Teora Axiomtica de la Probabilidad TEORIA AXIOMATICA DE LA PROBABILIDAD MIRIAM DEL CARMEN ALVARADO AREVALO I.

INTRODUCCION

La probabilidad indica el grado de certidumbre o certeza de un suceso o fenmeno estudiado, en la investigacin cientfica existen muchos fenmenos en los cuales es necesario determinar la probabilidad de que un evento(s) ocurra(n) o dejen de ocurrir, para lo cual el estudio de este campo, es necesario, adems tiene aplicaciones muy importantes en investigacin; dado que es base para la inferencia estadstica que permite el estudio de muestras con el objetivo de inferir o extrapolar caractersticas de estas a una poblacin. En el presente trabajo se revisa la teora de probabilidades, especficamente los axiomas que la fundamentan y se incluyen algunos problemas resueltos y propuestos sobre esta materia.

II. A. 1.

TEORIA AXIOMATICA DE LA PROBABILIDAD

DEFINICIONES PREVIAS PROBABILIDAD: Es una medida de las posibilidades de que ocurra un suceso futuro. Es el estudio de experimentos aleatorios o libres de determinacin. Probabilidad de un suceso es la razn entre el nmero de casos favorables y el nmero total de casos posibles, siempre que nada obligue a creer que alguno de estos casos debe tener lugar de preferencia a los dems, lo que hace que todos sean, para nosotros, igualmente posibles. Est es la llamada definicin clsica, el tratamiento moderno de la teora de la probabilidad es puramente axiomtico. Esto significa que las probabilidades de nuestros eventos pueden ser perfectamente arbitrarias, excepto que ellas deben satisfacer ciertos axiomas que se enuncian posteriormente. 2. HISTORIA DE LA PROBABILIDAD

En 1654, Antoine Chevalier de Mr, quin tena un particular inters por los juegos de azar, plante a Blaise Pascal y a Pierre de Ferrmat, un dilema sobre un juego que consista en lanzar un par de dados 24 veces. El problema consista en decidir si apostar o no a que durante los 24 lanzamientos ocurriran al menos un par de seises. De las discusiones entre Pierre de Fermat y Blaise Pascal surgieron los principios fundamentales de Teora de Probabilidad planteados por primera vez, no obstante que en los siglos XV y XVI algunos italianos y alemanes haban discutido la cuestin en algunos problemas de juegos. En 1657 Christian Huyges, quin fuera profesor de Leibeniz, examin la correspondencia entre Fermat y Pascal y de ah public el primer libro sobre Teora de Probabilidad titulado De Rationciniis in Ludo Aleae, que fu un tratado sobre problemas asociados con juegos de azar. Debido al inters qu se tena sobre los juegos de azar, la Teora de Probabilidad se volvi rpidamente muy popular, de manera que el tema se abord mucho durante el siglo XVII; en ese perodo resaltan las contribuciones de Jakob Bernoulli (1654-1705) y de Abraham de Moivre (1667-1705). Posteriormente, en 1812, Pierre de Laplace (1749-1827) introdujo nuevas ideas y tcnicas matemticas en su libro Theorie Analytique des Probabilits. Antes de Pierre Pascal, la Teora de Probabilidad solamente estudiaba la aleatoriedad en los juegos, por el contrario Pascal aplic probabilidades a muchas reas como gentica, psicologa y economa. Pascal desarroll adems una teora de errores. En los tiempos de Pascal hubo muchos que participaron en la teora de la probabilidad y sus aplicaciones. Cabe mencionar al naturalista Buffon, quien plante el famoso experimento que lleva su nombre, la aguja de Buffon, que consiste en representar el lanzamiento de una aguja sobre un cuadrado. El Marqus de Condorcet (1743-1794) fue un lder poltico durante la Revolucin Francesa que estaba interesado en aplicar Teora de Probabilidades a economa y poltica. El calculaba la probabilidad de que un jurado que decidiera por mayora, tomar una decisin correcta si cada miembro del jurado tena la misma probabilidad de tomar la decisin correcta En 1894, Karl Pearson analiz un gran nmero de resultados de una determinada ruleta no justa (con distribucin no uniforme) y planteo los Mtodos de Casinos. Pearsons sugiri utilizar los casinos como un laboratorio de teora de probabilidades y realizar experimentos en ellos; esto condujo a Pearson a descubrir la prueba Chi-Cuadrado. Para los experimentos que sugera Pearson se requeran nmeros aleatorios. Esto llev a L.H.C Tippet a encontrar mtodos para generar nmeros aleatorios y en 1927 public una tabla con alrededor de 40,000 nmeros aleatorios ( seudo-aleatorios). Aos ms tarde Von Neuman plantea el uso de los mtodos de Pearson pero utilizando nmeros aleatorios en combinacin con funciones de distribucin para simular procesos, naciendo as los famosos Mtodos MonteCarlo aplicados hasta la fecha.

En 1933, un matemtico ruso, A. Kolmogorov desarroll un enfoque axiomtico de la Teora de Probabilidad en su libro traducido al ingls, en 1950, Foundations of Probability Theory. 2. ESPACIO MUESTRAL Y EVENTOS: El conjunto S de todos los resultados posibles de un experimento dado se llama el espacio muestral. Un resultado particular, esto es, un elemento de S, se llama un punto muestral o muestra. Un evento A es un conjunto de resultados o, en otras palabras, un subconjunto del espacio muestral S. El evento {a } que consta de una muestra simple a S se llama evento elemental. El conjunto vacio y S de por s son eventos: el algunas veces se denomina el evento imposible (o imposibilidad), y S el evento cierto o seguro. Podemos combinar eventos para formar nuevos eventos, utilizando las diferentes operaciones con conjuntos: A U B es el evento que sucede si y slo si A o B o ambos suceden. A B es el evento que sucede si y slo si A y B suceden simultneamente. c. Ac (complemento de A), es el evento que sucede si y slo si A no sucede. Dos eventos A y B son llamados mutuamente exclusivos si son disyuntos, esto es, si A B = . En otras palabras, mutuamente exclusivos si no pueden suceder simultneamente. ENFOQUES DE PROBABILIDAD a. El principio de razn insuficiente: El principio de razn insuficiente o de indiferencia, conocido tambin como modelo clsico o probabilidad a priori, fue utilizado por el famoso matemtico Jacobo Bernouilli (1654 -1705) para definir probabilidades. Supngase que se lanza un dado no cargado al aire y que se pregunta a un alumno cul es la probabilidad de que salga un 2. Probablemente contestara 1/6. Esto es aplicando este principio. Dicho principio seala que cuando no hay fundamentos para preferir uno de los posibles resultados o sucesos a cualquier otro, todos deben considerarse que tienen la misma probabilidad de ocurrir. El matemtico francs P.S Laplace (1749 -1827) estableci este principio en su libro A Philosophical Essay on Probabilities de esta manera: La teora de la probabilidad consiste en reducir todos los elementos de la misma clase a cierto nmero de casos igualmente posibles, es decir, que nosotros debemos estar igualmente indecisos ante su existencia y para determinar la cantidad de casos favorables para el suceso cuya probabilidad se busca. La relacin de este nmero con el de todos los casos posibles, es la medida de la probabilidad, que es, por tanto, sencillamente una fraccin cuyo numerador es el nmero de casos favorables y cuyo denominador es el nmero de todos los casos posibles . 3.

a. b.

Este principio de razn insuficiente tiene varias caractersticas, una de las cuales es que supone una simetra de los sucesos. As, se habla de un dado no cargado, una moneda no cargada, etc. La otra es que se basa en razonamientos abstractos y no depende de la experiencia. La hiptesis de la simetra reduce el campo de aplicacin de este principio porque, muchos resultados de los problemas (tales como los de las finanzas, los negocios o economa) no tienen simetra. b. El enfoque de la primera teora de la frecuencia para explicar la probabilidad: Conocido tambin como modelo de frecuencia relativa, a posteriori o emprico. La bibliografa bsica para este enfoque es la obra del matemtico ruso A.N Kolmogorow, Foundations of the Theory of Probability (1933). Para explicarlo, se usar un ejemplo, en relacin a los experimentos de lanzar una moneda al aire. Existen dos resultados posibles (sucesos), E1 (cara) y E2 (cruz). Si se tira la moneda 30 veces y se anotan los resultados teniendo 14 veces caras, se puede obtener una probabilidad a posteriori (m/n) sobre el nmero de veces que cae cara siendo 14 el numerador (m) y 30 el denominador (n), se obtiene 14/30 = 0.47 que es la frecuencia relativa de caras en 30 tiradas. Se debe destacar que las fluctuaciones de las frecuencias relativas de un suceso varan considerablemente cuando n es pequeo, pero cuando n es grande, la amplitud de las fluctuaciones disminuye; la probabilidad de un evento A es decir P(A) calculada por el modelo clsico y la frecuencia relativa del suceso A, m/n no son la misma cosa. Sin embargo, cuando n es grande y P(A) es desconocido, m/n se utiliza como una estimacin de P(A) y se llama probabilidad de A. En relacin con esta definicin de probabilidad, se debe sealar que: m/n 1, si el nmero de presentaciones del suceso es cero, entonces m=0 y m/n=0, por lo tanto 0 m/n 1, por lo tanto 0 P(A) 1. Las caractersticas de este enfoque son: Supone una gran cantidad de ensayos Supone la regularidad estadstica La P(A) se estima por la frecuencia relativa de A Est basada en la experiencia. c. El enfoque de la segunda teora de la probabilidad de la frecuencia: Es semejante al primer enfoque, en el hecho de comenzar con la frecuencia relativa m/n, del suceso A. Pero difiere de la primera en lo siguiente: aquella asigna un nmero P(A) al suceso y lo llama probabilidad del suceso A. Esta P(A) tena la caracterstica de que cuando la cantidad de ensayos era grande, m/n y P(A) eran prcticamente iguales.

