Introduccin a la

probabilidad

Introduccin a la
probabilidad

Introduccin a la probabilidad
Probabilidad: Posibilidad numrica medida entre cero
y uno, de que ocurra un evento.
Probabilidad de que un cliente no pague a tiempo sus cuentas.
Probabilidad de comprar un artculo defectuoso.
Probabilidad de que llueva maana.

La probabilidad puede ser expresada como

proporcin: valore entre cero y uno; y en porcentaje si
es multiplicada por 100.

La teora de probabilidad estudia

las leyes de la
naturaleza y los problemas de la vida cotidiana.

Conceptos
Experimento aleatorio: Es la actividad que produce uno o varios
resultados. Es la observacin de alguna actividad o la accin de efectuar
una medicin.

Ejemplo:
Inspeccin de cajas de artculos.
Lanzamiento de un dado
Medicin de la percepcin sobre el sistema de
compensacin
Observar el estado del tiempo (llueve o no llueve).
Observacin del sexo del nacimiento de un (a) beb.

Conceptos
Evento o suceso: Es el o los resultados de un experimento o la
descripcin de un resultado potencial. ( Los eventos se denotan con
letras maysculas (A, B, C, E). hay eventos simples y eventos
compuestos.

Resultado: Un experimento es toda accin bien

definida que conlleva a un resultado nico bien
definido.
Espacio muestral: Conjunto de todos los posibles
resultados para un experimento.
1.
Espacio muestral finito: S={1,2,3,4,5,6}
2.
Espacio muestral infinito contable: S={1,2,3,4,....}
3.
Espacio muestral infinito no contable: S={0 X 1}
Observacin:
1 y 2, corresponden a espacios muestrales discretos;
3, es un espacio muestral no discreto o continuo.

Eventos mutuamente excluyentes: la ocurrencia

de un evento denota que ningn otro evento pueda
ocurrir al mismo tiempo.
Eventos no mutuamente excluyentes: dos o ms
eventos pueden ocurrir simultneamente.
Eventos colectivamente exhaustivos: por lo
menos uno de los eventos ocurre cuando se realiza
un experimento.
Eventos
equiprobables:
eventos
cuya
probabilidad de ocurrencia es la misma. Igualmente
probables.
Color
Palo

Rojo

Negro

Total

As

No-As

24

24

48

Total

26

26

52

E n fo q u e s d e p ro b a b il i d a d
O b je tiv o
P ro b a b ilid a d C l s ic a
B a s a d a e n re s u lta d o s p o s ib le s
e ig u a lm e n te p ro b a b le s

S u b je tiv o

P ro b a b il i d a d E m p ric a
P a rte d e in fo rm a c i n d is p o n i b le o
B a s a d a e n fre c u e n c ia s re la tiv a s
s u b je tiv a

Enfoques de la Probabilidad
Probabilidad Objetiva:
Probabilidad Clsica o a priori: Considera que los
resultados de un experimento son igualmente
posibles y mutuamente excluyentes.
Se calcula
P(E) = nmero de resultados favorables
nmero de resultados posibles
P(E), significa: probabilidad de ocurrencia del evento E.
La letra E, es una representacin simblica de un evento.
Ejemplo: E: sale cara

Enfoque clsico
Ejemplo:
Se
desea
conocer la probabilidad de
obtener un seis en el
lado
superior
en
el
lanzamiento de un dado.
Como el dado tiene seis
lados, numerados del 1 al
6. Los posibles resultados
en el lanzamiento de un
dado son:
S = {1, 2, 3, 4, 5, 6}

Resultado
(Ei)

No. De
veces que
puede
salir

P(Ei)

Sale 1

1/6

Sale 2

1/6

Sale 3

1/6

Sale 4

1/6

Sale 5

1/6

Sale 6

1/6

Estos eventos son equiprobables, mutuamente excluyentes y colectivamente

exhaustivos.

Enfoque de probabilidad
Frecuentista
P(E) =

Nmero de veces que ha ocurrido el evento en el pasado

Nmero total de observaciones

P(E), significa: probabilidad de ocurrencia del evento E.

La letra E, es una representacin simblica de un evento.
Ejemplo: E: .. vender 5 computadoras hoy.

Enfoque Frecuentista
Ejemplo: Un importador
de cristal irlands de
Nueva York recibe envos
de cajas de tres artculos.
Los datos para las ltimas
100 cajas indicaron el
nmero
de
artculos
daados que haba en
cada caja. Los datos se
resumen a continuacin:

Resultado
(E) Nmero
de defectos

Nmer
o de
cajas

P(Ej)

40

40/100=0.4

27

27/100=0.27

21

21/100=0.21

12

12/100=0.12

Enfoques de la Probabilidad Subjetivo

Probabilidad Subjetiva: Se refiere a
la probabilidad de que suceda un
evento, asignado por una persona con
base a informacin de que disponga.
(informacin subjetiva)
Ejemplos: Posibilidad de comprar un automvil
nuevo este ao

Taller 1

Problemas para resolver

1. La siguiente tabla muestra el nmero de computadoras
vendidas diariamente por una tienda minorista:
Nmero de
computador
as vendidas

Nmero de
das

12

43

18

20

25

Determine la probabilidad de que el nmero de computadores que se vendan

hoy sea:
a. 2

b. Menos de 3

c. Ms de 1

Axiomas o Reglas de probabilidad

0 P(E) 1, La probabilidad es siempre positiva

P (S)= 1, Certidumbre o suceso seguro.

REGLAS DE ADICIN
PARA EVENTOS MUTUAMENTE EXCLUYENTES
P (A U B) = P (A) + P (B)
Esto expresa la probabilidad de que ocurra A ocurra B.
Cuando los eventos son mutuamente excluyentes, no pueden ocurrir simultneamente.
Esto significa que no existe interseccin.

B
P (A B) = 0

Una extensin de la probabilidad: P (A U B U C) = P (A) + P (B) + P (C)

Ejemplo

Un estudio de 200 cadenas de tiendas revel estos ingresos,

despus del pago de impuestos:
Ingresos despus de
impuestos
TOTAL

(A) Menos de un milln

Nmero de
empresas
200
102

(B) De un milln a menos

de 20 millones

61

(C) 20 millones ms

37

a) Cul es la probabilidad de que una

cadena de tiendas tenga menos de
un milln de dlares en ingresos
despus de pagar impuestos.

P(A) = 102 / 200 = 0.51 = 51%

b) Cul es la probabilidad de que una cadena de tiendas tenga ingresos de un milln a menos de 20,
que tenga ingresos de 20 millones ms.
P(B U C) = 61/ 200 + 37/ 200 = 0.305 + 0.185 =0.49 = 49%
c) Qu regla de probabilidad se aplic. Se aplic la regla de adicin para eventos mutuamente
excluyentes

PARA EVENTOS NO MUTUAMENTE

EXCLUYENTES
P (A U B) = P (A) + P (B) P(A B)
A

B
A B

EJEMPLO. Una carta de una baraja americana de 52 naipes se va a seleccionar en forma

aleatoria (al azar). Cul es la probabilidad de que la carta seleccionada sea un rey o negra?
La probabilidad de escoger un rey es P( R ) = 4 / 52
La probabilidad de escoger una carta negra es P(N) = 26 / 52
Los eventos no son mutuamente excluyentes, existe la posibilidad de extraer una carta que
tenga ambas caractersticas. Existen 2 reyes negros en un juego de cartas americanas.
La Probabilidad de escoger un rey o una carta negra:
P( R U N) = P ( R ) + P ( N ) P (R N)
= 4 / 52 + 26/ 52 2 / 52

P (A U B U C) = P (A) + P (B) + P (C) P(AB) P(AC) P (BC) + P(A B C)

AB
A
AC

B
C

ABC
BC

REGLA DEL COMPLEMENTO

P(A)= 1 - P ( A )
DONDE LOS EVENTOS SON MUTUAMENTE EXCLUYENTES Y
COLECTIVAMENTE EXHAUSTIVOS

2.

Se entrevistar a un grupo de 2000 empelados de una compaa para preguntarles sobre un nuevo
plan de pensiones. Los empleados clasificaron como sigue:
Clasificacin
Evento
N de empleados
Supervisores
A
120
De Mantenimiento
B
50
De Produccin
C
1460
De Gerencia
D
302
Secretarial
E
68
a) Cul es la probabilidad de que la primera seleccionada sea de mantenimiento ?

b) Cul es la probabilidad de que sea de secretaria ?

c) Cul es la probabilidad de que sea alguien de mantenimiento o secretara?

d) Qu regla de probabilidad se aplic en la pregunta anterior ?

e) Estos eventos son mutuamente excluyentes ?
f ) Cul es la probabilidad de no seleccionar a una persona de mantenimiento?

