SlideShare une entreprise Scribd logo
1  sur  20
UNIVERSIDAD TECNOLÓGICA
       DE TORREÓN
   IRENE ALEJANDRA CORDERO ACOSTA
               PROCESOS INDUSTRIALES
1) Al lanzar un dado, ver si se obtiene un 5 (éxito) o cualquier otro
valor (fracaso).

Lo primero que se hace en este experimento es identificar el
fracaso o el éxito, ya que en este de bernoulli solo se pude obtener
dos resultados

1)Se considera éxito sacar un 5, a la probabilidad según
el teorema de Laplace (casos favorables dividido entre casos
posibles) será 1/5.
                               p = 1/5
2) Se considera fracaso no sacar un 6, por tanto, se considera
fracaso sacar cualquier otro resultado, entonces a la probabilidad
se le restará 1.
                 q= 1 –p       p= 1- 1/5        p=4/5
3) La variable aleatoria X medirá "número de veces que sale un 5", y
solo existen dos valores posibles, 0 (que no salga 5) y 1 (que salga
un 5). Por lo que el parámetro es (X= Be(1/5)
                               p=1/5
La probabilidad de que obtengamos un 5 viene definida
como la probabilidad de que X sea igual a 1. Entonces
ahora los datos que obtuvimos se sustituyen en la fórmula.
                     P(x=1) = (1/5) 1 * (4/5) 0 = 1/5 = 0.2

La probabilidad de que NO obtengamos un 6 viene definida
como la probabilidad de que X sea igual a 0.
                    P(x=0) = (1/5)0 * (4/5)1 = 4/5 = 0.8

Este experimento nos dice que hay 0.2 de probabilidad de
que salga el numero 5 en el dado, y de que no salga ese
numero existe la probabilidad del 0.8.
Poisson
Si un banco recibe en promedio 6 cheques sin fondo por día, ¿
Cuales son las probabilidades reciba,
a) Cuatro cheque sin fondo en un día dado,
b) B)reciba 10 cheques sin fondo en cualquiera de dos días
   consecutivos

Variable discreta= cantidad de personas
Intervalo continuo= una hora
Formula
 P(x): Probabilidad de que ocurran
  x éxitos
    : Número medio de sucesos
  esperados por unidad de tiempo.
 e: es la base de logaritmo natural
  cuyo valor es 2.718
 X: es la variable que nos denota el
  número de éxitos que se desea
  que ocurran
 A) x= Variable que nos define el número
  de cheques sin fondo que llega al banco
  en un día cualquiera;
 El primer paso es extraer los datos
 Tenemos que         o el promedio es igual a
  6 cheques sin fondo por día
 e= 2.718
 x= 4 por que se pide la probabilidad de
  que lleguen cuatro cheques al día
Reemplazar valores en las formulas
        =6
 e= 2.718
 X= 4
 P(x=4,   = 6) =(6)^4(2.718)^-6
                       4!

                        =(1296)(0,00248)
                                24
                            =o,13192
     Es la probabilidad que representa de que lleguen cuatro
                      cheques sin fondo al día
   B)
 X= es la variable que nos define el número de cheques sin fondo que llegan en dos
  días consecutivos
        =6x2= 12 Cheques sin fondo en promedio que llegan al banco en dos días
  consecutivos

                                                           Lambda por t comprende
                                               al promedio del cheque a los dos días


 DATOS
      = 12 Cheques sin fondo por día

 e= 2.718
 X=10
 P(x=10,        =12 )= (129^10(2.718)^-12
                               10!
   =(6,191736*10^10)(0,000006151)
              3628800
   =0,104953 es la es la probalidad de que lleguen 10 cheques sin fondo en dos días
    consecutivos
   En probabilidad y estadística, la distribución t (de Student) es
    una distribución de probabilidad que surge del problema
    de estimar la media de una población normalmente
    distribuida cuando el tamaño de la muestra es pequeño.


