Cap. 2. Conceptos de Probabilidad y Aplicaciones

Capítulo 2
Conceptos de probabilidad
y aplicaciones
Métodos cuantitativos para los negocios, 11a. ed.,

por Render, Stair y Hanna
Diapositivas Power Point creadas por Brian Peterson
Objetivos de aprendizaje
Al terminar de estudiar este capítulo,
el alumno será capaz de:
1. Comprender los elementos básicos del análisis de

probabilidad.
2. Describir eventos estadísticamente dependientes e
independientes.
3. Usar el teorema de Bayes para establecer probabilidades
posteriores.
4. Describir y dar ejemplos de variables aleatorias discretas y
continuas.
5. Explicar la diferencia entre distribuciones de probabilidad
discretas y continuas.
6. Calcular valores esperados y varianzas, y utilizar la tabla
de la normal.
Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-2
Contenido del capítulo
2.1 Introducción
2.2 Conceptos fundamentales
2.3 Eventos mutuamente excluyentes y
colectivamente exhaustivos
2.4 Eventos estadísticamente independientes
2.5 Eventos estadísticamente dependientes
2.6 Probabilidades revisadas aplicando
el teorema de Bayes
2.7 Revisiones de probabilidades ulteriores

Contenido del capítulo
2.8 Variables aleatorias

2.9 Distribuciones de probabilidad
2.10 Distribución binomial
2.11 Distribución normal
2.12 Distribución F
2.13 Distribución exponencial
2.14 Distribución de Poisson

Introducción
■ La vida sería más sencilla si

supiéramos sin lugar a dudas qué
va a ocurrir en el futuro.
■ Probabilidad es una expresión
numérica de la posibilidad de que
ocurra un evento.

Conceptos fundamentales
1. La probabilidad, P, de ocurrencia de
cualquier evento o estado de la
naturaleza es mayor que o igual a 0, y
menor que o igual a 1. Es decir,
0 ≤ P (evento) ≤ 1
2. La suma de las probabilidades simples

de todos los resultados posibles de una
actividad debe ser igual a 1.

Capítulos de este libro donde se
utiliza probabilidad
CAPÍTULO TÍTULO
3 Análisis de decisión
4 Modelos de regresión
5 Pronósticos
6 Modelos de control de inventarios
12 Administración de proyectos
13 Modelos de teoría de colas y líneas de espera
14 Simulación
15 Análisis de Markov
16 Control estadístico de la calidad
Modulo 3 Teoría de decisiones y distribución normal
Modulo 4 Teoría de juegos
Tabla 2.1
Ejemplo de Diversey Paint
■ La demanda de una pintura blanca de látex en Diversey
Paint and Supply siempre ha sido de 0, 1, 2, 3 o 4
galones por día.
■ Durante los últimos 200 días laborales, el propietario
observa las siguientes frecuencias de demanda:
CANTIDAD
DEMANDADA NUMERO DE DÍAS PROBABILIDAD
(GALONES)
0 40 0.20 (= 40/200)
1 80 0.40 (= 80/200)
2 50 0.25 (= 50/200)
3 20 0.10 (= 20/200)
4 10 0.05 (= 10/200)
Total200 Total1.00 (= 200/200)

Ejemplo de Diversey Paint
■Note
La que
demanda de una pintura
las probabilidades blanca de látex en Diversey
individuales
Paint
están andentre
todas Supply0y1siempre ha sido de 0, 1, 2, 3 o 4
galones por día.
■ Durante los0 ≤ últimos 200
P (evento) ≤ 1días laborales, el propietario
observa las siguientes frecuencias de demanda:
CANTIDAD
Y el total de todas las probabilidades del
DEMANDADA NUMERO DE DÍAS PROBABILIDAD
evento es
(GALONES)
igual a 1
0 40 0.20 (= 40/200)
1
∑ P (evento) = 1.0080 0.40 (= 80/200)
2 50 0.25 (= 50/200)
3 20 0.10 (= 20/200)
4 10 0.05 (= 10/200)
Total200 Total1.00 (= 200/200)

Tipos de probabilidad
Determinación de la probabilidad objetiva:
■ Frecuencia relativa
➢ Basada típicamente en datos históricos
Número de ocurrencias del evento

P (evento) =
Número total de ensayos o resultados
■ Método lógico o clásico

➢ Determina de manera lógica cuáles deberían
ser las probabilidades sin ensayos.
1 Número de formas de obtener cara

