26/01/2013

PROBABILIDAD
UNMSM
Facultad de Qumica e Ingeniera Qumica
EAP Ingeniera Agroindustrial

ESTADISTICA APLICADA

PROBABILIDAD

El concepto de probabilidad es manejado por

mucha gente.
Frecuentemente se escuchan
preguntas como las que se mencionan a
continuacin:
Cul es la probabilidad de que me saque la Tinka
o el Ganagol ?
Qu posibilidad hay de que me pase un
accidente laboral ?
Qu posibilidad hay de que hoy llueva ? para
llevar mi paraguas o no.
Existe alguna probabilidad de que repruebe el
primer parcial ?

Lima, 17 de enero del 2013

PROBABILIDAD
Estas preguntas en el lenguaje coloquial esperan
como respuesta una medida de confianza
representativa o prctica de que ocurra un
evento futuro, o bien de una forma sencilla
interpretar la probabilidad.
En este curso lo que se quiere es entender con
claridad su contexto, como se mide y como se
utiliza al hacer inferencias.

PROBABILIDAD

El conocimiento de la probabilidad es de suma

importancia en todo estudio estadstico.
El clculo de probabilidades proporciona las
reglas para el estudio de los experimentos
aleatorios o de azar, que constituyen la base
para la estadstica inferencial.

26/01/2013

PROBABILIDAD

Fenmenos Aleatorios y
Fenmenos Deterministicos.
Fenmeno Aleatorio.Es un fenmeno del que no se sabe que es lo que
va a ocurrir, estn relacionados con el azar o
probabilidad.
Fenmeno Determinista.Es el fenmeno en el cual de antemano se sabe
cual ser el resultado.

PROBABILIDAD

Un

experimento es aleatorio si se
verifican las siguientes condiciones:
1. Se puede repetir indefinidamente,
siempre en las mismas condiciones;
2. Antes de realizarlo, no se puede
predecir el resultado que se va a
obtener;
3. El resultado que se obtenga, s,
pertenece a un conjunto conocido
previamente de resultados posibles.

PROBABILIDAD
La probabilidad estudia el tipo de fenmenos aleatorios.

Experimento aleatorio.Una accin que se realiza con el propsito de

analizarla. Tiene como fin ltimo determinar
la probabilidad de uno o de varios
resultados.
Se considera como aleatorio y estocstico, si
sus resultados no son constantes.
Puede ser efectuado cualquier nmero de veces
esencialmente en las mismas condiciones.

PROBABILIDAD
Ejemplos:
Tirar dardos en un blanco determinado
Lanzar un par de dados
Obtener una carta de una baraja
Lanzar una moneda

26/01/2013

PROBABILIDAD

Otros ejemplos de eventos:

A: que al nacer un bebe, ste sea
nia
B: que una persona de 20 aos,
sobreviva 15 aos ms
C: que la presin arterial de un
adulto se incremente ante un
disgusto

PROBABILIDAD
Supngase que todos los estudiantes de IAI
de la UNMSM van a las urnas y se elige de
manera aleatoria, una muestra de 20
estudiantes.
Si los 20 estudiantes apoyan al candidato

PROBABILIDAD
Probabilidad e Inferencia.
Se presentan dos candidatos al cargo de la
presidencia del CFQIQ, y se desea
determinar si el candidato X puede ganar.
Poblacin de inters: Conjunto de respuestas
de los estudiantes que votarn el da de las
elecciones.
Criterio de gane: Si obtiene el ms del 50%
de los votos.

PROBABILIDAD
1.- EL CANDIDATO X GANARA
2.- EL CANDIDATO Y GANARA
3.- NO SE PUEDE CONCLUIR NADA

Qu concluye respecto a la posibilidad que

tiene el candidato X de ganar las elecciones
?

26/01/2013

PROBABILIDAD
1.- EL CANDIDATO X GANARA
GANAR IMPLICA OBTENER MAS DEL 50%
Y COMO LA FRACCION QUE LO FAVORECE
EN LA MUESTRA ES 100%, ENTONCES
LA FRACCION QUE LO FAVORECERA EN
LA POBLACION SERA IGUAL.

PROBABILIDAD
TOME UNA MONEDA HONRADA Y LANCELA
20
VECES
ANOTANDO
LOS
RESULTADOS.
LLAME X = CAE CARA
Y = CAE SELLO
CUAL ES LA FRACCION DE CARAS Y
CUAL ES LA FRACCION DE SELLOS ?.

ES CORRECTA ESTA INFERENCIA ?.

PROBABILIDAD

PROBABILIDAD
NO.

1.- EL CANDIDATO X GANARA

SERIA IMPOSIBLE QUE 20 DE LOS 20
VOTANTES
DE
LA
MUESTRA
LO
APOYARAN, SI EN REALIDAD, MENOS
DEL 50% DE LOS VOTANTES PENSARIA
VOTAR POR EL.

SI BIEN NO ES IMPOSIBLE OBTENER 20

VOTANTES A FAVOR DE X EN UNA
MUESTRA DE 20, SI ES PROBABLE QUE
MENOS DEL 50% DE LOS VOTANTES
ESTE A FAVOR DE EL, AUN CUANDO SEA
MUY POCO PROBABLE.

ES CORRECTA ESTA INFERENCIA ?.

26/01/2013

PROBABILIDAD

PROBABILIDAD
Espacio Muestral
Es el conjunto de todos los posibles resultados
de inters de un experimento dado, y se le
denota normalmente mediante la letra S.
Ejemplos:
1.- Experimento: Se lanza una moneda.
Espacio muestral = total de formas en como
puede caer la moneda, o sea dos formas de
inters, que caiga cara o que caiga sello. (Si
cae de canto no es de inters y se repite el
lanzamiento).
S = { c, s }

2.- Experimento: Se lanza un dado.

Espacio muestral = total de caras en que puede
caer el dado, o sea seis formas de inters:
S = { 1, 2, 3, 4, 5, 6 }

PROBABILIDAD

PROBABILIDAD

Los eventos aleatorios se denotan normalmente

con las letras maysculas A, B, C, ...

Eventos aleatorios que aparecen con gran

frecuencia en el clculo de probabilidades:

Son subconjuntos de S, esto es, A, B, C, S

Evento seguro.- Siempre se verifica despus del

experimento aleatorio, son los mismos del
espacio muestral.
E = S y N(E) = N(S)

Los eventos aleatorios son conjuntos que pueden

contener un solo elemento, una infinidad de
elementos, y tambin no contener ningn
elemento.
Al nmero de puntos muestrales de S se le
representa por N(S)

inclusin

Evento Imposible.- Es aquel que nunca se verifica

como resultado del experimento aleatorio. No
tiene elementos de inters para su fenmeno.
Es un subconjunto de S, y la nica posibilidad
es que el evento imposible sea el conjunto vaco.
S, y N() = 0

26/01/2013

PROBABILIDAD

Evento Elemental.- Es el evento E que

contiene exactamente un punto muestral
de S, esto es, N(E) = 1.
Cada elemento del espacio muestral, es un
evento elemental. Tambin se le
denomina como punto muestral.
Si s1, s2 S
entonces s1, s2 son
eventos elementales.

PROBABILIDAD

En el experimento 2,
S = { 1, 2, 3, 4, 5, 6 }, 1, 2, 3, 4, 5 y 6 son
sucesos elementales, y
N(S) =6
A = Que caiga un uno = { 1 }
B = Que caiga un dos = { 2 }
:
:
:
F = Que caiga un seis = { 6 }

PROBABILIDAD

Ejemplos (1) y (2):

En el experimento 1,
S = { c, s }, c y s son sucesos elementales
N(S) = 2
A = Que caiga cara = { c }, N(A) = 1
B = Que caiga sello = { s }, N(B) = 1

PROBABILIDAD
Evento Compuesto.- Es el evento E que contiene
ms de un punto muestral de S, por tanto
N(E) > 1
Evento contrario a un evento A: Tambin se
denomina evento complemento de A y es el
evento que se verifica si, como resultado del
experimento aleatorio, no se verifica A.
Ya que los eventos son conjuntos, este evento se
denota con el smbolo Ac o bien , y se define
como:
c

A s tal que s A

26/01/2013

PROBABILIDAD

PROBABILIDAD

Ejemplo:
Experimento: Se lanza una moneda tres veces.
Espacio Muestral:
= { (S,S,S), (S,S,C), (S,C,S), (C,S,S), (C,C,S), (C,S,C),
(S,C,C), (C,C,C) },
N() = 8, S es el evento seguro.
Evento simple:
B:Que salgan tres sellos; B ={ (S,S,S) } , N(B) = 1

Evento compuesto:
E: Que salgan al menos dos sellos;
E = { (S,S,S), (S,S,C), (S,C,S), (C,S,S) }, N(E) = 4
Evento imposible: (conjunto vaco).

N() = 0

Si un espacio muestral contiene n puntos

muestrales, hay un total de 2n subconjuntos o
eventos casos posibles ( se le conoce como
conjunto potencia ).
Por tanto para el ejemplo anterior existen:
28 = 256, eventos o casos posibles.
Para el caso del experimento: se tira una
moneda,
el espacio muestral es de 2 puntos muestrales
S = {C, S}, por lo que se tienen 22 = 4
subconjuntos y el conjunto potencia es: (C,S),
(C), (S), (conjunto vaco).

PROBABILIDAD
Operaciones Bsicas con Eventos Aleatorios
Ya que los eventos aleatorios son subconjuntos del
conjunto (espacio muestral), se pueden
aplicar las conocidas operaciones con
conjuntos, a los eventos, como son la unin, la
interseccin y la diferencia de eventos.

PROBABILIDAD
OPERACIN
UNION

EXPRESION DESCRIPCION
AB

Unin de eventos originales: es el

evento que sucede si y solo si A
sucede o B sucede o ambos
suceden

INTERSECCION

DIFERENCIA

AB
A-B

Interseccin de los eventos

originales, es el evento que sucede
si y slo si A y B suceden
simultneamente.
La diferencia de los eventos
originales A y B, es el evento que
sucede solo en A pero no en B.

26/01/2013

PROBABILIDAD

PROBABILIDAD
Grficamente estas operaciones se pueden
representar a travs de los diagramas de Venn.
Sea el espacio muestral y A y B eventos tal que
A, B grficamente se puede expresar
como:

S
A

Fig 2. Los eventos A y B tienen elementos del espacio muestral en comn.

Fig. 1 Los eventos A y B no tienen elementos del espacio muestral en comn.

PROBABILIDAD
De acuerdo a lo indicado en las figuras 1 y 2, la
unin de dos eventos se presenta de dos formas
diferentes: cuando los eventos son mutuamente
exclusivos (que no tienen elementos en comn) y
cuando entre los eventos hay elementos
comunes.
Definicin.- Se dice que dos eventos A y B son
mutuamente exclusivos, cuando no pueden
ocurrir simultneamente, es decir, A B = , lo
que ocurre en la fig. 1.

PROBABILIDAD

Ejemplo:
Experimento: Se lanza un dado.
Espacio muestral = total de caras en que puede
caer el dado, o sea seis formas de inters:
S = { 1,2,3,4,5,6 }, N(S) = 6
Sean A, B, C los eventos: (casos posibles)
A: Que caiga un nmero impar = { 1, 3, 5 } ,
N(A) = 3
B: Que caiga un nmero mayor de 2 y menor que 5
= { 3, 4 }, N(B) = 2
C: Que caiga un nmero par = { 2, 4, 6 } ,
N(C) = 3
N(S) : Nmero de puntos muestrales

26/01/2013

PROBABILIDAD

PROBABILIDAD
N(S) : Nmero de puntos muestrales

S
A

2
6
A B = { 1, 3, 5 } { 3, 4 } = {1,3,4,5},
N(A B) = 4
A C = { 1, 3, 5 } { 2,4,6 } = {1,2,3,4,5,6}=S, N(A C) = N(S) = 6
B C = { 3, 4 } { 2, 4, 6 } = {2,3,4,6}, N(B C) = 4
A B C = { 1, 3, 5 } { 3, 4 } { 2,4,6 }= {1,2,3,4,5,6}=S,
N(A B C) = 6
N(S) : Nmero de puntos muestrales

A B={ 1, 3, 5 } { 3, 4 } = {3}, N(AB) = 1

A C={ 1, 3, 5 } { 2,4,6 } = {}, N(A C) = N{) = 0
B C={ 3, 4 } { 2, 4, 6 } = {4}, N(B C) = 1
(A B) C = ({ 1, 3, 5 } { 3, 4 }) { 2,4,6 }= {3} { 2,4,6 }={},
N((A B) C) = N{) = 0
A (B C) = { 1, 3, 5 } ({ 3, 4 } { 2,4,6 })= { 1, 3, 5 } { 4 }={},
N(A (B C)) = N{) = 0

