INTRODUCCION A LA TEORIA DE PROBABILIDADES

El concepto de probabilidad nace con el deseo del hombre de conocer con certeza los eventos futuros. Es por ello que el estudio de probabilidades surge
como una herramienta utilizada por los nobles para ganar en los juegos y pasatiempos de la poca. El desarrollo de estas herramientas fue asignado a los
matemticos de la corte. Con el tiempo estas tcnicas matemticas se perfeccionaron y encontraron otros usos muy diferentes para la que fueron creadas.
Actualmente se continuo con el estudio de nuevas metodolgias que permitan maximizar el uso de la computacin en el estudio de las probabilidades
disminuyendo, de este modo, los mrgenes de error en los clculos
A travs de la historia se han desarrollado tres enfoques conceptuales diferentes para definir la probabilidad y determinar los valores de probabilidad:
El enfoque clsico: Dice que si hay x posibles resultados favorables a la ocurrencia de un evento A y z posibles resultados desfavorables a la ocurrencia de
A, y todos los resultados son igualmente posibles y mutuamente excluyente (no pueden ocurrir los dos al mismo tiempo), entonces la probabilidad de que
ocurra A es:
P(A) = __x__
(x+z)
El enfoque clsico de la probabilidad se basa en la suposicin de que cada resultado sea igualmente posible. Este enfoque es llamado enfoque a priori
porque permite, (en caso de que pueda aplicarse) calcular el valor de probabilidad antes de observar cualquier evento de muestra.
Ejemplo: Si tenemos en una caja 15 piedras verdes y 9 piedras rojas. La probabilidad de sacar una piedra roja en un intento es:
P(A) = ____9____= 0.375 o 37.5%
9+15
El enfoque de frecuencia relativa: Tambin llamado Enfoque Emprico, determina la probabilidad sobre la base de la proporcin de veces que ocurre un
evento favorable en un numero de observaciones. En este enfoque no ese utiliza la suposicin previa de aleatoriedad. Porque la determinacin de los
valores de probabilidad se basa en la observacin y recopilacin de datos.
Ejemplo: Se ha observado que 9 de cada 50 vehculos que pasan por una esquina no tienen cinturn de seguridad. Si un vigilante de transito se para en
esa misma esquina un ida cualquiera Cul ser la probabilidad de que detenga un vehculo sin cinturn de seguridad?
P(A) = ___9___ = 0.18 o 18%
50
Tanto el enfoque clsico como el enfoque emprico conducen a valores objetivos de probabilidad, en el sentido de que los valores de probabilidad indican al
largo plazo la tasa relativa de ocurrencia del evento.
El enfoque subjetivo: Dice que la probabilidad de ocurrencia de un evento es el grado de creencia por parte de un individuo de que un evento ocurra,
basado en toda la evidencia a su disposicin. Bajo esta premisa se puede decir que este enfoque es adecuado cuando solo hay una oportunidad de
ocurrencia del evento. Es decir, que el evento ocurrir o no ocurrir esa sola vez. El valor de probabilidad bajo este enfoque es un juicio personal.
http://html.rincondelvago.com/probabilidades_1.html

http://es.scribd.com/doc/2374111/Conjuntos-complemento



Mutuamente Excluyente: P(A)B) = 0
eventos mutuamente excluyentes: Eventos que no tiene ningn punto muestral en comn: esto es,
A)B = vaco y P(A)B) = 0

http://www.uca.edu.sv/facultad/clases/maestrias/mafi/m000035/17%20Ejercicios%20probabilidad.pdf


http://www.slideshare.net/RozaMeza/diagramas-de-rbol-mtodos-de-conteo-permutaciones-combinaciones-
principio-multiplicativo-y-aditivo




Varianza y desviacin estndar
La desviacin slo significa qu tan lejos de lo normal
Desviacin estndar
La desviacin estndar () mide cunto se separan los datos.
La frmula es fcil: es la raz cuadrada de la varianza. As que, "qu es la varianza?"
Varianza
la varianza (que es el cuadrado de la desviacin estndar:
2
) se define as:
Es la media de las diferencias con la media elevadas al cuadrado.
En otras palabras, sigue estos pasos:
1. Calcula la media (el promedio de los nmeros)
2. Ahora, por cada nmero resta la media y eleva el resultado al cuadrado (la diferencia elevada al cuadrado).
3. Ahora calcula la media de esas diferencias al cuadrado. (Por qu al cuadrado?)
Ejemplo
T y tus amigos habis medido las alturas de vuestros perros (en milmetros):

Las alturas (de los hombros) son: 600mm, 470mm, 170mm, 430mm y 300mm.
Calcula la media, la varianza y la desviacin estndar.
Respuesta:
Media =
600 + 470 + 170 + 430 + 300
=
1970
= 394

5 5
as que la altura media es 394 mm. Vamos a dibujar esto en el grfico:

Ahora calculamos la diferencia de cada altura con la media:

Para calcular la varianza, toma cada diferencia, elvala al cuadrado, y haz la media:
Varianza:
2
=
206
2
+ 76
2
+ (-224)
2
+ 36
2
+ (-94)
2

=
108,520
= 21,704

5 5
As que la varianza es 21,704.
Y la desviacin estndar es la raz de la varianza, as que:
Desviacin estndar: = 21,704 = 147
y lo bueno de la desviacin estndar es que es til: ahora veremos qu alturas estn a distancia menos de la desviacin estndar (147mm) de la media:

As que usando la desviacin estndar tenemos una manera "estndar" de saber qu es normal, o extra grande o extra pequeo.
Los Rottweilers son perros grandes. Y los Dachsunds son un poco menudos... pero que no se enteren!
*Nota: por qu al cuadrado?
Elevar cada diferencia al cuadrado hace que todos los nmeros sean positivos (para evitar que los nmeros negativos reduzcan la varianza)
Y tambin hacen que las diferencias grandes se destaquen. Por ejemplo 100
2
=10,000 es mucho ms grande que 50
2
=2,500.
Pero elevarlas al cuadrado hace que la respuesta sea muy grande, as que lo deshacemos (con la raz cuadrada) y as la desviacin estndar es mucho ms til.
http://www.disfrutalasmatematicas.com/datos/desviacion-estandar.html

n grfico es una representacin por medio de lneas y aquello perteneciente o relativo a la escritura y a la imprenta. Un peridico y una revista son
medios grficos, por ejemplo.
El concepto proviene del latn graphcus, aunque tiene origen griego. Cuando se aplica a una descripcin,
una operacin o una demostracin, se trata de aquello que se representa a travs de figuras o signos.
Un grfico es, adems, la representacin de datos numricos mediante una o ms lneas que permiten hacer visible la relacin entre los datos: En
este grfico podemos apreciar como las ventas de nuestro producto crecen en el invierno y se contraen en el verano, El gerente me pidi un grfico con los
gastos de la campaa publicitaria y las ventas del mes.
http://definicion.de/grafico/

3) DISTRIBUCIN HIPERGEOMTRICA.

Los experimentos que tienen este tipo de distribucin tienen las siguientes caractersticas:
a) a)Al realizar un experimento con este tipo de distribucin, se esperan dos tipos de resultados.
b) b)Las probabilidades asociadas a cada uno de los resultados no son constantes.
c) c)Cada ensayo o repeticin del experimento no es independiente de los dems.
d) d)El nmero de repeticiones del experimento (n) es constante.


Ejemplo:
En una urna o recipiente hay un total de N objetos, entre los cuales hay una cantidad a de objetos que son defectuosos, si se seleccionan
de esta urna n objetos al azar, y sin reemplazo, cul es la probabilidad de obtener x objetos defectuosos?
Solucin:

Luego;


n N
x n a N x a
C
C * C
) n , x ( p

=
donde:
p(x,n) = probabilidad de obtener x objetos defectuosos de entre n seleccionados

muestras de n objetos en donde hay x que son defectuosos y n-x buenos

todas las muestras posibles de seleccionar de n objetos tomadas de entre N objetos en total = espacio muestral


Considerando que en la urna hay un total de 10 objetos, 3 de los cuales son defectuosos, si de seleccionan 4 objetos al azar, cul es la
probabilidad de que 2 sean defectuosos?

Solucin:

N = 10 objetos en total
a = 3 objetos defectuosos
n = 4 objetos seleccionados en muestra
x = 2 objetos defectuosos deseados en la muestra




donde:

probabilidad asociada a cada muestra de 4 objetos que se seleccionaron, con lo que se demuestra que las probabilidades no son
constantes

formas o maneras de obtener 2 objetos defectuosos entre los 4 seleccionados = muestras de 4 objetos entre los que 2 son defectuosos


Como se observa en el desarrollo de la solucin del problema, la pretensin es demostrar que las probabilidades asociadas a cada uno de los
resultados no son constantes.

Luego la probabilidad de obtener 2 objetos defectuosos entre los 4 seleccionados al azar sera:





Ejemplos:
1. Para evitar que lo descubran en la aduana, un viajero ha colocado 6 tabletas de narctico en una botella que contiene 9 pldoras de vitamina
que son similares en apariencia. Si el oficial de la aduana selecciona 3 tabletas aleatoriamente para analizarlas, a) Cul es la probabilidad de
que el viajero sea arrestado por posesin de narcticos?, b) Cul es la probabilidad de que no sea arrestado por posesin de narcticos?.

Solucin:
a) N = 9+6 =15 total de tabletas
a = 6 tabletas de narctico
n = 3 tabletas seleccionadas
x = 0, 1, 2, o 3 tabletas de narctico = variable que nos indica el nmero de tabletas de narctico que se puede encontrar al seleccionar las 3 tabletas

p(viajero sea arrestado por posesin de narcticos) = p(de que entre las 3 tabletas seleccionadas haya 1 o ms tabletas de narctico)





otra forma de resolver;

p(el viajero sea arrestado por posesin de narcticos) = 1 p(de que entre las tabletas seleccionadas no haya una sola de narctico)

=
x n a N x a
C * C
= = o
n N
C
=

= = = = =

! )! (
!
! )! (
!
*
! )! (
!
C
C * C
C
C * C
) n , x ( p
4 4 10
10
2 2 7
7
2 2 3
3
4 2
4 10
2 7 2 3
4 10
2 4 3 10 2 3
= = = =
! !
!
*
x x x
x x x
! !
! x x x x
! !
! x x
*
! !
! x x
! !
!
! !
!
*
! !
!
2 2
4
7 8 9 10
6 7 2 3
4 6
6 7 8 9 10
2 5
5 6 7
2 1
1 2 3
4 6
10
2 5
7
2 1
3
=
7 8 9 10
6 7 2 3
x x x
x x x
=
! !
!
2 2
4
30 0
20160
6048
4
24
5040
252
2 2
4
7 8 9 10
6 7 2 3
. *
! !
!
*
x x x
x x x
= = = =
= + + = = = =
3 15
0 9 3 6
3 15
1 9 2 6
3 15
2 9 1 6
3 3 2 1
C
C * C
C
C * C
C
C * C
) n ; tabletas , x ( p
81538 0
455
371
455
20 135 216
455
1 20
455
9 15
455
36 6
.
) )( ( ) )( ( ) )( (
= =
+ +
= + + =



b) b)p(no sea arrestado por posesin de narcticos)




http://www.itch.edu.mx/academic/industrial/sabaticorita/_private/03Ddistr%20Hipergeometrica.htm

7. DISTRIBUCIN GEOMTRICA.

Esta distribucin es un caso especial de la Binomial, ya que se desea que ocurra un xito por primera y nica vez en el ltimo ensayo que se realiza
del experimento, para obtener la frmula de esta distribucin, haremos uso de un ejemplo.

Ejemplo:
Se lanza al aire una moneda cargada 8 veces, de tal manera que la probabilidad de que aparezca guila es de 2/3, mientras que la probabilidad de
que aparezca sello es de 1/3, Determine la probabilidad de que en el ltimo lanzamiento aparezca una guila.

Solucin:
Si nosotros trazamos un diagrama de rbol que nos represente los 8 lanzamientos de la moneda, observaremos que la nica rama de ese rbol que
nos interesa es aquella en donde aparecen 7 sellos seguidos y por ltimo una guila; como se muestra a continuacin:

S S S S S S S A

S denotamos;
x = el nmero de repeticiones del experimento necesarias para que ocurra un xito por primera y nica vez = 8 lanzamientos
p = probabilidad de que aparezca una guila = p( xito) = 2/3
q = probabilidad de que aparezca un sello = p(fracaso) = 1/3

Entonces la probabilidad buscada sera;

P(aparezca una guila en el ltimo lanzamiento)=p(S)*p(S)*p(S)*p(S)*p(S)*p(S)*p(S)*p(A) =

=q*q*q*q*q*q*q*p =
Luego, la frmula a utilizar cuando se desee calcular probabilidades con esta distribucin sera;



Donde:
p(x) = probabilidad de que ocurra un xito en el ensayo x por primera y nica vez
p = probabilidad de xito
q = probabilidad de fracaso

Resolviendo el problema de ejemplo;
x = 8 lanzamientos necesarios para que aparezca por primera vez una guila
p = 2/3 probabilidad de que aparezca una guila
q = 1/3 probabilidad de que aparezca un sello

p(x=8) =

Ejemplos:
1. S la probabilidad de que un cierto dispositivo de medicin muestre una desviacin excesiva es de 0.05, cul es la probabili dad de que; a) el
sexto de estos dispositivos de medicin sometidos a prueba sea el primero en mostrar una desviacin excesiva?, b) el sptimo de estos
dispositivos de medicin sometidos a prueba, sea el primero que no muestre una desviacin excesiva?.

Solucin:
a) a)x = 6 que el sexto dispositivo de medicin probado sea el primero que muestre una variacin excesiva
p = 0.05 =probabilidad de que un dispositivo de medicin muestre una variacin excesiva
q = 0.95 =probabilidad de que un dispositivo de medicin no muestre una variacin excesiva


p(x = 6) =

b) b)x = 5 que el quinto dispositivo de medicin probado, sea el primero que no muestre una desviacin excesiva
p = 0.95 = probabilidad de que un dispositivo de medicin no muestre una variacin excesiva
q = 0.05 = probabilidad de que un dispositivo de medicin muestre una variacin excesiva

= = = = =
3 15
3 9 0 6
1 3 0 1
C
C * C
) n ; x ( p
815385 0 184615 0
455
84 1
1 . .
) )( (
= = =
= = = = =
3 15
3 9 0 6
3 0
C
C * C
) n ; x ( p
184615 0
455
84 1
.
) )( (
= =
p q
x 1
p q ) x ( p
x 1
=
0003048 0 3 2 3 1
1 8
. ) / ( ) / ( =

03869 0 05 0 95 0
1 6
. ) . ( ) . ( =

p(x = 5) =

2. Los registros de una compaa constructora de pozos, indican que la probabilidad de que uno de sus pozos nuevos, requiera de reparaciones
en el trmino de un ao es de 0.20. Cul es la probabilidad de que el quinto pozo construido por esta compaa en un ao dado sea el primero
en requerir reparaciones en un ao?.

Solucin:
x = 5 que el quinto pozo sea el primero que requiera reparaciones en un ao
p = 0.20 = probabilidad de que un pozo requiera reparaciones en el trmino de un ao
q = 0.80 = probabilidad de que un pozo no requiera reparaciones en el trmino de un ao


p(x = 5) =
http://www.itch.edu.mx/academic/industrial/sabaticorita/_private/07Distr%20Geometrica.htm

Busca la 6 ESA ME FALTO PONER.

UNIDAD III
TEORIA DE PEQUEAS MUESTRAS O TEORIA EXACTA DEL MUESTREO
En las unidades anteriores se manej el uso de la distribucin z, la cual se poda utilizar siempre y cuando los tamaos de l as muestras fueran mayores o iguales a 30 en muestras ms
pequeas si la distribucin o las distribuciones de donde proviene la muestra o las muestras son normales.
En esta unidad se podrn utilizar muestras pequeas siempre y cuando la distribucin de donde proviene la muestra tenga un comportamiento normal. Esta es una condicin para utilizar las tres
distribuciones que se manejarn en esta unidad; t de student, X
2
ji-cuadrada y Fisher.
A la teora de pequeas muestras tambin se le llama teora exacta del muestreo, ya que tambin la podemos utilizar con muestras aleatorias de tamao grande.
En esta unidad se ver un nuevo concepto necesario para poder utilizar a las tres distribuciones mencionadas. Este concepto es "grados de libertad".
Para definir grados de libertad se har referencia a la varianza muestral:

Esta frmula est basada en n-1 grados de libertad (degrees of freedom). Esta terminologa resulta del hecho de que si bien s
2
est basada en n cantidades . . . ,
stas suman cero, as que especificar los valores de cualquier n-1 de las cantidades determina el valor restante. Por ejemplo, si n=4 y
; y , entonces automticamente tenemos , as que slo tres de los cuatro valores de estn libremen
te determinamos 3 grados de libertad.
Entonces, en esta unidad la frmula de grados de libertad ser n-1 y su simbologa
DISTRIBUCION "t DE STUDENT"
Supngase que se toma una muestra de una poblacin normal con media y varianza . Si es el promedio de las n observaciones que contiene la muestra aleatoria, entonces la
distribucin es una distribucin normal estndar. Supngase que la varianza de la poblacin
2
es desconocida. Qu sucede con la distribucin de esta estadstica si se
reemplaza por s? La distribucin t proporciona la respuesta a esta pregunta.
La media y la varianza de la distribucin t son = 0 y para >2, respectivamente.
La siguiente figura presenta la grfica de varias distribuciones t. La apariencia general de la distribucin t es similar a la de la distribucin normal estndar: ambas son simtricas y unimodales, y el
valor mximo de la ordenada se alcanza en la media = 0. Sin embargo, la distribucin t tiene colas ms amplias que la normal; esto es, la probabilidad de las colas es mayor que en la
distribucin normal. A medida que el nmero de grados de libertad tiende a infinito, la forma lmite de la distribucin t es la distribucin normal estndar.
0000059 0 95 0 05 0
1 5
. ) . ( ) . ( =

08192 0 20 0 80 0
1 5
. ) . ( ) . ( =

Propiedades de las distribuciones t
1. Cada curva t tiene forma de campana con centro en 0.
2. Cada curva t, est ms dispersa que la curva normal estndar z.
3. A medida que aumenta, la dispersin de la curva t correspondiente disminuye.
4. A medida que , la secuencia de curvas t se aproxima a la curva normal estndar, por lo que la curva z recibe a veces el nombre de curva t con gl =
La distribucin de la variable aleatoria t est dada por:

Esta se conoce como la distribucin t con grados de libertad.
Sean X1, X2, . . . , Xn variables aleatorias independientes que son todas normales con media y desviacin estndar . Entonces la variable aleatoria tiene una distribucin t
con = n-1 grados de libertad.
La distribucin de probabilidad de t se public por primera vez en 1908 en un artculo de W. S. Gosset. En esa poca, Gosset era empleado de una cervecera irlandesa que desaprobaba la
publicacin de investigaciones de sus empleados. Para evadir esta prohibicin, public su trabajo en secreto bajo el nombre de "Student". En consecuencia, la distribucin t normalmente se llama
distribucin t de Student, o simplemente distribucin t. Para derivar la ecuacin de esta distribucin, Gosset supone que las muestras se seleccionan de una poblacin normal. Aunque esto
parecera una suposicin muy restrictiva, se puede mostrar que las poblaciones no normal es que poseen distribuciones en forma casi de campana an proporcionan valores de t que se aproximan
muy de cerca a la distribucin t.
La distribucin t difiere de la de Z en que la varianza de t depende del tamao de la muestra y siempre es mayor a uno. Unicamente cuando el tamao de la muestra tiende a infinito las dos
distribuciones sern las mismas.
Se acostumbra representar con el valor t por arriba del cual se encuentra un rea igual a . Como la distribucin t es simtrica alrededor de una media de cero, tenemos
; es decir, el valor t que deja un rea de a la derecha y por tanto un rea de a la izquierda, es igual al valor t negativo que deja un rea de
en la cola derecha de la distribucin. Esto es, t0.95 = -t0.05, t0.99=-t0.01, etc.
Para encontrar los valores de t se utilizar la tabla de valores crticos de la distribucin t del libro Probabilidad y Estadstica para Ingenieros de los autores Walpole, Myers y Myers.
Ejemplo:
El valor t con = 14 grados de libertad que deja un rea de 0.025 a la izquierda, y por tanto un rea de 0.975 a la derecha, es
t0.975=-t0.025 = -2.145

Si se observa la tabla, el rea sombreada de la curva es de la cola derecha, es por esto que se tiene que hacer la resta de . La manera de encontrar el valor de t es buscar el valor
de en el primer rengln de la tabla y luego buscar los grados de libertad en la primer columna y donde se intercepten y se obtendr el valor de t.
Ejemplo:
Encuentre la probabilidad de t0.025 < t < t0.05.
Solucin:

Como t0.05 deja un rea de 0.05 a la derecha, y t0.025 deja un rea de 0.025 a la izquierda, encontramos un rea total de 1-0.05-0.025 = 0.925.
P( t0.025 < t < t0.05) = 0.925
Ejemplo:
Encuentre k tal que P(k < t < -1.761) = 0.045, para una muestra aleatoria de tamao 15 que se selecciona de una distribucin normal.
Solucin:

Si se busca en la tabla el valor de t =1.761 con 14 grados de libertad nos damos cuenta que a este valor le corresponde un rea de 0.05 a la izquierda, por ser negativo el valor. Entonces si se
resta 0.05 y 0.045 se tiene un valor de 0.005, que equivale a . Luego se busca el valor de 0.005 en el primer rengln con 14 grados de libertad y se obtiene un valor de t = 2.977, pero como
el valor de est en el extremo izquierdo de la curva entonces la respuesta es t = -2.977 por lo tanto:
P(-2.977 < t < -1.761) = 0.045
http://www.itch.edu.mx/academic/industrial/estadistica1/cap03.html

Busca la 8 ESA ME FALTO.