Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Apuntes Del Ingeniero Arteaga Estadistica 1
Apuntes Del Ingeniero Arteaga Estadistica 1
PROBABILIDADES
Unión de eventos
( ) ( ) ( ) ( )
Intersección de eventos
( )
Diferencia
( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
En otras oportunidades los eventos son resultado de las posibles ordenaciones en
un conjunto de elementos que responden a una regla de ordenamiento.
Análisis combinatorio:
( )
Combinaciones:
( ) ( )
Principio de la adición y multiplicación
( )
( )
Si P(A)=0, el evento no ha sucedido o es un fracaso.
Si P(A)=1, el evento ha sucedido o ha sido un éxito.
EJEMPLO:
SIN REPETICION:
7 6 5 5 6 4 3 2 1
( )
7 6 5 5 6 4 3 2 1
( )
8 7 6 5 4 3 2 1 5
( )
4 8 7 6 5 4 3 2 1
( )
CON REPETICION
a) ( )
b)
c)
d)
EJEMPLO:
Una compañía con ciertas sitas por computadora tiene en sus archivos los
nombres y direcciones de 200 chicas. De estas 200, un total de 35 miden 1,65
m o menos de estatura; 60 son rubias; 12 de las rubias miden 1,65 o menos.
Mario Terán envía su solicitud por correo, cual es la probabilidad que:
a) ( )
b) ( )
( )
c) ( )
( ) ( ) ( )
( )
( )
d) ( )
( ) ( ) ( )
( )
Axiomas de probabilidad:
i) P( )=1
ii) P( )= P(A) + P(B) – P(A B)
iii) P( )= 1- P(A)
iv) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( )
EJEMPLOS:
En una zona de parqueo hay 10 lugares en fila, una persona deja estacionar su
vehículo en uno de estos lugares, que no es ninguno de los extremos. Regresar
encuentra que hay 4 vehículos estacionados incluyendo el suyo. Calcular la
probabilidad que los dos lugares vecinos al que ocupa su vehículo estén
desocupados.
x □ □ □ x
,( ) -
( )
( )
( )
( )
,( ) - ( ) ( )
( ) ( ) ( ) ( )
UTILIZAMOS
( )
( ) ( ) ( )
( ) ( ) ( )
ADEMAS
( ) ,( ) - ( )
1 ( ) ( ) ( )
( ) ( )
( ) ( )
( ) ( ) ( )
( ) , ( )-
( ) , ( )-
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )= ( ) ( )
( ) ( )
( )
ADEMAS ( )
( )
PERO ( )= ( ) ( ) ( )
( )
( )= ( ) ( ) ( ) ( )
( )
( ) ( )
La probabilidad condicional está sujeta a que otro evento B del mismo espacio
muestral ya ha sucedido, es decir.
Entonces . /
( )
Se define como: . / ( )
También como: ( ) ( )
( )
( )
( )
( )
( )
( ) ( ) ( )
Árbol de probabilidades:
i) . / . /
ii) . / . /
iii) . / . / . / . /
EJEMPLO:
De la probabilidad condicional:
( )
( )
( )
( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
( )
( ) ∑ ( ) ( )
( )
( ) ( )
( )
( ) ( ) . /
( )
( ) ∑ ( ) . /
EJEMPLO:
Volumen de producción
plantas En unidades % de defectuosos
P1 5000 1.5%
P2 10000 0.7%
P3 20000 2.3%
total 35000
A= la unidad seleccionada sea defectuosa.
P( ) = 1- P (A)
( ) ∑ ( ) ( )
P( ) = 1- 0.018=0.981
B) . / . / . / . /
( ) . / ( ) . /
( )
( )
( )
( )
Ejemplo:
En la 1ra urna contiene 10 bolillos 8 de las cuales son blancas; una 2da urna tiene
20 bolillos de las cuales 4 son blancas; de cada una se extrae una bolilla al azar,
de estas 2 bolillas se escoge al azar una de ellas. Hallar la probabilidad de que se
haya tomado una bolilla blanca.
( ) ( )
( )
( ) ( )
( )
( )
( )
( )
( ) . /
( )
( )
( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
. / 0.5*0.7=0.5
( ) ( ) ( )
( )
( )
CAPITULO 3
Para poder generar este modelo es necesario delimitar una variable que
representa a los eventos del espacio muestral y que nos permiten generar luego
su probabilidad.
* +
EJEMPLO:
Una caja contiene 6 transistores de las cuales 2 son defectuosos. Los transistores se
prueban uno a uno hasta encontrar el 2do transistor defectuoso. Sea la variable x
el número de pruebas efectuadas.
a) Describir el dominio de x.
b) Describa el rango de la variable aleatoria x.
c) Cuál es el evento equivalente en el espacio muestral para x=4 y x=3
Si=x * +
Si x=4 * +
a) El dominio de x.
b) El rango de x.
c) La probabilidad de cada uno de los eventos del rango de x.
{ }
X=0-1=-1
X=500-1=499$
X=100-1=99$
X=10-1=9$
Por tanto:
* +
( )
( )
( )
( )
Variable aleatoria continua: cuando puede adquirir infinitos valores dentro del
intervalo
Función o ley de probabilidad: es aquella función de variable aleatoria que
asocia a todo valor “x” una probabilidad entre 0 y 1.
Equivalencia de eventos:
X= X (w) y P (X)= P
Como P ( )=1
P (w1 ) =1
∑ ( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
∫ ( )
x
( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) …… 1
+ ( ) + ( )+ ( ) + ( )+ ( )
+………
⟦ ⟧
( ) ∑ ( )
i) ( ) ( )
ii) ( ) ( )
iii) ( ) ( ) ( )
iv) ( ) ( ) ( ) ( )
v) ( ) ( ) ( ) ( )
( ) ∫ ( )
i) ( ) ( )
i) ( ) ( ) ( )
ii) ( ) ( )
EJEMPLO:
Una urna contiene 1 ficha blanca y 2 negras, la urna 2: 3 fichas blancas y 2 negras
la urna 3: 2 fichas blancas y 3 negras.
Sol.
Rx= (0, 1, 2, 3)
( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( )
0 1 2 3
( )
( ) 1
La función de densidad de la variable aleatoria x representa la resistencia al
corte de ensayos de un punto de soldadura que esta dado por.
( )
{
Determinar el número “a” tal que ( ) y un numero “b” tal que
( ) .
Hallar:
“a” ( )
“b” ( )
Sol.
( ) ∫ |
( ) ∫ ∫
( ) ( )
| |
( )
( ) ∫ ∫ , -
( ) ( )
Para “a” ( ) ( )
Para “b” ( ) ( )
( ) ( )
( )
Despejando b
( )
√
Funciones de variable aleatoria: Si x es una variable aleatoria entonces es posible
determinar una nueva función de variable aleatoria y=H(x) tal que “y” es otra
característica del espacio muestral en términos de la primera característica de x.
( ) ( ) ( )
EJEMPLO:
( ) {
Sol.
Y=2000-(0.05x+0.30)
Y=1999.7-0.05x
( ) {
Para ( )
1ro) con
( ) ( )
( ) ∫ ( ) |
2do) con
( ) ( )
( ) ∫( ) ∫ ( ) | |
( )
( ) ( ) ( )
( )
( )
( )
( )= ( )
( ) ∑ ( )
( ) ∫ ( )
( )
Propiedades:
i) ( )
ii) ( ) ( )
iii) ( ) ( )
iv) Si ( ) ( ) ( ( ))
v) ( ( ) ( )) ( ( )) ( ( ))
( ) (( ) )
( ) ∑( ) ( )
( ) ∫( ) ( )
( )
Como:
( ) (( ) )
( ) ( )
( ) ( ) ( ) ( )
( ) ( )
Media y moda de una variable aleatoria:
̃ ( )
Para la moda utilicemos la definición que dice que es el valor que se repite más
veces.
( ) ( )
( ) ( )
( ) (( ) )
( ) ∑( ) ( )
( ) ∫( ) ( )
(( ) ) ( )
Si
Si la distribución es simétrica.
Si
Si
Si
Si
EJEMPLO:
PROVEEDOR A:
Número
estimado de 1 2 3 4 5
defectuosos
probabilidad 0.3 0.25 0.2 0.15 0.10
PROVEEDOR B:
Número
estimado de 1 2 3
defectuosos
probabilidad 0.6 0.3 0.1
A
1 2 3 4 5
( ) 0.3 0.25 0.20 0.15 0.10
( ) 0.3 0.5 0.6 0.6 0.5
( ) ∑ ( )
( )
B
1 2 3
( ) 0.6 0.3 0.1
( ) 0.6 0.6 0.3
( ) ∑ ( )
( )
A
1 2 3 4 5
( ) 0.3 0.25 0.20 0.15 0.10
( ) 0.3 1 1.8 2.14 2.5
( )
( )
B
1 2 3
( ) 0.6 0.3 0.1
( ) 0.6 1.2 0.9
( )
( )
* +
* +
( )
( ) {
Sol.
∫ ( )
∫ ( ) ∫( )
( )
| ( )|
Evaluando.
* ( ) + * ( ) +
( )
( )
( ) {
Para x , -
( ) ( )
( ) ∫( ) |
Para x , -
( ) ( )
( ) ∫( ) ∫( ) | |
( ) ( )
, -
( )
( ) ( )
̃ ( ) ( )
̃ ( )
( ) ( )
( )
( ) ( ) |
( )
( )
( ) ( )
Para ( ) ∫ ( ) ∫ ( ) ∫ ( )
( ) ( )| ( )| ( ) ( ) ( ) ( )
( )
( ) ( )
( ) ( ) ∫ ( ) ∫ ( )
( )|
( )|
( ) ( ) ( ) ( )
( )
√
Modelo de Bernoulli.
Modelo Binomial.
Modelo Geométrico.
Modelo Hipergeometrico.
Modelo de Poisson.
Modelo de Bernoulli: Esta referido a todos aquellos eventos en los cuales solo
existe la probabilidad de éxito y fracaso o cualquier evento que simplemente
tenga las 2 opciones (defectuosas y no defectuosas).
Sea “x” la variable aleatoria cuya función de cuantía es:
0 1
( )
( )
( ) ∑ ( )
( )
( )