Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Introducción a la Probabilidad
Para extender los resultados del estudio descriptivo de las variables estadísticas a poblaciones
que no se observan completamente, es necesario utilizar la idea de modelo probabilístico. En esta
parte, se introduce, en primer lugar, la noción de probabilidad como idealización del concepto
de frecuencia relativa. A continuación se presenta la probabilidad condicionada y la definición
de independencia. El concepto básico para la construcción de modelos probabilísticos es el de
variable aleatoria; el estudio que aquí se realiza es paralelo al que se ha hecho en la primera
parte con las variables estadísticas, considerándose su distribución de probabilidad, su media
(o valor esperado), varianza, etc. Esta parte finaliza con el estudio de algunas distribuciones de
probabilidad bien conocidas.
Hay que distinguir entre dos tipos de experimentos o fenómenos: aleatorios y determinísticos.
Los fenómenos determinísticos son los que obedecen a una relación causa-efecto y al variar poco
las causas varía poco el efecto. Por ejemplo, al disparar un proyectil con el mismo ángulo de ele-
vación y las mismas condiciones siempre describe la misma parábola. Los fenómenos aleatorios
se caracterizan porque al repetirse en condiciones análogas presentan resultados impredecibles
de antemano. Por ejemplo, un experimento consistente en medir la corriente que circula por
un alambre de cobre. Al repetir varias veces la medición durante varios días, los resultados
que se obtienen podrían diferir un poco debido a pequeñas variaciones en las variables que
47
48 Capítulo 3. Introducción a la Probabilidad
Un evento o suceso es un conjunto de resultados del espacio muestral. Si está formado por
un único elemento se dice elemental. Los denotaremos con letras, A, B, C, etc.
Ejemplo 3.2:
- B=En un lote de 3 piezas hay al menos una defectuosa={(def,no def, no def), (no def,
def, no def), (no def, no def, def), (def, def, no def), (def, no def, def), (no def, def, def),
(def, def, def)}.
Si el suceso contiene todos los resultados del espacio muestral se dice suceso seguro, ya que
ocurre siempre. Si no contiene ningún resultado del espacio muestral se dice suceso imposible o
nulo. Lo denotamos por ∅.
Dados dos sucesos A y B, podemos realizar las siguientes operaciones:
Suceso A ∩ B : está formado por los resultados comunes de A y B. Ocurre siempre que
ocurran A y B simultáneamente.
3.1. Experimentos aleatorios. Sucesos. 49
− −
A es el suceso complementario de A si ocurre siempre que no ocurre A, A = Ω − A,
−
A ∩ A = ∅.
− − − − − −
Leyes de Morgan: A ∪ B = A ∩ B, A ∩ B = A ∪ B.
Figura 3.1:
− − − − − − − − − − − −
Ω = {(F, F, F ), (F, F, F ), (F, F , F ), (F, F , F ), (F , F, F ), (F , F, F ), (F , F , F ), (F , F , F )}.
− − − −
- A = La primera componente funciona={(F, F, F ), (F, F, F ), (F, F , F ), (F, F , F )}
− − − −
- B = La segunda componente funciona={(F, F, F ), (F, F, F ), (F , F, F ), (F , F, F )}
− − − −
- C = La tercera componente funciona={(F, F, F ), (F, F , F ), (F , F, F ), (F , F , F )}
− −
- D = El sistema funciona=A ∩ (B ∪ C) ={(F, F, F ), (F, F, F ), (F, F , F )}.
nA
P (A) = lı́m
n−>∞ n
Por ejemplo, si lanzamos una moneda 5 veces y en esas 5 veces se obtienen 4 caras, no
podemos decir que la probabilidad de obtener una cara en un lanzamiento es 4/5. Sin embar-
go, si lanzamos la moneda un número de veces suficientemente grande los resultados se van
28 50
estabilizando, 60 , ..., 100 − > 12 .
P : Ω −→ R
A −→ P (A)
tal que:
(i) P (A) ≥ 0, ∀A ⊂ Ω
3.2. Interpretaciones de la probabilidad 51
(ii) P (Ω) = 1
(iii) Para toda sucesión de sucesos disjuntos dos a dos, {A1 , A2, ...} tales que Ai ∩ Aj = ∅
∀i 6= j, entonces Ã∞ !
[ ∞
X
P Ai = P (Ai )
i=1 i=1
(i) P (∅) = 0
−
(ii) P (A) = 1 − P (A)
(iii) 0 ≤ P (A) ≤ 1
Ejemplo 3.4: Los resultados obtenidos de 266 muestras de aire se clasifican según la pres-
encia o no de dos moléculas raras. En 212 muestras de aire no hay ninguna de esas moléculas,
en 24 sólo está presente la molécula 1, en 18 sólo la molécula 2, y en 12 están presentes las dos
simultáneamente.
Definimos los siguientes sucesos:
A = En la muestra está presente la molécula 1
B = En la muestra está presente la molécula 2
Los datos tabulados son:
−
A A
B 12 18 30
−
B 24 212 236
36 230 266
36
P (A) = = 0,1353
266
30
P (B) = = 0,1127
266
12
P (A ∩ B) = = 0,0451
266
Se observa que efectivamente las moléculas rara vez aparecen, pero cuando aparecen suelen
hacerlo juntas.
las moléculas está presente en la muestra aumenta de manera muy marcada la probabilidad de
que la otra lo esté. En concreto, la probabilidad de que aparezca la molécula 1 en una muestra
es P (A) = 0,1353, y la probabilidad de que aparezca tal molécula en una muestra en la que
12
hemos detectado la presencia de la molécula 2 es P (A/B) = = 0,4. Definimos a continuación
30
formalmente la probabilidad condicionada.
A esta expresión se le conoce como regla de la multiplicación, que en general para un número
k de sucesos viene dada por:
P (A1 ∩ A2 ∩ ... ∩ Ak ) = P (A1 )P (A2 /A1 )....P (Ak /A1 ∩ A2 ∩ ... ∩ Ak−1 )
Ejemplo 3.5: Una urna contiene tres bolas negras y tres rojas. Si extraemos tres bolas sin
reemplazamiento (no se devuelven a la urna), la probabilidad de que las tres sean rojas es igual
a:
En consecuencia,
y
P (B)P (A)
P (B/A) = = P (B),
P (A)
por lo que también B es independiente de A. Diremos entonces que A y B son sucesos indepen-
dientes.
Ejemplo 3.6: Consideremos un sistema en serie formado por n componentes que funcionan
de manera independiente. Si llamamos P (Ai ) probabilidad de que la componente i funcione,
i = 1, ..., n, la probabilidad de que el sistema funcione, P (S), viene dada por
n
Y
P (S) = P (A1 ∩ A2 ∩ ... ∩ An ) = P (Ai )
i=1
− − −
P (S) = P (A1 ∪ A2 ∪ ... ∪ An ) = 1 − P (A1 ∩ A2 ∩ ... ∩ An )
Yn
= 1 − (1 − P (Ai ))
i=1
Ejemplo 3.7: Una urna contiene tres bolas negras y tres rojas. Si extraemos tres bolas con
reemplazamiento (se devuelven a la urna), la probabilidad de que las tres sean rojas es igual a:
y sea A otro suceso de Ω para el que se conocen las probabilidades P (A/Bi ), i = 1, ..., n.
Entonces,
n
X
P (A) = P (A/Bi )P (Bi ),
i=1
P (A ∩ Bi ) P (A/Bi )P (Bi )
P (Bi /A) = = Pn , i = 1, ..., n
P (A) i=1 P (A/Bi )P (Bi )
La primera fórmula constituye el teorema de la probabilidad total y la segunda el de Bayes.
Ejemplo 3.8: Una empresa dispone de tres fábricas, A, B, y C para producir un cierto
artículo. La fábrica A produce el 30 % de la cantidad total, la fábrica B produce otro 30 %, y
la fábrica C el 40 % restante. Se sabe que el 2 % de la producción de A, el 3 % de la de B y el
5 % de la de C es defectuosa.
Si llamamos:
D =Artículo defectuoso,
3.6. Ejercicios
a) Sólamente ocurre A.
b) Ocurren A y B pero no C.
e) No ocurre ninguno.
d) Entre las probetas que han dado negativo en el test, ¿cuál es la proporción de probetas
que tienen la bacteria?.
0.85 0.85
7. Una pieza producida en una empresa puede tener dos tipos de defectos, A y B. El 8 %
de la producción presenta el defecto A, el 5 % de la producción presenta el defecto B,
y se supone que no hay piezas que presenten ambos tipos de defecto. Después de ser
producida cada pieza es sometida de manera automática a un test de ruptura, con las
siguientes posibilidades: si la pieza tiene el defecto tipo A, tiene una probabilidad 0.9 de
romperse, si la pieza tiene el defecto tipo B, tiene una probabilidad 0.95 de romperse, y
si no presenta ningún tipo de defecto, tiene una probabilidad 0.01 de romperse.
¿Qúe tanto por ciento de los artículos son realmente defectuosos y no fueron detectados
como tales por ambos inspectores?.
- M.1: Prueba una llave, y si no sirve, agita el llavero y prueba otra vez, con lo cual
corre el riesgo de volverla a usar.
- M.2: Prueba las llaves una tras otra teniendo cuidado de no usar la misma llave.
b. Se sabe además que el trasnochador utiliza el método 1 cuando vuelve a casa después
de haber bebido en exceso (lo cual ocurre uno de cada tres días) y el método 2 cuando
vuelve sobrio. Si se sabe que en los dos primeros intentos ha fracasado, ¿cuál es la
probabilidad de que esté borracho?.
3.6. Ejercicios 59
a) Calcula la probabilidad de que una bujía sea considerada como buena en un control.
b) Calcula la probabilidad de que una bujía buena sea considerada como tal en dos
controles.
c) Si una bujía fue considerada como buena en dos verificaciones, ¿cuál es la probabi-
lidad de que sea realmente buena?.
Calcula:
a) Probabilidad de que una muestra presente alta resistencia tanto a los golpes como a
las rayaduras.
b) Si una muestra presenta una alta resistencia a los golpes, ¿qué es más probable, que
presente alta o baja a las rayaduras?.
c) Si una muestra presenta una alta resistencia a las rayaduras, ¿qué es más probable,
que presente alta o baja a las golpes?.
d) Si una resistencia es baja, ¿cómo suele ser la otra?.
e) Conclusiones.
12. El blanco para practicar tiro con arco tiene dos sectores. Cada acierto en el sector central
vale 10 puntos y en el sector exterior 9 puntos. Una jugada consiste en realizar 2 tiros
consecutivos (e independientes) y sumar los puntos obtenidos. De un arquero se sabe que
la probabilidad de acertar en el sector central es 0.3, y en el sector exterior 0.6. Calcula
la probabilidad de que el arquero obtenga al menos 19 puntos en una jugada.