Professional Documents
Culture Documents
SUMARIO:
2.1. - Introducción
2.2. - Experimento Estadístico y Espacio Muestra!
2.2.1. - Espacio Muestral de un Experimento
2.2.2. - Eventos de un Espacio Muestral
2.3. - Funciones que se Evalúan en Conjuntos
2.3.1. - Cardinalidad de un Espacio Muestral
2.3.2. - L a Función de Probabilidades
2.3.3. - El Espacio de Probabilidades y Eventos
2.4. - Métodos de Enumeración
2.4.1. - Cardinalidad de Eventos Finitos
2.4.2. - Regla de la Multiplicación de Opciones
2.4.3. - Combinaciones y Muestras
2.4.4. - Permutaciones
2.4.5. - E l Coeficiente Multinomial
2.5. - Probabilidad Condicional
2.5.1.- Muestreo con y sin Reposición
2.6. - Independencia Estocástica de Eventos
2.7. - Regla de la Probabilidad Total y Teorema de Bayes
2.8. - Apuestas y Probabilidades
Objetivos del C a p í t u l o
Que el lector llegue a:
2.1.-INTRODUCCIÓN
Experimento U n Experimento es un conjunto de acciones con las que, utilizando procedimientos con
Conjunto de acciones con precisión establecida, se efectúa algún tipo de o b s e r v a c i ó n o medida.
las que, utilizando
procedimientos
E n general, el propósito de la e x p e r i m e n t a c i ó n es generar nuevo conocimiento o puede
claramente establecidos,
se efectúa algún tipo de ser t a m b i é n con la finalidad de verificar el cumplimiento de algún principio, supuesto o
observación o medida teoría previamente establecida. T a m b i é n se experimenta para mejorar la eficacia de algún
mecanismo útil y a construido, esto es para innovar.
Espacio Muestral de un a) Se conoce cuáles son todos los resultados posibles del experimento antes de su
Experimento ejecución;
Se denomina así al par b) Cualquier realización del experimento debe conducir a un resultado que no es
( O , if), donde: conocido previo a tal ejecución, pero que se sabe es uno de los "posibles"; y ,
a) Q es el conjunto de c) E l experimento puede ser repetido bajo idénticas condiciones. •'
todos los resultados
posibles del experimento;
Dado un Experimento Estadístico, se denomina Espacio Muestral de un Experimento,
y.
al par ( Q , ií), donde:
b) y es el conjunto
potencia de Q
a) Q es el conjunto de todos los resultados posibles del experimento; y, • . - v-
72
CAPITULO 2: Métodos de Enumeración, Función de Probabilidades y Eventos
Experimento Estadístico y Espacio Muestral
T é n g a s e en cuenta que para un Espacio Muestral (Í2, ¿O 'o siguiente debe siempre
cumplirse:
1) Q no es vacio; y,
2) y cumple con incluir al conjunto v a c í o 0 ; es "cerrado" bajo unión contable de sus
Espacio de Eventos Como estructura algebraica, el Espacio de Eventos if es denominado sigma álgebra
Dado un Espacio
(a-álgebra).
Muestral ( Q . ^ ) ^ es
denominado Espacio de
N ó t e s e que no es el tínico a - á l g e b r a posible de definir sobre Q. Como vamos a ver a
Eventos, y es un
CT-álgebra continuación. •
Supongamos que un Experimento Estadístico consiste en lanzar una moneda una vez y
observar si sale sello o cara; tenemos que:
Q={c0i;(02} = { 5 ; c }
Donde 5 significa que el resultado del lanzamiento es sello y c que es cara, mientras que
el espacio de eventos es:
. y={0;{s};{c};Q}
i) E , , E 2 e y ^ (E,uE2) € y ; y , ...
ii) E , G J / : ^ E' G y , .
Espacio Muestral U n Espacio Muestral ( Q , if) se dice es un Espacio Muestral Discreto si y solo si Q es
Discreto
contable.
Un espacio Muestral (Q ,
if) es Discreto si y solo si
Si por ejemplo el experimento consiste en lanzar sucesivamente dos monedas y observar
Q. es contable
qué par ordenado de "lados" salen, tenemos que cuatro puntos constituyen Q:
Obviamente que Q es discreto. Mientras que if tiene 2''= 16 elementos, esto es:
Í2 = { c c c c •
cees ;ccsc; cscc; sccc;
sscc; scsc; sccs; eses; ccss; cssc;
sssc; sscs; scss; csss;
ssss} , , , , ,: •
Desarrollo.
L a respuesta es simple,
Ejemplo 2.2
Desarrollo. . . • . \ .
n no es único para este Espacio Muestral infinito, pero para un grupo de n estudiantes de
educación superior en el Ecuador, Q podría ser Q = { x e R | 1.20 < x < 2 . 0 0 } , x en metros;
mas si la Población Objetivo son los jugadores de baloncesto de la N B A , Q podría ser:
n= { X G R i 1.80 < x < 2 . 3 0 } , X en metros. •
75
Cardinalidad de un Espacio Maestral
N:A - ^ K
Si por ejemplo A es el conjunto de los habitantes de las ciudades ecuatorianas que eran
capital de provincia al momento de realizarse el empadronamiento del Censo de
P o b l a c i ó n de Noviembre 2 0 0 1 , entonces N(Guayaquil) = 1'985.379. E n este caso N
asigna a cada ciudad el n ú m e r o de habitantes que fueron contabilizados al momento del
empadronamiento.
76
CAPITULO 2: Métodos de Enumeración, Función de Probabilidades y Eventos.
Funciones que se Evalúan en Conjuntos
Supongamos a d e m á s que: -
E , = { x e R i O < X < 1 } ; y,
E2= { x e R | V2< X < 2 } (2.2)
2
Q(E2)= í e " ' ' d x = -e"^ + e " ' = 0.471; y ,
1/2
T é n g a s e en cuenta a d e m á s que.
Medida de Unión de
Eventos Q ( E , u E2) = Q ( E , ) + Q(E2) - Q ( E , n E 2 ) (2.5)
Q ( E , u E , ) = Q(E,) +
Q(E2)-Q(E,nE2) E n la sección siguiente se hará evidente el uso que vamos a dar a las funciones que se
e v a l ú a n en conjuntos. Este tema puede ser ampliado consultando Bartle [ 5 ] . •
Supongamos que el Experimento Estadístico tiene Espacio Muestral ( Q , if); una función
P cuyo dominio es ^ y cuyo conjunto de llegada, es el intervalo cerrado de n ú m e r o s
reales de cero a uno, es una F u n c i ó n de Probabilidades ( P : if - > [0,1]) si y solamente
si:
a) P ( Q ) = 1 ; • • í -
b) 0 < P ( E ) < 1, V E e y ; y , ,
77
La Función de Probabilidades
N ó t e s e q u e E , , E 2 € y p e r o P ( E i ) e [ 0 , l ] , i = 1,2. •
Se pretende que P sea una medida formal de la incertidumbre que rodea a los eventos
que constituyen el Espacio Muestral de un Experimento Estadístico.
a) n ( 0 ) = O;y,
78
CAPÍTULO 2: Métodos de Enumeración, Función de Probabilidades y Eventos
Funciones que se Evalúan en Conjuntos
C o n c l u y é n d o s e entonces que
P(E) = 1 - P(E^) / ' (2.10)
P ( E , u E , ) = P ( E | ) + P(E2) - P ( E , n E j ) (2.12)
E | u E2 = ( E , n E J ) u (E2 n E f ) u ( E , n E2)
P(E,uE2) = P [ ( E , n i ^ . ) u ( E 2 n Ef)u(E,nE2)]
= P ( E | n E 2 ) + P(E2) - . •
79
El Espacio de Probabilidades y Eventos . •s» -
Figura 2.1
Diagrama de Venn para Eventos en EjUEz
E 2 = ( E 2 n E , ) u ( E 2 n EJ^) - ^~ • : -
Se deja la d e m o s t r a c i ó n al lector. •
Corolario.
80
CAPITULO 2: Métodos de Enumeración, Función de Probabilidades y Eventos
Funciones que se Evalúan en Conjuntos
Figura 2.2
Diagrama de Venn para dos eventos en Q
_ P ( E , u E 2 u E 3 ) = P ( E , ) + P(E2) + P ( E 3 ) - P ( E i n E 2 ) - P ( E i n E 3 )
Para probar este resultado, debe considerarse a E i u E2 como un evento y E3 como otro
evento y aplicar (2.12) que es la e x p r e s i ó n para la probabilidad de la u n i ó n de dos
eventos, cuya d e m o s t r a c i ó n se hiciera en líneas previas. •
81
El Espacio de Probabilidades y Eventos
Ejemplo 2.3
Obsérvese el esquema gráfico en el que con la notación habitual, se presentan tres eventos y
las correspondientes probabilidades; calcular P ( E | u E3) y P [ ( E i u E 2 U Eif].
Desarrollo.
Todo aquello que está en Q pero que no pertenece a la unión de E ; con E2 y con E3 constituye
( E | u E2 u E^f, cuya probabilidad es entonces,
P ( E , u E 2 u E 3 ) ' = = 1 - 0 . 8 0 = 0.20 •
Ejemplo 2.4
' E n un artículo que el recientemente fallecido Martin Gardner publicara en 1976 en el número
234 de la revista de divulgación científica denominada Scientific American y que lo titulara
Mathematical Games plantea el siguiente juego que conduce a una paradoja.
E l juego consiste en escoger, al gusto del participante, una de dos umas, una negra y otra
blanca, y luego de eso, escoger aleatoriamente una bola de las que están dentro de la urna que
fue seleccionada. Si al final el participante tiene una bola roja, recibe un premio.
Si una urna negra contiene cinco bolas rojas y seis verdes y una urna blanca contiene tres
bolas rojas y cuatro verdes, evidentemente que si usted fuera el jugador escogería la urna
, 5 3
•( . negra pues •j-¡->y
Se tiene otra situación, una uma negra tiene seis bolas rojas y tres verdes, mientras que una
urna blanca tiene nueve rojas y cinco verdes, si usted fuese el jugador, otra vez escogería la
uma negra porque la probabilidad de sacar una bola roja, y así ganar el premio, es mayor en la
umas. No lo piense, responda a lo siguiente ¿cuál urna escogería? Si se dejó llevar por la
intuición escogió una vez m á s la negra, pero... no; debió escoger la uma blanca, donde, de las
veintiún bolas doce son rojas; en la uma negra once de veinte son rojas y
12 11
— = 0.571 > — = 0.550.
21 20
Ejemplo 2.5
Desarrollo.
Supongamos que cada día del aflo es igual de "bueno" para nacer y no tengamos en cuenta los
años bisiestos, esto es, consideraremos que todo año tiene 365 días.
Sea E el evento "dos de las n personas en el aula cumplen año el mismo día". • ,
365-364 • . . . • ( 3 6 5 - n + l )
Por lo que:
c 365(364) .... ( 3 6 5 - n + 1)
P ( E ^ ) = ^
365"
Si se calcula el valor de P ( E ) = 1 - P ( E ' " ) , para distintos valores de n, se encuentra que cuando
n = 23 se supera el valor 0.500 para P ( E ) ; mas precisamente si n = 23, P ( E ) = 0.506; para
n = 40, que es cuando nosotros nos arriesgamos P ( E ) = 0.891, lo cual conduce a no acertar en
109 casos de mil. Con este último valor de n, el evento es verosímil. •
N(E) k
. ^ P(E) = — ^ = — , N 9 ^ 0 (2.20)
N(Í2) N
• \
Si nos preguntamos cuál es la probabilidad de que aparezca un n ú m e r o menor que 3 en el
lanzamiento de un dado "legal", o equilibrado, sabemos que:
Q = {1;2;3;4;5;6} •
84
CAPITULO 2: Métodos de Enumeración, Función de Probabilidades y Eventos
Métodos de Enumeración
necesariamente debe existir algún tipo de ''medida" que los caracterice y esta, bien puede
ser su longitud, área o volumen. Este tema puede ser ampliado en B r o w n y B r o w n [ 1 1 ] .
