Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Documento 04 Probabilidades
Documento 04 Probabilidades
PROBABILIDADES
Sucesos. Al definir los sucesos hablamos de las diferentes relaciones que pueden
guardar dos sucesos entre sí, así como de las posibles relaciones que se pueden
establecer entre los mismos. Vamos a ver ahora cómo se refleja esto en el cálculo de
probabilidades.
Suceso Elemental, hace referencia a cada una de las posibles soluciones que se
pueden presentar.
- Dos sucesos pueden ser iguales, en este caso, las probabilidades de ambos
sucesos son las mismas.
Un suceso puede estar contenido en otro, las posibles soluciones del primer suceso
también lo son del segundo, pero este segundo suceso tiene además otras soluciones
suyas propias.
1
Dos sucesos pueden ser iguales, esto ocurre cuando siempre que se cumple uno de
ellos se cumple obligatoriamente el otro y viceversa.
Unión de dos o más sucesos, la unión será otro suceso formado por todos los
elementos de los sucesos que se unen.
Sucesos incompatibles, son aquellos que no se pueden dar al mismo tiempo ya que
no tienen elementos comunes (su intersección es el conjunto vacío).
Se llama suceso aleatorio a todo subconjunto del espacio muestral. Se llama suceso
elemental a un suceso unitario. Se llama espacio de sucesos al conjunto formado por
todos los sucesos, y se representa por . Se llama suceso imposible al que no se
verificará nunca, y se representa por . Se llama suceso seguro al que se verificará
siempre, y se representa por E.
Álgebra de Boole
A B es el suceso que se verifica si y
A, B A B sólo si se verifica uno de los dos.
A B es el suceso que se verifica cuando
A , B A B se verifican los dos a la vez.
A A C
se verifica cuando no se verifica
A.
2
Propiedades. Como las definiciones de unión, intersección y complementación de
sucesos son idénticas a las de los conjuntos, estas operaciones para sucesos cumplen
las mismas propiedades que para los conjuntos.
- Conmutativa: A B = B A A B = B A
- Asociativa: A (B C) = (A B) C A (B C) = (A B) C
- Idempotente: A A = A A A = A
- Simplificación: A (A B) = A B A (A B) = A B
- Distributiva: A (B C) = (A B) (A C)
A (B C) = (A B) (A C)
- Existencia de elemento neutro: A = A A E = A
- Absorción: A E = E A =
- Complementación: EC = C = E
- Involución: (A C ) C = A
- Leyes de Morgan: (A B) C = A C B C (A B) C = A C B C
Suceso aleatorio. El espacio muestral del experimento que consiste en lanzar un dado
cuyas caras están numeradas del 1 al 6, E = (1, 2, 3, 4, 5, 6)).
3
Ejemplo, Consideremos el experimento aleatorio que consiste en lanzar un dado de
quinielas y anotar el símbolo que aparece en la cara superior. Hallar el espacio
muestral y el espacio de sucesos.
Ejemplo, En el experimento que consiste en extraer una carta de una baraja española
consideremos el suceso A = "Salir figura". ¿Cuándo diremos que se ha realizado el
suceso A?
Sucesos compuestos. Se llama sucesos compuestos, a los sucesos formados por dos o
más puntos muéstrales; es decir, por mas de un resultado del experimento
Suceso cierto. Se llama suceso cierto, o suceso seguro, al que siempre se realiza. Es
evidente que el suceso cierto, estará formado por todos los resultados posibles del
experimento; es decir, coincide con el espacio muestral y por eso lo representaremos
también por la letra E.
Dado un suceso cualquiera A del espacio de sucesos S, se llama suceso contrario del
suceso A a un suceso que se realiza cuando no se realiza A, y recíprocamente.
4
Unión de sucesos. Consideremos, en el experimento aleatorio el lanzamiento del
dado, cuyo espacio muestral es E = (1, 2, 3, 4, 5, 6), de los siguientes sucesos
5
Ahora usaremos los axiomas de probabilidad para obtener resultados y reglas que nos
ayudarán a entender y usar la medida de probabilidad. Algunos de los resultados nos
pueden parecer obvios, sin embargo, el que se puedan demostrar a partir de los
axiomas nos da una indicación de su consistencia y de lo poderosos que resultan ser.
Teorema. P() = 0.
Prueba. Considera la secuencia infinita A1, A2, …, donde cada Ai = . Tenemos que
=, = y
i 1
6
Axiomática del Espacio de probabilidades. Sigma – Algebra. Si representa la
colección de todos los suceso y el conjunto fundamental de probabilidad, se tiene
que
-
Teorema: P( ) 0
7
Este teorema se puede generalizar para n sucesos
Para poder aplicar la Regla de Laplace el experimento aleatorio tiene que cumplir dos
requisitos:
- El número de resultados posibles (sucesos) tiene que ser finito. Si hubiera
infinitos resultados, al aplicar la regla casos favorables / casos posibles el cociente
siempre sería cero.
- Todos los sucesos tienen que tener la misma probabilidad. Si al lanzar un dado,
algunas caras tuvieran mayor probabilidad de salir que otras, no podríamos
aplicar esta regla.
8
este modelo ya no será necesario que el número de soluciones sea finito, ni que todos
los sucesos tengan la misma probabilidad.
- P(A) 0 , A P(E) = 1
- si A y B son sucesos incompatibles, P(A B) = P(A) + P(B)
9
Probabilidades
a) A= " obtener impar" = (1, 3, 5) → P(A) = 3/6
b) B= " obtener número primo" = (2, 3, 5) → P(B) = 3/6
c) C= " obtener múltiplo de 3" = (3, 6) → P(B) = 2/6
d) D ="obtener múltiplo de 5 " = (5) → P(D)= 1/6
El espacio muestral del experimento está formado por los 40 resultados posibles
correspondientes a cada una de las cartas de la baraja. A continuación formamos los
sucesos de los cuales nos piden estimar la probabilidad.
10
A la estructura (, P(), p) se le denomina espacio de probabilidad.
Axiomas de Probabilidades.
Si A y B son incompatibles, P(AUB) = P(A) + P(B)
Probabilidad del suceso contrario, P(Ā) = 1 - P(A
Probabilidad del suceso imposible, P(Ø) = 0
Probabilidad de todo el espacio muestral P(E)=1
11
Independencia. Hemos visto que la dependencia funcional implica una estructura
muy particular de la tabla bidimensional, en la que en todas las filas (o en todas las
columnas) existe un único elemento no nulo. Existe un concepto que de algún modo
es el opuesto a la dependencia funcional, que es el de independencia. Se puede
expresar de muchas maneras el concepto de independencia, y va a implicar de nuevo
una estructura muy particular de la tabla bidimensional, en el que todas las filas y
todas las columnas van a ser proporcionales entre sí.
12
1k k 1p p
x n i* x i f i* x i y n*j y j f*i y j
n** i1 i1 n** j1 j1
Las varianzas marginales respectivas son
k k p p
1 1
s 2x n i* (x i x)2 fi* (x i x)2 s2y n*j (y j y)2 f*j (y j y)2
n** i1 i1 n** j1 j1
Para cada una de las p variables condicionadas X / Yi y Y / x j definimos sus
respectivas media condicionada y varianza condicionada mediante,
1 k k j 1p pj
x j n ijx i fi xi yi n ij y j fi y j
n*j i1 i1 ni* j1 j1
k k k
2 1 2 1
s xj nij (x i x j ) fi (x i x j ) n ijx i2 x 2j
2 j
13
p
1 p p p
x f *j x j n *j x j s f s f*j (x j x) 2
2
x
2
*j x j
j1 n ** j1 j1 j1
k
1 k k k
y f i* y i n i* y i s f s f i* ( y j y ) 2
2
y
2
i* y j
i1 n ** i1 i1 i1
PROBABILIDAD CONDICIONAL
P(A B). es la probabilidad de que salga el dos y número par. P(A) es la probabilidad
a priori de que salga un número par. Por tanto, P(A B).) = 1/6 y P (A) = ½,
entonces, P (B/A) = (1/6) / (1/2) = 1/3. Luego, la probabilidad de que salga el número
2, si ya sabemos que ha salido un número par, es de 1/3 (mayor que su probabilidad a
priori de 1/6).
14
Según las leyes de Mendel, todos los posibles genotipos de un hijo de una madre
portadora (xX) y un padre normal (XY) son xX, xY, XX, XY y tienen la misma
probabilidad. El espacio muestral es = {xX, xY, XX, XY} el suceso A={hijo
enfermo} corresponde al genotipo xY, por tanto, según la definición clásica de
probabilidad P(A) = 1/4 = 0,25
La mujer tiene el hijo y es varón ¿qué probabilidad hay de que tenga la enfermedad?
Se define el suceso B = {ser varón} = {xY, XY} la probabilidad pedida es P(A/B) y
aplicando la definición anterior P(B) = 0,5; A B = {xY}; P(A B) = 0,25; P(A/B) =
0,25/0,5 = 0,5
La fórmula anterior se puede poner P(A B) = P(B) P(A/B) = P(A) P(B/A) llamada
regla de la multiplicación, que se puede generalizar a más sucesos P(A 1 A2 A3)
= P((A1 A2) A3) = P(A1 A2) P(A3/A1 A2) = P(A1) P(A2/A1) P(A3/A1 A2)
y del mismo modo P(B/A) = P(B). Esta propiedad coincide más con la idea intuitiva
de independencia y algunos textos la dan como definición. Hay que notar, sin
embargo, que ambas definiciones no son estrictamente equivalentes.
15
Dos sucesos A, B se dicen independientes si P(B) = P(B/A). Es decir, se
cumplirá que P(A)*P(B) = P(A B). Si A y B son independientes, entonces A y Bc
son independientes, Ac y B son independientes, y Ac y Bc son independientes.
En general P(A1 A2 A3 ...) = P(A1) P(A2/A1) P(A3/A1 A2) ... llamado Principio
de las probabilidades compuestas y especialmente útil para aquellas situaciones en
que las probabilidades condicionadas son más fáciles de obtener que las
probabilidades de las intersecciones.
Ejemplo, Se sabe por estudios previos que el 0,1% de la población tiene problemas
vasculares. Un estudio sobre individuos con problemas vasculares revela que el 20%
de ellos son placas de ateroma. Si el 10% de los individuos con placas de ateroma
está expuesto a muerte súbita por desprendimiento de trombos ¿qué probabilidad
tiene un individuo cualquiera de estar expuesto a muerte súbita por desprendimiento
de trombos de una placa de ateroma?
A1 = {problemas vasculares}; A2 = {placas de ateroma}; A3 = {expuesto a muerte
súbita por ....} P(A1) = 0,001; P(A2/A1) = 0,20; P(A3/A1 A2) = 0,1 P(A1 A2
A3) = 0,001 x 0,20 x 0,1 = 0,000002
Ejemplo, Una urna contiene 10 bolas, de las cuales 3 son rojas, 5 verdes y 2 azules.
Se extraen al azar 3 bolas. Calcular la probabilidad de que la primera sea azul, y las
otras dos verdes.
PROBABILIDAD TOTAL
16
P(B) = P(A1)*P(B/A1)+P(A2)*P(B/A2)+…+P(An)*P(B/An)
Es decir, la probabilidad de que ocurra el suceso B (en nuestro ejemplo, que ocurra un
accidente) es igual a la suma de multiplicar cada una de las probabilidades
condicionadas de este suceso con los diferentes sucesos A (probabilidad de un
accidente cuando llueve y cuando hace buen tiempo) por la probabilidad de cada
suceso A. Para que este teorema se pueda aplicar hace falta cumplir que Los sucesos
A tienen que formar un sistema completo, es decir, que contemplen todas las
posibilidades (la suma de sus probabilidades debe ser el 100%).
Ejemplo, En una urna hay papeletas de tres colores, con las siguientes probabilidades
de ser elegidas: a) Amarilla: probabilidad del 50%, b) Verde: probabilidad del 30%, y
c) Roja: probabilidad del 20%. Según el color de la papeleta elegida, podrás participar
en diferentes sorteos.
17
Con esta información, ¿qué probabilidad tienes de ganar el sorteo en el que
participes?
Las tres papeletas forman un sistema completo: sus probabilidades suman 100%,
luego,
P (B) = (0,50 * 0,40) + (0,30 * 0,60) + (0,20 * 0,80) = 0,54
Por tanto, la probabilidad de ganar el sorteo es del 54%.
n n
n n
P(B) P(B E) P B A P (BA ) P(A i ) P(B / A i ) P(A i )
i i i 1
i 1 i 1 i 1
Ejemplo, Van a cambiar a tu jefe y se barajan diversos candidatos: a) Abe, con una
probabilidad del 60%, b) Ver, con una probabilidad del 30%, y c) Diego, con una
probabilidad del 10%.
18
Por tanto, la probabilidad de que te suban el sueldo es del 15%.
TEOREMA DE BAYES
19
Una vez que incorporamos la información de que ha ocurrido un accidente, las
probabilidades del suceso A cambian: son probabilidades condicionadas P (A/B), que
se denominan probabilidades a posteriori.
INDEPENDENCIA DE SUCESOS
De acuerdo con lo visto anteriormente, tenemos que dos sucesos son independientes
entre sí, si la ocurrencia de uno de ellos no afecta para nada a la ocurrencia del otro.
Ejemplo, el suceso estatura de los alumnos de una clase y el color del pelo son
independientes: el que un alumno sea más o menos alto no va a influir en el color de
20
su cabello, ni viceversa. Para que dos sucesos sean independientes tienen que
verificar al menos una de las siguientes condiciones
Ejemplo, Sean los dos sucesos: P(A) = la probabilidad de que haga buen tiempo es
del 0,4, y P(B) = la probabilidad de tener un accidente es del 0,1, y P(A B) = la
probabilidad de que haga buen tiempo y tener un accidente es del 0,08
Ley de los Grandes Números. Suponga que X1, X2,...,Xn es una secuencia arbitraria
de variables aleatorias con valores esperados E(X1), E(X2),...,E(Xn). Suponga además
que la variable aleatoria i1 x i tiene varianza para cada valor de n entero.
n
21
1 n
Si V
n
i 1
X i 0 cuando n y es un número positivo, entonces,
1
P i 1 x i
n
0
n cuando n o equivalentemente a
cuando n n converge
22