Академический Документы
Профессиональный Документы
Культура Документы
PROBABILIDAD
PROBABILIDAD
M.A.S
PROBABILIDAD
PROBABILIDAD
PROBABILIDAD
PROBABILIDAD
PROBABILIDAD
PROBABILIDAD
Probabilidad
Experimentos y sucesos aleatorios.
En estadstica, los conjuntos de inters son
colecciones de observaciones obtenidas estudiando
el comportamiento de un fenmeno, sea en estado
natural o bajo control. Para identificar el proceso
mediante el cual se obtienen datos se define el
trmino.
Un experimento es toda accin sobre la cual
se va a realizar una medicin u observacin;
es decir, cualquier proceso que genera un
resultado definido.
Probabilidad
Definiciones:
Experimento. Un experimento es el proceso
mediante
el
cual
se
obtiene
una
observacin. En el dominio de la estadstica los
experimentos en que el resultado puede
anticiparse son de poco o ningn inters. Los
experimentos de los que se ocupa la
estadstica
reciben
el
nombre
de
Experimentos Aleatorios.
Experimentos Aleatorios. Es aquel cuyos
resultados no pueden predecirse antes de
su realizacin y, por lo tanto, estn sujetos
al azar.
Espacio Muestral. El conjunto integrado por
todos los resultados posibles de un
Probabilidad
Ejemplos:
a)
b)
c)
d)
Probabilidad
e)
Se
toma un litro de leche y se determina en el laboratorio el
porcentaje de agua por volumen. El espacio muestral es .
f) En una muestra de sangre de un individuo se determina el
nmero de glbulos rojos y blancos por centmetro cbico.
Puesto que se registra dos caractersticas, se denota por el
nmero de glbulos blancos y por el nmero de glbulos
rojos. .
g) Se mide el tiempo que un individuo tarda en recorrer 100
metros y su capacidad respiratoria. En este caso tambin se
tienen dos variables, el tiempo y capacidad respiratoria . .
Probabilidad
Es importante destacar que, dado un experimento,
pueden construir diversos espacios muestrales. En los
anteriores ejemplos presentan espacios muestrales de muy
diverso complejidad. En el primer caso slo pueden
clasificarse las opiniones en favorables o desfavorables. En
el segundo caso se tienen 8 o 4 elementos, segn se elija la
primera o segunda opcin. En el experimento de 10
agricultores se tienen 11 posibles resultados. En los 3
casos el nmero de elementos del espacio muestral
es finito, puesto que el total resultante de contar los
elementos es igual a un nmero entero no negativo.
Por lo tanto, se llaman Espacios Muestrales Finitos. En
caso d) se complica un poco, dado que el nmero de
resultados no es finito. Sin embargo, los resultados pueden
ordenarse en sucesin (0, 1, 2, 3,). En este caso se dice
que el Espacio Muestral es Infinito Innumerable
(denumerable). Estas cuatro situaciones son ejemplos
Probabilidad
Definiciones:
Espacio Muestral Discreto. Espacio muestral
integrado por un nmero finito o infinito
incontable (denumerable) de elementos es un
espacio muestral discreto.
Probabilidad
Es importante mencionar que si un espacio muestral es
discreto,
pueden
tenerse
tantos
eventos
como
resultados posibles tenga el experimento. En caso de
espacios muestrales continuos es imposible.
La estadstica inductiva tiene entre sus objetivos cuantificar la
incertidumbre que caracteriza a todo proceso de razonamiento
en que se avanza de lo particular a lo general. Esta
cuantificacin se realiza mediante la aplicacin de
principios.
La
formulacin
axiomtica
de
la
teora
de
probabilidades requiere niveles de abstraccin y
competencia matemticas mayores que los que cabe
suponer en un estudiante de un curso introductorio de
estadstica. Sin embargo, en el lenguaje cotidiano, el
concepto de probabilidad est indisolublemente ligado
al de frecuencia relativa.
