Professional Documents
Culture Documents
y estadstica
Aplicaciones
a la ingeniera
y las ciencias
Eduardo Gutirrez Gonzlez
Profesor de matemticas de la UPIICSAIPN
Seccin de Estudios de Posgrado e Investigacin
Olga Vladimirovna Panteleeva
Profesora de matemticas de la UACH
rea de matemticas
PRIMERA EDICIN
MXICO, 2014
www.editorialpatria.com.mx
Revisin Tcnica:
Alex Polo Velzquez
Universidad Autnoma Metropolitana-Azcapotzalco
ISBN: 978-607-438-766-7
Queda prohibida la reproduccin o transmisin total o parcial del contenido de la presenta obra en cuales-
quiera formas, sean electrnicas o mecnicas, sin el consentimiento previo y por escrito del editor.
Impreso en Mxico
Printed in Mexico
Agradecimientos
Cuando se termina una obra existen infinidad de compaeros y colegas a los que se les debe en cierta forma la conclusin de esta y
sin hacer a un lado a nadie, agradecemos infinitamente a todos nuestros compaeros de trabajo, tanto de las Academias de Matem-
ticas como de Investigacin de Operaciones y de la Seccin de Graduados de UPIICSA-IPN, as como a los compaeros del Programa
en Estadstica del colegio de Posgraduados campus montecillo, donde adquirimos grandes conocimientos sobre la probabilidad y la
estadstica que han hecho posible la escritura de este texto. Muy en particular agradecemos a los compaeros del grupo Gitam (Gru-
po de Investigacin y Trabajos Acadmicos de Matemticas, de las academias de matemticas de UPIICSA-IPN, fundado en 2013) a
travs de la lnea 2 de investigacin sobre probabilidad y estadstica por las aportaciones obtenidas durante el Seminario de Probabi-
lidad y Estadstica (2013--), as como a los integrantes del Diplomado en Formacin Docente en Probabilidad y Estadstica con vigen-
cia 2013-2015. Por ltimo, agradecemos a todos los revisores de la editorial cuyas contribuciones han sido inmejorables para que el
texto tenga una mejor presentacin y calidad en su desarrollo.
Describir las diferentes tcnicas de la estadstica descripti- Aplicar las inferencias a su rea laboral.
va, para llevar a cabo un estudio detallado del comporta- Experimentar desde el punto de vista de la estadstica in-
miento de los datos. ferencial.
Definir los conceptos de parmetros y estadsticos. Proponer e investigar experimentos donde se tengan dis-
Nombrar las diferentes tcnicas que se pueden utilizar tribuciones muestrales para hacer inferencias con respecto
para realizar inferencias. a sus parmetros.
Identificar en un problema dado, cundo un dato se refie- Aplicar la regresin lineal para determinar relaciones en-
re a un parmetro y cundo a un estadstico. tre variables y poder lograr hacer predicciones en situacio-
Ejemplificar las diferentes tcnicas para estimar un par- nes de su rea laboral.
metro, tanto puntual como por intervalos.
Agradecimientos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iii
Prefacio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iv
2.4 Combinaciones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
Propiedades en el clculo de Ckn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
Combinatorias multinomiales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.5 Regla de la suma. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.6 Aplicacin de las tcnicas de conteo a la probabilidad. . . . . . . . . . 46
Introduccin
Desde su aparicin en la faz de la Tierra, el ser humano siempre ha estado en contacto con situaciones aleatorias, ya sean de experien-
cias naturales o de juegos que l mismo crea, en las cuales prevalece la incertidumbre. Por ejemplo, en las tumbas egipcias se han
encontrado restos de dados cbicos que datan del ao 2000 a.C. con marcas idnticas a las de los dados actuales; ms an, hay indi-
cios de que cerca del ao 3500 a.C. los egipcios practicaban juegos de azar con objetos de hueso.
Por estas razones, el estudio de la incertidumbre siempre ha tenido un inters particular para la humanidad, desde conocer el
clima, el resultado del lanzamiento de una moneda o un dado, hasta situaciones modernas, como la cantidad de artculos defectuosos
en un lote de tamao n, cambios de voltaje en un circuito elctrico, curso del valor del dlar en un da determinado y los movimien-
tos en la bolsa de valores para conocer cules acciones tienen mayor o menor riesgo en su inversin, entre otras.
As, desde su aparicin, los juegos con incertidumbre han dejado un gran reto a diferentes matemticos para calcular las proba-
bilidades de xito que tiene un jugador en un juego de azar. De manera que, haciendo un poco de historia, resulta que la crea-
cindelaprobabilidad se atribuye a los matemticos franceses del siglo xvii Blaise Pascal (1623-1662) y Pierre de Fermat (1601-1665)
cuando lograron obtener probabilidades exactas para cierto tipo de problemas relacionados con el juego de los dados; por ejemplo,
la solucin al problema propuesto por el noble francs Antoine Gombauld (1607-1684), quien pregunt a Pascal, cul es la proba-
bilidad de que ocurran dos seises al menos una vez al lanzar un par de dados 24 veces? Aunque algunos matemticos anteriores,
como Gerolamo Cardano (1501-1576) y Galileo Galilei (1564-1642), en el siglo xvi, ya haban realizado importantes contribuciones
a su desarrollo calculando algunas combinaciones numricas para ciertos problemas relacionados con los dados. Uno de los proble-
mas clsicos con los que dio inicio el clculo de probabilidades consiste en saber cuntos dados hay que lanzar para que la probabi
lidad de que salga algn 6 supere 50%. En la actualidad, en Mxico hay una gran cantidad de juegos de azar para los cuales se
requiere efectuar ciertos clculos de probabilidades; por ejemplo, lotera, juegos de quinielas deportivas, juegos de quinielas numri-
cas, entre muchos otros.
La historia nos muestra que la teora de la probabilidad dio sus primeros pasos en el siglo xvi con Gerolamo Cardano y Galileo
Galilei; posteriormente, en el siglo xvii, con Blaise Pascal, Pierre de Fermat, Jean y Jacques Bernoulli (1654-1705) y De Moivre (1667-
1754); en el siglo xviii, con Daniel Bernoulli (1700-1782), Kart Friedrich Gauss (1777-1855) y Simon Denis Poisson (1781-1840); en
el siglo xx, con A. Markov, Chebyschev y Liapunov, entre otros. Pero, sin duda, quien sent las bases tericas para formalizar el de-
sarrollo de la teora de las probabilidades fue el matemtico ruso Kolmogrov, en 1933, al introducir la teora de la medida en el clcu
lo de probabilidades.
Durante todo este texto se habla de probabilidad, pero, qu se entiende por esta ciencia?
Probabilidades la ramadelasmatemticas que se ocupa de medir o determinar cuantitativamente la posibilidad de que ocurra
un determinado suceso.
As, en el desarrollo del texto, principalmente en los primeros captulos, se analiza cmo, en general, la probabilidad est basada
en el estudio de la Teora combinatoria, amplindose al clculo, gracias al uso de las funciones.
Hoy da, la teora de la probabilidad es una herramienta importante en la mayora de las reas de ingeniera, ciencias y adminis-
tracin. De manera que realizar un estudio adecuado de la probabilidad es fundamental para el xito de muchas compaas, en
particular las deseguros, ya que estas evalan las probabilidades de los sucesos que les interesan (p. ej., accidentes de autos, inunda-
ciones, epidemias, etc.) mediante una minuciosa recopilacin de datos (experiencias) que permiten inferir dichas probabilidades con
suficiente aproximacin como para poder asignar las cuotas o costos de manera que la aseguradora no sufra prdidas. Adems de las
compaas de seguros, la probabilidad tiene diversas aplicaciones en otras reas como medicina, meteorologa, mercadotecnia, pre-
dicciones de terremotos, comportamiento humano, finanzas, etctera.
En el presente captulo tratamos los fundamentos tericos en los que se basa la construccin de la Teora de las probabilidades.
Por tanto, el captulo inicia con el tratamiento de los modelos y su importancia en el estudio de los diferentes fenmenos; de igual
forma se hace nfasis en los modelos matemticos, los cuales se clasifican en:
Determinsticos.
Probabilsticos.
Despus, definimos los experimentos aleatorios y determinsticos. Por su parte, el estudio de las bases de la probabilidad co-
mienza con una discusin acerca de las diferentes corrientes para la asignacin de probabilidades a un suceso, como:
Corriente frecuentista.
Corriente clsica.
Corriente subjetiva.
Corriente bayesiana.
Enseguida, se aborda la construccin matemtica de la Teora de las probabilidades, introduciendo los axiomas de Kolmogrov,
con los que prcticamente iniciamos un estudio formal de las probabilidades como una ciencia.
Es importante resaltar que la axiomatizacin de la Teora de las probabilidades se conserva hasta el final de la presente obra. Para
el desarrollo de esta se introduce una seccin referente a la teora de conjuntos a la que llamamos lgebra de eventos, la cual, junto con
los axiomas de Kolmogrov, constituyen la base cientfica del desarrollo de la probabilidad.
El captulo contina con la formulacin y demostracin de diferentes teoremas y finaliza con una breve explicacin de la aplica-
cin de estos en el clculo de probabilidades. Para terminar, revisamos algunas funciones en Excel para el clculo de probabilidades.
Los modelos matemticos pueden clasificarse en determinsticos y probabilsticos, y para poderlos diferenciar es necesario cono
cer su definicin y algunos ejemplos. Primero, presentamos la definicin de modelos determinsticos.
Cuando se realiza el modelo matemtico de un fenmeno y en este se pueden manejar los factores que intervienen en su estudio con el
propsito de predecir sus resultados, se llamar modelo determinstico.
1. El lanzamiento de una moneda con ambos lados iguales (p. ej., guilas). Al plantear este modelo es posible determinar que siem-
pre es posible predecir el resultado (suponiendo que la moneda no puede quedar en posicin vertical), puesto que solo hay una
opcin: guila.