   Aparece de manera natural al realizar la prueba t de
    Student para la determinación de las diferencias entre dos
    medias muéstrales y para la construcción del intervalo de
    confianza para la diferencia entre las medias de dos
    poblaciones cuando se desconoce la desviación típica de
    una población y ésta debe ser estimada a partir de los datos
    de una muestra.
AQUÍ SE ENCUENTRAN LAS MUESTRAS QUE SE
TOMARON PARA RESOLLVER EL PROBLEMA.



520   521    511    513    510   µ=500 h
513   522    500    521    495    n=25
496   488    500    502    512   Nc=90%
510   510    475    505    521   X=505.36
506   503    487    493    500   S=12.07
SOLUCIÓN


    Para poder resolver el problema lo que se tendrá que hacer
    será lo siguiente se aplicara una formula la cual tendremos
    que desarrollar con los datos con los que contamos.
    Tendremos que sustituir los datos

 t= x -μ
    SI n                           α = 1- Nc = 10%
 v = n-1 = 24
 t = 2.22
Procedimiento:se demostrara la
               forma en que se sustituiran los
                          datos.
   VALOR DE LOS DATOS..            APLICACION DE LA FORMULA




   µ=500 h                            t=505.36-500
    t = 2.22
 n=25                                     12.07       25
 Nc=90%                            v = 25 -1 = 24
 X=505.36                               α = 1- 90% =
    10%
   S=12.07
Enseguida se muestra la distribución del
    problema según el grafico sig.
Técnicas de conteo
El principio fundamental en el proceso de
contar ofrece un método general para
contar el número de posibles arreglos de
objetos dentro de un solo conjunto o entre
varios conjuntos. Las técnicas de conteo
son aquellas que son usadas para
enumerar eventos difíciles de cuantificar.
Técnicas de conteo
Es un fenómeno fundado en la
experiencia, el cual al repetirlo y
observarlo en las mismas condiciones
en que se desarrolla sus resultados no
son siempre los mismos, sino que los
datos o mediciones son solo
aproximaciones al verdadero valor de la
probabilidad del evento.
Ejemplo
  Un juego de dados consiste en adivinar el número de
 puntos que caerán al lanzar un dado. Dos jugadores
 hacen su apuesta por un número de puntos antes de
 lanzarlo. El que adivina gana la apuesta. Si nadie
 adivina, lo apostado se gana para el próximo juego. Los
 jugadores se turnan para elegir primero un número por
 el cual apostar.
   a) ¿Cuántos resultados posibles hay?
   b) ¿Cuál es la probabilidad de que el primer jugador
 que seleccione un número de puntos que caerán
 adivine?
   c) ¿Cuál es la probabilidad de que ninguno de los
 jugadores adivine el número de puntos que caerán?
Al reflexionar, se concluye que los resultados posibles son 6
(1, 2, 3, 4, 5, 6), pero ninguna jugador sabe antes de lanzar el
dado cuantos puntos caerán.
La regularidad estadística indica que al practicar
repetidamente el experimento asociado a determinado
fenómeno aleatorio se obtiene una frecuencia relativa, la cual
se aproximara al verdadero valor de la probabilidad del
evento si el número de observaciones n es grande.
Algunos eventos posibles al desarrollarse el experimento de
lanzar el dado son:
 a) Caen 4 puntos, A = 4
 b) Caen mas de 4 puntos, B = 5,6
 c) Caen un numero par de puntos, C = 2, 4, 6.
Ejemplo
  Un vendedor de autos quiere presentar a sus
 clientes todas las diferentes opciones con que
 cuenta: auto convertible, auto de 2 puertas y
 auto de 4 puertas, cualquiera de ellos con
 rines deportivos o estándar. ¿Cuántos
 diferentes arreglos de autos y rines puede
 ofrecer el vendedor?
  Para solucionar el problema podemos emplear
 la técnica de la multiplicación, (donde m es
 número de modelos y n es el número de tipos
 de rin).
  Número total de arreglos = 3 x 2
Variables en técnicas de conteo

   Las variaciones son técnicas de conteo que
    respetan el orden, es decir AB BA.

   En realidad cuando hemos resuelto el
    problema de ¿ cuántas palabras de tres
    letras se pueden escribir con las letras A B
    C D hemos resuelto un problema de
    variaciones, porque respetamos el orden:
    ABC CAB CBA etc.
Además las variaciones pueden ser con repetición
o sin repetición.
Conocemos como variaciones sin repetición…
Variaciones sin repetición:
Con las letras A, B, C, D se pueden escribir 24
palabras de 3 letras diferentes, esto mismo
matemáticamente se dice: hay 24 variaciones de 4
elementos tomados de 3 en 3.
Y se escribe 4v3 =24
Y se calcula así: 4v3= 4 * 3 * 2 =24

Contenu connexe

Tendances

Un ejemplo explicado de las distribuciones de probabilidad.
Un ejemplo explicado de las distribuciones de probabilidad.Un ejemplo explicado de las distribuciones de probabilidad.
Un ejemplo explicado de las distribuciones de probabilidad.leonardo19940511
 
Trabajo para examen unid 2
Trabajo para examen unid 2Trabajo para examen unid 2
Trabajo para examen unid 2DIAGUA
 
Ejemplos explicados
Ejemplos explicadosEjemplos explicados
Ejemplos explicadosKhriiz Rmz
 
Ejercicios de distribucion binomial y de poison: STAT FIT DE PROMODEL
Ejercicios de distribucion binomial y de poison: STAT FIT DE PROMODELEjercicios de distribucion binomial y de poison: STAT FIT DE PROMODEL
Ejercicios de distribucion binomial y de poison: STAT FIT DE PROMODELlucysan
 
Un ejemplo explicado de las distribuciones de probabilidad.
Un ejemplo explicado de las distribuciones de probabilidad.Un ejemplo explicado de las distribuciones de probabilidad.
Un ejemplo explicado de las distribuciones de probabilidad.leonardo19940511
 
5 ejemplos de las distribuciones
5 ejemplos de las distribuciones5 ejemplos de las distribuciones
5 ejemplos de las distribucionesKariina Buendia
 
Ecuaciones Cuadráticas y Desigualdades pre u ccesa007
Ecuaciones Cuadráticas y Desigualdades  pre u ccesa007Ecuaciones Cuadráticas y Desigualdades  pre u ccesa007
Ecuaciones Cuadráticas y Desigualdades pre u ccesa007Demetrio Ccesa Rayme
 
Cinco ejemplos de aplicación de las distribuciones de probabilidad.
Cinco ejemplos de aplicación de las distribuciones de probabilidad.Cinco ejemplos de aplicación de las distribuciones de probabilidad.
Cinco ejemplos de aplicación de las distribuciones de probabilidad.leonardo19940511
 
EJEMPLOS DE CADA DISTRIBUCIÓN
EJEMPLOS DE CADA DISTRIBUCIÓN EJEMPLOS DE CADA DISTRIBUCIÓN
EJEMPLOS DE CADA DISTRIBUCIÓN Roza Meza
 
Distribución Binomial (DB)
Distribución Binomial (DB)Distribución Binomial (DB)
Distribución Binomial (DB)Itzel Camarena
 
Distribucion de probabilidad
Distribucion de probabilidadDistribucion de probabilidad
Distribucion de probabilidadluis jaramillo
 

Tendances (17)

Alinaa 1
Alinaa 1Alinaa 1
Alinaa 1
 
Un ejemplo explicado de las distribuciones de probabilidad.
Un ejemplo explicado de las distribuciones de probabilidad.Un ejemplo explicado de las distribuciones de probabilidad.
Un ejemplo explicado de las distribuciones de probabilidad.
 
