Sie sind auf Seite 1von 14

UNIVERSIDAD CENTRAL DE VENEZUELA

FACULTAD DE CIENCIAS
Escuela de Matemáticas
Probabilidades
Profesor: José Benito Hernández Chaudary

Probabilidad Condicional e Independencia de Eventos

La probabilidad de un evento dependerá a veces de nuestro conocimiento de que han


ocurrido otros eventos. Por ejemplo, a los deportistas de Florida que practican la pesca les
interesa mucho saber las probablidades de que llueva. Sin tomar en cuenta las condiciones at-
mosféricas u otros eventos, las probabilidades de que lluevan un dı́a determinado se pueden
inferir del numero de dı́as que llueve en un periodo prolongado. Ésta es la probabilidad in-
condicional del evento llueve determinado dı́a. Ahora supongamos que deseamos conocer las
probabilidades de que mañana llueva. Ha llovido continuamente durante dos dı́as consecu-
tivos y una tormenta tropical se aproxima a la costa. Tenemos además información referente
a las posibilidades de que mañana llueva, y deseamos saber la probabilidad condicional de
que llueva, según esta información. Un residente de Florida nos dirı́a que la probabilidad
condicional de que llueva (tomando en cuenta que ha llovido los dos dı́as anteriores y que se
prevé la tormenta tropical) es mucho mayor que la probabilidad incondicional de que llueva.
Para resolver el ejemplo anterior y muchos otros similares, en este capı́tulo estudiaremos
dos conceptos importantes de la teorı́a de probabilidad, como son: la probabilidad condicional
y la independencia de eventos.

1. Probabilidad Condicional
Para caracterizar la relación entre A y B introducimos el concepto de probabilidad condi-
cional de A, dado que el evento B ha ocurrido. Ésta probabilidad puede ser distinta de la
probabilidad de A y refleja de qué manera la información adicional que tenemos (que ha
ocurrido el evento B) altera la probabilidad de que suceda el evento A. Antes de dar las
deficiones formales, daremos un ejemplo ilustrativo de la situación.

Ejemplo 1.1 Considere el experimento correspondiente al lanzamiento de dos dados (uno rojo y otro
verde) y supongamos que todos los resultados son igualmente probables. Sean los eventos

A={la suma de los dados es 8}

B={el dado rojo muestra 2}

C={la suma de los dados es mayor que 10}

Supongamos que el dado rojo muestra 2, es decir, ocurre B. Entonces, dada esta información ¿cuál es
la probabilidad de que la suma sea 8? ¿mayor que 10?

1
Solución:
El espacion muestral es
Ω = {(1, 1), (1, 2), . . . , (6, 5), (6, 6)}
cuyo cardinal es 36. La probabilidad del evento A sin tomar en cuenta la ocurrencia de B es

#A 5
P( A) = =
#Ω 36
y la probabilidad del evento C es

#C 3 1
P (C ) = = = .
#Ω 36 12
Tomando en cuenta la ocurrencia del evento B, el nuevo espacio restringido, llamemoslo Ω′ ,
es
Ω′ = {(2, 1), (2, 2), (2, 3), (2, 4), (2, 5), (2, 6)}
El cardinal de Ω′ es 6 y el cardinal de A en el nuevo espacio es 1, luego la probabilidad de A
dado B es
1
P( A/B) =
6
y se ve que P( A/B) ̸= P( A). Para el evento C se tiene que el cardinal de C en Ω′ es 0, y por
lo tanto P(C/B) = 0, nuevamente P(C/B) ̸= P(C ). 2

Definición 1.1 Sea (Ω, F , P) un espacio de probabilidad y B ∈ F un evento tal que

P( B) > 0.

Definimos una función


P(·/B) : F → R
mediante la fórmula
P( A ∩ B)
P( A/B) = (1)
P( B)
para todo A ∈ F . Esta función ası́ definida, es una función de probabilidad, y se llama probabilidad
condicional dado el evento B.
Veamos que en efecto P(·/B) es una función de probabilidad

1. P( A/B) ≥ 0, para todo A ∈ F . Por hipótesis P( B) > 0, además P( A ∩ B) ≥ 0, de


P( A∩ B)
donde P( A/B) = P( B) ≥ 0

P(Ω∩ B) P( B)
2. P(Ω/B) = 1, se tiene que P(Ω/B) = P( B)
= P( B)
=1

P(∪∞k =1 ( Ak ∩ B ))

3. P (∪∞
k =1 Ak /B ) = = ∑ P( Ak /B) para toda sucesión de eventos Ak ∈
P( B) k =1
F , k ≥ 1, disjuntos dos a dos.

2
Ejemplo 1.2 Consideremos una población de 10 artı́culos entre los cuales hay 7 en buen estado, que
llamaremos tipo A y 3 en mal estado que llamaremos del tipo B. De esta población se extraen dos
artı́culos al azar, sin reemplazo y se considerarán los siguientes eventos:
E1 = el primer artı́culo estraido está en buen estado.
E2 el segundo artı́culo estraido está en buen estado.
Si suponemos que en la primera extracción el artı́culo está en buen estado ¿cuál es la probabilidad de
que en la segunda extracción, el artı́culo esté en buen estado?
Solución:
El espacio muestral es
Ω = {( ai , a j ); ( a1 , bk ); (bk , a j ); (bk , bn )}
donde los ai son los elementos tipo A con 1 ≤ i, j ≤ 7 y los bk son los elementos tipo B con
1 ≤ k, n ≤ 3.
Como se trata de una muestra ordenada sin reemplazo, el cardinal de Ω es V10,2 = 10!8! =
90.
En la tabla siguiente, indicamos el número de eventos elementales correspondientes a la
partición de Ω en E1 , E2 y sus complementos

∩ E2 E2c Ω
E1 7×6 7×3 7×9
E1c 3×7 3×2 3×9
Ω 7×9 3×9 10 × 9

Se tiene, ası́
P( E1 ∩ E2 ) 7 × 6/90 6 2
P( E2 /E1 ) = = = = .
P( E1 ) 7 × 9/90 9 3
2

Propiedades
1. Si A ∩ B = ∅, entonces P( A/B) = 0

2. Si B ⊂ A, entonces P( A/B) = 1

3. Si todos los puntos de un espacio muestral finito son equiprobables, entonces


#( A ∩ B )
P( A/B) =
#B
si B es un evento tal que P( B) > 0, esto es #B > 0.
Demostración. La demostración se deja como TAREA. 2

1.1. Intersección de dos o más eventos


De la definición 1.1 se deducen las siguientes expresiones para la probabilidad de la in-
tersección de dos o más eventos:
1. Si A y B son dos eventos tales que P( B) > 0, entonces

P( A ∩ B) = P( A/B) P( B)

3
2. Si A1 , A2 , . . . , An son eventos tales que P( A1 ∩ A2 ∩ · · · ∩ Ak ) > 0, para 1 ≤ k ≤ n,
entonces

P( A1 ∩ A2 ∩ · · · ∩ An ) = P( An /A1 ∩ A2 ∩ · · · ∩ An−1 ) P( An−1 /A1 ∩ A2 ∩ · · · ∩ An−2 ) · · ·


· · · P( A3 /A1 ∩ A2 ) P( A2 /A1 ) P( A1 ).

Demostración.

1. Directo de la definición 1.1.

2. Por inducción sobre n.

a) Para n = 2, se tiene de la definición 1.1

P( A1 ∩ A2 ) = P( A2 /A1 ) P( A1 )

b) Supongamos cierto para n = k

P( A1 ∩ A2 ∩ · · · ∩ Ak ) = P( Ak /A1 ∩ A2 ∩ · · · ∩ Ak−1 ) P( Ak−1 /A1 ∩ A2 ∩ · · · ∩ Ak−2 ) · · ·


· · · P( A3 /A1 ∩ A2 ) P( A2 /A1 ) P( A1 ).

c) Demostremos para n = k + 1

P( A1 ∩ A2 ∩ · · · ∩ Ak ∩ Ak+1 ) = P(( A1 ∩ A2 ∩ · · · ∩ Ak ) ∩ Ak+1 )


por la parte a)
= P( Ak+1 /A1 ∩ A2 ∩ · · · ∩ Ak ) P( A1 ∩ A2 ∩ · · · ∩ Ak )
por hipótesis de inducción
= P( Ak+1 /A1 ∩ A2 ∩ · · · ∩ Ak ) P( Ak /A1 ∩ A2 ∩ · · · ∩ Ak−1 )
P( Ak−1 /A1 ∩ A2 ∩ · · · ∩ Ak−2 ) · · ·
· · · P( A3 /A1 ∩ A2 ) P( A2 /A1 ) P( A1 ).

