Estadística Grupal

Curso: Estadstica
Ciclo: III
Grupo: A
Tema: Probabilidad
Docente: MBA. Luis Caldern
Estudiantes:
Arvalo Oliva Mara
Avalos Ludea Jenry
Huisa Lucio Jirko
Javier Villanueva Magda
Laveriano Pinedo Fiorela
Ponte Ramrez Reynaldo
Rodrguez Snchez Natanael
Saavedra Prez Giuliana
Torres Villanueva Mitshell

Chimbote Per
2014

UNIVERSIDAD NACIONAL DEL SANTA
FACULTAD DE INGENIERA
INGENIERA AGROINDUSTRIAL
[UNIVERSIDAD NACIONAL DEL SANTA] 2 de junio de 2014

Estadstica Pgina 2

ndice
Pginas

INTRODUCCIN. 3
CAPITULO 1: DEFINICIONES. 6
1.1. Historia 7
1.2. Definiciones... 8
CAPITULO 2: PROPIEDADES DE LAS PROBABILIDADES...13
CAPITULO 3: AXIOMAS O LEYES.. 17
CAPITULO 4: ALGEBRA DE PROBABILIDADES. 35
CAPITULO 5: BIBLIOGRAFA.. 44
CAPITULO 6: EJEMPLOS.... 46


Estadstica Pgina 3

Introduccin a la Probabilidad
En la interpretacin del concepto de probabilidad , se
han seguido dos escuelas , La primera , clsica u
objetivista , interpreta la probabilidad como la
frecuencia relativa de la ocurrencia de algn evento o
resultado (consecuencia) en el desempeo final o la
repeticin de un experimento , entendida esta ltima
palabra como una actividad que pudiera conducir a
los resultados previstos , sin olvidar que el resultado
particular observado en cualquier etapa del
experimento tambin est generado por el azar .
La escuela clsica u objetivista, del siglo XVII, tendra como principal inters
determinar la probabilidad de xito en los juegos de azar. En este caso, los
experimentos en cuestin eran tirar un dado, girar la ruleta, manejar las carta,
etc.
Los matemticos de este siglo B. Pascal, P, Ferment y P.S, Laplace, entre
otros fuero los que ms contribuyeron a formalizar los conceptos de
probabilidad.
La segunda escuela es la subjetivista o bayesiana, la cual utiliza los resultados
a priori para calcular la probabilidad de ocurrencia de varios estados del
universo (tambin llamado espacio de eventos), en una etapa particular del
experimento que se trata.
El conocimiento a prior es la forma en que emerger la distribucin de
probabilidades, dado el conocimiento de la naturaleza del experimento que se
va a realizar.
El enfoque subjetivista permite al investigador asignar probabilidades o eventos
particulares (algunos posibles resultados del experimento que se est llevando
a cabo)

Estadstica Pgina 4

Como mencionamos, la escuela subjetivista tambin se conoce como
bayesiana , ( en este libro , la etiqueta bayesiana significa deseo de incorporar
probabilidades subjetivas en el anlisis estadstico ) , en contraparte con los
seguidores de la escuela objetivista , que no desean incorporar presentimientos
subjetivos en probabilidad a la estructura formal del anlisis estadstico , pues
no creen que el concepto de probabilidad pueda aplicarse a la verosimilitud de
ocurrencia de varios acontecimientos en un experimento sin repeticin.
El uso de las probabilidades a posteriori implica la aceptacin de la creencia de
que ciertas fuerzas que operaron en el pasado causan que un modelo
particular de distribucin de probabilidad contine de la misma manera.
Como muchos sistemas matemticos, la teora de probabilidad se convierte en
un modelo til cuando sus elementos se relacionan e identifican con cosas
particulares; en este caso, los resultados de experimentos reales o
conceptuales. De este modo, la teora nos permite deducir ciertas
proposiciones acerca de la verosimilitud de varios resultados.
Debido a que el observador tiene una ignorancia total o parcial, es decir, una
incertidumbre acerca del resultado de una investigacin, su actitud ser
eventualmente inferior a adivinar qu ocurrir. En un sentido, la probabilidad
refleja la incertidumbre acerca del resultado de un experimento, por lo que la
probabilidad puede pensarse como el lenguaje matemtico de la incertidumbre,
y esta es igual para el investigador y para el jugador de azar
En los ltimos aos se ha incrementado el uso de los modelos probabilsticos,
debido a que presentan muchas ventajas al aplicarse a situaciones reales. En
los modelos probabilsticos interviene un conjunto de variables aleatorios, las
cuales se rigen por algn parmetro, como tiempo o espacio. A los procesos
aleatorios tambin se les conoce como procesos estadsticos
En toda investigacin o estudio, una vez que se han recopilado datos empricos
se adopta un modelo terico (alguna distribucin terica), con el objeto de
extraer ms informacin de los datos, si la adaptacin es buena, las
propiedades del conjunto de datos pueden aproximarse a las del modelo
terico. De manera similar, a un proceso real que posea la caracterstica de un

Estadstica Pgina 5

proceso aleatorio se le podr adaptar un proceso estocstico .De este modo, el
conocimiento de las propiedades y caracterstica del proceso estocstico es
altamente deseable para una mejor comprensin del fenmeno real en estudio
Las incertidumbres asociadas con el comportamiento humano, en diferentes
situaciones, se adaptan de una manera adecuada a los modelos
probabilsticos y a los procesos estocsticos.
Estos modelos podran utilizarse para analizar:
Movilidad social de los individuos
Movilidad industrial de trabajadores o empleados
Sistemas educativos
Procesos de una enfermedad
Sistemas de informacin


Estadstica Pgina 6

CAPITULO 1

Estadstica Pgina 7

HISTORIA

La teora del clculo de probabilidades comenz con una correspondencia
entre dos matemticos franceses , Blaise Pascal ( 1623 -1662 ) y Pierre Fernat
(1602 -1665 ) , en 1654 , con respecto a dos problemas formulados por un
jugador compulsivo , el Chevalier de Mr ( ttulo del Barn A.G. Mr (1610
1685 ) . A partir de ese momento se realizan estudios de modelos matemticos
con ejemplos, esencialmente de juegos de azar (finalmente esa era la
motivacin de la poca). Por desgracias, tal enfoque se propag hasta nuestros
das, conllevando a que los libros de probabilidad traigan una serie de ejemplos
que se refieren a los juegos de azar, a la extraccin de bolas de las urnas, en el
lanzamiento de los dados y en la aparicin de determinadas cartas de la baraja,
en especial, los ases y los reyes. Adems, al aparecer la enseanza de la
teora de conjuntos en las escuelas brasileas en la dcada de 1960, se hizo
nfasis en la asociacin entre los conceptos probabilsticos y los de tal teora
con la intencin de facilitar el raciocinio estadstico a partir de otros modelos
aparentemente ms estructurados y de conocimiento general. De todos modos,
los dos enfoques tuvieron su importancia hasta la dcada de 1980, y sus
seguidores estaban preocupados por proporcionar una mejor comprensin de
los conceptos tericos por medio de estructuras que, a su entender, facilitaran
la comprensin de los modelos existentes. En nuestros das, tal visin
asociativa ya no es vlida, especialmente por la variedad de aplicaciones (no
solamente en los juegos de azar) y por la absoluta necesidad de que las
personas comprendan cmo utilizar
los conceptos estadsticos en la vida
diaria


Estadstica Pgina 8

DEFINICIONES

1. En cualquier experimento aleatorio siempre hay incertidumbre sobre si
un suceso especfico sobre si un suceso especifico ocurrir o no .Como
medida de la oportunidad o probabilidad con la que podemos esperar
que un suceso ocurra es conveniente asignar un nmero entre 0 y 1. Si
estamos seguros de que el suceso ocurrir decimo que su probabilidad
es 100% o 1, pero si estamos seguros de que el suceso no ocurrir
decimos que su probabilidad es cero. Por ejemplo , si la probabilidad es
de , diramos que hay un 25%de oportunidad de que ocurra y un
75%de oportunidad que no ocurra .Equivale a decir que la probabilidad
contra su ocurrencia es del 75% al 25% o de 3 a 1

Fuente: Murray R. Spiegel , Teora y problemas de probabilidad y
Estadstica , Mc. GRAW HILL , Bogot Colombia , 1936

2. La definicin de probabilidad fue dada por Laplace y desde entonces se
ha repetido en casi todos los libros sobre teora de probabilidades. En su
forma dice : Probabilidad es la razn del nmero de casos
favorables al nmero total de casos igualmente posibles
La probabilidad se puede estudiar desde dos puntos de vista:
1. A priori o clsico: a priori significa aquello que se puede deducir
usando la razn , sin la experiencia .Desde este punto de vista se
define la probabilidad:

()

El smbolo P(A) se lee como La probabilidad de ocurrencia del evento A
.As , la ecuacin establece que la probabilidad de ocurrencia del
evento A es igual al nmero de eventos clasificables como A divida entre
la cantidad de eventos posibles
El nmero de eventos clasificados como A, es el nmero de casos
favorables y la cantidad total de eventos posibles es el nmero de casos
posibles

()
()
()

2. A posteriori: A posteriori significa despus del hecho, en el
contenido de la probabilidad, significa despus de reunir algunos
datos. desde el punto de vista a posteriori se define como:


Estadstica Pgina 9

()

Fuente: Guillermo Gamarra, Jorge Berrospi F., Oscar Pujay C.,
Rudy Cuevas C., Estadstica e investigacin, San Marcos, Lima

3. La probabilidad desempea un papel importante en la toma de
decisiones, por ejemplo, suponga que tiene una oportunidad de invertir
en una compaa de exploracin petrolera. los antecedentes indican que
10 de las ltimas 10 perforaciones en busca de petrleo (una muestra de
las experiencias de la compaa) resultaron en pozos secos cul es su
conclusin? cree usted que las posibilidades de que la compaa d con
un pozo productor son menores que 50-50? debera usted invertir en
esta compaa ? creemos que su respuesta sera un decidido no

Fuente: William Mendehall, Terry Sincig, Probabilidad estadstica,
para ingeniera y ciencias 4ta edicin, Mxico, 1997

4. En la vida real la posibilidad de que un evento suceda puede estar entre
lo virtualmente cierto y lo virtualmente imposibles. la teora de
probabilidades ofrece un marco para asignar nmeros reales a la
posibilidad de ocurrencia de diferentes eventos, de tal manera que sus
posibilidades puedan ser comparadas y evaluadas.
Conceptualmente, existen tres maneras de determinar la probabilidad de
una ocurrencia: objetiva, experimental y subjetiva.
A. Probabilidad objetiva:
Depende de las caractersticas fsicas del objeto de estudio. Esta
manera de asignar probabilidad es conveniente para resolver
problemas que involucran el uso de objetos fsicos. As, por
ejemplo, la posibilidad de obtener un 4 al lanzar un dado es 1/6.
Como se puede deducir, esta metodologa no ser apropiada
para tratar problemas econmicos o administrativos
B. Probabilidad experimental:
Se le llama tambin frecuencia relativa de una ocurrencia. En
algunos casos es posible estimar la probabilidad de ocurrencia de
un evento observando el nmero de veces que ocurri en un
periodo largo.
Esta probabilidad experimental supone que una misma situacin
pueda repetirse varias veces, y sobre todo, se presume que tal
situacin no cambiara en el futuro. Circunstancias de este tipo no
son muy frecuentes en las reas de administracin y economa, y
por tanto no se pueden calcular probabilidades a travs de una
serie de repeticiones de un experimento.
C. Probabilidad subjetiva :

Estadstica Pgina 10

Es la medida asignada a la valoracin subjetiva hecha por un
individuo de la probable ocurrencia de un evento. Se basa en la
informacin de que dispone esta persona en un momento dado,
es decir en su estado de informacin.
La idea fundamental en este tipo de asignacin es que la
probabilidad es un nmero que usamos para describir nuestra
certeza sobre la ocurrencia de un evento. El grado de certidumbre
depende de la informacin de que disponemos con respecto al
evento. Al depender esa medida del estado de informacin, ella
puede cambiar con la disponibilidad de nueva informacin.

Fuente: Jos Salinas Ortiz, Anlisis Estadstico para la toma de
decisiones en Administracin y Economa, Universal del Pacifico,
Lima Per, 2001

5. El termino probabilidad se refiere al estudio de la aleatoriedad y la
incertidumbre. en cualquier situacin donde se produzca alguno de
varios resultados posibles, la teora de la probabilidad proporciona
mtodos para cuantificar las oportunidades o probabilidades, asociadas
con varios resultados.
El lenguaje de probabilidades se utiliza constantemente de una manera
informal, tanto en contextos verbales como escritos, por ejemplo es
probable que el promedio Dow Jones aumente a fines de ao , Hay
50 -50 de posibilidades de que el titular busque la reeleccin

Fuente: Jay L. Devore, Probabilidad y estadstica para ingeniera
y ciencias, quinta edicin, Thomnson Editores S.A., Mxico, 2001

6. El concepto de la probabilidad de un evento particular en un experimento
est sujeto a varios significados o interpretaciones. Por ejemplo, si se
dice que un gelogo manifest Que hay una posibilidad de 60 por ciento
de encontrar petrleo en una determinada regin , probablemente todos
nosotros tendremos una idea de lo que est diciendo. En efecto, la
mayora de nosotros interpretar esto de una de estas dos maneras
suponiendo que:
i. El gelogo siente que , a la larga , en el 60 por ciento de las
regiones en las que las condiciones ambientales sean muy
semejantes a las condiciones en la regin en consideracin ,
habr petrleo
O suponiendo que
ii. El gelogo cree que es ms probable que haya petrleo en la
regin, a que no haya.


Estadstica Pgina 11

Fuente: Sheldon M.Ross, Probabilidad y estadstica para
ingenieros, 2 da edicin, MC Graw Hill, Mxico, 2002

7. La teora moderna define la probabilidad como un nmero que satisface
una serie de postulados, pero no indica cmo se debe obtener ese
nmero simplemente establece las reglas que debemos obedecer al
manipular las probabilidades obtenidas. en consecuencia , hay dos
grandes corrientes al respecto del problema de la determinacin de la
probabilidad
La escuela objetivista o frecuencialista considera que la
probabilidad solo puede obtenerse por medio de las frecuencias
relativas y, por consiguiente, solamente es aplicable a las
situaciones en las que la experiencia puede repetirse varias
veces, en las mismas condiciones.
La escuela subjetivista o personalista considera a la
probabilidad como una medida de la creencia de una persona
racional en una determinada proposicin. diferentes individuos
racionales pueden tener grados diferentes de credulidad, aun al
frente de una misma evidencia y, por consiguiente, las
probabilidades personales para el mismo evento pueden ser
diferentes.

Fuente: Paulo Alonso Lpez, Probabilidad y estadstica,
concepto, modelos y aplicaciones en Excel, Prentice Hall,
Colombia, 2000

8. Cuando queremos hablar de probabilidades, estamos tratando con
procedimientos (como tirar un dado, contestar una pregunta de opcin
mltiple en un examen o aplicar una prueba de embarazo) que producen
resultados.

Fuente: Mario F. Triola, Estadstica, novena edicin

9. La expresin matemtica de la probabilidad como un nmero entre 0 y 1
es un concepto importante. esta forma de expresin es fundamental y
comn en los procedimientos estadsticos

Fuente: Mario F. Triola, Estadstica, novena edicin

10. Una definicin clsica de la probabilidad consiste en considerar un
experimento aleatorio, cuyo correspondiente espacio muestra E est
formado por un nmero n, finito, de posibles resultados distintos y con la
misma posibilidad de ocurrir *
+ . Entonces si
resultados
constituyen el subconjunto o suceso
resultados constituyen el

Estadstica Pgina 12

suceso
resultados constituyen el suceso
de tal manera
que :

Y las probabilidades de los sucesos
(

)

Es decir, la probabilidad de cualquier suceso A es igual al cociente entre el
nmero de resultados que integran el suceso A y el nmero total de elementos
o posibles resultados del espacio muestral E. Luego una frmula para calcular
la probabilidad de un suceso cuando todos los posibles resultados tienen la
misma probabilidad de ocurrir ser:
()

Que se conoce con el nombre de la regla de Laplace para espacios mustrales
finitos
Fuente: Estadstica I Probabilidad y distribucin Jos M. Casas
Sanchez, Editorial centreo de estudios Ramn Areces / S.A.,
Madrid, 2000


Estadstica Pgina 13

CAPITULO 2

Estadstica Pgina 14

PROPIEDADES DE LA PROBABILIDADES
1. La suma de l as probabi l idades de un suceso y su contrario
val e 1, por tanto la probabi l idad del suceso contrario es:

Ejemplo: Se sabe que la probabilidad de curar la leucemia infantil es
de 1/3. Por lo tanto, la probabilidad de que no se cure la enfermedad
ser de:

1 1 / 3 = 2 /3
2. Probabi l idad del suceso imposi ble es cero.

Ejemplo. Consi deramos el experimento de lanzar un dado.
La probabi l idad de obtener 9 en una cara es i gual a cero.
3. La probabi l idad de l a unin de dos sucesos es la suma de
sus probabi l idades restndole la probabi l idad de su
i nterseccin.

Ejemplo. En una poblacin el 4% de las personas son daltnicas, el
18% hipertensas y el 0.5% daltnicas e hipertensas. Cul es la
probabilidad de que una persona sea daltnica o hipertensa?

= {Daltnico}, B = {Hipertenso}

Estadstica Pgina 15

4. Si un suceso est i ncl uido en otro, su probabil i dad es
menor o i gual a la de ste.

Ejemplo. En el experimento anterior, sea A el suceso obtener un nmero
mayor que 4, y B obtener un nmero mayor que 2

5.

Ejemplo. En el experimento anterior, sea A el suceso obtener un
nmero menor que 5 y B el suceso obtener un numero par

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

Estadstica Pgina 16

6. Si el espacio muestral E es fi nito y un suceso es S = {x
1
, x
2
,
..., x
n
} entonces:


Estadstica Pgina 17

CAPITULO 3


Estadstica Pgina 18

AXIOMAS O LEYES

Propiedades de las operaciones
Conmutativa: A B = B A y A B = B A
Distributiva: A (B C) = (A B) (A C) y A (B C) = (A B) (A
C)
A suceso se verifica: A E = E y A = A
A suceso se verifica: A E = A y A =
A suceso se verifica: A Ac = E y A Ac =
El contrario del contrario de un suceso es el mismo suceso: (Ac)c = A
Idempotencia: A A = A A = A
Absorcion: A (A B) = A (A B) = A

Leyes de Morgan
1. El contrario de la unin de dos sucesos es igual a la interseccin de los
contrarios. (A B)c = Ac Bc
2. El contrario de la interseccin de dos sucesos es igual a la unin de los
contrarios. (A B)c = Ac Bc

lgebra de sucesos
Definicin: Consideremos un subconjunto del espacio de sucesos, S P(E),
con las operaciones unin,
Interseccin y contrario, diremos que es un algebra de sucesos si verifica los
axiomas:
Axioma 1 S 6= . Debe tener, al menos, un suceso.
Axioma 2 A, B S entonces A B S
Axioma 3 A S entonces Ac S
Si el espacio muestral es infinito, el axioma 2, se debe generalizar para infinitos
sucesos:


Estadstica Pgina 19

Consecuencias de la definicin
1. Si A,B S entonces A B S

Demostracin

Aplicando las leyes de Morgan:

2. Si A,B S entonces A \ B S

Demostracin

Por definicin:

3. S. El suceso imposible pertenece al algebra de sucesos.

Demostracin:

4. E S. El suceso seguro pertenece al algebra de sucesos.

Demostracin:
Es trivial aplicando la propiedad anterior y el axioma 3.


Estadstica Pgina 20

Espacio probabilstico
En los experimentos aleatorios donde el espacio muestral es finito,
consideraremos, sin perder rigor, que S = P(E).

Definicin axiomtica de la probabilidad

Definicin: Sea E un espacio muestral finito y S un algebra de sucesos. Se
llama probabilidad a una
Aplicacin:

P: S@ >> > R
Verificando los siguientes axiomas de definicin:
Axioma 1 A S su P(A) 0.
Axioma 2 A,B S y A B = entonces P(A B) = P(A) + P(B)
Axioma 3 El suceso seguro tiene de probabilidad uno: P(E) = 1.
El Axioma 2, se puede generalizar a n-sucesos incompatibles dos a dos:
Sean A1,A2, ,An S incompatibles dos a dos, Ai Aj = si i 6= j
entonces:

La definicin axiomtica es debida al matemtico ruso Kolmogoroff.
Consecuencias de la definicin
1. Si A S entonces P (Ac) = 1 P(A).
Demostracin
Aplicando las propiedades de las operaciones con sucesos:


Estadstica Pgina 21

Por lo tanto:

2. La probabilidad del suceso imposible es cero: P() = 0
Demostracin:

P () = 1 P(c) = 1 P(E) = 1 1 = 0

3. P(A \ B) = P(A) P(A B)

Demostracin:

4. Si B A entonces P(B) P(A)

Demostracin
Si B A entonces B A = B por lo tanto:

Consecuencia inmediata de las dos ultimas propiedades:
0 P(A) 1 A S


Estadstica Pgina 22

La demostracin es inmediata.
5. Generalizacin del Axioma 2:

A,B S entonces P(A B) = P(A) + P(B) P(A B)

Espacio probabilstico

Definicin A la terna (E, S, P) formada por el espacio muestral, el algebra de
sucesos y la funcin

Probabilidad definida sobre S, recibe el nombre de espacio probabilstico.

Espacio finito de probabilidad

Sea E un espacio muestral finito asociado a un determinado experimento
aleatorio.

E = {a1, a2, a3, , an, }, cada comportamiento elemental es un suceso.

Un espacio finito de probabilidad se obtiene al asignar a cada suceso ai E un
nmero real pi, llamado probabilidad de ai que verifica:


Estadstica Pgina 23

Estas dos condiciones son equivalentes a los axiomas de definicin de
probabilidad.
Ejemplo
Consideremos el experimento aleatorio lanzar un dado. El espacio muestral es
finito E= {1, 2, 3, 4, 5, 6}. Es Posible que las probabilidades de obtener las
caras del dado sean las siguientes?

P(1) = 0, 1 P(2) = 0, 3 P(3) = 0, 1 P(4) = 0, 2 P(5) = 0, 3 P(6) = 0, 1
Es evidente que se trata de un espacio finito de probabilidad, por lo tanto debe
verificar las dos condiciones:

pi 0 ai E . Efectivamente todas las probabilidades son positivas.

Por lo tanto no es un espacio finito de probabilidad.
Ejemplo
En una competicin de tenis hay cuatro jugadores A,B,C,D las probabilidades
de ganar el torneo son las siguientes:
El jugador A tiene el doble de probabilidad que el B.
El jugador B tiene el triple de probabilidad que el C.
El jugador C tiene la mitad de probabilidad que el D.
1. Hallar las probabilidades que tienen de ganar cada uno de los jugadores.
2. Hallar la probabilidad que el torneo lo gane el jugador A o el B.


Estadstica Pgina 24

Determinacin de la probabilidad

La definicin axiomtica de la probabilidad resuelve el concepto matemtico.
En la parte prctica debemos Determinar la probabilidad de un suceso
cuantitativamente.
Regla de Laplace
La probabilidad de un suceso es el cociente entre los casos favorables y el
numero de casos posibles.

p(A) = Nmero de casos favorables
Nmero de casos posibles

Para poder aplicar la definicin de Laplace todos los sucesos deben ser
equiprobables. No es vlida la definicin en el caso de sucesos compuestos.
En la prctica se usa la definicin de Laplace siempre que sean equiprobables.

Concepcin frecuencial u objetivista. Definicin de Von Misses

Definicin: Se llama frecuencia absoluta de un suceso al nmero n de veces
que se verifica en n pruebas.

Definicin: Se llama frecuencia relativa de un suceso A al cociente entre la
frecuencia absoluta y el nmero de veces que se realiza el experimento.


Estadstica Pgina 25

Verifica los axiomas de la definicin axiomtica de probabilidad.
Definicin: Se llama probabilidad de un suceso A al lmite de la frecuencia
relativa cuando el nmero de pruebas efectuadas tiende a infinito.

Para poder aplicar esta definicin el experimento debe realizarse un gran
nmero de veces para obtener, aproximadamente, la probabilidad del suceso.
Con la ayuda de un ordenador se pueden efectuar simulaciones de
experimentos aleatorios y calcular su probabilidad por la definicin de Von
Misses.
Probabilidad condicionada. Teorema de Bayes

Probabilidad condicionada
La probabilidad condicionada aparece cuando la realizacin de un suceso
depende de la realizacin de otro suceso.
Ejemplo
Se extrae una carta de una baraja y se deposita en la mesa. Hallar la
probabilidad que al extraer una nueva carta esta sea una espada. La
realizacin del segundo suceso est condicionada por el suceso si en la
primera extraccin ha salido o no, una espada.
Vamos a considerar un espacio probabilstico: (E, S, P)

Definicin Sean dos sucesos A y B con P(B) > 0, llamamos probabilidad de A
condicionada al suceso B y lo escribiremos P (A|B) al cociente entre la
probabilidad de la interseccin de A y B y la probabilidad del suceso B.


Estadstica Pgina 26

Axioma 1: A S su P(A|B) 0.

En efecto: P(A B) 0 por definicin de probabilidad.

P(B) > 0 por hiptesis.

Por lo tanto P(A|B) =

Axioma 2: A1,A2 S y A1 A2 = entonces P((A1 A2)|B) = P(A1|B) +
P(A2|B)
En efecto:


Estadstica Pgina 27

Axioma 3: El suceso seguro tiene de probabilidad uno: P(E|B) = 1.
En efecto:

El Ax.2 se generaliza para n sucesos: Sean A1, A2, , An sucesos
incompatibles dos a dos entonces:

Consecuencia
Por definicin:

Si P(A) > 0 entonces:

Por lo tanto:


Estadstica Pgina 28

Teorema De la multiplicacin para la probabilidad condicionada:
Generalizando por induccin el resultado anterior obtendramos:
Dados A1,A2, ...,An un conjunto de sucesos, entonces: P(A1 A2
An) = P(A1) P(A2|A1) P(A3|A1 A2) P(A4|A1 A2 A3)
P(An|A1 A2 ...An1)
Definicin: A un proceso en el que tengamos una sucesin finita de
experimentos, en los cuales cada experimento tenga un nmero finito de
resultados se le denomina proceso estocstico finito que se resuelve mediante
diagramas en rbol y como aplicacin del teorema anterior.

Sucesos independientes
Definicin Dos sucesos A y B son independientes si P (A|B) = P(A) o P(B|A) =
P(B).

Teorema de Bayes
Teorema de la probabilidad total
Definicin Una familia de sucesos A1,A2, ,An del espacio E es un
sistema completo de sucesos si verifican:
1. La unin de todos los sucesos es el espacio muestral:

2. Son incompatibles dos a dos

Ai Aj = i 6= j

3. Tiene probabilidad estrictamente positiva:

P(Ai) > 0 i = 1, , n

Estadstica Pgina 29

Teorema de la probabilidad total
Teorema Sea un espacio completo de sucesos entonces la probabilidad de un
suceso B, que puede tener lugar simultneamente con uno o ms de los
sucesos Ai es igual:

Demostracin
El suceso B = B E y los sucesos B Ai y B Aj son incompatibles siempre
que
6j.
En efecto:


Estadstica Pgina 30

Los sucesos Ai son las causas o condiciones.
Las P(Ai) son las probabilidades a priori de las causas.
Las P(B|Ai) es la probabilidad que se verifique el suceso B si ha ocurrido Ai.
Las P(Ai|B) son las probabilidades a posteriori de las causas una vez que se
ha efectuado el suceso B

Teorema de Bayes
Con las mismas hiptesis del teorema de la probabilidad total.
Teorema Las probabilidades a posteriori de los sucesos Ak una vez efectuado
el suceso B son iguales a:

Figura: Teorema de Bayes
Demostracin
Es una consecuencia inmediata de la definicin de probabilidad condicionada y
del teorema de la probabilidad total.


Estadstica Pgina 31

El teorema de Bayes se aplica cuando se quiere determinar en qu medida la
realizacin del suceso B, confirma o rechaza, ciertas hiptesis.
Ejemplo
Un psiclogo industrial conoce, por experiencias anteriores, que el 90% de las
personas que inician un determinado entrenamiento tcnico terminan con xito.
La proporcin de personas en entrenamiento y con experiencia previa es del
10% de entre las personas que completaron con exito su entrenamiento y del
25% de entre aquellos que no terminaron con xito el entrenamiento.

1. Probabilidad de que una persona con experiencia anterior supere el
entrenamiento con xito.
2. La experiencia previa influye en el xito del entrenamiento?
Sean los sucesos:
A: Una persona supera con xito el entrenamiento.
Ac: Una persona no supera con xito el entrenamiento.
B: Una persona posee experiencia previa.
Las probabilidades de los sucesos son:

P(A) = 0, 9 P(Ac) = 0, 1 P(B|A) = 0, 1 P(B|Ac) = 0, 25

1. Es una probabilidad a posteriori, aplicando el teorema de Bayes:

Es decir un 78%

2. La P(A) > P(A|B) por lo tanto el tener experiencia previa no influye en el
xito del entrenamiento.


Estadstica Pgina 32

Una ley de probabilidad , o distribucin de probabilidad, es una funcin que
a un evento asocia un nmero , su probabilidad. Este nmero traduce
la oportunidad que tiene el evento de producirse. La forma ms intuitiva de
definir una tal funcin es repetir el experimento aleatorio y asociar a cada
evento su frecuencia experimental. . Si es el nmero de
experimentos, el nmero de veces que se produce el evento , la
frecuencia experimental de es la razn . Aqu tenemos, como
ejemplo, repeticiones de un experimento cuyas eventualidades son
0, y .

