You are on page 1of 27

Espacio muestral

Espa c io m uest r a l
Es

el

co njunto

po sible s

de

r e sultado s

ex per ienc ia

to do s

lo s

de

una

a lea t o r ia ,

lo

r e pr e se ntar e mo s po r E (o bie n po r
la le tr a gr ie ga ).
Espacio

m ue st r al

de

una

mo ne da:
E = {C , X } .
Espacio m ue str al de un da do :
E = {1 , 2 , 3 , 4 , 5 , 6 }.
Suc eso a lea t o r io
Suc eso a lea t o rio e s cualquie r
subco nj unto de l e spacio mue str al .
Po r e je mplo al t ir ar un dado u n
suce so se r a qu e salie r a par , o tr o ,
o bte ne r mlt iplo de 3 , y o tr o , sa car
5.

Ejem plo s de es pa c io s m uest r a les

1.
blancas

Una
y

bo lsa
ne gr as.

co ntie ne
Se

suce sivame nte tr e s bo las.

bo las

e xtr ae n

E = { (b, b,b ); ( b,b, n); ( b,n ,b) ;


(n,b ,b) ; (b, n,n ) ; (n ,b, n) ; ( n,n ,b) ;
(n, n,n )}

2. El suce so A = {e xtr ae r tr e s
bo las de l mismo co lo r }.
A = {( b,b ,b ); (n , n,n )}

3. El suce so B = {e xtr ae r al
me no s una bo la blanca }.
B=

{(b,b ,b) ;

( b,b, n);

(b ,n, b);

(n,b ,b) ; ( b,n ,n ); (n, b,n ); (n, n ,b )}

4. El suce so C = {e xtr ae r una


so la bo la ne gr a } .
C = {(b ,b, n); (b ,n,b ); (n, b,b )}

7.5 Probabilidad condicional y independencia


Este tutorial: Parte A: Probabilidad condicional
Parte B: rboles y probabilidad condicional
Parte C: Sucesos independientes
(Se puede encontrar esta tema en la Seccin 7.5 en la edicin ms reciente (6e) de Matemticas finitas o
la Seccin 7.5 en la edicin ms reciente (6e) de Matemticas finitas y clculo aplicado)

P: Qu significa probabilidad condicional?


R: Aqu est una breve iluscracin de lo que significa: Suponga que se lance dos dados; uno rojo y uno

verde. Entonces sea D el suceso de que salga doble uno. Sabemos que
P(D) =

1
36
.
Suponga, sin embargo, que despus de lanzar los dados, te entere de que el dado verde ha salido uno, pero
todava no sabe nada acerca el rojo. Entonces hay ahora una probabilidad de 1/6 de que todos dos hayan
salido uno, pues la probabilidad de que el verde salga uno es 1/6. En otras palabras, la probabilidad de D
ha cambiado cuando sabe usted que ocurri el suceso relacionado:
V: El verde sale 1

Llamamos a esta probabilidad (cambiada) de D la probabilidad condicional de doble uno, dado que el
verde sale uno; es decir, la probabilidad condicional de D dado V. Escribimos:
P(D|V) =
1
6
We say:
La probabilidad de doble uno, dado que el verde sale uno, es igual a
1
6

(Hay ms abajo una definicin ms exacto.) el siguiente concurso nos guiar a la definicin matemtica
de la probabilidad condicional:
CONCUR
SO

Aqu est una tabla que muestra los resulultados (ficticios) de un ensayo clnico de una nueva crema para
el acn
Us medicacin

Us placebo

Total

Condicin mejor

800

600

1400

No cambio

500

100

600

Condicin peor

200

300

500

Total

1500

1000

2500

(En estadsticas se refiere a este tipo de tabla como una tabulacin cruzada o una tabla de contingencia.)
Calcule las siguientes:
P La probabilidad de que la condicin de un participante mejor (sin importar el tratamiento)
es:

(Nota: Se puede ingresar todas las respuestas como fracciones.)

P Si supiramos de antemano que el participante us la medicacin , entonces la probabilidad


de que su condicin mejor es:

Este segunda probabilidad es probabilidad condicional: La probabilidad de que la condicin de un


participante mejor dado que us la medicacin. Si escribimos
E: La condicin de un participante mejor.
F: Un participante us la medicacin,

entonces la probabilidad que acabamos de calcular es P(E|F). Lo calculamos por tomar la razn
P( E

|F)

Nmero de los participantes cuya condicin mejor y quienes us la medicacin

=
Nmero de los participantes quienes us la medicacin

Nmero de los resultados en E F

=
Nmero de los resultados en F
n(E F)

=
n ( F)
P( E F)

P( F)
Divida arriba y abajo por n(S)

Probabilidad condicional
Si E y F son sucesos, entonces la probabilidad de E dado F se define como
P( E|F) =
P( E F )
P( F)

Si todos los resultados son equiprobables, entonces podemos usar en cambio la siguiente formula
alternativa:
P( E|F) =
n(E F)
n ( F)

Para frecuencia relativa, podamos usat:


P( E|F) =
fr(E F)
fr(F)
Recuerde que fr(G) significa la frecuencia del suceso G.

Ejemplos
1. Si haya una probabilidad del 10% de que la luna estar en la sptima casa y Jpiter se alinear con
Marte, y una probabilidad del 25% de que Jpiter se alinear con Marte, entonces cual es la probabilidad
de que la luna est en la sptima casa, dado que Jpiter se alinee con Marte?
Aqu, tome
L: La luna est en la sptima casa
J: Jpiter se alinea con Marte
P(L|J) =
P(L J)

P(J)

=
.10
.25
= .4

2. Hay una probabilidad del 10% de que Ud. viajar a Mxico y se encontrar a un desconocido alto y
moreno, y una probabilidad del 90% de que se encontrar a un desconocido alto y moreno.
P La probabilidad de que Ud. viajar a Mxico, dado que se encontrar a un desconocido alto y moreno
es:

3. Lance dos dados (uno rojo y uno verde) y sume los nmeros oientados hacia arriba. Let
E: El verde sale 5 .
F: La suma es 9 .

P(E|F) =

P(F|E) =

Probabilidad condicional de qu dado qu?


A veces puede ser un poco difcil determinar por la formulacin de una declaracin si se refiera a P(E|F)
o a P(F|E). El secreto es reformular la declaracin en la forma
La probabilidad de que _______ dado que (o suponiendo que) ________ es _________.
Aqu son algunos ejemplos (las letras subrayadas indican los nombres de los sucesos asociados.)

20% de los empleados que tomaron el curso mejoraron su productividad.


Reformulada: La probabilidad de que un empleado mejorara su productividad, suponiendo que
tom el curso, es .20. Por lo tanto, P(M|T) = .20
80% de los empleados que mejoraron su productividad haban tomado el curso.
Reformulada: La probabilidad de que un empleado haba tomado el curso, suponiendo que su
productividad mejor, es .80. Por lo tanto, P(T|M) = .80
La probabilidad de que un accidente relacionado con las llantas resulte en un vuelco is .35.
Reformulada: La probabilidad de [que un vehculo tenga] un vuelco, dado que ha experimentado
un accidente relacionada con las llantaas, es .35. Por lo tanto, P(V|T) = .35
La probabilidad de que vuelco haya resultado de un accidente relacionada con las llantas es .65.
Reformulada: La probabilidad de [que un vehculo ha experimentado] un accidente relacionado
con las llantas, dado que tuv un vuelco, es .65. Por lo tanto, P(T|V) = .65

Aqu estn algunos ejemplos para usted:


CONCUR
SO

Elija la formula apropiada para cada declaracin:

P(D|C) = .20

De todas las personas casadas, 20% tuvieron casas.

P(C|D) = .20
P(D C) = .20

P(D|C) = .20

Fue observado que 20% de las personas con casas fueron casadas.

P(C|D) = .20
P(C D) = .20

P(B|R) = .20

Q La probabilidad de que una persona pelirroja fue un estudiante de los


bellas artes is .20.

P(R|B) = .20
P(R B) = .20

P(B|R) = .20

Q La probabilidad de que una persona fue pelirrojo es .20 suponiendo que


sea elegido de los estudiantes de los bellas artes.

P(R|B) = .20
P(B R) = .20

P(V|B) = .20

Q Fue observado que 20% eran en viviendas subvencionadas y tuvieron


ingresos bajos .

P(B|V) = .20
P(V B) = .20

P(B|V) = .20

Q La probabilidad de que una persona tuv un ingreso bajo y era en


vivienda subvencionada es .20.

P(V|B) = .20
P(B V) = .20

CONCUR
SO

Unos de los 25,000 clientes de Conglomerado Colosal son clientes de "clase oro", y otros son clientes de
"clase platino." Aqu est una tabla que muestra los nmeros de los clientes en varios categoras:

Negocio pequeo

Clase oro

Clase platino

Total

8000

6000

14,000

Negocio grande

5000

1000

6000

Individuo

2000

3000

5000

Total

15,000

10,000

25,000

Asuma que se elija un cliente de Conglomerado Colosal al azar. Calcule las siguientes probabilidades:
P

La probabilidad de que un cliente de clase oro sea un negocio grande es:

(Nota: Se puede ingresar todas las respuestas como fracciones.)

La probabilidad de que un un individuo sea un cliente de clase platino es:

Ud. ha invertido en acciones de Clones Caseros S.A. pues el Departamento de Control de Alimentos y
Medicamentos (DCAM) est a punto de decidir s or no aprobar el equipo "Clone-su-Hermano-a-Casa"
de la compaia. Hay una probabilidad del 60% de que el DCAM aprobar el equipo, una probabilidad del
55% de que el valor de las acciones se doblar, y una probabilidad del 80% que el valor de las acciones se
doblar si el DCAM proba el equipo .
P La probabilidad de que el DCAM aprobar el equipo y tambin se doblar el valor de sus acciones
es:

Ahora tiene varias opciones:

Vaya delante a Part B por clicear el enlace "Tutorial siguiente" a la izquierda;


Pruebe algunas preguntas en el concurso verdadero/falso (aviso: cubre todo el capitulo 7) por
regresar a la pgina "Todo para matemticas finitas";
Pruebe algunos ejercicios de repaso o bien ejercicios de la Seccin 7.5 en el libro Matemticas
finitas o Matemticas finitas y clculo aplicado .

PROBABILIDAD CONDICIONAL E INDEPENDIENTE

Probabilidad condicionada
De Wikipedia, la enciclopedia libre
Saltar a navegacin, bsqueda
Probabilidad condicionada es la probabilidad de que ocurra un evento A, sabiendo que tambin
sucede otro evento B. La probabilidad condicional se escribe P(A|B), y se lee la probabilidad de A dado B.
No tiene por qu haber una relacin causal o temporal entre A y B. A puede preceder en el tiempo a B,
sucederlo o pueden ocurrir simultneamente. A puede causar B, viceversa o pueden no tener relacin

causal. Las relaciones causales o temporales son nociones que no pertenecen al mbito de la probabilidad.
Pueden desempear un papel o no dependiendo de la interpretacin que se le d a los eventos.
El condicionamiento de probabilidades puede lograrse aplicando el teorema de Bayes.

Definicin
Dado un espacio de probabilidad (,F,P) y dos eventos (o sucesos)

con P(B) > 0, la

probabilidad condicional de A dado B est definida como:

se puede interpretar como, tomando los mundos en los que B se cumple, la fraccin en los
que tambin se cumple A.

Interpretacin
se puede interpretar como, tomando los mundos en los que B se cumple, la fraccin en los
que tambin se cumple A. Si el evento B es, por ejemplo, tener la gripe, y el evento A es tener dolor de
cabeza,

sera la probabilidad de tener dolor de cabeza cuando se est enfermo de gripe.

Grficamente, si se interpreta el espacio de la ilustracin como el espacio de todos los mundos posibles, A
seran los mundos en los que se tiene dolor de cabeza y B el espacio en el que se tiene gripe. La zona verde
de la interseccin representara los mundos en los que se tiene gripe y dolor de cabeza
este caso

. En

, es decir, la probabilidad de que alguien tenga dolor de cabeza sabiendo que tiene

gripe, sera la proporcin de mundos con gripe y dolor de cabeza (color verde) de todos los mundos con
gripe: El rea verde dividida por el rea de B. Como el rea verde representa
representa a P(B), formalmente se tiene que:

y el rea de B

Propiedades
1.
2.

Pero NO es cierto que

La proporcin de zona verde dentro de B es la misma que la de A en todo el espacio y, de la misma forma,
la proporcin de la zona verde dentro de A es la misma que la de B en todo el espacio. Son sucesos
independientes.

Independencia de sucesos
Artculo principal: Independencia (probabilidad)
Dos sucesos aleatorios A y B son independientes si y slo si:

O sea que si A y B son independientes, su probabilidad conjunta,

P(A,B).

puede ser expresada como el producto de las probabilidades individuales. Equivalentemente:

En otras palabras, si A y B son independientes, la probabilidad condicional de A dado B es simplemente la


probabilidad de A y viceversa.

Exclusividad mutua

Los conjuntos A y B no intersecan. Son mutuamente excluyentes.


Dos sucesos A y B son mutuamente excluyentes si y slo si

. Entonces,

.
Adems, si P(B) > 0 entonces

es igual a 0.

La falacia de la probabilidad condicional


La falacia de la probabilidad condicional se basa en asumir que P(A|B) es casi igual a P(B|A). El
matemtico John Allen Paulos analiza en su libro El hombre anumrico este error muy comn cometido
por doctores, abogados y otras personas que desconocen la probabilidad.
La verdadera relacin entre P(A|B) y P(B|A) es la siguiente:

(Teorema de Bayes)

Problemas de ejemplo
---La paradoja del falso positivo--La magnitud de este problema es la mejor entendida en trminos de probabilidades condicionales.
Supongamos un grupo de personas de las que el 1 % sufre una cierta enfermedad, y el resto est bien.
Escogiendo un individuo al azar:

P(enfermo) = 1% = 0.01 y P(sano) = 99% = 0.99


Supongamos que aplicando una prueba a una persona que no tiene la enfermedad, hay una posibilidad del
1 % de conseguir un falso positivo, esto es:

P(positivo | sano) = 1% y P(negativo | sano) = 99%


Finalmente, supongamosque aplicando la prueba a una persona que tiene la enfermedad, hay una
posibilidad del 1 % de un falso negativo, esto es:

P(negativo | enfermo) = 1% y P(positivo | enfermo) = 99%

Ahora, uno puede calcular lo siguiente:

La fraccin de individuos en el grupo que estn sanos y dan negativo:

La fraccin de individuos en el grupo que estn enfermos y dan positivo:

La fraccin de individuos en el grupo que dan falso positivo:

La fraccin de individuos en el grupo que dan falso negativo:

Adems, la fraccin de individuos en el grupo que dan positivo:

Finalmente, la probabilidad de que un individuo realmente tenga la enfermedad, dado un resultado de la


prueba positivo:

En este ejemplo, debera ser fcil ver la diferencia entre las probabilidades condicionadas P (positivo |
enfermo) (que es del 99 %) y P (enfermo | positivo) (que es del 50 %): la primera es la probabilidad de que
un individuo enfermo de positivo en la prueba; la segunda es la probabilidad de que un individuo que da
positivo en la prueba tenga realmente la enfermedad. Con los nmeros escogidos aqu, este ltimo
resultado probablemente sera considerado inaceptable: la mitad de la gente que da positivo en realidad
est sana.

La probabilidad de tener una enfermedad rara es de 0,001: P(enfermo) = 0,001

La probabilidad de que cuando el paciente est enfermo se acierte en el diagnstico es de 0,99: P(positivo
| enfermo) = 0,99
La probabilidad de falso positivo es de 0,05: P(positivo | sano) = 0,05
Pregunta: Me dicen que he dado positivo, Qu probabilidad hay de que tenga la enfermedad?

Probabilidad Independiente
De Wikipedia, la enciclopedia libre
Saltar a navegacin, bsqueda
En teora de probabilidades, se dice que dos sucesos aleatorios son independientes entre s cuando la
probabilidad de cada uno de ellos no est influida por que el otro suceso ocurra o no, es decir, cuando
ambos sucesos no estn correlacionados.

Definicin formal
Dos sucesos son independientes si la probabilidad de que ocurran ambos simultneamente es igual al
producto de las probabilidades de que ocurra cada uno de ellos, es decir, si A y B son dos sucesos, y P(A) y

P(B) son las probabilidades de que ocurran respectivamente entonces:

A y B son independientes si y solo si

Motivacin de la definicin

Sean A y B dos sucesos tales que P(B) > 0, intuitivamente A es independiente de B si la probabilidad de A
condicionada por B es igual a la probabilidad de A. Es decir si:

De la propia definicin de probabilidad condicionada:

se deduce que
deducimos trivialmente que

y dado que
.

Si el suceso A es independiente del suceso B, automticamente el suceso B es independiente de A.

Propiedades
La independencia de sucesos es algo muy importante para la estadstica y es condicin necesaria en
multitud de teoremas. Por ejemplo, una de las primeras propiedades que se deriva de la definicin de
sucesos independientes es que si dos sucesos son independientes entre s, la probabilidad de la interseccin
es igual al producto de las probabilidades.

1.3 Probabilidad Condicional e independencia

En los problemas vistos hasta ahora, las probabilidades de los eventos se han calculado
libremente, sin ninguna restriccin y sin relacionarlos con la ocurrencia de otros eventos. Sin

embargo, muchas veces necesitamos encontrar la probabilidad de un evento A que est sujeto
o condicionado a que haya sucedido otro evento B, al cual pertenece una parte del primero.

Escribiremos P(A | B) y significa la probabilidad del evento A a condicin de que


ocurra el evento B.
Para que tenga validez lo anterior debe de cumplirse que:

1. Los eventos A y B pertenezcan al mismo espacio muestral S.


2. La probabilidad del evento condicin debe ser mayor que cero, esto es, P(B)>0.
3. Al condicionar la ocurrencia del evento A al evento B, se realiza un cambio del espacio
muestral S, actuando en su lugar el evento B como espacio muestral reducido; por lo que
el evento (A | B) ser la fraccin de A que corresponde a B, que como ya vimos es la
interseccin de A y B.

De acuerdo a lo anterior, podemos decir que:

Si A y B son cualquier evento es el espacio muestral S y P(B)>0, la probabilidad del evento A a


condicin de que ocurra el evento B est dada por.

Esto se puede apreciar fcilmente mediante el diagrama de Venn

10.7 DEPENDENCIA E INDEPENDENCIA DE EVENTOS


Probabilidad Condicional
Es general el hecho que en un fenmeno aleatorio intervengan ms de una condicin,
que a stas, se incorporen nuevas condiciones, sobre las cuales se desarrolla el
fenmeno.
El agregar una nueva condicin, puede modificar considerablemente la probabilidad del
resultado de una operacin u observacin individual.
La probabilidad de seleccionar un lapicero verde, en un almacn de artculos de oficina,
es diferente a la probabilidad de seleccionar un lapicero en un estante de lapiceros.
En tanto no se tome en cuenta la nueva condicin, se tiene la probabilidad del evento,
si se toma en cuenta la nueva condicin se tiene la probabilidad condicional del
evento.
P(Evento A/dado el evento B) = P(A/B) = P(AB)/P(B)
De los teoremas derivados de la definicin anterior, se tiene el Teorema o Regla de la
Multiplicacin:
Para toda coleccin de n+1 eventos A0, A1, A2,........An-1, An para el cual:
P(A0 A1 ....... An-1) > 0
P(A0 A1...... An) = P(A0) P(A1/A0) P(A2/A0 A1) ... P(An/A0A1 ... An-1)
La probabilidad condicional del evento A dado el evento B es la probabilidad de A en el
espacio de probabilidad del evento B.
Teorema de la Probabilidad Total

Este teorema es de suma importancia para la asignacin de probabilidades, en


fenmenos complejos (como los operados en el campo de las Bases de Datos) y se
describe as :
Si {Hn} es una coleccin numerable de eventos incompatibles para la cual es:

entonces para todo evento A es

donde N es el nmero natural o es infinito segn que los Hn conformen una coleccin
finita o infinita numerable, respectivamente.
Eventos Independientes
La nocin de eventos independientes tiene un papel muy importante en la Teora de la
Probabilidad, pues ciertas relaciones que se presentan una y otra vez en problemas de
probabilidad, pueden tener formulacin general en trminos de esta nocin.
Por tanto, dos eventos A y B se dicen independientes si se cumple:
P(AB) = P(A) .P(B)
As, si tiramos dos veces una moneda correcta y se define los eventos:
A: primera tirada resulta en cara
B: segunda tirada resulta en cara
y sabemos que
P(AB) = P(cara, cara) = 1/4
porque cara, cara es uno de los cuatro eventos elementales igualmente posibles, y
adems se tiene que:
P(A) = P(cara, cara) + P(cara, sello) = 1/2
P(B) = P(cara, cara) + P(sello, cara) = 1/2
de donde
P(A) P(B) = 1/4 = P(AB)
Teoremas Derivados
Teorema: Si A y B son eventos independientes, tambin lo son los eventos A y C(B).
Teorema: Bajo la hiptesis P(B) > 0, una condicin necesaria y suficiente para que los
eventos A y B, sean independientes es que :

P(A/B) = P(A)
Un ejemplo clsico: Al tirar una moneda correcta dos veces, sean los eventos
A: Cara la primera tirada
B: Cara la segunda tirada
C: El mismo lado en las dos tiradas
para lo que se tiene:
P(A) = P(B) = P(C) = 1/2
P(AB) = P(AC) = P(BC) = 1/4
P(ABC) = 1/4
luego:
P(A) P(B) P(C) = 1/18 = 1/4 = P(ABC)
en cambio al tirar una moneda tres veces se define los eventos
Ai: cara en la i-sima tirada, i = 1, 2, 3
se puede probar que
P(Ai) = 1/2 y P(A1 A2 A3) = 1/8
Teorema: Si los eventos de una clase C son independientes y si alguno o todos los
eventos en C son reemplazados por sus eventos.
Teorema: Si A y B son eventos independientes, tambin lo son los eventos A y B son
eventos independientes, tambin lo son los eventos A y

Teorema: Bajo la Hiptesis P (B) > 0, una condicin necesaria y suficiente para que los
eventos A y B sean independientes es que

Suficiencia: Si, ahora suponemos

, por el teorema de multiplicacin

por lo que A y B son independientes.


Definicin. SeaC una coleccin de eventos. Se dice que los eventos en C son
totalmente independientes (o estocsticamente independientes), o simplemente que
son independientes, si la probabilidad de la ocurrencia conjunta de cualquier nmero
finito de ellos es igual al producto de sus probabilidades individuales.

Esta definicin implica que para toda coleccin finita


A1, A2, ..., AN de eventos en C se cumple

As, por ejemplo, si Cconsiste slo de tres eventos A, B, C, se dir que ellos son
independientes si se cumplen las ecuaciones siguientes:

Si se cumple las tres primeras ecuaciones pero no la ltima, se dice que los eventos A,
B, C son independientes dos a dos. Como se comprobar por el siguiente ejemplo, si
los eventos de una coleccin son independientes dos a dos, ellos no son
necesariamente independientes.
La definicin anterior podemos asociarla al acceso a datos de entidades (tablas o
ficheros) independientes, dentro de una Base de Datos.
Ejemplo: Al tirar una moneda correcta dos veces, sean los eventos
A : Cara en la primera tirada
B : Cara en la segunda tirada
C : El mismo lado en las dos tiradas
para los cuales se tiene

luego

En cambio si al tirar una moneda tres veces se definen los eventos

Ai : Cara en la i-sima tirada, i = 1, 2, 3


se puede probar que

de lo cual se concluye que los tres eventos Ai son independientes.


Nota.De la definicin de independencia completa se sigue que si C es una coleccin
N
finita con N eventos, para decidir sobre su total independencia hay que comprobar 2 N-1 ecuaciones para probabilidades de intersecciones, pues el nmero total de
N
subconjuntos de C es 2 incluyendo el conjunto vaco y los conjuntos formados por un
solo elemento de C.
Como consecuencia de la definicin de independencia total de eventos se tiene una
generalizacin del teorema 2.5 en el siguiente teorema.
Teorema: Si los eventos de una clase C son independientes y si algunos o todos los
eventos en C son reemplazados por sus eventos contrarios, entonces los eventos en la
clase C resultante son tambin independientes.
Ensayos Repetidos
Al tratar de la caracterizacin de un fenmeno aleatorio, se ha establecido como uno
de los rasgos la posibilidad de "repetir indefinidamente, bajo condiciones idnticas", la
observacin. Estas observaciones constituyen ensayos repetidos, conceptos que
pueden ser formulados analticamente usando la nocin de independencia estocstica.
Para ello, consideremos el espacio muestral

