adriana

Cd. De México a 29 de Marzo del 2023

En la teoría de la probabilidad, un espacio muestral o espacio muestral consiste en 2

DISTRIBUCIÒN HIPERGEOMÈTRICA GENERALIZADA 2.0

este tipo de distribución, se esperan este tipo de distribución, se esperan 3

Entonces en este caso se tienen más de a C x* b C y * N  a  b Cn  x  y

z = n-x-y = objetos del tercer tipo en la muestra 4

Ejemplo No. 1 2.1

Ejemplo No. 2 2.2

Ejemplo No. 3 2.3

primer comensal se acerca a la canasta y escoge al azar nueve empanadas para 5

Ejemplo No. 4 2.4

APROXIMACIÓN DE LA NORMA A LA BINOMIAL 3.0

¿Qué es? 3.1 6

Corrección de Continuidad 3.3

En términos simples, una corrección de continuidad es el nombre que se le da a 7

Usar distribución binomial Uso de distribución normal con

Aproximación de la binomial a la normal: 3.4

Teorema de Movire-Laplace: si X es una variable discreta que sigue una

estamos convirtiendo una variable X discreta (toma un número determinado de 8

Se efectúan 15 lanzamientos de una moneda. Calcular la probabilidad de que 9

P(8≤X≤12)=P(x=8)+p(x=9)+p(x=10)+p(x=11)+p(x=12)=0,4963 Aproximando con la

Ejercicio No. 2 3.6

DISTRIBUCIÓN GEOMÉTRICA 4.0

Estas características serán variables aleatorias que, dependiendo de su propia, 11

EXPERIMENTO GEOMÉTRICO 4.1

los informes de accidentes (seleccionados al azar y sustituidos en la pila después 12

debemos esperar antes de tener un acierto. En cualquier caso, la secuencia de 13

PROCESOS EXPERIMENTALES 4.6

De una manera un exhaustiva podemos clasificar los procesos experimentales en 14

donde μ es el tiempo promedio de espera histórico.

La falta de memoria de la distribución exponencial 5.2

Recordemos que la cantidad de tiempo entre clientes para el empleado de correos

Relación entre la distribución de Poisson y la distribución exponencial 5.3

Existe una relación interesante entre la distribución exponencial y la distribución de

Vemos que la exponencial es la pariente de la distribución de Poisson y se 17

La variable aleatoria de la distribución de Poisson es discreta y, por tanto, cuenta

De nuevo, la fórmula de la distribución exponencial es: 18

Vemos inmediatamente la similitud entre la fórmula

Ambas funciones de densidad de probabilidad se basan en la relación entre el

Para calcular µ, el tiempo promedio de servicio histórico, simplemente dividimos el 19

2° JORGE CASTRO MONGE, MATEMATICA INFORMATICA EDUCACION, EN COLABORACION CON

3° JOSELUIS LORENTE ARAGON, LORENTE A 2023

4° RICE UNIVERSITI, OPENSTAX A 2023

5° UNIVERSIDAD DE VALENCIA, AUTORES ANONIMOS CON DERECHOS DE AUTOR A 2023

También podría gustarte