Unidad II

C CC C C CC Ce ee e e ee en nn n n nn nt tt t t tt tr rr r r rr ro oo o o oo o d dd d d dd de ee e e ee e C CC C C CC Ci ii i i ii ie ee e e ee en nn n n nn nc cc c c cc ci ii i i ii ia aa a a aa as ss s s ss s B BB B B BB B s ss s s ss si ii i i ii ic cc c c cc ca aa a a aa as ss s s ss s
D DD D D DD De ee e e ee ep pp p p pp pa aa a a aa ar rr r r rr rt tt t t tt ta aa a a aa am mm m m mm me ee e e ee en nn n n nn nt tt t t tt to oo o o oo o d dd d d dd de ee e e ee e E EE E E EE Es ss s s ss st tt t t tt ta aa a a aa ad dd d d dd d s ss s s ss st tt t t tt ti ii i i ii ic cc c c cc ca aa a a aa a

U UU U U UU Un nn n n nn ni ii i i ii id dd d d dd da aa a a aa ad dd d d dd d I II I I II II II I I II I E EE E E EE Es ss s s ss st tt t t tt ta aa a a aa ad dd d d dd d s ss s s ss st tt t t tt ti ii i i ii ic cc c c cc ca aa a a aa a I II I I II I 1 11 1 1 11 1
M MM M M MM M. .. . . .. .C CC C C CC C. .. . . .. . L LL L L LL Li ii i i ii il ll l l ll li ii i i ii ia aa a a aa an nn n n nn na aa a a aa a Z ZZ Z Z ZZ Za aa a a aa av vv v v vv va aa a a aa al ll l l ll la aa a a aa a B BB B B BB Ba aa a a aa ay yy y y yy yo oo o o oo on nn n n nn na aa a a aa a l ll l l ll lz zz z z zz za aa a a aa av vv v v vv va aa a a aa al ll l l ll la aa a a aa a@ @@ @ @ @@ @c cc c c cc co oo o o oo or rr r r rr rr rr r r rr re ee e e ee eo oo o o oo o. .. . . .. .u uu u u uu ua aa a a aa aa aa a a aa a. .. . . .. .m mm m m mm mx xx x x xx x

U UU U U UU Un nn n n nn ni ii i i ii id dd d d dd da aa a a aa ad dd d d dd d I II I I II II II I I II I. .. . . .. . P PP P P PP Pr rr r r rr ro oo o o oo ob bb b b bb ba aa a a aa ab bb b b bb bi ii i i ii il ll l l ll li ii i i ii id dd d d dd da aa a a aa ad dd d d dd d y yy y y yy y D DD D D DD Di ii i i ii is ss s s ss st tt t t tt tr rr r r rr ri ii i i ii ib bb b b bb bu uu u u uu uc cc c c cc ci ii i i ii io oo o o oo on nn n n nn ne ee e e ee es ss s s ss s d dd d d dd de ee e e ee e P PP P P PP Pr rr r r rr ro oo o o oo ob bb b b bb ba aa a a aa ab bb b b bb bi ii i i ii il ll l l ll li ii i i ii id dd d d dd da aa a a aa ad dd d d dd d

Antes de iniciar con el tema de la probabilidad repasemos un poco de teora de
conjuntos y veamos los conceptos de espacio muestral y eventos.

Teora de Conjuntos Teora de Conjuntos Teora de Conjuntos Teora de Conjuntos
Fuente: http://es.wikipedia.org/wiki/Teor%C3%ADa_de_conjunto

Coleccin definida de objetos denominados elementos o miembros del conjunto Un
conjunto esta bien definido si se sabe si un determinado elemento pertenece o no a l.
Usualmente los conjuntos se representan con letras maysculas: A, B, K, etc.

Llamaremos elemento, a cada uno de los objetos que forman parte de un conjunto,
estos elementos tienen carcter individual, tienen cualidades que nos permiten
diferenciarlos, y cada uno de ellos es nico, no habiendo elementos duplicados o repetidos.
Los representaremos con una letra minscula: a, b, k, etc.

De esta manera, si es un conjunto, y son todos sus elementos, es
comn representarlo como:

A sta notacin empleada para definir al conjunto se le llama notacin por extensin.

Para representar que un elemento pertenece a un conjunto , escribimos
(lase "x en A", "x pertenece a A" o bien "x es un elemento de A").

La negacin de se escribe (lase no pertenece a ).

El conjunto universal o conjunto universo, que siempre representaremos con la letra
U, es el conjunto de todas las cosas sobre las que estemos tratando. Este conjunto puede
mencionarse explcitamente, o en la mayora de los casos se da por supuesto dado el
contexto que estemos tratando, pero siempre es necesario demostrar la existencia de dicho
conjunto previamente.

Existe adems, un nico conjunto que no tiene elementos al que se le llama conjunto
vaco y que se denota por . Es decir:



La caracterstica importante de este conjunto es que satisface todos los elementos
posibles que no estn contenidos en l, es decir:

.

donde x se lee para todo .