PROBABILIDAD

PROBABILIDAD

S
A

B
3

B
3
4

5
C

C
2
6

A B = ={ 1, 3, 5 } - { 3, 4 } = { 1, 5 },
A C = { 1, 3, 5 } - { 2,4,6 } = { 1,3,5 } = A,
B C = { 3, 4 } - { 2,4,6 } = { 3 },

N(A B) = 2
N( A C) = N(A) = 3
N(B-C) = 1

Ac = { 2, 4, 6} = C
Bc = {1, 2, 5, 6 }
Cc = {1, 3, 5 } = A

N(Ac ) = N( C )= 3
N(Bc ) = 4
N(Cc ) = N(A) = 3

N(S) : Nmero de puntos muestrales

26/01/2013

DEFINICIONES DE PROBABILIDAD DE
UN EVENTO
DEFINCIN CLSICA
Las frecuencias relativas de un evento tienden
a estabilizarse cuando el nmero de
observaciones se hace cada vez mayor.
Ejemplo:
La regularidad estadstica en el
experimento del lanzamiento de monedas,
indica que las frecuencias relativas del
evento: que salga cara {c }, se tiende a
estabilizar aproximadamente en 0.5= 1/2.

Probabilidad clsica.Sea S un espacio muestral cualquiera y A un evento de

ese espacio. Se define la probabilidad P del evento
A, como:

P( A)

n( A)
n()

(1)

Donde

n( A) numero de casos favorables

n() numero de casos totales

Esto es:

La probabilidad de un
evento A, denotada por
N ( A)
P( A)
(2)
P(A), es el valor en el
N ()
que se estabilizan las
frecuencias relativas del donde
N(A) = nmero de
evento A, cuando el
elementos del evento
nmero de
A
observaciones del
N() = nmero de
experimento se hace
elementos del
cada vez mayor.
espacio muestral .

Ejemplo:
Experimento.- Se lanza una moneda
Evento A.- que al lanzar una moneda caiga cara
( C ).
Calcular la probabilidad de A:
S = { C, S},
N() = 2
(n de puntos muestrales)
A = { C },
N(A) = 1

P( A)

N ( A) 1
.5
N () 2

10

26/01/2013

Leyes De La Probabilidad
Las relaciones que se dan entre los
eventos
al
ser
aplicadas
las
operaciones que se presentaron, se
facilitan y comprenden mejor haciendo
uso de los axiomas y teoremas de
probabilidad (Leyes de Probabilidad).
Axioma.- es una verdad evidente que no
requiere demostracin.
Teorema.- Es una verdad que requiere
ser demostrada.

evento

Ejemplo.Experimento.- Se lanza un dado

Si A =, es decir si el evento A coincide o es igual al
espacio muestral, entonces.

P( A)

N ( A) N (S )

1
N () N ()

Axioma 1

Sea S un espacio muestral cualquiera y A un

evento, tal que A S, entonces se cumple que
0 P(A) 1
(3)
esto significa que la probabilidad de cualquier
evento no puede ser ms grande que uno, ni ser
menor que cero. Si es igual a 1 se llama evento
seguro, y cuando es cero se llama evento
imposible.
P(A)
___________________________________
-2
-1
0
1
2

Teorema 1

Axioma 2
La probabilidad del espacio muestral es un
seguro, es uno
P() = 1

DEFINICIN AXIOMTICA Y PROPIEDADES (TEOREMAS) DE LA

PROBABILIDAD

Si es el conjunto vaco, entonces la probabilidad

de es igual a 0

P()

N ()
0
N ()

Ejemplos:
Una persona que quiere ganar la lotera, pero no compra
boleto.
Que aparezca un siete al lanzar un dado
Que una persona viva 250 aos
En estos casos los eventos son vacos

11

26/01/2013

Axioma 3

Axioma 3

Sea un espacio muestral cualquiera y sean A y B

dos eventos tales que
A , B y A B = , es decir, dos eventos
mutuamente exclusivos, entonces
P(A B) = P(A) + P(B).

A B

Eventos mutuamente exclusivos

Ejemplo:
Experimento: Se lanzan dos monedas
= { ss, cc, sc, cs}
N() = 4
Sean:
A: el evento de que al lanzar un par de monedas caigan
dos sellos exactamente
B: el evento de que al lanzar un par de monedas caiga un
sello exactamente.
Los elementos de A y B son
A = { ss }
B = {sc, cs}
Se puede ver que A B = , no hay elementos en comn,
por lo que los eventos son mutuamente exclusivos o
disjuntos, por tanto
P(A B) = P(A) + P(B)

Axioma 4

Probabilidad clsica

N ( A) 1

N () 4
N ( B) 2
P( B)

N () 4
P ( A)

1 2 3
P ( A B ) P ( A) P ( B )
4 4 4

= { ss, cc, sc, cs}

N() = 4
Sean:
A: el evento de que al lanzar
un par de monedas caigan dos
sellos exactamente
B: el evento de que al lanzar
un par de monedas caiga un
sello exactamente.
Los elementos de A y B son

Eventos mutuamente Exclusivos

A = { ss }
B = {sc, cs}

Sean A1, A2, A3, A4, ..., An eventos mutuamente

exclusivos:
P(A1 A2 A3 A4, ... An) =
P(A1) + P(A2) + P(A3) + P(A4) + ...+ P(An)
Este axioma dice que la probabilidad de varios
eventos mutuamente exclusivos (que no tienen
elementos en comn), es igual a la suma de sus
probabilidades.

12

26/01/2013

Si los eventos no son mutuamente excluyentes

entonces para n eventos seria:

P( A1 A2 ... An ) P( A1 ) P( A2 ) ... P( An )
n

i j

i j k

P( Ai Aj ) P( Ai Aj Ak ) ... P( A1 A2 ... Ak )

Experimento: Se lanza un dado

Sean
Evento A: que al lanzar un dado salga el 2 o el 4
Evento B: que al lanzar un dado salga un nmero
mayor a 4
Evento C: que salga el 1 o 3
Los elementos de A, B y C son

A = {2, 4},
B = {5, 6},
C = {1, 3} ,

EJEMPLO DEL AXIOMA 4. Para eventos

mutuamente exclusivos

Como A, B y C son mutuamente excluyentes,

ya que A B = {},

EJEMPLO DEL AXIOMA 4. Para eventos

mutuamente exclusivos

A C = {},

B C = {},
Por axioma 4

N(A) = 2
N(B) = 2
N(C) = 2

Teorema 2
Ley Aditiva de la Probabilildad. Sean A y B dos
eventos no excluyentes, A B , entonces
P(A B) = P(A) + P(B) - P(A B)

P(A B C) = P(A) + P(B) + P(C)

N ( A) 2

N () 6
N ( B) 2
P( B)

N () 6
N (C ) 2
P(C )

N ( ) 6
P( A)

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

A B

2 2 2 6
1
6 6 6 6

13

26/01/2013

Ejemplo: TEOREMA 2. Ley aditiva de la

probabilidad

Diferencia
Sean A y B dos eventos:
A-B = { x | x A y x B }

Experimento.- Se lanza un dado y una moneda

= {1s, 2s, 3s, 4s, 5s, 6s, 1c, 2c, 3c, 4c, 5c, 6c }
N() = 12
A: Al lanzar un dado y una moneda aparezcan el
nmero 2 o 3 con sello.
B: Al lanzar un dado y una moneda aparezcan
nmeros pares con sello.
A = { 2s, 3s },
N(A) = 2
B = { 2s, 4s, 6s } N(B) = 3
A B = { 2s }
N(A B ) =
1
P(A B) = P(A) + P(B) - P(A B)
= 2/12 + 3/12 1/12 = 4/12 = 1/3

A- B

Ejemplo: TEOREMA 3. Complemento Ac

Teorema 3
Sea A un evento cualquiera y un espacio
muestral,

tal

complemento

que
del

AS,
evento

si
A,

Ac

es

el

entonces

la

probabilidad de Ac es igual a 1 menos la

probabilidad de A, es decir:

P(Ac) = 1 P(A)

E
V
E
N
T
O
S

Experimento.- Se lanza un dado y una moneda

= {1s, 2s, 3s, 4s, 5s, 6s, 1c, 2c, 3c, 4c, 5c, 6c }
N() = 12
A: Al lanzar un dado y una moneda aparezcan el
nmero 2 o 3 con sello.
B: Al lanzar un dado y una moneda aparezcan
nmeros pares con sello.
A = { 2s, 3s },
N(A) = 2
B = { 2s, 4s, 6s } N(B) = 3
Ac = { 1s, 4s, 5s, 6s, 1c, 2c, 3c, 4c, 5c, 6c }
P(Ac) = 1 P(A) = 1 2/12 = 10/12
Bc = { 1s, 3s, 5s, 1a, 2a, 3a, 4a, 5a, 6a }
P(Bc) = 1 P(B) = 1 3/12 = 9/12
Ac = complemento de A

14

26/01/2013

Probabilidad Condicional
Sea A un evento arbitrario de un espacio
muestral , con P(B) > 0. La probabilidad
de que un evento A suceda una vez que B
ha sucedido o en otras palabras, la
probabilidad condicional de A dado B, se
define como:

P( A / B)

P( A B)
P( B)

Ley Multiplicativa de la
Probabilidad.
Ya que (AB) = (BA) y despejamos a P(AB), se tiene
que la probabilidad de la interseccin es:

Se sabe que:
Y

De estas expresiones
Se establece que:

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

INDEPENDENCIA DE EVENTOS
Eventos Independientes:
Se dice que los eventos A y B son independientes si
se cumplen:

P( A / B) P( A)
P( B / A) P( B)
P(A B) P(A)P(B)
Si no se cumplen, se dice que los eventos son
dependientes.

Probabilidad Condicional.
Si A y B son independientes:

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

P( A / B)

P( A )P( B/A )

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

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

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

Eventos
Independientes

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

15

26/01/2013

Ejemplo:

TABLA DE PROBILIDADES

Experimento: Lanzar un dado.

A: que al lanzar el dado caiga 3
B: que al lanzar un dado salga un impar
Encontrar la probabilidad de que al lanzar un dado
se obtenga un 3 dado que se obtuvo un impar.
= {1,2,3,4,5,6}
A = {3}, B = { 1,3,5},
(AB) = {3},
P(A) = 1/6
P(A/B) = P(AB)/ P(E)
= 1/6 / 3/6 = (1)(6)/(6)(3)
= 6/18 = 1/3

Se tienen los eventos A y B y sus complementos

Ac, Bc

Bc

Total

AB

ABc

Ac

AcB

AcBc

Ac

Total

Bc

Otra forma de calcular las probabilidades de la

interseccin y las probabilidades condicionales,
de dos eventos A y B, tal que
A AC =
B BC =
es elaborando primero la tabla de nmero de
elementos de los eventos y despus la tabla de
sus probabilidades.

Tabla de nmero de elementos de A, B y sus

complementos Ac, Bc
B

Bc

Total

N(AB)

N(ABc)

N(A)

Ac

N(AcB)

N(AcBc)

N(Ac)

Total

N(B)

N(Bc)

N()

16

26/01/2013

Tabla de probabilidades de A, B, Ac, Bc y sus

intersecciones
B

Bc

Total

P(AB)

P(ABc)

P(A)

Ac

P(AcB)

P(AcBc)

P(Ac)

PROBABILIDADES CONDICIONALES
P(A/B) = P(A B)/P(B)
P(B/A) = P(A B)/P(A)
P(A/Bc) = P(A Bc)/P(Bc)
P(B/Ac) = P(Ac B)/P(Ac)
P(Ac/B) = P(Ac B)/P(B)
P(Bc/A) = P(A Bc)/P(A)
Probabilidad Condicional

Total

P(B)

P(Bc)

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

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

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

P( )

PROBABILIDAD
Ejemplo.En cierta ciudad, las mujeres representan el 50%
de la poblacin y los hombres el otro 50%. Se
sabe que el 20% de las mujeres y el 5% de
hombres estn sin trabajo. Un economista
estudia la situacin de empleo, elige al azar una
persona desempleada. Si la poblacin total es
de 8000 personas,
Cul es la probabilidad de que la persona
escogida sea ?:

a).b).c).d).e).-

Mujer
Hombre
Mujer dado que est empleado
Desempleado dado que es hombre
Empleado dado que es mujer

Sean los eventos:

M: Que sea Mujer
H: Que sea Hombre
D: Que sea Desempleado
E: Que sea Empleado

17

26/01/2013

Tabla Nmero de elementos de los Eventos M, H, D, E y S

Tabla de Probabilidades

Desempleados Empleados Total

D
E
Mujeres
M

800

3200

4000

Hombres
H

200

3800

4000

Total

1000

7000

8000

P(M) = 0.50
P(H) = 0.50
P(E) = 0.875
P(D) = 0.125
P(M/E) = P(ME)/P(E) = 0.40/0.875 = 0.4571
P(D/H) = P(DH)/P(H) = 0.025/0.5
= 0.05
P(E/M) = P(ME)/P(M) = 0.40/0.5
= 0.8
P(M/D) = P(MD)/P(D) = 0.10/0.125 = 0.8
P(H/D) = P(HD)/P(D) = 0.025/0.125 = 0.2

Total

800/8000 = 0.1

3200/8000= 0.4

4000/8000= 0.5

200/8000= 0.025

3800/8000= 0.475

4000/8000= 0.5

Total

1000/8000= 0.125

7000/8000= 0.875

8000/8000= 1

Eventos dependientes e independientes

En el ejemplo anterior se tiene que:
P(M) = 0.50
P(H) = 0.50
P(E) = 0.875
P(D) = 0.125
P(ME) = 0.40
P(DH) = 0.025
P(MD) = 0.10
P(EH) = 0.475

Eventos
independientes si:

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

P(M) P(E)
P(D) P(H)
P(M) P(D)
P(E) P(H)

Por tanto los eventos M y E ,

D y H,
M y D,
EyH

= 0.4375
= 0.0625
= 0.0625
= 0.4375

son dependientes.

18

26/01/2013

Ley general multiplicativa para n eventos

Generalizando: sean los eventos A1, A2, , Ak; entonces:

A3 ... Ak ) P( A1 ) P( A2 \ A1 ) P( A3 \ A1 A2 )...P( Ak \ A1 A2 ... Ak 1 )

P( A1 A2

Probabilidad total
Sean A1, A2, A3..., An
eventos disjuntos
(mutuamente excluyentes), que forman una
particin de . Esto es Ai Aj = para
toda i y toda j, y adems
= A1 A2 A3 An

Independencia de n eventos

A2
A5
A3
A1

P( A1

A2

A3 ... Ak ) P( A1 ) P( A2 ) P( A3 )...P( Ak )

A4

A6
An

Probabilidad total

Probabilidad total

Y sea E otro evento tal que E y E Ai

A3

A4

A2

A5
A1

E
A6
An

Entonces
E = E = (A1 A2 A3 An) E
= (A1 E) (A2 E) (A3 E)
(An E)
Al aplicar la funcin de probabilidad a ambos
eventos, se tiene que:
P(E) = P(A1E) + P(A2E) +P(A3E) ++P(An E)
Ya que (Ai E) es ajeno a (Aj E) para i j

19

26/01/2013

Probabilidad total

Como (Ai E) = (E Ai) entonces

P(Ai E) = P(E Ai) = P(E/Ai) P(Ai)

Entonces la probabilidad completa de E es:

P(E) = P(E/A1) P(A1) + P(E/A2) P(A2) +

P(E/A3)P(A3)+...+ P(E/An) P(An)

Probabilidad total

Sea
D el evento: Que sea un artculo defectuoso.
P(M1) = 0.50
P(D/M1) = 0.03
P(M2) = 0.30
P(D/M2) = 0.04
P(M3) = 0.20
P(D/M3) = 0.05
Produccin de mquinas
hiladoras

% de productos
defectuosos

Probabilidad total

Ejemplo.En una pequea empresa de tejidos se obtiene

su produccin con tres mquinas hiladoras M1,
M2 y M3 que producen respectivamente 50%,
30% y el 20% del nmero total de artculos
producidos.
Los porcentajes de productos defectuosos
producidos por estas mquinas son 3%, 4% y
5%. Si se selecciona un artculo al azar,
Cul es la probabilidad de que el artculo sea
defectuoso ?

Produccin de mquinas
hiladoras

% de productos
defectuosos (D) y no
defectuosos (ND)

P(D/M1)=0.03
P(M1)=0.50

M1
P(ND/M1)=0.97
P(D/M2)=0.04

P(M2)=0.30

M2
P(ND/M2)=0.96

P(D) = P(D/M1) P(M1) + P(D/M2) P(M2) +

P(D/M3) P(M3)
= 0.03(0.50) + 0.04(0.30) + 0.05(0.20) = 0.037

P(D/M3)=0.05
P(M3)=.020

M3
P(ND/M3)=0.95

P(M1)*P(D/M1)=0.5*0.03=0.015

ND
D

P(M2)*P(D/M2)=0.3*0.04=0.012

ND
D

P(M1)*P(D/M1)=0.2*0.05=0.01

ND
P(D) = 0.015+0.012+0.01=0.037

20

26/01/2013

Teorema de Bayes
Supngase que A1, A2, A3,...,An es una particin de un
espacio muestral . En cada caso P(Ai) 0. La
particin es tal que A1, A2, A3,...,An, son eventos
mutuamente exclusivos. Sea E cualquier evento,
entonces para cualquier Ai,

Teorema de Bayes

Co mo la p ro b ab ilid
ad co mp leta d eE es :
P(E) P(A1 )P(E/A1 ) P(A2 )P(E/A2 ) P(An )P(E/An )
en to n ces

P( Ai / E)

P( Ai )P(E / AI )
P( A1 )P(E / A1 ) P( A2 )P(E / A2 ) P( An )P(E / An )

P( Ai / E )

P( Ai ) P( E / AI )
P (E)

Teorema de Bayes

Teorema de Bayes

Ejemplo.En una pequea empresa de tejidos se obtiene

su produccin con tres mquinas hiladoras M1,
M2 y M3 que producen respectivamente 50%,
30% y el 20% del nmero total de artculos
producidos.
Los porcentajes de productos defectuosos
producidos por estas mquinas son 3%, 4% y
5%. Supngase que se selecciona un artculo
al azar y resulta ser defectuoso. Cul sera
la probabilidad de que el artculo haya sido
producido por la mquina M1?

Ejemplo.En una pequea empresa de tejidos se obtiene

su produccin con tres mquinas hiladoras M1,
M2 y M3 que producen respectivamente 50%,
30% y el 20% del nmero total de artculos
producidos.
Los porcentajes de productos defectuosos
producidos por estas mquinas son 3%, 4% y
5%. Supngase que se selecciona un artculo
al azar y resulta ser defectuoso. Cul sera
la probabilidad de que el artculo haya sido
producido por la mquina M1?

21

26/01/2013

Sea
D: Que el artculo sea defectuoso
ND: Que el artculo no sea defectuoso
M1: Que haya sido producido por la mquina 1
M2: Que haya sido producido por la mquina 2
M3: Que haya sido producido por la mquina 3
P(M1) = 0.50
P(M2) = 0.30
P(M3) = 0.20

Por teorema de Bayes se tiene:

P(D/M2)=0.04
P(M2)=.030

M2

P(D/M3)=0.05

M3
P(ND/M3)=0.95

P(M1)*P(D/M1)=0.5*0.03=0.015

ND
D

P(M2)*P(D/M2)=0.3*0.04=0.012

ND
D

P(M1)*P(D/M1)=0.2*0.05=0.01

ND
P(D) = 0.015+0.012+0.01=0.037

P(D/M1)=0.03
P(M1)=0.50
P(D) = 0.037

P( M 1 ) P( D / M 1 )
P( M 1 / D)
P( M 1 ) P( D / M 1 ) P( M 2 ) P( D / M 2 ) P( M 3 ) P( D / M 3 )

P(ND/M1)=0.97

P(M3)=0.20

% de productos
defectuosos

Teorema de Bayes

M1

P(ND/M2)=0.96

P(D/M1) = 0.03
P(D/M2) = 0.04
P(D/M3) = 0.05

Produccin de mquinas
hiladoras

P(D/M1)=0.03
P(M1)=0.50

Ejercicios

P( M 1 ) P( D / M 1 )
(0.50)(0.03)

0.4054
P( D)
0.037

Cul sera la probabilidad de que el artculo haya

sido producido por la mquina M1?
La probabilidad de que el artculo defectuoso se
haya producido en la M1 es del 40.54%

22