Probabilidad
Ejemplos:
1) Suponga que un evento E puede ocurrir en h de n
maneras igualmente posibles. Entonces, la probabilidad
que ocurra el evento (xito) se denota como:
Probabilidad
Cuando
2)
se lanza un dado, ste puede caer de seis
maneras distintas
Y la probabilidad de es . La probabilidad de no
obtenerse un 3 o un 4 (Probabilidad de obtener 1, 2,
5 o 6) es
Probabilidad
Asigna
3)
probabilidades basado en el supuesto que
Probabilidad
5) Se dice que es poco probable enriquecerse jugando a
la ruleta contra un caso porque los casos en que esto
ocurre son poco frecuentes.
6) Imagnese un juego entre dos personas a las que se
identifican con letras B y C. Cada una de estas personas
elige un nombre, ambos se apuestan en una esquina de
la ciudad preguntando su nombre a cada transente que
acierte a pasar por all. El juego termina con el primer
individuo entrevistado cuyo primer nombre coincida con
uno de los nombres escogidos por los jugadores. Gana
aquel que haya elegido el nombre del ltimo
entrevistado. Si B elige el nombre Belarmino y C Juan, es
natural que se piense que C tiene mayores probabilidades
de ganar, puesto que el nombre Juan es ms comn
(frecuente) que el nombre Belarmino
Probabilidad
Obsrvese
que la probabilidad de un evento es
un nmero entre 0 y 1. Si el evento no puede
ocurrir, su probabilidad es 0. En cambio, si se
trata de un evento que tiene que ocurrir
(seguro que pase), su probabilidad es 1. Si es la
probabilidad que ocurra un evento, las posibilidades
u oportunidades a favor de su ocurrencia son p:q (p
a q). Las posibilidades en contra de que ocurra
q:p (q a p). Por lo tanto, las posibilidades en
contra que en un solo lanzamiento de un dado caiga
un 3 o un 4 son . La asociacin entre conceptos
de frecuencia relativa y probabilidad ser la
base de los principios probabilsticos.
Probabilidad
Mtodo de Frecuencia Relativa.
La definicin clsica de probabilidad tiene la
desventaja que la expresin igualmente posible es
vaga o, como sinnimo, igualmente probable. La
definicin es circular, pues est definiendo
probabilidad en trminos de probabilidad. En
consecuencia, se ha abogado por una Definicin
Estadstica de Probabilidad la probabilidad
estimada o probabilidad emprica de un evento
es la frecuencia relativa de ocurrencia del
evento cuando la cantidad de observaciones es
muy grande. La probabilidad misma es el
lmite de esta frecuencia relativa a medida que
la cantidad de observaciones aumenta de
manera indefinida.
Probabilidad
Ejemplos:
a) Si en 1000 lanzamientos de una moneda se
obtienen 529 caras, la frecuencia relativa con la que
se obtienen caras es . Si en otros 1000 lanzamientos
se obtienen 493 caras, la frecuencia relativa en los
2000 lanzamientos es . De acuerdo con la definicin
estadstica, cada vez se estara ms cerca de un
nmero que representa la probabilidad que caiga
cara en un lanzamiento de una sola moneda. Segn
los resultados presentados, este nmero sera 0.5 a
una cifra significativa. Para obtenerlas se requiere
ms observaciones.
Probabilidad
b) Se tiene informacin acerca de ingresos mensuales por
ventas de tortas selva negra en los ltimos 30 meses:
Ingresos (USD)
5,000
6,000
7,000
8,000
9,000
Total
Frecuencia
4
7
10
6
3
30
6,000
7,000
10
8,000
9,000
Total
30
el
1.000
uso
de
frecuencias
Probabilidad
c)
que se contina el experimento observando las
Suponga
Probabilidad
Suponga
que despus de 10 repeticiones del experimento se
encuentra que 3 entrevistados llevan como primer nombre
Juan, ninguno Belarmino y 7 otro nombre X. Las frecuencias
relativas de , y son 0.3, 0.0 y 0.7, respectivamente. Si se
contina con el experimento y calcula las frecuencias relativas
despus de 20 intentos, se obtendr casi seguramente valores
diferentes. No obstante, si el experimento se repite un nmero
muy grande de veces, se observa que las fluctuaciones en las
determinaciones sucesivas se vuelven cada vez ms pequeas.
