1-1

UNIVERSIDAD CATOLICA DE SANTA MARIA

PROGRAMA PROFESIONAL DE INGENIERA INDUSTRIAL

CONTROL DE PROCESOS

Teora de Probabilidades

Introduccin

La incertidumbre cumple una funcin importante en nuestras vidas y actividades diarias, al igual que en los negocios. Ejemplo: Arturo tiene 75 aos, ha sufrido tres ataques cardiacos y trabaja como experto en desactivacin de bombas en el departamento de polica. Cuando solicita un seguro de vida, es rechazado como un riesgo inaceptable. En este caso ha tenido que ver la probabilidad. La compaa de seguros de Arturo considero que su edad, su salud y su actividad reducirn la probabilidad de que sobreviviera muchos aos mas.

Definiciones

Probabilidad: valor entre cero y uno, inclusive, que describe la posibilidad relativa de que ocurra un evento. Se utilizan tres palabras claves en el estudio de probabilidad: Experimento: proceso que conduce a la ocurrencia de una (y solamente una) de varias observaciones posibles. Resultado: lo que resulta en particular de un experimento. Evento: conjunto de uno o ms resultados de un experimento.

Ejemplo: Experimento: Tirar un dado Resultados posibles: Caer 1 Caer 2 Caer 3 Caer 4 Caer 5 Caer 6

Definiciones

Eventos posibles : Caer un nmero par Caer un nmero mayor que 4 Caer un nmero menor que 3

Enfoques de la probabilidad

Enfoques de la probabilidad

Enfoque objetivo 1)Probabilidad clsica o a priori 2) Concepto de frecuencia relativa (probabilidad a posteriori)

Enfoque subjetivo La posibilidad de que suceda un evento es asignado por una persona con base en cualquier informacin de que disponga (experiencia)

Enfoques de la probabilidad

Probabilidad clsica se basa en la consideracin de que los resultados de un experimento son igualmente posibles. Utilizando el punto de vista clsico,
Probabilidad de un evento = nmero de resultados favorables nmero total de resultados posibles

EJEMPLO 1

Considere el experimento de lanzar dos monedas al mismo tiempo. El espacio muestral S = {CC, CS, SC, SS} Considere el evento de una cara. Probabilidad de una cara = 2/4 = 1/2.

Eventos mutuamente excluyentes

Eventos mutuamente excluyentes: la ocurrencia de cualquier evento implica que ningn otro puede ocurrir al mismo tiempo. En el EJEMPLO 1, los cuatro resultados posibles son mutuamente excluyentes.

Eventos colectivamente exhaustivos

Colectivamente exhaustivos: por lo menos uno de los eventos debe ocurrir cuando se realiza un experimento. En el EJEMPLO 1, los cuatro resultados posibles son colectivamente exhaustivos. En otras palabras, la suma de las probabilidades es = 1 (.25 + .25 + .25 + . 25).

Concepto de frecuencias relativas

La probabilidad de que un evento ocurra a largo plazo se determina observando en qu fraccin de tiempo sucedieron eventos semejantes en el pasado:
nmero de veces que ocurri el evento Probabilidad del evento = nmero total de observaciones

EJEMPLO 2

A lo largo de su carrera, la profesora Jones ha otorgado 186 calificaciones de A entre sus 1200 estudiantes. Cul es la probabilidad de que un estudiante de su clase en este semestre reciba una A? Aplicando el concepto de frecuencias relativas, la probabilidad de una A es 186 /1200 = 0.155

Probabilidad subjetiva

Probabilidad subjetiva: la posibilidad (probabilidad) de que suceda un evento especfico que asigna una persona con base en cualquier informacin disponible, tambin depende del juicio y representa el grado en el que uno cree que ocurrir o no ocurrir un evento. Ejemplos de la probabilidad subjetiva son estimar la probabilidad de que el Melgar Campeona este ao y estimar la probabilidad de que ocurra un terremoto en Arequipa el prximo ao.

1-1

DISTRIBUCIONES PROBABILISTICAS DISCRETAS

2001 Alfaomega Grupo Editor

Que es una distribucin probabilstica?

Enumeracin de todos los resultados de un experimento junto con la probabilidad asociada a cada uno. Da toda la gama de valores que pueden ocurrir con base en un experimento, y resulta similar a una distribucin de frecuencias. Sin embargo, en vez de describir el pasado, define que tan probable es que suceda algn evento futuro

Caractersticas de una distribucin probabilstica

La probabilidad de un resultado siempre debe estar entre 0 y 1. La suma de todos los resultados mutuamente excluyentes siempre es 1.

Ejemplo
Como se puede generar una distribucin de probabilidades?

Suponga que se esta interesado en el numero de caras (heads, H) que caen al volar tres veces una moneda. Este es el experimento. Los posibles resultados son: cero, uno, dos y tres caras. Cual es la distribucin probabilstica para el numero de caras?

Ejemplo

Hay ocho posibles resultados. En la primera tirada podra caer cruz (tail, T)
Posible resultado 1 2 3 4 5 6 7 8 Tiradas de la moneda Primera Segunda Tercera T T T T T H T H T T H H H T T H T H H H T H H H Numero de cara 0 1 1 2 1 2 2 3

Ejemplo
Nmero de caras 0 1 2 3 Total Probabilidad de los resultados 1/8 = .125 3/8 = .375 3/8 = .375 1/8 = .125 8/8 = 1

3/8

2/8

1/8

Variables aleatorias

Una variable aleatoria Cantidad que es el resultado de un experimento aleatorio el cual, puede tomar valores diferentes. En cualquier experimento aleatorio, los resultados ocurren al azar. Por ejemplo, al tirar un dado que es un experimento: puede ocurrir cualquiera de seis resultados posibles. Una variable aleatoria puede ser discreta o continua.

Variable aleatoria discreta

Una variable aleatoria discreta es una variable que puede tomar slo ciertos valores diferentes que son el resultado de la cuenta de alguna caracterstica de inters. EJEMPLO 2: sea X el nmero de caras obtenidas al lanzar 3 veces una moneda. Aqu los valores de X son x = 0, 1, 2, 3.

Variable aleatoria continua

Una variable aleatoria continua es una variable que puede tomar un nmero infinito de valores. Ejemplos: la altura de un jugador de bsquetbol o el tiempo que dura una siesta. Es lgico que si se organiza un conjunto de variables aleatorias discretas en una distribucin de probabilidades, la distribucin se denomina distribucin probabilstica discreta.

Media de una distribucin probabilstica discreta

La media: indica la ubicacin central de los datos. es el promedio, a la larga, del valor de la variable aleatoria. tambin se conoce como el valor esperado, E(x), en una distribucin de probabilidad. es un promedio ponderado.

Media de una distribucin probabilstica discreta

La media se calcula con la frmula:

! = E ( x) = [ x * P( x )]
donde ! representa la media y P(x) es la probabilidad de los diferentes resultados x.

Variancia de una distribucin probabilstica discreta

La variancia mide la cantidad de dispersin (variacin) de una distribucin. La variancia de una distribucin discreta 2 se denota por la letra griega (sigma cuadrada). 2 se obtiene La desviacin estndar tomando la raz cuadrada de .

Variancia de una distribucin probabilstica discreta

La variancia de una distribucin de probabilidad discreta se calcula a partir de la frmula

= [( x ) * P( x)]

Distribucin probabilstica binomial

La distribucin probabilstica binomial es un ejemplo de una distribucin probabilstica discreta La distribucin binomial tiene las siguientes caractersticas: un resultado de un experimento se clasifica en una de dos categoras mutuamente excluyentes -xito o fracaso. los datos recolectados son resultados de contar. la probabilidad de xito es la misma para cada ensayo. los ensayos son independientes.

Distribucin probabilstica binomial

Para elaborar una distribucin binomial, sea

n el nmero de ensayos x el nmero de xitos observados la probabilidad de xito en cada ensayo

Distribucin probabilstica binomial

La frmula para la distribucin de probabilidad binomial es:

n! x n x P( x ) = (1 ) x !(n x )!

EJEMPLO 3

Como se sabe, la respuesta a una pregunta de verdadero/falso. Considere que: (1) un examen consiste en 4 preguntas de verdadero/falso, y (2) un estudiante no sabe nada acerca de la materia. La probabilidad de que el alumno adivine la respuesta correcta a la primera pregunta es 0.5, asimismo para todas. Cual es la probabilidad de: 1. No obtener exactamente ninguna de las cuatro en forma correcta? 2. Obtener exactamente una de las cuatro?

EJEMPLO 3 continuacin

4! 0 40 (0.50 ) (1 0.50 ) = 0.0625 P ( 0) = 0!(4 0 )! 4! 1 4 1 (0.50 ) (1 0.50 ) = 0.2500 P (1) = 1!(4 1)!

Media y variancia de la distribucin binomial

La media est dada por:

= n
La variancia est dada por:

= n (1 )

Distribuciones probabilsticas acumulativas

Puede ser conveniente determinar la probabilidad de adivinar correctamente las respuestas a 6 o mas preguntas del tipo verdadero/falso, de un total de 10. Ejemplo: Un estudio reciente revelo que 60% de los conductores en EEUU se coloca el cinturn de seguridad al manejar. Se selecciono una muestra de 10 automovilistas en una carretera de Florida Cual es la probabilidad de que exactamente 7 llevaran fijo el cinturn. Cual es la probabilidad de que 7 o menos de los conductores lo lleven puesto.

Distribuciones probabilsticas acumulativas

Para obtener la probabilidad de exactamente 7 conductores, utilizamos las tablas.

P( X = 7 / n = 10 y = 0.60) = 0.215
Para determinar la probabilidad de que 7 o menos de los conductores utilice el cinturn, aplicamos la regla general de la adicin.

P( X 7 / n = 10 y = 0.60) = P( x = 0) + P( x = 1) + P( x = 2) + P( x = 3) + P( x = 4) + P( x = 5) + P( x = 6) + P( x = 7) = 0.833

Poblacin finita

Una poblacin finita es una poblacin que consiste en un nmero fijo de individuos, objetos o medidas conocidos. Los ejemplos incluyen: el nmero de estudiantes en esta clase, el nmero de automviles en el estacionamiento.

Distribucin hipergeomtrica

Frmula:

( S Cx )( N S Cn x ) P( x ) = N Cn

donde N es el tamao de la poblacin, S es el nmero de xitos en la poblacin, x es el nmero de xitos de inters, n es el tamao de la muestra, y C es una combinacin.

Distribucin hipergeomtrica

Use la distribucin hipergeomtrica para encontrar la probabilidad de un nmero especfico de xitos o fracasos si: la muestra se selecciona de una poblacin finita sin reemplazo (recuerde que un criterio para la distribucin binomial es que la probabilidad de xito es la misma de un ensayo a otro). el tamao de la muestra n es mayor que 5% del tamao de la poblacin N.

EJEMPLO 5

Supngase que durante la semana se fabricaron 50 juegos Playstation (N=50). Operaron 40 sin problemas (S=40), y 10 tuvieron al menos un defecto. Se selecciona una muestra al azar de 5 (n=5). Utilizando la formula hipergeometrica, cual es la probabilidad de que 4(x=4) de los 5 funcionen perfectamente? (obsrvese que el muestreo se hace sin reposicin y que el tamao de la muestra de 5 es 5/50, o 10% de la poblacin. Esto es mayor que la condicin de 5%.

EJEMPLO 5 continuacin

( S C X )( N S Cn x ) P( X ) = N Cn ( 40 C4 )(50 40 C5 4 ) P(4) = 50 C5 40! 10! 4!36! 1!9! P(4) = = 0.431 50! 5!45!

Distribucin de Poisson

La distribucin de probabilidades binomial se hace cada vez ms sesgada a la derecha conforme la probabilidad de xitos disminuye. La forma lmite de la distribucin binomial donde la probabilidad de xito es muy pequea y n es grande se llama distribucin de probabilidades de Poisson.

Distribucin de Poisson

La distribucin de Poisson se puede describir matemticamente por la frmula:

P( x ) =

donde es la media aritmtica del nmero de ocurrencias en un intervalo especfico de tiempo, e es la constante 2.71828 y x es el nmero de ocurrencias (xitos).

x!

Distribucin de Poisson

El nmero medio de xitos se puede determinar en situaciones binomiales por n , donde n es el nmero de ensayos y la probabilidad de xito. La varianza de la distribucin de Poisson tambin es igual a n .

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 nmero medio de llegadas es 4.0 por hora. Cul es la probabilidad de 4 llegadas en una hora? P(4) = (4^4)(e^-4)/4!=.1954.