Universidad Nacional Mayor de San Marcos

(Decana de América)

Facultad de Química e Ingeniería Química

Escuela Profesional de Química
Departamento Académico de Análisis y Diseño de Procesos

Estadística Aplicada a la Ingeniería

Ing. CIP Jorge Finite

Luis Cárdenas
Copyright 2011 by John Wiley &Ruiz
Mathematics: An Applied Approach by Michael Sullivan
Sons. All rights reserved.
Probabilidades
 2 Experimentos,
Experimentos,
resultados,
resultados, eventos
eventos
 Definiciones
• Experimento: proceso de medición o de
observación en un laboratorio, en una fábrica,
en la calle, en la naturaleza, o en donde sea.

• Ensayo: comportamiento simple de un

experimento. Da un resultado o un punto
muestral. n pruebas luego dan una muestra
de tamaño n que consiste de n puntos
muestrales
• Espacio muestral (S) de un experimento:
conjunto de todos los posibles resultados.
 Experimentos aleatorios. Espacios muestrales
(1) Inspeccionando un foco. S ={Defectuoso, No defectuoso}.
(2) Lanzamiento de un dado. S ={1, 2, 3, 4, 5, 6}.
(3) Midiendo la resistencia a la tensión de un alambre. S los números en
algún intervalo.
(4) Medición del contenido de cobre en bronce. S: 50% hasta 90%, por
decir.
(5) Contando los accidentes diarios de tráfico en Lima. S los enteros en
un intervalo.
(6) Preguntando la opinión acerca de un nuevo modelo de auto. S ={Me
gusta, No me gusta, Indeciso}.

Los subconjuntos de S se denominan eventos y los resultados eventos

elementales.

En (2), los eventos son A ={1,3,5} (“Número impar”), B ={2,4,6}

(“Número par”), C = {5,6}, etc. Son eventos elementales {1}, {2},…,
{6}.
 En el lanzamiento de monedas, la cantidad de resultados posibles
también se determina por el principio multiplicativo:
1 moneda 2 posibilidades

E = {c, s}
2 monedas 2·2 = 4 posibilidades

E = {(c,c), (c,s), (s,c), (s,s)}.

3 monedas 2·2·2 = 8 posibilidades

E = {(c,c,c), (c,c,s), (c,s,c), (c,s,s), (s,c,c), (s,c,s),

(s,s,c), (s,s,s)}
n monedas 2·2·2·2···2= 2n posibilidades

Cuando un objeto puede caer de a maneras y se lanzan n de esos objetos, el

Espacio Muestral tiene #E= a n elementos.

Ejemplo:
Al lanzar tres dados de seis caras, el Espacio Muestral tiene 6 3 = 216 elementos
Definición empírica
Uniones, intersecciones, complementos de eventos

En conexión con las leyes básicas de probabilidad

necesitaremos los siguientes conceptos y hechos acerca de los
eventos (subconjuntos) A, B, C, … de un espacio muestral S
dado.
La unión AB de A y B consiste de todos los puntos en A o B o
ambos.
La intersección A  B de A y B consiste de todos los puntos
que están tanto en A como en B.
Si A y B no tienen puntos en común, escribiremos
AB=
Donde  es el conjunto vacío (conjunto sin elementos) y
llamamos A y B mutuamente excluyentes (o disjuntos) porque,
en un ensayo, la ocurrencia de A excluye aquel de B (y a la
inversa) – si su dado da un número par, no puede dar un número
impar en el mismo ensayo. Similarmente, una moneda no puede
dar sello y cara al mismo tiempo.
Definición axiomática de probabilidad
Definición clásica de probabilidad

P(A) =
 

f rel(A) = =
Probabilidad condicional
Regla de adición para eventos mutuamente excluyentes

• Para eventos mutuamente excluyentes A1, …, Am en un espacio muestral S.

Regla de adición para eventos arbitrarios

• Para eventos A y B en un espacio muestral S.
Probabilidad condicional. Eventos independientes

Regla de multiplicación
• Si A y B son eventos en un espacio
muestral S y P(A)  0 y P(B)  0, luego
 Eventos independientes
• Si Ay B son tales que

Son eventos independientes.

El complemento Ac de A. Es el conjunto de todos los puntos de S que no
están en A. Así
AAc = , A  Ac = S.
En el ejemplo del dado tenemos que Ac = B, de aquí que
A  Ac = {1, 2, 3, 4, 5, 6} = S
Uniones e intersecciones de más eventos se definen similarmente. La
unión

de eventos A1,…, Am consiste de todos los puntos que están en al menos

uno de Aj. Similarmente, para la unión A1A2 … de infinitamente
unos subconjuntos A1, A2,… de un espacio muestral infinito S (esto es, S
consiste de infinitamente muchos puntos). La intersección

  eventos A1,…, Am consiste de los puntos de S que están en cada uno

de
de estos eventos. Similarmente, para la intersección A1A2… de
infinitamente unos subconjuntos de S
Puede ilustrarse y facilitarse el trabajo con
eventos mediante el uso de los diagramas de
Venn para mostrar uniones, intersecciones y
complementos.
Unión A  B
Intersección A  B
Diagrama de Venn para el experimento de lanzar un dado, mostrando S,
Uniones e intersecciones de tres eventos
En el lanzamiento de un dado, considere los eventos
A: Número mayor que tres,
B: Número menor que seis,
C: Número par.
Luego:
AB = {4,5},
BC = {2,4},
CA = {4,6},
ABC = {4}.
¿Puede dibujar un diagrama de Venn de esto?
Además, AB = S, de aquí que ABC= S (¿Por
qué?).
33 Probabilidad
Probabilidad
 Primera definición de probabilidad
Si el espacio muestral S de un experimento consiste
de algunos resultados finitos (puntos) que son
igualmente probables, entonces la probabilidad P(A)
de un evento A es
Número de puntos en A
Número de puntos en S

De esta definición se deduce inmediatamente que, en

particular,
Dado legal
En el lanzamiento de un dado legal, ¿cuál es la probabilidad P(A) de A
de obtener un 5 o 6? La probabilidad de B: “Número par”?
Solución. Los seis resultados son igualmente probables, tal que cada
uno tiene probabilidad 1/6.

S ={1, 2, 3, 4, 5, 6}
A = {5,6}

Así P(A) = 1/6 + 1/6 = 2/6 = 1/3

porque A = {5,6} tiene dos puntos (eventos mutuamente excluyentes).

B = {2, 4, 6}

P(B) = 1/6 + 1/6 + 1/6 = 3/6 = 1/2

Lanzamiento de una moneda
Cinco monedas se lanzan simultáneamente. Encuentre la probabilidad
del evento A: Al menos una cara queda hacia arriba. Asuma que las
monedas son legales.
Solución. Ya que cada moneda puede dar cara o sello, el espacio
muestral consiste de 25 = 32 resultados. Ya que las monedas son
legales, podemos asignar la misma probabilidad (1/32) a cada
resultado. Luego el evento Ac (Ninguna cara queda hacia arriba)
consiste de un resultado. De aquí que P(Ac) =1/32, y la respuesta es
P(A) = 1 - P(Ac) = 31/32
S = {(c, c, c, c, c), (s, c, c, c, c), (c, s, c, c, c), (c, c, s, c, c), (c, c, c, s, c),
(c, c, c, c, s), (s, s, c, c, c), (s, c, s, c, c), (s, c, c, s, c), (s, c, c, s, c),
(s, c, c, c, s), (c, s, s, c, c), (c, s, c, s, c), (c, s, c, c, s), (c, c, s, s, c),
(c, c, s, c, s), (c, c, c, s, s), (c, c, c, c, c), (c, c, c, c, c), (c, c, c, c, c),
(c, s, s, s, c), (s, s, s, c, c), (s, s, c, c, s), (s, c, s, c, s), (c, s, s, c, s),
(c, c, s, s, s), (c, s, s, s, s), (s, c, s, s, s), (s, s, c, s, s), (s, s, s, c, s),
(s, s, s, s, c), (s, s, s, s, s)}
Eventos mutuamente excluyentes

Si la probabilidad que en un día laboral una cochera conseguirá atender

10-20, 21-30, 31-40, más de 40 autos es 0,20; 0,35; 0,25, 0,12;
respectivamente, ¿cuál es la probabilidad de que en un día laboral dado
la cochera consiga atender al menos 21 autos?
Solución.
A = {la cochera atiende entre 10 - 20 autos}; P(A) = 0,20
B = {la cochera atiende entre 21 - 30 autos}; P(B) = 0,35
C = {la cochera atiende entre 31 - 40 autos}; P(C) = 0,25
D = {la cochera atiende más de 40 autos}; P(D) = 0,12

A, B, C, D eventos mutuamente excluyentes

BCD = {la cochera atiende al menos 21 autos}

P(BCD) = P(B) + P(C) + P(D) = 0,35 + 0,25+ 0,12 = 0,72

Regla de adición para eventos arbitrarios

Para eventos A y B en un espacio muestral,

Unión de eventos arbitrarios

En el lanzamiento de un dado legal, ¿cuál es la probabilidad de

conseguir un número impar o un número menor que 4?
Solución.
A = {número impar} = {1, 3, 5}
P(A) = 1/6 + 1/6 + 1/6 = 3/6

B = {número menor que 4} = {1, 2, 3}

P(B) = 1/6 + 1/6 + 1/6 = 3/6

AB ={número impar y menor que 4} = {1,3}

P(AB) = 1/6 + 1/6 = 2/6

A B = {número impar o menor que 4}

P(AB) = P(A) + P(B) – P(AB) = 3/6 + 3/6 - 2/6 = 2/3
Regla de multiplicación
En la producción de tornillos, sea el evento A que significa
“tornillo demasiado delgado” y el evento B “tronillo
demasiado corto”. Sea P(A) = 0,1 y sea la probabilidad
condicional que un tornillo delgado es también demasiado
corto sea P(B/A) = 0,2. ¿Cuál es la probabilidad de que un
tornillo que escogemos aleatoriamente de un lote producido
será tanto demasiado delgado y demasiado corto?

P(B/A) = P(AB)/P(A)

P(AB) = P(A) P(B/A)

= 0,1*0,2
= 0,02 (= 2%)
Eventos independientes. Si los eventos A y B son tales que

Estos se denominan eventos independientes. Asumiendo

P(A)  0, P(B)  0, vemos que de (11) - (13) se encuentra en
este caso

Esto significa que la probabilidad de A no depende de la

ocurrencia o no ocurrencia de B y a la inversa. Esto justifica
el término “independiente”.
Muestreo. Nuestro siguiente ejemplo tiene que ver
con objetos extraídos aleatoriamente, uno a la vez,
de un conjunto dado de objetos. Esto se denomina
muestreo de una población, y hay dos formas de
muestreo, como se indica a continuación.
1. En el muestreo con reemplazo o con
reposición, el objeto que fue extraído al azar se
regresa a la muestra dada y la muestra se mezcla
totalmente. Luego extraemos el siguiente objeto
al azar.
2. En el muestreo sin reemplazo o sin reposición
el objeto que se extrae se pone a un lado.
 Muestreo con y sin reemplazo
Una caja contiene diez tornillos, tres de los cuales
son defectuosos. Dos tornillos se extraen a lazar.
Encuentre la probabilidad de que ninguno de los dos
tornillos es defectuoso.
Solución. Consideramos los eventos
A: el primer tornillo extraído no es defectuoso
B: el segundo tornillo extraído no es defectuoso
Claramente, P(A) = 7/10, 10 tornillos, 3 tornillos
defectuosos, 7 no defectuosos y muestreamos al
azar, tal que cada tornillo tiene la misma
probabilidad (1/10) de ser escogido.
Si el muestreo es con reemplazo, la situación antes de la segunda
extracción es la misma como al inicio y P(B) = 7/10 (no ha
cambiado el número total de tronillos, ni el número de tronillos
defectuosos). Los eventos son independientes y la respuesta es.

P(AB) = P(A) P(B) = 0,7*0,7 = 0,49 (= 49%)

Si muestreamos sin reemplazo, entonces P(A) = 7/10, como

antes. Si A ha ocurrido, entonces hay nueve tornillos dejados en
la caja, tres de los cuales son defectuosos (el primer tornillo no
es defectuoso). Así P(B/A) = 6/9 = 2/3 y el teorema 4 da la
respuesta

P(AB) = P(A) P(B/A) = (7/10)*(2/3) = 0,47 ( = 47%)

¿Es intuitivamente claro que este valor debe ser más pequeño
que el anterior?
44 Permutaciones
Permutaciones yy
combinaciones
combinaciones
 Permutaciones
(a) Cosas diferentes. El número de permutaciones de n diferentes
cosas tomadas todas a la vez es

(léase “factorial de n”).

(b) Clases de cosas iguales. Si n cosas dadas pueden dividirse en c

clases de cosas iguales que difieren de clase a clase, luego el número
de permutaciones de estas cosas tomadas todas a la vez es

En donde nj es el número de cosas en la clase j-ésima

 Ilustración del teorema 1(b)
Si una caja contiene 6 bolas rojas y 4 bolas azules, la
probabilidad de extraer primero las bolas rojas y luego las
bolas azules es
Número de bolas rojas = 6
Número de bolas azules = 4
Número de bolas totales = 10
P = 6! 4!/10!
= 6! 4!/(10*9*8*7*6!)
= 24/(5040)
 0,0048
 0,5%
Una permutación de n cosas tomadas k a la vez es una
permutación que contiene solamente k de las n cosas
dadas. Dos de tales permutaciones consisten de los mismo
k elementos, en un diferente orden, son diferentes, por
definición. Por ejemplo, hay 6 diferentes permutaciones de
las tres letras a, b, c, tomados dos letras a la vez, ab, ac,
bc, ba, ca, cb.
Una permutación de n cosas tomadas k a la vez con
repeticiones es un arreglo obtenido poniendo una cosa
dada en la primera posición, alguna cosas dadas,
incluyendo una repetición de uno usado justamente, en el
segundo, y que continúa hasta k posiciones son llenados.
Por ejemplo, hay 32 = 9 diferentes de tales permutaciones
de a, b, c tomados 2 letras a una vez, es decir, las 6
permutaciones y aa, bb, cc.
 Permutaciones
El número de diferentes permutaciones de n cosas diferentes tomados
k en un tiempo sin repeticiones es

Y con repeticiones es
 Ilustración del teorema 2
En un mensaje encriptado las letra e ordenan en
grupos de cinco letras, llamadas palabras. De (3b)
vemos que el número de diferentes de tales palabras
es

265 = 11 881 376

De (3a) se concluye que el número de diferentes de

tales palabras que contiene cada letra no más de una
vez es

26!/(26 - 5)! = 26!/21! = 26 * 25 * 24 * 23* 22 = 7 893 600

 Combinaciones
El número de diferentes combinaciones de n cosa diferentes tomados,
k a la vez, sin repetición es

Y el número de aquellas combinaciones con repeticiones es

 Ilustración del teorema 3

El número de muestras de 5 focos que pueden seleccionarse de un lote

de 500 focos es
 El teorema de Bayes
Supongamos que sobre el espacio muestral S tenemos una partición
Ai, con i = 1, ..., n.
Esto significa que cualquier resultado de S necesariamente debe
estar en uno y solo uno de los eventos Ai
Por ejemplo, piense en todos los pacientes hospitalizados en una
determinada ciudad, y la ciudad tiene cuatro hospitales, digamos los
hospitales 1, 2, 3 y 4. De modo que el conjunto de pacientes
hospitalizados va a estar en uno y solo uno de esos cuatro hospitales.
Si definimos los sucesos Ai como el conjunto de pacientes
hospitalizados en el i-ésimo hospital, con i = 1, 2, 3, 4. Entonces los
sucesos A1, A2, A3 y A4 constituyen una partición sobre el conjunto
de todos los pacientes hospitalizados, que llamaremos S.
De otra forma, si seleccionamos al azar un paciente hospitalizado,
entonces el paciente que elegiremos pertenecerá a uno y solo uno de
los Ai.
Consideremos un suceso B, que indica una
determinada propiedad de los pacientes, por ejemplo
B puede ser el suceso de que el paciente
seleccionado al azar tenga un diagnóstico grave.

A1 Pr( B  A1 )

Pr( B  A2 )
A2
w B
A3 Pr( B  A3 ) n
. Pr( B)   Pr( B  Ai )
. i 1

Resultado de An Pr( B  An )
la selección
En función de las probabilidades
condicionales, nos queda

A1
Pr( A1 ) Pr( B / A 1)
A2
Pr( B / A 2 )
Pr( A2 ) B
Pr( A3 )
A3 Pr( B / A 3)
n
.
Pr( B)   Pr( B / Ai ) Pr( Ai )
. i 1

.
Pr( A n ) Pr( B / A n )

An
 A1 Pr( B / A 1)
Pr( A1 )

A2 Pr( B / A 2 )
Pr( A2 )
Pr( B / A 3) B
Pr( A3 ) A3
n
.
Pr( B )   Pr( B / Ai ) Pr( Ai )
. i 1
Pr( B / A n )
Pr( A n ) .

An

Este cálculo es para medir la incertidumbre de la ocurrencia

del evento B.

Medición del futuro, representado por el evento B

 A1 Pr( B / A 1)
Pr( A1 )

A2 Pr( B / A 2 )
Pr( A2 )
w Pr( B / A 3) B
Pr( A3 ) A3
.
.
Pr( B / A n )
Supongamos ahora que B
Pr( A n ) . ocurre.

An ¿Cuál de los sucesos Aj ha

ocurrido?

De otra forma, ¿cuál es el valor de Pr( A j / B) con j =

1, ...n?
 A1 Pr( B / A 1)
Pr( A1 )

A2 Pr( B / A 2 )
Pr( A2 )
w Pr( B / A 3) B
Pr( A3 ) A3
.
.
Pr( Aj  B ) Pr( B / A j )  Pr( A j )
Pr( B / A n )
Pr( A j / B )  
Pr( A n ) . Pr( B ) Pr( B)

Pr( B / A j )  Pr( A j )
An Pr( A j / B)  n

 P( B / A )  Pr( A )
i 1
i i

Medición del pasado, representado por el evento Aj

Las aplicaciones del teorema de Teorema de Bayes son
infinitas, y no exentas de grandes polémicas. El problema
radica es que al decir “B ha ocurrido” se puede pensar que
es un hecho determinístico, y por lo tanto no tiene objeto
calcular la probabilidad Pr(B), es decir si B ha ocurrido
entonces Pr(B) = 1. No obstante, el problema cambia
radicalmente si uno expresa “si B ocurre”, y esta es la
interpretación correcta. Por otro lado, las probabilidades
asociadas a los eventos Ai son de tipo a priori, y que a
veces de manera arbitraria deben asignarse puesto que no
se tiene información sobre el “pasado”, y que se espera que
van a ser “mejoradas” con la información que puede
entregar el suceso B, de hecho las probabilidades Pr(Ai / B)
son llamadas a posteriori.