CAPITULO 2

PROBABILIDADES
Para definir el trmino probabilidad es necesario definir algunos conceptos
previos:
Experimento: es un evento o suceso del cual es necesario determinar un posible
resultado y compararlo con algn valor esperado.
Experimentos deterministas: son aquellos en los cuales es posible predecir el
resultado sin necesidad de realizar el experimento. Por ejemplo:
La velocidad de un mvil que parti del reposo a los 10seg.
La concentracin del soluto en una mezcla.
La temperatura de equilibrio en un intercambiador de calor.
Experimentos no deterministicos: son aquellos en los cuales no es posible predecir
el resultado hasta realizar el experimento en s mismo.
La cantidad de valores defectuosos en un da de produccin.
Que se obtenga 30 en el lanzamiento de 5 dados.
La produccin en un elemento a en un mes.
Un evento o suceso es un conjunto del espacio muestral que contiene a
todos los posibles resultados del experimento al ser un subconjunto es posible
operar eventos o sucesos segn las operaciones entre conjuntos.
Unin de eventos
( ) () () ( )
Interseccin de eventos
( )
Diferencia
( ) () ( )
( ) () () ()
( ) ( ) ( ) ( )
En otras oportunidades los eventos son resultado de las posibles ordenaciones en
un conjunto de elementos que responden a una regla de ordenamiento.
Anlisis combinatorio:

()

Combinaciones:
(

()
Principio de la adicin y multiplicacin
En este sentido existen 3 formas de definir la probabilidad:
Definicin clsica o de la place: la probabilidad de un evento o suceso A, es la
razn de la cantidad de veces en las cuales es posible obtener A o la cantidad
de posibles resultados en el espacio muestral.
()

Definicin frecuencial: la probabilidad del evento A es la cantidad de veces que
se repite el evento sobre una cantidad total de opciones.
()

Definicin subjetiva: para todo evento A:
()
Si P(A)=0, el evento no ha sucedido o es un fracaso.
Si P(A)=1, el evento ha sucedido o ha sido un xito.
EJEMPLO:
Un experimento aleatorio consiste en disponer los dgitos 1, 2, 3, 4, 5, 6, 7, 8,9 uno a
continuacin del otro. Calcular la probabilidad que:
a) El 5 aparezca junto al 6 en ese orden.
b) El 5 aparezca junto al 6.
c) El nmero formado sea impar.
d) El nmero formado sea mayor a 600000000.
SIN REPETICION:

7 6 5 5 6 4 3 2 1

()

7 6 5 5 6 4 3 2 1

()

8 7 6 5 4 3 2 1 5

()

4 8 7 6 5 4 3 2 1

()

CON REPETICION

a)

()

b)

c)

d)

EJEMPLO:
Una compaa con ciertas sitas por computadora tiene en sus archivos los
nombres y direcciones de 200 chicas. De estas 200, un total de 35 miden 1,65
m o menos de estatura; 60 son rubias; 12 de las rubias miden 1,65 o menos.
Mario Tern enva su solicitud por correo, cual es la probabilidad que:
a) Reciba el nombre de una chica rubia.
b) Reciba el nombre de una chica rubia y que mida ms de 1,65m.
c) Reciba el nombre de una chica rubia o de una chica que mida menos de
1,65m.
d) Reciba el nombre de una chica no rubia o el de una chica con estatura
menor de 1,65.
Estatura menor o
igual a 1,65m
Estatura mayor a
1,65m
total
Rubia 12 48 60
No rubia 23 117 140
total 35 165 200

a) ()

b) ( )

c) ( )
()

( ) ( ) ( )

( )

d) ( )
()

( ) ( ) ( )

( )

Axiomas de probabilidad:
Las probabilidades responden a los siguientes axiomas:
i) P()=1
ii) P( )= P(A) + P(B) P(AB)
iii) P(

)= 1- P(A)
iv) ( ) () () () ( ) ( )
( ) ( )
EJEMPLOS:
En una zona de parqueo hay 10 lugares en fila, una persona deja estacionar su
vehculo en uno de estos lugares, que no es ninguno de los extremos. Regresar
encuentra que hay 4 vehculos estacionados incluyendo el suyo. Calcular la
probabilidad que los dos lugares vecinos al que ocupa su vehculo estn
desocupados.
x x

Una caja contiene 10 estampillas de 2 centavos, 5 estampillas de 15 centavos y 2
estampillas de 10 centavos. Se extraen aleatoriamente 6 estampillas; cual es la
probabilidad que su suma no exceda a 100 ctvs.
Un vendedor est tratando de vender artefactos de 3 clientes. Sea A, B Y C los
eventos de hacer una venta al 1ro, 2do, 3er cliente respectivamente. La
probabilidad que el 1er cliente o el 2do pero no el 3ro compraran es 0,65; la
probabilidad que el 1ro y 2do compraran es 0,20. La probabilidad de que venda
al 1ro pero no al 3ro es 0,25.
La probabilidad que ni el 1ro ni el 2do compraran es 0,25. La probabilidad que el
2do no compre pero el 3ro si es 0,30. Cul es la probabilidad que solo uno de los 2
primeros compren pero no el 3ro.

A= vende al 1er cliente.
B= vende al 2do cliente.
C= vende al 3er cliente.
,( ) -
( )
( )
(

)
(

)
,( ) - ( ) ()
() () ( ) ()
UTILIZAMOS
( )
() () ()
( ) () ()

ADEMAS
(

) ,( )

- ( )
1 () () ( )
() ()
POR ULTIMO P (2DO NO COMPRE PERO EL 3RO SI)
() ( )
() () ()
( ) , ( )-
( ) , ( )-
( ) ( ) () ( ) () ( ) () ()
() () ( ) () () ( )= ( ) ( )
()

( )
( )
ADEMAS ( )
( )
PERO ( )= () () ( )
( )= () () ( )
( )
( )
( )

( ) ( )
Probabilidad condicional: hasta el momento las probabilidades analizadas
estaban referidas a un espacio muestral.
La probabilidad condicional est sujeta a que otro evento B del mismo espacio
muestral ya ha sucedido, es decir.

Entonces .

/
Se define como: .

/
()
()

Tambin como: ( )

()

Teorema de la multiplicacin: de la probabilidad condicional
(

)
( )
()

( ) () (

)
rbol de probabilidades:
Si un espacio muestral n tiene A1, A2, A3,, Ak eventos independientes
( ) entonces se puede formar un rbol de probabilidades donde
la suma de todas las ramas en cada nivel debe ser 1.

la probabilidad de un evento en particular es el producto de todos las
ramas que conducen a ese evento.
Axiomas de probabilidad condicional:
i) .

/ .

/
ii) .

/ .

/
iii) .

/ .

/ .

/ .

/
EJEMPLO:
Suponga que 2 artefactos elctricos han sido incluidos en un embarque de 6
artefactos elctricos el departamento de recepcin de la compaa compradora
empieza a probar los 6 artefactos 1 a 1. Cul es la probabilidad que:
a) El ltimo artefacto defectuoso sea encontrado en la cuarta prueba.
b) A lo ms 4 artefactos necesitan probarse para localizar los 2 defectuosos.
{



Se recepciona y prueba uno a uno.
P (2do defectuoso 4ta prueba/ 1er defectuoso ya ha sido encontrado)

a) P(DNND)+P(NDND)+P(NNDD)=(2/6*4/5*3/4*1/3)+(4/6*2/5*3/4*1/3)+(4/6*3/5+2/
4*1/3)=3/15=1/5
b) P(DD)+P(DND)+P(NDD)+P(D)=2/6*1/5+2/6*4/5*1/4+4/6*2/5*1/4+1/5=3/15+3/
15=6/15=2/5
Teorema de la probabilidad total y Teorema De Bayes: Consideremos n un
espacio muestral particionando en b1, b2, b3,..bk eventos tales como (
) . Si se tiene un evento a comn a todas las particiones tenemos.

() ( )+ ( ) ( )+..+ ( )
De la probabilidad condicional:
(

)
( )
()

( ) () (

)
() () (

) () (

) () (

) ()
(

)
() () (

Si el evento A ha sido un xito entonces tambin se puede hallar la probabilidad
de que provenga de una particin en particular del espacio muestral.
(

) (

)
( )
()

(

)
( )
()

() .

/
() .

EJEMPLO:
El volumen de produccin diaria entre plantas diferentes de una fbrica, es de
5000 unidades en la 1ra, 10000 unidades en la 2da y 20000 unidades en la 3ra.
Sabiendo que l % de unidades defectuosas producidas en las 3 plantas es del
1.5%, 0.7% y 2.5% respectivamente, determinar la probabilidad que:
a) Extraigan 1 unidad al azar resulte no defectuosa.
b) Habindose extrado una unidad defectuosa se haya producido en la 3ra
o 2da planta.
Volumen de produccin
plantas En unidades % de defectuosos
P1 5000 1.5%
P2 10000 0.7%
P3 20000 2.3%
total 35000
A= la unidad seleccionada sea defectuosa.
P (

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

P (

) = 1- 0.018=0.981
B) .

/ .

/ .

/ .

/
(

)
() .

/ () .

/
()

(

)
Ejemplo:
En la 1ra urna contiene 10 bolillos 8 de las cuales son blancas; una 2da urna tiene
20 bolillos de las cuales 4 son blancas; de cada una se extrae una bolilla al azar,
de estas 2 bolillas se escoge al azar una de ellas. Hallar la probabilidad de que se
haya tomado una bolilla blanca.
B: bolilla elegida es blanca.

() (

) (

)
()
( )
()

( )
()

()

De una boletera de 3 caones se hizo una descarga, adems dos proyectiles
dieron en el blanco. Hallar la probabilidad de que el primer can haya hecho
impacto, si las probabilidades de impacto en el blanco de los 1ro, 2do y 3er
caones son respectivamente iguales a 0.4, 0.3 y 0.5.
B1=1er can que dio en el blanco; () (

)
B2= 2do can dio en el blanco; () (

)
B3= 3er can dio en el blanco; () (

)

A= 2 proyectiles dan en el blanco.
(

)
( )
()

(

)
() .

/
()

() ( ) (

)
() () (

) (

) (

)
(

) () (

) () (

)
.

/ 0.5*0.7=0.5
(

) () ()
()
(

CAPITULO 3
VARIABLE ALEATORIA UNIDIMENSIONAL
Introduccin: hasta el momento se han visto como hallar las probabilidades de
un cierto evento en particular del espacio muestral.
El objeto del captulo es buscar, encontrar un modelo para hallar las
probabilidades de una familia de eventos que responden a una cierta
caracterstica especfica.
Para poder generar este modelo es necesario delimitar una variable que
representa a los eventos del espacio muestral y que nos permiten generar luego
su probabilidad.
Variable aleatoria unidimensional: se define como una aplicacin de cada
evento del espacio muestral en un numero real x, donde x generalmente es
la caracterstica del evento o de la familia de eventos.

Por ejemplo en el lanzamiento de un dado podemos definir la variable aleatoria
x como la caracterstica de que se objeta un numero par.

EJEMPLO:
Una caja contiene 6 transistores de las cuales 2 son defectuosos. Los transistores se
prueban uno a uno hasta encontrar el 2do transistor defectuoso. Sea la variable x
el nmero de pruebas efectuadas.
a) Describir el dominio de x.
b) Describa el rango de la variable aleatoria x.
c) Cul es el evento equivalente en el espacio muestral para x=4 y x=3
X=# de pruebas hasta obtener el 2do defectuoso.

El evento A equivalente a x=3 y x=4
Si=x * +
Si x=4 * +
Se venden 1000 # (nmeros) de lotera para un sorteo en el que hay un premio
mayor de 500$, 4 premios de 100$ y 5 premios de 10$.
El numero cuesta un dlar. Si x es la variable aleatoria que representa el beneficio
neto al comprar un nmero. Hallar:
a) El dominio de x.
b) El rango de x.
c) La probabilidad de cada uno de los eventos del rango de x.
{




X: beneficio neto al comprar un nmero de lotera.

{




}
X= gana x= premio costo del boleto.
X=0-1=-1
X=500-1=499$
X=100-1=99$
X=10-1=9$
Por tanto:

*+
()

()

()

()

Clasificacin de la variable aleatoria: Se da por su valor:
Variable aleatoria discreta: cuando adquiere un nico valor dentro de un
intervalo

Variable aleatoria continua: cuando puede adquirir infinitos valores dentro del
intervalo

Funcin o ley de probabilidad: es aquella funcin de variable aleatoria que
asocia a todo valor x una probabilidad entre 0 y 1.

Equivalencia de eventos:
X= X (w) y P (X)= P
ENTONCES: P(X (w))= P (w)
Para variable aleatoria discreta la funcin o ley de probabilidad se denomina
funcin de cuanta.
Como P ()=1
P (w1 ) =1
()

Para variable aleatoria continua de la misma forma se debe verificar que:
(

) (

) (

) (

)
(

) (

) (

) (

)
Como Xi adquiere infinitos valores, entonces.
()

Donde () es la llamada funcin de densidad de probabilidad.
Las graficas de la funcin de cuanta y de la funcin de densidad corresponde a:


(

)
Funciones de distribucin o de probabilidad acumulada: una funcin de
distribucin o de probabilidad acumulada es aquella que acumula las
probabilidades menores e iguales al valor de variable aleatoria xi. Se simboliza
por ().
Para variable aleatoria discreta:
x

() (

) (

) (

) (

) (

) (

)
() (

) (

)
+ (

)
(

)
+ (

)+ (

)
(

)
+ (

)+ (

)
+
1


() ()

En variable aleatoria discreta se verifican los siguientes axiomas para la funcin de
distribucin.
i) ( ) ( )
ii) ( ) ( )
iii) ( ) ( ) ( )
iv) ( ) ( ) ( ) ( )
v) ( ) ( ) ( ) ( )
Para variable aleatoria continua:
() ()

i) ( ) ( )
i) ( ) ( ) ( )
ii) ( ) ( )
EJEMPLO:
Una urna contiene 1 ficha blanca y 2 negras, la urna 2: 3 fichas blancas y 2 negras
la urna 3: 2 fichas blancas y 3 negras.
Extraemos una ficha de cada una y llamamos x a la variable aleatoria que
representa el nmero de fichas blancas extradas. Determinar la funcin de
cuanta y la de distribucin con sus respectivas graficas.
X= variable aleatoria # de fichas blancas.
Sol.
Rx= (0, 1, 2, 3)
( )

( ) () () ()

( ) () () ()

( )

0 1 2 3
()

()

1


La funcin de densidad de la variable aleatoria x representa la resistencia al
corte de ensayos de un punto de soldadura que esta dado por.
()
{

Determinar el nmero a tal que ( ) y un numero b tal que
( ) .
Hallar:
a ( )
b ( )
Sol.
Funcin de distribucin para
()

Funcin de distribucin para
()

( )

( )

Funcin de distribucin acumulada
()

,
( )

()
{

( )

Para a ()

( )
Para b ( ) ( )
( ) ( )

( )

Despejando b
( )

Funciones de variable aleatoria: Si x es una variable aleatoria entonces es posible
determinar una nueva funcin de variable aleatoria y=H(x) tal que y es otra
caracterstica del espacio muestral en trminos de la primera caracterstica de x.

En consecuencia: X=x (w) y Y=H(x) Y=H(X(W)).
Los eventos son equivalentes en variable aleatoria x y y.
(

) (

) (

)
EJEMPLO:
Una variable aleatoria x representa el peso en onzas de un artculo y tiene la
siguiente funcin de densidad.
() {




El fabricante vende un artculo por un precio fijo de 2000 bolivianos. El garantiza el
reintegro del precio de venta a cualquier cliente que encuentre que el peso de su
artculo es inferior a 8.25 onzas.
El costo de produccin est relacionado al peso de artculos de acuerdo a la
siguiente expresin: 0.05x+0.30. Exprese la variable aleatoria utilidad en trminos
de la variable x y halle las funciones de distribucin para ambas variables.
X= peso en onzas de un articulo.
Precio de venta= 2000 Bs. reintegra si x 8.25 onzas.
Costo produccin 0.05X+0.30
UTILIDAD f(x)
Sol.
Denominamos Y= utilidad de un articulo vendido.
Y=P. venta costo Prod.
Y=2000-(0.05x+0.30)
Y=1999.7-0.05x

() {

Para ()
1ro) con
() ( )
( )

( )

2do) con
() ( ) ( )

( )

( )

() (

) (
( )

)
()
( )

()=
{

()

()

Esperanza matemtica: se define la esperanza matemtica de una variable
aleatoria x como la funcin definida por:
() ()

() ()

El valor promedio esperado es igual a la esperanza matemtica de la variable
aleatoria y corresponde de a la media poblacional con un margen de
certidumbre:
()
Propiedades:
i) ()
ii) () ()
iii) ( ) ()
iv) Si () () (())
v) (() ()) (()) (())
Varianza de variable aleatoria: se define como la esperanza matemtica del
cuadrado de la desviacin de la variable aleatoria respecto a la media
poblacional.
La varianza de variable aleatoria equivale a la varianza poblacional siempre y
cuando se realice una prueba de hiptesis.
() (( )

)
() ( )

()

() ( )

()

()

Como:
() (( )

)
() (

)
() (

) () (

)
() (

Media y moda de una variable aleatoria:
Consideramos que la media es el valor central de x que divide a la funcin de
distribucin en dos partes iguales:


(

)

Para la moda utilicemos la definicin que dice que es el valor que se repite ms
veces.
()

(

)
Percentiles en variable aleatoria: es posible encontrar el i-esimo percentil de
variable aleatoria mediante la probabilidad acumulada a ese percentil.
()

(

)

Momentos de variable aleatoria: se definen como esperanza matemtica de la
desviacin de la r-esima potencia de la variable aleatoria y el valor promedio
esperado.
() (( )

)
() ( )

()

() ( )

()

Coeficiente de asimetra y curtosis de variable aleatoria:
El coeficiente de asimetra se define como:

(( )

()

Si
Si la distribucin es simtrica.
Si
El coeficiente de curtosis se define como:

(( )

()

Si
Si
Si
EJEMPLO:
Un fabricante de televisores utiliza un cierto tipo de componente electrnico en el
montaje de televisores a color. Cada televisor requiere 6 de estos componentes.
Un componente defectuoso o puede ser detectado hasta que el televisor ha sido
totalmente montado. El costo, deteccin, reparacin y reposicin de un
componente defectuoso es de 15$. El fabricante a estado comprando estos
componentes en lotes de 100 a 2 diferentes proveedores. El costo de compra por
lote del proveedor A es 100$us en tanto que el costo de compra por lote al
proveedor B es 120$us.
Basadas en experiencias anteriores, las calidades comparadas de los lotes
comprados a los proveedores son las que se muestran en las siguientes tablas.
PROVEEDOR A:
Nmero
estimado de
defectuosos
1 2 3 4 5
probabilidad 0.3 0.25 0.2 0.15 0.10

PROVEEDOR B:
Nmero
estimado de
defectuosos
1 2 3
probabilidad 0.6 0.3 0.1

A qu proveedor debe comprar los componentes electrnicos?
Requerimiento 6 pzas/ televisor.
Costo de deteccin, reparacin y reposicin de un componente defectuoso es
de 15$.
Lotes de 100 unidades.
Costo compra por lote del proveedor A es 100$us.
Costo compra por lote del proveedor B es 120$us.
Hallamos el nmero esperado de defectuosos por lote:
A
1 2 3 4 5
() 0.3 0.25 0.20 0.15 0.10
() 0.3 0.5 0.6 0.6 0.5

() ()

()

Costo total= costo compra+ costo reposicin.
Costo total de A= 2*(100$us/100unid.)+2*15=32 $us/2 piezas defectuosas.
B
1 2 3
() 0.6 0.3 0.1
() 0.6 0.6 0.3

() ()

()

Costo total de B= 1*(120$us/100unid.)+1*15=26.20 $us/1 piezas defectuosa. (El de
mayor dispersin).
Hallando la desviacin estndar:
A
1 2 3 4 5
() 0.3 0.25 0.20 0.15 0.10

() 0.3 1 1.8 2.14 2.5

()
B
1 2 3
() 0.6 0.3 0.1

() 0.6 1.2 0.9

()
* +
* +
Se debe comprar del proveedor B.
Una estacin de gasolina recibe semanalmente su provisin. Estadsticas
anteriores sugieren que la distribucin de probabilidad de las ventas semanales x
medidas en miles de galones, est dada por la siguiente expresin:
() {
( )



a) Calcular el valor de la constante a tal que la anterior funcin sea de
densidad.
b) Halla la mediana, moda y varianza.
Sol.
()

( ) ( )

( )

) |

Evaluando.

* ()

+ * ()

() {
( )



Para x ,-
() ( )
( )

( )

Para x ,-
() ( ) ( )

( )

( )

,
( )

-
( )

()
{

( )

( )

(

)

( )

( )
()

(

)
()
{

( )

( )

()
()
( )

()
Para () ()

( )

( )

() (

)|

)|

) (

) (

) (

)
()

() ( )

) ()

( )

( )

)|

)|

) (

) (

) ( )

( )
Distribuciones discretas ms importantes:
De los muchos modelos que existen en distribuciones discretas los ms
importantes son:
Modelo de Bernoulli.
Modelo Binomial.
Modelo Geomtrico.
Modelo Hipergeometrico.
Modelo de Poisson.
Modelo de Bernoulli: Esta referido a todos aquellos eventos en los cuales solo
existe la probabilidad de xito y fracaso o cualquier evento que simplemente
tenga las 2 opciones (defectuosas y no defectuosas).



Sea x la variable aleatoria cuya funcin de cuanta es:
0 1
()
()

() ()

( )