PARTE Il: TEORIA DE PROBABILIDADES Unidad Il: PROBABILIDAD 2.1 Espacios muestrales y eventos La teoria de la probabilidad es la teoria matemética que modela los fenémenos o experimentos aleatorios. Estos deben contreponerse a los fenémenos deterministicos, en los cuales el resultado de un experimento, realizado bajo Condiciones determinadas, produce un resultado Unico o previsible Un experimento determinista es aquel el que se obtiene el mismo resultado Cuando se repite el experimento en las mismas condiciones. Por ejemplo, al quemar gas propano en presencia del oxigeno, se produce gas carbénico mas agua. Un experimento aleatoric (0 estocdstico) es equel en ei que al repetir el experimento en igualdad de condiciones los resultados varien, a pesar de mantener constantes las condiciones con las que se realiza el experimento. Por ejemplo, cuando se lanza un dado y se observa su resultado. En el exoerimento los resultados son 1, 2, 3, 4,566 Asi pues, los experimentos en los que si podemos decir lo que va a ocurrir, sé les llama experimentos determinisias. A los experimentos en los cuales no sabemos |o que va a ocurrir se les llama experimentos aleatorios ESPACIO MUESTRAL Al conjunto de todos los posibles resultados de un experimento aleatorio se le llama espacio 2 muestral y se denota por S. Cada resultado se llama elemento o miembro del espacio muestral o simplemente, punto muestral. Por ejemplo, si en el lanzamiento de un dado consideramos el nimero que aparece en la cara superior, entonces S =(1, 2, 3, 4, 5, 6} Tipos de espacios muestrales: + Espacio muestral discreto, aquel que es finito 0 infinito contable. Por ejemplo, en el lanzamiento de un dado $ ={1, 2, 3, 4, 5, 6} 0 los resultados que se obtienen cuando se lanza una moneda hasta que aparece una cara S =(H, TH, TTH, TITH, TTTTH, ...} * Espacio muestral continuo, aquel que es infinito no contable, que resulta de una_medicién. Por ejemplo, el pH es una medida ce acidez 0 alcalinidad de una 7disolucién acuosa. La escala de pH tipicamente va de 0 a 14 en una disolucion acuosa, es un valor en el intervalo real [0, 14]. « Diagrama de arbol Util para listar los elementos de S en forma sisteméatica. Por ejemplo, lanzamiento de una moneda dos veces. H Hi cara T: cruz Primer Segundo lanzamiento —_ lanzamiento S={HH, HT, TH, TT} Regla: Se utiliza para describir un espacio muestral S cuando él posee un numero grande 0 infinito de puntos. Por ejemplo, considérese el espacio muestral S, en donde t es la vida util en ates de cierto microprocesador, entonces S ={t| 120). EVENTO | Un evento es cualcuier subconjunto del espacio muestral S, Evento simple el formado por un s6io resultado y compuesto si consta de mas de un resultado. 5 AcS “Aes subconjunto de S* Si Ses el espacio muestral asociado a un experimento, entonces S mismo es un evento conocido como evento seguro. 72Un evento que no contiene elementos se denomina evento imposible o Incierto 0 vacio y se representa por ©. Por ejemplo, sea B=(wx es un factor par de 5}, entonces B= ©, puesto que los tinicos factores posibles de 5 son 1 y 5. Teoria de conjuntos 1. Unién de A y B, A U B, se lee “union de A y B", contiene todos los elementos que pertenecen a A, a B, 0 a ambos. | 2. Interseccién de Ay B, ANB, se lee ‘interseocién de Ay B’, contione todos los elementos que pertenecen a ambos conjuntos Ay B. Son los elementos comunes 2 Ay B. 3. Compiemento de A, A’ o A°, se lee “complemento de A’, contiene todos los elementos en S que no pertenecen a A. 4. Diferencia de Ay B, AB, se lee “diferencia de A y B", contiene todos los | elementos que pertenecen a A pero no 4B, con esto, A-B=AN BY. 3, c. Observe que: ‘AOB"=AUB; ‘AVB'=ANB; “noA'=A° “A menos BY =A-B= "A y no B’ =ANB’, Por ejemplo, sea A: componente usado y B: componente defectuoso. Considere los eventos: usado 0 defectuoso = Ao B =AUB usado y defectuoso= Ay B= ANB no usado= no A=A° usado y no defectuoso= A yno B= AN B°=A-B Eventos mutuamente excluyentes Eventos mutuamente excluyentes o disjuntos si A B= ©, es decir, si Ay B no tienen elementos en comtin, 0 si no pueden ocurrir simultaneamente. | PROPIEDADES MAS IMPORTANTES DE EVENTOS AN O=O AU O=A ANA’= O AUA’=S © HANH HRON> Los resultados 8. y 9. constituyen la Ley de D’Morgan.Ejemplo 2.1. Considérese el lanzamiento de un dado. Sea A=ntimero par y B: numero primo. AU Ejemplo 2.2, Sea el diagrama de Venn. Qué evento representa la region 1? Qué evento representa la region 4? 