1

ELEMENTOS DE PROBABILIDAD (UNIDAD 5 RESUMEN)

ELABORADO POR LIC. FRANCISCO NAVES SNCHEZ.


INTRODUCCIN.

La teora de la probabilidad es la rama de la matemtica que posiblemente tenga ms
relacin en nuestra vida cotidiana y aparece en varias situaciones en la actualidad. Por
medio de sta se abordan el clculo de las primas de los seguros, los riesgos nucleares,
los pronsticos econmicos, polticos y del tiempo, etc.

Hoy en da, es incuestionable el impacto que la Teora de Probabilidad ha tenido en el
pensamiento cientfico moderno y su influencia se nota en campos tan diversos como
ecologa, explotacin de recursos renovables y no-renovables, demografa, medicina,
comunicaciones, computacin, investigacin de operaciones, finanzas, economa,
actuara, etc. Sin embargo, la teora de probabilidad no siempre goz de un estatus
privilegiado y de tanta popularidad entre los cientficos; de hecho, a diferencia de otras
ramas clsicas de la matemtica, su certificacin como teora matemtica sucede hasta
el siglo XX con la axiomatizacin propuesta por A. N. Kolmogorov en los aos treinta.
Por otra parte, desde la ptica moderna, su origen podra parecer ms bien modesto y
hasta un tanto frvolo: la teora de probabilidad surge de la necesidad por comprender
los juegos de azar, esto es, juegos de apuestas en los que domina fuertemente una
componente de incertidumbre.

Dado que la probabilidad tiene sus orgenes en los juegos de azar, principalmente en
los juegos con dados o cartas, parece apropiado abordarla bajo un enfoque ldico,
como un recurso educativo, pero en un sentido estrictamente pedaggico para iniciar
a los alumnos del primer ao de Doctorado en Medicina en el mundo de la
probabilidad de una forma amena, activa y recreativa, promoviendo un aprendizaje
significativo.

En las ltimas dcadas esta ciencia de lo aleatorio ha adquirido mayor relevancia que
en las anteriores, hasta el punto de que muchos autores, entre ellos Dacunha (1996),
han propuesto la necesidad de que todo ciudadano posea una base slida en
probabilidad y estadstica, que le permita comprender, juzgar y criticar la avalancha de
informacin que los medios de comunicacin le brindan da con da. Hay consenso de
que los ciudadanos tienen el derecho y el deber de dudar sobre lo que se les est
informando, de lo contrario podran ser vctimas de las intenciones de manipulacin,
que un determinado estudio sobre algn tema en particular, tiene como finalidad,
pero tambin hay conciencia de que la tarea es titnica.
2

Actualmente la forma en que se aborda la enseanza de estos conceptos contina
siendo de manera tradicional: pizarrn, profesor, alumno, son los tres elementos que
la componen, en donde quien se encarga de hacer la labor educativa, colma los
tableros con teora y complementa con un discurso, que no es suficiente para dejar del
todo claro cada uno de los conceptos; el papel del estudiante se centra en copiarlos y
memorizarlos, desembocando indudablemente en el olvido de estos tanto a corto
como a mediano plazo, todo esto, debido a que las clases dentro del aula se han vuelto
poco dinmicas, tediosas y aburridas.
El objetivo de este trabajo es desarrollar una metodologa distinta en la cual el alumno
del primer ao de Doctorado en Medicina tenga un inicio agradable en la teora de la
probabilidad mostrndole que no se requiere excesivos esfuerzos para su comprensin
y las dificultades que se presentan se pueden mejorar, realizando esta experiencia a
travs de un conjunto de materiales ldicos sencillos que se encargaran de despertar
la curiosidad, imaginacin y la intuicin.

Los posibles errores del presente material de apoyo son responsabilidad del diseador,
los logros que se tengan es gracias a que me apoye en hombros de gigantes.



Objetivo general

Utilizar la ldica como herramienta para mejorar la enseanza aprendizaje de la
probabilidad en los alumnos del primer ao de Doctorado en Medicina.



Objetivos especficos

Desarrollar un conjunto de materiales que contengan alternativas que
mantenga activo al alumno y que resulten apropiadas para el razonamiento y
poder adquirir un aprendizaje significativo.
Fomentar la creatividad de los estudiantes para la aplicacin de nuevas
estrategias de enseanza-aprendizaje de la probabilidad.
Propiciar ambientes ldicos en las clases de probabilidad.
Proponer actividades en las cuales el estudiante tenga la oportunidad de
desarrollar su aptitud mediante ejemplos de la vida cotidiana.

3

Captulo 5. Conceptos Bsicos de Probabilidad
5.1 Introduccin.

La palabra probabilidad aparece en nuestro lenguaje ordinario en multitud de
ocasiones. As, afirmaciones del tipo de que la probabilidad de obtener dos seis al
lanzar dos dados no cargados es uno entre 36, de que hay una probabilidad
ligeramente inferior a un medio de que un beb recin nacido sea varn y de que en
los prximos dos aos se pueda curar el SIDA es pequea. El primero se refiere a un
juicio de probabilidad que podemos llamar clsico, en el que los posibles resultados
son equiprobables. El segundo es una afirmacin de tipo frecuentista y se refiere a la
frecuencia relativa con la que cierta probabilidad aparece entre los miembros de una
clase determinada y el tercero constituye un ejemplo de lo que podramos llamar un
juicio de credibilidad y es una medida del grado de confianza que tenemos en la
verdad de una cierta proposicin.

Antes de introducirnos en el maravilloso campo de la probabilidad, es necesario
comprender bien el uso de los conceptos ms importantes en la inferencia estadstica:
El concepto de aleatoriedad.

Vamos a estudiar este concepto analizado las siguientes afirmaciones:
1. Si se mantiene constante la temperatura de un gas, al aumentar la presin, el
volumen se reduce en proporcin inversa (Ley de Boyle-Mariotte).
2. El nmero 27 es primo.
3. El prximo gobierno de El Salvador ser de izquierda.
4. El estudiante ms famoso/a del grupo 2 de Bioestadstica pasara la materia.

Como puede notarse hay una diferencia esencial entre las dos primeras proposiciones
y las dos ltimas respecto al criterio de verdad: La primera es verdadera por una razn
fsica; la segunda es falsa por una razn matemtica; con relacin a la tercera y cuarta
proposicin, carecemos de elementos de juicio para afirmar si son verdaderas o falsas,
diremos que se trata de eventos aleatorios


5.2. Experimento aleatorio.

Se caracterizan por que admiten dos o ms resultados posibles y no tenemos
elementos de juicio suficientes para predecir cul de los resultados ocurrir en una
determinada prueba. Podemos decir que la probabilidad se refiere al estudio de
fenmenos puramente aleatorios.

4

La finalidad de todo experimento cientfico es la obtencin de informacin de inters
acerca de cualquier fenmeno de la Naturaleza. Dentro de los experimentos
cientficos hay algunos cuyo desarrollo es previsible con certidumbre, y sus resultados
estn perfectamente determinados una vez fijada las condiciones del mismo: se
conocen con el nombre de experimentos determinsticos.

Frente a estos experimentos que pueden realizarse en contexto de certidumbre,
aparecen los que pueden realizarse en un contexto de incertidumbre. A estos se les
llama experimentos o fenmenos aleatorios; estos fenmenos dependen del azar.
El objeto de estudio del Clculo de Probabilidades lo constituyen los fenmenos o
experimentos aleatorios. Algunas propiedades que caracterizan los fenmenos
aleatorios son:
1. En las mismas condiciones iniciales pueden dar lugar a diferentes resultados
finales.
2. Todos los resultados posibles se conocen por anticipado.
3. No se puede predecir el resultado en cada experimento particular.
4. En general, puede repetirse en las mismas condiciones indefinidamente.

Vamos a desarrollar el concepto formal de probabilidad en trminos de espacio
muestral y eventos, asociados con lo que se da en llamar experimento aleatorio.
Experimento aleatorio es un conjunto de pruebas realizadas en las mismas
condiciones. Un experimento puede, incluso, consistir en una sola prueba; el resultado
de una prueba se le llama punto muestral o suceso elemental. Al conjunto de todos
los resultados posibles del experimento se le llama espacio muestral

Ejemplos.
1. Para fijar los elementos fundamentales que intervienen en la teora de probabilidades,
elegimos uno de los ejemplos ms habituales como es el de lanzamiento de un dado.
Claramente es un fenmeno aleatorio.
Los resultados posibles son: = {1, 2, 3, 4, 5, 6}
Los aspectos que presentan incertidumbre en este experimento son: los
posibles subconjuntos de , as presenta incertidumbre el subconjunto {2, 4, 6}
al que podemos denominar par o su complementario impar. Un segundo
elemento a considerar son todos los subconjuntos de , es decir, el conjunto de
partes de , P(,) el cual obtendr todos los elementos de inters en nuestro
experimento.
Por ltimo, parece razonable tener una medida de dicha incertidumbre: es
decir, su probabilidad P. As pues, en todo experimento aleatorio se deben
considerar los siguientes tres elementos (, P(), P).

5

2. En el lanzamiento de dos monedas, n(S) vale 4 p.m; cuyos resultados o puntos
muestrales son:
S = { (CC) , (C+) , (+C) , (++)}

5.3. Espacio Muestral.

Dado un experimento aleatorio, llamaremos espacio muestral al conjunto de todos
los resultados posibles distintos de dicho experimento aleatorio. Los elementos de
se denominan sucesos elementales.

Ejemplos de espacios muestrales hay muchos. Consideremos el experimento aleatorio
de lanzar dos monedas al aire, el espacio muestral asociado ser el = {(C, C), (C, F),
(F, C), (F, F)} en el caso que se distinguiesen las dos monedas.

Tipos de espacios muestrales asociados a un experimento aleatorio.

a) Espacio muestral finito: Se da cuando est formado por un nmero finito de
elementos. Ejemplos, lanzamiento de un dado o de una moneda.
b) Espacio muestral infinito numerable: A priori un experimento de este tipo
puede dar lugar a un conjunto infinito de eventualidades. Ejemplo, Lanzar una
moneda hasta obtener cara por primera vez:
C, FC, FFC, FFFC, . . . , FFFFF FC,
El espacio muestral deber contener como elementos todas aquellas
sucesiones finitas de la forma FFFC.
c) Especio muestral continuo: Cuando los elementos del experimento aleatorio
pueden ser cualquier valor dentro de un intervalo o regin. Ejemplo, el
desplazamiento de una partcula en un plano y supongamos que estamos
interesados en la posicin que ocupa dicha partcula en el plano, en este caso
es todo el plano y por tanto contino.

5.4. Sucesos o Eventos
Sea A una coleccin no vaca de subconjuntos del espacio muestral , en principio,
cualquier elemento de A, es decir, cualquier subconjunto de contendr una
cierta incertidumbre: llamaremos a dicho conjunto suceso, siendo la medida de la
incertidumbre, su probabilidad.
As, suceso es un conjunto A de A. Diremos que se ha presentado un suceso A al
realizar el experimento, si el resultado de dicho experimento es algn puntoeeA
(es decir, un suceso elemental de contenido en A).
6

Obviamente, los sucesos son conjuntos, por lo tanto, al hablar de uniones,
intersecciones, diferencia, complementario, etc. de sucesos no es ms que hablar
de uniones, intersecciones, diferencias, complementarios, etc. de conjuntos. El
suceso correspondiente al conjunto vaco es denominado suceso imposible y
representado por C y definido como el conjunto de que no contiene ningn
suceso elemental.

Desde el punto de vista matemtico A no es ms que una coleccin especificada de
subconjunto de . En algunos casos (cuando sea finito o numerable ser A=P()
y contendr 2
n
elementos, pero otras deber ser A P()).



5.5. Definicin de Probabilidad
La palabra probabilidad se usa para indicar la posibilidad de que ocurra un
acontecimiento. Hay tres concepciones sobre la definicin de probabilidad: La clsica,
la emprica y la subjetiva.


5.5.1. DEFINICIN DE PROBABLIDAD CLSICA

Se usa cuando un experimento puede tener solamente ciertos resultados definidos,
cada uno de los cuales es igualmente probable.
Si tenemos n resultados posibles de un experimento, la probabilidad para cualquiera
de ellos es

. As en el experimento del lanzamiento de un dado, la probabilidad

de que caiga la cara 3 es

la misma respuesta seria para cualquiera de los cinco

resultados.
En general podemos escoger un evento E que tiene m (E) puntos muestrales y
preguntar cul es la probabilidad de obtener un resultado que pertenezca a ese evento
al efectuar el experimento una sola vez ; entonces la probabilidad de E es

()



7

EJEMPLOS DE PROBABLIDAD CLSICA
1. Si una caja contiene 5 bolas blanca y 10 negras y hacemos una extraccin de ella.
a. Cul es la probabilidad de que la bola sea blanca ?
b. Cul es la probabilidad de que la bola sea negra ?
Solucin:
a. Sea B = bola blanca; entonces
m(B)= 5 casos favorables
N = bola negra
n (S) = 15 bolas, casos igualmente posibles
()

b. ()

2. En el experimento: lanzamiento de dos dados se tienen los siguientes eventos:
E1 = Suma de las caras sea igual a 8
E2 = Suma de las caras sea mayor que 12
E3 = La Suma de las caras es mayor o igual a 2 y menor o igual a 12
Cul es la probabilidad de cada uno de esos eventos?

Solucin:
(

Los puntos muestrales son(2,6) , (3,5) , (4,4) , (5,3) , (6,2) ; es decir que n(E1) =5
(Casos favorables)

(

8


5.5.2. DEFINICIN EMPRICA DE PROBABLIDAD

Originalmente la probabilidad fue eminentemente experimental. Si se deseaba
conocer la probabilidad de un suceso A, se proceda de la manera siguiente:
Se repeta muchas veces el experimento y se observaba en cuantas de estas
repeticiones ocurra A. enseguida se divida el nmero de veces que haba ocurrido A
entre el nmero de veces que se haba repetido el experimento
()




De acuerdo con lo dicho anteriormente, lo menos que podra pasar es que no
ocurriera, ni una sola vez, en este caso P(A)=0.

Lo ms que podra pasar es que A ocurriera todas las veces que se repitiese el
experimento, en este caso P(A)=1.

Si se hace un nmero grande (n) de observacin de una misma clase respecto a la
realizacin de un evento E y se obtiene que este ocurre m(E) veces, entonces por
definicin de frecuencia relativa:
()
()
()
en donde f(E) es la frecuencia relativa de la ocurrencia de E, la cual es
una aproximacin a la probabilidad P(E) del evento E.



EJEMPLOS DE PROBABLIDAD EMPRICA

a) Al repetir el experimento de lanzar una moneda 100 veces y observar el nmero de
caras obtenidas, entonces se registraron las siguientes frecuencias relativas:
()

()

()

()

Segn estos resultados () ()

9

b) Resultado del experimento del lanzamiento de un dado 300 veces:




En este cuadro las frecuencias relativas se consideran como aproximaciones a las
probabilidades de que aparezcan los diferentes nmeros del dado




5.5.3 DEFINICIN SUBJETIVA DE PROBABLIDAD

Es aquel en el cual se carece de evidencias que fundamente cientficamente la
probabilidad de ocurrencia o no ocurrencia de un suceso; por lo que todo depende de
la evaluacin personal o subjetiva de quien emite un juicio.




EJEMPLOS DE PROBABLIDAD SUBJETIVA.

a) Cuando un mdico antes de una operacin quirrgica le dice a su paciente que
la probabilidad de que la operacin sea exitosa es de 0.9 .Este valor, dado por
mdico, es simplemente una probabilidad subjetiva.

b) Cuando se dice, que existe un 90% de probabilidad de que las reformas
implementadas por el Gobierno del FMLN son irreversibles. Este valor
probabilstico podra ser producto del conocimiento, que tiene la persona que
10

hace tal conjetura, de una seria de variables polticas y que por tal
circunstancia tiene la confianza de valor tal evento.



5.6 AXIOMAS DE PROBABILIDAD

El clculo de probabilidades tiene como fundamento, tres axiomas o postulados del
evento probabilstico:

1. Axioma positividad
La probabilidad de un evento es no negativo: es cero o positivo; es
decir, ()

2. Axioma de certidumbre
La probabilidad del espacio muestral es 1; es decir, ()
Un colorario de estos dos axiomas viene a ser que la probabilidad de cualquier
evento E vara entre 0 y 1; es decir, 0 () 1

La P(E)=0 significa un evento que nunca puede ocurrir, por ejemplo:
Cul es la probabilidad de que la suma de las caras en el lanzamiento de un
par de dados sea mayor que 12; como es obvio esta probabilidad es 0, ya que
es un evento imposible.
Cul es la probabilidad de que el ms famoso/a del grupo 02 de bioestadstica,
se encuentre a las 11:00 a.m del da mircoles 23 de octubre del 2013 tanto en
su casa como en la clase de bioestadstica de este da; esta probabilidad es 0
por no poder estar al mismo tiempo en ambos lugares.

La P(E)=1 significa un evento que ciertamente ocurrir , por ejemplo:
Cul es la probabilidad de que en lanzamiento de un par de dados, la suma de
las cara es mayor o igual a 2 y menor o igual a 12; obviamente es 1, ya que se
trata del espacio muestral completo
Si lanzamos una moneda, cual es la probabilidad de que caiga cara o cruz; la
probabilidad tiene que ser 1; ya que la moneda necesariamente tiene que caer
cualquiera de sus dos caras; por lo tanto es la certeza.

3. Axiomas de las Uniones.
La probabilidad de un evento compuesto E es igual a la suma de las
probabilidades de los eventos simples

la probabilidad de la
ocurrencia de E es :
11

() (

) (

) (

)
Este axioma puede generalizarse para cualquier evento compuesto por

Entonces:
() (

) (

) (

) + + P(

)



5.7 TIPOS DE EVENTOS

Un evento es un subconjunto del espacio muestral finito S. De acuerdo a esta
definicin quiere decir que el espacio muestra S tambin es un evento, en el sentido
de que es un subconjunto que contiene todos los eventos elementales en S. Un punto
muestral o evento elemental, tambin es un evento, por ser un subconjunto que tiene
un solo punto muestral en S; asi como un subconjunto que no contiene puntos
muestrales, llamado conjunto vaco, es tambin un evento; es decir, es un evento
imposible.
Por razones didcticas vamos a estudiar los distintos tipos de eventos en el
siguiente orden: Eventos mutuamente Excluyentes, Eventos solapados, Eventos
complementarios, Eventos independientes, Eventos dependientes y Eventos
condicionales.


5.7.1 EVENTOS MUTUAMENTE EXCLUYENTES.

Decimos que dos eventos A y B son mutuamente excluyentes si A y B no tienen puntos
muestrales en comn; es decir, su intercepcin es el conjunto vaco: AB= C. Un
evento y su contrario son mutuamente excluyentes. La probabilidad de que ocurra A
B es igual a la suma de sus probabilidades separadas:
( ) () (). Tambin se usa la siguiente notacin: ( ).


Ejemplo: Lanzamiento de una moneda, solo hay dos posibilidades cara o sello


La probabilidad de cara o sello seria: ( ) () () . Tambin se usa la
siguiente notacin: ( ).
12

OBSERVACIN: Si los eventos

son mutuamente
excluyentes y exhaustivos; es decir, su unin es igual al espacio muestral S, decimos
que los n eventos forman una particin de S en n subconjuntos, y la probabilidad de
esos eventos:
(

) P()=1


EJEMPLO EVENTOS MUTUAMENTE EXCLUYENTES.
1. Si es una caja hay 10 bolas: 2 blancas, 5 azules y 3 negras y se hace una
extraccin;
a) Cul es la probabilidad de que la bola extrada sea blanca o negra?
b. Cul es la probabilidad de que la bola extrada sea blanca azul negra?
Solucin:
a) Sea B=Evento aparecimiento de bola blanca
N=Evento aparecimiento de bola negra
M(B)= Nmero de puntos muestrales del evento B.
M(N)= Nmero de puntos muestrales del evento N.
Entonces m(B)=2 y m(N)=3;
Luego ( ) () ()=

b) () () () ()=

5.7.2 EVENTOS SOLAPADOS.
Se dice que dos eventos

son solapados o unidos, si tiene puntos

muestrales en comn.
Al subconjunto

que contiene los puntos comunes a

se le llama
interseccin de

. La probabilidad de

es igual a:
(

) P(

) (

) (

)
Cuando nos piden la probabilidad de

no es mas que la suma de las tres reas

expresadas por la letras X,Y,Z; que es lo mismo sumar el rea del circulo

con el
circulo

menos

, ya que esta rea fue sumada dos veces.

que contiene los puntos comunes a

se le llama interseccin de

. La probabilidad de

es igual a:

(

) P(

) (

) (

)




13

DIAGRAMA DE EVENTOS SOLAPADOS













EJEMPLO EVENTOS SOLAPADOS.

1. Supngase que va a un supermercado: la probabilidad que tiene de comprar
una marca de caf nacional es

, la de comprar una marca internacional es

y la de
comprar ambas marcas de caf es de

; Cul es la probabilidad de que compre la

marca nacional o la marca internacional o ambas marcas?
Solucin:
Sea N=Evento: compra una marca nacional de caf ()

I=Evento: compra una marca internacional de caf ()

I=Evento comprar una marca nacional y internacional P(N)

() () () ( )

5.7.3 EVENTOS COMPLEMENTARIOS.

Dos eventos E Y

son complementarios si

es sub-conjuto que contiene

todos los puntos muestrales del espacio muestral S que no estn en E; es decir,
los eventos complementarios son mutuamente excluyentes, por lo tanto su
unin es el espacio muestral:

Es decir:

Que se lee as:

es el conjunto de los elementos X tal que X pertenece a S y X

no pertenece a E.
Si

es el complemento de E, entonces:
A
B
A Y B
P(A U B) = P(A) + P(B) P(AB)
14

(

) = 1- P(E)
Hemos visto que el espacio muestral S puede descomponerse en E y

mutuamente excluyentes, entonces

; luego 1=P(S) (por el axioma

2)
1= P(

UE)
1=P(

) + P(E) (por el axioma 3)

DIAGRAMA DE EVENTOS COMPLEMENTARIOS





s



() () (

)


EJEMPLOS DE EVENTOS COMPLEMENTARIOS.

1. Si se lanzan dos dados:
Cul es la probabilidad de que la suma de las caras no sea 11?
Solucin:
Sea E = Evento suma de las caras sea 11

=Evento suma de las caras no sea 11

Entonces E={ (5,6) , (6,5)} ; m(E)= 2 p.m ;
P(E) = 2/36 = 1/18 = 0.0555555
Luego P(

) = 1 - P(E) = 1 - 2/36
=34/36 = 17/18 = 0.9444

2. Si se lanzamos una moneda tres veces: Cul es la probabilidad de que
aparezcan al menos una cara?

Solucin:
Sea E=Evento aparezca ninguna cara

=Evento aparezca una o mas caras

Luego P(

) = 1 - P(E) = 1 - 1/8 = 7/8

E

15

5.7.4 EVENTOS INDEPENDIENTES.

Se dice que dos o ms eventos son independientes, si aparecen al unison o en
secuencia, adems la aparicin de cualquiera de ellos no afecta en absoluto la
probabilidad de aparicin del otro u otros. Por ejemplo en el lanzamiento de una
moneda dos veces, podemos preguntar cul es la probabilidad de que aparezca cara
en el primer lanzamiento y cara en el segundo lanzamiento; se puede comprender que
la pregunta es lgica, ya que la probabilidad de cara en el primer lanzamiento es y la
probabilidad de cara en el segundo lanzamiento tambin sigue siendo ; es decir, la
primera probabilidad no afecta en nada a la probabilidad de cara en el siguiente
lanzamiento.

Distinto seria por ejemplo si tenemos en una caja 10 bolas; 7 blancas y 3 negras y
hacemos dos extracciones de la caja sin remplazo (es decir, no se vuelve la bola
extrada) Y preguntamos cual es la probabilidad de que las dos bolas extradas sean
blancas; la primera probabilidad es

, pero para la segunda ya no podra ser

tambin

; ya que el espacio muestral se ha reducido; por lo tanto la probabilidad

de blanca en la segunda extraccin queda afectado por la ocurrencia de la primera; la
probabilidad de ser blanca en la segunda bola seria

; es decir los eventos no son

independientes.
Decimos que si

son eventos independientes la probabilidad de que ocurra

que se puede denotar as:

Cuando hay ms de dos eventos independientes, la probabilidad de su ocurrencia
simultanea es el producto de las probabilidades separadas; as, si
tenemos que:



EJEMPLOS DE EVENTOS INDEPENDIENTES.

1. Si en una urna tenemos 15 bolas; 5 blancas, 7 negras y 3 azules y se extraen dos
bolas con reemplazamiento: Cul es la probabilidad de que en la primera sea blanca y
la segunda sea azul?
Solucin:
Sea B=Evento: bola blanca en la primera extraccin
A =Evento: bola azul en la segunda extraccin


1 2 1 2
( ) ( ). ( ) P E E P E P E =
1 2 3
. . ,...,
k
E E E E
1 2 3 1 2 3
( ... ) ( ). ( ). ( )... ( )
K k
P E E E E P E P E P E P E =
5 3 15 1
( ) ( ) ( ).( )
15 15 15 15 15
P ByA P B A P A B x
x
= = = = =
16

2. Con los datos del problema anterior: Cul es la probabilidad de que ambas bolas
sean blancas?
Solucin:
Sea B1=Evento: bola blanca en la primera extraccin
B2=Evento: bola blanca en la segunda extraccin
Luego:




3. Siempre con los datos del mismo problema: Cul es la probabilidad de que
aparezcan en el orden blanca, negra y azul?
Solucin:
Sea B=Evento: bola blanca en la primera extraccin
N=Evento: bola negra en la segunda extraccin
A=Evento: bola azul en la tercera extraccin
Luego:







5.7.5 EVENTOS DEPENDIENTES.

Se dice que dos o ms eventos son dependientes cuando la probabilidad de ocurrencia
o no ocurrencia uno de esos eventos, afecta a la probabilidad de otros eventos en
otras pruebas.
Si , son dependientes entonces:



EJEMPLOS DE EVENTOS DEPENDIENTES.

1. Si en una urna tenemos 30 bolas; 8 blancas, 10 negras y 12 azules Cul es la
probabilidad de que al hacer tres extracciones sin reemplazo, aparezcan en el orden
blanca, negra y azul?
Solucin:


1 2 1 2
5 5 25 1
( ) ( ). ( ) 0.11111
15 15 225 9
P B B P B P B x = = = = =
5 7 3 105 7
( ) ( ). ( ). ( ) 0.031111
15 15 15 3375 225
P B N A P B P N P A x x = = = = =
1 2 3
. E E yE
1 2 3 1 2 1 3 1 2
( ) ( ). ( / ). ( / ) P E E E P E P E E P E E E =
8 10 12 8
( ) ( ). ( / ). ( / ) 0.03940886
30 29 28 203
P B N A P B P N B P A BN x x = = = =
17

2. Suponga que como mdico profesional dirige una unidad del hospital Rosales y hace
un pedido 100 unidades del medicamento X, de los cuales 10 vienen vencidos.
Suponga que se extraen tres aleatoriamente sin reemplazo; Cul es la probabilidad de
los tres medicamentos escogidos estn vencidos?
Solucin:
Sea los medicamentos vencidos en la primera, segunda y
tercera extraccin, respectivamente, entonces:




3. Con los datos del problema anterior Cul es la probabilidad de los tres
medicamentos extrados sean buenos?
Solucin:
Sea los medicamentos buenos; entonces:







5.7.6 EVENTOS CONDICIONALES.

El problema que vamos a tratar en este apartado va a ser el de formalizar la idea
intuitiva de que la informacin aportada por el hecho de que haya ocurrido un
suceso B, ha de ser recogida cambiando el espacio de partida.
Consideremos el siguiente experimento aleatorio: Un encuestador elige al azar una
persona en una poblacin de N individuos. Si suponemos que todas las elecciones son
equiprobables, la situacin aleatoria es fcilmente descrita por el espacio
probabilstico ( , , P), en donde es el conjunto constituido por la propia
poblacin en cuestin, =P( ) : conjunto potencia, y P est definida por las masas
1/N situadas en cada punto de . Entre los sucesos de consideremos el suceso A =
Se elige una persona rubia y el suceso B=se elige una persona de altura superior a
1.7m. Estos sucesos son parte de , ya que despus de realizar el experimento
tienen respuesta las preguntas: es rubia la persona encuestada? es de altura
superior a 1.7m? Supongamos que estamos en la situacin que una persona rubia (sin
saber cul) es elegida, o dicho de otra manera ha ocurrido el suceso A. A priori, B ha
podido tener lugar o no; para que hubiese ocurrido, habra sido necesario y suficiente
que se hubiera elegido una persona del subconjunto A B de , y para que no
O A O
A O
O A
O
O
1 2 3
, ,
i
D D D D =
1 2 1 3 1 2
10 9 8 2
( ) ( ). ( / ). ( / ) 0.000742115
100 99 98 2695
P B N A P D P D D P D D D x x = = = =
1 2 3
, ,
i
B B B B =
1 2 3 1 2 1 3 1 2
( ) ( ). ( / ). ( / )
90 89 88 178
0.726530612
100 99 98 245
P B B B P B P B B P B B B
x x
=
= = =
18

hubiese ocurrido, habra sido necesario y suficiente el que se hubiese elegido una
persona del subconjunto A B* de . Supongamos, que ha ocurrido A y se ha
revisado el que B tenga lugar; A ya es un suceso seguro y B no se realizar a menos
que se realizase A B. La probabilidad de realizacin de B, sabiendo que ha ocurrido
A, es el caso de sucesos favorables A B con respecto al nmero de casos posibles que
realizan A; es decir, , de donde dividiendo por N las dos cantidades ser:


En resumen, sabiendo que A se ha realizado, una nueva evaluacin de las
probabilidades de los sucesos, conducen a una nueva ley de probabilidades sobre (
,P( )), denotada por , dando al suceso A una probabilidad igual a uno, y dando una
probabilidad nula a los sucesos disjuntos con A, viniendo definida por:



Definicin. (Probabilidad condicional)
Si son eventos de un espacio muestral tal que entonces la
probabilidad condicional del evento cuando ya ha ocurrido y denotado por:
es:


Proposicin.
Sea ( , , P) un espacio probabilstico y sea A con P(A) > 0. Entonces, ( , ,
P(/A)) es un espacio de probabilidad, donde P(B/A) es la definida anteriormente.
Demostracin.
1. ;
2.


O

A B
A
N
N

( )
( )
A B
A
N
P A B
N
N
P A
N

=
O
O
A
P
( )
( )
( )
A
P A B
P B
P A

=
O A e A O A
( )
( )
/ 0
( )
P A B
P B A
P A

= > B eA
( )
( ) ( )
/ 1
( ) ( )
P A P A
P A
P A P A
O
O = = =
1 2
E yE
2
( ) 0 P E
1
E 2
E
1 2
( / ) P E E
1 2
1 2
2
( )
( / )
( )
P E E
P E E
P E
=
19

EJEMPLOS DE EVENTOS CONDICIONALES.
1. Si se lanza un dado y este cae nmero par. Cul es la probabilidad de que sea
primo?
Solucin:
Sea: = Aparecimiento de un numero primo
= Aparecimiento de un numero par
















2. De los estudiantes de la Facultad de Medicina, 62 de cada 100 son mujeres y 12 de
cada 100 mujeres estudian Doctorado en Medicina. Si se elige un estudiante de la
Facultad de Medicina aleatoriamente y este resulta ser mujer. Cul es la probabilidad
de que estudie medicina?
Solucin:
Sea

Sea = Estudiante de la Facultad de Medicina estudie Doctorado en
Medicina
= Estudiante mujer de la Facultad de Medicina
=Estudiante mujer de la Facultad de Medicina que estudia Doctorado
en Medicina
Segn los datos:
(

1
E
2
E
1 1
2 2
1 2 1 2
1 2
1 2
2
3
{2, 3, 5}; ( ) 0.5
6
3
{2, 4, 6}; ( ) 0.5
6
1
{2}; ( ) 0.166666
6
1
( ) 1
6
_ ( / ) 0.333333
3
( ) 3
6
E P E
E P E
E E P E E
P E E
Luego P E E
P E
= = =
= = =
= = =
= = = =
1
E
2
E
1 2
E E
20

Luego:
(

)
(

)
(

3. Suponga que se estudia, si el color del pelo est asociado al color de los ojos. Se
analizaron 300 personas seleccionadas aleatoriamente con los siguientes
resultados:











a) Si se selecciona una de estas personas al azar, encuentre la probabilidad de que
la persona tenga el pelo negro, dado que tiene los ojos caf.

Solucin:
Primero asignamos letras a los eventos y calculamos los totales de la tabla:







La probabilidad condicional pedida es:

Color
del
pelo
Color de los ojos
Caf Azul Otro
Negro 70 30 20
Rubio 20 110 50
C A O Total
N 70 30 20 120
R 20 110 50 180
Total 90 140 70 300
78 , 0
90
70
300 / 90
300 / 70
) C (
) C N (
) / ( = = =

=
P
P
C N P
21

Es la probabilidad que la persona tenga el pelo negro dado que tiene ojos caf.

b) Son los eventos tener el pelo rubio y tener los ojos azules independientes?
Justifique su respuesta
Para que sean independientes se tiene que cumplir que:





Por lo tanto NO son eventos independientes




c) Cuntas persona rubias de ojos azules esperara encontrar en este grupo si los
eventos fueran independientes? Justifique su respuesta.

Si fueran independientes:






Por lo tanto observaramos 28% es decir 84 personas rubias de ajos azules.












6 . 0 79 . 0
300
180
?
140
110
) ( ) / (
>
= R P A R P
28 . 0 ) (
47 . 0 * 6 . 0 ) (
300
140
*
300
180
) (
) ( ) ( ) (
=
=
=
=
A R P
A R P
A R P
A P R P A R P
22

Captulo 6. Variables aleatorias y distribuciones de probabilidad
6.1. Variables Aleatorias (Nociones bsicas)


Llamada tambin variable estocstica, es una funcin cuyos valores son nmeros
reales y dependen del azar; es decir, es una funcin que se asocia con un experimento
aleatorio. Generalmente se les designa con las ultimas letras del Alfabeto: X , Y , Z.

Para introducir el concepto de variable aleatoria, veamos primero algunos ejemplos, al
arrojar dos dados, sabemos que la suma X de los puntos que caen hacia arriba debe ser
un nmero entero entre 2 y 12, pero no podemos predecir qu valor de X aparecer en
el siguiente ensayo, por lo que decimos que X depende del azar, por lo tanto es una
variable aleatoria que toma valores entre 2 y 12. El tiempo de vida de un foco que se
extrae aleatoriamente de un lote de focos depende tambin del azar, este constituye
otro ejemplo de una variable aleatoria que vara entre el tiempo 0 y un valor
indeterminado, ya que no sabemos exactamente cunto tiempo va durar. El nmero
de varones de una familia con 5 hijos tambin es una variable aleatoria que vara de 0
a 5, ya que en una familia de cinco hijos puede que no haya ningn varn, uno, dos,
tres, cuatro o cinco varones.
Si las observaciones no se dan en trminos numricos, podemos asignarles nmeros y
reducir las observaciones cualitativas al caso cuantitativo; as tenemos que la funcin
que asigna valores numricos a cada uno de los elementos del espacio muestra con
una probabilidad definida, se denomina "variable aleatoria".
Por ejemplo, si se lanza una moneda 3 veces, el nmero de guilas X es una variable
aleatoria que toma los valores 0, 1, 2, 3; es decir puede que ninguna vez, una sola,
dos o tres veces salga guila como resultado; la probabilidad de que (dos guilas)
es 3/8 ya que el espacio muestra S={aaa, aas, asa, ass, sas, ssa, saa, sss}. Y de estos
ocho resultados hay tres en los cuales hay dos guilas. Con esto podemos ver que el
espacio muestral es el dominio de la funcin y el conjunto de valores que la variable
puede tomar es el rango o recorrido de la funcin, que es un subconjunto de los reales
.




Fig.3.1. Variable aleatoria
23

Si el conjunto de valores de X es un conjunto finito o infinito numerable, es decir, si se
pueden enlistar o enumerar, se dice que la variable aleatoria es discreta, y si el
conjunto de valores de X es no numerable, la variable aleatoria se llama variable
aleatoria continua. Son ejemplos de variables aleatorias continuas: la estatura, el peso,
la edad, el volumen, el pH, etc. Algunos ejemplos de variables discretas aleatorias son:
el nmero de alumnos que asisten diariamente durante un semestre, el nmero de
accidentes automovilsticos en una ciudad por da, el nmero de piezas defectuosas
por lote, el nmero de alumnos aprobados por grupo en un examen, etc.
Un recurso para distinguir la clase de variable, puede ser el siguiente: Si son el
resultado de contar, se trata de variable discreta; si son el resultado de medir, se
trata de variables contnuas.


Matemticamente, decimos: Dado un espacio de probabilidad ( O, A ,Pr), una variable
aleatoria es cualquier funcin, X,


:
( )
X
w X w
O

El conjunto S O= es el espacio muestral y Aes la coleccin de todos los subconjuntos
de O.

Identificacin de una variable aleatoria discreta X: es preciso conocer el conjunto de
los posibles resultados de X:
{x
1
, x
2
, ,x
k
, }, donde los x
i
no necesariamente son todos enteros, pero si se
pueden contar o numerar.

El conjunto de las probabilidades siguientes:
p1 = P(X = x
1
)
p2 = P(X = x
2
)
...
P
k
= P(X = x
k
)
...


Una variable aleatoria X es una funcin cuyo dominio es el espacio muestral S y cuyo
rango es un subconjunto de los nmeros reales que tiene asociada a su conjunto de
valores una funcin de probabilidad.
24

Propiedades importantes de la funcin de probabilidad:
a) pi 0 para todo i
b) pi = 1 para todo i

La representacin grfica de la funcin de probabilidad de una variable aleatoria
discreta es anloga al diagrama de barras de frecuencias relativas de una variable
estadstica discreta.
La funcin de distribucin de una variable aleatoria discreta X es:

para todo
La representacin grfica de la funcin de distribucin de una variable aleatoria
discreta es anloga al grfico de frecuencias relativas acumuladas de una variable
estadstica discreta.

Definicin de Valor Esperado de una Variable Aleatoria.

Definicin de E(X), el valor esperado de X:



Notacin alternativa de E(X):
E(X) = x

El valor esperado de una variable aleatoria, tambin conocida como la media
poblacional, es el promedio ponderado de sus valores posibles.


La Varianza de una Variable Aleatoria.
Se dice que una variable queda definida, si se conoce la tendencia central que toman
sus valores y su variabilidad o dispersin. Por un lado la media, mide la tendencia
central de la variable; nos dice donde se sita el centro de la masa de la distribucin de
probabilidad de la variable aleatoria; la dispersin de los valores que toma la variable
puede ser medida por cualquiera de las medidas de variabilidad estudiada
anteriormente. La varianza de la variable X que se representa por V(X)

La varianza de una variable aleatoria discreta X es:

2
= Var(X) = (xi-)
2
pi, para todo i
La desviacin tpica de una variable aleatoria discreta X es:
= (Var(X))
1/2



( ) ( ) Pr( )
i
X i
x t
F t P X t x
s
= s =

t e

=
= + + =
n
i
i i n n
p x p x p x X E
1
1 1
... ) (
2
X
o
25

Ejemplo 6.1.1 Sea X la variable aleatoria que indica la suma de los puntos en las caras
superiores al lanzar dos dados, Determine el espacio muestral, el conjunto de valores
de X y las probabilidades respectivas.
Solucin: El espacio muestral S es el conjunto de los 36 pares ordenados que se indican
a continuacin:



Este conjunto se puede visualizar como el conjunto de puntos del plano cartesiano que
se muestra a continuacin




Fig. 1 Diagrama del Espacio Muestral del lanzamiento de dos dados





La variable aleatoria es la suma de los elementos de cada par, por lo tanto, toma los
valores del 2 al 12, y las probabilidades para cada uno de los
valores de la variable se indican en la siguiente tabla:













26

S Valores de X : x
i


(1,1) 2

(1,2) (2,1) 3

(1,3) (3,1) (2,2) 4

(1,4) (4,1) (2,3) (3,2) 5

(1,5) (5,1) (2,4) (4,2) (3,3) 6

(1,6) (6,1) (2,5) (5,2) (3,4) (4,3) 7

(2,6) (6,2) (3,5) (5,3) (4,4) 8

(3,6) (6,3) (4,5) (5,4) 9

(4,6) (6,4) (5,5) 10

(5,6) (6,5) 11

(6,6) 12


Total:








27

La grfica de lneas para este ejemplo es:














28

El valor esperado de esta variable aleatoria (lanzamiento de dos dados) es:




La varianza de esta variable aleatoria (lanzamiento de dos dados) es:


29

Ejemplo 6.1.2 Supongamos que la Secretara del Medio Ambiente inspecciona una vez
al mes la cantidad de un contaminante que descarga una compaa de productos
qumicos. Si la cantidad del contaminante excede el nivel mximo permitido, se multa
a la compaa y se le obliga a corregir el problema. Consideremos las siguientes dos
variables aleatorias asociadas a este problema:
Primero digamos que X es el nmero de meses antes de que la compaa excede los
lmites permitidos del contaminante. Esta variable toma valores 1, 2, 3, pero no
conocemos donde termina, ya que quizs nunca exceda estos lmites permitidos, por
lo tanto, el conjunto de valores de X es el conjunto de los nmeros enteros positivos.
Como podemos enlistar o numerar el conjunto (es un conjunto numerable) de valores
de la variable X, decimos que la variable aleatoria X es una variable aleatoria discreta.



Ejemplo 6.1.3 Supongamos que nos interesamos por el nmero de varones X en el
experimento de observar al azar dos nios recin nacidos (Sea H = hombre y M =
mujer). Entonces, el espacio muestra, los valores de la variable aleatoria X que cuenta
el nmero de varones y su funcin de probabilidad se dan en la siguiente tabla:























S Valores de X:
x
i


MM 0

MH , HM 1

HH 2



30

Ejemplo 6.1.4 Si definimos la variable aleatoria X como aparecimiento de cara en el
lanzamiento de 4 monedas(lo que es lo mismo lanzar una moneda cuatro veces).

























Una esperanza de 2 caras significa que si lanzamos cuatro monedas al mismo tiempo,
una y otra vez repetidamente, obtenderemos dos caras en cada tirada como
promedio; es decir, si bien es cierto que el numero de caras que aparece en cada
prueba es 0 , 1 , 2, , 3 , 4 en infinito numero de pruebas esperamos obtener un
promedio de 2 caras por lanzamiento





X f p
0 1 1/16
1 4 4/16
2 6 6/16
3 4 4/16
4 1 1/16

X f p
0 1 1/16
1 4 4/16
2 6 6/16
3 4 4/16
4 1 1/16

x
i
p
i
x
i
p
i
x
i
p
i
x
i
p
i

x
1
p
1
x
1
p
1
0 1/16 0 0
x
2
p
2
x
2
p
2
1 4/16 4/16
x
3
p
3
x
3
p
3
2 6/16 12/16
x
4
p
4
x
4
p
4
3 4/16 12/16
x
5
p
5
x
5
p
5
4 1/16 4/16
E x
i
p
i
= E(X) 32/36 = 2
31

La varianza de esta variable aleatoria (lanzamiento de 4 monedas) es:













Ejemplo 6.1.5 Una urna contiene 15 bolas: 5 blancas y 10 negras. Si extrae una bola de
la urna y es blanca, usted gana $3.00; si es negra usted pierde $12.00 Cul es la
esperanza matemtica de este juego.



X f p
Blanca 5 5/15
Negra 10 10/15

x
i
p
i
x
i
(x
i
)
2
(x
i
)
2
p
i


0 1/16 2 4 0.25
1 4/16 1 1 0.25
2 6/16 0 0 0.00
3 4/16 1 1 0.25
4 1/16 2 4 0.25
1.00
32







Como la esperanza matemtica es negativa, se dice que ha habido un prdida
promedio de $7.00

Ejemplo 6.1.6 Una urna contiene 6 bolas: 3 azules, 2 blancas y 1 negra. Se extrae una
bola de la urna, si sta es negra gana $4.00; si es blanca gana $1.00 Cunto deber
pagar usted, si sale azul, para que el juego sea equitativo?





x
i
p
i
x
i
p
i
x
i
p
i
x
i
p
i

x
1
p
1
x
1
p
1
$3.00 5/15 1
x
2
p
2
x
2
p
2
-$12.00 10/15 -120/15
E x
i
p
i
= E(X) -7
33








Ejemplo 6.1.7 Se hace un pedido de 25 medicamentos, de los cuales por error, van
entre ellos 5 medicamentos incompletos; si examinamos tres medicamentos uno por
uno con remplazo (es decir, volviendolos al lote, despues de examinarlos), y definimos
la variable X como medicamentos incompletos; Cul es la probabilidad de obtener
exactamente:
a) Ningn medicamento incompleto
b) Un medicamento incompleto
c) Dos medicamentos incompletos
d) Tres medicamentos incompletos
e) Encontrar la varianza del nmero de medicamentos incompletos.










34






35

)

Para calcular la varianza, primero hay que calcular la esperanza:

() (

) (

) (

) (

()

()

Metodo mas abreviado para calcular

la varianza.

(

() (

) (

) (

) (

Finalmente:
()

()

)



EJERCICIOS

1. El Club Deportivo de la UES esta planeando llevar a cabo un partido de futboo a
beneficio de otras actividades deportivas. La experencia que se tiene con otros
partidos que se han realizado, la asisitencia a dichos eventos puede estimarse
en la siguiente forma:

No. De estudiantes que
asisten (X)
Probabilidades
(Px)
1,000
1,200
2,000
2,500
0.10
0.20
0.40
0.30

Si los equipos contendientes cobran $700.00 cada equipo y el precio de entrada
para ver le partido es $1.00 por persona; Cul es la esperanza matemtica de
la ganancia o prdida, al llevarse a cabo el partido de futbol?

2. Un Hospital planea incrementar el nmero de mquinas de Ultrasonografia
para ateneder con ms rapidez y eficacia a su clientela. Antes de llevar a cabo la
36

compra de las mquinas, toma en cuenta la experiencia que se ha tenido con
las mquinas que ya se tienen en uso compradas a dos compaas diferentes.
Basado en la experiencia de las mquinas en uso, las vidas tiles de las
mquinas de ambos fabricantes, puede estimarse de la siguiente manera:
Vida til estimada
en horas (X)
(Fabricante A)
Probabilidad de
vida til
Vida til estimada en
horas (X) (Fabricante
B)
Probabilidad de
vida til
1,200
2,000
3,000
5,000

0.20
0.60
0.15
0.05
1,200
2,000
3,000
5,000

0.50
0.35
0.10
0.05

A qu fabricante debe comprar el hospital las mquinas, si el costo de ambas
es el mismo?

3. Un comerciante basado en experiencias pasadas, estima que hay 0.10 de
probabilidades de vender cero unidades de cierto producto por da; 0.20 de
probabilidad de vender una unidad , 0.20 de probabilidad de vender dos
unidades. Si se venden una o dos unidades, el beneficio por unidad es de $2.00;
si se venden tres unidades, el beneficio por unidad es de $3.00 y se se venden
cuatro unidades el beneficio por unidad es de $4.00 Determinar el valor
esperado (esperanza matemtica) de la variable aleatoria beneficio total.

4. Si se lleva a cabo una rifa con 10,000 nmeros a $10.00 el nmero. Hay un
premio mayor de $100,000; dos premio de $10,000 y cuatro premios de $5,000
cada uno. Si una persona compra un nmero: Cul es su esperanza
matemtica?

5. Una urna contiene 20 bolas: 10 blancas y 10 negras. Si se extraen cinco
simultneamente (sin reemplazo). Definiendo X como aprecimiento de bola
blanca, calcule:

a) La media aritmtica
b) La Varianza.

6. Calcular la media y la varianza del problema anterior, si las extracciones se hacen con
reemplazo.