Documentos de Académico
Documentos de Profesional
Documentos de Cultura
En la mayoría de los problemas hay que tomar decisiones en base a experimentos, así pues,
definiremos lo que es un experimento aleatorio para poder entender el concepto de probabilidad.
Experimento Determinístico: Al repetirlos bajo las mismas condiciones siempre dan el mismo
resultado (predecible). Ejemplos: Fenómenos físicos y químicos.
Ejemplos:
- El resultado de una reacción química
- La velocidad de llegada de un cuerpo a tierra al dejarlo caer desde una torre con altura conocida.
Ejemplos
Ejemplos:
- Al experimento aleatorio 1 : Lanzar moneda y observar su cara superior, le corresponde el
espacio muestral:
1 C, S
- Al experimento aleatorio 2 : Extraer un artículo de un lote que contiene 50 artículos
defectuosos (D) y 15 artículos no defectuosos (ND), le corresponde
2 D, ND
Si tiene un número no numerable de elementos. Es decir, cuyos elementos son todos los puntos de
algún intervalo.
En los ejemplos vistos, únicamente Ω3 y Ω4 son continuos, los restantes son de tipo discreto.
Ejemplos:
Tratándose los eventos de subconjuntos del espacio muestral, es natural que satisfagan todas las
características de los conjuntos. Sean A y B dos eventos del espacio muestral .
SUB-EVENTOS
Dados dos eventos A y B se dice que A este contenido en B o que A es sub-evento de B y denotamos
por A B , Es decir si ocurre el evento A ocurre necesariamente el evento B
A B,si w A w B
IGUALDAD DE EVENTOS
Se dice que dos eventos A y B son iguales, y se denota por A = B, si A B y B A
AB A B w w A w B
De manera más general, dados k eventos A1, A2, ..., Ak, su intersección A1 A2 ⋯ Ak es el
conjunto de todos los resultados básicos que pertenecen a todo Ai (i = 1, 2, ..., k)
A B 4,6
PROPIEDADES:
i. A B C A B A C
ii. A B C A B A C
De manera más general, dados k eventos A1, A2, ..., Ak, su unión A1 A2 ⋯ Ak es el
conjunto de todos los resultados que pertenecen al menos a uno de estos k eventos.
Luego A B 2,4,5,6
A ' A
PROPIEDADES
Ejemplo: lanzamos un dado al aire. El evento (A) es que salga un número par, luego su
complementario, evento A es que salga un número impar.
Definiciones complementarias:
De manera más general, dados k eventos A1, A2, ..., Ak, se dicen mutuamente excluyentes si
cada par de estos eventos es excluyente, es decir Ai Aj para todo i ≠ j.
Ejemplo: lanzamos un dado al aire y analizamos tres sucesos:
A: que salga un número menor que 3,
B: que salga el número 6,
C: que salga un numero impar mayor que 2.
LEYES DE MORGAN
Las operaciones o el algebra de eventos es el mismo del algebra de conjuntos.
Las leyes de Morgan se usan para el complemento, es decir: Leyes De Morgan
EJERCICIOS
Simplificar: A' BA A' B' A' '
Respuesta: A B
Ejemplo
Si lanzamos una moneda dos veces, ¿cuál es la probabilidad de obtener al menos una cara?
1. 0 P ( A ) 1
2. Si A es un evento imposible entonces P A 0
3. P( ) = 1
4. ̅ =1−
5. Si A y B son dos eventos cualesquiera, entonces ∪ = + − ∩
6. Si A y B son mutuamente excluyentes entonces ∪ = +
7. En general si tenemos k eventos excluyentes 2 a 2, Ai Aj Ø para i j , entonces:
P A1 A2 ⋯ Ak P A1 P A2 ..... P Ak .
Ejemplo:
Se quiere conocer el nivel de satisfacción del consumo de cerveza artesanal entre turistas del país,
c. ¿Qué la región a la viajó sea la costa y este insatisfecho con la cerveza artesanal?