Por otro lado, si todos los elementos de un conjunto A satisfacen alguna propiedad,
misma que pueda ser expresada como una proposicin , con la indeterminada, usamos
la notacin por comprensin, y se puede definir:

Lo anterior se lee "A es el conjunto de elementos x, que cumplen la propiedad p(x)".
El smbolo ":" se lee "que cumplen la propiedad" o "tales que"; este smbolo puede ser
remplazado por una barra .

Por ejemplo, el conjunto puede definirse por:

donde el smbolo representa al conjunto de los nmeros naturales.

DIAGRAMA DE VENN
Representacin grfica de conjuntos representados por reas encerradas en un plano. El
conjunto universo U se representa por un rectngulo y los dems conjuntos por crculos
dentro de U.

IGUALDAD DE CONJUNTOS
Dos conjuntos y se dicen iguales, lo que se escribe si constan de los mismos
elementos. Es decir, si y solo si todo elemento de A est tambin contenido en B y todo
elemento de B est contenido en A. En smbolos:



SUBCONJUNTOS
Un conjunto se dice que es subconjunto de otro , si cada elemento de es tambin
elemento de , es decir, cuando se verifique:

sea cual sea el elemento . En tal caso, se escribe . Grficamente:

Cabe sealar que, por definicin, no se excluye la posibilidad de que si , se
cumpla . Si tiene por lo menos un elemento que no pertenezca al conjunto ,
pero si todo elemento de es elemento de , entonces decimos que es un
subconjunto propio de , lo que se representa por .

UNIN DE CONJUNTOS
Para cada par de conjuntos A y B existe un conjunto que se denota como el cual
contiene todos los elementos de A y de B. Es claro que el hecho de que un elemento
pertenezca a es condicin necesaria y suficiente para afirmar que es un elemento
de A o al menos de B. Es decir:

Ejemplo: Si tenemos los siguientes conjuntos:

Entonces:



INTERSECCIN DE CONJUNTOS
Los elementos comunes en y forman un conjunto denominado interseccin de y ,
representado por . Es decir, es el conjunto que contiene a todos los
elementos de A que al mismo tiempo estn en B:

Si dos conjuntos y son tales que , entonces y se dice que
son conjuntos disjuntos.

Es claro que el hecho de que es condicin necesaria y suficiente para afirmar
que y . Es decir:

Ejemplo: Si tenemos los siguientes conjuntos:

Entonces:

COMPLEMENTO DE UN CONJUNTO
Es el conjunto de elementos que pertenecen al conjunto universo U pero no a un conjunto A.
Se representa por
C
A , ' A , A A \ U ,Es decir:



El conjunto complemento siempre lo es respecto al conjunto universal que estamos
tratando, esto es, si hablamos de nmeros enteros, y definimos el conjunto de los nmeros
pares, el conjunto complemento de los nmeros pares, es el formado por los nmeros
impares.

LGEBRA DE CONJUNTOS
conjuntos cualesquiera y U un conjunto tal que , y Sean , , y
entonces:

;

Elemento neutro de la unin.
Elemento neutro de la interseccin.

Propiedad conmutativa de la interseccin.
Propiedad conmutativa de la unin.

Propiedad asociativa de la interseccin.
Propiedad asociativa de la unin.
Prop. distributiva de la interseccin.
Propiedad distributiva de la unin.
;

;

Espacio Muestral y Eventos Espacio Muestral y Eventos Espacio Muestral y Eventos Espacio Muestral y Eventos

El espacio muestral es el conjunto de todos los resultados posibles de un
experimento, se representa con el smbolo S (Sample). La Estadstica, y por tanto el Clculo
de Probabilidades, se ocupan de los denominados experimentos aleatorios. A los elementos
de S se les denomina sucesos elementales o puntos muestrales.

A pesar de la interpretacin que tiene el espacio muestral, no es ms que un conjunto
de puntos muestrales, por lo que el lenguaje, los conceptos y propiedades de la teora de
conjuntos constituyen un contexto natural en el que desarrollar el Clculo de Probabilidades.



CARACTERSTICAS DEL ESPACIO MUESTRAL
1. Un S est formado por elementos llamados puntos muestrales, cada uno de ellos,
asociado con uno y solo un resultado distinto.
2. Todos los elementos del S son mutuamente excluyentes (ME), es decir, ocurre uno o
el otro.
3. Todos los elementos del S son totalmente exhaustivos, es decir, tiene todos los
resultados posibles del experimento.
4. Un S se puede representar de tres formas:
a) Por extensin o forma de lista.
b) Por comprensin.
c) En forma de rbol.

EVENTO
Es una coleccin de subconjuntos del espacio muestral que satisfacen determinadas
propiedades. Un evento es un subconjunto de un espacio muestral. Un evento es aquel que
cumpla con ciertas caractersticas, siempre y cuando este dentro del espacio muestral.

