Vous êtes sur la page 1sur 25

Introduccin a la Teora de Probabilidades 1

_______________________________________________

CAPITULO 1

CONCEPTOS BASICOS

1. Teora de conjuntos

1.1. Definiciones

Conjunto: Coleccin desordenada de objetos, atributos o eventos.

Elemento: Miembro de un conjunto.

Los conjuntos de denotan con letras maysculas, mientras que sus elementos
con minsculas. As:

a A; denota que el elemento a est contenido en el conjunto A (1.1)

Los conjuntos pueden definirse por extensin y por comprensin. Por


extensin, nombrando a todos sus elementos y por comprensin, indicando una
propiedad caracterstica de los mismos. As:

A = {2, 4, 6, 8,.......................................}; definido por extensin. (1.2)

A = {x / x = 2.i, i = entero positivo}; definido por comprensin. (1.3)


2 Introduccin a la Teora de Probabilidades
_______________________________________________

Medida de un conjunto: es el nmero de elementos que posee. As:

A = {a, b, c}; tiene medida tres. (1.4)

Conjuntos equivalentes: Se denominan as aquellos conjuntos formados por los


mismos elementos, cualesquiera sea su orden. As:

{a, b, c}; {a, c, b}; {b, c, a} son equivalentes. (1.5)

Espacio muestral: Es el conjunto formado por la totalidad de los elementos en


consideracin. Tambin se lo llama conjunto universal. Se nota, en general, con
la letra S.

Conjunto vaco: Es el conjunto sin elementos. Se nota en general con la letra


griega . Tambin se lo llama conjunto nulo.

El conjunto A es un subconjunto de B si los elementos de A estn contenidos en


B, pero no necesariamente a la inversa. Fig.1.1. As :

A B; A es un subconjunto de B (1.6)

S
B

Fig.1.1 A Subconjunto de B

El complemento del conjunto A respecto de otro B es el conjunto de elementos


que estn en B y no en A. Fig.1.2. As :

CA,B ={ x / x B x A } (1.7)
Introduccin a la Teora de Probabilidades 3
_______________________________________________

S
B
A

Fig.1.2 Complemento de A respecto de B

1.2. Algebra de conjuntos

Unin de conjuntos: La unin de un conjunto A con otro B es el conjunto


formado por elementos en A o en B o en ambos. Fig. 1.3. As :

AB={x/xAB} (1.8)

S
B

AB A

Fig.1.3 Unin de A y B

Interseccin de conjuntos: La interseccin de un conjunto A con otro B es el


conjunto formado por elementos en A y en B, es decir elementos comunes a
ambos conjuntos. Fig.1.4. As :

AB={x/xAB} (1.9)
4 Introduccin a la Teora de Probabilidades
_______________________________________________

S
B
A

AB

Fig.1.4 Interseccin de A y B

Complemento de un conjunto: El complemento de un conjunto es el conjunto


formado por todos lo elementos del espacio muestral S que no estn en A.
Fig.1.5. As:

Complemento de A = A (1.10)

S
A

Fig.1.5 Complemento de A

Identidades:

A=A
Introduccin a la Teora de Probabilidades 5
_______________________________________________

AS =S
A=
AS =A
A= S
A=
S=
S=S (1.11)

1.3. Leyes de operaciones con conjuntos

Ley conmutativa:

AB=BA
AB=BA (1.12)

Ley asociativa:

A (B C) = (A B) C
A (B C) = (A B) C (1.13)

Ley distributiva:

A (B C) = (A B ) (A C)
A (B C) = (A B ) (A C) (1.14)

Leyes de De Morgan:

AB= AB (1.15)
AB= AB

Identidades, aplicando leyes de operaciones con conjuntos:

Si A = (A B) (A B);
B = (A B) (A B); (1.16)
Con A y B conjuntos cualesquiera;
Entonces : A B = (A B) (A B) (A B)
6 Introduccin a la Teora de Probabilidades
_______________________________________________

Si B A;
Entonces: A B = B
AB=A (1.17)

El complemento de A es igual a A;
(1.18)
Entonces : A = A

2. Probabilidad

2.1. Generalidades

Experimento o prueba: Es una accin repetida bien definida.

Salida del experimento: Es un posible resultado del experimento o prueba.

