Ejercicios de Probabilidades

PROBABILIDADES
1.- a).- Se elige al azar un nmero entre los 200 primeros nmeros enteros positivos
cual es la probabilidad de que el numero elegido sea divisible por 6 o por 8?
Desarrollo
Datos
n=1; 2; 3; .....200
A=divisible por 6;
P(A)=33/200
B=divisible por 8
P(B)=25/200
Luego
P(AnB)=8/200
mcm(6,8)=24
Me piden:
P(AUB)=P(A)+P(B)-P(AB)
= 33 + 25 200
200
8
200
= 0,25
EJEMPLO 2: Un Doctor dispone de tres equipos electrnicos para realizar ecosonogramas. El uso que le da a
cada equipo es de 25% al primero, 35% el segundo en y 40% el tercero. Se sabe que los aparatos tienen
probabilidades de error de 1%, 2% y 3% respectivamente. Un paciente busca el resultado de una ecografa y
observa que tiene un error. Determine la probabilidad de que se ha usado el primer aparato.
SOLUCIN:
Se definen los sucesos:
Suceso P: seleccionar el primer aparato
Suceso S: seleccionar el segundo aparato

Suceso T: seleccionar el tercer aparato
Suceso E: seleccionar un resultado con error
Se puede observar que la pregunta es sobre determinar la probabilidad de que un examen errado sea del
primer aparato, es decir, ya ha ocurrido el error. Por lo tanto, debemos recurrir al teorema de Bayes. Claro est,
que es necesario de igual forma obtener la probabilidad de que los aparatos produzcan un resultado errneo,
por lo tanto:
EJEMPLO 3
Un mdico cirujano se especializa en cirugas estticas. Entre sus pacientes, el 20% se realizan correcciones
faciales, un 35% implantes mamarios y el restante en otras cirugas correctivas. Se sabe adems, que son de
gnero masculino el 25% de los que se realizan correcciones faciales, 15% implantes mamarios y 40% otras
cirugas correctivas. Si se selecciona un paciente al azar, determine: a.) Determine la probabilidad de que sea
de gnero masculino ; b). Si resulta que es de gnero masculino, determine la probabilidad que se haya
realizado una ciruga de implantes mamarios.
SOLUCIN: Se definen los sucesos:
Suceso F: pacientes que se realizan cirugas faciales.
Suceso M: pacientes que se realizan implantes mamarios
Suceso
O: pacientes que se realizan otras cirugas correctivas
Suceso
H: pacientes de gnero masculino
a. La probabilidad de que sea de gnero masculino se refiere a un problema de probabilidad total, ya que es el
suceso condicionado y las cirugas los condicionantes. Dicho valor ser:
b. Como el suceso condicionado ha ocurrido entonces se aplica el teorema de Bayes, luego, el valor de la
probabilidad ser:
EJEMPLO 4
: Se estima que el 15% de la poblacin adulta padece de hipertensin, pero que el 75% de todos
los adultos creen no tener este problema. Se estima tambin que el 6% de la poblacin tiene hipertensin
aunque no es consciente de padecerla. Si un paciente adulto opina que no tiene hipertensin, cul es la
probabilidad de que realmente sea hipertenso?
RESOLUCIN. Consideramos los sucesos: A1 = {el paciente tiene hipertensin}, A2 = {el paciente no tiene
hipertensin}, Los cuales forman un sistema completo de suecesos o particin del espacio muestral. Por
hiptesis P (A1) = 0.15, luego P (A2) = 0.85. Por otra parte, consideramos los sucesos:
B1 = {el paciente es consciente de padecer hipertensin},
B2 = {el paciente no es consciente de padecer hipertensin}.
Conjugando los datos del problema con el hecho de que B1 y B2 son complementarios encontramos que
P(B1) = 0.25 y P(B2) = 0.75.
Por hiptesis se tiene que P (B2/A1) = 0.06. La probabilidad de que un paciente adulto sea realmente
hipertenso cuando opina que no tiene hipertensin (esto es, no es consciente de padecerla) viene dada por
P(A1/B2). En virtud del Teorema de Bayes, esta probabilidad a posteriori puede ser calculada como: P (A1/B2)
= P (A1) P (B2/A1) / P (B2) = 0.150.06 /0.75 = 0.012. Podemos concluir entonces que un 1.2% de los
pacientes que opinan que no padecen de hipertensin son realmente hipertensos
EJEMPLO 5
. En qumica clnica son particularmente interesantes los llamados coecientes falso-positivo y
falso-negativo de un test. Tales coecientes son probabilidades condicionadas. El coeciente falso-positivo es la

probabilidad de que el contraste resulte positivo cuando de hecho el sujeto no padece la dolencia. El coeciente
falso-negativo se dene de manera anloga. Es decir:
= coeciente falso-positivo = P(el test da +/el sujeto
es en realidad ) ; = coeciente falso-negativo = P(el test da /el sujeto es en realidad +).

Cada una de estas probabilidades es una probabilidad de error; por tanto, cabe esperar que los valores
obtenidos en la prctica sean prximos a cero. Los resultados siguientes se obtuvieron en un estudio diseado
con el n de averiguar la capacidad de un cirujano patlogo para clasificar correctamente las biopsias
quirrgicas como malignas o benignas
Positivo (MALIGNO)
negativo (BENIGNO)
CIERTO MALIGNO
79
19
CIERTO BENIGNO
395
Determinar y a partir de estos datos. Observe que de acuerdo con la tabla anterior un diagnostico positivo
corresponde a una clasificacin de la biopsia como maligno. Los datos de dicha tabla arrojan los siguientes
resultados
Nmero de casos estudiados:
79+19+7+395 = 500.
Nmero de casos malignos:
79+19 = 98.
Nmero de casos benignos:
7+395 = 402.
Nmero de casos con diagnstico positivo: 79 +7 = 86.

Nmero de casos con diagnstico negativo: 19+395 = 414.
Estamos interesados en calcular los coeficientes falso-positivos y falso negativos para casos estudiados,
para tal fin definimos los sucesos:
T+ = {el diagnstico es positivo},
T = {el diagnstico es negativo}.
Al ser equiprobable cada caso estudiado, segn los datos inferidos de la tabla encontramos que
P (T +) = 86 /500 y P(T ) = 414 /500.
Asimismo, sean: R + = {la biopsia es en realidad maligna}, R = {la biopsia es en realidad benigna}.
De modo similar se tiene que P(R+) = 98 /500 y P(R ) = 402 /500. ;T + = {el diagnstico es positivo},
T = {el diagnstico es negativo}.
tabla encontramos que
Al ser equiprobable cada caso estudiado, segn los datos inferidos de la
Por definicin, = P(T +/R ) = P(T + R ) / P(R) ; = P(T /R+) = P(T R +) /P(R+)
Ahora bien, el nmero de casos con biopsia benigna clasicados como positivos es de 7, por lo que
P(T + R ) = 7 /500. De igual manera, P(T R +) = 19 /500.
Consecuentemente, = (7 /500) / (402/ 500 ) = 7 / 402 = 0.017,

= (19 /500) / (98 / 500) = 19 /98 = 0.194.
Como conclusin podramos decir que el cirujano patlogo detecta la enfermedad en pacientes que no la tienen
en un 1.7%, mientras que no detecta la enfermedad en pacientes que la tienen en un 19.4% de los casos.
EJEMPLO 6. Un test detecta la presencia de cierto tipo T de bacterias en el agua con probabilidad 0.9, en caso
de haberlas. Si no las hay, detecta la ausencia con probabilidad de 0.8. Sabiendo que la probabilidad de que
una muestra de agua contenga bacterias del tipo T es 0.2, calcular la probabilidad de que:
a) Realmente haya presencia de bacterias cuando el test ha dado resultado positivo.
b) Realmente haya presencia de bacterias cuando el test ha dado resultado negativo.
c) Haya bacterias y adems el test d positivo.
d) O haya bacterias, o el test d positivo.
RESOLUCIN. Consideramos los sucesos:
A1 = {la muestra contiene bacterias tipo T}, A2 = {la muestra no contiene bacterias tipo T}.
Ntese que ambos sucesos A1 y A2 forman un sistema completo, es decir, son complementarios en el espacio
muestral del experimento que estamos considerando. Por hiptesis P (A1) = 0.2, obligando a que P(A2) =
P(A1) = 10.2 = 0.8
Por otra parte, sean los sucesos:
T + = {el test detecta la presencia de bacterias},
T = {el test no detecta la presencia de bacterias}.
De acuerdo con los datos disponibles, sabemos que
P(T +/A1) = 0.9 y P(T /A2) = 0.8
de modo que las siguientes probabilidades, correspondientes a los sucesos condicionados complementarios,
vienen dadas por: P(T /A1) = 0.1 y P(T +/A2) = 0.2.
En virtud del Teorema de Bayes, la probabilidad P(A1/T +) de que realmente haya presencia de bacterias
cuando el resultado del test ha sido positivo viene dada por
P(A1/T +) =( P(A1)P(T +/A1)) / P(T +) = (P(A1)P(T +/A1)) / P(A1)P(T +/A1) +P(A2)P(T+/A2)
= 0.20.9 /0.20.9+0.80.2 = 0.18 / 0.34 = 0.53.
b) De igual manera, la probabilidad de que realmente haya presencia de bacterias cuando el test ha resultado
negativo es P(A1/T ) = (P(A1)P(T /A1)) / P(A1)P(T /A1) +P(A2)P(T /A2) =
0.20.1 / 0.20.1+0.80.8 = 0.02 /0.66 = 0.03.
c) La probabilidad de que hayan bacterias y adems el test d positivo es:
P(A1 T +) = P(A1)P(T +/A1) = 0.20.9 = 0.18.
Ntese que, como P(T +) = 0.34, tambin tenemos
P(A1 T +) = P(T +)P(A1/T +) = 0.340.53 ' 0.18.
d) Finalmente, la probabilidad de que o bien hayan bacterias en el agua o el test d positivo viene dada por:
P(A1 T +) = P(A1) +P(T +)P(A1 T +) = 0.2+0.340.18 = 0.36.

Ejercicios de Probabilidades

Cargado por

Copyright:

Formatos disponibles

Ejercicios de Probabilidades

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Ejercicios de Probabilidades

Cargado por

Copyright:

Formatos disponibles

PROBABILIDADES

Suceso S: seleccionar el segundo aparato

O: pacientes que se realizan otras cirugas correctivas

H: pacientes de gnero masculino

. En qumica clnica son particularmente interesantes los llamados coecientes falso-positivo y

falso-negativo de un test. Tales coecientes son probabilidades condicionadas. El coeciente falso-positivo es la

= coeciente falso-positivo = P(el test da +/el sujeto

es en realidad ) ; = coeciente falso-negativo = P(el test da /el sujeto es en realidad +).

Nmero de casos malignos:

Nmero de casos benignos:

Nmero de casos con diagnstico positivo: 79 +7 = 86.

Al ser equiprobable cada caso estudiado, segn los datos inferidos de la

Consecuentemente, = (7 /500) / (402/ 500 ) = 7 / 402 = 0.017,

También podría gustarte