Beruflich Dokumente
Kultur Dokumente
Introduccin a la Probabilidad
Principios de probabilidad
Introduccin
probabilidad
Relaciones
entre eventos
Reglas
probabilidad
Tablas de
contingencia y
tablas de
probabilidad
Frecuencia
relativa
Eventos
mutuamente
excluyentes
Multiplicacin
Subjetivo
Eventos
colectivamente
excluyentes
Adicin
Clsico
Eventos
independientes
Eventos
complementarios
Probabilidad
condicional
Teorema de
Bayes
rboles de
probabilidades
Introduccin a la probabilidad
En la actualidad vemos que la teora de la probabilidad ocupa un lugar importante en
muchos asuntos de negocios. Los seguros y prcticas actuariales se basan firmemente en
los principios de la teora de la probabilidad. Las plizas de seguros de vida dependen de
las tablas de mortalidad, las cuales a su vez se basan en las probabilidades de muerte en
edades especficas. Otras tasas de seguros tales como seguro de bienes races y de
automviles se determinan de manera similar. La probabilidad tambin juega un papel
importante en la estimacin del nmero de unidades defectuosas en un proceso de
fabricacin, la probabilidad de recibir pagos sobre cuentas por cobrar y las ventas
potenciales de un nuevo producto. Incluso los apostadores profesionales en eventos
deportivos deben tener una comprensin slida de la teora de la probabilidad.
A pesar de la difundida aplicacin de los principios de la probabilidad, existen slo tres
formas generalmente aceptadas para enfocar: (1) el modelo de frecuencia relativa (a
posteriori), (2) el modelo subjetivo y (3) el modelo clsico (o a priori).
El modelo de frecuencia relativa utiliza datos que se han observado empricamente,
registra la frecuencia con que ha ocurrido algn evento en el pasado y estima la
probabilidad de que el evento ocurra nuevamente con base en estos datos histricos. La
probabilidad de un evento con base en el modelo de frecuencia relativa se determina
mediante
( ) =
Ecua. 13.1
() =
32
=
50
Otro ejemplo. Un importador de cristal irlands de Nueva York recibe envos de cajas de
tres artculos. Los datos para las ltimas 100 cajas indicaron el nmero de artculos
daados que haba en cada caja. Por ejemplo, mostraba que en 40 de las cajas ningn
artculo se haba daado mientras que en 12 de las cajas todos los tres artculos se
haban roto.
Resultado (E.)
(nmero de
Nmero de
defectos)
cajas
P(E1)
40
40/100 = 0.40
27
27/100 = 0.27
21
21/100 = 0.21
12
12/100 = 0.12
100
1.00
Tabla 13.1
En el pasado, 21 de las 100 cajas totales contenan exactamente dos artculos daados.
Entonces el modelo de frecuencia relativa asignara una probabilidad de que dos artculos
en cualquier caja dada estuvieran daados as P (2) - 21 /100 = 0.21. La probabilidad para
cada resultado individual se muestra en la ltima columna, la cual suma 1.
Un problema comn con el modelo de frecuencia relativa resulta cuando se hacen
estimaciones con un nmero insuficiente de observaciones. Por ejemplo, se asume que
en los dos vuelos de una aerolnea en los que se hicieron registros el ao pasado
estuvieron retrasados al llegar a sus destinos. Por tanto, se concluye que el vuelo que se
abordar el prximo mes de la misma aerolnea, tambin estar retrasado. Aunque tales
inferencias son comunes, no existen suficientes datos como para sacar tal conclusin y se
deben evitar las decisiones basadas en tales inferencias.
( )
Ecua. 13.2
Aun sin conocer a fondo la probabilidad clsica, 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 frmula (13.2) as:
( ) =
1
=
2
Existe slo 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:
(3) =
1
=
6
Existe slo una forma en que puede ocurrir el evento (se saca un 3), y seis posibles
resultados.
La probabilidad clsica implica la determinacin de la probabilidad de algn evento a priori
(antes del hecho). Por tanto, antes de sacar una carta de una baraja de 52 cartas, se
puede determinar que la probabilidad de sacar un as es:
() =
1
=
52
Ejercicios
1. Cul modelo de probabilidad es apropiado para cada uno de los experimentos
enumerados a continuacin?
Explique el porqu de su respuesta.
a. El ndice Dow Jones del precio de las acciones hoy cerrar alto.
b. Una unidad de produccin ser defectuosa.
c. Sacar un 6 con un dado.
d. El sol ser nova.
2. Cite tres ejemplos de negocios para cada uno de los tres modelos de probabilidad.
3. La siguiente tabla muestra el nmero de computadores vendidos diariamente por una
tienda minorista.
Nmero de das
12
43
18
20
25
a. 2
b. Menos de 3
c. Ms de 1
d. Por lo menos 1
4. Durante los ltimos cuatro campeonatos de ftbol norteamericano, el lanzamiento de
la moneda cay cara todas las veces. Su entrenador le dice que pedir sello esta vez
aumentar la probabilidad de que usted gane el lanzamiento. Est en lo cierto o est
equivocado? Explique su respuesta completamente.
5. Cul modelo de probabilidad utiliz en el problema anterior? Explique.
6. Durante el ao anterior, las ventas semanales en Petunia's Pet Shoppe han sido
"bajas" durante 16 semanas, "considerables" durante 27 semanas y "altas" el resto de
las semanas. Cul es la probabilidad de que las ventas de esta semana sean:
a. Considerables
b. Bajas
c. Altas
d. Por lo menos considerables
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 calificacin.
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 ms 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 campaa presidencial, la lista de resultados
"candidato demcrata y candidato republicano" no es una lista colectivamente exhaustiva,
pues puede haber un candidato independiente o de algn otro partido que est
participando en las elecciones.
Ejercicios
Ejercicios de autoevaluacin
13.1
13.2
13.3
13.4
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. Cuntos elementos hay en
el espacio muestral?
13.7
13.8
12
14
16
13.9
Costo
de
especial
Porcin de mercado
campaa
dirigida
cada grupo
Minoras
$350,000
Empresarios
$550,000
Mujeres
$250,000
$250,000
Obreros
$250,000
Reglas de probabilidad
La mayora de los administradores que utiliza la probabilidad se preocupan por dos
condiciones:
1. El caso en que un evento u otro se presente.
2. La situacin en que dos o ms eventos se presenten al mismo tiempo.
Demostramos inters en el primer caso cuando preguntamos: "Cul es la probabilidad
de que la demanda de hoy exceda nuestro inventario?" Para ilustrar la segunda situacin,
podramos preguntar: "Cul es la probabilidad de que la demanda de hoy exceda
nuestro inventario /que el 10% de nuestra fuerza de ventas no se presente a trabajar?" En
las secciones que siguen ilustraremos algunos mtodos para determinar las respuestas a
las preguntas planteadas bajo una variedad de condiciones.
Algunos smbolos, definiciones y reglas de uso comn
Smbolo para una probabilidad marginal En la teora de probabilidad, utilizamos smbolos
para simplificar la presentacin de ideas. Como lo vimos antes en este mismo captulo, la
probabilidad de un evento A se podra expresar como:
Probabilidad de que el evento A suceda
Probabilidad de que el evento A suceda
P(A) = la
Una probabilidad sencilla quiere decir que slo 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 podra calcular su probabilidad de
ganar mediante la siguiente formulacin:
() =
1
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 representacin grfica conocida como diagrama
de Veringa honor al matemtico ingls del siglo XIX, John Venn. En tales diagramas, el
espacio muestral completo se representa mediante un rectngulo y los eventos se
representan como partes de ese rectngulo. Si dos eventos son mutuamente excluyentes,
las partes correspondientes de stos en el rectngulo no se traslaparn, como se muestra
en el diagrama (a) de la figura 13.1. Si dos eventos no son mutuamente excluyentes, sus
partes correspondientes en el rectngulo s se traslapan, como se ilustra en el diagrama
(b) de la figura 13.1
Debido a que las probabilidades se comportan en mucho como si fueran reas,
tomaremos el rea del rectngulo como la unidad (porque la probabilidad de que algo
pase con toda certeza es 1). Entonces la probabilidad de que suceda un evento es su
rea que le corresponde del rectngulo. En el diagrama (c) de la figura 13.1 se ilustra lo
que decimos para el caso del ejemplo del Festival Nacional de Rock. En sta el
rectngulo est dividido en 50 partes iguales que no se traslapan.
Regla de la adicin para eventos mutuamente excluyentes. A menudo, sin embargo,
estamos interesados en la probabilidad de que una cosa u otra sucedan. Si estos dos
eventos son mutuamente excluyentes, podemos expresar esta probabilidad haciendo uso
de la regla de adicin para eventos mutuamente excluyentes. Esta regla se expresa
simblicamente de la siguiente manera:
Ecua. 13.3
FIGURA 13.1
1
5
FIGURA 13.2
1 1
+
5 5
2
5
= 0.4
Calculemos una vez ms la probabilidad de que sucedan dos o ms eventos. La tabla
13.2 contiene los datos sobre el tamao de las familias de un cierto pueblo. Estamos
interesados en la pregunta, cul es la probabilidad de que una familia de este pueblo,
escogida al azar, tenga cuatro o ms hijos (es decir cuatro, cinco, seis o ms hijos?
Haciendo uso de la ecuacin 13.3, podemos calcular la respuesta a nuestra pregunta;
P (4, 5, 6 o ms)
Existe un caso especial importante de la ecuacin 13.3. Para cualquier evento A, tenemos
que ste sucede o no sucede. De modo que los eventos A y no A son mutuamente
excluyentes y exhaustivos. Aplicando la ecuacin 13.3 obtenemos el resultado
P(A) + P (no A) = 1
o de manera equivalente:
P(A) = 1 P (no A)
Por ejemplo, refirindonos de nuevo a la tabla 13.2, la probabilidad de que una familia
tenga cinco o menos hijos se puede calcular con mayor ms facilidad si restamos a 1 la
probabilidad de que en la familia haya seis O ms hijos, con lo cual tenemos que esta
probabilidad es de 0.95.
Regla de adicin 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 adicin. Por ejemplo, cul es la probabilidad
de sacar un as aun corazn de un mazo de barajas? Obviamente, los eventos as y
corazn pueden presentarse juntos, pues podramos sacar una as de corazones. En
consecuencia, as y corazn no son eventos mutuamente excluyentes. Debemos ajustar la
ecuacin 13.3 para evitar el conteo doble, es decir, tenemos que reducir la probabilidad
de obtener un as o un corazn por la posibilidad de obtener ambos eventos juntos.
Tabla 13.2
Datos del
Nmero de hijos
tamao de
Proporcin de familias
familia
6 o ms
0.05
0.10
0.30
0.25
0.15
0.10
0.05
de hijos
Ecua. 13.4
La figura 13.3 muestra un diagrama de Venn que ilustra a la ecuacin 13.4. En ella, el
evento A o B est resaltado con una lnea ms gruesa, y el evento A y B es la porcin
cuadriculada que se encuentra en el medio. Si sumamos las reas de los crculos A y B,
contaremos doble el rea de la interseccin, de manera que debemos restarla para
asegurarnos de que solamente se cuente una vez.
Usando la ecuacin 13.4 para determinar la probabilidad de obtener un as o un corazn,
podemos calcular:
P(as o corazn) = P(as) + P (corazn) P(as y corazn)
=
4 13 1
+
52 2 52
16 4
52 13
Trabajemos un segundo ejemplo. Los empleados de una cierta compaa 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
Este grupo decide elegir un vocero, la eleccin se efecta sacando de un sombrero uno
de los nombres impresos. Nuestra pregunta es, cul es la probabilidad de que el vocero
sea mujer o cuya edad est por arriba de 35 aos? Utilizando la ecuacin 13.4, podemos
establecer la respuesta a nuestra pregunta como:
P(mujer o mayor de 35) = P(mujer) + P(mayor de 35) - P(mujer y mayor de 35)
=
2 2 1
+
5 5 5
3
5
Podemos verificar nuestro trabajo mediante inspeccin y ver que de los cinco empleados
del grupo, tres cumpliran con el requisito de ser mujer o de tener ms de 35 aos.
Se nos ha dicho que la bola que se sac es de color. Por tanto, para calcular la
probabilidad de que tenga puntos, ignoraremos a todas las bolas grises y nos
concentraremos exclusivamente en las de color. Slo tomaremos en cuenta lo que se
muestra, en forma de diagrama, en la figura 13.5.
Evento
Tabla 13.3
Color
configuracin de 10
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
10
0.1
bolas
Figura 13.4
Figura 13.5
A partir del planteamiento del problema, sabemos que hay cuatro bolas de color, tres de
las cuales tienen puntos y la que queda tiene franjas. Ahora, nuestro problema consiste
en encontrar las probabilidades sencillas de que la bola tenga puntos y de que tenga
franjas. Para hacerlo dividimos el nmero de bolas de cada categoras entre el nmero
total de bolas de color.
(| ) =
3
= 0.75
4
(| ) =
1
= 0.25
4
.
En otras palabras, tres cuartos de las bolas de color tienen puntos y un cuarto tienen
franjas. As pues, la probabilidad de sacar una bola con puntos, dado que sta es de
color, es de 0.75. De forma parecida, la probabilidad de obtener una bola con franjas,
dado que sta es de color, es de 0.25.
Ahora podemos ver cmo nuestro razonamiento nos permitir desarrollar una frmula
para calcular la probabilidad condicional bajo dependencia estadstica. Primero, podemos
asegurarnos a nosotros mismos que tales eventos son estadsticamente dependientes si
observamos que el color de las bolas determina la probabilidad de que stas tengan
puntos o franjas. Por ejemplo, es ms 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(DC), 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):
(| ) =
()
()
Expresada como una frmula general y utilizando las letras A y B para representar los dos
eventos, la ecuacin queda:
(|) =
()
[13.5]
()
( ) 0.2 1
=
=
( )
0.6 3
( | ) =
() 0.4 2
=
=
()
0.6 3
.
proporciones relativas de las dos probabilidades son 0.4 y 0.6. Los clculos que se
hicieron para llegar a estas cifras fueron:
( |) =
() 0.2
=
= 0.4
()
0.5
( |) =
() 0.3
=
= 0.6
()
0.5
.
FIGURA 13.8
FIGURA 13.6
Probabilidad de
obtener una bola con
puntos o una con
franjas dado que la
que se sac es gris.
FIGURA 13.7
Contenido de la caja
clasificada por
configuracin: con
puntos y con franjas.
() 0.1
=
= 0.2
()
0.5
( |) =
() 0.4
=
= 0.8
()
0.5
.
()
()
Observe que esta frmula no es P(BA) = P{AB) X P(A), como sera el caso si
estuviramos en condiciones de independencia estadstica.
Aplicando la frmula general P(BA) = P(BA) X P(A) a nuestro ejemplo y en trminos de
bolas de color (C), grises (G), con puntos (D) y con franjas (S), tendremos P(CD) =
P(CD) x P(D) o P(CD) = 0.6 X 0.5 = 0.3. Aqu, 0.6 es la probabilidad de obtener una bola
de color, dado que sta tiene puntos (calculada en el ejemplo 3 anterior) y 0.5 es la
probabilidad de obtener una bola con puntos (tambin calculada en el ejemplo 3).
El resultado, P(CD) = 0.3, puede verificarse en la tabla 13.3, en la que llegamos a la
probabilidad por inspeccin: tres bolas de 10 son de color y con puntos.
Las probabilidades conjuntas siguientes estn calculadas de la misma manera y se
pueden comprobar haciendo referencia a la tabla 13.3.
P(CS) = P(CS) x P(S) = 0.2 x 0.5 = 0.1
P(GD) = P(GD) x P(D) = 0.4 x 0.5 = 0.2
P(GS) = P(GS) x P(S) = 0.8 x 0.5 = 0.4
*Para encontrar la probabilidad conjunta de los eventos A y B, se puede utilizar la frmula
P(BA) = P(AB) = p(A|B) x P(B),. Esto es cierto porque BA = AB.
Y, por ltimo, la probabilidad marginal del evento bola con franjas se puede calcular
mediante la suma de la probabilidad de los dos eventos conjuntos en los que se presenta
una bola con franjas:
P(S) = P(GS) + P(GS) = 0.01 + 0.04 = 0.5
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 inspeccin 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 estadstica. En la tabla 13.4 se presenta un
resumen de las frmulas desarrolladas para las probabilidades bajo ambas condiciones
de independencia estadstica y de dependencia estadstica.
Sugerencia: distinga entre probabilidad condicional y probabilidad conjunta mediante el
uso cuidadoso de los trminos dado que y ambos y. P(AB) es la probabilidad de que
A ocurra dado que ocurri B y P(AB) es la probabilidad de que ambos, A y B ocurran.
La probabilidad marginal P(A) es la probabilidad de que ocurra A, suceda B o no.
Tabla 13.4
Frmula bajo
Tipo
de
independen
probabilid
Probabilidades
bajo
dependencia
cia
Smbolo
estadstica
P(A)
P(A)
estadstica
condiciones
de independencia
y
ad
Frmula bajo
Marginal
dependencia
estadstica
ocurre
Conjunta
Condicional
P(AB)
P(A)xP(B)
o P(BA)
P(B)xP(A)
P(BA)
P(B)
P(A|B)xP(B)
P(B\A)xP(A)
()
()
()
()
o P(AB)
P(A)
Ejercicios
1)
De acuerdo con una encuesta, la probabilidad de que una familia posea dos
automviles si su ingreso anual es mayor que $35,000 es 0.75. De los
hogares encuestados, 60% tena ingresos mayores que $35,000 y 52% tena
dos autos. Cul es la probabilidad de que una familia tenga dos autos y un
ingreso mayor que $35,000 al ao?
2)
Primera ofensa
Reincidente
Hombre
60
70
Mujer
44
76
104
146
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 sta una asignacin de probabilidades consistente?
Explique.
6)
7)
8)
10)
Referencia
Publ. peridicas
Libros
Licenciatura
44
26
72
Posgrado
24
61
20
Acadmicos
16
69
18
84
156
110
REGLA DE MULTIPLICACIN
De la definicin de probabilidad condicional, obtenemos una frmula para hallar la
probabilidad de la interseccin (o producto) de los evento A y B, esto es, de
[A | B] =
P[A B]
. P[B] > 0
P[B]
[B | A] =
P[A B]
. P[A] > 0
P[A]
Multiplicando ambos miembros de la expresin (1) por P[B] y por P[A] la expresin (2),
obtenemos las ecuaciones
P[A B] =
P[8] P[A | B] =
P[AB]
P[A B] =
P[A] P[B|A]
P[AB]
y
,
(a)
Sin reposicin.
P[A1A2] =
[1 ] =
5
11
Despus de la ocurrencia del evento Alf queda 10 bolas de las cuales 4 son blancas,
luego
[2 |A1 ] =
4
10
Por lo tanto
[] = [2 |A1 ] =
5 4
2
=
11 10 11
Fig. 13.9
5!
2! 3! = 2
11!
11
2! 9!
(b) Con reemplazo. En este caso tambin el evento E se escribe como la interseccin de
los eventos A1 y A2. O sea E = A1A2. Y la ocurrencia de A1 no afecta a la ocurrencia de
A2. En efecto:
[1 ] =
5
11
5
11
Fig. 13.10
Ejemplo 6. En el ejemplo 13. Cul es la probabilidad de obtener una bola do cada color?
Solucin (a) Sin restitucin.
Primera forma. Sean los siguientes eventos:
A1: "La primera bola result blanca".
A2: "La segunda bola result blanca".
B1: "La primera bola result negra".
B2: "La segunda bola result negra".
E : "Obtener una bola de cada color".
En este caso la probabilidad pedida, es, la del evento E formado por la unin de los
eventos A1B2 y B1A2, es decir, E = A1B2 U B1A2 y como dichos eventos son mutuamente
excluyentes, tenemos
P[E]
= P[A1B2] + P[B1A2]
(1)
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
[1 ] =
5
11
5
6
6 5
6
+
=
11 10 11 10 11
Fig. 13.11
Cada rama completa del diagrama del rbol, 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.
Segunda forma. El nmero de formas de extraer dos bolas de 11 es (
11
)
2
= P[A1B2] + P[B1A2]
= P[A1] P[B2|A1] + P[B1] P[A2 | B1]
5
60
= 11 11 11 11 = 121
Ejemplo 7. En un sistema de alarma, la probabilidad que se produzca peligro es 0.10. Si
ste se produce la probabilidad que la alarma funcione es de 0.95. La probabilidad que
funcione la alarma sin haber ha' do peligro es 0.03. Determinar la probabilidad que haya
un peligro y 1 alarma no funcione.
Solucin Definimos los siguientes eventos:
P : "hay peligro",
F : "la alarma funciona". Entonces, F: "la alarma no funciona".
Luego, debemos determinar la probabilidad del evento:
P : "haya peligro y la alarma no funciona"
P[P] = P[P] p[ |P]
P[P] = 0.10. Si ocurre el evento P, P[F | P] = 0.95 pero
P[|P]= 1-P[F|P]= 1- 0.95 = 0.05.
Por lo tanto,
P[P] =
(0.10) (0.05)
0.005.
teorema 13.1
de probabilidad
[ ]
[ ]
[[ |] =
[
[]
[][|][ | ] = []
[A B] P[A B C]
x
P[A]
P[A B]
= [ ]
El siguiente teorema es una generalizacin del teorema anterior.
Teorema 13.2 Si A1 , A2, ..., An son eventos de un espacio muestral finito y
An] 0, entonces
P[A 1 A2
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 proporcin de ganados
1
afectados con y
1000
2000
10
(b) Definimos el evento F: la vaca escogida tenga edad mayor que un ao. Entonces,
P[BEE] = P[B] P[E|B] P[F|(BE)]
1000
75
= 2000 4 250 = 2 4 10 = 80
ya que en el rancho B hay 250 ganados afectados y de estos el 30% son mayores que un
ao de edad.
En el diagrama del rbol de probabilidades, podemos seguir slo 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 cuestin, siguiendo este proceso se obtiene el rbol de
probabilidades de la fig. 1.7.12. De donde el evento E se escribe
E = D11 B12 D23 U B11 D12 D23
Luego,
P[E]
98
98
= 100 . 99 . 98 . + 100 . 99 . 98
Eventos Favorables a A
Fig. 13.14
P[A]
90 89 10 90 10 89
. . .
. .
100 99 98 100 99 98
89
89
89
267
+
+
=
= 0.2476
1098 1198 1198 1078
10 90 89
. .
100 99 98
100
). Como el
Segundo mtodo. El nmero de elementos del espacio muestral es (
3
10 90
evento A contiene 1 defectuoso y 2 no defectuoso, entonces A tiene ( ) ( )
1
2
elementos. Luego, por la definicin clsica 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.
Solucin. Definimos los siguientes eventos:
Ai : "en el grupo haya un hombre (i = 1,2,3,4,5)".
A : "en cada grupo de 3 personas haya un hombre".
El evento A se escribe as, A = A 1A2A3A4A5 , Luego,
P[A] = P[A1] P[A2 | A1] P[A3 | A1A2] P(A4I A1A2A3] P[A5 | A1A2A3A4]
(5) (10) (4) (8) (3) (6) (2) (4) 1
= 1 2 . 1 2 . 1 2 . 1 2 .
12
12
6
(15)
( )
( )
( ) 1
3
3
3
3
5! 10! 4! 8!
3! 6!
4!
2!
4!
8!
2!
3!
2!
6!
2!
2!
4!
2!
2! 1
=
12!
6!
6!
15!
3! 9!
3! 6!
3! 3!
3! 12!
=
5! 10! 35
= 0.081
15!
Ejemplo 12. En un cajn hay 80 tubos buenos y 20 malos; en un segundo cajn el 30%
son malos y en un tercer cajn, el 25% son malos. Se sabe que ni nmero de tubos del
tercer cajn 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 cajn.
(b) Al extraer, al azar, 2 tubos; calcule la probabilidad que el primero y el segundo sean
malos.
Solucin. Sea x el nmero de tubos en el segundo cajn, 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 cajn hay 40 tubos de los cuales 28 son buenos y 12 malos; y en el tercer cajn
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
cajn".
Luego,
[|] =
[] 12260 12
=
=
= 0.3
40
[]
40
260
62 61
3782
=
= 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, cul es la probabilidad que extraiga una con "premio mayor"?
Solucin. Definimos los siguientes eventos:
Ai : "el jugador A obtiene la tarjeta con premio mayor en su i-sima jugada".
Bj : "el jugador B obtiene la tarjeta con premio mayor en su j-sima jugada".
Ap : "el jugador A extrae una tarjeta con premio mayor".
El evento Ap se escribe, Ap = A1 U A1B1A2 U A1B1A2B2A3 U A1B1A2B2A3B3A4
Luego,
P[Ap] = P[A1] P[A1B1A2] + P[A1B1A2B2A3] + P[A1B1A2B2A3B3A4]
=
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
12113 99
El diagrama del rbol 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 continuacin B realiza tambin una extraccin, y as
alternadamente. Las extracciones se hacen sin reposicin. Gana el primer jugador que
extraiga una bola con su letra (A una bola A y B una bola B).
(a) Cul es la probabilidad
Fig. 13.16
[ ] =
5 4 5 5 4 3 5 5 4 4 3 2 5 5 4 4
10 9 10 9 8 7 10 9 8 7 6 5 40 9 8 7
3 3 2 1
76
=
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
1=
10 9 8 7 6 5 4 3 2
252
()
()
Ecua. 13.6
[13.7]
Para encontrar la probabilidad de que el dado que sacamos sea del tipo 1, utilizamos la
frmula para la probabilidad condicional bajo condiciones de dependencia estadstica
(|) =
()
()
[13.8]
( 1|) =
( 1, )
()
( 1|) =
0.20
= 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:
( 2|) =
( 2, ) 0.35
=
= 0.636
()
0.55
Qu hemos logrado con una porcin adicional de informacin que lleg a nuestras
manos? Qu 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, despus de lanzar el dado hemos sido capaces de alterar o revisar
nuestra estimacin anterior de probabilidad. Nuestra estimacin posterior es que existe
una probabilidad ms grande (0.636) de que el dado que tenemos en las manos sea del
tipo 2 que del tipo 1 (sta slo de 0.364).
Tabla 13.5
Bsqueda
de
la
probabilidad marginal de
obtener un as
Evento
Probabilidad
P(as
P(as,
elemental
del
evento
elemental)*
evento
evento
elemental
elemental)
Tipo 1
0.5
0.4
tipo 2
0.5
0.7
1.0
P(as) = 0.55
*Se utiliza la coma para separar los eventos conjuntos. Podemos poner juntas letras
individuales para indicar, sin que haya confusin, eventos conjuntos (por ejemplo, AB),
pero al poner juntas palabras completas produciramos eventos de apariencia extraa
(aseventoelemental), que podran ocasionar confusin.
( 1, 2 ) 0.080
=
= 0.246
(2 )
0.325
(2|2 ) =
( 22 ) 0.245
=
= 0.754
(2 )
0.325
Igualmente
Qu hemos obtenido con dos lanzamientos? Cuando sacamos el dado, todo lo que
sabamos era que haba probabilidades iguales de que ste fuera del tipo 1 o del tipo 2.
En otras palabras, exista la posibilidad 50-50 de que fuera del tipo 1 o del 2. Despus 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
Despus 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
As 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.
En ambos experimentos, obtuvimos nueva informacin gratis. Fuimos capaces de lanzar
el dado dos veces, observar su comportamiento y hacer inferencias a partir del
comportamiento, sin que esto implicara ningn costo.
Tabla 13.6
Bsqueda
de
la
probabilidad
marginal
de
Evento
Probabilidad
P(as
P(2 ases
P(as,
elemental
del
evento
evento
elemental)
elemental
elemental)
elemental
Tipo 1
0.5
0.4
0.16
0.16
tipo 2
0.5
0.7
0.49
0.080
evento
1.0
0.49
evento
0.5
0.5
0.245
en
dos
lanzamientos
consecutivos
Observe que si A = evento y 5 = strike, entonces las dos ltimas probabilidades se ajustan
a la frmula matemtica general para probabilidades conjuntas en condiciones de
dependencia: P(AS) = P(SA) = P(5|A) x P(4), ecuacin 13.7.
Evento
Tabla 13.7
P(evento)
P(1 strike
P(3
P(evento,
Evento)
strikes
3 strikes) (4)
evento
Probabilidades
posteriores
tres pruebas
con
Correcta
0.75
0.85
0.6141
0.6141
Incorrecta
0.25
0.35
0.0429
0.4606
1.00
0.0429
0.75
0.25
0.0107
P(3 strikes) = 0.4713
(|) =
()
()
Ecua. 13.9
(|3 ) =
(, 3 )
(3 )
0.4606
= 0.9773
0.4713
Tabla 13.8
Evento
P(evento)
P(Sevento)
P(SBSSSevento)
P(evento, SBSSS)
Probabilidades
Correcta
0.75
0.85
0.7830
posteriores
Incorrecta
0.25
0.35
0.07830
0.05873
0.00975 x 0.25 =
0.00975
0.00244
con resultados
1.00
inconsistentes
0.75
P(SBSSS) = 0.06117
( |) =
=
( , )
()
0.05873
0.06117
=0.9601