Fase 3 Fundamentos de la probabilidad

Elaborado por:
Magda Ximena Sarmiento Gómez Cód. 35526940
Deisy Lorena Jiménez Acosta Cód. 1074418139
María Angélica Espitia Niño Cód: 1072638682
Ana Victoria Lagos Velásquez Cód: 52 753 829

Curso: 551113_1

Presentado a:
María Camila Gonzales

Universidad Nacional Abierta y a Distancia UNAD

CEAD José Acevedo & Gómez
Escuela de Ciencias de la Educación
24 de marzo de 2019
Parte A (Simulador)
Cada estudiante elige uno de los temas: presenta la definición y 3 ejemplos del concepto.

1. Random Experiments, a cargo de (Magda Ximena)

2. Events and Random a cargo de (Ana Victoria)
3. Probability Measures a cargo de (Deisy Jimenez)
4. Conditional Probability a cargo de (María Angélica)
5. Independence

Solución
Experimentos Aleatorios (Magda Ximena)
Capítulo 1: Probability spaces. Fundamentos de la probabilidad
Random Experiments
Un experimento aleatorio es aquel en el que no podemos predecir con certeza su
resultado final sin haber ejecutado antes dicha experimentación.
Es aquí donde se aplica la teoría de la probabilidad ya que así se realice indefinidamente
la acción la respuesta no será siempre la misma.
Un suceso aleatorio es un elemento del espacio muestral, es decir cada uno de los
posibles resultados de un experimento aleatorio es un suceso aleatorio, existen seis tipos
que son: seguro, imposible, dependiente, independiente, compatible e incompatible.
Este tipo de experimentos deben satisfacer los siguientes requerimientos
_ Puede repetirse un número ilimitado de veces, bajo las mismas condiciones.
_ Es posible conocer por adelantado todas las posibles opciones de resultados al que
pueden dar origen.
_ No puede predecirse con exactitud un resultado en una realización particular del
experimento.
Ejemplos:
a) Se desea formar un equipo de vóleibol de cinco jugadores, el nombre de los
seleccionados no se sabrá con certeza hasta que no se realicen las correspondientes
pruebas de rendimiento y se elijan a los cinco jugadores con mejor desempeño. Se puede
conocer la lista de jugadores, pero no la lista de seleccionados.
b) Dos equipos de baloncesto femenino, finalistas en un torneo regional deben jugar
una serie de tres partidos para determinar cuál es el campeón de este año.
c) Un científico tiene que probar un nuevo medicamento para saber si este genera o
no reacción alérgica.
d) Jugar la lotería y apuntar al número ganador.

2. Events and Random Variables, encargado (Ana Victoria)

Eventos y variables aleatorias; consiste en una o más mediciones reales
Y por lo tanto la S consta de todas las mediciones posibles.
Una variable aleatoria es una medida o cantidad que varía en función del resultado
concreto ei, que se observa al realizar el experimento aleatorio. La v.a. se denota con
letras mayúsculas, mientras que las letras minúsculas indican el valor concreto que toma
la v.a. cuando se evalúa en un punto muestral.()
Hablemos un poco de las dos tipos de variables aleatorias de una forma general.
• Variables aleatorias discretas = si X toma valores sobre un conjunto S ⊆ R finito o
infinito numerable.
• Variables aleatorias continuas = Si X toma valores sobre un conjunto S ⊆ R infinito
no numerable.

Variables aleatorias Variables aleatorias

discretas continuas
Definición Si X toma valores sobre un Si X toma valores sobre un
conjunto S ⊆ R finito o conjunto S ⊆ R infinito no
infinito numerable. numerable.

Trabajan en función. Función de probabilidad Las probabilidades de una

Se define la función de variable aleatoria continua se
probabilidad de X o función calculan a partir de una
de masa de X como P(X = x) función f: R → [0, +∞)
 = pi , si x = xi ∈ S, 0, si x ∈/ denominada función de
S. densidad.
Función de distribución La Función de distribución Para
función de distribución o una v.a. continua X, la
Trabajan en función. función de probabilidad función de distribución se
acumulada de una variable define como la función F(x) =
aleatoria X es una aplicación P(X ≤ x) = P(X ∈ (−∞, x]) =
F : R → [0, 1], que a cada R x −∞ f (t) dt, para todo x ∈
valor x ∈ R le asigna la R. Igual que en el caso
probabilidad F(x) = P(X ≤ x) discreto, la función F(x) da
= P(X ∈ (−∞, x]). las probabilidades
F(x) está definida para todo x acumuladas hasta el punto x
∈ R y no sólo para los x ∈ S. ∈ R, pero ahora se trata de
una función continua y no de
tipo escalón.

Un evento es una declaración significativa sobre el experimento, es decir el conjunto de

resultados para los cuales la declaración es verdadera lo resumimos como s∈ S.
Si es un evento siempre ocurre. Se debe recordar que un conjunto vacío también es un
evento; por definición nunca ocurre.
El álgebra de los eventos nos permiten construir nuevos eventos a partir de eventos
dados: A⊆B si y sólo si la ocurrencia de A implícala ocurrencia de B.
Prueba:
A∪B es el evento que ocurre si y solo si A ocurre o B ocurre.
Prueba:
A∩B es el evento que ocurre si y solo si A ocurre y B ocurre.
Prueba:
A y B son disjuntos si y solo si se excluyen mutuamente; ambos no pueden ocurrir en la
misma ejecución del experimento.
Prueba:
Un c es el evento que ocurre si y sólo si A hace que nos e producen.
Prueba:
Un∖B es el evento que ocurre si y sólo si A se produce y B no ocurra.
Prueba:
(A∩Bc) ∪ (B∩Ac) es el evento que ocurre si y solo si ocurre uno pero no ambos eventos
dados.
Prueba:
Recordemos que el evento en (10) es la diferencia simétrica de A y B, y algunas veces se
denota AΔB. Este evento corresponde a exclusivo o, a diferencia de la unión
ordinaria A∪B que corresponde a inclusivo o.
(A∩B) ∪ (Ac∩Bc) es el evento que ocurre si, y solo si, ocurre uno o ambos eventos.
Prueba: (Siegrist, K. 2013)
Variable aleatoria
Es una medida de interés en el contexto del experimento. Se puede también una función
definida en el conjunto de resultados. Se indican generalmente con letras mayúsculas
cerca del final del alfabeto.
Una variable aleatoria define un nuevo experimento aleatorio con T como el nuevo
conjunto de resultados y subconjuntos de T como nueva colección de eventos XTT.
Ejemplos
1. Lanzar dos monedas y registra la secuencia de puntuaciones donde 1 indica caras y 0
indica cruz y se usa el ensayo de Bernoulli.
(La Distribución de Bernoulli Esta es la distribución más sencilla y corresponde a
una variable que toma sólo dos valores: 1 con probabilidad p y 0 con probabilidad q
= 1 − p. Si A es un evento y definimos la función indicadora de A por 1A (ω) = ( 1 si
ω ∈ A 0 si ω /∈ A.)
Y dar le conjunto de resultados en forma de lista. S
2. Lanzar dos dados y observar los resultados cuando para el dado a es igual a 3 y el
dado b es igual a 6 y registrar en forma; a∩ 𝑏 en forma de lista.
3. Se extraen 10 carta al azar, qué probabilidad hay de que dos sean diamantes.
 Eventos y variables aleatorias; consiste en una o más mediciones reales
Y por lo tanto la S consta de todas las mediciones posibles.
Una variable aleatoria es una medida o cantidad que varía en función del resultado
concreto ei, que se observa al realizar el experimento aleatorio. La v.a. se denota con
letras mayúsculas, mientras que las letras minúsculas indican el valor concreto que
toma la v.a. cuando se evalúa en un punto muestral.()