4.Cémo expresa con palabras la region 37 Ejemplo 2.3. ,Cémo expresa en términos de uniones e intersecciones de A, By C y de sus complementos “ocurre A y B, pero no C"? gTan solo ocurre A? 2.2 Definicion de probabilidad La idea de probabilidad surge por la necesidad de medir fa incertidumbre o verosimilitud que posse cada suceso asociado a un experimento aleatorio, Actualmente, la teoria de la probabilidad encuentra aplicacién en las més variadas famas del conocimiento, como puede ser la fisica, Ia quimica, la biologia, la medicina, la psicologla, la ciencia politica, la educacién, la economia, los negocios, la investigacion de operativa y todas las ramas de la Ingenieria. La probabilidad de que un evento ocurra se evallia por medio de un conjunto de ntimeros llamados probabilidades. Antes de profundizar en la forma como se utilizan las probabilidades, es necesario conocer de cierta manera de donde provienen. Le definicién clasica o a priori de probabilidad proveniente de los juegos de azar 0 enfoque cldsico de Leplace, se emplea cuando los espacios muestrales son finitos y tienen resultados igualmente probables; la definicién frecuencial 0 empirica o a Posteriori de probabilidad, que se basa en la frecuencia relativa de ocurrencia de un evento con respecto @ un gran numero de ensayos repetidos y por titimo la definici6n de Kolmogorov o |a definicién axiomatica de probabilidad. Seleccionar uno de las tres definiciones dependeré de la naturaleza del problema. Definicién clasica 0 a priori o teorica Se utiliza si los resultados son igualmente probables. Es la manera mas antigua de medir lo incierto, con origen en los juegos de azar. Esta definicién clésica de probabilidad fue una de las primeras que se dieron (1900) y se atribuye a Laplace; también se conoce con el nombre de probabilidad a prior’ pues, para calcularla, es necesario conocer, antes de realizar el 8experimento eleatorio, el espacio muestral y el nimero de resultados o sucesos elementales que entran a formar parte del suceso. Nos interesa ahora la medida numérica de la posibilidad de que courra un suceso A cuando se realize el experimento aleatorio. A esta medida la llamaremos probabilidad del suceso A y la representaremos por P(A) DEFINICION CLASICA DE PROBABILIDAD O A PRIORI Si A es el evento formado por h resultados del espacio muestral y, el niimero de resultados posibles es 1, entonces PA) n néimero de casos favorablesal suceso A nlimero de casos posibles | 6 PAE PierreSimon Laplace Esta definicién es de uso limitado puesto que descansa sobre la base de las siguientes dos condiciones: 1. El espacio muestral de todos los resultados posibles § es fini; y 2. Los resultados del espacio muestral deben ser igualmente probables ‘A partir de esta definicién, se pueden deducir algunas propiedades importantes 1. Cuando no existan casos favorables (suceso imposible), la probabilided sera cero. 2. Si los casos favorables son todos los posibles (suceso seguro), la probabilidad sera 1 Por consiguiente, la probabilidad siempre oscilara entre un valor minimo (0) y un valor maximo (1). Por ejemplo, cuando dos dados se lanzan separadamente, hay n=36 resultados. S| ambos dados no estén cargados, los 36 resultados son igualmente probables, asi que para un evento A, cualquiera, P(A)=1/36, con i=1,2,...,36. Entonces, el avento E: suma de los nimeros igual a 7, estd formado por los seis resultados (1.6), (2,5), (3:4), (4.3), (5.2) y (6,1), asi que P(E)=No. casos favorables / No. casos posibles=h/n=6/36 Baraja La baraja inglesa es un conjunto de naipes 0 cartas, formado por 52 cartas repartidas en cuatro palos (manjeres) La baraja esté dividida en cuatro palos, dos de color rojo y dos de color negro: Picas/Espadas «, (negra) Corazones ¥, (roja) Diamantes ¢, (roja) Tréboles #. (negra) 16Cada palo esté formado por 13 cartas, de las cuales 9 cartas son numerales y 4 literales. Se ordenan de menor a mayor rango de la siguiente forma: 2, 3, 4, 5, 6, 7, 8, 9, 10, J (sota), Q (reina), K (rey) y A (as) (que vendria siendo el 1). Ejemplo 2.4. Selecciénese una carta al azar de una baraja corriente de 52 cartes. Sea el evento A: seleccionar una espada; B: seleccionar J, Qo K y ANB: selecoionar espada y seleccionar J_ Qo K. Entonces, P(A)=hin=13/62=1/4; P(B)=hin=12/52=8/13; y P(A NB)= hin=3/52 Definicién empirica o frecuencia! o a posteriori o de Von Mises La aplicacién de la definicién cldsica de probabilidad puede presentar dificultades de aplicacion cuando el espacio muestral es infinito 0 cuando los posibles resultados de un experimento no son _ equiprobables, Desafortunadamente, hay situaciones practicas que son de este tipo y la definicin de Laplace no se puede aplicar. Por ejemplo, si se pregunta por la probabilidad de que una determinada maquina produzca articulos defectuosos, entonces no hay forma de introducir resultados igualmente probables. Por ello se necesita una definicion mas general de probabilidad. Una forma de dar respuesta a esta pregunta es obtener algunos datos empiricos nun intento por estimar las probabilidades, Si se realize n veces un experimento aleatorio y el suceso A se presenta l, veces, su frecuencia relativa es fs=N/n. Como consecuencia de la propia definicién, resultan las siguientes propiedades: 1. Osf,s1 2. f4=0 si Ano ocurre y {4=1 si A ocurre en cada repeticién. 3. Ay B disjuntos, faus= fa* fo La definicin empirica de probabilidad nos permite afirmar que la probabilidad de obtener un determinado suceso A es el valor hacia el cual tiende la frecuencia relativa, cuando el numero de observaciones tiende a infinito. Es imposible llegar a este limite, ya que no pademos repetir el experimento un numero infinito de veces, pero si podemos repetirlo muchas veces y observar como las frecuencias relativas tienden a estabilizarse. Esta definicién frecuentista de la probabilidad se llama también probabilidad a posterior’ ya que sélo podemos der la probabilidad de un suceso después de repetir y observar un gran numero de veces el experimento aleatorio correspondiente. 7DEFINICION FRECUENCIAL O EMPIRICA Sea A un evento contenido en el espacio muestral de un | | 3,5. experimento aleatorio, denotemos por M4 al numero de ag yecas que ocurre el evento A, luego de n repeticiones a i ny 08 P(A) = lima = lim > me ee tt 2» © | pia Lamaieno monet, Rear) 05 Desafortunadamente se tiene que para cada A fijo, fs no es constante pues su valor depende de n; sin embargo se ha observado que cuando un experimento aleatorio se realiza un numero suficientemente grande de veces, bajo condiciones similares, la frecuencia relativa fa se estabiiza alrededor de un valor especifico entre Oy 1. En la practica la probabilidad se aproxima por la frecuencia relativa al repetir él experimento un ntimero grande de veces; es decir: P(A) = fs=Ne/n La frecuencia relativa fa tiende a establlizarse a medida que n se vuelve mas grande. Este efecto estabilizador, se llama ley de los grandes nimeros 0 ley fundamental del azar. La estabilidad de fs, no es del todo una conclusién matematica, sino simplemente una realidad empirica. Por esto, la definicién anterior no es una definicién correcta de probabilidad, matematicamente. Ejemplo 2.5. Un ingeniero eléctrico estudia la demanda maxima en una planta generadora de electricidad. Se observa que en 80 de 100 dias seleccionados aleatoriamente para estudio, de registros pasados, la demanda maxima ocurre entre las 18:00 y 19:00 horas. Es natural suponer que la probabilidad de que ello ocurra en cualquier otro dia es: P(A)® fa=N/n=80/100=0.80 Esta cifra se basa en la experimentacién y observacién repetidas. Es una frecuencia relativa. Enfoque subjetivo El uso de las creencias personales y de otra informacién indirecta para llegar a la probabilidad se llama definicién subjetiva de prcbabilidad DEFINICION SUBJETIVA DE PROBABILIDAD. La probabilidad subjetiva es una evaluacion personal de /a posibilidad de que | ocurra un evento, 78Definicion axiomatica La definicién axiomatica de la probabilidad es quizés le mas simple de todas las definiciones y la menos controvertida ya que esté basada en un conjunto de axiomas que establecen los requisitos minimos para dar una definicién de probabilidad La ventaja de esta definicién es que permite un desarrollo riguroso y matemético de la probabilided, Fue introducida por A. N. Kolmogorov y aceptada por estadisticos y mateméticos en general. Definimos la probebilidad de A, P(A), como una funcidn de conjuntos, donde el dominio son eventos y el recorrido son el conjunto de los ntimeros reales DEFINICION AXIOMATICA Sea S espacio muestral finito y C conjunto de eventos de S, se define la funcién real P: P: C——__>R A ~nnnmmsP(A), ACS | tal que satistace los siguientes axiomas: Axioma 1: Para cada evento A: OsP(A)s1. | Axioma 2: P(S)=1 | Axioma 3: Si AM B=®, entonces P(A U B)=P(A) + P(B) | | Entonces P se denomina funcién de probabilidad y P(A) es denominada | probabilidad del evento A. El Axioma 1, sefiala que P(A) es un ntimero cuyo valor minimo y maximo son 0 y 1 respectivamente, Axioma 2, la probabilidad maxima de 1 se asigna a S. Axioma 3, la funcién probabilidad es aditiva. Obsérvese que los axiomas no dicen come asignar las probabilidades, ellos restringen Unicamente la manera de como hacer la asignacién. La asignacion se basa en: 1. Estimaciones en base a observaciones previas (enfogue a priori). 2. Consideracién analitica del experimento (enfoque a posteriori). 3. Suposiciones (enfoque subjetivo). De los axiomas anteriores podemos demostrar varios teoremas sobre probabilidad que son importantes en el estudio posterior. 792,3 Propledades mas importantes de /a probabilidad Teorema 1: Si A° es el complemento de A entonces P(A*)=1-P(A) $s AUAS=S ePor qué? 4c P(A)+P(A°)=P(S) —_ePor qué? (A%)=4 — P(A) Ls probabilidades complementarias son muy utiles cuando se pregunta por \a probabllidad de “por lo menos". En general, esto representa una combinacién de varios eventos, pero el evento complemento “ninguno” es un solo resultado. Ejemplo 2.6. Se lanzan dos dados. {Cudl es la probabilidad de que la suma sea por lo menos 3 (es decir, 30 més)? En vez de encontrar la probabilidad de cada una de las sumas cuyo resultado es 3 6 mas, es mucho mas sendillo encontrar la probabilidad de que la suma sea 2 {menor que tres) y Iuego aplicar el teorema, dejando que “por lo menos” sea A. {Asi, sean los eventos A: suma sea por lomenos 3 y A". suma sea 2 P(A*)=1/36; P(A)=1-P(A°)=1-1/36=35/36. Ejemplo 2.7. Segtin un articulo publicado en una revista (1991), una de cada nueve personas a quienes se diagnosticara SIDA durante 1991 seré una mujer. Con base en esta informacién, encuentre la probabilidad de que una persona a la que se diagnosticara sIDA en 1991 sea hombre, P(mujer que se le diagnostica sioa)+P(hombre que se le diagnostica Sioa)=1 (hombre que se le diagnostica sipa)=1- P(mujer que se le diagnostica siDA) 1-1/9 =8/9. Teorema 2: Si Ay B son dos eventos cualesquiera, entonces 2 P(AUB) = P(A) +P(B)-P(ANB) ePor qué se resta P(ANB)? Esta propiedad se conoce como regla aditiva de la probabilidad. Si Ay B son excluyentes, ANB=@, P(ANB)=0, entonces P(AUB)=P(A) + P(B) 30Ejemplo 2.8. Una tienda vende partes nuevas y usadas. 60% de las partes que hay en existencia son usadas. El 61% son usadas 0 estén defectuosas. Si 5% estén defectuosas, , Qué porcentaje de partes son usadas y estén defectuosas? Solucion: Sea Azpartes usadas; B=partes defectuosas; y AN 8: partes usadas y defectuosas P(A U B)=P(A)+P(B)-P(A NB) P(ANB)=P(A)+P(B)-P(A UB) =0.60+0,05 ~ 0.61 =0,0400 Teorema 3: Para dos sucesos Ay 8 P(A)=P(ANB)+P(ANB*) A=(ANB) U(ANB) P(A)=P(A NB) +P(AN BS) Ejemplo 2.9. En el ejempio anterior, .cuél es el porcentaje de partes usadas sin defectos? Partes usadas sin defectos =partes usadas y que no tienen defectos = AN B° A=(ANB) U(AN BS) P(A)=P(A NB) + P(AN B®) P(A B®)=P(A) - P(AN B) =0.60- 0,04 =0.56 Asignacién de probabilidades Si un espacio muestral S consiste nicamente de los eventos simples Ay, ‘Aa,...,An entonces por la definicién axiomética de probabilidad P(A,)+P(A,)+...+P(A,) =4 Se concluye que podemos escoger arbitrariamente cualquier niimero no negativo para las probabilidades de estos sucesos elementales siempre que se 81satistaga la ecuacién anterior. En particular, si suponemos probabilidades igueles para tedos los sucesos simple, entonces 1 PADRE, FA Zon y si Aes un suceso compuesto por h sucesos simples tenemos payshetel noon Esto es, si los resultados son equiprobables, se cuenta el numero n de resultados en S, también el numero h de resultados de A y se toma la relacién entre h yn) como P(A). | Esto equivale a la definicién 0 enfoque clésico de le probabilidad dado anteriormente. Podiames légicamente emplear otros procedimientos pera _asignar probebilidades, como el de la frecuencia relative La asignacion de probabilidades provee un modelo matematico y su éxito debe probarse experimentalmente en forma muy similar @ como las teorias en fisioa u otras ciencias deben probarse experimentalmente. Ejemplo 2.10. 1) Se lanza solo un dado, Sea el evento E: caiga un 2 6 5, hallar P(E). El espacio muestral es S =(1, 2,3, 4, 5,6}, A(t, Ar(2, Arto} As{4), ‘As-(5} y As={6). Si asignamos probabilidades iguales a los puntos muestrales, es decir si suponemos que el dado es legal, entonces, P(A) =P(A: P(Ae)=1/6, con lo que P(A)20 y ZPIA Asi, E=A42UAs y P(E)=P(Az U As)=P(Az) + P(As)=1/6+1/6=2/6 por el Axioma 3. 2) Un troquel de extrusién (proceso utilized para crear objetos con seccién transversal definida y fija) se utiliza para producir varillas de aluminio. Existen ciertas especificaciones para la longitud y diémetro de las varillas. Para cada una de éstes, la longitud puede ser demasiado corta, demasiado larga o estar bien y el diametro se puede clasificar en muy delgado, muy grueso o ester bien. En una poblacién de mil varillas, el ntimero de ellas en cada clase es: ["—Tongitud | muy delgado | esta bien | muy grueso| Gemasiadocona] 10 [3 fs | estabien | 98 | 900 [4 | a demasiado larga, Se toma una varilla aleatoriamente a partir de esta poblacion. 4Cual es la probabilidad de que sea demasiado corta? 82Se considera que cada una de las mil varillas representa un resultado en un espacio muestral, Cada uno de los mil resultados tiene la misma probabilidad. Se resolveré el problema contando el numero de resultados que corresponde al evento. Sea E: varilla seleccionada es demasiado corta. El ntimero de varillas que son demasiado cortas es 10+3+5=18. Dado que el nuimero total de verillas es mil, P(E)=h/n=18/1000 2.4 Técnicas de conteo En muchos casos el ntimero de puntos muestrales en un espacio muestral no es muy grande y asi la enumeracién o cuenta directa de los puntos del muestreo Neceserios para obtener las probabilidades no es dificil, Sin embargo, surgen problemas cuando la cuenta directa se convierte en una imposibilidad préctica. En tales casos se emplean les técnicas de conteo, que podria llamarse una forma sofistificada de contar. TEOREMA. REGLA DEL PRODUCTO. Un evento ocurre den; formas y si por cada una de éstas formas un segundo evento ocurre de M2 formas, entonces el numero de formas en que ambos Ocurrenes N; + No Este teorema se puede generalizar para mas de dos eventos, Ejemplo 2.11. Haller el ntimero posible de resultados en § al lanzar una moneda yun dado. Cae la moneda de n,=2 formas. Por cada una de estas formas, cae el dado de nz = 6 formas, La moneda y el dado caen de ny «nz =(2)(6)=12 formas posibles. Ejemplo 2.12. Supongamos que una placa de automévil en un pais consta de dos letras diferentes, seguidas de tres digitos que se repiten, de los cuales el primero No 8s cero. {Cuéntas placas diferentes pueden grabarse? La primera letra puede colocarse de 26 maneras diferentes (suponiendo el alfabeto de 26 letras), la segunda letra de 25 maneras, para el primer digito hay Nueve ntimeros o sea nuave maneras y para cade uno de los otros dos digitos 10 maneras. Por lo tanto pueden grabarse 26.25.9.10.10=585,000 placas diferentes. TEOREMA. REGLA DE LA SUMA | Si dos eventos no pueden ccurrir simulténeamente, y uno de ellos ocurre de nm | formas, mientras que él otro ocurre de nz formas, entonees un evento o el otro puede ocurrirde 1; + No formas. | 33Este teorema se puede generalizar para més de dos eventos eventos. Ejemplo 2.13. Se lanza un dado y se observa el resultado. Cuél es la probabilidad de que el resultado sea numero primo o cuadrado perfecto. Sea el evento A: aparece un numero primo y B: aparece un cuadrado perfecto. n=6 hentrg=34255, Entonces, Ejemplo 2.14. En una caja de pernos se encuentran 8 gruesos, 5 medianos y 3 angostos. Una caja de tuercas contiene 6 que ajustan con los pernos gruesos, 4 que ajustan con Ics pernos medianos y 2 que ajustan con los pernos angostos. Se elige aleatoriamente un pemo y una tuerca, .cual es la probabilidad de que la tuerca ajuste con el perno? Sea el evento A: pemo arueso y tuerca grues: mediana; C: pemo angosto y tuerca angosta. n= pero mediano y tuerca B"S+S"4+3°2; 712; 8*6+5*4+3* P(A 6 B 6 C)=P(AUBUC) 16712 PERMUTACION | Una permutacién de un cierto numero de objetos es un ordenamiento en el que | participan todos o una parte de ellos en un orden definido. Obsérvese que en las permutaciones si interesa el orden Ejemplo 2.15. Permutaciones de las letras a, b, c: abc, acb, bca, bac, cba, cab, 6 permutaciones 0 por la regla del producto: n,-2-ns=(3)(2)(1)=8 permutaciones. Permutaciones de n objetos: @ n.(n-1).(1-2).....3.2.1 ‘0. con la notacién n! que se lee “n factorial’, asi nl=n(n-1)(n-2)...3.2.1 Entonces, 2!=2.1, 3!=: 4st y OF =6, 4!=4.3.2.1=24, y asi, sucesivamente. Por definicién: DEFINICION El numero de permutaciones de n objetos distintos es n! En su calculadora puede utilizar la tecla N! 84Ejemplo 2.16. Permutaciones de las letras a, b, c,d es 41=24. Ejemplo 2.17. En una clase de teorfa de la probabilidad hay 6 hombres y 4 mujeres. Se hace un examen y se ordena a los estudiantes de acuerdo con su desemperio. Suponiendo que no hay dos estudiantes con la misma calificacion: a) De cudntas maneras distintas pueden quedar ordenados los estudiantes? 10 ! =3 628 800 b) Si se considera que todas las maneras posibles de ordenar a los estudiantes son igualmente posibles, {cuél es la probabllidad de que les mujeres obtengan los 4 primeros lugares? Sea el evento A: las mujeres obtengan los primeros cuatro lugares P(A)=hin = 4! +6! / 40! = 1/210 Ejemplo 2.18. Sobre una estanteria se tienen que colocar en primer lugar 6 libros distintos de biologia, en segundo lugar 5 de quimica y tercero 2 de fisica. Hallar el numero de formas en que se puede hacer. Sea m=6, n2=5 y ns=2, entonces por la regia del producto 6+ 5! 172 800 maneras. $i se colocan sobre el estante los libros de las diferentes asignaturas, de manera que los de cada asignatura estén juntos. Hallar el numero de formas en que puede hacerse esto. 31 + (61 + 51 -21)= 1036 800 maneras. Zpor qué? Posiciones Permutacién de n objetos tomando una parte de ellos (rsn);r +29" ae Ee 1 2 ae! es n (1) (n-2) (n-r+2) (n-r+1) 2 cou Tt T A. (n-1).(n-2)... . (n-r+2).(n-r+1) y con la notacién ,P, tenemos: aP= 0. (n-1).(0-2).... (n-r+t) Multipliquemos y dividamos por lo que falta para llegar a 1 85TEOREMA Ntimero de permutaciones de n objetos tomando ra la vez es = Pah donde rsn, al=nl, como se esperaba. Obsérvese que oPa En su calculadora puede utilizar la tecla »Py Ejemplo 2.19. De cuantas maneras pueden formarse 5 personas. aP,=sPs= 5! (5-6)! = 51/0! = 5.4.3.2.1 / 1=120 maneras Ejemplo 2.20. Una tarjeta de circuitos impresos tiene ocho sitios diferentes en los que puede instalarse un componente. Si en la tarjeta deben instalarse cuatro componentes diferentes, gcuantos disefios diferentes son posibles? P;=sP4=1 680 Ejemplo 2,21. Se tienen los digitos 1, 2, 3, 4, 5, 8,7, 8,9, a) Sea el evento A: Numero de cinco cifras donde el primero y el ultimo digito son mayores que 3, entonces, *+,P,*5 _6°7°6"5* 9°8°7*6*5 P(A) =30/72 aPs b) Sea A: Numero par de cuatro cifras donde los digitos se repiten, entonces h_9*9*9"4 _ 2916 PA A“) n 9*9*9*9 6561 Permutaciones circulares: TEOREMA (n-1)! 86Ejemplo 2.22. De cuéntas formas se pueden sembrar cuatro arboles distintos alrededor de un circulo (4—1)I=31=3,2.16 formas distintas. Permutaciones con objetos repetidos o indistinguibles: TEOREMA ete EI némero de permutaciones de n objetos con n; iguales, nz iguales,..., n, iguales, es n | P. =————. donde AP ae Mayon, 2 " ndng!...ng! P l Ejemplo 2.23. Palabras cédigo con 11 letras de la palabra MISSISSIPPI. 1M,41,4Sy2P, entonces 11P 1,4,4.2> qarday = 94,850 palabras, Ejemplo 2.24. Un codigo de barras se puede generar imprimiendo 4 lineas de tamafio grueso, 3 lineas de tamafio medio y 2 lineas de tamafo fino. Si cada ordenacién de las nusve lineas representa un cédigo de berras diferente, “guantos cédigos de barras diferentes se pueden generar utilizando este esquema? oP 4.3,2= qaigy = 1260 cédigos. COMBINACION Las combinaciones son agrupaciones de objetos en las que no importa su] orden. J NOTACION: Combinacién de n objetos seleccionando r se denota por ,C, 6 (} Ejemplo 2.25. Combinacién de las letras a, b, c tomando dos. Combinacién Permutacién ab ab, ba ac ac, ca be be, cb luego, sP2sC2.2! y sC=4h=S21=3, Este resultado plantea la siguiente relacion entre oP, y C: 87P= nCrott TEOREMA ante joan Ol = 0 rl rl i(n-n)! En su calouladora puede utilizar la tecla nC Ejemplo 2.26. Cuéntos comités de 4 se forman con § personas en una colonia “CasPuldl = 5.4.3.2/4.3.2.1=5 6 sCyrSU4|(5-4)! = SYAltI=5.4N/4l = § comités diferentes. Ejemplo 2.27. Se tienen los digitos 1, 2,3, 4,5, 6, 7,8, 9. Sea A: Numero de tres cifras donde los digites son impares mayores que tyel orden de formacién no interesa, entonces hes ot nC; 84 Ejemplo 2.28. En una fundidora, se identifica un ote de 20 bloques de motor, de igs cuales cinco contienen defects internos. El comprador selecciona tres bloques al azar y prueba su dureza. Se aceptaré el [ote sino se identifican defectos. .Cual @s [a probabllidad de que se acepte este lote? Sea A: se acepta el lote, entonces PIA)= fh gCo-wCs _ 455 nemesce 1140) P(A) Ejemplo 2.28. Seleccién al azer de tres lamparas entre 15 de las cuales 5 son defectuosas. 2, Probabilidad de que una por lo menos sea defectuosa. b. Probabilidad de que ninguna sea defectuosa. c. Probabilidad de que exactamente una sea defectuosa. d. Probabilidad de que dos por lo menos sean defectuosas, @. Probabilidad de que a lo sumo dos son defectuosas. Solucion: a. A: una lmpara por lo menos sea defectuosa neyeCgH15.14.19/3.2.1 =455; h=sCr.10C2 + sC210Cr + sCa1oCo =225 + 100 + 10 =335, P(A)=h/n=335/455 b, P(ninguna sea defectuosa)+P(por lo menos una defectuosa)=1_ por qué? P(A’) + P(A)=1 88P(A®) =1 ~ 335/455=24/01 ¢. C: una exactamente sea defectuosa P(C)=h/n=5C. 10C2 1455=225/455 d. P(a lo sumo una sea defectuosa)+P(dos por lo menos sean defectuosas)=1 P{dos por lo menos sean defectuosas)=1- P(a lo sumo una sea defactuosa) ~ [P(ninguna sea defectuosa)+ P(una exactamente sea defectuosa)] ~ [24/91 + 225/455] - 69/91 =22/91 ®. P(a lo sumo dos sean defectuosas)+P(tres exactamente sean defectuosas)=1 P(@ lo sumo dos sean defectuosas)=1 - P(tres exactamente sean defectuosas) =8C3 . 10Co / 455 10/455 =445/455 Ejemplo 2.30. De una baraja de 52 cartas se sacan tres naipes. Determinar la probabilidad de que: a) Sean el as de tréboles, el de corazones y el de picas, en este orden Sea A= as de tréboies, el de corazones y el de picas, entonces Belted =1/132,600 TP b) Sean todos del mismo palo. Sea A; todos del mismo manjer, entonces Ejemplo 2.34. Un experimento consiste en transmitir, al azar, una sucesién de sefiales binarias, 0 6 1. YCual es la probabilidad de que 3 sefiales de 6 sean unos? 2.5 Probabilidad condicional Cada ejemplo que hemos estudiado hasta aqui en esta unidad ha involucrado la probabilidad de un evento particular al tomar una muestra del espacio muestral completo. Sin embargo, zcémo hallariamos diversas probabilidades si ya se coneciera cierta informacién respecto a los eventos involucrados? Cuando estamos calculando la probabilidad de un evento particular A, dada informacién sobre la ocurrencia de otro evento B (espacio muestral reducido), esta probabilidad se denomina probabilidad condicional, P(A| B). 89PROBABILIDAD CONDICIONAL Ejemplo 2.32. Sil seleccionar al azar una carta de una bareja, si se nes hubiera dicho que dicha carta es negra, Lcudl es la probabilidad que la carta fuera un as? Deseamos encontrar P(as f negra). Aqui se da la informacién que la carta es negra. Por lo tanto, el espacio no consiste en las 52 cartas de la baraja; consiste solo en las cartas negras. De las 26 cartas, dos son ases. Por consiguiente, la probabilidad de un as, dado que sabemos que la carta es negra, @s numero de ases negros Prasinegea)s emote Ses Deere (asinegra) = mero de carlas negras ne 26 Este resultado (2/26) también puede cbtenerse usando la definicién de la siguiente manera: Si Se Con evento A= as y evento B= negra Entonces 2/52 Pras|negra)= a2 26 A Espacio B muestral reducido ANB Ejemplo 2.33. Se clasifican muestras de aluminio fundido con base en el acabado de la superficie (ui) y las mediciones de la longitud. Los resultados de 266 piezas se resumen a continuacion. acabado de | excelente | buena 4 la superficieSea el evento Ai muestra tiene ecabado de la superficie excelente y B muestra tenga una lengitud excelente. Se toma una muestra al azar, encuentra utilizando la tabla: 8) Probabiliciad de que el acabado de la superficie sea excelente b) P(B) c) P(AUB) d) P(AN BS) e) P(A|B) f) P(BJA) 9) ¢Cuél es la probabilidad de que el acabado de la superficie de la muestra sea excelente, dado que tiene buena longitud? h) Si la muestra seleccionada tiene acabado de la superficie excelente, youll es la probabilidad de que la longitud sea buena? Solucién: ©) P(AU B) = P(A) + P(B) -P(ANB)= 236/266 + 230/286 — 212/266=254/266 4) P(AN B®)=P(A) -P(ANB)=236/266 - 212/266=24/266 €) P(A| B)=P(ANBY/P(B)=212/230 Obsérvese que P(A) y P(A| B) son las probabilidades del mismo evento, Pero se oe bajo condiciones de conocimiento diferentes, de manera similar, P(B) y PB] A). 2.6 Eventos independientes Algunes veces el conocimiento de que un evento ha currido no cambia la Probabilidad de que ocurra otro. En este caso las probabilidades condicional e incondicional (probabilidad referida a S) son las mismas y se dice que los eventos son independientes, es decir, al afirmar que A y B son eventos independientes significa que la ocurrencia 0 no ocurrencia de uno de ellos no tiene relacién con la probabilidad de que ocurra el otro. diametro longitud muy delgado | esta bien | muy grueso demasiado corta 40 3 5 esta bien 38 900 4 demasiado larga 2 25 43 Ejemplo 2.34. Una varilla de aluminio se selecciona del espacio muestral que se presenta en la tabla, Sean los eventos L;, Lay Ls de que la varilla sea demasiado Corta, esta bien y demasiado larga respectivamente; y los eventos Ds, Dz y Ds de gue el diémetro de la varila sea muy delgado, esté bien y muy grueso respectivamente, Determine P(Ls) y P(Ls |D;). Estas probabilidades son diferentes? 1P(Ls)=40/1000=4/100=2/50 | 2/1000 _ 2 P(Ls | Ds)=P(LaDsVP(D1)= FT o69 = 30 La probabilidad condicional y la probabilidad incondicional son las mismas. La informacién de que el diametro de la varilla es muy delgado no cambia la probabilidad de que {a varilla sea demasiado larga. El ejemplo muestra que el conocimiento de que un evento ocurra a veces nO cambia la probabilidad de que ocurra otro evento. En estos casos, se dice que los dos eventos son independientes. E| evento Ls y D; son independientes. INDEPENDENCIA ; Dos eventos Ay B son independientes si P(A|B)=P(A) y son dependientes en cualquier otro caso. | P(A|B)=P(A) < P(BIA)=P(B) Ejemplo 2.35, Considere los siguientes eventos en el lanzamiento de un dado: A observar un nimero impar B: observer un numero par C: observar un 1 6 2. a) cAyB son independientes? Para decidir si A y B son independientes, debemos ver si satisfacen las condiciones de la definicin. En este ejemplo, P(A)=3/6=1/2, P(B)=3/6=1/2 y P(C)=2/6=1/3. Como ANB=O, P(AIB)=P(ANBYP(B)=0 y es evidente que P(AIB)4P(A). Los eventos A y B no son independientes, son dependientes. b) Ay C son independientes? Observe que P(AIC)=P(ANCY/P(C)=1/2 y, como antes, P(A)=1/2. Por tanto, P(AIC)=P(A) y Ay C son independientes. P(ANB) cuando los eventos son independientes: Ay B independientes P(A|B)=P(A)=P(ANB)/P(B) ==>P(ANB)=P(A)P(B) TEOREMA. INDEPENDENCIA DE EVENTOS Ay B son independientes si y sdlo si P(ANB)=P(A):P(B) El teorema se puede generalizar para mas de dos eventos. Consecuencias: Teorama 1: Si A y B son eventos independientes, entonces A y B” son eventos independientes.Teorema 2: Si A y B son eventos independientes, entonces A° y B® son eventos independientes Teorema 3: Si A, B y C son eventos independientes, entonces A y B U C son ‘eventos independientes. Ejemplo 2.38. Ana y Benito lanzan dardos a un blanco. La probabilidad de que ‘Ana dé en el blanco es 0,25 y la de Benito es 0.40. Si Ana y Benito lanzan los dardos, {cual es la probabilidad de que peguen al blanco? Sea los eventos A: Ana dé en el blanco y B: Benito dé en el blanco, P(peguen al blanco)= P(Ana dé en el blanco 0 Benito dé en el blanco 0 ambos den en el blanco)= =P(AUB) =P(A}#P(B) - P(ANB) pero P(ANB)=P(A).P(B), ya que A y B son independientes, entonces = P(A)+P(B) - P(A).P(B), =0.25 + 0.40 -(0.25).(0.40) =0.5500. Ejemplo 2.37. Se tiene una caja con 50 pemos: 14 de 2", 24 de 3 1/2”,y 12,de 4" Cuatro se extraen al azar con reemplazo. {Cual es la probabilidad dé que por lo menos seleccionemos un perno de 3 1/2"? P(por lo menos uno de 3 1/2")+P(ninguno de 3 1/2")=1 P(por lo menos uno de 3 1/2")=1- P(ninguno de 3 1/2") ao 25 28125 Ejemplo 2.38. Suponga que la probatilidad de que los frenos de aire de los camiones de una compafia fallen en un descenso particularmente largo es de 0.001. Suponge también que los frenos de emergencia de esos camiones pueden detenerios en el tipo de descenso mencionado con probabilidad de 0.8. Estos sistemas de frenado funcionan independientemente uno respecto del otro. Calcule la probabilidad de que: a) os frenos de aire fallen y los de emergencia detengan ol camién b) los frenos de aire fallen y los de emergencia no puedan detener al camion ©) los frenos de emergencia no pueden detener al camién, dado que fallaron los frenos de aire Sean los eventos F: frenos de aire fallen en descenso particular del camién y E: frenos de emergencia detengan al camién en el descenso particuler. 93a) P(FNE)=P(F).P(E)=(0.001)(0.8)=0.0008 b) P(FNE®)=P(F).P(E*)=(0.001)(0.2)=0.0002 c) P(E®| F)= P(ENF®) /P(F)=(0.0002)(0.001)=0.2 Ejemplo 2.39. De una caja que contiene 6 bolas negras y 4 bolas verdes se extr2en 3 bolas en forma sucesiva y se reemplaza cada una de elias antes de hacer la siguiente extracci6n. Sean los eventos: Ni, i=1,2,3, de que Ja bola sea negra y Vi, i=1,2,3, de que la bola sea verde. Cual es la probebilidad de que las tres sean del mismo color. El evento pedido es N;AN:NNs 6 ViNV2NVs. PI(N;AINZANs) U (V:V2MV2) =P (N1)-P(Na).P(Na)+P(V1). P(V2).P(Vs) 26/10 6/10 6/10 +4/10- 4/10 4/10 = 280/1000. Aplicaciones Ml 2 Ul, Sean los interruptores 1 y Iz. Si los interruptores estén en paralelo la corriente pasa de un interruptor a otro si al menos uno de ellos esta abierto: I; U I. Si los interruptores estén en serie la corriente pasa de un interruptor a otro si ambos estan abiertos: I 9 2. Ejemplo 2.40, El circuito ilustrado abajo opera si hay una trayectoria de dispositivos funcionales de izquierda a derecha. La probabilidad de que cada dispositivo funcione se indica en la ilustracion. Suponga que los dispositivos fellan independientemente. {Cudl es la probabilidad de que el circuito opere? 1 f 3 og "ga 2 Sea |; interruptor i-8simo esté cerrado, i=1, 2, 3. Sea E: la corriente pasa de aa b Ex(hU)M — gpor qué? 94P(E)=P{(; U la) 9 I3)) =P(I, Uh) * P(ls) (Independencia de eventos) ={1-PUhUL)"T}+ Plls) (Ley del compiemento) =(1- PENN} + P(ls) (Ley de D’Morgan) ={1 — P(L:°)*P(129)} + Pls) (Independencia de eventos) =(1 -0.17(0.95) =0,9405 2.7 Regla multiplicativa Si en la formula de le probabilidad condicional multiplicamos rre|a)=P ECA) Por P(A), se obtiene el resultado P(B] A).P(A) =P(BNA)=P(AnB) que se conoce como regla multiplicativa. TEOREMA. REGLA MULTIPLICATIVA F | P(ANB)= P(A).P(B | A) | Esta regia se puede generalizar para mas de de dos eventos Ejemplo 2.41. Se tiene una caja con 10 tornillos con 4 defectuosos. Tres tomnillos se extraen al azar sin reempiazo, {cual es la probabilidad de que los tres tomillos estén defectuosos? Sean los eventos A: primer tornillo defectuoso, B: segundo tomillo defectuoso, y C: tercer tornillo defectuoso, P(AyB y C)=P(ANBNC)= P(A).P(B| A).P(C| ANB) =75-9.4=24/720 2.8 Ley de la probabilidad total y Teorema de Bayes Ley de la probabilidad total PARTICION Sean Ay, Az, ..., Ae que cumplen: | 1. ANA, para toda id), 2. AUALU...UA § | La coleccion {A;, Az,...,Ad eS una particién de S. 9sLa definicién anterior es equivalente a afirmar que los elementos de la coleccién son disjuntes y exhaustivos (la unién es $). Ejemplo 2.42. Lanzamiento de un dado, S=(1,2,3.4,5,6). Los eventos Ar={1,2}, Az=(3-4,5) y As={6} son una particién de S, mientras que C1={1,2,3,4} y Ca={4.5,6} no. Si B es un evento de S y si {A1, Az....Ax} forman una particién de S, entonces B puede descomponerse asi: B=( A; NB)U(A2MB)U...U(Ax NB) TEOREMA. LEY DE LA PROBABILIDAD TOTAL Sea Ay, Ag, As,....Ax una particion de S. Entonces para cualquier evento B de S para el que P(B)>9, ()=SPIANa)=SPIA)PEA) | = | | Demostracion: B=( A,B) U (AzNB) U (AsMB) U...U (AB) (Figura) P(B)= P(A:M1B)#P(A:B)+P(AGNB)+...tP(Ax 1B) (Def. Axiomética) P(B)= P(A).P(BIAs) + P(Az).P(BIA2)+ P(As),P(BIAs) +... P(AW).P(BIA,) (Regia muttiplicativa). Asi, P@)=>PIA).PIBIA) 96Elemplo 2.43. Tres maquinas A, B y C producen respectivamente 60%, 30% y 20% | del_ total de articulos de una fabrica. Los porcentajes de articulos defectuosos son 3%, 4% y 5% respectivamente. Si se selecciona un articulo al azar, .cuél es la probebilidad de gue sea defectuoso? Sea D: articulo defectuoso, A, By C forman una particién de § {produccién total) y Ocs. P(D)= P(A).P(DIA) + P(B).P(D|B) + P(C).P(D|C) =(0.50) (0.03)+ (0.30 )(0.04)+ (0.20) (0.05) =0,0370 Soluci6n alterna usando un diagrama de érbol probabilistico: PLAND=PIAJP(D | A)=0.50x0.03 6.03 PIB O}=PIB) PCO | 80.30% 0.04 0.20 D PICN D)=P(C)FIO | C}=0.20.x0.05 ¢ 6.05 P(D)=(0.50) (0.03)+ (0.30 )(0.04)+ (0.20) (0.05)=0.0370 Teorema, ley o regla de Bayes La regia es un método para calcular la probabilidad de una causa dado el efecto Se utlliza entonces para calcular las probabilidades 4 posteriori de los eventos Ay, ajustados 0 modificados por B. Cuando se habla de probabilidad condicional, se busca la probabilidad de un cierto evento A dado que otro evento B ha ocurrido. Se piensa en general que A @8 un evento final, de alguna manera un efecto, para el cual B es una causa posible y que ambos se encuentran ordenados en él tiempo. El teorema de Bayes también es aplicable cuando $ subdivide en més de dos eventos mutuamente excluyentes. A continuacién, se define el teorema en este contexto mas general, TEOREMA DE BAYES ZI Sea {A:, Az,....Ax} una particién de §. Entonces para cualquier otro evento B pera el que P(B)>0, (ANB) _ P(A,).P(BIA,) Peay =) PAYPEIA) para j= | SP(A)).P(BIA)) istA P(A) se le llama probabilidad a priori, es la probabilidad de A, antes de modificarse por la informacién que aporta B. ‘A P(B| A\) se le llama verosimilitudes, es la probabilidad de 8 en la hipétesis A: P(A\| B) son las probabilidades a posteriori, es la probabilidad de A una vez que usamos la informacion que aporta B. Ejemplo 2.44. En cierta planta de ensamble, tres maquinas 1, 2 y 3, ensamb! 20%, 45% y 25% de los productos respectivamente. Se sabe de la experienci pasada que 2%, 3% y 2% de los productos ensamblados por cada maquina respectivamente tienen defectos. Se selecciona aleatoriamente un producto determinado a) yCual es la probabilidad de que esté defectuoso? Seen los eventos Ar, Az y As: €l producto es ensamblado por la maquina 1, 2 y 3 respectivamente y B: producto defectuoso. P(B)= EPA)PBIA) =0.30x0.02 + 0.45x0.03 + 0,25x0.02 = 0.0245 8 PIA, BIFPIAsLPIB| A, }=0.0060 P(B)=(0.30)(0.02)+(0.45)(0.03)+(0.25)(0.02)=0.0245. b) Si el producto es defectuoso, zcudl es la probabilidad de que haya sido ensamblado por la maquina 3? Por el teorema de Bayes: P(A3|8)= Pas ee ERs) pee DPA) P(BIA)“ |” total ; 0.25x0.02 pple oe) o.02a5 0704 98