Cap.2 Conceptos y Aplicaciones de La Probabilidad

Capítulo 2
CONCEPTOS Y APLICACIONES
DE LA PROBABILIDAD
Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

CONCEPTOS DE ESTADISTICA
Introducción
La vida sería mas sencilla si se supiera sin duda

alguna lo que va a suceder en el futuro. El resultado
de cualquier decisión dependería de cuán lógica y
racional fuera la misma. Por ejemplo si Usted
perdiera dinero en una inversión, sería debido a que
no consideró toda la información o no tomó una
decisión lógica.

DISTRIBUCION DE PROBABILIDAD
Conceptos Fundamentales
Una Distribución de Probabilidad indica toda la gama de
valores que pueden representarse como resultado de un
experimento. Una distribución de probabilidad es similar
a la distribución de frecuencias relativas. Sin embargo, en
vez de describir el pasado, describe la probabilidad que
un evento se realice en el futuro, constituye una
herramienta fundamental para la prospectiva, puesto que
se puede diseñar un escenario de acontecimientos futuros
considerando las tendencias actuales de diversos
fenómenos naturales.

VARIABLE ALEATORIA: Cantidad que es resultado
de un experimento y debido al azar, puede tomar valores
diferentes.
Variable Aleatoria Discreta: Toma valores claramente

separados, generalmente se produce por conteo.
Variable Aleatoria Continua: Cantidades que toman

infinitos valores, dentro de un rango permitido,
generándose una distribución de probabilidades
continuas.

¿Cómo se genera?
Supongamos que se quiere saber el numero de
caras que se obtienen al lanzar cuatro veces una
moneda al aire?
Los posibles resultados que puede tomar la

variable aleatoria discreta, en éste caso, son: cero
caras, una cara, dos caras, tres caras y cuatro
caras.
Si realizamos el experimento obtenemos el

siguiente espacio muestral:

¿Cómo se genera?
Espacio muestral:

¿Cómo se genera?
NUMERO DE CARAS FRECUENCIA DISTRIBUCIÓN DE PROBABILIDADES
0 1 1/16
1 4 4/16
2 6 6/16
3 4 4/16
4 1 1/16

¿Cómo se genera?
La probabilidad de cada resultado especifico va

desde cero hasta uno inclusive

Se cree que los problemas de probabilidad se pueden
resolver mediante una simple numeración de los
distintos resultados de un experimento, pero son
pocos los problemas prácticos que pueden ser
resueltos de esta manera. Por ello, se recure más
bien al estudio de la relación existente entre los
resultados del experimento y la probabilidad
asociada a tales resultados; de este estudio surgen los
modelos probabilísticos como lo son el binomial, el
de Poisson, el normal, etc.

Ahora bien, los distintos resultados del

experimento se pueden dar de manera discreta
(variable aleatoria discreta) o de forma continua
(variable aleatoria continua)

Algunas Distribuciones Discretas
 Distribución Binomial
 Distribución Hipergeométrica
 Distribución de Poisson

Algunas Distribuciones Continuas
 Distribución ji cuadrado
 Distribución f fisher
 Distribución t student
 Distribución Normal

La distribución de probabilidad de una variable

aleatoria proporciona un modelo para la
distribución teórica de la variable. Es de
esperarse que cada distribución de probabilidad
tenga asociada medidas similares a las
descriptivas para una muestra.
La medida teórica que equivale al concepto de

promedio o media, entre los datos, es llamada
Valor Esperado o Esperanza Matemática de una
variable aleatoria.

Distribuciones Discretas
Valor Esperado: Sea X una variable aleatoria

discreta que asume los valores x1, x2, … , xn con
probabilidades respectivas p1, p2, … ,pn, el valor
esperado de X se define:

Distribuciones Discretas
Varianza: La varianza de una variable aleatoria

discreta (2) se define como el promedio ponderado
de los cuadros de las diferencias entre cada resultado
posible y su media (los pesos son las probabilidades
de los resultados posibles).
La raíz cuadrada de la varianza se conoce como

desviación estándar .
Algunas Distribuciones Discretas
Distribución Binomial: Es una distribución de
probabilidades que surge al cumplirse cinco
condiciones:
1. Existe una serie de N ensayos. (población infinita)
2. En cada ensayo hay sólo dos posibles resultados.
3. En cada ensayo, los dos resultados posibles son
mutuamente excluyentes.
4. Los resultados de cada ensayo son
independientes entre si, y
5. La probabilidad de cada resultado posible en
cualquier ensayo es la misma de un ensayo a
otro.
Distribución Binomial
Cuando se cumple estas condiciones, la distribución
binomial proporciona cada resultado posible de los N
ensayos y la probabilidad de obtener cada uno de
estos resultados.
Para este tipo de distribución de probabilidad, la
función matemática es la siguiente:

Donde: P(X) = probabilidad de X éxitos dados los

parámetros n y p
n = tamaño de la muestra
p = probabilidad de éxito
1 – p = probabilidad de fracaso
X = numero de éxitos en la muestra ( X = 0, 1, 2, …….. n)

Ejemplo: Suponga que el 10% de las partes que produce
una máquina automática sea defectuoso. Si se toma al azar
una muestra de 20 partes, defina la variable que le permita
determinar las probabilidades de que en la muestra haya
dos partes defectuosas.

Datos
X = Numero de partes defectuosas
P(X) = probabilidad de X
n = 20
p = 0.1
1 – p = probabilidad de fracaso= 0.9
X=2
Resolución utilizando Excel

Distribución Binomial con Excel



Distribución Binomial con Minitab 15



Las medidas de la media y varianza para una variable con
distribución binomial son:
 x  np
 2
x  npq
x  npq
Distribución Hipergeométrica
Esta distribución se aplica cuando la población es finita, el
muestreo se realiza sin repetición y la probabilidad de éxito
no permanece constante de un ensayo. Además la
población debe estar formada por dos grupos de individuos
u objetos. Un primer grupo constituido por aquellos
individuos que poseen la característica objeto del estudio
(N1) y el otro estará conformado por los que no poseen la
característica objeto del estudio (N2)

Se calcula mediante la formula:
N1 N2
C x Cn  x
P( x)  N N , x  0,1...n si n  N1
Cn 1 2
 0 , en otro caso

Ejemplo: Suponga que una empresa produce 100 unidades
de las cuales 90 son buenas y 10 son defectuosas. Se
escoge 20 unidades sin reemplazo; hallar la probabilidad
de que resulten cinco defectuosas.

Resolución:
N1 = 10
N2 = 90
n = 20
x =5
Resolución utilizando Excel




con Minitab 15

con Minitab 15

con Minitab 15

Distribución de Poisson
La distribución de POISSON es también un caso particular
de probabilidad de variable aleatoria discreta, el cual debe
su nombre a Siméon Denis Poisson (1781-1840). un
francés que la desarrolló a partir de los estudios que realizó
durante la última etapa de su vida. Esta distribución ha
resultado aplicable a muchos procesos en los que ocurren
determinados sucesos por unidad de tiempo, espacio,
volumen, área, etc.

En este tipo de experimentos los éxitos buscados son
expresados como:
 # de defectos de una tela por m2.
 # de aviones que aterrizan en un aeropuerto por día,
hora, minuto, etc.
 # de bacterias por cm2 de cultivo.
 # de llamadas telefónicas a un conmutador por hora,
minuto, etc.
 # de personas que llegan a un banco, por hora, por día,
mes, etc.

En esta distribución sus respuestas están orientadas a darle
solución a problemas que se refieren al número  de éxitos
esperados por unidad de tiempo o espacio, etc., mediante:
donde:
P(X) = probabilidad de que ocurran x éxitos, por unidad de tiempo, etc.
 = media o promedio de éxitos por unidad de tiempo, área o producto.
X = variable que nos denota el número de éxitos que se desea que ocurra.

Si un banco recibe en promedio 6 cheques sin fondo por
día, ¿cuáles son las probabilidades de que reciba:
a) cuatro cheques sin fondo en un día dado (x),
b) 10 cheques sin fondos en cualquiera de dos días

consecutivos?

Distribución de Poisson con Excel



Distribución de Poisson con Minitab 15


MétodosCuantitativo
Análisis Cuantitativos
para la Toma de Decisiones Ing.
Ing. Waldo
Waldo Moreno
Moreno
Respuesta:
a)
b)

Suponga que el numero de llamadas que llegan a una
central es de 0.5 llamadas por minuto en promedio, Hallar
la probabilidad de que:
a) En un minuto no lleguen llamadas.

b) En un minuto lleguen más de tres llamadas.
c) En tres minutos lleguen menos de cinco llamadas.
d) ¿Cuántas llamadas se espera que lleguen en cinco
minutos?

Respuesta:
a) P(x=0) = 0.607
b) P(x> 3) = 0.002
c) P(x< 5) = 0.9814
d) 2.5 entre 2 a 3 llamadas en el intervalo de 5 minutos

Distribución de Normal
La distribución normal es también un caso particular de
probabilidad de variable aleatoria continua, fue
reconocida por primera vez por el francés Abraham de
Moivre (1667-1754). Posteriormente, Carl Friedrich Gauss
(1777-1855) elaboró desarrollos más profundos y formuló
la ecuación de la curva; de ahí que también se le conozca,
más comúnmente, como la "campana de Gauss".

Define la curva en forma de campana que tan bien
conocemos:

Existen dos razones básicas por las cuales la distribución
normal ocupa un lugar tan prominente en la estadística:
1. Tiene algunas propiedades que la hacen aplicable a
un gran número de situaciones en la que es
necesario hacer inferencias mediante la toma de
muestras.
2. La distribución normal casi se ajusta a las
distribuciones de frecuencias reales observadas en
muchos fenómenos, incluyendo características
humanas, resultados de procesos físicos y muchas
otras medidas de interés para los administradores,
tanto en el sector público como en el privado.
Propiedad:
No importa cuáles sean los valores de µ y σ para una
distribución de probabilidad normal, el área total bajo la
curva siempre es 1, de manera que podemos pensar en áreas
bajo la curva como si fueran probabilidades.
Matemáticamente es verdad que:
1. Aproximadamente el 68% de todos los valores de una

población normalmente distribuida se encuentra dentro
de ± 1 desviación estándar de la media.

2. Aproximadamente el 95.5% de todos los valores de una

de ± 2 desviaciones estándar de la media.
3. Aproximadamente el 99.7% de todos los valores de una

de ± 3 desviaciones estándar de la media.


La distribución de una variable normal está completamente
determinada por dos parámetros, su media (µ) y su
desviación estándar (σ). Con esta notación, la densidad de
la normal viene dada por la ecuación:

La dificultad que se presenta al resolver las integrales de las
funciones de densidad normal hace necesaria la tabulación
de las áreas de la curva normal para una referencia rápida.
No obstante, sería una tarea ardua elaborar una tabla para
cada valor posible de µ y de . Afortunadamente, es
posible transformar todas las observaciones de cualquier
variable aleatoria normal X, en un nuevo conjunto de
observaciones de una variable aleatoria normal Z, con
media cero y varianza uno.

Esto puede realizarse por medio de la transformación:
En la que:
x = valor de la variable aleatoria de interés.
µ = media de la distribución de la variable aleatoria.
σ = desviación estándar de la distribución.
z = número de desviaciones estándar que hay desde x a la media de la distribución. (El
uso de z es solamente un cambio de escala de medición del eje horizontal)


Ejemplo:
Hay un programa de entrenamiento diseñado para mejorar la calidad
de las habilidades de supervisión de los supervisores de la línea de
producción. Debido a que el programa es autoadministrado, los
supervisores requieren un número diferente de horas para terminarlo.
Un estudio de los participantes anteriores indica que el tiempo medio
que se lleva completar el programa es de 500 horas, y que esta variable
aleatoria normalmente distribuida tiene una desviación estándar de 100
horas.
a)¿Cuál es la probabilidad de que un candidato elegido al azar requiera
más de 500 horas para completar el programa de entrenamiento?
b) ¿Cuál es la probabilidad de que un candidato elegido al azar se tome
entre 500 y 650 horas en completar el programa de entrenamiento?

Respuesta:
Buscar Z = 1.50 en la tabla distribución de probabilidad normal estándar.

Encontrando una probabilidad de 0.4332.
Por lo tanto, la probabilidad de que un candidato escogido al azar requiera
entre 500 y 650 horas para terminar el programa de entrenamiento es de
0.4332 es decir un 43.32%.

Distribución de Normal con Minitab 15










Es decir, la probabilidad de que un candidato escogido al

azar requiera entre 500 y 650 horas para terminar el
programa de entrenamiento es de 0.433. (43.30%)

Ok nos vemos en la próxima semana
Entregar Asignación 1

Cap.2 Conceptos y Aplicaciones de La Probabilidad

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Cap.2 Conceptos y Aplicaciones de La Probabilidad

Cargado por

Copyright:

Formatos disponibles

Capítulo 2

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

La vida sería mas sencilla si se supiera sin duda

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

Variable Aleatoria Discreta: Toma valores claramente

Variable Aleatoria Continua: Cantidades que toman

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

Los posibles resultados que puede tomar la

Si realizamos el experimento obtenemos el

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

NUMERO DE CARAS FRECUENCIA DISTRIBUCIÓN DE PROBABILIDADES

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

La probabilidad de cada resultado especifico va

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

Ahora bien, los distintos resultados del

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

La distribución de probabilidad de una variable

La medida teórica que equivale al concepto de

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

Valor Esperado: Sea X una variable aleatoria

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

Varianza: La varianza de una variable aleatoria

La raíz cuadrada de la varianza se conoce como

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

Donde: P(X) = probabilidad de X éxitos dados los

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

Resolución utilizando Excel

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

Resolución utilizando Excel

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

b) 10 cheques sin fondos en cualquiera de dos días

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

Análisis Cuantitativo para la Toma de Decisiones Ing. Waldo Moreno

a) En un minuto no lleguen llamadas.