Documentos de Académico
Documentos de Profesional
Documentos de Cultura
10 Tema-03 PDF
10 Tema-03 PDF
Por ejemplo, salir par, impar, múltiplo de 3, etc. son sucesos compuestos correspondientes al
experimento aleatorio de tirar un dado. Salir 3 es un suceso elemental del mismo experimento.
Cuando se realiza un experimento, el resultado que se obtiene es un punto muestral, entonces,
diremos que ha ocurrido un suceso cualquiera, cuando ocurre un punto muestral contenido en el
mismo. Es decir, diremos que ha ocurrido el suceso A, si el valor obtenido ω, verifica ω ∈ A. Lo
que estamos haciendo es, por tanto, trabajar con conjuntos, lo cual nos va a permitir usar todas las
relaciones existentes entre conjuntos, recordemos las más usuales:
Operaciones entre sucesos:
Unión de dos sucesos Sean A y B tal que A, B ⊂ Ω, se define la unión de los sucesos A y B y
se denota por A ∪ B, al suceso formado por todos los puntos muestrales que pertenencen, al
menos, a uno de los sucesos: A ∪ B = {ω ∈ Ω/ω ∈ A ó ω ∈ B}.
Inclusión de sucesos Sean A y B tal que A, B ⊂ Ω, se dirá que el suceso A está contenido ó
incluido en el suceso B, si todos los puntos muestrales de A pertenencen a B. A ⊂ B si
ω ∈ A ⇒ ω ∈ B.
• (A ∩ B)c = Ac ∪ B c .
• (A ∪ B)c = Ac ∩ B c .
2. fr(Ω) = 1.
Estadı́stica 38
Si lanzáramos al aire sucesivamente una moneda perfecta, comprobarı́amos que en la medida que
aumente el número de tiradas, la frecuencia relativa del suceso A = {salir cara} se irá acercando a
1/2. Esto constituye un hecho empı́rico que se conoce como Ley de Regularidad Estadı́stica y que
se puede enunciar del siguiente modo:
“La frecuencia relativa de un suceso se estabiliza cuando el número de experimentos crece
indefinidamente”
Esto permite dar una definición frecuentista o empı́rica de probabilidad:
Definición 5 Definición empı́rica.
Dado un experimento aleatorio se define la probabilidad de un suceso como el lı́mite de las fre-
cuencias relativas de aparición de dicho suceso, al repetir indefinidamente el experimento. Es decir,
nA
p(A) = lim fr(A) = lim .
N →∞ N →∞ N
Esta definición hoy en desuso, no es operativa y presenta muchos problemas:
• No es posible conocer el valor de la frecuencia relativa para cualquier N, lo que no permite un
cálculo real del lı́mite.
• Las circunstancias del experimento pueden variar con el tiempo, y por tanto lo harı́an las
frecuencias, y el valor de la probabilidad.
• El suceso puede ocurrir una sóla vez. (Por ejemplo, la probabilidad de que un determinado
avión se estrelle no es calculable de esta forma).
1. Si A es un suceso, 0 ≤ p(A) ≤ 1.
2. p(Ω) = 1.
3. Si A1 , A2 , . . . , An , . . . son sucesos mutuamente excluyentes, (es decir Ai ∩ Aj = ∅, i = j)
∞
entonces p (∪∞
i=1 Ai ) = p(Ai ).
i=1
Observación 2 1. Notar que las propiedades de la probabilidad son paralelas a las de la frecuencia
relativa. Ası́, mientras la frecuencia relativa es una medida empı́rica de la ocurrencia de un
suceso, la probabilidad es una medida teórica.
2. La idea común de probabilidad como “número de casos favorables partido por el número de
casos posibles” introducida por Laplace es un caso particular de la definición de Kolmogorov.
3. Cualquier aplicación que verifique la definición anterior es una probabilidad, no teniendo porqué
ajustarse a un experimento aleatorio real. Lo que interesa, es que ante un determinado experi-
mento se construya una probabilidad que lo describa lo mejor posible. Asignar una probabilidad
“buena” a un experimento aleatorio es el problema central de la Inferencia Estadı́stica.
Propiedades 2 1. p(∅) = 0.
2. Si A1 , A2 , . . . , An son sucesos mutuamente excluyentes, (es decir Ai ∩ Aj = ∅, i = j) entonces
n
p (∪ni=1 Ai ) = p(Ai ).
i=1
Ejemplos 1:
2. Un juego consiste en tirar un dado y observar el resultado. Si este es par, el jugador gana;
sino, pierde. En este caso, los resultados o sucesos elementales son 1, 2, 3, 4, 5, 6 y podemos
asignar probabilidades usando el método de Laplace, de forma que la probabilidad de cualquier
resultado es 1/6. El suceso “par” es un suceso compuesto, formado por los sucesos elementales
2, 4 y 6 (mutuamente excluyentes), luego: p(par) = p(2) + p(4) + p(6) = 36 = 12 .
Ejemplo 2:
El espacio muestral de este experimento serı́an los resultados posibles de las tres tiradas. Si
denotamos por C el resultado “cara” en una tirada y por X el resultado “cruz”, Ω = {CCC, CCX,
CXC, XCC, CXX, XCX, XXC, XXX}. Para asignar probabilidades en este experimento, puesto
que la moneda es normal, podemos considerar que todos estos sucesos son equiprobables y asignar a
cada uno, utilizando Laplace, probabilidad 18 ( N1 , con N=8). Podemos resolver el resto de apartados
utilizando también Laplace:
o
p(dos tiradas den el mismo resultado)= nnocasos favorables
casos posibles =
6
8
o
p(una cara y dos cruces)= nnocasos favorables
casos posibles =
3
8
o
p(las tres tiradas den el mismo resultado)= nnocasos favorables
casos posibles =
2
8
Estadı́stica 41
4 Probabilidad condicionada.
En ocasiones, se dispone de información adicional sobre el experimento, y la asignación inicial de
probabilidades, debe ser modificada:
Ejemplo 3:
Si se considera el experimento “tirar una moneda dos veces”, el conjunto de posibles resultados
serı́a:
Ω = { CC, CX, XC, XX } (donde C=cara y X=cruz)
Al suceso “obtener cara en la primera tirada y cruz en la segunda” le asignarı́amos la probabilidad
1/4 (usando equiprobabilidad). Sin embargo, si disponemos de la información adicional de que la
primera tirada ya se ha realizado y salió cara, la probabilidad de este suceso serı́a 1/2. ¿Qué diferencia
hay entre una situación y otra? La diferencia es que, al disponer de información adicional, el espacio
muestral ha cambiado; ahora es un subconjunto del espacio muestral Ω : {CX, CC}
Definición 8 Sea Ω el espacio muestral de un experimento aleatorio, A y B dos sucesos con p(B) =
0. Se define la probabilidad condicionada del suceso A al suceso B (a que haya ocurrido el suceso B)
como:
p(AB)
p(A/B) = .
p(B)
Análogamente, se define la probabilidad del suceso B condicionado porque haya ocurrido A como:
p(B/A) = p(AB)
p(A)
, siempre que p(A) = 0.
Se deduce p(AB) = p(A)p(B/A) = p(B)p(A/B). Se tiene en general
Ejemplo 4:
5 Independencia
Unido al concepto de probabilidad condicionada aparece el concepto de independencia de sucesos.
De forma intuitiva dos sucesos A y B del espacio muestral Ω se dice que son independientes si la
ocurrencia de uno no modifica la probabilidad de que el otro ocurra.
Definición 9 Diremos que dos sucesos A y B del espacio muestral Ω son independientes, si y sólo
si p(B/A) = p(B).
• p(A/B) = p(A).
Ejemplo 5:
En el experimento “tirar dos monedas”, los sucesos “obtener cara en la primera” y “obtener cara
en la segunda” son independientes:
1
p(CC) = = p(C)p(C).
4
Definición 10 Dos sucesos A y B se dicen dependientes si no son independientes.
Ejemplo 6:
Se lanza una moneda trucada tres veces y el resultado de cada tirada se considera independiente.
Si la probabilidad de cara es 0.8, contestar a las preguntas del ejemplo 2, es decir:
En este caso, las probabilidades de cara y cruz no son iguales; la de cara es 0,8 y, por tanto, la
de cruz (suceso complementario de “cara”) es 0,2 (1-0,8).
¿Cuál será, por ejemplo, p(CCX)? Determinamos la probabilidad del suceso CCX usando la
caracterización de probabilidad de sucesos independientes:
como los sucesos anteriores son mutuamente excluyentes, la probabilidad de la unión es la suma
de probabilidades:
(*)=p(CCX)+p(CXC)+p(XCC)+p(CXX)+p(XCX)+p(XXC)=
=(0.8)2 (0.2) + (0.8)2 (0.2) + (0.8)2 (0.2) + (0.2)2 (0.8) + (0.2)2 (0.8) + (0.2)2 (0.8)
Ejemplo 7:
Se tira 8 veces la moneda trucada del ejemplo 6; ¿Cuál es la probabilidad de obtener exactamente
tres caras?
En este ejemplo el espacio muestral está formado por puntos muestrales con “ocho letras” C ó X.
Cada suceso con exactamente tres caras tiene probabilidad (0.8)3 (0.2)5 . Para resolver el problema,
se necesita saber cuántos de estos puntos muestrales hay. La respuesta la proporciona el número
combinatorio
8 8!
= 3!(8−3)!
3
En general, si n y k son números enteros con n ≥ k, se define el número combinatorio
n n!
=
k k!(n−k)!
Para demostrar este resultado basta escribir el suceso B como: B = BA1 + BA2 + . . . + BAn ,
unión de sucesos mutuamente excluyentes, y aplicar las propiedades de la probabilidad.
p(B/Ak )p(Ak )
p(Ak /B) =
n .
p(B/Ai)p(Ai )
i=1
Ejemplo 8:
El 60% de los tornillos producidos por una fábrica proceden de la máquina A y el 40% de la
máquina B. La proporción de defectuosos en A es 0.1 y en B es 0.5. ¿Cuál es la probabilidad de que
un tornillo de dicha fábrica sea defectuoso? ¿Cuál es la probabilidad de que, sabiendo que un tornillo
es defectuoso, proceda de la máquina A?.
Estadı́stica 45
En este ejemplo, tenemos un experimento en dos etapas; en la primera, los sucesos son:
A: tornillo fabricado por la máquina A
B: tornillo fabricado por la máquina B
Los valores de las probabilidades de estos sucesos son conocidos: p(A)=0,6 y p(B)=0,4.
Los resultados de la segunda etapa son:
D: tornillo defectuoso
D: tornillo no defectuoso
Las probabilidades de estos sucesos dependen del resultado de la primera etapa:
p(D/A)=0,1 p(D/B)=0,5
A partir de estos valores podemos determinar también:
p(D̄/A)=1-P(D/A)=1-0,1=0,9 p(D̄/B)=1-P(D/B)=1-0,5=0,5
El suceso D se puede poner como: D=DA+DB, sucesos mutuamente excluyentes; luego utilizando
el teorema de las probabilidades totales:
p(D)=p(D/A)p(A)+p(D/B)p(B)=(0,1)(0,6)+(0,5)(0,4)=0,26