TIPOS DE EVENTOS
Seguros Se tiene la certeza de que ocurrirn
Imposibles No pueden suceder
Simples
Solo un elemento del evento muestral, no se puede
descomponer. A cada evento simple le corresponde
uno y solo un punto muestral.
Compuestos Contienen al menos dos puntos muestrales
Mutuamente Excluyentes Ocurre uno o el otro

Un evento mutuamente excluyente es aquel que si uno y solo uno de los eventos
puede tener lugar a un tiempo; en consecuencia se dice que los eventos cara y cruz en un
lanzamiento son mutuamente excluyentes.

2.1 La Frecuencia Relativa y la 2.1 La Frecuencia Relativa y la 2.1 La Frecuencia Relativa y la 2.1 La Frecuencia Relativa y la
Regularidad Estadstica Regularidad Estadstica Regularidad Estadstica Regularidad Estadstica

REGULARIDAD ESTADSTICA
La estadstica matemtica tiene un rasgo comn que se deriva de circunstancias que
estn afectadas por la "casualidad". Por ejemplo: Si arrojamos un dado sabemos con
anticipacin que debe aparecer hacia arriba uno de los nmeros: 1, 2, 3, 4, 5, 6, pero no
podemos predecir el resultado en cualquier realizacin de este experimento aleatorio. Sin
embargo, observamos a lo largo de las tiradas que cada uno de los seis nmeros cae hacia
arriba "ms o menos" el mismo nmero de veces; es decir, si se lanza un dado 600 veces,
cada respuesta posible del espacio muestral aparece hacia arriba "alrededor" de 100 veces.



De la misma manera, el nacimiento de un nio se puede considerar como un
experimento aleatorio con los resultados posibles: nio o nia. De nuevo, no podemos hacer
predicciones, pero la experiencia muestra que en una poblacin muy grande, aparece "ms o
menos" con la misma frecuencia el nmero de nios y de nias.

Del mismo modo, si fabricamos tornillos, no se puede predecir si el siguiente tornillo
ser defectuoso o no, pero si podemos observar que la cantidad diaria de tornillos
defectuosos es casi la misma, siempre y cuando el proceso de produccin no sea cambiado.

Si un experimento se realiza n veces, en algunas de las repeticiones ocurrir el
evento A y en otras no. Si se denotamos por ) ( A n el numero de repeticiones en las que
ocurre A, entonces la relacin n A n ) ( recibe el nombre de frecuencia relativa de
ocurrencia del evento A en la secuencia de n repeticiones.

La evidencia emprica, basada en los resultados de muchas de estas secuencias de
experimentos repetibles indica que a medida que n crece, la frecuencia relativa n A n ) ( se
estabiliza, como se ilustra en la siguiente grfica, que muestra el lanzamiento de 1 moneda
no alterada un numero n de veces y se observa el nmero de caras obtenidas:

0 1 2 3 4 5 6 100
0.5
1.0
n(A)
n
fr =
Estabilizacin de la Frecuencia Relativa
n

El diagrama anterior indica que a medida que n se hace arbitrariamente grande, la
frecuencia relativa (fr) se aproxima a un valor lmite que conocemos como frecuencia relativa
lmite del evento A. La interpretacin objetiva de probabilidad identifica ste frecuencia
relativa lmite con P(A).

Si las probabilidades se asignan a eventos de acuerdo con sus frecuencias relativas
lmites, entonces, podemos decir la probabilidad de que esa moneda caiga con la cara hacia
arriba cuando sea lanzada, es 0.5, esto quiere decir que en un gran nmero de
lanzamientos aparecer una cara en aproximadamente la mitad de los lanzamientos, y
aparecer una cruz en la otra mitad.



2.2 Probabilida 2.2 Probabilida 2.2 Probabilida 2.2 Probabilidad dd d

PROBABILIDAD
Es la posibilidad de que algo suceda. Es el nmero de resultados favorables de un
evento dividido entre el numero total de resultados posibles.

Definicin formal de Probabilidad
Es la posibilidad u oportunidad de que suceda un evento particular. Es una porcin o fraccin
cuyo valor vara entre cero y uno exclusivamente.

Enfoques de Probabilidad Enfoques de Probabilidad Enfoques de Probabilidad Enfoques de Probabilidad

Para asignar probabilidades como medidas de ocurrencia, se consideran tres
enfoques bsicos:

1. Concepto clsico o de Laplace
La probabilidad es el cociente entre el nmero de casos favorables entre el nmero de casos
posibles cuando se realiza un experimento aleatorio.

posibles casos de Nmero
favorables casos de Nmero
) S ( P =

De esta definicin se desprenden los axiomas de Kolmogorov:
1. 1 ) ( 0 A P . La probabilidad de cualquier evento del espacio muestral esta entre
cero y uno.
2. P( S ) = 1. La probabilidad del espacio muestral es igual a uno.
3. ) ( ) ( ) ( B P A P B A P + = . La probabilidad de la unin de los eventos A y B es igual a
la suma de las probabilidades de cada uno de los eventos, siempre y cuando A B
= , es decir, que sean mutuamente excluyentes.
4. P ( A) = P (
c
A ) = P ( A) = 1 P(A). La probabilidad del complemento del evento A
es la diferencia entre 1 y P(A).

Su principal inconveniente es la necesidad de que todos los sucesos sean
equiprobables, y esto limita fuertemente su aplicacin, pues incluso en casos como
monedas, dados etc., que en principio son equiprobables tericamente, en la prctica al no
poder ser perfectos no lo son.

2. Concepto frecuentista
Es un hecho, empricamente comprobado, que la frecuencia relativa de un suceso tiende a
estabilizarse cuando la frecuencia total aumenta. Surge as el concepto frecuentista de la
probabilidad de un suceso como un nmero ideal al que converge su frecuencia relativa
cuando la frecuencia total tiende a infinito.



Fue establecido por Von Mises (1919). Se basa en dos pilares: en la experiencia de la
estabilidad de las frecuencias relativas o regularidad estadstica y en la aceptacin de la
objetividad de la probabilidad.

La probabilidad es la frecuencia relativa de los sucesos cuando el experimento se ha
realizado un gran nmero de veces. Es decir:
) S ( P
N
n
lim
N
=

Y cumple las siguientes propiedades:
1 0 . 1
N
n

2. La probabilidad de una suma de sucesos, es igual a la suma de probabilidades de los
sucesos disjuntos que lo forman.

La probabilidad frecuentista tiene dos inconvenientes:
a) Se excluyen de esta definicin todos aquellos experimentos que no puedan repetirse.
b) Preguntarse cuando se ha repetido un suceso tantas veces para considerar que n

3. Concepto subjetivo
Se basa en la idea de que la probabilidad que una persona da a un suceso debe depender
de su juicio y experiencia personal, pudiendo dar dos personas distintas probabilidades
diferentes a un mismo suceso.

TEOREMAS DE PROBABILIDAD
1. P() = 0. La probabilidad del conjunto vaco es igual a cero.
2. P(A U B) = P(A) + P(B) P(A B). La probabilidad de la unin de A con B es igual a la
suma de sus probabilidades menos la probabilidad de la interseccin de ambos.

TABLA DE CONTINGENCIA
Una tabla de contingencia r c, se elabora con r renglones y c columnas. Los totales de
renglones y columnas en la tabla se denominan frecuencias marginales porque se
encuentran en los mrgenes de la tabla. Los valores de cada celda se denominan
frecuencias conjuntas. Un ejemplo de una tabla de contingencia es:

A A Total
B
a b b a +
B
c d d c +
Total c a + + b d n


U UU U U UU Un nn n n nn ni ii i i ii id dd d d dd da aa a a aa ad dd d d dd d I II I I II II II I I II I E EE E E EE Es ss s s ss st tt t t tt ta aa a a aa ad dd d d dd d s ss s s ss st tt t t tt ti ii i i ii ic cc c c cc ca aa a a aa a I II I I II I 1 11 1 1 11 10 00 0 0 00 0

Utilizando las frecuencias conjuntas y marginales de la tabla de contingencia, se pueden
obtener 4 tipos de probabilidades:

1. Probabilidad Conjunta. Describe la distribucin conjunta de A y B. Corresponden a las
probabilidades de que un evento quede clasificado en una celda de las de en medio.
n
a
B A P = ) (

2. Probabilidad Marginal. Se obtienen sumando las probabilidades conjuntas para
obtener los totales marginales de rengln o columna.
n
c a
A P
+
= ) (

3. Probabilidad usando la Ley de la Adicin. Si los eventos A y B no son mutuamente
excluyentes, entonces, la probabilidad se obtiene con:

) ( ) ( ) ( ) ( B A P B P A P B A P + =

4. Probabilidad Condicional. La estimacin de la probabilidad de un evento a menudo
queda actualizada como consecuencia de informacin adicional. La probabilidad
condicional es aquella que primero tiene que darse un evento a fin de que suceda el
otro (probabilidad de A dado que ya sucedi B).

) (
) (
) | (
B P
B A P
B A P

=
, 0 ) ( > B P

2.3 2.3 2.3 2.3. Distrib . Distrib . Distrib . Distribuc uc uc ucin in in in de de de de Probabilidad Probabilidad Probabilidad Probabilidad de una de una de una de una
Variable Aleatoria Discreta Variable Aleatoria Discreta Variable Aleatoria Discreta Variable Aleatoria Discreta

Variable Variable Variable Variable Aleatoria Aleatoria Aleatoria Aleatoria

VARIABLE ALEATORIA
Una variable aleatoria es una funcin que asocia un nmero real con cada punto muestral
del espacio muestral S, es decir, una variable aleatoria es un resultado cuantitativo
(numrico) de un experimento aleatorio. Para especificar una variable aleatoria es necesario
conocer sus valores posibles y sus probabilidades respectivas. Por lo tanto una definicin
sera:
"Dado un espacio muestral S, una variable aleatoria es una funcin que
asigna un valor numrico nico a cada resultado de S".


Se acostumbra representar las variables aleatorias con letras maysculas del final del
alfabeto, y los valores posibles de una variable aleatoria se denotan usualmente con la letra
minscula correspondiente. Ejemplo: Sea X = Nmero de guilas observadas en tres
lanzamientos de una moneda, entonces x puede tener los valores 0, 1, 2 o 3.

Una vez determinados los valores que puede tomar la VADx, es posible asociar cada
uno de ellos con su correspondiente medida de probabilidad utilizando la funcin f(x), la cual
recibe el nombre de:

f(x) = Funcin de Densidad de Probabilidad (fdp)

2.4 2.4 2.4 2.4 Distribuciones de Probabilida Distribuciones de Probabilida Distribuciones de Probabilida Distribuciones de Probabilidad y sus caracter d y sus caracter d y sus caracter d y sus caractersticas sticas sticas sticas

DISTRIBUCIN DE PROBABILIDAD
La distribucin de probabilidad para una VADx, es una regla, tabla o grfica que indica cada
uno de los valores posibles de la VA, as como la probabilidad correspondiente a cada uno
de ellos.
Con frecuencia se representan las probabilidades de una VADx mediante una
frmula. Tal frmula necesariamente sera una funcin de los valores numricos x que se
denotarn con f(x), g(x), r(x), etc.

As pues, se escribir f(x) = P(X=x) para representar al conjunto de pares ordenados
( ) ) ( , x f x , que es a lo que se le nombra funcin de densidad de probabilidad (fdp) de la
VADx.

EJEMPLO.
En el experimento de lanzar 2 monedas, se pueden observan 0, 1 y 2 caras. Si se define la
variable aleatoria X como el nmero de caras observadas, Cul es la distribucin de
probabilidad?

SOLUCIN

f(x = 0) = P( x = 0 ) = P( 0 Caras ) = 1/4
f(x = 1) = P( x = 1 ) = P( 1 Cara ) = 1/4 + 1/4 = 1/2
f(x = 2) = P( x = 2 ) = P( 2 Caras ) = 1/4

Representndolo de forma tabular:

x P( X )
0 1/4
1 1/2
2 1/4



2. 2. 2. 2.5 55 5. . . . Parmetros de una Va Parmetros de una Va Parmetros de una Va Parmetros de una Variable Aleatoria riable Aleatoria riable Aleatoria riable Aleatoria Disc Disc Disc Discreta reta reta reta

Si X es una variable aleatoria discreta (VADx), y su distribucin de probabilidad es la
siguiente:
x
1
x
2
x
3
x
n
x
) (x f ) (
1
x f ) (
2
x f ) (
3
x f ) (
n
x f
entonces:

VALOR ESPERADO
El valor esperado, esperanza matemtica o promedio poblacional, de una variable aleatoria
discreta X que tiene funcin de probabilidad f(x) se representa por la letra griega minscula
(mu), y se obtiene con:
= = ) ( ) ( x xf X E

Nota. La esperanza de una funcin de una VADx puede ser negativa.

VARIANZA Y DESVIACIN ESTNDAR
El valor esperado o media poblacional , mide el valor promedio de la variable aleatoria X,
mientras que la varianza y la desviacin estndar miden la extensin o dispersin de X.

La varianza poblacional de una VAD X, se representa por la letra griega minscula
2

(sigma al cuadrado), y se obtiene con:
2 2 2
) ( ) ( = =

x f x X V

La desviacin estndar poblacional de una VAD X, se obtiene de la raz cuadrada positiva de
la varianza:
2
=

2. 2. 2. 2.6 66 6. .. . La Distribucin La Distribucin La Distribucin La Distribucin de Probabilidad de Probabilidad de Probabilidad de Probabilidad Binomial Binomial Binomial Binomial

Una distribucin de probabilidad de una variable aleatoria discreta utilizada
ampliamente es la distribucin binomial. Esta distribucin describe datos discretos que son
resultado de un experimento conocido como proceso de bernoulli, en honor del matemtico
suizo del siglo XIX, Jacob Bernoulli.

Distribucin Distribucin Distribucin Distribucin Bernoulli Bernoulli Bernoulli Bernoulli

Un experimento se llamar Bernoulli si solamente tiene 2 resultados. Las
caractersticas de una distribucin Bernoulli son las siguientes:



1. El experimento tiene solo 2 resultados posibles mutuamente excluyentes (xito y
fracaso).
2. Las probabilidades de los dos resultados se denotan por:
p xito P = ) ( p fracaso P =1 ) (

Una VA Bernoulli por si sola tiene poco inters en aplicaciones, por lo que una serie
de experimentos Bernoulli conduce a varias distribuciones de probabilidades discretas.

Funcin de Funcin de Funcin de Funcin de Probabilidad Binomial Probabilidad Binomial Probabilidad Binomial Probabilidad Binomial

Un experimento se llamar binomial si cumple las siguientes caractersticas:
1. El experimento consiste en n experimentos Bernoulli idnticos.
2. Cada repeticin tiene dos posibles resultados (xito o fracaso).
3. Los resultados en cada repeticin son independientes, es decir, el resultado siguiente
no depende del anterior.
4. Las probabilidades de xito (p) y fracaso (1-p), permanecen constantes en cada
repeticin.
5. La variable aleatoria asociada al experimento es X = Nmero de xitos en n pruebas.

La distribucin de probabilidad para una variable aleatoria discreta binomial se denota
con la siguiente frmula:

x n x
p p
x
n
p n x b

|
|
.
|
\
|
= ) 1 ( ) , ; (
; n x , , 2 , 1 , 0 =
donde:
p = Probabilidad de xito en una sola prueba.
n = Nmero de pruebas o ensayos realizados.
x = Nmero de xitos en n pruebas realizadas.
=
=
|
|
.
|
\
|
)! ( !
!
x n x
n
x
n
Coeficiente binomial.

La notacin ) , ; ( p n x b indica que la distribucin binomial de x depende del nmero
de pruebas realizadas y de la probabilidad de xito en una prueba dada.

El valor esperado, la varianza y la desviacin estndar de una variable aleatoria
binomial son:
np =
) 1 (
2
p np =
) 1 ( p np =



La distribucin de probabilidad estar sesgada a la derecha si p es pequeo y estar
sesgada a la izquierda si p es grande, y ser simtrica si 5 . 0 = p .

CLCULO DE PROBABILIDADES MEDIANTE TABLAS
La frmula binomial no facilita las cosas cuanto se tiene que calcular el valor de n con un
nmero muy grande. Por este motivo han sido construidas las tablas de probabilidad
binomial. Para ejemplificar el uso de la tabla binomial consideremos el siguiente ejemplo:

a) Cul es la probabilidad de que 8 de los 15 demcratas empadronados no puedan votar
en las elecciones preliminares, si la probabilidad de que cualquier individuo no pueda
votar es de 0.30, y si las personas deciden de manera independiente si votan o no?.
b) Cul es la probabilidad de que ocho o ms votantes empadronados no voten?
c) Cul es la probabilidad de que menos de ocho votantes no voten?

SOLUCIN
a) Primero representemos los elementos de este problema en notacin de distribucin
binomial:
n = 15 demcratas empadronados
p = 0.30 probabilidad de que cualquier individuo no vote
x = 8 individuos que no van a votar.

Como el problema implica 15 demcratas, vamos a la tabla correspondiente a n=15.
Como la probabilidad de que un individuo no vote es 0.30, buscamos en la tabla binomial
hasta que encontremos la columna cuyo encabezado es 0.30.

Nos desplazamos despus hacia debajo de la columna hasta que estamos en el rengln
x=8, en donde tenemos la respuesta: 0.0348. Est es la probabilidad de que ocho
votantes empadronados no voten.

b) Buscar en la columna de 0.30 y sumar las probabilidades desde 8 hasta el fondo de la
columna:
8 0.0348
9 0.0116
10 0.0030
11 0.0006
12 0.0001
13 0.0000
0.0501

La respuesta es que hay una probabilidad de 0.0501 de que 8 o ms no voten.


c) De nuevo empezar en la columna de 0.30, pero en esta ocasin sumar las probabilidades
desde 0 hasta 7:
0 0.0047
1 0.0305
2 0.0916
3 0.1700
4 0.2186
5 0.2061
6 0.1472
7 0.0811
0.9498

La respuesta es que existe una probabilidad de 0.9498 de que no voten menos de ocho.
Tambin se puede obtener con el uso del complemento del inciso anterior.

2. 2. 2. 2.7 77 7. La Distribucin de Probabilidad Poisson . La Distribucin de Probabilidad Poisson . La Distribucin de Probabilidad Poisson . La Distribucin de Probabilidad Poisson

Funcin de Probabilidad Poisson Funcin de Probabilidad Poisson Funcin de Probabilidad Poisson Funcin de Probabilidad Poisson

La distribucin Poisson debe su nombre a Simen Denis Poisson (1781 1840),
un francs que desarroll la distribucin a partir de los estudios que realiz durante la
ltima parte de su vida.

Esta distribucin se utiliza para describir cierto tipo de procesos, entre los que se
encuentran la distribucin de llamadas telefnicas que llegan a un conmutador, la
demanda (necesidades) de los pacientes que requieren servicio en una instalacin de
salud, las llegadas de camiones y automviles a una caseta de cobro o el nmero de
accidentes registrados en cierta interseccin de calles.

Todos esos ejemplos tienen en comn un elemento: pueden ser descritos
mediante una variable aleatoria discreta que toma valores enteros (0, 1, 2, ).

