Académique Documents
Professionnel Documents
Culture Documents
PROFESIONAL
TRABAJO No.
PROBABILIDADES (ESTADISTICA)
PROBABILIDAD
Pgina 1
INDICE
Introduccin.................................................................................
Probabilidad.................................................................................
Enfoque Clasico...........................................................................
Evento..........................................................................................
Tipos de Evento............................................................................
Espacio Muestral..........................................................................
Experimento Aleatorio..................................................................
Tipos de Experimento Aleatorio....................................................
Experimento Determinstico.........................................................
Teorema de Bayes........................................................................
Distribucin de Poisson................................................................
Distribucin Binomial..................................................................
Distribucin Normal.....................................................................
Conclusin...................................................................................
3
4
5
6
7
7
7
8
9
9
10
11
12
14
Introduccin
La probabilidad es una herramienta de ayuda para la toma de decisiones
porque proporciona una forma de medir, expresar y analizar las incertidumbres
PROBABILIDAD
Pgina 2
Probabilidad
La probabilidad constituye un importante parmetro en la determinacin
de las diversas casualidades obtenidas tras una serie de eventos esperados
dentro de un rango estadstico.
PROBABILIDAD
Pgina 3
Lo anterior nos indica que es muy probable que 1.2 productos de cada
100 que se manufacturen en esa lnea sern defectuosos.
Los tres mtodos para calcular las probabilidades son la regla de la
adicin, la regla de la multiplicacin y la distribucin binomial.
Enfoque Clsico
PROBABILIDAD
Pgina 4
Evento
Un evento es el resultado posible o un grupo de resultados posibles de un
experimento y es la mnima unidad de anlisis para efectos de clculos
probabilsticos los eventos se clasifican de la siguiente forma:
o Mutuamente excluyentes: aquellos que no pueden ocurrir al mismo
tiempo. Ejemplo: cara o escudo.
o Independientes: Estos
no
se
ven
afectados
por
otros
Pgina 5
Tipos de evento
o Suceso simple o elemental: Aquel suceso que est formado por un nico
resultado del espacio muestral.
o Suceso compuesto: Aquel suceso que est determinado por 2 o ms
resultados del mismo.
o Suceso seguro: Aquel suceso que est formado por todos los resultados
posibles del experimento y por tanto, coincide con el espacio muestral.
o Suceso imposible: Aquel suceso que nunca se verifica. Se representa con
la letra.
Espacio Muestral
En la teora de probabilidades, el espacio muestral o espacio de
muestreo (denotado E, S, o U) consiste en el conjunto de todos los posibles
resultados individuales de un experimento aleatorio.
Los espacios de muestreo aparecen de forma natural en una
aproximacin elemental a la probabilidad, pero son tambin importantes en
espacios de probabilidad.
Variable Aleatoria
Pgina 6
especiales.
Se
emplean
solamente
cuando
los
clculos
Pgina 7
aplicacin reiterada de una frmula, obtenindose una secuencia {x0, x1, x2, ...
xn} de nmeros que imitan los valores de una variable uniformemente
distribuida en el intervalo [0, 1).
Se dice que una funcin
Para ver la frmula seleccione la opcin "Descargar" del men superior
es una variable aleatoria si la "suerte" de realizacin de sus posibles valores
puede establecerse con ayuda de los resultados de la experiencia aleatoria en
estudio, cuyo espacio muestral es . Se trata, en definitiva, de una funcin
que asigna un valor numrico a cada uno de los resultados de una experiencia
aleatoria.
En estadstica y teora de probabilidad una variable aleatoria se define como el
resultado numrico de un experimento aleatorio. Matemtico es una mapa
Para ver la frmula seleccione la opcin "Descargar" del men superior
que da un valor numrico a cada suceso en el espacio de los resultados
posibles del experimento.
