Principios de probabilidad

PROBABILIDAD
DEFINICIONES

Probabilidad: es la posibilidad numrica de ocurra un evento. Se mide con

valores comprendidos entre 0 y 1, entre mayor sea la probabilidad, ms se
acercar a uno.

Experimento: es toda accin bien definida que conlleva a un resultado

nico bien definido como el lanzamiento de un dado. Es el proceso que
produce un evento.

Espacio muestral: es el conjunto de todos los resultados posibles. Para un

dado es SS = (1,2,3,4,5,6)

Definicin Clsica de Probabilidad. Modelo de frecuencia relativa

La probabilidad de un evento (E), puede ser calculada mediante la relacin de el nmero de
respuestas en favor de E, y el numero total de resultados posibles en un experimento.

P E

# Favorable E
# Total resultados

1
.16
6
1
.5
Ejemplo 2: La probabilidad de lanzar una moneda y que caiga cara es:
2
Ejemplo 1: La probabilidad de que salga 2 al lanzar un dado es:

Ejemplo 3: La probabilidad de sacar 1,2,3,4,5, o 6 al lanzar un dado es:

1 1 1 1 1 1
1
6 6 6 6 6 6

La probabilidad de un evento est comprendida siempre entre 0 y 1 . La suma de las

probabilidades de todos los eventos posibles (E) en un espacio muestral S = 1

Un espacio muestral (S): Es el conjunto Universal; conjunto de todos los n elementos

relacionados = # Total de resultados posibles.

Probabilidad Compuesta
Es la probabilidad compuesta por dos eventos simples relacionados entre s.
En la composicin existen dos posibilidades: Unin o Interseccin .

Unin de A y B

Pgina 1 de 13

Principios de probabilidad
Si A y B son eventos en un espacio muestral (S), la unin de A y B
elementos de el evento A o B o ambos.

B contiene todos los

Interseccin de A y B

Si A y B son eventos en un espacio muestral S, la interseccin de A y B A B est compuesta

por todos los elementos que se encuentran en A y B.
Relaciones entre eventos
Existen tres tipos de relaciones para encontrar la probabilidad de un evento: complementarios,
condicionales y mutuamente excluyentes.

1. Eventos complementarios: El complemento de un evento A son todos los elementos en un

espacio muestral (S) que no se encuentran en A. El complemento de A es: A 1 P A
Ejemplo 4: En el evento A (da nublado), P(A) = .3, la probabilidad de tener un da despejado ser
1-P(A) = .7

P A .7
P(A)=.3

2. Probabilidad condicional: Para que se lleve a cabo un evento A se debe haber realizado el
evento B. La probabilidad condicional de un evento A dado que ha ocurrido el evento B es:

P A B

P A B
P B

, si B 0

Ejemplo 5:
Si el evento A (lluvia) = .2 y el evento B (nublado) = .3 , cual es la probabilidad de
que llueva en un da nublado? Nota: no puede llover si no hay nubes

P A B

P A B
P B

.2
.67
.3

Pgina 2 de 13

Principios de probabilidad

A
P(A/B)=.67

Se dice que dos eventos A y B son independientes si: P(A/B) = P(A) o P(B/A) = P(B).
La probabilidad de la ocurrencia de uno no est afectada por la ocurrencia del otro. De otra
manera los eventos son dependientes.

Un ejemplo de evento independiente es: Cul es la probabilidad de que llueva en lunes?

El ejemplo de evento dependiente es el ejemplo 5.
3. Eventos mutuamente excluyentes.
Cuando un evento A no contiene elementos en comn con un evento B, se dice que estos son
mutuamente excluyentes.

Eventos mutuamente excluyentes.

Ejemplo 6. Al lanzar un dado: a) cual es la probabilidad de que salga 2
P A B ?
a)

P A B

o 3? B) Calcule

1 1 1
.33
6 6 3

b) P A B = 0, ya que al ser conjuntos mutuamente excluyentes la interseccin no existe, es

imposible que salga 2 y 3 al mismo tiempo.
Ley aditiva:

Cuando dos eventos no son mutuamente excluyentes:

Pgina 3 de 13

Principios de probabilidad
P A B P A P B P A B

Cuando los eventos son mutuamente excluyentes:

P A B P A P B
Ejemplo 7.

Ley multiplicativa:

Si los eventos A y B son dependientes:

P A B P A P B A

Si los eventos A y B son independientes:

P A B P A P B
Ejemplo 8: Se selecciona una muestra aleatoria n = 2 de un lote de 100 unidades, se sabe que 98
de los 100 artculos estn en buen estado. La muestra se selecciona de manera tal que el primer
artculo se observa y se regresa antes de seleccionar el segundo artculo (con reemplazo), a)
calcule la probabilidad de que ambos artculos estn en buen estado, b) si la muestra se toma sin
reemplazo, calcule la probabilidad de que ambos artculos estn en buen estado.
A: El primer artculo est en buen estado.
B: El segundo artculo est en buen estado.
a) Al ser eventos independientes el primero del segundo:

98 98

.9604
100 100

P A B P A P B =

A
P(A) =.98

B
P(B) =.98

b) Si la muestra se toma sin reemplazo de modo que el primer artculo no se regresa antes de
seleccionar el segundo entonces:

Pgina 4 de 13

Principios de probabilidad

98 97

.9602
100 99

P A B P A P B A =

Se observa que los eventos son dependientes ya que para que para obtener el evento B, se tiene
que haber cumplido antes el evento A.

P(B/A)=.97

P(A) =.98

TABLAS DE CONTINGENCIA Y TABLAS DE PROBABILIDAD

Una tabla de contingencia se forma como sigue:
Genero
Hombres
Mujeres
Total

Clasificacin de los empleados

Personal
Lnea
Auxiliar
120
150
30
300
50
140
10
200
170
290
40
500

Total

Con esto se forma la tabla de probabilidades dividiendo todos los datos de la tabla entre el total de
500, queda como:
Genero
Hombres(M)
Mujeres(m)
Total

Clasificacin de los empleados

Personal
(S)
Lnea (L)
Auxiliar (A)
0.24
0.30
0.06
0.60
0.10
0.28
0.02
0.40
0.34
0.58
0.08
1.00

Total

De esta forma las probabilidades marginales o de las orillas de la tabla son:

P(L) = 0.58
P(M) = 0.60
Se determina las probabilidades conjuntas como sigue:
P(MS) = 0.24
P(ML) = 0.30
P(MA) = 0.06
La probabilidad marginal es la suma de las probabilidades conjujntas correspondientes:

Pgina 5 de 13

Principios de probabilidad

P(M) = 0.24 + 0.30 + 0.06 = 0.60

TEOREMA DE BAYES
Mediante el teorema de Bayes podemos calcular la probabilidad de que ocurra un determinado
evento, cuando no tenemos datos inmediatos del mismo mediante la informacin que tenemos de
otros eventos.
Cuando existen dos eventos posibles A y B, la probabilidad de que ocurra Z se describe mediante
el teorema de probabilidad total el cual es:

P ( Z ) P A P Z A P B P Z B
Mediante el teorema anterior se deduce el teorema de Bayes:

P A Z

P A P Z A
P A P Z A P B P Z B

Ejemplo 9: En cierta universidad 20% de los hombres y 1% de las mujeres miden ms de 1.80m
de altura. Asimismo 40% de los estudiantes son mujeres. Si se selecciona un estudiante al azar y
se observa que mide ms de 1.80m Cual es la probabilidad de que sea mujer?

Z > 1.80 m
A = Hombre
B = Mujer
P (A) = .60
P (B) = .40
P (Z/A) = .20
P (Z/B) = .01

HOMBRE
< 1.80
> 1.80

MUJER

.80

.99

.20

.01

=Z
Para encontrar la probabilidad de que sea mujer dado que mide ms de 1.80,
Utilizando el teorema de Bayes:

P B Z

P B P Z B
P A P Z A P B P Z B

Hombre

P(B/Z) = (.4 x .01)/ (.6 x .20 +.4 x .01) = .032.

Mujer

Podemos visualizar P(B/Z) en el siguiente diagrama:

Z > .80

P(A/Z)

P(B/Z) = .032

Pgina 6 de 13

Principios de probabilidad

Por lo tanto la probabilidad de que sea mujer dado que mide ms de 1.80
es .032 = 3.2 %

ANLISIS COMBINATORIO
Supngase que una persona tiene dos modos de ir de una ciudad A a otra ciudad B; y una vez
llegada a B, tiene tres maneras de llegar a otra ciudad C. De cuntos modos podr realizar el
viaje de A a C pasando por B?

a pie

CIUDAD A

en avin
CIUDAD B

en bicicleta

en carro

CIUDAD C

en trasatlntico

Evidentemente, si empez a pie podr tomar avin, carro o trasatlntico; y si empez en bicicleta,
tambin podr tomar avin, carro o trasatlntico.
Utilizando literales (las iniciales) el viajero tuvo las siguientes oportunidades: pa, pc, pt; ba, bc, bt.
Que son 6; cada primera oportunidad cont con tres posibilidades.
Se tiene: 2 oportunidades X 3 posibilidades = 6 posibilidades.

PRINCIPIO DE CONTEO: Si un evento puede hacerse de a 1 maneras diferentes, y cuando se ha

hecho, puede hacerse un segundo evento ( independiente del primero) de a 2 modos diferentes y
luego un tercer evento de a3 maneras tambin diferentes, y as sucesivamente, entonces el
nmero de maneras diferentes en que los eventos se pueden realizar , en el orden indicado es de:

a1 a2 a3 ....an

Ejemplo 10: De cuantos modos podr vestirse un joven que tiene 3 camisas diferentes, 4
pantalones y dos pares de calzado?
Solucin: Primer evento (camisas) a1 = 3
Segundo evento ( pantalones) a2 = 4

Pgina 7 de 13

Principios de probabilidad
Tercer evento (zapatos) a3 = 2

a1 a2 a3 3 4 2 24 modos diferentes.
PERMUTACIONES: Una permutacin es un arreglo ordenado de una parte de los elementos, o de
todos los elementos de un conjunto.

Ejemplo 11: Dado el conjunto de las letras o, p, i , escribir todas las permutaciones empleando
las tres letras cada vez.
Solucin: opi, oip, ipo, iop, pio, poi : son seis permutaciones posibles.
Ejemplo 12: Y tomando dos letras solamente cada vez?
Solucin: op, oi, io, ip, pi, po: son seis permutaciones.

En la mayora de los casos resulta muy complicado hacer las permutaciones manualmente por
lo cual utilizamos la siguiente frmula:

n !
n r !
donde:
n = nmero total de elementos del conjunto
P = Permutaciones
r = nmero de elementos que se toman a la vez.
! = factorial.
Prn

Nota: 0! = 1
Ejemplo 13: Se toman 3 nmeros de lotera de un total de 50, de cuantas formas se pueden
tomar los nmeros?

P350

50 !
50 !

(50 49 48) 117 ,600

50 3 ! 47 !

COMBINACIONES: Es el nmero de subconjuntos de r elementos que se puede formar de un

conjunto de n elementos, sin importar el orden de los elementos. Para determinar el nmero de
combinaciones posibles utilizamos:

Crn

n!
n r ! r !

Ejemplo 15: Un entrenador de basket ball tiene 9 jugadores igualmente hbiles, cuntas
quintetas podr formar?
C59

9!
126
4 ! 5 !

Pgina 8 de 13

Principios de probabilidad
Ejemplo 16: Se extraen 5 cartas de una baraja de 52 cartas. Hallar la probabilidad de extraer (a) 4
ases, (b) 4 ases y un rey (c) 3 dieces y dos jotas, (d) un 9,10, jota, reina, rey en cualquier orden.
a) P(4 ases) =

4 C4 48 C1
52 C5

b) P (4 ases y 1 rey) =

1
54145

4 C4 4 C1
52

c) P (3 dieces y 2 jotas) =

C5

4 C3 4 C2
52

C5

d) P(nueve, diez, jota, reina, rey) =

1
649740

1
108290

4 C1 4 C1 4 C1 4 C1 4 C1
52

C5

Pgina 9 de 13

64
162435

Principios de probabilidad
DISTRIBUCIONES MUESTRALES
ESTADSTICA INFERENCIAL: involucra el uso de un estadstico para sacar una conclusin o
inferencia sobre el parmetro correspondiente de la poblacin
Por ejemplo se usa:

X media de muestra para estimar la media poblacional

desv. Est. De muestra para estimar la desv. Est. poblacional

p proporcin en la muestra para estimar la proporcin poblacional

ERROR DE MUESTREO:
es la diferencia entre el parmetro poblacional y el estadstico de
la muestra utilizado para estimar el parmetro.
Por ejemplo la diferencia entre:

X y

p y

Poblacin
Con N
elementos

DISTRIBUCIN MUESTRAL: es un conjunto de todos los valores posibles para un estadstico y la

probabilidad relacionada con cada valor.