3. Determine el espacio muestral para el lanzamiento de dos dados.

a) Cul es la probabilidad de que ambos dados sumen 7 puntos
b) Cul es la probabilidad de que ambos sumen un nmero par de puntos.
c) Cul es la probabilidad de que sumen ms de 8.

REGLAS DE MULTIPLICACIN

Para eventos independientes ( La ocurrencia de un evento no tiene efecto en la

probabilidad de ocurrencia de cualquier otro)
P (A B) = P(A) * P(B) Probabilidad Conjunta, es decir que ocurra A y B
simultaneamente es igual al producto de las probabilidades de los eventos.
Para tres eventos A, B y C
P(A B C) = P(A) * P(B) *P(C)

Para eventos dependientes ( La ocurrencia de un evento tiene efecto en la

probabilidad de ocurrencia de cualquier otro)
P (A B) = P(A) * P(B / A) La probabilidad conjunta es igual a la probabilidad de A
por la probabilidad de B dado que ocurri A, esta es la probabilidad condicional.
P(B/A) = P (A B) / P(A)
Para tres eventos A, B y C
P(A B C) = P(A) * P(B / A) *P(C / A B)

Ejemplos
Se lanzan al aire dos monedas. Cul es la probabilidad de que ambas
salgan sello?
Entonces P(S) = 0.5 es la probabilidad de un sello. Los sucesos son
independientes ya que el hecho de que caiga sello en el primer
lanzamiento, no afecta la probabilidad de ocurrencia de un resultado
sello en el segundo segundo lanzamiento.
Probabilidad de que ambas caigan sello

P(S S ) = P(S ) * P(S) = 0.5 *0.5 = 0.25

Esto puede demostrarse enlistando los posibles resultados del lanzamiento
de dos monedas:

S = ( cc ; cs ; sc ; ss )
De los cuatro posibles resultados, uno slo cumple con la condicin de que
ambos sean sello. La probabilidad es uno de cuatro, es decir 0.25

sexo

edad Sean los Sucesos

A = ser hombre (H)
18 B = edad 20
19
B= < 20
19

A= Hombre Ac = Mujer

B.R

C.C

C.G

G.P

20

M.P

21

J.L

20

L.A.

21

N.D

21

V.C

22

V.F.

19

L.L.

18

P(A B) = 4/14 = 0.29

P(A B) = P(A) + P(B) - P(A B)

J.N.

21

6/14 + 6/14 - 4/14 = 0.43+ 0.43 - 0.29 = 0.57

J.P.

21

U.P

18

Bc = 20 o ms

Probabilidades
P(A) = 6/14 = 0.43
P(B) = 6/14 = 0.43

P(A B) = 4/6 = 0.67

Ejemplo
Una muestra aleatoria de empleados de una empresa
manufacturera se seleccion para determinar sus planes de retiro
despus de cumplir 65 aos. Los seleccionados en la muestra se
dividieron en gerencia y produccin. Los resultados fueron:

Empleados

Planes despus de
los 65 aos
Se
retira

Gerencia

Total

a) Trace un diagrama de arbol y

determine las probabilidad
conjunta ( sig. Diapositiva)
b) Cul es la probabilidad de que un
empleado elegido al azar sea de
produccin y no se retire despus
de cumplidos los 65 aos

No se
retira

15

20

P(P NR) = 50/100

Produccin

30

50

80

Total

35

65

100

c) Cul es la probabilidad de que el

empleado se retire dado que sea
de gerencia
P( R/G)=

5/20

P Produccin
G Gerencia

P(G R) = P(G) P(R/G) = (20 / 100) *(5/20)= 5/100

R Retirarse
NR No retirarse

P(R/G) = 5/20

P(G NR) = P(G) P(NR/G) = (20 / 100) *(15/20)= 15/100

P(G) = 20 / 100
P(NR/G) = 15/20

P(P R) = P(P) P(R/P) = (80 / 100) *(30/80)= 30/100

P(R/P) = 30/80

P(P) = 80 / 100
P(NR/P) = 50 / 80

Probabilidad
Marginal

Probabilidad
Condicional

P(P NR) = P(P) P(NR/P) = (80 / 100) *(50/80)=

50/100

Probabilidad Conjunta ( La suma

de las probabilidades conjuntas da
la unidad o el 100%)

