Está en la página 1de 16

Licenciatura en ADMINISTRACIN

Materia:

Anlisis Estadstico

UNIDAD III. Probabilidad

Introduccin
Los orgenes de las matemticas de la probabilidad se remontan al siglo XVI. Las primeras aplicaciones
se relacionaban bsicamente con los juegos al azar. Los jugadores gananciosos utilizaron el conocimiento de la
teora de la probabilidad para desarrollar estrategias de apuesta. Incluso actualmente, el gobierno, las
compaas particulares y las organizaciones profesionales y no lucrativas adoptan la teora de la probabilidad
en su cotidiano proceso de toma de decisiones. Las probabilidades son tiles, ya que pueden servir para
desarrollar estrategias.

Objetivo general
Definir la teora de conjuntos apoyadas por los diferentes teoremas para su aplicacin en cualquier
evento dentro de una organizacin.

Objetivo especfico
Determinar los valores de probabilidad por diversos mtodos.

Contenido temtico
3.1 Permutaciones y combinaciones
3.2. Teora de conjuntos
3.2.1 Eventos Mutuamente excluyentes
3.2.2. Eventos dependientes e independientes
3.3. Probabilidad terica y matemtica
3.4. Distribucin binomial y discreta
3.5. Teorema de Bayes
3.6. Distribucin de Poisson
3.7. T de Student

3.1 Permutaciones y Combinaciones


Una dificultad prctica que aparece a veces al calcular la probabilidad de un suceso es la de contar el
nmero de resultados bsicos en el espacio muestral y en el suceso de inters. Para algunos problemas, el uso
de permutaciones y combinaciones puede ser til. Comencemos con el problema de la ordenacin. Supongamos
que tenemos un nmero x de objetos que queremos poner por orden. Cada objeto puede ser utilizado una sola
Pg. 1 de 16
Esta obra es exclusivamente de uso acadmico para los estudiantes de la BUAP. Esta obra se distribuye
con una licencia Creative Commons Atribucin-NoComercial, CompartirIgual 2.5 Mxico

Licenciatura en ADMINISTRACIN
Materia:

Anlisis Estadstico

vez. Cuntas series distintas son posibles? Podemos contemplar este problema como si en realidad se tratase
de colocar cada uno de los objetos en cada una de las X cajas situadas en fila. Empezando por la primera caja,
hay X maneras distintas de ocuparla. Una vez que un objeto es puesto en esa caja, quedan (x -1) objetos y, por
tanto, (x - 1) modos de rellenar la segunda caja. Es decir, para cada una de las X maneras de colocar un objeto en
la primera caja, hay (x- 1) formas posibles de rellenar la segunda caja, por lo que las dos primeras cajas pueden
ser ocupadas en un total de x(x - 1) maneras. Dado que las primeras dos cajas son rellenadas, hay ahora (x - 2)
modos de rellenar la tercera caja, por lo que las tres primeras cajas pueden ser ocupadas de x(x -1)(x - 2) maneras
en total. Finalmente, cuando llegamos a la ltima caja slo resta un objeto que poner en ella. Por tanto, el nmero total de posibles ordenaciones es x(x - 1)(x - 2) - (2)(1), lo cual, por conveniencia notacional, se escribe x!
2

(lase "x factorial") .


El nmero de posibles ordenaciones de x objetos es

1 sucesivamente, hasta que lleguemos a la ltima caja. En este momento quedarn (n - x + 1) objetos,
cada uno de los cuales puede ser colocado en dicha caja, tal y como se ilustra en la Figura siguiente. As, el
nmero total de permutaciones es:

Una expresin ms adecuada se obtiene multiplicando y dividiendo por (n x) (n x -1). . . .(2) (1) = (n
x)! Resultando:

Definicin: El nmero de permutaciones, nPx , de n objetos tomados de x en x es el nmero de


posibles ordenaciones cuando x objetos han de ser seleccionados de un total de n y dispuestos en orden. Este
nmero es

Pg. 2 de 16
Esta obra es exclusivamente de uso acadmico para los estudiantes de la BUAP. Esta obra se distribuye
con una licencia Creative Commons Atribucin-NoComercial, CompartirIgual 2.5 Mxico

Licenciatura en ADMINISTRACIN
Materia:

Anlisis Estadstico

Ejemplo para entender mejor las permutaciones y las combinaciones:

http://www.youtube.com/watch?v=xxW4TjQj2DU

3.2Teora de Conjuntos
El concepto de conjunto es intuitivo y se podra definir como una "agrupacin bien definida de objetos
no repetidos y no ordenados"; as, se puede hablar de un conjunto de personas, ciudades, gafas, lapiceros o del
conjunto de objetos que hay en un momento dado encima de una mesa.
Un conjunto est bien definido si se sabe si un determinado elemento pertenece o no al conjunto. El
conjunto de los bolgrafos azules est bien definido, porque a la vista de un bolgrafo se puede saber si es azul
o no.
El conjunto de las personas altas no est bien definido, porque a la vista de una persona, no siempre se
podr decir si es alta o no, o puede haber distintas personas, que opinen si esa persona es alta o no lo es. En el
siglo XIX, segn Frege, los elementos de un conjunto se definan slo por tal o cual propiedad

Ejemplos para entender mejor la teora de conjuntos:

http://www.youtube.com/watch?v=Q7PWC_T-mVc

3.2.1 Eventos Mutuamente Excluyente


Definicin: Si los sucesos A y B no tienen en comn resultados bsicos, se denominan mutuamente
excluyentes y su interseccin A  B es el conjunto vaco. De esto se deduce, entonces, que A  B no puede
ocurrir.
De manera ms general, los K sucesos E1, E2,...,Ek, se dice que son mutuamente excluyentes si todo
par de estos sucesos es mutuamente excluyente, es decir, si E,  E es el conjunto vaco para todo i  j.
Cuando se consideran varios sucesos conjuntamente, otra posibilidad de inters es que al menos uno
de ellos ocurra. Esto suceder si el resultado bsico del experimento pertenece al menos a uno de los sucesos.
El conjunto de resultados bsicos pertenecientes al menos a uno de los sucesos se denomina su unin. Por
ejemplo, en el experimento de lanzamiento de un dado, los resultados 2, 4, 5 y 6 pertenecen al menos a uno de
los sucesos "sale un nmero par" o "sale como mnimo un 4."
Definicin: Sean A y B los dos sucesos en el espacio muestral S. Su unin, denominada A U B, es el
conjunto de todos los resultados bsicos en S que pertenecen al menos a uno de estos dos sucesos. Por tanto,
la unin A U B tiene lugar si y slo si A y/o B ocurren.
Pg. 3 de 16
Esta obra es exclusivamente de uso acadmico para los estudiantes de la BUAP. Esta obra se distribuye
con una licencia Creative Commons Atribucin-NoComercial, CompartirIgual 2.5 Mxico

Licenciatura en ADMINISTRACIN
Materia:

Anlisis Estadstico

De manera ms general, dados K sucesos E1, E2,...,Ek, su unin, E1 U E2 U... Uk, es el conjunto de todos
los resultados bsicos pertenecientes al menos a uno de estos K sucesos.
La unin de un par de sucesos se ilustra en el diagrama de Venn un resultado bsico estar en A U B si
y slo si lo est en A y/o B.
Un caso de especial inters lo constituye una coleccin de varios sucesos cuya unin es la totalidad del
espacio muestral S. Dado que todo resultado bsico est siempre contenido en S, se deduce que todo
resultado de un experimento aleatorio estar al menos en una de estas colecciones de sucesos. Estos sucesos
se denominan colectivamente exhaustivos. Por ejemplo, si se lanza un dado, los sucesos "el resultado es como
mnimo un 3" y "el resultado es como mximo un 5" son colectivamente exhaustivos -al menos uno de estos dos
sucesos debe ocurrir.
Definicin: Sean E1, E2,..., Ek, sucesos en el espacio muestral S. Si E1 U E2 U..., U Ek = S, estos K
sucesos se denominan colectivamente exhaustivos.
El diagrama de Venn para la unin de sucesos A y B; A U B es el rea sombreada

El diagrama de Venn para el complementario del suceso A; A es el rea sombreada

Definicin: Sea A un suceso en el espacio muestral S. El conjunto de resultados bsicos de un


experimento aleatorio perteneciente a S pero no a A se denomina el complementario de A, y se representa por
A.

