Documentos de Académico
Documentos de Profesional
Documentos de Cultura
U1 Probabilidad LA CP
U1 Probabilidad LA CP
Estadı́stica I
FCE UNCuyo
Contador Público y Licenciatura en Administración
2023
1 Introducción
2 Definiciones Básicas
3 Definiciones de Probabilidad
4 Propiedades de la Probabilidad
6 Probabilidad Condicional
7 Independencia Estocástica
8 Teorema de Bayes
Ejemplo 1
Experimento Aleatorio
1 Lanzar un dado y observar la cara que muestra.
2 Aplicar una polı́tica monetaria contractiva y observar el
comportamiento de la inflación
3 Medir el tiempo que tarda un empleado en realizar una tarea
administrativa
Experimento Determinı́stico
1 Lanzar un dado y observar si cae.
2 Seleccionar una triángulo y observar el valor de la suma de sus ángulos.
3 Observar la temperatura a la que hierve el agua.
Ejemplo 2
ε1 : arrojar un dado y observar el resultado
S1 = {1, 2, 3, 4, 5, 6} Discreto
ε2 : observar los beneficios netos obtenidos por una empresa del sector
comercial seleccionada al azar
S2 = R Continuo
ε3 : observar el número de licencias por enfermedad al año pedido por un
trabajador seleccionado al azar del Ministerio de Salud
S3 = {0, 1, . . . , a} donde a es un número N tal que en este intervalo queden
comprendidas el número total de licencias tomadas. Discreto
ε4 : seleccionar una persona y determinar si pertenece a la población
económicamente activa (a) o inactiva (i)
S4 = {a, i} Discreto
Ejemplo 2 (continuación)
ε5 : contar el número de veces que es necesario arrojar un dado hasta que
salga el número 2
S5 = N Discreto
ε6 : observar el tiempo destinado a redes sociales por dı́a de un adolescente
seleccionado al azar en horas
S6 = [0, 24] Continuo
Para pensar
¿Cuál es el espacio muestral para el siguiente experimento?
Aplicar una polı́tica monetaria contractiva y medir la tasa de inflación.
Aplicar una polı́tica monetaria contractiva y determinar si la tasa de
inflación aumentó, disminuyó o permaneció constante.
A evento de S ⇔ A ⊂ S
Ejemplo 3
1 ε1 : arrojar un dado y observar el resultado S1 = {1, 2, 3, 4, 5, 6}
A1 = {1} , A2 = {2} , . . . , A6 = {6}, sucesos elementales o unitarios
A7 = {1, 3, 5} , A8 = {2, 4, 6} , A9 = {1, 2, 3} sucesos compuestos
S1 = {1, 2, 3, 4, 5, 6} suceso seguro ∅ suceso imposible
2 ε3 : proporción de personas desempleadas, S3 = [0, 1]
A1 = {1} , A2 = {0.2} , A3 = {0.2, 0.6, 0.8}
A4 = (0, 0.5), A5 = [0, 0.3), A6 = (0, 0.7], A6 = [0.2, 0.7]
∅, S3
Estadı́stica I (FCE UNCuyo - CP-LA) U1: Probabilidad 2023 14 / 108
Definiciones Básicas
Elementos de la teorı́a de conjuntos
Ejemplo 4
1 ε1 : arrojar un dado y observar el resultado
S1 = {1, 2, 3, 4, 5, 6}
A1 = {1} , A2 = {2} , A6 = {6}
A7 = {1, 3, 5} , A8 = {2, 4, 6} , A9 = {1, 2, 3}
A1 ∪ A2 = {1, 2}
A1 ∪ A8 = {1, 2, 4, 6}
A1 ∪ A7 = {1, 3, 5}
A8 ∪ A9 = {1, 2, 3, 4, 6}
Sucesos disjuntos
Dos sucesos son disjuntos o mutuamente excluyentes si su intersección
es el conjunto vacı́o
