Está en la página 1de 55

Captulo 1.

Estadstica descriptiva
Captulo 2. Teora de Conjuntos y tcnicas de conteo
Captulo 3. Teora de la probabilidad
Captulo 4. Variables aleatorias y distribuciones de
probabilidad discretas
Captulo 5. Variables aleatorias y distribuciones de probabilidad
contnuas

BIBLIOGRAFA
*Probabilidad
Seymour Lipschutz - Marc Lipson
Mc. Graw Hill. Segunda edicin

*Estadstica para administracin y economa
David R. Anderson Deniss J. Sweeney - Thomas A. Williams
Thomson. 10 edicin























CAPTULO 2. TEORA DE CONJUNTOS Y TCNICAS DE CONTEO
BOSQUEJO DEL CURSO













































CONJUNTO
Es una lista o coleccin de objetos, personas, animales, letras, nmeros, etc., llamados
elementos o miembros del conjunto, los cuales pueden ser de la misma especie. Un
conjunto debe cumplir los siguientes requisitos:
1. Debe estar bien definido, es decir, con facilidad debemos identificar si los
elementos pertenecen al conjunto.
2. No se deben repetir sus elementos.
3. Si se repiten algunos elementos, se deben contar una sola vez.
As, por ejemplo, el conjunto {a, b, c, f, c, g, a, b, f} tiene 5 elementos.

NOTACIN DE CONJUNTOS

CONJUNTOS: con letras maysculas: A, B, C, , X, Y, Z.
ELEMENTOS: con letras minsculas: a, b, c, , x, y, z.
p e A se lee p pertenece a A o p es un elemento del conjunto A.
A _ B se lee A es un subconjunto de B o A est contenido en B.
A = B significa que A _ B y B _ A.
Las negaciones son: p e A, A . B y A = B, respectivamente.

ESPECIFICACIN DE CONJUNTOS

1. POR EXTENSIN
Cuando se nombran todos los elementos del conjunto.

2. POR COMPRENSIN
Cuando nicamente se nombran las caractersticas que deben tener los elementos
del conjunto.

CONJUNTOS ESPECIALES

1. CONJUNTO UNIVERSAL (U, )
Es aquel en el que deben aparecer todos los elementos de los conjuntos que intervengan en
un problema determinado.

2. CONJUNTO VACO ({}, )
Es aquel que carece de elementos.

OBSERVACIN
Si A es cualquier conjunto y U es su universal, entonces siempre se cumple que c A c U.

CLASES DE CONJUNTOS

1. CONJUNTO FINITO
Es aquel en el que se puede contar el nmero de elementos, es decir, cuando se puede
conocer el ltimo elemento.

2. CONJUNTO INFINITO
Es aquel en el que no se puede contar a los elementos, es decir, cuando no se conoce al
ltimo elemento (o al primer elemento).

CONJUNTOS DISJUNTOS, O DISYUNTOS O AJENOS

Dos conjuntos A y B son disjuntos cuando ningn elemento de A pertenece a B y ningn
elemento de B pertenece a A.

Ejemplos
NMEROS NATURALES
N = {1, 2, 3,} por extensin e infinito
N = {x: x es un nmero natural} por comprensin
U = Z enteros, U = Q racionales, U = R reales

NMEROS ENTEROS
Z = {, -2, -1, 0, 1, 2,} por extensin e infinito
Z = {x: x es un nmero entero} por comprensin
U = Q racionales, U = R reales

NMEROS RACIONALES
Q = {a/b: a, b e Z, b 0} por comprensin e infinito
U = R

NMEROS IRRACIONALES
I = no racionales
I = {x: x es un nmero irracional} por comprensin e infinito
U = R

OBSERVACIONES
1. N c Z c Q c R.
2. Si tenemos N, Z, Q, I, entonces U = R = Q I.

EJEMPLOS
1. A = {a, e, i, o, u} = {x: x es una letra vocal} finito, por extensin y por comprensin
B = {b, c, d, f, g, h, j, k, l, m n, , p, q, r, s, t, v, w, x, y, z} = {x: x es una letra consonante}
finito, por extensin y por comprensin
U = {x: x es una letra del alfabeto}
A y B son disjuntos

2. A = {0, 2, 4, 6, 8} = {x: x es un dgito par}
B = {1, 3, 5, 7, 9} = { x: x es un dgito impar }
U = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9} = {x: x es un nmero dgito}
Note que A y B son disjuntos

3. A = {lunes, mircoles, viernes}
B = {martes, jueves, sbado}
U = {x: x es un da de la semana}
Adems A y B son disjuntos

4. A = {x: x es un nmero natural y 7 < x < 8} =

OPERACIONES CON CONJUNTOS
Sean A y B dos conjuntos no vacos en su universal U.

UNIN
Es el conjunto formado por todos los elementos que pertenecen a A o a B o a ambos, es
decir:
A U B = {x e U: x e A o x e B}

INTERSECCIN
Es el conjunto formado por todos los elementos que pertenecen a A y a B, es decir:
A B = {x e U: x e A y x e B}

OBSERVACIN
Si A B = , entonces A y B son disjuntos

DIFERENCIA O COMPLEMENTO RELATIVO DE B CON RESPECTO A
Es el conjunto formado por todos los elementos que pertenecen a A pero no a B, es decir:
A - B = A \ B = {x e U: x e A y x e B}

COMPLEMENTO ABSOLUTO DE A
Es el conjunto formado por todos los elementos que no pertenecen a A, es decir:
A
c
= = A = U \ A = {x e U: x e A}

OBSERVACIN
1. A A
c
= , es decir, A y A
c
son disjuntos
2. A \ B

= A B
c

NOTA
o
y

EJEMPLOS
1. Si U = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9},
A = {1, 2, 3, 4, 5, 6, 7, 8} y
B = {0, 1, 2, 5, 6, 8, 9} entonces
A U B = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9} = U
A B = {1, 2, 5, 6, 8}
A \ B = {3, 4, 7}
B \ A = {0, 9}
A
c
= {0, 9}
B
c
= {3, 4, 7}
2. Si U = {a, b, c, d, e, f, g, h, i, j, k, l, m}
A = {a, b, d, e, g, h}
B = {e, f, g, h, j, k}
C = {j, k, l, m}
Calcular

(A
c
\ B)
c
\ (B
c
C
c
)
c

A
c
= {c, f, i, j, k, l, m}
B
c
= {a, b, c, d, i, l, m}
C
c
= {a, b, c, d, e, f, g, h, i}
A
c
\ B = {c, i, l. m}
B
c
C
c
= {a, b, c, d, i}
(A
c
\ B)
c
= {a, b, d, e, f, g, h, j, k}

(B
c
C
c
)
c
= {e, f, g, h, j, k, l, m}


(A
c


\ B)
c
\ (B
c
C
c
)
c
= {a, b, d}


PROPIEDADES DE LOS CONJUNTOS
Sean A, B y C tres conjuntos no vacos en su universal U
PROPIEDAD UNIN INTERSECCIN
De Idempotencia A U A = A A A = A
Conmutativa

A U B = B U A A B = B A
Asociativa

(A U B) U C = A U (B U C) (A B) C = A (B C)
De Identidad A U =A, U U = U

A U = A
A =
De complemento A U A
c
= U
(A
c
)
c
= A
A A
C
=
U
c
=

c
= U
De De Morgan

(A U B)
c
= A
c
B
c
(A B)
c
= A
c
U B
c

Distributiva A U (B C) =
(A U B) (A U C)
A (B U C) =
(A B) U ( A C)

Ejemplos
Para U = {a, b, c, d, e, f, g, h, i, j, k, l, m}
A = {a, b, d, e, g, h}
B = {e, f, g, h, j, k}
C = {j, k, l, m}
Calcular (A
c
\ B)
c
\ (B
c
C
c
)
c
Solucin con las propiedades

(A
c
\ B)
c
\ (B
c
C
c
)
c
= [A
c
B
c
]
c
[(B
c
C
c
)
c
]
c
= [(A
c
)
c
U (B
c
)
c
] (B
c
C
c
)
X \ Y = XY
c
= (A U B) (B
c
C
c
)
= [A (B
c
C
c
)] U [B (B
c
C
c
)]
= (A B
c
C
c
) U (B B
c
C
c
)
= (A B
c
C
c
) U ( C
c
)
= (A B
c
C
c
) U
= A B
c
C
c

= {a, b, d}

Con B
c
= {a, b, c, d, i, l, m} y C
c
= {a, b, c, d, e, f, g, h, i}

Sean U = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}
A = {3, 6, 8, 9, 12}
B = {1, 2, 4, 5, 7, 8, 9}
Calcular (AB
c
) \ (A
c
UB
c
)
Solucin
Por un lado, A
c
= {1, 2, 4, 5, 7, 10, 11}
B
c
= {3, 6, 10, 11, 12}
AB
c
= {3, 6, 12}
A
c
UB
c
= {1, 2, 3, 4, 5, 6, 7, 10, 11, 12}
(AB
c
) \ (A
c
UB
c
) =

Por propiedades
(AB
c
) \ (A
c
UB
c
) = (AB
c
) (A
c
UB
c
)
c

=(AB
c
)[(A
c
)
c
(B
c
)
c
]
X \ Y = XY
c
=(AB
c
) (AB)
=AAB
c
B
=A
=

DIAGRAMAS DE VENN O DE VENN-EULER
Es la representacin grfica de uno o varios conjuntos y sus operaciones.







AB AB= A_B







AB AB= A_B









AB AB= A_B








AB AB= A_B

Ejemplos
1. Sean U = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9},
A = {0, 2, 3, 6, 7, 8} y
B = {1, 2, 4, 5, 6, 7}
Calcular (A
c
B) \ (A
c
UB
c
)
c
y representar en un diagrama de Venn
(A
c
B) \ (A
c
UB
c
)
c
= (A
c
B) [(A
c
UB
c
)
c
]
c

= (A
c
B) (A
c
UB
c
)
= [(A
c
B)A
c
] U [(A
c
B)B
c
]
= (A
c
A
c
B) U (A
c
)
= (A
c
B) U
= A
c
B
= B A
c

= B \ A
= {1, 4, 5}

2. Si U = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9},
A = {0, 2, 3 ,5 ,6}, B = {1, 2, 3, 4, 5, 7} y C = {3, 5, 6, 7, 9}

Calcular (A
c
\ B) U (B
c
C
c
)
Solucin con propiedades:
(A
c
\ B) U (B
c
C
c
) = (A
c
B
c
) U (BUC)
c

=

(AUB)
c
U (BUC)
c

=

[(AUB) (BUC)]
c

= [{0, 1, 2, 3, 4, 5, 6, 7}{1, 2, 3, 4, 5, 6, 7, 9}]
c

= {1, 2, 3, 4, 5, 6, 7}
c

= {0, 8, 9}
PRODUCTO CARTESIANO O CONJUNTO PRODUCTO
El producto cartesiano de dos conjuntos A y B no vacos, denotado por AxB es el conjunto
formado por todas las parejas ordenadas de la forma (a, b) en donde a e A y b e B, es
decir:
A x B = {(a, b): a e A y b e B}
Denotaremos AxA=A

Ejemplo
Sean los conjuntos
A= {4, 6, 8} y B= {x, y}
Entonces
A x B = {(4, x), (4, y), (6, x), (6, y), (8, x), (8, y)}
B x A = {(x, 4), (x, 6), (x, 8), (y, 4), (y, 6), (y, 8)}
A x A = {(4, 4), (4, 6), (4, 8), (6, 4), (6, 6), (6, 8), (8, 4), (8, 6), (8, 8)}
B x B = {(x, x), (x, y), (y,x), (y, y)}

El producto cartesiano de tres conjuntos A, B y C no vacos, denotado por AxBxC es el
conjunto formado por todas las ternas ordenadas de la forma (a, b, c) en donde a e A, b e
B y c e C, es decir:
A x B x C={(a, b, c): a e A, b e B, c e C}
Denotaremos A x A x A=A
3


TCNICAS DE CONTEO O ANLISIS COMBINATORIO

Consiste en el desarrollo de algunos mtodos para determinar sin enumeracin directa el
nmero de resultados posibles de un experimento particular o el nmero de elementos de un
conjunto particular.

PRINCIPIO ADITIVO (PA)
Supongamos que existen k etapas o procedimientos para efectuarse un experimento de tal
manera que en el procedimiento 1 puede efectuarse de n
1
formas, en la etapa 2 puede
efectuarse de n
2
formas, y en la etapa k puede efectuarse de n
k
formas. Si las etapas o
procedimientos no pueden efectuarse conjuntamente, entonces el nmero de maneras en
que se puede efectuar el experimento es: n
1
+ n
2
+.+ n
k


Geomtricamente

|



1 2 n
2
1 2 ... n
1
Etapa 2 1 2 . n
k
Etapa 1 Etapa k

Ejemplos
1. Supongamos que una fbrica produce 4552 objetos de una especie y 5415 objetos de una
especie diferente a la anterior. Cuntos objetos se han fabricado?
Solucin:
Experimento: producir objetos de dos especies distintas
Etapa 1 de n
1
= 4552 maneras
Etapa 2 de n
2
= 5415 maneras
Por el PA se han fabricado
n
1
+ n
2
= 4552 + 5415 = 9967 objetos

2. Supongamos que desea realizar un viaje y debemos elegir en transportarnos por autobs,
o por tren, o por avin, o por barco, y existen 4 rutas para el autobs, 3 rutas para el tren, 3
rutas para el avin y 2 rutas para el barco. Cuntas rutas podemos elegir, si solo se puede
efectuar el viaje en uno de los transportes?
SOLUCION:
Experimento: viajar
Etapa 1 (por autobs): ocurre de n
1
= 4 maneras
Etapa 2 (por tren): ocurre de n
2
= 3 maneras
Etapa 3 (por avin): ocurre de n
3
= 3 maneras
Etapa 4 (por barco): ocurre de n
4
= 2 maneras
como el viaje no puede hacerse de dos maneras al mismo tiempo, entonces por el PA,
existen:
n
1
+ n
2
+ n
3
+ n
4
= 4 + 3 + 3 + 2 = 12 maneras de hacerlo.

PRINCIPIO MULTIPLICATIVO (PM) O PRINCIPIO FUNDAMENTAL DEL
CONTEO (PFC)
Si un experimento se puede llevar a cabo de n
1
maneras distintas, un segundo experimento
se realiza de n
2
maneras diferentes, y un k- simo experimento se puede llevar a cabo de n
k

maneras diferentes, entonces el nmero total de maneras en que los experimentos se pueden
llevar a cabo en el orden establecido es: n
1
n
2
n
3
n
k


Ejemplos
1. Supongamos que para ir de un punto A a un punto B existen 4 caminos diferentes, y para
ir del punto B a un punto C hay 5 caminos diferentes.
a) De cuntas maneras diferentes se puede ir de A a C pasando por B y regresando a B?
b) Lo mismo que en a) pero sin pasar por el mismo camino 2 veces.

Solucion:
a) E
1
: Ir de A a B: ocurre de n
1
= 4 maneras diferentes
E
2
: Ir de B a C: ocurre de n
2
= 5 maneras diferentes
E
3
: Ir de C a B: ocurre de n
3
= 5 maneras diferentes
Con casillas
4 5 5 = 100
E
1
E
2
E
3

Entonces por el PFC se realizar el recorrido deseado de n
1
n
2
n
3
= 455=100 maneras
distintas.


b) Con casillas
4 5 4 = 80 maneras distintas
E
1
E
2
E
3

2. Supongamos que se lanza un dado 3 veces. Cuntas ternas de nmeros del dado se
pueden formar?
Solucin:
6 6 6 = 216 ternas distintas
D
1
E
2
E
3


3. De cuntas maneras distintas se puede formar un comit integrado de un presidente y un
secretario, a partir de un grupo de 7 personas?
Solucin:
7 6 = 42 comits distintos
P

S



4. Cuntos arreglos diferentes, consistentes cada uno de 4 letras diferentes se puede formar
a partir de la palabra murcilago, si cada arreglo debe comenzar y terminar con una
vocal?
Solucin:
5 8 7 4 = 1120 arreglos diferentes
v
1
v
2


5 vocales

10 letras

5 consonantes


NOTACION FACTORIAL
Si n e N, entonces el factorial de n o n factorial, denotado por n!, es el producto de los
primeros n nmeros naturales, es decir:

n!= 1 2 3 (n -1)n = n(n-1)(n-2) 3 2 1

As:
1!=1
2!= 1 2=2
3!= 1 2 3=6
4!=1 2 3 4=24
5!=1 2 3 4 5=120
6!=1 2 3 4 5 6=720
7!=1 2 3 4 5 6 7=5040

OBSERVACIONES
1. Como n! = n(n-1)(n-2) 3 2 1 y (n-1)! = (n-1)(n-2) 3 2 1, entonces
n! = n(n-1)!
Similarmente
n! = n(n-1)!
= n(n-1)(n-2)!
= n(n-1)(n-2)(n-3)!
= n(n-1)(n-2)(n-3)(n-4)!

Ejemplos
5! = 5 4! = 120
5! = 5 4 3! = 20 6 = 120
9!/6! = 9 8 7 6!/6! = 9 8 7 = 504
11 10 9 = 11 10 9 8!/8! = 11! / 8!

2. Sustituyendo n = 1 en la expresin n! = n(n-1)! obtenemos
1!= 1(1-1)!= 1 0! =0!
de donde
0!=1

PERMUTACIONES

Dado un conjunto de n elementos u objetos, una permutacin de los n elementos es un
arreglo en un rengln en un orden determinado o definido.


Ejemplos
1. Los alumnos de este grupo se pueden arreglar o permutar de distintas maneras, todos a la
vez o por equipos de dos, de tres, etc.
2. Para las letras a, b y c hay 6 permutaciones, tomadas todas a la vez, a saber: abc, acb,
bac, bca, cab, cba.

TEOREMA 1
El nmero de permutaciones diferentes de n elementos diferentes, tomados todos a la
vez, denotado por P
n
,
n
P
n
, P
n
n
y P(n,n), est dado por: P
n
n
= n!

n n-1 n-2 3 2 1 = n!

Ejemplos
1. De cuntas maneras se pueden sentar 6 estudiantes en una fila?

De P
6
6
= 6!=720 maneras diferentes


2. De cuntas maneras se pueden colocar 5 libros en un estante?

De P
5
5
=5!= 120 maneras diferentes

TEOREMA 2
El nmero de permutaciones diferentes de n elementos diferentes, tomados de k en k, sin
repeticin, denotado por P
k
,
n
P
k
y P
n
,
k
, P
n
k
y P(n,k), est dado por:

P
k
= n(n-1) (n-2) (n- k +1)

= n(n-1) (n-2) (n- k +1) (n-k)! n!
_________________________ = ----------------
(n-k)! (n-k)!





n!
P
n
k
= -----------
- (n-k)!


Ejemplos
De cuntas maneras se pueden permutar las letras A, B y C tomadas de 2 en 2

3! 3!
De P
3
2
= ----------- = --------- = 6 maneras diferentes
(3-2)! 1!

Que son ab; ac, ba, bc, ca y cb

2.- Cuntos nmeros naturales de 3 cifras se pueden formar con los nmeros 1, 2, 3 y 4?

4!
De P
4
3
= ----------- = 24 nmeros naturales
(4-3)!

3.- Un camin de pasajeros tiene 7 asientos disponibles, si suben 3 personas ms, de
cuntas maneras diferentes se pueden sentar?


7! 7.6.5.4!
De P
7
3
= ----------- = ------------ = 210 formas distintas
4! 4!

TEOREMA 3
n n-
1
n-
2
. n-
k
+
1 k
.
2 1
El nmero de permutaciones diferentes de n elementos diferentes, tomados de k en k con
repeticin, denotado por PR
k
, esta dado por PR
n
k
= n
k


= n
k

k factores
EJEMPLOS
1. De cuantas maneras se pueden permutar las letras A, B y C tomadas de 2 en 2 con
repeticin?
De PR
3
2
= 3=9 maneras diferentes
aa, ab, ac, bb, ba, bc, cc, ca, cb

2. Cuntas placas se pueden formar de 4 cifras con los nmeros dgitos, si se permite la
repeticin de nmeros?
PR
10
4
= 10
4
= 10000 placas distintas

3. Cuntas placas se pueden formar de 3 letras y 4 nmeros si se permite la repeticin de
letras y nmeros?

=PR
27
3
PR
01
4
=27
3.
10
4
=196830000 placas
distintas
Letras nmeros

Se lanza un dado 3 veces, Cuntas ternas podemos formar con los nmeros obtenidos?
PR
6
=6
3
=216 ternas diferentes

TEOREMA 4
Si tenemos n elementos, de los cuales exactamente m son de un tipo r y si n es la suma de
todos los tipos, entonces el nmero de permutaciones diferentes se puede formar con los n
elementos tomados todos ala vez denotados por P m
1
, m
2
, m
r
, n Pm1, m2,..mr, Pn;m1, m2,
m
r
, P(n,m
1
, m
2
, .m
r
.) y .
n!
Pm
1
, m
2
.m
r
-------------------
m
1
!, m
2
!.... m
r
!


Pn= P m
1
, m
2
, ...m
r
m
1
! m
2
! .... m
r
!
n!= P m
1
, m
2
, ...m
r
m
1
! m
2
! .... m
r
!
n!
P m
1
, m
2
, ...m
r
= --------------------
m
1
! m
2
! ....m
r
!