2. Cuando tenemos una inversin c a una tasa r, podemos calcular su Valor Presente Neto, VPN (c). El modelo es determinstico,
puesto que tiene una inversin fija c a una tasa fija r; por tanto, es posible predecir el resultado que ocurrir al cabo de n aos
mediante el uso de la siguiente frmula:
c
VPN( c ) = .
(1 + r )n
Por ejemplo, si vamos a recibir c = 150 000 pesos dentro de cuatro aos, pero queremos saber cunto vale hoy, VPN(c), debemos
descontar los intereses que se generan desde hoy hasta dentro de cuatro aos. Si el inters anual es de 8% en operaciones a cuatro
aos, entonces el da de hoy debemos invertir:
150 000
VPN( c ) = = 110 254.50 .
(1 + 0.08)4
Entonces, si iniciamos la inversin con 110254.50 al cabo de cuatro aos tendremos 150000 pesos.
3. Sea una economa en equilibrio determinada por el modelo econmico de entradas y salidas de Wassiley Leontief, aplicado a
tres empresas distintas.
a11 x1 + a12 x2 + a13 x3 + e1 = x1
a21 x1 + a22 x2 + a23 x3 + e2 = x2
a31 x1 + a32 x2 + a33 x3 + e3 =x3
Donde: xi representa la produccin de la empresa i; ei representa la demanda externa sobre la empresa i; y aij representa el nme-
ro de unidades de producto de la empresa i necesarias para producir una unidad de producto de la industria j. Conociendo la
demanda externa por empresa y la demanda interna entre empresas, con este modelo es posi-
Wassiley Leontief naci el 5
de agosto de 1906, en San ble predecir la produccin de cada empresa.
Petersburgo, y muri el 5 de 4. El modelo de una compaa donde se elaboran dos productos al pasar en forma consecutiva, a
febrero de 1999, en Nueva York. travs de una lnea de produccin, por tres mquinas distintas. En este caso, el tiempo por
Inici sus estudios superiores en mquina asignado a los dos productos est limitado por una cantidad determinada de horas
la universidad de San Petersburgo por da; el tiempo de produccin y la ganancia por artculo de cada producto se pueden esta-
y termin el doctorado en la blecer de manera que al combinar los productos podemos obtener una ganancia ptima.
universidad de Humboldt, Berln En el modelo anterior se puede notar que estamos controlando los diferentes parmetros
en 1928. En 1931 emigr de que intervienen. Por tanto, al establecer el modelo matemtico correspondiente y los valores
forma definitiva a Estados
para los factores es posible predecir su resultado.
Unidos de Amrica. El modelo de
5. Se puede disear un modelo que muestre la influencia de la fuerza de friccin sobre un cuerpo
entradas y salidas fue presentado
por primera vez en el artculo de que se mueve en una superficie. Con este modelo se puede concluir que en superficies ms
Leontief Quantitative Input and speras se tiene mayor fuerza de rozamiento.
Ouput Relations in the Economic El modelo anterior es determinstico, ya que en este se manejan superficies y se puede pre-
System of the United States, decir el resultado. Por ejemplo, la distancia a la que se puede detener el mvil; esto es, si se
Review of Economic Statistics mueve el cuerpo con una fuerza inicial y cambiamos las asperezas podremos establecer una
18 (1936), pp. 105-125. Una frmula matemtica que indique (como resultado de un clculo numrico) la distancia en la
versin actualizada del modelo que se detendr el mvil.
aparece en el libro de Leontief, 6. La cada de voltaje en una resistencia de un circuito elctrico se puede observar en la figura 1.1.
Input-Output Analysis, Nueva
York, Oxford University Press,
1966. Leontief gan el premio
Nobel de Economa en 1973
por su desarrollo del anlisis de
R-Resistencia
insumo y produccin de V-Voltaje i
entradas y salidas.
Figura 1.1
Circuito elctrico con una resistencia.
Por los cursos de f sica sabemos que la Ley de Ohm indica que la cada de vol-
En general, sabemos que cualquier modelo fsico es
taje en este circuito elctrico con una resistenciaest dada por V = Ri, donde, R
una aproximacin de la realidad; no obstante, este
no la puede representar en forma exacta, esto representa la resistencia, medida en ohms; i la corriente medida en amperes, y V el
se debe a que en cada fenmeno intervienen voltaje medido en volts.
infinidad de factores y no es posible involucrarlos a
todos en el modelo. Por esta razn, salvo que se diga
otra cosa, en el texto se consideran los modelos El otro tipo de modelos que revisamos ocurre cuando no podemos controlar
conocidos sobre diferentes fenmenos fsicos como los factores que intervienen en dichos modelos. A partir de lo cual surge la defini-
determinsticos. Por ejemplo, en el circuito anterior,
cin de modelo probabilstico o estocstico.
la cada real de voltaje est influenciada por los
factores: humedad, calentamiento del alambre
Los modelos probabilsticos o modelos estocsticos son aquellos modelos ma-
conductor, temperatura, etctera, que para fines
temticos de los fenmenos en los cuales no se pueden controlar los factores que
prcticos se pueden considerar despreciables. De
intervienen en su estudio, adems de que dichos factores ocurren de tal manera
manera similar, en el modelo del movimiento de un
que no es posible predecir sus resultados.
cuerpo sobre una superficie con friccin, se
considera que las otras fuerzas que intervienen son
Los modelos probabilsticos son de gran inters en el texto; por tanto, para
despreciables.
una mejor comprensin de estos se presentan los siguientes ejemplos.
1. Los modelos clsicos probabilsticos se refieren a los juegos de azar, como el lanzamiento de una moneda equilibrada o legal (es de
cir, que no est cargada a ningn lado), para determinar el resultado que va a ocurrir. En el lanzamiento de un dado no cargado
(esto es, que un lado del dado no pesa ms que los otros) no es posible predecir qu nmero quedar en la parte de arriba del dado.
2. En el lanzamiento de una moneda equilibrada 10 veces para obtener cinco guilas, el modelo es de tipo probabilstico, puesto
que no podemos predecir el resultado que va a ocurrir en el siguiente lanzamiento.
3. Las cartas o fichas que le tocarn a una persona al inicio de una partida de un juego de cartas o domino, respectivamente.
4. En el ejemplo 2 de la lista 1.1 de ejemplos, la tasa anual de inversin para un ao determinado en realidad est condicionada a
situaciones de incertidumbre del pas; por consiguiente, bajo estas condiciones no podemos predecir el VPN para un ao deter-
minado si no conocemos con anterioridad la tasa r.
5. En una lnea de produccin, al realizar el control de calidad de los artculos se detecta cierta cantidad de productos defectuosos;
no es posible determinar la cantidad o porcentaje de estos en la lnea.
6. Si deseamos conocer los ingresos por accin para una compaa de telfonos, estos se pueden estimar mediante el PIB (Produc-
to Interno Bruto) que se mide en millones de pesos. Entonces, establecemos, mediante una ecuacin, un modelo para su estima-
cin, pero no podemos saber con exactitud sus resultados.
7. El conocimiento del curso de una accin referente a una empresa en la bolsa de valores es uno de los principales problemas que
todo accionista quisiera saber cmo predecir. Este es un problema financiero muy complejo que depende de muchos factores,
incluyendo los polticos, por lo que no se puede controlar el curso de la accin ya que esta se encuentra envuelta en mucha in-
certidumbre; por tanto, solo es posible indicar un rango de valores posibles en el que se tengan evidencias que podrn encon-
trarse en el curso de la bolsa para dicha accin. En el caso del dlar podramos tener evidencias de que al da siguiente su costo
estar entre 12.40 y 12.80 pesos, pero en realidad no conocemos cul ser su cotizacin exacta, puesto que este estar influido
por factores que pueden tener mucha incertidumbre, como situaciones polticas.
8. Si deseamos conocer el lugar de cada de un satlite que se sali de su rbita y se dirige a la Tierra no podemos predecir el lugar
donde caer, puesto que no es posible controlar su movimiento; por tanto, solo es posible indicar una regin en donde se cree
que caer, con un valor numrico que represente la aseveracin.
9. La posicin de un electrn en un momento dado, la cual no es posible establecer, pues, de los cursos de f sica sabemos que un
electrn no tiene una posicin fija, ya que cambia constantemente, sin reglas en su movimiento. En tal caso, solo podemos esta-
blecer un rea en la que supongamos con un cierto valor numrico la posibilidad de que el electrn se encuentre ah.
10. Si en el circuito elctrico del ejemplo 6 de la lista 1.1 de ejemplos consideramos los dems factores que intervienen en el circui-
toy medimos los voltajes con un voltmetro de alta calidad, podremos apreciar que al tomar diferentes mediciones existen
cambios pequeos en estas. En estas condiciones, podremos considerar a la cada de voltaje V = Ri como un modelo probabi
lstico.
Al reproducir cualquier fenmeno, ya sea de manera determinstica o probabilstica, estamos experimentando, por lo que es
necesario aclarar lo siguiente: qu entenderemos por experimento al utilizar un modelo matemtico de tipo probabilstico (cabe
aclarar que hasta este momento no se ha dado la definicin de probabilidad)? As, para ir aclarando los conceptos, a continuacin se
presenta la definicin formal de experimento aleatorio.
Llamaremos experimento aleatorio al proceso de obtencin de una observacin en que se cumple alguna de las siguientes condiciones:
a) Todos los resultados posibles son conocidos.
b) Antes de realizar el experimento el resultado es desconocido.
c) Es posible repetir el experimento en condiciones ideales.
Ahora, con el propsito de aclarar mejor la definicin de experimentos aleatorios, en los siguientes ejemplos ilustramos algunos
procesos aleatorios que muestran este tipo de experimentos.
8. Observar las cantidades mxima y mnima de personas que llegan a la estacin Potrero del metro en la Ciudad de Mxico, cada
da, en intervalos de cinco minutos.
