Probabilidad Condicional e Independiente.

Probabilidad Condicional.
Consideremos de nuevo la diferencia que existe entre elegir al azar un artculo de un lote con o sin sustitucin. Un ejemplo, el lote tiene la siguiente composicin: 80 artculos sin defectos y 20 defectuosos. Supngase que elegimos dos artculos: a) con sustitucin y b) sin sustitucin. Definamos los eventos siguientes: A = {el primer artculo defectuoso}, B = {el segundo artculo defectuoso}. Si escogemos con sustitucin, ( ) ( ) . Cada vez que elegimos, en el

lote hay 20 artculos defectuosos de un total de . Sin embargo, si elegimos sin sustitucin los resultados no son totalmente inmediatos. Todava es verdad, por supuesto, que ( ) . Pero, Cul es el valor de ( )? Es evidente que con el propsito de calcular ( ) deberamos conocer la composicin del lote cuando se escoge el segundo artculo. En otras palabras, deberamos saber si el evento A ocurri o no. En este ejemplo indica la necesidad de presentar el siguiente concepto importante. Sean A y B dos eventos asociados con un experimento . Indiquemos con probabilidad condicional del evento B, dado que A ha ocurrido. En el ejemplo anterior, ( | ) ( | ) la

. Porque si A ha ocurrido, entonces, al sacar por

segunda vez, solo quedad 99 artculos, de los cuales 19 son defectuosos. Cada vez que calculamos ( | ), esencialmente estamos calculando ( ) respecto al espacio muestral reducido A, en vez de espacio muestral original S. Consideremos el diagrama de Venn como se muestra en la figura.

Cuando calculamos ( ) nos preguntamos qu tan probable es que estemos en B, sabiendo que debemos estar en S, y cuando evaluamos ( | ) nos preguntamos qu tan probable es que estemos en B, sabiendo que debemos estar en A. (Esto es, el espacio muestral de ha reducido de S a A). Ejemplo: Supnganos que en una oficina hay 100 mquinas calculadoras. Algunas de esas mquinas son elctricas (E), mientras que otras son manuales (M). Adems, algunas son nuevas (N), mientras las otras son usadas (U). En la siguiente tabla da el nmero de mquinas de cada categora. Una persona entra en la oficina, escoge una mquina al azar y descubre que es nueva. Cul es la probabilidad de que sea elctrica? En trminos de la notacin presentada deseamos calcular ( | ) E 40 20
U

M 30 10 40

70 30 100

60

Slo considerando el espacio muestral reducido N (es decir, las 70 mquinas nuevas), tenemos que: tenemos que: ( | ) ( ( ) ) ( | ) Usando la definicin de probabilidad condicional,

La consecuencia ms importante de la definicin de probabilidad de la definicin de probabilidad condicional anterior se obtiene escribindola de la manera siguiente: ( Lo que equivale a: ( ) ( | ) ( ) ) ( | ) ( )

Esto tambin se conoce como el teorema de multiplicacin de probabilidades. Podemos aplicar este teorema al clculo de la probabilidad en la ocurrencia simultnea de los dos eventos A y B.

3.4 Consideraciones independencia.

esquemticas;

probabilidad

condicional

La solucin esquemtica siguiente puede ser til para comprender el concepto de probabilidad condicional. Supngase que A y B son dos eventos asociados con un espacio muestral, para el cual las distintas probabilidades se indican en el diagrama de Venn que aparece en la figura.

Por la tanto, (

( )

( )

En seguida, representemos las diversas probabilidades con las reas de los rectngulos como en la figura siguiente. En cada caso, las regiones sombreadas indican el evento B: en el rectngulo de la izquierda representamos y en el de la derecha

Supongamos ahora que deseamos calcular ( | ). As slo necesitamos considerar A; esto es, A puede ignorarse en los clculos. Notemos que la proporcin de B en A es . ( | ) (Esto lo podemos verificar al aplicar la ecuacin) (3.1): ( | ) ( ) ( ) ). Por lo tanto, P( | ) ; el diagrama que representa esta probabilidad condicional se ilustra en la figura.

Ntese tambin que si A se da como ocurrido, todas las probabilidades (es decir; 1) se deben asociar con el evento A, mientras que ninguna de las probabilidades (es decir, 0) est asociada con A. An ms, ntese que en el rectngulo izquierdo, que representa A, slo las colocaciones individuales han cambiado de ambas figuras (sumando 1 en vez de 0.4). Sin embargo, las proporciones dentro del rectngulo permanecen iguales (es decir, 3:1). Ilustremos la nocin de independiente usando el procedimiento esquemtico presentado anteriormente. Supnganos que los eventos A y B se dibujan en la siguiente figura ilustrada. En ese caso, las proporciones en los dos rectngulos, que representan A y A, son las mismas: 3:1 en ambos casos. As tenemos ( ) ( )

Finalmente, por simple inspeccin de la figura podemos calcular las otras probabilidades condicionales: ( | ) ( | ) (puesto que 1/5 del rea total rectangular que representa B est ocupado por A),

Distribucin Binomial.
Sea un experimento aleatorio en el que slo puedan darse dos posibilidades: que ocurra un determinado suceso A, que llamaremos xito, o que no ocurra dicho suceso, o sea que ocurra su complementario, que llamaremos fracaso. A Se conoce la probabilidad de ocurrencia del suceso A, y por lo tanto la de su complementar ( ) ( )

Se repite el experimento n veces en las mismas condiciones (independencia). Se define la variable aleatoria Binomial: X: n de veces que ocurre el suceso A (n xitos) en n realizaciones independientes del experimento. Por lo tanto, X: 0, 1, 2 , 3, n ( )

Ejemplo: Supngase que los artculos que salen de una lnea de produccin se clasifican como defectuosos (D) o no defectuosos (N) y que se eligen al azar tres artculos de la produccin de un da, los cuales se clasifican de acuerdo con este esquema. El espacio mu tral para este experimento, digamos S, puede describirse as: * (Otra manera de describir S es como * +) , donde cada + , el producto cartesiano de

Supongamos que con probabilidad 0.2 un artculo es defectuoso y, por lo tanto, con probabilidad 0.8 un artculo es no defectuoso. Supongamos que esas probabilidades son iguales para cada artculo, al menos durante nuestro estudio. Finalmente, supongamos que la clasificacin de cualquier artculo particular es independiente de la clasificacin de cualquier otro artculo. Usando estas suposiciones, se deduce que las probabilidades asociadas con los diversos resultados del espacio muestral S, como antes se describi, son ( ) ( )( ) ( )( ) ( )( ) ( )( ) ( )( ) ( )

Usualmente nuestro inters no se enfoca hacia los resultados individuales de S, sino que slo deseamos saber cuntos artculos defectuosos se encuentran (sin tomar en cuenta el orden en que ocurrieron). Es decir, deseamos considerar la variable aleatorio X que asigna a cada uno de los resultados el nmero de artculos defectuosos encontrados en s. + Por tanto, el conjunto de valores posibles de X es * Podemos obtener la distribucin de probabilidades para sigue: X = 0 si y slo si ocurre N N N; X = 1 si y slo si ocurre D N N, N D N o N N D; X = 2 si y slo si ocurre D D N, D N D o N D D; X = 3 si slo si ocurre D D D. (Ntese que * + equivale a * +, etc.) Por lo tanto, ( ) ( ) como

( ) ( ) (

( )

) (

) ) (

( ) ) ( )

( (

)(

) )( )

Ntese que la suma de estas probabilidades es igual a 1, porque la suma se puede escribir ( ) Observacin: La exposicin anterior ilustra cmo las probabilidades en el recorrido +) son inducidas por las propiedades definidas en el espacio (en este caso, * muestral S, porque la suposicin de que los ocho resultados de * + .

Tiene las propiedades dadas en el ejemplo, determina el valor de p(x) para toda Generalicemos ahora las nociones presentadas en el ejemplo anterior.

Definicin. Consideremos un experimento . Supongamos que ( ) y, por lo tanto, ( ) Consideremos repeticiones independientes de . Por lo tanto, el +, donde cada espacio muestral consiste en todas las sucesiones posibles * es , segn ocurra en la -sima repeticin de . (Hay de tales sucesiones). Aun ms, supongamos que ( ) es el mismo para todas las repeticiones. Definamos la variable aleatoria X como sigue: X = nmero de veces que ocurri el evento A.

Llamamos a X una variable aleatoria binomial con los parmetros . Sus valores posibles obviamente son . (Decimos en forma equivalente que X tiene una distribucin Binomial.) Las repeticiones individuales de se llamarn ensayos de Bernoulli. Teorema. Sea X una variable Binomial con base en Entonces ( ) . / ( ) repeticiones.

Demostracin: Consideremos un elemento particular del espacio muestral que satisfaga la condicin de que X = k. Tal resultado aparecera, por ejemplo, si las primeras k repeticiones de resultase en la ocurrencia de A, mientras que las ltimas repeticiones resultasen en , es decir:

Distribuciones Continuas y Discretas de Probabilidad.

Distribuciones Continuas.
En R es posible calcular valores relacionados con las distribuciones de probabilidad de las principales variables aleatorias discretas. Los nombres reservados a algunas de esas distribuciones son: Binomial: binom Hipergeomtrica: hyper Poisson: pois Binomial negativa: nbinom Geomtrica: geom. Los nombres anteriores, sin embargo, no son sentencias de R que produzcan una salida vlida. Es necesario anteponerles los prefijos d para la funcin de masa o funcin de probabilidad, p para la funcin de distribucin acumulada, r para generar valores aleatorios y q para la funcin cuantil (inversa de la funcin de distribucin). Ejemplos: Calcular la probabilidad de que una variable aleatoria binomial de parmetros tome el valor 4: ( , ( , Probabilidad acumulada en el valor 5 (se incluye la probabilidad de este valor) de una variable aleatoria de Poisson de parmetro l=2: ) )

> ppois(5,2) [1] 0.9834364