EJEMPLOS
n n n n n n
27 27 27 10 10 10 10
1 1 1 1 2 2 2 2 r r r r
1.- Cuntas permutaciones diferentes hay de las letras en las palabras PROBABILIDAD,
ESTADISTICAS y MISSISIPPI?

PROBABILIDAD
Tipo 1 (Tipo P) : m
1
=1
Tipo 2 (Tipo R): m
2
=1
Tipo 3 (Tipo O): m
3
=1
Tipo 4 (Tipo B): m
4
=2
Tipo 5 (Tipo A)= m
5
=2
Tipo 6 (Tipo I)= m
6
=2
Tipo 7 (Tipo L)= m
7
=1
Tipo 8 (Tipo D)=m
8
=2
----------
n= 12

Entonces existen

12!
P
12
1, 1, 1, 2, 2, 2, 1, 2
= --------------------------- = 29937600
1! 1! 1! 2! 2! 2! 1! 2!

ESTADISTICAS

Tipo 1 (Tipo E) = m
1
=1
Tipo 2 (Tipo S) = m
2
=3
Tipo 3 (Tipo T)= m
3
=2
Tipo 4 (Tipo A)= m
4
=2
Tipo 5 (Tipo D)= m
5
=1
Tipo 6 (Tipo I)= m
6
=2
Tipo 7 (Tipo C)= m
7
=1
----------
n= 12

Entonces
12!
P
12
3, 2, 2, 2
= ------------------ =9979200
3! 2! 2! 2!

MISSISIPPI
Tipo 1 (Tipo M) = m
1
=1
Tipo 2 (Tipo I) = m
2
=4
Tipo 3 (Tipo S)= m
3
=3
Tipo 4 (Tipo P)= m
4
=2
----------
n= 10


Entonces
10!
P
10
4, 3, 2
= ------------------ =12600
4! 3! 2!


2.- De cuntas maneras hay para distribuir 5 canicas azules y 7 canicas rojas entre 12
nios de modo que a cada uno de ellos le corresponda una sola canica?

Tipo azul: m
1
=5
Tipo roja: m
2
=7


12!
P
12
5,7
= ------------ =792 maneras distintas
5! 7!

3.- Cuntas seales diferentes cada una de diferentes banderas colocadas en una lnea
vertical pueden formarse con un conjunto de 4 banderas rojas sin marcar, 3 banderas
blancas sin marcar y una verde?


8!
P
8
4, 3, 1
= -------------- = 280 seales diferentes
4! 3! 1!


TEOREMA 5
El numero de permutaciones diferentes de n elementos diferentes colocados a lo largo de
una circunferencia, esta dado por PC
n
=(n-1)!




Dejamos uno
Fijo





Ejemplos

1.- De cuntas maneras se pueden sentar 8 personas en una mesa circular?

De PC
8
8
= 7! =5040 maneras diferentes

2.- De cuntas maneras se pueden formar 7 automviles en una pista circular?

De PC
7
7
= 6! = 720 maneras diferentes

Arreglar las llaves de un llavero circular o las cuentas de un collar, convenimos en que dos
arreglos son los mismos si uno de ellos se puede obtener del otro al girar el llavero o el
collar. As, los siguientes arreglos son los mismos.








Por lo tanto, solo hay un arreglo de tres llaves diferentes en el llavero o 3 cuentas diferentes
en el collar, es decir, el numero de arreglos diferentes es


(3-1)! 2!
=1

2

2



En general, el nmero de arreglos diferentes de n llaves en el llavero o de n cuentas
diferentes en el collar es:

(n-1)!
2



Ejemplo
Cuntos collares diferentes se pueden formar al enlazar 8 cuentas de colores diferentes?

(8-1)! 7! 5040
=2520 collares diferentes
2

2

2


COMBINACIONES

Una combinacin de n elementos diferentes es cualquier arreglo de uno o varios elementos
sin importar el orden.

TIPOS DE COMBINACIN
1.- Combinaciones sin Repeticin. El nmero de combinaciones de n elementos diferentes
tomados de k en k, sin repeticin, es el nmero de subconjuntos que se pueden formar con
los n elementos conteniendo cada subconjunto k elementos diferentes, y sin que dos
conjuntos contengan exactamente los mismos k elementos.

Ejemplo
Para las letras a, b y c existen 3 combinaciones sin repeticin, tomadas de 2 en 2, que son
ab, ac y bc.

2.- Combinaciones con Repeticin. El nmero de combinaciones de n elementos
diferentes tomados de k en k, con repeticin, es el nmero de subconjuntos que se pueden
formar de k elementos elegidos de los n dados, utilizando cada uno de ellos tantas veces
como se quiera.

Ejemplo
Para las letras a, b y c existen c combinaciones con repeticin, tomadas de 2 en 2, que son:
ab, ac, bc, aa, bb y cc

TEOREMA 6
El nmero de combinaciones diferentes de n elementos diferentes tomados de k en k, sin
repeticin, denotado por C
k
,
n
C
k
, C
n, k
, C(n,k) y (
k
), esta dado por



C
n
k
=


n!


k!(n-k)!


y el nmero de las combinaciones con repeticin es:


C
+k-1
k
=
(n+k-1)!
k!(n-1)!


Observaciones
1.- C
k
= C
n-k

2.- C
o
= 1 = C
n

3.- C
+1
k
= C
k-1
+ C
k

Ejemplos
1.- Cuntos comits pueden formarse de 3 miembros elegidos de 8 personas?


C
8
3
=



8! 8.7.6.5!

= 56 comits
diferentes


3!5! 6. 5!

2.- Cuntos equipos de bsquetbol se pueden formar a partir de 9 personas?



C
5
9
=


9! 9.8.7.6.5!

= 126 equipos
distintos


5! 4!

5!24


3.- De cuntas maneras puede escogerse un comit compuesto de 3 hombres y 2 mujeres,
de un grupo de 7 hombres y 5 mujeres?

De los 7 hombres se pueden elegir 3





C
3
7
=



7

7.6.5


35 maneras diferentes



3! 4!

6.4!




De las 5 mujeres se pueden elegir 2



C
2
5
=

2!

5.4.3!



10 maneras diferentes
2! 3!

2.3!

Por el PFC, existen
C
3
7
C
2
5
= (35)(10) = 350 comits diferentes

4.- De cuantas maneras se puede dividir 6 boletos entre 3 personas de tal manera que cada
persona reciba 2 boletos?
A la primera persona se le pueden dar 2 boletos de
6!
C
2
6
= --------- = 15 maneras distintas
2! 4!
A la segunda persona se le pueden dar 2 boletos de

4!
C
2
4
= --------- = 6 maneras distintas
2! 2!

A la tercera persona se le pueden dar 2 boletos de


C
2
2
= 1 manera distinta

Luego por el PFC, se puede asignar los boletos de
Ala segunda persona se le pueden dar 2 boletos de


C
2
6
C
2
4
C
2
2
= (15)(6)(1) = 90 formas distintas

Cuntas combinaciones hay de las letras a, b, c y d tomadas de 3 en 3 con repeticin?



6!
C
3
4+3-1
= ------------ = 20 combinaciones diferentes
3! 3!





CAPTULO 3
TEORA DE LA PROBABILIDAD

EXPERIMENTO ALEATORIO U OBSERVACIN ALEATORIA
Es un proceso que tiene las siguientes propiedades:
1. Se efecta bajo un conjunto bien definido de reglas
2. Se permite la repeticin del mismo
3. Depende de la casualidad, es decir, de influencias que no pueden ser controladas y por lo
tanto, no se puede predecir un resultado nico.
Ejemplos:
Lanzamiento de un dado
Ruleta
Lanzamiento de una moneda

E
1
: Se lanza un dado y se anota el nmero que aparece en la cara superior
E
2
: Se lanzan 4 monedas y se anota el nmero obtenido de guilas
E
3
: Se lanzan 4 monedas y se anota la sucesin de resultados
E
4
: Se fabrican artculos en una lnea de produccin y se anota el nmero de artculos
defectuosos producidos en un periodo de 24 horas
E
5
: El ala de un aeroplano se arma con un gran nmero de remaches. Se cuenta el nmero
de remaches defectuosos en dicha ala.
E
6
: Se fabrica una lampara. Luego se prueba su duracin ponindola en un portalmparas y
se cuenta el nmero de horas transcurridas hasta que se queme.
E
7
: En un lote de 10 artculos hay tres defectuosos. Se elige un artculo despus de otro, sin
reemplazarlo, hasta que se obtiene el ltimo artculo defectuoso. Se cuenta el nmero total
de artculos extrados del lote.
E
8
: Se fabrican artculos hasta obtener 10 defectuosos. Se cuenta el nmero total de
artculos fabricados.
E
9
: Se lanza un proyectil, despus de un tiempo determinado t
0
, se anotan las 3
componentes de la velocidad Vx, Vy y Vz.
E
10
: Se observa un proyectil recin lanzado en los tiempos t
1
, t
2
,, t
n
. Y en cada
oportunidad se anota la altura del proyectil sobre el suelo.
E
11
: De una urna que contiene solo esferas negras, se escoge una esfera y se anota su color.



ESPACIO MUESTRAL
Es el conjunto de todos los resultados posibles de un experimento E. A cada resultado se le
llama elemento o punto muestral. Denotaremos a los espacios mustrales con la letra S.

ESPACIO MUESTRAL DISCRETO
Es aquel que tiene un numero finito de puntos, es decir, si sus resultados pueden ponerse en
una correspondencia una a uno, o unvoca o inyectiva con el conjunto de nmeros
naturales.

ESPACIO MUESTRAL CONTINUO
Es aquel que contiene un numero infinito de puntos, es decir, si sus resultados consisten de
un intervalo de nmeros reales.

Ejemplos:
Para los experimentos anteriores
S
1
= {1, 2, 3, 4, 5, 6} Discreto
S
2
= {0, 1, 2, 3, 4} Discreto
S
3
= (r
1
, r
2
, r
3
, r
4
): r
i
=a o s, i=1, 2, 3, 4} Discreto
S
4
= {0, 1, 2, 3,...n: n es el nmero de artculos producidos} Discreto
S
5
= {0, 1, 2, 3, 4,..m: m es el nmero de remaches colocados } Discreto
S
6
= {0, 1, 2, 3, 4,... } Discreto
S
7
= {3, 4, 5, 6, 7, 8, 9, 10} Discreto
S
8
= {10, 11, 12, 13, } Discreto
S
9
= {(Vx (t
0
), Vy (t
0
), Vz (t
0
)) : 0Vx, Vy, Vz< } Continuo
S
10
= {(h
1
, h
2, ...,
h
n
): 0 h
i
< } Discreto
S
11
= {esfera negra} Discreto


EVENTO O SUCESO
Es un subconjunto A de un espacio muestral S asociado a un experimento E, es decir, es un
conjunto de resultados posibles. Si el resultado de un experimento es un elemento de A,
decimos que el evento A ha ocurrido.
Un evento que consiste de un solo punto muestral de S se llama evento elemental o simple.


DIAGRAMA DE VEEN-EULER

Para representar un espacio muestral S y los eventos A y A
c
:







Para los espacios mustrales anteriores:
1. A
1
= {2, 4, 6}, es decir, cae un nmero par
B
1
= {2, 3, 5}, es decir, cae un nmero primo

2. A
2
= {3}, es decir, caen exactamente 3 guilas
B
2
= {0, 1, 2}, esto es, caen a lo ms dos guilas

3. A
3
= {ssss, sssa, ssas, sass, asss}, es decir, caen a lo ms un guila, o bien, caen al
menos 3 soles

4. A
4
= {6, 7, 8, 9}, es decir, se encontraron entre 6 y 9 artculos defectuosos

5. A
5
= {20, 21, 22}, esto es, se encontraron al menos 20 y a lo ms 22 remaches
defectuosos

6. A
6
= {0, 1, 2, 3, 4, 5, 6, 7, 8, 9}, es decir, la lmpara duro a lo ms 9 horas

Como los eventos son conjuntos, entonces podemos definir las operaciones entre eventos
como sigue:

Sean A y B dos eventos cualesquiera.
UNIN
Denotado por AUB, es el evento ocurre A o B, o ambos
INTERSECCIN
Denotado por AB es el evento ocurre tanto A como B
DIFERENCIA
Denotado por A\ B, es el evento ocurre A pero no ocurre B

OBSERVACIONES
1. Evento seguro, o cierto o en si mismo: S (espacio muestral)
2. Evento imposible: (conjunto vaco)

EVENTOS MUTUAMENTE EXCLUYENTES

Dos eventos A y B son mutuamente excluyentes si sus respectivos conjuntos son distintos,
es decir, AB =.

Ejemplo:
1. Se lanza una moneda 2 veces y sean los eventos
A: Por lo menos cae un sol
B: El segundo lanzamiento es un guila
Entonces:
S = {ss, as, sa, aa}
A = {as, sa, ss}
B = {aa, sa}
Luego
AUB= S
AB= {sa}
A\ B= {as, ss}
A
c
= {aa}
B
c
= {as, ss}
2. lanza un dado, entonces S= {1, 2, 3, 4, 5, 6} y sean
A= {2, 4, 6}
B= {1, 3}
C= {2, 4}
Luego
AUB= {1, 2, 3, 4, 6 =S \ {S}
AUC= {2, 4, 6}
BUC= {1, 2, 3, 4}
AB= es decir A y B son excluyentes
AC= {2, 4}
BC =
A\ B= A
A\ B= {6}
B\ C=B
B\ A=B
C\ A=
C\ B=C
A
c
= {1, 3, 5}
B
c
= {2, 4, 5, 6}
C
c
= {1, 3, 5, 6}



PROBABILIDAD DE UN EVENTO

En todo experimento existe incertidumbre sobre si un evento especfico ocurrir o no.
Existen 2 procedimientos mediante los cuales se pueden obtener estimados para la
probabilidad de un evento, los cuales son:

1. COMO CONCEPTO CLSICO O APRIORI
La probabilidad de que ocurra un evento A en un espacio muestras S asociado a un
experimento E, esta dada por

Nmero de casos favorables #A |A|
P(A)=--------------------------------------= ------ = -------
Nmero de casos totales #S |S|

siempre y cuando ningn elemento tenga preferencia sobre los dems, es decir, cada
elemento es igualmente posible.
En donde:

#A = |A| y #S = |S|
Es el nmero de elementos de A y de S, respectivamente.

Ejemplos:
1. Calcular la probabilidad de que en un lanzamiento de una moneda regular se obtenga un
guila.

Solucin
Sea el evento
A: cae un guila
Entonces
S= {a, s} y A={a}
Luego
1
p(A) = ----- =0.50 = 50%
2

Adems, A
c
: cae un sol,
A
c
= {s}
As, p(A
c
) =
Notemos que p(A) + p (A
c
) = 1

2. Supongamos que se lanza un dado regular y se observa el nmero que queda en la cara
superior. Calcular la probabilidad de los siguientes eventos:
A: cae el nmero 5
B: cae un nmero par
C: cae un nmero mayor que 6
D: cae un nmero primo
E: cae un nmero par y primo
F: cae un nmero impar
Solucin
Sabemos que S= {1, 2, 3, 4, 5, 6}
A= {5} A
c
= {1, 2, 3, 4, 6}
B= {2, 4, 6} B
c
= {1, 3, 5}
C= C
c
= S
D= {2, 3, 5} D
c
= {1, 4, 6}
E= {2} E
c
= {1, 3, 4, 5, 6}
F= {1, 3, 5} F
c
= {2, 4, 6}

Entonces
p(A)= 1/6 y p (A
c
)= 5/6
p (B)= 3/6 = 1/2 y P (B
c
)=3/6 =1/2
p(C)= p ()=0/6 =0 y P (C
c
)= p(S)=6/6=1
p (D)= 3/6 =1/2 y p (D
c
) =3/6=1/2
p (E)= 1/6 y p (E
c
)=5/6
p (F)= 3/6=1/2 y p (F
c
)=3/6 =1/2

3. Supongamos que una urna contiene 10 bolas rojas y 20 bolas blancas exactamente
iguales, se extrae una bola. Cul es la probabilidad de que sea blanca y cual de que sea
roja?

Sean lo eventos:
A: la bola extrada es blanca
B: la bola extrada es roja
Entonces
|S| =30 |A| = 20 y |B| = 10
P(A)=20/30= 0.66 =66%
P (B)= 10/30= 0.33 = 33%


4. Hallar la probabilidad de obtener 8 puntos tirando 2 dados regulares una sola vez

Sea el evento
A: Obtener 8 puntos
Sabemos que
S= {(d
1
, d
2
): d
1
e D
1
, d
2
e D
2
}
|S| = 36
A= {(2,6), (3,5), (4,4), (5,3), (6,2)}
Entonces p(A)= 5/36 = 0.1388 =13.88 %

2. COMO FRECUENCIA RELATIVA O A POSTERIORI

Si despus de n repeticiones de un experimento E, bajo las mismas condiciones donde n es
muy grande, un evento A ocurre m veces, entonces la probabilidad del evento A es:

Nmero de ocurrencias m
p(A)= ------------------------------------ = ------
Nmero de repeticiones n

Ejemplos:
1.- Si lanzamos una moneda 1000 veces y hallamos que 425 veces resultaron guilas.
Cul es la probabilidad de que caiga un guila?

Sea el evento
A : cae un guila
Con m=425
Se tiene que
P(A)= 425/1000= 0.425

Adems
A
c
: cae un sol
Obtenemos que
p(A
c
)= 575/1000 = .575

2. Ciertas pruebas demuestran que 643 de 750 aislantes de cermica probadas podran
resistir un choque trmico, Cul es la probabilidad de que cualquiera de tales aislantes
pueda resistirlo?

Sea el evento
A: aislante resistente
A
c
: aislantes no resistentes
P (A)= 643/750 = 0.86
P (A
c
)= 107/750 = 0.14

AXIOMAS DE LA PROBABILIDAD
A
1
: 0 p(A) 1
A
2
: p(S) = 1
A
3
: Si A y B son mutuamente excluyentes en S, entonces: p (AUB) = p(A) + p(B)

3
: Si S es un espacio muestral continuo y A
1
, A
2
, A
3
son eventos mutuamente
excluyentes 2 a 2, es decir, A
i
A
j
= para ij, entonces
p(A
1
UA
2
UA
3
U) = p (A
1
) + p(A
2
) + p(A
3
) +.
o bien:
p(U

A
1
) =
i=1

p (A
1
)

Ahora para cada n e N fijo:
P (U
i=1
A
i
) =
i=1
p (A
i
)

TEOREMAS DE LA PROBABILIDAD

T
1
: p () = 0
T
2
: p (A)=1 p (A
c
)
T
3
: Si A, B _ S y A _ B, entonces :
a) p (A) p (B)
b) p(B\A)= p (B) p (A)
T
4
: Si A, B _ S cualesquiera, entonces p (A\B)= p (A) p (AB)
T
5
: Si A, B _ S cualesquiera entonces p (AUB)= p (A) + p (B) p (AB)

Colorario

P (AUBUC) = p (A)+ p (B) + p (C) p (AB) p (AC) p (BC) + p (ABC)

Ejemplos
Las edades de lo miembros de un grupo de 6 hombres y 8 mujeres

4 hombres < 21 aos 3 mujeres < 20 aos
y 2 tienen 21 aos y 5 tienen > 21 aos

Si se elige al azar a una persona, Cul es la probabilidad de que la persona elegida sea
mujer o una persona menor de 21 aos de edad?
Solucin
Sean los eventos A: la persona elegida es mujer
B: la persona elegida es menor de 21 aos
Deseamos calcular la probabilidad de p(AUB)
Sabemos que
AB: la persona elegida es una mujer menor de 21 aos
Entonces
P (AUB) = p (A) + p (B) p (AB)

= 8/14 + 7/14 + 3/14 = 12/14 = 0.85 = 85%

2. Se elige ala azar una terna del grupo de 6 hombres y 8 mujeres. Cul es la probabilidad
de que por lo menos una terna tenga un hombre?
Sea el evento
A: la terna elegida contiene al menos 1 hombre, es decir, la terna elegida tiene uno, dos,
tres hombres.
Sin embargo
A
c
= la terna elegida contiene solo mujeres
Entonces
p(A)= 1 p (A
c
)
= 1 C
3
8
/ C
3
14
= 1- 8!/ 3! 5!/14!/3!1! =336/6/2184/6 = 56/364 = 28/182 = 14/91
= 2/13
=11/13 = 0.85 = 85%

3. De 120 estudiantes, 60 estudiantes franceses, 50 espaol y 20 ambos idiomas. Se escoge
un estudiante al azar.

a) Hallar la probabilidad de que el estudiante este estudiando francs o espaol
b) Ni francs ni espaol
c) Solo francs
d) Solo uno de los idiomas
Sean los eventos
F: el estudiante elegido estudia francs
E: el estudiante elegido estudia espaol
a) p (FUE)= p (F) + p - p (FE)
=60/120 + 50/120 20/120 = 90/120 =3/4 =0.75 =75%

b) p (F
c
E
c
) = p ((FUE)
c
) = 1 p (FUE)= 1- = =0.25 =25%

c) p (FE
c
) = p (F\E) = p (F) p(FE)
= 60/120 20/120=40/120 =1/3 =0.33=33%

d) p((FE
c
)) U (EF
c
) = 1/3 + 30/120 =1/3+1/4=7/12=0.58=58%

(FC
c
)(F
c
E) =FF
c
E
c
E
= = mutuamente
4. Un sistema para detectar humo utiliza dos dispositivos A y B si hay humo la
probabilidad de que sea detectado por el dispositivo A es de 0.95, por el dispositivo B es de
0.98 y por ambos 0.96 si hay humo encontrar la probabilidad de: a) que sea detectado por
cualquiera de los dos dispositivos A o B o por ambos. b) que no sea detectado el humo.

Sean los eventos
A: el humo es detectado por el dispositivo A
B: el humo es detectado por el dispositivo B
a) p (AUB) =p(A) + p(B) P(AB)
=0.95+0.98-0.96
=0.97
b) p (A
c
B
c
)= p((AUB) ^)
=1- p (AUB)
=1 0.97
=0.03

5. Sean A y B dos eventos tales que:
p(A)=7/10, p (B)=1/2 y p (AB)=2/5
Hallar la probabilidad de que:
a) No ocurra A
b) No ocurra B
c) No ocurra ni A ni B
Solucin
a) p (A
c
) =1-7/10=3/10=0.3
b) p (AUB)= p(A) + p(B) p(AB)= 7/10+1/2-2/5=8/10=0.8
c) p (A
c
B
c
)=p((AUB)
c
)= 1- p(AUB) =1 - 0.8= 0.2


ESPACIO FINITO DE PROBABILIDAD
Sea S un espacio discreto (finito), digamos S= {a
1,
a
2
, a
3
, a
n
}. Un espacio finito de
probabilidad se obtiene al asignar a cada punto muestral a
i
e S un nmero real p
i
llamado
probabilidad de a
i
, que cumple:
----
1. 0 p
i
1 para cada i= 1, n
2. p
i
= 1
i=1
3. Si x e S, entonces p(x) = 0
Es decir, con la funcin de probabilidad p: p(S)[0,1] definida por p({ai})=p
i
para cada
i = 1, n que cumplen (1) y (2), obtenemos el espacio finito de probabilidad {P
1
,P
2
,P
3
,,P
n
)
notacin p({ai})=p(ai)






Geomtricamente






Ejercicios
1. Se lanzan 3 monedas y se observa el nmero de soles que resultan entonces el espacio
muestral es:
S= {0, 1, 2, 3}= {a
1
, a
2
, a
3
, a
4
}
Podemos obtener un espacio finito de probabilidad asignando probabilidades alas puntas
mustrales.
p (0)=4/10
p (1)=3/10
p (2)=2/10
Que cumplen
01/10,2/10,3/10,4/101
1/10+2/10+3/10+4/10=1
Luego {1/10,2/10,3/10,4/10}

Otro espacio finito de probabilidad es
{0,4/15,5/15,6/15} ya que cumple

0 4/15,5/15,6/151
0+4/15+5/15+6/15=1
Un espacio que no es de probabilidad es:
{1/2, 1/4, 3/4, -1/2} puesto que

-1/2 [0,1]
+ + 3/4 - = 1
Otro espacio finito que no es de probabilidad
{1/3, 1/4, 1/5}

01/3, 1/4, 1/5, 11
1/3+1/4+1/5+1=107/60 1

2. Una moneda esta cargada de tal manera que las guilas salen 5 veces mas que los
soles.
Sean los eventos
A: cae un guila
B: cae un sol
Hallar la p (A) y p (B)

Solucin, se debe cumplir
p(A) + p (B)=1 con p(A)=5 p (B)
5p (B) + p (B) =1
6p (B) = 1 p (B) =1/6 p (A) =5(1/6) p (A) = 5/6

3. Tres automviles A, B y C intervienen en una carrera, A tiene doble posibilidad de ganar
que B y B el doble de ganar que C.
Cules son las respectivas probabilidades de ganar?
Cul es la probabilidad de que C o B ganen?
Sabemos que
p(A) + p(B) + p(C) =1
p(B)= 2p(C) y p(A)=2p(B) = 2[2p(C)] = 4p(C)
4p(C) + 2p(C) + p(C) =1
p(C) =1/7
p(B)=2(1/7) = 2/7
p(A)=2(2/7)=4/7
Adems p (BUC)=p(B) + p(C) =3/7

ESPACIO FINITO EQUIPROBABLE

Es aquel finito de probabilidad donde cada punto muestral tiene la misma probabilidad, en
particular si S contienen n-puntos, S= {a
1
, a
2
,,a
n
}entonces:
p(a
1
), + p(a
2
), ++p(ai)++p(an)=1
p(ai)+ p(ai)+...+p(ai)++p(ai)=1 para cada i= 1, n
np(ai)=1 para cada i= 1, n

p(an)= 1/n para cada i= 1,n

Ahora, si A es un evento con K elementos, entonces
p(A)= k/n, es decir,


Numero de maneras en que A ocurre
p(A)=------------------------------------------------
Numero de maneras en que S ocurre

Observaciones
Esta definicin de probabilidad es para espacios finitos equiprobables y no es una
definicin general de la probabilidad de un evento.

Ejemplos
1.-Se lanza un dado y se anota el nmero que aparezca en la cara superior. Entonces
S= {1, 2, 3, 4, 5, 6} y sean:

A: aparece un nmero impar
B: aparece un nmero menor que 1
C: aparece un nmero mayor que 2
Luego A= {1, 3, 5}
B=
C= {3, 4, 5, 6}
Notemos que S es un espacio finito equiprobable en donde cada punto muestral tiene 1/6 de
probabilidad de ocurrir.
As, p(A)=3/6=1/2
p(B)=0
p(C)=4/6=2/3

2. El grupo de probabilidad consta de 10 hombres y 20 mujeres, de los cuales la mitad de
los hombres y de las mujeres estudian y trabajan. Hallar la probabilidad de que un
estudiante elegido al azar sea.

Una mujer o trabaja y estudia
Un hombre o trabaja y estudia
Sean los eventos:
A: el estudiante elegido es mujer
B: el estudiante elegido es hombre
C: el estudiante elegido trabaja

a) P (AUC)= p(A) + p(C) p(AC)
=20/30+15/30-10/30
=25/30=0.66=66%

b) P (BUC)= p(B) + p(C) p(BC)
=10/30+15/30-5/30
=20/30=0.66=66%

3. Un lote de 10 artculos contiene 4 defectuosos, y se eligen 2 al azar.
Sean los eventos:
A: 2 artculos defectuosos
B: 2 artculos no defectuosos
C: aparece un artculo defectuoso y uno no defectuoso
Hallar: p(A), p (B) y p(C)
S puede ocurrir de C
10
2
=10!/2!8! = 45 maneras diferentes
A puede ocurrir de C
4
2
= 4!/ 2!2! = 6 maneras diferentes
B puede ocurrir de C
6
2
= 6!/ 2!4! = 15 maneras diferentes
C puede ocurrir de C
4

1
+ C
6
1
= 4+6 = 10 maneras diferentes
As: p (A)= 6/45=0.13
p (B)=15/45 =0.33
p (C) =10/45 =0.22

PROBABILIDAD CONDICIONAL
La probabilidad condicional de un evento A dado que ha ocurrido un evento B, denotada
por P (A|B), es decir, cuando la ocurrencia o no ocurrencia de B influye en la ocurrencia
de A. En este caso B sirve como espacio muestral nuevo (reducido), y tal probabilidad esta
dada por:


p(AB)
p(A|B) = ---------- con p(B) > 0
p(B)



Similarmente, podemos definir la probabilidad de B dado A, como

p(AB)
p(B|A) = ---------- con p(A) > 0
p(A)


Geomtricamente














p (A|B) mide la probabilidad relativa de A con respeto al espacio reducido B. Dado que
p (A|B) la definimos como una probabilidad, entonces satisface los axiomas de una
funcin de probabilidad, es decir:

A
1
: 0 p(A|B) 1
A
2
: p(S|A) = 1
A
3
: Si a A, B, C _ S con AB = , entonces p(AUB|C)= p(A|C) + p(B|C)
En particular, si S es un espacio muestral finito equiprobable entonces:

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



P (AB)
p (A|B) =---------------- = |AB|/ | S | / |B | / |S| = |AB| / |B|
p (B)


Nmero de maneras en que A y B pueden ocurrir
o bien p(A|B) =-------------------------------------------------------------------
-
Nmero de maneras en que B puede ocurrir


Ejemplos:
A los estudiantes de la FIQ se les hizo una encuesta con el propsito de determinar el
nmero de usuarios que consultan google y altavista, los resultados fueron los
siguientes: 25% de los estudiantes consultan google, 21% consultan altavista y el 3%
consultan ambos buscadores.
Si se selecciona al azar a un estudiante que consulte google, cul es la probabilidad de
que consulte altavista?
Sean los eventos
A: el estudiante elegido consulta altavista
B: el estudiante elegido consulta google
AB: el estudiante elegido consulta ambos buscadores


p(AB)
p(A|B) = ----------
p(B)
= 0.03/0.25 = 3/25 = 0.12=12%


Adems

P (B\A)= p(AB)/p(A)= 0.03/0.21 = 0.14=14%

2. En un solo lanzamiento de un dado regular, encontrar la probabilidad que caiga un 1 si se
sabe que cay un nmero impar.

Sean los eventos
A: cae un 1 A= {1}
B: cae un nmero impar B= {1, 3, 5}
AB: cae un 1 y es impar
p (A|B)= |AB| / |B| = 1/3=0.33
Adems tenemos
P (B|A)= |AB| / |A| = 1/1= 1

3. Se eligen al azar dos dgitos del 1 al 9. Si la suma es par, hallar la probabilidad de que
ambos nmeros sean pares.

Sean los eventos
A: ambos nmeros sen impares
B: la suma es par
AB: ambos suman par y son impares
La suma es par si ambos son pares o impares
Hay 4 nmeros pares 2, 4, 6, 8 entonces existe C
4

2
= 4! / 2!2! = 6 maneras diferentes de
elegir 2 nmeros pares
Hay 5 nmeros impares 1, 3, 5, 7, 9, entonces existen C
5

2
=5! / 2!3! = 10 maneras de elegir
dos nmeros impares.
Por el PA, existen 10+6 = 16 maneras de elegir dos nmeros cuya suma sea par
P (A|B)= |AB| / |B| = 10/16 =0.625 =62.5%

PARA TRES EVENTOS

La probabilidad condicional para los tres eventos A, B y C en un espacio muestral S esta
dad por:
P (A|BC)= p (ABC)/ p (BC) con p (BC) > 0 y
P (AB|C)= p (ABC)/ p(C) con p(C) > 0

