Clase Probabilidades Ing Petrolera

Teora de Probabilidades
Concepto de Probabilidad
Probabilidad es la posibilidad de ocurrencia de un cierto evento en un experimento dado. La teora de

probabilidades permite medir dicha posibilidad.
Estadstica y Probabilidad
La relacin entre probabilidad y estadstica puede verse mediante el siguiente ejemplo:
Un lote de 10,000 vlvulas de tubera se importan para la industria petroqumica. El fabricante

especifica que el lote contiene una proporcin p igual al 10 % o 0.1 de defectuosas. Si se toman
muestras de 100 vlvulas, se debe esperar que existan 10 defectuosas en cada muestra; sin embargo, al
tomar varias muestras, algunas tendrn 8 defectuosas, otras tendrn 9, 10, 11, etc. La Teora de
Probabilidades nos permite calcular la posibilidad o probabilidad de obtener un nmero determinado de
vlvulas defectuosas en una muestra, obtenida bajo ciertas condiciones. En la realidad, la Estadstica
nos permite estimar el valor de p.
24/4/2017 Jaime Ortega 1
Una situacin real implica el conocer varios parmetros o variables (en el ejemplo anterior el
parmetro es p).
Si stos no se conocen y tienen que ser estimados a partir de datos experimentales, se est en presencia
de un problema estadstico.
Una ves que dichos parmetros han sido estimados, ellos pueden ser utilizados para deducir el
comportamiento de una poblacin mediante la solucin a un problema probabilstico

En resumen:
La Estadstica Descriptiva acumula y analiza la masa de datos numricos provenientes de los resultados
de ciertas actividades o de la observacin de fenmenos.
La Probabilidad se encarga de evaluar la posibilidad de ocurrencia de los resultados de todas aquellas

actividades en donde se tiene incertidumbre acerca de los resultados que se pueden esperar.

Definiciones y Conceptos
Experimento Aleatorio
Se llama experimento o fenmeno aleatorio a aqul cuyos resultados no se pueden predecir de

antemano en una experiencia concreta.
Se llama experimento determinista o determinstico al que, realizado en las mismas condiciones, es

posible predecir los resultados (Fsica del problema).
Espacio Muestral: Es el conjunto de todos los posibles resultados de un experimento aleatorio.
Punto Muestral: Es un posible resultado de un experimento (un evento) aleatorio.

Probabilidad de La Place
Cuando se pueda asegurar que se cumple el postulado de indiferencia, es decir que todos los sucesos
elementales o posibles resultados de un experimento son igualmente posibles y mutuamente excluyentes
(no pueden ocurrir dos al mismo tiempo) entonces se define que la probalidad de ocurrencia de un evento
cualquiera (a) se la puede estimar mediante:
nmero de casos favorables

P(a)
nmero de casos posibles

Probabilidad de La Place
Se observ que en 9 de cada 50 vehculos que pasan por una cierta esquina, los conductores no
tienen cinturn de seguridad. Si un vigilante de trnsito se para en esa misma esquina en un da
cualquiera Cul ser la probabilidad que detenga un vehculo sin cinturn de seguridad?
frecuencia observada de casos favorables 9

P(a) 0.18
frecuencia observada de casos posibles 50
Tanto el enfoque clsico (terico) como el enfoque emprico conducen a valores objetivos de
probabilidad, en el sentido de que los valores de probabilidad indican en el largo plazo la tasa
relativa de ocurrencia del evento.

Probabilidad Puntual o Probabilidad del Punto Muestral
Es la frecuencia de ocurrencia del evento en muchas repeticiones del experimento.
Si se designa un evento con y, la probabilidad de su ocurrencia se expresa por P(y).
Ejemplos:
1.- Se lanza una moneda regular (experimento), el Espacio Muestral es Cara y Cruz, es decir Ca y Cr. La
probabilidad de ocurrencia de Cara es igual a la de Cruz y se denota por: P(Ca) = P(Cr) = 1/2.

Probabilidad del Punto Muestral
2.- Se lanzan dos dados. El Espacio Muestral consiste de 36 combinaciones que se muestran abajo.
1,1 1,2 1,3 1,4 1,5 1,6
2,1 2,2 2,3 2,4 2,5, 2,6
3,1 3,2 3,3 3,4 3,5 3,6 Cada uno de los 36 puntos
4,1 4,2 4,3 4,4 4,5 4,6 muestrales tiene la misma
probabilidad de ocurrencia. Por la
5,1 5,2 5,3 5,4 5,5 5,6
simple inspeccin de la tabla
6,1 6,2 6,3 6,4 6,5 6,6
anterior se tiene que:
P(suma de dos dados sea siete) = 6/36 = 1/6
P(suma de dos dados sea siete u once) = 6/36 + 2/36 = 2/9 Return
Definiciones y Conceptos: Tipos de Eventos
a) Eventos Mutuamente Excluyentes
Dos eventos E1 y E2 son mutuamente excluyentes si ambos no pueden ocurrir al mismo tiempo. En
trminos de probabilidad esto se expresa por:
P(E1 E2) = P(E1) + P(E2)
b) Eventos que no son Mutuamente Excluyentes
Dos eventos E1 y E2 no son mutuamente excluyentes si ambos pueden ocurrir al mismo tiempo. En
trminos de probabilidad esto se expresa por:
P(E1 E2) = P(E1) + P(E2) - P(E1 y E2)
Donde P(E1 y E2) es la probabilidad que ambos eventos ocurran.

Ejemplo: Se lanzan dos dados, cual es la probabilidad que la suma sea 7 (E1 ) o al menos uno de los dados
sea 3 (E2 )?
Examinando la tabla anterior se tiene:
Posibles resultados de E1 (1,6), (2,5), (3,4), (4,3) (5,2), (6,1) P(E1) = 6/36
Posibles resultados de E2 (1,3), (2,3), (3,3), (4,3), (5,3), (6,3), P(E2) =11/36
(3,1), (3,2), (3,4), (3,5), (3,6)
Posibles resultados de E1 y E2 (3,4), (4,3) P(E1 y E2) = 2/36
Por lo tanto P(E1 E2) = P(E1) + P(E2) - P(E1 y E2) = 6/36 + 11/36 - 2/36 = 15/36
10
24/4/2017 Jaime Ortega

Ejemplo: Se tienen cinco libros de distintas materias: Matemtica, Biologa, Qumica, Fsica y Lenguaje.
Si se toma uno de ellos, cul es la probabilidad de que este sea de matemtica o de fsica?
Solucin:
Sean los eventos: E1 =Tomar el libro de Matemticas. E2 =Tomar el libro de Fsica.
La probabilidad pedida es: P(E1 E2) = P(E1) + P(E2) - P(E1 y E2)

P(E1 E2) = P(E1) + P(E2) - P(E1 E2)
Como E1 y E2 son eventos mutuamente excluyentes: P(E1 E2) = 0
Por lo tanto nos queda: P(E1 E2) = P(E1) + P(E2) = 1/5 + 1/5 = 2/5

Definiciones y Conceptos : Probabilidad Condicional
La probabilidad condicional de un evento E1, dado que un evento E2, sucedi se calcula mediante:
P(E1/E2) = P(E1 y E2)/P(E2) o bien:
P(E1/E2) = P(E1 E2)/ P(E2)
Ejemplo: Se lanzan dos dados, dado que al menos un dado es 3, cual es la probabilidad que la suma sea 7?
E2 = al menos un dado es 3 = 11/36 E1 = la suma es 7 = 2/36 por tanto:
P(E1/E2) = P(E1 E2)/P(E2) = (2/36) / (11/36) = 2/11

Definiciones y Conceptos : Probabilidad Condicional
Ejemplo: en una oficina existen 100 computadoras. Unas son marca Canon(C ) y otras Dell (D).
Adems algunas son nuevas (N) y otras usadas (U); segn la siguiente tabla:
C D Total Se escoge una computadora al azar y sta es nueva. Cul la probabilidad

N 40 30 70 que sea Canon?
U 20 10 30 Usando la definicin de probabilidad condicional:
Total 60 40 100
E2 = la computadora es nueva = 70/100
por tanto: P(E1/E2) = P(E1 E2)/P(E2) = (40/100) / (70/100) = 4/7

Definiciones y Conceptos : Eventos Dependientes e Independientes
Se dice que dos eventos E1 y E2 son independientes si: P(E1/E2) = P(E1).
Se dice que dos eventos E1 y E2 son dependientes si: P(E1/E2) P(E1).
Ejemplo: dos lanzamientos sucesivos de dos dados son sucesos independientes. La probabilidad que la
suma sea 7: 6/36, es la misma en ambos lanzamientos !
Nota .- Existe una creencia popular llamada "ley del promedio". Segn esto, si en el primer lanzamiento la
suma fue 7, la probabilidad que la suma sea 7 en el segundo lanzamiento es menor. Esto implicara que
los dados tienen algn tipo de memoria !
Si dos sucesos E1 y E2 son independientes, entonces: P(E1 E2) = P(E1) P(E2)

Definiciones y Conceptos : Permutaciones sin repeticin
El nmero de maneras en las cuales se puede seleccionar r objetos de n distintos, tomando en cuenta
el orden de seleccin y sin que estos objetos se repitan, se llama nmero de permutaciones de n
objetos tomados de r, y se denota por:
n
P r
La formula de clculo es:

n!
n
Pr n(n 1)......(n r 1)
(n r )!
Ejemplo: la combinacin de una cerradura es en realidad una permutacin en la que el orden importa

Definiciones y Conceptos : Permutaciones sin repeticin
Ejemplo: se establece un mecanismo de seguridad de una cerradura en 4 dgitos (clave). Cuantas

claves se pueden establecer?
Aplicando la formula de clculo:
n! 10! 10 9 8 7 6!
n
Pr n(n 1)......(n r 1) 5040
(n r )! (10 4)! 6!
Con 5 dgitos: 30240

Con 6 dgitos: 151200

Definiciones y Conceptos : Combinaciones
El nmero de maneras en las cuales se puede seleccionar r objetos de n distintos, sin tomar en cuenta el
orden de seleccin
En trminos matemticos, se llama nmero de combinaciones de n objetos tomados de r, se denota por:

n
C r
n n!
C r r (n r )!r!
n
La formula de clculo es:

Ejemplo: Un inspector toma muestras de 5 artculos de un lote de 100.
100 100!

100
Cuantas muestras distintas puede obtener? C5 5 (100 5)!5!
Si el lote tiene un articulo defectuoso, cuantas muestras distintas que contenga el articulo defectuoso
puede obtener ?.
Si es condicin que uno de los artculos sea defectuoso, entonces se necesita encontrar el nmero de
maneras muestras de cuatro artculos tomados de los restantes 99. Es decir:
99 99!
C 4 4 (99 4)!4!
99

Cual es la probabilidad de obtener una muestra que tenga el articulo defectuoso?
La probabilidad de tomar una muestra que contenga el articulo defectuoso estar dada por el
cociente entre las muestras que tienen el artculo defectuoso y todas las muestras que se puedan
extraer.
C4
99
p 0.05
100 C5

Ejemplo: El nmero de partidos de futbol de una liga de 11 equipos.
11 11! 11 10 9!
11
C 2 2 (11 2)!2! 55
9!2!

Definiciones y Conceptos : Variables Aleatorias
La definicin formal menciona que una variable aleatoria o variable estocstica es una funcin que
asigna un valor, usualmente numrico (nmero real), a un resultado del Espacio Muestral de un
experimento aleatorio.
En trminos simples, una variable aleatoria es la forma de asignar un nmero particular, a un

resultado experimental dado.
Se utilizan letras maysculas X, Y, ... para designar variables aleatorias, y las respectivas minsculas
(x, y, ...) para designar valores concretos de las mismas.
De manera similar a los "datos" o caractersticas en observacin, mencionados en la Seccin de

Estadstica Descriptiva, la variables aleatorias tambin pueden ser discretas o continuas.

Ejemplo 1:
Experimento: medir la temperatura en escala Kelvin.
Variable aleatoria: valores medidos de temperatura
La variable aleatoria es continua pues tomar valores entre cero e infinito
Si se denota a la variable con Y, entonces: Y= ( 0 T ) donde T es la temperatura.

Ejemplo 2:
Experimento: se lanza una moneda dos veces
Variable aleatoria: nmero de caras
La variable es discreta pues tomar valores de 0,1 y 2. Es decir: Y=(0,1,2)
Otras variables son: la Media, la Varianza y la Desviacin Estndar.

Distribuciones de Probabilidad
La distribucin de probabilidad de una variable aleatoria, es una funcin que asigna a cada valor
posible de dicha variable aleatoria, una probabilidad de ocurrencia del mencionado valor.
Distribucin de Probabilidades Discreta
Si una variable aleatoria discreta Y, puede tomar valores y1 , y2 , y3 , ... yn con probabilidades de
ocurrencia p1 , p2 , p3 , ... pn , donde pi 0, para todo i, entonces tal situacin define una
Distribucin de Probabilidades Discreta.
La probabilidad que Y tome un valor particular y, se denotar como P(Y = y) o simplemente como P(y).
En trminos matemticos: = ;

Distribuciones de Probabilidad Distribucin de Probabilidades Discreta
Definicin de funcin de distribucin
En trminos matemticos, una funcin de distribucin de probabilidades, en el caso de una variable

aleatoria discreta, es la funcin de distribucin acumulada:
= ;
Para dos nmeros reales cualesquiera a y b con a < b tenemos entonces que
P (a < y b) = P (y b) - P (y a)
P (a < y b) = F(b) F(a)

Distribuciones de Probabilidad Distribucin de Probabilidades Discreta
Definicin de funcin de distribucin
Si a, b, c con a < b < c, son valores consecutivos de una variable aleatoria discreta, tenemos entonces
que:
P (y a ) = 1- P (y a-1 )
P (y b ) = 1- P (y a )
P (y c ) = 1- P (y b )
Donde a-1 es el nmero anterior a a

Ejemplo: Se lanzan dos dados regulares

Variable Aleatoria: La suma de los nmeros de los dos dados
Valores de la variable:Y = (2,3,4,............11,12)
Por inspeccin a la tabla anterior la Distribucin de Probabilidades ser: (trabajo de alumnos)
P(Y=2) = P(2) = 1/36 P(Y=3) = P(3) = 2/36 P(Y=4) = P(4) = 3/36
P(Y=5) = P(5) = 4/36 P(Y=6) = P(6) = 5/36 P(Y=7) = P(7) = 6/36
P(Y=8) = P(8) = 5/36 P(Y=9) = P(9) = 4/36 P(Y=10) = P(10) = 3/36
P(Y=11) = P(11) = 2/36 P(Y=12) = P(12) = 1/36

P(Y=2) = P(2) = 1/36 P(Y=3) = P(3) = 2/36 P(Y=4) = P(4) = 3/36
P(Y=5) = P(5) = 4/36 P(Y=6) = P(6) = 5/36 P(Y=7) = P(7) = 6/36
P(Y=8) = P(8) = 5/36 P(Y=9) = P(9) = 4/36 P(Y=10) = P(10) = 3/36
P(Y=11) = P(11) = 2/36 P(Y=12) = P(12) = 1/36
La tabla anterior constituye la "Distribucin de Probabilidades" para los resultados del experimento
Ntese que la suma de todas las probabilidades es igual a 1.

Ejemplo: Se desea realizar un estudio sobre el nmero de cras en una camada de algn mamfero. Se
sabe que el nmero mximo de cras es 3.
Variable Aleatoria: Y = nmero de cras en una camada.
Y toma los valores: y = 0,1,2,3
Se sabe tambin ( por estudios de frecuencia) que las probabilidades son:
P(Y=0) = 0.2
P(Y=1) = 0.3
P(Y=2) = 0.3
P(Y=3) = 0.2

La Funcin Acumulada de Distribucin de Probabilidades o Funcin de Probabilidades se presenta

como sigue:
0.0 <0
P(Y=0) = 0.2 0.2 0 < 1
P(Y=1) = 0.3 = 0.5 1 < 2
P(Y=2) = 0.3 0.8 2 < 3
P(Y=3) = 0.2 1.0 3

0.0 <0
0.2 0 < 1
= 0.5 1 < 2
0.8 2 < 3
1.0 3
Cul es la probabilidad que una camada

tenga dos cras?
P(Y=2) = F(2) F(1) =0.8-0.5= 0.3

Distribucin Binomial
Supngase que se repiten n veces un experimento el cual puede ser un xito, con probabilidad p,
o un fracaso con probabilidad (1-p).
El nmero de xitos ser un nmero entero entre 0 y n.

Se define la variable aleatoria binomial, Y, como el nmero de xitos en las n repeticiones.
La variable binomial es una variable aleatoria discreta, slo puede tomar los valores 0, 1, 2, 3, 4, ...,
n suponiendo que se han realizado n pruebas.
Como hay que considerar todas las maneras posibles de obtener r-xitos y (n-r) fracasos, el total de
posible combinaciones de xitos y fracasos es:
n
Cr
Considerar todas las maneras posibles de obtener r-xitos y (n-r) fracasos, el total de combinaciones de
xitos y fracasos es:
n
Cr
Por lo tanto, la probabilidad de tener r xitos (Distribucin Binomial ) est dada por:
n r
P(Y r ) P(r ) Cr p (1 p) n r
Es condicin indispensable que: P(r ) 1

r 0

Media y Varianza de la Distribucin Binomial
Media
Si Y es una variable aleatoria discreta que toma valores y1 , y2 , y3 , ... yn con probabilidades de
ocurrencia p1 , p2 , p3 , ... pn , con pi 0, para todo i, entonces el valor esperado (medio) de Y esta dado
por:
n
E (Y ) yi pi
i 1
Para una distribucin Binomial se tiene:
n
E (Y ) C r p (1 p) nr r np
n r
r 0

Media
Es importante notar que si una poblacin puede ser descrita por una distribucin Binomial, entonces el
valor esperado de la distribucin es igual al valor terico de la media poblacional, es decir:
E (Y ) np

Varianza
Si Y es una variable aleatoria discreta que toma valores y1 , y2 , y3 , ... yn con probabilidades de
ocurrencia p1 , p2 , p3 , ... pn , con pi 0, para todo i, entonces la varianza de Y est dada por:
varianza(Y ) = E[ (Y - ) 2 ]
Para una distribucin Binomial se tiene:
N
(r np) 2 n C r pr (1 p) nr np(1 p)
2
r 0

Varianza
Al igual que en el caso de la media, si una poblacin puede ser descrita por una distribucin de
probabilidades, entonces el entonces la Varianza de la distribucin es igual a la Varianza poblacional. Es
decir:
N
i

2 2
( y ) pi
i 1

Ejemplos
En un laboratorio de control de calidad de una empresa elctrica, se inspecciona una muestra al azar de
10 alternadores instalados. Si se sabe que el 20% de los alternadores estn defectuosos. Cul es la
probabilidad de que en la muestra:
a) ninguno est defectuoso
= 0 = 0 = = 0; = 10, = 0.2
10!
= 0.20 (1 0.2)100 = 0.810 = 0.1074
10 0 ! 0!

Ejemplos
a) ninguno est defectuoso
= 0 = 0 = = 0; = 10, = 0.2
10!
= 0.20 (1 0.2)100 = 0.810= 0.1074
10 0 ! 0!

Ejemplos
b) uno salga defectuoso
= 1 = 1 = = 1; = 10, = 0.2
10!
= 0.21 (1 0.2)101 = 0.2684
10 1 ! 1!

Ejemplos
c) dos salgan defectuosos
= 2 = 2 = = 2; = 10, = 0.2
10!
= 0.22 (1 0.2)102 = 0.3020
10 2 ! 2!

Ejemplos
d) al menos dos salgan defectuosos
2 =1 1
= 1 1; = 10, = 0.2
= 1 0.1074 + 0.6242 = 0.2684
Note que: P(y 1) = P(Y=0) + P(Y=1)= P(0) + P(1)

Ejemplos
e) ms de tres estn con defectos
3 =1 2
= 1 2; = 10, = 0.2
=1 (0.1074 + 0.2684 + 0.3020) = 0.3222
Note que: P y 2 = P Y=0 + P Y=1 + P Y=2 = P 0 + P 1 + p 2

Calcular probabilidades
binomiales es tedioso incluso
para valores relativamente
pequeos de n. Cuando n se
hace grande, se hace casi
imposible sin ayuda de una
calculadora o computadora.
Existen tablas de
probabilidades binomiales
acumulativas 1, para
valores de n que van de 2 a
4 y para valores
seleccionados de p.

Grficas de la Distribucin Binomial
Las gura muestra una

distribucin binomial
con n = 10 pero con
diferentes valores de r.
Cuando p =0.5, la
distribucin es
exactamente simtrica
alrededor de la media:
=np = 100.5.

Grficas de la Distribucin Binomial
Cuando p = 0.9, la distribucin es la imagen espejo de la distribucin para p =0.1 y est sesgada a la
izquierda.

La Distribucin de Poisson
La distribucin de Poisson es una distribucin de probabilidad discreta que expresa, a partir de una
frecuencia de ocurrencia, la probabilidad de que ocurra un determinado nmero de eventos r, durante
cierto perodo de tiempo. El parmetro r, es siempre un nmero entero.
La distribucin de probabilidad de Poisson esta dada por:
P(r ) e con r = 0,1,2 ... con 0

r
Donde:
r!
- es la media de la distribucin; nmero positivo que representa el nmero de veces que se espera que
ocurra el fenmeno durante un intervalo dado (fecuencia).
- e es la base de los logaritmos naturales (e = 2,71828...)
Puede demostrarse que:

P(r ) 1
r 0
Estas probabilidades pueden calcularse utilizando la siguiente ecuacin de recurrencia:
P(r )
P (r 1)
(r 1)

La distribucin de Poisson se utiliza principalmente para describir el nmero de accidentes que pueden
ocurrir en un cierto intervalo de tiempo y como aproximacin a la distribucin Binomial cuando el
parmetro p es pequeo.
En la definicin de la distribucin se tomaron en cuenta las siguientes consideraciones:
Eventos ocurren al azar en un intervalo de tiempo, a una frecuencia promedio de eventos por unidad
de tiempo.
En un intervalo de tiempo de duracin t , ocurren en promedio (t ) eventos.
El nmero de accidentes en dos intervalos de tiempo diferentes es independiente el uno del otro.
Cada evento tiene dos posibles resultados mutuamente excluyentes

N
Puede demostrarse que: E ( y ) Varianza( y ) rP(r ) t
r 0
La distribucin de Poisson como

aproximacin a la distribucin Binomial
puede emplearse cuando n > 20 y =
np < 5. La distribucin de
probabilidades se puede graficar para
varios valores de , como se muestra a
continuacin.

Ejemplo: En una cierta mina, el nmero de accidentes no fatales se distribuye con la distribucin de
Poisson. Por registro de accidentes a lo largo de aos, se ha determinado que el nmero promedio de
accidentes es de =6 accidentes por ao. Cual es la probabilidad de tener un ao con menos de dos
accidentes ?
Sea Y = numero de accidentes por ao.

P( r ) e e 6
r 6 r
La ecuacin a emplearse es:
r! r!
Lo que se pide es: P(Y < 2)

La Distribucin de Poisson - Usos
El nmero de autos que pasan a travs de un cierto punto en una ruta (suficientemente distantes de los
semforos) durante un periodo definido de tiempo.
El nmero de llamadas telefnicas en una central telefnica por minuto.
El nmero de servidores web accedidos por minuto.
La distribucin de la riqueza humana.
Nmero de prstamos solicitados en un ente financiero

La Distribucin de Bernoulli
La distribucin de Bernoulli (o distribucin dicotmica), es una distribucin de probabilidad discreta, que

toma valor 1 para la probabilidad de xito, p, y valor 0 para la probabilidad de fracaso q, donde q=1-p.
La distribucin de Bernoulli (o distribucin dicotmica), es una distribucin de probabilidad discreta, que

toma valor 1 para la probabilidad de xito, p, y valor 0 para la probabilidad de fracaso q, donde q=1-p.
~()
La funcin de probabilidad es:

= 1 1

Ejemplo: Se lanza una moneda. Se trata de un slo experimento, con dos resultados posibles
resultados : cara y cruz.
Se define la variable aleatoria como: "nmero de cruces que salen en un lanzamiento".
Se trata de un slo experimento, con dos resultados posibles: el xito (p) se considerar sacar cruz y vale
0.5. El fracaso (q) que salga cara, q=1 - p =1 0.5 = 0.5.
La variable aleatoria Y se la representa como: ~ 0.5
La distribucin de probabilidades ser: = 0 = 0 = 0.50 0.51 = 0.5

= 1 = 1 = 0.51 0.50 = 0.5
Ejemplos:
La meta de ventas mensuales se logra o supera con una probalidad p, o no se logra con una probabilidad q
Un tratamiento mdico puede ser efectivo con probabilidad p, o inefectivo con probabilidad q.

Distribuciones Bi-variantes Discretas
Hasta ahora se han considerado distribuciones de probabilidades para una sola variable aleatoria discreta.
Tales distribuciones pueden ser extendidas a situaciones en las cuales dos variables aleatorias, X e Y,
pueden ser estudiadas simultneamente.
La Probabilidad Conjunta que X tome un valor particular x, y que Y tome un valor y , se denota por:
P(Y,X) = P(X=x, Y=y)

La anterior funcin es tal que:
, = 1
,

Distribuciones Bi-variantes Discretas P ( X x ) P ( x, y )

y
La probabilidad de obtener un valor particular de una
variable aleatoria sin tener en cuenta el valor de la
P(Y y ) P( x, y )
otra se llama probabilidad marginal y se calcula
mediante:
x
Ejemplo analizado en la Seccin de Probabilidad Condicional, slo que con tres categoras:
En una oficina existen 100 computadoras. Unas son marca Canon(C ) y otras Dell (D) y otras de marca Sony
(S). Adems algunas son nuevas (N) y otras usadas (U) y un grupo no estn siendo empleadas (NE); segn la
siguiente tabla:

X
C D S Total
Y N 15 28 15 58
U 10 8 10 28
NE 3 4 7 14
Total 28 40 32 100

Distribuciones Bi-variantes Discretas En trminos de probabilidades:
X
C D S Total
Y N 0.15 0.28 0.15 0.58

U 0.10 0.08 0.10 0.28
NE 0.03 0.04 0.07 0.14
Total 0.28 0.40 0.32 1

X La Distribucin Marginal de X, es decir la distribucin de

probabilidad que las computadoras sean de una u otra marca
C D S Total
(C,D,S) es la suma a lo largo de Y.
N 0.15 0.28 0.15 0.58
Y U 0.10 0.08 0.10 0.28