En este ejemplo la frecuencia experimental de {0} es 8/20 , la de
{1,2} es 12/20. El inconveniente es que la frecuencia experimental cambiar si
rehacemos los experimentos. En otras palabras el conjunto de
las repeticiones constituye un nuevo experimento aleatorio. Sin embargo
todos tenemos en nuestra mente una idea de la Ley de los Grandes
Nmeros segn la cual las frecuencias experimentales varan poco cuando el
nmero de repeticiones es grande. Veamos cuatro clculos sucesivos de la
frecuencia experimental de {0} , en repeticiones del mismo
experimento anterior.

Las propiedades que esperamos de una ley de probabilidad son las mismas
que las de las frecuencias experimentales. Las consideraremos como los
axiomas de la definicin.
A1
Para todo evento , .
A2
La probabilidad del evento cierto es : .
A3
Si es una sucesin de eventos disjuntos dos a dos ( y
no pueden suceder a la vez si ), entonces:


Estadstica Pgina 33

Una consecuencia inmediata de los axiomas A2 y A3 es la relacin entre la
probabilidad de un evento y la de su opuesto, denotado .

Una ley de probabilidad es creciente por inclusin, segn A1 y A3: si ,
entonces .

AXIOMAS DE KOLMOGROV
Dado un conjunto de sucesos elementales, , sobre el que se ha definida una
-lgebra (lase sigma-lgebra) de subconjuntos de y una funcin P que
asigna valores reales a los miembros de , a los que denominamos "sucesos",
se dice que P es una probabilidad sobre (,) si se cumplen los siguientes
tres axiomas.
Primer axioma
La probabilidad de un suceso A es un nmero real mayor o igual que 0.
P(A) 0
Segundo axioma
La probabilidad del total, es igual a 1, es decir,
P () = 1
Tenemos un resultado de x1
Tercer axioma
Si A
1
, A
2
, son sucesos mutuamente excluyentes (incompatibles dos a dos,
disjuntos o de interseccin vaca dos a dos), entonces:
P (A
1
U A
2
U) = ()
Segn este axioma se puede calcular la probabilidad de un suceso compuesto
de varias alternativas mutuamente excluyentes sumando las probabilidades de
sus componentes.
En trminos ms formales, una probabilidad es una medida sobre una -
lgebra de subconjuntos del espacio muestral, siendo los subconjuntos
miembros de la -lgebra los sucesos y definida de tal manera que la medida
del total sea 1. Tal medida, gracias a su definicin matemtica, verifica
igualmente los tres axiomas de Kolmogrov. A la terna formada por el espacio

Estadstica Pgina 34

muestral, la -lgebra y la funcin de probabilidad se la denomina Espacio
probabilstico, esto es, un "espacio de sucesos" (el espacio muestral) en el que
se han definido los posibles sucesos a considerar (la -lgebra) y la
probabilidad de cada suceso (la funcin de probabilidad).


Estadstica Pgina 35

CAPITULO 4


Estadstica Pgina 36

LGEBRA DE PROBABILIDADES

CONJ UNTO: Un conjunto es una coleccin de objetos bien claros y
definidos, los cuales tienen una caracterstica en comn. A los objetos
se les llama elementos del conjunto.
Ejemplos:
- El conjunto de los das de la semana, los que representaremos por la
letra S: S={Domingo, Lunes, Martes, Mircoles, Jueves, Viernes,
Sbado}
- El conjunto de nmeros de dgitos representados por D:
D={0 ,1 ,2 ,3 ,4 ,5 ,6 ,7 ,8 ,9 }

LEYES DE ALGEBRA DE SUCESOS:

x AB es el uso que se verifica si y slo si se
(A, B) AB verifica uno de los dos

x AB es el suceso que se verifica cuando se
(A, B) AB verifican a la vez

A
c
, complementario de A, es el suceso que se
A A
c
verifica cuando no se verifica A

Como las definiciones de unin, interseccin y complementacin de
sucesos son idnticas a las de los conjuntos, estas operaciones para
sucesos cumplen las mismas propiedades que para los conjuntos.


Estadstica Pgina 37

Un conjunto dotado con dos leyes de composicin (operaciones) que
cumple la conmutatividad, distributividad, existencia de elemento neutro
y existencia de complementario, se llama lgebra de Boole.
As pues, ( ; , ) es un lgebra de Boole.
Dos sucesos se dicen incompatibles si A B =.
Un sistema completo de sucesos son n sucesos A, A,..., A que verifican
las dos siguientes condiciones A A... A = E A A =, i, j = 1, 2, ..., n,
para i j.
Ejemplos:
- Conmutativa: AB = BA AB = BA
- Asociativa: A(BC) = (AB) C A(BC) = (AB) C
- Idempotente: AA = A AA = A
- Simplificacin: A(AB) = AB A(AB) = AB
- Distributiva: A(BC) = (AB) (AC)
A(BC) = (AB) (AC)
- Existencia de elemento neutro: A = A AE = A
- Absorcin: AE = E A =
- Complementacin: E
C
=
C
= E
- Involucin: (A
C
)
C
= A
- Leyes de Morgan: (AB)
C
= A
C
B
C
(AB)
C
= A
C
B
C

La distribucin de los tipos de sangre en un pas entre los individuos de raza blanca es
aproximadamente la siguiente:

Tras un accidente de automvil, un individuo de raza blanca es conducido a una clnica de
urgencia. Se le hace un anlisis de sangre para establecer el grupo al que pertenece. Cul es la
probabilidad de que sea del tipo A, o B o AB?

Hay una probabilidad de 0.55 de que el paciente tenga uno de los tres grupos sanguneos
mencionados.

Estadstica Pgina 38

ALGEBRA DE PROBABILIDADES

Si A y B son eventos de un cierto espacio de probabilidad y, la probabilidad
condicional de A dado B est definida por

(
)
( )
()

Y se lee la probabilidad de A dado B. El evento B es el evento condicionante y
A es el evento condicionado.
Si tomamos en cuenta los eventos complementarios de A y B dados por
respectivamente, y sin olvidar que los denominadores se suponen diferentes de
cero, todas las relaciones de probabilidad condicional que se pueden
establecer son las siguientes:

(
)
()
()
(
)
()
()

(
)
()
()
(
)
()
()

(
)
()
()
(
)
()
()

(
)
()
()
(
)
()
()

En una universidad el de los alumnos habla ingls, el francs y el los dos
idiomas Cul es la probabilidad de encontrar alumnos que hablen alguna lengua extranjera?
Solucin:
Sea A el suceso hablar ingls: .
Sea B el suceso hablar francs: .
El suceso hablar francs e ingls es : .
As:


Estadstica Pgina 39

Las 8 relaciones anteriores dan cuenta de cualquier problema de probabilidad
condicional asociado a dos eventos bsicos y sus complementos. Ahora bien,
si identificamos las probabilidades de la forma (
) como condicionales, las

de la forma ( ) como intersecciones y las de la forma () como
marginales tenemos que toda la informacin que puede presentarse en este
tipo de problemas de probabilidad condicional es: 8 condicionales, 4
intersecciones y 4 marginales. Es decir, todo el conocimiento posible lo
constituyen 16 elementos. Como obviamente un problema no puede contener
toda la informacin, la pregunta que surge es la siguiente: cul es el nmero
mnimo de elementos que debe poseer un problema de probabilidad
condicional para que se puedan encontrar los dems? O en otras palabras, si
decimos que un problema de probabilidad condicional se resuelve
completamente cuando se obtienen todos los 16 elementos, cul es el
nmero mnimo de elementos que debe suministrar el problema para ser
resuelto completamente? y cules pueden ser esos elementos? Para
responder estas preguntas, es necesario recordar algunas relaciones bsicas
de la teora de probabilidades que son satisfechas entre algunos de los
elementos mencionados

() () ()
() ( ) ( ) ()
(
) (
) ()

Y que tomamos como base para algunas definiciones que son importantes en
la solucin de los diferentes tipos de problemas tal como veremos ms
adelante:

Dos marginales, dos intersecciones y dos condicionales que satisfacen (2) (3)
y (4) respectivamente, decimos que son complementarias.
Una marginal y una interseccin (o dos) que satisfacen (3) decimos que estn
asociadas.
Una condicional est asociada a una marginal cuando su evento
condicionante es la marginal considerada.
Una condicional est asociada a dos intersecciones cuando stas a su vez
estn asociadas y la marginal correspondiente es el evento condicionante de la
condicional.

Para responder la primera pregunta obsrvese que:

Por la igualdad (2), para obtener las cuatro marginales slo se requieren dos
de ellas no complementarias.

Estadstica Pgina 40

Por la igualdad (3), dos marginales no complementarias y las cuatro
intersecciones se reducen a dos marginales no complementarias y una
interseccin, o a dos intersecciones y una marginal no asociadas, o a tres
intersecciones.
Por la igualdad (4) para obtener las ocho marginales slo se requieren cuatro
que no sean complementarias.
Adems, con la igualdad (1) se pueden obtener todas las condicionales si se
conocen los elementos necesarios de intersecciones y marginales.

De esta forma podemos ya afirmar que, cuando se tienen 3 elementos tomados
adecuadamente de las intersecciones y de las marginales, se puede resolver
totalmente un problema de probabilidad condicional. Sin embargo, queda
pendiente la solucin de problemas que suministren informacin de las
condicionales: Si slo se posee informacin sobre condicionales se puede
resolver el problema? Cunto condicionales mnimos se requieren para
resolver completamente un problema de probabilidad condicional? Si el
problema incluye informacin sobre marginales, intersecciones y condicionales,
cul es el nmero mnimo de elementos que se requieren y cules? Para
responder estas preguntas tomamos un grupo de elementos constituido por
dos marginales no complementarias, una interseccin y 4 condicionales no
complementarias.

Dos marginales no complementarias
() ()

Una interseccin:
( )

Cuatro condicionales no complementarias:
() (
) (
) (
)

Utilizando las igualdades (1), (2), (3) y (4) se encuentra que estos elementos
satisfacen el siguiente sistema de 4 ecuaciones con 7 incgnitas, que, como
son probabilidades, toman valores entre 0 y 1

Z
1
X
1
= Y
Z
2
(1-X
2
) = X
1
Y
1
(5)
Z
3
X
1
= y
Z
4
(1-X
1
) = X
2
Y


Estadstica Pgina 41

En caso de elegir otro de los grupos de siete variables que incluyan las cuatro
condicionales, el sistema de ecuaciones asociado es equivalente al sistema (5)
del cual se puede obtener con adecuados cambios de variables. El sistema
anterior permite ver que el nmero mnimo de elementos necesarios y
suficientes para resolver completamente un problema de probabilidad
condicional se reduce a 3 elementos no complementarios. Precisamente la
escogencia de estos tres elementos permite obtener no solamente los diversos
tipos de problemas de probabilidad condicional que se pueden plantear, sino
que tambin permite realizar una clasificacin de su nivel de dificultad tal como
mostramos en el apartado 5 ms adelante

Un rpido conteo produce la siguiente clasificacin, donde cada caso se
identifica con la informacin que suministra
1) Tres intersecciones.
2) Dos intersecciones y una marginal.
3) Dos marginales y una interseccin.
4) Dos marginales y una condicional.
5) Dos intersecciones y una condicional.
6) Una interseccin, una marginal y una condicional.
7) Una marginal y dos condicionales.
8) Una interseccin y dos condicionales.
9) Tres condicionales
Si bien es cierto que cualquiera de estos problemas se puede resolver
utilizando el sistema de ecuaciones (5), la idea es analizar si las tablas y los
rboles permiten su solucin y de qu forma. Esto nos puede conducir a poner
en prctica una estrategia didctica para la enseanza de estos temas con un
mejor conocimiento de causa y aprovechando la agilidad que brindan estos
registros comparados con el registro algebraico.

Sea un conjunto. Deniremos el conjunto partes de , por: P () = {A: A
}.
Dado un conjunto A, denotaremos por A
c
el complemento de A.

Denicin 1.1 Sea una familia A de subconjuntos de , es decir A P ().Se
dice que A es una -lgebra sobre si satisface las siguientes propiedades.
A
1
. A.
A
2
. Dado A A se tiene A
c
A.
A
3
. Sea A
1
,...,A
n
,... una sucesin de elementos de A. Entonces

Propiedades de lgebras
Propiedad 1.1 A.

Estadstica Pgina 42

Demostracin. Resulta de A
1
y A
2
.

Propiedad 1.2 Si A
1
,..., A
n
son elementos de A entonces

Demostracin.
Para ver esto supongamos que A
i
A; i = 1,2,..., n. Probaremos que

Denamos una sucesin numerable (Bi)
i1
agregando el conjunto de la
siguiente manera
Bj = Aj, 1 j n,
Bk = si k > n.

Entonces por ser A una -lgebra se tendr que

B
i
A y por lo tanto

Propiedad 1.3
Si A es una -lgebra, y A
1
,..., A
n
,... es una sucesin de elementos de A
entonces

Demostracin. Esto resulta de que

Estadstica Pgina 43

(

Propiedad 1.4 Si A es una -lgebra, y A
1
, ..., A
n
son elementos de A
entonces :

Demostracin. Se demuestra igual que la Propiedad 1.2. 2

Propiedad 1.5 Si A es una -lgebra, y A
1
y A
2
son elementos de A,
entonces A
1
A
2
A.

Demostracin. En efecto A
1
A
2
= A1 A
2
c
E A

Propiedad 1.6 La lgebra sobre ms chica posible es

A
0
= {,},

y la ms grande es
A
1
= P().

Luego si A es una -lgebra sobre , se tendr

A0 A A
1
.
Observacin. En el contexto de la teora de la medida, un elemento de la
lgebra A se llama un conjunto medible.


