Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Probabilidad
Probabilidad
Curso de Probabilidades
Por
2007
Captulo I. Introduccin.
I.1. Breve historia del clculo de las probabilidades.
De manera paralela al desarrollo de la Estadstica cientfica, se desarroll, a
partir del siglo XVII, el clculo de probabilidades. Sus iniciadores fueron los
matemticos franceses de ese siglo, Pierre Fermat y Blaise Pascal, quienes
iniciaron el estudio del clculo de probabilidades al resolver problemas de
juegos de azar propuestos por Antoine Gombaud, el caballero de Mer (16101684).
Blaise Pascal (1623-1662) fue quien ms aport al clculo de probabilidades,
porque sus trabajos interesaron a otros matemticos, como Jacob Bernouilli
(1654-1705) quien estructur el clculo de probabilidades como una disciplina
orgnica.
Abraham De Moivre (1667-1754) descubri, en 1733 la distribucin normal de
probabilidades, que despus estudi Laplace. Esta distribucin, se denomina
tambin distribucin de Gauss debido a una publicacin realizada por Karl
Gauss en 1809.
Pierre-Simn de Laplace (1749-1827) es una de las figuras de mayor magnitud
en el desarrollo de esta disciplina. Sus trabajos se resumen en Thorie
analytique des probabilits, publicada en 1812. Aqu aparece la definicin
clsica de probabilidad de un suceso A: La probabilidad de un suceso A es
igual a la razn entre el nmero de casos favorables al suceso A y el nmero
de todos los resultados posibles. Se asume, en esta definicin que los
posibles sucesos individuales del experimento son equiprobables.
La historia de las probabilidades culmina con los aportes de los matemticos
rusos Lvovich Chebishev (1821-1894), A. A. Markov (1856-1922).
P ( A) =
Obteniendo:
P( A) =
3 1
=
6 2
Los casos totales son 2, con 1 caso favorable. Es correcto poner P(A) = ?
Ejemplo 3: Se dispara un punto al azar (es decir sin apuntar) dentro del crculo
con radio r (figura I.4). Calcular la probabilidad de impactar un crculo
concntrico con radio r / 2.
r
1
2
P( A) = 2 =
4
r
Estos ejemplos nos muestran que la frmula clsica:
P ( A) =
Es solo vlida cuando todos los casos son equiprobables (por ejemplo un dado
no cargado).
nA
n n
P ( A) = lim
Esta frmula funciona en todos los casos anteriores (por ejemplo en el caso de
un dado cargado).
La figura 1.5 muestra la evolucin de nA / n al tirar n veces una moneda. Se
observa una convergencia hacia 0.5.
Nmero de
Nmero de Frecuencia
tiradas
caras
relativa
Buffon
4040
2048
0.5080
Karl Pearson
12000
6019
0.5016
Karl Pearson
24000
12012
0.5005
El espacio muestral.
Resultado : Es la informacin aportada por la realizacin de una experiencia.
El conjunto de todos los resultados posibles de un experimento aleatorio se
llama espacio muestral y se designa por la letra .
Ejemplos: en los casos anteriores E1, E2, E3 se tienen los espacios muestrales
correspondientes siguientes:
1 = { 1, 2, 3, 4, 5, 6 }
2 = { t : t 0 }
3 = { 1, 2, , i, } = N
Sucesos
Se llama suceso a cualquier subconjunto del espacio muestral. Se utilizan
letras maysculas, las primeras del alfabeto, para designar sucesos: A, B, C,
Ejemplo:
Sea A = sacar un nmero par al tirar un dado = { 2, 4, 6 }.
A es un suceso ya que es un subconjunto de = { 1, 2, 3, 4, 5, 6 }
Sea un experimento aleatorio y sea A un suceso, entonces al realizar este
experimento solo caben dos alternativas :
Ocurre el suceso A.
No ocurre el suceso A.
Suceso imposible
Es aquel que nunca ocurre. Se designa por la letra .
Suceso contrario del suceso A
Sea A un suceso. El suceso contrario de A es aquel que ocurre cuando A no
ocurre. Se designa por
A.
Inclusin de sucesos
Se dice que el suceso A est contenido en el suceso B y se escribe A B si
cada vez que ocurre A ocurre B.
Igualdad de sucesos
Dos sucesos son iguales y se escribe A = B cuando se cumple que: A B y
B A.
Interseccin de sucesos
El suceso C interseccin de A con B es el suceso que ocurre cuando A y B
ocurren simultneamente. Se escribe C = A B .
Sucesos incompatibles
Se dice que dos sucesos son incompatibles (o mutuamente excluyentes) si no
pueden ocurrir simultneamente, es decir si A B = .
Unin de sucesos
El suceso D unin de A con B es el suceso que ocurre cuando A o B o ambos
simultneamente ocurren. Se escribe D = A B .
Diferencia simtrica.
El suceso E, diferencia simtrica de A con B es el suceso que ocurre cuando A
ocurre o cuando B ocurre pero ambos no ocurren simultneamente. Se
escribe: E = A B .
A B = B A
A B = B A
A A = A
A A = A
A ( B C ) = ( A B) C
A ( B C ) = ( A B) C
A ( B C ) = ( A B) ( A C )
A ( B C ) = ( A B) ( A C )
A = A
A =
A =
A = A
A= A
=
=
A A =
A A =
( A B) = A B
( A B) = A B
Sea A1, A2, , An, una sucesin de sucesos. Sean los sucesos B, C (y sus
contrarios) siguientes:
B = Ai = A1 A2 ... Ai ...
i
C = Ai = A1 A2 ... Ai ...
i
B = Ai = A1 A2 ... Ai ...
i
C = Ai = A1 A2 ... Ai ...
i
B Ai = ( B A1 ) ( B A2 ) ... ( B Ai ) ...
i
privilegiados,
clase
que
designaremos
por
M.
Las
Si A M A M
Si A1 , A2 ,... M
A M, A M
i
i =1
i =1
P ( A B ) = P ( A) + P ( B )
Axioma 3: Si A1, A2, , An, son sucesos incompatibles dos a dos (es decir
Ai Aj = ), entonces:
P Ai = P ( Ai )
i =1 i =1
P( A) =
P( A) = nlim
nA
n
P( A) =
Es fcil de ver que estas frmulas satisfacen bien los axiomas de las
probabilidades.
Se dice que (, M, P ) es un espacio de probabilidad.
P( A) = 1 P( A)
Demostracin: Se tiene que:
A A =
A A =
Al tomar probabilidad en la primera relacin y luego de aplicar el axioma 3 se
tiene:
P ( A A ) = P () = 1
P( A) + P( A) = 1
P( A) = 1 P( A)
Esta frmula es til en algunas situaciones en las cuales es ms simple calcular la
probabilidad del suceso contrario que la probabilidad del suceso A.
Corolario:
Como:
=
P () = P () = 1 P () = 1 1 = 0
P () = 0
El suceso imposible tiene una probabilidad igual a 0.
Otra demostracin de que la probabilidad del suceso imposible es nula es:
=
=
P () + P () = P () P ( ) = 0
Teorema 2:
Si A B P ( A) P ( B )
A ( B A) = B
A ( B A) =
P( A) + P( B A) = P( B)
Pero:
P ( B A) 0 P ( B ) P ( A)
Corolario:
Como siempre se tiene:
A P ( A) P ( ) = 1
Entonces
A : 0 P ( A) 1
La probabilidad de un suceso A es un nmero menor o igual a 1.
Teorema 3:
P ( A B ) = P ( A) + P ( B ) P ( A B )
Demostracin: Consideremos el suceso A B , el cual est achurado en la figura
I.16:
Al tomar probabilidades:
P ( A B ) = P ( A) + P ( B ) P ( A B )
Corolario (desigualdad de Boole):
P( A B) P( A) + P( B)
Generalizacin: Sean 3 sucesos A, B y C:
P( A B C) = P( A) + P(B) + P(C) P( A B) P( A C) P( B C) + P( A B C)
Demostracin: Sea
S = B C , luego P ( S ) = P ( B ) + P (C ) P ( B C )
P( A S ) = P( A) + P(S ) P( A S )
(1)
Pero:
Se tiene entonces:
P( A B C) = a + b + c + d + e + f + g =
= (a + b + f + g) + (b + c + g + d ) + (e + d + g + f ) (b + g) (d + g) ( f + g) + g
Esta frmula se puede generalizar al caso de n sucesos A1, A2, , An:
n n
P Ai = P( Ai ) P( Ai Aj ) + P( Ai Aj Ak )
i j
i jk
i =1 i =1
+(1)n +1 P( A1 A2 ... An )
Que es la frmula de Henri Poincar. Esta ltima relacin se puede demostrar por
induccin matemtica.
Teorema de la continuidad.
Sea A1, A2, , An, una sucesin creciente de sucesos, es decir: Ai Ai +1 .
Definimos un nuevo suceso por:
A = lim An = Ai
n
i =1
lim P( An ) = P(lim An )
n
B1 = A1
B2 = A2 A1
...
Bn = An An 1
Se tiene:
B =A
i
i =1
i =1
P( A) = P(lim An ) = P Ai = P Bi
n
i=1
i=1
= P ( Bi ) = lim P ( Bi ) = lim P ( An )
n
i =1
i =1
Debido a que:
n
P( B ) = P( A )
i =1
Tambin se puede probar que si A1, A2, , An, es una sucesin decreciente de
sucesos, es decir: Ai Ai +1 . Definimos un nuevo suceso por:
A = lim An = Ai
n
i =1
lim P( An ) = P(lim An )
n
= {e1 , e2 ,..., en }
Diremos que es un espacio muestral finito.
Sea p i = P ( ei ) . Luego, segn los axiomas:
(1)
p i 0,
i = 1, 2, ..., n
p1 + p 2 + ... + p n = 1
A = e j1 , e j2 ,..., e jk
P(ei ) = 1/ n , entonces:
P( A) =
Hemos deducido, a partir de los axiomas, la frmula clsica para calcular una
probabilidad, la cual es vlida si todos los resultados son igualmente probables.
En algunas situaciones la aplicacin de esta frmula requiere conocer el anlisis
combinatorio, tal como muestra este ejemplo:
Ejemplo: Cul es la probabilidad de sacar k puntos en el juego del Loto?.
En el Loto se apuesta a 6 nmeros entre 36 nmeros. Hay 6 nmeros premiados,
luego un jugador puede obtener 0, 1, 2, 3, 4, 5, 6 puntos. El problema es que
hasta ahora no sabemos encontrar bien el nmero de casos favorables y el
nmero de casos totales.
Dejaremos pendiente este problema
II.1. Mtodos de enumeracin.
Los mtodos de enumeracin sirven para contar los casos favorables y totales y
se basan en dos principios:
Principio de la suma.
Supongamos que un procedimiento A se puede realizar de nA maneras y que un
procedimiento B se puede realizar de nB maneras, supongamos adems que no es
posible que A y B se realicen juntos. Entonces el nmero de maneras en que se
puede hacer A B es nA + nB.
La figura II.1 presenta un enfoque esquemtico de la situacin:
Ejemplo: Hay dos lneas de aviones para ir a Concepcin (Lan, Avant) y tres lneas
de buses (TurBus, PullmanBus, BusesAlSur). De cuntas maneras diferentes se
puede viajar?.
Respuesta: nA = 2, nB = 3: total = 2 + 3 = 5
Principio de la multiplicacin.
Supongamos que un procedimiento A se puede realizar de nA maneras y que un
segundo procedimiento B se puede realizar de nB maneras. Entonces el
procedimiento que consta de A seguido de B se puede realizar de nA nB maneras.
La figura II.2 presenta un enfoque esquemtico de la situacin:
Pn = n !
0! = 1
n ! = ( n 1) ! n
Ejemplo: De cuntas maneras puedo ordenar 4 libros en un estante. De 4!
maneras, es decir 24.
Permutaciones de k objetos entre n objetos.
Consideramos n objetos diferentes. Deseamos elegir k (n k 0) de estos
objetos. Por ejemplo, tenemos 4 objetos a, b, c y d y elegimos 2 de ellos. Las
permutaciones 2P4 son 10:
ab, ba, ac, ca, ad, da, bc, cb, cd, dc
Se observa que en las permutaciones el orden de los objetos es importante.
k n
Finalmente:
k Pn =
n!
( n k )!
kCn
: Sea n
Combinaciones
Permutaciones
abc
acd
abd
bcd
Cn k!=
Pn
Es decir:
k Cn =
n
n!
=
k !(n k )! k
(a + b) =
n
n k nk
a b
k =1 k
n
n n
=
k nk
n n 1 n 1
=
+
k k 1 k
n
2 =
k =0 k
n
n
0 = (1) k
k =0
k
n
10
10
15
20
15
21
35
35
21
.
Ejemplo: En el caso del Loto, enunciado anteriormente se tiene el nmero de
36
elegir las 6 apuestas es . Por lo tanto, la probabilidad de tener k aciertos y 6
6
k no aciertos es:
6 30
k 6 k
pk =
36
6
pk
0.3048452
0.4389771
0.2110467
0.0416882
0.0033499
0.0000924
0.00000051
n n n1 n n1 n2 n n1 n2 ... nk 1
P
=
...
n n1 , n2 ,...nk
n
n
n
n
1 2
3
k
n Pn1 , n 2 ,... n k =
n!
n1 ! n 2 !...n k !
En el ejemplo anterior:
P3,2 =
5!
= 10
3!2!
P( A | B) =
P( A B)
P( B)
P( B) > 0
P( B | A) =
P( A B)
P( A)
P( A) > 0
P( A | B) 0
P ( | B ) = 1
P ( A1 A2 ... | B ) = P ( Ai | B )
si Ai A j =
i j
Ejemplo: Se tiran dos dados, uno rojo y uno azul, al azar. Se sabe que sali un
nmero 2 o 3 en el dado rojo. Probabilidad de que la suma de los dos dados sea
7.
Sea
Luego: P(A | B) = 2 / 12 = 1 / 6.
Segundo razonamiento: Aplicando la definicin de P(A|B):
P(B) = 12 / 36 = 1 / 3
P(A B) = 2 / 36 = 1 / 18
P(A | B) = P(A B) / P(B) = 1 / 6
Regla de la multiplicacin:
Las ecuaciones: P(A | B) = P(A B) / P(B) y P(B | A) = P(A B) / P(A) implican
que:
P ( A B ) = P ( A) P ( B | A) = P ( B ) P ( A | B )
Relacin conocida como regla de la multiplicacin.
Ejemplo 1: Sea un lote de CD de los cuales se sabe que 10 son defectuosos y 90
sin defectos. Se toman dos CD al azar, sin sustitucin, cul es la probabilidad de
que ambos sean defectuosos?.
Sea A = el primer CD es defectuoso, B = el segundo CD es defectuoso.
Entonces:
P( A B) = P( A)P(B | A) =
10 9
1
=
100 99 110
ii)
i)
P( A B) = P( A) P( B | A) =
4 3 1 1
1
= =
52 51 13 17 221
ii)
P( A B) = P( A) P( B | A) =
4 4 1 1
1
= =
52 52 13 13 169
Generalizacin.
La frmula de la multiplicacin de las probabilidades puede ser generalizada al
caso de ms de dos sucesos. Sean entonces los sucesos A1, A2, , An. Se
cumple que:
P( A1 A2 ... An )
P( A1 A2 ) P( A1 A2 A3 )
=
P( A1 )
P( A1 A2 )
P( A1 A2 ... An1 )
= P( A1 A2 ... An )
Ejemplo: En el ejemplo anterior, la probabilidad de sacar tres ases seguidos, sin
devolucin es:
P( A B C) = P( A)P(B | A)P(C | A B) =
4 3 2
1
=
52 51 50 5525
Sucesos independientes.
En trminos intuitivos, dos sucesos A y B son independientes si la ocurrencia de
uno de ellos no afecta la ocurrencia del otro.
En trminos formales, tenemos la definicin siguiente:
Definicin: Se dice que los sucesos A y B son independientes si se cumple:
P ( A B ) = P ( A) P ( B )
Consecuencia:
P( A B) P( A) P( B)
=
= P( A)
P( B)
P( B)
P( A B) P( A) P( B)
=
= P( B )
P( B | A) =
P( A)
P( A)
P ( A | B) =
P( A B) = P( A B) = 1 P( A B) = 1 P( A) P(B) P( A)P(B)
= (1 P( A))(1 P(B)) = P( A)P(B)
P ( A) = P( B) = P (C ) =
1
2
P( A B) = P( A C ) = P( B C ) =
P( A B C ) =
1
4
1
1
P ( A) P( B ) P (C ) =
4
8
P( A | B C ) = 1
continuacin
dos
teoremas
importantes
del
clculo
de
Ai A j =
k
A =
i
i =1
si i j
En otras palabras, al hacer el experimento ocurre uno y solo uno de los sucesos
Ai.
Sea B un suceso respecto de (figura III.5). Se tiene:
i =1
i =1
B = B = B Ai = B Ai
Por consiguiente:
k
P( B) = P( Ai ) P( B | Ai )
i =1
A12%
A23%
A35%
Se juntan todos los DVD, se ponen en una fila y se toma uno al azar. Cul es la
probabilidad de que este DVD est defectuoso?
Sean los sucesos:
A1 = el DVD viene de la fbrica 1
A2 = el DVD viene de la fbrica 2
A3 = el DVD viene de la fbrica 3
B = el DVD es defectuoso
P(A1) = , P(A2) = P(A3) =
P(B | A1) = 0.02, P(B | A2) = 0.03, P(B | A3) = 0.05
Luego:
P ( B ) = P ( A1 ) P ( B | A1 ) + P( A2 ) P( B | A2 ) + P( A3 ) P( B | A3 )
P ( B ) = 0.5 0.02 + 0.25 0.03 + 0.25 0.05 = 0.03
Ejemplo 2: Se tienen dos urnas A1 y A2 las cuales contienen respectivamente 4
bolas azules 1 roja y 3 bolas azules 2 rojas. Se toma una urna al azar y luego se
extrae una bola. Probabilidad de obtener una bola roja.
Una forma de representar este tipo de experimentos es mediante un rbol de
probabilidades (figura III.6)
P( A1 ) = P ( A2 ) =
1
2
1
5
2
P( R | A2 ) =
5
P( R) = P( A1 ) P( R | A1 ) + P( A2 ) P( R | A2 )
P( R | A1 ) =
1 1 1 2
P( R) = + = 0.3
2 5 2 5
Teorema de Bayes.
Supongamos que queremos calcular, en las condiciones anteriores P(Ai|B):
P ( Ai | B) =
P( Ai B)
P( Ai ) P( B | Ai )
= k
P( B)
P( Ai ) P( B | Ai )
i =1
P ( Ai | B) =
P( Ai ) P ( B | Ai )
k
P( A ) P( B | A )
i =1
P ( A3 | B ) =
0.25 0.05
= 0.417
0.03
P ( A) =
nA Area(R)
n Area(Q)
Area(R) Area(Q)
nA
n
| x y | 20 - 20 x - y 20
x - y -20 y x - y 20
y x + 20 y y x - 20
Luego para que las personas se encuentren el par (x, y) debe caer en la zona gris
de la figura 2, limitada por las rectas y = x 20 y y = x + 20. Por consiguiente la
probabilidad es:
P ( A) =
3600 1600 20 5
=
= = 0.555
3600
36 9
d sen ( ) > x
Luego se tiene la situacin siguiente, en que todos los puntos [ , x ] tienen la
misma probabilidad en el rectngulo [ 0, ] x [ 0, a ]:
Luego:
Probabilidad =
2d
a
Ao
Nmero de tiradas
Valor
de la aguja
experimental
Smith
1855
3204
3.1553
Fox
1894
1120
3.1419
Lazzarini
1901
3408
3.1415929
Para poder construr un tringulo, cada lado debe ser menor que la suma de los
otros dos (en el caso (a), los lados del tringulo son y, x y, 1 x).
Luego se tienen 6 desigualdades simples las cuales definen la zona roja de la
figura 6:
se tiene la
solucin
Elementos de Programacin.
Para una mejor comprensin de los tpicos que analizaremos se recomienda leer
un manual del lenguaje VisualBasic.
La funcin RND.
El VisualBasic, como todos los lenguajes de programacin, contiene una funcin
para generar nmeros aleatorios independientes entre s, los cuales son uniformes
en el intervalo [0,1), es decir 0 x < 1, estos nmeros tienen 7 decimales, luego,
si:
x = RND
RANDOMIZE TIMER
Muestreo con reemplazamiento. Se tiene una serie de nmeros x(1), x(2), ...,
x(n) y se desea tomar al azar k de ellos (k n). El programa siguiente resuelve el
problema:
RANDOMIZE TIMER
n=5
k=2
DIM x(n)
Vector de datos
x(1) = 1 : x(2) = 2 : x(3) = 3 : x(4) = 4 : x(5) = 5
Eleccin al azar
FOR i = 1 TO k
posicion = numero entre 1 y n
posicion = INT(n * RND) + 1
valor = x(posicion)
PRINT valor
NEXT i
1 pn =
pn
10
0.117
20
0.411
23
0.507
30
0.706
40
0.891
50
0.970
i =1
(n 1)! 1
=
n!
n
P( Ai ) = 1
P( Ai ) =
P( Ai Aj ) =
(n 2)!
1
=
n!
n( n 1)
n
n!
n(n 1)
=
el nmero de pares de sucesos Ai A j es : =
2!
2 2!(n 2)!
1
P( Ai Aj ) =
2!
i j
Analogamente :
P( A A
i j k
Ak ) =
1
1
n!
=
3!(n 3)! n(n 1)(n 2) 3!
n
1 1
1
P Ai = 1 + ...(1) n 1
n!
2! 3!
i =1
Lo interesante de este resultado es que converge rapidamente hacia:
1
1 = 0.632
e
Hemos usado la conocida serie para el nmero e:
x x2
xn
e = 1 + + + ... + + ...
n!
1! 2!
x
Los programas siguientes simulan los dos problemas que hemos analizado:
probabilidad = contador / i1
Print probabilidad
Next i1