Ejemplo 1.3 Consideremos las combinaciones posibles de los hijos de una familia de dos hijos siendo
todas equiprobables. Definamos los siguentes eventos:

A ={la familia tiene un varón}={(v, v); (v, h); (h, v)}

B ={el mayor es un varón}={(v, v); (v, h)}

C ={los dos hijos son varones}={(v, v)}

Calcule:

1. la probabilidad de que los dos hijos sean varones sabiendo que la familia tiene un hijo varón.

2. la probabilidad de que los dos hijos sean varones sabiendo que el hijo mayor es un varón.

4
Solución:
El espacio muestral es
Ω = {(v, v); (v, h); (h, v); (h, h)}
Queremos calcular
P(C/A) y P(C/B)

1. Calculemos P(C/A), usando la definición 1.1

P( A ∩ C )
P(C/A) =
P( A)
donde A ∩ C = {(v, v)}, luego P( A ∩ C ) = 1/4, además P( A) = 3/4
1/4 1
= =
3/4 3

2. Calculemos ahora P(C/B)

P( B ∩ C )
P(C/B) =
P( B)
donde B ∩ C = {(v, v)}, luego P( B ∩ C ) = 1/4, además P( B) = 2/4 = 1/2
1/4 1
= =
1/2 2

Ejemplo 1.4 Se lanzan dos dados distinguibles, se quiere calcular la probabilidad de que la suma de
los números sea 7 y al mismo tiempo la diferencia entre el mayor y el menor sea 1.
Solución:
Tenemos los siguientes eventos:

A ={la suma de los dados es 7}

B ={la diferencia entre el mayor y el menor es 1}

El cardinal de Ω es 62 = 36, el cardinal del evento A es 6 y el cardinal del evento B es 10. Se


tiene además que
6 1 2 1
P( A) = = ; P( B/A) = = .
36 6 6 3
De aquı́ obtenemos
1 1 1
P( A ∩ B) = P( B/A) P( A) = × =
3 6 18
2

5
1.2. Principio de Expansión y Teorema de Bayes
Sea (Ω, F , P) un espacio de probabilidad, A un evento del espacio muestral y Bk con
1 ≤ k ≤ n, una sucesión de eventos disjuntos dos a dos. Si la realización del evento A va
acompañado de la realización de alguno de los eventos Bk , es decir,
A = ∪nk=1 ( A ∩ Bk )
entonces, por definición de probabilidad, se tiene
n
P( A) = ∑ P( A ∩ Bk ) (2)
k =1

Teniendo presente este resultado, vamos a demostrar los siguientes teoremas que resultan
muy útiles para el cálculo de probabilidades condicionales cuando se tienen sucesiones de
eventos, pero antes de ello, veamos la siguiente definición.

Definición 1.2 Sea S un conjunto (no vacı́o), n un entero positivo y los conjuntos B1 , B2 , . . . , Bn
que satisfacen las siguietnes propiedades:
1. S = B1 ∪ B2 ∪ · · · ∪ Bn
2. Bi ∩ Bj = ∅ para todo i ̸= j.
De esta manera, se dice que la colección de conjuntos { B1 , B2 , . . . , Bn } es una partición de S.

Teorema 1.1 Principio de Expansión. Si A = ∪in=1 ( A ∩ Bi ) y P( Bi ) > 0 para 1 ≤ i ≤ n,


entonces, la probabilidad del evento A puede expresarse mediante la fórmula
n
P( A) = ∑ P( A/Bi ) P( Bi ) (3)
i =1

con Bi , 1 ≤ i ≤ n, eventos disjuntos dos a dos.


Demostración. Como los Bi son eventos disjuntos dos a dos, se tiene que
( A ∩ Bi ) ∩ ( A ∩ Bj ) = ∅ con i ̸= j
luego
n
P( A) = P (∪in=1 ( A ∩ Bi )) = ∑ P( A ∩ Bi )
i =1
Por la definición 1.1, se tiene
n n
P( A) = ∑ P( A ∩ Bi ) = ∑ P( A/Bi ) P( Bi )
i =1 i =1
2

Teorema 1.2 Teorema de Bayes. Sea A = ∪in=1 ( A ∩ Bi ) y P( Bi ) > 0 con Bi , 1 ≤ i ≤ n, eventos


disjuntos dos a dos. Supongamos que conocemos P( A/Bi ), para 1 ≤ i ≤ n; entonces podemos
calcular P( Bi /A) mediante la siguiente fórmula
P( Bi ∩ A) P( A/Bi ) P( Bi )
P( Bi /A) = = n (4)
P( A) ∑k=1 P( A/Bk ) P( Bk )

6
Demostración. Se sigue inmediatamente de la definición 1.1 y el Principio de Expansión (Teo-
rema 1.1) 2

Ejemplo 1.5 En un dı́a de lluvia, la probabilidad de que Bertha llegue tarde a clase es de 0,8, mientras
que en un dı́a de sol es solo de 0,1. Un 70 % de los dı́as son lluviosos y el resto son de sol.

1. ¿Cuál es la probabilidad de que Bertha llegue tarde a clase?

2. Un dı́a miércoles de este año, Bertha llegó tarde a clase, ¿cuál es la probabilidad de que ese dı́a
haya sido lluvioso?

Solución:
Consideremos los siguientes sucesos:

T = {Bertha llega tarde}


L = {el dı́a es lluvioso}
S = {el dı́a es soleado}

Tenemos la siguiente información

P( T/L) = 0,8; P( T/S) = 0,1;


P( L) = 0,7; P(S) = 0,3.

1. Se tiene que
T = ( T ∩ L) ∪ ( T ∩ S)
Usando el principio de expansión, tenemos

P( T ) = P( T/L) P( L) + P( T/S) P(S)


= 0,8 × 0,7 + 0,1 × 0,3 = 0,59

La probabilidad de que Bertha llegue tarde a clase es 0,59.

2. Ahora nos valemos del Teorema de Bayes

P( T/L) P( L) 0,8 × 0,7 0,56


P( L/T ) = = = = 0,95
P( T ) 0,59 0,59

La probabilidad de que el dı́a miércoles de este año en el cual Bertha llegó tarde haya
sido lluvioso es 0,95.

Ejemplo 1.6 Se tienen tres cajas con el siguiente contenido: la primera contiene tres bolas blancas y
una bola negra, la segunda dos bolas blancas y dos bolas negras y la tercera contiene tres bolas blancas.
Se elige una caja al azar, si resulta seleccionada la primera o la segunda caja, se extraen dos bolas con
reemplazo y si resulta elegida la tercera, se extraen dos bolas sin reemplazo. Al realizar la experiencia,
se obtienen dos bolas blancas, ¿cuál es la probabilidad de que provengan de la caja i, con i = 1, 2, 3?

7
Solución:
Consideremos los siguientes eventos:

Ai = {elegimos la caja número i }, i = 1, 2, 3


B = {las dos bolas seleccionadas son blancas}

Para A1 y A2 se tienen muestras no ordenadas con reemplazo, cuyos cardinales son


( ) ( )
4+2−1 5
#A1 = #A2 = A4,2 = =
2 2

luego

P ( B ∩ A1 )
P( B/A1 ) =
P ( A1 )
( ) ( )
3+2−1 4
el cardinal de B ∩ A1 es A3,2 = =
2 2
( )
4
4!
2 3
= ( ) = 2!2! 5!
=
5 3!2!
5
2

P ( B ∩ A2 )
P( B/A2 ) =
P ( A2 )
( ) ( )
2+2−1 3
el cardinal de B ∩ A2 es A2,2 = =
2 2
( )
3
3!
2 3
= ( ) = 2!2! 5!
=
5 3!2!
10
2
( )
3
Para A3 se tiene una muestra no ordenada sin reemplazo, cuyo cardinal es C3,2 =
2
luego

P ( B ∩ A3 )
P( B/A3 ) =
P ( A3 )
( )
3
el cardinal de B ∩ A3 es C3,2 =
2
( )
3
3!
2
= ( ) 2!1!
= 3! = 1
3 2!1!
2

Por el Teorema de Bayes, se tiene

P( B/Ai ) P( Ai )
P( Ai /B) = ; i = 1, 2, 3
P( B)

8
La probabilidad de elegir la caja i es P( Ai ) = 1/3 con i = 1, 2, 3, luego por el Principio de
Expansión, obtenemos
3
3 1 3 1 1 19
P( B) = ∑ P( B/Ai ) P( Ai ) = 5 × 3 + 10 × 3 + 1 × 3 = 30
i =1

Ahora

P( B/A1 ) P( A1 ) 3
5 × 1
3 6
P( A1 /B) = = 19
=
P( B) 30
19
P( B/A2 ) P( A2 ) 3
10 × 1
3 3
P( A2 /B) = = 19
=
P( B) 30
19
P( B/A3 ) P( A3 ) 1× 1
3 10
P( A3 /B) = = 19 =
P( B) 30
19

Proposición 1.1 Sea { A j }, 1 ≤ j ≤ n, una sucesión finita de eventos, no necesariamente disjuntos,


entonces

P (∪in=1 Ai ) = S1 − S2 + S3 − S4 + · · · + (−1)k−1 Sk + · · · + (−1)n−1 Sn (5)

donde
n
S1 = ∑ P ( A i ) y Sk = ∑ P( A j1 ∩ A j2 ∩ · · · ∩ A jk ) con 2 ≤ k ≤ n.
i =1 1≤ j1 ≤···≤ jk ≤n

Demostración. Por inducción sobre n.


Para n = 2, se tiene
P ( A1 ∪ A2 ) = P ( A1 ) + P ( A2 ) − P ( A1 ∩ A2 )
Supongamos cierto para todo entero 1 ≤ k ≤ n − 1, esto es

P (∪in=1 Ai ) = S1 − S2 + S3 − S4 + · · · + (−1)k−1 Sk + · · · + (−1)n−2 Sn−1

Demostremos para n
(( ) )
P (∪nk=1 Ak ) = P ∪nk=−11 ∪ An
( ) (( ) )
= P ∪nk=−11 Ak + P( An ) − P ∪nk=−11 Ak ∩ An
−1 n −1
pero (∪nk= 1 A k ) ∩ An = ∪k =1 ( A k ∩ An ), luego
n −1
= ∑ P ( Ai ∩ A n ) − ∑ P( A j1 ∩ A j2 ∩ An ) + · · ·
i =1 1≤ j1 ≤ j2 ≤n−1

· · · + (−1)n−2 P( A1 ∩ A2 ∩ · · · ∩ An−1 ∩ An )
= S1 − S2 + · · · + (−1)n−1 Sn

9
Ejemplo 1.7 Problema de Coincidencias: Se tienen n objetos y se permutan aleatoriamente. Di-
remos que hay una coincidencia en el lugar i, si el objeto número i queda en la i-ésima posición al
realizar la permutación. Calcular la probabilidad de que no haya ninguna coincidencia.
Solución:
Sea el evento Ai = {hay una coincidencia en la i-ésima posición}. El conjunto ∪in=1 Ai re-
presenta el evento ”hay al menos una coincidencia”. El complementario representa el evento
”no hay coincidencias”.
Usaremos la proposición 1.1 para calcular la probabilidad de la unión. Tenemos
( n − 1) ! 1
P ( Ai ) = =
n! n
De aquı́, obtenemos
n
S1 = ∑ P( Ai ) = 1.
i =1
La probabilidad para la intersección de cualquier par de estos eventos es
( n − 2) ! 1
P ( Ai ∩ A j ) = = .
n! n ( n − 1)
El cardinal del conjunto {(i, j) : 1 ≤ i ≤ j ≤ n} donde i es el primer elemento que coincide
y j el segundo elemento que coincide, es idéntico al número de muestras no ordenadas sin
reemplazo de tamaño 2 que se pueden formar a partir de la población

S = {1, 2, 3, . . . , n}

obteniéndose
( )
n 1 n! 1 n(n − 1)(n − 2)! 1
S2 = = = = .
2 n ( n − 1) (n − 2)!2! n(n − 1) n(n − 1)(n − 2)!2! 2!
En general, se tiene
(n − k )!
P( A j1 ∩ A j2 ∩ · · · ∩ A jk ) =
n!
y ( )
n (n − k)! n! (n − k)! 1
Sk = = =
k n! (n − k)!k! n! k!
De donde, la probabilidad de que haya al menos una coincidencia es

P (∪nk=1 Ak ) = S1 − S2 + · · · + (−1)n−1 Sn
1 1 1
= 1 − + − · · · + (1 ) n −1
2! 3! n!
ası́, la probabilidad de que no haya coincidencia es:
( )
P (∪nk=1 Ak )c = 1 − P (∪nk=1 Ak )
1 1 1
= − + · · · + (−1)n ≈ 0,3678.
2! 3! n!
Observe que la expresión anterior corresponde al desarrollo del Polinomio de Taylor alrede-
dor de x = 0 de f ( x ) = e x , para x = 1. 2

10
Ejemplo 1.8 Se lanzan 6 dados distinguibles balanceados, ¿cuál es la probabilidad de obtener seis
números distintos?
Solución:
Este problema tiene dos formas de resolverse, dando ambas el mismo resultado
1. Solución 1: Sea A el evento ”se obtienen 6 números distintos”. El cardinal del espacio
muestral es #Ω = 66 y el cardinal del evento A es #A = 6 × 5 × 4 × 3 × 2 × 1 = 6!,
luego
#A 6! 5!
P( A) = = 6 = 5 = 0,0154.
#Ω 6 6
2. Solución 2: Usando las probabilidades condicionales, siendo los eventos:
A1 = {se obtiene culaquier número en el dado #1}
A2 = {el resultado del dado #2 es distinto al del #1}
A3 = {el 3er resultado es distinto a los dos primeros}
A4 = {el resultado #4 es distinto a los tres primeros}
A5 = {el resultado #5 es distinto a los cuatro anteriores}
A6 = {el resultado #6 es distinto a los cinco anteriores}

luego
P ( A1 ) = 1
5
P( A2 /A1 ) =
6
4
P( A3 /A1 ∩ A2 ) =
6
3
P( A4 /A1 ∩ A2 ∩ A3 ) =
6
2
P( A5 /A1 ∩ A2 ∩ A3 ∩ A4 ) =
6
1
P( A6 /A1 ∩ A2 ∩ A3 ∩ A4 ∩ A5 ) =
6
Por consiguiente
P( A1 ∩ A2 ∩ A3 ∩ A4 ∩ A5 ∩ A6 ) = P( A6 /A1 ∩ A2 ∩ A3 ∩ A4 ∩ A5 ) · · ·
· · · P( A3 /A1 ∩ A2 ) P( A2 /A1 ) P( A1 )
1 2 3 4 5 5!
= × × × × × 1 = 5 ≈ 0,0154.
6 6 6 6 6 6
2

1.3. Eventos Independientes


Al introducir el concepto de probabilidad condicional, notamos que en ciertos casos,
cuando la ocurrencia del evento B no nos aporta información respecto a la ocurrencia o no
del evento A, se tiene que
P( A/B) = P( A)

11
En este caso decimos que A es independiente de B. Ahora bien, sabemos que

P(∩ B)
P( A/B) =
P( B)

por lo tanto, si P( A/B) = P( A), entonces se tiene

P( A ∩ B) = P( A) P( B)

Esta expresión es válida, aún cuando P( A) = 0 ó P( B) = 0. Formalmente, se tiene la sigu-


iente definición.

Definición 1.3 Se dice que dos eventos A y B son independientes si cumplen cualesquiera de las
siguientes condiciones:

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

si no se cumplen, se dice que los eventos son dependientes.


Si analizamos con cuidado los eventos en cuestión, descubrimos que la noción de inde-
pendencia como concepto probabilı́stico concuerda con el uso que le damos a la palabra en
lenguaje cotidiano. La mayorı́a estará de acuerdo en que fumar y contraer cáncer de pulmón
no constituyen eventos independientes, e intuirá que la probabilidad de contraer esa enfer-
medad, en caso de que la persona fume, es mayor que la probabilidad (incondicional) de
contraerla. En cambio, los eventos llueve hoy y lloverá dentro de un mes pueden ser indepen-
dientes.

Proposición 1.2 1. Ω y ∅ son independientes de cualquier evento.

2. Si A y B son independientes, también lo son:

a) A y Bc
b) Ac y Bc
Demostración.

1. Sea A un evento cualesquiera, entonces

P(Ω ∩ A) = P( A) = P(Ω) P( A)
P(∅ ∩ A) = P(∅) = 0 = P(∅) P( A)

2. Sean A y B dos eventos independientes

a)

P( A ∩ Bc ) = P( A − B) = P( A) − P( A ∩ B)
= P( A) − P( A) P( B) = P( A)(1 − P( B))
= P( A) P( Bc )

12
b)

P( Ac ∩ Bc ) = 1 − P( A ∪ B) = 1 − P( A) − P( B) + P( A ∩ B)
= 1 − P( A) − P( B) + P( A) P( B)
= − P( A)(1 − P( B)) + (1 − P( B))
= (1 − P( A))(1 − P( B)) = P( Ac ) P( Bc )

Definición 1.4 Sea C = { Ai , i ∈ I } una familia cualquiera de eventos. Diremos que los eventos
Ai , i ∈ I, son independientes, si para cualquier subcolección finita de eventos Ai1 , Ai2 , . . . , Ain ∈ C
n
P (∩nk=1 Aik ) = ∏ P ( Ai ) k
(6)
k =1

en este caso, diremos que la familia C , es una familia de eventos independientes.

Observación 1.1 En la definición 1.4 sólo intervienen colecciones finitas de eventos de la familia C ,
pero intervienen todas las colecciones finitas de dicha familia.

Ejemplo 1.9 Se lanzan dos (2) dados distinguibles, consideremos la siguiente familia de eventos

C = { A1 , A2 , A3 }

donde
A1 ={se obtiene 6 en el primer dado}

A2 ={se obtiene 1 en el segundo dado}

A3 ={la suma de las caras superiores es 7}


¿Serán independientes los tres eventos?
Solución:
Claramente
1
P ( A1 ) = P ( A2 ) = P ( A3 ) =
6
La probabilidad de las intersecciones es
1 1
P ( A1 ∩ A2 ) = P ( A1 ∩ A3 ) = P ( A2 ∩ A3 ) = 2
=
6 36
por lo tanto
P( Ai ∩ A j ) = P( Ai ) P( A j ) para i ̸= j
Pero, la familia no es de eventos independientes, ya que
1
P ( A1 ∩ A2 ∩ A3 ) = ̸ = P ( A1 ) P ( A2 ) P ( A3 ).
62
2

13
Ejemplo 1.10 Un lote de 10 objetos, contiene 4 defectuosos y 6 en buen estado. Se extraen 2 objetos
sucesivamente y sin reemplazo. Definimos los siguientes eventos

D1 ={el primer objeto es defectuoso}

D2 ={el segundo objeto es defectuoso}

¿son independientes estos sucesos?


Solución:
Usando el Principio de Expansión, obtenemos

P( D2 ) = P( D2 /D1 ) P( D1 ) + P( D2 /D1c ) P( D1c )


3 4 4 6 2
= × + × =
9 10 9 10 5
Puesto que
3 1
P( D2 /D1 ) = =
9 3
Se tiene ası́ que
1 4 2
P( D1 ∩ D2 ) = P( D2 /D1 ) P( D1 ) = × =
3 10 15
Por otra parte
4 2 4
P( D1 ) P( D2 ) = × =
10 5 25
Se tiene entonces P( D1 ∩ D2 ) ̸= P( D1 ) P( D2 ), por lo tanto, los eventos no son independi-
entes. 2

14

Das könnte Ihnen auch gefallen