Está en la página 1de 90

PROBABILIDAD Y PROCESOS ESTOCASTICOS

PROBABILIDAD


PROBABILIDAD
El concepto de probabilidad es manejado por
mucha gente. Frecuentemente se escuchan
preguntas como las que se mencionan a
continuación:
¿ Cuál es la probabilidad de que me saque la
lotería o el melate ?
¿ Qué posibilidad hay de que me pase un
accidente automovilístico ?
¿ Qué posibilidad hay de que hoy llueva ? para
llevar mi paraguas o no.
¿ Existe alguna probabilidad de que repruebe el
primer parcial ?,
PROBABILIDAD
Estas preguntas en el lenguaje coloquial esperan
como respuesta una medida de confianza
representativa o práctica 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 estadístico.

El cálculo de probabilidades proporciona las
reglas para el estudio de los experimentos
aleatorios o de azar, que constituyen la base
para la estadística inferencial.

PROBABILIDAD
Fenómenos Aleatorios y
Fenómenos Deterministicos.

Fenómeno Aleatorio.-
Es un fenómeno del que no se sabe que es lo que
va a ocurrir, están relacionados con el azar o
probabilidad.
Fenómeno Determinista.-
Es el fenómeno en el cual de antemano se sabe
cual será el resultado.

PROBABILIDAD
La probabilidad estudia el tipo de fenómenos aleatorios.

Experimento aleatorio.-
Una acción que se realiza con el propósito de
analizarla. Tiene como fin último determinar
la probabilidad de uno o de varios
resultados.
Se considera como aleatorio y estocástico, si
sus resultados no son constantes.
Puede ser efectuado cualquier número de veces
esencialmente en las mismas condiciones.
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
Ejemplos:
Tirar dardos en un blanco determinado
Lanzar un par de dados
Obtener una carta de una baraja
Lanzar una moneda


PROBABILIDAD
Otros ejemplos de eventos:
A: que al nacer un bebe, éste sea
niña
B: que una persona de 20 años,
sobreviva 15 años más
C: que la presión arterial de un
adulto se incremente ante un
disgusto
PROBABILIDAD
Probabilidad e Inferencia.
Se presentan dos candidatos al cargo de la
presidencia del CEUDLA, y se desea
determinar si el candidato X puede ganar.

Población de interés: Conjunto de respuestas
de los estudiantes que votarán el día de las
elecciones.
Criterio de gane: Si obtiene el más del 50%
de los votos.

PROBABILIDAD
Supóngase que todos los estudiantes de la
UDLA van a las urnas y se elige de manera
aleatoria, una muestra de 20 estudiantes.

Si los 20 estudiantes apoyan al candidato

¿ Qué concluye respecto a la posibilidad que
tiene el candidato X de ganar las elecciones
?

PROBABILIDAD

1.- EL CANDIDATO X GANARA

2.- EL CANDIDATO Y GANARA

3.- NO SE PUEDE CONCLUIR NADA
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.

¿ ES CORRECTA ESTA INFERENCIA ?.
PROBABILIDAD
TOME UNA MONEDA HONRADA Y LANCELA
20 VECES ANOTANDO LOS
RESULTADOS.

LLAME X = CAE AGUILA
Y = CAE SOL.

¿ CUAL ES LA FRACCION DE AGUILAS Y
CUAL ES LA FRACCION DE SOLES ?.

PROBABILIDAD
TOME UNA MONEDA HONRADA Y LANCELA
20 VECES ANOTANDO LOS
RESULTADOS.

LLAME X = CAE AGUILA
Y = CAE SOL.

¿ CUAL ES LA FRACCION DE AGUILAS Y
CUAL ES LA FRACCION DE SOLES ?.

PROBABILIDAD

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.

¿ ES CORRECTA ESTA INFERENCIA ?.
PROBABILIDAD
NO.

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.
PROBABILIDAD
Espacio Muestral
Es el conjunto de todos los posibles resultados
de interés 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
interés, que caiga sol o que caiga águila. (Si
cae de canto no es de interés y se repite el
lanzamiento).
S = { s, a }
PROBABILIDAD
2.- Experimento: Se lanza un dado.
Espacio muestral = total de caras en que puede
caer el dado, o sea seis formas de interés:
S = { 1, 2, 3, 4, 5, 6 }
PROBABILIDAD
Los eventos aleatorios se denotan normalmente
con las letras mayúsculas A, B, C, ...

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

Los eventos aleatorios son conjuntos que pueden
contener un solo elemento, una infinidad de
elementos, y también no contener ningún
elemento.

Al número de puntos muestrales de S se le
representa por N(S)

PROBABILIDAD
Eventos aleatorios que aparecen con gran
frecuencia en el cálculo de probabilidades:

Evento seguro.- Siempre se verifica después del
experimento aleatorio, son los mismos del
espacio muestral.
E = S y N(E) = N(S)

Evento Imposible.- Es aquel que nunca se verifica
como resultado del experimento aleatorio. No
tiene elementos de interés para su fenómeno.
Es un subconjunto de S, y la única posibilidad
es que el evento imposible sea el conjunto vacío.
u c S, y N(u) = 0
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. También se le
denomina como punto muestral.

Si s1, s2 e S entonces s1, s2 son
eventos elementales.

PROBABILIDAD
Ejemplos (1) y (2):

En el experimento 1,
S = { s, a }, s y a son sucesos elementales
N(S) = 2

A = Que caiga sol = { s }, N(A) = 1
B = Que caiga águila = { a }, N(B) = 1


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
Evento Compuesto.- Es el evento E que contiene
más de un punto muestral de S, por tanto
N(E) > 1

Evento contrario a un evento A: También 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 símbolo A
c
o bien Ā, y se define
como:
{ }
s tal que
c
A s A = eO e
PROBABILIDAD
Ejemplo:
Experimento: Se lanza una moneda tres veces.
Espacio Muestral:
Ω = { (S,S,S), (S,S,A), (S,A,S), (A,S,S), (A,A,S), (A,S,A),
(S,A,A), (A,A,A) },
N(Ω) = 8, S es el evento seguro.

Evento simple:
B:Que salgan tres soles; B ={ (S,S,S) } , N(B) = 1

Evento compuesto:
E: Que salgan al menos dos soles;
E = { (S,S,S), (S,S,A), (S,A,S), (A,S,S) }, N(E) = 4

Evento imposible: | (conjunto vacio). N(|) = 0
PROBABILIDAD
Si un espacio muestral contiene n puntos
muestrales, hay un total de 2
n
subconjuntos o
eventos ( se le conoce como conjunto potencia ).

Por tanto para el ejemplo anterior existen:
2
8
= 256, eventos posibles.

Para el caso del experimento: se tira una
moneda,
el espacio muestral es de 2 puntos muestrales
S = {A, S}, por lo que se tienen 2
2
= 4
subconjuntos y el conjunto potencia es: (A,S),
(A), (S), | (conjunto vacio).
PROBABILIDAD
Operaciones Básicas con Eventos Aleatorios

Ya que los eventos aleatorios son subconjuntos del
conjunto Ω, espacio muestral, se pueden
aplicar las conocidas operaciones con
conjuntos, a los eventos, como son la unión, la
intersección y la diferencia de eventos.
PROBABILIDAD
OPERACIÓN

EXPRESION DESCRIPCION
UNION A B
Unión de eventos originales: es el
evento que sucede si y solo si A
sucede o B sucede o ambos
suceden
INTERSECCION A · B
Intersección de los eventos
originales, es el evento que sucede
si y sólo si A y B suceden
simultáneamente.
DIFERENCIA A - B
La diferencia de los eventos
originales A y B, es el evento que
sucede solo en A pero no en B.
PROBABILIDAD
Gráficamente estas operaciones se pueden
representar a través de los diagramas de Venn.
Sea Ω el espacio muestral y A y B eventos tal que
A, B c Ω gráficamente se puede expresar
como:
S
A B
Fig. 1 Los eventos A y B no tienen elementos del espacio muestral en común.
PROBABILIDAD
S
A B
Fig 2. Los eventos A y B tienen elementos del espacio muestral en común.
PROBABILIDAD
De acuerdo a lo indicado en las figuras 1 y 2, la
unión de dos eventos se presenta de dos formas
diferentes: cuando los eventos son mutuamente
exclusivos (que no tienen elementos en común) y
cuando entre los eventos hay elementos
comunes.

