CAPTULO 7

FUNDAMENTOS DE PROBABILIDAD
GRUPO#2

PABLO SOLANO
DOMNICA DUEAS
KARLA REYES
MAITE VARELES

Captulo 7
Definicin
Teoremas
Distribuciones discretas
Distribuciones continuas
Interrelaciones entre las distribuciones

Definicin
Posibilidad de que un evento se cumpla. La
Probabilidad es cuantificable y toma valores
entre 0 y 1. La probabilidad est asociado a
un evento definido.

Ejemplo: Si el experimento consiste en lanzar

3 monedas.
Un evento A se lo define como En las 3
monedas sale cara y su P(A)=1/8

Ejemplos

Si un evento A puede
suceder en Na resultados
de un total N (de igual
probabilidad) P(A) =
Na/N

Teoremas

Teoremas

Teorema 6
Si A y B son eventos
independientes, la
probabilidad de que
ocurran A y B es igual al
producto de sus
probabilidades

Ejemplo

Ejemplo

Teorema 7

Si A y B son eventos dependientes, la probabilidad de que

ocurran A y B es igual al producto dela probabilidad de A
por la probabilidad de que si sucede A suceda tambien B

P(A y B) = P(A)x P(B/A)

Donde el simbolo P(B/A) se define como la probabilidad de

B dado el evento A. Un eventto dependiente es aquel
cuya ocurrencia influye sobre la probabilidad de o los
otros eventos. A este teorema se le llama a veces
TEOREMA CONDICIONAL, porque la probabilidad del
segundo evento depende del primer evento.

Ejemplo

Ejemplo

Conteo de Eventos

Muchos de eventos de probabilidad donde los eventos

son distribuciones uniformes de probabilidad, se pueden
resolver usando tcnicas de conteo. Hay 3 tcnicas:
1. Multiplicacin simple: Si un evento A puede suceder
en cualquiera de a formas o resultados, y si despues de
haber ocurrido puede suceder otro evento B en b formas
o resultados, la cantidad de formas en que pueden
suceder ambos eventos es ab

Ejemplos
1) Se dispone de 3 vas para viajar de C1 a C2 y de 4 vas para viajar de C2
a C1.
De cuntas formas se puede organizar el viaje de ida y vuelta de C1 a C2.

Respuesta: (3)(4)=12

2)Calcular de cuntas maneras diferentes se pueden sentar tres nios en una

banca de tres asientos.
Solucin:

El primer nio puede sentarse en cualquiera de los tres lugares disponibles, el segundo
nio puede sentarse en cualquiera de los dos asientos restantes y el tercer nio se
sentar en el nico lugar que queda. Aplicando el Principio multiplicativo, tendremos:
Respuesta: 3x2x1 = 6 maneras diferentes
3)Calcular de cuntas maneras diferentes se pueden sentar tres nios en una
banca
de
cuatro
asientos.
Solucin:
El primer nio puede sentarse en cualquiera de los cuatro lugares disponibles, el
segundo nio puede sentarse en cualquiera de los
tres asientos restantes y el tercer nio se sentar en alguna de los dos lugares que
quedan disponibles quedando un lugar vaco.
Respuesta: 4x3x2 = 24 maneras diferentes

2. Permutaciones: Una permutacin e sun arreglo ordenado de un

conjunto de objetos. Las permutaciones de la palabra cup son: cup,
cpu, upc, puc, y pcu. En este conjunto hay 3 objetos y se ordenaron
de tal manera para obtener 6 permutaciones.
La frmula para calcular la cantidad de permutaciones es:

Ejemplo
1) Como se puede designar los cuatro primeros lugares de
un concurso, donde existen 15 participantes?
Aplicando la formula de la permutacin tenemos:
P = n! (n - r)! = 15!(15-4)= 32760
2) Si en el librero de tu casa hay 15 diferentes libros, 6 de
los cuales son de matemticas, 4 son de qumica y 5 son de
fsica, De cuntas maneras diferentes puedes acomodarlos
en el librero de 3 en 3?
Respuesta: P= 15 ! (15-3)! = 1,307,674,36 maneras

3. Combinaciones: Si no importa el orden de los objetos, lo

que se tiene es una combinacin. La palabra cup tiene 6
permutaciones cuando los tres objetos se toman de 3 en 3, sin
embargo, solo hay una combinacin, porque las mismas 3
letras estn en orden distinto.

Ejemplo

Ejemplo

DISTRIBUCIONES
DISCRETAS DE
PROBAILIDAD
Lasdistribuciones discretasson aquellas en las que la
variable puede pude tomar un nmero determinado de
valores:
Ejemplo:si se lanza una moneda al aire puede salir cara
o cruz; si se tira un dado puede salir un nmero de 1 al 6;
en una ruleta el nmero puede tomar un valor del 1 al 32.
Las distribuciones discretas tpicas son:
Hipergeomtrica
Binomial
Poisson

Distribucin
Hipergeomtrica de
probabilidad.
Se presenta cuando la poblacin es finita, y la muestra
aleatoria se toma sin sustitucin. Su frmula consta de
tres combinaciones, Combinaciones Totales, No
conformes y Conformes:

N= Numero total de elementos de la

poblacin
a= Nmero de elementos no conformes
n= Numero de elementos de la muestra
x= Nmero de elementos no conformes
presentes en la muestra

En el numerador se tienen
los resultados al obtener
unidades no conformes por
los resultados de unidades
conformes
y
en
el
denominador se coloca el
total de resultados posibles.

Ejemplo.
Un lote finito de 20 relojes digitales es 20% No conforme.
Use una distribucin hipergeomtrica para determinar
cul es la probabilidad que una muestra de 3 contenga 2
no conformes.
N=20 X= Nmero de relojes digitales no conformes.
a=4
n=3
x=2

=0,0842

Calculo de la media y la
desviacin estndar para
distribuciones Hipergeomtricas.
N= Numero total de
elementos de la poblacin

Media.

a= Nmero de elementos
no conformes
n= Numero de elementos
de la muestra
x= Nmero de elementos
no conformes presentes
en la muestra

Desviacin
Estndar

Distribucin Binomial de
Probabilidad.
Se aplica a problemas con probabilidades discretas que
tienen una cantidad infinita de elementos, o que tienen
una corriente constante de elementos que salen de un
centro de trabajo.
Se aplica a problemas que tienen atributos, como
conformes o no conforme, xito o fracaso, pasa o no
pasa, cara o cruz. Se puede aplica siempre que los dos
resultados posibles sean constantes, y que los intentos
sean independientes.
Corresponde a los trminos sucesivos del desarrollo del
binomio:

En la mayor parte de casos de control de calidad

no interesa toda la distribucin, sino solo uno o dos
trminos de la expansin binomial. Para un solo
trmino del desarrollo binomial, la frmula es:

n=numero de la muestra
a=cantidad de no conformes en la muestra
p=proporcin de no conformes en la poblacin

Ejemplo
De un flujo de producto que contiene 5% de no
conformes, se toma una muestra de 10 defensas de
automvil. Use la distribucin Binomial para determinar la
probabilidad de haber sacado 2 defensas de automvil no
conformes.

n=10
a=2
p=0.05

n=numero de la muestra
a=cantidad de no conformes en la muestra
p=proporcin de no conformes en la poblacin

Clculo de la media y la
desviacin estndar para
una distribucin Binomial.

La distribucin Poisson
Una de las ms importantes distribuciones de probabilidad para
variables discretas slo puede tomar los valores 0, 1, 2, 3, 4, ..., n.
Se usa para describir varios procesos, entre otros:
El nmero de autos que pasan a travs de un cierto punto en una
ruta (suficientemente distantes de los semforos) durante un periodo
definido de tiempo.
El nmero de errores de ortografa que uno comete al escribir una
nica pgina.
El nmero de llamadas telefnicas en una central telefnica por
minuto.
El nmero de servidores web accedidos por minuto.

Ejemplo:
Una empresa electrnica observa que el nmero de
componentes que fallan antes de cumplir 100 horas de
funcionamiento es una variable aleatoria de Poisson. Si el
nmero promedio de estos fallos es ocho, 1. cul es la
probabilidad de que falle un componente en 25 horas? 2.
y de que fallen no ms de dos componentes en 50
horas? 3. cul es la probabilidad de que fallen por lo
menos diez en 125 horas?

1. Considerando que se cumplen ciertas condiciones de regularidad, podemos

asumir que una variable Z que mide el nmero de componentes que fallan antes de
cumplir 25 horas de funcionamiento sigue una distribucin de Poisson con parmetro
Z=2. Por lo tanto, la probabilidad deseada es la siguiente:
P(Z=1;=2)= 0.2707
2. Anlogamente, definimos una variable aleatoria U con distribucin de Poisson de
parmetro U = 4, que mide el nmero de componentes que fallan antes de cumplir
las 50 horas de funcionamiento. Se tiene entonces que:
P(U2;=4)=0.0183 + 0.0733 + 0.1465 = 0.2381
3. De la misma forma, definiendo una variable aleatoria V con distribucin de
Poisson de parmetro V=10 se obtiene:
P(V10;=10)=1 P(V<10; =10)=
1 - [0.0000+ 0.0005 + 0.0023 + 0.0076 + 0.0189 +0.0378 + 0.0631+ 0.0901 +
0.1126 + 0.1251]=1-0.4580
=0.5420

Sea la variable aleatoria X , con distribucin de

Poisson con parmetro = [X] = 8, que
determina el nmero de componentes que fallan
antes de cumplir 100 horas de funcionamiento.

Distribucin normal
Una distribucin muy
importante es la
Distribucin Normal o de
Gauss. La ecuacin
matemtica de la funcin
de Gauss es la siguiente:

La distribucin normal es una curva con forma de

campana, con eje de simetra en el punto correspondiente
al promedio del

La distancia entre el eje de simetra de la campana y el

punto de inflexin de la curva es igual a , la desviacin
standard de la poblacin.universo .

GRAFICO DE LA D.
NORMAL
La distancia entre el eje de simetra de la campana y el punto de
inflexin de la curva es igual a , la desviacin standard de la
poblacin.
El rea total debajo de la curva es igual a 1. El rea debajo de la curva
comprendida entre - y + es aproximadamente igual a 0,68 del
rea total; entre - 2 y + 2 es aproximadamente igual a 0,95 del
rea
total:
Es importante ver que los nicos parmetros necesarios para dibujar el
grfico de la distribucin normal son Media y desviacin standard de la
poblacin.
Con estos dos parmetros sabemos donde situar la campana de Gauss
(En el punto correspondiente a la media) y cual es su ancho
(Determinado por la desviacin standard).

Otro tipo de distribucin

La distribucin exponencial es utilizada en estudios de
confiabilidad cuando hay una frecuencia constante de
fallas.
La distribucin Weibull se usa en cambio cuando el
tiempo antes de la falla no es constante usamos la
siguiente funcin de densidad: