Eliminar el

Logo
De la izquierda

PROBABILIDADES

Docente: Gladys Enríquez Mantilla

glaenriq@gmail.com
 INTRODUCCIÓN A LA PROBABILIDAD
Experimento Aleatorio o
Estocástico
Es toda experiencia que se puede
repetir en forma indefinida,
obteniéndose resultados diferentes e
imprevisibles aún cuando se repita
de la misma manera.
Se le pregunta a un consumidor
cuál de entre dos productos es su
preferido
La probabilidad se ocupa de
los experimentos aleatorios.
Fenómeno
Determinístico
Cualquier acción o fenómeno
cuyo resultado puede
predecirse con exactitud; es
decir no hay incertidumbre
acerca del resultado, cuando
la acción se repite varias
veces.
Observar la nacionalidad
de una persona extraída
de un grupo donde no hay
extranjeros.
  = 1, 2, 3, 4, 5, 6
Ejemplos

EXPERIMENTO ALEATORIO RESULTADOS POSIBLES

• Invertir en un negocio. Ganar - recuperar la inversión - perder.

• Realizar una campaña publicitaria de ventas aumentan – se mantienen igual –

un artículo. disminuyen.
• Hacer una prueba de degustación de Es aceptado – no es aceptado.
un nuevo producto.
Resultado
• Tomar una pieza para inspeccionarla. Con defecto – sin defecto. dicotómico

• Realizar una llamada de ventas. Hay compra – no hay compra.

• Aplicar el control de calidad a un Pasa – no pasa.

producto.

No sabemos qué resultado saldrá pero sí

 = c, s sabemos los posibles valores que pueden salir.
 EXPERIMENTO ALEATORIO: E

E: la concursante elige E: Un partido de fútbol

un sobre. entre los equipos E: extraer una bolita.
rojo y verde.
 = sobre A, sobre B = verde, azul,
 = gana verde, gana naranja
A : elegir el sobre A.
rojo, empatan
B : elegir el sobre B. A: extraer bolita verde.
A : hay un ganador.
B: extraer bolita azul.
B : ninguno gana.
C: extraer bolita naranja.
 Espacio
Evento
Muestral ()

Es el conjunto de todos Es un subconjunto

los resultados posibles del espacio muestral
de un experimento.

Se eligen al azar tres alumnos

en el curso de Estadística   AAA, AAR, ARA,RAA, ARR,RAR,RRA,RRR
donde hay alumnos
aprobados y reprobados.

A: obtener al menos dos

A  AAR, ARA,RAA, AAA
alumnos aprobados.
Eventos

B: ninguno esté
B  RRR
aprobado.
 E: lanzar un dado.
= 1, 2, 3, 4, 5, 6

Evento imposible: Evento seguro:

Evento elemental: Evento que nunca Evento que “siempre
ocurre en un ocurre” en un
Es cada uno de los experimento aleatorio.
experimento aleatorio.
resultados posibles del
espacio muestral. A : obtener un número
A : obtener un siete
mayor que cero y
 = 1, 2, 3, 4, 5, 6 A= menor que siete.
A =1, 2, 3, 4, 5, 6=

Si se tiene un evento A  el evento

que contiene todos los eventos
elementales del espacio muestral que Al sumar el evento más su
no están en A se llama Evento complemento, siempre da el
Complementario (Ā). espacio muestral: A + Ā = 
Ejemplo

Se extraen al azar tres artículos de un lote que contiene artículos buenos y

defectuosos.

a) Determinar el espacio muestral.

  BBB,BBD,BDB,DBB,BDD,DBD,DDB,DDD

b) Hallar los elementos de los siguientes eventos:

sucesos
A: obtener sólo un artículo defectuoso. elementales
A  BBD,BDB,DBB

B: obtener por lo menos dos artículos buenos.

B  BBB,BBD,BDB,DBB

C: ningún artículo tiene defectos.

C  BBB
 ENFOQUES DE PROBABILIDAD

Empírico o de
Clásico Frecuencia relativa Subjetivo

Cuando el número Es la frecuencia Cuando la

de veces que ocurre relativa de veces que probabilidad se
un evento se divide ocurrirá el evento al basa en cualquier
por el número total realizar un experimento información
de observaciones. repetidas veces. disponible.

n  A número de casos favorables

Regla de Laplace P  A = =
n  Ω número de casos posibles El valor de
probabilidad bajo
este enfoque es un
juicio personal.

La probabilidad trata de medir la incertidumbre.

 AXIOMAS DE PROBABILIDAD

Los axiomas de probabilidad son las condiciones mínimas que

deben verificarse para que una función definida sobre un conjunto de
sucesos determine consistentemente sus probabilidades. Fueron
formulados por Kolmogorov en el año 1933.

La probabilidad de que ocurra un

evento A cualquiera se encuentra La probabilidad
entre cero y uno. nunca es negativa.
0 ≤ P(A) ≤ 1

La probabilidad del espacio muestral

es 1.
P(Ω)=1

Si A y B son eventos mutuamente Regla de la

excluyentes, entonces: adición para
eventos
P ( A  B ) = P(A) + P(B)
mutuamente
excluyentes
 La probabilidad de que ocurra un evento A cualquiera se encuentra
entre cero y uno: 0 ≤ P(A) ≤ 1

EVENTO IMPOSIBLE EVENTO SEGURO

8
0 2 P ( Azul ) = =1
P ( Azul ) = = 0 P ( Azul ) = =0.25 8
8 8
 La probabilidad del espacio muestral es 1.
P(Ω)=1

Ejemplo

Una tienda tiene en exhibición ocho autos, ¿cuál es la probabilidad de que se venda un
auto rojo, azul, negro o verde?.

Ω =  R,A,N, V
1 2 2 3
P(R ) = P( A ) = P(N) = P( V ) =
8 8 8 8

P(R  A  N  V ) = P(R ) + P( A ) + P(N) + P( V )

1 2 2 3
     1
8 8 8 8
 Si A y B son eventos mutuamente excluyentes, entonces:
P ( A  B ) = P(A) + P(B)

 Generalizando para k eventos mutuamente excluyentes :

P ( A1  A 2  .....  A k ) = P ( A1 ) + P ( A 2 ) + .... + P ( A k )

Ejemplo

Una tienda tiene en exhibición ocho autos, ¿cuál es la probabilidad de que se venda
un auto azul, negro o verde?.

Ω =  R,A,N, V
2 2 3
P( A ) = P(N) = P( V ) =
8 8 8

P( A  N  V ) = P( A ) + P(N) + P( V )
2 2 3 7
     0.875
8 8 8 8
 TEOREMAS DE PROBABILIDAD

Si A es un evento nulo o vacío, entonces la

probabilidad de que ocurra A debe ser cero.
P (A)=0

La probabilidad del complemento de un evento A

es:
P(Ac) = 1- P(A)

Si A y B son dos cualesquiera:

P ( A  B ) = P(A) + P(B) – P ( A  B)
 Si A es un evento nulo o vacío, entonces la
probabilidad de que ocurra A debe ser cero.
P (A)=0

Ejemplo

Se tiene un grupo de profesionales integrado por veinte médicos varones. Si se

extrae un profesional al azar; hallar la probabilidad de que dicho profesional:

a) Sea mujer.
b) Sea administrador.

Ω =  V1 , V2 , V3 , ...., V20  n( Ω ) = 20

0
a) A :sea mujer  A =   n( A ) = 0  P ( mujer ) = =0
6

0
b) B :sea administrador  B =   n( B ) = 0  P ( administrador ) = =0
6
 La probabilidad del complemento de un
evento A es:
P(Ac) = 1- P(A)
=1
AC
Dado un evento A, el complemento de A se
define como el evento que consta de todos los A
puntos muestrales que no están en A. El
complemento de A se denota Ac.

Ejemplo

Un agente de compras dice que hay una probabilidad de 0.10 de que un

proveedor mande un embarque con partes defectuosas. Hallar la probabilidad
de que el embarque no contenga partes defectuosas.

P(D ) = 0.10  P(D ) = 1 - P(D )

= 1 - 0.10
= 0.90
 Si A y B son dos cualesquiera:
P ( A  B ) = P(A) + P(B) – P ( A  B)

Ejemplo

Se sabe que la probabilidad de que Ana apruebe Estadística es 0.45 mientras

que para Bertha esta probabilidad es de 0.38. Si se sabe que la probabilidad
de que ambas aprueben es 0.20. ¿Cuál es la probabilidad de que al menos
una de ellas apruebe estadística?

P( A  B ) = P( A ) + P(B ) - P( A B )
= 0.45 + 0.38 - 0.20
= 0.63
 Una encuesta a los estudiantes de licenciatura de la escuela de
Ejemplo 1 Negocios, reveló lo siguiente con respecto al género y área de
especialización de los estudiantes:

Especialidad
Género Contabilidad Administración Negocios Total
(C) (A) Internacionales (N)
Masculino (M) 100 150 50 300
Femenino (F) 100 50 50 200
Total 200 200 100 500

a) ¿Cuál es la probabilidad de seleccionar una alumna?

200
P(F) = = 0.40
500
b) ¿Cuál es la probabilidad de seleccionar a alguien que tenga como área
de especialización Negocios Internacionales o Contabilidad?
100 200
P ( N  C ) = P (N) + P(C) = + = 0.60
500 500
c) ¿Cuál es la probabilidad de seleccionar una estudiante o alguien que
tenga interés en contabilidad?
200 200 100
P ( F  C ) = P (F) + P(C) - P (F  C) = + - = 0.60
500 500 500
 PROBABILIDAD CONDICIONAL

Sean A y B dos eventos con P(B) > 0. La probabilidad condicional de A con

respecto a B es la probabilidad de que ocurra A sabiendo que ocurre B.

P( A  B )
P( A / B ) =
P(B )

Con frecuencia, en la probabilidad de un evento influye el hecho de que un

evento relacionado con él ya haya ocurrido. Suponga que tiene un evento A
cuya probabilidad es P(A). Si obtiene información nueva y sabe que un
evento B relacionado con él, ya ha ocurrido, entonces aprovechará esta
información para volver a calcular la probabilidad del evento A.

A esta nueva probabilidad del evento A se le conoce como probabilidad

condicional y se expresa P(A | B). Esta notación indica que se está
considerando la probabilidad del evento A dada la condición de que el
evento B ha ocurrido
 La siguiente tabla muestra la distribución de 400 personas en las
Ejemplo cuales se observó si fuma o no fuma y la presencia de bronquitis.

HÁBITO DE BRONQUITIS
ത TOTAL
FUMAR SI (B) NO (𝐵)
FUMA (F) 140 110 250
ത
NO FUMA (𝐹) 50 100 150
TOTAL 190 210 400
Si se selecciona una persona al azar de este grupo elige una persona al azar,
calcule las siguientes probabilidades:
a) No fume dado de que tiene bronquitis.
P ( F B ) 50 / 400
P (F / B )= = = 0.263158
P(B ) 190 / 400
b) No tenga bronquitis dado que fuma.
P ( B  F ) 110 / 400
P (B / F )= = = 0.44
P(F ) 250 / 400
c) Si la persona elegida fuma ¿Cuál es la probabilidad de que tenga bronquitis?
P ( B  F ) 140 / 400
P (B / F )= = = 0.56
P(F ) 250 / 400
 REGLA DE MULTIPLICACIÓN

Si A y B son dos eventos estadísticamente dependientes, entonces la

probabilidad de que A y B ocurran se calcula mediante:

P( A  B ) = P( A ) P(B / A )

Probabilidad de que los Probabilidad Probabilidad de que ocurra

eventos A y B ocurran de que ocurra el evento B dado que ya
al mismo tiempo. el evento A. ocurrió el evento A.

❖ La ley de las suma de probabilidades sirve para calcular la probabilidad

de la unión de dos eventos.