Definición.- Se dice que dos eventos A y B son
mutuamente exclusivos, cuando no pueden
ocurrir simultáneamente, es decir, A · B = C, 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 interés:
S = { 1,2,3,4,5,6 }, N(S) = 6
Sean A, B, C los eventos:
A: Que caiga un número impar = { 1, 3, 5 } ,
N(A) = 3
B: Que caiga un número mayor de 2 y menor que 5
= { 3, 4 }, N(B) = 2
C: Que caiga un número par = { 2, 4, 6 } ,
N(C) = 3
PROBABILIDAD












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
S
A
B
C
1
5
3
4
2
6
PROBABILIDAD














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












A – B = ={ 1, 3, 5 } - { 3, 4 } = { 1, 5 }, N(A – B) = 2
A – C = { 1, 3, 5 } - { 2,4,6 } = { 1,3,5 } = A, N( A – C) = N(A) = 3
B – C = { 3, 4 } - { 2,4,6 } = { 3 }, N(B-C) = 1
S
A
B
C
1
5
3
PROBABILIDAD












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

S
A
B
C
1
5
3
4
2
6
PROBABILIDAD
Probabilidad Clásica y Frecuencial.
Probabilidad frecuencial y regularidad
estadística
Las frecuencias relativas de un evento tienden
a estabilizarse cuando el número de
observaciones se hace cada vez mayor.
Ejemplo: La regularidad estadística en el
experimento del lanzamiento de monedas,
indica que las frecuencias relativas del
evento: que salga sol {s }, se tiende a
estabilizar aproximadamente en .5= 1/2.
PROBABILIDAD
Probabilidad frecuencial y regularidad
estadística

La probabilidad de un evento A, denotada
por P(A), es el valor en el que se
estabilizan las frecuencias relativas
del evento A, cuando el número de
observaciones del experimento se
hace cada vez mayor.
PROBABILIDAD
Esto es:



donde
N(A) = número de elementos del evento A
N(Ω) = número de elementos del espacio
muestral Ω.


( )
( ) (2)
( )
N A
P A
N
=
O
PROBABILIDAD
Probabilidad clásica.-
Sea S un espacio muestral cualquiera y A un evento de
ese espacio. Se define la probabilidad P del evento
A, como:



donde
NCF - número de casos favorables
NCT - número de casos totales
(1) ) (
NCT
NCF
A P =
PROBABILIDAD
Ejemplo:
Experimento.- Se lanza una moneda
Evento A.- que al lanzar una moneda caiga
águila.
Calcular la probabilidad de A:
S = { A, S}, N(Ω) = 2
A = { A }, N(A) = 1
( ) 1
( ) .5
( ) 2
N A
P A
N
= = =
O
PROBABILIDAD
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 demostración.
Teorema.- Es una verdad que requiere
ser demostrada.
PROBABILIDAD
Axioma 1.- Sea S un espacio muestral cualquiera
y A un evento, tal que A c S, entonces se
cumple que
0 s P(A) s 1 (3)

esto significa que la probabilidad de cualquier
evento no puede ser más 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
PROBABILIDAD
Axioma 2.- La probabilidad del espacio muestral Ω es
un evento seguro, es uno
P(Ω) = 1

Ejemplo.-
Experimento.- Se lanza un dado
Si A =Ω, es decir si el evento A coincide o es igual al
espacio muestral, entonces.
( ) ( )
( ) 1
( ) ( )
N A N S
P A
N N
= = =
O O
PROBABILIDAD
Teorema 1.- Si u es el conjunto vacío,
entonces la probabilidad de u es igual a 0



Ejemplos:
Una persona que quiere ganar la lotería nacional,
pero no compra boleto.
Que aparezca un siete al lanzar un dado
Que una persona viva 250 años
En estos casos los eventos son vacíos
( )
( ) 0
( )
N
P
N
C
C = =
O
PROBABILIDAD
Axioma 3.- Sea Ω un espacio muestral
cualquiera y sean A y B dos eventos tales que
A c Ω, B c Ω y A · B = C, es decir, dos
eventos mutuamente exclusivos, entonces
P(A B) = P(A) + P(B).
A B
A B
PROBABILIDAD
Ejemplo:
Experimento: Se lanzan dos monedas
Ω = { ss, aa, sa, as}
N(Ω) = 4
Sean:
A: el evento de que al lanzar un par de monedas caigan
dos soles exactamente
B: el evento de que al lanzar un par de monedas caiga un
sol exactamente.
Los elementos de A y B son
A = { ss }
B = {sa, as}
Se puede ver que A · B = C, no hay elementos en común,
por lo que los eventos son mutuamente exclusivos o
disjuntos, por tanto
P(A B) = P(A) + P(B)
PROBABILIDAD
( ) 1
( )
( ) 4
( ) 2
( )
( ) 4
1 2 3
( ) ( ) ( )
4 4 4
N A
P A
N
N B
P B
N
P A B P A P B
= =
O
= =
O
= + = + =
PROBABILIDAD
Axioma 4.-
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 común), es igual a la suma de sus
probabilidades.
Si los eventos no son mutuamente excluyentes entonces para n eventos seria:
1 2 1 2
1 2
( ... ) ( ) ( ) ... ( )
( ) ( ) ... ( ... )
n n
n n
i j i j k k
i j i j k
P A A A P A P A P A
P A A P A A A P A A A
= = =
= + + + ÷
+ ÷ +
¿ ¿
PROBABILIDAD
Ejemplo:
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 número
mayor a 4
Evento C: que salga el 1 o 3

Los elementos de A, B y C son
A = {2, 4}, N(A) = 2
B = {5, 6}, N(B) = 2
C = {1, 3} , N(C) = 2
PROBABILIDAD
Como A, B y C son mutuamente excluyentes, ya
que A · B = {u}, A · C = {u},
B · C = {u},
Por axioma 4
P(A B C) = P(A) + P(B) + P(C)
( ) 2
( )
( ) 6
( ) 2
( )
( ) 6
( ) 2
( )
( ) 6
2 2 2 6
( ) ( ) ( ) ( ) 1
6 6 6 6
N A
P A
N
N B
P B
N
N C
P C
N
P A B C P A P B P C
= =
O
= =
O
= =
O
= + + = + + = =
PROBABILIDAD
Teorema 2.-(Ley Aditiva de la Probabilildad).
Sean A y B dos eventos no excluyentes, A · B =
C, entonces
P(A B) = P(A) + P(B) - P(A · B)
A B
PROBABILIDAD
Diferencia
Sean A y B dos eventos:
A-B = { x | x e A y x e B }

