Documentos de Académico
Documentos de Profesional
Documentos de Cultura
- Probabilidad
PROBABILIDAD
Aunque lo justificaremos más adelante, para fijar ideas conviene ir teniendo claro desde este
momento que, en la mayoría de los casos, la distribución de probabilidades o modelo probabilístico
de una variable aleatoria no es otra cosa que la distribución de frecuencias relativas hipotética que
1
Tema 5.- Probabilidad
se construiría si se midiera la variable a toda la población. Lo que ocurre es que esta medición
exhaustiva es imposible de realizar habitualmente. En un juego de azar, esta población sería el
conjunto de todas las posibles realizaciones pasadas, presentes y futuras de dicho juego.
Ejemplo: Los gráficos siguientes muestran diámetros interiores de arandelas fabricadas con el
propósito de que dichos diámetros midieran 1 cm. Inicialmente, se tomaron muestras de 20
arandelas.
Diámetros interiores de 20 arandelas Diámetros interiores de 20 arandelas Diámetros interiores de 20 arandelas
0.5
0.4
0.3
0.4
0.3
fr. 0.2 fr. fr. 0.3
0.2
0.2
0.1
0.1
0.1
0 0 0
97 98 99 100 101 102 103 97 98 99 100 101 102 103 97 98 99 100 101 102 103
(X 0.01) (X 0.01) (X 0.01)
Los gráficos siguientes corresponden al mismo proceso de producción, pero con muestras
de tamaño 100.
Diámetros interiores de 100 arandelas Diámetros interiores de 100 arandelas Diámetros interiores de 100 arandelas
0 0 0
97 98 99 100 101 102 103 97 98 99 100 101 102 103 97 98 99 100 101 102 103
(X 0.01) (X 0.01) (X 0.01)
Análogamente, con muestras de tamaño 1000, se obtuvieron los resultados que se muestran.
En el gráfico se añade un curva que podríamos decir que representa la pauta general o modelo de
comportamiento aleatorio del proceso de fabricación.
Diámetros interiores de 1000 arandelas Diametros interiores de 1000 arandelas
Diámetros interiores de 1000 arandelas
0.12 0.12
0.1
0.1 0.1
0.08
0.08 0.08
0.06
fr. 0.06 fr.
0.06 fr.
0.04
0.04 0.04
0 0 0
2
Tema 5.- Probabilidad
Ejemplo: Los gráficos siguientes muestran las duraciones de muestras de lámparas fabricadas en
serie. Las muestras son de tamaño 50.
Duraciones de 50 lamparas (horas) Duraciones de 50 lamparas Duraciones de 50 lamparas (horas)
(horas)
0.4 0.3 0.4
0.25
0.3 0.3
0.2
0.1
0.1 0.1
0.05
0 0 0
0 1 2 3 4 5 0 1 2 3 4 5 0 1 2 3 4 5
(X 1000) (X 1000) (X 1000)
0.2 0.2
0.2
0.16 0.16
0.15
fr. fr. fr.
0.12 0.12
0.1
0.08 0.08
0 0 0
0 1 2 3 4 5 6 0 1 2 3 4 5 6 0 1 2 3 4 5 6
(X 1000) (X 1000) (X 1000)
Ejemplo: En cierto proceso de fabricación de artículos, éstos son catalogados como Defectuosos o
Aceptables. Si se extraen muestras de artículos, es imposible predecir el numero de artículos que se
van a obtener de cada tipo, pero para muestras grandes y representativas se va perfilando una tasa
de defectos parecida para todas las muestras. Los gráficos siguientes muestran los resultados de
tres muestras de 20 artículos.
Muestra de 20 artículos Muestra de 20 artículos Muestra de 20 artículos
18 18 18
15 15 15
12 12 12
9 9 9
6 6 6
3 3 3
0 0 0
3
Tema 5.- Probabilidad
80 80 80
40 40 40
0 0 0
Ejemplo: En un sondeo de opinión, se quiere obtener información para realizar una estimación de
la proporción de votantes de cada partido en las próximas elecciones. Se supone que existe un
abanico de 5 partidos mayoritarios que denotamos por A, B, C, D y E. El gráfico muestra los
resultados de tres sondeos de opinión sobre la intención de voto con muestras de tamaño 100
extraídas de una población.
Intención de voto
muestra de 100 personas Intencion de voto Intención de voto
muestra de 100 personas muestra de 100 personas
40
40 50
30 40
30
30
20
20
20
10 10
10
0 0 0
A B C D E A B C D E A B C D E
En el mismo estudio, se representan a continuación los resultados del sondeo de opinión en tres
muestras de tamaño 1000. Nótese que a pesar de que el modelo general de comportamiento se va
perfilando, aún persiste la incertidumbre sobre el partido ganador. Será necesario extraer aún más
información (muestras más grandes) para poder aventurar un pronóstico.
0 0 0
A B C D E A B C D E A B C D E
4
Tema 5.- Probabilidad
0.2
0.12
0.6
0.16
0.09
fr. 0.4 fr. 0.12 fr.
0.06
0.08
0.2
0.03
0.04
0 0 0
296 298 300 302 304 296 298 300 302 304 296 298 300 302 304
(X 0.01) (X 0.01) (X 0.01)
Si así ocurriera, habría que cuestionar con toda seguridad la representatividad de las
muestras obtenidas.
Ejemplo: Los gráficos siguientes muestran datos procedentes de dos problemas tan dispares como
el estudio de diámetros de cojinetes y la longitud de fémur en fetos. A pesar de la dispar naturaleza
de ambos problemas, parecen presentar pautas de comportamiento comunes.
0.12 0.12
0.1 0.1
0.08 0.08
0.06 frec.0.06
0.04 0.04
0.02 0.02
0 0
4.97 4.99 5.01 5.03 5.05 7.5 8.5 9.5 10.5 11.5 12.5 13.5
5
Tema 5.- Probabilidad
Ejemplo: Los gráficos siguientes muestran datos de tiempos entre averías de máquinas y de
distancias entre defectos de aislamiento en cables eléctricos. Como en el ejemplo anterior, ambos
problemas parecen obedecer a modelos análogos.
Tiempo entre averías de máquinas (días) Distancia entre defectos aislamiento en cables
muestra de 1000 averías eléctricos (metros). n=1000.
0.4 0.24
0.2
0.3
0.16
frec.0.2 frec.0.12
0.08
0.1
0.04
0 0
aunque no tomen resultados numéricos. Lógicamente, si una variable aleatoria se puede medir en
una escala de intervalo utilizando números reales, estaremos en condiciones de aprovechar las
ventajas que ofrece la recta real por encima de cualquier otro espacio: Estructura geométrica,
algebraica (operaciones), topológica y de orden. Cuando sólo estemos analizando una característica
o variable de un experimento aleatorio, identificaremos el experimento aleatorio con la variable
aleatoria y nos referiremos indistintamente a cualquiera de ellos.
Ejemplos:
Lanzamiento de una moneda: E={C,X}.
Sorteo del cupón de la O.N.C.E.: E={00000, 00001,...., 99998, 99999}.
Tomar N artículos y contar los Defectuosos: E={0, 1, ..., N}.
Contar las llamadas telefónicas que se producen en un día en una central: E={0, 1, ...}.
Medir la duración de una lámpara: E=[0,∞)
Medir la longitud de piezas: E=(a cm, b cm)
Ejemplos:
- {Obtener C} en el lanzamiento de una moneda.
- {Obtener un número múltiplo de 10} en el sorteo de la O.N.C.E.
- {Obtener más de 3 artículos defectuosos} en una muestra de 100 artículos
- {Duración menor de 100 horas} en el funcionamiento de una lámpara.
- {Obtener una pieza de longitud menor que 3 cm} en un proceso de fabricación
- {Obtener un individuo de más de 35 años que no fume} en un estudio sociológico.
Sucesos elementales: Se llaman sucesos elementales los que son representables por conjuntos
unipuntuales.
Sucesos compuestos: Se llaman sucesos compuestos aquéllos formados por más de un punto del
espacio muestral.
Suceso Imposible: Se denota por ∅ (conjunto vacío) y representa a un suceso que nunca puede
ocurrir.
7
Tema 5.- Probabilidad
Suceso seguro: Es otra forma de denominar al propio espacio muestral, E, que siempre ocurre.
Sucesos incompatibles: Se denomina sucesos incompatibles a aquéllos que no se pueden dar
simultáneamente y que se representan mediante conjuntos disjuntos. A∩B=∅.
Suceso compuesto
Suceso elemental
* * ** ** ** ** *
E
B
A
Sucesos incompatibles
La expresión de los sucesos en términos conjuntistas nos permite realizar representaciones sencillas
mediante diagramas de Venn, así como utilizar las operaciones habituales entre conjuntos:
A∩B significa que se dan simultáneamente A y B.
A∪ B significa que se da al menos uno de los dos sucesos A o B.
A (Complementario de A) significa que no ocurre A.
A
E A
E A A∩B B
A∪B
8
Tema 5.- Probabilidad
Tipos de experimentos aleatorios: Atendiendo al cardinal del espacio muestral, distinguiremos dos
tipos de experimentos:
• Experimentos discretos: Son aquéllos cuyo espacio muestral consta de un número finito o
infinito numerable de sucesos elementales. Nótese que este caso incluye tanto a las variables
cualitativas o atributos (variables categóricas) como a las variables numéricas discretas. Todas
ellas se tratan de la misma forma desde el punto de vista del Cálculo de Probabilidades.
Ejemplos:
Lanzamiento de una moneda: E={C,X}.
Sorteo del cupón de la O.N.C.E.: E={00000, 00001,...., 99998, 99999}.
Tomar N artículos en una cadena de fabricación y contar los Defectuosos: E={0, 1, ..., N}.
Contar las llamadas telefónicas que se producen en un día en una central: E={0, 1, ...}.
• Experimentos no discretos: Son aquéllos cuyo espacio muestral consiste en una infinidad no
numerable de puntos. Los únicos experimentos no discretos que nos interesan son experimentos
con valores en intervalos de la recta real (variables aleatorias continuas) o, en general, conjuntos
con “volumen” de espacios euclídeos (ℜn) (vectores aleatorios continuos), que se caracterizan
por la continuidad entre los posibles resultados. De este modo, en este curso los experimentos
aleatorios no discretos son aquéllos en los que se observan variables continuas.
Ejemplos:
Medir la duración de una lámpara: E=[0,∞)
Medir la longitud de piezas: E=(a cm, b cm).
PROBABILIDAD
Asociada de una manera natural a la idea de experimento aleatorio, está la idea de
probabilidad como medida de la incertidumbre previa sobre la ocurrencia de los distintos sucesos de
un experimento aleatorio. En el lenguaje coloquial, se utiliza habitualmente el término probabilidad
para designar las oportunidades relativas de unos sucesos respecto a otros, a la hora de ocurrir,
cuando realizamos un experimento aleatorio. Pero estas nociones intuitivas requieren una
formalización matemática para poder trabajar formalmente con ellas.
Vamos a tratar de medir las “posibilidades” que tiene de ocurrir cada suceso mediante
números comprendidos entre 0 y 1. Estos números deberán someterse a unas reglas mínimas que
garanticen la coherencia de los números asignados con las relaciones conjuntistas entre los distintos
sucesos.
Con un carácter un poco más formal, podemos dar la siguiente definición:
9
Tema 5.- Probabilidad
El apartado b) es siempre el más importante y muchas veces el único que interviene. Cuando
los modelos probabilísticos son concebidos a través de la información empírica como límite de
distribuciones de frecuencias, se habla de concepción frecuentista de la probabilidad.
Ejemplo 1. Si un bombo contiene 100 bolas numeradas de 00 a 99, todas físicamente idénticas,
cuando se accione de manera “imparcial” el mecanismo de giro y se extraiga una bola tendremos
una variable aleatoria que no puede tener otro modelo probabilístico que el que asigna igual
probabilidad a todos los resultados, es decir 1/100 para cada número de 00 a 99. Este experimento
es un ejemplo de lo que se conoce como modelo uniforme discreto, y la asignación de
probabilidades obedece a lo que habitualmente se llama probabilidad clásica, donde la única
dificultad para probabilizar los sucesos reside en saber contar el número de puntos que los forman.
A continuación formalizaremos un poco más detalladamente estos modelos.
Ejemplo 2. Cuando una variable es consecuencia de muchas causas independientes que actúan
de manera aditiva, el modelo para esta variable es la distribución normal. Esto se prueba
matemáticamente a partir del llamado Teorema Central del Límite. Más adelante estudiaremos este
modelo.
Ejemplo 3. Si un dispositivo funciona sin desgaste, el tiempo que transcurre entre averías
sucesivas es una variable aleatoria que sigue necesariamente la llamada distribución exponencial.
Esta distribución de probabilidades será uno de los modelos que estudiaremos en la última parte de
la asignatura.
10
Tema 5.- Probabilidad
No obstante, es muy difícil asegurar que las bolas son físicamente idénticas (Ejemplo 1), que
las causas son aditivas e independientes (Ejemplo 2) o que el dispositivo funciona sin desgaste
(Ejemplo 3). Necesitaremos validar estas hipótesis a través de información empírica (concepción
frecuentista) para evitarnos sorpresas desagradables. Sería absurdo aferrarse a un modelo teórico
que no concuerde con los resultados experimentales.
PROBABILIDAD CLÁSICA
La idea originaria de la probabilidad surgió en el contexto de los juegos del azar cotidianos
(ruletas, dados, loterías, ...), donde los experimentos suelen ser discretos, con un número finito, n,
de posibles resultados o sucesos elementales, todos ellos con la mismas oportunidades de ocurrir.
En este contexto, no parece existir otra asignación razonable de probabilidades a los sucesos
que la derivada de establecer la razón entre los puntos favorables a cada suceso y el número total de
puntos muestrales. Esta es la conocida Regla de Laplace:
Casos favorables
P ( A) = .
Casos posibles
Es inmediato comprobar que esta asignación de números a los sucesos satisface las reglas 1,
2 y 3 de la Probabilidad.
Lógicamente, la concepción clásica de la probabilidad tiene un campo de aplicación muy
restringido y necesitamos otras ideas para probabilizar experimentos donde no se pueda aplicar la
Regla de Laplace.
11
Tema 5.- Probabilidad
n ( A)
f n ( A) = n
→ P ( A)
→∞
n
Ejemplo: Probabilización del suceso “clavo”(la chincheta cae con el pincho hacia arriba) al
arrojar una chincheta con un cubilete sobre una superficie plana.
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
0 200 400 600 800 1000
Número de Lanzamiento
PROBABILIDAD SUBJETIVA
12
Tema 5.- Probabilidad
REGLAS DE LA ADICIÓN
A partir de las tres reglas iniciales de la probabilidad, surgen una serie de resultados útiles
para probabilizar sucesos que se puedan expresar como uniones de otros sucesos más sencillos.
Estas reglas se denominan genéricamente reglas de la adición de probabilidades.
P(∅) = 0 .
P ( A) ≤ P ( B ), P ( B − A) = P ( B ∩ A) = P ( B ) − P ( A).
P ( A ∪ B) = P ( A) + P ( B) − P ( A ∩ B) .
P ( A ∪ B ∪ C ) = P ( A) + P ( B ) + P ( C ) − P ( A ∩ B) − P ( A ∩ C ) − P ( B ∩ C ) + P ( A ∩ B ∩ C ) ,
n n n
P( A1 ∪... ∪ An ) = ∑ P( Ai ) − ∑ P( Ai ∩ A j ) + ∑ P( Ai ∩ A j ∩ Ak )−... + ( −1)n −1 P( A1 ∩... ∩ An ) ,
i =1 i< j i< j <k
13
Tema 5.- Probabilidad
Como aplicación de las reglas anteriores, una posible estrategia para probabilizar un
suceso de un espacio muestral asociado a un experimento aleatorio puede ser la de expresarlo
como unión de otros sucesos más sencillos, a ser posible disjuntos, y aplicar alguna de las reglas
de la adición.
Ejemplo: Las piezas producidas por una planta industrial pueden tener tres tipos de defectos: A, B
y C. Se estima que un 10% de las piezas producidas presentan el defecto A; un 8% el B; un 5% el
C; un 2% A y B; un 0.5% A y C; un 1% B y C; y un 0.2% presentan los tres defectos. Se elige al
azar una pieza. Calcular:
a) Probabilidad de que no tenga ningún defecto.
b) Probabilidad de que tenga a lo sumo un defecto.
c) Probabilidad de que tenga exactamente dos defectos.
Solución: La situación planteada se refleja en el siguiente diagrama de Venn.
A B
A∩B∩C A∩B∩C
A∩B∩C
E
A∩B∩C
A∩B∩C
C
A∩B∩C
A∩B∩C A∩B∩C
P( A ∩ B ∩ C ) = 0.002,
P( A ∩ B ∩ C ) = 0.008, P( A ∩ B ∩ C ) = 0.003, P( A ∩ B ∩ C ) = 0.018
14
Tema 5.- Probabilidad
A partir de aquí, cualquier suceso del espacio se probabiliza usando la Regla 3 (aditividad)
de la probabilidad:
a) P ( A ∩ B ∩ C ) = 0.803.
b) ( )
P ( A ∩ B ∩ C) ∪ ( A ∩ B ∩ C ) ∪ ( A ∩ B ∩ C) ∪ ( A ∩ B ∩ C) =
= 0.077 + 0.052 + 0.037 + 0.803 = 0.969.
( )
c) P ( A ∩ B ∩ C ) ∪ ( A ∩ B ∩ C ) ∪ ( A ∩ B ∩ C ) = 0.008 + 0.003 + 0.018 = 0.029
Probabilidad condicionada.
( )
P A B = 0, ( )
P C B = 1, ( )
P D B > P ( D), etc.
A
C
E
B D
15
Tema 5.- Probabilidad
Los experimentos de la Regla de Laplace (probabilidad clásica) nos dan la idea de cómo
definir la probabilidad condicionada:
A
* * * * * * * *
E * * * * * * * *
A∩B
B * * * * * * * *
* * * * * * * *
El suceso B pasa a ser el nuevo conjunto de casos posibles y, para cada suceso A, los casos
favorables son los comunes a A y B. Entonces se tiene:
( B ) = Casos
PA
favorables n º de puntos en A ∩ B n( A ∩ B )
Casos posibles
=
n º de puntos en B
=
n( B )
,
n( A ∩ B )
( )
P AB =
n( A ∩ B )
n( B )
=
n( B )
n = P( A ∩ B) .
P( B)
n
En definitiva, se realiza la reasignación de probabilidades a los sucesos de manera
proporcional a la parte que cada suceso tiene en común con el nuevo suceso seguro. Con esta idea
damos la definición general, válida en espacios cualesquiera:
P A( B) = P(PA(∩B)B) .
Como no podía ser de otra manera, se cumple:
1.- La probabilidad condicionada satisface las Reglas 1, 2 y 3 de la probabilidad, es decir, es una
verdadera probabilidad.
2.- La probabilidad condicionada que acabamos de definir satisface los requisitos intuitivos
mencionados anteriormente, es decir, realmente incorpora al modelo la información de que B ha
ocurrido.
La comprobación de estos aspectos es un ejercicio sencillo que se deja al lector.
16
Tema 5.- Probabilidad
Ejemplo: Consideremos el ejemplo anterior sobre piezas producidas por una planta industrial que
pueden tener tres tipos de defectos A, B y C.
a) Hallar la probabilidad de que una pieza no tenga el defecto B, sabiendo que tiene el defecto A.
b) Hallar la probabilidad de que una pieza que se sabe que no tiene ninguno de los debectos A y B,
tenga el defecto C.
Solución:
A
( )
a) P B = 1 − P B = 1 −
A
P(A ∩ B)
P (A )
= 1−
0.02
0 .1
= 0 .8 .
b) P C = P ( A ∩ B ∩ C ) = P ( A ∩ B ∩ C ) = P ( A ∩ B ∩ C ) = 0.037
= 0.044.
A ∩ B P( A ∩ B) P( A ∪ B) 1 − P( A ∪ B) 1 − 01
. − 0.08 + 002
Reglas de multiplicación:
Este desarrollo multiplicativo se puede realizar para cualquiera de las reordenaciones de A1,
A2, ..., An.
Independencia:
( )
P B A = P ( B ) siempre que P ( A) > 0 .
Una reescritura de las definiciones anteriores nos da una nueva regla de multiplicación:
17
Tema 5.- Probabilidad
P ( A ∩ B ) = P ( A) P ( B ).
Ejercicio: Comprobar que si dos sucesos A y B son independientes, también lo son sus
complementarios y cada uno de ellos con el complementario del otro.
( ) ( ).
P ( Ai1 ∩ Ai2 ∩...∩ Air ) = P ( Ai1 ) P Ai2 . ... P Air ,
{i1 ,... ir } ⊆ {1,2,... n}, r = 2,3,..., n
Como en el caso de independencia de dos sucesos, la independencia de n sucesos A1, A2, ...,
An es equivalente a la independencia de cualquiera colección de n sucesos obtenidos eligiendo para
cada i=1, 2, ..., n, el suceso Ai o su complementario.
Ejemplo: Un depósito de agua tiene dos dispositivos de seguridad, A y B, que impiden la llegada de
más agua cuando ésta alcanza cierto nivel. Ambos dispositivos funcionan independientemente,
estimándose que el dispositivo A funciona el 90% de las ocasiones y el B el 70%. Calcular:
a) La seguridad del dispositivo en conjunto.
b) Probabilidad de que sólo funcione uno de los dispositivos.
Solución:
a) La seguridad del dispositivo en conjunto es la probabilidad de que funcione alguno de los dos
dispositivos (A∪B), es decir
P(A ∪ B) = P(A ) + P(B) − P(A ∩ B) = P(A ) + P(B) − P(A )P(B) = 0.9 + 0.7 − 0.63 = 0.97
b)
[ ]
P (A ∩ B) ∪ (A ∩ B) = P(A) − P(A ∩ B) + P(B) − P(A ∩ B) = 0.9 − 0.63 + 0.7 − 0.63 = 0.34
Ejemplo: Fiabilidad de sistemas. Supongamos un sistema formado por n componentes A1, A2, ...,
An, que funcionan independientemente. Denotemos por Ri la fiabilidad de cada componente, es
decir, la probabilidad de no estar estropeado.
a) Obtener la fiabilidad total del sistema, RS, cuando los componentes están acoplados en
serie.(El sistema funciona sí y sólo si funcionan todos los componentes).
A1 A2 An
18
Tema 5.- Probabilidad
Solución:
Por la independencia del funcionamiento de los distintos componentes, se tiene:
R S = R 1 ⋅ R 2 ⋅ ... ⋅ R n .
R S = R1 .
n
b) Obtener la fiabilidad total del sistema, RP, cuando los componentes están acoplados en
paralelo. (El sistema funciona sí y sólo si funciona al menos un componente)
A1
A2
An
Solución:
Por la independencia del funcionamiento de los distintos componentes, se tiene:
1 − RP = (1 − R1 ) ⋅ (1 − R2 )⋅...⋅(1 − Rn ) .
1 − R P = (1 − R1 ) n .
Ejercicio: Obtener la fiabilidad de los sistemas que se muestran a continuación, suponiendo que
todos los componentes son idénticos y funcionan independientemente con fiabilidad común R=0.95.
19
Tema 5.- Probabilidad
Nótese que el hecho de que dos (o más) sucesos sean independientes obedece en muchas
ocasiones a una necesidad física o funcional. Esto ocurre especialmente cuando tenemos un
experimento organizado en varias etapas “físicamente independientes” y estudiamos la
independencia de sucesos cuya realización involucra a etapas diferentes para cada uno de los
sucesos. En estos casos la independencia será algo obvio que no necesitará comprobación.
Por el contrario, en otras ocasiones la independencia es fruto de una mera coincidencia
numérica, a veces inesperada. En estos casos, tendremos que recurrir necesariamente a las fórmulas
para su comprobación. Veamos ejemplos de las dos situaciones.
Ejemplo: Se lanzan dos dados equilibrados. El espacio muestral asociado es el conjunto de pares
E={(1,1), (1,2), …, (6,6)}, que consta de 36 puntos. La asignación de probabilidades a los sucesos
se realiza a partir de la regla de Laplace, dada la condición de equiprobabilidad de los sucesos
elementales que se deduce de que los dados sean equilibrados. Consideremos los sucesos A={el
primer dado sale “1”} y B={el segundo dado sale “1”}. Estos sucesos pueden considerarse
“físicamente independientes” en el sentido de que no parece razonable esperar ningún tipo de
relación entre la ocurrencia de ambos al definirse cada uno de ellos a partir del resultado de un
dado diferente.
El cálculo de Probabilidades corrobora este hecho al resultar que
P( A ∩ B) = P{(11, )} =
1
,
36
6 6 1
P( A) × P( B) = × = .
36 36 36
Ejemplo: Una empresa de servicios tiene clientes en tres zonas, Rural (R), Semiurbana (SU) y
Urbana (U), en proporciones 0.10, 0.30 y 0.60 respectivamente. Entre los servicios que presta la
empresa, el servicio S es demandado de una manera desigual por los clientes, según la zona de
residencia. Así, entre los servicios prestados a clientes de la zona R, el servicio S representa el 20
%, en la zona SU el 40 % y en la zona U el 10 %. El experimento aleatorio consiste en elegir un
cliente al azar y resulta que los sucesos S y R son independientes.
Para comprobarlo, primero necesitamos obtener P(S). Aplicamos las reglas de la adición y
de la multiplicación y obtenemos
20
Tema 5.- Probabilidad
E B
A1 A2 A3 ... An
A1, A2, ..., An son sucesos que forman una partición de E, es decir:
UA i = E , Ai ∩ A j = ∅ si i ≠ j.
i =1
- P(B) (incondicional)
- P(Ai/B), i=1, 2, ... (probabilidades a posteriori).
La obtención de estas probabilidades origina dos resultados o reglas importantes del Cálculo
de Probabilidades, que son el resultado de combinar las reglas de la adición y de la multiplicación.
21
Tema 5.- Probabilidad
P( B) = ∑ P( A j ) P B A .
j
j
Regla de Bayes:
Esta regla permite obtener las probabilidades a posteriori, de los sucesos Ai, es decir, las
probabilidades de dichos sucesos tras conocer que ha ocurrido el suceso B.
P( Ai ) P B
P Ai = Ai .
B
∑j P( A j ) P B A j
Ejemplo: Tres máquinas, A, B y C, fabrican la misma pieza con una producción aceptable del 70%,
80% y 90% respectivamente. Del total de la producción, el 40% corresponde a la máquina A, el
45% a la B y el 15% a la C.
a) Hallar la probabilidad de que una pieza elegida al azar sea aceptable.
b) Hallar la probabilidad de que una pieza defectuosa proceda de la máquina A.
Solución:
Utilizaremos las notaciones siguientes para los sucesos:
A={piezas producidas por la máquina A}
B={piezas producidas por la máquina B}
C={piezas producidas por la máquina C}
D={piezas defectuosas}.
Datos: P(A)=0.4 P(B)=0.45 P(C)=0.15, P D A = 0.7, P D B = 0.8, P D C = 0.9.
P( D) = P( A) P D A + P( B) P D B + P( C) P D C = 0.4 ⋅ 0.7 + 0.45 ⋅ 0.8 + 015
. ⋅ 0.9 = 0.775
( )
P ( A) P D A
( )
P AD = =
0.4 ⋅ 0.3
= 0.53333
( ) ( ) ( )
P( A) P D A + P( B) P D B + P( C) P D C 0.4 ⋅ 0.3 + 0.45 ⋅ 0.2 + 015
. ⋅ 01
.
Análogamente, se tiene:
22
Tema 5.- Probabilidad
( )
P BD =
0.09
0.225
= 0.4, ( )
P CD =
0.015
0.225
= 0.06666 .
Ejemplo: Una máquina produce artículos que pueden ser defectuosos con probabilidad 0.1. Para
mejorar la calidad, se somete la producción a una inspección de tal manera que:
1) Un artículo defectuoso es detectado y rechazado con probabilidad 0.99.
2) Un artículo no defectuoso es rechazado por error con probabilidad 0.02.
a) Determinar cuál es la calidad final del producto, es decir, la probabilidad de que un artículo sea
no defectuoso después de superada la inspección.
b) Determinar la probabilidad de que un artículo desechado por no superar la inspección sea
aceptable.
c) Si los artículos se someten dos veces a la inspección y se supone independencia entre las dos
inspecciones, determinar la probabilidad de que un articulo sea no defectuoso tras superar las dos
inspecciones.
Solución:
Utilizaremos las siguientes notaciones:
D={artículos defectuosos}
R={artículos rechazados por la inspección}
y para el apartado c), además,
Ri={artículos rechazados por la inspección No. i}, i=1,2.
P( D) P R
0.9 ⋅ 0.98
P D =
D
= = 0.9988.
R
P( D) P D + P( D) P
R R
01
. ⋅ 0.01 + 0.9 ⋅ 0.98
D
P( D) P R
0.9 ⋅ 0.02
P D R =
D
= = 01538
. .
( )
P( D) P R D + P ( D) P R
D
. ⋅ 0.99 + 0.9 ⋅ 0.02
01
c) Está claro que la independencia entre las dos inspecciones es condicionalmente tanto a que el
artículo se Defectuoso como que sea No Defectuoso.
R ∩ R2
P ( D) P 1
D D
P =
R1 ∩ R2 R ∩ R2 R ∩ R2
P ( D) P 1 D + P ( D) P 1
D
R R
P ( D) P 1 P 2
D D 0.9 ⋅ 0.98 ⋅ 0.98
= = = 0.999988.
R1 R2 R1 R2 0.1 ⋅ 0.01 ⋅ 0.01 + 0.9 ⋅ 0.98 ⋅ 0.98
P ( D) P D P D + P ( D ) P P
D D
23