TEMA 3 ELEMENTOS DE PROBABILIDAD

3.1. ESPACIOS MUSTRALES Y SUCESOS 3.1.1. El Espacio Muestral

En la prctica, para estudiar los fenmenos (informticos, industriales, econmicos, climticos,..) procedemos mediante experimentos (en laboratorio, simulacin por ordenador,...). Los experimentos se pueden clasificar en deterministas o aleatorios. Por ejemplo, el lanzamiento de un dado corriente bien construido y observar el resultado de la tirada sera un experimento aleatorio; el fenmeno de los das y las noches es determinista. Entonces, qu aspectos caracterizan a unos y otros? En el estudio de cualquier experimento aleatorio surgen los siguientes elementos asociados a l: 1. E1 espacio muestral, , es el conjunto cuyos elementos son todos los resultados diferentes posibles del experimento aleatorio. Ej. Todos los posibles resultados al lanzar un dado: = {1,2,3,4,5,6} 2. Un Suceso es un subconjunto del espacio muestral. 3. Un Suceso elemental, , es un suceso que no puede descomponerse en sucesos ms simples. Ej. El resultado de un lanzamiento de un dado es el nmero 5: {5}. 4. Partes de , P(), que rene a todos los subconjuntos del espacio muestral. Ej. Todos los posibles subconjuntos de al realizar una tirada con el dado: P()= {,{1},...,{6}; {1,2}, {1,3},..., {5,6}; ...; {1,2,3,4,5}, ...,{2,3,4,5,6}, }. En total 26 posibilidades. Por qu?

3.1.2. Sucesos. Operaciones Bsicas entre Sucesos Se define como suceso a cualquier subconjunto de . Si slo tiene un elemento se dice
que es un suceso simple o elemental; si tiene ms de uno se dice que es un suceso compuesto. La estructura de P() agrupa a todos los posibles subconjuntos de , y de l forman parte el propio , llamado suceso seguro, y el suceso que no contiene ningn resultado elemental, al que llamaremos suceso imposible y designaremos por . Se pueden establecer relaciones entre los distintos sucesos de P(), definidas por las siguientes operaciones: La interseccin de dos sucesos A y B es otro suceso que acontece cuando suceden simultneamente A y B, y se representa por A B. Lo constituyen aquellos sucesos elementales que forman a la vez parte de A y de B (Figura 3.1), y viene definido por

AB = { / ( ) ( )}

Si no hay sucesos con esta propiedad, A B=0; se dice que A y B son dos sucesos incompatibles (Figura 3.2).

Figura 3.1

Figura 3.2 La unin de dos sucesos A y B es un suceso que tiene lugar cuando acontece al menos uno de esos sucesos y se representa por A B (Figura 3.3). Viene definido por: A B = { / ( ) ( )}

El contrario de un suceso A es un suceso que tiene lugar cuando no ocurre A y se representa por A , de forma que en cualquier realizacin del experimento sucede A o A , pero nunca los dos a la vez (Figura 3.4). Es decir:

A ={ / ( )}

Se verifica que:
A A=; A A =

Figura 3.3

Figura 3.4

Figura 3.5

Figura 3.6

La diferencia entre A y B es un suceso que acontece cuando sucede A pero no B y se representar por A - B. Se puede expresar tambin por A B (Figura 3.5). Viene definido por: A - B = { / ( ) ( B}

La diferencia simtrica entre A y B es el suceso que acontece cuando ocurre uno de los sucesos A o B pero no los dos simultneamente y se representa por AB (Figura 3.6). Viene definido por:

AB = { / ( B) ( B)} Un suceso A contenido en otro B acontece cuando siempre que ocurre A ocurre B y se representa por A B. (Figura 3.7)

Figura 3.7 Observacin.- A efectos de simplificacin en desarrollos prcticos se utilizan las denominadas leyes de Morgan: 1. A =A 2. A B = A B 3. A B = A B

3.1.3. Diagrama en rbol

Consiste en una representacin esquemtica de los posibles resultados de un experimento aleatorio, cuando ste se desarrolla en varias etapas. Se empieza representando por diferentes ramas los posibles resultados de la primera etapa del experimento aleatorio. A continuacin, de final de cada rama anterior saldrn nuevas ramas conforme a los posibles resultados de la segunda etapa. El proceso se repetir hasta que se terminen de mostrar todos los resultados de las diferentes etapas del experimento. Ejercicio 3.1. Representar en un diagrama en rbol el experimento aleatorio de lanzar una moneda al aire 3 veces. Los resultados que aparecen al final de cada una de las ramas son sucesos elementales. La representacin en diagrama en rbol es muy til cuando el experimento tiene lugar en una serie de etapas, ya que facilita el clculo y nos permite ver el aspecto general del experimento. Si un experimento se desarrolla en k etapas y en la 1a etapa hay ni

resultados posibles, en la 2 etapa hay n2 resultados posibles, y la k-sima etapa tiene nk resultados posibles, ste experimento se podr representar mediante un diagrama en rbol con n1xxnk ramas.

3.2. PROBABILIDAD 3.2.1. Introduccin

El objetivo de la probabilidad es cuantificar la incertidumbre con la que aparecen los distintos sucesos de un fenmeno aleatorio. Para su anlisis nos apoyamos en el concepto de frecuencia relativa, de forma que la probabilidad cumpla las mismas propiedades que sta. Una de las numerosas aplicaciones de la probabilidad a la ingeniera es la fiabilidad de sistemas. La fiabilidad de un sistema (desde una simple resistencia o condensador hasta complejos sistemas como un ordenador o red de ordenadores) la mediremos como la probabilidad de que dicho sistema funcione correctamente durante un perodo de tiempo determinado o tiempo de misin. Es de destacar, tambin, que en los sistemas informticos la transmisin de la informacin es un fenmeno aleatorio y la probabilidad se encargar de medirnos la incertidumbre con qu se pueden presentar los distintos sucesos a considerar.

3.2.2. Axiomas de la probabilidad. Consecuencias.

Consideremos un experimento aleatorio con espacio muestral . Se define probabilidad de A como la incertidumbre de que aparezca un suceso A , o lo que es lo mismo, un suceso A P(). Es decir, se trata de la aplicacin: P: R A P(A) Esta aplicacin permite asociar a cada suceso A un nmero real P(A), siendo P(A) la incertidumbre con que ocurrir el suceso A en el experimento aleatorio. Verifica los axiomas siguientes: Axioma 1: A , P(A) 0 Axioma 2: P()=1 Axioma 3: A, B /A B=, P(A B) = P(A) + P(B)

n n Axioma 3 generalizado A1,...,An /Ai Aj= , P i = P ( Ai ) A i =1 i =1

El primer axioma establece que la probabilidad de cualquier suceso debe ser mayor o igual que cero, al igual que ocurre con la frecuencia relativa. El segundo axioma establece que la probabilidad del suceso seguro es uno. Por ltimo, el tercer axioma establece que para sucesos incompatibles la probabilidad del suceso unin es la suma de las probabilidades de cada uno de los sucesos.

Observacin. Los axiomas no determinan las probabilidades, stas se asignan basndose en nuestro conocimiento del sistema bajo estudio a travs de las probabilidades iniciales. Sin embargo los axiomas permiten calcular las probabilidades de algunos sucesos a partir de otras ya conocidas. Consecuencias de los axiomas de la probabilidad: 1. P()=. 2. P(A)=1 - P(A). 3. Si A,B , A B (A implica B) P(A) P(B). A implica B (notado A B) cuando A , B 4. P(A) l, A .

3.2.3. Propiedades
Las siguientes propiedades fundamentales de la probabilidad se deducen de los axiomas y sus consecuencias. 8 Propiedad 1 (Pl) Sea un experimento aleatorio cualquiera con espacio muestral y dos sucesos cualesquiera de este experimento A, B . Entonces: P(A B)=P(A) + P(B) - P(A B). (3.1)

Demostracin. Para poder aplicar el axioma 3 es necesario expresar la unin de estos dos sucesos compatibles como unin de sucesos incompatibles, lo que nos lleva a que: A B=(A - B) (A B) (B - A) Por tanto, segn el axioma 3 resulta que: P(A B)=P(A - B) + P(A B) + P(B - A) Por otra parte, se tiene que: A=(A - B) (A B) y B=(B - A) (A B) es decir, se ha expresado cada uno de los sucesos A y B considerados como unin de sucesos incompatibles, lo que permite utilizar de nuevo el axioma 3 para obtener: P(A)=P(A - B) + P(A B) y P(B)=P(B - A) + P(A B) de donde se deduce que: (3.2)

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

(3.3) (3.4)

Sustituyendo (3.3) y (3.4) en la expresin (3.2), resulta que P(A B)=P(A) - P(A B) + P(A B) + P(B) - P(A B)=P(A) + P(B) - P(A B) Propiedad 2 (P2) Sea un experimento aleatorio cualquiera con espacio muestral . Sean tres sucesos cualesquiera de este experimento A,B,C ; entonces: P(A B C)=P(A)+P(B)+P(C)-P(A B)-P(A C)-P(B C)+P(A B C) (3.5)

Demostracin. Hacerla como ejercicio, aplicando la propiedad Pl a los sucesos A B y C. Despus aplicar sucesivamente esa propiedad a la unin de los pares de sucesos que resulten al aplicar la propiedad distributiva de la interseccin respecto de la unin. Propiedad 3 (P3) Sea un experimento aleatorio cualquiera con espacio muestral . Sean n sucesos cualesquiera de este experimento A1,A2,...,An ; entonces:

n P i = P1 P2 + P3 P4 + ... + (1) n1 Pn A i =1
Donde:

P1 P ( Ai )
i =1

Demostracin. Por induccin. Hacerla como ejercicio. Propiedad 4 (P4) Sea un experimento aleatorio cualquiera con espacio muestral . Sean dos sucesos cualesquiera de este experimento A,B ; entonces: P(A - B)=P(A) - P(A B) (3.7)

Demostracin. Se trata de la frmula (3.3) que ha quedado demostrada en la propiedad 1. Propiedad 5 (P5)

Sea un experimento aleatorio cualquiera con espacio muestral . Sean dos sucesos cualesquiera de este experimento A,B ; entonces: P(AB)=P(A) + P(B) - 2. P(A B) (3.8)

Demostracin. Se trata de la frmula (3.3) y (3.4) que han quedado demostradas en la demostracin de la propiedad 1. EJEMPLO 2.1. Un fabricante de cables elctricos para ordenadores conoce de informaciones anteriores sobre la produccin de estos cables que el 1.5% de todos los cables fabricados son no conformes a especificaciones de longitud, el 1.2% son defectuosos en cuanto al espesor y el 0.8% son no conformes en ambas medidas. Sean los sucesos: A: un cable seleccionado al azar es no conforme a especificaciones por su longitud B: un cable seleccionado al azar es no conforme a especificaciones por su espesor Expresar los siguientes sucesos en trminos de A y B, calculando sus probabilidades. a) Alguna de las medidas de longitud o espesor de un cable son no conformes a especificaciones. b) En un cable ninguna de las dos medidas consideradas se encuentra fuera de las especificaciones. c) En un cable la longitud es no conforme a especificaciones, pero el espesor s. d) Un cable es no conforme a especificaciones en cuanto a longitud o a espesor, pero no en cuanto a ambas medidas. a) Se trata del suceso A u B. Su probabilidad ser P(A B)=P(A)+P(B)-P(A B)=0.015+0.012-0.008=0.019 lo que significa que el 1.9% de los cables fabricados por esta empresa son no conformes a especificaciones en alguna de las dos medidas consideradas, longitud o espesor. b) En este caso el suceso a considerar es A B . Su probabilidad se determinar utilizando la consecuencia 2 de los axiomas de la probabilidad y la segunda de las Leyes de Morgan, resultando que:
P ( A B) =1 - P(A B)=1 - 0.019=0.981

lo que nos indica que hay una probabilidad de 0.981 de que en un cable ninguna de las dos medidas consideradas se encuentra fuera de las especificaciones.

c) Se trata del suceso A - B. Su probabilidad ser

P(A - B) = P(A) - P(A B)=0.0 15 - 0.008=0.007 lo que nos informa que en el 0.7% de los cables fabricados por esta empresa el espesor es conforme a especificaciones, pero la longitud no. d) Ahora el suceso a considerar es la diferencia simtrica entre A y B, AB. Su probabilidad se determinar utilizando la consecuencia 2 de los axiomas de la probabilidad y la segunda de las leyes de Morgan, resultando que: P(AB)=P(A)+P(B)-2P(A B)=P(A B) - P(A B)=0.019 - 0.008=0.011 lo que nos indica que hay una probabilidad de 0.011 de que un cable sea no conforme a especificaciones en cuanto a longitud o a espesor, pero no en cuanto a ambas medidas.

3.2.4. Mtodos para establecer las Probabilidades Iniciales

En trminos generales, la teora matemtica de la probabilidad pretende calcular nuevas probabilidades tomando unas probabilidades iniciales dadas, sin interesarse por la forma en que fueron obtenidas dichas probabilidades. Para llegar a tales probabilidades iniciales hay tres mtodos o criterios que pasamos a analizar. 1) Mtodo de Laplace (basado en consideraciones tericas y lgicas) Se utiliza en aquellos casos en que es plausible admitir el siguiente postulado. Postulado de Indiferencia. Sea un experimento aleatorio cualquiera con espacio muestral . Si se puede descomponer en n sucesos elementales incompatibles dos a dos (A1,A2,...,An

A tales que = i y Ai Aj=, i j) y equiprobables, resultar que:

i =1

n n P i = P ( Ai ) = np A 1=P()= i =1 i =1
de donde p=P(Ai)= , A
1 n

suceso elemental

Entonces se verifica que para cualquier B /B=

B
i =1

se tiene que:

que es la conocida regla que estableci el marqus de Laplace, en 1812, para afirmar que "bajo el postulado de indiferencia, la probabilidad de un suceso es el

cociente entre casos favorables a dicho suceso y casos posibles del experimento, considerados stos como equiprobables e incompatibles dos a dos". Por ejemplo, en el experimento aleatorio de lanzar un dado y observar su resultado, resulta que:

mientras que:

Una aplicacin ms compleja y, a la vez, ms interesante, se muestra en el siguiente ejemplo. EJEMPLO 2.2.- (Problema de los Cumpleaos) En un grupo de N personas, con qu probabilidad al menos dos personas tienen la misma fecha de cumpleaos? Evaluar y comentar dicha probabilidad para N=10, 20, 30, 40 y 50. Sea el suceso A: en un grupo de N personas al menos dos personas tienen la misma fecha de cumpleaos. El suceso contrario ser: A: en un grupo de N personas todas tienen fechas de cumpleaos distintas. Por tanto:

Es decir: P ( A) = Card ( A) Card ()

Para obtener el cardinal de pensamos en un diagrama en rbol. La 1a persona tiene 365 das para su fecha de cumpleaos, por cada una de estas formas hay, tambin, 365 das para la fecha de cumpleaos de la 2 persona y, as, sucesivamente. Por tanto: Card()= 365x365x .... x365=365=RV365,N

En el caso del cardinal de A pensamos, tambin, en trminos de un diagrama en rbol. La 1 persona tiene 365 das para su fecha de cumpleaos, por cada una de estas formas hay 364 das para la fecha de cumpleaos de la 2 persona. Luego, para que dos personas tengan fechas de cumpleaos distintas hay 365364 posibilidades. Por cada una de stas, nos encontraremos con 363 das para la fecha de cumpleaos de la 3 persona, de manera que as las tres tengan fechas distintas. Siguiendo con este razonamiento, resulta que:

Card ( A) = 365364...(365 ( N 1)) = V365, N

Por tanto:
P( A) = 365364...(365 ( N 1)) 365 N

de donde se obtiene que la probabilidad pedida es:

P( A) = 1 P ( A) = 1 365364...(365 ( N 1)) 365 N

La evaluacin de estas probabilidades para N = 10, 20, 30, 40 y 50; se puede ver en la siguiente tabla.

2) Mtodo Frecuencial u Objetivista (basado en la interpretacin frecuencial de la probabilidad) Se toma como probabilidad de un suceso la frecuencia relativa del mismo en una serie de experimentos suficientemente grandes. Es decir, al ser:

P ( A) = lim
resulta que:

n( A) = lim fr ( A) N N N

P ( A) fr ( A)
a partir de un nmero suficientemente grande de experiencias. Ejemplo

Al lanzar un dado, calcular experimentalmente la probabilidad de que el resultado sea 6.