Respuesta:
Sea
A: “El turista viajo a la costa
B: “El turista esta insatisfecho”
entonces N(AB)=35; P(AB)= P(AB)=35/240=0,1458.
d. ¿Qué la región a la viajó sea la costa o este insatisfecho con la cerveza artesanal?
Respuesta:
Sea
A: “El turista viajo a la costa
B: “El turista esta insatisfecho”
Luego la probabilidad pedida es:
Sea:
S: turista este totalmente satisfecho
B: El turista esta insatisfecho
∩ =0
Nota: S y B son eventos excluyentes.
P( A B)
P( A | B)
P( B)
siempre que P(B) > 0
Y se entiende como la probabilidad de que ocurra el suceso A considerando que antes ha ocurrido
el evento B.
EJEMPLO: Sea el experimento aleatorio lanzar dos monedas una después de otra. ¿Cuál es la
probabilidad de que en el primer lanzamiento haya salido una cara, sabiendo que al lanzar las dos
monedas salió al menos una cara?
SOL.
Experimento: Se lanza dos monedas
Ω= {CC, CS, SC, SS}.
Sabemos que ha ocurrido el evento B: “sale al menos una cara”
B= {CC, CS, SC}
Sea el evento A:“en el primer lanzamiento sale cara”
A= {CC, CS}
Entonces: La probabilidad de que ocurra el evento A, dado que se sabe que el evento B ha ocurrido
es:
P( A B)
PA B
P(B)
Observación:
La probabilidad condicional, también la podemos entender como una restricción en el espacio
muestral, así en el ejemplo tenemos:
Ω*= {CC, CS, SC}
A*: Sale cara en el primer lanzamiento= {CC, CS}
N A * 2
P A *
N * 3
a. Qué la región a la viajó sea la costa?, sabiendo que el turista estuvo insatisfecho con la
cerveza artesanal.
Respuesta:
Sea A: “El turista viajo a la costa”
B: “El turista esta insatisfecho”
∩ !"/#$%
Luego la probabilidad pedida es / = = &!/#$% = 0,4795
Sea A*: “El turista viajo a la costa”, luego N(A*)=35; N(Ω*)=73, entonces
P(A*)=35/73=0,4795.
1. 0 P ( A | B ) 1
2. P ( | A) P ( ) 1
3. P ( A | ) P ( A)
4. P(∪ Ai | B) P( Ai | B) si Ai Aj para i j
i 1 i 1
También conocido como Teorema de Multiplicación, se puede ver como una consecuencia de la
definición de probabilidad condicional, indica que la probabilidad de la intersección de dos eventos
cualesquiera A y B es:
P( A1 … An ) P( A1 )P( A2 | A1 )P( A3 | A1 A2 )......P( An1 | A1 … An2 )P( An | A1 … An1 )
Ejemplo 1: En una urna hay 5 bolillas blancas y 4 bolillas rojas; Se extrae al azar sucesivamente y sin
reposición dos bolillas ¿Cuál es la probabilidad de que las dos resulten blancas?
SOL:
Sean los eventos: A: “La primera bolilla es blanca”; B: “La segunda bolilla es blanca”
5 4 5
∩ = ⁄ = ( =
9 8 18
Respuesta: 0,2778
Ejemplo 2: En una urna hay 5 bolillas blancas y 4 bolillas rojas; Se extrae al azar sucesivamente y sin
reposición cuatro bolillas ¿Cuál es la probabilidad de todas resulten blancas?
SOL:
Sean los eventos: Ai: “La i-ésima bolilla es blanca”
5 4 3 2
) ∩ # ∩ ! ∩ $ = ( ( ( = 0,0397
9 8 7 6
/126
Ejemplo 3: En una urna hay 5 bolillas blancas, 4 bolillas rojas y 6 amarillas; Se extrae al azar
sucesivamente y sin reposición cuatro bolillas ¿Cuál es la probabilidad de que las dos primeras
resulten blancas y las dos últimas sean amarillas?
SOL: 5/273=0,0183.
En términos sencillos dos eventos son independientes cuando la ocurrencia o no ocurrencia de uno
de ellos no afecta la probabilidad del otro. Por ejemplo, se lanza una moneda y un dado, Se
definen los eventos: A: Sale cara en la moneda; B: Sale un tres en el dado.
P(A)=1/2; P(B)=1/6.
Luego:
P(A/B)=1/2=P(A); P(B/A)=1/6=P(B)
En este caso ambos eventos son independientes uno del otro.
P A1 ⋯ An P A1 .P A2 .....P An
Por ejemplo, se lanza una moneda y un dado, hallar la probabilidad de que salga cara en la moneda
y un tres en el dado.
Solución:
Se definen los eventos: A: Sale cara en la moneda; B: Sale un tres en el dado, me piden:
1 1 1
∩ = = ∗ =
2 6 12
Ejemplo 2: Se lanza un dado 2 veces. Hallar la probabilidad de que aparezca seis en los dos
lanzamientos.
SOL= 1/36
Ejemplo 3: Se lanza un dado 5 veces. Hallar la probabilidad de que no aparezca ningún seis en los
cinco lanzamientos.
SOL.
Sea el evento: A1: “Sale un número diferente de seis en el primer lanzamiento” ; P(A1)=5/6
A2: “Sale un número diferente de seis en el segundo lanzamiento”; P(A2)=5/6
…
)∩ #∩ !∩ $∩ " = " = 5/6 =0,4019
"
) # ! $
Ejemplo 4: En una urna hay 5 bolillas blancas, 4 bolillas rojas y 6 amarillas; Se extrae al azar
sucesivamente con reposición cuatro bolillas ¿Cuál es la probabilidad de que las dos primeras
resulten blancas y las dos últimas sean amarillas?
Rpta:
5 5 6 6
( ( ( = 0,0178
15 15 15 15
Ejemplo: Se quiere conocer el nivel de satisfacción del consumo de cerveza artesanal entre turistas
del país, por lo que se realizó una encuesta a un grupo de turistas en diferentes regiones del Perú
Los resultados se muestran a continuación:
Demostración:
= 2 ∩ ) ∪ ∩ # ∪ ∩ ! ∪ … .∪ ∩ 1 3
Como los 4 son eventos excluyentes, entonces también los ∩ 4 son excluyentes, por tanto, la
probabilidad de la unión es simplemente la suma de sus probabilidades.
= ∩ ) + ∩ # + ∩ ! + ⋯.+ ∩ 1
= ) / ) + # / # + ! / ! + ⋯.+ 1 / 1
Ejemplo:
Tres máquinas de cierta planta de ensamble, ), #, ! montan 30%, 45% y 25% de los productos,
respectivamente. Se sabe por experiencia que 2%, 3% y 2% de los productos ensamblados por cada
máquina, respectivamente, tienen defectos. Ahora bien, suponga que se selecciona de forma
aleatoria un producto terminado. ¿Cuál es la probabilidad de que esté defectuoso?
Solución:
Sean los eventos:
Me piden P(A)=
= ) / ) + # / # + ! / !
= 0,3 0,02 + 0,45 0,03 + 0,25 0,02 = 0,0245
= 0,0245
Rpta
43/90=0,4778
8. TEOREMA DE BAYES. - Si los eventos B1, B2 ,…, Bk forman una partición del espacio muestral
y A es un evento cualquiera de , entonces:
P( Br ) P( A | Br ) P( Br ) P( A | Br )
P( Br | A)
k
P( B1 ) P( A | B1 ) P( B2 ) P( A | B2 ) ... P( Bk ) P( A | Bk )
P( B ) P ( A | B )
i 1
i i
P( Br A)
P( Br | A)
P A
EJEMPLO:
Dado el caso de las tres máquinas del ejemplo anterior, suponga que se selecciona un producto de
forma aleatoria y que éste resulta defectuoso. ¿cuál es la probabilidad de que este producto haya
sido ensamblado con la máquina B2?
Solución:
La probabilidad pedida es:
P(B2/A)
P( B2 A) 0, 45(0,03)
P( B2 | A) 0,5510
P A 0, 0245
EJEMPLO: En un laboratorio hay tres jaulas, en la jaula B1 hay dos conejos pardos y tres blancos, en
la jaula B2 hay 4 conejos pardos y 2 blancos, en la jaula B3 hay 5 conejos pardos y 5 blancos. Se
Rpta
43/90=0,4778
En el ejemplo de los conejos, supongamos ahora que el conejo escogido aleatoriamente es blanco.
