2012 Guía Unid I Prob y Estad

Probabilidad y Estadstica: Guia de la Unidad # 1 Fernando A. Contreras J.
0

Fecha: 27 de Mayo del 2011 Fernando A. Contreras J.
Probabilidad y Estadstica
Cdigo: 0834403T
Ingeniera Mecnica, Electrnica y Civil

Gua de la Unidad # 1

1

MTODOS DE CONTEO

Desde los inicios de las primeras civilizaciones, el hombre ha buscado la manera de
entender y explicar de alguna forma, los fenmenos que rodean su exterior. En ese afn
por tratar de comprender su exterior, busca la manera de cuantificar el nmero de
resultados que puede generar un fenmeno.

Los mtodos de conteo aparecen como un conjunto de herramientas matemticas
que el hombre crea, para determinar de alguna manera, el nmero de resultados que
puede generar un fenmeno.

En probabilidad es necesario saber Contar el nmero de resultados de un
experimento o contar el nmero de resultados que son favorables a un evento dado. Para
lograr este objetivo se utilizan los mtodos de conteo los cuales se basan en dos principios
fundamentales: Principio de Adicin y Principio de Multiplicacin, los cuales a su
vez, estn soportados sobre un diagrama elemental, llamado Diagrama de rbol.

DIAGRAMA DE RBOL

Fue una forma de conteo utilizada en la fase inicial del desarrollo de las primeras
civilizaciones. Este diagrama permite determinar los resultados generados por un
fenmeno, a travs del bosquejo de las ramas del mismo.

Cuando se quiere determinar el nmero de resultados de dos o ms fenmenos,
tambin es posible contar el nmero de estos, a partir de las ramas y sub-ramas de este
diagrama.

Este diagrama da origen a dos principios fundamentales del conteo, como los son: los
principios de adicin y multiplicacin.

Ejemplo 1: Supngase que se analiza el fenmeno aleatorio del lanzamiento de una
moneda. Cuntos resultados arroja este fenmeno, una vez que se ha realizado el
lanzamiento un gran nmero de veces?

Ejemplo 2: Supngase que se analiza el fenmeno aleatorio del lanzamiento de un
dado. Cuntos resultados arroja este fenmeno, una vez que se ha realizado el
lanzamiento un gran nmero de veces?

Lanzamiento
de la Moneda
Cara
Sello
R = {Cara, Sello}

Lanzamiento
del Dado
1
R = {1, 2, 3, 4, 5, 6}
2
3
4
5
6

2
Ejemplo 3: Supngase que se analiza el fenmeno de una bolsa no transparente con 2
bolitas negras, 3 bolitas rojas y 5 bolitas azules. Cuntos resultados distintos se pueden
obtener, si se mete la mano en la bolsa y se saca una bolita, reemplazando la bolita en la
bolsa? Supngase que todas las bolitas son iguales al tacto.

Ejemplo 4: Supngase que se lanza una moneda. Si el resultado del lanzamiento de la
moneda es cara, se toma un dado y se lanza observndose el resultado de la cara
superior. Si el resultado del lanzamiento de la moneda es sello, se observa el color de una
bolita que se saca de una bolsa no transparente que tiene 2 bolitas negras, 3 bolitas rojas
y cinco bolitas azules. Cuntos resultados distintos arroja el proceso anterior?

Principio de Adicin ()

El principio de adicin dice que si un proceso puede realizarse mediante una
operacin 1, la que puede hacerse de n1 maneras y el proceso tambin puede
hacerse mediante una operacin 2, la que puede realizarse de n2 maneras y no es
posible realizar las dos operaciones a la vez. Entonces el proceso puede hacerse de n1 +
n2 maneras. Esto es vlido para dos o ms operaciones.

Ejemplo 5: Para ir a Barquisimeto se puede viajar por tierra o por aire. Por tierra se
dispone de tres lneas de autobuses, dos lneas de carritos por puestos y un vehculo
particular. Por aire se dispone de dos lneas y un avin particular. De cuantas maneras
distintas se puede ir a Barquisimeto?

Bolita Negra
Bolita Roja
Bolita Azul
R = {Bolita Negra, Bolita Roja, Bolita Azul}
Lanzamiento
de la Moneda
Cara
Sello

Lanzamiento
del Dado
1
2
3
4
5
6
Bolita Azul
Bolita Roja
Bolita Negra
Proceso
Operacin 1, se puede realizar de n1 maneras
El proceso se puede realizar de n1 + n2 maneras
R = {(Cara,1), (Cara,2), (Cara,3), (Cara,4), (Cara,5), (Cara,6), (Sello, Bolita Negra),
(Sello, Bolita Roja), (Sello, Bolita Azul)}

3
Tierra: n1 Aire: n2
3 + 2 + 1 = 6 2 + 1 = 3

n1 = 6 y n2 = 3. Luego: n1 + n2 = (6) + (3) = 9

Se concluye que hay 9 maneras distintas de ir a Barquisimeto.

Principio de Multiplicacin (y)

El principio de multiplicacin dice que si se tiene que realizar un proceso cuya
realizacin involucra la ejecucin de un numero finito cualquiera de operaciones
sucesivas. Si un proceso se tiene que realizar a travs una operacin 1 que se puede
realizar de n1 maneras, y se que tiene llevar a cabo una operacin 2 que se puede
realizar de n2 maneras, entonces el proceso se puede realizar en n1 x n2 maneras.
Esto es vlido para un nmero finito de operaciones.

Ejemplo 6: En el saln de clases hay 10 hombres y 25 mujeres. Cuntas parejas
distintas se pueden formar?

Hombres: n1 Mujeres: n2
10 25

n1 = 10 y n2 = 25. Luego: n1 x n2 = (10)(25) = 250

Se concluye que se pueden realizar 250 parejas distintas.

Ejemplo 7: Una joven tiene: siete blusas, cuatro pantalones y tres pares de zapatos
disponibles. De cuntas maneras distintas puede salir vestida?

Desarrollo

Blusas: n1 Pantalones: n2 Zapatos: n3
7 4 3

n1 = 7, n2 = 4 y n3 = 3. Luego: n1 x n2 x n3 = (7)(4)(3) = 84

Se concluye que puede salir vestida de 84 maneras distintas.

Permutaciones P(n,n)

Si se tiene n objetos distintos y se les quiere ordenar en diferentes formas en
grupos de n elementos. Los posibles ordenamientos estn dados por la ecuacin:

P(n,n) = n!

Ejemplo 8: De cuntas formas se pueden ordenar las letras a, b y c?
Proceso
El proceso se puede realizar de n1 x n2 maneras

4
Se tiene: n = 3 P(3,3) = 3! = 3x2x1 = 6 P(3,3) = 6

En efecto: (a, b, c), (a, c, b), (b, c, a), (c, b, a), (c, a, b) y (b, a, c).

Permutaciones P(n,r)

grupos de r elementos (r s n). Los posibles ordenamientos de r elementos con los n
objetos estn dados por la ecuacin:
n!
P(n,r) =
(n r)!

Ejemplo 9: Considrese el conjunto A de las vocales. Cuntos arreglos con dos
vocales se pueden hacer?

n = 5 5!
P(5,2) = = 20.
r = 2 (5 2)!

