Академический Документы
Профессиональный Документы
Культура Документы
APUNTES DE TEORIA DE
PROBABILIDADES.
Profesores: Ra
ul Zhigley y Nathalie Castro.
Captulo 1
Espacio de probabilidad.
Las leyes que rigen el experimento no pueden ser bien conocidas sucientemente para ser formuladas matematicamente.
El desarrollo del experimento es por esencia de naturaleza no determinstico.
Los factores que inuyen en el experimento son o muy numerosos o
demasiado difciles de apreciar, o incluso no medibles sin perturbar el
desarrollo del mismo.
1. En las mismas condiciones iniciales pueden dar lugar a diferentes resultados nales, en contraposicion con los fenomenos determinsticos, los
cuales conducen siempre a los mismos efectos nales.
2. Todos los resultados posibles se conocen por anticipado.
3. No se puede predecir el resultado en cada experiencia particular.
4. En general, pueden repetirse en las mismas condiciones indenidamente.
5. Si uno de estos experimentos se repite bajo condiciones completamente
identicas un n
umero determinado n de veces, y anotamos el n
umero, ni
de veces que aparece un determinado resultado, el cociente ni /n tiende
a estabilizarse, cuando n aumenta, en un valor jo.
Definici
on 1.4. Se llama suceso a cualquier subconjunto del espacio muestral. Se utilizan letras may
usculas, las primeras del alfabeto, para designar
sucesos.
Ejemplo 1.5. Sea A = sacar un n
umero par al tirar un dado = {2, 4, 6}.
Claramente A es un suceso ya que es un subconjunto de 1 .
Sea E un experimento aleatorio y sea A un suceso. Entonces al realizar
este experimento solo caben dos alternativas: ocurre el suceso A o no
ocurre el suceso A. De acuerdo a lo anterior se denen otros tipos de sucesos:
Suceso seguro: es aquel que siempre ocurre. Es facil ver que el suceso
seguro y espacio muestral son lo mismo (para que sea seguro debe tener
todos los resultados del experimento).
Suceso imposible: es aquel que nunca ocurre. Se designa con la letra
.
Suceso contrario al suceso A: sea A un suceso. El suceso contrario
de A es aquel que ocurre cuando A no ocurre. Se designa por Ac .
Inclusi
on de sucesos: se dice que el suceso A esta includo en el suceso
B y se escribe A B si cada vez que ocurre A ocurre B.
Igualdad de suceso: dos sucesos son iguales, y se escribe A = B
cuando A B y B A.
Intersecci
on de sucesos: el suceso A B es el suceso que ocurre
cuando A y B ocurren simultaneamente.
Ai Q.
i=1
DE PROBABILIDAD.
1.3. FUNCION
Ejemplo 1.7. Sea un experimiento aleatorio cuyo espacio muestral es el conjunto = {1, 2, 3, 4}. Consideremos como dos sucesos de interes los eventos
{2} y {2, 3, 4}. Es posible determinar una -algebra que considere estos dos
sucesos?
Solucion. Por denicion, sabemos que Q y por lo tanto, Q.
Luego, incluimos los sucesos de interes {2} y {2, 3, 4}. Por tanto, sus complemetarios tambien deben pertenecer a la -algebra, es decir {1, 3, 4} y {1}.
Luego, por la condicion (3) deben inclurse todas las uniones posibles y sus
correspondientes complementarios. Por ellos agregamos los sucesos {1, 2} y
{3, 4}.
Entonces el -algebra resultante es:
Q = {, , {2}, {2, 3, 4}, {1, 3, 4}, {1}, {1, 2}, {3, 4}}
Definici
on 1.8. Llamaremos espacio medible o espacio probabilizable a la
pareja (, Q, donde es el espacio muestral y Q es la familia de sucesos a
los que nos interesa asignarle probabilidad.
1.3 Funci
on de probabilidad.
Un elemento a considerar en relacion con un experimento aleatorio es,
como dijimos, la probabilidad de los sucesos de la -algebra de subconjuntos
del espacio muestral .
Existen varias interpretaciones del concepto de probabilidad: aqu partiremos de unos axiomas como propiedades a cumplir por toda funcion de
probabilidad.
10
i=1
)
Ai
P(Ai )
i=1
Observaci
on 1.9. El tro (, Q, P) se denomina espacio de probabilidad.
DE PROBABILIDAD.
1.3. FUNCION
11
Proposici
on 1.12. A, B Q, si A B entonces P(A) P(B).
Demostraci
on. Si A B entonces B = A(B
Ac ) y por consecuencia del
axioma 3, P(B) = P(A) + P(B Ac ). Como P(B Ac ) 0 entonces P(B)
P(A).
Proposici
on 1.13. A Q, 0 P(A) 1.
Demostraci
on. Es claro que A y por la proposici
on 1.12, 0 P(A)
1.
Proposici
on 1.14 (Regla de la adici
on). A, B Q, se verifica que
P(A B) = P(A) + P(B) P(A B)
Demostraci
on. Podemos escribir A B = (A B c )(A
B)(B
Ac ). Por
tanto:
P(A B) = P(A B c ) + P(A B) + P(B Ac )
Ademas,
A = (A B c )(A
B) P(A B c ) = P(A) P(A B)
B = (B Ac )(A
B) P(B Ac ) = P(B) P(A B)
Luego, sustituyendo en (1.1),
P(A B) = P(A) P(A B) + P(A B) + P(B) P(A B)
= P(A) + P(B) P(A B)
(1.1)
12
Observaci
on 1.15. Si consideramos A, B y C Q, la proposici
on 1.14 se
puede generalizar como:
P(ABC) = P(A)+P(B)+P(C)P(AB)P(AC)P(BC)+P(ABC)
Ejemplo 1.16. En una universidad se obtuvo la siguiente informacion: el
32 % de las chicas son rubias, de ojos azules o ambas cosas; el 20 % es de
ojos azules y el 17 % es rubia. Calcular la probabilidad de que:
1. Las chicas sean rubias y de ojos azules.
2. Las chicas tengan solo cabello rubio.
3. Las chicas tengan solo ojos azules.
4. Las chicas con ninguna de las dos caractersticas.
Solucion. Denimos los sucesos R: las chicas son rubias y A: las
chicas tienen los ojos azules. De la informacion entregada en el enunciado,
podemos escribir: P(R A) = 0, 32; P(A) = 0, 20 y P(R) = 0, 17.
1. Para calcular P(R A), ocupamos la regla de adicion dada en 1.14, es
decir:
P(R A) = P(R) + P(A) P(R A) = 0, 17 + 0, 20 0, 32 = 0, 05.
2. Debemos calcular P(R Ac ). Para esto realizamos la siguiente relacion:
c ) = (R A)(R
R = R = R (AA
Ac )
Luego, P(R) = P(R A) + P(R Ac ) y por tanto:
P(R Ac ) = P(R) P(R A) = 0, 17 0, 05 = 0, 12.
3. Analogamente P(A Rc ) = P(A) P(R A) = 0, 20 0, 05 = 0, 15.
DE PROBABILIDAD.
1.3. FUNCION
13
P(D2 ) = P(A B c C c ))
= P(A (B C)c )
= P(A) P(A (B C))
= P(A) P((A B) (A C))
= 0, 6 0, 25 = 0, 35
14
L2
.
2
un triangulo son:
1. x + y L (x + y) x + y
2. x y L (x + y) x
L
2
3. y x L (x + y) y
L
2
L
2
La representacion de esto u
ltimo muestra la region A en la gura () cuya
area es SA =
L2
.
8
SA
S
= 14 .
Total
En favor de Z
76
53
59
48
236
En contra de Z
124
147
141
152
564
Total
200
200
200
200
800
16
200
.
800
59
.
800
que el elector esta a favor del candidato Z, y estos son 236 electores en total
y de estos un total de 59 son electores que pertenen al distrito 3. Por lo tanto
el suceso B sera una condicion para calcular la probabilidad de A. Podemos
escribir estonces P(A|B), es decir, la probabilidad de que ocurra A sabiendo
que B ya ocurrio. Entonces:
59
=
P(A|B) =
236
59
800
236
800
P(A B)
P(B)
Definici
on 1.20. Sea (, Q, P) un espacio probabilstico y sea B Q un
suceso tal que P(B) > 0. LLamaremos probabilidad condicionada del suceso
A respecto a B, y lo escribiremos P(A|B) a,
P(A|B) =
P(A B)
P(B)
(1.2)
P(AB)
P(B)
2. P(B c |Ac ) =
0,1
0,2
= 0, 5
P(B c Ac )
P(Ac )
1P(BA)
1P(A)
0,6
0,7
= 0, 8571
P(A B) = P(B)P(A|B)
(1.3)
Observaci
on 1.23. Si consideramos los sucesos A, B, C en un espacio probabilstico (, Q, P), entonces el teorema anterior se generaliza como:
P(A B C) = P(A)P(B|A)P(C|A B)
2
3
que el resultado
sea cara. Si aparece una cara, se extrae una pelota, aleatoriamente, de una
urna que contiene dos pelotas rojas y tres verdes. Si el resultado es sello se
extrae una pelota, de otra urna, que contiene dos rojas y dos verdes. Cual
es la probabilidad de extraer una pelota roja?
18
2
;
3
P(S) =
1
;
3
P(R|C) =
2
;
5
P(R|S) = 21 .
Para calcular la probabilidad de extraer una pelota de color rojo, escribimos:
P(R) = P(R )
= P(R (C S))
= P((R C)(R
S))
= P(R C) + P(R S)
Luego, aplicando la regla de la multiplicacion, obtenemos:
P(R) = P(C)P(R|C) + P(S)P(R|S)
2 2 1 1
+
=
3 5 3 2
13
=
30
Definici
on 1.25. Un suceso A es independiente de otro suceso B cuando
la probabilidad de A no depende de la ocurrencia o no de B. Es decir, A es
independiente de B s y solo s P(A|B) = P(A).
P(AB)
P(B)
P(A)P(B).
2. Si A es independiente de B entonces P(A|B) = P(A). Por lo anterior,
P(A B) = P(A)P(B). Si P(A) > 0,
P(AB)
P(A)
20
i=1
P(Ai )P(B|Ai )
(1.4)
21
2 B) . . . (A
n B),
Demostraci
on. Podemos observar que: B = (A1 B)(A
por lo tanto, P(B) =
on completa
Teorema 1.29 (Teorema de Bayes). Sea {Ai }ni=1 una colecci
de sucesos tales que P(Ai ) = 0, i = j y sea B un suceso cualquiera no
imposible, entonces se verifica que:
P(Ai )P(B|Ai )
P(Ai |B) = n
j=1 P(Aj )P(B|Aj )
i = 1, 2, . . . , n
(1.5)
Demostraci
on. Por denici
on de probabilidad condicional, podemos escribir:
P(Ai |B) =
P(Ai B)
,
P(B)
nP(Ai )P(B|Ai )
,
j=1 P(Aj )P(B|Aj )
i = 1, 2, . . . , n.
Observamos que en la formula de Bayes intervienen dos tipos de probabilidades. Por una parte las probabilidades de los sucesos que constituyen
el sistema completo, P(Ai ), i = 1, 2, . . . , n que reciben el nombre de probabilidades a priori, pues se obtiene sin informacion adicional. Y por otra
parte intervienen las probabilidades de B condicionadas a cada uno de los
sucesos del sistema completo, P(B|Ai ), i = 1, 2, . . . , n, que son cantidades
de apoyo llamadas verosimilitudes. Las cantidades obtenidas a partir de la
formula de Bayes P(Ai |B), i = 1, 2, . . . , n reciben el nombre de probabilidades a posteriori, ya que se modican las probabilidades de los sucesos Ai
como consecuencia de haber ocurrido el suceso B.
22
Ejemplo 1.30. Un medico posee un test para diagnosticar el cancer. Mediante muchos reconocimientos se ha comprobado que la probabilidad de que
el test resulte positivo para una persona que padezca la enfermedad es de 0,95;
mientras que para una persona que no la tenga es 0,02. Supongamos que solo
el 1 % de la poblacion esta enferma de cancer. Cual es la probabilidad de
que una persona padezca cancer si su test resulta positivo?
Solucion. Denamos los sucesos:
E = una persona padece cancer
T = el test resulta positivo
De la informacion entregada, P(E) = 0, 01; P(E c ) = 0, 99; P(T |E) = 0, 95;
P(T |E c ) = 0, 02
Podemos observar que lo conocido es que el test resulto ser positivo, por lo
tanto es una probabilidad a posteriori ya entregada. Por lo tanto aplicamos
el Teorema de Bayes:
P(E)P(T |E)
P(E)P(T |E) + P(E c )P(T |E c )
0, 01 0, 95
=
0, 01 0, 95 + 0, 99 0, 02
= 0, 324232
P(E|T ) =
23