TEMA 2

MODELOS ALEATORIOS DINÁMICOS

Modelo aleatorio dinámico.

Cuando el azar interviene en más de una ocasión. Existen varios experimentos

sucesivos que definen el resultado final.

Ejemplo: se extraen de una urna tantas bolas como determine el lanzamiento de un dado.

La probabilidad asociada a este tipo de sucesos se denomina probabilidad

condicionada.
Al sucederse varios experimentos, conforme éstos se llevan a cabo (se incrementa
nuestra información) es necesario recalcular la probabilidad.

Ejemplo:
Si se lanza un dado, ¿cuál es la probabilidad de sacar 3? 1/6
Si se lanza un dado, ¿cuál es la probabilidad de sacar 3, sabido que ha salido un número
impar? 1/3 (casos posibles: 1, 3 ó 5)
 Probabilidad condicionada

Probabilidad Condicionada.
Sea A un evento arbitrario de un espacio muestral, Ω, con P(A)>0. La probabilidad
de que un evento B suceda una vez que A ha sucedido (probabilidad condicional
de B dado A), se define como:
P(A  B) Probabilidad de que suceda A y B
P(B|A) 
P(A) Probabilidad de que suceda A

Enfoque dinámico de la probabilidad condicionada.

Basta despejar P(AB) para comprender la situación como dependiente de dos
experimentos consecutivos (regla del producto):

P(A  B)  P(A)  P(B|A)

Experimento 1 Experimento 2

En general, para n experimentos sucesivos:

P(A1  A2   An )  P(A1 )  P(A2 |A1 )  P(A 3 |A1  A2 )  ... P(An |A1  A2   An1 )
 Experimentos sucesivos. Diagrama de árbol

Como ya se observó al estudiar la regla del producto, es posible representar los

experimentos sucesivos mediante un diagrama de árbol.

Experimento 1: 1 1
P(C)  P(X) 
(lanzar una moneda) 2 2

Cara Cruz
Experimento 2: 1 3 1 2 2 1
(extraer una bola de la P(B|C)  P(N |C )   P(B|X)  P(N | X )  
6 2 6 2 6 2 6 3
urna que determine la P(R|C)  P(R|X) 
moneda. 6 6
CARA = Urna 1 con 3
bolas negras, 2 rojas y 1 Blanca Roja Negra Blanca Roja Negra
blanca.
CRUZ = Urna 2 con 2
bolas negras, 2 rojas y 2
blancas.
1 1 1 1 2 1 1 3 1 1 1 1 1 1 1 1 1 1
P(C  B)    P(C  R)    P(C  N)    P( X  B)    P( X  R)    P( X  R)   
2 6 12 2 6 6 2 6 4 2 3 6 2 3 6 2 3 6

En efecto, se observa que en todos los casos:

P(A  B)  P(A)  P(B|A)
Propiedades de la probabilidad condicionada

Propiedades de la probabilidad condicionada:

P(A|A)  1 (certeza)

P(Bc |A)  1  P(B|A)

Si B1 y B2 son sucesos disjuntos: P(B1  B2 |A)  P(B1 |A)  P(B2 |A)
Fórmula de probabilidad total

El Teorema de la probabilidad total nos permite calcular la probabilidad de un

suceso a partir de probabilidades condicionadas:
Para que este teorema se pueda aplicar hace falta cumplir un requisito: Cada uno
de los sucesos Ai tiene que formar un sistema completo, es decir, en el que se
contemplen todas las posibilidades (la suma de sus probabilidades debe ser el
100% —campo de Borel).
N
P(B)   P(A i )  P(B|A i )
i1

Es decir, la probabilidad de que ocurra el suceso B es igual a la suma de multiplicar

cada una de las probabilidades condicionadas de este suceso con los diferentes
sucesos Ai por la probabilidad de cada suceso Ai.
Fórmula de probabilidad total

Ejemplo 1. Supongamos que en el aula el 70% de los alumnos son hombres. De ellos
el 10% son fumadores. El 20% de las mujeres son fumadoras. ¿Qué porcentaje de
fumadores hay en total?

Podemos aplicar la ley de la probabilidad total:

Hombres Mujeres
Hombres y mujeres forman un sistema exhaustivo y
excluyente de sucesos.
Fumadores

0,1
Fuma

Hombre
0,7

Estudiante
0,9 No fuma P(F) = P(F∩H) + P(F∩M) = P(F|H) P(H) + P(F|M) P(M) =
= 0,1 · 0,7 + 0,2 · 0,3 = 0,13
0,2
Fuma
0,3
Mujer

0,8 No fuma
 Fórmula de probabilidad total

Ejemplo 2. Van a cambiar a tu jefe y se barajan diversos candidatos:

a) Carlos, con una probabilidad del 60%
b) Juan, con una probabilidad del 30%
c) Luis, con una probabilidad del 10%
En función de quien sea tu próximo jefe, la probabilidad de que te suban el sueldo es la
siguiente:
a) Si sale Carlos: la probabilidad de que te suban el sueldo es del 5%.
b) Si sale Juan: la probabilidad de que te suban el sueldo es del 20%.
c) Si sale Luis: la probabilidad de que te suban el sueldo es del 60%.
En definitiva, ¿cual es la probabilidad de que te suban el sueldo?:

1. Los tres candidatos forman un sistema completo (suman 100%)

2. Aplicamos la fórmula:
P(B) = (0,60 · 0,05) + (0,30 · 0,20) + (0,10 · 0,60) = 0,15
Por tanto, la probabilidad de que te suban el sueldo es del 15%.