Se concluye que se pueden hacer 20 arreglos distintos. En Efecto:

Nota: En las permutaciones el orden importa; es decir, (a,e) = (e,a).

Permutaciones Circulares Pc

Si se tiene n objetos distintos y stos se quieren ordenar en circulo; los posibles
ordenamientos circulares estn dados por:
Pc = (n 1)!

Ejemplo 10: Supngase que Mara, Beatriz, Luis y Carlos quieren sentarse en una
mesa circular de un restaurante. De cuantas formas distintas pueden lograrlo?

n = 4 ; luego Pc = (4 1)! = 3! = 3 x 2 x 1 = 6. En efecto:

e (a,e)

i (a,i)
a
o (a,o)

u (a,u)
a (e,a)

i (e,i)
e
o (e,o)

u (e,u)
a (i,a)

e (i,e)
i
o (i,o)

u (i,u)
a (o,a)

e (o,e)
o
i (o,i)

u (o,u)
a (u,a)

e (u,e)
u
i (u,i)

o (u,o)
Beatriz
Beatriz
Beatriz Beatriz
Beatriz
Beatriz
Carlos
Carlos Carlos
Carlos
Carlos Carlos
Mara Mara Mara Mara Mara Mara Luis
Luis Luis Luis Luis
Luis

5
Se concluye que Mara, Beatriz, Luis y Carlos se pueden sentar de 6 distintas en la
mesa circular.

Permutaciones Distintas PD

El nmero de permutaciones distintas de n objetos de las que n1 son de una
primera clase, n2 son de una segunda clase, n3 son de un tercera clase, . . . , nk son de
una k sima clase; esta dado por:
n!
PD =
n1! x n2! x n3! x . . . x nk!
Donde n = n1 + n2 + n3 + . . . + nk

Ejemplo 11: De cuantas formas diferentes se pueden arreglar 3 focos rojos, 4 focos
amarillos y 2 focos azules en una serie de luces navideas con 9 portalmparas?

Se tiene n = 9, n1 = 3, n2 = 4 y n3 = 2. Luego, el nmero total de arreglos es:

9!
PD = = 1260 arreglos
3! x 4! x 2!

Se concluye que se pueden realizar 1260 arreglos.

Ejemplo 12: En cuntas formas diferentes se pueden asignar siete cientficos a una
habitacin de hotel triple y a dos dobles?

Se tiene n = 7, n1 = 3, n2 = 2 y n3 = 2. Luego, el nmero total de
arreglos es:
7!
PD = = 210 arreglos. Se concluye que se pueden realizar 210 arreglos
3! x 2! x 2!

Combinaciones C(n,r)

grupos de r elementos (r s n), sin tomar en cuenta el orden. Los posibles
ordenamientos de r elementos con los n objetos estn dados por la ecuacin:

Ejemplo 13: Considrese el conjunto A de las vocales. Cuntos arreglos no repetidos
de a dos vocales y sin tomar en cuenta el orden se pueden hacer?

n = 5 5!
C(5,2) = = = 10. En efecto:
r = 2 (5 2)! X 2!

Se concluye que se pueden hacer 10 arreglos distintos.

( )
5
2

6
Nota: En las combinaciones el orden no importa; es decir, (a,e) = (e,a), (a,e,i) =
(e,a,i) = (i,a,e) = . . .

Ejemplo 14: Supngase que van a enviarse cinco jueces federales a cierto estado. El
jefe del senado estatal enva una lista que contiene los nombres de 10 hombres y 4
mujeres. Si el presidente decide que de los cinco jueces tres deben ser hombres y dos
deben ser mujeres. De cuantas maneras puede lograrse lo anterior, empleando los
candidatos de la lista?

n1 = 10 , r1= 3 y n2 = 4 , r2= 2. Las formas de lograr esto, est dado por la expresin:

10! 4!
C(10,3) X C(4,2) = X = X
(10 3)! X 3! (4 2)! X 2!

= 120 X 6 = 720

Se concluye que hay 720 formas de seleccionar 5 jueces de los cuales tres son
hombres y dos son mujeres de una lista de que contiene 10 jueces hombres y 4 jueces
mujeres.

Ejemplo 15: Determinar, Cuntas combinaciones de Quino Tchira existen?

n = 25 y r = 15. Las combinaciones de Quino Tchira estn dadas por la expresin:

25!
C(25,15) = = = 3268760 Combinaciones
(25 15)! X 15!

PROBABILIDADES

La probabilidad es una manera de asignar una unidad de medida a la incertidumbre.
Esto es, a partir del conocimiento de todos los resultados de un fenmeno, es posible
determinar en trminos porcentuales, la ocurrencia de casos particulares del mismo.

Blas Pascal (1623 1662) y Pedro de Fermat (1601 1665), son los creadores del
Clculo de Probabilidades al tratar de dar soluciones a problemas relacionados con
juegos de azar, propuestos por Antonio Gambaud conocido con el ttulo nobiliario de
Caballero de Mer.

Conceptos Bsicos de Probabilidad

Para entender de una forma ms clara el trmino probabilidad, se definir lo
siguiente: Experimento Aleatorio, Espacio Muestral, Evento o Suceso y Probabilidad.

Experimento Aleatorio (E): Un experimento se dice aleatorio si los resultados del
mismo dependen en cierto grado del azar. Un experimento aleatorio se caracteriza por que
cumple a grandes rasgos con lo siguiente:

I. Puede repetirse indefinidamente o concebirse su repeticin en condiciones
bsicamente similares.
( )
10
3
( )
4
2
( )
25
15

7
II. No es posible predecir con certeza un resultado particular; slo se puede describir un
conjunto de resultados del mismo.
III. Cuando el experimento es repetido un gran nmero de veces, los resultados, aunque
al principio se muestren caprichosos e individuales sin relacin entre ellos, a la larga
tendern a mostrar un cierto patrn de regularidad, lo que hace posible la
construccin de un modelo que permita su descripcin.

Ejemplo 16: Considrese el experimento de lanzar un Dado legal (esto es, un cubo
perfecto) y observe que nmero sale (es decir, se observa su cara superior). Es este un
experimento aleatorio?

Al analizar el experimento se tiene que:

I. El dado se puede lanzar indefinidamente en condiciones similares (el
experimento puede repetirse indefinidamente).
II. No se sabe que numero va a salir en una ejecucin particular del experimento,
pero se sabe que los posibles resultados del mismo son: 1, 2, 3, 4, 5 o 6.
III. Al realizarse el experimento se puede notar que los resultados, al principio
aparecen caprichosamente, pero a medida que se aumenta el nmero de
lanzamientos, se puede observar que cada resultado tiende a aparecer con la
misma frecuencia.

Espacio Muestral (O): Se llamar espacio muestral (O) asociado a un experimento
aleatorio (E), al conjunto de todos los posibles resultados del experimento.

Ejemplo 17: Determine el espacio muestral del Ejemplo 16.

El espacio muestral de este experimento es: O = { 1, 2, 3, 4, 5, 6 }.

Si O se asocia de alguna manera con los nmeros enteros positivos, se dice que es
Discreto y si O tiene como elementos todos los puntos de algn intervalo de la recta
real, se dir que es Continuo.