A esta estabilizacin de frecuencias relativas, cuando el
nmero de repeticiones de un experimento es muy grande, se
le llama Regularidad Estadstica y es tpica de
experimentos aleatorios. Entonces, en un experimento
aleatorio no se puede predecir qu resultado ocurrir,
pero stos presentan una regularidad estadstica
consistente en la estabilizacin de frecuencias relativas
de eventos cuando el experimento se realiza un gran
nmero de veces.
Probabilidad
d) Se calcula la frecuencia relativa de la letra e en un texto
literario. Se tomaron grupos de 50 letras cada uno contando el
nmero de veces que aparece la letra e en cada grupo. El
libro usado para el experimento es Psicologa de los Cuentos
de Hadas. Los resultados se presentan usando una escala muy
fina en la siguiente figura. La estabilizacin de frecuencia
relativa ocurre paulatinamente: en las 1ras mil letras la
variacin mxima entre dos frecuencias relativas es de 0.0300,
entre mil y 2,000 letras la variacin mxima es de 0.0057,
entre 2,000 y 5,000 la variacin mxima es de 0.0023 y entre
5,000-10,000 letras es slo 0.0011. La estabilizacin parece
ocurrir alrededor del valor 0.127, que se aproxima bastante a
resultados obtenidos en estudios ms extensos.
Probabilidad
Probabilidad
Probabilidad Subjetiva.
Usualmente en la toma de decisiones en una empresa, la
asignacin de probabilidades se basa en la intuicin o
experiencia del decisor, sea gerente, funcionario o
especialista. La calidad, confiabilidad de una
asignacin de probabilidades en este contexto va a
depender del decisor. Una probabilidad as
asignada se denomina probabilidad subjetiva, pues
slo se sustenta en una apreciacin de un individuo
y no ha sido obtenido con base a ningn
experimento
ni
es
posible
demostrarlo
matemticamente.
Ejemplo:
Segn el ingeniero de petrleos, la probabilidad de
encontrar petrleo en cierta zona de la selva es = 0.8.
Probabilidad
Operaciones
con Eventos:
1) Complemento de un evento: El complemento
del evento A se define como el evento que incluye
a todos los puntos mustrales que no estn en
A. El complemento de A se denota por . La
probabilidad del complemento de un evento se
obtiene con .
Probabilidad
Interseccin
3)
de dos eventos: La interseccin de los
Probabilidad
Probabilidad
Condicional. Eventos Independientes y
Dependientes.
La probabilidad que ocurra un evento dado que otro ya
ha sucedido se llama Probabilidad Condicional. La
probabilidad condicional de A dado B se denota por , mientras
que la probabilidad condicional se estima con .
Complementariamente, si
y
son dos eventos, la
probabilidad que ocurra dado que ha sucedido, se
denota . Esto se lee probabilidad condicional de dado
que ha ocurrido. Asimismo, si la ocurrencia o no de no
afecta la probabilidad de ocurrencia de , entonces , se
dice que y son eventos independientes, caso contrario
se dice que son eventos dependientes. Si se denota el
evento compuesto o tanto como ocurran. Entonces:
Probabilidad
En
particular:
Probabilidad
Ejemplos:
a) Sean y los eventos cae cara en el 5to lanzamiento y
cae cara en el 6to lanzamiento de una moneda,
respectivamente.
Entonces,
y
son
eventos
independientes y, por lo tanto, la probabilidad de cara
tanto en 5to como en 6to lanzamientos es (suponiendo
que sea una moneda legal o no cargada):
Probabilidad
Supngase
c)
que una caja contiene 3 pelotas blancas y 2
Probabilidad
Eventos
Mutuamente Excluyentes.
Se
dice que dos o ms eventos son
mutuamente excluyentes si la ocurrencia de
uno
cualquiera
de
ellos
excluye
la
ocurrencia de los otros. Entonces, si y son
eventos mutuamente excluyentes . Si denotan el
evento ocurre o o ambos, entonces:
En particular:
Si los eventos son mutuamente excluyentes, pues
no tienen resultados en comn.
Probabilidad
extensin se tiene que si son eventos mutuamente
Por
excluyentes que tienen probabilidades . Entonces, la
probabilidad que ocurran o o o o es .
Ejemplos:
Si es el evento de una baraja se extrae un as y es el
evento de una baraja se extrae un rey. Entonces, y .
Entonces, la probabilidad de en una sola extraccin se
obtenga un as o un rey es:
Probabilidad
es evento extraer un as y es evento extraer una
Si
espada de una baraja.
y
no son mutuamente
excluyentes, pues se puede extraer el as de espadas
Probabilidad
Teorema
de Multiplicacin de Probabilidades.
La regla de multiplicacin provee una forma de calcular
la probabilidad de la interseccin de dos o ms eventos:
Ejemplos:
Suponga que un inversionista desea seleccionar de
manera aleatoria 3 de un total de 10 inversiones I1, I2,
I3, I4,, I10. Uno por uno y sin reemplazo. ?Cul es la
probabilidad que salga primero elegido la inversin I3,
en segundo lugar I4 y en tercer lugar I7?
Sol.: Se pide hallar
Probabilidad
Regla
de Bayes.
El concepto de probabilidad condicional da lugar a
ramificaciones muy discutidas en las inferencias
obtenidas usando el clculo de probabilidades.
Estas dificultades provienen de la aplicacin del
llamado Teorema de Bayes, que es una consecuencia
simple de la definicin de probabilidad condiciones, pues:
De donde:
Pero tambin:
Probabilidad
lo que:
Por
Tal que:
o
Ejemplos:
a) Una empresa petrolera planea perforar en una zona
donde no se tienen seguridad que exista petrleo. Los
tcnicos, segn su experiencia, creen que la probabilidad
que exista petrleo en la zona es 0.1. Se tiene la opcin
de hacer una prueba preliminar antes de tomar una
decisin. La prueba no es concluyente, puesto que hay
casos en que da resultados errneos. Si existe petrleo,
la prueba es positiva 90% de las veces, pero aun si no
existe petrleo es positiva el 20% de las veces. Entonces:
Probabilidad
Existe
A:
petrleo. Tal que
: No existe petrleo.
: La prueba es positiva.
La probabilidad que interesa es que exista petrleo
dado que la prueba resulta positiva:
Probabilidad
Tal que:
Conclusion: Aunque la prueba resulte positiva, la probabilidad
que exista petrleo es muy baja (, a pesar que es mayor que la
sostenida a priori (de lo anterior) por los tcnicos de la
empresa.
Probabilidad
Suponga
b)
que los tcnicos de otra empresa tienen una
Probabilidad
Teorema
de Bayes.
Thomas Bayes (Londres, Inglaterra, 1702 - Tunbridge
Wells, 1761) fue un matemtico britnico y ministro
presbiteriano. Su obra ms conocida es el Teorema
de Bayes que establece que sean , eventos que
forman una particin (recubrimiento en el que los
subconjuntos que pertenecen a una misma familia son
disjuntos, su interseccin, de a pares, es vaca. El
recubrimiento, por su parte, hace referencia a una
coleccin de subconjuntos A de un conjunto X: es decir,
la coleccin de dichos subconjuntos es un recubrimiento
de X) de un espacio muestral M. Sea B un evento
en M. Suponga que son probabilidades conocidas.
Entonces:
Probabilidad
Donde:
.
.
.
(en un evento aleatorio es la probabilidad condicional
que es asignada despus de que la evidencia es
tomada en cuenta)
Probabilidad
b) El Profesor X tiene tres secretaras con diferentes
niveles de competencia (S1, S2 y S3). La secretaria S1 ha
escrito el 20% de un trabajo, la S2 el 40% y la S3 el 40%.
Existe un error ortogrfico que irrita en especial al
profesor y, segn l, estima que S1 lo hace el 90% de las
veces que escribe esa palabra, S2 lo comete 40% y S3
nunca. Si el profesor X tiene en cuenta ese error en una
pgina del trabajo, Cul es la probabilidad que esa
pgina la haya escrito S1, la S2 y S3?
