PROBABILIDAD

La probabilidad es una medicin numrica

de la posibilidad de que un evento ocurra.
La probabilidad es importante en la toma de decisiones,
pues brinda una forma de medir, expresar y analizar el
grado de incertumbre asociada a eventos futuros
Definimos como experimento a cualquier proceso que genere
resultados bien definidos. En cualquier experimento ocurrir solo
uno de los resultados experimentales posibles.
La probabilidad de un experimento debe satisfacer :
a) Los valores de probabilidad asignado a cada resultado deben ser
No es probable que ocurra el evento 0 P(Ej) 1 Es seguro que ocurra el evento
b) La suma de todas las probabilidades de resultado experimental es
1
P(E1) + P(E2) + . + P(En) = 1

Ejemplos
Experimento

Resultados posibles

Lanzar una moneda

Cara, Cruz

Seleccionar una pieza para inspeccin Defectuosa, no defectuosa

Llevar a cabo una visita para venta

Venta , no venta

Tirar un dado

1, 2, 3, 4, 5, 6

Jugar un partido

Ganar, perder, empatar

Existen diferentes mtodos para asignar valores probabilsticos para cada

resultado experimental. Entre estos tenemos:

a) Mtodo Clsico

1
n

Originalmente se desarrollo para analizar problemas de juego de azar en los que

a menudo es razonable suponer resultados con igual posibilidad. Si un
experimento tiene n resultados posibles, el mtodo clsico asignar
una probabilidad de 1/n a cada resultado experimental. Por Ejemplo
Un experimento de lanzar una moneda al aire

Un experimento de tirar un dado

b) Mtodo de Frecuencia Relativa

Cuando no es posible aplicar igual probabilidad a todos los resultados
experimentales. Por ejemplo: Una empresa esta evaluando introducir un
nuevo producto en el mercado, segn encuestas anteriores se contacto a
400 clientes potenciales, de los cuales se tiene el siguiente resultado:
Frec. Relativa
100 compraron el producto

100/400 = 0.25

300 no compraron el producto

300/400 = 0.75

c) Mtodo Subjetivo
Cuando los resultados experimentales no tienen igual probabilidad y no hay
datos disponibles sobre frecuencia relativas. Por ejemplo:
Cual es la probabilidad de que Per gane un campeonato?
Cual es la probabilidad de que Mis Per gane el certamen mundial?
El mtodo Subjetivo usa nuestra experiencia e intuicin, expresa el grado de
3
creencia de que ocurra un resultado experimental

EVENTOS Y SUS PROBABILIDADES

Un evento es un conjunto de resultados experimentales.
La probabilidad de un evento es igual a la suma de las
probabilidades de los puntos mustrales de dicho evento. Por
ejemplo:
Resultado Experimental S

Experimento : Lanzar un dado

Evento A : El numero de puntos
que aparece en la cara superior
es par

1
3
5

2
4
6

Entonces A = {2, 4, 6}
Prob. Del evento A: P(A)= P(2) + P(4) + P(6) = 1/6 + 1/6 + 1/6 =
4

OPERACIONES BASICAS CON EVENTOS

Ya que los eventos aleatorios son subconjuntos del espacio muestral, se
pueden aplicar las conocidas operaciones con conjuntos, a los eventos.
c

1. Complemento de un evento (A )
Ac = todos lo elementos que no estn en A
Espacio muestral S

P(S)=1
c

A
Evento A

P(A) + P(A ) = 1
c

P(A ) = 1 - P(A)

Experimento: Lanzar un dado

S = {1,2,3,4,5,6}
Evento A : El numero de puntos que aparece en la cara superior es par
Entonces A = {2, 4, 6} y Ac ={1, 3, 5}
P(A) = P(2)+P(4)+P(6) = 1/6 + 1/6 + 1/6 = 1/2
P(Ac) = 1 - 0.5 = 0.5

2. Unin de 2 Eventos. P(AB)

Para dos eventos A y B, la unin de los eventos A y B es aquel que contiene
todos los puntos mustrales existentes en A o en B o en ambos.

til cuando tenemos dos elementos

y estamos interesados en conocer la
probabilidad de que ocurra por lo
menos uno de los dos eventos