Cuatro tipos de probabilidad

Marginal

Unin

Conjunta

Condicional

P( X )

P( X Y )

P( X Y )

P( X | Y )

La probabilidad
de que ocurra
X

La probabilidad
de que ocurra
XoY

La probabilidad
de que ocurra
XeY

La probabilidad
de que ocurra
X sabiendo que
ha ocurrido Y

X Y

X Y

Teorema de la probabilidad total

Si conocemos la probabilidad
de B en cada uno de los
componentes de un sistema
exhaustivo y excluyente de
sucesos, entonces podemos
calcular la probabilidad de B
como la suma:

A2

A1
B

A3
P(B) = P(B

A4

A ) + P(B A ) + P( B A ) + P( B A )
1

P(B) = P(A1) P(B|A1) + P(A2) P(B|A2) + P(A3) P(B|A3) + P(A4) P(B|A4)

27

La ley de probabilidad total

Supongamos que A1, A2, ... ,An son una particin de E,
es decir que los sucesos son mtuamente excluyentes entre s
(AiAj= para todo par) y su unin es E entonces:

A2

A1

P ( B ) P ( B Ai )
i 1

A3

P( B) P ( B | Ai ) P( Ai )
A4

i 1

28

Ejemplo: En este aula el 70% de los alumnos son

hombres. De ellos el 10% son fumadores. El 20% de
las mujeres son fumadoras.
Qu porcentaje de fumadores hay en total?

Podemos aplicar la ley de

la probabilidad total:
Hombres y mujeres forman
un sistema exhaustivo y
excluyente de sucesos.

Hombres

Mujeres

Fumadores

29

0,1
0,7

Fuma

Hombre
0,9

Estudiante

0,2

0,3

No fuma

Fuma

Mujer
0,8
No fuma

P(F) = P(FH) + P(FM) =

= P(H) P(F/H) + P(M) P(F/M)
= (0.7 * 0.1) + (0.3 * 0.2)= 0.13

30

Teorema de Bayes
Si conocemos la probabilidad de B en
cada uno de los n componentes de un
sistema exhaustivo y excluyente de
sucesos, entonces

A2

A1

si ocurre B, podemos calcular la

probabilidad (a posteriori) de
ocurrencia de cada Ai, (i = 1, 2, ... , n):

A3

P(B Ai )
P(Ai|B)
P(B)

A4

donde P(B) se puede calcular usando el teorema de la probabilidad

total:
n

P( B) P ( B Ai )
i 1

31

5-34

Teorema de Bayes
El teorema de Bayes se representa con la
frmula, SI SE TIENEN DOS EVENTOS
MUTUAMENTE EXCLUYEB:
n

P( B) P ( B Ai )
i 1

P ( A1) * P ( B | A1)
P ( A1 | B )
P ( A1) * P ( B | A1) P ( A2) * P ( B | A2)

0,1
0,7

Fuma

Hombre
0,9

Estudiante

0,2

0,3

No fuma

En el problema anterior: Se elige a

un individuo al azar
y resulta fumador. Cul es la
probabilidad de que sea una
mujer?

Fuma

Mujer
0,8
No fuma

P(M) = 0,3,

P(F) = 0,13

P(M|F) = P(F M) / P(F) = P(F|M) P(M) / P(F) = (0.2 * 0.3) / 0.13 = 0.46

Ejemplo
El 35% de los crditos de un banco son para vivienda, el 50% son para industria y el
15% para consumo diverso. Resultan fallidos el 20% de los crditos para vivienda, el
15% de los crditos para industrias y el 70% de los crditos para consumo. Calcula
la probabilidad de que se pague un crdito elegido al azar.

Solucin:
Sean los sucesos V = {crdito para vivienda}, I = {crdito para industria},
C = {crdito para consumo diverso} y F ={un crdito resulta fallido}.
Entonces tenemos que:
P(V) = 0.35, P(I) = 0.5, P(C) = 0.15,
P(F/V) = 0.2, P(F/I) = 0.15 y P(F/C) = 0.7.

Haciendo uso del teorema de la probabilidad total:

P(F) = P [(F y V) (F y I) (F y C)] = P(F y V) + P(F y I) + P(F y C) =
P(V) P(F/V) + P(I) P(F/I) + P(C) P(F/C) = 0.35 * 0.2 + 0.5 * 0.15 + 0.15* 0.7 = 0.25.

La probabilidad de que se conceda un crdito es la de que no resulte fallido, es

decir, P( F ) = 1 - P(F) = 1 - 025 = 075

Taller 3

Distribuciones de
Probabilidad

Distribuciones de Probabilidad

Una distribucin de probabilidad es un modelo matemtico

que asocia valores de una variable aleatoria con sus
respectivas probabilidades, es decir:

Probabilidad de x = Funcin de x

Las distribuciones se caracterizan por una

frmula que
determina el tipo de distribucin y por un conjunto de
parmetros, que son propios de cada espacio muestral.

 En el caso de una variable discreta , la distribucin puede

describirse mediante una funcin de probabilidad, que para cada
valor de x de la variable X determina la probabilidad de ser
asumido:

P( X= x) = p (x)
o bien por medio de una funcin de distribucin de probabilidad
acumulada o simplemente funcin de distribucin, la que,
para cada valor provee la probabilidad de no ser superado

P( X x) = F (x)

evidentemente, el valor de la funcin de distribucin es igual a la suma

de todos los valores de la funcin de probabilidad desde el extremo
inferior del dominio de la variable hasta x inclusive

Ejemplo: Al lanzar dos dados la suma de ambos puede asumir 11 valores

diferentes en 36 puntos muestrales (2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12)

Se prepara una distribucin de frecuencias de

los resultados

Tabla de distribucin de probabilidad

Valor esperado
E(X) = = X p(X)
= 7.00

Varianza
V(X) = 2

= E(X2) (E(X))2

= 54.83 (7) 2 = 54.83 - 49

= 5.83
Donde E(X2) = X2 p(X)

Grafica de la distribucin de
probabilidad
Distribucin de X
7
6

F (x)

5
4
3
2
1
0
2

7
X

10 11 12

1.
Una persona, Jos Franco, vende automviles nuevos para una empresa. Generalmente
negocia el mayor nmero de autos los sbados. Ha establecido la siguiente distribucin de probabilidad
para el nmero de autos que espera vender en un sbado en particular.
a.
En un sbado comn, cuntos autos espera vender?
c.
Cul es la varianza de la distribucin?
Nmero de
Automviles
vendidos
X
0
1
2
3
4
Total

Probabilidad
P(X)
0.10
0.20
0.30
0.30
0.10
1.00

Un inversionista crey que los rendimientos en 1 ao posibles por invertir en una accin comn
particular son los que se muestran en el cuadro 1, que representa la distribucin de probabilidad
puede resumirse en trminos de 2 parmetros:
Valor esperado del rendimiento.
Desviacin estndar.
Cuadro 1: Ejemplo de uso de una distribucin de probabilidad de los rendimientos a 1 ao
posibles para calcular el valor del rendimiento esperado y la desviacin estndar del rendimiento.
Rendimiento posible Probabilidad de
X
ocurrencia Pi
-0.1
0.05
-0.02
0.1
0.04
0.2
0.09
0.3
0.14
0.2
0.2
0.1
0.28
0.05

Taller 4

Para resolver en grupo

J.R.Ryland Computer Company considera la expansin de una planta para permitir a la

empresa comenzar la fabricacin de una computadora nueva. El presidente de la firma
debe determinar si el proyecto de expansin se realiza a mediana o a gran escala. La
demanda para la computadora nueva es incierta, y para propsitos de planeacin puede
ser baja, mediana o alta. Las probabilidades estimadas para la demanda son 0.20, 0.50 y
0.30, respectivamente; X y Y indican las utilidades anuales en miles de dlares. Los
encargados de la planeacin en la empresa elaboraron los pronsticos de utilidades
siguientes para los proyectos de expansin a mediana y larga escala.

Utilidades de expansin
a mediana escala
a gran escala
Demanda
baja
mediana
alta

X
50
150
200

P(X)
0.2
0.5
0.3

Y
0
100
300

P(Y)
0.2
0.5
0.3

A) Calcule el valor esperado para las utilidades asociadas con las dos alternativas de
expansin. Cul decisin es preferible para el objetivo de maximizar las utilidades
esperadas
B) Calcule la desviacin estndar para la utilidad asociada a las dos alternativas de
expansin. Cul decisin es preferible para minimizar el riesgo o la incertidumbre?