CARACTERSTICAS DE LOS PROCESOS POISSON
1. El experimento consiste en contar el nmero de veces que ocurre un evento en
particular durante una unidad de tiempo dada, un rea o volumen.
2. La probabilidad de que un evento ocurra en una unidad de tiempo, rea o volumen,
es la misma para todas las unidades.
3. El nmero de eventos que ocurren en una unidad de tiempo, rea o volumen, es
independiente del nmero de los que ocurren en otras unidades.
4. El valor esperado de eventos en cada unidad se denota por la letra griega minscula
(lambda).



La distribucin de probabilidad para una variable aleatoria discreta Poisson esta dada por:

!
) ; (
x
e
x po
x
=
, 0 ... , 2 , 1 , 0 > = x

donde:
= Nmero medio de eventos en una unidad dada de tiempo, rea o volumen.
= e 2.718281. Base de los logaritmos naturales.

El valor esperado, la varianza y la desviacin estndar de esta distribucin estn dados por:
=
=
2

=

2. 2. 2. 2.8 88 8. La Distribucin de Probabilidad Uniforme Continua . La Distribucin de Probabilidad Uniforme Continua . La Distribucin de Probabilidad Uniforme Continua . La Distribucin de Probabilidad Uniforme Continua

Muchas variables aleatorias que se observan en la vida real no son variables
aleatorias discretas, porque la cantidad de valor que puede asumir sta, no se puede contar.
Por ejemplo, el tiempo de espera para completar un trabajo puede asumir cualquier valor
infinito dentro del intervalo x 0 . En contraste con las variables aleatorias discretas,
tales variables se denominan variables aleatorias continuas.

.
CONCEPTO DE AREA
Las distribuciones de probabilidad de variables aleatorias continuas se definen mediante una
funcin f(x) llamada funcin de probabilidad o funcin de densidad.

La funcin de densidad de probabilidad est dada por el rea bajo cualquier curva, por lo
que:
0 ) ( = x f ; es decir, la funcin es no negativa.

}

=1 ) ( dx x f ; es decir, el rea encerrada bajo la totalidad de la curva es 1.



}
=
b
a
dx x f b x a P ) ( ) ( ; es decir, la probabilidad de que X se encuentre en el
intervalo [ ] b a, es igual al rea por debajo de la funcin entre a x = y b x = .
La probabilidad de eventos puntuales es 0, 0 ) ( = = a X P , es decir, una
variable aleatoria continua no puede tomar un solo valor, sino un rango de
valores.

LA FUNCIN DE DENSIDAD UNIFORME CONTINUA
La distribucin uniforme es una funcin de densidad de probabilidad cuyos valores tienen la
misma probabilidad.
Una variable aleatoria continua , tiene una distribucin uniforme en el intervalo ,
donde b a < , si la funcin de densidad de probabilidad ) (x f tiene el valor k en el intervalo y
cero en otras partes., es decir:
partes otras en
b x a para
a b
x f b a x U

= =
0
1
) ( ) , ; (

El valor esperado, la varianza y la desviacin estndar de la distribucin uniforme
son:
2
b a +
=
12
) (
2
2
a b
=
2
=

2. 2. 2. 2.9 99 9. La Distribucin . La Distribucin . La Distribucin . La Distribucin de Probabilidad de Probabilidad de Probabilidad de Probabilidad Normal Normal Normal Normal

Una de las distribuciones ms utilizadas es la distribucin de probabilidad normal, la
cual se aplica solo para variables aleatorias continuas.

C CC Caractersticas de aractersticas de aractersticas de aractersticas de la Curva Normal la Curva Normal la Curva Normal la Curva Normal

La funcin de densidad Normal de probabilidad o funcin Gaussiana se representa
por la siguiente ecuacin:


68%
95%
99.7%
Escala X
Escala Z

donde: e = 2.71828; = 3.14159

En el siguiente diagrama se pueden observar varias caractersticas importantes de
una distribucin normal de probabilidad:

1. Esta distribucin solo se aplica a variables aleatorias continuas (VACx).
2. Las VACx no pueden tomar valores especficos (como por ejemplo x=2), pero si cualquier
valor dentro de un intervalo dado.
3. Toda el rea bajo la curva de la normal se representa por probabilidades, y la suma de
esas probabilidades es 1.
4. La curva tiene un solo pico, por lo tanto, es unimodal. Tiene la forma de campana por lo
que es simtrica.
5. La media de una poblacin distribuida normalmente cae en el centro de su curva normal.
6. Debido a la simetra de la distribucin normal de probabilidad, la mediana y la moda de la
distribucin se encuentran tambin en el centro, en consecuencia, para una curva
normal, la media, mediana y la moda tienen el mismo valor.
7. La distribucin es asinttica, es decir, los dos extremos de la distribucin normal se
extienden indefinidamente y nunca tocan el eje horizontal.
8. La forma y posicin de la grfica dependen de sus parmetros poblacionales media y
desviacin estndar.
9. La desviacin estndar determina el ancho de la curva. A valores mayores, se tienen
curvas ms anchas y bajas, que muestran una mayor dispersin en los datos.
10. La curva normal aplica la regla emprica, la cual establece: Aproximadamente el 68% de
las medidas distan de la media 1 desviacin estndar. Aproximadamente el 95% de los
datos distan 2 desviaciones, y aproximadamente el 99.7% de los datos distan de la
media 3 desviaciones estndar.
-3 -2 -1 0 1 2 3
-3 -2 -1 0 1 2 3


L LL Lo oo os ss s P PP Pa aa armetros de l rmetros de l rmetros de l rmetros de la a a a Distribucin Normal Distribucin Normal Distribucin Normal Distribucin Normal

No hay una sola distribucin normal, sino una familia de curvas normales. Todas
estas curvas tienen 2 parmetros: la media ( ) y la desviacin estndar ( ).