REGLA DE LA MULTIPLICACION

Para dos eventos
Sean los evento A y B dos eventos cualesquiera en un espacio muestral S con p(A),
p (B)>0, entonces:
p (AB) = p(A) p(B|A) = p(B) p( A|B)
Esta regla es til si el clculo de la probabilidad condicional es ms simple que el clculo
de p (AB).
Una urna contiene 3 bolas blancas y 2 bolas negras.
Sean los eventos
A: la primera bola extrada es blanca
B: la segunda bola extrada es blanca
En extracciones sin remplazo, Cul es la probabilidad de que ambas bolas extradas sean
blancas? Cul es la de que sean negras?
Son blancas
Por un lado p (AB) = p(A) p (B|A) = 3/5 2/4 =3/10
Por otro lado p(A^B^) = p(A^) p (B^|A^) = 2/5 1/4 =1/10

Para Tres Eventos
Sean A, B y C tres eventos en un espacio muestral S con p(A), p (AB) > 0, entonces:
p (ABC) = p (A) p (B|A) p(C|AB)

Ejemplos
1.- Un lote de 20 artculos tiene 6 defectuosos, se toman 3 artculos al azar del lote, uno
tras otro. Hallar la probabilidad de que los 3 sean no defectuosos.
Sean los eventos
A: primer artculo es no defectuoso
B: segundo artculo es no defectuoso
C: tercer artculo es no defectuoso
Entonces:
P (A BC) = p (A) p (B|A) p (C|AB)
=14/20 x 13/19 x 12/18 = 91/285=0.32

2. Se seleccionan al azar 3 estudiantes, uno despus de otro de una clase con 10 nios y 5
nias. Encontrar la probabilidad de que.
a) los dos primeros sean nios y el tercero sea nia
b) el primero y el tercero sean nios y el segundo nia

Sean los eventos:
A: el primer estudiante elegido es nio
B: el segundo estudiante elegido es nio
C: el tercer estudiante elegido es nio
P (A BC^) = p (A) p (B|A) p (C^|AB)
=10/15 x 9/14 x 5/13 = 0.16

P (A B^C) = p (A) p (^B|A) p (C|AB^)
= 10/15 x 5/14 x 9/13 = 0.16

INDEPENDENCIA DE EVENTOS

Un evento A es independiente de un evento B si la ocurrencia de A no se afecta por la
ocurrencia o no ocurrencia de B, es decir:
p (AB) = p(A) p (B) o bien
P (A|B) = p (A) o
P (B|A) = p (B)
En caso contrario, decimos que los eventos A y B son dependientes, es decir:

P (AB) p (A) p (B) o bien
P (A|B) p (A)
P (B|A) p (B)

1. Se lanza una moneda 10 veces Cual es la probabilidad en el tercer y sptimo
lanzamiento se obtenga un sol.
Sean los eventos
A: el tercer lanzamiento es sol
B: el sptimo lanzamiento es sol
Entonces como A y B son independientes

P (A B) = p (A) p (B) = x =

2. Se lanza un dado regular, sean los eventos
A: se observa un nmero impar
B: se observa un nmero par
C: se observa un 1 o un 2
Son independientes Ay B?
A y C?
B y C?
Solucin
S= {1, 2, 3, 4, 5, 6}
A= {1, 3, 5}
B= {2, 4, 6}
C= {1, 2}
a) para A y B
(A B) = { }
P (A B) = 0/6 = 0 y p (A) p (B) = 3/6 x 3/6 =
Entonces
P (A B) p (A) p (B), es decir A y B son dependientes
Ahora: p (A|B) = p (A B) / p (B) = |A C| / |B| = 0/3 = 0 y p (A)= 3/6 = 1/2
Luego: p (A|B) p (A), esto es, A y B son independientes
Tambin
p (B|A) = p (B A) / p (A) = |A B| / |A| = 0/3 = 0 y p (B)= 3/6 =
As
p (B|A) p (B), es decir, A y B son independientes

b) Para A y c
AC = {1}
Por un lado p (AC) = 1/6 p(A) p(C) = x 1/3 = 1/6
Entonces A y C son independientes
Ahora p (A|C) = |A C| / |C| = = p(A), es decir A y C son independientes
Adems p (C|A) = |A C| / |A| = 1/3 = p(C), esto es A y C son eventos independientes
c) Para B y C
BC= {1}
Por un lado p (BC) = 1/6 p (B) p(C) = x 1/3 = 1/6
Entonces B y C son independientes
p (B|C) = |B C| / |C| = = p (B), B y C son independientes
Adems p (C|B) = |B C| / |B| = 1/3 = p(C), es decir B y C son independientes

Para tres eventos
Tres eventos A, B y C, son independientes si solo si

P (A B) = p (A) p (B)
P (A C) = p (A) p (C)
P (B C) = p (B) p (C)
P (A BC) = p (A) p (B) p (C)
En caso contrario se dice que A, B y C son dependientes
Ejemplo
1. Se lanza 2 dados regulares, y sean los eventos
A: el primer dado muestra un nmero par
B: el segundo dado muestra un nmero impar
C: ambos dados muestran nmeros pares o nmeros impares
Determinar si A, B y c son independientes o no

TEOREMA DE BAYES

PARTICIN
Sea S un conjunto. Una participacin de S es un conjunto {B
1
, B
2
,B
n
} de subconjuntos
de S tales que:
1. U Bi = S
i=1
2. B
i
B
j
= para cada ij con i, j= 1, 2, , n

Geomtricamente





Cualquier conjunto A es S cumple:
A=AS
=A (UBi) = U (ABi)
i =1 i=1





PROBABILIDAD TOTAL
Si S es un espacio muestral, {B
1
, B
2
,...B
n
} es una particin de S y A es cualquier evento en
S entonces la probabilidad total esta dada por:
P (A) = p(U (ABi))
i=1
P (A|Bi)
i=1
= (ABi)
i=1
= p (Bi) p (A|Bi)
i=1
Es decir, p(A) = p(ABi)= p (B
i
) p (A|B
i
)
i=1
Para calcular la probabilidad total se deben conocer las probabilidades de cada evento de la
particin.

TEOREMA DE BAYES
Si {B
1
, B
2
,..B
n
) es una particin de un espacio muestral S asociado a un experimento E y A
es cualquier evento en S, entonces:

p (B
i
|A) = p ( AB
i
) / p(A) = p (B
i
) p (A|B
i
) / p (B
j
) p (A|B
j
)
j=1
Ejemplos
1. Cierto artculo es manufacturado por 3 fbricas F
1
, F
2
, F
3
. Se sabe que la primera produce
el doble de artculos que la segunda y que esta y al tercera produce el mismo numero que de
artculos durante un periodo de produccin especificado .Adems, el 2% de los artculos
producidos por las 2 fabricas F
1
y F
2
es defectuoso, mientras que le 4% de los artculos
producidos en una fila y se escoge 1 al azar. Calcular la probabilidad de que el artculo
elegido:
a) Sea defectuoso
b) Se fabrique en F
1
sabiendo que esta defectuoso
Solucin:
Sean los eventos
A: el artculo elegido es defectuoso
B1: el artculo proviene de F
1
B2: el artculo proviene de F
2
B3: el artculo proviene de F
3
{B
1
, B
2
, B
3
) forman una particin de S, y cumplen:

B
1
U B
2
UB
3
=S
P (B
1
UB
2
UB
3
) = p (S)
P (B
1
) + p (B
2
) + p (B
3
) = 1
2p (B
2
) + p (B
2
) + p (B
2
) = 1
4p (B
2
) = 1
P (B
2
) = =0.25 = 25%

Entonces
P (B
1
)= 2/4 =0.5 =50%
P (B
3
)= = 0.25 = 25%

50% B
1
2% A p (B
1
) =0.5, p (A|B
1
) = 0.02

25% B
2
2% A p (B
2
) =0.25, p (A|B
1
) = 0.02

25% B
3
2% A p (B
3
) =0.25, p (A|B
3
) = 0.04

a) P (A) = p (Bi) p (A|Bi)
i=1
=p (B
1
) p (A|Bi) + p (B
2
) p (A|B
2
) + p (B
3
) p(A|B
3
)
= (0.5) (0.02) + (0.25) (0.02) + (0.25) (0.04)
= 0.01 + 0.005 +0.01
= 0.025 = 205%

b) P (Bi|A) = p (B
1
) p (B
1
) / p (A) = (0.5) (0.02) / 0.025 = 0.01 / 0.025 = 2/5 = 0.4 =40%

Ademas

P (B
2
|A) = p (B
2
) p (B
2
) / p (A) = 0.005 / 0.025 = 0.2 = 20%

P (B
3
|A) = p (B
3
) p (B
3
) / p (A) = 0.01 / 0.025 = 0.4 = 40%

2. Una compaa produce focos en 3 fbricas A, B y C. La fabrica A produce el 40% de
numero total de focos de los cuales el 2% es defectuoso; la fabrica B produce el 35% del
nmero total de focos de los cuales el 4% son defectuosos, y la fabrica C produce el 25%
del numero total de focos de los cuales el 3% son defectuosos. Se encuentra un foco
defectuoso de la produccin total. Encontrar la probabilidad de que este provenga de:
a) la fabrica A
b) la fabrica B
c) la fabrica C
Sean los eventos:
A: el foco elegido es defectuoso
B: el foco proviene de A
B2: el foco proviene de B
B3: el foco proviene de C
{B1, B2, B3} forman una particin de S

40% B
1
2% A p (B1) =0.4, p (A|B1) = 0.02

35% B
2
4% A p (B1) =0.35, p (A|B2) = 0.04

25% B
3
3% A p (B3) =0.25, p (A|B3) = 0.03



P (A) = p (Bi) p (A|Bi)
i=1
=p (B1) p (A|Bi) + p (B2) p (A|B2) + p (B3) p (A|B3)
= (0.4) (0.02) + (0.35) (0.04) + (0.25) (0.03)
= 0.0295

a) P (Bi|A) = p (B1) p (B1) / p (A) = (0.4) (0.02) / 0.0295 = 0.27

b) P (B2|A) = p (B2) p (B2) / p (A) = (0.35) (0.02) / 0.0295 = 0.47

c) P (B3|A) = p (B3) p (B3) / p (A) = (0.25) (0.03) / 0.0295 = 0.25

3.- Supongamos que varias cajas estn llenas de los caramelos de 2 tipos, T
1
y T
2
.El tipo T
1
,
contiene el 70% de caramelos dulces y 30% de caramelos cidos; mientras que en el tipo T
2

dichos porcentajes son al revs. Adems el 60% de todas las cajas de caramelos son del tipo
T
1
y el resto del tipo T
2
.Si recibimos una caja roja de dulces del tipo desconocido, y se nos
permite sacar una muestra de un caramelo, y con esta informacin debemos decir si
creemos que el tipo T
1
o el tipo T
2
, nos ha sido ofrecido.
a) Supongamos que el caramelo elegido es dulce
b) Supongamos que el caramelo elegido es acido
Solucin:
Cd: el caramelo es dulce
Ca: el caramelo es acido
T1: el caramelo elegido es del tipo T
1
T2: el caramelo elegido es de tipo T
2

60% T
1
70% Cd p (T
1
) = 0.6 p (Cd|T
1
) = 0.7

30% Ca p (T
1
) = 0.6 p (Ca|T
1
) = 0.3



40% T
2
30% Cd p (T
2
) = 0.4 p (Cd|T
2
) = 0.3

70% Ca p (T
2
) = 0.4 p (Ca|T
2
) = 0.7

a) Supongamos que hemos recibido un caramelo dulce Cd:

p(T
1
|Cd) = p (T
1
) p (Cd|T
1
) / p(T
1
) p (Cd|T
1
) + p(T
2
) p (Cd|T
2
)
= (0.6) (0.7) / (0.6) (0.7) + (0.4) (0.3) = 0.42 / 0.54 = 0.78

p(T
2
|Cd) = p(T
2
) p ( Cd|T
2
) / p(T
1
) p (Cd|T
1
) + p(T
2
) p (Cd|T
2
)
= (0.4) (0.3) / (0.6) (0.7) + (0.4) (0.3) = 0.12 / 0.54 = 0.22

b) Supongamos que hemos recibido un caramelo acido Ca:

p(T
1
|Ca) = p(T
1
) p (Ca|T
1
) / p(T
1
) p (Ca|T
1
) + p (T
2
) p (Ca|T
2
)

= (0.6) (0.3) / (0.6) (0.3) + (0.4)(0.7) =0.18 / 0.46 = 0.39

p(T
2
|Ca) = p(T
1
) p (Ca|T
2
) / p(T
1
) p (Ca|T
1
) + p(T
2
) p (Ca|T
2
)
= (0.4)(/0.7) / (0.6) (0.3) / (0.4) (0.7) = 0.28 / 0.46 = 0.61


4. en la FIQ, el 5% de los hombres y 2% de las mujeres tienen de 9.5 puntos de promedio
en sus calificaciones. Adems, 60% de los estudiantes son mujeres, si se selecciona al azar
un estudiante y resulta tener mas de 9.5 puntos de promedio, Cul es la probabilidad de
que el estudiante?

Sea mujer
Sea hombre
Sean los eventos
A: el estudiante elegido tiene ms 9.5 de promedio
B1: el estudiante elegido es mujer
B2: el estudiante elegido es hombre


60% B
1
2% A p (B1) =0.6 p (A|B1) = 0.02

40% B
2
5% A p (B2) =0.4 p (A|B2) = 0.05



p(A) =p (Bi) p (A|Bi)
i=1
=p (B1) p (A|Bi) + p (B2) p (A|B2)
= (0.6) (0.02) + (0.4) (0.05)
= 0.032

a) p (Bi|A) = p (B1) p (B1) / p (A) = (0.6)(0.02) / 0.032 = 0.375 = 37.5%

b) p (B2|A) = p (B2) p (B2) / p (A) = (0.4)(0.05) / 0.032 = 0.625 = 62.5%





CAPITULO 4.
VARIABLES ALEATORIAS Y FUNCIONES DE DISTRIBUCION DISCRETAS

VARIABLE ALEATORIA (VA)
Sea S un espacio muestral asociado a un experimento E. Una funcin X: S IR tal que a
cada s e S le asigna un nmero real X(s), se llama variable aleatoria sobre S.

NOTACIONES
VARIABLES ALEATORIAS: con letras maysculas X, Y, Z, W, etc.
VALORES DE LAS VARIABLES ALEATORIAS: con las respectivas letras minsculas
x, y, z, w, etc.

p (X = a) = p ({s e S: X(s) = a})
p (a X b) = p ({s e S: a X(s) b})
p (X a) = p ({s e S: X(s) a})
p (X = a, Y= b) = p ({s e S: X(s) = a, Y(s) = b})
p (a X b, c Y d) = p ({s e S: a X(s) b, c Y(s) d})

Si X, Y: S IR son variables aleatorias VA, entonces las operaciones se definen como:
(X+Y) (s)= X(s) + Y(s)
(X+k) (s) = X(s) + k
(XY) (s) = X(s) Y(s) para cada s e S y k e R
Ejemplos
Se lanzan 3 monedas regulares y se anota la sucesion de
resultados, entonces el espacio muestral es

S= {sss, ssa, sas, ass, saa, asa, aas, aaa}
Si denotamos por
X = el nmero de guilas obtenido y se tiene la siguiente relacion

X: S IR
sss0
ssa1
sas1 X(s)= {0,1,2,3}
ass1 es un nuevo espacio muestral
saa 2
asa2
aas2
aaa3

Notemos que X(s) forma un nuevo espacio muestral, llamado espacio muestral generado
por X.
Al igual que en S se puede trabajar en X(s) con probabilidad de eventos, de la siguiente
forma.
Si B c X(S), entonces
p
x
(B) = p ({s e S: X(s) e B})

EVENTOS EQUIVALENTES

Si A c S y B cX(s) tal que
A= {s e S: X(s) e B} entonces
se dice que A y B son equivalentes dados en espacios muestrales (tal vez) diferentes.
2 2 2
Si A c S y B c X(s) = S con A y B equivalentes, entonces p
S
(A) = P
S
(B)

Observacin

Si con un espacio muestral S obtenemos un espacio de probabilidades, a cualquier funcin
X: SIR se le llama variable aleatoria definida sobre S.

En el ejemplo anterior:
p
x
({0})= p ({s e S: X(s) = 0}) = p({X(s) = 0}) = p(X = 0)
= p ({sss}) = 1/8
p
x
({1}) = p(X= 1) = 3/8
P(X=2) = 3/8 P(X=3) = 1/8



Es decir

x
i
X(s) p (x
i
)
1/8
3/8
3/8
1/8
-------------
1
2. Supongamos que nos interesamos por el nmero de varones, en el experimento de
observar al azar 2 nios recin nacidos. Obtenemos el espacio muestral
S= {MM, MH, HM, HH}
X= el nmero de varones, obtenemos la siguiente relacin



S X(S): x
i
p (x
i
)
MM 0
MH 1
HM 1
HH 2


TIPOS DE VARIABLES ALEATORIAS

1. VARIABLE ALEATORIA DISCRETA
Es aquella que toma nicamente un nmero finito o infinito numerable de valores, digamos
X(s) = {x
1
, x
2
,, x
n
} para el caso finito o
X (s) = {x
1
, x
2
,} para el caso infinito numerable, es decir, X(s) _ IN

Ejemplos:
Para el ejemplo 1 anterior
X(s)= {0, 1, 2,3}
Para el ejemplo 1 anterior
X(s)= {0, 1,2}
El nmero de alumnos aprobados de este curso
El nmero de accidentes automovilistas en una ciudad por da
El nmero de artculos defectuosos por lote
El nmero de alumnos que asisten diariamente por cuatrimestre

2. VARIABLE ALEATORIA CONTINUA
Es aquella que toma un nmero infinito no numerable de valores, es decir,
X(s) _ IR
Ejemplos
La estatura
El peso
La edad
El volumen
El rea

Funcin de Distribucin, Esperanza, Varianza, Desviacin Estndar y Funcin de
Distribucin Acumulativa para una Variable Aleatoria Discreta (Caso Finito)

FUNCIN DE DISTRIBUCIN O DE PROBABILIDAD DE X
Sea X una variable aleatoria de un espacio muestral S asociado a un experimento E, tal que
X(s)= {x
1
, x
2
,.., x
n
}. Convertimos X(s) en un espacio de probabilidad definiendo la
probabilidad de x
i
como
f (x
i
) = p (X=x
i
) = p (x
i
),
esta funcin f de X(s) se llama funcin de distribucin o de probabilidad de X que
generalmente se expresa en forma de tabla:


x
1
x
2
. x
n
f(x
1
) f(x
2
) . f(x
n
)

que cumple
1. 0 f (x
i
) 1 para cada i = 1, n
2. f (x
i
) = 1
i=1
3. Si x e X(s), entonces f(x) = 0

Esperanza de X
E(X) =
x
= x
i
f (x
i
)= x
1
f(x
1
) + x
2
f(x
2
)+ + x
n
f (x
n
)
i=1
Varianza de X
V(X) = var(X) = [(x
i
- E (x
i
)] = E ((X-E(X)))
i=1
=(x
1
- E(X)) f (x
1
) +(x
2
- E(X)) f (x
2
)+ + (x
n
E(X)) f (x
n
)

Desviacin Estndar de X

x
= V(X)

Propiedades de E(X) y V(X)
Sean X, Y, X
1
; X
2
, X
n
variables aleatorias del mismo espacio muestral S y KIR,
entonces:
E (k) = k
E (X+k) = E(X) + k
E (kX) = kE(X)
E(X + Y) = E(X) + E (Y)
E(X
1
+ X
2
++X
n
) = E(X
1
) + E(X
2
) ++ E (X
n
)
V(X) = x
i
f (xi) [(X)] = E(X) [E(X)]
V(X + K) = V(X)
V (KX) = k
2
V(X)

x+k
=
x

kx
= | K|
x


FUNCION DE DISTRIBUCION ACUMULATIVA

Es la funcin F: IR IR definida por:
F(a) = p ( X a)
Si X tiene como distribucin a f, entonces F es la funcin escalonada definida por
F(x) = f (x
i
)
x
i
<x

Observaciones:
Si F es montona, es decir, si ab, entonces F(a) F(b)
lim F(x) = 0 y lim F(x) = 1
x- x

Ejemplos
1. Para el ejemplo 1 anterior
X(S) = {0, 1, 2, 3}
La funcin de distribucin f de X es:

Xi 0 1 2 31/8
F(xi) 1/8 3/8 3/8 1/8

Que cumple
0 1/8, 3/8 1
1/8 + 3/8 + 3/8 + 1/8 = 1
Como -1, , 7/8, 4 X(S)
Entonces f (-1) = f (3/4) = f (7/8)= f (4) = 0
La esperanza de X es:
E(X) =^4 xi f (xi)= xi f (xi) = 0 x 1/8 + 1x 3/8 + 2x 3/8 +3x 1/8 = 1.5
i=1
La varianza de X es:
V(X) = ^4 ((xi E(x))) f (xi) = 0 x 1/8 + 1x 3/8 + 2x 3/8 +3x 1/8 = 1.5
i=1

O bien como
E(X) = ^4 xi f(xi)
xix
f (xi) = F (0) = f(xi) = f(x
1
) = f(0) = 1/8
xi0
F(x
2
) = F (1) = f (xi) = f(x
1
) + f(x
1
) = f (0) + f (1) = 1/8 + 3/8 = 1/2
xi1
F(x
2
) = F (1) = f (xi) = f(x
1
) + f(x
2
) + f(x
3
) = f (0) + f (1) + f (2) = 1/8 + 3/8 + 3/8 = 1
xi2
F(x4) = F(3) = f(xi)=f(x1)+ f(x2)+f(x3)+f(x4)= f(0)+f(1)+f(2)+f(3)=1/8+3/8+3/8 +1/8= 1
xi3



















































2. Para el ejemplo 2 anterior
Xi 0 1 2
F(xi) 1/2 1/4
Que cumple
01/4, 1
+ +1/4 =1
Como -1, , 7/8, 3 D(S)
Entonces f(-1)= f(3/4) = 0
La esperanza de X es:
La esperanza de X es:
E(X) = xi f (xi)= 0 x 1/4 + 1x 1/2 + 2x 1/4= 1
i=1
La varianza de X es:
V (X) = ((xi E(x))) f(xi) =( 0-1) ( ) + (1-1)(1/2) + (2- 1)(1/4) = 1/2
i=1
no se ve
o bien como
E(X) = xi f (xi) = 0(1/4) + 1(1/2) +2(1/4) = 3/2
xix
Entonces
La desviacin estndar es:
x =V(X) = 1/ 2 = 0.07071
La funcin de distribucin acumulativa es:
F(X) = f(xi)
xi x
F(xi) = F(0) = f(xi) = f(x
1
) = f(0) = 1/4
xi0

F(x
2
) = F(1) = f(xi) + f(x
2
) = f(0) + f(1) = + = 1/3
xi1

F(x
3
) = F(2) = f(xi) + f(x
2
) + f(x
3
) = f(0) + f(1)+ f(x
2
) = + + = 1
xi2





























3. Se lanza un par de dados reguladores, obtenindose el espacio finito equiprobable es:
S= {(1,1), (1,2), (1,3), (1,4), (1,5), (1,6)
(2,1), (2,2), (2,3), (2,4), (2,5), (2,6)
(3,1), (3,2), (3,3), (3,4), (3,5), (3,6)
(4,1), (4,2), (4,3), (4,4), (4,5), (4,6)
(5,1), (5,2), (5,3), (5,4), (5,5), (5,6)
(6,1), (6,2), (6,3), (6,4), (6,5), (6,6)}

Definimos X: SIR como
a) X (a,b) = min{a,b)
b) X (a, b) = max {a,b)
c) X (a,b) = a+b
Hallar la f, E(X), V(X), x y F
X(S) = {1, 2, 3, 4, 5, 6}

S

(1,1),(1,2),(1,3),(1,4),(1,5),(1,6)
(2,1 (3,1), (4,1), (5,1),(6,1)
(2,2),(2,3),(2,4),(2,5),(2,6)
(3,2),(4,2),(5,2),(6,2)
(3,3), (3,4),(3,5),(3,6)
(4,3),(5,3),(6,3)
(4,4),(4,5),(4,6),(5,4),(6,4)
(5,5),(5,6),(6,5)
(6,6)
Xi:X(S)
1

2

3

4
5
6
p(Xi)
11/36

9/36

7/36

5/36
3/36
1/36

La funcin de distribucin f de X es

Xi = 1 2 3 4 5 6
P = 11/36 9/36 7/36 5/36 3/36 1/36





CAPITULO 5
VARIABLES ALEATORIAS Y FUNCIONES DE DISTRIBUCION CONTINUAS

Recordemos que una variable aleatoria continua es aquella que toma un numero infinito no
numerable de valores, es decir X(S) C IR

FUNCION DE DENSIDAD, ESPERANZA, VARIANZA, DESVIACION
ESTANDAR Y DISTRIBUCION ACUMULATIVA.

Supongamos que X es una variable aleatoria continua, sabemos que {a X b} es un
evento en S, y por lo tanto, podemos calcular su probabilidad p ({a X b}). Supongamos
que existe una funcin continua I: RR, tal que la probabilidad p({a X b}) es igual al
rea bajo la curva de f, entre las rectas x= a, x=b y el eje x:


La funcin f se llama funcin de densidad o distribucin, o de probabilidad continua o
densidad de probabilidad para X que cumple:

(1) F(x)0 para c/X
(2) (2)
b
a
f(x) dx = 1

ESPERANZA: la esperanza de X se define como E(X)
e
x f(x) dx cuando existe.
VARIANZA: la varianza de X se define como V(X)= E ((x-E(x)
2
) =
e
(x-E(x))
2
(f(x))dx

Como en el caso discreto, se puede demostrar que V(X) existe si solo si:

E(X) y E(X
2
) existen y por lo tanto: V(X)= E(X
2
) - [E(X)
2
]

O bien =
R
x
2
f(x) dx - [E(X)
2
]

Desviacin estndar est dada por: V(X) cuando V(X) existe.
La distribucin acumulativa de X es: F(x)= p(X x) =
x
-
f(t) dt.
Observacin: las propiedades y resultados de las variables aleatorias continuas son las
mismas que se dieron para discretas.
DISTRIBUCION UNIFORME O RECTANGULAR

Si X es una variable continua que tiene como funcin de densidad a:
F (x)={1/b-a si X (a,b)
0 d. o. f si X (a,b)

Entonces se dice que X se distribuye en forma continua uniforme con parmetros A y B, o
bien, f se llama distribucin uniforme o rectangular.

Notacin X~ U(a,b) o X~ UNIF(a, b) se lee X se distribuye en forma continua con
parmetros a y b.



ESPERANZA, VARIANZA, DESVIACION ESTANDAR Y DISTRIBUCION
ACUMULATIVA

Si X~ UNIF(a,b), entonces
E(X)= a+ b/2 V(X) = (b-a)
2
/12
x
=b- a/23


F(X) = p (X x) =
x
-
f(t)dt F(X) {x-a/b-a si a x b
1 si x > b


DISTRIBUCION EXPONENCIAL

Si X es una variable aleatoria continua con funcin de densidad.

F(X)= 1/e
-1/ x
si x 0 y > 0 de otra forma
Entonces f se llama funcin de distribucin exponencial

Notacin X~ e () o X ~ exp () se lee X se distribuye en forma exponencial con
parmetro .


Esperanza, Varianza, Desviacin Estndar y Distribucin Acumulativa

Si X~ exp (), entonces:
E(X) = V(X) =
2

x
= F(X) = 1- e
-1/ x
si x > 0
Propiedad de la prdida de la memoria
Esta propiedad representa un modelo de distribucin de la duracin para componentes
electrnicos.
Si X ~ exp () y a, b > 0, entonces p(X > a + bX > a) = p(X > b).
Es decir la probabilidad de que el componente funcione durante mas de a+ b unidades de
tiempo, dado que ya opero durante por lo menos a unidades de tiempo, es igual que la
probabilidad de que un componente nuevo funcione durante por lo menos b unidades de
tiempo, si se pone en servicio el componte nuevo en el tiempo 0, suponiendo que el
componente tiene la probabilidad de que el tiempo transcurrido de operacin no afecta la
posibilidad del componente de funcionar al menos b unidades de tiempo adicionales.

DISTRIBUCION NORMAL O GAUSSIANA

Sea X una variable aleatoria continua cuya funcin de densidad es:

F(X) = 1/2 .e
-1/22 (x-)2
con > 0, , x IR

Entonces a la funcin f(x) se le llama Distribucin normal o gaussiana, con parmetros y

2
.

GEOMETRICAMENTE


Esperanza, Varianza y Desviacin Estndar

Si X ~ (,
2
), entonces E(X) = V(X)=
2
x=

DISTRIBUCION NORMAL ESTANDAR

Haciendo z = x-/ en la formula de (,
2
), obtenemos distribucin normal estndar
(z) = 1/2 .e
-1/2z2
con = 0 y
2
= 1, denotado por X ~ (0, 1).

Donde:
Z= x-/ representa la distancia de la media de X expresada en unidades de la desviacin
estndar.

Observaciones:
1. Para Z [-1, 1], el rea bajo la curva es 68.2 %: x [-, +]
Para Z [-2, 2], el rea bajo la curva es 95.4 %: x [-2, +2]
Para Z [-3, 3], el rea bajo la curva es 99.7 %: x [-3, +3]

2. Si X ~ (,
2
), entonces la probabilidad de X caiga entre a y b definida por
P (a X b), se calcula pasando a y b a unidades estndar,
Z
1
= a-/ y Z
2
= b-/
Luego p (a X b) = p (z
1
Z
1
z
2
) = el rea bajo la curva normal estndar entre a y b.
Donde:
Z
1
es la variable aleatoria estandarizada que corresponde a X, y por lo tanto Z ~ (0,1)




DISTRIBUCION LOG-NORMAL

La distribucin normal ocurre en la prctica siempre que encontramos una variable
aleatoria tal que su logaritmo posea una distribucin normal. Su densidad de probabilidad
est dada por:

F(x) {1/2 . X
-1
e
-(lnX )2/ 22
para x > 0, > 0 en los dems puntos

Mediante el cambio de variable Y= lnx e identificando e integrando como la densidad
normal con = y =, encontramos la distribucin acumulada.




DISTRIBUCION ERLANG

Si X es una variable aleatoria Earlang con parmetros y r, es decir X= tiempo hasta que
ocurran r xitos de un proceso de Poisson con parmetro :

F(x)= {
r
x
r-1
e
-x
/(r-1)! (r IN) para x > 0 y r= 1, 2,..
r = 1 DISTRIBUCION EXP
O de otra forma r 1 DISTRIBUCION EARLANG

Notacin X~ Er (r, )

E(X) = r/ V(X) = r/
2
x = V(X)
Observaciones: *La distribucin exponencial es una particularidad de Earlang con r=1
*La distribucin Earlang es equivalente de la distribucin gamma con el parmetro k=1,2 y
=1/ para k=1 es la distribucin exponencial.
*Una variable aleatoria X~Er (r, ) puede descomponer en una suma de n-variables
aleatorias independientes exponenciales.
DISTRIBUCION GAMMA
Funcin de Densidad (r) =

0
x
r-1
e
-x
dx para r > 0
Donde r = evento de Poisson (#)
Si X es una variable aleatoria gamma con parmetros y r, entonces la media, la varianza y
la desviacin estndar son:
E(X) x = r/ V(X) = r/
2
x =V(X)
Propiedades Recursivas r(n) = (n-1)!

DISTRIBUCION BETA
Para una densidad de probabilidad para una variable aleatoria que toma valores sobre el
intervalo de 0 a 1, y las ms apropiada para este propsito es la distribucin beta cuya
densidad de probabilidad es:
F(x)= { ( + ) / (). () . X
-1
(1-X)
-1

Para 0 < x < 1, > 0, > 0
DISTRIBUCION DE WEIBULL
La variable aleatoria continua X tiene una distribucin de Weibull, con parmetros y si
su funcin de densidad est dada por:
f (x) { x
-1
e-
x
x > 0
Donde > 0 y > 0
Media =
1/
(1 + 1/)
Varianza
2
=
-2/
(1 + 2/) -[(1 + 1/)]
2