Estadística Descriptiva e Inferencial. Manuel Córdova.

(2003). 5ta ed.

Capítulo: 5 2017-2
danielmavila@yahoo.es
Principio multiplicativo (ilustración gráfica)
a1 a2

b1 b2 b3 b1 b2 b3

c
c1 c2 c 1 c2 c1 c2 c1 c 2 c1 c 2 1
c2

El primer elemento puede escogerse de dos

formas distintas: a1 y a2.
El segundo de tres maneras distintas: b1, b2 y b3.
El tercer elemento puede escogerse en dos modos
distintos: c1 y c2.
El total de posibilidades será: 2 . 3 . 2 = 12
You are eating at Ugly Betty’s restaurant and the waiter informs
you that you have (a) two choices for appetizers: soup or juice;
(b) three for the main course: a meat, fish, or vegetable dish; and
(c) two for dessert: ice cream or cake. How many possible
choices do you have for your complete meal?

El total de posibilidades será: 2 . 3 . 2 = 12

 Regla del producto o principio multiplicativo
Si una elección tiene m alternativas posibles y otra n,
entonces la realización de ambas tiene m x n.
A y B juegan 2 partidas de ajedrez, cuántos resultados posibles
se pueden dar?
Respuesta: a) 4 b) 2 c) 9 d) 8 e) 6 f)No sé jugar
Indica el espacio muestral:
{ }

En las tarjetas de débito la contraseña tiene que estar compuesta

por cuatro dígitos. ¿Cuántas contraseñas diferentes puede
generar un tarjetahabiente?
Respuesta: ___________
 ¿Cuántas fotogra-
fías distintas pode-
1 3 mos hacer cambian-
2 do de posición a los
personajes de Star
4 6 Treck: La nueva
5 7 generación?
¿Cuántas permuta-
ciones son posibles?

7  6  5  4  3  2  1  5040
1 2 3 4 5 6 7

7!  5040
Ejemplo. Supongamos que los siete personajes se hacen
fotografías en fila en todas las permutaciones posibles. ¿En
cuántos casos Data y Picard aparecen juntos?

Pensemos que Data y Picard son siameses o que van dentro de

un saco. El número de posibles fotografías sería 6! = 720.

Pero además, para cada una de esas fotografías, Data puede

estar a la derecha o a la izquierda de Picard. Luego el
resultado es 2! · 6! = 1440.
 Permutaciones (sin repetición)
Dados n objetos distintos, llamamos permutación a una
ordenación particular de los n objetos en una fila.

El número de permutaciones de n objetos diferentes

tomados todos a la vez es n! (se lee “n factorial” o
“factorial de n”).

Usando la regla del producto: hay n posibles objetos

para la primera plaza de la fila, n - 1 objetos posibles
para ocupar la segunda, etcétera.

Pn  n  (n  1)  ( n  2)    3  2  1  n !
 Permutaciones circulares
Son las diferentes permutaciones que
pueden formarse con n objetos distintos,
donde no hay ni primero ni último objeto, ya
que todos forman un “círculo”.
El total de permutaciones “circulares” es:
= (n – 1) !
 Variaciones con repetición
Según la regla del producto, las maneras de escoger r
elementos de entre un total de n en un determinado orden, y
con la posibilidad de repetir los elementos en cada elección,
son:

n · n · n · ...· n  n r

Esta expresión se conoce como variaciones con repetición y

se representa como:

VRn,r  n r

Se lee: “variaciones con repetición de n elementos tomados de r en r”.

 Variaciones con repetición...
¿Cuántos números de tres cifras significativas se pueden
formar con las nueve cifras del sistema decimal 1; 2; 3; … 9?
¿Y si admitimos el 0?
Al tratarse de números el orden importa y además nos
dicen que las "cifras se pueden repetir”:

VR9,3  9  729
3

Si admitimos el 0, como primera opción seguimos teniendo

9 números. Pero ahora como segundo número podemos usar
también el 0, luego tenemos 10 posibles candidatos e ídem
para el tercero:

9 10 10  900

 Combinaciones (sin repetición)...
¿Cuántas posibles configuraciones de r elementos
podemos construir desde un conjunto de n elementos
diferentes, sin que importe el orden y no sea posible la
repetición?

Si el orden importara tendríamos n · (n-1) ·.....· (n - r + 1)

posibilidades. Las podemos partir en clases, de forma que
en cada clase estén aquellas configuraciones que sean las
mismas salvo el orden. Como hemos escogido r elementos,
cada clase estará formada por las r! formas distintas de
ordenar esos elementos:

 n n!
C  C (n, r )    
r

 r  r!(n  r )!
n
 Combinaciones (sin repetición)...
Ejemplo.
¿Cuántos grupos de cinco alumnos pueden formarse con los 30
alumnos de una clase? (Un grupo es distinto si se diferencia por
lo menos en un alumno).

No importa el orden. No pueden haber dos alumnos iguales

(no hay clones) en un grupo, luego no hay repetición.

 30  30!
C (30,5)      142 506
 5  5!(30  5)!
Ejercicios.
1) El Consejo de Fondos de Inversión de la UVAB (Universidad
Vocé A. Busó) está compuesto por nueve miembros y entre sus
miembros eligen a los integrantes de dos comités. Cada año, se
elige un comité de tres personas para supervisar la construcción
de edificios y otro comité para supervisar el desarrollo
académico, compuesto por un presidente, un vicepresidente y un
secretario. Responde:
a.- Cuando el Consejo elige el Comité de Construcción de
Edificios, ¿cuántos distintos comités son posibles?
b.- Cuando el Consejo elige el Comité Académico ¿cuántas
diferentes listas de candidatos son posibles?
Nota. Asumir que un padre de familia no puede pertenecer a
los dos comités.
Alternativas:
a) 84 y 504 b) 84 y 120 c) 120 y 720 d) 20 y 504 e) n.
2) ¿Importa el orden en que se eligen los comités?
3) ¿Cuántas manos distintas pueden darse a cuatro
jugadores con cinco cartas cada uno y una baraja de 52
cartas?

El primer jugador puede recibir C(52; 5) manos

distintas.
Una vez el primer jugador tiene su mano el
segundo puede recibir C(47; 5) manos distintas
(cinco cartas de las 47 restantes).
El tercero C(42; 5) y el cuarto C(37; 5).
 ...
Por la regla del producto tendremos un total de:

52! 47! 42! 37!

C (52,5)C (47,5)C (42,5)C (37,5)    
5!47! 5!42! 5!37! 5!32!

52!
  1.478.262. 843.475.64 4.020.034. 240  1.5  10 24
5! 5! 5! 5! 32!
4) ¿De cuántas maneras distintas podemos pintar una
tira de cinco casillas, pintando dos de rojo y tres de
azul?

Respuesta:
Combinaciones de 5 elementos
tomados de 2 en 2.
O también combinaciones de 5
elementos tomados de 3 en 3:

C(5,2) = C(5,3) = 10.

 Cine
5) ¿Cuántos caminos
distintos podemos
recorrer desde el
hogar al cine? (Cada
movimiento debe
acercarnos al cine). Hogar,
dulce hogar
Solución.
Cualquier posible recorrido consiste en 8 movimien-
tos a la derecha (1) y 4 movimientos hacia arriba (0).
La solución es: (011010111110)
Ejemplo.
¿Cuántas soluciones tiene la ecuación diofántica (solo
el número de soluciones enteras):
x1  x2  x3  11
donde x1, x2 y x3 son enteros no negativos?
Solución:
Tenemos que seleccionar un total de 11 objetos (unidades) para
formar 3 conjuntos (3 números). Es equivalente a pintar 11 bolas
con 3 colores. En cada selección tenemos x1 elementos en el
primer conjunto, x2 elementos en el segundo conjunto y x3
elementos en el tercero. El número de soluciones posibles es:

CR(3+11-1;11) = 78
Ejercicio.
La empresa agroindustrial Palta de Respeto SAC va a distribuir tres
premios entre sus 10 principales clientes. Averigua de cuántos
modos puede hacerse si:
a) los premios son diferentes y un mismo cliente no puede recibir
más de un premio;
b) los premios son diferentes y un mismo cliente puede recibir
más de un premio;
c) los premios son iguales y un mismo cliente no puede recibir
más de un premio;
d) los premios son iguales y un mismo cliente puede recibir más
de un premio;
Alternativas:

a. 720; 120; 1000 y 220

b. 220; 1000; 120 y 720
c. 120; 720; 220 y 1000
d. 220; 1000; 720 y 120
e. 720; 1000; 120 y 220
 ¿Qué es un experimento?
El término experimento puede verse de dos maneras:

(a) De manera general, se puede decir que consiste en

ejecutar una acción y observar las consecuencias.
Así hablaríamos de experimentar cuando
mezclamos sustancias químicas y observamos la
reacción de este hecho o cuando cambiamos de
forma de vestir y vemos el efecto que provoca
sobre nuestros amigos. En esta idea de experimento
observamos que hay una manipulación intencional
de una acción para analizar las posibles
consecuencias.
 ¿Qué es un experimento?...

(b) De manera particular o científica, se

refiere a un estudio de investigación en el
que se manipulan deliberadamente una o
más variables independientes (supuestas
causas) para analizar las consecuencias
que la manipulación tiene sobre una o
más variables dependientes (supuestos
efectos), dentro de condiciones contro-
ladas por el investigador.
 ¿Qué es un experimento?...

Siempre y cuando se pueda repetir un experimento bajo las

mismas condiciones y se obtenga los mismos resultados se
estará en presencia de un fenómeno de naturaleza
determinista. Serán fenómenos deterministas los siguientes:

- El modelo matemático de la ley de Ohm.

- Al conectar 1 voltio a los terminales de una
resistencia de 1 ohm se establecerá una corriente por
ella, que será siempre igual a 1 amperio.
- Las leyes de Kepler.
- Las leyes gravitacionales de Newton.
- Al soltar un cierto objeto desde una cierta altura y
observar la dirección del movimiento ulterior del
objeto, el resultado será siempre la dirección de la
vertical.
 Experimento aleatorio

Entenderemos por experimento aleatorio cualquier

situación que, realizada en las mismas condiciones,
proporcione un resultado imposible de predecir a priori.
Por ejemplo:
• Extraer una carta de una baraja.
• Extraer muestras del concreto a usar en un vaciado de
techo
• Determinar la capacidad emprendedora de un grupo de
estudiantes
 Sucesos o eventos
• Cuando se realiza un experimento aleatorio
diversos resultados son posibles. El conjunto de
todos los resultados posibles se llama espacio
muestral (Sample space): E, U, Ω, S.
• Experimento aleatorio: lanzar un dado. El espacio
muestral E = {1; 2; 3; 4; 5 y 6}. (Notación del
algebra de eventos)

• Muestra el Ω del experimento de lanzar una

moneda tantas veces como sea necesario hasta
que aparezca cara.
 Sucesos o eventos...

Se llama suceso o evento a un subconjunto

de dichos resultados. Distinguiremos entre
sucesos simples (o indivisibles) y compues-
tos (o divisibles):
– Sucesos simples, son aquellos que
comprenden un solo punto muestral.
– Sucesos compuestos, son los que englo-
ban más de un punto del espacio mues-
tral. Todo suceso compuesto se puede
considerar como unión de puntos del
espacio muestral o unión de sucesos
simples.
 Sucesos o eventos...

S uc es os S uc es os
E xperimento
elementales c ompues tos
Número par:
número impar;
T irar un dado (1,2,3,4,5,6)
menor que 4;
múltiplo de 3
C ontar los
Sucesos o eventos
varones en (...) Más de uno; menos
(0,1,2,3)
familias con tres de tres )
hijos
C ontar el número
Más de 10; menos
de averías de
(0,1,...30) de 20; entre 5 y 15
una máquina en
inclus ive)
un mes
 Sucesos o eventos...

Se llama suceso complementario de un

suceso A (Ac, Ā o A’), al formado por los
elementos que no están en A.
Por ejemplo: sobre el experimento de lanzar
un dado el suceso A: “que el resultado sea
par”.

Ac será: “que el resultado sea impar”:

Ac = {1; 3 y 5}.
Se realiza el experimento aleatorio consistente en lanzar una
moneda. Si sale cara, se extrae una bola de una urna que
contiene una bola azul y tres bolas rojas, y si sale cruz, se
extrae una bola de otra urna que contiene una bola roja y dos
verdes. ¿Cuál es el espacio muestral E de dicho experimento
aleatorio?
E = {(C,R), (C,A), (+,R), (+,V)}
Ejemplo de espacio muestral.
• Producir 20 cilindros (pilotes, testigos) de
concreto bajo condiciones idénticas de
manufactura y contar los cilindros cuya
resistencia a la compresión sea mayor que 200
kg/cm2. El espacio muestral es el conjunto S =
{0; 1; 2 … 20}
Ejercicio 1.
• Un experimento consiste en seleccionar tres piezas en
un proceso manufacturero y observar si son defectuosas
D o no defectuosas D’.
– Enumera todos los elementos del espacio muestral.
– Enumera los elementos contenidos en el suceso de
que el número de piezas defectuosas sea cero.
Ejercicio 2.

Una bolsa contiene bolas negras y rojas. Se extraen

sucesivamente tres bolas. Obtener:
a) El espacio muestral.
b) El suceso A = {extraer tres bolas del mismo color}
c) El suceso B = {extraer, al menos, una bola negra}
d) El suceso C = {extraer una sola bola negra}
e) Calcula las probabilidades de los sucesos A, B y C.
 Sucesos o eventos...

Se llama suceso unión de A y B (A  B) al formado por los

resultados experimentales que están en A o en B (incluyendo
los que están en ambos).

Se llama suceso intersección de A y B (A  B), al formado

por los resultados experimentales que están simultáneamente
en A y B. Dos sucesos son mutuamente excluyentes si A 
B = Ø, donde Ø es el conjunto vacío.
 Ejemplos de sucesos mutuamente excluyentes
• Comprar máquina nueva o de segunda
• Edificación con cemento y ladrillo o con concreto armado
• Comprar máquina para aumentar el volumen de
producción o para mejorar la calidad.
• Iluminación con focos incandescentes, focos fluorescen-
tes, iluminación LED (diodo emisor de luz), focos ahorra-
dores.
• Diversificar la producción o no.
• Deshidratar frutas: a) Método al aire libre como
desventaja quita algunas propiedades a la fruta. b)
Liofilización congelar la fruta gradualmente para que no se
desintegre a temperaturas que se inician en los 21°C y
pueden llegar a fríos extremos como los 40°C bajo 0. luego
la fruta congelada se introduce en una cámara al vacío
donde se modifica la presión atmosférica para que el
producto pase por un proceso de sublimación. Esto
permite extraer toda la humedad que puede contener la
fruta, conservando su sabor, color y textura.
 Sucesos o eventos...
Observemos que un suceso y su complementario
son siempre mutuamente excluyentes y su unión
es todo el espacio E.
A  Ac = Ø, A  Ac = E
La unión y la intersección de múltiples sucesos
se define:
m
 A j  A1  A 2    A m
j1

m
 Aj  A1  A2    Am
j 1
 Diagramas de Venn

A A
B B

E E

Unión A  B Intersección A  B

A
1
5 3
6
2
B 4
E
A={1; 3 y 5}, B={5 y 6}
E={1; 2; 3; 4; 5 y 6}
Sigamos con el experimento de lanzar un dado.
Sucesos:
A= {Se obtiene un número impar}
B= {Sale un número mayor que 4}
Se presentarían los casos siguientes:
Ac ={2; 4; 6}
Bc ={1; 2; 3; 4}
A  B ={1; 3; 5; 6}
A  B = {5}
(A  B)c ={2; 4}
(A  B)c = {1; 2; 3; 4; 6}
Ejercicio.
Sean A, B y C tres sucesos simples de un mismo
experimento aleatorio. Se consideran los siguien-
tes tres sucesos compuestos:
E1 = “al menos dos de los tres sucesos ocurren”
E2 = “exactamente dos de los tres sucesos existen”
E3 = “no más de dos sucesos ocurren”

Expresa Ei en función de los sucesos A, B y C.

Otros tipos de diagramas:

• Diagramas de Euler
• Diagrama de Johnston
• Mapa de Karnaugh
• Diagrama de Peirce
• Diagrama Lewis Carrol
• Diagramas de Venn de Edwards
 Probabilidad

Hay tres grandes conceptos:

1. Clásica o de Teoría de Juegos

2. Estadística o frecuentista
3. Subjetiva o grado de creencia
 Cuatro tipos de probabilidad

Marginal Unión Conjunta Condicional

P( X) P( X  Y ) P( X  Y ) P( X | Y )
La probabilidad La probabilidad La probabilidad La probabilidad
de que ocurra de que ocurra de que ocurra de que ocurra
X XoY XeY X sabiendo que
ha ocurrido Y

X X Y X Y X
Y
 Probabilidad clásica

Laplace define la probabilidad de un suceso A como

el cociente (Regla (Ley, Probabilidad) de
Laplace):
Número de casos favorables
P( A) 
Número de casos posibles

Por ejemplo, si con un determinado tipo de mezcla de concreto

se hacen n probetas para obtener un valor de f'c (resistencia del
concreto), en la expresión P(f'c = 210 kg/cm2) = 0,80 se presume
que 0,8n probetas tendrán un valor de f'c=210 kg/cm2, y que las
0,2n restantes, tendrán un valor diferente.
En el lanzamiento de un dado: ¿Cuál es la
probabilidad de A = un número mayor o igual
a 5? ¿Y la probabilidad de B = número impar?

Solución: Los seis casos posibles son igualmen-

te probables, cada uno tiene probabilidad de 1/6.

P(A) = 2/6 = 1/3 pues A ={5,6} tiene dos casos

favorables.
P(B) = 3/6 = 1/2 pues B = {1, 3, 5} tiene tres
casos favorables
 Definición axiomática de probabilidad

Se llama probabilidad a cualquier función

P que asigna a cada suceso A del espacio
muestral E un valor numérico P(A),
verificando los siguientes axiomas:

(1) No negatividad: 0 ≤ P(A)

(2) Normalización: P(E) = 1

 Reglas de adición de la probabilidad
Dos o más eventos son mutuamente excluyentes si cuando se da uno
de ellos, esto implica que no se dan los demás.
Sean A y B son eventos mutuamente excluyentes entonces A ∩ B =
vacío.
Por ejemplo, en el espacio muestral de los resultados de tirar un dado,
el suceso que salga un número par y el suceso que salga un número
impar son sucesos mutuamente excluyentes.
Para encontrar la probabilidad de que ocurra el evento E1 o el evento
E2 o ambos:
a) Eventos mutuamente excluyentes:

P(E1 o E2) = P(E1  E2) = P(E1) + P(E2)

b) Eventos que no son mutuamente excluyentes:

P(E1 o E2) = P(E1  E2) = P(E1) + P(E2) – P(E1E2)

 Independencia de eventos

Los sucesos A y B serán independientes entre sí, cuando la

ocurrencia de B no influye en la probabilidad de A o viceversa.
Los eventos independientes también son llamados:
estadísticamente independientes, estocásticamente independientes,
independientes en el sentido probabilístico.
Si los sucesos A y B son mutuamente excluyentes no
necesariamente son eventos independientes.

P( A | B)  P( A) o P( B | A)  P( B)

Entonces: P( A  B)  P( A) P( B)
 Independencia de eventos (I)
Experimento: Lanzamos dos dados, uno de color amarillo y
otro de color blanco.
 Independencia de eventos (II)

Verificación de la independencia de los sucesos A y B

Sea el suceso A = “el dado amarillo sale 1” y el suceso B =

“el dado blanco sale 1”.
Se sabe que P(A) = 1/6
1
P( A  B) 36 1
P( A | B)   
P( B) 1 6
6
Por lo tanto A y B son sucesos independientes
 Independencia de eventos (III)
Verificación de la independencia de los eventos A y C

Sea el suceso C = “la suma de los dos dados es 3” ¿Afecta

el suceso A = “que el dado amarillo salga 2” a la probabi-
lidad de C?

1
P(C  A) 36 1 2
P(C | A)     P (C ) 
P( A) 1 6 36
6

Por lo tanto A y C no son sucesos independientes

 Independencia de m sucesos
m sucesos A1...., Am se llaman independientes si:

P(A1  ...  Am) = P(A1) ... · P(Am)

y además para cada posible subconjunto de k sucesos:

P(Aj+1  ...  Aj+k) = P(Aj+1) ... · P(Aj+k)

donde j+k < m.
De modo que, p. ej. tres sucesos A, B y C son independientes si:

P(A  B) = P(A)  P(B)

P(B  C) = P(B)  P(C)
P(A  C) = P(A)  P(C)
P(A  B  C) = P(A)  P(B)  P(C)
Ejemplo. Una caja contiene 10 bolas, tres de las cuales son rojas.
Escogemos dos bolas al azar. Encuentra la probabilidad de que ninguna
de ellas sea roja si el experimento es: (a) con reemplazo y (b) sin
reemplazo.
Consideremos los sucesos:
A: Primera bola es no-roja
B: Segunda bola es no-roja

P(A) = 7/10

Si el muestreo es con reemplazo, la situación para la segunda elección

es idéntica que para la primera, y P(B) = 7/10.
Los sucesos son independientes y la respuesta es:
P(A  B) = P(A)  P(B) = 0,7  0,7 = 0,49
…

Si el muestreo es sin reemplazo, hemos de

tener en cuenta que una vez extraída la
primera bola, quedan solo 9 y 3 de las
cuales deben ser de color rojo.
P(B|A) = 6/9 = 2/3.
En este caso la respuesta es:
P(A  B) = P(A)P(B|A)
= (7/10)  (2/3)
 0.47
Ejercicio.
¿Cuántos elementos tiene el espacio muestral
asociado al experimento aleatorio de extraer al azar
tres bolas rojas de una urna que contiene seis bolas
rojas, si las extracciones se realizan:

a) A la vez
b) Una a una sin reposición
c) Una a una con reposición?

Suposición: ____________________
R. a) 20 b) 120 c) 216
Ejercicio
Supón que se lanza un dado dos veces, de modo que cada
uno de los 36 resultados posibles son equiprobables.
A, denota el suceso consistente en que la suma resulte un 3
en el primer lanzamiento. B, denotará el suceso consistente
en que la suma de los dos lanzamientos sea 8, y C,
denotará el hecho de que la suma de los dos lanzamientos
sea 7.

a) ¿A y B son independientes?
b) ¿A y C son independientes?

Explica tus respuestas.

Rpta: a) no; b)sí

 Reglas de multiplicación de la probabilidad

La probabilidad de que ocurra

conjuntamente el evento E1 y el
evento E2 será:
a) Si son eventos independientes:
P(E1 y E2) = P(E1  E2) = P(E1E2)
= P(E1) P(E2)
 Reglas de multiplicación de la probabilidad…

b) Si son eventos dependientes:

P(E1 y E2) = P(E1  E2) = P(E1E2)

= P(E1) P(E2 E1)
Ejercicio. La siguiente tabla muestra la forma de pago que
efectúan los clientes de la empresa de corte de planchas
metálicas Oh My Cut, asimismo se indica la frecuencia en que
estos hacen los pedidos:
Forma de pago
Tipo de pedido Contado Crédito Total
Regular 10 15 25
Esporádico 20 155 175
Total 30 170 200

Se decide premiar a un cliente elegido aleatoriamente. Se

pide:
a) ¿Cuál es la p. de que el cliente elegido realice pedidos de
forma regular o bien utilice créditos para efectuar sus
pagos?
b) Encuentra la p. de que el cliente sorteado pague al
contado si se sabe que éste hace compras regulares.
c) Calcula la p. de que el cliente elegido realice pedidos de
forma regular y que sus pagos sean al contado.
Probabilidad de falla de un sistema eléctrico
(o hidráulico) basada en las probabilidades de
fallas de sus componentes
Un sistema eléctrico (o hidráulico) puede
considerarse como una secuencia de componentes
sobre las cuales atraviesa una corriente.
Si un componente funciona (o no falla), deja pasar la
corriente, este estado lo representaremos como un
evento Ai. Si un componente falla (o no funciona) y
no deja pasar la corriente, la representaremos por A .i
C

a) Considerando el sistema eléctrico en serie, con n

componentes, tal como aparece en la siguiente
figura:
Dirección de A1
Entrada
la corriente
A2 …. An Salida

Calcula la probabilidad que falle el sistema.

 Probabilidad de falla de...

b) Considerando el siguiente sistema eléctrico en

paralelo, con n componentes:

A1

Dirección A2
Entrada de la Salida
corriente

An

Calcula la probabilidad de falla del sistema,

considerando que las p. de que los componentes
permitan el fluido eléctrico no son m.e.
Ejemplo
Considerando el siguiente sistema o circuito:

A1 C1

Entrada B D Salida

A2 C2

Calcula la probabilidad que el sistema funcione, si P(A1) =

P(A2) = P(B) = ½; P(C1) = P(C2) = P(D) = ¼.

Propuesta de solución:

P({funcion e el sistema})  PA1  A2   B  C1  C2   D 

Respuesta: 0,041015
 Ejemplo de probabilidades
A Ac
Nombre Sexo Edad Sucesos
Zoylo H 18 A = ser hombre (H)
Linda M 19
4 2
B = edad 20
Rosario H 19 B
Hermeli M 20
nda 6
Bc 2
Natacha M 21
Jesús H 20 Probabilidades
Olinda M 21 P(A) = 6/14 = 0.43 = 43%
Celinda M 21 P(B) = 6/14 = 0.43 = 43%
Yuri H 22 P(A  B) = 4/14 = 0.29 = 29%
Mario H 19 P(A B) = P(A) + P(B) - P(A  B)
Mario H 18 6/14 + 6/14 - 4/14 = 0.43+ 0.43 - 0.29 = 0.57
María M 21
P(AB) = 4/6 = 0.67
Ruperta M 21
Baltazar M 18 P(A’B’ ) =
Ejemplo Circuito
P {circuito integrado sujeto a altos niveles de contaminación
sea la causa de una falla en un producto} = 0.10
P {circuito integrado que no está sujeto a altos niveles de
contaminación sea la causa de la falla} = 0.005
El 20% de la producción está sujeta a altos niveles de
contaminación.

¿Cuál es la probabilidad de que un producto que utilice alguno

de estos circuitos integrados falle?

A: {el circuito está expuesto a altos niveles de contaminación}

F: {el producto falla}

A': {el circuito no está expuesto a altos niveles de contamina-

ción}
Ejemplo Circuito…

P(F|A) = 0.1
P(F|A') = 0.005
P(A) = 0.2
P(A') = 1-0.2 = 0.8
P(F) = P(F ∩ A) + P(F ∩ A')
P(F) = P(F|A)P(A) + P(F|A')P(A')
P(F) = (0.1)(0.2) + (0.005)(0.8)
P(F) = 0.024
Ejemplo Circuito…
Ejercicio.
La probabilidad de que falle un conector eléctrico durante el
periodo de garantía es 1%. Si el conector se humedece la
probabilidad de falla durante la garantía es 5%. Si el 90% de
los conectores se mantienen secos y el 10% se humedece,
¿qué proporciones de los conectores fallará durante el
periodo de garantía?

Solución:
Seco: P(F|E1) = 0.01, P(E1) = 0.9
Húmedo: P(F|E2) = 0.05, P(E2) = 0.1

P(F) = P(F|E1)P(E1) + P(F|E2)P(E2)

P(F) = (0.01)(0.9) + (0.05)(0.1)
P(F) = 0.014
 Intuir la probabilidad condicionada

A A

B
B

P(A) = 0,25 P(A) = 0,25

P(B) = 0,10 Datos P(B) = 0,10
P(A ∩ B) = 0,10 P(A ∩ B) = 0,08
¿Cuál es la probabilidad de A sabiendo que ha ocurrido B?
P(A|B) = 1 P(A|B) = 0,8
 Intuir la probabilidad condicionada (...)

A A

B
B

P(A) = 0,25 P(A) = 0,25

P(B) = 0,10 P(B) = 0,10
P(A ∩ B) = 0,005 P(A ∩ B) = 0
¿Cuál es la probabilidad de A sabiendo que ha pasado B?
P(A|B) = 0,05 P(A|B) = 0
 Probabilidad condicionada

Se llama probabilidad de A condicionada a B, o

probabilidad de A sabiendo que pasa B:

E espacio muestral
P( A  B )
P( A | B )  A
P( B )
B

 Error frecuentísimo:
 No confundas probabilidad condicionada con
intersección.
 En ambos medimos efectivamente la intersección,
pero …
 En P( A ∩ B) con respecto a P (E) =1
 En P( A | B) con respecto a P (B)
 Probabilidad condicionada (...)
Ejemplo. ¿Cuál es la probabilidad de que una carta escogida al azar sea
un as sabiendo que es roja?
Color
Palo Rojo Negro Total
As 2 2 4
No-As 24 24 48
Total 26 26 52

Espacio restringido
P( As  Rojo ) 2 / 52 2
P( As | Rojo )   
P( Rojo ) 26 / 52 26
¿Y la probabilidad de que una carta escogida al azar sea roja
sabiendo que es un as?
 Sistema exhaustivo y excluyente de sucesos

A1 A2
Se trata de una colección de
sucesos A1, A2, A3, A4 tales
que la unión de todos ellos
forman el espacio muestral, y
sus intersecciones son disjuntas.
A3 A4
Ejercicio

Se lanza un dado. Considerar los sucesos

A = {2, 4, 6}, B = {1, 2} y C = {1, 2, 3, 4}.
Halla:
a) P(A∩ B); P(A∩C).
b) P(A | B); P(B | A).
c) P(A | C); P(C | A).
d) P(B’ | C’); P(𝐶 | 𝐵).
 Teorema de la probabilidad total
Si conocemos la probabilidad
A1 A2 de B en cada uno de los
componentes de un sistema
exhaustivo y excluyente de
sucesos, entonces podemos
B calcular la probabilidad de B
como la suma:

A3 A4

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

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

 Ley de probabilidad total
Supongamos que A1, A2, ... ,An son una partición de E, es
decir que los sucesos son mutuamente excluyentes entre
sí (AiAj= para todo par) y su unión es E entonces:

n
A1 A2 P( B)   P( B  Ai )
i 1

B n
P( B )   P ( B | Ai ) P( Ai )
i 1
A3 A4
Ejemplo: En una aula el 70% de los alumnos son hombres.
De ellos el 10% son fumadores. El 20% de las mujeres son
fumadoras.
¿Qué porcentaje de fumadores hay en total?

Podemos aplicar la ley de Hombres no fumadores

la probabilidad total: Mujeres
no
Hombres y mujeres forman
fumadoras
un sistema exhaustivo y
excluyente de sucesos.

Mujeres
Hombres fumadores fumadoras
 Solución
Fuma
0,1

Hombre
0,7
No fuma
0,9
Estudiante

0,2
0,3 Fuma
Mujer

0,8
No fuma

F y H son eventos dependientes

P(F) = P(F∩H) + P(F∩M) = P(H) P(F|H) + P(M) P(F|M)
= 0,7 *0,1 + 0,3*0,2 = 0,13
 Teorema de la probabilidad complementaria

¿Sabiendo la probabilidad P(A) de un suceso A,

cuál será la probabilidad de su complemento
P(Ac)?

Para un suceso A y su complementario Ac en el

espacio muestral E:

P(Ac) = 1 - P(A)
Ejemplo 1
Cinco monedas se lanzan simultáneamente.
Encuentra la probabilidad del suceso A: Al menos
sale una cara.
Asume que las monedas no están cargadas.
Solución: Puesto que cada moneda puede
aparecer como cara o cruz, el espacio muestral
consiste en 25 = 32 posibilidades. Como las
monedas no están cargadas cada posibilidad
tiene la misma probabilidad de 1/32.
El suceso Ac (ninguna cara) tiene solo una posibili-
dad. Entonces P(Ac) = 1/32 y la respuesta es:

P(A) = 1 - P(Ac) = 31/32.

 Otras maneras de visualizar sucesos
Tabla de probabilidad conjunta, Tabla de doble entrada
Tabla de probabilidad conjunta. Es aquella en la cual
se enlistan como encabezados de renglón todos los
posibles eventos (o resultados) para una variable;
como encabezados de columnas se enlistan todos
los posibles eventos para una segunda variable, y el
valor que se anota en cada una de las celdas de la
tabla es la probabilidad de su ocurrencia conjunta.

La tabla de frecuencias de ocurrencia conjunta que

puede servir como base para construir una tabla de
probabilidades conjuntas se denomina Tabla de
Contingencia, Tabla r x c, Tabla cruzada o también
tabulación cruzada.
Ejemplo

El supermercado La Cutra SA ha tomado, el mes pasado,

los datos de una muestra de sus clientes y los resultados se
muestran en la tabla de contingencia siguiente:

Tabla de contingencia para clientes de La Cutra SA

Edad Hombre Mujer Total

< 30 60 50 110
> = 30 80 10 90
Total 140 60 200

Elabora la tabla de probabilidad conjunta

Tabla de probabilidad conjunta de clientes de La
Cutra SA (Complétala).

Edad Hombre Mujer Probabilidad

marginal

< 30 0,30

> = 30

Probabilidad 0,70 0,30 1,00

marginal
Ejercicio.
La compañía de seguros Esther Minio realiza una investigación sobre
la cantidad de partes de siniestro fraudulentos presentados por los
asegurados. Clasificando los seguros en tres clases, incendio,
automóvil y "otros", se obtiene la siguiente relación de datos:
El 6% son informes por incendio fraudulentos; el 1% son informes de
automóviles fraudulentos; el 3% son "otros" partes fraudulentos; el
14% son partes por incendio no fraudulentos; el 29% son partes por
automóvil no fraudulentos y el 47% son "otros" partes no
fraudulentos.

Elabora la tabla de contingencia correspondiente y responde:

(a) ¿Cuál es la probabilidad de que un parte escogido al azar sea
fraudulento. (b) ¿Cuál será, en cambio, la probabilidad de que el
informe sea fraudulento si se sabe que es de la rama de incendios?
Rpta. (a) 10% (b) 0,3
 Diagrama de árbol
Árbol de Probabilidad para experimentos sucesivos
Representa visualmente los eventos secuencia-les y sus
probabilidades marginales, condiciona-les y conjuntas.
Cada rama completa del diagrama del árbol se llama
trayectoria y representa un posible resultado del
experimento. En cada segmento que une la secuencia de
experimentos se pone sus respectivas probabilidades.

Supón que el 80% de los clientes del Restaurante Ugly

Betty escogen sopa como entrada y el 20% zumo. De los
que escogen sopa, el 20% eligen vegetales, el 30%
pescado y el 50% carne. De los que escogieron zumo, es
el 30%; 40% y 30% para vegetales, pescado y carne
respectivamente.
Podemos utilizar estos valores para estimar las
probabilidades de los dos primeros platos usando un
diagrama de árbol.
 Componentes del diagrama de
árbol
Eventos: Son variables que no están bajo
nuestro control.

Notaci
ón:
Decisiones: Son variables que están bajo
nuestro control.

Notaci
ón:
(Evento) (Probabilidad)
Definición frecuentista de probabilidad
Si un experimento aleatorio puede repetirse
muchas veces en idénticas condiciones (en teoría)
podemos determinar la frecuencia relativa de la
ocurrencia de un suceso. Si el número de intentos
es m y el número de ocurrencias de A es m(A)
entonces la probabilidad de A es el límite:

m( A)
P( A)  lim
m m
 Definición geométrica de probabilidad

Área de B
P( B) 
Área del cuadrado

La Probabilidad Geométrica fue desarrollado por

George Leclerc, es otra forma de ver la probabilidad
usando la geometría.
Ejemplo. A y B se citan entre las 21:00 y las
22:00 horas. Ninguno de ellos tiene la costumbre
de ser puntual. Así que, el primero que llega
esperará 20 minutos y se irá ¿Cuál es la probabili-
dad de que se produzca el encuentro?

E  {( x1 , x2 ) : 0  x1  60, 0  x2  60}

x2  x1  20
  x2  x1  20
x1  x2  20
 S ( y ) 60 2  40 2 5
P( y )   2

S(E) 60 9
X2 = B

x 2  x1  20
60 min•
Ω=E
x 1  x 2  20
A
20 min •

• • X1 = A
21:00 20 min 60 min
Ejercicio. Si un dardo se clava de manera aleatoria en
el objeto cuadrado que se muestra ¿cuál es la probabi-
lidad que caiga en el área sombreada.

4 cm
4 cm
 Probabilidad a priori y a posteriori

Si se sabe que B ha ocurrido, es frecuente

interpretar P(A) como la probabilidad a priori
de A y P(A|B) como la probabilidad a
posteriori de A (posterior al conocimiento de
la ocurrencia de B)
 Teorema de Bayes

Si conocemos la probabilidad de B en
cada uno de los n componentes de un
A1 A2 sistema exhaustivo y excluyente de
sucesos, entonces…

…si ocurre B, podemos calcular la

probabilidad (a posteriori) de ocurren-
B cia de cada Ai, (i = 1, 2, ... , n):

P(B  Ai )
P(Ai|B) 
A3 A4
P(B)

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

probabilidad total: n
P( B)   P( B  Ai )
i 1
 Teorema de Bayes (...)
Fuma
0,1
Ejemplo. Se elige a un
Hombre individuo al azar y
0,7
No fuma resulta fumador ¿Cuál
0,9
Estudiante es la probabilidad de
que sea mujer?
0,2
0,3 Fuma
Mujer

0,8
No fuma

Aplicando el Teorema de Bayes:

P(M) = 0,3; P(F) = 0,13
P(M|F) = P(F ∩ M)/P(F) = P(F|M) P(M) / P(F) =
= 0,2·0,3 / 0,13 = 0,46
Ejercicio. La fábrica NN (Nomen Nescio) posee cuatro
máquinas para producir pernos de túnel: M1, M2, M3 y M4.
Las proporciones de producción son las siguientes: M1
produce el doble de M4, en tanto M3 produce el triple de
M4, mientras que M1 produce la mitad de M2. Las
producciones no defectuosas son 95%, 95% y 90% para
M1, M2 y M3 respectivamente.
Se elige al azar un perno de túnel (perno de roca) de la
producción de un día y se encuentra que la probabilidad
de que resulte no defectuoso es de 0,93; contesta:

a) ¿Cuál es el % de producción no defectuosa de M4?

Respuesta: 90%
b) ¿De qué máquina es más probable que provenga un
perno defectuosos?
Respuesta: M3 (42,86% p. de que siendo defectuoso haya sido producido por
M3, 3% del total de defectuosos)
 Ejemplo de pruebas diagnósticas: Diabetes
• Los carbohidratos ingeridos terminan como glucosa en la sangre. El exceso se
transforma en glucógeno y se almacena en hígado y músculos. Este se
transforma entre comidas de nuevo en glucosa según necesidades.

• La principal hormona que regula su concentración es la insulina. La diabetes

provoca su deficiencia o bien la insensibilidad del organismo a su presencia.
Es una enfermedad muy común que afecta al 2% de la población
(prevalencia)

• Una prueba común para diagnosticar la diabetes, consiste en medir el nivel de

glucosa. En individuos sanos suele variar entre 64 y 110 mg/dL.
– El cambio de color de un indicador al contacto con la orina suele usarse
como indicador (resultado del test positivo)

• Valores por encima de 110 mg/dL se asocian con un posible estado pre-
diabético.
– Pero no es seguro. Otras causas podrían ser: hipertiroidismo, cáncer de
páncreas, pancreatitis, atracón reciente de comida …
• Supongamos que los enfermos de diabetes, tienen un valor medio de 126
mg/dL.
Funcionamiento de la prueba diagnóstica de glucemia
• Valor límite: 110 mg/dL
– Superior: test positivo.
– Inferior: test negativo.
Probabilidad de acierto:
– Para enfermos
• Verdadero positivo
(sensibilidad)
– Para sanos
• Verdadero negativo
(especificidad)
Probabilidad de error
– Para enfermos
• Falso –
– Para sanos
• Falso +
 ¿Cómo definir el punto de corte de la prueba diagnóstica?

No es simple. No es posible aumentar sensibilidad y especificidad al

mismo tiempo. Hay que elegir una solución de compromiso: Aceptable
sensibilidad y especificidad.
Una prueba diagnóstica ayuda a mejorar una estimación de la probabilidad
de que un individuo presente una enfermedad.
En principio tenemos una idea subjetiva de P(Enfermo). Nos ayudamos de:
– Incidencia: Porcentaje de nuevos casos de la enfermedad en la
población.
– Prevalencia: Porcentaje de la población que presenta una enfermedad.
Para confirmar la sospecha, usamos una prueba diagnóstica. Ha sido
evaluada con anterioridad sobre dos grupos de individuos: sanos y
enfermos. Así de modo frecuentista se ha estimado:
– P(+ | Enfermo)= Sensibilidad (verdaderos +) = Tasa de acierto sobre
enfermos.
– P(- | Sano) = Especificidad (verdaderos -) = Tasa de acierto sobre
sanos.
A partir de lo anterior y usando el teorema de Bayes, podemos calcular
las probabilidades a posteriori (en función de los resultados del test):
Índices predictivos
– P(Enfermo | +) = Índice predictivo positivo
– P(Sano | -) = Índice predictivo negativo
Los coeficientes falso-positivo y falso-negativo de las pruebas diagnósticas
son probabilidades condicionadas
 Pruebas diagnósticas: aplicación T. Bayes
Sensibilidad, T+
P. a priori de enfermedad: verdaderos +
incid., preval., intuición,…
Enfermo

Falsos - T-
Individuo
Falsos +
T+
Sano

Especificidad, T-
Verdaderos -
 Ejemplo: Índices predictivos
Individuo

• La diabetes afecta al 2% 0,98 0,02

de los individuos.
• La presencia de
glucosuria se usa como
indicador de diabetes.
• Su sensibilidad es de
0,945.
• La especificidad es 0,977 0,023
0,055 0,945
0,977.
• Calcular los índices
predictivos + y -. T- T+ T- T+

P( Sano T ) P( Enf  T  )
P( Sano | T )  P( Enf | T ) 
P( Sano T )  P( Enf  T ) P( Enf  T )  P( Sano T  )
0,98  0,977 0,02  0,945
  0,999   0,456
0,98  0,977  0,02  0,055 0,02  0,945  0,98  0,023
 Observaciones -¿Qué probabilidad
tengo de estar
• En el ejemplo anterior, al llegar un enfermo?
individuo a la consulta tenemos una
- En principio un 2%. Le
idea a priori sobre la probabilidad de haremos unas pruebas.
que tenga una enfermedad.

• A continuación se le pasa una

prueba diagnóstica que nos aportará
nueva información: Presenta
glucosuria o no.

• En función del resultado tenemos - Presenta glucosuria.

La probabilidad ahora
una nueva idea (a posteriori) sobre es del 45,6%.
la probabilidad de que esté enfermo.
– Nuestra opinión a priori ha sido
modificada por el resultado de un
experimento.
Ejemplo

• A un puesto aduanero llegan periódicamente misiones

diplomáticas procedentes de un determinado país y que
están constituidas por 10 miembros. El citado país es un
gran productor de marihuana, circunstancia que, de vez en
cuando, es aprovechada por sus misiones diplomáticas
para introducir alguno que otro cargamento en el país que
visitan, siendo la forma de hacerlo el que dos de los diez
miembros lleven en sus maletas la hierba.

• Los aduaneros tienen ya información del truco, pero, para

no producir incidentes diplomáticos, se limitan a
inspeccionar dos de las diez maletas dejando pasar a la
misión si en las maletas inspeccionadas no encuentran
droga. Su experiencia les dice además que el 10% de las
misiones portan la droga.
(...)
Si una misión inspeccionada no arroja resultado
positivo, ¿cuál es la probabilidad de que realmente
dicha misión no lleve droga alguna?

• Propuesta de solución
Denominaremos:
A1 al suceso “la delegación porta droga”
A2 al suceso “la delegación no lleva droga”
B al suceso “una misión inspeccionada arroja
resultado negativo”
Se conoce (…):
P ( A1 )  0,1 P( A2 )  0, 9
8   2
  
P ( B / A1 )   2  0

28
P( B / A2 )  1
 10  45
 
 2 
Se pide P(A2|B). Esta probabilidad podemos
calcularla con ayuda del teorema de Bayes:
P ( A2 ) P ( B / A2 )
P( A2 / B)   0,9353
P ( A1 ) P ( B / A1 )  P( A2 ) P ( B / A2 )
Nori Navas, agente inmobiliaria sabe por experiencia propia que el 10% de las
personas que entran al “departamento piloto” de un edificio multifamiliar y
hablan con el vendedor acaban comprando un departamento. Para aumentar
las posibilidades de éxito, Nori propone a la inmobiliaria Techamos De Menos
ofrecer una cena gratis con un agente inmobiliario a todos los visitantes que
estuvieran dispuestos a escuchar la presentación completa del vendedor que
es de 22 minutos. Se sabe que algunas personas harían cualquier cosa por
cenar gratis aunque no tengan intención de comprar un departamento. Sin
embargo, algunas personas prefieren no cenar con un agente inmobiliario.
Para comprobar la eficacia del incentivo propuesto, se puso en marcha el plan
sugerido durante seis meses en los cuales visitaron el departamento piloto
200 personas, de las cuales 72 de las personas que compraron un
departamento cenaron gratis. También cenaron gratis 2 personas que no
compraron un departamento en el edificio. Responde:
a) ¿Tienen las personas que aceptan la cena, una probabilidad mayor de
comprar un departamento?
b) ¿Qué probabilidad hay de que una persona que no acepta una cena
gratis compre un departamento?
c) Halla la p. de que una persona elegida al azar acepte la cena y compre.
 Inmobiliaria Techamos de Menos
Cena No cena Totales
Compra 72 20 92
No compra 2 106 108
Totales 74 126 200
a) 0,36 y 0,065; b) 0,36 y 0,1; c) 97,3% y 15,87%

Plantea los siguientes procedimientos para resolver el mismo

problema:
a) Diagrama de árbol
b) Teorema de Bayes