Simulacin de Sistemas

(Introduccin a la Simulacin de Sistemas)

Dr. Juan Martn Preciado Rodrguez
https://www.facebook.com/martin.preciado.792

Preliminares
III.

Preliminares Matemticos.
i.
ii.
iii.
iv.
v.
vi.
vii.
viii.

Experimentos aleatorios.
Variables aleatorias y distribuciones de probabilidad.
Distribuciones de probabilidad discretas ms importantes.
Distribuciones de probabilidad continuas ms importantes.
Funciones de variables aleatorias y transformaciones.
Teoremas lmites.
Cadenas de Markov.
Pruebas asociadas a parmetros y pruebas de bondad-ajuste.

SS: Funciones de probabilidad

Qu es una funcin?
Es una relacin entre dos conjuntos, uno de X llamado dominio (variable
independiente X) y uno f(x) llamado codominio (variable dependiente Y).
X

f(x)

x1
x2

f(x1)
f(x2)

x3

f(x3)

x4

f(x4)

f(x2)

x5

f(x5)

f(xi)

x. i

f(x. i)

.
.

.
.

f(x)
f(x3)
f(x5)
f(x4)
f(x1)

x
x1 x2 x3 x4 x5 xi

SS: Funciones de probabilidad

Qu es una funcin?
En el caso de las probabilidades
Es una relacin entre dos conjuntos, uno de X llamado dominio (evento X) y uno
P(x) llamado codominio (probabilidad de ocurrencia del evento X).
X

P(x)

x1
x2

P(x1)
P(x2)

x3

P(x3)

x4

P(x4)

x5

P(x5)

x. i

. )
P(x
i

.
.

.
.

P(x)

SS: Funciones de probabilidad

Eventos numricos y variables aleatorias
Los eventos de mayor inters para el cientfico, el ingeniero u hombre de negocios son los
identificados por los nmeros, llamados eventos numricos.
Ejemplos: 1) El mdico investigador est interesado en el evento de que diez de cada diez
pacientes tratados sobrevivan a una enfermedad;
2) El hombre de negocios est interesado en el evento de que sus ventas en el
ao prximo lleguen a 5 millones de dlares.
Denote con Y una variable a ser medida en un experimento.
Como el valor de Y vara dependiendo del resultado del experimento, se denomina
variable aleatoria.
A cada punto del espacio muestral le asignaremos un nmero real que denote el valor de
la variable Y. El valor asignado a Y vara de un punto muestral a otro, pero a algunos
puntos se les puede asignar el mismo valor numrico

SS: Funciones de probabilidad

Qu es una funcin de probabilidad?
Variable aleatoria: es una funcin de valor real para la cual el
dominio es un espacio muestral.
Las variables aleatorias cuantitativas pueden ser:
Discretas: funcin de probabilidad discreta (funcin de masa).

Continuas: funcin de densidad (densidad).

Una funcin de probabilidad tiene como propsito el asociar cada X

correspondiente a un espacio muestral con su probabilidad de
ocurrencia en este espacio.

SS: Funciones de probabilidad

Cmo se distribuye en el espacio muestral?
No slo es importante analizar el tipo de probabilidades que hay. Esto es que
cada X se encuentre dentro de ese espacio muestral o pueda ocurrir.
Se debe analizar la manera en la que se distribuyen las probabilidades en el
espacio muestral, a partir de tres caractersticas:
1. Continuidad
2. Frecuencia
3. Asimetra
Funcin de distribucin: permite describir cules son las caractersticas de
los eventos que se estn analizando.
Permite evaluar la probabilidad con una distribucin a lo largo de un
determinado espacio, mostrando cuales son sol eventos menos y ms
probables.

SS: Funciones de probabilidad

forma grfica

SS: Funciones de probabilidad

forma grfica

SS: Funciones de probabilidad

Funciones de acuerdo al tipo de variable aleatoria?
Discreta:
Binomial binomial negativa
Poisson
Geomtrica-hipergeomtrica
Bernoilli
Redemacher
Uniforme discreta

Continua:
T de student
Ji cuadrada (X2)
Exponencial
Gamma
Beta
F
Weibul
Pareto
Uniforme continua

f(x) = P(X x)
x
f(x) = f(i)
i=-

f(x) = P(Xx)
x
f(x) = f(t)dt
i=-

SS: Modelos de distribuciones

discretas

Para describir las variables aleatorias discretas asociadas a

determinados experimentos basta con proporcionar la
distribucin de probabilidad.

SS: Modelos de distribuciones discretas

Distribucin de Bernoulli (Jakob Bernoulli)

Experimentos dicotmicos: slo se obtiene dos tipos de resultados.

Ejemplo de espacios muestrales:
xito o Fracaso, Cara o Cruz, 0 1.

X = 1 (xito, con probabilidad p)

X = 0 (fracaso, con probabilidad q = 1-p)

SS: Modelos de distribuciones discretas

Distribucin de Bernoulli (Jakob Bernoulli)
Ejemplos de ensayos o experimentos de Bernoulli
Lanzar una moneda:

cara o cruz

Lanzar un dado:

nmero especfico

Preguntas Si o No: presencia de algn sntoma

Aceptacin o rechazo: si el lote cumple con los estndares de calidad
Si nuestro experimento busca analizar el nmero de xitos que se
obtienen, la variable de inters depender de lo que se considere xito.

SS: Modelos de distribuciones discretas

Distribucin de Bernoulli (Jakob Bernoulli)
Consideraciones dentro del mbito de la probabilidad
Sea
x: variable de inters, que tiene que ver con el nmero de xitos
p: probabilidad de xito (x)
p+q =1
q= 1-p
q: probabilidad de fracaso (x)

Funcin de probabilidad ( x B(p) )

f(x) = px (1-p)1-x,

x={0,1}

Valores: si x= 1 f(x,p) = p, si x= 0 f(x,p) = q y si x= a f(x,p) = 0

SS: Modelos de distribuciones discretas

Distribucin de Binomial
Binomio: expresin de dos componentes (dos componentes de anlisis)
Distribucin binominal: repeticin de n ensayos de Bernoulli
independientes entre s, con probabilidad fija de xito.
Distribucin de Bernoulli para n datos
Si tenemos dos experimentos de inters
Experimento

Bernoulli

Binomial

Dado

Se obtiene un nmero
especfico en un
lanzamiento

Busca determinar el nmero

de veces que se obtiene un
nmero especfico en m
lanzamientos.

Moneda

Se obtiene cara en un
lanzamiento

En cuntos lanzamientos de
un nmero de m de veces
se obtuvieron las cruces.

SS: Modelos de distribuciones discretas

Distribucin de Binomial

x B(n, p) f(n,p) =(nx) px(1-p)n-x

q

( ) = n!/(x!(n-x)!)
n
x

n = {0,1,2,,n}

Combinaciones de n
en x

SS: Modelos de distribuciones discretas

Distribucin de Binomial
Ejercicio 1. De un grupo de 50 esquizofrnicos, 12 padecen alteraciones cerebrales.
Seleccionados 5 de ellos, calcule la probabilidad de que padezcan tal alteracin :
1. 3 de ellos
2. al menos uno.

X: persona seleccionada padece tal alteracin.

Solucin: X B(n, p) f(n,p) = nCx px(1-p)n-x
La proporcin de esquizofrnicos con alteracin cerebral es : p = 12/50 = 0.24.
X B(5, 0.24)
1 P(X=3) = 5C3 0.243(1-0.24)5-3 = 0.07985
2 P(X1) = 1-P(X=0) = 1- 5C0 0.240(1-0.24)5-0 = 0.7464

SS: Modelos de distribuciones discretas

Distribucin de Binomial
Ejercicio 2. Supongamos que la probabilidad de tener una unidad defectuosa en una lnea de ensamblaje
es de 0.05. Si el conjunto de unidades terminadas constituye un conjunto de ensayos independientes:
1. Cul es la probabilidad de que entre diez unidades dos se encuentren defectuosas?
2. Y de que a lo sumo dos se encuentren defectuosas?
3. Cul es la probabilidad de que por lo menos una se encuentre defectuosa?

Solucin:
Sea xi una variable aleatoria que representa el estado de una unidad terminada en la lnea de
ensamblaje en el momento i, siendo xi = 1 si la unidad es defectuosa y xi =0 en caso contrario.
La variable X sigue una distribucin Bernoulli con parmetro p=0.05, de acuerdo con el dato
inicial del problema. Adems, ntese que un conjunto de unidades terminadas constituye un
conjunto de ensayos independientes, por lo que el nmero de unidades defectuosas de un total
de n unidades terminadas (x1, x2, .., xn), esto es,
n
f (n, p ) xi , sigue una distribucin Binomial de parmetros n y p=0.05. Hechas estas
consideraciones iniciales, procedemos a resolver el problema:
i 1

1. x B(n, p) f(n,p) = n

px(1-p)n-x = P(B(10,0.05),x=2)=0.0746

2. P(B(10,0.05),x2)= P(B(10,0.05), x=0, x=1, x=2)=0.9884

3. P(B(10,0.05),x1)= 1-P(B(10,0.05), x=0) = 0.4013

SS: Modelos de distribuciones discretas

Distribucin de Binomial (Solucin en R)
Ejercicio 1
dbinom(4, size=12, prob=0.2)
Res_1 <- dbinom(3,size =5, prob=0.24)
Res_2 <- 1- dbinom(0, size=5,prob=0.24)
Res_1 <- dbinom(3,5,0.24)
Res_2 <- 1- dbinom(0,5,0.24)

SS: Modelos de distribuciones discretas

Distribucin Geomtrica
Los datos se distribuyen a travs de una progresin geomtrica

El ensayo de Bernoulli es de carcter dicotmico (slo permite dos

posibles resultados, -xito o fracaso).
El ensayo de Bernoulli es la base para el estudio de todas las
funciones discretas.
A partir del ensayo de Bernoulli podemos analizar:
1. Se puede analizar la distribucin de probabilidades de un nmero x
de ensayos de Bernoulli necesarios para obtener xito, en la
variable de inters definida, que depende de la pregunta de
anlisis.
2. La distribucin de probabilidad de un nmero y determinado, el
cual es definido como y=x-1, que corresponde al nmero necesario
de fallos en los ensayos para que se presente el primer xito

SS: Modelos de distribuciones discretas

Distribucin Geomtrica
Funcin de probabilidad

Sea
p: probabilidad de xito
q = 1-p: probabilidad de fracaso
Si se analiza el nmero de ensayos requeridos para obtener un primer
xito, asumiendo que se requieren x ensayos para obtener ese xito.
Ensayos anteriores al primer
xito

P(X=x) = p(1-p)x-1
x= 1,2,3,, x

Si se analiza el nmero de fallos necesarios para obtener el primer xito.

Fallos previos al
xito

P(Y=x) = p(1-p)x
x= 0,1,2,3,, x D+

SS: Modelos de distribuciones discretas

Distribucin Geomtrica
Ejemplo

En un saln de clases el 60% de los alumnos son hombres, calcular

probabilidad de extraer el 1er hombre a la cuarta ocasin que extraemos
un alumno. q = 1-p: probabilidad de fracaso.
xito: Que el alumno seleccionado sea hombre (X)

X= 4
p= 0.6
q= 1- 0.6 = 0.4
X Geo(p) X Geo(0.6)
P(X=x) = p(1-p)x-1

SS: Modelos de distribuciones discretas

Distribucin Geomtrica
Ejemplo

Calcular la probabilidad de que salga el No. 5 a la tercera vez que

lanzamos un dado.
xito: Que salga el nmero 5 (X)

X= 3
p= 1/6 =0.166
q= 1- 0.166 = 0.833
X Geo(p) X Geo(0.166)
P(X=x) = p(1-p)x-1

SS: Modelos de distribuciones discretas

Distribucin Geomtrica
Ejemplo

Una mquina detecta fallas en los productos que elabora una fbrica. Si
los productos tienen una probabilidad de falla del 5%, calcular la
probabilidad de que la mquina encuentre su primer producto defectuoso
en la octava ocasin que selecciona un producto para su inspeccin.

xito: Que el producto seleccionado salga defectuoso (X)

X= 8
p= 0.05
q= 1- 0.05 = 0.95
X Geo(p) X Geo(0.05)
P(X=x) = p(1-p)x-1

SS: Modelos de distribuciones discretas

Distribucin Geomtrica
dgeom(x, prob, log = F)
x: Vector que representa el nmero de fallos antes del primer xito.
prob: Probabilidad de xito en cada ensayo.

SS: Modelos de distribuciones discretas

Distribucin Binomial Negativa
La distribucin Bin. Negativa es a la Geomtrica lo que la Binomial es a la Bernouli

Si en una sucesin infinita de ensayos Bernoulli la variable aleatoria X cuenta el

nmero de fracasos antes de obtener el r-simo xito, entonces decimos que X
tiene una distribucin binomial negativa con parmetros r y p, y escribimos X
BN(r, p).
En este caso tenemos que X puede tomar los valores 0, 1, 2, . . . con
probabilidades como se indica a continuacin:

Diferentes formas en que

los r xitos pueden aparecer
en
los
r+x1
ensayos
realizados antes del ltimo
que
necesariamente fue un xito.

Nmero
variable
de fracasos
Sucesin
de
ensayos
Bernoulli no concluye sino
hasta obtener r xitos.

SS: Modelos de distribuciones discretas

Distribucin Binomial Negativa
Ejemplo

Se lanza repetidas veces una moneda honesta, cuyos dos resultados son cara y
cruz. Cul es la probabilidad de obtener la tercera cruz en el quinto
lanzamiento?
xito: nmero de caras (fracasos) antes de obtener la primera cruz (X)

X= 5
p = 0.5
q = 1- 0.5 = 0.5
r=3
X BN(r,p) X BN(3, 0.5)
P(X=x) =

(nx)

= n!/(x!(n-x)!)

SS: Modelos de distribuciones discretas

Distribucin Binomial Negativa
Ejemplo

Para el jugador de baloncesto, cul es la probabilidad de que falle 5 tiros libres

antes de conseguir 7 puntos?, si tiene una efectividad del 80 %.

xito: nmero de canastas falladas antes del 7 acierto.

X= 7
p = 0.80
q = 1- 0.8 = 0.2
r=5
X BN(r,p) X BN(5, 0.5)
P(X=x) =

(xn)

= n!/(x!(n-x)!)

SS: Modelos de distribuciones discretas

Distribucin Binomial Negativa
Ejemplo

La probabilidad que un alumno que no entienda binomial negativa repruebe el

examen es de 75% si se pide seleccionar 5 alumnos reprobados al azar. Calcular
la probabilidad de haber tomado 3 alumnos aprobados antes de los 5 reprobados.
xito: alumnos aprobados antes del quinto reprobado.

X= 5
p = 0.75
q = 1- 0.75 = 0.25
r=3
X BN(r,p) X BN(3, 0.75)
P(X=x) =

(nx)

= n!/(x!(n-x)!)

SS: Modelos de distribuciones discretas

Distribucin Binomial Negativa
Ejemplo

Supongamos que necesita encontrar 10 personas que dispongan de excelentes

reflejos y sabe que la probabilidad de que un candidato tenga esta cualidad es
0.3. Calcular la probabilidad de que entrevistar un nmero determinado de
candidatos no calificados antes de encontrar los 10 candidatos buscados.
xito: Candidatos no calificados antes de los 10 buscados.

