You are on page 1of 29

Universidad Aut onoma Metropolitana Unidad Azcapotzalco

Divisi on de Ciencias B asicas e Ingenier a

Departamento de Sistemas

Notas de probabilidad y estad stica 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 a

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 Deniciones b asicas . . . . . . . . . . . . . . . 2.2 Teor a 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

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

Cap tulo 1 T ecnicas de conteo


1.1. 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 (1.1) Ejemplo 1.1.1. El Lanzamiento de dos dados puede dar un total de 36 posibles soluciones |S | = 6 6 = 36

Ejemplo 1.1.2. Lanzar un dado y despu es realizar un volado tiene un total de 12 posibles soluciones |S | = 6 2 = 12 Ejemplo 1.1.3. Se puede realizar un examen con el profesor A o con el profesor B . Cada uno realiza 3 tipos de ex amenes diferentes y dependiendo del examen puedo elegir uno de 4 horarios disponibles. De cu antas formas diferentes se puede hacer el examen? |S | = 6 4 = 24

1.2.

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; para cada opci on del primer elemento hay n2 posibles opciones del segundo elemento, ..., por cada opci on de los k 1 elementos hay nk opciones del k- esimo elemento. Entonces el n umero total de posibles arreglos est a dado por: n1 n2 n3 ... nk (1.2)

CAP ITULO 1. TECNICAS DE CONTEO

Ejemplo 1.2.1. Para tunear un autom ovil se cuenta con 9 tipo de rines y 27 tipos de pinturas. a) Si primero ponemos los rines y despu es la pintura, de cu antas formas diferentes lo podemos hacer? 9 27 = 243 b) Ahora a nadimos 15 opciones diferentes para los faros del veh culo, cu antas opciones se tienen ahora? 9 27 15 = 3645.

1.3.

Permutaciones

Cualquier secuencia ordenada de k objetos tomados de un conjunto con n elementos distintos se llama permutaci on de tama no k . El n umero de permutaciones de tama no k que pueden construirse con n objetos esta dado por: Pk,n = n! (n k )! (1.3)

Ejemplo 1.3.1. Tengo 20 libros y los quiero ordenar en 5 espacios individuales, cu antos posibles resultados hay? 20! P5,20 = (20 = 1860480 5)! Ejemplo 1.3.2. De un grupo de 50 alumnos se eligen a 5 para asignarles las calicaciones de 10, 8, 6, 4 y 2 dependiendo del orden en que sean seleccionados, cu antos posibles resultados pueden obtenerse? 50! = 254251200. P5,50 = (50 5)! Ejemplo 1.3.3. Determinar el n umero de permutaciones de las letras a, b y c tomadas de dos en dos. n = 3, k = 2 3! P2,3 = (3 = 3! = (3)(2)(1) = 6. 2)! 1! Estas permutaciones son ab, ba, ac, ca, bc, cb. Ejemplo 1.3.4. Se quieren sentar 5 hombres y 4 mujeres en una la de modo que las mujeres ocupen los sitios pares de cu antas formas pueden sentarse? Para resolver este ejemplo debemos observar varios detalles. Tenemos 9 asientos, 5 para hombres y 4 para mujeres. Primero veremos de cuantas formas podemos acomodar a las 4 mujeres en 4 asientos, esto lo obtenemos con 4! P4,4 = (4 = 4! = (4)(3)(2)(1) = 24. 4)! 0!
Copyright c 2010 Roman Anselmo Mora Guti errez & Antonin Ponsich & Eric Alfredo Rinc on Garc a. All rights reserved.

1.4. COMBINACIONES

Ahora debemos calcular el n umero de formas en que podemos acomodar a 5 hombres en los 5! 5! 5 asientos P5,5 = (55)! = 0! = (5)(4)(3)(2)(1) = 120. Por lo tanto, el n umero total de opciones es: (P5,5 )(P4,4 ) = (120)(24) = 2880.

1.4.

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 de posibles combinaciones esta dado por: n k = n! k !(n k )! (1.4)

Ejemplo 1.4.1. Tengo 20 libros de los cuales quiero tomar 5, de cu antas formas diferentes lo puedo hacer?
20 5

20! 5!(205)!

20! 5!15!

= 15504.

Ejemplo 1.4.2. De un grupo de 50 alumnos se eligen a 5 para quedar exentos, de cu antas formas diferentes pueden elegirse?
50 5

50! 5!(505)!

50! 5!45!

= 2118760.

Ejemplo 1.4.3. De cu antas formas se pueden seleccionar dos platillos de verduras de un men u en el que hay cinco opciones.
5 2

5! 2!(52)!

5! 2!3!

= 10.

Ejemplo 1.4.4. Un estudiante tiene que resolver 10 preguntas de 13 en un examen de computaci on. a) De cu antas formas diferentes las puede escoger?
13 10

13! 10!(1310)!

13! 10!3!

= 286.

b) De cu antas formas diferentes si las dos primeras preguntas son obligatorias?


11 8

11! 8!(118)!

11! 8!3!

= 165.

c) De cu antas formas diferentes si s olo una de las dos primeras es obligatoria?


11 9

11! 9!(119)!

11! 8!2!

= 55.

Copyright c 2010 Roman Anselmo Mora Guti errez & Antonin Ponsich & Eric Alfredo Rinc on Garc a. All rights reserved.

Cap tulo 2 Introducci on a la probabilidad


2.1. Deniciones b asicas

Un experimento aleatorio es aquel que puede producir resultados diferentes a un cuando se repita siempre de la misma manera. Al conjunto de todos los resultados posibles de un experimento aleatorio se le llama espacio muestral, denotado por S.

Experimento Aleatorio Lanzar un moneda Lanzar una moneda 2 veces Lanzar un dado

Espacio Muestral guila, Sol} S = {A guila, A guila), (A guila, Sol), (Sol, Sol)} S = {(A S = {1, 2, 3, 4, 5, 6}

Denici on 1. Un evento es cualquier colecci on o subconjunto de resultados contenido en el espacio muestral S . Un evento es simple si est a formado por s olo un resultado; es compuesto si consta de m as de un resultado. Ejemplo 2.1.1. El espacio muestral asociado a lanzar dos dados y anotar la suma de los puntos obtenidos es: S = {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12} Ejemplo 2.1.2. Se sacan dos bolas de una urna que se compone de una bola blanca, otra roja, otra verde y otra negra. Escribir el espacio muestral cuando: a) La primera bola se devuelve a la urna antes de sacar la segunda. S = {BB, BR, BV, BN, RB, RR, RV, RN, V B, V R, V V, V N, N B, N R, N V, N N } b) La primera bola no se devuelve. S = {BR, BV, BN, RM, RV, RN, V B, V R, V N, N B, N R, N V }

A LA PROBABILIDAD CAP ITULO 2. INTRODUCCION

Ejemplo 2.1.3. Experimento aleatorio: {Lanzar un dado} Espacio muestral: S = {1, 2, 3, 4, 5, 6} Evento simple: {3} Evento compuesto: {4, 5} Otros ejemplos ser an cae un n umero par,cae un n umero impar. Ejemplo 2.1.4. Considere un experimento donde cada uno de tres autom oviles, toma una salida a la derecha, o a la izquierda en una bifurcaci on. Sea D = un autom ovil toma a la derecha, I = un autom ovil toma a la izquierda. Utilizando esta notaci on es el espacio de soluciones es: S = {III, IID, IDI, DII, IDD, DID, DDI, DDD} Algunos ejemplos de eventos simples son: {III}; {DID}; {DDI}. Algunos ejemplos de eventos compuestos son: {IDD,DDD}; {DID,III,DDI}; {III,DDD} Ahora construye los conjuntos que se piden: i) Exactamente un autom ovil va a la derecha A = {DII, IDI,IID} ii) A lo m as uno da vuelta a la derecha B = {III, DII, IDI, IID} iii) Los tres van en la misma direcci on C = {III, DDD}

2.2.

Teor a de conjuntos

Denici on 2. La uni on de 2 eventos A, B , denotada A B , es el evento formado por todos los resultados que est an en A o en B o en ambos. Algebraicamente se expresa de la siguiente manera: A B = {x : x A o x B } (2.1)

Denici on 3. La intersecci on de dos eventos A, B , denotada A B , es el evento formado por todos los resultados que est an en A y B al mismo tiempo. Algebraicamente se expresa de la siguiente manera: A B = {x : x A y x B } (2.2)

Denici on 4. El complemento de un evento A, denotado A , es el conjunto de todos los resultados en S que no est an en A. Algebraicamente se expresa de la siguiente manera: A = {x : x / A} (2.3)

Copyright c 2010 Roman Anselmo Mora Guti errez & Antonin Ponsich & Eric Alfredo Rinc on Garc a. All rights reserved.

2.2. TEOR IA DE CONJUNTOS

Observaci on 1. Las operaciones de uni on y de intersecci on se pueden extender a m as de dos eventos. Denici on 5. 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 . Algebraicamente se expresa de la siguiente manera: A B = {x : x A y x / B} (2.4)

Denici on 6. Cuando dos eventos A, B no tienen resultados en com un se dice que son mutuamente excluyentes o disjuntos. Algebraicamente se denota como: AB = Por ejemplo: A A = . Denici on 7. Dados los eventos A1 , A2 , A3 , ..., AN se dice que son disjuntos por pares o mutuamente excluyentes, si no hay 2 eventos que tengan un resultado en com un. Ejemplo 2.2.1. Considere el espacio muestral S = {1, 2, 3, 4, 5, 6}, y los eventos A, B y C dados por: A = {1, 2, 3, 4}, B = {1, 3, 5} y C = {2, 4, 6}. Encuentre A B , A B , C y B C . A B = {1, 2, 3, 4, 5} A B = {1, 3} C = {1, 3, 5} B C = . Ejemplo 2.2.2. Considere un experimento donde cada uno de tres autom oviles, toma una salida a la derecha, o a la izquierda en una bifurcaci on. Sea D = un autom ovil toma a la derecha, I = un autom ovil toma a la izquierda. Utilizando esta notaci on es el espacio de soluciones es S = {III, IID, IDI, DII, IDD, DID, DDI, DDD}.Considere los siguientes eventos: A = Exactamente un autom ovil va a la derecha. B = A lo m as uno da vuelta a la derecha. C = Los tres van en la misma direcci on. Encuentre: A B, A B, A , A B C, A B C . A B = {DII, IDI, IID}. A B = {DII, IDI, IID, III}. A = {III, IDD, DID, DDI, DDD}. A B C = . A B C = {III}. (2.5)

Copyright c 2010 Roman Anselmo Mora Guti errez & Antonin Ponsich & Eric Alfredo Rinc on Garc a. All rights reserved.

A LA PROBABILIDAD CAP ITULO 2. INTRODUCCION

2.3.

Diagramas de Venn

Los diagramas de Venn son representaciones pict oricas de conjuntos en el plano. En el siguiente ejemplo se muestra la forma en que se usan los diagramas de Venn para representar diferentes operaciones entre conjuntos. La regi on sombreada corresponde a cada uno de los eventos indicados. Ejemplo 2.3.1. Emplea diagramas de Ven para representar a cada uno de los siguientes conjuntos: (A B ), (A B ) C , (B C ) , (A B ) C . 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 a. All rights reserved.

2.4. PROPIEDADES DE LAS OPERACIONES CON CONJUNTOS

2.4.

Propiedades de las operaciones con conjuntos


AB =BA AB =BA AB =BA (2.6) (2.7) (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 (2.13) (2.14) (2.11) (2.12) (2.9) (2.10)

Copyright c 2010 Roman Anselmo Mora Guti errez & Antonin Ponsich & Eric Alfredo Rinc on Garc a. All rights reserved.

11

Cap tulo 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.

3.1.

Axiomas

1. Para cualquier evento A, P (A) 0. 2. La probabilidad del espacio total es 1, P (S ) = 1. 3. Si tenemos un conjunto nito de eventos mutuamente excluyentes, A1 , A2 , ...Ak entonces:
k

P (A1 A2 A3 ... Ak ) =
I =1

P (Ai )

M as a un, si tenemos un conjunto innito de eventos mutuamente excluyentes entonces:


P(
I =1

Ai ) =
I =1

P (Ai )

Observaci on 2. 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. Sin embargo, cuando sabemos, o el ejercicio mismo nos dice, que los eventos A, B son mutuamente excluyentes, entonces podemos aplicar el axioma 3 y obtener: P (A B ) = P (A) + P (B ).

3.2.

Propiedades de la probabilidad
P (A) = 1 P (A ) (3.1)

Proposici on 1. Para cualquier evento A se tiene la siguiente igualdad

12

CAP ITULO 3. PROBABILIDAD

Demostraci on. Primero se debe tener presente la siguiente igualdad: 1 = P (S ) = P (A A ) Ahora como A y A son mutuamente excluyentes, entonces: P (A A ) = P (A) + P (A ). Por lo tanto: 1 = P (A) + P (A ). Despejando se obtiene el resultado buscado. Proposici on 2. Si A y B son mutuamente excluyentes entonces P (A B ) = 0 Demostraci on. Como A y B son mutuamente excluyentes se tiene lo siguiente: AB = Ahora usando la proposici on anterior y el hecho de que S = . P () = 1 P (S ) = 1 1 = 0. Por lo tanto: P (A B ) = P () = 0.

Proposici on 3. Para dos eventos A y B P (A B ) = P (A) + P (B ) P (A B ) (3.2)

Cuando se tienen m as de dos eventos el uso de esta propiedad se complica, 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 ) (3.3)

Ejemplo 3.2.1. Si P (A) =0.3, P (B ) =0.4 y P (A B ) = 0.5 determine las siguientes probabilidades. a) P (A B ) En este caso se emplea la ecaci on 3.2 para obtener la siguiente igualdad. P (A B ) = P (A) + P (B ) P (A B ) Sustituyendo los valores conocidos se obtiene el resultado buscado. P (A B ) = 0.3 + 0.4 0.5 = 0.2
Copyright c 2010 Roman Anselmo Mora Guti errez & Antonin Ponsich & Eric Alfredo Rinc on Garc a. All rights reserved.

3.2. 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. P (A B ) = P (B ) P (A B ) De esta forma se obtiene el resultado nal. P (A B ) = 0.4 0.2 = 0.2 c) P [(A B ) ] En esta ocasi on se puede utilizar la ecuaci on ?? para obtener las siguientes igualdades. P [(A B ) ] = 1 P (A B ) = 1 0.5 = 0.5 d) P (A B ) Nuevamente se recurre a los diagramas de Venn y a la ecuaci on ?? para obtener las siguientes igualdades. P (A B ) = P (A ) + P (A B ) = [1 P (A)] + P (A B ) Al sustituir los valorres conocidos se obtiene la probabilidad buscada. P (A B ) = [1 0.3] + 0.2 = 0.9 e) P (A B ) Para este caso es recomendable recurrir a las leyes DMorgan y a la ecuaci on ?? para obtener las siguientes igualdades. P (A B ) = P (A B ) = 1 P (A B ) Por lo tanto, el resultado nal es: P (A B ) = 1 0.2 = 0.8 Ejemplo 3.2.2. Muestras de 3 proveedores se clasican de acuerdo a si cumplen o no con las especicaciones. Los resultados de 100 muestras se resumen en la siguiente tabla. 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 especicaciones, mientras que 2 no lo hacen. Del mismo modo se debe interpretar con los dos proveedores restantes. Ahora considere A como el evento de que una muestra es del proveedor 1, B como el evento de que una muestra cumple con las especicaciones. Determine el n umero de muestras en A B , A B y A B . a) |A B | = 67.
Copyright c 2010 Roman Anselmo Mora Guti errez & Antonin Ponsich & Eric Alfredo Rinc on Garc a. All rights reserved.

14 b) |A B | = 18. c) |A B | = 87.

CAP ITULO 3. PROBABILIDAD

Observaci on 3. 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, por ejemplo en una rifa. Si denotamos con Ei a los eventos simples de un experimento con N posibles resultados, entonces tendremos lo siguiente:
N

S=
i=1

Ei

1 P (Ei ) = N Ai Ahora, 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, tambi en se conoce como cardinalidad de A.

Ejemplo 3.2.3. 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. Supongamos que el 50 % fuma, el 40 % nada y el 25 % hace ambas actividades. Por lo tanto, se tienen las siguientes probabilidades: P (A) = 0.50, P (B ) = 0.40, P (A B ) = 0.25. Ahora, calcule las siguientes probabilidades: a) Probabilidad de que el individuo seleccionado realice al menos una de las dos actividades. P (A B ) = P (A) + P (B ) P (A B ) = 0.50 + 0.40 0.25 = 0.65. b) Probabilidad de que el individuo seleccionado no realice ninguna de las actividades. P ((A B ) ) = 1 P (A B ) = 0.35. c) Probabilidad de que un individuo fume pero no nade. P (A B ) = P (A) P (A B ) = 0.5 0.25 = 0.25. Para comprender mejor este ejemplo es conveniente realizar los diagramas de Venn correspondientes.
Copyright c 2010 Roman Anselmo Mora Guti errez & Antonin Ponsich & Eric Alfredo Rinc on Garc a. All rights reserved.

3.3. PROBABILIDAD CONDICIONAL

15

Ejemplo 3.2.4. Un estudiante va a presentar 3 ex amenes el mismo d a. Suponga que Ai = {Examen i aprobado} con i = 1, 2, 3. Suponga que las probabilidades de aprobar son las siguientes: P (A1 ) = 0.25, P (A2 ) = 0.22, P (A3 ) = 0.28, P (A1 A2 ) = 0.11, P (A1 A3 ) = 0.05, P (A2 A3 ) = 0.07, P (A1 A2 A3 ) = 0.01. Ahora determine las siguientes probabilidades. a) La probabilidad de aprobar el examen 1 o el 2. P (A1 A2 ) = P (A1 ) + P (A2 ) P (A1 A2 ) = 0.25 + 0.22 0.11 = 0.36. b) La probabilidad de reprobar el examen 1 y el 2. P (A1 A2 ) = P ((A1 A2 ) ) = 1 P (A1 A2 ) = 1 0.36 = 0.64. c) La probabilidad de aprobar alguno de los tres ex amenes. P (A1 A2 A3 ) = P (A1 ) + P (A2 ) + P (A3 ) P (A1 A2 ) P (A1 A3 ) P (A2 A3 ) + P (A1 A2 A3 ) = 0.25 + 0.22 + 0.28 0.11 0.05 0.07 + 0.01 = 0.53.

3.3.

Probabilidad condicional

Sabemos que a todo posible resultado de un experimento se le puede asociar una probabilidad de ocurrencia. Por ejemplo, si se considera el llenado de botellas de 600 ml, se pueden analizar varios eventos como son: lograr que la cantidad de l quido vertido en cada botella se encuentre dentro de los l mites especicados, A = {x : 590 ml < x < 610 ml}, que la m aquina de llenado se encuentre bien calibrada, que se cumpla con la producci on diaria, etc. Cada evento tendr a una probabilidad de ocurrencia que depender a, en principio, de la calidad del proceso de producci on. Sin embargo, resulta claro que la ocurrencia de alguno de estos eventos puede afectar a los otros, 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 quido esperada, o que se logr e cubrir la producci on diaria. Entonces, la probabilidad de ocurrencia de un evento A puede cambiar cuando existe certeza en la ocurrencia de otro evento B . Esta probabilidad es conocida como probabilidad condicional, se denota como P (A|B ) y se lee probabilidad de A dado B , o probabilidad de que ocurra el evento A cuando sabemos, o creemos, que ocurrir a el evento B . Denici on 8. La probabilidad condicional, para dos eventos cualesquiera A, B con P (B ) > 0, se calcula mediante la siguiente ecuaci on: P (A|B ) = P (A B ) P (B ) (3.4)

Donde: P (A B ) denota la probabilidad de que los eventos A y B ocurran al mismo tiempo.

Copyright c 2010 Roman Anselmo Mora Guti errez & Antonin Ponsich & Eric Alfredo Rinc on Garc a. All rights reserved.

16

CAP ITULO 3. PROBABILIDAD Un simple despeje de la ecuaci on anterior nos lleva a la regla de la multiplicaci on.

3.4.

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) (3.5)

Ejemplo 3.4.1. En cierta escuela superior, 25 % de los hombres y 10 % de las mujeres son estudiantes de ingenier a. De la poblaci on total de estudiantes las mujeres constituyen el 60 %. a) Si se selecciona un estudiante al azar y es hombre, determine la probabilidad de que estudie ingenier a. Para resolver este tipo de ejemplos se pueden utilizar a rboles de probabilidad. En la gura 3.1 se muestra el a rbol asociado a este ejemplo. Observa que la suma de las probabilidades de las ramas de un mismo v ertice es igual a 1.

Figura 3.1: Arbol de probabilidad. Para entender adecuadamente la estructura del arbol vamos a describirlo. Primero observamos la probabilidad de que un estudiante sea mujer, P (M ), y la probabilidad de que sea hombre, P (H ). Dependiendo del camino que sigamos tendremos la certeza de haber elegido a una mujer o a un hombre, por eso las siguientes ramas ya son probabilidades condicionales, por ejemplo la probabilidad de que estudie ingenier a dado que es mujer, P (I |M ), y la
Copyright c 2010 Roman Anselmo Mora Guti errez & Antonin Ponsich & Eric Alfredo Rinc on Garc a. All rights reserved.

3.5. REGLA DE LA PROBABILIDAD TOTAL

17

probabilidad de que no estudie ingenier a dado que es mujer, P (I |M ). Cuando el arbol ya tiene la informaci on disponible estamos listos para multiplicar las probabilidades de las ramas. De acuerdo a la regla de la probabilidad total obtendremos la probabilidad de la intersecci on de los eventos, por ejemplo la probabilidad de que estudie ingenier a y sea mujer, P (I M ). Ahora ya estamos listos para contestar la pregunta (a). Nos dicen que el estudiante elegido es hombre (certeza) y queremos la probabilidad de que estudie ingenier a, entonces buscamos P (I |H ) = 0.25. b) Si se selecciona un estudiante al azar, determine la probabilidad de que sea hombre y estudie ingenier a. En este caso nos piden la intersecci on de dos eventos, hombre y estudie ingenier a, por lo tanto buscamos P (I H ) = (0.40)(0.25) = 0.10.

Otra regla importante para el c alculo de probabilidades es conocida como regla de la probabilidad total.

3.5.

Regla de la probabilidad total

Si E1 , E2 , ..., En son mutuamente excluyentes y exhaustivos, entonces para todo evento A tenemos lo siguiente:
n

P (A) =
i=1

P (A Ei )

(3.6)

Ejemplo 3.5.1. En cierta escuela superior, 25 % de los hombres y 10 % de las mujeres son estudiantes de ingenier a. De la poblaci on total de estudiantes las mujeres constituyen el 60 %. Si se selecciona un estudiante al azar, determine la probabilidad de que estudie ingenier a. Para resolver esta pregunta debemos observar que nos piden la probabilidad de que un estudiante, sin importar su g enero, estudie ingenier a, P(I). Pero toda la informaci on que tenemos es dependiente del g enero de los estudiantes. Sin embargo, los g eneros hombre y mujer son mutuamente excluyentes y cubren a toda la poblaci on de estudiantes, son eventos exhaustivos, por lo tanto podemos utilizar la regla de la probabilidad total P (I ) = P (I M ) + P (I H ) = (0.60)(0.10) + (0.40)(0.25) = 0.06 + 0.10 = 0.16

Aunque las reglas anteriores son muy valiosas, tal vez una de las consecuencias m as importantes de la probabilidad condicional es el teorema de Bayes.
Copyright c 2010 Roman Anselmo Mora Guti errez & Antonin Ponsich & Eric Alfredo Rinc on Garc a. All rights reserved.

18

CAP ITULO 3. PROBABILIDAD

3.6.

Teorema de Bayes

Sea A1 , A2 , ..., An una colecci on de n eventos mutuamente excluyentes y exhaustivos con P (Ai ) > 0 para i = 1, 2, ..., n. Entonces para cualquier otro evento B con P (B ) > 0, se tiene: P (Aj |B ) = P (Aj B ) P (B |Aj )P (Aj ) = n j = 1, 2, ..., n P (B ) P (B |Ai )P (Ai )
i=1 n

(3.7)

Donde dos eventos Aj , Ai son mutuamente excluyentes si su intersecci on es vac a, Aj Ai = , y exhaustivos implica que todo posible resultado est a contenido en
i=1

Ai .

Ejemplo 3.6.1. En cierta escuela superior, 25 % de los hombres y 10 % de las mujeres son estudiantes de ingenier a. De la poblaci on total de estudiantes las mujeres constituyen el 60 %. Si se selecciona un estudiante al azar y estudia ingenier a, determine la probabilidad de que sea mujer. Nuevamente es importante determinar lo que nos est an pidiendo, la probabilidad de que un estudiante de ingenier a, certeza, sea mujer P (M |I ). Observa que es lo opuesto a lo que ya ten amos, P (I |M ), por lo tanto debemos recurrir al teorema de Bayes. P (M |I ) =
P (M I ) P (I )

0.06 0.16

= 0.375.

Observa que no tuvimos que realizar demasiadas operaciones porque ya conoc amos los resultados gracias a los ejemplos anteriores.

3.7.

Eventos independientes

La probabilidad condicional permite reevaluar la probabilidad de un evento A cuando se sabe que un evento B ha ocurrido. Sin embargo, en algunas ocasiones la probabilidad que ocurra el evento A no se ve afectada por la ocurrencia de B . Bajo estas condiciones, se tiene la siguiente igualdad: P (A|B ) = P (A) (3.8) y se dice que los eventos A y B son independientes. En caso contrario son llamados dependientes. 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 a. All rights reserved.

3.8. INDEPENDENCIA DE K EVENTOS iii ) P (A B ) = P (A)P (B )

19

Observaci on 4. La igualdad del inciso (iii ) suele usarse de forma inadecuada cuando se tiene poca pr actica en la aplicaci on de la probabilidad. Por este motivo es importante remarcar que estas igualdades implican independencia entre eventos, por lo tanto es incorrecto usarlas cuando no se puede garantizar esta propiedad. Ejemplo 3.7.1. Considere el experimento de lanzar una moneda y sean los eventos: A: Sol en el quinto lanzamiento. B : Sol en el sexto lanzamiento. Cu al es la probabilidad de que se tenga sol en el quito y sexto lanzamiento si los lanzamiento son independientes entre s ? Como A y B son eventos independientes: P (A B ) = P (A)P (B ) = (0.5)(0.5) = 0.25.

3.8.

Independencia de k eventos

Lo eventos A1 , A2 , ..., An son mutuamente independientes para toda k 1, 2, ..., n si P (A1 A2 ... Ak ) = P (A1 )P (A2 )...P (Ak ) (3.9)

Ejemplo 3.8.1. Si la probabilidad de que cada una de las componentes funcionen correctamente es 0.90, y si su funcionamiento es independiente una de otra. Determine la probabilidad de que el siguiente circuito funcione.

Primero vamos a representar al evento de que cada componente funcione correctamente como Ai . De esta forma tenemos: P (A1 ) = P (A2 ) = P (A3 ) = P (A4 ) = 0.90 Ahora observamos que para que el circuito funcione correctamente basta con que funcione bien la parte de arriba o la parte de abajo. La parte de arriba funciona bien cuando funcionan la componente 1 y la componente 2. Mientras que la parte de abajo funciona bien cuando funcionan la componente 3 y la componente 4.

Copyright c 2010 Roman Anselmo Mora Guti errez & Antonin Ponsich & Eric Alfredo Rinc on Garc a. All rights reserved.

20

CAP ITULO 3. PROBABILIDAD

Entonces, 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 ) = (0.90)(0.90) + (0.90)(0.90) (0.90)(0.90)(0.90)(0.90) = 0.81 + 0.810.6561 = 0.9639.

3.9.

Variable aleatoria

Otro concepto muy importante en probabilidad es el de variable aleatoria. Un estudio detallado se realizar a en los cap tulos ?? y ??, pero este espacio resulta adecuado para una introducci on m as general. Denici on 9. Una variable aleatoria es una funci on que le asigna un valor num erico a cualquier posible resultado de un experimento aleatorio. X:S Se considerar an dos tipos de variables aleatorias: 1. Variable aleatoria discreta, es aquella variable que solamente puede tomar un n umero nito, o un n umero innito numerable, de valores, por ejemplo el n umero de clientes en un gasolinera, el n umero de accidentes en un crucero. 2. Variable aleatoria continua, es aquella variable que puede tomar cualquier valor entre dos valores dados, por ejemplo el n umero de litros de gasolina que se expende a cada cliente, o la temperatura de una persona. Las variables aleatorias suelen representarse con letras may usculas como X e Y , mientras que las letras min usculas se reservan para los valores que puede tomar la variable aleatoria, por ejemplo: X = x, indica que X da el valor x un evento. Aunque el concepto de variable aleatoria puede parecer ajeno a la realidad, lo cierto es que lo usamos con mucha frecuencia como se ilustra en el siguiente ejemplo. (3.10)

Ejemplo 3.9.1. Los primeros dos ejemplos ilustran el uso de variables aleatorias discretas, mientras que en los u ltimos dos se emplean variables aleatorias continuas.
Copyright c 2010 Roman Anselmo Mora Guti errez & Antonin Ponsich & Eric Alfredo Rinc on Garc a. All rights reserved.

3.9. VARIABLE ALEATORIA

21

1. Considere que seleccionamos al azar a un estudiante de la UAM-Azcapotzalco, y denimos como variable aleatoria X al n umero de su matr cula. De esta forma, cualquiera de ustedes es un resultado del experimento, elegir a un estudiante, y su matricula es el valor asociado al resultado obtenido, por ejemplo: X (Juan) = 209333664 2. Considere que seleccionamos al azar a un estudiante de la UAM-Azcapotzalco, y denimos como variable aleatoria X al n umero de libros que solicit o en pr estamo de la biblioteca durante el pasado trimestre. De esta forma, el resultado del experimento ser a un estudiante, y la variable aleatoria le asignar a un valor positivo o cero, por ejemplo: X (Juan) = 0 libros 3. Sea X la cantidad de minutos invertidos por un estudiante para leer este ejemplo. Nuevamente el resultado del experimento ser a un estudiante elegido al azar, pero el valor dado por la variable aleatoria ser a una cantidad de tiempo. En este caso tendremos resultados que van desde cero hasta, te oricamente, innito, por ejemplo: X (Juan) = 1.911707 minutos. 4. Sea X la distancia en metros recorrida por un estudiante desde su casa hasta la universidad, por ejemplo: X (Juan) = 1257.087 metros.

Copyright c 2010 Roman Anselmo Mora Guti errez & Antonin Ponsich & Eric Alfredo Rinc on Garc a. All rights reserved.

23

Cap tulo 4 Autoevaluaci on 1


Utiliza los siguientes ejercicios para evaluar tu nivel de comprensi on del material estudiado. Entre los corchetes se encuentra la respuesta correcta de cada pregunta. 1. Si P (A) =0.3, P (B ) =0.4 y P (A B ) = 0.5 determine las siguientes probabilidades: a) P (A B ) = {0.2} b) P [(A B ) ] = {0.5} c) P (A B ) = {0.9}
1 3 5 2. Sean A y B dos eventos con P (A) = 2 , P (A B ) = 4 , P (B ) = 8 . Determine:

a) P (A B ) = {0.25} b) P (B A ) = {0.625} 3. Se clasican muestras de aluminio fundido con base en el acabado de la supercie (en micropulgadas) y las mediciones de la longitud. Los resultados de 100 piezas se resumen a continuaci on: Longitud Excelente Buena 75 7 10 8

Acabado de la supercie

Excelente Buena

Sea que A denote el evento de que una muestra tiene acabado de la supercie excelente y sea que B denote el evento de que una muestra tenga una longitud excelente. Determine: a) Si se selecciona una pieza al azar cu al es la probabilidad de que tenga acabado de la supercie y longitud excelentes? = {0.75}. b) Si se selecciona una pieza al azar que tiene acabado de la supercie excelente, cu al es la probabilidad de que la longitud sea excelente? = {0.9146}

24

1 CAP ITULO 4. AUTOEVALUACION c) Si se selecciona una pieza al azar que tiene buena longitud, cu al es la probabilidad de que el acabado de la supercie excelente? = {0.4666} 4. Las muestras de vidrio de un laboratorio se colocan en empaques peque nos o en empaques grandes. Suponga que el 2 % y el 1 % de las muestras enviadas en empaques peque nos y grandes, respectivamente, se rompen durante el trayecto a su destino. Si el 60 % de las muestras se env an en empaques grandes: a) Cu al es la proporci on de muestras que se romper an durante el env o? ={1.4 %} b) Si una muestra se rompi o, cu al es la probabilidad de que estuviera en un empaque peque no? ={0.5714} 5. Un lote de 100 chips semiconductores contiene 20 que est an defectuosos. Se van a seleccionar dos chips del lote, al azar. 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, si el primero estuvo defectuoso?{0.1919} c) Cu al es la probabilidad de que los dos chips seleccionados est en defectuosos? = {0.03838} 6. Setenta por ciento de los autom oviles examinados en un centro de vericaci on pasan la prueba. Si se supone que autom oviles sucesivos pasan la prueba o no de forma independiente, calcule las siguientes probabilidades: a) Probabilidad de que tres autom oviles contiguos pasen la vericaci on. = {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). = {0.657} c) Probabilidad de que exactamente uno de los tres autom oviles inspeccionados pase la prueba (cuidado al determinar los elementos que forman al evento). = {0.189} Sugerencia: Considere Pi el evento en que el autom ovil i pasa la prueba. 7. Cierto equipo de futbol gana (G), con probabilidad 0.6; pierde (P), con probabilidad 0.3 y empata (E), con probabilidad 0.1. El equipo juega tres encuentros durante el n de semana. Suponga que ganar, perder o empatar son eventos independientes. 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). = {GGG, GGE, GEG, EGG}, {0.252} b) Determinar los elementos del evento B en que el equipo gana, pierde y empata y hallar la probabilidad P (B ). = {GPE}, {0.108}

Copyright c 2010 Roman Anselmo Mora Guti errez & Antonin Ponsich & Eric Alfredo Rinc on Garc a. All rights reserved.

25

Cap tulo 5 Tabla de ecuaciones


Cap tulo 1
Pares ordenados k -arreglos Permutaciones Combinaciones n1 n2 n1 n2 n3 ... nk n! Pk,n = (n k)! n n! = k!(n k)! k 1.1 1.2 1.3 1.4

Cap tulo 2
Leyes DMorgan (A B ) = A B (A B ) = A B 2.13 2.14

Cap tulo 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 ) (AB ) P (A|B ) = P P (B ) P (A B ) = P (A|B )P (B ) = P (B |A)P (A)
n

3.1 3.2 3.4 3.5 3.6

P (A) =
i=1

P (A Ei )
P (Aj B ) P (B )

P (Aj |B ) =

P (B |Aj )P (Aj )
n

j = 1, 2, ..., n

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 )

27

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