Investigación de Operaciones II

LEYES DE PROBABILIDAD

La probabilidad tiene que ver con los resultados aleatorios de un experimento.

La conjunción de todos los resultados es el espacio de muestreo, y un
subconjunto de éste es un evento. A modo de ilustración, el experimento de
lanzar un dado (de 6 caras) produce el espacio de muestreo {1, 2, 3, 4, 5,6}. El
subconjunto {l, 3, 5} define el evento de obtener valores impares.

Un experimento también puede ocuparse de un espacio de muestreo continuo.

Por ejemplo, el tiempo entre las fallas de un componente electrónico puede
asumir cualquier valor no negativo.

Si un evento E ocurre m veces en un experimento de n ensayos, entonces la

probabilidad de realizar el evento E se define como:

La definición dice que cuando el experimento se repite un número infinito de

veces (𝑛 → ∞), la probabilidad de realizar un evento es m/n. Por ejemplo,
cuantas más veces se lanza una moneda equilibrada, más se acercará la
estimación de P{cara} (o P{cruz}) al valor teórico de 0,5.

Por definición:

Un evento E es imposible si P{E} = 0, y seguro si P{E} = 1. Por ejemplo, en el

experimento del dado de 6 caras, obtener un siete es imposible, pero obtener un
número en el rango de 1 a 6 es seguro.

Ejercicio:

En una encuesta dirigida en las preparatorias del estado de Arkansas para

estudiar la correlación entre las calificaciones de matemáticas de estudiantes del
último año y la inscripción en carreras de ingeniería, 400 de 1000 estudiantes
encuestados han estudiado matemáticas. La inscripción en carreras de ingeniería
muestra que, de los 1000 estudiantes de último año, 150 han llevado
matemáticas y 29 no. Determine las probabilidades de los siguientes eventos:
(a) Un estudiante que llevó matemáticas se inscribe (o no) en una carrera de
ingeniería.
(b) Un estudiante que ni llevó matemáticas ni se inscribe en una carrera de
ingeniería.
(c) Un estudiante que no está en una carrera de ingeniería.

1
Ley de la adición de probabilidad

La unión de dos eventos E y F es E + F o E ∪ F, y su intersección es EF o E ∩ F. Los

eventos E y F son mutuamente excluyentes si la ocurrencia de uno excluye la
ocurrencia del otro, P{EF} = 0. Basada en estas definiciones, la ley de adición de
probabilidad puede formularse como:

Ejemplo

Considere el experimento de lanzar un dado. El espacio de muestreo del experimento es

{1, 2, 3, 4, 5, 6}. Para un dado equilibrado, tenemos:

Ejercicio:

Ann, Jim, John y Nancy se han programado para competir en un torneo de frontenis. Es
dos veces más probable que Ann derrote a Jim, y Jim está al mismo nivel que John. El
pasado registro ganador de Nancy contra John es uno de tres. Determine lo siguiente:

a) La probabilidad de que Jim gane el torneo.

b) La probabilidad de que una mujer gane el torneo.
c) La probabilidad de que ninguna mujer gane.

2
Ley de probabilidad condicional

Dados los dos eventos E y F con P{F} > 0, la probabilidad condicional de E dado F se
calcula como:

Si E es un subconjunto de F, entonces P{EF} = P{E}. Los dos eventos son

independientes si, y sólo si:

En este caso, la ley de probabilidad condicional se reduce a:

Ejemplo

Usted participa en un juego en el que otra persona lanza un dado. No puede ver el dado,
pero le informan sobre los resultados. Su tarea es predecir el resultado de cada
lanzamiento. Determine la probabilidad de que el resultado sea 6, dado que le dicen que
el resultado fue un número par.

Sea E = {6}, y defina F= {2,4 o 6} por lo tanto:

Observe que P{EF} = P{E} porque E es un subconjunto de F.

Ejercicio:

Los graduados de preparatoria con una calificación de al menos 26 pueden buscar

ser admitidos en dos universidades, A y B. La probabilidad de ser aceptados en A es de
0.4, y de 0.25 en B. La probabilidad de ser aceptado en ambas universidades es de sólo
15%.
(a) Determine la probabilidad de que el estudiante sea aceptado en B, dado que también
fue aceptado en A.

(b) ¿Cuál es la probabilidad de que sea aceptado en A, dado que el estudiante fue
aceptado en B?

3
Teorema de Bayes: Dados los dos eventos A y B, entonces:

Probabilidades a posteriori (de Bayes). En algunos casos la precisión de las

estimaciones puede mejorarse por medio de experimentación adicional. Las
probabilidades resultantes se conocen como probabilidades a posteriori (o de Bayes),
en contraste con las probabilidades a priori determinadas a partir de datos duros sin
procesar.

Ejercicio:

Las estadísticas muestran que 70% de los hombres sufren de alguna forma de cáncer de
próstata. El examen del antígeno prostático específico (PSA, por sus siglas en inglés)
resulta positivo 90% de las veces en los hombres afectados, y 10% en hombres sanos.
¿Cuál es la probabilidad de que un hombre que haya resultado positivo no tenga cáncer
de próstata?

VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD

Los resultados de un experimento pueden ser naturalmente numéricos (por ejemplo

el lanzamiento de un dado), o estar representados por un código (como en el caso del
lanzamiento de una moneda con el resultado cara/cruz codificado como 0/1). La
representación numérica de los resultados define lo que se conoce como variable
aleatoria.
Una variable aleatoria, x, puede ser discreta (como en el lanzamiento de un
dado) o continua (como en el tiempo para que falle un equipo). Cada variable x
aleatoria continua o discreta puede ser cuantificada por una función de distribución de
probabilidad (fdp), f(x) o p(x), que satisface las siguientes condiciones:

4
Una importante medida de probabilidad es la función de distribución acumulada
(FDA), definida como:

OBS: Una variable aleatoria continua tiene una probabilidad 0 de adoptar exactamente
cualquiera de sus valores. En consecuencia, su distribución de probabilidad no se puede
presentar en forma tabular. En un principio esto parecería sorprendente, pero se vuelve
más probable cuando consideramos un ejemplo específico. Consideremos una variable
aleatoria cuyos valores son las estaturas de todas las personas mayores de 21 años de
edad. Entre cualesquiera dos valores, digamos 163.5 y 164.5 centímetros, o incluso
entre 163.99 y 164.01 centímetros, hay un número infinito de estaturas, una de las
cuales es 164 centímetros. La probabilidad de seleccionar al azar a una persona que
tenga exactamente 164 centímetros de estatura en lugar de una del conjunto
infinitamente grande de estaturas tan cercanas a 164 centímetros que humanamente no
sea posible medir la diferencia es remota, por consiguiente, asignamos una probabilidad
0 a tal evento. Sin embargo, esto no ocurre si nos referimos a la probabilidad de
seleccionar a una persona que mida al menos 163 centímetros pero no más de 165
centímetros de estatura. Aquí nos referimos a un intervalo en vez de a un valor puntual
de nuestra variable aleatoria. Nos interesamos por el cálculo de probabilidades para
varios intervalos de variables aleatorias continuas como P(a < X < b), P(W ≥ c), etc.
Observe que cuando X es continua:

Es decir, no importa si incluimos o no un extremo del intervalo. Sin embargo, esto no es

cierto cuando X es discreta.

Ejemplo

Considere el experimento de lanzar un dado representado por la variable aleatoria x=

{1, 2, 3, 4, 5, 6}. La fdp y la FDA asociadas son:

La figura siguiente grafica las dos funciones. La fdp p(x) es una función discreta
uniforme porque todos los valores de las variables aleatorias ocurren con iguales
probabilidades.

5
Ejemplo

La contraparte continua de la p(x) uniforme se ilustra mediante el siguiente

experimento. Suponga que el error en la temperatura de reacción, en °C, en un
experimento de laboratorio controlado, es una variable aleatoria continua X que tiene la
función de densidad de probabilidad:

a) Verifique que f(x) es una función de densidad.

b) Calcule P(0 < X ≤ 1).

c) Calcule F(x) para la función de densidad dada y utilice el resultado para evaluar
P(0 < X ≤ 1)

Ejercicio:

Considere la siguiente función:

a) Determine el valor de la constante k que hará que f(x) sea una fdp.
b) Determine la FDA y encuentre la probabilidad de que x sea:
i) mayor que 12
ii) tenga un valor entre 13 y 15.

6
EXPECTATIVA DE UNA VARIABLE ALEATORIA

Si h(x) es una función real de una variable aleatoria x, el valor esperado de h(x) se
calcula como:

Ejemplo

Durante la primera semana de cada mes pagué todas mis facturas y contesté algunas
cartas. Suelo comprar 20 estampillas de primera clase cada mes para este propósito. En
realidad, la cantidad de estampillas que uso varía al azar entre 10 y 24 con iguales
probabilidades. Determine el promedio de estampillas que sobran (es decir, el excedente
promedio) por mes.

La fdp de la cantidad de estampillas utilizadas es:

El número de estampillas sobrantes es:

Por lo tanto,

5
El producto (0) representa el resultado de quedarse sin estampillas lo que
15
corresponde a la probabilidad de utilizar al menos 20 estampillas; es decir:

7
Ejercicio:

El propietario de un puesto de periódicos recibe entre 50 y 70 ejemplares del periódico

Al Ahram cada mañana. La cantidad de ejemplares vendidos, x, varía al azar de acuerdo
con la siguiente distribución de probabilidad:

a) Determine la probabilidad de que el propietario venda entre 50 y 70 ejemplares.

b) Determine el número esperado de ejemplares no vendidos por día si el
propietario recibe 50 ejemplares.

Media y varianza (desviación estándar) de una variable aleatoria

El valor medio E{x} mide la tendencia central (o suma ponderada) de la variable
aleatoria x. La varianza var{x} mide la dispersión o desviación de x alrededor de su
valor medio. Su raíz cuadrada se conoce como desviación estándar de x, Desv.Est.{x}.
Una desviación estándar grande implica una alta incertidumbre.
Las fórmulas para la media y la varianza de derivan a partir de la definición general de
E{h(x)} en la sección anterior, al sustituir h(x) = x para obtener E{x} y sustituir
h(x) = (x = E{x})2 para obtener var{x}; es decir:

Ejemplo