Ejemplo 2.6
Desarrollo.
E es el evento, "el dardo cae en la corona circular de radio interior r i = Vi". Véase Figura 2.3.
Figura 2.3
Evento: "El dardo cae en la corona circular de radio interior r¡ = 1/2"
Por lo que,
Desarrollo.
Como se da en la realidad, aunque la moneda sea legal, no siempre ocurre que el número de
caras es igual al de sellos, es m á s , en la simulación del primer esquema, sólo una vez la
proporción p = número de sellos que ocurra en n lanzamientos es 0,50 (n = 100), pero es cierto
también que, la proporción nunca excede 0.600 ni es inferior a 0.36. E n el segundo esquema,
n > 100, la máxima distancia a 0.50 es | 0.50 - 0.470 | = 0.03, que ocurre cuando se lanza
n = 200 veces la moneda. Estos resultados insinuarían lo que posteriormente enunciaremos
como " L e y de los Números Grandes". E n los esquemas la primera columna del cuadro
representa el número de veces que se simula el lanzamiento de la moneda, la segunda columna
es p, en su versión racional; por ejemplo p = 3/5 representa 3 veces "salió sello" en cinco
lanzamientos. L a tercera columna es la versión decimal de la segunda.
85
Cardinalidad de Eventos Finitos . t . > ; • v
Número de Repeticiones 5 10 15 20 25 30 35 40 45 50
p (versión racional) 3/5 5/10 7/15 12/20 10/25 11/30 18/35 18/40 22/45 27/50
p (versión decimal) 0.600 0.500 0.467 0.600 0.400 0.367 0.514 0.450 0.489 0.540
1.00
0.75
• • • • •
0.50
0.25
Número de
100 200 300 400 500 600 700 800 900 1000
Repeticiones
p (versión
51/100 94/200 162/300 201/400 235/500 304/600 334/700 379/800 443/900 512/1000
racional)
p (versión
0.51 0.47 0.54 0.503 0.47 0.507 0.477 0.474 0.492 0.512
decimal)
1.00.
0.75.
0.50.
E Í £ : : : ' ; : : ? : ; : é : : : " : : : i : ; : ¥
0.25.
0.00.
Too 200 300 400 500 600 700 800 900 lo'oO ^ "
CAPITULO 2: Métodos de Enumeración, Función de Probabilidades y Eventos
Métodos de Enumeración
Figura 2.4
Diagrama de Arbol: Regla de Multiplicación de Opciones
E2 E3
Vehículo de marca Vehículo de marca Vehículo de marca
A B ^ c,
R.
^ B, c,
r"
c,
7\
Ci
•
—-— """^B,
r-
C,
r-
Ci
B, cr
" B; c,
r"
Ci
Ci
Bj , rr
. ' C|
—
C|
~ C2
E n realidad nos encontramos ante tres conjuntos finitos E i , E2 y E3 con sus respectivas
cardinalidades U] = 4, n2 = 3 y n3 = 2, lo cual hace posible que si deseamos escoger
primero un a u t o m ó v i l de la marca A , lo podemos hacer de cuatro formas, si luego
escogemos uno de la marca B lo podemos hacer de tres maneras y posteriormente, de dos
maneras los de la marca C ; para un total de 4-3-2 = 24 opciones, y así escoger las
opciones con las que el cliente pueda ser satisfecho. •
Teorema 2.7. Sean E , , E2,... , E ^ , k eventos cuyas Cardinalidades son respectivamente n¡, n2, ... , «*; si
se debe tomar k elementos, primero uno de E i , luego otro de E2 y así sucesivamente hasta
tomar el último elemento en E ^ , entonces el n ú m e r o de opciones que es posible elegir, es
igual a:
«/• «2' ••• • 'í* (2.21)
87
Regla de la Multiplicación de Opciones
Prueba. L a prueba del mismo es inductiva, haciendo variar i desde uno hasta k. E l caso en que
i = 1 es trivial; el resto de la prueba es relativamente sencilla. •
Cada placa tiene siete campos útiles, los tres primeros, de izquierda a derecha, ocupados
por letras del alfabeto y los cuatro restantes por cualquiera de los diez dígitos del sistema
n u m é r i c o decimal.
L a s letras que pueden ser ubicadas en los correspondientes campos de la placa son
veintiséis, pues no se utilizan la C h , la L l , ni la Ñ . U n bosquejo gráfico de la placa se
presenta a continuación, donde:
ECUADOR
El E2 E s - E4 Es Egxgr
>, ^
E | es un conjunto de una sola letra que puede ser ubicada en el primer campo ( l a de la
provincia);
E4 es el conjunto de los diez dígitos y que van a ser ubicados en el cuarto campo;
E5 es el conjunto de los diez dígitos y que van a ser ubicados en el quinto campo;
E6 es el conjunto de los diez dígitos y que van a ser ubicados en el sexto campo; y,
N(E2) = N(E3) = 26
Mientras que
Por tanto el n ú m e r o de placas que se puede emitir en una provincia del Ecuador es:
1 - 2 6 - 2 6 - 1 0 - 1 0 - 1 0 - 1 0 = 6'760.000
88
CAPÍTULO 2: Métodos de Enumeración, Función de Probabilidades y Eventos
Métodos de Enumeración
Ejemplo 2.8
E n Guayaquil, en uno de los buses de la "Metrovía", existe una fila lateral de 4 asientos para
personas especiales o también de la tercera edad. Si en el bus viajan 8 pasajeros aptos para
ocupar este tipo de asientos, ¿De cuántas maneras diferentes pueden sentarse ellos?.
Desarrollo.
L a primera posición del asiento pude ser ocupada de 8 formas, la segunda de 7 formas, la
tercera de 6 formas y la última de 5 formas.
Como puede verse, son en total seis las Muestras -o combinaciones- de t a m a ñ o dos que
se obtienen de una Población Objetivo de t a m a ñ o cuatro. S i d e s e á r a m o s saber cuántas
Muestras de t a m a ñ o tres pueden obtenerse de la misma Población Objetivo tenemos:
89
Combinaciones y Muestras v=ns '
^N^ N!
(2.22)
(N-n)!n!
n! = l - 2 - 3 - . . . - n ; (2.23)
esto es, n! es el producto de los n ú m e r o s enteros positivos menores o iguales que n ; debe
tenerse en cuenta a d e m á s que cero factorial, O!, se /o define igual a uno.
N!
Coeficiente Binomial Se puede igualmente probar que: es siempre un número entero, a pesar
Número de (N-n)!n!
Combinaciones de
de que aparece como un n ú m e r o racional que potencialmente puede ser t a m b i é n
tamaño n tomadas de una
Población Objetivo de
fi-accionario, por ser el cociente de n ú m e r o s enteros.
tamaño N
Otra d e n o m i n a c i ó n que es usual darle al n ú m e r o de Combinaciones de t a m a ñ o n tomadas
de una P o b l a c i ó n Objetivo de t a m a ñ o N es Coeficiente Binomial, y a que aparece en la
Factorial
n! = n ( n - 1)! e x p a n s i ó n de las potencias enteras de un binomio. •
t)! = 1
De la definición de factorial se puede verificar que siempre es verdad que
n! = n - ( n - l ) ! •
Ejemplo 2.9
Se nos pide computar 3!; (3! - 2!); (3 - 2)! y 10! / (4! 6!).
Desarrollo.
Calculando se obtiene:
3! = 3 - 2 - l = 6
(3!-2!) = (3-2-l-2-l) = 6 - 2 = 4
(3-2)! =1!= 1
• . 10! 10-9-8-7-(6!) 10 • 9 • 8 • 7
= 210
4!6! (6!)-4-3-21 4-3-2-1
90
CAPITULO 2: Métodos de Enumeración, Función de Probabilidades y Eventos
Métodos de Enumeración
Ejemplo 2.10
De un grupo de veinte estudiantes se van a elegir seis para integrar un comité. E n la Población
Objetivo hay nueve damas y once caballeros; se requiere que dos de los integrantes del comité
sean necesariamente mujeres. L a pregunta es, ¿De cuántas maneras se puede elegir este
comité?.
Desarrollo.
Se tienen dos conjuntos, el de varones al que llamaremos E i del que hay que escoger cuatro
elementos y el de mujeres E2 del que hay que escoger dos personas.
E l número de formas en que se pueden escoger cuatro varones de un conjunto de once es:
11! 11-10 7! 11 • 10 • 9 • 8
= 330
(ll-4)!4! 7!4! 4 • 3 •2 • 1
E l número de formas en que se pueden escoger dos mujeres de un conjunto de nueve es:
9! • 7!
= 36
( 9 - 2 ) ! 2! 7! 2!
Consecuentemente el número de formas en que se puede elegir el comité con cuatro varones y
dos mujeres, aplicando la Regla de Multiplicación de Opciones, es:
'11^ (9^
(n,)-(n2) = = 3 3 0 - 3 6 = 11880 •
a.
{9\ r i o r i p ^9^ 9
+ +
v6. A j .5. v2y v4y v3y
= 1 -8 4 + 11 -126 + 5 5 - 1 2 6 + 1 6 5 - 8 4 = 2 2 2 6 0
91
Combinaciones y Muestras
Ejemplo 2.11
Una muy útil aplicación del número de combinaciones es el conocido resultado que se
denomina Binomio de Newton y que se expresa de la siguiente manera:
'1^ rr 1
(a + b) = a + b = a b + a b = 2. a b ;
vOv i =0
n n 'n^ 0, n
(a + b)" = a b + a b +...+ n-i, 1
a b a b
vO; i=0
Binomial". •
S o n importantes otros resultados relacionados con los previos y que deben ser tenidos en
cuenta de manera implícita en la resolución de problemas en los que se efectúan cálculos
de probabilidades, tales resuhados son:
Recordar
E l número de n
subconjuntos de un i ( - i y = 0 (2.24)
conjunto de tamaño i=1
nes 2"
A s í como t a m b i é n .
= 2" (2.25)
i=1
92
CAPITULO 2: Métodos de Enumeración, Función de Probabilidades y Eventos
Métodos de Enumeración
L a s pruebas para estos dos casos son inductivas, teniendo en cuenta que ( 1 - l ) " e s igual a
cero y desarrollando a d e m á s ( 1 + 1)" = 2", utilizando la expresión del Binomio de
Newton. R e c u é r d e s e que el n ú m e r o de subconjuntos de un conjunto de t a m a ñ o n es 2".
I
2.4.4.- Permutaciones
N'
Como es obvio, existirá un total de Muestras o conjuntos no ordenados.
vn;
Necesitamos saber cuántos conjuntos ordenados "genera" cada una de estas
Combinaciones.
Figura 2.5
Combinaciones y Permutaciones (n =2; N= 4)
Estos resultados nos ponen al tanto de que cada Muestra de t a m a ñ o tres "genera" seis
subconjuntos ordenados y seis es lo mismo que tres factorial, 3!.
93
Permutaciones
Figura 2.6
Combinaciones y Permutaciones (n =3; N = 4)
De igual forma encontraremos que cada Muestra de t a m a ñ o cuatro nos permitirá obtener
cuatro factorial conjuntos ordenados, esto es veinticuatro conjuntos ordenados de t a m a ñ o
cuatro; y asi sucesivamente, de cada Muestra o combinación de tamaño n, se p o d r á
obtener n! conjuntos ordenados de t a m a ñ o n.
N! N!
Total de Permutaciones
,P^=n! = n! (2.26)
(N-n)!n! (N-n)!
de T a m a ñ o n
N!
Si por ejemplo se tiene una P o b l a c i ó n Objetivo de N = 6 elementos y se quiere
(N-n)!
determinar cuántas Permutaciones de t a m a ñ o tres existen partiendo del mismo,
encontramos que el n ú m e r o de Muestras (Combinaciones) de t a m a ñ o tres son:
^6^
6! 6-5-4-3!
= 20 Muestras (no ordenadas)
(6-3)!3! 3!3!
6!
= P° = - = 120
(6-3)!
94
CAPÍTULO 2: Métodos de Enumeración, Función de Probabilidades y Eventos
Métodos de Enumeración
n!
,P" =n! = n! • = — = n! (2.27)
(n-n)!n! O!
Ejemplo 2.12
U n experimento que sirve para estimar el valor de n, el cociente entre la longitud de una
circunferencia y su d i á m e t r o , es el denominado "Experimento de la Aguja de Buffon ".
Para efectuar tal e s t i m a c i ó n se lanza una aguja de longitud í, sobre un piso de tablones de
así como a, el valor de n puede ser estimado posterior a esto, pues y a se tiene la
e s t i m a c i ó n frecuencial de P. A l lector se lo incentiva a que en su hogar, efectúe el
experimento, lanzando al menos 200 veces la aguja y verificando cuan cerca de
71 = 3.14159 es la estimación que logra. V é a s e F/gwra 2.7. •
Figura 2.7
Experimento de la Aguja de Buffon
grieta
aguja
95
El Coeficiente Multinomial
'N N N!
pueden obtener combinaciones y del segundo , esto es, la misma
.n N-n ( N - n ) ! n!
Muestras o
Combinaciones
Distinguibles cantidad de combinaciones de un t a m a ñ o n y de t a m a ñ o ( N - n ) ; , por ejemplo.
Son cada una de las 3,
Muestras de tamaño n y
las de tamaño (N - n),
Cada una de las Muestras de t a m a ñ o n y las de t a m a ñ o ( N - n) se denominan t a m b i é n
que se toman de una
Población Objetivo de Muestras o Combinaciones Distinguibles. •
tamaño N
N N!
(2.29)
l^n|,n2,...,n;,; n,! n2!...nk!
Ejemplo 2.13
Un ingeniero tiene que hacer mantenimiento a las estaciones computacionales que administra
en un laboratorio de Nanotecnología; un día cualquiera en el laboratorio tiene a su disposición
diez estaciones, dos de marca P H , cinco de marca B M I y tres de marca Dolí; calcúlese el
número de formas que puede "ubicar" las 10 estaciones en uno de los salones del laboratorio.
Desarrollo.
Tenemos un conjunto de tamaño N = 10 estaciones y tres grupos distinguibles, por sus marcas,
grupos que son de tamaño n, = 2, n2 = 5 y na = 3.
' 10 ^ 10!
Por tanto el número de formas que puede distribuirlas es: = 2520 4
v2,5,3. 2! 3! 5!
96
CAPITULO 2: Métodos de Enumeración, Función de Probabilidades y Eventos
Probabilidad Condicional
Aspiramos que el esquema Multinomial sea reconocido por el lector de manera directa y
lo apliquen de forma generalizada. E n capítulos venideros será utilizado nuevamente. •
( Un mazo de naipes tiene cincuenta y dos cartas; trece de ellas son corazón rojo, trece
\ negro, trece son brillo y trece trébol; se van a tomar de manera sucesiva,
I aleatoria y sin reemplazo dos cartas. Nos preguntamos cuál es la probabilidad que la
Nsegunda carta sea trébol, sabiendo que l a primera ftxe c o r a z ó n negro.
N(Q) 52 - -
Puesto que trece son las cartas del tipo " c o r a z ó n negro" y cincuenta y dos el total de
ellas; nos resta determinar el valor de la probabilidad:
P(E2, sabiendo que y a se extrajo una carta, que es corazón negro y que no ha sido
reintegrada al mazo).
97
Muestreo con y sin Reposición
Esto significa que quedan cincuenta y un cartas en total, pero trece de ellas siguen siendo
trébol por lo que la probabilidad buscada es 13/51. ,,. -
P(E2 sabiendo que la primera carta fue corazón negro y no fue reintegrada) = —
51
o simplemente:
P(E2|E,) = ^ _
N ó t e s e que si una vez verificada cuál fiae la primera carta extraída hubiese sido
reintegrada al mazo t e n d r í a m o s .
13
P ( E 2 | E i ) = — = P(E2)
52
f
Esquema de extracción que se denomina "Muestreo con Reposición"; insistimos que el
esquema que utilizamos previamente es el conocido como "Muestreo s i n R e p o s i c i ó n " o
"Aleatorio Simple". •
Dado un Experimento Estadístico, consideremos dos eventos uno E | y otro E2, tales que
el primero ha ocurrido mientras que el segundo, E2, está por ocurrir. L a probabilidad de
que ocurra E2 dado que ha ocurrido E ] se la denota y define como:
Esto hace
E ] = { 5 ; 6 } = Sale n ú m e r o mayor que cuatro; y
£ 2 = { 2 ; 4; 6 } = Sale n ú m e r o par; y, a d e m á s E j n £ 2 = { 6 }
Por lo que, .
P ( E i ) = 2/6;P(E2) = 3 / 6 ; y , P ( E , n E 2 ) = 1/6 -
PÍE |E)-P(E.nE2)_l/6_l
P^^^l^'^ P(EO 2/6 2
98
CAPITULO 2: Métodos de Enumeración, Función de Probabilidades y Eventos
Probabilidad Condicional
P(E, n E , ) ve 1
P(E,|E2) = ^ J 2^ = _ =- ,
PCEj) 3/6 3 :
a) P ( E , l E , ) = l ;
b) P ( E 2 Í E , ) > 0 ; y ,
P ( E 2 U E 3 l E , ) = P[(E2UE3)nE,)]/P(E,) (2.33)
: ' =P[(E2nEi)u(E,nE3)]/P(E,)
: , =[P(E2nE,) + P(E,nE3)]/P(Ei)
= P(E2 n E , ) / P ( E , ) + P ( E , n E 3 ) ] / P ( E , )
P(E,)=l-P(Ef) •
99
Muestreo con y sin Reposición .f>ii>. - -.! u
Ejemplo 2.14
n= {1;2;3;4;5;6}.
