Captulo 3

Probabilidad Condicional
e Independencia

3.1. Introducci
on.
Consideremos una poblacion de 20 estudiantes entre los cuales hay 14 que estudian Medicina y 6 que
estudian Ingeniera. De esta poblacion se escogen sin reposicion dos estudiantes al azar y se consideran
los eventos:
E1 : El primer estudiante seleccionado estudia Medicina.
E2 : El segundo estudiante seleccionado estudia Medicina.
El espacio muestral que consideramos consiste de la coleccion de todos los pares ordenados

(ai , aj ); (ai , bk ); (bk , ai ); (bk , bh )

donde los ai son estudiantes de Medicina y los bj son de Ingeniera, i 6= j; k 6= h; i, j 14; h, k 6. El

n
umero de eventos elementales es 20 19.
La siguiente tabla de doble entrada indica el n umero de puntos muestrales correspondientes a la
particion de seg
un los eventos E1 , E2 y sus complementos. En la u ltima fila aparecen los totales
correspondientes a cada columna y en la ultima columna los correspondientes a cada fila.

E2 E2c
E1 1413 146 1419
E1c 614 65 619
1419 619 2019
Tabla 3.1
Utilizando este cuadro podemos calcular facilmente las probabilidades de eventos tales como

14 13 14 19 6 14
P (E1 E2 ) = ; P (E1 ) = ; P (E1c E2 ) = .
20 19 20 19 20 19
Veamos ahora el siguiente problema: Si sabemos que el primer estudiante estudia Medicina, cual es la
probabilidad de que el segundo tambien?
En este caso vemos, a partir de la tabla, que hay 14 19 resultados posibles, de los cuales 14 13 son
favorables al evento E2 y por lo tanto la probabilidad que deseamos calcular es

14 13 (14 13)/(20 19) P (E1 E2 )

= = .
14 19 (14 19)/(20 19) P (E1 )
54 CAP
ITULO 3. PROBABILIDAD CONDICIONAL E INDEPENDENCIA

La probabilidad que hemos calculado se llama probabilidad condicional de E2 dado E1 y se denota

P (E2 |E1 ).
Observamos que P (E2 ) = 1419 7 13
2019 = 10 no coincide con P (E2 |E1 ) = 19 . Al saber que ocurri o E1
disponemos de cierta informacion adicional que modifica nuestro espacio muestral: la nueva poblacion,
para la segunda extraccion, no coincide con la original, ya que solo quedan 13 estudiantes de Medicina
de un total de 19 estudiantes posibles.
Notemos ademas que si las extracciones se realizan con reposicion esto no ocurre, ya que el resultado
de la primera extraccion no nos da ninguna informacion sobre la segunda. En este caso se tiene:
7
P (E2 |E1 ) = P (E2 ) = .
10

Definici
on 3.1 Sea (, A, P ) un espacio de probabilidad y sea B A tal que P (B) > 0. Definimos una
nueva funcion P (|B) de A en R mediante

P (A B)
P (A|B) = para todo A A.
P (B)

Esta funcion P (|B) que hemos definido es una probabilidad; en efecto:

1. P (A|B) 0 para todo A A.

P (B) P (B)
2. P (|B) = P (B) = P (B) = 1.

3. Sean A1 , A2 , . . . conjuntos disjuntos en A, entonces

[ S S
P (B i=1 Ai ) P ( i=1 B Ai )
P ( Ai |B) = =
i=1
P (B) P (B)
P
P (B Ai ) X
= i=1 = P (Ai |B).
P (B) i=1

P (|B) se llama probabilidad condicional dado B.

Dos propiedades elementales de la probabilidad condicional son las siguientes:
Si A y B son disjuntos, entonces P (A|B) = 0. En efecto,

P (A B)
A B = P (A B) = 0 y P (A|B) = = 0.
P (B)

Si B A entonces P (A|B) = 1 ya que en este caso P (A B) = P (B).

Ejemplos

1. Se lanzan dos dados hasta que la suma de los puntos sea 7 u 8. Si sale 7 gana el jugador A, si sale
8 gana B. Cual es la probabilidad de que gane A?
I Vamos a resolver este problema de dos maneras. Supongamos primero que al cabo de n lanzamientos
gana A. Esto quiere decir que en los n 1 primeros lanzamientos no salio ni 7 ni 8, y que en el
n-esimo se obtuvo 7. Este evento tiene probabilidad
n1
1 25
pn = .
6 36

3.1. INTRODUCCION. 55

De esta manera, la probabilidad de que A gane es:

X X n1
1 25
P (A) = pn =
n=1 n=1
6 36
n
1 X 25
=
6 n=0 36
1 1 6
= 25 = .
6 1 36 11
Otra forma de resolver el problema es observar que la probabilidad de que gane A es la probabilidad
condicional de que la suma de puntos sea 7, dado que el juego termina en un cierto lanzamiento, es
decir, dado que la suma es 7 u 8 (hay que observar que la probabilidad de que el juego no termine
es cero) o sea
6
P ({7}) 6
P (A) = P ({7}|{7, 8}) = = 36
11 = .
P ({7, 8}) 36
11
N

2. Se lanza un dado dos veces.

a) Si la suma de los resultados es 8, cual es la probabilidad de que el primer lanzamiento haya
resultado en k, 1 k 6?
b) Si el primer lanzamiento resulto en 3, cual es la probabilidad de que el segundo sea k, 1 k 6?
c) Si el primer lanzamiento resulto en 3, cual es la probabilidad de que la suma de ambos lanza-
mientos sea 7?

I Sea X el resultado del primer lanzamiento e Y el del segundo. Sabemos que P (X = k) = P (Y =

k) = 1/6, 1 k 6.
a) Queremos calcular
P ((X = k) (X + Y = 8))
P (X = k|X + Y = 8) = .
P (X + Y = 8)
Veamos primero la probabilidad en el denominador. Observamos que hay 5 resultados cuya suma es
ocho de un total de 36 resultados posibles, que corresponden a los pares ordenados (2, 6); (3, 5); (4, 4);
(5, 3); (6, 2) y por lo tanto la probabilidad en el denominador vale 5/36. Por otro lado, la proba-
bilidad en el numerador vale 0 si tomamos k = 1. Para 2 k 6 hay un solo resultado del
segundo lanzamiento para el cual la suma es ocho: Y = 8 k y en consecuencia la probabilidad en
el numerador es 1/36. Finalmente tenemos
(
1/5 si 2 k 6,
P (X = k|X + Y = 8) =
0 si k = 1.

b) Ahora nos interesa calcular

P ((Y = k) (X = 3))
P (Y = k|X = 3) = .
P (X = 3)
Sabemos que P (X = 3) = 1/6. Para calcular la probabilidad del numerador observamos que de un
total de 36 resultados posibles, solo uno corresponde al evento (Y = k) (X = 3) y por lo tanto
esta probabilidad es 1/36. En consecuencia
1/36 1
P (Y = k|X = 3) = = .
1/6 6
56 CAP
ITULO 3. PROBABILIDAD CONDICIONAL E INDEPENDENCIA

Este resultado es igual a P (Y = k) y concuerda con lo que uno esperara intuitivamente, ya que
saber el resultado del primer lanzamiento no debe afectar en manera alguna el resultado del segundo.
c) Nos interesa ahora

P ((Y + Y = 7) (X = 3))
P (X + Y = 7|X = 3) =
P (X = 3)
pero
(X + Y = 7) (X = 3) = (3 + Y = 7) (X = 3) = (Y = 4) (X = 3),
por lo tanto
P ((Y = 4) (X = 3))
P (X + Y = 7|X = 3) =
P (X = 3)
y por el resultado de la parte b de este ejercicio sabemos que esta probabilidad es 1/6. N

3. Consideremos ahora una situacion que se presenta con frecuencia en casos de controles masivos
aplicados en prevencion medica y control de calidad de productos.
Para controlar una cierta enfermedad en una poblacion donde la proporcion de enfermos es p se
usa un determinado examen medico para detectar enfermos. Se sabe que la probabilidad de que al
aplicar el examen a un enfermo lo muestre como tal es de 0.90, y que la probabilidad de que el
examen aplicado a una persona sana la se nale como enferma es 0.01. Calcular la probabilidad de
que una persona este realmente enferma si el examen medico lo mostro como tal.
I Para responder esta pregunta elegimos al azar una persona en la poblacion y consideramos los
eventos
E: la persona esta enferma.
R: el examen la detecta como enferma.
Queremos calcular
P (E R)
P (E|R) = .
P (R)
Sabemos que

P (E) = p,
P (E R)
P (R|E) = = 0.90,
P (E)
P (E c R)
P (R|E c ) = = 0.01.
P (E c )
A partir de las dos primeras igualdades obtenemos

P (E R) = 0.90p

y a partir de la tercera
P (E c R) = 0.01(1 p).
Por lo tanto

P (R) = P (R E) + P (R E c )
= 0.90p + 0.01(1 p),

y en consecuencia
0.90p 90p
P (E|R) = = .
0.90p + 0.01(1 p) 89p + 1

3.1. INTRODUCCION. 57

1
En particular, si p = 30 resulta
P (E|R) ' 0.76.

Llama la atencion que esta probabilidad no sea muy proxima a 1, como uno esperara. Analizando
el comportamiento de P (E|R) como funcion de p (ver figura 3.1) observamos que si la proporcion
p de enfermos en la poblacion es peque na, el metodo de control masivo es insuficiente, dado que
P (E|R) esta lejos de 1. Por ejemplo, si p = 0.001, resulta P (E|R) ' 0.083.
...
P (E|R) ..............
..
.
1.............. .......................................................................................................................................
...........................................
............
.... .......
.....
... ....
.. ..
... ....
... ...
... ...
... ...
... ..
.............
0.5 ......
......
......
......
......
.....
...
...
...
. .
...............................................................................................................................................................................................................................................................................
. . .
.. ..
p
0.5 1

Figura 3.1

Los datos de este ejemplo han sido elegidos arbitrariamente, pero observamos, sin embargo, que
cualquier metodo de control que pueda implicar errores en la clasificacion considerada, esta sujeto
a dificultades como la que hemos encontrado anteriormente, que requieren un analisis previo a su
aplicacion. N

4. Consideremos las familias que tienen dos ni

nos y supongamos que varones y hembras son igualmente
probables. Si escogemos al azar una familia y en ella hay un hijo varon, cual es la probabilidad de
que el otro hijo sea tambien varon?
I En este problema el espacio muestral es

= {(v, v); (v, h); (h, v); (h, h)}

donde v es varon, h es hembra y el orden del par es el orden de los nacimientos. Cada uno de los
puntos tiene probabilidad 1/4.
Al considerar este problema uno podra llegar a la conclusion de que, como ambos sexos son igual-
mente probables, la probabilidad que buscamos es 1/2. Veremos, sin embargo, que esto no es cierto.
Sea

A : uno de los hijos es varon

B : ambos hijos son varones

entonces B A y A B = B. Por lo tanto

P (B) 1/4 1
P (B|A) = = = ,
P (A) 3/4 3
que es la respuesta correcta al problema. N

5. Veamos un problema parecido al anterior. Consideremos de nuevo las familias que tienen dos hijos.
Si escogemos un nino al azar entre estas familias y resulta ser varon, cual es la probabilidad de
que el otro ni
no en la familia tambien sea varon?
58 CAP
ITULO 3. PROBABILIDAD CONDICIONAL E INDEPENDENCIA

I En este ejercicio, una representacion apropiada del espacio muestral es la siguiente:

0 = {hv , hh , vh , vv }

donde los puntos del espacio muestral no son ahora las familias sino los hijos en las familias y hv :
hembra que tiene un hermano, hh : hembra que tiene una hermana, vh : varon que tiene una
hermana y vv : varon que tiene un hermano. Sea

A0 : el nino escogido es varon00

no escogido tiene un hermano00
B 0 : el ni

entonces
A0 B 0 = {vv }
y por lo tanto
P (A0 B 0 ) 1/4 1
P (B 0 |A0 ) = 0
= = .
P (A ) 1/2 2
N

6. El Problema de Selecci on Optima. Vamos a considerar la siguiente situacion: tenemos n objetos

del mismo tipo (por ejemplo, televisores, telefonos celulares, etc.) y suponemos que si nos dan
cualquier par de objetos, siempre podemos decidir cual es mejor, sin que haya empates. Queremos
seleccionar el mejor de ellos con las siguientes restricciones: nos ofrecen los objetos uno a uno al azar
y en cada caso debemos decidir si lo aceptamos o no. Si lo aceptamos tenemos que quedarnos con
ese objeto. Si no lo aceptamos se nos muestra el siguiente, pero los objetos rechazados no pueden
ser escogidos posteriormente.
En este problema podemos adoptar diversas estrategias. Por ejemplo podemos adoptar la siguiente
regla: nunca escogemos un objeto que sea de calidad inferior a los que hemos rechazado previa-
mente. Entonces podemos escoger el primer objeto y detener la b usqueda, o rechazamos el primer
objeto y examinamos los posteriores con la esperanza de obtener alguno mejor a lo largo de la
sucesion. Por supuesto, es posible que con esta estrategia nunca seleccionemos el mejor objeto, o
que lo rechacemos inicialmente y nunca podamos hacer una seleccion. Por otro lado, si el n
umero
de objetos es grande, es razonable rechazar el primero con la esperanza de encontrar uno mejor
posteriormente.
Supongamos que, siguiendo alguna estrategia, seleccionamos el i-esimo objeto, de modo que este
objeto debe ser mejor que todos los anteriores. Cual es la probabilidad de que el objeto que
escogemos sea realmente el mejor de todos?

I Sea B el evento que el i-esimo objeto sea el mejor de los observados hasta ese momento y sea A
el evento que ocurre si el i-esimo objeto es el mejor de los n objetos. Queremos calcular P (A|B),
para lo cual necesitamos P (B) y P (A B). Tenemos que A B, de modo que A B = A y
P (A B) = P (A). Por hipotesis los objetos se presentan al azar, de modo que todos los posibles
ordenes tienen la misma probabilidad. Por lo tanto P (B) es la probabilidad de que un objeto
dado, el mejor de todos, ocupe el lugar i. Como hay i! permutaciones de i objetos y hay (i 1)!
permutaciones si fijamos el lugar de un objeto, la probabilidad es

(i 1)! 1
P (B) = = .
i! i
De manera similar P (A) es la probabilidad de que en una permutacion hecha al azar de n objetos
distinguibles, un objeto dado, el mejor, ocupe el i-esimo lugar, de modo que

(m 1)! 1
P (A) = = .
m! m

3.1. INTRODUCCION. 59

Por lo tanto la probabilidad condicional es

P (A B) P (A) i
P (A|B) = = = .
P (B) P (B) m
N

7. El Tiempo de Vida. Estudiemos la distribucion del tiempo de vida de un aparato electrico bajo
la hipotesis de que el aparato no envejece, sino que se destruye por una perturbacion aleatoria.
Lo que queremos decir es que el objeto en cuestion cumple con la siguiente condicion: dado que el
aparato esta en funcionamiento en el instante s, se comporta respecto a su tiempo de vida futuro
a partir de ese instante como si hubiera comenzado a funcionar en s, es decir que

P (T > s + h|T > s) = P (T > h), h 0,

o sea
P (T > s + h)
= P (T > h).
P (T > s)

Si llamamos (t) = P (T > t), la igualdad anterior se puede escribir

(s + h) = (s)(h) (3.1)

para cualquier par de n

umeros positivos s y h. Esta ecuacion funcional se conoce como la ecuacion
de Hamel. Si no es identicamente nula veamos que

(t) = et donde t 0, 0.

I De (3.1), si s = h = 0, resulta
(0) = ((0))2
de donde (0) = 0 o (0) = 1. Ahora bien,

(0) = 0 (s) = (0)(s) = 0, para todo s 0

y tenemos una solucion trivial.

Consideremos ahora el caso (0) = 1. A partir de (3.1) deducimos

(ns) = (s + s + + s) = ((s))n , para todo s 0.

Si s = 1/n resulta
1
(1/n) = ((1)) n
poniendo ahora s = n/m, se tiene
n
(n/m) = ((1/m))n = ((1)) m ,

es decir que
(t) = ((1))t si t Q, t 0.

umero real positivo t. Sean (tk ), (t0k )

Falta mostrar que la relacion anterior es cierta para cualquier n
dos sucesiones de racionales positivos tales que

tk < t < t0k , tk t, t0k t,

entonces, dado que la funcion es monotona decreciente, resulta

0
((1))tk = (t0k ) (t) (tk ) = ((1))tk
60 CAP
ITULO 3. PROBABILIDAD CONDICIONAL E INDEPENDENCIA

haciendo k tenemos
((1))t (t) ((1))t
y por lo tanto (t) = ((1))t . Poniendo (1) = e obtenemos

(t) = et

donde debe ser positivo para que sea decreciente. Concluimos entonces que P (T > t) = et y
decimos que en este caso que T tiene distribucion exponencial.

Como ejemplo numerico de esta situacion supongamos que el tiempo de vida T medido en horas de
una cierta marca de focos tiene una distribucion exponencial con parametro = 0.001.
a) Calcule la probabilidad de que un foco de esta marca dure 2000 h.
b) Calcule la probabilidad de que dure 2000 h. dado que ha durado 1000 h.
a) P (T 2000) = e0.0012000 = e2 0.13533.
P ((T 2000)(T 1000)) P (T 2000) e2
b) P (T 2000|T 1000) = P (T 1000) = P (T 1000) = e1 = e1 0.367879.
N

3.2. Resultados B
asicos sobre Probabilidad Condicional.
Estudiaremos en esta seccion algunas propiedades sencillas pero fundamentales de la probabilidad
condicional.

Proposici
on 3.1 Para cualquier colecci
on finita de eventos A1 , . . . , An se tiene

P (A1 A2 An ) = P (A1 )P (A2 |A1 ) P (An |A1 A2 An1 )

siempre que P (A1 A2 An1 ) > 0.

Demostraci
on. Como

P (A1 ) P (A1 A2 ) P (A1 A2 An1 ) > 0

todas las probabilidades condicionales que aparecen estan bien definidas. Si escribimos explcitamente el
segundo miembro de la igualdad obtenemos
P (A1 A2 ) P (A1 A2 A3 ) P (A1 An )
P (A1 )
P (A1 ) P (A1 A2 ) P (A1 An1 )
y simplificando se obtiene el primer miembro de la igualdad.
Como ejemplo consideremos el siguiente problema.

1. Se extraen sin reposicion tres cartas de un juego completo de barajas. Calcule la probabilidad de
que ninguna sea trebol.
I Sea Ai : la i-esima carta no es trebol. Queremos calcular
39 38 37
P (A1 A2 A3 ) = P (A1 )P (A2 |A1 )P (A3 |A1 A2 ) = = 0.4135
52 51 50
N

Una de las propiedades mas u

tiles de la probabilidad condicional es la Ley de la Probabilidad Total, que
demostramos a continuacion.

3.2. RESULTADOS BASICOS SOBRE PROBABILIDAD CONDICIONAL. 61

Proposicion 3.2 (Ley de la Probabilidad Total) Sea B1 , B2 , . . . una familia finita o numerable de
conjuntos disjuntos dos a dos cuya uni
on es . Entonces, para cualquier evento A,
X
P (A) = P (Bi )P (A|Bi )
i

donde la suma se toma sobre todos los ndices i para los cuales P (Bi ) > 0.

Demostraci
on.

P (A) = P (A ) = P (A (i Bi ))
X
= P (i (A Bi )) = P (A Bi )
i
X
= P (Bi )P (A|Bi ).
i

Veamos ahora algunos ejemplos.

2. En una bolsa se colocan n tarjetas con nombres escritos en ellas y se extraen dos, sucesivamente
y sin reposicion. Si m < n de los nombres son de mujer, calcule la probabilidad de que el segundo
nombre extrado sea de mujer.

I Sea A el evento cuya probabilidad deseamos calcular y F : el primer nombre extrado es femenino.
Los eventos F y F c son disjuntos y forman una particion del espacio muestral. En consecuencia

P (A) = P (A|F )P (F ) + P (A|F c )P (F c )

y
m nm m1 m
P (F ) = ; P (F c ) = ; P (A|F ) = ; P (A|F c ) = .
n n n1 n1
Por lo tanto
(m 1) m m (n m)
P (A) = +
(n 1) n (n 1) n
m m
= (m 1 + n m) = .
(n 1)n n

3. Cada vez que el repartidor de una pizzeria regresa a buscar los pedidos para repartir, se encuentra
que pueden haber entre 1 y 5 encargos esperando, y cada una de estas posibilidades tiene la misma
probabilidad. Si la probabilidad de un cliente le de propina es 0.5, calcule la probabilidad de que
obtenga al menos dos propinas en un viaje.

I Sea A: obtiene al menos dos propinas en el viaje y sean Bi para i = 1, . . . , 5 los eventos hay i
encargos por repartir al iniciar el viaje, respectivamente. Estos conjuntos Bi forman una particion
del espacio muestral y por lo tanto
5
X
P (A) = P (A|Bi )P (Bi ).
i=1
62 CAP
ITULO 3. PROBABILIDAD CONDICIONAL E INDEPENDENCIA

Sabemos que P (Bi ) = 1/5 y ademas, si comienza con i encargos, el n

umero de propinas tiene
distribucion binomial con parametros n = i y p = 1/2 (ver ejemplo 2.4.4). Las probabilidades
condicionales son:
2
1
P (A|B1 ) = 0, P (A|B2 ) = ,
2
P (A|B3 ) = P (2 exitos en 3 intentos) + P (3 exitos en 3 intentos)

3 1 3 1 1
= + = ,
2 23 3 23 2

4 4 4 1
P (A|B4 ) = + + ,
2 3 4 24

5 5 5 5 1
P (A|B5 ) = + + + ,
2 3 4 5 25
9
y finalmente obtenemos P (A) = 20 . N

4. La Ruina del Jugador. Un jugador con capital inicial k juega en un casino una sucesion de juegos
hasta lograr un capital m o hasta que se arruine. Si la probabilidad de ganar en cada juego es p
Cual es la probabilidad de que se arruine?

I La probabilidad de ruina depende de k y de m. Supongamos que m esta fijo y sea uk la probabilidad

de ruina del jugador si al comienzo tiene un capital de k unidades. Si el jugador gana en el primer
juego, la probabilidad de que se arruine es ahora uk+1 , mientras que si pierde, la probabilidad de
ruina es uk1 .
Sea G1 el evento el jugador gana el primer juego, mientras que R es el evento el jugador se
arruina. Entonces
P (R|G1 ) = uk+1 , P (R|Gc1 ) = uk1 .
Por lo tanto,

P (R) = P (R|G1 )P (G1 ) + P (R|Gci )P (Gc1 )

= pP (R|G1 ) + qP (R|Gc1 ),

es decir
uk = puk+1 + quk1 , 1 k m 1,
con las condiciones iniciales
u0 = 1, um = 0.
Para resolver esta ecuacion introducimos las diferencias k = uk uk1 para k = 1, 2, . . . , m. Como
p + q = 1 tenemos
uk = (p + q)uk = puk+1 + quk1
de donde obtenemos
p(uk+1 uk ) = q(uk uk1 )
es decir
q
pk+1 = qk k+1 = k
p
Iterando esta relacion obtenemos que
q k
k+1 = 1
p

3.2. RESULTADOS BASICOS SOBRE PROBABILIDAD CONDICIONAL. 63

Para regresar a las uk observamos que 1 = u1 u0 = u1 1 y 1 + 2 + + k = uk 1. Por lo

tanto,

uk = 1 + 1 + 2 + + k
q q k1
= 1 + 1 + 1 + + 1
p p
h q q k1 i
=1+ 1+ + + 1
p p

Falta determinar 1 . Como um = 0,

h q q m1 i
0 = um = 1 + 1 + + + 1
p p

y obtenemos
1
1 = q q m1
1+ p + + p

de modo que
q q k1
1+ p + + p
uk = 1 q q m1
1+ p + + p
(
k mk
1 m = m si p = q = 1/2
= 1(q/p)k (q/p)k (q/p)m
1 1(q/p)m = 1(q/p)m si p 6= q

Este resultado nos dice que si el juego es simetrico, es decir, la probabilidad de ganar y perder en
cada juego es la misma (e igual a 0.5), la probabilidad de no arruinarnos es la proporcion del monto
total en juego m del que disponemos al inicio k. En consecuencia, si tenemos 9 y queremos 10 o
tenemos 90 y queremos 100, la probabilidad de ruina en ambos casos es la misma:

k 9 1 90
1 =1 = =1
m 10 10 100
En cambio, si las probabilidades de ganar y perder no son iguales, esto no es cierto. La siguiente
tabla presenta algunos valores de esta probabilidad para diferentes condiciones iniciales. Vemos que
las probabilidades de ruina con las condiciones iniciales que usamos para el caso simetrico presentan
una gran diferencia.

k m p uk p uk p uk
9 10 0.45 0.21 0.47 0.16 0.485 0.13
90 100 0.45 0.87 0.47 0.7 0.485 0.45
99 100 0.45 0.18 0.47 0.11 0.485 0.06
5 10 0.45 0.73 0.47 0.65 0.485 0.57
50 100 0.45 0.999956 0.47 0.998 0.485 0.953

Tabla 3.1

Vamos a plantearnos ahora una problema ligeramente distinto, que tiene que ver con la estrategia
que adoptamos a la hora de apostar. Supongamos que en lugar de apostar un peso en cada juego,
apostamos dos y nos preguntamos cual es ahora la probabilidad de ruina?
Vamos a llamar unidad de apuesta al monto que apostamos y supongamos que inicialmente
tenamos 90 pesos y jugamos hasta obtener 100 o arruinarnos. Este escenario corresponde a la
64 CAP
ITULO 3. PROBABILIDAD CONDICIONAL E INDEPENDENCIA

tercera fila de la tabla 3.1. En terminos de la unidad de apuesta tenemos inicialmente 45 unidades
y queremos obtener 50. Por lo tanto la formula para calcular la probabilidad de ruina es
1 (q/p)45 (q/p)45 (q/p)50
1 =
1 (q/p)50 1 (q/p)50
Para los casos incluidos en la tabla (0.45, 0.47, 0.485) obtenemos los siguientes valores para la pro-
babilidad de ruina: 0.633; 0.453; 0.273, que son menores que las correspondientes para la estrategia
de apostar un peso a la vez.
Si cambiamos la unidad de apuesta a 5 o 10 pesos, la probabilidad de ruina se reduce a
un mas,
como lo muestra la siguiente tabla, donde a representa la unidad de apuesta:

a k m p uk p uk p uk
1 90 100 0.45 0.87 0.47 0.7 0.485 0.45
2 90 100 0.45 0.63 0.45 0.45 0.485 0.27
5 90 100 0.45 0.34 0.47 0.24 0.485 0.16
10 90 100 0.45 0.21 0.47 0.16 0.485 0.13

Tabla 3.2

Es posible demostrar que la probabilidad de ruina es una funcion decreciente de la unidad de

apuesta. Por lo tanto, en una situacion como la que hemos descrito, una estrategia optima es
apostar lo necesario para lograr el capital que buscamos, o, si esto no es posible porque la cifra
es muy alta, apostar todo nuestro capital, es decir, una estrategia arriesgada es preferible a una
estrategia tmida.
N

5. Un caminante sale del punto o y escoge uno de los caminos ob1 , ob2 , ob3 , ob4 al azar (ver figura
3.2). En cada uno de los cruces siguientes de nuevo escoge al azar. cual es la probabilidad de que
el caminante llegue al punto a?

o

................
........ .. ......
...... .. ... ......
...... .. ..... ............
..
. .
....... ..... ... ......
.... ... ... ......
...... ......
...... .. ... ......
..........
. ...
. ...
.
......
......
..
....... .
... ...
. ......
........
. .
. . ...
.
......
......
..
....... ..
. ... ......
.
..... .
. ... ......
..
. . . ......
.....
. .
. ... ......
b 1........ ..
..
........
b 2 .. ..
... .
...b
.... 3
...... b
...... 4
......
. . ..
.
..
..
. .
..........
.
........... .... .......... . ....
.. .

........
..... ............ .
.. .
..
. ..
..............
...... ........
.
...
.... ...... ... ......

... ...
. ... ..... ... .... ........... .....
...
.
...
. ..
...
... ...... ... ..
......
..
.
... . ..
....
.
...
.
. ..
.... .... .... .... .
. .

.
..... .......
.
.....
...
...
.......
......
....
... ...
.
......
......
.
... ... ...
.
...
...
......
......
......
...
... ..
...
..
......
...... ... ... ...
.. .. ..
...... ....... .. .... ....

...... .
.. .
.. ...
.. ..
...... ...
... ...... .... ..
...... ... ...... .......... ..
...... ... ... ...... ..........
...... . .. ...... ..........
...... .... .
... ............ ...................
...... ... .. ...... ..........
...... .. .. ...... ...........
............................

...........
a

Figura 3.2

I Sea Bk , k = 1, 2, 3, 4, el evento el caminante pasa por el punto bk , estos eventos forman una
particion de y ademas son equiprobables. Por lo tanto P (Bk ) = 1/4, k = 1, 2, 3, 4.
Si el caminante llega a b1 , hay cuatro caminos que puede escoger y solo uno de ellos lo lleva a a,
de donde la probabilidad condicional de llegar a a pasando por b1 es 1/4. Si A es el evento el
caminante llega a a, tenemos
1
P (A|B1 ) = .
4

3.2. RESULTADOS BASICOS SOBRE PROBABILIDAD CONDICIONAL. 65

De manera similar obtenemos

1 2
P (A|B2 ) = ; P (A|B3 ) = 1; P (A|B4 ) = .
3 5
Por lo tanto, la probabilidad de llegar a a es
4
X
1 1 1 2 119
P (A) = P (A|Bi )P (Bi ) = + +1+ = .
i=1
4 4 3 5 240

6. Cu
al es la probabilidad de obtener 6 n
umeros distintos al lanzar 6 dados simetricos?

I Consideremos los siguientes eventos:

E1 : se obtiene cualquier resultado en el primer lanzamiento.
E2 : el segundo dado es distinto al primero.
E3 : el tercer dado es distinto a los dos primeros.
y as sucesivamente. Entonces tenemos:

P (E1 ) = 1
P (E2 |E1 ) = 5/6
P (E3 |E1 E2 ) = 4/6
..
.
P (E6 |E1 E2 E5 ) = 1/6

y usando la proposicion 3.1

5 4 3 2 1 6!
P (E1 E2 E6 ) = 1 = 6.
6 6 6 6 6 6
N

7. Se extraen dos cartas al azar de un juego de barajas. Calcule la probabilidad de que las cartas sean
un As y un diez.

I Consideremos los siguientes eventos:

A1 : la primera carta es un As B1 : la primera carta es un diez

A2 : la segunda carta es un As B2 : la segunda carta es un diez
C : se extraen un As y un diez.

Tenemos

P (C) = P (B2 |A1 )P (A1 ) + P (A2 |B1 )P (B1 )

4 4 4 4
= +
51 52 51 52
8
= .
663
N
66 CAP
ITULO 3. PROBABILIDAD CONDICIONAL E INDEPENDENCIA

8. El juego de dados. El juego de dados que se conoce en ingles como craps tiene las siguientes
reglas. El jugador lanza un par de dados, si el resultado es 7 u 11, gana. Si es 2, 3 o 12, pierde.
Si sale cualquier otro n
umero, ese numero se convierte en su punto y a partir de ese momento el
jugado continua lanzando hasta obtener el punto, en cuyo caso gana, o 7, en cuyo caso pierde. Cual
es la probabilidad de ganar en este juego?

I Llamemos Aj a obtener j en el primer lanzamiento, con j = 2, 3, . . . , 12 y G indica el evento de

ganar el juego. Por la ley de probabilidad total tenemos
12
X
P (G) = P (G|Aj )P (Aj ) (3.2)
j=2

Ya sabemos que si j = 2, 3 o 12, el jugador pierde, por lo que los terminos correspondientes en la
suma valen 0. Si j = 7 u 11, el jugador gana, por lo que P (G|Aj ) = 1 en estos dos casos. Para
el resto de los resultados tenemos que calcular la probabilidad condicional P (G|Aj ), es decir, la
probabilidad de ganar si el punto es j, para j = 4, 5, 6, 8, 9, 10.
En el primer ejemplo de la seccion 3.1 resolvimos un problema similar. tenemos que la probabilidad
de obtener j antes que 7 si el punto es j, que es lo mismo que P (G|Aj ), es

P ({j})
P (G|Aj ) = P ({j}|{j, 7}) = .
P ({j, 7})

Usando esta formula obtenemos

1 2 5
P (G|A4 ) = P (G|A10 ) = ; P (G|A5 ) = P (G|A9 ) = ; P (G|A6 ) = P (G|A8 ) = ;
3 5 11
Regresando a la ecuacion (3.2) obtenemos
11
X
P (G) = P (G|Aj )P (Aj )
j=4
1 3 2 4 5 5 6 5 5 2 4 1 3 2
= + + + + + + + = 0.49293
3 36 5 36 11 36 36 11 36 5 36 3 36 36

3.3. El Teorema de Bayes

El otro resultado fundamental sobre probabilidad condicional se conoce como el Teorema de Bayes y
es u
til en situaciones en las cuales se conocen probabilidades de la forma P (A|Bi ) y P (Bi ) y se desea
determinar P (Bi |A).

Proposicion 3.3 (Teorema de Bayes) Sea B1 , B2 , . . . una partici

on finita o numerable de y sea A
un evento cualquiera con P (A) > 0. Entonces

P (A|Bi )P (Bi )
P (Bi |A) = P .
j P (A|Bj )P (Bj )

Demostraci
on. Por la definicion de probabilidad condicional tenemos:

(A Bi )
P (Bi |A) = (3.3)
P (A)
y
P (A Bi ) = P (A|Bi )P (Bi ). (3.4)
3.3. EL TEOREMA DE BAYES 67

Por la proposicion 3.2 tenemos X

P (A) = P (A|Bj )P (Bj ). (3.5)
j

Usando (3.4) y (3.5) en (3.3) obtenemos el resultado.

Ejemplos.

1. De cien pacientes en un hospital con una cierta enfermedad se escogen diez para usar un tratamiento
que aumenta la probabilidad de sanar de 0.50 a 0.75. Si posteriormente un doctor encuentra a un
paciente curado, cual es la probabilidad de que haya recibido el tratamiento?

I Sean
C: el paciente esta curado.
T : el paciente recibio el tratamiento.
A partir de la informacion dada obtenemos,
10 90
P (T ) = = 0.1; P (T c ) = = 0.9;
100 100
P (C|T ) = 0.75; P (C|T c ) = 0.50.

Usando el Teorema de Bayes

P (C|T )P (T )
P (T |C) =
P (C|T )P (T ) + P (C|T c )P (T c )
(0.75)(0.1) 1
= = .
(0.75)(0.1) + (0.5)(0.9) 7
N

2. Tres cajas contienen dos monedas cada una. En la primera, C1 , ambas son de oro; en la segunda,
C2 , ambas son de plata y en la tercera, C3 , una es de oro y otra es de plata. Se escoge una caja al
azar y luego una moneda tambien al azar. Si la moneda es de oro, cual es la probabilidad de que
venga de la caja que contiene dos monedas de oro?

I Sabemos que P (Ci ) = 1/3. Sea O: se escoge una moneda de oro. Usando el Teorema de Bayes,

P (O|C1 )P (C1 )
P (C1 |O) =
P (O|C1 )P (C1 ) + P (O|C2 )P (C2 ) + P (O|C3 )P (C3 )
1 31 2
= 1 1 1 1 = 3
1 3 +0 3 + 2 3

Si uno considera el problema sin mucho cuidado podra razonar de la siguiente manera: luego de
sacar una moneda de oro solo hay dos cajas de las cuales pudo provenir, y como estamos escogiendo
las cajas al azar, la probabilidad de que venga de C1 es 1/2. El problema con este razonamiento es
que es mas probable sacar una moneda de oro de C1 que de C3 , y el argumento no toma esto en
cuenta. N

3. Tres enfermedades distintas y excluyentes A, B y C producen el mismo conjunto de sntomas H.

Un estudio clnico muestra que las probabilidades de contraer las enfermedades son 0.01; 0.005 y
0.02 respectivamente. Ademas, la probabilidad de que el paciente desarrolle los sntomas H para
cada enfermedad son 0.90; 0.95 y 0.75, respectivamente. Si una persona enferma tiene los sntomas
H, cual es la probabilidad de que tenga la enfermedad A?
68 CAP
ITULO 3. PROBABILIDAD CONDICIONAL E INDEPENDENCIA

I Sabemos lo siguiente:

P (A) = 0.01, P (B) = 0.005, P (C) = 0.02

P (H|A) = 0.9, P (H|B) = 0.95, P (H|C) = 0.75

Usando el Teorema de Bayes tenemos

P (H|A)P (A)
P (A|H) =
P (H|A)P (A) + P (H|B)P (B) + P (H|C)P (C)
0.9 0.01 9
= = = 0.313.
0.9 0.01 + 0.95 0.005 + 0.75 0.02 28.75
N

4. Un estudiante responde una pregunta de un examen de m ultiple seleccion que tiene cuatro respuestas
posibles. Suponga que la probabilidad de que el estudiante conozca la respuesta a la pregunta es
0.8 y la probabilidad de que adivine es 0.2. Si el estudiante adivina, la probabilidad de que acierte
es 0.25. Si el estudiante responde acertadamente la pregunta, cual es la probabilidad de que el
estudiante realmente supiera la respuesta?
I Definamos los siguientes eventos:
C: el estudiante conoce la respuesta.
A: el estudiante responde acertadamente.
Queremos calcular P (C|A) y sabemos que

P (C) = 0.8; P (A|C c ) = 0.25; P (A|C) = 1.

Usando el Teorema de Bayes

P (A|C)P (C)
P (C|A) =
P (A|C)P (C) + P (A|C c )P (C c )
0.8 0.8
= = = 0.941.
0.8 + (0.25)(0.2) 0.85
N

3.4. Eventos Independientes

En los ejemplos que hemos considerado en relacion al concepto de probabilidad condicional, hemos
visto que en ciertos casos, cuando la ocurrencia del evento A no aporta informacion respecto a la ocurrencia
o no del evento B, se tiene
P (B|A) = P (B).
En este caso decimos que B es independiente de A. Ahora bien, como

P (B A)
P (B|A) = ,
P (A)

podemos expresar la relacion anterior en la forma siguiente, que es simetrica en ambos sucesos:

P (A B) = P (A)P (B). (3.6)

Observamos ademas que (3.6) es valida a

un cuando A o B sean sucesos de probabilidad nula. Usaremos
esta relacion como definicion.
3.4. EVENTOS INDEPENDIENTES 69

Definici
on 3.2 Dos eventos A y B son independientes si vale (3.6).
Es facil verificar que y son independientes de cualquier evento.

on 3.4 Si A y B son independientes, tambien lo son: a) A y B c , b) Ac y B c .

Proposici
Demostraci
on. Veamos b), la demostracion de a) es similar.

P (Ac B c ) = P ((A B)c ) = 1 P (A B)

= 1 P (A) P (B) + P (A B)
= 1 P (A) P (B) + P (A)P (B)
= [1 P (A)][1 P (B)]
= P (Ac )P (B c ).

Ejemplo

1. Un lote de diez objetos contiene cuatro defectuosos y seis en buen estado. Se extraen dos objetos
sucesivamente y sin reposicion. Sean los eventos D1 : el primer objeto es defectuoso y D2 : el
segundo objeto es defectuoso. Son independientes estos eventos? Que sucede si los objetos se
extraen con reposicion?
I En el primer caso podemos calcular P (D2 ) de la siguiente manera:

P (D2 ) = P (D2 |D1 )P (D1 ) + P (D2 |D1c )P (D1c )

3 4 4 6 36 2
= + = = .
9 10 9 10 90 5
Por otro lado,
3 2
P (D2 |D1 ) = 6= = P (D2 )
9 5
de modo que D1 y D2 no son independientes.
En cambio, si los objetos se extraen con reposicion tenemos P (D1 ) = P (D2 ) = 4/10, mientras que
P (D1 D2 ) = (4/10)2 y los eventos son independientes. N

La definicion de independencia se puede generalizar a una familia cualquiera de eventos:

Definicion 3.3 Sea C = {Ai , i I} una familia de eventos. Diremos que los eventos Ai son indepen-
dientes si para cualquier coleccion finita de eventos Ai1 , Ai2 , . . . , Ain de C, se cumple:
n
\ n
Y
P( Aij ) = P (Aij ). (3.7)
j=1 j=1

En este caso decimos tambien que C es una familia de eventos independientes.

Observemos que en la definicion solo intervienen colecciones finitas de eventos de C, pero intervienen
todas las colecciones finitas. Por ejemplo, si la familia consta de tres eventos, no es suficiente verificar
(3.7) para las parejas de eventos. En efecto, sea el experimento de lanzar dos dados y C = {A1 , A2 , A3 }
con

A1 : se obtiene un 6 en el primer dado00 .

A2 : se obtiene un 1 en el segundo dado00 .
A3 : la suma de los dos dados es 700 .
70 CAP
ITULO 3. PROBABILIDAD CONDICIONAL E INDEPENDENCIA

Claramente,
1
P (A1 ) = P (A2 ) = P (A3 ) =
6
y
1 1
P (A1 A2 ) = P (A1 A3 ) = P (A2 A3 ) = .
6 6
Pero
1 1 1 1
P (A1 A2 A3 ) = 6= ,
36 6 6 6
de modo que los tres eventos no son independientes.

Ejemplos.

2 Si A y B son eventos independientes y la probabilidad de que ambos ocurran es 0.16, mientras que
la probabilidad de que ninguno ocurra es 0.36, calcule P (A) y P (B).

I Sabemos que P (A B) = P (A)P (B) = 0.16 y P ((A B)c ) = 0.36, de donde obtenemos

P (A B) = 0.64
= P (A) + P (B) P (A B)
= P (A) + P (B) 0.16.

Por lo tanto tenemos el siguiente par de ecuaciones

P (A) + P (B) = 0.8

P (A)P (B) = 0.16

de donde se obtiene que P (A) = P (B) = 0.4.

N

3 Cu
al es la probabilidad de obtener tres 6 al lanzar ocho dados?

I El problema es equivalente a calcular la probabilidad de obtener tres 6 al lanzar ocho veces el

mismo dado. Sea Ei el evento obtenemos un 6 en el i-esimo lanzamiento. Calculemos primero la
probabilidad de que los primeros tres sean 6 y el resto no, es decir,

P (E1 E2 E3 E4c E5c E6c E7c E8c )

y por independencia esto es

3 5
1 5
.
6 6
Es facil ver que esta es la probabilidad de cualquier
conjunto de ocho lanzamientos de un dado en
el cual haya exactamente tres 6. Como hay 83 conjuntos de este tipo, tenemos que la probabilidad
deseada es 3 5
8 1 5
.
3 6 6
N

4 Una muestra de tama no 4 se extrae con reposicion de una bolsa que contiene 6 bolas, de las cuales
4 son blancas. Sea A el evento la primera bola es blanca y B: la tercera bola es blanca. Son
independientes estos eventos? Que sucede si el muestreo se hace sin reposicion?
3.4. EVENTOS INDEPENDIENTES 71

I En el primer caso (muestreo con reposicion) tenemos

2
4 4 4
P (A) = , P (B) = y P (A B) = ,
6 6 6

de modo que los eventos son independientes.

En el segundo caso, de nuevo P (A) = 4/6 y para calcular P (B) podemos proceder como en el
ejemplo 3.2.2 obteniendo P (B) = 4/6. Para calcular P (A B) consideremos el evento C definido
por la segunda bola es blanca. Entonces

P (A B) = P (A B C) + P (A B C c )
= P (A)P (C|A)P (B|A C) + P (A)P (C c |A)P (B|A C c )
432 423 2
= + =
654 654 5
y en este caso los eventos no son independientes. N

5 Demuestre: si P (B|A) = P (B|Ac ) entonces A y B son independientes.

I La relacion se puede escribir

P (B A) P (B Ac )
= .
P (A) P (Ac )
Multiplicando por P (Ac ) ambos lados obtenemos

(1 P (A))P (B A)
P (B Ac ) =
P (A)
P (B A)
= P (B A),
P (A)

de donde
P (B A)
= P (B A) + P (B Ac ) = P (B)
P (A)
es decir
P (A B) = P (A)P (B).
N

6 El primer hijo que tiene una mujer es un ni no hemoflico. La mujer, en cuya historia familiar
no aparecen casos de hemofilia, tiene dudas sobre tener un segundo hijo, pero piensa que su hijo
no heredo la hemofilia de ella y que su enfermedad es debida a una mutacion. Por lo tanto, la
probabilidad de que un segundo hijo tenga hemofilia es la de que nuevamente la enfermedad venga
de una mutacion, y esto es un n
umero pequeno, m (digamos m = 105 ). Calcule cual es en realidad
la probabilidad de que el segundo hijo tenga hemofilia si el primero nacio hemoflico.

I Definamos los siguientes eventos:

A1 : la madre es portadora de la enfermedad00 .

A2 : el primer hijo es hemoflico00 .
A3 : el segundo hijo es hemoflico00 .

Un var
on normal tiene un par de cromosomas XY y tiene hemofilia si y solo si, en lugar del
cromosoma X tiene un cromosoma X 0 , que lleva un gen que produce la enfermedad. Sea m la
probabilidad de que un cromosoma X mute en un cromosoma X 0 .
72 CAP
ITULO 3. PROBABILIDAD CONDICIONAL E INDEPENDENCIA

La madre tiene dos cromosomas X y el evento A1 ocurre solo si al menos uno de estos dos cromo-
somas X es mutante, lo cual ocurre con probabilidad

P (A1 ) = 1 (1 m)2 = 2m m2 2m

donde hemos supuesto que las mutaciones ocurren en forma independiente, y hemos desechado el
termino m2 por ser mucho menor que 2m.
Si la madre es portadora de la enfermedad y uno de sus cromosomas es X 0 , su hijo tendra proba-
bilidad 1/2 de heredar el cromosoma X, es decir

1
P (A2 |A1 ) = P (Ac2 |A1 ) =
2
Si en cambio la madre no lleva la enfermedad, su hijo sera hemoflico si su cromosoma X sufre una
mutacion:
P (A2 |Ac1 ) = m.
Ademas, por independencia, tenemos que

P (A3 |A1 A2 ) = P (Ac3 |A1 A2 ) = P (A3 |A1 Ac2 )

1
= P (Ac3 |A1 Ac2 ) = ,
2
P (A3 |Ac1 A2 ) = P (A3 |Ac1 Ac2 ) = m.

Queremos calcular
P (A2 A3 )
P (A3 |A2 ) =
P (A2 )
pero

P (A2 A3 ) = P (A1 A2 A3 ) + P (Ac1 A2 A3 )

= P (A1 )P (A2 |A1 )P (A3 |A2 A1 ) + P (Ac1 )P (A2 |Ac1 )P (A3 |A2 Ac1 )
2
1
= 2m + (1 2m)m2
2
m m
= + m2 2m3
2 2
y ademas

P (A2 ) = P (A2 |A1 )P (A1 ) + P (A2 |Ac1 )P (Ac1 )

1
= 2m + m(1 2m)
2
2m.

Por lo tanto
m/2 1
P (A3 |A2 ) = .
2m 4
N

7 Muestreo con Reposicion. Analicemos de nuevo, desde el punto de vista de la independencia, el

muestreo con reposicion de una poblacion con dos tipos de individuos A y B en proporciones p y
1 p respectivamente. Deseamos calcular la probabilidad de extraer r del tipo A cuando tomamos
una muestra de tama no n, (r n) extrayendo uno a la vez.
3.4. EVENTOS INDEPENDIENTES 73

I Supongamos que la extraccion dio como resultado que los primeros r fueron del tipo A y los
n r restantes del tipo B. Como podemos calcular la probabilidad de que esto ocurra? Para ello,
llamemos Ai al evento en la i-esima extraccion obtuvimos un individuo de tipo A. En virtud de
la independencia,
r
Y n
Y
P (A1 A2 Ar Acr+1 Acn ) = P (Ai ) P (Aci )
i=1 i=r+1

= pr (1 p)nr

Si observamos ahora que cualquiera sea el orden en que extraigamos los r individuos de tipo A y
los n r de tipo B, la probabilidad es la misma, tendremos que la probabilidad buscada es

n r
p (1 p)nr , 0 r n,
r

es decir, la distribucion binomial que habamos encontrado anteriormente. N

8 Consideremos de nuevo la poblacion del ejemplo anterior y calculemos la probabilidad de obtener

por primera vez un individuo de tipo A en la n-esima extraccion.

I Sea Ai el evento en la i-esima extraccion se obtiene un individuo de tipo A y sea C = {Ai , i

1}. C es una familia de eventos independientes. Tambien son familias de eventos independientes
las obtenidas a partir de C al sustituir cualesquiera conjuntos Ai por sus complementos (ver la
proposicion 3.4). Entonces

pn = P ( el primero de tipo A es el n-esimo)

= P (Ac1 Acn1 An ) = (1 p)n1 p,

que es la distribucion geometrica que vimos en el captulo anterior.

Las probabilidades pn que hemos calculado determinan la distribucion de un tiempo de vida
discreto, es decir, del n
umero de repeticiones de un experimento hasta que ocurra un evento deter-
minado. Es de interes observar que las probabilidades pn pueden ser utilizadas como aproximacion
discreta de la situacion que hemos estudiado anteriormente en relacion a la distribucion del tiempo
de vida de aparatos que no envejecen (ver ejemplo 3.1.4).
Sea T el tiempo de vida de un aparato de esa clase. Para calcular P (T > t) dividimos el intervalo
[0, t] en n intervalos iguales I1 , I2 , . . . , In (ver figura 3.3).

I 1 I 2
... I n1 .. I n
. . . . .
.... ... ... ... .. ...
......................................................................................................................................................................................................................................................................................................
... ... ... ... ... ...
... ... ... ... ... ...

0 t 2t ... (n2)t (n1)t

t
n n n n

Figura 3.3

Si Ak : el aparato no se da
na en el intervalo Ik , es claro que
n
\
{T > t} = Ak .
k=1

Ahora bien, la hipotesis de no envejecimiento se traduce en el hecho de que los eventos A1 , . . . , An

son independientes, es decir que el hecho de que no ocurran desperfectos en los intervalos I1 , . . . , Ik
no suministra informacion sobre la probabilidad de da nos en el intervalo Ik+1 .
74 CAP
ITULO 3. PROBABILIDAD CONDICIONAL E INDEPENDENCIA

Si suponemos que cuando la longitud h de un intervalo es peque

na, la probabilidad es aproximada-
mente proporcional a h, o mas precisamente, que

P (se da
na en [0, h]) = h + o(h)
o(h)
donde es la constante de proporcionalidad y o(h) es una funcion de h que satisface h 0 (h
0), resulta que
n
Y
P (T > t) = P (nk=1 Ak ) = P (Ak )
k=1
n
t t
= 1 + o( )
n n
et (n )

y volvemos a encontrar la distribucion exponencial. N

9 Al probar independientemente dos aparatos electronicos iguales hasta su inutilizacion, se obtuvieron
los siguientes valores para la duracion de vida: 21 horas y 30.2 horas. Suponiendo que el aparato
no sufre envejecimiento, esto es, deterioro progresivo, tenemos dos observaciones correspondientes
a la distribucion
P (T > x) = ex para cierto .
C
omo obtener un valor razonable de , esto es, una estimacion de ?
I Naturalmente, el valor razonable de depende de que consideremos razonable, o sea, del criterio
de estimacion que se adopte. Como ya hemos visto el criterio de maxima verosimilitud, trataremos
de utilizarlo.
En una primera etapa simplificaremos el problema. Supongamos que solo observamos el primer
aparato hasta su destruccion, es decir, 21 horas. Ademas, consideremos que en realidad no medmos
exactamente las 21 horas, sino que solo observamos que el aparato quedo inutil entre las 21 y 21+h
horas de vida (h > 0). Tenemos
Z 21+h
P (21 < T < 21 + h) = et dt.
21

De acuerdo al criterio adoptado, debemos maximizar esta probabilidad. Como h esta fijo, esto es
equivalente a maximizar lo siguiente:
Z
1 1 21+h t
P (21 < T < 21 + h) = e dt
h h 21
pero si h es peque
no, esto es aproximadamente igual a

e21

debido al Teorema del Valor Medio del Calculo Integral. Por lo tanto, el problema se reduce a
maximizar la funcion et en el punto t = 21. Obtenemos

= 1.

21
Despues de estas consideraciones resulta facil considerar el caso original. Usando la independencia,
debemos maximizar el producto
1 1
P (21 < T < 21 + h) P (30.2 < T < 30.2 + k) ' e21 e30.2
h k
3.4. EVENTOS INDEPENDIENTES 75

si h y k son peque
nos. Se obtiene
= 2
.
21 + 30.2
Resulta sencillo ahora generalizar la aplicacion anterior al caso de n observaciones independientes
(si es u
t1 , t2 , . . . , tn . Queremos obtener el valor de nico) que maximice
n
Y Pn
L() = eti = n e i=1 ti

i=1

como
n
!
0 n X
L () = ti L()
i=1

resulta que un valor posible para el maximo en el intervalo (0,) es

= Pnn
=
1
i=1 ti t
donde t es el promedio de las n observaciones. Por otra parte, la funcion L() es positiva para
(0, ), pero L() 0 cuando 0+ y L() 0 cuando , de modo que si consideramos
un intervalo cerrado [a, A] con a > 0 suficientemente peque no y A suficientemente grande, L()
ya que
tiene necesariamente un maximo en este intervalo y lo alcanza en
n
= Pnn
L() en
i=1 ti

es estrictamente positivo y finito a menos que t1 = t2 = = tn = 0 y esto solo puede suceder con
probabilidad 0. N
10 Decimos que A atrae a B si P (B|A) > P (B) y A repele a B si P (B|A) < P (B). (a) Demuestre
que si B atrae a A entonces A atrae a B y B c repele a A. (b) Un documento que buscamos esta en
alguno de los n folders de un cajon y Bj respresenta el evento de que este en el j-esimo folder, donde
P (Bj ) = bj > 0. Por otro lado Fj representa el evento de que en una b usqueda rapida en el folder
j no encontremos el documento, y P (Fj |Bj ) = aj < 1. Demuestre que Bj y Fj son mutuamente
repelentes, pero que Fj atrae a Bi para i 6= j.
I a) Como B atrae a A, usando la definicion tenemos que P (A B) > P (A)P (B). Dividiendo ahora
por P (A) obtenemos P (B|A) > P (B). Por otro lado
P (A|B c )P (B c ) = P (A) P (A|B)P (B) < P (A)(1 P (B)) = P (A)P (B c ),
y al dividir por P (B c ) > 0 obtenemos que B c repele a A.
b) Por el teorema de Bayes,
P (Fj |Bj )P (Bj ) aj bj
P (Bj |Fj ) = P =
i P (Fi |B i )P (Bi ) 1 bj + aj bj

ya que, para i 6= j, P (Fj |Bi ) = 1. Por lo tanto

bj (1 bj )(1 aj )
P (Bj ) P (Bj |Fj ) = > 0,
1 bj + aj bj
de modo que Fj repele a Bj . Ademas, para i 6= j
bi bi bj (1 aj )
P (Bi |Fj ) P (Bi ) = bi = > 0,
1 bj + aj bj 1 bj + aj bj
N
76 CAP
ITULO 3. PROBABILIDAD CONDICIONAL E INDEPENDENCIA

11 El Problema de los Puntos Dos jugadores que llamaremos A y B juegan una serie de juegos
independientes y en cada uno ambos tienen igual probabilidad de ganar. Ambos apuestan una cierta
cantidad C y el acuerdo es que el primero en ganar n juegos gana la apuesta. Sin embargo, la serie
de juegos se interrumpe antes de que alguno de los jugadores haya ganado n juegos. La pregunta
es como debe repartirse el dinero de la apuesta?

I Este problema, conocido como el problema de los puntos, tiene una larga historia, fue considerado
por Pascal y Fermat en su correspondencia y resuelto por ambos. La idea de Pascal es que el monto
de la apuesta debe repartirse en proporcion a la probabilidad que cada jugador tiene de ganar si la
serie de juegos continuara.
Veamos un caso extremo para comenzar. Supongamos que n = 5 y la serie de juegos se detiene
cuando A ha ganado 4 juegos y B no ha ganado ninguno. En esta situacion la u nica manera en que
B puede ganar es si gana 5 partidas seguidas. Como los juegos son independientes y la probabilidad
de ganar en cada juego es 1/2, la probabilidad de que B gane es (1/2)5 = 1/32. Por lo tanto, de
acuerdo a Pascal B debera recibir 1/32 del total de la apuesta y A debera recibir el resto.
Veamos otro caso particular. Supongamos que A necesita un juego para ganar mientras que B
necesita 3. Para decidir quien gana A y B deben jugar a lo sumo tres juegos mas. Veamos cuales
son los resultados posibles de tres juegos:

AAA AAB ABB BBB

ABA BAB
BAA BBA

En siete de ellos, los que estan subrayados, A gana al menos un juego antes de que B gane tres.
Como todas las series de tres juegos tienen la misma probabilidad 1/8, A gana con probabilidad
7/8 y A debe llevarse 7/8 partes de la apuesta.
Se puede argumentar que si A gana la primera partida, la serie termina all pues ya se sabe que A
es el ganador, de modo que en realidad solo tendramos las siguientes posibilidades:

A BA BBA BBB

Sin embargo, estos eventos no son igualmente probables: las probabilidades respectivas son 1/2,
1/4, 1/8 y 1/8. Como en los tres primeros casos A gana la serie, la probabilidad de que esto ocurra
es
1 1 1 7
+ + =
2 4 8 8
que es el resultado que obtuvimos anteriormente. La ventaja del primer enfoque es que facilita el
calculo pues como los eventos son equiprobables, solo hay que contar en cuantos casos gana A. Este
es el enfoque que vamos a tomar para resolver el caso general, que formulamos a continuacion.
Si A ha ganado n a juegos y B ha ganado n b, el problema se puede se puede plantear de manera
equivalente como sigue: Cual es la probabilidad de que A gane a juegos antes de que B gane b
juegos?
Llamemos u(a, b) la probabilidad que queremos calcular. Para que el evento que nos interesa ocurra,
A y B deben jugar a lo sumo a + b 1 juegos. Por lo tanto la probabilidad de que A gane la serie es
la probabilidad de que A gane al menos a juegos en una serie de a + b 1. La probabilidad de que
A gane exactamente k juegos en esta serie tiene una distribucion binomial con a + b 1 ensayos y
probabilidad de exito en cada ensayo 1/2, esto es

a + b 1 1 a+b1
k 2
3.4. EVENTOS INDEPENDIENTES 77

Como u(a, b) es la probabilidad de que A gane al menos a juegos en una serie de a + b 1 tenemos
X a + b 1 1 a+b1 X
a+b1 b1
a + b 1 1 a+b1
u(a, b) = = .
k 2 k 2
k=a k=0
N

12 Cadenas de Markov. En un proceso de fabricacion se sabe que una maquina produce siempre la
misma cantidad C de artculos, que se dividen en dos categoras, A y B. La maquina puede operar
en dos estados, E1 y E2 , y las probabilidades respectivas de producir un artculo de tipo A son p1
y p2 , donde p2 > p1 . Las condiciones del proceso determinan que la maquina debe operar en un
mismo estado toda una jornada.
Si la maquina trabaja un da en el estado Ei , i = 1, 2, al da siguiente hay que determinar si va a
operar en el mismo estado o en el otro. El problema que vamos a enfocar es el de regular el proceso.
Tomamos las decisiones del siguiente modo:
Si la maquina opera un da en el estado E1 , observamos la cantidad de artculos del tipo
A producidos. Sea r esta cantidad. Si r s, donde s es un n umero fijo, al da siguiente se
utilizara la maquina en el estado E2 . Si en cambio r > s, se la mantiene en el estado E1 al
da siguiente. Es decir, si el numero de artculos de categora A es muy peque no, cambiamos
al estado E2 , donde tenemos mayor probabilidad (p2 > p1 ) de producir artculos de categora
A. Pero si el n umero de artculos de categora A es grande, decidimos que la maquina opere
en el mismo estado E1 .
Analogamente, si una jornada la maquina fue utilizada en el estado E2 , para decidir el estado
en el cual trabajara al da siguiente, observamos el n
umero r de artculos de tipo A producidos.
Si r t, donde t ha sido fijado previamente, al da siguiente se mantiene en el estado E2 , en
el cual tenemos mayor probabilidad de producir artculos de categora A. Si en cambio r > t,
cambiamos al estado E1 .
Este esquema de decisiones nos dice que si estamos en el estado E1 , al da siguiente nos mantenemos
en este estado o lo cambiamos al estado E2 , seg un ciertas probabilidades a y 1 a, que podemos
calcular a partir de la distribucion binomial, conocidos C, p1 y s. De manera similar, si estamos
en el estado E2 , lo mantenemos o no en la jornada siguiente segun ciertas probabilidades b y 1 b,
calculadas tambien con la distribucion binomial conocidos C, p2 y t.
Llamando Ein , i = 1, 2; n = 1, 2, . . . el suceso en el n-esimo da la maquina funciona en el estado
Ei tenemos
P (E1n+1 |E1n ) = a P (E2n+1 |E1n ) = 1 a (3.8)
P (E2n+1 |E2n ) = b P (E1n+1 |E2n ) = 1 b (3.9)
para cualquier n 1.
Observamos que las probabilidades de pasar de un estado a otro dependen solamente del estado en
el cual la maquina opero el da previo, y no de los restantes das pasados, cualquiera sea el n
umero
n + 1.
Representemos las probabilidades de cambio de estado por una tabla:

Dia n + 1
.............................................................................................
.. ... ..
...
.. E 1 ...
.. E
2
...
...
...........................................................................................................................
...... ... ... ...
D E ......
...... 1 .....
...
a ...
... 1a ...
...
i ...... . .
.
...........................................................................................................................
...
a ......
......
...
...
...
...
...
...
n E ......
......
2 ..... 1b ...
.
.
b
....................................................................................................................
...
..
78 CAP
ITULO 3. PROBABILIDAD CONDICIONAL E INDEPENDENCIA

Tabla 3.2
de donde obtenemos la matriz
a 1a
M= .
1b b

Observamos que las sumas de las filas de M tienen el valor constante 1. Una matriz con esta
propiedad, y para la cual aij 0, se llama estocastica o de Markov. Podemos, ahora, calcular
probabilidades de interes, como por ejemplo la probabilidad de pasar del estado Ei al estado Ej en
m pasos. Sea
(m)
pij = P (pasar del estado Ei al Ej en m pasos)
donde i, j = 1, 2.
Ahora bien, considerando el estado ocupado en el primer paso, esta probabilidad se puede expresar:
(m) (1) (m1) (1) (m1)
pij = pi1 p1j + pi2 p2j
2
X (1) (m1)
= pik pkj
k=1

(1) (1)
Los terminos pij para i fijo, son los terminos de la i-esima fila de M , y los terminos pij para j
fijo, son los terminos de la columna j de M .
(m1) (1)
Si m = 2, de modo que pkj = pkj , obtenemos

(2) (1) (1) (1) (1) (2) (1) (1) (1) (1)
p11 = p11 p11 + p12 p21 p12 = p11 p12 + p12 p22

(2) (1) (1) (1) (1) (2) (1) (1) (1) (1)
p21 = p21 p11 + p22 p21 p22 = p21 p12 + p22 p22
(2)
de donde se observa que los terminos pij son los terminos de la matriz M 2 , esto es
2
a + (1 a)(1 b) a(1 a)(1 b)b
M2 =
2
a(1 b) + b(1 b) (1 b)(1 a) + b

donde M 2 resulta tambien estocastica.

Procediendo por induccion obtenemos que M m es estocastica y tiene como terminos las probabili-
(m)
dades pij de pasar del estado i al j en m pasos.
Si al comenzar el proceso, el primer da del ano, partimos del estado Ei , al cabo de m + 1 das
estaremos en el estado Ej con cierta probabilidad. Es facil calcular esta probabilidad porque, para
m = 1 ( esto es, en el segundo da), las probabilidades de estar en E1 y E2 estan dadas por

a 1b
(1, 0) = (a, 1 b)
1b b

es decir, la primera fila de M , y en general, procediendo por induccion, tendremos para el (m 1)-
esimo da:
(1, 0)M m .
Si en el primer da del proceso estamos en E1 o E2 con probabilidades p y 1 p, determinadas por
alg
un procedimiento azaroso, al cabo de m pasos, es decir el da m + 1, tendremos para cada estado
las probabilidades determinadas por el vector

(p, 1 p)M m
3.4. EVENTOS INDEPENDIENTES 79

Se nos presenta ahora el problema de calcular las potencias de M , y observar si cuando m

un valor lmite para M m . Ahora bien, como M m es estocastica, es suficiente calcular los
resulta alg
(m) (m)
elementos de la diagonal de la matriz M m . Sea am = p11 , a1 = a, bm = p22 , b1 = b. Tenemos

am+1 = am a + (1 am )(1 b)
bm+1 = bm b + (1 bm )(1 a)

Estudiemos la primera de estas igualdades recurrentes, ya que la segunda se obtiene cambiando a

por b y am por bm . Resulta

am+1 am = am a + (1 am )(1 b) am
= am a + (1 am )(1 b) am1 a (1 am1 )(1 b)
= (am am1 )a (1 b)(am am1 )

y si llamamos m = am+1 am obtenemos

m = (1 + b + a)m1
= (1 + b + a)2 m2
= (1 + b + a)m1 1

Supongamos por el momento que 0 < b + a < 2, de modo que | 1 + b + a| < 1. Obtenemos entonces

am+1 = m + m1 + + 1 + a
m1
X
= a + 1 (1 + b + a)j
j=0
1 (1 + b + a)m 1
=a+
2 + b + a
y como

1 = a2 a1 = a2 + (1 a)(1 b) a
= (a 1)(1 + b + a)

entonces
(1 + b + a)m 1
am1 = a + (a 1)(1 + b + a)
2 + b + a
y de manera similar
(1 + b + a)m 1
bm+1 = b + (b 1)(1 + b + a)
2 + b + a
y los demas terminos de la matriz se obtienen como 1 am+1 y 1 bm+1 .
En particular, haciendo m obtenemos
(a 1)(1 + b + a)
am a = a +
2ab
1b
=
2ab
y la matriz M m converge a M donde
1b 1a
M = 2ab
1b
2ab
1a
2ab 2ab
80 CAP
ITULO 3. PROBABILIDAD CONDICIONAL E INDEPENDENCIA

como se verifica facilmente luego de algunos calculos sencillos.

Por consiguiente, si las probabilidades de partir de E1 o E2 el primer da eran p y 1 p, tenemos
en el lmite 1b 1a
2ab 2ab 1b 1a
(p, 1 p) 1b 1a = ,
2ab 2ab 2ab 2ab
Observamos que el resultado obtenido, que es la probabilidad lmite de estar en el primer o segundo
estado, es el mismo cualquiera haya sido el vector inicial de probabilidades (p, 1 p).
La distribucion lmite
1b 1a
,
2ab 2ab
se llama estacionaria porque tiene la siguiente propiedad:

1b 1a 1b 1a
, M= ,
2ab 2ab 2ab 2ab

y por lo tanto es invariante en cualquier n

umero de pasos, o sea que si el da inicial la distribucion
estacionaria nos da las probabilidades de partir del estado E1 o del estado E2 , cualquier otro da
tendremos la misma distribucion de probabilidades.
Resta por estudiar los casos a + b = 2 y a + b = 0. Si a + b = 2, necesariamente a = b = 1 y resulta

1 0 m 1 0 1 0
M= , de modo que M = y M =
0 1 0 1 0 1

pero este es un caso sin interes porque la maquina permanece siempre en el estado del cual parte.
Por otro lado, si a + b = 0, es decir a = b = 0 resulta

1 0
M=
0 1

y no existe distribucion lmite porque saltamos con probabilidad 1 de un estado al otro en cada
paso.
Se
nalamos tambien, que resulta intuitivo que obtenemos de este modo una regulacion efectiva del
n
umero de artculos de categora A producidos, al menos a la larga, o sea, despues de un n
umero
grande de das de aplicar el sistema de decisiones. N

3.5. Ejercicios.
1. Sea A, B y C eventos con probabilidad estrictamente positiva. Demuestre las siguientes relaciones:

a. P (Ac B c ) = 1 P (B)P (A|B) b. P (A B|B C) = P (A B|B)P (B|B C)

c. P (B C|A) = P (C|A)P (B|A C) si P (A C 6= 0
d. P (A|B)P (B|C)P (C|A) = P (B|A)P (C|B)P (A|C)
e. PP (B|AB)
(A|AB)
= PP (B)
(A)

P (B c |A) P (Ac ) P (Ac |B) P (B c

2. Demuestre: P (B) + P (A) = P (A) + P (B) .

3. Un detector de mentiras muestra una se nal positiva (indicando una mentira) 10 % de las veces que
el sujeto dice la verdad y 94 % de las veces que miente. Si dos personas son sospechosas de un crimen
que se sabe ha cometido uno solo de ellos, y ambos dicen ser inocentes, cual es la probabilidad de
que una se nal positiva del detector corresponda al culpable?
3.5. EJERCICIOS. 81

4. Se obtiene una muestra de cuatro bolas a partir de una bolsa que contiene doce, de las cuales
ocho son blancas. Si el muestreo es sin reposicion, halle la probabilidad de que la tercera bola sea
blanca, si sabemos que la muestra tiene tres bolas blancas. Que sucede si el muestreo se hace con
reposicion?

5. Se lanza un par de dados simetricos. Calcule la probabilidad de que la suma sea 7 dado que:

a. La suma es impar, b. La suma es mayor que 6,

c. El resultado del primer dado fue impar, d. El resultado del segundo dado fue par,
e. El resultado de al menos un dado fue impar, f. Los dos dados tuvieron el mismo resultado,
g. Los dos dados tuvieron distintos resultados, h. La suma de los dos dados fue 13.

6. Una bolsa contiene cuatro bolas blancas y dos negras y otra contiene tres de cada color. Se escoge
una bolsa al azar y luego se selecciona una bola, tambien al azar. Cual es la probabilidad de que
sea blanca?

7. Una caja contiene 10 focos, cuatro malos y seis buenos. Los focos se prueban de la siguiente manera:
se extraen al azar y se prueban sin reemplazarlos. Este proceso se repite hasta localizar los cuatro
en mal estado. Cual es la probabilidad de que el u
ltimo en mal estado se identifique en la quinta
prueba? y en la decima?

8. Cierta vacuna brinda proteccion parcial contra una enfermedad, de modo que una persona vacunada
tiene probabilidad 0.4 de contraer la enfermedad, mientras que para una persona no vacunada esta
probabilidad es de 0.8. Si 75 % de la poblacion esta vacunada, Cual es la probabilidad de que una
persona que tiene la enfermedad haya sido vacunada?

9. Luego de una serie de pruebas para evaluar un nuevo tipo de examen para detectar cancer, se ha
determinado que 97 % de los pacientes cancerosos de un hospital reaccionan positivamente, mientras
que solo 5 % de aquellos que no tienen cancer muestran un resultado positivo. Si 2 % de los pacientes
del hospital tienen cancer, cual es la probabilidad de que un paciente elegido al azar que reacciona
positivamente al examen realmente tenga cancer?

10. Suponga que 5 % de los hombres y 25 de cada 10.000 mujeres son daltonicos. Se escoge un daltonico
al azar, cual es la probabilidad de que sea hombre?

11. Una ferretera tiene tres cajas con igual cantidad de tornillos. Dos de las cajas contienen 5 % de
tornillos defectuosos y la otra contiene 10 %. Se escogen dos cajas al azar y se mezclan y de ella se
extraen cinco tornillos, uno de los cuales es defectuoso, cual es la probabilidad de que una de las
cajas usadas en la mezcla haya sido la que contena 10 % de defectuosos?

12. Tres sucursales de una tienda tienen 8, 12, y 14 empleados de los cuales 4, 7 y 10 son mujeres,
respectivamente.
a. Se escoge una sucursal al azar y de ella se escoge un empleado. Si este es una mujer, cual es la
probabilidad de que ella trabaje en la sucursal con 12 empleados?
b. Si se escoge un segundo empleado de la misma sucursal, cual es la probabilidad de que se escoja
una mujer?

13. Las se
nales telegraficas punto y raya se envan en proporcion 3:4. Debido a ciertas condiciones
que causan una transmision muy erratica, un punto se transforma en una raya con probabilidad
1/4, y una raya en un punto con probabilidad 1/3. Si se recibe un punto, cual es la probabilidad
de que haya sido enviado un punto?

14. En una bolsa hay cinco bolas blancas y tres negras y en otra hay tres blancas y siete negras. Se
escoge una bolsa al azar y se selecciona una bola, cual es la probabilidad de que sea blanca?
82 CAP
ITULO 3. PROBABILIDAD CONDICIONAL E INDEPENDENCIA

15. La caja I contiene 50 tornillos y 70 clavos. La caja II contiene 40 tornillos y 20 clavos.

a. Calcule la probabilidad de extraer un tornillo si se selecciona una caja al azar y luego se extrae
un objeto.
b. Calcule la probabilidad de extraer un tornillo si se mezclan los contenidos de ambas cajas y luego
se extrae un objeto.
c. Si se selecciona una caja al azar y luego se extrae un objeto que resulta ser un tornillo, cual es
la probabilidad de que provenga de la caja I?
16. Lanzamos una moneda repetidamente hasta que obtener sol diez veces. a) Cual es la probabilidad
de no haber obtenido dos aguilas en sucesion para ese momento? b) Cual es la probabilidad de no
haber obtenido dos soles en sucesion para ese momento?
17. Se extrae una bola de una caja que contiene cuatro blancas y dos negras. Si la bola es blanca se la
deja fuera de la bolsa, mientras que si es negra se la vuelve a colocar dentro. Extraemos luego otra
bola. Sea A el evento la primera bola es blanca y B = la segunda bola es blanca. Diga si las
siguientes proposiciones son ciertas o falsas:

a. P (A) = 2/3 b. P (B) = 3/5

c. P (B|A) = 3/5 d. P (A|B) = 9/4
e. Los eventos A y B son disjuntos.

18. Lanzamos una moneda tres veces y consideramos los siguientes eventos: A: el primer lanzamiento es
aguila, B: el segundo lanzamiento es sol, C: el tercer lanzamiento es aguila, D: los tres lanzamientos
son iguales, E: hay exactamente un aguila en los tres lanzamientos.
a. Cuales de los siguientes eventos son independientes?
(i) A, B (ii) A, D (iii) A, E (iv) D, E.
b. Cuales de los siguientes tros de eventos son independientes?
(i) A, B, C (ii) A, B, D (iii) C, D, E.
19. Sean A y B dos eventos disjuntos. Demuestre que si A y B son independientes, alguno de los dos
tiene probabilidad 0.
20. De un ejemplo de tres eventos A, B, C tales que P (A B C) = P (A)P (B)P (C) pero P (Ac B c
C c ) 6= P (Ac )P (B c )P (C c ).
21. Sea A, B y C eventos independientes y P (C) 6= 0. Demuestre:
a. P (A B|C) = P (A|C)P (B|C). b. P (A B|C) = P (A|C) + P (B|C) P (A B|C).
c. P (A|B B) = P (A) siempre que P (B C) 6= 0.
22. Sean G = {1, 2, 3}, H = {4, 5, 6} Lanzamos dos dados y sean los eventos A : el primer dado cae
en H, B :El segundo dado cae en H, C : un dado cae en G y el otro en H, D : el total es cuatro,
E : el total es cinco y F : el total es siete. Cuales de las siguientes proposiciones son ciertas?

a. A y F son independientes. b. A y D son independientes.

c. A y E son independientes. d. P (A B C) = P (A)P (B)P (C).
e. A y C son independientes. f. C y E son independientes.
g. P (A C E) = P (A)P (C)P (E). h. A, C y E son independientes.

23. a. De un ejemplo de tres eventos A, B y C tales que P (A B C) = P (A)P (B)P (C) pero
P (Ac B c C c ) 6= P (Ac )P (B c )P (C c ).
b. Demuestre que si P (AB C) = P (A)P (B)P (C); P (Ac B C) = P (Ac )P (B)P (C); P (AB c
C) = P (A)P (B c )P (C) y P (A B C c ) = P (A)P (B)P (C c ) entonces A, B y C son independientes.
3.5. EJERCICIOS. 83

24. Demuestre que si

P (A) P (B) 1 1
+ = + ,
P (A B) P (A B) P (A) P (B)
entonces A y B son independientes.
25. Lanzamos un dado cinco veces, a. Si el dado sale 1 al menos una vez, cual es la probabilidad de
que salga 1 al menos dos veces? b. Si el primer lanzamiento due 1, cual es la probabilidad de que
salga 1 al menos dos veces?
26. Lanzamos una moneda repetidamente hasta que sol haya ocurrido diez veces. a) Cual es la probabi-
lidad de que para ese momento no hayan ocurrido dos aguilas seguidas? b) Cual es la probabilidad
de que para ese momento no hayan ocurrido dos soles seguidas?
27. Sea = {a, b, c, d, e} y P (a) = P (b) = 1/8, P (c) = P (d) = P (e) = 3/16. Sean A = {a, d, e},
B = {a, c, e} y C = {a, c, d}. Demuestre que P (A B C) = P (A)P (B)P (C) pero ning
un par de
eventos son independientes.
28. Se toma una muestra de cinco transistores producidos por una maquina que en promedio produce
20 % de transistores defectuosos.
a. Calcule la probabilidad de que si seleccionamos un transistor de la muestra, este resulte defec-
tuoso.
b. Suponga que seleccionamos al azar un transistor de la muestra y resulta defectuoso, cual es la
probabilidad de que un segundo transistor seleccionado al azar resulte defectuoso?
29. Si A1 , . . . , An son eventos independientes, muestre que

P (A1 A2 An ) = 1 (1 P (A1 ))(1 P (A2 )) (1 P (An )).

30. a. Si sabemos que una mano de poker tiene al menos tres aces cual es la probabilidad de que tenga
los cuatro? b. Si sabemos que una mano de poker tiene los aces de corazon, trebol y diamante cual
es la probabilidad de que tambien tenga el as de pica? c. Halle la probabilidad de que una mano de
poker tenga los dos aces negros dado que tiene al menos tres aces.
31. En un closet hay tres pares de medias blancas y dos de media negras. Las medias con todas nuevas
y del mismo estilo y tamano. Si seleccionamos dos medias al azar, cual es la probabilidad de que
formen un par? Resuelva el mismo problema cambiando media por zapatos.
32. En un closet tenemos seis pares diferentes de zapatos. Si sacamos cinco zapatos al azar Cual es la
probabilidad de obtener al menos un par de zapatos?
33. Una muestra de tama no 4 se extrae con reposicion de una bolsa que contiene 6 bolas, de las cuales
4 son blancas. Sea A el evento exactamente una de las dos primeras bolas extradas es blanca
y sea B = la cuarta bola es blanca. Son A y B independientes? Que sucede si el muestreo se
realiza sin reposicion?
34. Considere de nuevo el ejercicio anterior y definamos C como el evento exactamente dos de las bolas
extradas son blancas Son A, B y C independientes? Son B y C independientes?
35. Un fabricante de motos inscribe tres corredores en una carrera. Sea Ai , i = 1, 2, 3 el evento definido
por el i-esimo corredor finaliza la carrera en alguno de los tres primeros lugares. Si los eventos
A1 , A2 y A3 son independientes y P (A1 ) = P (A2 ) = P (A3 ) = 0, 1 calcule las probabilidades de los
siguientes eventos:
a. Ninguno de los corredores termina entre los tres primeros.
b. Al menos uno termina entre los tres primeros.
84 CAP
ITULO 3. PROBABILIDAD CONDICIONAL E INDEPENDENCIA

c. Al menos dos terminan entre los tres primeros.

d. Todos terminan entre los tres primeros.

36. Sean A y B eventos independientes tales que con probabilidad 1/6 ocurren simultaneamente, y con
probabilidad 1/3 ninguno de ellos ocurre. Halle P (A) y P (B). Estan determinadas de forma u
nica
estas probabilidades?

37. Cual es el menor valor de n para el cual la probabilidad de obtener al menos un 6 en una serie de
n lanzamientos de un dado es mayor que 3/4?

38. Los eventos A1 , A2 , . . . son independientes y P (Aj ) = p, j = 1, 2, . . . Halle el menor valor de n

para el cual P (n1 Ak ) p0 donde p0 es un numero fijo.

39. Una maquina consiste de 4 componentes conectados en paralelo, de modo que la maquina falla solo
si los cuatro componentes fallan. Supongamos que los componentes son independientes entre s. Si
los componentes tienen probabilidades 0.1; 0.2; 0.3 y 0.4 de fallar cuando la maquina es encendida,
cual es la probabilidad de que funcione al encenderla?

40. En una fabrica de computadoras un inspector revisa un lote de 20 maquinas y encuentra que 3 de
ellas necesitan ajustes antes de empacarlas. Otro empleado descuidado mezcla las computadoras
que haban sido revisadas, de modo que el inspector tiene que hacerlo otra vez. a. Cual es la
probabilidad de que no haga falta probar mas de 17 computadoras? b. Cual es la probabilidad de
que haga falta probar exactamente 17 computadoras?

41. Supongamos que A y B son independientes, y B y C son independientes.

a. Son A y C independientes en general?
b. Es B independiente de A C?
c. Es B independiente de A C?

42. Se lanza una moneda balanceada n veces. Muestre que la probabilidad condicional de aguila en
cualquier lanzamiento especfico dado que hay k aguilas en n lanzamientos es k/n (k > 0).

43. Suponga que A y B son eventos tales que P (A|B) = P (B|A), P (A B) = 1 y P (A B) > 0.
Demuestre que P (A) > 1/2.

44. Un arquero acierta al centro de la diana con probabilidad 0.9. a) Cual es la probabilidad de que
logre acertar 8 veces si lanza 10 flechas? b) Si lanza flechas hasta acertar 8 veces al centro de la
diana, Cual es la probabilidad de que necesite a lo sumo lanzar 10 flechas?

45. Considere estos dos sistemas de ensayos de Bernoulli: 1) Lanzamos una moneda y aguila es exito;
2) Lanzamos un dado y 6 es exito. Para cada uno de estos casos calcule P (A)/P (B), donde A: el
tercer exito ocurre en el quinto ensayo, B: tres de los primeros cinco ensayos resultan en exito.
Generalice reemplazando 3 por i y 5 por j.

46. Lanzamos cuatro dados, Cual es la probabilidad de que el mayor n

umero sea 5 y el menor sea 3?

47. La caja A tiene dos bolas rojas y tres negras. La caja B tiene cinco rojas y una blanca. Se selecciona
una bola al azar de la caja A y se coloca en la caja B y luego se escoge una bola al azar de la caja
B. a) Cual es la probabilidad de que ambas bolas sean rojas? b) Cual es la probabilidad de que
la segunda bola sea roja? c) Dado que la segunda bola es roja Cual es la probabilidad de que la
primera tambien haya sido roja? d) Dado que la segunda bola es blanca cual es la probabilidad de
que la primera haya sido roja?
3.5. EJERCICIOS. 85

48. Una fabrica produce 300 automoviles al da. La fabrica compra bateras de dos proveedores. La
compa na A le vende 100 bateras al da, de las cuales 99 % funcionan correctamente. Las otras 200
bateras son producidas por la compa na B, de las cuales 5 % son defectuosas. Si seleccionamos un
auto al azar de la produccion de un da y la batera es defectuosa cual es la probabilidad de que
haya sido producida por la empresa B?
49. Un empleado debe verificar el funcionamiento de una maquina que produce tornillos al inicio del
da. Esta maquina necesita repararse una vez cada 10 das, en promedio y cuando necesita repararse,
todos los tornillos que produce son defectuosos. Cuando la maquina trabaja adecuadamente, 5 %
de los tornillos producidos son defectuosos y aparecen al azar a lo largo de la produccion del da.
Cu al es la probabilidad de que la maquina este funcionando bien si a. el primer tornillo que el
inspector revisa es defectuoso? b. los dos primeros tornillos que el inspector revisa son defectuosos?
c. los tres primeros son defectuosos?
50. Una carta de un juego de naipes se ha perdido. Trece cartas se extraen de las 51 restantes y resultan
ser tres diamantes, dos picas, cuatro corazones y cuatro treboles. Halle la probabilidad de que la
carta perdida sea de cada una de las pintas.
51. Resuelva el problema de los puntos cuando los dos jugadores tienen probabilidades p y q = 1 p
de ganar.
52. Las cajas de cerillos de Banach. Una persona tiene dos cajas de n cerillos, una en el bolsillo
derecho y otra en el izquierdo. Cuando necesita un cerillo escoge una caja al azar hasta que se
encuentra una caja vaca. Cual es la probabilidad de que la otra caja tenga k cerillos? (El cele-
bre matematico polaco Stefan Banach sola reunirse con otros matematicos en el Cafe Escoces en
Lwow, Polonia, en donde haba un cuaderno en el cual se anotaban los problemas planteados y sus
soluciones. Esta libreta se conoce como el Libro Escoces. El problema anterior es el u
ltimo problema
incluido en este libro).
53. La paradoja de Galton. Si lanzamos tres monedas al menos dos de ellas son iguales, y la tercera
tiene probabilidad 1/2 de caer aguila o sol, de modo que la probabilidad de que las tres sean iguales
es 1/2. En realidad la probabilidad de que las tres monedas sean iguales es 1/4. Que esta mal en
el razonamiento anterior?
54. El modelo de P olya. El matematico polaco G. Polya propuso el siguiente modelo para el proceso
de contagio. Comenzamos con una caja que contiene una bola blanca y otra negra. Cada segundo
escogemos una bola al azar de la caja, la reemplazamos y a nadimos otra del mismo color. Haga una
simulacion d este proceso con una computadora y trata de hacer una prediccion sobre la proporcion
de bolas blancas luego de un tiempo largo. Es cierto que las proporciones de bolas de un color
dado tienen una tendencia a estabilizarse?
55. En una coleccion de 65 monedas una de ellas tiene dos aguilas y el resto son monedas normales.
Si seleccionamos una moneda al azar y al lanzarla sale aguila seis veces seguidas, Cual es la
probabilidad de que hayamos escogido la moneda con dos aguilas?
56. Te dan dos cajas y cincuenta bolas, la mitad blancas y la otra mitad negras. Debs distribuir las bolas
en las cajas sin restricciones pero quieres maximizar la probabilidad de obtener una bola blanca si
escoges una caja al azar y luego una bola al azar. Como debes distribuir las bolas? Justifica tu
respuesta.
57. Lanzamos una moneda n veces y obtenemos k soles. Demuestra que la probabilidad condicional de
obtener un sol en cualquier lanzamiento especfico, dado que hay k soles en total es k/n.
58. La paradoja de Simpson. Un fabricante de focos tiene dos plantas. La planta A vende lotes de
focos que consisten de 1000 focos regulares y 2000 focos ahorradores. A traves de pruebas de control
de calidad se sabe que, en promedio, hay 2 focos regulares y 11 ahorradores defectuosos por lote.
86 CAP
ITULO 3. PROBABILIDAD CONDICIONAL E INDEPENDENCIA

En la planta B se venden lotes de 2000 focos regulares y 1000 ahorradores, y en promedio hay 5
regulares y 6 ahorradores defectuosos por lote.
El gerente de la planta A afirma que ellos son mas eficientes pues sus tasas de focos defectuosos son
0.2 % y 0.55 % mientras que para la otra planta son 0.25 % y 0.6 %. Por su parte el gerente de la
planta B responde diciendo cada lote de 3000 focos que producimos contiene 11 focos defectuosos,
comparado con 13 defectuosos para los focos producidos por A, de modo que nuestra tasa de 0.37 %
de focos defectuosos es inferior a la de ellos, que es 0.43 %. Quien tiene la razon?
59. El evento A atrae al evento B si P (B|A) > P (B) (ver el ejercicio 3.4.1). a) Es transitiva esta
relacion? b) Demuestre que si A atrae a B y a C pero repele a B C, entonces A atrae a B C. c)
Es posible que A atraiga a B y a C pero repela a B C? d) Demuestre que si B1 , . . . Bn es una
particion dl espacio muestral y A atrae alg
un Bj entonces debe repeler a alg
un Bi .

60. Demuestre que si A1 , . . . An son eventos independientes definidos en un espacio muestral y 0 <
P (Ai ) < 1 para todo i, entonces debe tener al menos 2n puntos.