A ∧ B mutuamente excluyentes ⇔ A ∩ B = ∅
Ejemplo 5
1 ε1 : arrojar un dado y observar el resultado S1 = {1, 2, 3, 4, 5, 6}
A1 = {1} , A2 = {2} , A6 = {6}
A7 = {1, 3, 5} , A8 = {2, 4, 6} , A9 = {1, 2, 3}
A1 ∩ A2 = ∅ ⇒ A1 ∧ A2 disjuntos
A1 ∩ A8 = ∅ ⇒ A1 ∧ A8 disjuntos
A1 ∩ A7 = {1} ⇒ A1 ∧ A7 no disjuntos
A8 ∩ A9 = {2} ⇒ A8 ∧ A9 no disjuntos
A1 ∩ A2 = ∅, A1 ∩ A6 = ∅, A2 ∩ A6 = ∅ ⇒ A1 , A2 , A6 disjuntos 2 a 2
A1 ∩A2 = ∅, A1 ∩A8 = ∅, A2 ∩A8 6= ∅ ⇒ A1 , A2 , A8 no disjuntos 2 a 2
Ejemplo 6
1 ε1 : arrojar un dado y observar el resultado S1 = {1, 2, 3, 4, 5, 6}
A1 = {1} , A2 = {2} , A6 = {6}
A7 = {1, 3, 5} , A8 = {2, 4, 6} , A9 = {1, 2, 3}
A1 − A2 = A1 = {1}
A1 − A8 = A1 = {1}
A7 − A1 = {3, 5}
A6 − A8 = ∅
Ejemplo 7
1 ε1 : arrojar un dado y observar el resultado S1 = {1, 2, 3, 4, 5, 6}
A1 = {1} , A2 = {2} , A6 = {6}
A7 = {1, 3, 5} , A8 = {2, 4, 6} , A9 = {1, 2, 3}
A1 = {2, 3, 4, 5, 6}
A8 = {1, 3, 5} = A7
Ejemplo 8
1 ε4 : arrojar una moneda y observar el resultado de la cara hacia arriba
S4 = {c, s}
P(S) = {∅, {c}, {s}, S}
2 S = {a, r , v }
Definición Clásica
Dado un espacio muestral finito S (ligado a un experimento aleatorio) y
un suceso A ⊂ S, la probabilidad de A, en sentido clásico es,
Ejemplo 9
ε1 : arrojar un dado no cargado y observar el resultado S1 = {1, 2, 3, 4, 5, 6}
|A| 3 1
A = {1, 3, 5} ⇒ P(A) = = =
|S | 6 2
|B| 1
B = {1} ⇒ P(B) = =
|S | 6
|C | 2 1
C = {3, 5} ⇒ P(C ) = = =
|S | 6 3
|S | 6
S = {1, 2, 3, 4, 5, 6} ⇒ P(S) = = =1
|S | 6
|A∩C | 2 2
A ∩ C = {3, 5} ⇒ P(A ∩ C ) = = =
|S | 6 3
|A∪C | 3 1
A ∪ C = {1, 3, 5} ⇒ P(A ∪ C ) = = =
|S | 6 2
Estadı́stica I (FCE UNCuyo - CP-LA) U1: Probabilidad 2023 28 / 108
Definiciones de Probabilidad
Definición Clásica (a priori)
Para pensar
Suponga que una empresa cuenta con 5 sucursales (1 en el Gran Mendoza,
1 en Malargüe, 1 es San Rafael, 1 en Tunuyán y 1 en Tupungato), y unos
inspectores desean realizar una inspección a una de las 5 sucursales.
Suponiendo que todas las sucursales tienen la misma probabilidad de ser
elegidas, calcule la probabilidad de que se seleccione la sucursal del Valle
de Uco.
Definición Frecuencial
Este concepto se basa en la experimentación y en el principio de
estabilidad de la frecuencia relativa de un suceso cuando el experimento se
repite un gran número de veces de manera tal que el resultado de una
repetición no influya el de otra (ensayos independientes).
n(A)
P(A) = lim
n→∞ n
donde n(A) es el número de ocurrencias del suceso A en n repeticiones
independientes del experimento.
Ejemplo 10
Para ilustrar la interpretación de la probabilidad como una frecuencia relativa se
simuló el experimento, ε1 : arrojar un dado y observar el resultado
Se observó el número de ocurrencias de cada uno de los resultados posibles
después de 100, 1000, 10000 y 100000 realizaciones del experimento. Se calculó
la frecuencia relativa de cada uno de los resultados posibles en cada una de las
simulaciones mencionadas.
X
n
1 2 3 4 5 6
100 0.16000 0.16000 0.19000 0.18000 0.16000 0.15000
1000 0.17800 0.17200 0.15900 0.17000 0.16100 0.16000
10000 0.16510 0.17180 0.17030 0.16060 0.16600 0.16620
100000 0.16795 0.16740 0.16553 0.16522 0.16682 0.16708
Código Ejemplo 7
n = list(100,1000,10000,100000)
set.seed(28022023)
simu = lapply(n,
function(x){
sample(1:6,
size=x, replace = TRUE,
prob=rep(1/6,6))})
aux = t(sapply(simu,
function(x){table(x)}/length(x)))
rownames(aux) <- n
print(aux)
Definición Axiomática
Sea S el espacio muestral ligado a un experimento aleatorio (S 6= ∅) y
P(S), el conjunto de las partes de S.
Se llama función probabilidad a cualquier función P : P(S) → [0, 1] que
verifica los siguientes axiomas:
i P(S) = 1
ii Para cualquier sucesión {Ai }∞
i=1 de elementos de P(S) disjuntos dos
a dos (Ai ∩ Aj = ∅, i 6= j) se cumple:
∞ ∞
!
[ X
P Ai = P (Ai )
i=1 i=1
Definición Axiomática
S 6= ∅
Función probabilidad:
P : P(S) → [0, 1]
i. P(S) = 1
∞ ∞
!
{Ai }∞
[ X
ii. i=1 , (Ai ∩ Aj ) = ∅, ∀i 6= j ⇒ P Ai = P (Ai )
i=1 i=1
Observaciones
La función probabilidad tiene como dominio una familia de conjuntos.
Espacio de Probabilidad
Si S es el espacio muestral ligado a un experimento alatorio y P es una
función probabilidad definida en P(S) entonces llamamos espacio de
probabilidad al par (S, P).
Demostración
∞
[
∅ = ∅ ∪ ∅ ∪ ∅ ∪ . . . = A1 ∪ A1 ∪ A3 ∪ . . . = Ai
i=1
∞ ∞
! n n
[ (ii) X X X
P(∅) = P Ai = P(Ai ) = lim P(Ai ) = lim P(∅)
n→∞ n→∞
i=1 i=1 i=1 i=1
= P(∅) · lim n
n→∞
Demostración (continuación)
Suponiendo P(∅) 6= 0
1 = lim n Absurdo
n→∞
Luego, P(∅) = 0
Propiedad 2
{Ai }ni=1 , (Ai ∩ Aj ) = ∅, ∀i 6= j ⇒ P (
Sn Pn
2
i=i Ai ) = i=i P (Ai )
Demostración
Ai si 1≤i ≤n
∀i ∈ N sea Bi =
∅ si i >n
n
[ n
[ ∞
[
Ai = Ai ∪ ∅ ∪ ∅ . . . = Bi
i=1 i=1 i=1
∞ ∞ ∞
n
! ! n
[ [ (ii) X X X
P Ai = P Bi = P(Bi ) = P(Bi ) + P(Bi )
i=1 i=1 i=1 i=1 i=n+1
Demostración (continuación)
∞ ∞
n
! n n
[ X X X X
P Ai = P(Bi ) + P(Bi ) = P(Ai ) + P(∅)
i=1 i=1 i=n+1 i=1 i=n+1
n n
(1) X X
= P(Ai ) + 0 = P(Ai )
i=1 i=1
Demostración
A∪A = S
P A∪A = P(S)
(2) (i)
P (A) + P A = P A ∪ A = P(S) = 1
P (A) + P A = 1
P (A) = 1−P A
Demostración
A⊂B⇒B = A ∪ (B − A)
P(B) = P [A ∪ (B − A)]
(2)
= P(A) + P(B − A)
Observación:
P(B − A) = P(B) − P(A ∩ B)
Demostración
De la demostración, de la propiedad (4):
Demostración
El suceso B puede expresarse como una unión
disjunta:
B = (B − A) ∪ (A ∩ B)
P(B) = P[(B − A) ∪ (A ∩ B)]
(2)
= P(B − A) + P(A ∩ B)
P(B) − P(A ∩ B) = P(B − A)
Demostración
A∪B = A ∪ (B − A)
P(A ∪ B) = P [A ∪ (B − A)]
(2)
= P(A) + P(B − A)
(5)
= P(A) + P(B) − P(A ∩ B)
Ejemplo 11
1
Sea (S, P), un espacio de probabilidad y sean A y B sucesos tales que P(A) = ,
4
1 3
P(A ∩ B) = y P(A ∪ B) = . Calcule la siguiente probabilidades:
3 4
a P(B)
(6)
P(A ∪ B) = P(A) + P(B) − P(A ∩ B)
P(A ∪ B) − P(A) + P(A ∩ B) = P(B)
(3)
P(A ∪ B) − 1 − P(A) + P(A ∩ B) = P(B)
3 1 1 (3)
− 1− + = P(B)
4 4 3
1
= P(B)
3
Ejemplo 11 (continuación)
1
Sea (S, P), un espacio de probabilidad y sean A y B sucesos tales que P(A) = ,
4
1 3
P(A ∩ B) = y P(A ∪ B) = . Calcule la siguiente probabilidades:
3 4
b P(B − A)
P(B − A) = P [B − (A ∩ B)]
(5)
= P(B) − P(A ∩ B)
1 1
= −
3 3
= 0
Demostración
Sea (S, P), tal que S = {s1 , s2 , . . . , sn } finito y P({s1 }) = . . . = P({sn }) = p,
donde 0 < p ≤ 1.
n
[
S = {s1 } ∪ {s2 } ∪ . . . ∪ {sn } = {si }
i=1
n
!
[
P(S) = P {si }
i=1
n
! n
(i) [ (2) X
1 = P(S) = P {si } = P ({si }) = n · P ({si }) = n p
i=1 i=1
Estadı́stica I (FCE UNCuyo - CP-LA) U1: Probabilidad 2023 55 / 108
Coincidencia entre las definiciones Clásica y Axiomática de
probabilidad
Demostración (continuación)
1 1
1 = np ⇒ = p ⇒ P ({si }) =
n n
Sea, A un suceso o subconjunto cualquiera de S con k elementos (k ≤ n) y
supongamos que A = {s1 , s2 , . . . , sk }. Entonces,
k
[
A = {s1 } ∪ {s2 } ∪ . . . ∪ {sk } = {si }
i=1
k
! k
[ (2) X 1 k
P(A) = P {si } = P ({si }) = k · P ({si }) = k · =
n n
i=1 i=1
|A|
=
|S |
Observación:
Si S discreto finito y (S, P) no equiprobable, entonces la definición
Clásica y Axiomática de probabilidad no coinciden.
N B Me A
L 0.04 0.06 0.05 0.03
M 0.07 0.10 0.20 0.10
H 0.02 0.03 0.15 0.15
P(A ∩ B) = P (A − (A ∩ B))
= P(A) − P(A ∩ B)
= P(A ∪ B) − P(B) + P(A ∩ B) − P(A ∩ B)
= P(A ∪ B) − P(B)
= 0.8 − 0.4
= 0.4
P (A ∩ B) ∪ (B ∩ A) = P(A ∩ B) + P(B ∩ A) − P (A ∩ B) ∩ (B ∩ A)
= P(A ∩ B) + P(B ∩ A) − P(∅)
= 0.05 + 0.4 + 0 = 0.45
2
P(B) = P ({3, 6}) =
6
1
P(A ∩ B) = P({6}) =
6
1 1/6 P(A ∩ B)
P(A | B) = = =
2 2/6 P(B)
Probabilidad Condicional
Dado un espacio de probabilidad (S, P) y un suceso B ∈ P(S) tal que
P(B) 6= 0, entonces para cada suceso A ∈ P(S), la probabilidad
condicional de A dado B(o de A sabiendo que B ocurrió), denotada
P(A | B), es:
P(A ∩ B)
P(A | B) =
P(B)
Error frecuente
Confundir probabilidad condicional (A | B) con probabilidad de la
intersección (A ∩ B). En ambos medimos efectivamente la intersección,
pero
En P(A ∩ B) con respecto a P(S)
En P(A | B) con respecto a P(B)
Estadı́stica I (FCE UNCuyo - CP-LA) U1: Probabilidad 2023 68 / 108
Probabilidad Condicional
Ejemplo 12
En el experimento de arrojar un dado legal nos preguntamos
¿cuál es la probabilidad de que el resultado sea par si se sabe que es menor
que 3?
