Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Universidad de Sonora Probabilidad y estadística II.2 PROBABILIDAD CONDICIONAL E INDEPENDENCIA Definición de Probabilidad Condicional Supóngase que realizamos un experimento aleatorio y Ω es el espacio muestral correspondiente, nuestro interés es ahora, estudiar el efecto que produce sobre el valor de 𝑃(𝐴), el hecho de que otro evento B ha ocurrido. Definición Sean 𝑨 y 𝑩 dos eventos arbitrarios, la Probabilidad Condicional del evento 𝑨 dado que el evento 𝑩 ha ocurrido, se define como: 𝑷(𝑨 𝑩⁄ ) = 𝑷(𝑨 ∩ 𝑩) 𝑷(𝑩) = #(𝑨 ∩ 𝑩) #(𝑩) 𝑃(𝐵) > 0 Además, la Probabilidad Condicional del evento 𝑩 dado que el evento 𝑨 ha ocurrido, se define como 𝑷(𝑩 𝑨⁄ ) = 𝑷(𝑨 ∩ 𝑩) 𝑷(𝑨) = #(𝑨 ∩ 𝑩) #(𝑨) 𝑃(𝐴) > 0 P(A) = 0.8, P(B) = 0.4 y P(A ∩ B) = 0.3 P(A B⁄ ) = P(A ∩ B) P(B) = 0.3 0.4 P(B A⁄ ) = P(A ∩ B) P(A) = 0.3 0.8 Observaciones 𝑃(𝐴 𝐵⁄ ): "𝐿𝑎 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑞𝑢𝑒 𝑜𝑐𝑢𝑟𝑟𝑎 𝑒𝑙 𝑒𝑣𝑒𝑛𝑡𝑜 𝑨, 𝑑𝑎𝑑𝑜 𝑞𝑢𝑒 𝑒𝑙 𝑒𝑣𝑒𝑛𝑡𝑜 𝑩 𝑦𝑎 𝑜𝑐𝑢𝑟𝑟𝑖ó" 𝑃(𝐴 𝐵⁄ ) = 𝑃(𝐴 ∩ 𝐵) 𝑃(𝐵) = #(𝐴 ∩ 𝐵) #(Ω) #(𝐵) #(Ω) = #(𝐴 ∩ 𝐵) #(𝐵) hay que recordar que la definición clásica de la probabilidad establece que 𝑃(𝐴) = #(𝐴) #(Ω) OBSERVACIONES ➢ 𝑃(𝐴) = #(𝐴) #(Ω) VS 𝑃(𝐴 ∕ Ω) = #(𝐴∩Ω) #(Ω) = #(𝐴) #(Ω) ➔ 𝑃(𝐴 ∕ Ω) = 𝑃(𝐴) ➢ 𝑃(𝐴 𝐵⁄ ) + 𝑃(𝐴𝐶 𝐵⁄ ) = 1 𝑃(𝐴𝐶 𝐵⁄ ) = 𝑃(𝐵 ∩ 𝐴𝐶) 𝑃(𝐵) = 𝑃(𝐵) − 𝑃(𝐵 ∩ 𝐴) 𝑃(𝐵) = 𝑃(𝐵) 𝑃(𝐵) − 𝑃(𝐵 ∩ 𝐴) 𝑃(𝐵) = 1 − 𝑃(𝐴 𝐵⁄ ) 𝑃(𝐴𝐶 𝐵⁄ ) = 0.85 ENTONCES 𝑃(𝐴 𝐵⁄ ) = 0.15 𝑃(𝐴𝐶 𝐷⁄ ) = 0.05 ENTONCES 𝑃(𝐴 𝐷⁄ ) = 0.95 ➢ 𝑃(𝐴 ∪ 𝐵 ∕ 𝐶) = 𝑃(𝐴 ∕ 𝐶) + 𝑃(𝐵 ∕ 𝐶) − 𝑃(𝐴 ∩ 𝐵 ∕ 𝐶) Teorema de la Multiplicación De la definición de Probabilidad Condicional, podemos obtener un resultado que resultará importante en el cálculo de probabilidades, el cual que enunciamos a continuación: Teorema. Si A y B son eventos arbitrarios, entonces: 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) ∗ 𝑃(𝐵 ∕ 𝐴) ó 𝑃(𝐵 ∩ 𝐴) = 𝑃(𝐵) ∗ 𝑃(𝐴 ∕ 𝐵) Demostración: De la definición de probabilidad condicional 𝑃(𝐴 𝐵⁄ ) = 𝑃(𝐴∩𝐵) 𝑃(𝐵) ➔ 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐵)(𝐴 