3. Probability Measures (Deisy jimenez)

Medida de Probabilidad
Para medir la incertidumbre existente en un experimento aleatorio1 dado, se parte de un
espacio muestral M en el que se incluyen todos los posibles resultados individuales del
experimento (sucesos elementales); es decir, el conjunto muestral es un conjunto
exhaustivo (contiene todas las posibles ocurrencias) y mutuamente exclusivo (no pueden
darse dos ocurrencias a la vez). Una vez definido el espacio muestral, el objetivo consiste
en asignar a todo suceso compuesto A ⊂ M un número real que mida el grado de
incertidumbre sobre su ocurrencia. Para obtener medidas con significado matemático claro
y practico, se imponen ciertas propiedades intuitivas que definen una clase de medidas que
se conocen como medidas de probabilidad.
Medida de Probabilidad. Una función p que proyecta los subconjuntos A ⊂ M en el
intervalo [0, 1] se llama medida de probabilidad si satisface los siguientes Axiomas

Axioma 1 (Normalización): p(M) = 1.

Un experimento se denomina aleatorio cuando puede dar resultados distintos al realizarse
en las mismas condiciones (por ejemplo, lanzar un dado al aire y observar el número
resultante).
Formalmente, una medida de probabilidad se define sobre una σ-´algebra del espacio
muestral, que es una colección de subconjuntos que es cerrada para los operadores de unión
A∪B y complementario A¯ = M\A (por tanto, también para intersecciones A∩B = A¯ ∪
B¯). Sin embargo, optamos por una definición menos rigurosa y más intuitiva para
introducir este concepto.

Axioma 2 (Aditiva): Para cualquier sucesión infinita, A1, A2, . . ., de subconjuntos

disjuntos de M, se cumple la igualdad
∞ ∞

𝑝 (⋃ 𝐴1 ) = ∑ 𝑝(𝐴1 )
𝑖=1 𝑖=1

El Axioma 1 establece que, independientemente de nuestro grado de certeza, ocurrir a un

elemento del espacio muestral M (es decir, el conjunto M es exhaustivo). El Axioma 2 es
una fórmula de agregación que se usa para calcular la probabilidad de la unión de
subconjuntos disjuntos. Establece que la incertidumbre de un cierto subconjunto es la suma
de las incertidumbres de sus partes (disjuntas). Nótese que esta propiedad también se
cumple para sucesiones finitas.
De los axiomas anteriores pueden deducirse propiedades muy interesantes de la
probabilidad. Por ejemplo:
 Complementariedad: La probabilidad de un suceso y la de su complementario
suman uno, p(A) + p(A¯) = 1.
 Normalización: La evidencia asociada a una ausencia completa de información es
cero, p(φ) = 0. Su demostración es sencilla: 1 = p(M) = p(M ∪ φ) = p(M) + p(φ) ⇒
p(φ) = 0.
 Acotación: La probabilidad de cualquier suceso es menor o igual que la unidad,
p(A) ≤ 1, para A ⊂ M. Mono tonicidad: La evidencia de la pertenencia de un
elemento a un conjunto debe ser al menos la evidencia de cualquiera de sus
subconjuntos. Si A ⊆ B ⊆ M, entonces p(A) ≤ p(B). p(B) = p((B∩A)∪(B\A)) =
p(A∪(B\A)) = p(A)+p(B\A) ≥ p(A).
 Inclusión -Exclusión: Dado cualquier par de subconjuntos A y B de M, se cumple
siempre la siguiente igualdad: p(A ∪ B) = p(A) + p(B) − p(A ∩ B). (1.2) Esta
propiedad establece que las probabilidades de los conjuntos A, B, A∩ B, y A ∪ B
no son independientes.
 Conditional Probability (Probabilidad Condicional). (María Angélica Espitia)

Dado un experimento aleatorio modelado por un espacio de probabilidad, se supone que

un evento B ha ocurrido y esta información debe alterar la probabilidad que se asigna a

otro evento.

Se llama probabilidad del suceso A condicionado a B y se representa por P (A/B) a la

probabilidad del suceso A una vez ha ocurrido el B.

La probabilidad condicional de A dado B se define como:

𝑃(𝐴 ∩ 𝐵)
𝑃(𝐴⁄𝐵 ) =
𝑃(𝐵)

Es muy importante no confundir la probabilidad de A dado B, P (A/B), con la

probabilidad de B dado A, P (B/A); cometer ese error se conoce como la falacia del

condicional transpuesto.

Ejemplos:

 Calcular la probabilidad de obtener un 6 al tirar un dado sabiendo que ha salido un

número par.

Sea A: Sale un número par.

Sea B: Obtener un 6.

𝑃(𝐴 ∩ 𝐵)
𝑃(𝐵 ∕ 𝐴) =
𝑃(𝐴)
1/6
𝑃(𝐵 ∕ 𝐴) =
3/6
1
𝑃(𝐵⁄𝐴) =
3
𝑷(𝑩⁄𝑨) = 𝟎, 𝟑𝟑
  En una clase hay 100 alumnos: 40 son hombres, 30 usan gafas y 15 son hombres

que usan gafas. Si se escoge un alumno que no usa gafas, ¿cuál es la probabilidad de

que sea hombre?

Sean, A: Es hombre y B: No usa gafas.

𝑃(𝐴 ∩ 𝐵)
𝑃(𝐴 ∕ 𝐵) =
𝑃(𝐵)
25/100
𝑃(𝐴 ∕ 𝐵) =
70/100
25 5
𝑃(𝐴⁄𝐵 ) = =
70 14
𝑷(𝑨⁄𝑩) = 𝟎, 𝟑𝟔

 En una ciudad el 40% de la población tiene cabello castaño, el 25% tiene ojos

castaños y el 15% tiene los ojos y el cabello castaño. Si se elige una persona de

cabello castaño, ¿qué probabilidad existe de que tenga los ojos castaños?

Sean, A: Tiene ojos castaños y B: Tiene cabello castaño.

