Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tema2Prob Ind
Tema2Prob Ind
2.1.– Introducción.
2.2.– Experimentos aleatorios. Sucesos.
Operaciones con sucesos y propiedades.
2.3.– Definiciones de probabilidad: frecuentista, clásica y axiomática.
2.4.– Operaciones elementales con probabilidades.
2.5.– Probabilidad condicionada.
Dependencia e independencia estocástica de sucesos.
2.6.– Regla de la multiplicación.
Teorema de la probabilidad total.
Teorema de Bayes. Aplicaciones.
2.7.– Análisis combinatorio.
2.1. Introducción
La Probabilidad es la disciplina matemática que estudia situaciones de riesgo e
incertidumbre, que pueden dar lugar a varios resultados con consecuencias muy
diferentes y no sabemos cuál de ellos se producirá.
La obtención de conclusiones generales a partir de los posibles resultados
que se pueden obtener es siempre incierta porque, cada vez que se da una
situación de riesgo, nosotros sólo observamos uno de los resultados.
Uno de los objetivos de la probabilidad es medir esta incertidumbre.
Los métodos que permiten medir los diferentes grados de incertidumbre se en-
globan dentro del Cálculo de Probabilidades.
CONCEPTOS BÁSICOS
⌦ = {1, 2, 3, 4, 5, 6}
Leyes de De Morgan:
(A [ B)c = Ac \ B c ; (A \ B)c = Ac [ B c
([ni=1 Ai )c = \ni=1 Aci ; (\ni=1 Ai )c = [ni=1 Aci
RELACIONES ENTRE SUCESOS
!"#$%&'() #*+,-.'/'$'0-0
D!F # !
!
" 4
3
4#$#3
A! B " !
c
Ac \ B c = {1, 3, 5} \ {4, 5, 6} = {5}; (A [ B)c = {1, 2, 3, 4, 6} = {5};
c
Ac [ B c = {1, 3, 5} [ {4, 5, 6} = {1, 3, 4, 5, 6}; (A \ B)c = {2} = {1, 3, 4, 5,
2.2. Propiedades entre sucesos.
Conmutativa: Asociativa:
A[B =B[A A [ (B [ C) = (A [ B) [ C
A\B =B\A A \ (B \ C) = (A \ B) \ C
Elemento neutro: Distributiva:
A[;=A A [ (B \ C) = (A [ B) \ (A [ C)
Unión: suceso imposible Unión respecto de la intersección
A\⌦=A A \ (B [ C) = (A \ B) [ (A \ C)
Intersección:suceso seguro Intersección respecto de la unión
Complementación: Idempotencia:
A [ Ac = ⌦ A[A=A
A \ Ac = ; A\A=A
Absorción: Simplificación:
A[⌦=⌦ A [ (A \ B) = A
A\;=; A \ (A [ B) = A
2.3. Definiciones de probabilidad
DEFINICIÓN FRECUENTISTA
0.9
0.8
0.8
0.6
0.7
0.6 0.4
0.5
0.2
0.4
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
50 100 150 200 250 300 200 400 600 800 1000
DEFINICIÓN CLÁSICA
P (1) = P (3) = P (5) = 1/9; P (2) = P (4) = P (6) = 2/9; P (6) = 2/9
• Si se lanza dos veces este dado: ¿cuál es la probabilidad de que la suma de las
puntuaciones sea 8?
Sea A el suceso “la suma de las puntuaciones es 8”
A = {(2, 6), (3, 5), (4, 4), (5, 3), (6, 2)}
2 2 4 1 1 1 2 2 4
P (2, 6) = 9 · 9 = 81 = P (6, 2) ; P (3, 5) = 9 · 9 = 81 = P (5, 3) ; P (4, 4) = 9 · 9 = 81
4 1 4 17
+ P (A) = 2 ·
+2· =
81 81 81 81
Ejercicio: ¿Qué suma es la más probable?
2.3. Definiciones de probabilidad: axiomática de Kolmogorov
Una función de probabilidad es una función P que a cada suceso A del espacio
muestral ⌦, le hace corresponder un número, P(A) , de forma que se verifican los
siguientes axiomas:
P (A [ B [ C) = 1 P (A [ B [ C)c = 1 P (Ac \ B c \ C c )
(lo contrario de que ocurra al menos uno de tres sucesos es que no ocurra nin-
guno de ellos)
2.5. Probabilidad condicionada
En algunas condiciones al realizar un experimento aleatorio se dispone de infor-
mación que permite reducir el espacio muestral, lo que modifica las probabili-
dades de los sucesos.
Ejemplo: En el lanzamiento de un dado consideremos el sucesos A: “salir un
6”, entonces P (A) = 1/6. Pero, ¿qué pasa si nos dicen que al lanzar el dado ha
ocurrido el suceso B: “ha salido un número par”?, ¿sigue siendo P (A, sabiendo
esta información)=1/6?
Dados dos sucesos A y B, con P (B) > 0, se define la probabilidad condicio-
nada del suceso A por el suceso B como la probabilidad de que ocurra el suceso
A cuando se sabe que ha ocurrido el suceso B y se denota por la expresión
P (A | B)
La probabilidad condicionada P (A | B)se calcula con el cociente
Se lee “probabilidad de A
dado B”o bien
P (A \ B) “probabilidad de A
P (A | B) = condicionada a B”
P (B)
El suceso A se llama suceso condicionado y el suceso B se llama suceso condi-
cionante, y debe tener probabilidad positiva, P (B) > 0, para que la fórmula an-
terior tenga sentido.
La probabilidad condicionada P (A | B)cuantifica la creencia en la verificación del
suceso A en una prueba en la que se sabe que ha ocurrido el suceso B
2.5. Probabilidad condicionada: ejemplo
Ejemplo: En la reprografia de la Escuela hay dos fotocopiadoras A y B. En una
hora la fotocopiadora A hace 80 fotocopias de las cuales 11 son defectuosas,
mientras que la B hace 50 fotocopias de las que 6 son defectuosas.
Defectuosas No defectuosas
Fotocopiadora A 11 69 80
Fotocopiadora B 6 44 50
17 113 130
P (A \ B) = P (B)P (A | B) = P (A)P (B | A)
2.5. Dependencia e independencia estocástica de sucesos.
Dos sucesos, A y B, son independientes (estocásticamente) cuando saber que
ha ocurrido uno de ellos no influye en la probabilidad que le asignamos al otro,
es decir, cuando se cumplen a la vez las igualdades
P (A | B) = P (A) y P (B | A) = P (B)
P (A | B) 6= P (A) o P (B | A) 6= P (B)
PROPIEDADES
A B
Si entonces A es dependiente de B
A!B=Ø
A!B!Ø
B
Si A es independiente de B entonces A
A!B!Ø
A B A!B!Ø(*)
Si A dependiente de B entonces
o bien
A!B=Ø(**)
A B
Demostración:
Sin más que aplicar la definición de probabilidad condicionada a cada uno de los
factores y simplificar
P (A1 )P (A2 | A1 )P (A3 | A1 \ A2 ) . . . P (An | A1 \ . . . \ An 1 )
P (A1 \ A2 ) P (A1 \ A2 \ A3 ) P (A1 \ . . . \ An 1 \ An )
= P (A1 ) · ...
P (A1 ) P (A1 \ A2 ) P (A1 \ . . . \ An 1 )
= P (A1 \ . . . \ An )
Sean A1 , A2 , A3 tres sucesos tales que, por ejemplo P (A1 \ A2 ) > 0. Entonces
P (A1 \ . . . \ An 1) >0
A1 \ . . . \ An 1 ⇢ A1 \ . . . \ An 2 ⇢ . . . ⇢ A1 \ A2 ⇢ A1
EJEMPLO: 40 jugadores en fila van extrayendo cada uno, sin devolución, una
carta de una baraja española. Gana el juego aquel jugador que saque el as de
espadas. Calcular la probabilidad que tiene cada jugador de ganar el juego.
Sea Gi : “el jugador i gana el juego”
Sea Ai : “el jugador i saca el as de espadas”
P (G1 ) = P (A1 ) = 1/40
P (G2 ) = P (Ac1 \ A2 ) = P (Ac1 )P (A2 | A1 c) = (39/40)(1/39) = 1/40
En general, para el jugador i, se tiene
P (Gi ) =P (Ac1 \ Ac2 . . . Aci 1 \ Ai )
=P (Ac1 ) · P (Ac2 | Ac1 ) · P (Ac3 | Ac2 \ Ac1 ) . . . P (Ai | Ac1 \ Ac2 \ Ac3 . . . Ai 1c )
39 38 37 40 (i 1)) 1 1
= · · ... · =
40 39 38 (40 (i 2) 40 (i 1) 40
Pn
P (B) = i=1 P (B | Ai )P (Ai )
Defectuosas No defectuosas
Fotocopiadora A 11 69 80
Fotocopiadora B 6 44 50
17 113 130
Entonces:
P (B | Ak )P (Ak )
P (Ak | B) = Pn
i=1 P (B | Ai )P (Ai )
Demostración:
Inmediata sin más que tener en cuenta la definición de probabilidad condicionada
y del teorema de la probabilidad total.
P (Ak \ B) P (B | Ak )P (Ak )
P (Ak | B) = = Pn
P (B) i=1 P (B | Ai )P (Ai )
2.6. Teorema de Bayes
A priori hemos considerado que la probabilidad inicial para cada moneda es 1/2,
pero después del primer lanzamiento las probabilidades son 1/3 para la moneda
legal y 2/3 para la moneda trucada. La información ha reducido la probabilidad
de la moneda legal.
2.6. Teorema de Bayes: continuación del ejemplo
Lanzamos de nuevo la moneda elegida la primera vez y se obtiene otra cara. ¿Cuál
es la probabilidad de que la moneda sea la legal?
Existen dos formas de calcular la probabilidad de que la moneda elegida haya
sido la moneda legal:
Primera forma: continuando con el experimento, tomamos como probabilidades
iniciales de cada moneda, las probabilidades finales obtenidas después del pri-
mer lanzamiento de ésta y aplicamos el teorema de Bayes con estas nuevas
probabilidades iniciales
1
P (C2 | M1|C1 )P (M1 | C1 ) 2 · 13 1
P (M1 | C1 \ C2 ) = = 1 1 2
=
P (C2 | M1|C1 )P (M1 | C1 ) + P (C2 | M2|C1 )P (M2 | C1 ) 2 · 3 +1· 3
5
Segunda forma: Volver al principio del experimento y suponer que las probabili-
dades iniciales son 1/2 para cada moneda:
1 1
P (C1 \ C2 | M1 )P (M1 ) 2 · 2· 12 1
P (M1 | C1 \C2 ) = = 1 1 1 1
=
P (C1 \ C2 | M1 )P (M1 ) + P (C1 \ C2 | M2 )P (M2 ) 2 · 2 · 2 +1·1· 2
5
casos favorables a A
P (A) =
casos posibles
m!
Vmn = m(m 1)(m 2) . . . (m n + 1) =
(m n)!
.
Ejemplo: ¿De cuantas maneras distintas pueden sentarse 10 personas en
una fila de 4 asientos?.
La primera silla puede ser ocupada por cualquiera de las 10 personas, la
segunda silla sólo por 9, la tercera por 8 y la cuarta por 7. Por tanto el número
pedido es:
V104 = 10 · 9 · 8 · 7 = 5040
2.7. Análisis Combinatorio: variaciones con repetición
Llamamos variaciones con repetición de m elementos tomados de n en n y lo
n
notaremos V Rm a los diferentes grupos de tamaño n que se pueden formar con
los m elementos dados repetidos o no, de modo que dos grupos se consideran
distintos si ocurre, al menos, una de estas dos condiciones:
(a) difieren en algún elemento
(b) difieren en el orden de disposición de sus elementos.
El número de variaciones distintas es igual a
n
V Rm = mn
Ejemplo: ¿Cuántos números de tres cifras se pueden formar con los dı́gitos
1,2,3,4,5?
Formamos grupos de 3 cifras y se pueden repetir los numero, por tanto el
número pedido es:
V R53 = 53
2.7. Análisis Combinatorio: permutaciones
PN = N (N 1)(N 2) . . . 3 · 2 · 1 = N !
Ejemplo: ¿De cuántas formas pueden colocarse en fila 5 personas para una
foto de grupo?
P5 = 5! = 5 · 4 · 3 · 2 · 1 = 120
2.7. Análisis Combinatorio: permutaciones con repetición
Llamamos permutaciones con repetición de N elementos, entre los que hay r
elementos distintos, de tal forma que el i-ésimo elemento se repite ni veces con
n1 ,n2 ,...,nr
n1 + n2 + . . . + nr = N y ni 0 i = 1, 2, . . . r, lo notaremos P RN a
los distintos grupos que se pueden formar con estos N elementos de manera
que dos grupos se van a considerar distintos si
(a) difieren en el orden de colocación de sus elementos.
El número de permutaciones con repetición es:
n1 ,n2 ,...,nr N!
P RN =
n1 ! · n2 ! . . . nr !
Ejemplo: ¿Cuántos números de ocho cifras se pueden formar con los dı́gitos 2,
4 ,6 de modo que el 2 se repita tres veces, y el 4 y el 6 dos veces cada uno?
El número pedido serı́a
8! 40320
P R83,2,2 = = = 420
3! · 2! · 2! 96
2.7. Análisis Combinatorio: combinaciones
Llamamos combinaciones de m elementos tomados de n en n y lo notaremos
n
Cm a los diferentes grupos de tamaño n que se pueden formar con los m ele-
mentos dados sin que se repita ninguno, de modo que dos grupos se consideran
distintos si o
(a) difieren en algún elemento
El número de combinaciones distintas es igual a
✓ ◆
n m! N
Cm = =
n!(m n)! n
6!
C62 = = 60
2!3!
2.7. Análisis Combinatorio: combinaciones con repetición
Llamamos combinaciones con repetición de m elementos tomados de n en n y lo
n
notaremos CRm a los diferentes grupos de tamaño n que se pueden formar con
los m elementos dados repetidos o no, de modo que dos grupos se consideran
distintos si
(a) difieren en algún elemento
El número de combinaciones con repetición distintas es igual a
✓ ◆
n m+n 1
CRm =
n
Dados que los polinomios (1 + x)N (1 + x)M y (1 + x)N +M son el mismo, los coefi-
cientes de una misma potencia de x en ambos han de ser iguales
2.7. Fórmulas clásicas del análisis combinatorio