Escolar Documentos
Profissional Documentos
Cultura Documentos
Trabajo Individual
Probabilidad 551113_10
Elaborado por:
Presentado a:
Licenciatura en matemáticas
Pitalito Huila
18 - Octubre – 2018
Parte A (Simulador)
1. Experimento aleatorio
Definición
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
Ejemplo y aplicaciones
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
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
Lo nos dice que la probabilidad se ejecuta a través de un experimento aleatorio, para obtener el
resultado.
Luz Adriana Rojas Trujillo
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
matemáticamente conveniente que incluye los posibles resultados y quizás también otros
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
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
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
muestral natural para el experimento compuesto que consiste en realizar los experimentos en
en repeticiones del experimento básico. De manera similar, si tenemos una secuencia infinita de
que consiste en realizar los experimentos dados en secuencia. En particular, el espacio de muestra
básico es. Este es un caso especial esencial, porque la teoría de la probabilidad (clásica) se basa
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
(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
Conjunto y subconjuntos
Un conjunto es simplemente una colección de objetos; Los objetos se denominan elementos del
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:
conocidos como diagramas de Venn , llamados así por John Venn . El diagrama de Venn en la
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
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
Russell , después del matemático y filósofo Bertrand Russell, muestra que no podemos ser
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
Recordemos que ⊆ es la relación del subconjunto, por lo tanto, por definición, 𝐴 ⊆ 𝐵 significa
Ejemplos:
𝐴 𝑜 𝑠 ∈ 𝐵, para 𝑠 ∈ 𝑆.
𝐴 ∩ 𝐵 Es el evento que ocurre si y solo si 𝐴 𝑜𝑐𝑢𝑟𝑟𝑒 𝑦 𝐵 𝑜𝑐𝑢𝑟𝑟𝑒
𝐵, 𝑝𝑎𝑟𝑎 𝑠 ∈ 𝑆.
𝐴∩𝐵
Parte B (Simulador)
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
Definición
Medidas de probabilidad
Supongamos que tenemos un experimento aleatorio con espacio de muestra (S,S) , de modo que es
Axioma 1. A cada suceso A que pertenece a B le corresponde un número real P(A) tal que:
Axioma 2
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
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
El siguiente resultado se conoce como la desigualdad de Boole , llamada así por George
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
1. Suponer que A, B y C son eventos en un experimento con P (A) = 0.3 P (B) = 0.2 , P(C) =
Solución
a. P (A ∪ B ∪ C ) = 0.67
b. P[ (A ∪ B ∪ C )c] = 0.7
2. Suponer que A, B y C son eventos en un experimento con P (A) = 1/4 P (B) = 1/4 , P(C) =
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
P (A) = 1/3, P (B) = 1/4 y P (B ∩ B ) = 1/10 . Exprese cada uno de los siguientes eventos en el
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
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
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
Lo interesante de este aparato, es que siempre que realizamos el experimento, nuestro resultado
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
- 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
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
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
𝑛 (𝐴 ∩ 𝐵 )
𝑃 (𝐴 | 𝐵 ) =
𝑛(𝐵)
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
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
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
c) ¿Cuál es la probabilidad de que esa persona esté a favor de la iniciativa si la persona elegida
n(F ∩ C̅) 20 2
P(F|C̅) = = =
n(C̅) 30 3
𝟐
Las tres posibilidades tienen el mismo valor, 𝟑. En consecuencia, puede afirmarse que los eventos
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.
Y lo puntos muéstrales:
n (S ) = 4
n(A) 1
P(A) = =
n(S) 4
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
á𝑟𝑒𝑎(𝐸)
muestral S Se le da la distribución uniforme, por lo que 𝑃 (𝐸) = para cada evento
á𝑟𝑒𝑎(𝑆)
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
5. Indepencia
Definición
Como es habitual, nuestro punto de partida es un experimento aleatorio modelado por un espacio
experimento.
Definiremos independencia para dos eventos, luego para colecciones de eventos y luego para
2012).
Teoría básica
𝐴
∩
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
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
negativamente.𝐴𝐵𝐴𝐵
independiente.𝐴𝐵
𝑎. 𝐵𝐴𝐶 , 𝐵
𝑏. 𝐴𝐶 𝐵, 𝐴𝐶
𝑐. 𝐴𝐶 , 𝐵𝐶
la regla del complemento , Por lo tanto y son equivalentes. Las partes (b) y (c) siguen de (a). AB
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
los eventos sea el producto de las probabilidades de los eventos. Sin embargo, esta condición ni
embargo, la definición de independencia para dos eventos se generaliza de manera natural a una
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
inmediatamente de la definición.
Para una colección finita de eventos, el número de condiciones requeridas para la independencia
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)
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
aleatorias X e Y son las coordenadas del centro de la moneda en relación con el centro del
variable aleatoria I indica el evento en el que la moneda cruza una grieta y se registra en cada
exacta, además el color rojo indica como la moneda cruza un agrieta, en la cual la densidad de
Desarrollar los ejercicios del libro Probabilidad y estadística de George Canavos (Primera
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
2.1 Los empleados de la compañía NEW Horizons se encuentran separados en tres divisiones:
a. Usar un Diagram de Venn para ilustrar los eventos 𝑂 𝑌 𝑀 para todos los empleados. De
U O M
20
140 60
100
R: Analizando no son mutuamente excluyente pues ambos contribuyen al total de empleados.
Procedemos a dividir:
180
𝑃 (𝑀 ) = = 0,45 = 45 %
400
150
𝑃 (𝑉 ) = = 0,375
400
30
𝑃 (𝐻 ∩ 𝐴 ) = = 0,07 = 7%
400
La probabilidad es del 7%
mujer?
𝑂 60
𝑃( ) = = 0,333
𝑀 180
planta?
𝑀 600
𝑃( ) = = 3 = 3%
0 200
La probabilidad es del 3%
50 150 220
𝑃 (𝑉 ∩ 𝐻 ) = ; 𝑃 (𝑉 ) = , 𝑃 (𝐻 ) =
400 400 400
30 50 180
𝑃 (𝐴 ∩ 𝑀 ) = ; 𝑃 (𝐴 ) = = 𝐴ℎ𝑜𝑟𝑎,
400 400 400
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
Diagrama
S
A
B
Solución:
𝑝 (𝐴 ∩ 𝐵 )
𝑝(𝐴 ∩ 𝐵̅)
complemento de b
̅)
𝒑(𝑩
S
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
Tenemos
𝐻 = ℎ𝑜𝑚𝑏𝑟𝑒𝑠
𝑀 = 𝑚𝑢𝑗𝑒𝑟𝑒𝑠
6
𝑃 (𝐴 ) = = 0, 75
8
3
𝑃 (𝐵 ) = = 0,375
8
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
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
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
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
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%
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%
los componentes.
a) Sin importar cuál de los dos componentes funcione o no, ¿cuáles son los posibles
𝑃(𝐴 ∩ 𝐵) = 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
0,95, determinar la probabilidad de que el sistema funciona para cada una de las cuatro
configuraciones.
Imagen copiada de Canavos, G. (1988).
= 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%
encuentre bajo control es de 0,92. Si se escoge aleatoriamente una unidad y se encuentra que es
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
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
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
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 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.
ajustar de la manera más exacta posible los imponderables debidos al azar en los más variados
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
acontecimiento, más preciso será el resultado calculado. Dada la complejidad de los sistemas en
estadísticos de gran elaboración, que serían imposibles de no contarse con los modernos recursos
Devore, J. (2008). Probabilidad y estadística para ingeniería y ciencias. Ed. Cengage. Recuperado
de http://bibliotecavirtual.unad.edu.co:2053/?il=782
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