Espacio Muestral Equiprobable: Es aquel espacio muestral (O), en que todos los
elementos del mismo, tienen la misma posibilidad (probabilidad) de ocurrir.

Evento o Suceso (A): Se llamar evento o suceso a cualquier subconjunto o parte del
espacio muestral (O).

O : Espacio Muestral
A : Evento o Suceso

Ejemplo 18: Defina algunos eventos o sucesos a partir del experimento aleatorio del
Ejemplo 16:

A = { que salga impar } = { 1, 3, 5 }
B = { que salga par } = { 2, 4, 6 }
C = { que salga 1 } = { 1 }
D = { que salga 7 } = { } =
O
Se ilustrar a travs de las
representaciones conjuntitas
denominadas Diagramas de Venn.

A

8
Se dir que un evento ocurre, si uno cualquiera de sus elementos es el resultado del
experimento. Si se realiza el experimento de lanzar el dado y sale 1, se dice que los
eventos A y C han ocurrido.

Definicin Clsica de Probabilidad: Para que esta definicin se cumpla, el espacio
muestral (O) debe ser equiprobable.

La probabilidad de un evento A est dada por:

Medida de A # de Elementos de A Casos Favorables
P(A) = = =
Medida de O # de Elementos de O Casos Posibles

Geomtricamente:

Longitud de A rea de A Volumen de A
P(A) = = =
Longitud de O rea de O Volumen de O

Ejemplo 19: Calcule las probabilidades de los eventos definidos en el Ejemplo 18.

Desarrollo

P(A) = P(que salga impar) = 3/6 = 1/2 50%

P(B) = P(que salga par) = 3/6 = 1/2 50%

P(C) = P(que salga 1) = 1/6 16.7%

P(D) = P(que salga 7) = 0/6 = 0 0%

Ejemplo 20: Supngase que se deja caer un dardo aleatoriamente dentro de un cilindro
sin tapa de radio 20 cm. Se plantea el experimento aleatorio se deja caer un dardo
desde la parte de arriba de un cilindro sin tapa y se mide la distancia desde donde cay el
dardo hasta el centro. Responda lo siguiente: Cul es la probabilidad de llegar ms
cerca del centro?, Cul es la probabilidad de llegar ms lejos del centro?
Supngase que A = Ms cerca del centro y B = Ms lejos del centro; en donde se define;
A: 0 s r < 10 cm. y B: 10 s r s 20 cm. De ah que O : 0 s r < 20 cm.

*
10 cm.
20 cm.
rea de A
P(Llegar ms cerca del centro) = P(A) = =
rea de O

trA
2
t(10 cm)
2
t(100 cm
2
)
= = = = 1/4 P(A) = 1/4.
tr
O
2
t(20 cm)
2
t(400 cm
2
)

Lejos
Cerca

9
Se interpreta: De cada cuatro lanzamientos, uno estar ms cerca del centro. Es
decir, la probabilidad de que un dardo caiga cerca del centro si se lanza desde una
distancia prudente al blanco es de un 25%.

Se interpreta: De cada cuatro lanzamientos, tres estarn ms lejos del centro. Es
decir, la probabilidad de que un dardo caiga lejos del centro, si se lanza desde una
distancia prudente al blanco, es de un 75%.

Ejemplo 21: Supngase que se lanza una moneda. Si el resultado es cara, se extrae
una bolita aleatoriamente de una bolsa no transparente que contiene 3 bolitas rojas y 2
bolitas azules. Si el resultado es sello, se extrae una pelota aleatoriamente de una bolsa
no transparente que contiene 4 bolitas rojas y 5 bolitas azules. Las probabilidades de:
i) Extraer una bolita roja y ii) Extraer una bolita azul, son respectivamente:

Luego:

i) P(Sacar una Bolita Roja) =
90
47
9
4
2
1
5
3
2
1
= - + -
ii) P(Sacar una Bolita Azul) =
90
43
9
5
2
1
5
2
2
1
= - + -

rea de B tr
O
2
trA
2
t(20 cm)
2
t(10 cm)
2

P(Llegar ms lejos del centro) = P(B) = = = =
rea de O tr
O
2
t(20 cm)
2

t(400 cm
2
) t(100 cm
2
)
= 3/4 P(B) = 3/4.
t(400 cm
2
)

. ~ y ~

+ ~ o ~

10
Probabilidad como Frecuencia Relativa

#(A) # de veces que ocurri A
P(A) = Lm = Lm
n n n # de veces que se realiza el experimento

Ejemplo 22: Considrese el siguiente planteamiento: Se quiere determinar la
probabilidad de que un enfermo sane cuando se somete a un tratamiento con un
frmaco. Cmo calcular sta probabilidad?

Sana (A)
Se puede expresar lo siguiente: Enfermo
No Sana (A
C
)

En este problema se puede observar la inexistencia de Espacio Muestral (O)
Equiprobable. Por otro lado no se tienen datos de la efectividad o no del tratamiento con
el frmaco (Experimento Aleatorio).

En la prctica se utiliza la estadstica para obtener los datos respecto a la efectividad
del tratamiento. Es decir, se aplica el tratamiento con el frmaco (Experimento
Aleatorio) a n pacientes enfermos. Los datos obtenidos se ordenan en una tabla de
clases o categoras. La variable El Paciente Sana se representa por A y su
complemento El Paciente No Sana se representa por A
C
. En este caso, se est
hablando de un mtodo emprico de calcular la probabilidad en donde se utiliza la
frmula:

# de veces que ocurri A
P(A) =
# de veces que se aplica el tratamiento

Supngase que al aplicar el tratamiento se obtuvieron los siguientes datos:
Clases # de Pacientes Tratados # de Pacientes que Sanan Frecuencia Relativa
Clase 1 20 18 18/20 = 0.90
Clase 2 50 47 47/50 = 0.94
Clase 3 100 96 96/100 = 0.96
Clase 4 500 472 472/500 = 0.94
Clase 5 5000 4756 4756/5000 = 0.95
Clase 6 10000 9496 9496/10000 = 0.95

El proceso anterior conlleva a la Definicin de Probabilidad como Frecuencia
Relativa. Esta definicin se muestra a continuacin:

#(A) # de veces que ocurri A
P(A) = Lm = Lm
n n n # de veces que se aplica el tratamiento

El lmite (Lm) anterior se puede interpretar como: mientras ms veces se aplique el
tratamiento a los pacientes, ms cerca se estar de la verdadera probabilidad del evento.


11
Probabilidad Subjetiva

Cuando no es posible obtener datos de un experimento y mucho menos es posible
introducir la idea de equiprobable; entonces la probabilidad se interpreta como el Grado
de Creencia o Conviccin Personal en la Ocurrencia o No de un Evento o Suceso.
Se habla entonces de Definicin de Probabilidades Subjetiva.

Este tipo de probabilidad debe ser asignada por expertos en la materia, como
ilustracin se puede mencionar: determinar la probabilidad de que en un determinado
lugar y a una determinada hora llueva, determinar la probabilidad de que un embarque
llegue a su destino en un tiempo determinado.

Desarrollo Axiomtico de la Probabilidad

Se llamar probabilidad (P), a una funcin de valores reales que asignan a cada
suceso (A) de un Espacio Muestral (O) asociado a un experimento aleatorio (E), un
nico y bien determinado numero real (P(A)) llamado probabilidad de A:

P: A |0 , 1| c R
A: Conjunto de todos los eventos de O
Esta funcin satisface los axiomas:

Axioma 1: P(O) = 1
Axioma 2: P(A) > 0, para todo A.
Axioma 3: Si A y B son sucesos mutuamente excluyentes (A B = ); entonces
P(A B) = P(A) + P(B)

El Axioma 3 se puede generalizar a cualquier numero de eventos mutuamente excluyentes

Los axiomas anteriores dan cabida a los siguientes teoremas:

Teorema 1: P() = 0

Teorema 2: P(A
C
) = 1 P(A)

Teorema 3: Si A y B son dos eventos cualesquiera; entonces,
P(A B) = P(A) + P(B) P(A B)

De los teoremas anteriores se obtiene la siguiente consecuencia:

- c A c O 0 s P(A) s 1

P() P(O)

- P(A B C) = P(A) + P(B) + P(C) P(A B) P(A C) P(B C) + P(A B C).

Ejemplo 23: Considrense tres nuevos eventos del lanzamiento de un dado, los
conjuntos F, G y H.

F = { 2, 3, 4 }

G = { 2, 4, 6 }

H = { 4, 5, 6 }

6
4
5
3
1 3. H
1. G
2. F
O
2
G F
H
O
A
A
C

O
A B
A B

12
Se sabe que O = { 1, 2, 3, 4, 5, 6 }. Halle: P(F), P(G), P(H), P(F G), P(F H), P(G H),
P(F G), P(F H), P(G H), P(F G H) y P(F G H).

P(F) = 3/6 = 1/2 ; P(G) = 3/6 = 1/2 ; P(H) = 3/6 = 1/2 ; P(F G) = 2/6 = 1/3 ; P(F H) = 1/6 ;

P(G H) = 2/6 = 1/3 ; P(F G) = P(F) + P(G) P(F G) = 1/2 + 1/2 1/3 = 2/3 ;

P(F H) = P(F) + P(H) P(F H) = 1/2 + 1/2 1/6 = 5/6 ;

P(G H) = P(G) + P(H) P(G H) = 1/2 + 1/2 1/3 = 2/3 ;

P(F G H) = 1/6 y P(F G H) = P(F) + P(G) + P(H) P(F G) P(F H) P(G H) +

P(F G H) = 1/2 + 1/2 + 1/2 1/3 1/6 1/3 + 1/6 = 5/6.

Probabilidad Conjunta, Marginal y Condicional

Para ilustrar stas probabilidades se comenzar a partir de un ejemplo.

Ejemplo 24: Supngase que se tienen 100 calculadoras clasificadas de acuerdo al
siguiente cuadro.

Calculadoras Corrientes Programables Totales
Nuevas 40 30 70
Usadas 20 10 30
Totales 60 40 100

Experimento Aleatorio: Se elige una calculadora al azar. Se calcularn algunas
probabilidades conjuntas, marginales y condicionales.

a.) P(Que la calculadora sea corriente y usada) = P(C U) = 20/100 = 1/5.

b.) P(Que la calculadora sea programable y nueva) = P(P N) = 30/100 = 3/10.

c.) P(Que la calculadora sea nueva y corriente) = P(N C) = 40/100 = 2/5.

d.) P(Que la calculadora sea usada y programable) = P(U P) = 10/100 = 1/10.

a.), b.), c.) y d.) son las llamadas Probabilidades Conjuntas o de Ocurrencia
Simultanea de dos eventos.

e.) P(Que la calculadora sea nueva) = P(N) = 70/100 = 7/10.

f.) P(Que la calculadora sea usada) = P(U) = 30/100 = 3/10.

g.) P(Que la calculadora sea corriente) = P(C) = 60/100 = 3/5.

h.) P(Que la calculadora sea programable) = P(P) = 40/100 = 2/5.

e.), f.), g.) y h.) son las llamadas Probabilidades Simples o Probabilidades
Marginales.


13
i.) P(Que la calculadora sea Nueva dado que es Programable) = P(Nueva / Programable) =
P(N / P) = 30/40 = 3/4.

j.) P(Que la calculadora sea Usada dado que es Programable) = P(Usada / Programable) =
P(U / P) = 10/40 = 1/4.
k.) P(Que la calculadora sea Nueva dado que es Corriente) = P(Nueva / Corriente) =
P(N / C) = 40/60 = 2/3.

l.) P(Que la calculadora sea Usada dado que es Corriente) = P(Usada / Corriente) =
P(U / C) = 20/60 = 1/3.

m.) P(Que la calculadora sea Programable dado que es Nueva) = P(Programable /Nueva) =
P(P / N) = 30/70 = 3/7.

i.), j.), k.), l.) y m.) son llamadas Probabilidades Condicionales.

Nota: P(A / B) se lee probabilidad de A dado que B se ha cumplido.

En las probabilidades condicionales, el espacio muestral queda determinado por la
condicin que debe cumplirse. B determina el espacio muestral

Definicin de Probabilidad Condicional

P(A B)
P(A / B) = ; 0 < P(B) s 1
P(B)

Ejemplo 25: Considrese la tabla del ejemplo anterior Ejemplo 24 y calcule
P(Nueva / Programable) utilizando la definicin anterior.
P(N P) 3/10 15
P(Nueva / Programable) = P(N / P) = = = = 3/4 P(N / P) = 3/4.
P(P) 2/5 20

Definicin de Eventos Independientes

Si A y B son eventos independientes: P(A / B) = P(A) y P(B / A) = P(B).

Consecuencias de las dos definiciones anteriores:

Ejemplo 26: La probabilidad de que Alejandro pase de los 60 aos es de 60% y la
probabilidad de que Mara pase los 60 aos es del 80%. Cul es la probabilidad de que
ambos pasen los 60 aos?

Sean A = {Alejandro vive ms de 60 aos}; P(A) = 0.60
B = {Mara vive ms de 60 aos}; P(B) = 0.80

Estos eventos son independientes. Luego:
1. Si A y B son dos eventos cualesquiera, entonces P(A B) = P(A).P(B / A)
2. Si A y B son dos eventos independientes, entonces P(A B) = P(A).P(B)


14

A B = {Alejandro y Mara viven ms de 60 aos}. De ah que:

P(A B) = P(A).P(B) = (0.6)(0.8) = 0.48 P(A B) = 0.48

Se concluye que la probabilidad de que ambos pasen los 60 aos es de un 48%

Ejemplo 27: Cul es la probabilidad de que al lanzar dos veces una moneda se
obtengan dos caras?

Sea A = { 1
era
vez sale cara }; P(A) = 1/2 = 0.5
B = { 2
da
vez sale cara }; P(B) = 1/2 = 0.5

stos eventos son independientes; luego:

A B = { 1
era
vez sale cara y la 2
da
vez sale cara } y

P(A B) = P(A).P(B) = (1/2)(1/2) = 1/4 P(A B) = 1/4

Se concluye que la probabilidad de que al lanzar una moneda dos veces y obtener
dos caras es de un 25%

El espacio muestral de este experimento es O = { (c,c) , (c,s) , (s,c) , (s,s) }. Ntese que
el espacio muestral es equiprobable. De ah que la Probabilidad pedida es P((c,c)) = 1/4.

Un evento es independiente de otro cuando una vez realizado el primer experimento, el
espacio muestral no es alterado cuando se realiza nuevamente el experimento

Ejemplo 28: Se analiza a travs de una encuesta a un grupo de lectores de peridicos.
Es de inters el nmero de lectores de los diarios El New York Times y El Washington
Post. Los resultados dicen que el 20% lee El New York Times, el 16% lee Washington Post
y el 10% lee los dos peridicos. Se selecciona un lector al azar:

1.) Cul es la probabilidad de que lea El New York Times, si se sabe que lee El
Washington Post?

2.) Cul es la probabilidad de que lea El Washington Post si se sabe que lee El New York
Times?

Sea A = {Lee El New York Times}; P(A) = 0.20

B = {Lee El Washington Post}; P(B) = 0.16
Otra Forma de
Visualizar el Problema


15
A B = {Lee El New York Times y El Washington Post}; P(A B) = 0.1

Se concluye que la probabilidad de que el lector lea El New York Times, si se sabe
que lee El Washington Post es de un 63% y la probabilidad de que el lector lea El
Washington Post, si se sabe que lee El New York Times es de un 50%

Ejemplo 29: Un sistema contiene cinco componentes que se encuentran conectados de
acuerdo a la figura adjunta. Si se supone que el funcionamiento de una componente en
particular es independiente de las dems; cul es la probabilidad de que el sistema
trabaje?

F = A (B C) (D E) P(F) = P| A (B C) (D E)|

P(F) = P(A).P(B C).P(D E)

P(A) = 0.98

P(B C) = P(B) + P(C) P(B C) = P(B) + P(C) P(B).P(C) = 0.9 + 0.95 (0.9)(0.95) = 0.995

P(D E) = P(D) + P(E) P(D E) = P(D) + P(E) P(D).P(E) = 0.93 + 0.97 (0.93)(0.97) = 0.998

Luego: P(F) = P(A).P(B C).P(D E) = (0.98)(0.995)(0.998) = 0.973

P(E) = 0.97 P(C) = 0.95
P(B) = 0.90 P(D) = 0.93
P(A) = 0.98
Luego:

1.) P(A / B) = P(A B) / P(B) = 0.1/0.16 = 0.63 P(A / B) = 0.63

2.) P(B / A) = P(B A) / P(A) = 0.1/0.20 = 0.50 P(B / A) = 0.50

A
B
C
D
E

16

Ejemplo 30: Supngase que se tiene una bolsa no transparente con 2 bolitas negras, 3
bolitas rojas y 5 bolitas azules. Considrense los tres experimentos siguientes:

Se extrae una bolita de la bolsa, se observa el color y se introduce nuevamente en la
bolsa (extraccin con reemplazo). Cul es la probabilidad de que la bolita sea
negra?, cul es la probabilidad de que la bolita sea azul?

Estos eventos son independientes; luego:

- P(Que sea negra) = 2/10 = 1/5 = 0.2
- P(Que sea azul) = 5/10 = 1/2 = 0.5

Se extraen dos bolitas de la bolsa de la siguiente manera: se extrae la primera, se
observa el color y se introduce nuevamente en la bolsa, se extrae la segunda, se
observa el color y se vuelve a introducir nuevamente en la bolsa, (extraccin con
reemplazo). Cul es la probabilidad de que las dos bolitas sean rojas?, cul es la
probabilidad de que la primera bolita sea negra y la segunda bolita sea azul?

Estos eventos son independientes; luego:

- Sean A = {Que la 1
era
sea roja} , P(A) = 3/10
B = {Que la 2
da
sea roja} , P(B) = 3/10
A B = {Que la 1
era
sea roja y que la 2
da
sea roja}

Luego: P(A B) = P(A).P(B) = (3/10)(3/10) = 9/100 = 0.09

era
sea negra} , P(A) = 2/10 = 1/5
B = {Que la 2
da
sea azul} , P(B) = 5/10 = 1/2
A B = {Que la 1
era
sea negra y que la 2
da
sea azul}

Luego: P(A B) = P(A).P(B) = (1/5)(1/2) = 1/10 = 0.10

Se extraen dos bolitas de la bolsa de la siguiente manera: se extrae la primera, se
observa el color y no se introduce nuevamente en la bolsa, se extrae la segunda, se
observa el color y tampoco se vuelve a introducir nuevamente en la bolsa,
(extraccin sin reemplazo). Cul es la probabilidad de que las dos bolitas sean
rojas?, cul es la probabilidad de que la primera bolita sea negra y la segunda bolita
sea azul?

Estos eventos no son independientes; luego:

era
sea roja} , P(A) = 3/10
B = {Que la 2
da
sea roja} , P(B/A) = 2/9
A B = {Que la 1
era
sea roja y que la 2
da
sea roja}

Luego: P(A B) = P(A).P(B/A) = (3/10)(2/9) = 6/90 = 1/15 = 0.07

17
era
sea negra} , P(A) = 2 /10 = 1/5
B = {Que la 2
da
sea azul} , P(B/A) = 5/9
A B = {Que la 1
era
sea negra y que la 2
da
sea azul}

Luego: P(A B) = P(A).P(B/A) = (1/5)(5/9) = 5/45 = 1/9 = 0.11

Ejemplo 31: Supngase que una agencia de automviles recibe un lote de 12 autos
nuevos. Entre stos 2 tienen defecto. La agencia decide seleccionar, aleatoriamente, 3
autos (uno tras de otro) de entre los 12 y aceptar el lote si ninguno de los 3 autos
seleccionados tiene defecto. Cul es la probabilidad de aceptar el lote?

Estos eventos no son independientes; luego:

Sean A = {Que el 1
er
carro tomado no tenga defecto} , P(A) = 10/12
B = {Que el 2
do
carro tomado no tenga defecto} , P(B/A) = 9/11
C = {Que el 3
er
carro tomado no tenga defecto} , P(C/B) = 8/10

A B C = { Que el 1
ero
, 2
do
y 3
er
carro no tengan defecto }

Luego: P(Aceptar el Lote) = P(Ningn Carro Seleccionado tenga Defecto) =
P(A B C) = P(A).P(B/A).P(C/B) = (10/12)(9/11)(8/10) = 720/1320 = 6/11 ~ 0.5455

