PRESENTADO POR
CUSCO- PERÚ
2019
INDICE
PRESENTACION ........................................................................................................................ 1
INTRODUCCION ........................................................................................................................ 2
I. OBJETIVOS: ....................................................................................................................... 3
V. CONCLUSIONES .............................................................................................................. 14
1
INTRODUCCION
El interés por este tema surge de la experiencia propia como estudiante y docente,
de cursos de Probabilidad en los que no se logra el aprendizaje. Son muchos los
factores que intervienen en esta problemática, pero uno muy importante es la
motivación del estudiante, los estudiantes no están motivados ya que les
presentamos Probabilidad con datos inventados, con procedimientos que usan
fórmulas matemáticas complejas, sin contexto, sin aplicación real a las áreas de
interés de ellos. En este trabajo pretendemos identificar las aplicaciones que tiene
la Distribución de Probabilidad Hipergeometrica en educación la importancia la
formula y, propiedades y ejercicios, específicamente en las carrera profesional de
Educación, evidenciando qué temas de probabilidad aplica un Educador y en
específico la distribución hipergeometrica en el mundo laboral, para resaltar la
importancia que tiene la distribución hipergeometrica para un Educador y contribuir
con esto a resolver parte de esta problemática. Batanero (2013) comenta que la
enseñanza de la distribución hipergeometrica ha tenido un gran desarrollo en los
años recientes, ahora se reconoce la importancia que tiene en la formación general
del ciudadano. La probabilidad hipergeometrica aporta a los estudiantes
herramientas e ideas para usar la información cuantitativa en el mundo a su
alrededor (Garfield y Ben-Zvi, 2007). Rumsey (2011) comenta que en la sociedad
actual aparecen números por todas partes, estadísticas de aborto, probabilidades
de que un equipo gane, índices de criminalidad, la esperanza de vida de una
persona que come chatarra, aprobación de un presidente, etc. Es necesario saber
que hay detrás de los números, la probabilidad hipergeometrica es importante en la
vida de cualquier ciudadano.
2
I. OBJETIVOS:
Objetivo general:
Investigar, Analizar y Aprender y sobre la Distribución de probabilidad
hipergeométrica.
Objetivos Específicos:
Investigar sobre la Distribución de probabilidad Hipergeométrica.
Analizar sobre la Distribución de probabilidad Hipergeométrica.
Aprender sobre la Distribución de probabilidad Hipergeométrica.
Demostrar la fórmula de la Esperanza matemática de la Distribución de
la probabilidad hipergeométrica.
Demostrar la fórmula de la Varianza de la Distribución de probabilidad
hipergeométrica.
3
podemos construir un gráfico que nos ejemplifique y muestre a las claras el
porcentaje total de alumnos que lo lograron y los que no pudieron hacerlo.
4
para calcular la probabilidad de que entre los n ejemplares escogidos haya k en mal
estado. Sin embargo, en la práctica, B y M no son conocidos, y la investigación de
la calidad de un determinado número de ejemplares sirve precisamente para la
estimación de estos números desconocidos. (Llinás, Solano, 2017)
5
entre dos proporciones y en muestreos de aceptación por atributos cuando se toman
muestras de un lote aislado de tamaño finito.(MINITAB, 2018)
Consideremos una urna que contiene 𝑁 bolillas de las cuales K son negras y 𝑁 − 𝐾
blancas. Se extraen secuencialmente (una a una) 𝑛 bolillas y se define la variable 𝑋
como el número total de bolillas negras extraídas. Si cada bolilla obtenida es
repuesta en la urna antes de obtener la siguiente, el resultado de cada extracción
es independiente de las anteriores, ya que esos resultados no modifican la
composición de la urna. Luego en este caso 𝑋 tendrá distribución 𝐵𝑖(𝑝, 𝑛), con 𝑝 =
𝐾/𝑁, ya que este número es la probabilidad de sacar cada vez una bolilla
negra.(Yohai, 2008)
0 ≤ 𝑋 ≤ 𝑛.............(1)
𝑋 ≤ 𝐾……….(2)
Además, el número de total de bolillas blancas extraídas debe ser menor que 𝑁 −
𝐾. Por lo tanto, también tenemos
𝑛 − 𝑋 ≤ 𝑁 − 𝐾 … … … … … … … (3)
Podemos pensar que las 𝐾 bolillas negras están numeradas de 1 𝑎 𝐾, 𝑦 las blancas
de 𝐾 + 1 𝑎 𝑁 luego si denotamos
6
𝐼𝑁 = {𝑥 ∈ 𝑁 ∶ 1 ≤ 𝑥 ≤ 𝑁}
𝛺 = {𝐴 ⊂ 𝐼𝑁 : #𝐴 = 𝑛}.
