Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1 Definición de probabilidad
Definición empı́rica: el término probabilidad es una medida de la creencia de que un evento futuro
pueda ocurrir.
Un experimento se define como el proceso para hacer una observación (lanzar una moneda, lanzar
un dado, medir el número de bacterias por mililitro en un litro de agua...)
Cuando se realiza un experimento, puede terminar en uno o más resultados a los que llamaremos
eventos. Ex. el experimento de lanzar un dado puede terminar en cualquiera de las siguientes listas
de eventos:
• A: Observar un número par
• B: Observar un número impar
ó
• E1 : Observar un 1
• E2 : Observar un 2
• E3 : Observar un 3
• E4 : Observar un 4
• E5 : Observar un 5
• E6 : Observar un 6
Para este ejemplo, observamos la siguiente figura.
Todo dependerá del enfoque que se quiera buscar en el experimento. Es importante tener en
mente que un evento no se puede descomponer y representa a un sólo ”punto muestral”. Entonces,
definamos el espacio muestral como el conjunto de todos los posibles puntos muestrales, de nuevo,
lo podremos relacionar con el conjunto universal, por convención, S.
Definición formal: Sea S un espacio muestral asociado a un experimento, a todo evento A en S
(A⊂ S, le asignaremos un número P(A), llamado Probabilidad de A, de modo que se cumplan los
siguientes axiomas:
1
1. P(A) ≥ 0
2. P(S) = 1
3. si A1 , A2 , A3 , . . . , An son eventos mutuamente
Pn excluyentes (i.e., Ai ∩ Aj = Ø si i ̸= j), entonces
P (A1 ∪ A2 ∪ A3 ∪ A4 ∪ · · · ∪ An ) = i=1 P (Ai )
¿Cómo se ve (3)?
Tomemos en cuenta ciertas propiedades:
• Si un experimento puede dar como resultado cualquiera de N resultados diferentes y tienen la
misma probabilidad de ocurrir y si exactamente n de esos resultados corresponden al evento A,
n
entonces la probabilidad de A es P(A)= N
2
2.2 Permutaciones
Un arreglo ordenado de r objetos distintos se denomina permutación, el número de formas de ordenar
n objetos distintos tomados r a la vez estará denotado por Prn y a su vez, está definido por:
n!
Prn = n(n − 1)(n − 2) . . . (n − r + 1) =
(n − r)!
Ex. Los nombres de 3 empleados se han de sacar al azar, sin restitución, de un tazón que contiene los
nombres de 30 empleados de una pequeña compañı́a. La persona cuyo nombre sea sacado primero recibe
$100 y aquellos cuyos nombres se saquen en segundo y tercero recibirán $50 y $25, respectivamente.
¿Cuántos puntos muestrales están asociados con este experimento?
En este caso, r = 3 y n = 30, entonces el número de puntos para S es:
30!
P330 = = 24360
(30 − 3)!
En general, si queremos dividir n objetos en k grupos distintos (en el anterior, es sólo un grupo r )
grupos que
Pnkcontienen n1 , n2 , n3 , ..., nk objetos respectivamente, donde cada objeto aparece en un solo
grupo y i=1 ni = n, es
n n!
N= =
n1 n2 n3 . . . nk n1 !n2 !n3 ! . . . nk !
Ex. Ha surgido una disputa laboral respecto a la distribución de 20 trabajadores a cuatro trabajos
de construcción diferentes. El primer trabajo (considerado muy indeseable) requirió de 6 trabajadores;
el segundo, tercero y cuarto utilizaron 4, 5 y 5 trabajadores, respectivamente. La disputa surgió sobre
una supuesta distribución aleatoria de los trabajadores a los trabajos que pusieron a los 4 miembros de
un grupo étnico particular en el trabajo 1. Al considerar si la asignación representaba una injusticia,
un panel de mediación pedı́a la probabilidad del evento observado. Determine el número de puntos
muestrales del espacio muestral S para este experimento. Esto es, determine el número de formas en
que los 20 trabajadores se pueden dividir en grupos de los tamaños apropiados para llenar todas las
posiciones de trabajo. Encuentre la probabilidad del evento observado si se supone que los trabajadores
son asignados en forma aleatoria a los trabajos.
Aquı́, el número de formas de asignar los 20 trabajadores a los cuatro trabajos es igual al número
de formas de dividir los 20 en cuatro grupos de tamaños n1 = 6, n2 = 4, n3 = n4 = 5, entonces:
20 20!
N= =
6455 6!4!5!5!
Por una asignación aleatoria de trabajadores a los trabajos queremos decir que cada uno de los
N puntos muestrales tiene probabilidad igual a 1/N. Si A denota el evento de interés y na el número
de puntos muestrales en A, la suma de las probabilidades de los puntos muestrales en A es P(A)
= na (1/N) = na /N . El número de puntos muestrales en A, na , es el número de formas de asignar
trabajadores a los cuatro trabajos, con los 4 miembros del grupo étnico pasando todos al trabajo 1. Los
16 trabajadores restantes necesitan ser asignados a los trabajadores restantes. Debido a que quedan
dos vacantes para el trabajo 1, esto se puede hacer en
16 16!
na = =
2455 2!4!5!5!
3
2.3 Combinaciones
En ocasiones, el orden en que se presentan los puntos muestrales no es relevante (a diferencia que las
permutaciones), en esta situación, el número de combinaciones de n objetos tomados r a la vez es el
número de subconjuntos de tamaño r que se pueden formar a partir de los n objetos. Se denotará
entonces como Crn o nr , note que en este caso no hay sustitución.
Pr
n n!
= Cnr = n =
r r! r!(n − r)!
Ex. Encuentre el número de formas de seleccionar dos solicitantes entre 5:
5 5!
= = 10
2 2!3!
P (A ∩ B)
P (A|B) =
P (B)
• A: Observar 1
• B: Observar un impar
Busamos la probabilidad de A dado que el evento B ha ocurrido. En este caso A ⊂ B de modo
que A ∩ B = A y P (A ∩ B) = P (A) = 1/6. También conocemos que P (B) = 1/2, por tanto:
P (A ∩ B 1/6
P (A|B) = = = 1/3
P (B) 1/2
• P (A|B) = P (A)
• P (B|A) = P (A)
• P (A ∩ B) = P (A)P (B)
• P (A ∩ B) = P (A)P (B|A)
• P (B ∩ A) = P (B)P (A|B)
4
• Si A y B son independientes, entonces P (A ∩ B) = P (A)P (B)
P (F ) = P [(F ∩ R) ∪ (F ∩ D)] = P (F ∩ R) + P (F ∩ D)
5
3.2 Probabilidad total y Regla de Bayes
Si se define S = B1 ∪ B2 ∪ B3 ∪ · · · ∪ Bk para algún k positivo y además los conjuntos Bi son disjuntos,
entonces se dice que los eventos Bi son una partición de S.
Si entonces A ⊂ S, y {Bi } es una partición de S, se puede descomponer A de la siguiente manera:
A = (A ∩ B1 ) ∪ (A ∩ B2 ) ∪ (A ∩ B3 ) ∪ · · · ∪ (A ∩ Bk )
A = A ∩ S = A ∩ (B1 ∪ B2 ∪ · · · ∪ Bk )
= (A ∩ B1 ) ∪ (A ∩ B2 ) ∪ · · · ∪ (A ∩ Bk )
pero conociendo que si i ̸= j, (Bi ∩ Bj ), entonces (A ∩ Bi ) ∩ (Bi ∩ Bj ) = A ∩ Ø = Ø y que (A ∩ Bi ) y
(A ∩ Bj ) son eventos mutuamete excluyentes, entonces:
P (A) = P (A ∩ B1 ) + P (A ∩ B2 ) + · · · + P (A ∩ Bk )
P (A) = P (A|B1 )P (B1 ) + P (A|B2 )P (B2 ) + · · · + P (A|Bk )P (Bk )
k
X
= P (A|Bi )P (Bi )
i=1
Ex. Tres máquinas B1 , B2 , B3 montan 30%, 45% y 25% de productos en una empresa, se ha
observado que 2%, 3% y 2% de los productos, respectivamente, son defectuosos. Suponga que se toma
un producto terminado, ¿Cuál es la probabilidad de que sea defectuoso?
Considere los eventos:
• A: El producto es defectuoso
• B1 : El producto fué ensamblado con B1
• B2 : El producto fué ensamblado con B2
6
• B3 : El producto fué ensamblado con B3
Entonces
P (A) = P (A|B1 )P (B1 ) + P (A|B2 )P (B2 ) + P (A|B3 )P (B3 )
P (A) = (0.02)(0.03) + (0.03)(0.45) + (0.02)(0.25) = 0.006 + 0.0135 + 0.005
P (A) = 0.0245
En ocasiones, es más sencillo calcular de primera mano las probabilidades de particiones y las
probabilidades condicionales P (A|Bi) que directamente P (A), entonces se introduce la regla de
Bayes:
Suponiendo que {Bi } es una partición de S tal que P (Bi ) > 0 para i = 1, 2, . . . , k, entonces:
P (A|Bj )P (Bj )
P (Bj |A) = Pk
i=1 P (A|Bi )P (Bi )
Regresando al problema anterior, ahora suponga que ya que se tomó el producto terminado, éste
resulta defectuoso, ¿Cuál es la probabilidad de que ese producto haya sido producido por la máquina
B3 ?
P (B3 )P (A|B3 )
P (B3 |A) =
P (A|B1 )P (B1 ) + P (A|B2 )P (B2 ) + P (A|B3 )P (B3 )
0.005 0.005
= = = 0.2041
0.006 + 0.0135 + 0.005 0.0245