You are on page 1of 29

Universidad Aut´ onoma Metropolitana Unidad Azcapotzalco

Divisi´ on de Ciencias B´ asicas e Ingenier´ ıa

Departamento de Sistemas

Notas de probabilidad y estad´ ıstica modalidad no presencial
Material para primer parcial Trimestre 13-O

Autores Dr. Roman Anselmo Mora Guti´ errez Dr. Antonin Ponsich Dr. Eric Alfredo Rinc´ on Garc´ ıa

´ Indice general
1 T´ ecnicas de conteo 1.1 Regla del producto para pares ordenados 1.2 Regla del producto para k -arreglos . . . 1.3 Permutaciones . . . . . . . . . . . . . . . 1.4 Combinaciones . . . . . . . . . . . . . . 1 1 1 2 3 5 5 6 8 9 11 11 11 15 16 17 18 18 19 20 23 25

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

2 Introducci´ on a la probabilidad 2.1 Definiciones b´ asicas . . . . . . . . . . . . . . . 2.2 Teor´ ıa de conjuntos . . . . . . . . . . . . . . . 2.3 Diagramas de Venn . . . . . . . . . . . . . . . 2.4 Propiedades de las operaciones con conjuntos . 3 Probabilidad 3.1 Axiomas . . . . . . . . . . . . . 3.2 Propiedades de la probabilidad 3.3 Probabilidad condicional . . . . 3.4 Regla de la multiplicaci´ on . . . 3.5 Regla de la probabilidad total . 3.6 Teorema de Bayes . . . . . . . . 3.7 Eventos independientes . . . . . 3.8 Independencia de k eventos . . 3.9 Variable aleatoria . . . . . . . . 4 Autoevaluaci´ on 1 5 Tabla de ecuaciones

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

2. para cada opci´ on del primer elemento hay n2 posibles opciones del segundo elemento.1 Cap´ ıtulo 1 T´ ecnicas de conteo 1. ∗ nk (1.3. .. Entonces el n´ umero total de posibles arreglos est´ a dado por: n1 ∗ n2 ∗ n3 ∗ .. Lanzar un dado y despu´ es realizar un volado tiene un total de 12 posibles soluciones |S | = 6 ∗ 2 = 12 Ejemplo 1.1. por cada opci´ on de los k − 1 elementos hay nk opciones del k-´ esimo elemento. Regla del producto para pares ordenados Si el primer elemento se puede seleccionar de n1 formas diferentes y por cada una de estas n1 formas se puede seleccionar el segundo elemento del par de n2 maneras entonces el n´ umero de pares est´ a dado por n1 ∗ n2 (1. El Lanzamiento de dos dados puede dar un total de 36 posibles soluciones |S | = 6 ∗ 6 = 36 Ejemplo 1.1.1) Ejemplo 1.1...2) . Se puede realizar un examen con el profesor A o con el profesor B .2.1.1. Cada uno realiza 3 tipos de ex´ amenes diferentes y dependiendo del examen puedo elegir uno de 4 horarios disponibles. Regla del producto para k -arreglos Supongamos que un conjunto est´ a formado por grupos de k elementos (k -arreglos) y que hay n1 posibles opciones para el primer elemento. ¿De cu´ antas formas diferentes se puede hacer el examen? |S | = 6 ∗ 4 = 24 1..

2. Primero veremos de cuantas formas podemos acomodar a las 4 mujeres en 4 asientos.2 ´ CAP´ ITULO 1. Ejemplo 1.n = n! (n − k )! (1.3) Ejemplo 1. 2)! 1! Estas permutaciones son ab. ba. Tengo 20 libros y los quiero ordenar en 5 espacios individuales. n = 3. . TECNICAS DE CONTEO Ejemplo 1. Se quieren sentar 5 hombres y 4 mujeres en una fila de modo que las mujeres ocupen los sitios pares ¿de cu´ antas formas pueden sentarse? Para resolver este ejemplo debemos observar varios detalles. esto lo obtenemos con 4! P4.3. 5 para hombres y 4 para mujeres.3.1. Permutaciones Cualquier secuencia ordenada de k objetos tomados de un conjunto con n elementos distintos se llama permutaci´ on de tama˜ no k . ¿cu´ antas opciones se tienen ahora? 9 ∗ 27 ∗ 15 = 3645. 4)! 0! Copyright c 2010 Roman Anselmo Mora Guti´ errez & Antonin Ponsich & Eric Alfredo Rinc´ on Garc´ ıa.3. bc. 6. 4 y 2 dependiendo del orden en que sean seleccionados. ¿de cu´ antas formas diferentes lo podemos hacer? 9 ∗ 27 = 243 b) Ahora a˜ nadimos 15 opciones diferentes para los faros del veh´ ıculo. Determinar el n´ umero de permutaciones de las letras a.3. De un grupo de 50 alumnos se eligen a 5 para asignarles las calificaciones de 10.3. ¿cu´ antos posibles resultados hay? 20! P5.4.4 = (4− = 4! = (4)(3)(2)(1) = 24. k = 2 3! P2.20 = (20 = 1860480 −5)! Ejemplo 1. cb. El n´ umero de permutaciones de tama˜ no k que pueden construirse con n objetos esta dado por: Pk.3 = (3− = 3! = (3)(2)(1) = 6.50 = (50 −5)! Ejemplo 1. b y c tomadas de dos en dos.1. P5. 8.2. All rights reserved.3. Para “tunear” un autom´ ovil se cuenta con 9 tipo de rines y 27 tipos de pinturas. ca. 1. a) Si primero ponemos los rines y despu´ es la pintura. Tenemos 9 asientos. ¿cu´ antos posibles resultados pueden obtenerse? 50! = 254251200. ac.

Ejemplo 1. b) ¿De cu´ antas formas diferentes si las dos primeras preguntas son obligatorias? 11 8 = 11! 8!(11−8)! = 11! 8!3! = 165.4.2.5 )(P4.4. a) ¿De cu´ antas formas diferentes las puede escoger? 13 10 = 13! 10!(13−10)! = 13! 10!3! = 286.4. All rights reserved. 5 2 = 5! 2!(5−2)! = 5! 2!3! = 10. De un grupo de 50 alumnos se eligen a 5 para quedar exentos. Por lo tanto. c) ¿De cu´ antas formas diferentes si s´ olo una de las dos primeras es obligatoria? 11 9 = 11! 9!(11−9)! = 11! 8!2! = 55. De cu´ antas formas se pueden seleccionar dos platillos de verduras de un men´ u en el que hay cinco opciones.1. Un estudiante tiene que resolver 10 preguntas de 13 en un examen de computaci´ on. Combinaciones En un conjunto de n objetos diferentes cualquier subconjunto no ordenado de tama˜ no k de los objetos se llama combinaci´ on. el n´ umero total de opciones es: (P5.4. 1. Ejemplo 1.4. COMBINACIONES 3 Ahora debemos calcular el n´ umero de formas en que podemos acomodar a 5 hombres en los 5! 5! 5 asientos P5. El n´ umero de posibles combinaciones esta dado por: n k = n! k !(n − k )! (1.4.4.5 = (5−5)! = 0! = (5)(4)(3)(2)(1) = 120. Ejemplo 1.1. Copyright c 2010 Roman Anselmo Mora Guti´ errez & Antonin Ponsich & Eric Alfredo Rinc´ on Garc´ ıa. ¿de cu´ antas formas diferentes lo puedo hacer? 20 5 = 20! 5!(20−5)! = 20! 5!15! = 15504. . ¿de cu´ antas formas diferentes pueden elegirse? 50 5 = 50! 5!(50−5)! = 50! 5!45! = 2118760.4 ) = (120)(24) = 2880. Tengo 20 libros de los cuales quiero tomar 5.3.4) Ejemplo 1.

.

RN. (A ´ guila. Escribir el espacio muestral cuando: a) La primera bola se devuelve a la urna antes de sacar la segunda. Un evento es cualquier colecci´ on o subconjunto de resultados contenido en el espacio muestral S . RR. N V } . 6} Definici´ on 1. Sol)} S = {(A S = {1. otra roja.5 Cap´ ıtulo 2 Introducci´ on a la probabilidad 2. RV. BV.1. otra verde y otra negra. (Sol. 5. 8. V V. N B. BN. Se sacan dos bolas de una urna que se compone de una bola blanca. denotado por S. 12} Ejemplo 2. BN. BV. V R. S = {BB. Ejemplo 2. Al conjunto de todos los resultados posibles de un experimento aleatorio se le llama espacio muestral.1. RV. Sol). 10. 3. V R. V B. 3. Definiciones b´ asicas Un experimento aleatorio es aquel que puede producir resultados diferentes a´ un cuando se repita siempre de la misma manera. El espacio muestral asociado a “lanzar dos dados y anotar la suma de los puntos obtenidos” es: S = {2. RN.1. 5. 4. es compuesto si consta de m´ as de un resultado. 7. BR. V N. Un evento es simple si est´ a formado por s´ olo un resultado. N R. 6.2. S = {BR. 11. V B. N V. V N. RB. N R. N B. 2. 9. 4.1. RM. Experimento Aleatorio Lanzar un moneda Lanzar una moneda 2 veces Lanzar un dado Espacio Muestral ´ guila. A ´ guila). Sol} S = {A ´ guila. N N } b) La primera bola no se devuelve.

denotada A ∪ B .4. INTRODUCCION Ejemplo 2.“cae un n´ umero impar”. Experimento aleatorio: {Lanzar un dado} Espacio muestral: S = {1. Ejemplo 2.DDD} Ahora construye los conjuntos que se piden: i) Exactamente un autom´ ovil va a la derecha A = {DII. I = un autom´ ovil toma a la izquierda. 2.1. DII. 5} Otros ejemplos ser´ ıan “cae un n´ umero par”. B . DDD} Algunos ejemplos de eventos simples son: {III}. Algebraicamente se expresa de la siguiente manera: A = {x : x ∈ / A} (2. La uni´ on de 2 eventos A. El complemento de un evento A.DDD}. IID. {III. DDI. IDI. . Algebraicamente se expresa de la siguiente manera: A ∪ B = {x : x ∈ A o x ∈ B } (2. Sea D = un autom´ ovil toma a la derecha. denotada A ∩ B . DID. IDI. La intersecci´ on de dos eventos A. 5. {DID}. Utilizando esta notaci´ on es el espacio de soluciones es: S = {III. 4.2) Definici´ on 4.DDI}. DDD} 2.3.3) Copyright c 2010 Roman Anselmo Mora Guti´ errez & Antonin Ponsich & Eric Alfredo Rinc´ on Garc´ ıa. IID} iii) Los tres van en la misma direcci´ on C = {III. es el conjunto de todos los resultados en S que no est´ an en A. All rights reserved. Considere un experimento donde cada uno de tres autom´ oviles. 6} Evento simple: {3} Evento compuesto: {4. es el evento formado por todos los resultados que est´ an en A y B al mismo tiempo. Teor´ ıa de conjuntos Definici´ on 2. {DDI}. es el evento formado por todos los resultados que est´ an en A o en B o en ambos. 3. denotado A . o a la izquierda en una bifurcaci´ on.1) Definici´ on 3. Algunos ejemplos de eventos compuestos son: {IDD. DII. IDD. B .IID} ii) A lo m´ as uno da vuelta a la derecha B = {III. toma una salida a la derecha. IDI.1.6 ´ A LA PROBABILIDAD CAP´ ITULO 2. Algebraicamente se expresa de la siguiente manera: A ∩ B = {x : x ∈ A y x ∈ B } (2.III.2. {DID.

Definici´ on 7. All rights reserved. IDD. Sea D = un autom´ ovil toma a la derecha. DDI. IID. B y C dados por: A = {1. Definici´ on 5. ..5) Copyright c 2010 Roman Anselmo Mora Guti´ errez & Antonin Ponsich & Eric Alfredo Rinc´ on Garc´ ıa. C = Los tres van en la misma direcci´ on.. AN se dice que son disjuntos por pares o mutuamente excluyentes.2. B = A lo m´ as uno da vuelta a la derecha. Considere el espacio muestral S = {1. C y B ∩ C . A ∩ B ∩ C = φ. 3. Algebraicamente se denota como: A∩B =φ Por ejemplo: A ∩ A = φ. 3} C = {1. A ∩ B ∩ C . DID. III}. DID.1. 5} B ∩ C = φ. Encuentre: A ∩ B. Las operaciones de uni´ on y de intersecci´ on se pueden extender a m´ as de dos eventos. DDD}. IID. Encuentre A ∪ B . Utilizando esta notaci´ on es el espacio de soluciones es S = {III. si no hay 2 eventos que tengan un resultado en com´ un. B no tienen resultados en com´ un se dice que son mutuamente excluyentes o disjuntos. 4}. Algebraicamente se expresa de la siguiente manera: A − B = {x : x ∈ A y x ∈ / B} (2. 5} y C = {2. IDI. A ∩ B = {DII. A ∩ B ∩ C. La diferencia del conjunto A menos el conjunto B es el conjunto de puntos que pertenecen al conjunto A y no pertenecen al conjunto B . I = un autom´ ovil toma a la izquierda. IDI. Ejemplo 2. . 3. DDD}.2. 4. 5} A ∩ B = {1. 6}.2.2. (2.2. DII. DDI. A ∪ B = {1. 3. Dados los eventos A1 . 2. y los eventos A. Considere un experimento donde cada uno de tres autom´ oviles. 2. B = {1. A2 . IID}. IDI. Cuando dos eventos A. A ∩ B . A ∩ B ∩ C = {III}. 4. 6}. A ∪ B. o a la izquierda en una bifurcaci´ on. A ∪ B = {DII. A . A3 . TEOR´ IA DE CONJUNTOS 7 Observaci´ on 1.Considere los siguientes eventos: A = Exactamente un autom´ ovil va a la derecha. A = {III.4) Definici´ on 6. 2. 5.. 3. 3. toma una salida a la derecha. 4. Ejemplo 2. IDD.

La regi´ on sombreada corresponde a cada uno de los eventos indicados.8 ´ A LA PROBABILIDAD CAP´ ITULO 2.1. Emplea diagramas de Ven para representar a cada uno de los siguientes conjuntos: (A ∩ B ).3. (A ∩ B ) ∪ C . .3. (A ∩ B ) ∪ C . Diagramas de Venn Los diagramas de Venn son representaciones pict´ oricas de conjuntos en el plano. (B ∪ C ) . En el siguiente ejemplo se muestra la forma en que se usan los diagramas de Venn para representar diferentes operaciones entre conjuntos. a) A ∩ B b) (A ∩ B ) ∪ C c) (B ∪ C ) d) (A ∩ B ) ∪ C Copyright c 2010 Roman Anselmo Mora Guti´ errez & Antonin Ponsich & Eric Alfredo Rinc´ on Garc´ ıa. All rights reserved. INTRODUCCION 2. Ejemplo 2.

12) (2.13) (2.11) (2.8) Conmutativas Asociativas (A ∪ B ) ∪ C = A ∪ (B ∪ C ) (A ∩ B ) ∩ C = A ∩ (B ∩ C ) Distributivas (A ∪ B ) ∩ C = (A ∩ C ) ∪ (B ∩ C ) (A ∪ B ) ∪ C = (A ∪ C ) ∩ (B ∪ C ) Leyes de Morgan (A ∪ B ) = A ∩ B (A ∩ B ) = A ∪ B (2.4.9) (2.6) (2.2. PROPIEDADES DE LAS OPERACIONES CON CONJUNTOS 9 2. All rights reserved.7) (2.14) (2. Propiedades de las operaciones con conjuntos A∪B =B∪A A∩B =B∩A A−B =B−A (2.10) Copyright c 2010 Roman Anselmo Mora Guti´ errez & Antonin Ponsich & Eric Alfredo Rinc´ on Garc´ ıa. .4.

.

. que los eventos A.. si tenemos un conjunto infinito de eventos mutuamente excluyentes entonces: ∞ ∞ P( I =1 Ai ) = I =1 P (Ai ) Observaci´ on 2. A1 . B son mutuamente excluyentes.Ak entonces: k P (A1 ∪ A2 ∪ A3 ∪ . 3. 2. Para cualquier evento A. A2 .. P (S ) = 1. entonces podemos aplicar el axioma 3 y obtener: P (A ∪ B ) = P (A) + P (B ). Axiomas 1. Para cualquier evento A se tiene la siguiente igualdad . La probabilidad del espacio total es 1. Si tenemos un conjunto finito de eventos mutuamente excluyentes. 3. o el ejercicio mismo nos dice.. 3. Un error que se comete con mucha frecuencia es pensar que P (A ∪ B ) = P (A) + P (B ) para cualquier caso. pero en general esto no es cierto. Propiedades de la probabilidad P (A) = 1 − P (A ) (3.11 Cap´ ıtulo 3 Probabilidad El objetivo de la probabilidad es asignar a cada evento A un n´ umero P (A) que dar´ a una medida de la probabilidad de que el evento A ocurra. cuando sabemos. P (A) ≥ 0..2. ∪ Ak ) = I =1 P (Ai ) M´ as a´ un.1.1) Proposici´ on 1. Sin embargo.

Como A y B son mutuamente excluyentes se tiene lo siguiente: A∩B =φ Ahora usando la proposici´ on anterior y el hecho de que S = φ.2 para obtener la siguiente igualdad.12 CAP´ ITULO 3.2 Copyright c 2010 Roman Anselmo Mora Guti´ errez & Antonin Ponsich & Eric Alfredo Rinc´ on Garc´ ıa. P (A ∩ B ) = 0.4 − 0. PROBABILIDAD Demostraci´ on.3. entonces: P (A ∪ A ) = P (A) + P (A ). P (B ) =0. Por lo tanto: P (A ∩ B ) = P (φ) = 0.5 determine las siguientes probabilidades. por ejemplo para tres eventos se tiene lo siguiente: P (A1 ∪ A2 ∪ A3 ) = P (A1 ) + P (A2 ) + P (A3 ) − P (A1 ∩ A2 ) − P (A1 ∩ A3 ) −P (A2 ∩ A3 ) + P (A1 ∩ A2 ∩ A3 ) (3. Si P (A) =0.3 + 0.3) Ejemplo 3. Proposici´ on 2. Despejando se obtiene el resultado buscado.1. .5 = 0. Para dos eventos A y B P (A ∪ B ) = P (A) + P (B ) − P (A ∩ B ) (3. Primero se debe tener presente la siguiente igualdad: 1 = P (S ) = P (A ∪ A ) Ahora como A y A son mutuamente excluyentes. Por lo tanto: 1 = P (A) + P (A ). Si A y B son mutuamente excluyentes entonces P (A ∩ B ) = 0 Demostraci´ on. P (φ) = 1 − P (S ) = 1 − 1 = 0.2. Proposici´ on 3.2) Cuando se tienen m´ as de dos eventos el uso de esta propiedad se complica. All rights reserved.4 y P (A ∪ B ) = 0. a) P (A ∩ B ) En este caso se emplea la ecaci´ on 3. P (A ∩ B ) = P (A) + P (B ) − P (A ∪ B ) Sustituyendo los valores conocidos se obtiene el resultado buscado.

3. P [(A ∪ B ) ] = 1 − P (A ∪ B ) = 1 − 0. Copyright c 2010 Roman Anselmo Mora Guti´ errez & Antonin Ponsich & Eric Alfredo Rinc´ on Garc´ ıa.2.2.8 Ejemplo 3. Cumple Si No 18 2 17 3 50 10 Proveedor 1 2 3 De acuerdo a la tabla se tomaron 20 muestras del proveedor 1 y 18 de ellas si cumplen con las especificaciones.2 = 0.2 = 0. B como el evento de que una muestra cumple con las especificaciones.2. A ∩ B y A ∪ B .5 = 0.9 e) P (A ∪ B ) Para este caso es recomendable recurrir a las leyes D’Morgan y a la ecuaci´ on ?? para obtener las siguientes igualdades. P (A ∩ B ) = P (B ) − P (A ∩ B ) De esta forma se obtiene el resultado final. P (A ∪ B ) = P (A ) + P (A ∩ B ) = [1 − P (A)] + P (A ∩ B ) Al sustituir los valorres conocidos se obtiene la probabilidad buscada.4 − 0. P (A ∩ B ) = 0. PROPIEDADES DE LA PROBABILIDAD 13 b) P (A ∩ B ) En este caso es recomendable recurrir a los diagramas de Venn para comprobar las siguiente igualdad. Determine el n´ umero de muestras en A ∩ B . mientras que 2 no lo hacen. All rights reserved. P (A ∪ B ) = [1 − 0. el resultado final es: P (A ∩ B ) = 1 − 0.2 = 0.3] + 0.5 d) P (A ∪ B ) Nuevamente se recurre a los diagramas de Venn y a la ecuaci´ on ?? para obtener las siguientes igualdades. .2 c) P [(A ∪ B ) ] En esta ocasi´ on se puede utilizar la ecuaci´ on ?? para obtener las siguientes igualdades. Los resultados de 100 muestras se resumen en la siguiente tabla. Ahora considere A como el evento de que una muestra es del proveedor 1. Del mismo modo se debe interpretar con los dos proveedores restantes. Muestras de 3 proveedores se clasifican de acuerdo a si cumplen o no con las especificaciones. P (A ∪ B ) = P (A ∩ B ) = 1 − P (A ∩ B ) Por lo tanto. a) |A ∩ B | = 67.

Por lo tanto. por ejemplo en una rifa.2. P (A ∪ B ) = P (A) + P (B ) − P (A ∩ B ) = 0. P (A ∩ B ) = 0. b) Probabilidad de que el individuo seleccionado no realice ninguna de las actividades. entonces tendremos lo siguiente: N S= i=1 Ei 1 P (Ei ) = N Ai Ahora. Ahora. All rights reserved.40 − 0. . se tienen las siguientes probabilidades: P (A) = 0.3. PROBABILIDAD Observaci´ on 3.5 − 0.35. Para comprender mejor este ejemplo es conveniente realizar los diagramas de Venn correspondientes. Se selecciona al azar a una persona y se˜ nalamos con A el evento de que el individuo seleccionado fuma y B el evento an´ alogo para un individuo que practica nataci´ on.25.25. Supongamos que el 50 % fuma. Copyright c 2010 Roman Anselmo Mora Guti´ errez & Antonin Ponsich & Eric Alfredo Rinc´ on Garc´ ıa.65. calcule las siguientes probabilidades: a) Probabilidad de que el individuo seleccionado realice al menos una de las dos actividades. si A es un evento compuesto entonces: A| 1 P (A) = P (Ei ) = = |N N Ei ∈A Ei ∈A Donde |A| es el n´ umero de eventos simples contenidos en A.14 b) |A ∩ B | = 18. Una forma de asignar probabilidades es establecer la probabilidad para todos los eventos simples cuidando que las siguientes condiciones se cumplan: i) P (Ei ) ≥ 0 ii) P (Ei ) = 1 Entonces la probabilidad de todo evento compuesto A se calcula como: P (A) = P (A ∩ Ei ) En muchos experimentos todos los eventos simples tiene la misma probabilidad. Si denotamos con Ei a los eventos simples de un experimento con N posibles resultados.25 = 0.50 + 0. Ejemplo 3.25 = 0.40. P ((A ∪ B ) ) = 1 − P (A ∪ B ) = 0.50. c) Probabilidad de que un individuo fume pero no nade. tambi´ en se conoce como cardinalidad de A. el 40 % nada y el 25 % hace ambas actividades. CAP´ ITULO 3. c) |A ∪ B | = 87. P (A ∩ B ) = P (A) − P (A ∩ B ) = 0. P (B ) = 0.

Sin embargo. Esta probabilidad es conocida como probabilidad condicional. por ejemplo si se sabe que la m´ aquina de llenado est´ a mal calibrada ser´ a menos probable que las botellas contengan la cantidad de l´ ıquido esperada. P (A1 ∩ A2 ∩ A3 ) = 0. c) La probabilidad de aprobar alguno de los tres ex´ amenes.28.22 − 0. etc. o que se logr´ e cubrir la producci´ on diaria.3. P (A1 ∩ A2 ) = 0.22 + 0. que ocurrir´ a el evento B . de la calidad del proceso de producci´ on.01.07 + 0. la probabilidad de ocurrencia de un evento A puede cambiar cuando existe certeza en la ocurrencia de otro evento B . si se considera el llenado de botellas de 600 ml.11 = 0. b) La probabilidad de reprobar el examen 1 y el 2. P (A3 ) = 0. P (A1 ∪ A2 ∪ A3 ) = P (A1 ) + P (A2 ) + P (A3 ) − P (A1 ∩ A2 ) − P (A1 ∩ A3 ) − P (A2 ∩ A3 ) + P (A1 ∪ A2 ∪ A3 ) = 0.4. a) La probabilidad de aprobar el examen 1 o el 2.05 − 0. A = {x : 590 ml < x < 610 ml}.64. Cada evento tendr´ a una probabilidad de ocurrencia que depender´ a.25 + 0. Suponga que Ai = {Examen i aprobado} con i = 1. se denota como P (A|B ) y se lee “probabilidad de A dado B ”. se calcula mediante la siguiente ecuaci´ on: P (A|B ) = P (A ∩ B ) P (B ) (3. B con P (B ) > 0.11. Probabilidad condicional Sabemos que a todo posible resultado de un experimento se le puede asociar una probabilidad de ocurrencia. Copyright c 2010 Roman Anselmo Mora Guti´ errez & Antonin Ponsich & Eric Alfredo Rinc´ on Garc´ ıa.2. Definici´ on 8. P (A2 ∩ A3 ) = 0.11 − 0. Ahora determine las siguientes probabilidades. que la m´ aquina de llenado se encuentre bien calibrada. P (A1 ∪ A2 ) = P (A1 ) + P (A2 ) − P (A1 ∩ A2 ) = 0.25.22. La probabilidad condicional. se pueden analizar varios eventos como son: lograr que la cantidad de l´ ıquido vertido en cada botella se encuentre dentro de los l´ ımites especificados.4) Donde: P (A ∩ B ) denota la probabilidad de que los eventos A y B ocurran al mismo tiempo. Suponga que las probabilidades de aprobar son las siguientes: P (A1 ) = 0. Por ejemplo.07. 3.36. P (A2 ) = 0. PROBABILIDAD CONDICIONAL 15 Ejemplo 3. 3. resulta claro que la ocurrencia de alguno de estos eventos puede afectar a los otros. .3. en principio.53.36 = 0. o probabilidad de que ocurra el evento A cuando sabemos.05.3.28 − 0.25 + 0. que se cumpla con la producci´ on diaria.01 = 0. P (A1 ∩ A3 ) = 0. 2. para dos eventos cualesquiera A. P (A1 ∩ A2 ) = P ((A1 ∪ A2 ) ) = 1 − P (A1 ∪ A2 ) = 1 − 0. o creemos. Un estudiante va a presentar 3 ex´ amenes el mismo d´ ıa. All rights reserved. Entonces.

Observa que la suma de las probabilidades de las ramas de un mismo v´ ertice es igual a 1. PROBABILIDAD Un simple despeje de la ecuaci´ on anterior nos lleva a la regla de la multiplicaci´ on. En cierta escuela superior. por ejemplo la probabilidad de que estudie ingenier´ ıa dado que es mujer.5) Ejemplo 3.1. y la probabilidad de que sea hombre. Regla de la multiplicaci´ on Al despejar la ecuaci´ on de la probabilidad condicional obtenemos una forma de calcular la probabilidad de que dos eventos ocurran al mismo tiempo P (A ∩ B ) = P (A|B )P (B ) = P (B |A)P (A) (3. a) Si se selecciona un estudiante al azar y es hombre. P (H ). 25 % de los hombres y 10 % de las mujeres son estudiantes de ingenier´ ıa. Primero observamos la probabilidad de que un estudiante sea mujer. y la Copyright c 2010 Roman Anselmo Mora Guti´ errez & Antonin Ponsich & Eric Alfredo Rinc´ on Garc´ ıa. Dependiendo del camino que sigamos tendremos la certeza de haber elegido a una mujer o a un hombre. Para entender adecuadamente la estructura del ´ arbol vamos a describirlo. Para resolver este tipo de ejemplos se pueden utilizar a ´rboles de probabilidad. All rights reserved.16 CAP´ ITULO 3. De la poblaci´ on total de estudiantes las mujeres constituyen el 60 %. .1 se muestra el a ´rbol asociado a este ejemplo.4. 3. En la figura 3. Figura 3.4. determine la probabilidad de que estudie ingenier´ ıa. P (I |M ).1: Arbol de probabilidad. P (M ). por eso las siguientes ramas ya son probabilidades condicionales.

40)(0.25) = 0.5. estudie ingenier´ ıa. P (I |M ). En son mutuamente excluyentes y exhaustivos. Cuando el ´ arbol ya tiene la informaci´ on disponible estamos listos para multiplicar las probabilidades de las ramas. Regla de la probabilidad total Si E1 . 3. Copyright c 2010 Roman Anselmo Mora Guti´ errez & Antonin Ponsich & Eric Alfredo Rinc´ on Garc´ ıa. Sin embargo.1. P (I ∩ M ). b) Si se selecciona un estudiante al azar. determine la probabilidad de que sea hombre y estudie ingenier´ ıa. entonces buscamos P (I |H ) = 0. . Pero toda la informaci´ on que tenemos es dependiente del g´ enero de los estudiantes.3.16 Aunque las reglas anteriores son muy valiosas. De acuerdo a la regla de la probabilidad total obtendremos la probabilidad de la intersecci´ on de los eventos.5.60)(0. los g´ eneros hombre y mujer son mutuamente excluyentes y cubren a toda la poblaci´ on de estudiantes. Otra regla importante para el c´ alculo de probabilidades es conocida como regla de la probabilidad total. determine la probabilidad de que estudie ingenier´ ıa.6) Ejemplo 3.. Nos dicen que el estudiante elegido es hombre (certeza) y queremos la probabilidad de que estudie ingenier´ ıa.10 = 0. son eventos exhaustivos.40)(0. entonces para todo evento A tenemos lo siguiente: n P (A) = i=1 P (A ∩ Ei ) (3. .10) + (0.10. All rights reserved.06 + 0. P(I). hombre y estudie ingenier´ ıa. E2 .. En este caso nos piden la intersecci´ on de dos eventos.. Si se selecciona un estudiante al azar. Ahora ya estamos listos para contestar la pregunta (a). De la poblaci´ on total de estudiantes las mujeres constituyen el 60 %. 25 % de los hombres y 10 % de las mujeres son estudiantes de ingenier´ ıa.25. En cierta escuela superior. tal vez una de las consecuencias m´ as importantes de la probabilidad condicional es el teorema de Bayes. por lo tanto podemos utilizar la regla de la probabilidad total P (I ) = P (I ∩ M ) + P (I ∩ H ) = (0. Para resolver esta pregunta debemos observar que nos piden la probabilidad de que un estudiante. por ejemplo la probabilidad de que estudie ingenier´ ıa y sea mujer. REGLA DE LA PROBABILIDAD TOTAL 17 probabilidad de que no estudie ingenier´ ıa dado que es mujer.25) = 0. por lo tanto buscamos P (I ∩ H ) = (0. sin importar su g´ enero.5.

. 2..7) Donde dos eventos Aj . se tiene la siguiente igualdad: P (A|B ) = P (A) (3. Bajo estas condiciones. Ejemplo 3. . P (M |I ) = P (M ∩I ) P (I ) = 0. A2 . 25 % de los hombres y 10 % de las mujeres son estudiantes de ingenier´ ıa.. Se puede demostrar que dos eventos son independientes si y solo si cumplen cualquiera de las siguientes condiciones: i ) P (A|B ) = P (A) ii ) P (B |A) = P (B ) Copyright c 2010 Roman Anselmo Mora Guti´ errez & Antonin Ponsich & Eric Alfredo Rinc´ on Garc´ ıa. De la poblaci´ on total de estudiantes las mujeres constituyen el 60 %. An una colecci´ on de n eventos mutuamente excluyentes y exhaustivos con P (Ai ) > 0 para i = 1.18 CAP´ ITULO 3. se tiene: P (Aj |B ) = P (Aj ∩ B ) P (B |Aj )P (Aj ) = n j = 1.. por lo tanto debemos recurrir al teorema de Bayes. .375.. en algunas ocasiones la probabilidad que ocurra el evento A no se ve afectada por la ocurrencia de B . n P (B ) P (B |Ai )P (Ai ) i=1 n (3. All rights reserved. 3... PROBABILIDAD 3.. Teorema de Bayes Sea A1 . Observa que no tuvimos que realizar demasiadas operaciones porque ya conoc´ ıamos los resultados gracias a los ejemplos anteriores.6. Si se selecciona un estudiante al azar y estudia ingenier´ ıa. Entonces para cualquier otro evento B con P (B ) > 0.. sea mujer P (M |I ). certeza. Eventos independientes La probabilidad condicional permite reevaluar la probabilidad de un evento A cuando se sabe que un evento B ha ocurrido. Nuevamente es importante determinar lo que nos est´ an pidiendo. n.6. .8) y se dice que los eventos A y B son independientes. y exhaustivos implica que todo posible resultado est´ a contenido en i=1 Ai . En cierta escuela superior. P (I |M ). determine la probabilidad de que sea mujer. Observa que es lo opuesto a lo que ya ten´ ıamos. Ai son mutuamente excluyentes si su intersecci´ on es vac´ ıa. En caso contrario son llamados dependientes. . la probabilidad de que un estudiante de ingenier´ ıa.16 = 0. 2.06 0. Aj ∩ Ai = φ.1.7. Sin embargo.

. n si P (A1 ∩ A2 ∩ . y si su funcionamiento es independiente una de otra... .P (Ak ) (3. An son mutuamente independientes para toda k ∈ 1. Si la probabilidad de que cada una de las componentes funcionen correctamente es 0. Independencia de k eventos Lo eventos A1 .1.90.8. Considere el experimento de lanzar una moneda y sean los eventos: A: Sol en el quinto lanzamiento.8..5) = 0.3. La igualdad del inciso (iii ) suele usarse de forma inadecuada cuando se tiene poca pr´ actica en la aplicaci´ on de la probabilidad. Primero vamos a representar al evento de que cada componente funcione correctamente como Ai . Mientras que la parte de abajo funciona bien cuando funcionan la componente 3 y la componente 4.9) Ejemplo 3. ¿Cu´ al es la probabilidad de que se tenga sol en el quito y sexto lanzamiento si los lanzamiento son independientes entre s´ ı? Como A y B son eventos independientes: P (A ∩ B ) = P (A)P (B ) = (0. 2. .90 Ahora observamos que para que el circuito funcione correctamente basta con que funcione bien “la parte de arriba” o “la parte de abajo”. Ejemplo 3. B : Sol en el sexto lanzamiento. De esta forma tenemos: P (A1 ) = P (A2 ) = P (A3 ) = P (A4 ) = 0. All rights reserved. Por este motivo es importante remarcar que estas igualdades implican independencia entre eventos... INDEPENDENCIA DE K EVENTOS iii ) P (A ∩ B ) = P (A)P (B ) 19 Observaci´ on 4.25. Determine la probabilidad de que el siguiente circuito funcione. 3. La parte de arriba funciona bien cuando funcionan la componente 1 y la componente 2.7.8. ∩ Ak ) = P (A1 )P (A2 ). por lo tanto es incorrecto usarlas cuando no se puede garantizar esta propiedad...1. A2 . . Copyright c 2010 Roman Anselmo Mora Guti´ errez & Antonin Ponsich & Eric Alfredo Rinc´ on Garc´ ıa...5)(0.

mientras que en los u ´ltimos dos se emplean variables aleatorias continuas. o la temperatura de una persona. es aquella variable que solamente puede tomar un n´ umero finito. Copyright c 2010 Roman Anselmo Mora Guti´ errez & Antonin Ponsich & Eric Alfredo Rinc´ on Garc´ ıa.9639.90)(0. Definici´ on 9.90) = 0.20 CAP´ ITULO 3. . 3. por ejemplo: X = x.90)(0.90) − (0.81–0. Un estudio detallado se realizar´ a en los cap´ ıtulos ?? y ??. es aquella variable que puede tomar cualquier valor entre dos valores dados. lo cierto es que lo usamos con mucha frecuencia como se ilustra en el siguiente ejemplo. X:S→ Se considerar´ an dos tipos de variables aleatorias: 1. por ejemplo el n´ umero de litros de gasolina que se expende a cada cliente.90)(0.90) + (0. Las variables aleatorias suelen representarse con letras may´ usculas como X e Y . PROBABILIDAD Entonces. de valores.1.9. el n´ umero de accidentes en un crucero. por ejemplo el n´ umero de clientes en un gasolinera.10) Ejemplo 3.90)(0. 2.90)(0. (3. Los primeros dos ejemplos ilustran el uso de variables aleatorias discretas. Aunque el concepto de variable aleatoria puede parecer ajeno a la realidad. o un n´ umero infinito numerable. Variable aleatoria discreta. indica que “X ” da el valor “x” un evento. mientras que las letras min´ usculas se reservan para los valores que puede tomar la variable aleatoria. Una variable aleatoria es una funci´ on que le asigna un valor num´ erico a cualquier posible resultado de un experimento aleatorio.9. pero este espacio resulta adecuado para una introducci´ on m´ as general.81 + 0. que el circuito funcione correctamente se puede representar como: P ((A1 ∩ A2 ) ∪ (A3 ∩ A4 )) Usando la probabilidad de la uni´ on tenemos: P ((A1 ∩ A2 ) ∪ (A3 ∩ A4 )) = P (A1 ∩ A2 ) + P (A3 ∩ A4 ) − P ((A1 ∩ A2 ) ∩ (A3 ∩ A4 )) = P (A1 ∩ A2 ) + P (A3 ∩ A4 ) − P (A1 ∩ A2 ∩ A3 ∩ A4 ) Como los eventos son independientes tenemos lo siguiente: P ((A1 ∩ A2 ) ∪ (A3 ∩ A4 )) = P (A1 )P (A2 ) + P (A3 )P (A4 ) − P (A1 )P (A2 )P (A3 )P (A4 ) = (0. All rights reserved.6561 = 0. Variable aleatoria continua. Variable aleatoria Otro concepto muy importante en probabilidad es el de variable aleatoria.

por ejemplo: X (Juan) = 1257. Sea X la cantidad de minutos invertidos por un estudiante para leer este ejemplo. y la variable aleatoria le asignar´ a un valor positivo o cero. pero el valor dado por la variable aleatoria ser´ a una cantidad de tiempo. Sea X la distancia en metros recorrida por un estudiante desde su casa hasta la universidad. el resultado del experimento ser´ a un estudiante. De esta forma. “elegir a un estudiante”. por ejemplo: X (Juan) = 0 libros 3.9. Considere que seleccionamos al azar a un estudiante de la UAM-Azcapotzalco.3. por ejemplo: X (Juan) = 1. y su matricula es el valor asociado al resultado obtenido. Nuevamente el resultado del experimento ser´ a un estudiante elegido al azar.087 metros. Copyright c 2010 Roman Anselmo Mora Guti´ errez & Antonin Ponsich & Eric Alfredo Rinc´ on Garc´ ıa. . por ejemplo: X (Juan) = 209333664 2.911707 minutos. En este caso tendremos resultados que van desde cero hasta. De esta forma. Considere que seleccionamos al azar a un estudiante de la UAM-Azcapotzalco. y definimos como variable aleatoria X al n´ umero de su matr´ ıcula. All rights reserved. te´ oricamente. VARIABLE ALEATORIA 21 1. 4. infinito. cualquiera de ustedes es un resultado del experimento. y definimos como variable aleatoria X al n´ umero de libros que solicit´ o en pr´ estamo de la biblioteca durante el pasado trimestre.

.

Determine: a) P (A ∩ B ) = {0. Sean A y B dos eventos con P (A) = 2 .75}. Se clasifican muestras de aluminio fundido con base en el acabado de la superficie (en micropulgadas) y las mediciones de la longitud.25} b) P (B ∪ A ) = {0. Si P (A) =0. 1. Entre los corchetes se encuentra la respuesta correcta de cada pregunta.9146} .9} 1 3 5 2.4 y P (A ∪ B ) = 0. P (B ) =0.3. P (B ) = 8 . Los resultados de 100 piezas se resumen a continuaci´ on: Longitud Excelente Buena 75 7 10 8 Acabado de la superficie Excelente Buena Sea que A denote el evento de que una muestra tiene acabado de la superficie excelente y sea que B denote el evento de que una muestra tenga una longitud excelente.2} b) P [(A ∪ B ) ] = {0.5 determine las siguientes probabilidades: a) P (A ∩ B ) = {0.23 Cap´ ıtulo 4 Autoevaluaci´ on 1 Utiliza los siguientes ejercicios para evaluar tu nivel de comprensi´ on del material estudiado. b) Si se selecciona una pieza al azar que tiene acabado de la superficie excelente. ¿cu´ al es la probabilidad de que la longitud sea excelente? = {0. Determine: a) Si se selecciona una pieza al azar ¿cu´ al es la probabilidad de que tenga acabado de la superficie y longitud excelentes? = {0.5} c) P (A ∪ B ) = {0. P (A ∪ B ) = 4 .625} 3.

4666} 4.03838} 6.1919} c) ¿Cu´ al es la probabilidad de que los dos chips seleccionados est´ en defectuosos? = {0. GEG. ¿cu´ al es la probabilidad de que el acabado de la superficie excelente? = {0. EGG}. Un lote de 100 chips semiconductores contiene 20 que est´ an defectuosos. = {0.343} b) Probabilidad de que al menos uno de los tres autom´ oviles consecutivos sea rechazado (cuidado al determinar los elementos que forman al evento). = {GGG.6. . Cierto equipo de futbol gana (G). AUTOEVALUACION c) Si se selecciona una pieza al azar que tiene buena longitud.3 y empata (E). pierde y empata y hallar la probabilidad P (B ). calcule las siguientes probabilidades: a) Probabilidad de que tres autom´ oviles contiguos pasen la verificaci´ on. 7. Suponga que ganar.5714} 5. pierde (P). Si se supone que autom´ oviles sucesivos pasan la prueba o no de forma independiente. a) ¿Cu´ al es la probabilidad de que el primero que se seleccione est´ e defectuoso? = {0.20} b) ¿Cu´ al es la probabilidad de que el segundo que se seleccione est´ e defectuoso.108} Copyright c 2010 Roman Anselmo Mora Guti´ errez & Antonin Ponsich & Eric Alfredo Rinc´ on Garc´ ıa. Setenta por ciento de los autom´ oviles examinados en un centro de verificaci´ on pasan la prueba.1. {0. si el primero estuvo defectuoso?{0. respectivamente. {0.4 %} b) Si una muestra se rompi´ o.24 ´ 1 CAP´ ITULO 4. All rights reserved. con probabilidad 0. GGE. = {GPE}. Suponga que el 2 % y el 1 % de las muestras enviadas en empaques peque˜ nos y grandes. Si el 60 % de las muestras se env´ ıan en empaques grandes: a) ¿Cu´ al es la proporci´ on de muestras que se romper´ an durante el env´ ıo? ={1. Las muestras de vidrio de un laboratorio se colocan en empaques peque˜ nos o en empaques grandes. se rompen durante el trayecto a su destino. Se van a seleccionar dos chips del lote. con probabilidad 0. con probabilidad 0. = {0. al azar.252} b) Determinar los elementos del evento B en que el equipo gana. ¿cu´ al es la probabilidad de que estuviera en un empaque peque˜ no? ={0. = {0. perder o empatar son eventos independientes. El equipo juega tres encuentros durante el fin de semana.189} Sugerencia: Considere Pi el evento en que el autom´ ovil i pasa la prueba.657} c) Probabilidad de que exactamente uno de los tres autom´ oviles inspeccionados pase la prueba (cuidado al determinar los elementos que forman al evento). a) Determinar los elementos del evento A en que el equipo gana por lo menos dos y no pierde y hallar la probabilidad P (A).

1 1..13 2.3 1.25 Cap´ ıtulo 5 Tabla de ecuaciones Cap´ ıtulo 1 Pares ordenados k -arreglos Permutaciones Combinaciones n1 ∗ n2 n1 ∗ n2 ∗ n3 ∗ . .. 2. n 3.2 1.6 P (A) = i=1 P (A ∩ Ei ) P (Aj ∩B ) P (B ) P (Aj |B ) = = P (B |Aj )P (Aj ) n j = 1.4 Cap´ ıtulo 2 Leyes D’Morgan (A ∪ B ) = A ∩ B (A ∩ B ) = A ∪ B 2...14 Cap´ ıtulo 3 Complemento Uni´ on Condicional Regla de la multiplicaci´ on Regla de la probabilidad total Teorema de Bayes P (A) = 1 − P (A ) P (A ∪ B ) = P (A) + P (B ) − P (A ∩ B ) (A∩B ) P (A|B ) = P P (B ) P (A ∩ B ) = P (A|B )P (B ) = P (B |A)P (A) n 3.2 3..n = (n− k)! n n! = k!(n −k)! k 1.4 3.7 P (B |Ai )P (Ai ) i=1 Eventos independientes P (A|B ) = P (A) P (B |A) = P (B ) P (A ∩ B ) = P (A)P (B ) .1 3. ∗ nk n! Pk.5 3.

.

.uam.. Rivera B. Universidad Aut´ onoma Metropolitana.html.uam.. [5] L´ opez B.azc.mx/UAM/101416/101416.uam. A. L´ opez B. “Taller de probabilidad y estad´ ıstica. C. Disponible en: http://espartaco. Disponible en: http://espartaco. y Myers R. [2] Rivera B.mx/UAM/217423/217423.. Disponible en: http://espartaco. [10] Montgomery D.html.mx/UAM/223498/223498. Ed. 1998.Addison Wesley. Disponible en: http://espartaco. “Probabilidad y Estad´ ıstica”. “Taller de probabilidad y estad´ ıstica.uam. Ram´ ırez R.azc.uam. R.. Rivera B. “Problemas de probabilidad y estad´ ıstica”.Thompson Editores. J. M´ exico. J.L. 1965.. Disponible en: http://espartaco. Alonso J.. M. Ed. Universidad Aut´ onoma Metropolitana. Mc Graw Hill. R. Universidad Aut´ onoma Metropolitana. C.. y Runger G.uam. Paul L.mx/UAM/223512/223512.. Universidad Aut´ onoma Metropolitana. “Probabilidad y Estad´ ıstica Aplicada a laIngenier´ ıa”. T´ ecnicas de conteo y probabilidad”. . “Probabilidad condicional”. [8] Walpole R. [9] Devore J.mx/UAM/217404/217404. Disponible en: http://espartaco.. 1996.. Universidad Aut´ onoma Metropolitana.azc.27 Bibliograf´ ıa [1] Grabinsky J.html. Tronco general”.. Ed. “Gu´ ıa SAI de probabilidad y estad´ ıstica. [3] Grabinsky J. [4] Ram´ ırez R.azc.html. “Probabilidad y Estad´ ıstica para Ingenier´ ıa y Ciencias”. J..mx/UAM/217523/217523. H.. [6] Guti´ errez A. Mc Graw Hill. Int.azc. E. J.1992. “Introductory Probability and Statistical Applications”. Espacio muestra y eventos”.. Universidad Aut´ onoma Metropolitana.html.azc. “Variables aleatorias”. [7] Meyer. J.html.