A.04 Apunte Cuarto Módulo

Universidad Tcnica Federico Santa Mara Renato Allende Olivares
Departamento de Matematica Humberto Villalobos Torres

64
6. CUARTO MDULO

6.1 Elementos de Probabilidad

En la investigacin cientfica, por lo general, se requiere de modelos que
ayuden a comprender el fenmeno bajo estudio. En un amplio campo, no es posible
contar con modelos exactos, tambin conocidos como modelos determinsticos. En
tales situaciones, las mediciones obtenidas presentan perturbaciones no controlables,
lo que lleva a que la observacin presente variabilidad en los resultados, para
experimentos en condiciones supuestamente idnticas, por ende, existe una especie
de azar o aleatoriedad en el resultado de la medicin, lo que termina por dificultar la
posibilidad de predecir el resultado con certeza.

Por ejemplo, en el problema de determinar la resistencia a la ruptura de una
barra de acero (con alguna especificacin de la misma), es muy creble, que en la
medicin de diez barras, ninguna resulte igual, luego, si se quiere ofrecer una
especificacin de la resistencia de las barras que se producen: cul es el valor de la
resistencia de las barras que se ofrecera?, la resistencia de la barra 1, 2, 3, ... , 10?,
la mnima resistencia?, la mxima resistencia?. Posiblemente una respuesta comn
sera, la resistencia media, aunque tal vez, ste no sea el mejor indicador.

En el campo de investigaciones, donde no es posible utilizar modelos
determinsticos, es natural esperar que en la prediccin no sea exacta, sin embargo,
por ms que no sea posible prever el resultado con certeza en cada medicin, cuando
se est en presencia de fenmenos aleatorios o estocsticos, no significa que dichas
mediciones no posean ninguna regularidad, el objetivo de determinar el patrn de
dicha regularidad, es lo que en el futuro conoceremos como ley de probabilidad.

Nuestro primer objetivo es repasar el concepto de probabilidades, siguiendo
los diversos enfoques de esta medida de incertidumbre.

Enfoque Clsico

El enfoque apriorista o clsico, tiene la caracterstica esencial, que basa en la
asignacin de medida de ocurrencia para un resultado, sobre los antecedentes que
aporta un experimento que se realiza de la manera ms metdica posible, en donde
los posibles resultados del mismo son igualmente probables, situacin que
tambin se conoce como un experimento equiprobable. Este es el caso tpico de los
juegos de azar. Por ejemplo, considerando el problema de un juego de cartas, de
acuerdo con el enfoque clsico, todas las cartas tienen la misma posibilidad de ser
escogidas, por lo tanto, si se elabora un juego donde el participante elige una carta, la
probabilidad de que se escoja una carta roja, est dada de forma natural por: el
nmero de resultados elementales posibles favorable al resultado, llammosle # R,
del total de posibles resultados al extraer una carta de dicho naipe, llammosle # S.
65
En esta situacin todos los resultados elementales son igualmente probables;
entonces, la probabilidad de que ocurra el resultado en cuestin es:

[Cartas sea Roja] =
S
R
#
#
.

Notemos que en el enfoque clsico (cuando es aplicable) se determinan los
valores de probabilidad antes de observar los resultados experimentales, por esta
razn se le denomina enfoque a priori.

APLICACIN 6.1 En un mazo de cartas bien barajadas que contiene 4 ases y 48
cartas de otro tipo, la probabilidad de obtener un as en una extraccin es:

[Obtener un as] =
S
A
#
#
=
13
1
52
4
= .

Enfoque Frecuentista

En el enfoque de frecuencia relativa, se determina la probabilidad con base en
la proporcin de veces que ocurre un resultado favorable en un determinado nmero
de observaciones o experimentos. No hay implcita ninguna suposicin previa de
igualdad de probabilidades.

Debido que para determinar los valores de probabilidad se requiere de la
observacin y de la recopilacin de datos, a este enfoque se le denomina tambin
enfoque emprico. Este enfoque no asigna probabilidades a priori a los posibles
resultados del experimento.

La probabilidad en el enfoque frecuentista se asocia directamente al concepto
de frecuencia relativa ya trabajado en estadstica descriptiva, de acuerdo con este
enfoque la probabilidad de que ocurra un resultado determinado, como por ejemplo
llegar atrasado al trabajo es:

[Llegar atrasado al trabajo] =
n
n
i
=
llegadas total Nmero
atrasos de Nmero
.

APLICACIN 6.2 Antes de incluir la cobertura de ciertos tipos de problemas
dentales en plizas de seguros mdicos para adultos, una compaa de seguros desea
determinar la probabilidad de ocurrencia de esa clase de problemas, para que pueda
fijarse la prima de seguros. Por ello, un especialista en estadstica recopila datos para
10000 adultos y encuentra que 100 de ellos han experimentado el problema dental
especfico durante el ao anterior. Por ello, la probabilidad de ocurrencia es:

[Problema dental] =
n
n
i
= 1% 0,01
10000
100
=
66
Enfoque Bayesiano

Tanto el enfoque clsico como el de frecuencia relativa producen valores de
probabilidad objetivos, en el sentido de que sealan la tasa relativa de ocurrencia del
evento a largo plazo. De acuerdo con el enfoque bayesiano, la probabilidad de un
resultado es el grado de confianza que se tiene de que ste ocurra.

Debido a que el valor de la probabilidad es un juicio personal, este enfoque,
es llamado enfoque subjetivo. El desarrollo de la probabilidad mediante este enfoque,
ha recibido mucha atencin en los ltimos tiempos, y tiene relacin con el anlisis
bayesiano de decisin.

APLICACIN 6.3 Debido a los impuestos y a los posibles usos alternativos de sus
fondos, un inversionista ha determinado que la compra de terrenos vale la pena slo
si existe una probabilidad de cuando menos 0.90 de que el terreno obtenga plusvala
por 50% o ms en los prximos 4 aos. Al evaluar un determinado terreno, el
inversionista estudia los cambios de precios en el rea en los aos recientes,
considera los niveles corrientes de precios, estudia el estado corriente y futuro
probable de los proyectos de desarrollo inmobiliarios y revisa las estadsticas
referentes al desarrollo econmico del rea geogrfica global. Con base en esta
revisin, concluye que existe una probabilidad de aproximadamente 0.75% de que se
d la plusvala. Como esta probabilidad es menor que la mnima requida, (0.90), no
debe llevarse a cabo la inversin.

Desarrollo Axiomtico de Probabilidad

La medida de probabilidad (P), se apoya en argumentos de Teora de Medida,
que para su definicin axiomtica requiere de algunas definiciones previas, las cuales
pasamos a recordar.

Definicin 6.1: Espacio Muestral. Se define el espacio muestral como el conjunto de
todos los posibles resultados del experimento, y se anota por .

Definicin 6.2: Suceso o Evento. Un suceso o evento, es cualquier subconjunto de , y
se anota generalmente con letras maysculas. A, B, C etc.

A partir de (espacio muestral), se tiene que 2

o [] es el espacio de
sucesos(conjunto potencia), es decir, el conjunto de todos los subconjuntos de ,.

El conjunto, 2

, es una sigmaalgebra (conjunto de sucesos) si cumple con las
siguientes propiedades:

, si A A
c
,.y si {A
n
}
n IN

=1 n
A
n
.
67
El par (, ) se dice espacio medible, y la funcin :
+
, es una
medida de probabilidad si satisface:

1. 0 [A] 1, A .

2. [] = 1.
3. A
1
, A
2
disjuntos [
n
1 = i
A
n
] =
=
n
1 i
[A
i
]
i
.

Dependiendo del nmero de posibles resultados de un experimento aleatorio,
el espacio muestral puede ser clasificado como:

Finito

Discreto

Numerable

Infinito

Acotado

Continuo

No Numerable
No Acotado

En una primera aproximacin, el clculo probabilidades se aborda desde los
espacios muestrales finitos, lo cual se reduce a saber contar. Sin embargo, para poder
contar eficientemente, se requiere de tcnicas de conteo.

Tcnicas de Conto

Principio de multiplicacin. Supongamos que un procedimiento, llammosle
1, puede hacerse de n
1
maneras. Supongamos que un segundo procedimiento,
llammosle 2, se puede hacer de n
2
maneras. Tambin supongamos que cada una de
las maneras de efectuar 1 puede ser seguida por cualquiera de las n
2
de efectuar 2.
Entonces el procedimiento que consta de 1 seguido por 2 se puede hacer de n
1

x
n
2

maneras, como se representa en la Figura 6.1.

Figura 6.1: Desarrollo esquemtico del principio multiplicativo.
68
Este principio puede generalizarse a cualquier nmero de procedimientos. Es
decir, si hay r procedimientos, y cada uno de stos se puede hacer de n
i
maneras
(i = 1, 2, ... , r), entonces el procedimiento que consiste en 1, seguido por 2, ... ,
seguido por el procedimiento r puede llevarse a cabo de n
1

x
n
2

x
n
r
.

APLICACIN 6.4 Considrese un proceso de manufactura en lnea para un artculo.
En cada una de las cuatro lneas se inspecciona una caracterstica particular y se
marca su conformidad. Existen 3, 4, 2 y 2 mediciones posibles, en los controles 1, 2,
3 y 4 respectivamente. Por lo tanto, un artculo es rechazado o aprobado al pasar por
3
x
4
x
2
x
2 = 48 inspecciones

Principio de adicin. Supongamos que un procedimiento, llammosle 1, se
puede hacerse de n
1
maneras, y que un segundo procedimiento, llammosle 2, se
puede hacer de n
2
maneras. Supongamos adems que no es posible que ambos
procedimientos, 1 y 2, se realicen. Entonces el nmero de maneras como se puede
hacer el procedimiento 1 2 es de n
1
+ n
2
, como se representa en la Figura 6.2.

Figura 6.2: Desarrollo esquemtico del principio aditivo.

Tambin este principio puede generalizarse como sigue: si hay r
procedimientos, y cada uno de stos se puede hacer de n
i
maneras (i = 1, 2, ... , r),
entonces el nmero de maneras como podemos hacer el procedimiento 1, o el
procedimiento 2, o ... , o el procedimiento r est dado por n
1
+ n
2
+ ... + n
r
,
suponiendo que los procedimientos no se pueden realizar en forma conjunta.

APLICACIN 6.5 Supongamos que una persona desea realizar la planificacin para
sus estudios de enseanza superior, debe decidir entre Universidades tradicionales,
privadas o centros de formacin Tcnica. En su zona geogrfica hay tres
universidades tradicionales, cinco universidades privadas y cuatro centros de
formacin Tcnica, entonces hay 3 + 5 + 4 = 12 decisiones posibles para sus estudios.

Ambos principios son empleados en los siguientes clculos. Supongamos el
caso de una competencia canina, en la cual existen n participantes, donde el jurado
69
mide una serie de caractersticas del can para su puntuacin. El problema consiste en
determinar el nmero de formas distintas en las que pueden salir los canes para ser
evaluados por el jurado. Se asume que el can es evaluado slo una vez sta
situacin se conoce como extraccin sin reposicin, dada la no posibilidad de medir
dos veces el mismo can.. Para que el primer can sea evaluado existen n posibilidades,
mientras que para el segundo existen n 1 posibilidades, hasta que se llega al ltimo,
donde slo que una posibilidad.

N de posibilidades n n 1 n 2 ........... 2 1

Eleccin 1 2 3 ........... n 1 n

Es claro que en esta situacin, aplicando del principio multiplicativo, se
obtiene que el nmero de formas distintas en las que pueden salir los canes para ser
evaluados por el jurado, estas son: n
x
(n 1)
x
(n 2)
x
...
x
1.

Definicin 6.3: Factorial. Sea n IN, entonces se define n factorial como n
x
(n 1)
x
(n 2)
x
...
x
1, el cual se simboliza por n!.

Existen situaciones donde una vez seleccionado un elemento ste puede ser
nuevamente seleccionado. Por ejemplo, consideremos la situacin de generar un
cdigo de n smbolos utilizando r smbolos. Simplificando, sean 1, 2, 3, 4, 5 y las
letras a, b, c, los smbolos. Cuntos cdigos de cinco smbolos se pueden formar?.
Es evidente que el cdigo [1 1 1 a a] es distinto al cdigo [1 a 1 a 1], a pesar de
poseer los mismos elementos en su constitucin, este es el caso tpico de extraccin
con reposicin, que en el caso general se muestra en la siguiente figura:

N de posibilidades n n n ........... n n

Eleccin 1 2 3 ........... r 1 r

En esta situacin mediante la aplicacin del principio multiplicativo, se
obtiene que el nmero de formas distintas en las que puede conformar un cdigo de r
smbolos utilizando los n smbolos, est dado por: n
x
n
x
n
x
n = n
r
.

Otras situaciones se dan cuanto se debe escoger r elementos de un conjunto
de n, por ejemplo, escoger r individuos para ocupar cargos distintos (presidente
tesorero, etc.) de un grupo compuesto por n individuos (r < n), de cuantas formas
distintas se pueden asignar los r cargos entre los n individuos?. Es evidente, que un
individuo deber ocupar slo un cargo, es por eso que para el primer cargo se cuenta
con n individuos, para el segundo cargo se cuenta con n 1 individuos, hasta llegar
al r-simo cargo donde quedan n r + 1 individuos para ocupar el cargo, tal como se
muestra en la siguiente figura.
70
N de posibilidades n n 1 n 2 ........... n r + 2 n r + 1

Eleccin 1 2 3 ........... r 1 r

obtiene que el nmero de formas distintas en las que puede conformar los r cargos
utilizando n los individuos se encuentra dada por: n
x
(n 1)
x
...
x
(n r + 1). Este
clculo parece sencillo pero cuanto se trabaja con tamaos como n = 150 y r = 60, el
proceso se torna tedioso, sin embargo, utilizando una herramienta de conteo, el
clculo se simplifica enormemente, como se muestra a continuacin.

n n 1 ..... n r + 2 n r + 1 n r n r 1 ..... 1 1

n r n r 1 .....
1
2
1 2 ..... r 1 r

Como se puede apreciar en la figura anterior en la lnea 1, se tiene a n!,
mientras que en la lnea 2, se tiene a (n r)!, lo que lleva a la siguiente igualdad:

n
x
(n 1)
x
(n 2)
x
...
x
(n r + 1) =
)! (
!
r n
n
.

En este ejemplo el orden en que los individuos son asignados a los cargos es
importante, pues una vez escogidos r individuos, con stos se pueden obtener
distintas configuraciones segn el cargo que ocupe. Esto se conoce como la
permutacin de r elementos sobre n.

Definicin 6.4: Permutacin. Se define la permutacin de r elementos sobre n como
el nmero de arreglos distintos que se pueden hacer con r elementos de un total de n.
Esta expresin se simboliza por:

nPr = P =
n
r
)! (
!
r n
n
.

APLICACIN 6.6 Una directorio compuesto por: Presidente, Secretario y Tesorero,
se debe elegir de un total de 10 candidatos. Entonces el nmero de directorios
diferentes se encuentra dada por:

10
3
P = =
3)! (10
10!
=
7!
10!
720 directorios distintos.

En los casos anteriores se ha supuesto, que el orden en que son asignados los
elementos es importante, situacin que se da en un nmero importante de problemas,
sin embargo, existe otro conjunto de situaciones, no menos importante, donde el
orden en que son asignados los elementos pierde importancia, y lo realmente
trascendental son los elementos escogidos.
71
Supongamos el caso que se cuenta con un lote compuesto por n tarros de
conserva de durazno del mismo contenido y marca, de los cuales se escogern al azar
r tarros para observar si estos presentan deformaciones, donde resulta evidente que si
se escogen los tarros al azar, lo menos importe parece ser el orden en que fueron
escogidos. Bajo las consideraciones de que lo importante es la eleccin de los r tarros
de un conjunto de n, se define: C, como el nmero de arreglos que se pueden obtener
al escoger r tarros distintos sin importar el orden de un conjunto de n.

Con anterioridad se haba logrado determinar que la eleccin de r tarros
importando el orden de un conjunto de n estaba dada por nPr. Por lo tanto, escogidos
r tarros distintos de un total de n, que hemos simbolizado por C, es fcil observar que
si se quieren ordenar, en la primera eleccin se disponen de r tarros, en la segunda
eleccin se disponen de r 1 tarros, hasta la r-sima eleccin que se disponen del
ltimo tarro ya seleccionado, como se muestra a continuacin.

N de posibilidades r r 1 r 2 ........... 2 1

Eleccin 1 2 3 ........... r 1 r

obtiene que el nmero de formas distintas en las que pueden ordenar los r tarros
escogidos de un total de n, se encuentra dada por: r
x
(r 1)
x
(r 2)
x
...
x
1. Se
puede observar que ste ltimo factor multiplicado a C, entrega:

r
x
(r 1)
x
(r 2)
x
...
x
1
x
C = r!
x
C = nPr =
)! (
!
r n
n
.

Por simple despeje se tiene que el nmero de conformaciones distintas que se
pueden obtener de r elementos de un total de n, sin importar el orden sino los
elementos que se conforman, antes definida por C, que en el futuro llamaremos
combinatoria, est dada por:

C =
!
P
r
r n
=
)! ( !
!
r n r
n
.

Definicin 6.5: Combinatoria. Se define la combinatoria de r elementos sobre n como
el nmero de arreglos distintos que se pueden hacer con r elementos de un total de n
sin importar el orden en que son asignados. Esta expresin se anota por:

nCr =
n
r
C =
|
|
.
|
\
|
r
n

=
!
P
r
r n
=
)! ( !
!
r n r
n
.

APLICACIN 6.7 Para formar un comit se van a elegir a tres personas de un total de
10. El nmero de grupos diferentes de tres personas que podran elegirse, sin importar
72
el orden diferente en el que cada uno de los grupos est dado por:

3)! - (10 3!
10!

3 10
= = C C
r n

! 7 ! 3
! 7 8 9 10

= 120
6
720
2 3
8 9 10
= =

= .

6.2 Calculo de Probabilidades

En el enfoque clsico, la probabilidad de un suceso, se basa en el
cuociente del nmero de resultados que son favorables al suceso, con respecto al
nmero total de resultados posibles, y para su eficiente clculo es necesario recurrir a
permutaciones y/o combinaciones.

Adems, antes de iniciar el clculo de probabilidades es necesario recordar
algunas elementales propiedades.

Propiedades de una Medida de probabilidad

Se utiliza el smbolo para designar la probabilidad de un suceso. Luego
[A] denota la probabilidad de que ocurra el suceso A., una propiedad obvia es que:

0 [A] 1

Un evento puede ocurrir o no, luego la suma de la probabilidad de
ocurrencia de un evento ms la probabilidad de no-ocurrencia es siempre igual a 1.

[A] + [A
c
] = 1

APLICACIN 6.8 Suponga que se define como xito, la extraccin de cualquier carta
de un naipe bien barajado de 52 cartas con figura o un as. Como 16 cartas de las 52
son jotas, reinas, reyes o ases, la probabilidad de xito es 16/52 = 4/13 y la
probabilidad de no xito es entonces 9/13.

Eventos Mutuamente Excluyentes

Dos o ms eventos son mutuamente excluyentes, o disjuntos, si no pueden
ocurrir simultneamente. Por ejemplo, supngase que se consideran los eventos as"
y "rey" en la extraccin de una carta de un mazo. Estos dos eventos son mutuamente,
excluyentes porque ninguna carta puede ser al mismo tiempo as y rey.

Dos o ms eventos son no excluyentes cuando es posible que puedan ocurrir
simultneamente. Obsrvese que esta definicin no indica que los eventos deban
necesariamente ocurrir en forma conjunta. Por ejemplo, supngase que se consideran
los eventos as y trbol". Estos eventos no son mutuamente excluyentes porque
73
una carta determinada puede ser al mismo tiempo as y trbol; sin embargo, esto no
implica que todo as sea trbol o que todo trbol sea as.

APLICACIN 6.9 En un estudio de la conducta de los consumidores, un analista
clasifica a las personas que entran en una tienda de aparatos de sonido de acuerdo
con su sexo ("masculino" o "femenino") y su edad ("menor de 30" o "30 o mayor).
Los eventos, masculino y femenino son mutuamente excluyentes puesto que
ninguna persona podra clasificarse en ambas categoras. De manera similar, los
eventos "menor de 30" y "30 o mayor" son tambin mutuamente excluyentes. Sin
embargo, los eventos "masculinos" y menor de 30" no son mutuamente excluyentes
porque una persona elegida al azar podra estar en ambas categoras.

Regla de Aditividad

Se utiliza esta regla cuando se desea determinar la probabilidad de que ocurra
al menos un evento entre dos(o ms). Conceptualmente representa la probabilidad de
que ocurra el evento A o B y se escribe mediante [A U B].

La regla de la adicin para eventos mutuamente excluyentes es:

[A o B] = [A B] = [A] + [B]

APLICACIN 6.10 Cuando se extrae una carta de un mazo de barajas, los eventos "as"
(A) y "rey" (R) son mutuamente excluyentes. La probabilidad de extraer ya sea un as
o un rey en una extraccin es:

[A R] = [A] + [R] =
13
2
52
4
52
4
= +

Nota: La regla de adicin para eventos excluyentes puede generalizarse a tres o ms
eventos.

La regla de la adicin para eventos que no son mutuamente excluyentes es:

[A o B] = [A B] = [A] + [B] [A B]

APLICACIN 6.11 Cuando se extrae una carta de un mazo, los eventos "as" y "trbol"
no son mutuamente excluyentes. La probabilidad de obtener un as (A) o un trbol (T)
(o ambos) en una sola extraccin es:

[A T] = [A] + [T] [A y T] =
13
4
52
1
52
13
52
4
= +

En el lenguaje de conjuntos, la probabilidad [A y T] se escribe [A T], y
74
se interpreta como la probabilidad de que ocurran simultneamente.

Nota: La regla de adicin para eventos no excluyentes puede generalizarse con
algunas variantes a tres o ms eventos.

APLICACIN 6.12 Con el fin de analizar una nueva propuesta, una importante
empresa Inmobiliaria decide convocar a una reunin a cinco Ingenieros, cuatro
Arquitectos y tres Constructores. En dicha reunin se acuerda conformar una
comisin para estudiar la factibilidad del proyecto, que estar integrada por tres
profesionales. El directorio cree que la eleccin de los integrantes debe ser aleatoria,
no obstante, se piensa que al emplear este criterio de seleccin, se pueden dar ciertos
sesgos profesionales. Analicemos algunas situaciones de inters:

El experimento, X : Se escogen tres profesionales al azar.

: {(I
1
, I
2
, I
3
); (I
1
, I
2
, I
4
); (I
1
, I
2
, I
5
); (A
1
, A
2
, I
3
); (A
1
, C
2
, I
3
); ...}

Cul es la probabilidad que la comisin tenga los tres tipos de profesionales?

T : {La comisin quede compuesto por profesionales de distintas carreras}.

[T] =
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
3
12
1
3
1
4
1
5
= 0,273.

Cul es la probabilidad de que la comisin quede formada por exactamente
dos personas de igual profesin?

U : { quede compuesto por exactamente dos personas de igual profesin}

[U] =
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
+
|
|
.
|
\
|
|
|
.
|
\
|
+
|
|
.
|
\
|
|
|
.
|
\
|
3
12
1
9
2
3
1
8
2
4
1
7
2
5
= 0,659.

Cul es la probabilidad de que la comisin quede compuesto por al menos
dos personas de profesiones distintas?.

[T U] = 0,273 + 0,659 = 0,932
75
6.3 Probabilidad Condicional y Eventos Independientes

Dos eventos son independientes cuando la ocurrencia de uno no tiene ningn
efecto sobre la probabilidad de ocurrencia del otro y luego son dependientes cuando
la ocurrencia de uno si afecta la probabilidad de ocurrencia del otro evento.

APLICACIN 6.13 Los resultados asociados con el lanzamiento de una moneda, dos
veces seguidas, son claramente eventos independientes, ya que el resultado del primer
lanzamiento no tiene ningn efecto sobre probabilidades del segundo lanzamiento.
Por otra parte la extraccin de dos cartas sin reemplazo de un mazo son claramente
eventos dependientes, ya que las probabilidades asociadas con la segunda extraccin
dependen del resultado de la primera extraccin.

El concepto de probabilidad condicional se emplea para redefinir el clculo
de probabilidad de ocurrencia de un evento dada cierta condicin ( o informacin).

La expresin [B / A} mide la probabilidad de que el evento B ocurra dado que el
evento A ocurri. Ntese que "B / A" no es una fraccin.

Si los eventos A y B son independientes, la probabilidad condicional [B /
A] es igual a la probabilidad simple (no condicional) [B]. Por lo tanto, una forma
evaluar la independencia de dos eventos A y B consiste en comparar

[B / A]
?
= [B] o [A / B]
?
= [A]

Si se conoce la probabilidad simple (no condicional) de un primer evento A y
la probabilidad conjunta de dos eventos A y B, entonces se puede determinar la
probabilidad condicional [B / A] mediante:

[B A]

[B / A]=
[A]

Con cierta frecuencia se confunde la diferencia entre eventos mutuamente
excluyentes y no excluyentes, por un lado, y los conceptos de independencia y
dependencia por el otro.

Regla Multiplicativa

La regla multiplicativa se refiere a la determinacin de la probabilidad de la
ocurrencia conjunta de dos ms eventos.

La regla multiplicativa para dos eventos A y B es:

[A B] = [A][B / A]
76
APLICACIN 6.14 Si se lanza dos veces una moneda, la probabilidad de que ambos
resultados sean "cara" es:

[C
1
C
2
] = [C1][C2 / C
1
]= [C1][C2 ]=
4
1
2
1
*
2
1
=

La regla multiplicativa para tres eventos A, B y C es:

[A BC] = [A][B / A][C / A B]

Nota: La regla multiplicativa puede generalizarse fcilmente a ms de tres eventos

Los diagramas de rbol son particularmente tiles para ilustrar los posibles
eventos asociados con observaciones o ensayos secuenciales. La figura, es un
ejemplo de estos diagramas para los eventos asociados con el lanzamiento de una
moneda dos veces, donde se identifica los resultados posibles y la probabilidad en
cada punto de la secuencia.

APLICACIN 6.15 En la figura, se observa que son posibles cuatro tipos de
secuencias de eventos conjuntos, y de acuerdo con la regla para eventos
independientes, la probabilidad de ocurrencia conjunta para cualquiera de esas
secuencias es 1/4 . Como stas son estas las nicas secuencias posibles, y como se
trata de secuencias mutuamente excluyentes, de acuerdo con la regla de adicin la
suma de las cuatro probabilidades conjuntas debe ser 1.0:

APLICACIN 6.16 El Gerente de una empresa de seguridad que presta servicios a
grandes tiendas, para lograr un efectivo control contra robos, debe decidir entre
comprar detectores producidos por Simons Elctrica Universal. La probabilidad de
que el detector producido por Simons, cumpla satisfactoriamente con su propsito es
de 0.90, mientras que la de un detector producido por Elctrica Universal, es de 0.74.
Las empresas proveedoras (Simons Elctrica Universal) presupuestan que para
tener un control efectivo se deben instalar, de forma que funcionen de manera
77
independiente, 3 detectores segn Simons 5 segn Elctrica Universal. Cul
detector es ms conveniente, de manera que maximice la probabilidad de control?.

e
i
: {Detector Siemens i-simo cumple con su propsito}.
c
i
: {Detector Elctrica Universal i-simo cumple con su propsito}.
T : {Detectores instalados cumplen con su funcin}.

[e
i
] = 0.90 [c
i
] = 0.74 i = 1 , ...

[T] = [e
1
e
2
e
3
] = 1 [
c
1
e
c
2
e
c
3
e ].

= 1 [
c
1
e ][
c
2
e ][
c
3
e ] = 0.9990

[T] = [c
1
c
2
c
3
c
4
c
5
]
= 1 [
c
1
c
c
2
c
c
3
c
c
4
c
c
5
c ]
= 1 [
c
1
c ][
c
2
c ][
c
3
c ][
c
4
c ][
c
5
c ] = 0.9988.

De los resultados es conveniente usar el detector Siemens. La empresa en
cuestin se ha adjudicado una importante licitacin, sin embargo sta exige que la
probabilidad de control efectivo sea al menos de 0.9999995. Cuntos detectores
Simons deberan ser instalados?.

[T] > 0.9999995 [e
1
e
2
... e
n
] > 0.9999995
1 [
c
1
e
c
2
e ...
c
n
e ] > 0.9999995

=
n
i 1
[
c
1
e ] < 0.0000005

=
n
i 1
1 . 0 < 0.0000005
(0.1)
n
< 0.0000005

n >
) 1 . 0 (
) 0000005 . 0 (
ln
ln
7

APLICACIN 6.17 Suponga que se sabe que un conjunto de 10 refacciones contiene
ocho en buen estado (B) y dos partes defectuosas (D). Si se seleccionan al azar dos
refacciones sin reemplazo, la probabilidad de que las dos refacciones seleccionadas
estn en buen estado es:

[B
1
y B
2
] = [B
1
] [B
2
/B
1
] =
45
28
9
7
*
10
8
= .

donde los subndices indican la posicin secuencial de los resultados.
78
Regla de Bayes

La regla de Bayes permite actualizar ciertas probabilidades a priori para
transformarse en probabilidades posteriori de un evento (experimento).

La importancia de la regla de Bayes consiste en que se aplica en contexto de
eventos secuenciales y adems, de que proporciona la base para determinar la
probabilidad condicional de un evento a la luz de un evento especifico que ha
ocurrido. La frmula de clculo para el teorema es:

[A B] [A] [B / A]
[A / B]=
[B]
=
[A] [B / A] + [A
c
] [B / A
c
]

Nota: 1. - El denominador es la probabilidad total o global del evento.
2. - La regla de probabilidad total o global puede generalizarse a tres o ms
eventos.

APLICACIN 6.18 Supngase que existen 2 urnas U
1
y U
2
. La urna 1 tiene ocho bolas
rojas y dos bolas verdes, en tanto que la urna 2 tiene cuatro bolas rojas y seis bolas
verdes. Si se elige una urna al azar, y despus se selecciona al azar una bola de esa
urna escogida, el proceso secuencial y las probabilidades pueden representarse
mediante el diagrama de rbol de la figura. El diagrama de rbol indica que la
probabilidad de elegir cualquiera de las urnas es 0,50 y despus, las probabilidades
condicionales de extraer una bola roja (r) o una verde (V) son las que se sealan.

Ahora, supngase que se observ una bola verde Cul es la probabilidad de
que se haya seleccionado la urna 1? En smbolos, [U
1
/ V
2
]?

[U
1
] [V
1
I U
1
]
[U
1
I V
1
] =
[U
1
] [V
1
I U
1
] + [U
2
] [ V
2
I U
2
]

=
) 6 . 0 )( 5 . 0 ( ) 2 . 0 )( 5 . 0 (
) 2 . 0 )( 5 . 0 (
+
= 0.25
79
Debe observarse del ejemplo que la regla Bayes ofrece la base para obtener lo
que podra denominarse un valor de probabilidad "condicional hacia atrs", puesto
que puede determinarse la probabilidad de que se haya seleccionado una urna
determinada en la etapa 1, dada la observacin de un elemento en la etapa dos.

En el anlisis bayesiano de decisin esta regla ofrece la base conceptual para
revisar las probabilidades asociadas con diversos eventos, o estados implicados en un
problema de decisin.

APLICACIN 6.19 Considerar la posible falla de un sistema de abastecimiento de
agua para atender la demanda durante un da de verano. El sistema puede fallar de las
siguientes formas:

M
1
: Suministro inadecuado.
M
2
: Falla de la bomba.
M
3
: Sobrecarga en la planta de purificacin.

Supongamos que la empresa sanitaria ha efectuado un estudio segn el cual
se ha estimado que las probabilidades de falla en el sistema son las que se muestran
en la Tabla 6.1. Adems, la probabilidad de que falle la bomba es de 2% y es
independiente del nivel de demanda.

Tabla 6.1: Probabilidades de falla del sistema

Identificacin
del nivel de
demanda
Nivel de
demanda
[m
3
/da]
[D
i
] =
[Nivel de
demanda]
[M
1
| D
i
] =
[Suministro inadecuado
| Nivel de demanda]
[M
3
| D
i
] = [Sobrecarga
en la planta | Nivel de
demanda]
D
1
100.000 0,6 0,0 0,0
D
2
150.000 0,3 0,1 0,0
D
3
200.000 0,1 0,5 0,1

La probabilidad de suministro inadecuado es:

[M
1
] = [M
1
/ D
1
][D
1
] + [M
1
/ D
2
][D
2
] + [M
1
/ D
3
][D
3
]

= 0.00,6 + 0,10,3 + 0,50,1 = 0,080

La probabilidad de falla, cualquiera sea el motivo, cuando el nivel de
demanda es 150.000 [m
3
/da].

[M
1
M
2
M
3
/ D
2
] = [M
1
/ D
2
] + [M
2
/ D
2
] + [M
3
/ D
2
]

= 0,10 + 0,02 + 0,00 = 0,120

80
La probabilidad de falla del sistema es:

[M
1
M
2
M
3
] = [M
1
] + [M
2
] + [M
3
] Probabilidad de falla

[M
3
] = [M
3
/ D
1
][D
1
] + [M
3
/ D
2
][D
2
] + [M
3
/ D
3
][D
3
]

= 0.00,6 + 0,00,3 + 0,10,1 = 0,010

[M
1
M
2
M
3
] = 0,080 + 0,020 + 0,010 = 0,110

La probabilidad de falla del sistema si se pone una bomba adicional, para que
opere en caso de que falle la primera bomba, y cuya falla es independiente de la falla
de la primera bomba es:

[M
1
(M
21
M
22
) M
3
] = [M
1
] + [ M
21
M
22
] + [M
3
]

= 0,080 + 0,0200,020 + 0,010 = 0,0904

APLICACIN 6.20 Cada vez que cliente compra articulo, elige la marca A la marca
B. Supngase que en cada compra despus de la primera, la probabilidad de que elija
la misma marca que escogi en la compra anterior es 1/3 y la probabilidad que
cambie de marca 2/3. Supngase que en su primera compra la probabilidad que elija
la marca A es 1/4, cul es la probabilidad de que su segunda compra sea de la marca
B?.

T
i
: {El cliente compra articulo de la marca A en la i-sima compra}
U
i
: {El cliente compra articulo de la marca B en la i-sima compra }

[T
i
/T
i 1
] = [U
i
/U
i 1
] =
3
1
i = 2, 3, ...

[T
i
/U
i 1
] = [U
i
/T
i 1
] =
3
2
i = 2, 3, ...

[T
1
] =
4
1
[U
1
] =
4
3
[U
2
] =?

[U
2
] = [T
1
U
2
] + [U
1
U
2
] = [U
2
/ T
1
][T
1
] + [U
2
/ U
1
] [U
1
]

=
3
2
4
1
+
3
1
4
3
=
12
5

Bajo los mismos supuestos de la parte a), cul es la probabilidad de que si su
81
segunda compra fue de la marca B, la primera haya sido de la marca A?.

[U
2
/ T
1
][T
1
]
3
2
4
1

[T
1
/ U
2
] =
[U
2
]
= =
5
2

12
5

Si es igualmente probable que en su primera compra elija la marca A o la
Marca B, cul es la probabilidad de que la primera y la segunda compra sean de la
marca A, y la tercera y cuarta, de la marca B?.

[T
1
] = [U
1
] =
2
1
[T
1
T
2
U
3
U
4
] = ?

[T
1

T
2

U
3

U
4
] = [U
4
/

T
1

T
2

U
3
][U
3
/

T
1

T
2
][T
2
/T
1
][T
1
]

= [U
4
/ U
3
] [U
3
/ T
2
] [T
2
/T
1
] [T
1
]

=
3
1
3
2
3
1
2
1
=
27
1

Probabilidades Conjuntas

Una tabla de probabilidades conjuntas es aqulla en la cual se listan como
encabezados de rengln todos los posibles eventos (o resultados) para una variable;
encabezados de columnas se listan todos los posibles eventos para una segunda
variable, y el valor que se anota en cada una de las celdas de la tabla es la
probabilidad de su ocurrencia conjunta. Es frecuente que las probabilidades de este
tipo de tablas se basen en las frecuencias de ocurrencia observadas para los diversos
eventos conjuntos, ms que en eventos que son a priori por naturaleza. La tabla de
frecuencias de ocurrencia conjuntas que puede servir como base para construir una
tabla de probabilidades conjuntas se denomina tabla de contingencias.

APLICACIN 6.21 La Tabla 6.2 de contingencias describe a 200 clientes que entraron
en una tienda de equipos de sonido de acuerdo con sexo y edad, en tanto que la Tabla
6.3, es la tabla correspondiente de probabilidades conjuntas.

Tabla 6.2: Frecuencias para los clientes que entraron en una tienda de equipos.

Sexo
Edad
Hombre Mujer
Total
Menor de 30 60 50 110
30 y mayor 80 10 90
Total 140 60 200
82
Tabla 6.3: Probabilidad conjunta de clientes que entraron en una tienda de equipos.

Sexo
Edad
Hombre Mujer
Probabilidad
Marginal
Menor de 30 0.30 0.25 0.55
30 y mayor 0.40 0.05 0.45
Probabilidad
Marginal
0.70 0.30 1.00

En el contexto de las tablas de probabilidad conjunta se denomina
probabilidad marginal a las probabilidades que son un total marginal de regln o
columna.

Los valores de probabilidad de las celdas son probabilidad de ocurrencia
conjunta, las probabilidades marginales son las probabilidades simples, no
condicionales, de eventos especficos.

6.4 Variables Aleatorias

En el proceso de construccin de medidas de probabilidad, distinguimos los
siguientes elementos:

Figura 6.3: Medidas de la probabilidad.

83
El espacio muestral de inters , ha sido caracterizado por:

En trminos sencillos, una variable aleatoria, es una funcin que permite trabajar
cualquier espacio muestral de manera cuantitativa.

Definicin 6.6: Sea X un experimento aleatorio y H un espacio muestral asociado al
experimento. Se dice que X es una variable aleatoria (v.a.) si es una funcin
(medible) de H en los nmeros reales, es decir:

Nota: En trminos ms sencillos e intuitivos, se puede definir una variable aleatoria,
como una funcin que toma valores en probabilidad, es decir, no se puede predecir
con certeza sus valores resultados.

Si aceptamos esta segunda definicin:

En qu situaciones se puede predecir con certeza?

La respuesta nos lleva a pensar que, en el da a da (trabajo, hogar, etc.)
estamos rodeados de variables aleatorias

Las variables aleatorias (v.a.) son caracterizadas segn los posibles valores
que stas puedan tomar, es decir, segn su recorrido, que se simbolizar por e
x.

Definicin 6.7: Se dice que X es una v.a. discreta, si su recorrido e
x.
es numerable
(finito infinito).

84
APLICACIN 6.22 Ejemplo de una variable aleatoria discreta con. e
x
finito.

APLICACIN 6.23 Ejemplo de una variable aleatoria. discreta con. e
x
infinito
(numerable).

Definicin 6.8: Se dice que X es una variable aleatoria continua, si su recorrido e
x.

es no numerable, es decir, que estos pueden tomar cualquier valor en intervalos de la
recta real (IR).

85
APLICACIN 6.24 Ejemplo de una variable aleatoria. continua:

Funciones de distribucin (Probabilidad acumulada)

Supongamos que se tiene que X es una v. a. discreta, donde los valores que
toma son: x
1
, x
2
, x
3
,..., x
k
, con x
1
< x
2
< x
3
<... < x
k
, entonces se tiene que en e, se
pueden representar por:

Entonces, sobre la base de esta variable aleatoria discreta, cuyo concepto se
puede tambin extender a variables continuas, puede construir la funcin de
probabilidad acumulada, como la probabilidad de que la variable aleatoria X sea
menor o igual a x e. Notar que es la misma nocin de frecuencia relativa
acumulada de estadstica descriptiva.

Definicin 6.9: Sea X es una v.a., entonces, se define la funcin de distribucin de
probabilidad, como la probabilidad de que la variable aleatoria X sea menor o igual a
x e, y se simboliza por F
x
(x) = [X x], la cual cumple con las siguientes
propiedades:

3. F
x
(x) es una funcin no decreciente y continua a la derecha.
86
Analicemos como construir la funcin anterior: En un problema de control de
calidad, se tiene una poblacin de 25 artculos, donde se asume que 10 presentan
pequeos defectos, si se elige una muestra al azar de 3 artculos. Determine F
x
(x),
donde X:= Nmero de artculos defectuosos en la muestra.

Notemos en primer lugar que e
x
= {0, 1, 2, 3}, luego s:

x < 0 F
x
(x) = [X x] = 0

0 x < 1 F
x
(x) = [X x] =
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
3
25
3
15

0
10
= 0,198

1 x < 2 F
x
(x) = [X x] =
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
3
25
3
15

0
10
+
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
3
25
2
15

1
10
= 0,655

2 x < 3 F
x
(x) = [X x] =
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
3
25
3
15

0
10
+
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
3
25
2
15

1
10

+
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
3
25
1
15

2
10
= 0,949

x 3
F
x
(x) = [X x] =
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
3
25
3
15

0
10
+
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
3
25
2
15

1
10
+
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
3
25
1
15

2
10
+

|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
3
25
0
15

3
10
= 1,000
87
La grfica de Fx(x) est dada por:

Definicin 6.10: Sea X una v.a discreta., entonces se define la funcin de cuanta
masa de probabilidad, como la probabilidad de que la variable aleatoria X tome un
valor especfico x, que se simboliza por f
x
(x) = [X = x] y cumple con las siguientes
propiedades:

1. f
x
(x) = [X = x] 0 , x e.

3. f
x
(x) = [X x] [X x 1] = F
x
(x) F
x
(x 1)

De donde se tiene que la funcin de cuanta toma valores distintos de cero
slo para x e
x
= {0, 1, 2, 3}, y estos son:

f
x
(0) =
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
3
25
3
15

0
10
= 0.198 ; f
x
(1) =
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
3
25
2
15

1
10
= 0,457

f
x
(2) =
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
3
25
1
15

2
10
= 0.293; f
x
(3) =
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
3
25
0
15

3
10
= 0,052
88
Donde la grfica de f
x
(x) ([X = x]) es:

En el caso de una variable aleatoria continua X, su recorrido e
x.
es no
numerable, y luego [X = x] = 0 x e. Para este caso tenemos la funcin de
densidad de probabilidad, definida ms adelante.

A modo de ejemplo, consideremos la variable aleatoria X:=Tiempo de espera
en la fila de un banco, la cual es claramente una variable aleatoria continua, cuya
funcin de densidad es f
x
(x) hipottica, se destaca en la figura.

89
Definicin 6.11: Sea X es una v.a. continua, entonces f
x
(x) es una funcin de densidad
de probabilidad (f.d.p.) para X, s f
x
(x), satisface las propiedades:

1. f
x
(x) 0, para casi todo x e.

Un modelo adecuado para f
X
(x), la funcin de densidad asociada a los tiempos
de espera en la fila del banco (en minutos), puede ser:

En primer lugar verifiquemos que f
X
(x), es f.d.p., es decir que cumple con la
definicin 6. En primer trmino, se puede observar que f
X
(x) es decreciente con
imagen positiva, y queda por verificar que;

{ }

=
)
`
0 0
d
45 45
1
u u exp x
x
exp = 1

Como f
X
(x) es f.d.p., podemos calcular probabilidades, como por ejemplo: La
probabilidad que una persona se demore ms de 45 minutos, en ser atendida,
simblicamente [X > 45].

[X > 45] = 0,368.
45 45
1
45
=
)
`
dx
x
exp
90
6.5 Valor Esperado

El primer estudio sistemtico del valor esperado se debe a Huygens (en su
obra Libellus de Ratiotiniis in Ludo Aleae, de 1657), que calcula el valor justo de un
juego a partir de una respuesta obvia en situaciones simtricas, y luego generalizando
el valor esperado a cualquier situacin. Est comienza suponiendo que, s se espera
ganar a b, cualquiera de los dos casos con igual probabilidad, entonces la
expectativa vale: (a + b) / 2, es decir, el promedio de a y b.

Posteriormente, Huygens considera el caso en que las posibles ganancias son
a y b, pero con probabilidades distintas. Supone que hay p oportunidades de ganar a,
y q oportunidades de ganar b. Por tanto, generalizando la idea anterior, considerando
un juego equivalente en el que cada uno de los p + q resultados ocurre con la misma
probabilidad, pero en p de ellos se obtiene una ganancia a y en las q restantes una
ganancia b, el valor esperado ser igual a:

p q
a b
p q p q
+
+ +

En definitiva, se utilizaba una idea similar a la acepcin vulgar del trmino
esperanza. Si se consulta el Diccionario de la Real Academia, se encuentra la
siguiente acepcin: estado del nimo en el cual se nos presenta como posible lo que
deseamos. De hecho, inicialmente se confunda la esperanza del juego con su
resultado positivo, llegando Laplace (1814), a considerar el caso de prdida, al
denominar a esta situacin negativa esperada como temor.

En este sentido la sigui utilizando Jacob Bernoulli (1713) para indicar la
situacin de un jugador que deseaba ganar el juego en el que participaba. Su
razonamiento, al contrario que el de Huygens, utiliza la nocin de frecuencia, y no se
basaba en la simetra de la situacin. El razon de la siguiente manera: en un juego
concreto el resultado es incierto pero, basndose en la experiencia de partidas
pasadas, se poda asignar una valoracin a priori de los porcentajes de veces en que se
ganaba o se perda.

Estas proporciones, posteriormente fueron asimiladas a probabilidades
(nocin clsica de probabilidad). El valor esperado del juego sera entonces:

ganancia (proporcin de veces que gana)
prdida (proporcin de veces que pierde)
= Valor Monetario Esperado

Por ltimo, la aplicacin de este enfoque, al caso general de un juego que
presente ms de dos posibles resultados, conduce a la expresin:

[X] = | | X
x
x
x x
P (Valor esperado de X)
91
Definicin 12: Sea X una v.a, entonces, se define el valor esperado de una funcin
real, g(X) de X, como:

[g(X)] =
| |
(X) X
(X) ( )
x
x
x
x
g x
g f x dx
P

El valor esperado de g(X) es un nmero, adems existe un conjunto de
funciones g(X) cuyo valor esperado, representa medidas especficas, ya sea de
tendencia central, variabilidad forma, etc.

Definicin 6.13: Sea X es una v.a, se define el valor esperado esperanza matemtica
de X, como:

[X] =
| | X X
X ( )
x
x
x
x
x
f x dx
P

Propiedades: Sean a y b constantes y X una variable aleatoria, entonces:

1. [a] = a
2. [X] = . = constante.
3. [aX] = a [X]
4. [aX + b] = [aX] + [b] = a [X] + b

Definicin 6.14: La varianza de una variable aleatoria X, se define como el valor
esperado del cuadrado de la diferencia entre la variable aleatoria y su valor esperado,
la cual est dada por:

[(X [X])
2
] =
| |
2
2
[X - [X]] X
[X - [[X]] ( )
x
x
x
x
x
f x dx
E P
E

Notemos que en este caso la funcin cuadrtica es g(X)= (X [X])
2
, y que
mediante operaciones algebraicas se puede descomponer en la diferencia de dos
92
valores esperados, ms fciles de calcular desde el punto de vista del clculo, como se
demuestra a continuacin:

[(X [X])
2
] = [(X [X]) (X [X])] = [X
2
2X[X] + ([X])
2
]

= [X
2
] [2X[X]] + [([X])
2
]

= [X
2
] [2X.] + [.
2
]

= [X
2
] 2.[X] + .
2

= [X
2
] 2.. + .
2

= [X
2
] 2.
2
+ .
2

= [X
2
] .
2
= [X
2
] ([X])
2

donde;

[X
2
] =
| |

x
x
x
x
dx x f
x
) ( X
X P X
2
2

Propiedades: Sean a y b constantes y X una variable aleatoria cualquiera, entonces:

1. [a] = 0
2. [X] = 5
2
= constante.
3. [aX] = a
2
[X]
4. [aX + b] = [aX] + [b] = a
2
[X] + 0 = a
2
[X]

Adems se puede apreciar que para la funciones g(X) dadas por: (X [X])
3

y (X [X])
4
, su valor esperado es equivalente al clculo de los coeficientes de
simetra y curtosis de Ficher m
3
y m
4
.

APLICACIN 6.25 La funcin de probabilidad de X, el nmero de defectos por cada
10 metros de una tela sinttica en rollos continuos de ancho uniforme, es:

x 0 1 2 3 4
X
(x)
0,41 0,37

0,05 0,01

Cul debe ser el valor de ?
93
En primer lugar 0 , y adems debe verificar que:

4
0 x=
[X = x] = 1 0,41 + 0,37 + + 0,05 + 0,01 = 1,00

= 0,16

La grfica de la funcin de distribucin probabilidad, se presenta en forma
escalonada, ocurriendo los saltos en cada uno de los puntos, donde la variable
aleatoria tiene probabilidad positiva, como se muestra a continuacin

X
0, 00 0
0, 41 1
0, 78 2
F ( )
0, 94 3
0, 99 4
1, 00 4
x
x
x
x
x
x
x
<
<
<
<
<

Tambin es posible realizar el clculo de algunas probabilidades sencillas
como las que se muestran a continuacin:

[X > 3] = 0.01

[1 < X < 3] [X = 2] 0.16
[X > 1 / X < 3] =
[X < 3]
=
[X < 3]
=
0.94
= 0.1702

Determinar el valor esperado, varianza y la desviacin estndar de X.

[X] = = 0 0.41 1 0.37 ... 4 0.01 + + + = 0.88 (valor esperado)

[X
2
] =
2 2 2
0 0.41 1 0.37 ... 4 0.01 + + + = 1.62

[X] =
2
= [X
2
] ([X])
2
= 1.62 0.88
2
= 0.8456 (Variabilidad)

8456 . 0 = = 0.91956 (desviacin estndar)

Adems, el costo esperado, si suponemos que el costo por defecto es:

>
<
=
. . .

) (
c o e 1500
2 x si 5000
2 x si 500
X G
0.0
0.2
0.4
0.6
0.8
1.0
-1 0 1 2 3 4 5
x
F
X
(
x
)

94
[G(X)] = 500[X < 2] + 5000[X > 2]+ 500[X = 2]

= 500(0,41 + 0,37) + 5000(0,05+0,01) + 15000,16

= 930.

APLICACIN 6.26 Si suponemos que la funcin de densidad del tiempo de vida
(horas de operacin), hasta que fallen ciertas mquinas en un proceso productivo es:

e.o.c. 0
80
80
) (
2

=
t
t
t f

Cul es la probabilidad de que una mquina elegida al azar funcione ms de
120 horas?.

Sea T:= v.a tiempo de vida de una mquina [horas de operacin], se pide:

[T > 120] = 1 - [T 120] = 1
120
2
80
80
dt
t
= 1
(
(
120
80
80
t
=
3
2

Tambin es posible determinar probabilidades condicionales, como por
ejemplo si se ha observado que cierta mquina lleva funcionando ms 150 horas
(condicin), la probabilidad de que falle antes de las 200 horas, est dada por:

[150 T < 200]
1 [T 150]
[T < 200 / T 150] =

200
2
150
80
dt
t

15
2
=
1
150
2
80
80
dt
t

=
15
8
=
4
1

6.6 Algunos Modelos Comunes en Ingeniera

Los modelos que estudiaremos son frecuentemente utilizados en ingeniera,
95
estn caracterizados por la funcin de masa de probabilidades en el caso discreto, y
densidad en el caso continuo.

6.6.1 Modelo Hipergeomtrico

Es un modelo de caracterstica discreta (distribucin), til para poblaciones
finitas (pequeas).

Supongamos que N es el nmero de elementos de la poblacin, por ejemplo;
la produccin de artculos en un da determinado, la cantidad de habitantes de una
determinada regin, etc. Adems, supongamos que k, es el numero de elementos de
la poblacin que cumplen con cierta cualidad observable (k < N), por ejemplo, la
cantidad de defectuosos de la produccin de artculos de ese da, etc. Es posible
observar que la poblacin de N elementos ha sido dividida en dos grupos: Aquellos
que pertenecen al grupo 1, E
1
, como los artculos no defectuosos, y aquellos que
pertenecen al grupo 2, E
2
, como los artculos no defectuosos.

Si de esta poblacin se toma una muestra aleatoria de n elementos, como se
muestra la figura. Entonces la variable aleatoria, X:= Nmero de artculos en la
muestra que cumplen con la cualidad (ser defectuoso por ejemplo), puede modelarse
por la siguiente funcin de masa de probabilidad:

[X = a] =
k N - k

a - a
N
n
n
| | | |
| |
\ . \ .
| |
|
\ .
a = 1, 2, ... , min{k, n}

APLICACIN 6.27 Suponga una caja con 25 artculos de los cuales 10 presentan una
cualidad especial (ser rojos, defectuosos, etc.), entonces si se toma una muestra de 3
artculos, y se define:

X:= nmero de artculos que presentan esa cualidad especial en la muestra.

Claramente en la muestra no puede haber ms artculos con la cualidad
n
96
especial, que el tamao de la misma. Sin embargo, si en el lote hubiese slo 2
artculos con esa cualidad especial, en la muestra no puede haber ms dos con la
cualidad especial. Las distintas alternativas para este caso son:

[X = 0] =
10 15

0 3
25
3
| | | |
| |
\ . \ .
| |
|
\ .
= 0.198

[X = 1] =
10 15

1 2
25
3
| | | |
| |
\ . \ .
| |
|
\ .
= 0.457

[X = 2] =
10 15

2 1
25
3
| | | |
| |
\ . \ .
| |
|
\ .
= 0.293

[X = 3] =
10 15

3 0
25
3
| | | |
| |
\ . \ .
| |
|
\ .
= 0.052

La grfica de P
x
(x) (P[X = x]) est dada por:

97
Tambin es posible demostrar que en el caso general trminos la media y
varianza son respectivamente:

[X] = = n
k
N
artculos

[X] =
2
= [X
2
] ([X])
2
= n
k
N

k
1 -
N
| |
|
\ .

N -
N - 1
n | |
|
\ .
. artculos
2

APLICACIN 6.28 Considere un fabricante de lanchas que compra motores a una
compaa donde se fabrican bajo estrictas normas de especificacin. El fabricante
recibe un lote de 40 motores. Su plan de muestreo para aceptar el lote consiste en
seleccionar ocho motores al azar y someterlos a prueba. Si encuentra que ninguno de
los motores presenta serios defectos, el fabricante acepta el lote, de otra forma lo
rechaza. Si el lote contiene dos motores con serios defectos, Cul es la probabilidad
de que el lote sea aceptado?.

X: El nmero de motores que presentan defectos en la muestra.

[X = 0] =
2 38

0 8
40
8
| | | |
| |
\ . \ .
| |
|
\ .
= 0.6359

Cuntos motores se espera sean defectuosos en la muestra?

[X] = = n
k
N
=3
40
2
Motores

6.6.2 Modelo Binomial

Esta es una de las distribuciones ms tiles, pues sus reas de aplicacin
incluyen: medicina, ventas, investigaciones de mercado, inspecciones de calidad, etc.

Consideremos nuevamente una poblacin que cumple con caractersticas
dicotmicas, es decir, un grupo de la poblacin cumple con tener la caracterstica y
otro no, llmese xito aquel elemento que cumple con la caracterstica, y fracaso
el elemento que no cumple. Supongamos adems, que la probabilidad de xito p se
mantiene constate en el curso de los ensayos. .

Si de esta poblacin se escogen n elementos en forma independiente
(sustitucin), y se define la variable aleatoria, X:= Nmero de xitos en estos n
ensayos, entonces X sigue un modelo Binomial.
98
La funcin de masa de probabilidades se puede deducir de la siguiente forma:
Consideremos el caso particular de que en n ensayos independientes se obtengan a
xitos consecutivos en los primeros a ensayos y posteriormente n a fracasos.

Como los ensayos son independientes y la probabilidad de xito es constante,
la probabilidad en este caso es el siguiente producto:

Extendamos ahora el problema para obtener a xitos en n ensayos sin
restriccin. Como se puede apreciar en la figura anterior, esta muestra slo un orden
donde se cumple con el requisito a xitos, pero no todos los posibles, ya que los
xitos pueden presentarse en distintas combinaciones en los n ensayos. Luego
probabilidad de obtener a xitos en n ensayos con el natural requisito de: 0 a
n, est dada por:

[X = a] =
a
n | |
|
\ .
p
a
(1 p)
n a
, a = 0, 1, 2,.. n

APLICACIN 6.29 Considere nuevamente el fabricante de lanchas. El fabricante
recibe un lote de 40 motores. Su plan de muestreo para aceptar el lote consiste en
seleccionar ocho motores al azar y someterlos a prueba, si ninguno de los motores
presenta serios defectos acepta el lote, de otra forma lo rechaza. Si el lote contiene
dos motores con serios defectos, Cul es la probabilidad de 15 lotes muestreados 10
sean aceptados?.

Consideramos las siguientes situaciones:

X: nmero de lotes aceptados.

p: probabilidad que un lote sea aceptado (0.6359 calculado anteriormente), entonces:

[X = 10] =
15
10
| |
|
\ .
0.6359
10
(1 0.6359)
15 10
= 0.2078

El nmero medio esperado de lotes que sern aceptados, que est dado por:

[X] = = np = 15 0.6359 9,54 lotes aceptados (Interpretar)
99
Adems se puede determinar que la varianza es:

[X] =
2
= np (1 p) = 15 0.63590.36413.47 (Interpretar)

APLICACIN 6.30 Suponga que el 65% de un particular tipo de ratas, cuando es
inyectada con una dosis de estimulante, muestra un comportamiento agresivo. Un
experimentador aplica el estimulante a quince ratas, una despus de otra y observa la
presencia o ausencia de agresividad en cada uno de los casos. Determine las
siguientes probabilidades (bajo el supuesto de independencia entre las probabilidades
de agresividad de las ratas).

Exactamente dos ratas agresivas.

Sea X:=Nmero de ratas (experimento) que muestra comportamiento agresivo

[X = 2] =
|
|
.
|
\
|
2
15
0,65
2
0,35
13
= 0,0001 (0,0000525)

Diez o ms ratas son agresivas.

[X 10] = 1 [X 9] = 1
9
15
0
15
0, 65 0, 35
x x
x
x

=
| |

|
\ .

= 1 0,4357 = 0,5643 (Uso de Tablas o calculadoras)

Suponga que el experimentador aplic el estimulante a 80 ratas, de las cuales
muestre 12. La probabilidad de tener exactamente dos ratas agresivas es:

[Y = 2] =
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
12
80
10
28
2
52
= 0,0003

En este ltimo ejemplo, se trabaja con el supuesto que de la poblacin, el
65%, debera tener un comportamiento agresivo, de ah el hecho que se espera que
existan 52 ratas agresivas de las 80 bajo estudio.

Como se habr podido apreciar el modelo binomial es muy parecido al
modelo Hipergeomtrico, pues en ambos se miden xitos sobre la base de
poblaciones dicotmicas (xito v/s fracaso), sin embargo poseen importantes
diferencias, como lo son:

En el modelo Hipergeomtrico se tiene una poblacin finita y el muestreo es
sin reemplazo.
100
Si en el modelo binomial, el tamao de la poblacin es finito, para mantener la
independencia y probabilidad de xito constante, se debe utilizar un muestreo
con reemplazo.
Si en el modelo binomial, el tamao de la poblacin es infinito (muy grande),
slo debemos garantizar probabilidad de xito constante.

Las diferencias entre ambos modelos, disminuyen notablemente cuando el
tamao de la poblacin (N) es grande, y la relacin entre el tamao de la muestra (n),
y el tamao de la poblacin (N) es pequeo.

En este caso se muestra que: X H(N; k; n) B(n,
N
k
).

En la Tabla 6.4 se observan las probabilidades para una muestra de 10
elementos, donde la poblacin es de 100 elementos, y hay 20 elementos con la
caracterstica. Se aprecia la aproximacin de la distribucin Hipergeomtrica por la
distribucin binomial.

Tabla 6.4: Probabilidades exactas y aproximadas

x Hipergeomtrica Binomial
2 0.3182 0.30199
3 0.2092 0.20133
4 0.0841 0.08808
5 0.0215 0.02642
6 0.0035 0.00551
7 0.0004 0.00079
8 0.0000 0.00007
9 0.0000 0.00000
10 0.0000 0.00000

6.6.3 Modelo Poisson

Otro modelo de distribucin discreta, que se utiliza en una amplia variedad de
situaciones, donde se cuenta el nmero de eventos que ocurren aleatoriamente en el
tiempo (rea, volumen, etc.) a una tasa constante, es el modelo Poisson. Ejemplos
tpicos son:

Nmeros de Aviones, Buques, Camiones que llegan a un punto.
Nmero de defectos en una lmina de algn metal.
Nmero de bacterias en un cultivo.
Nmero de rboles daados.
etc.

Si se define X:= Nmero de eventos que ocurren por unidad de tiempo
101
(espacio, volumen), entonces se prueba que bajo ciertos supuestos:

[X = a] =
a!
a

e
, a = 0, 1, 2,....

En este modelo se puede probar que el nmero esperado es [X] = , y la
variabilidad en torno al valor medio es [X]= .

APLICACIN 6.31 Suponga que el nmero de defectos en lminas de 1 metro por 2
metros se distribuyen aleatoriamente en las lminas, con una media de 6 defectos por
lmina. Cul es la probabilidad de que en una lmina escogida al azar se encuentren
ocho defectos?.

X:= Nmero de defectos [Por lmina], luego X c(6)

[X = 8] =
8!
8 6
6
e
= 0.1033

Se puede verificar que cuando el tamao de una muestra es grande, y la
probabilidad que de que cumpla con la caracterstica es muy pequea, existe una
buena aproximacin entre los resultados de modelo binomial con los resultados de un
modelo Poisson, tal como se muestra a continuacin:

X B(n, p) c(np).

Bajo las idnticas suposiciones se puede apreciar adems la siguiente
relacin:

X H (N; k; n) B (n, p) c(np).

Considere una poblacin de 100 elementos, donde los elementos que cumplen
con una caracterstica son 20 y se toma una muestra de 10 elementos. La
aproximacin de la distribucin Hipergeomtrica con la distribucin binomial y con
la distribucin Poisson se muestra en la tabla siguiente:

Tabla 6.3: Probabilidades exactas y aproximadas

x Hipergeomtrica Binomial Poisson
2 0.3182 0.30199 0.27067
3 0.2092 0.20133 0.18045
4 0.0841 0.08808 0.09022
5 0.0215 0.02642 0.03609
6 0.0035 0.00551 0.01203
7 0.0004 0.00079 0.00344
8 0.0000 0.00007 0.00086
9 0.0000 0.00000 0.00019
10 0.0000 0.00000 0.00004
102
APLICACIN 6.32 Considere nuevamente el fabricante de lanchas que compra
motores a una compaa donde se fabrican bajo estrictas normas de especificacin. El
fabricante recibe un lote de 1000 motores. Su plan de muestreo para aceptar el lote
consiste en seleccionar 15 motores al azar y someterlos a prueba. Si encuentra que
ninguno de los motores presenta serios defectos, el fabricante acepta el lote, de otra
forma lo rechaza. Si el lote contiene 40 motores con serios defectos, cul es la
probabilidad de el lote sea aceptado?.

Si definimos X: Nmero de motores defectuosos en el lote.

Se tiene la aproximacin:
[X = 0] =
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
15
1000
15
960

0
40
exp (-0.60) = 0.5488

A modo de ejercicio se compara con el resultado de la probabilidad exacta que
para este caso particular es coincide con el esquema de la aproximacin binomial.

[X = 0] =
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
15
1000
15
960

0
40
= 0.5397

6.6.4 Modelo Normal

La distribucin Normal o Gausiana es, sin lugar a dudas, la ms importante y
la de mayor uso en los modelos para variables aleatorias continuas. Es la piedra
angular en el anlisis de datos, y en la aplicacin de la inferencia estadstica.

Ejemplos comunes del uso de este modelo, se encuentran en todas las reas
del conocimiento humano, por ejemplo: datos de temperatura, precipitacin pluvial;
datos de voltajes, datos de resistencias, errores de medicin, etc.

En general es un modelo muy popular, es inicialmente utilizado para
representar errores o desviaciones en mediciones fsicas. El modelo Normal es
representado por la siguiente funcin de densidad:

f(x) =
|
.
|
\
|

2
2
1
2
1 x
exp ; x , ,
+
.

103
La cual tiene la siguiente forma:

Como se puede observar, la curva presenta una cima o mximo, adems es
simtrica con respecto a su valor medio .

Notacin: XN( ;
2
) , donde es su valor medio), y es la desviacin.

Si tomamos la transformacin:

=
X
Z , entonces :

Si XN ( ;
2
) , bajo esta transformacin la variable aleatoria Z, contina
siendo normal, con media cero y varianza, es decir Z N(0, 1).

La variable aleatoria Z, se denomina Normal estndar y se encuentra
ampliamente tabulada (tablas, calculadoras) para el clculo de probabilidades.

APLICACIN 6.33 El dimetro de un eje metlico empleado en la unidad de disco de
una computadora se supone tiene distribucin normal. La media actual del proceso de
fabricacin de 0.1505 [plg.] y coeficiente de variacin de 0.004. Se han determinado
104
los lmites de especificacin para el dimetro del eje como 0.1500 0.0015 [plg.].
Calcule la fraccin de ejes producidos que cumplen con las especificaciones.

X: Dimetro de un eje metlico [en plg.]

X Y
N
(0.1505,
2
); CV = 0.004 = 0.004 = 0.00602

[X < 0,1485] =
(
0,000602
.1505 0 0,1485
Z = [Z 3,32] = 0.0005

[X < 0,1515] =
(
0,000602
.1505 0 0,1515
Z = [Z 1,66] = 0.9515

La fraccin de ejes producidos que cumplen con las especificaciones es
95,1%.

APLICACIN 6.34 Las bandas de plstico que se utilizan en un dispositivo
electrnico para deteccin, se fabrican de manera que satisfagan una especificacin
de valor mximo de 305.28 mm. y una especificacin mnima de 304.55 mm. Si la
dimensin de las bandas es menor que la especificacin mnima, se desechan, si son
ms grandes, se reelaboran. Se ha probado que las dimensiones de estas piezas estn
distribuidas normalmente con una desviacin estndar de 0.25 mm. y que slo el 5%
de las bandas se desechan. Cul es el tamao medio de las bandas de plstico?.

Sea X:= Dimensin de las bandas de plstico [en mm.]

X Y
N
(
x
, (0,25)
2
)

[X < 304,55] = 0,05
(
0,25
304,55

x
Z = 0,05

0,25
304,55
x

= 1,645
x
= 304,96 [mm]

Qu porcentaje de bandas se reelabora?.

[X > 305,28] =
(
0,25
304,96 305,28
Z

= 1 [Z 1,28] = 0,1003

Luego el porcentaje de bandas se reelabora es de 10,03%.
105
Si se toma una muestra de 24 bandas. Cul es la probabilidad de que no
menos de 22 cumplan con las especificaciones, sin necesidad de reelaborarlas?.

Sea Y:= Nmero de bandas encontradas que cumplen con las especificaciones.
Y Y
B
(24, p)

p = 1 0,05 0,1003 = 0,8497 0,85

[ Y 22] = 1 [Y 21] = 0,2798

Luego la probabilidad de que no menos de 22 cumplan con las especificaciones
es de 27,98%.

6.6.5 Modelo Gamma y Exponencial

La distribucin Gamma es un modelo muy popular en ingeniera, por ejemplo:
Teora de colas lneas de espera, Confiabilidad, Energa Elica, Hidrologa, etc.

Se presenta en mltiples formas, desde distribuciones totalmente asimtricas
hasta distribuciones completamente simtricas, dependiendo de dos parmetros: ,
denominado parmetro de escala; y , denominado parmetro de forma. Su funcin
de densidad es:

f(x) = } {
) (
x exp
x
1

; x
+
,
+
,
+
.

1/2 3/2
1/2 1/2
1/2 1
1/2 4
1/2 6
106
Como casos particulares; cuando el parmetro de forma: = 1, se le llama
distribucin exponencial de parmetro ; cuando es un nmero natural arbitrio se le
llama distribucin Erlang.

6.6.6 Modelo Weibull y Exponencial

La distribucin Weibull popularizada por el fsico del mismo nombre,
adquiere particular importancia en modelos relacionados con Tiempos de vida,
Velocidad del viento, Confiabilidad, etc.

La funcin de densidad f(x), depende de dos parmetros: , denominado
parmetro de escala; y , denominado parmetro de forma, y est dada por:

f(x) = } ) ( {

x exp x
1

; x
+
,
+
,
+
.

La distribucin muestra caractersticas un modales cuando el parmetro de
forma es mayor que 1, y a medida que ste crece para un parmetro de escala fijo,
la distribucin es ms simtrica.

Observacin: Notemos que cuando el parmetro de forma =1, se recupera el
modelo exponencial.

1/2 1/5
1/2 1/2
1/2 2
1/2 4
1/2 6
107
Ideas bsicas de Confiabilidad

Cada producto se caracteriza por su calidad, eficiencia, durabilidad, costo y
versatilidad. La seguridad de que el producto cumpla los requerimientos mnimos de
durabilidad (confiabilidad) es tambin una caracterstica de inters.

La confiabilidad es una caracterstica que inquieta en todo producto/servicio
por simple que ste sea, en la medida que nos interese que cumpla su labor y cun
satisfactoriamente la realice.

Cuantitativamente podemos pensar la cantidad de confiabilidad como alta si el
artculo cumple con su funcin exitosamente y baja si falla. Luego, la medicin de
confiabilidad sera anloga a la de xito, contraria a la de fracaso, de la actividad
realizada por el sistema.

La medicin e implementacin de la confiabilidad fue tomando importancia
bajo el punto de vista de costos y mantencin. En la medida que la relacin de costos
iniciales, costos de mantencin y grados de disponibilidad logrados, obliga a
comerciantes, industriales, F.F.A.A. y consumidores en general a determinar los
intervalos de reposicin y mantencin ms econmicos.

La industria energtica utiliza estimaciones de confiabilidad para determinar
costos de suministro y disponibilidad de ellos. La disponibilidad para un consumidor
en particular, se puede expresar como un promedio tiempo perdido por ao de
consumo.

Tratndose de problemas de ingeniera, el nfasis est puesto en la aplicacin
a sistemas tcnicos, desarrollndose mtodos y conceptos para medir y aumentar la
confiabilidad de todo tipo de sistemas. En algunos casos, la confiabilidad ser incluso
el factor primordial de cierta operacin, por ejemplo, cuando hay vidas humanas en
juego.

La necesidad de conocer la confiabilidad de un sistema exige que sta sea
medible, para as poder desarrollar mtodos o tcnicas que puedan caracterizar las
variables que influyen en la confiabilidad del sistema. La aleatoriedad de las variables
medibles involucradas en describir caractersticas de un sistema relacionado con su
confiabilidad exige una base estadstica y probabilstica fundamental para la teora de
anlisis de confiabilidad.

A.04 Apunte Cuarto Módulo

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

A.04 Apunte Cuarto Módulo

Hochgeladen von

Copyright:

Verfügbare Formate

Universidad Tcnica Federico Santa Mara Renato Allende Olivares

Departamento de Matematica Humberto Villalobos Torres

[X = x] = 1 0,41 + 0,37 + + 0,05 + 0,01 = 1,00

Das könnte Ihnen auch gefallen