Академический Документы
Профессиональный Документы
Культура Документы
1
SINTESIS
2
CAPITULO I
CONCEPTOS PREVIOS
3
1. RESEÑA HISTÓRICA
La estadística evolucionó conjuntamente con la humanidad organizada, surgió ante la
necesidad que tuvieron de conocer y guardar información, entre otros, con fines de
reparto de tierras, recaudación de impuestos, manejo de recursos de disputa de
territorio, etc. Así el emperador Yao (China, 2238 a. C) realizó un censo en su imperio,
a inicios de la era cristiana el rey Herodes ordenó el empadronamiento de su
población, después del nacimiento de Jesús. La estadística como disciplina tuvo sus
inicios en Alemania a mediados del siglo XVII, en el reinado de Godofredo de
Achenwall (1719 - 1772), quienes utilizaron el término estadística y lo separaron de la
sociología. Con el desarrollo de la teoría de la probabilidad por Carl Friedrich Gauss
(1777 - 1855) y Bernoulli cobra trascendencia y hoy se aplica en todos los campos del
saber.
2.- ESTADISTICA
El origen etimológico de la palabra estadística no está bien determinada. Para
algunos viene de la voz griega STATERA que significa “balanza”, otros sostienen
que deriva del latin STATUS que significa “situación”, mientras que algunos afirman
que viene del alemán STAAT que significa “estado”.
La evolución y desarrollo de la Estadística en el mundo actual definitivamente ha
superado el significado etimológico de esta ciencia.
En el intento de precisar una idea o definición, se puede decir que la Estadística es
la ciencia que tiene por objeto la clasificación y análisis de conjuntos de datos de
observaciones, para interpretarlos y obtener leyes y relaciones entre ellas. Es la
ciencia que orienta la toma de decisiones a partir del análisis e interpretación de
observaciones realizadas en forma directa o experimentalmente.
5
comportamiento de la otra. Ejemplo: Profesores por edad y tiempo de
servicio, producción por años, etc.
6
como en el análisis estadístico, puesto que en general interesa orientar la
toma de decisiones con vigencia y efecto en el futuro.
3. ORGANIZACIÓN DE DATOS
Los datos recopilados se organizan generalmente en tablas de frecuencias o tablas
de contingencia, para identificar las principales características del conjunto.
Las tablas de frecuencias y las representaciones gráficas son dos maneras
equivalentes de presentar la información, ambas sirven para: ORDENAR,
AGRUPAR, RESUMIR información.
hi = fi/n
H1 = h1
H2 = h1 + h2
H3 = h1 + h2 + h3
……………………………..
Hk = h1 +h2 + h3 + … + hk = 1 ó 100%
Género Frecuencia.
7
Hombre 4
Mujer 6
Gráfico de barras
Pictograma
a. Cuantitativos discretos.
Nº de
hermanos fi
1 6
2 8
3 10
4 7
5 5
b. Cuantitativos continuos.
Cuando el número de elementos es extenso, los datos tienen que ser agrupados
en clases o intervalos. El número de intervalos en los que se agrupa la
información es una decisión que debe tomar el especialista, sin embargo, se
puede utilizar la regla de Sturges o la raíz cuadrada del número total de datos
n . Así:
Regla de Sturges K 1 3.3 log n
8
160-200 442
200-240 299
240-280 115
280-320 34
• Pictogramas
- Son fáciles de entender.
- El área de cada modalidad debe ser proporcional a la frecuencia.
Consumo de carne de porcino
9
419
– Histogramas: Se utiliza para datos
400 375
cuantitativos continuos.
300
255
Recuento
250
215
200
200
127
Recuento
100
150
54
24 23 17
100
0 1 2 3 4 5 6 7 Ocho o más
Número de hijos
50
20 40 60 80
10
- Otros Gráficos:
Gráfico escalonado
Así, si queremos describir de una forma breve y precisa los resultados obtenidos
por un grupo de alumnos en un cierto examen; diríamos:
Media: Está dada por la suma de todos los elementos de la serie dividida por el
número de ellos. Se calcula como:
k
x i
x i 1
n
Siendo:
x : la media
k
x
i 1
i : suma de elementos
Ejemplos:
1. La media de los valores: 5, 7, 8, 10, 15 es 9.
x = 5 + 7 + 8 + 10 + 15 = 45
x =9
Media ponderada: Por lo general, los datos se presentan agrupados mediante una
distribución de frecuencias que hace que no todos los elementos de la serie tengan
el mismo peso específico, y eso influye en el cálculo de la media, por eso se llama
media ponderada.
El que se define como la suma de los productos de cada elemento de la serie por
su frecuencia respectiva, dividida por el número de elementos de la serie.
k
x
i 1
i ni
x
n
Ejemplos:
Ingreso en Frecuencia en
soles días
20,000 5
22,000 15
30,000 4
2. Un alumno obtiene en tres exámenes parciales las siguientes notas: 17, 15 y13;
en el examen final obtiene 6. Si la nota final tiene doble peso que las parciales,
su nota media es 5,4.
3. Si la renta anual media de los trabajadores del campo es de 1.000.000 de soles
y la renta anual media de los trabajadores de la construcción en esa población
es de 1.200.000 soles, la renta anual media para ambos grupos de
trabajadores es 1.100.100 soles.
x A
d
n
Donde:
A: media supuesta
d : Suma de las desviaciones respecto de A.
n: número de elementos.
4. Si A1 números tienen una media m1, A2 números una media m2, ...., An números
una media mn, entonces la media de todos ellos es:
A1 m1 A2 m 2 An m n
x
A1 A2 An
x
x m ni
n
Intervalo xi nii Xi . ni
13 - 17 15 5 75
17 - 21 19 9 171
21 - 25 23 13 299
25 - 29 27 13 351
29 - 33 31 5 155
33 - 37 35 5 175
Total -- 50 1,226
4.2.1 Rango (R): mide la amplitud de los valores de la distribución y se calcula por la
diferencia entre los valores mayor y menor.
4.2.2 Varianza (S2): se define como el promedio de los cuadrados de las distancias
existentes entre cada uno de los valores de la serie y su media. Se calcula como el
cociente:
x X
K 2
i fi
S
2 i 1
n
4.2.3 Desviación típica (S): Está dada por la raíz cuadrada de la varianza.
S S2
4.2.4 Coeficiente de variación de Pearson (C. V): Está dada por el cociente entre la
desviación típica y la media. Es un parámetro adimensional y permite comparar
series de distintas medias.
S
C.V .
X
Tabla Nº 1
Estatura fi xi fi xi (xi -
2
x ) fi
45,18
R 1,01;1,98 0,97 y X 1,51
30
1,8744
S2 0,0625 , S 0,0625 0,25
30
0.25
C.V 0,1656 C.V 16,56%
1,51
5.1. Asimetría
Se refiere a si la curva que forman los valores de la serie presenta la misma forma a
izquierda y derecha con respecto al valor de la media.
C3 C1
4 4
Ap 2
C 90 C 10
100 100
Ap 0,25(distribución mesocúrtica).
Ap 0 (distribución platicúrtica).
1,68 1,34
2 0,17
Ap 0,23
1,87 1,13 0,74
Con el que se concluye que la distribución es mesocúrtica, es decir, con una mediana
concentración alrededor de los valores centrales de la distribución.
CAPITULO II. INTRODUCCION A LA TEORIA DE LAS PROBABILIDADES
1. RESEÑA HISTORICA
Otro hito es la segunda edición de la obra "The Doctrine of Chances" (La doctrina
de las probabilidades) aparecidas en 1738 y debida al hugonote francés De Moivre,
que por motivos religiosos huyó de Francia refugiándose en Inglaterra, donde vivió
de la resolución de problemas de juegos de azar. En la obra señalada aparecen las
primeras indicaciones sobre las distribución normal de probabilidades.
El primer año del nuevo siglo se anunciaba ya propicio para las aplicaciones de la
teoría de probabilidades tanto a la fisica como a la genética, puesto que en 1901
publicaba Glbbs su obra Elementary Principles in Statistical Mechanics, y el mismo
año fue fundada la revista Biometrika por Karl Pearson (1857-1936). Francis Galton
(1822-1911) fue muy precoz y un estadístico nato que estudió los fenómenos de
regresión; en 1900 Pearson en la universidad de Londres popularizó el criterio de la
«chi-cuadrado». Uno de los títulos de Poincaré había sido el de "profesor de cálculo
de probabilidades", lo que indicaba un interés creciente por el tema.
