aura setti edu wai ch

.
3 pruebas

3 controles

BIELE Material de estudio en webc :)

Distribución de muestreo
Experimento process que genera
resultados l resultado

:
Espacio Muestral Todos los resultados posibles

:
punto de Muestra Resultado experimental

:
Probabilidad Asignación numerica a la posibilidad que
:
r

ouurra un resultado
,
estå entre o y 1 nunca sera

un número negativo
U Nunca owrre

1 3
siempre owrre

Asignacion de probabilidades
7 Meto
do ulasico
:
experimentales
în ni numero de resultados

a Metodo de trewencia relativa se repite muchas

:
veces
para ver la lcomo la voletal
"tendencia"
3 Metodo sobjetivo se basa en experiencias Lhay
:
in fo
)
 Axiomas
Deben estar entre o
y
1

la suma de las probabilidades debe dar 1

Ejercicios
.
-
Cara sello
o s2
=
s
C
,
}
B 1
a
-
Ei Metodo clasico
=

2 Dados
S = I 1,2,3,4,5, 6}
PLEiJ =
116 -
Metodo clasico

3
Los datos siguientes se obtuvieron contando el número de salas de un
hospital que fueron usadas en un período de 20 días. Tres de estos 20
días se usó una sala de operaciones, cinco de estos 20 días se usó dos
salas de operaciones, ocho de estos 20 días se usó tres salas de
operaciones, cuatro de estos 20 días se usó cuatro de estas salas de
operación del hospital. Use el método de la frecuencia relativa para
asignar probabilidad al número de salas de operación usadas en un
día. u 3ó
se veces que
I
no de salas fi BlEi s
probabilidad
)
= 15
3120

I
§
0.

z 512 0, 2
o:
S
zy 8 8 /20 40
=
0,
4 4 4 /20 =
0, 20
y
Metodo de frewencia relativa
 Complemento de un evento (

:
A')
se comple PIJ
A tPLAT =
1
que
- - PLAJ
PLA)
t

S = 1 P LA
-
PlA

)
ley de la adicion probabilidad de a eventos

:
A r
B

:: i
d

.
.
-

s A B B

con 2:

BLAUB PLAJ T PIBS PLANB

)-
)
-
con 3:

PLAOBUC = PLA TPIBJTPCCJ

)
)
-PLANBI-PLANCI-PLBAC)
+
PLANBAC)
Eventos mutuamente exluyentes
A B
.
AnB suacio
-
:d
.

P ( PLALT PLB
^

: =

ãü
=
)
AUBJ
P ( A B
~

^
=
O
)
Si generalizamos An A eventos exclupentes
2,Itn.
.
,
PCA VAn :

Y PLAi
.VAaUAn...
)
)
 P [ AABJ =
PLA PCB

)
)
solo si A
y
ßj sean independientes

dependientes
?
Si son

PLAOBJ =
PLAJ PLAIB

)
LsP condicional
 Otras
relaciones i
s
Leyes de Morgan
= UB

Å
i ANB

PLANBIC -
1 - P AABS c
complemento

:
AUBCAMB

'
ii

P AOBC OT

-PLAUB
Guía

W
C

to
O
G
E

G C
t
W
C I
g
D
S
C
w

C o

s W
4
g
58
o
s

b 5: Eccc scC SCS

s

55}
,
,ccs,csC,css,
,ssC,
c P Ei
=
1 8

d
r
0
X =
de
^ P (
caras que
xi)
O P = 1 8 aparecen en
los lanzamier
(x=0)
-
^ P ( = 1)

33 1 8 tos
x=
2 PLX 3] 1 8
=

3
y
=
z B l 3} = 1 1 8
x
=
t El empleado esta insatistecho con el salario
:
B empleado esta descontento con el trabajo
:El
probabilidad
P [ =

0, 30 PLArB =0,
12
A)
)
P ( =

0, 20
B)
BLAUBJ PLA + - PLAOBI
PCBJ
)
=
+
0,30 0,20
- 0,12
=
D 38
,
 A :
Peridico en una ciodad
B Periodico local
:
C Ambos periodicos
:
P ( :

0, 60
A)
P () :

0, 80
B
P CAM BJ : O
.S
a PLAUB = TPCBJ -

PLAABJ
PLAJ
0, 90
=

b PCAUB U PIBUA
)=0,4
O ^
O 3
0, 4
t :
,
,
w,5
Eventos:
A:Renta de un auto trabajo
por
B:Renta de on auto por temas personales

Probabilidad
P(A) 0,458
=

P(B) 0,54
=

P(An B) 0,3
=

a) P(AUB) P(A) P(B)=

+
-

P(A1B)
=
0,698

b P(A 1 BY) P(AUB)

=

1
=
-
P(AUB)
0,302
=

0,458 0,54 0,1

0,24
0,43
E:empleado H:hombre
D:des empleado M:mujer

P(E)
E
600
=
I

900

9(En H) 468
I
23
900 4S

23
P(H/E) P(H1E) =

H
I
69

P(E) 2 90
3
 Probabilidad condicional
Un

A
evento
By
teniendo en wenta otra informacion
dado
o

:
PLAIB =
PLAMB

)
)
PLB

)
swando estos eventos son
independientes
PLAIB
):BLAT
P L BIAJ P LB
)
Probabilidad Int!sección
s
Dos eventos owrren al mismo tiempo

regla multiplicativa
PLHAE :
PLHBCHAES
)
 Problema 8
Una bolsa contiene 4 bolas blancas y tres negras, y una segunda bolsa contiene
tres blancas y cinco negras. Se saca una bola de la primera bolsa y se coloca sin
verla en la segunda ¿Cuál es la probabilidad de que ahora se saque una bola negra
de la segunda bolsa.

Bolsa 1 Bolsa 2
qß
B: La bolsa es blanca
zyB
N: La bolsa es negra
BN SN

s
Haciendo el árbol

Se llega a lo mismo

s
Haciéndolo matemáticamente
Teorema probabilidad total
Si los eventos A1, A2,.., An constituyen una partición del espacio muestral S tal
que P(A;) ≠ 0 para i = 1,2, ..., n, entonces para cualquier evento B de S.
S
=b

*
* A
i
A,
Regla de Bayes
Si los eventos A1, A2,.., An constituyen una partición del espacio muestral
S tal que P(A;) ‡ 0 para i = 1,2, ..., n, entonces para cualquier b evento B
de S, tal que P(B) ‡ 0,

=b Teorema de

*'
äz
s

probabilidad total

As
:
 Jueves 16 de Marzo

V!iable aleat"ia
Definición 1:
Una variable aleatoria es una función que asocia un número real con cada elemento
del espacio muestral.
Definición 2:
Una variable aleatoria es una descripción numérica de los resultados de un
experimento.
Ejemplo:
⑧
Se extraen dos bolas de manera sucesiva sin ⑧
⑧

⑧
reemplazo de una tómbola que contiene 4 bolas rojas ⑧

⑧ ⑧
y 3 negras. 310 P(R.1RS4/7:3/0 12/72 =

r 0

Y D(y y) =

3/6
4178 I P(RMN) 417.316 12/42
=

N
2
0 P(y 0) =
=

0,1420
↑16
r - P(NR2) 3/7.4/6 12/42
=

1P(y 1) 0,5714 =
=

3 /7 N D
2 P(y 2) 0,2857
=

No CINNg) 3/7.2/6:6/42
216

V!iable aleat"ia dis#eta 7

Categórico
Una variable aleatoria que puede asumir cualquier número finito de valores o
sucesión infinita de valores como: 0,1,2,.., se conoce como variable aleatoria discreta.

Di$ribución de %obabilidad dis#eta

La distribución de probabilidad de una variable aleatoria describe cómo se distribuyen
las probabilidades entre los valores de la misma.
Para una variable aleatoria discreta , la distribución de probabilidad se define por
medio de una función de probabilidad, denotada por f(x).
La función de probabilidad proporciona la probabilidad para cada valor que puede asumir
la variable aleatoria
Ejemplo: X: numero de caras
Lanzar una moneda 3 veces

Gráfica:
f(x)
1
=

->

↓
⑧

8 ↓x
Función de %obabilidad
El conjunto de pares ordenados (x , f(x)) es una función de probabilidad, función de
masa de probabilidad o distribución de probabilidad de la variable aleatoria discreta
X si para cada resultado posible .

1- f(x) 0
=

2- xf(x) 1
=

3- P(X x) f(x)
=
=

Función de %obabilidad acumulada

La distribución acumulada F(x) de una variable aleatoria discreta X con distribución
de probabilidad f(x) es:

F(x) p(X =

x) x
=
=

f(x)
xx

Para-c -
x < cs

Otra forma: Gráfica:

F(x)
⑧
1 -

⑧ 0

--

⑧ ⑧

⑧ D

>
2
I
0
1
↳ X
Modelos dis#etos de %obabilidad b&noulli
Un experimento bernoulli puede tener como resultado un éxito (1) con probabilidad p
y fracaso (0) con probabilidad 1-p.
X~bernulli(p)
Distribución de probabilidad: x-
f(x) px.(1
=
-

p) X 0,1
=

Esperanza: E(x)=p

Varianza r(x) p(c

=
-

p)

Exp&imento binomial
1) Consiste en una secuencia de n ensayos de Bernoulli
2) La probabilidad de éxito p no cambia de un ensayo a otro
3) Ensayos independientes

Di!ribución de Probabilidad
b(x;n,p) =

x
R

p qn
Y -

x
x 1,2...n
=

Esperanza: n.p
N
=

Varianza:
2
a
n.P.q
=
Exp&imento Hip&geome(ico
SUPUESTOS:
1) La población o conjuntos que se va a muestral se compone de N individuos, objetos
o elementos. (Población finita)
2) Cada individuo puede ser caracterizado como éxito (E) o falla (F) y hay K éxitos
en la población
3)Se selecciona una muestra de n individuos sin reemplazo de tal modo que cada
subconjunto de tamaño n es igualmente probable de ser seleccionado

Distribución de probabilidad N -
x x 0,1,2...n
=

f(x) h(x;N,n,k) in x
=

= -

(in)
Esperanza
E(x) y
n()
= =

Varianza
rar(x) 0
nix 4)(Y 2
=
=

-
Modelo de Probabilidad de Poi)on
1) La probabilidad de ocurrencia es la misma para cualesquiera dos intervalos de
igual longitud
2) La ocurrencia o no ocurrencia en cualquier intervalo es independiente de la
ocurrencia o no en cualquier otro intervalo

Modelo de probabilidad:

f(x) p(x;xt)
= e4. (XT)Y,
= x
0,1,2,....n
=

X!

F(x): probabilidad de de x ocurrencias en un

intervalo
U: valor esperado o numero medio de
ocurrencias en un intervalo

Esperanza:
E(x) N R= =

Varianza:
Var(x) 0
=

4T
=