Pg. 4 de 16
Esta obra es exclusivamente de uso acadmico para los estudiantes de la BUAP. Esta obra se distribuye
con una licencia Creative Commons Atribucin-NoComercial, CompartirIgual 2.5 Mxico

Licenciatura en ADMINISTRACIN
Materia:

Anlisis Estadstico

Hemos presentado tres conceptos importantes -la interseccin, la unin y el complementario. Todos
ellos sern importantes en nuestro estudio subsiguiente de la probabilidad. Los siguientes ejemplos deberan
servir para concretar estas ideas.
Ejemplo- Se lanza un dado. Sea A el suceso "sale un nmero par" y B el suceso "sale como mnimo un
Entonces,
4". A = [2, 4, 6] y B = [4, 5, 6]
Los complementarios de estos sucesos son, respectivamente.
 = [1, 3, 5] y B[1, 2, 3]
La interseccin de A y B es el suceso "el nmero que sale es par y como mnimo 4", as
A  B = [4, 6]
La unin de A y B es el suceso "el nmero que sale es par y/o como mnimo 4", y as
A U B = [2, 4, 5, 6]
Advirtase tambin que los sucesos A y A son mutuamente excluyentes, dado que su interseccin es
el conjunto vaco, y colectivamente exhaustivos, dado que su unin es el espacio muestral 5; es decir:
A U A = [1, 2, 3, 4, 5, 6] = S
Las mismas consideraciones se aplican a los sucesos B y B.
EJEMPLO
Consideremos ahora el ndice industrial Dow-Jones correspondiente a dos das consecutivos.
Designaremos los cuatro resultados bsicos como sigue:
O1: el ndice sube los dos das
O2: el ndice sube el primer da, pero no el segundo
O3: el ndice no sube el primer da, pero sube el segundo
O4: el ndice no sube ninguno de los dos das
Claramente, uno de estos resultados tiene que ocurrir, pero no ms de uno puede tener lugar al mismo
tiempo. Por tanto, podemos representar el espacio muestral como S = [O1, O2, O3, O4]

Pg. 5 de 16
Esta obra es exclusivamente de uso acadmico para los estudiantes de la BUAP. Esta obra se distribuye
con una licencia Creative Commons Atribucin-NoComercial, CompartirIgual 2.5 Mxico

Licenciatura en ADMINISTRACIN
Materia:

Anlisis Estadstico

Consideremos ahora los dos sucesos


A: el ndice sube el primer da
B: el ndice sube el segundo da
Observamos que el suceso A ocurre si O1 O2, ocurren, por lo que podemos escribir A = [O1, O2] De
manera similar, tenemos que B = [O1, O3] .
Ejemplos para entender mejor los mtodos mutuamente excluyentes:

http://www.youtube.com/watch?v=kDG889hwsA0

http://www.youtube.com/watch?v=TAh4l8uGP6M

3.2.2 Eventos dependientes e Independientes


Si E y F son eventos tales que la ocurrencia de F no influye en forma alguna en la de E, entonces E y F
se llaman

Eventos independientes. Dicho de otra manera, E y F son eventos independientes si la

probabilidad de que ocurra E dado que ha sucedido el evento F, es igual a la probabilidad del suceso del evento
E.
E y F son eventos independientes si
P (E| F) = P (E)
|
.
Si dos eventos son independientes, entonces son Eventos dependientes, tenemos tambin:
P(EF) = P(F)P(|E F)
Si E y F son eventos independientes, entonces
P(F)P(E F) = P(F)P(E)

Ejemplo
Cules de los pares siguientes son eventos independientes?
a) E=Sacar un sol al lanzar un peso.
F=Sacar un sol al lanzar una moneda de diez centavos.
b) E=El primer bebe de Mara ser un nio.
F=El segundo bebe de Mara ser nia
c) E= Hoy llover en Frotburg.
F= Juan reprobara hoy su examen de matemticas 101.
Solucin
a) Como los eventos no estn relacionados, son independientes.
b) Los dos eventos son independientes.

Pg. 6 de 16
Esta obra es exclusivamente de uso acadmico para los estudiantes de la BUAP. Esta obra se distribuye
con una licencia Creative Commons Atribucin-NoComercial, CompartirIgual 2.5 Mxico

Licenciatura en ADMINISTRACIN
Materia:

Anlisis Estadstico

c) Estos dos eventos dan toda la impresin de no estar relacionados; en consecuencia, son
eventos independientes.
Ejemplo para entender mejor los eventos dependientes e Independientes

http://www.youtube.com/watch?v=jSLLhatITHI

3.3 Probabilidad Terica y Matemtica


QU ES LA PROBABILIDAD?
Supongamos que tenemos que llevar a cabo un experimento aleatorio y estamos interesados en la
posibilidad de que ocurra un determinado suceso. El concepto de probabilidad pretende aportar una medida
numrica de la verosimilitud de ocurrencia de un suceso. La probabilidad se mide en una escala de 0 a 1.
En los extremos de este rango, una probabilidad de 0 indica que el suceso es imposible (es seguro que
no ocurrir), mientras que una probabilidad de 1 indica que el suceso ocurrir con seguridad. A los sucesos
inciertos les daremos una probabilidad entre 0 y 1, de manera que cuanto ms probables sean los sucesos,
mayor sea la probabilidad. En la prctica, estas ideas se encuentran con frecuencia. Es sabido que la lluvia es
ms probable bajo ciertas condiciones meteorolgicas que bajo otras. Un gerente con experiencia puede
atribuir mayor probabilidad de penetracin en el mercado a un producto que a otro.
Pongamos un ejemplo simple, supngase que se lanza una moneda. La frase "la probabilidad de que
salga cara es 1/2" puede ser interpretada con la ayuda de dos conceptos distintos: frecuencia relativa y
probabilidad subjetiva.
EJERCICIOS
1. Un director de tesorera est considerando invertir en el capital de una empresa de asistencia
sanitaria. La valoracin de probabilidades del director correspondientes a las tasas de rentabilidad de este capital
durante el prximo ao se recoge en la tabla adjunta. Sea A el suceso "la tasa de rentabilidad ser mayor del
10%" y sea B el suceso "la tasa de rentabilidad ser negativa".
TASA DE
RENTABILIDAD
Menos de -10%
Entre -10% y 0%
Entre 0% y 10%
Entre 10% y 20%
Ms del 20%____

PROBABILIDAD
0.04
0.14
0.28
0.33
0.21

Pg. 7 de 16
Esta obra es exclusivamente de uso acadmico para los estudiantes de la BUAP. Esta obra se distribuye
con una licencia Creative Commons Atribucin-NoComercial, CompartirIgual 2.5 Mxico

Licenciatura en ADMINISTRACIN
Materia:

Anlisis Estadstico

a) Calcular la probabilidad del suceso A.


b) Calcular la probabilidad del suceso B.
c)

Describir el complementario del suceso A.

d) Calcular la probabilidad del complementario del suceso A.


e) Describir el suceso interseccin de los sucesos A y B.
f)

Calcular la probabilidad de la interseccin de los sucesos A y B.

g) Describir el suceso unin de los sucesos A y B.


h) Calcular la probabilidad de la unin de los sucesos A y B.
i)

Son los sucesos Ay B mutuamente excluyentes?

j)

Son los sucesos A y B colectivamente exhaustivos?

2.- Un gerente tiene disponible un grupo de empleados a los que les podra ser asignada la supervisin
de un proyecto. Cuatro de los empleados son mujeres y cuatro son hombres.
Dos de los hombres son hermanos. El gerente debe realizar la asignacin al azar, de manera que cada
uno de los ocho empleados tiene la misma probabilidad de salir elegido. Sea A el suceso "el empleado elegido
es un hombre" y sea B el suceso "el empleado elegido es uno de los dos hermanos".
a) Calcular la probabilidad del suceso A.
b) Calcular la probabilidad del suceso B.
c)

Calcular la probabilidad de la interseccin de los sucesos Ay B.

d) Calcular la probabilidad de la unin de los sucesos A y B.


3.- En la Seccin 3.4, vimos que si dos sucesos son mutuamente excluyentes, la probabilidad de la
unin es la suma de las probabilidades individuales. Sin embargo, ste no es el caso de los sucesos que no son
mutuamente excluyentes. Comprueba esta afirmacin considerando los sucesos A y B del Ejercicio 1.
4.- El director de unos almacenes ha supervisado el nmero de quejas recibidas a la semana por un
servicio deficiente. Las probabilidades correspondientes al nmero de quejas por semana establecidas en esta
revisin, se muestran en la tabla. Sea A el suceso "se recibir al menos una queja por semana", y sea B "se
recibirn menos de 10 quejas por semana".
Nmero de quejas

Probabilidad

0.14

13

0.39

46

0.23

79

0.15

10 12

0.06

Ms de 12

0.03

a) Calcular la probabilidad del suceso A.