TEOREMA DE BAYES

El Teorema de Bayes Fue desarrollado por el reverendo Thomas Bayes (1702 1761).
Este teorema, ha sido clave en el desarrollo de la Inferencia Estadstica Bayesiana en la
que se emplea la interpretacin subjetiva de la probabilidad. Es decir, supngase que un
investigador conduce un experimento en el que sabe que el resultado de inters estar
afectado por cualquiera de las n alternativas B1, B2, B3, . . . , Bn que predomine. A pesar
de que no se tenga la seguridad de cul de todas las alternativas predominar, se posee
cierta informacin en base al cual, se esta en disposicin de poder formar un juicio subjetivo
para las probabilidades de ocurrencia de las n alternativas. De esta forma, se asigna
probabilidades P(B1), P(B2), P(B3), . . . , P(Bn) para las n alternativas antes de obtener
cualquier evidencia experimental. Dado que stas probabilidades reflejan el juicio o grado
de creencia del investigador con respecto a las ocurrencias de B1, B2, B3, . . . , Bn antes de
que stas se presenten, se conoce como probabilidades a priori. Con ello el investigador
obtendr una evidencia experimental a partir de un conjunto de datos que se denota por A,
y se observa bajo una alternativa especifica Bj. En este momento se pueden calcular las
probabilidades condicionales P(A/Bj). stas permitirn la determinacin de la probabilidad
Bj dada la evidencia experimental A, mediante el empleo del teorema de Bayes. Las
probabilidades P(Bj/A), j = 1, 2, 3, . . . , n se conocen como probabilidades a posteriori que
se determinan una vez obtenida la evidencia experimental. Por lo tanto, las probabilidades
P(Bj/A) reflejan el grado de creencia corregido con respecto a las alternativas B1, B2, B3, . . .
, Bn despus de obtener los datos experimentales.

Particin de O

Sea O el espacio muestral asociado a un experimento aleatorio (E). Los eventos B1 y B2 son
una particin de O si y slo si:

18

1.) B1 B2 = C

2.) B1 B2 = O

Ntese que P(O) = P(B1 B2) = P (B1) + P (B2) = 1.

Teorema de Bayes

I) Supngase que los eventos B1 y B2 son una particin de O. Considrese a A un evento
cualquiera de O como lo muestra la figura adjunta:

Luego: P(A) = P[ (B1 A) (B2 A) ] = P(B1 A) + P(B2 A)

= P(B1)P(A / B1) + P(B2)P(A / B2). Es decir:

P(A) = P(B1)P(A / B1) + P(B2)P(A / B2)

Si se quiere calcular P(B1 / A); se tiene:

P(B1 A) P(B1)P(A / B1)
P(B1 / A) = P(B1 / A) =
P(A) P(B1)P(A / B1) + P(B2)P(A / B2)

P(B2 A) P(B2)P(A / B2)
P(B2 / A) = P(B2 / A) =
P(A) P(B1)P(A / B1) + P(B2)P(A / B2)

Ejemplo 32: En un lugar del Tchira ha aparecido el extrao virus de la neumona
atpica. Los cientficos desarrollan rpidamente una prueba para detectarlo. Esta prueba
es confiable en un 95% en el siguiente sentido:

O
B1 B2
O
B1 B2
(B1 A)
(B2 A)
(i) A
Frmula de probabilidad total de un evento.

A
Entonces A = (B1 A) (B2 A)
Son eventos mutuamente
excluyentes

Teorema de
Bayes para
2
particiones
de O


19
Si se aplica sobre portadores de la enfermedad, existe una probabilidad de que
resulte positiva slo en un 95%.

Si se aplica sobre una persona sana, existe una probabilidad de que slo en un
5% resulte positiva.

Si la informacin disponible en San Cristbal dice que la proporcin de enfermos ya
es del 30%. Cul es la probabilidad de que al tomar un sancristobalence al azar,
aplicarle la prueba, y sta resulte positiva?; Cul es la probabilidad de que al tomar un
sancristobalence al azar, aplicarle la prueba y si sta resulta positiva, el hombre ste
realmente enfermo?

P(B1) = 0.3 P(A / B1) = 0.95
P(B1 / A) = ?
P(B2) = 0.7 P(A / B2) = 0.05

Se tiene que A = (B1 A) (B2 A) P(A) = P[ (B1 A) (B2 A) ]

P(A) = P(B1 A) + P(B2 A) = P(B1)P(A / B1) + P(B2)P(A / B2)

P(A) = (0.3)(0.95) + (0.7)(0.05) P(A) = 0.32

Luego:

P(B1)P(A / B1) (0.3)(0.95)
P(B1 / A) = = = 0.89
P(B1)P(A / B1) + P(B2)P(A / B2) (0.32)

P(B1 / A) = 0.89

II) Supngase que los eventos B1, B2 y B3 son una particin de O. Considrese a A un
evento cualquiera de O como lo muestra la figura adjunta:

Probabilidad de que a un ciudadano
cualquiera de San Cristbal tomado al
azar, se le aplique la prueba y sta
resulte positiva.
Probabilidad de que un sancristobalence tomado al azar se le aplique
la prueba y si sta resulta positiva; el hombre est realmente enfermo.
O
B1 B2 A
O: # de personas de la ciudad de San Cristbal.
B1: # de personas de San Cristbal que ya estn
contagiadas.
B2: # de personas de San Cristbal que no estn
contagiadas.
A = { x / x es un paciente positivo en la prueba
diagnstico }

O
B1
B2
(B3 A)
(B2 A)
B3
Entonces A = (B1 A) (B2 A)
(B3 A) Son Eventos
Mutuamente Excluyentes

A
(B1 A)

20
Luego: P(A) = P[ (B1 A) (B2 A) (B3 A) ] = P(B1 A) + P(B2 A) + P(B3 A)

= P(B1)P(A / B1) + P(B2)P(A / B2) + P(B3)P(A / B3). Es decir:

P(A) = P(B1)P(A / B1) + P(B2)P(A / B2) + P(B3)P(A / B3)

Si se quiere calcular P(B1 / A); se tiene:

P(B1 A) P(B1)P(A / B1)
P(B1 / A) = P(B1 / A) =
P(A) P(B1)P(A / B1) + P(B2)P(A / B2) + P(B3)P(A / B3)

P(B2 A) P(B2)P(A / B2)
P(B2 / A) = P(B3 / A) =

P(B3 A) P(B3)P(A / B3)
P(B3 / A) = P(B3 / A) =

III) Supngase que los eventos B1, B2, B3 , , Bn son una particin de O. Considrese a A
un evento cualquiera de O, donde Entonces A = (B1 A) (B2 A) (B3 A) . . .
(Bn A) son eventos mutuamente excluyentes. Adems:
E P(Bi) = 1. Entonces:

P(Bj)P(A / Bj)
P(Bj / A) = ; j = 1, 2, 3, . . . , n
E P(Bi)P(A / Bi)

Ejemplo 33 En una planta de ensamblaje de televisores se trabaja en tres turnos T1, T2
y T3, en donde se realiza el 45%, 30% y 25% del ensamblaje total, respectivamente. Por
experiencia se sabe que el 1%, 3% y 2% de los televisores armados por cada turno
respectivamente, son defectuosos. Supngase que se selecciona un televisor al azar:

Cul es la probabilidad de que sea defectuoso?
Si se observa defectuoso. Cul es la probabilidad de que sea del turno 1?

i = 1
n
n
i = 1
Frmula de probabilidad total
de un evento.

O
B1
B2
B3
A
O: # total de televisores ensamblados por la planta.

B1: # de televisores ensamblados en el tuno 1.



A = { x / x es un televisor defectuoso ensamblado
por la planta}

Teorema de
Bayes para
3
particiones
de O


21

P(B1) = 0.45 P(A / B1) = 0.01
P(B2) = 0.30 P(A / B2) = 0.03
P(B3) = 0.25 P(A / B3) = 0.02

P(A) = ? P(B1 / A) = ? P(B2 / A) = ? P(B3 / A) = ?

Se tiene que: A = (B1 A) (B2 A) (B3 A)

Luego: P(A) = P[ (B1 A) (B2 A) (B3 A) ]

= P(B1 A) + P(B2 A) + P(B3 A)

= P(B1)P(A / B1) + P(B2)P(A / B2) + P(B3)P(A / B3).
Es decir:

P(A) = (0.45)(0.01) + (0.30)(0.03) + (0.25)(0.02) P(A) = 0.0185

Luego:

1) Para calcular P(B1 / A); se tiene:

P(B1)P(A / B1)
P(B1 / A) =
P(B1)P(A / B1) + P(B2)P(A / B2) + P(B3)P(A / B3)

(0.45)(0.01)
P(B1 / A) = P(B1 / A) = 0.243
(0.0185)


P(B2)P(A / B2)
P(B2 / A) =

(0.30)(0.03)
P(B2 / A) = P(B2 / A) = 0.486
(0.0185)


P(B3)P(A / B3)
P(B3 / A) =

(0.25)(0.02)
P(B3 / A) = P(B3 / A) = 0.270
(0.0185)

Probabilidad de que al
seleccionar un televisor al
azar de la empresa, ste
salga defectuoso.
Probabilidad de que un
televisor que ha salido
defectuoso, sea de los
ensamblados en el turno 1
ensamblados en el turno II
ensamblados en el turno III

22

Variables Aleatorias

Una variable aleatoria X es una funcin que asocia un nmero real R con cada
elemento del espacio muestral (O). Se dice que X es aleatoria por que involucra la
probabilidad (P) de los elementos del espacio muestral (O).

Notacin: X: R

X(w) = xi (Nmero Real)

w X(w)

Ejemplo 34: Considrese el experimento aleatorio (E) El lanzamiento de una
moneda. Exprese este experimento (E) a travs de una variable aleatoria (X).

El espacio muestral de este experimento es O = {Cara, Sello}. Sea X la variable
aleatoria que se define como: Contar el nmero de caras. Lo anterior se ilustra en el
grafico adjunto:
X(w)

1 = { C , S }

0
w1 w2

De ah que el recorrido de X es: { X(w1) , X(w2) } = { X(C) , X (S) } = { 1 , 0 } =
= {0,1} = {x1 , x2}. Luego se tiene que P(X = x1) = P(X = 0) = 0.5 y P(X = x2) =
= P(X = 1) = 0.5. La suma de estas probabilidades debe dar uno.

La expresin P(X = x) se lee Probabilidad de que la variable aleatoria X sea
igual a x

Grficamente se tiene:

C
S
R

P(X = x)
1/2
1
0
1
X
0

23
Ejemplo 35: Considrese el experimento aleatorio (E) El lanzamiento de dos
monedas. Exprese este experimento (E) a travs de una variable aleatoria (X).

El espacio muestral de este experimento es O = {(C,C), (C,S), (S,C), (S;S)}. Sea X la
variable aleatoria que se define como: Contar el nmero de caras. Lo anterior se
ilustra en el grafico adjunto:

= {(C,C), (C,S), (S,C), (S,S)}

w1 w2 w3 w4

X: Contar el nmero de caras

De ah que el recorrido de X es: { X(w1) , X(w2) , X(w3) , X(w4) } = {X((C,C)),
X((C,S)), X((S,C)), X((S,S))} = {2 , 1, 1, 0} = {0, 1, 2} = {x1 , x2, x3}. Luego se tiene que:
P(X = x1) = P(X = 0) = 1/4, P(X = x2) = P(X = 1) = 1/2 y P(X = x3) = P(X = 2) = 1/4.
La suma de estas probabilidades debe dar uno.

Grficamente se tiene:

Aparte: La variable aleatoria X es discreta si su recorrido se asocia de alguna
manera con el conjunto de los nmeros enteros (Z) y la variable aleatoria X es continua
si su recorrido es uno o ms intervalos de recta real.
(C,C)
R

P(X = x)
1/2
1
1 X
2
1

0

X(w)
(C,S)
(S,C)
(S,S)
2
1/4
0

24
Definicin: Sea X una variable aleatoria discreta. Se llamar a p(x) = P(X = x) funcin
de distribucin de probabilidades de la variable aleatoria X, si satisface las
propiedades:

1.) p(x) > 0 para todo x
2.) 1 ) (
1
=
=
n
i
i
x p
3.) F(xi) =
=
k
i
i
x p
1
) ( = P(X s xi), k s n
Ejemplo 36: Supngase que un embarque de ocho computadores similares para una
tienda contiene tres que estn defectuosos. Considrese el experimento aleatorio (E) Se
compran dos computadoras aleatoriamente sacadas en sucesin una a una sin
reemplazo de la tienda. Supngase que X cuenta el nmero de defectuosas.
Encuentre: 1.) La funcin de distribucin de probabilidades de X para el nmero de
defectuosas, 2.) Calcule las probabilidades: P(X > 1), P(X s 1) y P(1 s X s 2), 3.)
Grafique las funciones p(x) y F(x).

Sea B = Buena y D = Defectuosa, el espacio muestral de este experimento
es O = {(B,B), (B,D), (D,B), (D;D)}.

Lo anterior se ilustra en el grafico adjunto:

= {(B,B), (B,D), (D,B), (D,D)}

w1 w2 w3 w4

X: Cuenta el # de computadoras defectuosas

De ah que el recorrido de X es: { X(w1) , X(w2) , X(w3) , X(w4) } = {X((B,B)),
X((B,D)), X((D,B)), X((D,D))} = {0, 1, 1, 2} = {0, 1, 2} = {x1 , x2, x3}. Para calcular las
probabilidades P(X = x1) = P(X = 0), P(X = x2) = P(X = 1) y P(X = x3) = P(X = 2).
Obsrvese primero:
(B,B)
R

0
1

2
X(w)
(B,D)
(D,B)
(D,D)

25
- P(X = x1) = P(X = 0) P((B,B)) =
28
10
7
4
.
8
5
=

- P(X = x2) = P(X = 1) P((B,D)) P((D,B)) =
28
15
7
5
.
8
3
7
3
.
8
5
= +

- P(X = x3) = P(X = 2) P((D,D)) =
28
3
7
2
.
8
3
=

Luego se tiene que P(X = x1) = P(X = 0) =
28
10
, P(X = x2) = P(X = 1) =
28
15
y
P(X = x3) = P(X = 2) =
28
3
. La suma de estas probabilidades debe dar uno.

1.) Luego si X cuenta el nmero de defectuosas, entonces se tiene:

x 0 1 2
p(x)
28
10

28
15

28
3

2.) Las probabilidades pedidas son:

- P(X > 1) = P(X = 2) =
28
3

- P(X s 1) = P(X = 0) + P(X = 1) =
28
15
28
10
+
=
28
25

- P(1 s X s 2) = P(X = 1) + P(X = 2) =
28
3
28
15
+
=
28
18


26

3.) Las grficas de p(x) y F(x) son respectivamente:

Para F(x) = P(X s x) se tiene:

- F(0) = P(X s 0) = P(X = 0) =
28
10

- F(1) = P(X s 1) = P(X = 0) + P(X = 1) =
28
15
28
10
+ =
28
25

- F(2) = P(X s 2) = P(X = 0) + P(X = 1) + P(X = 2) =
28
3
28
15
28
10
+ + =
1
28
28
=


27
Definicin: Sea X una variable aleatoria continua. Se llamar a f(x) funcin de
densidad de probabilidad de X, si satisface las propiedades:

1.) f(x) > 0, < x < +
2.)
1 ) ( =
}
+

dx x f

3.) F(x) = P(X s x) =
}

x
dt t f ) ( ,

Cuando se tiene una variable aleatoria X continua, las probabilidades son reas bajo la curva

Nota: Dado que 0 ) ( =
}
a
a
dx x f , entonces se tiene que, P(X s x) = P(X < x) y
P(a s X s b) = P(a < X < b).

Consecuencias

1.) F() 0, 2.) F(+) 1, 3.) F(a) = P(X s a), 4.) P(X > a) = 1 P(X < a)

5.) ) (
)) ( (
x f
dx
x F d
= P(a < X < b) =
}
b
a
dx x f ) ( = F(b) F(a).

Ejemplo 37: Supngase que X es la variable aleatoria que mide el tiempo de
llegada de los estudiantes de la UNET al primer bloque de clases diurno (Supngase
que este es el de 7 a 9 AM.). Si X esta modelado por la funcin de densidad de
probabilidad definida por:

donde t es una variable
artificial de integracin.

28
A partir de esta funcin calcule lo siguiente:

1.) El valor de k para que f sea funcin de densidad de probabilidad de X.

2.) Represente grficamente a f(x).

3.) Encuentre la funcin de distribucin de probabilidades acumulativas de X, F(x).

4.) Represente grficamente a F(x).

5.) Cul es la proporcin de estudiantes que llegan:

Entre el primero y quinto minuto.
Entre los primeros ocho minutos.
Despus de los primeros diez minutos.

1.)

Se tiene que 1 ) ( =
}
+

dx x f
}
+

dx x f ) (
=
} }
+

+
0
2
0
0 dx ke dx
x
=

}

+
b
x
b
dx e k
Lim
0
2
=
b
x
b
e k
Lim
0
2
2
|
|
.
|
\
|

+
=
|
|
.
|
\
|
+

+
2
0
2
2 2 e e k
b
b
Lim
=

|
|
.
|
\
|
+

0
2
2 2 e e k = 2k 2k = 1 k =
2
1
. Luego, la funcin
de densidad de probabilidad queda:

X: tiempo de llegada de los estudiantes de la UNET al primer bloque de clases diurno

2.)

Representacin Grfica de f(x):


29

3.)

Se tiene que F(x) = P(X s x)
}

x
dt t f ) (
=
} }

+
x
t
dt e dt
0
2
0
2
1
0
=
x t
e
0
2
=

|
|
.
|
\
|
+

2
0
2
e e
x
=
|
|
.
|
\
|

2
1
x
e Es decir:

4.)

Representacin Grfica de F(x):

5.)

Las probabilidades pedidas son:

a) P(1 s X s 5) = F(5) F(1) =
|
|
.
|
\
|

2
5
1 e
|
|
.
|
\
|

2
1
1 e = 0.5244

b) P(X s 8) = F(8) =
|
|
.
|
\
|

2
8
1 e = 0.9817

c) P(X > 10) = 1 P(X s 10) = 1 F(10) = 1
|
|
.
|
\
|

2
10
1 e = 0.0067


30
Valor Esperado y Varianza de una Variable Aleatoria X

Definicin: Sea X una variable aleatoria. El valor esperado, esperanza o media de la
variable aleatoria X es el promedio o valor medio de X y est dado por:

1.)
=
=
n
i
i i
x p x X E
1
) ( ) (
, si X es discreta
2.)
}
+

= dx x xf X E ) ( ) (
, si X es Continua

Definicin: Sea X una variable aleatoria. La varianza de X es una especie de valor
promedio de dispersin de las observaciones con respecto a la media y esta dado por:

2 2
)) ( ( ) ( ) ( X E X E X Var =

Ejemplo 38: Calcule la media y la varianza a las variables aleatorias de los Ejemplos
36 y 37.

a) La media para el Ejemplo 36 es:

=
=
3
1
) ( ) (
i
i i
x p x X E
= x1p(x1) + x2p(x2) + x3p(x3) = (0)p(0) + (1)p(1) + (2)p(2) =

=
4
3
28
21
28
3
. 2
28
15
. 1
28
10
. 0 = = + +

Si se toman con reemplazo muchas veces dos computadoras en sucesin, el promedio
de defectuosas que se esperan es de 0.75 (menos de 1).

b) La Varianza para el Ejemplo 36 es:

=
=
3
1
2 2
) ( ) (
i
i i
x p x X E
= x1
2
p(x1) + x2
2
p(x2) + x3
2
p(x3) = (0)
2
p(0) + (1)
2
p(1) + (2)
2
p(2) =

=
28
27
28
3
. 2
28
15
. 1
28
10
. 0
2 2 2
= + +


31
Luego:
2
4
3
28
27
) (
|
.
|
\
|
= X Var

112
45
) ( = X Var

c) La media para el Ejemplo 37 es:

}
+

= dx x xf X E ) ( ) (
=
dx e x dx x
x
2
0
0
2
1
0
+

} }
+
=
dx e x
x
2
0
2
1
+
}
.

Sea u =
2
x

2
1
=
dx
du
2du = dx, adems 2u = x. Por otro lado:

Si x = 0 u = 0 y si x + u + . Luego al sustituir se tiene:

dx e x
x
2
0
2
1
+
}
=
) 2 ( ) 2 (
2
1
) (
0
du e u
u
+
}
=
du e u
u
+
}
0
1
2
= 2.1! = 2 E(X) =
2.

Nota:
, !
0
n du e u
u n
=
+
}
0 > n

Se espera que en promedio, el tiempo de llegada de los estudiantes, sea dos minutos
despus de la hora de entrada.

d) La Varianza para el Ejemplo 37 es:

}
+

= dx x f x X E ) ( ) (
2 2
=
dx e x dx x
x
2
0
2
0
2
2
1
0
+

} }
+
=

dx e x
x
2
0
2
2
1
+
}
Luego, al usar el cambio de variables anterior se tiene:

dx e x
x
2
0
2
2
1
+
}
=
) 2 ( ) 2 (
2
1
) (
0
2
du e u
u
+
}
=
du e u
u
+
}
0
2
4
= 4.2! = 8

E(X
2
) = 8. Luego: Var(X) = 8 (2)
2
= 4 Var(X) = 4.

2012 Guía Unid I Prob y Estad

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

2012 Guía Unid I Prob y Estad

Încărcat de

Drepturi de autor:

Formate disponibile

Probabilidad y Estadstica: Guia de la Unidad # 1 Fernando A. Contreras J.

S-ar putea să vă placă și