2. Probabilidad.
Dado que la Estadística se utiliza con mucha frecuencia hoy en día, inclusive ya en
el lenguaje cotidiano, es conveniente saber entender con toda precisión qué es lo
que se nos dice, por ejemplo, en los medios de comunicación cuando se hace
referencia a la probabilidad de algún suceso.
Así, es corriente oír decir que la probabilidad de que un recién nacido sea varón es
aproximadamente del 50 %, que es muy poco probable que llueva en Torremolinos
en la segunda quincena del mes de julio, o inclusive, hasta podemos leer en la
prensa (El País, 12 de noviembre de 1991) cosas tales como que en una
evaluación internacional sobre matemáticas y ciencias, desarrollada por la National
Assessment of Educational Progress de Estados Unidos, entre escolares españoles
de 13 años, los chicos muestran un mejor rendimiento en matemáticas que las
chicas, haciendo esta afirmación con un margen de error muy pequeño (del 5 %).
Nos apresuramos a decir, claro está, que el informe no afirma que los niños tengan
una mayor aptitud o una mayor capacidad para las matemáticas, sino que
"probablemente" estos resultados son la consecuencia de unos determinados (y
erróneos) comportamientos sociales. En todo caso, el lector o lectora estará de
acuerdo conmigo en que es interesante tener muy claro qué significa el que la
probabilidad de error ante esa afirmación sea 0'05. Una respuesta completa deberá
postergarse hasta el capítulo 7, en donde se describan con detalle las técnicas
utilizadas en dicho informe, aunque el concepto de probabilidad que allí se utilice
será el que aquí se va a estudiar.
P ( A ) = # c a s o s fa v o r a b le s
# c a s o s p o s ib le s
Ejemplo1. Si lanzamos una moneda; entonces la probabilidad de que salga cara será:
P (C ) = 1
2
P (S ) = 1
2
1
P (X = 5 ) =
6
Para definir la probabilidad debemos usar ciertos conceptos preliminares como:
3. Definiciones Básicas
EXPERIMENTO
Un experimento es cualquier acción o proceso cuyo resultado está sujeto a
incertidumbre; es decir no se puede determinar en forma exacta.
Ejemplos: E1: Lanzar una moneda al aire
E2 : Lanzar un dado
E3 : Extraer una carta de una baraja de naipes
E4 : Lanzar una moneda y un dado
E5 : Lanzar dos monedas
E6 : Lanzar dos dados
S2 = { 1,2,3,4,5,6 }
S5 = { CC,CS,SC,SS }
Ejemplo.
Designar un delegado del salón.
Contar el número de automóvil que pasa por una esquina, justo, antes que
ocurra un accidente.
Lanzar un dado.
Observar el tiempo de vida de un foco.
Elegir un punto en el intervalo (5,6)
Definición. El evento que contiene a ningún resultado del espacio muestral recibe el
nombre de evento nulo o vacío.
Definición. El evento formado por todos los resultados comunes tanto a E 1 como a E2
recibe el nombre de intersección de E1 y E2 se denota por E1 E2.
Ejemplo 1. Se lanza una moneda tres veces. Calcular la probabilidad que ocurran.
a) Dos sellos.
b) Por lo menos dos sellos.
c) A lo mas dos sellos.
d) A lo mas tres sellos.
e) Cuatro sellos.
Solución:
S ccc, ccs, csc, scc, css, scs, sss, ssc
a) Evento A: “salga dos sellos”
3
A css, scs, ssc P A
8
b) Evento B: ocurran por lo menos dos sellos.
4
B css, scs, sss, ssc P B
8
c) Evento C: ocurran a lo mas dos sellos
7
C ccc, ccs, csc, scc, css, scs, ssc P C
8
8
d) Evento D = S P D 1
8
0
e) Evento E = Ø P E 0
8
Propiedades A S
1. 0 P A 1 .
2. P Ø 0 .
3. P S 1
1 2 3 4 5 6
1 (1, 1) (1, 2) (1, 3) (1, 4) (1, 5) (1, 6)
2 (2, 1) (2, 2) (2, 3) (2, 4) (2, 5) (2, 6)
3 (3, 1) (3, 2) (3, 3) (3, 4) (5, 5) (3, 6)
4 (4, 1) (4, 2) (4, 3) (4, 4) (4, 5) (4, 6)
5 (5, 1) (5, 2) (5, 3) (5, 4) (5, 5) (5, 6)
6 (6, 1) (6, 2) (6, 3) (6, 4) (6, 5) (6, 6)
N(S) = 36, N(A) = 3, N(B) = 18, N(C) = 6
P(A) = 3/36, P(B) = 18/36, P(C) = 6/36
10
NS 45
2
631631
NB 24
1 01
24
P B
45
5. Definición como frecuencia Relativa
Si un experimento aleatorio se repite “n” veces bajo las mismas condiciones y
n A de las veces que se repite el experimento ocurre el evento A. Entonces la
frecuencia relativa del evento A es:
n A n A
frA y la probabilidad del evento A es: P A lim frA lim
n n n n
Clasificación Numero de
empleados
A Supervisores 120
B De mantenimiento 50
C De producción 1460
D Gerencia 302
E Secretarias 68
Total 2000
Solución
50
a) P B 0.025
2000
68
b) P E 0.034
2000
50 68
c) P B E 0.059
2000 2000
Solución
1070 1250 300
a) P E1 0,34 b) P E 2 0,4 c) P E 3 0,096
3140 3140 3140
Teorema 1. P(Ø) = 0
Demostración:
Sabemos que S Ø S , S Ø Ø
P S Ø P S Ax. 3
P S P Ø P S
1 P Ø 1 Ax. 2
P Ø 0
P( E ) 1
B = (A B) (B Ā)
Demostración:
Sea A B C = (A B)
P(A B C) = P(A B) + P(C) - P[(A B) C]
TEOREMA 5.
Si A B ; entonces P(A) ≤ P(B)
Demostración:
B = A (B Ā)
b) Si S = A1 A2 A3 …………. An / A i Aj = Ф , i≠j
TEOREMA 6: si E S , P E 1 P E
Demostración:
Sabemos que E E S, E E Ø
P E E P E P E P (S ) Axioma 3
P E P E 1
P E 1 P E
Solución
1,2,3,4,5,6
E1: caiga 4.
E2: caiga 2.
E1 E 2 : “caiga 4 ó 2”
Como E1, E2 son mutuamente excluyentes
1 1 1
P E1 E 2 P E1 P E 2
6 6 3
Ejemplo 3. Se tiene una urna con 5 bolas marcadas $10 c/u, 3 bolas marcadas
con $30, y 2 bolas marcadas $50 c/u. Se escoge aleatoriamente 3 bolas.
Determinar que al menos dos de ellas tengan el mismo precio?
Solución
A: “al menos dos de las bolas tengan el mismo precio”
A : “tengan precios diferentes”
10
NS 120
3
n( A ) C15C13C12 30
P A
30
0.25
120
P ( A) 1 0.25 0.75
Solución
A: salga suma 10.
3
P ( A) A 6,4 , 4,6 , 5,5
36
P A 1
3 33
36 36
7. PROBABILIDAD COJUNTA, MARGINAL Y CONDICIONAL
de los eventos A1 y B2 .
n12
De acuerdo a la tabla P ( A1 B2 ) , en general
n
PROBABILIDAD
n
P ( Ai Bi ) ii CONJUNTA
n
Supongamos que se desea conocer la probabilidad
del evento A2 (no fumador). De acuerdo a la tabla
PROBABILIDAD
n21 n22 MARGINAL
P( A2 )
n
“Por que para determinarla se ignora una o mas características del espacio
muestral”
Supongamos que se elige una mujer B2 , ¿cuál es la probabilidad de que
fume?
n12 PROBABILIDAD
P ( A1 / B2 )
n12 n22 CONDICIONAL
PROBABILIDAD CONDICIONAL
Definición: sea A y B cualesquiera dos eventos que se encuentran en un
Observaciones
1)
P( A) P B P B P A
A B
P A1 A2 ... Ai P A1 P 2 P 3 ...P Ai
A A
2)
A A A A A ... A
1 1 2 1 2 i1
B = { (x,y) / x > y}
Entonces:
P(B/A) = 1/36_ = 1_
3/36 3
Similarmente:
P(A/B) = 1/36_ = 1_
15/36 15
Ejemplo 2. Se encuentra en una facultad que del 70% de los alumnos matriculados,
el 70% son mujeres y 18% son mujeres que estudian Economía.
Si elegimos un estudiante al azar y resulta que es mujer. ¿Cúal es la probabilidad de
que esté estudiando Economía?
Solución:
Solución:
P ( A1 A2 ) ?
P ( A1 A2 )
P ( A1 / A2 )
P ( A1 )
1 1
P( A1 ) , P ( A2 / A1 ) 1
2 1
1 1
P ( A2 A1 ) .1
2 2
PROPIEDADES:
1) 0 ≤ P(B/A) ≤ 1
2) P(S/A) = 1
3) P(B1 B2 / A) = P(B/A) + P(B2/A) ; Si B1 B2 = Φ
Ejemplo: Supóngase que en una oficina tiene 100 máquinas calculadoras algunas
son eléctricas (E) , mientras que otras son manuales (M). Además, algunas son
nuevas (N), mientras que las otras son usadas (U). La siguiente tabla muestra el
número de máquinas de cada categoría.
a) Una persona entra a la oficina y escoge una máquina al azar y descubre que es
nueva. ¿Cúal es la probabilidad de que sea Eléctrica?
TEOREMA DE LA MULTIPLICACION
P(A B) = 20 . 19
100 99
(A B) = 19 = 0.038
495
TEOREMA DE BAYES
Si A1, A2, …….. An son n sucesos mutuamente excluyentes, de los cuales al menos
uno de los Ai (i=1, 2, …. n) debe ocurrir, y sea B un suceso cualesquiera en S, la
probabilidad condicional de la ocurrencia de Ai cuando el evento B a ocurrido es:
Ejemplo 1. En una empresa del total de trabajadores, se tiene que el 50% son
Técnicos Profesionales, el 30% son Oficinistas y el 20% Personal de Servicio; además
se tiene que el 8% de los profesionales, 9% de los Oficinistas y el 10% del personal de
servicio son “provincianos” (nacidos fuera de la Capital). Supongamos que se
selecciona un trabajador al azar y resulta ser “provinciano”(B). Hallar la probabilidad
de que el trabajador sea Técnico Profesional (A 1).
Solución:
Significaría hallar: P(A1/B), de acuerdo al Teorema de Bayes:
P
B1
? Probabilidad de seleccionar un fumador que tiene cáncer:
A
P ( B1 ) P ( A / B1 )
P ( B1 / A)
P ( B1 ) P ( A / B1 ) P( B2 ) P ( A / B2 )
0.45 x 0.90
0.9364
0.45 x 0.90 0.55 x 0.05
Ejemplo3:
En una línea de producción hay dos procesos A y B, en el proceso A hay un
20% defectuoso y en el B hay 25% de defectuoso. En una muestra de 300
productos hay 200 del proceso A y 100 del proceso B.
Solución:
A: Proceso A. B: proceso B. D: Articulo defectuoso.
a) PD A 0.2
P D 0.25
B
P D P A D P B D A P B P D B
P A P D
200 100 65
0.2 0.25
300 300 300
b)
A
P A P D
D P A P D P B P D
PA
A B
4 40 8
30
65
300 65 13
Por lo cual Rx = { 0, 1, 2 }
X(1,1) = 2
X(1,3) = X(2,2) = X(3,1) = 4
X(1,5) = X(2,4) = X(3,3) = X(4,2) = X(5,1) = 6
X(2,6) = X(3,5) = X(4,4) = X(5,3) = X(6,2) = 8
X(4,6) = X(5,5) = X(6,4) = 10
X(6,6) = 12
De aquí el recorrido:
Rx = { 2, 4, 6, 8, 10, 12 }
VARIABLES ALEATORIAS DISCRETAS
Observaciónes:
1.- Sea x una variable aleatoria discreta. El rango o recorrido Rx de X consta a lo más
de un número de valores X1, X2, X3 ……. Infinito numerable.
2.- Sea Rx = { x1, x2, ….. xn, .. }, el rango de una variable aleatoria discreta; si le
asociamos un número p(xi) = P(X = xi) llamado la probabilidad de Xi ; entonces los
números P(xi), i = 1, 2, 3, ……, n, … deben cumplir:
1) f(x) ≥ 0
2) f(x) = 1
3) p(X = xi) = f(xi)
x 0 1 2
f(x) 10/8 15/28 3/28
CALCULO COMBINATORIO
VARIACIONES CON REPETICION
Comenzaremos por indicar el siguiente resultado “ Si A 1 y A2 son dos conjuntos finitos,
entonces el número de pares ordenados (a, b), donde a A 1 y b A2, está dado por.