9. Medir cada 10 minutos la cada de voltaje en un circuito elctrico con una sola resistencia.
Al proceso por el cual se describen los fenmenos cuyos Adems de los experimentos aleatorios, tambin tenemos los deter-
resultados pueden predecirse, lo llamaremos experimento minsticos, de los cuales enseguida se presenta su definicin y se muestran
determinstico.
algunos ejemplos para su mejor comprensin.
2. El tiempo de cada libre de un objeto. Si se conoce la altura y no existen fuerzas externas, el tiempo de cada se puede predecir
1
por medio de la expresin obtenida en el curso de f sica: h = gt 2 , donde h es la altura, g la aceleracin de la gravedad y t el
2
tiempo de cada.
3. La mezcla de sustancias qumicas para la obtencin de algn compuesto.
Despus de realizar un experimento, por lo general se registran sus resultados para obtener
Entendemos por conjunto a una
coleccin de objetos bien definida las conclusiones correspondientes al fenmeno en estudio, por lo que surge la necesidad de intro-
mediante alguna o algunas ducir un nuevo concepto referente al conjunto de todos los resultados del experimento. El concep-
propiedades en comn. En tanto, to de espacio muestral se emplea en la seccin 1.3, junto con sus propiedades de conjuntos; por
por objeto comprendemos no ahora es suficiente introducir su definicin.
solo cosas fsicas (como discos,
Al conjunto de todos los resultados posibles de un experimento probabilstico lo llamaremos espa-
computadoras, entre otras), sino
cio muestral del experimento y lo denotaremos por S. A su vez, a los elementos de un espacio
tambin cosas abstractas, como
muestral los llamaremos puntos muestrales.
los nmeros o las letras. A los
objetos que forman el conjunto, Los espacios muestrales forman una parte primordial en el desarrollo de la teora de las pro-
los llamamos elementos del babilidades, por lo que es indispensable mostrar algunos ejemplos de estos. Aunque de aqu en
conjunto. adelante se hablar de estos en los captulos subsecuentes.
4. Se realiza el experimento de lanzamiento de dos dados, de los cuales se toma la diferencia del valor mayor menos el valor menor
que resulta en sus caras superiores. En este caso, el espacio muestral resultante es:
S = {0, 1, 2, 3, 4, 5}.
5. Se realiza el experimento de lanzamiento de un dado dos veces, de las cuales se toma la diferencia del valor del primer resultado
menos el valor del segundo resultado de las caras superiores. El espacio muestral resultante es:
{ 5 , 4 , 3 , 2 , 1 , 0 , 1 , 2 , 3 , 4 , 5}
S =
6. Suponga que se tiene un lote de tres refrigeradores de tamao 3 (dos de estos estn en buen estado y uno est defectuoso). En-
tonces, se realiza el experimento de extraer dos refrigeradores del lote, sin que haya un reemplazo. Denotando al refrigerador
bueno por b y al defectuoso por d, determine el espacio muestral.
a) Si en el par elegido se consideran diferencias solo entre los dos buenos, no importa el orden. Cuando se trata de conjuntos
sabemos que no importa el orden en que se coloquen sus elementos. Entonces, denotando a los artculos buenos por b1 y b2,
respectivamente, se tiene:
S = {{b1 , b2 }, {b1 , d }, {b2 , d }}
b) Si en el par elegido se consideran diferencias entre los dos buenos y el orden de extraccin, para distinguir el orden de extrac-
cin de los refrigeradores, los pares elegidos se escriben juntos sin separarlos, indicando que el de la izquierda se extrae antes
que el de la derecha:
S = {b1b2 , b2 b1 , b1 d , db1 , b2 d , db2 } .
c) Solo es de inters si el refrigerador es bueno o defectuoso, no importa el orden:
S = {bb , bd , db}.
Despus de tratar con los espacios muestrales, entonces nos preguntamos: qu pasa si solo consideramos una parte de estos?
Para poder dar una respuesta a la pregunta es necesario definir qu es un evento y qu es un evento simple.
Dado un experimento aleatorio y su espacio muestral S, se llama evento a un conjunto de resultados posibles de S. Podemos notar que
un evento no es ms que un subconjunto de un espacio muestral.
A continuacin definimos los eventos que contienen uno y solo un elemento del espacio muestral, y que sern utilizados de
forma implcita en la siguiente seccin cuando hablemos sobre la corriente clsica de probabilidad.
Al evento que consta de un solo elemento le llamaremos evento simple.
1. Se lanza una moneda tres veces y se anotan los resultados posibles. Sea el evento E: Aparece una sola guila. Representando
guila por a y sol por s, el evento ser:
2. El lanzamiento de una moneda tres veces y el conteo de la cantidad de guilas que aparecen. Sea el evento E : aparece un guila,
E = {1} .
3. El lanzamiento de un dado y la cara superior que resulta. Sea E el evento que denota: el nmero de la cara que resulta no es
mayor a 4.
E = {1, 2, 3, 4 }
4. El lanzamiento de dos dados de los cuales se cuenta la suma que resulta en sus caras superiores. Sea el evento E: la suma de las
caras resultantes es mayor que 4.
E = {5, 6, 7, 8, 9,10,11,12} .
No obstante lo tratado hasta aqu, an no hemos visto cmo asignar probabilidades a los eventos ni cmo definir a esta. La res-
puesta est en la siguiente seccin.
Ejercicios 1.1
1. Suponga que se lanzan tres monedas no cargadas y se obser- d) S existe diferencia entre uno y otro bueno, y entre uno y
va la cantidad de guilas que quedan hacia arriba. otro defectuoso; adems, s importa el orden entre defec-
a) Establezca los elementos del espacio muestral de este ex- tuoso y bueno.
perimento. 4. Una agencia comercial compra papelera a uno de tres ven-
b) Sea A el evento: obtencin de al menos un guila. Escri- dedores V1, V2, V3. El pedido se ordena en dos das sucesivos
ba los elementos de A. (sin repetir vendedor), un pedido por da, tal que V1V3, lo
2. Suponga que se lanzan tres monedas no cargadas y se obser- que significa que el vendedor V1 recibe el pedido el primer
van las combinaciones posibles de resultados que pueden da y el vendedor V3 lo recibe el segundo da. Establezca los
ocurrir con las tres monedas. puntos muestrales de este experimento.
a) Establezca los puntos muestrales de este experimento. 5. En un experimento que consiste en lanzar un dado no car-
b) Sea A el evento Observar al menos un guila. Obtenga gado una vez, al salir un nmero par entonces se lanza una
los puntos muestrales de A. moneda no cargada. En cambio, si el lanzamiento del dado
3. Un aparato electrnico contiene cuatro sistemas electrni- no resulta par, entonces se lanza el dado por ltima vez.
cos. Al azar se seleccionan dos de estos cuatro sistemas para Describa el espacio muestral para este experimento.
someterlos a pruebas rigurosas y clasificarlos como defec- 6. El administrador de una red logstica de autobuses tiene que
tuosos o no defectuosos. Si dos de los cuatro sistemas en tomar la decisin de cmo distribuir dos de tres autobuses
realidad son defectuosos, encuentre el espacio muestral del para viajar a otra ciudad. Represente con a1, a2 y a3 a los tres
experimento suponiendo que: autobuses y describa el espacio muestral del experimento:
a) No se diferencia entre uno y otro bueno, ni entre uno y Seleccionar dos autobuses para viajar a la otra ciudad.
otro defectuoso, ni importa el orden entre bueno y defec- 7. El administrador de una red logstica de autobuses debe to-
tuoso, solo importa cuntos buenos y cuntos defectuo- mar la decisin de cmo ordenar la distribucin de dos de
sos hay. tres autobuses con el fin de que viajen a otra ciudad en dos
b) S existe diferencia entre uno y otro bueno, y entre uno y das sucesivos (sin repetir un autobs). Represente con a1, a2
otro defectuoso; sin embargo, no importa el orden entre y a3 los tres autobuses. Ordene los viajes de tal forma que
bueno y defectuoso, solo importa cuntos buenos y a1a3, lo que significa que el autobs a1 viaja a la otra ciudad
cuntos defectuosos hay. el primer da y el autobs a3 el segundo da.
c) No se diferencia entre uno y otro bueno, ni entre uno y a) Establezca los puntos muestrales de este experimento.
otro defectuoso, pero s importa el orden entre defectuo- b) Qu diferencia observ con la respuesta del problema
so y bueno. anterior?
1.2Interpretaciones de la probabilidad
En la actualidad, la palabra probabilidad es empleada con demasiada frecuencia por las personas; por ejemplo, en expresiones como:
Es probable que hoy estudie estadstica; El equipo mexicano de ftbol est jugando mal, y es muy probable que en su siguiente
partido pierda; El cielo est bastante despejado; por tanto, no hay muchas posibilidades de que llueva; entre otras. Como se pue-
denotar en las expresiones anteriores, las palabras relacionadas con la probabilidad tienen la caracterstica de basarse en sucesos
que pueden ser verdaderos, adems de que a causa de los hechos observados (resultados preliminares, tiempo, etctera), se puede
hablar de la posibilidad de su ocurrencia.
A pesar de los esfuerzos realizados por muchos matemticos para asignar de forma nica la probabilidad a un suceso, todo
hasido en vano, pues desde los inicios de su estudio hasta nuestros das no existe una forma nica de asignacin de probabilidades.
Solo contamos con diferentes corrientes de probabilidad, las cuales se aplican para asignar un valor numrico a la posibilidad de la
ocurrencia de algn suceso probabilstico.1 De hecho, el verdadero significado de la probabilidad an se considera conflictivo; por
tanto, en lugar de iniciar el siguiente texto con una definicin formal de probabilidad, primero trataremos sus cuatro corrientes ms
comunes.
Corriente frecuentista
En la corriente frecuentista tal vez una de las ms empleadas se asigna un valor de probabilidad a un evento E, a partir del cual se
considera que ocurrir. La definicin o interpretacin de la probabilidad est basada, como su nombre lo indica, en la frecuencia
relativa con la cual se obtendra E, si el experimento se repite una gran cantidad de veces, en con-
La frecuencia relativa de un diciones similares (no idnticas, puesto que en este caso el proceso no sera aleatorio).
suceso es igual al cociente de
Un ejemplo de la frecuencia relativa de un suceso es un experimento en el que se lanza una
la cantidad de veces que ocurre
moneda tres veces y se cuenta la cantidad de soles que aparecen. As, sea el evento E: obtencin
el suceso entre el total de veces
que se repite el experimento. de dos soles en los tres lanzamientos; la pregunta es: cul es la probabilidad de que ocurra el
evento E?
Para responder a la pregunta desde el punto de vista frecuentista, se debe realizar el experimento una gran cantidad de ve-
ces. Supngase que el experimento se repite 1000 veces en condiciones similares y como resultado se obtienen 400 casos con dos
400
soles; en tal situacin, se dira que la probabilidad de que ocurra E, ser: = 0.4. Ahora bien, si el experimento se repite 100000
1 000
38 000
veces, de las cuales 38000 resultan con dos soles, diramos que la probabilidad de que ocurra E es: = 0.38, de esta forma po-
100 000
dramos repetir nuestro experimento tantas veces como se quiera y obtener una frecuencia relativa para la probabilidad del evento
E. Entonces, surge la siguiente pregunta: por qu diferentes resultados para un mismo evento? La respuesta est en la interpretacin
de qu entendemos por: repetir el experimento una gran cantidad de veces, qu se entiende por una gran cantidad de veces?, y
cul sera dicha cantidad de repeticiones? Dichas condiciones son muy vagas para servir de base en una definicin cientfica de
probabilidad. Aunado a lo anterior, no es posible repetir una gran cantidad de veces muchos de los fenmenos, por ejemplo:
a) Para calcular la probabilidad de que el lanzamiento de un cohete resulte exitoso, evidentemente no es posible realizar una gran
cantidad de lanzamientos de cohetes; por tanto, la probabilidad se obtiene en forma frecuentista del xito de un lanzamiento.
b) Cmo calcular la probabilidad de que Manuel viva 70 aos? Cules seran las repeticiones?
c) Para calcular la probabilidad de que Juan Prez se case este ao, tampoco podemos realizar una gran cantidad de repeticiones
del experimento; por tanto, se indica el valor numrico que represente desde el punto de vista de la frecuencia relativa que Juan
Prez se case o no este ao.
1Existe una gran cantidad de sucesos en los que cada una de sus alternativas tiene varias soluciones, pero sin que se tenga la posibilidad de una asignacin numrica
de probabilidad, en tal caso se dice que el suceso ocurre bajo incertidumbre.
Corriente subjetivista
En la corriente subjetivista (interpretacin de la probabilidad que es muy empleada en el estudio del anlisis de decisiones) se asig-
nan probabilidades a eventos basndose en el conocimiento o experiencia que cada persona tiene sobre el experimento; por tanto, la
probabilidad asignada est sujeta al conocimiento que el cientfico tenga con respecto al fenmeno estudiado. De este modo, para un
mismo experimento las probabilidades asignadas por diferentes personas pueden ser distintas. En el ejemplo anterior del lanzamien-
to de la moneda tres veces, donde se realiza el conteo de la cantidad de soles que aparecen, el evento E se defini como la obtencin
de dos soles en los tres lanzamientos. La pregunta es: cul es la probabilidad de que ocurra el evento E? Para responder a la pregun-
ta anterior, desde el punto de vista subjetivista, la respuesta depender del conocimiento que se tenga del lanzamiento de la moneda.
Por ejemplo, si el individuo que lanza la moneda puede tener cierta habilidad en el lanzamiento, dar una probabilidad mayor a la
verosimilitud del evento E; por el contrario, si el sujeto no tiene tal habilidad, la probabilidad ser pequea.
La probabilidad subjetiva se suele asignar cuando se tiene poco o nada de conocimiento previo sobre el evento. Es decir, cuando
los eventos se presentan solo una vez o un nmero muy reducido de veces. Por ejemplo, si en una empresa se est programando la
logstica de distribucin de material final, la asignacin de probabilidad de que los recorridos se realicen con xito al no tener infor-
macin de datos histricos, se puede asignar de forma subjetiva.
La interpretacin subjetiva de la probabilidad tiene diferentes dificultades, y una de las principales es la dependencia en el juicio
de cada persona al asignarla, adems de que tal juicio debe estar completamente fuera de contradicciones, lo que es sumamente di-
f cil por depender de la persona que la asigna. Como se hizo mencin antes, a un mismo experimento se le pueden asignar diferentes
probabilidades de xito, dependiendo del cientfico que lo est realizando, aun en el caso de que dos o ms cientficos trabajen en
conjunto. Finalmente, podemos mencionar que en la asignacin de probabilidades subjetivas se emplea, en muchos casos, el conoci-
miento frecuentista que se tenga del experimento.
La asignacin subjetiva de probabilidades fue introducida en 1926 por Frank Ramsey en su libro The Foundation of Mathematics
and other Logical Essays. Posteriormente, Bernard Koopman, Richard Good y Leonardo Savage fueron perfeccionando esta manera
de asignar probabilidades.
Ejercicios 1.2
1. En qu se basa la definicin frecuentista para calcular la a) La probabilidad de que salga una carta roja al seleccionar
probabilidad de un evento? una carta de una baraja de 52.
2. Cmo se considera el espacio muestral en la corriente cl- b) La probabilidad de que salga un 2 o una carta negra al
sica de probabilidad? seleccionar una carta de una baraja de 52.
3. Cmo es la asignacin de probabilidades en los eventos de c) La probabilidad de que salga un 7 o un 8 al seleccionar
la corriente subjetiva? una carta de una baraja de las 52 cartas que contiene el
4. Por qu a la corriente bayesiana se le conoce tambin con el mazo.
nombre de a posteriori? d) La probabilidad de que en 2018 Marcelo Ebrard gane las
5. Cules son las dificultades por las que atraviesa la interpre- elecciones para presidente .
tacin clsica para la asignacin de probabilidades a los dife- e) La probabilidad de que 10 de los siguientes 80 usuarios
rentes eventos? del metro en la estacin Universidad sean estudiantes.
6. Si quiere abrir un negocio en cierta localidad y desea esti- f) La probabilidad de que el siguiente edificio ms alto que
mar una probabilidad de xito, qu tipo de corriente de pro- se construye en China se caiga en 40 aos.
babilidad aplicara en cada una de las situaciones indicadas 8. En los siguientes ejemplos, qu tipo de corriente se pudo
considerando lo siguiente: haber utilizado para la probabilidad asignada?
a) Cuenta con una gran cantidad de datos histricos sobre a) La probabilidad de que Vctor llegue temprano al trabajo
xitos y fracasos en la apertura de negocios del mismo es de 0.65.
ramo que el de usted en localidades semejantes. b) La probabilidad de que Raquel decida casarse este ao es
b) No tiene datos que le muestren algn histrico sobre las de 0.90.
probabilidades de xito de su negocio. c) La probabilidad de que Morelia gane el siguiente partido,
7. Cmo asignara probabilidades a los siguientes eventos? si ha ganado los cuatro ltimos juegos, es de 0.79.
1.3lgebra de eventos
En la seccin 1.1 se definieron los conceptos de espacio muestral y evento, entendiendo por este ltimo un subconjunto del espacio
muestral, entonces es posible utilizar los resultados obtenidos en la teora de conjuntos para los espacios muestrales y los eventos
para construir un lgebra de eventos.
Antes de definir al otro gran grupo de eventos en que se pueden clasificar todos estos, aparte
de los eventos finitos, veamos una definicin de eventos que no necesariamente son finitos, pero
Con la definicin de numerable que s podemos establecer un proceso de conteo entre sus elementos.
o contable se puede verificar
que cualquier evento finito es Se dice que un evento A es numerable o contable si entre sus elementos y el conjunto de los nmeros
numerable, ya que siempre ser naturales, , o algn subconjunto de este existe una correspondencia en la que a cada elemento del
posible establecer un proceso evento A le corresponde uno y solo un elemento de (o de algn subconjunto de ), adems a cada
de conteo entre sus elementos. elemento de (o de algn subconjunto de ), le corresponde un elemento de A.
a 1 ; e 2; i 3; o 4; u5
2. El conjunto de los enteros . Este evento es numerable, ya que podemos ponerlo en correspondencia con el conjunto de los
nmeros naturales de la siguiente manera:
0 1 1 3 25
1 2 2 4 etctera
En donde, 0 1 significa que al cero le corresponde el uno, de manera similar 1 2 , significa que al 1 le corresponde
el 2, etctera.
3. A = { 8, 6, 4, 2, 0, 2, 4, } . Este evento es numerable y su correspondencia la podemos establecer por:
8 1 2 4
6 2 05
4 3 2 6 etctera
Por ltimo, definiremos al otro gran grupo de eventos entre los que podemos clasificar a todos los eventos que no son finitos.
Los conceptos anteriores, aunque sencillos, requieren de gran cuidado en su aplicacin. En los casos de eventos infinitos, se
presentan dificultades para encontrar la correspondencia que indique si son o no numerables. Si a esto agregamos que los eventos
infinitos no siempre son numerables y que la demostracin de esto no es sencilla surgen muchas dificultades para distinguir entre
eventos numerables y no numerables, adems de que es necesaria la introduccin de algunos otros conceptos que quedan fuera del
objetivo del libro. En el texto se tiene que los nicos eventos no numerables con los que tratamos son cuando resulten intervalos. Por
ejemplo, cualquier evento cuyos elementos son los puntos del intervalo (a, b) con a b no es numerable.
Una relacin muy particular entre los eventos consiste en estudiar los casos cuando todos los elementos de un evento dado estn
contenidos en el otro evento, suceso que se define a continuacin.
Sean los eventos A y B correspondientes a un mismo experimento, se dice que A es subevento de B si cualquier elemento que est en A
est tambin en B. Lo anterior se simboliza A B. Es decir, A B; si a A, entonces a B. Cuando existe al menos un elemento de Aque
no est en B, entonces se dice que A B.
Para una mejor comprensin de lo que son los subeventos se proporcionan algunos ejemplos.
Como se mencion antes, entre los elementos de dos o ms eventos puede ser que no exista
1. De las definiciones de igualdad de
eventos y subeventos se deduce alguna propiedad en comn, en dicho caso se dice que ambos se excluyen o, concretamente,
que si A = B, entonces A B que son mutuamente excluyentes, esto se formaliza con la definicin y los ejemplos siguientes.
y B A. Los eventos A y B, correspondientes a un mismo experimento, se llaman mutuamente excluyentes
2. Podemos generalizar que el si no tienen resultados comunes. Es decir, para cualquier a A, se cumple a B; de igual manera,
evento vaco es subevento de para todo b B, tenemos que b A.
cualquier evento.
Entonces, podemos generalizar que el evento vaco es mutuamente excluyente con cualquier otro evento.
Diagramas de Venn-Euler
En muchas ocasiones es preferible emplear una repre-
sentacin grfica de los eventos de un experimento, la S
cual usualmente consiste en representar el espacio mues- A B
tral por rectngulos y los eventos por figuras circulares u
ovaladas en forma simple o sombreada, como se muestra
en la figura 1.2. Estos diagramas se emplean para visuali-
zar las operaciones fundamentales entre eventos y se les
llama diagramas de Venn-Euler en honor a los matem
ticos Leonhard Paul Euler (Basilea, Suiza, 15 de abril de
1707-San Petersburgo, Rusia, 18 de septiembre de 1783) Figura 1.2 Representacin de eventos por medio de diagramas
de Venn-Euler.
y John Venn (Hull, Yorkshire, Inglaterra, 4 de agosto de
1834-Cambridge, 4 de abril de 1923).
S AB
A B
La representacin general de la interseccin mediante diagramas de Venn-Euler, corresponde al rea sombreada de la figura 1.4.
S AB
A B
S AB
A B
S AC
A B
A continuacin se muestra una serie de ejemplos de las operaciones entre eventos, en los que se consideran cualquiera de estas.
{ 6, 4, 2, 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 12}
=
= {1, 2, 3, 4, 6, 8, 9, 10, 12, 14, 15, 16, 18, 19, } {0, 1, 3, 4, } = {2}.
3. Con diagramas de Venn-Euler verifique si son vlidas las siguientes igualdades entre conjuntos.
a) Ac B = B A
S AC S AC B
A B A B
4. Represente en diagramas de Venn-Euler los siguientes hechos: los eventos A y B son mutuamente excluyentes, A C 0 y
B C 0.
A B
Particiones de eventos
En teora del lgebra de eventos es de suma importancia trabajar con algunos eventos especiales donde sus mismos elementos son
eventos de un espacio muestral dado. De hecho, el desarrollo terico de las probabilidades est basado en dichos eventos, pero debi-
do a los fines de un texto prctico de probabilidad y estadstica, nos enfocaremos nicamente a uno de estos que definimos a conti-
nuacin.
Llamaremos familia de eventos al conjunto donde todos sus elementos son eventos. Para diferenciar en la notacin de un simple evento,
a la familia de eventos la representaremos por A, B, etctera.
3. {,{1, 2, 3},{2, 3, 5, 7},{4, 8, 12, 16}} s es una familia de eventos, ya que sus cuatro elementos ,{1, 2, 3},{2, 3, 5, 7} yy {4, 8, 12, 16}
,{1, 2, 3},{2, 3, 5, 7} y {4, 8, 12, 16} son eventos.
4. {1, 2, 3,4 } no es una familia de eventos, puesto que ninguno de sus cuatro elementos es un evento.
A = A A A
i=1
i 1 2 n = { x |existe una i I n tal que x Ai } unin
n
A = A A A
i=1
i 1 2 n = { x | x Ai para toda i I n } interseccin.
En el estudio de los eventos y sus operaciones surgen familias de eventos que debido a sus propiedades son de gran importancia
en la formalizacin del desarrollo de la Teora de las probabilidades, a dichas familias se les da el nombre de particiones.
Particin
Sea A un evento y A1, A2, , An subeventos de A, que forman una familia A = { A1 , A2 ,, An } de eventos, se dice que A es una par-
ticin del evento A, si los subeventos cumplen:
a) Para cualesquiera eventos Ai y Aj , de un mismo experimento, con i, j In, se cumple Ai = Aj o en caso contrario Ai A j =.
n
b) A = Ai .
i=1
2. A1 = {10, 11,, 19}, A2 = {20, 21,, 29}, , A9 = {90, 91, , 100} y A10 los nmeros dgitos.
Aqu, se puede verificar que se cumple la primera condicin de particiones, ya que los 10 eventos son mutuamente excluyentes,
los eventos no forman una particin de A, ya que el evento A10 no es un subevento de A, puesto que 0 A10, pero 0 A.
3. A1 = {10, 11,, 19} , A2 = {20, 21,, 29} , , A9 = {90, 91,, 100} y A10 = {1, , 9}.
Estos eventos s forman una particin del evento A, ya que se cumplen las condiciones:
A =
A1 A2 A10 y todos los pares de eventos son mutuamente excluyentes.
4. A1 = {10, 11, , 19} , A2 = {20, 21, , 29} , , A9 = {90, 91, , 100} , A10 = {1, , 9} , A11 = {10, 11, , 19} .
Estos eventos s forman una particin del evento A, ya que se cumplen las condiciones:
A =
A1 A2 A11 , y todos los pares de eventos son mutuamente excluyentes, excepto los eventos 1 y 11, pero en este caso
se tiene que el evento 11 es igual al evento 1.
5. A = .
a) (
A1 = , 4 ), A2 = [ 4, 7), A3 = [ 7, 45 ], A4 = ( 45, 1 056 ], A5 =+
(1 056, ). Se comprueba que estos eventos s forman
una particin del evento A.
(
b) A1 = , 0), A2 = [ 0, ), estos eventos tambin forman una particin del evento A.
En el ltimo inciso, podemos observar que los dos eventos son complementarios. Es decir, A1 = A2 y A2 = A1. Entonces, el ejem-
c c
Leyes de idempotencia
AA = A AA = A
Leyes asociativas
( A B ) C = A (B C ) ( A B ) C = A (B C )
Leyes conmutativas
A B = B A A B = B A
Leyes distributivas
A (B C ) = ( A B ) ( A C ) A (B C ) = ( A B ) ( A C )
Leyes de identidad
A = A A S = S
A = A S = A
Leyes de complemento
A Ac = S A Ac =
c
(A c ) = A Sc = , c = S
c
Leyes de DeMorgan c
(A B ) = A c B c (A B ) = A c B c
Con ayuda de estas leyes se pueden efectuar demostraciones sobre la igualdad entre eventos, como se muestra en los ejemplos
siguientes.
2. A ( A B ) = A.
A ( A B ) = ( A )( A B ) ley de identidad,
= A ( B ) ley distributiva,
= A ley de identidad,
= A ley de identidad.
3. ( A B C ) ( A c B C ) ( B c C c ) = S
( A B C ) ( A c B C ) ( B c C c ) =
= ( A B C )( A c ( B C ))( B C ) leyes de De Morgan y asociativa,
c
(
) (
c c
)
= ( A B C ) A c ( B C ) ( B C )( B C ) ley distributiva,
(
c
) c
= ( A B C ) A ( B C ) S ley del complemento,
= ( A B C )( A ( B C ) ) ley de identidad,
c c
= ( A B C )( A ( B C )) ley de De Morgan,
c
Ejercicios 1.3
1. Mencione dos ejemplos de eventos finitos y dos de eventos c
e) ( A C ) B .
infinitos. 4. Por medio de diagramas de Venn-Euler verifique que son cier
2. Indique si los siguientes eventos son numerables.
tas las igualdades siguientes:
a) A = {2, 4, 8, 16, 32, } .
a) A B = A B c .
b) A = {a, b, c, d, }. b) A B =
c
( A B )c .
c) A = {45, 44, 43, 42, 41, 40, }. c) ( B A) C = ( B C )( A C ) .
c c c
d) A = [ 2, 1 768 ] d) A ( A B ) = A B .
c
e) A =
c
( 134, 234) . e) ( A B ) = A B .
c c
3. Dado el espacio muestral S = {0, 1, , 20}, los eventos 5. En los eventos siguientes construya una particin de cada
A = {2, 4, 5, 6, 7, 8, 9, 11, 12, 13, 15} , B = {0, 2, 4, , 20} y uno.
C = {2, 3, 5, 7, 11} , encuentre: a) A = {2, 4, 6, 8, 10, 11, 13, 15, 17, 19, 20} .
a) A B .
c c b) A = (2, 24 ) .
c) Nmeros naturales.
b) ( A B ) C .
c c
d) A = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9}
c) A ( B C ) .
c
d) ( B C ) A .
A la terna (S, A, P) se le suele llamar espacio probabilstico. Hechas las aclaraciones anteriores y basndonos en los axiomas 1, 2 y
Note que en la definicin de probabilidad axiomtica no se 3 o los casos particulares del axioma 3, podemos formular los teoremas
menciona el mtodo de obtencin de la probabilidad, es
necesarios para desarrollar una teora axiomtica de la probabilidad.
decir, al nmero P(E) para cualquier evento E en A, se le
puede asignar un valor numrico de probabilidad segn
alguna de las interpretaciones de probabilidad conocidas. Teorema 1.1
Por tanto, llamaremos a P(E) la probabilidad del Sea el evento vaco, entonces P() = 0.
evento E, si para cualquier evento E en A, cumple con Demostracin
los axiomas de Kolmogrov.
