1

UNIDAD N 1

PROBABILIDAD

1.- INTRODUCCION
Los juegos de azar (el astrgalo, los dados,etc.) se remontan al alba de las primeras civili-
zaciones. Se jugaba a los dados en Egipto hacia el 3500 antes de nuestra era. Eran juegos
o prcticas religiosas de adivinacin?.

El azar es entendido como causa desconocida, es el que ocasiona sucesos inespe-
rados o extraos, y que a veces surge a travs de fuerzas incontroladas de origen mgico
o divino.

Durante el primer milenio, la influencia en Europa de la religin cristiana interrum-
pe toda especulacin sobre el azar, incompatible con el dogma sobre el poder divino y los
juegos de azar fueron condenados por la Iglesia.

La mayora de los comerciantes, banqueros y juristas de los siglos XIV y XV deban
integrar las eventualidades del azar en sus clculos empricos sobre los seguros de una
mercanca o el reparto de los intereses en funcin del dinero colocado en esas asociaciones.

La bsqueda de relaciones matemticas es apoyada por los nobles que buscan una
forma de ganar en sus apuestas. La idea de probabilidad surge en el siglo XVIII. As es
como Pascal y Fermat, entre otros, comienzan a esforzarse para encontrar leyes que expli-
quen los juegos de azar. Por otra parte, los problemas iniciales de naturaleza probabilstica
se originaron en diversos campos del comportamiento humano.

Al margen de estas ideas de probabilidad, durante los siglos XVIII y XIX los eco-
nomistas, las compaas de seguros, los demgrafos, etc., haban desarrollado tcnicas de
recuentos, de ordenacin, etc., de lo que actualmente se conoce como estadsticas. Como
consecuencia de esto surge inmediatamente la idea de regularidad estadstica en el sentido
de que en poblaciones muy grandes la mayora de los ndices construidos tendan a mante-
nerse constantes.

2
El paso ms importante que se da ms adelante es la vinculacin entre la regulari-
dad de las estadsticas y la de los juegos de azar en el sentido de que existe una base comn
entre una gran poblacin y una serie de repeticiones de un juego de azar.

Todo este proceso histrico apoyado por el desarrollo de la matemtica y muy espe-
cialmente por la formulacin de la teora de la medida culmina con la teora axiomtica de
Kolmogorov en 1933. Este clebre matemtico ruso crea la teora axiomtica de la probabi-
lidad independientemente de las diferentes concepciones histricas y filosficas. No obs-
tante, esta teora permite resolver en la prctica todos los problemas planteados y resueltos
por los diferentes enfoques histricos y adems otros que a los que las teoras anteriores no
pudieron dar una respuesta satisfactoria. La teora probabilstica de Kolmogorov y sus su-
cesores construye el cimiento cientfico de lo que en este siglo ha dado en llamarse la Esta-
dstica.

Para comenzar a introducirnos en la idea de probabilidad necesitamos precisar al-
gunos conceptos.


2.- CONCEPTOS PREVIOS

2.1.-EXPERIMENTOS
Vamos a clasificar a los experimentos en dos categoras : experimentos aleatorios y expe-
rimentos no aleatorios o determinsticos.

Un experimento aleatorio es un experimento en el que no se conoce con certeza el
resultado. Por ejemplo, si arrojamos un dado y nos preguntamos cul ser la cara hacia
arriba, ste es un experimento aleatorio. En efecto sabemos que el resultado ser uno o dos
o tres o cuatro o cinco o seis pero no exactamente cul de ellos.

Un experimento no aleatorio o determinstico es un experimento en el que se co-
noce exactamente el resultado. Por ejemplo si se suelta un objeto en el aire y se observa si
se cae o no, el resultado es obviamente que se cae.

3
2.2- ESPACIO MUESTRAL (S)
El conjunto de todos los resultados posibles de un experimento aleatorio se llama espacio
muestral.

Ejemplo 1
En el experimento de arrojar un dado legal y observar el resultado, el espacio muestral es:
6 , 5 , 4 , 3 , 2 , 1 S

Ejemplo 2
Si se est interesado en la distribucin de las edades de los habitantes de una ciudad y se
considera el experimento de observar la edad de uno de sus individuos, entonces puede
considerarse como espacio muestral.
S = conjunto de los nmeros reales no negativos o bien a S , 0
donde a es nmero real tal que en este intervalo queden comprendidas las edades de todos
los habitantes de la ciudad.

Un espacio muestral puede ser discreto o continuo. Un espacio muestral es discre-
to si contiene: 1) un nmero finito de puntos, 2) un nmero infinito de puntos (infinito
numerable) que pueden ponerse en correspondencia uno a uno con los nmeros naturales.
Como en el Ejemplo 1.

Un espacio muestral es continuo si se asocia a un intervalo real. Como en el Ejem-
plo 2.

Discreto Ej 1 : 6 , 5 , 4 , 3 , 2 , 1 S
S S= subconjunto de los nmeros naturales
Continuo Ej 2: a S , 0





4
2.3.- SUCESO
Cada punto del espacio muestral es un resultado posible del experimento. El trmino suce-
so est vinculado al concepto de experimento aleatorio.

Si bien vamos a precisar este concepto ms adelante, podemos decir, en general,
que un evento o suceso es cualquier subconjunto de un espacio muestral. Volviendo al
ejemplo del experimento aleatorio relacionado con el dado, un evento (o suceso) es el sub-
conjunto 6 , 4 , 2 A que surgira como resultado de observar un nmero par. En ge-
neral, los sucesos los designaremos con una letra mayscula imprenta.

Si consideramos el suceso que salga el nmero 7 este no se puede dar, por lo
tanto, el suceso es imposible. A este suceso se lo representa con el smbolo " " .

Otro suceso sera por ejemplo que salga un nmero menor que 7 ; en este caso
el suceso est formado por todos los elementos del espacio muestral; o sea es el mismo
espacio muestral S. A este suceso se lo llama suceso seguro.


Suceso

Suceso elemental Suceso compuesto Suceso imposible Suceso cierto
1 1
s S ;
2 2
s S 6 , 4 , 2 A
A
S A



Al final de esta unidad, en un apndice, se da un breve resumen de Teora de Con-
juntos.







5
3.- DEFINICIONES DE PROBABILIDAD

3.1.- PROBABILIDAD CLSICA
Concepto clsico de probabilidad o probabilidad a priori: Dado un espacio muestral
finito S, tal que cada suceso elemental sea igualmente verosmil, entonces la probabilidad
de un suceso S A , es:

A P =
posibles resultados de nmero
favorables resultados de nmero
de elementos de nmero
A de elementos de nmero
S


Si en el ejemplo 1, referido al experimento de arrojar un dado no cargado se desea
calcular la probabilidad de obtener una puntuacin par, se tiene:
6 , 4 , 2 A ; 5 . 0
6
3
A P

Del concepto clsico de probabilidad surge que la probabilidad le asigna a un suce-
so un nmero real entre 0 y 1.

Luego la probabilidad de que salga un resultado par en el experimento del dado es
0.5 o, en trminos de porcentajes, el 50%.

Si somos un poco ms cuidadosos en el anlisis de la definicin clsica debemos
considerar que la expresin de clculo de una probabilidad como el cociente del nmero de
casos favorables sobre el nmero de casos posibles es vlida siempre y cuando todos los
resultados sean igualmente plausibles. Qu significa igualmente plausibles?.

Intuitivamente en el caso del dado esto significa que: no hay razones para suponer
que si nos preguntramos por la probabilidad de cada una en particular de las caras del da-
do (por ejemplo, por la probabilidad de que salga el nmero 5) ella sera distinta. En otras
palabras, contamos con un dado legal.




6
3.1.1.-DIFICULTADES DEL CONCEPTO CLSICO DE PROBABILIDAD:

1. Igualmente plausibles significa literalmente igualmente probables y no se puede
definir el concepto de probabilidad usando el mismo concepto.
2. No se puede utilizar para calcular probabilidades de sucesos en experimentos donde
la idea de igualmente plausibles no se puede aceptar ni siquiera intuitivamente.
Por ejemplo, si realizamos un experimento con un dado que ha sido cargado para
que una de las caras quede ms probablemente hacia arriba.
3. El espacio muestral debe ser finito.


3.2.-PROBABILIDAD FRECUENCIAL PROBABILIDAD A POSTERIORI
Este concepto fue formulado por Richard Von Mises, se basa en la experimentacin y en el
principio de estabilidad de la frecuencia relativa de un suceso cuando el experimento se
repite un gran nmero de veces de manera tal que el resultado de una repeticin no influya
el de otra (ensayos independientes).

Supongamos, por ejemplo, que realizamos un experimento aleatorio como el de
arrojar un dado y preguntarnos por la probabilidad de que salga el nmero 1. Si el dado es
"legal", es decir, todas las caras tienen la misma posibilidad de aparecer hacia arriba, esta
probabilidad sera de 1 en 6, es decir, 1/6 y esto lo podramos comprobar arrojando el dado
100 veces o cualquier nmero "grande" de veces.

Sin embargo, si no podemos suponer que "todas las caras tienen la misma posibi-
lidad de aparecer hacia arriba" o en otras palabras no podemos calcular la probabilidad
en forma clsica, si arrojamos una gran cantidad de veces (n veces con n grande) el dado,
entonces esta proporcin puede no aproximarse a 1/6 pero se aproximar a la proporcin
correspondiente a su "peso" entre los posibles resultados.

Formalmente, podramos expresarlo:

n
o experiment del ntes independie ensayos n en A suceso del s ocurrencia de nmero
n
A P lim
.

7
Para ilustrar esta idea se puede simular la situacin de lanzar un dado un nmero
grande de veces, legal y no legal, y ver a qu nmero se aproxima la frecuencia relativa de
obtener algn nmero en particular. Para hacer esta experiencia siga los siguientes pasos
utilizando el programa R


3.2.1.-EXPERIENCIA
1. Se lanzan tres dados legales distinto nmero de veces
dado1=sample(1:6,12,replace=TRUE)
data.frame(table(dado1))
data.frame(table(dado1)/12)

dado2=sample(1:6,120,replace=TRUE)
data.frame(table(dado2)/120)

dado3=sample(1:6,1200,replace=TRUE)
data.frame(table(dado3)/1200)
Resuma los resultados observados

2. Se lanzan tres dados no legales distinto nmero de veces
dado11=sample(1:6,12,replace=TRUE,prob=c(0.5,0.25,0.15,0.04,0.03,0.03))
data.frame(table(dado11))
data.frame(table(dado11)/12)

dado12=sample(1:6,120,replace=TRUE,prob=c(0.5,0.25,0.15,0.04,0.03,0.03))
data.frame(table(dado12)/120)

dado13=sample(1:6,1200,replace=TRUE,prob=c(0.5,0.25,0.15,0.04,0.03,0.03))
data.frame(table(dado13)/1200)
Resuma los resultados observados

Pruebe de repetir esta experiencia con el lanzamiento de una moneda, legal o no.

8
La limitacin del concepto frecuencial de probabilidad es que en algunos casos es
muy difcil o humanamente imposible repetir un experimento un gran un nmero de veces.

Tanto el concepto clsico como el concepto frecuencial de probabilidad resultan ca-
sos particulares de una teora ms general, basada en el concepto axiomtico de la probabi-
lidad.


3.3.- PROBABILIDAD AXIOMTICA

3.3.1.- DEFINICIN FUNCIN PROBABILIDAD
Sea S un conjunto no vaco y P(S) el conjunto de las partes de S. Se llama funcin probabi-
lidad a cualquier funcin,
P: P(S) [0,1]
que cumple los siguientes axiomas:

i) 1 S P
ii) Para cualquier sucesin
n
A de conjuntos de P(S), disjuntos dos a dos
j i A A
j i
, se verifica:

n
n
n
n
A P A P
1
1




3.3.2.-OBSERVACIONES
1. La funcin probabilidad tiene como dominio una familia de conjuntos.
2. A cada elemento del conjunto de las partes de S, P(S), la funcin P le asigna un nme-
ro real entre 0 y 1.
3. En ii)
n
n
A P
1
es una suma de nmeros no negativos en [0,1] que debe ser conver-
gente.

9
4. Tal como se ha definido, pareciera que la funcin probabilidad es un concepto dema-
siado abstracto como para asociarlo con el concepto clsico, sin embargo, veremos mas
adelante, que, bajo ciertas condiciones, esta definicin coincide con la clsica.


3.3.3.- DEFINICIN DE ESPACIO DE PROBABILIDAD
Sea S el espacio muestral asociado a un experimento aleatorio y P una funcin probabili-
dad definida en el conjunto de las partes de S , P(S), se llama espacio de probabilidad al par
(S, P ).

Teniendo como base esta estructura probabilstica, es decir contando con un espacio
de probabilidad se puede probar que esta nueva funcin verifica muchas propiedades. Se
mencionarn alguna de ellas.


3.3.4.- PROPIEDADES DE LA PROBABILIDAD
Sea (S, P) un espacio de probabilidad, entonces:

Propiedad 1: P( ) = 0.

....
As, el conjunto vaco puede escribirse como una unin numerable de conjuntos
disjuntos dos a dos. Luego, por el axioma ii) de probabilidad, resulta:
) (
1 n
P P o, lo que es lo mismo,
P n P
n
lim
Sabemos que P tiene que ser cero o un nmero positivo (menor que uno).
Supongamos que 0 a P . Entonces la expresin anterior resulta:
n a n a P
n n
lim lim lo cual es un absurdo!!.
Luego,
0 P

10
Propiedad 2: Si A
1
, A
2
, .... , A
n
P(S) y A
i
A
j
= , (para i j) entonces
i
n
1 i
i
n
1 i
A P A P

Utilizando los sucesos disjuntos dos a dos dados: A
1
, A
2,
........, A
n
y el conjunto va-
co, definimos una sucesin de conjuntos disjuntos dos a dos de la siguiente manera:

n k si , A
n k si ,
B
k
k
k
Evidentemente, k
1 k
k
n
1 k
k
1 k
k
n
1 k
B P A P y B A

Adems, por el axioma ii) de la definicin de probabilidad, es:

) P(B ) P(B ) P(B B P A P
1 n k
k
n
1 k
k
1 k
k k
1 k
k
n
1 k

n
1 k
k
1 n k
n
1 k
A P ) P(
k
A P



Propiedad 3: Sea (S, P) un espacio de probabilidad, entonces si A P(S) en-
tonces
P( A ) = 1 - P(A)

Dado cualquier suceso A, el espacio muestral S puede expresarse como la unin disjun-
ta: A A


11
Luego, por pp2 y el axioma i) de probabilidad:

1 = P(S) = P( A A ) = P(A) + P( A)
de donde: P ( A) = 1 - P(A)


Propiedad 4: Sea (S, P) un espacio de probabilidad, entonces:
P es una funcin no decreciente: si A B entonces P(A) P (B)

Sean A y B dos sucesos tales que: A B. B puede expresarse como una unin dis-
junta: B = (B - A) A.

En consecuencia, por pp2:
P(B) = P(B-A) + P(A) y, ya que P(B - A) 0, resulta: P(B) P(A).



Propiedad 5: Si A, B P(S) y A B entonces
P(B - A) = P(B) - P(A)

Sean, como en la propiedad anterior, A y B dos sucesos tales que: A B. B puede ex-
presarse como la unin disjunta: B = (B - A) A.
En consecuencia, por pp2:
P(B) = P(B-A) + P(A)
de donde P(B - A) = P(B) - P(A).

12
Propiedad 6: Si A, B P(S) entonces
P(A B) = P(A) + P(B) - P(A B)

Sean A y B dos sucesos cualesquiera (no necesariamente disjuntos).
Grficamente se puede observar que la unin A B puede expresarse como

y, en consecuencia, por pp2 es: P(A B) = P(B) + P(A - B) (1)

Tambin A puede expresarse como la unin disjunta:
A = (A - B) (A B),
de donde, por pp2,

P(A) = P(A - B) + P (A B) , o bien, P(A - B) = P(A) - P (A B) (2)
Luego, reemplazando (2) en (1):
P(A B) = P(B) + P(A)- P(A B)


Propiedad 7: Teorema de la aditividad (es una generalizacin de pp6):
Si A
1
, A
2
, .... , A
n
P(S) entonces
) A ... A P(A (-1) ......
A A A P ) ( ) A A ( P ) ( A P A P
n 2 1
1 - n
i i i
n i i i n j i
j i k
n
k
k
n
k
3 2 1
3 2 1
1
2
1 1
1
1 1


13
3.4.- COINCIDENCIA ENTRE LA DEFINICIN CLSICA Y AXIOMTICA DE
PROBABILIDAD
Sea el experimento de lanzar un dado no cargado y observar la cara hacia arriba. Cul es
la probabilidad de obtener un nmero impar?.
El conjunto de resultados posibles de este experimento es } 6 , 5 , 4 , 3 , 2 , 1 { S . Al
ser un dado legal, para la funcin P: P(S) [0, 1], definida en el conjunto P(S), partes de
S, se conoce que todos los resultados del espacio muestral son igualmente probables es
lo mismo decir que el espacio muestral es equiprobable. En smbolos:
P({1}) = P({2}) = P({3}) = P({4}) = P({5}) = P({6}) = 1/6

Para calcular la probabilidad de obtener un nmero impar, se considera el suceso:
A: "el resultado es impar " es 5 , 3 , 1 A

1. Clculo con la definicin Clsica:

A P =
posibles resultados de nmero
favorables resultados de nmero
S de elementos de nmero
A de elementos de nmero


6
3
A P



2. Clculo con la definicin Axiomtica

Sea la funcin probabilidad P: P(S) [0, 1], que cumple ciertos axiomas.
Sea el suceso 5 , 3 , 1 A definido en el P(S) , se puede escribir como unin de
sucesos disjuntos entre s de la forma
5 3 1 A
Luego, teniendo en cuenta propiedades de la funcin probabilidad,
6
1
6
1
6
1
5 3 1 5 3 1 P P P P A P


6
3
A P

Ambos conceptos, clsico y axiomtico, arrojan el mismo resultado.

14
3.4.1- DEMOSTRACIN
El anterior es un ejemplo de un espacio finito equiprobable, es decir, un espacio de proba-
bilidad en el que el espacio muestral S es finito:
n
s s s S , , ,
2 1

y la probabilidad es
igual para todos los sucesos con un slo elemento,
a s P s P s P
n

2 1

Ya que
n
s s s S
2 1
(unin disjunta), por pp2 debe ser
1 }) ({ P
1
a n s S P
n
j
j de donde a = 1/n

De esta forma, si A es un suceso con un nmero k de elementos

} ,..... , {
jk j2 j1
s s s A
, entonces:
k
n
s P A P
k
i
jk
1
}) ({
1


posibles casos de nmero
favorables casos de nmero
elementos de total nmero
A de elementos de nmero
n
k
P(A)


Que coincide con la definicin clsica de probabilidad. Luego,

Si el espacio es finito y equiprobable, las definiciones clsica y axiomtica
coinciden.

Evidentemente, no todos los espacios finitos son equiprobables. En el experimento
de arrojar un dado cargado, por ejemplo, la probabilidad de obtener una cara del dado de-
pende de la forma en que se haya cargado el dado.
En este caso, P(s
j
) = p
j
, j = 1,..., n con la condicin de p
j
= 1.
Un espacio como ste se llama espacio finito no-equiprobable y, aqu , evidente-
mente, las definiciones clsica y axiomtica no coinciden.

Existe otra funcin de probabilidad, de aplicaciones muy interesantes, que se
presentar a continuacin


15
4.- PROBABILIDAD CONDICIONAL

Se analizarn algunos ejemplos para introducir este nuevo concepto.

Ejemplo 3
En el experimento de arrojar un dado legal y observar el resultado de la cara hacia arriba,
se podra requerir la probabilidad de que el resultado sea par si ya se sabe que es mltiplo
de 3.
Si es A el evento el resultado es par (A = {2, 4, 6}) , B el evento el resultado es
mltiplo de 3 (B = {3,6}) y ya se sabe que ocurri B, en realidad a los efectos del clculo
de la probabilidad no interesa el espacio muestral total sino slo B y, en este caso eviden-
temente, la probabilidad requerida es 1/2. Si se indica con A B al suceso ocurre A dado
que B ocurri, es:
2 / 1
6 / 2
6 / 1
) (
) (
) P(A
B P
B A P
B
donde: P(B) = P ( 3,6}) = 2/6 ; P(A B) = P( 6}) = 1/6


Ejemplo 4
En el conjunto de todas las familias de una ciudad que tienen exactamente dos hijos se con-
sidera el sexo del hijo mayor y el del hijo menor y al resultado se lo indica con un par or-
denado donde la primera componente es el sexo del primer hijo y la segunda, el sexo del
hijo menor. El espacio muestral es as: S = {(v,v) , (v,m), (m,v), (m,m)}.
Si S es un espacio equiprobable, cada par ordenado en S, pensado como un suceso,
tiene la misma probabilidad de ocurrir y ella es igual a 1/4.
Si se sabe que una familia tiene un hijo varn, Cul es la probabilidad de que am-
bos sean varones?
Sean los sucesos: A: los dos hijos son varones, A = {(v,v)} B: uno de los hijos
es varn, B ={(v,v) , (v,m), (m,v)}.

3 / 1
4 / 3
4 / 1
) (
) (
) P(A
B P
B A P
B


16
4.1- DEFINICIN DE PROBABILIDAD CONDICIONAL
Dado un espacio de probabilidad (S, P) y un suceso B P(S) tal que P(B) 0, para cada
suceso A P(S), la probabilidad condicional de A dado B (o de A sabiendo que ocurri
B), denotada P(A B) , es:

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

Observacin: La probabilidad condicional se puede pensar como otra funcin probabilidad
definida en el mismo espacio. En efecto, sea (S, P) un espacio de probabilidad y B S un
suceso tal que P(B) 0 (debe quedar claro que B es un evento fijo).

Sea P
B
: P(S) [0,1],
) (
) (
B P
B A P
B) P(A A P
B
.

Esta nueva funcin P
B
definida a partir de P en P (S) , es tambin una probabilidad.
En efecto,
1) 1
) (
) (
) (
) (
B P
B P
B P
B S P
B S P S P
B

2) Sea
n
A una sucesin de conjuntos de S, disjuntos dos a dos
j i A A
j i
, entonces:
) P(B
B A P
B A P A P
1 n
n
1 n
n n
1 n
B
U
U

Por propiedad distributiva de la interseccin respecto de la unin de conjuntos,


1 n
n B
1 n
n
n
n n
n
n
n
) (A P B | P(A
P(B
B P(A
B P
B A P
B P
B A P
)
)
)
) (
) (
) (
) (
1
1
1
U


As, para cada suceso B con probabilidad no nula, P
B
, es tambin una probabilidad.

Otro concepto muy importante en este contexto es el de Independencia Probabils-
tica, se analizarn algunos ejemplos para entender esta idea.

17
5.- INDEPENDENCIA ESTOCSTICA

En algunas experiencias el conocimiento de que ha ocurrido un suceso o se tiene informa-
cin sobre el mismo (en el sentido probabilstico) puede modificar (o no) la informacin de
otros sucesos. Para concretar estas ideas veamos un ejemplo:

Ejemplo 5
Suponga que, en una evaluacin, el 70% del profesorado de una institucin educativa al-
canza calificacin satisfactoria, el 10% del profesorado alcanza calificacin muy satisfac-
toria. Adems se sabe que el 59% tiene ms de 40 aos, y que el 41,3% tiene ms de 40
aos y alcanz una calificacin satisfactoria.
Considere los eventos:
A:evaluado satisfactoriamente
C:evaluado muy satisfactoriamente
B:ms de 40 aos de edad

1) Se quiere calcular la probabilidad de que un profesor resulte evaluado satisfac-
toriamente sabiendo que tiene ms de 40 aos
70 0. A P 59 0. B P 413 0. B A P
En base a esta informacin podemos calcular la probabilidad de que un profesor re-
sulte evaluado satisfactoriamente sabiendo que tiene ms de 40 aos, es decir

70 0
59 0
413 0
.
.
.
B P
B A P
B A P

Vemos que
A P ) B A ( P
Este resultado indica que al calcular la probabilidad de que ocurra el suceso A, no
influye el hecho de que haya ocurrido el suceso B. Esto refleja la idea de que la ocurrencia
de B no afecta la ocurrencia del suceso A.
Intuitivamente cuando la ocurrencia de un suceso no afecta la ocurrencia del otro, se
dice que ambos sucesos son estadsticamente independientes.

18
En este caso, se podra haber planteado la pregunta, Son los eventos A y B inde-
pendientes estadsticamente?, por el resultado obtenido, se puede afirmar que estos sucesos
son independientes.

2) Se quiere calcular la probabilidad de que un profesor tenga ms de 40 aos sa-
biendo que result evaluado muy satisfactoriamente. lo que es lo mismo preguntar Son
los eventos B y C independientes?
P ( C ) = 0,10 P( B 0 ) C
0
10 , 0
0
) (
) (
C P
C B P
C B P
Vemos que
B P C B P ) (

Esto nos conduce a decir que los sucesos B y C no son independientes


5.1.-DEFINICIN DE SUCESOS INDEPENDIENTES
Sean A y B dos sucesos en el espacio de probabilidad (S,P). A y B son sucesos indepen-
dientes si slo si se cumple una de las siguientes afirmaciones:
i. P(A B) = P(A).P(B)
ii. P(A|B) = P(A) siempre que P(B) 0.
iii. P(B|A) = P(B) siempre que P(A) 0.

Observaciones
Si los sucesos A y B tienen ambos probabilidad positiva (no nula) las tres afirma-
ciones anteriores son completamente equivalentes. Es decir, cualquiera de ellas
puede ser usada para comprobar la independencia o no de dos sucesos.
La primera afirmacin es ms general que las otras dos en el sentido de que vale
tambin cuando los dos sucesos (o uno de ellos) tienen probabilidad nula.
La independencia de dos sucesos es un concepto diferente de la idea de eventos mu-
tuamente excluyentes. En general, ninguno de ellos implica al otro.
Dos sucesos son mutuamente excluyentes e independientes si y slo si al menos
uno de ellos es el conjunto vaco.

19
El concepto de independencia de dos sucesos puede extenderse para cualquier n-
mero finito de sucesos. Esta generalizacin se expresa a continuacin.


5.2.-GENERALIZACIN DE LA DEFINICIN DE INDEPENDENCIA PARA
CUALQUIER NMERO FINITO DE SUCESOS
Sean A
1
,A
2
, ....,A
n
sucesos en el espacio de probabilidad (S,P). Estos sucesos son inde-
pendientes si y slo si la probabilidad de la interseccin de cualquier subconjunto de ellos
es igual al producto de las probabilidades de cada uno de los miembros de la interseccin.

Por ejemplo, tres sucesos A
1
,A
2
y A
3
son independientes si y slo si se cumplen las
afirmaciones siguientes:

P(A
1
A
2
) = P(A
1
).P(A
2
), P(A
1
A
3
) = P(A
1
).P(A
3
), P(A
2
A
3
) = P(A
2
).P(A
3
).
P(A
1
A
2
A
3
) = P(A
1
). P(A
2
).P(A
3
),


6.- TEOREMA DE BAYES

6.1.- INTRODUCCIN
El autor de este teorema, el Reverendo Thomas Bayes, estaba dividido en el conflicto de
moldear el carcter mediante la religin, o hacerlo a travs de la educacin del intelecto
mediante la ciencia.

Como sacerdote y como matemtico, estaba afectado por las relaciones causa - efec-
to. Tanto que el teorema que lleva su nombre como el concepto de "probabilidad subjetiva"
de l derivado produjeron una revolucin en el tiempo.

Thomas Bayes naci en Londres (1702), Inglaterra. Su padre fue ministro presbite-
riano. Posiblemente De Moivre fue su maestro particular, pues se sabe que por ese enton-
ces ejerca como profesor en Londres. Bayes fue ordenado ministro presbiteriano y muere
en 1761.


20
Miembro de la Royal Society desde 1742, Bayes fue uno de los primeros en utilizar
la probabilidad inductivamente y establecer una base matemtica para la inferencia proba-
bilstica.

Public numerosos trabajos. Sin embargo, en 1763, dos aos despus de su muerte,
se publica Essay Towards Solving a Problem in the Doctrine of Chances, en el que tra-
taba el problema de las causas a travs de los efectos observados, y donde se enuncia el
teorema que lleva su nombre. El trabajo fue entregado a la Royal Society por Richard Price
y es la base de la Inferencia Bayesiana.

En este curso la Inferencia Estadstica que se ver descansa nicamente en la evi-
dencia muestral. ste se conoce como el enfoque clsico.

Sin embargo, existe otro punto de vista para abordar la Inferencia Estadstica, cono-
cido como Inferencia Bayesiana, que utiliza adems de la evidencia muestral otra infor-
macin generalmente proporcionada por el investigador del problema.

Tal informacin descansa de manera fundamental en la conviccin o grado de
creencia del investigador respecto de las incertidumbres del problema antes de que dispon-
ga de la evidencia muestral. Este conocimiento puede estar basado en resultados anteriores
producto de investigaciones previas.

En ambos enfoques, el clsico y el bayesiano, siempre se evalan incertidumbres en
trminos de probabilidad.

Antes de enunciar formalmente este teorema, analizaremos un ejemplo de aplica-
cin.


Ejemplo 6
Supongamos que una empresa manufacturera recibe productos de dos proveedores distin-
tos,
2 1
A y A . Actualmente el 65% de los productos provienen del proveedor 1 y el 35%

21
restante del proveedor 2. En consecuencia, si se selecciona un producto al azar de esta em-
presa asignaramos las probabilidades previas 65 0
1
. A P y 35 0
2
. A P .
La calidad de los productos vara segn su origen. Los datos histricos de la empre-
sa sugieren que el desempeo en trminos de calidad de los dos proveedores es distinto. Si
con B representamos el evento de que el producto es de buena calidad, la informacin con
que cuenta la empresa puede escribirse como sigue,

98 0
1
. A B P 02 0
1 1
. A M P ) A B ( P
95 0
2
. A B P 05 0
2 2
. A M P A B P
donde para simplificar se indica con M el evento de que el producto no sea de buena cali-
dad ( B M ).
En forma grfica tenemos


Supongamos ahora que se selecciona un producto al azar y se determina que es de
mala calidad cul es la probabilidad de que provenga del proveedor 1?. Es decir debemos
calcular M A P
1

De acuerdo con la definicin de probabilidad condicional sabemos que
M P
M A P
M A P
1
1
.
Teniendo en cuenta la informacin de la que se dispone
1 1 1
A M P A P M A P .



22
Adems
2 2 1 1
2 1
A M P A P A M P A P
M A P M A P M P

Luego, resulta
4262 0
0305 0
013 0
05 0 35 0 02 0 65 0
02 0 65 0
1
.
.
.
. . . .
. .
M A P

En este problema observamos que inicialmente si seleccionamos un producto al
azar de esta empresa tenemos una probabilidad de 0.65 de que el producto sea del provee-
dor 1. Sin embargo, ante la informacin de que el producto es de mala calidad, la probabi-
lidad de que provenga del proveedor 1 baja a 0.4262.


6.2.-ENUNCIADO DEL TEOREMA DE BAYES
Sea P S, un espacio de probabilidad y
n 2 1
A ,...., A , A sucesos con probabilidad positiva en
S, 0 ) P(A
i
, i=1,..n, tales que forman una particin de S, es decir, S A
n
i
i
1
donde
j i
A A si i j (los sucesos A
i
, i=1,..,n, son disjuntos dos a dos). Sea B un suceso
cualquiera en S con probabilidad positiva.
Entonces,
n
1 i
i i
j j
j
) )P(A A | P(B
) )P(A A | P(B
B) | P(A , j=1,...,n


23
Demostracin
B es un suceso en S, S B y, en consecuencia, B S B (1).
Por hiptesis,

n
i
i
A S
1
. Luego B S B A
1

n
i
i
=

n
i
i
1
B A (2)
Como
j i
A A si i j, entonces: B B ) A (A B) (A B) (A
j i j i

para cada i,j, tales que i j. As, los trminos de la unin en (1) son disjuntos dos a dos
(mutuamente excluyentes).
De (1) y (2) se deduce que B se puede escribir como una unin de conjuntos disjun-
tos dos a dos:

n
1 i
i
B A B

Aplicando a ambos miembros de la ltima igualdad, la funcin probabilidad resulta:

n
i
i
B A P B P
1
) ( = ) (
1
B A P
n
i
i
(3)
Por la definicin de probabilidad condicional:
) (
) (
) | (
i
i
i
A P
B A P
A B P
) | ( ) ( ) (
i i i
A B P A P B A P
(4)
Reemplazando (4) en (3) obtenemos:
) ( ) | ( ) (
1
n
i
i i
A P A B P B P
Por otra parte, y tambin por la definicin de probabilidad condicional:
) (
) (
) | (
B P
B A P
B A P
j
j

Luego, reemplazando en esta ltima expresin 4) y 2), resulta:

) ( ) | (
) ( ) | (
) | (
1
n
i
i i
j j
j
A P A B P
A P A B P
B A P
Como el suceso
j
A del primer miembro en la ecuacin anterior es cualquiera de los
que forman la particin de S (y tienen probabilidad positiva), entonces esta expresin es
vlida para cualquiera de los
j
A considerados en la hiptesis, es decir, j=1,..,n.


24
6.3.- OTROS EJEMPLOS DE APLICACIN DEL TEOREMA DE BAYES

Ejemplo 7
Consideremos el siguiente experimento en dos etapas como ejemplo de aplicacin del teo-
rema de Bayes. Supongamos que una caja contiene tres monedas: dos monedas legales y
una con dos caras.
Se selecciona una moneda al azar y al lanzarla se obtiene una cara. cul es la pro-
babilidad de que la moneda seleccionada sea la de dos cara?. Este es un experimento en
dos etapas, queremos calcular la probabilidad de un evento determinado en la primera eta-
pa dado un evento determinado por la segunda etapa.
Sea
1
C el suceso de que la moneda es legal, sea
2
C el suceso de que la moneda tie-
ne dos caras y sea H el suceso de que se obtiene una cara al lanzar la moneda. Debemos
determinar H C P
2
.
2 2 1 1
2 2
2
C H P C P C H P C P
C H P C P
H C P

2
1
1
1
3
1
2
1
3
2
3
1

Podemos interpretar este resultado en trminos de frecuencia relativa: si este expe-
rimento se repitiera en forma independientemente un gran numero de veces, entonces la
moneda de dos caras sera elegida en la primera etapa en aproximadamente la mitad de los
experimentos en donde el resultado final fuese cara.
Supongamos que la moneda seleccionada es lanzada de nuevo y que se obtiene otra
vez cara. cul es la probabilidad de que la moneda seleccionada sea la de dos cara?.

Una forma de determinar esta probabilidad es utilizar el clculo anterior. Es decir
calcular la probabilidad de manera secuencial considerando
1 2
2
1
C P C P . Indique-
mos con
2
H el suceso de que se obtiene una cara al lanzar la moneda por segunda vez, en-
tonces
3
2
1
1
2
1
2
1
2
1
2
1
2 2
H C P
.

25
Ejemplo 8
Supongamos que tenemos 3 cajas numeradas del 1 al 3. Cada caja contiene 5 bolillas, la
caja i contiene i bolillas defectuosas y 5-i no defectuosas. Consideremos el siguiente expe-
rimento aleatorio: Se selecciona una caja al azar y luego una bolilla de la caja seleccionada.
Podemos querer determinar: 1) cul es la probabilidad de que la bolilla selecciona-
da sea defectuosa?, 2) dado que la bolilla seleccionada es defectuosa, cul es la probabili-
dad de que provenga de la caja 3?.
Con
i
A indicamos el suceso se selecciona una bolilla de la caja i, 3 , 2 , 1 i y con
B al suceso se selecciona una bolilla defectuosa.
A partir de la informacin suministrada sabemos que
5
i
A B P
i
para 3 , 2 , 1 i y
que
3
1
i
A P .
1) La probabilidad de que la bolilla seleccionada sea defectuosa est dada por
15
6
15
1
5 3
1
3
1
3
1
3
1 i i i
i i
i
i
A B P A P B P
2) Si se sabe que la bolilla seleccionada es defectuosa, la probabilidad de que pro-
venga de la caja 3 es
2
1
15
6
5
3
3
1
3
1
3 3
3
i
i i
A B P A P
) A B ( P A P
) B A ( P .


26

APNDICE


ELEMENTOS DE LA TEORA DE CONJUNTOS

Definicin

Un conjunto es una coleccin de objetos. Los objetos que componen el conjunto se llaman
elementos .

Ejemplo:
S ={ s/s es un departamento de Mendoza}

GodoyCruz s
1
es un elemento de S. En este caso s S.
2
s = San Juan no es un elemento de S luego
2
s S.

Subconjunto: Si cada elemento de A es tambin un elemento de B, entonces se dice que A
es un subconjunto de B y se escribe A B ( se lee A est includo en B)
B A ( se lee B incluye a A )

Complemento de un conjunto: El complemento de un conjunto A con respecto al espa-
cio S es el conjunto de elementos que estn en S y no pertenecen a A.
Se expresa por A
S
A = {x : x S x A}



Conjuntos iguales o equivalentes: Dos conjuntos son iguales si tienen los mismos ele-
mentos. El orden de los elementos o la repeticin de uno o ms de ellos no influye.
B A B A y A B

27

Operaciones con conjuntos

UNIN

B x A x x B A /


B A

B A A

B A
INTERSECCIN

B x A x x B A /




B A

B A A

B A
DIFERENCIA

B x A x x B A /

B A

B A


A B A



Conjuntos disjuntos o mutuamente excluyentes: son aquellos que no tienen elementos
comunes

Ej. A: conjunto de los nmeros pares y B: conjunto de los nmeros impares

Es decir


















B A

28
Propiedades de las operaciones con conjuntos

IDEMPOTENCIA A A A
A A A
ASOCIATIVIDAD
) ( C B A C B A
) ( C B A C B A
CONMUTATIVIDAD A B B A
A B B A
DISTRIBUTIVIDAD
C A B A C B A
C A B A C B A
IDENTIDAD
U U A
A A
A U A
A

COMPLEMENTO
A A
U A A

U U
A A


LEYES DE DE MORGAN
B A B A B A B A


Conjunto de partes de un conjunto dado:

Un conjunto (A) cuyos elementos son todos los subconjuntos de un conjunto A se de-
nomina conjunto de partes de A.

Ejemplo: Si lanzamos una moneda y llamamos c al resultado cara y s al resultado
sello (ceca), podemos escribir esos resultados en un conjunto S: S = { c, s}

P(S) = {{c}, {s}, {c, s}, }


Cardinal del Conjunto de partes de un conjunto dado
Si A es finito y tiene n elementos, P(A) tiene
n
2 elementos.