X= ?
p = 0.30
q = 1- 0.3 = 0.7
r = 10
X BN(r,p) X BN(10, 0.3)
P(X=x) =

(nx)

= n!/(x!(n-x)!)

SS: Modelos de distribuciones discretas

Distribucin Binomial Negativa
dnbinom(x, size, prob, mu, log = F)
Ej. Imaginemos el siguiente problema: Suponga que el 90% de los motores armados no estn defectuosos.
Encuentre la probabilidad de localizar el tercer motor sin defecto:
a) En el quinto ensayo.
b) En el quinto ensayo o antes.
Sea la variable aleatoria discreta X, motores armados que no estn defectuosos.
Dicha variable aleatoria, sigue una distribucin Binomial Negativa con parmetros:
r = 3. Tercer motor sin defecto.
P(X) = 0.9
Apartado a)
Para resolver este apartado, necesitamos resolver: P( X = 5), por lo tanto, slo necesitamos el valor que
toma X en el punto 5 de la funcin de densidad:
> dnbinom(5-3, 3, 0.9)
[1] 0.04374

Distribucin Poisson
Variable aleatoria tipo conteo

La variable aleatoria estudia el nmero de eventos de inters independientes que

ocurren a velocidad constante en un intervalo de tiempo o espacio. El intervalo
puede ser cualquier longitud, como un minuto, un da, una semana, un m2, m3,
una hectrea, etc.

Ejemplos que pueden ser modelados como Poisson:

Nmero de bacterias en un litro de agua.

Nmero de robos en casa habitacin por da.
Nmero de carros fabricados por da en una fabrica.
Cantidad de CO2 emitido por da en una ciudad
Nmero de carros que cruzan un punto especfico cada 15 minutos
Nmero de accidentes en una mina
Nmero de mensajes recibidos por un servidor.

Distribucin Poisson
Una variable aleatoria X tiene una distribucin Poisson si y slo su funcin
de densidad es:

donde e es la base de los logaritmos naturales y el promedio de la

distribucin, la cual debe ser mayor que cero
Se indica que X tiene distribucin de Poisson con parmetro , con la
siguiente notacin: X~Poisson().

Distribucin Poisson
Ejercicio 1

Si un banco recibe en promedio 6 cheques sin fondo por da, cules son las
probabilidades de que reciba:
a) cuatro cheques sin fondo en un da dado.
b) 10 cheques sin fondos en cualquiera de dos das consecutivos?
Solucin: a)
x = variable que nos define el nmero de cheques sin fondo que llegan al banco
en un da cualquiera = 0, 1, 2, 3, ....., etc.
= 6 cheques sin fondo por da
e = 2.718

(6) 4 2.718
(1296)(0.00248)
p( x 4, 6)

0.13392
4!
24
6

Distribucin Poisson
Ejercicio 1

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

(12)10 (2.718) 12
p ( x 10, 12)
1!

Distribucin Poisson
Ejercicio 2

En la inspeccin de hojalata producida por un proceso electroltico continuo, se

identifican 0.2 imperfecciones en promedio por minuto.
Determine las probabilidades de identificar
a)
b)
c)

Una imperfeccin en 3 minutos.

Al menos dos imperfecciones en 5 minutos.
Cuando ms una imperfeccin en 15 minutos.

Solucin: a)
x = variable que nos define el nmero 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

(0.6)1 (2.718) 0.6

p ( x 1, 0.6)
0.329307
1!

Distribucin Poisson
Ejercicio 2

b) Al menos dos imperfecciones en 5 minutos

x = variable que nos define el nmero de imperfecciones en la hojalata por
cada 5 minutos = 0, 1, 2, 3, ...., etc.
= 0.2 x 5 =1 imperfeccin en promedio por cada 5 minutos en la hojalata

(1) 0 ( 2.718) 1 (1)( 2.718) 1

p ( x 2,3, etc... 1) 1 p ( x 0,1, 1) 1

0!
1!