Fenmeno aleatorio: Es un experimento o prueba regido por el azar. Las


pruebas repetidas no arrojan, en general, los mismos resultados o salidas. No
obstante ello es posible encontrar un modelo del experimento de tal modo que
se encuentre una regularidad estadstica y se establezca una frecuencia para
cada resultado.

Espacio muestral: Es el conjunto de todas las posibles salidas o resultados del


experimento o prueba. Un evento aleatorio es un subconjunto del espacio
muestral.

Estadstica: Es la ciencia que recopila, organiza, analiza e interpreta los datos


numricos referentes a un determinado evento.

Probabilidad: Es la ciencia que estudia los fenmenos aleatorios o estocsticos


es decir no determinsticos.

2.2. Definiciones de probabilidad

Definicin clsica: La probabilidad de un evento aleatorio A es definida como


el nmero de salidas o resultados favorables al evento A dividido por el nmero
total posible de salidas o resultados en el espacio muestral.
Introduccin a la Teora de Probabilidades 7
_______________________________________________

Subyace en esta definicin la idea de que las salidas son equiprobables y


mutuamente excluyentes.

De la definicin clsica resulta:

- Como A S, 0 P(A) 1.
Si P(A) = 1; todas las salidas del experimento estn en A.
P(S) = 1.
P( ) = 0; pues el conjunto vaco no contiene salidas.

- Como A = S A; P(A) = P(S) - P(A) y como P(S) = 1. Entonces resulta


P(A) = 1 P(A).

- Si A ocurre de m modos y B ocurre de n modos. Entonces el evento A B


ocurre de m+n modos.

- Si A ocurre de m modos y B ocurre de n modos. Entonces el evento A B


ocurre de m.n modos.

Esta definicin clsica se conoce tambin como definicin de Laplace.

Definicin como frecuencia relativa: Si se repite N veces el experimento y se


observa el nmero n de veces que ocurre el evento A, entonces la probabilidad
de que ocurra el evento A es:

P(A) = lm n/N (1.19)


N

Esta definicin esencialmente experimental (emprica) se debe a Von Mises.

Definicin axiomtica: La probabilidad de un evento A es una funcin real.

El espacio muestral S es el dominio y el conjunto de nmeros reales es el


rango. Los axiomas siguientes deben ser satisfechos;

0 P(A) 1
P(S) = 1 (1.20)
P(A B) = P(A) + P(B) ; si A B =
8 Introduccin a la Teora de Probabilidades
_______________________________________________

2.3. Probabilidad Axiomtica

Teorema 1
S = S, luego P(S) = P(S) + P( ); pues S = .
En consecuencia:
P () = 0 (1.21)

Teorema 2
A = (A B) (A B)
P(A) = P(A B) + P(A B) ; por ser disjuntos; (1.22)
En consecuencia :
P(A B) = P(A) P(A B)

Teorema 3
S= AA
P(S) = P(A) + P( A ) ; por ser disjuntos; (1.23)
En consecuencia :
P(A) = 1 P( A )

Teorema 4
A B = B (A B);
P(A B) = P(B) + P(A B); por ser disjuntos;
P(A B) = P(A) P(A B); por el Teorema 2; (1.24)
En con sec uencia :
P(A B) = P(A) + P(B) P(A B); A B

Teorema 5
[ ]
P(A B) P(A B) = P (A B) (A B) ; por ser disjuntos
P(A B) = P(A) P(A B) ; por el Teorema 2;
P(A B) = P(B) P(A B) ; por el Teorema 2; (1.25)
En consecuencia :
P(A B) P(A B) = P(A) + P(B) 2.P(A B)

Corolarios del Teorema 2


Si B A; P(A B ) = P(A)-P(B) y P(A B) = P(B);
Luego P(A B) = P(A) - P(A B) = P(A) - P(B)
Si A B ; P(A B ) = P( ) = 0;
Luego P(A B) = P(A) - P(A) = 0 (1.26)
Introduccin a la Teora de Probabilidades 9
_______________________________________________

Corolario del Teorema 4


Sean A, B, C. Entonces, A B C = (A B) C;
P(A B C) = P (A B) + P(C) P[(A B) C] =
= P(A) + P(B) P(A B) + P(C) [P(A C) P(B C) P(A B C)]
= P(A) + P(B) + P(C) P(A B) P(A C) P(B C) + P(A B C)

Generalizando, sean A1, A2, A3,..........An;

P(A1 A2 A3 ..........An) = P(A1) + P(A2) + P(A3) +... + P(An) +


[P(A1 A2) + P(A1 A3) + P(A1 A4) +...............+ P(Ai Aj)ij] +
+ [P(A1 A2 A3) + P(A1 A2 A4) +..........+ P(Ai Aj Ak)ijk] +
+.....................+(1)n.[P(A1 A2 A3 .......... An)] (1.27)

Sern 2n 1 trminos, es decir la suma de los nmeros combinatorios: Cn,1, Cn,2,


Cn,3,.......Cn,n-1, Cn,n. Si los eventos Ai son mutuamente excluyentes, todos los
trminos sern nulos salvo los n primeros.

3. Probabilidad condicional

La probabilidad condicional de un evento A dado otro evento B, se define


como la probabilidad de que ocurra A dado la ocurrencia de B. Fig.1.6. As:

P(A / B) = P(A B) / P(B) (1.28)

S
B
A

Fig.1.6 Probabilidad condicional de A dado B


10 Introduccin a la Teora de Probabilidades
_______________________________________________

Para la probabilidad condicional de A dado B el espacio muestral se reduce a


B. Esto no implica ninguna connotacin temporal entre los eventos A y B. El
conocimiento del evento B introduce informacin que modifica la probabilidad
del evento A.

La probabilidad condicional es la medida del rea de interseccin del conjunto


A con el B respecto de B. En trminos de frecuencias relativas o nmero de
ocurrencias ser:

N(A B)
N(S) N(A B)
P(A/B) = = (1.29)
N(B) N(B)
N(S)

Donde N es el nmero de ocurrencias de los eventos dados.

Teorema 6
Si A B, entonces A B = A
P(B/A) = P(A B) / P(A) = P(A) / P(A) = 1;
En consecuencia:
P(B/A) = 1; si A B. (1.30)

Teorema 7
Si B A, entonces A B = B
P(B/A) = P(A B) / P(A) = P(B) / P(A);
En consecuencia:
P(B/A) = P(B)/P(A); si B A (1.31)

4. Independencia estadstica

Un evento aleatorio B es estadsticamente independiente de otro A, si y slo si


resulta:

P(B/A) = P(B) (1.32)

Donde P(B/A) es la probabilidad condicional de B dado A y P(B) es la


probabilidad marginal de B.
Introduccin a la Teora de Probabilidades 11
_______________________________________________

Teorema 8
P(B/A) = P(A B) / P(B) ; P(A/B) = P(A B) / P(A)
P(AB) = P(B/A).P(A) = P(B).P(A) si B es independiente de A;
P(A/B).P(B) = P(A B) = P(A).P(B);
P(A/B) = P(A); entonces A es independiente de B;
Si A es independiente de B; entonces B es independiente de A. (1.33)

Si A y B son mutuamente excluyentes; entonces A B =


P(A B) = 0; luego P(A/B) = 0 y P(B/A) = 0
Como P(A) 0 y P(B) 0; entonces:
A y B no son independientes.
Dos eventos mutuamente excluyentes no son independientes. (1.34)

Tres eventos A, B, C, son independientes entres si, si y solo si:


P(A B) = P(A).P(B)
P(B C) = P(B).P(C)
P(A C) = P(A).P(C)
P(A B C) = P(A).P(B).P(C) (1.35)

Teorema 9
P(A B ) = P(A) - P(A B) , por el Teorema 2;
P(A B) = P(A).P(B) , si A y B son independientes;
P(A B ) = P(A) - P(A).P(B) = P(A).[1-P(B)];
Entonces P(A B) = P(A).P(B);
Si A y B son independientes, entonces A y B tambin lo son. (1.36)

Teorema 10
B=(A B) ( A B)
P(B) = P(A B) + P( A B) , por ser mutuamente excluyentes;
P(B) = P(B/A).P(A) + P(B/ A ).P( A ). Fig.1.7.
En consecuencia:
Si B es un evento aleatorio, entonces para cualquier otro evento
aleatorio A resulta: P(B) = P(B/A).P(A) + P(B/A).P(A) (1.37)

Generalizando la probabilidad condicional para n eventos no independientes, se


tiene:
P(A1 A2 A3 ......... An) = P(A1)+P(A2/A1)+P(A3/A2 A1)..............
.............................P(An/An-1 An-2 .......... A3 A2 A1) (1.38)
12 Introduccin a la Teora de Probabilidades
_______________________________________________

Si existe independencia estadstica entre los eventos Ai se tendr:

n
P(A1 A2 A3 ... An) = P(A1).P(A2).P(A3)P(An) = P(A i ) (1.39)
i =1

S
A
B

AB

AB

Fig.1.7 Descomposicin de probabilidades

Teorema 11
Si el espacio muestral S se divide en Ak conjuntos disjuntos. Fig.1.8, entonces;

B = (A1 B) (A2 B) (A3 B).......... (Ak B), luego;

P(B) = P(A1 B) + P(A2 B) + P(A3 B) +.......... + P(Ak B)

k k
P(B) = P(B A i ) = P(B / A i ).P(A i ) . (1.40)
i =1 i =1

Este teorema es el Teorema de la Probabilidad Total.

Teorema 12.
Sea C1,, C2, C3,................Cn , una particin del espacio muestral S y B un
evento de ese mismo espacio muestral. Fig.1.9.

Luego:

P(Ci /B) = P(Ci B) / P(B); pero:


Introduccin a la Teora de Probabilidades 13
_______________________________________________

n
P(B) = P(B / Ci ).P(Ci ) y P(Ci B) = P(B/ Ci).P(Ci);
j =1

S A1 A2

A3

A4
Ak

Fig.1.8 Teorema de la Probabilidad Total

En consecuencia:

P(B / Ci ).P(Ci )
P(Ci / B) = n
(1.41)
P(B / C j ).P(C j )
j =1

Este teorema es Teorema de Bayes.

S C1 C2

B
C3 Ci

C4

Cn

Fig.1.9 Teorema de Bayes


14 Introduccin a la Teora de Probabilidades
_______________________________________________

5. Anlisis combinatorio

5.1. Definiciones

La definicin clsica de probabilidad debida a Laplace (nmero de casos


favorables a un determinado evento dividido el nmero de casos totales
posibles) est basada en el anlisis combinatorio. Este abarca clculo de
permutaciones, variaciones y combinaciones con y sin repeticin de elementos.

Arreglos: Sean n objetos diferentes. Se denominan arreglos a los conjuntos


definidos por los distintos agrupamientos de todos o parte de esos objetos.
Dentro de cada arreglo pueden figurar elementos repetidos o no.

5.2. Permutaciones

Permutaciones simples: Dados n objetos se denomina permutacin simple al


arreglo de dichos objetos en el que el orden de presentacin es de importancia.
El nmero total de permutaciones viene dado por:

Pn = n! = n.(n-1).(n-2).(n-3).......................3.2.1 (1.42)

Permutaciones con repeticin: Sean n objetos diferentes, entonces, de acuerdo


a la definicin clsica de permutacin simple, se tiene: Pn = n! Si existen n1
objetos iguales, n2 objetos iguales y as hasta nk objetos iguales, tal que: n1 + n2 +
n3 +............+ nk = n . Entones las permutaciones con repeticin sern:

n!
Pn = (1.43)
n1!.n 2 !.n 3!....n k !

5.3. Variaciones

Variaciones simples: Dados n objetos, se denomina variacin simple de medida


m, con m < n, al arreglo de m objetos de los n en el que el orden de
presentacin es de importancia. El nmero total de variaciones viene dado por:

n!
Vn , m = (1.44)
(n m)!
Introduccin a la Teora de Probabilidades 15
_______________________________________________

En el caso que m=n, resultar (n-m)! = 0! = 1, con lo que las variaciones


coincidirn numricamente con las permutaciones, es decir:

n!
Vn , m = = Pn = n! (1.45)
(m m)!

Variaciones con repeticin: Si se supone que cada objeto pueda figurar


cualquier nmero de veces en una misma variacin, entonces adems de las
variaciones Vn,m definidas anteriormente, aparecern muchas otras. As:

Vn,m = nm (1.46)

5.4. Combinaciones

Combinaciones simples: Dados n objetos, se denomina combinacin de medida


m < n, al arreglo de m objetos de los n, en el que el orden de presentacin no es
de importancia. El nmero total de combinaciones viene dado por:

n
C n , m = (1.47)
m
n n!
El valor numrico del nmero combinatorio es
m (n m)!.m!

Se ve claro que existe una relacin entre combinaciones, variaciones y


permutaciones y sta viene dada por:

V n,m = Cn,m .Pm (1.48)

Combinaciones con repeticin : De la misma manera que cuando se trato de las


variaciones con repeticin, si dentro de los m objetos seleccionados en las
combinaciones existen elementos repetidos, se estar en presencia de las
combinaciones con repeticin, cuyo nmero viene dado por :

m + n 1 (m + n 1)!
Cn,m = Cn, m = = (1.49)
n 1 (n 1)!.m!
16 Introduccin a la Teora de Probabilidades
_______________________________________________

6. Ejemplos de aplicacin

6.1. Ejemplo 1

Encontrar la probabilidad de que una mano de poker (5 naipes) contenga al menos


2 Jacks. Realizar el mismo calculo pero ahora sabiendo que contiene exactamente 1
As.

Fig.1.10 Juego de naipes franceses

Utilicemos para resolverlo la definicin clsica de probabilidad, esto es el cociente


de casos favorables a nuestro experimento y los totales posibles. Tratndose de un
mazo de 52 naipes franceses como se observa en la Fig.1.10 y una mano de cinco
de esos naipes, el nmero de maneras de formar conjuntos de cinco naipes de un
conjunto de 52, donde no importe el orden de las barajas sern las combinaciones
simples de 52 tomadas de a 5. Luego la cantidad de casos totales ser:

52
= 2.598.960
5

En el primer caso se trata de cinco naipes, dentro de los cuales puede haber al
menos 2 Jacks. Esto implica que puede haber 2 3 4 Jacks, ya que la cantidad
mxima de Jacks es cuatro, uno por cada palo. Si sustraemos los 4 Jacks de los 52
naipes, los restantes 48 no contendrn ningn Jack.
Si puede haber 2 Jacks por cada combinacin de 3 naipes de los 48, habr una
combinacin de 2 Jacks de los 4 totales. Asimismo, si puede haber 3 Jacks por cada
combinacin de 2 naipes de los 48, habr una combinacin de 3 Jacks de los 4
Introduccin a la Teora de Probabilidades 17
_______________________________________________

totales. Finalmente, si puede haber 4 Jacks por cada combinacin de 1 naipe de los
48, habr una combinacin de 4 Jacks de los 4 totales.
Luego existirn 3 casos favorables a nuestro experimento y si ocurre uno no ocurre
el otro, en consecuencia la cantidad total de casos favorables a nuestro experimento
vendr dado por la suma de estos tres casos expuestos precedentemente:

48 4 48 4 48 4
. + . + . = 108.336
3 2 2 3 1 4

Luego la probabilidad de que una mano de poker (5 naipes) contenga al menos 2


Jacks es el cociente de casos favorables sobre totales:

108.336
P( 2 Jacks 3 Jacks 4 Jacks ) = 0,0417
2.598.960

En el segundo caso se trata de calcular la misma probabilidad pero sabiendo que la


mano contiene exactamente un As. Ahora el espacio muestral se ve reducido y la
cantidad de casos totales sern aquellos que contengan en la mano exactamente 1
As:

48 4
. = 778.320
4 1

As podemos escribir como probabilidad condicional:

P[( 2 Jacks 3 Jacks 4 Jacks ) 1 As]


P[( 2 Jacks 3 Jacks 4 Jacks )/1 As] =
P(1 As)

Por propiedad distributiva de la unin respecto a la interseccin de eventos se tiene


en el numerador:

P[(2 Jacks 1 As) (3 Jacks 1 As) (4 Jacks 1 As )]

Esto eventos son mutuamente excluyentes por lo que probabilidad de la unin de


los mismo se trasforma en suma de probabilidades. Por lo tanto:

P(2 Jacks 1 As) + P(3 Jacks 1 As) + P(4 Jacks 1 As)


18 Introduccin a la Teora de Probabilidades
_______________________________________________

Del mismo modo que para primer caso, sustraigamos ahora de los 48 naipes
adems de los 4 Jacks los 4 Ases. Restan entonces 44 naipes sin Ases ni Jacks.

Si puede haber 2 Jacks y 1 As por cada combinacin de 2 naipes de los 44, habr
una combinacin de 2 Jacks de los 4 totales y una combinacin de 1 As de los 4
totales. Asimismo, si puede haber 3 Jacks y 1 As por cada combinacin de 1 naipe
de los 44, habr una combinacin de 3 Jacks de los 4 totales y una combinacin de
1 As de los 4 totales. Finalmente, si puede haber 4 Jacks y 1 As por cada
combinacin de 0 naipes de los 44, habr una combinacin de 4 Jacks de los 4
totales y una combinacin de 1 As de los 4 totales.
Luego existirn 3 casos favorables a nuestro experimento y si ocurre uno no ocurre
el otro, en consecuencia la cantidad total de casos favorables a nuestro experimento
vendr dado por la suma de estos tres casos expuestos precedentemente:

44 4 4 44 4 4 44 4 4
. . + . . + . . = 23.412
2 2 1 1 3 1 0 4 1

Luego la probabilidad de que una mano de poker (5 naipes) contenga al menos 2


Jacks sabiendo que contiene exactamente 1 As es el cociente de casos favorables
sobre totales:

23.412
P[( 2 Jacks 3 Jacks 4 Jacks )/1 As] = 0,0300
778.320

6.2. Ejemplo 2

Se colocan 40 barajas espaolas sobre una mesa boca abajo en un arreglo de 4 filas
de 10 naipes cada una. Calcular la probabilidad de que en la primera extraccin de
un naipe al azar se obtenga el As de Oro. Calcular la probabilidad de que en la
segunda extraccin de un naipe al azar se obtenga tambin el As de Oro.

Definamos, en principio el evento que es de inters, a saber:

AsO1 = {As de Oro en una primera extraccin}

Como se observa en la Fig.1.11 el universo S de eventos esta constituido por todo


el mazo de naipes espaoles y de la Fig.1.12 es casi obvio que se trata de uno en
cuarenta la probabilidad de extraer el As de Oro en la primera extraccin de un
naipe al azar.
Introduccin a la Teora de Probabilidades 19
_______________________________________________

Fig.1.11 Juego de naipes espaoles

1
P(AsO1 ) = P{As de Oro en una primera extraccin} =
40

Fig.1.12 Primera extraccin de un naipe al azar

Analicemos que sucede en una segunda extraccin de un naipe al azar.


S

Fig.1.13 Segunda extraccin de un naipe al azar

En principio, el evento de inters ser:


20 Introduccin a la Teora de Probabilidades
_______________________________________________

AsO2 = {As de Oro en una segunda extraccin}

En general se tiende a pensar que la probabilidad de que en la segunda extraccin


se obtenga un As de Oro es de uno en 39, ya que el espacio muestral se redujo a 39
naipes al extraer el primer naipe. Pero eso no es as, pues todo depender de que en
la primera extraccin se haya sacado el As de Oro o no. Si se conoce el primer
naipe extrado, esto es si uno se informa de su valor, la probabilidad de extraer un
As de Oro en la segunda extraccin cambia. As que si se sabe que el As de Oro
salio en la primera extraccin, entonces la probabilidad de obtenerlo en la segunda
es cero y si se sabe que el As de Oro no salio en la primera extraccin, entonces la
probabilidad de obtenerlo en la segunda es de uno en 39. Es as que la informacin
provista modifica la probabilidad. Si esta informacin se desconoce el espacio
muestral permanece inalterable, como se observa en la Fig.1.13. Formalmente y
siguiendo el diagrama de Veng de la Fig.1.14:

P(AsO2 ) = P[AsO2 (AsO1 AsO1 )] = P[(AsO2 AsO1 ) (AsO2 AsO1 )]


P(AsO2 ) = P(AsO2 AsO1 ) + P(AsO2 AsO1 ) ; por disjuntos
P(AsO2 ) = P(AsO2 / AsO1 ).P(AsO1 ) + P(AsO2 / AsO1 ).P(AsO1 )

AsO1 AsO1

AsO2

AsO2

Fig.1.14 Diagrama de Veng para la segunda extraccin

1
P(AsO 2 / AsO1 ) = 0 P(AsO1 ) =
40
1 39
P(AsO 2 / AsO1 ) = P(AsO1 ) =
39 40

Luego:
Introduccin a la Teora de Probabilidades 21
_______________________________________________

1 1 39 1
P(AsO2 ) = 0. + . =
40 39 40 40

6.3. Ejemplo 3

Una urna contiene 5 bolas blancas (B) y bolas 3 negras (N). Si se seleccionan 3
bolas sin reemplazo, calcular:

a) La probabilidad de extraer NBN en ese orden


b) La probabilidad de extraer 2N y 1B
c) La probabilidad de extraer B en la primera extraccin dado N en la segunda
d) La probabilidad de extraer B en la segunda extraccin
e) La probabilidad de extraer B en las dos ultimas extracciones

a) La extraccin de las tres bolillas de una urna puede hacerse de a una o tomarlas
todas juntas. En este caso se esta indicando que es de a una y en un determinado
orden, de modo que el evento cuya probabilidad hay que evaluar es {N1B2N3}.

P(N1B2N3) = P(N1/B2N3).P(B2/N3).P(N3)

La evaluacin de cada una de estas probabilidades no queda expuesta en forma


sencilla si se aplica, de esta manera, la definicin de probabilidad condicional. La
evaluacin se facilita comenzando con la primera extraccin y luego siguiendo con
las posteriores. As:

2 5 3 5
P(N1B2N3) = P(N3B2N1) = P(N3/B2N1).P(B2/N1).P(N1) = . . =
6 7 8 56

b) En este caso lo que importa es la extraccin de tres bolillas sin importar el


orden, por lo que el evento de inters cuya probabilidad hay que evaluar es
{2N1B}.

P(2N1B) = P[(N3N2B1)(N3B2N1) )(B3N2N1)]

P(2N1B) = P(N3N2B1)+P(N3B2N1) )+P(B3N2N1) por disjuntos, luego:

5 5 5 15
P(2N1B) = . . = ya que todas las probabilidades resultan iguales.
56 56 56 56
22 Introduccin a la Teora de Probabilidades
_______________________________________________

Asimismo es posible evaluar esta probabilidad utilizando la definicin clsica. Los


casos totales vienen dados por la diferentes formas de extraer 3 bolillas de una urna
con 8 bolillas y los favorables al evento en cuestin vienen dados por la diferentes
formas de extraer 2 bolillas negras de las 3 que hay en la urna por las diferentes
formas de extraer 1 bolilla blanca de las 5 que hay en la urna. As:

3 5
.
2 1
P(2N1B) = =
15
8 56

3

c) El evento de inters cuya probabilidad hay que evaluar es {B1/N2}. Entonces:

P(B1 N 2 ) P(N 2 / B1 ).P(B1 )


P(B1 / N 2 ) = = =
P(N 2 ) P[N 2 (B1 N1 )]

3 5 15
.
P(N 2 / B1 ).P(B1 ) 7 8 5
= = = 56 =
P(N 2 / B1 ).P(B1 ) + P(N 2 / N1 ).P(N1 ) 3 . 5 + 2 . 3 21 7
7 8 7 8 56

Como se observa no existe ninguna connotacin temporal entre los eventos {B1} y
{N2}. Por otro lado, se llegara a la misma conclusin si se hiciera intervenir la
informacin aportada por la tercera extraccin, pues esto no aporta ninguna
informacin sino una particin ms del espacio muestral, as:

P[(B1 N 2 ) ( N 3 B3 )]
P(B1 / N 2 ) = =
P{N 2 [(B1 N 3 ) (B1 B3 ) ( N1 N 3 ) ( N1 B3 )]}

P[(N 3 N 2 B1 ) (B3 N 2 B1 )]
= =
P[(N 3 N 2 B1 ) (B3 N 2 B1 ) ( N 3 N 2 N1 ) (B3 N 2 N1 )]

Operando numerador y denominador, queda:

P(N3 / N 2 B1 ).P(N2 / B1 ).P(B1 ) + P(B3 / N 2 B1 ).P(N2 / B1 ).P(B1 ) =


Introduccin a la Teora de Probabilidades 23
_______________________________________________

2 3 5 4 3 5 90
= . . + . . =
6 7 8 6 7 8 336
P(N 3 / N 2 B1 ).P(N 2 / B1 ).P(B1 ) + P(B3 / N 2 B1 ).P(N 2 / B1 ).P(B1 ) +

P(N 3 / N 2 N1 ).P(N 2 / N1 ).P(N1 ) + P(B3 / N 2 N1 ).P(N 2 / N1 ).P(N1 ) =

2 3 5 4 3 5 1 2 3 5 2 3 126
= . . + . . + . . + . . =
6 7 8 6 7 8 6 7 8 6 7 8 336

90
136 90 5
P(B1 / N 2 ) = = =
126 126 7
336

d) En este caso el evento de inters cuya probabilidad se desea evaluar es {B2}.


Obsrvese que no se provee informacin respecto de la primera extraccin por lo
que la probabilidad de que en la segunda extraccin la bolilla sea blanca debera
permanecer constante e igual a 5/8. Verifiquemos que es as:

P(B 2 ) = P[B2 (B1 N1 )] = P[(B2 B1 ) (B2 N1 )] =

5 3 4 5 5
= P(B 2 / B1 ).P(B1 ) + P(B 2 / N1 ).P(N1 ) = . + . =
7 8 7 8 8

e) La probabilidad que se desea evaluar es, esta vez, la del evento {B2 B3}.
Obsrvese que, como en el caso anterior, no se provee informacin respecto de la
primera extraccin. Luego:

4 5 5
P(B 2 B3 ) = P(B3 B2 ) = P(B3 / B2 ).P(B2 ) = . =
7 8 14

Verifiquemos que es as, considerando la primera bolilla extrada:

P(B3 B2 ) = P[B3 B2 ( N1 B1 )] = P[(B3 B 2 N1 ) (B3 B 2 B1 )] =

= P(B3 / B2 N1 ).P(B2 / N1 ).P(N1 ) + P(B3 / B2 B1 ).P(B2 / B1 ).P(B1 ) =

4 5 3 3 4 5 120 5
= . . + . . = =
6 7 8 6 7 8 336 14
24 Introduccin a la Teora de Probabilidades
_______________________________________________

6.4. Ejemplo 4

Resolver el problema anterior pero suponiendo que hay reemplazo de las bolillas
extradas.

En principio si el experimento es con reemplazo las probabilidades de extraccin


de bolillas blancas o negras se mantiene constante. As.

5 3
P(B) = P(N) =
8 8

a) Aqu desaparece la condicionalidad en los eventos y existen adems tres casos


idnticos NBN, BNN y NNB.
2
5 3
P(N1B2N3) = 3. P(N)2. P(B) = 3. . 0,264
8 8
b) dem caso (a)
2
5 3
P(2N1B) = 3. P(N)2. P(B) = 3. . 0,264
8 8
c)
P(B1 N 2 ) P(N 2 ).P(B1 ) 5
P(B1 / N 2 ) = = = P(B) =
P(N 2 ) P(N 2 ) 8
d)
5
P(B 2 ) = P(B) =
8
e) Aqu existe un solo caso BB
2
5 25
P(B 2 B3 ) = P(B3 ).P(B2 ) = 1. =

8 64

6.5. Ejemplo 5

Un sistema de alarma es diseado para detectar la presencia de intrusos, es decir de


personal no autorizado en ciertas zonas restringidas. El sistema detecta el 95 % de
las veces que hay intrusos. La probabilidad de que se produzca una falsa alarma es
de 0,1. Considerando que despus de producirse una alarma falsa o no, sta pone
en alerta al personal de seguridad a los fines de que tome conocimiento, Cul ser
la probabilidad de que una persona no autorizada se haya introducido en el rea
restringida, si se esperan intrusos con una probabilidad e 0,001?
Introduccin a la Teora de Probabilidades 25
_______________________________________________

En principio, definamos los eventos intervinientes y sus probabilidades asociadas.


En el diagrama de Vennn de la Fig.1.15 se observan los diferentes eventos.

{C1} = Presencia de intrusos.


{C2} = Ausencia de intrusos.
{B} = Funcionamiento de la alarma.

P(C1) = 0,001
P(C2) = 1- P(C1) = 1-0,001 = 0,999
P(B/C1) = 0,95
P(B/C2) = 0,1

C1 C2

B
BC1
BC2

Fig.1.15 - Diagrama de Veng para el sistema de alarmas

El evento de inters cuya probabilidad debe ser evaluada es {C1/B} de modo que:

P(C1 B) P(B C1 ) P(B/C1 ).P(C1 )


P(C1 / B) = = = =
P(B) P(B) P[B (C1 C 2 )]

P(B/C1 ).P(C1 ) 0,95.0,001


= = = 0,095
P(B/C1 ).P(C1 ) + P(B/C2 ).P(C 2 ) 0,95.0,001 + 0,1.0,999