Tema4.pdf

ESTADÍSTICA DESCRIPTIVA E INTRODUCCIÓN A LA PROBABILIDAD
Doble Grado en Ingenierı́a Informática y Matemáticas
Tema 4
Probabilidad condicionada: teoremas básicos.
Independencia de sucesos
1. Probabilidad condicionada. Espacio de probabilidad condicionado
La probabilidad condicionada es uno de los conceptos clave en Teorı́a de la Probabilidad.
En el tema anterior se ha introducido el concepto de probabilidad considerando que la única
información sobre el experimento era el espacio muestral. Sin embargo, hay situaciones en las
que se incorpora información suplementaria como puede ser que ha ocurrido otro suceso, con
lo que puede variar el espacio de resultados posibles y consecuentemente, sus probabilidades.
En este contexto aparece el concepto de probabilidad condicionada.
El objetivo es analizar cómo afecta el conocimiento de la realización de un determinado
suceso a la probabilidad de que ocurra cualquier otro.
La probabilidad condicionada tiene una clara interpretación en espacios muestrales finitos
en los que puede aplicarse la regla de Laplace.
Definición.- Sea (Ω, A, P) un espacio probabilı́stico arbitrario y A un suceso (A ∈ A) tal que
P(A) > 0. Para cualquier otro suceso B ∈ A, se define la probabilidad condicionada de B
dado A o probabilidad de B condicionada a A como
P(B/A) =
P(B ∩ A)
P(A)
.
Observemos que la condición P(A) > 0 es necesaria para que la definición tenga sentido.
Por otra parte, la idea intuitiva de probabilidad condicionada hace lógica esta restricción ya
que si P(A) = 0, A es un suceso imposible y no tiene sentido condicionar a él.
Notemos que, sabiendo que A ∈ A ha ocurrido, tenemos una nueva evaluación de la pro-
babilidad de cada suceso (P(B) −→ P(B/A)), o sea, tenemos una nueva función de conjunto
sobre (Ω, A). Probamos a continuación que, efectivamente, esta función es una medida de pro-
babilidad sobre (Ω, A)
Teorema 1
Sea (Ω, A, P) un espacio probabilı́stico y sea un suceso A ∈ A, tal que P(A) > 0. Entonces
(Ω, A, P(·/A)), en donde P(·/A) es la definida anteriormente, es un espacio probabilı́stico.
Demostración.- Basta probar que P(·/A) es una probabilidad. Evidentemente,
P(B/A) =
P(B ∩ A)
P(A)
≥ 0 ∀B ∈ A.
También,
Patricia Román Román 1

P(Ω/A) =
P(Ω ∩ A)
P(A)
=
P(A)
P(A)
= 1
Por último, si {An}n∈N es una colección de conjuntos disjuntos de A, entonces
P
∞
[
n=1
An/A
!
=
P [(
S∞
n=1 An) ∩ A]
P(A)
=
P [
S∞
n=1 (An ∩ A)]
P(A)
=
P∞
n=1 P(An ∩ A)
P(A)
=
∞
X
n=1
P(An/A)
Nota: Al condicionar a un suceso A ∈ A, con P(A) > 0, los sucesos de interés en el experimento
son sólo aquellos que tienen intersección no vacı́a con A, ya que si B es tal que B ∩ A = ∅,
entonces P(B/A) = 0. Además por la propia definición
∀B ∈ A, P(B/A) = P(B ∩ A/A)
O sea, en realidad, estamos haciendo una transformación del espacio muestral, pasando de Ω a
A, ya que si A ha ocurrido, no puede haber ocurrido ningún resultado elemental de Ω que no
esté en A.
Esto nos lleva a definir un nuevo espacio probabilı́stico con espacio muestral A, como probamos
a continuación, que se denomina espacio de probabilidad condicionado
Teorema 2
Sea (Ω, A, P) un espacio probabilı́stico y A ∈ A tal que P(A) > 0. Consideramos la clase de
conjuntos
AA = A ∩ A = {B ∩ A / B ∈ A} (⊂ P(A))
y la función
PA : AA −→ R

dada por PA(C) =
P(C)
P(A)
que está bien definida ya que C ∈ A.
Entonces
1. AA es una σ-álgebra contenida en A (con espacio total A).
2. PA es una medida de probabilidad sobre AA
En definitiva, (A, AA, PA) es un espacio probabilı́stico.
Demostración
1) Evidentemente AA ⊂ A. Veamos que es una σ-álgebra:
1) Si C ∈ AA y si representamos por C∗
el complementario de C en A y por C el comple-
mentario de C en Ω, C∗
= C ∩ A y por ser A una σ-álgebra, C∗
∈ AA.
2) Sea {Cn}n∈N ∈ AA, dado que Cn = Bn ∩ A con Bn ∈ A
∞
[
n=1
Cn =
∞
[
n=1
[Bn ∩ A] =
" ∞
[
n=1
Bn
#
∩ A ∈ AA
por ser A una σ-álgebra (
S∞
n=1 BN ∈ A).
2) Veamos que PA es una medida de probabilidad
PA(C) ≥ 0 ∀C ∈ AA
PA(A) =
P(A)
P(A)
= 1
Dados {Cn}n∈N incompatibles o disjuntos dos
PA
[
n
Cn
!
=
P (
S
n Cn)
P(A)
=
P
n P(Cn)
P(A)
=
X
n
PA(Cn)
Al espacio (A, AA, PA) se le denomina espacio de probabilidad condicionado.
Notemos que los espacios de probabilidad (Ω, A, P(·/A))y (A, AA, PA) son equivalentes en
el sentido de que las medidas de probabilidad están determinadas una por otra a través de las
relaciones
∀B ∈ A P(B/A) = PA(A ∩ B)
∀C ∈ AA PA(C) =
P(C)
P(A)
=
P(C ∩ A)
P(A)
= P(C/A)

1. Teoremas básicos de probabilidad condicionada
La probabilidad de la intersección de dos sucesos se puede deducir directamente de la defi-
nición de probabilidad condicionada y se obtiene como
P(A ∩ B) = P(A)P(B/A) si P(A) > 0
o bien
P(A ∩ B) = P(B)P(A/B) si P(B) > 0
Si uno de los dos tiene probabilidad nula, la probabilidad condicionada a él no tiene sentido. Si
los dos tienen probabilidad nula, entonces la probabilidad de la intersección es evidentemente
cero, pero no puede expresarse en función de las probabilidades condicionadas puesto que éstas
no existen.
Estas expresiones se generalizan, mediante el teorema de la probabilidad compuesta o regla
de la multiplicación, al cálculo de la probabilidad de la intersección de más de dos sucesos que
se producen concatenadamente.
Teorema de la probabilidad compuesta o Regla de multiplicación
Sea (Ω, A, P) un espacio de probabilidad y A1, A2, . . . , An ∈ A con P
"n−1

i=1
Ai
#
> 0, entonces
P [A1 ∩ A2 ∩ · · · ∩ An] = P(A1)·P(A2/A1)·P(A3/A1 ∩ A2)· . . . ·P [An/A1 ∩ A2 ∩ · · · ∩ An−1]
Demostración.- Es claro que A1∩· · ·∩An−1 ⊆ A1∩· · ·∩An−2 ⊆ A1∩A2∩A3 ⊆ A1∩A2 ⊆ A1. Por
tanto, si el primero tiene probabilidad positiva, las restantes también, y todas las probabilidades
condicionadas tienen sentido.
La demostración se hace por inducción. Para n = 2 es la regla de la multiplicación dada
por la definición de probabilidad condicionada. Suponemos que la expresión es cierta para la
intersección de n − 1 sucesos. Entonces
P(A1 ∩ · · · ∩ An) = P ((A1 ∩ · · · ∩ An−1) ∩ An) = P(A1 ∩ · · · ∩ An−1)P(An/A1 ∩ · · · ∩ An−1)
y ahora se aplica la hipótesis de inducción a la primera probabilidad obteniendose el resultado
deseado.
Nota: Este resultado es especialmente útil en experimentos compuestos de varias etapas en los
que las probabilidades de los sucesos en cada etapa dependen de los resultados obtenidos en las
anteriores.
Ejemplo.- Se extraen sucesivamente, y sin reemplazamiento, tres bolas de una urna que contiene
7 bolas blancas y tres negras. Calcular la probabilidad de que las dos primeras bolas extradas
sean blancas y la tercera negra.

El experimento consta de tres etapas y, al no devolverse la bola extraı́da de la urna en cada
etapa, la probabilidad de los resultados que pueden darse en las extracciones sucesivas depende
del resultado en la anterior.
Si consideramos los sucesos
B1: Salir bola blanca en la primera extracción,
B2: Salir bola blanca en la segunda extracción,
N3: Salir bola negra en la tercera extracción,
la probabilidad que nos piden es P(B1 ∩ B2 ∩ N3) que, aplicando la regla de multiplicación, se
calcula de la siguinete forma:
P(B1 ∩ B2 ∩ N3) = P(B1) P(B2/B1) P(N3/B1 ∩ B2) =
7
10
6
9
3
8
Teorema de la probabilidad total
Sea (Ω, A, P) un espacio de probabilidad y sea {An}n∈N ⊂ A un sistema completo de sucesos
o partición de Ω con P(An) > 0, ∀n ∈ N. Sea B un suceso cualquiera de A, entonces
P(B) =
∞
X
n=1
P(B/An)P(An).
Demostración.- En efecto, B se puede escribir como una unión disjunta de la forma
B = B ∩ Ω = B ∩
∞
[
n=1
An
!
=
∞
[
n=1
(B ∩ An)
y por la propiedad de aditividad numerable de la probabilidad
P(B) =
∞
X
n=1
P(B ∩ An).
Ahora, aplicando el Teorema de la probabilidad compuesta se obtiene el resultado deseado
P(B) =
∞
X
n=1
P(B/An)P(An).
Interpretación.- Los sucesos An pueden interpretarse como las distintas causas (o circunstancias)
por las que puede ocurrir el suceso B. Entonces el teorema de la probabilidad total viene a decir
que si el suceso B puede ocurrir por alguna de las causas An, la probabilidad de que ocurra es la
suma de las probabilidades de las causas (P(An)) por la probabilidad del suceso B condicionado
a la causa (P(B/An)).

Ejemplo 1.- Se tienen dos urnas: la urna 1 contiene 2 bolas blancas y 2 negras. La urna 2 tiene
dos bolas blancas y 3 negras (todas distinguibles). Se elige una urna al azar y se extrae una
bola. ¿Cuál es la probabilidad de que sea blanca?
Consideramos los sucesos
A1 : elegir la urna 1 P(A1) = 1/2
A2 : elegir la urna 2 P(A2) = 1/2



A1 ∩ A2 = ∅ y exhaustivos
y sea B : extraer una bola blanca
P(B) = P(B/A1)P(A1) + P(B/A2)P(A2) =
2
4
1
2
+
2
5
1
2
=
36
80
=
9
20
Ejemplo 2.- Un determinado tipo de baterı́a se produce en tres plantas diferentes con distintos
equipos y operaciones. Supóngase que los promedios semanales del número de baterı́as pro-
ducidas en cada una de estas tres plantas son 500, 2000 y 1500, respectivamente. Además,
supongamos que las probabilidades de producir una baterı́a defectuosa en cada una de las tres
plantas son respectivamente 0.020, 0.015 y 0.030.
Si se supone que las baterı́as producidas por las tres plantas se destinan a un fabricante de
automóviles que recibe semanalmente 4000 baterı́as. ¿Cuál es la probabilidad de que la baterı́a
instalada por el fabricante en un automóvil sea defectuosa?
Definimos los sucesos
D : la baterı́a defectuosa
Ei : la baterı́a se ha fabricado en la planta Ei, i = 1, 2, 3
La probabilidad de que una baterı́a seleccionada al azar haya sido fabricada en cada una de las
fábricas es
P(E1) =
500
4000
, P(E2) =
2000
4000
, P(E3) =
1500
4000
Además
P(D/E1) = 0.020, P(D/E2) = 0.015, P(D/E3) = 0.030
Si aplicamos el teorema anterior
P(D) =
3
X
i=1
P(D/Ei)P(Ei) =
500
4000
0.020 +
2000
4000
0.015 +
1500
4000
0.030 = 0.02125
Teorema de Bayes o de la probabilidad inversa
En las mismas condiciones del Teorema de la probabilidad total

P(An/B) =
P(B/An)P(An)
X
n∈N
P(B/An)P(An)
Demostración.- Por la definición de probabilidad condicionada y aplicando el Teorema de la
probabilidad compuesta
P(An/B) =
P(B/An)P(An)
P(B)
y aplicando el Teorema de la probabilidad total en el denominador se obtiene el resultado
deseado.
El razonamiento lógico que subyace en el cálculo de estas probabilidades es el siguiente:
Interpretar, de nuevo, el suceso B como el resultado obtenido al realizar un experimento y los
sucesos An como el conjunto de todas las “causas”que pueden producir la aparición del suceso
B; entonces, si para cada “causa” conocemos su probabilidad a priori P(An) y la verosimilitud
P(B/An) de que el suceso B haya sido causado por An, la ocurrencia de B, nos permite asignar,
mediante la aplicación del Teorema de Bayes, una “probabilidad a posteriori”P(An/B) al suceso
de que la verdadera causa haya sido An.
Ejemplo 1.- Se tienen dos urnas: la urna 1 contiene 3 bolas blancas y 2 negras. La urna 2 tiene
dos bolas blancas y 3 negras (todas distinguibles). Se elige una urna al azar y se extrae una
bola. Si la bola resulta ser blanca. ¿Cuál es la probabilidad de que proceda de la urna 1? ¿y de
la 2?
P(A1/B) =
P(B/A1)P(A1)
P(B)
=
3
5
1
2
1
2
= 3/5
P(A2/B) =
P(B/A2)P(A2)
P(B)
=
2
5
1
2
1
2
= 2/5
Ejemplo 2.- Supongamos en el ejemplo anterior de las baterı́as que el fabricante inspecciona
una de las baterı́as y ésta es defectuosa y se quiere calcular a partir de dicho conocimiento la
probabilidad de que la baterı́a proceda de cada una de las tres plantas. En este caso
P(E1/D) =
P(D/E1)P(E1)
P3
i=1 P(D/Ei)P(Ei)
=
500
4000
0.020
0.02125
= 0.117647

P(E2/D) =
P(D/E2)P(E2)
P3
i=1 P(D/Ei)P(Ei)
=
2000
4000
0.015
0.02125
= 0.352941
P(E2/D) =
P(D/E3)P(E3)
P3
i=1 P(D/Ei)P(Ei)
=
1500
4000
0.030
0,02125
= 0.529412
A priori las probabilidades iniciales para cada planta eran 0.125, 0.5, 0.375, respectivamen-
te, pero después del conocimiento de que la baterı́a era defectuosa las probabilidades se han
modificado a 0.117647, 0.352941 y 0.529412, respectivamente.
3. Independencia de sucesos
Sea (Ω, A, P) un espacio de probabilidad y A ∈ A con P(A) > 0. Como ya hemos comentado,
la ocurrencia del suceso A puede alterar la probabilidad de ocurrencia de cualquier otro suceso
B ∈ A. Al estudiar dichas probabilidades, pueden darse los siguientes casos:
1. P(B/A) 6= P(B), es decir la ocurrencia del suceso A modifica la probabilidad de ocurren-
cia de B. Diremos entonces que el suceso B depende del suceso A.
Si P(B/A) > P(B) se dice que el suceso A favorece al B.
Si P(B/A) < P(B) se dice que el suceso A desfavorece al B.
2. Si P(B/A) = P(B), es decir, la ocurrencia del suceso A no tiene ningún efecto sobre el
suceso A, se dice que el suceso B es independiente del suceso A.
Teorema: Caracterización de independencia
Sea A ∈ A con P(A) > 0. Un suceso B es independiente de A ⇐⇒ P(A ∩ B) = P(A)·P(B)
Demostración
=⇒) B independiente de A ⇒ P(B/A) =
P(A ∩ B)
P(A)
= P(B) ⇒ P(A ∩ B) = P(A)P(B)
=⇒) P(A ∩ B) = P(A)P(B) y P(A) > 0 ⇒ P(B/A) = P(B) ⇒ B independiente de A.
Corolario
Este teorema pone de manifiesto la simetrı́a de la definición, es decir, si P(A) > 0 y P(B) > 0,
A es independiente de B si y sólo si B lo es de A y diremos, en general, que A y B son
independientes.
Notas
Un suceso nulo, P(B) = 0, es independiente de cualquier otro suceso, ya que si A es tal
que P(A) > 0, se tiene

P(A ∩ B) ≤ P(B) = 0 = P(A)P(B) =⇒ P(A ∩ B) = 0
Un suceso seguro, P(B) = 1, es independiente de cualquier otro ya que P(B/A) = 1.
Proposición.- Si A y B son independientes, entonces
1. A y B son independientes.
Demostración. Podemos suponer P(A) 6= 0 o 1 y P(B) 6= 0 o 1, ya que los complementarios en
tal caso son también nulos o seguros y la independencia está garantizada.
1. P(A ∩ B) = P(A)·P(B/A) = P(A)(1 − P(B/A)) = P(A)(1 − P(B)) = P(A)·P(B)
2. Análoga al anterior intercambiando los papeles de A y B. P(A ∩ B) = P(B)·P(A/B) =
P(B)(1 − P(A/B)) = P(B)(1 − P(A)) = P(B)·P(A)
3. P(A ∩ B) = P(A)·P(B/A) = P(A)(1 − P(B/A)) = P(A)(1 − P(B)) = P(A)·P(B)
Se puede hacer directamente de 1) dado que A y B son independientes.
La definición de independencia puede extenderse a una familia de sucesos y en esta extensión
caben dos definiciones:
Definición 1: Independencia dos a dos.- Dado un espacio probabilı́stico (Ω, A, P) y una
clase de sucesos U ⊂ A no vacı́a, diremos que sus sucesos son independientes dos a dos, si
∀A, B ∈ U, A 6= B, A y B son independientes
Definición 2: Independencia mtua.- Dado un espacio probabilı́stico (Ω, A, P) y una clase
de sucesos U ⊂ A no vacı́a, diremos que sus sucesos son mutuamente (completamente
o totalmente) independientes o simplemente independientes, si para toda subcolección
finita {Ai1 , Ai2 , . . . , Aik
} de suceso distintos de U se verifica
P(Ai1 ∩ Ai2 ∩ · · · ∩ Aik
) =
k
Y
j=1
P(Aij
)
Nota.- Está claro que la independencia mutua implica la independencia dos a dos, pero el
recı́proco no es cierto en general como probamos a continuación.
Ejemplo.- Se lanzan dos dados y se consideran los sucesos:

A: salir impar en el primero
B: salir impar en el segundo
C: la suma de los resultados es impar
P(A) = P(B) = P(C) = 1/2
A ∩ B = {(1, 1), (1, 3), (1, 5), (3, 1), (3, 3), (3, 5), (5, 1), (5, 3), (5, 5)}
P(A ∩ B) = 9
36
= 1
4
= P(A)P(B)
A ∩ C = {(1, 2), (1, 4), (1, 6), (3, 2), (3, 4), (3, 6), (5, 2), (5, 4), (5, 6)}
P(A ∩ C) = 9
36
= 1
4
= P(A)P(C)
B ∩ C = {(2, 1), (4, 1), (6, 1), (2, 3), (4, 3), (6, 3), (2, 5), (4, 5), (6, 5)}
P(B ∩ C) = 9
36
= 1
4
= P(B)P(C)
Sin embargo
P(A ∩ B ∩ C) = 0 6= P(A)P(B)P(C)
luego los sucesos son dos a dos independientes, pero no mutuamente independientes.

Tema4.pdf

Más contenido relacionado

Similar a Tema4.pdf (20)

Último (20)

Tema4.pdf