Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Cap. 2. Conceptos de Probabilidad y Aplicaciones
Cap. 2. Conceptos de Probabilidad y Aplicaciones
Cap. 2. Conceptos de Probabilidad y Aplicaciones
Conceptos de probabilidad
y aplicaciones
0 ≤ P (evento) ≤ 1
1 /6
son cara o cruz, al
1
2 1
/6
lanzar una moneda. 3 1
/6
■ Los seis posibles 4 1
/6
resultados en un 5 1
/6
6 1
/6
lanzamiento de dado. Total 1
¿ES
¿ES MUTUAMENTE
EXTRACCIÓN EXCLUYENTE? COLECTIVAMENTE
EXHAUSTIVO?
1. Extraer una espada y un trébol Sí No
2. Sacar una carta con rostro y una Sí Sí
con número
3. Extraer un as y un 3 Sí No
4. Sacar una con trébol y una sin Sí Sí
trébol
5. Extraer un 5 y un diamante No No
6. Extraer una carta roja y un No No
diamante
P (A y B)
P P P P
(A) (B) (A) (B)
1. a) Su educación
b) Su nivel de ingresos Eventos dependientes
4 pelotas
blancas (W) 4
con letra (L) Probabilidad (WL) =
10
La urna 2 pelotas
blancas (W) 2
contiene 10 Probabilidad (WN) =
pelotas: con número (N) 10
3 pelotas
amarillas 3
(Y) Probabilidad (YL) =
10
con letra (L)
Figura 2.3 1 pelota amarilla (Y) 1
con número (N) Probabilidad (YN) =
10
Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-27
Cuando los eventos son dependientes
P 0.3
P (L | Y) = = =
0.75 (YL) 0.4
P (Y)
Podemos comprobar P (YL) usando la fórmula de
probabilidad conjunta
Probabilidades
previas
Proceso Probabilidades
de Bayes posteriores
Información
nueva
Figura 2.4
P (cargado y 3) 0.300
P (cargado| 3) = = 0.383 = 0.78
P (3)
■ Estas son probabilidades revisadas o posteriores para el siguiente
lanzamiento del dado.
■ Podemos revisar nuestras estimaciones de probabilidades previas.
P(3) = 0.383
Tabla 2.3
Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-35
Forma general del teorema de
Bayes
Las probabilidades revisadas también se calculan de
manera más directa usando:
donde
A′ = el complemento del evento A;
por ejemplo, si A es el evento “dado legal”,
entonces, es “dado cargado”
Tabla 2.4
Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-43
Variables aleatorias: que no son
números
Tabla 2.5
Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-44
Distribución de probabilidades de
una variable aleatoria discreta
Tabla 2.6
La distribución cumple las tres reglas requeridas para
todas las distribuciones de probabilidad:
1. Los eventos son mutuamente excluyentes y colectivamente exhaustivos.
2. Los valores de probabilidad individuales están entre 0 y 1 inclusive.
3. El total de los valores de probabilidad suma 1.
Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-46
Distribución probabilística para la
clase del Dr. Shannon
0.4 –
0.3 –
P (X)
0.2 –
0.1 –
0– | | | | | |
Figura 2.5
1 2 3 4 5
X
Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-47
Distribución probabilística para la
clase del Dr. Shannon
La tendencia central de la
0.4 – distribución es la media, o
valor esperado.
La cantidad de variabilidad
0.3 –
es la varianza.
P (X)
0.2 –
0.1 –
Figura 2.5 0– | | | 1 3
4 5 2
X
Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-48
Valor esperado de una distribución de
probabilidad discreta
El valor esperado es una medida de tendencia central
de la distribución, que se calcula como el promedio
ponderado de los valores de la variable aleatoria.
donde
= valores posibles de la variable aleatoria
= probabilidad de cada valor posible de la variable
aleatoria
= signo de sumatoria que indica que sumamos los
n valores posibles
= valor esperado o media de la variable aleatoria
Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-49
Valor esperado de una distribución de
probabilidad discreta
Para la clase del Dr. Shannon:
donde
= valores posibles de la variable aleatoria
= valor esperado de la variable aleatoria
= diferencia entre cada valor de la variable
aleatoria y el valor esperado
= probabilidad de cada valor posible de la
variable aleatoria
donde
= raíz cuadrada
= desviación estándar
donde
= raíz cuadrada
Para la clase de Dr. Shannon:
= desviación estándar
Programa 2.1A
Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-55
Uso de Excel
Resultados de Excel para el ejemplo del Dr. Shannon
Varianza
Desviación estándar
Programa 2.1B
| | | | | | |
5.06 5.10 5.14 5.18 5.22 5.26 5.30
Peso (gramos)
Figure 2.6
Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-58
La distribución binomial
Es necesario conocer:
n = número de ensayos
p = probabilidad de éxito de un solo
ensayo
Sean:
r = número de éxitos
q = 1 – p = probabilidad de fracaso
Entonces,
P = (4 éxitos en 5 ensayos) =
0.3 –
0.2 –
0.1 –
| | | | | | |
0–
Figura 2.7 1 2 3 4 5 6
Valores de r (número de éxitos)
Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-64
Solución de problemas con
la fórmula binomial
MSA Electronics está experimentando con la manufactura de un
nuevo tipo de transistor.
■ Cada hora un supervisor toma una muestra al azar de 5
transistores.
■ La probabilidad de que un transistor esté defectuoso es
de 0.15.
¿Cuál es la probabilidad de encontrar 3, 4 o 5 defectuosos?
Entonces, n = 5, p = 0.15 y r = 3, 4 o 5
Aunque podíamos usar la fórmula para cada uno de estos
valores, es más sencillo usar las tablas binomiales para ello.
Programa 2.2A
Programa 2.2B
| | |
40 µ = 50 60
| | |
µ = 40 50 60
| | |
40 50 µ = 60
Figura 2.8
Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-73
La distribución normal
Figura 2.9
µ
Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-74
Uso de la tabla normal estándar
Paso 1
Convertir la distribución normal en una
distribución normal estándar.
■ Una distribución normal estándar tiene
media 0 y desviación estándar igual a 1
■ La nueva variable aleatoria estándar es Z
donde
X = valor de la variable aleatoria que se busca medir
µ = media de la distribución
σ = desviación estándar de la distribución
Z = número de desviaciones estándar entre X y la media,
µ
Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-75
Uso de la tabla normal estándar
µ=
P(X < 100
130) σ = 15
| | | | | | |
X=
55 70 85 100 115 130 145
Figura 2.10 IQ
| | | | | | |
–3 –2 –1 0 1 2 3
De vuelta al
extremo izquierdo
de la distribución:
X = 75 días µ = 100 días
σ = 20 días
Programa 2.3A
Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-87
Uso de Excel
Resultados de Excel para el ejemplo de la
distribución normal
Programa 2.3B
Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-88
La regla empírica
Para una variable aleatoria distribuida normalmente
con µ media y desviación estándar σ, entonces
–1σ +1σ
a µ b
–2σ +2σ
a µ b
Fα
Figura 2.15
0.05
F = 4.39
Figura 2.16
Program 2.4A
Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-95
Uso de Excel
Resultados de Excel para la distribución F
Programa 2.4B
Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-96
Distribución Exponencial
■ La distribución exponencial (también llamado
distribución exponencial negativa) es una
distribución continua que con frecuencia se usa en
modelos de líneas de espera para describir el
tiempo requerido para atender a un cliente. Su
función de probabilidad está dada por:
donde
X = variable aleatoria (tiempos de servicio)
µ = número promedio de unidades que puede manejar la
estación de servicio en un periodo específico
e = 2.718 (la base del logaritmo natural)
f(X)
X
Figura 2.17
Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-98
Taller Arnold’s Muffler
■ El taller Arnold’s Muffler instala silenciadores en
automóviles y camiones pequeños.
■ El mecánico puede instalar silenciadores nuevos
a una tasa aproximada de tres por hora.
■ Este tiempo de servicio sigue una distribución
exponencial.
Figura 2.18
Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-102
Uso de Excel
Función para la distribución exponencial en una hoja
de cálculo de Excel
Programa 2.5A
Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-103
Uso de Excel
Resultados de Excel para la distribución exponencial
Programa 2.5B
donde
P(X) = probabilidad de que haya exactamente X llegadas u
ocurrencias
λ = número promedio de llegadas por unidad de tiempo (tasa
media de llegadas), se pronuncia “lamda”
e = 2.718, base del logaritmo natural
X = número de ocurrencias (0, 1, 2, 3, …) de la variable
aleatoria
Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-105
La distribución de Poisson
La media y la varianza de la distribución son
ambas iguales λ.
Valor esperado = λ
Varianza = λ
Figura 2.19
Programa 2.6A
Programa 2.6B