𝑃(𝐴 ∩ 𝐵)
𝑃(𝐴 ∕ 𝐵) =
𝑃(𝐵)
15
𝑃(𝐴 ∕ 𝐵) =
40
𝑷(𝑨⁄𝑩) = 𝟎, 𝟑𝟕𝟓

Independencia (Magda Ximena)

Definición:

Como es habitual, nuestro punto de partida es un experimento aleatorio modelado por

un espacio de probabilidad (S,S,P) modo que S es el conjunto de resultados, S la colección
de eventos y P la medida de probabilidad en el espacio de muestra (S,S) . En esta sección,
se tendrá en cuenta la independencia, uno de los conceptos fundamentales en la teoría de la
probabilidad. La independencia se invoca frecuentemente como un supuesto de modelado
y, además, la probabilidad (clásica) en sí misma se basa en la idea de replicaciones
independientes del experimento.

Definiremos independencia para dos eventos, luego para colecciones de eventos y luego

para colecciones de variables aleatorias. En cada caso, la idea básica es la misma.

(Woolfson, M. 2012).

Teoría básica

Tenemos que dos eventos son independientes si 𝐴𝐵

𝑃 (𝐴 ∩ 𝐵) = 𝑃(𝐴)𝑃(𝐵)

Dos eventos 𝐴 𝑦 𝐵 son independientes sí 𝑃 = (𝐴 ∩ 𝐵) = 𝑃(𝐴)𝑃(𝐵) sí ambos eventos

tienen probabilidad positiva, entonces la independencia es equivalente a la afirmación de

que la probabilidad condicional de un evento dado el otro es la misma que la probabilidad

incondicional del evento.

𝑃(𝐴|𝐵) = 𝑃(𝐴) ⇔ 𝑃(𝐵|𝐴) = 𝑃(𝐵) ⇔ 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴)𝑃(𝐵)

Los términos independientes y separados parecen vagamente similares, pero en realidad son

muy diferentes. Primero, tenga en cuenta que la desunión es puramente un concepto de

teoría de conjuntos, mientras que la independencia es un concepto de probabilidad (teoría

de la medida). De hecho, dos eventos pueden ser independientes en relación con una

medida de probabilidad y dependientes en relación con otra. Pero lo más importante es que

dos eventos separados nunca pueden ser independientes, excepto en el caso trivial de que

uno de los eventos es nulo. (Woolfson, M. 2012).

Supongamos que A y B son eventos disjuntos, cada uno con probabilidad

positiva. Entonces, A y B son dependientes, y de hecho están correlacionados

negativamente.𝐴𝐵𝐴𝐵

Tenga en cuenta que 𝑃(𝐴 ∩ 𝐵) = 𝑃(∅) = 𝑂𝑃(𝐴)𝑃(𝐵) > 0

Ejemplos
Si y son eventos independientes, entonces cada uno de los siguientes pares de eventos es

independiente.𝐴𝐵

𝑎. 𝐵𝐴𝐶 , 𝐵

𝑏. 𝐴𝐶 𝐵, 𝐴𝐶

𝑐. 𝐴𝐶 , 𝐵 𝐶

Supongamos que y son independientes. Luego, por la regla de la diferencia y

la regla del complemento , Por lo tanto y son equivalentes. Las partes (b) y (c) siguen de

(a). AB

𝑃(𝐴𝐶 ∩ 𝐵) = 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐵) − 𝑃(𝐴)𝑃(𝐵) = 𝑃(𝐵)[1 − 𝑃(𝐴)] = 𝑃(𝐵)𝑃(𝐴𝐶 )

𝐴𝐶 𝐵 𝐸𝑗𝑒𝑚𝑝𝑙𝑜 𝑐𝑜𝑝𝑖𝑎𝑑𝑜 𝑑𝑒 . (Woolfson, M. 2012).

Un evento que es esencialmente determinista, es decir, tiene probabilidad 0 o 1, es independiente de

cualquier otro evento, incluso de sí mismo.

Supongamos que y son eventos. 𝐴𝐵

𝑎. 𝑠𝑖 𝑜, 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑦𝑠𝑜𝑛 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠. 𝑃(𝐴) = 𝑂𝑃(𝐴) = 1𝐴𝐵

𝑏. 𝐴 𝑒𝑠 𝑖𝑛𝑑𝑒𝑝𝑒𝑑𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑠í 𝑚𝑖𝑠𝑚𝑜 𝑠𝑖 𝑦 𝑠𝑜𝑙𝑜 𝑠𝑖 𝑜. 𝑃(𝐴) = 𝑂𝑃(𝐴) = 1

Recuerde que si entonces, y si entonces. En cualquier caso, tenemos. (Woolfson, M. 2012).

𝑃(𝐴) = 𝑂𝑃(𝐴 ∩ 𝐵) = 𝑂𝑃(𝐴) = 1𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐵)𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴)𝑃(𝐵)

La independencia de consigo misma da y, por tanto, o.

𝐴𝑃(𝐴) = [𝑃(𝐴)]2𝑃(𝐴) = 𝑂𝑃(𝐴) = 1

Independencia General de Eventos

Para extender la definición de independencia a más de dos eventos, podríamos pensar que

solo podríamos requerir la independencia por pares, la independencia de cada par de

eventos. Sin embargo, esto no es suficiente para el fuerte tipo de independencia que

tenemos en mente. Por ejemplo, supongamos que tenemos tres eventos,

y. Mutual independencia de estos eventos no sólo debe significa que cada par es

independiente, pero también que un evento que puede ser construido a partir de y (por

ejemplo) debe ser independiente de. La independencia por parejas no logra

esto; Ejercicio 𝐴𝐵𝐶𝐴𝐵𝐴 ∪ 𝐵 𝐶 𝐶 (27) a continuación se muestran tres eventos que son

independientes por pares, pero la intersección de dos de los eventos está relacionada con el

tercer evento en el sentido más fuerte posible. (Woolfson, M. 2012).

Otra posible generalización sería simplemente requerir la probabilidad de que la

intersección de los eventos sea el producto de las probabilidades de los eventos. Sin

embargo, esta condición ni siquiera garantiza la independencia de pareja. El ejercicio (29)

a continuación es un ejemplo. Sin embargo, la definición de independencia para dos

eventos se generaliza de manera natural a una colección arbitraria de eventos.

𝐴𝑖 𝑖𝐼𝐴 = {𝐴𝑖 : 𝑖 ∈ 𝐼} 𝐽 ⊂ 𝐼
 𝑃 (⋃ 𝐴𝐽) = ∏ 𝑃(𝐴𝑗 )
𝑗𝜖𝐽 𝑗𝜖𝐽

La independencia de una colección de eventos es mucho más fuerte que la simple

independencia de los eventos en la colección. La propiedad de herencia básica en el

siguiente resultado sigue inmediatamente de la definición.

Para una colección finita de eventos, el número de condiciones requeridas para la

independencia mutua crece exponencialmente con el número de eventos.

2𝑛 − 𝑛 − 𝑙𝑛

𝑎. 𝐴𝐵𝐶

𝑏. 𝐴𝐵𝐶𝐷

Solución

2𝑛 𝑛𝑛2𝑛 − 𝑛 − 1

𝒂. 𝑨𝑩𝑪

𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴)𝑃(𝐵)

𝑃(𝐴 ∩ 𝐶) = 𝑃(𝐴)𝑃(𝐵)

𝑃(𝐵 ∩ 𝐶) = 𝑃(𝐵)𝑃(𝐶)
𝑃(𝐴 ∩ 𝐵 ∩ 𝐶) = 𝑃(𝐴)𝑃(𝐵)𝑃(𝐶)

𝒃. 𝑨𝑩𝑪𝑫

𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴)𝑃(𝐵)

𝑃(𝐴 ∩ 𝐶) = 𝑃(𝐴)𝑃(𝐵)

𝑃(𝐴 ∩ 𝐷) = 𝑃(𝐵)𝑃(𝐷)

𝑃(𝐵 ∩ 𝐶) = 𝑃(𝐵)𝑃(𝐶)

𝑃(𝐵 ∩ 𝐷) = 𝑃(𝐵)𝑃(𝐷)

𝑃(𝐶 ∩ 𝐷) = 𝑃(𝐶)𝑃(𝐷)

𝑃(𝐴 ∩ 𝐵 ∩ 𝐶) = 𝑃(𝐴)𝑃(𝐵)𝑃(𝐶)

𝑃(𝐴 ∩ 𝐵 ∩ 𝐷) = 𝑃(𝐴)𝑃(𝐵)𝑃(𝐷)

𝑃(𝐴 ∩ 𝐶 ∩ 𝐷) = 𝑃(𝐴)𝑃(𝐶)𝑃(𝐷)

𝑃(𝐵 ∩ 𝐶 ∩ 𝐷) = 𝑃(𝐵)𝑃(𝐶)𝑃(𝐷)

𝑃(𝐴 ∩ 𝐵 ∩ 𝐶 ∩ 𝐷) = 𝑃(𝐴)𝑃(𝐵)𝑃(𝐶)𝑃(𝐷)
  Parte B (Simulador)

Cada estudiante presenta en el foro la explicación clara de en qué consiste la aplicación que

ha elegido teniendo en cuenta que conceptos básicos de Probabilidad emplea y conmociona

presentando pantallazos que evidencien su trabajo con ella.

Venn Diagram App, encargado (Magda Ximena)

Simple Probability Experiment, encargado (Ana Victoria)

Conditional Probability Experiment (Deisy Jimenez)

Galton Board ( Magda Ximena)

Fire Experiment

Voter Experiment

Solución
Venn Diagram App, encargado (Magda Ximena)

Conjunto y subconjuntos

Un conjunto es simplemente una colección de objetos; Los objetos se

denominan elementos del conjunto. La afirmación de que es un elemento del conjunto se

escribe, y la negación de que no es un elemento de se escribe como. Por definición, un

conjunto está completamente determinado por sus elementos; por lo tanto, los

conjuntos y son iguales si tienen los mismos elementos: 𝑥𝑆𝑥 ∈ 𝑆𝑥𝑆𝑥 ∉ 𝑆𝐴

𝐴=𝐵

𝑆𝑖 𝑦 𝑠𝑜𝑙𝑜 𝑠𝑖 𝑥 ∈ 𝐴

𝐴 = 𝐵 𝑠𝑖 𝑦 𝑠𝑜𝑙𝑜 𝑠𝑖 𝑥 ∈ 𝐴 ⇔ 𝑥 ∈ 𝐵

Nuestra siguiente definición es la relación de subconjunto, otro concepto muy básico:

Si y son conjuntos, entonces 𝐴 es un subconjunto de 𝐵 si cada elemento de 𝐴 es también un

elemento de 𝐵:
𝐴 ⊆ 𝐵 𝑆𝑖 𝑦 𝑠𝑜𝑙𝑜 𝑠𝑖 𝑥 ∈ 𝐴
𝐴𝐵𝐴𝐵𝐴𝐵
𝐴 ⊆ 𝐵 𝑠𝑖 𝑦 𝑠𝑜𝑙𝑜 𝑠𝑖 𝑥 ∈ 𝐴 ⇒ 𝑥 ∈ 𝐵

Los conceptos en la teoría de conjuntos a menudo se ilustran con pequeños

bocetos esquemáticos conocidos como diagramas de Venn, llamados así por

John Venn . El diagrama de Venn en la imagen de abajo ilustra la relación

del subconjunto.

𝐴⊆𝐵
 En esta aplicación, 𝐴 𝑌 𝐵 son subconjuntos de un conjunto universal 𝑆. La lista anterior

proporciona los 16 subconjuntos diferentes de 𝑆 que pueden construirse a partir de 𝐴 𝑦 𝐵

utilizando las operaciones de conjuntos básicas de unión, intersección y complemento. Esta

aplicación muestra los diferentes eventos. Woolfson, M. (2012).

Conjunto ∅
Funciona dando clic al lado izquierdo para que cambien y

muestre la representación adecuada.

A
 B

A’

𝐴∩𝐵

𝐴∪𝐵 𝐴 ∩ 𝐵∁
 𝐵 ∩ 𝐴’ 𝐴 ∪ 𝐵𝑐

A∩ 𝐵 A∪ 𝐵′

𝐴∁ ∪ 𝐵∁
(𝐴 ∩ 𝐵∁) ∪
(𝐵 ∩ 𝐴∁)
 (𝐴 ∩ 𝐵) ∪
(𝐴∁ ∩ 𝐵∁)

𝑆
Esta aplicación nos permite reforzar nuestros conceptos y realizar una mejor

comprensión del tema por medio de 16 ejercicios correspondientes a subconjuntos

diferentes de 𝑆. Evidenciando eventos de unión, intersección, complementos etc.

 Simple Probability Experiment, encargado (Ana Victoria)


 

Conditional Probability Experiment (Deisy Jimenez)

En esta aplicación, y B son eventos rectangulares en una muestra rectangular s . El espacio

de muestra S se da la distribución uniforme, de modo P(E)=área(E)/área(S) para cada
evento E . Eventos A y BABSSP(E)= área(E)/área(S)EAB puede moverse arrastrando un
punto interior del rectángulo, o redimensionarlo arrastrando la esquina inferior derecha del
rectángulo. La lista da los eventos y sus complementos, y varios eventos condicionados a
otros eventos. Por supuesto, una probabilidad ordinaria puede considerarse como una
probabilidad condicional, con el espacio muestral como el evento dado. Cuando hace clic
en un elemento de la lista, el espacio de muestra efectivo es la región con el sombreado
claro u oscuro, mientras que el evento efectivo es la región con el sombreado más
oscuro. Cuando se ejecuta el experimento, los resultados (elementos de S ) se muestran
como puntos rojos. La frecuencia relativa de cada evento se da en la tabla.SS
Evento= A

Probabilidad=0.222

Rel frecuencia=0.200

Frec de parada 10

Modo= correr

Evento= 𝐵 ∁

Probabilidad=0.833

Rel frecuencia=0.840
Frec de parada 100

Modo=correr

Evento= {𝐴|𝐵}

Probabilidad=0.333

Rel frecuencia=0.364

Frec de parada 1000

Modo=correr

Evento= {𝐵 ∁|𝐴}

Probabilidad=0.750
 Rel frecuencia=0.692

Frec de parada 10000

Modo=correr

Evento= {𝐴∁ |𝐵 ∁}

Probabilidad=0.800

Rel frecuencia=0.777

Frec de parada = Nunca

Modo=correr

Tablero de Galton (Magda Ximena)

Este simulador nos brinda un juego de mesa Galton con 10 filas. Mueve la bola hacia la

izquierda o hacia la derecha con los botones. La tabla registra el número de fila, el número

de columna y el bit (1 para un movimiento a la derecha y 0 para un movimiento a la

izquierda). La última columna da el subconjunto de la cadena de bits correspondiente

El tablero de Galton, que es una maqueta (o aparato) que simula el siguiente experimento:
Sobre una superficie plana, soltamos n bolas (cuanto mayor sea n, más preciso resultará),

de forma que existen varias divisiones de caminos, en los cuales de manera aleatoria cada

bola irá a derecha o izquierda de dicha división. Evidentemente, cada bola tiene un 50% de

probabilidades de ir a un lado u otro en cada separación de caminos.