A
B
A - B
PROBABILIDAD
Ejemplo.-
Experimento.- Se lanza un dado y una moneda
Ω = {1s, 2s, 3s, 4s, 5s, 6s, 1a, 2a, 3a, 4a, 5a, 6a }
N(Ω) = 12
A: Al lanzar un dado y una moneda aparezcan el
número 2 o 3 con sol.
B: Al lanzar un dado y una moneda aparezcan
números pares con sol.
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
PROBABILIDAD
Teorema 3.- Sea A un evento cualquiera y Ω un
espacio muestral, tal que AcS, si A
c
es el
complemento del evento A, entonces la
probabilidad de A
c
es igual a 1 menos la
probabilidad de A, es decir
P(A
c
) = 1 – P(A)
PROBABILIDAD
Experimento.- Se lanza un dado y una moneda
Ω = {1s, 2s, 3s, 4s, 5s, 6s, 1a, 2a, 3a, 4a, 5a, 6a }
N(Ω) = 12
A: Al lanzar un dado y una moneda aparezcan el
número 2 o 3 con sol.
B: Al lanzar un dado y una moneda aparezcan
números pares con sol.
A = { 2s, 3s }, N(A) = 2
B = { 2s, 4s, 6s } N(B) = 3
A
c
= { 1s, 4s, 5s, 6s, 1a, 2a, 3a, 4a, 5a, 6a }
P(A
c
) = 1 – P(A) = 1 – 2/12 = 10/12
B
c
= { 1s, 3s, 5s, 1a, 2a, 3a, 4a, 5a, 6a }
P(B
c
) = 1 – P(B) = 1 – 3/12 = 9/12
PROBABILIDAD
Probabilidad Condicional.
Sea A un evento arbitrario de un espacio
muestral Ω, con P(E) > 0. La probabilidad
de que un evento A suceda una vez que E
ha sucedido o en otras palabras, la
probabilidad condicional de A dado E, se
define como:





) (
) (
) / (
E P
E A P
E A P
·
=
PROBABILIDAD
Eventos Independientes:

Se dice que los eventos A y E son independientes si
se cumplen:









Si no se cumplen, se dice que los eventos son
dependientes.
) ( ) ( ) (
) ( ) / (
) ( ) / (
B P A P B A P
E P A E P
A P E A P
= ·
=
=
PROBABILIDAD
Probabilidad Condicional.

Ley Multiplicativa de la Probabilidad.

Ya que (A·E) = (E·A) y despejamos a P(A·E), se tiene
que la probabilidad de la intersección es:


) A P( ) E/A P(
) ( ) / ( ) (
) (
) (
) / (
) (
) (
) / (
=
= ·
·
=
·
=
E P E A P E A P
A P
A E P
A E P
E P
E A P
E A P
PROBABILIDAD
Probabilidad Condicional.

Si A y B son independientes:
P(E)P(A) ) A P( ) E/A P(
) ( ) ( ) ( ) / ( ) (
= =
= = · E P A P E P E A P E A P
) (
) (
) ( ) (
) (
) (
) / (
) (
) (
) ( ) (
) (
) (
) / (
E P
A P
A P E P
A P
A E P
A E P
A P
E P
E P A P
E P
E A P
E A P
= =
·
=
= =
·
=
PROBABILIDAD
Ejemplo:
Experimento: Lanzar un dado.
A: que al lanzar el dado caiga 3
E: 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.

Ω = {1,2,3,4,5,6}
A = {3}, E = { 1,3,5}, (A·E) = {3},
P(A) = 1/6
P(A/E) = P(A·E)/ P(E)
= 1/6 / 3/6 = (1)(6)/(6)(3)
= 6/18 = 1/3
PROBABILIDAD
Otra forma de calcular las probabilidades de la
intersección y las probabilidades condicionales,
de dos eventos A y B, tal que
A A
C
= Ω
B B
C
= Ω
es elaborando primero la tabla de número de
elementos de los eventos y después la tabla de
sus probabilidades.
B B
c
Total
A A·B A·B
c
A
A
c
A
c
·B A
c
·B
c
A
c

Total B B
c

Se tienen los eventos A y B y sus complementos
A
c
, B
c

B B
c
Total
A N(A·B) N(A·B
c
) N(A)
A
c
N(A
c
·B) N(A
c
·B
c
) N(A
c
)
Total N(B) N(B
c
) N(Ω)
Tabla de número de elementos de A, B y sus
complementos A
c
, B
c

B B
c
Total
A P(A·B) P(A·B
c
) P(A)
A
c
P(A
c
·B) P(A
c
·B
c
) P(A
c
)
Total P(B) P(B
c
) P( Ω)
Tabla de probabilidades de A, B, A
c
, B
c
y sus
intersecciones
PROBABILIDAD
Probabilidades condicionales:

P(A/B) = P(A · B)/P(B)
P(B/A) = P(A · B)/P(A)
P(A/B
c
) = P(A · B
c
)/P(B
c
)
P(B/A
c
) = P(A
c
· B)/P(A
c
)
P(A
c
/B) = P(A
c
· B)/P(B)
P(B
c
/A) = P(A · B
c
)/P(A)

PROBABILIDAD
Ejemplo.-
En cierta ciudad, las mujeres representan el 50%
de la población y los hombres el otro 50%. Se
sabe que el 20% de las mujeres y el 5% de
hombres están sin trabajo. Un economista
estudia la situación de empleo, elige al azar una
persona desempleada. Si la población total es
de 8000 personas,
¿ Cuál es la probabilidad de que la persona
escogida sea ?:
PROBABILIDAD
a).- Mujer
b).- Hombre
c).- Mujer dado que está empleado
d).- Desempleado dado que es hombre
e).- Empleado dado que es mujer

Sean los eventos:
M: Que sea Mujer
H: Que sea Hombre
D: Que sea Desempleado
E: Que sea Empleado
Desempleados
D
Empleados
E
Total
Mujeres
M
800 3200 4000

Hombres
H
200 3800 4000
Total 1000 7000 8000
Tabla Número de elementos de los Eventos M, H, D, E y S
D E Total
M
800/8000 = .1 3200/8000= .4 4000/8000= .5
H
200/8000= .025 3800/8000= .475 4000/8000= .5
Total
1000/8000= .125 7000/8000= .875 8000/8000= 1
Tabla de Probabilidades
PROBABILIDAD
P(M) = .50
P(H) = .50
P(E) = .875
P(D) = .125
P(M/E) = P(M·E)/P(E) = .40/.875 = .4571
P(D/H) = P(D·H)/P(H) = .025/.5 = .05
P(E/M) = P(M·E)/P(M) = .40/.5 = .8
P(M/D) = P(M·D)/P(D) = .10/.125 = .8
P(H/D) = P(H·D)/P(D) = .025/.125 = .2
PROBABILIDAD
Eventos dependientes e independientes
En el ejemplo anterior se tiene que
P(M) = .50
P(H) = .50
P(E) = .875
P(D) = .125
P(M·E) = .40 P(M) P(E) = .4375
P(D·H) = .025 P(D) P(H) = .0625
P(M·D) = .10 P(M) P(D) = .0625
P(E·H) = .475 P(E) P(H) = .4375
PROBABILIDAD
Por tanto los eventos M y E ,
D y H,
M y D,
E y H
son dependientes.
Ley general Multiplicativa para n
eventos
1 2 3 1 2 1 3 1 2 1 2 1
( ... ) ( ) ( \ ) ( \ )... ( \ ... )
k k k
P A A A A P A P A A P A A A P A A A A
÷
=
INDEPENDENCIA DE n EVENTOS



1 2 3 1 2 3
( ... ) ( ) ( ) ( )... ( )
k k
P A A A A P A P A P A P A =
PROBABILIDAD
Probabilidad total.-
Sean A
1
, A
2
, A
3
..., An eventos disjuntos
(mutuamente excluyentes), que forman una
partición de Ω. Esto es Ai · Aj = C para
toda i y toda j, y además
Ω = A
1
A
2
A
3
. A
n
A1
A2
A3
A4
A5
A6
An
PROBABILIDAD
Y sea E otro evento tal que E c Ω y E · A
i
= C
A1
A2
A3
A4
A5
A6
An
E
E
PROBABILIDAD
Entonces
E = Ω · E = (A
1
A
2
A
3
. A
n
) · E
= (A
1
· E) (A
2
· E) (A
3
· E)
. (A
n
· E)

Al aplicar la función de probabilidad a ambos eventos,
se tiene que:
P(E) = P(A1·E) + P(A2·E) +P(A3·E) +.+P(A
n
·E)

Ya que (A
i
· E) es ajeno a (A
j
· E) para i ≠ j
PROBABILIDAD
Como (A
i
· E) = (E · A
i
) entonces
P(A
i
· E) = P(E · A
i
) = P(E/A
i
) P(A
i
)

Entonces la probabilidad completa de E es:

P(E) = P(E/A
1
) P(A
1
) + P(E/A
2
) P(A
2
) +
P(E/A
3
)P(A
3
)+...+ P(E/A
n
) P(A
n
)
PROBABILIDAD
Ejemplo.-
En una pequeña empresa de tejidos se obtiene
su producción con tres máquinas hiladoras M
1
,
M
2
y M
3
que producen respectivamente 50%,
30% y el 20% del número total de artículos
producidos.
Los porcentajes de productos defectuosos
producidos por estas máquinas son 3%, 4% y
5%. Si se selecciona un artículo al azar,
¿ Cuál es la probabilidad de que el artículo sea
defectuoso ?
PROBABILIDAD
Sea
D el evento: Que sea un artículo defectuoso.
P(M
1
) = .50 P(D/M
1
) = .03
P(M
2
) = .30 P(D/M
2
) = .04
P(M
3
) = .20 P(D/M
3
) = .05

P(D) = P(D/M
1
) P(M1) + P(D/M2) P(M2) +
P(D/M3) P(M3)
= .03(.50) + .04(.30) + .05(.20) = 0.037
M
1

M
2

M
3

D
ND
D
ND
D
ND
P(M
1
)=.50
P(M
2
)=.30
P(M
3
)=.20
P(D/M
1
)=.03
P(ND/M
1
)=.97
P(D/M
2
)=.04
P(D/M
3
)=.05
P(ND/M
2
)=.96
P(ND/M
3
)=.95
P(M
1
)*P(D/M
1
)=.5*.03=.015
P(M
2
)*P(D/M
2
)=.3*.04=.012
P(M
1
)*P(D/M
1
)=.2*.05=.01
P(D) = .015+.012+.01=.037
PROBABILIDAD
Teorema de Bayes.- Supóngase que A
1
, A
2
, A
3
,...,A
n

es una partición de un espacio muestral Ω. En cada
caso P(A
i
) ≠ 0. La partición es tal que A
1
, A
2
,
A
3
,...,A
n
, son eventos mutuamente exclusivos. Sea E
cualquier evento, entonces para cualquier A
i
,


) / ( ) ( ) / ( ) ( ) / ( ) (
) / ( ) (
) / (
2 2 1 1 n n
I i
i
A E P A P A E P A P A E P A P
A E P A P
E A P
+ + +
=

PROBABILIDAD

P(E)
) / ( ) (
) / (
entonces
: es E de completa ad probabilid la Como
2 2 1 1
I i
i
n n
A E P A P
E A P
) )P(E/A P(A ) )P(E/A P(A ) )P(E/A P(A P(E)
=
+ + + = 
PROBABILIDAD
Ejemplo.-
En una pequeña empresa de tejidos se obtiene
su producción con tres máquinas hiladoras M
1
,
M
2
y M
3
que producen respectivamente 50%,
30% y el 20% del número total de artículos
producidos.
Los porcentajes de productos defectuosos
producidos por estas máquinas son 3%, 4% y
5%. Supóngase que se selecciona un artículo
al azar y resulta ser defectuoso. ¿Cuál sería
la probabilidad de que el artículo haya sido
producido por la máquina M1?
PROBABILIDAD
Ejemplo.-
En una pequeña empresa de tejidos se obtiene
su producción con tres máquinas hiladoras M
1
,
M
2
y M
3
que producen respectivamente 50%,
30% y el 20% del número total de artículos
producidos.
Los porcentajes de productos defectuosos
producidos por estas máquinas son 3%, 4% y
5%. Supóngase que se selecciona un artículo
al azar y resulta ser defectuoso. ¿Cuál sería
la probabilidad de que el artículo haya sido
producido por la máquina M1?
PROBABILIDAD
Sea
D: Que el artículo sea defectuoso
ND: Que el artículo no sea defectuoso
M
1
: Que haya sido producido por la máquina 1

M
2
: Que haya sido producido por la máquina 2
M
3
: Que haya sido producido por la máquina 3


P(M
1
) = .50 P(D/M
1
) = .03
P(M
2
) = .30 P(D/M
2
) = .04
P(M
3
) = .20 P(D/M
3
) = .05


M
1

M
2

M
3

D
ND
D
ND
D
ND
P(M
1
)=.50
P(M
2
)=.30
P(M
3
)=.20
P(D/M
1
)=.03
P(ND/M
1
)=.97
P(D/M
2
)=.04
P(D/M
3
)=.05
P(ND/M
2
)=.96
P(ND/M
3
)=.95
P(M
1
)*P(D/M
1
)=.5*.03=.015
P(M
2
)*P(D/M
2
)=.3*.04=.012
P(M
1
)*P(D/M
1
)=.2*.05=.01
P(D) = .015+.012+.01=.037
PROBABILIDAD
Por teorema de Bayes se tiene:







La probabilidad de que el artículo defectuoso se
haya producido en la M
1
es del 40.54%
4054 .
037 .
) 03 )(. 50 (.

) (
) / ( ) (

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

PROBABILIDAD El concepto de probabilidad es manejado por mucha gente. Frecuentemente se escuchan preguntas como las que se mencionan a continuación: ¿ Cuál es la probabilidad de que me saque la lotería o el melate ? ¿ Qué posibilidad hay de que me pase un accidente automovilístico ? ¿ Qué posibilidad hay de que hoy llueva ? para llevar mi paraguas o no. ¿ Existe alguna probabilidad de que repruebe el primer parcial ?,

PROBABILIDAD Estas preguntas en el lenguaje coloquial esperan como respuesta una medida de confianza representativa o práctica 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 estadístico. El cálculo de probabilidades proporciona las reglas para el estudio de los experimentos aleatorios o de azar. que constituyen la base para la estadística inferencial.

PROBABILIDAD Fenómenos Aleatorios y Fenómenos Deterministicos. Fenómeno Aleatorio. . están relacionados con el azar o probabilidad.Es un fenómeno del que no se sabe que es lo que va a ocurrir. Fenómeno Determinista.Es el fenómeno en el cual de antemano se sabe cual será el resultado.

Tiene como fin último determinar la probabilidad de uno o de varios resultados. Se considera como aleatorio y estocástico. si sus resultados no son constantes. . Experimento aleatorio. Puede ser efectuado cualquier número de veces esencialmente en las mismas condiciones.PROBABILIDAD La probabilidad estudia el tipo de fenómenos aleatorios.Una acción que se realiza con el propósito de analizarla.

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

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

PROBABILIDAD Otros ejemplos de eventos: A: que al nacer un bebe. éste sea niña B: que una persona de 20 años. sobreviva 15 años más C: que la presión arterial de un adulto se incremente ante un disgusto .

y se desea determinar si el candidato X puede ganar. . Se presentan dos candidatos al cargo de la presidencia del CEUDLA. Población de interés: Conjunto de respuestas de los estudiantes que votarán el día de las elecciones.PROBABILIDAD Probabilidad e Inferencia. Criterio de gane: Si obtiene el más del 50% de los votos.

PROBABILIDAD Supóngase que todos los estudiantes de la UDLA van a las urnas y se elige de manera aleatoria. Si los 20 estudiantes apoyan al candidato ¿ Qué concluye respecto a la posibilidad que tiene el candidato X de ganar las elecciones ? . una muestra de 20 estudiantes.

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

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

. ¿ CUAL ES LA FRACCION DE AGUILAS Y CUAL ES LA FRACCION DE SOLES ?.PROBABILIDAD TOME UNA MONEDA HONRADA Y LANCELA 20 VECES ANOTANDO LOS RESULTADOS. LLAME X = CAE AGUILA Y = CAE SOL.

. LLAME X = CAE AGUILA Y = CAE SOL.PROBABILIDAD TOME UNA MONEDA HONRADA Y LANCELA 20 VECES ANOTANDO LOS RESULTADOS. ¿ CUAL ES LA FRACCION DE AGUILAS Y CUAL ES LA FRACCION DE SOLES ?.

. SI EN REALIDAD. .PROBABILIDAD 1. MENOS DEL 50% DE LOS VOTANTES PENSARIA VOTAR POR EL.EL CANDIDATO X GANARA SERIA IMPOSIBLE QUE 20 DE LOS 20 VOTANTES DE LA MUESTRA LO APOYARAN. ¿ ES CORRECTA ESTA INFERENCIA ?.

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.PROBABILIDAD NO. . AUN CUANDO SEA MUY POCO PROBABLE.

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

Espacio muestral = total de caras en que puede caer el dado.. 6 } . 4.Experimento: Se lanza un dado.PROBABILIDAD 2. 2. 3. o sea seis formas de interés: S = { 1. 5.

Son subconjuntos de S.. C.…  S Los eventos aleatorios son conjuntos que pueden contener un solo elemento. C. Al número de puntos muestrales de S se le representa por N(S) . B.PROBABILIDAD Los eventos aleatorios se denotan normalmente con las letras mayúsculas A. y también no contener ningún elemento. . B. A.. esto es. una infinidad de elementos.

No tiene elementos de interés para su fenómeno..Es aquel que nunca se verifica como resultado del experimento aleatorio. E = S y N(E) = N(S) Evento Imposible..PROBABILIDAD Eventos aleatorios que aparecen con gran frecuencia en el cálculo de probabilidades: Evento seguro.   S. son los mismos del espacio muestral. y N() = 0 .Siempre se verifica después del experimento aleatorio. y la única posibilidad es que el evento imposible sea el conjunto vacío. Es un subconjunto de S.

. .PROBABILIDAD Evento Elemental. s2 son eventos elementales. esto es.Es el evento E que contiene exactamente un punto muestral de S. Si s1. También se le denomina como punto muestral. es un evento elemental. s2  S entonces s1. N(E) = 1. Cada elemento del espacio muestral.

N(A) = 1 B = Que caiga águila = { a }.PROBABILIDAD Ejemplos (1) y (2): En el experimento 1. a }. N(B) = 1 . s y a son sucesos elementales N(S) = 2 A = Que caiga sol = { s }. S = { s.

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

por tanto N(E) > 1 Evento contrario a un evento A: También se denomina evento complemento de A y es el evento que se verifica si. y se define como: c A   s  tal que s  A .PROBABILIDAD Evento Compuesto.Es el evento E que contiene más de un punto muestral de S. como resultado del experimento aleatorio. Ya que los eventos son conjuntos.. este evento se denota con el símbolo Ac o bien Ā. no se verifica A.

A. Espacio Muestral: Ω = { (S.S. N() = 0 . S es el evento seguro.PROBABILIDAD Ejemplo: Experimento: Se lanza una moneda tres veces. (S.S).S) }.A.S). (A.S.S. (A.A). (S.A.S. N(B) = 1 Evento compuesto: E: Que salgan al menos dos soles. (A. N(Ω) = 8.A. E = { (S.S).S). (A.A). (S.S. Evento simple: B:Que salgan tres soles. B ={ (S.S.S). (S. (S.S.S).A) }. N(E) = 4 Evento imposible:  (conjunto vacio).A.A). (A.A).S.S) } .

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

se pueden aplicar las conocidas operaciones con conjuntos. . como son la unión.PROBABILIDAD Operaciones Básicas con Eventos Aleatorios Ya que los eventos aleatorios son subconjuntos del conjunto Ω. a los eventos. la intersección y la diferencia de eventos. espacio muestral.

La diferencia de los eventos originales A y B. es el evento que sucede solo en A pero no en B. es el evento que sucede si y sólo si A y B suceden simultáneamente.PROBABILIDAD OPERACIÓN EXPRESION DESCRIPCION UNION AB Unión de eventos originales: es el evento que sucede si y solo si A sucede o B sucede o ambos suceden Intersección de los eventos originales. INTERSECCION AB DIFERENCIA A-B .

1 Los eventos A y B no tienen elementos del espacio muestral en común.PROBABILIDAD Gráficamente estas operaciones se pueden representar a través de los diagramas de Venn. B  Ω gráficamente se puede expresar como: S A B Fig. . Sea Ω el espacio muestral y A y B eventos tal que A.

.PROBABILIDAD S A B Fig 2. Los eventos A y B tienen elementos del espacio muestral en común.

cuando no pueden ocurrir simultáneamente. Definición. lo que ocurre en la fig. es decir.Se dice que dos eventos A y B son mutuamente exclusivos. la unión de dos eventos se presenta de dos formas diferentes: cuando los eventos son mutuamente exclusivos (que no tienen elementos en común) y cuando entre los eventos hay elementos comunes.PROBABILIDAD De acuerdo a lo indicado en las figuras 1 y 2. 1.. . A  B = .

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

PROBABILIDAD

S

A 5

1

B

3
4 C 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

PROBABILIDAD

S B

A

3
4 C

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

S

A 5

1

B

3
C

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

PROBABILIDAD

S

A 5

1

B

3
4 C 2 6

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

indica que las frecuencias relativas del evento: que salga sol {s }. se tiende a estabilizar aproximadamente en . Ejemplo: La regularidad estadística en el experimento del lanzamiento de monedas. Probabilidad frecuencial y regularidad estadística Las frecuencias relativas de un evento tienden a estabilizarse cuando el número de observaciones se hace cada vez mayor. .PROBABILIDAD Probabilidad Clásica y Frecuencial.5= 1/2.

cuando el número de observaciones del experimento se hace cada vez mayor. . es el valor en el que se estabilizan las frecuencias relativas del evento A. denotada por P(A).PROBABILIDAD Probabilidad frecuencial y regularidad estadística La probabilidad de un evento A.

.PROBABILIDAD Esto es: N ( A) P ( A)  N () (2) donde N(A) = número de elementos del evento A N(Ω) = número de elementos del espacio muestral Ω.

Sea S un espacio muestral cualquiera y A un evento de ese espacio.número de casos favorables NCT . como: donde NCF . Se define la probabilidad P del evento A.número de casos totales NCF P( A)  NCT (1) .PROBABILIDAD Probabilidad clásica.

5 N ( ) 2 .. Calcular la probabilidad de A: S = { A.. N(Ω) = 2 A = { A }.Se lanza una moneda Evento A.PROBABILIDAD Ejemplo: Experimento.que al lanzar una moneda caiga águila. S}. N(A) = 1 N ( A) 1 P( A)    .

Axioma..PROBABILIDAD 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).es una verdad evidente que no requiere demostración. Teorema.. .Es una verdad que requiere ser demostrada.

Sea S un espacio muestral cualquiera y A un evento. Si es igual a 1 se llama evento seguro. tal que A  S. entonces se cumple que 0  P(A)  1 (3) esto significa que la probabilidad de cualquier evento no puede ser más grande que uno. ni ser menor que cero.. P(A) ___________________________________ • -2 -1 0 1 2 .PROBABILIDAD Axioma 1. y cuando es cero se llama evento imposible.

es uno P(Ω) = 1 Ejemplo.. N ( A) N (S ) P( A)   1 N ( ) N ( ) .La probabilidad del espacio muestral Ω es un evento seguro. entonces.Se lanza un dado Si A =Ω.. es decir si el evento A coincide o es igual al espacio muestral.PROBABILIDAD Axioma 2.Experimento.

.Si  es el conjunto vacío. entonces la probabilidad de  es igual a 0 N () P ()  0 N ( ) Ejemplos: Una persona que quiere ganar la lotería nacional.PROBABILIDAD Teorema 1. Que aparezca un siete al lanzar un dado Que una persona viva 250 años En estos casos los eventos son vacíos . pero no compra boleto.

. B  Ω y A  B = . dos eventos mutuamente exclusivos. es decir. A B A B . entonces P(A  B) = P(A) + P(B).Sea Ω un espacio muestral cualquiera y sean A y B dos eventos tales que A  Ω.PROBABILIDAD Axioma 3.

no hay elementos en común. Los elementos de A y B son A = { ss } B = {sa. por lo que los eventos son mutuamente exclusivos o disjuntos.PROBABILIDAD Ejemplo: Experimento: Se lanzan dos monedas Ω = { ss. aa. por tanto P(A  B) = P(A) + P(B) . as} N(Ω) = 4 Sean: A: el evento de que al lanzar un par de monedas caigan dos soles exactamente B: el evento de que al lanzar un par de monedas caiga un sol exactamente. sa. as} Se puede ver que A  B = .

PROBABILIDAD N ( A) 1 P( A)   N ( ) 4 N ( B) 2 P( B)   N ( ) 4 1 2 3 P( A  B)  P( A)  P( B)    4 4 4 .

. .. es igual a la suma de sus probabilidades. A4..PROBABILIDAD Axioma 4.. .. An eventos mutuamente exclusivos: P(A1  A2  A3  A4. A2.+ P(An) Este axioma dice que la probabilidad de varios eventos mutuamente exclusivos (que no tienen elementos en común).  An) = P(A1) + P(A2) + P(A3) + P(A4) + .. A3.Sean A1...

. Ak ) i  j k n ... An )  P( A1 )  P( A2 )  ....Si los eventos no son mutuamente excluyentes entonces para n eventos seria: P( A1 A2 .  P( A1 A2 ..  P( An )   P( A i j n i Aj )   P( Ai Aj Ak ) ..

6}. B y C son A = {2. C = {1. 3} . B = {5. 4}. N(A) = 2 N(B) = 2 N(C) = 2 .PROBABILIDAD Ejemplo: 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 número mayor a 4 Evento C: que salga el 1 o 3 Los elementos de A.

ya que A  B = {}. A  C = {}. B y C son mutuamente excluyentes. Por axioma 4 P(A  B  C) = P(A) + P(B) + P(C) N ( A) 2 P( A)   N () 6 N ( B) 2 P( B)   N () 6 N (C ) 2 P(C )   N () 6 2 2 2 6 P( A  B  C )  P( A)  P( B)  P(C )      1 6 6 6 6 .PROBABILIDAD Como A. B  C = {}.

PROBABILIDAD Teorema 2. Sean A y B dos eventos no excluyentes. entonces P(A  B) = P(A) + P(B) .P(A  B) A B . A  B  .-(Ley Aditiva de la Probabilildad).

PROBABILIDAD Diferencia Sean A y B dos eventos: A-B = { x | x  A y x  B } A B A.B .

4s.. 4s. 6s } N(B) = 3 A  B = { 2s } N(A  B ) = 1 P(A  B) = P(A) + P(B) . 3s. B: Al lanzar un dado y una moneda aparezcan números pares con sol. 6a } N(Ω) = 12 A: Al lanzar un dado y una moneda aparezcan el número 2 o 3 con sol. 6s.Experimento. N(A) = 2 B = { 2s.Se lanza un dado y una moneda Ω = {1s. 2a.PROBABILIDAD Ejemplo. A = { 2s. 4a. 5s.P(A  B) = 2/12 + 3/12 – 1/12 = 4/12 = 1/3 . 3a. 1a. 5a. 3s }. 2s.

si Ac es el entonces la probabilidad de Ac es igual a 1 menos la probabilidad de A.. tal que AS. complemento del evento A. es decir P(Ac) = 1 – P(A) .PROBABILIDAD Teorema 3.Sea A un evento cualquiera y Ω un espacio muestral.

5s. 5s. 2a. 1a. B: Al lanzar un dado y una moneda aparezcan números pares con sol. 6s } N(B) = 3 Ac = { 1s. 4s. 2s. 6s. N(A) = 2 B = { 2s. 3s }. 3a. 4a. 2a. 6a } P(Bc) = 1 – P(B) = 1 – 3/12 = 9/12 . 3a. 6a } P(Ac) = 1 – P(A) = 1 – 2/12 = 10/12 Bc = { 1s. 6a } N(Ω) = 12 A: Al lanzar un dado y una moneda aparezcan el número 2 o 3 con sol. 2a. 3a. 5a. 1a. 4a.PROBABILIDAD Experimento. 3s. 1a. 4s. 4s. 5s.. 6s. 3s. 5a.Se lanza un dado y una moneda Ω = {1s. 5a. 4a. A = { 2s.

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

. se dice que los eventos son dependientes.PROBABILIDAD Eventos Independientes: Se dice que los eventos A y E son independientes si se cumplen: P( A / E )  P( A) P( E / A)  P( E ) P( A  B)  P( A) P( B) Si no se cumplen.

Ya que (AE) = (EA) y despejamos a P(AE). se tiene que la probabilidad de la intersección es: P( A  E ) P( A / E )  P( E ) P ( E  A) P ( E / A)  P ( A) P( A  E )  P( A / E ) P( E )  P( E/A ) P( A ) . Ley Multiplicativa de la Probabilidad.PROBABILIDAD Probabilidad Condicional.

PROBABILIDAD Probabilidad Condicional. Si A y B son independientes: P( A  E )  P( A / E ) P( E )  P( A) P( E )  P( E/A ) P( A )  P(E)P(A) P( A  E ) P( A) P( E ) P( A / E )    P( A) P( E ) P( E ) P( E  A) P( E ) P( A) P( E / A)    P( E ) P( A) P( A) .

5}. E = { 1.3. (AE) = {3}. P(A) = 1/6 P(A/E) = P(AE)/ P(E) = 1/6 / 3/6 = (1)(6)/(6)(3) = 6/18 = 1/3 . Ω = {1. A: que al lanzar el dado caiga 3 E: 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.5.6} A = {3}.2.4.3.PROBABILIDAD Ejemplo: Experimento: Lanzar un dado.

tal que A  AC = Ω B  BC = Ω es elaborando primero la tabla de número de elementos de los eventos y después la tabla de sus probabilidades.PROBABILIDAD Otra forma de calcular las probabilidades de la intersección y las probabilidades condicionales. de dos eventos A y B. .

Bc B Bc Total A AB ABc A Ac AcB AcBc Ac Total B Bc Ω .Se tienen los eventos A y B y sus complementos Ac.

Tabla de número de elementos de A. B y sus complementos Ac. Bc B Bc Total A N(AB) N(ABc) N(A) Ac N(AcB) N(AcBc) N(Ac) Total N(B) N(Bc) N(Ω) .

Ac. Bc y sus intersecciones B Bc Total A P(AB) P(ABc) P(A) Ac P(AcB) P(AcBc) P(Ac) Total P(B) P(Bc) P( Ω) . B.Tabla de probabilidades de A.

PROBABILIDAD 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) .

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

b).c).PROBABILIDAD a).e).Mujer Hombre Mujer dado que está 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 .d).

D.Tabla Número de elementos de los Eventos M. E y S Desempleados Empleados D E Mujeres M Hombres H 800 3200 Total 4000 200 3800 4000 Total 1000 7000 8000 . H.

4 3800/8000= .5 1000/8000= .5 4000/8000= .125 7000/8000= .1 200/8000= .875 8000/8000= 1 .025 E 3200/8000= .Tabla de Probabilidades D M H Total 800/8000 = .475 Total 4000/8000= .

5 P(M/D) = P(MD)/P(D) = .4571 = .125 P(M/E) = P(ME)/P(E) = .40/.40/.125 P(H/D) = P(HD)/P(D) = .8 = .50 P(E) = .50 P(H) = .5 P(E/M) = P(ME)/P(M) = .2 .8 = .05 = .PROBABILIDAD P(M) = .125 = .875 P(D) = .875 P(D/H) = P(DH)/P(H) = .025/.10/.025/.

125 P(ME) = .4375 P(DH) = .50 P(H) = .0625 P(EH) = .10 P(M) P(D) = .025 P(D) P(H) = .875 P(D) = .50 P(E) = .PROBABILIDAD Eventos dependientes e independientes En el ejemplo anterior se tiene que P(M) = .40 P(M) P(E) = .475 P(E) P(H) = .0625 P(MD) = .4375 .

M y D.PROBABILIDAD Por tanto los eventos M y E . D y H. . EyH son dependientes.

.Ley general Multiplicativa para n eventos P( A1 A2 A3 . Ak )  P( A1 ) P( A2 \ A1 ) P( A3 \ A1 A2 ). Ak 1 ) INDEPENDENCIA DE n EVENTOS P( A1 A2 A3 ...P( Ak \ A1 A2 . Ak )  P( A1 ) P( A2 ) P( A3 )...P( Ak ) ......

Esto es Ai  Aj =  para toda i y toda j. A3.Sean A1. que forman una partición de Ω..PROBABILIDAD Probabilidad total.. y además Ω = A1  A2  A3  An A2 A5 A3 A1 A4 A6 An .. A2. An eventos disjuntos (mutuamente excluyentes).

PROBABILIDAD Y sea E otro evento tal que E  Ω y E  Ai   A2 A5 A3 A1 A4 E A6 An E .

PROBABILIDAD Entonces E = Ω  E = (A1  A2 A3 An)  E = (A1  E) (A2  E) (A3 E)  (An E) Al aplicar la función de probabilidad a ambos eventos. se tiene que: P(E) = P(A1E) + P(A2E) +P(A3E) ++P(An E) Ya que (Ai  E) es ajeno a (Aj  E) para i ≠ j .

PROBABILIDAD 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) ..

M2 y M3 que producen respectivamente 50%. 4% y 5%. ¿ Cuál es la probabilidad de que el artículo sea defectuoso ? . Los porcentajes de productos defectuosos producidos por estas máquinas son 3%.En una pequeña empresa de tejidos se obtiene su producción con tres máquinas hiladoras M1. 30% y el 20% del número total de artículos producidos.PROBABILIDAD Ejemplo. Si se selecciona un artículo al azar.

037 .05(.03(.20 P(D/M3) = .20) = 0.03 P(M2) = .04 P(M3) = . P(M1) = .30 P(D/M2) = .30) + .50) + .05 P(D) = P(D/M1) P(M1) + P(D/M2) P(M2) + P(D/M3) P(M3) = .50 P(D/M1) = .PROBABILIDAD Sea D el evento: Que sea un artículo defectuoso.04(.

01=.037 .97 D P(M1)*P(D/M1)=.3*.05 D ND D P(M2)*P(D/M2)=.50 M1 P(ND/M1)=.012+.95 P(M1)*P(D/M1)=.05=.015+.20 M3 P(ND/M3)=.03 P(M1)=.P(D/M1)=.2*.5*.012 P(M3)=.015 ND P(D/M2)=.04=.96 P(D/M3)=.01 ND P(D) = .03=.30 M2 P(ND/M2)=.04 P(M2)=.

.. A2. A3. son eventos mutuamente exclusivos...Supóngase que A1. entonces para cualquier Ai. A2...An es una partición de un espacio muestral Ω. La partición es tal que A1.. P( Ai )P(E / AI ) P( A1 )P(E / A1 )  P( A2 )P(E / A2 )   P( An )P(E / An ) P( Ai / E)  .PROBABILIDAD Teorema de Bayes..An. En cada caso P(Ai) ≠ 0.. Sea E cualquier evento. A3.

PROBABILIDAD Com la probabilid com o ad pleta de E es : P(E)  P(A1 )P(E/A1 )  P(A2 )P(E/A2 )    P(An )P(E/An ) entonces P( Ai / E )  P( Ai ) P( E / AI ) P(E) .

M2 y M3 que producen respectivamente 50%. Los porcentajes de productos defectuosos producidos por estas máquinas son 3%. ¿Cuál sería la probabilidad de que el artículo haya sido producido por la máquina M1? . Supóngase que se selecciona un artículo al azar y resulta ser defectuoso.PROBABILIDAD Ejemplo. 4% y 5%.En una pequeña empresa de tejidos se obtiene su producción con tres máquinas hiladoras M1. 30% y el 20% del número total de artículos producidos.

¿Cuál sería la probabilidad de que el artículo haya sido producido por la máquina M1? .En una pequeña empresa de tejidos se obtiene su producción con tres máquinas hiladoras M1. 4% y 5%. 30% y el 20% del número total de artículos producidos. Supóngase que se selecciona un artículo al azar y resulta ser defectuoso.PROBABILIDAD Ejemplo. M2 y M3 que producen respectivamente 50%. Los porcentajes de productos defectuosos producidos por estas máquinas son 3%.

50 P(M2) = .03 P(D/M2) = .30 P(M3) = .05 .PROBABILIDAD Sea D: Que el artículo sea defectuoso ND: Que el artículo no sea defectuoso M1: Que haya sido producido por la máquina 1 M2: Que haya sido producido por la máquina 2 M3: Que haya sido producido por la máquina 3 P(M1) = .20 P(D/M1) = .04 P(D/M3) = .

01=.03=.96 P(D/M3)=.3*.2*.20 M3 P(ND/M3)=.015 ND P(M2)=.05=.50 M1 P(ND/M1)=.05 D ND P(M2)*P(D/M2)=.01 P(D) = .04 D P(M1)*P(D/M1)=.012+.04=.03 P(M1)=.015+.012 P(M3)=.30 M2 P(ND/M2)=.P(D/M1)=.95 D ND P(M1)*P(D/M1)=.97 P(D/M2)=.037 .5*.

PROBABILIDAD Por teorema de Bayes se tiene: P(M 1 / D)   P( M 1 ) P( D / M 1 ) P( M 1 ) P( D / M 1 )  P( M 2 ) P( D / M 2 )  P( M 3 ) P( D / M 3 ) P( M 1 ) P( D / M 1 ) P( D)  (.037  .54% .4054 La probabilidad de que el artículo defectuoso se haya producido en la M1 es del 40. 03) .50)(.

  .

.

 .

03948    9. /0 .-/.03948  /085:F8 .-. 9.-/. 390780./08 /0 .-.8 574-.43/.!#  97. 1472. 9. /0 8:8 574-..3/4 572074 .08 /0 /48 0. /0 32074 /0 00203948 /0 48 0.-/./08 .:. 6:0     g     g 08 0...7 .O3  .8 574-.-47./08 .43.

.039488:8. %49.  .4250203948 . .  .Y .  .$090303480.  Y Y. . g .Y. %49.

   Y  Y./032074/000203948/0 8:8 .Y  . %49.Y.  . g .  . %49.  .4250203948.-.%. .  .   .

/0574-.Y. ! ! . 8:8 390780. ! g . ! .4308  .  ! Y ! Y.-. %49. %49.Y ! .-/. ! . .%./08/0  . ! ..

!#  !74-./08.43.08 ! ! ! ! ! ! .43/.-/.

 ! .

 ! .

. ! .

! ..

 ! .

 ! Y  .

!  Y  .

.!  Y .

.! . Y  .

Y  .! . .

.!  Y .

!  .

O3 /0 02504 00 . $ . 507843.-0 6:0 0   /0 . . 54-. 08 /0  507843./ ..7 :3.!#  0254 3 .:/.8 2:0708  0  /0 42-708 089E3 83 97./.3 0   /0 .  .434289.079. /080250..4/.. 08.O3  48 42-708 0 4974   $0 8.8 2:0708 705708039.-. . . 574-. 89:. 54-. 089:/. 507843..4 &3 0.-/./ /0 6:0 .O3 949.8 :E 08 . 80.

/ 0 :07 42-70 :07/. .03948 ":080./4/.080250./4 080250.:07 ":080./46:0082:07 $0./46:0089E0250.250.3480.!#  ./46:00842-70 250./4/. .42-70 ":080./4 ":080./4 .

          .03948   $ 080250.-.%.2074/000203948/048./48 %49.   :0708  42-708  %49./48 250.

-./0!74-.-/./08    %49.  .%.

     .

  .   %49.

    .

    .

    .

    .

    .

    .

   .

!#  ! ! ! ! ! ! ! ! !             .

 ! Y .

!    .

  .

 ! Y .

!   .

  .

 ! Y .

!    .

  .

 ! Y .

!    .

  .

 ! Y .

!   .

  .

3907478090306:0 !    !    !    !    ! Y   !  !    ! Y  !  !    ! Y   !  !    ! Y  !  !    .03948/0503/0390803/0503/03908 3000254.!#  .

!#  !479.03948       843/0503/03908 .394480.

.:95.5.7.3 0.03948 !          !  !    !      !          !3'% $ !          !  !  !  !  ..9.00307.

7. 5.3 :3.3    3 0.03948 /8:3948 2:9:./02E8 g     3       3 .O3 /0 g 894 08  Y   X 5.   . 94/./949.!#  !74-.   94/.:03908 6:0 1472.79. $0.20390 0.-/.

6:0 gY  X        3  .03949.!#  80.49740.

08 gY      3 Y    Y    Y   Y    3Y   .  Y  5.5.!#  3943.2-48 0.7 .03948 80 9030 6:0 !   ! Y ! Y ! Y  ! 3 Y .    .-/./ . 1:3. .O3 /0 574-.034 .. 6:0  Y  08 .7.

!#  424  Y   Y  03943.08 !  Y  ! Y  ! .

-/. !  3943.42509./008 !  ! ./.08.574-.

 !   ! .

 !    ! .

 !  ! .

3 ! 3 .

.7 :E 08 .79J../47.!#  0254 3 :3.8 843     $ 80 800.8     6:0 574/:.9:484  .43.79J.9:4848 574/:.8 .9.08 /0 574/:.03 70850.43 9708 2E6:3. /010.O3 ./48 547 089./ /0 6:0 0 .20390      0   /0 32074 949.948 /010.79J.:4 . . /0 .039.. 574-.:48 574/:.8 2E6:3. /0 90/48 80 4-9030 8: 574/:.:4 80. 506:0N. 025708. :3 ../48 48 547.-/.

0394":080.!#  $0.9:484 !    ! .:3. 00.:4/010.79J.

   !    ! .

   !    ! .

   !  ! .

 !   ! .

 !   ! .

 !               .

! .

   !     ! .

   ! .

    !  ! .

          !       !  ! .

     !  ! .

     !     ! .

   ! .

   !     ! .

   .

 6:0    3 843 0.:8.20390 0. 5.79.84 !   . ..6:07  !  !  .:.03948 2:9:.4 2:0897.  .!#  %04702.6:07 0.48 $0./.80 6:0    3 08 :3.08 5.79. .O3 /0 :3 085.. g 3 .0394 03943.08 $:5O3..O3 08 9. /0 .:. 5.7.

 !  !  .

 !  !  .

  ! 3 !  .

3 !  .

   .

42509.574-.-/./008  !   !  ! .!#  424./.

 03943.08 !  .

  !  !  .

 !  !  ! .

  ! 3 ! .

3 .

039..9:4848 574/:.79J.20390      0   /0 32074 949. 574-.79J.43.O3 .9:484 :E 807J.43 9708 2E6:3.8     6:0 574/:.80 6:0 80 800.:4 ./ /0 6:0 0 .:48 574/:. /0 90/48 80 4-9030 8: 574/:. 506:0N. 8/4 574/:../48 547 089. 2E6:3. 025708./47. ./4 547 .08 /0 574/:.79J.. /0 .:4 ..9. .8 2E6:3.8 843     $:5O3.!#  0254 3 :3. :3 .-/.  .8 .948 /010. 807 /010./48 48 547.7  708:9..03 70850.

9:484 :E 807J.79J.03 70850.9.. 8/4 574/:. 574-.. /0 . 807 /010..O3 .9:4848 574/:./48 48 547.79J.7  708:9.80 6:0 80 800. /0 90/48 80 4-9030 8: 574/:.8 2E6:3..:48 574/:. 025708./ /0 6:0 0 .039.43.-/.20390      0   /0 32074 949.8 .. 506:0N.8 843     $:5O3.:4 ./4 547 .43 9708 2E6:3. . :3 .  . ./47./48 547 089.948 /010.08 /0 574/:.:4 .8     6:0 574/:.!#  0254 3 :3. 2E6:3.79J.

.79J./4547.2E6:3.8/4574/:.2E6:3.8/4574/:.8/4574/:.:480.!#  $0./4547../010.9:484 ":00. ":00./4547. ":0.:43480./010.2E6:3. ":0..9:484 ":0.79J. !    ! .

   !    ! .

   !    ! .

   .

! .

   !     ! .

   ! .

    !  ! .

          !       !  ! .

     !  ! .

     !     ! .

   ! .

   !     ! .

   .

/0.!#  !47904702.08809030 !  .

   !  !  .

 !  !  .

 !  !  .

 ! !  !  .

     !  !  .

.574-.-/.:4/010./403.79J.//06:00.9:48480 .     .08/0  .574/:.