PROBABILIDAD
Transcript of PROBABILIDAD
© 2001 Alfaomega Grupo Editor
1-1
Capítulo seisDistribuciones probabilísticas discretas
OBJETIVOSAl terminar este capítulo podrá:
UNODefinir los términos de distribución de probabilidad y variable aleatoria.
DOS Distinguir entre una distribución de probabilidad discreta y una continua.
TRESCalcular la media, la variancia y la desviación estándar de una distribución pobabilística discreta.
CUATRODescribir las características y calcular las probabilidades usando la distribución de probabilidad binomial.
© 2001 Alfaomega Grupo Editor
© 2001 Alfaomega Grupo Editor
1-1
Capítulo seis continuación
Distribuciones probabilísticas discretas
OBJETIVOS Al terminar este capítulo podrá:
CINCO Describir las cracterísticas y calcular las probabilidades usando la dsitribución hipergeométrica.
SEISDescribir las características y calcular las probabilidades usando la distribución de Poisson.
© 2001 Alfaomega Grupo Editor
© 2001 Alfaomega Grupo Editor
Variables aleatorias
• Una variable aleatoria es un valor numérico determinado por el resultado de un experimento.
• EJEMPLO 1: considere un experimento aleatorio en el que se lanza tres veces una moneda. Sea X el número de caras. Sea H el resultado de obtener una cara y T el de obtener una cruz.
6-3
© 2001 Alfaomega Grupo Editor
EJEMPLO 1 continuación
• El espacio muestral para este experimento será: TTT, TTH, THT, THH, HTT, HTH, HHT, HHH.
• Entonces, los valores posibles de X (número de caras) son x = 0, 1, 2, 3.
6-4
© 2001 Alfaomega Grupo Editor
EJEMPLO 1 continución
• El resultado “cero caras” ocurrió una vez.• El resultado “una cara” ocurrió tres
veces.• El resultado “dos caras” ocurrió tres
veces.• El resultado “tres caras” ocurrió una vez.• De la definición de variable aleatoria, la
X definida en este experimento, es una variable aleatoria.
6-5
© 2001 Alfaomega Grupo Editor
Distribuciones probabilísticas
• Una distribución probabilística es la enumeración de todos los resultados de un experimento junto con las probabilidades asociadas. Para el EJEMPLO 1,Número de caras Probabilidad de los resultados
0 1/8 = .125
1 3/8 = .375
2 3/8 = .375
3 1/8 = .125
Total 8/8 = 1
6-6
© 2001 Alfaomega Grupo Editor
Características de una distribución porbabilística
• La probabilidad de un resultado siempre debe estar entre 0 y 1.
• La suma de todos los resultados mutuamente excluyentes siempre es 1.
6-7
© 2001 Alfaomega Grupo Editor
Variable aleatoria discreta
• Una variable aleatoria discreta es una variable que puede tomar sólo ciertos valores diferentes que son el resultado de la cuenta de alguna característica de interés.
• EJEMPLO 2: sea X el número de caras obtenidas al lanzar 3 veces una moneda.Aquí los valores de X son x = 0, 1, 2, 3.
6-8
© 2001 Alfaomega Grupo Editor
Variable aleatoria continua
• Una variable aleatoria continua es una variable que puede tomar un número infinito de valores.
• Ejemplos: la altura de un jugador de básquetbol o el tiempo que dura una siesta.
6-9
© 2001 Alfaomega Grupo Editor
Media de una distribución probabilística discreta
• La media: · indica la ubicación central de los
datos.· es el promedio, a la larga, del valor de
la variable aleatoria.· también se conoce como el valor
esperado, E(x), en una distribución de probabilidad.
· es un promedio ponderado.
6-10
© 2001 Alfaomega Grupo Editor
Media de una distribución probabilística discreta
• La media se calcula con la fórmula:
• donde representa la media y P(x) es la probabilidad de los diferentes resultados x.
)](*[=)(= xPxxE
6-11
© 2001 Alfaomega Grupo Editor
Variancia de una distribución probabilística discreta
• La variancia mide la cantidad de dispersión (variación) de una distribución.
• La variancia de una distribución discreta se denota por la letra griega (sigma cuadrada).
• La desviación estándar se obtiene tomando la raíz cuadrada de .