asociado a un cierto fenmeno

aleatorio, en una sola observacin. Supongamos que los elementos de


son w1, w2,
..., a los cuales se les asigna probabilidades p1, p2, ... . Si se realizan dos
observaciones sucesivas de este fenmeno, el espacio muestral asociado
tiene
como elementos los pares (wi, wj), a los cuales se les puede asignar probabilidades de
varias maneras. Si las condiciones son idnticas para las dos observaciones, se
implica la independencia de las mismas, puesto que el resultado de la primera no
influye en el resultado de la segunda observacin, lo que significa que el evento "el
primer resultado es wi" y el evento "el segundo resultado es wj" son independientes, o
que

Este resultado asigna una probabilidad a cada evento elemental en

y define una

funcin probabilidad sobre el conjunto potencia a


. Adems, con esta funcin
probabilidad se puede demostrar que todos los eventos en el segundo ensayo son
independientes de eventos en el primer ensayo. Para los propsitos de la teora de
probabilidad, esto describe "experimentos idnticos".
La generalizacin de estas consideraciones a una sucesin de n observaciones, lleva a
la siguiente definicin.
Definicin: Sea
un espacio muestral con elementos w1, w2..., cuyas probabilidades
son p1, p2,... . El espacio muestral cuyos elementos son las n-tuplas (wi1, wi2, ... win) a
los cuales se les asigna las probabilidades

es considerado como n ensayos independientes correspondientes al espacio

Aparte de la independencia de eventos, se puede considerar tambin la nocin de


independencia de familias de eventos, clases eventos.
Definicin: SeanA y B dos clases de eventos, es decir Ay B son conjuntos cuyos
elementos son eventos en algn espacio
. Se dice que dos familiasA y B son
independientes si cada dos eventos seleccionados uno de cada familia, digamos A
A y B B, son independientes.
Esta definicin puede ser generalizada mediante lo siguiente:
Definicin: Sea{A

} una familia de clases de eventos. Decimos que estas

clases de eventos son independientes si para cada seleccin


eventos {B

los

} son independientes.

El teorema que se enuncia y demuestra a continuacin, proporciona por lo menos un


par de familias independientes de eventos.
Teorema: Sean A y B dos eventos independientes y sean las clases o familias de
eventos

A=

B=

Entonces, las familias A y B son independientes.

4.10 Probabilidad condicionada e independencia de


sucesos
Sea
otro suceso

un suceso aleatorio de probabilidad no nula,

. Para cualquier

, llamamos probabilidad condicionada de A a B a la cantidad que

representamos mediante

o bien

y que se calcula como:

4.10.0.1 Ejemplo
Se lanza un dado al aire Cul es la probabilidad de que salga el nmero 4? Si sabemos que el
resultado ha sido un nmero par, se ha modificado esta probabilidad?

Solucin:
El espacio muestral que corresponde a este experimento es

y se ha de calcular la probabilidad del suceso


. Si el dado no est trucado,
todos los nmeros tienen la misma probabilidad de salir, y siguiendo la definicin de
probabilidad de Laplace,

Obsrvese que para calcular la probabilidad de A segn la definicin de Laplace hemos


tenido que suponer previamente que todos los elementos del espacio muestral tienen la
misma probabilidad de salir, es decir:

Por otro lado, si ha salido un nmero par, de nuevo por la definicin de probabilidad de
Laplace tendramos

Esta misma probabilidad se podra haber calculado siguiendo la definicin de la


probabilidad condicionada, ya que si escribimos

y entonces

que por supuesto coincide con el mismo valor que calculamos usando la definicin de
probabilidad de Laplace.

4.10.0.2 Observacin
Obsrvese que segn la definicin de probabilidad condicionada, se puede escribir la
probabilidad de la interseccin de dos sucesos de probabilidad no nula como

O sea, la probabilidad de la interseccin de dos sucesos, es la probabilidad de uno


cualquiera de ellos, multiplicada por la probabilidad del segundo sabiendo que ha
ocurrido el primero.
Si entre dos sucesos no existe ninguna relacin cabe esperar que la expresin ``sabiendo
que'' no aporte ninguna informacin. De este modo introducimos el concepto de
independencia de dos sucesos A y B como:

Esta relacin puede ser escrita de modo equivalente, cuando dos sucesos son de
probabilidad no nula como

4.10.0.1 Ejemplo
4.10.0.2 Observacin

1.3.5 Teorema de Bayes

La interpretacin ms aceptada del teorema de Bayes, es que su estructura permite el calculo


de probabilidades despus de haber sido realizado un experimento (probabilidades
aposteriori), basndose en el conocimiento de la ocurrencia de ciertos eventos que dependan
del evento estudiado, o sea, se parte de probabilidades conocidas antes de efectuar el
experimento (probabilidades apriori), las cuales son afectadas por las probabilidades propias
del experimento (las que aparecen durante la ocurrencia del evento).

Continuando nuestro anlisis sobre el teorema de Bayes, la probabilidad condicional de Ai


dado B, para cualquier i, es:

Aplicando en el numerador la Regla de Multiplicacin P(AiB) = P(Ai) P(B|Ai) y en el


denominador el Teorema de Probabilidad Total P(B) = P(A1) P(B | A1) + P(A2) P(B | A2) + . . . +
P(An) P(B | An), obtenemos la ecuacin que representa al:

Teorema de Bayes

Ejemplo 3. 11. Referente al problema de la fbrica que produce dos tipos de reguladores A y B
visto anteriormente en la aparte corresponde al Teorema de Probabilidad Total, cabe hacer el
siguiente anlisis: si se selecciona un regulador al azar de la produccin de la fbrica y se ve
que funciona bien Cul es la probabilidad de que sea del tipo B?

Solucin

En este caso el estudio se restringe a los reguladores que funcionan bien, por lo que
ese evento acta como espacio muestral reducido, o sea como evento condicin. Por
lo tanto, el planteamiento de la pregunta es P(B | F).
Los datos que se tienen son :

P(A) = 0.75

P(F | A) = 0.95

P(B) = 0.25

P(F | B) = 0.98

De acuerdo al Teorema de Bayes:

Podemos observar que el denominador corresponde al resultado obtenido al aplicar el


Teorema de Probabilidad Total, lo cual debe ser as, ya que la probabilidad condicional
establece que

. De esta forma podemos ver que la Probabilidad

Total es el denominador de la frmula del Teorema de Bayes. Tambin podemos observar que
aplicando los conceptos de la Regla de Multiplicacin y del Teorema de Probabilidad Total
llegamos al planteamiento del teorema de Bayes, Veamos:

Ejemplo 3. 12. Una fbrica que produce material para la construccin tiene 3
mquinas, a las que se les denomina A, B y C. La mquina A produce tabique, la B
adoqun y la C losetas. La mquina A produce el 50% de la produccin total de la
fbrica, la B el 30% y la C el 20%. Los porcentajes de artculos defectuosos producidos

por las mquinas son, respectivamente, 3%, 4% y 5%. Si se selecciona un artculo al


azar y se observa que es defectuoso, encontrar la probabilidad de que sea un tabique.

Solucin

Definamos el evento D como sea un artculo defectuoso. De acuerdo a esto tenemos


que:

P(A) = 0.5

P(D | A) = 0.03

P(B) = 0.3

P(D | B) = 0.04

P(C) = 0.2

P(D | C) = 0.05

Si el artculo del que deseamos calcular la probabilidad es un tabique, significa


que es producido por la mquina A. Tambin observamos que en la solucin
solamente participan los artculos defectuosos, ya que se pone por condicin esta
caracterstica. Por lo tanto:

Ejemplo 3. 13. A un congreso asisten 100 personas, de las cuales 65 son hombres y 35
son mujeres. Se sabe que el 10% de los hombres y el 6% de las mujeres son
especialistas en computacin. Si se selecciona al azar a un especialista en computacin
Cul es la probabilidad de que sea mujer?

Solucin

Definamos los eventos:

H:

Sea un hombre

M: Sea una mujer


E:

La persona sea especialista en computacin

Tenemos que:

Por lo tanto: