Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Derivada 4.0 Internacional de Creative Commons. Para ver una copia de esta licencia, visite
http://creativecommons.org/licenses/by-nc-nd/4.0/.
2|Página
Curso: Estadística para la Administración
Facultad de Ciencia, Tecnología e Industria
Universidad Galileo
Unidad 2
Probabilidades
Introducción
En esta unidad trabajaremos la Teoría Elemental de Probabilidades. Estaremos presentando
primero los conceptos básicos de Probabilidades, y como material de apoyo trabajaremos las
Reglas de Conteo para posteriormente estudiar las distribuciones de probabilidades de más uso:
Binomial, Normal, Poisson, Exponencial. Las probabilidades son la base para la Estadística
Inferencial la cual nos permite hacer deducciones a partir del estudio de una sola parte de la
población (muestras).
Objetivos
• Comprender los conceptos básicos de Probabilidades y familiarizarse con el manejo de las
distribuciones de probabilidad de más uso, tanto manualmente como con el uso de
software de uso común.
3|Página
Temario
Unidad 2
Probabilidades
1. Probabilidades
1.1. Teoría Elemental de Probabilidades
1.2. Reglas de Conteo
1.3. Distribuciones de Probabilidad
1.4. Distribución Binomial
1.5. Distribución Normal
1.6. Distribución Poisson
1.7. Distribución Exponencial
Existen tres maneras diferentes de asignar probabilidades a los sucesos: usando probabilidades
subjetivas, frecuencias relativas, y probabilidades clásicas.
• Enfoque subjetivo. Este enfoque es adecuado cuando solo hay una oportunidad de
ocurrencia del evento y ocurrirá o no ocurrirá esa sola vez. Es el grado de creencia por parte
de un individuo de que un evento ocurra basado en toda la evidencia a su disposición.
También se le llama probabilidad personalista. Ej. si un equipo de administración piensa que
hay una probabilidad de 0.35 de que un nuevo producto tenga éxito en el mercado.
• Enfoque de frecuencia relativa o a posteriori. La probabilidad se determina sobre la base de
la proporción de veces en que ocurren un resultado favorable en un número de
observaciones o experimentos (se basa en datos históricos). Por ejemplo, si una empresa de
asesoría presenta 100 propuestas y se aceptan 20, la probabilidad de que una propuesta
futura tenga éxito se puede estimar en 20/100 es decir en 0.20. (Es este un enfoque objetivo).
4|Página
• Enfoque clásico o a priori. Este enfoque permite la determinación de los valores de la
probabilidad antes de observar cualquier evento y se basa en la suposición de que cada
resultado es igualmente posible.
Sea:
• E un evento determinado
• n número de casos posibles
• h número de casos favorables a la ocurrencia del evento
Entonces:
Sea:
_
E el evento complementario de E
Por tanto:
EVENTO CIERTO =
EVENTO IMPOSIBLE =
Por tanto: 0 p 1
5|Página
También se le llama: espacio de eventos. Es el conjunto de todos los eventos posibles.
Ejemplo:
• Lanzamiento de un dado S = { 1, 2, 3, 4, 5, 6 } n = 6
• Cartas de una baraja estándar n = 52, hay cuatro palos (espadas, corazones, tréboles y
diamantes), cada uno de los cuales tiene 13 cartas diferentes (as, rey, reina, sota, 10, 9, 8,
7, 6, 5, 4, 3, 2).
Subconjunto del espacio muestral, que puede ser desde un punto del espacio muestral hasta el
espacio muestral completo.
Ejemplo:
El complemento del evento E incluye todos los eventos que no son parte del evento E. Está dado
por el símbolo E'.
6|Página
Se refiere a fenómenos que contienen dos o más eventos, como por ejemplo la probabilidad de
que al escoger una carta obtengamos un as negro.
Ejemplo: Moneda (cara o escudo), ganar o perder, hombre o mujer, día o noche, encendido o
apagado.
P (A o B) = P (A) + P (B) = P (A U B)
Ejemplo.
Eventos no mutuamente excluyentes. En este caso si pueden ocurrir eventos al mismo tiempo.
Ejemplo: probabilidad de ganar el examen con 90.
Ejemplo.
P (A o B) = P (A) + P (B) – P (A B)
7|Página
Ejemplo.
Si tenemos en un saco cinco bolas blancas y tres bolas negras, encontrar la probabilidad de que
al efectuar 2 extracciones las dos sean bolas blancas, si ocurre un reemplazo.
Ejemplo.
Primero que nada, suponga que una moneda se ha lanzado al aire 10 veces ¿Cómo
determinaríamos el número de diferentes resultados posibles (las secuencias de caras y escudos)?
kⁿ
Si una moneda (con dos lados) se arroja 10 veces, el número de resultados es 2 ¹º = 1024.
Si un dado (con seis lados) se lanza dos veces, el número de resultados es 6² = 36.
8|Página
La segunda regla de conteo es una versión más general de la primera. Para ilustrar esta regla,
suponga que el número de eventos posibles es diferente en algunos de los intentos. Por ejemplo,
una oficina estatal de vehículos automotores desearía saber de cuantos números de placas
policíacas se dispondría si la placa consistiera en tres letras seguidas de tres dígitos. El hecho que
tres valores sean letras (cada una con 26 resultados posibles) y tres posiciones sean dígitos (cada
uno con 10 resultados) lleva a la segunda regla de conteo.
Si hay k1, eventos del primer intento, k2 eventos del segundo intento, ... y kn eventos del enésimo
intento, entonces el número de resultados posibles es:
(k1)(k2)…. (kn)
Por lo tanto, si una placa policíaca consistiera de tres letras seguidas de tres dígitos, el número
total de resultados posibles sería entonces (26)(26)(26)(10)(10)(10) = 17,576,000. Tomando otro
ejemplo, si un menú de restauran tuviera una cena completa de precio fijo que consistiera en un
aperitivo, entrada, bebida, y postre y hubiera la opción de cinco aperitivos, diez entradas, tres
bebidas y seis postres, el número total de cenas posibles sería (5)(10)(3)(6) = 900.
La tercera regla de conteo involucra el cálculo del número de formas que un conjunto de objetos
puede ordenarse. Si un conjunto de seis libros de texto se tienen que colocar sobre una repisa,
¿cómo podemos determinar el número de formas en que los seis libros pueden acomodarse?
Podemos comenzar dándonos cuenta que cualquiera de los seis libros podría ocupar la primera
posición en la repisa. Una vez que se llena la primera posición, hay cinco libros por escoger para
llenar la segunda. Este procedimiento de asignación se continúa hasta que se ocupen todas las
posiciones. Esta situación puede generalizarse como la regla de conteo 3.
El número de formas en que los n objetos pueden ordenarse es:
n!= n (n-1)…(1)
9|Página
En muchos casos necesitamos saber el número de formas en que un subconjunto del grupo
completo, puede ordenarse. Cada arreglo posible se llama una permutación. Por ejemplo,
modificando el problema anterior, si se tienen seis libros de texto, pero sólo hay espacio para
cuatro libros en el estante. ¿De cuántas formas se pueden acomodar estos libros en el estante?
Comparando esta regla con la anterior, vemos que difiere sólo en la inclusión de un término x! en
el denominador. Esto se debe a que cuando contamos permutaciones, todos los arreglos de x
objetos eran distinguibles; con las combinaciones, los x! arreglos posibles de objetos no son
importantes. Así, el número de combinaciones de cuatro libros seleccionados de seis libros se
expresa mediante:
n! 6! 6! (6)(5)(4)(3)(2)(1)
= = = = 15
x!(n − x)! 4!(6 − 4)! 4!2! (4)(3)(2)(1)(2)(1)
10 | P á g i n a
Si una variable X puede asumir un conjunto discreto de valores:
X 1 , X 2 , X 3 ,..............X n
Con probabilidades:
P1 , P2 , P3 ,.................Pn
Se dice que para la variable X ha sido definida una DISTRIBUCION DE PROBABILIDAD DISCRETA.
P1 , P2 , P3 ,.................Pn
Surge entonces la función p(X) que asume valores.
Respectivamente, en correspondencia con los valores.
X 1 , X 2 , X 3 ,..............X n
Porque X asume esos valores discretos, con determinada probabilidad, se le llama Variable Casual
Discreta o Variable Estocástica Discreta.
Si acumulamos los valores de probabilidad obtenida para cada valor de X, tendremos una
distribución acumulada de probabilidad, cuya función asociada se llama Función de Distribución;
la cual se representa con F(X).
En el mismo caso visto anteriormente, es decir, X es la variable casual del número de hijos
hombres en familias con 3 hijos; tendremos:
X= 0 , 1 , 2 , 3
11 | P á g i n a
Si una variable X puede asumir un conjunto continuo de valores (a, b), siguiendo una determinada
ley de probabilidad Y = p (x), entonces llamamos a X con el nombre de variable Casual continua o
variable Estocástica continua y a p(X) la llamamos como una distribución continua de probabilidad
de X, o más corrientemente una función de Densidad de la Probabilidad.
Ejemplo Gráfico:
Hallar la probabilidad de que X caiga entre los valores a y b = p (a< x <b)
La solución está representada por la parte sombreada en la gráfica siguiente. (suponemos
conocida la ley de probabilidad o función de densidad Y = p (x))
12 | P á g i n a
Es una distribución de probabilidad discreta que implica la posibilidad de obtener x éxitos en n
pruebas de un experimento binomial.
Un buen ejemplo de un experimento binomial es el de lanzar una moneda al aire varias veces.
Sólo hay dos resultados posibles en cada prueba o tirada de la moneda (cara o escudo), la
probabilidad de obtener cara o escudo sigue constante de una tirada a otra (0.5 para cada una) y
las tiradas son independientes entre sí.
13 | P á g i n a
Si p es la probabilidad de que una persona reciba una suma de dinero S, la esperanza matemática
o simplemente la esperanza se define como pS.
Ejemplo:
Si la probabilidad de que un hombre gane un premio de Q. 100.00 es 1/5, su Esperanza es 1/5*100 = 20.
El concepto de esperanza es fácilmente generalizado. Si X representa una variable aleatoria
discreta que puede tomar los valores X1, X2.........Xk con probabilidades respectivas p1, p2, ......pk
donde p1+ p2......+ pk = 1, la esperanza matemática de X o simplemente la esperanza de X
simbolizada por E(X), se define como:
E(X) = p1X1 + p2X2+...............+ pkXk
Esto es igual a:
k
piXi = pX
i =1
Si las probabilidades pi en esta esperanza se sustituyen por las frecuencias relativas fki/N, donde
N =fi, la esperanza se reduce a ( fX / N), que es la media aritmética de una muestra de tamaño
N, en la que X1, X2, ......Xk aparecen con estas frecuencias relativas. Cuando N crece, las
frecuencias relativas fi / N se aproximan a las probabilidades pi. Esto conduce a interpretar que
E (X) representa la media de la población de la que se ha extraído una muestra. Se denota por m
la media de la muestra, la media de la población vendrá representada por la correspondiente
letra griega .
La distribución normal es una distribución continua que tiene forma de campana y está
determinada por su media y su desviación estándar (es más probable que una observación esté
cerca de la media del conjunto de los datos que lejos).
14 | P á g i n a
La siguiente figura muestra la forma de una curva normal típica. Observe que la curva es
simétrica; la mitad del área bajo la curva está a la derecha de la media y la mitad a la izquierda,
lejos de la media hacia cualquiera de las colas, la altura de la curva disminuye. Esto corresponde
a una probabilidad decreciente de encontrar un valor mientras más lejos esté de la media. La
distribución normal teórica tiende al infinito en los extremos positivo y negativo de la curva. En
la práctica este aspecto se ignora ya que la probabilidad de que ocurra una observación es muy
pequeña cuando aumenta la distancia de la media.
15 | P á g i n a
El modelo matemático para obtener las probabilidades en una distribución normal es:
e −(1 / 2)( x − x / x
1 2
p( X ) =
2 x
Dónde:
= media de la población
Una distribución normal estandarizada es una distribución cuya variable aleatoria Z siempre tiene
una = 0 y una desviación estándar = 1, para ello se utiliza la siguiente fórmula de
transformación:
X − x
z=
x
El valor z es una medida del número de desviaciones estándar entre la media o centro de la curva
normal y el valor de interés.
16 | P á g i n a
La probabilidad de Poisson es otra distribución de probabilidad discreta y tiene muchas
aplicaciones prácticas como, por ejemplo:
• Número de llamadas por hora que llegan al conmutador de una estación de policía.
• Número de llegadas de carros al día en un puente de peaje.
• Número de huelgas industriales importantes al año en el Reino Unido.
• Número de manchas en una yarda cuadrada de tela.
• Número de defectos por lote en un proceso de producción.
Se usa para modelar situaciones en las que el número de pruebas es muy grande y el número de
éxitos es muy pequeño.
Supongamos que examinamos el número de clientes que llegan durante la hora del almuerzo de
12 a 1 PM en un banco localizado en el distrito comercial central de una ciudad grande. Cualquier
llegada de un cliente es un evento discreto en un punto particular sobre el intervalo continuo de
una hora. Durante tal intervalo de tiempo puede haber un promedio de 180 llegadas. Ahora, si
tuviéramos que dividir el intervalo de una hora en 3600 intervalo consecutivos de un segundo.
17 | P á g i n a
La expresión matemática para la distribución de Poisson para obtener X éxitos, dado que se
esperan éxitos es.
e − x
P( X = x ) =
x!
Dónde:
Observe que solo se necesita una medida para calcular la probabilidad de un valor dado de x:
(número esperado de éxitos).
Forma: Cada vez que se especifica el parámetro puede generarse una distribución de
probabilidad de Poisson específica. Una distribución de Poisson estará sesgada a la derecha
cuando es pequeña, y se aproxima a la simetría (con un pico al centro) al crecer .
18 | P á g i n a
La fórmula quedaría de la siguiente forma:
e− np (np) x
p( x) =
x!
1
f ( x) = e− x /
El área bajo la curva que corresponde a cierto intervalo equivale a la probabilidad de que la
variable aleatoria asuma un valor en ese intervalo.
p( x xo ) = 1 − e− xo /
19 | P á g i n a
Actividades
Instrucciones:
20 | P á g i n a
Nombre de la Actividad: Tarea Práctica "Probabilidad Normal"
Instrucciones:
Resolver lo indicado en la sección de Tareas / Notas en su curso en el GES.
Valor: 5 puntos
Formato de entrega: Subir documento a la sección "Tareas / Notas" en la asignación "Actividad
2.3"
Fecha máxima de entrega: Domingo 05 de febrero, a las 11:55 pm
21 | P á g i n a
22 | P á g i n a