Pg. 8 de 16
Esta obra es exclusivamente de uso acadmico para los estudiantes de la BUAP. Esta obra se distribuye
con una licencia Creative Commons Atribucin-NoComercial, CompartirIgual 2.5 Mxico

Licenciatura en ADMINISTRACIN
Materia:

Anlisis Estadstico

b) Calcular la probabilidad del suceso B.


c)

Calcular la probabilidad del complementario de A.

d) Calcular la probabilidad de la unin de A y B.


e) Calcular la probabilidad de la interseccin de A y B.
f)

Son los sucesos Ay B mutuamente excluyentes?

g) Son los sucesos Ay B colectivamente exhaustivos?


5. Una compaa recibe un determinado componente en remesas de 100. Un estudio ha indicado las
probabilidades, que figuran en la tabla adjunta, correspondientes a los componentes defectuosos de una
remesa.
Nmero de defectuosas

Probabilidad

0.29

0.36

0.22

0.10

Ms de 3

0.03

a) Cul es la probabilidad de que haya ms de tres componentes defectuosos en una remesa?


b) Cul es la probabilidad de que haya ms de un componente defectuoso en una remesa?
c)

Las cinco probabilidades de la tabla suman 1. Por qu ha de ser as?

Ejemplo de probabilidad

http://www.youtube.com/watch?v=Irdh31EMPzw

3.4 Distribucin Binomial y Discreta


La distribucin binomial es una distribucin de probabilidad discreta que mide el nmero de xitos en
una secuencia de n ensayos independientes de Bernoulli con una probabilidad fija p de ocurrencia del xito
entre los ensayos.
Un experimento de Bernoulli se caracteriza por ser dicotmico, esto es, slo son posibles dos
resultados. A uno de estos se denomina xito y tiene una probabilidad de ocurrencia p y al otro, fracaso, con
una probabilidad q = 1 - p. En la distribucin binomial el anterior experimento se repite n veces, de forma
independiente, y se trata de calcular la probabilidad de un determinado nmero de xitos. Para n = 1, la
binomial se convierte, de hecho, en una distribucin de Bernoulli.
Para representar que una variable aleatoria X sigue una distribucin binomial de parmetros n y p, se
escribe:

Pg. 9 de 16
Esta obra es exclusivamente de uso acadmico para los estudiantes de la BUAP. Esta obra se distribuye
con una licencia Creative Commons Atribucin-NoComercial, CompartirIgual 2.5 Mxico

Licenciatura en ADMINISTRACIN
Materia:

Anlisis Estadstico
X ~ B (n, p)

Ejemplo de distribuciones binomiales y discretas:

http://www.youtube.com/watch?v=Jf82SPTjx4E

3.5 Teorema de Bayes


En esta seccin, presentamos un mecanismo para la modificacin de las valoraciones de probabilidad
cuando se dispone de informacin adicional. Por ejemplo, supongamos que un inversor est interesado en un
ttulo en particular y tiene unas determinadas creencias sobre la posible rentabilidad que puede llevar consigo la
inversin. Si dicho inversor se entera luego de que el ttulo esta siendo recomendado por un analista experto,
esto podra modificar sus creencias inciales, dependiendo de su confianza en los juicios del experto.
Sean A y B dos sucesos con probabilidades P(A) y P(B), respectivamente. La regla del producto de
probabilidades dice:
P (A  B) = P (A \ B) P(B)
Y tambin
P (A  B) = P (B \ A) P(A)
El Teorema de Bayes. Sean A y B dos sucesos. Entonces.
P (B \ A) = P (A \ B) P(B)
P(A)
La interpretacin ms importante del teorema de Bayes se basa en el uso de las probabilidades subjetivas. Supongamos que una persona est interesada en el suceso B y se forma una opinin subjetiva de la
probabilidad de que B ocurra; en este contexto, la probabilidad P (B) se denomina probabilidad a priori. Si
despus este individuo consigue informacin adicional -por ejemplo, que el suceso A ha ocurrido-, este hecho
puede provocar una modificacin de su juicio inicial sobre la probabilidad de ocurrencia de B. Dado que se sabe
que A ha ocurrido, la probabilidad relevante correspondiente a B es ahora la probabilidad condicional de B dado
A, que se denota probabilidad a posteriori. Desde este punto de vista, se puede interpretar el teorema de Bayes
como un mtodo que nos permite actualizar una probabilidad a priori cuando se conoce la informacin adicional
de que el suceso A ha tenido lugar. El teorema sostiene que la actualizacin se realiza multiplicando la
probabilidad a priori por P (A\B)/P(A).
Resulta muy comn que la gente se forme y posteriormente modifique sus creencias sobre una probabilidad subjetiva. Un importante aspecto del trabajo de un auditor es determinar si los balances de las cuentas
son correctos. Antes de examinar una cuenta en particular, el auditor se habr hecho una idea, basada en su
experiencia de anteriores auditoras, sobre la probabilidad de que exista un error. Sin embargo, si comprueba que
el balance es sustancialmente diferente de lo que cabra esperarse basndose en los datos de aos anteriores, el
Pg. 10 de 16
Esta obra es exclusivamente de uso acadmico para los estudiantes de la BUAP. Esta obra se distribuye
con una licencia Creative Commons Atribucin-NoComercial, CompartirIgual 2.5 Mxico

Licenciatura en ADMINISTRACIN
Materia:

Anlisis Estadstico

auditor creer que la probabilidad de error es mayor y, por tanto, le prestar a la cuenta una atencin especial.
As, la probabilidad a priori ha sido actualizada a la vista de la informacin adicional.
Ejemplo
Al examinar los registros anteriores de los balances de una compaa, un auditor descubre que el 15%
contienen errores. Adems, el 60% de estos balances incorrectos fueron considerados valores inusuales
basndose en los datos anteriores. El 20% de todos los balances se consideraron tambin valores inusuales. Si
los datos de un determinado balance parecen ser inusuales, cul es la probabilidad de que sea incorrecto?
Si denominamos los sucesos de inters como "error" y "valor inusual", tenemos que
P(error) = 0,15 y P(valor inusual) = 0,20
P(valor inusual / error) = 0,60
Haciendo uso del teorema de Bayes, se obtiene
P (Error Valor Inusual) = P(valor inusual / error P (error) = (0,60)(0,15) = 0,45
P(valor inusual)
0,20
De este modo, dada la informacin de que el balance se considera inusual, la probabilidad de que sea
un error se ve modificada, pasando de 0,15 (a priori) a 0,45 (a posteriori).
En muchas ocasiones, el teorema de Bayes se presenta de una forma distinta pero equivalente. Sean
E1, E2,...,Ek, K sucesos mutuamente excluyentes y colectivamente exhaustivos, y sea A otro suceso cualquiera.
Queremos calcular la probabilidad de Ei dado A para algn i. Este clculo puede hacerse directamente, utilizando
el teorema de Bayes y sustituyendo B en la Ecuacin (3.8.3) por Ei Sin embargo, el denominador del lado derecho
de la ecuacin puede expresarse en trminos de las probabilidades condicionales de A dado Ej y las
probabilidades de los Ej. Hemos visto ya en la Seccin 3.2 que los sucesos E1  A, E2  A,...,Ek  A , son
mutuamente excluyentes y que su unin es A.
EJEMPLO.
Un editor enva propaganda de un libro de contabilidad al 80% de aquellos profesores que estn a
cargo de un curso de dicha materia. El 30% de aquellos que recibieron la propaganda pasaron a emplear el
citado libro, como as hicieron el 10% de los profesores que no la recibieron.
Cul es la probabilidad de que un profesor que utiliza el libro haya recibido dicha propaganda?
Sean los sucesos "la recibe" y su complementario "no la recibe". Entonces
P (la recibe) = 0,80

P (no la recibe) = 1 0,80 = 0,20

Pg. 11 de 16
Esta obra es exclusivamente de uso acadmico para los estudiantes de la BUAP. Esta obra se distribuye
con una licencia Creative Commons Atribucin-NoComercial, CompartirIgual 2.5 Mxico

Licenciatura en ADMINISTRACIN
Materia:

Anlisis Estadstico

Adems
P (lo utiliza / la recibe) = 0,30

P (lo utiliza / no la recibe) = 0,10

Queremos conocer la probabilidad condicional de que se haya recibido la propaganda dado que se utiliza el
libro. Por el teorema de Bayes se tiene que:
P (la recibe / lo utiliza) = P (lo utiliza/ la recibe) P (la recibe)
P (lo utiliza/ la recibe) P (la recibe)
+ P (lo utiliza / no la recibe) P (no la recibe) = (0,30)(0,80) = 0,923
(0,30)(0,80) + (0,10)(0,20)
EJERCICIOS
Una consultora clasifica sus predicciones sobre los resultados de las empresas para el ao siguiente
en buenos, malos y normales. Antes de decidir si contina utilizando los servicios de la consultora. Una
compaa compara las predicciones pasadas con los resultados reales. La tabla siguiente recoge las proporciones correspondientes a las nueve clasificaciones conjuntas.

Resultado

Prediccin
BUENOS

MALOS

Buenos

0,23

0.03

Normales

0.06

0.08

Malos

0.01

0.19

a) Qu proporcin de las predicciones correspondieron a la categora de resultados buenos?


b) Qu proporcin de los resultados fueron buenos?
c) Si una empresa tuvo resultados buenos, cul es la probabilidad de que stos hayan tenido
lugar?
d) Si la consultora predijo resultados malos para una compaa dada, cul es la probabilidad de
que stos hayan tenido lugar?

2. Una empresa recibe partidas de un componente especial de la maquinaria que proceden de otras
empresas de su grupo. Se sabe que las proporciones de componentes defectuosos del total recibido son las
que se recogen en la siguiente tabla.

COMPONENTE
Bueno

EMPRESA
A

0.27

0.30

0.33
Pg. 12 de 16

Esta obra es exclusivamente de uso acadmico para los estudiantes de la BUAP. Esta obra se distribuye
con una licencia Creative Commons Atribucin-NoComercial, CompartirIgual 2.5 Mxico

Licenciatura en ADMINISTRACIN
Materia:

Anlisis Estadstico
Defectuoso

0.02

0.05

0,03

a) Si se elige al azar un componente del total recibido, cul es la probabilidad de que sea
defectuoso?
b) Si se elige al azar un componente del total recibido, cul es la probabilidad de que proceda de
la empresa B?
c)

Cul es la probabilidad de que un componente procedente de la empresa B sea defectuoso?

d) Cul es la probabilidad de que un componente defectuoso elegido al azar proceda de la


empresa B?
e) La calidad del componente es independiente del proveedor?
f)

Teniendo en cuenta la calidad, cul de las empresas es ms fiable?

Ejemplo del teorema de Bayes:

http://www.youtube.com/watch?v=BOJQTMR7Rt4

3.6 Distribucin de Poisson


El clculo de probabilidades binominales puede ser tedioso, especialmente si el nmero de intentos es
grande. Cuando el numero de intentos es grande (n

100) y  = np es pequeo (<10), las probabilidades

binomiales pueden aproximarse mediante una forma particular de la funcin de probabilidad de Poisson. La
distribucin de probabilidad de Poisson se define por la formula de probabilidad de Poisson:

Ejemplo
Un banco recibe un promedio de tres cheques sin fondos por da. Cul es la probabilidad de que cierto
da reciba cuatro o cinco cheques sin fondos?
Solucin: Notemos que ==3,. La solucin es P(4)+P(5), donde

Ejemplo
La distribucin de Poisson ha resultado ser muy til en problemas de lneas de espera o colas. Los
clientes llegan a una maquina fotocopiadora a una tasa media de dos cada cinco minutos. En la prctica, se
pueden representar los procesos de llegada de esta clase mediante una distribucin de Poisson. Asumiendo que
Pg. 13 de 16
Esta obra es exclusivamente de uso acadmico para los estudiantes de la BUAP. Esta obra se distribuye
con una licencia Creative Commons Atribucin-NoComercial, CompartirIgual 2.5 Mxico

Licenciatura en ADMINISTRACIN

Anlisis Estadstico

Materia:

ste es el caso, representaremos por X el nmero de llegadas de clientes en un perodo de cinco minutos, con lo
cual X tiene distribucin de Poisson con media X = 2, y funcin de probabilidad.
x!

-2

P x (X) = e (2)

para x = 0, 1, 2, 

sta es la funcin de probabilidad que se dibuja en la Figura 4.8(c).] Usando (de la Tabla 2 del
-2

Apndice) e = 0,135335, las probabilidades para el nmero de llegadas en un perodo de cinco minutos son:
-2

P (0 llegadas) = P x (0) = e (2)

= (0,135335)(1) = 0,1353

0!
-2

P (0 llegadas) = P x (0) = e (2)

1
0

= (0,135335)(1) = 0,2707

1!
-2

P (0 llegadas) = P x (0) = e (2)

1
0

= (0,135335)(1) = 0,2707

2!

Y as sucesivamente. As por ejemplo, la probabilidad de que se produzcan ms de dos llegadas en un


periodo de 5 minutos es:
Ejemplo de la distribucin de Poisson.

http://www.youtube.com/watch?v=khtWipQExNA

3.7 T de Student
La distribucin t (de Student) es una distribucin de probabilidad que surge del problema de estimar la
media de una poblacin normalmente distribuida cuando el tamao de la muestra es pequeo.
Aparece de manera natural al realizar la prueba t de Student para la determinacin de las diferencias
entre dos medias muestrales y para la construccin del intervalo de confianza para la diferencia entre las
medias de dos poblaciones cuando se desconoce la desviacin tpica de una poblacin y sta debe ser
estimada a partir de los datos de una muestra.

La distribucin t de Student es la distribucin de probabilidad del cociente


donde

Z tiene una distribucin normal de media nula y varianza 1


Pg. 14 de 16

Esta obra es exclusivamente de uso acadmico para los estudiantes de la BUAP. Esta obra se distribuye
con una licencia Creative Commons Atribucin-NoComercial, CompartirIgual 2.5 Mxico

Licenciatura en ADMINISTRACIN
Materia:

Anlisis Estadstico

V tiene una distribucin chi-cuadrado con  grados de libertad

Z y V son independientes

Si es una constante no nula, el cociente es una variable aleatoria que sigue la distribucin t de
Student no central con parmetro de no-centralidad .
EJERCICIOS
1. Para cada una de las afirmaciones siguientes: establezca la conclusin a la que, en su opinin, llega
un lector de la afirmacin, y liste las preguntas que considera deben hacerse sobre la afirmacin para evitar
llegar a una conclusin falsa.
a) Entre los 35 y los 65 aos de edad, siete de cada diez trabajadores sufrirn una lesin que
durara tres meses o ms.
b) A la edad de 32 aos, una lesin que dure tres meses o ms de seis ms probable que la
muerte.
c) El personal de nuestro autoservicio tiene 100 aos de experiencia.
d) En ms de un milln de millas de prueba, nuestros automviles han tenido un promedio de
reparaciones menor al 1 por ciento.
e) Noventa de ocho por ciento de los mdicos prescriben el calmante encontrado en la marca x.
f)

El alimento contenido en nuestra marca ayudara a reducir los niveles de colesterol de la sangre
en los adultos.

g) Los productos alimenticios bajos en grasas ayudan a reducir los ataques al corazn.
h) Los alimentos con alto contenido de fibra disminuyen las posibilidades de tener cncer de
colon.
2. El seor Jackson, candidato a alcalde de un pueblo pequeo, quiere determinar si debe hacer una
compaa ms fuerte contra su oponente; para ello entrevistara a 500 de los 1,500 votantes registrados. Silos
resultados indican que tienen 25 % ms de votos que su oponente, no intensificara sus esfuerzos de campaa
contra su rival.
a) Identifique la poblacin.
b) Cul es la muestra?
c) Seale un estadstico
d) Ubique un parmetro
e) Qu hara el seor Jackson si tuviera 65% de los votos de la muestra?

Pg. 15 de 16
Esta obra es exclusivamente de uso acadmico para los estudiantes de la BUAP. Esta obra se distribuye
con una licencia Creative Commons Atribucin-NoComercial, CompartirIgual 2.5 Mxico

Licenciatura en ADMINISTRACIN
Materia:

Anlisis Estadstico

3. Use la tabla que se ilustra a continuacin para construir:


a) Una tabla de frecuencia relativa
b) Una tabla de frecuencia acumulada
c) Una tabla de frecuencia relativa acumulada
Clase

1-4
5-8
9-12
13-16
17-20

14
18
12
16
20

4. Encuentre el rango, la varianza y la desviacin estndar de :


9646587670
5. Se sacan dos pelotas de una bolsa que contiene 3 blancas y dos negras.
Denotemos por B1 el evento de sacar una pelota blanca en la primera oportunidad y por N2 el de sacar
una pelota negra en la segunda oportunidad.
a) Si las pelotas se sacan con reemplazo, determine si B1 y N2 son eventos independientes.
b) Si las pelotas se sacan sin reemplazo, determine si B1 y N2 son eventos independientes.
El nmero de llamadas telefnicas que entran en un conmutador es, en promedio, una cada tres
minutos, si ese total sigue un proceso de Poisson, Cul es la probabilidad de que lleguen dos o ms llamadas
en un periodo de tres minutos?
Ejemplo T de Student:

http://www.youtube.com/watch?v=Qe8nUAUJgB4

Pg. 16 de 16
Esta obra es exclusivamente de uso acadmico para los estudiantes de la BUAP. Esta obra se distribuye
con una licencia Creative Commons Atribucin-NoComercial, CompartirIgual 2.5 Mxico