Experimentos aleatorios y no aleatorios

Se denominan experimentos deterministas aquellos que realizados de la

misma forma y con las mismas condiciones iniciales, ofrecen siempre el
mismo resultado.

v = (2 g h)

Un experimento en el que no se puede predecir el resultado final, se

denomina experimento aleatorio.
Este es el caso cuando en lanza un dado y se observa el resultado.
Experimentos y sucesos aleatorios

Diremos que un experimento es aleatorio si se verifican las

siguientes condiciones:
1. Se puede repetir indefinidamente, siempre en las mismas
condiciones;

2. Antes de realizarlo, no se puede predecir el resultado que se

va a obtener;

3. El resultado que se obtenga, e, pertenece a un conjunto

conocido previamente de resultados posibles.

A este conjunto, de resultados posibles, lo denominaremos espacio

muestral y lo denotaremos mediante la letra S.
Experimentos y sucesos aleatorios

Espacio muestral y suceso

Los resultados de una prueba constituyen los elementos del espacio

 Probabilidad de Laplace

Se calcula la probabilidad de un suceso aleatorio A, segn la regla de

Laplace como el cociente entre el nmero de casos favorables a A (nA =
n de veces que se presenta el suceso A), y el de todos los posibles
resultados de experimento (n):

P[A] = n / n
A

Esta definicin exige que todos los resultados sean igualmente probables

P (as) = P(A) = 1/6

 Nocin frecuentista de probabilidad

En los experimentos aleatorios se comprueba que cuando el nmero de experimentos

aumenta, las frecuencias relativas con que ocurre cierto suceso A, fr(A),

fr(A) = nmero de veces que ocurre A / n(n total de pruebas)

tiende a converger a un valor que denominamos probabilidad de A. A este enfoque se

denomina nocin frecuentista de probabilidad.

P[A] = lim n fr(A)

La nocin frecuentista de probabilidad no puede usarse en la prctica como definicin

de la probabilidad por que:

Requiere un n de experimentos
Hay experimentos que no pueden realizarse en la prctica
 Clculo de Probabilidades

Sean A y B dos sucesos aleatorios de probabilidades no nula, P[A] y

P[B] > 0.
Se define la probabilidad de la unin de A y B como a P (AB) y se
calcula como

P (AB) = P (A)+ P(B) - P(AB)

Esta expresin evala la probabilidad que ocurra A o B o ambos

 Probabilidad condicionada

Sea B S un suceso aleatorio de probabilidad no nula, P[B] > 0.

Para cualquier otro suceso A incluido S, llamamos probabilidad
condicionada de A a B (A dado B) a la cantidad que representamos
mediante

P[A|B] = P (AB) /P(B)

Esta expresin evala como el conocimiento de la ocurrencia de B

modifica la probabilidad del suceso A
 Probabilidad condicionada e independencia
de sucesos

Independencia

Segn la definicin de probabilidad condicionada, se puede escribir l

a probabilidad de la interseccin de dos sucesos como

P (AB)= P(A) P(B/A)= P(B) P (A/B)

Si son independientes A y B entonces

P (AB)= P(A) P(B)

Probabilidad condicionada e independenciade sucesos

Problema 1:

Demostrar que los sucesos DESEMPLEADO (D) Y MUJER (M) no son

independientes
Probabilidad condicionada e independencia
de sucesos

Problema 1:

P(D) =DESEMPLEADO
P (M) = MUJER

Si P (DM) P(M) P(D) M y D son dependientes, en caso

contrario son independientes

P(D) = nD/n = 300/900 P (M) = nM/n = 400/900

P (DP)=nDP/n=260/900

Como 260/900 400/900x 300/900 D y M son dependientes

0,288 0,444x 0,333

 Teoremas fundamentales del clculo de probabilidades

Teorema de la probabilidad compuesta, teorema de la probabilidad

total y teorema de Bayes.

Reglas de clculo de probabilidades bsicas

Unin

P[AUB] = P(A)+P(B)-P(AB)

Probabilidad del suceso contrario (complementario)

P[A] = 1 P[A]

Probabilidad condicionada del suceso contrario:

P( A / B) 1 P( A / B)
 Teoremas fundamentales del clculo de probabilidades
Problema 2:

P( A / B) 1 P( A / B)
S

Teoremas fundamentales del clculo de probabilidades

Teorema de la probabilidad total.

Sea A1,A2, . . . ,An es un

S
sistema exhaustivo y excluyente

n
Ai A j
S
Para todo B 1 , P[B] = P[B|Ai ] P[Ai]
S

Teorema de Bayes

Sea A1,A2, . . . ,An un sistema exhaustivo y excluyente de sucesos.

Sea B E un suceso del que conocemos todas las cantidades P[B|Ai ],

S
i = 1, . . . , n, a las que denominamos verosimilitudes. entonces se verifica:

S P[Aj/B] = P[B/Aj] P (Aj) / P(B)

Teorema de Bayes
Teorema de Bayes

Problema 3:
Teorema de Bayes

Solucin
P= hay peligro F= funciona la alarma NOP=no hay peligro
Datos:
P(F/P)= 0,95 P(F /NOP)=0,03 P(P)=0,10

a) P(NOP/F)= P(NOPF)/P(F)= P(NOP) P(F /NOP) / P(F)

pero

P(F) = P(NOP) P(F /NOP) + P(P) P(F /P) =0,90x0,03+0,10x0,95=0,122 (punto d)

Por lo que

P(NOP/F)= P(NOP) P(F /NOP) / P(F)= 0,90x0,03/0,122 =0,2213

b) P(PNF)= P(P) P(NF/P)= 0,10x (1-0,95)=0,10x0,05=0,005

Teorema de Bayes

Solucin
P= hay peligro F= funciona la alarma NOP=no hay peligro
Datos:
P(F/P)= 0,95 P(F /NOP)=0,03 P(P)=0,10

c) P(P/NF)= P(PNF)/P(NF)= P(P) P(NF /P) / P(NF)

pero

P(NF) = 1-P(F) = 1-0,122= 0,878

Por lo que

P(P/NF)= P(P) P(NF /P) / P(NF) = 0,10x0,05/ 0,878 = 0,00569

Teorema de Bayes

Problema 4:
Un grupo de investigacin que ha estado estudiando las probabilidades que ocurra
un accidente en una planta de energa nuclear, ha determinado que las tres causas
que pueden originar una fuga radioactiva son: incendio, falla del material y error
humano. Han determinado que si ocurre un incendio la probabilidad de fuga es de
0,20, si hay una falla del material la misma probabilidad es del 0,50 y de 0,10 en el
caso de un error humano.
Los estudios tambin han demostrado que la probabilidad que se presenten juntos
un incendio y una fuga de radiacin es de 0,0010, que se den juntas una falla y
fuga es de 0,0015 y que se d un error humano y haya fuga es de 0,0012.
Cul es la probabilidades de que se presente un incendio, una falla de
material y un error humano?
Cuales son las probabilidades respectivas que una fuga de radiacin sea
ocasionada por un incendio, una falla de material o por un error humano?
 Distribuciones de probabilidad

Distribuciones de variables aleatoria discreta

Binomial

Poisson

Hipergeomtrica

Experimento Bernoulli

Consiste en un experimento aleatorio nico que se considera un xito si

se da el resultado de inters y de fracaso en caso contrario

p= prob xito q= prob fracaso

Se podra definir este experimento mediante una v.a. discreta X que toma
el valor X = 0 si es fracaso y X = 1 en caso contrario, y que se denota
X~Ber (p)
 Distribuciones de probabilidad

Distribucin Binomial

Es una de las distribuciones de probabilidad de variable discreta ms

tiles que permite describir una variedad de procesos de inters

Sus reas de aplicacin incluyen el control de calidad,

mercadotecnia, medicina, encuestas de opinin, etc.

Para explicitarlo debemos considerar un experimento consistente en

una serie de pruebas, cuyo resultado puede clasificarse de "xito" o
"fracaso" en funcin de la aparicin o no de un evento o suceso de
inters cuya probabilidad es p ( xito)
Distribucin binomial

Nuestro inters se centra en determinar la probabilidad de obtener r xitos

en n prueba

Para calcularlo utilizaremos la siguiente expresin

P ( X r ) nCr. p r q n r

El producto pr qn-r corresponde a la probabilidad de obtener exactamente r

xitos , en n pruebas en una sucesin particular, mientras que el trmino nCr
indica cuantas sucesiones o arreglos de los r xitos en n pruebas son posibles.
Por lo tanto, dados el nmero de pruebas n y la probabilidad de xito p, se
puede determinar la probabilidad de obtener r= 0, 1, 2, ..... n xitos utilizando la
expresin anterior.
Distribuciones binomial

Los problemas a resolver pueden plantear las siguientes situaciones para un

experimento consistente en n pruebas

2 n2
1. P(r=2) nC 2. p q

2. P(r3)= P(r=0)+P(r=1)+P(r=2)+P(r=3) (acumulada hasta 3)

3. P(r 8)= P(r=8)+P(r=9)+..+P(r=n) =1-[P(r=0)+P(r=1)++P(r=7) ]

4. P(3r5)= P(r=3)+P(r=4)+P(r=5)

Cada uno de estos puntos pueden ser resueltos :

- manualmente
- mediante la tabla de distribucin binomial
- Utilizando el programa STATGRAPICHS
Distribuciones binomial

Veamos las respuestas para n=10 y p=0,50 (probabilidad de cara en el

lanzamiento de una moneda )

1. P(r=2)= 10C2 (0,50)2 (0,5) 10-2=8 =45 (0,50) 10=0.0439

En la tabla se selecciona n=10 y la columna de p=0,5

Para cada valor de r de 0 a 10 la tabla da valores de probabilidades

acumuladas, de modo que para r=2 el valor 0,0547 es en realidad
P(r2)=P(r=0)+P(r=1)+P(r=2)

Que puede ser escrita como

P(r2)=P(r 1)+P(r=2) de donde resulta

P(r=2)= P(r2)-P(r 1)= 0,0547-0,0107=0,044

Distribuciones binomial

P(r3)= P(r=0)+P(r=1)+P(r=2)+P(r=3) (acumulada hasta 3)

= 0,1719

P(r 8)= P(r=8)+P(r=9)+P(r=10) =1-[P(r=0)+P(r=1)++P(r=7) ]

= 1- P(r 7) = 1-0,9453=0,0547

P(3r5)= P(r=3)+P(r=4)+P(r=5)=P(r5)-P(r2)

=0,6230-0,0547=0,5683

La resolucin de este problema utilizando el STATGRAPICHS se

explicar en clase
Distribuciones binomial

- mediante la tabla de distribucin binomial

tablaspedro.pdf
 Distribuciones binomial

Problema 5: Hallar la probabilidad de contestar correctamente :

-exactamente 6
- al menos 6 de las 10 preguntas de un examen falso, verdadero.

a) mediante el uso de la formula de la distribucin binomial

b) con el uso de la tabla binomial

 Distribuciones binomial

Problema 6: En unas pruebas de alcoholemia se ha observado que el 5% de los

conductores controlados dan positivo en la prueba y que el 10% de los
conductores controlados no llevan puesto el cinturn de seguridad.
Tambin se ha observado que las dos infracciones son independientes.
Un inspector de transito efecta un control de cinco conductores al azar.
 Distribuciones binomial

Determinar :
1. la probabilidad a de que exactamente tres conductores hayan
cometido alguna de las dos infracciones
2. probabilidad de que al menos uno de los conductores controlados
haya cometido alguna de las dos infracciones.

utilizando

a) la formula de la distribucin binomial

b) con el uso de la tabla binomial

 Distribuciones de probabilidad
Distribucin de Poisson

Se refiere a eventos aleatorios ocurren de manera independiente con

una velocidad constante en el tiempo o en el espacio (en un continuo).

Ejemplos: nmero de llamadas telefnicas recibidas en una central,

nmero de glbulos rojos o blancos por cuadrcula en una cmara de
recuento, demanda de servicios mdicos en una institucin de salud,
nmero de colonias en un cultivo, etc.

Puede considerarse como una forma lmite de la distribucin binomial

cuando n y p 0, es decir muestras grandes y sucesos raros

La probabilidad se calcula como:

P (X=r) = e- r /r!
 Distribucin de Poisson

Uso de tablas

Medidas de tendencia central y de dispersin para la distribucin

=np= 2 = np = =nmero promedio o esperado de xitos por

intervalo

Las suposiciones o hiptesis en que se basa este modelo son:

Los n ensayos son independientes.

La probabilidad del evento es pequea y constante dentro del intervalo
La media de la distribucin = = np es relativamente pequea
comparada con el nmero de acontecimientos posibles dentro del
intervalo.
Distribucin de Poisson

Uso de tablas

tablas pedro.pdf
 Distribucin de Poisson

Problema7: el nmero promedio de imperfecciones en un alambre

delgado de cobre es de 2.3 imperfecciones por milmetro.

(a) Determine la probabilidad de 2 imperfecciones en un milmetro de

alambre.
(b) Determine la probabilidad de 10 imperfecciones en 5 milmetros de
alambre.
(c) Determine la probabilidad de al menos una imperfeccin en 2mm de
alambre
 Distribucin de Poisson

a) Determine la probabilidad de 2 imperfecciones en un milmetro de

alambre. El valor de = 2,3
P(r=2) = e-2,3 2,32 /2! = 0,265

(b) Determine la probabilidad de 10 imperfecciones en 5 milmetros de

alambre. El valor de = 2,3 x 5 =11,5
P(r=10) = e-11,5 11,510 /10! = 0,1129

(c) Determine la probabilidad de al menos una imperfeccin en 2mm de

alambre El valor de = 2,3 x 2 =4,6
P(r1) = 1- P(r=0) = 1 (e-4,6 4,60 /0!) =1- 0,010 = 0,99
 Distribuciones de probabilidad

Distribucin hipergeomtrica

En el control de calidad de productos e insumos, en la mayora de los

casos una inspeccin del lote completo resulta poco prctica ya sea
por razones de costo, tiempo o porque el ensayo a que debe ser
sometido el elemento para verificar su calidad es de tipo destructivo.

En lugar de eso, se inspecciona una parte o muestra del lote y la

decisin de rechazar o aceptar el mismo se realiza en funcin de los
resultados obtenidos para dicha muestra.

muestreo se realiza sin reemplazamiento

La probabilidad de xito no es constante
 Distribucin hipergeomtrica

El clculo de obtener r piezas que no cumplen con los requisitos de

calidad, cuando se extrae una muestra de tamao n, a partir de un lote
con un total de piezas igual a N en el que se postula la existencia de
un total de R piezas defectuosas se realiza utilizando la ecuacin :
( N R ) C ( n r )*. RCr
PH (n / N , R, p ) NCn

Distribuciones binomial e Hipergeomtrica se ocupan de lo mismo

Lo que cambia es la forma como se obtienen los datos
 Distribucin hipergeomtrica

Problema 8: De cada 50 motores fabricados resultan 2 que tienen algn

problema de fabricacin, si se elige al azar una muestra de 10 motores

Cual es la probabilidad de encontrar uno fallado?

Cual es la probabilidad de encontrar a lo sumo 2 con fallas?
Distribucin hipergeomtrica

PH (1 / 50,2,10) ( 48 ) C ( 9 )*.2 C 1
50 C10 0,3167

PH (0 / 50,2,10) ( 48 ) C (10 )*.2 C 0

50 C 10 0,649

PH (2 / 50,2,10) ( 48 ) C ( 8 )*.2 C 2
50 C10 0,0339
Distribucin hipergeomtrica

De acuerdo a las probabilidades obtenidas el resultado que

se va a presentar con mayor frecuencia es el de ningn
motor con problemas de fabricacin en la muestra de
control
La presentacin de dos motores con problemas es el de
menor probabilidad y no debera presentarse en un nico
muestreo (no es imposible, pero es muy poco probable)
 Distribuciones de probabilidad de variables continuas

Distribucin Normal

Es la ms importante y la de mayor uso

Es importante en la estadstica por tres razones principales:

a) hay muchos fenmenos en los que intervienen variables aleatorias continuas

que siguen la distribucin normal,

b) la distribucin normal se puede utilizar como una aproximacin a diversas

distribuciones de probabilidad de variables discretas, y con ello, evitar la
realizacin de clculos tediosos

c) la distribucin normal constituye la base de la inferencia estadstica clsica

Distribucin normal

(t ) 2
x 1

2 2
P(X x) =F (x; ,) = 1
e dt
2
 Distribucin normal

El clculo de P (Xx) = P (Zz) equivale a determinar el rea delimitada

por la curva normal (0,1) y los valores de abscisas - y Z.

Calculndose Z = (X- ) /

Ej. Las concentraciones de fluoruros en el agua de consumo presentado en el Cuadro

II.3 distribuye normal con parmetros =0.76 mg/l y =0.335 mg/l y estamos
interesados en calcular la probabilidad que la concentracin sea inferior o igual
una valor particular X1= 1.19 mg/l.

Para el calculo de esta probabilidad se debe procedr de la siguiente manera:

- Obtener el valor de Z1 correspondiente a X1 = 1,.19 por medio de la ecuacin
- evaluar la probabilidad como el rea entre - y el valor de Z1= 1,28 calculado
 Distribucin normal
Dicha probabilidad se ubica en la tabla, descomponiendo el valor Z1 = 1.28 en dos
partes, una que corresponde al primer dgito y la primera cifra decimal, es decir 1.2
y la otra que corresponde a la segunda cifra decimal expresada como 0.08.
En la interseccin de la fila correspondiente al valor 1,2 y la columna 0.08 se obtiene el valor
de la probabilidad entre - y el valor de z=1,28

P (X 1.19) = P(Z 1.28) = 0.89

 Distribucin normal

Uso de tabla

tablaspedro.pdf
 Distribucin normal

Problema 9: Una fbrica de gaseosa utiliza una envasadora automtica para

llenar botellas de plstico. Cada botella debe contener 170 ml pero en
realidad los contenidos varan segn una distribucin normal con media
=160 ml y desviacin tpica = 20 ml.
X ~N(160 ml , 20 ml).
Calcular la probabilidad que una botella seleccionada al azar en dicha poblacin tenga un volumen :

menor a 200 ml
mayor de 225 ml
entre 150 y 220 ml
 Distribucin normal

menor a 200 ml

P (X200) = P (Z 2)= 0,977

mayor de 225 ml

P (X225) = P (Z 3,25)= 1-0,9994= 0,0006

entre 150 y 220 ml

P (150X200) = P (-0,50Z 3)= (0,6912+0,9986)-1=0,6898

 Distribucin normal

Problema N 10
La vida promedio de cierto tipo de motor pequeo es de 10
aos con una desviacin estndar de 2 aos. Considere que
el proveedor reemplaza todos los motores que fallen dentro
del perodo de garanta. Si esta dispuesto a reemplazar solo
el 3 % de los motores que fallan cul debera ser la
duracin del periodo de garanta?
 Aproximaciones de las distribuciones de probabilidad
de variables discreta mediante la distribucin normal
Aproximacin normal a la Binomial

Se tiene que calcular Z mediante

( X ) ( X np )
Z

npq
 Aproximacin normal a la binomial

Problema 11:
Supngase que se tienen 20 puntos de muestreo a lo largo de un ro en que
se verifica si la demanda bioqumica de oxgeno (DBO5) se encuentra entre
los lmites estipulado por las leyes ambientales.
Si se sabe que, la probabilidad de que la concentracin de la demanda
bioqumica de oxgeno de 5 (DBO5) das se encuentre dentro de los lmites
estipulados por las leyes ambientales es de p = 0.6 (xito), obtener los
siguientes resultados :
(a) Calcular el promedio y la desviacin estndar de la variable
aleatoria X binomial.
(b) Usando la distribucin binomial calcular la probabilidad de que
exactamente 10 puntos el valor de la DBO estn dentro del lmite estipulado.
(c) Usando la distribucin normal obtener la probabilidad que el n de puntos
de muestreo que cumplan con las normas se encuentre entre 5 y 15.
Aproximacin normal a la binomial
 Aproximacin normal a la binomial

Para el punto d se tiene :

P(5<r<15)= P(4,5<X<15,5)= P(-3,42<Z<1,59)=0,9997+0,994-1=0,941

G:\Copia
penjul2011\Es tadis tica Aplicada
 Aproximacin normal a la binomial

Problema 12: Hallar la probabilidad de que un estudiante en un examen

falso-verdadero conteste correctamente:

a) 12 o ms de un total de 20,
b) 24 o ms de un total de 40 preguntas.
 Aproximaciones de las distribuciones de probabilidad
de variables discreta mediante la distribucin normal
Aproximacin a distribucin de Poisson

Se tiene que calcular Z mediante ( x )

Z

Ejemplo: Considere la distribucin del n de colonias en una caja de Petri de
rea A.
Asumiendo que la probabilidad de observar x colonias se calcula
exactamente utilizando las distribucin de Poisson con parmetro =10,
(10 colonias / 100 cm2).

Calcular :
la probabilidad de observar 20 o mas colonias en dicha superficie?
que tan usual puede considerarse el resultado obtenido?
Aproximaciones de las distribuciones de probabilidad
de variables discreta mediante la distribucin normal

P(r20)= P(x19,5)
Calculando el valor de z con la expresin anterior se tiene

z = 3,00

Por lo tanto la probabilidad pedida es

P(r20)= P(x19,5)= P(z3) = 1-099865=0,00135