Академический Документы
Профессиональный Документы
Культура Документы
Concepto de Probabilidad
Estadstica y Probabilidad
Estadstica y Probabilidad
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
Estadstica y Probabilidad
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.
Definiciones y Conceptos
Experimento Aleatorio
Definiciones y Conceptos
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:
Definiciones y Conceptos
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?
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.
Definiciones y Conceptos
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.
Definiciones y Conceptos
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 u once) = 6/36 + 2/36 = 2/9 Return
24/4/2017 Jaime Ortega 8
Teora de Probabilidades
Dos eventos E1 y E2 son mutuamente excluyentes si ambos no pueden ocurrir al mismo tiempo. En
trminos de probabilidad esto se expresa por:
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)
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 )?
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)
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
Teora de Probabilidades
Por lo tanto nos queda: P(E1 E2) = P(E1) + P(E2) = 1/5 + 1/5 = 2/5
La probabilidad condicional de un evento E1, dado que un evento E2, sucedi se calcula mediante:
Ejemplo: Se lanzan dos dados, dado que al menos un dado es 3, cual es la probabilidad que la suma sea 7?
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:
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 !
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
Ejemplo: la combinacin de una cerradura es en realidad una permutacin en la que el orden importa
n! 10! 10 9 8 7 6!
n
Pr n(n 1)......(n r 1) 5040
(n r )! (10 4)! 6!
El nmero de maneras en las cuales se puede seleccionar r objetos de n distintos, sin tomar en cuenta el
orden de seleccin
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!
24/4/2017 Jaime Ortega 17
Teora de Probabilidades
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
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
11 11! 11 10 9!
11
C 2 2 (11 2)!2! 55
9!2!
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.
Se utilizan letras maysculas X, Y, ... para designar variables aleatorias, y las respectivas minsculas
(x, y, ...) para designar valores concretos de las mismas.
Ejemplo 1:
Ejemplo 2:
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.
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: = ;
= ;
Para dos nmeros reales cualesquiera a y b con a < b tenemos entonces que
P (a < y b) = P (y b) - P (y a)
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 )
La tabla anterior constituye la "Distribucin de Probabilidades" para los resultados del experimento
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.
P(Y=0) = 0.2
P(Y=1) = 0.3
P(Y=2) = 0.3
P(Y=3) = 0.2
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.
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
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.
0.0 <0
0.2 0 < 1
= 0.5 1 < 2
0.8 2 < 3
1.0 3
Supngase que se repiten n veces un experimento el cual puede ser un xito, con probabilidad p,
o un fracaso con probabilidad (1-p).
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
24/4/2017 Jaime Ortega 32
Teora de Probabilidades
Distribucin Binomial
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
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
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 ]
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
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!
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!
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:
b) uno salga defectuoso
= 1 = 1 = = 1; = 10, = 0.2
10!
= 0.21 (1 0.2)101 = 0.2684
10 1 ! 1!
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:
c) dos salgan defectuosos
= 2 = 2 = = 2; = 10, = 0.2
10!
= 0.22 (1 0.2)102 = 0.3020
10 2 ! 2!
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:
d) al menos dos salgan defectuosos
2 =1 1
= 1 1; = 10, = 0.2
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:
e) ms de tres estn con defectos
3 =1 2
= 1 2; = 10, = 0.2
=1 (0.1074 + 0.2684 + 0.3020) = 0.3222
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.
24/4/2017 Jaime Ortega 44
Teora de Probabilidades
- 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...)
24/4/2017 Jaime Ortega 48
Teora de Probabilidades
La Distribucin de Poisson
P(r ) 1
r 0
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.
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.
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 ?
P( r ) e e 6
r 6 r
La ecuacin a emplearse es:
r! r!
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.
~()
Ejemplo: Se lanza una moneda. Se trata de un slo experimento, con dos resultados posibles
resultados : cara y cruz.
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.
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.
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:
, = 1
,
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
X
C D S Total
DISTRIBUCIONES CONTINUAS
DISTRIBUCIONES CONTINUAS
La funcin de densidad de probabilidades debe satisfacer las siguientes condiciones:
(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
Observaciones
Para el caso de estimar la
probabilidad que y sea mayor o
menor a un valor dado, b, se
tiene:
DISTRIBUCIONES CONTINUAS
Funcin de Distribucin Acumulada
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
xo
F (Y ) f ( y)dy
DISTRIBUCIONES CONTINUAS
Media y Varianza de las Distribuciones Continuas
El valor esperado de una variable aleatoria continua esta dado por: E (Y ) y f ( y)dy
Varianza
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:
Distribucin Normal
1 ( y ) 2
f ( y) e 2 2 con y
(2 )
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
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
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
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)
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
24/4/2017 Jaime Ortega 78
Teora de Probabilidades
DISTRIBUCIONES CONTINUAS
Distribucin Normal Estndar
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
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
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?
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
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.
La funcin de densidad
de la Distribucin
Exponencial es:
e x
x0
f ( y)
0 x0
La funcin de Distribucin de
Probabilidades (distribucin
acumulada) es:
1 e y
y0
F ( y)
0 y0
Distribucin Exponencial
1
E (Y ) ye dy
y
2 2
1 1 y 1
V (Y ) E Y y e dy 2
0
Distribucin Exponencial
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?
Distribucin Exponencial
Distribucin Exponencial
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