Fase 3 Fundamentos de la probabilidad

Trabajo Individual

Probabilidad 551113_10

Elaborado por:

Luz Adriana Rojas Trujillo código 36289674

Arleth Cordero código

José Carlos Borja código

Ginna Marcela Montano código

José Buelvas Rodríguez código

Presentado a:

María Camila Gonzales

Universidad Nacional Abierta y a Distancia UNAD

Escuela de Ciencias de la Educación

Licenciatura en matemáticas

Pitalito Huila

18 - Octubre – 2018
 Parte A (Simulador)

Ingresar al enlace que se encuentra en el Entorno de Conocimiento Virtual Laboratories in

Probability and Statistics. http://www.math.uah.edu/stat/index.html en el Capítulo 1: Probability

Spaces encontrará los temas Básicos (Basic Topics).

José Carlos Borja

1. Experimento aleatorio

Definición

La teoría de la probabilidad se ocupa de las medidas de creencia acerca de lo que sucederá

cuando se ejecute un experimento. El cual resulta ser de forma aleatoria, sin poder predecir con

certeza, son unas creencias sobre lo que puede llegar a pasar. Muchos modelos de probabilidad de

experimentos aleatorios tienen uno o más parámetros que pueden ajustarse para adaptarse al

experimento físico que se está modelando.

La probabilidad es un modelo matemático especificado de un experimento aleatorio realizando

varios cálculos que ayuden a entender el experimento.

Ejemplo y aplicaciones

La teoría de la probabilidad a menudo se ilustra utilizando dispositivos simples de juegos de azar:

1. Monedas

La moneda al tener dos lados, tiene la probabilidad de 50% para cada resultado, cada lado tiene la

misma posibilidad del resultado esperado. Esta es una forma aleatoria, que solo se conoce el

resultado cuando se ejecuta el experimento.

 2. Dados

Los dados más comunes tienen seis lados, lo que da un resultado con seis opciones posibles al

lanzar los dados, se ejecuta de forma aleatoria el resultado, que se va a conocer hasta realizar

experimento.

3. La lotería

La lotería funciona de forma aleatoria, con muchos resultados posibles. En la se debe esperar a

ejecutar para tener uno de todos los posibles resultados.

Lo nos dice que la probabilidad se ejecuta a través de un experimento aleatorio, para obtener el

resultado.
Luz Adriana Rojas Trujillo

2. Espacios de muestra y eventos

Definición
El espacio de muestra de un experimento aleatorio es un conjunto \(𝑆\) que incluye todos los

resultados posibles del experimento. S que incluye todos los resultados posibles del experimento.

El espacio de muestra desempeña el papel del conjunto universal al modelar el experimento. Para

experimentos simples, el espacio muestral puede ser precisamente el conjunto de resultados

posibles. Más a menudo, para experimentos complejos, el espacio muestral es un conjunto

matemáticamente conveniente que incluye los posibles resultados y quizás también otros

elementos. Woolfson, M. (2012).

Por ejemplo, si el experimento consiste en lanzar un dado estándar y registrar el resultado, el

espacio muestral es (𝑆 = {1,2,3,4,5,6\} \) el conjunto de resultados posibles. Por otro lado, si

el experimento es capturar una cigarra y medir su peso corporal (en miligramos), podríamos

tomar el espacio de muestra como \(𝑆 = [0,\𝑖𝑛𝑓𝑡𝑦\), aunque la mayoría de los elementos de

este conjunto es prácticamente imposible ¡esperamos!). Woolfson, M. (2012).

𝑆 = [0, ∞)𝑆 = {1,2,3,4,5,6}, el conjunto de resultados posibles. Por otro lado, si el experimento

es capturar una cigarra y medir su peso corporal (en miligramos), podríamos tomar el espacio de

la muestra cómo, aunque la mayoría de los elementos de este conjunto son prácticamente

imposible (¡esperamos!). 𝑆 = [0, ∞). Woolfson, M. (2012).

A menudo, el resultado de un experimento aleatorio consiste en una o más mediciones reales y,

por lo tanto, el espacio muestral consta de todas las posibles secuencias de medición. Por lo tanto,
en muchos casos, el espacio muestral de un experimento aleatorio es un subconjunto de para

algunos. ℝ𝑛 ∈ ℕ+ Woolfson, M. (2012).

Si tenemos experimentos con espacios muéstrales , entonces el producto cartesiano es el espacio

muestral natural para el experimento compuesto que consiste en realizar los experimentos en

secuencia . En particular, si tenemos un experimento básico con el espacio de muestra,

entonces es el espacio de muestra natural para el experimento compuesto que consiste

en repeticiones del experimento básico. De manera similar, si tenemos una secuencia infinita de

experimentos con espacios muéstrales entonces 𝑛𝑆1, 𝑆2 , … , 𝑆𝑛𝑆1 × 𝑆2 × … ×

𝑆𝑛𝑛𝑆𝑆𝑛𝑛(𝑆1, 𝑆2 , … )𝑆1 × 𝑆2 × … es el espacio de muestra natural para el experimento compuesto

que consiste en realizar los experimentos dados en secuencia. En particular, el espacio de muestra

para el experimento compuesto que consiste en replicaciones indefinidas de un experimento

básico es. Este es un caso especial esencial, porque la teoría de la probabilidad (clásica) se basa

en la idea de replicar un experimento dado. 𝑆∞ = 𝑆 × 𝑆 × … Woolfson, M. (2012).

Eventos

Ciertos subconjuntos del espacio de muestra de un experimento se conocen como eventos. Por lo

tanto, un evento es un conjunto de resultados del experimento. Cada vez que se ejecuta el

experimento, un evento dado cualquiera ocurre, si el resultado del experimento es un elemento

de, o no se produce, si el resultado del experimento no es un elemento de. Intuitivamente, debe

pensar en un evento como una declaración significativa sobre el experimento. Woolfson, M.

(2012).

En la sección sobre Teoría de las medidas, analizamos algunas condiciones técnicas que deben

imponerse en la recopilación de eventos. Estos no tienen por qué preocuparte si eres nuevo en el
estudio de la probabilidad; simplemente asumiremos que todos los subconjuntos del espacio de

muestra que mencionamos son eventos válidos. En particular, el espacio muestral 𝑆 sí mismo es

un evento; Por definición siempre ocurre. En el otro extremo, el conjunto vacío ∅ también es un

evento; por definición nunca ocurre. Woolfson, M. (2012).

Conjunto y subconjuntos

Un conjunto es simplemente una colección de objetos; Los objetos se denominan elementos del

conjunto. La afirmación de que es un elemento del conjunto se escribe, y la negación de que no

es un elemento de se escribe como. Por definición, un conjunto está completamente determinado

por sus elementos; por lo tanto, los conjuntos y son iguales si tienen los mismos elementos:

𝑥𝑆𝑥 ∈ 𝑆𝑥𝑆𝑥 ∉ 𝑆𝐴

𝑆𝑖 𝑦 𝑠𝑜𝑙𝑜 𝑠𝑖

𝐴 = 𝐵 𝑠𝑖 𝑦 𝑠𝑜𝑙𝑜 𝑠𝑖 𝑥 ∈ 𝐴 ⇔ 𝑥 ∈ 𝐵
Nuestra siguiente definición es la relación de subconjunto, otro concepto muy básico:

Si y son conjuntos, entonces 𝐴 es un subconjunto de 𝐵 si cada elemento de 𝐴 es también un

elemento de 𝐵:
𝐴
⊆
𝐵
𝑆𝑖 𝑦 𝑠𝑜𝑙𝑜 𝑠𝑖
𝑥
∈
𝐴
𝐴𝐵𝐴𝐵𝐴𝐵
𝐴 ⊆ 𝐵 𝑠𝑖 𝑦 𝑠𝑜𝑙𝑜 𝑠𝑖 𝑥 ∈ 𝐴 ⇒ 𝑥 ∈ 𝐵
Los conceptos en la teoría de conjuntos a menudo se ilustran con pequeños bocetos esquemáticos

conocidos como diagramas de Venn , llamados así por John Venn . El diagrama de Venn en la

imagen de abajo ilustra la relación del subconjunto.

Los conceptos en la teoría de conjuntos a menudo se ilustran con pequeños bocetos esquemáticos

conocidos como diagramas de Venn , llamados así por John Venn . El diagrama de Venn en la

imagen de abajo ilustra la relación del subconjunto.

𝐴⊆𝐵

B A
Deje R el conjunto de todos los conjuntos A tal que A∉A. Entonces R∈R si y sólo si R∉R.
𝑃𝑟𝑢𝑒𝑏𝑎 𝑅𝑅 ∈ 𝑅𝑅 ∉ 𝑅𝑅 ∈ 𝑅𝑅

𝑆𝑆𝑝(𝑥 )𝑆𝑥 ∈ 𝑆{𝑥 ∈ 𝑆: 𝑝(𝑥 )}𝑆 Definir un conjunto de esta manera se conoce como forma de

predicado. La otra forma básica de definir un conjunto es simplemente listando sus

elementos; Este método se conoce como formulario de lista.

Como se señaló anteriormente, la membresía es un concepto primitivo e indefinido en la teoría de

conjuntos ingenua. Sin embargo, la siguiente construcción, conocida como la paradoja de

Russell , después del matemático y filósofo Bertrand Russell, muestra que no podemos ser

demasiado cautos en la construcción de conjuntos. Woolfson, M. (2012).

El álgebra de los eventos

El álgebra estándar de conjuntos conduce a una gramática para discutir experimentos aleatorios y

nos permite construir nuevos eventos a partir de eventos dados. En los siguientes resultados,

suponga que 𝐴 𝑦 𝐵 y son eventos; es decir, subconjuntos admisibles del espacio muestral 𝑆 del

experimento. Woolfson, M. (2012).

Se tiene que: 𝐴 ⊆ 𝐵 𝑆𝑖 𝑦 𝑠𝑜𝑙𝑜 𝑠𝑖 𝑙𝑎 𝑜𝑐𝑢𝑟𝑟𝑒𝑛𝑐𝑖𝑎 𝑑𝑒 𝐴 𝑖𝑚𝑝𝑙𝑖𝑐𝑎 𝑙𝑎 𝑜𝑐𝑢𝑟𝑟𝑒𝑛𝑐𝑖𝑎 𝑑𝑒 𝐵

Recordemos que ⊆ es la relación del subconjunto, por lo tanto, por definición, 𝐴 ⊆ 𝐵 significa

que 𝑠 ∈ 𝐴 implica 𝑠 ∈ 𝐵 para, 𝑠 ∈ 𝑆. Woolfson, M. (2012).

Ejemplos:

 𝐴 ∪ 𝐵 𝑒𝑠 𝑒𝑙 𝑒𝑣𝑒𝑛𝑡𝑜 𝑞𝑢𝑒 𝑜𝑐𝑢𝑟𝑟𝑒 𝑠𝑖 𝑦 𝑠𝑜𝑙𝑜 𝑠𝑖 𝐴 𝑜𝑐𝑢𝑟𝑟𝑒 𝑜 𝐵 𝑜𝑐𝑢𝑟𝑟𝑒

Recordemos que 𝐴 ∪ 𝐵 es la unión de 𝐴 𝑦 𝐵. Así por definición, 𝑠 ∈ 𝐴 ∪ 𝐵 si y solo sí 𝑠 ∈

𝐴 𝑜 𝑠 ∈ 𝐵, para 𝑠 ∈ 𝑆.
  𝐴 ∩ 𝐵 Es el evento que ocurre si y solo si 𝐴 𝑜𝑐𝑢𝑟𝑟𝑒 𝑦 𝐵 𝑜𝑐𝑢𝑟𝑟𝑒

Recordemos que 𝐴 ∩ 𝐵 es la intersección de 𝐴𝑦 𝐵. Así por definición, 𝑠 ∈ 𝐴 𝑦 𝑠 ∈

𝐵, 𝑝𝑎𝑟𝑎 𝑠 ∈ 𝑆.

𝐴∩𝐵

Parte B (Simulador)

Ingresar al enlace que se encuentra en el Entorno de Conocimiento Virtual Laboratories in

Probability and Statistics. http://www.math.uah.edu/stat/index.html, en el apartado de Apps

aparecen las opciones:

Venn Diagram App

Descripción

En esta aplicación, 𝐴 𝑌 𝐵 son subconjuntos de un conjunto universal 𝑆 . La lista anterior

proporciona los 16 subconjuntos diferentes de 𝑆 que pueden construirse a partir

de 𝐴 𝑦 𝐵 utilizando las operaciones de conjuntos básicas de unión, intersección y

complemento. Esta aplicación muestra los diferentes eventos algunos ya mencionados

anteriormente. Woolfson, M. (2012).

Conjunto ∅

Funciona solo dando clic al lado izquierdo para que cambien y muestre la representación

adecuada.
𝐴 𝐵

𝐴∁ 𝐴∩𝐵

𝐴∪𝐵 𝐴 ∩ 𝐵∁

𝐵 ∩ 𝐴∁ 𝐴 ∪ 𝐵∁
 𝐵 ∪ 𝐴∁ 𝐴∁ ∩ 𝐵 ∁

𝐴∁ ∪ 𝐵 ∁ (𝐴 ∩ 𝐵∁) ∪ (𝐵 ∩ 𝐴∁)
 ( 𝐴 ∩ 𝐵 ) ∪ ( 𝐴∁ ∩ 𝐵 ∁ ) 𝑆

Se puede definir que esta aplicación da a conocer de manera comprensible 16 subconjuntos

diferentes de 𝑆. Evidenciando eventos de unión, intersección, complementos etc.

 3. Arleth Cordero

Definición

Medidas de probabilidad

Supongamos que tenemos un experimento aleatorio con espacio de muestra (S,S) , de modo que es

el conjunto de resultados del experimento y es la colección de eventos. Cuando corremos el

experimento, un evento dado cualquiera ocurre o no ocurre, dependiendo de si el resultado del

experimento se encuentra en o no. Intuitivamente, la probabilidad de un evento es una medida de

la probabilidad de que ocurra el evento cuando ejecutamos el experimento. Matemáticamente, la

probabilidad es una función en la colección de eventos que satisface ciertos axiomas.

Una medida de probabilidad o distribución de probabilidad es el espacio muestral de valor real

definida en la colección de eventos que satisface los siguientes axiomas:

 Axioma 1. A cada suceso A que pertenece a B le corresponde un número real P(A) tal que:

 Axioma 2

 Axioma 3 . Si A1, A2 …son sucesos mutuamente excluyentes (incompatibles dos a dos,

disjuntos o de interseccion vacia dos a dos ) entonces:

El Axioma se conoce como aditividad contable, y establece que la probabilidad de una unión de

una colección finita o contable infinita de eventos desunidos es la suma de las probabilidades

correspondientes.

Los axiomas (a) y (b) son realmente solo una cuestión de convención; elegimos medir la

probabilidad de un evento con un número entre 0 y 1 (en oposición, por ejemplo, a un número

entre y). El axioma (c) sin embargo, es fundamental e ineludible. Se requiere por probabilidad

precisamente por la misma razón que se requiere para otras medidas del tamaño de un conjunto,

como−57

 cardinalidad para conjuntos finitos

 longitud para subconjuntos de R

 área para subconjuntos de R2

 volumen para subconjuntos deR3

En todos estos casos, el tamaño de un conjunto que se compone de innumerables piezas

desunidas es la suma de los tamaños de las piezas.

La unión de 4 eventos desunidos.

Por otro lado, la aditividad incontable (la extensión del axioma (c) a un conjunto de índices no

contable I) no es razonable para la probabilidad, como lo es para otras medidas. Por ejemplo, un

intervalo de longitud positiva en R es una unión de innumerables puntos, cada uno de los cuales

tiene una longitud de 0.

Un conjunto corresponde al evento {X∈B}⊆SB⊆T{X∈B}⊆S

La medida de probabilidad en (5) se denomina distribución de probabilidad de, por lo que

tenemos todos los ingredientes para un nuevo espacio de probabilidad. X

El siguiente resultado se conoce como la desigualdad de Boole , llamada así por George

Boole . La desigualdad da un límite superior simple a la probabilidad de una unión.

La desigualdad de Boole se mantiene porque las partes de la unión se han medido más de una vez

en la suma de las probabilidades de la derecha. Por supuesto, la suma de las probabilidades puede

ser mayor que 1, en cuyo caso la desigualdad de Boole no es útil

Ejemplos

1. Suponer que A, B y C son eventos en un experimento con P (A) = 0.3 P (B) = 0.2 , P(C) =

0.4., P (A ∩ B ) = 0.4, P(A ∩ C ) = 0.1, P (B ∩ C ) = 0.1, P (A ∩ B ∩ C ) = 0.01 . Exprese

cada uno de los siguientes eventos en notación de conjuntos y encuentre su probabilidad:

a. Al menos uno de los tres eventos ocurre.

b. Ninguno de los tres eventos ocurre.

c. Exactamente uno de los tres eventos ocurre.

d. Exactamente dos de los tres eventos ocurren

Solución

a. P (A ∪ B ∪ C ) = 0.67

b. P[ (A ∪ B ∪ C )c] = 0.7

c. P[ (A ∩ Bc ∩ Cc) ∪ (Ac ∩ B ∩ Cc) ∪ (Ac ∩ Bc ∩ C) ] = 0.45

d. P[ (A ∩ B ∩ Cc) ∪ (A∩ Bc ∩ C) ∪ (Ac ∩ B ∩ C) ] = 0.21

2. Suponer que A, B y C son eventos en un experimento con P (A) = 1/4 P (B) = 1/4 , P(C) =

5/16, P (A ∪ B ) = 7/16, P(A ∪ C ) = 23/48, P (B ∪ C ) = 11/24 y P (A ∪ B ∪ C ) = 7/12 .

encuentre las probabilidades de las diversas intersecciones:

a. A ∩ B

b. A ∩ C

c. B ∩ C

d. A ∩ B ∩ C
 Solución:

a. 1/16

b. 1/12

c. 5/48

d. 1/48

3. Suponer que A y B son eventos en un experimento con

P (A) = 1/3, P (B) = 1/4 y P (B ∩ B ) = 1/10 . Exprese cada uno de los siguientes eventos en el

idioma del experimento y encuentre su probabilidad:

a. A / B

b. A ∪ B

c. Ac ∪ Bc

d. Ac ∩ Bc

e. A ∪ Bc

Solución:

a. A ocurre no B. 7/30

b. A o B ocurre. 29/60

c. Uno de los eventos no ocurre. 9/10

d. Ninguno de los dos eventos ocurre.31/60

e. Ya sea A ocurre o B no se produce. 17/20

Parte B (simulador)

Tablero de Galton

Esta aplicación muestra un juego de mesa Galton con 10 filas. Mueve la bola hacia la izquierda o

hacia la derecha con los botones. La tabla registra el número de fila, el número de columna y el

bit (1 para un movimiento a la derecha y 0 para un movimiento a la izquierda). La última

columna da el subconjunto de la cadena de bits correspondiente

El tablero de Galton, que es una maqueta (o aparato) que simula el siguiente experimento:

Sobre una superficie plana, soltamos n bolas (cuanto mayor sea n, más preciso resultará), de

forma que existen varias divisiones de caminos, en los cuales de manera aleatoria cada bola irá a

derecha o izquierda de dicha división. Evidentemente, cada bola tiene un 50% de probabilidades

de ir a un lado u otro en cada separación de caminos.

Lo interesante de este aparato, es que siempre que realizamos el experimento, nuestro resultado

final se aproximará a una Campana de Gauss. De hecho, si pudiéramos realizar el experimento

con infinitas bolas, el resultado sería infinitamente próximo a dicha curva

 4. Ginna Marcela Montano

Probabilidad Condicional El símbolo 𝑷(𝑨|𝑩) representa la probabilidad de que A ocurra dado

que B ha ocurrido. Esto se denomina probabilidad condicional. (Johnson, R. y Kuby, P., 1999)

Definición:

Ejemplo #1:

Considere el experimento de lanzar un dado 𝑺 = {𝟏, 𝟐, 𝟑, 𝟒, 𝟓, 𝟔}. Dos eventos que pueden

definirse para este experimento son:

- B: ocurre un número par.

- A: ocurre 4.

𝟏
Así, se tiene que 𝑷(𝑨) = 𝟔, es decir que, el evento A es satisfecho de manera exacta por uno de los

seis puntos muéstrales igualmente probables en, que corresponde a que el dado caiga con las cuatro

marcas en la cara superior.

𝟑
Por otro lado, se tiene que 𝑷(𝑩) = 𝟔, es decir que, el evento B es satisfecho de manera exacta por

tres de los seis puntos muéstrales, que corresponden a que el dado caiga con la cara superior

indicando dos, cuatro o seis marcas.

La probabilidad condicional de A dado B, 𝑷(𝑨|𝑩) se encuentra de manera semejante, pero la lista

de eventos posibles ya no es el espacio muestral. Considere la siguiente situación: se lanza un dado

sin que usted pueda ver el resultado y se le comunica que el número del resultado es par; es decir

que ha ocurrido el evento B. Al conocer esta condición, se solicita asignar una probabilidad al

evento de que el número par sea 4. Sólo hay 3 posibilidades en el espacio muestral actual o

reducido, los cuales son 2, 4 y 6. Cada uno de estos tres resultados es igualmente probable, así,

𝟏
𝑷(𝑨|𝑩) = 𝟑

Lo anterior, puede escribirse como:

𝑛 (𝐴 ∩ 𝐵 )
𝑃 (𝐴 | 𝐵 ) =
𝑛(𝐵)

O también de manea equivalente:

𝑃 (𝐴 𝑦 𝐵 )
𝑃 (𝐴 | 𝐵 ) =
𝑃(𝐵)

Reemplazando para el ejemplo:

1
1
𝑃 ( 𝐴 |𝐵 ) = 6 =
1 3
2

Ejemplo #2:
En una muestra de 150 residentes, a cada persona se le preguntó si estaba a favor de la iniciativa

de tener una sola agencia de policía en el municipio. Éste está integrado por una gran ciudad y
muchas poblaciones suburbanas. La muestra está conformada por personas que residen en la ciudad

y fuera de ella. Si uno de estos residentes se elige al azar:

a) ¿Cuál es la probabilidad de que esa persona esté a favor de la iniciativa?

b) ¿Cuál es la probabilidad de que esa persona esté a favor de la iniciativa si la persona elegida

reside en la ciudad?

c) ¿Cuál es la probabilidad de que esa persona esté a favor de la iniciativa si la persona elegida

reside fuera de la ciudad?

d) Los eventos F (a favor de la iniciativa) y C (reside en la ciudad), ¿Son independientes?

RESPUESTA DE LOS HABITANTES SEGÚN SU LUGAR DE RESIDENCIA

Residencia A Favor (F) En Contra (F̅) Total
En la ciudad (C) 80 40 120
Fuera de la ciudad (C̅) 20 10 30
Total 100 50 150

a) ¿Cuál es la probabilidad de que esa persona esté a favor de la iniciativa?

𝐏(𝐅) Es la proporción de la muestra total que está a favor de la iniciativa. En consecuencia:

n(F) 100 2
P(F) = = =
n(S) 150 3

b) ¿Cuál es la probabilidad de que esa persona esté a favor de la iniciativa si la persona elegida

reside en la ciudad?

𝐏(𝐅|𝐂) Es la probabilidad de que la persona elegida esté a favor de la iniciativa dado que vive en

la ciudad. El espacio muestral se reduce a los 120 residentes urbanos que hay en la muestra. De

ellos, 80 están a favor de la iniciativa; en consecuencia:

 n(F ∩ C) 80 2
P(F|C) = = =
n(C) 120 3

c) ¿Cuál es la probabilidad de que esa persona esté a favor de la iniciativa si la persona elegida

reside fuera de la ciudad?

n(F ∩ C̅) 20 2
P(F|C̅) = = =
n(C̅) 30 3

d) Los eventos F (a favor de la iniciativa) y C (reside en la ciudad), ¿Son independientes?

𝟐
Las tres posibilidades tienen el mismo valor, 𝟑. En consecuencia, puede afirmarse que los eventos

F (a favor) y C (reside en la ciudad) son independientes. El sitio de residencia no afecta 𝐏(𝐅).

Ejemplo #3:

Una mujer es portadora de la enfermedad de Duchenne. Según las leyes de Mendel, todos los

posibles genotipos de un hijo de una madre portadora (xX) y un padre normal (XY) son: xX, xY,

XX, XY; y tienen la misma probabilidad. El genotipo del hijo enfermo corresponde al genotipo

xY.

a) ¿Cuál es el espacio muestral y los puntos muéstrales?

b) ¿Cuál es la probabilidad de que su próximo hijo tenga la enfermedad?

c) ¿Cuál es la probabilidad de que su próximo hijo nazca varón y tenga la enfermedad?

 a) ¿Cuál es el espacio muestral y los puntos muéstrales?

Se tiene el espacio muestral:

S = {xX, xY, XX, XY}

Y lo puntos muéstrales:

n (S ) = 4

b) ¿Cuál es la probabilidad de que su próximo hijo tenga la enfermedad?

n(A) 1
P(A) = =
n(S) 4

c) ¿Cuál es la probabilidad de que su próximo hijo nazca varón y tenga la enfermedad?

Para el evento B (nazca varón), sólo corresponden los genotipos xY y XY. En este caso el espacio

muestral se reduce a S = {xY, XY}, por lo que los puntos muestrales son n(S) = 2. Entonces, la
2 1
probabilidad de que su hijo sea varón es P(B) = =
4 2

Para calcular la probabilidad de que su próximo hijo nazca varón y tenga la enfermedad, se realiza:

1
n(A ∩ B) 4 2 1
P(A|B) = = = =
n(B) 1 4 2
2

Parte B Experimento de probabilidad condicional

En esta aplicación, 𝐴 𝑦 𝐵 Son eventos rectangulares en una muestra rectangular. S. El espacio

á𝑟𝑒𝑎(𝐸)
muestral S Se le da la distribución uniforme, por lo que 𝑃 (𝐸) = para cada evento
á𝑟𝑒𝑎(𝑆)

𝐸 . 𝐴 𝑦 𝐵 se puede mover arrastrando un punto interior del rectángulo, o redimensionarlo

arrastrando la esquina inferior derecha del rectángulo. La lista proporciona los eventos y sus

complementos, y varios eventos condicionados a otros eventos. Por supuesto, una probabilidad

ordinaria puede considerarse como una probabilidad condicional, con el espacio muestral S como

el evento dado. Cuando hace clic en un elemento de la lista, el espacio de muestra efectivo es la

región con el sombreado claro u oscuro, mientras que el evento efectivo es la región con el

sombreado más oscuro. Cuando el experimento se ejecuta, los resultados (elementos de S) se

muestran como puntos rojos. La frecuencia relativa de cada evento se da en la tabla.

 Luz Adriana Rojas Trujillo

5. Indepencia

Definición

Como es habitual, nuestro punto de partida es un experimento aleatorio modelado por un espacio

de probabilidad (S,S,P) modo que S es el conjunto de resultados, S la colección de eventos y P la

medida de probabilidad en el espacio de muestra (S,S) . En esta sección, discutiremos la

independencia, uno de los conceptos fundamentales en la teoría de la probabilidad. La

independencia se invoca frecuentemente como un supuesto de modelado y, además, la

probabilidad (clásica) en sí misma se basa en la idea de replicaciones independientes del

experimento.

Definiremos independencia para dos eventos, luego para colecciones de eventos y luego para

colecciones de variables aleatorias. En cada caso, la idea básica es la misma. (Woolfson, M.

2012).

Teoría básica

Tenemos que dos eventos son independientes si 𝐴𝐵

𝐴
 ∩

Dos eventos 𝐴 𝑦 𝐵 son independientes sí 𝑃 = (𝐴 ∩ 𝐵) = 𝑃 (𝐴)𝑃(𝐵)

sí ambos eventos tienen probabilidad positiva, entonces la independencia es equivalente a la

afirmación de que la probabilidad condicional de un evento dado el otro es la misma que la

probabilidad incondicional del evento.

𝑃 ( 𝐴 |𝐵 ) = 𝑃 ( 𝐴 ) ⇔ 𝑃 ( 𝐵 | 𝐴 ) = 𝑃 ( 𝐵 ) ⇔ 𝑃 ( 𝐴 ∩ 𝐵 ) = 𝑃 (𝐴 ) 𝑃 ( 𝐵 )

Los términos independientes y separados parecen vagamente similares, pero en realidad son muy

diferentes. Primero, tenga en cuenta que la desunión es puramente un concepto de teoría de

conjuntos, mientras que la independencia es un concepto de probabilidad (teoría de la

medida). De hecho, dos eventos pueden ser independientes en relación con una medida de
probabilidad y dependientes en relación con otra. Pero lo más importante es que dos eventos

separados nunca pueden ser independientes, excepto en el caso trivial de que uno de los eventos

es nulo. (Woolfson, M. 2012).

Supongamos que A y B son eventos disjuntos, cada uno con probabilidad

positiva. Entonces, A y B son dependientes, y de hecho están correlacionados

negativamente.𝐴𝐵𝐴𝐵

Tenga en cuenta que 𝑃(𝐴 ∩ 𝐵) = 𝑃(∅) = 𝑂𝑃(𝐴)𝑃(𝐵) > 0

Ejemplos
Si y son eventos independientes, entonces cada uno de los siguientes pares de eventos es

independiente.𝐴𝐵

𝑎. 𝐵𝐴𝐶 , 𝐵

𝑏. 𝐴𝐶 𝐵, 𝐴𝐶

𝑐. 𝐴𝐶 , 𝐵𝐶

Supongamos que y son independientes. Luego, por la regla de la diferencia y

la regla del complemento , Por lo tanto y son equivalentes. Las partes (b) y (c) siguen de (a). AB

𝑃(𝐴𝐶 ∩ 𝐵) = 𝑃(𝐵) − 𝑃 (𝐴 ∩ 𝐵) = 𝑃(𝐵) − 𝑃 (𝐴)𝑃(𝐵) = 𝑃(𝐵)[1 − 𝑃(𝐴)] = 𝑃 (𝐵)𝑃(𝐴𝐶 )

𝐴𝐶 𝐵 𝐸𝑗𝑒𝑚𝑝𝑙𝑜 𝑐𝑜𝑝𝑖𝑎𝑑𝑜 𝑑𝑒 . (Woolfson, M. 2012).

Un evento que es esencialmente determinista, es decir, tiene probabilidad 0 o 1, es independiente de

cualquier otro evento, incluso de sí mismo.

Supongamos que y son eventos. 𝐴𝐵

𝑎. 𝑠𝑖 𝑜, 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑦𝑠𝑜𝑛 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠. 𝑃(𝐴) = 𝑂𝑃(𝐴) = 1𝐴𝐵

 𝑏. 𝐴 𝑒𝑠 𝑖𝑛𝑑𝑒𝑝𝑒𝑑𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑠í 𝑚𝑖𝑠𝑚𝑜 𝑠𝑖 𝑦 𝑠𝑜𝑙𝑜 𝑠𝑖 𝑜. 𝑃(𝐴) = 𝑂𝑃(𝐴) = 1

Recuerde que si entonces, y si entonces. En cualquier caso, tenemos. (Woolfson, M. 2012).

𝑃 (𝐴) = 𝑂𝑃(𝐴 ∩ 𝐵) = 𝑂𝑃(𝐴) = 1𝑃 (𝐴 ∩ 𝐵) = 𝑃(𝐵)𝑃(𝐴 ∩ 𝐵) = 𝑃 (𝐴)𝑃(𝐵)

La independencia de consigo misma da y, por tanto, o. 𝐴𝑃(𝐴) = [𝑃 (𝐴)]2𝑃(𝐴) = 𝑂𝑃 (𝐴) = 1

Independencia General de Eventos

Para extender la definición de independencia a más de dos eventos, podríamos pensar que solo

podríamos requerir la independencia por pares, la independencia de cada par de eventos. Sin

embargo, esto no es suficiente para el fuerte tipo de independencia que tenemos en mente. Por

ejemplo, supongamos que tenemos tres eventos, y. Mutual independencia de estos eventos no

sólo debe significa que cada par es independiente, pero también que un evento que puede ser

construido a partir de y (por ejemplo) debe ser independiente de. La independencia por parejas no

logra esto; Ejercicio 𝐴𝐵𝐶𝐴𝐵𝐴 ∪ 𝐵𝐶 𝐶 (27) a continuación se muestran tres eventos que son

independientes por pares, pero la intersección de dos de los eventos está relacionada con el tercer

evento en el sentido más fuerte posible. (Woolfson, M. 2012).

Otra posible generalización sería simplemente requerir la probabilidad de que la intersección de

los eventos sea el producto de las probabilidades de los eventos. Sin embargo, esta condición ni

siquiera garantiza la independencia de pareja. El ejercicio (29) a continuación es un ejemplo. Sin

embargo, la definición de independencia para dos eventos se generaliza de manera natural a una

colección arbitraria de eventos.

𝐴𝑖 𝑖𝐼𝐴 = {𝐴𝑖 : 𝑖 ∈ 𝐼 } 𝐽 ⊂ 𝐼
 𝑃 (⋃ 𝐴𝐽) = ∏ 𝑃(𝐴𝑗 )
𝑗𝜖𝐽 𝑗𝜖𝐽

La independencia de una colección de eventos es mucho más fuerte que la simple independencia

de los eventos en la colección. La propiedad de herencia básica en el siguiente resultado sigue

inmediatamente de la definición.

Imagen tomada de (Woolfson, M. 2012).

Para una colección finita de eventos, el número de condiciones requeridas para la independencia

mutua crece exponencialmente con el número de eventos.

2𝑛 − 𝑛 − 𝑙𝑛

𝑎. 𝐴𝐵𝐶

𝑏. 𝐴𝐵𝐶𝐷

Solución

2𝑛 𝑛𝑛2𝑛 − 𝑛 − 1

𝒂. 𝑨𝑩𝑪

𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴)𝑃(𝐵)
𝑃 (𝐴 ∩ 𝐶 ) = 𝑃 (𝐴 )𝑃 (𝐵 )

𝑃 (𝐵 ∩ 𝐶 ) = 𝑃 (𝐵 )𝑃 (𝐶 )

𝑃(𝐴 ∩ 𝐵 ∩ 𝐶 ) = 𝑃(𝐴)𝑃(𝐵)𝑃(𝐶)

𝒃. 𝑨𝑩𝑪𝑫

𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴)𝑃(𝐵)

𝑃 (𝐴 ∩ 𝐶 ) = 𝑃 (𝐴 )𝑃 (𝐵 )

𝑃 (𝐴 ∩ 𝐷 ) = 𝑃 (𝐵 )𝑃 (𝐷 )

𝑃(𝐵 ∩ 𝐶 ) = 𝑃(𝐵)𝑃(𝐶 )

𝑃 (𝐵 ∩ 𝐷 ) = 𝑃 (𝐵 )𝑃 (𝐷 )

𝑃(𝐶 ∩ 𝐷 ) = 𝑃 (𝐶 )𝑃(𝐷 )

𝑃(𝐴 ∩ 𝐵 ∩ 𝐶 ) = 𝑃(𝐴)𝑃(𝐵)𝑃(𝐶)

𝑃(𝐴 ∩ 𝐵 ∩ 𝐷 ) = 𝑃(𝐴)𝑃(𝐵)𝑃(𝐷)

𝑃(𝐴 ∩ 𝐶 ∩ 𝐷 ) = 𝑃 (𝐴)𝑃(𝐶 )𝑃(𝐷)

𝑃(𝐵 ∩ 𝐶 ∩ 𝐷 ) = 𝑃 (𝐵)𝑃 (𝐶 )𝑃(𝐷 )

𝑃(𝐴 ∩ 𝐵 ∩ 𝐶 ∩ 𝐷 ) = 𝑃(𝐴)𝑃(𝐵)𝑃 (𝐶 )𝑃(𝐷)

Supongamos que lanzamos un estándar, justo morir una

vez. Dejar 𝐴 = {1,2,3,4}, 𝐵 = 𝐶 = {4,5,6} Entonces
𝑎. 𝑃(𝐴 ∩ 𝐵 ∩ 𝐶 ) = 𝑃(𝐴)𝑃(𝐵)𝑃(𝐶)
𝑏. 𝐵 𝑌 𝐶 son el mismo evento, y por lo tanto son dependientes en el sentido más fuerte posible.
Solución
1 4
Tenga encuenta que 𝐴 ∩ 𝐵 ∩ 𝐶 = {4}, Así que (𝑃 ∩ 𝐵 ∩ 𝐶 ) = 6 por otro lado 𝑃 (𝐴) = 6 y

3
𝑃 (𝐵 ) = 𝑃 ( 𝐶 ) =
6
Parte B
Experimento de la moneda de Buffon
Es un experimento aleatorio en el que se lanza una moneda en un piso con baldosas

cuadradas. El experimento se muestra gráficamente en el cuadro de imagen. Las variables

aleatorias X e Y son las coordenadas del centro de la moneda en relación con el centro del

cuadrado. Estas variables se registran en cada actualización en la tabla de datos, y el punto

correspondiente se muestra gráficamente como un punto rojo en el diagrama de dispersión. La

variable aleatoria I indica el evento en el que la moneda cruza una grieta y se registra en cada

actualización en la tabla de datos. La función de densidad de probabilidad de I se muestra en azul

en el gráfico de distribución y se registra en la tabla de distribución. En cada actualización,

la función de densidad empírica de I se muestra en rojo en el gráfico de distribución y se registra

en la tabla de datos. La función de densidad de probabilidad de IIr.

En este experimento se puede observar que por cada parada da a conocer los valores de manera

exacta, además el color rojo indica como la moneda cruza un agrieta, en la cual la densidad de

probabilidad es mostrada con una línea de color azul.

 Parte C

Desarrollar los ejercicios del libro Probabilidad y estadística de George Canavos (Primera

edición de 1988 de la McGraw-Hill) que lo encuentra en el entorno de Conocimiento:

Realizar los ejercicios: 2.1, 2.4, 2.5, 2.8, 2.9, 2.10, 2.11, 2.12, 2.15 y 2.16 de las páginas 48 hasta

51, presentando el desarrollo paso a paso de cada ejercicio. Presentar todos los ejercicios con el

editor de ecuaciones de Word.

2.1 Los empleados de la compañía NEW Horizons se encuentran separados en tres divisiones:

administración, operación de planta y ventas. La siguiente tabla indica el número de empleados

en cada división clasificados por sexo.

a. Usar un Diagram de Venn para ilustrar los eventos 𝑂 𝑌 𝑀 para todos los empleados. De

la compañía. ¿Son mutuamente excluyentes?

U O M

20
140 60
100
R: Analizando no son mutuamente excluyente pues ambos contribuyen al total de empleados.

Si se elige aleatoriamente un empleado:

b) si se elige aleatoriamente un empleado:

1. ¿Cuál es la probabilidad de que sea mujer?

Procedemos a dividir:

180
𝑃 (𝑀 ) = = 0,45 = 45 %
400

2. ¿Cuál es la probabilidad de que trabaje en ventas?

150
𝑃 (𝑉 ) = = 0,375
400

La probabilidad de que sea mujer es del 0,375 %

3. ¿Cuál es la probabilidad de que sea hombre y trabaje en la división de administración?

30
𝑃 (𝐻 ∩ 𝐴 ) = = 0,07 = 7%
400

La probabilidad es del 7%

4. ¿Cuál es la probabilidad de que trabaje en la división de operación de planta, si es

mujer?

𝑂 60
𝑃( ) = = 0,333
𝑀 180

La probabilidad es del 33%

5. ¿Cuál es la probabilidad de que sea mujer si trabaja en la división de operación de

planta?

𝑀 600
𝑃( ) = = 3 = 3%
0 200
 La probabilidad es del 3%

c). ¿Son los eventos 𝑉 𝑦 𝐻 estadísticamente independientes?

50 150 220
𝑃 (𝑉 ∩ 𝐻 ) = ; 𝑃 (𝑉 ) = , 𝑃 (𝐻 ) =
400 400 400

No son independientes ya que 𝑃(𝑉 ∩ 𝐻 ) ≠ 𝑃 (𝑉 ) ∗ 𝑃(𝐻) .

d). ¿Son los eventos 𝐴 𝑦 𝑀 estadísticamente independientes?

30 50 180
𝑃 (𝐴 ∩ 𝑀 ) = ; 𝑃 (𝐴 ) = = 𝐴ℎ𝑜𝑟𝑎,
400 400 400

𝑃 (𝐴 ∩ 𝑀) ≠ 𝑃(𝐴) ∗ 𝑃(𝑀 𝑑𝑒 𝑒𝑠𝑡𝑎 𝑚𝑎𝑛𝑒𝑟𝑎 𝐴 𝑦 𝑀 𝑛𝑜 𝑠𝑜𝑛 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠.

e). determinar las siguientes probabilidades:

50 180 20
1. 𝑃 (𝐴 ∪ 𝑀) = 𝑃(𝐴) + 𝑃 (𝑀) − 𝑃 (𝐴𝑀) = 400 + 400 − 400

50 220 30
̅ ) = 𝑃 (𝐴 ) + 𝑃 (𝑀
2. 𝑃 (𝐴 ∪ 𝑀 ̅ ) − 𝑃(𝐴𝑀
̅) = + −
400 400 400

60
3. 𝑃 (𝑂 ∩ 𝐹 ) = 400

𝑃(𝑀∩𝐴) 20
4. 𝑃 (𝑀|𝐴) = =
𝑃(𝑀) 50

2.4 Sean 𝐴𝑦 𝐵 dos eventos cualesquiera de 𝑆. Empléese un diagrama de Venn para demostrar que

𝑝(𝐴 ∩ 𝐵̅) = 𝑃 (𝐴) − 𝑃(𝐴 ∩ 𝐵).

Diagrama
 S
A
B

Solución:

𝑝 (𝐴 ∩ 𝐵 )

𝑝(𝐴 ∩ 𝐵̅)

𝑃 (𝐴) = 𝑃(𝐴 ∩ 𝐵) + 𝑃(𝐴 ∩ 𝐵̅)

complemento de b

̅)
𝒑(𝑩

S
A B

̅ ) está en 𝒑(𝑨) − 𝑝(𝐴 ∩ 𝐵)

la intersección 𝒑(𝑨 ∩ 𝑩
 𝑝(𝐴 ∩ 𝐵̅) 𝑷(𝑨) − 𝑷(𝑨 ∩ 𝑩)

̅ ) = 𝑷(𝑨) − 𝑷(𝑨 ∩ 𝑩
Respuesta: 𝒑(𝑨 ∩ 𝑩

2.5 Una familia tiene tres hijos. Determinar todas las posibles permutaciones, con respecto al

sexo de los hijos. Bajo suposiciones adecuadas, ¿Cuál es la probabilidad de que exactamente, dos

hijos tengan el mismo sexo?, ¿cuál es la probabilidad de tener un varón y dos mujeres?, ¿Cuál es

la probabilidad de tener tres hijos del mismo sexo?

Tenemos

𝐻 = ℎ𝑜𝑚𝑏𝑟𝑒𝑠

𝑀 = 𝑚𝑢𝑗𝑒𝑟𝑒𝑠

𝐻𝐻𝐻 𝐻𝐻𝑀 𝐻𝑀𝐻 𝐻𝑀𝑀 𝑀𝐻𝐻 𝑀𝐻𝑀 𝑀𝑀𝐻 𝑀𝑀𝑀

6
𝑃 (𝐴 ) = = 0, 75
8

75% 𝐸𝑠 𝑙𝑎 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑞𝑢𝑒 𝑡𝑒𝑛𝑔𝑎 𝑑𝑜𝑠 ℎ𝑖𝑗𝑜𝑠 𝑒𝑙 𝑚𝑖𝑠𝑚𝑜 𝑠𝑒𝑥𝑜 𝑒𝑠 𝑑𝑒 75%

3
𝑃 (𝐵 ) = = 0,375
8

𝐿𝑎 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑡𝑒𝑛𝑒𝑟 𝑢𝑛 𝑣𝑎𝑟ó𝑛 𝑦 𝑑𝑜𝑠 𝑚𝑢𝑗𝑒𝑟𝑒𝑠 𝑒𝑠 𝑑𝑒 37%

2
𝑃 (𝐶 ) = = 0,25
8
𝐿𝑎 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑡𝑒𝑛𝑒𝑟 𝑡𝑟𝑒𝑠 ℎ𝑖𝑗𝑜𝑠 𝑑𝑒𝑙 𝑚𝑖𝑠𝑚𝑜 𝑠𝑒𝑥𝑜 𝑒𝑠 𝑑𝑒 25%

𝐴 4 3 12
𝑃 (𝐴 ∩ 𝐵 ) = 𝑃 (𝐴 ) ∗ 𝑃 ( ) = ∗ =
𝐵 52 51 2652

12
La posibilidad de que ambas sean ases es de 2652

2.8 Una agencia automotriz recibe un embarque de 20 automóviles nuevos. Entre estos, dos

tienen defectos, la agencia decide seleccionar, aleatoriamente dos automóviles de entre los 20 y

aceptar y el embarque sin ninguno de los dos vehículos seleccionados tienen defectos. ¿Cuál es la

probabilidad de aceptar el embarque?

𝑃 (𝐴 ∩ 𝐵 ) = 𝑃 (𝐴 ) ∗ 𝑃 (𝐵 )

18
𝑃 (𝐴 ) =
20

17
𝑃 (𝐵 ) =
19

18 17 306 153
𝑃 (𝐴 ) ∗ 𝑃 (𝐵 ) = × = = = 0,8053
20 19 380 190

𝐿𝑎 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑒𝑠 𝑑𝑒𝑙 0,8053%

2
2.9 ¿Se lanza una moneda con una probabilidad de que el resultado sea cara. Si aparece una
3

cara, se extrae una pelota, aleatoriamente, de una urna que contiene dos pelotas rojas y tres

verdes. Si el resultado es cruz se extrae una pelota, de otra urna, que contiene dos rojas y dos

verdes. ¿Cuál es la probabilidad de extraer una pelota roja?

𝑃 (𝐴 ∩ 𝐵 ) = 𝑃 (𝐴 ) ∗ 𝑃 (𝐵 )
 2 2 1 2 4 2 78
𝑝𝑒𝑙𝑜𝑡𝑎 (𝑟𝑜𝑗𝑎) = ( × ) + ( × ) = + = = 0,43333%
3 5 3 4 15 12 180

𝐿𝑎 𝑝𝑜𝑠𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑒𝑥𝑡𝑟𝑎𝑒𝑟 𝑢𝑛 𝑝𝑒𝑙𝑜𝑡𝑎 𝑟𝑜𝑗𝑎 𝑒𝑠 𝑑𝑒 0,43333%

2.10 De entre 20 tanques de combustible fabricados para el transbordador especial, tres se

encuentran defectuosos. Si se seleccionan aleatoriamente cuatro tanques:

a). ¿Cuál es la probabilidad de que ninguno de los tanques se encuentre defectuoso?

𝑃 (𝐴 ∩ 𝐵 ∩ 𝐶 ∩ 𝐷 ) = 𝑃 (𝐴 ) ∗ 𝑃 (𝐵 ) ∗ 𝑃 (𝐶 ) ∗ 𝑃 (𝐷 )

17 16 15 14
= × × ×
20 19 18 17

28
=
57

= 0,491%

𝐿𝑎 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑞𝑢𝑒 𝑛𝑖𝑛𝑔𝑢𝑛𝑜 𝑑𝑒 𝑙𝑜𝑠 𝑡𝑎𝑛𝑞𝑢𝑒𝑠 𝑠𝑒 𝑒𝑛𝑐𝑢𝑒𝑛𝑡𝑟𝑒 𝑑𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑜 𝑒𝑠 𝑑𝑒 0,491%

b). ¿Cuál es la probabilidad de que uno de los tanques tenga defectos?

𝑃 (𝐴 ∩ 𝐵 ∩ 𝐶 ∩ 𝐷 ) = 𝑃 (𝐴 ) ∗ 𝑃 (𝐵 ) ∗ 𝑃 (𝐶 ) ∗ 𝑃 (𝐷 )

17 16 15 3
= × × ×
20 19 18 17

2
=
19

= 0,105%

𝐿𝑎 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑞𝑢𝑒 𝑢𝑛𝑜 𝑑𝑒 𝑙𝑜𝑠 𝑡𝑎𝑛𝑞𝑢𝑒𝑠 𝑡𝑒𝑛𝑔𝑎 𝑑𝑒𝑓𝑒𝑐𝑡𝑜 𝑒𝑠 𝑑𝑒 0,105%

2.11 La probabilidad de que cierto componente eléctrico funcione es de 0.9. Un aparato

Contiene dos de estos componentes. El aparato funcionará mientras lo haga, por lo menos uno de

los componentes.

a) Sin importar cuál de los dos componentes funcione o no, ¿cuáles son los posibles

resultados y sus respectivas probabilidades? (¿puede suponerse independencia en la

operación entre los componentes?

𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃 (𝐵) − 𝑃(𝐴 ∩ 𝐵)

𝑃(𝐴 ∪ 𝐵) = 0,9 + 0,9 − 0,9 × 0,9 = 0,99

𝐿𝑎𝑠 𝑟𝑒𝑠𝑝𝑒𝑐𝑡𝑖𝑣𝑎𝑠 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒𝑠 𝑠𝑜𝑛 𝑑𝑒𝑙 0,99%𝑑𝑒 𝑞𝑢𝑒 𝑓𝑢𝑛𝑐𝑖𝑜𝑛𝑒.

b) ¿Cuál es la probabilidad de que el aparato funcione?

𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) × 𝑃(𝐵)

𝑃(𝐴 ∩ 𝐵) = 0,1 × 0,1

𝑃(𝐴 ∩ 𝐵) = 0,01%

𝐿𝑎 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑞𝑢𝑒 𝑒𝑙 𝑎𝑝𝑎𝑟𝑎𝑡𝑜 𝑛𝑜 𝑓𝑢𝑛𝑐𝑖𝑜𝑛𝑒𝑠 𝑒𝑠 𝑑𝑒 0,01%

2.12 Un sistema contiene tres componentes 𝐴, 𝐵 𝑦 𝐶. Estos pueden conectarse en una, cualquiera,

de las cuatro configuraciones mostradas en la figura 2.3.Si los tres componentes operan de

manera independiente y si la probabilidad de que uno, cualquiera de ellos, esté funcionando es de

0,95, determinar la probabilidad de que el sistema funciona para cada una de las cuatro

configuraciones.
 Imagen copiada de Canavos, G. (1988).

𝐴). 𝑃(𝐴 ∩ 𝐵 ∩ 𝐶 ) = 𝑃(𝐴)𝑃(𝐵)𝑃(𝐶 ) = 0,95 × 0,95 × 0,95 = 0,8573%

𝐵). 𝑃 (𝐴 ∪ 𝐵) = 𝑃(𝐴 ∪ (𝐵 ∪∪ 𝐶 ) = 𝑃(𝐴) + 𝑃(𝐵 ∪ 𝐶 ) − 𝑃(𝐴 ∩ (𝐵 ∪ 𝐶 )

= 𝑃(𝐴) + 𝑃 (𝐵) + 𝑃 (𝐶 ) − 𝑃 (𝐵 ∩ 𝐶 ) − 𝑃((𝐴 ∩ 𝐵) ∪ (𝐴 ∩ 𝐶 ))

= 𝑃 (𝐴 ) + 𝑃 (𝐵 ) + 𝑃 (𝐶 ) − 𝑃 ( 𝐵 ∩ 𝐶 ) − 𝑃 (𝐴 ∩ 𝐵 ) − 𝑃 (𝐴 ∩ 𝐶 ) + 𝑃 (𝐴 ∩ 𝐵 ∩ 𝐶 )

= 0,95 + 0,95 + 0,95 − 0,95 × 0,95 − 0,95 × 0,95 − 0,95 × 0,95 + 0,95 × 0,95 × 0,95

= 0,999875%

𝐶). 𝑃((𝐴 ∩ 𝐵) ∪ 𝐶) = 𝑃 (𝐴 ∩ 𝐵) + 𝑃(𝐶 ) − 𝑃 (𝐴 ∩ 𝐵 ∩ 𝐶 )

= 𝑃(𝐴)𝑃(𝐵) + 𝑃(𝐶 ) − 𝑃(𝐴 ∩ 𝐵 ∩ 𝐶)

= 0,95 × 0,95 + 0,95 − 0,95 × 0,95 × 0,95 = 0,9951%

𝐷). 𝑃((𝐴 ∪ 𝐵) ∩ 𝐶)) = 𝑃(𝐴 ∪ 𝐵)𝑃 (𝐶 ) = 𝑃 (𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵)𝑃(𝐶)

= (0,95 + 0,95 − 0,95 × 0,95)0,95 = 0,9476%

𝐿𝑎 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑠𝑖 𝑓𝑢𝑛𝑐𝑖𝑜𝑛𝑎 𝑝𝑎𝑟𝑎 𝑐𝑎𝑑𝑎 𝑢𝑛𝑜 𝑑𝑒 𝑙𝑜𝑠 𝑐𝑎𝑠𝑜𝑠.

2.15 El 5% de las unidades producidas en una fábrica se encuentran defectuosas cuando el

proceso de fabricación se encuentra bajo control. Si el proceso se encuentra fuera de control, se

produce un 30% de unidades defectuosas. La probabilidad marginal de que el proceso se

encuentre bajo control es de 0,92. Si se escoge aleatoriamente una unidad y se encuentra que es

defectuosa, ¿cuál es la probabilidad de que el proceso se encuentre bajo control?

𝐷 = 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠 𝑑𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑎𝑠

𝑁𝐷 = 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠 𝑁𝑂 𝑑𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑎𝑠

𝐶 = 𝑏𝑎𝑗𝑜 𝑐𝑜𝑛𝑡𝑟𝑜𝑙

𝐹𝐶 = 𝑓𝑢𝑒𝑟𝑎 𝑑𝑒 𝑐𝑜𝑛𝑡𝑟𝑜𝑙

𝐷
𝑃 ( ) = 0.05
𝐶

𝐷
𝑃( ) = 0.30
𝐹𝐶

𝐷
𝑃(𝐷 ∩ 𝐶 ) = 𝑃 (𝐶 ) ∙ 𝑃 ( ) = 0.92 ∙ 0.05 = 0.046
𝐶

𝐷
𝑃(𝐷 ∩ 𝐹𝐶 ) = 𝑃(𝐹𝐶 ) ∙ 𝑃 ( ) = 0.08 ∙ 0.30 = 0.024
𝐹𝐶

Datos Defectuosa no defectuosa Resultado

Control 0.046 0.874 0.92

Fuera de control 0.024 0.056 0.08

Total 0.07 0.93 1

 𝐶 𝑃 (𝐷 ∩ 𝐶 ) 0.046
𝑃( )= = = 0.657
𝐷 𝑃(𝐷) 0.07

𝐿𝑎 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑞𝑢𝑒 𝑠𝑒 𝑒𝑛𝑐𝑢𝑒𝑛𝑡𝑟𝑒 𝑏𝑎𝑗𝑜 𝑑𝑒 𝑐𝑜𝑛𝑡𝑟𝑜𝑙 𝑒𝑠 𝑑𝑒 0.657%.

2.16 Una planta armadora recibe microcircuitos provenientes de tres distintos fabricantes

𝐵1 𝐵2 𝑦 𝐵3 . El 50% del total se compra a 𝐵1 𝑚𝑖𝑒𝑛𝑡𝑎𝑟𝑠 𝑞𝑢𝑒 𝐵2 𝑦 𝐵3 se les compra un 25%a cada

uno. El porcentaje de circuitos defectuosos para 𝐵1 , 𝐵2 𝑦 𝐵3 es 5.10 y 12% respectivamente. Si

los circuitos se almacenan en la planta sin importar quién fue el proveedor:

Tabla de datos ordenados

Datos Circuito defectuoso Circuito NO defectuoso Total

(D) (ND) Filas

𝐵1 0,025 0,475 0,50

𝐵2 0,025 0,225 0,25

𝐵3 0,03 0,22 0,25

Total 0,08 0,92 1

𝐷
𝑃( ) = 0,05
𝐵1

𝐷
𝑃( ) = 0,1
𝐵2

𝐷
𝑃( ) = 0,12
𝐵3

𝐷
𝑃(𝐷 ∩ 𝐵1 ) = 𝑃 (𝐵 ) ∙ 𝑃(𝐵1 ) = 0,05 × 0,50 = 0.025
1
 𝐷
𝑃(𝐷 ∩ 𝐵2 ) = 𝑃 (𝐵 ) ∙ 𝑃 (𝐵2 ) = 0,1 ×× 0,25 = 0.025
2

𝐷
𝑃(𝐷 ∩ 𝐵3 ) = 𝑃 (𝐵 ) ∙ 𝑃 (𝐵3 ) = 0,12 × 0,25 = 0.03
3

a). Determinar la probabilidad de que una unidad armada en la planta contenga un circuito

defectuoso.

𝐷 𝐷 𝐷
𝑃 (𝐷 ) = 𝑃 ( ) 𝑃(𝐵1 ) + ( ) ∙ 𝑃 (𝐵2 ) + ( ) ∙ 𝑃 (𝐵3 )
𝐵1 𝐵2 𝐵3

= 0.025 + 0,025 + 0,03 = 0,08

𝐿𝑎 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑞𝑢𝑒 𝑢𝑛𝑎 𝑢𝑖𝑑𝑎𝑑 𝑎𝑟𝑚𝑎𝑑𝑎 𝑒𝑛 𝑙𝑎 𝑝𝑙𝑎𝑛𝑡𝑎 𝑐𝑜𝑛𝑡𝑒𝑛𝑔𝑎

𝑢𝑛 𝑐𝑖𝑟𝑐𝑢𝑖𝑡𝑜 𝑑𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑜 𝑒 𝑑𝑒 0,08%.

b). Si un circuito no está defectuoso, ¿cuál es la probabilidad de que haya sido venido por el

proveedor 𝐵2 ?

𝐵1 𝑃 (𝑁𝐷 ∩ 𝐵2 )
𝑃( ) = 𝑃( )
𝑁𝐷 𝑃 (𝑁𝐷 )

0,225
= = 0,2445
0,92

𝐿𝑎 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑞𝑢𝑒 ℎ𝑎𝑦𝑎 𝑠𝑖𝑑𝑜 𝑣𝑒𝑛𝑑𝑖𝑑𝑜 𝑝𝑜𝑟 𝑒𝑙 𝑝𝑟𝑜𝑣𝑒𝑒𝑑𝑜𝑟 𝐵2 𝑒𝑠 𝑑𝑒 0,2445%

 Conclusiones

La probabilidad es una estrategia mediante la cual se intenta estimar la frecuencia con la que se

obtiene un cierto resultado en el marco de una experiencia en la que se conocen todos los

resultados posibles.

La importancia de la probabilidad radica en que, mediante este recurso matemático, es posible

ajustar de la manera más exacta posible los imponderables debidos al azar en los más variados

campos tanto de la ciencia como de la vida cotidiana.

Además, a través del cálculo probable podemos predecir o estimar eventos que pasan o pasara,

podemos determinar la posibilidad de que ganar o poder en algún juego, de descifrar las posibles

combinaciones de números en algún momento dado de la vida, se puede predecir incluso cual

puede ser el resultado de una lotería, etc.

Cuanto mayor sea la cantidad de datos disponibles para calcular la probabilidad de un

acontecimiento, más preciso será el resultado calculado. Dada la complejidad de los sistemas en

los que suele aplicarse la teoría de la probabilidad, se requiere de modelos informáticos y

estadísticos de gran elaboración, que serían imposibles de no contarse con los modernos recursos

tecnológicos relacionados con la computación.

 Referencias Bibliográficas

Canavos, G. (1988). Probabilidad y Estadística: Aplicaciones y Métodos. Ed. MacGraw-Hill.

Recuperado de https://estadisticaunicaes.files.wordpress.com/2012/05/george-c-canavos-
probabilidad-y-estadc3adstica-aplicaciones-y-mc3a9todos.pdf

Devore, J. (2008). Probabilidad y estadística para ingeniería y ciencias. Ed. Cengage. Recuperado
de http://bibliotecavirtual.unad.edu.co:2053/?il=782

Neira (2001-2002). Problemas de cálculo de probabilidades. Obtenido de

http://www.juntadeandalucia.es/averroes/centros-
tic/14002996/helvia/aula/archivos/repositorio/250/295/html/estadistica/masproba.htm

Siegrist, K. (2013). Virtual Laboratories in Probability and Statistics. Obtenido

de http://www.math.uah.edu/stat/index.html

Woolfson, M. M. (2012). Everyday Probability and Statistics: Health, Elections, Gambling and
War (2nd Edition). London, UK: Imperial College Press. Recuperado
de http://bibliotecavirtual.unad.edu.co:2051/login.aspx?direct=true&db=nlebk&AN=478
649&lang=es&site=eds-live&ebv=EB&ppid=pp_33