Lizejemplos2a
Lizejemplos2aLizejemplos2a
Lizejemplos2a
 
Ejemplos de distribuciones
Ejemplos de distribucionesEjemplos de distribuciones
Ejemplos de distribuciones
 
Trabajo para examen unid 2
Trabajo para examen unid 2Trabajo para examen unid 2
Trabajo para examen unid 2
 
Ejemplos explicados
Ejemplos explicadosEjemplos explicados
Ejemplos explicados
 
Ejemplos lm
Ejemplos lmEjemplos lm
Ejemplos lm
 
Ejercicios de distribucion binomial y de poison: STAT FIT DE PROMODEL
Ejercicios de distribucion binomial y de poison: STAT FIT DE PROMODELEjercicios de distribucion binomial y de poison: STAT FIT DE PROMODEL
Ejercicios de distribucion binomial y de poison: STAT FIT DE PROMODEL
 
Un ejemplo explicado de las distribuciones de probabilidad.
Un ejemplo explicado de las distribuciones de probabilidad.Un ejemplo explicado de las distribuciones de probabilidad.
Un ejemplo explicado de las distribuciones de probabilidad.
 
5 ejemplos de las distribuciones
5 ejemplos de las distribuciones5 ejemplos de las distribuciones
5 ejemplos de las distribuciones
 
Ecuaciones Cuadráticas y Desigualdades pre u ccesa007
Ecuaciones Cuadráticas y Desigualdades  pre u ccesa007Ecuaciones Cuadráticas y Desigualdades  pre u ccesa007
Ecuaciones Cuadráticas y Desigualdades pre u ccesa007
 
distribuciones
distribuciones distribuciones
distribuciones
 
Cinco ejemplos de aplicación de las distribuciones de probabilidad.
Cinco ejemplos de aplicación de las distribuciones de probabilidad.Cinco ejemplos de aplicación de las distribuciones de probabilidad.
Cinco ejemplos de aplicación de las distribuciones de probabilidad.
 
EJEMPLOS DE CADA DISTRIBUCIÓN
EJEMPLOS DE CADA DISTRIBUCIÓN EJEMPLOS DE CADA DISTRIBUCIÓN
EJEMPLOS DE CADA DISTRIBUCIÓN
 
Distribución Binomial (DB)
Distribución Binomial (DB)Distribución Binomial (DB)
Distribución Binomial (DB)
 
Distribucion de probabilidad
Distribucion de probabilidadDistribucion de probabilidad
Distribucion de probabilidad
 
Tipo de distribuciones
Tipo de distribucionesTipo de distribuciones
Tipo de distribuciones
 

Similaire à Ejemplos

Ejemplos tipos de probabilidad
Ejemplos tipos de probabilidadEjemplos tipos de probabilidad
Ejemplos tipos de probabilidadadrikiana
 
Bernoulli explicado,poisson, distribución normal,
Bernoulli  explicado,poisson, distribución normal, Bernoulli  explicado,poisson, distribución normal,
Bernoulli explicado,poisson, distribución normal, Carlos Eduardo Candela
 
Ejemplos explicados
Ejemplos explicadosEjemplos explicados
Ejemplos explicadosKhriiz Rmz
 
Distribucion de probabilidad binomal
Distribucion de probabilidad binomalDistribucion de probabilidad binomal
Distribucion de probabilidad binomaleraperez
 
La distribucion binomial
La distribucion binomialLa distribucion binomial
La distribucion binomialADrián Murillo
 
Ejemplos de distribuciones 4
Ejemplos de distribuciones 4Ejemplos de distribuciones 4
Ejemplos de distribuciones 4Kariina Buendia
 
Tipos de Ditribuciones
Tipos de DitribucionesTipos de Ditribuciones
Tipos de DitribucionesMariana Cruz
 
Diapositiva sesión 11-Ecuaciones y sus aplicaciones.pptx
Diapositiva sesión 11-Ecuaciones y sus aplicaciones.pptxDiapositiva sesión 11-Ecuaciones y sus aplicaciones.pptx
Diapositiva sesión 11-Ecuaciones y sus aplicaciones.pptxALEJANDROLAVERIANOMA1
 
Tipos de distribuciones
Tipos de distribucionesTipos de distribuciones
Tipos de distribucionesJavier Chavez
 
Ejemplos sencillosdc
Ejemplos sencillosdcEjemplos sencillosdc
Ejemplos sencillosdcPaToDoMunos
 
Distribución binomial
Distribución binomialDistribución binomial
Distribución binomialClaudia Diaz
 

Similaire à Ejemplos (20)

Ejemplos sencillos
Ejemplos sencillosEjemplos sencillos
Ejemplos sencillos
 
Ejemplos explicados
Ejemplos explicadosEjemplos explicados
Ejemplos explicados
 
Ejemplos Explicados
Ejemplos Explicados Ejemplos Explicados
Ejemplos Explicados
 
Ejemplos tipos de probabilidad
Ejemplos tipos de probabilidadEjemplos tipos de probabilidad
Ejemplos tipos de probabilidad
 
Bernoulli explicado,poisson, distribución normal,
Bernoulli  explicado,poisson, distribución normal, Bernoulli  explicado,poisson, distribución normal,
Bernoulli explicado,poisson, distribución normal,
 
Alinaa 1
Alinaa 1Alinaa 1
Alinaa 1
 
Ejemplos explicados
Ejemplos explicadosEjemplos explicados
Ejemplos explicados
 
Distribucion de probabilidad binomal
Distribucion de probabilidad binomalDistribucion de probabilidad binomal
Distribucion de probabilidad binomal
 
Entrada 6
Entrada 6Entrada 6
Entrada 6
 
La distribucion binomial
La distribucion binomialLa distribucion binomial
La distribucion binomial
 
Ejemplos de distribuciones 4
Ejemplos de distribuciones 4Ejemplos de distribuciones 4
Ejemplos de distribuciones 4
 
Tipos de Ditribuciones
Tipos de DitribucionesTipos de Ditribuciones
Tipos de Ditribuciones
 
Diapositiva sesión 11-Ecuaciones y sus aplicaciones.pptx
Diapositiva sesión 11-Ecuaciones y sus aplicaciones.pptxDiapositiva sesión 11-Ecuaciones y sus aplicaciones.pptx
Diapositiva sesión 11-Ecuaciones y sus aplicaciones.pptx
 
Tipos de distribuciones
Tipos de distribucionesTipos de distribuciones
Tipos de distribuciones
 
Alina isela2
Alina isela2Alina isela2
Alina isela2
 
Alina isela2
Alina isela2Alina isela2
Alina isela2
 
Ejemplos sencillosdc
Ejemplos sencillosdcEjemplos sencillosdc
Ejemplos sencillosdc
 
Trabajo blog
Trabajo blogTrabajo blog
Trabajo blog
 
Distribución binomial
Distribución binomialDistribución binomial
Distribución binomial
 
Distribuciónes
DistribuciónesDistribuciónes
Distribuciónes
 

Plus de Alejandra Cordero (14)

Bárbaros a Burócratas
Bárbaros a BurócratasBárbaros a Burócratas
Bárbaros a Burócratas
 
50 palabras.
50 palabras.50 palabras.
50 palabras.
 
Problemas de Histogramas
Problemas de HistogramasProblemas de Histogramas
Problemas de Histogramas
 
Problemas de Dispersión
Problemas de DispersiónProblemas de Dispersión
Problemas de Dispersión
 
Cosas que aprender
Cosas que aprenderCosas que aprender
Cosas que aprender
 
Universidad Tecnológica de Torreón
Universidad Tecnológica de TorreónUniversidad Tecnológica de Torreón
Universidad Tecnológica de Torreón
 
Intervalos de Confianza
Intervalos de ConfianzaIntervalos de Confianza
Intervalos de Confianza
 
Prueba de Hipótesis
Prueba de HipótesisPrueba de Hipótesis
Prueba de Hipótesis
 
Prueba de Hipótesis
Prueba de HipótesisPrueba de Hipótesis
Prueba de Hipótesis
 
Distribucion bernoulli
Distribucion bernoulliDistribucion bernoulli
Distribucion bernoulli
 