¿Cuál es la probabilidad de que provenga de la jaula B1?
Solución:
La probabilidad pedida es:
P(B1/A)=18/43=0,4186
1. VARIABLE ALEATORIA.
Una variable aleatoria "X" es una aplicación definida en un espacio muestral Ω, que toma valores
reales, ósea, es la transformación del Espacio Muestral en un conjunto numérico, mediante X.
Definición formal:
Dado un experimento aleatorio ℇ y Ω el espacio muestral asociado a dicho ℇ, una función que
asigna a cada elemento 7 en Ω uno y solamente un número real 8 = 9 Ω , se llama VARIABLE
ALEATORIA, es decir, X es una función real 9: Ω → ℝ
El rango o recorrido RX de la variable aleatoria X esta dado por el conjunto de números reales:
RX x ℝ / X w x, w X
Mas ejemplos:
Ejemplos:
De los ejemplos anteriores son discretas a, b, d , y son continuas la c y e.
i. p x P X x
ii. p x 0, x RX
iii. p x 1
xR X
Observaciones:
El dominio de la función de probabilidad es RX .
La función de probabilidad p x toma valores entre 0 y 1.
La suma de todos los valores que toma la función de probabilidad es 1.
Nota:
Es usual representar la distribución de probabilidad de X de dos maneras:
9=8 0 1 2 D
1
4 ,x 0
1 , x 1
p x 2
1
,x 2
4
0 , en otro caso
Ejemplo 1:
Una urna contiene 4 bolillas numeradas 1, 2, 3, 4 respectivamente. Se extraen 2 bolillas
aleatoriamente y sin reemplazamiento. Se define la variable X como la suma de estos dos valores.
Hallar el dominio de X, la distribución de probabilidad p(x) de X.
Solucion:
E> = Ω = F12, 13, 14, 21 … . G
=> = {−3, −2, −1, 1, 2, 3}
1 1 1
29 = −33 = H14I = ( =
4 3 12
1 1 1 1 2
29 = −23 = H13, 24I = ( + ( =
4 3 4 3 12
3
29 = −13 = H12, 23, 34I =
12
3
29 = 13 =
12
2
29 = 23 =
12
1
29 = 33 =
12
9=8 -3 -2 -1 1 2 3 D
@ 8 = 29 = 83 1/12 2/12 3/12 3/12 2/12 1/12 1
F ( x) P( X x) p x P X xi
xi x xi x
Es decir, para calcular el valor de la función de distribución en un punto xi debemos sumar los
valores que toma la función de probabilidad en todos los puntos menores o iguales que xi.
Ejemplo:
Sea X = “Número de caras al tirar dos monedas” (del ejemplo anterior)
9=8 0 1 2 D@ 8
K −1 = 9 ≤ −1 = 0
K 0 = 9≤0 = 9 = 0 = 1/4
K 1 = 9≤1 = 9=0 + 9 = 1 = 1/4 + 1/2 = 3/4
1 1 1
K 2 = 9≤2 = 9=0 + 9=1 + 9=2 = + + =1
4 2 4
1 1 1
K 3 = 9≤3 = 9=0 + 9=1 + 9=2 = + + =1
4 2 4
1 1 1
K 4 = K 5 = K 4,33 = 9 = 0 + 9=1 + 9=2 = + + =1
4 2 4
Notemos que: 9 = 3 = 0
Observaciones:
La función de distribución es “escalonada”, empieza tomando el valor 0, tiene saltos en el
recorrido de la variable aleatoria hasta tomar el valor 1.
Definición: Sea X una v.a. continua con rango R X . La función de densidad de probabilidad f
asociada a la variable aleatoria es una función f x integrable que satisface las siguientes
condiciones:
a. f x 0, x ℝ
b. f x dx f x dx 1
RX
b
P A P a x b f x dx
a
Observaciones:
x0
Ejemplo:
Sea una variable aleatoria continua con función de densidad dada por:
c 6 x 2 x 2 ,0 x 2
f x
0 , en otro caso
0 2
2
Se obtiene 0 c 3 x 2
2 3 3
x 0 1 , luego c
3 0 20
b) Calcular P X 1
2
Sol: P X 1 f x dx
3
20 1
6 x 2 x 2 dx
13
20
1
Definición: sea X una v.a. continua con función de densidad f x , La función de distribución
acumulada de la v.a. continua X, denotada por F x , se define por:
x
F (x) P( X x) f (t) dt, x ℝ
Es decir F x asigna a cada valor x la probabilidad de que la variable aleatoria X sea menor a x.
P a X b P a X b P a X b P a X b F (b) F (a)
3
3x x ,0 x 2
2
f x 10
0 , en otro caso
Entonces:
) % ) )
3 7
K 1 = 29 ≤ 13 = P Q R SR = P Q R SR + P Q R SR = P 3R − R # SR =
10 20
TU TU % %
De manera general:
0, x0
3 3x x
2 3
F x 0 x2
10 2 3
1 x2
a) Calcular P X 1
7 13
Sol: P X 1 1 P X 1 1 F (1) 1
20 20
7 2
K 1 − K 0,5 − 20 5
20,5 < 9 < 1,5⁄9 < 13 = = 20 = = 0,7143
K 1 7 7
20
Ejemplo:
Sea una variable aleatoria continua con función de densidad dada por:
3x
2 x ,0 x 2
f x 4
0 , en otro caso
Hallar la función de distribución acumulada de X.
0 x0
3 x
Luego: F x x 2 1 0 x 2
4 3
1 x2
Gráficamente:
Observar que F(x) empieza tomando el valor 0 y va creciendo hasta alcanzar el valor 1.
Calcular 1,5 < 9 < 1,75 = K 1,75 − K 1,5 = 0,9570 − 0,8438 = 0,1132
9<4 = 9≤4 =K 4 =1
1. 0 F x 1, x ℝ
2. lim F x 0
x
3. lim F x 1
x
d F x
6. Del segundo teorema fundamental del cálculo se tiene que: f x
dx
Las características numéricas son medidas que permiten sintetizar la información, de forma
tal que ofrecen las características generales del fenómeno en estudio, es decir, sus rasgos
principales. También se conocen como parámetros de las variables aleatorias.
Las características fundamentales que se estudiarán son: Media y Varianza.
E X x1 p ( x1 ) x2 p ( x2 ) ... xn p ( xn ) xp( x) …*
xRX
E X 2 x12 p( x1 ) x2 2 p( x2 ) ... xn 2 p( xn ) x 2
p( x) ...*
xRX
EX xf x dx xf x dx …**
RX
EX 2 x 2 f x dx x f x dx
2
RX
Ejemplo 1:
Sea X = “Número de caras al tirar dos monedas”
1 1 1
Media= 0 p (0) 1 p (1) 2 p (2) 0 1 2 1
4 2 4
Es decir, si repites el experimento muchas veces, en promedio obtendrás una cara.
Ejemplo 2:
1 1 1 21
Media= 1. p (1) 2 p (2) ...6. p 6 1 2 ... 6 3, 5
6 6 6 6
Respuesta:
0 , x 100
a. F ( x ) 100
1 x
, x 100
7.2.1 Sea X una v.a. e Y H X una función de X, el valor esperado de H X se define por:
continua
i. E a a
ii. E aH X aE H X
iii. E aH X bG X aE H X bE G X
Ejemplo:
Sea el siguiente juego:
Se lanza un dado y se recibe un pago de 5 soles multiplicado por el número obtenido en
el dado, si para jugar se debe de hacer un pago de 20 soles, hallar la ganancia estimada
del jugador.
Solución:
X: Número de la cara superior del dado.
Y: Ganancia del jugador
Y=H(X)=5X-20
X=x 1 2 3 4 5 6 Total
p(x) 1/6 1/6 1/6 1/6 1/6 1/6 1
Y=y -15 -10 -5 0 5 10
x.p(x) 1/6 2/6 3/6 4/6 5/6 1 3,5
y.p(x) -15/6 -10/6 -5/6 0/6 5/6 10/6 -2,5
1 1 1 −15
W = D X. @ 8 = −15 Y Z + −10 Y Z + ⋯ 10 Y Z = = −2,5
6 6 6 6
Obs:
2W3 = 259 − 203 = 5 293 − 20 = 5 3,5 − 20 = −2,5
La varianza de una variable aleatoria es una característica numérica que proporciona una idea
de la dispersión de la variable aleatoria respecto de su esperanza, se denota por:
Var X ó V X ó por la letra griega 2 X y se define como:
Var X E X
2
Por lo tanto:
V x x
2
p ( x) , Si X es una v.a. discreta
xRX
RX
7.4.1 Sea X una v.a. (discreta o continua) con valor esperado E X la varianza está dada
por:
V X E X 2 2
Ejemplo:
Sea X = “Número de caras al tirar dos monedas”
1 1 1
Media= 0 p (0) 1 p (1) 2 p (2) 0 1 2 1
4 2 4
Varianza
1
E X 2 0 2 p (0) 12 p (1) 22 p (2) 0 2 12 22 1.5
1 1
4 2 4
2 E X 2 2 1,5 12
1
2
MG. PEDRO SAENZ R. Página 38
La desviación típica es la raíz de la varianza, así en este ejemplo 0,5 0,71
Ejemplo 2:
X: Número de la cara superior al lanzar un dado.
X=x 1 2 3 4 5 6 Total
p(x) 1/6 1/6 1/6 1/6 1/6 1/6 1
x.p(x) 1/6 2/6 3/6 4/6 5/6 1 3,5
X2 1 4 9 16 25 36
X2.p(x) 1/6 4/6 9/6 16/6 25/6 36/6 91/6
91
[ 9 = 8 # − \# = − 3,5 #
= 2,9167
6
10.1 EJEMPLOS:
Tiramos 3 monedas y sea la v.a. discreta X = “Número de caras” C C C
Entonces: C C S
Recorrido de X = {0, 1, 2, 3} C S C
S C C
Función de probabilidad. C S S
S C S
X=x 0 1 2 3 Total S S C
p(x) 1/8 3/8 3/8 1/8 1 S S S
F(X) 1/8 4/8 7/8 1
1
x0
8
3
x 1
8
p( x)
3
x2
8
1
x3
8
Función de distribución.
Parámetros.
1 3 3 1
xi p ( xi ) 0 1 2 3 1, 5
8 8 8 8
1
2 xi 2 p( xi ) 2 02 12 22 32 1,52 0,75
1 3 3
8 8 8 8
0,75 0,87
7.5.2 PREGUNTA:
Sea el siguiente juego, un jugador lanza una moneda 3 veces, y gana dos soles por cada
cara obtenida.
a. Si el juego cuesta 2 soles ¿cuál es su ganancia esperada?
b. Si el juego cuesta 4 soles ¿cuál es su ganancia esperada?
c. Sea la variable aleatoria
Y: Ganancia en el juego
¿en cuál de los casos a) ó b) será Y más homogénea?
x
7.5.3 Ejemplo Si f x para 0 x 2
2
a. Hallar la esperanza de X
b. ¿Cuál será el valor de la varianza de x?
c. Hallar E(x+3)
d. Hallar E(2x2)
e. ¿Cuál será el valor de V(2x)?
f. ¿Cuál es el valor de la desviación típica de X?
SOLUCIÓN:
Por la forma de presentar el recorrido de la variable X, indica que es una variable continua.
d. E(2x2) = 2 E(x2) = 2. 2 = 4
f. 2 0,23 = 0,48
Recuerde que la desviación típica se representa por la letra griega sigma y que es la raíz
cuadrada de la varianza V(x) = 2
f ( x)
F ( x)
Parámetros Parámetros
n
xi p( xi ) x f ( x) dx
i 1
V X E X 2 2
V X E X 2 2
V X
V X