Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Objetivo
Ejemplo:
Ω= E1 E2 , E1 B1 , E1 B2 , E1 B3 , E2 B1 , E2 B2 , E2 B3 , B1B2 , B1B3 , B2 B3
n(Ω) =10
Ejemplo:
• Sea A el evento, que los aspirantes seleccionados sean excelentes, el evento
A estaría formado por:
A = ( E1 , E2 )
• B: seleccionar dos aspirantes calificados como buenos
B = ( B1 B2 ), ( B1 B3 ), ( B2 B3 )
es decir, .
Se define el suceso unión como el suceso formado por todos los sucesos
En general, dados n sucesos A1, A2, A3,..., An, su unión es otro suceso formado por los
resultados o sucesos elementales que pertenecen al menos a uno de los sucesos A i.
2.2. Intersección de eventos
Se define el suceso intersección como el suceso formado por todos los sucesos
elementales que están en A y en B.
Fig.1.5.Intersección de sucesos
En general, dados n sucesos A1, A2, A3,..., An, su intersección es otro suceso formado por
los resultados o sucesos elementales que pertenecen a todos los sucesos Ai.
Propiedades:
Unión Intersección
Asociativa: Asociativa:
( A B) C = A ( B C) ( A B) C = A ( B C)
Conmutativa Conmutativa
A B = B A A B = B A
Idempotente Idempotente
A A = A A A = A
A = A A =
A = A = A
A A = A A =
Distributiva
A ( B C ) = ( A B) ( A C )
A ( B C ) = ( A B) ( A C )
Leyes de Morgan:
3. DEFINICIONES DE PROBABILIDAD
Se presenta tres definiciones de probabilidad que son complementarias y que
manejan los mismos axiomas y teoremas de probabilidad. La definición que se
utilice dependerá de la naturaleza del problema que se está tratando de resolver.
Estas son:
es:
n
P Si = P Si = P( S1 ) + P(S 2 ) + ... + P (S n )
i =1 í =1
4. TEOREMAS DE PROBABILIDAD
4.1. Probabilidad del suceso imposible
P ( ) = 0
La probabilidad de un suceso imposible (conjunto vacío), es cero.
P( A B) = P( A) + P( B) − P( A B)
P( A B) = P( A) + P( B)
Consecuencia:
P( A B) P( A) + P( B) puesto que P( A B) 0
4.3. Probabilidad de la unión de tres o más sucesos
Dados los eventos cualesquiera A, B y C, se tiene que:
P( A B C ) = P( A) + P ( B ) + P (C ) − P ( A B ) − P ( A C ) − P ( B C ) + P ( A B C )
k k k n k
P Si = P( Si ) − P( Si S j ) + P( Si S j S r ) + ... + (−1) k +1 P( Si )
i =1 í =1 í j =2 í j r =3
i =1
4.5.Diferencia de eventos
Se define el evento A-B como el que está formado por los elementos de A que no
están en B. Por tanto si quitamos al evento A los elementos comunes a A y B
( A B) nos queda A-B
P( A − B) = P( A) − P( A B)
Ejemplo:
A. Calcular la probabilidad que el gerente escoja por lo menos a uno de los aspirantes
calificados excelentes.
B. Calcular la probabilidad que el gerente escoja a los dos excelentes, dado que ya se
sabe que uno de los dos seleccionados es excelente
5. PROBABILIDAD CONDICIONAL
P[ A B]
P[ A / B] = , si P[ B] 0
P[ B]
P[ A ] P[ A]
P[ A / ] = =
P[]
(2) P[ / B] = 1
(3) Dada una colección numerable de eventos disjuntos (mutuamente excluyentes dos
a dos), se tiene:
k
P Si / B = P[ S1 S 2 ... S k / B] = P[ S1 / B] + P[ S 2 / B] + ... + P[ S K / B]
i =1
k
= P[ S i / B]
i =1
Teoremas
(1) P[ / B] = 0
(2) P[ A / B] = 1 − P[ A / B]
P[ A / B] = 1 − P[ A / B]
(3) Si A C , entonces P[ A / B] P[C / B ]
(4) P[ A C / B] = P[ A / B] + P[C / B] − P[ A C / B]
6. TEOREMA DE MULTIPLICACIÓN
De la definición de probabilidad condicional, tenemos:
En general:
Si S1 , S2 ,...., Sk , son eventos del espacio muestral finito y P[S1 S2 .... Sk −1 ] 0 ,
entonces:
7. TEOREMA DE BAYES
Se dice que la colección de eventos S1 , S2 ,...., Sk del espacio muestral representa una
Si S j = , i j i, j = 1, 2,..., k
Sea S1 , S2 ,...., Sk una partición del espacio muestral, entonces para cualquier evento B,
es:
Sea una colección de sucesos que cumplen las condiciones para que
el teorema de la probabilidad total se verifique. Entonces:
8. INDEPENDENCIA DE SUCESOS
8.2. Los sucesos de una colección finita si i =1...n son mutuamente independientes si
cumplen :
P ( Si S j ) = P ( Si ) P ( S j ) si i j
P ( Si S j S k ) = P ( Si ) P ( S j ) P ( S k ) si i j k
P(in Si ) = in P( Si )