Estadstica Pgina 44

CAPITULO 5


Estadstica Pgina 45

BIBLIOGRAFA

1. Ernesto Mordecki, Probabilidad, 8 de junio de 2007.
2. W. Feller. Introduccin a la Teora de Probabilidad y sus Aplicaciones.
1978, Mxico, Limusa, Wiley.
3. http://www.vitutor.com/pro/2/a_8.html.
4. Murray R. Spiegel , Teora y problemas de probabilidad y Estadstica ,
Mc. GRAW HILL , Bogot Colombia , 1936.
5. Guillermo Gamarra, Jorge Berrospi F., Oscar Pujay C., Rudy Cuevas C.,
Estadstica e investigacin, San Marcos, Lima.
6. William Mendehall, Terry Sincig, Probabilidad estadstica, para ingeniera
y ciencias 4ta edicin, Mxico, 1997.
7. Jos Salinas Ortiz, Anlisis Estadstico para la toma de decisiones en
Administracin y Economa, Universal del Pacifico, Lima Per, 2001.
8. Jay L. Devore, Probabilidad y estadstica para ingeniera y ciencias,
quinta edicin, Thomnson Editores S.A., Mxico, 2001.
9. Sheldon M.Ross, Probabilidad y estadstica para ingenieros, 2 da
edicin, MC Graw Hill, Mxico, 2002.
10. Paulo Alonso Lpez, Probabilidad y estadstica, concepto, modelos y
aplicaciones en Excel, Prentice Hall, Colombia, 2000
11. Mario F. Triola, Estadstica, novena edicin
12. Estadstica I Probabilidad y distribucin Jos M. Casas Sanchez,
Editorial centreo de estudios Ramn Areces / S.A., Madrid, 2000


Estadstica Pgina 46

CAPITULO 6


Estadstica Pgina 47

EJEMPLOS DE GRUPO

1. Cul es la probabilidad de que un matrimonio tenga dos hijas
mujeres seguidas?
Solucin:
Evento favorable A: primer nacimiento sea mujer.
Evento favorable B: segundo nacimiento sea mujer.
Luego: P(A) =
= 0,50
P (B) =
= 0,50
Por lo tanto, para dos nacimientos se tiene:
P (AB) = (
) x (
)=
= 0., 25
P (AB) = 25%
2. De los pacientes del hospital Carrin, el 40% son varones y el 9%
padecen de gripe desde la infancia. Si se elige un paciente al azar, Cul
es la probabilidad de que padezca de gripe, dado que es varn?

Solucin:
Sean los eventos:
A: Pacientes varones.
B: Pacientes que padecen gripe.
AB: Pacientes varones que padecen gripe.
Segn los datos:
P(A) = 0,40
P (AB)= 0,09
El problema nos pide: P ( )=
()
()

P ( )=
=0.225

P ( )= 22,5%

Entonces la probabilidad de que un paciente padezca de gripe, dado que es
varn, es de 22,5%.


Estadstica Pgina 48

3. Las probabilidades que tienen Alejandro, Benito y Carlos de resolver un
mismo problema son:
respectivamente. Si intentan hacerlo los

tres, determinar la probabilidad de que se resuelva el problema.

Solucin:
Como P(A), P (B) y P(C) son las probabilidades de resolver el problema,
entonces P(A), P(B) Y P(C) sern las probabilidades de que no puedan
resolver el problema, luego:

P (A) = 1 - P (A)
P (A) = 1 P (A) P (A) = 1 -

P (B) = 1 - P (B) P (B) = 1 -

P (C) = 1 P(C) P (C) = 1

La probabilidad de que no puedan resolver el problema los tres juntos ser:
P (ABC) = P(A) x P(B) x P(C)
=

La probabilidad de que resuelvan los tres juntos:
P (Resuelvan los tres juntos) = 1 - P (ABC)
= 1 -
o 83, 33%
4. Al lanzar un dado que no est cargado una vez, Cul es la
probabilidad de obtener 1 o un nmero par?

Solucin:
Como los eventos son mutuamente excluyentes y el problema pide uno o un
nmero par:
Eventos favorables a A: Eventos favorables a B:

n(A)=1 n(B) = 3
P(A O B) = P(A) + P(B)
P(A O B) =

P(A O B) = 0,0667

Estadstica Pgina 49

5. Se tiene un juego de 50 cartas con las siguientes caractersticas:
25 son rojas y 25 son verdes
36 son numricas.
12 son letras.
Hay 4 grupos de letras (A-D).
Se tiene nmero de 1-9.
Tiene 2 comodines.
Cul es la probabilidad de obtener lo siguiente:
P (roja)
P (nmeros)
P (letra D)
P (comodn)
Solucin
P (R)
()

()

La probabilidad sera de un 50%
P (numrico)
()

()

()

P (D)

P (com):
P(com) :


Estadstica Pgina 50

6. Tres caballos A, B y C participan en una carrera. El suceso A vence a B
se designa por AB, el suceso A vence a B, el cual vence a C como ABC, y
as sucesivamente. Se sabe que P (AB) = 2=3, P (AC) = 2=3 y P (BC) =
1=2. Adems P (ABC) = P (ACB), P (BAC) = P (BCA) y P (CAB) = P (CBA).
Calcular P(A venza), P (B venza), P(C venza). Son AB, AC y CB
independientes?

Solucin
En este problema se asume que no existen los empates. Por ello, los sucesos
elementales son las permutaciones de las letras A; B y C, y un simple espacio
muestral es:

= {ABC; ACB; BAC; BCA; CAB; CBA} : || = 3! = 6
Dicho espacio tiene || = 3! = 6 elementos pero no es necesariamente
equiprobable. Adems:

AB = {ABC; ACB; CAB}
AC = {ABC; ACB; BAC}
BC = {ABC; BAC; BCA}

Denotemos las probabilidades de los sucesos elementales:

P ({ABC}) = P ({ACB}) = p
1
; P ({BAC}) = P ({BCA}) = p
2
; P ({CAB}) = P ({CBA}) = p
3
:

Y resolvamos:

P (AB) = 2/3 2.p
1
+ p3 = 2/3
P (AC) = 2/3 2.p
1
+ p2 = 2/3
P (BC) = 1/2 p
1
+ 2.p
2 =

Se obtiene as que p
1
= 5/18; p
2
= 1/9 y p
3
= 1/9. Por tanto, las probabilidades
que pide el problema son:

P(A venza) = P ({ABC}) + P ({ACB}) = 2.p
1
= 5/9
P(B venza) = P ({BAC}) + P ({BCA}) = 2p
2
= 2/9
P(C venza) = P ({CAB}) + P ({CBA}) = 2.p
3
= 2/9

Por ltimo, para ver si AB, AC y CB son independientes, calculemos:

P (ABAC) = P ({ABC; ACB}) = P ({ABC}) + P ({ACB}) = 5/9


Estadstica Pgina 51

P (AB). P (AC) =

Dado que P (AB AC) P (AB). P (AC), se concluye que no son
independientes.

7. En una clase infantil hay 6 nias y 10 nios. Si se escoge a 3 alumnos al
azar, halla la probabilidad de:
a) Seleccionar 3 nios.
b) Seleccionar 2 nios y una nia.
c) Seleccionar, al menos, un nio.

Solucin:
Este ejercicio es similar al anterior. Observemos el siguiente diagrama:


Estadstica Pgina 52

8. Si los sucesos A y B son independientes y compatibles, Cules de las
siguientes afirmaciones son ciertas?

a) P (A B) = P (B)
b) P (B A) = P (A) + P (B)
c) P(A /B) = P(A)
Solucin:
a) Como A y B son independientes P(A B) = P(A) P (B). Esta ltima
expresin solamente es igual a P (B) si P(A) = 1.

b) P (B A) = P (B) + P (A) P (B A). Si fuera cierta la afirmacin entonces
P(A) + P (B) = P (B) + P(A) P (B A) P (B A) = 0 B A = y esto es
imposible pues A y B son compatibles. As pues la afirmacin no es cierta.

c) (
)
(
)
()
[(
)()]
()
() y la afirmacin es cierta.
Obsrvese que (
) () () porque al ser A y B independientes

tambin lo son A y B

9. Cuntos nmeros de 4 dgitos se pueden formar con las cifras 0, 1,.
. . ,9?
1. Permitiendo repeticiones;
2. Sin repeticiones;
3. Si el ultimo digito ha de ser 0 y no se permiten repeticiones?
Solucin
Asumamos que para que un nmero sea de 4 dgitos su primer digito debe ser
distinto de cero.
1. Puesto que debe formarse un nmero de 4 dgitos, el primero de
estos no puede ser cero. Por lo tanto, hay nueve posibilidades para el
primer digito y diez para cada uno de los tres dgitos restantes,
obtenindose un total de 9 103 = 9000 nmeros posibles.
2. Al igual que en el apartado anterior, el primer digito no puede ser cero.
Como adems no se permiten repeticiones, hay nueve posibilidades para el
segundo digito: el cero y las ocho no escogidas para el primer digito. Por
tanto, se pueden formar 92 8 7 = 4536 nmeros.
3. Fijamos el ultimo digito y, como no puede haber repeticiones, se
obtiene un total de 9 8 7 1 = 504 nmeros.

Estadstica Pgina 53

10. Cuntas letras de 5 signos con 3 rayas y 2 puntos podra tener el
alfabeto Morse?
Solucin
Si se consideran como cinco smbolos diferentes entonces, dado que
importa el orden en que se coloquen y que han de distribuirse en cinco
posiciones, se tendra un total de P5 = 5! posibles ordenaciones. Pero,
dado que de los cinco elementos tan solo hay dos diferentes (rayas y
puntos) que se repiten 3 y 2 veces, respectivamente, dividiremos por las
posibles permutaciones de cada uno de ellos, obteniendo as un total de
C5,3 = 5!/ (3! 2!) = 5 4/2 = 10 letras. Ntese que este es el nmero de
posiciones (entre las cinco posibles) en que pueden ponerse las letras, y
adems coincide con el nmero de posiciones para los puntos (C5,2 ).
11. El gerente de un restaurante que slo da servicio mediante reservas sabe,
por experiencia, que el 20% de las personas que reservan una mesa no
asistirn. Si el restaurante acepta 25 reservas pero slo dispone de 20
mesas, Cul es la probabilidad de que a todas las personas que
asistan al restaurante se les asigne una mesa?

Solucin:
Representemos por la variable aleatoria la decisin de asistir ( = 0) o no (
= 1) finalmente al restaurante por parte de una persona que ha hecho una
reserva. Esta variable sigue una distribucin de Bernoulli de parmetro p =
0,2, de acuerdo con el enunciado del ejercicio. Suponiendo que las distintas
reservas son independientes entre s, se tiene que, de un total de n reservas
( 1. n), el nmero de ellas que acuden finalmente al restaurante es una
variable aleatoria Yn =
, con distribucin binomial de parmetros n y

p=0,2. En el caso particular del problema, n=25. Entonces, para aquellas
personas que asistan al restaurante de las 25 que han hecho la reserva
puedan disponer de una mesa, debe ocurrir que acudan 20 o menos. As se
tiene que:

12. Cuando se arrojan simultneamente 4 monedas:
a. Cules son los resultados posibles que se pueden obtener?
b. Cuntos casos hay en que salgan 2 caras y 2 cruces?

Solucin

Suponiendo que las monedas son iguales:

Estadstica Pgina 54

1. Dado que un mismo resultado individual (cara o cruz) puede obtenerse en
varias monedas a la vez, y que las monedas no pueden distinguirse entre s,
existen CR
2; 4
= 5 resultados posibles. Estos casos son: 4 caras y 0 cruces, 3
caras y 1 cruz, 2 caras y 2 cruces, 1 cara y 3 cruces, y 0 caras y 4
cruces.
2. Como las monedas se arrojan simultneamente, slo habr un caso posible
con 2 caras y 2 cruces.

Suponiendo que las monedas son distintas:
1. En este caso, puesto que se distinguen las monedas entre s y en una tirada
pueden haber varias con el mismo resultado individual, hay un total de V R
2;4
= 2
4
= 16 resultados posibles. Estos casos son: cara, cara, cara, cara, cara,
cara, cara, cruz, cara, cara, cruz, cara, cara, cara, cruz, cruz, etc.
2. Se calcula el nmero de combinaciones posibles de dos monedas distintas,
que supondremos sern las de resultado cara (siendo as las dos restantes
de resultado cruz), es decir, hay C
4; 2
= 6 resultados de dos caras y dos
cruces.

13. Si se extrae una carta de un paquete de 52 cartas de las cuales 26 son
negras (13 espadas A, 2, 3, , 10, J, Q, K; 13 son trboles); y 26 son rojas
(13 corazones y 13 diamantes), la probabilidad de que la carta sea un as
es porque el evento de "extraer un as" consta de 4 de los 52
resultados igualmente probables. La probabilidad de que la carta sea
negra es y la probabilidad de que sea un diamante es .

14. Al lanzar un dado, Cul es la probabilidad de obtener un nmero par?

Solucin:
S = {1, 2, 3, 4, 5, 6}, y hay tres pares, luego,

15. Cul es la probabilidad de que una familia que tiene tres hijos,
hayan dos nias y un nio, si se considera igualmente probable el
nacimiento de un nio o nia?

Solucin:
Usando "a" para nia y "o" para nio, el espacio muestra es:
S = {aaa, aao, aoa, aoo, oaa, oao, ooa, ooo} n(S) = 8
El evento A en que haya dos nias y un nio es

Estadstica Pgina 55

A = {aao, aoa, oaa,} n(A) = 3

Obsrvese que siempre 0 < P(A) < 1, puesto que 0 < n(A) < n(S).
16. Un dado de seis caras est trucado, de forma que la probabilidad de que
salga cada cara es proporcional al nmero de sta. Cul es la
probabilidad de sacar un 6?

Solucin:
En este caso, nos dicen que la probabilidad de que salga cada cara no es la
misma, por lo que no podemos aplicar directamente la regla de Laplace. Si
observamos el enunciado, nos dice que la probabilidad de que salga cada
cara es proporcional al nmero de sta, esto quiere decir, si decimos que la
probabilidad de que salga un 1 es k, que desconocemos, entonces:
P ({1})=k, P ({2})=2k, P ({3})=3k, P ({4})=4k,
P ({5})=5k, P ({6})=6k.
Ahora, como {1}, {2}, {3}, {4}, {5}, {6} forman un sistema completo de
sucesos, necesariamente
P ({1})+P ({2})+P ({3})+P ({4})+P ({5})+P ({6})=1
Por lo tanto,
k+2k+3k+4k+5k+6k=1
que es una ecuacin que ya sabemos resolver:
21k=1
por lo que
k=121
As pues, la probabilidad de sacar un 6 es P ({6})=6k=6121=621.
17.

Estadstica Pgina 56

18.

Estadstica Pgina 57

Estadística Grupal

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Estadística Grupal

Transféré par

Droits d'auteur :

Formats disponibles

Curso: Estadstica

resultados constituyen el suceso

) como condicionales, las

respectivamente. Si intentan hacerlo los

) () () porque al ser A y B independientes

, con distribucin binomial de parmetros n y

Vous aimerez peut-être aussi