A: “el resultado es par”, A = {2, 4, 6}
B: “el resultado es un número menor que 3”, B = {1, 2}
P(A ∩ B) 1/6 1
P(A | B) = = =
P(B) 2/6 2
P(A ∩ C ) 0
P(A | C ) = = =0
P(C ) 3/6
PB : P(S) → [0, 1]
P(A ∩ B)
A 7→ PB (A) = P(A | B) =
P(B)
i PB (S) = 1
{Ai }∞
S∞ P∞
i=1 , (Ai ∩ Aj ) = ∅, ∀i 6= j ⇒ PB ( i=1 Ai ) = i=1 PB (Ai )
ii
Demostración
P(S ∩ B) P(B)
PB (S) = P(S | B) = = =1
P(B) P(B)
∞
! " ∞ ! #
P [( ∞
S
i=1 Ai ) ∩ B]
[ [
PB Ai = P Ai | B =
P(B)
i=1 i=1
S∞ P∞
P [ i=1 (Ai ∩ B)] P (Ai ∩ B)
= = i=1
P(B) P(B)
∞
X P (Ai ∩ B) X ∞ X∞
= = P(Ai | B) = PB (Ai )
P(B)
i=1 i=1 i=1
1 P(A1 ∩ B2 )
2 P(A1 | B2 )
1 P(A1 ∩ B2 ) = 0.1
0.1 2
2 P(A1 | B2 ) = =
0.45 9
Estadı́stica I (FCE UNCuyo - CP-LA) U1: Probabilidad 2023 73 / 108
Para pensar
A través de un cierto corredor de bolsa se ofrecen 100 acciones. De esas
acciones, 60 son del mercado de valores local. Por otro lado se sabe que
de las 100 acciones 30 son preferentes, de las cuales 20 son del mercado
de valores local. Una persona compró a través del corredor mencionado
una acción y se la dieron al azar. Calcule:
1 La probabilidad de que la acción sea del mercado local, dado que se
sabe que es una acción preferente.
2 La probabilidad de que no sea preferente, dado que se sabe que no es
del mercado local.
Demostración
P(A ∩ B)
P(A | B) = ⇒ P(A ∩ B) = P(B) · P(A | B)
P(B)
P(A ∩ B)
P(B | A) = ⇒ P(A ∩ B) = P(A) · P(B | A)
P(A)
Ejemplo 13
Una fábrica tiene un estricto sistema para el control de calidad de sus productos. Cada
producto es revisado por el inspector 1; si él considera que el producto cumple con los
estándares de calidad deriva el mismo al inspector 2, si considera que no los cumple el
producto es desechado. De forma análoga, el inspector 2 revisa el producto y lo deriva al
inspector 3 o lo desecha. Si el tercer inspector considera que el producto cumple con los
estándares lo cataloga como apto para la venta, y si no lo desecha. Se sabe que:
De cada 30 productos que llegan a las manos del Inspector 1, 25 son derivados al
inspector 2.
De cada 50 productos que llegan a las manos del Inspector 2, 47 son derivados al
inspector 3.
De cada 70 productos que llegan a las manos del Inspector 3, 68 son catalogados
como apto para la venta.
Calcule el porcentaje de productos de la fábrica que son catalogados como aptos para la
venta.
Ejemplo 13 (continuación)
Definimos los eventos:
Ai el inspector i cataloga al producto como apto para la venta.
25 5
P(A1 ) = =
30 6
47
P(A2 | A1 ) =
50
68 34
P(A3 | A1 ∩ A2 ) = =
70 35
Independencia de sucesos
Al considerar la probabilidad condicional de algún evento A, dada la
ocurrencia de otro evento B, siempre se implica que las probabilidades de
A y B son de alguna manera dependientes entre sı́. En otras palabras, la
información con respecto a la ocurrencia de B afectará la probabilidad de
A. Supóngase que la ocurrencia de B no tienen ningún efecto sobre la
probabilidad de A, en el sentido de que la probabilidad condicional
P(A | B) es igual a la probabilidad de A (P(A)), aun a pesar de que haya
ocurrido el evento B. Esta situación origina un concepto muy importante
que se conoce como independencia estocástica.
Observación
Si P(A) > 0 y P(B) > 0, las expresiones (i), (ii) y (iii) son equivalentes.
Demostración
Siendo P(A) > 0 y P(B) > 0
P(A | B) = P(A) ⇒ P(B | A) = P(B)
Ejemplo 14
Suponga que tenemos los siguientes eventos y sus probabilidades:
A: el gobierno aplica una polı́tica monetaria contractiva, P(A) = 0.3
B: el nivel de indigencia se mantenga constante, P(B) = 0.2
C : el nivel de indigencia disminuye P(C ) = 0
Ahora, analicemos los siguientes casos:
1 Suponga que P(A ∩ B) = 0.06. En base a dicha información, calcule la
probabilidad de que el nivel de indigencia se mantenga constante si se sabe
que el gobierno aplicó una polı́tica monetaria contractiva:
P(A ∩ B) 0.06
P(B | A) = = = 0.2
P(A) 0.3
Por tanto P(B | A) = P(B). Por tanto, en este caso, los eventos no son
disjuntos, pero son independientes.
Ejemplo 14 (Continuación)
2 Suponga que P(A ∩ B) = 0. En base a dicha información, calcule la probabilidad
de que el nivel de indigencia se mantenga constante, dado que se sabe que el
gobierno aplicó una polı́tica monetaria contractiva:
P(A ∩ B) 0
P(B | A) = = =0
P(A) 0.3
Por tanto P(B | A) 6= P(B). Por tanto, en este caso, los eventos son mutuamente
excluyentes y no independientes.
3 Suponga que P(A ∩ C ) = 0. En base a dicha información, calcule la probabilidad
de que el nivel de indigencia disminuya, dado que se sabe que el gobierno aplicó
una polı́tica monetaria contractiva:
P(A ∩ C ) 0
P(C | A) = = =0
P(A) 0.3
Por tanto P(C | A) = P(C ). Por tanto, en este caso, los eventos son mutuamente
excluyentes e independientes.
Estadı́stica I (FCE UNCuyo - CP-LA) U1: Probabilidad 2023 88 / 108
Independencia Estocástica
Ejemplo 15
Nuevamente consideremos el ejemplo de arrojar un dado y los sucesos:
A = {1, 2, 3}, B = {1, 2, 4} y C = {1, 2, 5}.
¿A, B y C son independientes?
2 1
P(A ∩ B) = P({1, 2}) = =
6 3
3 3 1
P(A) · P(B) = P({1, 2, 3}) · P({1, 2, 4}) = · =
6 6 4
Luego, estos sucesos no son independientes de a pares y en consecuencia
A, B y C no son independientes.
Ejemplo 16
Consideremos el experimento aleatorio de lanzar dos monedas no cargadas, su
espacio muestral S = {(c, c), (c, s), (s, c), (s, s)} y los sucesos:
A = {(c, c), (c, s)}, B = {(c, c), (s, c)}, C = {(c, c), (s, s)} ¿A, B y C son
independientes?
1
P(A ∩ B) = P(A ∩ C ) = P(B ∩ C ) = P({(c, c)}) =
4
2 2 1
P(A) · P(B) = P(A) · P(C ) = P(B) · P(C ) = · =
4 4 4
Luego, A, B y C son sucesos son independientes de a pares.
1
P(A ∩ B ∩ C ) = P({(c, c)}) =
4
1 1 1 1
P(A) · P(B) · P(C ) = · · =
2 2 2 8
Luego, los sucesos A, B y C no son independientes.
Estadı́stica I (FCE UNCuyo - CP-LA) U1: Probabilidad 2023 90 / 108
Independencia Estocástica
Propiedad
Propiedad de la independencia
A∧B independientes
A ∧ B independientes ⇒ A∧B independientes
A∧B independientes
Demostración
A ∧ B independientes ⇒ A ∧ B independientes
(5)
P(A ∩ B) = P [A − (A ∩ B)] = P(A) − P(A ∩ B)
ind
= P(A) − P(A) · P(B) = P(A) · [1 − P(B)]
= P(A) · P B
Demostración (continuación)
A ∧ B independientes ⇒ A ∧ B independientes
(5) ind
P(A ∩ B) = P [B − (A ∩ B)] = P(B) − P(A ∩ B) = P(B) − P(A) · P(B)
= [1 − P(A)] · P(B) = P A · P(B)
A ∧ B independientes ⇒ A ∧ B independientes
(1)
P A∩B = P A ∪ B = 1 − P(A ∪ B)
(6)
= 1 − [P(A) + P(B) − P(A ∩ B)]
ind
= 1 − P(A) − P(B) + P(A) · P(B)
= 1 − P(A) − P(B) · [1 − P(A)]
(3)
= P A − P(B) · P A = P A · P B
Observaciones
Sean A y B dos sucesos de un espacio de probabilidad (S, P), tales
que A 6= ∅ y B 6= ∅:
Si A ⊂ B entonces A y B no son independientes.
Si B ⊂ A entonces A y B no son independientes.
Si A ∩ B = ∅ entonces A y B no son independientes.
Ejemplo 17
Se extraen 4 (cuatro) cartas una a una con reposición de una baraja española (40
cartas).
a ¿Cuál es la probabilidad de obtener 4 oros?
ind
P (O1 ∩ O2 ∩ O3 ∩ O4 ) = P(O1 ) · P(O2 ) · P(O3 ) · P(O4 )
1 1 1 1 1
= · · · = = 0.00390625
4 4 4 4 256
9
P(A) = P(B1 ∩ B2 ) = P(B1 ) · P(B2 ) = 3/8 · 3/8 =
64
P(B) = P [(B1 ∩ B2 ) ∪ (R1 ∩ R2 )] = P(B1 ∩ B2 ) + P(R1 ∩ R2 )
3 3 5 5 17
= P(B1 ) · P(B2 ) + P(R1 ) · P(R2 ) = · + · =
8 8 8 8 32
3
P(C ) = P(B2 ) =
8
2
3
P(A) = P(B1 ∩ B2 ) = P(B1 ) · P(B2 | B1 ) = 3/8 · 2/7 =
28
P(B) = P [(B1 ∩ B2 ) ∪ (R1 ∩ R2 )] = P(B1 ∩ B2 ) + P(R1 ∩ R2 )
3 2 5 4 13
= P(B1 ) · P(B2 | B1 ) + P(R1 ) · P(R2 | R1 ) = · + · =
8 7 8 7 28
P(C ) = P [(B1 ∪ R1 ) ∩ B2 ] = P [(B1 ∩ B2 ) ∪ (R1 ∩ B2 )]
= P(B1 ∩ B2 ) + P(R1 ∩ B2 ) = P(B1 ) · P(B2 | B1 ) + P(R1 ) · P(B2 | R1 )
3 2 5 3 3
= · + · =
8 7 8 7 8
Demostración
k
[
B = (Ai ∩ B)
i=1
" k
# k
[ (2) X
P(B) = P (Ai ∩ B) = P(Ai ∩ B)
i=1 i=1
k
(RM) X
= P(Ai ) · P(B | Ai )
i=1
Teorema de Bayes
Sea {Ai }ki=1 una partición de S tal que P(Ai ) 6= 0, ∀i = 1, . . . , k y sea
B ⊂ S tal que P(B) 6= 0, entonces
P(Aj ) · P(B | Aj )
P(Aj | B) = Pk ∀j = 1, . . . , k
i=1 P(Ai ) · P(B | Ai )
Demostración
Ejemplo 18
Una empresa manufacturera recibe productos de tres proveedores distintos. El
45% de los productos provienen del proveedor 1, el 35% del proveedor 2 y el resto
del proveedor 3. Los datos históricos de la empresa sugieren que el desempeño en
términos de calidad de los dos proveedores es distinto. En efecto se sabe que
cuando el producto proviene del proveedor 1, la probablidad de que sea bueno es
del 95%, cuando proviene del proveedor 2 es de un 98%, y cuando proviene del
proveedor 3 es de un 90%. Si se selecciona un producto al azar,
a ¿cuál es la probabilidad que el el producto sea de buena calidad?
b Si es de mala calidad, ¿cuál es la probabilidad de que provenga del proveedor
1?
Ejemplo 18 (continuación)
a.
3
X
P(B) = P(Ai ) · P(B | Ai )
i=1
= P(A1 ) · P(B | A1 ) + P(A2 ) · P(B | A2 ) + P(A3 ) · P(B | A3 )
= 0.45 · 0.95 + 0.35 · 0.98 + 0.20 · 0.90 = 0.9505
b.
P(A1 ) · P(B | A1 ) (3) P(A1 ) · P(B | A1 )
P(A1 | B) = =
P(B) 1 − P(B)
0.45 · 0.05
= = 0.4545455
1 − 0.9505