2
2
6-12
© 2001 Alfaomega Grupo Editor
Variancia de una distribución probabilística discreta
• La variancia de una distribución de probabilidad discreta se calcula a partir de la fórmula
2 2 [( ) * ( )]x P x
6-13
© 2001 Alfaomega Grupo Editor
EJEMPLO 2
• Daniel Casas, propietario de pinturas Angel , estudió sus registros de las últimas 20 semanas y obtuvo los siguientes números de casas pintadas por semana:
# de casas pintadas Semanas
10 5
11 6
12 7
13 2
6-14
© 2001 Alfaomega Grupo Editor
EJEMPLO 2 continuación
• Distribución probabilística:
Número de casaspintadas, X
Probabilidad, P(X)
10 .25
11 .30
12 .35
13 .10
Total 1
6-15
© 2001 Alfaomega Grupo Editor
EJUEMPLO 2 continuación
• Calcule el número medio de casas pintadas por semana:
E x xP x( ) [ ( )]
( )(. ) ( )(. ) ( )(. ) ( )(. )
.
10 25 11 30 12 35 13 10
113
6-16
© 2001 Alfaomega Grupo Editor
EJEMPLO 2 continuación
• Calcule la variancia del número de casas pintadas por semana:
2 2
4225 0270 1715 2890
91
[( ) ( )]
. . . .
.
x P x
6-17
© 2001 Alfaomega Grupo Editor
PROBABILIDAD CONDICIONAL
EVENTOS O SUCESOS INDEPENDIENTES Y DEPENDIENTES
Dos o más eventos son independientes si la ocurrencia de uno de ellos no afecta la ocurrencia del otro.
Ejemplo: Sea E1 el evento de que caiga águila en el 4º lanzamiento de una moneda y E2 el evento de que caiga águila en el 7º lanzamiento.
La probabilidad condicional de que caiga águila en ambos lanzamientos es P(E1)*P(E2). Matemáticamente
4
1
2
1.
2
1)2().1p()2Ey 1(
2
1)2p(E
2
1)1(
EpEEp
Ep
© 2001 Alfaomega Grupo Editor
SUCESOS O EVENTOS DEPENDIENTES
Son aquellos en los que la ocurrencia de uno depende de la ocurrencia del otro.
Ejemplo: Supóngase que en una caja existen 3 bolas blancas y 4 bolas rojas. Sea E1 el evento de que la primera bola extraída sea negra y E2 el evento de que la segunda bola extraída sea también negra en extracciones sin remplazamiento. Aquí E1 y E2 son eventos dependientes.
Entonces, la probabilidad de que la segunda bola extraída sea negra es p(E1E2)=p(E1)p(E2/E1). Matemáticamente:
21
4
6
3
7
4)21(
EEp
© 2001 Alfaomega Grupo Editor
Distribución probabilística binomial
• La distribución binomial tiene las siguientes características:· un resultado de un experimento se
clasifica en una de dos categorías mutuamente excluyentes -éxito o fracaso.
· los datos recolectados son resultados de contar.
· la probabilidad de éxito es la misma para cada ensayo ( o el muestreo se realiza con reposición).
· los ensayos son independientes.
6-18
© 2001 Alfaomega Grupo Editor
Distribución probabilística binomial
• Para elaborar una distribución binomial, sea· n el número de ensayos· x el número de éxitos observados· la probabilidad de éxito en cada ensayo
6-19
© 2001 Alfaomega Grupo Editor
Distribución probabilística binomial
• La fórmula para la distribución de probabilidad binomial es:
P xn
x n xx n x( )
!
!( )!( )
1
6-20
© 2001 Alfaomega Grupo Editor
Probability mass function Probabilidad de masa función
Probabilidad de la función binomial.
© 2001 Alfaomega Grupo Editor
EJEMPLO 3
• La Secretaría del Trabajo del estado de Alabama reporta que 20% de la fuerza de trabajo en Mobile está desempleada. De una muestra de 14 trabajadores, calcule las siguientes probabilidades con la fórmula de la distribución binomial (n=14, =.2, ):· tres están desempleados:
P(x=3)=.250
6-21
© 2001 Alfaomega Grupo Editor
EJEMPLO 3 continuación
• Nota: éstos también son ejemplos de distributions probabilísticas acumulativas:· tres o más están desempleados:
P(x 3)=.250 +.172 +.086 +.032 +.009 +.002=.551
· al menos un trabajador está desempleado: P(x 1) = 1 - P(x=0) =1 - .044 = .956
· a lo más dos trabajadores están desem-pleados: P(x 2)=.044 +.154 +.250 =.448
6-22
© 2001 Alfaomega Grupo Editor
Media y variancia de la distribución binomial
• La media está dada por:
• La variancia está dada por:
n
2 1 n ( )
6-23
© 2001 Alfaomega Grupo Editor
EJEMPLO 4
• Del EJEMPLO 3, recuerde que =.2 y n=14.
• Así, la media = n = 14(.2) = 2.8.• La variancia = n (1 - ) = (14)(.2)
(.8) =2.24.
6-24
© 2001 Alfaomega Grupo Editor
Población finita
• Una población finita es una población que consiste en un número fijo de individuos, objetos o medidas conocidos.
• Los ejemplos incluyen: el número de estudiantes en esta clase, el número de automóviles en el estacionamiento.
6-25
© 2001 Alfaomega Grupo Editor
Distribución hipergeométrica
• Fórmula:
• donde N es el tamaño de la población, S es el número de éxitos en la población, x es el número de éxitos de interés, n es el tamaño de la muestra, y C es una combinación.
P xC C
CS x N S n x
N n
( )( )( )
6-26
Se utiliza cuando el muestreo se realiza sin reposición, lo que implica que la probabilidad para cada observación cambiará.
© 2001 Alfaomega Grupo Editor
Distribución hipergeométrica
• Use la distribución hipergeométrica para encontrar la probabilidad de un número específico de éxitos o fracasos si:· la muestra se selecciona de una población
finita sin reemplazo (recuerde que un criterio para la distribución binomial es que la probabilidad de éxito es la misma de un ensayo a otro).
· el tamaño de la muestra n es mayor que 5% del tamaño de la población N.
6-27
© 2001 Alfaomega Grupo Editor
EJEMPLO 5
• La National Air Safety Board tiene una lista de 10(N) violaciones a la seguridad reportadas por ValueJet. Suponga que sólo 4 (S) de ellas son en realidad violaciones y que el Safety Board sólo podrá investigar cinco de las violaciones. ¿Cuál es la probabilidad de que tres (x) de las cinco (n) violaciones seleccionadas al azar para investigarlas sean en realidad violaciones?
6-28
© 2001 Alfaomega Grupo Editor
EJEMPLO 5 continuación
PC C
C( )
* *.3
4 15
2522384 3 6 2
10 5
6-29
N=10S=4x=3n=5
© 2001 Alfaomega Grupo Editor
EJERCICIO 1 continuación
La fábrica Toy produce en un día 50 juegos electrónicos, de los cuales 40 operaron sin problemas. Si se selecciona una muestra de 5 juegos ¿Cuál es la probabilidad de que 4 juegos funcionen correctamente?
N=
S=
n=
x=
50
40
5
4
© 2001 Alfaomega Grupo Editor
Distribución de Poisson
• La distribución de probabilidades binomial se hace cada vez más sesgada a la derecha conforme la probabilidad de éxitos disminuye.
• La forma límite de la distribución binomial donde la probabilidad de éxito es muy pequeña y n es grande se llama distribución de probabilidades de Poisson.
6-30
© 2001 Alfaomega Grupo Editor
Distribución de Poisson
• La distribución de Poisson se puede describir matemáticamente por la fórmula:
• donde es la media aritmética del número de ocurrencias en un intervalo específico de tiempo, e es la constante 2.71828 y x es el número de ocurrencias.
P xe
x
x u
( )!
6-31
© 2001 Alfaomega Grupo Editor
P x( ) x
e
x
P x( )
x0 5 10
0
0.1
0.2
GRÁFICA DE LA DISTRIBUCIÓN DE POISSON
© 2001 Alfaomega Grupo Editor
Distribución de Poisson
• El número medio de éxitos se puede determinar en situaciones binomiales por n , donde n es el número de ensayos y la probabilidad de éxito.
• La varianza de la distribución de Poisson también es igual a n .
6-32
© 2001 Alfaomega Grupo Editor
EJEMPLO 6
• La Sylvania Urgent Care se especializa en el cuidado de lesiones menores, resfriados y gripe. En las horas de la tarde de 6-10 PM el número medio de llegadas es 4.0 por hora.
• ¿Cuál es la probabilidad de 6 llegadas en una hora?
!6
4)6(
46
e
P P 6( ) 0.104
6-33
m=4 X=6
P x( ) x
e
x
© 2001 Alfaomega Grupo Editor
Ejercicio No2
El departamento de préstamos del banco Yotkobro con base en sus años de experiencia, estima que de cada 50 créditos otorgados solo 6 clientes no pagaron . En el mes pasado se otorgaron 30 préstamos.¿Cuál es la probabilidad de que los préstamos no pagados sean:
a) 3
b) Menos de 10
c) Más de 5
d) Ninguno
e) Entre 5 y 10