Probabilidades y Estadstica

Elementos de Probabilidades Experimento Aleatorio Un experimento aleatorio es cualquier situacin, actividad u operacin en la que se puede presentar uno y slo uno de varios resultados dentro un conjunto bien definido de resultados posibles. Caractersticas: a) El experimento se puede repetir indefinidamente, sin cambiar las condiciones. b) Cualquier modificacin a las condiciones iniciales de la repeticin puede modificar el experimento. c) Es posible describir el conjunto de todos los resultados posibles del experimento. d) No es posible predecir un resultado en particular e) Si el experimento se repite un gran nmero de veces, aparece un modelo definido de regularidad. Espacio Muestral Se llama espacio muestral asociado a un experimento aleatorio , al conjunto de todos los posibles resultados de dicho experimento. El espacio muestral puede ser finito, infinito numerable o infinito no numerable. Cada elemento del espacio muestral se llama elemento o miembro del espacio muestral o simplemente punto muestral Ejemplos: 1. Sea un experimento consistente en lanzar una moneda al aire, dos veces. Determinar S. Definiendo la notacin C: Aparece Cara, y S: Aparece Sello. Entonces, el espacio muestral est dado por S={(C,C), (S,C),(C,S), (S,S)} 2. Considerar un experimento donde se seleccionan dos componentes y se clasifican si cumplen o no los requerimientos de fabricacin (Aceptable o no aceptable). Determinar S. Definiendo la notacin A: Aceptable y N: No Aceptable. Entonces, el espacio muestral est dado por S={(A,A), (A,N),(N,A), (N,N)} 3. Se tiene un lote de tres artculos, a, b y c. Se seleccionan dos artculos sin reemplazo. Determinar S. Si slo importa los artculos seleccionados y no el orden en que se seleccionan, entonces: S={(a,b) , (a,c), (b,c)} 4. Si se tiene la misma situacin anterior, pero ahora se seleccionan dos artculos con reemplazo. Determinar S. S={(a,a) , (b,b), (c,c) , (a,b) , (a,c), (b,c)} Evento o Suceso Sea un experimento aleatorio , el cual tiene asociado un espacio muestral S. Un evento o suceso es un Subconjunto de S. De aqu, se puede efectuar las siguientes observaciones. a) S es un suceso b) es un suceso

Edmundo Pea Rozas, Juan Garcs Seguel

Probabilidades y Estadstica

Algunas Propiedades Dado que se est trabajando con conjuntos, aplicando esta teora, es posible enunciar algunas propiedades para los eventos. Sean A y B eventos asociados a un espacio muestral S. a) A B es el evento que ocurre si, y slo si ocurren A o B, o ambos. b) A B es el evento que ocurre si, y slo si los eventos A y B ocurren. c) Ac es el evento que ocurre si y slo si el evento A no ocurre.
n

d) Sea una coleccin finita de eventos A1 , A2 ,..., An . Entonces, el evento uno de los eventos Ai ocurre.

U A ocurre si, y slo si al menos

i i =1

e) Sea una coleccin finita de eventos A1 , A2 ,..., An . Entonces, el evento eventos Ai ocurren. f) Sea una coleccin infinita de eventos Ai . Entonces, el evento eventos Ai ocurre. g) Sea una coleccin infinita de eventos Ai . Entonces, el evento ocurren.

I A ocurre si, y slo si todos los

i i =1

U A ocurre si, y slo si al menos uno de los

i i =1

I A ocurre si, y slo si todos los eventos

i i =1

Ai

Ejemplo: Sea E1: el experimento consistente en lanzar un dado (regular) y observar el nmero que aparece en la cara superior. Sea el suceso compuesto: A=sale un nmero mayor que cuatro. Sea el suceso compuesto: B=sale un nmero par Solucin: El espacio muestral est definido por: ={1, 2, 3, 4, 5, 6} El sub espacio muestral asociado al evento A es: A = {5,6} El sub espacio muestral asociado al evento B es: B = {2, 4, 6} El complemento de A est dado por los lanzamientos con resultado menor o igual a cuatro, entonces Ac={1, 2, 3, 4} El complemento de B est dado por los lanzamiento con resultado impar, entonces Bc={1, 3, 5} La interseccin de los sucesos A y B es: AB={6} La unin de los sucesos A y B es: AUB={2, 4, 5 ,6} Ejemplo: Se analizan muestras de policarbonato para determinar su resistencia a las rayaduras y a los golpes. El siguiente es un resumen con los resultados obtenidos con 49 muestras.
Resistencia a los Golpes Alta Baja Resistencia a Alta Rayaduras Baja 40 2 4 3

Se definen los eventos A: La muestra tiene una alta resistencia a los golpes y B: La muestra tiene una alta resistencia a las rayaduras. Representar con Diagramas de Venn este espacio muestral y los eventos A y B. Indicar el nmero de resultados en cada regin del diagrama. Adems, determinar el nmero de muestras en los siguientes eventos: A B , AC y A B .

Edmundo Pea Rozas, Juan Garcs Seguel

Probabilidades y Estadstica

Solucin: A partir de la informacin proporcionada, el diagrama de Venn que representa los eventos y el espacio muestral es:

De esta forma: - La cantidad de muestras que estn en AB es 40 - La cantidad de muestras que estn en Ac es 49-42=7 - La cantidad de muestras que estn en AUB es 46 - La cantidad de muestras que no estn ni en A ni en B es 3 (AUB)c=3

Eventos mutuamente excluyentes Dos eventos A y B son mutuamente excluyentes, si no pueden ocurrir juntos, es decir AB=. Probabilidad Representa la posibilidad de ocurrencia de un determinado suceso en un experimento aleatorio. Se puede considerar como una medida de la incertidumbre con valores comprendidos entre 0 y 1. Por ejemplo, la probabilidad de que salga un dos al lanzar un dado es 1/6. Para calcular la probabilidad de ocurrencia de un suceso o evento es necesario que ste se comporte de una manera ms o menos estable. Precisamente, se echa mano de la regularidad estadstica, que es la propiedad de los fenmenos aleatorios, y que consiste en que al aumentar el nmero de repeticiones de un experimento en condiciones prcticamente constantes, la frecuencia relativa de ocurrencia para cada evento tiende a un valor fijo. Bsicamente existen tres mtodos para calcular probabilidades: Frecuencia relativa (a posteriori) Modelo subjetivo Modelo clsico ( a priori) Modelo de frecuencia relativa (a posteriori): Utiliza datos que se han observado empricamente, registrando la frecuencia con que ha ocurrido un evento en el pasado y estima la probabilidad de que ocurra de nuevo.

P( E ) =

# de veces en que ocurre el evento # de observaciones

Respecto de lo anterior, la ley de los grandes nmeros seala que si un experimento se repite un gran nmero de veces, la frecuencia relativa de un suceso o evento tiende a aproximarse a su probabilidad real. Modelo Subjetivo: Este modo de determinar probabilidades de ocurrencia se utiliza cuando no hay datos histricos disponibles y por lo tanto, no es posible calcular probabilidades a partir del desempeo anterior En este caso, la nica alternativa es el CRITERIO. Se utiliza por ejemplo, cuando se desea asignar una probabilidad de ocurrencia a un suceso que nunca ha ocurrido Modelo Clsico (a priori): Este modelo se encuentra fuertemente asociado a los juegos de azar y se define como el nmero de eventos elementales que componen al evento A, entre el total de sucesos elementales que componen el espacio muestral.
Edmundo Pea Rozas, Juan Garcs Seguel

Probabilidades y Estadstica

P( E ) =

# de formas en que puede ocurrir un evento # de posibles resultados

Expresado de otra manera, si un experimento puede tener como resultado cualquiera de N diferentes resultados igualmente probables, y si exactamente n de estos resultados corresponden al suceso A, la probabilidad de ocurrencia del suceso A est dada por:
P( A) = n N

Esta definicin de probabilidad corresponde a la probabilidad o regla de Laplace, es la ms utilizada pero exige, un nmero finito de elementos muestrales y que, todos los eventos elementales tienen la misma probabilidad de ocurrir. Definicin: Sea un experimento y un espacio muestral asociado a . Con cada evento A asociamos un nmero real P(A), el cual satisface las siguientes propiedades: 0 P(A) 1 P()=1 Si A y B son dos eventos que se excluyen mutuamente, P(A U B)= P(A) + P(B) Teorema: Si A es un suceso seguro, entonces P(A)=1 Teorema: Si A es un suceso imposible, entonces P(A)=0 Teorema: Si A es un suceso posible, y si Ac es el evento complementario de A, entonces P(Ac) = 1 - P(A) Ejemplo: Calcular la probabilidad de que al lanzar un dado se obtenga un nmero par. Solucin: ={1, 2, 3, 4, 5, 6} Sea B= sale un nmero par B={1,3,5}
P(B) =

P(Bc)=1-P(B)= 1 0.5= 0.5 Teorema: Si A y B son dos sucesos posibles definidos dentro de un mismo espacio muestral y si AB , entonces A y B son dos traslapantes, y la probabilidad de que ocurra A o B o ambos est dada por la suma de sus probabilidades menos la probabilidad de que ambos ocurran conjuntamente, es decir: P ( A B ) = P ( A) + P ( B ) P ( A B ) . Ejemplo: Se extrae una carta de un mazo de 52 naipes. Cul es la probabilidad de que salga un rey o un trbol? Solucin: A= es un rey B = es un trbol Los eventos no son excluyentes, por lo tanto:

3 1 = 6 2

P( A B) = P ( A) + P ( B) P( A B) P( A B) = 4 13 1 16 4 + = = 52 52 52 52 13

Edmundo Pea Rozas, Juan Garcs Seguel

Probabilidades y Estadstica

Teorema: si se tiene los sucesos A, B, y C, definidos en un mismo espacio muestral, se tiene que:

P( A B C ) = P( A) + P( B ) + P(C ) P ( A B ) P ( A C ) P( B C ) + P( A B C )
Teorema: Si A y B son dos sucesos posibles definidos dentro de un mismo espacio muestral y si AB = , entonces A y B son dos sucesos mutuamente excluyentes y la probabilidad de que ocurra A o B es la suma de sus probabilidades, es decir, P( A B) = P( A) + P( B) Ejemplo: Una caja contiene 200 piezas idnticas. De estas piezas, 100 son producidas por la mquina A, 60 por la mquina B y 40 por la mquina C. Si una pieza es escogida al azar de la caja, probabilidad de que fue producida por la mquina A o B es: Solucin:

P( A B) =

100 60 + = 0,80 200 200

En muchas ocasiones, cuando se evala la probabilidad de ocurrencia de un determinado suceso, se tiene alguna informacin respecto del experimento. La disponibilidad de esta informacin, reduce el espacio muestral a un subconjunto de este, es decir, la informacin disponible nos est indicando claramente que nos encontramos en una porcin del espacio muestral, de tal forma que la probabilidad de ocurrencia de este suceso es diferente. Por ejemplo, la probabilidad de que un trabajador de nuestro pas escogido al azar, tenga un ingreso mensual superior a $2000000, es distinta si sabemos que este trabajador es un profesional universitario con estudios en el extranjero. Teorema: La probabilidad de que ocurra un suceso A, dado que ha ocurrido un suceso B, se llama probabilidad condicional de A dado B y se expresa como:

P( A \ B) =

P( A B) , con P ( B) > 0 P( B ) P( A B) , con P ( A) > 0 P( A)

De igual manera, la probabilidad de que ocurra un suceso B, dado que ha ocurrido un suceso A, se llama probabilidad condicional de B dado A y se expresa como:

P( B \ A) =

Ejemplo: Supngase que la administracin de un parque tiene 100 mquinas cortadoras de pasto. Algunas de esas mquinas son elctricas (E) y otras son manuales (M). Adems, algunas son nuevas (N), mientras que otras son usadas (U). Una persona entra en la bodega, escoge una mquina al azar y descubre que es nueva. Cul es la probabilidad que la mquina sea elctrica? E M TOTAL N 40 30 70 U 20 10 30 TOTAL 60 40 100 Solucin:

P( E \ N ) =

40 P( E N ) 4 = 100 = 70 P( N ) 7 100

Edmundo Pea Rozas, Juan Garcs Seguel

Probabilidades y Estadstica

Probabilidades Conjuntas y Marginales La consideracin de probabilidades condicionales, conduce a derivar reglas de probabilidad para hechos conjuntos y marginales y a distinguir entre dependencia e independencia estadstica. Por ejemplo, en una ciudad el 50% de sus habitantes son mujeres. Se sabe adems que el 20% de las mujeres y el 5% de los hombres se encuentran sin trabajo. Un economista que estudia el desempleo escoge al azar una persona desempleada. Cul es la probabilidad de que la persona escogida sea mujer?, Cul es la probabilidad de que la persona escogida sea hombre? Desempleado Mujer 0,100 Hombre 0,025 Total 0,125 Solucin: Sea A: la persona escogida es mujer B: la persona est desempleada Empleado 0,400 0,475 0,875 Total 0,500 0,500 1,000

P( A \ B) =

P( A B) 0,100 = = 0,800 P( B ) 0,125 P ( AC B ) 0, 025 = = 0, 200 P ( B) 0,125

P( AC \ B) =

Ejercicio: Calcular la probabilidad de al escoger una persona al azar, se encuentre desempleada dado que es mujer (Resp: 0,20). Ejercicio: Calcular la probabilidad de al escoger una persona al azar, se encuentre desempleada dado que es hombre (Resp: 0,05). Los valores de la tabla anterior se llaman probabilidades conjuntas, porque cada una de ellas es la probabilidad de ocurrencia conjunta o simultanea de dos sucesos. P(AB) es la probabilidad de ocurrencia conjunta de A y B, en el ejemplo, es la probabilidad de que la persona sea mujer y se encuentre desempleada. Las sumas por fila y por columna se denominan probabilidades marginales, simplemente porque se encuentran en los mrgenes de la tabla. Obsrvese que una probabilidad marginal es la suma de un conjunto de probabilidades conjuntas. Por ejemplo, P(B) es la probabilidad de que la persona est desempleada es P(B)= P(AB)+ P(ACB)=0,100+0,025=0,125. La ley que rige la probabilidad de ocurrencia conjunta de sucesos se llama regla multiplicadora general y se expresa en el siguiente teorema. Teorema: Si A y B son dos sucesos, la probabilidad de ocurrencia conjunta de A y B es:

P( A B) = P ( B) P( A \ B) P( B A) = P ( A) P( B \ A)

El mtodo para obtener probabilidades marginales se llama teorema de probabilidad total.

Edmundo Pea Rozas, Juan Garcs Seguel

Probabilidades y Estadstica

Definicin: Los sucesos B1, B2, , Bk representan una particin del espacio muestral si: a) Bi K j = i j
k

b) c)

B
i =1

P( Bi ) > 0 i

Si B1, B2, , B8 es una particin del espacio muestral y A es un suceso respecto de , se puede escribir:

A = A B1 A B2 A B8 P( A) = P ( A B1 ) + P ( A B2 ) + + P( A B8 ) Pero como P( A B j ) = P( A \ B j ) P( B j ) , se desprende el Teorema de

Probabilidad Total

Teorema de probabilidad total: Sea Bi (i=1,, n) n hechos no nulos mutuamente excluyentes y exhaustivos (es decir, una particin del espacio muestral) y sea A un suceso definido en el mismo espacio muestral; dado que las probabilidades marginales, P(Bi), y las probabilidades condicionales P(A/Bi), para todas las i, son conocidas, la probabilidad marginal de A se define como:

P( A) = P ( Bi ) P( A \ Bi )
I =1

Ejemplo: Se tiene 3 cajas C1, C2, C3 y que tienen igual probabilidad de ser escogidas. Cada caja tiene 10 bolitas entre blancas y negras. La caja C1 tiene 3 bolitas blancas, la caja C2 tiene 2 bolitas blancas y la caja C3 tiene 5 bolitas blancas. Se escoge una caja y luego una bolita. Cul es la probabilidad que salga una bolita blanca? Solucin: Sea A el suceso sacar bolita blanca, podemos ver que el evento A est particionado en 3 subgrupos, ya que hay bolitas blancas en cualquiera de las 3 cajas. Por lo tanto, se debe considerar que una bolita es blanca si se escoge de 3 lugares diferentes, entonces:

P( A) = P ( A \ C1 ) P (C1 ) + P( A \ C2 ) P (C2 ) + P ( A \ C2 ) P(C2 ) = 3 1 2 1 5 1 3 2 5 10 + + = + + = 10 3 10 3 10 3 30 30 30 30

Ejemplo: Durante las elecciones tres candidatos, C, aspiran a la alcalda de cierta ciudad. Segn un observador poltico, las probabilidades de salir victoriosos son P(C1)=0,5, P(C2)=0,3 y P(C3)=0,2. El mismo observador cree que las probabilidades condicionales para el actual asesor urbanista, A, sea designado nuevamente dado que gane cualquiera de los candidatos son, respectivamente, 0,4, 0,8 y 0,5. Cul es la probabilidad de que el asesor urbanista sea designado nuevamente? Solucin:

P( A) = P (C1 ) P( A \ C1 ) + P(C2 ) P( A \ C2 ) + P (C3 ) P ( A \ C3 ) P( A) = 0,5 0, 4 + 0,3 0,8 + 0, 2 0,5 P( A) = 0,54

Por lo tanto el actual asesor urbanstico tiene una probabilidad ms que regular de ser nombrado nuevamente en el cargo.
Edmundo Pea Rozas, Juan Garcs Seguel

Probabilidades y Estadstica

Teorema de Bayes: Sea Bi (i=1,, n) n hechos no nulos mutuamente excluyentes y exhaustivos y sea A un suceso no nulo, entonces:

P( Bk \ A) =

P( A \ Bk ) P ( Bk )
n

P( A \ B ) P( B )
i =1 i i

Ejemplo: En una fbrica de clavos y alambres, el 60% de los clavos producidos proceden de la mquina A y el 40% de la mquina B. La proporcin de defectuosos en A es 0,1 y en B es 0,5. Cul es la probabilidad de que un clavo de dicha fbrica sea defectuoso? Cul es la probabilidad de que, sabiendo que un clavo es defectuoso, proceda de la mquina A? Cul es la probabilidad de que, sabiendo que un clavo es defectuoso, proceda de la mquina B? Solucin: A = El clavo fue fabricado por la mquina A B = El clavo fue fabricado por la mquina B D = El clavo es defectuoso

P(A)=0,6 P(B)=0,4 P(D\A)=0,1

P(D\B)=0,5

La probabilidad de que el clavo sea defectuoso est dada por:

P( D) = P( D \ A) P ( A) + P ( D \ B) P ( B) = (0,1) (0, 6) + (0,5) (0, 4) = 0, 26

P( A \ D) = P( D \ A) P( A) P ( D \ A) P ( A) + P ( D \ B) P ( B) (0,1) (0, 6) P( A \ D) = = 0, 23 (0,1) (0, 6) + (0,5) (0, 4) P( D \ B ) P( B) P ( D \ A) P ( A) + P ( D \ B) P ( B) (0,5) (0, 4) P( B \ D) = = 0, 77 (0,1) (0, 6) + (0,5) (0, 4)

Por lo tanto, la probabilidad de que el clavo provenga de la mquina A, dado que es defectuoso es 0,23.

P( B \ D) =

Por lo tanto, la probabilidad de que el clavo provenga de la mquina B, dado que es defectuoso es 0,77. Ejemplo: Se tienen 3 cajas C1, C2, C3 y que tienen igual probabilidad de ser escogidas. Cada caja tiene 10 bolitas entre blancas y negras. La caja C1 tiene 3 bolitas blancas, la caja C2 tiene 2 bolitas blancas y la caja C3 tiene 5 bolitas blancas. Se escoge una caja y luego una bolita. Cul es la probabilidad que la bolita que se sac provenga de la caja C1 sabiendo que fue blanca? Solucin: Sea A = sacar bolita blanca Sea Ci = la bolita viene de la i-sima caja

P( A) = P( A \ Ci ) P(Ci )
i =1

P( A) = P ( A \ C1 ) P (C1 ) + P( A \ C2 ) P (C2 ) + P ( A \ C2 ) P(C2 ) = 3 1 2 1 5 1 3 2 5 10 + + = + + = 10 3 10 3 10 3 30 30 30 30

Edmundo Pea Rozas, Juan Garcs Seguel

Probabilidades y Estadstica

P(C1 \ A) =

P ( A \ C1 ) P (C1 )
3

P( A \ C ) P(C )
i =1 i i

P(C1 \ A) =

P ( A \ C1 ) P (C1 ) P ( A \ C1 ) P (C1 ) + P( A \ C2 ) P(C2 ) + P( A \ C2 ) P (C2 )

2 1 2 2 P(C1 \ A) = 10 3 = 30 = = 0, 2 10 10 10 30 30
Ejemplo.: Dos cajas contienen tornillos grandes y tornillos pequeos. Suponga que la caja A contiene 60 tornillos grandes y 40 pequeos. La caja B contiene 10 tornillos grandes y 20 pequeos. Se extrae un tornillo y resulta ser grande. Cul es la probabilidad que se haya sacado de la caja B? Solucin: Tornillos Tornillos Total Grandes Pequeos Caja A 60 40 100 Caja B 10 20 30 Total 70 60 130 Sea G = El tornillo es grande Sea A = El tornillo proviene de la caja A Sea B = El tornillo proviene de la caja B

P(G ) = P (G \ A) P( A) + P(G \ B) P ( B) =
P( B \ G ) =

60 1 10 1 + = 0, 47 100 2 30 2

P(G \ B) P ( B) P(G \ A) P ( A) + P(G \ B ) P( B) 10 1 0,17 30 2 P( B \ G ) = = = 0,36 60 1 10 1 0, 47 + 100 2 30 2

Ejemplo: Una fbrica de cermicas tiene dos lneas de produccin. La lnea 1 produce 6500 unidades diarias y la lnea 2 produce 3500 por da. Por otra parte, la lnea 1 tiene un 2% de produccin defectuosa y la lnea 2 solamente el 1% de partes defectuosas. Si se selecciona una cermica al azar y es defectuosa, cul es la probabilidad de que provenga de la lnea 1? Solucin: Sea A = Cermica proveniente de la lnea 1 Sea B = Cermica proveniente de la lnea 2 Sea D = La cermica es defectuosa P(A)=0,65 P(B)=0,35

P ( D \ A) = 0, 02

P ( D \ B ) = 0, 01

P( D) = P( D \ A) P( A) + P( D \ B) P( B ) = (0, 02)(0, 65) + (0, 01)(0,35) = 0, 0165

Edmundo Pea Rozas, Juan Garcs Seguel

Probabilidades y Estadstica

10

P( A \ D) =

(0, 02)(0, 65) P( D \ A) P ( A) = = 0, 79 P ( D \ A) P( A) + P( D \ B ) P( B ) 0, 0165

Teorema: Dos sucesos A y B, definidos en un mismo espacio muestral se dice que son independientes si, y solo si la ocurrencia conjunta de A y B es igual al producto de sus respectivas probabilidades individuales. Es decir, A y B son independientes si y solo si:

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

Adems, si A y B son independientes, entonces:

P( A B) P ( A) P ( B) = = P( A) P ( B) P( B ) P( A B) P ( A) P ( B) P( B \ A) = = = P( B) P ( A) P( A) P( A \ B) =
Teorema: Dos sucesos A y B, definidos en un mismo espacio muestral se dice que son dependientes si, y solo si:

P ( A B ) P ( A) P ( B )

Es importante clarificar la diferencia entre sucesos independientes y mutuamente excluyentes. Se desea saber si dos sucesos son mutuamente excluyentes cuando consideramos la unin de sucesos o la probabilidad de que por lo menos ocurra uno o varios sucesos. Nos interesamos por la independencia cuando consideramos la interseccin de los sucesos o la probabilidad de que todos los hechos ocurran. Adems, si dos sucesos son mutuamente excluyentes y si ningn suceso tiene probabilidad cero, los dos sucesos deben ser estadsticamente dependientes. Sin embargo, si dos sucesos son dependientes, no se deduce necesariamente que sean excluyentes.

Edmundo Pea Rozas, Juan Garcs Seguel