2.

DEFINICION ELEMENTAL DE PROBABILIDAD

Si se lanza una moneda al aire, cul es la probabilidad de que resulte cara? La mayora de la gente dira que esta probabilidad debe ser 0.5 o algo muy cercano a 0.5. Al seguir preguntando, se puede determinar que para la mayora de la gente el significado del 0.5 es que aproximadamente la mitad de las veces, en lanzamientos repetidos, la moneda debe caer con el lado de la cara hacia arriba. A partir de all, el razonamiento se vuelve ms confuso. En 10 lanzamientos se tendrn exactamente 5 caras? En 50 lanzamientos se obtendrn exactamente 25 caras? Es probable que no. Por lo tanto, se supone que 0.5 es una frecuencia relativa a largo plazo, o sea, frecuencia relativa lmite a medida que aumenta el nmero de lanzamientos. Para ver lo que pasara en la realidad, se observarn datos de lanzamientos reales generados, por John Kerrich, matemtico detenido en Dinamarca durante la Segunda Guerra Mundial. Kerrich tir una moneda 10 000 veces, y registr el nmero de caras obtenidas. Despus de 10 lanzamientos tuvo 4 caras, lo cual es una frecuencia relativa de 0.4. Luego de 100 lanzamientos obtuvo 44 caras (0.44); a los mil lanzamientos obtuvo 502 caras (0.502); y al completar los 10 000 lanzamientos obtuvo 5067 caras (0.5067). La frecuencia relativa de caras permaneci muy cercana a 0.5 despus de los 1000 lanzamientos, aunque la cifra para 10 000 est un poco ms alejada de 0.5 que para 1000. Si n es el nmero de ensayos de un experimento, como por ejemplo, el nmero de lanzamientos de una moneda, parece que entonces se podra definir la probabilidad de un evento E, como por ejemplo obtener cara, mediante:

P( E) = lm

nmero de veces que sucede E n n

Pero, converger siempre este lmite? Si es as. siempre se podr determinar si converge, sin llevar a cabo el experimento muchas veces? Por esta y otras razones, la anterior no es una definicin correcta de probabilidad, desde el punto de vista matemtico, aunque es una propiedad que debe ser vlida, en cierto sentido. Se debe encontrar otra definicin de probabilidad, que permita que el resultado al lmite sea vlido como una consecuencia. Esta definicin se presentar en la Secc. 2.3. 2.2 BREVE REPASO DE NOTACION DE CONJUNTOS

Antes de entrar en una descripcin formal de la probabilidad, es necesario describir la notacin de conjuntos que se utilizar. Supngase un conjunto S que consiste en los puntos identificados con 1, 2, 3 y 4. Esto se denota con S = {1, 2, 3, 4}. Si A = {1, 2} y B = {2, 3, 4}, entonces A y B son subconjuntos de S, lo cual se indica mediante A S y B S (B est en o est contenido en S). El hecho de que 2 es un elemento de A se denota con 2 A. La unin de A y B es el conjunto que consiste en todos los puntos que estn en A, en B, o en ambos. Esto se representa mediante A B = {1, 2, 3, 4}. Si C = {4}, entonces A C = {1, 2, 4}. La interseccin de dos conjuntos A y B es el conjunto que consta de todos los puntos que estn tanto en A como en B y se representa mediante A B o, simplemente mediante AB. Para el ejemplo anterior, A B = AB = {2}, y AC = . Donde denota el conjunto vaco, que es el conjunto que no contiene puntos. FIGURA 2.1 Diagramas de Venn para relaciones de conjuntos
A AB B S A AB B S

A A B S

AB= 1. (Conjuntos disjuntos)

El complemento de A con respecto a S es el conjunto de todos los puntos en S que no estn en A y se representa mediante A . Para los conjuntos especficos anteriores. A {3, 4}. Se dice que dos conjuntos son mutuamente excluyentes, o disjuntos, si no tienen puntos en comn, como los conjuntos A y C anteriores. Se puede emplear diagramas de Venn para representar los conceptos de unin, interseccin, complemento y conjuntos disjuntos, como en la Fig. 2.1. Se puede ver fcilmente. en la Fig. 2.1, que
A A= S

para todo conjunto A. Otras relaciones importantes entre los eventos son las leyes distributivas: A( B C) = AB AC A BC) = A B) A C) ( ( ( y las leyes de DeMorgan:

A B= AB
AB = A B

Es importante poder relacionar las descripciones de conjuntos con su notacin simblica, mediante los smbolos dados y listar o contar correctamente los elementos en los conjuntos de inters. El ejemplo siguiente ilustra este asunto.

EJEMPLO 2.1 Veinte motores elctricos se sacan de una lnea de ensamble y se examinan para ver si tienen defectos. Once de los motores no tienen defectos, 8 tienen defectos en el acabado exterior, y 3 tienen defectos en su ensamble y no funcionarn. Sea A el conjunto de motores que tienen defectos de armando y F el conjunto que tiene defectos en su acabado exterior. Con A y F, escribir una notacin simblica para: (a) El conjunto de motores que tienen los dos tipos de defectos (b) El conjunto de motores que tienen por lo menos un tipo de defecto (c) El conjunto de motores que no tiene defectos (d) El conjunto de motores que tiene exactamente un tipo de defecto Mencionar a continuacin el nmero de motores en cada conjunto. Solucin (a) Los motores con ambos tipos de defectos deben estar en A y en F; por lo tanto, este evento se puede representar con AF. Como slo 9 de los motores tienen defectos, A contiene 3 motores y F8, entonces 2 motores deben estar en AF. (Vase Fig. 2.2)

FIGURA 2.2 Diagrama de Venn para el ejemplo 2.1. (Se muestra el nmero de motores en cada conjunto.)

11 1 A 2 6 F

(b) Los motores que tienen por lo menos un tipo de defecto deben tener un defecto de ensamble o un defecto de acabado. Por lo tanto, este conjunto se representa con A F. Como 11 motores no tienen defectos, 9 deben tener por lo menos un defecto. (c) El conjunto de motores que no tienen defectos es el complemento del conjunto de los que tienen al F= A F (por la ley de DeMorgan). Es claro que 11 menos un defecto , y se representan mediante A motores quedan dentro de este conjunto. (d) El conjunto de motores que tienen exactamente un tipo de defecto debe estar en A y no en F, o bien, A F , y son 7 los motores que en F y no en A. Este conjunto se puede representar mediante AF pertenecen a este conjunto.

EJERCICIOS 2.1 De 25 microcomputadoras disponibles en un almacn, 10 de ellas tienen tarjetas adaptadoras para una impresora, 5 tienen tarjetas adaptadoras para un modem, y 13 no tienen ninguna es stas. Utilizar P para representar a aquellas que tengan tarjetas de impresora, M para las que tienen tarjetas de modem y, luego, representar simblicamente los siguientes conjuntos, as como mencionar el nmero de microcomputadoras que hay en cada uno. (a) Las que tengan ambas tarjetas. (b) Las que no tengan tarjeta alguna. (c) Las que slo tengan tarjetas para impresora. (d) Las que tengan exactamente una de las tarjetas. 2.2 Se tienen cinco aspirantes (Juan, Daro, Mara, Susana y Natalia) para dos trabajos idnticos. Un supervisor selecciona dos aspirantes para ocupar esos puestos. (a) Hacer una lista de los modos posibles en que se pueden ocupar los puestos. Es decir, hacer una lista de todas las selecciones posibles de dos de los cinco aspirantes. (b) Sea A el conjunto de selecciones que contienen por lo menos un hombre. Cuntos elementos tiene A? (c) Sea B el conjunto de selecciones que contienen exactamente un hombre. Cuntos elementos tiene B? (d) Escribir el conjunto que contiene dos mujeres, en trminos de A y B. (e) Hacer un lista de los elementos en A, AB, A B, y AB . 2.3 Usar diagramas de Venn par comprobar las leyes distributivas. 2.4 Usar diagramas de Venn para comprobar las leyes de DeMorgan. ___________________________________________________________________________________

2.3

DEFINICION FORMAL DE PROBABILIDAD

Supngase que se lanza un dado de seis caras en una mesa y que se observa el nmero que qued en la cara superior. Este es un caso probabilstico, ya que el nmero que queda en la cara superior no puede determinarse con anterioridad. Se analizarn los componentes de este caso experimental y se llegar a una definicin de probabilidad que permita modelar matemticamente lo que sucede en los lanzamientos de dados, as como en muchas situaciones semejantes. Primero lanzara el dado una o varias veces, para reunir datos sobre los resultados posibles. A esta fase de generacin de datos se le llama experimento.

DEFINICIN 2.1 Un experimento es el proceso de efectuar una observacin. Cualquier experimento puede originar varios resultados posibles. A la lista o conjunto de todos los resultados posibles de un experimento se le llama espacio de la muestra o espacio muestral.

DEFINICIN 2.2 Un espacio muestral S es un conjunto que comprende todos los resultados posibles de un experimento, listados de modo completo y mutuamente excluyente. Mutuamente excluyente" quiere decir que los elementos del conjunto no se traslapan, y completo quiere decir que la lista contiene todos los resultados posibles. Para el lanzamiento del dado, se puede decir que el espacio muestral es: S1 = {1,2,3.4,5,6} donde los enteros indican los nmeros posibles de puntos en la cara superior del dado, o tambin: S2 = {pares, nones} Tanto S1 como S2 satisfacen la definicin 2.2, pero S1 parece ser una mejor seleccin porque da todos los detalles necesarios, S2 tiene tres resultados posibles en cada elemento de la lista, mientras que S1 tiene slo un resultado posible por cada elemento. Como otro ejemplo, supngase que un inspector mide la longitud de una varilla maquinada. Este proceso de medicin constituye el experimento. Un espacio muestral podra ser el siguiente: S3 {l, 2, 3, ... 50, 51, 52,... 70, 71, 72, ...} en caso de redondear la longitud al nmero entero de pulgadas ms cercano. Por otro lado, un espacio muestral adecuado sera S4 = {x/x> 0} que se lee el conjunto de todos los nmeros reales x tales que x > 0. Si S3 o S4 se usan en un problema determinado depende de la naturaleza del proceso de medicin. Si la medicin debe ser precisa, se necesita S4. Si slo se usa enteros, bastar con S 3. El asunto es entonces que los espacios muestrales para un determinado experimento no son nicos, y se deben seleccionar de tal modo que se obtenga toda la informacin pertinente para un caso dado. Se regresar al primer ejemplo, el lanzamiento de un dado. Supongamos que el jugador A puede tener el primer lugar en una competencia si obtiene un seis. Por lo tanto, el evento sacar seis es importante para l. Otros elementos posibles en el experimento de lanzar el dado son sacar un nmero par, sacar un nmero mayor que cuatro, etc.

DEFINICIN 2.3 Un evento es cualquier subconjunto de un espacio muestral

La definicin 2.3 vale, como est enunciada, para cualquier espacio muestral que tenga un nmero finito de elementos. Se deben excluir algunos subconjuntos si el espacio muestral abarca un continuo de nmeros reales, como el S4 que se describi antes; pero cualquier subconjunto que probablemente se presente en la prctica se puede llamar evento. Segn esta definicin de eventos, se observa que un evento es un conjunto de elementos del espacio muestral. Para el experimento de lanzar el dado se observa cmo funciona lo anterior, por ejemplo, si se define que: A sea un nmero par B sea un nmero impar C sea un nmero mayor que 4 E1 sea observar un 1 y, en general: Ei sea observar un entero i Entonces, si S = {1, 2, 3,4, 5, 6}, A = {2, 4, 6} B = {1, 3, 5} C = {5, 6} E1 = {1} y Ei = {i}, i = 1, 2, 3, 4, 5, 6

Los espacios muestrales y los eventos se representan con frecuencia convenientemente con diagramas de Venn. Algunos eventos del experimento de lanzar un dado se muestran en la Fig. 2.3.
3 E3

FIGURA 2.3 Diagrama de Venn para un lanzamiento de dados

5 C

4 A

6 S

Ahora ya se sabe establecer un espacio muestral y hacer la lista de los eventos adecuados para un experimento. El siguiente paso es definir una probabilidad para esos eventos, Ya se ha visto que la idea intuitiva de probabilidad se relaciona con la frecuencia relativa de ocurrencia. Un dado normal debe mostrar un nmero par, al ser lanzado, aproximadamente la mitad de las veces, y se debe obtener "3" aproximadamente la sexta parte de las veces. Por lo tanto, las probabilidades deben ser fracciones entre 0 y 1. Uno de los enteros, 1, 2, 3, 4, 5 6, debe aparecer cada vez que se lanza el dado y, por lo tanto, la probabilidad total asociada con el espacio muestral debe ser 1. Al lanzar repetidamente el dado, si aparece "1" 1/6 de las veces, entonces "1 2" debe ocurrir 1/6 + 1/6 = 1/3 de las veces. Como se suman las frecuencias relativas de eventos mutuamente excluyentes, lo mismo debe ser para las probabilidades. Estas consideraciones llevan a la siguiente definicin.

DEFINICION 2.4 Supngase que un experimento tiene asociado un espacio muestral S. Una probabilidad es una funcin de valor numrico que asigna un nmero P(A) a cada evento A de tal manera que son vlidos los siguientes axiomas: (1) P(A) 0 (2) P(S) = 1 (3) Si A1, A2, .. es una sucesin de eventos mutuamente excluyentes, es decir, A 1 A1 = para toda i j), entonces:

PAi = P (Ai ) i=1 i=1

De acuerdo con el axioma (3) se llega a la conclusin de que si A y B son eventos mutuamente excluyentes, P(A B) = P(A) + P(B) Este caso es semejante al de la suma de frecuencias relativas en el ejemplo del lanzamiento de dados que se describi antes. Es fcil ver ahora que si A B entonces P(A) P(B). Para verlo, se escribe
B= A AB

de modo que
P( B) = P( A A B) = P( A) + P () AB A B) 0 , segn el axioma (1), en consecuencia P () A P () B . En especial, como A S, para Como P ( cualquier evento A, y P(S) = 1, entonces P(A) 1. De igual modo se puede demostrar que P() = 0. Como S y son disjuntos y S = S,

1 = P(S) = P(S ) = P(S) + P() La definicin de probabilidad slo seala los axiomas a los que debe apegarse esa funcin; no dice qu nmeros asignar a eventos especficos. La asignacin real de nmeros se lleva a cabo, normalmente, de acuerdo a la evidencia emprica, o segn consideraciones cuidadosas acerca del experimento. Si el dado es normal, se podra lanzarlo algunas veces para ver si cada una de las caras tiene la misma probabilidad de ocurrir o son equiprobables. O bien, se podra suponer que esto sucede y asignar una probabilidad de 1/6 a cada uno de los seis elementos de S: P(Ei) = 1/6, i = 1, 2, , 6. Una vez hecho lo anterior, el modelo queda completo, porque, de acuerdo con el axioma (3), se puede calcular ahora la probabilidad de cualquier evento. Por ejemplo, para los eventos definidos en la pgina 28 y en la Fig. 2.3,

P () A = P( E2 E4 E6)

= P( E2) + P( E4 ) + P( E6)
1 1 1 1 = + + = 6 6 6 2
y

P () C = P( E5 E6) = P( E5) + P( E6)

1 1 1 = + = 6 6 3

Es importante recordar que Definicin 2.4 y la asignacin real de probabilidades a los eventos dan un modelo probabilstico de un experimento. Si se usa P(Ei) = 1/6 en el experimento de tirar el dado, el modelo es bueno o malo dependiendo de qu tan cercanas estn las frecuencias relativas a largo plazo de cada resultado, obtenido en realidad, de los valores sugeridos por la teora. Si el dado es normal, es decir, no est cargado, el modelo debe ser bueno; indica lo que se debe esperar que suceda. Si el dado est cargado, entonces el modelo no es bueno y se deben sustituir otras probabilidades en P(Ei). En el resto del libro crearn muchos modelos especficos basados en esta definicin general, y se explicarn los casos prcticos en los que funcionan bien. Ningn modelo es perfecto, pero muchos son adecuados para representar los fenmenos probabilsticos del mundo real.

EJEMPLO 2.2 Un gerente de compras desea hacer pedidos a tres proveedores posibles, a los que numera 1, 2 y 3. Todos los vendedores son iguales en lo que respecta a calidad y precio; por lo tanto, el gerente escribe cada nmero en un pedazo de papel: mezcla los papeles y, a ciegas, selecciona uno de ellos. Se coloca el pedido con el vendedor cuyo nmero sali seleccionado. Sean E i el evento en el que se ha seleccionado al proveedor i (i = 1, 2, 3); B el evento en el que se selecciona al proveedor 1 3: y C el evento en el que el proveedor 1 no se selecciona. Calcular las probabilidades de los eventos E i, B y C. Solucin Los eventos E1, E2, y E3 corresponden a los elementos de S, ya que representan todos los resultados nicos posibles. As, si se asignan las probabilidades correctas a esos eventos, entonces se podr calcular con facilidad la probabilidad de cualquier otro evento. Como se selecciona al azar un nmero de entre los tres disponibles, parecera intuitivamente razonable asignar una probabilidad de 1/3 a cada Ei. Esto es,

1 P( E1 ) = P( E2) = P( E3) = 3
No se ve la razn de creer que un nmero tiene mayor probabilidad que los otros de ser seleccionado. Ahora bien, B = E1 E3 y de acuerdo al axioma (3) de la definicin 2.4,

1 1 2 P () B = P( E1 E3) = P( E1 ) + P( E3) =+ = 3 3 3
Igualmente, C = E2 E3

y as

2 P( C) = P( E2) + P( E3) = 3
Ntese que se podran haber seleccionado modelos probabilsticos distintos para el espacio muestral relacionado con este experimento, pero slo este modelo parece razonable bajo la hiptesis de que los proveedores se deben seleccionar con igual probabilidad. Los trminos a ciegas, al azar y aleatorio se interpretan como una imposicin de probabilidades iguales al nmero finito de puntos en el espacio muestral. Los ejemplos que se han visto hasta ahora asignan probabilidades iguales a los elementos de un espacio muestral, pero no siempre es ste el caso. Si se tienen en la bolsa dos monedas de tamao distinto, y se saca la primera que la mano toque, la moneda de tamao mayor ser la que tenga mayor probabilidad de ser escogida debido a sus dimensiones. Con frecuencia, las probabilidades que se asignan a los eventos se basan en evidencia experimental o en estudios de observacin, que producen datos de frecuencia relativa para los eventos de inters. Los datos slo dan aproximaciones a las verdaderas probabilidades, pero esas aproximaciones son con frecuencia bastante buenas y, en general, constituyen la nica informacin de que se dispone acerca de los eventos de inters. En el ejemplo 2.3 se muestra este caso.

EJEMPLO 2.3 Los datos de la Fig. 2.4, acerca del estado civil de los desempleados en Estados Unidos, los public el Bureau of Labor Statistics (Oficina de Estadstica laboral) de ese pas.

FIGURA 2.4 Estado civil de los desempleados en Estados Unidos.

Solteros 37% Hombres casados, 32% Mujeres casadas, 16% Viudos, divorciados, separados, 15% 25%

42%

15% 18%

1956

1982

Suponga que usted encuentra un desempleado en 1956. Cul es la probabilidad aproximada que el desempleado sea (a) una mujer casada? (b) un(a) soltero(a)? (c) un(a) casado(a)? Contestar los incisos (a), (b) y (c) tambin para cuando encuentra a un desempleado en 1982. Solucin Se supondr que no se conoce nada acerca de la persona desempleada que se encuentra. De hecho, la persona se selecciona al azar entre la poblacin de trabajadores desempleados. Se ve directamente de la grfica de 1956 que: P(mujeres casadas) P(solteros) P(casados) = 0.16 = 0.37 = P(casados) + P(casadas) = 0.16 + 0.32 0.48

En la figura para 1982 se ve que:

P(mujeres casadas) P(solteros) P(casados)

= 0.18 = 0.42 = 0.18 + 0.25 = 0.43

Ntese que no se puede contestar algunas preguntas de inters potencial basndose en estas figuras. Por ejemplo, no se puede determinar la probabilidad de que el desempleado sea una mujer soltera.

EJERCICIOS

2.5 Un vehculo que llega a un cruce puede virar hacia la izquierda, virar hacia la derecha o continuar de frente. Un experimento consiste en observar el movimiento de un vehculo en este cruce. (a) Hacer una lista de los elementos de un espacio muestral. (b) Atribuir probabilidades a aquellos elementos para el caso en que todos los resultados son igualmente probables. (c) Determinar la probabilidad de que el vehculo d vuelta, con el modelo probabilstico de la parte (b). 2.6 Una compaa manufacturera tiene dos expendios al menudeo. Se sabe que el 30% de los clientes potenciales compran productos slo en la tienda I, el 50% compra en la tienda II, el 10% compra en las tiendas I y II, y el 10% de los consumidores no compra en ninguna de las dos. Sea A el evento en el que un cliente potencial, seleccionado al azar, compra en I y B el evento en el que compre en II. Calcular las siguientes probabilidades: a P( A) ()
c P () B ()

b P( A B) () d P( AB) ()
f P( AB ) ()

e P( A B) ()
g P( A B) ()

2.7 Para los voluntarios que acuden a un centro de donacin de sangre, 1 de cada 3 tiene sangre O +, 1 de cada 15 tiene sangre O-, 1 de cada 3 tiene A+, y 1 de cada 16 tiene A -. Cul es la probabilidad de que la primera persona que llegue maana done sangre. (a) (b) (c) (d) Tipo O+? Tipo O? Tipo A? Ya sea tipo A+ u O+?

2.8 En la siguiente figura se muestra la informacin acerca de los modos en que se transporta el carbn que sale de los Apalaches. Si el carbn que llega a determinada planta de energa elctrica proviene de esta regin, determinar la probabilidad de que haya salido de la regin: (a) (b) (c) (d) (e) de camin a ferrocarril slo por transportes acuticos por lo menos parcialmente en camin por lo menos parcialmente en ferrocarril por medios que no sea transporte acutico. Suponer que en "otros" no interviene el agua.

Slo camin, 12% Camin a transporte acutico, 4% Camin a ferrocarril, 43% Slo ferrocarril, 31% Slo transportes acuticos, 5% Otros, 5%

Fuente: Elmes, G.. Transportation Research, 18A, N 1, 1984, p 19.

2.9 Para encontrar defectos se inspeccionan las partes hidrulicas del tren de aterrizaje que proviene de una instalacin de reparacin de aviones. Los antecedentes demuestran que 8% tiene defectos solo en los ejes, 6% tiene defectos solo en los bujes, y que el 2% tiene defectos tanto en los ejes como en los bujes. Si se seleccionan al azar las partes hidrulicas que se usarn en una aeronave, determinar la probabilidad de que tengan: (a) (b) (c) (d) un defecto en los bujes. un defecto en un eje o en un buje. slo uno de los dos tipos de defectos. ningn defecto en los ejes.

2.4

REGLAS DE CONTEO UTILES EN PROBABILIDAD

Considrese el experimento de lanzar el dado desde una perspectiva ligeramente distinta. Como hay seis resultados que deben ser igualmente probables si el dado es normal, entonces la probabilidad de A, el observar un nmero par, es:
3 nmero de resultados favorables a A P () A == 6 nmero total de resultados equiprobables

Esta definicin de probabilidad funcionar para cualquier experimento que d como resultado un espacio muestral finito con resultados equiprobables. As, es importante poder contar el nmero de resultados posibles de un experimento. Este nmero de resultados, para un experimento puede llegar a ser bastante grande; el conteo se hace difcil a menos que se conozcan algunas reglas de conteo. En esta seccin se presentan cuatro de esas reglas, en forma de teoremas. Supngase que un inspector de control de calidad examina dos artculos manufacturados que se seleccionaron de una lnea de produccin. El artculo 1 puede tener defectos o no tenerlos, as como el artculo 2. Cuntos resultados posibles tiene este experimento? En este caso es fcil hacer una lista de

ellos. Si se usa D para representar que el isimo artculo es defectuoso y N i para indicar que ese artculo no es defectuoso, los resultados posibles son: D1 D2 D1 N2 N1 D2 N1 N2

Estos cuatro resultados se podran haber colocado en una tabla de dos columnas, como en la Fig. 2.5. Esta tabla ayuda a ver que los cuatro resultados surgen del hecho de que el primer artculo tiene dos resultados posibles y el segundo tambin dos resultados posibles; por lo tanto, el experimento de examinar los dos artculos tiene 2 x 2 = 4 resultados. Es un ejemplo de la regla de multiplicacin, que se da como teorema 2.1.

FIGURA 2.5 Resultados posibles para inspeccionarlos artculos (Di indica que el i-simo artculo es defectuoso; Ni seala que el i-simo artculo no es defectuoso)

2 artculo D1 N1 D D N D
1 1

D2

N2 D1 N1

1 artculo

er

N N

TEOREMA 2.1 Si la primera tarea de un experimento da como resultado n1 resultados posibles y, para cada uno de ellos, la segunda tarea da como resultado n2 resultados posibles, entonces se tienen n1 y n2 resultados posibles para las dos tareas juntas. La regla de multiplicacin se ampla a ms tareas sucesivas. Si, por ejemplo, se inspeccionan tres artculos y cada uno puede ser defectuoso o no defectuoso, entonces habran 2 x 2 x 2 = 8 resultados posibles. Tambin los diagramas de rbol son tiles para comprobar la regla de multiplicacin y para tener la lista de los resultados. Supngase que una empresa ha de decidir dnde construir dos plantas nuevas, una en el lado oriente y otra en el poniente. Como ciudades posibles se tienen cuatro ciudades en el oriente y dos en el oeste. Entonces, habr n1 n2 = 4(2) = 8 posibilidades para ubicar las dos plantas. La Fig. 2.6 es una presentacin de estas posibilidades en forma de diagrama de rbol. E A B C D F E FIGURA 2.6 Resultados posibles para ubicar dos plantas (A, B, C, D representan ciudades en el este; E y F representan ciudades en el oeste) F E F E F Segunda planta (ciudad en el oeste)

Primera planta (ciudad en el este)

La regla de multiplicacin (teorema 2.1) slo ayuda a determinar el nmero de elementos en un espacio muestral para un experimento. Todava se deben asignar probabilidades a esos elementos para completar el modelo probabilstico. Esto se lleva a cabo en el problema de seleccin de lugar en el ejemplo 2.4 EJEMPLO 2.4

Acerca de la firma que planea construir dos plantas nuevas, en la Fig. 2.6 se muestran los ocho resultados posibles. Si las ocho selecciones son equiprobables, es decir, se selecciona al azar uno de los pares de ciudades, calcular la probabilidad de que sea seleccionada la ciudad E. Solucin La ciudad E se puede seleccionar en cuatro maneras distintas, ya que hay cuatro ciudades posibles en el lado oriente para formar pareja con ella. As: {E sale seleccionada} = {A E} {B E} {C E} {D E} Cada uno de los 8 resultados tiene una probabilidad de 1/8, porque se supone que los ocho eventos son igualmente probables. Como estos 8 eventos son mutuamente excluyentes, P{E sale seleccionada} =P(A E) P(B E) P(C E) P(D E)

1 1 1 1 1 = + + + = 8 8 8 8 2
EJEMPLO 2.5

Se tiene cinco motores, numerados del 1 al 5, disponibles para su uso, y el motor nmero 2 tiene un defecto. Los motores 1 y 2 proviene del proveedor I y los motores 3, 4 y 5 del proveedor II. Supngase que se seleccionan a lazar dos motores para usarlos determinado da. Sea A el evento en el que se selecciona el motor defectuoso y B el evento en el que por lo menos uno de los motores se obtuvo del proveedor I. Calcular P(A) y P(B). Solucin Se ve en el diagrama de rbol de la Fig. 2.7 que hay 20 resultados posibles para este experimento, lo cual concuerda con el clculo en el que se usa la regla de multiplicacin. Esto es, hay 29 eventos de la forma {1, 2}, {1, 3}, y as sucesivamente. Como los motores se seleccionan al azar, cada uno de los 20 resultados tiene una probabilidad iguala 1/20. As, P(A) = P({1, 2} {2, 1} {2, 3} {2, 4} {2, 5} {3, 2} {4, 2} {5, 2})

8 = =0.4 20
ya que la probabilidad de la unin es la suma de probabilidades de los eventos en la unin. Primer motor seleccionado
1

Segundo motor seleccionado 2

3 4 5 1 3 4 5 1 2 4 5 1 2 3 5 1 2 3 4

FIGURA 2.7 Resultados del experimento del ejemplo 2.5

El lector puede demostrar que B contiene 14 de los 20 resultados, y que:

Con frecuencia se usa la regla de multiplicacin para elaborar otras reglas de conteo. Supngase que de tres pilotos se selecciona una tripulacin de dos pilotos, para formar un equipo piloto-copiloto. Para contar el nmero de maneras en las que esto se puede llevar a cabo, obsrvese que el asiento del piloto se puede llenar de tres modos y el del copiloto de dos, despus de haber seleccionado al piloto; por lo tanto, hay 3 por 2 = 6 maneras de formar el equipo. Este es un ejemplo de una permutacin, para la cual en el teorema 2.2 se da el resultado general.

14 P( B) = = 0. 20

TEOREMA 2.2 El nmero de arreglos ordenados, o permutaciones, de r objetos seleccionados entre n objetos distintos, si (r n) est dado por:
n! n r) ! (

Prn = n( n 1) ...( n r+ 1) =

Demostracin Se puede imaginar la idea bsica de una permutacin como el llenado de r ranuras en una lnea, con un objeto en cada ranura, si esos objetos se toman de uno en uno de una reserva de n objetos distintos. La primera ranura se puede llenar de n maneras, pero la segunda slo de (n 1) maneras, despus de haber llenado la primera ranura. As, de acuerdo con la regla de multiplicacin, las primeras dos ranuras se pueden llenar de n(n 1) maneras. Si se generaliza este razonamiento a r ranuras, se tiene que el nmero de maneras de llenarlas a todas es: n! n( n 1) ...( n r+ 1) = = Prn n r) ! ( Por consiguiente, queda demostrado el teorema. Se ilustrar la aplicacin de este teorema con los siguientes ejemplos.

EJEMPLO 2.6 De entre 10 empleados se deben seleccionar tres para viajar a tres plantas A, B y C, fuera de la ciudad. Cada empleado ir a una planta. Como las plantas estn en distintas ciudades, es importante el orden de asignacin de los empleados a las plantas De cuntos modos se puede hacer la seleccin? Solucin Como es importante el orden, el nmero de asignaciones diferentes posibles es

10! 10 P3 = = 10() " () 8 = 20 !

En otras palabras, hay 10 posibilidades para la planta A, pero despus slo quedan 9 para la planta B y 8 para la C. Esto da un total de 10(9)(8) maneras de asignar empleados a las plantas.

EJEMPLO 2.7 Una operacin de ensamble en una planta de manufactura consta de cuatro pasos, que se pueden llevar a cabo en cualquier orden. Si el fabricante desea comparar en forma experimental los tiempos de ensamble para cada acomodo posible de los pasos, cuntos acomodos habr en el experimento? Solucin El nmero de maneras de ordenar es la permutacin de n = 4 cosas tomadas r = 4 a la vez. Se deben efectuar todos los pasos cada vez. Este nmero es:

4! P44 = = 4!= 4 3 2 1 = 24 0!
ya que 0! = 1 por definicin. De hecho,

A veces no es importante el orden, y slo interesa el nmero de subconjuntos de determinado tamao que se pueden seleccionar de un conjunto dado. La forma general de esa combinacin la da el teorema 2.3.

Prr = r! para cualquier entero r.

TEOREMA 2.3 El numero de subconjuntos distintos, o combinaciones, de tamao r que se pueden seleccionar de n objetos distintos, (r n), es:

n n! = r r!( n r) !

Demostracin El nmero de subconjuntos ordenados de tamao r, seleccionados entre n objetos distintos. est dado por

n Prn . El nmero de subconjuntos sin ordenar de tamao r se representa mediante . Como cualquier r r conjunto determinado de r objetos se puede ordenar entre ellos de Pr = r! modos, por lo tanto, n r!= Prn r
o sea
n 1 n! = Prn = r r! r!( n r) !

EJEMPLO 2.8 Supngase que en el ejemplo 2.6 los 3 empleados se deben seleccionar de entre los 10 para ir a la misma planta. De cuntos modos se puede hacer la seleccin? Solucin

En este caso no es importante el orden, y tan slo se desea saber cuntos subconjuntos de tamao r = 3 se pueden formar con n = 10 personas. El resultado es:
10 10! 10 " 8 = 120 = = 3 3! ! 1 2 3

EJEMPLO 2.9 Vase el ejemplo 2.8. Si 2 de los 10 empleados son mujeres y 8 son hombres, cul es la probabilidad de seleccionar exactamente una mujer entre los tres candidatos? Solucin

10 2 =120 maneras de seleccionar 3 empleados de los 10. Igualmente hay 3 1 8 modos de seleccionar 1 mujer entre las 2 que se tienen, y =28 maneras de seleccionar 2 hombres de 2
Se ha visto que hay entre los 8 que hay. Si se hacen al azar las selecciones (es decir, se pueden seleccionar con igual probabilidad todos los subconjuntos de 3 empleados), entonces la probabilidad de seleccionar exactamente una mujer es:

P( seleccionar exactamente una mujer)=

2 8 1 2 = 2( 28) = 10 120 15 3

EJEMPLO 2.10 Se clasifican cinco aspirantes a un empleo de acuerdo a su destreza, siendo el mejor el nmero 1, el segundo mejor el nmero 2, y as sucesivamente. Estas clasificaciones no las conoce un empleador, quien simplemente contrata a dos aspirantes al azar. Cul es la probabilidad de que este empleador contrate exactamente uno de los dos mejores aspirantes? Solucin El nmero de resultados posibles en este proceso de seleccin de dos aspirantes de entre cinco es:

5 5! = 10 = 2 2!3!
Si se selecciona uno de los dos mejores; esta seleccin se puede hacer en:

2 2! = 2 = 1 1 !1 !

maneras. El otro aspirante seleccionado debe provenir de entre los tres con menor calificacin, lo cual se puede hacer en:

3 3! = 3 = 1 1 !2!
maneras. As, el evento de inters, que es la contratacin de uno de los dos aspirantes mejores, se puede 3= 6 maneras. La probabilidad de este evento es entonces 6/10 = 0.6 hacer de 2

TEOREMA 2.4 El nmero de maneras de dividir n objetos distintos en k grupos que contienen n1, n2, nk objetos, respectivamente, es:

n! n1! n 2!...n k !
donde:

n
i=1

=n

Demostracin La divisin de n objetos en k grupos se puede llevar a cabo primero, mediante la seleccin de un subconjunto de tamao n1 de los n objetos; a continuacin, se selecciona un subconjunto de tamao n2 de los n n1 objetos restantes, y as sucesivamente hasta que todos los grupos estn completos. El nmero de modos de llevar a cabo lo anterior es:
n n1 n n1 n k 1 n n1 n2 nk

n n1) ! n n1 nk ! n! n! ( ( 1) = = n1!( n n1) ! n 2!( n n1 n2 ) ! n k !0! n1! n 2! nk!

EJEMPLO 2.11 Supngase que se deben dividir 10 empleados en tres puestos, de tal modo que 3 empleados estn en el puesto I, 4 en el puesto II y 3 en el puesto III. De cuntos modos puede hacerse la asignacin de los puestos? Solucin Este problema requiere una divisin de los n = 10 empleados en grupos de tamao n1 = 3, n2 = 4 y n3 = 3 y se puede llevar a cabo en:

n! 10! 10 " 8 6 5 = = = 4200 n1! n 2! n 3! 3!4!3! 3 2 1 3 2 1

formas. (Obsrvese el nmero enorme de maneras en que se puede realizar esta tarea).

EJEMPLO 2.12 En el planteamiento del ejemplo 2.11, supngase que slo 3 empleados de un solo grupo tnico se asignan al empleo I. Cul es la probabilidad de que esto suceda en una asignacin aleatoria de empleados a trabajos? Solucin En el ejemplo 2.11 se vio que hay 4200 maneras de asignar los 10 trabajadores a los tres puestos. El evento de inters asigna tres empleados determinados al empleo I. Queda por determinar de cuntos modos se pueden asignar los siete empleados restantes a los puestos II y III. Este nmero es:
6 () 5 ! () = = 35 4!3! 3() 2 () 1

As, la posibilidad de asignar tres trabajadores determinados al puesto I es:

35 1 = 4200 120
la cual realmente es muy pequea ______________________________________________________________________________________ EJERCICIOS

2.10 Un experimento consiste en observar dos vehculos en sucesin que pasan por el cruce de dos calles. (a) Hacer una lista de los resultados posibles, si se supone que cada vehculo se sigue de frente, gira hacia la izquierda o vira hacia la derecha. (b) Suponiendo que son equiprobables los resultados, determinar la probabilidad de que por lo menos uno devuelta a la izquierda. (Sera razonable siempre esta suposicin?) (c) Suponiendo que son igualmente posibles los resultados, calcular la probabilidad de que cuando mucho un vehculo d vuelta. 2.11 Un edificio comercial se proyecta con dos entradas, la I y la II. Llegan dos clientes y entran al edificio. (a) Hacer una lista de los elementos de un espacio muestral para este experimento de observacin. (b) Si son igualmente posibles todos los elementos de la parte (a), calcular la probabilidad de que ambos clientes entren por la puerta I, y de que ambos clientes entren por la misma puerta. 2.12 Una empresa tiene dos contratos de construccin que se han de asignar a una o ms de tres firmas que concursan. Una firma puede recibir ambos contratos. (a) Hacer una lista de los resultados posibles de la asignacin de contratos a las firmas. (b) Si todos los resultados son igualmente posibles, calcular la probabilidad de que ambos contratos sean para la misma firma. (c) Bajo la hiptesis de (b), calcular la probabilidad de que una firma especfica, por ejemplo la firma I, obtenga por lo menos un contrato. 2.13 Entre cinco generadores porttiles producidos en una lnea de montaje en un da, hay dos defectuosos. Si se seleccionan dos generadores para su venta, determinar la probabilidad de que

ambos no tengan defectos. Suponer que la seleccin de los dos generadores para la venta se hizo de tal modo que todas las muestras posibles de tamao dos tienen la misma probabilidad de ser seleccionadas. 2.14 Siete personas han solicitado trabajo para llenar dos vacantes. De cuntos modos se pueden llenar las vacantes? (a) La primera persona seleccionada? (b) No hay diferencias entre la vacantes? 2.15 Un paquete de seis focos tiene dos piezas defectuosas. Si se seleccionan tres focos para su uso, calcular la probabilidad de que ninguno tenga defectos. 2.16 Cuntos nmeros de serie de cuatro dgitos se pueden formar si ninguno de los dgitos se debe repetir en cualquier nmero de serie? El primer dgito puede ser cero. 2.17 Una flota de ocho taxis se destina al azar a tres aeropuertos, A, B y C. Dos taxis van a A, 5 a B y 1 a C. (a) De cuntos modos se puede hacer esta asignacin? (b) Cul es la probabilidad de que el taxi que conduce Juan se asigne al aeropuerto C?
n 1 n 1 n = + ,1 r n 2.18 Demostrar que r r 1 r

2.19 Cinco empleados de una firma estn clasificados del 1 al 5 de acuerdo con su destreza para programar una computadora. Se seleccionan tres de esos empleados para ocupar vacantes de programador. Si son igualmente posibles todas las selecciones de tres (de entre los cinco), calcular la probabilidad de que: (a) sea seleccionado el empleado clasificado como nmero 1. (b) el empleado mejor clasificado de los tres seleccionados sea el que estaba clasificado como nmero 2 o menor. (c) se seleccionan los empleados clasificados en el 4 y 5 lugares. 2.20 Para determinado modelo de un automvil nuevo se tiene igual demanda de colores azul, blanco, negro y verde. Se hacen tres pedidos sucesivos de automviles de ese modelo. Determinar la probabilidad de que: (a) Se pidan uno azul, uno blanco y uno verde. (b) Se pidan dos azules. (c) Se pida por lo menos uno negro. (d) Exactamente dos de los que expidieron tengan el mismo color. 2.21 Una empresa ha hecho tres pedidos para refacciones entre cinco distribuidores distintos. Cada pedido se asigna al azar a uno de los distribuidores, y un distribuidor puede recibir pedidos mltiples. Calcular la probabilidad de que (a) Todos los pedidos sean para distribuidores distintos. (b) Todos los pedidos sean para el mismo distribuidor. (c) Exactamente dos de los tres pedidos sean para un determinado distribuidor. 2.22 Una operacin de ensamble de tarjeta de circuitos de computadora consiste en cuatro operaciones que se pueden llevar a cabo en cualquier orden. (a) De cuntos modos se puede llevar a cabo la operacin de ensamble? (b) Una de las operaciones consiste en soldar conductores a un microcircuito. Si todos los arreglos de ensamble son igualmente posibles, cul es la probabilidad de que la soldadura sea la primera o la segunda operacin? 2.13 Se dividirn nueve llaves de tuercas por igual entre tres lneas de ensamble. (a) De cuntas maneras se puede llevar a cabo lo anterior?

(b) Dos de las llaves son usadas y siete son nuevas. Cul es la probabilidad de que una lnea de ensamble determinada, por ejemplo la lnea A, tenga ambas llaves usadas?

2.5

PROBABILIDAD CONDICIONAL E INDEPENDENCIA

A veces un espacio muestral para un experimento se puede reducir mediante informacin adicional disponible sobre los elementos en cuestin. Por ejemplo, un espacio muestral adecuado para medir los pesos de todas las personas se podra reducir en gran medida si se sabe que slo sern considerados los adultos en el estudio. Esta informacin adicional se llama informacin condicional. Considrese con ms detalle un ejemplo especfico. De 100 estudiantes que terminaron un curso elemental de estadstica, 20 eran ejecutivos. Diez estudiantes obtuvieron A en el curso, y tres de stos eran ejecutivos. Estos hechos se muestran con facilidad en un diagrama de Venn, como el de la Fig. 2.8, en la que A representa a los estudiantes que obtuvieron A, y B representa a los ejecutivos.
Figura 2.8 B B

A
3 17 7 73

Ahora bien, para un estudiante de esta clase seleccionado al azar, P(A) = 0.1 y P(B) = 0.2. Pero supngase que se sabe que el estudiante seleccionado al azar es ejecutivo. En ese caso se desea conocer la probabilidad de que el estudiante obtuviera una A, en vista de que es un ejecutivo. Entre los 20 ejecutivos, 3 obtuvieron A. As P(A dado B), que se escribe P(A B) es 3/20. A partir del diagrama de Venn se ve que la informacin condicional (o dada) reduce el espacio muestral efectivo a tan slo 20 ejecutivos. Entre ellos, 3 obtuvieron A. Ntese que: P(A B) = este hecho motiva la definicin 2.5.
P( AB) 3#100 3 = = 20 P( B) 20 #100

DEFINICION 2.5 Si A y B son dos eventos cualesquiera, la probabilidad condicional de A dado B, que se representa mediante P(A B), es: P(A B) =
P (AB) P( B)

siempre que P(B) > 0. EJEMPLO 2.13 De 5 motores uno de ellos tiene defectos. y se deben seleccionar 2 al azar para utilizarlos en determinado da. Calcular la probabilidad de que el segundo motor seleccionado no tenga defectos, en caso de que el primero no haya sido defectuoso.

Solucin Sea N, el evento en el que el isimo motor seleccionado no tenga defectos. Se desea calcular P(N 2N1). De acuerdo con la definicin 2.5 se tiene que

P(

) = P(

P(

Con respecto a los veinte resultados posibles que se presentan en la Fig. 2.7, el evento N 1 contiene 16 de esos resultados, y N1N2 contiene 12, Por tanto, como los veinte resultados son igualmente posibles,

P(
Parece razonable esta respuesta?

) = P(

P(

12 # 20 12 3 = = 16 # 20 16 4

Las probabilidades condicionales satisfacen los tres axiomas de la probabilidad (definicin 2.4), como se puede demostrar con facilidad. Primero, como AB B, entonces P(AB) P(B). Tambin P(AB) 0, y P(B) 0; por lo tanto,

0P ( A B ) =
La segunda,

P ( A B ) 1 P( B )

P( S B ) =

P( S B ) P( B ) = =1 P( B ) P( B )

En tercer lugar, si A1 y A2 son eventos mutuamente excluyentes, tambin lo sern A 1 B1, A2 B2, y

P U Ai B i=1 PU Ai $ B = i=1 P( B)
P ( Ai B ) i = 1 = = P( B )

P( A
i =1

B)

P( B )

=
i =1

P( Ai B ) = P( Ai $ B ) P( B ) i =1

La probabilidad condicional es muy importante en muchas aplicaciones prcticas de la probabilidad. En dichas aplicaciones, con frecuencia cambios aparentemente pequeos en la informacin bsica a partir de la cual se obtienen las probabilidades, afectan drsticamente las probabilidades condicionales. Si la informacin adicional para saber que ha sucedido un evento B no cambia la probabilidad de A, esto es, si P(A | B) = P(A), entonces se dice que los eventos A y B son independientes. Como

P( A B ) =

P( A B ) P( B )

la condicin P(A | B) = P(A) es equivalente a

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

o sea

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

DEFINICION 2.6 Se dice que dos eventos A y B son independientes si: P(A|B) = P(A) o bien, P(B|A) = P(B) Esto es equivalente a afirmar que: P(A B) = P(A)P(B)

EJEMPLO 2.14 Supngase que un supervisor debe seleccionar un trabajador para un puesto especial, de un conjunto de cuatro trabajadores, numerados 1, 2, 3 y 4. Lleva a cabo la seleccin mezclando los cuatro nombres y tomando uno al azar. Sea A el evento de que se selecciona el trabajador 1 2; B el evento de que se selecciona el trabajador 1 3, y C el evento de que se selecciona el trabajador 1. Son independientes A y B? Son independientes A y C? Solucin Como el nombre se selecciona al azar, una hiptesis razonable para el modelo probabilstico es asignar una probabilidad de 1/4 a cada trabajador individual. Entonces P(A) = 1/2, P(B) = 1/2 y P(C) = 1/4. Como la interseccin AB contiene slo al trabajador 1, P(A B) = 1/4. Ahora bien, P(A B) = 1/4 = P(A)P(B) y, entonces, A y B son independientes, Como A C tambin contiene slo al trabajador 1, entonces P(A C) = 1/4. Pero P(A C) = 1/4 P(A)P(C); por lo tanto, A y C no son independientes. Se dice que A y C son dependientes debido al hecho de que si sucede C cambia la probabilidad de que suceda A. La mayor parte de los casos en los que se presentan asuntos de independencia no es como el que se vio en el ejemplo 2.14, en el que los eventos estn bien definidos y tan slo se calculan las probabilidades para comprobar la definicin. Con frecuencia, se supone la independencia de dos eventos para poder calcular su probabilidad conjunta. Supngase, por ejemplo, que A denota que la mquina A no se descompondr hoy, y B, que la mquina B no se descompondr hoy. P(A) y P(B) se pueden estimar a partir de los registros de mantenimiento de las mquinas. Cul es P(AB), la probabilidad de que ninguna mquina se descomponga hoy? Si se supone independencia, P(AB) = P(A)P(B), se trata de un clculo directo. Sin embargo, si no se supone independencia, no se puede calcular P(AB) a menos que se forme un modelo para su estructura de dependencia, o se renan datos acerca de sus comportamientos conjuntos. Es la independencia una hiptesis razonable? Puede ser si el funcionamiento de una mquina no queda afectado por el de la otra, pero puede no ser si las mquinas estn en el mismo recinto, tienen la misma fuente de corriente o el mismo

supervisor. Por lo tanto, vea el lector que la independencia se usa frecuentemente como hiptesis simplificadora, y que podra no cumplirse en todos los casos para los que se supone. Recurdese que los modelos probabilsticos simplemente son modelos, y que no siempre reflejan exactamente la realidad. Esto no debera ser motivo de mayor preocupacin, ya que en todas las ramas de la ciencia se hacen hiptesis simplificadoras al crear sus modelos, sean probabilsticos o deterministas. A continuacin se mostrar cmo estas definiciones ayudan a establecer reglas de clculo de probabilidades de eventos compuestos.

2.6 REGLAS DE PROBABILIDAD A continuacin se presentarn cuatro reglas que ayudarn a calcular probabilidades de eventos. Recuerde primero que el complemento A de un evento A es el conjunto de todos los resultados de un espacio muestral S que no estn en A. As, A y A son mutuamente excluyentes, y su unin es S; es decir,

A A= S
Se deduce que o bien,
P( A A)= P( A )+ P (A) = P(S) =1 P( A )= 1 P(A )

Con ello se ha establecido el siguiente teorema:

TEOREMA 2.5 Si A es el complemento de un evento A en el espacio muestral S, entonces:

P( A )= 1 P(A )

EJEMPLO 2.15 Un inspector de control de calidad tiene 10 lneas de montaje de dnde selecciona productos para su prueba. Cada maana de una semana de 5 das selecciona al azar una de las lneas para inspeccionarla ese da. Calcular la probabilidad de que seleccione una lnea ms de una vez durante la semana. Solucin En este caso es ms fcil razonar en trminos de complementos, y determinar primero la probabilidad de que no haya lnea que se seleccione ms de una vez. Si no se repite lnea alguna, deben seleccionarse 5 lneas distintas en das sucesivos, lo cual se puede llevar a cabo en:

10 5

10! = 10%"&%8&% &%6& 5!

maneras. El nmero total de resultados posibles para la seleccin de 5 lneas sin restriccin alguna es (10) 5, de acuerdo con una ampliacin de la regla de la multiplicacin. As,

P P(no se selecciona una lnea ms de una vez) =

=
y

%10&

10 5 5

10%"&%8&% &%6& = 0.30 %10&5

P(se selecciona una lnea ms de una vez) = 1.0 - 0.30 = 0.70 El axioma 3 se aplica a P(AB) si A y B son disjuntos. Pero qu sucede si A y B no son disjuntos? La respuesta, est en el teorema 2.6.

TEOREMA 2.6 Si A y B son dos eventos cualesquiera, entonces: P(AB) = P(A) + P(B) - P(AB) Si A y B son mutuamente excluyentes, entonces: P(AB) = P(A) + P(B) Demostracin De acuerdo con un diagrama de Venn para la unin de A y B (vase Fig. 2.1) es fcil ver que:

A B = AB A B AB
y que los tres eventos del lado derecho de la igualdad son mutuamente excluyentes. Por lo tanto, P(A B )= P( AB )+ P( A B )+ P (AB) Ahora bien,

A = AB AB
B = A B AB
P(A) = P(AB )+ P(AB)
P(B) = P( A B) + P(AB )

y de modo que y

En consecuencia, y

P( AB )= P(A) P(AB )
P( AB) = P(B) P(AB )

Sustituyendo P(AB) de la demostracin, se tiene:

P( A B ) = P( A) P( AB ) + P( B) P( AB ) + P( AB ) = P(A) + P(B) P (AB)

con lo que se termina la demostracin.

La frmula para la probabilidad de la unin de k eventos, A1 , A2 , ..., Ak , se deduce en una forma semejante, y est dada por:

P( A1 A2 L Ak ) = P( Ai ) P( Ai A ! ) + P( Ai A ! Al ) L+ L A1 A2 K Ak ) (1)P (
k i= 1 i< ! i< !< l

La regla que sigue es, en realidad, un reacomodo de la definicin de probabilidad condicional para el caso en el que se pueda conocer una probabilidad condicional y que se desee calcular la probabilidad de una interseccin.

TEOREMA 2.7 Si A y B son dos evenros cualesquiera, entonces:

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

= P(B) P (A B)

Si A y B son independientes, entonces:

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

Se mostrar el uso de los tres ltimos teoremas en los ejemplos siguientes.

EJEMPLO 2. 16 Los registros indican que para las partes que salen de un taller de reparacin de como ponentes hidrulicos en una instalacin de reparacin de aviones, el 20% tendr un defecto en el eje, el 10% tendr un defecto en un buje y el 75% no tendr defectos. Para un artculo seleccionado al azar de esta produccin, calcular la probabilidad de que: A: El artculo tenga por lo menos un tipo de defecto. B: El artculo slo tenga defectos en el eje. Solucin Los porcentajes dados significan que el 50% de los artculos tiene defectos tanto en los bujes como en el eje. Sea D1 el evento que denota un artculo con defecto en el eje, y D2 el evento que denota un defecto en los bujes. Entonces:

A = "1 "2
y

P( A) = P("1 "2 ) = P("1 ) + P("2 ) P("1 "2 )

= 0.20 + 0.10 0.05 = 0.25

Otra solucin posible es observar que el complemento de A es el evento de que un artculo no tiene defectos. Entonces:

P(A) = 1 P( A)

= 1 0. 5 = 0.25

Para calcular P(B), ntese que el evento D1 (de que el artculo tiene un defecto en el eje) es la unin del evento tiene slo un defecto (B). y tiene ambos defectos (D1 D2). Es decir,

"1 = B % "1 "2 &

donde B y D1 D2 son mutuamente excluyentes. Por lo tanto,

P( "1 ) = P( B ) + P( "1 "2 )

o bien,

P( B ) = P( "1 ) P( "1 "2 )

0.20 0.05 = 0.15

El lector debe hacer un diagrama de Venn de estos eventos para comprobar los resultados que se encontraron.

EJEMPLO 2.17 Una seccin de un circuito elctrico tiene dos relevadores en paralelo como se ve en la Fig. 2.9. Los relevadores trabajan en forma independiente, y cuando se conecta un interruptor, ambos cierran en forma correcta con una probabilidad de tan slo 0.8. Si ambos relevadores estn abiertos, calcular la probabilidad de que la corriente pase de s a t cuando se conecta el interruptor.

1
FIGURA 2.9 Dos relevadores en paralelo
s t

Solucin Sea O un relevador abierto y C un relevador cerrado los cuatro resultados de este experimento se muestran en la siguienle lista: Relevador 1 {(0 , {(0 , {( C , {( C , Relevador 2 0)} C)} 0)} C)}

E1= E2= E3= E4=

Como los relevadores trabajan en forma independiente se pueden calcular las probabilidades de estos resultados como sigue:

P(E1 )= P (0)P(0) = (0.2)(0.2) = 0.04 P(E2 )= P (0)P(C ) = (0.2)(0.8) = 0.16 P(E3 ) = P(C)P (0) = (0.8)(0.2) = 0.16 P(E4 )= P(C)P(C ) = (0.8) (0.8) = 0.64

si A representa el evento de que la corriente pasa de s a t, entonces:

A = E2 E3 E4
o sea,

A = E1

(por lo que al menos uno de los relevadores debe cerrar para que fluya la corriente). As,
P(A) = 1 P( A)

= 1 0.04 = 0."6
. que es lo mismo que P(E2 ) + P(E3 ) + P(E4 )

= 1 P(E1 )

EJEMPLO 2.18 Se van a mandar por correo tres pedidos a tres proveedores. Sin embargo, una secretaria distrada revuelve los pedidos, y se puede considerar que los mand al azar. Si una coincidencia es el hecho de que un proveedor recibe su pedido correcto, calcular la probabilidad de que se haya: (e) ninguna coincidencia (f) exactamente una coincidencia Solucin Este problema se puede resolver haciendo una lista de los resultados, ya que solo intervienen tres pedidos y tres proveedores. Pero se mostrar un mtodo ms general de solucin, Se definirn los siguientes eventos: A1: coincidencia para el proveedor I A2: coincidencia para el proveedor II A3: coincidencia para el proveedor III Hay 3! = 6 maneras igualmente probables de mandar los pedidos a los proveedores. Slo hay 2! = 2 maneras de mandar los pedidos a los proveedores en el caso de que un determinado proveedor deba tener una coincidencia. Por lo tanto,

P% A1 & = P % A2 & = P% A3 & = 2 # 6 = 1# 3

De manera similar, se deduce que,
P % A1 A2 & = P % A1 A3 & = P % A2 A3 & = P % A1 A2 A3 & = 1 # 16

(a) Ntese que: P(ninguna coincidencia) =1 P (al menos una coincidencia)

= 1 P % A1 A2 A3 &

= 1 [ P( A1 ) + P( A2 ) + P ( A3 ) P ( A1 A2 ) P ( A1 A3 ) P( A2 A3 ) + P( A1 A2 A3 ) ] = 1 [ 3(1# 3) 3( 1# 6) + (1# 6)]

= 1# 3

(b) Se deja que el lector demuestre que: P(exactamente una coincidencia) = P( A1 ) + P( A2 ) + P( A3 ) 2[ P( A1 A2 ) + P( A1 A3 ) + P( A2 A3 ) ] + 3P( A1 A2 A3 )

= 3%1 # 3& 2%3&%1 # 6& + 3%1 # 6& = 1 # 2

La cuarta regla que se presenta en esta seccin se basa en el concepto de particin de un espacio muestral. Se dice que los eventos B1 , B2 ,K , Bk seccionan (o dividen), un espacio muestral S si existen dos condiciones: 1. Bi B ! = para todo par de i y j 2. B1 B2 L Bk = S ( representa al conjunto vaco)

Por ejemplo, el conjunto de los neumticos en una bodega de ensamble de automotores puede dividirse de acuerdo a los proveedores, o bien, los empleados de una firma se pueden dividir de acuerdo con su nivel de educacin. Se mostrar una divisin para el caso de k = 2 en la Fig. 2.10. La idea clave en la que interviene una particin es observar que un evento A (vase Fig. 2.9) se puede representar como la unin de eventos AB1 y AB2 mutuamente excluyentes.

FIGURA 2.10 Una particin de S en B1 y B2 B1 es decir y, por tanto,

A
B2 S

A = AB1 AB2

P% A& = P % AB1 & + P % AB2 &

Si se conocen las probabilidades condicionales P(A B 1) y P(A B2), entonces P(A) se puede calcular de acuerdo con la siguiente ecuacin:
P% A& = P % B1 &P % A B1 & + P% B2 & P% A B2 &

En problemas en los que intervienen particiones, con frecuencia interesa calcular las probabilidades de la forma P( B1 A ), que se pueden formular como:

P(B1 A )=

P(B1 A) P(A)

P(B1 )P(A B1 )+ P(B2 )P(A B2 )

P(B1 )P (A B1 )

Este resultado es un caso especial de la regla de Bayes, del que el teorema 2.8 es una expresin general.

TEOREMA 2.8 Si B1, B2,, Bk forman una particin de S, y A es cualquier evento en S, entonces:

P B! A =

( )

P(B )P(A B )
i i i =1

P( B ! )P(A B! )

La demostracin es una generalizacin de los resultados que se mostraron antes para k = 2.

EJEMPLO 2.19 Una compaa compra neumticos de dos proveedores, 1 y 2. El proveedor 1 tiene un antecedente de suministrar llantas con 10% de defectos, en tanto que el proveedor 2 tiene una tasa de slo el 5% de defectos. Supngase que el 40% de las existencias actuales vinieron del proveedor l. Si se toma una llanta de esa existencia y se ve que est defectuosa, calcular la probabilidad de que la haya suministrado el proveedor l. Solucin Sea B1 el evento en el que un neumtico lo haya vendido el proveedor i, i = 1, 2, y ntese que B 1 y B2 forman una participacin del espacio muestral del experimento que consiste en seleccionar un neumtico. Sea A el evento en el que el neumtico seleccionado es defectuoso. Entonces:

P(B1 A )=

P(B1 )P (A B1 ) + P (B2 )P (A B2 )

P(B1 )P(A B1 )

0.40(0.10) 0.40(0.10) + (0.60)(0.05)

El proveedor 1 tiene mayor probabilidad de haber surtido el neumtico defectuoso que el proveedor 2.

En la prctica, las aproximaciones para probabilidades de eventos provienen con frecuencia de datos reales. Estos pueden no dar las probabilidades exactas, pero a menudo las aproximaciones son lo suficientemente buenas para tener una base que proporcione una mejor perspectiva del problema. En los ejemplos 2.20 y 2.21 se ilustrar el uso de datos reales en clculos de probabilidades.

EJEMPLO 2.20 En Estados Unidos, el Bureau of Labor Statistics (Oficina de Estadstica Laboral) proporciona los datos de la Tabla 2.1, como resumen del empleo en ese pas en 1982. Si se hubiera seleccionado un residente al azar en Estados Unidos, en 1982, para llenar una solicitud de empleo, calcular la probabilidad de que el residente hubiera sido:

(a) (b) (c) (d) (e)

parte del potencial laboral. empleado. empleado y dentro del potencial laboral. empleado dado que se saba estaba en el potencial laboral. no perteneciente al potencial laboral ni desempleado.

TABLA 2.1 Empleo en Estados Unidos en el ao de 1982, Cifras en millones. Poblacin civil no institucional Potencial laboral civil Empleados Desempleados No est en el potencial laboral 172 110 99 11 62

Solucin Sea L el evento el residente pertenece al potencial laboral, y E el evento est empleado. (a) Como la poblacin que se estudia comprende 172 millones de personas, y 110 estn en el potencial laboral,

P(#) =

110 1 2

(b) De manera similar, 99 millones de personas son empleados; por tanto

P(E ) =

"" 1 2

(c) Las personas empleadas son un subconjunto del potencial laboral; en otras palabras, EL = E. Por lo tanto,

P(E# ) = P(E ) =

"" 1 2

(d) Entre los 10 millones de personas que se sabe estn en el potencial laboral, 99 millones estn empleadas. Por consiguiente,

P(E #)=

"" 110

Ntese que lo mismo se puede calcular con la Definicin 2.5, como sigue:

P( E#) ""1 2 "" P( E #) = = = P( #) 110 1 2 110

(e)
El evento en el que el residente no est en el potencial laboral excluyente del evento en el que est desempleado. Por lo tanto,

# es mutuamente

P(# E )= P (# )+ P (E ) =

62 11 3 + = 1 2 1 2 1 2

El ejemplo siguiente usa un conjunto de datos cuya estructura es un poco ms complicada.

EJEMPLO 2.21 El National Fire Incident Reporting Service (Servicio de Informacin de Incendios) dio la Tabla 2.2 acerca de los incendios que ocurrieron en Estados Unidos en 1978. Todas las cifras de la tabla son porcentajes; el cuerpo principal de esa tabla indica los porcentajes segn su causa. Por ejemplo, el 22 de la esquina superior izquierda seala que el 22% de los incendios en los hogares fueron ocasionados por la calefaccin.

TABLA 2.2 Causas de incendios en viviendas, 1978

Causa del incendio Calefaccin Al cocinar Materias inflamables Por fumar Inst. elctrica Otros Todas las causas

Hogares 22 15 10 7 8 38 73

Apartamentos 6 24 15 18 5 32 20

Casas mviles 22 13 7 6 15 37 3

Casas y Hoteles 8 7 16 36 7 26 2

Otros 45 0 8 19 28 0 2

Todos los lugares 19 16 11 10 8 36

Si en la estacin de bomberos se recibe una llamada de una zona habitacional, determinar la probabilidad de que sea por: 1. un incendio originado por la calefaccin. 2. un incendio en un hogar. 3. un incendio causado por la calefaccin, dado que fue en un apartamento. 4. un incendio en un apartamento originado por la calefaccin. 5. un incendio en un hogar, dado que fue originado por la calefaccin. Solucin (e) En todos los lugares, el 19% de los incendios son originados por la calefaccin. (Vase la columna del lado derecho de la Tabla 2.2. As. P(incendio por calefaccin) = 0.19 (f) Entre todas las causas, el 73% de los incendios se originan en hogares. (Vase el rengln inferior de la Tabla 2.2). Entonces, P(incendio en hogar) = 0.73 (g) La segunda columna de la izquierda slo describe incendios en edificios de apartamentos. As, el 6% de todos los incendios en apartamentos se originan por la calefaccin. Ntese que sta es una probabilidad condicional que se puede enunciar: P(incendio por calefaccin/incendio en apartamento) = 0.06 (h) En el inciso (c) se sabe que el incendio fue en un apartamento, y la probabilidad en cuestin fue condicional dependiendo de esa informacin. En este caso se debe calcular la probabilidad de una interseccin entre incendio en apartamento (por ejemplo, el evento A), e incendio por calefaccin (evento H). Se sabe P( H A) porque est en la tabla, as que:

P(A$ ) = P(A)P($ A)

= (0.20)(0.06) = 0.012

En otras palabras, slo el 1.2% de todos los incendios reportados fueron originados por la calefaccin en apartamentos. (i) Los valores de la Tabla 2.2 dan la probabilidad de las causas, dada la ubicacin del incendio. Se pide calcular la probabilidad de un sitio dada la causa. Este es exactamente el caso al que se aplica la regla de Bayes (Teorema 2.8). Las ubicaciones o sitios forman una particin del conjunto de todos los incendios, en cinco grupos distintos. As, no es completo el enunciado,
P($ogar calefacci%n )= P ($ogar )P( Calefac . &ogar ) P (calefacci%n )

Ahora bien, P(calefaccin) = 0.19, segn la Tabla 2.2. Sin embargo, podra ser informativo mostrar cmo este valor se obtiene de las dems columnas de la tabla. Entonces, P(calefaccin) = P(hogar) P(calefaccin hogar) + P(apartamento)P(calefaccinapartamento) + P(casa mvil) P(calefaccincasa mvil) +P(hotel) P(calefaccinhotel) + P(otros) P(calefaccinotros) = (0.73)(0.22) + (0.20)(0.06) + (0.03)(0.22) + (0.02)(0.08) + (0.02)(0.45)=0.19 Entonces:

P(&ogar calefacci%n ) =

(0. 3)(0.22 )
0.1"

= 0.85

En otras palabras, el 85% del los incendios ocasionados por calefaccin se presenta en hogares.

EJERCICIOS

2.24 Los vehculos que llegan a un cruce pueden vivir hacia la izquierda, a la derecha o seguir de frente. Dos vehculos llegan sucesivamente al cruce. Determinar la probabilidad de que por lo menos uno de ellos d vuelta a la izquierda, dado que al menos uno de los dos vehculos d vuelta. Qu hiptesis hizo el lector? 2.25 Una oficina de compras va a asignar un concreto par el papel de computadora y otro para discos de microcomputadoras a alguna de las tres empresas que concursan por estos contratos. Cualquier empresa podra recibir ambos contratos. Calcular la probabilidad de que: (a) La empresa I reciba un contrato, si es que los dos contratos no se destinan a la misma empresa. (b) La empresa I reciba ambos contratos. (c) La empresa I reciba el contrato del papel, si es que no recibe el contrato de los discos.

Qu hiptesis hizo el lector? 2.26 Los siguientes datos dan el nmero total de muertes por accidente, y para tres causas especficas, en Estados Unidos en 1984. Todos los tipos Todas las edades Menores de 5 aos De 5 a 14 De 15 a 24 De 25 a 44 De 45 a 64 De 65 a 74 De ms de 75 Hombres Mujeres
Fuente: The World Almanac, 1988

92,911 3,652 4,198 19,801 25,498 15,273 8,424 16,065 64,053 28,858

Accidentes de trnsito 46,263 1,132 2,263 14,738 15,036 6,954 3,020 3,114 32,949 13,314

Cadas 11,937 114 68 399 963 1,624 1,702 7,067 6,210 5,727

Ahogamientos 5,388 638 532 1,353 1,549 763 281 272 4,420 968