DISTRIBUCION DE PROBABILIDADES

E D W I N G M OYA H E R R E RA
E S TA D I S T I C A A P L I C A DA
2020
CONTENIDO
1. DISTRIBUCION HIPERGEOMETRICA
2. DISTRIBUCION UNIFORME
3. BIBLIOGRAFIA
 1. TIPOS DE DISTRIBUCION

El tipo de distribución depende del tipo de variable

que se esté tratando. Existen muchas, a
continuación, las principales o más conocidas:
1. Para variables continuas: en el caso de que la
variable aleatoria sea continua, la distribución
asociada es una: distribución normal o de tipo
Gaussiana.
2. para variables discretas: en el caso de que la
variable aleatoria sea discreta, pueden existir
varios tipos de distribuciones, las principales son:
la distribución binomial, la distribución
hipergeométrica y la distribución de Poisson.
. 
 1. DISTRIBUCION HIPERGEOMETRICA

La distribución hipergeométrica es una función

estadística discreta, adecuada para calcular la
probabilidad en experimentos aleatorios con dos
resultados posibles. La condición que se requiere
para aplicarla es que se trate de poblaciones
pequeñas, en las cuales las extracciones no se
reemplazan y las probabilidades no son constantes.

Por lo tanto, cuando se elige un elemento de la

población para saber el resultado (verdadero o falso)
de cierta característica, ese mismo elemento no
puede elegirse de nuevo. 
 1. DISTRIBUCION HIPERGEOMETRICA

Ciertamente, el próximo elemento elegido tiene así

mayor probabilidad de obtener un resultado
verdadero, si el elemento anterior tuvo resultado
negativo. Esto significa que la probabilidad va
variando, en la medida que se extraen elementos de
la muestra.
Las aplicaciones principales de la distribución
hipergeométrica son: control de calidad en procesos
con poca población y el cálculo de probabilidades en
los juegos de azar.
. 
 .
1. DISTRIBUCION HIPERGEOMETRICA
Los experimentos que tienen este tipo de distribución tienen las
siguientes características:
1. Al realizar un experimento con este tipo de distribución, se
esperan dos tipos de resultados.
2. Las probabilidades asociadas a cada uno de los resultados
no son constantes.
3. Cada ensayo o repetición del experimento no es
independiente de los demás.
4. El número de repeticiones del experimento (n) es
constante
5. La muestra siempre debe ser pequeña, aunque la
población sea grande.
6. Los elementos de la muestra se van extrayendo de a uno,
sin incorporarlos nuevamente a la población.
7. La propiedad a estudiar es binaria, es decir sólo puede
tomar dos valores: 1 o 0, o bien cierto o falso.
8. En cada paso de extracción de elementos, la probabilidad
cambia dependiendo de los resultados previos.
 1. DISTRIBUCION HIPERGEOMETRICA

En cuanto a la función matemática que define la

distribución hipergeométrica, esta consta de tres
parámetros, que son:
– Número de elementos de población (N)
– Tamaño de la muestra (m) 
– Cantidad de eventos en la población completa con
un resultado favorable (o desfavorable) de la
característica estudiada (n).
. 
 1. DISTRIBUCION UNIFORME

La distribución Uniforme es el modelo (absolutamente)

continuo más simple. Corresponde al caso de una
variable aleatoria que sólo puede tomar valores
comprendidos entre dos extremos a y b, de manera que
todos los intervalos de una misma longitud (dentro
de (a, b)) tienen la misma probabilidad. También puede
expresarse como el modelo probabilístico
correspondiente a tomar un número al azar dentro de un
intervalo (a, b).
De la anterior definición se desprende que la función de
densidad debe tomar el mismo valor para todos los
puntos dentro del intervalo (a, b) (y cero fuera del
intervalo). Es decir,
. 
 3. DISTRIBUCION EXPONENCIAL

  A pesar de la sencillez analítica de sus funciones de

definición, la distribución exponencial tiene una gran
utilidad práctica ya que podemos considerarla como un
modelo adecuado para la distribución de probabilidad del
tiempo de espera entre dos hechos que sigan un proceso
de Poisson. De hecho la distribución exponencial puede
derivarse de un proceso experimental de Poisson con las
mismas características que las que enunciábamos al
estudiar la distribución de Poisson, pero tomando como
variable aleatoria , en este caso, el tiempo que tarda en
producirse un hecho
Obviamente, entonces , la variable aleatoria será
continua. Por otro lado existe una relación entre el
parámetro a de la distribución exponencial , que más
tarde aparecerá , y el parámetro de intensidad del
proceso l , esta relación es a = l
 3. DISTRIBUCION EXPONENCIAL

Al ser un modelo adecuado para estas situaciones

tiene una gran utilidad en los siguientes casos:
· Distribución del tiempo de espera entre sucesos de
un proceso de Poisson
· Distribución del tiempo que transcurre hasta que se
produce un fallo, si se cumple la condición que la
probabilidad de producirse un fallo en un instante no
depende del tiempo transcurrido .Aplicaciones en
fiabilidad y teoría de la supervivencia.
. 
EJEMPLO:
 EJEMPLO:
Para evitar que lo descubran en la aduana, un viajero ha colocado 6 tabletas  de narcótico en una botella que contiene
9 píldoras de vitamina que son similares en apariencia. Si el oficial de la aduana selecciona 3 tabletas aleatoriamente
para analizarlas, a) ¿Cuál es la probabilidad de que el viajero sea arrestado por posesión de narcóticos?, b) ¿Cuál es la
probabilidad de que no sea arrestado por posesión de narcóticos?.
Solución:
a) N = 9+6 =15 total de tabletas
a = 6 tabletas de narcótico
n = 3 tabletas seleccionadas
x = 0, 1, 2, o 3 tabletas de narcótico = variable que nos indica el número de tabletas de narcótico que se puede
encontrar al seleccionar las 3 tabletas
 
p(viajero sea arrestado por posesión de narcóticos) = p(de que entre las 3 tabletas seleccionadas haya 1 o más
tabletas de narcótico)
 4. BIBLIOGRAFIA

1. Estadistica-Aplicada-a-Los-Negocios-y-La-Economia-Allen-L-Webster.pdf
2. https://www.lifeder.com/distribucion-hipergeometrica/
3. https://www.youtube.com/watch?v=XEFgrb7YH0k
4. https://matemovil.com/variables-discretas-y-continuas-ejemplos-y-ejercicios/
5. http://www.itchihuahua.edu.mx/academic/industrial/sabaticorita/_private/03Ddistr%20Hipergeometr
ica.htm
6. https://es.wikipedia.org/wiki/Distribuci%C3%B3n_exponencial