En particular, la asignacin de probabilidades segn las Sea el espacio muestral S, por la ley de identidad S = S . Como S y
corrientes de probabilidad mencionadas cumplen con los son mutuamente excluyentes, en virtud del axioma 3, se deduce que
axiomas de Kolmogrov. P ( S ) = P ( S ) = P ( S ) + P (), restando la probabilidad de S en ambos
El axioma 3 generalmente en los textos metodolgicos se
lados de la igualdad, resulta que P() = 0.
formula para dos eventos A y B mutuamente excluyente,
quedando P ( A B ) = P ( A ) + P ( B ) . En el caso de n
Teorema 1.2
eventos E1, E2, E3, , En mutuamente excluyentes, el
axioma est dado por: Para cualquier evento E, P ( E c ) =
1 P ( E ).
n n Demostracin
P (E 1) P (E 2 ) + + P (E n ) = P (E k ).
P E k =+
k =1
Sea el espacio muestral S, y E un evento en S. Por la ley del complemento,
k =1
Teorema 1.3
Para cualquier evento E, 0 P(E) 1.
Demostracin
Sea S el espacio muestral y E un evento en S, del axioma 1 tenemos que P(E) 0 y P(Ec) 0. Por el teorema 1.2, P(Ec) =
1 - P(E), de donde se deduce que P(E) = 1 - P(Ec) 1. Por tanto, 0 P(E) 1.
Teorema 1.4
Si A y B son eventos de un mismo espacio muestral, tales que A B, entonces
P(A) P(B).
Demostracin
De las condiciones del teorema tenemos que A B, por tanto, B se puede representar como B = A ( B A), en donde A y
B - A son mutuamente excluyentes. Del axioma 3, tenemos P ( B ) = P ( A ( B A)) = P ( A) + P ( B A). Por el axioma 1
P ( B A) 0, entonces se cumple
P ( B ) =+
P ( A) P ( B A) P ( A), de donde P ( A) P ( B ).
Teorema 1.5
Para dos eventos cualesquiera A y B de un mismo espacio muestral, se cumple que:
P ( A B ) = P ( A) + P ( B ) P ( A B ).
Demostracin
Empleando las leyes del lgebra, tenemos que:
A B = ( A B ) S ley de identidad,
= ( A B ) ( A A c ) ley del complemento,
= A ( B A c ) ley distributiva.
Adems A y B Ac, son mutuamente excluyentes, entonces
(
P ( A B ) = P A ( B A c ) =+ )
P ( A) P ( B A c ) (1)
De manera similar, se tiene que B = ( A B ) ( B A ), donde A B y B A son mutuamente excluyentes. Por tanto:
c c
( )
P ( B ) = P ( A B ) ( B A c ) = P ( A B ) + P ( B A c )
Despejando P ( B A ), resulta P ( B A ) = P ( B ) P ( A B ) y sustituyendo en la igualdad (1), se obtiene:
c c
P ( A B ) = P ( A) + P ( B ) P ( A B )
Teorema 1.6
Para k eventos cualesquiera A1, A2, , Ak, de un mismo espacio muestral, se cumple que:
k k k
P( Ai ) P( Ai A j )+
P ( A1 A2 Ak )=
i=<
1 i j=<
2 i j<r =3
P ( Ai A j Ar )
++ (1) k1 P ( A1 A2 Ak )
Teorema 1.7
Para dos eventos cualesquiera A y B de un mismo espacio muestral, se cumple que
P( A B ) =P ( A) P ( A B ).
Demostracin
Del ejercicio 4a de los ejercicios 1.3, A B =A B c . Por otro lado, A =
( A B c ) ( A B ) pero A Bc y A B son mutuamente
excluyentes, entonces del axioma 3
P ( A) =
P ( A B c ) + P ( A B ), de donde P ( A B ) =P ( A) P ( A B ).
La formulacin y demostracin de los teoremas del 1.1 al 1.7 fue fundamental para iniciar la construccin de una teora de las proba-
bilidades que ser utilizada en la parte estadstica del texto. Para una mejor comprensin de los teoremas se han diseado algunos
ejemplos que se muestran a continuacin.
Solucin
Empleando el teorema 1.2, tenemos que
1 P ( A c ) =
P ( A) = 1 0.6 = 0.4 y
1 P ( B c ) =
P ( B ) = 1 0.7 = 0.3 .
Finalmente, del teorema 1.5 resulta que
1 P ( A c ) =
P ( A) = 1 0.2 = 0.8 .
Similarmente,
P ( A B ) = 1 P (( A B )c ) =
1 0.2 = 0.8 .
P ( A B ) = P ( A) + P ( B ) P ( A B ).
Despejando P(B)
P ( B ) =
P ( A B ) P ( A) + P ( A B ) = 0.8 0.8 + 0.2 = 0.2.
3. Sean los eventos A y B, correspondientes a un mismo espacio muestral, tales que P ( A c ) = 0.4 , P ( B ) = 0.5 y P ( A B ) = 0.7.
Calcule P(A - B) y P(Ac - Bc).
Solucin
Del teorema 1.2, P ( A) =1 P ( A c ) =1 0.4 = 0.6, y del teorema 1.5 despejando la probabilidad de la interseccin P(AB) =
P ( A B ) = P ( A) + P ( B ) P ( A B ) = 0.6 + 0.5 0.7 = 0.4, del teorema 1.7, tenemos
P( A B ) =P ( A) P ( A B ) =
0.6 0.4 =
0.2 .
De igual manera, para calcular la probabilidad P ( A c B c ) recurrimos al teorema 1.7
P( Ac B c )=
P ( A c ) P ( A c B c ) aplicando la ley de De Morgan,
P ( A c ) P (( A B )c ) con los complementos,
=
=0.4 0.3
= 0.1.
Una de las dificultades de utilizar lgebra de eventos, axiomas de Kolmogrov y teoremas demostrados
es que se deben memorizar sus resultados para poder emplear estas. En lugar de seguir este S AC
camino, mostraremos que combinando las leyes del lgebra, los teoremas del 1.1 al 1.7 y los
diagramas de Venn-Euler, la solucin para este tipo de problemas se simplifica en gran medida. Por
ejemplo, podemos calcular con facilidad las dos probabilidades anteriores si trazamos el diagrama A B
de probabilidades de Venn-Euler.
El diagrama de probabilidades de Venn-Euler se obtiene al agregar las probabilidades a los 0.2 0.4 0.1
sectores del diagrama que resultan de las condiciones del problema. Por ejemplo, en el problema
anterior calculamos:
0.3
1 P ( A c ) =
P ( A ) = 1 0.4 = 0.6 y P ( A B ) = P ( A ) + P ( B ) P ( A B ) = 0.6 + 0.5 0.7 = 0.4 .
Entonces, el diagrama de Venn-Euler de probabilidades para calcular P ( A B ) y P ( A c B c ) Figura 1.9 Diagrama de Venn-Euler de
est dado en la figura 1.9. probabilidades para el ejemplo 1.23 inciso 3.
Explicacin
La probabilidad de la interseccin result P ( A B ) = 0.4; como P ( B ) = 0.5, entonces la parte de B que no pertenece a la interseccin vale 0.1. De
manera similar, del valor P ( A ) = 0.6 podemos concluir que la probabilidad para la parte de A, que no est en la interseccin, debe ser 0.2. Por ltimo,
la probabilidad para el complemento de la unin vale 0.3. De aqu se pueden calcular las probabilidades deseadas mediante los diagramas de Venn-Euler.
Enseguida, dibujamos el diagrama de Venn-Euler para P ( A B ) y P ( A c B c ), obteniendo los diagramas de la figura 1.10.
S AB S AC BC
A B A B
0.3 0.3
4. Un juego consiste en extraer de manera aleatoria dos pelotas al mismo tiempo de una urna que contiene cinco pelotas numera-
das de 1 a 5, de igual forma y tamao. La persona gana si las dos pelotas extradas tienen nmero par, en otro caso la persona
pierde. Calcule la probabilidad de que la persona gane.
Solucin
En este ejemplo el experimento consiste en extraer dos pelotas aleatoriamente de un total de cinco, numeradas del 1 al 5.
Definido el experimento el espacio muestral, en este caso lo podemos numerar, resulta:
{1 2, 1 3, 1 4, 1 5, 2 3, 2 4, 2 5, 3 4, 3 5, 4 5}
S =
En donde la pareja i - j, representa a la extraccin de las pelotas i con la j, con i j e i, j desde 1 hasta 5. El evento E lo definimos,
como: las dos pelotas extradas tienen nmero par. As,
{2 4 }.
E =
Por tanto, del espacio muestral encontrado, y considerando a los puntos muestrales equiprobables (explique esto ltimo!), tene-
mos que la probabilidad del evento E estar dada por:
1
P ( E ) == 0.10.
10
5. Un experimento consiste en lanzar un dado no cargado una vez y, si sale un nmero impar entonces se lanza una moneda no
cargada. Si el lanzamiento del dado resulta par, entonces se lanza el dado por ltima vez.
a) Describa el espacio muestral para este experimento.
b) Asigne probabilidades a los puntos muestrales de acuerdo con las condiciones del experimento. Son equiprobables los pun-
tos muestrales?
La descripcin del espacio muestral es sencilla, simbolizando los resultados del dado por 1, 2, 3, 4, 5 y 6; mientras que los de
la moneda por s para sol y a en el caso de guila, resultando
S = {(1, s ),(1, a ),(2, 1),(2, 2),(2, 3),(2, 4),(2, 5),(2, 6)
(3, s ),(3, a ),(4, 1),(4, 2),(4, 3),(4, 4),(4, 5),(4, 6)
(5, s ),(5, a ),(6, 1),(6, 2),(6, 3),(6, 4),(6, 5),(6, 6)} .
Es decir, el espacio muestral tiene 24 elementos.
