4.

Probabilidades
Introduccin Antiguamente, las cajas de fsforos traan una leyenda del tipo 50 fsforos m/m. La expresin m/m significa ms o menos. As, no todas las cajas de fsforos de 50 fsforos tran 50 fsforos. La razn de esto es que resultaba antieconmico controlar de manera exacta el contenido de cada caja. El caso de las cajas de fsforos parece fuera de lo comn, pero lo nico excepcional es que se adverta sobre la inexactitud del contenido. En efecto una ampolleta de 60 watts no tiene exactamente 60 watts, una bolsa de azcar de 1 kilo no pesa exactamente 1 kilo, etc. El punto principal que se quiere ilustrar es que en toda medicin est presente la variabilidad, incluso en aquellas reas que se suele considerar como exactas. Otra manera de expresar el concepto de variabilidad se encuentra en los trminos de incertidumbre, azar, impredecible, etc. Por ejemplo, al lanzar una moneda al aire es difcil predecir si saldr cara o sello. En principio sera posible aplicar las leyes fsicas para determinar el resultado de este experimento, pero esto requerira conocer muchos datos, entre ellos la posicin, la fuerza del lanzamiento, la direccin, etc. An cuando existen magos que son capaces de lanzar una moneda repetidamente, obteniendo cara en cada oportunidad, en las situaciones usuales, esto no sucede y es costumbre de pensar que el resultado lo determina el azar. Tal vez es sorprendente que el azar sea susceptible de ser formalizado y tratado matemticamente. La rama de la matemtica que se preocupa de este tema y que est ntimamente ligada a la estadstica, se conoce como teora de probabilidades. La idea primaria de la teora de probabilidades es medir, en algn sentido, el grado de incerteza incertidumbre sobre cierto hecho o suceso. 4.1.1. El desarrollo de un suceso aleatorio El azar (de aqu la palabra aleatorio) es conocido desde mucho tiempo a travs de los llamados juegos de azar. Hoy da, por ejemplo, se juega a las cartas o ala ruleta. Los antiguos astrgalos, y luego, dados. Los astrgalos son pequeos huesos del taln de ciertos animales. Estos elementos han sido encontrados con mucha frecuencia en investigaciones arqueolgicas, en excavaciones que datan de la prehistoria, entre los pueblos babilnicos, egipcios, griegos y romanos. El uso que el hombre prehistrico dio a estos huesitos, nos es desconocido. Bien pueden haber constituido piezas de valor para transacciones comerciales o haber sido usados slo para jugar. Algunas evidencias, como las pinturas en los vasos griegos, indican el juego con astrgalos es muy antiguo y difundido tambin entre los nios. Muchos registros encontrados muestran que los juegos de saln con astrgalos, se usaban en Egipto, hacia la poca de la primera dinasta (ao 3500 a. de C.). Los juegos se hicieron

44

populares en ciertas situaciones histricas como la hambruna de Lidia (1500 a. de C.), o el sitio de Troya, que dur 10 aos. Tambin los dados pertenecen a pocas remotas y uno de las ms antiguos que se ha encontrado, hecho de arcilla bien cocida, data del ao 3000 a. de C. La sustitucin de los huesitos por el dado fue paulatina, pero el esquema actual de los dados ya se usaba hacia la dcima octava dinasta Egipcia. El juego de azar con stos y otros elementos ha sido repetidamente prohibido y controlado, particularmente durante la Edad Media, pero por algn motivo, nunca ha desparecido. As pues, la era cristiana nos encuentra con dados, astrgalos, palitos y otros elementos anlogos para jugar o para adivinar, ya sea el futuro o lo que deseen revelar los dioses. Sin embargo, aunque la idea de contar o adivinar est firmemente impuesta, no se habla de probabilidad ni se tiene el concepto de nmero que usamos hoy da. Se puede decir de paso, que los juegos y/o adivinaciones con cartas, slo se han usado en los ltimos tres mil aos. 4.1.2. Probabilidades Se puede especular lo que quiera con los nmeros, juegos, dados, etc., pero lo que ms interesa es el nacimiento del concepto de probabilidad. La idea de azar, es muy antigua. No existe registro de este hecho, aunque hay evidencia que un azar positivo se busc asiduamente desde tiempos inmemoriales. Pero, Por qu demor tanto el surgimiento de las probabilidades a partir de los dados y otros juegos? Parece razonable pensar que el lanzamiento de un astrgalo, objeto naturalmente sesgado, debi dar la sospecha de una proporcin mayor de resultados para una cara que para otra, introduciendo as, a lo largo de millones de lanzamientos, el concepto de estabilidad de las frecuencias relativas. Slo se puede especular en el por que de esta demora. Una posibilidad bastante slida la encontramos en la necesidad de un sistema numrico de clculo y notacin. El que usamos actualmente slo data del presente milenio, all por el 1500 d. de C., y es adecuado para el clculo de las probabilidades. Antes de esa fecha, los sistemas numricos conocidos hacan prcticamente imposible un desarrollo del clculo combinatorio y de probabilidades. Otra posibilidad es que estas probabilidades efectivamente se conocieron y calcularon, pero se mantuvieron intra templos, sin divulgarse. Una tercera idea especulativa es una cierta definicin pecaminosa del tema del azar, interpretndose como un intento por penetrar los misterios divinos. Debemos a los griegos el desarrollo de la lgica cientfica, ideas que influyeron en las ciencias naturales por cerca de 1500 aos, y que desarrollaron entre otras cosas, la