Si nos fijamos lo que está haciéndose es calcular la probabilidad media ponderada en base a la
probabilidad de cada uno de los casos que representan la partición de casos posibles (60, 30, 10).
Fórmula de Bayes

Hasta aquí hemos evaluado la probabilidad de un suceso que se produce tras una
cadena de experimentos, conocidas las probabilidades que rigen cada uno de los
experimentos (probabilidad posterior, P(A|B); frente a la probabilidad anterior, P(B)).

¿Qué sucede si sabemos que cierto suceso final ha tenido lugar pero no sabemos
qué sucesos intermedios han tenido lugar? No conocemos, pues, las probabilidades
intermedias que han intervenido efectivamente (por dónde ha discurrido la “acción”
en el diagrama de árbol).

Ejemplo: Ha salido una bola negra pero, ¿como resultado de cara (14 ) o de cruz (16 )?
Dicho de otro modo, ¿cuál es la probabilidad de que la bola negra provenga de la urna 1 (cara)?

Suponemos la partición del total de sucesos posibles, Ω, en A1, A2,…, An. Conociendo
las probabilidades de cada suceso, P(Ai), y P(B|Ai), ¿cuál es la probabilidad de
P(Aj|B)?.
Probabilidad condicional

P(A j  B) P(A )  P(B|A j )

P(A j |B)   n j (Fórmula de Bayes)
P(B)  P(A i )  P(B|A i )
i1

Fórmula de Probabilidad total

 Independencia de dos sucesos

Suceso favorable a B: Si permite aumentar la probabilidad de que se dé B (P(B|A)>P(B)).

Por así decir, “acota” la búsqueda del suceso deseado.
Ejemplo: en una baraja, sacar una figura (A) cuando se busca un rey (B).
1 1
P(B)  < P(B|A) 
12 3

Si un suceso no es ni favorable ni desfavorable, hablamos de suceso independiente de B.

En este caso, se cumplirá:

P(A|B)  P(A) La ocurrencia de B no modifica la probabilidad de que suceda A.

P(B|A)  P(B)
P(A  B)  P(A)  P(B) P(A  B)
Lógico,debe cumplirseBayes: P(A|B) 
P(B)

Ejemplo: en una baraja, sacar espadas (A) cuando se busca un rey (B).
1
P(B)  P(B|A) 
12

Si no se cumplen, se dice que los eventos son dependientes.

Las leyes de Morgan en sucesos independientes

Partiendo de la lógica formal, en la que según una de las leyes de De Morgan:

NO (A O B) = (NO A) Y (NO B)

en teoría de conjuntos se llega al equivalente:

  n c   n c 
P  A i   P  A i 
  i1    i1 

Lo que, si los sucesos son independientes, implica:

 n c n n
P  Ai    P(Ai )  (1  P(Ai))
c

 i 1  i 1 i 1

Condición de independencia Definición de probabilidad

Resultando (de nuevo por definición de probabilidad):

 n
 n
P  A i   1   (1  P(A i ))
 i1  i1
Las leyes de Morgan en sucesos independientes

Ejemplo. Dos tiradores practican el tiro al blanco. La probabilidad de que el primer

tirador dé en el blanco es de 0,7 y la del segundo de 0,8. ¿Cuál es la probabilidad
de que ambos fallen?

P(A)  0,7
P(B)  0,8

Ambos eventos son independientes, luego:

P(A  B)c  P(Ac  Bc )  (1  0,7)  (1  0,8)  0,06

La probabilidad de que ambos fallen es del 6%

Experimentos independientes

Son aquellos que no dependen el uno del otro. El resultado que se obtenga en uno
no dice nada sobre el resultado que vaya a obtenerse en el segundo.
No confundir sucesos independientes con experimentos independientes.

Ejemplo 1. Tirar un dado dos veces. El resultado de uno no depende del resultado del otro.
Ejemplo 2. Sacar una carta de la baraja y repetir sin reponerla constituyen dos experimentos
dependientes.

Cálculo de probabilidades:
n experimentos aleatorios independientes dan como resultado n sucesos (Si).
Entonces la probabilidad de que ocurra S1 en el primer experimento, S2 en el
segundo experimento, …, Sn en el experimento n‐ésimo
es P(S1) · P(S2) · … · P(Sn), es decir:

P(S1S2 …Sn) = P(S1) · P(S2) · … · P(Sn)

Repaso. Tipos de probabilidad estudiadas

Marginal Unión Conjunta Condicional

P(X ) P(X Y ) P(X Y ) P(X |Y )

La probabilidad La probabilidad La probabilidad La probabilidad
de que ocurra de que ocurra de que ocurra de que ocurra
X XoY XeY X sabiendo que
ha ocurrido Y

X X Y X Y
Y