ESCUELA POLITECNICA NACIONAL ESTADISTICA Y PROBABILIDADES PROFESOR: MAT.

FERNANDO CARRASCO

Teora de probabilidades
1.1 Introduccin.
La teora de probabilidades viene a ser el instrumento bsico y necesario para abordar y tratar diferentes problemas de la vida real, ya sea en situaciones de prediccin, modelos, prueba de hiptesis, control de calidad, entre otras. Cotidianamente y sobre todo por intuicin, todas las personas manejamos de alguna manera las probabilidades o posibilidad de ocurrencia de los eventos. Alguna vez le pregunt a un nio pequeito de alrededor de 7 aos, si lanzo una moneda, cul es el chance o la posibilidad de que salga sello?. Y fue grande la sorpresa por la respuesta (casi inmediata), ya que dijo la mitad. Es decir, el ser humano intuitivamente, maneja la nocin de probabilidad, aunque no sepa como definirla y calcularla. La probabilidad puede ser vista desde varios enfoques, siendo el ms intuitivo, como se mencion en la primera sesin, el de la frecuencia relativa, es decir, desde el punto de vista de la repeticin de un experimento. As, por ejemplo, si lanzamos una moneda y registramos el nmero de veces (frecuencia absoluta), que sale cada uno de los posibles resultados (cara y sello) en 100 lanzamientos, la frecuencia relativa de cada resultado, viene a ser la mejor aproximacin de la probabilidad de ocurrencia de stos. Sin embargo, esta frecuencia relativa, puede cambiar algo o mucho inclusive si volvemos a repetir la prueba (lanzar y registrar los resultados por cien ocasiones), ante lo cual, la probabilidad se la puede definir de forma terica (que se cumple siempre en la vida real al repetir el experimento una gran cantidad de veces), con base en el nmero de los posibles resultados del experimento que se est llevando a cabo. Previo a abordar la probabilidad, es importante definir algunos conceptos bsicos del lenguaje estadstico como es el espacio muestral y los eventos o sucesos, ya que estos nos dan el marco de trabajo sobre el cual definimos la probabilidad. Definicin 1.- Al conjunto de los posibles resultados que pueden darse como consecuencia de un experimento, se lo denomina espacio muestral1 del experimento. Al espacio muestral lo designaremos con la letra griega .

Este espacio muestral, en lenguaje de conjuntos, viene a ser equivalente al conjunto universo.

Definicin 2.- A los subconjuntos de un espacio muestral se los denomina eventos o sucesos del experimento. A los eventos es comn designarlos con las letras maysculas de nuestro alfabeto, es decir, A, B, C, etc. Por ejemplo, se realiza el experimento de lanzar un dado. En tal caso, teniendo dado normal (no de truco), sabemos que los posibles resultados son los puntos de las seis caras marcadas en el dado. As, el espacio muestral est dado por ={1,2,3,4,5,6}, Mientras que eventos o sucesos pueden ser: A={1,2} B={ } C={4} D={2,4,6} E={1,2,3,4,5,6} Luego, los eventos (subconjuntos), pueden no contener elemento alguno (vaco), o ser igual al mismo espacio muestral.

1.2 Definicin y propiedades

Sea un espacio muestral de un experimento, y A un evento de este. Definicin 3.- Se define la probabilidad2 del evento A como:

P( A)

# de resultados que cumplen la condicin del evento A # de posibles resultados del exp erimento

Es importante resaltar que la probabilidad se calcula siempre sobre los eventos, pudiendo apreciar adems, de acuerdo a la definicin, que el numerador es parte del denominador, razn por la cual, la probabilidad es un nmero real que toma valores entre cero y uno.

Es importante resaltar que esta definicin es equivalente a la frecuencia relativa de un evento.

As, retomando el ejemplo anterior del lanzamiento del dado, tenemos que existen seis posibles resultados, que es el valor que va en el denominador de la definicin, mientras que en el numerador va el nmero de resultados que cumplen la condicin dada por el evento en cuestin, y que son siempre una parte del denominador. Por ejemplo, queremos calcular la probabilidad de que al lanzar un dado, salga un nmero par. En este caso, tenemos el evento D={2,4,6}, el cual tiene tres elementos. Luego, tenemos: Probabilidad (salga un nmero par) = P(D) = 3/6 = 0,5. Veamos los dos casos extremos de este experimento. Primero, calcular la probabilidad de que al lanzar el dado, salga un nmero mayor que seis (digamos evento M). Para esto, nos referimos al espacio muestral ={1,2,3,4,5,6}, sobre el cual contabilizamos y construimos el evento M (nmero de resultados que cumplen la condicin planteada), teniendo en este caso que: M={ } Luego, P(M) = 0/6 = 0. Segundo, calcular la probabilidad de que al lanzar el dado, salga un nmero menor o igual que seis (digamos evento N). Nuevamente (siempre) nos referimos al espacio muestral ={1,2,3,4,5,6}, sobre el cual contabilizamos y construimos el evento N (nmero de resultados que cumplen la condicin planteada), teniendo en este caso que: N={1,2,3,4,5,6} As, P(N) = 6/6 = 1. En el primer caso, hay cero elementos que cumplen la condicin planteada, mientras que en el segundo caso, todos los elementos del espacio muestral cumplen la condicin dada. Es claro tambin que no pueden haber, en este caso, mas de seis resultados (esto es imposible), ya que los eventos se construyen a partir del espacio muestral del experimento, y por lo tanto no podemos tener probabilidades mayores que uno, ni tampoco probabilidades de ocurrencia negativas.

Por otro lado, para abordar las diferentes propiedades y consecuencias de la definicin de probabilidad, se tiene que la teora de conjuntos es bsica para una mejor comprensin de la teora de probabilidades, que nos permite abordar de una forma mas clara y sencilla los diferentes modelos estadsticos que han sido desarrollados. Pero afortunadamente, los conjuntos se los maneja desde la escuela primaria, y como esta es una charla de estadstica, lo nico que en realidad hacemos es rebautizar a los conjuntos para manejar parte del lenguaje especializado. As tenemos las siguientes equivalencias:

TEORIA DE CONJUNTOS Conjunto universo (U) Subconjunto o conjunto (A, B,etc) Conjunto vaco () Conjunto complemento (Ac)

TEORIA DE PROBABILIDADES Espacio muestral () Evento o suceso (A, B,etc) Evento falso (F) Evento contrario ()

Y similarmente, a como se hacen operaciones entre conjuntos, como son uniones e intersecciones, con los eventos tambin se lo hace, obteniendo o caracterizando a los eventos en ciertos tipos o clase que juegan un rol fundamental en el anlisis estadstico. As, surgen definiciones de eventos independientes, dependientes, eventos disjuntos o mutuamente excluyentes, eventos seguros, eventos imposibles, o situaciones de lenguaje (que muchas veces no se comprende) como al menos uno ocurra, a lo ms cumplan dos o todos a la vez. A continuacin veamos las propiedades de la probabilidad: Sean A y B dos eventos, el evento contrario de A, y el espacio muestral. 1.- P(A) 0 2.- P() = 1 3.- P(A U B) = P(A) + P(B), siendo A y B eventos disjuntos o mutuamente excluyentes3.

Estas tres primeras propiedades son consideradas como axiomas de la probabilidades, es decir, afirmaciones que se aceptan como verdades sin necesidad de ninguna demostracin.

Implica que la interseccin de estos eventos es vaca, es decir, A B = . En el siguiente prrafo se amplia las consecuencias de esta definicin.
3

Las dos primeras propiedades se comprobaron con el ejemplo expuesto anteriormente, acerca de que la probabilidad no puede ser negativa ni tampoco mayor que uno. As, tenemos que la suma de todas las probabilidades de los posibles resultados de un experimento siempre ser igual a 1, por ejemplo, es fcil poder ver que la probabilidad de que salga cara al lanzar una moneda es , y de que salga sello, tambin es , teniendo que la suma de estas probabilidades de todos los posibles resultados del experimento de lanzar una moneda es igual a 1. Por otro lado, eventos mutuamente excluyentes o disjuntos, significa que puede ocurrir el un evento, o el otro evento, pero nunca los dos a la vez. Desde el punto de vista de los conjuntos, excluyentes o disjuntos, significa que la interseccin de los eventos, da el conjunto vaco (evento falso desde el lenguaje estadstico), es decir, A B = (A B = F). A partir de estos axiomas, las propiedades restantes de la probabilidad son susceptibles de demostracin:

4.- P(F) = 0 5.- P(A) + P( ) = 1 6.- 0 P(A) 1 7.- Si A es subconjunto de B, es decir A C B, entonces, P(A) P(B). (estadsticamente suele decirse, si A implica B) 8.- Si A y B son dos eventos cualquiera P(AUB)=P(A) + P(B) - P(AB).

Vamos a demostrar la quinta propiedad. Por la teora de conjuntos, sabemos que si unimos el conjunto A y su complemento, obtenemos el conjunto universo Grficamente podemos apreciarlo en el siguiente esquema: Conjunto A complemento de A

De donde tenemos que: 5

AU = Aplicamos la probabilidad P(A U ) = P() Pero como los eventos A y son mutuamente excluyentes, y utilizando los axiomas 2 y 3, se tiene que P(A) + P( ) = 1

Veamos la octava propiedad, P(AUB)=P(A) + P(B) - P(AB), pero desde el punto de vista grfico (no analtico): La probabilidad siguiente:

P(AUB),

es equivalente a la regin sombreada en amarillo

La probabilidad P(A), es equivalente a la regin sombreada siguiente:

La probabilidad P(B), es equivalente a la regin sombreada siguiente:

Puede apreciarse que al sumar P(A) + P(B), el rea comn (la interseccin se repite dos veces, razn por la cual, debe restarse una vez la probabilidad P(AB), comprobando as la propiedad P(AUB)=P(A) + P(B) - P(AB). Respecto de la tercera propiedad, igualmente es vlida cuando tenemos ms de dos eventos disjuntos o mutuamente excluyentes. Supongamos que los eventos A, B y C son disjuntos, luego P(A U B U C) = P(A) + P(B) + P(C). Adicionalmente, se puede ver que la propiedad ocho, es ms general que la propiedad tres. Veamos, si aplicamos la octava propiedad a dos eventos disjuntos, tenemos lo siguiente: P(AUB)=P(A) + P(B) - P(AB) P(AUB)=P(A) + P(B) - P(F), por ser disjuntos P(AUB)=P(A) + P(B) 0, por la propiedad cuatro Obteniendo P(AUB)=P(A) + P(B), que es la propiedad tres para eventos disjuntos.

A continuacin, se define la probabilidad condicional, y eventos independientes, y ms adelante, se realizarn algunos ejercicios para aclarar estos conceptos. Definicin 4.- Sean A y B dos eventos, se define la probabilidad del evento A condicionado al evento B como:

P( A / B)

P( A B) P( B)

con P(B) >0

La expresin A / B, es solo una notacin (no es divisin), y es importante aclarar que en la probabilidad P( A / B), el evento B es conocido, o es un hecho, es algo que ya sucedi, o es un dato que conocemos de antemano.

Definicin 5.- Sean A y B dos eventos, se dice que los eventos A y B son independientes, si y solamente si:

P( A / B) P( A)
Es decir que ocurra o no el evento B, esto no le afecta en nada a la ocurrencia del evento A. As, independientes, significa que la ocurrencia del uno no le afecta a la ocurrencia del otro. Combinando la definicin 4 con la definicin 5, puede deducirse fcilmente que, dos eventos son independientes si se cumple que:

P( A B) P( A) P( B)

1.3 Probabilidad total y Ley de Bayes

La frmula de Bayes o ley de Bayes, se la utiliza en muchos modelos estadsticos tales como: modelos factoriales discriminantes, teora de decisiones, e incluso en redes neuronales, lo que tiene que ver con el desarrollo de la inteligencia artificial. Supongamos, que en un torneo de tiro al blanco, hay una mesa con tres pistolas (todas idnticas), donde se sabe que si se toma la primera pistola, la probabilidad de acertar en el blanco es de, digamos, 0.8; si toma la segundo pistola, la probabilidad de acertar en el blanco es de 0.5; y si toma la tercera pistola, la probabilidad de acertar en el blanco es de 0.05. Luego, entra una persona, y toma una de las pistolas al azar (esta persona no sabe las probabilidades que tiene de acertar en el blanco con cada una de las pistolas), y dispara al blanco, planteando lo siguiente: Cul es la probabilidad que tiene la persona de acertar en el blanco? Bajo este esquema, la persona puede tomar solamente una de las pistolas (no dos, ni tres), teniendo, para ir generalizando lo que se llama un conjunto de hiptesis, siendo stas, una particin del espacio muestral, sobre el cual se plantea la probabilidad de que ocurra un cierto evento (en este caso dar en el blanco). As, tenemos el siguiente esquema:

El espacio muestral se divide en n hiptesis, de las cuales se cumple slo una de un experimento. As, las hiptesis son disjuntas y forman una particin del espacio muestral, es decir, que la unin de todas las hiptesis nos da el espacio muestral. Se plantea un experimento, y se requiere calcular la probabilidad de que ocurra el evento, es decir, nos interesa calcular

 P(A) = ? En donde se conocen las siguientes probabilidades P(H1), P(H2), P(H3), P(Hn), P(A/H1), P(A/H2), P(A/H3), P(A/Hn), y adems P(H1) + P(H2) + P(H3) + + P(Hn) = 1. Para el ejemplo planteado, siendo A, el evento acertar en el blanco, y, H1 tomar la primera pistola, la probabilidad P(A/H1), se lee como: probabilidad de acertar en el blanco, sabiendo que se tom la primera pistola , es decir, se tiene una probabilidad condicional, ya que se tiene un conocimiento a priori de ocurrencia del evento ante cierta situacin.

Vamos a deducir el clculo de esta probabilidad. Sabemos que las hiptesis son una particin del espacio muestral, luego H1 U H2 U H3 U
...

U Hn =

Adems, por propiedades de conjuntos, la interseccin de un conjunto con el universo, nos da el mismo conjunto, luego: A =A

A = A (H1 U H2 U H3 U U Hn) ... = (A H1) U (A H2) U (A H3) U (A Hn)

...

Tomando probabilidades sobre el evento A, se tiene P(A) = P(A ) ... = P[(A H1) U (A H2) U (A H3) U (A Hn)] ... = P[(A H1) U (A H2) U (A H3) U (A Hn)]
. . .

pero los eventos (A H1), (A H2), (A H3), , (A Hn) son disjuntos, y aplicando la propiedad tres de las probabilidades, se tiene: P(A) =P(A H1) + P(A H2) + P(A H3)+ + P (A Hn) (1) Sin embargo, estas ultimas probabilidades no se las conoce, es decir P (A Hi), son desconocidas para i=1,2,3,..,n.

...

Pero, por la definicin de probabilidad condicional, tenemos:

P( A / H i )
despejando, nos queda:

P( A H i ) P( H i )

P(A Hi) = P(A / Hi) P(Hi), y reemplazando en (1),

P(A) = P(A / H1) P(H1) + P(A / H2) P(H2) +.. + P(A / Hn) P(Hn)

P( A) P( A / H i ) P( H i )
i 1

Siendo esta ltima expresin conocida como la FORMULA DE LA PROBABILIDAD TOTAL. El nombre frmula de la probabilidad total, tiene que ver de alguna manera con el hecho de que se involucran todas las hiptesis. Retomemos el ejemplo del tiro al blanco: Siendo: A el evento acertar en el blanco, queremos saber P(A)=?. H1, la hiptesis tomar la primera pistola, P(H1)=1/3, ya que se tiene tres pistolas (denominador), de las cuales una cumple la condicin (primera pistola). H2, la hiptesis tomar la segunda pistola, P(H2)=1/3 H3, la hiptesis tomar la tercera pistola, P(H3)=1/3 Adems, se sabe que si toma la primera pistola, la probabilidad de acertar en el blanco es de 0.8, es decir: P(A/H1) = 0.8. Similarmente, se sabe que la probabilidad de acertar en el blanco si toma la segunda pistola es 0.5, luego: P(A/H2) = 0.5. y finalmente La probabilidad de acertar en el blanco si toma la tercera pistola es 0.05, teniendo que: P(A/H3) = 0.05. Aplicando la frmula de la probabilidad total, tenemos que: P(A) = P(A / H1) P(H1) + P(A / H2) P(H2) + P(A / H3) P(H3) = 0.8*(1/3) + 0.5*(1/3) + 0.05*(1/3) = 0.45.

10

As, una persona que dispara bajo el esquema planteado, tiene una probabilidad de acertar en el blanco de 0.45 (o equivalentemente una opcin del 45% de acertar en el blanco).

Vamos a suponer ahora, que la persona acert en el blanco, es decir, ocurri el evento planteado, y queremos saber la probabilidad de que ocurra cada una de las hiptesis, es decir, la probabilidad de que tom la primera pistola, sabiendo que dio en el blanco, o la probabilidad de que tom la segunda pistola, sabiendo que dio en el blanco, o tambin la probabilidad de que tom la tercera pistola, sabiendo que dio en el blanco. As, se plantea calcular las probabilidades siguientes:

P ( Hi / A) = ?,

para i=1,2,3,..,n

Esta situacin, en la cual se asume que ocurri el evento A, y se plantea calcular las probabilidades de ocurrencia de cada una de las hiptesis, se conoce como EL ESQUEMA DE BAYES. Tales probabilidades se deducen fcilmente a partir de la definicin de probabilidad condicional y la frmula de la probabilidad total:

Veamos, por definicin de probabilidad condicional, se tiene: P(A Hi) = P(A / Hi) P(Hi) P(Hi A) = P(Hi /A) P(A), Y por teora de conjuntos sabemos que P(A / Hi) P(Hi) = P(Hi /A) P(A), A Hi = Hi A de donde

y despejando

P(Hi /A), nos queda

P(Hi /A) = P(A / Hi) P(Hi) / P(A), es decir

P( H i / A)

P( A / H i ) P( H i )

P( A / H
j 1

) P( H j )

para i=1,2,3,,n

Siendo esta expresin, conocida como la FORMULA

4

DE BAYES4.

En esta frmula, el denominador es la frmula de la probabilidad total.

11

Y como se puede apreciar, el numerador es parte del denominador (definicin de probabilidad). Adems el denominador en la frmula de Bayes, es la frmula de la probabilidad total. Retomando los esquemas planteados, se puede apreciar que stos estn ntimamente relacionados; es una especie de viaje de ida (frmula de la probabilidad total , y viaje de regreso (frmula de Ba yes), surgiendo de esta manera, las llamadas probabilidades a priori y posteriori que se manejan en muchos mbitos de la estadstica aplicada, sobre todo en el rea de la bioestadstica.

A continuacin, se plantean algunos ejercicios en los cuales se aplican las diferentes propiedades y esquemas de probabilidad.

Ejercicio 1.- Para descubrir el cncer, se ha iniciado una prueba que parece prometedora. Supongamos que se encontr que el 97% de los enfermos de cncer de un gran hospital, reaccionaron positivamente a la prueba, mientras que solamente el 5% de aquellos que no tenan cncer lo hicieron as. Si el 2% de los pacientes del hospital tienen cncer, cul es la probabilidad de que un paciente, elegido al azar, que reaccione positivamente a la prueba tenga realmente cncer?. Solucin: Este ejercicio se ajusta al esquema de Bayes. se tiene lo siguiente: Evento A, reaccin positiva a la prueba de cncer H1, pacientes con cncer, y P(H1)=0.02 (2% enfermos tienen cncer) H2, pacientes sin cncer, y P(H2)=0.98 (recurdese P(H1)+ P(H2)=1) La probabilidad de un paciente de positivo en la prueba, sabiendo que tiene cncer, es P(A / H1)=0.97, y La probabilidad de un paciente de positivo en la prueba, sabiendo que no tiene cncer, es P(A / H2)=0.05

Aplicando la frmula de Bayes, se tiene: P(H1 / A ) = probabilidad (de que tenga cncer, sabiendo que el paciente reaccion positivamente a la prueba)=

12

= P(A / H1) P(H1) / {P(A / H1) P(H1) + P(A / H2) P(H2)} = 0.97*0.02 / ( 0.97*0.02 + 0.05*0.98) = 0.28. As, la probabilidad de que realmente tenga cncer es de un 28%, lo que en la prctica implica realizar otras pruebas para confirmar o rechazar el diagnstico, como suele ocurrir ya en la vida real. El planteamiento de este ejercicio fue tomado del libro, Estadstica Matemtica de Paul Hoel.

Ejercicio 2.- Se lanza un dado. Si aparece un nmero menor que tres, se extrae una bola, aleatoriamente, de una caja que contiene cinco bolas blancas y tres bolas negras. Si aparece un nmero mayor o igual que tres al lanzar el dado, se extrae una bola, aleatoriamente, de otra caja que contiene cuatro bolas blancas y seis bolas negras. Cul es la probabilidad que se tiene de extraer una bola negra?. Solucin: Este ejercicio se ajusta al esquema de la frmula de la probabilidad total.

Sea A, el evento extraer una bola negra, P(A)=? H1, seleccionar la 1ra caja, y P(H1)=2/6 (debido a que se escoge esta caja, si al lanzar el dado, sale un nmero menor que tres, es decir hay dos resultados, el uno y el dos, de seis posibles) H2, seleccionar la 2da caja, y P(H2)=4/6 (debido a que se escoge esta caja, si al lanzar el dado, sale un nmero mayor o igual que tres, es decir hay cuatro resultados, de seis posibles)

Y, claramente podemos establecer que: P(A / H1)=3/8, lo que interpreta como probabilidad de seleccionar una bola negra, sabiendo que se escogi la 1ra caja (por definicin elemental de probabilidad, ya que en esta caja hay 8 bolas, de las cuales 3 son negras). Similarmente, P(A / H2)=6/10.

13

As:

P(A) = P(A / H1) P(H1) + P(A / H2) P(H2) = 3/8*(2/6) + 6/10*(4/6) = 0.525.

Lo que implica tener alrededor de un 50% de opciones de poder sacar una bola negra, bajo el esquema planteado.

Sin embargo, podra parecer que esto tiene un fin nicamente acadmico, pero no es as, ya que la probabilidad juega un rol fundamental en el desarrollo y aplicacin de los diferentes procedimientos y modelos matemticos que han sido desarrollados, por ejemplo, en modelos de simulacin, control de calidad, proyecciones, etc., e inclusive se puede estimar la probabilidad que tiene una persona de ganar o acertar la lotera, la probabilidad de ganar en el juego actual del pozo millonario, entre otros.

Ejercicio 3.- Para ilustrar una situacin ms real, vamos a calcular la probabilidad que tena una persona de acertar en un antiguo juego deportivo que haba en el Ecuador, el llamado GOLAZO. Este consista en predecir el resultado del juego para 13 partidos del campeonato ecuatoriano de ftbol, y algunos partidos internacionales. Se deba marcar, para cada uno de los 13 partidos, una de las tres opciones posibles: (i) gana el local, (ii), empate, o (iii) gana el visitante. As, se poda tener la siguiente apuesta, planteando cual ser la probabilidad que tiene de ganar el juego. Gana si acierta el resultado de los 13 partidos.

Partido 1 2 3 4 5 6 7 8 9 10 11 12 13

Resultado partido ftbol Gana local Empate Gana visita X X X X X X X X X X X X X

14

Solucin: Podemos apreciar que el participante gana el juego, si acierta en los 13 partidos, teniendo en este caso 13 eventos independientes, ya que tericamente el resultado de un partido no tendra que afectar al resultado de cualquier otro partido (aunque sabemos que en la realidad muchas veces no ocurre eso, y algunos equipos juegan con base en los resultados de otros partidos). Pongamos, A el evento acertar o ganar el juego GOLAZO, P(A)=?. P(A)=P(acertar en los 13 partidos a la vez), o =P(acertar en los 13 partidos al mismo tiempo)

Sea Ai, el evento acertar en el partido i, para i=1,2,3,...,13. Luego: P(A) = P(A1 A2 A3. ... A13) (la interseccin implica todos a la vez) = P(A1) P(A2)P(A3) ... P(A13), por ser eventos independientes Analicemos ahora la probabilidad que se tiene de acertar en un partido cualquiera. Se tiene tres posibles resultados, de los cuales el participante marca o escoge uno de los resultados, por lo tanto, la probabilidad de acertar en el resultado del juego es de 1/3 (por definicin bsica de probabilidad). Entonces: P(A) = P(A1) P(A2)P(A3) ... P(A13) = 1/3 * 1/3 * 1/3 *.... * 1/3 = 1/313 = 0.000000627225.

As, vemos que la probabilidad es casi nula de ganar en el juego, pero porqu, sin embargo haba ganadores?. La respuesta es muy simple, y es que la probabilidad se cumple en la vida real al repetir el experimento una gran cantidad de veces, y como hay una gran cantidad de participantes, se est implcitamente repitiendo el experimento, teniendo de vez en cuando algunos ganadores, tal como ocurre con la lotera de Guayaquil, o el pozo millonario en la actualidad. Adicionalmente es importante aclarar ciertos trminos que se manejan en el lenguaje estadstico (y en otras reas del saber tambin), los que tienen que ver con la lgica de la unin y la interseccin de los eventos (o conjuntos). Como resultado de la lgica matemtica, la interseccin representa que todos cumplen la condicin, y se suele decir: todos a la vez, o al mismo tiempo todos. Por otro lado, la unin representa, el uno o el otro, o los dos a la vez, o equivalentemente se dice al menos uno cumple, o por lo menos uno.

15

Ejercicio 4.- Supongamos que en una competencia de tiro al blanco, participan equipos compuestos de tres personas, disparando a un blanco, todos a la vez (todo el equipo). Por la ubicacin que ocupan en el polgono de tiro, cada uno de los tres miembros de un equipo cualquiera tienen probabilidades de 1/3, 1/4, y 1/5 respectivamente de acertar en el blanco. Se plantean las siguientes probabilidades: i) ii) iii) iv) Solucin: Sea, A, el evento, acierta el primer miembro del equipo, P(A)=1/3. B, el evento, acierta el segundo miembro del equipo, P(B)=1/4. C, el evento, acierta el tercer miembro del equipo, P(C)=1/5. Los eventos contrarios (complementos), es que fallen, teniendo , el evento, falla el primer miembro del equipo, B , el evento, falla el segundo miembro del equipo, C , el evento, falla el tercer miembro del equipo, P()=2/3. P( B )=3/4. P( C )=4/5. cul es la probabilidad de que los tres fallen? cul es la probabilidad de que los tres acierten? cul es la probabilidad de que por lo menos uno de ellos falle? cul es la probabilidad de que por lo menos uno de ellos acierte?

Probabilidad de que los tres fallen = P( B C ) = P() P( B ) P( C ) , ya que son independientes (vea la definicin) = 2/3 * 3/4 * 4/5 = 2/5. Probabilidad de que los tres acierten = P(A BC) = c , ya que son independientes (vea la definicin) = 1/3 * 1/4 * 1/5 = 1/60. Probabilidad de que por lo menos uno de ellos falle = P( U B U C )

Para calcular esta probabilidad debemos deducir una expresin para la unin de tres eventos (similar a la propiedad ocho de las probabilidades). Con base en la propiedad ocho y un poco de manejo algebraico, se prueba fcilmente que para tres eventos cualquiera X, Y, Z se tiene: P(X U Y U Z) = P(X) + P(Y) + P(Z) - P(XUY) - P(XUZ) - P(YUZ) + P(X Y Z)

16

Sin embargo, esto nos presenta un gran problema, ya que si quisiramos calcular la probabilidad para la unin de, por ejemplo, 4 o ms eventos, se deben deducir otras expresiones, complicndose cada vez ms. Ante esta situacin, para calcular la probabilidad de unin de eventos, es ms conveniente recurrir a las propiedades de la probabilidad, y en particular a la propiedad cinco que dice P(A) + P( ) = 1. As,

P( A B C ) P( A B C ) 1

Pero recordando que la unin de la unin de un conjunto, da como resultado el mismo conjunto, se tiene que el evento contrario del contrario, queda el evento. Luego, P( A B C ) anterior nos queda:

P( A B C ) ,

y reemplazando en la expresin

P( U B U C ) + P(A B C) = 1, o despejando P( U B U C ) = 1 - P(A B C) = 1 - P(A B C) = 1 - 1/3 * 1/4 * 1/5 = 1 - 1/60 = 59/60

Teniendo que la probabilidad de que por lo menos uno del equipo falle, es un evento casi seguro, ya que la probabilidad como se ve es casi uno.

Probabilidad de que por lo menos uno de ellos acierte = P(A U B U C)

Por el mismo razonamiento del punto anterior tenemos: P(A U B U C) = 1 - P( B C ) = 1 - 2/3 * 3/4 * 4/5 = 1- 2/5 = 3/5.

Finalmente abordemos un ejercicio clsico, sobre los juegos de azar, donde aparentemente el juego es favorable para el incauto jugador (apostador), y el pobrecito casino juega en contra de sus intereses, como ingenuamente nos quieren hacer creer. Ejercicio 5.- El juego consiste en el lanzamiento de dos dados, ganando el jugador cuando al sumar los resultados, obtiene siete puntos. Solucin: Calculemos la probabilidad de obtener siete puntos en la suma de puntos al lanzar dos dados. Para esto, veamos el siguiente esquema de todos los posibles resultados que pueden darse como consecuencia de este juego:

17

1 1 Resultado del dado 2 2 3 4 5 6 2 3 4 5 6 7

2 3 4 5 6 7 8

Resultado del dado 1 3 4 5 4 5 6 7 8 9 5 6 7 8 9 10 6 7 8 9 10 11

6 7 8 9 10 11 12

Al lanzar dos dados se tienen 36 posibles resultados de suma de puntos (como puede verse en el esquema dibujado), que son fruto de las combinaciones de los resultados posibles de ambos dados (dado 1 y dado 2). De estos 36 posibles resultados, tenemos que contar cuantos cumplen la condicin (definicin de probabilidad), de que la suma de puntos nos da siete, y vemos en el grfico que hay 6 posibilidades, por lo tanto: Sea, A el evento suma de puntos es siete en el lanzamiento de dos dados. Luego, P(A) = 6/36 = 1/6. Y, podemos ver que este es el resultado ms probable que puede darse, ya que la probabilidad de suma de puntos de cualquier otro valor es ms bajo, por ejemplo, la probabilidad de tener 4 puntos sumando los resultados de los dados, es 3/36. Pero entonces, donde est el engao del juego?, siendo que es ms probable obtener siete puntos al sumar los resultados de las caras de los dados, valindose de esto las casas de juego para decir que juegan en contra de sus intereses, y a favor de los jugadores. El engao est en que, (se vuelve a reiterar por la importancia de la definicin de la probabilidad), la probabilidad se cumple en la vida real cuando se repite el experimento una gran cantidad de veces.

Bibliografa
1.- Probabilidad y estadstica, George Canavos, Mc Graw Hill, 1992 2.- Estadstica Matemtica, Paul Hoel, 1976

18