La La La La Distribucin Norm Distribucin Norm Distribucin Norm Distribucin Normal Estndar al Estndar al Estndar al Estndar

La curva que utilizaremos y analizaremos ser la curva normal estndar, en la cual
no importa cules son los valores de la media y la desviacin estndar, lo que importa es
que el rea total bajo la curva es 1.00, de manera que podemos pensar en reas bajo la
curva como si fueran probabilidades.

Como existen diferentes desviaciones estndar, no es posible ni necesario tener una
tabla distinta para cada curva normal posible. En lugar de ello se usar una distribucin de
probabilidad normal estndar para encontrar reas bajo cualquier curva normal. Dicha
distribucin siempre tiene una media 0 = y una desviacin estndar 1 = .

Con esta tabla podremos determinar el rea o la probabilidad de que la variable
aleatoria distribuida normalmente est dentro de ciertas distancias a partir de la media. Estas
distancias estn definidas en trminos de desviaciones estndar y se representa como:

=
x
z

Donde: = x Valor de la variable aleatoria que nos preocupa.
= Media de la distribucin de la variable aleatoria.
= Desviacin estndar de la distribucin de la variable aleatoria.
= z Nmero de desviaciones estndar desde x a la media de la distribucin.

APLICACIONES
1. En un examen determinado, el promedio del grupo fue de 68 puntos, con una desviacin
estndar de 9 puntos. Si se toma al azar un examen de este grupo, y considerando que
las calificaciones se distribuyen normalmente.

a) Cul es la probabilidad de que tenga una calificacin mayor de 74 puntos?
b) Cul es la probabilidad de que dicho examen tenga una calificacin entre 60 y 80
puntos?
c) Cul es la probabilidad de que el examen tenga una calificacin entre 35 y 59?
d) Si los alumnos con calificaciones menores o iguales a 59 reprueban el examen, Qu
porcentaje de los alumnos reprueban?
e) Si los alumnos que obtienen calificaciones menores de 55 puntos no tienen derecho a
examen final, y el grupo est formado por 120 alumnos, Cuntos se quedarn sin
derecho a examen final?


f) Si a los alumnos de este grupo que obtienen calificaciones entre 65 y 75 puntos se
les califica con una B, cuantos alumnos obtendrn B?
g) Si al 15% de los alumnos con mejores calificaciones se les asigna una A, cul es el
puntaje mnimo necesario para obtener una A?
h) Si al 20% de los alumnos con ms bajas calificaciones se les manda a un curso de
recuperacin, a partir de que puntaje puede un alumno no ser enviado al curso de
recuperacin?

2. Existe un programa de entrenamiento diseado para mejorar la calidad de las habilidades
de los supervisores de lnea de produccin. Los supervisores requieren
aproximadamente 500 horas para completar el programa y esta variable aleatoria
normalmente tiene una desviacin estndar de 100 horas.

a) Cul es la probabilidad de que un participante elegido al azar requiera ms de 500
horas para completar el programa?
b) Cul es la probabilidad de que un participante seleccionado al azar se tome entre
500 y 650 horas para completar el programa de entrenamiento?
c) Cul es la probabilidad de que un candidato se tome ms de 700 horas en
completar el programa?
d) El director del programa de entrenamiento desea saber la probabilidad de que un
participante escogido al azar requiera entre 550 y 650 horas para completar el trabajo
requerido.
e) Cul es la probabilidad de que un candidato elegido al azar se tomar menos de
580 horas para completar el programa?
f) Cul es la probabilidad de que un candidato escogido al azar se tome entre 420 y
570 horas para completar el programa?
g) Si al 25% de los trabajadores con mejores tiempos se les dar un bono, Cul es el
tiempo mnimo para obtener el bono?

Unidad II

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

Unidad II

Cargado por

Copyright:

Formatos disponibles

C CC C C CC Ce ee e e ee en nn n n nn nt tt t t tt tr rr r r rr ro oo o o oo o d dd d d dd de ee e e ee e C CC C C CC Ci ii i i ii ie ee e e ee en nn n n nn nc cc c c cc ci ii i i ii ia aa a a aa as ss s s ss s B BB B B BB B s ss s s ss si ii i i ii ic cc c c cc ca aa a a aa as ss s s ss s

También podría gustarte