1 - (0.367918 0.367918) 0.26416

Distribucin Poisson
Ejercicio 2

c) Cuando ms una imperfeccin en 15 minutos.

x = variable que nos define el nmero de imperfecciones en la hojalata por cada
15 minutos = 0, 1, 2, 3, ....., etc.
= 0.2 x 15 = 3 imperfecciones en promedio por cada 15 minutos en la hojalata

(3) 0 (2.718) 3 (3)1 (2.718) 3

p ( x 0,1, 3) p( x 0, 3) p( x 1, 3)

0!
1!

0.0498026 0.149408 0.1992106

Distribucin Uniforme Discreta

La distribucin ms sencilla

Dado un conjunto finito de elementos (sin prdida de generalidad supondremos

el conjunto ) la distribucin uniforme discreta en dicho conjunto (o equiparable
sobre dicho conjunto) es la definida por , para
Se denotar a los posibles valores que pueda tomar una variable aleatoria
discreta como . En aquellos casos en que la variable aleatoria en estudio puede
tomar slo valores con igual probabilidad cada uno de ellos, se dice que la
variable aleatoria tiene distribucin uniforme discreta. Con ello se quiere decir
que la funcin de densidad de la variable aleatoria considerada es uniforme
(constante).

Definida por:

Distribucin Multinomial
Esta distribucin puede ser vista como una generalizacin de la distribucin
binomial, donde el inters es calcular la probabilidad de obtener en categoras
en una muestra de tamao conociendo que la probabilidad de ocurrencia de
cada categora en la poblacin . Se dice entonces que una variable tiene
distribucin multinomial y se denota como , cuando su funcin de densidad est
dada por:
Si representan las ocurrencias de las categoras en la poblacin entonces
decimos que () tiene distribucin Multinomial si su densidad es la siguiente:

Septiembre-2013

Distribucin Multinomial
Ejercicio

En un cultivo el ataque de una enfermedad puede ser calificado como severo,

moderado o sin ataque. Supngase que la probabilidad de ataque severo es de
0.05 y de moderado de 0.20. Cul es la probabilidad de encontrar sobre un
total de 10 plantas observadas, 2 con ataque severo, 2 con ataque moderado y
6 sanas?
Solucin:

P ( X 1 2, X 1 2, X 1 6)

10!
* 0.052 * 0.20 2 * 0.756 0.0224
2!2!6!

dmultinom(c(2,2,6), prob = c(0.05,0.20,0.75))

Distribucin Hipergeomtrica
Esta distribucin est ligada a situaciones de muestreo sin reposicin, es
decir situaciones en que al azar se elige un elemento de una poblacin y as
sucesivamente hasta completar la muestra, sin restituir los elementos
extrados.
Para inducir la frmula de esta distribucin, anloga a la binomial, considrese
como poblacin a un conjunto de N elementos de los cuales k poseen uno de
dos estados posibles (xito) y N-k que presentan el otro (fracaso).
Al igual que en la binomial, el problema de inters es hallar la probabilidad de
obtener X xitos, pero en este caso, cuando se seleccionan sin reposicin n
elementos de un conjunto de N .

Distribucin Hipergeomtrica
Como se recordar, el concepto frecuencial de probabilidad est asociado al
cociente:
nmero de casos favorables
nmero de casos posibles
En este problema el nmero de casos totales viene dado por el nmero de
combinaciones posibles que se puede obtener a partir de N elementos tomados
de a grupos de n. Esto es:
Nmero de casos totales =
El nmero de casos favorables vendr dado por el nmero de formas posibles de
elegir x xitos y n-x fracasos del conjunto de N elementos en los que hay k xitos
y N-k fracasos, por lo que este nmero ser el siguiente producto:
Nmero de casos favorables =

Distribucin Hipergeomtrica

donde

indica el numero de formas posibles en las que se pueden

escoger x xitos de un conjunto de k xitos y anlogamente

indica el nmero de formas posibles en las que se pueden escoger nx fracasos de un total de N-k fracasos.
Luego para cada forma de elegir un conjunto de x xitos existen
formas de obtener n-x fracasos y de all el producto.