Para la asignacin de probabilidades en este momento se dificulta en forma considerable, esto se debe a que no tenemos las
herramientas necesarias para tal efecto (en el captulo tres regresaremos al problema y, como veremos, el clculo de sus
probabilidades es demasiado sencillo, si se resuelve por medio de eventos independientes). Primero, notamos que los puntos
que estn en A:
A = {(2, 1), (2, 2), (2, 3), (2, 4), (2, 5), (2, 6), (4, 1), (4, 2), (4, 3), (4, 4), (4, 5), (4, 6),
(6, 1), (6, 2), (6, 3), (6, 4), (6, 5), (6, 6)}
.
Dichos puntos deben tener la misma probabilidad de ocurrir, puesto que todos se obtienen lanzando el dado dos veces.
Similarmente, los puntos que pertenecen a B deben tener la misma probabilidad de ocurrir (primero se lanza el dado una vez y
despus la moneda):
Observamos que en los dos casos de puntos muestrales A y B una pareja cualesquiera, considerando un punto por evento,
por ejemplo (2, 1) A y (1, s ) B , no han de tener la misma probabilidad de ocurrir, puesto que la probabilidad de que al lanzar
1
el dado resulte 1 es igual a que resulte 2, y son iguales a ; mientras que la probabilidad de que al lanzar la moneda resulte sol, la
6
podemos considerar como 0.5. Es decir:
1 1
probabilidad de 2: probabilidad de 1:
6 6
Para la pareja (2, 1): ; para la pareja (1, s): .
1 1
probabilidad de 1: probabilidad de s:
6 2
Hasta ahora se ha descompuesto al espacio muestral S en dos eventos A y B, mutuamente excluyentes y se ha demostrado que
los puntos muestrales de S no son equiprobables, pero an no hemos asignado probabilidades a los puntos muestrales!
SS** = {(1, 1), (1, 2), (1, 3), (1, 4), (1, 5), (1, 6), (2, 1), (2, 2), (2, 3), (2, 4), (2, 5), (2, 6),
(3, 1), (3, 2), (3, 3), (3, 4), (3, 5), (3, 6), (4, 1), (4, 2), (4, 3), (4, 4), (4, 5), (4, 6),
(5, 1), (5, 2), (5, 3), (5, 4), (5, 5), (5, 6), (6, 1), (6, 2), (6, 3), (6, 4), (6, 5), (6, 6)} .
En este caso A S*, y como todos los puntos de este espacio muestral tienen la misma probabilidad de ocurrir, puesto que se
obtienen de forma semejante (lanzando el dado dos veces) y la cantidad de puntos muestrales es 36, tenemos que la probabilidad de
1 18 1
cualquier punto del evento A es . Por tanto, de la definicin clsica de probabilidad resulta: P ( A) == .
36 36 2
Ejercicios 1.4
1. Sean A y B dos eventos, en un mismo espacio muestral, tales 7. Un aparato electrnico contiene cinco sistemas electrni-
que P ( A) = 0.3, P ( B ) = 0.3 y P ( A B ) = 0.4. Calcule: cos, de los cuales dos son realmente defectuosos. Se selec-
a) P ( A B ) b) P ( A c B c ) cionan al azar y al mismo tiempo dos de los cinco sistemas
2. Sean A y B dos eventos, en un mismo espacio muestral, tales para someterlos a pruebas rigurosas y clasificarlos como de
que P ( A B ) = 0.9. Calcule P ( A B ).
c c fectuosos o no defectuosos. Encuentre el espacio muestral y
3. Sean los eventos A y B, en un mismo espacio muestral, tales los eventos en cada caso si la probabilidad de que los dos
que P ( A) = 0.5, P ( B ) = 0.7 y P ( A B ) = 0.4. Calcule: sistemas probados sean buenos
a) P ( A B ) b) P ( A B ). a) Si no hay diferencia entre buenos, ni entre defectuosos
c c
4. Sean A y B dos eventos mutuamente excluyentes tales que (son indistinguibles entre s).
b) Si existen diferencias entre buenos y entre defectuosos
P ( A) = 0.3 y P ( B ) = 0.6. Calcule P ( A B ).
c c
(son distinguibles entre s).
5. Sean A y B dos eventos mutuamente excluyentes tales que
8. Resuelva el ejercicio anterior cuando la seleccin se realiza
P ( A) = 0.4. Calcule P ( A c B ).
analizando o seleccionando un sistema tras otro. Comente
6. Suponga que se lanzan tres monedas perfectas y se observa
los resultados obtenidos en ambos casos.
la cantidad de guilas que quedan hacia arriba. Establezca
9. Sean los eventos A, B y C en un mismo espacio mues
los puntos muestrales de este experimento y
tral, tales que A y B son mutuamente excluyentes, con
a) Asigne una probabilidad razonable a cada punto. Son
P ( A B C ) = 0.1, P ( A C ) = 0.2, P ( B C ) = 0.1 y P(C)
c
los puntos igualmente probables?
b) Sea A el evento de observar exactamente una vez guila y P (C ) = 0.4. Calcule: P ( A B ). Sugerencia: Trace un diagrama
B el evento de observar al menos un guila. Obtenga los de Venn-Euler.
puntos muestrales de A y B y calcule P ( A c B ).
Ejercicios de repaso
Preguntas de autoevaluacin b) A B A y A B B
c) A - B A
1.1 Explique qu es un modelo matemtico. d) A - B B
1.2 Cmo se le llama al proceso por el que se describen los e) A A - B
resultados de un modelo probabilstico? f) Ac A = S
1.3 Cmo se le llama al conjunto de todos los resultados po- 1.12 Defina una particin del espacio muestral.
sibles de un experimento estocstico? 1.13 Escriba las leyes de De Morgan de lgebra de eventos.
1.4 Cmo se le llama al conjunto que representa a una parte 1.14 Describa los tres axiomas de Kolmogrov para lgebra
de todos los resultados posibles (pueden ser todos los re- finita.
sultados o ninguno) de un experimento estocstico? 1.15 Sean A y B dos eventos cualesquiera de un mismo espa-
1.5 Cules son las corrientes de probabilidad ms comunes? cio muestral. Determine qu incisos son correctos.
1.6 Si una persona asigna probabilidades a eventos depen- a) P ( A B ) = P ( A)
diendo de su experiencia para realizar una toma de b) P ( A B ) P ( A)
decisin, estara empleando la corriente de probabilidad c) P ( A B ) P ( A)
llamada ____________________. d) P ( A c ) = P ( A) 1
1.7 Cuando la probabilidad de ocurrencia de un evento se e) P ( A) = 1 P( A c )
asigna antes que se realice el experimento se le llama pro- 1.16 Responda la siguiente cuestin y justifique su respuesta:
babilidad de tipo ____________________. si el evento E est constituido de solo elementos negati-
1.8 Explique cundo dos eventos son mutuamente exclu- vos, entonces su probabilidad tendr que ser negativa?
yentes. 1.17 Qu evento es un subevento de cualquier otro evento?
1.9 Enumere las operaciones fundamentales entre eventos. 1.18 A B = , solo puede ocurrir si A y B son ___________.
1.10 El resultado de operaciones entre eventos siempre debe 1.19 A B = solo puede ocurrir si:
resultar otro ____________________. 1.20 Si A y B son dos eventos mutuamente excluyentes, qu
1.11 Sean A y B dos eventos cualesquiera de un mismo espa- incisos son correctos?
cio muestral. Determinar qu incisos son correctos. a) Ac y B tambin son mutuamente excluyentes.
a) A B A y A B B b) Ac y Bc tambin son mutuamente excluyentes.
c) P ( A B ) = P ( A) + P ( B ) . a) P ( A c B c ) b) P ( A c B ) .
d) P ( A B ) = P ( A) P ( B ) . 1.28 Sean A y B dos eventos mutuamente excluyentes tales
e) B es un subconjunto de Ac.
que P(A) = x y P(B) = y, con 0 < x + y < 1 y x, y > 0.
f ) P ( A B ) = 0.
g) P ( A B ) = P ( A) . ( c
Calcule P ( A B ) . )
1.21 En trminos generales, el clculo de probabilidades es 1.29 Sean los eventos A y B, mutuamente excluyentes, con
equivalente a: P(Ac) = 0.6 y P(Bc) = 0.7. Calcule P(A B).
a) Predecir el futuro. 1.30 Sean los eventos A y B, en un mismo espacio muestral,
b) Encontrar valores numricos que permitan cuantifi- tales que P(A B) = 0.4. Calcule P(Ac Bc).
car la incertidumbre. 1.31 Sean A y B dos eventos, en un mismo espacio muestral,
c) Establecer relaciones causa-efecto para fenmenos tales que P(A) = 0.7, P(A B) = 0.9 y P(B) = 0.6. Calcu-
naturales o experimentales. le P(Ac B).
d) Ninguna de las anteriores. 1.32 Sean los eventos A y B, en un mismo espacio muestral,
1.22 Indique si las siguientes afirmaciones son verdaderas o tales que P(A) = 0.7, P(Bc) = 0.6 y P(A B) = 0.9. Cal-
falsas y explique su respuesta. cule:
a) El evento A = [ 0,1] es un ejemplo de un evento infi- a) P(Ac B) b) P(Ac Bc)
nito contable, porque contiene un primer y ltimo 1.33 Qu corriente de probabilidad ser conveniente em-
elemento. plear para la asignacin de un valor numrico al suceso
b) El evento A = {1, 2, 3, } es un ejemplo de un even- de que Miguel Prez se case este ao?
to infinito, por tanto no es contable, adems pode- 1.34 El administrador de la logstica de la red de distribucin
mos agregar que no es contable; porque no contiene de una lnea de autobuses tiene que tomar la decisin de
un ltimo elemento. cmo distribuir dos de cinco autobuses que viajen a
1.23 En la formulacin de las siguientes preguntas existe un Guadalajara. Represente por a1, a2, a3, a4 y a5 a los cinco
error, indique cul es. autobuses y contesta lo siguiente.
Nota: No se pide resolver el problema! a) Describa al espacio muestral del experimento al se-
a) Sean A y B dos eventos mutuamente excluyentes leccionar dos autobuses para viajar a Guadalajara.
con: P(A) = 0.5, P(Bc) = 0.6 y P(AB) = 0.1. Calcu- b) Sern los puntos mustrales equiprobables. Justifi-
le P(A B). que su respuesta.
b) Sean A y B dos eventos que forman una particin 1.35 Suponga que se lanzan dos dados. Calcule la probabilidad
delespacio muestral, con: P(A) = 0.5 y P(B) = 0.3. de que la suma de los nmeros de las caras que quedan
Calcule P(A B). hacia arriba sea 7.
c) Sean A, B y C eventos que forman una particin del 1.36 Suponga que se lanzan tres monedas no cargadas y que
espacio muestral S, con: P(A) = 0.4, P(B) = 0.6 y se observa la cantidad de guilas que quedan hacia arri-
P(C) = 0.3. Calcule P(A B C). ba. Establezca los puntos muestrales de este experimen-
d) Si A y B son dos eventos mutuamente excluyentes, to y asigne una probabilidad razonable a cada punto. Sea
entonces en general P ( A B ) = P ( A) P ( B )? A el evento de observar exactamente un guila y B el
evento de observar al menos un guila. Calcule P(A B).
Ejercicios complementarios con grado 1.37 Sean los eventos A = { x | x es un profesionista de Mxi-
de dificultad uno co y es administrador} y B = { x | x es un profesionista
deMxico y sabe finanzas}; el espacio muestral se refiere
1.24 Dado el espacio muestral S = {0, 1, , 20}, los eventos a todos los profesionistas de Mxico, segn datos del
A = {2, 4, 5, 6, 7, 8, 9, 11, 12, 13, 15}, B = {0, 2, 4, , 20} censo de 2005, 10% de los profesionistas mexicanos son
y C = {2, 3, 5, 7, 11}, encuentre: administradores; 30% de los profesionistas mexicanos sa
b) ( A c B ) C
c
a) A c B c ben finanzas, pero solo 7% de los profesionistas son ad-
1.25 Si A es el evento formado por las vocales, indique cul de ministradores y saben finanzas.
las siguientes familias representa una particin de A. a) Son los eventos A y B mutuamente excluyentes? Jus-
tifique su respuesta.
a) {{a , e }, {i , o}, u} c) {a , {e , i , o, u}}
b) Calcule la probabilidad de que al seleccionar aleato-
b) {{a , e }, {i , o},{u}} d) {a , e , i , {o, u}} riamente a un profesionista mexicano sea adminis-
1.26 Suponga que se lanzan cinco monedas no cargadas y ob- trador o conozca de finanzas.
servamos la cantidad de guilas que quedan hacia arriba. c) Calcule la probabilidad de que al seleccionar aleato-
Establezca los elementos del espacio muestral de este ex- riamente a un profesionista mexicano no sea admi-
perimento. nistrador, pero que s conozca de finanzas.
1.27 Sean A y B eventos mutuamente excluyentes, tales que 1.38 Dos ajedrecistas, I y II, tienen la misma capacidad y jue-
P ( A) = 0.3, P ( B c ) = 0.6. Calcule: gan el uno contra el otro una serie de 5 partidas. En cada
partida, no podr haber tablas, ya que en caso contrario, 1.45 Suponga que se lanzan dos monedas cargadas de for-
se jugarn a cinco minutos, hasta obtener un ganador de macontraria, es decir, considrese que la probabilidad de
la partida. Se registra el resultado de cada partida. Sea A que resulte guila en una moneda es 0.3, en dicho caso la
el evento de que el ajedrecista I gane la serie (gane al me- probabilidad de que resulte sol en la otra moneda ser
nos tres veces, en caso de que gane tres partidas la serie tambin 0.3. Observe las combinaciones de todos los re-
se termina), encuentre P(A). sultados posibles que pueden ocurrir con las dos mo
nedas.
Ejercicios complementarios con grado a) Establezca los puntos muestrales de este experimento.
de dificultad dos b) Asigne una probabilidad razonable a cada punto.
Son los puntos igualmente probables?
1.39 Los eventos A, B y C del espacio muestral S, son tales que
1.46 Suponga que se lanzan dos monedas cargadas de forma
A y B forman una particin de C, P(C ) = 0.2 y P(C) =
c
contraria es decir, considrese que la probabilidad de que
4P(A). Calcule P(A), P(B) y P(C).
resulte guila en una moneda es 0.3; en dicho caso la pro-
1.40 Si A y B son eventos diferentes definidos en el mismo es-
babilidad de que resulte sol en la otra moneda ser tam-
pacio muestral, y si P(A B) = 0.4 y P(A B ) = 0.1
c c
bin 0.3. Observe la cantidad de guilas que quedan
Determine P ( A B c )( A c B ) . hacia arriba.
1.41 Sean los eventos A, B y C en un mismo espacio mues- a) Establezca los puntos muestrales de este experimento.
tral,tales que A y B son mutuamente excluyentes, con b) Asigne una probabilidad razonable a cada punto. Son
c
P ( A B C ) = 0.1, P ( A C ) = 0.2, P ( B C ) = 0.1, los puntos igualmente probables?
c) Sea A el evento de observar exactamente una vez
P(C) = 0.6, calcule: P(A) y P(B) si guila y B el evento de observar al menos un guila.
a) P(A) = P(B). Obtenga los puntos muestrales de A y B.
b) P(A) = 2P(B). d) A partir de la respuesta en c), calcule P(A), P(B),
c) 2P(A) = P(B). P(A B) y P(Ac B).
1.42 Los eventos A, B y C del espacio muestral S, son tales que 1.47 Una constructora que trabaja para Casas ARPA ha calcu-
A y B son mutuamente excluyentes, P(A) + P(B) = 1, lado con datos histricos que cuando inicia dos casas al
P(C) = 0.3, P(A C) = 0.1 y P(B) = 4P(A). Calcule P(A) mismo tiempo, la probabilidad de que termine a tiempo
y P(B). ambas casas es 0.3, mientras que la probabilidad de que
1.43 Un experimento consiste en lanzar un dado no cargado termine a tiempo al menos una de las dos casas es de
una vez y, si sale un nmero mayor a 2 entonces se lan- 0.95. Cul es la probabilidad de que en estas condicio-
zauna moneda no cargada. Si el lanzamiento del dado es nes construya a tiempo exactamente una casa?
un nmero menor o igual a 2, entonces se lanza por lti- 1.48 El encargado de llevar a cabo la logstica de la red de dis-
ma vez el dado. Asigne probabilidades a los puntos mues tribucin de una empresa repartidora de refrescos en la
trales e indique, si son o no equiprobables. Ciudad de Mxico ha calculado que la probabilidad de
1.44 Hay cuatro billetes de 200 pesos cada uno, de igual aspec retrasos en su reparto de los das viernes y sbado tiene
to, dos de los cuales son falsos, y se va a pagar una cuenta los siguientes valores. La probabilidad de retrasarse exac-
con dos de esos billetes. La cuenta la cobra el encargado, tamente un da es de 0.3, mientras que la probabilidad de
eligiendo al mismo tiempo dos de los cuatro billetes al retrasarse al menos uno de los dos das es de 0.7. Cul es
azar. Encuentre la probabilidad de que el encargado elija la probabilidad de que en la siguiente semana se retrasen
al menos uno de los billetes falsos. en ambos das?
1.49 Supngase el problema anterior, pero en donde un repartidor que trabaja de lunes a viernes tiene dos causas por las que
puede retrasar sus repartos. Una es por el da y trfico de la semana, La otra causa se debe a manifestaciones que le ocasio-
nan retrasos de hasta una hora, entre una y dos horas y entre dos y tres horas. Las probabilidades se muestran en la tabla 1.2.
Tabla 1.2
Da de la semana
Manifestaciones Lunes Martes Mircoles Jueves Viernes
0-1 hora 0.04 0.05 0.10 0.10 0.20
1-2 horas 0.02 0.03 0.08 0.10 0.10
2-3 horas 0.00 0.01 0.05 0.08 0.04
1.50 El ingeniero de control de calidad de una fbrica de refri- 1.54 Sean A y B dos eventos tales que P(A) = 0.35 y P(B)
geradores tiene que revisar tres de seis refrigeradores en = 0.85, determine el rango de valores que puede tomar
donde hay dos defectuosos. P(A B) y las condiciones para sus valores mximos y
a) Cul es la probabilidad de que en los tres revisados mnimos.
estn los dos defectuosos? 1.55 Los eventos A, B y C del espacio muestral S, son tales
b) Cul es la probabilidad de que entre los tres revisa- que: A y B son mutuamente excluyentes P(B) = 0.4,
dos no exista ningn defectuoso? P ( A B C )c = 0.1 , P(A C) = 0.1 y P(A) = 3P(C).
Calcule P(A) y P(C).
Ejercicios complementarios con grado 1.56 Demuestre que para cualquiera de dos eventos A y B, la
de dificultad tres probabilidad que exactamente uno de los dos ocurra est
dada por la expresin P ( A) + P ( B ) 2 P ( A B ).
1.51 Sean los eventos A, B y C, tales que, S = A B C, 1.57 Sean A y B dos eventos, demuestre que Ac B y A Bc
c
P ( A B C ) = 0.9 , P(C) = 0.6, P(A B) = 0.15, son mutuamente excluyentes.
P(A C) = 0.2, P(B C) = 0.1, y P(A) = 2P(B). Calcule 1.58 Para cualesquier eventos A1, A2, , An, demuestre que
P(A) y P(B). n n
a) P Ai P ( Ai )
1.52 Los eventos A, B y C forman una particin del espa- i==
1 i 1
cio muestral S. En estas condiciones asigne subjetiva- n n
mente probabilidades adecuadas a los eventos y calcule b) P Ai P ( Ai )( n 1)
i== i 1
P ( A C )( A c B c ) . 1