1

Capitulo 2:
Probabilidad
2
Seccin 2.1: Ideas Bsicas
Definicin: Un experimento es un proceso cuyo
resultado no se puede predecir con seguridad.

Ejemplos:
Tirar un dado
Lanzar una moneda
Pesar el contenido de una caja de cereal.
Valor de una rugosidad
Resistencia de un elemento mecanico



3
Espacio Muestral
Definicin: La serie de todos los posibles resultados de
un experimento es llamado el espacio muestral para el
experimento.

Ejemplos:
Para tirar un dado, el espacio muestral es {1, 2, 3, 4, 5, 6}.
Para lanzar una moneda, el espacio muestral es {cara, sello}.
Para pesar una caja de cereal, el espacio muestral es (0, ), un
espacio muestral mas razonable es (990, 1010) para una caja
de 1 Kg.


4
Ms Terminologa
Definicin: Un subconjunto de un espacio muestral es
llamado un evento.

Un evento dado ha ocurrido si el resultado de un
experimento es uno de los resultados del evento. Por
ejemplo, si un dado cae en 2, los eventos {2, 4, 6} y
{1, 2, 3} han ocurrido, o cualquier otro evento que
contenga el resultado 2.

5
Ejemplo 1
Un ingeniero elctrico tiene en la mano dos cajas de
resistencias, con cuatro resistencias en cada caja. Las
resistencias en la primera caja son de 10 ohms, pero
de hecho sus valores son 9, 10, 11, y 12 ohms. Las
resistencias en la segunda caja son de 20 ohms, pero
de hecho sus valores son 18, 19, 20, y 21 ohms. El
ingeniero escoge una resistencia de cada caja y
determina el valor de cada una..
6
Ejemplo 1 cont.
Sea A el evento tal que la primera resistencia tiene un
valor mayor que 10, Sea B el evento tal que la segunda
resistencia tiene un valor menor que 19, y sea C el
evento tal que la suma de las resistencia sea igual a 28.

1. Hallar el espacio muestral para este experimento.

2. Especificar los subconjuntos correspondientes a los
eventos A, B, y C.

7
Ejemplo 1 cont.
1. S = {(9,18),(9,19),(9,20),(9,21),(10,18),..}.
16 valores

2. A = 8 valores
B = 4 valores
C = 2 valores

8
Combinacion de Eventos
La unin de dos eventos A y B, denotado
A B, es la serie de resultados que pertenecen
a A, a B, o a los dos.

En palabras, A B quiere decir A o B.
Entonces el evento A o B occurre no importa
si A o B (o los dos) occurren.



9
Ejemplo 2
Sea A = {1, 2, 3} y B = {2, 3, 4}.
Qu es A B?

10
Intersecciones
La interseccion de dos eventos A y B, denotada
por A B, es la serie de resultados que
pertenecen a A y a B.
En palabras, A B quiere decir A y B.
Este evento A y B ocurre siempre que
A y B ocurran.

11
Ejemplo 3
Sea A = {1, 2, 3} y B = {2, 3, 4}.
Que es A B?

12
Complementos
El complemento de un evento A, denotado A
c
, es
la serie de resultados que no pertenecen a A. En
palabras, A
c
quiere decir no A. Este evento
no A ocurre siempre que A no occurra.



13
Ejemplo 4
Considere tirar un dado. Sea A el evento:
tirar un 6 = {6}.
Que es A
c
= no tirar un seis?
14
Diagramans de Venn
15
Eventos Mutuamente Excluyentes
Definicin: Los eventos A y B son mutuamente
excluyentes si no tienen resultados en comun.

Ms general, una coleccin de eventos
es mutuamente excluyente si ninguno de ellos tiene
resultados en comun.

A veces los eventos mutuamente excluyentes hacen referencia a
eventos separados.


1 2
, ,...,
n
A A A
16
Diagrama de Venn
Eventos mutuamente excluyentes
17
Volvemos al Ejemplo 1
Si el experimento de las resistencias es
efectuado
Es posible que los dos eventos A y B occurran?
Que tal B y C?
A y C?
Que par de eventos es mutuamente excluyente?

18
Ejemplo 1
Sea A el evento tal que la primera resistencia
tiene un valor mayor que 10,

Sea B el evento tal que la segunda resistencia
tiene un valor menor que 19, y

Sea C el evento tal que la suma de las resistencia
sea igual a 28.



19
Volvemos al Ejemplo 1
Si el experimento de las resistencias es
efectuado
Es posible que los dos eventos A y B occurran?
(11,18) y (12,18)
Que tal B y C?
(10,18)
A y C?
El par de eventos es mutuamente excluyente

II
No se debe especificar
lmites demasiado precisos, si
los procesos de manufactura
a trabajar no puede alcanzar
ese grado de precisin. Y si lo
fuera, no hay instrumentos
para medir.
GRADOS DE
TOLERANCIA
21
Probabilidades
Cada evento en el espacio muestral tiene una
probabilidad de ocurrir. Intuitivamente, la
probabilidad es una medida cuantitativa de que el
evento pueda ocurrir.

Dado cualquier experimento y cualquier evento A:
La expresin P(A) denota la probabilidad de que el
evento A ocurra.
P(A) es la proporcion de veces en la que el evento A
podria ocurrir, si el experimento se repite una y otra
vez.

22
Probabilidades
.




P(A) es la proporcion de veces en la que el evento A
podria ocurrir, k, si el experimento se repite una y
otra vez, N.

k, N se obtienen experimental o matematicamente

N
k
A P = ) (
23
Axiomas de Probabilidad
1. Sea S el espacio muestral. entonces P(S) = 1.

2. Para cualquier evento A, .

3. Si A y B son eventos mutuamente excluyentes,
entonces . Mas general, si
son eventos mutuamente excluyentes,
entonces




0 ( ) 1 P A s s
( ) ( ) ( ) P A B P A P B = +
1 2
, ,..... A A
1 2 1 2
( ....) ( ) ( ) ... P A A P A P A = + +
24
Unas Pocas Cosas Importantes
Para cualquier evento A,
P(A
C
) = 1 P(A).

Sea denota el vacio. Entonces
P( ) = 0.

Si A es un evento, y A = {O
1,
O
2, ,
O
n
}, entonces
P(A) = P(O
1
) + P(O
2
) +.+ P(O
n
).

Una Regla Mas (cuando A y B no son mutuamente
excluyentes):


C
C
( ) ( ) ( ) ( ) P A B P A P B P A B = +
25
Ejemplo 5
El objetivo en una prueba de tiro consiste en dar en el
blanco rodeado con dos aros concentricos alrededor de
este. Un proyectil es tirado al objetivo. La probabilidad
de que caiga en el blanco es 0.10, la probabilidad de que
caiga en el anillo interno es 0.25, y la probabilidad de
que caiga en el anillo externo es 0.45.

1. Cual es la probabilidad de que el proyectil caiga en el
objetivo?

2. Cual es la probabilidad de que falle?
26
Prueba de tiro al blanco

27
Ejemplo 5
1. Cual es la probabilidad de que el proyectil
caiga en el objetivo?
P(O) = P(BL) + P(AI) + P(AE).
P(O) = 0.1 + 0.25 + 0.45 = 0.8

2. Cual es la probabilidad de que falle?
P(NO) = 1 P(O)
P(NO) = 1 0.8 = 0.2
28
Ejemplo 6
En un proceso que hace latas de aluminio, la
probabilidad de que las latas tengan un defecto por el
lado es 0.02, la probabilidad de que las latas tengan un
defecto por la parte superior es 0.03, y la probabilidad
de que las latas tengan estos dos defectos es 0.01.

1. Si escojo una lata al azar, que probabilidad tengo de
que salga con un defecto?

2. Cual es la probabilidad de que no tengan defectos?
29
Ejemplo 6
P(DL) = 0.02
P(DT) = 0.03
P(DLT) = 0.01 Y

1. P(DL o DT) = P(DL) + P(DT) - P(DL y DT).
P(D) = 0.02 + 0.03 0.01 = 0.04

2. P(ND) = 1 P(D)
P(ND) = 1 0.04 = 0.96

30
EJEMPLO 7
Un troquel de extrusion se utiliza para producir varillas de
aluminio. Existen ciertas especificaciones para la longitud y el
diametro de las varillas. En una poblacion de 1000 varillas.

Cual es la probabilidad que la varilla sea muy corta
Cual es la probabilidad que la varilla sea muy corta o muy
gruesa
Cual es la probabilidad que la varilla sea bien de diametro y
muy corta
Cual es la probabilidad que la varilla no sea muy corta
Cual es la probabilidad que la varilla no sea muy delgada
31

32
DIAMETRO
LONGITUD Muy delgado Bien Muy grueso
Muy corta 10 3 5
Bien 38 900 4
Muy larga 2 25 13
TOTAL 50 928 22
33
Seccion 2.2: Mtodos de Conteo
El Principio Fundamental del Conteo:

Asuma que k operaciones van a ser
realizadas. Si hay n
1
formas de
realizar la primera operacin, y si por
cada una de estas hay n
2
formas de
realizar la segunda operacion,..
n
3.

entonces el nmero total de formas
para realizar la secuencia de las k
operaciones es n
1
n
2
n
k
.

N
T
= n
1*
n
2
n
k
.
34
Ejemplo 7
Cuando se compra un cierto tipo de computador,
hay 3 opciones de disco duro, 4 opciones para la
cantidad de memoria, 2 opciones de tarjeta de
video, y 3 opciones de monitor. En cuantas
formas el computador puede ser configurado?

N
T
= 3*4*2*3 = 72
Configuraciones de computadores
35
Permutaciones
Una permutacin es el ordenamiento de una
coleccin de objetos. El nmero de
permutaciones de n objetos es n!.

El nmero de permutaciones de k objetos
escogidos de un grupo de n objetos es
n!/(n k)!

Cuando el orden importe, use permutaciones.

36
Ejemplo 8
1. Cinco maquinas se colocan en una linea de
produccion. De cuantas maneras diferentes
pueden ser ordenados?




nPn = n!=5!


1 * 2 * 3 * 4 * 5 = T N
Cinco operarios estan disponibles para
trabajar un sbado en la tarde. Hay tres
estaciones de servicio (torno, fresa,
taladro). De cuantas maneras pueden los
tres operarios ser escogidos y ordenados
en las estaciones?

37
38
Ejemplo 8
2. Cinco operarios estan disponibles para trabajar un sbado en la tarde.
Hay tres estaciones de servicio (torno, fresa, taladro). De cuantas
maneras pueden los tres operarios ser escogidos y ordenados en las
estaciones?







n
P
k
= n! / (n-k)! = 5! / (5-3)!
1 * 2
1 * 2 * 3 * 4 * 5
) 1 * 2 (
) 1 * 2 ( * 3 * 4 * 5
= = T N
39
Combinaciones
Las combinaciones son colecciones de objetos
que no tienen un orden.

El nmero de combinaciones de k objetos
escogidos de un grupo de n objetos es
n!/[(n k)!k!].

40
41
60
1 * 2
1 * 2 * 3 * 4 * 5
) 1 * 2 (
) 1 * 2 ( * 3 * 4 * 5
= = = k nP
6 1 * 2 * 3 = = k kP
n
C
k
= n!/[(n k)!k!]
42
Ejemplo 8
Cinco operarios estan disponibles para trabajar un sbado
en la tarde .
De cuantas maneras pueden tres operarios ser escogidos?



n
C
k
= n!/[(n k)!k!].



5
C
3
= 5!/[(5-3)!3!] = 10
43
Ejemplo 9
1. En un cierto evento, 30 personas asistieron, y 5 seran
escogidas al azar para recibir premios. Los premios son los
mismos, entonces el orden en que las personas sean
escogidas no importa. Cuntos grupos diferentes de cinco
personas pueden ser escogidos?


n
C
k
= n!/[(n k)!k!].


30
C
5
= 30!/[(30 5)!5!] = 142506




44
Seccin 2.3: Probabilidad Condicional
e Independencia
Definicin: Una probabilidad que esta basada en parte
del espacio muestral es llamada una probabilidad
condicional.


Sean A y B eventos con P(B) = 0. La probabilidad
condicional de A dado B es

.

( )
( | )
( )
P A B
P A B
P B

=
45
Volvemos al Ejemplo 6
En un proceso que hace latas de aluminio, la
probabilidad de que las latas tengan un defecto por el
lado es 0.02, la probabilidad de que las latas tengan un
defecto por la parte superior es 0.03, y al probabilidad
de que las latas tengan estos dos defectos es 0.01.

Cual es la probabilidad de que una lata tenga un defecto
por el lado, dado que tenga un defecto en la parte
superior?
46
Volvemos al Ejemplo 6
,

( )
( | )
( )
P A B
P A B
P B

=
P(DL) = 0.02
P(DT) = 0.03
P(DLT) = 0.01 Y

03 . 0
01 . 0
) / ( = DT DL P
02 . 0
01 . 0
) / ( = DL DT P
) ( ) (
A
B
P
B
A
P =
47
Dimensiones de varillas
DIAMETRO
LONGITUD Muy delgado Bien Muy grueso
Muy corta 10 3 5
Bien 38 900 4
Muy larga 2 25 13
TOTAL 50 928 22
48
P(DB/LB)=900/942=0.955
P(DB)=
P(DB/LL)=
49
Independencia
Definicin: Dos eventos A y B son independendientes
si la probabilidad de cada evento permanece igual
si la otra ocurre o no.

Si P(A) = 0 y P(B) = 0, entonces A y B son
independientes si P(B|A) = P(B) o, equivalentemente,
P(A|B) = P(A).
Si alguno P(A) = 0 o P(B) = 0, entonces A y B son
independientes.
50
La Regla de la Multiplicacin
(Hallar P(A B) conociendo P(A|B))
Si A y B son dos eventos y P(B) = 0, entonces
P(A B) = P(B)P(A|B).

Si A y B son dos eventos y P(A) = 0, entonces
P(A B) = P(A)P(B|A).

Si P(A) = 0, y P(B) = 0, y
Si A y B son dos eventos independientes, entonces

P(A B) = P(A)P(B).
51
La Regla de la Multiplicacin Extendida
Si A
1
, A
2
,, A
n
son resultados independientes,
entonces para cada coleccin de A
j1
,, A
jm
de eventos



En particular,


1 2 1 2
( ... ) ( ) ( ) ( )
j j jm j j jm
P A A A P A P A P A = L
1 2 1 2
( ... ) ( ) ( ) ( )
n n
P A A A P A P A P A = L
52
Ejemplo

P( Falla Motor principal)= 0.05
P( Falla Motor auxilar)= 0.1


P( Falla Motores )= 0.1*0.05=0.005

53
Ejemplo 10
De los microprocesadores hechos por un cierto
proceso, 20% son defectuosos. Cinco
microprocesadores son escogidos al azar.
Asuma que funcionan independientemente. Cul
es la probabilidad de que todos funcionen?
54
Ejemplo 10
P(los 5 microprocesadores funcionen) =




= (1-0.2)
5
= 0.328

1 2 1 2
( ... ) ( ) ( ) ( )
n n
P A A A P A P A P A = L
= ) 5 4 3 2 1 ( M M M M M P
= ) 5 ( ) 4 ( ) 3 ( ) 2 ( ) 1 ( M P M P M P M P M P
=
5
) 1 (M P
55
Otro ejemplo
P(componente1 falle) = 0.08
P(componente2 falle) = 0.05

P(sistema funcione) = ?
P(componente1 y componente2 funcionen) =
= (1-0.08)*(1-0.05)= 0.874
56
Ley de la Probabilidad Total


57
Ley de la Probabilidad Total
Ley de la probabilidad total:
Si A
1
,, A
n
son mutuamente excluyentes y
eventos exhaustivos, y B es cualquier evento,
entonces
P(B) =


Equivalentemente si P(A
i
) = 0 para cada A
i
,
P(B) = P(B|A
1
)P(A
1
)++ P(B|A
n
)P(A
n
).



1
( ) ... ( )
n
P A B P A B + +
58
Ejemplo 11
Clientes que adquirieron cierto tipo de carro pueden
ordenar un motor que tiene tres tamaos diferentes.
De todos los carros vendidos, 45% tienen el motor ms
pequeo, 35% tienen el de tamao medio, y 20% tienen
el mas grande.
De los carros con el motor ms pequeo, 10% fallaron
el test de emisin con dos aos de uso, mientras que el
12% de los de motor de tamao medio y el 15% de los
de motor mas grande fallaron.
Si se escoge un carro al azar, cual es la probabilidad de
que falle el test de emision con 2 aos de uso?
59
Solucin
Sea que B denote el evento tal que un carro falle el test
de emisin con dos aos de uso. Sea que A
1
denote el
evento tal que un carro tenga motor pequeo, A
2
denote
el evento tal que un carro tenga motor mediano, and A
3

denote el evento tal que un carro tenga motor grande.
Entonces P(A
1
) = 0.45, P(A
2
) = 0.35, y P(A
3
) = 0.20.
Tambien, P(B|A
1
) = 0.10,
P(B|A
2
) = 0.12, y
P(B|A
3
) = 0.15.

60
Solucin
P(B) = P(B|A
1
)P(A
1
)++ P(B|A
n
)P(A
n
).

P(B)=0.1*0.45 + 0.12*0.35 + 0.15*0.2

P(B) = 0.117
61
Solucin: DIAGRAMA DE ARBOL
62
La Regla de Bayes
(Aplica para determinar causas)
Regla de Bayes: Sean A
1
,, A
n
mutuamente
excluyentes y eventos exhaustivos, con P(A
i
) = 0 para
cada A
i
. Sea B cualquier evento con P(B) = 0.
Entonces

.

1
( | ) ( )
( | )
( | ) ( )
k k
k
n
i i
i
P B A P A
P A B
P B A P A
=
=

63
Ejemplo 12
La proporcin de personas en una comunidad dada que
tienen una enfermedad es 0.005. Hay un estudio
disponible para diagnosticar la enfermedad. Si una
persona tiene la enfermedad, la probabilidad de que el
test produzca una seal positiva es 0.99. Si una persona
no tiene la enfermedad, la probabilidad de que el test de
una seal positiva es 0.01. Si el resultado es positivo,
Cual es la probabilidad de que la persona tenga la
enfermedad?
64 64
Solucin
Si D representa el caso que una persona realmente tiene la
enfermedad, y si + representan el caso que la prueba sale positiva.
Queremos hallar P (D | +).
Sabemos que P (D) = 0,005, P (+ | D) = 0,99 y P (+ | DC) = 0,01.
Usando la regla de Bayes:

. 332 . 0
) 995 . 0 ( 01 . 0 ) 005 . 0 ( 99 . 0
) 005 . 0 ( 99 . 0

) ( ) | ( ) ( ) | (
) ( ) | (
) | (
=
+
=
+ + +
+
= +
C C
D P D P D P D P
D P D P
D P
65
Ejemplo 13
En relacion al problema de los motores contaminantes,
se escoge un registro de un motor que fallo. Cual es la
probabilidad que sea un carro con motor de pequea
cilindrada?.
Entonces P(P) = 0.45, P(M) = 0.35, y P(G) = 0.20.
Tambien, P(B|P) = 0.10,
P(B|M) = 0.12, y P(P|B)
P(B|G) = 0.15.
66
Ejemplo 13


= 0.385

SI P(P) = 0.45, P(M) = 0.35, y
P(G) = 0.20.
Tambien, P(B|P) = 0.10,
P(B|M) = 0.12, y
P(B|G) = 0.15.
2 . 0 * 15 . 0 35 . * 012 45 . 0 * 1 . 0
45 . 0 * 1 . 0
) / (
+ +
= B P P
67
Analisis de Confiabilidad
El sistema funciona solo si ambos funcionan


SI P(A) = 0.98
P(B) = 0.95 .
Tambien, P(A B) = P(A) * P(B)
P(A B) = 0.98*0.95 =0.931
A B
68
Analisis de Confiabilidad
El sistema funciona si C o D funcionan


SI P(C) = 0.90
P(D) = 0.85 .
Tambien, P(C D) = P(C) + P(D) P(C D)
P(C D) = 0.9 + 0.85 0.9*0.85
= 0.985
C
D
69
Analisis de Confiabilidad.
Fabricacion Latas de Aluminio
Taza Lavado Impresin Despaletizado Llenado
P(A)=0.995 P(B)=0.99 P(C)=0.95
P(D)=0.95 P(E)=0.95 P(F)=0.9
P(G)=0.9 P(H)=0.98
A B
E
D
C
G H
F
70
Analisis de Confiabilidad.
Fabricacion Latas de Aluminio
3 * 2 * 1 ) _ 3 , 2 , 1 _ ( ) ( p p p FUNCIONAN SISTEMAS P SF P = =
) _ 2 ( 1 2 ) 2 ( f alla P p P = =
) ( 1 ) 1 ( B A P p P = =
A B
E
D
C
G H
F
) ( 1 ) 2 (
c c c
E D C P P =
71
Analisis de Confiabilidad.
Fabricacion Latas de Aluminio
3 * 2 * 1 ) _ 3 , 2 , 1 _ ( ) ( p p p FUNCIONAN SISTEMAS P SF P = =
A B
E
D
C
G H
F
)) ( ( 3 ) 3 ( H G F P p P = =
72
Analisis de Confiabilidad.
Fabricacion Latas de Aluminio
3 * 2 * 1 ) _ 3 , 2 , 1 _ ( ) ( p p p FUNCIONAN SISTEMAS P SF P = =
985 . 0 ) 1 ( = P
999 . 0 ) 2 ( = P
A B
E
D
C
G H
F
988 . 0 ) 3 ( = P
973 . 0 ) ( = SF P
73 73
Seccin 2.4: Variables aleatorias
Definicin: variable aleatoria es el valor
numrico de cada resultado en un espacio
muestral.

Definicin: Una variable aleatoria es discreta, si
sus posibles valores forman un conjunto
discreto.
74
Ejemplo
3 resistencias de 10 W (9,10,11 W)
3 resistencias de 20 W (19,20,21 W)
Se quiere una resistencia de 30 W uniendo en
serie resistencias de 10 y 20 W
75
Espacio muestral
RESULTADO PROBABILIDAD
(9,19) 1/9
(9,20) 1/9
(9,21) 1/9
(10,19) 1/9
(10,20) 1/9
(10,21) 1/9
(11,19) 1/9
(11,20) 1/9
(11,21) 1/9
76
Espacio muestral y probabilidades

RESULTADO X (Var. Aleatoria) PROBABILIDAD
(9,19) 28 1/9
(9,20) 29 1/9
(9,21) 30 1/9
(10,19) 29 1/9
(10,20) 30 1/9
(10,21) 31 1/9
(11,19) 30 1/9
(11,20) 31 1/9
(11,21) 32 1/9
77
Distribucion de Probabilidad

X P(X=x)
28 1/9
29 2/9
30 3/9
31 2/9
32 1/9
78 78
Ejemplo 13
El nmero de defectos en una 1pulgada de longitud de
cable de cobre fabricado por un cierto proceso vara de
punta a punta. En general, el 48% de los cables se han
producido sin fallas, el 39% tiene un defecto, el 12% tiene
dos defectos, y el 1% tiene tres defectos. Sea X el nmero
de defectos en una pieza seleccionada al azar de alambre.

79 79
Ejemplo 13
Entonces, P (X = 0) = 0.48,
P (X = 1) = 0.39,
P (X = 2) = 0,12 y
P (X = 3) = 0.01.

La lista de posibles valores 0, 1, 2 y 3, junto con las
probabilidades de cada uno, proporcionar una descripcin
completa de la poblacin a la que pertenece X.

P (x) = 0 para cualquier valor diferente de 0,1,2,3
80 80
Distribucion de Probabilidad
La descripcin de los posibles valores de X y
las probabilidades de que cada uno tiene un
nombre: distribucin de probabilidad.

Definicin: La distribucion de probabilidad de
una variable aleatoria discreta es la funcin
p (x) = P (X = x).
81 81
Distribucion de Probabilidad
82 82
Funcin de distribucin acumulada
La distribucin de probabilidad especifica la
probabilidad de que una variable aleatoria sea igual a
un valor dado.
La funcin de distribucin acumulativa (FDA)
especifica la probabilidad de que una variable
aleatoria sea inferior o igual a un valor dado.
La funcin de distribucin acumulada de la variable
aleatoria X es la funcin F (x) = P (X x).
83 83
Ms de una variable aleatoria discreta
Sea X una variable aleatoria discreta. Entonces
la funcin de probabilidad de X es la funcin
p (x) = P (X = x).

La funcin de distribucin acumulada de X es la
funcin F (x) = P (X x).
.




84 84
Ejemplo 14
Recordemos el ejemplo del nmero de defectos en una
pieza elegida al azar de alambre. FPD es

P (X = 0) = 0.48,
P (X = 1) = 0.39,
P (X = 2) = 0,12 y
P (X = 3) = 0.01.
85 85
Ejemplo 14
Para cualquier valor x, calculamos F (x) mediante la
suma de las probabilidades de todos los posibles valores
de x que son menores o iguales a x.

F(0) = P(X 0) = 0.48
F(1) = P(X 1) = 0.48 + 0.39 = 0.87
F(2) = P(X 2) = 0.48 + 0.39 + 0.12 = 0.99
F(3) = P(X 3) = 0.48 + 0.39 + 0.12 + 0.01 = 1

Para cualquier valor x, calculamos F (x) mediante la suma de las
probabilidades de todos los posibles valores de x que son menores
o iguales a x.
86 86
Variables aleatorias continuas
87 87
Variables aleatorias continuas
Una variable aleatoria es continua si sus
probabilidades estn dadas por las reas bajo la curva.
La curva se llama una funcin de densidad de
probabilidad (pdf) para la variable aleatoria. A veces,
el PDF se llama la distribucin de probabilidad.
La funcin f (x) es la funcin de densidad de
probabilidad de X.
Sea X una variable aleatoria continua con funcin de
densidad de probabilidad f (x). Entonces
( ) 1. f x dx

=
}
88 88
Calculo de probabilidades
Sea X una variable aleatoria continua con
funcin de densidad de probabilidad f (x). Sean a
y b dos nmeros, con a <b. Entonces

Adems,

( ) ( ) ( ) ( ) .
b
a
P a X b P a X b P a X b f x dx s s = s < = < s =
}
( ) ( ) ( )
( ) ( ) ( ) .
a
a
P X a P X a f x dx
P X a P X a f x dx

s = < =
> = > =
}
}
89 89
Ms sobre Variables aleatorias continuas
Sea X una variable aleatoria continua con funcin de
densidad de probabilidad f (x). La funcin de
distribucin acumulada de X es la funcin de



( ) ( ) ( ) .
x
F x P X x f t dt

= s =
}
90 90
Ejemplo 17
Se perfora un orificio en un componente de hoja de
metal, y luego un eje se inserta a travs del agujero. La
holgura del eje es igual a la diferencia entre el diametro
del orificio y el diametro del eje. Defina la variable
aleatoria X como la holgura, en milmetros. La funcin
de densidad de probabilidad de X es



1. Los ccomponentes con holguras mayores de 0,8 mm
deben ser desechados. Qu proporcin de los
componentes se desechan?
2. Encuentre la funcin de distribucin acumulada F (x).

4
1.25(1 ), 0 1
( )
0, otherwise
x x
f x
< <
=

91 91
Ejemplo 17


92 92
Ejemplo 17: probabilidad



4
1.25(1 ), 0 1
( )
0, otherwise
x x
f x
< <
=

=
8 . 0
) ( ) 8 . 0 ( dx x f X P
}

=
8 . 0
4
) 1 ( 25 . 1 ) 8 . 0 ( dx x X P
)
5
5
( 25 . 1 ) 8 . 0 (
x
x X P =
0819 . 0 ) 8 . 0 ( = X P
93 93
Ejemplo 17: probabilidad acumulada









Si x<= 0:
4
1.25(1 ), 0 1
( )
0, otherwise
x x
f x
< <
=

}

=
x
dt t f x F ) ( ) (
0 ) ( = x F
94 94
Ejemplo 17: probabilidad acumulada




Si 0< x<1:
4
1.25(1 ), 0 1
( )
0, otherwise
x x
f x
< <
=

} }
+ =

x
dt t dt x F
0
4
0
) 1 ( 25 . 1 * 0 ) (
)
5
( 25 . 1 ) (
5
x
x x F =
95 95
Ejemplo 17: probabilidad acumulada




Si x>1:
4
1.25(1 ), 0 1
( )
0, otherwise
x x
f x
< <
=

1 ) ( = x F
96 96
Ejemplo 17: media




Si x>1:
4
1.25(1 ), 0 1
( )
0, otherwise
x x
f x
< <
=

}
=
1
0
)) 4 1 ( 25 . 1 ( * dx x x x
( ) .
X
xf x dx

=
}
)
6 2
( 25 . 1
6 2
x x
x =
4167 . 0 = x
97 97
Ejemplo 17: varianza




Si x>1:
4
1.25(1 ), 0 1
( )
0, otherwise
x x
f x
< <
=

2
1
0
4 2 2
) 4167 . 0 ( )) 1 ( 25 . 1 ( * =
}
dx x x x o
2 2
2 2
( ) ( )
( ) .
X X
X
x f x dx
x f x dx
o

=
=
}
}
2
7 3
2
) 4167 . 0 ( )
7 3
( 25 . 1 =
x x
x o
0645 . 0
2
= x o
98 98
Mediano
Sea X una variable aleatoria continua con una
probabilidad
funcin de masa de f (x) y la funcin de distribucin
acumulada
F (x).
La mediana de X es el punto de XM que resuelve la
ecuacin de

( ) ( ) ( ) 0.5.
m
x
m m
F x P X x f x dx

= s = =
}
99 99
Percentiles
Si p es un nmero entre 0 y 100, el percentil de PTH
es el xp punto que resuelve la ecuacin de



La mediana es el percentil 50.
( ) ( ) ( ) /100.
p
x
p p
F x P X x f x dx p

= s = =
}
100 100
Section 2.5:
Funciones lineales de variables
aleatorias

Si X es una variable aleatoria, y A y B son
constantes, entonces
,

,

.




aX b X
a b
+
= +
2 2 2
aX b X
a o o
+
=
aX b X
a o o
+
=
101 101
Ms Funciones lineales
Si X e Y son variables aleatorias, y A y B son
constantes, entonces

Ms en general, si X1, ..., Xn son variables
aleatorias y C1, ..., cn son constantes, entonces la
media de la combinacin lineal C1 X1 + ... + Cn
Xn est dada por
.
aX bY aX bY X Y
a b
+
= + = +
1 1 2 2 1 2
... 1 2
... .
n n n
c X c X c X X X n X
c c c
+ + +
= + + +
102 102
Dos variables aleatorias independientes
Si X e Y son variables aleatorias independientes,
y S y T son conjuntos de nmeros, entonces


Ms en general, si X1, ..., son variables
aleatorias independientes, y S1, ..., Sn son
conjuntos, entonces

.
( and ) ( ) ( ). P X S Y T P X S P Y T e e = e e
1 1 2 2
1 1 2 2
( , , , )
( ) ( ) ( )
n n
n n
P X S X S X S
P X S P X S P X S
e e e
= e e e
K
L
103 103
Variacin de propiedades
Si X1, ..., son variables aleatorias
independientes,
entonces la varianza de la suma X1 + ... + se
da Xn
por
Si X1, ..., son variables aleatorias independientes
y C1, ..., cn son constantes, entonces la
varianza de la
la combinacin lineal C1 X1 + ... + Cn Xn se
da
por

1 2 1 2
2 2 2 2
...
.... .
n n
X X X X X X
o o o o
+ + +
= + + +
1 1 2 2 1 2
2 2 2 2 2 2 2
... 1 2
.... .
n n n
c X c X c X X X n X
c c c o o o o
+ + +
= + + +
104 104
Ms Diferencia Propiedades
Si X e Y son variables aleatorias independientes
con variaciones, entonces la varianza de
la suma X + Y es


La varianza de la diferencia X - Y es
2 2
and
X Y
o o
2 2 2
.
X Y X Y
o o o
+
= +
2 2 2
.
X Y X Y
o o o

= +
105 105
Ejemplo 18
Un pistn se coloca dentro de un cilindro. La
liquidacin es la distancia entre el borde del pistn y la
pared del cilindro y son iguales a la mitad de la
diferencia entre el dimetro del cilindro y el dimetro
del pistn. Supongamos que el dimetro del pistn tiene
una media de 80,85 cm y una desviacin estndar de
0,02 cm. Supongamos que el dimetro del cilindro tiene
una media de 80,95 cm y una desviacin estndar de
0,03 cm. Encuentra el aclaramiento medio. Suponiendo
que el pistn y el cilindro se eligen de forma
independiente, encontrar la desviacin estndar de la
liquidacin.
106 106
Independencia y muestras aleatorias
simples
Definicin: Si X1, ..., Xn es una muestra
aleatoria simple, a continuacin, X1, ...,
Xn pueden ser tratados como variables
aleatorias independientes, todos de la
misma poblacin.
107 107
Propiedades de los
Si X1, ..., Xn es una muestra aleatoria simple de
una
la poblacin con media y la varianza 2,
entonces el
media de la muestra es una variable aleatoria
con


La desviacin estndar es de
X
X
X
=
X
2
2
.
X
n
o
o =
.
X
n
o
o =
108 108
Ejemplo 19
Un proceso que llena de botellas de plstico con
una bebida tiene un volumen de llenado
promedio de 2,013 L y una desviacin estndar
de 0,005 casos L. A contiene 24 botellas.
Suponiendo que las botellas en un caso son una
muestra aleatoria simple de botellas llenas con
este mtodo, busque la media y desviacin
estndar del volumen medio por botella en un
caso.
109 109
Seccin 2.6: Variables aleatorias
distribuidas conjuntamente
Si las variables aleatorias X e Y son conjuntamente
discretas:
La articulacin de la funcin de masa de probabilidad
de X e Y es la funcin de

La articulacin de la funcin de masa de probabilidad
tiene la propiedad de que


donde la suma se extiende a todos los valores posibles
de X e Y.
( , ) ( and ) p x y P X x Y y = = =
( , ) 1
x y
p x y =

110 110
Probabilidad marginal Funciones de Masa
Las funciones de masa marginal de probabilidad de
X e Y se pueden obtener de la funcin conjunta de
probabilidad de la masa de la siguiente manera:



cuando las sumas se toman sobre todos los posibles
valores de Y y X, respectivamente,.

( ) ( ) ( , )
X
y
p x P X x p x y = = =

( ) ( ) ( , )
Y
x
p y P Y y p x y = = =

111
Variables Aleatorias, Continuas y
Conjuntas
Si X y Y son variables aleatorias, continuas y
conjuntas, con funcin de densidad de
probabilidad de unin
f(x,y), and a < b, c < d, entonces


La funcin de densidad de probabilidad de unin
tiene la propiedad de
( and ) ( , ) .
b d
a c
P a X b c Y d f x y dydx s s s s =
} }
( , ) 1. f x y dydx


=
} }
112
Marginalidad de X y Y
Si X y Y son conjuntamente continuas con
funcin de densidad de probabilidad de unin
f(x,y), entonces la probabilidad marginal
de la funcin de densidad de X y Y esta dada,
respectivamente, por

( ) ( , )
X
f x f x y dy

=
}
( ) ( , ) .
Y
f y f x y dx

=
}
113
Ejemplo 20
Asuma que para cierto tipo de lavadora, el
espesor y el diametro del agujero varian de uno a
otro. Sea X tal que denote el espesor en
milimetros y sea Y tal que denote el diametro del
agujero, para una lavadora escogida al azar.
Asuma que la probabilidad de union de densidad
de X y Y est dada por

1
( ), if 1 2 and 4 5
( , )
6
0, otherwise
x y x y
f x y

+ s s s s

114
Preguntas en Ex. 20
1. Hallar la probabilidad tal que la escoger una
lavadora al azar tenga un espesor entre 1.0 y
1.5 mm, y un diametro de agujero entre 4.5 y
5 mm.
2. Hallar la probabilidad marginal de la funcin
de densidad del espesor X de una lavadora.
3. Hallar la probabilidad marginal de la funcin
de densidad del diametro del agujero Y de
una lavadora.
115
Mas de Dos Variables Aleatorias
Si las variables aleatorias X
1
, , X
n
son conjuntamente
discretas, la probabilidad de unin de la funcion de
masa es


Si las variables aleatorias X
1
, , X
n
son conjuntamente
continuas, tienen una probabilidad de unin de funcin
de densidad f(x
1
, x
2
,, x
n
), donde



Para cualquier constante a
1
b
1
, , a
n
b
n
.
1 1 1
( ,..., ) ( ,..., ).
n n n
p x x P X x X x = = =
1
1
1 1 1
1 1
( ,...., )
( ,..., ) ... .
n
n
n n n
b b
n n
a a
P a X b a X b
f x x dx dx
s s s s
=
} }
L
116
Significados de las Funciones de las
Variables Aleatorias
Sea X una variable aleatoria, y sea h(X) una
funcin de X. Entonces:
Si X es discreta con probabilidad de funcin de masa p(x),
entonces le significado de h(X) est dado por

donde la suma es tomada sobre todos los posibles valores
de X.

Si X es continua con probabilidad de funcin de densidad
f(x), el significado de h(x) esta dado por


( )
( ) ( ).
h x
x
h x p x =

( )
( ) ( ) .
h x
h x f x dx

=
}
117
Funciones de Variables Aleatorias de
Unin
Si X y Y son variables aleatorias conjuntamente
distribuidas, y h(X,Y) es uan funcin de X y Y, entonces

Si X y Y son conjuntamente discretas con probabilidad de uinin
de funcion de masa p(x,y),


Donde la suma es tomada sobre todos los valores posibles de
X y Y.

Si X y Y son conjuntamente continuas con probabilidad de unin
de funcin de masa f(x,y),

( , )
( , ) ( , ).
h X Y
x y
h x y p x y =

( , )
( , ) ( , ) .
h X Y
h x y f x y dxdy


=
} }
118
Ejemplo 21
Un motor de combustin interna contiene varios
cilindros en un bloque del mecanismo. Sea X tal
que denote el diametro del cilindro, en
millimetros. Asuma que la probabilidad de
distribucin de X es


Sea que representa el area del lugar a
utilizar. Hallar el significado de A.
10, 80.5 80.6
( )
0, otherwise
x
f x
< <

2
/ 4 A X =
119
Distribuciones Condicionales
Sean X y Y varialbes aleatorias conjuntamente discretas, con
probabilidad de unin de funcin de densidad p(x,y), sea p
X
(x)
tal que denote la probabilidad marginal de funcin de masa de X y sea x
cualqueir nmero para el cual
p
X
(x) > 0.

La probabilidad condicional de la funcin de masa de Y dado X = x es





Notar que para cualquier valor particular de x y y, el valor de
p
Y|X
(y|x) es justo la probabilidad condicional P(Y=y|X=x).


|
( , )
( | ) .
( )
Y X
p x y
p y x
p x
=
120
Distribuciones Condicionales Continuas
Sean X y Y variables aleatorias conjuntamente
continuas, con probabilidad de unin de funcin de
densidad f(x,y). Sea f
X
(x) tal que denote la funcin
marginal de densidad de X y sea x cualqueir nmero
para el cual
f
X
(x) > 0.

La funcin de distribucin de densidad de Y dado
X = x es

|
( , )
( | ) .
( )
Y X
f x y
f y x
f x
=
121 121
Ejemplo 20 cont.
Encuentre la probabilidad de que el dimetro del
agujero es menor o igual a 4,8 mm, dado que el
espesor es de 1,2 mm.
122 122
Espera condicional
La expectativa es otro trmino para decir.
Una esperanza condicional es una expectativa,
o media, calculada usando la funcin de masa
de probabilidad condicional o condicional
funcin de densidad de probabilidad.
La esperanza condicional de Y dado X = x se
denota por E(Y|X = x) or
Y|X
.

123 123
Ejemplo 20 cont.
Encuentra la esperanza condicional de Y dado
que X = 1.2.
124 124
Independencia
Variables aleatorias X1, ..., Xn son independientes,
siempre que:
Si X1, ..., Xn son conjuntamente discretas, la funcin
conjunta de masa de probabilidad es igual al producto de
los marginales:

Si X1, ..., Xn son conjuntamente continua, la funcin
conjunta de densidad de probabilidad es igual al producto
de los marginales:
1
1 1
( ,..., ) ( )... ( ).
n
n X X n
p x x p x p x =
1 1
( ,..., ) ( )... ( ).
n n
f x x f x f x =
125 125
independencia (cont.)
Si X e Y son variables aleatorias independientes,
entonces:

Si X e Y son conjuntamente discretas, y x es un
valor para el que pX (x)> 0, entonces
p
Y|X
(y|x)= p
Y
(y).

Si X e Y son conjuntamente continuas, y x es un
valor para el que FX (x)> 0, entonces

f
Y|X
(y|x)= f
Y
(y).
126 126
Ejemplo 20 cont.
Son X y Y son independientes?
127 127
Covarianza
Sean X e Y variables aleatorias con los medios

X
y
Y
.

La covarianza de X e Y es


Una frmula alternativa es
( )( )
Cov( , ) .
X Y
X Y
X Y

=
Cov( , ) .
XY X Y
X Y =
128 128
Example 22
Un equipo mvil se est moviendo en la regin
delimitada por un eje X, la lnea x = 1, y la recta
y = x. Si (X, Y) indica la posicin del equipo en
un momento dado, la distribucin conjunta de X
e Y se da por


encontrar Cov(X, Y).
8 , ( , )
( , )
0, ( , )
xy x y A
f x y
x y A
e

=

e

129 129
Correlacin
Sea X e Y son variables aleatorias distribuidas
conjuntamente con las desviaciones estndar o
X
y o
Y
.

La correlacin entre X e Y se denota
X,Y
y est dada
por


Para cualquier par de variables aleatorias X y Y;
-1
X,Y
1.
,
Cov( , )
.
X Y
X Y
X Y

o o
=
130 130
Example 22 cont.
encontrar
, X Y

131 131
Covarianza, correlacin y de la
Independencia
Si Cov (X, Y) = X, Y = 0, entonces X e Y se
dice que estn correlacionadas.
Si X e Y son independientes, entonces X e Y
estn correlacionadas.
Es matemticamente posible para X e Y, que
se correlaciona sin ser independiente. Esto rara
vez ocurre en la prctica.
132 132
Covarianza de variables aleatorias
Si X1, ..., Xn son variables aleatorias y C1, ..., cn
son constantes, entonces
1 1 1
... 1
...
n n n
c X c X X n X
c c
+ +
= + +
1 1 1
1
2 2 2 2 2
... 1
1 1
... 2 Cov( , ).
n n n
n n
c X c X X n X i j i j
i j i
c c c c X X o o o

+ +
= = +
= + + +

133 133
Covarianza de variables aleatorias
independientes
Si X1, ..., son variables aleatorias
independientes y C1, ..., cn son constantes,
entonces

en particular,

1 1 1
2 2 2 2 2
... 1
... .
n n n
c X c X X n X
c c o o o
+ +
= + +
1 1
2 2 2
...
... .
n n
X X X X
o o o
+ +
= + +
134 134
Ejemplo 22 cont.
Supongamos que el equipo mvil se desplaza
desde una posicin aleatoria (X, Y)
verticalmente hasta el punto de
(X, 0), y despus a lo largo del eje x al origen.
Encuentre la media y la varianza de la distancia
recorrida.
135 135
Resumen
Probabilidad y normas
Tcnicas de conteo
Probabilidad condicionada
Independencia
Variables aleatorias: discretas y continuas
Funciones de masa de probabilidad
136 136
Resumen Continuacin
Funciones de densidad de probabilidad
Funciones de distribucin acumulada
Medias y varianzas para variables aleatorias
Funciones lineales de variables aleatorias
La media y la varianza de una media de la
muestra
Variables aleatorias distribuidas
conjuntamente