Como todos estos sub conjuntos tienen la misma probabilidad de ser extraidos,
estaremos en un caso de resultados equiprobables. El cardinal de Ω es:
𝑁
( )
𝑛
𝐾
( )
𝑥
𝑁−𝐾
( )
𝑛−𝑥
Y por lo tanto
7
𝐾! (𝑁 − 𝐾)!
𝑛! (𝐾 − 𝑥)! . [(𝑁 − 𝐾 ) − (𝑛 − 𝑥 )]!
𝑝 (𝑥 ) = 𝑃 [ 𝑋 = 𝑥 ] = .
𝑥! (𝑛 − 𝑥)! 𝑁!
(𝑁 − 𝑛)!
#𝐴𝑥 (𝐾)(𝑁−𝐾)
𝑝 (𝑥 ) = 𝑃 [ 𝑋 = 𝑥 ] = = 𝑥 𝑁𝑛−𝑥
#𝛺 (𝑛)
[𝑥]
(𝐾𝑥 )(𝑁−𝐾
𝑛−𝑥
) 0, x˂ 0
𝐹 (𝑥 ) = 𝑃 [ 𝑋 ≤ 𝑥 ] = ∑ , 0≤ x ˂ min (K,n)
(𝑁𝑛 ) X ≤ min ( K,n)
𝑐𝑡𝑒=0
Demostración:
𝐾
Para demostrar que 𝜇 = 𝑛 (𝑁 ), observamos que la variables hipergeometrica
𝑋 también puede ser considerada como una suma, al igual que la variable
binomial, de n variables 𝑋𝐼 , excepto que en el modelo hipergeometrico
8
𝑋𝐼 , 𝑋2 , 𝑋3 , … … . , 𝑋𝑛 son dependientes. Pero como la propiedad aditiva de la
esperanza matemática no requiere de las independencia de las 𝑋𝐼 .,
𝐸 [𝑋] = 𝐸(𝑋𝐼 ) + 𝐸(𝑋2 ) + 𝐸(𝑋3 )+. . . . +𝐸(𝑋𝑛 ), donde cada 𝐸(𝑋𝐼 ) es la
𝐾
probabilidad de 𝑋 en el i-esimo ensayo (𝑁 ), si no se sabe lo sucedido en los
𝐾
Así: 𝐸 [𝑋] = 𝑛 (𝑁 ) = 𝑛𝑝
3.2. Varianza
𝐾 𝐾 𝑁−𝑛
𝛿 2 = 𝑉 [𝑋] = 𝑛 ( ) (1 − ) ( )
𝑁 𝑁 𝑁−1
Reemplazando p y q
𝑁−𝑛
= 𝑛𝑝𝑞 ( )
𝑁−1
Donde:
N: Tamaño de la población
K: # de elementos de la muestra con ciertas características
n: tamaño de la muestra
x: valor que toma la variable
Demostración:
La varianza no es aditiva para variables dependientes, pero puede
demostrarse en el caso hipergeometrico introduciendo un factor de corrección
𝑁−𝑛+
(𝐹𝑎𝑐𝑡𝑜𝑟 𝑑𝑒 𝑐𝑜𝑟𝑟𝑒𝑐𝑖𝑜𝑛 𝑝𝑜𝑟 𝑝𝑜𝑏𝑙𝑎𝑐𝑖𝑜𝑛 𝑓𝑖𝑛𝑖𝑡𝑎) cuando el muestreo se hace
𝑁−1
𝐾
𝜎 2 = 𝑛𝑝𝑞 = 𝑛 ( )
𝑁
Por lo tanto
9
𝑘 𝑁−𝑘 𝑁−𝑛
𝜎2 = 𝑛 ( ) ( )( )
𝑁 𝑁 𝑁−1
𝑛
Cuando ≤ 0.05, 𝑙𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖𝑜𝑛 ℎ𝑖𝑝𝑒𝑟𝑔𝑒𝑜𝑚𝑒𝑡𝑟𝑖𝑐𝑎 𝑠𝑒 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎 𝑎 𝑙𝑎 𝑏𝑖𝑛𝑜𝑚𝑖𝑎𝑙
𝑁
(Tovar, 2009)
4.1. Problema 1
Solución:
Tenemos una población de tamaño N=1000
X: "número de artículos defectuosos en la muestra".
P(éxito)=0,0 l
Tamaño de la muestra n=25
Si inspeccionamos uno de los 25, ese no lo volvemos a inspeccionar, luego no hay
reemplazamiento, la p de las distintas pruebas no se mantiene constante. Se trata
de una distribución hipergeométrica.
P(x ≥ 2) = 1 − P (x < 2) = 1 − [P (x = 0) + P (x = 1)
(10000 0,01)(1000250,99)
P(x = 0) = = 0,7754
(1000
25
)
P(x ≥ 2) = 0,0239
(10
1
)(990
24
)
P(x = 1) = 1000 = 0,2007
( 25 )
10
𝑛 25
Puesto que 𝑁 = 1000 = 0,025 < 0,05
P(x ≥ 2) = 1 − [P (x = 0) + P (x = 1)]
25 25
P(x ≥ 2) = 1 − ( ) 0,010 0,9925 − ( ) 0,010 0,9924
0 1
4.2. Problema 2
Solución:
Tenemos una población de tamaño N= 50
x: “Numero de edificios que no cumplan el código” x = 3
Tamaño de la muestra n = 10
k: “Número total de edificios que no cumplen el código eléctrico k= 12
Por lo tanto:
#𝐴𝑥 (𝐾𝑥)(𝑁−𝐾
𝑛−𝑥
)
𝑝 (𝑥 ) = 𝑃 [ 𝑋 = 𝑥 ] = = 𝑁
#𝛺 (𝑛)
12! 38!
(12
3
)(50−12
10−3
) ×
3! 9! 7! 31!
P(x=3) = = = 0,2703 =27,03%
(50
10
) 50!
10! 40!
P(x=3) = 0,2703
11
4.3. Problema 3
Solución:
Hay dos sucesos mutuamente excluyentes:
P(estar satisfechos) = 5/20 = 1/4
P(no estar satisfecho) = 15/20 = 3/4
Las pruebas son sin reemplazamiento, no tiene sentido volver a preguntar al
mismo estudiante que se le preguntó antes.
X: "número de alumnos que están insatisfechos con el texto".
3
Es una H (20; 4, 4)
(𝑁𝑝 𝑁𝑞
𝑥 )(𝑛−𝑥)
a) 𝑃(𝑋 = 3) =
(𝑁
𝑛)
(15
3
)(51)
𝑃 (𝑋 = 3) = = 0,469
(20
4
)
b) 𝑃(𝑋 ≥ 3) = 𝑃 (𝑥 = 3) + 𝑃 (𝑥 = 4) = 0,75
4.4. Problema 4
12
K: “numero de fábricas elegidas al azar k = 3
Por lo tanto:
(𝑘 𝑁− 𝑘
𝑥)( 𝑛−𝑥 )
P(X=x) =
(𝑁
𝑛)
(32)(53−2
−3
) (32)(21) 3𝐶2 × 2𝐶1
P(x=2) = = = = 0,60
(53) (53) 5𝐶3
P (x=2) = 0,60
4.5. Problema 5
Solución:
20 1 19
𝑋 = 𝐻 (40; 8, ) 𝑝= 𝑞=
40 20 20
(20)(38
8
)
𝑃 (𝑋 = 0) = = 0,6359
(40
8
)
Si la persona que vende sabe que le controlarán el producto, procurará que la
empresa efectúe un control de calidad antes de iniciar las ventas. Aumentará la
calidad del producto.
13
V. CONCLUSIONES
VI. BIBLIOGRAFIA
14
descriptiva y distribuciones de probabilidad (pp. 403-404). Barranquilla
(Colombia): Editorial Universidad del Norte. Retrieved from
http://www.jstor.org/stable/j.ctvvn8mf.12
8. Yohai, V. J. (2008). Notas de Probabilidades y Estadística, 267.
15