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

Ejemplo.- Se lanza un dado y una moneda
= {1s, 2s, 3s, 4s, 5s, 6s, 1c, 2c, 3c, 4c, 5c, 6c }
N() = 12
A: Al lanzar un dado y una moneda aparezcan el nmero 2 o 3 con sol.
B: Al lanzar un dado y una moneda aparezcan nmeros pares con sol.
A = { 2s, 3s },
N(A) = 2
B = { 2s, 4s, 6s } N(B) = 3
A B = { 2s }
N(A B ) =
1
P(A B) = P(A) + P(B) - P(A B) = 2/12 + 3/12 1/12 = 4/12 = 1/3

3. Interseccin de 2 Eventos. P(AB)

A B

Para dos eventos A y B, la interseccin de 2 eventos A y B es aquel que contiene

todos los puntos mustrales existentes tanto en A como en B.

P(A B) = P(A) * P(B/A)

Ley de la multiplicacin

Si A y B son mutuamente
excluyentes, entonces P(A B)=0

P(A B) = P(A)*P(B)
7

4. Probabilidad Condicional. P(A|B)

En muchas situaciones es importante determinar la probabilidad de
un evento A cuando se sabe que ha ocurrido otros evento B.
Suponga que tenemos un evento A, de una probabilidad P(A), y
que obtenemos nueva informacin o ha ocurrido otro evento B. Si
A esta relacionado con B, desearemos aprovechar esta nueva
informacin para calcular una probabilidad nueva o revisada para
el evento A
Esta nueva probabilidad del evento A se escribe P(A/B) y se lee
probabilidad del evento A dado el evento B

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

P( A B)
P ( B | A)
P ( A)
8

4. Probabilidad Condicional. P(A|B)

E espacio muestral

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

A
B

No confundir probabilidad condicionada con interseccin.

Si A y B son independientes, entonces P(A|B) = P(A)
La probabilidad del denominador no puede ser 0
En ambos medimos efectivamente la interseccin, pero
En P(AB) con respecto a P(E)=1
En P(A|B) con respecto a P(B)
9

4. Probabilidad Condicional. P(A|B)

La probabilidad condicional se puede utilizar para encontrar la

probabilidad de una interseccin de dos eventos P(AB), cuando
son conocidos las probabilidades de P(A), P(B), P(A/B) o P(B/A)

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

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

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

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

10

Ejemplo.En cierta ciudad, las mujeres representan el 50% de la

poblacin y los hombres el otro 50%. Se sabe que el 20% de
las mujeres y el 5% de hombres estn sin trabajo. Un
economista estudia la situacin de empleo, elige al azar una
persona. Si la poblacin total es de 8000 personas, Cul es
la probabilidad de que la persona escogida sea ?:
a).- Mujer
b).- Hombre
c).- Mujer dado que est empleado
d).- Desempleado dado que es hombre
e).- Empleado dado que es mujer
f).- Es mujer dado que esta desempleado
g).- Es hombre dado que esta desempleado
11

Dado que uno de estos valores nos da la probabilidad de la

interseccin de los eventos estas probabilidades se llaman
PROBABILIDADES CONJUNTAS
Sean los eventos:
M: Que sea Mujer
H: Que sea Hombre
D: Que sea desempleado
E: Que sea Empleado

Desempleados
D
Mujeres
M
Hombres
H
Total

Empleados
E

Total

800

3200

4000

200

3800

4000

1000

7000

8000 12

TABLA DE PROBABILIDADES CONJUNTAS

D

Total

800/8000 = 0.10

3200/8000= 0.40

4000/8000= 0.5

200/8000= .025

3800/8000= .475

4000/8000= 0.5

1000/8000= 0.125

7000/8000= .875

8000/8000= 1

Total

a) P(M) = .50
P(E) = .875
c) P(M/E)
d) P(D/H)
e) P(E/M)
f) P(M/D)
g) P(H/D)

