Probabilidades

Probabilidades
Estadstica
Inform atica Empresarial
Facultad de Ciencias Empresariales
Universidad de Talca
Mg. Eduardo Alarc on Bustamante
edalarcon@utalca.cl
Mg. Marcelo Rodrguez Gallardo
mrodriguez@ucm.cl
Talca, primer semestre 2013
Probabilidades

Indice I
1 Introducci on
2 Conceptos B asicos
3 Probabilidades
Conceptos b asicos de la teora de probabilidad
Axiomas de la teora de probabilidad
Teoremas de teora de probabilidad
4 Espacios muestrales
Espacios muestrales nitos
Espacios nitos equiprobables
5 T ecnicas de conteo
6 Ejercicio 2
7 Teoremas de probabilidad
Teorema de probabilidad condicional
Teorema de probabilidad total
Teorema de Bayes
8 Ejercicio de aplicaci on de teoremas de probabilidad
9 Eventos independientes
Probabilidades
Introducci on
Entenderemos por probabilidad a un mecanismo por medio del
cual pueden estudiarse eventos aleatorios.
Uno de los objetivos de la estadstica es tomar decisiones con
base en una evidencia muestral (Inferencia Estadstica). La toma
de decisi on estar a ntimamente ligada con la probabilidad.
En esta presentaci on introducimos los principios elementales de
la teora de probabilidades. Comenzamos con deniciones
b asicas y el desarrollo axiom atico de la medida de probabilidad.
Despu es, se entregan propiedades y teoremas utiles para
solucionar problemas aplicados relacionados al campo de la
ingeniera.
Probabilidades
Conceptos B asicos
Entendemos por experimento aleatorio (), aquel experimento que
podemos repetir tantas veces como sea necesario, siempre con las
mismas condiciones, sabiendo todos los posibles resultados, sin
saber de antemano cual ser a el resultado concreto del experimento.
Al realizar un experimento aleatorio, existen diversos resultados
posibles, lo que llamaremos Espacio muestral (), llamaremos
Evento (A, B, C, . . .) a un subconjunto del espacio muestral .
Probabilidades
Conceptos B asicos
Se dene un evento elemental, al conjunto formado por un s olo
elemento de , y lo denotaremos mediante E = {}
Ejemplo
Considere el evento A obtener un n umero par al lanzar un dado.
Entonces se tiene lo siguiente
= Lanzar un dado
= {
1
,
2
,
3
,
4
,
5
,
6
} = {1, 2, 3, 4, 5, 6}
A = {
2
,
4
,
6
} = {2, 4, 6}
E
i
= {
i
}
Probabilidades
Probabilidades
Conceptos b asicos de la teora de probabilidad
Para formalizar la denici on de probabilidad, a trav es de un conjunto
de axiomas, se repasar a brevemente los conceptos b asicos de teora
de conjunto, sobre los cuales se fundamenta la denici on formal de
probabilidad.
Denici on (Complemento de A )
El complemento de un evento A es el conjunto de todos los
resultados pertenecientes a que no est an incluidos en A. Se
denota por A
c
Denici on (Conjunto Uni on de A y B)
La uni on de los eventos A y B es el conjunto de todos los resultados
pertenecientes a que est an incluidos en A o en B. Se denota por
A B
Probabilidades
Probabilidades
Conceptos b asicos de la teora de probabilidad
Denici on (Conjunto Intersecci on de A y B)
La intersecci on de los eventos A y B es el conjunto de todos los
resultados pertenecientes a que est an incluidos tanto en A como
en B. Se denota por A B
Denici on (Eventos mutuamente excluyentes)
Dos eventos A y B son mutuamente excluyentes (disjuntos,
l ogicamente incompatibles) si no tienen resultados en com un. Es
decir A B =
Diagramas de Venn que ilustran (de izquierda a derecha) el
complemento, la uni on, intersecci on y los eventos excluyentes.
Probabilidades
Probabilidades
Conceptos b asicos de la teora de probabilidad
Ley de Morgan: Sean A
1
, A
2
, . . . , A
n
n eventos asociados a un
mismo , entonces
(A
1
A
2
A
3
. . . A
n
)
c
= (A
c
1
A
c
2
A
c
3
. . . A
c
n
)
(A
1
A
2
A
3
. . . A
n
)
c
= (A
c
1
A
c
2
A
c
3
. . . A
c
n
)
Ley distributiva Sean B, A
1
, A
2
, . . . , A
n
n +1 eventos asociados a un
mismo , entonces
B (A
1
A
2
. . . A
n
) = (B A
1
) (B A
2
) . . . (B A
n
)
B (A
1
A
2
. . . A
n
) = (B A
1
) (B A
2
) . . . (B A
n
)
Probabilidades
Probabilidades
Conceptos b asicos de la teora de probabilidad
Ley conmutativa Sean A y B dos eventos asociados a un mismo ,
entonces
A B = B A
A B = B A
Ley asociativa Sean A, B y C tres eventos asociados a un mismo ,
entonces
(A B) C = A (B C)
(A B) C = A (B C)
Idempotencia Sean A un evento asociados a cierto , entonces
(A A) = A
(A A) = A
Probabilidades
Probabilidades
Axiomas de la teora de probabilidad
Sea A un evento asociado a . se dene P(A) al n umero que asocia
la probabilidad de que ocurra el evento A.
P : [0, 1]
A P(A)
Probabilidades
Probabilidades
Axiomas de la teora de probabilidad
Kolmogorov plantea tres axiomas que componen la teora de
probabilidad:
1 Para todo evento A, P(A) 0
2 P() = 1
3 Si A y B son eventos excluyentes, entonces
P(A B) = P(A) +P(B)
Es decir, si A
1
, A
2
, . . . es un conjunto nito o innito numerable
de eventos excluyentes dos a dos (A
i
A
j
= para todo i = j )
P
_
_
i
A
i
_
=

i
P(A
i
)
Probabilidades
Probabilidades
Teoremas de teora de probabilidad
Teorema (1)
Si A es un evento asociado a , entonces P(A
c
) = 1 P(A)
Teorema (2)
La probabilidad del conjunto vaco es 0, es decir P() = 0
Teorema (3)
Sean A y B son eventos arbitrarios asociados a , entonces:
P(A B
c
) = P(A) P(A B)
Teorema (4)
Sean A y B dos eventos asociados a , tales que A B, entonces P(A) P(B)
Teorema (5)
Sean A y B dos eventos cualquiera asociados a , entonces
P(A B) = P(A) +P(B) P(A B)
Probabilidades
Espacios muestrales
Espacios muestrales nitos
En este curso nos enfocaremos s olo en los experimentos para los
cuales el espacio muestral es nito, es decir = {
1
,
2
, . . . ,
n
}.
Asignaci on de probabilidades a eventos elementales: A cada uno
de los eventos elementales E
i
= {
i
}, para todo i = 1, 2, . . . , n se le
asigna un n umero P(E
i
) que cumple las siguientes condiciones:
a) 0 < P(E
i
) < 1, para i = 1, 2, . . . , n
b)
n

i =1
P(E
i
) = 1
Probabilidades
Espacios muestrales
Espacios nitos equiprobables
Un espacio muestral nito = {
1
,
2
, . . . ,
n
} se dice equiprobable
si
P({
i
}) = P(E
i
) = c i = 1, 2, . . . , n 0 < c < 1
De lo planteado anteriormente, se obtiene que
n

i =1
P(E
i
) =
n

i =1
c = nc = 1 c = 1/n
Es decir, un espacio muestral nito se dice equiprobable si:
P(E
i
) =
1
n
i = 1, 2, . . . , n
Sea A un evento asociado a , donde A tiene k < n elementos
(A = {
1
,
2
, . . . ,
k
}), entonces la probabilidad de que ocurra A es
P(A) =
k
n
=
A

Probabilidades
Espacios muestrales
Espacios nitos equiprobables
Ejemplo
Se lanza una moneda 3 veces.
1 Dena el espacio muestral
2 Identique los siguientes eventos:
A Se obtiene exactamente una cara
B Se obtiene un n umero impar de caras
C No se obtienen caras
3 Calcule P(A), P(B) y P(C)
Probabilidades
T ecnicas de conteo
Sabemos que si el espacio muestral es nito y equiprobable,
entonces P(A) =
A