Lo interesante de este aparato, es que siempre que realizamos el experimento,

nuestro resultado final se aproximará a una Campana de Gauss. De hecho, si pudiéramos

realizar el experimento con infinitas bolas, el resultado sería infinitamente próximo a dicha

curva.
  Parte C
Desarrollar los ejercicios del libro Probabilidad y estadística de George Canavos

(Primera edición de 1988 de la McGraw-Hill) que lo encuentra en el entorno de

Conocimiento:

Realizar los ejercicios: 2.1, 2.4, 2.5, 2.8, 2.9, 2.10, 2.11, 2.12, 2.15 y 2.16 de las páginas 48

hasta 51, presentando el desarrollo paso a paso de cada ejercicio. Presentar todos los

ejercicios con el editor de ecuaciones de Word.

Solución de los Ejercicios

2.1 Los empleados de la compañía NEW Horizons se encuentran separados en tres
divisiones: administración, operación de planta y ventas. La siguiente tabla indica el
número de empleados en cada división clasificados por sexo.

a. Usar un Diagram de Venn para ilustrar los eventos 𝑂 𝑌 𝑀 para todos los

empleados. De la compañía. ¿Son mutuamente excluyentes?

O M
U

20
60
14
100
R: Analizando no son mutuamente excluyente pues ambos contribuyen al total de empleados.

Si se elige aleatoriamente un empleado:

b) si se elige aleatoriamente un empleado:

1. ¿Cuál es la probabilidad de que sea mujer?

Procedemos a dividir:

180
𝑃(𝑀) = = 0,45 = 45 %
400

2. ¿Cuál es la probabilidad de que trabaje en ventas?

150
𝑃(𝑉) = = 0,375
400

La probabilidad de que sea mujer es del 0,375 %

3. ¿Cuál es la probabilidad de que sea hombre y trabaje en la división de

administración?

30
𝑃(𝐻 ∩ 𝐴) = = 0,07 = 7%
400

La probabilidad es del 7%

4. ¿Cuál es la probabilidad de que trabaje en la división de operación de planta, si

es mujer?

𝑂 60
𝑃( ) = = 0,333
𝑀 180

La probabilidad es del 33%

5. ¿Cuál es la probabilidad de que sea mujer si trabaja en la división de operación

de planta?
 𝑀 600
𝑃( ) = = 3 = 3%
0 200

La probabilidad es del 3%

c). ¿Son los eventos 𝑉 𝑦 𝐻 estadísticamente independientes?

50 150 220
𝑃(𝑉 ∩ 𝐻) = ; 𝑃(𝑉) = , 𝑃(𝐻) =
400 400 400

No son independientes ya que 𝑃(𝑉 ∩ 𝐻) ≠ 𝑃(𝑉) ∗ 𝑃(𝐻) .

d). ¿Son los eventos 𝐴 𝑦 𝑀 estadísticamente independientes?

30 50 180
𝑃(𝐴 ∩ 𝑀) = ; 𝑃(𝐴) = = 𝐴ℎ𝑜𝑟𝑎,
400 400 400

𝑃(𝐴 ∩ 𝑀) ≠ 𝑃(𝐴) ∗ 𝑃(𝑀 𝑑𝑒 𝑒𝑠𝑡𝑎 𝑚𝑎𝑛𝑒𝑟𝑎 𝐴 𝑦 𝑀 𝑛𝑜 𝑠𝑜𝑛 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠.

e). determinar las siguientes probabilidades:

50 180 20
1. 𝑃(𝐴 ∪ 𝑀) = 𝑃(𝐴) + 𝑃(𝑀) − 𝑃(𝐴𝑀) = 400 + 400 − 400

50 220 30
̅ ) = 𝑃(𝐴) + 𝑃(𝑀
2. 𝑃(𝐴 ∪ 𝑀 ̅ ) − 𝑃(𝐴𝑀
̅) = + 400 − 400
400

60
3. 𝑃(𝑂 ∩ 𝐹) =
400

𝑃(𝑀∩𝐴) 20
4. 𝑃(𝑀|𝐴) = = 50
𝑃(𝑀)

2.5 Una familia tiene tres hijos. Determinar todas las posibles permutaciones, con respecto

al sexo de los hijos. Bajo suposiciones adecuadas, ¿Cuál es la probabilidad de que

exactamente, dos hijos tengan el mismo sexo?, ¿cuál es la probabilidad de tener un

varón y dos mujeres?, ¿Cuál es la probabilidad de tener tres hijos del mismo sexo?
Tenemos

𝐻 = ℎ𝑜𝑚𝑏𝑟𝑒𝑠

𝑀 = 𝑚𝑢𝑗𝑒𝑟𝑒𝑠

𝐻𝐻𝐻 𝐻𝐻𝑀 𝐻𝑀𝐻 𝐻𝑀𝑀 𝑀𝐻𝐻 𝑀𝐻𝑀 𝑀𝑀𝐻 𝑀𝑀𝑀

6
𝑃(𝐴) = = 0, 75
8

75% 𝐸𝑠 𝑙𝑎 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑞𝑢𝑒 𝑡𝑒𝑛𝑔𝑎 𝑑𝑜𝑠 ℎ𝑖𝑗𝑜𝑠 𝑒𝑙 𝑚𝑖𝑠𝑚𝑜 𝑠𝑒𝑥𝑜 𝑒𝑠 𝑑𝑒 75%

3
𝑃(𝐵) = = 0,375
8

𝐿𝑎 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑡𝑒𝑛𝑒𝑟 𝑢𝑛 𝑣𝑎𝑟ó𝑛 𝑦 𝑑𝑜𝑠 𝑚𝑢𝑗𝑒𝑟𝑒𝑠 𝑒𝑠 𝑑𝑒 37%

2
𝑃(𝐶) = = 0,25
8

𝐿𝑎 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑡𝑒𝑛𝑒𝑟 𝑡𝑟𝑒𝑠 ℎ𝑖𝑗𝑜𝑠 𝑑𝑒𝑙 𝑚𝑖𝑠𝑚𝑜 𝑠𝑒𝑥𝑜 𝑒𝑠 𝑑𝑒 25%

2.6 Se extraen, si reemplazo, dos cartas de una baraja. ¿cuál es la probabilidad de que

ambas sean ases?

