Documentos de Académico
Documentos de Profesional
Documentos de Cultura
TEMA7PROBABILIDAD
TEMA7PROBABILIDAD
7.1. Introduccin. ....................................................................................... 1 7.2 Espacio Muestral................................................................................... 2 7.3 Concepto de -lgebra. ......................................................................... 5 7.4. Definicin clsica de probabilidad. ...................................................... 6 7.5. Definicin frecuentista de probabilidad. .............................................. 6 7.6. Definicin axiomtica de probabilidad. ................................................ 7 7.6.1. Teoremas elementales o consecuencias de los axiomas. ............... 8 7.7. Probabilidad Condicionada. ............................................................... 10 Teorema 8.- (Regla de la multiplicacin) ............................................... 10 Teorema 9.- (Teorema de la probabilidad total). ................................... 10 Teorema de Bayes . ............................................................................... 11 7.8.- Independencia de sucesos. .............................................................. 12 7.1. Introduccin. Relatos antiguos sugieren que la teora de la probabilidad se remonta a formas primitivas de juegos de envite y azar. Gerolamo Cardan (1501-1576) afirm que hace casi 2000 aos los soldados romanos inventaron muchos de nuestros juegos de azar actuales slo como pasatiempo durante sus campaas para conquistar a la mayor parte del mundo civilizado. Otros autores afirman que la teora de la probabilidad tiene su origen en el siglo XVI en Francia por los juegos de azar y se debe a la curiosidad de los jugadores que acosaban con preguntas a sus amigos del mundo de las matemticas (correspondencia entre Pascal y Fermat). En el siglo XVII Jacob Bernouilli, miembro de una familia suiza de matemticos, estableci muchas de las leyes bsicas de la probabilidad moderna. Thomas Bayes (1702-1761) y Joseph Lagrange tambin se cuentan entre los pioneros de la teora de la probabilidad. La definicin clsica se debe a Laplace que en su monumental libro Theorie anlitique des probabilits ( 1812), establece la definicin de probabilidad de un suceso que puede ocurrir slo un nmero finito de veces, como la proporcin del nmero de casos favorables entre el nmero total de casos posibles. Destacar por otra parte que la axiomtica del Clculo de Probabilidades se debe a Kolmogorov (1933). En la actualidad vemos que la teora de la probabilidad ocupa un puesto destacado en muchos asuntos de negocios. Los seguros y las prcticas actuariales tienen una base firme en los principios de la teora de la probabilidad. Por ejemplo, las primas de los seguros de vida dependen de las tablas de mortalidad, que a su vez se basan en la probabilidad de muerte a una edad concreta. La probabilidad tambin se aplica a la estimacin del nmero de unidades defectuosas en los procesos de fabricacin, a la verosimilitud de recibir pagos en las cuentas a cobrar y a las ventas potenciales de un nuevo producto. Ahora bien, la teora de la probabilidad es una parte de las matemticas, anloga al lgebra o la geometra y su construccin ser por tanto semejante. Para la construccin de una teora matemtica se parte de un conjunto de aseveraciones, que se designan con el nombre de axiomas, y mediante la lgica se deducen una sucesin de afirmaciones que se designan con el nombre de teoremas. La forma en que se eligen los axiomas no es aleatoria ni categrica, lo que se intenta con estos postulados es Idealizar la Realidad. Los fenmenos que se pueden estudiar y que estn asociados con la realizacin de cualquier experimento (accin bien definida que produce un resultado nico y bien definido) pueden ser de una tipologa muy variada, pero una sencilla clasificacin de los mismos, que adems, va a ser de gran inters para la Estadstica es aquella que distingue entre fenmenos determinsticos y aleatorios.
DEPARTAMENTO DE MTODOS CUANTITATIVOS E INFORMTICOS FACULTAD DE CIENCIAS DE LA EMPRESA UNIVERSIDAD POLITCNICA DE CARTAGENA 1-12
Los espacios muestrales asociados a un experimento aleatorio pueden ser de tres clases: - Espacio muestral finito. - Espacio muestral infinito numerable. - Espacio muestral continuo. Un espacio muestral se dice que es finito, cuando tiene un nmero finito de elementos. Por ejemplo el espacio muestral asociado con el lanzamiento de un dado. Un espacio muestral se dice que es infinito numerable si se puede establecer una aplicacin biyectiva entre los elementos del espacio muestral y la sucesin de
DEPARTAMENTO DE MTODOS CUANTITATIVOS E INFORMTICOS FACULTAD DE CIENCIAS DE LA EMPRESA UNIVERSIDAD POLITCNICA DE CARTAGENA 2-12
A A C ={ / }
no ocurre A, y viceversa. Al suceso Obviamente, si ocurre complementario se le denomina tambin suceso contrario. Por ejemplo al lanzar un dado, el suceso complementario de obtener nmero par es obtener nmero impar.
A
2) Unin de sucesos: Sean A y B dos sucesos de un espacio muestral . Se define la unin de A y B como el suceso formado por todos los puntos muestrales que pertenecen al menos a uno de los dos sucesos, es decir: A U B ={ / A u B }
DEPARTAMENTO DE MTODOS CUANTITATIVOS E INFORMTICOS FACULTAD DE CIENCIAS DE LA EMPRESA UNIVERSIDAD POLITCNICA DE CARTAGENA 3-12
Ejemplo: la unin de los sucesos sacar nmero par A=(2, 4, 6) y sacar nmero primo B=(1, 2, 3, 5) es (1,2,3,4,5,6)= . 3) Interseccin de sucesos: Sean A y B dos sucesos de un espacio muestral . Se define la interseccin de A y B como el suceso formado por todos los puntos muestrales que pertenecen a ambos, es decir: A B ={ / A y B } Si ocurre A B, ocurren A y B. Este suceso se denomina tambin producto de A y B. Propiedades: conmutativa y asociativa. Adems la unin y la interseccin verifican la propiedad distributiva una respecto de la otra. Ejemplo: La interseccin de los sucesos sacar nmero par A=(2, 4, 6) y sacar nmero primo B=(1, 2, 3, 5) es el suceso obtener par y primo C=(2). Las leyes de Morgan relacionan las tres operaciones anteriores: * *
( A B )C = AC B C ( A B )C = AC B C
4) Diferencia de sucesos: Sean A y B dos sucesos de un espacio muestral . Se define la diferencia de A y B como el suceso formado por todos los puntos muestrales que pertenecen a A y no pertenecen a B, es decir: C A - B ={ / A y B }= A B Si ocurre A B, entonces ocurre A pero no ocurre B. Es evidente que:
AB A B
Relaciones entre sucesos: 1) Inclusin de sucesos: Sean A y B dos sucesos de un espacio muestral . Diremos que el suceso A est incluido en el suceso B, si todos los puntos muestrales de A pertenecen a B, es decir: A B Esta relacin la notaremos A B. Siempre que ocurre A ocurre B. B
DEPARTAMENTO DE MTODOS CUANTITATIVOS E INFORMTICOS FACULTAD DE CIENCIAS DE LA EMPRESA UNIVERSIDAD POLITCNICA DE CARTAGENA 4-12
Ejemplo: El suceso sacar nmero impar al lanzar un dado A={1,3,5} est incluido en el suceso sacar nmero primo B={1,2,3,5}. 2) Igualdad de sucesos: Sean A y B dos sucesos de un espacio muestral . Diremos que el suceso A es igual al suceso B, si todos los puntos muestrales de cada uno de ellos estn en el otro, es decir: A B Esta relacin la notaremos A = B. A y B ocurren no ocurren simultneamente. Es fcil comprobar que: A=BAByBA Ejemplo: El suceso sacar nmero primo y par al lanzar un dado es igual al suceso sacar un dos. 3) Sucesos incompatibles, disjuntos mutuamente excluyentes: Sean A y B dos sucesos de un espacio muestral . Diremos que el suceso A es incompatible con el suceso B, si ningn punto muestral es comn a ambos, es decir: AB= La ocurrencia de A impide B y viceversa. Se dice tambin que A y B son sucesos disjuntos mutuamente excluyentes.
El conjunto de todos los sucesos es, por tanto el conjunto de partes del espacio muestral , ( ). En muchas ocasiones, no nos interesarn todos los sucesos de un experimento (todos los subconjuntos del espacio muestral ), sino nicamente una parte de ellos. Por ejemplo, si dos jugadores de dados estn apostando a par impar, evidentemente en esta situacin, no interesarn sucesos como obtener un 3, {3}, sino solamente los sucesos obtener par y obtener impar. Este es el motivo de introducir un nuevo concepto: el de -lgebra. Llamaremos -lgebra a un subconjunto de partes de , no vaco que verifique: a) El complementario de un suceso de tambin pertenece a .
A AC b) La unin de una coleccin finita numerable de sucesos de tambin pertenece a , es decir: {Ai } i=1,2,, con Ai U Ai La justificacin de por qu exigimos estas propiedades y no otras radica en que si nos interesa la ocurrencia de un suceso, tambin nos interesar la no ocurrencia (el complementario), y en que si nos interesan dos sucesos, tambin nos interesar su unin. Pues bien, definida la -lgebra
DEPARTAMENTO DE MTODOS CUANTITATIVOS E INFORMTICOS FACULTAD DE CIENCIAS DE LA EMPRESA UNIVERSIDAD POLITCNICA DE CARTAGENA 5-12
DEPARTAMENTO DE MTODOS CUANTITATIVOS E INFORMTICOS FACULTAD DE CIENCIAS DE LA EMPRESA UNIVERSIDAD POLITCNICA DE CARTAGENA 6-12
Pero como es imposible llegar a este lmite ya que no podemos realizar el experimento un nmero infinito de veces, lo que s podemos hacer es repetir el experimento muchas veces y observaramos que las frecuencias relativas tienden a estabilizarse. Tiene la limitacin de no poder utilizarse en fenmenos no experimentales. A esta definicin frecuentista de la probabilidad se le llama tambin probabilidad a posteriori, ya que slo podemos dar la probabilidad de un suceso despus de repetir y observar, un nmero grande de veces, el experimento aleatorio correspondiente. Algunos autores tambin las llaman probabilidades tericas. Para tratar de evitar las limitaciones que hemos mencionado en los conceptos de probabilidad clsica y frecuentista , un matemtico ruso, Andrei Kolmogorov, desarroll una teora axiomtica de la probabilidad, que presentamos en el siguiente apartado. 7.6. Definicin axiomtica de probabilidad. 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.
DEPARTAMENTO DE MTODOS CUANTITATIVOS E INFORMTICOS FACULTAD DE CIENCIAS DE LA EMPRESA UNIVERSIDAD POLITCNICA DE CARTAGENA 7-12
n (A) lim n n
, es una
i) P(A) 0 A S 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 es: { Ai } i =1 Ai S i; Ai A j = i j P U Ai = P( Ai ) i =1 i =1 La terna ( , S, P) recibe el nombre de espacio probabilstico. 7.6.1. Teoremas elementales o consecuencias de los axiomas. Los siguientes resultados se deducen directamente de los axiomas de probabilidad de Kolmogorov. Teorema 1.- La probabilidad del suceso imposible es nula, esto es: P( ) = 0. Demostracin: Consideramos una sucesin numerable de sucesos, todos ellos iguales al suceso imposible, es decir:
{ Ai } i=1
Ai S Ai = i
Se verifican entonces las condiciones del axioma iii), ya que adems estos sucesos son incompatibles con lo que: P U Ai = P ( Ai ) i =1 i =1
Ahora bien: P U Ai = P U = P () = P ( Ai ) = P () i =1 i =1 i =1 i =1
Ahora bien por el axioma i) la nica solucin a esta igualdad es que P( ) = 0, que es lo que queramos demostrar. Si para cualquier suceso A resulta que P(A) = 0, diremos que A es un suceso nulo, pero esto no implica que A = . Teorema 2.- La probabilidad de la unin de dos sucesos disjuntos es la suma de sus probabilidades. Esto es: Si A, B S y A B = P( A B) = P(A) + P(B) Demostracin Consideramos la siguiente coleccin numerable de sucesos: A1 = A; A2 = B; Ai = i > 2 . Esta coleccin verifica los requisitos exigidos en el axioma iii), con lo que podemos asegurar que: P U Ai = P ( Ai ) i =1 i =1 En este caso, la igualdad se convertira teniendo en cuenta el resultado obtenido en el Teorema 1 en: P( A 1 A 2 ) = P(A 1 ) + P(A 2 ) Corolario Sean Ai , i= 1,2,...,n ; Ai S i; y A i A j = i j , entonces :
DEPARTAMENTO DE MTODOS CUANTITATIVOS E INFORMTICOS FACULTAD DE CIENCIAS DE LA EMPRESA UNIVERSIDAD POLITCNICA DE CARTAGENA 8-12
La demostracin es automtica tras aplicar sucesivas veces el resultado del teorema 2. Teorema 3.- Sean A, B S, A B P(A ) P( B) . Demostracin: Como A B podemos escribir: B = A (B-A). Entonces como A y B-A son elementos de la sigma-lgebra disjuntos, podemos aplicar el Teorema 2, obteniendo que: P(B) = P(A) + P(B-A) Por otra parte, por el Axioma i) todos los elementos de la igualdad anterior son positivos o nulos, en particular P(B-A) 0, luego:
A B=(A B) (B A) (A B)
donde cada uno de los sucesos encerrados entre parntesis son disjuntos. Anlogamente. A = (A B) (A B) B = ( B A ) (A B) Podemos aplicar en estas igualdades por tanto el Teorema 2 y su Corolario, obteniendo: P(A B) = P (A B) + P( B A ) + P(A B) (1) P(A ) = P (A B) + P (A B) P( B) = P( B A ) + P(A B) Sustituyendo estas dos ltimas igualdades en (1) se obtiene la igualdad deseada. Teorema 5.- Sean A1 , A2,,..., An S. Entonces:
La demostracin se realiza por induccin sobre n. Teorema 6.- Sea A S. Entonces P(A) = 1- P( A ). Demostracin: A y A son disjuntos y tal que A A = , luego aplicando el Teorema 2:
P(A A ) = P(A ) + P(A ) = P() = (por el axioma ii)= 1. Despejando P(A) se obtiene la igualdad deseada.
_ _
DEPARTAMENTO DE MTODOS CUANTITATIVOS E INFORMTICOS FACULTAD DE CIENCIAS DE LA EMPRESA UNIVERSIDAD POLITCNICA DE CARTAGENA 9-12
P(A / H) =
P( A H ) P( H )
Se puede demostrar fcilmente que la funcin as definida P(-/H) cumple los tres axiomas de Kolmogorov, y por tanto es una medida de probabilidad. A partir de esta definicin se pueden obtener una serie de consecuencias o teoremas. Teorema 7.- Sean A,B S , entonces si : P(B) 0 P(A B) = P( B) P(A / B) P(A ) 0 P(A B) = P(A ) P( B / A ) Estos resultados se pueden generalizar para un nmero finito de sucesos obteniendo la llamada regla de la multiplicacin. Teorema 8.- (Regla de la multiplicacin) Sean A1,A2,...,An S tal que P( I A i ) > 0 ; j = 1,2,... n 1 . Entonces:
i =1 n 1 n P I A i = P(A 1 ) P(A 2 / A 1 ) P(A 3 / A 1 A 2 )... P A n / I A i i =1 i =1 j
La demostracin se hace por induccin sobre n, haciendo uso del Teorema 7. Teorema 9.- (Teorema de la probabilidad total). Sean A1,A2,...,An S tal que: i = 1,...,n i) P(Ai ) > 0
DEPARTAMENTO DE MTODOS CUANTITATIVOS E INFORMTICOS FACULTAD DE CIENCIAS DE LA EMPRESA UNIVERSIDAD POLITCNICA DE CARTAGENA 10-12
ii)
UAi
i =1
iii) A i A j = i j es decir estos sucesos forman un sistema completo. Sea A S cualquier suceso. Entonces se verifica que:
P ( A ) = P ( A i ) P A A i i =1
Demostracin: Podemos escribir: n A=A = (por ii))= A U A i = (por la propiedad distributiva de la i =1 interseccin con respecto a la unin) = Luego:
n P(A) = P U (A A i ) = (por iii)) = i =1
U (A A i ) .
i =1
P( A A i ) =
i =1
(por la regla de la
multiplicacin) =
Como consecuencia inmediata de este teorema nos encontramos con el teorema de Bayes: Teorema de Bayes . Sean A1,A2,...,An S tal que: i = 1,...,n i) P(Ai ) > 0 ii)
UAi
i =1
iii) A i A j = i j es decir estos sucesos forman un sistema completo. Sea B S tal que P(B) > 0. Entonces: P ( A j ) P B A j Aj P B = n P ( A j ) P B A j j =1 Demostracin: Por definicin de probabilidad condicionada: A P(A j B) P j B = =(por la regla de la multiplicacin, P( B) aplicada al
P ( A j ) P B A j
j =1
Examinando ambos teoremas se pone de manifiesto que el teorema de Bayes, en cierto modo, responde a la inversa de como lo hace el teorema de la probabilidad total, pues en este ltimo se han realizado los sucesos Ai y entonces hacemos inferencia sobre la realizacin del suceso B, sin embargo, en el teorema de Bayes de la realizacin del suceso B inferimos sobre la realizacin de cada Ai .
DEPARTAMENTO DE MTODOS CUANTITATIVOS E INFORMTICOS FACULTAD DE CIENCIAS DE LA EMPRESA UNIVERSIDAD POLITCNICA DE CARTAGENA 11-12
Bibliografa bsica * M Angeles palacios, Fernando A. Lpez Hernndez , Jos Garca Crdoba y Manuel Ruiz Marn. INTRODUCCIN A LA ESTADSTICA PARA LA EMPRESA. Librera Escarabajal * Hermoso Gutirrez, J. A. y Hernndez Bastida, A. (1997). Curso Bsico de Estadstica Descriptiva y Probabilidad. Ed. Nmesis. Para saber ms o aclarar dudas:
http://www.uam.es/personal_pdi/ciencias/ezuazua/informweb/trabajosdehistoria/salinero_pr obabilidad.pdf http://www.dm.uba.ar/materias/estadistica_Q/2007/2/EstadQuimProbabilidad.pdf DEPARTAMENTO DE MTODOS CUANTITATIVOS E INFORMTICOS FACULTAD DE CIENCIAS DE LA EMPRESA UNIVERSIDAD POLITCNICA DE CARTAGENA 12-12