Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CAPITULO – I
1.3.1. Tipo de
b) Evento compuesto: cuando puede
eventos:
expresarse como en la unión de dos o más
eventos simples.
Sea el experimento: lanzar una moneda dos veces. Determinar los siguientes
eventos:
A1: ocurre cara en el primer lanzamiento.
A2: ocurre sello en el segundo lanzamiento
A3: ocurre por lo menos una cara.
A4: ocurre lo mismo en ambos lanzamientos.
Solución:
Ejemplo 1.5: E2: lanzar una moneda dos veces
Diagrama del árbol
C S
C
S
S
Ω Ω
A B A B
Intersección de eventos: A ∩ B
Sean A y B eventos cualesquiera definidos sobre un mismo espacio
muestral, la intersección de estos eventos es el evento que ocurre
si A y B ocurren simultáneamente.
Simbólicamente:
A ∩ B = {w є Ω / w є A Λ w є B}
A∩B
Complemento de un evento: o
A⊂B
A=[2,4,6]
B=[1,3,5]
Eventos Mutuamente excluyentes y eventos colectivamente
exhaustivos
a)Dos eventos A y B definidos en el espacio muestral se dice que
son mutuamente excluyentes si no pueden ocurrir juntos.
A B
A∩B=∅
b)Una colección de eventos A1, A2,...., Ak definido sobre un
mismo espacio muestral. Se dice que son mutuamente
excluyentes si la ocurrencia de uno de ellos excluye la ocurrencia
de los otros, es decir:
∩=∅ ∀ i≠j ; i=1,2,….k
c)Se dice que una colección de evento A1,A2,....,Ak, definido sobre
el mismo espacio muestral son colectivamente exhaustivos si la
unión de ellos es igual al espacio muestral.
∪∪… = =Ω ∀ i ; i=1,2,….k
a)Ley conmutativa
A∪B=B∪A
A∩B=B∩A
b)Ley asociativa
(A∪B)∪C=A∪(B∪C)
Propiedades (A∩B)∩C=A∩(B∩C)
de las c)Ley distributiva
operaciones A∩(B∪C)=(A∩B)∪(A∩C)
A∪(B∩C)=(A∪B)∩(A∪C)
con eventos
d)Complemento del complemento
=A
e) Ω∪A=Ω
∅∪A=A
A∪=Ω
A∪A=A
f) Ω∩A=A
∅∩A=∅
Propiedades
A∩= ∅
de las A∩A=A
operaciones g)Leyes de Morgan
con eventos (AUB=∩
=∪
h) A=(A∩B)∪(A∩)
Regla 1:
Si cualquiera de k eventos mutuamente excluyentes y
colectivamente exhaustivos puede ocurrir en cada uno de los n
ensayos, el número de resultados posibles es:
Técnicas de
Conteo Ejemplo 1- 1
Si una moneda se arroja 10 veces, el número de resultados posibles es:
= 1024; Si un dado se lanza dos veces, el número de resultados
posibles es = 36.
Regla 2
Si hay eventos del primer intento, k2 eventos del segundo intento,...
y eventos del n-ésimo intento, entonces el número de resultados
posibles es:
() () ()... ( )
Técnicas de Ejemplo 1- 2
Conteo Si una placa de un auto tiene 2 letras (sin la ñ) y cuatro dígitos, el
número total de resultados posibles sería entonces: (26)(26)(10)(10)
(10)(10) = 6 760 000.
Si un restaurante tuviera una cena completa con precio fijo que
consistiera en un aperitivo, entrada, bebida y postre, y tuviera la
opción de escoger entre 5 aperitivos, 10 entradas, tres bebidas y 6
postres, el número total de cenas posibles sería: (5) (10) (3) (6) = 900
Regla 3
El número de formas en que n objetos pueden ordenarse es:
n! = n ( n-1) (n-2) ... (1)
Ejemplo 1- 3
Si un conjunto de 6 libros desean colocarse en un estante. ¿De cuántas
formas posibles pueden ordenarse?.
El número de formas posibles en que pueden ordenarse es de 6! = 6 x 5
x 4 x 3 x 2 x 1 = 720 formas
Regla 4
Permutaciones: el número de modos de ordenar m objetos seleccionados
de n objetos es:
P(n;m)=
Ejemplo 1- 4
Supóngase que hay ocho máquinas fotocopiadoras pero sólo tres espacios en el
piso del establecimiento donde se van instalar las máquinas. ¿De cuántas formas
diferentes pueden colocarse las ocho máquinas en los tres espacios disponibles?
