Taller de repaso:

Probabilidad y estadística
ICT 2904 – Ingeniería de Sistemas de Transporte
10 de agosto de 2018
Ayudante: Paul Basnak (pabasnak@uc.cl)
  Definiciones de experimento, espacio muestral, evento
 Evento (E) y evento complementario (Ē)
 Frecuencia relativa: proporción de veces que ocurre un evento
Conceptos dado (resultado) en una cantidad de experimentos
 Probabilidad:
básicos

donde el cociente representa una frecuencia relativa.

2
  0 ≤ 𝑃(𝐸) ≤ 1
 𝑃 𝐸 +𝑃 Ē =1 “un evento puede ocurrir o no ocurrir”
 Si 𝐴 ⊆ 𝐵, 𝑃 𝐴 ≤ 𝑃(𝐵) “un conjunto de eventos es tanto o más
probable que un subconjunto de él”
 𝑃 𝐴 ∪ 𝐵 = 𝑃 𝐴 + 𝑃 𝐵 − 𝑃(𝐴 ∩ 𝐵)
Axiomas
fundamentales

Diagrama de Venn – fuente: https://www.smartick.es/blog/matematicas/recursos-didacticos/diagrama-de-venn/

3
 La ocurrencia de un evento dado puede afectar la ocurrencia de otro:
𝑃(𝐴∩𝐵)
 𝑃 𝐴/𝐵 = “probabilidad de A dado que sucede B”
𝑃(𝐵)

 Si los eventos son independientes (es decir, la ocurrencia de B no

afecta la probabilidad de que suceda A):
 𝑃 𝐴/𝐵 = 𝑃 𝐴 → 𝑃 𝐴 ∩ 𝐵 = 𝑃 𝐴 . 𝑃 𝐵
Probabilidades
condicionales  Si los eventos son excluyentes (es decir, ambos eventos no pueden
ocurrir en forma simultánea):
 𝑃 𝐴/𝐵 = 𝑃 𝐵/𝐴 = 0

¿Ejemplos de eventos independientes y eventos excluyentes?

La exclusión siempre es mutua, no así la independencia

4
 En un aeropuerto las maletas pasan por tres detectores de seguridad.
Si uno de los detectores determina que la maleta no es sospechosa,
entonces la maleta es embarcada directamente. En caso contrario, la
maleta pasa por otro detector que realiza un análisis similar.
Ejercicio 1 -
enunciado 1. ¿Cuál es la probabilidad de que una maleta segura sea declarada
sospechosa en todos los controles?
2. ¿Cuál es la probabilidad de que una maleta que en realidad no es
segura sea embarcada?

5
Ejercicio 1 –
esquema y
notación
Sea Pi la probabilidad de que una maleta sea declarada segura en el
detector “i”.
Sea Qi la probabilidad de que una maleta sea declarada sospechosa
en el detector “i”.

6
 1. P(sospechosa/segura) = Q1* Q2 * Q3 (los controles son
Ejercicio 1 – independientes)

solución
2. P(segura/sospechosa) = P1+(Q1*P2)+ (Q1*Q2* P3)

7
 Existen tres modos de transporte para acceder a la universidad: auto,
transporte público y bicicleta. Del total de los alumnos, un 20% viaja
en auto, mientras que un 10% lo hace en bicicleta.
De los alumnos que viajan en auto, un 50% llega atrasado; entre
quienes lo hacen en bicicleta la proporción es del 40%, mientras que
sólo el 20% de quienes viajan en transporte público no logran llegar a
Ejercicio 2 – tiempo.

enunciado
Al iniciar la clase se escoge un alumno al azar entre los presentes.
¿Cuál es la probabilidad de que éste haya venido en auto?

Ayuda: Es útil plantear en términos matemáticos los datos del

problema y cuál es la respuesta que nos piden.

8
 Datos del problema:
Evento Probabilidad
Alumno viaja en auto (A) 0,2
Alumno viaja en bicicleta (B) 0,1
Alumno viaja en transporte público (TP) 0,7 (1-A-B)
Alumno que viaja en auto llega tarde (T/A) 0,5
Ejercicio 2 – Alumno que viaja en bicicleta llega tarde (T/B) 0,4
Alumno que viaja en transporte público llega tarde (T/TP) 0,2
solución
Nos piden: P(A/Ť)

Solución: Si el curso tiene 100 alumnos en total, llegan atrasados

(20.0,5+10.0,4+70.0,2) = 28, o sea que hay 72 presentes al inicio de la clase.
De estos, 20.(1-0,5) = 10 llegan en auto, o sea que la probabilidad solicitada
es 10/72.

Tarea: Expresar la resolución en términos matemáticos

9
 La variable aleatoria (v.a) es aquella que puede adoptar múltiples valores que
son conocidos, así como la probabilidad asociada a cada uno.

La v.a. toma valores de acuerdo a una distribución de probabilidades que

puede ser continua o discreta.

Variable
aleatoria

10
Variable
aleatoria

11
 Variable aleatoria continua es aquella que toma valores de conjunto
infinito, por lo que la probabilidad de ocurrencia de un valor en
particular es cero. De todos modos, estas probabilidades se asocian a
funciones de densidad, como veremos más adelante.

La variable aleatoria discreta en cambio toma valores de un conjunto

Variable acotado de valores, por lo que se cumple:
aleatoria

12
Función de
probabilidad /
de densidad de
probabilidad

13
Función de
probabilidad /
de densidad de
probabilidad

14
Valor esperado

15
Valor esperado

16
Varianza y
covarianza

17
 ¿Qué es una Distribución de Probabilidades?
• Es una forma de describir la probabilidad de todos los eventos de un
experimento aleatorio.

Cada distribución se puede describir con una función de

distribución asociada, que indica la probabilidad para cada valor x
Distribución de de que la variable aleatoria sea menor o igual a x, y con una
probabilidades función de densidad, que representa la probabilidad de que la
variable aleatoria tome el valor x.

Cada distribución puede ser discreta o continua. A continuación

veremos algunos casos típicos.

18
  Distribución en donde los eventos tienen la misma probabilidad de
ocurrencia.
 Puede ser discreta (para una cantidad finita de eventos) o
continua.
 Ejemplos:
 Dado (distribución discreta con 6 eventos posibles)
 Tiempo de espera de una micro para un pasajero que llega al azar,
Distribución con intervalos regulares (distribución continua, uniforme entre cero
y el intervalo “h”
uniforme

discreta continua
19
  Consideremos un experimento con espacio muestral de dos
opciones o eventos posibles (si o no, binario {0,1}, par o impar,
etc.), asociable a éxito o fracaso, con probabilidades fijas p y (1-p)
para cada evento.
 Si se realizan N repeticiones del experimento, el número de
“éxitos” (n) obtenidos distribuye binomial con probabilidad p.
Distribución
N n
f  x      p  1  p 
N n
binomial
n
(discreta)
EX   N  p

V  X   N  p  1  p 

20
  Tiempo entre eventos, donde 𝜆 es la tasa de ocurrencia.
 Propiedad Importante: la distribución exponencial no posee
memoria (es decir que es independiente de lo que ocurrió antes)
 Ejemplos: tiempo de espera de buses, llegada de pasajeros a
colas.

Distribución 𝑓(𝑥) = 𝜆𝑒 −𝜆𝓍

exponencial
(continua) 𝐹 𝑥 = 1 − 𝑒 −𝜆𝓍

𝐸 𝑁 = 1ൗ𝜆

𝜎 2 = 1ൗ 2
𝜆

21
  El número de eventos (k) en un intervalo de tiempo t, donde λ es la
tasa de ocurrencia media (ejemplo: personas/minutos)
 La distribución de Poisson corresponde a la suma de distribuciones
exponenciales, mientras que el tiempo entre eventos corresponde
a una distribución exponencial.
 Ejemplo: cantidad de llegadas en un intervalo.
Distribución
Poisson P 𝑥 = 𝑒 −𝜆 . λ𝑘 /𝑘!
(discreta)
𝐸 𝑥 = λ

𝜎2 = λ

22
  Es la distribución que explica la mayoría de los fenómenos
naturales, como la distribución de estatura entre las personas.

 Sin embargo, no es posible calcular analíticamente esta función de

probabilidad.

Distribución 1
1  x 
  
2

Normal f  x  e 2  

2
(continua)
EX   

V X  2
Fuente: https://commons.wikimedia.org/w/index.php?curid=84811

23
 Para encontrar un punto de la curva, se aplica la distribución normal
estándar N(0,1), cuya función de densidad de probabilidad es conocida
y está tabulada:
𝑋−𝜇
𝑋~𝑁 𝜇, 𝜎 2 →𝑍= ~𝑁(0,1)
𝜎
Distribución
Normal Fuente:

(continua) https://onlinecourses.science.psu.edu/stat414/node/150

24
 El número de enfermos que solicitan atención de urgencia en un
hospital durante un periodo de 24 horas tiene una media de 36
pacientes al día. Se sabe que el servicio se colapsará si el número de
enfermos excede de 4 cada dos horas. ¿Cuál es la probabilidad de
Ejercicio 3 - que se colapse el servicio de urgencias del hospital en algún periodo
de dos horas?
enunciado
¿A qué distribución corresponde el problema? ¿Cómo plantearlo en
forma matemática?

25
 Se trata de una distribución Poisson con media 3 (pacientes/2 horas).
Se nos pide la probabilidad de que haya más de 4 pacientes en dos
horas.

Utilizando la fórmula vista: P 𝑥 = 𝑒 −𝜆 . λ𝑘 /𝑘!

30 ⋅ 𝑒 −3
𝑃 𝑘=0 = = 0,049
0!
Ejercicio 3 - 31 ⋅ 𝑒 −3 3 ⋅ 0,049
𝑃 𝑘=1 = = = 0,149
solución 1!
32 ⋅ 𝑒 −3
1
9 ⋅ 0,049
𝑃 𝑘=2 = = = 0,224
2! 2
33 ⋅ 𝑒 −3 27 ⋅ 0,049
𝑃(𝑘 = 3) = = = 0,224
3! 6

𝑃(𝑘 ≤ 3) = 0,647
Entonces:
𝑃 𝑘 ≥ 4 = 0,352
Por lo tanto, la probabilidad de colapso es de un 35,2%.
26
 Supongamos que cuatro motores (idénticos) se utilizan para
generar energía eléctrica de respaldo para emergencias, en las
cuales se necesitan al menos dos motores funcionales.
La vida operativa T de cada motor diesel puede ser modelada por
una distribución exponencial, con una vida operativa esperada de 5
Ejercicio 4 - años.
Determine la probabilidad que al menos dos de los cuatro motores
enunciado funcionaran sin problema en caso de ocurrir una emergencia dentro
de los dos años de vida del sistema.

¿A qué distribución corresponde el problema? ¿Cómo plantearlo en

forma matemática?

27
Ejercicio 4 -
solución

28