Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Concepto de Probabilidad
Estadstica y Probabilidad
Estadstica y Probabilidad
Una situacin real implica el conocer varios parmetros o variables (en el ejemplo anterior el
parmetro es p).
Si stos no se conocen y tienen que ser estimados a partir de datos experimentales, se est en presencia
de un problema estadstico.
Una ves que dichos parmetros han sido estimados, ellos pueden ser utilizados para deducir el
comportamiento de una poblacin mediante la solucin a un problema probabilstico
Estadstica y Probabilidad
En resumen:
La Estadstica Descriptiva acumula y analiza la masa de datos numricos provenientes de los resultados
de ciertas actividades o de la observacin de fenmenos.
Definiciones y Conceptos
Experimento Aleatorio
Definiciones y Conceptos
Probabilidad de La Place
Cuando se pueda asegurar que se cumple el postulado de indiferencia, es decir que todos los sucesos
elementales o posibles resultados de un experimento son igualmente posibles y mutuamente excluyentes
(no pueden ocurrir dos al mismo tiempo) entonces se define que la probalidad de ocurrencia de un evento
cualquiera (a) se la puede estimar mediante:
Definiciones y Conceptos
Probabilidad de La Place
Se observ que en 9 de cada 50 vehculos que pasan por una cierta esquina, los conductores no
tienen cinturn de seguridad. Si un vigilante de trnsito se para en esa misma esquina en un da
cualquiera Cul ser la probabilidad que detenga un vehculo sin cinturn de seguridad?
Tanto el enfoque clsico (terico) como el enfoque emprico conducen a valores objetivos de
probabilidad, en el sentido de que los valores de probabilidad indican en el largo plazo la tasa
relativa de ocurrencia del evento.
Definiciones y Conceptos
Ejemplos:
1.- Se lanza una moneda regular (experimento), el Espacio Muestral es Cara y Cruz, es decir Ca y Cr. La
probabilidad de ocurrencia de Cara es igual a la de Cruz y se denota por: P(Ca) = P(Cr) = 1/2.
Definiciones y Conceptos
Probabilidad del Punto Muestral
2.- Se lanzan dos dados. El Espacio Muestral consiste de 36 combinaciones que se muestran abajo.
1,1 1,2 1,3 1,4 1,5 1,6
2,1 2,2 2,3 2,4 2,5, 2,6
3,1 3,2 3,3 3,4 3,5 3,6 Cada uno de los 36 puntos
4,1 4,2 4,3 4,4 4,5 4,6 muestrales tiene la misma
probabilidad de ocurrencia. Por la
5,1 5,2 5,3 5,4 5,5 5,6
simple inspeccin de la tabla
6,1 6,2 6,3 6,4 6,5 6,6
anterior se tiene que:
P(suma de dos dados sea siete u once) = 6/36 + 2/36 = 2/9 Return
27/3/2017 Jaime Ortega 8
Teora de Probabilidades
Dos eventos E1 y E2 son mutuamente excluyentes si ambos no pueden ocurrir al mismo tiempo. En
trminos de probabilidad esto se expresa por:
Dos eventos E1 y E2 no son mutuamente excluyentes si ambos pueden ocurrir al mismo tiempo. En
trminos de probabilidad esto se expresa por:
P(E1 E2) = P(E1) + P(E2) - P(E1 y E2)
Ejemplo: Se lanzan dos dados, cual es la probabilidad que la suma sea 7 (E1 ) o al menos uno de los dados
sea 3 (E2 )?
Posibles resultados de E1 (1,6), (2,5), (3,4), (4,3) (5,2), (6,1) P(E1) = 6/36
Posibles resultados de E2 (1,3), (2,3), (3,3), (4,3), (5,3), (6,3), P(E2) =11/36
(3,1), (3,2), (3,4), (3,5), (3,6)
Por lo tanto P(E1 E2) = P(E1) + P(E2) - P(E1 y E2) = 6/36 + 11/36 - 2/36 = 15/36
10
27/3/2017 Jaime Ortega
Teora de Probabilidades
Por lo tanto nos queda: P(E1 E2) = P(E1) + P(E2) = 1/5 + 1/5 = 2/5
La probabilidad condicional de un evento E1, dado que un evento E2, sucedi se calcula mediante:
Ejemplo: Se lanzan dos dados, dado que al menos un dado es 3, cual es la probabilidad que la suma sea 7?
Ejemplo: en una oficina existen 100 computadoras. Unas son marca Canon(C ) y otras Dell (D).
Adems algunas son nuevas (N) y otras usadas (U); segn la siguiente tabla:
Ejemplo: dos lanzamientos sucesivos de dos dados son sucesos independientes. La probabilidad que la
suma sea 7: 6/36, es la misma en ambos lanzamientos !
Nota .- Existe una creencia popular llamada "ley del promedio". Segn esto, si en el primer lanzamiento la
suma fue 7, la probabilidad que la suma sea 7 en el segundo lanzamiento es menor. Esto implicara que
los dados tienen algn tipo de memoria !
El nmero de maneras en las cuales se puede seleccionar r objetos de n distintos, tomando en cuenta
el orden de seleccin y sin que estos objetos se repitan, se llama nmero de permutaciones de n
objetos tomados de r, y se denota por:
n
P r
Ejemplo: la combinacin de una cerradura es en realidad una permutacin en la que el orden importa
n! 10! 10 9 8 7 6!
n
Pr n(n 1)......(n r 1) 5040
(n r )! (10 4)! 6!
El nmero de maneras en las cuales se puede seleccionar r objetos de n distintos, sin tomar en cuenta el
orden de seleccin
n n!
C r r (n r )!r!
n
La formula de clculo es:
Ejemplo: Un inspector toma muestras de 5 artculos de un lote de 100.
100 100!
100
Cuantas muestras distintas puede obtener? C5 5 (100 5)!5!
27/3/2017 Jaime Ortega 17
Teora de Probabilidades
Si el lote tiene un articulo defectuoso, cuantas muestras distintas que contenga el articulo defectuoso
puede obtener ?.
Si es condicin que uno de los artculos sea defectuoso, entonces se necesita encontrar el nmero de
maneras muestras de cuatro artculos tomados de los restantes 99. Es decir:
99 99!
C 4 4 (99 4)!4!
99
La probabilidad de tomar una muestra que contenga el articulo defectuoso estar dada por el
cociente entre las muestras que tienen el artculo defectuoso y todas las muestras que se puedan
extraer.
C4
99
p 0.05
100 C5
11 11! 11 10 9!
11
C 2 2 (11 2)!2! 55
9!2!
La definicin formal menciona que una variable aleatoria o variable estocstica es una funcin que
asigna un valor, usualmente numrico (nmero real), a un resultado del Espacio Muestral de un
experimento aleatorio.
Se utilizan letras maysculas X, Y, ... para designar variables aleatorias, y las respectivas minsculas
(x, y, ...) para designar valores concretos de las mismas.
Ejemplo 1:
Ejemplo 2:
Distribuciones de Probabilidad
La distribucin de probabilidad de una variable aleatoria, es una funcin que asigna a cada valor
posible de dicha variable aleatoria, una probabilidad de ocurrencia del mencionado valor.
Si una variable aleatoria discreta Y, puede tomar valores y1 , y2 , y3 , ... yn con probabilidades de
ocurrencia p1 , p2 , p3 , ... pn , donde pi 0, para todo i, entonces tal situacin define una
Distribucin de Probabilidades Discreta.
La probabilidad que Y tome un valor particular y, se denotar como P(Y = y) o simplemente como P(y).
= ;
Para dos nmeros reales cualesquiera a y b con a < b tenemos entonces que
P (a < y b) = P (y b) - P (y a)
Si a, b, c con a < b < c, son valores consecutivos de una variable aleatoria discreta, tenemos entonces
que:
P (y a ) = 1- P (y a-1 )
P (y b ) = 1- P (y a )
P (y c ) = 1- P (y b )
La tabla anterior constituye la "Distribucin de Probabilidades" para los resultados del experimento
Ejemplo: Se desea realizar un estudio sobre el nmero de cras en una camada de algn mamfero. Se
sabe que el nmero mximo de cras es 3.
P(Y=0) = 0.2
P(Y=1) = 0.3
P(Y=2) = 0.3
P(Y=3) = 0.2
Ejemplo: Se desea realizar un estudio sobre el nmero de cras en una camada de algn mamfero. Se
sabe que el nmero mximo de cras es 3.
0.0 <0
P(Y=0) = 0.2 0.2 0 < 1
P(Y=1) = 0.3 = 0.5 1 < 2
P(Y=2) = 0.3 0.8 2 < 3
P(Y=3) = 0.2 1.0 3
Ejemplo: Se desea realizar un estudio sobre el nmero de cras en una camada de algn mamfero. Se
sabe que el nmero mximo de cras es 3.
0.0 <0
0.2 0 < 1
= 0.5 1 < 2
0.8 2 < 3
1.0 3
Supngase que se repiten n veces un experimento el cual puede ser un xito, con probabilidad p,
o un fracaso con probabilidad (1-p).
La variable binomial es una variable aleatoria discreta, slo puede tomar los valores 0, 1, 2, 3, 4, ...,
n suponiendo que se han realizado n pruebas.
Como hay que considerar todas las maneras posibles de obtener r-xitos y (n-r) fracasos, el total de
posible combinaciones de xitos y fracasos es:
n
Cr
27/3/2017 Jaime Ortega 32
Teora de Probabilidades
Distribucin Binomial
Considerar todas las maneras posibles de obtener r-xitos y (n-r) fracasos, el total de combinaciones de
xitos y fracasos es:
n
Cr
Por lo tanto, la probabilidad de tener r xitos (Distribucin Binomial ) est dada por:
n r
P(Y r ) P(r ) Cr p (1 p) n r
Media
Si Y es una variable aleatoria discreta que toma valores y1 , y2 , y3 , ... yn con probabilidades de
ocurrencia p1 , p2 , p3 , ... pn , con pi 0, para todo i, entonces el valor esperado (medio) de Y esta dado
por:
n
E (Y ) yi pi
i 1
n
E (Y ) C r p (1 p) nr r np
n r
r 0
Media
Es importante notar que si una poblacin puede ser descrita por una distribucin Binomial, entonces el
valor esperado de la distribucin es igual al valor terico de la media poblacional, es decir:
E (Y ) np
Varianza
Si Y es una variable aleatoria discreta que toma valores y1 , y2 , y3 , ... yn con probabilidades de
ocurrencia p1 , p2 , p3 , ... pn , con pi 0, para todo i, entonces la varianza de Y est dada por:
varianza(Y ) = E[ (Y - ) 2 ]
N
(r np) 2 n C r pr (1 p) nr np(1 p)
2
r 0
Varianza
Al igual que en el caso de la media, si una poblacin puede ser descrita por una distribucin de
probabilidades, entonces el entonces la Varianza de la distribucin es igual a la Varianza poblacional. Es
decir:
N
i
2 2
( y ) pi
i 1
En un laboratorio de control de calidad de una empresa elctrica, se inspecciona una muestra al azar de
10 alternadores instalados. Si se sabe que el 20% de los alternadores estn defectuosos. Cul es la
probabilidad de que en la muestra:
a) ninguno est defectuoso
= 0 = 0 = = 0; = 10, = 0.2
10!
= 0.20 (1 0.2)100 = 0.810 = 0.1074
10 0 ! 0!
En un laboratorio de control de calidad de una empresa elctrica, se inspecciona una muestra al azar de
10 alternadores instalados. Si se sabe que el 20% de los alternadores estn defectuosos. Cul es la
probabilidad de que en la muestra:
a) ninguno est defectuoso
= 0 = 0 = = 0; = 10, = 0.2
10!
= 0.20 (1 0.2)100 = 0.810= 0.1074
10 0 ! 0!
En un laboratorio de control de calidad de una empresa elctrica, se inspecciona una muestra al azar de
10 alternadores instalados. Si se sabe que el 20% de los alternadores estn defectuosos. Cul es la
probabilidad de que en la muestra:
a) uno salga defectuoso
= 1 = 1 = = 1; = 10, = 0.2
10!
= 0.21 (1 0.2)101 = 0.2684
10 1 ! 1!
En un laboratorio de control de calidad de una empresa elctrica, se inspecciona una muestra al azar de
10 alternadores instalados. Si se sabe que el 20% de los alternadores estn defectuosos. Cul es la
probabilidad de que en la muestra:
a) dos salgan defectuosos
= 2 = 2 = = 2; = 10, = 0.2
10!
= 0.22 (1 0.2)102 = 0.3020
10 2 ! 2!
En un laboratorio de control de calidad de una empresa elctrica, se inspecciona una muestra al azar de
10 alternadores instalados. Si se sabe que el 20% de los alternadores estn defectuosos. Cul es la
probabilidad de que en la muestra:
a) al menos dos salgan defectuosos
2 =1 1
= 1 1; = 10, = 0.2
= 1 0.1074 + 0.6242 = 0.642
En un laboratorio de control de calidad de una empresa elctrica, se inspecciona una muestra al azar de
10 alternadores instalados. Si se sabe que el 20% de los alternadores estn defectuosos. Cul es la
probabilidad de que en la muestra:
a) ms de tres estn con defectos
3 = 1 2 = 1 2; = 10, = 0.2
= 1 0.1074 + 0.2684 + 0.3020 = 0.3222