Professional Documents
Culture Documents
Introducción a la Probabilidad
Principios de probabilidad
Clásico Eventos
independientes
Eventos
complementarios
Introducción a la probabilidad
Ecua. 13.1
Por ejemplo, asumiendo que durante el año anterior hubo 50 nacimientos en un hospital
local, de los cuales 32 de los recién nacidos eran niñas. El modelo de frecuencia relativa
revela que la probabilidad de que el siguiente nacimiento (o un nacimiento seleccionado
aleatoriamente) sea una niña es
𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑛𝑖ñ𝑎𝑠 𝑞𝑢𝑒 𝑛𝑎𝑐𝑖ó 𝑒𝑙 𝑎ñ𝑜 𝑎𝑛𝑡𝑒𝑟𝑖𝑜𝑟 32
𝑃 (𝑛𝑖ñ𝑎) = =
𝑁ú𝑚𝑒𝑟𝑜 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑛𝑎𝑐𝑖𝑚𝑖𝑒𝑛𝑡𝑜𝑠 50
Otro ejemplo. Un importador de cristal irlandés de Nueva York recibe envíos de cajas de
tres artículos. Los datos para las últimas 100 cajas indicaron el número de artículos
dañados que había en cada caja. Por ejemplo, mostraba que en 40 de las cajas ningún
artículo se había dañado mientras que en 12 de las cajas todos los tres artículos se
habían roto.
Resultado (E.)
(número de Número de
defectos) cajas P(E1)
0 40 40/100 = 0.40
2 21 21/100 = 0.21
3 12 12/100 = 0.12
100 1.00
En el pasado, 21 de las 100 cajas totales contenían exactamente dos artículos dañados.
Entonces el modelo de frecuencia relativa asignaría una probabilidad de que dos artículos
en cualquier caja dada estuvieran dañados así P (2) - 21 /100 = 0.21. La probabilidad para
cada resultado individual se muestra en la última columna, la cual suma 1.
De los tres métodos para medir la probabilidad, el modelo clásico es el que se relaciona
con mayor frecuencia con las apuestas y juegos de azar. La probabilidad clásica de un
evento E se determina mediante:
Aun sin conocer a fondo la probabilidad clásica, se puede estar consciente de que la
probabilidad de obtener una cara en un solo lanzamiento de una moneda es de la mitad.
Esto puede ilustrarse utilizando la fórmula (13.2) así:
Existe sólo una forma en que puede ocurrir el evento (se obtiene una cara), y existen dos
posibles resultados (una cara y un sello). De igual forma, la probabilidad de sacar un 3
con un dado de seis caras es:
Ejercicios
a. El índice Dow Jones del precio de las acciones hoy cerrará alto.
2. Cite tres ejemplos de negocios para cada uno de los tres modelos de probabilidad.
3. La siguiente tabla muestra el número de computadores vendidos diariamente por una
tienda minorista.
b. Menos de 3
c. Más de 1
d. Por lo menos 1
b. Bajas
c. Altas
5 = {cara, cruz}
Se dice que los eventos son mutuamente excluyentes si uno y sólo uno de ellos puede
tener lugar a un tiempo. Considere de nuevo el ejemplo de la moneda. Tenemos dos
resultados posibles, cara y cruz. En cualquier lanzamiento obtendremos una cara o una
cruz, nunca ambas. En consecuencia, se dice que los eventos cara y cruz en un solo
lanzamiento son mutuamente excluyentes. De manera parecida, usted puede pasar o
reprobar una materia o, antes de que termine el curso, desertar y no obtener calificación.
Solamente uno de esos tres resultados es posible, por tanto, se dice que son eventos
mutuamente excluyentes. La pregunta fundamental que se debe formular al decidir si
ciertos eventos son mutuamente excluyentes es: ¿pueden ocurrir dos o más de tales
eventos al mismo tiempo? Si la respuesta es afirmativa, los eventos no son mutuamente
excluyentes.
Cuando una lista incluye todos los eventos que pueden resultar de un experimento, se
dice que la lista es colectivamente exhaustiva. En el ejemplo de la moneda, la lista —cara
y cruz—, es colectivamente exhaustiva (a menos, por supuesto, que la moneda caiga
parada cuando la lancemos). En una campaña presidencial, la lista de resultados
"candidato demócrata y candidato republicano" no es una lista colectivamente exhaustiva,
pues puede haber un candidato independiente o de algún otro partido que esté
participando en las elecciones.
Ejercicios
Ejercicios de autoevaluación
13.2 Dé la probabilidad de cada uno de los siguientes totales al lanzar dos dados: 1, 2,
5,6, 7,10 y 11.
a) Dos lanzamientos.
b) Tres lanzamientos.