Si E l es el evento "sale número par" y E2 es "sale número mayor que tres", verificar los
axiomas de Probabilidad Condicional.
Desarrollo.
Sea
E , = { 2 ; 4 ; 6} (A)
E2= {4; 5; 6}
Entonces
E i n E 2 = {4; 6}
EilE2={4;6} (B)
E, !E2={2}
P(Ef^|E2) = P ( { 2 } ) = -
3 1
Mientras PCE^) = P ( { 1 ; 3 ; 5 } ) = - = -
6 2
P(E||E2) = l - P ( E ^ | E 2 ) = l - ^ = ^
P(E|E )= ^ ^ ^ ^ = ^ =^
Ejemplo 2.15
ocurre cuando ha extraído las cuatro fichas de su uma. Las fichas son extraídas por cada
jugador de manera aleatoria sucesiva y sin reemplazo.
Donde por ejemplo, 1234 significa, la ficha señalada con el número uno sale primero y la
ficha con el número dos, sale segunda y la marcada con el número tres, sale tercera y la
marcada con el número cuatro, sale cuarta.
Además,
E j O E j H E k = { 1 2 3 4 } ; por lo que: P ( E ¡ n E j n E k ) = 1/24 ' "
= l!/6! ; p a r a i , j , k = l , 2 , 3 , 4 ; i ; ' j ; í k .
Estas son las probabilidades que deben considerar los jugadores al participar en la
competencia. •
101
Muestreo con y sin Reposición
P ( E , I E , U E 2 ) = P ( E , ) / [ P ( E , ) + P(E2)] (2.36)
Ejemplo 2.16
E n el lanzamiento de un dado "legal" se sabe que ha salido número menor que tres o número
mayor que tres. Se pide, que con la información dada, determinemos cual es la probabilidad
que haya salido número menor que tres.
Desarrollo.
Puesto que: . .
P ( E i ) = 2/6 y P(E2) = 3/6
C o m o y a hemos establecido,
P ( E | n E 2 ) = P(E2lE,)P(E,) (2.38)
102
CAPITULO 2: Métodos de Enumeración, Función de Probabilidades y Eventos
Independencia Estocástica de Eventos
/
Eventos
O también: ,
P ( E , n E2) = P ( E , 1E2) P(E2) _ (2.39)
Estocásticamente
Independientes s e g ú n sea el caso. E s o b v i o que si h a ocurrido E | , y este hecho afecta la probabilidad de
unimismo Espacio"*^ ^ ^2 ocurra, entonces es v e r d a d que P(E21 E i ) ?t P(E2); pero t a m b i é n puede ocurrir que
Maestral ( ü , y ) , diremos tal s i t u a c i ó n no se d é y que P(E21 E , ) = P(E2). ^^^^
que el Evento E| es
Estocásticamente E s lo que nos p r o p o n e m o s a n a l i z a r a c o n t i n u a c i ó n . .
Independiente del
Evento E2 cuando y solo Sean E , y E j eventos de un m i s m o Espacio Muestral ( Q , if), diremos que e l Evento E i es
cuando:
P(E21 El) = P(E2), así E s t o c á s t i c a m e n t e Independiente del Evento E2 cuando y solo cuando:
como
P(E, 1E2) = P(E,) P ( E 2 ! E I ) = P(E2), asicomoP(EilE2) = P ( E i ) - (2.40)
Ejemplo 2.17
Mientras que
E s muy importante notar que los eventos E i y E2 son Estocásticamente independientes; pero
no son Mutuamente Excluyentes pues necesariamente P ( E i n E2) * 0.
Teorema 2.10. S i E i y E2 son Eventos Independientes en un mismo Espacio Muestral ( Q , if) entonces,
t a m b i é n son Independientes los siguientes pares de eventos:
103
Independencia Estocástica de Eventos i^-, . ÍW^VK '
ii) E ^ y E 2 ; y , . (2.43)
Prueba, i ) Por hipótesis P ( E | n E2) = P ( E i ) P ( E 2 ) y a que los dos eventos son independientes,
a d e m á s se tiene que el evento E i n E ^ expresado como l a diferencia de dos eventos
mutuamente excluyentes, es tal que
E , n E j = [ E , - ( E | n E 2 ) ] = { ( o e Q I (06 E | A cog ( E , n E 2 ) } ;
por lo que,
P ( E i n E ^ ) = P [ E , - ( E , n E2)] = P ( E , ) - P ( E , n E2)
. =P(E,)-P(E,)P(E2)
= P(E,)[1-P(E2)] = P ( E , ) P ( E ^ )
E[^nE2=[E2-(E,nE2)]= { c ü € n | o ) e E2AC0g ( E , n E 2 ) }
P( E ^ n E ^ ) = P [ Q - ( E , u E2)] = 1 - [ P ( E , ) + P(E2) - P ( E , n E 2 ) ]
= 1 - P ( E , ) - P ( E 2 ) + P(E,)P(E2)
= [1-P(E,)]-P(E2)[1-P(E,)]
= [1-P(E,)][1-P(E2)]
= P(Ef)P(E^)
Finura 2.8
Independencia de Ejy E*^
E2nEf
VV X \
y
J
104
CAPITULO 2: Métodos de Enumeración, Función de Probabilidades y Eventos
Independencia Estocástica de Eventos
. P ( E ; ' n E 2 ) = P(Ef)P(E2)
P ( E , n E 2 n E 3 ) = P(E|)P(E2lE,)P(E3lE|nE2) (2.49)
Ejemplo 2.18
Se conoce que tres eventos son tales que se cumplen las siguientes condiciones:
Se desea determinar si los tres eventos así ligados son estocásticamente independientes.
Desarrollo.
E n este caso:
P ( E , n E 2 ) = P(E,)P(E2) = ( l / 2 ) ( l / 2 ) = l / 4 ^
P ( E , n E 3 ) = P(E,)P(E3) = ( l / 2 ) ( l / 2 ) = 1/4
. . P ( E 2 n E 3 ) = P(E2)P(E3) = ( l / 2 ) ( l / 2 ) =1/4
L o cual significa que los tres eventos son independientes de dos en dos; pero
105
Independencia Estocástica de Eventos
Pues el término de la izquierda en la expresión previa es igual a 1/4, por hipótesis; mientras
que el de la derecha es igual a (1/2)^ = 1/8, por deducción.
Por lo que los tres eventos no son Independientes de tres en tres y por tanto no se los puede
considerar como Estocásticamente Independientes entre sí. •
Ejemplo 2.19
Un experimento consiste en lanzar de manera independiente, dos veces una moneda legal. Se
define como E | , al evento, "sale cara en el primer lanzamiento"; E2 es "sale cara en el segundo
lanzamiento" y E3 es "el lado que sale en el primer lanzamiento es el mismo que el segundo".
Se desea verificar si estos tres eventos son Estocásticamente Independientes.
Desarrollo.
E n este caso Q = {ss; se; es; ce}, en tanto que E i = {es; c e } ; £ 2 = {ce; s e } ; £ 3 = {ss; ce}
E,nE2={cc};
E,nE3={cc};
E2nE3={cc};
•• • E , n E 2 n E 3 = {ce}
De donde:
. P ( E , n E 2 ) = P ( E , n E 3 ) = P ( E 2 n E 3 ) = 1/4
P ( E , n E 2 n E 3 ) = 1/4.
P ( E , n E 2 n E 3 ) * P ( E , ) P(E2)P(E3) j
los tres eventos no son Estocásticamente Independientes, aunque sí lo son de par en par. •
Ejemplo 2.20
De un mazo de barajas se extraen de manera sucesiva y sin reemplazo cuatro cartas, se pide
calcular la probabilidad que todas las cartas sean "reyes".
Desarrollo.
Se sabe que el mazo tiene cuatro reyes, si Ej representa "sale rey en la i-ésima extracción".
Se nos pide calcular P ( E , n E2 n E3 n E4) que en este caso de acuerdo a la expresión (2.49)
(extendida a n = 4) es igual a
P(EinE2nE3nE4) =P(Ei)-P(E2|E,)-P(E3|E,nE2)-P(EJE,nE2nE3) •
106
CAPÍTULO 2: Métodos de Enumeración, Función de Probabilidades y Eventos
Independencia Estocástica de Eventos
• - / ; _ 4 3 2 1 _ 24 ^ :
52 51 50 49 6497400
Ejemplo 2.21
Se lanzan cuatro dados legales de manera sucesiva, determine la probabilidad que en los
cuatro dados ocurra un número par.
Desarrollo.
Se debe suponer que cada lanzamiento es independiente de los demás por lo que si
denominamos Ej al evento "sale número par en el i-ésimo dado lanzado", tenemos que,
= P(E2nE4) = P(E3nE4)= i x i = l
P ( E , n E , n E3) = P ( E , n E2 n E4) -.
P(E,nE2nE3nE4)= 1 x 1 x 1 x 1 =1 •
2 2 2 2 16
107
Independencia Estocástica de Eventos
Ejemplo 2.22
Se sabe que dos eventos E , y E j de un mismo Espacio Muestral son tales que P(Ei) = 0.35,
P(E2) = 0.45 y P ( E i n E2) = 0.18. ¿Son Independientes este par de eventos?
Desarrollo.
: . , P(E,)P(E2) = P ( E , n E 2 ) , . ,
mas,
Ejemplo 2.23
Desarrollo.
P ( E i l E 2 ) = P ( E , ) = 0.20
P ( E 2 l E , ) = P(E2) = 0.50;y,
P( E , I E2 ) = P ( E | ) = 0.20
y EJ con E j . •
Ejemplo 2.24
108
CAPÍTULO 2: Métodos de Enumeración, Función de Probabilidades y Eventos
Regla de la Probabilidad Total y Teorema de Bayes
de las vías desde ( A ) hasta ( B ) está habilitada. L a probabilidad de que cualquier componente
funcione es 0.95, y lo hacen de manera independiente ¿Cuál es la probabilidad que al
producirse una emergencia, el sistema de alarmas funcione?
Desarrollo.
a) C i , C2 y C3 funcionan;
b) C , y C2 funcionan pero no C3; y,
c) C i y C3 funcionan pero no C2
P ( C i n (C2 u C 3 ) ) = P [ ( C , n C , ) u ( C , n C3)]
= P ( C , n C 2 ) + P ( C i n C3) - P [ ( C , n C 2 ) n ( C , n C3)]
= P(C,nC2)+P(C,nC3)-P[C,nC2nC3] .
= P(Ci)P(C2) + P ( C i ) P ( C 3 ) - P ( C , ) P ( C 2 ) P ( C 3 ) : '
= (0.95)^+(0.95)^-(0.95^
= 0.9025 + 0 . 9 0 2 5 - 0 . 8 5 7 4
= 0.9476
Esquema 3 Esquema 4
• 0 =
B A B
O
y lo evitable sería la configuración del Esquema 4; aunque entre ambos estaría el Esquema 5.
Esquema 5 Esquema 6
• 0 0
C, C4
Piense en el Esquema 6. •
109
Regla de la Probabilidad Total y Teorema de Bayes , i , .Í^ j
: "X^^ ' Particionar significa que los k eventos son Exhaustivos y Mutuamente Excluyentes.
( V é a s e F/gwra 2.9). L a primera condición, exhaustividad, implica que:
(2.50)
i= l
E , n Ej = 0 , para i j (2.51)
A = ( A n E i ) u ( A n E 2 ) u . . . u ( A n E k ) = IJ ( A n E,) (2.52)
P ( A ) = P ( A n E | ) + P ( A n E2) + ... + P ( A n E O
k
= X P ( A n E , ) ; (2.53)
i=i
Además, • -i
• " • P ( A n E i ) = P(AlE¡)P(Ei)
Finalmente tenemos:
k x;.í-
P(A) = XP(A|EÍ)P(EÍ) • (2.54)
i=i
E s t e resultado es conocido como la Regla de Probabilidad Total y es la puerta de
ingreso a la d e m o s t r a c i ó n del reputado Teorema de Bayes que luego de un par de
ilustraciones probaremos.
Figura 2.9
Probabilidad Total
' A= (AnE,)u(AnE2)u... u(AnEk) '' r. " 1
E, n A'
110
CAPITULO 2: Métodos de Enumeración, Función de Probabilidades y Eventos
Regla de la Probabilidad Total y Teorema de Bayes
Ejemplo 2.25
Una granja camaronera adquiere alimento para sus langostinos, de tres proveedores distintos a
los que llamaremos E | , E , y E3; E | provee el 4 5 % del producto consumido; E j provee el 25%;
y, E3 el restante 30%. E s importante para los biólogos de la granja que los proveedores
entreguen el producto con la cantidad requerida de proteínas que la dieta administrada
requiere. Por los registros administrativos de la compañía propietaria de la granja, se sabe que
no siempre los proveedores entregan el alimento con la cantidad de proteínas que se requiere;
E , incurre en esta inconformidad, en el 2 % de sus entregas; E2 el 3 % y E3 el 1.5% de las veces
que entrega. .
Se nos pregunta ¿Cuál es la probabilidad que ocurra una entrega que no cumpla con el
requerimiento proteico establecido?.
Desarrollo.
Sea Ej el evento "el i-ésimo proveedor entrega su pedido", y sea A el evento, "el alimento
entregado no contiene la cantidad requerida de proteínas".
además,
P ( A | E , ) = 0.020; P ( A I E j ) = 0.030 ; y, P Í A l E j ) = 0.015;
P(A) = XP(A|E,)P(E¡) ^
i=l
Hemos encontrado entonces que la probabilidad de que, bajo las condiciones dadas, el evento
A ocurra es 0.021, en otras palabras que de mil entregas, alrededor de veintiuna no reunirán
los requisitos proteicos que exige el comprador en la granja camaronera. •
111
Regla de la Probabilidad Total y Teorema de Bayes i >f_
P(E,|E2) = P ( E , | E ^ ) (2.56)
tenemos:
' P(E,) = P(E,1E2)P(E2) + P ( E , | E 2 ) P ( E ^ )
P(E2) = P ( E 2 l E , ) .
/ T e o r e m a 2.14. Teorema de Bayes. Sea ( Q , if) el Espacio Muestral de un Experimento Estadístico; sean
¿P(A|Ei)P(Ei)
^ , =P(AlE,)P(E,)/P(A)
P(EJA)= ; (2.59)
lP(A|Ei)P(Ei)
i=l
112
CAPÍTULO 2: Métodos de Enumeración, Función de Probabilidades y Eventos
Regla de la Probabilidad Total y Teorema de Bayes
F/emplo 2.26
E n una fábrica ensambladura de vehículos, los ingenieros y tecnólogos que trabajan en los
procesos de ingeniería son entrenados de tres diferentes maneras para cumplir con sus tareas
específicas; la una forma es capacitarlos en una planta que funciona fuera del país; la otra
forma es capacitarlos en la misma fábrica en la que van a trabajar; y, la tercera forma es
capacitarlos en el país pero en una fábrica que no es en la que van a trabajar. E l 10% de los
empleados son capacitados de la primera forma, el 55%) en la segunda forma y el restante 3 5 %
de la tercera. Se sabe por el uso de registros administrativos que el primer tipo de personas
cumplen con sus labores específicas el 98%. de las veces, el segundo tipo el 97% de las veces
y los de tercer tipo solo el 95% de las veces. Se encuentra un día cualquiera que alguien no
cumplió sus tareas específicas, ¿Cuál es la probabilidad de que quien no cumplió fue
entrenado en el exterior?.
Desarrollo.
mientras que,
P ( A l E | ) = 1-0.98 = 0.02;
P ( A l E 2 ) = 1-0.97 = 0.03; y,
P ( A l E 3 ) = 1-0.95 = 0.05
P(A) = XP(A|EÍ)P(EÍ)
i=l •
= 0.036
= 0.002/0.036 = 0.0555 •
113
Apuestas y Probabilidades
Ejemplo 2.27
E n Biomedicina se denota por T al evento, "una prueba (screening) da como resultado que una
persona sale positiva para una enfermedad", mientras que D es el evento, la persona realmente
está afectada por la enfermedad. Nos preguntamos, ¿Cuál es la probabilidad que la persona
realmente esté afectada dado que el "screening" resultó positivo? (recuerde que no hay test
infalible). Buscamos P ( D 1T).
P(DnT) P ( T 1 D)P(D)
P(D|T) =
P(T) P(T 1 D)P(D)+P(T I D'^)P(D'^)
Figura 2.10
Ilustración Ejemplo 2.27
2.8.-APUESTAS Y PROBABILIDADES
Apuestas y No es difícil escuchar que los aficionados a deportes o a ciertas actividades en las que se
Probabilidades efectúan apuestas, hablan de que las "posibilidades" o las "apuestas" de que el caballo X
Decir que X puede ganar gane la p r ó x i m a carrera son tres a uno (3:1) o de que Barcelona pierda son uno a cinco
a Y con una relación a:b,
(1:5). ¿ Q u é es lo que en t é r m i n o s probabilisticos, estas expresiones significan? Decir que
probab i 1 ísticamente
X puede ganar a Y con una relación a:b, probabilísticamente significa:
significa:
a
P(X gane a Y ) = •
P ( X gane a Y ) = ( 2 . 6 0 )
a+b
a+b
enteros), la probabilidad que E ocurra es mientras que la probabilidad que E ' '
a+b
ocurra es
a+b•
114
CAPITULO 2: Métodos de Enumeración, Función de Probabilidades y Eventos
Apuestas y Probabilidades
A l iniciarse el campeonato ecuatoriano de fútbol, las apuestas para que Barcelona gane el
campeonato son de 2:7 mientras que las de Liga de Quito son 3:9. ¿Cuál es la probabilidad
que uno de ellos gane el campeonato?
Desarrollo. . - . .^ : .
2 2
P(EB) 0.222
7 +2 9
3
P(EL) = 0.250
9 +3 12
Por lo que: