UNIVERSIDAD NACIONAL DE SAN AGUSTÍN

Facultad de Agronomía

Asignatura: Estadística General

Probabilidad

Omar Zeballos Cáceres, Ph.D.

 Eventos Independientes
• Se dice que los eventos A y B son independientes cuando la ocurrencia o no
ocurrencia de uno de los eventos “no afecta a la probabilidad de ocurrencia del
otro evento". Por tanto, las probabilidades no se modificarán por el hecho que
hay independencia de los eventos:

• Donde el símbolo ∩ indica que tratamos con la intersección entre el conjunto

A y el conjunto B ; es decir, los eventos que pertenecen a A y a B a la vez.

• Esta regla puede leerse como que la probabilidad de que A y B ocurran juntos
es igual a la probabilidad de A por la probabilidad de B.

Omar Zeballos Cáceres, Ph.D.

 Eventos Independientes
• Ejemplo: Si del conjunto de 10 pasajes aéreos donde 8 son transferibles (T) y 2
pasajes no pueden ser transferidos (N), elegimos al azar y “con reemplazo" 2
pasajes; la secuencia del experimento aleatorio debe considerar que el
resultado de la primera elección no afecta al resultado de la segunda selección;
de este modo el árbol de probabilidades es:

Omar Zeballos Cáceres, Ph.D.

 Eventos Independientes
• Ejemplo: Hay tres sorteos diferentes, cada uno con un total de 50 números. Si
compras 1 boleto para la rifa 2 boletos para la rifa 2 y 10 boletos para la rifa 3.
¿Cuál es la probabilidad de que ganes las tres rifas?
✓ Solución:
❖A = ganar la rifa 1
❖B = ganar la rifa 2
❖C = ganar la rifa 3
• Los tres sucesos son independientes, ya que la ocurrencia de cada suceso no
afecta a la probabilidad de ninguno de los otros sucesos. Por lo tanto, podemos
utilizar la fórmula de la regla de multiplicación expandida de la siguiente
manera:

• La probabilidad de ganar las tres rifas es del 0.016.

Omar Zeballos Cáceres, Ph.D.

 Probabilidad Total
• El teorema de la probabilidad total nos da la probabilidad de un suceso que
puede darse en cualquiera de las particiones, que es la suma de la probabilidad
de tener esa partición multiplicada por la probabilidad de tener ese suceso en
esa partición en concreto.
• Para entender el teorema de la probabilidad total tienes que tener claro el
concepto de la probabilidad condicionada (Eventos dependientes) y el de
partición.

• Una vez que hemos entendido la probabilidad condicionada, podemos explicar

lo que es la partición del espacio muestral.

• Los sucesos A1, A2……, An; forman una partición del espacio muestral Ω, si
cumplen con que:

– Son incompatibles entre sí: Ai ∩ Aj = ∅ , para todo i ≠ j

– Todos suman el espacio muestral: A1∪ A2 ∪…U An = Ω

Omar Zeballos Cáceres, Ph.D.

 Probabilidad Total
• Por ejemplo, los trabajadores de una empresa se dividen en 5 departamentos
distintos. Se podría elegir un trabajador al azar y anotar el departamento en el
que trabaja.

• Los sucesos que llamamos Aj son "pertenecer al departamento j " y forman

una partición del espacio muestral, puesto que la unión de todos los
departamentos A1 ∪ A2 ∪ A3 ∪ A4 ∪ A5 = Ω; forman el espacio muestral que
sería ser un trabajador de la empresa (todos los departamentos juntos forman
la totalidad de la empresa). Además los sucesos son incompatibles entre sí,
porque un trabajador no puede ser de dos departamentos a la vez.

• Una vez que tenemos los conceptos anteriores ya entendidos, podemos pasar
al teorema de la probabilidad total.

Omar Zeballos Cáceres, Ph.D.

 Probabilidad Total
• Teorema de probabilidad total: Se tienen los sucesos A1, A2……, An , que
forman una partición del espacio muestral Ω ; todos estos sucesos con
probabilidad distinta de cero. Se tiene B, que es un suceso cualquiera
del espacio muestral; entonces, la probabilidad de B es:

• Esta es la regla o teorema de la probabilidad total, esto quiere decir

que la probabilidad de un suceso que puede darse en cualquiera de las
particiones es la suma de la probabilidad de tener esa partición,
multiplicada por la probabilidad de tener ese suceso en esa partición
en concreto.

Omar Zeballos Cáceres, Ph.D.

 Probabilidad Total
• Ejemplo. Una empresa de fabricación de coches tiene tres fábricas. La primera
fábrica produce un 40% del total de coches, la segunda fábrica produce 15%
del total y la tercera 45%. Por cada lote de producción se hace un control de
calidad en todas las fábricas. En la primera fábrica, un 0.05 de los coches
analizados son defectuosos; en la segunda fábrica, esta cantidad asciende al
0.08; mientras que en la tercera fábrica, baja al 0.04.
• ¿Cuál es la probabilidad de coger un coche al azar y que sea defectuoso?
• Solución:
– Este problema se resuelve utilizando el teorema de la probabilidad total.
Podemos ver que la partición del espacio muestral son cada una de las
fábricas:
– F1="Producido en la fábrica 1".
– F2="Producido en la fábrica 2“
– F3="Producido en la fábrica 3“
• Como podemos observar, se trata de una partición, puesto que las
producciones de las tres fábricas forman la producción de toda la empresa.
Además, las producciones en las fábricas son incompatibles entre sí, porque un
mismo producto no puede producirse en dos fábricas distintas a la vez.
Omar Zeballos Cáceres, Ph.D.
 Probabilidad Total
• Ahora, podemos asignar probabilidades para entender los datos que tenemos y lo que
nos piden:

– Probabilidad de haberse producido en la fábrica 1: P(F1)=0.4

– Probabilidad de haberse producido en la fábrica 2: P(F2)=0.15

– Probabilidad de haberse producido en la fábrica 3: P(F3)=0.45

– Probabilidad de haberse producido en la fábrica 1 y ser defectuoso: P(D|F1)=0.05

– Probabilidad de haberse producido en la fábrica 2 y ser defectuoso: P(D|F2)=0.08

– Probabilidad de haberse producido en la fábrica 3 y ser defectuoso: P(D|F3)=0.04

• Ahora, podemos calcular la probabilidad de escoger un coche de cualquier fábrica y que

sea defectuoso, usando la fórmula de la probabilidad total:

• Por tanto, la probabilidad de escoger un coche al azar y que sea defectuoso es del 5%.

Omar Zeballos Cáceres, Ph.D.

 Probabilidad Total
• Ejemplo: El total de préstamos de una sucursal bancaria fue aprobado por dos
sectoristas de crédito, el sectorista S1 aprobó el 60% de los préstamos y el
sectorista S2 aprobó el 40% restante. La probabilidad que el sectorista S1
apruebe un préstamo incobrable (I) es 0.01; mientras para el sectorista S2 esta
probabilidad es 0.02. Si de la cartera total de prestamos de la sucursal elegimos
al azar un préstamo, ¿Cuál es la probabilidad que el préstamo elegido sea
incobrable? Se trata de un experimento aleatorio “secuencial" por tanto, el
árbol de probabilidades es:

Omar Zeballos Cáceres, Ph.D.

 Probabilidad Total
• Por lo tanto, la probabilidad total que el préstamo elegido sea incobrable será

• El cuadro resumen de las probabilidades del experimento es:

Omar Zeballos Cáceres, Ph.D.

 Teorema de Bayes
• Realmente, el teorema de Bayes se basa en el teorema de la probabilidad total, pero de
manera inversa. Usamos la probabilidad de algo que ya sabemos para calcular la
probabilidad del suceso del cual procede.
• Definición: Si A1, A2, An son los sucesos de una partición del espacio muestral Ω y se
conoce la probabilidad de un suceso B, la probabilidad del suceso Aj condicionada por el
suceso B viene dada por:

• Como puedes ver en la fórmula anterior, el teorema de la probabilidad total se aplica en

el denominador.
• Ejemplo Una empresa de fabricación de coches tiene tres fábricas. La primera fábrica
produce un 40% del total de coches, la segunda fábrica produce 15% del total y la tercera
45%. Por cada lote de producción se hace un control de calidad en todas las fábricas. En
la primera fábrica, un 0.05 de los coches analizados son defectuosos; en la segunda
fábrica, esta cantidad asciende al 0.08; mientras que en la tercera fábrica, baja al 0.04. Se
elige un coche al azar y resulta que es defectuoso. ¿Cuál es la probabilidad de que este
coche venga de la primera fábrica?

Omar Zeballos Cáceres, Ph.D.

 Teorema de Bayes
• Como se puede observar, la diferencia con el problema anterior es que ya sabemos que
el producto es defectuoso; por tanto, lo que queremos encontrar es la probabilidad de
que proceda de la primera fábrica.
• Primero, asignamos probabilidades (como anteriormente) para hacer todo más claro:
– Probabilidad de haberse producido en la fábrica 1: P(F1)=0.4
– Probabilidad de haberse producido en la fábrica 2: P(F2)=0.15
– Probabilidad de haberse producido en la fábrica 3: P(F3)=0.45
– Probabilidad de haberse producido en la fábrica 1 y ser defectuoso: P(D|F1)=0.05
– Probabilidad de haberse producido en la fábrica 2 y ser defectuoso: P(D|F2)=0.08
– Probabilidad de haberse producido en la fábrica 3 y ser defectuoso: P(D|F3)=0.04
• Ahora, lo que buscamos es la probabilidad de que F1 esté condicionado por D; es decir,
que el defecto sea de la primera fábrica:

• Por tanto, la probabilidad de que el coche defectuoso provenga de la primera fábrica es

del 40%.

Omar Zeballos Cáceres, Ph.D.

 Teorema de Bayes
• Volviendo al ejemplo de los sectoristas bancarios (probabilidad total),
– Recordemos el árbol de probabilidades de ese evento:

– Si el préstamo elegido al azar resultó ser incobrable (I), ¿cuál es la

probabilidad que este préstamo haya sido aprobado por el sectorista S1.?

– Por tanto, la probabilidad de que el préstamo provenga del sectorista 1 es

del 42.86%.

Omar Zeballos Cáceres, Ph.D.

 VARIABLE ALEATORIA

• Es un “evento numérico" cuyo valor resulta de un proceso aleatorio y que

corresponde a cada unidad de análisis; por su naturaleza la variable aleatoria
se clasifican en:

1. Variables Aleatorias Cualitativas: Expresan atributos o categorías

2. Variables Aleatorias Cuantitativas: Se expresan en forma numérica,
pueden ser:

a) Cuantitativas Discretas: Toman valores “enteros" y se pueden

enumerar todos sus valores posibles junto a sus respectivas
probabilidades de ocurrencia.
b) Cuantitativas Continuas: Toman valores que se expresan con
cualquier valor de un intervalo de los números reales. No es posible
listar todos los valores que toma la variable junto a sus
probabilidades correspondientes, por tanto, estas probabilidades se
determinan a través de una función matemática o “curva de
probabilidades".

Omar Zeballos Cáceres, Ph.D.

 VARIABLE ALEATORIA

• Ejemplo. Sea el experimento en que se lanza una moneda 3 veces y se define la

variable aleatoria Xi = Número de caras que resultan en cada uno de los
resultados posibles.

• Luego los resultados pueden resumirse en la tabla de frecuencia siguiente:

• Numero de caras que resulten en cada uno de los
eventos posibles esta dado por:

P(X≥2)=P(x=2)+P(x=3)=0.375+0.125=0.50

Omar Zeballos Cáceres, Ph.D.

 DISTRIBUCIÓN DE PROBABILIDADES DE VARIABLES DISCRETAS

• Sea la variable aleatoria X i que toma valores discretos y las probabilidades

siguientes:

• Ejemplo: Al lanzar un par de dados balanceados, el espacio muestral es:

Omar Zeballos Cáceres, Ph.D.

 DISTRIBUCIÓN DE PROBABILIDADES DE VARIABLES DISCRETAS

• El espacio muestral tiene 36 elementos y en él se define la variable aleatoria :

Xi : Suma de los puntos del par de dados lanzados

• Por ejemplo para Xi = 8 temenos lo siguiente:

• Y así se puede calcular para los demás componentes de la variable aleatoria:

Xi : Suma de los puntos del par de dados lanzados

Omar Zeballos Cáceres, Ph.D.

 DISTRIBUCIÓN DE PROBABILIDADES DE VARIABLES DISCRETAS

• Para este experimento, la probabilidad de obtener los resultados siguientes

será:
✓P(X = 7) = 6/36= 0.1667
✓P(X < 4) = Pr(X=2)+Pr(X=3) = 1/36+2/36= 3/36= 0.0833
✓P(X > 9) = Pr(X=10)+Pr(X=11)+Pr(X=12) = 3/36+2/36+1/36 = 6/36= 0.1667
✓P(X ≥ 4) = 1-[P(X=2)+P(X=3)]=1-0.0833=0.9167

Omar Zeballos Cáceres, Ph.D.

 Valor Esperado o Esperanza Matemática de una Variable Aleatoria
• Es el promedio ponderado de los valores Xi utilizando como factores de
ponderación las respectivas probabilidades de ocurrencia P(Xi). Es el valor de la
variable aleatoria que esperaríamos encontrar con mayor probabilidad a “Largo
Plazo".

Omar Zeballos Cáceres, Ph.D.

 Valor Esperado o Esperanza Matemática de una Variable Aleatoria

• La variable aleatoria Xi :“Suma de

los puntos a lanzar un par de
dados" es una variable aleatoria
discreta cuya distribución de
probabilidad es:
• La esperanza matemática de la
variable aleatoria Xi : Suma de los
puntos del par de dados, será el
valor que esperaríamos obtener a
“largo plazo" si repetimos el
experimento:

Omar Zeballos Cáceres, Ph.D.

 Valor Esperado o Esperanza Matemática en la Toma de Decisiones
• Se lanzará un par de dados balanceados, definirá la variable aleatoria Xi :“Suma de los
puntos resultante" y se plantea el juego siguiente:
❖ Por cada punto logrado se dará un premio de 10 soles
❖ El que desea participar en este juego debe pagar 50 soles
• Calcule la utilidad esperada que tendrá cada participante del juego

• La esperanza matemática del juego, el valor esperado de Ui es

Omar Zeballos Cáceres, Ph.D.

 Valor Esperado o Esperanza Matemática en la Toma de Decisiones

• Preguntas:
❖ ¿Cuál es la probabilidad de lograr una utilidad de 20 soles?: 6/36
❖ ¿Cuál es la probabilidad de lograr una utilidad de 20 soles ó menos?: 21/36
❖ ¿Cuál es la probabilidad de lograr una utilidad de más de 20 soles?: 15/36
❖ ¿Cuál es la probabilidad de lograr una utilidad de más de 50 soles?: 6/36
❖ ¿Cuál es la probabilidad de lograr una utilidad entre 0 y 40 soles?: 24/36

Omar Zeballos Cáceres, Ph.D.

Gracias Totales……..

Omar Zeballos Cáceres, Ph.D.