Vous êtes sur la page 1sur 23

PROBABILIDAD Y

PROCESOS
ALEATORIOS

Probabilidad Condicional, Independencia de


Eventos y Regla de Bayes
Universidad Tecnolgica de Panam
Yessica Sez, PhD
2016
Probabilidad y Procesos Aleatorios Sez, 2016

Introduccin
Considere el siguiente escenario: Lanzamos dos dados, cada uno de los 36
posibles resultados es igualmente probable que ocurra y por lo tanto tiene una
probabilidad de 1/36. Supongamos que observamos que el primer dado es un cuatro.
Entonces, teniendo en cuenta esta informacin, cul es la probabilidad de que la suma
de los dos dados es igual a seis?

Para calcular esta probabilidad razonamos lo siguiente:

Teniendo en cuenta que el dado inicial inicial arroja un cuatro, se deduce que como
mximo hay seis posibles resultados de nuestro experimento, es decir, (4,1), (4,2),
(4,3), (4,4), (4,5), y (4,6).

Dado que cada uno de estos resultados originalmente tenan la misma probabilidad de
ocurrir, todava deben tener las mismas probabilidades. Es decir, dado que el primer
dado es una de cuatro, entonces la probabilidad (condicional) de cada uno de los
resultados (4,1), (4,2), (4,3), (4,4), (4, 5), (4,6) es 1/6, mientras que la probabilidad
(condicional) de los otros 30 puntos en el espacio muestral es 0.

Por lo tanto, la probabilidad deseada ser 1/6.


Probabilidad y Procesos Aleatorios Sez, 2016

Probabilidad Condicional

Si permitimos que E y F indiquen, respectivamente, el


evento de que la suma de los dados es seis y el caso de
que el resultado del primer dado es cuatro, entonces la
probabilidad que acabamos de obtener se denomina
probabilidad condicional de que E se produzca dado que
se ha producido F y se denota por

P(E|F)
Probabilidad y Procesos Aleatorios Sez, 2016

Probabilidad Condicional
Si permitimos que E y F indiquen, respectivamente, el evento de que la
suma de los dados es seis y el caso de que el resultado del primer
dado es cuatro, entonces la probabilidad que acabamos de obtener se
denomina probabilidad condicional de que E se produzca dado que
se ha producido F y se denota por
P(E|F)

Una frmula general para P(E|F) se deriva de la siguiente manera:


Si el evento F ocurre, entonces a continuacin, a fin de que E se produzca es
necesario que la ocurrencia real sea un punto tanto en E y como en F, es decir, que
debe estar en EF.
Debido a que sabemos que F ha ocurrido, se tiene que F se convierte en nuestro
nuevo espacio muestral y por lo tanto la probabilidad de que el evento EF ocurra
ser igual a la probabilidad de EF (probabilidad conjunta de E y F) en relacin con
la probabilidad de F.

Es decir
Probabilidad y Procesos Aleatorios Sez, 2016

Probabilidad Condicional
P(E F)
P(E | F) =
P(F)
Esta ecuacin slo est bien definida cuando P(F)> 0 y, por tanto, P(E|F) slo
se define cuando P(F)> 0.

De igual forma,
P(F E)
P(F | E) =
P(E)

Notamos que, la probabilidad conjunta P(EF)=P(E|F)P(F), dado que


P(FE)=P(EF). Substituyendo en la ecuacin anterior tenemos,

P(E | F)P(F)
P(F | E) =
P(E)
Probabilidad y Procesos Aleatorios Sez, 2016

Probabilidad Condicional-
Ejemplos
Ejemplo 4.1. Supongamos que diez tarjetas numeradas del uno al diez se
colocan en un sombrero, se mezclan, y luego se saca una de las tarjetas. Si se
nos dice que el nmero de la tarjeta elegida es al menos cinco, entonces cul
es la probabilidad condicional de que la tarjeta sea la nmero diez?

Solucin
Sea E el evento de que el nmero de la tarjeta escogida es diez, y sea F el
caso de que sea al menos cinco. La probabilidad deseada es P(E|F).
Definimos,
P(E F)
P(E | F) =
P(F)
Sin embargo, EF = E, ya que el nmero de la tarjeta ser diez y al menos
cinco (a la vez) si y slo si es el nmero diez. Por lo tanto,
1
1
P(E | F) = 10 =
6 6
10
Probabilidad y Procesos Aleatorios Sez, 2016

Probabilidad Condicional-
Ejemplos
Ejemplo 4.2. Jos puede tomar un curso de seguridad en redes o
comunicaciones inlmbricas. Si Jos toma el curso de seguridad en redes,
Jos obtendr una A con probabiliad 1/2. En cambio, si toma el curso de
comunicaciones inlmbricas recibir una A con una probabilidad de 1/3. Jos
decide basar su decisin en el lanzamiento de una moneda (justa). Cul es
la probabilidad de que Jos obtenga una A en comunicaciones inlmbricas?

Solucin
Si dejamos que C sea el caso de que Jos toma comunicaciones inalmbricas
y A el evento de que el recibe una A en cualquier curso que toma, entonces la
probabilidad deseada es P (AC). Tenemos que,

11 1
P(A C) = P(A | C)P(C) = =
32 6
Probabilidad y Procesos Aleatorios Sez, 2016

Probabilidad Condicional-
Ejemplos
Ejemplo 4.3. Supongamos que una urna contiene siete bolas negras y cinco
bolas blancas. Sacamos dos bolas de la urna sin reemplazo. Suponiendo que
cada bola en la urna tiene la misma probabilidad de ser sacada, cul es la
probabilidad de que las dos bolas extradas son de color negro?

Solucin
Permitamos que F y E denoten, respectivamente, los eventos que la primera y
segunda bolas extradas son de color negro. Ahora bien, dado que la primera
bola seleccionada es negra, hay seis bolas negras restantes y cinco bolas
blancas, as que P(E|F)=6/11 . Como P(F) es claramente 7/12, nuestra
probabilidad condicional deseada es

6 7 42
P(E F) = P(E | F)P(F) = =
11 12 132
Probabilidad y Procesos Aleatorios Sez, 2016

Probabilidad Condicional
Podemos encontrar en algunos casos que las probabilidades condicionales
son ms fciles de calcular que las probabilidades conjuntas correspondientes,
y por lo tanto la siguiente frmula ofrece una forma conveniente para calcular
probabilidades conjuntas para el caso de ms de dos eventos.

Primero, suponga que queremos encontrar la probabilidad conjunta de los


eventos A, B, C. Nota: Usualmente, para este tipo de problemas usamos la
notacin (A,B,C) para denotar (A B C) .

P(A, B, C) = P(C | (A B))P(A B) = P(C | (A B))P(A | B)P(A)

En general, para M eventos A1,A,2,,AM

P(A1, A2 ,..., AM ) = P(AM | A1, A2 ,..., AM 1 )P(AM 1 | P(A1, A2 ,..., AM 2 )) P(A2 | A1 )P(A1 )
Probabilidad y Procesos Aleatorios Sez, 2016

Probabilidad Condicional-
Ejemplos
Ejemplo 4.4. En un juego de pquer, se reparten cinco cartas de una baraja de
52 cartas estndar. Cul es la probabilidad de que usted saque una escaler/
color de espadas? (Un color es cuando se reparten las cinco cartas del mismo
palo.) Cul es la probabilidad de sacar una escalera en cualquier color?
Solucin
Sea Ai={la i-sima carta repartida a nosotros es una espada}, i = 1,2, ..., 5.
Entonces
13 1
P(A1 ) = =
52 4
! 12 $! 1 $ 1
P(A1, A2 ) = P(A2 | A1 )P(A1 ) = # &# & =
" 51 %" 4 % 17
! 11 $! 1 $ 11
P(A1, A2 , A3 ) = P(A3 | A1, A2 )P(A1, A2 ) = # &# & =
" 50 %" 17 % 850
! 10 $! 11 $ 11
P(A1, A2 , A3, A4 ) = P(A4 | A1, A2 , A3 )P(A1, A2 , A3 ) = # &# &=
" 49 %" 850 % 4165
! 9 $! 11 $ 33
P(A1, A2 , A3, A4 , A5 ) = P(A5 | A1, A2 , A3, A4 )P(A1, A2 , A3, A4 ) = # &# &=
" 48 %" 4165 % 66, 640
Probabilidad y Procesos Aleatorios Sez, 2016

Probabilidad Condicional-
Ejemplos
Ejemplo 4.4. Continuacin. En un juego de pquer, se reparten cinco cartas
de una baraja de 52 cartas estndar. Cul es la probabilidad de que usted
saque un color de espadas? (Un color es cuando se reparten las cinco cartas
del mismo palo.) Cul es la probabilidad de sacar una escalera en cualquier
color?
Solucin
Para encontrar la probabilidad de sacar una escalera en cualquier color:
P(escalera) = P(escalera espadas) P(escalera corazones) P(escalera diamantes) P(escalera c lubes)
P(escalera) = P(escalera espadas)+ P(escalera corazones)+ P(escalera diamantes)+ P(escalera c lubes)

Dado que los cuatro eventos en la expresin anterior tienen la misma probabilidad, a
continuacin,
33 33
P(escalera) = 4 P(escalera espadas) = 4 =
66, 640 16, 660
Probabilidad y Procesos Aleatorios Sez, 2016

Independencia de Eventos
Se dice que dos eventos E y F son independientes si

P(E F) = P(E)P(F)
Esto implica que E y F son independientes si P(E|F)=P(E) (que tambin implica
que P(F|E)=P(F) )

Es decir, E y F son independientes si el conocimiento que se ha producido F


no afecta a la probabilidad de que se produce E. Es decir, la ocurrencia del
evento E es independiente de si se produce F o no.

En teora de la probabilidad, si los eventos E y F satisfacen P(E|F)=P(E|Fc),


decimos que E no depende de F. Esta condicin dice que

P(E F) P(E F c )
=
P(F) P(F c )
Probabilidad y Procesos Aleatorios Sez, 2016

Independencia de Eventos
Aplicando P(Fc) = 1 - P(F) y P(E)=P(EF)+P(EFc), tenemos que

P(E F) P(E)-P(E F)
=
P(F) 1 P(F)

Resolviendo tenemos que,

P(E F)=P(E)P(F)

Dos eventos E y F que no son independientes se dice que son dependientes.


Probabilidad y Procesos Aleatorios Sez, 2016

Independencia de Eventos-
Ejemplos
Ejemplo 4.5. Supongamos que lanzamos dos dados equilibrados. Sea E1 el
evento de que la suma de los dados es seis y F el evento de que el primer
dado es igual a cuatro. 1
P(E1 F) = P({2, 4}) =
36
Por otro lado, 5 1 5
P(E1 )P(F) = =
35 6 216
Por lo tanto E1 y F no son independientes.

Ejemplo 4.6. Considere el ejemplo anterior. Sea E2 el evento de que la suma de los
dos dados es siete. Es E2 independiente de F ?

1
P(E2 F) = P({3, 4}) =
36
11 1
P(E2 )P(F) = =
6 6 36

Por lo tanto E2 y F son independientes.


Probabilidad y Procesos Aleatorios Sez, 2016

Independencia de Eventos
La definicin de independencia se puede extender a ms de dos
eventos.

Los eventos E1, E2, En, se dice que son independientes si para cada
subconjunto E1, E2, Er, rn de estos eventos

P(E1E2)Er)=P(E1)P(E2)P(Er)

Intuitivamente, los eventos E1, E2, En son independientes si el


conocimiento de la ocurrencia de cualquiera de estos eventos no tiene
efecto sobre la probabilidad de cualquier otro evento.
Probabilidad y Procesos Aleatorios Sez, 2016

La ley de la probabilidad total y


la regla de Bayes
La ley de la probabilidad total es una frmula para el
clculo de la probabilidad de un evento que puede ocurrir
de diferentes maneras.

Por ejemplo, la probabilidad de que una llamada de


telfono mvil se conecte (que la llamada salga)
depende de la torre que maneja la llamada. La
probabilidad de que los paquetes de Internet se caigan
depende de la ruta que llevan a travs de la red.
Probabilidad y Procesos Aleatorios Sez, 2016

La ley de la probabilidad total y


la regla de Bayes
Cuando un evento A puede ocurrir de dos maneras, la ley de la
probabilidad total se deriva de la siguiente manera (el caso general se
deriva ms adelante en la seccin).
Comenzamos con la identidad

A = (A B) (A BC )
Como se trata de una unin disjunta

P(A) = P(A B) + P(A BC )


P(A) = P(A | B)P(B) + P(A | BC )P(BC )

Esta frmula es la versin ms simple de la ley de la probabilidad total.


Probabilidad y Procesos Aleatorios Sez, 2016

Ley de la Probabilidad Total-Ejemplo


Ejemplo 4.7. Debido a un error de configuracin de Internet, los paquetes enviados
desde la ciudad de Panam a Azuero se enrutan a travs de Chiriqu, con una
probabilidad de 3/4. Teniendo en cuenta que un paquete se encamina a travs de
Chiriqu, suponga que la probabilidad condicional de que el paquete sea descartado es
de 1/3. Teniendo en cuenta que un paquete no se enruta a travs Chiriqu, suponga que
la probabilidad condicional de que el paquete sea descartado es de 1/4 . Encuentre la
probabilidad de que un paquete sea descartado.

Solucin.
Para resolver este problema, se definen los siguientes eventos.
E={el paquete se enruta a travs de Chiriqu}
D= {paquete se descarta }.
Con esta notacin, es fcil de interpretar los problemas y se nos dice que
P(D|E)= 1/3, P(D|Ec)=1/4, y P(E)= 3/4. Ahora tenemos que calcular P(D). Por la ley de la
probabilidad total,
! 1 $! 3 $ ! 1 $! 3 $ 1 1 5
P(D) = P(D | E)P(E) + P(D | E C )P(E C ) = # &# & + # &#1 & = + =
" 3 %" 4 % " 4 %" 4 % 4 16 16
Probabilidad y Procesos Aleatorios Sez, 2016

La Ley de la Probabilidad Total y


la Regla de Bayes
Para deriver la forma ms simple de la regla de Bayes, considere dos
eventos, E y F y la frmula de independecia que vimos anteriormente,

P(E | F)P(F)
P(F | E) =
P(E)
Reemplanzando la formula de la ley de la probabilidad totat tenemos

P(E | F)P(F) P(E | F)P(F)


P(F | E) = =
P(E) P(E | F)P(F) + P(E | F c )P(F c )

Como se ilustra en el siguiente ejemplo, no es necesario recordar la regla de


Bayes, siempre y cuando usted sepa la definicin de probabilidad condicional y
la ley de la probabilidad total.
Probabilidad y Procesos Aleatorios Sez, 2016

Regla de Bayes-Ejemplos
Ejemplo 4.8. (Continuacin del ejemplo de Internet). Encuentre la probabilidad
condicional de que un paquete se encamina a travs de Chiriqu, dado que el
mismo no se descarta.

Solucin.
Con la notacin del ejemplo anterior, se nos pide encontrar P(E|DC).
Escribimos,

C P(E D C ) P(D C | E)P(E)


P(E | D = C
=
P(D ) P(D c )

Del ejemplo anterior tenemos P(E)=3/4 y P(Dc|E)=1-P(D|E)=1-1/3 . Tenemos


que, P(Dc)=1-P(D)=1-5/16. Por lo tanto,
! 2 $! 2 $
# &# &
" 3 %" 4 % 8
P(E | D C ) = =
11 11
16
Probabilidad y Procesos Aleatorios Sez, 2016

Regla de Bayes-Ejemplos
Ejemplo 4.9. Consideremos dos urnas. La primera contiene dos bolas blancas
y siete bolas negras, y la segunda contiene cinco bolas blancas y seis bolas
negras . Lanzamos una moneda al aire y luego sacamos una bola de la
primera o la segunda urna dependiendo de si el resultado es cara o cruz,
respectivamente. Cul es la probabilidad condicional de que el resultado del
lanzamiento de la moneda haya sido cara dado que una bola blanca fue
seleccionado?

Solucin. Sea B el caso de que una bola blanca es la que se saca de la urna y
sea C el caso de que la moneda muestra cara. La probabilidad deseada P(C|
B) se puede calcular como sigue:
" 2 %" 1 %
$ '$ '
P(C B) P(B | C)P(C) # 9 &# 2 & " 22 %
P(C | B) = = = = $ '
P(B) P(B | C)P(C) + P(B | C c )P(C c ) " 2 %" 1 % + " 5 %" 1 % # 67 &
$ '$ ' $ '$ '
# 9 &# 2 & # 11 &# 2 &
Si no hubiramos calculado PD en el ejemplo anterior, tendramos que calcular
PDc directamente a travs de la ley de la probabilidad total.
Probabilidad y Procesos Aleatorios Sez, 2016

La Ley de la Probabilidad Total y


la Regla de Bayes
Ahora se generaliza la ley de la probabilidad total . Considere que Bn es una
secuencia de pares de eventos de tal manera que P(Bn ) = 1. Entonces para
cualquier evento A, n
P(A) = P(A | Bn )P(Bn )
n
Para calcular P(Bk|A) escribimos,
P(A Bk ) P(A | BK )P(Bk )
P(Bk | A) =
=
P(A) P(A)
La aplicacin de la ley de la probabilidad total de PA en el denominador se
obtiene la forma general de la regla de Bayes ,
P(A | BK )P(Bk )
P(Bk | A) =
P(A | Bn )P(Bn )
n
En las frmulas de este tipo, A es un evento que se observa , mientras que la Bn son eventos que no
podemos observar, pero que nos gustara hacer alguna inferencia sobre ellos . Antes de poder hacer
observaciones, sabemos las probabilidades a priori P(Bn), y sabemos las probabilidades
condicionales P(A|Bn). Despus observamos A, y calculamos la probabilidades posteriores P(Bk|A)
para cada k .
Probabilidad y Procesos Aleatorios Sez, 2016

Bibliografa
Undergraduate Probability I. Class Notes for Engineering Students.
Texas A&M. Fall 2013.
Gubner, J. A., Probability and Random Processes for Electrical and
Computer Engineers, Cambridge, 2006.
Ross, Sheldon. Introduction to Probability Models. Pearson. Ninth
Edition.

Vous aimerez peut-être aussi