CAPITULO 2

PROBABILIDADES

Para definir el término probabilidad es necesario definir algunos conceptos

previos:

Experimento: es un evento o suceso del cual es necesario determinar un posible

resultado y compararlo con algún valor esperado.

Experimentos deterministas: son aquellos en los cuales es posible predecir el

resultado sin necesidad de realizar el experimento. Por ejemplo:

 La velocidad de un móvil que partió del reposo a los 10seg.

 La concentración del soluto en una mezcla.
 La temperatura de equilibrio en un intercambiador de calor.

Experimentos no deterministicos: son aquellos en los cuales no es posible predecir

el resultado hasta realizar el experimento en sí mismo.

 La cantidad de valores defectuosos en un día de producción.

 Que se obtenga 30 en el lanzamiento de 5 dados.
 La producción en un elemento a en un mes.

Un evento o suceso es un conjunto del espacio muestral “ “que contiene a

todos los posibles resultados del experimento al ser un subconjunto es posible
operar eventos o sucesos según las operaciones entre conjuntos.

Unión de eventos

( ) ( ) ( ) ( )
Intersección de eventos

( )
Diferencia

( ) ( ) ( )

( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
En otras oportunidades los eventos son resultado de las posibles ordenaciones en
un conjunto de elementos que responden a una regla de ordenamiento.

Análisis combinatorio:

( )

Combinaciones:

( ) ( )
Principio de la adición y multiplicación

En este sentido existen 3 formas de definir la probabilidad:

Definición clásica o de la place: la probabilidad de un evento o suceso A, es la

razón de la cantidad de veces en las cuales es posible obtener A o la cantidad
de posibles resultados en el espacio muestral.
 ( )

Definición frecuencial: la probabilidad del evento A es la cantidad de veces que

se repite el evento sobre una cantidad total de opciones.

( )

Definición subjetiva: para todo evento A:

( )
 Si P(A)=0, el evento no ha sucedido o es un fracaso.
 Si P(A)=1, el evento ha sucedido o ha sido un éxito.

EJEMPLO:

Un experimento aleatorio consiste en disponer los dígitos 1, 2, 3, 4, 5, 6, 7, 8,9 uno a

continuación del otro. Calcular la probabilidad que:

a) El 5 aparezca junto al 6 en ese orden.

b) El 5 aparezca junto al 6.
c) El número formado sea impar.
d) El número formado sea mayor a 600000000.

SIN REPETICION:

7 6 5 5 6 4 3 2 1

( )

7 6 5 5 6 4 3 2 1

( )

8 7 6 5 4 3 2 1 5
 ( )

4 8 7 6 5 4 3 2 1

( )

CON REPETICION

a) ( )
b)
c)
d)

EJEMPLO:

Una compañía con ciertas sitas por computadora tiene en sus archivos los
nombres y direcciones de 200 chicas. De estas 200, un total de 35 miden 1,65
m o menos de estatura; 60 son rubias; 12 de las rubias miden 1,65 o menos.
Mario Terán envía su solicitud por correo, cual es la probabilidad que:

a) Reciba el nombre de una chica rubia.

b) Reciba el nombre de una chica rubia y que mida más de 1,65m.
c) Reciba el nombre de una chica rubia o de una chica que mida menos de
1,65m.
d) Reciba el nombre de una chica no rubia o el de una chica con estatura
menor de 1,65.

Estatura menor o Estatura mayor a total

igual a 1,65m 1,65m
Rubia 12 48 60
No rubia 23 117 140
total 35 165 200

a) ( )
b) ( )
( )
c) ( )
 ( ) ( ) ( )

( )

( )
d) ( )

( ) ( ) ( )

( )

Axiomas de probabilidad:

Las probabilidades responden a los siguientes axiomas:

i) P( )=1
ii) P( )= P(A) + P(B) – P(A B)
iii) P( )= 1- P(A)
iv) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( )

EJEMPLOS:

En una zona de parqueo hay 10 lugares en fila, una persona deja estacionar su
vehículo en uno de estos lugares, que no es ninguno de los extremos. Regresar
encuentra que hay 4 vehículos estacionados incluyendo el suyo. Calcular la
probabilidad que los dos lugares vecinos al que ocupa su vehículo estén
desocupados.

x □ □ □ x

Una caja contiene 10 estampillas de 2 centavos, 5 estampillas de 15 centavos y 2

estampillas de 10 centavos. Se extraen aleatoriamente 6 estampillas; cual es la
probabilidad que su suma no exceda a 100 ctvs.

Un vendedor está tratando de vender artefactos de 3 clientes. Sea A, B Y C los

eventos de hacer una venta al 1ro, 2do, 3er cliente respectivamente. La
probabilidad que el 1er cliente o el 2do pero no el 3ro comprarían es 0,65; la
probabilidad que el 1ro y 2do compraran es 0,20. La probabilidad de que venda
al 1ro pero no al 3ro es 0,25.

La probabilidad que ni el 1ro ni el 2do comprarían es 0,25. La probabilidad que el

2do no compre pero el 3ro si es 0,30. Cuál es la probabilidad que solo uno de los 2
primeros compren pero no el 3ro.

A= vende al 1er cliente.

B= vende al 2do cliente.

C= vende al 3er cliente.

,( ) -

( )

( )

( )

( )

,( ) - ( ) ( )

( ) ( ) ( ) ( )

UTILIZAMOS
( )

( ) ( ) ( )

( ) ( ) ( )
ADEMAS
( ) ,( ) - ( )

1 ( ) ( ) ( )

( ) ( )

POR ULTIMO P (2DO NO COMPRE PERO EL 3RO SI)

( ) ( )

( ) ( ) ( )

( ) , ( )-

( ) , ( )-

( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )= ( ) ( )

( ) ( )

( )

ADEMAS ( )

( )

PERO ( )= ( ) ( ) ( )

( )
( )= ( ) ( ) ( ) ( )
( )

( ) ( )

Probabilidad condicional: hasta el momento las probabilidades analizadas

estaban referidas a un espacio muestral.

La probabilidad condicional está sujeta a que otro evento B del mismo espacio
muestral ya ha sucedido, es decir.
Entonces . /

( )
Se define como: . / ( )

También como: ( ) ( )

( )

( )

Teorema de la multiplicación: de la probabilidad condicional

( )
( )
( )

( ) ( ) ( )

Árbol de probabilidades:

Si un espacio muestral n tiene A1, A2, A3,…………, Ak eventos independientes

( ) entonces se puede formar un árbol de probabilidades donde
la suma de todas las ramas en cada nivel debe ser 1.
la probabilidad de un evento en particular es el producto de todos las
ramas que conducen a ese evento.

Axiomas de probabilidad condicional:

i) . / . /

ii) . / . /
iii) . / . / . / . /

EJEMPLO:

Suponga que 2 artefactos eléctricos han sido incluidos en un embarque de 6

artefactos eléctricos el departamento de recepción de la compañía compradora
empieza a probar los 6 artefactos 1 a 1. Cuál es la probabilidad que:

a) El último artefacto defectuoso sea encontrado en la cuarta prueba.

b) A lo más 4 artefactos necesitan probarse para localizar los 2 defectuosos.

Se recepciona y prueba uno a uno.

P (2do defectuoso 4ta prueba/ 1er defectuoso ya ha sido encontrado)

 a) P(DNND)+P(NDND)+P(NNDD)=(2/6*4/5*3/4*1/3)+(4/6*2/5*3/4*1/3)+(4/6*3/5+2/
4*1/3)=3/15=1/5
b) P(DD)+P(DND)+P(NDD)+P(……D)=2/6*1/5+2/6*4/5*1/4+4/6*2/5*1/4+1/5=3/15+3/
15=6/15=2/5

Teorema de la probabilidad total y Teorema De Bayes: Consideremos n un

espacio muestral particionando en b1, b2, b3,…..bk eventos tales como (
) . Si se tiene un evento a común a todas las particiones tenemos.
 ( ) ( )+ ( ) ( )+………………..+ ( )

De la probabilidad condicional:

( )
( )
( )

( ) ( ) ( )

( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )

( )

( ) ∑ ( ) ( )

Si el evento A ha sido un éxito entonces también se puede hallar la probabilidad

de que provenga de una partición en particular del espacio muestral.

( )
( ) ( )
( )

( ) ( ) . /
( )
( ) ∑ ( ) . /

EJEMPLO:

El volumen de producción diaria entre plantas diferentes de una fábrica, es de

5000 unidades en la 1ra, 10000 unidades en la 2da y 20000 unidades en la 3ra.
Sabiendo que él % de unidades defectuosas producidas en las 3 plantas es del
1.5%, 0.7% y 2.5% respectivamente, determinar la probabilidad que:

a) Extraigan 1 unidad al azar resulte no defectuosa.

b) Habiéndose extraído una unidad defectuosa se haya producido en la 3ra
o 2da planta.

Volumen de producción
plantas En unidades % de defectuosos
P1 5000 1.5%
P2 10000 0.7%
P3 20000 2.3%
total 35000
A= la unidad seleccionada sea defectuosa.

P( ) = 1- P (A)

( ) ∑ ( ) ( )

P( ) = 1- 0.018=0.981

B) . / . / . / . /

( ) . / ( ) . /
( )
( )

( )

( )

Ejemplo:

En la 1ra urna contiene 10 bolillos 8 de las cuales son blancas; una 2da urna tiene
20 bolillos de las cuales 4 son blancas; de cada una se extrae una bolilla al azar,
de estas 2 bolillas se escoge al azar una de ellas. Hallar la probabilidad de que se
haya tomado una bolilla blanca.

B: bolilla elegida es blanca.

 ( ) ( ) ( )

( ) ( )
( )
( ) ( )

( )

De una boletería de 3 cañones se hizo una descarga, además dos proyectiles

dieron en el blanco. Hallar la probabilidad de que el primer cañón haya hecho
impacto, si las probabilidades de impacto en el blanco de los 1ro, 2do y 3er
cañones son respectivamente iguales a 0.4, 0.3 y 0.5.

B1=1er cañón que dio en el blanco; ( ) ( )

B2= 2do cañón dio en el blanco; ( ) ( )

B3= 3er cañón dio en el blanco; ( ) ( )

A= 2 proyectiles dan en el blanco.

( )
( )
( )

( ) . /
( )
( )

( ) ( ) ( )

( ) ( ) ( ) ( ) ( )

( ) ( ) ( ) ( ) ( )

. / 0.5*0.7=0.5

( ) ( ) ( )

( )

( )
CAPITULO 3

VARIABLE ALEATORIA UNIDIMENSIONAL

Introducción: hasta el momento se han visto como hallar las probabilidades de

un cierto evento en particular del espacio muestral.

El objeto del capítulo es buscar, encontrar un modelo para hallar las

probabilidades de una familia de eventos que responden a una cierta
característica específica.

Para poder generar este modelo es necesario delimitar una variable que
representa a los eventos del espacio muestral y que nos permiten generar luego
su probabilidad.

Variable aleatoria unidimensional: se define como una aplicación de cada

evento del espacio muestral en un numero real “x”, donde “x” generalmente es
la característica del evento o de la familia de eventos.

Por ejemplo en el lanzamiento de un dado podemos definir la variable aleatoria

“x” como la característica de que se objeta un numero par.

* +

EJEMPLO:
Una caja contiene 6 transistores de las cuales 2 son defectuosos. Los transistores se
prueban uno a uno hasta encontrar el 2do transistor defectuoso. Sea la variable x
el número de pruebas efectuadas.

a) Describir el dominio de x.
b) Describa el rango de la variable aleatoria x.
c) Cuál es el evento equivalente en el espacio muestral para x=4 y x=3

X=# de pruebas hasta obtener el 2do defectuoso.

El evento A equivalente a x=3 y x=4

Si=x * +

Si x=4 * +

Se venden 1000 # (números) de lotería para un sorteo en el que hay un premio

mayor de 500$, 4 premios de 100$ y 5 premios de 10$.

El numero cuesta un dólar. Si x es la variable aleatoria que representa el beneficio

neto al comprar un número. Hallar:

a) El dominio de x.
b) El rango de x.
c) La probabilidad de cada uno de los eventos del rango de x.

X: beneficio neto al comprar un número de lotería.

{ }

X= gana x= premio – costo del boleto.

X=0-1=-1

X=500-1=499$

X=100-1=99$
X=10-1=9$

Por tanto:

* +

( )

( )

( )

( )

Clasificación de la variable aleatoria: Se da por su valor:

Variable aleatoria discreta: cuando adquiere un único valor dentro de un

intervalo

Variable aleatoria continua: cuando puede adquirir infinitos valores dentro del
intervalo
Función o ley de probabilidad: es aquella función de variable aleatoria que
asocia a todo valor “x” una probabilidad entre 0 y 1.

Equivalencia de eventos:

X= X (w) y P (X)= P

ENTONCES: P(X (w))= P (w)

Para variable aleatoria discreta la función o ley de probabilidad se denomina

“función de cuantía”.

Como P ( )=1

P (w1 ) =1

∑ ( )

Para variable aleatoria continua de la misma forma se debe verificar que:

( ) ( ) ( ) ( )

( ) ( ) ( ) ( )

Como Xi adquiere infinitos valores, entonces.

∫ ( )

Donde ( ) es la llamada función de densidad de probabilidad.

Las graficas de la función de cuantía y de la función de densidad corresponde a:

 ( )

Funciones de distribución o de probabilidad acumulada: una función de

distribución o de probabilidad acumulada es aquella que acumula las
probabilidades menores e iguales al valor de variable aleatoria “xi”. Se simboliza
por ( ) .

Para variable aleatoria discreta:

x
( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) …… 1
+ ( ) + ( )+ ( ) + ( )+ ( )
+………
 ⟦ ⟧

( ) ∑ ( )

En variable aleatoria discreta se verifican los siguientes axiomas para la función de

distribución.

i) ( ) ( )
ii) ( ) ( )
iii) ( ) ( ) ( )
iv) ( ) ( ) ( ) ( )
v) ( ) ( ) ( ) ( )

Para variable aleatoria continua:

( ) ∫ ( )
 i) ( ) ( )
i) ( ) ( ) ( )
ii) ( ) ( )

EJEMPLO:

Una urna contiene 1 ficha blanca y 2 negras, la urna 2: 3 fichas blancas y 2 negras
la urna 3: 2 fichas blancas y 3 negras.

Extraemos una ficha de cada una y llamamos x a la variable aleatoria que

representa el número de fichas blancas extraídas. Determinar la función de
cuantía y la de distribución con sus respectivas graficas.

X= variable aleatoria # de fichas blancas.

Sol.

Rx= (0, 1, 2, 3)

( )

( ) ( ) ( ) ( )

( ) ( ) ( ) ( )

( )

0 1 2 3
( )

( ) 1
La función de densidad de la variable aleatoria x representa la resistencia al
corte de ensayos de un punto de soldadura que esta dado por.

( )

{
Determinar el número “a” tal que ( ) y un numero “b” tal que
( ) .

Hallar:

“a” ( )

“b” ( )
Sol.

Función de distribución para

( ) ∫ |

Función de distribución para

( ) ∫ ∫

( ) ( )
| |

Función de distribución acumulada

( )
( ) ∫ ∫ , -

( ) ( )

Para “a” ( ) ( )

Para “b” ( ) ( )

( ) ( )

( )

Despejando b

( )

√
Funciones de variable aleatoria: Si x es una variable aleatoria entonces es posible
determinar una nueva función de variable aleatoria y=H(x) tal que “y” es otra
característica del espacio muestral en términos de la primera característica de x.

En consecuencia: X=x (w) y Y=H(x) Y=H(X(W)).

Los eventos son equivalentes en variable aleatoria x y y.

( ) ( ) ( )

EJEMPLO:

Una variable aleatoria x representa el peso en onzas de un artículo y tiene la

siguiente función de densidad.

( ) {

El fabricante vende un artículo por un precio fijo de 2000 bolivianos. El garantiza el

reintegro del precio de venta a cualquier cliente que encuentre que el peso de su
artículo es inferior a 8.25 onzas.

El costo de producción está relacionado al peso de artículos de acuerdo a la

siguiente expresión: 0.05x+0.30. Exprese la variable aleatoria utilidad en términos
de la variable x y halle las funciones de distribución para ambas variables.

X= peso en onzas de un articulo.

Precio de venta= 2000 Bs. reintegra si x 8.25 onzas.

Costo producción 0.05X+0.30

UTILIDAD f(x)

Sol.

Denominamos Y= utilidad de un articulo vendido.

Y=P. venta – costo Prod.

Y=2000-(0.05x+0.30)

Y=1999.7-0.05x

( ) {

Para ( )

1ro) con

( ) ( )
( ) ∫ ( ) |

2do) con

( ) ( )
( ) ∫( ) ∫ ( ) | |

( )
( ) ( ) ( )

( )
( )

( )

( )= ( )

Esperanza matemática: se define la esperanza matemática de una variable

aleatoria “x” como la función definida por:

( ) ∑ ( )
 ( ) ∫ ( )

El valor promedio esperado es igual a la esperanza matemática de la variable

aleatoria y corresponde de a la media poblacional con un margen de
certidumbre:

( )

Propiedades:

i) ( )
ii) ( ) ( )
iii) ( ) ( )
iv) Si ( ) ( ) ( ( ))
v) ( ( ) ( )) ( ( )) ( ( ))

Varianza de variable aleatoria: se define como la esperanza matemática del

cuadrado de la desviación de la variable aleatoria respecto a la media
poblacional.

La varianza de variable aleatoria equivale a la varianza poblacional siempre y

cuando se realice una prueba de hipótesis.

( ) (( ) )

( ) ∑( ) ( )

( ) ∫( ) ( )

( )

Como:

( ) (( ) )

( ) ( )

( ) ( ) ( ) ( )

( ) ( )
Media y moda de una variable aleatoria:

Consideramos que la media es el valor central de “x” que divide a la función de

distribución en dos partes iguales:

̃ ( )

Para la moda utilicemos la definición que dice que es el valor que se repite más
veces.

( ) ( )

Percentiles en variable aleatoria: es posible encontrar el i-esimo percentil de

variable aleatoria mediante la probabilidad acumulada a ese percentil.

( ) ( )

Momentos de variable aleatoria: se definen como esperanza matemática de la

desviación de la r-esima potencia de la variable aleatoria y el valor promedio
esperado.

( ) (( ) )

( ) ∑( ) ( )

( ) ∫( ) ( )

Coeficiente de asimetría y curtosis de variable aleatoria:

El coeficiente de asimetría se define como:

(( ) ) ( )

Si

Si la distribución es simétrica.

Si

El coeficiente de curtosis se define como:

 (( ) ) ( )

Si

Si

Si

EJEMPLO:

Un fabricante de televisores utiliza un cierto tipo de componente electrónico en el

montaje de televisores a color. Cada televisor requiere 6 de estos componentes.
Un componente defectuoso o puede ser detectado hasta que el televisor ha sido
totalmente montado. El costo, detección, reparación y reposición de un
componente defectuoso es de 15$. El fabricante a estado comprando estos
componentes en lotes de 100 a 2 diferentes proveedores. El costo de compra por
lote del proveedor A es 100$us en tanto que el costo de compra por lote al
proveedor B es 120$us.

Basadas en experiencias anteriores, las calidades comparadas de los lotes

comprados a los proveedores son las que se muestran en las siguientes tablas.

PROVEEDOR A:

Número
estimado de 1 2 3 4 5
defectuosos
probabilidad 0.3 0.25 0.2 0.15 0.10

PROVEEDOR B:

Número
estimado de 1 2 3
defectuosos
probabilidad 0.6 0.3 0.1

¿A qué proveedor debe comprar los componentes electrónicos?

Requerimiento 6 pzas/ televisor.

Costo de detección, reparación y reposición de un componente defectuoso es

de 15$.

Lotes de 100 unidades.

Costo compra por lote del proveedor A es 100$us.

Costo compra por lote del proveedor B es 120$us.

Hallamos el número esperado de defectuosos por lote:

A
1 2 3 4 5
( ) 0.3 0.25 0.20 0.15 0.10
( ) 0.3 0.5 0.6 0.6 0.5

( ) ∑ ( )

( )

Costo total= costo compra+ costo reposición.

Costo total de A= 2*(100$us/100unid.)+2*15=32 $us/2 piezas defectuosas.

B
1 2 3
( ) 0.6 0.3 0.1
( ) 0.6 0.6 0.3

( ) ∑ ( )

( )

Costo total de B= 1*(120$us/100unid.)+1*15=26.20 $us/1 piezas defectuosa. (El de

mayor dispersión).

Hallando la desviación estándar:

A
1 2 3 4 5
( ) 0.3 0.25 0.20 0.15 0.10
( ) 0.3 1 1.8 2.14 2.5

( )

( )
 B
1 2 3
( ) 0.6 0.3 0.1
( ) 0.6 1.2 0.9

( )

( )

* +

* +

Se debe comprar del proveedor B.

Una estación de gasolina recibe semanalmente su provisión. Estadísticas

anteriores sugieren que la distribución de probabilidad de las ventas semanales x
medidas en miles de galones, está dada por la siguiente expresión:

( )
( ) {

a) Calcular el valor de la constante a tal que la anterior función sea de

densidad.
b) Halla la mediana, moda y varianza.

Sol.

∫ ( )

∫ ( ) ∫( )

( )
| ( )|

Evaluando.

* ( ) + * ( ) +
 ( )

( )
( ) {

Para x , -

( ) ( )
( ) ∫( ) |

Para x , -

( ) ( )
( ) ∫( ) ∫( ) | |

( ) ( )
, -

( )

( ) ( )

̃ ( ) ( )

̃ ( )

( ) ( )

( )

( ) ( ) |

( )

( )
 ( ) ( )

Para ( ) ∫ ( ) ∫ ( ) ∫ ( )

( ) ( )| ( )| ( ) ( ) ( ) ( )

( )

( ) ( )

( ) ( ) ∫ ( ) ∫ ( )

( )|

( )|

( ) ( ) ( ) ( )

( )
√

Distribuciones discretas más importantes:

De los muchos modelos que existen en distribuciones discretas los más

importantes son:

 Modelo de Bernoulli.
 Modelo Binomial.
 Modelo Geométrico.
 Modelo Hipergeometrico.
 Modelo de Poisson.

Modelo de Bernoulli: Esta referido a todos aquellos eventos en los cuales solo
existe la probabilidad de éxito y fracaso o cualquier evento que simplemente
tenga las 2 opciones (defectuosas y no defectuosas).
Sea “x” la variable aleatoria cuya función de cuantía es:

0 1
( )
( )

( ) ∑ ( )

( )

( )