Академический Документы
Профессиональный Документы
Культура Документы
EJERCICIOS
INTRODUCCION A LA PROBABILIDAD
Las Probabilidades pertenecen a la rama de la matemtica que estudia ciertos experimentos llamados
aleatorios; o sea, regidos por el azar, en que se conocen todos los resultados posibles, pero no es posible tener
certeza de cul ser en particular el resultado del experimento.
LA PROBABILIDAD
Es el estudio de los fenmenos de los que no estamos seguros de su ocurrencia.
FENMENO
Un fenmeno es la ocurrencia de un hecho o suceso. Los que nos interesan son aquellos fenmenos los cuales
podemos observar.
EXPERIMENTO
Es un fenmeno observable perfectamente definido.
Debido a que el proceso de obtener toda la informacin relevante a una poblacin particular es difcil y en
muchos casos imposible de obtener, se utiliza una muestra para estimar la informacin necesaria para la toma
de decisiones Muestra (n) inferencia Poblacin = 8 estimado de = 7.5.
Tomemos por ejemplo una compaa como la compaa Ford. Si la empresa desea introducir un nuevo producto
al mercado, sera absurdo pretender que toda la poblacin pruebe el producto.
En este caso, se da a probar el producto a una muestra de consumidores y con base a los resultados de esa
muestra se decide si el producto se elabora o no. Ahora bien, como los resultados obtenidos a partir de una
muestra difieren de los resultados que se obtendran si se observara la poblacin total o universo, existe un
riesgo al tomar la decisin. Es en este caso que se utiliza la PROBABILIDAD como una medida de riesgo.
EXPERIMENTO ALEATORIO Y DETERMINSTICO.
Experimento aleatorio:
Es aquel que al repetirlo varias veces, se obtienen resultados diferentes en forma aleatoria (al azar).
Ejemplo: al realizar la medicin del tiempo en que se tardan en contestar un examen de conocimientos, los
estudiantes aspirantes para entrar al Colegio de Bachilleres del Plantel Villa de Seris; es decir, es aquel que no
se puede prever el resultado.
Experimento determinstico:
Es aquel que nos proporciona siempre el mismo resultado.
Ejemplo: Un ingeniero qumico, al determinar el nmero de molculas de hidrgeno y oxgeno que hay en el
agua (H2O) siempre encontrar que es el mismo, no cambia.
CAMPO DE LA PROBABILIDAD
La probabilidad estudia el tipo de fenmenos aleatorios.
Experimento aleatorio.- Una accin que se realiza con el propsito de analizarla. Tiene como fin ltimo
determinar la probabilidad de uno o de varios resultados.
DEFINICION DE EVENTO
Evento.
Cualquier caracterstica observada del resultado de un experimento.
El evento es aleatorio si como resultado del experimento puede ocurrir o no ocurrir.
Los eventos pueden ser:
Evento Simple. Es aquel que tienen un solo punto muestral.
Evento Compuesto. Son aquellos que tienen dos o ms puntos muestrales.
y #E = #A
Evento Imposible.- Es aquel que nunca se verifica como resultado del experimento aleatorio.
No tiene elementos de inters para su fenmeno.
Sin embargo es un subconjunto de E y la nica posibilidad es que el evento imposible sea el conjunto vaco.
E y No tiene elementos
Ejemplo:
Experimento: Se lanza una moneda tres veces.
Espacio Muestral:
E = { (S,S,S), (S,S,A), (S,A,S), (A,S,S), (A,A,S), (A,S,A), (S,A,A), (A,A,A) },
#E= 8, E es el evento seguro.
Evento simple:
B: Que salgan tres soles; B ={ (S,S,S) } , #B = 1
Evento compuesto:
E: Que salgan al menos dos soles;
E = { (S,S,S), (S,S,A), (S,A,S), (A,S,S) }, #E = 4
DEMOSTRACIN:
Si el espacio muestral , se divide en dos eventos mutuamente exclusivos, A y A c luego =AAc, por tanto
p()=p(A) + p(Ac) y como en el axioma dos se afirma que p()=1, por tanto, p(Ac)= 1 - p(A) .
TEOREMA 3.
Si un evento A B, entonces la p(A) p(B).
DEMOSTRACIN:
Si separamos el evento B en dos eventos mutuamente excluyentes, A y B \ A (B menos A), por tanto, B=A(B \
A) y p(B)=p(A) +p(B \ A), luego entonces si p(B \ A)0 entonces se cumple que p(A)p(B).
TEOREMA 4.
La p( A \ B )= p(A) p(AB)
DEMOSTRACIN: Si A y B son dos eventos cualquiera, entonces el evento A se puede separar en dos eventos
mutuamente excluyentes, (A \ B) y AB, por tanto, A=(A \ B)(AB), luego p(A)=p(A \ B) + p(AB), entonces,
p(A \ B) = p(A) p(AB).
TEOREMA 5.
Para dos eventos A y B, p(AB)=p(A) + p(B) p(AB).
DEMOSTRACIN: Si AB = (A \ B) B, donde (A \ B) y B son eventos mutuamente excluyentes, por lo que p(A
B) = p(A \ B) + p(B) y del teorema anterior tomamos que p(A \ B) = p(A) p(AB), por tanto, p(AB) = p(A) +
p(B) p(AB).
DIAGRAMA DE ARBOL.
Un diagrama de rbol es una representacin grfica de un experimento que consta de r pasos,
donde cada uno de los pasos tiene un nmero finito de maneras de ser llevado a cabo.
Ejemplos:
1. Un mdico general clasifica a sus pacientes de acuerdo a: su sexo (masculino o femenino), tipo de sangre (A,
B, AB u O) y en cuanto a la presin sangunea (Normal, Alta o Baja). Mediante un diagrama de rbol diga en
cuantas clasificaciones pueden estar los pacientes de este mdico?
Si contamos todas las ramas terminales, nos damos cuenta que el nmero de clasificaciones son 2 x 4 x 3 = 24
mismas que podemos enumerar;
MAN, MAA, MAB, MBN, MBA, MBB, etc.
Dos equipos denominados A y B se disputan la final de un partido de baloncesto, aquel equipo que gane dos
juegos seguidos o complete un total de tres juegos ganados ser el que gane el torneo. Mediante un diagrama
de rbol diga de cuantas maneras puede ser ganado este torneo,
Solucin:
A = gana el equipo A
B = gana el equipo B
En este diagrama se muestran que hay solo diez maneras de que se gane el torneo, que se obtienen contando
las ramas terminales de este diagrama de rbol, las que es posible enumerar;
AA, ABB, ABAA, ABABA, ABABB, etc.
A1
A3
B
Luego si ocurre un evento B definido
en , observamos que;
A2
A4
An
B = B = (A1A2A3.....An)B =(A1B)(A2B)(A3B).....(AnB)
Donde cada uno de los eventos AiB son eventos mutuamente excluyentes, por lo que
p(B) = p(A1B) + p(A2B) + p(A3B) +......+ p(AnB)
y como la p(AiB) = p(Ai)p(B Ai) , o sea que la probabilidad de que ocurra el evento Ai y el evento B es igual al
teorema de la multiplicacin para probabilidad condicional, luego;
p(B) = p(A1)p(B A1) + p(A2)p(B A2) + p(A3)p(B A3) + p(An)p(B An)
Si deseamos calcular la probabilidad de que ocurra un evento Ai dado que B ya ocurri, entonces;
P( Ai | B )
p( Ai B )
p( Ai ) p( BAi )
p( B )
p( A1 ) p( BA1 ) p( A2 ) p( BA2 ) .... p( An ) p( BAn )
La expresin anterior es el teorema de Bayes, que como se observa es una simple probabilidad condicional.
Sea A1, A2, ...,An un sistema completo de sucesos, tales que la probabilidad de cada uno de ellos es distinta de
cero, y sea B un suceso cualquier del que se conocen las probabilidades condicionales P(B/Ai). entonces la
probabilidad P(Ai/B) viene dada por la expresin:
OPERACIN
EXPRESION
DESCRIPCION
UNIO N
AB
INTERSECCION
AB
A-B
DIFERENCIA
E
A
E
A
De acuerdo a lo indicado en las figuras 1 y 2, la unin de dos eventos se presenta de dos formas diferentes:
1
cuando los eventos son mutuamente excluyentes (que no tienen elementos en comn)
Definicin.-Se dice que dos eventos A y B son mutuamente excluyentes, cuando no pueden ocurrir
simultneamente, es decir, A B = , lo que ocurre en la fig. 1.
Experimento: Se lanza un dado.
Espacio muestral = total de caras en que puede caer el dado, o sea seis formas de inters:
E = {1, 2, 3, 4, 5, 6}
Sean A, B, C los eventos:
A: Que caiga un nmero impar
A= {1, 3, 5},
B: Que caiga un nmero mayor de 2 y menor que 5 B= {3, 4}
C: Que caiga un nmero par
C= {2, 4, 6}
Ejercicios de Probabilidades
1) Al lanzar un dado tres veces, segn las probabilidades, es conveniente apostar a favor o en
contra de obtener al menos una vez el 2?
"Al menos una vez el 2" quiere decir "alguna vez se obtiene el 2".
Llamando A= {alguna vez se obtiene el 2}, su complemento es Ac= {ninguna vez se obtiene el 2} P(Ac)=P(no
sale 2 en 1er lanzam.) P (no sale 2 en 2 lanzam.) P (no sale 2 en 3er lanzam.)=5/65/65/6 =125/216 0,58.
Ejercicio:
1. Un mdico general clasifica a sus pacientes de acuerdo a: su sexo (masculino o
femenino), tipo de sangre (A, B, AB u O) y en cuanto a la presin sangunea (Normal, Alta o
Baja). Mediante un diagrama de rbol diga en cuantas clasificaciones pueden estar los
pacientes de este mdico?
Si contamos todas las ramas terminales, nos damos cuenta que el nmero de
clasificaciones son 2 x 4 x 3 = 24 mismas que podemos enumerar;
MAN, MAA, MAB, MBN, MBA, MBB, MABN,MABA, MABB, MO,
FA,FBN,FBA,FBB,FABB,FOB,FOA,FOB.
1.
Media o valor esperado de x.- Para determinar la media de la distribucin discreta se utiliza la siguiente
frmula:
E( x ) xi* p( xi )
Donde:
= media de la distribucin
E(x) = valor esperado de x
xi = valores que toma la variable
p(xi) = probabilidad asociada a cada uno de los valores de la variable x
Desviacin estndar. Para determinar la desviacin estndar de la distribucin discreta se utiliza la siguiente
frmula:
( xi )
* p( xi )
Dnde:
= desviacin estndar
= media o valor esperado de x
xi = valores que toma la variable x
p(xi) = probabilidad asociada a cada uno de los valores que toma x
Funcin de distribucin
La funcin de distribucin
en consideracin
grficamente la funcin de distribucin es el rea limitada por la funcin de densidad y el eje de abscisas entre
yx
Desarrollando el cuadrado llegamos a una expresin de la varianza ms cmoda para operar que la definicin
Ejemplo:
La distribucin de probabilidad de x , el nmero de defectos por cada 10 metros de una tela sinttica en rollos
continuos de ancho uniforme , es
x
p(x)
0
0.41
1
0.37
2
0.16
3
0.05
4
0.01
a)
b)
Determine el nmero esperado de defectos por cada 10 metros de tela sinttica en rollos continuos
de ancho uniforme y la desviacin estndar del nmero de defectos por cada 10 metros de tela.....
c)
Determine la probabilidad de que en 10 metros de tela sinttica se encuentren como mximo 2
defectos.
d)
Determine la probabilidad de que en 10 metros de tela sinttica se encuentren por lo menos 2
defectos.