, por lo que para calcular P(A) debemos contar

tanto los elementos de A como los de , de modo que debemos
tener t ecnicas que nos permitan contar dichos elementos.
PRINCIPIO MULTIPLICATIVO: Suponga que se tiene una actividad
E que consiste en k etapas: E
1
, E
2
, . . . , E
k
. Supongamos adem as
que la etapa E
i
la podemos realizar de n
i
formas (i = 1, 2, . . . , k) y
que cada una de las formas de efectuar E
1
puede ser seguida por
cualquiera de las formas de efectuar E
2
y as sucesivamente hasta
E
k
, entonces la actividad E la podemos realizar de
k

i =1
n
i
= n
1
n
2
, n
3
n
k
formas
Probabilidades
T ecnicas de conteo
Ejemplo
Si para vestirnos disponemos de: 2 pantalones, 3 poleras y 2 pares
de zapatillas, independiente de la combinaci on de colores, de
cu antas tenidas disponemos?
PERMUTACIONES: Supongamos un conjunto T con n elementos,
todos diferentes: T = {t
1
, t
2
, . . . , t
n
}
a.- De cu antas maneras, se pueden agrupar (permutar) estos
objetos?
Supongamos una caja con n casillas:
C
1
C
2
C
3
C
n1
C
n
Sea E: Llenar la caja; E
i
: Llenar la casilla i = 1, 2, . . . , n
Luego para E
i
tenemos (n (i 1)) alternativas. De este modo para
realizar E disponemos de n(n 1)(n 2) 1, formas por el principio
multiplicativo. Es decir n! grupos de n objetos.
Probabilidades
T ecnicas de conteo
Ejemplo
En una urna con 5 bolitas enumeradas del 1 al 5, Cu antos n umeros
de 5 cifras podemos formar?
Probabilidades
T ecnicas de conteo
b.- Ahora deseamos escoger k de estos n objetos, y permutamos los
k elegidos. Sea P
n
k
el de formas de hacer esto.
Supongamos nuevamente que tenemos una caja con n casillas;
ahora nos detenemos despu es que se ha llenado la casilla k- esima.
As E
1
n, E
2
n 1, . . . , E
k
n (k 1).
Por el principio multiplicativo tenemos que
P
n
k
= n (n 1) (n 2) (n (k 1)) =
n!
(n k)!
P
n
k
se llama permutaci on de n objetos sobre k grupos
Probabilidades
T ecnicas de conteo
Ejemplo
Con los n umeros del 1 al 5, cu antos n umeros de 3 cifras podemos
formar?
Probabilidades
T ecnicas de conteo
Observaci on: Si las casillas a permutar tienen n
1
elementos de una
clase, n
2
elementos de otra clase, etc, tal que n
1
+ n
2
+ + n
k
= n
entonces el n umero de permutaciones est a dado por
P
n
n
1
,n
2
,...,n
k
=
n!
n
1
! n
2
! n
k
!
Ejemplo: Cu antas palabras se pueden formar con la palabra
CHILOTECHILITO?
Probabilidades
T ecnicas de conteo
COMBINACIONES: Sea T = t
1
, t
2
, . . . , t
n
objetos diferentes. Ahora
estamos interesados en contar el n umero de formas como podemos
escoger k de esos n objetos sin considerar el orden. Sea C
n
k
el
n umero de maneras de hacer esto.
Se sabe que el n umero de formas de elegir k objetos entre n y
permutar los k elegidos es
P
n
k
=
n!
(n k)!
Observe que una vez que se han escogido los k objetos, hay k!
formas de permutarlos, luego:
C
n
k
k! =
n!
(n k)!
C
n
k
=
n!
(n k)!k!
=
_
n
k
_
Donde
_
n
k
_
es llamado Combinaci on de n objetos sobre k grupos
Probabilidades
T ecnicas de conteo
Ejemplo
Se desea seleccionar 3 ingenieros para llevar a cabo un proyecto de
investigaci on, han pasado a las segunda etapa 23. Cu antos grupos
diferentes es posible formar?
Probabilidades
T ecnicas de conteo
Observaciones:
1 0! = 1
2
_
n
k
_
=
_
n
nk
_
3 Teorema del binomio:
(a + b)
n
=
n

i =0
_
n
i
_
a
i
b
ni
; a, b R
Probabilidades
Ejercicio 2
1 Cu antas se nales con banderas pueden obtenerse con 8
banderas diferentes?
2 Cu antos comites de tres miembros se pueden elegir con ocho
personas?
3 Se quieren sentar 5 hombres y 4 mujeres en una la de modo
que las mujeres ocupen los sitios pares. De cu antas formas
pueden sentarse?
4 Si una caja contiene bolitas numeradas del 1 al 5 se sacan
sucesivamente al azar las 5 bolitas (sin reposici on). Se desea la
probabilidad de que juntando los n umeros de cada bolita seg un
el orden de extracci on resulte el n umero 21345.
Probabilidades
Ejercicio 2
Una agencia de seguros presta servicios a numerosos clientes que han adquirido
tanto una p oliza de seguro de incendio de casa como una p oliza de automovil en la
agencia. Por cada tipo de p oliza se debe especicar una cantidad de deducible. Para
una p oliza de automovil, el deducible puede ser $100 o $250, mientras que para la
p oliza de incendio de casa, las opciones son $0, $100, $200.
Sea A =La cantidad de deducible sobre la p oliza de auto y B =La cantidad de
deducible sobre la p oliza de incendio de casa.
La siguiente tabla se dene como tabla de probabilidad conjunta, la cual entrega la
funci on de masa de probabilidad conjunta. Esta tabla entrega las probabilidades
conjuntas historiales de la agencia de seguros.
B
0 100 200
A 100 0,20 0,10 0,20
250 0,05 0,15 0,30
1 Calcule la probabilidad de que el pr oximo cliente contrate un seguro con
deducible de $100 para el seguro de autom ovil o contrate un seguro con
deducible $200 para el seguro de incendio de casa.
2 Calcule la probabilidad de que el pr oximo cliente contrate un seguro con
deducible de $100 para el seguro de autom ovil y contrate un seguro con
deducible $200 para el seguro de incendio de casa.
3 Calcule la probabilidad de que un cliente que ya contrat o un seguro con
deducible de $100 para el seguro de autom ovil, contrate un seguro con
deducible $200 para el seguro de incendio de casa.
Probabilidades
Teoremas de probabilidad
Teorema de probabilidad condicional
Teorema (Teorema de probabilidad condicional)
Consideremos dos eventos A, B. Supongamos que P(B) > 0.
Denimos la probabilidad condicional de A dado B, mediante
P(A/B) =
P(A B)
P(B)
Error frecuente: No confundir probabilidad condicional con
intersecci on.
Ambas miden, en efecto, la intersecci on, pero
En P(A B) se mide con respecto a P() = 1.
En P(A/B) se mide con respecto a P(B).
Probabilidades
Teoremas de probabilidad
Teorema de probabilidad condicional
Ejemplo de aplicaci on
El Problema de Monty Hall es un problema de probabilidad que est a inspirado por el
concurso televisivo estadounidense Lets Make a Deal (Hagamos un trato), famoso
entre 1963 y 1986. Su nombre proviene del presentador, Monty Hall.
En este concurso, el concursante escoge una puerta entre tres, y su premio consiste
en lo que se encuentra detr as. Una de ellas oculta un autom ovil, y tras las otras dos
hay una cabra. Sin embargo, antes de abrirla, el presentador, que sabe donde esta el
premio, abre una de las otras dos puertas y muestra que detr as de ella hay una cabra.
Ahora tiene el concursante una ultima oportunidad de cambiar la puerta escogida.
Considere que el concursante tiene solo dos opciones A
1
= Escoger una puerta con
premio o A
2
= Escoger una puerta sin premio. Adem as tenemos un evento de inter es
que es G = Gana el premio.
Considere que el concursante se mantiene en su puerta, cu al es la probabilidad
de ganar el premio?
Considere que el concursante se cambia de puerta, cu al es la probabilidad de
ganar el premio?
Probabilidades
Teoremas de probabilidad
Teorema de probabilidad condicional
Soluci on
Probabilidades
Teoremas de probabilidad
Teorema de probabilidad condicional
Soluci on
Probabilidades
Teoremas de probabilidad
Teorema de probabilidad condicional
Soluci on
Probabilidades
Teoremas de probabilidad
Teorema de probabilidad condicional
Soluci on
G = (G A
1
) (G A
2
)
Se observa que G A
1
y G A
2
son eventos mutuamente excluyentes, por lo que
P(G) = P(G A
1
) +P(G A
2
)
Del teorema de probabilidad condicional se desprende que
P(G) = P(A
1
)P(G/A
1
) +P(A
2
)P(G/A
2
)
P(A
1
) =
1
3
P(A
2
) =
2
3
As:
P(G) =
1
3
P(G/A
1
) +
2
3
P(G/A
2
)
Probabilidades
Teoremas de probabilidad
Teorema de probabilidad condicional
Soluci on
El conductor del programa abre una de las puertas sin premio y nos pregunta si
deseamos cambiarnos de puerta... Qu e decisi on tomo?
Opci on 1. Me cambio de puerta: En esta opci on se tiene lo siguiente:
Si al principio eleg la puerta que tena premio y me cambio, entonces la puerta
que abrir a el conductor no tendr a premio por lo que perder e.
Si al principio eleg la puerta que NO tena premio y me cambio, entonces la
puerta que abrir a el conductor tendr a premio por lo que ganar e.
As:
La probabilidad de ganar dado que la puerta que eleg tena premio es 0
La probabilidad de ganar dado que la puerta que eleg NO tena premio es 1
P(G/A
1
) = 0 y P(G/A
2
) = 1
Probabilidades
Teoremas de probabilidad
Teorema de probabilidad condicional
Soluci on
Opci on 2. No me cambio de puerta: En esta opci on se tiene lo siguiente:
Si al principio eleg la puerta que tena premio y no me cambio, entonces la
puerta que abrir a el conductor tendr a premio por lo que ganar e.
Si al principio eleg la puerta que NO tena premio y no me cambio, entonces la
puerta que abrir a el conductor no tendr a premio por lo que perder e.
As:
La probabilidad de ganar dado que la puerta que eleg tena premio es 1
La probabilidad de ganar dado que la puerta que eleg NO tena premio es 0
P(G/A
1
) = 1 y P(G/A
2
) = 0
Probabilidades
Teoremas de probabilidad
Teorema de probabilidad condicional
Soluci on
Decidamos...
Sabemos que
P(G) =
1
3
P(G/A
1
) +
2
3
P(G/A
2
)
Opci on 1. Me cambio de puerta.
P(G) =
1
3
0 +
2
3
1 =
2
3
Opci on 2. No me cambio de puerta.
P(G) =
1
3
1 +
2
3
0 =
1
3
Decisi on nal: Es m as probable que gane el autom ovil si me cambio
de puerta.
Probabilidades
Teoremas de probabilidad
Teorema de probabilidad total
Del ejemplo de aplicaci on anterior se observ o que
P(G) = P(G A
1
) +P(G A
2
)
.
Formalmente se dice que el evento G est a particionado en 2 eventos A
1
y A
2
.
Qu e pasa si un evento B (arbitrario) lo particionamos en m as eventos A
i
.
De la gura se observa que el evento B est a particionado en A
1
, A
2
, A
3
y A
4
, as
P(B) = P(B A
1
) +P(B A
2
) +P(B A
3
) +P(B A
4
)
Del teorema de probabilidad condicional se obtiene que
P(B) = P(A
1
)P(B/A
1
) +P(A
2
)P(B/A
2
) +P(A
3
)P(B/A
3
) +P(A
4
)P(B/A
4
)
Probabilidades
Teoremas de probabilidad
Teorema de probabilidad total
Teorema (Teorema de probabilidad total)
Sean A
1
, A
2
, . . . , A
k
eventos excluyentes dos a dos, los unicos
posibles y con probabilidades positivas. Sea B un evento arbitrario.
Entonces
P(B) =
k

i =1
P(A
i
)P(B/A
i
)
Probabilidades
Teoremas de probabilidad
Teorema de Bayes
Del teorema de probabilidad condicional se puede inferir que si
A
1
, A
2
, . . . , A
k
eventos excluyentes dos a dos, los unicos posibles y
con probabilidades positivas y sea B un evento arbitrario. Entonces:
1 P(B/A
i
) =
P(A
i
B)
P(A
i
)
P(A
i
B) = P(B/A
i
)P(A
i
)
2 P(A
i
/B) =
P(A
i
B)
P(B)
P(A
i
B) = P(A
i
/B)P(B)
De 1 y 2 se obtiene que
P(A
i
/B)P(B) = P(B/A
i
)P(A
i
)
As
P(A
i
/B) =
P(B/A
i
)P(A
i
)
P(B)
Probabilidades
Teoremas de probabilidad
Teorema de Bayes
Del teorema de probabilidad total sabemos que
P(B) =
k

i
P(A
i
)P(B/A
i
)
, As
P(A
i
/B) =
P(B/A
i
)P(A
i
)

k
i =1
P(A
i
)P(B/A
i
)
Probabilidades
Teoremas de probabilidad
Teorema de Bayes
Teorema (Teorema de Bayes)
Sean A
1
, A
2
, . . . , A
k
eventos mutuamente excluyentes asociados a un
mismo (Estados naturales) tales que
k

i =1
P(A
i
) = 1 y adem as
P(A
i
) > 0, i = 1, 2, . . . k. Sea B un evento cualquiera asociado a
(Evento observable), con probabilidad positiva, entonces.
P(A
i
/B) =
P(B/A
i
)P(A
i
)

k
i =1
P(A
i
)P(B/A
i
)
Com unmente P(A
i
) son llamadas probabilidades a priori.
P(A
i
/B) son llamadas probabilidades a posteriori
(reactualizaci on de las probabilidades).
El teorema de Bayes indica como se deben revisar las probabilidades
a la luz de nueva informaci on.
Probabilidades
Ejercicio de aplicaci on de teoremas de probabilidad
En una empresa se determina que los clientes deben evaluar los
dise nos preliminares de varios productos. En el pasado, el 95% de
los productos con mayor exito en el mercado recibieron buenas
evaluaciones, el 60% de los productos con exito moderado recibieron
buenas evaluaciones y el 10% de los productos de escaso exito
recibieron buenas evaluaciones. Se sabe adem as que, el 40% de los
productos han tenido mayor exito, el 35% un exito moderado y los
restantes un escaso exito.
1 Cu al es la probabilidad de que un producto obtenga una buena
evaluaci on?
2 Si un producto obtiene una buena evaluaci on, cu al es la
probabilidad de que tenga gran exito?
3 Si un producto no obtiene una buena evaluaci on, cu al es la
probabilidad de que tenga gran exito?
Probabilidades
Eventos independientes
Decimos que los eventos A y B son estadsticamente
independientes si la ocurrencia de uno no afecta para nada la
ocurrencia de otro. Es decir,
P(A/B) = P(A)
De aqu en adelante simplemente diremos eventos independientes y
omitiremos la palabra estadsticamente.
Equivalentemente, A y B, ser an independientes ssi
P(A B) = P(A)P(B)
Propiedades de independencia
Si A y B son eventos independientes, entonces se cumple
A y B
c
son independientes
A
c
y B son independientes
A
c
y B
c
son independientes
Probabilidades
Eventos independientes
Para que tres eventos A, B y C, sean independientes se deben
cumplir las siguientes igualdades (condiciones)
P(A B) = P(A)P(B)
P(A C) = P(A)P(C)
P(B C) = P(B)P(C)
P(A B C) = P(A)P(B)P(C)
En general para que n eventos sean independientes se deben
cumplir 2
n
1 n condiciones.