El segundo enfoque define la probabilidad del suceso A como el lmite de m/n cuando n tiende a infinito. Entonces se puede escribir: P(A)= m/n cuando n En la primera perspectiva P(A) es una idealizacin de la regularidad estadstica de la frecuencia relativa de un suceso. La segunda requiere la existencia de un lmite para la frecuencia relativa de un suceso. Generalmente al usar el enfoque de la teora de la frecuencia, se utiliza el primero. Los tres enfoques mencionados se conocen como objetivos. d. El enfoque subjetivo: Este enfoque ha sido presentado a los estadsticos por el Profesor Savage, como se indica a continuacin: Un punto de vista personalista sostiene que la probabilidad mide la confianza que tiene un individuo determinado en la verdad de una proposicin particular, por ejemplo, la proposicin de que maana llueva. Estos puntos de vista postulan que el individuo en cuestin de algn modo es razonable pero no niegan la posibilidad de que dos individuos razonables con la misma prueba puedan tener diferentes grados de confianza en la verdad de la misma proposicin . El Profesor Savage emplea el trmino personalista en lugar de subjetivo. Como seala la cita anterior, la probabilidad de un suceso A se interpreta como una medida de la confianza que una persona razonable asigna al suceso A. Este enfoque es muy flexible y se puede aplicar en una variedad de situaciones, se utiliza cuando se desea asignar probabilidad a un evento que nunca ha ocurrido, no hay datos en que basarse y se deben analizar las opiniones y creencias para obtener una estimacin subjetiva. Por ejemplo: la probabilidad de que una mujer sea elegida como presidente de Guatemala. AXIOMAS DE PROBABILIDAD Sea S un espacio muestral, sea la clase de eventos y sea P una funcin de valores reales definida en . Entonces P se llama funcin de probabilidad, y P(A) es llamada probabilidad del evento A si se cumplen los siguientes axiomas: [P1] Para todo evento A, 0 P(A) 1 [P2] P(S)= 1 [P3] Si A y B son eventos mutuamente exclusivos, entonces P (A U B)= P(A) + P (B) [P4] Si A1, A2,. es una serie de eventos mutuamente exclusivos, entonces P (A1 U A2 U.) = P(A1)+ P(A2) +.. Las siguientes observaciones conciernen al orden en que estn los axiomas [P3] y [P4]. Ante todo, al utilizar [P3] y la B.

induccin matemtica se puede probar que para eventos mutuamente exclusivos A1, A2,. An P (A1 U A2 U.U An) = P(A1)+ P(A2) +..+ P(An) Se debe enfatizar que [P4] no proviene de [P3] ni siquiera la anterior demostracin se cumple para todo entero positivo n. Sin embargo, si el espacio muestral S es finito, entonces claramente el axioma [P4] es superfluo. Los siguientes teoremas se deducen directamente de los axiomas anteriores. 1. Teorema 1: Si P()=0 Demostracin: Sea A un conjunto, entonces A y son disyuntos y AU = A Por [P3], P(A)= P(AU)= P(A)+P(), restando P(A) de ambos lados obtenemos el resultado. Teorema 2: Si Ac es el complemento de un evento A, entonces P(Ac)= 1 P(A) Demostracin: El espacio muestral S se puede descomponer en los eventos A y Ac mutuamente exclusivos, esto es, S= A U A c. Por [P2] y [P3] se obtiene: 1 = P(S) = P(A U A c) = P(A) + P(Ac) de lo cual se desprende el resultado. Teorema 3:Si A C B , entonces B se puede descomponer en los eventos A y B\A mutuamente exclusivos. As: P(B) = P(A) + P(B\A), con lo cual se comprueba el enunciado puesto que P(B\A) 0. Teorema 4: Si A y B son dos eventos, entonces P(A\B) = P(A) P(A B) Demostracin: A se puede descomponer en los eventos mutuamente exclusivos A\B y A B: esto es, A= (A\B) U (A B). Por consiguiente, por [P3], P(A) = P (A\B) + P(A B) de lo cual se obtiene el resultado. Teorema 5: Si A y B son dos eventos, entonces P(A U B) = P(A)+ P(B) P(A B) Demostracin: Obsrvese que AUB se puede descomponer en los eventos A\B y B mutuamente exclusivos; esto es, AUB= (A\B)UB. Entonces por [P3] y el teorema 4, P(AUB)= P(A\B)+ P(B) =P(A) P(A B) + P(B) = P(A) + P(B) P(A B) , que es el resultado buscado. Aplicando el teorema anterior por segunda vez obtenemos elCorolario 6: Para los eventos A,B y C. P(AUBUC)=P(A)+P(B)+P(C)P(AB)-P(AC) P(BC) + P(ABC) C. APLICACIN DE LA TEORIA AXIOMATICA PROBABILIDAD 1. Espacios Finitos de Probabilidad DE LA

2.

3. 4.

5.

a. b.

Sea S un espacio muestral finito; digamos, S= {a 1, a2.., an}. Un espacio finito de probabilidad se obtiene al asignar a cada punto a1 S un nmero real pi, llamado probabilidad de ai, que satisface las propiedades siguiente: cada pi es no negativo, pi 0 la suma de los pi es uno, p1 +p2+..+pn =1 La probabilidad P(A) de un evento A, se define entonces como la suma de las probabilidades de los puntos A. Ejemplo: Lncese tres monedas y obsrvese el nmero de caras que resulten; entonces el espacio muestral es S={0, 1,2,3}. Obtenemos un espacio de probabilidad por medio de las siguientes asignaciones: P(0)=1/8, P(1)=3/8, P(2)=3/8, P(3)=1/8 Puesto que cada probabilidad es no negativa y la suma de las probabilidades es 1. Sea A el evento en que aparece una cara por lo menos y sea B el evento en que aparecen todas caras o todos sellos: A= {1,2,3} y B={0,3} Entonces, por definicin, P(A)= P(1)+ P(2)+ P(3)= 3/8 + 3/8 + 1/8 = 7/8 P(B)= P(0) +P (3)= 1/8+1/8 = . 2. Espacios Finitos Equiprobables Frecuentemente, las caractersticas fsica de un experimento sugieren que se asignen iguales probabilidades a los diferentes resultados del espacio muestral. Un espacio finito S de probabilidad, donde cada punto muestral tiene la misma probabilidad, se llamar espacio equiprobable o uniforme. En particular, si S contiene n puntos entonces la probabilidad de cada punto es 1/n. Adems, si un evento A contiene r puntos entonces su probabilidad es r(1/n)=r/n. En otras palabras, P(A)= nmero de elementos de A Nmero de elementos de S o P(A)=nmero de maneras en que el evento A puede suceder__________ Nmero de maneras en que el espacio muestral S puede suceder Esta frmula puede utilizarse solamente con respecto a un espacio equiprobable. La expresin al azar se usar solamente respecto a un espacio equiprobable; formalmente, la proposicin escoger un punto al azar de un conjunto S significa que S es un espacio equiprobable, esto es, que cada punto muestral de S tiene la misma probabilidad. Ejemplo: Sean 2 artculos escogidos al azar de un grupo de 12 de los cuales 4 son defectuosos. Sea A={dos artculos defectuosos} y B={dos artculos no defectuosos} Hallar P(A) y P(B). Ahora

S puede suceder de 12 pueden A puede suceder se pueden defectuosos. B puede suceder de se 4

= 66 maneras, o nmero de veces que se 2 escoger 2 artculos entre 12 = 6 maneras, o nmero de veces en que 2 defectuosos entre 4

8 = 28 maneras, o nmero de veces en que

2 pueden escoger 2 artculos no defectuosos entre 8 no defectuosos. Por consiguiente. P(A)= 6/66=1/11 y P(B)+28/66=14/33 Pregunta: Cul es la probabilidad de que por lo menos un artculo sea defectuoso? Ahora C= {un artculo por lo menos es defectuoso} es el complemento de B, esto es, C= Bc. As, por el teorema 2, P(C) = P(Bc) = 1 P(B) = 1 14/33= 19/33 La ventaja con que un evento de probabilidad p sucede, se define como la relacin p: (1 P). As, la ventaja de que por lo menos un artculo sea defectuoso es 19/33 : 14/33 o 19 : 14. 3. Espacios Muestrales Infinitos Sea S un espacio muestral infinito contable: es decir, S={a 1, a2.}. Como en el caso finito, se obtiene un espacio de probabilidad asignando a cada ai S un nmero real pi, llamado su probabilidad, tal que (i) pi 0 y (ii) p1 + p2 = pi=1 La probabilidad P(A) de un evento A es entonces la suma de las probabilidades de sus puntos. Ejemplo: Considrese el espacio muestral S={1,2,3} del experimento de lanzar una moneda hasta que aparezca una cara; aqu n denota el nmero de veces en que se lanza la moneda. Un espacio de probabilidad se obtiene designando P(1)=1/2, p(2)=1/4. p(n)=1/2n,..p()=0 Como espacios maestrales no contables S, se puede mencionar aquellos de medida geomtrica finita m(S) tales como longitud, rea o volumen, y en los cuales un punto se selecciona al azar. La probabilidad de un evento A, esto es, aquella en que el punto seleccionado pertenece a A, es entonces la relacin de m(A) a m(S); o sea, P(A)= (longitud de A)/(longitud de S) o P(A)= (rea de A)/ (rea de S) o P(A)=(volumen de A)/(volumen de S). Se dice que un espacio de probabilidad tal es uniforme. Un espacio de probabilidad finito o infinito contable se dice que es discreto, y un espacio no contable se dice que es no discreto. D. PROBABILIDAD CONDICIONAL E INDEPENDENCIA

1. Probabilidad Condicional Sea E un evento arbitrario de un espacio muestral S con P(E) > 0. La probabilidad de que un evento A suceda una vez que E haya sucedido o, en otras palabras, la probabilidad condicional A dado E, escrito P(A\E), se define como sigue: P(A\E)= P(AE)/P(E) La P(A\E) en cierto sentido mide la probabilidad relativa de A con relacin al espacio reducido E. En particular, si S es un espacio finito equiprobable y |A| denota el nmero de elementos de un evento A, entonces P(AE)= |AE| P(E)= |E| y as P(A\E)= P(AE) =| AE| |S| |S| P(E) |E| Esto es, Teorema 6 Sea S un espacio finito equiprobable con eventos A y E. Entonces P(A\E)= nmero de elementos de AE Nmero de elementos de E O P(A\E)= nmero de maneras en que A y E pueden suceder Nmero de maneras en que E puede suceder Ejemplo: Un hombre visita a un matrimonio que tiene dos hijos. Uno de los hijos , un nio, entra en la sala. Hallar la probabilidad p de que el otro sea tambin nio si, a) Se sabe que el otro hijo o hija es menor y b) No se sabe nada del otro hijo. El espacio muestral para el sexo (en orden de nacimiento) de los dos hijos es S={MM, MF, FM, FF} con probabilidad de para cada muestra. El espacio muestral reducido consta de dos elementos, {MM, MF}, o sea p=1/2 El espacio muestral reducido consta de tres elementos, {MM,MF,FM} O sea p=1/3 2. Teorema de la Multiplicacin para probabilidad condicional Al multiplicar en cruz la ecuacin anterior que define la probabilidad condicional y usar el hecho de que AE= EA, se obtiene la siguiente frmula til. Teorema 7 P(EA) = P(E) P(A\E) Este teorema puede extenderse por induccin matemtica como sigue: Corolario 8 Para los eventos A1, A2,., An, P( A1 A2.. An) =P(A1) P(A2\ A1) P(A3\ A1 A2)P(An\ A1 A2.....An-1) Ejemplo: En una oficina hay tres mecangrafas (A,B,C), las probabilidades de cada una de ellas de estar ausente son; A=0.2, B=0.4 y C=0.3. Hallar

a) b)

la probabilidad de que las tres mecangrafas estn ausentes el mismo da? P(ABC) =0.2x0.4x0.3=0.024. A continuacin se presenta otra aplicacin del teorema de la multiplicacin. Una encuesta aplicada a ejecutivos se enfoc sobre su lealtad a la empresa. Una de las preguntas planteadas fue: Si otra empresa le hiciera una oferta igual o ligeramente mejor a la de su puesto actual, permanecera usted con la empresa o se cambiara? Las respuestas de los 200 ejecutivos de la encuesta se clasificaron en forma cruzada con su tiempo de servicio en la empresa (tabla 1). Al tipo de tabla que result, por lo general se le denomina tabla de contingencias.

TABLA 1 Lealtad de los ejecutivos y tiempo de servicio en la empresa Lealtad Se quedara No se quedara Total < 1 ao 1 5 aos 6 10 aos > 10 aos 10 30 5 75 25 15 10 30 35 45 55 105 Total 120 80 200

Cul es la probabilidad de seleccionar al azar un ejecutivo que es leal a la empresa (se quedara) y que tiene ms de 10 aos de servicio? Obsrvese que ocurren dos eventos al mismo tiempo: el ejecutivo permanecera en la empresa y tiene ms de 10 aos de servicio. El evento A consiste en un ejecutivo que permanecera con la empresa a pesar de que otra compaa le hiciera una oferta igual o ligeramente mejor. Para encontrar la probabilidad de que suceda el evento A, se consulta la tabla 1. Se observa que hay 120 ejecutivos de los 200 de la encuesta que permaneceran con la empresa, de manera P(A)= 120/200, o sea 60. El evento B consiste en un ejecutivo con ms de 10 aos de servicio en la empresa. De esta forma, P (B\A) es la probabilidad de que un ejecutivo con ms de 10 aos de servicio permanezca con la empresa a pesar de que otra compaa le haga una oferta igual o ligeramente mejor. Consultando la tabla de contingencia, tabla 1, 75 de los 120 ejecutivos que se quedaran tienen ms de 10 aos de servicio, de manera que P(B\A) = 75 /120.

Determinando la probabilidad de que un ejecutivo seleccionado al azar sea uno de los que se quedara con la empresa y con ms de 10 aos de servicio, y utilizando la regla general de multiplicacin: P(A y B)= P(A) x P(B\A) = 120/200 x 75/120= 9000/24000= 0.375 3. Procesos Estocsticos Finitos y diagramas de rbol Una sucesin (finita) de experimentos en los cuales cada experimento tiene un nmero finito de resultados con probabilidades dadas se llama un procesoestocstico (finito). Una manera conveniente de describir tal proceso y calcular la probabilidad de un evento se obtiene por el diagrama de rbol como se ilustra en la figura siguiente; el teorema de la multiplicacin indicado anteriormente se usa para calcular la probabilidad de que el resultado representado por una trayectoria determinada del rbol suceda. Ejemplo: Hay tres cajas: o Caja I contiene 10 lmparas de las cuales 4 son defectuosas o Caja II contiene 6 con 1 defectuosa o Caja III contiene 8 con 3 defectuosas Al escoger una caja y luego sacar al azar una lmpara. Cul es la probabilidad p de que la lmpara sea defectuosa? Aqu se realiza una serie de dos experimentos a) escoger una de las tres cajas b) escoger una lmpara que sea o defectuosa (D) o no defectuosa (N) El diagrama de rbol siguiente describe el proceso y da la probabilidad de cada rama del rbol: 2/5 D I 1/3 1/3 II 3/5 D 1/6 5/6 3/8 III D N N

1/3

5/8 N La probabilidad de que una trayectoria determinada del rbol suceda es, segn el teorema de la multiplicacin, el producto de las probabilidades de cada rama de la trayectoria (probabilidad conjunta), o sea, que la probabilidad de escoger la caja I y luego una lmpara defectuosa es: 1/3 x2/5= 2/15. Ahora como hay tres trayectorias mutuamente exclusivas que conducen a una lmpara defectuosa, la suma de las probabilidades de estas trayectorias es la probabilidad buscada: p= (1/3x2/5)+(1/3x1/6) +(1/3x3/8)= 113/360

4.

Particiones y Teorema de Bayes Supongamos que los eventos A1, A2., An forman una particin de un espacio muestral S; esto es, que los eventos Ai son mutuamente exclusivos y su unin es S. Ahora sea B otro evento. Entonces B= SB= (A1UA2U..U An) B = (A1B) U(A2B)U .U (An B) donde las Ai B son eventos mutuamente exclusivos. En consecuencia P(B)= P(A1B) +(A2B)+ .+ (An B) Luego por el teorema de la multiplicacin, P(B)=P(A1)P(B\ A1)+P(A2)P(B\ A2)+.....+P(An) P(B\An) (1) Por otra parte, para cualquier i, la probabilidad condicional de Ai dado B se define por P(Ai\B)= P(AiB)/P(B) En esta ecuacin si se usa (1) para remplazar P(B) y usamos P(AiB)= P(A1)P(B\ A1) para remplazar P(AiB), se obtiene as el siguiente teorema: Teorema de Bayes (Teorema 8) Supngase que A1, A2., An es una particin de S y que B es cualquier evento. Entonces para cualquier i P(Ai\B)= ____________________P(Ai)P(B\Ai)____________________ P(A1)P(B\ A1)+P(A2)P(B\ A2)+.............+P(An) P(B\An) Est frmula se llama tambin frmula para la probabilidad de la hiptesis despus de la prueba Ejemplo: Tres mquinas A, B y C producen respectivamente 50%, 30% y 20% del nmero total de artculos de una fbrica. Los porcentajes de produccin de estas mquinas son 3%, 4% y 5%. Si se selecciona al azar un artculo y resulta ser defectuoso (X). Hallar la probabilidad de que el artculo fue producido por la mquina A; esto es hallar P(A\X) Por el teorema de Bayes, P(A\X)= ____________________P(A) P(X\A)_______ P(A) P(X\A) + P(B) P(X\B) + P(C) P(X\C) = _______________ (0.50) (0.03)_______________ (0.50)(0.03) + (0.30) (0.04) + (0.20 )(0.05) = 15/37 En otras palabras, se divide la probabilidad de la trayectoria pedida por la probabilidad del espacio muestral reducido, o sea, aquellas trayectorias que conducen a un artculo defectuoso. Independencia Se dice que un evento B es independiente de un envento A si la probabildad de que B suceda no est influenciada porque A haya o no sucedido. En otras palabras, si la probabilidad de B iguala la probabilidad condicional de B dado A: P(B)= P(B\A). Ahora sustituyendo P(B) por P(B\A) en el teorema de la multiplicacin P(AB)= P(A) P(B), entonces Definicin: A y B son eventos independientes si P(AB)= P(A) P(B); de otro modo son dependientes. Para tres eventos A, B y C se dice que son independientes si:

5.

a) P(AB)= P(A) P(B), P(AC)= P(A) P(C) y P(BC)= P(B) P(C), esto es si los eventos son independientes dos a dos, y b) P(P(ABC)= P(A) P(B) P(C) Se debe resaltar que la condicin (b) no se desprende de la condicin (a); en otras palabras, tres eventos pueden ser dos a dos independientes pero no independientes entre s. Ejemplo: Sea el caso de lanzar un par de monedas corrientes, aqu S={CC, EE,CE,EC} es un espacio equiprobable. Considrese los eventos A={caras en el primera moneda} = {CC, CE} B={caras en la segunda moneda}= {CC, EC} C={caras en una moneda exactamente}= {CE,EC} Entonces P(A)=P(B)=P(C)=2/4=1/2 y P(AB)= P({CC})=1/4, P(AC) = P({CE})=1/4 , P(BC)=({EC)} As la condicin (a) se satisface, o sea, los eventos son independientes dos a dos. Sin embargo, ABC= =0 P(A) P(B) P(C); es decir, la condicin (b) no se satisface y por tanto los tres eventos no son independientes. 6. Pruebas Repetidas o Independientes Se han discutido anteriormente espacios de probabilidad que estaban relacionados con un experimento repetido un nmero finito de veces, tal como el lanzamiento de una moneda tres veces. Este concepto de repeticin se formaliza como sigue: Definicin: Sea S un espacio finito de probabilidad. Por n pruebas repetidas o independientes, significamos el espacio de probabilidad T que consta de n-uplas o elementos de S con la probabilidad de una n-upla definida como el producto de las probabilidades de sus componentes: P((s1,s2,, sn))= P(s1) P(s2 ). P(sn). Ejemplo: Tres caballo a, b y c corren juntos, sus probabilidades de ganar son respectivamente , 1/3 y 1/6. S={a,b,c} con P(a)=1/2, P(b)=1/3 y P(c)=1/6. Si los caballos corren dos veces, entonces el espacio muestral de las dos pruebas repetidas es: T={aa,ab,ac, ba,bb,bc, ca, cb, cc} La probabilidad de cada punto T es: P(aa)= P(a) P(a)=1/2x1/2=1/4 P(ba)=1/6 P(ca)=1/12 P(ab)=1/6 P(bb)=1/9 P(cb) =1/18 P(ac)=1/12 P(bc)=1/18 P(cc) =1/36 As la probabilidad de que c gane la primera carrera y de que a gane la segunda es P(ca)=1/12

a) b)

Desde otro punto de vista, un proceso de pruebas repetidas es un proceso estocstico, cuyo diagrama de rbol tiene las siguientes propiedades: Cada ramal tiene los mismos resultados La probabilidad es la misma en cada rama que conduce a un mismo final. Diagrama de rbol 1/2 a 1/3 b a 1/2 1/3 b 1/6 a 1/2 1/6 1/6 c 1/6 1/3 c 1/2 a b 1/3 b c c

III. PROBLEMAS RESUELTOS 1. Se seleccionan al azar dos cartas entre 10 cartas numeradas de 1 a 10. Hallar la probabilidad p de que la suma sea impar si, (a) las dos cartas se sacan juntas, (b) se sacan una tras otra sin sustitucin, (c) las dos cartas se sacan una despus de la otra con sustitucin. SOLUCION: Hay 15 C3 = 455 maneras de escoger 3 lmparas entre 15: a) Puesto que hay 15 5 = 10 lmparas no defectuosas, entonces hay 10 C 3 = 120 maneras de escoger 3 lmparas no defectuosas. As que p= 120/455=24/91 b) Hay 5 lmparas defectuosas y 10 C 2 =45 pares diferentes de lmparas no defectuosas; por consiguiente hay 5 x 45 = 225 maneras de escoger 3 lmparas de las cuales una es defectuosa Entonces p=225/455=45/91. c) El evento en que por lo menos una sea defectuosa es el complemento del evento en que ninguna es defectuosa que tiene segn a), probabilidad de 24/91. Entonces p = 1-24/91=67/91. 2. Durante un viaje 5 amigos juegan una partida diaria. Suponiendo que era un juego puramente al azar o, lo que es lo mismo, que los 5 jugadores eran igualmente hbiles, cul es la probabilidad de que uno de ellos (Juan) no gane ninguna partida? SOLUCION Puesto que la probabilidad de ganar es la misma para cada jugador, esto es 1/5, quiere decirse que la probabilidad de no ganar de Juan es 4/5. Como se jugarn 5 partidas, la probabilidad buscada de que Juan no ganase ninguna es= (4/5) 5 = 0.32768.

3. Un tirador tiene la probabilidad p de dar en el blanco. Se le ofrecen dos alternativas: a) hacer un solo disparo; b) hacer 3 disparos con la condicin de dar por lo menos 2 veces en el blanco. Cul alternativa es ms favorable al tirador? SOLUCION: La probabilidad de dar 2 veces en el blanco en 3 disparos es 3 p2 (1 p), puesto p2 (1 p) es la probabilidad de dar en el blanco 2 veces especificadas y errar la tercera. La probabilidad de dar las 3 veces en el blanco es p3 . Por tanto, la probabilidad de dar por lo menos 2 veces en el blanco en 3 disparos es p 3 + 3 p2 (1 p) . Para que la segunda alternativa sea ms ventajosa que la primera debe ser, por tanto,

p3 + 3 p2 (1 p) > p, o sea, 2 p2 3p + 1 < 0 , de donde < p < 1. Por tanto, si p>1/2, es ventajosa la segunda alternativa, pero si p< es preferible la primera. Si p= las dos alternativas son equivalentes. 4. La Comisin de Turismo de Florida seleccion una muestra de 200 turistas que visitaron el estado durante el ao. La encuesta revelo que 120 turistas fueron a Disney World y 100 a Busch Gardens cerca de Tampa. y 60 visitaron ambos lugares Cul es la probabilidad de que una persona seleccionada haya visitado Disney World o Busch Gardens? SOLUCION: P (Disney o Busch) = P(Disney) + P (Busch) P (Disney y Busch) = 120/200 = 100/200 60 /200 = 160/200 = 0.8

5. Cierto tipo de proyectil da en el blanco con probabilidad 0.3 Cuntos proyectiles debern ser disparados para que haya al menos un 80% de probabilidad de pegar en el blanco. SOLUCION: La probabilidad de que un proyectil falle su blanco es 0.7; por tanto la probabilidad de que n proyectiles fallen en el blanco es (0.7)^n. As buscamos el menor n para el que 1 (0.7)n > 0.8 o equivalente (0.7)^n < 0.2 calculamos: (0.7)^1=0.7, (0.7)^2=0.49, (0.7)^3=0.343, (0.7)^4=0.2401, (0.7)^5=0.16807. As por lo menos 5 proyectiles deben ser disparados.

IV. PROBLEMAS PROPUESTOS 1. Un acertijo en un diario presenta un problema de apareamiento. Los nombres de 10 presidentes de Guatemala se enlistan en una columna y su perodo de gobierno se enlista aleatoriamente en la segunda columna. El acertijo pide al lector que asocie cada presidente con su perodo. Si se realizan las asociaciones al azar, Cul es la probabilidad de que las 10 asociaciones sean correctas? 2. En un programa de entrenamiento para la gerencia de Claremont Enterprises, 80% de los asistentes son mujeres y 20% hombres; 90% de las mujeres son egresadas de la universidad y 78% de los hombres tambin. a) Se selecciona al azar una de las personas en entrenamiento Cul es la probabilidad de que se trate de una mujer que no asisti a la universidad? b) Trace un diagrama de rbol que muestre todas las probabilidades condicionales y conjuntas. 3. En una competencia de natacin, la ventaja de que A gane es 2 a 3 y la ventaja de que B gane es 1 a 4. Hallar la probabilidad p y la ventaja de que A o B ganen la competencia. 4. Tres nios y tres nias se sientan en fila. Hallar la probabilidad de que a) las tres nias se sienten juntas b) los nios y las nias se sienten alternados. 5. A una persona se le reparten 3 cartas, espadas, de una baraja corriente de 52 cartas. Si se le dan cuatro, cartas ms determinar la probabilidad de que por lo menos dos de las cartas adicionales sean tambin espadas.