PROBABILIDAD.

Una probabilidad es un valor numrico que representa la oportunidad o posibilidad de que un

evento en particular ocurra, tal como el aumento en el precio de una accin, un dia lluvioso, una
unidad de produccin no conformada, o que caiga el cinco al lanzar le dado.
Se define como el cociente de nmeros entre dos casos posibles entre el nmero total de datos.
FORMULA

Es un conjunto universal de los elementos que tienen correspondencia con los resultados de algn
experimento.
PUNTOS MUSTRALES.
Es un experimento a los resultados que corresponden a cada uno de los elementos se le define
como puntos mustrales.
EVENTO.
Es cualquier subconjunto de un espacio muestral.

DIFERENCIAS DE PROBABILIDAD.
Principio de razn insuficiente.
Este principio es fundamental para elegir uno de los resultados o sucesos, esto quiere decir que
todos los sucesos, tienen la misma probabilidad de ser elegidos.
FORMULA

Los sucesos deben de ser simtricos lo que limita mucho su aplicacin dado que los problemas
econmicos de negocios y financieros no guardan simetra.
FRECUENCIA RELATIVA.
Es la razn que guarda en un suceso la aparicin de un evento con respecto con un nmero.
ENFOQUE SUBJETIVO.
La probabilidad de ocurrencia de un suceso se interpreta como una medida de esperanza que se le
asigna a dicho suceso.

AXIOMAS PROBABILISTICOS.
Axioma de incertidumbre
La medida de que ocurra todo el espacio muestral es uno.

Axioma de positividad.
Nunca ser negativa la probabilidad de ningn evento.

Tomando los dos axiomas anteriores tenemos que la probabilidad de cualquier evento varia entre
0 y 1.

Ing. Erika J. Gonzlez Hurtado. Modelos estocsticos.

REGLAS BSICAS DEL CLCULO DE PROBABILIDAD.

Eventos traslapados o mutuamente excluyentes.

P (AUB) = P (A) + P (B) P (A n B)

Eventos disjuntos o no excluyentes.

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

Eventos independientes
P (A n B) = P (A) + P (B)

Eventos de dependientes.
P (AnB) = P (A) * P (B / A)
FORMULA

Eventos complementarios.
P(A)=1-P(A)

A= es el rea rayada, es decir todo lo que esta fuera de A.

Ing. Erika J. Gonzlez Hurtado. Modelos estocsticos.

Para ocupar puestos de analistas de sistemas en una gran empresa en el ltimo ao, 40 contaban
con un gran curricular, y 30 tenan ttulo profesional, sin embargo 20 de los solicitantes tenan
experiencia profesional como ttulo de modo que han sido incluidos en ambos conteos.
Elabore un diagrama de Ven para estos eventos.
Cul es la probabilidad para que un solicitante aleatoriamente elegido tenga ya experiencia laboral
o ttulo o ambos.
Cul es la probabilidad de que un solicitante aleatoriamente elegido ya sea experiencia laboral o
ttulo, pero no ambos.
Para ocupar puestos de analistas de sistemas en una gran empresa en el ltimo ao, 40 contaban
con un gran curricular, y 30 tenan ttulo profesional, sin embargo 20 de los solicitantes tenan
experiencia profesional como ttulo de modo que han sido incluidos en ambos conteos.
1. Elabore un diagrama de Ven para estos eventos.
2. Cul es la probabilidad para que un solicitante aleatoriamente elegido tenga ya
experiencia laboral o ttulo o ambos.
3. Cul es la probabilidad de que un solicitante aleatoriamente elegido ya sea experiencia
laboral o ttulo, pero no ambos.

Ejemplo 2
En general la probabilidad de que un prospecto realice una compra despus de haber sido
contactado por un vendedor es igual a P=.40. Si un vendedor selecciona aleatoriamente a 3
prospectos y establece contacto con ellos: cual es la probabilidad de que los tres realicen una
compra?
Puesto que se supone que las acciones de los prospectos son independientes entre si se aplica la
regla de la multiplicacin para eventos independientes

Ing. Erika J. Gonzlez Hurtado. Modelos estocsticos.

DISTRIBUCIONES DE PROBABILIDAD
1. Variables aleatorias discretas.
2. Binomial
3. Hipergeomtrica
4. Poisson

VARIABLES ALEATORIAS DISCRETAS

Una variable aleatoria es un evento numrico cuyo valor se determina por un proceso aleatorio
cuando a todo los posibles valores numricos de una variable aleatoria x se les asignan valores
de probabilidad ya sea mediante un listado o una funcin matemtica el resultado es una funcin
de probabilidad. La suma de las probabilidades de todos los resultados numricos posibles debe de
ser igual a 1. Valores de probabilidad iguales pueden denotarse con el smbolo F(x), lo que
involucra el uso de una frmula matemtica con: P(x=X) que advierte que la variable aleatoria
puede tener varios valores especficos, o simplemente P(x).
Una variable discreta es una variable aleatoria que puede tomar o asumir un nmero contable de
valores.
Una variable aleatoria continua es una variable aleatoria que puede tomar un nmero infinito de
valores que corresponden a los puntos de un intervalo en una recta.
La distribucin de probabilidad P(x), para una variable aleatoria discreta es una formula, una tabla
o una grfica que proporciona la probabilidad asociada a cada valor de la variable aleatoria,
cumpliendo con las siguientes condiciones:
1) 0 () 1
2) =1 () = 1

Una variable aleatoria continua Es la que puede tomar un nmero infinitamente grande de valore
que corresponde a los puntos en un intervalo de una recta. Las estaturas y los pesos de las
personas, el tiempo entre dos eventos, la vida tli de un equipo de oficina son ejemplo tpicos de
variables aleatorias.
El modelo probabilstico para la distribucin de frecuencias de una variable aleatoria continua
implica la seleccin de una curva generalmente regular o alisada a la que se le llama distribucin
de probabilidad de una variable aleatoria.

Ing. Erika J. Gonzlez Hurtado. Modelos estocsticos.

DISTRIBUCIN BINOMIAL
Es una solucin de probabilidad discreta aplicable como modelo para situaciones de toma de
decisiones en las que puede suponerse que un proceso de muestreo responde a un proceso de
Bernoulli.
Un proceso de Bernulli es un proceso de muestreo en el que:
1. En cada ensayo u observacin solo son posibles dos resultados mutuamente excluyentes;
por convencin estos resultados se llaman xito o fracaso
2. Los resultados de las series de ensayos u observaciones constituyen eventos
independientes.
3. La probabilidad de xito de cada ensayo indicada por P es constante de un ensayo a otro
La distribucin binomial puede servir para determinar la probabilidad de encontrar un nmero
establecido de xitos en proceso de Bernoulli. Se requieren de tres valores:
a) El numero establecidos de xitos (x).
b) El numero de ensayo u observaciones (n).
c) La probabilidad de xito en cada ensayo (P).
Si q=1-Pla frmula para determinar la probabilidad de un numero especifico de xitos x en una
distribucin binomial es:
() =
!
Combinaciones = !()!
= # de pruebas
= Probabilidad de xito en una sola prueba
Faltan formulas

DISTRIBUCIN DE PROBABILIDAD HIPERGEOMTRICA

Recurdese que si se seleccin una muestra aleatoria de consumidores de una poblacin de
consumidores el numero de usuarios que favorece un producto en especfico tendra una
distribucin binomial cuando el tamao muestral es pequeo respecto al numero de
consumidores en la poblacin. Cuando es grande con respecto a el numero a favor del
producto tiene una distribucin de probabilidad hipergeomtrica; la formula esta dada de la
siguiente manera:


() =

Dnde:
= Nmero de elementos de poblacin
= Numero de elementos que tienen una caracterstica especfica
= Numero de elementos

= =

( )()( )
= 2 = 2
( 1)

Ing. Erika J. Gonzlez Hurtado. Modelos estocsticos.

 ( )()( )
= =
2 ( 1)

Con base en los siguientes datos se a determinado que el nmero de camiones de la siguiente
carga que arriba a una cierta hora determinada calcular:
1. El numero esperado de arribos por hora
2. La desviacin estndar de la variable aleatoria discreta

Las observaciones durante un largo periodo muestran que un vendedor determinado puede
concluir una venta en una sola entrevista con una probabilidad de 1.20. Supngase que el
vendedor entrevista a 4 prospectos:
A. Cul es la probabilidad de que 2 prospectos compren el producto
B. Cul es la probabilidad que al menos 2 prospectos compren el artculo
C. Cul es la probabilidad de que todos los prospectos compren el producto.

A causa de las condiciones econmicas imperantes una empresa informa que el 30% de sus cuentas
por cobrar a otras empresas comerciales estn sobre vencidas. Si un contador toma una muestra
aleatoria de 5 de esas cuentas determine la probabilidad de cada uno de los siguientes eventos:
a) Ninguna de las cuentas esta sobre vencida.
b) Exactamente dos cuentas estn sobre vencidas.
c) La mayora de las cuentas estn sobrevenidas.
d) Exactamente el 20% de las cuentas estn sobre vencidas.

Un furgn contena 20 computadoras electrnicas grandes, dos de las cuales estaban defectuosas;
si se selecciona al azar 3 computadoras, cul ser la probabilidad de que alguna de ellas tena
desperfectos.
Cierto grupo departamental se compone de 5 ingenieros y 9 tcnicos, si se elige aleatoriamente a 5
individuos para ser asignados a un proyecto. Cul es la probabilidad de que el grupo encargado del
proyecto incluya exactamente a los 2 ingenieros.

DISTRIBUCIN DE POISSON.
La distribucin de poisson puede usarse para determinar la probabilidad de ocurrencia de un
nmero establecido de eventos cuando estos ocurren en un continuum temporal o espacial. Este
proceso se llama proceso de Poisson; aunque es semejante al proceso de Bernoulli, se distingue de
el, en que los eventos ocurren a lo largo de un continuum (durante un intervalo de temporal, por
ejemplo) y en que no se dan ensayos propiamente dichos. Un ejemplo de un proceso de este tipo
seria la recepcin de llamadas telefnicas en un conmutador. Como es el caso del proceso de
Bernoulli, se supone que los eventos son independientes y el proceso estacionario.
Para determinar la probabilidad de ocurrencia de un nmero establecido de eventos en un proceso
de Poisson solo se requiere de un valor: el nmero medio de eventos a largo plazo en la dimensin
temporal o espacial especifica de inters. Por lo general esta media se representa como (lambda

Ing. Erika J. Gonzlez Hurtado. Modelos estocsticos.

griega), o en ocasiones como (mu). La frmula para determinar la probabilidad de un nmero
establecido de xitos X en una distribucin de Poisson es:

FORMULA

DISTRIBUCIN DE PROBABILIDAD NORMAL

Tabla de Z.

Ing. Erika J. Gonzlez Hurtado. Modelos estocsticos.