b) P(H) = .50
P(D) = .125

= P(ME)/P(E) = .40/.875
= P(DH)/P(H) = .025/.5
= P(ME)/P(M) = .40/.5
= P(MD)/P(D) = .10/.125
= P(HD)/P(D) = .025/.125

=
=
=
=
=

.4571
.05
.8
.8
.2

PROBABILIDAD
MARGINAL

13

TEOREMA DE BAYES

14

Supongamos que:
Una empresa renta automviles en tres agencias:
El 60% de los autos son rentados en la agencia 1
El 30% de los autos son rentados en la agencia 2
El 10% de los autos son rentados en la agencia 3.
Si el 9% de los vehculos rentados en la agencia 1 necesitan
afinacin, el 20% de las unidades en la agencia 2 necesitan
afinacin y el 6% de los autos de la agencia 3 necesitan
afinacin,
a) Cul es la probabilidad de que un automvil sea rentado por la
agencia 1 y necesite afinacin
b) Cul es la probabilidad de que un automvil rentado necesita
afinacin?
15

Solucin
Sea A el evento de que el automvil necesita afinacin.
Y sea Bi evento de que el automvil pertenece a la agencia i=1,2,3
entonces tenemos P(B1)=0.60, P(B2)=0.30 y P(B3)=0.10;
P(A/B1)=0.09; P(A/B2)=0.20 y P(A/B3)=0.06

P(

)=
1
B

0
6
.
0

P(B2)=0.30

P(B

3)=
0.1
0

B1
B2
B3

P(A/B1)=0.09
P(A/B2)=0.20

P(A/B3)=0.06

A = P(B1).P(A/B1) = 0.60 * 0.09 = 0.054

A = P(B2).P(A/B2) = 0.30 * 0.20 = 0.060
A = P(B3).P(A/B3) = 0.10 * 0.06 = 0.006

P(A) = P(B1)P(A/B1) + P(B2)P(A/B2) + P(B3)P(A/B3) = 0.12

Probabilidad Total

Por lo tanto, el 12% de todos los automviles

16

Ahora supongamos que si un automvil rentado a la empresa

necesita afinacin.(evento A) Cul es la probabilidad de que este
vehiculo provino de la empresa 2? (Evento B2)

Solucin
0
0.6

)=
B1
(
P
P(B2)=0.30

P(B
3)=
0.1

B1

P(A/B1)=0.09

P(A/B2)=0.20

B2
P(A/B3)=0.06

B3

A = P(B1).P(A/B1) = 0.60 * 0.09 = 0.054

A = P(B2).P(A/B2) = 0.30 * 0.20 = 0.060
A = P(B3).P(A/B3) = 0.10 * 0.06 = 0.006

(0.30)(0.20)
0.060
P ( B2 / A)

0.5
(0.60)(0.09) (0.30)(0.20) (0.10)(0.06) 0.12
Observe que a pesar de que solo el 30% de los automviles rentados
a la empresa proviene de la agencia 2, el 50% (o la mitad de ellos)
17
requieren afinacin

Con frecuencia empezamos un anlisis con estimaciones

iniciales (probabilidades a priori) para eventos especficos.
Despus provenientes de fuentes como muestreo,
informes especiales, ensayos de productos, obtenemos
informacin adicional de ese evento, Con esta nueva
informacin modificamos los valores de las probabilidades
a priori mediante el calculo de probabilidades actualizadas
a las que llamamos probabilidades posteriori.
El teorema de Bayes proporciona un mtodo para calcular
estas probabilidades
Probabilidades
a priori

Informacin
nueva

Aplicacin del
Teorema Bayes

Probabilidades
Posteriori
18

Ejemplo 1
Una Empresa manufacturera recibe piezas de dos proveedores.
Entonces hagamos A1 el evento de que una pieza es del proveedor
1, y A2 es el evento de que una pieza es del proveedor 2.
Actualmente el 65% de las piezas adquiridas por la empresa
proviene de la empresa 1 y el 35% restantes proviene de la
empresa 2.
Con base a los datos histricos de la empresa, las probabilidades
de recibir piezas buenas y malas de ambos proveedores son:

P(B/Prov1) = 0.98
P(B/Prov2) = 0.95

P(M/Prov1) = 0.02
P(M/Prov2) = 0.05
19

Paso 2
Condicin

Paso 1
Proveedor
(a priori)
65
.
0
.1)=
v
o
r
P(P
P(P
ro

v.2
)=0
.3

Prov.1

Prov.2

Resultado
Experimental

0.98
=
)
1
.
rov
P(B/P

Pr ov.1 B

P(Prov.1B)=0.637
+

0.02

Pr ov.1 M

P(Prov.1M)=0.013

/Pro
B
(
P

0.95
=
)
2
v.

0.05

Pr ov.2 B

Pr ov.2 M

+
P(Prov.2B)=0.3325
+
P(Prov.2M)=0.0175

Suma = 1
Ahora suponga que las piezas de los 2 proveedores se usan en la
produccin de la empresa, y que una pieza mala paraliza la
maquina. Cul es la probabilidad de que dicha pieza mala
provenga del proveedor 1 y del proveedor 2
20

P(Prov.1/M )

P(Prov.1 M)
0.013
0.013

0.4262 42.62%
P(M)
0.013 0.0175 0.0305

P(Prov.2 M)
0.0175
0.0175
P(Prov.2/M )

0.5738 57.38%
P(M)
0.013 0.0175 0.0305

DISCUSIN
Observe que empezamos con un probabilidad de 0.65 de que una
pieza seleccionada provenga 1. Sin embargo dada la informacin
de que la pieza es mala, determinamos la probabilidad de que
dicha pieza provenga del proveedor 1 se reduce de 0.65 a 0.4262

21

TEOREMA DE BAYES
Este teorema es de gran utilidad para evaluar una probabilidad a
posteriori partiendo de probabilidades simples, y as poder revisar la
estimacin de la probabilidad a priori de un evento que se encuentra
de un estado o en otro.

Definicin
El Teorema de Bayes, proporciona la distribucin de
probabilidad condicional de un evento "A" dado otro
evento "B" P(A/B) (probabilidad posteriori), en funcin de
la distribucin de probabilidad condicional del evento "B"
dado "A" P(B/A) y de la distribucin de probabilidad
marginal del evento "A" (probabilidad simple o apriori).
22

TEOREMA DE BAYES
Partiendo de las frmulas de probabilidad condicional
y probabilidad conjunta
para eventos estadsticamente dependientes se
proceder a definir el Teorema de Bayes.
La caracterstica necesaria es que los eventos
A1,A2, ... An sean eventos mutuamente excluyentes o
independientes. Entonces la probabilidad de que ocurra
cualquier evento dado que ha ocurrido el evento B se
calcular por la siguiente frmula:
23

TEOREMA DE BAYES
P( A B) P( A) * P( B / A)

Recordando Probabilidad
Conjunta

Recordando Probabilidad Total

P ( A) P( B1).P( A / B1) P( B 2).P( A / B 2) ... P( Bi ).P( A / Bi )

n

P ( A) P( Bi ).P ( A / Bi )
i 1

Teorema de Bayes
Reemplazando
tenemos:

P( A Bi )
P ( Bi / A)
P( A)
P( A Bi )
P ( Bi ).P ( A / Bi )
P( Bi / A)

P ( A)
P( Bi).P( A / Bi)

24

NOTAS
El Teorema de Bayes se usa mucho en anlisis de
decisiones. Con frecuencia, las probabilidades a priori son las
estimaciones subjetivas de un administrador. Se obtiene
informacin de una muestra y se calculan las probabilidades
posteriores para emplearlas en la toma de la mejor decisin
Un evento y su complemento son mutuamente excluyentes,
y su unin es todo el espacio muestral, por lo que el teorema
de Bayes es aplicable siempre es para el calculo de
probabilidades posteriores de un evento y su complemento
25

Ejemplos aplicados
26

Ejemplo 1
El gerente de una empresa de Supermercados estima que la proporcin
de sus tiendas que alcanzarn su meta de una venta anual, basndose en
experiencias anteriores estima que hay una probabilidad de 0.20 que el
60% de las tiendas alcanzaran su meta de ventas; una probabilidad de
0.50 que alcancen el 70% y finalmente una probabilidad de 0.30 de que
el 80% alcancen la meta. Se selecciona al azar una tienda.
a) Cual es la probabilidad que este haya alcanzado la meta considerada?
b) Dado que este negocio alcanzo la meta. Cul es la probabilidad que
el 80% de las tiendas hayan alcanzado sus metas
SOLUCION
Sea el evento A : Obtener una tienda que alcanza la meta fijada
Las diferentes formas de obtener un negocio que alcanza las metas
fijadas, se observa mejor en un diagrama del rbol.

27

a) Cual es la probabilidad que este haya alcanzado la meta considerada?

P(A/x) = 0.60

x
0.20

P(A/y) = 0.70

0.50

0.30

y
P(A/z) = 0.80

P(x).P(A/x) = (0.60*0.20) = 0.12

Ac
A

P(y).P(A/y) = (0.50*0.70) = 0.35

Ac
A
Ac

P(z).P(A/z) = (0.30*0.80) = 0.24

P(A) = 0.71

b) Dado que este negocio alcanzo la meta. Cul es la probabilidad que

el 80% de las tiendas hayan alcanzado sus metas

P( z ).P( A / z ) (0.30 * 0.80)

P( z / A)

0.338
P( A)
0.71
28

Ejemplo 2
Tres mquinas denominadas A, B y C, producen un
43%, 26% y 31% de la produccin total de una
empresa respectivamente, se ha detectado que un
8%, 2% y 1.6% del producto manufacturado por
estas mquinas es defectuoso
a. Se selecciona un producto al azar y se encuentra
que es defectuoso, cul es la probabilidad de que
el producto haya sido fabricado en la mquina B?
b. Si el producto seleccionado resulta que no es
defectuoso, cul es la probabilidad de que haya
sido fabricado en la mquina C?
29

Solucin:
Para resolver este problema nos ayudaremos con un
diagrama de rbol;
8%
A

ND

43%
26%

31%

2%

1.6%

ND
D

Definiremos los eventos;

D = evento de que el producto
seleccionado sea defectuoso
(evento que condiciona)
A = evento de que el producto sea
fabricado en la mquina A
B = evento de que el producto sea
fabricado por la mquina B

ND
C = evento de que el producto sea
fabricado por la mquina C 30

P( B D)
P ( B ).P ( D / B )

P( D)
P ( A).P ( D / A) P ( B ).P ( D / B ) P (C ).P ( D / C )
(0.26 * 0.02)
P( B / D)
(0.43 * 0.08) (0.26 * 0.02) (0.26 * 0.016)
0.0052
P( B / D)
0.116697 11.67%
0.04456
P( B / D)

b.
ND = evento de que el producto seleccionado no sea defectuoso
(evento que condiciona)
A = evento de que el producto sea fabricado en la mquina A
B = evento de que el producto sea fabricado por la mquina B
C = evento de que el producto sea fabricado por la mquina C

P (C ND )
P (C ).P ( ND / C )

P ( ND )
P ( A).P ( ND / A) P ( B ).P ( ND / B ) P (C ).P ( ND / C )
(0.31* 0.984)
P(C / ND )
(0.43 * 0.92) (0.26 * 0.98) (0.31* 0.984)
0.30504
P(C / ND )
0.31927 31.93%
0.95544
31
P(C / ND )

Ejemplo 3
Considera una fbrica de botellas que cuenta con dos mquinas para
producir sus botellas. En esa fbrica se producen 10,000 botellas al
da. La mquina A produce 6,500 botellas diarias de las cuales el 2%
son defectuosas. La mquina B produce 3,500 botellas cada da de
las cuales el 1% son defectuosas.

Pregunta
Se selecciona una botella al azar y encuentra que est defectuosa.
Cul es la probabilidad de que la botella haya sido producida por la
mquina A?
Sea A el evento de que la botella seleccionada haya sido producida por la
mquina A y Sea B el evento de que haya sido producida por la mquina B. El
evento de que la botella seleccionada sea defectuosa se denota por D, su
complemento Dc representa una botella que no es defectuosa.
32

La probabilidad de que una botella haya sido producida por la mquina A es .

65, pues de las 10,000 producidas, 6,500 son producidas por A. Nos interesa
calcular P(A | D), la cual no se puede obtener de forma directa. Para esto
recurrimos directamente a la definicin de probabilidad condicional:
P( A | D) = P(AnD) / P(D)
Para que una botella seleccionada al azar sea una defectuosa producida por la
mquina A, debemos seleccionar primero la mquina A y de las botellas
producidas all seleccionar una defectuosa. Tenemos que
P(AnD) = P(A) P( D | A), lo que equivale a hacer la travesa en el rbol desde
su raz hasta la hoja donde obtenemos el resultado AnD.
33
As P(AnD) = (0.65)*(0.02.)

Para encontrar P(D) debemos darnos cuenta que una botella defectuosa
puede ser producida de la mquina A o de la B. Si examinamos las hojas del
rbol, vemos que hay dos lugares donde obtenemos una botella defectuosa,
AnD o BnD. Esto equivale a hacer una travesa por uno de caminos en el
rbol. Estos caminos son mutuamente excluyentes, pues si caminamos por
uno no podemos estar caminando por el otro. Segn se muestra en la figura
de al lado, el evento D = (AnD) (BnD) y su probabilidad es entonces
calculada P(D) = P(AnD) + P(BnD).

El primero de estos trminos P(AnD) ya haba sido calculado.

El segundo se obtiene de forma similar. Obtenemos entonces que
P( BnD) = P(B) P(D | B).
Uniendo estos resultados tenemos que P(D) = P(A) P( D | A) + P(B) P(D |
B). Finalmente podemos calcular la probabilidad deseada:
34

Esto quiere decir que una vez sabemos

que una botella seleccionada al azar
est defectuosa, la probabilidad de que
haya sido producida por la mquina A
es .788. Dicho de otra manera, de todas
las botellas defectuosas producidas,
aproximadamente el 79% son
producidas por la mquina A.

35

Cmo se puede explicar que la mquina A produzca el 79% de las

botellas defectuosas?
Este hecho se debe a dos factores.
El primero es que la mquina A produce casi el doble de botellas que la
mquina B. An si la tasa de botellas defectuosas fuera la misma para
ambas mquinas, por el mero hecho de producir un mayor nmero de
botellas, la mquina A producira casi el doble de defectuosas de la
mquina B.
El segundo factor es que la tasa de produccin de defectuosas de la
mquina A es el doble de la correspondiente de la mquina B. En este
caso, an si ambas mquinas produjeran la misma cantidad de botellas,
las producidas por la mquina A contendran el doble de botellas
defectuosas que las que vienen de la mquina B.

36

DISTRIBUCION DE
PROBABILIDADES
DISTRIBUCION
BINOMIAL
DISTRIBUCION POISSON
DISTRIBUCION NORMAL
37

VARIABLES ALEATORIAS
La clase pasada, definimos un experimento como cualquier proceso
que genere resultados bien definidos. Ahora deseamos asignar valores
numricos a esos resultados.
Para cualquier experimento en particular, se puede definir una
variable aleatoria de manera que cada resultado experimental posible,
genere exactamente un valor numrico para dicha variable.
Una variable aleatoria es una descripcin numrica del resultado de un
experimento.
Una variable aleatoria puede clasificarse como:
a) Variable Aleatoria Discreta: Solo toma una secuencia valores
b) Variable Aleatoria Continua: Pueden tomar cualquier valor
dentro de un intervalo o varios intervalos
38

VARIABLES ALEATORIAS
Dado un experimento aleatorio y su correspondiente espacio
muestral se denomina variable aleatoria a la funcin que asigna a
cada elemento del espacio muestral un nmero real. X: S RX
Ejemplo: Si se define la variable aleatoria X = nmero de caras
obtenidas al arrojar dos monedas
Que valores puede tomar x?
X(SS) = 0
X(CS) = X(SC) = 1
X(CC) = 2

39

VARIABLES ALEATORIAS
VARIABLE ALEATORIA DISCRETA
Cuando toma un nmero contable de valores y entre dos valores consecutivos de
una v.a. discreta no hay ningn nmero que pertenezca al recorrido de la variable
Rx = {X1;X2;...,Xn,...} donde cada Xi es un valor de la v.a.
Para caracterizar una variable aleatoria discreta es necesario conocer el conjunto
de valores que puede tomar la variable y la probabilidad de cada elemento
Sigamos con el ejemplo X = Cantidad de caras al tirar dos monedas
P(X = 0) = P(SS) =
P(X = 1) = P(SC;CS) =
P(X = 2) = P(CC) =

