Captulo 3

Modelo de
Probabilidades
II-2001
 Lecturas: Recomendadas
1.- B. Eyzaguirre , C. Le Foulen, X. Hinzpeter: Los chilenos no
saben lo que leen Revista 230. CEP. www.cep.cl Lectura
obligatoria

2.- A Philosophical Essay in Probabilities. Marquis de Laplace.

Pierre Simon Dover publications, Inc 1951
(Grupo 1): General principles of the calculus of Probability
+ Concerning Probability
( Grupo2 ): General principles of the calculus of Probability
+ Concerning Hope

Entregar por escrito un resumen incluyendo anlisis critico y

discusin Viernes 31 de agosto de 2001 a las 17:00 ( Quiz 3)
 Conceptos Bsicos

Experimento aleatorio :
Espacio Muestral :
Espacio Muestral : Discreto , Continuo
Evento o Suceso
Sucesos elementales, seguros e imposibles
Probabilidad : grado de certidumbre
Probabilidad y Juegos de Azar
Probabilidad y Frecuencia relativa
Probabilidad Subjetiva (Personal)
 Conceptos Bsicos

Experimento Aleatorio: Proceso en observacin

Evento Elemental: -Resultado de un experimento indivisible
-Mutualmente Excluyentes: si ocurre
uno no existe posibilidad de observar otro
- Equiprobable : Cada evento
simple tiene identica probabilidad
Espacio Muestral El conjunto de todas las observaciones
elementales

Evento A - El conjunto de todos los eventos

elementales observaciones posibles que
resultan en la ocurrencia del evento A
 Conjuntos y Eventos
(S): Espacio Muestral: Todos los posibles
resultados elementales
(S)
s S, resultado elemental
:Familia de todos los eventos posibles de S
B , luego es un Evento
A s , luego evento imposible
E

S , luego S es el Evento Seguro

A y B , luego son eventos

s AB ; AB ; Ac , son eventos
 Conjuntos vs. Eventos
Teora Conjuntos Teora Probabilidades
S Universo Espacio Muestral
Conjunto Potencia Familia Clases de Eventos

A A subconjunto de S A es un Evento
s A s es elemento de A Ocurre el evento A
Conjunto vaco Evento Imposible
S Universo Evento Seguro
AB A unin B Evento A o Evento B
AB A interseccin B Evento A y Evento B
Ac Complemento de A Evento no-A
AB A es subconjunto de B A implica B
AB= A y B son disjuntos A y B mutuamente excluyentes
 Experimento Aleatorio

I II
1 3
1 2 2 3

Se toma al azar una esfera de la urna I

Se transfiere a la urna II, se mezclan bien.
Se elige, aleatoriamente, una esfera de la urna II.
cul es la probabilidad a priori que sea verde?
 Espacio Muestral
1 1
Distintas
2 2
1
formas como
3 3 puede
Traspasar Roja # 1 II
4 resultar el
3
experimento.
5 Ya que las
2
6 esferas has
1 3 sido sacadas
7
I Traspasar Verde # 1 II 1
al azar, cada
8 uno de ellos
2 tiene la
9 misma
2
10 posibilidad de
2 3
11 ocurrir
II
Traspasar Verde # 2 3
12
2
 Nociones de Probabilidad
Probabilidad es una medida de la incertidumbre
(Estimacin de la probabilidad)
Terica - A Priori
Pr (Ai) = n / N
n = nmero de posible formas en queAi puede ser
observado
N = nmero total de resultados posibles

Histrica (emprica-frecuencia) - A Posteriori

Pr (Ai) = n/N
n = nmero de veces que ocurrio Ai
N = nmero total de observaciones

Subjetiva
La Opinin de un Experto
 Modelo Probabilstico

Sea una Distribucin de Probabilidad P,

funcin que asigna a cada sub-conjunto
razonable de un valor entre 0 y 1.

Sea 2 coleccin de eventos

razonables de (-lgebra)
P: [0;1]
Modelo de Probabilidad= (, , P)
 Clculo de Probabilidades
(Eventos Equiprobables)

Nocin intuitiva:

P(A) = Resultados favorables al evento A

Resultados posibles

Nocin frecuentista:

Sea N: N total de veces que se realiza un

experimento
NA: N total de veces que ocurre A

NA
P(A) = lim N
N
Observacin
En muchas ocasiones nos preocupamos de elegir de
manera aleatoria uno o ms objetos desde una coleccin
de objetos
Sea N el nmero de objetos.
1. Elegir 1 objeto al azar, significa que cada objeto tiene la
misma probabilidad de ser elegido. P(elegir ai ) = 1/ N
2. Elegir 2 objetos al azar significa que cada par de objetos tiene
la misma probabilidad de ser selecionado. Supongamos que
existen K de tales pares, entonces la probabilidad de elegir un
par cualesquieres es 1/ K.
3. Elegir r objetos aleatoriamente, r < N, signifiva que cada
r-tupla de objetos tiene la misma probabilidad de ser
seleccionada que cualquier otra r-tupla.
 Probabilidad Axiomtica

Axioma 1: P(A) 0
Axioma 2: P() = 1

Suponiendo que A1, A2,..... son eventos

mutuamente excluyentes

Axioma 3: P(Ai) = P(Ai)

 Propiedades

1. P() = 0
2. P(A) 1
3. P(AC) = 1 - P(A)
4. Si A B P(A) P(B)
5. P(AB) = P(A) + P(B) - P(AB)
6. P(Ai) P(Ai)
7. Si A B P(B-A) = P(B) - P(AB)
 Espacio Muestral Finito

Sea S = {s1, s2, s3, ...., sN } Espacio Muestral Finito

Ei = {si} i =1,..N Evento Elemental
Ni Ei = S Mutuamente excluyentes de a pares

Aplicando los axiomas se tiene

1. P(Ei) = fi > 0 i =1, 2, 3, .. , N;

2. P( i Ei) = 1
N
fi = 1
3. Como Ei Ej = 0 i j P(Ei Ej)=P(Ei) + P(Ej)
 Probabilidad Condicional
Sean A, B dos sucesos tal que P(B) > 0.
La probabilidad de A condicionada a la
ocurrencia de B, denotada como P(A/B) :
P(A/B) = P(AB)
P(B)
Propiedades:
1. P(A/B) 0
2. P( /B) = 1
3. P(Ai/B) = P(Ai/B) con Ai Aj = , i, j : i j
 Probabilidad Condicional

Centra el foco de atencin en el

hecho que se sabe que han ocurrido

el evento B

A Estamos indicando que el espacio

muestral de inters se ha reducido
slo a aquellos resultados que
definen la ocurrencia del evento B
B
Entonces, P(A | B) mide la
probabilidad relativa de A con
respecto al espacio reducido B
 Probabilidad Condicional
Tambin se ha encontrado que el
5% de la piezas que no tienen
fallas superficiales son
funcionalmente defectuosas
Se ha encontrado que el 25%
de las piezas con fallas
superficiales son
funcionalmente defectuosas

Por lo tanto el 90% Se sabe que el 10% de las

no tienen fallas 100% piezas piezas manufacturadas
visibles en la Manufacturadas tienen fallas visibles en la
superficie. superficie.

Evento A = { pieza funcionalmente defectuosa}

B = { pieza tiene una falla visible en la superficie}

P( A dado B) = P(A | B) ?
 Casos Probabilidad Condicional

P(A B ) P()
A Si A B = P(A | B) = = =0
B P(B) P(B)

P(A B ) P(A)
A Si A B = A P(A | B) = = P(A)
B P(B) P(B)

A P(A B ) P(B)
B Si A B = B P(A | B) = = =1
P(B) P(B)

P(A B )
A Si A B P(A | B) = =
B P(B)
 Probabilidad Total
Sean B1, B2,....,Bn eventos mutuamente
n
excluyentes : P( B) = 1
i 1
i

Entonces
n
P(A) = P( A / B ) P( B )
i 1
i i

Consecuencia (Regla de Bayes):

P(Bi/A) = P(A/Bi) P(Bi)
P(A)
 Probabilidad Total

B1 B2 B5
A AB1
Equipo
Fallado AB2
AB4
AB3 Equipo
B4 Manufacturado
B3 en Planta B2

Sean B1, B2,....,Bn eventos mutuamente excluyentes

n
P( i =1
Bi ) = 1
n
Entonces P(A) =
i =1
P(A | B ) P(B )
i i
 Regla de Bayes
Supongamos de que se elige aleatoriamente un Equipo y se
encuentra que est fallado. cul es la probabilidad que sea
manufacturado en Planta B3 ?

Se pide P(B3 | A); pero slo se conoce P(A Bi), i = 1, 2, 3, .. , k

Sabemos que P(A Bi) = P( A | Bi ) P(Bi) = P(Bi | A) P(A)

P (Bi) P (A | Bi )
P (Bi | A ) = BiBj = ; i j
P (Bi) P (A | Bi )
j j Bi = S
 Probabilidad Multiplicativa

Ley Multiplicativa:
n n 1
P( Ai ) P( Ai ) P( A2 / A1 ).......P( An / Ai )
i 1 i 1

siempre que: n
P( Ai ) 0
i 1
 Regla de la Multiplicacin
El Nmero de maneras diferentes
de elegir o sacar un elemento de
n2
del conjunto 1 que tiene n1 n1
elementos, luego un elemento de
un conjunto 2 que tiene n2
elementos, ... , y finalmete un n2

elemto del k-simo conjunto que

tiene nk elemetos, en DONDE EL
ORDEN COMO SE n2

SELECCIONA ES IMPORTANTE

n1* n2* ......* nk

Ejemplo 3.1

1) Sean A,B sucesos de un mismo modelo de

probabilidad (, , P) tales que:
P(B)=0,4 P(AB)=0,7 P(A/B)=0,75

Determinar:

P(AC) ; P(A-B) ; P(ACBC) ; P(A/BC)

 Solucin
P(AC) = 1 - P(A)
P(AB) = P(A) + P(B) - P(AB)
P(AB) = P(A/B) P(B) = 0,75 * 0,4 = 0,3
P(A) = 0,7 - 0,4 + 0,3 = 0,6
P(AC) = 0,4
P(A-B) = P(ABC) = P(A) - P(AB) = 0,6 - 0,3 = 0,3
P(ACBC) = P(AC) + P(BC) - P(ACBC)
P(ACBC) = P(BC) - P(ABC) = 0,6 - 0,3 = 0,3
Luego P(ACBC) = 0,4 + 0,6 - 0,3 = 0,7
P(A/BC) = P(ABC) = 0,3 = 0,5
P(BC) 0,4
Ejemplo 3.2
Un procesador para computadores puede provenir de cualquiera
de tres fabricantes con probabilidades: p1 = 0,25 ; p2 = 0,50
; p3 = 0,25.
Las probabilidades de que un procesador funcione
correctamente durante 10.000 horas es 0,1; 0,2 y 0,4
respectivamente para los 3 fabricantes:

i) Calcular la probabilidad de que un procesador elegido al azar

funcione durante 10.000 horas.

ii) Si el procesador funcion correctamente durante el perodo

de 10.000 horas cul es la probabilidad de que haya provenido
del 3er fabricante?
 Solucin
3
i) P(C) = P(C / F ) P( F )
i 1
i i

= 0,1*0,25 + 0,2*0,5 + 0,4*0,25

= 0,225.

ii) P(F3/C) = P(C/F3) P(F3)

P(C)
= 0,4 * 0,25 = 0,444.
0,225
 Independencia Probabilstica
1. Sean A, B dos eventos del modelo probabilstico (, , P).
A, B se dicen probabilsticamente independientes ssi:

P(AB) = P(A) P(B) P(A | B) = P(A)

P(B | A) = P(B)

2. Sean Ai: i I = 1,2,3,......,k una coleccin de eventos

de (, , P). Se dice que los elementos son conjuntamente
independientes ssi:

P( Ai ) = P(Ai)
jJ
jJ J I = 1,2,3,......,k
 Observaciones

1. Independencia probabilstica Conjunta Independencia

de a pares
2. Independencia probabilstica de a pares Independencia
probabilstica Conjunta
3. Si A, B son eventos independientes probabilsticamente.
Entonces se tiene
- A, BC son independientes.
- AC, BC son independientes
- AC, B son independientes
4. Sea (, 2, P) modelo de probabilidad.
Estudiar independencia conjunta y de a pares.
 Independencia Probabilstica
Ejemplo 3.3:
Sea (, 2, P) modelo de probabilidad.
= (1,0,0) (0,1,0) (0,0,1) (1,1,1)
P(wi ) = 1/4 i = 1, 4
Sean A1, A2, A3 eventos de (, 2, P) :
A1: 1era coord. es 1
A2: 2da coord. es 1
A3: 3era coord. es 1
Estudiar independencia conjunta y de a pares.
 Ejemplo 3.4 : Independencia Probabilstica
1 2

A B

3 4
Probabilidad de cerrar los rels 1,2,3 y 4 es p. Si todos los rels funcionan
independientemente , cul es la probabilidad que pase corriente de A a B
P( E ) P[( R1 R2 ) ( R3 R4 )]; P( E ) P[ R1 R2 ] P[ R3 R4 ] P[ Ri ] 2 p 2 p 4

2
1

5
A B

3 4
 Variaciones
Def: Sea A un conjunto : Card ( A) n , se llama variacin
simple o sin repeticin a todo subconjunto de n elementos
distinguindose estos entre si, en los elementos que lo
componen y en el orden en que estos elementos van
colocados

A={x1,x2,.......xn } V(n,2)= n(n-1) ; V(n,3)= n(n-1)(n-2)...

V(n,k)= n(n-1)(n-2)......(n-k+1)

Obs: Si las variaciones son con repeticin V1(n,k) = nk

 Permutaciones
Nmero de maneras distintas de n
sacar r elementos de lote de n =
n!
CUANDO EL ORDEN IMPORTA :
Pr ( n - r) !
Nota: Estudiar permutaciones con
repeticin
n objetos

-----
1 2 3 4 r
 Combinaciones
n!
Combinaciones( sin repeticin): C(n,r) =
Nmero de maneras distintas de r!( n - r )!
sacar r elementos de lote de n
CUANDO EL ORDEN NO IMPORTA

Nota : Estudiar combinaciones con

repeticin C1(n,r)= (n+r-1)!/ r!(n-1)!
Construccin Modelos de Probabilidad
Sea una medida en el Espacio Muestral
tal que () < : Longitud ; Superficie
Volumen. etc.

Entonces existe un funcin definida en IR

(A )
P : IR IR : P(A )
( )
es una medida de Probabilidad
Ejemplo 3.5:
Problema del encuentro:

Dos estudiantes acuerd [9; 10] an encontrarse en la biblioteca de la UTFSM

entre las 9 A.M. y las 10 A.M. un da lunes. El primero que llega a la
biblioteca , espera al otro 10 minutos (dentro del intervalo de tiempo pactado).
Si se supone que cada uno llega al azar en el intervalo de tiempo convenido y
que los tiempos de llegada son independientes.
Cul es la probabilidad que estos estudiantes se encuentren ?

Solucin: X(t) : Llegada del estudiante 1

Y(t) : Llegada del estudiante 2
[X(t);Y(t)] [9; 10]x [9; 10]= [0; 60]X [0; 60]=
A={[X(t);Y(t)] : |X(t);Y(t)|< 10}
P(A)= = 11/ 36