Академический Документы
Профессиональный Документы
Культура Документы
de Probabilidades y Eventos
SUMARIO:
2.1.- Introduccin
2.2.- Experimento Estadstico y Espacio Muestral
2.2.1.- Espacio Muestral de un Experimento
2.2.2.- Eventos de un Espacio Muestral
ESTADSTICA
Fundamentos y Aplicaciones
2.1.- INTRODUCCIN
G. Zurita
ESTADSTICA
Fundamentos y Aplicaciones
G. Zurita
Evento Imposible
Conjunto vaco
={ }
ESTADSTICA
Fundamentos y Aplicaciones
Espacio Muestral
Discreto
Un espacio muestral
( , S) es discreto si
y solo si es
contable
G. Zurita
ESTADSTICA
Fundamentos y Aplicaciones
ocurre,
G. Zurita
no tienen
elementos en
comn
ESTADSTICA
Fundamentos y Aplicaciones
Ejemplo 2.1
Las personas tenemos cuatro tipos de sangre: A, B, AB y O; a
su vez existe el factor Rhesus o factor Rh, que puede ser
positivo o negativo. Si un investigador realiza un experimento
que consiste en verificar a una persona su tipo de sangre y el
factor Rhesus, Cules son los resultados posibles de este
experimento estadstico?.
Desarrollo.
La respuesta es simple,
={ (A Rh+) ; (A Rh-); (B Rh+); (B Rh-) ; (AB Rh+) ; (AB
Rh-); (O Rh+) ; (O Rh-)}
El espacio muestral es discreto finito ya que la cardinalidad de
es ocho y consecuentemente S contiene 28 eventos.
Ejemplo 2.2
Si a n personas adultas se les mide su estatura, determinar .
Desarrollo.
no es nico para este espacio muestral finito, pero para un
grupo de n estudiantes de educacin superior en el Ecuador
podra ser = { x R | 1.20 < x < 2.00}, x en metros; mas si la
poblacin objetivo son los jugadores de baloncesto de la NBA,
podra ser:
= { x R | 1.80 < x < 2.30}, x en metros.
G. Zurita
ESTADSTICA
Fundamentos y Aplicaciones
Cardinalidad
Nmero de
elementos de un
conjunto finito E.
G. Zurita
aunque
solo
ESTADSTICA
Fundamentos y Aplicaciones
x
Defnase la funcin Q, tal que Q(E) = e dx , para cualquier
E
Q( E1) =
Q(E2) =
dx = -exp(-1) + 1 = 0.632
1/ 2
Q(E1 E2) =
1/ 2
Q(E1E2) =
e
0
dx
x
dx = -exp(-2) + 1 = 0.865
G. Zurita
ESTADSTICA
Fundamentos y Aplicaciones
G. Zurita
Probabilidad
El nmero real P(E)
se denomina
probabilidad de que
un evento E ocurra,
bajo las condiciones
impuestas en el
experimento
= {hombre; mujer} = {1 ; 2}
y si otro experimento consiste en verificar el gnero de la
primera persona que ser declarada hroe de guerra durante un
conflicto armado entre dos naciones, vuelve a tenerse que =
{hombre; mujer} , pero en el primer caso P1(hombre) ser un
valor cercano a 0.50, mientras que en el segundo caso,
ESTADSTICA
Fundamentos y Aplicaciones
es
denominado
un
Espacio
de
(A i )
UA ) =
i =1
; para
i =1
G. Zurita
ESTADSTICA
Fundamentos y Aplicaciones
Prueba
Por definicin de complemento de un conjunto cualquiera,
EEc = , por tanto P(EEc) = 1; siendo E y Ec eventos
mutuamente excluyentes ,
P(EEc) = P( E) + P(Ec) = 1
Concluyndose entonces que
P(E) = 1 - P(Ec)
Lo cual demuestra el teorema.
Prueba
Siendo E1 y E2 subconjuntos de es cierto que
E1E2 = (E1E2c) (E2E1c) (E1E2).
Los tres eventos mostrados entre parntesis son disjuntos o
mutuamente excluyentes; de aqu podemos decir que:
P(E1E2) = P[(E1E2c )(E2E1c) (E1E2)]
= P(E1E2c ) + P(E2E1c) + P(E1E2)
= P(E1E2c ) + P(E2)
= [P(E1E2c ) + P(E1E2) ] +P(E2) - P(E1E2)
= P(E1) + P(E2) - P(E1E2)
Lo cual prueba el teorema.
11
G. Zurita
ESTADSTICA
Fundamentos y Aplicaciones
E1E2
E2
E1
E2E1c
Prueba
Para probar el teorema se debe tener en cuenta que
E2 = {E2E1} {E2 E1C}
De donde,
P(E2) = P({E2E1 } {E2 E1C})
= P(E2E1) + P(E2 E1C) P[(E2E1) ( E2 E1C)]
Siendo disjuntos los conjuntos cuyas probabilidades se evalan
en el lado derecho de la ltima igualdad, sigue lo que se postula
en el enunciado del Teorema, esto es:
P(E2E1C ) = P(E2) - P(E1E2).
Corolario.
Si P es una Funcin de Probabilidades y E1 y E2 son eventos
cualesquiera en un espacio muestral (,S), entonces
P(E1E2)P(E1) + P(E2) .
12
G. Zurita
ESTADSTICA
Fundamentos y Aplicaciones
Prueba
Puesto que P(E1E2) = P(E1) + P(E2) - P(E1E2), por lo que
tambin es verdad que
P(E1E2)= P(E1) + P(E2) - P(E1E2),
el teorema sigue del hecho de que P(E1E2) 1.
Prueba
Esta desigualdad de denomina Desigualdad de Boole. La
prueba se deja al lector.
E1E2
E1
E2
E1
E2c
E2
E1c
G. Zurita
ESTADSTICA
Fundamentos y Aplicaciones
E1
0.12
0.10
0.20
0.05
0.08
0.10
0.15
E3
Ejemplo 2.4
En un artculo que M. Gardner publicara en 1976 en el nmero
234 de la revista de divulgacin cientfica denominada
Scientific American y que lo titulara Mathematical Games
plantea el siguiente juego que conduce a una paradoja.
El juego consiste en escoger, al gusto del participante, una de
dos urnas, una negra y otra blanca, y luego de eso escoger
14
G. Zurita
ESTADSTICA
Fundamentos y Aplicaciones
Se tiene otra situacin, una urna negra tiene seis bolas rojas y
tres verdes, mientras que una urna blanca tiene nueve rojas y
cinco verdes, si usted fuese el jugador otra vez escogera la urna
negra por que la probabilidad de sacar una bola roja , y as ganar
el premio es mayor en la urna negra que en la blanca, ya que
6 9
.
>
9
14
Ejemplo 2.5
Un experimento con el que los profesores de Estadstica y
probabilidades impresionamos a nuestros alumnos es
jugndosela al decir que est casi seguro que en la clase
existen dos estudiantes que cumplen ao el mismo da. El autor
lo ha efectuado decenas de veces, en cursos con cuarenta o mas
estudiantes, y hasta ahora su calidad de casi brujo no ha
fallado. Encontrar la razn de estos resultados milagrosos.
Desarrollo.
Supongamos que cada da del ao es igual de bueno para nacer
y no tengamos en cuenta los aos bisiestos, esto es,
consideraremos solo los de 365 das.
Sean n las personas en el aula.
Sea E el evento dos de las n personas en el aula cumplen ao el
mismo da
15
G. Zurita
ESTADSTICA
Fundamentos y Aplicaciones
365(364) .....(365 n + 1)
365 n
G. Zurita
ESTADSTICA
Fundamentos y Aplicaciones
= { 1; 2; 3; 4; 5; 6}
y que el conjunto de nmeros mayores que cuatro es E = {5; 6};
adems N(E)=2 y N()=6 por lo que la probabilidad de que un
nmero mayor que 4 aparezca durante el experimento es:
P(E) = 2/6 = 1/3
La moraleja es que para muchas actividades, resaltando entre
ellas, la de calcular probabilidades de eventos de cardinalidad
finita, se debe saber determinar la cantidad de elementos que
constituyen un evento y como ser evidente en lneas venideras,
no siempre el conteo se lo puede realizar por simple
observacin como lo hemos hecho con experimentos que
involucran dados o monedas.
Es cierto que la Cardinalidad de eventos finitos es vital para el
clculo de probabilidades, aunque tambin es verdad que para
determinar probabilidades de eventos no finitos, necesariamente
debe existir algn tipo de medida que lo caracterice y esta,
bien puede ser su longitud, rea o volumen.
Ejemplo 2.6
Un experimento consiste en lanzar un dardo sobre un objetivo
circular de un metro de radio; Cul es la probabilidad de que
el dardo caiga sobre un punto perteneciente a la corona
circular cuyo radio interior mide 0.50 metros?.
Desarrollo.
Es el caso de un espacio muestral continuo donde
= { (x,y) | x2 + y2 < 1}
E es el evento, el dardo cae en la corona circular de radio
interior r1 = . Vase grfico.
17
G. Zurita
ESTADSTICA
Fundamentos y Aplicaciones
Por lo que,
r1
r1=0.5; r=1
(12 (1 2) 2 ) 3
=
4
(1) 2
Figura 2.2
Diagrama de rbol: Regla de Multiplicacin de Opciones
B1
B2
B3
A1
A2
B1
B2
B3
A3
B1
A4
B2
B3
B1
B2
B3
18
G. Zurita
ESTADSTICA
Fundamentos y Aplicaciones
del cliente.
de
las
cardinalidades
de
los
Prueba
La prueba del mismo es inductiva, haciendo variar i desde uno
hasta k. El caso en que i=1 es trivial; el resto de la prueba es
relativamente sencilla.
E1 E2 E3 E4 E5 E6
19
G. Zurita
ESTADSTICA
Fundamentos y Aplicaciones
la Regla de
Multiplicacin de Opciones durante el desarrollo de este libro,
tan profusa que a veces no nos daremos cuenta de ello.
20
G. Zurita
ESTADSTICA
Fundamentos y Aplicaciones
N
=
n
N!
( N n )!n!
21
G. Zurita
ESTADSTICA
Fundamentos y Aplicaciones
n! = 1 2 3 ... n;
esto es, n! es el producto de todos los nmeros enteros positivos
menores o iguales que n; debe tenerse en cuenta adems que
cero factorial , 0! , se lo define igual a uno.
Se puede probar que:
N
N!
=
( N n)!n! es siempre un nmero entero, a pesar de que
n
aparece como un nmero racional que potencialmente puede ser
tambin fraccionario, por ser el cociente de nmeros enteros.
Coeficiente
Binomial
Nmero de
Combinaciones de
tamao n tomadas
de una Poblacin
Objetivo de tamao
N
Ejemplo 2.8
De un grupo de veinte estudiantes se van a elegir seis para
integrar un comit. En la Poblacin Objetivo hay nueve damas
y once caballeros; se requiere que dos de los integrantes del
comit sean mujeres. La pregunta es , De cuntas maneras se
puede elegir este comit?.
Desarrollo.
Se tienen dos conjuntos, el de varones del que hay que escoger
cuatro elementos y el de mujeres del que hay que escoger dos.
El nmero de formas en que se pueden escoger cuatro varones
22
G. Zurita
ESTADSTICA
Fundamentos y Aplicaciones
11 10 9 8 7! 11 10 9 8 330
11!
=
=
= n1 =
7! 4!
4 3 2 1
(11 4) ! 4 !
n2 = 9 8 7! = 36
7! 2!
(n1)(n2)=
330 36 = 11880
1 84 + 11 126= 1470
84 + 11 126 +
55 126 + 165 84
= 22260
Cantidad que representa el nmero de formas en que se puede
integrar el comit incluyendo como mximo tres hombres.
Si no discriminamos por gnero, sino que cualquier persona,
sea este hombre o mujer, puede estar en el comit, el nmero
de formas de seleccionar los integrantes del comit de seis
personas es:
20
20!
=
14 !6!
6
= 38760 formas.
23
G. Zurita
ESTADSTICA
Fundamentos y Aplicaciones
Ejemplo 2.9
Una muy til aplicacin del nmero de combinaciones es el
conocido resultado que se denomina Binomio de Newton y que
se expresa de la siguiente manera:
(a + b)1 = a + b =
1
1
1
1 0 0 1
a b + a b =
i =0
0
1
1
i
i =0
2
2
2 0 1 1
a
b
+
a b +
0
1
2
i
2
0 2
a b
2
a2-i bi
a1-i bi
3
3 0
a b +
0
3
2 1
a b
1
3
3
2 0 3
ab + a b
2
3
3
i =0
3
i
a3-i bi
(a + b)n =
n
n-1 1
a b +
1
n
n
0 n
a b =
i =0
n
... +
n
i
an-i bi
.
Para cualquier par de nmeros reales a y b.
ste es un resultado de mucha utilidad para el clculo de
probabilidades cuando se introduzca el concepto de variable
aleatoria discreta.
(-1)i
i =1
=0
As como tambin,
n
i =1
24
n
=
i
2n
G. Zurita
ESTADSTICA
Fundamentos y Aplicaciones
2.4.4.- Permutaciones
Permutaciones
Subconjuntos
ordenados de
tamao n tomados
de un conjunto de
tamao N
Figura 2.3
Combinaciones y Permutaciones (n = 2)
Muestras
(Combinaciones)
ab
ac
ad
bc
bd
cd
Conjuntos
Ordenados
ab ba
ac ca
ad da
bc cb
bd db
cd dc
G. Zurita
ESTADSTICA
Fundamentos y Aplicaciones
Muestras
abc
abd
acd
bcd
Conjuntos Ordenados
abc
bca
abd
bda
acd
cda
acb
cab
adb
dab
adc
dac
bac
cba
bad
dba
cad
dca
26
G. Zurita
ESTADSTICA
Fundamentos y Aplicaciones
6
=
3
6!
=6543!
(6 3)!3!
6!
(6 3)!
=120
n
nP = n!
n!
n!
n!
= n! |
=
( n n ) !n! 0!
N!
( N n )!n!
N n
y del segundo
7
3
7
4
, por ejemplo.
27
G. Zurita
ESTADSTICA
Fundamentos y Aplicaciones
N
y se puede demostrar que este nmero es
n , n ,..., n
1 2 k
denota por
igual a
N!
, estamos asegurando que:
n 1 ! n 2 ! ... n k !
n , n ,...n
1 2 k
N!
n 1 ! n 2 ! ... n k !
Ejemplo 2.10
Un ingeniero politcnico tiene que hacer mantenimiento a las
estaciones computacionales que administra en un laboratorio de
Simulacin Matemtica; un da cualquiera en el laboratorio
tiene a su disposicin diez estaciones, dos de marca PH, cinco
de marca BMI y tres de marca Doll, calclese el nmero de
formas que puede ubicarlas en uno de los salones del
laboratorio.
Desarrollo.
Tenemos un conjunto de tamao N=10 estaciones y tres grupos
distinguibles, por sus marcas, grupos que son de tamao n1 = 2,
n2 = 5 y n3 = 3.
Por tanto el nmero de formas que puede distribuirlas es:
10
2,5,3
10!
2!3!5!
= 2520
20
4
,
11
,
4
,
1
Pinsese
tambin
en
una
compaa
28
G. Zurita
ESTADSTICA
Fundamentos y Aplicaciones
29
G. Zurita
ESTADSTICA
Fundamentos y Aplicaciones
1/ 6
2/6
= 1/2.
G. Zurita
ESTADSTICA
Fundamentos y Aplicaciones
31
G. Zurita
ESTADSTICA
Fundamentos y Aplicaciones
Ejemplo 2.11
En el caso del lanzamiento de un dado legal,
= {1; 2; 3; 4; 5; 6}.
Si E1 es el evento sale nmero par y E2 es sale nmero mayor
que tres, verificar los axiomas de probabilidad condicional.
Desarrollo.
Sea
E1 = {2, 4; 6}
E2 = {4; 5; 6}
Entonces
E1E2 = {4; 6}
E1E2 = {4; 6}
E1CE2 = {2}
P(E1CE2) = P({2}) = 1/3
P(E1E2) = 1 - P(E1CE2) = 1- 1/3 = 2/3
Para verificar este ltimo resultado, utilicemos la ya conocida
definicin de probabilidad condicional de un evento, esto es
P(E1E2)= P(E1E2)/ P(E2)= (2/6) / (3/6)= 2/3.
Como era de esperarse, los dos resultados coinciden.
Ejemplo 2.12
Se va efectuar un torneo de un juego en el que se utilizan urnas,
al juego se lo denomina Acierto; para efectos de este torneo,
en las urnas a emplearse se depositan cuatro fichas marcadas del
uno al cuatro; a cada jugador se le asigna una urna; y un turno
de un jugador ocurre cuando extrae las cuatro fichas de su urna.
Las fichas son extradas por cada jugador de manera aleatoria
sucesiva y sin reemplazo.
Ocurre un acierto si el jugador al extraer la ficha i-sima, el
nmero que se lee es el i, (i = 1; 2; 3; 4). Gana el jugador que
obtiene ms aciertos.
Desarrollo.
32
G. Zurita
ESTADSTICA
Fundamentos y Aplicaciones
33
G. Zurita
ESTADSTICA
Fundamentos y Aplicaciones
Prueba
P(E1 E1E2 ) = P[(E1)(E1E2 )] / P( E1E2 )
= P(E1) / P( E1E2 )
= P(E1) / [P(E1) + P(E2)]
Lo cual completa la prueba.
Ejemplo 2.13
En el lanzamiento de un dado legal se sabe que ha salido
nmero menor que tres o nmero mayor que tres. Se pide, que
con la informacin dada, determinemos cual es la probabilidad
que haya salido nmero menor que tres.
Desarrollo.
Sea E1= sale nmero menor que tres.
Sea E2= sale nmero mayor que tres.
Evidentemente que E1 y E2 son eventos mutuamente excluyentes
y que se nos pide determinar P(E1 E1E2 ).
Puesto que:
P(E1) = 2/6 y P(E2) = 3/6
Entonces:
P(E1 E1E2) = P(E1) / [P(E1) + P(E2)]
= (2/6) / [ 2/6 + 3/6] = 2/5
G. Zurita
ESTADSTICA
Fundamentos y Aplicaciones
P(E1E2) = P(E2E1)P(E1);
o tambin:
P(E1E2) = P(E1E2)P(E2)
Segn sea el caso. Es obvio que si ha ocurrido E1, y este hecho
afecta la probabilidad de que E2 ocurra, entonces es verdad que
P(E2E1) P(E2); pero tambin puede ocurrir que tal situacin
no se d y que P(E2E1) = P(E2).
Es lo que nos proponemos analizar a continuacin.
Sean E1 y E2 eventos de un mismo espacio muestral, diremos
que el evento E1 es estocsticamente independiente del
evento E2 cuando y solo cuando:
P(E2E1) = P(E2), as como P(E1E2) = P(E1).
Lo usual es decir que los eventos E1 y E2 son independientes,
evitando la palabra estocsticamente; sin embargo hay que
tener en cuenta esta palabra, ya que en muchos casos se
confunde la independencia estocstica de eventos con el
concepto algebraico de independencia lineal de vectores.
Ntese que la definicin de independencia de un par de eventos
implica que si E1 y E2 son eventos independientes:
P(E1E2) = P(E1)P(E2)
Ejemplo 2.14
Si se tienen eventos E1 y E2 que se conoce son independientes y
se sabe adems que P(E1) = 0.8 y P(E2) = 0.30, determinar
P(E1E2) y P(E1E2).
Desarrollo.
Si los dos eventos son por hiptesis independientes,
P(E1E2) = P(E1)P( E2) = 0.8(0.3) = 0.24
Mientras que
P(E1E2) = P(E1) + P( E2) - P(E1E2) = 0.8 + 0.3 - 0.24 = 0.86
Es muy importante notar que los eventos E1 y E2 son
estocsticamente independientes pero no son mutuamente
excluyentes pues P(E1E2) 0.
Si en este mismo problema nos preguntasen cul es la
probabilidad de que ocurra el complemento de E1 sin duda
35
G. Zurita
ESTADSTICA
Fundamentos y Aplicaciones
E1E2
E1
E2E1C
G. Zurita
ESTADSTICA
Fundamentos y Aplicaciones
Ejemplo 2.15
Se conoce que tres eventos son tales que se cumplen las
siguientes condiciones:
P(E1) = P(E2) = P(E3) = 1/2;
P(E1E2) = P(E1E3) = P(E2E3) = 1/4; y,
37
G. Zurita
ESTADSTICA
Fundamentos y Aplicaciones
P(E1E2E3) = 1/4.
Se desea determinar si los tres eventos as relacionados son
estocsticamente independientes.
Desarrollo.
En este caso:
P(E1E2) = P(E1)P(E2) = (1/2)(1/2) = 1/4
P(E1E3) = P(E1)P(E3) = (1/2)(1/2) = 1/4
P(E2E3) = P(E2)P(E3) = (1/2)(1/2) = 1/4
Lo cual significa que los tres eventos son independientes de dos
en dos; pero
P(E1E2E3) P(E1)P(E2)P(E3)
Pues el trmino de la izquierda en la expresin previa es igual a
, por hiptesis; mientras que el de la derecha es igual a (1/2)2
= 1/8 por deduccin.
Por lo que los tres eventos no son independientes de tres en tres
y por tanto no se los puede considerar como estocsticamente
independientes entre s.
Ejemplo 2.16
Un experimento consiste en lanzar de manera independiente,
dos veces una moneda legal. Se define como E1, al evento,
sale cara en el primer lanzamiento; E2 es sale cara en el
segundo lanzamiento y E3 es el lado que sale en el primer
lanzamiento es el mismo que el segundo. Se desea verificar si
estos tres eventos son estocsticamente independientes.
Desarrollo.
En este caso = {ss; sc; cs; cc}, en tanto que E1 = {cs; cc};
E2 = {cc ; sc}; E3 = {ss ; cc}
E1 E2 = {cc};
E1 E3 = {cc};
E2 E3 = {cc};
E1E2E3 = {cc}
De donde:
P(E1) = P(E2) = P(E3) = 2/4 = 1/2.
P(E1E2) = P(E2E3) = P(E2E3) = 1/4.
P(E1E2E3) = 1/4.
P(E1)P(E2)P(E3) = (1/2)3 = 1/8
38
G. Zurita
ESTADSTICA
Fundamentos y Aplicaciones
Siendo
P(E1E2E3) P(E1) P(E2)P(E3),
los tres eventos no son estocsticamente independientes, aunque
s lo son de par en par.
Ejemplo 2.17
De un mazo de barajas se extraen de manera sucesiva y sin
reemplazo cuatro cartas, se desea calcular la probabilidad que
todas las cartas sean reyes.
Desarrollo.
Se sabe que son cuatro reyes en el mazo, si Ei representa sale
rey en la i-sima extraccin
Se nos pide calcular P(E1E2E3E4) que en este caso es
igual a
P(E1 E2 E3 E4 ) = P(E1) P(E2 E1) P(E3 E1 E2 ) P(E4 E1 E2 E3 )
4 3 2 1
24
=
52 51 50 49 6497400
Ejemplo 2.18
Se lanzan cuatro dados legales de manera sucesiva, determine la
probabilidad que en los cuatro dados salga un nmero par.
Desarrollo.
39
G. Zurita
ESTADSTICA
Fundamentos y Aplicaciones
2 2 2 2 16
Ejemplo 2.19
Se sabe que dos eventos E1 y E2 de un mismo espacio muestral
son tales que P(E1) = 0.35 , P(E2) = 0.45 y P(E1E2) = 0.18.
Son independientes este par de eventos?
Desarrollo.
Si fuesen independiente E1 y E2, debera cumplirse que
P(E1)P(E2)v= P(E1E2),
mas,
Ejemplo 2.20
Se tienen dos eventos E1 y E2 tales que P(E1) = 0.20, P(E2) =
0.50 y P(E1E2) = 0.10. Determinar P(E1E2), P(E2E1),
P(E1E2c).
Desarrollo.
Ntese que:
P(E1)P(E2) = 0.20(0.50) = 0.10 = P(E1E2)
Lo cual hace independiente a los dos eventos, por lo que
40
G. Zurita
ESTADSTICA
Fundamentos y Aplicaciones
UE =
i
i =1
(AEi)
i =1
Adems,
P(AEi) = P(AEi)P(Ei)
P(A) = P(AEi)P(Ei).
i =1
41
G. Zurita
ESTADSTICA
Fundamentos y Aplicaciones
E1
Ek
E3
E5
E4
E6
Ejemplo 2.21
Una granja camaronera adquiere el alimento para sus
langostinos de tres proveedores distintos a los que llamaremos
E1, E2 y E3; E1 provee el 45% del alimento consumido; E2
provee el 25%; y, E3 el restante 30%; es importante para la
granja que los proveedores entreguen cada pedido con la
cantidad requerida de protenas. Por los registros
administrativos de la compaa propietaria de la granja, se sabe
que no siempre los proveedores entregan el alimento con la
cantidad de protenas que se requiere; E1 comete este error en
el 2% de sus entregas; E2 el 3% y E3 el 1.5% de las veces que
entrega. Se nos pregunta Cul es la probabilidad que ocurra
una entrega que no cumpla con el requerimiento proteico
establecido?.
Desarrollo.
Procedamos a la solucin del problema planteado.
Sea Ei el evento el i-simo proveedor entrega su pedido, y sea
A el evento, el alimento entregado no contiene la cantidad
requerida de protenas.
Lo que se pregunta entonces, es el valor de P(A).
Nuestros datos son:
P(E1) = 0.45 ; P(E2) = 0.25 y P(E3) = 0.30;
adems,
P(AE1) = 0.020 ; P(AE2) = 0.030 ; y, P(AE3) = 0.015;
42
G. Zurita
ESTADSTICA
Fundamentos y Aplicaciones
Por lo tanto:
3
P(A) =
P(AEi)P(Ei)
i =1
43
G. Zurita
ESTADSTICA
Fundamentos y Aplicaciones
Prueba.
Por la aplicacin de la definicin de probabilidad condicional,
P(ErA) = P(AEr) / P(A)
= P(AEr)P(Er) / P(A)
Aplicando el resultado encontrado en el teorema previo donde,
k
P(A) = P(AEi)P(Ei)
i =1
Llegamos a que,
k
Ejemplo 2.22
En una ensambladora de vehculos, los empleados que trabajan
en los procesos de ingeniera son entrenados de tres diferentes
maneras para cumplir con sus tareas especficas; la una forma es
entrenarlos en una planta que funciona fuera del pas, la otra
forma es entrenarlos en la misma fbrica en la que van a
trabajar y la tercera forma es entrenarlos en el pas pero en una
fbrica que no es en la que van a trabajar. El 10% de los
empleados son entrenados de la primera forma, el 55% en la
segunda forma y el restante 35% de la tercera. Se sabe por el
uso de registros administrativos que el primer tipo de personas
cumplen con sus labores especficas el 98% de las veces, el
segundo tipo el 97% de las veces y los de tercer tipo solo el
95% de las veces. Se encuentra un da cualquiera que alguien no
cumpli sus tareas especficas, Cul es la probabilidad de que
quien no cumpli fue entrenado en el exterior?.
44
G. Zurita
ESTADSTICA
Fundamentos y Aplicaciones
Desarrollo.
Llamemos A al evento alguien no cumple sus labores
especficas, mientras que Ei es el evento alguien tuvo
entrenamiento de tipo i , i = 1 , 2, 3.
Las probabilidades a priori de Ei son
P(E1) = 0.10; P(E2) = 0.55; P(E3) = 0.35
mientras que ,
P(AE1) = 1- 0.98 = 0.02;
P(AE2) = 1- 0.97 = 0.03; y,
P(AE3) = 1- 0.95 = 0.05
Debemos calcular la probabilidad a posteriori P(E1A).
Como paso previo se debe calcular P(A) que es la probabilidad
que alguien no cumpla sus labores especficas.
Para el efecto, aplicando la Regla de
tenemos:
Probabilidad Total,
P(A) =
P(AEi)P(Ei)
i =1
P(AEi)P(Ei)
i =1
45
G. Zurita