Semana 9

17/05/2016
Facultad de Ingeniera Ingeniera Civil

Estadstica y Probabilidad
Estad. Rolando R. Romero Paredes
Logro de la sesin
Utiliza un diagrama de rbol para organizar y evaluar
probabilidades.
Conoce las tcnicas de conteo.
17/05/2016
Tcnicas de conteo
Para obtener el nmero total de los resultados, es necesario
desarrollar algunas tcnicas de conteo, las cuales son:
1. Principio fundamental de conteo
2. Diagramas de rbol.
3. Anlisis combinatorio.
1. Permutaciones
2. Combinaciones
Diagrama de rbol
El diagrama de rbol es una tcnica grfica
empleada para enumerar todas las posibilidades
lgicas de una secuencia de eventos, donde cada
evento puede ocurrir en un nmero finito de
veces.
Ejemplo: Construir el diagrama que consiste en
lanzar 2 monedas y observar lo que aparece en su
lado superior.
17/05/2016
Ejercicio
Construir el diagrama de rbol para
encontrar el total de posibles formas de
evaluar el estado de 3 productos como
defectuoso o no defectuoso.
Anlisis combinatorio.
Los diagramas de rbol nos sirven para mostrar grficamente el
nmero de resultados posibles de un fenmeno, pero esta
ordenacin tiene un inconveniente, pues a medida que
aumenta el nmero de objetos dicha ordenacin se complica,
por lo que hay que recurrir a otro proceso ms sencillo para
determinar el nmero total de resultados.
Para ello existen otras tcnicas tales como:
Principio fundamental de conteo.
Permutaciones.
Combinaciones.
17/05/2016
Anlisis combinatorio - Principio fundamental de

conteo.
Si un evento puede realizarse de n1 formas diferentes, y
si, continuando el procedimiento, un segundo evento
puede realizarse de n2 formas diferentes, y si, despus
de efectuados, un tercer evento puede realizarse de n3
formas diferentes, y as sucesivamente, entonces el
nmero de formas en que los eventos pueden realizarse
en orden indicado es el producto de (n1) (n2) (n3)
Ejemplos
Ejemplo 1. Encontrar el total de posibles formas de
lanzar una moneda 10 veces.
Ejemplo 2. En un parque hay una banca con 5 lugares, si
al parque asisten 5 hombres y 4 mujeres que son
amigos. De cuntas maneras se pueden acomodar en
la banca?
17/05/2016
Anlisis combinatorio - Permutaciones.

Una permutacin es una forma en la que pueden representarse
los eventos, en la que el orden en que aparecen es muy
importante; por ejemplo con los nmeros 1, 2 y 3 se pueden
hacer los siguientes arreglos; 123, 132, 231, 213, 312 y 321,
cada uno de ellos es una permutacin de los dgitos 1, 2 y 3
tomando los tres a la vez. Si slo utilizamos dos de los tres
dgitos tendramos los siguientes arreglos; 12, 21, 13, 31, 23 y
32 y cada uno de ellos representa cantidades distintas entre s.

Las permutaciones representan un arreglo ordenado de r
objetos tomados de n, en donde r n.
La frmula para hallar el nmero de permutaciones es la
siguiente:
Donde:
n= nmero total de objetos.
r= es el nmero de objetos que se desea considerar de los n
disponibles.
17/05/2016

Ejemplo1. Hallar el nmero de permutaciones que se pueden
formar con los nmeros 2, 4, 6 y 8.
a. Si slo se utilizan 2 de estos nmeros.
b. Si slo se utilizan 3 de estos nmeros.
Ejemplo 2. La mesa directiva de una escuela est integrada por

un presidente, un secretario y un tesorero; para ocupar estos
puestos existen 8 candidatos y cada uno de ellos puede ocupar
uno de estos cargos. Determinar el nmero de formas distintas
como puede quedar integrada la mesa directiva.
Logro especfico de aprendizaje:

Aplicar los fundamentos de la teora de la
probabilidad en la solucin de problemas
que impliquen toma de decisiones.
17/05/2016
Probabilidades
Introduccin
En ingeniera, economa, finanzas, administracin, medicina y otras
disciplinas encontramos problemas que requieren razonamiento
cuantitativo de fenmenos aleatorios.
La base de este razonamiento es la teora de las probabilidades.
17/05/2016
Objetivo
Reconocer que la incertidumbre es una caracterstica fundamental de
cualquier entorno en el que se toman las decisiones humanas.
Aplicar la teora de probabilidades para analizar y expresar las
incertidumbres de un evento y el entorno.
Eliminar la sensacin de misterio y temor en el uso de las
probabilidades.
Probabilidades
El Lenguaje de Incertidumbres
Por qu Probabilidades?
Caractersticas del Entorno en el cual se toman decisiones:
incertidumbre
- Probabilidades es el lenguaje para describir y tratar la incertidumbre
17/05/2016
Enfrentar, entender y comunicarse claramente acerca de la

incertidumbre es importante y requerido para:
Anlisis de riesgo, administracin del riesgo y reduccin del riesgo
Evaluacin de proyectos de inversin
Control de calidad
Mejoramiento Gentico
Anlisis de sobrevivencia
Teora de colas, de juegos
Sistemas de seguros
Otros
Experimentos o fenmenos aleatorios

Son experimentos o fenmenos que dan lugar a varios resultados, sin que se pueda predecir con certeza cul de stos va a ser observado en la
realizacin del mismo.
Ejemplos:
Lanzamiento de una moneda o de un dado
Precio petrleo
Ventas mensuales de refrigeradoras
Costos de Produccin
Nmero de accidentes de trnsito que se producen en una avenida principal
Nmero de personas que acudirn a un supermercado
La inflacin del prximo mes
El tiempo que tarda un avin en realizar un determinado vuelo
El rating del noticiero de Cuarto Poder
Las cotizaciones de las acciones ms representativas de la Bolsa de Valores de Lima
-Qu otros ejemplos de fenmenos aleatorios a menudo enfrenta?
...
17/05/2016
Espacio Muestral:
Es el conjunto formado por todos los posibles resultados de un

experimento aleatorio.
Ejemplos:
1. Lanzar un dado: = {1, 2, 3, 4, 5, 6}
2. Extraer al azar un naipe:

={1T, 2T, 3T, ..., 13D}
(52 posibles resultados)
Espacio Muestral:
3. Plantar dos semillas y observar si cada una germina o no.
= {GG, NG, GN, NN}
4. Evaluar artculos en una lnea de produccin hasta encontrar el primer defectuoso:
= {D, ND, NND, NNND, ...}
5. Observar tiempo de vida til de un celular (en horas):
=[0, )
6. El tiempo, con relacin al calor, que har durante tres das consecutivos :
={CCC, CCN, CNC, NCC, CNN, NCN, NNC, NNN}
10
17/05/2016
Eventos
Un evento es cualquier subconjunto del espacio muestral .
Ejemplo:
Experimento: Lanzar tres dados y anotar la suma de los puntos obtenidos:

={3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18}
Eventos:
A= Suma de puntos mltiplos de 5
B= Suma de puntos mayores que 12
A= {5, 10, 15}
B= {13, 14, 15, 16, 17, 18}
Tipos de Eventos
Experimento aleatorio: extraer al azar una carta de una baraja
Evento elemental:
Se llama as, a cada uno de los elementos del espacio muestral
Ejemplo: sale un 3 de diamantes en la extraccin de un naipe
Evento imposible:
Ejemplo: Salga un 15 de diamantes en la extraccin de un naipe
Evento seguro:
Ejemplo: Salga una de las 52 cartas del naipe
Evento contrario o complemento de un Evento: A

Son todos los elementos de que no pertenecen a A
Ejemplo A: sale Diamante
A : todas las cartas que no son diamante
11
17/05/2016
Eventos mutuamente excluyentes y colectivamente exhaustivos

Dos eventos son mutuamente excluyentes si la
ocurrencia de un evento excluye la ocurrencia de
otro.
Los eventos colectivamente exhaustivos son
aquellos que poseen la propiedad de que al
menos uno ellos debe ocurrir.
AB=
A1
A3
A2
A1 A2 A3 =
Los eventos mutuamente excluyentes y

colectivamente exhaustivos son aquellos que:
Ai Aj = i j, y
A1 A2 ... An =
A
B
C
AB=AC=BC=
y ABC=
Ejemplo 1
Experimento:
Anotar el nmero de televisores vendidos durante la ltima
semana en una tienda de electrodomsticos
Eventos:
A= La ultima semana se vendi menos de 5 televisores
B= La ltima semana se vendi 25 televisores
C= La ltima semana se vendi 8 o mas televisores
12
17/05/2016
Ejemplo 1: continuacin
1.Describa los eventos AUB, AUC y AC
2. Los eventos A y B son mutuamente excluyentes?
3.Encuentre los eventos complementarios de A y C
= {0, 1, 2, 3, 4,, N}, N=stock disponible
Los eventos A y B estn formados por los eventos elementales:
A = {0, 1, 2, 3, 4}
B = {25}
C= {8, 9, 10, , N}
Ejemplo 1: continuacin
A partir de estos conjuntos, tenemos:
1.AUB = {0, 1, 2, 3, 4, 25}
AB =
2.Al ser AB = , los eventos A y B son mutuamente excluyentes.
3.El complemento de A es A = {5, 6, 7,, N}
El complemento de C es C = {0,1, 2, 3, 4, 5, 6, 7}
AUC= ??
13
17/05/2016
Fundamentos de probabilidades
En la vida real la posibilidad de que un evento suceda puede estar entre lo virtualmente
cierto y lo virtualmente imposible.
La teora de probabilidades ofrece un marco para asignar nmeros reales a la posibilidad de
ocurrencia de diferentes eventos, de tal manera que sus posibilidades puedan ser
comparadas y evaluadas.
Conceptualmente existen tres maneras de determinar la posibilidad de ocurrencia de un
evento:
Probabilidad clsica a priori
Probabilidad clsica emprica o frecuentista
Probabilidad subjetiva
28
14
17/05/2016

Depende de las caractersticas fsicas del objeto en estudio y se basa en el conocimiento previo del
proceso.
Se basa en que todos los eventos elementales de un espacio muestral finito son:
Igualmente probables
Mutuamente excluyentes
Colectivamente exhaustivos
En este caso, la probabilidad del evento A es el cociente entre el nmero de resultados favorables a la
ocurrencia del evento A y el nmero de resultados posibles.
P(A)= #(A)
#()

Ejemplos:
1. Se lanza un dado y se observa el nmero que sale. Cul es la probabilidad de que salga un
nmero par?
={1, 2, 3, 4, 5, 6}
A= Sale nmero par
P(A)=3/6= 1/2
2. Se sabe que en determinada urbanizacin viven 120 familias, de los cuales 90 son propietarios y
el resto inquilinos. Si se escoge una familia al azar cual es la probabilidad de que sea inquilino?
15
17/05/2016
Probabilidad clsica emprica

La asignacin de probabilidades a los eventos de inters se basan en la informacin
observada y no en el conocimiento previo del proceso.
La probabilidad de ocurrencia de un evento se determina por observacin del nmero de veces que
eventos similares ocurrieron en el pasado (frecuencia relativa).
De manera similar que el enfoque clsico, la probabilidad de ocurrencia de un evento A en este caso viene
dada por:
P(A)= # de veces que ocurre A
# de observaciones
Axiomas de probabilidad
Sea el espacio de eventos de un experimento, y A un evento cualquiera de .
1. P() = 1
2. P(A) 0
3. Si para E1, E2, ....
se cumple que Ei Ej = , para toda i j, entonces:
P(E1 E2 ....)= P(E1) + P(E2) + ...
16
17/05/2016
Teoremas derivados de los axiomas

Sea el espacio de eventos de un experimento, y A un evento cualquiera de .
1. 0 P(A) 1, para cualquier A
2. Si A= P(A)=1
3. Si A= P(A) = 0
4. Si =A+A P(A)=1-P(A)
5. Si A y B pertenecen a , se cumple que:
P( A B ) = P(A) + P(B) - P( A B )
6. Si A y B son evs mutuamente excluyentes i.e. A B=
P( A B ) = P(A) + P(B)
7.
Ley de Morgan
1.
P(A B)=1 - P(A B) = P(AB)
2.
P(A B )= 1 - P(AB) = P(A B)
Resolver 1
Dados los sucesivos mutuamente exclusivos A y
B con P(A)=0.28 y P(B)=0.54.
Calcular
P( A );
P( B );
P(A B);
P(A U B) ;
P(A B);
P(A B).
17
17/05/2016
Resolver 2
Entre los 80 directivos de una compaa hay 48
casados, 35 son graduados de escuelas superiores
y 22 de los 48 casados tambin son graduados. Si
se elige uno de estos directivos para que asista a
una convencin cul es la probabilidad de que la
persona elegida no sea casado ni graduado ?
Resolver 3
Mensualmente una oficina de bolsa estudia dos grupos de industrias y clasifica las compaas individuales
como de poco riesgo o de riesgo moderado a elevado. En un informe reciente public sus averiguaciones
sobre 13 cas de la industria aeroespacial y 27 fabricantes de alimentos con los resultados globales resumidos
como sigue:
Poco riesgo
Riesgo moderado
a elevado
Aeroespacial
Alimentos
16
11
Si una persona elige al azar una de estas compaas para invertir en sus acciones, U y R denotan los sucesos
de que la compaa que elija es de poco riesgo o de riesgo moderado a elevado, en tanto que A y F denotan
los sucesos de que elija una compaa Aeroespacial o un fabricante de Alimentos, determinar las siguientes
probabilidades:
a. P ( U )
b. P ( R )
c. P ( A U R)
d. P ( A R)
18
17/05/2016
Probabilidad Clsica
Ejemplos:
1. Un pizzera puede medir la probabilidad de que el tiempo de

entrega de una pizza sea mayor que 30 minutos observando, en
relacin al total de entregas hechas en el ltimo mes, la
proporcin de veces en que el tiempo de entrega fue mayor que
30 minutos.
2. El 65% cree que el Congreso no defiende intereses ciudadanos

(El Comercio, p. A8 28/04/13, Muestra: 1000 personas mayores
de 18 aos IPSOS Apoyo, Opinin y Mercado)
Probabilidad condicional
Si A y B son dos eventos en , y P(A) 0, entonces la probabilidad condicional de B dado A ser:
P(B/A) = P(A B) / P(A)
P(A)
P(A B)
Como se aprecia en el diagrama P(B/A) es la proporcin del rea compartida por los dos eventos P(AB) con
respecto al rea del evento condicionador P(A)
En cierto sentido, todas las probabilidades son condicionales a como definamos el evento universal .
P(A/ ) = P(A ) / P( ) = P(A) / 1 = P(A)
Si sabemos que A ha ocurrido, entonces A se convierte en el evento seguro, y podemos re-normalizar la
probabilidad de cada uno de los otros eventos.
19
17/05/2016
Probabilidad condicional
Muchas decisiones en nuestra vida diaria son gobernadas por el sentido comn y la experiencia, que
nos prestan un gran servicio; me refiero al tipo de decisiones que tienen que ver con la incertidumbre,
es decir, situaciones en las que no tenemos toda la informacin disponible para tomar decisiones.
Por ejemplo, cuando conducimos al trabajo no contamos con el dato de cual es el porcentaje de
accidentes a determinada hora del da, y a pesar de no tener ese dato elegimos la velocidad a la que
conduciremos, la distancia que guardaremos con respecto al carro de adelante y otras mil decisiones
que estn basadas solo en nuestra experiencia de los pocos accidentes que hemos visto y en algunos
casos sufrido personalmente o escuchado o ledo en las noticias
A pesar de esta informacin incompleta lo hacemos muy bien, el cerebro parece muy bueno para
evaluar de manera aproximada las probabilidad condicionales. Es decir, a cada instante tomamos
decisiones en funcin de la nueva informacin que nos llega:
P(A|B) Probabilidad de que ocurra el evento A dado que ya ocurri el evento B.
Escenario:
De todas las empresas familiares el 70% no llega a
superar la segunda generacin. El 30% pasa a la
segunda generacin
Y del 30% sobreviviente solo la mitad llega a la tercera
generacin (Suplemento Empleos p. 2, El Comercio,
08/07/07)
20
17/05/2016
Ejemplo 2:
Experimento aleatorio: Extraer al azar una carta de la baraja
Se quiere encontrar la probabilidad de que la carta sea un As dado que el naipe extrado es
rojo.
Tipo
As
No-As
Total
Color
Rojo
2
24
26
Negro
2
24
26
Total
4
48
52
Espacio muestral reducido
P(As/naipe rojo)= P(As y naipe rojo) = 2/52 = 2/26

P(naipe rojo) 26/52
De la definicin de probabilidad condicional se

deriva el concepto de independencia
Si dos eventos A y B son independientes, en el sentido intuitivo, la ocurrencia de A no debera afectar
la ocurrencia de B, es decir:
P(B/A) = P(B) o
P(A B)/ P(A) = P(B)
Despejando:
P(A B) = P(A)* P(B)
Luego se define que dos eventos son independientes si la probabilidad de que ambos ocurran
simultneamente es igual al producto de las probabilidades de que ambos ocurran separadamente.
21
17/05/2016
Consecuencias:
Si los eventos A y B son independientes, entonces:
A y Bc son independientes,
A
Ac y B son independientes,
ABC
B
AB
ACB
Ac y Bc son independientes.
ACBC
Ejemplo
Un televidente ve de manera independiente los programas A y B. La probabilidad de que vea el
programa A es 0.2 y de que vea el programa B es 0.3, hallar la probabilidad de que:
vea los dos programas
no vea ninguno de los dos programas
vea alguno de los dos programas
vea slo el programa A
vea slo el programa B
vea slo uno de los dos programas
22
17/05/2016
Ejemplo
Sean los eventos A y B
A {vea el programa A}, P(A)=0.2

B {vea el programa B}, P(A)=0.3
vea los dos programas
a) P( A B) P( A) P( B) 0.2 0.3 0.06

no vea ninguno de los dos programas
b) P( AC BC ) P( AC ) P( BC ) 0.8 0.7 0.56

Ejemplo
vea alguno de los dos programas
c) P(AB)= P(A) + P(B) P(AB)
=0.2+ 0.3 - 0.06= 0.44 ; tambin
c) P( A B) 1 P(( A B)C ) 1 P( AC B C )
1 0.56 0.44
vea slo el programa A
d ) P( A B) P( A B C ) P( A) P( B C )
0.2 0.7 0.14
23
17/05/2016
Ejemplo
vea slo el programa B
e) P( B A) P( B AC ) P( B) P( AC )
0.3 0.8 0.24
vea slo uno de los dos programas
f ) P[( A B) ( A B)] P( A B) P( A B)
0.14 0.24 0.38
Regla de la multiplicacin
Sean A y B dos eventos, entonces:
P(A B) = P(B/A)P(A)
En el caso particular en que A y B son eventos independientes,
se tiene que:
P(A B) = P(A)P(B)
24
17/05/2016
Ejemplo:
De las casas de 25 o ms aos en Chiclayo, el 60.3% son de clase media y de
ellos se sabe que 30.8% se ha remodelado. Calcular la probabilidad de que una
casa seleccionada al azar, sea de clase media y se haya remodelado.
Solucin: Sean los eventos M= casas de clase media y R= casa remodelada
P (M R)= P(R/M)x P(M) = 0.308x 0.603=?????
Particin del espacio muestral

Los eventos A1, A2, , Ak constituyen una particin del espacio
muestral , si son mutuamente excluyentes y colectivamente
exhaustivos. Es decir:
Ai Aj = , para todo ij
A1 A2 Ak = ( i P(Ai) = 1 )
A1
A2
Ak
25
17/05/2016
Regla de la probabilidad total
A1
...
A2
Ak
Si k eventos: A1 , A2 ,..., Ak constituyen una particin

del espacio muestral , entonces, para cualquier
evento B en ,
k
P ( B ) P ( Ai ) P ( B / Ai )
i 1
Ejemplo 1
Un ensamblador de computadoras usa monitores que provienen de
tres proveedores P1, P2 y P3. De 2000 monitores recibidos 1000
provienen de P1 y 600 de P2. De experiencias pasadas, el
ensamblador sabe que los porcentajes de monitores defectuosos
que provienen de P1, P2 y P3 son respectivamente 3%, 4%, y 5%.
Si se elige una computadora al azar,
Cul es la probabilidad de que tenga un monitor defectuoso?
Si contiene un monitor defectuoso, cul es la probabilidad de
que este haya sido provedo por P3?.
26
17/05/2016
Ejemplo
B=monitor defectuoso, P(B)=??
P(Ai)P(B/Ai)
0.03
D
P1
0.5
0.3
D
D
0.5x0.03=0.015
0.97
0.04
0.3x0.04=0.012
P2
0.2
P3
0.96
D
D
0.05
0.2x0.05=0.01
0.95
P(B)=P(Ai)P(B/Ai)=0.037
Teorema de Bayes
El teorema de Bayes establece la relacin ms importante en la teora de
probabilidades y es la base para la revisin de la asignacin de probabilidades, a
la luz de informacin adicional.
Este teorema se deriva fcilmente del concepto de probabilidad condicional.
Probabilidades
a priori
Teorema
de Bayes
Probabilidades
a posteriori
Informacin
Nueva
27
17/05/2016
Teorema de Bayes
Si k eventos: A1 , A2 ,..., Ak constituyen una particin
del espacio muestral , entonces, para cualquier
evento B en , tal que P ( B ) 0
P ( Ai ) P ( B / Ai )
P ( Ai / B ) k
P( Ai ) P( B / Ai )
i 1
A1
A2
...
Ak
Teorema de Bayes
El Teorema de Bayes es un mtodo que utiliza la probabilidad
revisada con base en informacin adicional.
Se calcula utilizando la siguiente frmula:
P( A1 | B)
P( A1 ) P( B / A1 )
P( A1 ) P( B / A1 ) P( A2 ) P( B / A2 )
28
17/05/2016
Ejemplo 1: Supongamos que una extraa enfermedad infecciosa afecta

a uno de cada 1000 habitantes de una poblacin
Y supongamos que existe una prueba fiable pero no infalible para diagnosticar si una persona ha contrado la
enfermedad
Sean los eventos:
A: El paciente padece de la enfermedad

B: El resultado del diagnstico del paciente es positivo
P(A)=0.001, P(B/A)=0.99
P(B/A)= 0.02 (Probabilidad de un falso positivo)
P(A/B)= ???
B
A
0.99
0.001x0.99=0.00099
0.001
B
P(Ai)P(B/Ai)
0.999
0.01
0.02
0.98
0.001x0.01=0.00001
0.999x0.02=0.01998
0.999x0.98=0.97902
Calculando la probabilidad de que el paciente padezca de la enfermedad dado que el resultado sali positivo:
P(A/B)=P(A y B)/P(B)
P(B)=P(A)P(B/A)+ P(A)P(B/A)=0.02097
P(A/B) = P(A)P(B/A)
= 0.00099 =0.0472
P(A)P(B/A)+ P(A)P(B/A) 0.02097
29
17/05/2016
0.00099
0.01998
0.02097
P(B)
0.00001
0.97902
0.97903
P(B)
0.001
0.999
P(A)
P(A)
La tabla muestra lo que pasa en un grupo de 1000 pacientes. En media solo 21 pacientes darn positivo y solo 1
padecer de la enfermedad, los 20 falsos positivos se encontrarn en el gran grupo de no afectados.
ENFERMEDAD
NO ENFERMEDAD
Total
RESULTADO POSITIVO
20
21
RESULTADO NEGATIVO
979
979
Total
999
1000
Ejemplo 2
El parte meteorolgico para Puno ha anunciado tres posibilidades para el fin de
semana:
a) Que llueva: probabilidad del 50% (Evento A1).
b) Que nieve: probabilidad del 30% (Evento A2).
c) Que haya niebla: probabilidad del 20% (Evento A3).
Segn estos posibles estados meteorolgicos, la posibilidad de que ocurra un
accidente es la siguiente:
a) Si llueve: probabilidad de accidente del 20%.
b) Si nieva: probabilidad de accidente del 10%
c) Si hay niebla: probabilidad de accidente del 5%.
Si ocurri un accidente (Evento B):
1. Cul es la probabilidad de que haya llovido?
2. Cul es la probabilidad de que haya nevado?
3. Cul es la probabilidad de que haya habido neblina?
30
17/05/2016
P(Ai)P(B/Ai)
0.5x0.20=0.1
0.20
A1
0.5
0.3
A2
0.80
B
0.10
0.3x0.10=0.03
B
B0.90
0.2
0.05
A3
B
B0.95
0.2x0.05=0.01
Calculando la probabilidad de que el accidente haya sucedido en un da de
lluvia:
P(A1/B)=???
P(B)=P(Ai)P(B/Ai)=0.14
P(A1/B)=P(A1)P(B/A1) = 0.1 =0.714
P(Ai)P(B/Ai) 0.14
Ejercicio 1
Una embotelladora de refresco de cola
La siguiente tabla resume la

experiencia de produccin de dicha
embotelladora:
recibi varias denuncias acerca del bajo

contenido de sus botellas. Una denuncia
fue recibida hoy,
Planta
pero el gerente de
produccin no puede identificar cul de las
% del total
% de
de
botellas
produccin defectuosas
55
45
dos plantas en Aguascalientes (A o B) llen

estas botellas. Cul es la probabilidad de
que las botellas defectuosas provengan de

la planta A?
31
17/05/2016
Ejercicio 2
Una fbrica de ladrillos produce 5000 unidades por
hora. La mquina A produce 3000 de estos ladrillos, de
los que el 2% son defectuosos. La mquina B produce
los 2000 restantes, de los que se sabe que el 4% son
defectuosos. Determinar:
La probabilidad de que un ladrillo elegido al azar sea
defectuoso.
Si el ladrillo seleccionado es defectuoso, qu probabilidad
hay de que proceda de la mquina A? y de la mquina B?
Ejercicio 3
En un proyecto de construccin de una autopista, hay
varios inversionistas. El 20% realiza sus inversiones va
internet, un 80% consulta InfoInversWeb. De los
inversionistas que no realizan sus depsitos va internet,
solo el 20% consulta InfoInversWeb. Se pide:
Obtener la probabilidad de que un inversionista, elegido al azar,
consulte InfoInversWeb.
Si se elige al azar un inversor y resulta que consulta
InfoInversWeb, Cul es la probabilidad de que realice
operaciones va internet?
32
17/05/2016
Ejercicio 4
Del rcord pasado se conoce que cierta mquina que produce
tornillos trabaja correctamente 90% del tiempo. Si la mquina no
trabaja correctamente, el 5% de los tornillos producidos, son
defectuosos. En caso contrario, solo el 1% es defectuoso. Si se
escoge aleatoriamente un tornillo producido cul es la
probabilidad de que este sea:
a. Defectuoso
b. Si es defectuoso provenga de la mquina que no trabaja
correctamente.
c. Provenga de la mquina que trabaja correctamente si se conoce que
es un tornillo bueno?
Resumen
Introduccin
Definiciones bsicas.
Algebra de eventos.
Fundamentos de probabilidades.
Probabilidad condicional e independencia.
Regla general de la multiplicacin.
Teorema de Bayes.
Problemas aplicativos.
33
17/05/2016
34

Semana 9

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Semana 9

Cargado por

Copyright:

Formatos disponibles

17/05/2016

Facultad de Ingeniera Ingeniera Civil

Estad. Rolando R. Romero Paredes

Estad. Rolando R. Romero Paredes

Estad. Rolando R. Romero Paredes

Estad. Rolando R. Romero Paredes

Anlisis combinatorio - Principio fundamental de

Estad. Rolando R. Romero Paredes

Anlisis combinatorio - Permutaciones.

Estad. Rolando R. Romero Paredes

Anlisis combinatorio - Permutaciones.

Estad. Rolando R. Romero Paredes

Anlisis combinatorio - Permutaciones.

Ejemplo 2. La mesa directiva de una escuela est integrada por

Logro especfico de aprendizaje:

Estad. Rolando R. Romero Paredes

Estad. Rolando R. Romero Paredes

Estad. Rolando R. Romero Paredes

Estad. Rolando R. Romero Paredes

Estad. Rolando R. Romero Paredes

Enfrentar, entender y comunicarse claramente acerca de la

Estad. Rolando R. Romero Paredes

Experimentos o fenmenos aleatorios

Estad. Rolando R. Romero Paredes

Es el conjunto formado por todos los posibles resultados de un

2. Extraer al azar un naipe:

Estad. Rolando R. Romero Paredes

Experimento: Lanzar tres dados y anotar la suma de los puntos obtenidos:

Estad. Rolando R. Romero Paredes

Evento contrario o complemento de un Evento: A

A : todas las cartas que no son diamante

Estad. Rolando R. Romero Paredes

Eventos mutuamente excluyentes y colectivamente exhaustivos

Los eventos mutuamente excluyentes y

Estad. Rolando R. Romero Paredes

Estad. Rolando R. Romero Paredes

Estad. Rolando R. Romero Paredes

Estad. Rolando R. Romero Paredes

Estad. Rolando R. Romero Paredes

Estad. Rolando R. Romero Paredes

Probabilidad clsica a priori

Estad. Rolando R. Romero Paredes

Probabilidad clsica a priori

Estad. Rolando R. Romero Paredes

Probabilidad clsica emprica

P(A)= # de veces que ocurre A

Estad. Rolando R. Romero Paredes

Estad. Rolando R. Romero Paredes

Teoremas derivados de los axiomas

P(A B)=1 - P(A B) = P(AB)

P(A B )= 1 - P(AB) = P(A B)

Estad. Rolando R. Romero Paredes

Estad. Rolando R. Romero Paredes

Estad. Rolando R. Romero Paredes

Estad. Rolando R. Romero Paredes

1. Un pizzera puede medir la probabilidad de que el tiempo de

2. El 65% cree que el Congreso no defiende intereses ciudadanos

Estad. Rolando R. Romero Paredes

Estad. Rolando R. Romero Paredes

Estad. Rolando R. Romero Paredes

Espacio muestral reducido

P(As/naipe rojo)= P(As y naipe rojo) = 2/52 = 2/26

Estad. Rolando R. Romero Paredes

De la definicin de probabilidad condicional se