Probabilidad Condicionada

Como la probabilidad est ligada a nuestra ignorancia sobre los resultados de la

experiencia, el hecho de que ocurra un suceso, puede cambiar la probabilidad de
los dems. El proceso de realizar la historia clnica, explorar y realizar pruebas
complementarias ilustra este principio.
La probabilidad de que ocurra el suceso A si ha ocurrido el suceso B se
denomina probabilidad condicionada y se define

Esta definicin es consistente, es decir cumple los axiomas de probabilidad.

Cuando ocurre un suceso cambia el espacio muestral, por eso cambia la
probabilidad. A veces es ms fcil calcular la probabilidad condicionada teniendo en
cuenta este cambio de espacio muestral.

Ejemplo:
Una mujer es portadora de la enfermedad de Duchenne Cul es la probabilidad de
que su prximo hijo tenga la enfermedad?
Segn las leyes de Mendel, todos los posibles genotipos de un hijo de una madre
portadora (xX) y un padre normal (XY) son xX, xY, XX, XY y tienen la misma
probabilidad. El espacio muestral es = {xX, xY, XX, XY}
el suceso A={hijo enfermo} corresponde al genotipo xY, por tanto, segn
la definicin clsica de probabilidad
p(A) = 1/4 = 0,25
La mujer tiene el hijo y es varn qu probabilidad hay de que tenga la
enfermedad?
Se define el suceso B = {ser varn} = {xY, XY}
la probabilidad pedida es p(A|B) y aplicando la definicin anterior
p(B) = 0,5; A B = {xY}; p(A B) = 0,25; p(A|B) = 0,25/0,5 = 0,5

Si sabemos que es varn, el

espacio muestral ha cambiado, ahora es B.

Por lo tanto se puede calcular p(A|B) aplicando la definicin clsica de probabilidad
al nuevo espacio muestral
p(A|B) = 1/2 = 0,5.

Eventos Condicionados
Dos o ms eventos son independientes cuando la ocurrencia o no-ocurrencia de un
evento no tiene efecto sobre la probabilidad de ocurrencia del otro evento (o
eventos). Un caso tpico de eventos independiente es el muestreo con reposicin,
es decir, una vez tomada la muestra se regresa de nuevo a la poblacin donde se
obtuvo.

Dos eventos, A y B, son independientes si la ocurrencia de uno no tiene que ver con
la ocurrencia de otro.

Por definicin, A es independiente de B si y slo si:A y B, son independientes si la

ocurrencia de uno no tiene que ver con la ocurrencia de otro.

Por definicin, A es independiente de B si y slo si:A es independiente de B si y slo

si:

(PnA)=P(A)P(B)

Eventos no Condicionados Secesos o Eventos

Dos o ms eventos sern dependientes cuando la ocurrencia o no-ocurrencia de
uno de ellos afecta la probabilidad de ocurrencia del otro (o otros). Cuando
tenemos este caso, empleamos entonces, el concepto de probabilidad condicional
para denominar la probabilidad del evento relacionado. La expresin P (A|B) indica
la probabilidad de ocurrencia del evento A s el evento B ya ocurri.
Se debe tener claro que A|B no es una fraccin.
P (A|B) = P(A y B) / P (B) o P (B|A) = P(A y B) / P(A)
Probabilidad Condicional = P(A y B) / P (B) o P (B|A) = P(A y B) / P(A)

Secesos o Eventos
se llama Evento o Suceso a todo subconjunto de un espacio muestral, asociado a
un experimento Aleatorio.
Ejemplo: Consideremos el experimento aleatorio de lanzar un dado y una moneda a
la vez.
Mostremos en el Espacio Muestral el Evento (esta subrayado): Resultar un nmero
par en el dad y cara en la Moneda.
{ (1,C), (1,S), (2,C), (2,S), (3,C), (3,S), (4,C), (4,S), (5,C), (5,S), (6,C), (6,S) }
Evento: Nmero Par en dado y Cara en Moneda= {(2,C), (4,C), (6,C)}

Espacio Muestral
Es el conjunto de todos los posibles resultados de una experiencia aleatoria, lo
representaremos por E (o bien por la letra griega ).
Espacio muestral de una moneda:

E = {C, X}.
Espacio muestral de un dado:
E = {1, 2, 3, 4, 5, 6}.
Suceso aleatorio
Suceso aleatorio es cualquier subconjunto del espacio muestral.
Por ejemplo al tirar un dado un suceso sera que saliera par, otro, obtener mltiplo
de 3, y otro, sacar 5.
Ejemplos de espacios muestrales
1. Una bolsa contiene bolas blancas y negras. Se extraen sucesivamente tres bolas.
E = {(b,b,b); (b,b,n); (b,n,b); (n,b,b); (b,n,n); (n,b,n); (n,n ,b); (n, n,n)}
2. El suceso A = {extraer tres bolas del mismo color}.
A = {(b,b,b); (n, n,n)}
3. El suceso B = {extraer al menos una bola blanca}.
B= {(b,b,b); (b,b,n); (b,n,b); (n,b,b); (b,n,n); (n,b,n); (n,n ,b)}
4. El suceso C = {extraer una sola bola negra}.
C = {(b,b,n); (b,n,b); (n,b,b)}

Acciones de Probabilidad
Los analistas del mercado de valores tratan de hacer predicciones sobre el
comportamiento de las acciones.
Cuantos ms datos tienen sobre las acciones, mejores sern sus predicciones. Una
de las piezas de informacin ms importantes que los analistas tienen es la
distribucin de los rendimientos de las acciones, ya que les indica la probabilidad de
cada escenario posible.
La distribucin normal se utiliza comnmente en los anlisis del mercado de
valores, pero algunos analistas han cuestionado su aplicabilidad.

Eventos en Probabilidades Condicionada

La probabilidad de que un evento

evento

ocurra cuando se sabe que ya ocurrio un

se llama probabilidad condicional y se denota por

que por lo

general se lee como probabilidad de que "ocurra B dado que ocurri A". Esta
probabilidad se define como:

La probabilidad condicional es una funcin de probabilidad,

Es

definida como

una funcin de probabilidad?

es una funcin de probabilidad porque satisface los tres axiomas

Axioma I
para todo evento

Como

entonces dividiendo por

Axioma II

Como

se tiene los trminos de la desigualdad se tiene

Axioma III
Si

es una sucesin de eventos mutuamente excluyentes, entonces

Como

como

los

eventos

eventos

son

mutuamente

excluyentes,

entonces

los

son tambin mutuamente excluyentes y as

Ejemplo
1. La antena de una instalacin de radar recibe, con probabilidad
con una interferencia superpuesta, y con probabilidad

, una seal til

solo la interferencia

pura. Al suceder una seal til interferida, la instalacin indica la existencia de

cualquier seal con probabilidad
probabilidad

, cuando aparece una interferencia pura con la

. S la instalacin ha indicado la existencia de cualquier seal,

determinar la probabilidad de que esta indicacin haya sido ocasionada por una
seal til con interferencia superpuesta.
Solucin:

Sean U: el evento la seal es til con interferencia superpuesta

I : el evento la seal es til con interferencia pura
S: el evento que indica ocurre una seal
Con base en el diagrama , la probabilidad se puede calcular as:

Distribucin Binomial
Cuando se dispone de una expresin matemtica, es factible calcular la
probabilidad de ocurrencia exacta correspondiente a cualquier resultado especfico
para la variable aleatoria.
La distribucin de probabilidad binomial es uno de los modelos matemticos
(expresin matemtica para representar una variable) que se utiliza cuando la
variable aleatoria discreta es el nmero de xitos en una muestra compuesta por n
observaciones.
Propiedades
- La muestra se compone de un nmero fijo de observaciones n
- Cada observacin se clasifica en una de dos categoras, mutuamente excluyentes
(los eventos no pueden ocurrir de manera simultnea. Ejemplo: Una persona no
puede ser de ambos sexos) y colectivamente exhaustivos (uno de los eventos debe
ocurrir. Ejemplo: Al lanzar una moneda, si no ocurre cruz, entonces ocurre cara). A
estas categoras se las denomina xito y fracaso.
- La probabilidad de que una observacin se clasifique como xito, p, es constante
de una observacin o otra. De la misma forma, la probabilidad de que una
observacin se clasifique como fracaso, 1-p, es constante en todas las
observaciones.
- La variable aleatoria binomial tiene un rango de 0 a n
Ecuacin:
PX=n!X!n-X!pX1-pn-X
Donde
PX=Probabilidad de X xitos, dadas y
n = Nmero de observaciones
p = Probabilidad de xitos
1-p = Probabilidad de fracasos
X = Nmero de xitos en la muestra (= 0, 1, 2, 3, 4,)
Ejemplo ilustrativo N 1
Determine P(X=5) para n = 6 y p = 0,83
Solucin:
Aplicando la ecuacin se obtiene:
PX=n!X!n-X!pX1-pn-X
PX=5=6!5!6-5!0,8351-0,836-5=0,4018
En Excel se calcula de la siguiente manera:
a) Se escribe los datos y se inserta la funcin DISTR.BINOM. Clic en Aceptar. Los
argumentos de la funcin escribir como se muestra en la figura:
b) Clic en Aceptar
Ejemplo ilustrativo N 2
Determinar P(X=4) para n =5 y p = 0,45
Solucin:
Se puede aplicar la ecuacin para cada probabilidad, pero para ahorrar tiempo se
recomienda encontrar las probabilidades con lectura en la tabla de probabilidades
binomiales. Realizando la lectura en la tabla de la distribucin binomial para P(X=0)
con n=5 y p=0,5 se obtiene 0,0503. Continuando con la respectivas lecturas en la
tabla se obtiene: 0,2059 para P(X=1), 0,3369 para P(X=2), 0,2757 para P(X=3) y
0,1128 para P(X=4),
Por lo tanto PX=4=0,0503+0,2059+0,3369+0,2757+0,1128=0,9816
Los clculos realizados en Excel se muestran en la siguiente figura:
Media de la distribucin binomial

La media de la distribucin binomial es igual a la multiplicacin del tamao de la

muestra por la probabilidad de xito
Desviacin estndar de la distribucin binomial

Distribucin normal
Esta distribucin es frecuentemente utilizada en las aplicaciones estadsticas. Su
propio nombre indica su extendida utilizacin, justificada por la frecuencia o
normalidad con la que ciertos fenmenos tienden a parecerse en su
comportamiento a esta distribucin.
Muchas variables aleatorias continuas presentan una funcin de densidad cuya
grfica tiene forma de campana.
En otras ocasiones, al considerar distribuciones binomiales, tipo B(n,p), para un
mismo valor de p y valores de n cada vez mayores, se ve que sus polgonos de
frecuencias se aproximan a una curva en "forma de campana".
En resumen, la importancia de la distribucin normal se debe principalmente a que
hay muchas variables asociadas a fenmenos naturales que siguen el modelo de la
normal.
Caracteres morfolgicos de individuos (personas, animales, plantas,) de una
especie, p. ejm. Tallas, pesos, envergaduras, dimetros, permetros
Caracteres fisiolgicos, por ejemplo; efecto de una misma dosis de un frmaco, o
de una misma cantidad de abono.
Caracteres sociolgicos, por ejemplo: consumo de cierto producto por un mismo
grupo de individuos, puntuaciones de examen.
Caracteres psicolgicos, por ejemplo: cociente intelectual, grado de adaptacin a un
medio
Errores cometidos al medir ciertas magnitudes.
Valores estadsticos maestrales, por ejemplo: la media.
Otras distribuciones como la binomial o la de Poisson son aproximaciones
normales
Y en general cualquier caracterstica que se obtenga como suma de muchos
factores.