P (cara) =
2 Número de resultados posibles (cara o cruz)
Tipos de probabilidad
Probabilidad subjetiva se basa en

la experiencia y el buen juicio de
quien realiza las estimaciones.
■ Encuestas de opinión
■ Buen juicio de expertos
■ Método Delphi

Eventos mutuamente
excluyentes
Los eventos son mutuamente excluyentes
si solo uno de ellos puede ocurrir en un
ensayo cualquiera.
■ Lanzar una moneda, los
resultados pueden ser
cara o cruz.
■ Lanzar un dado es un
experimento sencillo que
tiene uno de seis
resultados posibles.

Eventos colectivamente
exhaustivos
Estos eventos se llaman colectivamente
exhaustivos si la lista de resultados
incluye todos los resultados posibles.
RESULTADO DEL
■ Los resultados posibles LANZAMIENTO
PROBABILIDAD
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

Sacar una carta
Saque una carta del mazo de 52 cartas
P (sacar un 7) = 4/52 = 1/13

P (sacar un corazón) = 13/52 = 1/4
■ Estos eventos no son mutuamente
excluyentes, ya que se puede sacar un 7
corazones.
■ Tampoco son colectivamente exhaustivos
pues hay otras cartas en la mazo, además
del 7 y los corazones.

Tabla de diferencias
¿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

Suma de eventos mutualmente
excluyentes
A menudo nos interesa saber si ocurrirá
un evento o un segundo evento.
■ Cuando dos eventos son mutuamente
excluyentes, la ley de la suma es:
P (evento A o evento B) = P (evento A) + P (evento B)
P (espada o trébol)= P (espada) + P (trébol)

= 13/52 + 13/52
= 26/52 = 1/2 = 0.50
Suma para eventos que no son
mutuamente excluyentes
La ecuación debe modificarse para tener en
cuenta el conteo doble.
■ La probabilidad se reduce porque se
restan las posibilidades de que ambos
eventos ocurran al mismo tiempo.
P (evento A o evento B) = P (evento A) + P (evento B)
– P (ocurrencia de ambos, evento A y evento B)
P (A o B) = P (A) + P (B) – P (A y B)
P(cinco o diamante) = P(cinco) + P(diamante) – P(cinco y diamante)
= 4/52 + 13/52 – 1/52
= 16/52 = 4/13

Diagramas de Venn
P (A y B)
P P P P
(A) (B) (A) (B)
Eventos que son Eventos que no son

mutuamente excluyentes. mutuamente excluyentes.
P (A o B) = P (A) + P (B) P (A o B) = P (A) + P (B)

– P (A y B)
Figura 2.1 Figura 2.2
Eventos estadísticamente
independientes
Los eventos pueden ser

independientes o dependientes.
■ Para eventos independientes, la
ocurrencia de un evento no tiene efecto
sobre la probabilidad de ocurrencia de
otro evento.

¿Cuáles son eventos independientes?
1. a) Su educación
b) Su nivel de ingresos Eventos dependientes
2. a) Sacar un jack de corazones de un mazo de 52 cartas Eventos

b) Sacar un jack de tréboles de un mazo de 52 cartas independientes
3. a) Los cachorros de Chicago ganan la Liga Nacional

b) Los cachorros de Chicago ganan la Eventos
dependientes
Series Mundial
4. a) Nieve en Santiago, Chile
b) Lluvia en Tel Aviv, Israel Eventos independiente

Tres tipos de probabilidades
■ Marginal (o simple) es tan sólo la probabilidad de que
ocurra un evento.
P (A)
▪ La probabilidad conjunta de que ocurran dos o más eventos

independientes es el producto de sus probabilidades
marginales o simples.
P (AB) = P (A) x P (B)
▪ La probabilidad condicional es la probabilidad de que
ocurra un evento dado que ocurrió otro evento.
P (B | A) = P (B)
▪ O la probabilidad del evento A, dado que ocurrió el evento
B.
P (A | B) = P (A)

Ejemplo de probabilidad
conjunta
Al tirar un dado, la probabilidad de lanzar
un 6 la primera vez y un 2 la segunda
vez:
P (6 primero y 2 luego)
= P (lanzar un 6) x P (lanzar un 2)
= 1/6 x 1/6 = 1/36 = 0.028

