AEP19. Presentación 2: Teoría de las Probabilidades

Francisco Sandoval
fasandoval@utpl.edu.ec
https://sites.google.com/view/fasandovaln
2019
Análisis Estadístico y
Probabilístico

Agenda
CAP. 2: TEORÍA DE PROBABILIDADES
• Espacio de Muestras
• Algebra de Eventos
• Medida de Probabilidades
• Sistema de Probabilidad
2

Objetivos
• Introducir un modelo matemático que permita
estudiar de forma abstracta un fenómeno
físico al cual está asociada una incerteza.
– El modelo tiene como base la teoría de la
probabilidad y caracterizará una experiencia
asociada al fenómeno físico en análisis.
– El modelo se compone de tres elementos:
• Espacio de muestras
• Álgebra de eventos
• Medida de Probabilidad
3

ESPACIO DE MUESTRAS
4
T1: P1-P2

Espacio de Muestras
• Los elementos de Ω son denominados puntos de
muestra 𝜔 o resultados y son indescomponibles.
• Ω no es necesariamente único.
• Ω puede ser discreto (finito o infinito contable)
o continuo (infinito no contable)
Definición 1: Espacio de Muestra 𝜴
Es un conjunto que contiene todos los resultados posibles de un
experimento 𝜀.
5

Espacio de Muestras
Fenómeno físico
Experiencia
𝜔
Ω
Experimento
Lanzamiento de un dado
Lanzar dado y observar el
número en la cara visible
(arriba)
6

Ejemplo 1: Espacio de Muestras
• 𝜀1: Giro de una ruleta y
observación del número
obtenido.
Ω1 = 0, 1, 2, … , 36
– 𝐴 = {«obtener número impar»}
A = 1, 3, 5, … , 35
• 𝜀2: Giro de una ruleta y
observación del color.
Ω2 ={«rojo», «negro»}
7

• 𝜀3: Giro hasta obtener 0 y observar el número
de intentos
a • Ω3 = 1, 2, 3 … = ℝ+
b
• Ω3 = 1, 2, 3 … = ℕ+
c
• Ω3 = [0, ∞) = ℝ+
d
• Ω3 = {0,1,2,3, … } = ℕ+
e
• Ω3 = 1,2,3, … , 𝑛 = ℕ+; 𝑛 = «𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑖𝑛𝑡𝑒𝑛𝑡𝑜𝑠»
8

• 𝜀4: Giro y observación del tiempo que tarde
en parar.
a • Ω4 = 1, 2, 3 … = ℝ+
b • Ω4 = 1, 2, 3 … = ℕ+
c • Ω4 = [0, ∞) = ℝ+
d • Ω4 = {0,1,2,3, … } = ℕ+
e • Ω4 = 1,2,3, … , 𝑡 = ℝ+
; 𝑡 = «𝑡𝑖𝑒𝑚𝑝𝑜»
9

CENTRAL A CENTRAL B
200
terminales
telefónicos
𝑛 circuitos
𝑛 = 20
Contar el número 𝑛 𝑝 de llamadas simultáneamente en progreso entre A y B
en un dado instante, definiendo como resultado de la experiencia el propio
valor de 𝑛 𝑝.
Ω = 0, 1, 2, … , 20
10

Si el resultado de la experiencia es la verificación
de la existencia o no de congestionamiento
entre las centrales A y B.
– La condición de congestionamiento corresponde a
observar 𝑛 𝑝 = 20 y puede ser identificado como
el punto de muestra 𝑤1.
– La condición de no-congestionamiento 𝑛 𝑝 < 20
correspondería al punto de muestra 𝑤2.
Ω = 𝑤1, 𝑤2
11

Espacio de Muestras
Lo importante en la definición del resultado de
una experiencia es, a partir de los objetivos del
modelo matemático que está siendo
construido, llegar a un espacio de muestras que
no sea más detallado de lo que es necesario, ni
tan compacto al punto de omitir aspectos
importantes del fenómeno que está siendo
observado.
12

Espacio de Muestras
13

ALGEBRA DE EVENTOS
16
T1: P3-P6

Algebra de Eventos
• Ejemplo 2.1: Saber cuales son las posibilidades de que
el número de llamadas en progreso simultáneo sea
inferior a 10, o sea, cuál es la posibilidad de que el
resultado de la experiencia pertenezca al subconjunto
𝐴 del espacio de muestras definido por:
𝐴 = 0, 1, … , 9
Es común que solamente algunos subconjuntos de Ω sean de
interés y estos son los que se desea asociar a una probabilidad.
Sea 𝐴 esta colección.
17

Eventos - Ejemplo
𝜔
Ω
Punto de Muestra
Espacio de Muestras
Evento
Obtener
número par en
lanzamiento de
dado
Evento
18

Algebra de Eventos
• En el modelo matemático que sirve de base
para la teoría de probabilidad, la manipulación
de conjuntos de puntos de muestras, es de
extrema importancia.
• Las operaciones que envuelven subconjuntos
de Ω obedecen a las reglas y propiedades
usuales de las operaciones de conjuntos.
19

Conjuntos, Reglas y Propiedades
Definición 2: Igualdad
Dos conjuntos 𝐴, 𝐵 son iguales (𝑨 = 𝑩), si todo elemento (punto de muestra)
de 𝐴 es elemento de 𝐵 y todo elemento de 𝐵 es elemento de 𝐴.
Definición 3: Inclusión
Un conjunto 𝐴 está incluido o contenido en un conjunto B (𝑨 ⊂ 𝑩), si todo
elemento de 𝐴 es elemento de 𝐵. Equivalentemente, se dice que 𝐵 contiene a
𝐴 escribiendo (𝐁 ⊂ 𝑨).
A
B
Ω
𝐴 ⊂ 𝐵
20

Definición 4: Unión
El conjunto cuyos elementos son elementos de un conjunto 𝐴, de un conjunto
𝐵 o de ambos es denominado unión de los conjuntos 𝐴 y 𝐵, y se denota:
𝐴 ∪ 𝐵 ≜ 𝜔 ∈ Ω ∶ 𝜔 ∈ 𝐴 o 𝜔 ∈ 𝐵 o ambos
𝐴 ∪ 𝐵
21

Definición 5: Intersección
El conjunto cuyos elementos son simultáneamente elementos de un conjunto
𝐴 y de un conjunto 𝐵 es denominado intersección de los conjuntos 𝐴 y 𝐵, y se
denota:
𝐴 ∩ 𝐵 ≜ 𝜔 ∈ Ω ∶ 𝜔 ∈ 𝐴 y 𝜔 ∈ 𝐵
𝐴 ∩ 𝐵
22

