Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1
Operaciones con sucesos
E = {1, 2, 3, 4, 5, 6}
B = {1, 4, 5}
A ∪ B = {1, 2, 4, 5, 6}
A ∩ B = {4}
Ac = {1, 3, 5}
3
Ejemplo 1.2 Consideramos la experiencia de
tirar una moneda 3 veces seguidas y observa-
mos la secuencia de caras (O) y cruces (+)
resultante.
E = {OOO,OO+,O+O,+OO,O++,+O+,++O,+++}
C∪D =D
C∩D =C
C c = {O++,++O,+O+,+++,OOO}
4
Ejemplo 1.3 Consideramos la experiencia de
tirar dos dados y nos fijamos en la suma de los
puntos obtenidos.
F ∪G=E
F ∩G=∅
Fc = G
5
Propiedades de las operaciones con
sucesos
A∪E =E y A∪∅=A
A∩E =A y A∩∅=∅
Leyes asociativas
A ∪ (B ∪ C) = (A ∪ B) ∪ C
A ∩ (B ∩ C) = (A ∩ B) ∩ C
Leyes distributivas
A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C)
A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C)
Leyes de Morgan
(A ∪ B)c = Ac ∩ B c
(A ∩ B)c = Ac ∪ B c
6
Espacios de probabilidad finitos
Axiomas de Kolmogorov
1. 0 ≤ P (A) ≤ 1
2. P (E) = 1
3. A ∩ B = ∅ ⇒ P (A ∪ B) = P (A) + P (B).
7
Propiedades de los espacios de
probabilidad
1. P (∅) = 0
2. A ⊂ B ⇒ P (A) ≤ P (B)
3. P (Ac) = 1 − P (A)
8
Fórmula de inclusión-exclusión
P (A ∪ B) = P (A) + P (B) − P (A ∩ B)
9
Espacios de probabilidad finitos
equiprobables
n
1 = P (E) = P (∪n
X
i=1 {ai}) = P ({ai}) = nP ({ai})
i=1
1 para todo i.
Luego P ({ai}) = n
10
Ejemplo 1.1
3 1
P (A) = =
6 2
1
P (B) =
2
Ejemplo 1.2
3
P (C) =
8
4 1
P (D) = =
8 2
11
Ejemplo 1.3
Entonces,
18 1
P (F ) = =
36 2
18 1
P (G) = =
36 2
12
Espacios de probabilidad infinitos
E = {1, 2, 3, 4, . . .} = N
E = [0, ∞)
13
Axiomas de Kolmogorov para espacios de
probabilidad infinitos
P : P(E) −→ R
que satisface los siguientes axiomas:
1. 0 ≤ P (A) ≤ 1
2. P (E) = 1
14
Probabilidad condicional
M = {OOO,OO+,O+O,+OO,O++,+O+,++O,+++}
Tenemos M 0 = {OOO,OO+,O+O,O++}.
Luego
3
P (Eva paga ahora) =
4
1
P (Clara paga ahora) =
4
16
Probabilidad condicional
P (A ∩ B)
P (A|B) =
P (B)
17
Ejemplo 1.1 La probabilidad de que tirando
un dado haya salido un número par sabiendo
que ha salido 1, 4 ó 5 es
1
P (A ∩ B) 6 1
P (A|B) = = 3 =
P (B) 6
3
3
P (C ∩ D)
P (D|C) = = 8
3
=1
P (C) 8
18
Ejemplo 1.3 Tiramos dos dados y nos fijamos
en la suma de los puntos obtenidos. Sea F el
suceso que la suma sea par y G que la suma
sea impar. Entonces,
0
P (F |G) = 36
18
=0
36
P (A|B) = P (B|A) = 0
19
Independencia de sucesos
P (A ∩ B) = P (A)P (B)
• Lo diga el enunciado
⇒
P (A ∩ B) P (A)P (B)
P (A|B) = = = P (A)
P (B) P (B)
P (B ∩ A) P (B)P (A)
P (B|A) = = = P (B)
P (A) P (A)
21
Ejemplo 1.1 A y B no son independientes
porque
1 1 1
P (A) = P (B) = P (A ∩ B) =
2 2 6
22
Ejemplo 1.8 pág 38 Consideramos la expe-
riencia de sacar al azar una carta de una baraja
de 40 cartas.
10 4
P (A) = P (B) =
40 40
23
Ejemplo Tengo dos bolis rojos, uno verde y
uno azul en un cajón. Saco dos sin reemplazo.
B = {R1A, R2A, AV }
A ∩ B = {R1A, R2A}
4 3 2
P (A) = P (B) = P (A ∩ B) =
6 6 6
A ∩ B = {R1A, R2A}
6 4 2
P (A) = P (B) = P (A ∩ B) =
10 10 10
25
Teorema de la probabilidad total
• ∪n
i=1 Ai = E, y
• son incompatibles 2 a 2
n
X n
X
P (B) = P (B ∩ Ai) = P (B|Ai)P (Ai)
i=1 i=1
26
Ejemplo 1.9 pág 38 La probabilidad de un
error en la transmisión de un mensaje por ra-
dio depende del nivel ρ de ionización de la
atmósfera, que se mide en una escala deter-
minada.
P (20 ≤ ρ) = 0, 1
27
Denotemos por el suceso de ”error en la
transmisión”, y A1, A2, A3 los sucesos
0 ≤ ρ < 10, 10 ≤ ρ < 20, 20 ≤ ρ, respecti-
vamente.
P () = 0, 1 · 0, 5 + 0, 2 · 0, 4 + 0, 3 · 0, 1 = 0, 16
28
Teorema de Bayes
29
Ejemplo 1.10 pág 39 Una urna contiene dos
bolas blancas y dos negras. Se extrae una bola
y, sin saber el color ni devolverla a la urna, se
extrae después otra bola.
Denotamos
31
Ejemplo 1.11 Pág 40 Dos máquinas A y B
producen 100 y 200 chips respectivamente. Se
sabe que la máquina A produce un 5% de chips
defectuosos y la B un 6%.
32
Denotemos por A, B y D los siguientes sucesos:
5 100 6 200
= · + · = 0, 0566...
100 300 100 300
33