Apuntes de la Asignatura

Probabilidad y Estadstica
INTRODUCCIN
Qu impresin trae a la mente el trmino Estadstica? Es tan slo una lista de
hechos y nmeros de eventos deportivos, de economa nacional o de un grupo de
enfermedades? Es cierto que se usarn hechos y nmeros o datos, sin embargo, el inters
bsico no son los conjuntos de datos, sino ms bien el empleo de la informacin que
contienen esos conjuntos para llevar a cabo decisiones inteligentes. La idea fundamental es
utilizar una muestra de datos para inferir determinada propiedad para un conjunto mayor de
datos de donde se tom la muestra.
Supngase que un ingeniero civil desea estudiar la intensidad del trnsito en
determinado cruce. Podra observar el flujo de trnsito a determinadas horas
representativas, comprendiendo maanas, noches, das de semana y fines de semana para
elaborar una estimacin del nmero promedio de vehculos que pasan por el cruce por hora.
Las observaciones reales son importantes para l, pero slo porque le ayudan a formular su
estimacin vlida para un gran lapso de tiempo.
Se podran probar componentes de computadoras hasta que dejen de funcionar y anotar su
vida til. Este conjunto de mediciones se podra aplicar entonces al problema inferencial de
estimar la confiabilidad del sistema completo de cmputo.
Un ingeniero de control de calidad podra tomar en forma peridica una muestra de unos
pocos artculos manufacturados que salen de una lnea de montaje para contar el nmero de
los defectuosos. Este nmero es importante para l slo si le ayuda a decidir si la lnea est
trabajando dentro de sus normas o no. Son importantes las cifras o las mediciones, pero se
toman con un objeto inferencial bien definido. Es este procedimiento de inferencia el objeto
de la estadstica moderna.
Asimismo, qu es lo que permite hacer inferencias a partir de una muestra para una
poblacin, y luego medir el grado de exactitud en esa inferencia? La respuesta es la teora
de la probabilidad. No se puede predeterminar los resultados de la mayora de los
experimentos, pero algunos de ellos sern ms probables que otros. Esto lleva a la nocin
de probabilidad, que es fundamental para llegar a la inferencia estadstica.
1
UNIDAD I

Estadstica Descriptiva.

Estadstica.- Es la rama de las matemticas que se encarga de ensear las reglas
para colectar, organizar, presentar y procesar los datos obtenidos al realizar varias veces el
experimento asociado a un fenmeno de inters y para inferir conclusiones acerca de este
ltimo. Proporciona, adems, los mtodos para el diseo de experimentos y para tomar
decisiones cuando aparecen situaciones de incertidumbre.
La Estadstica se clasifica como sigue:

Descriptiva.- Trata lo concerniente a la obtencin, organizacin,
procesamiento y presentacin de los datos.

Estadstica

Inferencial.- Trata lo concerniente a los mtodos para inferir
conclusiones acerca del fenmeno del cual provienen los datos.


Estadstica Descriptiva.
Dato u observacin: Es el resultado de realizar un experimento.
Muestreo: Proceso de adquisicin de una muestra.

El muestreo puede ser:
Con reemplazo.- Cuando cada elemento observado se reintegra al
lote del cual fue extrado antes de extraer el siguiente.

Muestreo
Sin reemplazo.- Cuando cada elemento observado no se reintegra al
lote.
2
Poblacin: Total de datos que se pueden obtener al realizar una secuencia exhaustiva de
experimentos.

Discreta.- Tiene un nmero finito o un nmero infinito numerable de
datos posibles.
Poblacin

Continua.- Tiene un nmero infinito no numerable de datos posibles.


Muestra aleatoria: Es una muestra obtenida de tal manera que todos los elementos
de la poblacin tienen la misma probabilidad de ser observados y, adems, la observacin
de un elemento no afecta la probabilidad de observar cualquier otro, es decir, s son
independientes.

Tabla de nmeros aleatorios: Es una tabla que contiene nmeros que constituyen
una muestra aleatoria obtenida de una distribucin de probabilidades uniforme, que
generalmente corresponde a una variable aleatoria que puede asumir valores entre 0 y 1,
multiplicados por 10
r
, en donde r es el nmero de dgitos que se desea tengan los nmeros.
Las tablas que se usen para obtener una muestra aleatoria deben contener nmeros
con mayor cantidad de dgitos que los que tiene el total de elementos de la poblacin que se
va a muestrear. Por ejemplo, si se va a obtener una muestra aleatoria de un lote de
transistores que tiene 10 000 elementos, la tabla que se use deber tener nmeros aleatorios
con 5 o ms dgitos.

Mtodo de Muestreo Aleatorio

1.- Se enumeran los elementos de la poblacin.

2.- Se fija el criterio de seleccin de los nmeros aleatorios (por ejemplo se definen que
renglones o que columnas se van a leer, si de arriba hacia abajo o si de abajo hacia arriba)
3

3.- Se indica que dgitos se van a eliminar en caso de que los nmeros de la tabla tengan
ms dgitos que los necesarios.

4.- Se leen los nmeros, de acuerdo con lo fijado en los puntos 2 y 3, y se extraen del lote
los elementos que tienen los nmeros ledos. Estos constituyen la muestra fsica con la cual
realizar los experimentos. Las observaciones constituirn la muestra aleatoria deseada.

Nota: Todos los nmeros que se repitan se consideran slo una vez. Tambin se eliminan
los nmeros mayores del tamao del lote. A continuacin se presenta un ejemplo de tabla
de nmeros aleatorios:
4251 5149 4751 4847 4249 4648 5047 4847 5156 8789
4849 5051 5046 4756 4738 5350 4746 4847 4846 2346
5692 9870 3583 8997 1533 6466 8830 7271 3809 4256
2080 3828 7880 0586 8482 7811 6807 3309 2729 2235
1039 3382 7600 1077 4455 8806 1822 1669 7501 8330

6477 5289 4092 4223 6454 7632 7577 2816 9002 2365
4554 6146 4846 4647 5034 4646 5139 5355 5249 2224
0772 2160 7236 0812 4195 5589 0830 8261 9232 0902
0092 1629 0377 3590 2209 4839 6332 1490 3092 2390
7315 3365 7203 1231 0546 6612 1038 1425 2709 3092

5775 7517 8974 3961 2183 5295 3096 8536 9442 2392
5500 2276 6307 2346 1285 7000 5306 0414 3383 2303
3251 8902 8843 2112 8567 8131 8116 5270 5994 9092
4675 1435 2192 0874 2897 0262 5092 5541 4014 2113
3543 6130 4247 4859 2660 7852 9096 0578 0097 1324

3521 8772 6612 0721 3899 2999 1263 7017 8057 3443
5573 9396 3464 1702 9204 3389 5678 2589 0288 6343
7478 7569 7551 3380 2152 5411 2647 7242 2800 3432
3339 2854 9691 9562 3252 9848 6030 8472 2266 3255
5505 8474 3167 8552 5409 1556 4247 4652 2953 9854

6381 2086 5457 7703 2758 2963 8167 6712 9820 5324
0935 5565 2315 8030 7651 5189 0075 9353 1921 0222
2605 3973 8204 4143 2677 0034 8601 3340 8383 3243
7277 9889 0390 5579 4620 5650 0210 2082 4664 5643
5484 3900 3485 0741 9069 5920 4326 7704 6525 1249

7227 0104 4141 1521 9104 5563 1392 8238 4882 2324
4
8506 6348 4612 8252 1062 1757 0964 2983 2244 7654
5086 0303 7423 3298 3979 2831 2257 1508 7642 1245
3690 2492 7171 7720 6509 7549 2330 5733 4730 4534
0813 6790 6858 1489 2669 3743 1901 4971 8280 0835

6905 7127 5933 1137 7583 6450 5658 7678 3444 3754
8387 5323 3753 1859 6043 0294 5110 6340 9137 6323
4094 4957 0163 9717 4118 4276 9465 8820 4127 0202
4951 3781 5101 1815 7068 6379 7252 1086 8919 2093
9047 0199 5068 7447 1664 9278 1708 3625 2864 0204


Agrupamiento de Datos
Frecuencia de un Evento: Es el nmero de veces que ocurre el evento al obtener una
muestra de la poblacin correspondiente.

Frecuencia Relativa de un evento: Es el cociente de su frecuencia entre el total de
elementos (tamao) de la muestra.

Frecuencia Relativa Acumulada: Es la acumulacin (suma) de las frecuencias relativas
hasta un valor dado, partiendo del valor (o del intervalo) ms pequeo, en otras palabras, es
la frecuencia de valores menores o iguales que un valor dado.

Frecuencia Complementaria: Es la frecuencia de valores mayores que un valor dado y es
igual al nmero de datos menos la frecuencia acumulada.

Distribucin de Frecuencias:
Con objeto de facilitar la interpretacin de los datos que se tienen en una muestra, es
conveniente agruparlos por valores o por intervalos de valores, formando as una tabla de
distribucin de frecuencias.
Para facilitar el clculo de las frecuencias es til ordenar los datos en forma
creciente o decreciente de valores, formando as una tabla de datos ordenados.
El proceso de agrupamiento se indicar con el siguiente ejemplo.

5
Se obtuvo una muestra de 30 estaturas de los varones adultos residentes en una regin. Los
datos ordenados en forma creciente de valores, fueron los siguientes:
159, 161, 163, 163, 163, 167, 167, 167, 167, 168, 168, 168, 169, 169, 170, 171, 171, 173,
174, 175, 175, 175, 178, 179, 181, 181, 183, 184, 187, 191 cm.
1.- Determinacin del rango de la muestra
Rango = Valor mximo valor mnimo = 191 159 = 32 cm.
2.- Determinacin del nmero de intervalos
El nmero seleccionado depende del nmero de observaciones disponibles. En la siguiente
tabla se presentan lineamientos sugeridos del nmero de clases que se usa, en funcin del
tamao de la muestra. Se basa en la regla de Sturges, frmula que desarroll H. A. Sturges
en 1926.
Regla de Sturges.- La frmula usada indica que el nmero de intervalos es igual a
i = 1 + S.S22log (n), donde n es el nmero de datos o tamao de muestra e i es el nmero
de intervalos correspondiente. Las fracciones son redondeadas hacia abajo en todos los
casos.

Tamao de la muestra Nmero de intervalos
Menos de 16 Datos insuficientes
16 - 31 5
32 - 63 6
64 - 127 7
128 - 255 8
256 - 511 9
512 - 1023 10
1024 2 047 11
2048 4 095 12
4 096 8 190 13

Para 30 datos le corresponden 5 intervalos.

3.- Determinacin de los Lmites de Clase
6
Ancho de los intervalos = Rango / nmero de intervalos =
5
32
= 6.4
Redondeamos al siguiente entero porque en este caso los datos de la muestra son enteros,
por lo que tomaremos un ancho de 7 cm. Si los datos de la muestra estuvieran dados con un
decimal, entonces se redondeara a un decimal, y as sucesivamente. Los intervalos quedan
definidos como sigue:
159-165, 166-172, 173-179, 180-186, 187-193

Agrupamiento por Intervalos
Lmites de Clase: Son los valores mnimo y mximo de cada intervalo.

Marcas de Clase: Son los valores medios de cada intervalo de clase.

Lmites Reales de Clase: Son los valores mnimo y mximo que son frontera entre los
intervalos. stos deben tener una cifra decimal ms que los datos.

Siguiendo con el ejemplo anterior:

Lmites de Clase Lmites Reales de Clase Marcas
De Clase
Inferior Superior Inferior Superior
159 165 158.5 165.5 162
166 172 165.5 172.5 169
173 179 172.5 179.5 176
180 186 179.5 186.5 183
187 193 186.5 193.5 190
7
Contenido de una Tabla de Distribucin de Frecuencias

Intervalos Lmites Reales Marcas
de
Clase
Frecuencias Frecuencias
Acumuladas
Frecuencias
Relativas
Frec.
Relativas
Acum.
Inferior Superior
159 - 165 158.5 165.5 162 5 5 5/30 5/30
166 172 165.5 172.5 169 12 17 12/30 17/30
173 179 172.5 179.5 176 7 24 7/30 24/30
180 186 179.5 186.5 183 4 28 4/30 28/30
187 - 193 186.5 193.5 190 2 30 2/30 30/30



Grficas
La presentacin grfica de las distribuciones de frecuencias es a travs de:

Histograma

Polgono de Distribucin de Frecuencias

Curva de Frecuencias Acumuladas (ojiva)

Diagrama de Tallo y Hojas

Diagrama de Caja y Bigotes


A continuacin se presentan como ejemplos algunas grficas:
8


9


Medidas Representativas de los Datos

Medidas de Tendencia Central.-
Valor medio o promedio aritmtico
Mediana
Moda o Modo

Medidas de Dispersin.-
Rango
Varianza
Desviacin Estndar
Coeficiente de Variacin

10
Media, Promedio Aritmtico o Valor medio:
Para datos no agrupados

=
=
n
i
i
x
n
x
1
1


Donde x
i
son los valores de los datos y n es el tamao de la muestra.

Si los datos estn agrupados y f
j
es la frecuencia del j-simo intervalo y x
j
es la
marca de clase correspondiente, entonces
j
k
j
j
x f
n
x

=
=
1
1

k = nmero de intervalos


Moda:
Es el valor de la variable que aparece con mayor frecuencia en una muestra. Si los
datos estn agrupados, la moda es la marca de clase del intervalo que tiene la mayor
frecuencia.
Para mejores resultados, cuando los datos estn agrupados en intervalos, se calcula
mediante la siguiente frmula:
Moda = c L
i

+

+
2 1
1


L
i
= Lmite real inferior del intervalo modal

1
= Diferencia entre la frecuencia del intervalo que contiene la moda y la frecuencia del
intervalo anterior.

2
= Diferencia entre la frecuencia del intervalo que contiene la moda y la frecuencia del
intervalo posterior.
c = Ancho del intervalo modal.


11
Mediana:
Es el valor de la variable que corresponde al 50% de la frecuencia relativa acumulada.
Si los datos estn agrupados por intervalos, la mediana se puede calcular con la
frmula
Mediana = c
f
F
n
L
m
m
i

+
2


L
i
= Lmite real inferior del intervalo que contiene a la mediana.
F
m
= Frecuencia acumulada hasta el intervalo anterior al que contiene a la mediana.
f
m
= Frecuencia del intervalo que contiene a la mediana.
c = Ancho del intervalo que contiene a la mediana.


Medidas de Dispersin.

Rango: Mximo valor observado Mnimo valor observado

Varianza:
Si los datos no estn agrupados
( )
2
1
2
1
1
x x
n
S
i
n
i
x

=

=

Si los datos estn agrupados:
( )
2
1
2
1
1
x x f
n
S
j
k
j
j x

=

=

Donde las x
j
son los valores de las marcas de clase de los intervalos y k el nmero de
intervalos. Se divide entre n-1 porque se trata de varianzas muestrales, o porque n < 30.
La varianza es una medida de la dispersin en la que hallamos las desviaciones al
cuadrado. Esto indica que, por ejemplo, para el caso de calificaciones de los estudiantes, la
unidad de varianza es puntos
2
. Para superar esta insuficiencia y disponer de una medida de
la dispersin para los puntajes, que se exprese en puntos se halla la raz cuadrada de la
varianza que se llama desviacin tpica o desviacin estndar de la variable x.

12
Desviacin Estndar:
2
x x
S S =

Coeficiente de Variacin (Dispersin Relativa):

Mientras que la varianza mide la dispersin dentro de un mismo grupo de datos, el
coeficiente de variacin, al ser una medida relativa, permite comparar la dispersin entre
distintos grupos de datos.
Considrese que un grupo de estudiantes realiza dos pruebas. La primera resulta con
una media de 60 puntos, una desviacin estndar de 6 puntos y un mximo de 100 puntos.
La segunda tiene una media de 700 puntos y una desviacin estndar de 7 puntos con un
mximo de 1000 puntos. Cul de las dos pruebas tiene una variacin (dispersin) mayor?
Desde un punto de vista absoluto se observa que los 7 puntos corresponden a una variacin
mayor que la de 6 puntos, pero desde un punto de vista relativo se observa que los puntajes
de los estudiantes estn menos dispersos en la segunda prueba.
Para expresar esta idea se ha formulado la dispersin relativa mediante el llamado
Coeficiente de Variacin que se define como:

V
x
=
x
S
x

Para los datos anteriores tenemos
Primera prueba V
x
=
10
1
60
6
=
Segunda prueba V
x
=
100
1
700
7
=
Como se ve, la dispersin relativa de la segunda prueba es menor que la de la primera
prueba.




13
Unidad II

Probabilidad

Si n es el nmero de ensayos de un experimento, como por ejemplo el nmero de
lanzamientos de una moneda, parece que entonces se podra definir, de manera elemental,
la probabilidad de un evento E, como por ejemplo obtener cara, mediante

P (E) =
n
deE cesquesuce nmerodeve


Breve repaso de notacin de conjuntos.

