1

DISTRIBUCIÓN DE PROBABILIDAD HIPERGEOMÉTRICA

La distribución hipergeométrica es aquella en la que se considera la existencia de
éxitos y/o fracasos en una población conocida, y de la cual se extrae una muestra
sin remplazo donde también existen éxitos o fracasos. La distribución
Hipergeométrica se utiliza para calcular la probabilidad de obtener determinado
número de éxitos en un espacio muestral de n ensayos.
A diferencia de la distribución binomial es que los datos de la muestra se extraen
sin reemplazo en una población finita, el muestreo es con reemplazamientos e
independiente de las pruebas o ensayos.

La distribución hipergeométrica se emplea para muestreos sin reemplazo de una

población finita cuya probabilidad cambia a lo largo del ensayo.

Si en una población de N elementos se tienen k éxitos, la probabilidad de que en

una muestra aleatoria de n elementos seleccionados sin reemplazo se tengan x
éxitos está dada por:

N = número de elementos en la población

n = número de elementos en la muestra

k = número de éxitos en la población

x = número de éxitos en la muestra

La media (esperanza) y desviación estándar de la distribución hipergeométrica

están dadas por:
 2

Ejemplos:
1. 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)

otra forma de resolver;

p(el viajero sea arrestado por posesión de narcóticos) = 1 – p(de que entre las
tabletas seleccionadas no haya una sola de narcótico)

b) p(no sea arrestado por posesión de narcóticos)

 3

2. De un lote de 10 proyectiles, 4 se seleccionan al azar y se disparan. Si el lote

contiene 3 proyectiles defectuosos que no explotarán, ¿cuál es la
probabilidad de que, a) los 4 exploten?, b) al menos 2 no exploten?

Solución:
a) N = 10 proyectiles en total
a = 7 proyectiles que explotan
n = 4 proyectiles seleccionados
x = 0, 1, 2, 3 o 4 proyectiles que explotan = variable que nos define el número
de proyectiles que explotan entre la muestra que se dispara

b) N = 10 proyectiles en total
a = 3 proyectiles que no explotan
n = 4 proyectiles seleccionados
x = 0, 1, 2 o 3 proyectiles que no explotan

p(al menos 2 no exploten) = p( 2 o más proyectiles no exploten) = p(x = 2 o 3; n=4)

=

DISTRIBUCION DE PROBABILIDAD MULTINOMIAL

Este modelo se puede ver como una generalización del Binomial en el que, en lugar
de tener dos posibles resultados, tenemos r resultados posibles.

Supongamos que el resultado de una determinada experiencia puede ser r valores

distintos: A1, A2, ..., Ar cada uno de ellos con probabilidad p1, p2, ..., pr,
respectivamente.
 4

Si repetimos la experiencia n veces en condiciones independientes, podemos

preguntarnos la probabilidad de que el suceso A1 aparezca k1 veces, el
suceso A2, k2 veces y así sucesivamente:

Al modelo estadístico que nos da dicha probabilidad se le denomina Multinomial, y

su función de densidad viene dada por:

como se ve, el modelo Multinomial queda definido por los parámetros

(n, p1, p2, ..., pr). La fórmula anterior puede deducirse de forma análoga al caso
Binomial. En realidad, si tomamos r = 2 tenemos exactamente el modelo Binomial.

Se debe destacar que este modelo es un ejemplo de distribución multivariante, es

decir, de distribución conjunta de varias (r) variables aleatorias. En efecto, si
definimos la variable aleatoria X1 como número de veces que se produce el suceso
A1 de un total de n experiencias, y así sucesivamente, tenemos un conjunto
de r variables aleatorias discretas cuya función de densidad conjunta (valorada a la
vez) viene definida por la anterior fórmula. Nótese que si consideramos cada una
de estas variables Xi (i = 1, 2, ..., r) por separado, su distribución es la Binomial de
parámetros n y pi.

Parámetros: n>0 número de pruebas (entero) p1 ,…, pk probabilidad de un suceso

concreto (Σ pi=1)

Media: µ{ XI } =npi

Varianza: Var(XI)=npI (1- pI).

Esperanza matemática: E(XI)= npI

Ejemplo 1.
Según una nueva ley se plantea una donación de órganos de los cuales existe la
probabilidad de que el 15% estén en contra, el 40% sean indiferentes a la ley y el
45% estén a favor, si se extrae una muestra aleatoria de 20 sujetos. ¿Cuál es la
probabilidad de que 5 estén en contra, 10 sean indiferentes y 5 estén a favor?
 5

Datos:
X1: En contra=0.15
X2: Indiferente=0.40
X3: A favor=0.45
𝑁! 20!
p(X1= 5, X2= 10, X3= 5)= x 𝜋 𝑋1 x 𝜋 𝑋2 x 𝜋 𝑋3 = x 0.155 x 0.4010 x 0.455 =
𝑋1!𝑋2!𝑋3! 5!10!5!
0.41
Ejemplo 2.
Un delegado llegue por aire, en autobús, en automóvil, o en tren a una convención
dado que la probabilidad de cada posibilidad es 0.40, 0.20, 0.30 y 0.10,
respectivamente ¿Cuál es la probabilidad que entre 9 delegados seleccionados
aleatoriamente 5 hayan llegado en auto?
Datos:
n=9
X1= 5 lleguen en auto; p1=0.30
X2= 4 (lleguen por aire, autobús o tren); p2= 0.40+0.20+0.10= 0.70
𝑁! 9!
p(X1= 5, X2= 4, n= 5)= x 𝜋 𝑋1 x 𝜋 𝑋2 = x 0.305 x 0.704 = 0.073514
𝑋1!𝑋2! 5!4!

Distribución de probabilidad uniforme

La distribución de probabilidad uniforme es un ejemplo de una distribución de

probabilidad es continua. Una distribución de probabilidad es continua cuando los
resultados posibles del experimento son obtenidos de variables aleatorias
continuas, es decir, de variables cuantitativas que pueden tomar cualquier valor, y
que resultan principalmente del proceso de medición.
Ejemplos de variables aleatorias continuas son:
 La estatura de un grupo de personas
 El tiempo dedicado a estudiar
 La temperatura en una ciudad

Es una distribución en el intervalo [a,b] en la cual las probabilidades son las mismas
para todos los posibles resultados, desde el mínimo de a hasta el máximo de b. El
experimento de lanzar un dado es un ejemplo que cumple la distribución uniforme,
ya que todos los 6 resultados posibles tienen 1/6 de probabilidad de ocurrencia.
 6

La función de densidad de una distribución uniforme (altura de cada rectángulo en

la gráfica anterior) es:

Donde:
a = mínimo valor de la distribución
b = máximo valor de la distribución
b – a = Rango de la distribución
La media, valor medio esperado o esperanza matemática de una distribución
uniforme se calcula empleando la siguiente fórmula:

La varianza de una distribución uniforme se calcula empleando la siguiente fórmula:

La probabilidad de que una observación caiga entre dos valores se calcula de la

siguiente manera:

Ejemplos:
 7

Sea X el momento elegido al azar en que un estudiante recibe clases en un

determinado día entre las siguientes horas: 7:00 - 8:00 - 9:00 - 10:00 - 11:00 - 12:00
- 13:00
1) ¿Cuál es la función de densidad de la variable X?
2) Elaborar un gráfico de la distribución de probabilidades
1) a = 7 y b = 13
Reemplazando valores en la ecuación de la función de densidad se obtiene:

2) Elaborando el gráfico de la distribución de probabilidad empleando Excel se

obtiene:

Interpretación:
Cada rectángulo tiene 1 de base y 1/6 = 0,167 de altura.
El área de cada rectángulo es:

El área total (rectángulo de base el intervalo 7-13 y altura 1/6=0,167) representa a

la suma de todas las probabilidades, y es igual a uno:
 8

DISTRIBUCION DE POISSON

Esta distribución es una de las más importantes distribuciones de variable

discreta. Sus principales aplicaciones hacen referencia a la modelización de
situaciones en las que nos interesa determinar el número 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 consideración límite de procesos dicotómicos reiterados un gran número de veces
si la probabilidad de obtener un éxito es muy pequeña.

Proceso experimental del que se puede hacer derivar

Esta distribución se puede hacer derivar de un proceso experimental de

observación en el que tengamos las siguientes características

· Se observa la realización de hechos de cierto tipo durante un cierto periodo de

tiempo o a lo largo de un espacio de observación

· Los hechos a observar tienen naturaleza aleatoria; pueden producirse o no de una

manera no determinística.

· La probabilidad de que se produzcan un número x de éxitos en un intervalo de

amplitud t no depende del origen del intervalo (Aunque, sí de su amplitud)

· Si en estas circunstancias aleatorizamos de forma que la variable aleatoria X

signifique o designe el "número de hechos que se producen en un intervalo de
tiempo o de espacio", la variable X se distribuye con una distribución de
parámetro l . Así :

El parámetro de la distribución es, en principio, el factor de proporcionalidad para

la probabilidad de un hecho en un intervalo infinitésimo. Se le suele designar como
parámetro de intensidad , aunque más tarde veremos que se corresponde con el
número medio de hechos que cabe esperar que se produzcan en un intervalo
unitario (media de la distribución); y que también coincide con la varianza de la
distribución.

Por otro lado es evidente que se trata de un modelo discreto y que el campo de
variación de la variable será el conjunto de los número naturales, incluido el
cero:

Ejemplos:
1. Si un banco recibe en promedio 6 cheques sin fondo por día, ¿cuáles son las
probabilidades de que reciba, a) cuatro cheques sin fondo en un día dado, b) 10
cheques sin fondos en cualquiera de dos días consecutivos?
 9

Solución:
a) x = variable que nos define el número de cheques sin fondo que
llegan al banco en un día cualquiera = 0, 1, 2, 3, ....., etc, etc.
 = 6 cheques sin fondo por día
 = 2.718

b)
x= variable que nos define el número de cheques sin fondo que llegan al
banco en dos días consecutivos = 0, 1, 2, 3, ......, etc., etc.
 = 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos
días consecutivos
Nota:  siempre debe de estar en función de x siempre o, dicho de otra
forma, debe “hablar” de lo mismo que x.

2. En la inspección de hojalata producida por un proceso electrolítico continuo, se

identifican 0.2 imperfecciones en promedio por minuto. Determine las probabilidades
de identificar a) una imperfección en 3 minutos, b) al menos dos imperfecciones en 5
minutos, c) cuando más una imperfección en 15 minutos.
Solución:
a) x = variable que nos define el número de imperfecciones en la
hojalata por cada 3 minutos = 0, 1, 2, 3, …, etc., etc.
 = 0.2 x 3 =0.6 imperfecciones en promedio por cada 3 minutos en la
hojalata
 10

BIBLIOGRAFIA
http://www.ub.edu/stat/GrupsInnovacio/Statmedia/demo/Temas/Capitulo3/B0C3m1
t7.htm

https://es.wikipedia.org/wiki/Distribuci%C3%B3n_uniforme_continua

http://www.itchihuahua.edu.mx/academic/industrial/sabaticorita/_private/03Ddistr%
20Hipergeometrica.htm

https://estadisticayadministracion.wordpress.com/2014/10/29/distribucion-
hipergeometrica-de-probabilidad-cero-complicada/

http://www.itchihuahua.edu.mx/academic/industrial/sabaticorita/_private/05Distr%2
0Poisson.htm