Professional Documents
Culture Documents
Unidad: 3 Semana: 3
INTRODUCCIÓN A LA PROBABILIDAD
• Experimento aleatorio
• Su resultado no puede anticiparse aun cuando se repita
bajo las mismas condiciones
• Ejemplo:
• La medición de las piezas fabricadas con un mismo
proceso
• La cantidad de llamadas que recibe un conmutador
durante un lapso de tiempo determinado.
• El caudal de un rio
¡La universidad para todos!
INTRODUCCIÓN A LA PROBABILIDAD
• Para modelar y analizar un experimento aleatorio, en
primer lugar es necesario conocer:
• Espacio muestral
• Es el conjunto de resultados posibles de un experimento
aleatorio.
• E = {C, X}.
• E = {1, 2, 3, 4, 5, 6}.
http://www.youtube.com/watch?v=l_9H48E8fzc
¡La universidad para todos!
INTRODUCCIÓN A LA PROBABILIDAD
• Para modelar y analizar un experimento aleatorio, en
primer lugar es necesario conocer:
• Evento
• Es un subconjunto del espacio muestral de un
experimento aleatorio.
INTRODUCCIÓN A LA PROBABILIDAD
• En otros casos, los posibles valores de la variable aleatoria
no son directamente los resultados del experimento, sino
que surgen al asociar números a dichos resultados y, dicha
asociación, refleja la característica o aspecto de interés en
el experimento.
INTRODUCCIÓN A LA PROBABILIDAD
• Variable aleatoria
• Función que asocia un número a cada resultado de un
experimento aleatorio.
INTRODUCCIÓN A LA PROBABILIDAD
• Ejemplo de variable aleatoria
• Tiramos una moneda 3 veces. Representamos cara por c y
cruz por z.
• W = {ccc, ccz, czc, zcc, czz, zcz, zzc, zzz}
• La probabilidad de cada suceso elemental es 1/8.
• p(ccc)=1/8, ya que la probabilidad de sacar cara en una tirada
es 1/2 y las tiradas son independeintes.
• La variable aleatoria X: número de caras, que puede tomar
los valores {0, 1, 2, 3}.
• Se buscan todos los puntos muestrales que dan lugar a cada
valor de la variable y a ese valor se le asigna la probabilidad
del suceso correspondiente.
¡La universidad para todos!
INTRODUCCIÓN A LA PROBABILIDAD
• Ejemplo de variable aleatoria
x Sucesos px
0 {sss} 1/8
1 {css, scs, ssc} 3/8
2 {ccs, csc, scc} 3/8
3 {ccc} 1/8
• A esta función se le denomina función densidad de probabilidad
(fdp), que desgraciadamente "funciona" de distinta manera en las
variables discreta que en las continuas.
• En el caso de las variables discretas, como en el ejemplo, es una
función que para cada valor de la variable da su probabilidad.
¡La universidad para todos!
http://www.youtube.com/watch?v=z2Qfqg7JU0M
¡La universidad para todos!
varon
9 6
15 14 dama
varon
6 9 varon
10 15 14
16 dama
5
14 dama
9 varon
6 14
16 varon
10 5
15 14 dama
dama
5 10 varon
15 14
dama
4
14 dama
¡La universidad para todos!
p(3varones) = 10 * 9 * 8 = 0,214
16 15 14
¡La universidad para todos!
p(3damas) = 6 * 5 * 4 = 0,0357
16 15 14
¡La universidad para todos!
1 1 cara
1 2 2
2 sello
1
2 sello
1 cara
1 2
2 cara
1 1
2 2 sello
sello
1 1 cara
2 2
sello
1
2 sello
¡La universidad para todos!
p(3caras) = 1 * 1 * 1 = 1
2 2 2 8
¡La universidad para todos!
INTRODUCCIÓN A LA PROBABILIDAD
• Variable aleatoria discreta
• Variable a la que se pueden numerar los posibles valores que
toma.
• Ejemplo
• El número de tornillos defectuosos en una muestra
aleatoria de tamaño 15
• Número de errores de un operador industrial.
• Número de libros en una biblioteca
• Número de habitantes en una población,
• La cantidad de dinero que una persona trae en su bolsillo,
• Número de aves en un gallinero,
• Número de admisiones diarias a un hospital,
• Número de accidentes automovilísticos en una carretera
durante un año, etc.
¡La universidad para todos!
INTRODUCCIÓN A LA PROBABILIDAD
• Variable aleatoria continua
• Si el rango de una variable aleatoria X contiene un intervalo
(finito o infinito) de números reales, entonces X es una
variable aleatoria continua.
• Ejemplo
• Peso
• Volumen
• Longitud
• Voltaje
• Presión arterial
¡La universidad para todos!
INTRODUCCIÓN A LA PROBABILIDAD
• Distribución de probabilidad de X
INTRODUCCIÓN A LA PROBABILIDAD
• Distribución de probabilidad de X
INTRODUCCIÓN A LA PROBABILIDAD
• En el caso discreto, la función f (x) = P(X = x) que va del
rango de X al intervalo [0, 1] recibe el nombre de función de
probabilidad, y cumple con las siguientes propiedades:
INTRODUCCIÓN A LA PROBABILIDAD
• En el caso continuo, estas mismas propiedades se
enuncian de la siguiente forma: si f(x) es una funcion de
densidad de probabilidades de la variable aleatoria
continua X; entonces, para cualquier intervalo de números
reales [x1, x2], se cumple:
• f (x) ≥ 0
+∞
DISTRIBUCIÓN BINOMIAL
• DISTRIBUCIÓN BINOMIAL
DISTRIBUCIÓN BINOMIAL
• EXPERIMENTO BERNOULLI
DISTRIBUCIÓN BINOMIAL
• Entonces este experimento recibe el nombre de
experimento binomial.
• La variable aleatoria X, que es igual al número de ensayos
donde el resultado es un éxito, tiene una distribución
binomial (n, p).
• La función de probabilidades de X es,
• Donde:
• Ejemplos:
• Ejemplos:
• Ejemplo:
• En un proceso de fabricación donde se produce una gran
cantidad de artículos, se sabe que en promedio 2% de
ellos están defectuosos.
• Ejemplo:
• Por lo tanto, se espera que 82% de las cajas no tenga
ningún artículo defectuoso, mientras que el restante 18%
tendrá al menos uno.
• Si se quisiera saber cuál es la probabilidad de que cada
caja tenga exactamente un artículo defectuosos (P(X = 1)),
entonces:
DISTRIBUCIÓN GEOMÉTRICA
• Distribución geométrica
• La media es 1/p,
• La varianza es (1 − p)/p2.
• Ejemplo
• Supongamos que interesa encontrar un producto
defectuoso en un lote de muchos artículos.
• Se sabe que el lote contiene 5% de artículos defectuosos.
¿Cuál es la probabilidad de que sea necesario extraer de
manera aleatoria a lo más 20 artículos para encontrar el
primer defectuoso?
¡La universidad para todos!
DISTRIBUCIÓN GEOMÉTRICA
• Distribución geométrica
DISTRIBUCIÓN HIPERGEOMÉTRICA
• Distribución hipergeométrica
• Se aplica en ciertos tipos de experimentos Bernoulli, en los
cuales la probabilidad de éxito no se mantiene constante, y
eso ocurre cuando el tamaño de lote es pequeño con
respecto al tamaño de la muestra.
• Ejemplo
• Un conjunto de N objetos contiene: K de ellos clasificados
como éxitos y N − K como fracasos.
• Se extrae una muestra aleatoria (sin reemplazo) de
tamaño n de tal conjunto, n ≤ N.
• Sea X el número de éxitos en la muestra, entonces X tiene
una distribución hipergeométrica
¡La universidad para todos!
DISTRIBUCIÓN HIPERGEOMÉTRICA
• Distribución hipergeométrica
DISTR.HIPERGEOM(x, n, K, N),
DISTRIBUCIÓN HIPERGEOMÉTRICA
• Distribución hipergeométrica
• Ejemplo
• En una empresa industrial, cada día se produce un lote de
N = 50 piezas grandes de cierto tipo. Los registros
muestran que, de éstas, en promedio K = 6 son
defectuosas. Si en forma aleatoria se examinan n = 10
piezas de la producción de un día, ¿cuál es la probabilidad
de encontrar x = 0 o x = 1 piezas defectuosas?
= DISTR.HIPERGEOM(0,10,6,50) + DISTR.HIPERGEOM(1,10,6,50)
= 0.24 + 0.41
= 0.66
¡La universidad para todos!
DISTRIBUCIÓN DE POISSON
• Distribución de Poisson
DISTRIBUCIÓN DE POISSON
• Distribución de Poisson
• e = 2.718
• ! = es el símbolo factorial
• La media y la varianza para esta distribución son:
μ = λ σ 2 = λ.
¡La universidad para todos!
DISTRIBUCIÓN DE POISSON
• Distribución Poisson
• Ejemplo
• En una empresa se reciben en promedio 5 quejas diarias
por mal servicio.
• Si el número de quejas por día se distribuye Poisson con λ
= 5, ¿cuál es la probabilidad de no recibir quejas en un
día?
DISTRIBUCIÓN NORMAL
• Distribución Normal
μ = es su media
σ = desviación estándar.
¡La universidad para todos!
DISTRIBUCIÓN NORMAL
• Distribución Normal
Fig. 1
DISTRIBUCIÓN NORMAL
• Propiedades de la distribución normal
• Se cumple que:
• P(μ − σ < X < μ + σ) = 0.6827
• P(μ − 2σ < X < μ + 2σ) = 0.9545
• P(μ − 3σ < X < μ + 3σ) = 0.9973
• P(X = a) = 0 para cualquier número a.
¡La universidad para todos!
PROPIEDADES DE LA
DISTRIBUCIÓN NORMAL
CÁLCULO DE PROBABILIDADES
• Si una variable aleatoria X se distribuye normal con media μ y
varianza σ2, y se quiere encontrar la probabilidad de que esta
variable tome valores entre dos números cualesquiera, a y b
por ejemplo, entonces lo que se tiene que hacer es calcular el
área bajo la curva entre a y b, y esto se realiza mediante
métodos numéricos, ya que la integral de la función de
distribución no tiene solución analítica.
CÁLCULO DE PROBABILIDADES
• También se puede utilizar la hoja de cálculo de Excel para
calcular las probabilidades con la distribución normal; para ello
se utiliza la función:
CÁLCULO DE PROBABILIDADES
• Ejemplo
• La dimensión de una pieza se distribuye normal con μ = 82.0
mm, y σ = 0.5. Se desea calcular el porcentaje de piezas que
cumplen con especificaciones 82 ± 1, lo cual se obtiene
calculando la siguiente diferencia de probabilidades
P(81 < X < 83) = P(X < 83) − P(X < 81)
Tabla 1
¡La universidad para todos!
CÁLCULO DE PROBABILIDADES
• Ejemplo
• P(Z < 2.0) = 1 − 0.023 = 0.977
CÁLCULO DE PROBABILIDADES
• Ejemplo
En Excel
P(81 < X < 83) = P(X < 83) − P(X < 81)
DISTRIBUCIÓN JI-CUADRADA
• Sean Z1, Z2, ..., Zk variables aleatorias independientes, con
distribución normal estándar (μ = 0 y σ2 = 1), entonces la variable
aleatoria
DISTRIBUCIÓN JI-CUADRADA
• Si α es un número entero, entonces Γ(α) = (α − 1)!. La media y la
varianza de una distribución ji-cuadrada con k grados de libertad
están dadas por E(X) = k y σ2 = 2k.
DISTRIBUCIÓN JI-CUADRADA
Fig. 2
Tabla 2
¡La universidad para todos!
DISTRIBUCIÓN T de Student
• Sea Z una variable aleatoria con distribución normal estándar y
sea V una variable aleatoria con distribución ji-cuadrada con k
grados de libertad. Si Z y V son independientes, entonces la
variable aleatoria,
DISTRIBUCIÓN T de Student
• Sigue una distribución T de Student con n – 1 grados de libertad.
• En la figura 3 se muestra la gráfica de densidades T para
diferentes grados de libertad.
Ejemplos de densidades de la
distribución T de Student
Fig. 3
¡La universidad para todos!
Tabla 3
¡La universidad para todos!
DISTRIBUCIÓN F
• Sean W y Y variables aleatorias ji-cuadrada independientes con
u y v grados de libertad, respectivamente.
• Entonces el cociente:
DISTRIBUCIÓN F
• En la figura 4 se muestra la gráfica de densidades F para
diferentes grados de libertad, en donde se puede observar que
tiene una apariencia similar a la distribución ji-cuadrada, excepto
que la distribución F se encuentra centrada con respecto a 1, y
los dos parámetros le dan mayor flexibilidad.
DISTRIBUCIÓN F
Fig. 4
¡La universidad para todos!
Puntos críticos al 5% de la distribución F, P(X > x) = 0.05.
Tabla 4
¡La universidad para todos!
¡Gracias!