Distribucin Hipergeomtrica
Definicin

Una variable aleatoria X tiene distribucin Hipergeomtrica si y slo si su

funcin de densidad es:

Nota: De forma anloga que en las otras distribuciones, esta funcin de

densidad posee tres parmetros: n, N, k.
Se denotar a las variables hipergeomtricas con parmetros n, N, k con la
siguiente expresin: X~Hiper(n,N,k)

Distribucin Hipergeomtrica
Ejemplo 1

Cuando la semilla de maz viene contaminada con chamico, el precio de esta

semilla es inferior. Para determinar el precio que debe pagar por un determinado
lote, un Ingeniero Agrnomo decide examinar 20 de 500 bolsas de semillas de
maz. Si el 10% de las bolsas (50) contienen semillas de chamico, Cul es la
probabilidad de que ninguna de ellas est incluida en la muestra?
Solucin: Tomando x=0, n=20, N=500 y k=50 en la funcin hipergeomtrica, se
tiene:

Vale decir que de cada 100 veces que el ingeniero realiza esta prueba, que
consiste en tomar una muestra de 20 bolsas de un total de 500 donde al menos
50 estn contaminadas, en el 88% de las veces (al menos) encontrar bolsas con
chamico.

Distribucin Hipergeomtrica
Ejemplo 2

En oportunidad de presentar la distribucin binomial haba quedado planteado el

hecho de que cuando N es grande, el considerar si el muestreo es con o sin
reposicin puede ser insignificante.
Considrese el siguiente ejemplo:
Entre 120 cmaras de germinacin, 80 estn bien calibradas. Si se toma una
muestra aleatoria de 5 cmaras, hallar la probabilidad de que solamente 2 de las 5
estn bien calibradas en base a:
La distribucin hipergeomtrica
Tomando x=2, n=5, N=120 y k=80, se tiene:

Septiembre-2013

Distribucin Hipergeomtrica
Ejemplo 2

La distribucin binomial
Tomando x=2, n=5, p = 80/120 = 2/3 en la frmula de la binomial

Distribucin Hipergeomtrica
dhyper(x, m, n, k, log = F)
Los argumentos que podemos pasar a las funciones expuestas en la anterior tabla, son:
x, q: Vector de cuantiles. Corresponde al nmero de particulares en la muestra.
m: Seleccin aleatoria particular.
n: El nmero total de la poblacin menos la seleccin aleatoria particular. n = N - m.
n: El nmero de la seleccin a evaluar.
prob: Probabilidad.
nn: Nmero de observaciones.
log, log.p: Parmetro booleano, si es TRUE, las probabilidades p son devueltas como log
(p).
lower.tail: Parmetro booleano, si es TRUE (por defecto), las probabilidades son P[X x],
de lo contrario, P [X > x].

Distribucin Hipergeomtrica
De un grupo de 20 ingenieros con doctorado, se eligen 10 aleatoriamente con el fin de
contratarlos.
Cul es la probabilidad de que entre los 10 seleccionados, estn los 5 mejores del
grupo de 20?
Sea la variable aleatoria discreta X, mejores ingenieros de un grupo.
Dicha variable aleatoria, sigue una distribucin Hipergeomtrica con parmetros:
N = 20. Nmero total de ingenieros.
n = 10. Muestra aleatoria de la poblacin total de ingenieros (20 ingenieros).
r = 5. Conjunto de 5 ingenieros estn los 5 mejores.
Para resolver este apartado, necesitamos resolver: P( X = 5), por lo tanto, slo
necesitamos el valor que toma X en el punto 5 de la funcin de densidad:
> dhyper(5,10,20-10,5)
[1] 0.01625387