Probabilidad

Prof. Henry Hernández Vega, MSc., P.Eng.

 Experimento aleatorio
Un experimento es un procedimiento que:
Es llevado a cabo bajo condiciones controladas, y
Es ejecutado para descubrir un resultado
desconocido.

Un experimento aleatorio es aquel que

proporciona diferentes resultados aun cuando se
repita siempre de la misma manera.

2
 Espacios Muestrales
El set de todos los posibles
resultados de un experimento
aleatorio es llamado el espacio
muestral (S).
S es discreto si está formado por un
conjunto finito (o infinito contable) de
resultados.
S es continuo si está formado por un
intervalo de números reales.
3
 Ejemplos: Definiendo espacios
muestrales.
Se selecciona aleatoriamente una cámara y se
estima el tiempo de recuperación (recycle time) del
flash. S = R+ = {x | x > 0}, los números reales
positivos.
Supongamos que se sabe que los tiempos de
recuperación están entre 1.5 y 5 segundos. Entonces
S = {x | 1.5 < x < 5} es continuo.
El tiempo de recuperación solo tiene tres valores
(bajo, medio o alto). Entonces S = {bajo, medio, alto}
es discreto.
¿Cumple la cámara con especificaciones de tiempo
de recuperación?
S = {si, no} es discreto.

4
Espacio muestral: diagrama de árbol
Ejemplo: Los mensajes están clasificados de la
siguiente manera: on-time(o) or late(l). Clasifique los
siguientes tres mensajes.
S = {ooo, ool, olo, oll, loo, lol, llo, lll}

5
 Eventos
Un evento (E) es un subconjunto del espacio muestral
de un experimento aleatorio.
Algunas operaciones básicas
La Unión de dos eventos es el evento que está formado
paor todos los resultados contenidos en cualquiera de los
dos eventos. La union se denota como E1 U E2.
La Intersection de dos eventos es el evento que está
formado por los resultados contenidos en ambos
eventos, se denota como E1 ∩ E2.
El Complemento de un evento en un espacio muestral es
el conjunto de resultados en el espacio muestral que no
están en el evento. El complemento se denota como E′.

6
 Ejemplo Eventos Discretos
Supongamos que los tiempos de recuperación de dos cámaras son
recopilados. Consideremos únicamente el caso de que las cámaras
cumplan con la especificación. Usemos abreviaciones:
“y” es SI y “n” es NO.

El espacio muestral es S = {yy, yn, ny, nn}.

Supongamos que E1 denota un evento en el que al menos una

cámara cumple con las específicaciones. Entonces E1 = {yy, yn, ny}
Supongamos que E2 denota un evento en el que ninguna cámara
cumple con las especificaciones. Entonces E2 = {nn}
Supongamos que E3 denota el evento en el que al menos una
cámara no cumple las especificaciones. Entonces E3 = {yn, ny, nn},
E1 U E3 = S
E1 ∩ E3 = {yn, ny}
E1′ = {nn}

7
 Ejemplo Eventos Continuos
Mediciones del espesor de una sección son modelados
con un espacio muestral: S = R+.
Supongamos:
E1 = {x | 10 ≤ x < 12}, E2 = {x | 11 < x < 15}

Entonces:
E1 U E2 = {x | 10 ≤ x < 15}
E1 ∩ E2 = {x | 11 < x < 12}
E1′ = {x | 0 < x < 10 or x ≥ 12}
E1′ ∩ E2 = {x | 12 ≤ x < 15}

8
 Diagramas de Venn
La region sombreada indica la relación en cada diagrama.

9
 Eventos Mutuamente excluyentes
• Los A and B son mutuamente excluyentes porque no
tienen resultados en común.

• Simbólicamente, A ∩ B = Ø

10
 Leyes de eventos mutuamente
excluyentes
Ley Conmutativa (el orden no es importante):
A∩B=B∩A y AUB=BUA

Ley Distributiva (como en algebra):

(A U B) ∩ C = (A ∩ C) U (B ∩ C)
(A ∩ B) U C = (A U C) ∩ (B U C)

Ley Asociativa (como en algebra):

(A ∩ B) ∩ C = A ∩ (B ∩ C)
(A U B) U C = A U (B U C)

11
 Leyes de eventos mutuamente
excluyentes
Ley de Morgan:
(A U B)′ = A′ ∩ B′ El complemento de la union es la
intersección de los complementos.
(A ∩ B)′ = A′ U B′ El complemento de la
intersección es la unión de los complementos.

Ley del complemento:

(A′)′ = A.

12
 Técnicas de conteo
Existes tres reglas especiales, o técnicas de
conteo, para determinar el número de resultados,
tanto en el evento o como en el espacio muestral.
Las técnicas son:
1. Regla de Multiplicación
2. Regla de Permutación
3. Regla de Combinación

Cada una tiene que ser aplicada adecuamente.

13
 Regla de multiplicación
Si una operación puede describirse como una recla
de k pasos, y
El número de maneras de completar el paso
1 es n1, y
Si para cada manera de completar el paso 1
existen n2 maneras de completar el paso 2,
… y (así sucesivamente)
nk maneras de completar el paso k.
Entonces, el número total de maneras de completar la
operación es (de k pasos):

n1 · n2 · … · nk

14
 Ejemplo
Para el diseño de un website, podemos escoger lo
siguiente:

4 colores,
3 fuentes, y
3 posiciones para una imagen.

¿Cuántos diseños son posibles?

Aplicamos la regla de multiplicación: 4 · 3 · 3 = 36

15
 Regla de Permutación
Una permutación de los elementos es un acomodo u
ordenamiento de los mismos.

Si S = {a, b, c}, entonces existen 6 permutationes:

abc, acb, bac, bca, cab, cba (el orden importa)
El número de permutaciones (acomodos) de n
elementos distintos se denota por n!
n! = n·(n-1)·(n-2)·…·2·1
7! = 7·6·5·4·3·2·1 = 5040
Recuerde: 0! = 1

16
Subset de Permutaciones
Para una secuencia de r elementos distintos de n
elementos distintos:

n n!
P = n( n − 1)( n − 2)...( n − r + 1) =
r
( n − r )!
Ejemplo
Un componente en una tarjeta de circuitos tiene ocho
diferentes ubicaciones en la cuál puede ser colocado. Si
se tienen que colocar cuatro componentes diferentes,
¿Cuántos diseños son posibles?
Respuesta: El orden es importante, se usa la fórmula
de permutación con n = 8, r = 4.
88! 8 ⋅ 7 ⋅ 6 ⋅ 5 ⋅ 4!
P = 4 = = 8 ⋅ 7 ⋅ 6 ⋅ 5 = 1680
(8 − 4)! 4!
17
 Permutaciones cuando no todos los
elementos son diferentes
El número de acomodos (permutaciones) de
n = n1 + n2 + … + nr objetos, de los cuales

n1 son de tipo 1,
n2 son de tipo 2, …,
nr son de tipo r es:
n!
n1 ! n 2 ! ... n r !

18
 Ejemplo: Horarios en un hospital
En un hospital, una sala de operación necesita program
tres cirugías de rodilla y dos cirugías de cadera en un día.
La cirugía de rodilla es denotada como k y la de cadera
como h.
¿Cuántas posibles permutaciones hay?
Respuesta: Debido a que las 2 operaciones de cadera son
idénticas y las 3 de rodillas también, tenemos que:

5! 5 ⋅ 4 ⋅ 3!
= = 10
2 !⋅ 3! 2 ⋅ 1 ⋅ 3!
¿Cuál es la lista de secuencias?
{kkkhh, kkhkh, kkhhk, khkkh, khkhk, khhkk, hkkkh, hkkhk,
hkhkk, hhkkk}

19
 Regla de Combinación
Una combinación es la selección de r objetos de un
set de n donde el orden no importa.
Si S = {a, b, c}, n =3, entonces
Si r = 3, solo hay 1 combinación: abc
Si r = 2, hay 3 combinaciones: ab, ac, and bc
# de permutaciones ≥ # de combinaciones
Dado que el orden no importa con las combinaciones,
podemos dividir el # de permutaciones por r!, donde r!
es el # arreglos de r elementos.

nn n!
C = =
r
 r  r !( n − r )!
20
 Ejemplo: Muestreo sin remplazo

Un embarque de 50 partes contiene 3 partes

defectivas y 47 sin defectos. Una muestra de 6
partes es seleccionada de las 50 sin reemplazo.
¿Cuántas muestras de tamaño 6 tienen dos
partes defectivas?

Primero, ¿cuántas maneras hay para seleccionar

2 partes de 3 partes defectuosas?
3 3!
C2 = = 3 manerasdiferentes
2!⋅1!

21
 Ejemplo: Muestreo sin remplazo

Ahora, ¿cuántas maneras hay de

seleccionar 4 de las 47 no defectuosas?

47 47! 47 ⋅ 46 ⋅ 45 ⋅ 44 ⋅ 43!
C 4 = = = 178365 maneras
4!⋅ 43! 4 ⋅ 3 ⋅ 2 ⋅1 ⋅ 43!

22
 Ejemplo: Muestreo sin remplazo
Por tanto de la regla de multiplicación de

2 de 3 defectuosas, y
4 de 47 sin defectos

C23C447 = 3 ⋅178365 = 535095 maneras diferentes

23
 Probabilidad
Probabilidad es la posiblidad o chance de que ocurra
un resultado particular o evento de un experimento
aleatorio.
De momento, vamos a considerar únicamente
espacios muestrales discretos.
Probabilidad es un número en el intervalo [0,1].
Una probabilidad de:
1 significa certeza
0 significa imposibilidad

24
 Tipos de Probabilidad
Probabilidad subjetiva es un grado de creencia.

Ejemplo: “Hay un 50% de posbilidad de que yo

estudie hoy en la noche.”

Probabilidad de frequencia relativa está basado

en que tan frecuente un evento ocurre en un
espacio muestral muy largo.
n ( A)
Ejemplo: lim
n→ ∞ n

25
 Probabilidad basada en posibles resultados
igualmente probables
Cada vez que un espacio muestral esté formado
por N posibles resultados que son igualmente
probables, la probabilidad de cada uno es de 1/N.
Ejemplo:
En un lote de 100 diodos, 1 es un diodo laser. Un
diodo es seleccionado aleatoriamente del lote.
Aleatoriamente significa que cada diodo tiene la
misma probabilidadad de ser seleccionado.
La probabilidad de escoger el diodo laser es 1/100
o 0,01, debido a que cada resultado en el espacio
muestral es igualmente probable.

26
 Probabilidad de un Evento
Para un espacio muestral discreto, la probabilidad
de un evento E, denotada como P(E), es igual a la
una de las probabilidades de los resultados en E.

El espacio muestral discreto puede ser:

Un set finito de resultados
Un set infinito contable de resultados.

27
 Ejemplo: Probabilidades de Eventos
Un experimento aleatorio tiene el espacio muestral
{a,b,c,d}. Estos resultados no son igualmente probables.
Sus posibilidades son: 0,1, 0,3, 0,5, 0,1.
Sea el evento A = {a,b}, B = {b,c,d}, and C = {d}
P(A) = 0,1 + 0,3 = 0,4
P(B) = 0,3 + 0,5 + 0,1 = 0,9
P(C) = 0,1
P(A′ ) = 0,6 and P(B′ ) = 0,1 y P(C′ ) = 0,9
Dado que A ∩ B = {b}, entonces P(A ∩ B) = 0,3
Dado que AUB = {a,b,c,d}, entonces P(AUB) = 1,0
Dado que A ∩ C = conjunto vacío, entonces P(A ∩ C ) = 0

28
 Axiomas de Probabilidad
La probabilidad es un número que se asigna a cada
miembro de una colección de eventos de un experimento
aleatorio y que satisfice las siguientes propiedades:

Si S es el espacio muestral y E es cualquier evento del

experiment aleatorio,
1. P(S) = 1
2. 0 ≤ P(E) ≤ 1
3. Para dos eventos, E1 and E2 con E1 ∩ E2 = Ø,
P(E1UE2) = P(E1) + P(E2)
Los axiomas implican que:
P(Ø) =0 y P(E′ ) = 1 – P(E)
Si E1 está contenido en E2, entonces P(E1) ≤ P(E2).

29
 Reglas de adición
Los eventos compuestos (joint events) se generan al
aplicar las operaciones básicas de los conjuntos a
los eventos individuales. Son de interés:
Uniones de eventos, A U B
Intersecciones de eventos, A ∩ B
Complementos de eventos, A′
Las probabilidades de un evento compuesto a
menudo pueden obtenerse a partir de las
probabilidades de cada uno de los eventos que lo
forman.

30
 Ejemplo Contaminación
Semiconductores
Un componente electrónico es seleccionado
aleatoriamente de un lote. El componente es clasificado
por nivel de contaminación y ubicacion.
Sea H el evento con altas concentraciones de contaminantes.
Entonces P(H) = 358/940.
Sea C el evento donde el componente se encuentra en el centro del
instrument fabricado.Entonces P(C) = 626/940.
P(H∩C) = 112/940
Ubicación
Contaminación Total
Centro Borde
Baja 514 68 582
Alta 112 246 358
Total 626 314 940
P(HUC) = P(H) + P(C) − P(H∩C)
= (358 + 626 − 112)/940
Esta es la regla de adición: P(AUB) = P(A) + P(B) − P(A∩B)
31
 Probabilidad de una Unión
Para cualquiera dos eventos, A y B, la
probabilidad de su unión está dada por:

P( A ∪ B) = P( A) + P( B) − P( A ∩ B)

Si los eventos A y B son mutuamente

excluyentes, entonces
P( A ∩ B) = ϕ ,
and
y lotherefore:
por tanto:
P( A ∪ B) = P( A) + P( B)

32
 Regla de Adición para 3 o más eventos
P ( A U B U C ) = P ( A) + P ( B ) + P ( C ) − P ( A I B )
− P( A I C ) − P( B I C ) + P( A I B I C )

Note el cambio en los signos.

Se dice que una colección de elementos, E1,E2, …E k
esIfmutuamente
a collection ofexcluyente
events Ei aresipairwise mutually
para todos exclusive;
los pares
that is Ei I E j = φ , for
para all i, j
todo
por k
Then : P( E1 U E 2 U ... U Ek ) =
tanto: ∑P( E )i
i =1

33
 Probabilidad condicional
P(B | A) es la probabilidad de ocurrencia de un
evento B, dado que el evento A ha ocurrido.

Ejemplo:
Un canal de comunicación tiene una tasa de error del
1 por 1000 bits transmitidos. Los errores son raros,
pero, cuando se presentan, tienden a ocurrir en
rachas que pueden afectar muchos bits consecutivos.
Si el bit anterior es erróneo, como consecuencia de
las rachas, podría pensarse que la probabilidad de
que el siguiente bit sea erróneo es mayor que 1/1000.

34
 Definición Probabilidad Condicional
La probabilidad condicional de un evento B dado
un evento A, denotado comoP(B | A), es:
P(B | A) = P(A∩B) / P(A) for P(A) > 0.
Para el caso de n resultados igualmente
probables:
P(A) = (número de resultados en A) / n
P(A∩B) = (número de resultados en A∩B) / n
P(B | A) = número de resultdos en A∩B / número de
resulatdos en B

35
 Ejemplo
Sea D un componente es defectuoso y sea F el
evento donde el componente tiene fallas en la
Clasificación Componente
superficie
Falla Superficial
Defectuoso Total
Si (F ) No (F' )
Si (D ) 10 18 28
No (D' ) 30 342 372
Total 40 360 400
P( F ) = 40 400 y
and P ( D) = 28 400
P( D | F ) = P( D I F ) P( F ) = 10
400
40
400 = 10
40

P ( D ' | F ) = P ( D 'I F ) P ( F ) = 30
400
40
400 = 30
40

P ( D | F ') = P ( D I F ') P ( F ') = 18

400
360
400
18
= 360
P ( D ' | F ') = P ( D 'I F ' ) P ( F ') = 342
400
360
400
342
= 360

36
 Muestreo aleatorio

Aleatorio significa que cada elemento tiene la

misma probabilidad de ser escogido. Si más de
un elemento es muestreado, aleatorio significa
que cada resultado del muestreo es igualmente
probable.
2 elementos son escogidos de S = {a,b,c} sin
reemplazo.
El espacio muestral ordenado es:
S = {ab,ac,bc,ba,ca,cb}
El espacio muestral sin ordenar es: S =
{ab,ac,bc}

37
 Ejemplo: Muestreo sin ennumeración
Un lote de 50 partes contiene (10 partes hechas por la herramienta 1 y 40 partes
hechas por la herramienta 2. Si dos partes son seleccionadas aleatoriamente*,

a) ¿Cuál es la probabilidad de que la segunda parte seleccionada estuviera hecha

por la herramienta 2 dado que la primera parte estaba hecha de la herramienta 1?

P(E1)= P(Primera parte seleccionada está hecha con pieza 1) = 10/50

P(E2 | E1) = P(Segunda parte seleccionada está hecha con la herramienta dos dado
que la primera parte seleccionada está hecha con la herramienta 1) = 40/49

b) ¿Cuál es la probabilidad de que la primera parte seleccionada esté hecha con la

primera herramienta y que la segunda parte esté hecha con la herramienta dos?

P(E1∩E2) = P(1era parte viene de herramienta 1 y 2nda parte de la 2)

= (10/50)·(40/49) = 8/49

*Seleccionada aleatoriamente implica que para cada paso de muestreo, los items
que permanecen en el lote son igualmente probables de ser seleccionados.

38
 Regla de Multiplicación
La probabilidad condicional puede ser reescrita
para generalizar una regla generalizada de
multiplicación.

P(A∩B) = P(B|A)·P(A) = P(A|B)·P(B)

La última expression es obtenida al cambiar los

roles de A y B.

39
 Ejemplo: Etapas de fabricación
La probabilidad de que una parte hecha durante la
primera etapa de un proceso de fabricación cumpla
con las especificaciones es 0,90. La probabilidad de
que cumpla las especificaciones en la segunda etapa,
dado que cumple las especificaciones en la primera
etapa, es de 0,95.
¿Cuál es la probabilidad de que la parte cumpla las
especificaciones en las dos etapas?

Sean A y B los eventos en los que la parte cumple

con las especificaciones de la 1era y 2nda etapas,
respectivamente.
P(A∩B) = P(B | A)·P(A) = 0,95·0,90 = 0,855

40
 Dos eventos mutuamente excluyentes
• A y A′ son mutuamente
excluyentes.
• A∩B y A′ ∩B son mutuamente
excluyentes
• B = (A ∩ B) U (A′ ∩B)

Regla de probabilidad total

Para cualquiera dos eventos A y B

41
Ejemplo Contaminación de un chip
La información acerca de la falla de un producto basado en la
contaminación del proceso de fabricación de un chip es dado en
la siguiente table. Encuentre la probabilidad de falla.
Probabilidad Nivel de Probabilidad del
de Falla Contaminación nivel contamin.
0,1 Alto 0,2
0,005 Bajo 0,8

Sea F: el evento donde el producto falla.

Sea H: el evento donde el chip se encuentra expuesto a alta
contaminación durante el proceso de manufactura. Entonces

− P(F | H) = 0,100 y P(H) = 0,2, entonces P(F ∩ H) = 0,02

− P(F | H′ ) = 0,005 y P(H′ ) = 0,8, entonces P(F ∩ H′ ) = 0,004
− P(F) = P(F ∩ H) + P(F ∩ H′ ) (aplicando la regla de probabiliadd total)

= 0,020 + 0004 = 0,024

42
 Regla de Probabilidad Total
(Eventos Multiples)
Se dice que una colección de conjuntos E1, E2, … Ek es
exhaustiva si E1U E2 U…… U Ek = S.
Asumamos que E1, E2, … Ek son k conjuntos mutualmente
excluyentes y exhaustivos. Entonces:
P(B) = P(B ∩ E1 ) + P(B ∩ E2 ) + ... + P( B ∩ Ek )
= P( B | E1 ) ⋅ P( E1 ) + P(B | E2 ) ⋅ P( E2 ) + ... + P( B | Ek ) ⋅ P(Ek )

43
 Ejemplo: Falla del chip
Probabilidad Nivel de Probabilidad del
Al igual que el de Falla Contaminación Nível de Cont.
ejemplo anterior, 0,100 Alto (High) 0,2
halle la probabilidad 0,010 Medio (Medium) 0,3
de falla del chip. 0,001 Bajo (Low) 0,5

44
 Ejemplo Falla del Chip
Sea F el evento donde el chip falla
Sea H el evento donde el chip es expuesto a altos
niveles de contamintación.
Sea M el evento donde el chip es expuesto a niveles
de contamintación medios.
Sea L el evento donde el chip es expuesto a bajos
niveles de contamintación.
Usando la regla de probabilidad total,
P(F) = P(F | H)P(H) + P(F | M)P(M) + P(F | L)P(L)
= (0,1)(0,2) + (0,01)(0,3) + (0,001)(0,5)
= 0,0235
45
 Eventos Independendientes
Dos eventos son independentes si, y solo si,
cualquiera de las siguientes proposiciones es
verdaderas:
1. P(A | B) = P(A)
2. P(B | A) = P(B)
3. P(A∩B) = P(A)·P(B)
Esto significa que la ocurrencia de un evento no
tiene impacto en la probabilidad de ocurrencia de
otro evento.

46
 Ejemplo
La tabla 1 provee 400 partes clasificadas de acuerdo a fallas en la
superficies y de acuerdo a defectos funcionales. Suponga que la
situación es diferente y sigue la situación mostrada en la tabla 2. Sea
F el evento en que la superficie tiene fallas y D el evento en que la
parte es defectuosa.
Los datos muestran si los eventos son independientes:
TABLA 1 Clasificación Partes TABLA 2 Clasificación Partes (otros datos)
Fallas Superficiales Fallas Superficiales
Defectuoso Si (F ) No (F' ) Total Defectuoso Si (F ) No (F' ) Total
Si (D ) 10 18 28 Si (D ) 2 18 20
No (D' ) 30 342 372 No (D' ) 38 342 380
Total 40 360 400 Total 40 360 400

P (D |F ) = 10/40 = 0,25 P (D |F ) = 2/40 = 0,05

P (D ) = 28/400 = 0,10 P (D ) = 20/400 = 0,05
diferente igual
Eventos D y F son dependientes Eventos D y F son independientes
47
 Independencia con Eventos Multiples

Los eventos E1, E2, … , Ek son independientes, si y sólo

si, para cualquier subconjunto Ei1, Ei2, … , Eik ,

P(Ei1∩Ei2 ∩ … , ∩ Eik) = P(Ei1)·P(Ei2)·…·P(Eik)

48
 Ejemplo
La probabilidad de que una pieza se encuentre contaminada con partículas grandes
es 0,01 y que las piezas son independientes; esto es, que la probabilidad de que una
pieza contenga partículas grandes no depende de las características de las otras
piezas. Si se analizan 15 piezas, ¿cuál es la probabilidad de no encontrar piezas con
partículas largas?

Solución:

Sea Ei el evento en el que la i-ésima parte no contenga partículas largas,

i = 1, 2, …,15.

entonces , P(Ei) = 0,99.

La probabilidad requerida es P(E1∩E2∩ … ∩ E15).
Del supuesto de independencia,

P(E1 ∩ E2 ∩ … ∩ E15) = P(E1)·P(E2)·…·P(E15)

49 = (0,99)15 = 0,86.
 Teorema de Bayes
Thomas Bayes (1702-1761) fue un matemático
inglés y un ministro presbisteriano.
Su idea era que nosotros observaramos
probabilidades condicionales a través de
información previa.
El teorma de Bayes establece:

50
 Ejemplo
La probabilidad condicional de que exista un alto nivel de contaminación
cuando la parte falla, se va a determinar. Ver la información en la
siguiente tabla.

Probabilidad Nivel de Probabilidad del

de Falla Contaminación nivel contamin.
0,1 Alto 0,2
0,005 Bajo 0,8

Solución:
Sea F el evento donde el producto falla, y sea H el evento en el cual el
chip está expuesto a altos niveles de contaminación.

P(F | H ) ⋅ P(H ) 0 ,10 ⋅ 0 , 20

P(H | F ) = = = 0 ,83
P(F ) 0 , 024
P (F ) = P (F | H ) ⋅ P (H ) + P (F | H ') ⋅ P (H ')
51 = 0 ,1 ⋅ 0 , 2 + 0 , 005 ⋅ 0 ,8 = 0 , 024
 Teorema de Bayes
Si E1, E2, … Ek son k conjuntos mutualmente exclusivos
y exhaustivos y B es un evento cualquiera
P ( B | E1 ) P ( E1 )
P ( E1 | B ) =
P ( B | E1 ) P ( E1 ) + P ( B | E2 ) P ( E2 ) + ... + P ( B | Ek ) P ( Ek )

donde P(B) > 0

Note : La expression del numerador es siempre uno de

los términos en la suma del denominador.

52
 Ejemplo
Un productor de impresoras obtiene las siguientes probabilidades de
una base de datos de prueba. Las fallas están asociadas con tres tipos
de problemas: (H) hardware, (S) software, y (O) otro (como
conectores), con probabilidades de P(H) = 0,1, P(S) = 0,6, y P(O) = 0,3.
También, la probabilidad de falla de la impresora dado que el hardware
es el problema es P(F | H) = 0,9, P(F | S) = 0,2, y P(F | O) = 0,5. Si la
falla ocurre, determine si es más probable debido a hardware, software
u otros. P ( F ) = P ( F | H ) P ( H ) + P ( F | S ) P ( S ) + P ( F | O ) P (O )
= 0.9(0.1) + 0.2(0.6) + 0.5(0.3) = 0.36
P ( F | H ) ⋅ P ( H ) 0.9 ⋅ 0.1
P(H | F ) = = = 0.250
P(F ) 0.36
P ( F | S ) ⋅ P ( S ) 0.2 ⋅ 0.6
P(S | F ) = = = 0.333
P(F ) 0.36
P ( F | O ) ⋅ P (O ) 0.5 ⋅ 0.3
P (O | F ) = = = 0.417
P(F ) 0.36
Note los condicionales dado que existe falla suman a 1
(0,25+0,333+0,417). Debido a que P(O | F) es el mayor, entonces
53 la casa más probable es la categoría otro.
 Variable aleatoria
Una variable que está asociada con un número
(resultado) de una observación (experimento
aleatorio)
Una variable aleatoria es una función que asigna
un número real a cada resultado de un
experimento aleatorio.
Una variable aleatoria es denotada por una letra
mayúscula, por ejemplo X. Despúes de que el
experimento es llevado a cabo, el valor medido
de las variable aleatoria es denotado x = 70
milliamperes. X y x son mostradas en itálicas.

54
 Variables aleatorias discretas y continuas
Una variable aleatoria discreta es una
variable aleatoria con un rango finito o con
un rango infinito contable. Sus valores se
obtienen contando.
Una variable aleatoria continua es una
variable aleatoria con un intervalo (finito o
infinito) de números reales.

55
 Ejemplos de variables discretas y continuas.
Variables aleatorias discretas:
Número de rayones en una superficie.
Proporción de partes defectuosas entre 100 partes
probadas.
Número de bits recibidos como error.
Número de acciones negociadas en la bolsa en un
día.
Variables aleatorias continuas:
Corriente eléctrica y voltaje.
Medidas físicas. Ejemplo longitud, peso, tiempo,
temperaturas, presión,

56