Solucin:
a)
p(x)
P(x)
0.41
0.41
0.37
0.78
0.16
0.94
0.05
0.99
0.01
1.0
( xi )
d)
EJERCICIOS
Una calculadora genera nmeros al azar en el intervalo [0,1], con igual probabilidad para cada nmero del
intervalo. Una variable as definida es continua, y adems se reparte uniformemente la probabilidad en el
intervalo [0,1]. La funcin de densidad es :
2. Dada la funcin
Atendiendo a la definicin de la funcin de densidad, para que f sea funcin de densidad 3 + k = 1 , sin ms
que despejar en la ecuacin se deduce que k = -2
P(x)
0.729
0.243
0.027
0.001
b)
xi* p( xi )
(0)(0.729)+(1)(0.243)+(2)(0.027)+(3)(0.001)=
= 0.0 + 0.243 + 0.054 + 0.003 = 0.3 0 productos defectuosos
Interpretacin:
Se espera que ninguno de los productos inspeccionados sea defectuoso.
( xi )* p( xi )
2
Interpretacin:
En este experimento se espera que ninguno de los productos inspeccionados sea defectuoso, pero los
resultados de este experimento pueden variar en 1 producto defectuoso, por lo que al inspeccionar los 3
productos el nmero de productos defectuosos puede variar desde 1 producto defectuoso, hasta 1
producto defectuoso, pero, es posible obtener 1 producto defectuoso?, claro que esto no puede ocurrir,
luego el nmero de productos defectuosos en el experimento variar de 0 a 1 producto defectuoso
solamente.
6.2 Distribucin
administrativa.
de
muestreo;
caractersticas
aplicacin
en
el
rea
Muestreo.
En esta fase se determina la tcnica ms apropiada en funcin del problema, las hiptesis y el diseo. Aqu
cabe diferenciar varios tipos de muestras resultado de las distintas depuraciones que se van haciendo a lo largo
del proceso de la recogida de los datos. Nos referimos a:
Muestra invitada. Son los sujetos de la poblacin a quienes se les invita a participar.
Muestra participante. Son los sujetos que aceptan formar parte del estudio.
Muestra real. Es la muestra productora de los datos que servirn para el anlisis final.
La diferencia entre la muestra invitada y la muestra real rara vez aparece especificado en los informes de
investigacin.
Tcnicas de muestreo
La eleccin de la muestra puede hacerse desde dos perspectiva: probabilsticas o al azar y no probabilsticas.
Las tcnicas ms comunes son:
Probabilsticas:
Azar simple.
Aleatorio sistemtico.
Aleatorio estratificado.
Aleatorio por conglomerados.
Multietapa.
No Probabilsticas:
Deliberado.
Accidental o causal.
Muestra de voluntarios.
Muestreos mixtos.
Tamao de la muestra
El tamao que debe tener la muestra que se selecciona depende bsicamente del tipo de estudio que se vaya
a realizar. Si el trabajo es experimental, la muestra puede ser bastante ms pequea que si realizamos trabajos
descriptivos, en los que la nica forma de controlar los muchos factores que pueden aparecer a lo largo del
proceso, es aumentar el nmero de elementos en la muestra.
Teora de la estimacin.
La estimacin de parmetros por intervalos, permite construir un intervalo que contendr el parmetro a
estimar con un confianza fijada a priori por el experimentador.
El objetivo principal de la estadstica inferencial es la estimacin, esto es que mediante el estudio de una
muestra de una poblacin se quiere generalizar las conclusiones al total de la misma.
Existen dos tipos de estimaciones para parmetros; puntuales y por intervalo.
Una estimacin puntual es un nico valor estadstico y se usa para estimar un parmetro.
Una estimacin por intervalo es un rango, generalmente de ancho finito, que se espera que contenga
el parmetro.
Distribucin
Distribucin
Distribucin
Distribucin
de frecuencias
normal (Gaussiana)
de probabilidad
de Poisson
Distribucin binomial
Distribucin de muestreo
Distribucin t
Distribucin F
Qu es la distribucin de muestreo?
Muestreo es definido como el proceso de seleccionar un nmero de observaciones (sujetos) de un grupo
en particular de la poblacin.
Distribucin de muestreo mes definida como la distribucin de frecuencias de la estadstica de muchas
muestras.
Es la distribucin de medias y es llamada la distribucin de muestreo de la media.
Cuando la distribucin de muestreo de la media tiene muestras de tamao de 30 o mayores se dice que
estn Normalmente distribuidas.
s
n
Donde, n = tamao de muestra s- desviacin estndar de la muestra x media de la muestra
Z = x-
/n
Donde, X es la media de la muestra
es la media de la distribucin de muestreo
es el ES de la distribucin de muestreo n
y desviacin estndar
p
Distribucin de intervalos de proporcin
A la hora de determinar el tamao que debe alcanzar una muestra hay que tomar en cuenta varios
factores: el tipo de muestreo, el parmetro a estimar, el error muestral admisible, la varianza
poblacional y el nivel de confianza. Por ello antes de presentar algunos casos sencillos de clculo del
tamao muestral delimitemos estos factores.
Para calcular el tamao de una muestra hay que tomar en cuenta tres factores:
1
El porcentaje de confianza con el cual se quiere generalizar los datos desde la muestra hacia la
poblacin total.
El tamao de la muestra:
Al realizar un muestreo probabilstica nos debemos preguntar Cul es el nmero mnimo de
unidades de anlisis ( personas, organizaciones, captulo de telenovelas, etc.), que se necesitan para
conformar una muestra (
En el tamao de una muestra de una poblacin tenemos que tener presente adems si es conocida
o no la varianza poblacional.
(1)
expresin
Ejemplo 1
De una poblacin de 1 176 adolescentes de una ciudad X se desea conocer la aceptacin por los programas
humorsticos televisivos y para ello se desea tomar una muestra por lo que se necesita saber la cantidad de
adolescentes que deben entrevistar para tener una informacin adecuada con error estndar menor de 0.015 al
90 % de confiabilidad.
Solucin:
= 1 176
= 0,015
por lo que
Es decir para realizar la investigacin se necesita una muestra de al menos 298 adolescentes.
. El estimado puntual
Una alternativa para reportar un solo valor del parmetro que se est estimando es calcular e
informar todo un intervalo de valores factibles, un estimado de intervalo o intervalo de confianza (IC).
Un intervalo de confianza se calcula siempre seleccionando primero un nivel de confianza, que
es una medida del grado de fiabilidad en el intervalo.
Un intervalo de confianza con un nivel de confianza de 95% de la resistencia real promedio a la
ruptura podra tener un lmite inferior de 9162.5 y uno superior de 9482.9.
Encontrar z a partir de un nivel de confianza
Existen varias tablas en las cuales podemos encontrar el valor de z, segn sea el rea proporcionada
por la misma. En esta seccin se realizar un ejemplo para encontrar el valor de z utilizando tres
tablas diferentes.
Ejemplo:
Encuentre el valor de z para un nivel de confianza del 95%.
Solucin 1:
Se utilizar la tabla que tiene el rea bajo la curva de -
hasta z.
En base a la tabla que se esta utilizando, se tendr que buscar el rea de 0.975, ya que cada
extremo o cola de la curva tiene un valor de 0.025.
GRFICAS DE VARIABLES
Una grfica de control X-R, en realidad son dos grficas en una, una representa los promedios de las muestras
de la (grfica X) y la otra representa los rangos (grfica R), deben construirse juntas, ya que la grfica X, nos
muestra cualquier cambio en la media del proceso y la grfica R nos muestra cualquier cambio en la dispersin
del proceso, para determinar las X y R de las muestras, se basan en los mismos datos.
Algunos puntos importantes a considerar previo a la elaboracin de esta grfica son:
Variable a considerar
Tamao de la muestra
Tener un criterio para decidir si conviene investigar causas de variacin del proceso de produccin.
Familiarizar a l personal con el uso de esta grfica.
La construccin de una grfica de rangos y promedio resulta de formar una unidad, tanto de la grfica
de promedios como de la de rangos, consta de dos secciones,
Parte superior se dedica a los promedios,
Parte inferior a los rangos, en el eje vertical se establece la escala, a lo largo del eje horizontal se
numeran las muestras.
Mediante este proceso est bajo control cuando no muestra ninguna tendencia y adems ningn punto
sale de los lmites.
Esta grfica es el instrumento estadstico que sirve para estudiar el comportamiento de un proceso de
manufactura, considerando como indicador la desviacin estndar.
La estructura general, est constituida por dos porciones, una se destina al registro de los promedios de la
caracterstica de calidad en consideracin y otra para controlar la variabilidad del proceso.
Ejercicios
Un epidemilogo estudi un grupo aleatorio de 25 individuos (hombres y mujeres) entre 30-49 aos de edad y
encontr que la frecuencia cardiaca media es de 70 latidos por minuto.
Ejercicio # 1
Cun frecuentemente la muestra de 25 individuos tienen una frecuencia cardiaca media de 74 latidos por
minuto o ms? O en otras palabras;
Qu proporcin de la muestra tendr valor medio de 74 latidos por minuto o mayor, si muestras repetidas de
25 individuos son aleatoriamente seleccionadas de la poblacin?
R: 2.3%
Ejercicio # 2
Investigacin adicional mostr que 25 individuos parecan haber usado un medicamento para tratamiento y
ahora el epidemilogo quiere detectar los eventos adversos del medicamento sobre la tasa de frecuencia
cardiaca. El epidemilogo asume que la frecuencia cardiaca media est en el 5% superior de la distribucin y
ser la causa de inters.
Determine el valor que divide el 5% superior del 95% inferior de la distribucin de muestreo.
El uso de la curva Normal para resolver problemas
95%
5%
73.29
1 2
R: 73.29
Ejercicio # 3
El detective de enfermedades (epidemilogo) quiere saber cuntos pacientes sern incluidos en el estudio
para determinar el efecto del medicamento. El epidemilogo asume que la frecuencia cardiaca media deber
no ser mayor a 72 latidos por minuto, 90% de las veces.
O en otras palabras
Para incluir a individuos en el estudio, cul ser el tamao de muestra para que el 90% de las medias de las
muestras sea de 72 latidos por minuto o menos?
R: 40.96
Ejercicio # 4.
La renta media de los habitantes de un pas se distribuye uniformemente entre 4,0 mil pesos. y 10,0 mil pesos.
Calcular la probabilidad de que al seleccionar al azar a 100 personas la suma de sus rentas supere los 725 mil
pesos.
Cada renta personal es una variable independiente que se distribuye segn una funcin uniforme. Por ello, a la
suma de las rentas de 100 personas se le puede aplicar el
Teorema del Lmite Central.
La media y varianza de cada variable individual es:
u = (4 + 10 ) / 2 = 7
o 2 = (10 - 4)^2 / 12 = 3
Por tanto, la suma de las 100 variables se distribuye segn una normal cuya
media y varianza son:
Media: n * u= 100 * 7 = 700
Varianza: n * o= 100 * 3 = 300
Para calcular la probabilidad de que la suma de las rentas sea superior a 725 mil pesos, comenzamos por
calcular el valor equivalente de la variable normal tipificada:
Luego:
P (X > 725) = P (Y > 1,44) = 1 - P (Y < 1,44) = 1 - 0,9251 = 0,0749
Es decir, la probabilidad de que la suma de las rentas de 100 personas seleccionadas al azar supere los 725 mil
pesos es tan slo del 7,49%
GLOSARIO
ALEATORIA: Perteneciente o relativo al juego de azar.
AZAR: Casualidad, caso fortuito.
AXIOMA: Cada uno de los principios fundamentales e indemostrables sobre los que se
BIBLIOGRAFIA
http://www.mitecnologico.com/admon/main/laest
adisticaenlasactividadesempresarialesconenfoqu
eadministrativo.
http://html.rincondelvago.com/estadistica-en-laadministracion.html
http://www.itescam.edu.mx/portal/syllabus.php?
nombre=LADM-2010-234
www.vitutor.com/estadistica/descriptiva/d-4.html
Anderson D.; Sweeney, D. y Williams, T. Estadstica para la administracin y economa. Mxico. Editorial
Thomson. Octava edicin. 2005/ PDF.