Definición 6: Complemento
El conjunto cuyos elementos son los elementos de Ω que no pertenecen a un
determinado conjunto 𝐴 es llamado complemento de 𝐴, y se representa por
ҧ𝐴, osea:
ҧ𝐴 ≜ 𝜔 ∈ Ω ∶ 𝜔 ∈ 𝐵 𝑦 𝜔 ∉ 𝐴
A
Ω
ҧ𝐴
23

Definición 7: Diferencia
El conjunto cuyos elementos son los elementos de un conjunto 𝐵 que no
pertenecen a otro conjunto 𝐴 es llamado conjunto diferencia entre 𝐵 y 𝐴, y se
denota:
B – A ≜ 𝜔 ∈ Ω ∶ 𝜔 ∉ 𝐴
𝐵 − 𝐴
24

Definición 8: Conjunto vacío
El conjunto que contiene elementos es denominado conjunto vacío, y se
representa por ∅.
Definición 9: Conjuntos Disjuntos
Dos conjuntos 𝐴 y 𝐵 que no tienen elementos en común son llamados
disjuntos.
Definición 10: Clase
Clase es el nombre dado a una colección de conjuntos.
25

Propiedad 1: Asociativa
Las operaciones de unión e intersección, definidas anteriormente, son
asociativas, o sea:
𝐴 ∪ 𝐵 ∪ 𝐶 = (𝐴 ∪ 𝐵) ∪ 𝐶
𝐴 ∩ 𝐵 ∩ 𝐶 = (𝐴 ∩ 𝐵) ∩ 𝐶
Propiedad 2: Distributiva:
La operación de intersección es distributivas en relación a la operación de
unión, o sea:
𝐴 ∩ 𝐵 ∪ 𝐶 = (𝐴 ∩ 𝐵) ∪ (𝐴 ∩ 𝐶)
Más Información: En la Página de la Componente: Teoría de Conjuntos
26

Álgebra
Propiedades:
i. 𝐴 ∈ 𝓐 y 𝐵 ∈ 𝓐 ⇒ (𝐴 ∩ 𝐵) ∈ 𝓐
ii. 𝐴 ∈ 𝓐 y 𝐵 ∈ 𝓐 ⇒ (𝐴 − 𝐵) ∈ 𝓐
iii. ∅ ∈ 𝓐
iv. Ω ∈ 𝓐
v. 𝐴𝑖 ∈ 𝓐; 𝑖 = 1,2, … , 𝑛 ⇒ ‫ڂ‬𝒊=𝟏
𝒏
𝐴𝒊 ∈ 𝓐
Definición 11: Álgebra
Una determinada clase o colección 𝓐 es dicha una álgebra cuando satisface
las siguientes condiciones:
i. 𝐴 ∈ 𝓐 ⇒ ҧ𝐴 ∈ 𝓐
ii. 𝐴 ∈ 𝓐 y 𝐵 ∈ 𝓐 ⇒ (𝐴 ∪ 𝐵) ∈ 𝓐
27

Álgebra
Definición 12: 𝝈-Álgebra
Cuando la propiedad v, continua siendo válida, hasta para un número infinito de
conjuntos, o sea:
𝐴𝑖 ∈ 𝓐; 𝑖 = 1,2, … , 𝑛 ⇒ ራ
𝒊=𝟏
∞
𝐴𝒊 ∈ 𝓐
Definición 13: 𝝈-Álgebra generada por una Clase 𝓒
La menor 𝜎-álgebra que contiene todos los conjuntos de una clase 𝓒 es representada por
𝓐(𝓒) y es denominada 𝜎-álgebra generada por 𝓒.
28

Ejemplo 3: Álgebra
Considere una experiencia que consiste en el
lanzamiento de un dado y cuyo resultado es el valor
de la cara que se observa. Si el punto de muestra
asociado a la observación de la cara 𝑖, (𝑖 =
1,2, … , 6) es representado por 𝑓𝑖, tiene el siguiente
espacio de muestras
Ω = 𝑓1, 𝑓2, 𝑓3, 𝑓4, 𝑓5, 𝑓6
¿Cuál de las siguientes opciones constituye una
álgebra?
29

Ejemplo 3: Álgebra
a
• 𝓒 = ∅, Ω, 𝑓1, 𝑓3, 𝑓5 , 𝑓2, 𝑓4, 𝑓6 , 𝑓1 , 𝑓1, 𝑓2, 𝑓4, 𝑓6 , 𝑓2, 𝑓3, 𝑓4, 𝑓5, 𝑓6 , 𝑓3, 𝑓5
b
• 𝓒 = ∅, Ω, 𝑓1, 𝑓3, 𝑓5 , 𝑓2, 𝑓4, 𝑓6 , 𝑓1 , 𝑓2, 𝑓3, 𝑓4, 𝑓5, 𝑓6
c
• 𝓒 = 𝑓1, 𝑓3, 𝑓5 , 𝑓2, 𝑓4, 𝑓6 , 𝑓1 , 𝑓1, 𝑓2, 𝑓4, 𝑓6 , 𝑓2, 𝑓3, 𝑓4, 𝑓5, 𝑓6 , 𝑓3, 𝑓5
d
• 𝓒 = ∅, Ω, 𝑓1, 𝑓3, 𝑓5 , 𝑓2, 𝑓4, 𝑓6 , 𝑓1
30

Ejemplo 3: Álgebra (Sol.)
• d no constituye una álgebra. Viola la definición. (La Unión)
𝑓1 ‫ڂ‬ 𝑓2, 𝑓4, 𝑓6 = 𝑓1, 𝑓2, 𝑓4, 𝑓6
No es miembro de 𝓒.
• Para que fuera álgebra, este subconjunto debería pertenecer a la
clase.
• De igual forma el complemento de 𝑓1 , 𝑓2, 𝑓3, 𝑓4, 𝑓5, 𝑓6 debería
pertenecer a la clase.
• Incluyendo también el complemento de 𝑓1, 𝑓2, 𝑓4, 𝑓6 , el álgebra
cerrada en relación al complemento y la unión será:
∅, Ω, 𝑓1, 𝑓3, 𝑓5 , 𝑓2, 𝑓4, 𝑓6 , 𝑓1 , 𝑓1, 𝑓2, 𝑓4, 𝑓6 , 𝑓2, 𝑓3, 𝑓4, 𝑓5, 𝑓6 , 𝑓3, 𝑓5
31

Álgebra
Definición 14: Evento
Evento es cualquier subconjunto de Ω que pertenece a 𝜎-álgebra.
Definición 15: Eventos mutuamente exclusivos
Dos eventos son mutuamente exclusivos cuando ellos corresponden a dos
subconjuntos de Ω que son disjuntos.
Ω
A B
32

Ejemplo 4: Álgebra
Una red de comunicaciones contiene 4 terminales
(𝑎, 𝑏, 𝑐, 𝑑), cinco troncales (𝑒1, 𝑒2, 𝑒3, 𝑒4, 𝑒5) y una
llave 𝑆 que puede asumir 3 posiciones (𝐼, 𝐼𝐼, 𝐼𝐼𝐼).
Cada troncal se puede encontrar en estado de
operación o fuera de operación.
Se define una experiencia que
consiste en observar la situación
de la red en un dado instante
verificando la posición de la llave
𝑆 y los estados de los troncos y
cuyo resultado es precisamente
la especificación de esta
situación.
33

Ejemplo 4: Álgebra
a) Encuentre un método simple de representar los
puntos de muestra que constituyen el espacio
de muestra correspondiente a esta experiencia.
Determine el número de puntos de muestra.
b) Determine cuántos puntos de muestra
pertenecen a los siguientes eventos:
𝐴 = 𝜔 ∈ Ω: 𝑎 y 𝑐 pueden comunicarse
𝐵 = 𝜔 ∈ Ω: 𝑏 y 𝑐 pueden comunicarse
𝐶 = 𝜔 ∈ Ω: la llave 𝑆 está en la posición 𝐼
34

Ejemplo 4: Álgebra (Sol)
a) Un punto genérico del espacio de muestras 𝜔𝑖 puede
representarse por:
𝜔𝑖 = 𝐶𝑠, 𝑇1, 𝑇2, 𝑇3, 𝑇4, 𝑇5
donde 𝐶𝑠 ∈ {𝐼, 𝐼𝐼, 𝐼𝐼𝐼} y 𝑇𝑖 ∈ {0,1} para 𝑖 = 1, 5.
El valor de 𝐶𝑠 indicará la posición de la llave y el valor de 𝑇𝑖
indicará la posición de estado del tronco 𝑖. Convencionalmente
𝑇𝑖 = 0 si el estado del tronco 𝑖 está fuera de operación.
Se tiene 𝟑 × 𝟐 𝟓
= 𝟗𝟔 puntos de muestra.
35

Ejemplo 4: Álgebra (Sol.)
b) El evento 𝐴 puede ser expresado por la unión de tres subconjuntos:
𝐴1 = {𝐼, 1,×,×, 1,×}
× indica que el estado del tronco puede ser tanto «0» como «1». De forma no compacta,
𝐴1 = { 𝐼, 1,0,0,1,0 , 𝐼, 1,0,0,1,1 , 𝐼, 1,0,1,1,0 , 𝐼, 1,0,1,1,1 ,
𝐼, 1,1,0,1,1 , 𝐼, 1,1,0,1,1 , 𝐼, 1,1,1,1,0 , (𝐼, 1,1,1,1,1)}
Análogamente
𝐴2 = {𝐼𝐼,×, 1,×,×,×}
y
𝐴3 = {𝐼𝐼𝐼,×,×, 1,×, 1}
Se tiene entonces
𝐴 = 𝐴1 ∪ 𝐴2 ∪ 𝐴3
El número de puntos en estos subconjuntos es respectivamente 8, 16 y 8.
Como estos subconjuntos son disjuntos, el total de puntos en 𝑨 es 32.
Para los otros eventos, de forma similar:
𝐵 = {×,×,×,×, 1,×}}
El número de puntos en 𝐵 será entonces 𝟑 × 𝟏𝟔 = 𝟒𝟖
Para el evento 𝐶,
𝐶 = {𝐼,×,×,×,×,×}
y por tanto el número de puntos en 𝐶 será 𝟐 𝟓
= 𝟑𝟐.
36

MEDIDA DE PROBABILIDADES
39
T1: P7

Medida de Probabilidad
• La motivación para utilizar un modelo
probabilístico fue caracterizar un cierto
«comportamiento medio» asociado al
fenómeno.
• Ω y 𝐴 no hacen mucho en este sentido.
• Para esto se introduce el tercer elemento:
medida de probabilidad 𝑃.
40

41

Definición de Probabilidad
• Escuela clásica
• Escuela frecuencial
• Escuela axiomática
• Escuela subjetiva
42

Escuela Clásica
• Ventaja:
– Definición a priori. No requiere experimentación.
• Inconvenientes:
– Requiere Ω finito.
– Exige sucesos elementales equiprobables, es decir, todos
los resultados son igualmente verosímiles.
• Ejemplo:
– 𝜀1: Lanzamiento de dos dados y observación de la suma.
𝑃 𝐴 = 1/12.
Definición 16: Probabilidad, Escuela Clásica
𝑃 𝐴 =
n° casos favorables a 𝐴
n° casos posibles
=
𝐴
Ω
43

Escuela Frecuencial
• Ventaja:
– Conexión con la Ley de los Grandes Números.
• Inconvenientes:
– Poca utilidad. Requiere un n° elevado de experimentos.
– Dificultades matemáticas para el desarrollo de laTeoría de la Probabilidad.
• Probabilidad:
𝑃 𝐴 = lim
𝑁→∞
𝑛(𝐴)
𝑁
Definición 17: Frecuencia Relativa
Asuma que se ha observado un fenómeno 𝑁 veces, se anota el número de
veces que un dado evento 𝐴 ha ocurrido. Si representamos por 𝑛(𝐴) este
número, la razón:
𝑛(𝐴)
𝑁
Es denominada frecuencia relativa de ocurrencia de 𝐴 para las 𝑁
observaciones efectuadas.
44

Ejemplo 5: Escuela Frecuencial
Lanzamiento de
una moneda
45

Ejemplo 6: Escuela Frecuencial
Aguja de Buffon
Información detallada: http://mathworld.wolfram.com/BuffonsNeedleProblem.html
𝑃(aguja cruce una de las lineas) =
2
𝜋
46

Escuela Frecuencial
Propiedades de la Frecuencia Relativa:
1. 0 ≤
𝑛(𝐴)
𝑁
≤ 1
2. Considere el evento Ω, 𝑛 Ω = 𝑁. (En cualquiera de las 𝑁
repeticiones de la experiencia se observará la ocurrencia del evento 𝛺)
3. Considere dos eventos A y B, mutuamente exclusivos (𝐴⋂𝐵 = ∅),
y se examina el número de veces, 𝑛(𝐴‫,)𝐵ڂ‬ en que 𝐴‫𝐵ڂ‬ ocurre
en 𝑁 observaciones de la experiencia.
𝑛 𝐴‫𝐵ڂ‬ = 𝑛 𝐴 + 𝑛(𝐵)
Por tanto la frecuencia relativa de la unión de dos eventos
mutuamente exclusivos e igual a la suma de las frecuencias relativas
de cada evento.
47

Escuela Axiomática
Axioma 1:
𝑃(𝐴) ≥ 0
Axioma 2:
𝑃 Ω = 1
Axioma 3:
a) Si 𝐴⋂𝐵 = ∅, entonces
𝑃 𝐴‫𝐵ڂ‬ = 𝑃 𝐴 + 𝑃 𝐵
b) Si 𝐴𝑖⋂𝐴𝑗 = ∅, 𝑖, 𝑗 = 1, 2, … 𝑖 ≠ 𝑗 , entonces
𝑃 ራ
𝑖=1
∞
𝐴𝑖 = ෍
𝑖=1
∞
𝑃(𝐴𝑖)
48

ConcepTest: Definición de Probabilidad
Qué es la probabilidad?
Experimento: Lanzamiento de una moneda. Cuál es la
probabilidad de obtener cara o sello?
Suponer que :
- Espacio de muestra: cara o sello. Probabilidad de caer de pie
despreciable
- Moneda honesta
Usando definición clásica de probabilidad: Un caso favorable
y dos casos posibles.
𝑃 = 0.5
49

Si la moneda se encuentra trucada. (La probabilidad de salir cara
es diferente de P=0.5)
Utilizando def. Frecuencialista:
Lanzar la moneda un número grande de veces, y hace el
cociente entre número de casos favorables sobre número de
experimentos ciertos.
En este caso la def. axiomática no sirve mucho.
50

Se lanza la moneda y se tapa el resultado. Cuál es la probabilidad
de obtener cara o sello?
𝑃 = 0.5
Otro experimento: Dos personas, se lanza la moneda uno tiene
acceso a ver como cayo la moneda y la otra persona no. Cuál es la
probabilidad de salir cara?
Para la persona que tiene acceso a la información:
• O es 0 o es 1. O salió cara o no salió.
Para la persona que no tiene acceso a al información:
• 𝑃 = 0.5
51

Experimento, lanzar una moneda. Se pregunta a una persona cuál es la
probabilidad de haber salido cara?
- La persona responde: «Yo creo que la probabilidad de haber salido
cara es de 70%»
- Se espera probabilidad del 50%
- La persona manifiesta que tiene poderes paranormales y que cree
que salió cara, por eso da mayor probabilidad a ese resultado.
Se cree en esa persona?
La persona trae un certificado de una entidad de investigación que
certifica que la persona tiene capacidades especiales, y en el 70% de las
situaciones tiene la razón.
Se cree en esa persona?
52

Conclusión:
Probabilidad es una medida de la
información o creencia sobre la
ocurrencia de un evento.
53

Propiedades:
i. Aditiva
Para una colección de 𝑛 eventos disjuntos 𝐴𝑖, 𝑖 = 1,2, … , 𝑛 , esto es, satisfaciendo
𝐴𝑖⋂𝐴𝑗 = ∅; 𝑖, 𝑗 = 1,2, … , 𝑛 𝑖 ≠ 𝑗
resulta que
𝑃 ‫ڂ‬𝑖=1
𝑛
𝐴𝑖 = σ𝑖=1
𝑛
𝑃(𝐴𝑖)
ii. Propiedad del Complemento
𝑃 ҧ𝐴 = 1 − 𝑃(𝐴)
iii. Propiedad del Evento Vacío
𝑃 ∅ = 0
iv. Limitante Superior para P(A)
𝑃(𝐴) ≤ 1
v. Probabilidad de la Unión
𝑃 𝐴‫𝐵ڂ‬ = 𝑃 𝐴 + 𝑃 𝐵 − 𝑃(𝐴⋂𝐵)
Demostrar
54

Probabilidad condicional
Se lanza un dado. Felipe alcanza a ver que salió un
número par. ¿Cuál es la probabilidad de que sea un 2?
a •1/6
b •1/2
c •1/3
d •1/4
56

Probabilidad condicional
𝐴 = salió un número par
𝐵 = salió el 2
La probabilidad de que salga el número 2,
condicionada a que haya sucedido el evento A, es
decir salió un par, es:
𝑃 𝐵|𝐴 =
1
6
1
2
=
1
3
El concepto y la expresión exacta para la probabilidad
condicional se analiza a continuación.
57

Probabilidad Condicional
Definición 18: Probabilidad Condicional
Dado dos eventos A y B, con 𝑃 𝐴 > 0, se llama probabilidad condicional de B
dado A y se escribe 𝑃(𝐵|𝐴) a la expresión
𝑃 𝐵 𝐴 =
𝑃(𝐴 ∩ 𝐵)
𝑃(𝐴)
Propiedades:
i. Si dos eventos A y B, con 𝑃 𝐴 > 0, son
mutuamente exclusivos, 𝐴 ∩ 𝐵 = ∅ y por
tanto 𝑃 𝐴⋂𝐵 = 0. Resulta
inmediatamente que
𝑃 𝐵 𝐴 = 0
58

Probabilidad Condicional
iii. Si 𝐴 ⊃ 𝐵 se tiene que 𝐴 ∩ 𝐵 = 𝐵, por
tanto, para 𝑃 𝐴 > 0 y es posible
escribir
𝑃 𝐵 𝐴 =
𝑃(𝐵)
𝑃(𝐴)
≥ 𝑃(𝐵)
ii. Si para dos eventos A y B se tiene
𝐴 ⊂ 𝐵 deriva que 𝐴⋂𝐵 = 𝐴,
resultando entonces que
𝑃 𝐵 𝐴 = 1
59

Ejemplo 7: Probabilidad Condicional
En la red de comunicaciones presentada, cualquier
configuración que la red pueda asumir es equiprobable. Esto
es, se adopta una medida de probabilidad que atribuye
probabilidades iguales a todos los puntos de muestra del
espacio de muestras. Calcule las siguientes probabilidades.
𝑃(A), 𝑃(𝐵), 𝑃(𝐴|𝐵), 𝑃(𝐶|𝐷), donde 𝐴, 𝐵, 𝐶 y 𝐷 son eventos
definidos como:
𝐷 = 𝐴 ∩ 𝐵
60

Se tiene 96 puntos de muestras en el espacio de muestras. La probabilidad de un punto
de muestra 𝜔𝑖 es
𝑃 𝜔𝑖 = 𝑝
constante para cualquier 𝑖. Resulta entonces del Axioma 2 y la Probabilidad Aditiva que
𝑃 Ω = ෍
𝑖=1
96
𝑃 𝜔𝑖 = 96 𝑝 = 1
o sea
𝑝 =
1
96
Los eventos 𝐴 y 𝐵 están constituidos por 32 y 48 puntos de muestra,
respectivamente. Por tanto,
𝑃 𝐴 = 32𝑝 =
32
96
=
1
3
𝑃 𝐵 = 48 𝑝 =
48
96
=
1
2
61

Para determinar 𝑃(𝐴|𝐵) es preciso caracterizar inicialmente el evento (𝐴 ∩ 𝐵).
Según la notación introducida,
𝐴 = 𝐴1 ∪ 𝐴2 ∪ 𝐴3
𝐴 = 𝐼, 1,×,×, 1,× ∪ 𝐼𝐼,×, 1,×,×,× ∪ {𝐼𝐼𝐼,×,×, 1,×, 1}
y
𝐵 = {×,×,×,×, 1,×}
Por la propiedad distributiva de la intersección con relación a la unión se tiene
𝐴 ∩ 𝐵 = (𝐴1 ∩ 𝐵) ∪ (𝐴2 ∩ 𝐵) ∪ 𝐴3 ∩ 𝐵
o
𝐴 ∩ 𝐵 = 𝐼, 1,×,×, 1,× ∪ 𝐼𝐼,×, 1,×, 1,× ∪ {𝐼𝐼𝐼,×,×, 1, 1, 1}
Como los eventos en el segundo miembro de esta igualdad son disjuntos y
contienen respectivamente 8, 8 y 4 puntos de muestra, resulta que 𝐴 ∩ 𝐵
contiene 20 puntos. Por tanto
𝑃 𝐴 ∩ 𝐵 = 20𝑝 =
20
96
=
5
24
62

Se tiene entonces
𝑃 𝐴 𝐵 =
𝑃 𝐴 ∩ 𝐵
𝑃 𝐵
=
5
24
1
2
=
5
12
Para obtener 𝑃 𝐶 𝐷 , verifique primero que
𝐶 ∩ 𝐷 = 𝐶 ∩ 𝐴 ∩ 𝐵 = {𝐼, 1,×,×, 1,×}
De esto resulta fácilmente
𝑃 𝐶 𝐷 =
2
5
63

Teorema de probabilidad total
En una bolsa existen papeles de tres colores, con la siguiente probabilidad de ser
elegidos: amarillo (prob. 50%), azul (prob. 30%) y rojo (prob. 20%).
Según el color de papel elegido, podrá participar en diferentes sorteos con la
siguiente probabilidad de ganar: amarillo (prob. de ganar del 40%), azul (prob. de
ganar del 60%), rojo (prob. de ganar del 80%).
¿Qué probabilidad tiene de ganar el sorteo en el que participe?
a • 40%, se considera la menor prob.
b • 45%, realizando operaciones.
c • 54%, realizando operaciones.
d • 80%, se considera la mayor prob.
𝑃 = 0,5 ∗ 0,4 + 0,3 ∗ 0,6 + 0,2 ∗ 0,8 = 0,54
67

Teorema de Probabilidad Total
Definición 19: Participación del Espacio de Muestras
Un conjunto de eventos 𝐵𝑖 , 𝑖 = 1, … , 𝑚 constituye una partición del espacio
de muestras Ω cuando
𝐵𝑖 ∩ 𝐵𝑗 = ∅, ∀ 𝑖, 𝑗 = 1, … , 𝑚 (𝑖 ≠ 𝑗)
ሪ𝑖=1
𝑚
𝐵𝑖 = Ω
Propiedad: Teorema de Probabilidad Total
Considere un evento A y una partición del espacio de muestras
𝐵𝑗 , 𝑗 = 1, … , 𝑚
Para esta partición y este evento, se tiene que
𝑃 𝐴 = ෍
𝑗=1
𝑚
𝑃(𝐴 ∩ 𝐵𝑗)
y aún
𝑃 𝐴 = ෍
𝑗=1
𝑚
𝑃 𝐴 𝐵𝑗 𝑃(𝐵𝑗)
68

Teorema de Probabilidad Total
69
A
𝑃 𝐴 = ෍
𝑗=1
𝑚
𝑃(𝐴 ∩ 𝐵𝑗)
𝐵𝑗 , 𝑗 = 1, … , 𝑚
. . .

Ejemplo 8: Teorema de Probabilidad Total
Considere cuatro cajas que contienen elementos electrónicos.
Las cajas contienen 2000, 500, 1000 y 1000 componentes. Se
sabe que, respectivamente el 5%, 40%, 10% y 10% de los
componentes de cada caja son defectuosos. Se escoge una de las
cajas al azar y se retira de ella un componente. Determine la
probabilidad de que el componente sea defectuoso.
1
1
2 3 4
= 2000 = 500 = 1000 = 1000
71

Se admite que los componentes están numerados de 1 a 4500. Se define
entonces como resultado de la experiencia el orden del componente
retirado. El espacio de muestras asociado a la experiencia contiene por
tanto 4500 puntos de muestra.
Caja Componentes buenos Componentes defectuosos
1 1900 100
2 300 200
3 900 100
4 900 100
Se define ahora 5 eventos
𝐵𝑖 = 𝜔: 𝜔 componente perteneciente a la caja 𝑖 (𝑖 = 1,2,3,4)
y
𝐷 = {𝜔: 𝜔 es componente defectuoso}
72

Se desea encontrar 𝑃(𝐷). Además,
𝑃 𝐵𝑖 =
1
4
(𝑖 = 1,2,3,4)
Una vez escogida una caja, la probabilidad de ser retirado un elemento particular es igual para
todos los elementos. Por esta razón la probabilidad del evento 𝐷 condicionada a cada uno de los
𝐵𝑖 (𝑖 = 1,2,3,4) es igual al producto del número de elementos defectuosos en la caja por la
probabilidad de cada uno de estos elementos sean retirados, o sea
𝑃 𝐷 𝐵1 = 100
1
2000
= 0,05
𝑃 𝐷 𝐵2 = 200
1
500
= 0,4
𝑃 𝐷 𝐵3 = 𝑃(𝐷|𝐵4) = 100
1
1000
= 0,1
Por el teorema de probabilidad total,
𝑃 𝐷
= 𝑃 𝐷 𝐵1 𝑃 𝐵1 + 𝑃 𝐷 𝐵2 𝑃 𝐵2 + 𝑃 𝐷 𝐵3 𝑃 𝐵3 + 𝑃 𝐷 𝐵4 𝑃(𝐵4)
Por tanto,
𝑃 𝐷 =
1
4
0,05 + 0,4 + 0,1 + 0,1 = 0,1625
73

Ejemplo 9: Regla de Bayes
Asuma que en el ejemplo anterior, el componente
retirado de una de las cajas ha sido examinado, y
fue constatado que era defectuoso. Determine
entonces, la probabilidad de haya sido retirado de
la caja número 2.
2
74

Ejemplo 9: Regla de Bayes (Sol.)
Se desea calcular la probabilidad 𝑃(𝐵2|𝐷) de el elemento haber sido retirado de la caja
2 dado que era defectuoso. Se tiene
𝑃 𝐷 = 0,1625
𝑃 𝐷 𝐵2 = 0,4
𝑃 𝐵2 = 0,25
𝑃 𝐵2 𝐷 =
𝑃 𝐷 𝐵2 𝑃 𝐵2
𝑃 𝐷
= 0,615
75

Ejemplo 10: T. de Probabilidad Total y T. de Bayes
0,9
0,8
0,2
0,1
𝑥 = 0
𝑥 = 1
𝑦 = 0
𝑦 = 1
Sistema de Comunicaciones Binario
𝑃 𝑦 = 0 𝑥 = 0 = 0,9
𝑃 𝑦 = 0 𝑥 = 1 = 0,2
𝑃 𝑦 = 1 𝑥 = 0 = 0,1
𝑃 𝑦 = 1 𝑥 = 1 = 0,8
• Probabilidades a priori: 𝑃 𝑥 = 0 = 𝑃 𝑥 = 1 = 0,5
• Ω = 𝑥 = 0, 𝑦 = 0 , 0,1 , 1, 0 , 1,1 .
• 𝑥 = 0 = 0, 0 , 0, 1 ; { 𝑥 = 0 , {𝑥 = 1}} es partición.
• Probabilidad Total:
𝑃 𝑦 = 0 = 𝑃 𝑦 = 0 𝑥 = 0 𝑃 𝑥 = 0 + 𝑃 𝑦 = 0 𝑥 = 1 𝑃 𝑥 = 1 = 0,55
𝑃 𝑦 = 1 = … = 1 − 𝑃 𝑦 = 0 = 0,45
76

Ejemplo 10: T. de Probabilidad Total y T. de Bayes
0,9
0,8
0,2
0,1
𝑥 = 0
𝑥 = 1
𝑦 = 0
𝑦 = 1
Sistema de Comunicaciones Binario
𝑃 𝑦 = 0 𝑥 = 0 = 0,9
𝑃 𝑦 = 0 𝑥 = 1 = 0,2
𝑃 𝑦 = 1 𝑥 = 0 = 0,1
𝑃 𝑦 = 1 𝑥 = 1 = 0,8
• Bayes (vemos 𝑦 y queremos conocer 𝑥):
𝑃 𝑥 = 0 𝑦 = 0 =
𝑃 𝑦 = 0 𝑥 = 0 𝑃 𝑥 = 0
𝑃 𝑦 = 0
= 𝟎, 𝟖𝟐
𝑃 𝑥 = 1 𝑦 = 1 =
𝑃 𝑦 = 1 𝑥 = 1 𝑃 𝑥 = 1
𝑃 𝑦 = 1
= 𝟎, 𝟖𝟗
𝑃 error = 𝑃 𝑥 = 0 ∩ 𝑦 = 1 ∪ {𝑥 = 1 ∩ 𝑦 = 0})
= 𝑃 𝑥 = 0 ∩ 𝑦 = 1 + {𝑥 = 1 ∩ 𝑦 = 0}) … … … … … … … … …
= 𝑃 𝑦 = 1|𝑥 = 0 𝑃 𝑥 = 0 + 𝑃 𝑦 = 0 𝑥 = 1 𝑃 𝑥 = 1 = 𝟎, 𝟏𝟓
77

Ejemplo 11: Teorema de Bayes
Preguntas:
1. Cuál es la probabilidad de la CPU procesar un programa
grande?
2. Si se sabe que el programa procesado por la CPU es
grande, cuál es la probabilidad de que el haya venido de la
fila 2?
• programas: grandes y pequeños.
• 50%, 30% y 20% de los
programas de las filas 1, 2 y 3
son grandes.
• El Scheduler selecciona
aleatoriamente programas de las
filas 1, 2 y 3.
78

Ejemplo 11: Teorema de Bayes
A = el programa procesado por la CPU es grande.
𝐵𝑛 = el programa proviene de la fila 𝑛 𝑛 = 1,2,3
Se sabe:
a) 𝑃 𝐵1 = 𝑃 𝐵2 = 𝑃 𝐵3 = 1/3
b) 𝑃 𝐴 𝐵1 = 1/2 (50%)
c) 𝑃 𝐴 𝐵2 = 3/10 (30%)
d) 𝑃 𝐴 𝐵3 = 1/5 (20%)
Pregunta 1: 𝑃 𝐴
Pregunta 2: 𝑃(𝐵2|𝐴)
79

Ejemplo 11: Teorema de Bayes (Sol.)
𝑃 𝐴 =
1
3
∙
5
10
+
1
3
∙
3
10
+
1
3
∙
2
10
=
1
3
𝑃 𝐵2 𝐴 =
𝑃(𝐴 ∩ 𝐵2)
𝑃(𝐴)
=
𝑃(𝐵2) ∙ 𝑃(𝐴|𝐵2)
𝑃(𝐴)
𝑃 𝐵2 𝐴 =
1
3
∙
3
10
1
3
=
3
10
80

Independencia Estadística entre Eventos
• Cuando 𝑃 𝐴 > 0 y 𝑃 𝐵 > 0, entonces de la definición de
probabilidad condicional resulta que:
𝑃 𝐵 𝐴 = 𝑃 𝐵
𝑃 𝐴 𝐵 = 𝑃(𝐴)
• Si 𝑃(𝐴) y 𝑃(𝐵) son estrictamente positivos e 𝐴 y 𝐵 son
mutuamente exclusivos, entonces los eventos 𝐴 y 𝐵 no son
estadísticamente independientes. Siendo 𝐴 ∩ 𝐵 = ∅ se
tiene que 𝑃 𝐴 ∩ 𝐵 = 0 y por tanto
𝑃 𝐵 𝐴 = 0 ≠ 𝑃(𝐵)
Definición 20: Independencia Estadística entre dos eventos
Dos eventos A y B son estadísticamente independientes cuando
𝑃 𝐴 ∩ 𝐵 = 𝑃 𝐴 𝑃(𝐵)
81

• Si los eventos 𝐴 y 𝐵 son independientes y
mutuamente exclusivos, entonces por lo menos
uno de los eventos tienen probabilidad nula.
Ejemplo:
Considere el lanzamiento de un dado y el espacio de muestras asociado Ω =
1, 2, 3, 4, 5, 6 ; sean los eventos 𝐴 = 1, 2 y 𝐵 = 2, 4, 6 . Asumiendo que las 6
caras del dado son equiprobables, se tiene:
𝑃 𝐴 𝐵 =
𝑃(𝐴 ∩ 𝐵)
𝑃(𝐵)
=
1/6
1/2
=
1
3
𝑃 𝐴 =
1
3
Resultando que 𝐴 y 𝐵 son estadísticamente independientes. Entretanto , ya que 𝐴 ∩
𝐵 = 2 , 𝐴 y 𝐵 no son eventos disjuntos.
82

Definición 21: Independencia Estadística entre Eventos
Los eventos 𝐴 𝑘 , 𝑘 = 1, … , 𝑛 son estadísticamente independientes cuando
para cualquier conjunto de índices distintos
𝑘𝑖 , 𝑖 = 1, … , 𝑗
con
𝑘𝑖 ∈ 1, … , 𝑛 , 𝑖 = 1, … , 𝑗
y
∀𝑗 ∈ 2 … , 𝑛
se tiene
𝑃 ሩ
𝑖=1
𝑗
𝐴 𝑘 𝑖
= ෑ
𝑖=1
𝑗
𝑃 𝐴 𝑘 𝑖
83

• En particular para tres eventos 𝐴1, 𝐴2, 𝐴3 esta condición se
desdoblaría en
𝑃 𝐴1 ∩ 𝐴2 = 𝑃 𝐴1 𝑃 𝐴2
𝑃 𝐴1 ∩ 𝐴3 = 𝑃 𝐴1 𝑃 𝐴3
𝑃 𝐴2 ∩ 𝐴3 = 𝑃 𝐴2 𝑃 𝐴3
𝑃 𝐴1 ∩ 𝐴2 ∩ 𝐴3 = 𝑃 𝐴1 𝑃 𝐴2 𝑃 𝐴3
De acuerdo con la Definición 17 𝑛 eventos son
estadísticamente independientes cuando la probabilidad de
intersección de 𝑘, (2 ≤ 𝑘 ≤ 𝑛), de estos eventos es igual al
producto de las probabilidades de los 𝑘 eventos.
84

ConcepTest
• Sean tres eventos 𝐴, 𝐵 y 𝐶 que satisfacen
𝑃 𝐴 ∩ 𝐵 ∩ 𝐶 = 𝑃 𝐴 𝑃 𝐵 𝑃(𝐶)
𝑃 𝐴 =
1
3
𝑃 𝐵 =
1
3
𝑃 𝐶 =
1
3
𝑃 𝐴 ∩ 𝐵 ∩ 𝐶 =
1
27
85

¿Cuál de las siguientes afirmaciones es correcta?
a
• Los eventos son estadísticamente independientes dos a dos.
b
• El evento 𝐴 no es estadísticamente independiente del evento 𝐵, pero si e.i. del
evento 𝐶
c
• El evento 𝐴 es estadísticamente independiente del evento 𝐵
d
• El evento 𝐴 no es estadísticamente independiente del evento 𝐵
e
• Los eventos A, B, C son e.i.
86

ConcepTest - Respuesta
• Aunque se satisface una de las condiciones
[𝑃 𝐴 ∩ 𝐵 ∩ 𝐶 ], dos eventos cualquier no son
independientes. Así por ejemplo para los eventos
𝐴 y 𝐵 se tiene
𝑃 𝐴 𝑃 𝐵 =
1
9
𝑃 𝐴⋂𝐵 =
1
27
Lo que muestra que 𝐴 y 𝐵 no son estadísticamente
independientes.
87

Sistema de Probabilidad
Espacio de
Muestras
𝜎-álgebra
sobre Ω
medida de
probabilidad 𝐴.
𝒮 = Ω, 𝒜, 𝑃
Definición 22: Independencia entre dos sistemas de probabilidad
Dos sistemas de probabilidad 𝒮1 = Ω1, 𝒜1, 𝑃1 y 𝒮2 = Ω2, 𝒜2, 𝑃2 son
estadísticamente independientes cuando para todo 𝐴1 ∈ 𝒜1 y todo 𝐴2 ∈ 𝒜2
se tiene
𝑃 𝐴1 × 𝐴2 = 𝑃1 𝐴1 𝑃2 𝐴2
donde P es la medida de probabilidad de la experiencia combinada.
89

Ejemplo 12: Sistema de Probabilidad
Considere la experiencia correspondiente al
lanzamiento de un dado y de una moneda, cuyo
resultado es la especificación del valor del dado y
del resultado de la moneda.
Se desea calcular la probabilidad asociada al
evento «valor 1 y cara».
90

Ejemplo 12: Sistema de Probabilidad (Sol)
Se considera una única experiencia con espacio de muestras constituido por 12 puntos
de muestra de forma:
𝜔 = 𝑓𝑖, 𝑘𝑗 , 𝑖 = 1, … , 6 ; 𝑗 = 1, 2
donde 𝑓𝑖 y 𝑘𝑗 representan las caras del dado y de la moneda, respectivamente. Además,
que 𝑘1 corresponde a cara. Considere ahora los eventos
𝐴𝑖 = 𝑓𝑖, 𝑘1 , 𝑓𝑖, 𝑘2 ; 𝑖 = 1, … , 6
y
𝐵𝑗 = 𝑓1, 𝑘𝑗 , 𝑓2, 𝑘𝑗 , 𝑓3, 𝑘𝑗 , 𝑓4, 𝑘𝑗 , 𝑓5, 𝑘𝑗 , 𝑓6, 𝑘𝑗 ; 𝑗 = 1,2.
Se tiene entonces
𝜔: 1 es cara = 𝐴1 ∩ 𝐵1 = {(𝑓1, 𝑘1)}.
Se admite una distribución de probabilidad tal que
𝑃 𝐴𝑖 =
1
6
; 𝑖 = 1, … , 6
y 𝑃 𝐵𝑗 = 𝑞 𝑗 ; 𝑗 = 1,2
y considerando también que cada 𝐴𝑖 es independiente de cada 𝐵𝑗 se tiene
en particular
𝑃 𝐴1 ∩ 𝐵1 = 𝑃 𝐴1 𝑃 𝐵1 =
1
6
𝑞1.
91

Ejemplo 12: Sistema de Probabilidad (Sol.)
Considere ahora que la experiencia examinada es una combinación de dos experiencias
elementales: «lanzamiento del dado teniendo como resultado la especificación de la
cara del dado» y «lanzamiento de la moneda teniendo como resultado la especificación
de la cara de la moneda». A la primera experiencia está asociado el sistema de
probabilidad con espacios de muestra,
Ω1 = 𝑓1, 𝑓2, 𝑓3, 𝑓4, 𝑓5, 𝑓6
y con medida de probabilidad que puede ser definida por
𝑃1 𝑓𝑖 =
1
6
; 𝑖 = 1, … , 6.
De la misma manera para la segunda experiencia se tiene,
Ω2 = 𝑘1, 𝑘2
y
𝑃2 𝑘𝑗 = 𝑞 𝑗 ; 𝑗 = 1,2.
Al admitir que las dos experiencias están asociadas como sistemas de
probabilidad independientes se tiene inmediatamente la Definición 22,
𝑃 𝑓1, 𝑘1 =
1
6
𝑞1
92

Una caja contiene 10 bolas blancas y 5 rojas.
Una segunda caja contiene 20 bolas blancas y 20
rojas. Se retira una bola de cada caja.
Determine las probabilidades asociadas a los
siguientes eventos:
a) retirar una bola blanca de la primera caja y
una bola roja de la segunda caja.
b) retirar una bola blanca y una bola roja.
93

Considere la experiencia combinada, constituida de dos experiencias independientes.
La primera está asociada a un espacio de muestras Ω1 constituido de 15 puntos de
muestra. En conexión con esta experiencia se define los eventos,
𝐵1 = {𝜔1 ∈ Ω1: la bola retirada es blanca}
y 𝑉1 = 𝜔1 ∈ Ω1: la bola retirada es roja
por tanto,
𝑃1 𝐵1 = 10
1
15
=
2
3
𝑃1 𝑉1 = 5
1
15
=
1
3
Análogamente el espacio de muestras Ω2 asociado a la segunda experiencia
contiene 40 puntos de muestra y
𝑃2 𝑉2 = 20
1
40
=
1
2
𝑃2 𝐵2 = 20
1
40
=
1
2
94

donde
𝑉2 = {𝜔2 ∈ Ω2 ∶ la bola retirada es roja}
y
𝐵2 = {𝜔2 ∈ Ω2 ∶ la bola retirada es blanca}
Las probabilidades procuradas son
𝑃 𝐵1 × 𝑉2 = 𝑃1 𝐵1 𝑃2 𝑉2 =
1
3
y
𝑃 𝐵1 × 𝑉2 ∪ 𝑉1 × 𝐵2 = 𝑃 𝐵1 × 𝑉2 + 𝑃 𝑉1 × 𝐵2
= 𝑃1 𝐵1 ∙ 𝑃2 𝑉2 + 𝑃1 𝑉1 ∙ 𝑃2 𝐵2
=
1
3
+
1
6
=
1
2
95

Sistema de Probabilidad
Definición 23: Sistemas de Probabilidad Independientes
Considere 𝑛 sistemas de probabilidades 𝒮 𝑘 = Ω 𝑘, 𝒜 𝑘, 𝑃𝑘 ; 𝑘 = 1, … , 𝑛
asociados a 𝑛 experiencias. Considere aún una colección de 𝑛 eventos, tal que
𝐴𝑖 𝑘
∈ 𝒜 𝑘 , 𝑘 = 1, … , 𝑛
Los sistemas de probabilidades 𝒮 𝑘(𝑘 = 1, … , 𝑛) son independientes cuando la
medida de probabilidad P asociada a la experiencia combinada es tal que
𝑃 𝐴𝑖1
× 𝐴𝑖2
× ⋯ × 𝐴𝑖 𝑛
= 𝑃1 𝐴𝑖1
𝑃2 𝐴𝑖2
… 𝑃𝑛(𝐴𝑖 𝑛
)
para toda colección 𝐴𝑖 𝑘
96

En la red de comunicaciones presentada, las tres posiciones
de la llave son equiprobables y la probabilidad de un ramal
cualquier se encuentra fuera de operación es 𝑝. Considere
aún que la posición de la llave y la situación de los troncos son
independientes. Como anteriormente, calcule las
probabilidades 𝑃 𝐴 , 𝑃 𝐵 , 𝑃 𝐴 𝐵 y 𝑃(𝐶|𝐷) siendo
𝐴, 𝐵, 𝐶, 𝐷 los eventos definidos:
𝐷 = 𝐴 ∩ 𝐵
97

• El espacio de muestras correspondiente a la posición de la llave es
Ω 𝑐 = (𝐼, 𝐼𝐼, 𝐼𝐼𝐼)
• Y el espacio de muestras correspondiente al tronco 𝑖 (𝑖 =
1, 2, 3, 4, 5) es
Ω𝑖 = (0, 1)
• El evento 𝐴 puede ser expresado como la unión de 3 eventos
distintos 𝐴1, 𝐴2, 𝐴3.
– Cada uno de estos eventos es el producto cartesiano de 6 eventos, así:
𝐴1 = 𝐼 × 1 × Ω2 × Ω3 × 1 × Ω5
𝐴2 = 𝐼𝐼 × Ω1 × {1} × Ω3 × Ω4 × Ω5
𝐴3 = 𝐼𝐼𝐼 × Ω1 × Ω2 × 1 × Ω4 × {1}
El problema se resuelve considerando la posición de la llave y la situación de cada uno
de los cinco troncos como seis experiencias independientes las cuales están asociadas a
sistemas de probabilidad independientes.
98

Como, por hipótesis, los sistemas de probabilidad son independientes,
𝑃 𝐴1 = 𝑃𝑐 𝐼 𝑃1 1 𝑃2 Ω2 𝑃3 Ω3 𝑃4 1 𝑃5 Ω5
o sea
𝑃 𝐴1 =
1
3
1 − 𝑝 1 1 1 − 𝑝 1 =
1 − 𝑝 2
3
.
Resulta análogamente
𝑃 𝐴2 =
1 − 𝑝
3
y
𝑃 𝐴3 =
1 − 𝑝 2
3
así,
𝑃 𝐴 = 𝑃 𝐴1 + 𝑃 𝐴2 + 𝑃 𝐴3 =
1 − 𝑝 3 − 2𝑝
3
99

finalizar en casa…
100

Referencias
• ALBUQUERQUE, J. P.A.; FORTES, J. M.; FINAMORE,W.A.
(1993) Modelos Probabilísticos em Engenharia Elétrica;
Rio de Janeiro: Publicação CETUC.
• Marco Grivet, Procesos Estocásticos I, Centro de Estudios
em Telecomunicaciones – CETUC, 2006. [Slide]
• Universidad de Cantabria, Teoría de la Probabilidad,Teoría
de la Comunicación, Curso 2007-2008. [Slide]
106

Esta obra esta bajo licencia Creative Commons
de Reconocimiento, No Comercial y Sin Obras
Derivadas, Ecuador 3.0
www.creativecommons.org
107

AEP19. Presentación 2: Teoría de las Probabilidades

Recomendados

Recomendados

Más contenido relacionado

La actualidad más candente

La actualidad más candente (20)

Similar a AEP19. Presentación 2: Teoría de las Probabilidades

Similar a AEP19. Presentación 2: Teoría de las Probabilidades (20)

Más de Francisco Sandoval

Más de Francisco Sandoval (20)

Último

Último (20)

AEP19. Presentación 2: Teoría de las Probabilidades