You are on page 1of 10

Probabilidad y Estadstica

UNIDAD II INTRODUCCIN A LA PROBABILIDAD El objetivo general de la teora de probabilidades consiste en proporcionar un modelo matemtico adecuado a la descripcin e interpretacin de cierta clase de fenmenos. Es la teora de probabilidades la que permite vincular la muestra con la poblacin siempre que la muestra responda al requisito fundamental de ser aleatoria. Podemos decir que existen dos tipos de experimentos: determinsticos: aquellos que repetidos bajo las mismas condiciones dan igual resultado que es posible predecir, nos referimos por ejemplo los fenmenos fsicos o qumicos. aleatorios: cuando no se puede predecir su resultado, los resultados de repeticiones sucesivas variarn en forma aleatoria o impredecible. No obstante, ser posible extraer de la repeticin del experimento ciertas regularidades, como luego se ver. Estos experimentos son los que le interesan a la estadstica. Por ejemplo: # Sea el experimento de arrojar una moneda tres veces y observar su resultado, (para cada lanzamiento ser cara o cruz, no pudiendo predecirse el mismo); siendo sus resultados posibles: CCC, CCX,.........., XXX. # Sea el experimento aleatorio el de observar en una lnea de produccin que cierto producto cumpla con las especificaciones; puede tratarse de una medida como longitud o peso, la cual puede presentar diversos resultados. El modo de abordar la probabilidad depende del inters que cada persona tenga en esta materia. El matemtico puro prefiere por lo general tratar la probabilidad desde un punto de vista axiomtico. El estadstico prctico prefiere considerarla como la proporcin de veces que se presenta un determinado suceso si el experimento correspondiente se repitiera un gran nmero de veces. ORIGEN DE LA TEORA DE PROBABILIDADES: La teora de probabilidades que actualmente es una rama importante de la matemtica pura, con un campo de aplicacin que se extiende prcticamente sobre todas las ramas de las ciencias naturales, tcnicas y sociales, se ha desarrollado partiendo de un comienzo muy sencillo. Sus races se encuentran en la teora matemtica del azar, planteada hace tres siglos. Durante el siglo XVII en la alta sociedad francesa se practicaban frecuentemente los juegos de azar. Como dichos juegos se complicaban cada vez ms, se busc un mtodo racional para resolverlos. El caballero De Mere le plante diversos problemas al matemtico y filsofo Blasie Pascal. ste, junto con otros matemticos como Pierre Fermat, buscando soluciones a dichos problemas sentaron las bases de la actual teora de probabilidades. ESPACIO MUESTRA Al estudiar un experimento aleatorio, queda claro que las condiciones para su realizacin deben estar claramente especificadas, as como el tipo de resultado que se observar. En algunos casos el experimento es o se considera dicotmico (xito o fracaso). Veamos ejemplos de experimentos y su correspondiente conjunto de resultados posibles: 1. Experimento: Se arrojan dos dados y se observa la suma de sus caras. En este caso el conjunto de resultados posibles es: {2, 3,..., 12} 2. Experimento: Se arroja una moneda hasta que aparezca cara. Luego, el conjunto de resultados posibles es: UNIDAD 1 Pg.1

Probabilidad y Estadstica
{C, XC, XXC, XXXC, XXXXC, ..., X..XC, ...} 3. Experimento: Se arroja un dardo al blanco y se observa su distancia al centro. Suponiendo que el blanco tiene un metro de dimetro, el conjunto de resultados posibles es: [0 ; 0.5] 4. Experimento: Se extrae un artculo de un lote y se observa si es defectuoso o no. El conjunto de los resultados posibles es: {defectuoso, bueno} 5. Experimento: Se arroja un dado: a) Si observamos su cara superior, el conjunto de resultados posibles es: {1, 2, 3, 4, 5, 6} b) Si slo nos interesa que salga 5, estamos considerando dos resultados del experimento (o sale 5, o no sale 5). Definiendo los sucesos: E = {5} xito F = {1, 2, 3, 4, 6} fracaso el conjunto de los resultados posibles se convierte en: { E, F } En el primer caso el conjunto de resultados posibles es finito, en el segundo es infinito numerable, en el tercero es un intervalo de nmeros reales (infinito no numerable), en el cuarto se trata de un experimento dicotmico ya que slo admite dos resultados posibles, y el ltimo caso se trata de un experimento que admite mltiples resultados en el inciso (a) y reducido a slo dos resultados posibles en el inciso (b), o sea, a un experimento dicotmico. Definiciones: Espacio Muestra: Es el conjunto de todos los resultados posibles de un experimento aleatorio, y se lo simboliza con . Suceso Elemental: es cada uno de los resultados posibles del experimento aleatorio, es decir, es cada elemento del espacio muestra, y se lo simboliza con . Suceso Aleatorio: Es un subconjunto del Espacio Muestra , o sea, es un conjunto de resultados posibles del experimento. Ejemplo: Sea el experimento arrojar dos dados; el conjunto de resultados posibles es: = {(x,y)/ x = 1, 2, ..., 6; y = 1, 2, ..., 6} Cada par ordenado = (x,y) es un elemento del espacio muestra, por ejemplo: =(3,5) , luego = (3,5) es un suceso elemental del experimento. Cualquier conjunto de sucesos elementales es un suceso aleatorio. Por ejemplo, sea A el suceso de obtener una suma de 5 puntos como resultado del experimento. Entonces A = {(x,y) / x + y = 5 }; A = {(1,4), (2,3), (3,2), (4,1)} A , por lo tanto A es un subconjunto de .

UNIDAD 1 Pg.2

Probabilidad y Estadstica

Las aplicaciones de probabilidad conciernen a menudo no a un suceso aislado sino a combinaciones de los mismos, que dan como resultado otro suceso, para ello utilizamos operaciones con conjuntos. A B es el suceso de que ocurran A, o B, o ambos. A B es el suceso de que tanto A como B ocurran simultneamente. A es el suceso de que A no suceda. Ejemplo: Sea el experimento de arrojar un dado y observar el resultado: = {1, 2, 3, 4, 5, 6} Sean los sucesos: A: obtener un nmero par B: obtener un nmero impar C: obtener un nmero primo AB = AB = AC = {2} A = {1, 3, 5} = B A = {2, 4, 6} B = {1, 3, 5} C = {2, 3, 5}

Los espacios muestra que poseen un nmero finito o infinito numerable de elementos se denominan espacios muestra discretos. Los espacios muestra que poseen un nmero infinito no numerable de elementos, se denominan espacios muestra continuos; ejemplo de stos son los intervalos en R1,R2,, Rn. Como el conjunto vaco es un subconjunto de , luego es un suceso, al que denominaremos suceso imposible (suceso que no puede ocurrir). Como es tambin un subconjunto de , ser un suceso, al que denominaremos suceso seguro o cierto (suceso que siempre ocurre). Siendo nuestro objetivo asignar una medida, que llamaremos probabilidad, a los subconjuntos de un espacio muestra, debemos notar que en general no es posible hacerlo para todo subconjunto de . Esta asignacin debe hacerse mientras que verifique ciertas propiedades necesarias. En este sentido habr que considerar ciertas familias de subconjuntos del espacio muestra. DEFINICIN CLSICA DE PROBABILIDAD. En todos los juegos de azar (dados, ruleta, cartas, etc.) el resultado obtenido es uno entre un nmero posible de ellos. Dicho resultado es imposible de predecir, lo cual caracteriza el azar del juego.

UNIDAD 1 Pg.3

Probabilidad y Estadstica
Si el instrumento utilizado (sea ruleta, dado o baraja) es perfecto y el juego se realiza correctamente, los distintos resultados posibles de obtener sern igualmente favorables, por lo tanto el espacio muestra tendr la caracterstica de ser equiprobable. En este caso, indicando con # (cardinal de ) a la cantidad de resultados posibles del experimento, cada resultado posible tiene una probabilidad de 1/# de ocurrir. Es decir, si y es un espacio equiprobable, entonces:

P( ) =

1 #

Aclaracin: Si no se consideran los distintos resultados posibles (1,2,3,4,5,6) sino que nos interesa definir otro suceso, como por ejemplo: que salga 5, el espacio muestra que se genera no es un espacio muestra equiprobable. Sea A un subconjunto de , A , simbolizando con #A al cardinal de A que indica el nmero de casos favorables al suceso A, calculamos la probabilidad de dicho suceso (siempre que sea equiprobable) como el cociente:

P ( A) =

# A nmero de resultados favorables = # nmero de resultados posibles

Definicin: Dado un espacio muestra equiprobable y un suceso A, A , la probabilidad de ocurrencia de ese suceso es igual al cociente entre el nmero de resultados favorables al suceso A y el nmero total de resultados posibles del experimento

P ( A) =
Propiedades: Propiedad 1:

#A #

0 P(A) 1

Dem: Como 0 #A # Propiedad 2:

0 # A # 0 P ( A) 1 # # #

P( ) = 0

Dem: Como # = 0 Propiedad 3:

# 0 = P( ) = 0 # #

P( ) = 1

Dem: Ya que P( ) = Propiedad 4:

# =1 #

P(AB) = P(A) + P(B), si AB =

Dem:Si AB =, es decir los sucesos son excluyentes, entonces #(AB) = #A + #B. Luego : P ( A B ) = # ( A B ) = # A + # B = # A + # B = P ( A ) + P ( B ) # # # # Propiedad 5: P(AB) = P(A) + P(B) - P(AB), si AB

Dem: Si AB , es decir sucesos no excluyentes, entonces #(AB) = #A + #B - #(AB).


P(A B) = # A+# B # ( A B ) # ( AUB ) # (A B) #A #B = = + # # # # # P ( A B ) = P ( A) + P ( B ) P ( A B )

Propiedad 6:

P( A ) = 1 - P(A) UNIDAD 1 Pg.4

Probabilidad y Estadstica
Dem: Como #( A ) = # - #A, entonces:
P( A ) = # (A) # # A # #A = = = 1 P( A ) # # # #

DEFINICIN FRECUENCIAL DE PROBABILIDAD En los juegos de azar y en distintos campos de la actividad cientfica y prctica encontramos ciertos experimentos que pueden repetirse en condiciones uniformes dando a cada observacin aislada un resultado definido. Se intenta mantener bajo control todas las condiciones que puedan ejercer influencia sobre el experimento de forma que las repeticiones sean lo ms uniformes posibles, sin embargo, los resultados presentan una variabilidad que no es posible controlar, o sea, que el resultado del experimento vara en forma singular y no puede predecirse el resultado de una repeticin individual; nos encontramos ante un experimento aleatorio. No obstante, ser posible extraer cierta regularidad que hace posible y til el estudio de los experimentos aleatorios. Si se repite un experimento una gran cantidad de veces y se observa la aparicin de un resultado (suceso A) podr notarse que la frecuencia relativa del suceso tiende a estabilizarse en un valor a medida que crece el nmero de repeticiones del experimento. Simbolizando con f a la cantidad de veces que apareci el suceso A como resultado del experimento, y con n a la cantidad de veces que se repiti el experimento, tenemos que :

lim nA = p A n
Es decir, la frecuencia relativa del suceso se estabiliza en un valor que es la probabilidad terica del suceso A y la propia frecuencia relativa es la probabilidad emprica del suceso A. Ejemplo: Sea el experimento: arrojar una moneda repetidas veces, y consideremos xito el suceso A: aparece cara. Sea n el nmero de veces que se arroja la moneda y f el nmero de veces que aparece cara (nmero de xitos), por lo tanto la frecuencia relativa de ocurrencia del suceso A, est dada por el cociente

f n

Si realizamos varias secuencias de repeticiones de este experimento, obtendremos una serie de frecuencias relativas para distintos valores de n:

f1 f 2 f 3 f , , ,.........., i ,....... n1 n2 n3 ni
y empricamente comprobamos que a medida que n crece, las frecuencias relativas se estabilizan prximas a un valor fijo, que representa la probabilidad terica del suceso A: aparece cara. La siguiente tabla indica los resultados obtenidos a travs de varias secuencias de repeticiones, para diferentes valores de n = cantidad de lanzamientos de la moneda, y en el grfico correspondiente se aprecian las fluctuaciones de la frecuencia relativa h, y cmo estas fluctuaciones disminuyen a medida que aumenta n

n 10 20 30 40 50

f 6 8 14 19 25

h=f/n 0,60 0,40 0,47 0,48 0,50

n 110 120 130 140 150

f 56 63 61 72 75

h=f/n 0,51 0,53 0,47 0,51 0,50 UNIDAD 1 Pg.5

Probabilidad y Estadstica
60 70 80 90 100
0,65 0,6 0,55 h 0,5 0,45 0,4 0,35 0 50 100 n 150 200 250

31 38 43 46 51

0,52 0,54 0,54 0,51 0,51

160 170 180 190 200

78 83 89 95 101

0,49 0,49 0,49 0,50 0,50

Definicin: Asociada a cada suceso existe una probabilidad terica, a la cual tiende la frecuencia relativa del mismo a medida que aumenta la cantidad de repeticiones del experimento. Propiedades: Propiedad 1: 0 P(A) 1 0fn para cualquier A , A

Dem: Como

entonces

0 f n n n n
0 P ( A) 1

lim 0 lim

f f lim 1 0 lim 1 n n n n n

Propiedad 2:

P( ) = 0

Dem: Como para A = es f = 0, entonces

f 0 = =0 n n

lim

f = lim 0 P( ) = 0 n n
P() = 1

Propiedad 3:

Dem: Como para A = es f = n, entonces

f n = =1 n n

f = lim 1 P () = 1 n n n lim
Distinguiremos mediante un subndice el suceso al cual le corresponde la frecuencia de aparicin como resultado del experimento. As, f A , f B , f A B y f A B indican la cantidad de veces que aparecen, respectivamente, los sucesos A, B, AB y AB como resultado del experimento, y f A indica la cantidad de veces que no apareci el suceso A, es decir, que aparece el suceso

si AB = Propiedad 4: P(AB) = P(A) + P(B) Dem:Si AB =, sucesos excluyentes, entonces UNIDAD 1 Pg.6

Probabilidad y Estadstica

f A B f + fB = A n n f f f f + fB lim A B = lim A = lim A + lim B n n n n n n n n P( A B) = P( A) + P( B) f A B = f A + f B luego


Propiedad 5: P(AB) = P(A) + P(B) - P(AB) si AB Dem: Si AB , sucesos no excluyentes, entonces

f A B f + f B f A B = A n n f f f f f + f B f A B lim A B = lim A lim A lim B lim A B = n n + n n n n n n n n P( A B) = P( A) + P( B) P( A B) f A B = f A + f B f A B luego


Propiedad 6: P( A ) = 1 - P(A) Dem: para cualquier A

como f A = n f A entonces fA

fA n

n fA f = 1 A n n

lim

f f = lim f A 1 A = 1 lim A n n n n n n Luego P( A ) = 1 P( A)

PROBABILIDAD DE LA UNIN DE SUCESOS Decimos que dos sucesos son excluyentes cuando no tienen ningn elemento en comn, es decir, A y B son excluyentes si AB =. Si, por el contrario, AB entonces A y B son no excluyentes. Ya vimos que para dos sucesos excluyentes (AB =) la probabilidad de la unin (AB) es igual a la suma de las probabilidades de los sucesos A y B. P(AB) = P(A) + P(B) Anlogamente, para tres sucesos excluyentes (AB = que: P(ABC) = P(A) + P(B) + P(C) y AC= y BC = ) tenemos

Para tres sucesos no excluyentes: P(ABC) = P(A) + P(B) + P(C)- P(AB)- P(AC) - P(CB) + P(ABC)

Tambin vimos que para dos sucesos no excluyentes: P(AB) = P(A) + P(B) - P(AB) Regla de la Suma

PROBABILIDAD CONDICIONAL Analizaremos a continuacin las probabilidades de sucesos cuando se dispone de alguna informacin. UNIDAD 1 Pg.7

Probabilidad y Estadstica
Consideremos el segundo ejemplo analizado, en el cual el experimento consiste en arrojar un dado y observar su resultado, y consideremos tambin los sucesos A y C definidos en el mismo. Supongamos que nos informan que el resultado obtenido es un nmero primo (es decir, ocurri C), y nos interesa el hecho de obtener un nmero par (o sea, queremos saber la probabilidad de ocurrencia de A). Como sabemos que ocurri C:"el resultado es un nmero primo", el espacio muestra se reduce a c = {2, 3, 5}, es decir, el nuevo espacio muestra consiste en tres resultados posibles de los cuales slo uno es favorable al suceso A:"el resultado es un nmero par". Por lo tanto, teniendo en cuenta la informacin disponible, la probabilidad de obtener un nmero par es uno entre tres resultados posibles. Es decir:

p=

1 # {2} = 3 # {2,3,5}

Decimos que sta es la probabilidad del suceso A condicionada a la ocurrencia del suceso C, y la simbolizamos P (A / C). Como es posible observar, el suceso "xito" result igual al suceso AC y el espacio muestra result igual al suceso C.

P( A / C) =

#( A C ) #C

Dividiendo numerador y denominador por #, resulta :

#( A C ) P( A C) # P( A / C ) = = #C P(C) #

P( A / C) =

P( A C) P(C)

Definicin: Sean A y B dos sucesos (A , B ), tales que P(B) > 0 ( o sea, B). La probabilidad de A dada la ocurrencia de B es:

P( A / B) =

P( A B) P( B)

Dada esta definicin, se deduce que la probabilidad del suceso AB se calcula como el producto de la probabilidad de uno de los sucesos por la probabilidad del otro suceso condicionada al primero. Es decir: P ( A B ) = P ( B ) P ( A / B ) conocida como Regla del Producto Anlogamente, ya que

P ( A B ) = P ( A ) P ( B / A)
P( A B) P ( A)

P ( B / A) =

SUCESOS INDEPENDIENTES Si la ocurrencia de un suceso A no afecta a la probabilidad de ocurrencia de algn otro suceso B, decimos que ambos sucesos son independientes, puesto que el suceso B "no depende" de la ocurrencia del suceso A. Por lo tanto en este caso, tener alguna informacin sobre la ocurrencia de A no sera de ninguna utilidad ya que la probabilidad de B no vara. Esto es, si B no depende de A: P(B/A) = P(B) Luego: P(AB) = P(A)P(B/A) = P(A)P(B)

Definicin: UNIDAD 1 Pg.8

Probabilidad y Estadstica
Si A y B son dos sucesos independientes, entonces la probabilidad conjunta de ambos es igual al producto de las probabilidades de esos dos sucesos, y viceversa. A y B independientes P(AB) = P(A)P(B) Ejemplo: Sea el experimento extraer una carta de un mazo de naipes espaoles; y sean los eventos (o sucesos): A: la carta obtenida es un naipe de "oro" B: la carta obtenida es un "as" Por lo tanto, el evento AB es "la carta obtenida es el as de oro". Las respectivas probabilidades de estos sucesos son:

P ( A) =

10 1 = 40 4 P( A B) = 1 40

P( B ) =

4 1 = 40 10

Si nos informan que la carta obtenida es un "as", altera esto la probabilidad de que sea de "oro"?

P( A / B) =

#( A B ) 1 = = P ( A) #B 4

Podemos comprobar que P(A/B) = P(A), lo cual indica que A no depende de B. Tambin podemos comprobar que el producto de las probabilidades de A y B, resulta igual a la probabilidad conjunta AB, ya que:

P ( A) P ( B ) =

1 1 1 = = P( A B) 4 10 40

lo cual indica que A y B son sucesos independientes. REGLA DE PROBABILIDAD TOTAL Sea B1, B2,..., Bk una particin de , luego los Bi son subconjuntos no vacos de , adems son exhaustivos y excluyentes. Esto significa que los sucesos B1,..., Bk cumplen con: 1.- Bi , Bi i = 1,....,k 2.- Bi Bj = , i j (Excluyentes) k 3.Bi = (Exhaustivos) i =1

Sea A , A . Obviamente, A Es decir que:

tiene elementos en comn con alguno de los Bi.

i , 1 i k , tal que A Bi

Podemos expresar este suceso A como la unin de las intersecciones que tiene con los sucesos B: A = B1A B2A ... BkA =

( B A)
i =1 i

UNIDAD 1 Pg.9

Probabilidad y Estadstica
Como los sucesos Bi son excluyentes, entonces tambin lo sern los sucesos Bi A, es decir:

P( A) = P[(B1 A) ( B2 A) ........ ( Bk A)] = P( B1 A) + P( B2 A) + ........ + ( Bk A) P( A) = P( B1 ) P( A / B1 ) + P( B2 ) P( A / B2 ) + ........ + P( Bk ) P( A / Bk ) P( A) = P( Bi ) P( A / Bi )


i =1 k

Bi B j = , i j (Bi A) ( B j A) = , i j

TEOREMA DE BAYES Sea B1, B2,..., Bk una particin de , luego los Bi son subconjuntos no vacos de , adems son exhaustivos y excluyentes. Esto significa que los sucesos B1,..., Bk cumplen con: 1.- Bi , Bi i = 1,....,k 2.- Bi Bj = , i j 3.-

B
i =1

=
tiene elementos en comn con alguno de los Bi.

Sea A , A . Obviamente, A Es decir que:

i , 1 i k , tal que A Bi

Supongamos que son conocidas las probabilidades de cada suceso Bi, como tambin las probabilidades del suceso A condicionado a la ocurrencia de cada suceso Bi. Por lo tanto son conocidas las probabilidades: P(Bi) P(A/Bi) para todo i = 1, ..., k Como ya hemos visto, podemos expresar este suceso A como la unin de las intersecciones que tiene con los sucesos B: A = B1A B2A ... BkA
k

( B A)
i =1 i

y a su probabilidad :

P ( A) = P ( Bi ). P ( A / Bi )
i =1

Supongamos que, una vez ocurrido el suceso A, nos interesa saber la probabilidad de que su causa haya sido alguno de los Bj, Es decir, queremos averiguar P(Bj /A) .

P ( B j / A) =

P ( B j A) P ( A)

P ( B j ). P ( A / B j )

P (B ). P ( A / B )
i =1 i i

frmula conocida con el nombre de FRMULA DE BAYES . Las probabilidades conocidas P(Bi) se llaman probabilidades a priori y las probabilidades calculadas P(Bi/A) se llaman probabilidades a posteriori.

UNIDAD 1 Pg.10