45

enumeracin de sucesos, probabilidades o causalidad, pero las probabilidades, si aparecen, son meras ideas pasajeras. Tambin encontramos en los matemticos griegos y en los filsofos romanos la idea alternativa de que los dioses controlaban la cada de los dados o astrgalos en los juegos de azar. Parece haber en esta idea algn acercamiento respecto al concepto de probabilidad que, sien embargo, jams de formul. Un ejemplo de este sentido instintivo acerca de la probabilidad lo encontramos en De Divinatione, donde Cicern plantea un argumento para destruir esta idea cuando pone en boca de Quintus las frases: ...Dices que son enteramente fortuitas?. Vamos, vamos realmente piensas eso?... Cuando los cuatro dados producen el resultado de Venus puede hablar de un accidente, pero supongamos que haces cien lanzamientos y el resultado Venus aparece cien veces, Podras llamar a eso accidental?... La interpretacin en este caso, es que una racha de 100 Venus es tan improbable que la(s) divinidad(es) debe(n) estar interviniendo para causar esta racha (cuatro caras distintas formaban la jugada Venus). Todo lo dicho hace pensar que en el mundo antiguo existan las bases para definir el concepto de probabilidad, sin embargo, los filsofos de la poca (Platn y Aristteles entre otros) centraban, al parcer, sus mayores preocupaciones en la bsqueda de regularidad, orden y repeticin del movimiento de los cuerpos celestes.

4.1.3. Los inicios. La segunda mitad del primer milenio de nuestra era se encuentra con un cristianismo en expansin y una Roma en decadencia, sucesivamente saqueada por Alrico y Genserico y salvada de la invasin de Atila. La influencia hind en astronoma y matemtica se extiende a occidente. En el siglo VII, los rabes tienen embajadores en China y dominan el Mediterrneo. Aprenden de los hindes y del saqueo de las bibliotecas de Alejandra y, hacia el siglo VIII, dominan Europa hasta la pennsula ibrica. Los rabes mezclaron las ideas del pensamiento matemtico hind con la austeridad del mtodo filosfico griego. De los hindes obtuvieron el nmero, la aritmtica comercial y la astronoma. De los griegos el mtodo filosfico. A fines del primer milenio y comienzos del actual, declin el poder de los rabes. Surgi la reconquista cristiana. Se fundaron las primeras universidades hacia el 1200 d. de C. El saqueo de Babilonia entreg ms tesoros filosficos. Surge un precursor del pensamiento matemtico: Leonardo de Pisa o Fibonacci (1170-1250). Se desarrollan los nmeros arbicos y las primeras ideas contemporneas de las combinaciones y probabilidades. Surge el comercio de Florencia (Italia), pero las ideas probabilsticas no iniciaron su desarrollo hasta que Leonardo da Vinci (1452-1514) las popularizara, y su gran amigo Fra Luca Pacido, las publicara en Venecia. Fra Luca no 46

fue un matemtico destacado. Su importancia radica en la escritura (llena de plagios, como era comn en la poca) de ideas sobre lgebra, aritmtica y geometra, que dieron mpetu a Cardano y Tartaglia para escribir sus propias versiones. Estas versiones incluyen clculo de probabilidades para ciertos juegos o negocios y, aunque estn erradas, marcan el comienzo de la preocupacin por el tema. En 1812 Pierre Simn Marquez de Laplace presenta su Thorie Analytique de Probabilits, en el present muchas ideas, mtodos y resultados acerca de la teora de probabilidades. En la ltima mitad del Siglo XIX la escuela Rusa contribuy enormemente al desarrollo de la teora con los trabajos de Chebychev, Liapunov y Markov. En el Siglo XX Borel inicia la conexin entre la teora de probabilidades y la teora matemtica, teniendo como seguidores a Khintchine, Kolmogorov, Slutsky, Paul Levy y Fisher, siendo considerado este ltimo como el Padre de la Estadstica Moderna. En sntesis, se puede decir que la teora de probabilidades se inici en la mesa de juegos. 4.2. Conceptos Bsicos y definicin de probabilidades. 4.2.1. Conceptos Bsicos. Como se ha mencionado en los prrafos anteriores, la incertidumbre sobre la ocurrencia de cierto hecho, generalmente juegos de azar, marcan el inicio de las probabilidades. Pero, qu es una probabilidad?. En forma simple se entender por probabilidad como la cuantificacin del grado de certeza (posibilidad) sobre la ocurrencia de un resultado de cierto experimento. Un ejemplo de ello es: Al lanzar una moneda, puedo apostar a que sale cara y ganar?. Dicha cuantificacin la expresaremos en cantidades numricas mayores o iguales a cero y menores o iguales a uno. Debe quedar en claro que, mientras mayor sea la posibilidad de ocurrencia de un cierto hecho, mayor debe ser la probabilidad, mientras menor sea la posibilidad de ocurrencia, menor debe ser la probabilidad. As: Si un suceso es imposible que ocurra (por ejemplo al lanzar una moneda se obtenga cara y sello en forma simultnea) la probabilidad de ese suceso es cero. S un suceso es seguro que ocurra (por ejemplo al lanzar una moneda sale cara o sale sello) la probabilidad de ese suceso es uno. Y si un suceso es incierto, la probabilidad de que ocurra este suceso es un nmero entre cero y uno. La probabilidad es importante en la toma de decisiones, porque suministra un mecanismo para medir, expresar y analizar la incertidumbre asociada con sucesos futuros.

47

Cuando se lanza una moneda, o se lanza un dado, o se apuesta al loto o el kino, se est realizando un experimento. Los experimentos anteriores, tienen en comn que no se sabe que resultado se va a obtener, pero a pesar de no saber que resultado se obtendra, s se sabe que el resultado debe ser uno de los posibles resultados que de antemano se conocen. De esta manera, a pesar de no saber que resultado se obtiene al lanzar una moneda, s se sabe que ese resultado puede ser cara sello. Todo experimento, donde no se tiene la certeza sobre el resultado que se va a obtener, ser llamado experimento aleatorio. Mientras que el conjunto de resultados posibles de dicho experimento aleatorio recibe el nombre de espacio muestral, el que se denota por . Algunos ejemplos son: El experimento aleatorio lanzar una moneda tiene espacio muestral = {Cara, Sello} El experimento aleatorio lanzar un dado tiene por espacio muestral = {1,2,3,4,5,6} El experimento aleatorio lanzar dos veces una moneda tiene por espacio muestral ={CC, CS, SC, SS}.

Cuando un experimento aleatorio se desarrolla en etapas, se puede representar grficamente el espacio muestral. Este grfico recibe el nombre de diagrama de rbol. Para aclarar ideas, considere el siguiente experimento: Una urna contiene dos fichas blancas (B) y tres fichas rojas (R). Se extraen dos fichas, de una a la vez, sin reposicin. El diagrama de dispersin de este experimento se muestra en la siguiente figura:

Cada rama del rbol representa un resultado en el espacio muestral. 4.2.2. Eventos. Todo subconjunto de un espacio muestral se llamar suceso o evento. En los ejemplos anteriores tenemos como algunos eventos o sucesos: 48

Lanzar una moneda A = {Obtener cara} Lanzar un dado B = {Obtener Numero par} Lanzar dos veces una moneda C = {Obtener al menos una cara}

Existen algunos eventos especiales, los que se van a definir a continuacin: Se dir que un evento es seguro si su probabilidad de ocurrencia es 1. Un evento es imposible si su probabilidad de ocurrencia es 0. La notacin de un evento imposible es (conjunto vaco). El complemento de un evento A , es el conjunto de todos los elementos de que no estn en A . Se denota por Ac = A .

La interseccin de dos eventos A y B ( A B ), es el evento que contiene a todos los elementos que son comunes a A y a B .

Dos eventos A y B son mutuamente excluyentes o disjuntos, s la interseccin de A y B es un evento imposible ( A B = ), es decir, s A y B no tienen elementos en comn.

49

La unin de dos eventos A y B ( AU B ), es el evento que contiene a todos los elementos que pertenecen a A a B a ambos.

4.2.3. Clsico, frecuentista subjetivo? Note que, en un experimento aleatorio, las probabilidades son asignadas a los resultados en el espacio muestral. Se pueden usar varios mtodos para asignar la probabilidad a cada resultado en , sin embargo, independiente del mtodo a usar se deben satisfacer dos requisitos bsicos: i) La probabilidad que se asigne a cada resultado del experimento aleatorio debe ser entre 0 y 1, es decir, si ri representa el resultado i-simo : 0 P (ri ) 1 . ii) La suma de todas las probabilidades de los resultados en , debe ser 1, es decir, si tiene k resultados: P (r1 ) + P (r2 ) + .... + P (rk ) = 1 .

En la prctica, para asignar probabilidad a un resultado de un experimento aleatorio, se usa alguno de los siguientes puntos de vista:

Punto de vista Clsico. Punto de vista Frecuentista. Punto de vista subjetivo.

El punto de vista clsico postula que: al realizar un experimento aleatorio todos los resultados (de este) tienen la misma posibilidad de ocurrir. Este principio apuesta a los juegos honestos, por ejemplo: al lanzar una moneda la posibilidad de que salga cara es la misma a que salga sello. Por lo tanto, bajo este concepto, no son admisibles los juegos viciados (lanzar una moneda cargada). Este principio recibe el nombre de EQUIPROBABILIDAD. El punto de vista frecuentista postula que: si se repite infinitas veces un experimento aleatorio, bajo las mismas condiciones ambientales, y se construye la tabla de frecuencias de los resultados posibles del experimento aleatorio, la columna de las frecuencias relativas corresponde a las probabilidades de ocurrencia de cada resultado. Este principio relaja el supuesto de equiprobabilidad, es decir, adems de admitir juegos honestos tambin admite juegos viciados. El problema es cmo repetir

50

infinitas veces el experimento aleatorio?, pero a pesar de este problema, permite entender la probabilidad de un resultado como un porcentaje de ocurrencia. El punto de vista subjetivo postula que: la probabilidad de ocurrencia de un resultado del experimento aleatorio, es asignado segn el grado de incerteza de quien emite su opinin. Lo anterior quiere decir que dos sujetos distintos podran asignar probabilidades distintas a un mismo resultado del espacio muestral. Este principio es el ms cuestionado, ya que slo los expertos deberan emitir opinin sobre la probabilidad de ocurrencia de cierto hecho.

4.2.4. Definicin formal de probabilidades y axiomtica de conjuntos. Diremos que P : [0,1] es una medida de probabilidad si cumple con los siguientes tres axiomas: Axioma 1 : P () = 1 Axioma 2 : A , P ( A) 0 Axioma 3 : Si A y B son excluyentes o disjuntos, es decir, P ( A U B ) = P ( A) + P ( B ) .
A B = , entonces

Se puede formular el siguiente resultado: toda medida de probabilidad debe satisfacer los tres axiomas. Por otro lado, toda funcin P : , que satisface los axiomas 1, 2 y 3, es una medida de probabilidad.
A continuacin se muestra un listado de propiedades de probabilidad sobre eventos. Sean A y B dos eventos, entonces: P(A)=1-P(Ac) P()=0 S A B Entonces P(A) P(B) P(AB) = P(A)+P(B)-P(AB) P(AB) = P(A)+P(B)- P(AB)

La validacin de estos resultados se dejan al lector.

4.2.5. Equiprobabilidad. Desde un punto de vista clsico, cuando se realiza un experimento aleatorio, todos los resultados contenidos en el espacio muestral tienen la misma probabilidad de ocurrencia. S los resultados en son r1 , r2 ,..., rk , ellos deben satisfacer la relacin

51

P (r1 ) + P (r2 ) + ... + P (rk ) = 1 , entonces la probabilidad del i-simo resultado es 1 P (ri ) = . k

Sea A un evento. Todo evento contiene resultados del espacio muestral, y como estos resultados son mutuamente excluyentes, la probabilidad de que ocurra el evento A se calcula de la siguiente manera: Casos Favorables para A # A P ( A) = = , Casos Totales # donde los casos favorables corresponden a la cantidad de resultados que contiene el evento A, y los casos totales hace referencia a la cantidad de resultados que hay en el espacio muestral . Cuando se lanza un dado (honesto), el espacio muestral asociado a este experimento es ={1,2,3,4,5,6}. Si se define el evento A=Sale un puntaje primo, el evento 3 1 A={2,3,5}. Por lo tanto P ( A) = = . 6 2 Bajo el principio de equiprobabilidad, se hace necesario el saber contar el nmero de elementos que tiene un conjunto, es decir, saber determinar, las posibles formas que puede ocurrir un experimento y cualquier subconjunto de l. La rama de la matemtica que estudia este problema, se llama teora de conteo, la que ser descrita a continuacin mostrando slo algunas herramientas bsicas, que sern necesarias para el clculo posterior de probabilidades de eventos. 4.3. Teora de Conteo 4.3.1. Principio Bsico de Multiplicacin Imagine que un experimento aleatorio se puede desarrollar en k etapas, por ejemplo lanzar k veces una moneda, donde en la etapa 1 existen n1 resultados posibles, en la etapa 2 existen n2 resultados posibles,...., en la etapa k existen nk resultados posibles, entonces la cantidad de resultados en el espacio muestral es de n1 n2 nk . Este principio recibe el nombre de principio multiplicativo. Ejemplo: Se lanza una moneda y un dado de 6 caras, al determinar el espacio muestral se obtienen los siguientes resultados, = {(c,1); (c,2); (c,3); (c,4); (c,5); (c,6); (s,1); (s,2); (s,3); (s,4); (s,5); (s,6)}. La cantidad de elementos en es de 12. Al aplicar el principio multiplicativo, se obtiene: en la primera etapa del experimento (lanzar una moneda) se tienen dos posibilidades de resultado, mientras que en la segunda etapa del experimento (lanzar el dado) se tienen seis resultados posibles, por lo tanto en el espacio muestral hay 2 6 = 12 resultados posibles.

52

Otros ejemplos: 1) Lanzar 2 monedas: # = 2 2 = 4 . 2) Lanzar 2 dados: # = 6 6 = 36 . 3) formar un nmero de 3 dgitos: # = 10 10 10 = 1000 (000 al 999). 4) Ordenar 3 objetos diferentes: # = 3 2 1 = 3 != 6 . Supongamos que los tres objetos son a,b,c, entonces ={(a,b,c);(a,c,b);(b,a,c);(c,a,b);(b,a,c);(b,c,a)}, la idea es pensar que tenemos tres casilleros vacos y los llenamos de la siguiente forma : Experimento1 : llenar el primer casillero 3 posibles objetos. Experimento2 : llenar el segundo casillero 2 posibles objetos Experimento3 : llenar el tercer casillero 1 posible objeto

Luego, por el principio de multiplicacin # = 3 2 1 = 3 != 6 . 4.3.2. Arreglos, combinatorias y permutaciones. Con frecuencia se puede estar interesado en un espacio muestral que contiene como elementos a todas las posibles ordenaciones o arreglos de un grupo de objetos. Por ejemplo, interesa saber de cuantas formas se pueden sentar seis personas en una mesa circular, o de cuantas maneras se pueden seleccionar 3 personas de un grupo de 6 personas. Las respuestas a este tipo de preguntas las entrega el clculo combinatorial.

Permutaciones: Imagine que se est interesado en ordenar un grupo de N elementos diferentes en una fila. La pregunta natural a contestar es cuntos ordenes distintos se pueden obtener?. El problema es s es una permutacin de N elementos, lo que nos da:
PN = N ( N 1) ( N 2) 2 1 = N !
A cada resultado se le llama una permutacin. Ejemplos: a) Posibles directivas de presidente secretario y tesorero si se tienen 3 candidatos: P3 = 3 2 1 = 3!= 6 . b) Posibles formas de ordenar la postura de 5 chaquetas durante una semana: P5 = 5 4 3 2 1 = 5!= 120 .

Considere la siguiente situacin: Se dispone de un conjunto de N elementos distintos, y ahora se quiere seleccionar un grupo de k elementos ( 0 k N ). As, la pregunta que interesa responder es, de cuantas maneras distintas se puede realizar la seleccin? cuntos grupos distintos de k elementos se pueden formar con los N elementos?. Hay

53

que dejar en claro que cuando se selecciona un elemento este no se puede volver a elegir nuevamente. Para responder la pregunta anterior, se debe tener muy claro si el orden en que son extrados los elementos importa no importa. Arreglos: Si el orden importa, la cantidad de grupos (distintos) de k elementos que se pueden formar con los N elementos es:

AkN = Ejemplo:

N! ( N k )!

En la presentacin a una licitacin Ud. Como gerente de una empresa tiene que elegir a dos representantes, para los cargos de Asesor y Encargado del proyecto. Si Ud. Dispone de cuatro personas para estos cargos, De cuntas posibilidades dispone? Suponga que los sujetos son {A, B, C y D). As las posibilidades son: Posibilidad 1 2 3 4 5 6 7 8 9 10 11 12 Asesor A A A B B B C C C D D D Encargado B C D A C D A B D A B C

Como se aprecia, que A sea asesor y B sea encargado no es igual a que B sea asesor y A sea encargado, por lo tanto estamos frente a un caso donde s importa el orden, por lo 4! 4 tanto la cantidad de posibilidades es: A2 = = 12 . (4 2)!

Combinatorias: Ahora, s el orden NO importa, la cantidad de grupos (distintos) de k elementos que se pueden formar con los N elementos es:
CkN = Ejemplo:

N N! = ( N k )!k! k

54

En un partido de Tenis de dobles, en donde Ud. es el capitn, tiene que decidir, cual equipo jugar. Si dispone de 4 jugadores, Con cuntos equipos cuenta? Suponga que los tenistas son {A, B, C y D). As los equipos posibilidades son: Equipo Jugador 1 Jugador 2 1 A B 2 A C 3 A D 4 B C 5 B D 6 C D Aunque parece un ejemplo muy similar al problema anterior, la diferencia ocurre, en que aqu el orden no importa, ya que si el jugador 1 es A y el jugador 2 es B el jugador 1 es B y el jugador 2 es A en ambos casos se forma el mismo equipo. Por lo tanto, la cantidad de equipos con los que cuenta el capitn son: 4! 4 C2 = = 6. (4 2k )!2!

4.4. Probabilidades Condicionales e Independencia 4.4.1. Conceptos Bsicos Con frecuencia, la probabilidad de un evento se ve influida por la ocurrencia de otro evento relacionado. Suponga que se tiene un evento A con probabilidad P(A). Si se obtiene nueva informacin y se ve que ha ocurrido un evento relacionado, representado por B, se quiere aprovechar esta informacin para calcular una nueva probabilidad para el evento A. Esta nueva probabilidad se representa como P ( A | B ) y representa la incertidumbre que existe en A una vez que ha ocurrido B. La notacin P ( A | B ) se lee la probabilidad condicional de que ocurra A dado que ocurri B. Ejemplo: Considere una urna con 10 fichas blancas y 5 fichas negras. Se seleccionan dos fichas al azar (de a una a la vez) sin reposicin, es decir, selecciona una ficha y no se vuelve a dejar en la urna. El espacio muestral de este experimento es mostrado en el siguiente diagrama de rbol:

55

Como se puede apreciar, las probabilidades de cada resultado es colocado sobre la rama que le corresponde, y adems, como la ficha extrada en la primera etapa del experimento no es devuelta a la urna, la probabilidad de la siguiente ficha extrada se ve afectada por la ocurrido en la primera extraccin, por ejemplo, la probabilidad de que la segunda ficha extrada sea blanca, depende de que la primera ficha extrada sea blanca o negra ( 9/14 y 10/14 respectivamente). Sean A y B eventos. La probabilidad condicional de A, dado que ocurri B, se define como: P( A B ) , P ( B ) > 0. P ( B) Del resultado anterior se desprende que la probabilidad de que ocurra el evento A B se puede escribir como P ( A B ) = P ( A | B ) P ( B ) . Por lo tanto, la probabilidad de cada resultado en el problema anterior es la multiplicacin de las probabilidades de cada rama, como se muestra en tabla: P( A | B) = 1 Ficha Blanca Blanca Negra Negra 2 Ficha Blanca Negra Blanca Negra Probabilidad P ( B B ) = 10 / 15 9 / 14 P ( B N ) = 10 / 15 5 / 14 P ( N B ) = 5 / 15 10 / 14 P ( N N ) = 5 / 15 4 / 14

4.4.2. Independencia estocstica Aunque la probabilidad condicional tiene en cuenta la alteracin de la probabilidad de un evento por la ocurrencia de otro, tambin permite comprender mejor el muy importante concepto de independencia o, en el lenguaje que se est utilizando, de independencia de eventos.

56

Considere la situacin donde P ( A | B ) = P ( A) , en otras palabras, la ocurrencia del evento B no tiene impacto en la probabilidad de ocurrencia del evento A. Aqu la ocurrencia de A es independiente de la ocurrencia de B, es decir, el concepto de independencia est intuitivamente asociado con ausencia de efecto o de interaccin. Desde un punto de vista probabilstico. As, por ejemplo, al lanzar dos veces una moneda, lo que se obtenga en el primer lanzamiento no afecta al resultado que se obtiene en el segundo lanzamiento, ya que, el segundo lanzamiento de la moneda puede ser considerado como si fuera el primer lanzamiento. Se dir que dos eventos A y B son independientes si y slo si P ( A | B ) = P ( A) y P ( B | A) = P ( B ) . De esto ltimo se desprende que P ( A B ) = P ( A) P ( B ) Ejemplo: En el ejemplo de la urna (10 fichas blancas y 5 fichas negras), si las dos extracciones de las fichas se realizan con reposicin, es decir, se extrae la primera ficha luego esta es devuelta a la urna, y luego se extrae la segunda ficha y se deja despus en la urna. El diagrama de rbol, con las probabilidades correspondientes en cada etapa del experimento, es mostrado en la siguiente figura:

Como se aprecia, la segunda extraccin, ahora, no depende de lo acontecido en la primera extraccin y se puede pensar como si se estuviera realizando la extraccin de la ficha por primera vez. Ejemplo: El gerente de una gasolinera sabe por su experiencia que el 80% de los clientes usan tarjeta de crdito al comprar gasolina. Cul es la probabilidad de que los dos clientes siguientes que compren gasolina usen tarjeta de crdito?. Sean A = El primer cliente usa su tarjeta de crdito B = El segundo cliente usa su tarjeta de crdito

57

Entonces el evento de inters es A B . Como no se cuenta con ms informacin, se puede suponer, razonablemente, que A y B son independientes. Entonces, P ( A B ) = P ( A) P ( B ) = 0.80 0.80 = 0.64 . . 4.5. Teorema Probabilidad Total y Teorema de Bayes. 4.5.1. Teorema de Probabilidades totales. Existen situaciones donde se est interesado en un resultado en particular, como por ejemplo, en un curso de 50 estudiantes el 40% de ellos es mujer y la probabilidad de que una alumna repruebe es de 0.2, mientras que la probabilidad de que un alumno repruebe es de 0.1. Se selecciona al azar a un estudiante de ese curso Cul es la probabilidad de que el estudiante repruebe el curso?. Para aclara ideas se realiza el diagrama de rbol correspondiente a este problema, el que se muestra en el siguiente diagrama:

Para responder la pregunta en cuestin, se debe notar que hay dos resultados en el espacio muestral de este experimento que cumplen con que el alumno reprueba y esos caso son: H R M R , los que son eventos mutuamente excluyentes. As la probabilidad de que el alumno repruebe es: P( R) = P( H R) + P (M R) = P( R | H ) P( H ) + P( R | M ) P( M ) sta ltima expresin recibe el nombre de teorema de probabilidades totales, siendo su enunciado el siguiente: Sean A1 , A2 ,..., Am eventos que forman una particin de y B un evento cualquiera. Entonces el teorema de probabilidades totales es: P ( B ) = P ( B | A1 ) P ( A1 ) + ... + P ( B | Am ) P ( Am ) .

58

Por el resultado anterior, se P ( R ) = 0.60 0.10 + 0.40 0.20 . 4.5.2. Teorema de Bayes.

tiene

que

la

probabilidad

buscada

es

Imagine que en el problema anterior al seleccionar al alumno resulta que este reprueba el curso, entonces se est interesado en calcular la probabilidad de que sea una alumna. Como se aprecia, queremos calcular la probabilidad condicional P ( M | R ) , que es una nueva probabilidad. Por definicin de probabilidad condicional P( M R) se tiene que P ( M | R ) = . Por otra parte, se sabe que P( R ) P ( M R ) = P ( R | M ) P ( M ) . Adems por el teorema de probabilidades totales se tiene que P ( R ) = P ( R | M ) P ( M ) + P ( R | H ) P ( H ) . As la probabilidad pedida es: P ( R | M ) P( M ) P( M | R) = P( R | M ) P(M ) + P( R | H ) P( H ) Esta ltima expresin recibe el nombre de teorema de bayes, y se enuncia de la siguiente manera: Sean A1 , A2 ,..., Am eventos que forman una particin de y B un evento cualquiera. Entonces la probabilidad condicional P ( A j | B ) se calcula como:
P( A j | B) = para j = 1, 2,...., m. Aplicando resultado anterior, 0 .2 0 .4 P( M | R) = = 0.25 . 0 .6 0 .4 + 0 .4 0 .2 el se tiene que la probabilidad es P( B | A j ) P( A j ) P ( B | A1 ) P ( A1 ) + + P ( B | Am ) P ( Am )

4.6. Ejercicios Resueltos. 1. Si de un monte debidamente barajado de 52 naipes se extrae una carta, cul es la probabilidad de los siguientes eventos? a) b) c) d) A={un rey rojo} B={3,4,5 6} C={una carta negra} D={un as rojo o una reina negra}

59

Solucin: Si C=Corazn Rojo, D=Diamante, N=Carozn Negro y T=Trebol, entonces el espacio Muestral del Experimento es:

a) b) c) d)

={1C,2C,3C ... 13C,1D,2D,3D ... 13D,1N,2N,3N ... 13N, 1T, 2T, 3T ... 13T} #=52 P(A)=P({13C,13D})=2/52. P(B)=P({3C,4C,5C,6C,3D,4D,5D,6D,3N,4N,5N,6N,3T,4T,5T,6T})=16/52. P(C)=P({1N, 2N, 3N ... 13N, 1T, 2T, 3T ... 13T})=26/52. P(D)=P({1C,1D,13N,13T})=4/52.

2. Considere que en el lanzamiento de un par de dados balanceados se definen los siguientes eventos: A={La suma 7}, D={Un dado es par}, B={La suma 11}, E={El primer dado es par} y C={La suma es un Nmero Primo} a) Construya el espacio muestral y determine A,B,C,D y E Determine la probabilidad de b) A, B, Cc, Dc c) AB, AC; BD d) BC, DE, Bc E Construya el espacio muestral ={(1,1): (1,2); (1,3); (1,4); (1,5); (1,6); (2,1); (2,2); (2,3); (2,4); (2,5); (2,6); (3,1); (3,2); (3,3); (3,4); (3,5); (3,6); (4,1); (4,2); (4,3); (4,4); (4,5); (4,6); (5,1); (5,2); (5,3); (5,4); (5,5); (5,6); (6,1); (6,2); (6,3); (6,4); (6,5); (6,6)} #=36 A={(1,6);(2,5);(3,4);(4,3);(5,2);(6,1)} #A=6 B={(5,6);(6,5)} #B=2

C={(1,1); (1,2); (1,4); (1,6); (2,1); (2,3); (2,5); (3,2); (3,4); (4,1); (4,3); (5,2); (5,6); (6,1); (6,5)} #C=15 D={(1,2); (1,4); (1,6); (2,1); (2,2); (2,3); (2,4); (2,5);(2,6); (3,2); (3,4); (3,6); (4,1); (4,2); (4,3); (4,4); (4,5); (4,6); (5,2); (5,4); (5,6); (6,1); (6,2); (6,3); (6,4); (6,5); (6,6)} #D=27 E={(2,1); (2,2); (2,3); (2,4); (2,5); (2,6); (4,1); (4,2); (4,3); (4,4); (4,5); (4,6); (6,1); (6,2); (6,3); (6,4); (6,5); (6,6)} #E=18 a) P(A)=6/36 P(B)=2/36 P(Cc)=1-P(C) =1-15/36=21/36 P(Dc) = 1-P(D) =127/36=9/36 b) P(AB)=P()=0 P(AC)=P(A)=6/36(porque A C) P(BD)=P(B)=2/36 (porque B D) c) P(BC)=P(B)+P(C)-P(BC)=2/36+15/36-2/36=15/36

60

P(DE)=P(D)=27/36 (porque E D) P(Bc E)=35/36 3. En un grupo de 160 estudiantes graduados de ingeniera, 92 se inscriben en un curso avanzado de estadstica; 63 en un curso de investigacin de operaciones; y 40 en ambos. Determine la probabilidad de que un estudiante no se inscribiera en ningn curso Solucin: Sea A={El estudiante se inscribe en el curso de Estadstica} Sea B={El estudiante se inscribe en el curso de Investigacin de Operaciones} Entonces: AB = {El estudiante se inscribe en ambos cursos} AB = {El estudiante se inscribe en al menos un curso} (AB)c = {El estudiante no se inscribe en ningn curso} P(A) =92/160 P(B)=63/160 P(AB)=40/160 P((AB)c)=1- P(AB)=1-(P(A)+P(B)-P(AB)) =1-(92/160+63/160-40/160) =1-115/160 =45/160 4. Explique por qu debe haber un error en cada uno de los siguientes enunciados: a) b) c) d) e) La probabilidad de que una muestra de minerales contenga plata es de 0.38 y la probabilidad de que no contenga plata es de 0.52. No se cumple la propiedad P(A)=1-P(Ac) La probabilidad de que una operacin de perforacin sea un xito es de 0.34 y la probabilidad de que no lo sea, de 0.66. No se cumple la propiedad P(A)0 Un tcnico en reparacin de aire acondicionado afirma que hay 0.82 de probabilidades de que el compresor se halle en perfectas condiciones, 0.64 de que el motor del ventilador est en perfectas condiciones y 0.41 de que ambos estn en ptimo estado. P(AB)=P(A)+P(B)-P(AB)=0.82+0.64-0.41=1.05>1.0 La probabilidad de que un estudiante obtenga A en un curso de geologa es de 0.32 y la probabilidad de que obtenga A o B es de 0.27. Como A AUB entonces P(A) P(AUB) (0.32 > 027) g) Una compaa trabaja en la construccin de dos centros comerciales; la probabilidad de que el mayor de ellos sea concluido a tiempo es de 0.35 y la probabilidad de que ambos sean terminados oportunamente es de 0.42. Como AB A entonces P(AB) P(A) (0.42 > 0.35)

f)

61

5. Dados P(A) = 0.50, a) b) c) d) P(AB) = P(A); P(ABc) = P(A); P(BA) = P(B); P(BAc) = P(B);

P(B) = 0.30

P(A B) = 0.15, verifique que:

Observemos que Independientes

P(A)*P(B)=0.50*0.30=0.15= P(AB) y luego A y B son

Luego a), b) c) y d) se cumplen, puesto que si A y B son independientes entonces A y Bc, Ac y B, Ac y Bc tambin lo son. 6. Se sabe que un Suero de Verdad aplicado a un sospechoso es 90% confiable cuando la persona es culpable y 99% confiable si la persona es Inocente. Si se selecciona un individuo de un grupo de sospechosos, de los cuales se sabe que slo un 5% de ellos ha cometido un crimen, se le aplica el suero de verdad el cual implica que es culpable. Cul es la probabilidad de que el individuo sea inocente?. Sea SI={Suero lo encuentra Inocente} SC=SIc={Suero lo encuentra Culpable} I={El sujeto es Inocente} C=Ic={ El sujeto es Culpable} P(SC/C)=0.9 P(SI/I)=0.99 P(SC/I)=0.01 P(I)=0.95 P(I/SC)= P(C)=0.05

0.01 * 0.95 P(SC/I) * P(I) = =0.1743 P(SC/I) * P(I) + P(SC/C) * P(C) 0.01 * 0.95 + 0.9 * 0.05

7. El 5% de las unidades producidas por una fbrica se encuentran defectuosas cuando el proceso se encuentra bajo control. Si el proceso se encuentra fuera de control, se produce un 30% de unidades defectuosas. La probabilidad de que el proceso se encuentre bajo control es de 0.92. Si se escoge aleatoriamente una unidad y se encuentra que es defectuosa, Cul es la probabilidad de que el proceso se encuentre bajo control?. Sea C={Proceso bajo control} F={Proceso fuera de control} D={Unidad defectuosa} P(D/C)=0.05 P(D/F)=0.30 P(C)=0.92 P(C/D)= P(F)=0.08

P(D/C) * P(C) 0.05 * 0.92 = P(D/C) * P(C) + P(D/F) * P(F) 0.05 * 0.92 + 0.30 * 0.08

P(C/D)= 0.657

62

4.7. Ejercicios Propuestos. 1. Si A y B son eventos mutuamente excluyentes, P(A) = 0.29 y P(B) = 0.43, determine: a) b) c) d) P(Ac). P (AB). P(ABc) P(AcB)

2. La probabilidad de que el chip de un circuito integrado tenga un grabado defectuoso es de 0.12, la probabilidad de que tenga un defecto de cuarteadura es de 0.29 y la probabilidad de que tenga ambos defectos es 0.07, a) Qu probabilidad hay de que un chip de fabricacin reciente tenga ya sea un defecto de grabado o de cuarteadura? b) Qu probabilidad hay de que un chip de fabricacin reciente tenga ninguno de tales defectos? 3. La probabilidad de que un nuevo aeropuerto tenga un premio por su diseo es de 0.16, la probabilidad de que obtenga un premio por su eficiente uso de materiales es de 0.24 y la probabilidad de que obtenga ambos premios es de 0.11. Cul es la probabilidad de que obtenga al menos uno de los dos premios? Cul es la probabilidad de que obtenga slo uno de los dos premios?

a) b)

4. Dados P(A) = 0.35, P(B) = 0.73 y P(AB) = 0.14, determine: a) b) c) d) P (AB) P (AcB) P (ABc) P(AcBc)

5. Se sabe que 2/3 de los alumnos del M.B.A. son menores de 30 aos. Se sabe adems que 3/5 del total de alumnos son hombres. Por ltimo se sabe que 5/8 del total son mujeres o mayores o iguales de 30 aos. Se desea seleccionar un delegado del curso para que represente los intereses de los alumnos ante la Direccin del Programa. Cul es la probabilidad que el delegado sea mujer y menor de 30 aos?. 6. Una urna contiene 20 fichas rojas, 30 blancas y 50 azules. Calcule la probabilidad de: a) Obtener una ficha roja y una azul al extraer dos fichas con reposicin. (1/5). b) Obtener una ficha roja y una azul al extraer dos fichas sin reposicin. (20/99).

63

7. Si las probabilidades de que una persona en cierta categora de ingresos invierta en fondos del mercado de dinero, acciones ordinarias o ambos son de 0.58, 0.25 y 0.19, determine las probabilidades de que una persona en esa categora de ingresos que a) invierte en fondos del mercado de dinero tambin invierta en acciones ordinarias; b) invierte en acciones ordinarias tambin invierta en fondos del mercado de dinero. 8. El canal 13 de TV quiere medir la capacidad de su meteorlogo. Los datos recolectados en el pasado indican lo siguiente: la probabilidad de que su meteorlogo prediga sol en das asoleados es 0.8. La probabilidad de que su meteorlogo prediga sol en das lluviosos es 0.4. La probabilidad de un da asoleado es 0.6. Calcular: a) Probabilidad de que El meteorlogo pronostique que habr sol. b) Probabilidad de Habr sol dado que el meteorlogo lo pronostic. 9. Los clientes se encargan de evaluar los diseos preliminares de varios productos. En el pasado, el 95% de los productos que con mayor xito en el mercado recibieron buenas evaluaciones, el 60% de los productos con xito moderado recibieron buenas evaluaciones, y el 10% de los productos de escaso xito recibieron buenas evaluaciones. Adems, el 40% de los productos ha tenido xito, el 35% un xito moderado, y el 25% una baja aceptacin. a) Cul es la probabilidad de que un producto obtenga una buena evaluacin?. b) Si un diseo obtiene una buena evaluacin, Cul es la probabilidad de que sea un producto de gran xito?. 10. El software para detectar fraudes en las tarjetas telefnicas utilizadas por los consumidores, registra todos los das el nmero de regiones dnde se originan todas las llamadas. Se tiene que el 1% de los usuarios legtimos hace al da llamadas que se originan en dos o ms regiones. Sin embargo, el 30% de los usuarios fraudulentos hacen al da llamadas desde dos ms regiones. La proporcin de usuarios fraudulentos es 0.01. Si el mismo usuario hace en un da dos ms llamadas desde dos ms regiones, Cul es la probabilidad de que sea un usuario fraudulento?.

64