Eventos independientes
Un cesto contiene 3 pelotas negras y 7 pelotas verdes.
■ Sacamos una pelota del cesto, la regresamos y
sacamos una segunda pelota.
1. La probabilidad de extraer una pelota negra la

primera vez :
P (B) = 0.30 (una probabilidad marginal)
2. La probabilidad de sacar dos pelotas verdes :
P (GG) = P (G) x P (G) = 0.7 x 0.7 = 0.49
(una probabilidad conjunta para dos eventos independientes)

Eventos independientes
Un cesto contiene 3 pelotas negras y 7 pelotas
verdes.
■ Sacamos una pelota del cesto, la regresamos y
sacamos una segunda pelota.
3. La probabilidad de extraer una pelota negra la
segunda vez, si la primera fue verde:
P (B | G) = P (B) = 0.30
(una probabilidad condicional pero igual a la marginal, ya
que las dos extracciones son eventos independientes)
4. La probabilidad de sacar una pelota verde la
segunda vez, si la primera fue verde:
P (G | G) = P (G) = 0.70
(una probabilidad condicional como en el evento 3)

Eventos estadísticamente
dependientes
La probabilidad marginal de que otro evento ocurra
se calcula de la misma forma:
P (A)
Calcular una probabilidad condicional es un poco más

complicado. La probabilidad del evento A dado que
ocurrió el evento B es:
P (AB)
P (A | B) = P (B)
La fórmula para la probabilidad conjunta de dos
eventos es:
P (AB) = P (B | A) P (A)
Cuando los eventos son dependientes
Suponga que tenemos una urna que contiene 10

pelotas con la siguiente descripción:
■ 4 son blancas (W) y con letra (L)
■ 2 son blancas (W) y con número (N)
■ 3 son amarillas (Y) y con letra (L)
■ 1 es amarilla (Y) y con número (N)
P (WL) = 4/10 = 0.4 P (YL) = 3/10 = 0.3

P (WN) = 2/10 = 0.2 P (YN) = 1/10 = 0.1
P (W) = 6/10 = 0.6 P (L) = 7/10 = 0.7
P (Y) = 4/10 = 0.4 P (N) = 3/10 = 0.3
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
La probabilidad condicional de que la pelota extraída

tenga letra, dado que es amarilla, es:
P 0.3
P (L | Y) = = =
0.75 (YL) 0.4
P (Y)
Podemos comprobar P (YL) usando la fórmula de
probabilidad conjunta
P (YL) = P (L | Y) x P (Y) = (0.75)(0.4) = 0.3

Probabilidades conjuntas
para eventos dependientes
Si el mercado de valores llega al nivel de 12,500
puntos para enero, hay una probabilidad de 70% de
que Tubeless Electronics suba de valor.
■ Sus propios sentimientos le dicen que hay tan
solo una probabilidad de 40% de que el
promedio del mercado llegue a 12,500.
■ Sea M el evento de que el mercado de valores
llegue a 12,500, y sea T el evento de que
Tubeless aumente su valor.
P (MT) = P (T | M) x P (M) = (0.70)(0.40) = 0.28

Probabilidades revisadas aplicando el
teorema de Bayes
El teorema de Bayes se emplea para incluir información
adicional cuando esté disponible y ayuda a crear
probabilidades posteriores.
Probabilidades
previas
Proceso Probabilidades
de Bayes posteriores
Información
nueva
Figura 2.4

Probabilidades posteriores
Un vaso contiene dos dados idénticos en apariencia.
Sin embargo, uno es legal (no está cargado) y el otro
no es legal (sí está cargado).
■La probabilidad de obtener un 3 en el dado legal es 1/6 o 0.166.
■La probabilidad de obtener el mismo número en el dado cargado es
de 0.60.
■Seleccionamos uno al azar, lo lanzamos,
y obtenemos 3.
■¿Cuál es la probabilidad (revisada)
de que el dado lanzado fuera el legal?
■¿Cuál es la probabilidad de que
el dado que lanzamos fuera el cargado?

Sabemos que la probabilidad de que haya sido
el legal o el cargado es:
P (legal) = 0.50 P (cargado) = 0.50
Y que
P (3 | legal) = 0.166 P (3 | cargado) = 0.60
Calculamos las probabilidades conjuntas P

(3 y legal) y P (3 y cargado):
P (3 y legal) = P (3 | legal) x P (legal)
= (0.166)(0.50) = 0.083
P (3 y cargado) = P (3 | cargado) x P
(cargado)
= (0.60)(0.50) = 0.300
La suma de sus probabilidades
Sabemos que la probabilidad de que haya sido
da la probabilidad incondicional
el legal o el cargado es:
o marginal de un 3:
P (legal) = 0.50 P (cargado) = 0.50
Y que
P (3 | legal) = 0.166P (3)P=(3
0.083 + 0.300==0.60
| cargado)
0.383
Calculamos las probabilidades conjuntas P
(3 y legal) y P (3 y cargado):
P (3 y legal) = P (3 | legal) x P (legal)
= (0.166)(0.50) = 0.083
P (3 y cargado) = P (3 | cargado) x P
(cargado)
= (0.60)(0.50) = 0.300
Si ocurre un 3, la probabilidad de que haya sido
del dado legal es:
P (legal y 3) 0.083
P (legal| 3) = = = 0.22
P (3) 0.383
La probabilidad de que el dado lanzado fuera el cargado es:
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.

Cálculos de Bayes
Dado que ocurrió el evento B:
ESTADO DE P (B | ESTADO PROBABILIDAD PROBABILIDAD PROBABILIDAD POSTERIOR
LA DE LA PREVIA CONJUNTA
NATURALEZA NATURALEZA)
A P(B | A) x P(A) = P(B y A) P(B y A)/P(B) = P(A|B)

A’ P(B | A’) x P(A’) = P(B y A’) P(B y A’)/P(B) = P(A’|B)
P(B)
Tabla 2.2
Dado que se obtiene un 3:
ESTADO DE LA P (B | ESTADO DE PROBABILIDAD PROBABILIDAD PROBABILIDAD
NATURALEZA LA NATURALEZA) PREVIA CONJUNTA POSTERIOR
Dado legal 0.166 x 0.5 = 0.083 0.083 / 0.383 = 0.22

Dado cargado 0.600 x 0.5 = 0.300 0.300 / 0.383 = 0.78
P(3) = 0.383
Tabla 2.3
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”

Forma general del teorema de
Bayes
Esto es básicamente lo que hicimos en el ejercicio anterior:
Sustituya con “dado legal”
Sustituya con “dado cargado”
Sustituya con “salió 3”
Hacemos que

Revisiones de probabilidades
ulteriores
Puede obtenerse información adicional al realizar el
experimento una segunda vez.
▪Si es posible, realice los experimentos varias veces.
Lanzamos el dado otra vez y

obtenemos un 3.

ulteriores
Puede obtenerse información adicional al realizar
el experimento una segunda vez.
Lanzamos el dado una segunda vez y

obtenemos un 3.

ulteriores
We can obtain additional information by performing
the experiment a second time
■ If you can afford it, perform experiments
several times
We roll the die again and again get a 3

ulteriores
Después de lanzar el primer dado:
probabilidad de un dado legal = 0.22

probabilidad de un dado cargado = 0.78
Después del segundo lanzamiento:
probabilidad de un dado legal = 0.067

probabilidad de un dado cargado = 0.933

Variables aleatorias
Una variable aleatoria asigna un número real a

cada resultado o evento posible de un
experimento.
X = número de refrigeradores vendidos durante el día
Las variables aleatorias discretas pueden

suponer tan solo un conjunto finito o limitado
de valores.
Las variables aleatorias continuas pueden
suponer un conjunto infinito o ilimitado de
valores.
Variables aleatorias: Números
RANGO DE
VARIABLE
EXPERIMENTO RESULTADO
ALEATORIA
VARIABLE
ALEATORIA
Ofrecer en venta 50 Número de árboles de X 0, 1, 2,…, 50
árboles de Navidad Navidad vendidos
Inspeccionar 600 Número de artículos Y 0, 1, 2,…, 600

artículos aceptables
Enviar 5,000 cartas de Número de personas que Z 0, 1, 2,…, 5,000

ofertas responden
a las cartas
Construir un edificio de Porcentaje del edificio R 0 ≤ R ≤ 100
apartamentos terminado a los 4 meses
Probar la vida útil de una Tiempo que dura la bombilla S 0 ≤ S ≤ 80,000

bombilla eléctrica hasta 80,000 minutos
(minutos)
Tabla 2.4
Variables aleatorias: que no son
números
Tabla 2.5
Distribución de probabilidades de
una variable aleatoria discreta
Para la variable aleatoria discreta, existe un

valor de probabilidad asignado a cada
evento.
Los estudiantes en la clase de estadística de
Pat Shannon acaban de terminar un examen
que consiste en cinco problemas de álgebra.
La distribución de probabilidad para las
calificaciones se dan en la siguiente tabla:

Distribución de probabilidades de
una variable aleatoria discreta
VARIABLE ALEATORIA PROBABILIDAD
CALIFICACIÓN (X) NÚMERO P (X)
5 10 0.1 = 10/100
4 20 0.2 = 20/100
3 30 0.3 = 30/100
2 30 0.3 = 30/100
1 10 0.1 = 10/100
Total 100 1.0 = 100/100
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.
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
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
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
Valor esperado de una distribución de
Para la clase del Dr. Shannon:

Varianza de una distribución de
Para una distribución de probabilidad
discreta, la varianza se calcula con:
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

Para la clase del Dr. Shannon:

Una medida de dispersión relacionada

es la desviación estándar.
donde
= raíz cuadrada
= desviación estándar

Una medida de dispersión relacionada

es la desviación estándar.
donde
= raíz cuadrada
Para la clase de Dr. Shannon:
= desviación estándar

Uso de Excel
Fórmulas en una hoja de Excel para el ejemplo
del Dr. Shannon
Programa 2.1A
Uso de Excel
Resultados de Excel para el ejemplo del Dr. Shannon
Varianza
Desviación estándar
Programa 2.1B

Distribución de probabilidad para una
variable aleatoria continua
Dado que las variables aleatorias pueden tomar un
número infinito de valores, deben modificarse las reglas
de probabilidad fundamentales para variables aleatorias
continuas.
■ La suma de los valores de probabilidad debe ser
igual a 1.
■ La probabilidad de cada valor de la variable
aleatoria debe ser 0 o la suma sería infinitamente
grande.
La distribución de probabilidad se define por una función
matemática continua llamada función de densidad de
probabilidad o simplemente función de probabilidad.
■ Se representa con f (X).
Distribución de probabilidad para una
variable aleatoria continua
Probabilidad
| | | | | | |
5.06 5.10 5.14 5.18 5.22 5.26 5.30
Peso (gramos)
Figure 2.6
La distribución binomial
■ Muchos experimentos de negocios se pueden

caracterizar por un proceso Bernoulli.
■ El proceso Bernoulli se describe con la
distribución de probabilidad binomial.
1. Cada ensayo tiene solo dos posibles
resultados.
2. La probabilidad no cambia de un ensayo al
siguiente.
3. Los ensayos son estadísticamente
independientes.
4. El número de ensayos es un entero positivo.

La distribución binomial se utiliza para encontrar
la probabilidad de un número específico de
éxitos en n ensayos.
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

La fórmula binomial es:
El símbolo ! significa factorial, y

n! = n(n – 1)(n – 2)…(1)
Por ejemplo,
4! = (4)(3)(2)(1) = 24
Por definición
1! = 1 y 0! = 1

Distribución binomial para n = 5 y p = 0.50.
NÚMERO DE 5!
CARAS (r) Probabilidad = (0.5)r(0.5)5 – r
r!(5 –
5! r)!
0 0.03125 = (0.5)00!(5
(0.5)–
5–0
0)!
5!5 – 1
1 0.15625 = (0.5)11!(5
(0.5)– 1)!
5!5 – 2
2 0.31250 = (0.5)22!(5
(0.5)– 2)!
5!5 – 3
3 0.31250 = (0.5)33!(5
(0.5)– 3)!
5!5 – 4
4 0.15625 = (0.5) 4!(5
4
(0.5)– 4)!
5!5 – 5
Tabla 2.7 5 0.03125 = (0.5) 5!(5
5
(0.5)– 5)!

Solución de problemas con la
fórmula binomial
Queremos encontrar la probabilidad de 4 caras en 5 lanzamientos.
n = 5, r = 4, p = 0.5 y q = 1 – 0.5 = 0.5
Entonces,
P = (4 éxitos en 5 ensayos) =

Solución de problemas con la
fórmula binomial
Distribución de probabilidad binomial para n = 5 y p = 0.50.
0.4 –
Probabilidad P (r)
0.3 –
0.2 –
0.1 –
| | | | | | |
0–
Figura 2.7 1 2 3 4 5 6
Valores de r (número de éxitos)
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.

tablas binomiales
P
n r 0.05 0.10 0.15
5 0 0.7738 0.5905 0.4437
1 0.2036 0.3281 0.3915
2 0.0214 0.0729 0.1382
3 0.0011 0.0081 0.0244
4 0.0000 0.0005 0.0022
5 0.0000 0.0000 0.0001
Tabla 2.8 (parcial)
Encontramos las 3 probabilidades en la tabla

para n = 5, p = 0.15 y r = 3, 4 y 5 y los sumamos.

tablas binomiales
P
n r 0.05 0.10 0.15
5 0 0.7738 0.5905 0.4437
1 0.2036 0.3281 0.3915
2 0.0214 0.0729 0.1382
3 0.0011 0.0081 0.0244
4 0.0000 0.0005 0.0022
5 0.0000 0.0000 0.0001
Tabla 2.8 (parcial)
Encontramos las 3 probabilidades en la

tabla para n = 5, p = 0.15 y r = 3, 4, y 5 y los
sumará

tablas binomiales
El valor esperado (o media) y la varianza de una
variable aleatoria binomial se determina con facilidad.
Valor esperado (media) = np

Varianza = np(1 – p)
Para el ejemplo de MSA :

Uso de Excel
Función para probabilidades binomiales en una hoja de
Excel 2010
Programa 2.2A

Uso de Excel
Resultados de Excel para el ejemplo binomial
Programa 2.2B

La distribución normal
La distribución normal es una de las
distribuciones de probabilidades continuas
más populares y útiles.
■ La función de densidad de probabilidad está
dada por la fórmula que es un tanto compleja:
■ La distribución normal queda especificada por

completo cuando se conocen los valores de la
media, µ, y la desviación estándar, σ.

■ La distribución normal es simétrica y su punto

medio está en la media.
■ Cambiando la media no cambia la forma de la
distribución.
■ Los valores en el eje X se miden en términos de
cuántas desviaciones estándar están separados de
la media.
■ Cuando la desviación estándar se hace más
grande, la curva se aplana.
■ Cuando la desviación estándar se hace más
pequeña, la curva es más pronunciada.

| | |
40 µ = 50 60
µ más pequeña, σ sin cambio
| | |
µ = 40 50 60
µ más grande, σ sin cambio
| | |
40 50 µ = 60
Figura 2.8
µ sin cambio, σ más pequeña
µ sin cambio, σ más grande
Figura 2.9
µ
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
Por ejemplo, µ = 100, σ = 15 y nos interesa encontrar la

probabilidad de que la variable aleatoria X sea menor que 130.
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

Paso 2
Buscar la probabilidad en la tabla de áreas de la curva
normal.
■ Use la tabla 2.9 o el apéndice A (parte inferior).
■ La columna de la izquierda numera los valores de Z.
■ La fila superior tiene los segundos lugares decimales
para Z.
ÁREA BAJO LA CURVA NORMAL

Z 0.00 0.01 0.02 0.03
1.8 0.96407 0.96485 0.96562 0.96638
P(X < 130)
1.9 0.97128 0.97193 0.97257 0.97320 = P(Z < 2.00)
2.0 0.97725 0.97784 0.97831 0.97882
2.1 0.98214 0.98257 0.98300 0.98341 = 0.97725
2.2 0.98610 0.98645 0.98679 0.98713
Tabla 2.9 (parcial)

Compañía Haynes Construction
La compañía Hynes Construction construye edificios

de tres apartamentos y cuatro apartamentos
(llamados tríplex y cuádruplex, respectivamente).
■ El tiempo total de construcción en días sigue
una distribución normal
■ Para los tríplex, µ = 100 días y σ = 20 días.
■ El contrato exige terminar un edificio de tres
apartamentos en 125 días con penalización por
retraso.
■ ¿Cuál es la probabilidad de cumplir en 125
días?

Desde apéndice A, para Z =

1.25 el área es 0.89435.
■ La probabilidad de no
incumplir con el contrato
es de 0.89.
µ = 100 días X = 125 días

Figura 2.11
σ = 20 días

Supongamos que si la empresa termina el edificio

de tres apartamentos en 75 días o menos, obtendrá
un bono de $5,000.
¿Cuál es la probabilidad de que Hynes reciba el

bono?

Sin embargo, el apéndice A

tiene solo valores de Z
positivos, y la probabilidad que
estamos buscando está en el
extremo negativo.
P(X < 75 días)
Área de interés
X = 75 días µ = 100 días

Figura 2.12
Puesto que la curva es

simétrica, vemos que la
probabilidad en el extremo
positivo se aleja la misma
distancia de la media..
P(X > 125 días)
Área de interés

■ Sabemos que la
probabilidad de que
termine en menos de
125 días es de 0.89435.
■ Así la probabilidad de
que termine en más de
125 días es
1 – 0.89435 = 0.10565.

La probabilidad de
terminar en más de 125
días es
1 – 0.89435 = 0.10565.
De vuelta al
extremo izquierdo
de la distribución:
X = 75 días µ = 100 días
La probabilidad de que termine en menos de

75 días es 0.10565.
¿Cuál es la probabilidad de que la construcción del

edificio de tres apartamentos tome entre 110 y 125
días?
Sabemos que la probabilidad de que Haynes
termine en menos de 125 días, P(X < 125) =
0.89435.
Tenemos que completar la probabilidad de

terminar en 110 días y encontrar el área entre
esos dos eventos.

Del apéndice A, para Z = 0.5 el

área es 0.69146.
P(110 < X < 125) = 0.89435 –
0.69146 = 0.20289.
σ = 20 días
µ = 100 110 125

Figura 2.13
días días días
Uso de Excel
Función de la distribución normal para el ejemplo
en una hoja de Excel 2010
Programa 2.3A
Uso de Excel
Resultados de Excel para el ejemplo de la
distribución normal
Programa 2.3B
La regla empírica
Para una variable aleatoria distribuida normalmente
con µ media y desviación estándar σ, entonces
1. Aproximadamente 68% de los valores estarán

dentro de ±1 σ de la media.
2. Aproximadamente 95.4% de los valores estarán

3. Aproximadamente 99.7% de los valores estarán


La regla empírica
16% 68% 16%
–1σ +1σ
a µ b
2.3 95.4 2.3

% % %
–2σ +2σ
a µ b
0.15 99.7 0.15

% % %
Figura 2.14 –3σ +3σ

a µ b

La distribución F
■ Es una distribución de probabilidad continúa.

■ El estadístico F es la razón de dos varianzas.
■ La distribución F tiene dos conjuntos de grados de
libertad.
■ Los grados de libertad se basan en el tamaño
muestral y se utilizan para calcular el numerador y
el denominador de la razón.
df1 = grados de libertad para el numerador

df2 = grados de libertad para el denominador
■ Las probabilidades de grandes valores de F son
muy pequeñas.
La distribución F
Fα
Figura 2.15

La distribución F
Considere el ejemplo: df1 = 5

df2 = 6
α = 0.05
Del apéndice D,
Fα, df1, df2 = F0.05, 5, 6 = 4.39
lo cual significa
P(F > 4.39) =
0.05
La probabilidad es solo de 0.05 de que F excederá 4.39.
La distribución F
Valor F para probabilidad de

0.05 con 5 y 6 grados de
libertad
0.05
F = 4.39
Figura 2.16

Uso de Excel
Dados los grados de libertad y la

probabilidad α = 0.05, esto regresa el valor
de F correspondiente a 5% del área de la
cola derecha.
Esto da la probabilidad a la derecha del

valor de F que se especifica.
Program 2.4A
Uso de Excel
Resultados de Excel para la distribución F
Programa 2.4B
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)

La distribución exponencial
f(X)
X
Figura 2.17
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.
¿Cuál es la probabilidad de que el tiempo para instalar

un silenciador nuevo sea de ½ hora o menos?

Donde:
X = tiempo de servicio con distribución exponencial
µ = número promedio que se puede atender por periodo
= 3 por hora
t = ½ hora = 0.5 horas
P(X≤0.5) = 1 – e-3(0.5) = 1 – e -1.5 = 1 = 0.2231 = 0.7769

Nótese también que si:
P(X≤0.5) = 1 – e-3(0.5) = 1 – e -1.5 = 1 = 0.2231 = 0.7769
Entonces, debe ser el caso que:
P(X>0.5) = 1 - 0.7769 = 0.2231

Probabilidad de que el mecánico instale un silenciador en 0.5 horas.
Figura 2.18
Uso de Excel
Función para la distribución exponencial en una hoja
de cálculo de Excel
Programa 2.5A
Uso de Excel
Resultados de Excel para la distribución exponencial
Programa 2.5B

La distribución de Poisson
■ La distribución de Poisson es una distribución
discreta que se usa en muchos modelos de
líneas de espera para representar patrones de
llegada a lo largo del tiempo. Su función de
probabilidad está dada por:
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
La media y la varianza de la distribución son
ambas iguales λ.
Valor esperado = λ
Varianza = λ

Podemos utilizar el apéndice C para encontrar
probabilidades de Poisson. Suponga que λ = 2. Algunos
cálculos de probabilidad son:

Distribuciones de Poisson muestra con λ = 2 y λ = 4
Figura 2.19

Uso de Excel
Funciones para la distribución de Poisson en una
hoja de cálculo de Excel 2010
Programa 2.6A

Uso de Excel
Resultados de Excel para la distribución de Poisson
Programa 2.6B

La distribuciones exponencial y
de Poisson están relacionadas
■ Si el número de ocurrencias por periodo sigue
una distribución de Poisson, entonces, el tiempo
entre ocurrencias sigue una distribución
exponencial:
➢ Suponga que el número de llamadas
telefónicas que llegan a un centro de servicio a
clientes sigue una distribución de Poisson con
media de 10 llamadas por hora.
➢ El tiempo entre cada llamada será exponencial
con tiempo medio entre llamadas de 1/10
horas (6 minutos)..

Copyright
Todos los derechos reservados. Ni la totalidad ni parte de esta

publicación pueden reproducirse, registrarse o transmitirse, por
un sistema de recuperación de información, en ninguna forma
ni por ningún medio, sea electrónico, mecánico, fotoquímico,
magnético o electroóptico, por fotocopia, grabación o cualquier
otro, sin permiso previo por escrito del editor.
Copyright © 2012 Pearson Educación.

Cap. 2. Conceptos de Probabilidad y Aplicaciones

Cargado por

Copyright:

Formatos disponibles

También podría gustarte

Cap. 2. Conceptos de Probabilidad y Aplicaciones

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

Cap. 2. Conceptos de Probabilidad y Aplicaciones

Cargado por

Copyright:

Formatos disponibles

Capítulo 2

Métodos cuantitativos para los negocios, 11a. ed.,

1. Comprender los elementos básicos del análisis de

Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-3

2.8 Variables aleatorias

Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-4

■ La vida sería más sencilla si

Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-5

2. La suma de las probabilidades simples

Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-6

Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-8

Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-9

Número de ocurrencias del evento

■ Método lógico o clásico

1 Número de formas de obtener cara

Probabilidad subjetiva se basa en

Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-11

Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-12

Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-13

Saque una carta del mazo de 52 cartas

P (sacar un 7) = 4/52 = 1/13

Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-14

Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-15

P (evento A o evento B) = P (evento A) + P (evento B)

P (espada o trébol)= P (espada) + P (trébol)

Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-17

Eventos que son Eventos que no son

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

Los eventos pueden ser

Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-19

2. a) Sacar un jack de corazones de un mazo de 52 cartas Eventos

3. a) Los cachorros de Chicago ganan la Liga Nacional

Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-20

▪ La probabilidad conjunta de que ocurran dos o más eventos

Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-21

Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-22

1. La probabilidad de extraer una pelota negra la

Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-23

Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-24

Calcular una probabilidad condicional es un poco más

Suponga que tenemos una urna que contiene 10

P (WL) = 4/10 = 0.4 P (YL) = 3/10 = 0.3

La probabilidad condicional de que la pelota extraída

P (YL) = P (L | Y) x P (Y) = (0.75)(0.4) = 0.3

Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-28

P (MT) = P (T | M) x P (M) = (0.70)(0.40) = 0.28

Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-29

Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-30

Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-31

Calculamos las probabilidades conjuntas P

Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-34

A P(B | A) x P(A) = P(B y A) P(B y A)/P(B) = P(A|B)

Dado legal 0.166 x 0.5 = 0.083 0.083 / 0.383 = 0.22

Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-36

Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-37

▪Si es posible, realice los experimentos varias veces.

Lanzamos el dado otra vez y

Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall 2-38