Distribución gamma
Distribución  gammaDistribución  gamma
Distribución gamma
 
8 pernos
8 pernos8 pernos
8 pernos
 
Mapa mental
Mapa mentalMapa mental
Mapa mental
 
Metodos de conteo
Metodos de conteoMetodos de conteo
Metodos de conteo
 

Ejemplos

  • 1. UNIVERSIDAD TECNOLÓGICA DE TORREÓN IRENE ALEJANDRA CORDERO ACOSTA PROCESOS INDUSTRIALES
  • 2. 1) Al lanzar un dado, ver si se obtiene un 5 (éxito) o cualquier otro valor (fracaso). Lo primero que se hace en este experimento es identificar el fracaso o el éxito, ya que en este de bernoulli solo se pude obtener dos resultados 1)Se considera éxito sacar un 5, a la probabilidad según el teorema de Laplace (casos favorables dividido entre casos posibles) será 1/5. p = 1/5 2) Se considera fracaso no sacar un 6, por tanto, se considera fracaso sacar cualquier otro resultado, entonces a la probabilidad se le restará 1. q= 1 –p p= 1- 1/5 p=4/5 3) La variable aleatoria X medirá "número de veces que sale un 5", y solo existen dos valores posibles, 0 (que no salga 5) y 1 (que salga un 5). Por lo que el parámetro es (X= Be(1/5) p=1/5
  • 3. La probabilidad de que obtengamos un 5 viene definida como la probabilidad de que X sea igual a 1. Entonces ahora los datos que obtuvimos se sustituyen en la fórmula. P(x=1) = (1/5) 1 * (4/5) 0 = 1/5 = 0.2 La probabilidad de que NO obtengamos un 6 viene definida como la probabilidad de que X sea igual a 0. P(x=0) = (1/5)0 * (4/5)1 = 4/5 = 0.8 Este experimento nos dice que hay 0.2 de probabilidad de que salga el numero 5 en el dado, y de que no salga ese numero existe la probabilidad del 0.8.
  • 4. Poisson Si un banco recibe en promedio 6 cheques sin fondo por día, ¿ Cuales son las probabilidades reciba, a) Cuatro cheque sin fondo en un día dado, b) B)reciba 10 cheques sin fondo en cualquiera de dos días consecutivos Variable discreta= cantidad de personas Intervalo continuo= una hora Formula
  • 5.  P(x): Probabilidad de que ocurran x éxitos  : Número medio de sucesos esperados por unidad de tiempo.  e: es la base de logaritmo natural cuyo valor es 2.718  X: es la variable que nos denota el número de éxitos que se desea que ocurran
  • 6.  A) x= Variable que nos define el número de cheques sin fondo que llega al banco en un día cualquiera;  El primer paso es extraer los datos  Tenemos que o el promedio es igual a 6 cheques sin fondo por día  e= 2.718  x= 4 por que se pide la probabilidad de que lleguen cuatro cheques al día
  • 7. Reemplazar valores en las formulas  =6  e= 2.718  X= 4  P(x=4, = 6) =(6)^4(2.718)^-6  4!  =(1296)(0,00248)  24  =o,13192  Es la probabilidad que representa de que lleguen cuatro cheques sin fondo al día
  • 8. B)  X= es la variable que nos define el número de cheques sin fondo que llegan en dos días consecutivos  =6x2= 12 Cheques sin fondo en promedio que llegan al banco en dos días consecutivos Lambda por t comprende  al promedio del cheque a los dos días  DATOS  = 12 Cheques sin fondo por día  e= 2.718  X=10  P(x=10, =12 )= (129^10(2.718)^-12  10!  =(6,191736*10^10)(0,000006151)  3628800  =0,104953 es la es la probalidad de que lleguen 10 cheques sin fondo en dos días consecutivos
  • 9. En probabilidad y estadística, la distribución t (de Student) es una distribución de probabilidad que surge del problema de estimar la media de una población normalmente distribuida cuando el tamaño de la muestra es pequeño.  Aparece de manera natural al realizar la prueba t de Student para la determinación de las diferencias entre dos medias muéstrales y para la construcción del intervalo de confianza para la diferencia entre las medias de dos poblaciones cuando se desconoce la desviación típica de una población y ésta debe ser estimada a partir de los datos de una muestra.
  • 10. AQUÍ SE ENCUENTRAN LAS MUESTRAS QUE SE TOMARON PARA RESOLLVER EL PROBLEMA. 520 521 511 513 510 µ=500 h 513 522 500 521 495 n=25 496 488 500 502 512 Nc=90% 510 510 475 505 521 X=505.36 506 503 487 493 500 S=12.07
  • 11. SOLUCIÓN Para poder resolver el problema lo que se tendrá que hacer será lo siguiente se aplicara una formula la cual tendremos que desarrollar con los datos con los que contamos. Tendremos que sustituir los datos  t= x -μ  SI n α = 1- Nc = 10%  v = n-1 = 24  t = 2.22
  • 12. Procedimiento:se demostrara la forma en que se sustituiran los datos.  VALOR DE LOS DATOS.. APLICACION DE LA FORMULA  µ=500 h t=505.36-500 t = 2.22  n=25 12.07 25  Nc=90% v = 25 -1 = 24  X=505.36 α = 1- 90% = 10%  S=12.07
  • 13. Enseguida se muestra la distribución del problema según el grafico sig.
  • 14. Técnicas de conteo El principio fundamental en el proceso de contar ofrece un método general para contar el número de posibles arreglos de objetos dentro de un solo conjunto o entre varios conjuntos. Las técnicas de conteo son aquellas que son usadas para enumerar eventos difíciles de cuantificar.
  • 15. Técnicas de conteo Es un fenómeno fundado en la experiencia, el cual al repetirlo y observarlo en las mismas condiciones en que se desarrolla sus resultados no son siempre los mismos, sino que los datos o mediciones son solo aproximaciones al verdadero valor de la probabilidad del evento.
  • 16. Ejemplo Un juego de dados consiste en adivinar el número de puntos que caerán al lanzar un dado. Dos jugadores hacen su apuesta por un número de puntos antes de lanzarlo. El que adivina gana la apuesta. Si nadie adivina, lo apostado se gana para el próximo juego. Los jugadores se turnan para elegir primero un número por el cual apostar. a) ¿Cuántos resultados posibles hay? b) ¿Cuál es la probabilidad de que el primer jugador que seleccione un número de puntos que caerán adivine? c) ¿Cuál es la probabilidad de que ninguno de los jugadores adivine el número de puntos que caerán?
  • 17. Al reflexionar, se concluye que los resultados posibles son 6 (1, 2, 3, 4, 5, 6), pero ninguna jugador sabe antes de lanzar el dado cuantos puntos caerán. La regularidad estadística indica que al practicar repetidamente el experimento asociado a determinado fenómeno aleatorio se obtiene una frecuencia relativa, la cual se aproximara al verdadero valor de la probabilidad del evento si el número de observaciones n es grande. Algunos eventos posibles al desarrollarse el experimento de lanzar el dado son: a) Caen 4 puntos, A = 4 b) Caen mas de 4 puntos, B = 5,6 c) Caen un numero par de puntos, C = 2, 4, 6.
  • 18. Ejemplo Un vendedor de autos quiere presentar a sus clientes todas las diferentes opciones con que cuenta: auto convertible, auto de 2 puertas y auto de 4 puertas, cualquiera de ellos con rines deportivos o estándar. ¿Cuántos diferentes arreglos de autos y rines puede ofrecer el vendedor? Para solucionar el problema podemos emplear la técnica de la multiplicación, (donde m es número de modelos y n es el número de tipos de rin). Número total de arreglos = 3 x 2
  • 19. Variables en técnicas de conteo  Las variaciones son técnicas de conteo que respetan el orden, es decir AB BA.  En realidad cuando hemos resuelto el problema de ¿ cuántas palabras de tres letras se pueden escribir con las letras A B C D hemos resuelto un problema de variaciones, porque respetamos el orden: ABC CAB CBA etc.
  • 20. Además las variaciones pueden ser con repetición o sin repetición. Conocemos como variaciones sin repetición… Variaciones sin repetición: Con las letras A, B, C, D se pueden escribir 24 palabras de 3 letras diferentes, esto mismo matemáticamente se dice: hay 24 variaciones de 4 elementos tomados de 3 en 3. Y se escribe 4v3 =24 Y se calcula así: 4v3= 4 * 3 * 2 =24