13.6 Considere una pila de nueve cartas todas de espadas, numeradas del 2 al 10,
y un dado. Proporcione una lista colectivamente exhaustiva de los resultados
posibles al lanzar el dado y destapar una carta. ¿Cuántos elementos hay en
el espacio muestral?
2 3 8 9 12 14 16
Costo de campaña
especial dirigida a
Porción de mercado cada grupo
Minorías $350,000
Empresarios $550,000
Mujeres $250,000
Profesionistas y trabajadores de oficina $250,000
Obreros $250,000
Una probabilidad sencilla quiere decir que sólo un evento puede llevarse a cabo. Se le
conoce como probabilidad marginal o incondicional. Para ilustrar un poco a lo que nos
referimos, supongamos que se hace una rifa entre 50 miembros de un grupo escolar de
un viaje gratis al Festival Nacional de Rock. La rifa consiste en sacar el boleto premiado
de un total de 50 boletos. Cualquiera de los estudiantes podría calcular su probabilidad de
ganar mediante la siguiente formulación:
1
𝑃 (𝐺𝑎𝑛𝑎𝑟) =
50
= 0.02
En este caso, la posibilidad de que un estudiante gane es de 1 entre 50, debido a que
tenemos la certeza de que los eventos posibles son mutuamente excluyentes, es decir,
solamente un estudiante puede ganar.
Existe una buena forma de ilustrar, por medio de diagramas, este ejemplo y otros
conceptos de probabilidad. Usamos una representación gráfica conocida como diagrama
de Veringa honor al matemático inglés del siglo XIX, John Venn. En tales diagramas, el
espacio muestral completo se representa mediante un rectángulo y los eventos se
representan como partes de ese rectángulo. Si dos eventos son mutuamente excluyentes,
las partes correspondientes de éstos en el rectángulo no se traslaparán, como se muestra
en el diagrama (a) de la figura 13.1. Si dos eventos no son mutuamente excluyentes, sus
partes correspondientes en el rectángulo sí se traslapan, como se ilustra en el diagrama
(b) de la figura 13.1
Probabilidad
Usemos esta fórmula con un ejemplo. Cinco estudiantes por igual capaces esperan la
fecha en que se les hará una entrevista para trabajar en el verano. La compañía
solicitante ha anunciado que contratará a sólo uno de los cinco, mediante una elección
aleatoria. El grupo está formado por los estudiantes siguientes: Bill, Helen, John, Sally y
Walter. Si nuestra pregunta es, ¿cuál es la probabilidad de que John sea elegido?,
podemos utilizar la ecuación 13.2 y obtener la respuesta.
1
𝑃 (𝐽𝑜ℎ𝑛) =
5
= 0.2
FIGURA 13.1
FIGURA 13.2
1 1
= +
5 5
2
=
5
= 0.4
Calculemos una vez más la probabilidad de que sucedan dos o más eventos. La tabla
13.2 contiene los datos sobre el tamaño de las familias de un cierto pueblo. Estamos
interesados en la pregunta, ¿cuál es la probabilidad de que una familia de este pueblo,
escogida al azar, tenga cuatro o más hijos (es decir cuatro, cinco, seis o más hijos?
Haciendo uso de la ecuación 13.3, podemos calcular la respuesta a nuestra pregunta;
= 0.30
Existe un caso especial importante de la ecuación 13.3. Para cualquier evento A, tenemos
que éste sucede o no sucede. De modo que los eventos A y no A son mutuamente
excluyentes y exhaustivos. Aplicando la ecuación 13.3 obtenemos el resultado
P(A) + P (no A) = 1
o de manera equivalente:
P(A) = 1 – P (no A)
Por ejemplo, refiriéndonos de nuevo a la tabla 13.2, la probabilidad de que una familia
tenga cinco o menos hijos se puede calcular con mayor más facilidad si restamos a 1 la
probabilidad de que en la familia haya seis O más hijos, con lo cual tenemos que esta
probabilidad es de 0.95.
Regla de adición para eventos que no son mutuamente excluyentes Si dos eventos no
son mutuamente excluyentes, es posible que ambos se presenten al mismo tiempo. En
tales casos, debemos modificar la regla de adición. Por ejemplo, ¿cuál es la probabilidad
de sacar un as aun corazón de un mazo de barajas? Obviamente, los eventos as y
corazón pueden presentarse juntos, pues podríamos sacar una as de corazones. En
consecuencia, as y corazón no son eventos mutuamente excluyentes. Debemos ajustar la
ecuación 13.3 para evitar el conteo doble, es decir, tenemos que reducir la probabilidad
de obtener un as o un corazón por la posibilidad de obtener ambos eventos juntos.
Tabla 13.2
4 13 1
= + −
52 2 52
16 4
= 𝑜
52 13
Trabajemos un segundo ejemplo. Los empleados de una cierta compañía han elegido a
cinco de ellos para que los representen en el consejo administrativo y de personal sobre
productividad. Los perfiles de los cinco elegidos son:
1. hombre edad 30
2. hombre 32
3. mujer 45
4. mujer 20
FIGURA 13.3
2 2 1
= + −
5 5 5
3
=
5
Podemos verificar nuestro trabajo mediante inspección y ver que de los cinco empleados
del grupo, tres cumplirían con el requisito de ser mujer o de tener más de 35 años.
Probabilidades bajo condiciones de dependencia estadística
1. Condicional.
2. Conjunta.
3. Marginal.
Suponga que tenemos una caja que contiene 10 bolas distribuidas de la siguiente
manera:
La probabilidad de sacar cualquiera de las bolas es de 0.1, ya que existen 10 bolas con
igual probabilidad de ser elegidas. El análisis de los ejemplos siguientes se hará más
sencillo si nos remitimos a la tabla 13.3 y a la figura 13.4, en las que se muestra el
contenido de la caja en forma de diagrama.
Ejemplo 1. Suponga que una persona saca de la caja una bola de color, ¿cuál es la
probabilidad de que ésta tenga puntos? ¿Cuál es la probabilidad de que tenga franjas?
1 0.1
3 0.1
Tabla 13.3
4 0.1 de color y con franjas
Color y
configuración de 10 5 0.1
bolas
6 0.1 grises y con puntos
7 0.1
8 0.1
10 0.1
3
𝑃 (𝐷|𝐶 ) = = 0.75
4
1
𝑃 (𝑆|𝐶 ) = = 0.25
4
𝟏. 𝟎𝟎
En otras palabras, tres cuartos de las bolas de color tienen puntos y un cuarto tienen
franjas. Así pues, la probabilidad de sacar una bola con puntos, dado que ésta es de
color, es de 0.75. De forma parecida, la probabilidad de obtener una bola con franjas,
dado que ésta es de color, es de 0.25.
Ahora podemos ver cómo nuestro razonamiento nos permitirá desarrollar una fórmula
para calcular la probabilidad condicional bajo dependencia estadística. Primero, podemos
asegurarnos a nosotros mismos que tales eventos son estadísticamente dependientes si
observamos que el color de las bolas determina la probabilidad de que éstas tengan
puntos o franjas. Por ejemplo, es más probable que una bola gris tenga franjas que una
bola de color. Como el color afecta la probabilidad de que la bola tenga puntos o f ranjas,
estos eventos son dependientes.
Para calcular la probabilidad de obtener una bola con puntos dado que es de color,
P(D│C), dividimos la probabilidad de que la bola sea de color y tenga puntos (tres de 10,
es decir 0.3) entre la probabilidad de que la bola sea de color (cuatro de 10, es decir, 0.4):
𝑃(𝐷𝐶)
𝑃 (𝐷|𝐶 ) =
𝑃(𝐶)
Expresada como una fórmula general y utilizando las letras A y B para representar los dos
eventos, la ecuación queda:
Probabilidad condicional para eventos dependientes estadísticamente
𝑃(𝐵𝐴)
𝑃(𝐵|𝐴) = [13.5]
𝑃(𝐴)
Ejemplo 2. Continuando con nuestro ejemplo de las bolas de color y grises, respondamos
a las preguntas, ¿cuál es la probabilidad de P(D│Q) y P(S|G)?
Solución
𝑃(𝐷𝐺 ) 0.2 1
𝑃 (𝐷|𝐺 ) = = =
𝑃(𝐺 ) 0.6 3
𝑃(𝑆𝐺) 0.4 2
𝑃(𝑆 |𝐺 ) = = =
𝑃(𝐺) 0.6 3
𝟏. 𝟎
La probabilidad total de que la bola sea gris es de 0.6 (seis de 10 bolas). Para determinar
la probabilidad de que la bola (que sabemos es gris) tenga puntos, dividimos la
probabilidad de que sea gris y tenga puntos (0.2) entre la probabilidad de que sea gris
(0.6), o 0.2/0.6 = 1/3. De manera parecida, para determinar la probabilidad de que la bola
tenga franjas, dividimos la probabilidad de que sea gris y tenga franjas (0.4) entre la
probabilidad de que sea gris (0.6), es decir, 0.4/0.6 = 2/3.
Considere ahora la figura 13.8, en la que se muestra la probabilidad de obtener una bola
de color y la de obtener una gris, dado que la bola tiene puntos. Note que las
proporciones relativas de las dos probabilidades son 0.4 y 0.6. Los cálculos que se
hicieron para llegar a estas cifras fueron:
𝑃(𝐺𝐷) 0.2
𝑃 (𝐺 |𝐷) = = = 0.4
𝑃 (𝐷) 0.5
𝑃(𝐶𝐷) 0.3
𝑃(𝐶 |𝐷) = = = 0.6
𝑃(𝐷) 0.5
𝟏. 𝟎
FIGURA 13.8
Probabilidad de
obtener una bola con
puntos o una con
franjas dado que la
que se sacó es gris.
FIGURA 13.7
Contenido de la caja
clasificada por
configuración: con
puntos y con franjas.
Ejemplo 4 Calcule P(C | 5) y P(G | 5)
Solución
𝑃(𝐶𝑆) 0.1
𝑃(𝐶 |𝑆) = = = 0.2
𝑃 (𝑆) 0.5
𝑃(𝐺𝑆) 0.4
𝑃(𝐶 |𝐷) = = = 0.8
𝑃(𝑆) 0.5
𝟏. 𝟎
𝑃 (𝐵𝐴)
𝑃(𝐵 |𝐴) =
𝑃 (𝐴)
Observe que esta fórmula no es P(BA) = P{AB) X P(A), como sería el caso si
estuviéramos en condiciones de independencia estadística.
De manera parecida, la probabilidad marginal del evento bola gris se puede calcular
sumando la probabilidad de los dos eventos conjuntos en los que se presenta una bola
gris:
Igualmente, podemos calcular la probabilidad marginal del evento bola con puntos
mediante la suma de la probabilidad de los dos eventos conjuntos en los que se tiene una
bola con puntos:
Estas cuatro probabilidades marginales, P(C) = 0.4, P(G) = 0.6, P(D) = 0.5 y P(S) = 0.5,
se pueden verificar mediante una inspección de la tabla 13.3.
Ahora ya hemos analizado los tres tipos de probabilidad (condicional, conjunta y marginal)
que se tienen en condiciones de dependencia estadística. En la tabla 13.4 se presenta un
resumen de las fórmulas desarrolladas para las probabilidades bajo ambas condiciones
de independencia estadística y de dependencia estadística.
𝑃(𝐵𝐴)
𝑃(𝐴)
Condicional P(B│A) P(B)
𝑃(𝐴𝐵)
𝑃(𝐵)
o P(A│B) P(A)
Ejercicios
1) De acuerdo con una encuesta, la probabilidad de que una familia posea dos
automóviles si su ingreso anual es mayor que $35,000 es 0.75. De los
hogares encuestados, 60% tenía ingresos mayores que $35,000 y 52% tenía
dos autos. ¿Cuál es la probabilidad de que una familia tenga dos autos y un
ingreso mayor que $35,000 al año?
a) no ocurra ni A ni B.
4) Dado que P(A) - 3/4, P(B) = 1/6, P(C) = 1/3, P(AC) = 1/7 y P(B|C) = 5/21,
encuentre las siguientes probabilidades: P(A|C), P(C|A), P(BC) y P(C|B).
5) Suponga que para dos eventos A y B, P(A) = 0.65, P(B) = 0.80, P(A|B) = P(A)
y P(B|A) = 0.85. ¿Es ésta una asignación de probabilidades consistente?
Explique.
Licenciatura 44 26 72
Posgrado 24 61 20
Académicos 16 69 18
84 156 110
P[A ∩ B]
𝑃[A | B] = . P[B] > 0
P[B]
P[A ∩ B]
𝑃[B | A] = . P[A] > 0
P[A]
Multiplicando ambos miembros de la expresión (1) por P[B] y por P[A] la expresión (2),
obtenemos las ecuaciones
E = A1 ∩ A2 = A1A2
Después de la ocurrencia del evento Alf queda 10 bolas de las cuales 4 son blancas,
luego
4
𝑃[𝐴2 |A1 ] =
10
Por lo tanto
5 4 2
𝑃[𝐸] = 𝑃[𝐴2 |A1 ] = 𝑥 =
11 10 11
Fig. 13.9
(5) 5!
𝑃[𝐸] = 2 = 2! 3! = 2
(11) 11! 11
2 2! 9!
(b) Con reemplazo. En este caso también el evento E se escribe como la intersección de
los eventos A1 y A2. O sea E = A1A2. Y la ocurrencia de A1 no afecta a la ocurrencia de
A2. En efecto:
5
𝑃[𝐴1 ] =
11
5
𝑃[𝐴2 |A1 ] =
11
Fig. 13.10
Ejemplo 6. En el ejemplo 13. ¿Cuál es la probabilidad de obtener una bola do cada color?
En este caso la probabilidad pedida, es, la del evento E formado por la unión de los
eventos A1B2 y B1A2, es decir, E = A1B2 U B1A2 y como dichos eventos son mutuamente
excluyentes, tenemos
La ocurrencia del primer evento influye en la ocurrencia del segundo. Pues lo que en la
urna hay 11 bolas de las cuales 5 son blancas, se tiene
5
𝑃[𝐴1 ] =
11
Similarmente P[A2 | B1] = 5/10. Por lo tanto, reemplazando estos resultados en (1) se
obtiene:
5 6 6 5 6
𝑃[𝐸] = 𝑥 + 𝑥 =
11 10 11 10 11
Fig. 13.11
Cada rama completa del diagrama del árbol, se llama una trayectoria y representa un
posible resultado del experimento. En cada segmento que une la secuencia de
experimentos se pone sus respectivas probabilidades.
11
Segunda forma. El número de formas de extraer dos bolas de 11 es ( )
2
5
Número de sucesos favorables al evento E: Existen ( ) formas de elegir una bola blanca
1
6
y ( ) formas de elegir una bola negra, entonces aplicando el principio de multiplicación,
1
5 6
el número de sucesos favorables a E está dado( ) ( ), y aplicando la definición clásica
1 1
es
6
(5) ( )
𝑃[𝐸] = 1 1 = 5𝑥6 = 5 𝑥 6 = 6
(11) 11! 11 𝑥 5 11
2 2! 9!
(b) Con restitución. Como en el caso anterior se pide calcular la probabilidad del evento E
= A1B2 U B1A2. Es evidente que
P[E] = P[A1B2] + P[B1A2]
P : "hay peligro",
F : "la alarma funciona". Entonces, F: "la alarma no funciona".
Luego, debemos determinar la probabilidad del evento:
P𝐹 : "haya peligro y la alarma no funciona"
P[P𝐹] = P[P] p[𝐹 |P]
𝑃[𝐶 ∩ 𝐴 ∩ 𝐵] 𝑃[𝐴 ∩ 𝐵]
𝑃[𝐶 |𝐴 ∩ 𝐵] = 𝑦 [𝑃[𝐵 |𝐴] =
𝑃[𝐴 ∩ 𝐵 𝑃[𝐴]
𝑃[A ∩ B] P[A ∩ B ∩ C]
𝑃[𝐴]𝑃[𝐵|𝐴]𝑃[𝐶 |𝐴 ∩ 𝐵] = 𝑃[𝐴] x
P[A] P[A ∩ B]
= 𝑃[𝐴 ∩ 𝐵 ∩ 𝐶]
Teorema 13.2 Si A1 , A2, ..., An son eventos de un espacio muestral finito y P[A 1 ∩ A2∩
…∩An] ≠ 0, entonces
Ejemplo 8. Dos establos A y B tienen 1,000 cabezas de vacuno cada uno. Existe una
epidemia que afecta a los cascos y la boca del ganado. La proporción de ganados
1 1
afectados con y respectivamente (por establo).
5 4
(a) ¿Cuál es la probabilidad que el ganado escogido viene del rancho y tiene afección a
los cascos y la boca?.
(b) Si el 70% de los ganados afectados tienen edad menor que un año, ¿cuál es la
probabilidad que el ganado escogido venga del rancho B, tiene| afección y es mayor
que un año de edad?
Solución. Definimos los siguientes eventos:
(b) Definimos el evento F: la vaca escogida tenga edad mayor que un año. Entonces,
P[B∩E∩E] = P[B] P[E|B] P[F|(B∩E)]
1000 1 75 1 1 3 3
= 2000 𝑥 4 𝑥 250 = 2 𝑥 4 𝑥 10 = 80
ya que en el rancho B hay 250 ganados afectados y de estos el 30% son mayores que un
año de edad.
En el diagrama del árbol de probabilidades, podemos seguir sólo por las ramas que
cumplen las condiciones requeridas por el evento cuya probabilidad se quiere calcular (en
nuestro caso el evento E) y llegar solamente a los resultados favorables a dicho evento.
Para el problema en cuestión, siguiendo este proceso se obtiene el árbol de
probabilidades de la fig. 1.7.12. De donde el evento E se escribe
P[D12|B11] P[D23|B11D12]
2 98 1 98 2 1
= 100 . 99 . 98 . + 100 . 99 . 98
Siguiendo el mismo proceso del ejemplo anterior se obtiene el diagrama del árbol de
probabilidades de la fig. 1.7.13. De donde
Eventos Favorables a A
Fig. 13.14
P[A] = P[NND] + P[NDN] + P[DNN]
90 89 10 90 10 89 10 90 89
= . . . . . + . .
100 99 98 100 99 98 100 99 98
89 89 89 267
= + + = = 0.2476
10𝑥98 11𝑥98 11𝑥98 1078
100
Segundo método. El número de elementos del espacio muestral es ( ). Como el
3
10 90
evento A contiene 1 defectuoso y 2 no defectuoso, entonces A tiene ( ) ( )
1 2
elementos. Luego, por la definición clásica es
Ejemplo 11. Un grupo que consta de 5 hombres y 10 mujeres se divide al azar en cinco
grupos de tres personas cada uno. Calcular la probabilidad que en cada grupo haya
un hombre.
P[A] = P[A1] P[A2 | A1] P[A3 | A1A2] P(A4I A1A2A3] P[A5 | A1A2A3A4]
5! 10! 35
= = 0.081
15!
Ejemplo 12. En un cajón hay 80 tubos buenos y 20 malos; en un segundo cajón el 30%
son malos y en un tercer cajón, el 25% son malos. Se sabe que ni número de tubos del
tercer cajón es el triple de los que hay en el segundo y en total hay 260 tubos. Se mezclan
los tubos de las tres cajas.
(a) Al extraer, al azar, un tubo; calcule la probabilidad que sea malo, si se sabe que
pertenece al segundo cajón.
(b) Al extraer, al azar, 2 tubos; calcule la probabilidad que el primero y el segundo sean
malos.
Solución. Sea x el número de tubos en el segundo cajón, o sea
100 + x + 3x = 260,
de donde x = 40 , y 3x = 120 .
Entonces, en la primera caja hay 100 tubos de los cuales 80 son buenos y 20 malos; en el
segundo cajón hay 40 tubos de los cuales 28 son buenos y 12 malos; y en el tercer cajón
hay 120 tubos de los cuales 90 son buenos y 30 malos.
(b) Sea D, el evento: "obtener un tubo defectuoso" y C: "el tubo pertenece al segundo
cajón".
Luego,
𝑃[𝐴𝐶] 12⁄260 12
𝑃[𝐷|𝐶] = = = = 0.3
𝑃[𝐶] 40⁄ 40
260
62 61 3782
𝑃[𝐷] = 𝑃[𝐷1 ]𝑃[𝐷2 |𝐷1 ] = 𝑥 = = 0.056
260 259 57340
Ejemplo 13. Una caja contiene 7 tarjetas marcadas, "sin, premio': y 5 con "premio mayor".
En un concurso, dos personas A y B, extraen tarjetas de la caja en forma alternada hasta
que una de ellas saca una marcada con el "premio mayor". Si A selecciona la tarjeta en
primer lugar, ¿cuál es la probabilidad que extraiga una con "premio mayor"?
5 7 6 5 7 6 5 4 5 7 6 5 4 3 2 5
= + . . + . . . . + . . . . . .
12 12 11 100 12 11 10 9 8 12 11 10 9 8 7 6
248 62
= = = 0.63
12𝑥11𝑥3 99
El diagrama del árbol de probabilidad para este problema se muestra en la fig. 13.15
Fig. 13.15
Ejemplo 14. Una urna contiene 10 bolas, 5 marcadas con la letra A y 5 bolas marcadas
con la letra B, Dos jugadores, A y B juegan de la siguiente forma: comienza el jugador A
extrayendo una bola y a continuación B realiza también una extracción, y así
alternadamente. Las extracciones se hacen sin reposición. Gana el primer jugador que
extraiga una bola con su letra (A una bola A y B una bola B).
AK (K = 1,2,... ): "En la K-ésima extracción se obtiene una bola marcada con A"
BK(K = 1,2,... ): "En la K-ésima extracción se obtiene una bola nrar cada con B"
5 4 5 5 4 3 5 5 4 4 3 2 5 5 4 4
𝑃[𝐺𝐵 ] =𝑐 𝑥 𝑥 𝑥 𝑥 𝑥 𝑥 𝑥 𝑥 𝑥 𝑥 𝑥 𝑥 𝑥 𝑥
10 9 10 9 8 7 10 9 8 7 6 5 40 9 8 7
3 3 2 1 76
𝑥 𝑥 𝑥 =
6 5 4 3 252
(b) No gana ninguno de los jugadores, cuando A saque todas las bolas marca das con B y
B todas las bolas marcadas con A, o sea
5 5 4 4 3 3 2 2 1 1
𝑃[𝐺𝑁 ] = 𝑥 𝑥 𝑥 𝑥 𝑥 𝑥 𝑥 𝑥 𝑥1=
10 9 8 7 6 5 4 3 2 252
Revisión de las estimaciones anteriores de probabilidades: teorema de Bayes
En ambos casos, ciertas probabilidades fueron alteradas después de que los interesados
obtuvieron información adicional. Las nuevas probabilidades se conocen como
probabilidades revisadas o posteriores. Como éstas pueden revisarse en la medida que
hay más información, la teoría de probabilidad adquiere gran valor para la toma de
decisiones empresariales.
Como primer ejemplo de revisión de probabilidades anteriores, suponga que tenemos una
cantidad igual de dos tipos de dados anormales (cargados) en un recipiente. En la mitad
de éstos, un as (o un punto) se presenta 40% de las veces; por tanto P(as) = 0.4. En la
otra mitad, un as se presenta el 70% de las veces P(as) = 0.7. A la primera clase de
dados la llamaremos tipo 1, y a la segunda tipo 2. Se saca un dado del recipiente y se le
lanza una vez, el resultado es un as. ¿Cuál es la probabilidad de que el dado sea del tipo
1? Sabiendo que el recipiente contiene el mismo número de dados de dad de que el dado
sea del upo 1? Sabiendo que el recipiente contiene el mismo número de dados de cada
tipo, podemos contestar incorrectamente que la probabilidad es de un medio; pero
podemos hacer una mejor estimación. Para responder a la pregunta de manera correcta,
construimos la tabla 13.5.
La suma de las probabilidades de los eventos elementales (el sacar un dado del tipo 1 o
del tipo 2) es de 1.0, ya que solamente tenemos dos tipos de dados. La probabilidad de
cada tipo es de 0.5. Las dos clases de dados constituyen una lista mutuamente
excluyente y colectivamente exhaustiva.
La suma de P(as | evento elemental) no es igual a 1.0. Las cantidades 0.4 y 0.7
simplemente re-presentan las probabilidades condicionales de obtener un as, dado que se
obtuvo un dado del tipo 1 o del tipo 2, respectivamente.
Para encontrar la probabilidad de que el dado que sacamos sea del tipo 1, utilizamos la
fórmula para la probabilidad condicional bajo condiciones de dependencia estadística
𝑃(𝐵𝐴)
𝑃 (𝐵|𝐴) = 𝑃(𝐴)
[13.8]
Aplicándola a nuestro problema, tenemos:
𝑃(𝑡𝑖𝑝𝑜 1, 𝑎𝑠)
𝑃(𝑡𝑖𝑝𝑜 1|𝑎𝑠) =
𝑃(𝑎𝑠)
0.20
𝑃 (𝑡𝑖𝑝𝑜 1|𝑎𝑠) = = 0364
0.55
Por consiguiente, la probabilidad de que hayamos sacado un dado del tipo 1 es de 0.364.
Calculemos la probabilidad de que el dado sea del tipo 2:
Qué hemos logrado con una porción adicional de información que llegó a nuestras
manos? ¿Qué inferencias hemos sido capaces de alcanzar a partir de un lanzamiento del
dado? Antes de que lancemos este dado, lo mejor que podemos decir es que hay una
probabilidad de 0.5 de que el dado sea del tipo 1 y la misma probabilidad de que sea del
tipo 2. Sin embargo, después de lanzar el dado hemos sido capaces de alterar o revisar
nuestra estimación anterior de probabilidad. Nuestra estimación posterior es que existe
una probabilidad más grande (0.636) de que el dado que tenemos en las manos sea del
tipo 2 que del tipo 1 (ésta sólo de 0.364).
*Se utiliza la coma para separar los eventos conjuntos. Podemos poner juntas letras
individuales para indicar, sin que haya confusión, eventos conjuntos (por ejemplo, AB),
pero al poner juntas palabras completas produciríamos eventos de apariencia extraña
(aseventoelemental), que podrían ocasionar confusión.
Probabilidades posteriores con más información
Podemos tener la sensación de que un lanzamiento del dado no es suficiente para indicar
sus características (sí es del tipo 1 o del tipo 2). En este caso, podemos obtener
información adicional median-te un nuevo lanzamiento del dado (desde luego que obtener
más información en la mayoría de las situaciones de toma de decisiones es más
complicado y lleva más tiempo). Suponga que se lanza el mismo dado una segunda vez y
de nuevo se obtiene un as. ¿Cuál es la probabilidad de que el dado sea del tipo 1? Para
determinar la respuesta consultemos la tabla 13.6.
