Está en la página 1de 91

PROBABILIDAD Y FUNCIONES DE

PROBABILIDAD
TEMAS:
1.TEORIA DE PROBABILIDAD

Dr. Gilberto Lpez Cantes


INTRODUCCIN
La estadstica inductiva tiene entre sus objetivos el de
cuantificar la incertidumbre que caracteriza a todo
proceso de razonamiento en el que se avanza de lo
particular a lo general.
Esta cuantificacin se realiza mediante la aplicacin
de principios probabilsticos.
Supongamos que queremos investigar la produccin de
maz por hectrea en una regin donde hay 1 000
agricultores, pero solo se tiene las producciones de 100
de ellos, y con los datos disponibles se ha construido
una tabla de frecuencias.
INTRODUCCIN
Usando la tabla podemos concluir que el 80 % produce
menos de 4 toneladas por ha; que el 50 % produce entre
2.1 y 3.4 t/ha, etc.
Todas estas conclusiones son ciertas para los 100
agricultores cuya informacin se tiene.
Supngase que nos preguntan qu porcentaje de los 1 000
productores de la regin producen menos de 4 t/ha?
Podemos contestar que el 80 %, basndonos en los
datos disponibles? Si as lo hacemos Qu tan alejados
estamos del valor verdadero? Se contesta con las
herramientas de la estadstica inductiva .
CONJUNTO Y SU LGEBRA
Conjunto: Cualquier coleccin de conceptos o de
objetos perfectamente especificada. Ej: los alumnos de
la clase de estadstica, los 11 ros del estado de Sinaloa,
etc.
Cada miembro de un conjunto ser llamado un
elemento del mismo.
Para identificar un conjunto se utilizaran letras
maysculas. Por ej: los conjuntos mencionados los
denotaremos con A y B.
CONJUNTO Y SU LGEBRA
Para especificar sin ambigedad a un conjunto requerimos
de una notacin que lo describa. Dos formas:
1.Es til si el conjunto tiene pocos elementos, consiste en
listarlos dentro de un parntesis.
2.Escribir dentro del parntesis una regla que describa los
elementos del conjunto.
Ejemplo: Para los 11 ros del Estado de Sinaloa, tenemos:
Primero
B = {Choix, Fuerte, Sinaloa, Mocorito, Culiacn, San Lorenzo, Elota, Piaxtla, Presidio,
Baluarte, Caas}
Segundo
B = {x|x es uno de los ros del Estado de Sinaloa} (Debe leerse como: B es el
conjunto de x, tales que x es ro del Estado de Sinaloa) La barra vertical quiere decir
tal que
CONJUNTO Y SU LGEBRA
En los casos anteriores los conjuntos tienen pocos
elementos y es fcil listarlos.
En algunas situaciones esto es imposible.
Considrese por ejemplo el conjunto de todos los
nmeros en el intervalo (0, 1). Este conjunto es fcil
presentarlo con la segunda opcin como sigue:

A = {x|0 x < 1}

Pero es imposible listar individualmente sus elementos


CONJUNTO Y SU LGEBRA
Notacin: Sea A un conjunto cualquiera. Para indicar que
cierto elemento pertenece al conjunto usaremos el smbolo ,
que quiere decir es un elemento de. Para indicar que un
elemento no pertenece al conjunto usaremos el smbolo , que
quiere decir no es un elemento de.

Ej: Si el nmero 2 es un elemento del conjunto A y el nmero


3 no lo es, escribiremos 2 A y 3 A.
CONJUNTO Y SU LGEBRA
Definicin: (Igualdad de conjuntos) Dos conjuntos A y B
son iguales si y slo si tienen los mismos elementos.
Escribiremos entonces A = B.
Ej: Conjunto A = {NH, JD, Case}; B = {NH, Case}; C = {NH,
JD, Case}. De acuerdo con la definicin A B, A = C y A
C

Definicin: (Subconjunto) Sean A y B dos conjuntos. Si


todo elemento de A es tambin un elemento de B, diremos
que A es un subconjunto de B. Simblicamente
escribiremos A B.
Ej. Consideremos los conjuntos del ej. Anterior tenemos
que B A, A B, A C, C A.
Note que si A C y C A, entonces necesariamente A =
B
CONJUNTO Y SU LGEBRA
Definicin: (Conjunto vaco) El conjunto vaco es un
conjunto que no contiene elementos. Se denota por la letra
griega (fi minscula).
Ej: Sea A = {x|x es un implemento de 50 discos}, entonces
es claro que A = .

En todos las presentaciones habr un conjunto, del


cual todos los conjuntos de nuestro inters son
subconjuntos. A ese conjunto lo llamaremos el
Conjunto Universal y lo denotaremos por la letra U.
CONJUNTO Y SU LGEBRA
DIAGRAMA DE VENN
Los conjuntos, sus relaciones y las operaciones algebraicas
que con ellos se realizan pueden representarse
grficamente mediante lo que llamamos Diagramas de
Venn Euler.
En un diagrama de Venn, el conjunto universal se
representa por un rectngulo, y los conjuntos de inters
por crculos (o por figuras irregulares) dentro del
rectngulo. U
A
Ej: En la figura se ha dibujado
B
un conjunto universal U y C
tres subconjuntos A, B y C.
EJEMPLO DE DIAGRAMA DE VENN
Sean U = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}; A = {1, 2, 3, 4};
B = {4, 5, 6}; C = {7, 8, 9, 10, 11, 12} y D = {11, 12}.

La representacin de estos conjuntos usando


Diagramas de Venn es:
U
1
7 10 C
A 2
8 D 11
3
9 12
4 5 6 B
LGEBRA DE CONJUNTOS
Tres operaciones con conjuntos: la unin y la
interseccin y el complemento de un conjunto con
respecto a su conjunto universal.

El resultado de cada una de estas operaciones es


tambin un conjunto, el cual es subconjunto del
mismo conjunto universal que contiene a aquellos
entre los que se hizo la operacin.
LGEBRA DE CONJUNTOS
Definicin: (Unin de conjuntos) Sean A y B dos
conjuntos y U su conjunto universal. El conjunto que est
integrado por lo elementos que pertenecen a A, a B o a
ambos, es la unin de A y B.
De otro modo, la unin de A y B (notacin: A B) es el
conjunto cuyos elementos pertenecen por lo menos a
uno de los conjuntos A o B. Simblicamente
escribiremos:
A B = {x|x es elemento de A o x es elemento de B o x
es elemento de ambos}
El rea sombreada
A B
representa la
unin de A y B
LGEBRA DE CONJUNTOS
Definicin: (Interseccin de conjuntos) Sean A y B dos
conjuntos y U su conjunto universal. El conjunto
integrado por los elementos que pertenecen a ambos
conjuntos es la interseccin (notacin: A B o
simplemente AB) de A y B.
Es decir, que slo pertenecen a A B los elementos que
son comunes a ambos conjuntos. Simblicamente sera:
A B ={x|x es elemento de A y x es elemento de
B} La interseccin
El rea sombreada de dos conjuntos
es la interseccin sin elementos en
entre A y B comn es el
conjunto vaco
LGEBRA DE CONJUNTOS
Definicin: (Conjuntos ajenos o mutuamente
excluyentes) Sean A y B dos conjuntos y U su conjunto
universal. Si A B = , diremos que los conjuntos A y B
son ajenos o mutuamente excluyentes.

Ej: Sean U = {1, 2, 3, 4, 5}; A = {1, 2, 3}; B = {1, 3, 4, 5}; C =


{4, 5}. Entonces A B = {1, 3}; B C = {4, 5} y A C = .
LGEBRA DE CONJUNTOS
Definicin: (Complemento de un conjunto) Sean A y B dos
conjuntos y U su conjunto universal. El complemento de A
(notacin: Ac) es el conjunto integrado por los elementos de U
que no pertenecen a A. Simblicamente puede escribirse
como:
Ac = {x|x es elemento de U, pero x no es elemento de A}

Ej: Sean U = {x |-8 x 63} y A = {x |0 x 63}. Entonces:


Ac = {x |-8 x 0}
EXPERIMENTO ALEATORIO
Definicin: (Experimento) Un experimento es el
proceso mediante el cual obtenemos una observacin.
Definicin: (Experimento aleatorio) Un experimento
aleatorio es aqul cuyo resultados no pueden predecirse
antes de su realizacin y, por lo tanto, estn sujetos al azar
Por ejemplo:
* Lanzar un dado.
* Extraer una carta de una baraja.
* Se lanza una moneda. Si sale cara se extrae de una urna
U1, con una determinada composicin de bolas de colores,
una bola y si sale cruz de extrae de una urna U2, con otra
determinada composicin de bolas de colores, una bola.
SUCESOS O EVENTOS
Cuando se realiza un experimento aleatorio diversos
resultados son posibles. El conjunto de todos los resultados
posibles se llama espacio muestral (M).
Ej: Experimento aleatorio: lanzar un dado.
Espacio muestral M = {1, 2, 3, 4, 5, 6}.

Se llama suceso o evento a un subconjunto de dichos


resultados. Distinguiremos entre sucesos simples (o
indivisibles) y compuestos (o divisibles).
Por ejemplo: el suceso A = que el resultado sea par:
A = {2, 4, 6} es un suceso compuesto.
Se llama suceso complementario de un suceso A, Ac al
formado por los elementos que no estn en A.
Ac ser: que el resultado sea impar, Ac = {1, 3, 5}.
18
EJEMPLO DE ESPACIO MUESTRAL
Se considera el experimento aleatorio consistente en lanzar una
moneda. Si sale cara, se extrae de una urna que contiene bolas
azules y rojas una bola, y si sale cruz, se extrae una bola de otra
urna que contiene bolas rojas y verdes. Cul es el espacio
muestral M de dicho experimento aleatorio?
M = {(C,R), (C,A), (+,R), (+,V)}
EJEMPLO DE ESPACIO MUESTRAL
Considrese los siguientes experimentos aleatorios:
1. Se aplica un insecticida a tres larvas y al cabo de 24 horas se observa si estn
muertas (m) o vivas (v).
M = {vvv, mvv, vmv, vvm, vmm, mvm, mmv,
mmm}
2. Se toma un litro de leche y se determina en el laboratorio el porcentaje de
agua por volumen.
M = {x|0 < x <
100}
3. Se mide el tiempo (t) que un individuo tarda en recorrer 100 metros y su
capacidad respiratoria (c).
M = {(t, c)|t > 0, c >
100}
4. En una encuesta se pregunta a personas mayores de 30 aos si creen en la
existencia de tractores que funcionan con nitrgeno. El experimento termina
con la primera persona que da una respuesta afirmativa. Se registra el nmero
de individuos entrevistados. En este caso cualquier entero positivo es un
posible resultado. Por lo tanto:
M = {1, 2, 3, 4,.}
ESPACIO MUESTRAL
En el primer caso el nmero de elementos del espacio
muestral es finito, puesto que el total resultante de
contar los elementos es igual a un nmero entero no
negativo. Estos espacios reciben el nombre de
espacios muestrales finitos.
El cuarto caso se complica un poco, dado que el
nmero de resultados posibles no es finito. Sin
embargo, los resultados pueden ordenarse en una
sucesin (1, 2, 3, ). En este caso decimos que el
espacio muestral es infinito denumerable.
Estos dos casos son ejemplo de espacios muestrales
discretos.
ESPACIO MUESTRAL
Definicin: (Espacio muestral discreto) Es un
espacio muestral integrado por un nmero finito o
infinito denumerable de elementos .
Definicin: (Espacio muestral continuo) Es un
espacio muestral que contiene a todos los elementos
en uno o varios segmentos de la lnea real (No slo no
es finito el nmero de elementos, sino que tampoco
pueden ordenarse stos en una sucesin)
EVENTO
Definicin: (Evento) Es un subconjunto de un
espacio muestral.
Ej: En el caso dos supngase que un litro de leche con
ms del 90% de agua es inaceptable para quien realiza
el anlisis. El subconjunto A (A M) est definido
por:
A = {x|90 < x < 100}
Subconjuntos de M de este tipo sern llamados
eventos en el espacio muestral M.
EVENTO
Definicin: (Particin de un espacio muestral) Sea
A1, A2, , An, n eventos (subconjuntos) de un espacio
muestral M. Si Ai Aj = para cualquier par de
eventos y

diremos que los eventos A1, A2, , An forman una


particin del espacio muestral M.
EVENTO
Ejemplo: Considrese el experimento consistente en
medir el porcentaje de humedad relativa en un
invernadero. Cualquier nmero (dependiendo de la
precisin con que se mida) entre 0 y 100 es un posible
resultado del experimento. Es decir:
M = {x|0 < x < 100}
Sean:
A = {x|0 < x < 30}; B = {x|30 x 70}; C = {x|70 < x <
100}
Claramente: A B = ; A C = ; B C =
y ABC=M
Por lo que A, B y C forman una particin de M.
POBLACIN Y MUESTRA
Definicin: (Poblacin) Desde el punto de vista
estadstico, es el conjunto de resultados potenciales
de un experimento aleatorio, si ste se repitiera en
todas las unidades a las que se quiere investigar.

Definicin: (Muestra) Una muestra de una


poblacin estadstica es el conjunto de resultados que
se colectan de hecho en una investigacin. Una
muestra debe ser un subconjunto de la poblacin.
DEFINICIN CLSICA DE PROBABILIDAD
Supongamos que un suceso E pueda ocurrir de h formas de
un total de n formas igualmente posibles. Entonces la
probabilidad de ocurrencia del suceso es denotada por:

La probabilidad de no ocurrencia del suceso se denota


por:

As p + q = 1, o Pr{E} + Pr{no E} = 1
El suceso no E puede denotarse por:
EJEMPLO
Sea E el suceso que los nmeros 3 4 salgan en el
lanzamiento de un dado. Hay seis maneras en las que
el dado puede caer, que resultan en los nmeros 1, 2,
3, 4, 5, 6; y si el dado no est trucado, podemos
asumir que estas maneras son equiprobables. Como E
puede ocurrir en dos de estas formas, tenemos:

La probabilidad de no obtener un 3 4 (es decir, obtener un 1, 2,


5, 6) es:
EJEMPLO: Probabilidad clsica
Laplace define la probabilidad de un suceso A como
el cociente:

Dado: Cul es la probabilidad P(A) de A = un nmero


mayor
o igual a 5?Y
Solucin: la probabilidad
Los seis de son
casos posibles B = nmero impar?
igualmente probables,
cada uno tiene probabilidad 1/6.
P(A) = 2/6 = 1/3 pues A ={5,6} tiene dos casos favorables.
P(B) = 3/6 = 1/2 pues B = {1, 3, 5} tiene tres casos favorables
29
DEFINICIN CLSICA DE PROBABILIDAD
Ntese que la probabilidad de un suceso es un nmero
entre 0 y 1. Si el suceso no puede ocurrir, su
probabilidad es cero. Si debe ocurrir, es decir, si su
ocurrencia es cierta, su probabilidad es 1.

Si p es la probabilidad de que un suceso ocurra, los


logros a favor de su ocurrencia son p:q (lase p a q);
los logros en contra de su ocurrencia son q:p. Por lo
tanto, los logros en contra un 3 un 4 en un
lanzamiento de un dado no trucado son: , es decir, 2 a
1.
PROBLEMAS DE LA DEFINICIN
CLSICA DE PROBABILIDAD
1. Es circular, puesto que el trmino igualmente
posibles es un concepto evidentemente relacionado
con lo que se quiere definir
2. Cmo decidir que todos los eventos son igualmente
posibles?
Por otra parte, si uno est dispuesto a suponer que, por
ej., el lanzar una moneda las dos caras de sta son
eventos igualmente posibles entonces, de acuerdo con
la definicin, la probabilidad a priori de cada una de
ellas es 0.5.
PROBLEMAS DE LA DEFINICIN
CLSICA DE PROBABILIDAD
El ejemplo anterior es clsico en la teora de
probabilidad se basa en la probabilidad a priori, e
ilustran una caracterstica de esta definicin: las
aplicaciones de la probabilidad a priori se refieren
casi exclusivamente a experimentos idealizados,
con una estructura similar o derivada de los juegos al
azar.
Por el contrario, el enfoque usando frecuencias
relativas es eminentemente prctico.
DEFINICIN DE FRECUENCIA
RELATIVA DE PROBABILIDAD
En un experimento aleatorio no podemos predecir qu
resultado ocurrir, pero stos presentan una regularidad
estadstica consistente en la estabilizacin de las
frecuencias relativas de los eventos cuando el
experimento se realiza un gran nmero de veces.
Para nuestro caso consideraremos que la frecuencia
relativa del evento A es una medida de una cantidad
desconocida que es la probabilidad de un evento p(A).

La probabilidad en s es el lmite
de la frecuencia relativa cuando el
nmero de observaciones
aumenta indefinidamente.
EJEMPLO
Si en 1000 lanzamientos de una moneda resultan 529
soles, la frecuencia relativa de los soles es:

529/1000 = 0.529.

Si otros lanzamientos resultan en 493 soles, la


frecuencia relativa en el total de los 2000
lanzamientos es :
(529 + 493)/2000 = 0.511.
DEFINICIN DE PROBABILIDAD
Medida de la veracidad relativa de un evento y
debe cumplir con las siguientes propiedades para
cualquier espacio muestral:
0 P(A) 1, para cualquier A M
P(M) = 1
Si A1, A2, , Ak, son eventos (particin del espacio
muestral) mutuamente excluyentes en M, entonces:
EJEMPLO DE APLICACIN DE LAS
PROPIEDADES
En una raza de ratones se tienen, por lo que toca al
color del pelaje, dos clases de los mismos: negros y
cafs. Los negros son, genticamente, de dos tipos (BB
y Bb), y los cafs de un solo tipo (bb). De la teora
gentica establecida se sabe que si se cruzan dos
ejemplares negros del tipo Bb, pueden obtenerse los 3
tipos de ratones con las siguientes probabilidades:

Cruza Probabilidad de cada tipo


BB Bb bb
Bb x Bb 1/4 1/2 1/4
EJEMPLO DE APLICACIN DE LAS
PROPIEDADES
El experimento consistente en observar el resultado de una cruza como la
anterior tiene entonces el siguiente espacio muestral: M = {BB, Bb, bb} con
propiedades:

Claramente, {BB} {Bb} {bb} = M y los tres subconjuntos son mutuamente


excluyentes. Tambin es claro que:
P(M) = P({BB}) + P({Bb}) + P({bb}) = 1
Ntese que sta no es la nica particin posible de M. Si nos interesa
exclusivamente establecer que el ratn resultante es negro (N) o caf (C),
tenemos:
{N} = {BB} {Bb} y {C} = {Bb}

Por lo que: P({N}) = P({BB}) + P({Bb}) =


P({C}) = P({bb}) =

Y, claramente: M = {N} {C}


LEYES PROBABILISTICAS
En ocasiones ocurre que la probabilidad de un evento
puede calcularse usando las probabilidades
(conocidas) de otros eventos. En particular esto
ocurre si el evento en cuestin puede expresarse como
la unin de dos eventos o como el complemento de
un evento.

AQUI
LEYES PROBABILISTICAS
Regla 1: (Probabilidad de la unin de dos eventos)
Sean A y B dos eventos. La probabilidad del conjunto que
resulta de la unin de A y B es:

P(A B) = P(A) + P(B) P(AB)


En palabras: La probabilidad del conjunto A B es igual
a la probabilidad del conjunto A, ms la probabilidad del
conjunto B, menos la probabilidad del conjunto A B.

Regla 1a: Si A y B son dos eventos mutuamente


excluyentes (A B = ), entonces:
P(A B) = P(A) + P(B)
LEYES PROBABILISTICAS
Ejemplo: En el estudio de los ratones se calcularon las
probabilidades de ocurrencia de un ratn negro (N) y de
un ratn caf (C):

Supngase adems que cierta enfermedad se presenta en esa raza de ratones


con una frecuencia de 7/32. Es decir que, si representamos por E al evento
ratn enfermo, entonces P(E) = 7/32. Se sabe adems que la probabilidad de
un ratn caf con la enfermedad es 5/32, y la probabilidad de un ratn negro
con la enfermedad es 2/32. Es decir:

Con estos datos, Cul es la probabilidad de que un ratn resultante de la


cruza sea negro o tenga la enfermedad?
LEYES PROBABILISTICAS
De acuerdo con la regla 1 tenemos:

Similarmente:
LEYES PROBABILISTICAS
Regla 2: Sea A un evento de un espacio muestral M.
La probabilidad del conjunto complemento de A es:
P(Ac) = 1 P(A)
Ejemplo: En el ejemplo de los ratones tenemos el
espacio muestral M = {N, C}, donde:
Adems, M = {N} {C} = {N} {N}c

Entonces:
Probabilidad condicional
PROBABILIDAD CONDICIONAL
A menudo sucede que la ocurrencia de un evento
depende de la ocurrencia de otros.
Si E1 y E2 son dos sucesos, la probabilidad de que E2
ocurra dado que E1 haya ocurrido se denota por
Pr{E2E1} o Pr{E2 dado E1} y se llama probabilidad
condicional de E2 dado que E1 haya ocurrido.

Definicin: (Probabilidad condicional). Sea A y B


dos eventos en un espacio muestral M. Si P(B) 0,
definimos la probabilidad condicional del evento A dado
el evento B como:
SUCESOS INDEPENDIENTES Y
DEPENDIENTES
Si la ocurrencia o no ocurrencia de E1 no afecta la
probabilidad de ocurrencia de E2, entonces Pr{E2E1}
= Pr{E2} y decimos que E1 y E2 son sucesos
independientes; de lo contrario seran sucesos
dependientes.

Definicin: (Independencia de eventos) Sea A y B dos


eventos y sea P(B) 0. A y B son eventos independientes
si:
P(A / B) = P(A)
PROBABILIDAD CONDICIONAL. SUCESOS
INDEPENDIENTES Y DEPENDIENTES
Si denotamos por E1E2 al suceso que ambos E1 y E2
ocurran algunas veces llamado suceso compuesto,
entonces:
Pr{E1E2} = Pr{E1} * Pr{E2E1}
En particular,

Pr{E1E2} = Pr{E1} * Pr{E2 } para sucesos independientes

Para tres sucesos E1, E2, E3, tenemos:

Pr{E1E2E3} = Pr{E1} * Pr{E2E1}* Pr{E3E1E2}


PROBABILIDAD CONDICIONAL. SUCESOS
INDEPENDIENTES Y DEPENDIENTES
Es decir, la probabilidad de ocurrencia de E1, E2 y E3 es igual a
la probabilidad de E1 por la probabilidad de E2 dado que E1
haya ocurrido por la probabilidad de E3 dado que ambos E1 y E2
hayan ocurrido. En particular,

Pr{E1E2E3} = Pr{E1} * Pr{E2}* Pr{E3} para sucesos independientes

En general, si E1, E2, E3, , En son n sucesos independientes que


tienen probabilidades relativas p1, p2, p3, , pn, entonces la
probabilidad de ocurrencia de E1 y E2 y E3 y , En es p1p2p3 pn.
EJEMPLO 1
Sean E1 y E2 los sucesos soles en el quinto
lanzamiento y soles en el sexto lanzamiento de una
moneda, respectivamente. Entonces E1 y E2 son
sucesos independientes, de manera que la
probabilidad de soles en el quinto y sexto lanzamiento
es, suponiendo que la moneda no est trucada,
EJEMPLO 2
Si la probabilidad de que A viva 20 aos es 0.7 y la
probabilidad de que B viva 20 aos es 0.5, entonces la
probabilidad de que ambos subsistan 20 aos es:

(0.7)(0.5) = 0.35
EJEMPLO 3
Supongamos que una caja contiene 3 bolas blancas y 2
bolas negras. Sea E1 el suceso la primera bola sacada es
negra y E2 el suceso la segunda bola sacada es negra
donde las bolas no son reemplazadas despus de ser
sacadas. Aqu E1 y E2 son sucesos dependientes.
es la probabilidad de que la primera
bola sacada sea negra, mientras que:
es la probabilidad de que la segunda bola sacada sea
negra dado que la primera bola sacada fuera negra.
Entonces la probabilidad de que ambas bolas
sacadas sean negras, es:
SUCESOS MUTUAMENTE
EXCLUYENTES
Dos o ms sucesos son llamados mutuamente excluyentes si la
ocurrencia de cualquiera de ellos excluye la ocurrencia de los otros.
Por lo tanto si E1 y E2 son sucesos mutuamente excluyentes, Pr{E1E2} = 0.

Si E1 + E2 denota el suceso que E1 o E2 o ambos ocurren, entonces:

Pr{E1 + E2} = Pr{E1} + Pr{E2} - Pr{E1E2}

En particular,

Pr{E1 + E2} = Pr{E1} + Pr{E2} para sucesos mutuamente excluyentes

Como una extensin de esto si E1, E2, , En son n sucesos mutuamente


excluyentes, que tienen probabilidades de ocurrencias respectivas p1, p2 ,
pn, entonces la probabilidad de ocurrencia de E1 E2 En es p1 + p2 + +
p n.
EJEMPLO 1
Si E1 es el suceso se saca un as de una mano de barajas y E 2 es
el suceso se saca un rey, entonces :

y
. La probabilidad de sacar un as o un rey en una extraccin es:

Puesto que ambos el as y el rey no pueden sacarse en una


extraccin, y son por lo tanto mutuamente excluyentes.
EJEMPLO 2
Si E1 es el suceso se saca un as de una mano de cartas
y E2 es el suceso se saca una espada, entonces E1 y E2
no son mutuamente excluyentes, ya que puede
sacarse el as de espada. Por lo tanto, la probabilidad
de extraer un as o una espada o ambos es:
Resumen
Dos eventos A y B son independientes si se cumple
cualquiera de las siguientes condiciones:
a) P(A/B) = P(A)
b) P(B/A) = P(B)
c) P(A B) = P(A)* P(B)
EJEMPLO 3
Supongamos que un impulso elctrico debe pasar del
punto I al II para producir una seal. Para llegar al
punto II debe pasar por dos componentes electrnicos
(E1 y E2). La trayectoria del impulso se interrumpe si
falla cualquiera de los componentes. La probabilidad
de que el componente E1 no falle es 0.7 y la
probabilidad de que el componente E2 no falle es 0.8.
Adems, la probabilidad de que al menos uno no falle
es 0.94. Cul es la probabilidad de que la seal se
produzca?
Solucin
Definamos los siguientes eventos:
A: El componente E1 no falla
B: El componente E2 no falla
Sabemos entonces que: P(A) = o.7; P(B) = 0.8; P(AB) = 0.94
La probabilidad pedida es P(AB). Pero por la regla 1:
P(AB) = P(A) + P(B) (P(A B) = 0.7 + 0.8 0.94 = 0.56

Y la probabilidad de que se produzca la seal es 0.56. Ntese


que, adems: P(AB) = P(A)*P(B) =0.7 * 0.8 =0.56
Por lo que A y B son independientes y se cumple la condicin
c.
Teorema de Bayes
El concepto de probabilidad condicional da lugar a
ramificaciones muy discutidas en las inferencias
obtenidas usando el clculo de probabilidades.
Estas dificultades provienen de la aplicacin del
llamado Teorema de Bayes.
Este teorema es una consecuencia simple de la
definicin de probabilidad condicional, puesto que,
de acuerdo con sta:
Interseccin
Teorema de Bayes
de donde: P(AB) = P(A/B)*P(B)
Pero, tambin:

por lo que: P(AB) = P(B/A)*P(A)


Y podemos escribir:

o bien:
Teorema de Bayes
Para visualizar las dificultades que nos puede llevar
este ltimo resultado, consideremos la siguiente
situacin:

Una empresa perforadora de pozos planea perforar en una zona


donde no se tiene la seguridad de que exista agua. Los tcnicos,
de acuerdo con su experiencia, creen que la probabilidad de que
exista agua en la zona es 0.1. Se tiene la opcin de hacer una
prueba preliminar antes de tomar una decisin. La prueba no es
concluyente, puesto que hay casos en que da resutados
errneos. Si existe agua, la prueba es positiva el 90 % de las
veces, pero aun so no existe agua la prueba es positiva el 20 %
de las veces. Simblicamente, tenemos que:
Teorema de Bayes
A: Existe agua
Ac: No existe agua
B: La prueba es positiva
De acuerdo con lo anterior, conocemos las siguientes
probabilidades: P(A) = 0.1; P(B/A) = 0.9; P(B/Ac) = 0.2

La probabilidad que nos interesa es P(A/B), es decir, la


probabilidad de que exista agua dado que la prueba
resulta positiva. Esta probabilidad se calcula como:
Teorema de Bayes
En esta expresin la nica cantidad desconocida es P(B),
pero puede calcularse ya que:
P(B) = P(BA) + P(BAc) = P(B/A)*P(A) + P(B/ Ac)*P(Ac)
Como se muestra en el diagrama de Venn
Teorema de Bayes
Se tiene entonces:

Y usando nuestros datos se obtiene:

La conclusin a la que se llega es que, aunque la prueba


resulte positiva, la probabilidad de que exista agua es
muy baja (1/3), aunque mayor que la sostenida a priori
por los tcnicos de la empresa.
Teorema de Bayes
La principal objecin que se hace a este tipo de
inferencia, llamada a posteriori (puesto que
estamos calculando la probabilidad de que exista
agua, dado que la prueba resulta positiva) se basa en
la eleccin de las probabilidades a priori, que en
ocasiones son probabilidades subjetivas.
Para dramatizar el efecto que tiene la eleccin de
estas probabilidades, supongamos que los tcnicos de
otra empresa tienen una evaluacin distinta de P(A),
digamos que creen que P(A) = 0.4. Con este valor para
P(A), si repetimos los clculos anteriores obtenemos:
Teorema de Bayes
P(B) = P(BA) + P(BAc) = P(B/A)*P(A) + P(B/ Ac)*P(Ac)
P(B) = (0.9*0.4) + (0.2*0.6) = 0.48
Por lo que:

De manera que de acuerdo con la opcin de estos tcnicos


concluiramos que, si la prueba resulta positiva, la
probabilidad de encontrar agua es alta, y quizs nuestra
decisin sera diferente.
De cualquier manera los resultados anteriores (aceptado un
valor para las probabilidades a priori) son inobjetables
desde el punto de vista matemtico.
Teorema de Bayes
Basado en el ejemplo anterior presentamos el siguiente
teorema:
Teorema de Bayes: Sean A1, A2, , Ak, eventos que
forman una particin de un espacio muestral M. Sea B
un evento en M. Suponga que P(A1), P(A2), , P(Ak),
P(B/A1), P(B/A2), , P(B/Ak) son probabilidades
conocidas. Entonces:
Ejemplo Aplicacin Teorema
de Bayes
El profesor Z tiene tres secretarias con diferentes
niveles de competencia. Las secretarias son S1, S2 y S3.
La secretaria S1 ha escrito el 20 % de un trabajo, la
secretaria S2 el 40 % y la secretaria S3 el 40 %. Hay un
error ortogrfico que irrita en especial al profesor, y
ste ha calculado que S1 lo comete el 90 % de las veces
que tiene que escribir la palabra en cuestin, que S2 lo
comete el 40 % de las veces, y S3 nunca. Si el profesor
Z encuentra ese error en uan pgina del trabajo. Cul
es la probabilidad de que esa pgina la haya escrito la
secretaria S1?la secretaria S2?la secretaria S3?
Ejemplo Aplicacin Teorema
de Bayes
Tenemos: P(S1) = 0.2, P(S2) = 0.4, P(S3) = 0.4
P(E/S1) = 0.9, P(E/S2) = 0.4, P(E/S3) = 0

Entonces:

Pero:

Por lo tanto:

y P(S3/E) =
0
Ejemplo Aplicacin Teorema
de Bayes
Ntese que la informacin adicional de que el error se
ha cometido nos da probabilidades a posteiori muy
diferentes de las probabilidades a priori.

As, por ejemplo, la probabilidad a priori de que S2


haya escrito la pgina es el doble de la probabilidad de
que la haya escrito S1, pero las probabilidades a
posteriori son casi iguales, debido a que S1 comete el
error con mucha mayor frecuencia que S2.
ANLISIS COMBINATORIO
En muchos casos el nmero de puntos muestrales en
un espacio muestral no es muy grande y as la
enumeracin o cuenta directa de los puntos del
muestreo necesarios para obtener las probabilidades
no es difcil. Sin embargo, surgen problemas cuando
la cuenta directa se convierte en una imposibilidad
prctica En tales casos se emplea el anliss
combinatorio, que podra llamarse una forma
sofisticada de contar.
PRINCIPIO FUNDAMENTAL DE
CUENTA. DIAGRAMA DE ARBOL
Si una cosa puede realizarse en nr maneras diferentes
y despus de esto una segunda cosa puede realizarse
en n2 maneras diferentes, . . . , y finalmente una k-
sima cosa puede realizarse en el orden especificado
en n1 n2 nk maneras diferentes.

EJEMPLO. Si un hombre tiene 2 camisas y 4 corbatas


entonces tiene 2*4 : 8 maneras de escoger una camisa
y luego una corbata.
Un diagrama, llamado diagrama rbol debido a su
apariencia, se emplea frecuentemente en conexin
con el principio anterior.
PRINCIPIO FUNDAMENTAL DE
CUENTA. DIAGRAMA DE ARBOL
EJEMPLO. Si un hombre tiene 2 camisas y 4 corbatas entonces
tiene 2*4 : 8 maneras de escoger una camisa y luego una
corbata.
Un diagrama, llamado diagrama rbol debido a su
apariencia, se emplea frecuentemente en conexin con el
principio anterior.
Si las camisas se representan
por S1, S2 y las corbatas por
T1, T2, T3, T4 las diferentes
maneras de escoger una
camisa y luego una corbata se
indican en el siguiente
diagrama rbol:
Permutaciones
Supngase que se dan n objetos diferentes y deseamos
ordenar r de estos objetos en una lnea. Puesto que
hay n maneras de escoger el primer objeto, y luego de
hacer esto n - 1 maneras de escoger el segundo objeto,
. . ., y finalmente n - r + 1 formas de escoger el r-simo
objeto, se deduce por el principio fundamental de
cuenta que el nmero de ordenaciones, o
permutaciones diferentes como generalmente se les
llama est dado por:
P = n(n - 1)(n - 2). . . (n - r + 1)
n r
(1)
donde se observa que el producto tiene r factores.
Llamamos a nPr el nmero de permutaciones de n
objetos tomados de r en r.
Permutaciones
Para el caso particular cuando r = n, la ecuacin (1) se
convierte en:
P = n(n - 1)(n - 2). . . 1 = n!
n r
(2)
que se denomina n factorial. Podemos escribir (1) en
trminos de factoriales como:

Si r = n observamos que (1) y (2) se satisfacen slo si


tenemos que 0! = 1 y tomaremos realmente esto como
una definicin de 0!
Ejemplo de permutaciones
EI nmero de ordenaciones o permutaciones
diferentes que consisten de 3 letras cada una y que
pueden formarse de las 7 letras A, B, C, D, E, F, G es:
Permutaciones
Supngase un conjunto que consiste de n objetos de los
cuales n1 son de un tipo (es decir no se podran distinguir
entre s), n2 son de un segundo tipo, . . . , n k son del k-
simo tipo. Aqu lgicamente, n = n1 + n2 + nk. As el
nmero de permutaciones diferentes de los objetos es:

EJEMPLO. El nmero de permutaciones diferentes de las


11 letras de la palabra M I S S I S S I P P I, que consiste de
1M, 4I, 4S y 2P es:
COMBINACIONES
En una permutacin estamos interesados en el orden
de la distribucin de los objetos. As abc es una
permutacin diferente de bca. Sin embargo, en
muchos problemas estamos interesados solamente en
seleccionar o escoger objetos sin interesar su orden.
Dichas selecciones se llaman combinacin. Por
ejemplo abc y bca son la misma combinacin.
El nmero total de combinaciones de r objetos
seleccionados de n (tambin llamadas las
combinaciones de n cosas tomadas de r en r) se
denota por nCr o . Tenemos:
COMBINACIONES
(3)

Que tambin puede escribirse:

Se puede demostrar que: nCr = nCn-r


Ejemplo de combinaciones
El nmero de maneras en las cuales 3 cartas pueden
escogerse o seleccionarse de un total de 8 cartas
diferentes es:
COEFICIENTES BINOMIALES
Los nmeros de (3) se les llama frecuentemente los
coeficientes binomiales puesto que provienen de la
expansin binomial

Tiene muchas propiedades interesantes. Por ejemplo:


APROXIMACIN DE STIRLING A
n!
Cuando n es muy grande la evaluacin de n! no es
prctica. En tales casos se utiliza la frmula
aproximada:

donde e = 2.71828. . . es la base de los logaritmos


naturales. El smbolo en la ecuacin significa que la
relacin del lado izquierdo al lado derecho se
aproxima a 1 a medida que n.

Por esta razn decimos que el lado derecho es una


expansin asnttica del lado izquierdo.
DISTRIBUCIONES DE
PROBABILIDAD
DISTRIBUCIONES DISCRETAS DE
PROBABILIDAD
Si una variable X puede asumir un conjunto discreto de
valores X1, X2, , Xk con las probabilidades respectivas p1,
p2, ,pk donde p1 + p2 + + pk = 1, decimos que una
distribucin discreta de probabilidad para X ha sido
definida. La funcin p(X) que tiene los valores respectivos
p1, p2, , pk para X = X1, X2, , Xk, se llama funcin de
probabilidad o funcin de frecuencia de X.
Como X puede asumir ciertos valores con probabilidades
dadas, a menudo es llamada una variable aleatoria
discreta. Una variable aleatoria se conoce tambin como
una variable probabilstica o variable estocstica.
EJEMPLO
Sean lanzados un par de dados no trucados y dentese
con X la suma de los puntos obtenidos. Entonces la
distribucin de probabilidades est dada por la tabla
siguiente:

Por ejemplo la probabilidad de obtener la suma 5 es


4/36 = 1/9. Por lo tanto en 900 lanzamientos de los
dados esperaramos obtener la suma 5 en 100
lanzamientos.
SUCESOS MUTUAMENTE
EXCLUYENTES
Ntese que esto es anlogo a la distribucin de
frecuencia relativa con probabilidades sustituyendo
las frecuencias relativas. Por lo tanto, podemos pensar
en las distribuciones de probabilidades como las
formas limitativas tericas o ideales de las
distribuciones de frecuencia relativa cuando el
nmero de observaciones se hace muy largo. Por esta
razn, podemos pensar en las distribuciones de
probabilidad como que son distribuciones para
poblaciones, mientras que las distribuciones de
frecuencias relativas son distribuciones de las
muestras sacadas de esta poblacin.
SUCESOS MUTUAMENTE
EXCLUYENTES
La distribucin de probabilidades puede representarse
grficamente dibujando p(X) en funcin de X, como
para las distribuciones de frecuencia relativas.

Ntese que la suma de las


reas de los rectngulos es 1.
Esta figura se llama histograma
de probabilidad, se considera a
X como una variable continua
aunque sta sea realmente
discreta, un procedimiento que
con frecuencia se considera til
SUCESOS MUTUAMENTE
EXCLUYENTES

Este grfico se utiliza


cuando no se desea
considerar la variable
como continua.
SUCESOS MUTUAMENTE
EXCLUYENTES
Acumulando las probabilidades obtenemos las
distribuciones de probabilidad acumulativas, que son
similares a las distribuciones acumulativas de
frecuencia relativa. La funcin asociada con esta
distribucin algunas veces se llama una funcin de
distribucin.
DISTRIBUCIONES CONTINUAS DE
PROBABILIDAD
Las ideas anteriores pueden extenderse al caso en que la variable X pueda
asumir un conjunto continuo de valores. El polgono de frecuencia relativa de
una muestra se vuelve en el caso terico o lmite de una poblacin, una curva
continua como la mostrada en la figura 1, cuya ecuacin es Y = p(X). El rea
total bajo esta curva limitada por el eje X es igual a uno, y el rea bajo la curva
entre las lneas X = a y X = b (sombreada en la figura) ofrece la probabilidad
que X est entre a y b, que est denotada por Pr{a < X < b}.

Figura 1. Curva continua.


DISTRIBUCIONES CONTINUAS DE
PROBABILIDAD
Llamamos a p(X) un funcin de densidad de
probabilidad, o brevemente una funcin de densidad,
y cuando se da esta funcin, decimos que ha sido
definida una distribucin de probabilidad continua
para X. Entonces con frecuencia la variable X es
llamada una variable aleatoria continua. Podemos
definir las distribuciones de probabilidad acumulativa
y las funciones de distribucin asociadas como en el
caso de la discreta.
ESPERANZA MATEMTICA
Si p es la probabilidad que una persona reciba una suma de dinero S,
la esperanza matemtica, o simplemente la esperanza es pS.

Ejemplo: Si la probabilidad que un hombre gane un premio de $10 es


1/5, su esperanza es 1/5(10) = $2.

El concepto de esperanza es fcilmente extendido. Si X denota una


variable aleatoria discreta que puede asumir los valores X1, X2, , Xk
con las probabilidades respectivas p1, p2, , pk donde p1 + p2 + pk = 1, la
esperanza matemtica de X, o simplemente la esperanza de X,
denotada por E(X), se define como:
ESPERANZA MATEMTICA
Si las probabilidades pj en esta esperanza son
sustituidas por las frecuencias relativas fj/N donde N =
fi, la esperanza se reduce a (fX)/N que es la media
aritmtica de una muestra de tamao N, en la cual X1,
X2, , XK aparezcan con estas frecuencias relativas.
Como N se hace cada vez mayor, las frecuencias
relativas fj/N tienden a las probabilidades pj. Por lo
tanto llegamos a la interpretacin de que E(X)
representa la media de la poblacin de la que se saca
la muestra. Si llamamos m a la media muestral
podemos denotar la media de poblacin por la letra
griega .