𝐵⁄ ) 𝑃(𝐵 𝐴⁄ ) = 𝑃(𝐴∩𝐵) 𝑃(𝐴) ➔ 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴)(𝐵 𝐴⁄ ) Observación: 𝑃(𝐴 ∩ 𝐵 ∩ 𝐶) = 𝑃(𝐴) ∗ 𝑃(𝐵 𝐴⁄ ) ∗ 𝑃(𝐶 𝐴⁄ ∩ 𝐵) 𝑃(𝐶 ∩ 𝐴 ∩ 𝐵) = 𝑃(𝐶) ∗ 𝑃(𝐴 𝐶⁄ ) ∗ 𝑃(𝐵 𝐶⁄ ∩ 𝐴) : “Marcar un número telefónico de seis cifras” 253852 no es igual 352852 son resultados distintos? SI, ES UNA PRUEBA ORDENADA CON SUSTITUCIÓN = {(x1, x2, x3, x4, x5, x6) / x1, x2, x3, x4, x5, x6 son dígitos} #( )= )10)(10)(10)(10)(10)(10(10 6 = F = {(x1, x2, x3, x4, x5, x6) / x1, x2, x3, x4, x5, x6 son dígitos diferentes} #(F)= )5)(6)(7)(8)(9)(10(106 =O ( ) 6 10 6 10# )(# )( OF FP = = 𝑃(𝐹) = ( 10 10 ) ( 9 10 ) ( 8 10 ) ( 7 10 ) ( 6 10 ) ( 5 10 ) Una caja contiene 30 fichas: 10 rojas y 20 azules : “Seleccionar tres fichas de una por una y sin sustitución” P(las tres fichas sean rojas) = P(𝑅1 ∩ 𝑅2 ∩ 𝑅3) = P(𝑅1)𝑃(𝑅2 𝑅1⁄ )𝑃(𝑅3 ∕ 𝑅1 ∩ 𝑅2) P(𝑅1 ∩ 𝑅2 ∩ 𝑅3) = ( 10 30 ) ( 9 29 ) ( 8 28 ) Teorema de la Probabilidad Total, Definición Una Colección de eventos n AAA ,........,, 21 , es una Partición del espacio muestral si satisfacen con: a. ( ) 0iAP , para toda ni ,1= b. = ji AA , para toda ji c. = = n i iA 1 Partición 4321 ,,, AAAA Teorema (de la Probabilidad Total) Sean n AAA ,........,, 21 , es una Partición del espacio muestral . Para cualquier evento arbitrario B (asociado con ), se tiene que 𝑃(𝐵) = ∑ 𝑃(𝐴𝑖)𝑃(𝐵 𝐴𝑖⁄ ) 𝑛 𝑖=1 = 𝑃(𝐴1)𝑃(𝐵 𝐴1⁄ ) + 𝑃(𝐴2)𝑃(𝐵 𝐴2⁄ )+. . +𝑃(𝐴𝑛)𝑃(𝐵 𝐴𝑛⁄ ) Demostración Observemos que: 𝐵 = (𝐴1 ∩ 𝐵) ∪ (𝐴2 ∩ 𝐵) ∪ (𝐴3 ∩ 𝐵) ∪ (𝐴4 ∩ 𝐵) 𝑃(𝐵) = 𝑃[(𝐴1 ∩ 𝐵) ∪ (𝐴2 ∩ 𝐵) ∪ (𝐴3 ∩ 𝐵) ∪ (𝐴4 ∩ 𝐵)] Aplicado la propiedad 3 del enfoque axiomático de la probabilidad 𝑃(𝐵) = 𝑃(𝐴1 ∩ 𝐵) + 𝑃(𝐴2 ∩ 𝐵) + 𝑃(𝐴3 ∩ 𝐵) + 𝑃(𝐴4 ∩ 𝐵) Aplicando en cada sumando el Teorema de la Multiplicación 𝑃(𝐵) = 𝑃(𝐴1)𝑃(𝐵 ∕ 𝐴1) + 𝑃(𝐴2)𝑃(𝐵 ∕ 𝐴2) + 𝑃(𝐴3)𝑃(𝐵 ∕ 𝐴3) + 𝑃(𝐴4)𝑃(𝐵 ∕ 𝐴4) Teorema (de Bayes) Si nAAA ,........,, 21 es una Partición del espacio muestral con ( ) 0iAP para toda ni ,1= . y B es un evento asociado con con ( ) 0BP , entonces se tiene que 𝑃(𝐴𝑘 𝐵⁄ ) = 𝑃(𝐴𝑘)𝑃(𝐵 ∕ 𝐴𝐾) ∑ 𝑃(𝐴𝑖)𝑃(𝐵 𝐴𝑖⁄ ) 𝑛 𝑖=1 𝑃(𝐴𝑘 𝐵⁄ ) = 𝑃(𝐴𝑘) 𝑃(𝐵 𝐴𝑘⁄ ) 𝑃(𝐵) 𝑃(𝐴𝑘 𝐵⁄ ) = 𝑃(𝐴𝑘 ∩ 𝐵) 𝑃(𝐵) Independencia En los temas anteriores, hemos estudiado el cálculo de probabilidades en donde intervienen la ocurrencia de uno o más eventos al mismo tiempo, particularmente la ocurrencia del evento 𝐴 ∩ 𝐵, que nos modela un gran número de procesos. La probabilidad de que ocurra el evento A tomando como condición todos los posibles resultados del espacio muestral , )(AP en muchas ocasiones es igual a la probabilidad de que ocurra el evento A , condicionado a que el evento B ya ocurrió, ( )BAP / , esto es, ( ) )(/ APBAP = . Que suceda esto significa que la ocurrencia del evento A no depende de que B ocurra. A continuación, enunciamos este resultado que será muy importante para el desarrollo del curso. Definición Los eventos A y B son independientes, si y sólo si, 𝑷(𝑨 ∩ 𝑩) = 𝑷(𝑨)𝑷(𝑩) 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐵)𝑃(𝐴 𝐵⁄ ) = 𝑃(𝐵)𝑃(𝐴) 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴)𝑃(𝐵 𝐴⁄ ) = 𝑷(𝑨)𝑷(𝑩) Observación: El hecho de que los eventos A y B sean independientes es equivalentes a decir que 𝑷(𝑩 𝑨⁄ ) = 𝑷(𝑩) y 𝑷(𝑨 𝑩⁄ ) = 𝑷(𝑨) Ejemplo: Una caja contiene 30 fichas: 10 rojas y 20 azules : “Seleccionar tres fichas de una por una y CON sustitución” P(las tres fichas sean rojas) = P(𝑅1 ∩ 𝑅2 ∩ 𝑅3) = P(𝑅1)𝑃(𝑅2 𝑅1⁄ )𝑃(𝑅3 ∕ 𝑅1 ∩ 𝑅2) P(𝑅1 ∩ 𝑅2 ∩ 𝑅3) = ( 10 30 ) ( 10 30 ) ( 10 30 ) = 𝑃(𝑅1)𝑃(𝑅2)𝑃(𝑅3) 𝑃(𝑅2 𝑅1⁄ ) = 𝑃(𝑅2) 𝑃(𝑅3 𝑅1⁄ ∩ 𝑅2) = 𝑃(𝑅3) Ejemplo: Si Ω = {1, 2, 3, 4} y 𝐴 = {1, 3} , 𝐵 = {3, 4} y 𝐶 = {1, 2, 4}, demuestre que: a. Los eventos A y B son independientes. 𝑷(𝑨 ∩ 𝑩) = 𝑷(𝑨)𝑷(𝑩)? 𝑷(𝑨) = #(𝐴) #(Ω) = 2 4 , 𝑷(𝐵) = #(𝐵) #(Ω) = 2 4 y 𝑃(𝐴 ∩ 𝐵) = #(𝐴∩𝐵) #(Ω) = 1 4 Ahora 𝑃(𝐴)𝑃(𝐵) = 2 4 ∗ 2 4 = 1 4 𝑶𝒃𝒔𝒆𝒓𝒗𝒂𝒎𝒐𝒔 𝒒𝒖𝒆 𝑷(𝑨 ∩ 𝑩) = 𝑷(𝑨)𝑷(𝑩), por lo tanto, A y B son eventos independientes b. ¿Los eventos B y C son independientes? 𝑃(𝐶) = #(𝐶) #(Ω) = 3 4 , además 𝑃(𝐵) = #(𝐵) #(Ω) = 2 4 y 𝑃(𝐶 ∩ 𝐵) = #(𝐶∩𝐵) #(Ω) = 1 4 𝑃(𝐶)𝑃(𝐵) = 3 4 ∗ 2 4 = 3 8 𝑶𝒃𝒔𝒆𝒓𝒗𝒂𝒎𝒐𝒔 𝒒𝒖𝒆 𝑷(𝑪 ∩ 𝑩) ≠ 𝑷(𝑪)𝑷(𝑩), por lo tanto, C y B NO son eventos independientes Problema: Si los eventos A y B son eventos independientes demuestre que: a. Los eventos A y BC son independientes. b. Los eventos B y AC son independientes. Los eventos A y B son independientes, es decir, 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴)𝑃(𝐵) Por demostrar que los eventos B y AC son independientes, esto es, 𝑃(𝐵 ∩ 𝐴𝐶) = 𝑃(𝐵)𝑃(𝐴𝐶) Demostración: 𝑃(𝐵 ∩ 𝐴𝐶) = 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵), si aplicamos la hipótesis 𝑃(𝐵 ∩ 𝐴𝐶) = 𝑃(𝐵) − 𝑃(𝐴)𝑃(𝐵) = 𝑃(𝐵)[1 − 𝑃(𝐴)] = 𝑃(𝐵)𝑃(𝐴𝐶) c. Los eventos AC y BC son independientes. Hipótesis: Los eventos A y B son independientes, es decir, 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴)𝑃(𝐵) Por demostrar que los eventos BC y AC son independientes, esto es, 𝑃(𝐵𝐶 ∩ 𝐴𝐶) = 𝑃(𝐵𝐶)𝑃(𝐴𝐶) Demostración: 𝑃(𝐵𝐶 ∩ 𝐴𝐶) = 1 − 𝑃(𝐴 ∪ 𝐵) = 1 − [ 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵)], si aplicamos la hipótesis (𝐵𝐶 ∩ 𝐴𝐶) = 1 − [ 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴)𝑃(𝐵)] = [1 − 𝑃(𝐴)] − [𝑃(𝐵){1 − 𝑃(𝐴)}] 𝑃(𝐵𝐶 ∩ 𝐴𝐶) = 𝑃(𝐴𝐶) − [𝑃(𝐵)𝑃(𝐴𝐶)] = 𝑃(𝐴𝐶)[1 − 𝑃(𝐵)] = 𝑃(𝐴𝐶)𝑃(𝐵𝐶) Ejemplo: ➢ Se lanzan dos dados normales. Calculelas siguientes probabilidades: El experimento aleatorio es: “Lanzar dos dados”, es una prueba ordenada con sustitución a. Que el total de números mostrados sea divisible entre dos. A= {La suma de los números mostrados es divisible entre dos} 𝑷(𝑨) = 𝑃(𝐼1 ∩ 𝐼2) + 𝑃(𝑃1 ∩ 𝑃2) = 𝑃(𝐼1)𝑃(𝐼2) + 𝑃(𝑃1)𝑃(𝑃2) = ( 3 6 ) ( 3 6 ) + ( 3 6 ) ( 3 6 ) ➢ Cuál es la probabilidad de que, al marcar un número telefónico de siete cifras, todas la cifras sean impares. 𝑰𝒌: 𝐿𝑎 𝑘 − é𝑠𝑖𝑚𝑎 𝑐𝑖𝑓𝑟𝑎 𝑒𝑠 𝑖𝑚𝑝𝑎𝑟 𝑘 = 1, 2, … . , 7 , los eventos 𝐼𝑘 son independientes 𝑃(𝐼1 ∩ 𝐼2 ∩ 𝐼3 ∩ 𝐼4 ∩ 𝐼5 ∩ 𝐼6 ∩ 𝐼7) = 𝑃(𝐼1)𝑃(𝐼2)𝑃(𝐼3)𝑃(𝐼4)𝑃(𝐼5)𝑃(𝐼6)𝑃(𝐼7) 𝑃(𝐼1 ∩ 𝐼2 ∩ 𝐼3 ∩ 𝐼4 ∩ 𝐼5 ∩ 𝐼6 ∩ 𝐼7) = ( 5 10 ) ( 5 10 ) ( 5 10 ) ( 5 10 ) ( 5 10 ) ( 5 10 ) ( 5 10 ) = ( 5 10 ) 7 RESUMEN: 1. PROBABILIDAD CONDICIONAL: Sean 𝑨 y 𝑩 dos eventos arbitrarios, la Probabilidad Condicional del evento 𝑨 dado que el evento 𝑩 ha ocurrido, se define como: 𝑷(𝑨 𝑩⁄ ) = 𝑷(𝑨 ∩ 𝑩) 𝑷(𝑩) = #(𝑨 ∩ 𝑩) #(𝑩) 𝑃(𝐵) > 0 2. TEOREMA DE LA MULTIPLICACIÓN Si A y B son eventos arbitrarios, entonces: 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) ∗ 𝑃(𝐵 ∕ 𝐴) ó 𝑃(𝐵 ∩ 𝐴) = 𝑃(𝐵) ∗ 𝑃(𝐴 ∕ 𝐵) 3. TEOREMA DE LA PROBABILIDAD TOTAL Sean n AAA ,........,, 21 , es una Partición del espacio muestral . Para cualquier evento arbitrario B (asociado con ), se tiene que 𝑃(𝐵) = ∑ 𝑃(𝐴𝑖)𝑃(𝐵 𝐴𝑖⁄ ) 𝑛 𝑖=1 = 𝑃(𝐴1)𝑃(𝐵 𝐴1⁄ ) + 𝑃(𝐴2)𝑃(𝐵 𝐴2⁄ )+. . +𝑃(𝐴𝑛)𝑃(𝐵 𝐴𝑛⁄ ) 4. TEOREMA DE BAYES Si nAAA ,........,, 21 es una Partición del espacio muestral con ( ) 0iAP para toda ni ,1= . y B es un evento asociado con con ( ) 0BP , entonces se tiene que 𝑃(𝐴𝑘 𝐵⁄ ) = 𝑃(𝐴𝑘)𝑃(𝐵 ∕ 𝐴𝐾) ∑ 𝑃(𝐴𝑖)𝑃(𝐵 𝐴𝑖⁄ ) 𝑛 𝑖=1 𝑃(𝐴𝑘 𝐵⁄ ) = 𝑃(𝐴𝑘) 𝑃(𝐵 𝐴𝑘⁄ ) 𝑃(𝐵) 5. INDEPENDENCIA DE EVENTOS Los eventos A y B son independientes, si y sólo si, 𝑷(𝑨 ∩ 𝑩) = 𝑷(𝑨)𝑷(𝑩) EJERCICIOS • Problema 1. Sean A y B eventos arbitrarios tales que )(AP =0.75, )(BP =0.35 y )( BAP =0.25, calcule las siguientes probabilidades: a. 𝑃(𝐴 𝐵⁄ ) = 𝑷(𝑨∩𝑩) 𝑷(𝑩) = 0.25 0.35 = 0.7142 b. 𝑃(𝐵 𝐴⁄ ) = 𝑷(𝑨∩𝑩) 𝑷(𝑨) = 0.25 0.75 = 0.3333 c. 𝑃(𝐴𝐶 𝐵⁄ ) = 𝑷(𝑨𝑪∩𝑩) 𝑷(𝑩) = 𝑃(𝐵)− 𝑷(𝑨∩𝑩) 𝑃(𝐵) = 0.35−0.25 0.35 = 0.2857 Observación: 𝑃(𝐴𝐶 𝐵⁄ ) = 𝑃(𝐴𝐶 ∩ 𝐵) 𝑃(𝐵) = 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵) 𝑃(𝐵) = 𝑃(𝐵) 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵) 𝑃(𝐵) 𝑃(𝐴𝐶 𝐵⁄ ) = 1 − 𝑃(𝐴 𝐵⁄ ) = 1 − 0.7142 = 0.2858 d. 𝑷(𝑩𝑪 𝑨⁄ ) = 1 − 𝑃(𝐵 𝐴⁄ ) = 1 − 0.3333 = 0.6667 Observación: 𝑃(𝐵𝐶 𝐴⁄ ) = 𝑃(𝐵𝐶 ∩ 𝐴) 𝑃(𝐴) = 𝑃(𝐴) − 𝑃(𝐴 ∩ 𝐵) 𝑃(𝐴) = 0.75 − 0.25 0.75 = 0.6666 e. 𝑷(𝑨 𝑩𝑪⁄ ) = 𝑷(𝑨∩𝑩𝑪) 𝑷(𝑩𝑪) = 𝑃(𝐴)− 𝑷(𝑨∩𝑩) 1−𝑃(𝐵) = 0.75−0.25 1− 0.35 = 0.50 0.65 = 0.7692 f. 𝑷(𝑩 𝑨𝑪⁄ ) = 𝑷(𝑩∩𝑨𝑪) 𝑷(𝑨𝑪) = 𝑃(𝐵)− 𝑷(𝑨∩𝑩) 1−𝑃(𝐴) = 0.35−0.25 1− 0.75 = 0.10 0.25 = 0.40 g. 𝑷(𝑨𝑪 𝑩𝑪⁄ ) = 1 − 𝑷(𝑨 𝑩𝑪⁄ ) = 1 − 0.7692 = 0.2308 Otra forma de calcular la probabilidad es: 𝑷(𝑨𝑪 𝑩𝑪⁄ ) = 𝑷(𝑨𝑪 ∩ 𝑩𝑪) 𝑃(𝐵𝐶) = 1 − 𝑃(𝐴 ∪ 𝐵) 1 − 𝑃(𝐵) = 1 − [𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵) 1 − 𝑃(𝐵) 𝑷(𝑨𝑪 𝑩𝑪⁄ ) = 1 − [0.75 + 0.35 − 0.25] 1 − 0.35 = 0.2307 h. 𝑷(𝑩𝑪 𝑨𝑪⁄ ) = 1 − 𝑷(𝑩 𝑨𝑪⁄ ) = 1 − 0.40 = 0.60 Otra forma de calcular la probabilidad es: 𝑷(𝑩𝑪 𝑨𝑪⁄ ) = 𝑷(𝑨𝑪 ∩ 𝑩𝑪) 𝑃(𝐴𝐶) = 1 − 𝑃(𝐴 ∪ 𝐵) 1 − 𝑃(𝐴) = 1 − [𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵) 1 − 𝑃(𝐵) 𝑷(𝑨𝑪 𝑩𝑪⁄ ) = 1 − [0.75 + 0.35 − 0.25] 1 − 0.75 = 0.60 i. P(A ∪ B ∕ A) = 𝑃[(A∪B)∩(A)] 𝑃(𝐴) = 𝑃(𝐴) 𝑃(𝐴) = 1 Observación: En General si ⊂ 𝑁 , entonces 𝑃(𝑁 𝑀⁄ ) = 1 j. P(A ∩ B ∕ B) = = 𝑃[(𝐴∩𝐵)∩(𝐵)] 𝑃(𝐵) = 𝑃(𝐴∩𝐵) 𝑃(𝐵) = 0.25 0.35 Observación: En General si ⊂ 𝑁 , entonces 𝑃(𝑀 𝑁⁄ ) = 𝑃(𝑀) 𝑃(𝑁) Problema 3. Un profesor de matemáticas da clases en una sección matutina y en una vespertina de cálculo diferencial. Sea A ={el profesor da una mala conferencia matutina} y B ={el profesor da una mala conferencia vespertina}. Si )(AP =0.3, )(BP =0.2 y )( BAP =0.1, calcule e interprete las siguientes probabilidades: a. 𝑃(𝐴 𝐵⁄ ) = 𝑷(𝑨∩𝑩) 𝑷(𝑩) = 0.1 0.2 = 0.5: “La probabilidad de que, el profesor dé una mala conferencia matutina, dado que dio una mala conferencia vespertina” b. 𝑃(𝐵 𝐴⁄ ) = 𝑷(𝑨∩𝑩) 𝑷(𝑨) = 0.1 0.3 = 0.3333: “La probabilidad de que, el profesor dé una mala conferencia vespertina, dado que dio una mala conferencia matutina” c. 𝑃(𝐵𝐶 𝐴⁄ ) = 1 − 𝑃(𝐵 𝐴⁄ ) = 1 − 0.3333 = 0.6667: “La probabilidad de que, el profesor NO dé una mala conferencia vespertina, dado que dio una mala conferencia matutina” d. 𝑃(𝐵 𝐴𝐶⁄ ) = 𝑷(𝑩∩𝑨𝑪) 𝑷(𝑨𝑪) = 𝑃(𝐵)− 𝑷(𝑨∩𝑩) 1−𝑃(𝐴) = 0.2−0.1 1− 0.3 = 0.10 0.7 = 0.1428: “La probabilidad de que, un profesor dé una mala conferencia vespertina, dado que NO dio una mala conferencia matutina” “El 14.28% de las veces, el profesor da una mala conferencia vespertina, dado que NO dio una mala conferencia matutina” e. 𝑃(𝐵𝐶 𝐴𝐶⁄ ) = 1 − 𝑷(𝑩 𝑨𝑪⁄ ) = 1 − 0.1428 = 0.8572: “El 85.72% de las veces, el profesor NO da una mala conferencia vespertina, dado que NO dio una mala conferencia matutina” “Cuando el profesor no da una mala conferencia matutina, el 85.72 % de la veces da una mala conferencia vespertina”
Compartir