Probabilidades y Estadstica. 3er Ao. Segundo Semestre. (Actividad 1) Tema I: Introduccin a las Probabilidades. Conferencia 1: Introduccin a las probabilidades.

Temticas: Fenmenos aleatorios. Definiciones de Probabilidad. Propiedades.

Probabilidad Condicional. Frmula de la probabilidad total. Frmula de Bayes. Independencia estadstica.

Objetivos: Describir los conceptos de: fenmeno aleatorio, espacio muestral, evento aleatorio y sus propiedades. Aplicar la definicin clsica, frecuencial y axiomtica de probabilidad al clculo de probabilidades. Interpretar los conceptos de probabilidad condicional e independencia de sucesos. Aplicar la frmula de Bayes y de la Probabilidad Total en los casos que se requieran. Bibliografa. Probabilidades, Hernndez, L. M y otros, Editorial Pueblo y Educacin, 1980, 378 Pgs. Estadstica Matemtica I (primera parte), Francis, R y otros, Editorial ENSPES, 1982, 376 pgs. Estadstica Matemtica - I (segunda parte), Francis, R y otros, Editorial ENSPES. 1982, 376 Pgs. Problemas resueltos y Propuestos de Estadstica Matemtica I, Guyn, L, Editorial ENSPES, 129 pgs. Tablas y Resmenes de Estadstica, Rodrguez, A y Hernndez, L.M, Editorial Pueblo y Educacin, 1986, 154 pgs. Diversa bibliografa actualizada en formato electrnico.

1-

23-

456-

La Teora de Probabilidades y la Estadstica Matemtica, son disciplinas matemticas relativamente jvenes por s mismas, donde la Teora de Probabilidades, como teora independiente, que incluye a su vez numerosas disciplinas especiales y campos de aplicacin, y como fundamento de la estadstica matemtica, posee una significacin particular. La Teora de las probabilidades se inicia a principio del siglo XVII, como resultado de investigaciones sobre diversos juegos de azar realizados por algunos matemticos como: Huygens, Fermat, Pascal, Bernoulli y otros. Ya en los siglos XVIII y XIX , los resultados tericos probabilsticos fueron llevados a un sistema nico, construido sobre conceptos bsicos rigurosamente definidos. As surga la Teora de Probabilidades como una nueva disciplina matemtica, este hecho fue consecuencia de diversos trabajos realizados por eminentes matemticos de la poca como: Gauss, Laplace, De Moivre, Poisson, entre otros.

Son muchos los ejemplos de aplicacin de esta ciencia a problemas prcticos, pero adems muchas disciplinas se benefician con sus teoras y mtodos, como son: la fsica, la qumica, la biologa, la IO y todas las ramas de la ingeniera. Qu es la Teora de Probabilidades? La teora de probabilidades proporciona modelos matemticos para la descripcin de fenmenos sujetos a influjos casuales, y tiene como objetivo esencial la comprensin matemtica de las regularidades de los fenmenos aleatorios. La teora de probabilidades se construye de forma axiomtica, de acuerdo con un procedimiento probado y muy utilizado hoy en da, y se sirve en gran medida de los mtodos y resultados del anlisis. Puede decirse en sentido general que esta teora es la parte de la matemtica que trata de cuantificar la incertidumbre. Por ejemplo cuando en el pronstico del tiempo se dice que la probabilidad de lluvia maana es de 80%, no se afirma que maana ser un da lluvioso, pero salga maana con paraguas para evitar un catarro. En este curso trataremos de abordar los elementos principales de esta teora junto a elementos de estadstica que complementarn todo el estudio de la relacin entre ambas disciplinas. Desarrollo: Formalmente podemos decir que la teora de probabilidades estudia las leyes que rigen ciertos tipos de fenmenos, naturales o producto de experimentos realizados por el hombre, llamados fenmenos aleatorios. Fenmeno o experimento aleatorio: Es aquel cuyo resultado es incierto en el marco de distintas posibilidades y se puede repetir un nmero de veces arbitrario (al menos mentalmente), manteniendo las mismas condiciones exteriores que caracterizan a dicho experimento. Ejemplos: 1- Lanzamiento de una moneda. (posibles resultados escudo o cara) 2- El lanzamiento de un dado. (posibles resultados el nmero que aparece en la cara superior) Punto muestral: Cada uno de los posibles resultados de un fenmeno aleatorio. En el ejemplo del lanzamiento de una moneda estos sern: cara o escudo. Espacio muestral: Es el conjunto de todos los puntos muestrales del fenmeno aleatorio. Lo denotaremos por S. Ejemplos: 1. En el lanzamiento de una moneda. S: {c, e} 2. En el lanzamiento del dado de seis caras, S: {1, 2, 3, 4, 5, 6} o S: {nN/ n< 7}

Evento o suceso aleatorio: Un resultado de un experimento aleatorio. Por consiguiente puede presentarse o no. Ejemplo: En el lanzamiento del dado de seis caras, cuyo espacio muestral era S: {1, 2, 3, 4, 5,6} 1. El evento que el dado muestre un nmero par despus de ser lanzado: A = {2, 4, 6} 2. El evento que el dado muestre un nmero primo: B = {1, 2, 3, 5} 3. El evento que el dado muestre el nmero seis: C = {6} Eventos tales como el C, que solo contienen un punto muestral se denominan simples. Ntese como el espacio muestral de un experimento constituye un evento en si mismo. Ocurrencia de un evento. Sea A un evento de un cierto experimento E. Diremos que el evento A ocurre cuando al realizar el experimento E, el resultado que obtenemos es un punto muestral que pertenece a A. Evento cierto: Un evento se llama cierto si siempre que se realiza el experimento E, este ocurre. Lo de notaremos por S. Evento imposible: Un evento se denomina imposible si para toda realizacin del experimento E, este nunca ocurre. Lo denotaremos por . Es obvio que un experimento E, el evento cierto es el espacio muestral, pues el espacio muestral es el conjunto de todos los puntos muestrales, siempre ocurrir. El evento imposible es aquel que nunca ocurrir Complemento de A. Sea un evento A. El evento que no ocurra A, se denomina el evento complemento de A. Lo denotaremos Ac. Familia de eventos: Dado un experimento o fenmeno aleatorio E,. Una familia de eventos A, B, C,..., de E, est dada por aquellos eventos que pueden ocurrir cuando el experimento E se realice. Sub-evento de un evento: Un evento B es un sub-evento del evento A, si para toda realizacin del experimento E, en la que el evento B ocurre, el evento A tambin ocurre, o sea: que ocurra B que ocurra A. Lo denotaremos: BA. Igualdad de eventos: Si AB y al mismo tiempo BA, entonces se dice que A y B son eventos equivalentes y se denota A = B. Dos eventos son equivalentes si contienen los mismos puntos muestrales. Ejemplo: Considere el experimento E: Extraer una bola de una urna que contiene nueve bolas numeradas del 1 al 9. Una de las familias de eventos de este experimento es la formada por los eventos: A: que la bola extrada muestre un nmero par. B: que la bola extrada muestre un nmero impar. C: que la bola extrada muestre un mltiplo de tres. D: que la bola extrada muestre un mltiplo de cuatro. G: que la bola extrada muestre un nmero divisor de veinticuatro.

El espacio muestral S del experimento E. S = {1, 2, 3, 4, 5, 6, 7, 8, 9} Los eventos mencionados seran: A = {2, 4, 6, 8} B = {1, 3, 5, 7, 9} C = {3, 6, 9} D = {4,8} G = {1, 2, 3, 4, 6, 8} Fijmonos como el evento A es un subevento de D, o sea AD Operaciones entre eventos. En algunos casos puede ser interesante analizar la ocurrencia simultnea de dos o ms eventos, o la ocurrencia de al menos uno de ellos; por lo que se hace necesario definir operaciones que representen esos hechos, estas operaciones son equivalentes a la teora de conjuntos, de hecho, si se sustituyen los sucesos que aparecen por conjuntos, surgen siempre proposiciones verdaderas de la teora de conjuntos y viceversa. Interseccin o producto de eventos. Llamaremos interseccin o producto de los eventos A y B al evento que consiste en la ocurrencia simultnea de A y B. Lo denotaremos por AB o AB Ejemplo: (del caso anterior): M: La bola extrada sea impar y mltiplo de tres. M = ocurrir exactamente B y C, se define el evento M = BC = {3, 9} Cuando la ocurrencia simultnea de dos eventos es el evento imposible, decimos que los eventos son mutuamente excluyentes, o sea A y B son mutuamente excluyentes si AB = . Unin de eventos. Llamaremos unin de los eventos A y B, al evento que consiste en le ocurrencia del evento A o del B. Lo denotaremos por AB. Ejemplo: Del ejemplo anterior R: la bola extrada sea par o mltiplo de tres. R = AC = {2, 3, 4, 6, 8, 9} Cuando el evento AB = S, decimos que los eventos A y B son exhaustivos. Recomendar en estudio independiente la generalizacin de estos conceptos a cualquier nmero de eventos. lgebra de eventos de un experimento o fenmeno aleatorio E, es una familia de eventos de E, que denotaremos A y que rene las siguientes caractersticas: 1. Si los eventos A y B pertenecen a A entonces los eventos AB, AB, Ac, Bc tambin pertenecen a A. 2. Los eventos cierto e imposible pertenecen a A. Nota: Podemos comentar las leyes de Morgan para operaciones de conjunto que son aplicables a los eventos y que en algunos casos permiten resolver problemas de forma ms fcil, estas son: A B = A B. A B = A B.

Probabilidad clsica. La nocin de probabilidad, como medida numrica de la posibilidad real de ocurrencia de un evento, se ha expresado, de manera consecuente, con la categora de los problemas a los que se ha aplicado a travs de las diferentes definiciones dadas, hasta llegar a su concepto. Con el objetivo de formalizar la definicin clsica de probabilidad es necesario dar el concepto de equiprobabilidad. Sea un experimento o fenmeno aleatorio cuyo espacio muestral S es finito y cuyos puntos muestrales son e1, e2,..., en: S = {e1, e2,...,en } Sea la lgebra A de todos los eventos correspondientes a S y sea G el conjunto de todos los eventos simples en A, G = {{e1}, {e2 }, ..., {en }} Si los eventos que pertenecen a G son equiprobables, entonces se dice que S es un espacio muestral finito y equiprobable. Probabilidad (Definicin Clsica). Si A es el conjunto de eventos correspondiente a un espacio muestral finito y equiprobable, S es el conjunto de todos los eventos simples de A; entonces si A es un evento de A, que se puede expresar como la unin de m eventos de los n simples pertenecientes a S, la probabilidad del evento A es:
P( A) = m n

Ejemplo: Para el experimento del dado,

la

probabilidad de ocurrencia del evento

3 1 A = {2, 4, 6} = {2} {4} {6} es P( A) = = . 6 2

Ahora teniendo en cuenta que la cantidad de eventos simples de un experimento cuyo espacio muestral es finito, es igual al nmero de puntos muestrales de S y que todo evento es un subconjunto del espacio muestral, la cantidad de eventos simples en cualquier evento A de A, es igual al nmero de puntos muestrales de A. Entonces si: N(A): es el nmero de puntos muestrales de A o medida de A. N(S): es el nmero de puntos muestrales de S o medida de S. La definicin clsica de probabilidad se puede plantear tambin de la siguiente manera: Si S es un espacio finito y equiprobable, entonces para cualquier evento A en S la probabilidad de ocurrencia del evento A es:
P ( A) = N ( A) N (S )

Propiedades de la probabilidad: 1. Para cada evento A del conjunto A: P(A) 0 2. Para el espacio muestral S, se cumple que: P(S) = 1 3. Si A y B son eventos del conjunto A, tales que AB = , entonces se cumple que: P(AB) = P(A) + P(B)

Probabilidad frecuencial o estadstica En muchos fenmenos de la vida real puede comprobarse que la frecuencia de ocurrencia de ciertos eventos en una serie relativamente grande de observaciones, se mantiene casi constante. La definicin de probabilidad estadstica se basa en el concepto de frecuencia relativa de ocurrencia de un evento, la que a su vez presupone la repeticin de un experimento un nmero considerable de veces. Se denomina frecuencia relativa de ocurrencia de un evento A que denotaremos fr(A), al cociente de ocurrencias del evento f(A), entre el nmero total n de pruebas realizadas, o sea: f ( A) fr ( A) = n Cuando un experimento se repite un nmero considerable de veces y la frecuencia relativa de un evento permanece alrededor de determinado valor, nos induce a pensar que existe cierta regularidad en la ocurrencia de un fenmeno a la cual denominamos regularidad estadstica, esta regularidad en los fenmenos aleatorios es la que permite postular la existencia de una constante llamada probabilidad estadstica de ocurrencia de un evento. Formalizacin del concepto de Probabilidad Matemtica. Como ya vimos, una probabilidad es un valor numrico entre cero y uno, asociado a la posibilidad de ocurrencia de un evento. En este orden de ideas, la probabilidad matemtica es la consecuencia de establecer una ley de correspondencia entre el conjunto de eventos de un espacio muestral y el intervalo [0,1] de nmeros reales. Probabilidad (Definicin axiomtica): Sea S un espacio muestral, A una lgebra de eventos de S. Mediante una funcin P a todo elemento A A, le es asociado un nmero real, llamado probabilidad de A, el cual cumple para eventos A, B A, los siguientes axiomas: 1. P(A) 0 2. P(S) = 1 3. P(AB) = P(A) + P(B), si AB = P: A [0,1] A P(A) As pues, conocer el marco en que estudiaremos un fenmeno aleatorio implica conocer S, A y P, lo que llamaremos Espacio de Probabilidad, y denotaremos (S, A, P). Propiedades: Dado un espacio de probabilidad (S, A, P) 1. La probabilidad del evento imposible es cero. 2. Si A es un evento aleatorio del espacio de probabilidad, entonces: P(Ac) = 1 P(A) 3. Si A y B son eventos aleatorios del espacio de probabilidad, entonces: P(A Bc) = P(A) P(A B) 4. Si A y B son eventos aleatorios de un espacio de probabilidad, entonces: P(AB) = P(A) + P(B) P(A B) 5. Si A y B son eventos aleatorios del espacio de probabilidad , tales que AB, entonces:

P(A) P(B) 6. Si A1, A2,,An , son eventos excluyentes de (S, A, P), entonces: 7. P(A1 A2,,An) = P(A1) + P(A2) + .+ P(An) Veremos ejemplos de aplicacin de estos elementos: Ejemplos: 1- En un grupo de 35 alumnos hay 14 varones. Si se selecciona un alumno al azar Cul es la probabilidad de que sea una muchacha? R/ Experimento aleatorio: Seleccionar un estudiante (Experimento finito y equiprobable, aplicamos definicin clsica) 21 3 = A- Seleccionar una muchacha. P( A) = 5. 35 B- Seleccionar un muchacho.

P ( A) = P B c = 1 P ( B ) = 1

( )

14 21 = =3 . 35 5 35

(como podemos apreciar existen varias vas para resolver de forma general estos tipos de problemas)
C 2- Sean A y B tales que: P( A B ) = 3 4 ; P A = 2 3 ; P ( A B ) = 1 4 . Hallar: a) P( A) b) P( B ) c) P A B C P ( A) = 1 P A C = 1 2 = 1 . 3 3

( )

R/

a) b)

( )

P ( B ) = P ( A B ) + P ( A B ) P ( A) 9+34 8 P( B ) = 3 + 1 1 = = =2 4 4 3 12 3 12 C c) P A B = P( A) P( A B ) = 13 1 4 = 112 .

Nota: Para resolver muchos de estos problemas, fundamentalmente en aquellos donde se aplica la definicin clsica de probabilidad, es difcil en ocasiones calcular los casos favorables y los posibles. Para ello podemos auxiliarnos de los principios de la teora Combinatoria. En ocasiones es interesante calcular probabilidades de ocurrencia de un suceso bajo el supuesto de la ocurrencia de otro anterior relacionado con el mismo experimento aleatorio. Ejemplo 1: En una urna existen 3 bolas numeradas del uno al tres, si seleccionamos al azar dos bolas una a una sin remplazamiento, calcula la probabilidad de que: W- La segunda bola muestre un nmero mayor que la primera. R/ Aqu tenemos:

Exp: Seleccionar dos bolas una a una sin remplazamiento. S={(1,2); (1,3);(2,1); (2,3); (3,1); (3,2)} N(S)= 6; N(W)= 3 P(W)= 3/6=1/2. Calculemos ahora la probabilidad del suceso: Y- La segunda bola muestre un nmero mayor que la primera, si en la primera extraccin se seleccion la bola con el nmero 1. Aqu ya vemos que el suceso est condicionado por la ocurrencia de otro anterior, tenemos que: Casos posibles: {(1,2); (1,3)}, Casos favorables: {(1,2); (1,3)} P(Y)=2/2=1
Como podemos apreciar en algunos casos el hecho de condicionar la ocurrencia de un suceso a la de otro hace que las probabilidades cambien. A esta ltima se le llama probabilidad condicionada.

Probabilidad condicional. Sea (S; A, P) un espacio de probabilidad, A y B eventos de ese espacio tales que P(B) > 0; entonces la probabilidad condicional de A dado B (P(A/B)) es: P( A B) P( A / B) = P( B) Propiedades de la probabilidad condicional: 3. P(S/C) = 1 4. P(A/C) = 1, si CA 5. P(AB/C) = P(A/C) + P(B/C) P(A B/C) 6. P(Ac/C) = 1- P(A/C) En el ejemplo tendramos: A- En la segunda extraccin salga un nmero mayor que el primero B- Salga el 1 en la primera extraccin. 2 P( A B) = 6 =1 N(AB)= 2 N(A)= 2 , de aqu: P ( A / B ) = 2 P( B) 6 En ocasiones resulta ms fcil calcular la probabilidad condicionada de forma directa y entonces despejando de la frmula tenemos una variante para calcular la probabilidad de la interseccin de dos sucesos: P ( A B ) = P ( A B ) P ( B ) = P ( B A) P ( A) Independencia estadstica. Sean A y B eventos definidos en un mismo espacio muestral. Los eventos A y B son estadsticamente independientes si y slo si: P(A B) = P(A) P(B) De aqu se deduce que, cuando hay independencia, P( A B ) = P ( A); P( B A) = P( B ) Estas expresiones son equivalentes.

Las frmulas que veremos a continuacin facilitan el clculo de las probabilidades, porque sus expresiones nos indican una va lgica para la solucin de algunos problemas. Frmula de la probabilidad total: Veamos un ejemplo para despus generalizar: Ejemplo 2: Se tienen 3 urnas que contienen bolas negras y blancas. La primera urna contiene 2 bolas negras y una blanca, la segunda urna contiene 5 bolas blancas y la tercera urna contiene 3 bolas negras y 4 blancas. Calculemos la probabilidad de extraer una bola negra si se escoge una urna al azar y se extrae de ella, aleatoriamente una bola. Sea el evento B- Extraer una bola negra. La probabilidad de ocurrencia de B estar sujeta a la urna de donde se saque la bola, por tanto, definamos los eventos: A1- Seleccionar la urna 1 A2- Seleccionar la urna 2 A3- Seleccionar la urna 3 Veamos que aqu: A1 A2 A3 = A1 A2 A3 = S (Son eventos excluyentes y exhaustivos) Adems: B = ( B A1 ) ( B A2 ) ( B A3 ) Por tanto: P( B ) = P( B A1 ) + P ( B A2 ) + P ( B A3 ) De aqu: P( B ) = P( B A1 ) P( A1 ) + P( B A2 ) P ( A2 ) + P( B A3 ) P ( A3 ) Calculando: P( B ) = 2 3 1 3 + 0 13 + 3 7 13 = 2 9 + 0 + 1 7 = 23 63 Consideremos un experimento que se realiza en dos etapas: en la primera, los sucesos posibles A1, A2,., An, son mutuamente excluyentes y exhaustivos, con probabilidades conocidas P(Ai), tales que P( Ai ) = 1 . En la segunda etapa, los resultados posibles Bj, dependen de los de la primera, y se conocen las probabilidades condicionadas P ( B j Ai ) de obtener cada posible resultado Bj cuando aparece en la primera etapa el resultado Ai. De forma general tenemos para un suceso B en particular: P( B ) = P ( B Ai )P ( Ai ) (Frmula de la Probabilidad Total)
i =1 n

Frmula de Bayes: Esta frmula nos permite calcular la probabilidad condicional de un evento cualquiera perteneciente a una familia de eventos exhaustivos y mutuamente excluyentes, si sabemos que ha ocurrido un evento B del espacio muestral, y conocidas las probabilidades indicadas para el caso anterior. Partiremos del mismo ejemplo: - Supongamos ahora que conocemos que se ha extrado una bola negra, pero queremos saber cul es la probabilidad de que haya sido seleccionada de la urna 1. 2 1 P ( A1 B ) P( B A1 ) P( A1 ) = = 3 3 = 14 23 Aqu se pide: P ( A1 / B ) = 23 P( B ) P( B ) 63

De manera general podemos decir: P ( Ai B ) P ( Ai / B ) = P( B) Aplicando la frmula de la probabilidad total y para la interseccin de eventos tenemos: P( Ai B ) = P ( B Ai ) P( Ai )

P( B
n j =1

A j ) P( A j )

(Frmula de Bayes)

Conclusiones: Con estos elementos hemos podido introducir los principios probabilsticos aplicados a los experimentos aleatorios. En la medida que se interioricen los diferentes conceptos se podr adquirir un lenguaje adecuado sobre los diferentes aspectos del clculo de probabilidades y la lgica de su razonamiento que de forma general difiere algo de lo que se ha visto hasta el momento.