NE 0.03 0.04 0.07 0.14
Total 0.28 0.40 0.32 1


La Distribucin Marginal de Y, es decir la distribucin de
X
probabilidad que las computadoras sean Nuevas, Usadas o
C D S Total No Empleadas (N,U,NE) es la suma a lo largo de X.
N 0.15 0.28 0.15 0.58
Y U 0.10 0.08 0.10 0.28
NE 0.03 0.04 0.07 0.14
Total 0.28 0.40 0.32 1

DISTRIBUCIONES CONTINUAS
Hasta ahora se consideraron distribuciones
discretas donde la variable aleatoria puede
tomar solamente un conjunto discreto de
valores. En esta seccin se considerarn
distribuciones continuas donde la variable
aleatoria puede tomar cualquier valor en algn
intervalo especifico.
Se vio la manera en la cual observaciones
hechas sobre una variable continua pueden ser
representadas en un histograma. En tanto se
hagan ms y ms observaciones y el intervalo
de clase se haga mas pequeo, el histograma
puede aproximarse por una curva continua
llamada curva de frecuencia
En el grfico, si permeabilidad de las muestras

analizadas se considera una variable aleatoria
(Y) y la curva puede describirse en trminos
estndares tal que el rea bajo la misma sea
igual a la unidad, entonces el grfico se llama
curva de probabilidad. La altura de la curva de
probabilidad en cualquier punto Y se denota por
f(Y) y a esta funcin se la llama funcin de
densidad de probabilidades o f.d.p.

La funcin de densidad de probabilidades debe satisfacer las siguientes condiciones:
(a) f ( y ) 0 para todo y
(b) f ( y )dy 1

(c) Para cualquier a, b tal que a b Recordar que para una variable aleatoria
b discreta se tiene:
se tiene que : P(a Y b) f ( y )dy
a
P (a < y b) = P (y b) - P (y a)

DISTRIBUCIONES CONTINUAS El rea comprendida entre los valores a y b da

Observaciones la probabilidad que una observacin este entre
a y b.
La funcin es siempre positiva; el rea
=
bajo la curva (suma de las probabilidades)
es igual a uno; y cuando la variable
aleatoria es continua, slo se puede
encontrar la probabilidad de observar un
valor en un cierto rango lo que implica
que el valor de f(Y) NO ES LA
PROBABILIDAD de observar Y. Esto
ltimo se debe al hecho que los valores
posibles de Y no son contables, no se
puede hablar del i-simo valor de Y y por
lo tanto P(yi) no tiene significado alguno.

Observaciones
Para el caso de estimar la
probabilidad que y sea mayor o
menor a un valor dado, b, se
tiene:

Funcin de Distribucin Acumulada
Otra forma de describir una distribucin de probabilidades es mediante la funcin de distribucin

acumulada (f.d.a) definida como:
xo
F (Y ) f ( y)dy

Esta funcin es el rea bajo la curva de la funcin de densidad. Su grfico consiste en una curva sigmoidea similar a la
observada en la seccin de Estadstica descriptiva

DISTRIBUCIONES CONTINUAS Funcin de Distribucin Acumulada
xo
F (Y ) f ( y)dy


Media y Varianza de las Distribuciones Continuas
Valor Esperado (Media)

El valor esperado de una variable aleatoria continua esta dado por: E (Y ) y f ( y)dy

Varianza
La Varianza de una variable aleatoria continua esta dada por:

Varianza (Y ) E[(Y ) ] (Y ) 2 f ( y )dy donde E (Y )
2

Distribucin Normal
La Distribucin Normal, tambin llamada Distribucin de Gauss o Distribucin Gaussiana, es la
distribucin de probabilidad que con ms frecuencia aparece en estadstica y teora de probabilidades. Esto
se debe a dos razones fundamentalmente:
La grfica de su funcin de densidad es simtrica y con forma de campana, lo que favorece su

aplicacin como modelo a gran nmero de variables estadsticas.
Aparece relacionada con multitud de resultados: Caracteres morfolgicos de individuos
caracteres fisiolgicos como el efecto de un frmaco, errores cometidos al medir ciertas magnitudes,
caracteres sociolgicos como el consumo de cierto producto por un mismo grupo de individuos,
caracteres psicolgicos como el cociente intelectual, valores estadsticos muestrales como la media, etc.

Distribucin Normal
La funcin de densidad de la distribucin normal es:
1 ( y ) 2
f ( y) e 2 2 con y
(2 )
Donde y son parmetros tales que - < < + y > 0.

Distribucin Normal
La grfica de la
funcin de la
distribucin normal
es:
El rea bajo la
curva es igual uno
para cualquier valor
de y .

Distribucin Normal
La grfica de la distribucin
acumulada de la distribucin
normal es:

Distribucin Normal
Puede demostrarse que:
E (Y ) y Varianza (Y )
Lo anterior indica que los parmetros que caracterizan a la distribucin normal, y 2 , son la Esperanza y la
Varianza de Y

Distribucin Normal Estndar
No es necesario recordar la formula de la funcin de densidad arriba presentada. Por otra parte, la integral no
puede evaluarse por mtodos ordinarios. Sin embargo, mtodos de integracin numrica han sido empleados
para evaluar y tabular los resultado de dicha integral. Tal proceso se lleva a cabo haciendo la transformacin :

Z= De esta manera, la funcin de densidad estndar se denota por:

z2
g ( z) e

2
dz
En el caso de la funcin de distribucin estndar puede probarse que = 0 y = 1.

DISTRIBUCIONES CONTINUAS Distribucin Normal Estndar: Notacin
Si una variable aleatoria Y se distribuye normalmente (tiene una distribucin normal) con media y
Varianza 2, se escribe: Y es N(,2). En el caso de la Distribucin estndar: N(0,1)
La grfica de la Distribucin Normal Estndar es:

Distribucin Normal Estndar: Propiedades
1. Es simtrica respecto de su media .
2. La moda y la mediana son ambas iguales a la

media .
3. Los puntos de inflexin de la curva se dan

para z =
4. En el intervalo [ , + ] se
encuentra comprendida, aproximadamente, el
68,26% de la distribucin
5. En el intervalo [ 2 , + 2 ]se
encuentra, aproximadamente, el 95,44% de la
distribucin
La Funcin de Distribucin Normal Estndar puede ser integrada numricamente y los resultados tabulados:
Z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753
0.2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141
0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1517
0.4 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.1808 0.1844 0.1879
0.5 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224
0.6 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.2486 0.2517 0.2549

Los valores aqu mostrados son reas bajo la curva, a partir de 0: Ejemplo: para calcular 0.46
Z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359 Se ubica el valor 0.46 en la tabla, que
es 0.1772 y se le suma 0.5
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753
0.2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141 Por tanto
0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1517
0.46 = 0.6772
0.4 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.1808 0.1844 0.1879
0.5 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224
0.6 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.2486 0.2517 0.2549

Los valores aqu mostrados son reas bajo la curva, a partir de 0:
2.5 0.4938 0.4940 0.4941 0.4943 0.4945 0.4946 0.4948 0.4949 0.4951 0.4952
2.6 0.4953 0.4955 0.4956 0.4957 0.4959 0.4960 0.4961 0.4962 0.4963 0.4964
2.7 0.4965 0.4966 0.4967 0.4968 0.4969 0.4970 0.4971 0.4972 0.4973 0.4974
2.8 0.4974 0.4975 0.4976 0.4977 0.4977 0.4978 0.4979 0.4979 0.4980 0.4981
2.9 0.4981 0.4982 0.4982 0.4983 0.4984 0.4984 0.4985 0.4985 0.4986 0.4986
3.0 0.4987 0.4987 0.4987 0.4988 0.4988 0.4989 0.4989 0.4989 0.4990 0.4990

Tablas de la
Distribucin
Normal
Estndar
Retorno

Tablas de la
Distribucin
Normal
Estndar

Distribucin Normal Estndar: Clculo de Probalidad
Se sabe que los pesos individuales de tornillos de un cierto lote se distribuyen normalmente con media
= 2.10 gramos y desviacin estndar = 0.15 gramos. Qu proporcin (probabilidad) de tornillos
pesar ms de 2.55 gramos?
Lo que se pide es calcular : P(Y > 2.55) = 1 - P(Y 2.55)
Haciendo la transformacin: Z = (Y - )/ se tiene:
P(Y > 2.55) = 1 - P ( Z (2.55 - 2.10)/0.15) )
= 1 - P( Z < 3) Ver tabla

Conclusin: El 0.13 % de los tornillos pesan ms de
= 1 - G(3) = 1 - 0.9987 = 0.0013 .
2.55 gramos.

Distribucin Normal Estndar: Clculo de Probalidad
En una ciudad se estima que la temperatura mxima en el mes de junio sigue una distribucin normal, con
media 23 y desviacin tpica 5. Calcular el nmero de das del mes en los que se espera alcanzar
mximas entre 21 y 27
21 23 23 27
21 < 27 = < =
5 5
= 0.4 < 0.8 = 0.8 1 0.4 =
= 0.7881 1 0.6554 = 0.4425 30 = 13

Usos de la Distribucin Normal
1. Muchas mediciones fsicas estn normalmente distribuidas. En general, tales mediciones son de dos
tipos: aquellas en que las variaciones son causadas por errores de observacin y las que se hacen
sobre poblaciones que presentan variaciones naturales (longitud y peso de individuos biolgicos).
2. En la aplicacin del Teorema del Limite Central. Este teorema establece que si muestras de tamao n
se toman de una poblacin que no necesariamente tiene una Distribucin Normal, con media y
desviacin estndar, entonces las medias muestrales tendern a tener una Distribucin Normal en la
medida que n se incremente.
3. Los montos de dinero en las solicitudes de prstamos hipotecarios
4. Ventas mensuales de commodities

Distribucin Exponencial Grfica de la Funcin de densidad de probabilidad
La funcin de densidad
de la Distribucin
Exponencial es:
e x
x0
f ( y)
0 x0
donde el parmetro > 0

Distribucin Exponencial Grfica de la Funcin de Distribucin de probabilidad
La funcin de Distribucin de
Probabilidades (distribucin
acumulada) es:
1 e y
y0
F ( y)
0 y0

Distribucin Exponencial
La media y la Varianza estn dadas por:

1
E (Y ) ye dy
y
2 2
1 1 y 1
V (Y ) E Y y e dy 2
0

Las aplicaciones ms comunes de la Distribucin Exponencial son la descripcin de la distribucin de

tiempos de falla, soluciones al problema de la teora de colas y como aproximacin a la Distribucin de
Poisson.
Ejemplo
Se sabe que la vida de un cierto componente electrnico tiene una distribucin exponencial con una vida
media de 100 horas. Que proporcin de dichos componentes fallar antes de 50 horas?
La probabilidad que un componente falle antes de 50 horas se la calcula cuando Y 50 en la funcin

de distribucin acumulativa. Esto es:
P(Y 50) F (50) 1 e 50 /100 0.393

La probabilidad que un componente falle antes de 40, 60 y 70 horas, ser:
P(Y 40) F (40) 1 e 40 /100 0.329

P(Y 50) F (50) 1 e 50 /100 0.393
P(Y 60) F (60) 1 e 60 /100 0.451
P(Y 70) F (70) 1 e 70 /100 0.503

P(Y 80) F (80) 1 e 80 /100 0.550

Probabilidad de Duracin del Componente
Graficando: 0,8
0,7
10 0,095163
Probabilidad de duracion
20 0,181269 0,6
30 0,259182
0,5
40 0,32968
50 0,393469 0,4
60 0,451188
0,3
70 0,503415
80 0,550671 0,2
90 0,59343
0,1
100 0,632121
110 0,667129 0
0 20 40 60 80 100 120 140
120 0,698806 Horas

Clase Probabilidades Ing Petrolera

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Clase Probabilidades Ing Petrolera

Загружено:

Авторское право:

Доступные форматы

Teora de Probabilidades

Probabilidad es la posibilidad de ocurrencia de un cierto evento en un experimento dado. La teora de

La relacin entre probabilidad y estadstica puede verse mediante el siguiente ejemplo:

Un lote de 10,000 vlvulas de tubera se importan para la industria petroqumica. El fabricante

24/4/2017 Jaime Ortega 2

La Probabilidad se encarga de evaluar la posibilidad de ocurrencia de los resultados de todas aquellas

24/4/2017 Jaime Ortega 3

Se llama experimento o fenmeno aleatorio a aqul cuyos resultados no se pueden predecir de

Se llama experimento determinista o determinstico al que, realizado en las mismas condiciones, es

Espacio Muestral: Es el conjunto de todos los posibles resultados de un experimento aleatorio.

Punto Muestral: Es un posible resultado de un experimento (un evento) aleatorio.

24/4/2017 Jaime Ortega 4

nmero de casos favorables

24/4/2017 Jaime Ortega 5

frecuencia observada de casos favorables 9

24/4/2017 Jaime Ortega 6

Probabilidad Puntual o Probabilidad del Punto Muestral

Es la frecuencia de ocurrencia del evento en muchas repeticiones del experimento.

Si se designa un evento con y, la probabilidad de su ocurrencia se expresa por P(y).

24/4/2017 Jaime Ortega 7

P(suma de dos dados sea siete) = 6/36 = 1/6

Definiciones y Conceptos: Tipos de Eventos

a) Eventos Mutuamente Excluyentes

P(E1 E2) = P(E1) + P(E2)

b) Eventos que no son Mutuamente Excluyentes

Donde P(E1 y E2) es la probabilidad que ambos eventos ocurran.

Definiciones y Conceptos: Tipos de Eventos

Examinando la tabla anterior se tiene:

Posibles resultados de E1 y E2 (3,4), (4,3) P(E1 y E2) = 2/36

Definiciones y Conceptos: Tipos de Eventos

Sean los eventos: E1 =Tomar el libro de Matemticas. E2 =Tomar el libro de Fsica.

La probabilidad pedida es: P(E1 E2) = P(E1) + P(E2) - P(E1 y E2)

Como E1 y E2 son eventos mutuamente excluyentes: P(E1 E2) = 0

24/4/2017 Jaime Ortega 11

Definiciones y Conceptos : Probabilidad Condicional

P(E1/E2) = P(E1 y E2)/P(E2) o bien:

P(E1/E2) = P(E1 E2)/ P(E2)

E2 = al menos un dado es 3 = 11/36 E1 = la suma es 7 = 2/36 por tanto:

P(E1/E2) = P(E1 E2)/P(E2) = (2/36) / (11/36) = 2/11

24/4/2017 Jaime Ortega 12

Definiciones y Conceptos : Probabilidad Condicional

C D Total Se escoge una computadora al azar y sta es nueva. Cul la probabilidad

E2 = la computadora es nueva = 70/100

por tanto: P(E1/E2) = P(E1 E2)/P(E2) = (40/100) / (70/100) = 4/7

24/4/2017 Jaime Ortega 13

Definiciones y Conceptos : Eventos Dependientes e Independientes

Se dice que dos eventos E1 y E2 son independientes si: P(E1/E2) = P(E1).

Se dice que dos eventos E1 y E2 son dependientes si: P(E1/E2) P(E1).

Si dos sucesos E1 y E2 son independientes, entonces: P(E1 E2) = P(E1) P(E2)

24/4/2017 Jaime Ortega 14

Definiciones y Conceptos : Permutaciones sin repeticin

La formula de clculo es:

24/4/2017 Jaime Ortega 15

Definiciones y Conceptos : Permutaciones sin repeticin

Ejemplo: se establece un mecanismo de seguridad de una cerradura en 4 dgitos (clave). Cuantas

Aplicando la formula de clculo:

Con 5 dgitos: 30240

24/4/2017 Jaime Ortega 16

Definiciones y Conceptos : Combinaciones

En trminos matemticos, se llama nmero de combinaciones de n objetos tomados de r, se denota por:

Definiciones y Conceptos : Combinaciones

24/4/2017 Jaime Ortega 18

Definiciones y Conceptos : Combinaciones

Cual es la probabilidad de obtener una muestra que tenga el articulo defectuoso?