Sei sulla pagina 1di 15

1

PROBABILIDAD
1. INTRODUCCIÓN
Muchos de los eventos que ocurren en la vida diaria no pueden ser predichos con exactitud desde antes por
diversas razones, pues la mayoría de los hechos están influidos por factores externos. Además, existen
aquellos sucesos que están directamente influidos por el azar, es decir, por procesos que no se está seguro de
lo que va a ocurrir. Sin embargo, la probabilidad nos permite acercarnos a esos sucesos y estudiarlos,
ponderando las posibilidades de su ocurrencia y proporcionando métodos para tales ponderaciones.

Precisamente, algunos de esos métodos proporcionados por la probabilidad nos llevan a descubrir que
algunos sucesos tienen una mayor o menor probabilidad de ocurrir que la ponderación asignada a través del
sentido común. Nuestros sentidos, la información previa que poseemos, nuestras creencias o posturas,
nuestras inclinaciones, son algunos de los factores que intervienen para no permitirnos hacer ponderaciones
reales y sistemáticas. La probabilidad nos permitirá estudiar los eventos de una manera sistemática y más
cercana a la realidad, retribuyéndonos con información más precisa y confiable y, por tanto, más útil para las
disciplinas humanas.

“La teoría de la probabilidad es un modelamiento matemático del fenómeno del azar o aleatoriedad”.

Daremos a continuación algunas definiciones de probabilidad:

2. DEFINICIONES DE PROBABILIDAD

2.1. Definición Informal

Informalmente, la probabilidad de un suceso es un número real entre 0 y 1.

Dicho número se puede expresar por ejemplo como 0.2, aunque también se lo puede representar como
fracción (1/5), o bien como porcentaje (20%).

- Si la probabilidad es 0, se sabe que el suceso no ocurrirá.


- Si la probabilidad es 1, se sabe que el suceso ocurrirá.
- Es decir, el 0 y el 1 son los casos límite.

Para valores intermedios, el suceso puede o no ocurrir. En general diremos que una probabilidad cercana
a 0 es baja, y que una probabilidad cercana a 1 es alta.

Si por ejemplo la probabilidad de que mañana llueva es 0.9 significa que mañana es altamente probable
que llueva. Si en cambio la probabilidad de que un avión se caiga es 0.000000001 significa que viajar en
avión es bastante seguro.

¿Cuándo es alta una probabilidad? ¿Cuándo es baja? Eso es subjetivo. Por ejemplo si al despertarnos a la
mañana el pronosticador del tiempo dice que hay 90% de probabilidades de lluvia, seguramente
consideraremos que es un número alto, o por lo menos lo suficientemente alto como para tomarnos la
molestia de llevar un paraguas al salir. En cambio si la probabilidad de que un avión complete un viaje
sin caerse fuera ese mismo 0.9, dudo mucho que alguien quiera viajar en ese avión. Entonces cuándo una
probabilidad es o no alta o baja depende en gran medida del contexto. Es decir, a qué esté asociada esa
probabilidad.

Ejemplos:

1. Si el suceso A consiste en obtener cara al tirar una moneda, entonces intuitivamente podemos decir
que si la moneda no está cargada, entonces P(A) = 1/2.

2. Si el suceso A consiste en obtener un 3 al tirar un dado honesto (no cargado) entonces


intuitivamente podemos decir que P(A) = 1/6.

Esto nos lleva a la segunda definición que daremos de probabilidad:

Reynaldo Sucari León Estadística Descriptiva e Inferencial


2

2.2. Definición de Laplace

La probabilidad de un evento es la razón entre el número de casos favorables y el número total de


casos posibles, siempre que nada obligue a creer que algunos de estos sucesos debe tener preferencia
a los demás, lo que hace que estos sean posibles.

n (A) Número de casos favorables al suceso A


P( A )  
n () Número de casos posibles
Ejemplos:

1) ¿Cuál es la probabilidad de sacar cara al lanzar una moneda no cargada?

De acuerdo al razonamiento intuitivo anterior, los resultados posibles son:


 = { c, s }

Entonces el número de casos posibles asociados al espacio muestral  es: n() = 2

Luego, si el suceso A consiste en sacar cara (A = {c}); entonces el número de casos favorables
asociados al evento o suceso A es: n(A) = 1, por tanto, constituye 1 entre 2 resultados posibles, y en
consecuencia:
n ( A) 1
P( A )  
n () 2
2) Se realiza el experimento que consiste en lanzar 2 monedas. Hallar la probabilidad de los siguientes
sucesos:
A: Obtener dos caras,
B: Obtener una cara y un sello,
C: Obtener al menos un sello.

El espacio muestral asociado al experimento es:

 = {(c,c), (c,s), (s,c), (s,s)}  n() = 4 casos posibles

los espacios muestrales asociados a los eventos y su probabilidades son:

 A = {obtener dos caras} = {(c,c)}  n(A) = 1


Por tanto, P(A) =
 B = {obtener 1 cara y 1 sello} = {(c,s), (s,c)}  n(B) = 2
Por tanto, P(B) =
 C = {obtener al menos un sello} = {(c,s), (s,c), (s,s)}  n(C) = 3
Por tanto, P(C) =

2.3. Definición Empírica


Esta definición consiste en asociar las probabilidades de los resultados con sus frecuencias relativas
luego de repetir el experimento una determinada cantidad de veces.

De ahí el nombre "empírica". Es decir,

f abs (A)
P(A)  f rel (A) 
n

Donde: fabs(A) es la cantidad de veces que ocurrió A (frecuencia absoluta) en las n veces que se llevó a
cabo el experimento.

Cuanto más grande sea n, mejor será la aproximación de P(A) por f rel(A).

Estadística Descriptiva e Inferencial Reynaldo Sucari León


3

Ejemplo:
Si se quiere tener una idea de cuál es la probabilidad de que eligiendo un alumno de la facultad al azar,
éste tenga ojos claros, se puede tomar a 50 alumnos al azar y contar cuántos tienen ojos celestes. Luego
si 13 de esos 50 tienen ojos claros, estimaremos que P(A) = 13/50 = 0.26.

Si en vez de examinar a 50 alumnos hubiéramos examinado a 200, la exactitud esperable sería mayor.
Por ejemplo quizás entre los 200 alumnos habría 53 con ojos claros, y entonces P(A) = 0.265.

Y si hubiera infinitos alumnos, y tomáramos muestras cada vez mayores, nos acercaríamos
asintóticamente al resultado real, que podría ser, por ejemplo, 0.263.

3. AXIOMAS DE PROBABILIDAD
Los axiomas de probabilidad son las condiciones mínimas que deben verificarse para que una función que
definimos sobre unos sucesos determine consistentemente valores de probabilidad sobre dichos sucesos.

La probabilidad P de un suceso A, denotada por P(A), se define con respecto a un "universo" o espacio
muestral Ω, conjunto de todos los posibles sucesos elementales, tal que P verifique los Axiomas de
Kolmogórov, enunciados por el matemático ruso de este nombre en 1933. En este sentido, el suceso A es, en
términos matemáticos, un subconjunto de Ω.
Axiomas de Kolmogórov

Dado un conjunto de sucesos elementales, Ω, sobre el que se ha definida una σ-álgebra (léase sigma-álgebra)
σ de subconjuntos de Ω y una función P que asigna valores reales a los miembros de σ, a los que
denominamos "sucesos", diremos que P es una probabilidad sobre (Ω, σ) si se cumplen los siguientes tres
axiomas.

 Primer axioma
La probabilidad de un suceso A es un número real mayor o igual que 0.
P(A)  0
La probabilidad de un suceso es un número positivo o nulo.

 Segundo axioma
La probabilidad del total, Ω, es igual a 1.
P()  1
Ω representa todas las posibles alternativas y se denomina suceso seguro.

 Tercer axioma
Si A1, A2... son sucesos mutuamente excluyentes (incompatibles dos a dos, disjuntos o de intersección
vacía dos a dos), entonces:
P(A1  A 2 )  
PA i 
Según este axioma se puede calcular la probabilidad de un suceso compuesto de varias alternativas
mutuamente excluyentes sumando las probabilidades de sus componentes.

Propiedades que se deducen de los axiomas


De los axiomas anteriores se deducen otras propiedades de la probabilidad:

1. P() = 0 donde el conjunto vacío () representa en probabilidad el suceso imposible


2. Para cualquier suceso P(A)  1
3. P(A c )  1  P(A)
4. Si A  B entonces P(A)  P(B)
5. P(A  B)  P(A)  P(B)  P(A  B)
En términos más formales, una probabilidad es una medida sobre una σ-álgebra de subconjuntos del espacio
muestral, siendo los subconjuntos miembros de la σ-álgebra los sucesos y definida de tal manera que la
medida del total sea 1. Tal medida, gracias a su definición matemática, verifica igualmente los tres axiomas
de Kolmogórov. A la terna formada por el espacio muestral, la σ-álgebra y la función de probabilidad se la
denomina Espacio probabilístico, esto es, un "espacio de sucesos" (el espacio muestral) en el que se han
definido los posibles sucesos a considerar (la σ-álgebra) y la probabilidad de cada suceso (la función de
probabilidad).

Reynaldo Sucari León Estadística Descriptiva e Inferencial


4

Como ejemplo se puede tomar como espacio muestral a los posibles resultados al arrojar un dado corriente
={1, 2, 3, 4, 5, 6}, tomaremos como σ-álgebra todos los subconjuntos posibles de Ω (que en matemáticas se
denota por P()) y como función de probabilidad
Número de elementos de A n (A)
P( A )  
6 6
Es fácil comprobar que esta función verifica los tres axiomas de Kolmogórov y, por tanto, constituye una
probabilidad sobre este conjunto.

n(A)
1. P(A)   0 , puesto que es el cociente de dos números positivos
6
2. P()  P1,2,3,4,5,6 
Número de elementos de {1,2,3,4,5,6} 6
 1
6 6
3. Si A = A1  A2  A3   de tal manera que Ai  Aj =  i  j entonces

n(A) = n(A1) + n(A2) + n(A3) + 

EJERCICIOS
1. Consideremos el experimento que consiste en lanzar dos dados y anotar los puntos de las caras superiores.
Hallar la probabilidad de:
a) Salgan dos 3
b) No salga ningún 5
c) Salga algún 5
d) No salga ningún 5 ni ningún 6
e) Salgan solamente números pares
f) Obtener una suma de puntos igual a 11.
g) Obtener una suma menor o igual que 4.

Solución:

Formemos el siguiente cuadro para determinar el espacio muestral asociado al experimento:

1 2 3 4 5 6
1 (1,1) (1,2) (1,3) (1,4) (1,5) (1,6)
2 (2,1) (2,2) (2,3) (2,4) (2,5) (2,6)
3 (3,1) (3,2) (3,3) (3,4) (3,5) (3,6)
4 (4,1) (4,2) (4,3) (4,4) (4,5) (4,6)
5 (5,1) (5,2) (5,3) (5,4) (5,5) (5,6)
6 (6,1) (6,2) (6,3) (6,4) (6,5) (6,6)

El espacio muestral es el siguiente:

 = { (1,1) , (1,2) , (1,3) , (1,4) , (1,5) , (1,6) , (2,1) , (2,2) , (2,3) , (2,4) , (2,5) , (2,6),
(3,1), (3,2) , (3,3) , (3,4) , (3,5) , (3,6) , (4,1) , (4,2) , (4,3) , (4,4) , (4,5) , (4,6) ,
(5,1) , (5,2) ,(5,3) , (5,4) , (5,5) , (5,6) , (6,1) , (6,2) , (6,3) , (6,4) , (6,5) , (6,6) }

Entonces n() = 36 casos posibles.

Usamos este espacio muestral porque suponemos que sus elementos son equiprobables. Queremos que el
espacio muestral sea equiprobable para poder aplicar la definición de Laplace.

Luego contando los resultados incluidos en cada suceso cuya probabilidad se pide, obtenemos:

a) A={Salgan 2 tres} = {(3,3)}  n(A) = 1


 P(A) = 1/36

Estadística Descriptiva e Inferencial Reynaldo Sucari León


5

b) B ={No saga ningún cinco} = { (1,1) , (1,2) , (1,3) , (1,4) , (1,6) , (2,1) , (2,2) ,
(2,3) , (2,4) , (2,6), (3,1), (3,2) , (3,3) , (3,4) ,
(3,6) , (4,1) , (4,2) , (4,3) , (4,4) , (4,6) , (6,1) ,
(6,2) , (6,3) , (6,4) , (6,6) }
 n(B) = 25
 P(B) = 25/36
c) C ={Saga algún cinco} = { (1,5) , (2,5) , (3,5) , (4,5) , (5,1) , (5,2) ,(5,3) ,
(5,4) , (5,5) , (5,6) , (6,5) }
 n(C) = 11
 P(C) = 11/36

d) D ={Saga algún cinco} = { (1,1) , (1,2) , (1,3) , (1,4) , (2,1) , (2,2) , (2,3) ,
(2,4) , (3,1), (3,2) , (3,3) , (3,4) , (4,1) , (4,2) ,
(4,3) , (4,4) }
 n(D) = 16
 P(D) = 16/36 = 4/9

e) E ={Saga solamente números pares } = { (2,2) , (2,4) , (2,6), (4,2) , (4,4) ,


(4,6) , (6,2) , (6,4) (6,6) }
 n(E) = 9
 P(E) = 9/36 = 1/4

f) F = {Suma igual a 11} = {(5,6), (6,5)}  n(F) = 2


 P(A) = 2/36 = 1/18

g) G = {suma 4} = {(1,1), (1,2), (1,3), (2,1), (2,2), (3,1)}  n(G) = 6


 P(B) = 6/36 = 1/6

2. Sea el  = {a,b,c,d} y tal que P{a} = 0,5 , P{b} = 0,2 , P{c} = 0,1.
Si A = {a,b,c} y B = {a,b,d} calcular P(A), P(B), P(AB)C, P(ACBC) y P(ACBC).

a) P(A) = P(a  b  c) = P(a) + P(b) + P(c) = 0.5 + 0.2 + 0.1 = 0.8


b) P(B) = P(a  b  d) = P(a) + P(b) + P(d) = 0.5 + 0.2 + 0.2 = 0.9
c) P(AB)C = 1- P(AB) = 1- P({a,b}) = 1 – P(a  b) = 1 – (P(a) + P(b))
= 1- 0.5 – 0.2 = 0.3
d) P(ACBC) = P(AB)C = 1- P(AB) = 1- P({a,b,c,d}) = 1- P() = 0
e) P(ACBC) = P(AB)C = 0.3

3. Se extrae una bola de una urna que contiene 4 bolas rojas, 5 blancas y 6 negras. ¿Cuál es la
probabilidad de que la bola extraída sea roja o blanca? ¿Cuál es la probabilidad de que no sea blanca?

a) P(R  B) = P(R) + P(B) = 4/15 + 5/15 = 9/15 por ser con juntos disjuntos, es decir, que no pueden
salir juntos a la vez la bola roja y blanca.

b) P(BC) = 1 – P(B) = 1 – 5/15 = 10/15 = 2/3

EJERCICIOS PROPUESTOS

1) Juan planteó a Pedro, entre otros, el siguiente problema: al jugar a la suma de puntos de dos dados
observó que apostando a suma 6 solía perder y jugando a sumar 7 puntos solía ganar. Todo ello para un
número grande de partidas. Y no se lo explicaba porque el numero 6 admite las sumas: 5+1 , 4+2 y 3+3
que son tres casos, y el número 7 admite también tres posibles sumas : 6+1 , 5+2 y 4+3 . Terminaba su
consulta mostrando su extrañeza al ser 3 los casos favorables en ambas apuestas. Se pide:
a) Hallar la probabilidad de sumar 6 puntos y la de sumar 7 al lanzar dos dados correctos.
b) Evaluar en términos de diferencia la "finura" de Juan al apreciar el distinto valor de esas dos
probabilidades

2) Según cierto estudio, el 40% de los hogares peruanos tienen contratado Cable Mágico y el 33% tiene
contratado DirecTV, y el 20% disponen de ambos servicios. Se selecciona un hogar peruano al azar.

Reynaldo Sucari León Estadística Descriptiva e Inferencial


6

a) ¿Cuál es la probabilidad de que solo tenga contratado Cable Mágico?


b) ¿Cuál es la probabilidad de que no tenga contratado ninguno de los dos servicios?

3) En una urna hay cuatro bolas naranjas y dos azules. Se lanza. Un dado, si sale par se extrae una bola de la
urna y si sale impar se extraen dos bolas, a la vez, de la urna.
a) Calcule la probabilidad de que se hayan extraído dos bolas azules.
b) Halle la probabilidad de que no se haya extraído ninguna bola azul

4) Una rata es colocada en una caja con tres pulsadores de colores rojo, azul y blanco. Si pulsa dos veces las
palancas al azar:
a) ¿Cuál es la probabilidad de que las dos veces pulse la roja?
b) ¿Cuál es la probabilidad de que pulse la primera vez o la segunda o ambas la tecla azul?

5) En la asignatura de Cálculo de Probabilidades se ha decidido aprobar a aquellos que superen uno de los
dos parciales. Con este criterio aprobó el 80%, sabiendo que el primer parcial lo superó el 60% y el
segundo el 50% ¿Cuál hubiese sido el porcentaje de aprobados, si se hubiese exigido superar ambos
parciales?

4. PROBABILIDAD CONDICIONAL
Sean A y B dos sucesos de un experimento aleatorio, cuyas probabilidades son P(A) y P(B).

Si el que se verifique un segundo suceso B, viene condicionado a que antes se haya verificado un primer
suceso A, dentro del mismo experimento, y siendo P(A) > 0, llamaremos probabilidad condicionada del
suceso B respecto del A y se escribirá P(B/A), a la probabilidad del suceso, que habiéndose primero
verificado A, se verifica también el B, y su valor será:

PA  B
P( B A) 
P(A)

De esta definición sacamos el teorema de la probabilidad compuesta o del producto para sucesos
dependientes P(A B) = P(A) · P(B/A)

En el caso de que existan 3 o más sucesos condicionados, el teorema dice que:

P(ABC) = P(A). P(B/A). P(C/AB), siendo P(AB) 0


Ejemplos:

1) El 95% de los gatos de 3 colores son hembras. El 40% de los gatos son hembras. Al tomar un gato al azar,
¿cuál es la probabilidad de que sea una hembra de 3 colores?

Si el suceso A es que el gato elegido sea de 3 colores y el suceso B es que sea hembra, estamos buscando
P(A B). Nos dieron de dato:
P(A/B) = 0.95
P(B) = 0.4

Usando probabilidad condicional calculamos:


P(A B) = P(A/B). P(B) = 0.95 . 0.4 = 0.38

2) Los resultados de una encuesta realizada sobre 334 universitarios de ambos sexos y de actitudes
progresistas y conservadora es la siguiente: 145 varones progresistas, 42 mujeres progresistas, 51 varones
conservadores y 96 mujeres conservadores. a) Calcular la probabilidad de que la actitud sea progresista
dentro de los varones y b) ¿Cuál será la probabilidad de que la actitud sea conservadora dentro de las
mujeres?

Si llamamos A: varones. ̅ mujeres. B: progresista. ̅: conservador

a) En este caso nos piden hallar la probabilidad de B dado A, es decir:

Estadística Descriptiva e Inferencial Reynaldo Sucari León


7

( ⁄ )

b) Ahora piden hallar la probabilidad de ̅ dado ̅ , es decir:

̅ ̅
(̅⁄̅ )
̅

3) De una urna que contiene 9 bolas rojas y 5 negras, se extraen sucesivamente 2 bolas sin devolución.
Hallar la probabilidad de que a) las dos bolas sean negras, b) que la 1ª sea roja y la 2ª sea negra, c) que
una sea roja y otra negra.

a) ( ⁄ )

b) ( ⁄ )

c) P(una roja y otra negra) = [ ]

( ⁄ ) ( ⁄ )

5. INDEPENDENCIA

Dados dos sucesos A y B diremos que:

B depende del A si P(B)  P(B/A).


B es independiente del A si P(B) = P(B/A).

Teorema 1: Si B depende de A  A depende también de B


Si B es independiente de A  A es también independiente de B

Teorema 2: La condición necesaria y suficiente para que dos sucesos A y B sean independientes es que
P(AB) = P(A).P(B).

Teorema 3: Si los sucesos A y B son independientes, también lo serán los sucesos


A y BC, AC y B , AC y BC.

Teorema 4: Tres sucesos A, B y C son independientes si se verifica que:


P(ABC) = P(A). P(B). P(C)
y además que sean independientes dos a dos.

5.1. Casos especiales de dependencia

 Sucesos disjuntos:

Si los sucesos son disjuntos, el hecho de que ocurra uno implica que el otro no ocurre. Es decir, en el
caso de que sean disjuntos, el hecho que un suceso ocurra no solamente afecta la probabilidad de que el
otro ocurra, sino que además la hace directamente cero. Por lo tanto los sucesos son fuertemente
dependientes.

Reynaldo Sucari León Estadística Descriptiva e Inferencial


8

Ejemplo:
Si el suceso R es que una persona sea rubia y el suceso M es que sea morocha, R M = , y por lo
tanto si se sabe que una persona es rubia la probabilidad de que sea morocha es cero y también si se sabe
que una persona es morocha, la probabilidad de que sea rubia es cero. Vemos que por tratarse de sucesos
disjuntos, el hecho de que ocurra uno hace que la probabilidad no solamente sea afectada sino que
además la hace valer cero.

 Un suceso incluido en otro:

Si un suceso está incluido en otro, al ocurrir el de “adentro” necesariamente ocurre también el de


“afuera”. Es decir, el hecho de que haya ocurrido el de “adentro” modifica la probabilidad de que ocurra
el de “afuera”, y de hecho la hace uno.

Ejemplo:
Si el suceso N es haya nubes un determinado día haya nubes y el suceso L es que llueva, notamos que L
N. El hecho de saber que un día llovió hace que la probabilidad de que haya habido nubes sea 1, con
lo cual el hecho de saber que ocurrió L afecta la probabilidad de N. Y también el hecho de saber que
hubo nubes no necesariamente implicará que llueva, pero en general afectará la probabilidad de que
llueva, porque recordemos que aceptar que “hay nubes” implica meterse en un espacio muestral en el
cual “hay nubes”, y por lo tanto todas las probabilidades se modifican porque deben estar referidas al
nuevo espacio muestral.

NOTA IMPORTANTE:
No se deben confundir los conceptos de sucesos incompatibles y sucesos independientes. Dos sucesos
son incompatibles cuando no tienen elementos en común, es decir, A ∩ B = , o con diagramas de
Venn:

Dos sucesos son independientes si P(A∩B) = P(A).P(B). Son conceptos totalmente distintos. Uno se
refiere a CONJUNTOS y otro se refiere a PROBABILIDADES.

Estadística Descriptiva e Inferencial Reynaldo Sucari León


9

Ejemplos:
1) En el lanzamiento de un dado, consideremos los sucesos: A= “sacar un número par” y B=
“sacar un número menor o igual que 2” Es claro que A= {2,4,6} y B= {1,2}.

Calculemos la probabilidad de A conociendo que se ha realizado el suceso B, es decir, P(A/B).


Utilizando la fórmula:

( ⁄ )

puesto que P(A ∩ B) = P(sacar par y menor o igual que 2) = y P(B) =

Pero si no conociésemos la información B, .cuál sería la probabilidad de A?.


P(A) = P(sacar par) = = 0.5, es decir que P(A/B) = P(A), y por tanto el conocer la información B no
modifica la probabilidad de A.

Cuando esto ocurre es decir, cuando P(A/B) = P(A), diremos que los sucesos A y B son independientes (el
hecho de que ocurra B no modifica la probabilidad de A).

2) En el caso anterior, P(A ∩ B) = , y por otra parte P(A) = y P(B) = , luego se cumple que

luego A y B son independientes.

3) Comprobar que los sucesos fumar F y ser mujer M son independientes en la clasificación de
la tabla:
Mujer M Hombre H Total
Fumar F 200 600 800
No fuma ̅ 100 300 400
Total 300 900 1200

Hallamos:
P(F ∩ M) = , P(F) = y P(M) =

Se verifica la condición: P(F ∩ M) = P(F)·P(M)


P(F ∩ M) = =
luego los sucesos fumar F y ser mujer M son independientes.

6. PROBABILIDAD TOTAL
Comencemos por recordar lo que es una partición. Una partición de un conjunto es una forma de dividirlo en
una determinada cantidad de subconjuntos denominados partes, tales que esas partes son todas disjuntas, y a
la vez la unión de todas ellas forman el conjunto original.

Por ejemplo ilustremos una posible partición de un determinado conjunto :

A1 
A2

A3

An
Vemos en el dibujo que se cumplen las dos condiciones que enunciamos sobre las partes:
n
  A
i 1
i (la unión de las partes es el conjunto)

 Ai  Aj =  (todas las partes son disjuntas entre sí)

Reynaldo Sucari León Estadística Descriptiva e Inferencial


10

Para entender el teorema de la probabilidad total lo explicaremos con un ejemplo.

Sea el conjunto de todos los alumnos de tu instituto y sean Ai las aulas del instituto, de forma que la unión de
las aulas cubre todo el centro. Ahora sea el suceso B de los alumnos que tienen beca.

A1

A2 B
A3

An

Para contar B podemos hacerlo contando los alumnos que tienen beca en cada aula, y sumarlos todos, es
decir,
B = (B  A1)  (B  A2)  (B  A3)  · · ·  (B  An)

Como P(B  Ai) = P(B/Ai).P(Ai), se obtiene la expresión:


n n
P(B)  
i 1
P( B  A i )   P(B / A ).P(A )
i 1
i i

esto se expresa de forma general en el teorema siguiente:

Teorema: Sea Ai una partición de ,  = A1  A2  · · ·  An y el suceso B   , entonces se cumple:

n
P(B)   P(B / A ).P(A )
i 1
i i

Ejemplos:

1) En una determinada ciudad, la probabilidad de que una persona elegida al azar sea mujer y
tenga ojos azules es 0.1, y la probabilidad de que una persona elegida al azar sea hombre y
tenga ojos azules es 0.15. ¿Cuál es la probabilidad de que una persona elegida al azar tenga
ojos azules?

El experimento consiste en tomar una persona al azar, y registrar su sexo y el color de sus ojos. Definimos
3 sucesos:

M: que la persona elegida al azar sea mujer.


H: que la persona elegida al azar sea hombre.
A: que la persona elegida al azar tenga ojos azules.

Gráficamente tenemos:

Como una persona es hombre o es mujer y no hay otras posibilidades, entonces P(M) + P(H) = 1. Como
además no se puede ser hombre y mujer al mismo tiempo, los sucesos M y H son disjuntos. Es decir, M y
H constituyen una partición del espacio muestral .

Estadística Descriptiva e Inferencial Reynaldo Sucari León


11

Nos piden: P(A)

Como A  entonces A  = A. Por lo tanto: P(A) = P(A )

Como M y H constituyen una partición de , entonces:

P(A ) = P(A (M H))


Distribuimos la intersección y queda:

P(A (M H)) = P((A M) (A H))

Como M y H son disjuntos, entonces (A M) y (A H) son disjuntos. (Una persona no puede ser
hombre y mujer al mismo tiempo, por lo tanto tampoco puede “tener ojos azules y ser mujer” y “tener
ojos azules y ser hombre” al mismo tiempo. Queda:

P((A M) (A H)) = P(A M) + P(A H) = 0.1 + 0.15 = 0.25

2) Una empresa que fabrica lamparitas tiene 2 plantas, la A y la B. Cada lamparita fabricada
por A tiene probabilidad 0.01 de ser defectuosa. Cada lamparita fabricada por B tiene
probabilidad 0.02 de ser defectuosa. Si las plantas A y B producen el 60% y el 40% de las
unidades respectivamente, ¿cuál es la probabilidad de que una lamparita fabricada por la
empresa sea defectuosa?

Siguiendo el mismo análisis del ejercicio anterior, el experimento consiste en tomar una lamparita, y ver
quién la fabricó, y si es defectuosa. Tomamos los siguientes sucesos:

A: que la lamparita haya sido fabricada por la planta A


B: que la lamparita haya sido fabricada por la planta B
D: que la lamparita sea defectuosa

Observamos que A y B son una partición de , porque A  B =  (la lamparita obligatoriamente fue
fabricada por alguna de las 2 plantas) y A  B =  (la lamparita no puede haber sido fabricada por las 2
plantas).

Nos piden P(D). Como en el ejercicio anterior vimos el desarrollo paso por paso, ahora aplicaremos
directamente la fórmula de la probabilidad total:
n n
P(D)  
i 1
P( D  A i )   P(D / A ).P(A )
i 1
i i

Donde n = 2, A1 = A, y A2 = B.
Usamos la segunda expresión y queda:
n
P(D)   P(D / A ).P(A )  PD / AP(A)  PD / BP(B)
i 1
i i

Observemos que si nos dicen que la probabilidad de que una lamparita fabricada por A sea defectuosa es
0.01, nos están diciendo P(D / A) = 0.01. , también sabemos que P(A) = 60% = 0.6 y P(B) = 40% = 0.4.
Entonces:

P(D)  PD / AP(A)  PD / BP(B)  (0.01)(0.6)  (0.02)(0.4)  0.014

3) Una urna contiene 4 bolas rojas y 6 bolas blancas. Una segunda urna contiene 6 bolas rojas
y 4 blancas. Se traslada una bola de la 1ª urna a la 2ª y a continuación se extrae una bola de
la 2ª urna. Se pide la probabilidad de que la 2ª bola extraída sea blanca.

Tomamos los siguientes sucesos:

A1 = { pasar bola R de la 1ª a la 2ª urna }


A2 = { pasar bola B de la 1ª a la 2ª urna }
B = { extraer bola blanca de la 2ª urna }

Reynaldo Sucari León Estadística Descriptiva e Inferencial


12

Se ve que A1 y A2 forman un sistema completo porque de la 1ª urna son las dos únicas posibilidades de
sacar bola distinta.
1º Urna 2º Urna
{

( ⁄ ) ( ⁄ )

7. TEOREMA DE BAYES
Consideremos un modelo como el que planteamos al estudiar la probabilidad total, en el cual el espacio
muestral estaba particionado y se quería calcular la probabilidad de un suceso B contenido en ese espacio
muestral.

Supongamos ahora que lo que sea desea no es la probabilidad del suceso B sino la probabilidad de una de las
partes, sabiendo que ocurrió B.

Dijimos entonces que el espacio muestral  estaba particionado, y que se sabe que ocurrió B, y entonces se
desea calcular la probabilidad de cada parte (es decir, calcular las nuevas probabilidades, referidas al espacio
muestral B).

A1

A2 B
A3

An

Si queremos calcular la probabilidad de la parte Ai, sabiendo que ocurrió B, planteamos:


PA i  B
PA i B 
PB
En el denominador usamos la fórmula de la probabilidad total, y nos queda:

PA i  B
PA i B  n

 P( A
i 1
i  B)

A continuación damos vuelta las dos intersecciones y aplicamos la definición de probabilidad condicional, y
queda:
PA i  B PB  A i  PB / A i P(A i )
PA i B  n  n  n
 P( A
i 1
i  B)  P( B  A )  P( B / A ) P( A )
i 1
i
i 1
i i

En conclusión:
PB / A i P(A i )
PA i B  n

 P( B / A ) P( A )
i 1
i i

Lo cual se conoce como regla de Bayes y se expresa de forma general en el teorema siguiente:

Teorema de Bayes: Sea Ai una partición de  = A1  A2  · · ·  An y el suceso B   , entonces se


cumple:

Estadística Descriptiva e Inferencial Reynaldo Sucari León


13

PB / A i P(A i )
PA i B  n

 P( B / A ) P( A )
i 1
i i

Observemos que se tienen como dato las probabilidades originales de las partes y la probabilidad de que
ocurra B dentro de cada parte, y lo que se obtiene es la probabilidad de que ocurra una determinada parte
sabiéndose que ocurrió B.

Ejemplos:
1) Dos clases del 2º semestre de la universidad, una de 28 alumnos y otra de 35 alumnos hacen
conjuntamente un examen de Matemáticas. La probabilidad de aprobar de los alumnos de
la primera clase es de 0.68 y los de la segunda del 0.73. Se toma un examen al azar y resulta
que está aprobado. ¿Cuál es la probabilidad de que sea de un alumno de la 1ª clase?.

Sea: A1 = “el examen es de un alumno de la primera clase”


A2 = “el examen es de un alumno de la segunda clase”
B = “el examen está aprobado”

Nos piden P(A1/B).

Hagamos antes que nada un diagrama de árbol:

Por el teorema de Bayes:

PB / A 1 P(A1 ) PB / A 1 P(A 1 )


PA 1 B  
2 P( B / A 1 ) P( A 1 )  P( B / A 2 ) P( A 2 )
 P( B / A ) P( A )
i 1
i i

Sustituyendo:
 28 
0.68 
 63 
PA 1 B 
0.302
  0.427
 28   35  0.708
0.68   0.73 
 63   63 

2) En un determinado grupo de gente hay personas rubias, morochas y pelirrojas. El 60% de


la gente es morocha, el 30% rubia y el 10% pelirroja. El 50% de los rubios tiene ojos claros,
el 40% de los pelirrojos tiene ojos claros y el 25% de los morochos tiene ojos claros. Si una
persona elegida al azar tiene ojos claros, ¿cuál es la probabilidad de que sea rubia?

Sea: A1 = “la persona elegida es rubia”


A2 = “la persona elegida es morocha”
A3 = “la persona elegida es pelirroja”
B = “tiene ojos claros”

Nos piden P(A2/B).

Se tiene los siguientes datos:


El 60% de la gente es morocha : P(A1) = 0.6
El 30% rubia : P(A2) = 0.3
El 10% pelirroja : P(A3) = 0.1

Reynaldo Sucari León Estadística Descriptiva e Inferencial


14

El 25% de los morochos tiene ojos claros : P(B/A1) = 0.25


El 50% de los rubios tiene ojos claros : P(B/A2) = 0.5
El 40% de los pelirrojos tiene ojos claros : P(B/A3) = 0.4
Aplicamos la regla de Bayes:
PB / A 2 P(A 2 )
PA 2 B  3
(0.5)( 0.3)
  0.441
(0.25)( 0.6)  (0.5)( 0.3)  (0.4)( 0.1)
 P( B / A i ) P( A i )
i 1

EJERCICIOS PROPUESTOS

1) Elvira se sabe 18 unidades de las 22 de que consta el libro de Historia. En un examen, por medio de bolas,
se eligen dos unidades al azar. ¿Cuál es la probabilidad de que se sepa las dos?

2) Un cajón contiene cuatro calcetines negros, seis marrones y dos azules. Si se toman dos calcetines al azar,
¿cuál es la probabilidad de que ambos sean negros. ¿Y la de que ambos sean del mismo color?

3) Una rata es colocada en una caja con tres pulsadores de colores rojo, azul y blanco. Si pulsa dos veces las
palancas al azar:
a) ¿Cuál es la probabilidad de que las dos veces pulse la roja?
b) ¿Cuál eses la probabilidad de que pulse la primera vez o la segunda o ambas la tecla
azul?

4) Como todo el mundo sabe, la probabilidad de que en una ruleta salga 10 veces seguidas el color rojo es
muy pequeña. Habiendo salido 9 veces seguidas el rojo, un jugador apuesta al negro ¿Qué probabilidad
tiene de ganar?

5) En una asignatura se ha decidido aprobar a aquellos que superen uno de los dos parciales. Con este
criterio aprobó el 80%, sabiendo que el primer parcial lo superó el 60% y el segundo el 50% ¿Cuál
hubiese sido el porcentaje de aprobados, si se hubiese exigido superar ambos parciales?

6) En un estudio sobre la relación entre el tabaco y el cáncer de pulmón se ha clasificado a 200 personas
según fueran fumadoras o no, y según padecieran cáncer de pulmón o no. La tabla siguiente presenta los
resultados obtenidos:
Fumadores No fumadores
Con cáncer 70 30
Sin cáncer 40 60

a) Calcula la probabilidad de que una persona sea fumadora y padezca cáncer de


pulmón.
b) Calcula la probabilidad de que una persona padezca cáncer.
c) ¿Son independientes los sucesos “ser fumador” y “padecer cáncer de pulmón”?

7) Se tienen tres urnas: la A que contiene dos bolas blancas y cuatro rojas, la B tres blancas y tres rojas; y la
C con una blanca y cinco rojas. Se elige una urna al azar y se extrae una bola de ella.
a) ¿Cuál es la probabilidad de que esta bola sea blanca?
b) Si la bola extraída resulta ser blanca, ¿cuál es la probabilidad de que proceda de la
urna B?

8) La fabricación de cierto tipo de objetos se hace en dos fases. La probabilidad de un defecto en la primera
fase es de 0,04 y la probabilidad de un defecto en la segunda es de 0,01. ¿Cuál es la probabilidad de que
un objeto así fabricado, elegido al azar, no sea defectuoso?

9) Las probabilidades de que tres tiradores den en el blanco son, respectivamente, de 1/6, 1/4 y 1/3. Cada
tirador efectúa un solo disparo. Encuentre la probabilidad de que solamente un tirador dé en el blanco.

10) En un albergue coinciden 10 personas entre las cuales hay 6 que hablan español, 2 que hablan inglés y 2
que hablan ambos idiomas. ¿Cuál es la probabilidad de que dos personas elegidas al azar no hablen el
mismo idioma?

Estadística Descriptiva e Inferencial Reynaldo Sucari León


15

11) Dos sucesos incompatibles, A y B, tienen probabilidades respectivas 0,20 y 0,60. Calcula la
probabilidad de que suceda:
a) A y B.
b) A o B.
c) A pero no B.

12) Un aparato eléctrico está constituido por dos componentes A y B. Sabiendo que hay una probabilidad de
0, 58 de que no falle ninguno de los componentes y que en el 32% de los casos falla B y no lo hace A,
determina, justificando la respuesta, la probabilidad de que en uno de tales aparatos no falle la
componente A.

13) Un estudiante hace dos pruebas en un mismo día. La probabilidad de que pase la primera prueba es 0,6.
La probabilidad de que pase la segunda es 0,8 y la de que pase ambas es 0,5. Se pide:
a) Probabilidad de que pase al menos una prueba.
b) Probabilidad de que no pase ninguna prueba.
c) ¿Son las pruebas sucesos independientes?
d) Probabilidad de que pase la segunda prueba en caso de no haber superado la primera.

14) Una clase se compone de veinte chicos y diez chicas. La mitad de las chicas y la mitad de los chicos
aprueban las matemáticas. Calcula la probabilidad de que, al elegir una persona al azar, resulte ser:
a) Chica o que aprueba las matemáticas.
b) Chico que suspenda las matemáticas.
c) Sabiendo que es chico, ¿cuál es la probabilidad de que apruebe las matemáticas?
d) ¿Son independientes los sucesos “chico” y “aprueba las matemáticas”?

15) En una cierta ciudad, el 40% de la población tiene cabellos castaños, el 25% tiene los ojos castaños y el
15% tiene cabellos y ojos casta ˜nos. Se escoge una persona al azar:
a) Si tiene cabellos castaños, ¿cuál es la probabilidad de que también tenga ojos castaños?
b) Si tiene ojos castaños, ¿cuál es la probabilidad de que tenga cabellos castaños?
c) ¿Cuál es la probabilidad de que no tenga cabellos ni ojos castaños?

16) En un almacén hay tres estanterías y en cada una dos tipos de productos: A y B. En la primera hay 140
productos y se sabe que el 25% son del tipo A. En la segunda hay 130 productos y 91 son del tipo B y
en la tercera hay 40 del tipo A y 80 del tipo B.
a) Hacer una tabla que recoja la información anterior.
b) Del total de productos qué proporción corresponde a cada estante?
c) Calcular la probabilidad de que un producto elegido al azar sea del tipo A
d) Si se sabe que el producto elegido no pertenece a la primera estantería, ¿cuál es la probabilidad de
que sea del tipo B.

17) Una urna A contiene 2 bolas rojas y una verde y otra urna B contiene 2 bolas verdes y una roja. Se
extraen dos bolas de la urna A y, sin mirar el color, se introducen en la B. A continuación se extrae una
bola de la urna B. ¿Cuál es la probabilidad de que esa bola sea verde?

18) Una empresa recibe lotes de material de 3 proveedores en proporciones del 50 %, 30% y 20%. Se sabe
que el 0,1% de los lotes del primer proveedor, el 0,5% de los del segundo, y el 1% de los del tercero es
rechazado en el control de calidad que realiza la empresa a la recepción del material.
a) ¿Qué porcentaje de lotes es rechazado a la recepción?
b) Sabiendo que un lote ha sido rechazado, ¿cuál es su proveedor más probable?

19) De una urna con cuatro bolas rojas y 2 negras se extraen al azar y sin reemplazamiento dos bolas
a) ¿Cuál es la probabilidad de que sean las dos rojas?
b) Si la segunda bola ha resultado negra, ¿cuál es la probabilidad de que lo haya sido la primera?

20) En la sala de pediatría de un hospital, el 60% de los pacientes son niñas. De los niños el 35% son
menores de 24 meses. El 20% de las niñas tienen menos de 24 meses. Un pediatra que ingresa a la sala
selecciona un infante al azar.
a. Determine el valor de la probabilidad de que sea menor de 24 meses.
b. Si el infante resulta ser menor de 24 meses. Determine la probabilidad que sea una niña.

Reynaldo Sucari León Estadística Descriptiva e Inferencial

Potrebbero piacerti anche