❖ La ley de la multiplicación es útil para calcular la probabilidad de la

intersección de dos eventos. La ley de la multiplicación se basa en la
definición de probabilidad condicional.
 Supongamos que se tiene una caja con 10 monedas de un
nuevo sol, y dos de ellas son falsas. Se van a extraer dos
monedas, una después de la otra sin reposición; ¿cuál es la
Ejemplo 1 probabilidad de seleccionar una moneda falsa seguida por
otra también falsa?
2 F + 8 B = 10 monedas
2 1
P(F1  F2 )  P(F1 )  P(F2 / F1 )    0.022
10 9

Por equivocación se mezclaron treinta pernos de alta

resistencia con 25 pernos comunes, de igual apariencia, por lo
Ejemplo 2 que resulta imposible distinguirlos. Si se sacan dos pernos al
azar (uno después del otro) ¿qué probabilidad hay que uno de
ellos sea de alta resistencia y el otro sea un perno común?

30 A + 25 C = 55

P  ( A  C )  ( C  A )   P( A ) P( C / A)  P( C ) P(A / C)
30 25 25 30
= × + × = 0.5051
55 54 55 54
 PARTICIÓN DE UN ESPACIO MUESTRAL

Si consideramos el diagrama de Venn  , los sucesos B1, B2, B3

y B4 dividen el espacio muestral en 4 partes distintas

Un conjunto de sucesos B1, B2, ..., Bk donde Bi ∩ Bj = φ para

todo i ≠ j y Ω = B1 ∪ B2 ∪ ...Bk

se llama una PARTICIÓN del espacio muestral.

 TEOREMA DE PROBABILIDAD TOTAL

Sean los eventos A1, A2, …, Ak mutuamente excluyentes, los

cuales constituyen una partición del espacio muestral  ,
entonces para cualquier evento B de  se cumple:

k
P(B ) = P( A ) P( B / A )
i=1
i i

Ai  A j =  i  j
 Ejemplo

El equipo directivo de cierta empresa del sector de hostelería está constituido por
25 personas de las que un 60% son mujeres. El gerente tiene que seleccionar a
una persona de dicho equipo para que represente a la empresa en un certamen
internacional. Decide lanzar una moneda: si sale cara, selecciona a una mujer y
si sale sello, a un hombre. Sabiendo que 5 mujeres y 3 hombres del equipo
directivo no hablan inglés, determinar la probabilidad de que la persona
seleccionada hable inglés.

10/15 Hi
M 5/15 Total de personas : 25
1/2 Hi Mujeres = 0.60×25 = 15  Hombres = 10

7/10 Hi
1/2 1 10 1 7
H
P(Hi )      0.6833
3/10 2 15 2 10
Hi
 TEOREMA DE BAYES

Sean los eventos A1, A2, …, Ak mutuamente

excluyentes, los cuales constituyen una partición P ( Ar ) . P ( B / Ar )
P ( Ar / B ) = k
del espacio muestral  , entonces para P( A ) P( B / A )
i i
cualquier evento B de  se cumple: i=1

El Teorema de Bayes se utiliza

con mucha frecuencia en el
modelamiento de sistemas
computacionales.
El Teorema de Bayes se aplica
Ejemplo:
cuando los eventos, para los
cuales deseamos calcular sus
Es utilizado por las redes
probabilidades posteriores, son
Bayesinas en la construcción de
mutuamente excluyentes, y la
sistemas inteligentes
unión de todos ellos es el
espacio muestral.
Ejemplo 1

En un colectivo de inversores bursátiles, el 20% realiza operaciones vía internet.

De los inversores que realizan operaciones vía internet, un 80% consulta
InfoBolsaWeb. De los inversores bursátiles que no realizan operaciones vía
internet sólo un 20% consulta InfoBolsaWeb. Si se elige al azar un inversor
bursátil de este nuevo colectivo y resulta que consulta InfoBolsaWeb, ¿cuál es la
probabilidad de que realice operaciones vía internet?

0.80 IBW
I 0.20
0.20 IBW
0.20  0.80
P ( I / IBW) = = 0.5
0.20  0.80 + 0.80  0.20
0.20 IBW
0.80
I 0.80
IBW
Ejemplo 2

Una nave no tripulada se dirige al planeta Venus y tiene una probabilidad 0.7 de
descender satisfactoriamente. A su vez, el sistema monitor da la información
correcta con probabilidad 0.9 (sea o no satisfactorio el descenso). En la prueba,
el monitor informó que el descenso era correcto. ¿Cuál es la probabilidad de que
realmente lo haya sido?

0.90 Idc
Dc 0.10
0.70 Idi
0.70  0.90
P(DC / IDC )   0.9545
Idc
0.70  0.90  0.30  0.10
0.3 0.10
0 Di 0.90
Idi
Ejemplo 3

Una compañía que gestiona la red de una gran empresa adquiere un antivirus con
las siguientes características. Si hay virus, da la alarma con probabilidad 0.95.
Aunque no haya virus, hay una probabilidad de 0.08 de que dé una falsa alarma de
virus. Si la red de dicha empresa suele recibir un ataque de virus por cada 100
accesos, calcular la probabilidad de que cuando dé la alarma de virus, haya de
verdad un ataque.

0.95 Dv
V 0.05
1/10 Dv
0
1
 0.95
0.08 Dv P( V / DV )  100  0.1071
99/100 1 99
V 0.92  0.95   0.08
Dv
100 100
 EVENTOS INDEPENDIENTES

Dos eventos A y B son independientes si la ocurrencia de B no tiene

impacto en la probabilidad de ocurrencia de A; es decir la ocurrencia de
A es independiente de la ocurrencia de B.

P ( A  B ) P ( A )× P ( B )
P( A / B ) = = = P( A )
P(B ) P(B )

Dos eventos A y B son independientes si y sólo si:

P( A / B ) = P( A ) y P(B / A ) = P(B )

En cualquier otro caso, A y B son dependientes.

 Tres personas realizan tiro al blanco, la probabilidad de acertar el
blanco en cada una de ellas es 0.4, 0.6 y 0.75 respectivamente, si
cada persona realiza un tiro y estos tiros se pueden considerar
Ejemplo
independientes. Calcule la probabilidad que:
a) Al menos una de ellas acierte al blanco.
b) Sólo dos de ellas aciertan al blanco.
c) Por lo menos dos aciertan al blanco.

P ( A) = 0.4 P(B) = 0.6 P(C) = 0.75

P ( A) = 0.6 P(B) = 0.4 P(C) = 0.25

a) P ( A  B  C) = 1- P ( A  B  C)
= 1 - 0.6 × 0.4 × 0.25 = 0.94

b) P(X = 2) = P ( A  B  C) + P ( A  B  C) + P ( A  B  C)
= 0.4 × 0.6 × 0.25 + 0.4 × 0.4 × 0.75 + 0.6 × 0.6 × 0.75 = 0.45

c) P(X  2) = P ( X = 2) + P ( X = 3) = 0.45 + P(A  B  C)

= 0.45 + 0.4 × 0.6 × 0.75 = 0.63
 EVENTOS INDEPENDIENTES

0.975 R
A 0.025 P ( A)  P(V / A)  P(A)  P(V)
0.02 V

0.98
0.95 R P( A)  P(V / A)  P(A)  P(V)
B 0.04 0.02  0.025  0.02  0.0495
V
0.0005  0.0005

P(V)  0.02  0.025  0.98  0.04

 0.0495  A y V son independientes
 EVENTOS DEPENDIENTES

0.95 R
A 0.05 P ( A)  P(V / A)  P(A)  P(V)
0.01 V

0.99
R
0.92 P( A)  P(V / A)  P(A)  P(V)
B 0.08 0.01  0.05  0.01  0.0797
V
0.0005  0.000797

P(V)  0.01 0.05  0.99  0.08

 A y V son dependientes
 0.0797
 REFERENCIAS

Chue, J.; Barreno, E.; Castillo, C.; Millones, R.; Vásquez, F.

(2007). Estadística descriptiva y probabilidades. Universidad
de Lima. Perú.
Anderson,D.; Sweeney, D. y Williams, T. (2008). Estadística
para Administración y Economía. Thomson Paraninfo.
Córdova, M. (2003). Estadística Descriptiva e Inferencial.
MOSHERA. Lima, Perú.
Levin, Rubin, Bohon y Ramos. (2010). Estadística para
Administración y Economía. Prentice Hall. México D.F.
Newbold, P.; Carlson, W. y Thorne, B. (2008). Estadística
para Administración y Economía. Prentice Hall. Madrid,
España.
http://slideplayer.es/slide/3334848/