En esta tabla tenemos una nueva columna, P (2 ases | evento elemental), la cual da la
probabilidad conjunta de obtener dos ases en dos lanzamientos consecutivos si el dado
es del tipo 1: P (2 ases | tipo 1) = 0.4 X 0.4 = 0.16; y si es del tipo 2: P (2 ases | tipo 2) =
0.7 X 0.7 = 0.49. En la última columna vemos las probabilidades conjuntas de obtener dos
ases en dos lanzamientos consecutivos y los eventos elementales (tipo 1 y tipo 2). Es
decir, P (2 ases, tipo 1) es igual a P (2 ases | tipo 1) por la probabilidad de obtener del tipo
1, o 0.16X0.5 = 0.080 y P (2 ases, tipo 2) es igual a P (2 ases, tipo 2) por la probabilidad
de obtener del tipo 2, o 0.49 X 0.5 = 0.245. La suma de estas probabilidades (0.325) es la
probabilidad marginal de obtener dos ases en dos lanzamientos consecutivos.
Ahora ya estamos listos para calcular la probabilidad de que el dado que sacamos sea del
tipo 1, puesto que salió un as en cada uno de los dos lanzamientos consecutivos.
Utilizando la misma fórmula general como antes, tenemos que:
Igualmente
¿Qué hemos obtenido con dos lanzamientos? Cuando sacamos el dado, todo lo que
sabíamos era que había probabilidades iguales de que éste fuera del tipo 1 o del tipo 2.
En otras palabras, existía la posibilidad 50-50 de que fuera del tipo 1 o del 2. Después de
lanzar el dado una vez y haber obtenido un as, revisamos estas probabilidades originales
y concluimos lo siguiente:
Probabilidad de que sea del upo 1, dado que se obtuvo un as = 0.364 Probabilidad de que
sea del tipo 2, dado que se obtuvo un as = 0.636
Después del segundo lanzamiento (obteniendo otro as), revisamos las probabilidades de
nuevo:
Probabilidad de que sea del tipo 1, dado que se obtuvieron dos ases = 0.246 Probabilidad
de que sea del tipo 2, dado que se obtuvieron dos ases = 0.754
Así pues, hemos cambiado las probabilidades originales de 0.5 para cada tipo a 0.246
para el tipo 1 y 0.754 para el 2. Esto significa que ahora podemos asignar una
probabilidad de 0.754 a que si obtenemos dos ases en dos lanzamientos consecutivos el
dado es del tipo 2.
Considere el problema del equipo de una liga menor de béisbol que utiliza una máquina
de lanzamientos automática para su entrenamiento. Si la máquina se coloca de manera
correcta, es decir, ajustada apropiadamente, lanzará strikes 85% de las veces. Si se le
coloca incorrectamente, lanzará strikes sólo en 35% de los lanzamientos. La experiencia
pasada indica que 75% de las veces que se coloca la máquina se hace de manera
correcta. Un día, después de que la máquina ha sido colocada para una práctica de
bateo, lanza tres strikes en los primeros tres lanzamientos. ¿Cuál es la probabilidad
revisada de que la máquina esté bien colocada? En la tabla 13.7 se ilustra la manera en
que podemos responder esta pregunta.
𝑃(𝑐𝑜𝑟𝑟𝑒𝑐𝑡𝑎, 3 𝑠𝑡𝑟𝑖𝑘𝑒𝑠)
𝑃 (𝑐𝑜𝑟𝑟𝑒𝑐𝑡𝑎|3 𝑠𝑡𝑟𝑖𝑐𝑘𝑒𝑠) =
𝑃(3 𝑠𝑡𝑟𝑖𝑐𝑘𝑒𝑠)
0.4606
= = 0.9773
0.4713
En todos los problemas analizados hasta aquí, el comportamiento del experimento ha sido
consistente: se obtuvo un as con el dado en dos lanzamientos consecutivos y la máquina
automática lanzó tres strikes en tres lanzamientos seguidos. En la mayoría de las
situaciones, podríamos esperar una distribución menos consistente de resultados. En el
caso de la máquina de lanzamientos, por ejemplo, pudimos haber tenido cinco
lanzamientos con el siguiente resultado: strike, bola, strike, strike, strike. En esta
situación, el cálculo de nuestra probabilidad posterior de que la máquina esté
correctamente instalada, en realidad no implica más dificultad que en el caso en que se
tienen resultados perfectamente consistentes. Utilizando la notación 5 = strike y B = bola,
hemos resuelto esta situación en la tabla 13.8.
=0.9601