CAPÍTULO 2
Probabilidad: Definiciones y Teoremas
2.1) INTRODUCCIÓN.
2.3) EVENTOS.
2.1) INTRODUCCIÓN.
Ejemplo 2.2: Una generalización del experimento aleatorio de lanzar una moneda
es aquel donde existen sólo dos posibles resultados: verdadero o falso, éxito o
fracaso, defectuoso o no defectuoso, si o no, varón o hembra, etc. En este caso, el
espacio muestral es discreto y finito ya que tiene dos posibles resultados.
♦♦
Este espacio muestral es discreto y finito ya que tiene seis posibles resultados.
♦♦
S ={n / n = 1, 2, ….,}
S ={(i, j) / i, j = 1, 2, 3, 4, 5, 6}
Este espacio muestral es discreto y finito ya que tiene treinta y seis posibles
resultados. A diferencia de los anteriores, en este ejemplo el espacio muestral es
bidimensional.
♦♦
S ={v / 0 ≤ v ≤ vMAX}
Este espacio muestral es continuo ya que el voltaje puede tomar cualquier valor real
en el intervalo indicado.
♦♦
S ={d / 0 ≤ d ≤ dMAX}
Este espacio muestral es continuo ya que la distancia puede tomar cualquier valor
real en el intervalo indicado.
♦♦
S ={r / 0 ≤ r ≤ 1}
Este espacio muestral es continuo ya que el valor escogido puede ser cualquier valor
real en el intervalo indicado.
♦♦
2.3) EVENTOS.
Una vez que se conoce el espacio muestral del experimento aleatorio se inicia un
proceso de separación en grupos de los resultados que guarden cierta característica
común. Estos grupos de resultados son subconjuntos del espacio muestral y se les
asignará un nombre específico: evento.
Las definiciones que siguen buscan establecer una suerte de clasificación de los
eventos. Si bien un conjunto se puede escribir de diversas maneras tiene mucho
interés para el estudio que se quiere desarrollar el poder expresar el espacio muestral
en términos de los eventos que contengan un único resultado.
♦♦
Definición 2.10: El evento seguro es un evento que contiene todos los resultados
del experimento aleatorio.
♦♦
Definición 2.12: Si dos eventos tienen intersección vacía, entonces se les llama
eventos mutuamente excluyentes.
♦♦
Ahora bien, sin intentar hacer un estudio filosófico profundo, valdría la pena revisar
las primeras explicaciones que se conocen acerca de la definición de probabilidad.
nA
fA = (ec. 2.1)
n
Está claro que fA depende del número de repeticiones del experimento y en la
medida que aumenta n resulta que el valor de fA se estabiliza. El fenómeno anterior
se conoce como regularidad estadística y es la clave para establecer una definición
de probabilidad con base en la frecuencia relativa de ocurrencia del evento A.
nA
P ( A) = lim f A = lim (ec. 2.2)
n→∞ n →∞ n
nA
P( A) ≈ cuando n es grande (ec. 2.3)
n
Entre las notas que se presentan para la definición 2.14 aparecen varias
observaciones bastantes lapidarias de la definición que implican restricciones que se
debe tomar en cuenta cuando se pretende utilizar esta definición de frecuencias
relativas. La Figura 2.2 muestra dos ejercicios de evaluar fA para dos experimentos
aleatorios y un número total de pruebas distinto. En cada gráfica se muestra el valor
que se esperaría sea el del valor límite para la ecuación 2.3.
NA
P ( A) = (ec. 2.4)
NS
LA
P ( A) = (ec. 2.5)
LS
AA
P ( A) = (ec. 2.6)
AS
Sea el evento A = {que la cara superior tenga un número par de puntos}. Entonces,
el evento A ocurre de 3 formas distintas, luego
NA 3
P ( A) = = = 0.5
NS 6
♦♦
N B 10
P( B) = = = 0.25
N S 40
♦♦
L A t1 − 0 t1 L B t 2 − t1
P ( A) = = = y P( B) = =
LS T − 0 T LS T
♦♦
probabilidad de cada evento será proporcional en forma relativa al área que ocupa
ese evento en la región sombreada.
Y
T
(x,y)
y °
x T
Figura 2.3: Región que representa el espacio muestral del Ejemplo 2.15
Sean los eventos A = {(x, y) / x > y} y B = {(x, y) / 0 < x1< x < x2 < T} . Entonces,
T2
AA 1 AB ( x 2 − x1 )T ( x 2 − x1 )
P ( A) = = 22 = y P( B) = = =
AS T 2 AS T2 T
♦♦
Ejemplo 2.16:Sea el experimento aleatorio de extraer una pelota al azar de una caja.
En la caja hay R pelotas rojas y A pelotas amarillas. En total, hay (R + A) pelotas
disponibles, luego hay (R + A) eventos elementales.
NC R NC N − NC A
P (C ) = = y P(C ) = = S =
NS R + A NS NS R+ A
♦♦
Definición 2.18: Sea un experimento aleatorio con espacio muestral S y sean los
eventos A y B dentro de ese espacio. Sea una relación entre el conjunto de partida S
y el conjunto de llegada ℜ tal que a cada elemento del conjunto de partida, digamos
evento A, le asigna un número real P(A), es decir,
P : S → ℜ / P( A) = p con A ∈ S y p ∈ ℜ
entonces, la relación P(A) debe cumplir con ciertas reglas generales para asegurar la
consistencia de la explicación matemática con las nociones intuitivas. Estas reglas
se conocen como axiomas de probabilidades y son los siguientes:
Para demostrar esta aseveración se debe hacer uso de la teoría de conjuntos y de los
axiomas de probabilidades. Primero hay que recordar que los eventos A y A son
mutuamente excluyentes por lo que, según el axioma 3, la probabilidad de su unión
es la suma de sus probabilidades, entonces
P ( A ∪ A ) = P( A) + P( A )
P ( A ∪ A ) = P( S ) = 1 = P ( A) + P( A )
♦♦
Para demostrar esta aseveración se debe hacer uso de la teoría de conjuntos, de los
axiomas de probabilidades y del resultado del Ejemplo 2.18.
P ( A) + P( A ) = 1 ⇒ P( A ) = 1 - P( A)
P ( A ) = 1 - P( A) ≥ 0 ⇒ P( A) ≤ 1
♦♦
Para demostrar esta aseveración se debe hacer uso de la teoría de conjuntos, de los
axiomas de probabilidades y del resultado del Ejemplo 2.18. El evento imposible es
el complemento del evento seguro, entonces
P ( S ) + P(φ ) = 1 ⇒ P(φ ) = 1 - P( S ) = 0
♦♦
A
A∩B B
Ejemplo 2.21: “La probabilidad de la unión de dos eventos que no son excluyentes
es igual a la suma de sus probabilidades menos la probabilidad de su intersección”.
Para demostrar esta aseveración se debe hacer uso de la teoría de conjuntos y de los
axiomas de probabilidades. En la Figura 2.4 se muestran dos eventos, la elipse A y
el rombo B, con la particularidad de tener una intersección no vacía. De allí se
puede escribir que
A ∪ B = (A ∩ B ) ∪ (A ∩ B) ∪ (A ∩ B)
con la particularidad de que los tres eventos entre paréntesis del lado derecho son
excluyentes entre si por lo que, según el axioma 3,
P( A ∪ B ) = P( A ∩ B ) + P( A ∩ B ) + P( A ∩ B )
A ∪ B = B ∪ ( A ∩ B ) ⇒ P( A ∪ B ) = P ( B ) + P ( A ∩ B ) ⇒ P ( A ∩ B ) = P( A ∪ B ) - P ( B )
P( A ∩ B ) = P( A ∪ B ) - P( A)
P ( A ∪ B ) = P ( A) + P (B ) − P ( A ∩ B )
♦♦
Como puede observar el lector, los Ejemplos 2.18 al 2.21 son características
generales que surgen como consecuencia de los axiomas de probabilidades. Se
podrían ver de ahora en adelante como propiedades de la definición de probabilidad;
adicionales a los axiomas antes mencionados.
A, B , A ∩ B, A ∪ B, A∩B
P( A ) = 1 − P( A) = 1 − 0.28 = 0.72
P( B ) = 1 − P( B) = 1 − 0.65 = 0.35
P( A ∩ B) = 0
P( A ∪ B) = P( A) + P( B) = 0.28 + 0.65 = 0.93
P ( A ∩ B ) = P( A ∪ B) = 1 − P( A ∪ B)1 − 0.93 = 0.07
♦♦
Sea el evento C = {la familia recibe por lo menos uno de los periódicos}, entonces
la probabilidad de C será
Sea el evento D = {la familia recibe exactamente uno de los periódicos}, entonces la
probabilidad de D será
P ( D) = P( A ∩ B ) + P( A ∩ B) = (P( A ∪ B) − P( A) ) + (P( A ∪ B) − P ( B) )
P( D) = 2 xP( A ∪ B) − P( A) − P( B) = 2 x 0.8 − 0.55 − 0.85 = 0.2
Ejemplo 2.24: ¿Cuál es la probabilidad de que se puedan sentar en una fila tres
hombres y cuatro mujeres si hombres y mujeres deben quedar alternados?.
En el Ejemplo 2.2.5 del Apéndice 2.2 se consideró el problema de calcular los casos
favorables al evento del que se solicita la probabilidad. Sea A el evento de que los
hombres y las mujeres se sienten en forma alternada, entonces NA = 144. Para
conocer NS se debe tomar en cuenta que se van a sentar en cualquier orden las siete
personas en las siete sillas por lo que NS = 7! = 5040. Entonces
NA 144
P ( A) = = = 0.0286
N S 5040
♦♦
Ejemplo 2.25: ¿Cuál es la probabilidad de que se puedan sentar en una fila tres
hombres y cuatro mujeres si los hombres se sientan juntos?.
En el Ejemplo 2.2.6 del Apéndice 2.2 se consideró el problema de calcular los casos
favorables al evento del que se solicita la probabilidad. Sea A el evento de que los
hombres se sienten juntos, entonces NA = 720. Para conocer NS se debe tomar en
cuenta que se van a sentar en cualquier orden las siete personas en las siete sillas por
lo que NS = 7! = 5040. Entonces
NA 720
P ( A) = = = 0.14286
N S 5040
♦♦
En el Ejemplo 2.2.4 del Apéndice 2.2 se consideró el problema de calcular los casos
totales del espacio muestral, resultando que NS = 19683000. Sea B el evento de que
las letras sean distintas y los números sean distintos, entonces NB = 12636000 (ver
Ejemplo 2.2.9 del Apéndice 2.2). Entonces
N B 12636000
P( B) = = = 0.642
N S 19683000
♦♦
Para calcular el total de formas como ocurre el espacio muestral hay que tomar en
cuenta que se quiere seleccionar cinco personas de un universo de 17. De aquí
17 17!
resulta que N S = = = 6188 . Sea C el evento que el comité esté formado
5
5! x12!
7 10 7! 10!
por dos hombres y tres mujeres, entonces N C = = x = 2520 .
2
3 2! x 5! 3! x 7!
Luego
N C 2520
P (C ) = = = 0.4072
N S 6188
♦♦
Ejemplo 2.28: Se van a alinear al azar 6 pelotas negras y dos blancas. ¿Cuál es la
probabilidad de que las dos pelotas blancas queden juntas?.
Para calcular el total de formas como ocurre el espacio muestral hay que tomar en
cuenta que se quiere alinear 8 pelotas. De aquí resulta que N S = 8!= 40320 . Sea A
el evento que las dos pelotas blancas queden juntas, entonces N A = 7 x 2! x 6!= 10080 .
Luego
N A 10080
P ( A) = = = 0.25
N S 40320
♦♦
Sea el evento A = {el número escogido tiene al menos un uno}. Entonces el evento
complementario A , será que el número seleccionado no tenga ningún uno. Luego,
si se conoce P( A ), se tiene P(A). Para conocer N A , hay que ver cuántos números
están disponibles para colocarlos en la primera cifra, en la segunda y en la tercera
sin utilizar el número uno, es decir, 8, 9 y 9, respectivamente. De igual manera, para
conocer NS se disponen de 9, 10 y 10, respectivamente debido a que no hay que
tomar en cuenta la restricción del número uno. Entonces
NA 648
P ( A) = 1 − P( A ) = 1 − = 1− = 0.28
NS 900
♦♦
R A
P ( R1 ) = y P ( A1 ) =
R+ A R+ A
Considere ahora el evento R2. En este momento se debe tomar en cuenta qué ocurrió
con la pelota extraída en la primera oportunidad, es decir, el muestreo es con o sin
reposición. Analicemos ambos casos.
R A
P ( R2 ) = y P( A2 ) =
R+ A R+ A
R A
P ( Ri ) = y P( Ai ) = para todo i
R+ A R+ A
Esto lleva a redefinir los eventos involucrados para decir, por ejemplo, que el evento
RR sea el evento de ‘extraer una pelota roja en el segundo intento dado que ocurrió
el hecho de que la primera pelota extraída fue roja’. De igual manera, se podría
decir que RA es el evento de ‘extraer una pelota roja en el segundo intento dado que
ocurrió el hecho de que la primera pelota extraída fue amarilla’. Entonces, se puede
escribir.
R −1 R
P( RR ) = y P( R A ) =
( R − 1) + A R + ( A − 1)
R −1 R
P ( RR ) = P( R2 / R1 ) = y P ( R A ) = P( R2 / A1 ) =
( R − 1) + A R + ( A − 1)
A A −1
P ( A2 / R1 ) = y P( A2 / A1 ) =
( R − 1) + A R + ( A − 1)
Pero este análisis fue posible debido a que se disponía de la información del color
de la pelota en la primera extracción. ¿Cómo proceder si no se conoce ese color?.
En ese caso, es importante conocer todo lo que pudo haber pasado, es decir, la
pelota extraída en la primera oportunidad o es roja o es amarilla. Por lo que se puede
escribir
Conjunto SR
A pelotas 1 2
(R-1) pelotas 3 4
Conjunto S
R pelotas A pelotas
Conjunto SA
(A-1) pelotas 1 2
R pelotas 3 4
Conjunto S
R pelotas A pelotas
El número de formas distintas como ocurre el evento (R2 ∩ R1) se corresponde con
N3 = R(R-1). Luego,
R( R − 1)
P(R2 ∩ R1 ) =
( A + R)( A + R − 1)
Siguiendo la misma metodología para analizar la Figura 2.6 se puede escribir que
RA
P(R2 ∩ A1 ) =
( A + R)( A + R − 1)
R( R − 1) RA
P ( R2 ) = P(R2 ∩ R1 ) + P(R2 ∩ A1 ) = +
( A + R)( A + R − 1) ( A + R)( A + R − 1)
R( R − 1) + RA R( A + R − 1) R
P ( R2 ) = = = !!!
( A + R )( A + R − 1) ( A + R)( A + R − 1) A + R
El análisis de las Figuras 2.5 y 2.6 unido a la Definición 2.21 permite generalizar el
método de cálculo de la probabilidad condicional mediante la siguiente definición.
P( A ∩ B)
P( A / B) = siempre que P( B) ≠ 0 (ec. 2.7)
P( B)
S
A∩B
A B
Cuando se analiza la Figura 2.7 se puede crear una relación entre el área ocupada
por un evento y su probabilidad de ocurrencia. Así, el área total del rectángulo debe
considerarse como uno ya que se corresponde con el espacio muestral. La
probabilidad del evento A será la relación entre el área ocupada por el evento A y el
área ocupada por el espacio muestral. Pensando de esta manera, al ocurrir el evento
B se reduce el espacio muestral al área ocupada por el evento B y, entonces, la
probabilidad de A será, ahora, la relación entre el área ocupada por A dentro del
nuevo espacio muestral (A∩B) y el área del nuevo evento S (evento B). Esta
explicación gráfica hace entender la forma como el evento B altera el espacio
muestral lo que provoca el cambio en el valor de la probabilidad de A.
40
P(CD ∩ PII )
P (CD / PII ) = = 100 = 0.666
P( PII ) 60
100
♦♦
Ejemplo 2.31: En una caja hay R pelotas rojas y A pelotas amarillas. Se realiza un
MSR de tamaño tres. ¿Cuál es la probabilidad de que las tres pelotas sean rojas?.
Considere los eventos siguientes Ri = {sacar una pelota roja en el i-ésimo intento} y
Ai = { sacar una pelota amarilla en el i-ésimo intento }. Entonces, la probabilidad
solicitada es P(R1∩R2∩R3). A partir de la definición de probabilidad condicional se
puede escribir
P( R1 ∩ R2 ∩ R3 )
P ( R3 / R1 ∩ R2 ) = ⇒ P( R1 ∩ R2 ∩ R3 ) = P( R3 / R1 ∩ R2 ) P( R1 ∩ R2 )
P( R1 ∩ R2 )
pero P( R1 ∩ R2 ) = P( R2 / R1 ) P( R1 ) luego
R−2 R −1 R
P( R1 ∩ R2 ∩ R3 ) = P( R3 / R1 ∩ R2 ) P( R2 / R1 ) P( R1 ) = x x
R + A − 2 R + A −1 R + A
♦♦
Ejemplo 2.32: En una caja hay 4 bombillos malos y 6 buenos. Se sacan dos
bombillos a la vez. Se prueba el primero y resulta bueno, ¿Cuál es la probabilidad
de que el otro también sea bueno?.
Sean los eventos B1 = {el bombillo 1 está bueno} y B2 = {el bombillo 2 está bueno}.
Entonces, la probabilidad solicitada es P(B1∩B2). A partir de la definición de
probabilidad condicional se puede escribir
P( B1 ∩ B2 )
P ( B2 / B1 ) = ⇒ P( B1 ∩ B2 ) = P( B2 / B1 ) P( B1 )
P( B1 )
6 5
P( B1 ) = y P( B2 / B1 ) = luego
10 9
5 6
P( B1 ∩ B2 ) = x = 0.333
9 10
♦♦
Volviendo con el problema de extraer pelotas de una caja sin reposición (MSR), en
la sección anterior se analizó el cálculo de la probabilidad de que la segunda pelota
extraída sea roja (R2) sin conocer el color de la primera pelota. Allí se dijo que la
clave de la respuesta obtenida era que se tomaron en consideración todos los
posibles resultados de la primera extracción (roja o amarilla). Este hecho se
generalizará a continuación.
Definición 2.23: Sea una partición del espacio muestral en un grupo de eventos Bi,
con i = 1, …,n. La probabilidad total de un evento A se puede expresar como la
suma de las probabilidades parciales de A respecto a cada elemento de la partición.
♦♦
n
P( A) = ∑ P( A / Bi ) P( Bi ) (ec. 2.8)
i =1
S
B2
B1 B3
Bi
Bn
n
- UB i =S
i =1
Además, tienen que ser tales que sus probabilidades sean mayores que cero
(P(Bi)>0). El evento A se puede escribir como (en virtud de la 1ª propiedad de la
partición)
n n
A = A ∩ S = A ∩ U Bi = U ( A ∩ Bi )
i =1 i =1
n n n
P ( A) = P U ( A ∩ Bi ) = ∑ P( A ∩ Bi ) = ∑ P( A / Bi )P(Bi )
i =1 i =1 i =1
♦♦
Ejemplo 2.33: Se tienen dos cajas con pelotas. En la caja 1 hay X pelotas blancas y
Y pelotas rojas. En la caja 2 hay Z pelotas blancas y W pelotas rojas. Se selecciona
al azar una pelota de la caja 1 y se coloca en la caja 2, a continuación, se escoge una
pelota de la caja 2, ¿Cuál es la probabilidad de que esa pelota sea blanca?.
2
P ( A) = ∑ P( A / Bi ) P( Bi ) = P( A / B1 ) P( B1 ) + P( A / B2 ) P( B2 )
i =1
Z +1 X Z Y XZ + X + ZY
P ( A) = + =
Z + W + 1 X + Y Z + W + 1 X + Y (Z + W + 1)( X + Y )
x x
♦♦
Entonces,
4 4 4
P ( B) = 1 − P( B ) = 1 − ∑ P ( B / C i ) P(C i ) = 1 − P(C i )∑ P ( B / C i ) = 1 − 0.25∑ P( B / C i )
i =1 i =1 i =1
A diferencia del Ejemplo 2.34, las fábricas no se escogen al azar. En este caso, al
colocar todos los productos juntos la probabilidad de cada fábrica será proporcional
a su producción. Entonces,
∑ P( F ) = 1
i =1
i y además P( F1 ) = 2 P( F2 ) = 2 P( F3 ) entonces
P( F1 ) = 0.5, P( F2 ) = P( F3 ) = 0.25
3
P ( D) = ∑ P( D / Fi ) P( Fi ) = 0.02 x 0.5 + 0.02 x 0.25 + 0.04 x 0.25 = 0.025
i =1
♦♦
Ejemplo 2.36: Se dispone de una caja con R pelotas rojas y A pelotas amarillas. Se
lanza un dado perfecto y se obtiene como resultado un valor N, con N variable entre
uno y seis; si N es menor que 4 se extraen 2 pelotas sin reposición, en caso contrario
se extraen 2 pelotas con reposición, ¿Cuál es la probabilidad de que no se extraigan
pelotas rojas?.
2
A A −1 A
P ( R / A1 ) = x y P( R / A2 ) =
R + A R + A −1 R + A
2 2
P ( R) = ∑ P ( R / Ai ) P( Ai ) = P( Ai )∑ P ( R / Ai ) = 0.5(P( R / A1 ) + P( R / A2 ) )
i =1 i =1
A A −1 A
P( R ) = 0.5 +
R + A R + A −1 R + A
♦♦
Ejemplo 2.37: Considere nuevamente las cajas del Ejemplo 2.33. Se selecciona al
azar una pelota de cada caja y se coloca cada pelota en la otra caja, a continuación,
se escoge una pelota de la caja 2, ¿Cuál es la probabilidad de que esa pelota sea
blanca?.
Por otro lado, al ocurrir cada evento de la partición se conoce el espacio muestral
resultante por lo que las probabilidades del tipo P(A/Di) serán
X X −1 X +1
P ( A / D1 ) = P( A / D4 ) = , P ( A / D2 ) = y P( A / D3 ) =
X +Y X +Y X +Y
X XZ X −1 XW
x + x +
X + Y ( X + Y )( Z + W ) X + Y ( X + Y )( Z + W )
X +1 YZ X YW
+ x + x ,
X + Y ( X + Y )( Z + W ) X + Y ( X + Y )( Z + W )
X ( X + Y )( Z + W ) + YZ − XW
P( A) =
( X + Y ) 2 (Z + W )
♦♦
Ejemplo 2.38: Dos jugadores A y B se turnan para lanzar una moneda equilibrada.
A lanza de primero y B lanza después, y el ciclo se repite hasta que gana el primero
que saque cara. ¿Cuál es la probabilidad de ganar de cada uno de los jugadores?.
Sean los eventos A = {gana el jugador A}, B = { gana el jugador B}, Ai = {gana el
jugador A en su intento i-ésimo} y Bi = {gana el jugador B en su intento i-ésimo}.
El evento A2 implica que A perdió en su primer intento, B también perdió y A gano
en su segundo intento, es decir, en términos de los eventos que ocurren se puede
escribir que
∞ ∞ ∞ ∞
A = U Ai = U Ai ⇒ P( A) = ∑ P( Ai ) = ∑ (0.5) 2 ( i −1) (0.5)
i =1 i =1 i =1 i =1
( )
∞ ∞ ∞
0.25
P ( A) = (0.5)∑ (0.5) 2i −2 = 2∑ (0.5) 2 = 2∑ (0.25) = 2
i i
= 0.667
i =1 i =1 i =1 1 − 0.25
( )
∞ ∞ ∞
0.25
P ( B) = ∑ P ( Bi ) = ∑ (0.5) 2( i −1) +1 (0.5) = ∑ (0.5) 2
i
= = 0.333 = 1 − P( A)
i =1 i =1 i =1 1 − 0.25
♦♦
En la Sección 2.6 el interés fue conocer la probabilidad de que la segunda pelota sea
roja dado que la primera pelota fue roja, es decir, P(R2/R1). En esta sección se
propone calcular la probabilidad de que la primera pelota fue roja dado que la
segunda es roja, es decir, P(R1/R2). Note la inversión en el orden de la ocurrencia de
los eventos en las dos situaciones planteadas.
P( R1 ∩ R2 ) P( R2 / R1 ) P( R1 )
P ( R1 / R2 ) = =
P ( R2 ) P ( R2 )
Definición 2.24: Sea una partición del espacio muestral en un grupo de eventos Bi,
con i = 1, …,n. La probabilidad condicional de un evento Bi dado que ocurrió un
evento A se puede expresar como la probabilidad del evento A dado que ocurrió ese
elemento de la partición por la relación de las probabilidades entre Bi y A,
respectivamente. Esta definición es lo que se conoce como Teorema de Bayes.
♦♦
P ( A / Bi ) P ( Bi ) P( A / Bi ) P( Bi )
P ( Bi / A) = = n
(ec. 2.9)
P( A)
∑ P( A / B
j =1
j ) P( B j )
Ejemplo 2.39: Considere las dos cajas con pelotas del Ejemplo 2.33. Se selecciona
al azar una pelota de la caja 1 y se coloca en la caja 2, a continuación, se escoge una
pelota de la caja 2 y resulta ser blanca, ¿Cuál es la probabilidad de que la pelota
seleccionada inicialmente de la caja 1 haya sido blanca?.
= Z +W +1 X + Y =
(Z + 1)X
P( A) XZ + X + ZY XZ + X + ZY
(Z + W + 1)( X + Y )
♦♦
Ejemplo 2.40: Considere las cajas con transistores del Ejemplo 2.34. Se selecciona
al azar una caja y de ella se selecciona un transistor que resulta estar bueno, ¿Cuál
es la probabilidad de que la caja 2 haya sido la seleccionada?.
Ejemplo 2.41: Considere las fábricas del Ejemplo 2.35. Se colocan juntos todos los
artículos producidos y se selecciona al azar un artículo que resulta estar defectuoso,
¿Cuál es la probabilidad de que ese artículo venga de la fábrica 1?.
Esto indica que aproximadamente el 20% de las veces que se responde una pregunta
al azar se adivina la respuesta correcta. Este razonamiento obliga al profesor a tomar
en cuenta algún factor de penalización que busque evitar que el estudiante
seleccione las respuestas al azar.
♦♦
P( R1 ∩ R2 )
P ( R2 / R1 ) = = P ( R2 ) ⇒ P( R1 ∩ R2 ) = P( R1 ) P( R2 )
P( R1 )
P ( A ∩ B) = P( A) P ( B) (ec. 2.10)
Ejemplo 2.43: “Si los eventos A y B son independientes entonces los eventos
complementarios A y B también lo son”.
A ∩ B = A ∪ B ⇒ P ( A ∩ B ) = P( A ∪ B) = 1 − P( A ∪ B)
P ( A ∩ B ) = 1 − (P( A) + P( B) − P( A) P( B) )
Por otro lado, con base en el Ejemplo 2.18, se pueden expresar P(A) y P(B) como
P ( A) = 1 − P( A ) y P( B) = 1 − P( B ) , sustituyendo queda
P ( A ∩ B ) = 1 − (1 − P( A ) + 1 − P( B ) − (1 − P( A ) )(1 − P ( B ) )) = P( A ) P( B )
Ejemplo 2.44: Sean los eventos A, B y C tales que P(A) = P(B) = P(C) = 0.2.
Además se sabe que P(A∩B) = P(A∩C) = P(C∩B) = P(A∩B∩C) = 0.04. ¿Estos
eventos son independientes?
P ( A ∩ B ∩ C ) ≠ P( A) P( B) P(C )
Ejemplo 2.45: Sean los eventos independientes A y B tales que P(A) = P(B) = 0.6.
¿Cuál es la probabilidad de la unión de estos eventos?
Del Ejemplo 2.21 y tomando en cuenta que A y B son independientes, se tiene que
P ( A ∪ B ) = P( A) + P( B) − P( A ∩ B) = P( A) + P( B) − P( A) P( B)
P ( A ∪ B ) = 0.6 + 0.6 − 0.6 x 0.6 = 0.84
♦♦
Ejemplo 2.46: Considere una caja con R pelotas rojas y A pelotas amarillas. Se va
a realizar un MCR de tamaño 2 y sean los eventos R1 y R2, ¿Cuál es la probabilidad
de la unión de estos eventos?
P (R1 ∪ R2 ) = P( R1 ) + P ( R2 ) − P( R1 ∩ R2 ) = P( R1 ) + P( R2 ) − P( R1 ) P( R2 )
R R R R R R
P (R1 ∪ R2 ) = + − x = 2 −
R + A R + A R + A R + A R + A R + A
♦♦
Ejemplo 2.47: Se lanza una moneda honesta dos vez, ¿Cuál es la probabilidad de
obtener dos caras?.
Sean los eventos A={obtener dos caras} y Bi={obtener cara en el intento i / i = 1,2}.
Entonces, P(B1) = P(B2) = 0.5. Por otro lado, el evento A puede expresarse como la
intersección de los eventos Bi que son independientes, es decir
P ( A) = P ( B1 ∩ B2 ) = P ( B1 ) P( B2 ) = 0.5 2 = 0.25
♦♦
Ejemplo 2.48: Se tienen dos monedas cargadas. La primera tiene probabilidad 0.4
de caer cara y la segunda 0.6. Un jugador escoge al azar una de las monedas y la
lanza dos vez, ¿Cuál es la probabilidad de obtener dos caras?.
Sean los eventos A = {que el sistema falle} y Bi = {el elemento i no falla / i = 1, 2}.
Entonces, P(B1) = 0.4 y P(B2) = 0.7.
P ( A) = P ( B1 ∪ B2 ) = P ( B1 ) + P ( B2 ) − P( B1 ∩ B2 ) = P( B1 ) + P( B2 ) − P( B1 ) P ( B2 )
P( A) = (1 − 0.4 ) + (1 − 0.7) − (1 − 0.4 )x (1 − 0.7) = 0.6 + 0.3 − 0.18 = 0.72
♦♦
I1 I2
A B
I3
Los ejemplos siguientes permiten entender la metodología que se sigue para analizar
estos experimentos compuestos.
Para encontrarse debe ocurrir uno de dos eventos, Jorge está en el Centro Comercial
y María llega antes de que él se vaya o María está en el Centro Comercial y llega
Jorge antes de que ella se vaya. Recuerde que cada uno de ellos esperará sólo 10
minutos y luego se va a almorzar sin el otro.
Y
12:30 pm
12 m J 12:30 pm X
Figura 2.10: Espacio Muestral para el Experimento Compuesto del Ejemplo 2.51
Estas dos situaciones se pueden expresar como los eventos E1={J ≤ M ≤ J+10}y
E2={M ≤ J ≤ M+10} (la unidad de medida en minutos) que se muestran como las
figuras en blanco en la Figura 2.11. Note que los eventos E1 y E2 son mutuamente
excluyentes.
E1={J ≤ M ≤ J+10}
M
30
E2={M ≤ J ≤ M+10}
0 30 J
Luego
20 x 20
P (Encontrarse ) = P( E1 ∪ E 2 ) = P( E1 ) + P( E 2 ) = 1 − 2 2
2 = 0.556
30
Por otro lado, la probabilidad de que Jorge haya llegado antes que María dado que
se encuentran será
P( E1 ) 0.5(1 − 2 )
P ( J ≤ M / E1 ∪ E 2 ) = = 9 = 0.6994
P( E1 ∪ E 2 ) 0.556
♦♦
Ejemplo 2.52: Se lanza un dado dos veces como en el Ejemplo 2.5. ¿Cuál es la
probabilidad de que la suma de los resultados sea mayor o igual a 9?.
Sean los eventos D1 = {valor del dado en el primer lanzamiento} y D2 = {valor del
dado en el segundo lanzamiento}. En la Figura 2.12 se muestran ejes cartesianos
que representan al resultado D1 (eje horizontal) y al resultado D2 (eje vertical). Los
puntos marcados con ‘x’ son los que corresponden al evento A ={la suma de los
resultados es mayor o igual a 9}.
D2
6 x x x x
5 x x x
4 x x
3 x
1 2 3 4 5 6 D1
Figura 2.12: Espacio Muestral para el Experimento Compuesto del Ejemplo 2.52
N A 10
P ( A) = = = 0.278
N S 36
♦♦
Considere el experimento aleatorio de lanzar una moneda con los resultados cara y sello
como los elementos de su espacio muestral. Este tipo de experimento se puede generalizar
al considerar que los dos eventos del espacio muestral pueden expresarse como éxito y
fracaso, sí y no, ocurrió y no ocurrió, etc. La definición siguiente permite la generalización
requerida.
p si ocurre A
P[B( p )] = (ec. 2.12)
1 − p si no ocurre A
Ejemplo 2.53: Considere el ejemplo de extraer una pelota de una caja con R
pelotas rojas y V pelotas verdes. Sea el evento A = {extraer una pelota roja}. Este
R
experimento aleatorio es una Prueba de Bernoulli donde el valor de p es .
R +V
♦♦
P[G ( p ) = k ] = (1 − p )
k −1
p si es necesario realizar k pruebas de Bernoulli
(ec. 2.13)
hasta que ocurra el evento A (k = 1,2,...)
Definición 2.29: Sea un experimento aleatorio que consiste en repetir n veces una
Prueba de Bernoulli con parámetro p. Sea k el número de veces que ocurre el evento
A en esas n pruebas entonces el experimento resultante se conoce como
Experimento Binomial.
♦♦
n
P[Bi(n, p ) = k ] = (1 − p ) p k
n−k
k = 0, 1, 2,..., n (ec. 2.14)
k
m k e −m
P[P(m ) = k ] = k = 0, 1, 2,... (ec. 2.15)
k!
n n!
P[Bi(n, p ) = k ] = (1 − p ) p k = (1 − p )n−k p k
n−k
k k!(n − k )!
si se sustituye p = m/n para expresar todo en términos de m y n se obtiene
n −k
1 2 k − 1 m m
mk
P[Bi(n, p = m / n ) = k ] =
11 − n 1 − n ...1 − n 1 − n 1 − n
k!
al tomar el límite cuando n tiende a infinito, de tal forma que m = np sea constante, queda
n
mk m m k −m
lim P[Bi (n, p = m / n ) = k ] = lim 1 − n = k! e = P[P(m) = k ]
n →∞ n →∞ k!
♦♦
♦♦
6
P[Bi(6,0.7 ) = 5] = (1 − 0.7 ) (0.7 ) = 6 x (0.3)x (0.7 ) = 0.302526
6 −5 5 5
5
6
P[Bi(6,0.7 ) = 6] = (1 − 0.7 ) (0.7 ) = (0.7 ) = 0.117649
6−6 6 6
6
entonces la probabilidad solicitada será
p = 0.302526 + 0.117649 = 0.420175
♦♦
6
4000
p = P[Bi (4000,0.001) ≤ 6] = ∑ (1 − 0.001)4000− (0.001)
k k
k =0 k
el lector puede observar que los cálculos para obtener p son muy engorrosos por lo que
se utiliza la aproximación mediante un experimento Poisson con parámetro m = np = 4
6
4 k e −4
p ≈ P[P(4) ≤ 6] = ∑ = 0.889
k =0 k!
♦♦
Definición 2.1.4: Para un conjunto dado, todo conjunto que tenga parte de sus
elementos se denomina subconjunto.
♦♦
Definición 2.1.5: Dos conjuntos son iguales si tienen los mismos elementos.
♦♦
A B
Álgebra de Conjuntos.
A∪ B
A A∩ B
Definición 2.1.13: Un grupo de n conjuntos B1, B2, … Bn, conforman una partición
del conjunto universal U si cumplen con las características siguientes:
n
- UB i =U
i =1
U
B2
B1 B3
Bi
Bn
Estas técnicas tienen base en dos principios matemáticos y lógicos que son el
principio aditivo y el principio multiplicativo que se definen a continuación.
Definición 2.2.1: Sean k conjuntos A1, A2, … Ak, con N1, N2, … Nk elementos,
respectivamente. Si se desea escoger un único elemento, el número de formas
k
distintas será, empleando el principio aditivo, N a = ∑ N i .
i =1
♦♦
Definición 2.2.2: Sean k conjuntos A1, A2, … Ak, con N1, N2, … Nk elementos,
respectivamente. Si se desea escoger un elemento de cada uno de los k conjuntos, el
número de grupos distintos que se pueden formar será, empleando el principio
k
multiplicativo, N m = ∏ N i .
i =1
♦♦
Ejemplo 2.2.4: Las placas que identifican a los automóviles se forman con tres
letras y tres números. Para conocer el número total de placas que se podrían asignar
se hace uso del principio multiplicativo. Se dispone de 27 letras (incluyendo la ñ) y
de 10 dígitos.
Ejemplo 2.2.5: ¿De cuántas maneras diferentes pueden sentarse en una fila tres
hombres y cuatro mujeres si los hombres y las mujeres deben quedar alternados?
Ejemplo 2.2.6: ¿De cuántas maneras diferentes pueden sentarse en una fila tres
hombres y cuatro mujeres si los hombres se sientan juntos?
♦♦
♦♦
Ejemplo 2.2.8: 15 carros entran en una carrera. ¿De cuántas maneras distintas se
puede premiar a los 3 primeros lugares?.
Ya que tanto las letras como los números deben ser distintos entonces, empleando el
principio multiplicativo, se pueden asignar V27,3 x V10,3 = 12636000 placas.
♦♦
Definición 2.2.6: Los números combinatorios, son los coeficientes que resultan
del desarrollo en serie de una suma de dos términos elevada a la potencia n.
♦♦
Ejemplo 2.2.10: Se dispone de seis banderas de colores distintos para ser utilizadas
en un curso de señales a distancia. Para emitir un mensaje codificado se utilizan tres
banderas. El procedimiento de emisión de mensajes es levantar en alto cada una de
las tres banderas en forma sucesiva. ¿Qué concepto se debe utilizar para ver cuantos
mensajes distintos se pueden enviar, variaciones o combinaciones?.
5 5! 5! 5x 4 x3!
= = = = 10
3 3!(5 − 3)! 3! x 2! 3! x 2
5 5! 5
= = 10 =
2 2!(5 − 2)! 3
8 8! 8 x 7 x 6 x5 7 7 7 7! 2 x 7 x 6 x5
= = = 70 = + = 2 = 2 = = 70
4 4! x 4! 4 x3x 2 x1 3 4 3 3! x 4! 3x 2 x1
♦♦