UNIDAD 4.

APLICACIN DE LAS PROBABILIDADES

4.1 INTRODUCCIN
Jacob Bernoulli (1654-1705), Abraham de Moivre (1667-1754), el reverendo Thomas
Bayes (1702-1761) y Joseph Lagrange (1736-1813) desarrollaron frmulas y tcnicas
para el clculo de la probabilidad.
En el siglo XIX, Pierre Simn, marqus de Laplace (1749-1827), unific todas estas
ideas y compil la primera teora general de probabilidad.
La teora de la probabilidad fue aplicada con xito en las mesas de juego y, lo que es
ms importante en nuestro estudio, a problemas sociales y econmicos. La industria
de seguros, que surgi en el siglo XIX, requera un conocimiento preciso acerca de los
riesgos de prdida, con el fin de calcular las primas. Medio siglo ms tarde, muchos
centros de aprendizaje estaban estudiando la probabilidad como una herramienta
para el entendimiento de los fenmenos sociales. En la actualidad, la teora
matemtica de la probabilidad es la base para las aplicaciones estadsticas, tanto en
investigaciones sociales como en la toma de decisiones.
La probabilidad constituye parte importante de nuestra vida cotidiana. En la toma de
decisiones personales y administrativas, nos enfrentamos a la incertidumbre y
utilizamos la teora de la probabilidad, admitamos o no el uso de algo tan complejo.

4.2 CONCEPTOS BSICOS

4.2.1 PROBABILIDAD
Es el conjunto de posibilidades de que un evento ocurra o no en un momento
y tiempo determinado. Dichos eventos pueden ser medibles a travs de una escala de
0 a 1, donde el evento que no pueda ocurrir tiene una probabilidad de 0 (evento
imposible) y un evento que ocurra con certeza es de 1 (evento cierto).
La probabilidad de que ocurra un evento, siendo sta una medida de la posibilidad de
que un suceso ocurra favorablemente, se determina principalmente de dos formas:
empricamente (de manera experimental) o tericamente (de forma matemtica).
Experimento.- Proceso que conduce a que ocurra una de varias observaciones
posibles y tiene dos o ms resultados posibles sin saber cul es el que ocurri.
Resultado.- Un suceso particular proveniente de un experimento. Ejemplo preguntar
a 500 universitarios si compraran o no la nueva computadora Dell a un precio
determinado.
Evento.- Conjunto de uno o ms resultados de un experimento
Entre Ellas:

4.2.2 PROBABILIDAD EMPRICA

Si E es un evento que puede ocurrir cuando se realiza un experimento, entonces la
probabilidad emprica del evento E, que a veces se le denomina definicin de
frecuencia relativa de la probabilidad, est dada por la siguiente frmula:

Nota: P (E), se lee probabilidad del evento E

4.2.3 PROBABILIDAD TERICA

Si todos los resultados en un espacio muestral S finito son igualmente probables, y E
es un evento en ese espacio muestral, entonces la probabilidad terica del evento E
est dada por la siguiente frmula, que a veces se le denomina la definicin clsica
de la probabilidad, expuesta por Pierre Laplace en su famosa Teora analtica de la
probabilidad publicada en 1812:
Tomamos un ejemplo de lanzar un dado comn, cul es la posibilidad de que caiga
par? Los resultados favorables son un dos, un cuatro y un seis
De all que se derivan varios conceptos:

4.2.4 EVENTO
En la teora de la probabilidad, un evento es uno o ms de los posibles resultados de
hacer algo.
Al lanzar una moneda al aire, si cae cruz es un evento, y si cae cara es otro. De
manera anloga, si sacamos una carta de un mazo de naipes, el tomar el as de
espadas es un evento. Un ejemplo de evento que, quiz, est ms cercano a su
quehacer diario es ser elegido de entre cien estudiantes para que responda a una
pregunta. Cuando escuchamos las poco gratas predicciones del ndice de mortalidad
en accidentes de trnsito, esperamos no ser uno de tales eventos.

4.2.5 EXPERIMENTO
En la teora de probabilidad, la actividad que origina uno de dichos eventos se conoce
como experimento. Que es toda accin sobre la cual vamos a realizar
una medicin u observacin, es decir cualquier proceso que genera un resultado
definido.
Utilizando un lenguaje formal, podramos hacer la siguiente pregunta: en un
experimento de lanzar una moneda, cul es la probabilidad del evento cara? Y,
desde luego, si la moneda no est cargada y tiene la misma probabilidad de caer en
cualquiera de sus dos lados.

4.2.6 EXPERIMENTO ALEATORIO

Es toda actividad cuyos resultados no se determinan con certeza. Ejemplo: lanzar una
moneda al aire. No podemos determinar con toda certeza cul ser el resultado al
lanzar una moneda al aire?, por lo tanto constituye un experimento aleatorio. . (Sin
posibilidades de que caiga parada), podramos responder, 1/2 o 0.5. El espacio
muestral es:
 S _ {cara, cruz}

4.2.7 ESPACIO MUESTRAL

Es un conjunto de todos los resultados posibles que se pueden obtener al realizar un
experimento aleatorio. Ejemplo: sea el experimento E: lanzar un dado y el espacio
muestral correspondiente a este experimento es: S = (1, 2, 3, 4, 5, 6).

4.2.8 PUNTO MUESTRAL

Es un elemento del espacio muestral de cualquier experimento dado.

4.2.9 EVENTO O SUCESO

Es todo subconjunto de un espacio muestral. Se denotan con letras maysculas: A, B,
etc. Los resultados que forman parte de este evento generalmente se conocen
como "resultados favorables". Cada vez que se observa un resultado favorable, se dice
que "ocurri" un evento. Ejemplo: Sea el experimento E: lanzar un dado. Un posible
evento podra ser que salga nmero par. Definimos el evento de la siguiente manera:
A = sale nmero par = (2, 4, 6), resultados favorables n(E) = 3

Los eventos pueden ser:

4.2.10 EVENTO CIERTO

Un evento es cierto o seguro si se realiza siempre. Ejemplo: Al introducirnos en el
mar, en condiciones normales, es seguro que nos mojaremos.
4.2.11 EVENTO IMPOSIBLE
Un evento es imposible si nunca se realiza. Al lanzar un dado una sola vez, es
imposible que salga un 10.

4.2.12 EVENTO PROBABLE O ALEATORIO

Un evento es aleatorio si no se puede precisar de antemano el resultado. Ejemplo: Al
lanzar un dado, saldr el nmero 3?

4.2.13 POSIBILIDADES
Las posibilidades comparan el nmero de resultados favorables con el nmero de
resultados desfavorables. Si todos los resultados de un espacio muestral son
igualmente probables, y un nmero n de ellos son favorables al evento E, y los
restantes m son desfavorables a E, entonces las posibilidades a favor de E son de n
(E) a m (E), y las posibilidades en contra de E son de m (E) a n (E).

EJEMPLOS PROPUESTOS
Mathas se le prometi comprar 6 libros, tres de los cuales son de Matemtica. Si
tiene las mismas oportunidades de obtener cualquiera de los 6 libros, determinar las
posibilidades de que le compren uno de Matemtica.
SOLUCIN:
Nmero de resultados favorables = n (E) = 3
Nmero de resultados desfavorables = m (E) = 3
Posibilidades a favor son n (E) a m (E), entonces,
Posibilidades a favor = 3 a 3, y simplificando 1 a 1.
Nota: A las posibilidades de 1 a 1 se les conoce como "igualdad de posibilidades" o
"posibilidades de 50-50".

4.3 CLASES DE PROBABILIDADES

4.3.1 PROBABILIDAD SIMPLE
Es la probabilidad en la que ocurre un evento que tiene una sola caracterstica.
Es cuando se analiza una sola caracterstica.
 ()
() = = =


()

4.3.2 PROBABILIDAD CONJUNTA

Es la probabilidad de que ocurra un evento que cumpla al mismo tiempo, con dos o
ms caractersticas.
Es cuando se analiza dos o ms caracterstica al mismo tiempo.

()
( ) = = =

4.3.3 SUMA DE PROBABILIDADES

Se utiliza cuando se desea determinar la probabilidad de que ocurra el evento con la
caracterstica A, el evento con la caracterstica B o ambos, se representa como P(A o
B) = P(A B).
Para eventos mutuamente excluyentes la regla es:
()+()
( ) = ( ) = () + () = =

+

Para eventos que no son mutuamente excluyentes la regla es:

()+()()
( ) = ( ) = () + () ( ) = =

+

4.3.4 PROBABILIDAD MARGINAL

Una probabilidad marginal o incondicional es la probabilidad simple de presentacin
de un evento. En el lanzamiento de una moneda no cargada, P (cara) _ 0.5 y P (cruz)
_0.5, esto es, la probabilidad de obtener cara es igual a 0.5 y la probabilidad de
obtener cruz es igual a 0.5. Esto es cierto para cada lanzamiento, no importa cuntas
veces se lance la moneda o cules hayan sido los resultados anteriores. Cada
lanzamiento de la moneda es nico y no hay manera de conectarlo con ningn otro.
En consecuencia, el resultado de cada lanzamiento de una moneda es un evento
estadsticamente independiente de los resultados de cualquier otro lanzamiento de
ella.

4.3.5 PROBABILIDAD CONDICIONAL

Es la probabilidad de que un segundo evento A ocurra, si el primer evento B ya ha
ocurrido, se denota P(A / B) y se lee cul es la probabilidad de que ocurra el evento
A si ya ocurri el evento B?
En este tipo de probabilidad, siempre se conocer una caracterstica y se va a calcular
la probabilidad de que ocurra la otra caracterstica. Adems la caracterstica
conocida, determina la parte del espacio muestral que se va a utilizar como
denominador.

( ( )
( ) = = =
() ()

=

4.4 TABLA DE CONTINGENCIA

En ciertas ocasiones, los elementos de una muestra tomada de una poblacin pueden
clasificarse de acuerdo con dos criterios diferentes. Por tanto, es importante conocer
si estadsticamente los dos mtodos de clasificacin son estadsticamente
independientes.
EJEMPLO:
Una compaa opera cuatro mquinas tres turnos al da. De los registros de
produccin, se obtienen los siguientes datos sobre el nmero de fallas
El nmero de fallas es independiente del turno?
El inters en una tabla de contingencia es probar la hiptesis de que los mtodos de
clasificacin rengln-columna son independientes. Si se rechaza la hiptesis entonces
se concluye que existe alguna interaccin entre los dos criterios de clasificacin.

4.5 REGLAS EN EL MANEJO DE LAS PROBABILIDADES

4.5.1 REGLA DE LA ADICIN.
La regla de la adicin expresa que la probabilidad de que ocurran a o b o ambos es
igual a probabilidad de a ms la probabilidad de b menos la probabilidad de que
ocurran ambos.
P (AUB) = P (A) + P (B) P (AB)
EJEMPLO:
Se lanza un dado no cargado. Usted gana 50 pesos si el resultado es par o divisible por
3. Cul es su probabilidad de ganar?
A= {RESULTADO PAR} B= {RESULTADO DIVISIBLE POR 3}
U= {1, 2, 3, 4, 5, 6} A= {2, 4, 6} B= {3, 6} AB= {6}
P= (AUB) = P (A) + P (B) P (AB) = 1/3 + 1/2 1/6 P (AUB) = 2/3
EJEMPLO:
La probabilidad de que llueva el 12 de octubre en ensenada es de 0.10; de que Truene
es 0.05 y de que llueva y truene es de 0.03.
Cul es la probabilidad de que llueva o truene en ese da?
P (LLUEVE U TRUENA) = 0.10 + 0.05 0.03
P (LL U T) = 0.12
EJEMPLO:
Se lanzan dos dados honrados, hallar: (A) el espacio muestra (B) los elementos cuya
suma de puntos sea 9 (C) los elementos cuya suma de puntos sea 4 o 5
(A) S= {(1,1), (1,2), (1,3), (1,4), (1,5), (1,6)
(2,1), (2,2), (2,3), (2,4), (2,5), (2,6)
(3,1), (3,2), (3,3), (3,4), (3,5), (3,6)
(4,1), (4,2), (4,3), (4,4), (4,5), (4,6)
(5,1), (5,2), (5,3), (5,4), (5,5), (5,6)
(6,1), (6,2), (6,3), (6,4), (6,5), (6,6)}
(B) LA SUMA SEA 9 = {(3,6), (4,5), (5,4), (6,3)}
(C) LA SUMA SEA 4 O 5 = {(1,3), (1,4), (2,2), (2,3), (3,1), (3,2), (4,1)

4.6 VALOR ESPERADO

El valor esperado utiliza probabilidades para determinar un resultado esperado, por
ejemplo cual ser la recompensa. El valor esperado multiplica la probabilidad de
cada resultado por el posible resultado. Por ejemplo, en un juego de dados, sacar un
uno, tres o cinco paga 0, sacar un dos o cuatro paga 5, y sacar un seis paga 10. En
los dados, la probabilidad de sacar un uno en seis es 1 / 6 cada uno.

4.6.1 INSTRUCCIONES DE EJERCICIO:

Escribe las probabilidades y los resultados en un grfico. Utiliza la columna de la
izquierda para las probabilidades, la columna central para el resultado y la columna
de la derecha para la probabilidad de resultado de tiempo. Esto proporciona una
representacin visual de las matemticas.
Multiplica cada resultado por la probabilidad. En el ejemplo, de uno, tres y cinco,
multiplica 0 por 1/6, que es igual a cero cada uno, el de dos y cuatro, multiplica 5
por 1/6, lo que equivale a 0.833 cada uno, y por seis, multiplica 10 por 1/6, lo que
equivale a 1.666.
Agrega todas las cifras calculadas en el paso 2 para determinar un valor esperado. En
el ejemplo, 0 + 0 + 0 + 0.833 + 0.833 + 1.666 es igual a un valor esperado, o el pago
esperado de 3.33.
Por lo tanto tirando un dado un total de 6 veces, estadsticamente se puede esperar
que llegues a ganar 3,33

4.7 ANLISIS COMBINATORIO

Para obtener probabilidades de eventos complejos, hacer una enumeracin de los
casos suele ser difcil, tedioso o ambas cosas. Para facilitar esta tarea se hace uso de
los principios bsicos de una materia llamada anlisis combinatorio.
4.7.1 PRINCIPIO FUNDAMENTAL
Si un evento puede ocurrir de n1 maneras diferentes, y si una vez que ha ocurrido,
otro evento puede ocurrir de n2 maneras diferentes, entonces la cantidad de maneras
en que pueden ocurrir los dos eventos, en este orden especfico, es n1n2.
EJEMPLO:
En una hoja de clculo de EXCEL se ingresan los nmeros 0 a 5 en las casillas A1 a A6.
En B1 se ingresa =FACT (A1), se hace clic y se arrastra desde B1 hasta B6. Despus,
para graficar los puntos, se emplea el asistente para grficos de EXCEL. La funcin
=FACT(n) es lo mismo que n! Para n = 0, 1, 2, 3, 4 y 5 =FACT(n) es igual a 1, 1, 2, 6,
24 y 120.

4.8 DISTRIBUCION DE PROBABILIDADES

4.8.1 LA DISTRIBUCIN BINOMIAL
Si p es la probabilidad de que en un solo ensayo ocurra un evento (llamada la
probabilidad de xito) y q = 1 p es la probabilidad de que este evento no ocurra en
un solo ensayo (llamada probabilidad de fracaso), entonces la probabilidad de que el
evento ocurra exactamente X veces en N ensayos (es decir, que ocurran X xitos y N
X fracasos) est dada por:

EJEMPLO:
La probbilidad de obtener exactamnete dos caras en seis lanzamientos de una moneda
es:
 1
Empleando la formula (1) con N=6, X = 2 y p=q = 2 .

4.8.2 LA DISTRIBUCION DE POISSON

Existen muchas distribuciones de probabilidad discretas, pero nuestro anlisis se centrar slo
en dos: la distribucin binomial, que acabamos de concluir, y la distribucin de
Poisson, q u e e s e l t e m a de estudio. La distribucin de Poisson debe su nombre a Simen
Denis Poisson (1781-1840), un francs que desarroll la distribucin a partir de los estudios
que realiz durante la ltima parte de su vida.

Ejemplos de distribuciones de Poisson: La distribucin de Poisson se utiliza para describir

ciertos tipos de procesos, entre los que se encuentran la distribucin de llamadas telefnicas
que llegan a un conmutador, las solicitudes de pacientes que requieren servicio en una
institucin de salud, las llegadas de camiones y automviles a una caseta de cobro, y el
nmero de accidentes registrados en cierta interseccin. Estos ejemplos tienen en comn un
elemento: pueden ser descritos mediante una variable aleatoria discreta que toma valores
enteros (0, 1, 2, 3, 4, 5, etc).

El nmero de pacientes que llegan al consultorio de un mdico en un cierto

intervalo ser de 0, 1, 2 3, 4, 5 o algn otro nmero entero. De manera
parecida, si usted cuenta el nmero de automviles que llegan a una caseta de cobro de
alguna carretera durant e u n p e r i o d o d e 1 0 m i n u t o s , e l n m e r o s e r d e 0 , 1 , 2
,3 ,4 ,5 y as consecutivamente.

Uso de la frmula de Poisson modificada para aproximar las probabilidades

binomiales: En algunas ocasiones, si deseamos ahorrarnos la tediosa tarea de calcular
distribuciones binomiales de probabilidad, podemos utilizar la distribucin de Poisson. La
distribucin de Poisson puede ser una razonable aproximacin de la binomial, pero slo bajo
ciertas condiciones. Tales condiciones se presentan cuando n es grande y p es pequea,
esto es, cuando el nmero de ensayos es grande y la probabilidad binomial de tener
xito es pequea. La regla que utilizan con ms frecuencia los estadsticos es que la
distribucin de Poisson es una buena aproximacin de la distribucin binomial cuando n
es igual o mayor que 20 y p es igual o menor a 0.05.

Formula:

Comparacin de las frmulas de Poisson y binomial. Digamos que tenemos un hospital con
20 aparatos para dilisis y que la probabilidad de que cualquiera de ellos no funcione bien
durante un da cualquiera es de 0.02. Cul es la probabilidad de que exactamente tres

mquinas estn fuera de servicio en el mismo da? En la tabla 5-13 mostramos ambas
respuestas a esta pregunta. Como podemos darnos cuenta, la diferencia entre las dos
distribuciones de probabilidad es pequea (de slo el 10% de error, aproximadamente, en
este ejemplo)