Probabilidad
Ejercicios
(Tarea 22):
1) Liste los elementos de los siguientes conjuntos:
Probabilidad
Probabilidad
3) Construya el espacio muestral para cada uno de los
siguientes experimentos:
a) Se pregunta a una persona que si la primera letra de su
apellido es vocal o consonante.
b) Se pregunta a cuatro personas si el da del mes en que
nacieron es nmero non o par.
c)Se examinaron 8 plantas y se registr el nmero de ellas
atacadas por cierta enfermedad.
d) Se escucha una estacin de radio y se cuenta el nmero
de segundos transcurridos hasta que se escucha la palabra
sincategoremtico.
e) Se determina el porcentaje de humedad relativa en un
invernadero.
f) Se pregunta a una pareja el nmero de aos completos
de escuela primaria cursados por cada uno.
g) Se determina el peso especfico y pureza de un metal.
Probabilidad
4) Suponga (es falso) que un individuo paranoico no
puede ser esquizofrnico. Si la probabilidad que alguien
sea paranoico es 0.01 y la probabilidad que sea
esquizofrnico es 0.02, Cul es la probabilidad que sea
esquizofrnico o paranoico?
5) La probabilidad que un habitante de la Ciudad de Quito
sea mayor de 40 aos o tenga calvicie es 0.4. Si la
probabilidad que sea mayor de 40 aos es 0.2 y la
probabilidad que tenga calvicie de 0.3, Cul es la
probabilidad que sea mayor de 40 aos y sea calvo?
Probabilidad
6) La probabilidad que un mono, tecleando al azar en una
mquina de escribir, reproduzca un soneto de Sor Juana
Ins de la Cruz es 0.001. La probabilidad de que un
segundo mono lo reproduzca es 0.002. Cul tendra que
ser la probabilidad que al menos uno de ellos lo
reproduzca para que el trabajo de los dos monos fuera
independiente?
7) Con los jugadores de un club de ftbol se forman dos
equipos para jugar un partido de entrenamiento; entre los
dos equipos se renen 8 defensas, 6 medio campistas, 4
delanteros y 2 porteros. El entrenador sabe que en estos
partidos, la probabilidad que se lesione un jugador es
0.20 si es delantero, 0.15 si es medio campista, 0.1 si es
defensa y 0.05 si es portero. Calcule:
Probabilidad
a) La probabilidad que se lesione uno cualquiera de los
jugadores en ese partido.
b) Si se sabe que un jugador se ha lesionado, de qu
posicin es ms probable sea?
8) Una fbrica tiene 3 mquinas independientes que
producen cierto tipo de pieza. La mquina 1 produce 10%
de las piezas con un 2% de piezas defectuosas. La
mquina 2 produce 40% de piezas con 3% defectuosas y
la 3 produce 50% con 4% defectuosas. Si se selecciona al
azar una de estas piezas, estime:
a) Probabilidad que sea defectuosa.
b) Si la pieza resulta no defectuosa, de qu mquina es
ms probable que venga?
Probabilidad
9) Si la probabilidad de padecer cierta enfermedad es 1%
y existe un test, con 90% de confiabilidad, para saber si
se tiene o no dicha enfermedad, Cul es la probabilidad
de tener la enfermedad si el test predice que se tiene?
10) Una compaa est analizando las posibilidades que
tiene que un potencial campo produzca petrleo. La
evaluacin geolgica indica una posibilidad de 35% que el
campo sea productivo. Adems, si hay petrleo en un
campo potencial hay posibilidad de 90% que un pozo
perforado en l sea productivo. Suponga que se perfora
un pozo en ese campo y resulta que est seco, Cul es la
probabilidad que el campo produzca petrleo?
PR
ES
L
IPA
C
IN
S
O
P
TI
DE
MU
ES
TR
EO
Estadstica.
Existen muchas definiciones en la literatura relacionada, pero una
definicin es Ciencia de la recopilacin, clasificacin,
presentacin, anlisis, interpretacin y explicacin de datos
(modificado de Johnson, 1996). Sirve para:
Describir a un conjunto de objetos mediante el anlisis de
algunos de sus elementos.
Tomar decisiones sobre opciones con informacin parcial
contenida en un conjunto de datos.
Predecir el comportamiento de una medida o caracterstica en
condiciones observadas.
Su finalidad es realizar inferencias sobre la poblacin (estimacin
y pruebas de hiptesis)
Modalidades de MSA:
Muestreo Aleatorio Simple con Reemplazo. En el muestreo con reemplazo
si el tamao de la muestra es n y el de la poblacin es N, existen Nn
muestras diferentes y el procedimiento de seleccin consiste en seleccionar
una unidad que tiene la posibilidad de ser incluida nuevamente en la
muestra. Esta opcin genera frmulas de estimacin ms fciles, pero
en la prctica tiene poco sentido medir ms de una ocasin la misma
unidad muestral, salvo en diseos especficos u otros ms elaborados
en los que las complicaciones tericas sugieren simplificar los
supuestos en que se sustenta su anlisis.
Muestreo Aleatorio Simple sin Reemplazo.
En el muestreo sin reemplazo se pueden construir tantas muestras
diferentes como combinaciones se pueden hacer de N elementos de
tamao n (N Cn ) que se calcula:
la
Poblacin
Estimador de la Varianza del Total . Tal que . Sin embargo, al no conocer los
parmetros incluidos en estas expresiones se recurre a usar sus estimadores .
Entonces .
Estimacin del Intervalo de Confianza de la Media
Poblacin
y del total
de la
Estimador de la Varianza del Total . Tal que . Sin embargo, al no conocer los
parmetros incluidos en estas expresiones se recurre a usar sus estimadores .
Entonces .
Estimacin del Intervalo de Confianza de la Media
Poblacin
y del total
de la
Estimacin de varianza de :
es
La
es
2. Para una mayor precisin los estratos deben 2. Para una mayor precisin los conglomerados deben
contener elementos que sean lo ms homogneo contener elementos que sean lo ms heterogneo
posible entre ellos.
posible entre ellos.
3. Para una mayor precisin la diferencia entre 3. Para una mayor precisin los conglomerados deben
estratos debe ser considerable.
ser muy similares.
Notacin:
UNIDADES PRIMARIAS:
Nmero de Conglomerados en la Poblacin
Nmero de Conglomerados seleccionados de una muestra simple
aleatoria
Total en unidad Primaria o Conglomerado
Total de la poblacin
UNIDADES SECUNDARIAS:
Nmero de Elementos en Conglomerado
Nmero de elementos en la poblacin
Tamao Promedio del Conglomerado en la Muestra
Total del Conglomerado .
j-sima observacin en i-simo Conglomerado
Media de Poblacin en Unidad Primaria
Caractersticas de MCDE:
El muestreo por conglomerados en dos etapas es en esencia muy
parecido al de una etapa y tambin busca facilitar el manejo de los
datos para reducir el costo de operacin.
Las organizaciones privadas o de gobierno desean resultados
confiables. Al disear una encuesta por conglomerados se debe resolver:
a) Precisin global necesaria, b) Nmero de unidades primarias a
seleccionar, c) Nmero de unidades secundarias a seleccionar por
cada unidad primaria y d) Los valores a buscar son y el de todas . La
mejor seleccin de estos valores depende de las fuentes de
variacin (dentro de los conglomerados y la que existente entre ellos).
Proporciona mas ideas que podrn ayudar a decidir el diseo mas
adecuado para medir el fenmeno en cuestin.
La diferencia entre el muestreo por conglomerados de una y dos
etapas, radica en la forma de seleccionar las unidades secundarias.
Presenta dos principales ventajas: a) No se tiene que hacer el proceso
de aleatorizacin a cada elemento de la poblacin, lo cual puede
ahorrarnos una tarea muy complicada y b) Si se trata de unidades que se
encuentran geogrficamente separadas puede ahorrar costos en
transportacin para la toma de la muestra.
UNIDADES SECUNDARIAS:
Nmero de unidades secundarias en Conglomerado
Nmero de unidades secundarias seleccionadas en una muestra
aleatoria del conglomerado
Nmero de unidades secundarias en la poblacin
Tamao del Conglomerado Promedio en la Poblacin
Media muestral para el i-simo conglomerado
j-sima unidad secundaria en i-simo Conglomerado
Varianza Estimada de :
Intervalo de Confianza para :
Es importante considerar:
= Varianza entre las medias de conglomerados
= Varianza entre elementos dentro de conglomerados
Es costo total por muestrear. Donde: es costo de muestrear cada
unidad primaria y, por ende, es costo de muestrar cada unidad
secundaria. Bajo estos supuestos, el valor que minimiza la varianza
con un costo fijo est dado por la ecuacin:
194
16
0.590
114.46
0.00266
134.185
5.741
200
16
0.610
122.00
0.00329
358.579
7.567
175
14
0.533
93.28
0.00279
92.838
5.615
163
13
0.495
80.69
0.00299
494.829
5.624
181
14
0.522
94.48
0.00249
8.926
5.376
171
14
0.524
89.60
0.00269
179.483
5.158
197
16
0.605
119.19
0.00239
261.454
5.326
186
15
0.567
105.46
0.00259
5.912
5.492
175
14
0.533
93.28
0.00399
92.838
8.030
10
192
15
0.586
112.51
0.00318
90.033
7.205
11
174
14
0.533
92.74
0.00284
103.400
5.648
12
173
14
0.529
91.52
0.00332
132.842
6.523
13
185
15
0.567
104.90
0.00289
3.477
6.059
14
187
15
0.571
106.78
0.00239
15.121
5.125
15
197
16
0.600
118.20
0.00254
231.996
5.661
2750
221
1539.07
2205.913
90.149
Promedio
183.33
importante
hacer
notar
que
puede
hacer
un
muestreo
No. de Muestra
Grados Poise
Vehculo 2
0.5342
Vehculo 22
0.6340
Vehculo k-simo
0.6780
.
.
.
.
.
.
Vehculo 1,142
0.7128
33.9538
0.0935
Estimacin de la media:
Esto indica que el promedio de grados Poise que el aceite de
los vehculos tienen, despus de 3 meses, es de 0.57.
Estimacin de varianza:
Varianza Estimada de :
Intervalo de Confianza del Estimador del Total:
1ra
muestra
2da.
muestra
3ra
muestra
4ta
muestra
5ta
muestra
6ta
muestra
7ma
muestra
Clien
te
Cali
f.
Clien
te
Cali
f.
Clien
te
Cali
f.
Clien
te
Cali
f.
Clien
te
Cali
f.
Clien
te
Cali
f.
Clien
te
Cali
f.
142
282
422
562
702
842
2.86
0.22
145
285
425
565
707
845
3.14
0.03
25
165
305
445
585
725
865
3.86
0.28
62
202
342
482
622
762
902
4.00
0.45
67
207
347
487
627
767
907
3.14
0.03
80
220
365
500
640
780
920
2.29
1.09
98
238
378
518
658
798
938
2.14
1.41
122
262
402
542
682
822
962
3.71
0.15
123
263
403
543
683
823
963
4.14
0.66
135
275
415
555
695
835
975
4.00
0.45
33.2
9
4.78
PR
ES
L
IPA
C
IN
S
O
P
TI
DE
DI
ST
R
IBU
CI
N
Distribucin Bernoulli.
La Distribucin de Bernoulli consiste en realizar un experimento
aleatorio una sola vez y observar si cierto suceso ocurre o no,
siendo la probabilidad que esto sea as (xito) y que no lo sea
(fracaso). Se define este experimento mediante una variable
aleatoria discreta que tomas los valores si el suceso no
ocurre y en caso contrario. Esto se denota como .
Distribucin Binomial:
La distribucin de probabilidad binomial es un ejemplo de una
distribucin de probabilidad discreta. Algunas caractersticas de
esta distribucin:
a) Slo hay dos resultados posibles en cada ensayo de un
experimento.
b) Los resultados son mutuamente excluyentes.
c) Se clasifican los dos resultados como xito o fracaso,
aunque no implica que un resultado sea bueno y el otro malo.
d) La variable aleatoria es el resultado de conteos (nmero de
xitos en la totalidad de ensayos).
e) La probabilidad de un xito sigue siendo la misma de un
ensayo a otro.
f) Cada ensayo es independiente de cualquier otro, los
resultados no siguen ningn patrn (las respuestas de una prueba
de verdadero/falso no figuran como V, V, V, F, F, F, V, V, V,
etctera).
Ejemplos:
a) El enunciado de una pregunto de tipo verdadero o falso.
b) Un departamento de control de calidad clasifica un producto como
aceptable o no aceptable.
c) Un trabajador es clasificado como empleado o desempleado.
d) Una llamada de venta hace que el cliente compre el producto o no.
e) Se lanza 5 veces una moneda y se cuenta el nmero de caras que
resultan.
f) Se escogen 20 cajas de cereal y se cuenta las que pesaron ms de
lo indicado en el paquete.
g) La probabilidad que se adivine correctamente (xito) la primera
pregunta de una prueba de verdadero/falso es de un medio (1/2) o
primer ensayo. La probabilidad de adivinar en forma correcta la
segunda pregunta (segundo ensayo) es de un medio (1/2), la
probabilidad de tener xito en el tercer ensayo es (1/2) y as
sucesivamente.
h) Si la experiencia revela que el puente levadizo sobre una va fluvial
ha estado levantado una de cada cinco veces; entonces, la
probabilidad que est levantado (xito) la prxima vez que llegue
ah ser de un quinto (1/5), de nuevo (1/5) la siguiente ocasin y
sucesivamente.
Ejemplos:
a) Entre 2 ciudades hay 5 vuelos diarios. Si la probabilidad que un
vuelo llegue retrasados 0.20, Cul es la probabilidad que ninguno
de los vuelos se retrase el da de hoy?, Cul es la probabilidad que
exactamente 1 de los vuelos llegue tarde?
b) 5% de engranes sin fin producidos por una mquina automtica
Carter Bill de alta velocidad resultan defectuosos. Cul es la
probabilidad que, al seleccionar al azar 6 engranes, ninguno sea
defectuoso?, Cul es la probabilidad que haya exactamente 2, 3,
4, 5 o 6?
c) Un examen de estadstica de eleccin mltiple contena 20
preguntas y cada una de ellas 5 respuestas. Si un estudiante
desconoca todas las respuestas correctas y contexto su examen al
azar:
1. Cul es la probabilidad que conteste correctamente 5 preguntas?
2. Cul es la probabilidad que conteste a lo ms 5 preguntas?
Ejercicios:
1) En una situacin binomial
y . Determine las siguientes
probabilidades utilizando la frmula binomial.
10) Suponga que 60% de las personas prefieren el refresco (cola) Coca al
refresco (cola) Pepsi. Se seleccionan 18 personas.
a) Cuntas se espera que prefieran Coca?
b) Cul es la probabilidad que 10 de las personas prefieran Coca?
c) Cul es la probabilidad que 15 de las personas prefieran Coca?
11) Existe un 90% de probabilidad que un tipo determinado de componente se
comporte adecuadamente bajo condiciones de alta temperatura. Si el
dispositivo en cuestin tiene 4 de tales componentes, determine la probabilidad
cada uno de los siguientes eventos:
d) Todos los componentes se comportan adecuadamente y, por lo tanto, el
dispositivo es operacional.
e) El dispositivo no es operacional porque falla.
Distribucin Poisson.
La llamada distribucin de Poisson describe la cantidad de veces
que ocurre un evento en un intervalo de tiempo determinado
(tiempo, distancia, rea o volumen). Esta distribucin se basa en dos
supuestos:
1. La probabilidad es proporcional a la extensin del intervalo:
Cuanto mayor sea la magnitud o extensin del intervalo, tanto
mayor ser la probabilidad.
2. Los intervalos son independientes: El nmero de ocurrencias en
un intervalo no afecta a los otros intervalos
A esta distribucin binomial es una forma lmite de la distribucin
binomial, cuando la probabilidad de xito es muy pequea y n
es grande. A esta distribucin con frecuencia se le llama ley de
eventos improbables, que significa que la probabilidad (p) que un
evento particular ocurra es muy pequea. La Distribucin de Poisson
es una distribucin de probabilidad discreta, pues se forma
por conteo.
La