Antes de entrar en una descripcin formal de la probabilidad, es necesario describir
la notacin de conjuntos que se utilizar. Supngase un conjunto S que consiste en los
puntos identificados con 1, 2, 3, y 4. Esto se denota con S = {1, 2, 3, 4}. Si A = {1, 2} y B
= {2, 3, 4}, entonces A y B son subconjuntos de S, lo cual se indica mediante A S y B
S. El hecho de que 2 es un elemento de A se denota con 2

A.

La unin de A y B es el conjunto que consiste en todos los puntos que estn en A,
en B, o en ambos. Esto se representa mediante A B = {1, 2, 3, 4}. Si C = {4}, entonces A
C = {1, 2, 4}.

La interseccin de dos conjuntos A y B es el conjunto que consta de todos los
puntos que estn tanto en A como en B y se representa mediante AB o, simplemente
mediante AB. Para el ejemplo anterior, AB = {2} y AC = { }, donde denota el
conjunto vaco, que es el conjunto que no contiene puntos.

El complemento de A con respecto a S es el conjunto de todos los puntos en S que
no estn en A y se representa mediante A . Para los conjuntos especficos anteriores, A =
{3, 4}.
14
Se dice que dos conjuntos son mutuamente excluyentes, o disjuntos, si no tienen
puntos en comn, como los conjuntos A y C anteriores.

Se puede emplear diagramas de Venn para representar los conceptos de unin,
interseccin, complemento y conjuntos disjuntos, como se muestra a continuacin:


Se puede ver que A A = S

Otras relaciones importantes entre los eventos son las leyes distributivas

A (B C) = ABAC

A (BC) = (AB)(A C)

Y las leyes de DeMorgan

B A AB
B A B A
=
=


15
Definicin formal de probabilidad.

A la fase de generacin de datos se le llama experimento. Un experimento es el
proceso de efectuar una observacin.
Cualquier experimento puede originar varios resultados posibles. A la lista o
conjunto de todos los resultados posibles de un experimento se le llama espacio muestral.
Un espacio muestral S es un conjunto que comprende todos los resultados posibles de un
experimento.
Un evento es cualquier subconjunto de un espacio muestral.
Supngase que un experimento tiene asociado un espacio muestral S. Una
probabilidad es una funcin de valor numrico que asigna un nmero P (A) a cada evento
A de tal manera que son vlidos los siguientes axiomas:

1.- P (A) 0
2.- P (S) = 1
3.- Si A
1
, A
2
, A
3
,... es una sucesin de eventos mutuamente excluyentes, es decir,
A
i
A
j =
para toda i j entonces

) (
1 1

=
=

i
i
i
i
A P A P
U

De acuerdo con el axioma 3 se llega a la conclusin de que si A y B son eventos
mutuamente excluyentes,

P(A B) = P(A) + P(B)

Reglas de Conteo tiles en Probabilidad

De acuerdo con la definicin de probabilidad es importante poder contar el nmero
de resultados posibles de un experimento. Este nmero de resultados para un experimento
16
puede llegar a ser bastante grande; el conteo se hace difcil a menos que se conozcan
algunas reglas de conteo.

La regla de la multiplicacin.- Si la primera tarea de un experimento da como
resultado n
1
resultados posibles y, para cada uno de ellos, la segunda tarea da como
resultado n
2
resultados posibles, entonces se tiene n
1
n
2
resultados posibles para las dos
tareas juntas. La regla de multiplicacin se ampla a ms tareas sucesivas. Los diagramas
de rbol son tiles para comprobar la regla de multiplicacin y para tener la lista de los
resultados.
Con frecuencia se usa la regla de multiplicacin para elaborar otras reglas de
conteo. Supngase que de tres pilotos se selecciona una tripulacin de dos pilotos, para
formar un equipo piloto-copiloto. Para contar el nmero de maneras en las que esto se
puede llevar a cabo, obsrvese que el asiento del piloto se puede llenar de tres modos y el
del copiloto de dos, despus de haber seleccionado al piloto; por lo tanto hay 3 x 2 = 6
maneras de formar el equipo. Este es un ejemplo de una permutacin, para la cual a
continuacin se da el resultado general

El nmero de arreglos ordenados o permutaciones, de r objetos seleccionados
entre n objetos distintos, si r n est dado por

P
n, r
= n (n-1)... (n r + 1) =
)! (
!
r n
n

Ejemplo.- De entre 10 empleados se deben seleccionar tres para viajar a tres plantas A, B, y
C, fuera de la ciudad. Cada empleado ir a una planta. Como las plantas estn en distintas
ciudades, es importante el orden de asignacin de los empleados a las plantas. De cuntos
modos se puede hacer la seleccin?
Solucin:
Como es importante el orden, el nmero de asignaciones diferentes posibles es

17
P
10, 3
= 720 ) 8 )( 9 ( 10
)! 3 10 (
! 10
= =

El nmero de maneras de dividir n objetos distintos en k grupos que contienen n
1
, n
2,,
n
3
,...., n
k
objetos respectivamente, es

! !.... ! !
!
3 2 1 k
n n n n
n

donde n n
k
i
i
=

=1


El nmero de subconjuntos distintos, o combinaciones, de tamao r que se pueden
seleccionar de n objetos distintos, (r n), es

C
n, r
=
)! ( !
!
r n r
n

Supngase que en el ejemplo anterior, los 3 empleados se deben seleccionar de entre los 10
para ir a la misma planta. De cuntos modos se puede hacer la seleccin?

Solucin:
En este caso no es importante el orden, y tan slo se desea saber cuntos subconjuntos de
tamao r = 3 se pueden formar con n = 10 personas. El resultado es

C
10, 3
= 120
! 7 ! 3
! 10
=



18

Probabilidad Condicional e Independencia.
A veces un espacio muestral para un experimento se puede reducir mediante
informacin adicional disponible sobre los elementos en cuestin. Por ejemplo, un espacio
muestral adecuado para medir los pesos de todas las personas se podra reducir en gran
medida si se sabe que slo sern considerados los adultos en el estudio. Esta informacin
adicional se llama informacin condicional. Considrese con ms detalle un ejemplo
especfico.
De 100 estudiantes que terminaron un curso elemental de estadstica, 20 eran
ejecutivos. Diez estudiantes obtuvieron A en el curso, y tres de stos eran ejecutivos. Estos
hechos se muestran en el siguiente diagrama de Venn, en el que A representa a los
estudiantes que obtuvieron A, y B representa a los ejecutivos. Para un estudiante de esta
clase seleccionado al azar, P(A) = 0.1 y P(B) = 0.2. Pero supngase que se sabe que el
estudiante seleccionado al azar es ejecutivo. En ese caso se desea conocer la probabilidad
de que el estudiante obtuviera una A, en vista de que es un ejecutivo. Entre los 20
ejecutivos, 3 obtuvieron A. As, P (A dado B), que se escribe P(A\B) es 3/20.

A partir del diagrama de Venn se ve que la informacin condicional (o dada)
reduce el espacio muestral efectivo a tan slo 20 ejecutivos. Entre ellos, 3 obtuvieron A.
P(A\B) =
100 / 20
100 / 3
) (
) (
20
3
=

=
B P
B A P

Este hecho motiva la siguiente definicin:
Si A y B son dos eventos cualesquiera, la probabilidad condicional de A dado B,
es P(A\B) =
) (
) (
B P
B A P
siempre que P(B) 0

19
Si la informacin adicional para saber que ha sucedido un evento B no cambia la
probabilidad de A, esto es, si P(A\B) = P(A), entonces se dice que los eventos son
independientes. Como

P (A\B) =
) (
) (
B P
B A P


la condicin P (A\B) = P(A) es equivalente a

) (
) (
) (
A P
B P
B A P
=

o sea P(AB) = P(A) P(B)

Se dice que dos eventos son independientes si

P (A\B)= P(A)
o bien
P (B\A) = P(B)

Esto es equivalente a afirmar

P (AB) = P(A) P(B)

Ejemplo:
En un pequeo pueblo se dispone de un carro de bomberos y una ambulancia para
casos de emergencia. La probabilidad de que el primero est disponible cuando se le
necesite es de 0.98, y la de que la ambulancia lo est cuando se le llame, 0.92. En el caso de
que resulte un herido al quemarse un edificio, encuentre la probabilidad de que tanto el
carro de bomberos como la ambulancia estn disponibles.

