You are on page 1of 18

TEOREMAS DE CLCULO DE LA PROBABILIDAD

BREY HERNNDEZ MARTNEZ


CONTENIDO

1. Introduccin

2. Tcnicas de conteo

3. Teorema de Bayes

4. Distribuciones de probabilidad

5. Distribuciones de probabilidad discretas

6. Distribuciones de probabilidad continuas


PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD
1. INTRODUCCIN

La probabilidad se refiere al estudio de la aleatoriedad y la incertidumbre en cualquier


situacin donde podra ocurrir uno de varios resultados posibles. En algunos casos se
utiliza de manera informal como por ejemplo: hay un 50% de probabilidad de que
llueva.

DEFINICIONES

Probabilidad: es la posibilidad numrica de ocurra un evento. Se mide con


valores comprendidos entre 0 y 1, entre mayor sea la probabilidad, ms se
acercar a uno.
Experimento: es toda accin bien definida que conlleva a un resultado nico
bien definido como el lanzamiento de un dado. Es el proceso que produce un
evento.
Espacio muestral: es el conjunto de todos los resultados posibles de un
experimento. Para un dado es SS = (1,2,3,4,5,6)
Evento: es cualquier coleccin de resultados contenidos en el espacio
muestral. Es simple si slo tiene un resultado y compuesto si tiene varios
resultados.

Definicin Clsica de Probabilidad. Modelo de frecuencia relativa


La probabilidad de un evento (E), puede ser calculada mediante la relacin de el
nmero de respuestas en favor de E, y el numero total de resultados posibles en un
experimento.

# Favorable E
P E
# Total resultados

La probabilidad de un evento est comprendida siempre entre 0 y 1. La suma


de las probabilidades de todos los eventos posibles (E) en un espacio muestral
S=1
Un espacio muestral (S): Es el conjunto Universal; conjunto de todos los n
elementos relacionados = # Total de resultados posibles.
Probabilidad Compuesta
Es la probabilidad compuesta por dos eventos simples relacionados entre s.
En la composicin existen dos posibilidades: Unin o Interseccin .

Unin de A y B
Si A y B son eventos en un espacio muestral (S), la unin de A y B A B contiene
todos los elementos de el evento A o B o ambos.

Interseccin de A y B
Si A y B son eventos en un espacio muestral S, la interseccin de A y B A B est
compuesta por todos los elementos que se encuentran en A y B.

Relaciones entre eventos


Existen tres tipos de relaciones para encontrar la probabilidad de un evento:
complementarios, condicionales y mutuamente excluyentes.

1. Eventos complementarios: El complemento de un evento A son todos los


elementos en un espacio muestral (S) que no se encuentran en A. El complemento
de A es: A 1 P A

2. Probabilidad condicional: Para que se lleve a cabo un evento A se debe haber


realizado el evento B. La probabilidad condicional de un evento A dado que ha
ocurrido el evento B es:

P A B
P A B , si B 0
P B

Se dice que dos eventos A y B son independientes si: P(A/B) = P(A) o P(B/A)
= P(B).
La probabilidad de la ocurrencia de uno no est afectada por la ocurrencia del otro.
De otra manera los eventos son dependientes.

Un ejemplo de evento independiente es: Cul es la probabilidad de que llueva en


lunes?

3. Eventos mutuamente excluyentes.

Cuando un evento A no contiene elementos en comn con un evento B, se dice que


estos son mutuamente excluyentes.

A B

Eventos mutuamente excluyentes.

Ley aditiva:
Cuando dos eventos no son mutuamente excluyentes:
P A B P A P B P A B

Cuando los eventos son mutuamente excluyentes:


P A B P A P B

Ley multiplicativa:
Si los eventos A y B son dependientes:
P A B P A P B A

Si los eventos A y B son independientes:


P A B P A P B
2. TCNICAS DE CONTEO

Supngase que una persona tiene dos modos de ir de una ciudad A a otra ciudad B; y
una vez llegada a B, tiene tres maneras de llegar a otra ciudad C. De cuntos modos
podr realizar el viaje de A a C pasando por B?

a pie en avin

en carro
CIUDAD A CIUDAD B CIUDAD C

en bicicleta en trasatlntico

Evidentemente, si empez a pie podr tomar avin, carro o trasatlntico; y si empez


en bicicleta, tambin podr tomar avin, carro o trasatlntico.
Utilizando literales (las iniciales) el viajero tuvo las siguientes oportunidades: pa, pc, pt;
ba, bc, bt.

Que son 6; cada primera oportunidad cont con tres posibilidades.

Se tiene: 2 oportunidades X 3 posibilidades = 6 posibilidades.

PRINCIPIO DE CONTEO: Si un evento puede hacerse de a1 maneras diferentes, y


cuando se ha hecho, puede hacerse un segundo evento (independiente del primero)
de a2 modos diferentes y luego un tercer evento de a 3 maneras tambin diferentes, y
as sucesivamente, entonces el nmero de maneras diferentes en que los eventos se
pueden realizar , en el orden indicado es de:
a1 a2 a3 ....an

PERMUTACIONES: Una permutacin es un arreglo ordenado de una parte de los


elementos, o de todos los elementos de un conjunto.

.
En la mayora de los casos resulta muy complicado hacer las permutaciones
manualmente por lo cual utilizamos la siguiente frmula:
n !
Prn
n r !
Donde:
n = nmero total de elementos del conjunto
P = Permutaciones
r = nmero de elementos que se toman a la vez.
! = factorial.
Nota: 0! = 1

COMBINACIONES: Es el nmero de subconjuntos de r elementos que se puede


formar de un conjunto de n elementos, sin importar el orden de los elementos. Para
determinar el nmero de combinaciones posibles utilizamos:
n!
Crn
n r ! r !
3. TEOREMA DE BAYES

Mediante el teorema de Bayes podemos calcular la probabilidad de que ocurra un


determinado evento, cuando no tenemos datos inmediatos del mismo mediante la
informacin que tenemos de otros eventos.

Cuando existen dos eventos posibles A y B, la probabilidad de que ocurra Z se


describe mediante el teorema de probabilidad total el cual es:

P ( Z ) P A P Z A P B P Z B

Mediante el teorema anterior se deduce el teorema de Bayes:

P A P Z A
P A Z
P A P Z A P B P Z B

4. DISTRIBUCIONES DE PROBABILIDAD

Variable aleatoria: Para un determinado espacio muestral SS una variable aleatoria


(VA) es cualquier regla que relaciona un nmero con cada resultado en SS.

Variable aleatoria de Bernoulli: Es cualquier variable aleatoria con valores 0 y 1.

Variable aleatoria discreta: Es una variable aleatoria cuyos posibles valores son
enteros.

Variable aleatoria continua: Es una variable aleatoria cuyos valores posibles son los
reales.

Distribucin de probabilidad o funcin de masa de probabilidad: Establece en


una tabla, frmula o grfica como se distribuye la probabilidad P(y) asociada a los
posibles valores de la variable aleatoria y.

Debe cumplir con las reglas siguientes:

1. 0 <= P(y) <= 1


2. Suma (P(y)) = 1

Su frmula es la siguiente:

Valor esperado:

Funcin de distribucin acumulativa:

FX ( x ) P ( X x)

Con propiedades:

0 F ( x) 1
Lim x F ( x ) 1
Lim x F ( x ) 0

Valor esperado de una distribucin de probabilidad discreta

La media o valor esperado de una variable aleatoria discreta X , denotada como E(X),
es

X E ( X ) xf X ( x) xP ( X x)
x x

La media es el centro de la masa del rango de los valores de X.


Varianza de una distribucin de probabilidad discreta

Sea Y una variable aleatoria discreta con distribucin de probabilidades P(X=x).


Entonces , la varianza de Y es:

X E[( X X ) 2 ] ( x X ) 2 P ( X x )
2

5. DISTRIBUCIONES DISCRETAS

DISTRIBUCIN UNIFORME

La variable aleatoria toma un numero finito de n valores, cada uno con igual
probabilidad.

1
f ( x) P ( X x )
n

Con n = 10 se tiene:

Su media y varianza son las siguientes:

( n 1)
X
2
n 1
2

X2
12

DISTRIBUCIN HIPERGEOMTRICA
Se aplica cuando la muestra (n) es una proporcin relativamente grande en relacin
con la poblacin (n > 0.1N). El muestreo se hace sin reemplazo

P(x,N,n,D) es la probabilidad de exactamente x xitos en una muestra de n elementos


tomados de una poblacin de tamao N que contiene D xitos. La funcin de densidad
de distribucin hipergeomtrica:

C xD CnNxD n!
P ( x ) C xn
Con x!( n x)!
CnN

La media y la varianza de la distribucin hipergeomtrica son:


DISTRIBUCIN BINOMAL

Ensayo Bernoulli. Es un experimento aleatorio que solo tiene dos resultados. xito o
fracaso.
Donde la probabilidad de xito se denota por p

Suponga se realizan n experimentos Bernoulli independientes. Suponga que la


variable X de inters es el numero de xitos. X toma valores 0,1,2,...,n

La distribucin binomial se utiliza para modelar datos discretos y se aplica para


poblaciones grandes (N>50) y muestras pequeas (n<0.1N). El muestreo binomial es
con reemplazamiento.

Es apropiada cuando la proporcin defectiva es mayor o igual a 0.1.


La binomial es una aproximacin de la hipergeomtrica
La distribucin normal se paroxima a la binomial cuando np > 5

La variable aleatoria x tiene una distribucin binomial como sigue:

Con media y varianza:

DISTRIBUCIN BINOMIAL NEGATIVA

Se basa en los mismos principios de la distribucin binomial.


1. El experimento consiste de una secuencia de ensayos independientes.
2. Cada ensayo produce un xito o un fracaso.
3. La probabilidad de xito es constante de un ensayo a otro, P (xito en el ensayo i) =
p
4. El experimento continua hasta completar r ensayos.
La variable de inters es X = nmero de fracasos que preceden al r-simo xito. X se
llama variable aleatoria binomial negativa, ya que en contraste con la distribucin
binomial, el nmero de xitos es fijo y el nmero de ensayos aleatorio.

Su funcin de distribucin es:

x r 1 r x
nb rx ;;( p) p (1 p) con X = 0, 1, 2, ..

r 1
DISTRIBUCIN DE POISSON

La distribucin de Poisson se utiliza para modelar datos discretos como aproximacin


a la Binomial dada la dificultad que exista de encontrar tablas Binomiales adecuadas
cuando n es grandes y p pequea. La distribucin de probabilidad de Poisson
proporciona buenas aproximaciones cuando np <= 5.

Se aproxima a la binomial cuando p es igual o menor a 0.1, y el tamao de muestra es


grande (n > 16) por tanto np > 1.6.

Una Variable aleatoria X tiene distribucin Poisson si toma probabilidades con.

Con media y varianza:


6. DISTRIBUCIONES CONTINUAS DE PROBABILIDAD

Se diferencian de las distribuciones de probabilidad discretas en que su funcin de


distribcun acumulativa (F(yo)) para una variable aleatoria y es igual a la probabilidad
F(yo) = P(y<=y0).

Si F(y) es la funcin de distribucin acumulada para una variable aleatoria continua


entonces su funcin de densidad f(y) para y es:

f(y) = dF(y) / dy

Sus propiedades son que:

1. f(y) >= 0

2. Integral desde menos infinito a ms infinito de f(y) d(y) = F( ) = 1

f(y)

F(yo)

yo y
Funcin de distribucin acumulativa

Entre las distribuciones continuas ms comunes se encuentran la distribucin normal y


la distribucin exponencial.
DISTRIBUCIN EXPONENCIAL

Se usa para modelar artculos con una tasa de falla constante y est relacionada con
la distribucin de Poisson. Si una variable aleatoria x se distribuye exponencialmente,
entonces el recproco de x, y = 1/x sigue una distribucin de Poisson y viceversa.

La funcin de densidad de probabilidad exponencial es: Para x >= 0

x
1
f ( x) e e x

Donde Lambda es la tasa de falla y theta es la media.

La funcin de densidad de la distribucin exponencial

El modelo exponencial, con un solo parmetro, es el ms simple de todos los modelos


de distribucin del tiempo de vida. Las ecuaciones clave para la exponencial se
muestran:
Si el nmero de ocurrencias tiene Distribucin de Poisson, el lapso entre ocurrencias
tiene distribucin exponencial. Su funcin de distribucin acumulada es la siguiente:

P ( X x) 1 e t

Cuando X = 0 la distribucin de Poisson se convierte en el segundo trmino de la


distribucin exponencial.

Probabilidad de que el tiempo entre la ocurrencia de dos eventos cualquiera


sea <= t
F(x)

Aqu se desea saber de que no transcurra ms de cierto tiempo entre dos llegadas,
sabiendo que se tiene una tasa de llegadas .

Ensayo Benchmarking
Brey Hernndez Martnez.
Actualmente las empresas se enfrentan a mercados cada vez ms globalizados y
competitivos, lo que produce una dependencia constante de informacin sobre el
desarrollo de nuevas metodologas de organizacin que les permitan absorber y
adaptar rpidamente los cambios tecnolgicos y estratgicos que se van produciendo
en el mercado y en la economa mundial. En este entorno, las organizaciones deben ir
superando sus puntos crticos y lograr una posicin delante de su competencia.
El problema que se plantea es cmo poder localizar con mayor eficacia esos fallos,
sus respectivas soluciones y sobre todo buscar la mejor forma de optimizar los
recursos con los que se cuenta. En este contexto es donde aparece el benchmarking,
convirtindose en una herramienta fundamental que permite detectar y aplicar los
mejores procesos para obtener una mejor calidad y una mayor productividad,
basndose en las experiencias por las cuales atravesaron las empresas lderes del
mercado.
Un tipo de benchmarking en sentido estricto, se ha venido aplicando a lo largo de toda
la vida en la gestin empresarial. Sistemticamente los distintos departamentos de las
empresas son comparados, puestos en relacin con otros homlogos. As una unidad
comercial es medida en funcin de lo que hacen otras de la misma empresa, pero
tambin del crecimiento de su mercado, del de la competencia, etc. Sin embargo nos
hemos enfocado en una visin mucho ms moderna y a la vez mucho ms antigua, y
es que se reduce a tomar como referencia a los mejores, y adaptar sus mtodos, sus
estrategias, copiar (dentro de lo legal) lo que se pueda copiar. Las compaas de clase
Mundial que avanzan a grandes pasos han utilizado este tipo de prcticas exitosas. Y
ha habido un desarrollo acelerado pues en la actualidad cada vez son ms las
empresas que hacen uso de esta herramienta.
Cuando una empresa decide realizar proyectos orientados a medir y evaluar la calidad
de su gestin le pueden ocurrir dos cosas; que el proyecto sea un xito o que este sea
un fracaso. Evidentemente, para llegar al segundo resultado han debido de existir una
serie de obstculos que han hecho prcticamente imposible llegar con xito a realizar
el proyecto. No consideramos un fracaso de resultados si al llegar al final del proyecto
y sacar las conclusiones de este, nos damos cuenta que no hemos obtenido los
resultados positivos que pretendamos. Hablamos de impedimentos que podemos
encontrarnos por el camino al implantar este concepto en nuestro trabajo. No nos
olvidemos que estamos ante un concepto que implica proporcionar informacin propia
de nuestra compaa a un competidor para su beneficio. Por lo tanto estamos ante
posiblemente el mayor obstculo que podemos encontrar: la dificultad para obtener
informacin de las mejores prcticas de nuestros competidores. Adems de la
dificultad de obtener informacin, nos encontramos con un desconocimiento por parte
de los empresarios de lo que significa el benchmarking y de su metodologa y sobre
todo de los beneficios que a la larga se pueden obtener de la implementacin de este
mtodo. Es normal que si animamos a un directivo de una pequea empresa a realizar
un proyecto de benchmarking.

You might also like