Ejemplo.
Una urna n contiene 3 esferas numeradas con 0, 1 y 2 mientras que otra, m, contiene
2 esferas numeradas con 3 y 4. De la urna n se extrae una esfera y también de la urna
m.
Si con A1 denotamos al conjunto de los resultados obtenidos al extraer la primera
esfera de la urna n y con A 2, al conjunto formado al extraer la segunda esfera de la
urna m se tendrá que el número de resultados que se pueden obtener al extraer las
dos esferas es
#(A1) #(A2) = 3 x 2 = 6
Ejemplo:
De un grupo de 8 personas, se desea formar comités de 3 personas, donde una sea el
presidente, otra el secretario y la tercera el tesorero.
¿Cuántos comités de este tipo se pueden formar?
Solución
Esta vez interesa el orden en que se escojan las 3 personas. Luego el número de
tales comités es igual al número de variaciones de 3 elementos que se puedan formar
con las 8 personas del grupo. Esto es:
3) Variación o permutación
El numero de maneras en que se puede elegir r elementos de un conjunto de n
elementos donde interesa el orden en los elementos elegido es:
n!
Pn1r r n.
n r !
4) Combinación
El numero de maneras en que se puede elegir r elementos de un conjunto de n
elementos donde no interesa el orden en que aparecen los elementos.
n n!
r ! rnr !
Ejemplo 2. Determinar la probabilidad de que cuatro de cinco cartas extraídas
aleatoriamente sin reposición de una baraja normal de naipes sean ases.
Solución:
A1 : 1° sea As
A2 : 2° sea As
A3 : 3° sea As
A4 : 4° sea As
A5 : no sea As
3 2 , P A4 1 ,
P A2 , P 3
P A1
4 A
,
52 A1 51 A1 A2 50 A1 A2 A3 49
P 5
A 48 1
A1 A2 A3 A4 48
4 3 2 1 1
P A1 A2 A3 A4 A5 1
52 51 50 49 270725
D: Integrante de derecha.
E: Integrante es estudiante.
80
PE
P E D 860
80
0.6
D P D 134 134
860
P E D
54
54
P E 860 0.4
D P D 134 134
860
Nota :
PE D 1 P E D 1 0.6 0.4
8. Eventos independientes
Definición: sea A y B dos eventos cualesquiera de un espacio muestral S. Se
dice que el evento A es estadísticamente independiente del evento B si
PA B P A . Así tenemos:
PA B P PA B B
P A P B P A B
Observación
1) En general si A1 , A2 ,... An son eventos independientes.
P A1 A2 ... An P A1 P A2 ...P An
2) PB A P B
Ejemplo 1: Dos equipos A y B se enfrentan en una serie de partidos. Gana la
serie el primer equipo que obtiene 3 victorias. En ningún partido existe la
posibilidad de empate. En cada uno de los partidos, la probabilidad de que
gane A es 2/3. Los resultados de los partidos son independientes entre si,
calcular la probabilidad de que A gane la serie, si se sabe que B obtuvo 2
victorias.
Solución
A: triunfe el equipo A.
B: triunfe el equipo B.
Que A gana la serie implica que debe obtener 3 victorias, pero como se sabe
que B obtuvo 2 victorias, evaluamos la probabilidad del suceso:
1 1 2 2 2 8
P BBAAA P B P B P A P A P A
3 3 3 3 3 243
Ejemplo 2: Se lanza una moneda y un dado. Hallar la probabilidad de que
salga cara y 4.
Solución:
A: salga cara
B: salga 4
1 1 1
P A B P A P B
2 6 12
Verificamo s :
c,1 , c,2 , c,3 , c,4 , c,5 , c,6
n s
s,1 , s,2 , s,3 , s,4 , s,5 , s,6
1
n A B 1 P A B
12
0.45 x 0.90
0.9364
0.45 x 0.90 0.55 x 0.05
Ejemplo2:
En una línea de producción hay dos procesos A y B, en el proceso A hay un
20% defectuoso y en el B hay 25% de defectuoso. En una muestra de 300
productos hay 200 del proceso A y 100 del proceso B.
Solución:
A: Proceso A. B: proceso B. D: Articulo defectuoso.
a) PD A 0.2
P D 0.25
B
P D P A D P B D A P B P D B
P A P D
200 100 65
0.2 0.25
300 300 300
b)
A
P A P D
D P A P D P B P D
PA
A B
4 40 8
30
65
300 65 13
DISTRIBICION BINOMIAL
En una serie de hechos de la vida real es frecuente encontrarse frente a
simples dicotomías, como por ejemplo, si un individuo posee o no un
determinado atributo o características, o cuando se considera si un
experimento a tenido éxito o ha fallado. En estas situaciones es posible
formular una hipótesis acerca de la probabilidad de éxito, siempre que las
pruebas u observaciones sean independientes unas de otras y que el números
de estos sean relativamente pequeño. Con estas condiciones es posible aplicar
una expresión matemática de la Distribiución Binomial o de Bernoulli.
Para aclarar ideas, analicemos el siguiente ejemplo:
Supongamos que un inspector de control de calidad quiere saber cual es la
probabilidad de obtener cuatro tubos de luz defectuoso al tomar una muestra al
azar de quince, sabiendo que el 8% de ellos son defectuosos.
Los datos son, números de pruebas u observaciones es de 15, se espera
obtener 4 tubos de luz defectuosos, sabiendo que la probabilidad de éxito para
obtener un defectuoso es 0,08; con estos elementos se puede calcular la
probabilidad correspondiente.
La distribución binomial de probabilidad es una distribución discreta de
probabilidad. Y se dice que un experimento es “binomial” si reúne los siguientes
requisitos:
1) El número de pruebas o ensayos es fijo y no muy grande
2) Cada prueba solo tiene dos posibles resultados, a los que suele llamarse
“éxito” o “fracaso”.
3) En cada una de las pruebas la probabilidad de éxito es la misma.
4) Las pruebas son estadísticamente independientes.
c px qN-x
P(x) = N X
p(x=2) =
a) f(x) ≥ 0
b) ,
C) P[ a ≤ x ≤ b] =
donde a puede ser -
EXPERIMENTO
Un experimento es cualquier acción o proceso cuyo resultado está sujeto a
incertidumbre; es decir no se puede determinar en forma exacta.
Ejemplos: E1: Lanzar una moneda al aire
E2 : Lanzar un dado
E3 : Extraer una carta de una baraja de naipes
E4 : Lanzar una moneda y un dado
E5 : Lanzar dos monedas
E6 : Lanzar dos dados
S2 = { 1,2,3,4,5,6 }
S3 = { 1♠, 2♠, 3♠, 4♠ , …. 10♠, J♠, Q♠, K♠
1♣, 2♣, 3♣, 4♣, …. 10♣, J♣, Q♣, K♣
1♦, 2♦, 3♦, 4♦, …. 10♦, J♦, Q♦, K♦
1♥, 2♥, 3♥, 4♥, …. 10♥, J♥, Q♥, K♥ }
S5 = { CC,CS,SC,SS }
OBSERVACIÓN:
1.- Se dice que un evento es SIMPLE si consiste exactamente en un resultado y
compuesto si consta de más de uno.
2.- Como el conjunto vacío ( Ф ) está contenido en todo conjunto, estará también en
el espacio muestral, y a éste se le llama suceso imposible (nunca ocurre)
3.- como S S (todo conjunto está contenido en sí mismo), este se llama suceso
seguro (siempre ocurre).
Un evento no es otra cosa que un conjunto, así que las relaciones y resultados de la
teoría elemental de conjuntos se puede usar para estudiar eventos.
Las siguientes operaciones se usan para construir eventos nuevos a partir de eventos
determinados.
DEFINICION:
1.- La unión de dos eventos A y B denotada por A B y se lee “A unión B” es el
evento que consiste en los resultados que están ya sea en A o en B o en ambos
eventos ( Así que la unión incluyen resultados para los que ocurren tanto A como
B, así como resultados para los que ocurre exactamente uno) es decir los
resultados en por lo menos uno de los eventos.
A B
A B=Ф
DEFINICIÓN DE PROBABILIDAD.-
Si A es un subconjunto del espacio muestral (S), donde el suceso A puede ocurrir de
“n” maneras y S de N maneras igualmente posibles, entonces la probabilidad de A
será:
n
P (A ) = =
N
S R +
P :
A P (A )
Y que cumple:
1) P(A) ≥ 0 , A S
2) P(S) = 1
3) Si A y B son sucesos mutuamente excluyentes
entonces P ( A B ) = P(A) + P(B)
Hallamos:
3 1
P (A) = =
6 2
3 1
P (B) = =
6 2
4 2
P (C) = =
6 3
P (D ) = 2 = 1
6 3
0 ≤ P(A) ≥ 1
AXIOMA 2. La probabilidad del suceso seguro “S” (espacio muestral) es igual a la
unidad.
Es decir: P (S) = 1
d) Si S = A1 A2 A3 …………. An / A i Aj = Ф , i≠j
Ejemplo 1. Una caja contiene 220 tornillos iguales de los cuales 80 son producidos
por la máquina A, 60 por la máquina B, 50 por la máquina C y 30 de la máquina D. Si
se elige un tornillo al azar de la caja.
¿Cúal es la probabilidad de que el tornillo elegido haya sido producido por las
máquinas A o C ?
Solución:
Es claro que A,B,C y D son sucesos mutuamente excluyente, porque cada tornillo es
producido por una y sólo una máquina.
P(A C) = P(A) + P(C) =
Además S = { A, B, C, D }
Es decir: P(Ф) = 0
Demostración:
Sea el suceso A; entonces A = A Ф (excluyentes)
P(A) = P(A Ф)
P(A) = P(A) + P(Ф)
P(A) + 0 = P(A) + P(Ф)
P(Ф) = 0
Demostración:
Descomponemos A B y B en sucesos mutuamente excluyente
Sea A B = A (B Ā)
B = (A B) (B Ā)
Entonces: P(A B) = P(A) + P(B Ā)
P(B) = P(A B) + P(B Ā)
Entonces P(A B) = P(A) + P(B) - P(A B)
Demostración:
Sea A B C = (A B)
P(A B C) = P(A B) + P(C) - P[(A B) C]
= P(A) + P(B) – P(A B) + P(C) - P[(A C) (B C)]
= P(A) + P(B) + P(C) – P(A B) – [(P(A C) + P(B C) – P(A B C)]
= P(A) + P(B) + P(C) – P(A B) - P(A C) - P(B C) + P(A B C)
TEOREMA 4.
Si A B ; entonces P(A) ≤ P(B)
Demostración:
B = A (B Ā)
P(B) = P(A) + P(B Ā) ≥ P(A)
Por lo tanto: P(A) ≤ P(B)
PROBABILIDAD CONDICIONAL
B = { (x,y) / x > y}
Entonces:
P(B/A) = 1/36_ = 1_
3/36 3
Similarmente:
P(A/B) = 1/36_ = 1_
15/36 15
Ejemplo 2. Se encuentra en una facultad que del 70% de los alumnos matriculados,
el 70% son mujeres y 18% son mujeres que estudian Economía.
Si elegimos un estudiante al azar y resulta que es mujer. ¿Cúal es la probabilidad de
que esté estudiando Economía?
Solución:
PROPIEDADES:
4) 0 ≤ P(B/A) ≤ 1
5) P(S/A) = 1
6) P(B1 B2 / A) = P(B/A) + P(B2/A) ; Si B1 B2 = Φ
P(B1 B2 ….. Bn /A) = P(B1/A) + P(B2/A) + …..+ P(Bn/A) ;
Bi Bj = Φ , i≠j
Ejemplo: Supóngase que en una oficina tiene 100 máquinas calculadoras algunas
son eléctricas (E) , mientras que otras son manuales (M). Además, algunas son
nuevas (N), mientras que las otras son usadas (U). La siguiente tabla muestra el
número de máquinas de cada categoría.
c) Una persona entra a la oficina y escoge una máquina al azar y descubre que es
nueva. ¿Cúal es la probabilidad de que sea Eléctrica?
TEOREMA DE LA MULTIPLICACION
P(A B) = 20 . 19
100 99
(A B) = 19 = 0.038
495
TEOREMA DE BAYES
Si A1, A2, …….. An son n sucesos mutuamente excluyentes, de los cuales al menos
uno de los Ai (i=1, 2, …. n) debe ocurrir, y sea B un suceso cualesquiera en S, la
probabilidad condicional de la ocurrencia de Ai cuando el evento B a ocurrido es:
Ejemplo.