20
Solucin: Para obtener la probabilidad de que ocurran dos eventos independientes,
simplemente se calcula el producto de sus probabilidades individuales. Sean A y B los
respectivos eventos de que ambos vehculos estn disponibles, se tiene que

P (AB) = P(A) P(B) = (0.98) (0.92)=0.9016

Ejemplo.- Supngase que un supervisor debe seleccionar un trabajador para un puesto
especial, de un conjunto de cuatro trabajadores, numerados 1, 2, 3 y 4. Lleva a cabo la
seleccin mezclando los cuatro nombres y tomando uno al azar. Sea A el evento de que se
selecciona al trabajador 1 2; B el evento de que se selecciona al trabajador 1 3, y C el
evento de que se selecciona al trabajador 1. Son independientes A y B? Son
independientes A y C?

Solucin:
A = {1,2} P(A) =
B = {1,3} P(B) =
C = {1} P(C) =
AB = {1} P(AB) =
AC = {1} P(AC) =
Para que sean independientes A y B debe cumplirse P(AB) = P(A) P(B)
Sustituyendo los valores de las probabilidades tenemos
= () ()
o sea que s se cumple la igualdad.
Por consiguiente podemos considerar que los eventos A y B son independientes.

Hagamos lo mismo para comprobar si A y C son independientes
P(AC) = P(A) P(C)
= () ()
la desigualdad no se cumple por consiguiente consideramos que los eventos A y C no son
independientes.

21
Reglas de Probabilidad

Vimos anteriormente en una grfica de diagrama de Venn que
A A = S
de aqu se deduce
1 ) ( ) ( ) ( ) ( = = + = S P A P A P A A P
o bien,
) ( 1 ) ( A P A P =
Con ello se ha establecido lo siguiente:

Teorema.- Si A es el complemento de un evento A en el espacio muestral S, entonces
) ( 1 ) ( A P A P =
) ( 1 ) ( A P A P =

Ejemplo.- Si las probabilidades de que un mecnico automotriz repare 3, 4, 5, 6, 7, 8, 9
ms vehculos en un da hbil cualquiera de la semana son, respectivamente, 0.12, 0.19,
0.28, 0.24, 0.10, 0.05, 0.02, Cul es la probabilidad de que le de servicio al menos a 5
carros el siguiente da de trabajo?

Solucin:
A = {5, 6, 7, 8, 9} y A = {3, 4}
Entonces ) ( 1 ) ( A P A P = = 1 - [P(3) + P(4)] = 1 (0.12 + 0.19) = 0.69

Teorema.- Si A y B son dos eventos cualesquiera, entonces

Si A y B son mutuamente excluyentes, entonces
) ( ) ( ) ( ) ( B A P B P A P B A P + =
) ( ) ( ) ( B P A P B A P + =

Ejemplo.- Los registros indican que para las partes que salen de un taller de reparacin de
componentes hidrulicos en una instalacin de reparacin de aviones, el 20% tendr un
defecto en el eje, el 10% tendr un defecto en un buje y el 75% no tendr defectos. Para un
22
artculo seleccionado al azar de esta produccin, calcular la probabilidad de que el artculo
tenga por lo menos un tipo de defecto.

Solucin:
Los porcentajes dados significan que el 5% de los artculos tienen defectos tanto en los
bujes como en el eje, o sea que los eventos no son excluyentes. Sea D
1
el evento que denota
un artculo con defecto en el eje, y D
2
el evento que denota un defecto en los bujes.
Entonces

A = D
1
D
2


y P(A) = P (D
1
D
2
)

= P (D
1
) + P (D
2
)

P (D
1
D
2
)
= 0.20 + 0.10 0.05
= 0.25

Otra solucin posible es observar que el complemento de A es el evento de que un artculo
no tiene defectos. Entonces
P(A) = 1 P( A )
1 0.75 = 0.25

Teorema.- Si A y B son dos eventos cualesquiera, entonces

P(AB) = P(A) P(B\A)
= P(B) P(A\B)

Si A y B son independientes, entonces

P(AB) = P(A) P(B)

23
Ejemplo.- Supngase que se tiene una caja de fusibles que contiene 20 piezas, de las cuales
5 estn defectuosas. Si se seleccionan 2 al azar y se sacan de la caja en sucesin sin
reemplazo del primero, cul es la probabilidad de que ambos fusibles resulten
defectuosos?

Solucin.- Sea A el evento de que el primer fusible est defectuoso y B el de que el
segundo fusible tambin; entonces se interpreta AB es como el evento de que A ocurre y
a continuacin lo hace B. La probabilidad de sacar primero un fusible defectuoso es ;
entonces la de extraer un segundo fusible defectuoso de los restantes 4 es 4/19. Por lo tanto,
P(AB) = P(A) P(B\A) =
19
1
19
4
20
5
=

Cuadro que resume los casos que se pueden presentar cuando tenemos dos eventos A
y B:

24


Teorema de probabilidad total.- Si los eventos B
1
, B
2
,..., B
k
constituyen una divisin del
espacio muestral S, de tal forma que P(B
i
) 0 para i = 1, 2, 3,..., k, entonces para cualquier
evento A de S

B P A B P A P
k k
i
i
( ) ( ) (
1 1

= =
i= =
\B
i
)






25
A
Eventos mutuamente
excluyentes
P(AB) = P(A) + P(B)
P(AB) = 0
Eventos no mutuamente excluyentes

P(AB) = P(A) + P(B) P(AB)
B B A
Dependientes
P(AB)=P(A)P(B\A)
o bien
P(AB)=P(B)P(A\B)
Independientes
P(AB) = P(A)P(B)
Dos eventos A y B


Se observa que el evento A es la unin de los eventos mutuamente excluyentes
A = (B
1
A) (B
2
A) ... (B
k
A)

entonces

P(A) = P(B
1
A) P(B
2
A) ... P(B
k
A)
=

=

k
i
i
A B P
1
) (
Tomando en cuenta que A P B P B A P
i i
( ) ( ) ( = \B
i
) se obtiene finalmente la ecuacin
con la cual se define el teorema de la probabilidad total.
P(A) =

\B
i
)
=
k
i 1
A P B P
i
( ) (

Ejemplo.- Se ha nominado a tres miembros de la Cmara de la Industria de la Construccin
para ocupar la presidencia del mismo. La probabilidad de que se elija al Ing. Arceo es de
0.3; la de que se haga lo propio con el Ing. Burgos, de 0.5 y la de que gane la Ing. Sarlat, de
0.2. En caso de que se elija al Ing. Arceo, la probabilidad de que la cuota de ingreso se
incremente es de 0.8; si se elige al Ing. Burgos o a la Ing. Sarlat, las correspondientes
probabilidades de que se incremente la cuota son de 0.1 y 0.4. Cul es la probabilidad de
que haya un incremento en la cuota de membresa?

Solucin: Considrense los siguientes eventos
A: se incrementan las cuotas de ingreso
B
1
: se elige al Ing. Arceo
B
2
: se elige al Ing. Burgos
B
3
: se elige a la Ing. Sarlat

P(A) = P(B
1
) P(A\ B
1
) + P(B
2
) P(A\ B
2
) + P(B
3
) P(A\ B
3
)
P(A) = (0.3)(0.8) + (0.5)(0.1) + (0.2)(0.4) = 0.37
26



Ahora, si se sabe que la cuota de membresa se ha incrementado, cul es la
probabilidad de que se haya elegido a la Ing. Sarlat como presidenta de la Cmara? O sea,
se considera el problema de calcular la probabilidad condicional P(B
3
\A).
Las preguntas de este tipo pueden contestarse mediante el siguiente teorema,
llamado Regla de Bayes.


Teorema (Regla de Bayes) Si los eventos B
1
, B
2
, ..., B
k
constituyen una divisin del
espacio muestral S, de tal forma que P(B
i
) 0 para i = 1, 2, 3, ...., k, entonces para
cualquier evento A en S es tal que P(A) 0.

P(B
r
\A)=

= =
=

k
i
i i
r r
k
i
i
r
B A P B P
B A P B P
A B P
A B P
1 1
) / ( ) (
) / ( ) (
) (
) (


para r = 1, 2,..., k.


Con referencia al ejemplo anterior, si alguien considera entrar a la Cmara pero
retrasa su decisin por varias semanas slo para encontrarse con que las cuotas de entrada
han aumentado, cul es la probabilidad de que se haya elegido a la Ing. Sarlat como
presidenta de la Cmara?

27
P(B
3
\A) =
) / ( ) ( ) / ( ) ( ) / ( ) (
) / ( ) (
3 3 2 2 1 1
3 3
B A P B P B A P B P B A P B P
B A P B P
+ +



P(B
3
\A) =
37
8
08 . 0 05 . 0 24 . 0
08 . 0
=
+ +







28