3) Mtodo Bayesiano o Subjetivista (basado en el grado de certidumbre) Se toma como probabilidad de un suceso una medida subjetiva del grado de confianza en que se produzca el suceso en cuestin, basada en la experiencia y cantidad de informacin. Se suele utilizar cuando el experimento no puede repetirse o carece de sentido la repeticin. Cuando un experimento puede repetirse, suele combinarse el mtodo frecuencial con el bayesiano.

3.3. PROBABILIDAD CONDICIONADA 3.3.1. Introduccin

Sea un experimento aleatorio consistente en lanzar un dado 50 veces. Consideremos los siguientes subconjuntos A: resultados mltiplos de 3 y B: resultados pares, de los cuales se tiene la siguiente informacin en trminos de frecuencia absoluta: nA=10, nB=20, n{6}=8 con A B={6}, n{3}=2 Veamos la frecuencia con que han aparecido resultados mltiplos de 3, de entre los lanzamientos con resultado par.

f ( A / B) =

n A B 8 = = 0,4 nB 20

Es decir, se considera un experimento aleatorio que realizamos N veces, dados dos sucesos determinados A y B, sea nA B el nmero de veces que han ocurrido los dos sucesos, queremos determinar la frecuencia relativa del suceso B teniendo en cuenta nicamente las veces que ocurri el suceso A, esta frecuencia relativa la podramos llamar frecuencia relativa de B condicionada a la ocurrencia del suceso A, vendr dada por

La frecuencia relativa de B condicionada a A es el cociente entre la frecuencia relativa

del suceso interseccin y la frecuencia relativa del suceso A, siempre que sta no sea cero. El comportamiento anterior de la frecuencia relativa condicionada nos indica la manera de definir la probabilidad condicionada.

3.3.2. Definicin de Probabilidad Condicionada.

Propiedades Sea un espacio muestral , y un suceso B con P(B)>0. Entonces A se define la probabilidad condicionada de A por B, notndose por P(A/B), al nmero real:

Anlogamente, P ( B / A) =

P( A B) con P(A)>0 P ( A)

En la probabilidad condicionada P(A/B) el suceso A se llama suceso condicionado, B se llama suceso condicionante y representa la probabilidad de que ocurra A sabiendo que ha ocurrido el suceso B. Se puede observar que la probabilidad condicionada cumple los axiomas de una probabilidad. En efecto:

P( A B) con P(B)>0 es cociente de dos nmeros no negativos por P( B) lo que es no negativo. P ( B ) P ( B ) = =1 2) P ( / B ) = P( B) P( B) 3) Si A1, A2 son incompatibles, tenemos:
1) P( A / B) =
P (( A1 A2 ) B ) P (( A1 B ) ( A2 B )) P( A1 B ) + P ( A2 B ) = = = P( B) P ( B) P ( B) P ( A1 B ) P ( A2 B) = + = P ( A1 / B ) + P ( A2 / B ) P( B ) P ( B) P ( A1 A2 / B ) =

donde la segunda igualdad se debe a aplicar la propiedad distributiva de las operaciones unin e interseccin de sucesos y la tercera por ser la unin de dos sucesos incompatibles. Ejemplo 3.3.1. La multinacional ELECTROWORLD fabrica placas de circuito impreso para ordenadores. El Departamento de Calidad de la empresa, en su ltimo informe, obtuvo los siguientes resultados: A: placas no conformes a superficie y B: placas no conformes a espesor.

P(A)=0.015; P(B)=0.012; P(A B)=0.008 Se pide calcular las probabilidades condicionadas de A/B y B/A e interpretarlas.

P( A / B) =

P ( A B ) 0,008 = = 0,67 P( B) 0,012

El 67% de las placas no conformes en espesor tampoco lo son en superficie.

P( A / B) =

P( A B ) 0,008 = = 0,53 P ( A) 0,015

El 53% de las placas no conformes en superficie tambin lo son en espesor. Por tanto, es ms probable ser defectuosa en superficie sabiendo que lo es en espesor, que ser defectuosa en espesor sabiendo que es defectuosa en superficie. Propiedad Sea un experimento aleatorio cualquiera con espacio muestral . Consideremos que ha ocurrido el suceso B, con lo cual nos situamos en el experimento aleatorio condicionado por B. Sean tres sucesos cualesquiera A,B,C . Entonces se cumple: 1.
2. 3. 4.

P(B/B)=1 P(/B)=0 P(A/B)=1 - P(A/B) P(A C)/B)=P(A/B) + P(C/B) - P(A C)/B).

3.3.3. Probabilidad de la Interseccin de Dos Sucesos Sea un experimento aleatorio con espacio muestral y sean A y B dos sucesos de .
Entonces: P(A B) = P(A)P(B/A) = P(B)P(A/B)

3.4 INDEPENDENCIA 3.4.1. Sucesos Dependientes e Independientes Sea un experimento aleatorio con espacio muestral . Sean A,B dos sucesos / A,B .
DEFINICIN Si P(A/B) = P(A) se dice que A es independiente de B (la informacin de que se ha dado el suceso B no modifica la probabilidad que tiene el suceso A de ocurrir sin conocer dicha informacin). Entonces P(B/A)=P(B), con lo cual B es independiente de A, y se dice que A y B son independientes. Respectivamente, si P(A/B) P(A) se dice que A es dependiente de B (la informacin de que ocurri el suceso B modifica la probabilidad que tiene el suceso A de ocurrir

sin conocer dicha informacin). Entonces P(B/A) P(B), con lo cual B es dependiente de A, y se dice que A y B son dependientes. Ejemplo 3.4.1. Sea el experimento aleatorio de extraer al azar una carta de la baraja espaola, de 40 cartas. Analizar la independencia de los siguientes sucesos: 1) A: sacar copas y B: sacar figura. P(A)=10/40=0.25 P(A/B)=3/12=0.25 El conocimiento de que ocurri B no influye en la probabilidad de A. As, A y B son independientes. 2) B: sacar figura y C: sacar rey. P(C/B)=4/12=1/3=0.3 P(C)=4/40=0.1

El saber que ha ocurrido el suceso B s influye en la probabilidad de C, luego C es dependiente de B. Propiedad (Caracterizacin de la independencia) Sea un experimento aleatorio con espacio muestral . Sean dos sucesos A,B . Entonces A y B independientes P(A B)=P(A) P(B). A y B dependientes P(A B) P(A) P(B). TEOREMA Sea un experimento aleatorio con espacio muestral . Sean dos sucesos A,B . Entonces son equivalentes las siguientes afirmaciones: I.
II. III. IV.

A y B son independientes. A y B son independientes. A y B son independientes. A y B son independientes.

Ejercicio 3.4.1 Demostrar alguna de las equivalencias en este teorema. Poner un ejemplo prctico de utilizacin de este teorema.

3.4.2. Conceptos de independencia entre ms de dos sucesos

Sucesos independientes por parejas Sea un experimento aleatorio con espacio muestral y tres sucesos A, B, C . Se

dice que A, B y C son independientes POR PAREJAS o DOS A DOS cuando:

a) b) c)

P(A B) = P(A) P(B) (A y B independientes) P(A C) = P(A) P(C) (A y C independientes) P(B C) = P(B) P(C) (B y C independientes)

Sucesos mutuamente independientes Sea un experimento aleatorio con espacio muestral y tres sucesos A, B, C . Se dice que A, B y C son mutuamente independientes o completamente independientes o simplemente independientes cuando: a) A, B y C son independientes por parejas (3 condiciones). b) P(A B C)=P(A)P(B)P(C) (1 condicin). Conclusiones Si A, B y C son "mutuamente" independientes A B y C son independientes. No se verifica si son independientes por parejas. La independencia mutua implica independencia por parejas. La independencia por parejas no implica la independencia mutua.

3.4.3. Probabilidad de la Interseccin de Varios Sucesos Sea un experimento aleatorio cualquiera, con espacio muestral . Sean tres sucesos cualesquiera A, B, C . Entonces se cumple:
P(A B C)=P(A)P(B/A)P(C/(A B)) con P(A B) > 0 Por otra parte, para n sucesos tenemos P(A1 A2 ... An)=P(A1)P(A2/A1)P(A3/(A1 A2))...P(An/(A1 ... An-1)) con tal que P(A1 ... An-1 ) > 0. De manera que:

3.5 TEOREMAS DE LA PROBABILIDAD TOTAL Y DE BAYES

Teorema de la probabilidad total

Consideremos un conjunto de sucesos {Ai}i=1,...,n de tales que cumplen las dos condiciones siguientes: a)
b)

A
i =1

Ai A j = , i j, i,j=1,, n

Un conjunto de sucesos con estas dos propiedades recibe el nombre de sistema completo de sucesos. Sea ahora un suceso cualquiera B y un sistema completo de sucesos {Ai}i=1,...,n tales que P(Ai)>0 para todo valor de i, el Teorema de la probabilidad total establece que:

Es decir, si el suceso B puede ocurrir por alguna de las causas Ai, la probabilidad de que ocurra es la suma de las probabilidades de las causas por la probabilidad del suceso B condicionado a la causa Ai. Demostracin Se deja como ejercicio. Teorema de Bayes Bajo las mismas condiciones del teorema anterior, consideramos que estamos interesados en conocer la probabilidad de que ocurrido el suceso B la causa que lo haya producido sea la Aj. Expresado analticamente, queremos calcular P(Aj/B). El Teorema de Bayes establece que:

Demostracin Se deja como ejercicio. Cuantifica cmo se modifican las probabilidades a priori cuando se dispone de informacin en el experimento. Tanto las probabilidades a priori como a posteriori siempre suman 1. Se entiende por probabilidades a posteriori a P(Ai/B), siendo las probabilidades a priori P(Aj). Ejemplo 3.5.1 La empresa Kassan Cars fabrica coches de gama media, y en su fbrica de Madrid tiene 3 lneas de produccin:

- 1 produce un 4% defectuosos; fabricando un 30% del total. - 2 produce un 6% defectuosos; fabricando un 20% del total. - 3 produce un 1% defectuosos; fabricando un 50% del total. Sean los sucesos Ai: un vehculo ha sido fabricado en la lnea i-sima de esta fbrica, para i=1, 2, 3. P(A1)=0.3; P(A2)=0.2; P(A3)=0.5; de forma que {A1, A2, A3} son una particin o clasificacin del espacio muestral . Sea el suceso B: un automvil fabricado en la factora es defectuoso. P(B/Ai) = 0,04 ; P(B/A2) = 0,06 ; P(B/A3) = 0,01 son verosimilitudes (Iikelihood), al indicarnos lo verosmil que es la ocurrencia del suceso B por cada una de las tres causas Ai, A2, A3 Las verosimilitudes no suman necesariamente 1. a) Calcular la probabilidad de que un coche fabricado por Kassan Cars sea defectuoso. P(B)=P(B )=P(B (A1 uA2 A3))=P((B A1) (B A2) (B A3))= =

P( A B) = 0,029
i =1 i

P(B)=2.9% =0,029. Porcentaje total de coches defectuosos fabricados en la factora. La probabilidad total se puede interpretar como una media ponderada. b) Sabiendo que un coche es defectuoso, calcular la lnea ms probable donde se ha fabricado. P(A1/B)=P(A2/B)=0.4138 P(A3/B)=0.1724 Sabiendo que un coche es defectuoso, tiene un 41% de probabilidad de pertenecer a la primera lnea, e idntica probabilidad a la segunda, y a la tercera slo un 17%. Elementos Tericos Sea un experimento aleatorio con espacio muestral . Sea {Al,..., An} una clasificacin o particin de (sucesos incompatibles cuya unin es el espacio muestral) con sus probabilidades. Sea un suceso B del cual se dispone de las probabilidades P(B/Ai), cuando i=l,...,n. Entonces:

Teorema de Probabilidad Total:

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

Teorema de Bayes:

P( A j / B) =

P( A j ) P( B / A j )

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

Probabilidades a priori: P(Aj), para i =l,...,n. Probabilidades a posteriori: P(Ai/B), para i =l,...,n. Verosimilitudes: P(B/Ai), para i =l,...,n.

Observacin.- El concepto de particin o clasificacin refleja formalmente el hecho habitual en la realidad de clasificar o dividir los conjuntos de objetos, personas, etc. por algn criterio como puede ser la marca, el ao de fabricacin, la provincia de nacimiento, el nivel de estudios alcanzado, etc.