En el estudio de probabilidades se utilizan tres palabras claves: Experimento, Resultado y Evento.
|
|
- Bernardo Velázquez Rojo
- hace 6 años
- Vistas:
Transcripción
1 Introducción a las Probabilidades.. QUE ES UNA PROBABILIDAD? La probabilidad es un número que evalúa la posibilidad de que algo suceda. Es un valor numérico que va desde cero hasta uno, inclusive que describe la posibilidad relativa de ocurrencia de un evento. En el estudio de probabilidades se utilizan tres palabras claves: Experimento, Resultado y Evento. Experimento: Cualquier proceso que genere un conjunto de datos ej: El lanzamiento de una moneda, solo existen dos resultados posibles cara ó sello; el lanzamiento de un misil y la observación de su velocidad en tiempos especificados; las opiniones de personas que votan con respecto a un impuesto. Resultado. Un suceso particular proveniente de un experimento. Ej. Al lanzar una moneda al aire puede caer cara o sello, cada una de estos es un resultado. Evento. Conjunto de uno más resultados de un experimento Más definiciones: Experimento: conjunto de pruebas o realizaciones que se llevan a cabo un número indefinido de veces y en cada realización se tiene un resultado. Puede ser: Determinístico: cuyo resultado se puede predecir con certeza. Aleatorio: cuyo resultado no se puede predecir con certeza. Espacio Muestral (E): conjunto de resultados posibles que se pueden presentar en la realización de un experimento. Ej: 2 dados E: [,2,,,5,6]. E (,) (,2) (,) (,) (,5) (,6) 2 (2,) (2,2) (2,) (2,) (2,5) (2,6) (,) (,2) (,) (,) (,5) (,6) (,) (,2) (,) (,) (,5) (,6) 5 (5,) (5,2) (5,) (5,) (5,5) (5,6) 6 (6,) (6,2) (6,) (6,) (6,5) (6,6) En el lanzamiento de 2 monedas. El conjunto de espacio muestral será: E: [(c, c), (c, s), (s, c), (s, s)].
2 2 Suceso Favorable (A f ): conjunto éxito o aquel suceso en el cual se está interesado que suceda o se presente. Ej: el lanzamiento de dos monedas si se está interesado en que se presenten dos lados iguales A f = [(c, c), (s, s)]. En el lanzamiento de dos dados si se quiere que se presente la suma 7 Ejemplo propuesto: A f = [(,6), (2,5), (,)(,)(5,2)(6,)] En el lanzamiento de dos dados si se quiere que se presente dos números iguales A f = [(,), (2,2), (,)(,)(5,5)(6,6)] Suceso Contrario (A c ): A c = [(c, s), (s, c)]. Probabilidad Clásica: es el conjunto de números de casos favorables sobre el número de casos posibles. P = # casos favorable # casos posibles A f = n(af ) n(e) n(a f ) = numero cardinal de A f Ejemplo : El lanzamiento de dos monedas, encontrar la probabilidad: a) Que se presenten dos lados iguales. b) Que se presenten como mínimo una cara. E: [(c, c), (c, s), (s, c), (s, s)] a) A f = [(c, c), (c, s)] P (A f ) = n(af ) n(e) = 2 = 0.50 = 50% b) A f = [(c, c), (c, s)(s, c)] P (A f ) = = 0.75 = 75% Ejemplo 2: El lanzamiento de tres monedas, encontrar la probabilidad: a) Que se presenten tres lados iguales. b) Que no se presenten tres lados iguales. c) Como máximo dos caras. d) Como mínimo una cara. E: [(c, c, c), (c, c, s)(c, s, c), (s, s, c), (s, c, s), (c, s, s), (s, c, c)(s, s, s)] a) A f = [(c, c, c), (s, s, s)] P (A f ) = 2 = 0.25 = 25% 8 b) A f = [(c, c, s), (s, s, c), (c, s, c), (s, c, s), (c, s, s), (s, c, c)] P (A f ) = 6 = 0.75 = 75% 8 2
3 A f = [(c, c, s), (s, s, c), (c, s, c), (s, c, s), (c, s, s), (s, c, c)] P (A f ) = 6 = % 8 c) A f = [(c, c, c)(c, c, s), (s, s, c), (c, s, c), (s, c, s), (c, s, s), (s, c, c)] P (A f ) = 7 8 = = 87.5% Ejemplo propuesto: En dos juego de pico botella encontrar la probabilidad que se presente 2 lados iguales y como mínimo un pico c) A f = [(p, p), (b, b)] P (A f ) = n(af ) E: [(p, p), (b, b), (p, b), (b, p)] n(e) = 2 = 0.50 = 50% d) A f = [(p, p), (p, b), (b, p)] P (A f ) = = 0.75 = 75% 2. PROPIEDADES DE LA PROBABILIDAD. 0 y : la probabilidad siempre está en 0 y por que 0 P i ; n(a f ) n(e). 2. La suma de todas las probabilidades siempre es igual a.. La probabilidad del suceso favorable más la probabilidad del suceso contrario siempre es igual a. P(A f ) + P(A c ) =.. La probabilidad del suceso vacío es igual a 0; P( ) = 0 = [ ]. 5. La probabilidad del espacio muestral es igual a ; P(E) = n(e) n(e) =.. TÉCNICAS DE CONTEO Se utiliza para encontrar el número de casos posibles en la realización de un experimento n(e) =? a) Experimentos con eventos que presentan reemplazamiento Muestreo con remplazo Muestreo sin remplazo Ejemplo : suponga una población N=, se selecciona una muestra n=2 con reemplazo encontrar: a) Espacio muestral. b) Número de casos posibles. c) Probabilidad de que se presenten 2 números iguales.
4 N= 2 n=2 a. E = [(,), (,2), (,), (2,), (2,2), (2,), (,), (,2), (,)] b. n(e) = N n = 2 = 9 c. A f = [(,), (2,2), (,)] = P(A f ) = n(af ) n(e) = 9 Ejemplo 2: moneda E = [(c, s)] = n(e) = 2; = 0. = % 2 monedas E = [(c, c), (c, s)(s, c), (s, s)] = n(e) = 2 2 a. Probabilidad que se presenten dos lados iguales A f = [(c, c), (s, s)] P (A f ) = 2 = 0.50 = 50% b. Probabilidad que se presenten como mínimo una cara A f = [(c, c), (c, s), (s, c)] P (A f ) = = 0.75 = 75% Ejemplo : se lanzan monedas encontrar: a. El espacio muestral. b. El número de casos posibles. c. Como mínimo dos caras. d. En ninguna se presente cara. e. Como máximo caras. a. E: [(c, c, c), (c, c, s)(c, s, c), (s, s, c), (s, c, s), (c, s, s), (s, c, c)(s, s, s)] b. N n = 2 = 8 c. A f = [(c, c, c), (c, c, s), (c, s, c), (s, c, c)] P(A f ) = = 0.50 = 50% 8 d. A f = [(s, s, s)] P(A f ) = = 0.25 = 2.5% 8 e. A f = [(c, c, c)(c, c, s), (s, s, c), (c, s, c), (s, c, s), (c, s, s), (s, c, c)] P (A f ) = 7 = 8 f = 87.5%
5 5 b) Experimentos que presentan eventos sin reemplazamiento. n(e) = C n N = N! n! (N n)! Ejemplo : suponga una población N=, se selecciona una muestra n=2 sin reemplazo encontrar E y n(e) N= 2 n=2 E = [(,2), (,), (2,)] n(e) = C n N = N! n! (N n)! C n N = Combinaciones de N elementos en n elementos N! = N factorial N! = N(N ), (N 2)! 5! = 5 2 = 20 2! = 2 = 2! = 0! = n(e) = C n N = C 2 =! 2! ( 2)! = 2 2 = 5
6 6 Otros ejemplos: Casos posibles en el baloto: n(e) = C 6 5 = 85060; P( salga ganador) = P(X) = Casos posibles en la lotería de números: 0 = 0000 Ahora, La probabilidad que La probabilidad de que una persona se gane la lotería P(X) = /0000 Ejemplo 5: se lanzan dos dados: a. Cuál es la probabilidad de obtener 7 puntos. b. Cuál es la probabilidad con cada dado de obtener puntos como máximo. c. Cuál es la probabilidad de obtener dos números iguales. E (,) (,2) (,) (,) (,5) (,6) 2 (2,) (2,2) (2,) (2,) (2,5) (2,6) (,) (,2) (,) (,) (,5) (,6) (,) (,2) (,) (,) (,5) (,6) 5 (5,) (5,2) (5,) (5,) (5,5) (5,6) 6 (6,) (6,2) (6,) (6,) (6,5) (6,6) E = [(,6), (2,5), (,), (,), (5,2), (6,)] a. A f = 6 = 0.6 = 6.66% 6 E = [(,2), (,), (,), (2,2), (2,), (2,)(,), (,2), (,)] b. A f = 9 = 0.25 = 25% 6 E = [(,), (2,2), (,), (,), (5,5), (6,6)] c. A f = 6 = 0.6 = 6.66% 6 Ejemplo propuesto: Suponga una caja con circulo, cuadrado y triangulo. Se selecciona una muestra de n=2 con repetición, se regresa a la caja y se vuelve a sacar. Encontrar: espacio muestral, número de casos posibles, probabilidad que se presenten 2 figuras geométricas iguales 2 n=2 6
7 7 Ejemplo propuesto: E = [(,), (,2), (,), (2,), (2,2), (2,), (,), (,2), (,)] n(e) = N n = 2 = 9 A f = [(,), (2,2), (,)] = P(A f ) = n(af ) n(e) = = 0. = % 9 Suponga en una bolsa moneda de $500, una de $200, y una de $50. Si se selecciona una muestra n=2 sin reemplazo encontrar E y n(e) A B C E = [(A, B), (A, C), (B, C)] n(e) = C n N = n(e) = C n N = C 2 = N! n! (N n)! 2! ( 2)! = 2 2 =. REGLAS DE LA PROBABILIDAD. Regla de la suma: sucesos independientes y dependientes 2. Regla de la multiplicación: sucesos independientes y dependientes Regla de la suma Sucesos independientes: Sea A y B dos sucesos independientes entonces la probabilidad que se presente el suceso A o B es igual a la probabilidad que se presente el suceso A más la probabilidad que se presente el suceso B. P(A B) = P(A) + P(B) = n(a) + n(b) n(e) n(e) Ejemplo : En una oficina hay 2 directores, 8 ejecutivos y 0 secretarias. Si selecciona un empleado encontrar la probabilidad de que ese empleado sea director o que sea ejecutivo. 7
8 = 20 P(A B) = = = 0.50 = 50% 20 Ejemplo 2: se lanza un dado encontrar la probabilidad que se presente un numero par o se presente el. E A B 2,, 6, 2, 5 E = [,2,,,5,6] A f = [2,,6] = 6 = 0.5 = 50% Af = [] = = 0.6 = 6.66% 6 Ejemplo propuesto: P(A) = = 66.66% En un colegio hay 2 profesores de química, 5 de matemáticas y de física. Si se seleccionara un profesor, encontrar la probabilidad de que sea de química o de matemáticas = 0 profesores P(A B) = = = 0.7 = 70% 0 Dependencia de la suma: Sea A y B dos sucesos dependientes, entonces la probabilidad que se presente el suceso A o el suceso B, está dada por la probabilidad que se presente el suceso A más la probabilidad que se presente el suceso B menos la probabilidad que se presenten ambos sucesos. P(A B) = P(A) + P(B) P(A B) = n(a) + n(b) n(a B) (A B) 0. n(e) n(e) n(e) Ejemplo: En una encuesta realizada a 20 amas de casa se obtuvo la siguiente información: 0 utilizaban solamente shampoo, 8 utilizaban solamente jabón y 2 8
9 9 utilizaban ambos productos. Encontrar la probabilidad de que una ama de casa utilice shampoo o jabón. Ejemplo propuesto: = = 0.8 = 80% 20 Al hacer 5 lasañas se obtuvo la siguiente información de las ventas: 5 compraron carne, 7 compraron de pollo y fueron mixtas. Encontrar la probabilidad de que alguien compre carne o pollo. Regla de la multiplicación = = 0.59 = 59% 5 Independencia: Sean A y B dos sucesos independientes entonces la probabilidad que se presente ambos sucesos A y B es igual a la probabilidad que se presente el suceso A por la probabilidad que se presente el suceso B. P(A B) = P(A) P(B) = n(a) n(b). n(e) n(e) Ejemplo : suponga dos maquinas A y B que producen artículos defectuosos y no defectuosos. El 20% de los artículos producidos por la maquina A son defectuosos en cambio el 70% de los artículos producidos por la maquina B son no defectuosos. Si se selecciona aleatoriamente un articulo de cada producción, Encontrar la probabilidad de que ambos artículos sean defectuosos. A=suceso articulo defectuoso maquina A P(A) = 0.20 B=suceso articulo defectuoso maquina B P(B) = 0.0 P(A B) = P(A) P(B) = = 0.06 = 6% Ejemplo 2: Se lanzan dos dados uno blanco y el otro negro, encontrar la probabilidad de que en ambos dados se presente un numero par. A=suceso dado blanco se presente par A = [2,,6] B=suceso dado negro se presente par B = [2,,6] 9
10 0 Ejemplo propuesto: P(A B) = P(A) P(B) = n(a) n(b) = = 9 = 0.25 = 25%. n(e) n(e) Una empresa de zapatos tiene dos sedes una en el norte y la otra en el sur. El 5% de los zapatos producidos en la sede del norte son defectuosos en cambio el 85% de los zapatos producidos en la sede norte son no defectuosos. Si se selecciona aleatoriamente un par de zapatos de cada producción encontrar la probabilidad de que ambos pares de zapatos sean defectuosos. N=suceso zapatos defectuosos sede norte P(N) = 0.05 S=suceso zapatos defectuoso sede sur P(S) = 0.5 P(N S) = P(N) P(S) = = 0.75% Dependencia: Sean A y B dos sucesos dependientes, entonces la probabilidad que se presente ambos sucesos A y B, es igual a la probabilidad que se presente el suceso A por la probabilidad que se presente el suceso B dado que ya se presentó el suceso A. P(A B) = P(A) P(B) B dado A P(B A) = P(A B). P(A) En la independencia la P(B A) = P(B). Ejemplo: en el grupo de estadística hay 20 mujeres y 0 hombres, si se seleccionan dos estudiantes aleatoriamente para constituir un comité, encontrar la probabilidad: a. Ambos estudiantes sean mujeres. b. mujer, hombre. c. Ambos estudiantes sean hombres. d. hombre, 2 mujeres. A 20 M 0 H B a. A= primer estudiante sea mujer B= segunda estudiante sea mujer P(A B) = P(A) P(B) = 20 9 = = 0.6 =.6% b. A= primer estudiante sea mujer B= segundo estudiante sea hombre P(A B) = P(A) P(B A) = 20 0 = = 0.22 = 22.98%
11 c. A= primer estudiante sea hombre B= segundo estudiante sea hombre P(A B) = P(A) P(B A) = 0 9 = = 0.0 = 0.% d. A= primer estudiante sea hombre B= primer estudiante sea mujer P(A B) = P(A) P(B A) = 0 20 = = 0.22 = 22.98% Ejemplo propuesto: En una finca hay 5 perros y 0 gatos. Si se selecciona dos animales para la venta: encontrar la probabilidad de que A. ambos sean perros; B. un perro y un gato; C. ambos sean gatos y D. un gato y un perro. a. A= primer animal sea perro B= segunda animal sea pero P(A B) = P(A) P(B) = 5 = = 66.6% b. A= primer animal sea perro B= primer animal sea gato P(A B) = P(A) P(B A) = 5 0 = = 0.5 = 5% c. A= primer animal sea gato B= primer animal sea gato P(A B) = P(A) P(B A) = 0 9 = = 0.00 =.0% d. A= primer estudiante sea hombre B= primer estudiante sea mujer P(A B) = P(A) P(B A) = 0 5 = = 0.5 = 5.5% Teorema de Bayes Consiste en dos preguntas :. Se selecciona un artículo de la gran producción encontrar la probabilidad de que ese artículo sea defectuoso. P (D) = P(A n D ) + P(A 2 n D ) + + P(A i n D ) + + P(A n n D ) = P(A )P(D A ) + P(A 2 )P(D A 2 ) + + P(A i )P(D A i ) + P(A n )P(D A n ). Mirar ejemplo Regla de la multiplicación.
12 2 2. Suponga que se seleccionó un artículo y resulto ser defectuoso, encontrar la probabilidad que ese artículo que resulto ser defectuoso sea de la maquina A. P(A i D) = P(A i )P(D A i ) P(A )P(D A )+P(A 2 )P(D A 2 )+ +P(A i )P(D A i ) +P(A 2 )P(D A 2 ) n P(A i D) = i= Ejemplo : Suponga una caja rectangular que contiene urnas U, U 2 y U con la siguiente distribución.. Se Selecciona aleatoriamente bola encontrar la probabilidad que esa bola sea blanca: P (B) = P(U )P(B U ) + P(U 2 )P(B U 2 ) + P(U )P(B U ) P(U ) = P(U 2 ) = P(U ) = P (B) = = = 9 = 0. = 0% 0 2. Suponga que se selecciona una bola y resulto ser blanca encontrar la probabilidad de que esa bola sea de: a. La urna. P(U P(U B) )P(B U ) = P(U )P(B U ) + P(U 2 )P(B U 2 ) + P(U )P(B U ) b. La urna P(U B) = = = = 0. = % 9 P(U 2 )P(B U 2 ) P(U )P(B U ) + P(U 2 )P(B U 2 ) + P(U )P(B U ) c. La urna = = = 0. = % 9 2
13 P(U B) = Ejemplo propuesto: P(U )P(B U ) P(U )P(B U ) + P(U 2 )P(B U 2 ) + P(U )P(B U ) = = 2 = 0.22 = 22% 9 Suponga una frutería que contiene 5 canastas C, C 2, C, C y C 5 con la siguiente distribución:. Se selecciona aleatoriamente una fruta encontrar la probabilidad de que esa fruta sea pera. P (p) = P(C )P(p C ) + P(C 2 )P(p C 2 ) + P(C )P(p C ) + P(C )P(p C ) + P(C 5 )P(p C 5 ) P(C ) = P(C 2 ) = P(C ) = P(C ) = P(C 5 ) = 5 P (B) = = = 8 = 0.2 = 2% Suponga que se selecciono una fruta y resulto ser pera, encontrar la probabilidad de que la pera se de la C, C 2, C, C y C 5 La canasta. P(C p) = P(C )P(p C ) P(C )P(p C ) + P(C 2 )P(p C 2 ) + P(C )P(p C ) + P(C )P(p C ) + P(C 5 )P(p C 5 ) = = = 0.25 = 5.5% 8
14 La canasta 2. P(C 2 p) = P(C 2 )P(p C 2 ) P(C )P(p C ) + P(C 2 )P(p C 2 ) + P(C )P(p C ) + P(C )P(p C ) + P(C 5 )P(p C 5 ) La canasta =5. P(C p) = P(C )P(p C ) = = = 0.6 = 6.6% 6 P(C )P(p C ) + P(C 2 )P(p C 2 ) + P(C )P(p C ) + P(C )P(p C ) + P(C 5 )P(p C 5 ) = 5 La canasta. P(C 2 p) = P(C )P(p C ) = 5 = 0.20 = 20.8% 2 P(C )P(p C ) + P(C 2 )P(p C 2 ) + P(C )P(p C ) + P(C )P(p C ) + P(C 5 )P(p C 5 ) Taller 2: = = 7 = 0.29 = 29.6% 2. Un almacén recibe pedidos de cierto artículo de tres proveedores distintos P, P 2 y P. El 50% del total se le compra a P mientras que a P 2 y a P se le compra el 25% a cada uno. El porcentaje de artículos en malas condiciones que proporciona P, P 2 y P es 5,0 y 2% respectivamente. Si los artículos se almacenan sin importar quien es el proveedor y se escoge uno al azar: 2 Estadística para las ciencias administrativas, paginas 95 y 96
15 5 a) Determine la probabilidad de que sea defectuoso. b) Si es defectuoso, Cuál es la probabilidad de que haya sido despachado por el proveedor P? P P(P ) = 50% = 0.50 = ; Defectuoso P(D P ) = 5% P 2 P(P 2 ) = 25% = 0.25 = ; Defectuoso P(D P 2) = 0% P P(P ) = 25% = 0.25 = ; Defectuoso P(D P ) = 2% A) P(D) = P(P ) P(D P ) + P(P 2 ) P(D P 2 ) + P(P ) P(D P ) = = 0.08 = 8% 00 B) P(P P(P D) ) P(D P ) = P(P ) P(D P ) + P(P 2 ) P(D P 2 ) + P(P ) P(D P ) = = 0.75 = 7.5% 2. Una agencia automotriz recibe un embarque de 20 automóviles nuevos. Entre estos, dos tienen defectos. La agencia decide seleccionar aleatoriamente dos automóviles de entre los 20 y aceptar el embarque, si ninguno de los automóviles seleccionados tiene defectos. Cuál es la probabilidad de aceptar el embarque? A = primer carro bueno B = Segundo carro bueno P(A B) = P(A) P(B A) = = 06 = 0.80% = 80% Suponga que hay tres cajas idénticas A, B y C. La caja A contiene dos monedas de cobre, la B una de cobre y dos de níquel y la C contiene una de plata, dos de níquel y dos de cobre. Se toma al azar una de las cajas y luego se saca una moneda de esta. Si es de cobre la moneda, Cuál es la probabilidad de que haya sido tomada de la caja A? De la caja B? De la caja C? 5
16 6 A. P(C C) = P(C )P(C C ) P(C )P(C C ) + P(C 2 )P(C C 2 ) + P(C )P(C C ) = = 5 = 0.57 = 57.6% 26 B. P(C C) = P(C 2 )P(C C 2 ) P(C )P(C C ) + P(C 2 )P(C C 2 ) + P(C )P(C C ) = = 5 = 0.9 = 9.2% 26 C. P(C C) = P(C )P(C C ) P(C )P(C C ) + P(C 2 )P(C C 2 ) + P(C )P(C C ) = = = 0.2 = 2.07% 26 FUNCIÓN DE PROBABILIDAD O FUNCIÓN DE DISTRIBUCIÓN Se define como una función real valorada y definida sobre un conjunto, dicho conjunto son los valores que puede tomar la variable aleatoria. Ejemplo: (w) = x P P[x(w)] = x 6
17 7 Son los probabilidades asociadas a los valores que pueda tomar la variable aleatoria donde su dominio son los valores de la variable aleatoria y su codominio (rango) son las probabilidades asociados a estos valores. Teoremas: sea x una variable aleatoria (v. a) en el intervalo (a,b) t<a; t IR Teorema : si t < a P(x t) = P( ) = a ; (x t) (a < x < b) = Teorema 2:Si t > b P(x t) = P(x b) = P(E) = ;(x t) (x b) = P(x b) = E Propiedades de la función de probabilidad Sea x una variable aleatoria en el intervalo (a,b); f(x) una función de la v.a. x, f(x) es una función de probabilidad y f x (t)es una función de distribución acumulada hasta t. f x (t)es una función puntual para t.. P(a < x b) = P(x = b) P(x a) = f x (b) f x (a) 2. P(a x b) = P(x b) P(x a) + P(x = a) = f x (b) f x (a) + f(a). P(a < x < b) = P(x b) P(x a) P(x = b) = f x (b) f x (a) f(b). P(a x < b) = P(x b) P(x a) + P(x = a) P(x = b) = f x (b) f x (a) + f(a) + f(b) Nota: Las anteriores propiedades se cumplen para cuando la variable aleatoria es de tipo discreta y se utiliza sumatoria. Para cuando la variable aleatoria es continua es indiferente colocar < ó o sea que utilizando integrales: Ejemplos: 5 P(a < x b) = P(a x b) = P(a < x < b) = P(a x < b) = f x d x V.a discreta (# de autos) P(2 < x 5) = P(x 5) P(x 2) = f(x) f(x) = f (0) + f () + f (2) + + f (5) [f (0) + f () + f (2) ] x=0 2 x=0 Ejemplo propuesto: f () + f () + f (5) V.a discreta (# de motos) P( < x 6) = P(x ) P(x 6) = a b 7
18 8 6 f(x) f(x) = f (0) + f () + f (2) + + f (6) [f (0) + f () + f (2) + f () ] x=0 x=0 f () + f (5) + f (6) O también P( < x 6) = P( x 6) = 5 f(x) f () + f (5) + f (6) x= V.a continua (peso en onzas) P(2 < x 5) = P( x 5) = 5 2 P(2 x 5) f(x)d(x) Ejemplo propuesto: V.a continua (peso en gramos) P( < x 6) = P( x ) = P( x 6) f(x)d(x) Función de cuantía Sea x una variable aleatoria tipo discreta f(x)una función de probabilidad de la variable aleatoria x; se dice que f(x)es una función de cuantía si y solo si se cumple: f(x) 0; x f(x) = x Ejemplo: suponga que el número de artículos vendidos en un almacén tiene la siguiente distribución de probabilidad x 0 2 f(x) Demostrar que es una función de cuantía. f(x) 0; x f(0) = 0.5 > 0 si f() = 0.2 > 0 si f() = 0. > 0 si f(x) = f(0) + f() + f(2) + f() + f() = = x 8
19 9 Suponga que el numero de artículos defectuosos producidos por una factoría esta dada por la siguiente distribución de probabilidad f(x) = C x ( 5 )x ( 5 ) x x = 0,,2,, demostrar que es una función de cuantía f(x) 0; x P(x = 0) = C 0 ( 5 )0 ( 5 ) = > 0 si P(x = ) = C ( 5 ) ( 5 ) = > 0 si P(x = 2) = C 2 ( 5 )2 ( 5 )2 = > 0 si P(x = ) = C ( 5 ) ( 5 ) = > 0 si P(x = ) = C ( 5 ) ( 5 )0 = 625 > 0 si f(x) = x=0 f(0) + f() + f(2) + f() + f() = = f(x) Si es una función de cuantía. f(x) = K C x C 7 ; x = 0,,2, f(0) = C 0 C 7 = 5 f() = C C 7 = 5 f(2) = C 2 C 7 = 6 5 f() = C C 7 = = 7 K 7 = K = 7 Cual es el valor de K para que f(x) sea función de cuantía. f(x) = 7 C x ; x = 0,,2, C 7 f(0) = 7 C 0 C 7 = 5 f() = 7 C C 7 = 5 f(2) = 7 C 2 C 7 = 2 5 f() = 7 C C 7 = 5 K = = FUNCIÓN DE DENSIDAD Sea x una variable aleatoria continua f(x)una función de la variable aleatoria x se dice que f(x)es una función de densidad si y solo si se cumple: f(x) 0; x 9
20 20 f (x) d x x Ejemplo: la ganancia de un vendedor de electrodomésticos es una variable aleatoria x cuya función esta dada f(x) = 2( x) 0 < x f(x) = 0 para cualquier otro caso. Demostrar que esta es una función de densidad. f(x) 0; x = Para x = 0.5 f(0.5) = 2( 0.5) = > 0 si cmple f (x) d x 0 = 2 ( x)d x 0 0 x2 0 ] = 2 [ 0 = 2 [ x 2 = 2 ( x)d x 0 = 2 [ d x 0 x] ] = 2 [ 2 ] = 2 [ 2 ] = Si es función de densidad por que cumple las dos propiedades. ESPERANZA METAMATEMÁTICA (VALOR ESPERADO) La esperanza matemática de una variable aleatoria x que está definida por: E(X) = X x f(x) cuando al variable aleatoria Xes E(X) = X X f(x) cuando al variable aleatoria Xes cantinua. Ejemplo: suponga que la función de distribución de las ventas de un artículo es: F(X) = 7 C X C 7 a) Encontrar el promedio de ventas diarias. b) Variación. c) Desviación estándar., X = 0,,2, Media = μ x = E(X) = X x f(x) Varianza = Γx 2 = E(X 2 ) [E(x)] 2 Desviacion estandar = Γx = E(X 2 ) [E(x)] 2 20
21 2 Solución: a) E(X) = X x=0 f(x) 0f(o) + f() + 2f(2) + f() 0 7 C 0 C C C C 2 C E(X) = 28 5 E(X) =.86 5 C C 7 b) Γx 2 = E(X 2 ) [E(x)] 2 E(X 2 ) = X 2 x=0 f(x) 0 2 f(o) + 2 f() f(2) + 2 f() 0 7 C 0 C C C C 2 C E(X 2 ) = C C 7 2
22 22 E(X 2 ) =.2 Γx 2 = E(X 2 ) [E(x)] 2 Γx 2 =.2 (.80) 2 Γx 2 =.2. Γx 2 = 0,8 c) Γx = E(X 2 ) [E(x)] 2 Γx = 0,8 Γx = o. 89 Ejemplo: suponga que X es una variable aleatoria que indica el nuero de artículos defectuosos producidos en una fábrica con una función de producción dada por: F(X) = C X (0.5) X (0.5) X, X = 0,,2, a) Demostrar que f(x) es una función de cuantía. b) Encontrar la media. c) La varianza. d) Desviación estándar. Solución: a) Si es función de cuantía. b) F(0) = C 0 (0.5) 0 (0.5) 0 = F() = C (0.5) (0.5) = 0,75 0 F(2) = C 2 (0.5) 2 (0.5) 2 = F() = C (0.5) (0.5) = E(X) = X x=0 f(x) 22
23 2 0f(o) + f() + 2f(2) + f() 0(0.25) + (0.75) + 2(0.75) + (0.25) 0 + 0, E(X) =.5 b) Γx 2 = E(X 2 ) [E(x)] 2 E(X 2 ) = X 2 x=0 f(x) 0 2 f(o) + 2 f() f(2) + 2 f() 0(0.25) + (0.75) + (0.75) + 9(0.25) E(X 2 ) = Γx 2 = E(X 2 ) [E(x)] 2 Γx 2 = (.5) 2 Γx 2 = 2.25 Γx 2 = 0,75 c) Γx = E(X 2 ) [E(x)] 2 Γx = 0.75 Γx = 0.86 Ejemplo propuesto: suponga que X es una variable aleatoria que indica el nuero camisas mal confeccionadas producidos en una fábrica con una función de producción dada por: F(X) = C X (0.6) X (0.) X, X = 0,,2, 2
24 2 e) Demostrar que f(x) es una función de cuantía. f) Encontrar la media. g) La varianza. h) Desviación estándar. Solución: c) Si es función de cuantía. F(0) = C 0 (0.6) 0 (0.) 0 = F() = C (0.6) (0.) = 0,288 0 F(2) = C 2 (0.6) 2 (0.) 2 = F() = C (0.6) (0.) = d) E(X) = X x=0 f(x) 0f(o) + f() + 2f(2) + f() 0(0.06) + (0.288) + 2(0.2) + (0.26) E(X) =.8 b) Γx 2 = E(X 2 ) [E(x)] 2 E(X 2 ) = X 2 x=0 f(x) 0 2 f(o) + 2 f() f(2) + 2 f() 0(0.06) + (0.288) + (0.2) + 9(0.26) E(X 2 ) =.0 2
25 25 Γx 2 = E(X 2 ) [E(x)] 2 Γx 2 =.0 (.8) 2 Γx 2 =.0.2 Γx 2 = 0,77 c) Γx = E(X 2 ) [E(x)] 2 Γx = 0.77 Γx = 0.87 DISTRIBUCIONES DISCRETAS Ensayo experimental de Bernoulli: es un experimento que se realiza y se obtiene un resultado que puede ser éxito o fracaso: X = variable aleatoria que indica el numero de exito X = 0 no se presenta exito; X = se presenta exito. P = probabilidad de exito q = probabilidad de fracaso. P + q = Función de cuantía f(x) = P X q X ; X = 0, I) f(x) 0; X para X = 0 f(0) = q 0; para X = f() = q 0; si cumple. II) f(x) = f(0) + f() = q + P = x=0 Media = μ x = E(X) = X X=0 f(x) = 0f(0) + f() = P Varianza = Γx 2 = E(X 2 ) [E(x)] 2 E(X 2 ) = X 2 f(x) = 0 2 f(0) + 2 f() X=0 E(X 2 ) = P Γx 2 = P P 2 Γx 2 = P( P) Pq 25
26 26 Desviacion estandar = Γx = Pq Ejemplo: se lanza una moneda. Encontrar la probabilidad. a) Que no se presente cara. b) Que se presente cara. c) Encontrar la media d) Varianza e) Desviación estándar. Solución: X = variable aleatoria que indica el numeroo de exitos (cara) a) P(X = 0) = ( 2 )0 ( 0 2 ) = 2 b) P(X = ) = ( 2 ) ( 2 ) = 2 c) d) μ x = P = 2 Γx 2 = Pq = ( 2 ) ( 2 ) = = 0.25 Γx = 0.25 = 0.5 Ejemplo propuesto: un estudiante esta presentando un examen y le falta responder una pregunta cuyas opciones de respuesta son SI o NO. Encontrar la probabilidad. a) Que no responda NO. b) Que responda NO. c) Encontrar la media 26
27 27 d) Varianza e) Desviación estándar. Solución: X = variable aleatoria que indica el numeroo de exitos (cara) a) P(X = 0) = ( 2 )0 ( 0 2 ) = 2 b) P(X = ) = ( 2 ) ( 2 ) = 2 c) d) μ x = P = 2 Γx 2 = Pq = ( 2 ) ( 2 ) = = 0.25 Γx = 0.25 = 0.5 DISTRIBUCIÓN BINOMIAL Es un experimento de Bernoulli que se realiza n veces y en cada realización se obtiene un resultado se obtiene un resultado con probabilidad con probabilidad de éxito o una probabilidad de trabajo donde: X = variable aleatoria que indica el numero total de exitos en las n pruebas X = variable aleatoria que indica el numero de exito en la primera prueba X = 0, X 2 = variable aleatoria que indica el numero de exito en la segunda prueba X 2 = 0, X n = variable aleatoria que indica el numero de exito en la enesima prueba X n = 0, X = X + X 2 + X n X = 0,.. n f(x) = C x n P x q n x ; X = 0,,2,.. n 27
28 28 Ejemplo: demostrar que f(x) es una función de cuantía. I) f(x) 0; X para X = 0 f(0) = C 0 n P 0 q n 0 q n 0; para X = f() = C n P q n p n 0; si cumple. 2 n II) f(x) = C n x P x q n x = (P + q) = n = si, x=0 n x=0 donde f(x)es una funcion de cuantia 2 (a + b) 2 = C 2 x a x b 2 x = a 2 + 2ab + b 2 x=0 C 2 x a x b 2 x = C 2 0 a 0 b 2 0 = C 2 a b 2 = C 2 2 a 2 b 2 2 = a 2 + 2ab + b 2 x=0 Media = μ x = E(X) = E(X + X 2 + X + X n ) = = E(X) = E(X ) + E(X 2 ) + E(X ) + E(X n ) = P + P + P μ x = np, por ser independiente Varianza = Γx 2 = E(X) = var(x + X 2 + X + X n ) = P = Γx 2 = var(x ) + vare(x 2 ) + vare(x ) + var(x n ) = Pq + Pq + Pq RESUMEN Γx 2 = npq Desviacion estandar = Γx = npq f(x) = P X q X X = 0, μ x = P Γx 2 = P Γx = Pq f(x) = C n x P x q n x X = 0,,2,, n μ x = np Γx 2 = npq Γx = npq Ejemplo: se lanza una moneda 5 veces encontrar la probabilidad de: 28
29 29 a) Que ninguna se presente cara b) Exactamente una cara c) Exactamente 2 caras d) Menos de 2 caras e) Como máximo 2 caras f) Como mínimo 2 caras g) Más de dos caras h) Todas caras i) Encontrar media, varianza y desviación estándar. Solución: X= variable aleatoria que indica el número de éxito. E = (C, S) P = 2 q = 2 n = 5 f(x) = C x 5 ( 2 ) x q 5 x ; X = 0,,2,, a) P(x = 0) = C 5 o ( 2 )0 ( 2 )5 0 = ( 2 )5 = = 0.0 =.2% 2 b) P(x = ) = C 5 ( 2 ) ( 2 )5 = 5 ( 2 )5 = 5 = = 5.62% 2 c) P(x = 2) = C 5 2 ( 2 )2 ( 2 )5 2 = 0 ( 2 )5 = 0 = 0.25 =.25% d) P(x < 2) = P(X ) = 2 f(x) = f(0) + f() = + 5 = 6 x=0 = = 8.75% e) P(x 2) = 2 f(x) = f(0) + f() + f(2) = x=0 = 0.5 = 2 2 5% f) P(x 2) = P(X = 2) + P(X = ) + P(X = ) + P(X = 5) P(x 2) = P(X < 2) = P(X ) 2 =
30 0 P(X ) = F(x) x=0 = 8.25% {f(0) + f()} = 6 2 = 26 2 = g) P(x 2) = P(X 2) = {f(0) + f() + f(2)} = 6 2 = 6 2 = 0.5 = 5% h) P(x = 5) = C 5 5 ( 2 )5 ( 2 )5 5 = 0.0 =.2% 2 i) μ x = np = 5 ( 2 ) = 2.5 Γx 2 = npq = 5 ( 2 ) ( 2 ) =.25 Γx = npq =.25 =.8 Se sabe que el 80% de las arandelas producidas en una planta de producción están en buenas condiciones. Si se selecciona aleatoriamente 0 arandelas cual es la posibilidad de: Rta: a) Ninguna defectuosa b) Exactamente defectuosas c) Como mínimo 2 defectuosas d) P( 2< X 5 ) P: 0,20 Q: 0,80 0 a. F(0) = C 0 ( ) ( 00 ) = 0,07= 0,7% 0 b. F() = C ( ) ( 00 ) = 0,20 = 20% 0 c. F(0,,2) = C 0 ( ) ( 00 ) + 0 C ( ) ( 0,67=67% 0 d. F(,,5) = C ( ) ( 0,57=,5% ) + 0 C2 ( ) ( ) = ) + 0 C ( ) ( ) + 0 C5 ( ) ( ) Ejemplo propuesto: se realiza una pregunta a cinco estudiantes con opción de respuestas A, B o C encontrar la probabilidad de: 0
31 a) Que ninguno responda A b) Exactamente uno responda A c) Exactamente 2 respondan A d) Menos de 2 respondan A e) Como máximo 2 respondan A f) Como mínimo 2 respondan A g) Más de dos respondan A h) Todos respondan A i) Encontrar media, varianza y desviación estándar. Solución: X= variable aleatoria que indica el número de éxito. E = (A, B, C) P = q = 2 n = 5 f(x) = C x 5 ( ) x q 5 x ; X = 0,,2,, a) P(x = 0) = C 5 o ( )0 ( 2 )5 0 = ( 2 )5 = 2 = 0.6 =.6% 2 b) P(x = ) = C 5 ( ) ( 2 )5 = 5 ( ) (6) = 80 = = 2.92% 8 2 c) P(x = 2) = C 2 5 ( )2 ( 2 )5 2 = 0 ( 9 ) ( 8 27 ) = 80 d) P(x < 2) = P(X ) = 2 f(x) = f(0) + f() = = 6.08% 2 = = 2.92% + 80 = 2 x=0 = e) P(x 2) = 2 f(x) = f(0) + f() + f(2) = = 79.0% = 6 x=0 = f) P(x 2) = P(X = 2) + P(X = ) + P(X = ) + P(X = 5) P(x 2) = P(X < 2) = P(X )
32 2 P(X ) = F(x) x=0 = 5.90% {f(0) + f()} = 2 2 = 2 = g) P(x 2) = P(X 2) = {f(0) + f() + f(2)} = 6 8 = 7 8 = = 20.98% h) P(x = 5) = C 5 5 ( )5 ( 2 )5 5 = = 0.00 = 0.% 2 i) μ x = np = 5 ( ) =.66 Γx 2 = npq = 5 ( ) (2 ) =. Γx = npq =. =.05 Ejemplo propuesto: Se sabe que el 70 % de las partes de una productora de autos se encuentran en buen estado, si se selecciona aleatoriamente 2 partes, encontrar la probabilidad de: a. Ninguna defectuosa. b. Exactamente defectuosas c. Entre 5 y 8 en buen estado Solución: 2 a. F(0) = C 0 ( ) ( 00 ) = 0,0=, % 2 b. F() = C ( ) ( 00 ) = 0,2 = 2, % 2 c. F(5 < x < 8 ) = C 6 ( ) ( 00 ) + 2 C7 ( 0 00 = 0, ,589 = 0,27 = 2,7 % ) ( ) = 00 DISTRIBUCIÓN DE POISSON Tiene una variable aleatoria discreta que indica el número total de éxitos en la realización de un experimento n veces. Se utiliza como una aproximación de la distribución binomial cuando el tamaño de la muestra es muy grande y tiende a infinito y la probabilidad de éxito es muy pequeña y tiene a 0. Se puede decir que es perfecta cuando la media U x = np en la distribución binomial es menor a 5. 2
33 U x = np < 5 Esa función de cuantía de la distribución de Poisson es igual a e Ux F(x) = e Ux x! Esta distribución también se utiliza en los procesos Poissonianos cuando se refiere a sucesos y a eventos con respecto al tiempo eje: llegada de clientes a un banco durante un tiempo determinado. Ejemplo: Suponga que el % de los artículos producidos por una maquina son defectuosos si se toma una muestra aleatoria de 00 artículos encontrar la probabilidad de: a) Ninguno defectuoso b) Exactamente 2 defectuosos c) Menos de 2 defectuosos d) Más de 2 defectuosos. X= V.a que indica # total de éxito. P=0,0; n= 00; U= np= 00x 0,0= < 5 a. P (0) = e 0 0! b. P (2) = e 2 2! c. P (x<2) = e 0 0! = 6,79% = 8,% + e! = 7,5 % d. P (x > 2) =- P( X 2 ) = - e 0 0! + e! + e 2 2! = 8 % A una oficina de correo llegan hombres, mujeres y niños siguiendo una distribución de Poisson así: 2 hombres cada hora 6 mujeres cada 0 min Y 5 niños cada media hora a) Exactamente 2 hombres cada 5 min b) Más de 2 mujeres cada 8 min c) Exactamente niños cada 5 min d) Exactamente cliente cada 5 min
34 Rta: a. 2 h 60 min X 5 min = H cada 5 min P (2)= e 2 = 8, % 2! b. 6muj 0 min X 8 min =,2 mujeres. P(x > 2)= p(x 2) = - ( e,2,2 0 0! + e,2,2! + e,2,2 2 2! ) = 2,26 % c. 5 min 0 X 5 = X =0,8 P (2)= e 0.8 0,8! =,% d. 6 mujeres 0 min X 5 min x =0,75 5 min 0 X 5 = X =0,8 2 hombres 60 min X 5 min: x = U x = 2,58 F ()= e 2,58 2,58! = 9% Ejemplo propuesto: Suponga que el 5 % de las flores producidas en un vivero son defectuosas, si se toma una muestra aleatoria de 00 flores, encontrar la probabilidad de: a. Ninguna defectuoso b. Exactamente 8 defectuosos c. Menos de 2 defectuosos Solución: P = 5 % = 5 00 ; n= 00 P n = 5 = U x
35 5 a. P (0) = e ! b. P (8) = e ! c. P (x<2) = e ! = 0,0067 x 00 = 0,67% = 0,0652 x 00 = 6,5% + e 5 5! = 0,00 x 00 = % = 0, ,0 DISTRIBUCIÓN NORMAL Sea x una variable aleatoria continua que indica los éxitos con función de densidad F (x) = ( x Ux ) 2 2π rx e 2 rx X ~ N (U x ; r x ) = Z ~ N (U x = 0; r x = ) P (x < x < x2) Teorema central: Z = X Ux rx f (x)dx = P (x < x < x2) = x2 x,5,5 2,5 2,5 0,5 f (x)dx P (x < x < x2)= P ( X Ux rx < X Ux rx P (Z < Z < Z2)= < X2 Ux rx ) 5
36 X Z P (Z < Z < Z2) = N (Z2) P (Z <,) = N (,)= 0,96 B. a la derecha de,8 P ( Z <,8 ) = N (,8 )= - P ( Z,8 ) = N (,8 ) = 0, 969 = 0, 05 =, 5 % Z,8,9 6
37 7 C. izquierda de Z =,8 P ( Z <,8 ) = N (,8 )= 0,906 = 9, % D. Z = -,8 ; Z=,8 P( -,8 <,8 ) = N (,8) N (-,8) = 0,906-0,52 = 0,895= 89,5 % 2. En una distribución normal estándar encontrar el valor de Z cuando el área bajo la curva a la derecha de Z es de 0, P ( Z > z ) = 0, = - P ( Z z ) = 0, = 0,59 Z 0, 0,2 0, 0,2 0,59. U x = 0 meses r x = 6, meses a. P ( X > 2 ) = P ( Z > 2 0 ) 6, P (Z > - 8 ) = P (Z >,27) 6, = - P (Z,27) = 0,020 = 0,898 = 89 % 2 Ux= 0 Z Entre 5 y 5 meses P( 5 < x < 5 ) = P ( 5 0 6, < z < 5 0 6, ) = N ( -0,79 ) N ( 0,79 )= 0,7852-0,28 = 57 % 7
38 8 Ejemplo propuesto: En una distribución estándar encontrar el valor de Z cuando el área bajo a curva a la derecha de Z es 0,52 P (Z > z) = 0,52 P (Z z) = 0,8 Ejemplo propuesto: Se regula una máquina de helados que sirve en promedio 200 gramos por cono, si la cantidad de helado se distribuye normalmente, con una desviación estándar de 8 gramos. Cuál es la probabilidad de que un vaso contenga entre 89 y 20 gramos? U x = 200; r x = 8 P (89 < Z < 20) P ( < Z < ) = - 0,6 < Z < 0,66 = N (0,66) - N (-0,6) = 0,5675 0,2709 = 0,2966 x 00 = 29,6% Ejemplo propuesto: En una distribución estándar encontrar el valor de Z cuando el área bajo a curva a la derecha de Z es 0,52 P (Z > z) = 0,52 P (Z z) = 0,8 Ejemplo propuesto: Se regula una máquina de helados que sirve en promedio 200 gramos por cono, si la cantidad de helado se distribuye normalmente, con una desviación estándar de 8 gramos. Cuál es la probabilidad de que un vaso contenga entre 89 y 20 gramos? U x = 200; r x = 8 P (89 < Z < 20) P ( < Z < ) = -0,6 < Z < 0,66 = N (0,66) - N (-0,6) = 0,5675 0,2709 = 0,2966 x 00 = 29,6% Ejercicios capitulo 6. Dada la distribución normal estándar, encuentre el área bajo la curva que esta 8
39 9 a) A la izquierda de z=.; z =. P(z <.) N(.) = = 92.6% b) A la derecha de z=-0.89; z = 0.89 P(z > 0.89) = P(z 0.89) N( 0.89) = = 0.8 = 8.% c) Entre z=-2.6 y z=-0.65; P( 2.6 < z < 0.65) = N( 0.65) N( 26) = = 0.22 = 2.2% D A la izquierda z=-.9; z =.9 P(z <.9) N(.9) = = 8.2% e) A la derecha de z=.96; z =.96 P(z >.96) = P(z.96) N(.96) = = = 25% f) Entre z=-0.8 y z=.7 P( 0.8 < z <.7) = N(.7) N( 0.8) = = 0.65 = 6.5% 2. Encuentre el valor de z si el área bajo una curva normal estándar a) A la derecha de z es 0.622; P(Z > z) = P(Z z) = P(Z z) = N(z) = z = 0. 5 b) A la izquierda de z es 0.; P(Z < z) = 0. N(z) =.2 c) Entre 0 y z, con z>0, 0.88; P(Z < 0) = 0.88 P(Z < 0) = = N(z) = z = 0.0 d) Entre-z y z, con z>0, es ; P(Z > 0) = P(Z 0) = = 0.05 =.59 N(z) = 0.05 z 9
40 0 7. un investigador científico reporta que unos ratones vivirán un promedio de 0 meses cuando sus dietas se restringen drásticamente y después se enriquecen con vitaminas y proteínas. Suponga que las vidas de tales ratones se distribuyen normalmente con un desviación estándar de 6. meses, encuentre la probabilidad de que un ratón dado viva. U x = 0 meses r x = 6. meses X ~ N (U x = 0 meses ; r x = 6. meses) a) Mas de 2 meses P(x > 2) P (z > ) = P (z > ) = P(z >.27) = P(z.27) = N(.27) = = = 89.80% b) Menos de 28 meses P(x < 28) = P (z c) Entre 7 y ) = N(.90) = = 2.87% P(7 < x < 9) = P ( < z < ) = P( 0.7 < Z <.2) = N(.2) N( 0.7) = = = 75.62% 8. Las barras de pan de centeno que ciertas panadería distribuyen a las tiendas locales tiene una longitud promedio de 0 cm y una desviación estándar de dos centímetros. Suponga que las longitudes están distribuidas normalmente Qué porcentaje de las barras son a) Mas largas que.7cm? U x = 0 cm; r x = 2 cm.7 0 P(x >.7) = P (z > ) = P(z 0.87) = N(0.87) = = = 9.22% b) Entre 29. y.5 centímetros de longitud? P(29. < x <.5) = P ( < z <.5 0 ) = P( 0.5 < Z <.75) = N(.75) 2 2 N( 0.5) = = = 59.6% c) Mas cortas que 25.5 centímetros? 0
41 P(x < 25.5) = P (z ) = N( 2.25) = =.22% 2 9. Se regula una maquina despachadora de refrescos para que sirva un promedio de 200 mililitros por vaso. Si l a cantidad de bebida se distribuye normalmente con una desviación estándar igual a 5 mililitros, a) Qué fracción de vasos obtendrán más de 22 mililitros? μ x = 200 δ x = 5m P(X > 22) P (Z ) P(Z >.6) P(Z.6) N(.6) 5 = = 0.05 = 5.8% b) Cuál es la probabilidad de que un vaso contenga entre9 y 209? P(9 < x < 209) = P ( < z < ) = P( 0.6 < Z < 0.6) = N(0.6) 5 5 N( 0.6) = = 0.5 = 5.% c) Cuántos vasos probablemente se derramaran si se utilizan vasos de 20 mililitros para las siguientes 000 bebidas? P(X > 20) P (Z ) P(Z > 2) N(2) = = = 2.28% 5 d) por debajo de que valor obtendremos 25% de las bebidas mas pequeñas? P(Z < z) = 0.25 N(z) = El diámetro interior del anillo de un pistón ya terminado se distribuye normalmente con una media de 0 cm y una desviación estándar de 0.0 cm, a) Qué proporción de anillos tendrán diámetros interiores que excedan centímetros? U x = 0 cm; r x = 0.0 cm P(x > 0.075) = P (z > ) = P(z 2.5) = N(2.5) 0.0 = = 0.62% b) Cuál es al probabilidad de que el anillo de un pistón tenga un diámetro interior entre 9.97 y 0.0 centímetros?
42 P(9.97 < x < 0.0) = P ( < x < ) = P( < Z < ) = N() N( ) = = = 68.26%.. Las alturas de 000 estudiantes se distribuyen normalmente con una media de 7.5 cm y una desviación estándar de 6.9 cm. Suponga que las alturas se registran al medio centímetros mas cercano, cuantos de estos estudiantes esperaría que tuvieran alturas a) Menores que 60.0 cm? U x = 7.5 cm; r x = 6.9cm P(x < 60.0) = P (z ) = N( 2.0) = =.79% 6.9 b) Entre 7.5 y 82.0 cm inclusive? P(7.5 < x < 82.0) = P ( < z < ) = P( 0. < Z <.08) = N(.08) N( 0.) = = = 52.6% c) Igual a 75.0 cm? P(X = 75) P (Z ) = P(Z = 0.072) = P(z = 0.072) 6.9 N( 0.072) = 0.72 = = 52.79% d) Mayor que o igual a 88.0 cm? P(x 88.0) = P (z > ) = P(z.95) = N(.95) = 0.97 = = 2.56% 2
Definición de probabilidad
Tema 5: LA DISTRIBUCIÓN NORMAL 1. INTRODUCCIÓN A LA PROBABILIDAD: Definición de probabilidad Repaso de propiedades de conjuntos (Leyes de Morgan) Probabilidad condicionada Teorema de la probabilidad total
Más detallesTema 5 Algunas distribuciones importantes
Algunas distribuciones importantes 1 Modelo Bernoulli Distribución Bernoulli Se llama experimento de Bernoulli a un experimento con las siguientes características: 1. Se realiza un experimento con dos
Más detallesTeorema del límite central
TEMA 6 DISTRIBUCIONES MUESTRALES Teorema del límite central Si se seleccionan muestras aleatorias de n observaciones de una población con media y desviación estándar, entonces, cuando n es grande, la distribución
Más detallesEl momento k-ésimo para una variable aleatoria discreta respecto del origen, es. n = esperanza matemática de X
Momentos El momento k-ésimo para una variable aleatoria discreta respecto del origen, es E(x) n = i = 1 k i ( ) x.p x El primer momento centrado en el origen (k=1) es la esperanza matemática de X También
Más detallesDISTRIBUCIONES DE PROBABILIDAD. es una representación gráfica que permite visualizar un experimento de pasos múltiples.
es una representación gráfica que permite visualizar un experimento de pasos múltiples. Considere un experimento que consiste en lanzar dos monedas. Defina los resultados experimentales en términos de
Más detallesProf. Eliana Guzmán U. Semestre A-2015
Unidad III. Variables aleatorias Prof. Eliana Guzmán U. Semestre A-2015 Variable Aleatoria Concepto: es una función que asigna un número real, a cada elemento del espacio muestral. Solo los experimentos
Más detallesMODELOS DISCRETOS DE PROBABILIDAD
MODELOS DISCRETOS DE PROBABILIDAD M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Modelo Uniforme Discreto Modelo Uniforme Discreto Sea
Más detallesTema 3. Probabilidad y variables aleatorias
1 Tema 3. Probabilidad y variables aleatorias En este tema: Probabilidad: Experimentos aleatorios, espacio muestral, sucesos. Interpretaciones de la probabilidad. Propiedades de la probabilidad. Probabilidad
Más detalles1. La Distribución Normal
1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando
Más detallesEstadística Clase 2. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 010 Clase Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 1. La distribución de Bernoulli. La distribución binomial 3. La distribución de
Más detallesTEMA 3: Probabilidad. Modelos. Probabilidad
TEM 3: Probabilidad. Modelos Probabilidad Fenómeno aleatorio: es aquel cuyos resultados son impredecibles. Ejemplos: Lanzamiento de una moneda: Resultados posibles: cara, cruz. Selección al azar de un
Más detallesDistribuciones Discretas de. Probabilidad. Dr. Víctor Aguirre Torres, ITAM. Guión 6.
Distribuciones Discretas de Probabilidad 1 Contenido 1. Variables Aleatorias. 2. Distribuciones Discretas de Probabilidad. 3. Valor Esperado y Varianza. Propiedades. 4. Distribución de Probabilidad Binomial.
Más detallesProbabilidad Condicional
Probabilidad Condicional Ejemplo: Se tiene que dos bolas son seleccionadas aleatoriamente (sin reemplazo) de un caja que contiene r bolas rojas y b bolas azules. Cuál es la probabilidad de que la primera
Más detallesTeorema de Bayes(6) Nos interesan las probabilidades a posteriori o probabilidades originales de las partes p i :
Teorema de Bayes(5) 75 Gráficamente, tenemos un suceso A en un espacio muestral particionado. Conocemos las probabilidades a priori o probabilidades de las partes sabiendo que ocurrió A: Teorema de Bayes(6)
Más detallesTema 4: Variables Aleatorias
Tema 4: Variables Aleatorias Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Variables Aleatorias Curso 2009-2010 1 / 10 Índice 1 Concepto
Más detallesTema 13. Distribuciones de Probabilidad Problemas Resueltos
Tema 3. Distribuciones de Probabilidad Problemas Resueltos Distribución de Probabilidad. Una variable aleatoria discreta, X, se distribuye como se indica en la siguiente tabla: ( ) a) Halla el valor de
Más detalles1. Experimentos aleatorios
1. Eperimentos aleatorios La eperimentación es útil porque si se supone que llevamos a cabo ciertos eperimentos bajo condiciones esencialmente idénticas se llegará a los mismos resultados. En estas circunstancias,
Más detallesCurso de Probabilidad y Estadística
Curso de Probabilidad y Estadística Distribuciones de Probabilidad Dr. José Antonio Camarena Ibarrola camarena@umich.mx Universidad Michoacana de San Nicolás de Hidalgo Facultad de Ingeniería Eléctrica
Más detallesPROBABILIDAD. Es el conjunto de todos los resultados posibles de un experimento aleatorio. Por ejemplo: Experimento: tirar un dado.
1 PROBABILIDAD EXPERIMENTOS Al fijar las condiciones iniciales para un experimento se da lugar a dos tipos de situaciones: a) Experimentos determinísticos: se conoce el resultado. Por ejemplo: si suelto
Más detallesCálculo de probabilidad. Tema 1: Combinatoria y probabilidad
Cálculo de probabilidad Tema 1: Combinatoria y probabilidad Guión Guión 1.1. Análisis combinatorio Regla de multiplicación Este es el método de conteo más sencillo que existe. Supongamos que realizamos
Más detallesHOJA DE TRABAJO UNIDAD 3
HOJA DE TRABAJO UNIDAD 3 1. Defina que es probabilidad Es el estudio de experimentos aleatorios o libres de determinación, el resultado es al azar. Se refiere al estudio de la aleatoriedad y a la incertidumbre.
Más detallesProbabilidad Condicional
Probabilidad Condicional Independencia condicional Como hemos dicho, las probabilidades condicionales tienen las mismas propiedades que las probabilidades no condicionales. Un ejemplo más es el siguiente:
Más detallesDefinición: Se llama variable aleatoria a toda función X que asigna a c/u de los elementos del espacio muestral S, un número Real X(s).
VARIABLE ALEATORIA Definición: Se llama variable aleatoria a toda función X que asigna a c/u de los elementos del espacio muestral S, un número Real X(s). X : S S s s X () s X(s) Rx Rx es el recorrido
Más detallesProbabilidad, Variable Aleatoria Pag 1 de 26 PROBABILIDAD
Probabilidad, Variable Aleatoria Pag 1 de 6 PROBABILIDAD Actualmente la teoría de probabilidades desempeña un papel importante en el campo de los negocios, la investigación, específicamente en la toma
Más detallesT1. Distribuciones de probabilidad discretas
Estadística T1. Distribuciones de probabilidad discretas Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir de
Más detalles2.3 PROPIEDADES DE LA PROBABILIDAD
2.3 PROPIEDADES DE LA PROBABILIDAD 1. La probabilidad es positiva y menor o igual que 1. 0 p( 1 2. La probabilidad del suceso seguro es 1. p (E) = 1 3. Si A y B son incompatibles, es decir A B = entonces:
Más detallesFormulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico
Formulario. Estadística Administrativa Módulo 1. Introducción al análisis estadístico Histogramas El número de intervalos de clase, k, se elige de tal forma que el valor 2 k sea menor (pero el valor más
Más detallesJUEGO DE BASKETBALL. Repaso de Distribuciones de Probabilidad Discretas y Continuas
JUEGO DE BASKETBALL Repaso de Distribuciones de Probabilidad Discretas y Continuas PREGUNTA #1 Qué es una variable aleatoria uniforme discreta? Cómo es su distribución? Qué es una variable aleatoria uniforme
Más detallesDISTRIBUCIÓN N BINOMIAL
DISTRIBUCIÓN N BINOMIAL COMBINACIONES En muchos problemas de probabilidad es necesario conocer el número de maneras en que r objetos pueden seleccionarse de un conjunto de n objetos. A esto se le denomina
Más detallesProbabilidad, Variables aleatorias y Distribuciones
Prueba de evaluación continua Grupo D 7-XII-.- Se sabe que el 90% de los fumadores llegaron a padecer cáncer de pulmón, mientras que entre los no fumadores la proporción de los que sufrieron de cáncer
Más detallesEstadistica II Tema 0. Repaso de conceptos básicos. Curso 2009/10
Estadistica II Tema 0. Repaso de conceptos básicos Curso 2009/10 Tema 0. Repaso de conceptos básicos Contenidos Variables aleatorias y distribuciones de probabilidad La distribución normal Muestras aleatorias,
Más detallesESTADISTICA GENERAL. PRINCIPALES DISTRIBUCIONES CONTINUAS Profesor: Celso Celso Gonzales
ESTADISTICA GENERAL PRINCIPALES DISTRIBUCIONES CONTINUAS Profesor: Celso Celso Gonzales OBJETIVOS Describir las características de las distribuciones de probabilidad : Normal, Ji-cuadrado, t de student
Más detallesVariables Aleatorias Discretas
Profesor Alberto Alvaradejo Ojeda 9 de septiembre de 2015 Índice 1. Variable aleatoria 3 1.1. Discretas...................................... 3 1.2. Continuas..................................... 3 1.3.
Más detallesTALLER 3 ESTADISTICA I
TALLER 3 ESTADISTICA I Profesor: Giovany Babativa 1. Un experimento consiste en lanzar un par de dados corrientes. Sea la variable aleatoria X la suma de los dos números. a. Determine el espacio muestral
Más detallesLISTA DE EJERCICIOS PARA ETS DE PROBABILIDAD (IE, ICA, e ISISA)
LISTA DE EJERCICIOS PARA ETS DE PROBABILIDAD (IE, ICA, e ISISA) PROBABILIDAD CONDICIONAL 1. Dados P (A) = 0.4, P (B A) = 0.3 y P (B c A c ) = 0.2, determine: a) P (A c ). b) P (B A c ). c) P (B). d) P
Más detallesDistribuciones de probabilidad discretas
Lind, Douglas; William G. Marchal y Samuel A. Wathen (2012). Estadística aplicada a los negocios y la economía, 15 ed., McGraw Hill, China. Distribuciones de probabilidad discretas Capítulo 6 FVela/ McGraw-Hill/Irwin
Más detalles8 Resolución de algunos ejemplos y ejercicios del tema 8.
INTRODUCCIÓN A LA ESTADÍSTICA. GRUPO 71 LADE. 29 8 Resolución de algunos ejemplos y ejercicios del tema 8. 8.1 Ejemplos. Ejemplo 49 Supongamos que el tiempo que tarda en dar respuesta a un enfermo el personal
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:
Más detallesviii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos
Contenido Acerca de los autores.............................. Prefacio.... xvii CAPÍTULO 1 Introducción... 1 Introducción.............................................. 1 1.1 Ideas de la estadística.........................................
Más detallesREGLA DE LA MULTIPLICACIÓN
REGLA DE LA MULTIPLICACIÓN REGLA DE LA MULTIPLICACIÓN Cuando empleamos las reglas de la adición se determinaba la probabilidad de combinar dos eventos ( que suceda uno u otro o los dos) Cuando queremos
Más detallesUnidad II: Fundamentos de la teoría de probabilidad
Unidad II: Fundamentos de la teoría de probabilidad 2.1 Teoría elemental de probabilidad El Cálculo de Probabilidades se ocupa de estudiar ciertos experimentos que se denominan aleatorios, cuya característica
Más detallesProbabilidad Condicional
Cómo actualizar la probabilidad de un evento dado que ha sucedido otro? o Cómo cambia la probabilidad de un evento cuando se sabe que otro evento ha ocurrido? Ejemplo: Una persona tiene un billete de lotería
Más detallesTema 13: Distribuciones de probabilidad. Estadística
Tema 13: Distribuciones de probabilidad. Estadística 1. Variable aleatoria Una variable aleatoria es una función que asocia a cada elemento del espacio muestral, de un experimento aleatorio, un número
Más detallesConceptos de Probabilidad (II)
Conceptos de Probabilidad (II) Jhon Jairo Padilla A., PhD. Necesidad Es común escuchar frases como: Juan Probablemente ganará el torneo de tenis Tengo posibilidad de ganarme la lotería esta noche La mayoría
Más detallesDistribuciones de probabilidad más usuales
Tema 5 Distribuciones de probabilidad más usuales En este tema se estudiarán algunas de las distribuciones discretas y continuas más comunes, que se pueden aplicar a una gran diversidad de problemas y
Más detallesDiscretas. Continuas
UNIDAD 0. DISTRIBUCIÓN TEÓRICA DE PROBABILIDAD Discretas Binomial Distribución Teórica de Probabilidad Poisson Normal Continuas Normal Estándar 0.1. Una distribución de probabilidad es un despliegue de
Más detallesConcepto de Probabilidad
Concepto de Probabilidad Prof. Miguel Hesiquio Garduño. Est. Mirla Benavides Rojas Depto. De Ingeniería Química Petrolera ESIQIE-IPN hesiquiogm@yahoo.com.mx mbenavidesr5@gmail.com PROBABILIDAD En cualquier
Más detallesBLOQUE 5: EJERCICIOS DE ESTADÍSTICA PROBABILIDAD
BLOQUE 5: EJERCICIOS DE ESTADÍSTICA PROBABILIDAD EJERCICIO 1 Considera el siguiente conjunto de datos bidimensionales: X 1 1 2 3 4 4 5 6 6 y 2.1 2.5 3.1 3.0 3.8 3.2 4.3 3.9 4.4 a)sin efectuar cálculos
Más detallesPROBLEMAS DE PROBABILIDAD. 3. Calcula la probabilidad de que al lanzar dos dados la suma de sus puntos sea: a) igual a 5 b) mayor que 10
1. Se lanza un dado. Halla la probabilidad: a) de salir el 3 b) de salir un número par c) de salir un número mayor que 2 PROBLEMAS DE PROBABILIDAD 2. Calcula la probabilidad de que al lanzar dos monedas:
Más detallesPROBABILIDAD. Profesor: Rafael Núñez Nogales CÁLCULO DE PROBABILIDADES. Experimentos y sucesos
PROBABILIDAD CÁLCULO DE PROBABILIDADES Experimentos y sucesos Experimento aleatorio Es aquel cuyo resultado depende del azar, es decir no se puede predecir de antemano qué resultado se va a obtener aunque
Más detallescontablemente infinito.
III. Variables aleatorias Discretas y sus Distribuciones de Probabilidad 1 Variable aleatoria discreta Definición Una variable aleatoria se llama discreta si se puede contar su conjunto de resultados posibles.
Más detallesTEMA 3. Algunos modelos de probabilidad de tipo discreto. 3.1 Al finalizar el tema el alumno debe conocer...
TEMA 3. Algunos modelos de probabilidad de tipo discreto En este capítulo se abordan «familias» muy específicas de probabilidad, que con cierta frecuencia se nos presentan en el mundo real. Van a ser distribuciones
Más detallesTEMA 2: DISTRIBUCIÓN DE PROBABILIDAD
TEMA 2: DISTRIBUCIÓN DE PROBABILIDAD A partir de un experimento aleatorio cualquiera, se obtiene su espacio muestral E. Se llama variable aleatoria a una ley (o función) que a cada elemento del espacio
Más detallesCálculo y EstadísTICa. Primer Semestre.
Cálculo y EstadísTICa. Primer Semestre. EstadísTICa Curso Primero Graduado en Geomática y Topografía Escuela Técnica Superior de Ingenieros en Topografía, Geodesia y Cartografía. Universidad Politécnica
Más detallesUnidad Temática 2 Probabilidad
Unidad Temática 2 Probabilidad Responda verdadero o falso. Coloque una letra V a la izquierda del número del ítem si acepta la afirmación enunciada, o una F si la rechaza. 1. El experimento que consiste
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detallesFundamentos de Estadística y Simulación Básica
Fundamentos de Estadística y Simulación Básica TEMA 3 PROBABILIDADES Definiciones Algunas definiciones en Probabilidades Teoría de conjuntos Espacio muestral (E) Evento o suceso Eventos mutuamente excluyentes
Más detallesDISTRIBUCIONES DE PROBABILIDAD DISCRETA
Probabilidad DISTRIBUCIONES DE PROBABILIDAD DISCRETA Copyright 2010, 2007, 2004 Pearson Education, Inc. All Rights Reserved. 4.1-1 Combinando métodos descriptivos y probabilidades En este capítulo vamos
Más detallesNº Hermanos 30 Alumnos X i f i P(X i ) 0 8 0, , , , , ,00
U.D.3: Distribuciones Discretas. La Distribución Binomial 3.1 Variable Aleatoria Discreta. Función o Distribución de Probabilidad. Variable Aleatoria: - En un experimento aleatorio, se llama variable aleatoria
Más detallesModelos de distribuciones discretas y continuas
Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Modelos de distribuciones discretas y continuas Estadística I curso 2008 2009 1. Distribuciones discretas Aquellas
Más detallesCurso: 2º Grupo: B Día: 18 - IV CURSO
3ª EVALUACIÓN Curso: º Grupo: B Día: 18 - IV - 008 CURSO 007-08 EJERCICIO 1 (1.75 puntos) Sea la población {1, 5, 7}. Escriba todas las muestras de tamaño, mediante muestreo aleatorio simple, y calcule
Más detallesClase 5: Variables Aleatorias y Distribuciones de Probabilidad
Clase 5: Variables Aleatorias y Distribuciones de Probabilidad Variables Aleatorias Una variable aleatoria es una función que asocia un número real con cada elemento del EM. Ejemplo 1: El EM que da una
Más detallesAnálisis de Datos y Métodos Cuantitativos para la Toma de Decisiones 7ma versión MGM
Universidad Católica del Norte Escuela de Negocios Mineros Magíster en Gestión Minera Análisis de Datos y Métodos Cuantitativos para la Toma de Decisiones 7ma versión MGM Antofagasta, Junio de 2014 Freddy
Más detalles3 PROBABILIDAD Y DISTRIBUCION NORMAL
3 PROBABILIDAD Y DISTRIBUCION NORMAL La probabilidad puede ser considerada como una teoría referente a los resultados posibles de los experimentos. Estos experimentos deben ser repetitivos; es decir poder
Más detallesVARIABLES ALEATORIAS CONTINUAS
VARIABLES ALEATORIAS CONTINUAS El zoo binomial: las probabilidades en la distribución binomial. Tutorial 5, sección 2 X = número de éxitos al repetir n veces un experimento con probabilidaf de éxito p
Más detallesLECTURA 10: NOCIONES DE PROBABILIDAD (PARTE I) DEFINICIONES BÁSICAS DE PROBABILIDAD. PROBABILIDAD Y ENFOQUES DE PROBABILIDAD
LECTURA 10: NOCIONES DE PROBABILIDAD (PARTE I) DEFINICIONES BÁSICAS DE PROBABILIDAD. PROBABILIDAD Y ENFOQUES DE PROBABILIDAD TEMA 20: DEFINICIONES BASICAS DE PROBABILIDAD 1. EXPERIMENTO Un experimento
Más detallesTeoría de la decisión
Teoría de la decisión Repaso de Estadística Unidad 1. Conceptos básicos. Teoría de. Espacio muestral. Funciones de distribución. Esperanza matemática. Probabilidad condicional 1 Teoría de la decisión Teoría
Más detallesVariables aleatorias
Variables aleatorias DEFINICIÓN En temas anteriores, se han estudiado las variables estadísticas, que representaban el conjunto de resultados observados al realizar un experimento aleatorio, presentando
Más detallesCálculo de Probabilidades II Preguntas Tema 1
Cálculo de Probabilidades II Preguntas Tema 1 1. Suponga que un experimento consiste en lanzar un par de dados, Sea X El número máximo de los puntos obtenidos y Y Suma de los puntos obtenidos. Obtenga
Más detallesLa distribución bionomial negativa se emplea para determinar el enésimo éxito en la enésima oportunidad o evento
La distribución bionomial negativa se emplea para determinar el enésimo éxito en la enésima oportunidad o evento Hay que considera que esta distribución es lo contrario de la distribución binomial ya que
Más detallesDISTRIBUCIÓN PROBABILÍSTICA BINOMIAL APROXIMACIÓN LA CURVA NORMAL. Juan José Hernández Ocaña
DISTRIBUCIÓN PROBABILÍSTICA BINOMIAL APROXIMACIÓN LA CURVA NORMAL Juan José Hernández Ocaña DISTRIBUCIÓN PROBABILÍSTICA BINOMIAL Variable discreta.- Es aquella que casi siempre asume solamente un conjunto
Más detallesFundamentos de la Teoría de la Probabilidad. Ing. Eduardo Cruz Romero
Fundamentos de la Teoría de la Probabilidad Ing. Eduardo Cruz Romero www.tics-tlapa.com Teoría elemental de la probabilidad (1/3) El Cálculo de Probabilidades se ocupa de estudiar ciertos experimentos
Más detallesCÁLCULO DE PROBABILIDADES
CÁLCULO DE PROBABILIDADES 1. Regla de Laplace. Ejercicio 1. (2005) Ejercicio 2. (2004) María y Laura idean el siguiente juego: cada una lanza un dado, si en los dos dados sale el mismo número, gana Laura;
Más detallesTema 7. Variables Aleatorias Continuas
Presentación y Objetivos. Tema 7. Variables Aleatorias Continuas En este tema se propone el estudio de las variables aleatorias continuas más importantes, desde la más simple incrementando el grado de
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Tema 4 Variables aleatorias Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Describir las características de las variables aleatorias discretas y continuas.
Más detallesModelos de distribuciones discretas y continuas
Tema 6 Modelos de distribuciones discretas y continuas 6.1. Modelos de distribuciones discretas 6.1.1. Distribución uniforme sobre n puntos Definición 6.1.2 Se dice que una v.a. X sigue una distribución
Más detallesCORPORACION UNIFICADA NACIONAL DE EDUCACION SUPERIOR CUN DEPARTAMENTO DE CIENCIAS BASICAS: MATEMATICAS
CORPORACION UNIFICADA NACIONAL DE EDUCACION SUPERIOR CUN DEPARTAMENTO DE CIENCIAS BASICAS: MATEMATICAS ACTIVIDAD ACADEMICA: ESTADISTICA DE LA PROBABILIDAD DOCENTE: LIC- ING: ROSMIRO FUENTES ROCHA UNIDAD
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 6)
TEMA Nº 6 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Ser capaz de definir correctamente una o más variables aleatorias sobre los resultados de un experimento aleatorio y determinar
Más detallesCurs MAT CFGS-17
Curs 2015-16 MAT CFGS-17 Sigue la PROBABILIDAD Resumen de Probabilidad Teoría de probabilidades: La teoría de probabilidades se ocupa de asignar un cierto número a cada posible resultado que pueda ocurrir
Más detallesVariables aleatorias unidimensionales
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Variable aleatoria 1 Variable aleatoria 2 3 4 Variable aleatoria Definición Las variables aleatorias son funciones cuyos valores dependen
Más detallesDistribuciones de Probabilidad
Distribuciones de Probabilidad Variables Aleatorias Ahora se introducirá el concepto de variable aleatoria y luego se introducirán las distribuciones de probabilidad discretas más comunes en la práctica
Más detalles4.1. Definición de variable aleatoria. Clasificación.
Capítulo 4 Variable aleatoria Una variable aleatoria es un valor numérico que corresponde a un resultado de un experimento aleatorio. Algunos ejemplos son: número de caras obtenidas al lanzar seis veces
Más detallesVariable Aleatoria Continua. Principales Distribuciones
Variable Aleatoria Continua. Definición de v. a. continua Función de Densidad Función de Distribución Características de las v.a. continuas continuas Ejercicios Definición de v. a. continua Las variables
Más detallesREGLAS DE PROBABILIDAD
Capítulo 4 Probabilidad REGLAS DE PROBABILIDAD 4.1-1 Evento Compuesto Un evento compuesto es cualquier evento que combina 2 o más eventos simples. Ejemplo: Al lanzar un dado justo de 6 caras, cuál es la
Más detallesGuía Matemática NM 4: Probabilidades
Centro Educacional San Carlos de Aragón. Dpto. Matemática. Prof.: Ximena Gallegos H. Guía Matemática NM : Probabilidades Nombre: Curso: Aprendizaje Esperado: Determinar la probabilidad de ocurrencia de
Más detallesIntervalos de Confianza
Intervalos de Confianza Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Intervalo de Confianza Se puede hacer una estimación puntual de
Más detallesTALLER N 4 DE ESTADÍSTICA
UNIVERSIDAD CATÓLICA DEL MAULE FACULTAD DE CIENCIAS BÁSICAS PEDAGOGÍA EN MATEMÁTICA Y COMPUTACIÓN TALLER N 4 DE ESTADÍSTICA Integrante 1 : Victor Córdova Cornejo (heibubu@hotmail.com) Integrante 2 : Rodrigo
Más detallesESCUELA COMERCIAL CÁMARA DE COMERCIO EXTENSIÓN DE ESTUDIOS PROFESIONALES MAESTRÍA EN ADMINISTRACIÓN
CICLO, ÁREA O MÓDULO: TERCER CUATRIMESTRE OBJETIVO GENERAL DE LA ASIGNATURA: Al termino del curso el alumno efectuara el análisis ordenado y sistemático de la Información, a través del uso de las técnicas
Más detallesEstadística Aplicada
Estadística Aplicada Distribuciones de Probabilidad Variables aleatorias Toman un valor numérico para cada resultado de un espacio muestral Discretas. Sus valores posibles constituyen un conjunto discreto.
Más detallesPROBABILIDAD Y ESTADÍSTICA
FACULTAD DE INGENIERÍA U N A M PROBABILIDAD Y ESTADÍSTICA Irene Patricia Valdez y Alfaro irenev@unam.mx T E M A S DEL CURSO 1. Análisis Estadístico de datos muestrales. 2. Fundamentos de la Teoría de la
Más detallesDistribuciones de muestreo fundamentales y descripciones de datos Muestreo aleatorio
Distribuciones de muestreo fundamentales y descripciones de datos Muestreo aleatorio En ocasiones en que no es posible o conveniente realizar un censo (analizar a todos los elementos de una población),
Más detallesGRADO TURISMO TEMA 7: INTRODUCCIÓN A LOS MODELOS DE PROBABILIDAD
GRADO TURISMO TEMA 7: INTRODUCCIÓN A LOS MODELOS DE PROBABILIDAD Prof. Rosario Martínez Verdú TEMA 7: INTRODUCCIÓN A LOS MODELOS DE PROBABILIDAD 1. Nociones básicas de teoría de la probabilidad. 2. Variable
Más detallesProbabilidad del suceso imposible
2º BACHILLERATO MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II TEMA 4.- PROBABILIDAD PROFESOR: RAFAEL NÚÑEZ -----------------------------------------------------------------------------------------------------------------------------------------------------------------
Más detallesIntroducción al Tema 7. Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones.
Introducción al Tema 7 1 Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones. V.A. de uso frecuente Tema 7. Modelos probabiĺısticos discretos
Más detallesModelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema:
Modelos de probabilidad Modelos de probabilidad Distribución de Bernoulli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno será capaz
Más detallesAxiomática de la Teoría de Probabilidades
Axiomática de la Teoría de Probabilidades Modelos matemáticos Según el experimento Cada ejecución del experimento se denomina prueba o ensayo Determinísticos Aleatorios Conjunto de resultados posibles
Más detallesSESION 12 LA DISTRIBUCIÓN BINOMIAL
SESION LA DISTRIBUCIÓN BINOMIAL I. CONTENIDOS:. La distribución omial.. Variables aleatorias en una distribución omial. 3. Descripciones de la distribución omial. 4. Distribución de Poisson. II. OBJETIVOS:
Más detalles1. Lanzamos una moneda 400 veces. Halla la probabilidad de que el número de caras sea mayor que 200.
1. Lanzamos una moneda 400 veces. Halla la probabilidad de que el número de caras sea mayor que 200. 2. Lanzamos una moneda 400 veces. Halla la probabilidad de que el número de caras esté entre 180 y 220.
Más detalles5 DISTRIBUCIONES BINOMIAL Y DE POISSON
5 DISTRIBUCIONES BINOMIAL Y DE POISSON La repetición sucesiva de n pruebas (ensayos) de BERNOUILLI de modo independiente y manteniendo constante la probabilidad de éxito p da lugar a la variable aleatoria
Más detalles