Funcin de distribucin de probabilidad

Propiedades
1) P(Xi) 0 para todo Xi
2) P(xi) = 1
40

VARIABLES ALEATORIAS
VARIABLE ALEATORIA CONTINUA
Una variable es continua en un intervalo cuando puede tomar cualquier
valor perteneciente al intervalo.
En general definiremos variables aleatorias continuas cuando las
experiencias consistan en medir peso, altura, longitud, tiempo,
temperatura, etc.
En este caso se define (en lugar de la funcin de distribucin) una funcin
de densidad de probabilidad que tiene las siguientes propiedades

1) f(x) 0 x R
2) f(x).dx 1
a

3) a b P(a x b) f(x).dx
b

41

VARIABLES ALEATORIAS
Experimento

Variab. Aleatoria

Valores
posibles

Tipo

Efectuar 100 llamadas

de ventas

Nro. Total de ventas

0,1,2,..,100

Discreta

Inspeccionar un lote de
70 radios

Nro. Radios defectuosos

0,1,2,...,70

Discreta

Construir nueva
biblioteca

% del proyecto despus de 0% x 100%

6 meses

Continua

Operar un restaurante

Nro. De clientes que

entran en un da

Discreta

0,1,2, ..

Discreta
Valor esperado o Esperanza Matemtica

E(x) = = x f(x)

Varianza

Var(x) = 2 = (x-)2f(x)
42

DISTRIBUCION BINOMIAL
Se aplica en casos donde se quiere: el
numero de xitos o aciertos observados
en los n intentos repetitivos.

Se debe cumplir las siguientes condiciones

1. El experimento consiste en una repeticin de n intentos
o ensayos idnticos
2. En cada ensayo es posible solo 2 resultados: xito y Fracaso
3. La probabilidad de xito (p), no cambia de un ensayo a otro
4. Los intentos o ensayos son independientes
43

DISTRIBUCION BINOMIAL
La formula matemtica para calcular la probabilidad de
cualquier valor de una distribucin binomial esta dado por:

n!
x
n x
f ( x)
p (1 p )
x!(n x)!
Donde:
n = numero de intentos
p = probabilidad de xito en cualquier intento
x = numero de aciertos en n intentos
f(x) = probabilidad de x acierto en n intentos

Distribucin de
Probabilidad
Binomial

E ( x) np
Var ( x) 2 np (1 p )

44

DISTRIBUCION BINOMIAL B(n,p)

Tres clientes entran a una tienda de ropa. Con base en su experiencia,
el gerente de la tienda estima que la probabilidad de que cualquier
cliente compre es de 30%. Cul es la probabilidad de que dos de los
tres clientes hagan una compra?.

Condiciones
a) El experimento es una sucesin de tres intentos idnticos, uno para
cada uno de los tres clientes que entran a la tienda
b) En cada experimento es posible 2 resultados:
xito : si el cliente hace una compra
Fracaso : Si el cliente no hace una compra
c) La probabilidad de que el cliente haga una compra es 0.30 o que no lo
haga es 0.70, se supone igual para todos los clientes.
d) La decisin de compra para cada cliente es independiente de la
decisin de los dems clientes.

45

DISTRIBUCION BINOMIAL B(n,p)

Tres clientes entran a una tienda de ropa. Con base en su experiencia, el
gerente de la tienda estima que la probabilidad de que cualquier cliente
compre es de 30%. Cul es la probabilidad de que dos de los tres clientes
hagan una compra?.
1 Cliente

3 Cliente

2 Cliente

0.30

C
0.30

0.70

NC

NC
C

2
2

NC

1
2

C
0.30
0.70

NC

NC
C

0.70

Valor
de x

1
1

NC
NC 0

P(x)

0.063
0.063

0.063
0.189

f ( x)

3!
(0.30) x (0.70) 3 x
x!(3 x )!

f(x)

x
0

f (0)

3!
(0.30) 0 (0.70) 3 0.343
0!(3)!

f (1)

3!
(0.30)1 (0.70) 2 0.441
1!(2)!

f (2)

3!
(0.30) 2 (0.70)1 0.189
2!(1)!

f (3)

3!
(0.30) 3 (0.70) 0 0.027
3!(0)!
46

DISTRIBUCION BINOMIAL B(n,p)

Cual es el valor esperado del numero
de clientes que efectan una compra
= xf(x) = 0(0.343) + 1(0.441) +
2(0.189) + 3(0.027) = 0.9

O tambin de esta forma

= np = 3(0.30) = 0.9

Numero de clientes que efectan una compra

2 = np(1-p) = 3(0.30)(0.70) = 0.63

= 0.79

Suponga que durante el mes siguiente la tienda de ropa espera que entren a la
tienda 1000 clientes. Cul es el numero esperado de clientes que efecten una
compra?

= np = 1000(0.30) = 300
47

DISTRIBUCION PROBABILIDAD POISSON

Se usa para estimar el numero de ocurrencias de un evento en
un intervalo de tiempo o espacio especificado.
Con frecuencia se usa para el modelado de tasas de llegadas
en cola
Condiciones:
1. La probabilidad de ocurrencia de un evento es la misma para cualquier
intervalos de igual valor o longitud
2. La ocurrencia o no ocurrencia en cualquier intervalo es independiente de la
ocurrencia o no ocurrencia en cualquier otro intervalo

Funcin de probabilidad
f(x) : probabilidad de x ocurrencias en un intervalo
: valor esperado o promedio de ocurrencias
e = 2.71828
x = 1,2,3, ...

e
f ( x)
x!

48

DISTRIBUCION PROBABILIDAD POISSON

Ejemplo involucrando intervalos de tiempo
Numero de llegadas al cajero automtico durante un periodo de 15
minutos. Si suponemos que la probabilidad de que llegue un automvil es
la misma para cualquier periodos de tiempo de igual duracin y que la
llegada o no llegada de un automvil en un periodo de tiempo es
independiente de la llegada o no llegada en cualquier otro periodo de
tiempo.
Ejemplo que involucra longitud o distancias
Suponga que un mes despus de haber reasaltado, estamos
preocupados con la ocurrencia de defectos en una seccin de autopista.
Suponemos que la prob. de un defectos es la misma para cualquiera de
2 intervalos de igual longitud y que la ocurrencia y no ocurrencia de un
defectos en cualquiera de los intervalos es independiente de la
ocurrencia y no ocurrencia en cualquier otro de los intervalos, por lo que
es aplicable la distribucin de Poisson
49

DISTRIBUCION PROBABILIDAD POISSON

Esta distribucin es muy frecuente en los
problemas relacionados con la
investigacin operativa, sobre todo en el
rea de la gestin de colas.
Suele describir, por ejemplo, la llegada de
pacientes a un ambulatorio, las llamadas
a una central telefnica, la llegada de
autos a un tnel de lavado, etc. Todos
estos casos pueden ser descritos por una
variable aleatoria discreta que tiene
valores no-negativos enteros.

50

DISTRIBUCION PROBABILIDAD NORMAL

Distribucin de probabilidad mas importante para describir una V.A Continua
Es aplicable en gran cantidad de situaciones de problemas prcticos
Se usa con frecuencia cuando la cantidad de datos es > 30

1
f ( x)
e
2

1 x

Observaciones:
1. Las distribuciones de prob. Normales se diferencia por su media y su
desviacin estndar
2. La media, mediana y moda de la distribucin son iguales y se localizan en el
pico
3. La Distribucin de probabilidad normal es simtrica respecto a su media, las
colas se prolongan al infinito y nunca tocan el eje horizontal.
51
4. Las probabilidades para la V.A. normal estn dada por el rea bajo la curva.

DISTRIBUCION PROBABILIDAD NORMAL

Una distribucin de probabilidad normal estndar (z) es cuando tiene =0 y =1
Para convertir cualquier V.A normal x con media y desviacion estandar a
una
distrib. normal estndar se usa la formula: z x

z es una medida del numero de desviaciones

estndar a la cual esta x de
Un mayor tiende a aplastar
y ensanchar la curva

1
f ( x)
e
2

z2

tiende a mover la curva

52