Evento A y evento B

𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) ∗ 𝑃(𝐵)

4
𝑃(𝐴) =
52

3
𝑃(𝐵) =
51
 𝐴 4 3 12
𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) ∗ 𝑃 ( ) = ∗ =
𝐵 52 51 2652

12
La posibilidad de que ambas sean ases es de 2652

2.8 Una agencia automotriz recibe un embarque de 20 automóviles nuevos. Entre estos, dos

tienen defectos, la agencia decide seleccionar, aleatoriamente dos automóviles de

entre los 20 y aceptar y el embarque sin ninguno de los dos vehículos seleccionados

tiene defectos. ¿Cuál es la probabilidad de aceptar el embarque?

𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) ∗ 𝑃(𝐵)

18
𝑃(𝐴) =
20

17
𝑃(𝐵) =
19

18 17 306 153
𝑃(𝐴) ∗ 𝑃(𝐵) = × = = = 0,8053
20 19 380 190

𝐿𝑎 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑒𝑠 𝑑𝑒𝑙 0,8053%

2
2.9 ¿Se lanza una moneda con una probabilidad de que el resultado sea cara. Si aparece
3

una cara, se extrae una pelota, aleatoriamente, de una urna que contiene dos pelotas

rojas y tres verdes. Si el resultado es cruz se extrae una pelota, de otra urna, que

contiene dos rojas y dos verdes. ¿Cuál es la probabilidad de extraer una pelota roja?

𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) ∗ 𝑃(𝐵)

2 2 1 2 4 2 78
𝑝𝑒𝑙𝑜𝑡𝑎 (𝑟𝑜𝑗𝑎) = ( × ) + ( × ) = + = = 0,43333%
3 5 3 4 15 12 180
 𝐿𝑎 𝑝𝑜𝑠𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑒𝑥𝑡𝑟𝑎𝑒𝑟 𝑢𝑛 𝑝𝑒𝑙𝑜𝑡𝑎 𝑟𝑜𝑗𝑎 𝑒𝑠 𝑑𝑒 0,43333%

2.10 De entre 20 tanques de combustible fabricados para el transbordador especial, tres se

encuentran defectuosos. Si se seleccionan aleatoriamente cuatro tanques:

a) ¿Cuál es la probabilidad de que ninguno de los tanques se encuentre defectuoso?

𝑃(𝐴 ∩ 𝐵 ∩ 𝐶 ∩ 𝐷) = 𝑃(𝐴) ∗ 𝑃(𝐵) ∗ 𝑃(𝐶) ∗ 𝑃(𝐷)

17 16 15 14
= × × ×
20 19 18 17

28
=
57

= 0,491%

𝐿𝑎 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑞𝑢𝑒 𝑛𝑖𝑛𝑔𝑢𝑛𝑜 𝑑𝑒 𝑙𝑜𝑠 𝑡𝑎𝑛𝑞𝑢𝑒𝑠 𝑠𝑒 𝑒𝑛𝑐𝑢𝑒𝑛𝑡𝑟𝑒 𝑑𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑜 𝑒𝑠 𝑑𝑒 0,491%

b) ¿Cuál es la probabilidad de que uno de los tanques tenga defectos?

𝑃(𝐴 ∩ 𝐵 ∩ 𝐶 ∩ 𝐷) = 𝑃(𝐴) ∗ 𝑃(𝐵) ∗ 𝑃(𝐶) ∗ 𝑃(𝐷)

17 16 15 3
= × × ×
20 19 18 17

2
=
19

= 0,105%

𝐿𝑎 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑞𝑢𝑒 𝑢𝑛𝑜 𝑑𝑒 𝑙𝑜𝑠 𝑡𝑎𝑛𝑞𝑢𝑒𝑠 𝑡𝑒𝑛𝑔𝑎 𝑑𝑒𝑓𝑒𝑐𝑡𝑜 𝑒𝑠 𝑑𝑒 0,105%

2.11 La probabilidad de que cierto componente eléctrico funcione es de 0.9. Un aparato

Contiene dos de estos componentes. El aparato funcionará mientras lo haga, por lo menos

uno de los componentes.

a) Sin importar cuál de los dos componentes funcione o no, ¿cuáles son los posibles

resultados y sus respectivas probabilidades? (¿puede suponerse independencia en la

operación entre los componentes?

𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵)

𝑃(𝐴 ∪ 𝐵) = 0,9 + 0,9 − 0,9 × 0,9 = 0,99

𝐿𝑎𝑠 𝑟𝑒𝑠𝑝𝑒𝑐𝑡𝑖𝑣𝑎𝑠 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒𝑠 𝑠𝑜𝑛 𝑑𝑒𝑙 0,99%𝑑𝑒 𝑞𝑢𝑒 𝑓𝑢𝑛𝑐𝑖𝑜𝑛𝑒.

b) ¿Cuál es la probabilidad de que el aparato funcione?

𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) × 𝑃(𝐵)

𝑃(𝐴 ∩ 𝐵) = 0,1 × 0,1

𝑃(𝐴 ∩ 𝐵) = 0,01%

𝐿𝑎 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑞𝑢𝑒 𝑒𝑙 𝑎𝑝𝑎𝑟𝑎𝑡𝑜 𝑛𝑜 𝑓𝑢𝑛𝑐𝑖𝑜𝑛𝑒𝑠 𝑒𝑠 𝑑𝑒 0,01%

2.12 Un sistema contiene tres componentes 𝐴, 𝐵 𝑦 𝐶. Estos pueden conectarse en una,

cualquiera, de las cuatro configuraciones mostradas en la figura 2.3.Si los tres

componentes operan de manera independiente y si la probabilidad de que uno,

cualquiera de ellos, esté funcionando es de 0,95, determinar la probabilidad de que

el sistema funciona para cada una de las cuatro configuraciones.

 Imagen copiada de Canavos, G. (1988).

𝐴). 𝑃(𝐴 ∩ 𝐵 ∩ 𝐶) = 𝑃(𝐴)𝑃(𝐵)𝑃(𝐶) = 0,95 × 0,95 × 0,95 = 0,8573%

𝐵). 𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴 ∪ (𝐵 ∪∪ 𝐶) = 𝑃(𝐴) + 𝑃(𝐵 ∪ 𝐶) − 𝑃(𝐴 ∩ (𝐵 ∪ 𝐶)

= 𝑃(𝐴) + 𝑃(𝐵) + 𝑃(𝐶) − 𝑃(𝐵 ∩ 𝐶) − 𝑃((𝐴 ∩ 𝐵) ∪ (𝐴 ∩ 𝐶))

= 𝑃(𝐴) + 𝑃(𝐵) + 𝑃(𝐶) − 𝑃(𝐵 ∩ 𝐶) − 𝑃(𝐴 ∩ 𝐵) − 𝑃(𝐴 ∩ 𝐶) + 𝑃(𝐴 ∩ 𝐵 ∩ 𝐶)

= 0,95 + 0,95 + 0,95 − 0,95 × 0,95 − 0,95 × 0,95 − 0,95 × 0,95 + 0,95 × 0,95 × 0,95

= 0,999875%

𝐶). 𝑃((𝐴 ∩ 𝐵) ∪ 𝐶) = 𝑃(𝐴 ∩ 𝐵) + 𝑃(𝐶) − 𝑃(𝐴 ∩ 𝐵 ∩ 𝐶)

= 𝑃(𝐴)𝑃(𝐵) + 𝑃(𝐶) − 𝑃(𝐴 ∩ 𝐵 ∩ 𝐶)

= 0,95 × 0,95 + 0,95 − 0,95 × 0,95 × 0,95 = 0,9951%

𝐷). 𝑃((𝐴 ∪ 𝐵) ∩ 𝐶)) = 𝑃(𝐴 ∪ 𝐵)𝑃(𝐶) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵)𝑃(𝐶)

= (0,95 + 0,95 − 0,95 × 0,95)0,95 = 0,9476%

𝐿𝑎 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑠𝑖 𝑓𝑢𝑛𝑐𝑖𝑜𝑛𝑎 𝑝𝑎𝑟𝑎 𝑐𝑎𝑑𝑎 𝑢𝑛𝑜 𝑑𝑒 𝑙𝑜𝑠 𝑐𝑎𝑠𝑜𝑠.

2.13 Una forma de incrementar la probabilidad de operación de un sistema (conocida como

la confiabilidad del sistema), es mediante la introducción de una copia de los

componentes en una configuración paralela, como se ilustra en la segunda parte de

la figura.2.3

Supóngase que la Nasa desea una probabilidad no menor de 0,999 99 de que el

transbordador espacial entre en órbita alrededor de la tierra, con éxito. ¿Cuántos

motores cohete deben configurase en paralelo para alcanzar esta confiabilidad de

operación si se sabe que la probabilidad de que uno, cualquiera, de los motores

funcione adecuadamente es de 0,95? Supóngase que los motores funcionan de

manera independiente entre sí.

Primero Empleamos las leyes de Morgan

̅̅̅̅̅̅̅
𝐴 ∪ 𝐵 = 𝐴̅ ∩ 𝐵̅ 𝑦 ̅̅̅̅̅̅̅
𝐴 ∩ 𝐵 = 𝐴̅ ∪ 𝐵̅

𝐸𝑥𝑡𝑒𝑛𝑑𝑖𝑒𝑛𝑑𝑜 𝑒𝑙 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑎 𝑢𝑛 𝑛ú𝑚𝑒𝑟𝑜 𝑓𝑖𝑛𝑖𝑡𝑜 𝑑𝑒 𝑐𝑜𝑛𝑗𝑢𝑛𝑡𝑜𝑠, 𝑠𝑒 𝑜𝑏𝑡𝑖𝑒𝑛𝑒 𝑞𝑢𝑒:

̅̅̅̅̅̅̅̅
𝑛 𝑛

𝑃 = (⋃ 𝐴𝑖 ) = 𝑃 (⋃ 𝐴̅𝑖 )
𝑖=1 𝑖=1
 𝑛 ̅̅̅̅̅̅̅̅
𝑛 𝑛

𝑃 ⋃ 𝐴𝑖 = 1 − 𝑃 (⋃ 𝐴𝑖 ) = 1 − 𝑃 (⋃ 𝐴̅𝑖 ) = 1 − ∏ 𝑃(𝐴̅𝑖 )
𝑖=1 𝑖=1 𝑖=1 𝑖

𝑃 ⋃ 𝐴𝑖 = 1 − ∏ 𝑃(𝐴̅𝑖 )
𝑖=1 𝑖

1 − 0,05𝑛 = 0,99999 𝑑𝑒𝑠𝑝𝑒𝑗𝑎𝑟0,05𝑛

1 − 0,099999 = 0,05𝑛

0,00001 = 0,05𝑛

lg(0,00001) = 𝑛 lg(0,05)𝑑𝑒𝑠𝑝𝑒𝑗𝑎𝑟 𝑛

lg(0,00001)
𝑛=
lg(0,05)

𝑛 = 3,843

Entonces decimos que a partir del 4° nivel funcionan de manera independiente entre sí.

2.14 Supóngase que la probabilidad de que potros de Baltimore ganen el campeonato de

la Conferencia Americana es de 0.25, y la probabilidad de que obtengan los

Cargadores de San Diego es de 0.20. Además, la probabilidad de que el

campeón de la Conferencia Americana gana el Súper Tazón es de 0.45, 0.55 o

0.35, dependiendo de si los potros, los Cargadores o algún otro equipo gana el

campeonato.

a) ¿Cuál es la probabilidad de que un equipo de la Conferencia Americana gane el Súper

Tazón?

Valores de América 0,25 0,45 0,55 𝑂 0,35 𝑦 𝑆𝑎𝑛 𝐷𝑖𝑒𝑔𝑜 0,20 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠

𝑃 = 0,25 × 0,45 + 0,20 × 0,55 + 0,55 × 0,35

 𝑃 = 0,415%

𝐿𝑎 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑞𝑢𝑒 𝑒𝑙 𝑒𝑞𝑢𝑖𝑝𝑜 𝑑𝑒 𝑙𝑎 𝐶𝑜𝑛𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎 𝑔𝑎𝑛𝑒 𝑒𝑙 𝑠ú𝑝𝑒𝑟 𝑇𝑎𝑧ó𝑛 𝑒𝑠 𝑑𝑒 0,415%

b). Si un equipo de la Conferencia Americana gana un Súper Tazón, ¿cuál es la

probabilidad de que los potros de Baltimore ganen el título de su conferencia?

𝑃 = (𝑙𝑜𝑠 𝑝𝑜𝑡𝑟𝑜𝑠 𝐵𝑎𝑙𝑡𝑖𝑚𝑜𝑟𝑒/ 𝑐𝑜𝑛𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎 𝐴𝑚𝑒𝑟𝑖𝑐𝑎 𝑔𝑎𝑛𝑎 𝑆𝑢𝑝𝑒𝑟 𝑇𝑎𝑧ó𝑛)

0,25 × 0,45
𝑃= = 0,271
0,415

2.15 El 5% de las unidades producidas en una fábrica se encuentran defectuosas cuando el

proceso de fabricación se encuentra bajo control. Si el proceso se encuentra fuera de

control, se produce un 30% de unidades defectuosas. La probabilidad marginal de

que el proceso se encuentre bajo control es de 0,92. Si se escoge aleatoriamente una

unidad y se encuentra que es defectuosa, ¿cuál es la probabilidad de que el proceso

se encuentre bajo control?

𝐷 = 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠 𝑑𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑎𝑠

𝑁𝐷 = 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠 𝑁𝑂 𝑑𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑎𝑠

𝐶 = 𝑏𝑎𝑗𝑜 𝑐𝑜𝑛𝑡𝑟𝑜𝑙

𝐹𝐶 = 𝑓𝑢𝑒𝑟𝑎 𝑑𝑒 𝑐𝑜𝑛𝑡𝑟𝑜𝑙

𝐷
𝑃 ( ) = 0.05
𝐶

𝐷
𝑃 ( ) = 0.30
𝐹𝐶
 𝐷
𝑃(𝐷 ∩ 𝐶) = 𝑃(𝐶) ∙ 𝑃 ( ) = 0.92 ∙ 0.05 = 0.046
𝐶

𝐷
𝑃(𝐷 ∩ 𝐹𝐶) = 𝑃(𝐹𝐶) ∙ 𝑃 ( ) = 0.08 ∙ 0.30 = 0.024
𝐹𝐶

Datos Defectuosa no defectuosa Resultado

Control 0.046 0.874 0.92

Fuera de control 0.024 0.056 0.08

Total 0.07 0.93 1

𝐶 𝑃(𝐷 ∩ 𝐶) 0.046
𝑃( ) = = = 0.657
𝐷 𝑃(𝐷) 0.07

𝐿𝑎 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑞𝑢𝑒 𝑠𝑒 𝑒𝑛𝑐𝑢𝑒𝑛𝑡𝑟𝑒 𝑏𝑎𝑗𝑜 𝑑𝑒 𝑐𝑜𝑛𝑡𝑟𝑜𝑙 𝑒𝑠 𝑑𝑒 0.657%.

2.16 Una planta armadora recibe microcircuitos provenientes de tres distintos fabricantes

𝐵1 𝐵2 𝑦 𝐵3 . El 50% del total se compra a 𝐵1 𝑚𝑖𝑒𝑛𝑡𝑎𝑟𝑠 𝑞𝑢𝑒 𝐵2 𝑦 𝐵3 se les compra

un 25%a cada uno. El porcentaje de circuitos defectuosos para 𝐵1 , 𝐵2 𝑦 𝐵3 es 5.10 y

12% respectivamente. Si los circuitos se almacenan en la planta sin importar quién

fue el proveedor:

Tabla de datos ordenados

Datos Circuito defectuoso Circuito NO defectuoso Total

(D) (ND) Filas

𝐵1 0,025 0,475 0,50

𝐵2 0,025 0,225 0,25

 𝐵3 0,03 0,22 0,25

Total 0,08 0,92 1

𝐷
𝑃 ( ) = 0,05
𝐵1

𝐷
𝑃 ( ) = 0,1
𝐵2

𝐷
𝑃 ( ) = 0,12
𝐵3

𝐷
𝑃(𝐷 ∩ 𝐵1 ) = 𝑃 (𝐵 ) ∙ 𝑃(𝐵1 ) = 0,05 × 0,50 = 0.025
1

𝐷
𝑃(𝐷 ∩ 𝐵2 ) = 𝑃 (𝐵 ) ∙ 𝑃(𝐵2 ) = 0,1 ×× 0,25 = 0.025
2

𝐷
𝑃(𝐷 ∩ 𝐵3 ) = 𝑃 (𝐵 ) ∙ 𝑃(𝐵3 ) = 0,12 × 0,25 = 0.03
3

a). Determinar la probabilidad de que una unidad armada en la planta contenga un circuito

defectuoso.

𝐷 𝐷 𝐷
𝑃(𝐷) = 𝑃 ( ) 𝑃(𝐵1 ) + ( ) ∙ 𝑃(𝐵2 ) + ( ) ∙ 𝑃(𝐵3 )
𝐵1 𝐵2 𝐵3

= 0.025 + 0,025 + 0,03 = 0,08

𝐿𝑎 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑞𝑢𝑒 𝑢𝑛𝑎 𝑢𝑛𝑖𝑑𝑎𝑑 𝑎𝑟𝑚𝑎𝑑𝑎 𝑒𝑛 𝑙𝑎 𝑝𝑙𝑎𝑛𝑡𝑎 𝑐𝑜𝑛𝑡𝑒𝑛𝑔𝑎

𝑢𝑛 𝑐𝑖𝑟𝑐𝑢𝑖𝑡𝑜 𝑑𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑜 𝑒 𝑑𝑒 0,08%.

b). Si un circuito no está defectuoso, ¿cuál es la probabilidad de que haya sido venido por

el proveedor 𝐵2 ?

𝐵1 𝑃(𝑁𝐷 ∩ 𝐵2 )
𝑃( ) = 𝑃( )
𝑁𝐷 𝑃(𝑁𝐷)

0,225
= = 0,2445
0,92

𝐿𝑎 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑞𝑢𝑒 ℎ𝑎𝑦𝑎 𝑠𝑖𝑑𝑜 𝑣𝑒𝑛𝑑𝑖𝑑𝑜 𝑝𝑜𝑟 𝑒𝑙 𝑝𝑟𝑜𝑣𝑒𝑒𝑑𝑜𝑟 𝐵2 𝑒𝑠 𝑑𝑒 0,2445%

 Conclusiones

La probabilidad es la estrategia mediante la cual se intenta estimar la frecuencia con la que

se obtiene un cierto resultado en el marco de una experiencia en la que se conocen todos los

resultados posibles.

La importancia de la probabilidad radica en que, mediante este recurso matemático, es

posible ajustar de la manera más exacta posible los imponderables debidos al azar en los

más variados campos tanto de la ciencia como de la vida cotidiana.

Además, a través del cálculo probable podemos predecir o estimar eventos que pasan o

pasara, podemos determinar la posibilidad de que ganar o poder en algún juego, de

descifrar las posibles combinaciones de números en algún momento dado de la vida, se

puede predecir incluso cual puede ser el resultado de una lotería, etc.

Cuanto mayor sea la cantidad de datos disponibles para calcular la probabilidad de un

acontecimiento, más preciso será el resultado calculado. Dada la complejidad de los

sistemas en los que suele aplicarse la teoría de la probabilidad, se requiere de modelos

informáticos y estadísticos de gran elaboración, que serían imposibles de no contarse con

los modernos recursos tecnológicos relacionados con la computación.

 Referencias Bibliográficas

Canavos, G. (1988). Probabilidad y Estadística: Aplicaciones y Métodos. Ed. MacGraw-

Hill. Recuperado de https://estadisticaunicaes.files.wordpress.com/2012/05/george-

c-canavos-probabilidad-y-estadc3adstica-aplicaciones-y-mc3a9todos.pdf

Neira (2001-2002). Problemas de cálculo de probabilidades. Obtenido de

http://www.juntadeandalucia.es/averroes/centros-

tic/14002996/helvia/aula/archivos/repositorio/250/295/html/estadistica/masproba.

Devore, J. (2008). Probabilidad y estadística para ingeniería y ciencias. Ed. Cengage.

Recuperado de http://bibliotecavirtual.unad.edu.co:2053/?il=782

Siegrist, K. (2013). Virtual Laboratories in Probability and Statistics. Obtenido

de http://www.math.uah.edu/stat/index.html

Woolfson, M. M. (2012). Everyday Probability and Statistics: Health, Elections, Gambling

and War (2nd Edition). London, UK: Imperial College Press. Recuperado
de http://bibliotecavirtual.unad.edu.co:2051/login.aspx?direct=true&db=nlebk&AN
=478649&lang=es&site=eds-live&ebv=EB&ppid=pp_33