Media.muestral . Xi P (cada. Xi )
150
200
250
300
350

1/6
1/6
2/6
1/6
1/6
1.0

Xmedia 1
Desv.est.
1
Tomando K=6 muestras de
tamao n cada una

MEDIA DE LAS MEDIAS MUESTRALES o GRAN MEDIA o MEDIA DE MEDIAS:

Xi

K
150 200 250 250 300 350
X
250
6
VARIANZA DE LA DISTRIBUCIN MUSTRAL DE LAS MEDIAS MUESTRALES

2
X

(X X )

(X )

Del ejemplo anterior:

X2

(150 250) 2 (200 250) 2 ... (350 250) 2

4.167
6

Pgina 10 de 13

Xmedia K
Desv.est.
K

Principios de probabilidad
ERROR ESTNDAR DE LA DISTRIBUCIN MUESTRAL DE LAS MEDIAS MUESTRALES

X X2
En el caso anterior vale 64.55

Si el muestreo se realiza sin reemplazo y si el tamao de muestra es ms del 5% de la poblacin (n

> 0.05N) debe aplicarse el factor de correccin para poblaciones finitas (FPC) al error estndar.

N n
N 1

TEOREMA DEL LMITE CENTRAL

A medida que n se vuelve ms grande, la distribucin de las medias muestrales se aproximar a
una distribucin normal con una media X X / n
USO DE LA DISTRIBUCIN MUESTRAL
Muchas decisiones en los negocios dependen de una muestra completa no tanto de una
observacin, por tanto se trabaja con la distribucin muestral de las medias o de las proporciones,
para el caso de las medias se tiene:

X X

X
/ n

Con este valor se determina P(Z <= z)

Donde n es el tamao de la muestra y si no se conoce sigma, se estima con el valor de S.

Ejemplos pginas 153 156.
Para el caso de proporciones se tiene:

E ( p) p

p
K

(1 )
Si n>0.05N puede requerirse el FCP
n

Una vez calculando lo anterior ahora se determina Z

p
p

Ver ejemplos pginas 159 163.

Pgina 11 de 13

Principios de probabilidad
CUESTIONARIO

Introduccin a la probabilidad
1. Qu es probabilidad?
2. Qu es un experimento en el contexto de probabilidad?
3. Qu es un evento?
4. Qu es un espacio muestral?
5. Qu es una regla de conteo para experimentos de varias etapas?
6. Qu es una permutacin?
7. Qu es una combinacin?
8. Qu requerimientos bsicos debe cumplir la asignacin de
probabilidades?
9. A que se refiere el mtodo clsico de la probabilidad?
10. A que se refiere el mtodo de frecuencia relativa de la probabilidad?
11. A que se refiere el mtodo subjetivo de la probabilidad?
12. Qu es un evento y como se determina su probabilidad?
13. Cmo se calcula la probabilidad mediante el complemento?
14. Cul es la probabilidad de la unin de dos eventos?. Qu pasa si los
eventos son mutuamente excluyentes?
15. Cul es la interseccin de dos eventos?
16. Qu es la probabilidad condicional y la ley multiplicativa para eventos
independientes?
17. Qu establece el Teorema de Bayes?

Distribuciones discretas de probabilidad

18. Qu es una variable aleatoria?
19. Cundo la variable aleatoria es discreta y cuando es continua?

Pgina 12 de 13

Principios de probabilidad

20. Qu es una distribucin discreta de probabilidad?

21. Qu es una distribucin de probabilidad acumulada?
22. Cmo se determina su valor esperado y su varianza?
23. Qu es un experimento binomial?
24. Cmo se interpreta la funcin de distribucin binomial, es decir que
indican sus trminos y que nos determina?.
25. Cul es su valor esperado y su varianza?
26. Qu es un experimento de Poisson?
27. Cmo se interpreta la funcin de distribucin de Poisson, es decir que
indican sus trminos y que nos determina?
28. Cul es su valor esperado y su varianza?
29. Cmo se interpreta la funcin de distribucin Hipergeomtrica, es decir
que indican sus trminos y que nos determina?

Distribuciones continuas de probabilidad

30. Qu es la funcin de densidad de probabilidad en distribuciones
continuas?
31. Cmo se interpreta la distribucin Uniforme acumulada es decir que
indican sus trminos y que nos determina?
32. Cmo se interpreta la funcin de densidad de la distribucin Exponencial,
es decir que indican sus trminos y que nos determina?
33. Cmo se interpreta la distribucin Exponencial acumulada, es decir que
indican sus trminos y que nos determina?

Pgina 13 de 13