Professional Documents
Culture Documents
Interseccin de sucesos
Si tenemos dos sucesos A y B de un mismo experimento aleatorio,
llamamos suceso interseccin de A y B al suceso que se realiza cuando
lo hacen A y B. Este suceso interseccin est formado por todos los
sucesos elementales que pertenecen a A y a B, al mismo tiempo. Se
representa por A B.
En general, dados n sucesos A1, A2, A3,..., An, su interseccin es otro suceso formado por
los resultados o sucesos elementales que pertenecen a todos los sucesos Ai.
Sucesos Disjuntos, Incompatibles o Excluyentes
Dados dos sucesos A y B de un experimento aleatorio: Diremos que estos sucesos A y B son
disjuntos, incompatibles o mutuamente excluyentes cuando:
No tienen ningn suceso elemental en comn o dicho de otra forma, si al verificarse A no se
verifica B, ni al revs. AB = o
=
Sucesos contrarios
Cuando la unin de dos sucesos es el espacio muestral y la interseccin
de los mismos conjuntos da el suceso imposible (conjunto vaco), decimos
que ambos sucesos son complementarios o contrarios.
- 8 -
Para un suceso cualquiera A de un experimento aleatorio, llamamos suceso contrario del
suceso A al suceso que se verifica cuando no se verifica A, y viceversa. Se representa por
.
En cualquier espacio muestral, obtenido de la realizacin de un experimento aleatorio, todo
suceso que se considere tiene su contrario. Las propiedades ms significativas de los sucesos
contrarios son:
A
= E A
= C
= C C
= E
Donde E representa el suceso seguro, compuesto por
todos los sucesos elementales del espacio muestral.
Diferencia de Sucesos
es el suceso formado por todos los elementos de A que no son
de B.
Diferencia Simtrica de Sucesos
Se define como diferencia simtrica de ambos sucesos Ay B a:Otro
suceso constituido por los sucesos elementales que pertenecen a A, o a B,
pero que no simultneamente a ambos.
A A B= (A- B) (B- A)
A A B = (A
) ( B
)
Algebra de Boole de Sucesos
La unin y la interseccin de sucesos verifican las propiedades siguientes: conmutativa,
asociativa, idempotente, simplificacin, distributiva, existencia de elemento neutro y absorcin:
Las operaciones unin, interseccin y complementacin (contrario) verifican las propiedades:
Unin Interseccin
1.
Conmutativa
2. Asociativa
3. Idempotente
4.
Simplificacin
5. Distributiva
6. Elemento
neutro
7. Absorcin
- 9 -
En el lgebra de Boole anterior se verifican las siguientes propiedades, conocidas como leyes
de De Morgan:
El suceso contrario de la unin de dos sucesos es la interseccin de sus sucesos contrarios:
El suceso contrario de la interseccin de dos sucesos es la unin de sus sucesos contrarios:
Ejemplo:
En el experimento E = "lanzar un dado al aire", consideramos los sucesos:
A = "sacar un nmero par". B = {1, 2, 3, 5} = "obtener un 1, 2, 3 5".
C = {4, 6} = "obtener un 4 un 6". D = {2, 4, 6} = "obtener un 2, 4 6".
F = {1, 3} = "obtener un 1 un 3". G = "obtener un mltiplo de 3".
o A y D son sucesos iguales al estar formados por los mismos sucesos elementales.
o C est contenido en A. Luego = C, puesto que siempre que ocurre el suceso C
(sacar 4 6) ocurre el suceso A, puesto que se obtiene un nmero par.
o B y C son incompatibles, ya que B C = y complementarios, al cumplirse B C = E.
o = "sacar un nmero par" {1, 2, 3, 5} = {1, 2, 3, 4, 5, 6} = E.
o A G = {2, 4, 6} {3,6} = {6}, es decir, el suceso interseccin de los sucesos "sacar un
nmero par" y "obtener un mltiplo de tres" es "sacar un 6".
o B-D = B = {1, 2, 3, 5} {1, 3, 5} = {1, 3, 5} = "obtener un nmero impar" = .
o C y F son incompatibles puesto que C F = .
Ejercicio
Tenemos una urna con nueve bolas numeradas del 1 al 9. Realizamos el experimento, que
consiste en sacar una bola de la urna, anotar el nmero y devolverla a la urna. Consideramos los
siguientes sucesos: A="salir un nmero primo" y B="salir un nmero cuadrado". Responde a las
cuestiones siguientes:
Calcula los sucesos y.
Los sucesos A y B, son compatibles o incompatibles?
Encuentra los sucesos contrarios de A y B.
Los sucesos A y B estn formados por los sucesos elementales que pueden verse a continuacin:
A = {2, 3, 5,7}
B = {1, 4, 9}
A partir de estos conjuntos, tenemos:
- 10 -
1. La unin e interseccin de A y B son:
= {1, 2, 3, 4, 5, 7, 9}
=
2. Al ser = , los sucesos A y B son incompatibles.
3. El suceso contrario de A es = {1,4,6,8,9}
El suceso contrario de B es = {2,3,5,6,7,8}
DEFINICIN DE PROBABILIDAD.
Introduccin
Se indicaba en el captulo anterior que cuando un experimento aleatorio se repite un gran
nmero de veces, los posibles resultados tienden a presentarse un nmero muy parecido de veces,
lo cual indica que la frecuencia de aparicin de cada resultado tiende a estabilizarse.
El concepto o idea que generalmente se tiene del trmino probabilidad es adquirido de forma
intuitiva, siendo suficiente para manejarlo en la vida corriente.
Nos interesa ahora la medida numrica de la posibilidad de que ocurra un suceso A cuando se
realiza el experimento aleatorio. A esta medida la llamaremos probabilidad del suceso A y la
representaremos por p(A).
La probabilidad es una medida sobre la escala 0 a 1 de tal forma que:
Al suceso imposible le corresponde el valor 0
Al suceso seguro le corresponde el valor 1
El resto de sucesos tendrn una probabilidad comprendida entre 0 y 1
El concepto de probabilidad no es nico, pues se puede considerar desde distintos puntos de
vista:
El punto de vista objetivo
o Definicin clsica o a priori
o Definicin frecuentista o a posteriori
El punto de vista subjetivo
Definicin Clsica de la Probabilidad o Definicin de Laplace
Sea un experimento aleatorio cuyo correspondiente espacio muestral E est formado por un
nmero n finito de posibles resultados distintos y con la misma probabilidad de ocurrir
- 11 -
{e1, e2,, en}.
Si n1 resultados constituyen el subconjunto o suceso A1, n2 resultados constituyen el
subconjunto o suceso A2 y, en general, nk resultados constituyen el subconjunto o suceso Ak de
tal forma que: n1 + n2 +... + nk = n
Las probabilidades de los sucesos A
1
, A
2
,..., An son:
(
y el nmero de casos posibles del espacio muestral E. ()
Observaciones
Para que se pueda aplicar la regla de Laplace es necesario que todos los sucesos elementales
sean equiprobables. Es decir: p(e1) =p(e2) =... =p(en) y por tanto p(ei)=1/n i=1,2,...,n
Siendo A={e1, e2, ... , ek}el suceso formado por k sucesos elementales siendo k n tendremos:
p(A) = (
Esta definicin clsica de probabilidad fue una de las primeras que se dieron (1900) y se
atribuye a Laplace; tambin se conoce con el nombre de probabilidad a priori pues, para
calcularla, es necesario conocer, antes de realizar el experimento aleatorio, el espacio muestral y
el nmero de resultados o sucesos elementales que entran a formar parte del suceso.
La aplicacin de la definicin clsica de probabilidad puede presentar dificultades de
aplicacin cuando el espacio muestral es infinito o cuando los posibles resultados de un
experimento no son equiprobables. Ej: En un proceso de fabricacin de piezas puede haber
algunas defectuosas y si queremos determinar la probabilidad de que una pieza sea defectuosa no
podemos utilizar la definicin clsica pues necesitaramos conocer previamente el resultado del
proceso de fabricacin.
Para resolver estos casos, se hace una extensin de la definicin de probabilidad, de manera
que se pueda aplicar con menos restricciones, llegando as a la definicin frecuentista de
probabilidad.
Definicin Frecuentista de la Probabilidad
Un experimento aleatorio se caracteriza porque repetido muchas veces y en idnticas
condiciones el cociente entre el nmero de veces que aparece un resultado (suceso) y el nmero
total de veces que se realiza el experimento tiende a un nmero fijo. Esta propiedad es conocida
como ley de los grandes nmeros, establecida por Jakob Bernouilli. Tiene el inconveniente de
- 12 -
variar la sucesin de las frecuencias relativas de unas series de realizaciones a otras, si bien el
valor al que se aproximan a medida que el nmero de realizaciones aumenta se mantiene estable.
Probabilidad de un suceso es el nmero al que tiende la frecuencia relativa asociada al suceso
a medida que el nmero de veces que se realiza el experimento crece.
La frecuencia relativa
del suceso A:
Propiedades de la Frecuencia Relativa:
1. 0 f
r
(A) 1 cualquiera que sea el suceso A.
2. f
r
( ) = f
r
(A) + f
r
(B) si = .
3. f
r
(E) = 1 f
r
() = 0.
Esta definicin presenta el inconveniente de tener que realizar el experimento un gran
nmero de veces y adems siempre obtendremos un valor aproximado de la probabilidad.
Definicin Subjetiva de la Probabilidad
Tanto la definicin clsica como la frecuentista se basan en las repeticiones del experimento
aleatorio; pero existen muchos experimentos que no se pueden repetir bajo las mismas
condiciones y por tanto no puede aplicarse la interpretacin objetiva de la probabilidad.
En esos casos es necesario acudir a un punto de vista alternativo, que no dependa de las
repeticiones, sino que considere la probabilidad como un concepto subjetivo que exprese el grado
de creencia o confianza individual sobre la posibilidad de que el suceso ocurra.
Se trata por tanto de un juicio personal o individual y es posible por tanto que, diferentes
observadores tengan distintos grados de creencia sobre los posibles resultados, igualmente
vlidos.
Definicin Axiomtica de la Probabilidad
La definicin axiomtica de probabilidad se debe a Kolmogorov, quien consider la relacin
entre la frecuencia relativa de un suceso y su probabilidad cuando el nmero de veces que se
realiza el experimento es muy grande.
Dado el espacio muestral E y la -Algebra A=P(E) diremos que una funcin p: A [0,1 ] es
una probabilidad si satisface los siguientes axiomas de Kolmogorov:
- Cualquiera que sea el suceso A, P(A) 0.
- 13 -
Si dos sucesos son incompatibles, la probabilidad de su unin es igual a la suma de sus
= P ( ) = P(A) + P(B) p(A A =p A =p(A )+p(A )+... probabilidades.
- La probabilidad total es 1. P (E) = 1.
- La terna (E, A, p) formada por el espacio muestral E, la -Algebra A=P(E) y la
probabilidad p se denomina espacio probabilstico.
Propiedades.
1. P( ) = 1 - P( A )
2. P( ) = 0
3. Si A B P( B ) = P( A ) + P( )
4. Si A B P( A ) P( B )
5. Si A
1
, A
2
, ... , A
k
, son incompatibles dos a dos, entonces:
P( A
1
A
2
... A
k
) = P( A
1
) + P( A
2
) + ... + P( A
k
)
6. P( ) = P( A ) + P( B ) - P( )
7. Si el espacio muestral E es finito y un sucesos es A={x
1
, x
2
, ... , x
K
} , entonces:
P( A ) = P( x
1
) + P( x
2
) + ... + P( x
K
)
Ejemplo:
Consideremos el experimento "lanzar un dado de quinielas y anotar el resultado".
El espacio muestral es E = {1,X,2}.
Las probabilidades de cada uno de los sucesos son:
P() = 0
P({1}) = 1/3 P({X}) = 1/3 P({2}) = 1/3
P({1,2}) = P({1}) + P({2}) = 1/3 + 1/3 = 2/3 P({1,X}) = 2/3 P({2,X}) = 2/3
P({1,X,2}) = P(E) = 1
Ejercicios
1. En una baraja de 40 cartas, cul es la probabilidad de AS?, Y de OROS
- 14 -
2. En una baraja hemos suprimido varia cartas. Entre las que quedan, se dan las siguientes
probabilidades de ser extradas:
P(REY)=0.15, P(BASTOS)=0.3, P("carta que no sea REY ni BASTOS")=0.6.
a) Est entre ellas el REY de BASTOS? En caso afirmativo, da su probabilidad.
b) Cuntas cartas hay?
Solucin:
a. P( ni REY ni BASTOS )=P( ) P( REY BASTOS ) = 1 - 0.6 =
0.4
P( REY BASTOS ) = P( REY ) + P( BASTOS ) - P( REY BASTOS )
Sustituyendo:
0.4 = 0.15 + 0.3 - P( REY BASTOS ) P( REY BASTOS ) = 0.05
Por tanto, el REY de BASTOS est y su probabilidad es:
P( REY de BASTOS ) = P( REY BASTOS ) = 0.05 = 1/20
b. Una porcin de cartas de una baraja es un instrumento aleatorio "de Laplace", pues la
probabilidad de extraer cada una de ellas es la misma. Si en este montn la probabilidad
del rey de bastos es 1/20, es porque hay 20 cartas.
3. Se lanzan dos dados equilibrados con seis caras marcadas con los nmeros del 1 al 6. Se
pide:
a. Halla la probabilidad de que la suma de los valores que aparecen en la cara superior sea
mltiplo de tres.
b. Cul es la probabilidad de que los valores obtenidos difieran en una cantidad mayor de
dos?
Solucin:
El espacio muestral del experimento es:
E = {(1,1); (1,2); (1,3); (1,4); (1,5); (1,6); (2,1); ...; (6,6)} y est formado por 36 sucesos
elementales equiprobables. Constituyen el nmero de casos posibles del experimento.
Utilizando la regla de Laplace, calculamos las probabilidades de los sucesos que nos piden:
Si llamamos A al suceso "obtener una suma mltiplo de 3", los casos favorables al suceso A
son:
A = {(1,2); (2,1); (1,5); (2,4); (3,3); (4,2); (5,1); (3,6); (4,5); (5,4); (6,3); (6,6)}.
Por tanto, P( A ) = 12/36 = 1/3
Si llamamos B al suceso "obtener unos valores que se diferencian en una cantidad mayor que
dos", los casos favorables al suceso B son:
B = {(1,4); (4,1); (1,5); (5,1); (1,6); (6,1); (2,5); (5,2); (2,6); (6,2); (3,6); (6,3)}.
Por tanto, P( B ) = 12/36 = 1/3
- 15 -
Teoremas Elementales de Probabilidad o Consecuencias de los Axiomas
Los siguientes resultados se deducen directamente de los axiomas de probabilidad.
Teorema I
La probabilidad del suceso imposible es nula P() = 0
Si para cualquier suceso A resulta que P(A)=0 diremos que A es el suceso nulo, pero esto no
implica que A=
Si para cualquier suceso A resulta que P(A)=1 diremos que A es el suceso casi seguro, pero
esto no implica que A=E
Teorema II
Para cualquier suceso A A=P(A) se verifica que:
La probabilidad de su suceso complementario es P(A) = 1 - p(A)
Teorema III
La probabilidad P es montona no decreciente, es decir:
A,B A=P(A) con A B P(A) P(B) y adems P(B - A) =P(B) - P(A)
Teorema IV
Para cualquier suceso A A=P(A) se verifica que: p(A) 1
Teorema V
Para dos sucesos cualesquiera A, B A=P(A) se verifica que:
P( AB ) =P(A) +P(B) - p( AB )
Esta propiedad es generalizable a n sucesos:
Teorema VI
Para dos sucesos cualesquiera A, B A=P(A) se verifica que: P (AB) P(A) +P (B)
Esta propiedad es generalizable a n sucesos:
Teorema VII
Dada una sucesin creciente de sucesos A1, A2,..., An (representado por { An}) se verifica que:
Teorema VIII
Dada una sucesin decreciente de sucesos A1, A2,..., An (.representado por { An}) se verifica
que:
- 16 -
Probabilidad Condicionada
Hasta ahora hemos introducido el concepto de probabilidad considerando que la nica
informacin sobre el experimento era el espacio muestral. Sin embargo hay situaciones en las que
se incorpora informacin suplementaria respecto de un suceso relacionado con el experimento
aleatorio, cambiando su probabilidad de ocurrencia.
El hecho de introducir ms informacin, como puede ser la ocurrencia de otro suceso,
conduce a que determinados sucesos no pueden haber ocurrido, variando el espacio de resultados
y cambiando sus probabilidades.
Definicin
Dado un espacio probabilstico (E, A, p) asociado a un experimento
aleatorio. Sea A un suceso tal que A A=p(A) y p(A)0. Sea B un
suceso tal que B A=p(A) Se define la probabilidad condicionada de
B dado A o probabilidad de B condicionada a A como:
Regla de Multiplicacin de Probabilidades o Probabilidad Compuesta
Partiendo de la definicin de la probabilidad condicionada p(B/A) podemos escribir:
P (AB) = P(A) P(B / A)
Ejemplo:
Consideremos el experimento de "lanzar un dado al aire". Calculemos, por ejemplo, la
probabilidad de obtener un 3 sabiendo que ha salido un nmero impar:
Definimos los sucesos A="sacar 3" y B= {1, 3, 5}; entonces, P(A/B)=1/3 puesto que si
sabemos que ha salido un nmero impar, los casos posibles ahora son 3 y los casos favorables al
suceso A slo 1.
Independencia de eventos. Dependencia de eventos.
El conocimiento de que ha ocurrido el suceso A modifica, en algunas ocasiones, la
probabilidad del suceso B, pero en otras no. Los sucesos en los que, conociendo que uno ha
ocurrido, no se modifica la probabilidad del otro, decimos que son independientes y, si se
modifica, decimos que son dependientes entre s.
- 17 -
Decimos que dos sucesos A y B son independientes entre s si la ocurrencia de uno de ellos
no modifica la probabilidad del otro, es decir, si
P( B/A ) = P( B ) P( A/B ) = P( A )
Decimos que dos sucesos A y B son dependientes entre s si la ocurrencia de uno de ellos
modifica la probabilidad del otro, es decir, si
P( B/A ) P( B ) P( A/B ) P( A )
Como consecuencia inmediata de la definicin se tiene:
Dos sucesos A y B son independientes si se cumple:
P(A B) = P(A) P (B)
Tres sucesos A, B y C son independientes si se cumplen a la vez:
P (A B) = P (A) P (B)
P (A C) = P (A) P(C)
P (B C) = P (B) P(C)
P( A B C ) = P( A ) P( B ) P( C )
Ejemplo
Se consideran dos sucesos, A y B, asociados a un experimento aleatorio con P(A)=0.7; P(B)=0.6;
P( )=0.58.
a. Son independientes A y B?
b. Si M A, cul es el valor de P ( / )?
a. Para ver si son independientes, comprobaremos si P( A B ) = P( A ) P( B )
P ( ) = P[(A B)
c
] = 1 - P(A B)
Por tanto, P(A B) = 1 - P( ) = 1 -0.58 = 0.42
Por otro lado, P( A ) P( B ) = 0.7 0.6 = 0.42
Luego, A y B son independientes, pues P( A B ) = P( A ) P( B ) = 0.42
b. M A . Por tanto,
- 18 -
Tablas de contingencia y diagramas de rbol.
En los problemas de probabilidad y en especial en los de probabilidad condicionada, resulta
interesante y prctico organizar la informacin en una tabla de contingencia o en un diagrama de
rbol.
Las tablas de contingencia y los diagramas de rbol estn ntimamente relacionados, dado uno de
ellos podemos construir el otro. Unas veces, los datos del problema permiten construir fcilmente
uno de ellos y a partir de l podemos construir el otro, que nos ayudar en la resolucin del
problema.
Conversin de una tabla en diagrama de rbol
Las tablas de contingencia estn referidas
a dos caractersticas que presentan cada una
dos o ms sucesos. En el caso de los sucesos A,
, B y , expresados en frecuencias
absolutas, relativas o probabilidades la tabla,
adopta la forma adjunta.
Dicha tabla adopta la forma del diagrama de rbol del dibujo. En ste, a cada uno de los
sucesos A y se les ha asociado los sucesos B y .
Sobre las ramas del diagrama de rbol se han anotado las probabilidades condicionadas
correspondientes, deducidas de las relaciones anlogas a:
Conversin de un diagrama en tabla de contingencia
De manera recproca, dado el diagrama de rbol podemos construir la tabla de contingencia
equivalente si ms que utilizar la expresin
A
TOTAL
B P( A B )
P( B )
P( B )
P( A ) P( ) P( )
TOTAL P( A )
P( )
1
- 19 -
P (BA) = P ( B/A ) P( A ), para calcular las probabilidades de las intersecciones de sucesos
que forman la tabla.
Ejemplo:
Una compaa de seguros hace una investigacin sobre la cantidad de partes de siniestro
fraudulentos presentados por los asegurados. Clasificando los seguros en tres clases, incendio,
automvil y "otros", se obtiene la siguiente relacin de datos:
El 6% son partes por incendio fraudulentos; el 1% son partes de automviles fraudulentos; el
3% son "otros" partes fraudulentos; el 14% son partes por incendio no fraudulentos; el 29% son
partes por automvil no fraudulentos y el 47% son "otros" partes no fraudulentos.
a. Haz una tabla ordenando los datos anteriores y hallando el porcentaje total de partes
fraudulentos y no fraudulentos.
b. Calcula qu porcentaje total de partes corresponde a la rama de incendios, cul a la de
automviles y cul a "otros". Aade estos datos a la tabla.
c. Calcula la probabilidad de que un parte escogido al azar sea fraudulento. Cul ser, en
cambio, la probabilidad de que sea fraudulento si se sabe que es de la rama de incendios?
a. y b. La tabla de porcentajes con los datos del enunciado y los totales es la siguiente:
INCENDIO AUTOMVIL OTROS TOTAL
FRAUDULENTOS 6 1 3 10
NO FRAUDULENTOS 14 29 47 90
TOTAL 20 30 50 100
c. Es fcil ver sobre la tabla que la probabilidad de escoger al azar un parte fraudulento es
del 10%.
La probabilidad condicionada que se pide es: P(FRAUDE/INCENDIO)=6/20=0.3
Teorema de la Probabilidad total.
Sean n sucesos disjuntos A1, A2,..., An A=P(A) tales que p( Ai )>0 i=1,2,...,n y tales que
forman un sistema completo de sucesos. Para cualquier suceso B A=P(A) cuyas probabilidades
condicionadas son conocidas p( B/Ai ), se verifica que:
- 20 -
Ejemplos:
1.- Una compaa dedicada al transporte pblico explota tres lneas de una ciudad, de forma
que el 60% de los autobuses cubre el servicio de la primero lnea, el 30% cubre la segunda y el
10% cubre el servicio de la tercera lnea. Se sabe que la probabilidad de que, diariamente, un
autobs se avere es del 2%, 4% y 1%, respectivamente, para cada lnea. Determina la
probabilidad de que, en un da, un autobs sufra una avera.
El suceso "sufrir una avera" (Av) puede producirse en las tres
lneas, (L
1
, L
2
, L
3
). Segn el teorema de la probabilidad total y
teniendo en cuenta las probabilidades del diagrama de rbol
adjunto, tenemos:
P(Av)=P(L
1
)P(Av/L
1
)+P(L
2
)P(Av/L
2
)+P(L
3
)P(Av/L
3
)=
(0.6)(0.02) + (0.3)(0.04) + (0.1)(0.01) = 0.012 + 0.012 + 0.001 =
0.025 P(Av)=0.025
2.- Una empresa del ramo de la alimentacin elabora sus
productos en cuatro factoras: F
1
, F
2
, F
3
y F
4
. El porcentaje de produccin total que se fabrica en
cada factora es del 40%, 30%, 20% y 10%, respectivamente, y adems el porcentaje de envasado
incorrecto en cada factora es del 1%, 2%, 7% y 4%. Tomamos un producto de la empresa al
azar. Cul es la probabilidad de que se encuentre defectuosamente envasado?
Llamando M = "el producto est
defectuosamente envasado", se tiene que este
producto puede proceder de cada una de las cuatro
factoras y, por tanto, segn el teorema de la
probabilidad total y teniendo en cuenta las
probabilidades del diagrama de rbol adjunto,
tenemos:
P (M) =P(F
1
) P(M/F
1
) + P(F
2
) P(M/F
2
) +
P(F
3
) P(M/F
3
) + P(F
4
) P(M/F
4
) =
(0.4)(0.01) + (0.3)(0.02) + (0.2)(0.07) + (0.1)(0.04)
= 0.004 + 0.006 + 0.014 + 0.004 = 0.028
P (M) =0.028
Teorema de Bayes.
En el ao 1763, dos aos despus de la muerte de Thomas Bayes (1702-1761), se public una
memoria en la que aparece, por vez primera, la determinacin de la probabilidad de las causas a
- 21 -
partir de los efectos que han podido ser observados. El clculo de dichas probabilidades recibe el
nombre de teorema de Bayes.
Sea A
1
, A
2
, ...,A
n
un sistema completo de sucesos, tales que la probabilidad de cada uno de
ellos es distinta de cero, y sea B un suceso cualquier del que se conocen las probabilidades
condicionales P(B/A
i
). entonces la probabilidad P(A
i
/B) viene dada por la expresin:
En los problemas relacionados con la probabilidad, y en particular con la probabilidad
condicionada, as como con la probabilidad total y el teorema de Bayes, es aconsejable que, con
la informacin del problema, construyas una tabla de contingencia o un diagrama de rbol.
Ejemplos:
1.- Tres mquinas, A, B y C, producen el 45%, 30% y 25%, respectivamente, del total de las
piezas producidas en una fbrica. Los porcentajes de produccin defectuosa de estas mquinas
son del 3%, 4% y 5%.
a. Seleccionamos una pieza al azar; calcula la probabilidad de que sea defectuosa.
b. Tomamos, al azar, una pieza y resulta ser defectuosa; calcula la probabilidad de haber
sido producida por la mquina B.
c. Qu mquina tiene la mayor probabilidad de haber producido la citada pieza defectuosa?
Sea D= "la pieza es defectuosa" y N= "la pieza no es defectuosa". La
informacin del problema puede expresarse en el diagrama de rbol
adjunto.
a. Para calcular la probabilidad de que la pieza elegida sea
defectuosa, P(D), por la propiedad de la probabilidad total,
P(D) = P(A) P(D/A) + P(B) P(D/B) + P(C) P(D/C) =
= 0.45 0.03 + 0.30 0.04 + 0.25 0.05 = 0.038
b. Debemos calcular P(B/D). Por el teorema de Bayes,
- 22 -
c. Calculamos P(A/D) y P(C/D), comparndolas con el valor de P(B/D) ya calculado.
Aplicando el teorema de Bayes, obtenemos:
La mquina con mayor probabilidad de haber producido la pieza defectuosa es A
2.- Tenemos tres urnas: A con 3 bolas rojas y 5 negras, B con 2 bolas rojas y 1 negra y C con
2 bolas rojas y 3 negras. Escogemos una urna al azar y extraemos una bola. Si la bola ha sido
roja, cul es la probabilidad de haber sido extrada de la urna A?
Llamamos R= "sacar bola roja" y N= "sacar bola negra". En el diagrama
de rbol adjunto pueden verse las distintas probabilidades de ocurrencia
de los sucesos R o N para cada una de las tres urnas.
La probabilidad pedida es P(A/R). Utilizando el teorema de Bayes,
tenemos:
- 23 -
Ejercicios.
Ejercicio 1:
Con los jugadores de un club de ftbol se forman dos equipos para jugar un partido de
entrenamiento; entre los dos equipos se renen 6 defensas, 8 medios, 6 delanteros y 2 porteros.
El entrenador sabe que en estos partidos, la probabilidad de que se lesione un jugador es 0.22 si
es delantero, 0.11 si es medio, 0.055 si es defensa y 0 si es portero.
Calcular la probabilidad de que se lesione uno cualquiera de los jugadores en este partido.
Si se sabe que un jugador se ha lesionado, determinar la probabilidad de que haya sido un
defensa.
Ejercicio 2:
Tras un estudio estadstico en una ciudad se observa que el 70% de los motoristas son varones y,
de estos, el 60% llevan habitualmente casco. El porcentaje de mujeres que conducen
habitualmente con casco es del 40%. Se pide:
Calcular la probabilidad de que un motorista elegido al azar lleve casco.
Se elige un motorista al azar y se observa que lleva casco. Cul es la probabilidad de que sea
varn?
Ejercicio 3:
En una ciudad, el 35% vota al partido A, el 45% vota al partido B y el resto se abstiene. Se sabe
adems que el 20% de los votantes de A, el 30% de los de B y el 15% de los que se abstienen,
son mayores de 60 aos. Se pide:
Hallar la probabilidad de que un ciudadano elegido al azar sea mayor de 60 aos.
Hallar la probabilidad de que un ciudadano mayor de 60 aos se haya abstenido.
Ejercicio 4:
Los alumnos de Primero de Biologa tienen que realizar dos pruebas, una terica y otra prctica.
La probabilidad de que un estudiante apruebe la parte terica es de 0.6, la probabilidad de que
apruebe la parte prctica es de 0.8 y la probabilidad de que apruebe ambas pruebas es 0.5.
Son independientes los sucesos aprobar la parte terica y la parte prctica?
Cul es la probabilidad de que un alumno no apruebe ninguno de los dos exmenes?
Cul es la probabilidad de que un alumno apruebe solamente uno de los dos exmenes?
Se sabe que un alumno aprob la teora. Cul es la probabilidad de que apruebe tambin la
prctica?
Ejercicio 5:
En una baraja de 40 cartas.
Se toman dos cartas sin reemplazamiento. Cul es la probabilidad de que las dos sean de distinto
nmero?
Y si se toman tres cartas, Cul es la probabilidad de que los tres nmeros sean distintos?
Ejercicio 6:
Tenemos un dado con tres "1", dos "2" y un "3". Lo tiramos dos veces consecutivas y anotamos
la suma de los resultados.
Cul es el Espacio Muestral?
Cul es la probabilidad de que la suma sea 4?
Cul es la suma ms probable? Cunto vale su probabilidad?
- 24 -
Ejercicio 7:
Tenemos dos dados A y B, ambos trucados. En el dado A hay tres "1" y tres "2" y en el dado B
hay dos "1" y cuatro "2". Se elige un dado al azar y se tira.
Cul es la probabilidad de obtener un "1"?
Sabiendo que se ha obtenido un "2", Cul es la probabilidad de que se haya elegido el dado B?
Ejercicio 8:
En una caja hay x bolas blancas y 1 bola roja. Al extraer de la caja dos bolas al azar sin
reemplazamiento, la probabilidad de que sean blancas es 1/2. Calcula el nmero de bolas blancas
que debe tener la caja.
Ejercicio 9:
El 35% de los crditos de un banco es para vivienda, el 50% para industrias y el 15% para
consumo diverso. Resultan fallidos el 20% de los crditos para vivienda, el 15% de los crditos
para industrias y el 70% de los crditos para consumo. Calcula la probabilidad de que se pague
un crdito elegido al azar.
Ejercicio 10:
El volumen de produccin en tres plantas diferentes de una fbrica es de 500 unidades en la
primera, 1000 unidades en la segunda y 2000 en la tercera. Sabiendo que el porcentaje de
unidades defectuosas producidas en cada planta es del 1%, 0.8% y 2%, respectivamente, calcula
la probabilidad de que al seleccionar una unidad al azar sea defectuosa.
Ejercicio 11:
El 20% de los empleados de una empresa son ingenieros y otro 20% son economistas. El 75% de
los ingenieros ocupan un puesto directivo y el 50% de los economistas tambin, mientras que de
los no ingenieros y no economistas solamente el 20% ocupan un puesto directivo. Cul es la
probabilidad de que un empleado directivo elegido al azar sea ingeniero?
Ejercicio 12:
Se toman dos barajas espaolas de 40 cartas. Se extrae al azar una carta de la primera baraja y se
introduce en la segunda baraja. Se mezclan las cartas de esta segunda baraja y se extrae una carta,
que resulta ser el dos de oros. Cul es la probabilidad de que la primera carta extrada fuese una
espada?
Ejercicio 13:
Se echan al aire dos monedas; d el espacio de muestra designado R =O, A=1 Represente este
espacio de muestra por dos coordenadas bidimensionales.
Ejercicio 14:
Tres artculos son extrados, con reposicin, de un lote de mercancas; cada artculo ha de ser
identificado como defectuoso o no defectuoso. Mencione todos los puntos de muestra posibles
para este experimento por un diagrama de rbol.
Ejercicio 15:
Un inversor planea escoger dos de las cinco oportunidades de inversin que se le han
recomendado. Describa el espacio de muestra que representa las opciones posibles.
- 25 -
Ejercicio 16:
Al echar al aire dos monedas, los hechos "dos reversos" y "dos anversos" son mutuamente
exclusivos? Son colectivamente exhaustivos?
Ejercicio 17:
Cul es la probabilidad de que el Papa viva eternamente?
Ejercicio 18:
Cul es la probabilidad de que apruebe usted este curso? Cmo lleg usted a su respuesta?
Ejercicio 19:
Compruebe que la probabilidad de obtener 11 con dos dados es 1/18.
Ejercicio 20:
Se echa un dado perfecto, Demuestre que la probabilidad de obtener un nmero par o un nmero
divisible por 3 es 2/3.
Ejercicio 21:
Se echan dos dados. Compruebe que la probabilidad de obtener un 7 o un 11 es 2/9.
Ejercicio 22:
Una moneda equilibrada es echada hasta que aparece un reverso o hasta que ha sido echada tres
veces. Dado que el reverso no aparece en la primera echada, cul es la probabilidad de que la
moneda sea echada tres veces?
Ejercicio 23:
Un comit de cinco ha de ser escogido al azar, sin reposicin, de un grupo de 6 hombres y 4
mujeres. Demuestre que la probabilidad de que se componga a) de dos mujeres y tres hombres es
10/21, y b) de cuatro mujeres y un hombre es 1/42.
Ejercicio 24:
Dado dos sucesos E1 y E2 en el espacio muestral S. Sabiendo que P(E1)=1/3, P(B/A)= 1/2,
P(A/B)=1/3. Demostrar que la probabilidad que se d al menos uno de los sucesos E1 E2 es
igual a 2/3.
Ejercicio 25:
Una caja tiene 3 bolas blancas y 7 negras. Escogemos dos bola y la primera resulta ser de color
blanco, Cul es la probabilidad que la segunda bola sea blanca?
Ejercicio 26:
Sea X una variable Aleatoria con funcin de probabilidad dada por la siguiente tabla:
Xi 0 1 2 3 5 8
Pi 0.15 0.2 0.1 0.25 0.18 0.12
Hallar el valor esperado de la variable aleatoria X y su desviacin estndar.
- 26 -
1.- VARIABLES ALEATORIAS
En este tema se tratar de formalizar numricamente los resultados de un fenmeno aleatorio.
Por tanto, una variable aleatoria es un valor numrico que corresponde a un resultado de un
experimento aleatorio. Algunos ejemplos son: nmero de caras obtenidas al lanzar seis veces una
moneda, nmero de llamadas que recibe un telfono durante una hora, tiempo de fallo de una
componente elctrica, etc.
El estudio que se har en este tema ser anlogo al que se hace con las variables estadsticas
en descriptiva. As retomaremos el concepto de distribucin y las caractersticas numricas, como
la media y varianza. El papel que all jugaba la frecuencia relativa lo juega ahora la probabilidad.
Esto va a proporcionar aspectos y propiedades referentes a fenmenos aleatorios que permitirn
modelos muy estudiados en la actualidad.
2.- VARIABLE ALEATORIA UNIDIMENSIONAL
Dado un experimento aleatorio y asociado al mismo, un espacio probabilstico (E, , P), una
variable aleatoria es una aplicacin : R a cada valor de X, del espacio muestral le hace
corresponder un nmero real. Se dice que X es una variable aleatoria si para cualquier x
perteneciente a R, el conjunto de los sucesos elementales le hace corresponder un valor que
verifica: X eR X(S)X.
Ejemplo: Consideramos un experimento aleatorio de lanzar una moneda al aire tres veces y
anotamos el resultado. Se define la variable aleatoria X como nmero de caras aparecidas en los
tres lanzamientos.
a) Calcular el espacio muestral y comprobar que es una variable aleatoria.
b) Calcular los subespacios: {X2,75} {0,5X1,75}
a) La solucin es la siguiente,
E= (C,X,X),(X,C,X),(X,X,C),(C,C,X),(C,X,C),(X,C,C),(C,C,C),(X,X,X)
- 27 -
3.-TIPOS DE VARIABLES ALEATORIAS
Las variables aleatorias se clasifican en discretas y continuas:
o DISCRETA: La variable aleatoria X se dice que es discreta si los nmeros asignados a los
sucesos elementales de E son puntos aislados. Sus posibles valores constituyen un
conjunto finito o infinito numerable. Por ejemplo, supongamos el experimento consistente
en lanzar tres veces una moneda no trucada; si consideramos la variable aleatoria
X=nmero de caras obtenidas en los tres lanzamientos, los valores que puede tomar esta
variable aleatoria son finitos (0, 1, 2, 3).
o CONTINUA: La variable aleatoria X ser continua si los valores asignados pueden ser
cualesquiera, dentro de ciertos intervalos, es decir, puede tomar cualquier valor de R. Por
ejemplo, si consideramos el experimento aleatoria consistente en medir el nivel de agua
en un embalse y tomamos la variable aleatoria X=nivel de agua, esta puede tomar
valores entre 0 y ms infinito.
4.- DISTRIBUCIN DE PROBABILIDAD
Es un modelo terico que describe la forma en que varan los resultados de un
experimento aleatorio, es decir, nos da todas las probabilidades de todos los posibles resultados
que podran obtenerse cuando se realiza un experimento aleatorio. Se clasifican como discretas o
continuas. En la distribucin de probabilidad discreta est permitido tomar slo un nmero
limitado de valores. En la continua, llamada funcin de densidad, la variable que se est
considerando puede tomar cualquier valor dentro de un intervalo dado.
4.1.- Distribucin de probabilidad discreta
Sea un espacio probabilstico y sea X una variable aleatoria discreta que toma como posibles
valores x
1
,x
2
,.....x
n
, se define la distribucin de probabilidad de X como el conjunto de pares (x
i
, p
i
)
que a cada valor de la variable le asocia una probabilidad, donde p
i
= P(X=x
i
), tal que la suma de
todas las probabilidades es igual a la unidad.
Del ejemplo realizado anteriormente se desprende que la distribucin de probabilidad viene
dada por: (0,1/8); (1,3/8); (2,3/8); (3,1/8).
4.2.- Distribucin de probabilidad continua
Si la variable aleatoria es continua, hay infinitos valores posibles de la variable y entra cada dos
de ellos se podran definir infinitos valores. En estas condiciones no es posible deducir la
probabilidad de un valor puntual de la variable como se puede hacer en el caso de las variables
discretas. Pero s es posible calcular la probabilidad acumulada hasta un cierto valor (funcin de
distribucin) y cmo cambia esa probabilidad acumulada en cada punto (densidad de
probabilidad). Por tanto, cuando la variable aleatoria sea continua hablaremos de funcin de
densidad.
Sea X una variable aleatoria continua, se llama
funcin de densidad y se representa como f(x) a una
funcin no negativa definida sobre la recta real, tal que
para cualquier intervalo que estudiemos se verifica:
- 28 -
5.- FUNCIN DE DISTRIBUCIN
La funcin de distribucin describe el comportamiento probabilstico de una variable
aleatoria X asociada a un experimento aleatorio y se representa como:
F(x) F
x
Para estudiar la funcin de distribucin distinguiremos entre el caso discreto y el caso
continuo.
o CASO DISCRETO
Sea X una variable aleatoria discreta asociada a un espacio probabilstico, se define la
funcin de distribucin:
Ejemplo: Continuando con el ejemplo anterior, cuya distribucin de probabilidad era:
(0 caras, 1/8); (1 cara, 3/8); (2 caras, 3/8); (3caras, 1/8), Calcula la probabilidad de obtener menos
dos caras?
Para resolver el problema lo que debemos de calcular es la probabilidad de que la variable
aleatoria tome valores inferiores a dos. Esto viene dado por la expresin
La funcin de distribucin para una variable discreta siempre verifica las siguientes propiedades:
o CASO CONTINUO: Sea X una
variable aleatoria continua con funcin de
densidad f(x), se define la funcin de
distribucin, F(x), como:
La funcin de distribucin para una variable continua siempre verifica las siguientes
propiedades:
- 29 -
Ejemplo: Sea X una variable aleatoria cuya funcin de densidad viene dada por f (X), calcula su
funcin de distribucin:
6.- PARMETROS DE UNA VARIABLE ALEATORIA
En esta seccin estudiaremos, de manera anloga a las variables estadsticas, algunos
parmetros de que van a resumir numricamente las distribuciones de las variables aleatorias,
distinguiendo como siempre, para el caso discreto y continuo.
6.1.- Esperanza matemtica para una variable aleatoria discreta
Dada una variable aleatoria X que toma valores x1,x2,x3....xn con distribucin de
probabilidad P (x-xi) = Pi , se define la esperanza matemtica de una variable aleatoria como:
Ejemplo: Continuando con el ejemplo anterior, cuya distribucin de probabilidad era: (0 caras,
1/8); (1 cara, 3/8); (2 caras, 3/8); (3caras, 1/8), calcula la esperanza matemtica.
El resultado ser:
6.2.- Esperanza matemtica para una variable aleatoria continua
Sea X una variable aleatoria continua con funcin de densidad f(x), se define la esperanza
matemtica de esa variable aleatoria como:
- 30 -
Tanto para el caso discreto como para el caso continuo, la esperanza matemtica presenta
las siguientes propiedades:
o Si C es una constante, E(C) = C.
o a, b R, E(aX + b) = aE(X) + b
o Si g(X) es una funcin de X, entonces:
o Si X es discreta,
o Si X es continua,
o Si X
1
, ..., X
n
son variables aleatorias, entonces
6.3.- Varianza de una variable aleatoria
A continuacin vamos a definir la varianza de una variable aleatoria diferenciando para el
caso discreto y continuo. Dada una variable aleatoria X que toma valores x
1
,x
2
,x
3
....x
n
con
distribucin de probabilidad, se define la varianza de X:
Ejemplo: Continuando con el ejemplo anterior, cuya distribucin de probabilidad era: (0 caras,
1/8); (1 cara, 3/8); (2 caras, 3/8); (3caras, 1/8), calcula la varianza.
El resultado ser:
Propiedades de la Varianza y la Esperanza matemtica:
Sea X una variable aleatoria e Y otra variable aleatoria tal que Y = a X + b, entonces siempre
se verifica:
- 31 -
Ejercicios Resueltos
1.-Clasificar como discretas o continuas las siguientes variables aleatorias:
a) n de pginas de un libro discreta
b) tiempo que tarda en fundirse una bombilla continua
c) n de preguntas en una clase de una hora discreta
d) cantidad de agua consumida en un mes continua
2.- La Variable aleatoria x=n de caras al lanzar tres veces una moneda, toma los posibles valores:
de x: 0, 1, 2 y 3. (Funcin de Probabilidad o de Masa)
Lanzar 3 veces moneda:
E= {CCC,CCX,CXC,XCC,XXC,XCX,CXX,XXX}
La variable aleatoria x:
- Toma valor 0 cuando ocurre el suceso {XXX}
- Toma valor 1 cuando ocurre el suceso {XXC,XCX,CXX}
- Toma valor 2 cuando {CCX,CXC,XCC}
- Toma valor 3 cuando {CCC}
La funcin de probabilidad es:
p P x
0
0 1 8 0125 = = = = { } / ,
p P x
1
1 3 8 0 375 = = = = { } / ,
p P x
2
2 3 8 0 375 = = = = { } / ,
p P x
3
3 1 8 0125 = = = = { } / ,
Funcin de probabilidad de x:
Cul ser la probabilidad de que salgan al menos dos caras?
P x P x P x P x { } { } { } { } , , ,
,
s = = + = + = = + +
=
2 0 1 2 0125 0 375 0 375
0 875
y la probabilidad de que el nmero de caras est entre 1 y 2?
P x P x P x { } { } { } , , , 1 2 1 2 0 375 0 375 0 75 s s = = + = = + =
3.- Analice la funcin de distribucin o de probabilidad acumulada a la variable: n caras al
lanzar tres veces una moneda.
P x P x { } { } , s = = = 0 0 0125
P x P x P x { } { } { } , , , s = = + = = + = 1 0 1 0125 0 375 0 5
P x P x P x P x { } { } { } { } , , , s = = + = + = = + = 2 0 1 2 0 5 0 375 0 875
P x P x P x P x P x { } { } { } { } { } , , s = = + = + = + = = + = 3 0 1 2 3 0 875 0125 1
0.10
0.15
0.20
0.25
0.30
0.35
0.40
0 1 2 3
- 32 -
Funcin de distribucin de x
4.- Lanzamos dos monedas. Si salen dos caras recibimos 3 euros, si sale una cara recibimos 1
euro y si no sale ninguna cara pagamos 5 euros. Cul es la ganancia media del juego?
Hallamos la funcin de probabilidad de la ganancia X en euros:
La ganancia media del juego es la media o esperanza de X
= x1 p(x1) + x2 p(x2) + x3p(x3)= 3. + 1. -5. = 0
Cuando en un juego la ganancia esperada = 0 se llama juego justo. Si > 0 es un juego con
ventaja y si < 0 es un juego en desventaja.
5.- Hallar la media (esperanza) varianza y la desviacin tpica de la variable aleatoria X, dada
por la funcin de probabilidad.
Primero se calcula la media =0 0,1 + 1 0,2 + 2.0,4 + 3.0,3 =1,9
Calculamos la Varianza
2
=X
1
2
.P(X
1
) + X
2
2
.P(X
2
) + X
3
2
.P(X
4
) + X
4
2
.P(X
4
)
2
= 0
2
.0,1 +1
2
.0,2 + 2
2
.0,4 + 3
2
.0,3 = 0,89
Finalmente calculamos la desviacin tpica estndar
= \
2 =
\0,89 = 0.94
Consultar para Variables Aleatorias
http://personales.unican.es/gonzaleof/Sociales_2/aleatorias.pdf
0.0
0.2
0.4
0.6
0.8
1.0
0 1 2 3
Xi 3 1 -5
Pi(Xi)
Xi 0 1 2 3
Pi(Xi) 0,1 0,2 0,4 0,3