Unidad IV: Probabilidad y sus leyes.
Historia.
Una disputa entre jugadores en 1654 llev a dos famosos matemticos franceses, Blaise Pascal y Pierre
de Fermat, a la creacin del Clculo de Probabilidades. Antoine Gombaud, caballero de Mer, noble
francs interesado en cuestiones de juegos y apuestas, llam la atencin a Pascal respecto a como
distribuir las ganancias en un popular juego de dados, si el juego tena que terminar prematuramente.
Este y otros problemas planteados por de Mer motivaron un intercambio de cartas entre Pascal y
Fermat en las que por primera vez se formularon los principios fundamentales de las probabilidades.
En el siglo XIX, el matemtico francs Laplace demostr que esa teora poda ser aplicada a multitud
de problemas cientficos y prcticos. Ejemplo de tales aplicaciones son la teora de errores, la
matemtica actuarial y la mecnica estadstica que se desarrollaron en ese siglo. Una de las dificultades
que se presentaron al desarrollar una teora matemtica fue alcanzar una definicin de probabilidad lo
bastante precisa para su utilizacin matemtica. Este problema fue resuelto en el siglo XX cuando el
matemtico ruso Andrei Kolmogorov formul la teora de la probabilidad en forma axiomtica.
Modelos probabilsticos y determinsticos.
Los fenmenos de la naturaleza o aquellos experimentos que un cientfico realiza bajo condiciones
controladas, pueden modelizarse matemticamente por medio de modelos determinsticos o modelos
probabilsticos. Por ejemplo, si un objeto se desplaza a velocidad constante, sabemos que el modelo
d
para calcular su velocidad, dados el tiempo y la distancia est dado por v = , este es un ejemplo de
t
modelo determinstico, en el que si repetimos el experimento con los mismos valores de d y t ,
obtendremos siempre el mismo valor de v . En cambio, si lanzamos al aire una moneda, solo sabemos
que podemos obtener cara (C) o cruz (X), pero no sabemos exactamente cual de los dos resultados
obtendremos en un lanzamiento especfico. En este caso, un modelo probabilstico describe mejor la
situacin, para ello, formulamos la distribucin de probabilidad del experimento, es decir, los posibles
resultados con sus respectivas probabilidades: C, X y 50%, 50% respectivamente. En el primer caso, el
fenmeno bajo estudio es determinstico, en el segundo caso el fenmeno es aleatorio.
Definiciones de la probabilidad.
La probabilidad desempea un papel fundamental en la inferencia estadstica, ya que sin una buena
comprensin de las leyes de la probabilidad, es difcil utilizar la metodologa estadstica de manera
adecuada. El desarrollo axiomtico de la probabilidad incluye tres interpretaciones que se describen a
continuacin.
1) Definicin clsica de probabilidad (a priori).
Si los posibles resultados de un experimento son n , los cuales son mutuamente excluyentes e
igualmente probables, y si m de estos resultados poseen una caracterstica A , la probabilidad de A
es igual a
Nmero de casos favorables m
P( A)= =
Nmero de casos posibles n
Ejemplo
Se lanza un dado bien balanceado. Sea A = el nmero en la cara superior es par. Entonces
1
3 1
P( A)= = .
6 2
2) Definicin de probabilidad como frecuencia relativa (a posteriori)
Si un experimento se repite n veces y un evento de inters A ocurre m veces, entonces la frecuencia
m
relativa de A es igual a . Se define la probabilidad como el lmite al que tiende la frecuencia
n
relativa cuando el experimento se repite un nmero muy grande de veces:
Nmero de veces que sucede A
P( A)=lim =p
n n
Para ilustrar la interpretacin de la probabilidad como frecuencia relativa, considere la siguiente
simulacin de un proceso de muestreo de n unidades, suponiendo que el proceso de fabricacin
produce un 5% de artculos defectuosos. Para cada n se observ el nmero de unidades defectuosas:
Nmero de unidades Nmero de unidades
Frecuencia relativa
muestreadas n defectuosas observadas
20 2 0.10
50 3 0.06
100 4 0.04
200 12 0.06
500 28 0.056
1000 54 0.054
2000 97 0.0485
5000 244 0.0488
10000 504 0.0504
A partir de los resultados, se puede concluir razonablemente que la frecuencia relativa tiende a un valor
de p=0.05 conforme n crece.
3) Interpretacin subjetiva de la probabilidad
La repeticin de un experimento bajo las mismas condiciones es la base para las interpretaciones
clsica y de frecuencia relativa de la probabilidad. Sin embargo, hay experimentos que solo ocurren una
vez, pero a pesar de ello requieren de una nocin de probabilidad. Por ejemplo, la compaa que
asegur los Juegos Olmpicos del ao 1980, tuvo que determinar a priori, los riesgos de que los juegos
no se efectuasen de la manera que se haba planificado. Otro ejemplo lo tenemos cuando alguien dice
probablemente el embarque de productos llegar maana, en este caso se est sugiriendo alguna idea
de la probabilidad de ocurrencia de la afirmacin.
Para ilustrar la conversin de un grado de creencia en un valor de probabilidad, considere la siguiente
situacin: Un ingeniero A est seguro en un 80% de que se encontrar petrleo al perforar un pozo,
mientras que otro ingeniero B est seguro en un 70% (por consiguiente estn seguros en un 20% y en
2
un 30% de que no se encontrar petrleo, respectivamente). En este caso, se ha cuantificado el grado de
creencia expresndolo como un porcentaje (o probabilidad). Pero, qu significa realmente el 80% y el
70%? La interpretacin comn es la siguiente: El ingeniero A estara dispuesto a apostar $8 contra $2 a
que el petrleo ser descubierto en ese sitio, y de manera similar, el ingeniero B cree que es mejor
apostar siete a tres ($7 contra $3) para el mismo resultado. As, las probabilidades subjetivas de A y B
8 7
se definen como y , respectivamente. En general, si las apuestas en favor de una
8+2 7 +3
c
afirmacin son de c a d , entonces la probabilidad de esta es .
c+ d
Axiomas de la probabilidad.
Puesto que la definicin axiomtica de la probabilidad se fundamenta en la teora de conjuntos, se
presentarn algunos conceptos bsicos relacionados con los conjuntos y sus operaciones.
Espacio muestral: Dado un experimento aleatorio, se llama espacio muestral S al conjunto de todos
los resultados posibles distintos de dicho experimento aleatorio. Los elementos de S se denominan
sucesos elementales o puntos muestrales.
Tipos de espacios muestrales
Espacio muestral finito: Se da cuando S est formado por un nmero finito de elementos.
Ejemplo: se lanza una moneda, entonces S={C , X } .
Espacio muestral infinito numerable: Cuando un experimento puede generar un conjunto
infinito numerable de puntos muestrales. Ejemplo: se lanza una moneda hasta obtener cara por
primera vez. Entonces S={C , XC , XXC , XXXC , XXXXC ,... } .
Espacio muestral continuo: Cuando los elementos del experimento aleatorio pueden ser
valores dentro de un intervalo o regin. Ejemplo: se prueba la duracin de un foco hasta que se
quema y se anota el tiempo de duracin. Entonces S={t /t0 } .
Sucesos: Un suceso o evento A es cualquier subconjunto del espacio muestral S . Diremos que ha
ocurrido el suceso A si el resultado del experimento ha sido un punto muestral de A.
Los sucesos son conjuntos y por lo tanto se pueden operar con la unin, interseccin, diferencia o
complemento de conjuntos.
El suceso correspondiente al conjunto vaco es denominado suceso imposible (no contiene
puntos muestrales) y se representa con .
El evento formado por todos los posibles resultados en A o B o en ambos, recibe el nombre de
la unin de A y B y se denota por AB .
El evento formado por todos los resultados comunes tanto a A como a B, recibe el nombre de
interseccin de A y B y se denota por AB .
3
Se dice que los eventos A y B son mutuamente excluyentes o disjuntos si no tienen resultados en
comn; en otras palabras AB= .
Si cualquier resultado de A tambin es un resultado de B, se dice que el evento A est incluido
en B, y se denota AB .
El complemento de un evento A con respecto al espacio muestral S, es aquel que contiene a
todos los resultados de S que no se encuentran en A, y se denota por A C , o bien A .
Ejemplo
Considrese el experimento de lanzar un dado; el espacio muestral es S={1,2, 3, 4, 5,6 } . Se definen
los eventos A={2, 4, 6 } , B={1, 3 } y C={2, 4 } . Entonces AB={1, 2,3, 4,6 } , AC={2, 4 } ,
AB= , CA y B C ={2, 4,5, 6 } .
La probabilidad es un nmero real que mide la posibilidad de ocurrencia de los resultados de un evento
cuando se lleva a cabo el experimento. A continuacin se presenta la definicin axiomtica de la
probabilidad.
Definicin (Axiomas de la Probabilidad). Sea S cualquier espacio muestral y E cualquier evento de
ste. Se llama llama funcin de probabilidad sobre el espacio muestral S a P(E) si satisface los
siguientes axiomas:
1. P( E)0
2. P( S)=1
3. S, para los eventos E1 , E 2 , E3 , ,
EiE j = para toda i j , entonces P( E1E 2)=P(E 1)+ P( E2 )+
Ahora se presentan algunas consecuencias importantes de los axiomas.
Teorema: P()=0
Demostracin
Sabemos que S=S y que S= .
Por los axiomas 2 y 3 tenemos que
1=P( S)=P (S)=P( S)+ P()=1+ P()
de ah que 1=1+ P() y por tanto P()=0 .
Teorema: P( AC )=1P (A ) para cualquier evento A.
Demostracin
Sabemos que S= A AC y que A A C = .
Por los axiomas 2 y 3
C C
1=P( S)=P ( A A )=P ( A )+ P ( A )
de donde P( AC )=1P (A ) .
Teorema: Para cualquier evento AS , 0P ( A )1 .
Demostracin
4
Por el axioma 1, P( A)0 .
De la identidad P( A)+ P( AC )=1 y del hecho de que P( AC )0 , se tiene que P( A)1 .
Por tanto, 0P ( A )1 .
Teorema: Si AB entonces P( A)P(B) .
Demostracin
Sea B= A( B A) , es decir, B es la unin de dos conjuntos disjuntos
B B-A
entonces P( B)=P( A( B A))=P( A)+ P( BA ) y como P( B A)0 se tiene que P( A)P( B) .
El siguiente teorema llamado la regla de la adicin para probabilidades, nos permite calcular la
probabilidad de dos eventos no necesariamente disjuntos.
Teorema: Sea S un espacio muestral que contiene dos eventos A y B cualesquiera; entonces
P( AB)=P (A )+ P (B)P ( AB)
Demostracin
Como A=( AB)( AB C ) y B=( AB)( A C B) , se ve que tanto A como B se pueden escribir
como la unin de dos conjuntos disjuntos, as que
C C
P( A)=P( AB)+ P ( AB ) y P( B)=P( AB)+ P( A B)
C C
Por otra parte, AB=( AB)( AB )( A B) y aplicando la funcin de probabilidad:
C C
P( AB)=P ( AB)+ P( AB )+ P( A B)
C C
Ahora bien, sustituyendo P( AB ) y P( A B) por las expresiones presentadas anteriormente, se
tiene:
P( AB)=P ( AB)+ P( A)P( AB)+ P (B)P ( AB)
P( AB)=P ( A )+ P (B)P ( AB)
Ejemplo
Un sistema contiene dos componentes A y B, y se conecta de manera que ste funciona si cualesquiera
de las dos componentes funciona. Se sabe que la probabilidad de que A funcione es P(A) = 0.9 y la de
que B funcione es P(B) = 0.8 y la probabilidad de que ambos funcionen es P(AB) = 0.72. Determinar
la probabilidad de que el sistema funcione.
Solucin
P( AB)=P ( A )+ P (B)P ( AB)=0.9+ 0.80.72=0.98
5
La generalizacin del teorema anterior:
Si A1 , A2 , , An son una coleccin cualquiera de subconjuntos de S , entonces la probabilidad de
A1 A2 An es:
n+1
P ( A1 A2 An )= P ( Ai ) P ( AiA j )+ P ( Ai A j Ak )+(1) P (A1 A2 An)
i i< j i< j< k
se puede demostrar por induccin matemtica.
Ejemplo
Se elige un nmero al azar del 1 al 6,000, todos igualmente probables. Hallar la probabilidad de que sea
mltiplo de 2 o de 3 o de 5.
Solucin
Sean los sucesos
A2 = el nmero es mltiplo de 2
A3 = el nmero es mltiplo de 3
A5 = el nmero es mltiplo de 5
Encontremos las cardinalidades de los eventos que nos interesan:
6000 6000 6000
A2= 2 =3000 , A3= 3 =2000 y A5= 5 =1200 .
Tambin
6000 6000 6000 6000
A2 A3= 6 =1000 , A2 A5= 10 =600 , A3A5= 15 =400 y A2 A3 A5= 30 =200 .
Entonces
P ( A2 A3 A5)=P ( A2)+ P ( A3)+ P ( A5 )P ( A2A3 )P (A2 A5)P (A3 A5)+ P ( A2 A3 A5)
3000+2000+12001000600400+200 4400
= = =0.7333
6000 6000
Ejercicios sobre leyes bsicas de la probabilidades.
1. Los artculos provenientes de una linea de produccin se clasifican en defectuosos (D) o no
defectuosos (N). Se observan los artculos y se anota su condicin. Este proceso se contina
hasta que se produzcan dos artculos defectuosos consecutivos o se hayan verificado cuatro
artculos, cualesquiera que ocurra primero. Describa un espacio muestral para este experimento.
2. Una caja con N circuitos electrnicos tiene r circuitos defectuosos (r < N). Estos se prueban uno
por uno, hasta que se encuentra uno defectuoso. Describir un espacio muestral para este
experimento.
3. Sean A y B dos eventos cualquiera de S. Emplese un diagrama de Venn para demostrar que
P( AB C )=P ( A )P( AB) .
4. Suponga que se lanzan dos monedas perfectas y que se observa el resultado de las caras que
quedan hacia arriba.
a) Establezca los puntos muestrales de este experimento.
b) Asigne una probabilidad razonable a cada punto. Son los puntos igualmente probables?
c) Sea A el evento de observar exactamente una vez cara y B el evento de observar al menos
6
una cara. Obtenga los puntos muestrales de A y B.
d) A partir de la respuesta en el literal anterior, calcule P( A) , P( B) , P( AB) , P( AB)
C
y P( A B) .
5. Considere el experimento aleatorio que consiste en lanzar dos dados (no trucados) y anotar la
suma de los puntos de las caras superiores.
a) Cul es el espacio muestral?
b) Listar los puntos muestrales en los cuales la suma es igual a 8.
c) Listar los puntos muestrales en los cuales la suma es menor o igual a 4.
d) Calcular la probabilidad de que la suma de los puntos de las caras sea un nmero par.
6. En una habitacin se encuentra el siguiente grupo de personas: 5 hombres mayores de 21, 4
hombres menores de 21, 6 mujeres mayores de 21 y 3 mujeres menores de 21. Se elige una
persona al azar. Se definen los sucesos siguientes: A = la persona es mayor de 21, B = la
persona es menor de 21, C = la persona es hombre y D = la persona es mujer. Encontrar
P( BD) y P( AC) .
7. Una agencia comercial compra papelera a uno de tres vendedores V 1 , V 2 y V 3 . Se ordena el
pedido en dos das sucesivos, un pedido por da, tal que por ejemplo (V 2 ,V 3 ) significa que el
vendedor V 2 recibe el pedido el primer da y el vendedor V 3 lo recibe el segundo da.
a) Determine los puntos muestrales de este experimento de solicitar papelera en dos das
sucesivos.
b) Suponga que se seleccionan los vendedores al azar cada da y asignae una probabilidad a
cada punto muestral.
c) Sea A el evento de que el mismo vendedor recibe los dos pedidos y B el evento de que V 2
consigue por lo menos un pedido. Calcule P( A) , P( B) , P( AB) y P( AB)
sumando las probabilidades de los puntos muestrales en estos eventos.
8. En un grupo de 160 estudiantes graduados de ingeniera, 92 se inscriben en un curso avanzado
de estadstica, 63 en un curso de geometra y 40 en ambos. Determine la probabilidad de que un
estudiante no se inscribiera en ningn curso.
9. A un Congreso de Matemticas asisten 80 congresistas. De ellos 70 hablan ingls y 50 hablan
francs. Se eligen 2 congresistas al azar y se desea saber:
a) Cul es la probabilidad de que se entiendan sin intrprete?
b) Cul es la probabilidad de que se entiendan solo en francs?
c) Cul es la probabilidad de que se entiendan en un solo idioma?
d) Cul es la probabilidad de que se entiendan en los dos idiomas?
10. Sean dos sucesos A y B de los que se sabe que la probabilidad de B es el doble que la de A; que
la probabilidad de su unin es el doble que la de su interseccin y que la probabilidad de su
interseccin es de 0.1. Calcular la probabilidad de A.