8P3 = permutaciones
Regla 5:
Combinaciones: El número de modos de seleccionar m objetos de
n objetos, sin tomar en cuenta el orden, es igual a:
C(n,m)=
Ejemplo 1- 5
Un estudiante tiene 7 libros que desearía acomodar en su maletín. Sin
embargo, sólo caben 4 libros. Sin importar el orden. ¿De cuantas
formas puede escoger los libros que puede llevar en el maletín?
Solución: cuando no importa el orden se utiliza la fórmula:
Formas posibles
PROBABILIDAD
Probabilidad es la posibilidad numérica de la ocurrencia de un
evento.
1. Probabilidad Clásica o Apriori
Llamada también probabilidad priori debido a que es posible
CLASIFICACION conocer el resultado con anterioridad, es decir, sin llevar a cabo el
DE experimento y solo basado en el razonamiento lógico. Se basa en
el supuesto de que cada elemento del espacio muestral tiene la
PROBABILIDAD misma posibilidad de ser elegido.
Existen tres enfoques Se calcula a través de:
para el estudio de la
probabilidad.
Hallar la probabilidad de obtener cara en el lanzamiento de una
moneda.
Solución:
El espacio muestral será:
AXIOMAS DE
PROBABILIDAD c. La probabilidad de la unión de una familia de eventos mutuamente
excluyentes es igual a la suma de las probabilidades de dichos eventos.
De los axiomas de probabilidad resultan los siguientes teoremas.
La probabilidad que una persona ahorre en el Banco de Crédito es 0.5,
la probabilidad de que ahorre en el Banco Continental es 0.4 y la
probabilidad de que ahorre en ambos banco es 0.3. Hallar la
probabilidad de que una persona ahorre en alguno de los bancos.
Solución:
Sean eventos:
A: La persona ahorra en el Banco de Crédito.
P (A)= 0.5
P (B) = 0.4
P (AB)= 0.3
Entonces :
Si los eventos A, B y C son independientes, entonces:
En la Universidad de Lima se publican tres revistas: A, B y C. El 30% de los
estudiantes lee A, el 20% lee B, el 15% lee C, el 12% lee A y B, el 9% A y C,
el 6% B y C finalmente 3% lee A, B y C. Se pide calcular el porcentaje de
estudiantes que lee al menos una de las revistas:
Solución:
P(Ai)
TABLA N° 03 . . . . ….. . .
. . . . ….. . .
. . . . ….. . .
La siguiente tabla N°
4| muestra la Masculino (M) 120 150 30 300
Solución:
Construyendo la tabla de probabilidades obtenemos los siguientes resultados .
TABLA N° 05
Tabla de probabilidades de los trabajadores por categoría
laboral según sexo
CATEGORIA LABORAL
P(O) P(E) P(FU)
Sexo Total
Entonces:
a) P(O) = 0.34
b)
c)
d)
Es un método que nos permite calcular la probabilidad de que un evento
que ya ocurrió sea resultante de alguna causa. Para entender el Teorema
de Bayes debemos estudiar.
Partición de un Espacio Muestral: Se denomina partición del espacio
muestral Ω a una colección de k evento A1, A2,…, AK que sean
mutuamente excluyente y cuya unión es el espacio muestral, es decir,
tales que verifican las siguientes condiciones:
BAYES b) Ai Aj =
Esquemáticamente:
A1 A2 … Ak
Partición de Ω
1.11.2. Probabilidad Total: Si k eventos A1, A2,…Ak, constituyen una
=P(=0.34
Esquemáticamente:
B
…
…
A1 A2 Ai Ak
El
Teorema de Bayes nos permite comparar la probabilidad previa (o a
priori) P (Ai) con la probabilidad posterior (o a posteriori) P (Ai/B). Esto es,
P (Ai/B) es la probabilidad de Ai corregida o modificada por la ocurrencia
del evento B.
Ejemplo :
Ejemplo:
Un ensamblador de computadoras usa partes que provienen de tres proveedores A1,
A2, A3. De 2000 partes recibidas 1000 provienen de A1, 600 de A2 y el resto de A3. De
expresiones pasadas el ensamblador sabe que las partes defectuosas que provienen
de A1, A2, A3 son respectivamente 3%, 4%, y 5%. Si se elige una computadora al azar:
a) ¿Cuál es la probabilidad de que contenga una parte defectuosa?
b) Y si contiene una parte defectuosa, ¿Cuál es la probabilidad de que hayas sido
proveído por A2?
Solución:
y
Esquemáticamente:
0.03
A1 B
0.5
0.3
A2 0.04 B
0.2
A3 0.05 B
b) Aplicando el Teorema de Bayes se obtiene: