REPUBLICA BOLIVARIANA DE VENEZUELA UNIVERSIDAD VALLE DEL MOMBOY FACULTAD DE INGENIERIA

ELEMENTOS DE LA TEORIA DE PROBABILIDADES

Carlos Ramrez C.I #19.644.013 Enyerber Gonzlez C.I #15.827.017 Profesor: Sergio Daz Carvajal, Abril 2011

INTRODUCCION Toda ciencia se desarrolla como respuesta a problemas que le llegan del exterior o como respuesta a problemas que ella misma crea a medida que va progresando. En relacin con los problemas que provienen del exterior, la Estadstica ha de dar respuesta, entre otros, a los planteados por las necesidades econmicas que emanan de los medios de produccin y de organizacin del Estado. Se suele argumentar que fueron los juegos de azar los que animaron a importantes pensadores a estudiar este tipo de sucesos; omitindose que la autntica motivacin que consolid el Clculo de Probabilidades fue el sustrato de aleatoriedad que encontraron en las observaciones econmicas y en los problemas relativos a los seguros, pensiones anuales y, estadsticas de la poblacin. Diferenciamos dos aspectos de la Estadstica: el nacimiento de la Estadstica con la elaboracin de estadsticas por los Estados, diseo de los modelos aleatorios y, gnesis de la probabilidad.

1. TEORIA DE PROBABILIDADES Orgen El concepto de probabilidad nace con el deseo del hombre de conocer con certeza los eventos futuros. Es por ello que el estudio de probabilidades surge como una herramienta utilizada por los nobles para ganar en los juegos y pasatiempos de la poca. El desarrollo de estas herramientas fue asignado a los matemticos de la corte. Con el tiempo estas tcnicas matemticas se perfeccionaron y encontraron otros usos muy diferentes para la que fueron creadas. Actualmente se contino con el estudio de nuevas metodologas que permitan maximizar el uso de la computacin en el estudio de las probabilidades disminuyendo, de este modo, los mrgenes de error en los clculos. A travs de la historia se han desarrollado tres enfoques conceptuales diferentes para definir la probabilidad y determinar los valores de probabilidad: El enfoque clsico Dice que si hay x posibles resultados favorables a la ocurrencia de un evento A y z posibles resultados desfavorables a la ocurrencia de A, y todos los resultados son igualmente posibles y mutuamente excluyente (no pueden ocurrir los dos al mismo tiempo), entonces la probabilidad de que ocurra A es:

El enfoque clsico de la probabilidad se basa en la suposicin de que cada resultado sea igualmente posible. Este enfoque es llamado enfoque a priori porque permite, (en caso de que pueda aplicarse) calcular el valor de probabilidad antes de observar cualquier evento de muestra.

Ejemplo: Si tenemos en una caja 15 piedras verdes y 9 piedras rojas. La probabilidad de sacar una piedra roja en un intento es:

El enfoque de frecuencia relativa Tambin llamado Enfoque Emprico, determina la probabilidad sobre la base de la proporcin de veces que ocurre un evento favorable en un numero de observaciones. En este enfoque no ese utiliza la suposicin previa de aleatoriedad. Porque la determinacin de los valores de probabilidad se basa en la observacin y recopilacin de datos. Ejemplo: Se ha observado que 9 de cada 50 vehculos que pasan por una esquina no tienen cinturn de seguridad. Si un vigilante de transito se para en esa misma esquina un ida cualquiera Cul ser la probabilidad de que detenga un vehculo sin cinturn de seguridad?

Tanto el enfoque clsico como el enfoque emprico conducen a valores objetivos de probabilidad, en el sentido de que los valores de probabilidad indican al largo plazo la tasa relativa de ocurrencia del evento. El enfoque subjetivo Dice que la probabilidad de ocurrencia de un evento es el grado de creencia por parte de un individuo de que un evento ocurra, basado en toda la evidencia a su disposicin. Bajo esta premisa se puede decir que este enfoque es adecuado cuando solo hay una oportunidad de ocurrencia del evento. Es decir, que el evento ocurrir o no ocurrir esa sola vez. El valor de probabilidad bajo este enfoque es un juicio personal.

2. DEFINICION CLASICA DE LA PROBABILIDAD SEGN LAPLACE Esta definicin clsica de probabilidad fue una de las primeras que se dieron en 1900 y se atribuye a Laplace. Eminente matemtico francs de la ltima mitad del siglo XVIII y principios del XIX, describa la teora de la probabilidad como el sentido comn reducido al clculo; tambin se conoce con el nombre de Probabilidad a priori pues, para calcularla, es necesario conocer, antes de realizar el experimento aleatorio, el espacio muestral y el nmero de resultados o sucesos elementales que entran a formar parte del suceso Esta definicin de Laplace, reza lo siguiente: Sea un experimento aleatorio cuyo correspondiente espacio muestral E est formado por un nmero n finito de posibles resultados distintos y con la misma probabilidad de ocurrir {e1, e2, , en} Si n1 resultados constituyen el subconjunto
5

o suceso A1, n2 resultados constituyen el subconjunto o suceso A2 y, en general, nk resultados constituyen el subconjunto o suceso Ak de tal forma que: es decir, que la probabilidad de cualquier suceso A es igual al cociente entre el nmero de casos favorables que integran el suceso A Regla La regla de Laplace para E finitos y el nmero de casos posibles del espacio muestral E. Para que se pueda aplicar la regla de Laplace es necesario que todos los sucesos elementales sean equiprobables, es decir: Siendo A= La probabilidad verifica las siguientes condiciones: La probabilidad de cualquier suceso es siempre un nmero no negativo entre 0 y 1. La probabilidad del suceso seguro E vale 1, la probabilidad del suceso imposible es 0. la probabilidad de la unin de varios sucesos incompatibles o excluyentes A1, A1,, Ar es igual a la suma de probabilidades de cada uno de ellos Aplicacin La aplicacin de la definicin clsica de probabilidad puede presentar dificultades de aplicacin cuando el espacio muestral es infinito o cuando los posibles resultados de un experimento no son equiprobables. Ejemplo En un proceso de fabricacin de piezas puede haber algunas defectuosas y si queremos determinar la probabilidad de que una pieza sea defectuosa no podemos utilizar la definicin clsica pues necesitaramos conocer previamente el resultado del proceso de fabricacin. Para resolver estos casos, se hace una extensin de la definicin de probabilidad, de manera que se pueda aplicar con menos restricciones, llegando as a la definicin frecuentista de probabilidad.

3. EXPERIMENTOS ALEATORIOS Son los que pueden dar lugar a varios resultados sin que pueda ser previsible enunciar con certeza cul de estos pueda ser observado en la realizacin del experimento. La vida cotidiana est plagada de sucesos aleatorios muchos de ellos, de tipo sociolgicos (viajes, accidentes, nmero de personas que acudirn a un gran almacn o que se matricularan en una carrera) aunque son suma de muchas decisiones individuales, pueden ser estudiados ventajosamente como aleatorios. Suceso aleatorio: es un acontecimiento que ocurrir o no dependiendo del azar.

4. DEFINICION MODERNA DE LA PROBABILIDAD La definicin moderna de probabilidad basada en la axiomtica de Kolmogorov (presentada anteriormente) es relativamente reciente. Histricamente hubo otros intentos previos de definir el escurridizo concepto de probabilidad, descartados por diferentes razones. Sin embargo conviene destacar aqu algunas ideas que aparecen en la antigua definicin basada en la frecuencia relativa, ya que permiten intuir algunas profundas propiedades de la probabilidad. Recordemos antes que si en un experimento que se ha repetido n veces un determinado suceso A se ha observado en k de estas repeticiones, la frecuencia relativa fr del suceso A es: fr = k/n El inters por la frecuencia relativa y su relacin con el concepto de probabilidad aparece a lo largo de los siglos XVIII a XX al observar el comportamiento de numerosas repeticiones de experimentos reales. A ttulo de ejemplo de un experimento de este tipo, supongamos que se dispone de una moneda ideal perfectamente equilibrada. Aplicando directamente la regla de Laplace resulta claro que el suceso A = obtener cara tiene probabilidad: p(A) = 1/2 = 0,5 En el cuadro siguiente se simula por ordenador el comportamiento de la frecuencia relativa del suceso A = obtener cara. El cuadro inicia la simulacin con el lanzamiento consecutivo de la moneda veinte veces, calculando la frecuencia relativa de cara y comparndolo con la p(A) = 0.5. Aunque no es imposible que coincidan, la mayora de veces fr ser diferente. El lector puede manipular el cuadro para observar qu ocurre con rachas entre n = 1 y n = 1000 lanzamientos. Tambin puede empezarse una nueva racha de lanzamientos con el botn Reiniciar.
8

5. AXIOMAS La definicin axiomtica de probabilidad es quizs la ms simple de todas las definiciones y ciertamente la menos controvertida ya que, esencialmente, es una definicin basada en un conjunto de axiomas que establecen los requisitos mnimos para dar una definicin de probabilidad. La ventaja fundamental de la definicin axiomtica de la probabilidad es que nos permite llegar a un desarrollo riguroso y matemtico de la probabilidad. Esta aproximacin axiomtica de la probabilidad fue introducida inicialmente, por el matemtico ruso A.N. Kolmogorov y posteriormente por estadsticos y matemticos en general. Dado el espacio medible ( , S) , diremos que una funcin P: S probabilidad si satisface los siguientes axiomas de Kolomogorov: Axioma 1 : Se cumple para todo evento E en S : 0 = P(E) =1 Axioma 2 : P(S) = 1 Axioma 3:Si E1 y E2 son eventos que se excluyen mutuamente en S entonces P(E1 U E2)= P(E1) + P(E2) . , es una

6. TEOREMA FUNDAMENTALES a.- Teorema Aditivo Si se desea llevar a efecto una actividad, la cul tiene formas alternativas para ser realizada, donde la primera de esas alternativas puede ser realizada de M maneras o formas, la segunda alternativa puede realizarse de N maneras o formas ..... y la ltima de las alternativas puede ser realizada de W maneras o formas, entonces esa actividad puede ser llevada a cabo de, M + N + .........+ W maneras o formas

Ejemplos: Una persona desea comprar una lavadora de ropa, para lo cul ha pensado que puede seleccionar de entre las marcas Whirpool, Easy y General Electric, cuando acude a hacer la compra se encuentra que la lavadora de la marca W se presenta en dos tipos de carga ( 8 u 11 kilogramos), en cuatro colores diferentes y puede ser automtica o semiautomtica, mientras que la lavadora de la marca E, se presenta en tres tipos de carga (8, 11 o 15 kilogramos), en dos colores diferentes y puede ser automtica o semiautomtica y la lavadora de la marca GE, se presenta en solo un tipo de carga, que es de 11 kilogramos, dos colores diferentes y solo hay semiautomtica. Cuntas maneras tiene esta persona de comprar una lavadora? Solucin: M = Nmero de maneras de seleccionar una lavadora Whirpool N = Nmero de maneras de seleccionar una lavadora de la marca Easy W = Nmero de maneras de seleccionar una lavadora de la marca General Electric M = 2 x 4 x 2 = 16 maneras N = 3 x 2 x 2 = 12 maneras W = 1 x 2 x 1 = 2 maneras M + N + W = 16 + 12 + 2 = 30 maneras de seleccionar una lavadora b.- Teorema del Producto Si se desea realizar una actividad que consta de r pasos, en donde el primer paso de la actividad a realizar puede ser llevado a cabo de N1 maneras o formas, el segundo paso de N2 maneras o formas y el r-simo paso de Nr maneras o formas, entonces esta actividad puede ser llevada a efecto de;
10

N1 x N2 x ..........x Nr maneras o formas El principio multiplicativo implica que cada uno de los pasos de la actividad deben ser llevados a efecto, uno tras otro.

Ejemplo: Una persona desea construir su casa, para lo cul considera que puede construir los cimientos de su casa de cualquiera de dos maneras (concreto o block de cemento), mientras que las paredes las puede hacer de adobe, adobn o ladrillo, el techo puede ser de concreto o lmina galvanizada y por ltimo los acabados los puede realizar de una sola manera cuntas maneras tiene esta persona de construir su casa? Solucin: Considerando que r = 4 pasos N1= maneras de hacer cimientos = 2 N2= maneras de construir paredes = 3 N3= maneras de hacer techos = 2 N4= maneras de hacer acabados = 1 N1 x N2 x N3 x N4 = 2 x 3 x 2 x 1 = 12 maneras de construir la casa El principio multiplicativo, el aditivo y las tcnicas de conteo que posteriormente se tratarn nos proporcionan todas las maneras o formas posibles de como se puede llevar a cabo una actividad cualquiera

11

7. SUCESOS COMPATIBLES E INCOMPATIBLES Sucesos compatibles Dos sucesos, A y B, son compatibles cuando tienen algn suceso elemental comn. Si A es sacar puntuacin par al tirar un dado y B es obtener mltiplo de 3, A y B son compatibles porque el 6 es un suceso elemental comn. Sucesos incompatibles Dos sucesos, A y B, son incompatibles cuando no tienen ningn elemento en comn. Si A es sacar puntuacin par al tirar un dado y B es obtener mltiplo de 5, A y B son incompatibles. 8. SUCESOS INDEPENDIENTES Y DEPENDIENTES Sucesos independientes Dos sucesos, A y B, son independientes cuando la probabilidad de que suceda A no se ve afectada porque haya sucedido o no B. Al lazar dos dados los resultados son independientes. Sucesos dependientes Dos sucesos, A y B, son dependientes cuando la probabilidad de que suceda A se ve afectada porque haya sucedido o no B. Extraer dos cartas de una baraja, sin reposicin, son sucesos dependientes.

12

9. DISTRIBUCIONES PROBABILISTICAS: DISTRIBUCION BINOMIAL Caractersticas: En los experimentos que tienen este tipo de distribucin, siempre se esperan dos tipos de resultados, ejem. Defectuoso, no defectuoso, pasa, no pasa, etc, etc., denominados arbitrariamente xito (que es lo que se espera que ocurra) o fracaso (lo contrario del xito). Las probabilidades asociadas a cada uno de estos resultados son constantes, es decir no cambian. Cada uno de los ensayos o repeticiones del experimento son independientes entre s. El nmero de ensayos o repeticiones del experimento (n) es constante. A partir de un ejemplo. Desarrollaremos una frmula que nos permita cualquier problema que tenga este tipo de distribucin. Ejemplo: Se lanza al aire una moneda normal 3 veces, determine la probabilidad de que aparezcan 2 guilas. Solucin: Antes de empezar a resolver este problema, lo primero que hay que hacer es identificarlo como un problema que tiene una distribucin binomial, y podemos decir que efectivamente as es, ya que se trata de un experimento en donde solo se pueden esperar dos tipos de resultados al lanzar la moneda, guila o sello, cutas probabilidades de ocurrencia son constantes, cada uno de los lanzamientos es independiente de los dems y el nmero de ensayos o repeticiones del experimento son constantes, n = 3.

13

Para dar solucin a este problema, lo primero que hay que hacer es un diagrama de rbol, en donde representaremos los tres lanzamientos, de ah se obtendr el espacio muestral y posteriormente la probabilidad pedida, usando la frmula correspondiente. Funcin de la distribucin binomial La distribucin binomial se encuentra tabulada por lo que es fcil calcular probabilidades sin necesidad de hacer demasiadas cuentas. Para usar las tablas de la distribucin binomial es necesario conocer: - El nmero de veces que se realiza el experimento (n). - La probabilidad de xito (p). - El numero de xitos (k). La probabilidad p se busca en la primera fila (valores desde 001 hasta 05). El nmero de veces que se realiza el experimento, en la primera columna (valores desde 2 a 10) y el nmero de exitos a su lado. Por ejemplo en el caso anterior, Bin (6;05) , p(X=2), la columna p=05 es la ltima, y cuando n=6 y k=2 encontramos 02344, el valor que hab amos calculado. Nota importante: El caso en que p > 0_5, no se encuentra tabulado. La razon es bien sencilla. Si p > 0_5, entonces q < 0_5 y basta intercambiar los papeles de exito y fracaso para que podamos utilizar la tabla. 10. DISTRIBUCION NORMAL O DE GAUSS Caractersticas: a) Es generada por una variable de tipo continuo, denominada x; -< x <

14

b) La funcin que nos define esta distribucin es:

-< x < Al dar a la funcin los valores de m , s2 y valores a x, obtendremos la distribucin en cuestin, la que tiene forma de campana, por lo que tambin se le conoce como campana de Gauss. Hay un nmero infinito de funciones de densidad Normal, una para cada combinacin de m y s. La media m mide la ubicacin de la distribucin y la desviacin estndar s mide su dispersin. c) Es simtrica con respecto a su eje vertical. d) Es asinttica con respecto a su eje horizontal; esto quiere decir que jams va a tocar el eje de las equis. e) El rea total bajo la curva es 1. f) S sumamos a m s, se observar que aproximadamente el 68.26% de los datos se encuentran bajo la curva, si sumamos a m 2s, el 95.44% de los datos estar entre esos lmites y si sumamos a m 3s, entonces el 99.74% de los datos caer dentro de esos lmites. Esta caracterstica es a la vez una forma emprica y rpida de demostrar si los datos que se analizan tienen una distribucin Normal; ya que para trabajar los datos con esta distribucin, debe verificarse que efectivamente as se distribuyen, ya que de no hacerlo, las decisiones que en un momento dado se tomarn de un anlisis de los datos con la distribucin Normal, seran errneas. Cmo se determinan probabilidades con la distribucin Normal? De acuerdo a como se trataron las distribuciones de probabilidad continuas en la unidad III, lo ms lgico es que la funcin f(x, m, s2), se integre entre los lmites de la variable x; esto es,

15

11. FUNCION DENSIDAD DE LA DISTRICION NORMAL Se dice que una variable aleatoria continua X sigue una distribucin normal de parmetros y y se denota X~N( , ) si su funcin de densidad est dada por:

Por tanto, la funcin de distribucin de la normal estndar es:

16

12. USO DE LA TABLA DE PROBABILIDAD

17

Ejemplo: Hallar la probabilidad p (z

z 0,00 0,01 0,02 0,03

0,45)

0,04

0,05

0,06

0,07

0,08

0,09

0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359 0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753 0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141 0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517 0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879

En la 1 columna buscamos el valor de las unidades y las dcimas. En la 1 fila el valor de las centsimas. Basta buscar 0,4 en la columna y 0,05 en la fila. Su interseccin nos da la probabilidad. Leemos y nos da 0,6736. p (z 0,45) = 0,6736.

DEFINICIN FORMAL DE LA DISTRIBUCIN DE POISSON. Sea X una variable aleatoria discreta que puede tomar los valores 0,1,2,.. tal que la funcin de probabilidad de X est dada por:

18

donde

es una constante positiva dada. Esta distribucin se llama Distribucin de

Poisson (en memoria de S.D. Poisson, quien la descubri a principios del siglo XIX) y una variable aleatoria con esta distribucin se dice que est distribuida con la distribucin de Poisson. Los valores de f(x) en la ecuacin pueden obtenerse usando la siguiente tabla, que da los valores de para diferentes valores de , o utilizando logaritmos.

13. CARACTERISTICAS DE LA DISTRIBUCIN DE POISSON. o El nmero de resultados que ocurren en un intervalo o regin especifica es independiente del nmero que ocurre en cualquier otro intervalo o regin del especio disjunto. De esta forma vemos que el proceso de Poisson no tiene memoria. o La probabilidad de que ocurra un solo resultado durante un intervalo muy corto o en una regin pequea es proporcional a la longitud del intervalo o al tamao de la regin y no depende del nmero de resultados que ocurren fuera de este intervalo o regin. o La probabilidad de que ocurre ms de un resultado en tal intervalo corto o que caiga en tal regin pequea es insignificante.

14. TABLA DE DISTRIBUCION POISSON La tabla entrega valores de la funcin de distribucin (probabilidad acumulada), es decir, valores de F(x) =xy=0 p(y). La cuantila x toma valores desde 0 hasta que los trminos se hacen cero al nivel de precisin de la tabla. El parmetro toma valores de 0.01 a 0.04 variando en 0.01; de 0.06 a 0.20 variando en 0.02; de 0.25 a 1.00 variando en 0.05; de 1.1 a 3.5 variando en 0.1; de 4 a 18 variando en 0.5; de 19 a 41 variando en 1.
19

15. PRUEBA DE LA CHI CUADRADO PARA MEDIR LA BONDAD La prueba de independencia Chi-cuadrado, nos permite determinar si existe una relacin entre dos variables categricas. Es necesario resaltar que esta prueba nos indica si existe o no una relacin entre las variables, pero no indica el grado o el tipo de relacin; es decir, no indica el porcentaje de influencia de una variable sobre la otra o la variable que causa la influencia. A manera de ejemplo crearemos un prueba Chi-cuadrado para las variables Gnero y Estado civil; desde luego para crear la prueba es necesario realizar la tabla, por lo que debemos volver al generador de tablas y ubicar en la lista la variable gnero e ingresarla a las columnas, sucesivamente ubicamos la variable Estado civil y la ingresamos a las Filas. Una vez ubicadas la variables en las dimensiones, activamos (Hacer clic) la pestaa Estadsticos de contraste, con lo que aparecen en el cuadro las pruebas estadsticas disponibles

20

16. USO DE LA TABLA CHI CUADRADO El procedimiento Tablas personalizadas, nos permite realizar tres diferentes pruebas estadsticas para determinar la relacin existente entre las variables de fila y columna. A travs de la pestaa Estadsticos de contraste se puede solicitar para las variables que se ingresen en la dimensin de filas y columnas, las pruebas de relacin / independencia, comparacin de medias o la comparacin de porcentajes.

Para facilitar la interpretacin de estos procedimientos generaremos algunos ejemplos de cada una de ella. Debemos resaltar que las pruebas estadsticas aqu mencionadas hacen parte del anlisis de inferencia y por lo tanto no sern exploradas a profundidad, sino que las anexamos con el propsito de familiarizarnos con los objetivos de cada prueba, como un prembulo al estudio de la estadstica de inferencia.

21

17. EJERCICIOS 1. De un naipe ingls de 52 cartas se sacan dos al azar. Se pide: y y Probabilidad de que ambas sean trbol (A). Probabilidad de que una sea trbol y el otro corazn. (B)

Solucin: 1 Dos cartas de una totalidad de 52, se pueden tomar de (52 a 2) maneras, luego la medida del espacio muestra es:

m(S) =

52 2

= 52 51 / 1 2 = 1326

2 Dos cartas trbol de una totalidad de13 cartas trbol. Se puede tomar de maneras, luego la medida de A es:

13 2

m ( A ) = 13 2

= 13 12 / 1 2 = 7

P ( A ) = 78 / 1326 = 1 / 17 = 0.0588 3 Carta trbol se toma de 13 disponibles, de 13 maneras y10 propio ocurre con una de coraz6n. Luego la pareja: una de trbol y una de coraz6n se puede tomar de: 13 x 13 maneras, as: P ( B ) = 13 13 / 1326 = 13 / 102 = 0.12745

2. En una caja hay 80 tuercas de las cuales 12 son defectuosas. Se Toma 6 de ellas al azar. Se pide: y Probabilidad de que las 6 sean buenas (A)
22

Probabilidad de que hayan2 defectuosas (B). Solucin: 1 La medida del espacio muestra es:

m(S)=

80 6

2 Para tomar6 tuercas buenas, ellas se tomaran de las (80 luego:

12 = 68) buenas,

m(A)=

68 6

P ( A ) = 68 6

80 6

3 Para que en las 6 tuercas tomadas haya 4 buenas y 2 defectuosas las 4 buenas se tornaran de 68 buenas y las 2 defectuosas se tornaran de las 12 defectuosas, luego la medida de B es:

m ( B ) = 68 4

12 2

y P(B)=

68 4

80 6

80 6

3. En una rifa de 100 nmeros hay 3 nmeros premiados. Una persona compra 5 nmeros. Probabilidad de saque un premio a lo menos. Solucin: 1 La medida de los casos posibles es:

m(S)=

100
23

5 2 Sea A el suceso sacar un premio a lo menos. Entonces A es el suceso: no sacar ningn premio.

3 Calcularemos P ( A ). Para no sacar ningn premio tomaremos los 5 nmeros entre los 97 no premiados, luego:

P ( A ) = 97 5

100 5

= 97 96 95 94 93 = 0.556 100 99 98 97 96

4 Finalmente la probabilidad de sacar un premio a lo menos es: P(A)=1 P ( A ) = 1 0.556 = 0.144

4. Una caja contiene 60 pernos y 140 tuercas. Veinte pernos estn daados y 10 mismo ocurre con 50 tuercas. Se toma un tem al azar. Se pide: calcular probabilidad que sea perno o este daado.

Solucin: a Sea A el acontecimiento, la pieza tomada es perno, entonces:

P ( A ) = 60 / 200 = 3 / 10

b Sea B el suceso el tem est daado, entonces:

24

P ( B ) = 70 / 200 = 7 / 20 c Nosotros buscamos: P ( AUB ) y sabemos que:

P ( AUB ) = P ( A ) + P ( B ) P ( AUB ) = 6 / 20 + 7 / 20

P(A

B)

20 / 200 = 11 / 20 = 0.55

5. Una rifa consta de 100 boletos entre los cuales hay dos premiados. Determinar el menor nmero de boletos que es necesario comprar para que la probabilidad de ganar a10 menos un premio sea mayor a 4/5. Solucin: a Sea A el suceso: ganar un premio a lo menos. Entonces A es el suceso no ganar ningn premio.

b Sea n el nmero de boletos a comprar, entonces:

P ( A ) = ( 98 a n ) / ( 100 a n ) = n - 199n + 9900 = 9900

Luego: P ( A ) = 1 - P ( A ) = n - 199n + 9900 > 4 / 5 9900 De donde: n - 199n + 7920 < 0

25

(n - 55) ( n - 144) < 0 Luego el menor nmero de boletos a comprar es: 56 6. Una caja contiene n fichas. Se saca al azar un puado de ellas. Probabilidad de extraer un nmero par de ellas. Solucin: a AI sacar un puado de fichas al azar, este puede traer: 1,2, 3,. fichas luego la . n medida de los casos posibles es: m ( S ) = ( n a 1 ) + ( n a 2 ) + . + ( n a n ) = 2 -1

b Llamando A al acontecimiento sacar un numero par de fichas, el se verifica, sacando: 2 o 4 o 6,...etc., luego la medida de A es:

m ( a ) = ( n a 2 ) + ( n a 4 ) + ( n a 6 ) + . = 2 y entonces la probabilidad pedida es :

-1

P(A)=2 2

-1 -1

7. Se toma al azar dos nmeros comprendidos entre 0 y 1. Determine la probabilidad que la suma de ellos no supere 1 y que su producto no sea mayor que 2/9 Solucin: a Llamando x e y los nmeros tomados, tenemos:

26

S = { ( x, y ) / x + Y < 1 ^ x y < 2 / 9} m(s)=1x1=1 b EI suceso: x + y< 1 es el triangulo: OAC = S

c EI suceso: x y < 2 / 9 queda expresado por el rea S2 bajo la hiprbola x y = 2 / 9 y el acontecimiento A, cuya probabilidad se busca, est en el rea: S1n S2, donde fcilmente se encuentra: Xd = 1/3 y Xe = 2/3. La medida de ( S1n S2 ) est dada por: m ( S1 S2 ) = 1 / 3 + 2 / 9 dx / x = 1 / 3 + 2 / 9 ln 2

Finalmente: P ( A ) = m ( S1 S2 ) = 0.487

m(S)

27

8. Dos personas Pedro y Juan deciden juntarse en un determinado lugar entre las12 M Y la1 PM Y acuerdan esperar15 minutos. Determinar la probabilidad de que se encuentren. Solucin: a Sea x el instante en que Ilega Pedro e y el instante en que lIega Juan.

Entonces el espacio muestra del experimento es: S = { ( x,y ) / 0 x 60 y 0 y 60 } y m ( 8 ) = 60 x 60 minutos.

b Sea A el suceso Pedro y Juan se encuentran, entonces:

A = { ( x,y ) / I y Pero l y - x l 15

x I 15 }

28

Implica -15 y O bien: x - 15 y x +15 As A es la regin comprendida entre las rectas: y = x - 15 e y = x + 15 Y como: m (A)= 60 x 60 - 45 x 45 La probabilidad buscada es P(A)=m(A)=1 m(B) 45 45 = 7 / 16 = 0.4375 60 60 x 15

9. En el cuadrado S = { (x, y) / I x I < 1 y I y I < 1}. Se toma al azar un punto M = (a, b). Determinar la probabilidad que las races de la ecuacin: x + 2ax + b= 0 sean complejas. Solucin: a Graficado el espacio muestra, su medida es: m ( S )= 4

29

b Como las races de la ecuacin son: X = -a a b

Ellas sern complejas cuando: a- b < o.

10. Tabulaciones sobre mortalidad indican que la probabilidad que una persona muera entre T1 y T2 aos es:

P ( T1 T T2 ) = Q ( T) dt Siendo 3 x 10 Q(T)= 0
30

T ( 100 T )

para T 0

para T

Determinar: a) Probabilidad que una persona viva 100 arias. b) Probabilidad que una persona muera entre los 60 y 70 aos, si ella ya tiene 40 aos. Solucin: 1 De inmediato 99 P ( 99 T 100 ) = 3 x 10 -

T ( 100
100

T ) dt = 0

2 Para la segunda pregunta, tenemos:

P ( 60

T 70 I T 40 ) = P[( 60

T 70 ) P ( T 40 )

( T 40 )] = P [( 60

T 70 )]

P ( T 40 )

Y como 70 P ( 60 T 70 ) = 3 x 10 -

T ( 100
60

T ) dt = 0.1543

P ( T 40 ) = 1 - P( T 40 ) = 0.2050 Luego:

P ( 60

T 70 I 40 ) = 0.1543 = 0.075 0.2050

31

i) P(A) 0 ii) P( )=1

iii) Dada una sucesin numerable de sucesos incompatibles, se verifica que la probabilidad de la unin es la suma de las probabilidades, esto La terna ( , S, P) recibe el nombre de espacio probabilstico.

32

CONCLUSION Esperamos que con esta breve pero intensa aportacin, haya conseguido que ahora ya s podamos contestar algunas de las preguntas planteadas en el ttulo de la exposicin. En este corto pero exhausto recorrido por la historia de la probabilidad somos consciente que hemos dejado en el camino las aportaciones de otros autores, que si bien es verdad, no los considero tan relevantes como los mencionados, no por ello debemos hacer de menos sus trabajos. Puesto que, si alguna conclusin debemos extraer de esta exposicin es que la Moderna Teora de la Probabilidad, es el resultado de la unin de muchos y continuos esfuerzos materializados en pequeos y grandes trabajos.

33

BIBLIOGRAFIA o WILLIAM J. STEVENSON, ESTADISTICA PARA ADMINISTRACION Y ECONOMIA: Conceptos y Aplicaciones o JAY L. DEVORE, PROBABILIDAD Y ESTADISTICA PARA INGENIERIA Y CIENCIAS: Sexta Edicion o MIGUEL ANGEL GOMEZ VILLEGAS, INFERENCIA ESTADISTICA o ANTONIO VARGAS SABADIAS, ESTADISTICA DESCRIPTIVA

34

URLs DE INTERES o http://www.uv.es/zuniga/09_La_distribucion_de_Poisson.pdf o http://www.hrc.es/bioest/Probabilidad_14.html o http://thales.cica.es/rd/Recursos/rd98/Matematicas/28/matematicas-28.html o http://www.dm.uba.ar/materias/estadistica_Q/2011/1/EstadQuimProbabilida d.pdf

35