Universidad Nacional de Juliaca

Carrera Profesional:
Gestin Pblica y Desarrollo Social
Estadstica: Probabilidades


Curso: Estadstica II
Docente: Ing. Julio Gallegos Acero

Estudiante: Alex Kelvin Melo Cutipa

Juliaca, Abril del 2014



PRESENTACIN.

El trabajo que realizamos en clases, nos servir para poder
realizar los ejercicios y los problemas de probabilidades y
los ejercicios realizados en clases nos permiten
adiestrarnos en este tipo de ejercicios y ms adelante
poder realizarlos con mucha facilidad, hacemos una
recopilacin de todo ello.
DEDICATORIA.

El presente trabajo se lo dedicamos a todos los estudiantes
y personas que la puedan leer y poder sacar algn
provecho de alguna parte del mismo, con mucho cario a
la Universidad Nacional de Juliaca, y sobre todo a esta
hermosa carrera profesional.

INDICE:
PRESENTACIN. ................................................................................................................................... 2
DEDICATORIA. ..................................................................................................................................... 3
1. ESTADSTICA INFERENCIAL ................................................................................................ 5
2. HISTORIA DE LA PROBABILIDAD ....................................................................................... 5
2.1.- Conceptos bsicos: .................................................................................................................. 6
2.2 Operaciones con sucesos .................................................................................................... 8
2.3 Probabilidad total ...................................................................................................................... 8
2.4 Probabilidad condicional ......................................................................................................... 10
2.5 Probabilidad compuesta o conjunta ....................................................................................... 11
3. Propiedades elementales de probabilidad. .................................................................................. 11
3.1 Concepto clsico de Probabilidad ........................................................................................... 12
3.2 Probabilidad Clsica o a Priori ................................................................................................. 12
3.3 Probabilidad emprica o frecuencial. ...................................................................................... 13
3.4 Probabilidad subjetiva ............................................................................................................. 15
4. DISTRIBUCION HIPERGEOMETRICA ............................................................................................... 19
4.1 Definicin ............................................................................................................................... 19
4.2 Caractersticas de la Distribucin Hipergeomtrica ................................................................ 19
4.3 Funcin de Probabilidad .......................................................................................................... 20


1. ESTADSTICA INFERENCIAL

La estadstica inferencial no es ms que un argumento. Un buen argumento hace increble una
afirmacin. En nuestro caso, cualquier estudio necesitar, al menos dos argumentos slidos: El
estadstico y el relativo al diseo de investigacin. Desde este punto de vista, nuestra tarea es
poder entender los argumentos estadsticos y tambin poder construirlos nosotros mismos.
La estadstica inferencial es necesaria cuando queremos hacer alguna afirmacin sobre ms
elementos de los que vamos a medir. La estadstica inferencial hace que ese salto de la parte al
todo se haga de una manera controlada. Aunque nunca nos ofrecer seguridad absoluta, s nos
ofrecer una respuesta probabilstica. Esto es importante: La estadstica no decide; slo ofrece
elementos para que el investigador o el lector decidan. En muchos casos, distintas personas
perciben diferentes conclusiones de los mismos datos.
El proceso ser siempre similar. La estadstica dispone de multitud de modelos que estn a nuestra
disposicin. Para poder usarlos hemos de formular, en primer lugar, una pregunta en trminos
estadsticos. Luego hemos de comprobar que nuestra situacin se ajustara a algn modelo (si no
se ajusta no tendra sentido usarlo). Pero si se ajusta, el modelo nos ofrecer una respuesta
estadstica a nuestra pregunta estadstica. Es tarea nuestra devolver a la psicologa esa pregunta,
llenndola de contenido psicolgico.
2. HISTORIA DE LA PROBABILIDAD
Los juegos de azar tienen una antigedad de ms de 40000 aos; as por ejemplo, los dados se
utilizaron tanto en el juego como en ceremonias religiosas. Las civilizaciones antiguas explicaban el
azar mediante la voluntad divina. En el Renacimiento el abandono progresivo de explicaciones
teolgicas conduce a una reconsideracin de los experimentos aleatorios.
Ya en el siglo XVI, los matemticos italianos comenzaron a interpretar los resultados de
experimentos aleatorios simples y a finales del siglo XVI, exista un anlisis emprico de los
resultados aleatorios. El desarrollo del anlisis matemtico de los juegos de azar se produce
lentamente durante los siglos XVI y XVII. El clculo de probabilidades se consolida como disciplina
independiente en el perodo que transcurre desde la segunda mitad del siglo XVII hasta comienzos
del siglo XVIII. La historia de la probabilidad comienza en el siglo XVII cuando Fermat y Pascal
tratan de resolver algunos problemas relacionados con los juegos de azar. Aunque algunos marcan
sus inicios cuando Cardano (jugador donde los haya) escribi sobre 1520 El Libro de los Juegos de
Azar (aunque no fue publicado hasta ms de un siglo despus, sobre 1660) no es hasta dicha fecha
que comienza a elaborarse una teora aceptable sobre los juegos. La teora de la probabilidad fue
aplicada con buenos resultados a las mesas de juego y con el tiempo a otros problemas
socioeconmicos. Durante el siglo XVIII el clculo de probabilidades se extiende a problemas
fsicos y actuariales (seguros martimos). El factor principal impulsor es el conjunto de problemas
de astronoma y fsica que surgen ligados a la contrastacin emprica de la teora de Newton. Estas
investigaciones van a ser de importancia fundamental en el desarrollo de la Estadstica.
La industria de los seguros, que naci en el siglo XIX, requera un conocimiento exacto del riesgo
de perder pues de lo contrario no se podan calcular las plizas.
2.1.- Conceptos bsicos:
Con ellos vamos a dar una serie de conceptos para poder desarrollar este tema y los
sucesivos.
Fenmeno determinstico.- Cuando al repetirlo bajo idnticas condiciones iniciales se
obtienen siempre los mismos resultados.
Fenmeno aleatorio.- Cuando al repetirlo bajo idnticas condiciones iniciales no se
obtienen siempre los mismos resultados. Ejemplo: cuando lanzamos una moneda al aire
observando la sucesin de caras y cruces que presentan.
Experimento aleatorio.- Operacin que repetimos bajo idnticas condiciones iniciales y
no se obtienen siempre los mismos resultados. Ejemplo: lanzamiento de un dado
observando la sucesin de nmeros que se presentan {1, 2, 3, 4, 5,6}.
Suceso elemental.- Cada uno de los resultados posibles del experimento aleatorio; luego
un suceso elemental consta de un solo elemento del espacio maestral (E). En el ejemplo del
dado: {1}.

Espacio maestral.- Conjunto de todos los sucesos elementales del experimento aleatorio y
lo designaremos como (E). Ejemplo del dado: {1,2,3,4,5,6}
Suceso.- Conjunto formado por uno o ms sucesos elementales, es decir, un subconjunto de
resultados elementales del experimento aleatorio. Ejemplo del dado: nos interesa saber si el
resultado a sido un nmero impar A={1, 3,5}.

Suceso seguro.- Coincide con el suceso elemental, ya que al realizar el experimento
aleatorio se obtendr con seguridad uno de los posibles resultados o sucesos elementales, y
por tanto ocurrir (E).
Dos sucesos se dice que son iguales, cuando todo suceso elemental de uno est en el otro, y
viceversa.
Suceso imposible.- Es el que no tiene ningn elemento del espacio muestral (E), y por
tanto no ocurrir nunca, y se representa como . Ejemplo: En el lanzamiento del dado no
puede darse el 7.
Suceso complementario a un suceso A: Es el suceso que se verifica si, como resultado del
experimento aleatorio, no se verifica A. Se acostumbra a denotar con el smbolo .
Sucesos incompatibles: Los sucesos A y B son incompatibles o mutuamente excluyentes
si no pueden ocurrir simultneamente.

A = {a, b}, B = {d, e}




Si tenemos dos sucesos cualesquiera A, B: A est contenido en B, entonces B no est
contenido en A,
A B B A
Si tenemos dos sucesos cualesquiera A, B: donde A est contenido en B y B est contenido
en A, entonces A = B.
A, B / A B B A A = B




2.2 Operaciones con sucesos
Al ser los sucesos aleatorios nada ms que subconjuntos de un conjunto E (espacio
muestral), podemos aplicarles las conocidas operaciones con conjuntos, como son la unin,
interseccin y diferencia:
Suceso contenido en otro.- Un suceso A se dice que est contenido o inducido en otro B si
siempre que se verifica A se verifica B. Se representa AB.




2.3 Probabilidad total
Sean A y B dos sucesos definidos en el experimento E, cada uno de los cuales puede
presentarse o no cada vez que se realiza el experimento. Plantee estos dos sucesos en cada uno
de los experimentos dados.
Nos interesa considerar el suceso aparicin de al menos uno de ellos

Es decir, el suceso se cumplir si aparece A, si lo hace B o si lo hacen ambos.
Para calcular esta probabilidad se pueden presentar dos casos:



Se puede obtener para tres sucesos y luego generalizar ms.









2.4 Probabilidad condicional
Hay situaciones en las que interesa calcular la probabilidad de sucesos que tienen cierta
informacin con respecto a un experimento. Dicha informacin reduce el espacio muestra
original a uno de sus subconjuntos. De esta forma la probabilidad de un suceso ser diferente si
se tiene o no informacin adicional. As por ejemplo, un animal elegido de aquellos que estn
vacunados tendr una probabilidad mayor de no contraer la enfermedad que aquel seleccionado
entre el conjunto total de animales. Este tipo de probabilidad se denomina probabilidad
condicional y se expresa:
P(A / B) que se lee: probabilidad de que habiendo ocurrido B ocurra A, o probabilidad de A
habiendo ocurrido B.







2.5 Probabilidad compuesta o conjunta
La probabilidad condicional estudiada nos conduce a observar reglas de probabilidad para
sucesos conjuntos, es decir, la probabilidad de que dos o ms sucesos aparezcan al mismo
tiempo.
Dado que:


Se debe introducir en este momento un concepto nuevo: el de sucesos independientes.
Dos sucesos se dicen independientes si la probabilidad de ocurrencia de uno no es afectada por
la ocurrencia del otro. Luego



3. Propiedades elementales de probabilidad.

En 1993 el enfoque axiomtico de la probabilidad fue formalizado por el matemtico ruso A.
N. Kolmogorov. La base de este enfoque est formalizado en las siguientes propiedades:


Propiedad I


Propiedad II: si en particular A representa un suceso cierto, es decir un hecho que se presentar
necesariamente cada vez que se realice el experimento E, luego f = n por lo tanto


Probabilidad III: Si por el contrario, A es un suceso imposible, es decir un suceso que no puede
presentarse al efectuar el experimento, luego f = 0 por lo tanto



3.1 Concepto clsico de Probabilidad
Una de las caractersticas de un experimento aleatorio es que no se sabe qu resultado
particular se obtendr al realizarlo. Es decir, si A es un suceso asociado con un experimento
aleatorio, no podemos indicar con certeza si A ocurrir o no en una prueba en particular.
Por lo tanto, puede ser importante tratar de asociar un nmero al suceso A que mida la
probabilidad de que el suceso ocurra. Este nmero es el que llamaremos P(A).

3.2 Probabilidad Clsica o a Priori
Si un suceso puede ocurrir de N maneras mutuamente excluyentes e igualmente probables,
y m de ellas poseen una caracterstica A




Ejemplo 1: P(de que salgan dos caras al tirar 2 monedas)




P(de que salga una cara al tirar 2 monedas )


Ejemplo 2: P(de que salga un varn al tomar 2 bebs y observar su sexo)




3.3 Probabilidad emprica o frecuencial.
Una teora de mayor aplicacin y muy sostenida es la basada en la frecuencia relativa.
Puede atribuirse a este punto de vista el adelanto registrado en la aplicacin de la
probabilidad en la Fsica, la Astronoma, la Biologa, las Ciencias Sociales y los negocios.
Esta teora est estrechamente relacionada con el punto de vista expresado por Aristteles:
lo probable es aquello que ocurre diariamente.
Notamos a travs de gran cantidad de observaciones acumuladas con los diversos juegos de
azar una forma general de regularidad que permiti establecer una teora.
Supongamos que efectuamos una serie de n repeticiones del experimento E, intentando
mantener constantes las condiciones pertinentes. Sea f el nmero de repeticiones en las que
se presenta el suceso A, de forma que en las restantes n f no se presentar. Obtendremos
as una serie de frecuencias relativas para n
1
, n
2
.

Estas frecuencias relativas diferirn poco entre s cuando las n
i
sean grandes y tendern a
acumularse en la proximidad de un valor fijo.
Debemos sealar que la estabilidad, a la larga, de las frecuencias relativas se aplica a una
amplia clase de experimentos aleatorios, de los que el juego de azar constituye un caso en
particular, casi insignificante.
Para establecer una descripcin matemtica sencilla de la conducta de las frecuencias
relativas para grandes valores de n
,
vamos a postular la existencia de un nro. p que es el nro.
al cul tiende f
r,
es decir, la frecuencia relativa del suceso en estudio.
Este nmero se llamar probabilidad del suceso A en relacin con el experimento aleatorio
E.
La frecuencia relativa f
r
se considerar entonces como una medida experimental de la
probabilidad y diremos:
De acuerdo con el concepto emprico de la estabilidad de las razones frecuenciales cabe
esperar que, para grandes valores de n, la razn frecuencial observada sea
aproximadamente igual a p que se llamar probabilidad del suceso en estudio.
Estaremos entonces estimando el valor de una probabilidad desconocida por medio de un
estudio de la conducta de las frecuencias relativas del hecho o suceso correspondiente.
La aplicacin de esta definicin est relacionada con un experimento aleatorio que puede
ser repetido varias veces en condiciones uniformes. Naturalmente, la repeticin real ser en
ocasiones difcil o incluso imposible de realizar, por ejemplo, debido a los costos
prohibitivos de experimentacin, pero bastar con que sea concebible una repeticin en
condiciones uniformes.
Pensaste cuando tirs muchas, muchas veces una moneda cal es la probabilidad de que
salga cara?
Aplicaste esta definicin? Por qu?. Discutilo en grupos y analiz la explicacin con tu
profesora.


3.4 Probabilidad subjetiva
Se refiere a la probabilidad de ocurrencia de un suceso basado en la experiencia previa, la
opinin personal o la intuicin del individuo. En este caso despus de estudiar la
informacin disponible, se asigna un valor de probabilidad a los sucesos basado en el grado
de creencia de que el suceso pueda ocurrir.
Cul es la probabilidad de que haya vida en Marte?
Analiza esta probabilidad!
Estos ejemplos a qu definicin de probabilidad corresponden?

Ejemplo 1
E: Tirar un dado
A = que salga el n 3
S = {1, 2, 3, 4, 5, 6}
P(A) = 1/6

Ejemplo 2
E: Retirar una carta de un mazo
A= que salga oro
P(A) = 10/40

4. TEOREMA DE BAYES
4.1 Introduccin
Todo comenz cuando dos sacerdocios se enfrentaban en conflicto, en la poca en donde la
ciencia estaba ofreciendo una nueva revelacin. Uno de estos personajes estaba dedicado al
modelamiento del carcter mediante la religin y el otro el sacerdote Thomas Bayes a la
educacin del intelecto mediante la ciencia. Entonces Bayes estaba dividido en ese
conflicto. Como sacerdote y como matemtico, estaba afectado por las relaciones causa
efecto. Tanto el teorema que lleva su nombre como el concepto de "probabilidad subjetiva"
de l derivado han producido una revolucin en nuestro tiempo.
4.2 El Teorema
La regla de Bayes es solo una tcnica para calcular probabilidades condicionales, y como
regla de probabilidad es indiscutible as como su validez. A partir de un conjunto de
probabilidades llamadas "a priori" o "sin corregir", calcula un conjunto de probabilidades
"a posteriori" o "corregidas" que no son ms que una modificacin de las primeras ante la
evidencia de que un determinado suceso ha ocurrido.

La frmula de Bayes sirve para el clculo de las probabilidades conocidas P(Ak/B), en
donde los sucesos Ak de un sistema completo {A1, A2,, An} de sucesos con respecto un
suceso B de probabilidad positiva (k=1, 2,, n), a partir de las probabilidades P(Ai) y de
las probabilidades conocidas (P/Ai) (i=1, 2,, n).

Se supone el evento A1, A2,, An que forma una particin en el espacio muestral S.
Todos los eventos Ai son mutuamente excluyentes y

i=1 Ai= S. Sea B otro evento:

S B = (A1 A2...An) B

Las intersecciones Ai B son mutuamente excluyentes.

El comportamiento de este anlisis en donde se encuentran un conjunto de probabilidades
A y las intersecciones que hay entre ellas teniendo en cuenta un punto central B, se puede
observar a continuacin en la figura 1.


Figura 1. Grfica concerniente al teorema de Bayes.

Entonces la frmula para la ley de Bayes sera la siguiente:




En forma ms general y simplificada y haciendo uso de la notacin de la referencia, en
donde k es igual a i en la referencia, siendo en este caso i un signo para la sumatoria, la
formula queda de la siguiente manera:



Teniendo en cuenta lo anterior se hace un poco confuso como funciona este teorema, es por
ello que a continuacin se mostraran dos ejemplos muy sencillos de cmo se debe utilizar
la formula en determinado caso, adems se hace necesario la utilizacin del diagrama de
rbol (el cual no se explica en este documento ya que se asume que hay un conocimiento
previo de este).

4.3 Ejemplos
Ejemplo 1

Tenemos tres urnas: A con 3 bolas rojas y 5 negras, B con 2 bolas rojas y 1 negra y C con 2
bolas rojas y 3 negras. Escogemos una urna al azar y extraemos una bola. Si la bola ha sido
roja, cul es la probabilidad de haber sido extrada de la urna A?


Solucin

Llamamos R= "sacar bola roja" y N= "sacar bola negra". En el diagrama de rbol adjunto
pueden verse las distintas probabilidades de ocurrencia de los sucesos R o N para cada una
de las tres urnas.


La probabilidad pedida es P(A/R). Utilizando el teorema de Bayes, tenemos:



Ejemplo 2

El 20% de los empleados de una empresa son ingenieros y otro 20% son economistas. El
75% de los ingenieros ocupan un puesto directivo y el 50% de los economistas tambin,
mientras que los no ingenieros y los no economistas solamente el 20% ocupa un puesto
directivo. Cul es la probabilidad de que un empleado directivo elegido al azar sea
ingeniero?


Solucin





4.4 Conclusin
El teorema de Bayes resulta algo sencillo ya que solo hay que tomar la variable principal de
la que se quiere saber la probabilidad y dejarla en el numerador teniendo en cuenta los
parmetros de la formula, luego se hace la sumatoria de todas las variables que se tienen en
el problema y se dejan en el denominador, de esta manera la divisin resultante es la
probabilidad que se quiere saber.

Las aplicaciones con el teorema de bayes son casi infinitas, ya que con esta frmula se
pueden hacer muchos ejercicios en donde se necesita hallar la probabilidad de un aspecto
en general, adems teniendo en cuenta el diagrama de rbol esta tarea se vuelve muy
sencilla.

5. DISTRIBUCION HIPERGEOMETRICA
5.1 Definicin
En teora de la probabilidad la distribucin hiper geomtrica es una distribucin discreta
relacionada con muestreos aleatorios y sin reemplazo. Supngase que se tiene una
poblacin de N elementos de los cuales, pertenecen a la categora A y N-d a la B. La
distribucin hiper geomtrica mide la probabilidad de obtener x ( ) elementos
de la categora A en una muestra sin reemplazo de n elementos de la poblacin origina
5.2 Caractersticas de la Distribucin Hipergeomtrica
Para efectos de esta distribucin, llamemos poblacin al conjunto de elementos
disponibles para realizar un experimento y muestra a un subconjunto de dichos elementos
seleccionados en forma aleatoria.
La distribucin Binomial se gener al estudiar el comportamiento de repetir n veces
un experimento de Bernoulli, en el cual hay dos resultados posibles, las repeticiones son
independientes y la probabilidad asociada a cada repeticin permanece constante. Para
cumplir la ltima caracterstica, es indispensable que cuando hay extraccin de elementos
se debe realizar con reemplazo, esto es, regresar el elemento extrado antes de realizar la
siguiente extraccin.
En el caso de la distribucin Hipergeomtrica, a diferencia de la
distribucin Binomial, los elementos se extraen simultneamente, o si es uno a uno, sin
devolverlos antes de realizar la siguiente extraccin, de forma que un elemento no puede
aparecer dos veces en una muestra. A esta manera de obtener la muestra se le
llama muestreo sin reemplazo.
De esta forma, la probabilidad del segundo elemento depende o est condicionado al
elemento que se haya sacado en la primera extraccin o sea que existe dependencia. Este
concepto tambin se aplica en la extraccin del tercero, cuarto y dems elementos,
dependiendo del tamao de la muestra, donde la probabilidad depende de los elementos
obtenidos en las extracciones anteriores. Obsrvese que el muestreo sin reemplazo origina
la dependencia probabilstica, a diferencia del modelo binomial que no la tiene.
DISTRIBUCIN HIPERGEOMTRICA.
Los experimentos que tienen este tipo de distribucin tienen las siguientes
caractersticas:
a) Al realizar un experimento con este tipo de distribucin, se esperan dos
tipos de resultados.
b) Las probabilidades asociadas a cada uno de los resultados no son
constantes.
c) Cada ensayo o repeticin del experimento no es independiente de los
dems.
d) El nmero de repeticiones del experimento (n) es constante.
5.3 Funcin de Probabilidad
Supongamos que se tiene una poblacin finita de tamao N, en donde los elementos
slo tienen dos caractersticas, digamos xito y fracaso, hombres y mujeres, aprobados y
reprobados, buenos y malos, empleados y desempleados, enfermos y sanos, etc. Esto
significa que de acuerdo a las caractersticas, la poblacin se puede dividir en dos
subconjuntos disjuntos: los que cumplen y los que no cumplen con la caracterstica
estudiada. Supongamos tambin que en esta poblacin existen a elementos de cierta
caracterstica que nos interesa analizar, por lo que N a elementos no la tienen, como se
puede apreciar en la figura siguiente.
Por ejemplo:
a) Una poblacin de 30 alumnos contiene 20 aprobados y 10 no aprobados.
b) Una caja contiene 50 focos, de los cuales 45 funcionan y 5 no funcionan.
c) En un grupo de 35 personas hay 25 del partido poltico A y 10 que no lo son.
Tomemos una muestra aleatoria de tamao n de la poblacin. Es obvio que en tal
muestra pueden haber elementos tanto del tipo a como del tipo N a. El nmero mnimo de
elementos del tipo a en la muestra es 0 y el mximo es n. Definamos la variable
aleatoria X como el nmero de elementos del tipo a en la muestra de tamao n.
Cuando la variable aleatoria X tome el valor x, en x n, lo
cual se observa en la figura siguiente:
Tambin se puede apreciar en la figura que n = x + (n x), por lo que la muestra
puede contener x elementos del tipo a y (n x) elementos del tipo (N a) Ahora
deduzcamos la funcin de probabilidad de dicha variable aleatoria.

El nmero total de formas de extraer una muestra de n elementos de una poblacin que
tiene N elementos igualmente probables es .

Por otro lado, el total de formas de extraer sin reemplazo x elementos del tipo a en
la muestra de tamao n es y de extraer sin reemplazo de la misma muestra (n x)
elementos del tipo (N a) es y por la regla de multiplicacin para conformar la
muestra de tamao n se tiene .



Por lo tanto
N . es el tamao de la poblacin total.
n . es el tamao de la muestra total.
k . es el nmero de elementos seleccionados de la poblacin.
x . es una variable aleatoria.

Ejemplo: 1
En una urna o recipiente hay un total de N objetos, entre los cuales hay una cantidad a de
objetos que son defectuosos, si se seleccionan de esta urna n objetos al azar, y sin
reemplazo, cul es la probabilidad de obtener x objetos defectuosos?
Solucin:

Luego;




dnde:
p(x,n) = probabilidad de obtener x objetos defectuosos de entre n seleccionados

muestras de n objetos en donde hay x que son defectuosos y n-
x buenos

todas las muestras posibles de seleccionar de n objetos tomadas de
entre N objetos en total = espacio muestral


Ejemplo: 2

Considerando que en la urna hay un total de 10 objetos, 3 de los cuales son defectuosos, si
de seleccionan 4 objetos al azar, cul es la probabilidad de que 2 sean defectuosos?

Solucin:

N = 10 objetos en total
a = 3 objetos defectuosos
n = 4 objetos seleccionados en muestra
x = 2 objetos defectuosos deseados en la muestra






donde:


probabilidad asociada a cada muestra de 4 objetos que se
seleccionaron, con lo que se demuestra que las probabilidades no son constantes


formas o maneras de obtener 2 objetos defectuosos entre los 4
seleccionados = muestras de 4 objetos entre los que 2 son defectuosos


Como se observa en el desarrollo de la solucin del problema, la pretensin es
demostrar que las probabilidades asociadas a cada uno de los resultados no son
constantes.

Luego la probabilidad de obtener 2 objetos defectuosos entre los 4 seleccionados al azar
sera:










Ejemplos. 3

Para evitar que lo descubran en la aduana, un viajero ha colocado 6 tabletas de narctico en
una botella que contiene 9 pldoras de vitamina que son similares en apariencia. Si el oficial
de la aduana selecciona 3 tabletas aleatoriamente para analizarlas, a) Cul es la
probabilidad de que el viajero sea arrestado por posesin de narcticos?, b) Cul es la
probabilidad de que no sea arrestado por posesin de narcticos?.

Solucin:
a) N = 9+6 =15 total de tabletas
a = 6 tabletas de narctico
n = 3 tabletas seleccionadas
x = 0, 1, 2, o 3 tabletas de narctico = variable que nos indica el nmero de tabletas de
narctico que se puede encontrar al seleccionar las 3 tabletas

p(viajero sea arrestado por posesin de narcticos) = p(de que entre las 3 tabletas
seleccionadas haya 1 o ms tabletas de narctico)





otra forma de resolver; p(el viajero sea arrestado por posesin de narcticos) = 1 p(de
que entre las tabletas seleccionadas no haya una sola de narctico)




b) p(no sea arrestado por posesin de narcticos)







EJEMPLO. 4
De un lote de 10 proyectiles, 4 se seleccionan al azar y se disparan. Si el lote contiene 3
proyectiles defectuosos que no explotarn, cul es la probabilidad de que , a) los 4
exploten?, b) al menos 2 no exploten?

Solucin:
a) N = 10 proyectiles en total
a = 7 proyectiles que explotan
n = 4 proyectiles seleccionados
x = 0, 1, 2, 3 o 4 proyectiles que explotan = variable que nos define el nmero de
proyectiles que explotan entre la muestra que se dispara



b) N = 10 proyectiles en total
a = 3 proyectiles que no explotan
n = 4 proyectiles seleccionados
x = 0, 1, 2 o 3 proyectiles que no explotan

p(al menos 2 no exploten) = p( 2 o ms proyectiles no exploten) = p(x = 2 o 3; n=4) =




5. CONCLUSIONES:

Los problemas de probabilidades son relativamente fciles, y resultan de una operacin
sencilla, solamente tenemos que saber las variables principales y reconocer las propiedades que
debemos de utilizar para cada tipo de ejercicio, como hemos visto las probabilidades se dan en un
intervalo de 0 1 donde 0 viene a ser que la accin no es nada probable, y 1 que la accin es
segura de su ejecucin.
Los problemas de probabilidades y sus aplicaciones son casi infinitas en la vida diaria y en
problemas para realizar investigaciones, como tambin para poder trabajar los datos estadsticos
de las investigaciones y as poder interpretarlas.

6. REVISIN BIBLIOGRAFICA

Universidad Nacional De La Patagonia, teorema de Bayes, disponible en la pgina
de internet:
www.economicasunp.edu.ar/02-EGrado/materias/.../ bayes.pdf