Se distinguen entre:
Pgina 8
Sugerencia:
El valor esperado de una variable aleatoria discreta es un promedio pesado del
valor de cada resultado posible multiplicado por la probabilidad de dicho
PROBABILIDAD
Pgina 9
probabilidades,
obteniendo
la
funcin
de
distribucin
de
probabilidades:
F(x) = p(xj)
Esta funcin representa la probabilidad de que la variable aleatoria sea menor
o igual que un determinado valor:
F(xj) = P (X < xj)
PROBABILIDAD
Pgina 10
Resultado
Pgina 11
Condicin
0<=g<0.25
0.25<=g<0.75
0.75<=g<0.875
0.875<=g<1
Una vez visto un caso particular, el problema general puede formularse del
siguiente modo:
Si X es una variable aleatoria discreta cuyos posible resultados son {x0, x1,
x2 , ... xn-1} y sean {p0, p1, p2, ... pn} sus respectivas probabilidades. Al sortear
un nmero aleatorio g, uniformemente distribuido en el intervalo [0, 1), se
obtiene el resultado xi, si se verifica la siguiente condicin
Para ver la frmula seleccione la opcin "Descargar" del men superior
Pgina 12
Pgina 13
Valor Esperado
Se entiende por valor esperado al medio aritmtico probabilstico el cual puede
ser calculado con la siguiente frmula: XE = n XK . PK
PROBABILIDAD
Pgina 14
Donde:
XE = Valor esperado.
XK = Valor del resultado K.
PK = Probabilidad del resultado K.
n = Nmero total de resultados.
Los promedios son parte de nuestro diario vivir. Nosotros escuchamos el
promedio de lluvia en una ciudad en un ao, el promedio de temperatura en
Agosto, el promedio de edad de los trabajadores de una empresa, entre otros.
El objetivo de esta seccin es mostrar algunas caractersticas numricas de
una distribucin poblacional. El ms comn promedio utilizado en estadstica es
la media o valor esperado o esperanza matemtica.
Para ver la frmula seleccione la opcin "Descargar" del men superior
Pgina 15
Pgina 16
Distribucin de Probabilidad
Una distribucin de probabilidad la podemos concebir como una distribucin
terica de frecuencia, es decir, es una distribucin que describe como se
espera que varen los resultados. Dado que esta clase de distribuciones se
ocupan de las expectativas son modelos de gran utilidad para hacer inferencias
y tomar decisiones en condiciones de incertidumbre.
Variable Aleatoria
Es aquella que asume diferentes valores a consecuencia de los resultados de
un experimento aleatorio.
Estas variables pueden ser discretas o continuas. Si se permite que una
variable aleatoria adopte slo un nmero limitado de valores, se le llama
variable aleatoria discreta. Por el contrario, si se le permite asumir cualquier
valor dentro de determinados lmites, recibe el nombre de variable aleatoria
continua.
El Valor Esperado
El valor esperado es un concepto fundamental en el estudio de las
distribuciones de probabilidad. Desde hace muchos aos este concepto ha sido
aplicado ampliamente en el negocio de seguros y en los ltimos veinte aos ha
sido aplicado por otros profesionales que casi siempre toman decisiones en
condiciones de incertidumbre.
Para obtener el valor esperado de una variable aleatoria discreta, multiplicamos
cada valor que sta puede asumir por la probabilidad de ocurrencia de ese
PROBABILIDAD
Pgina 17
a.
Pruebas paramtricas
Requieren
1.
2.
1.
Pgina 18
c.
2.
Pruebas no paramtricas
Los datos estn en escala nominal u ordinal
Pgina 19
los valores
comparar. Cuanto
ms se
aleje
del
valor 0,
Chi-cuadrado
El llamado Test de Chi-cuadrado Es muy usual la necesidad de hacer una
comparacin global de grupos de frecuencias. Para este problema el mtodo
es diferente, pues el test que se utiliza se denomina Chi-Cuadrado de Pearson,
y con ese test lo que queremos determinar es si la frecuencia observada de un
fenmeno es significativamente igual a la frecuencia terica prevista, o s, por
el contrario, estas dos frecuencias acusan una diferencia significativa para, por
ejemplo, un nivel de significacin del 5%. Las posibles aplicaciones son
PROBABILIDAD
Pgina 20
Pgina 21
Pgina 22
Pruebas no paramtricas:
Se denominan pruebas no paramtricas aquellas que no presuponen una
distribucin de probabilidad para los datos, por ello se conocen tambin como
de distribucin libre (distribution free). En la mayor parte de ellas los resultados
estadsticos se derivan nicamente a partir de procedimientos de ordenacin y
recuento, por lo que su base lgica es de fcil comprensin. Cuando
trabajamos con muestras pequeas (n < 10) en las que se desconoce si es
vlido suponer la normalidad de los datos, conviene utilizar pruebas no
paramtricas, al menos para corroborar los resultados obtenidos a partir de la
utilizacin de la teora basada en la normal.
En estos casos se emplea como parmetro de centralizacin la mediana, que
es aquel punto para el que el valor de X est el 50% de las veces por debajo y
el 50% por encima.
PROBABILIDAD
Pgina 23
PROBABILIDAD
Pgina 24
Ejemplos:
Pgina 25
Ejemplos:
Pgina 26
2.
3.
1.
Donde:
m = media de la distribucin
E(x) = valor esperado de x
xi = valores que toma la variable
PROBABILIDAD
Pgina 27
Solucin:
Haciendo uso de un diagrama de rbol, usando las literales siguientes,
se obtiene el espacio muestral d como se muestra a continuacin;
N = no sufre de algn desperfecto en el motor los primeros 12 meses de
uso
S = sufre de algn desperfecto en el motor los primeros 12 meses de uso
Para ver el grfico seleccione la opcin "Descargar" del men superior
d = { NNN, NNS, NSN, NSS, SNN, SNS, SSN, SSS}
PROBABILIDAD
Pgina 28
SSN)=(0.98)(0.02)(0.02)+(0.02)(0.98)(0.02)+(0.02)
(0.02) (0.98)=
=0.001176
p(x=2)=p(NNS,NSN,SNN)=(0.98)(0.98)(0.02)+(0.98)(0.02)(0.98)+ (0.02)
(0.98)(0.98)==0.057624
p(NNN) = (0.98)(0.98)(0.98) =0.941192
Por tanto la media o valor esperado se determina de la siguiente
manera:
m =E(x) =
(0)(0.000008)+(1)(0.001176)+(2)(0.057624)+(3)
(0.94119)=
=0.0+0.001176+0.115248+2.823576=2.94@ 3 autos que no sufren algn
desperfecto en el motor en los primeros 12 meses de uso
La interpretacin de la media o valor esperado es; se espera que los 3
autos probados no sufran de algn desperfecto en el motor en los
primeros 12 meses de uso.
=
PROBABILIDAD
Pgina 29
0.2497@ 0.0
Pgina 30
NDN,
NND)=(0.1)(0.9)(0.9)+(0.9)(0.1)(0.9)+(0.9)(0.9)
DND,
NDD)=(0.1)(0.1)(0.9)+(0.1)(0.9)(0.1)+(0.9)(0.1)
(0.1)=0.243
p(x=2)=p(DDN,
(0.1)=0.027
p(x=3)=p(DDD)=(0.1)(0.1)(0.1)=0.001
Distribucin de probabilidad
3.
P(x)
2.
b)
(0)(0.729)+(1)(0.243)+(2)(0.027)+(3)(0.001)=
3.
4.
Interpretacin:
PROBABILIDAD
Pgina 31
5.
6.
7.
8.
Interpretacin:
9.
10.
Solucin:
11.
12.
13.
14.
15.
16.
Pgina 32
17.
18.
19.
20.
21.
22.
@ 1 pozo beneficiado
23.
Interpretacin:
24.
Se espera que solo 1 de los tres pozos perforados sea el que pueda ser
beneficiado.
25.
26.
Interpretacin:
27.
28.
PROBABILIDAD
Pgina 33
p(x)
0.
a.
b.
c.
d.
Solucin:
a)
p(x)
P(x)
b)
@ 1 defecto
Interpretacin:0.16, 0.05 ,0.01
PROBABILIDAD
Pgina 34
Interpretacin:
El nmero de defectos esperado puede variar en 1 defecto, es decir que el
nmero de defectos esperado por cada 10 metros de tela puede variar de 0 a
2.
c) p(x 2)= p(x=0) + p(x=1) + p(x=2) = 0.41+0.37+0.16 = 0.94
d) p(x 2) = p(x=2) + p(x=3) + p(x=4) = 0.16 + 0.05 + 0.01= 0.22
Ejemplo: Consideremos a la variable aleatoria X como la cantidad de guilas
observadas cuando se lanzan dos volados. El espacio muestral es el conjunto
{AA, AS, SA, SS} y se puede ver que la variable X puede tomar como valores
0, 1 y 2.
Calculando las probabilidades tenemos:
X
PROBABILIDAD
Pgina 35
0 P(X=x) 1.
3.
Pgina 36
2.
3.
f(x) 0 Las probabilidades asociadas a cada uno de los valores que toma
x deben ser mayores o iguales a cero. Dicho de otra forma, la funcin de
densidad de probabilidad deber tomar solo valores mayores o iguales a
cero. La funcin de densidad de probabilidad slo puede estar definida en
los cuadrantes I y II.
4.
PROBABILIDAD
Pgina 37
PROBABILIDAD
Pgina 38
Otra posible solucin es reducir la amplitud de los intervalos, de tal suerte que
podramos tomar una amplitud de tres das por intervalo y hacer la siguiente
distribucin de frecuencias:
Para ver el cuadro seleccione la opcin "Descargar" del men superior
Al seguir reduciendo la amplitud a dos das se obtiene la distribucin:
Para ver el cuadro seleccione la opcin "Descargar" del men superior
Y al reducirla a intervalos de un da se tiene la distribucin:
Para ver el cuadro seleccione la opcin "Descargar" del men superior
Ahora, veamos. Lo que le interesa al futuro cliente es la probabilidad de que se
haga una entrega en un cierto tiempo, por lo que habra que considerar las
frecuencias relativas y, como antes, reducir la amplitud de los intervalos. Con
esto se obtendran las siguientes distribuciones de frecuencias:
Para ver los cuadros seleccione la opcin "Descargar" del men superior
Intervalos de dos das
Intervalos de un da
Y podramos graficar tal informacin en histogramas para poder ver cmo se
aproximan, si es que ocurre, los valores a una curva continua:
Para ver el grfico seleccione la opcin "Descargar" del men superior
donde las barras rosas (y la lnea roja) corresponden a los intervalos de cinco
das; las barras y lnea azules, a los intervalos de tres das; las barras y lnea
amarillas, a los intervalos de dos das; y las barras y lneas verdes, a los
intervalos de un da.
Se han incluido de una vez las lneas que unen los puntos medios de las barras
del histograma porque se puede ver que las barras de las frecuencias relativas
PROBABILIDAD
Pgina 39
se "achaparran" y las lneas graficadas estn tan separadas del lado izquierdo
(en este caso) que no se puede hablar de una aproximacin continua a una
sla lnea.
Una posible solucin es utilizando la densidad del intervalo, que se va a
definir como el cociente de la frecuencia relativa entre la amplitud del intervalo:
PROBABILIDAD
Pgina 40
Igual que en el caso anterior, se han graficado simultneamente las barras y las
lneas que unen los puntos medios de stas para observar que con la densidad
s se aproximan los histogramas a una lnea continua (que la mejor
aproximacin presentada es la lnea azul) cuando los intervalos se reducen
continuamente.
PROBABILIDAD
Pgina 41
PROBABILIDAD
Pgina 42
un
porcentaje
que
representa
para
algn
obtener
sus
fenmeno.
valores;
La
y
la
Pgina 43
comparar
los
valores
observados
con
los
esperados.
La
2.
3.
Pgina 44
1.
b.
c.
2.
Solucin:
a.
1.
1.
2.
0.5
1.0
1.4
2.1
2.7
PROBABILIDAD
Pgina 45
3.0
2.
s nos
c.
PROBABILIDAD
Pgina 46
1.
b.
c.
2.
PROBABILIDAD
Pgina 47
B.
C.
PROBABILIDAD
Pgina 48
Ejemplo
Para ver el grfico seleccione la opcin "Descargar" del men superior
Si la media es menor que la mediana (la media a la izquierda de la mediana)
entonces la distribucin est sesgada a la izquierda (negativamente)
Ejemplo
Para ver el grfico seleccione la opcin "Descargar" del men superior
Nota
En estos casos la media siempre est ms cerca del sesgo que la mediana.
Relacin entre las grficas de dos distribuciones con medidas de
tendencia central y dispersin iguales o diferentes
A.
B.
C.
Pgina 49
B.
Si los bigotes y las partes de la caja son todos del mismo largo,
entonces la distribucin es rectangular o uniforme. Tiene la misma
frecuencia en cada uno de sus valores.
E.
C.
PROBABILIDAD
Pgina 50
el
lector.
aleatoria.
Pgina 51
su promedio pesadoo sobre todos los resultados posibles, siendo los pesos la
probabilidad asociada con cada uno de los resultados.
Todos los procedimientos paramtricos tienen tres caractersticas distintivas:
Los procedimientos de prueba paramtricos pueden definirse como aquellos
1)que requieren que el nivel de medicin obtenido con los datos recolectados
est en forma de una escala de intervalo o de una escala de cociente;
2)implican la prueba de hiptesis de valores de parmetros especificados 3) y
por ltimo requieren un conjunto limitante de suposiciones.
Procedimientos
sin
distribucin
no
paramtricos
Experimento aleatorio
PROBABILIDAD
Pgina 52
Pgina 53
Experimento Determinstico
Los experimentos determinsticos son aquellos en los que podemos
predecir el resultado antes de que se realicen.
Ejemplo: Si dejamos caer una piedra desde una ventana sabemos sin lugar a
dudas que la piedra bajar. Si la arrojamos hacia arriba sanemos que subir
durante un determinado intervalo de tiempo pero despus bajar.
Teorema de Bayes
El teorema de Bayes, enunciado por Thomas Bayes, en la teora de la
probabilidad, es el resultado que da la distribucin de probabilidad condicional
de un evento aleatorio A dado B en trminos de la distribucin de probabilidad
condicional del evento B dado A y la distribucin de probabilidad marginal de
slo A.
Teorema
Sea {A1,A3,...,Ai,...,An} un conjunto de sucesos mutuamente excluyentes
y exhaustivos, y tales que la probabilidad de cada uno de ellos es distinta de
cero. Sea B un suceso cualquiera del que se conocen las probabilidades
condicionales P (B | A). Entonces, la probabilidad P (A | B) viene dada por la
expresin:
Donde:
P (B | A) es la probabilidad de B en la hiptesis A.
PROBABILIDAD
Pgina 54
Distribucin de Poisson
Se llama as en honor a Simen Dennis Poisson (1781 - 1840), francs que
desarrollo esta distribucin la cual describe la cantidad de veces que ocurre un
evento en un intervalo determinado.
Caractersticas:
En este tipo de experimento los xitos buscados son expresados por
unidad de rea, tiempo, pieza, etc.:
de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc, etc.
PROBABILIDAD
Pgina 55
Pgina 56
Pgina 57
La distribucin Normal
Se trata, sin duda, del modelo continuo ms importante en estadstica,
tanto por su aplicacin directa, veremos que muchas variables de inters
general pueden describirse por dicho modelo, como por sus propiedades, que
han permitido el desarrollo de numerosas tcnicas de inferencia estadstica. En
realidad, el nombre de Normal proviene del hecho de que durante un tiempo se
crey, por parte de mdicos y bilogos, que todas las variables naturales de
inters seguan este modelo.
Su funcin de densidad viene dada por la frmula:
PROBABILIDAD
Pgina 58
Se
aplica
la
siguiente
formula
de
de
distribucin normal :
La grafica de las reas bajo la curva normal para los valores de Z-1 Y Z-2
queda de la siguiente manera:
PROBABILIDAD
Pgina 59
PROBABILIDAD
Pgina 60
Pgina 61
PROBABILIDAD
Pgina 62
Conclusin
La estadstica es una rama de la matemtica que est no se encuentra
muy visible en lo cotidiano pero que en realidad es de mucha utilidad para
interpretar y ver desde un punto de vista muy general datos que se obtienen. A
travs de sus grficas, medidas de tendencia central y de dispersin podemos
ver ms claro y concreto un conjunto de datos que se nos hacen muy
complicados, en resumen son un verdadero mtodo de ayuda para informar.
PROBABILIDAD
Pgina 63