PROBABILIDAD Y ESTADÍSTICA

CLASE 2

Eventos igualmente probables:

Considere un experimento con N resultados, es decir, el tamaño del espacio muestral es igual
a N . Ası́, S = {e1 , e2 , . . . , eN }. Considere los eventos simples (con un solo elemento) dados por
E1 = {e1 }, E2 = {e2 }, . . . , EN = {eN }, entonces para un evento A se tiene que
X
P (A) = P (Ei )
Todos los ei en A

Cuando los Ei son todos igualmente probables, es decir, P (Ei ) = p para todo i = 1, . . . , N y
0 < p < 1, se tiene que
N
X N
X
1= P (Ei ) = p = Np
i=1 i=1

y por tanto p = 1/N .

Además,
X X 1 n(A)
P (A) = P (Ei ) = = .
N N
Todos los ei en A Todos los ei en A

donde n(A) denota el número de elementos en A.

- Ejemplo 1: En el experimento lanzar un dado se tiene que C = {1, 2, 3, 4, 5, 6} y por

tanto el tamaño del espacio muestral es N = 6, ası́ para:

E1 = {1}, E2 = {2}, E3 = {3}, E4 = {4}, E5 = {5}, E6 = {6}

Las probabilidades de cada cara son igualmente probables y se pueden resumir en la tabla:

P (E1 ) P (E2 ) P (E3 ) P (E4 ) P (E5 ) P (E6 )

1/6 1/6 1/6 1/6 1/6 1/6
0.167 0.167 0.167 0.167 0.167 0.167

Interpretación frecuentista de probabilidad:

La interpretación frecuentista de probabilidad es la más comúnmente utilizada. Cuando
realizamos un experimento n veces y contamos el número de veces que ocurre un evento A, en
algunas de las réplicas podrı́a ocurrir y en otras no. Denotemos por #A, el número de veces
que A ocurre, el valor #A/n lo llamaremos la frecuencia relativa de ocurrencia del evento A en
las n réplicas.
 - Ejemplo 2: En el experimento del Ejemplo 15, las probabilidades teóricas se resumı́an
en la siguiente tabla

P (E1 ) P (E2 ) P (E3 ) P (E4 ) P (E5 ) P (E6 )

1/6 1/6 1/6 1/6 1/6 1/6
0.167 0.167 0.167 0.167 0.167 0.167

Sin embargo, si consideramos lanzar el dado n = 100 veces y contamos el número de

veces que cae cada una de las caras obtuvimos los siguientes resultados:

Probabilidades teóricas vs frecuentistas

0.5

n = 100
0.4
Frecuencia relativa

0.3

0.18 0.11 0.22 0.13 0.2 0.16

0.2
0.1
0.0

1 2 3 4 5 6

Cara del dado

Donde, de los 100 lanzamientos se obtuvieron las frecuencias (de color negro) 18 en la
cara 1, 11 en la cara 2, 22 en la cara 3, 13 en la cara 4, 20 en la cara 5 y 16 en la
cara 6. Todas estas frecuencias en contraste con el número teórico (de color rojo) que es
aproximadamente 16.7 para cada una de las caras.

Probabilidad condicional:
Como vimos anteriormente, el valor P (A) le asigna una probabilidad de ocurrencia a un
evento A. La pregunta ahora es ¿qué ocurre con esta probabilidad cuando un evento B ha
ocurrido? Para analizar este caso introducimos una nueva notación P (A|B), léase “probabilidad
de A dado B” y la llamaremos probabilidad condicional de que ocurra A dado que B ha ocurrido.
Definición de probabilidad condicional: Para dos eventos cualesquiera A y B, con
P (B) > 0, se tiene que la probabilidad condicional de que ocurra A dado que ocurrió B está
dada por
P (A ∩ B)
P (A|B) = .
P (B)

Ejemplo 3:

En un experimento para estudiar la relación que existe entre el hábito de fumar y la hiper-
tensión arterial se reúnen los siguientes datos para 180 individuos:

No fumadores (NF) Fumadores Fumadores

moderados (FM) empedernidos (FE)
H 21 36 30
SH 48 26 19

donde las letras H y SH de la tabla representan Hipertensión y Sin hipertensión, respec-

tivamente. Si se selecciona uno de estos individuos al azar, calcule la probabilidad de que la
persona:

sufra hipertensión, dado que es una fumadora empedernida;

no fume, dado que no padece hipertensión.

Solución:

La probabilidad que están pidiendo es:

P (H ∩ F E)
P (H|F E) =
P (F E)
30/180
=
49/180
30
= = 1/6
180

En este caso la probabilidad que están pidiendo es:

P (N F ∩ SH)
P (N F |SH) =
P (SH)
48/180
=
93/180
48
= = 0.516129 ≈ 51.16 %
93

Ejemplo 4:

La probabilidad de que cuando se lleve a revisión tecnomecánica un automóvil se necesite

cambiarle el aceite es 0.25, la probabilidad de que se le tenga que cambiar el filtro de aceite es
0.40, y la probabilidad de que se necesite cambiarle el aceite y el filtro es 0.14.

Si se le tiene que cambiar el aceite, ¿cuál es la probabilidad de que también se necesite

cambiarle el filtro?
 Si se le tiene que cambiar el filtro de aceite, ¿cuál es la probabilidad de que también se
le tenga que cambiar el aceite?

Solución:

Considere los eventos A : Cambiar aceite y F : cambiar el filtro. Las probabilidades pedidas
son:

P (F ∩ A)
P (F |A) =
P (A)
0.14
=
0.25
= 0.56 = 56 %

PA ∩ F)
P (A|F ) =
P (F )
0.14
=
0.40
= 0.35 = 35 %

Regla multiplicativa:
De la definición de probabilidad condicional, tenemos que

P (A ∩ B) = P (A|B)P (B).

También se puede escribir como

P (A ∩ B) = P (B|A)P (A).

Ejemplo 5:

La probabilidad de que el jefe de familia esté en casa cuando llame el representante de

marketing de una empresa es 0.4. Dado que el jefe de familia está en casa, la probabilidad de
que la empresa le venda un producto es 0.3. Encuentre la probabilidad de que el jefe de familia
esté en casa y compre productos de la empresa.

Solución:

Considere los eventos E : el jefe de familia esté en casa, V : la empresa vende el producto.
La probabilidad pedida es:

P (E ∩ V ) = P (V |E) ∗ P (E) = 0.3 ∗ 0.4 = 0.12 = 12 %

 Ley de la probabilidad total:
Considere los eventos A1 , A2 , . . . , Ak del espacio muestral S. Decimos que estos eventos son
exhaustivos si
A1 ∪ A2 ∪ . . . ∪ Ak = S

Si los eventos A1 , A2 , . . . , Ak son mutuamente excluyentes y exhaustivos entonces para cual-

quier evento B, se tiene que

k
X
P (B) = P (B|Ai )P (Ai )
i=1

Ejemplo 6:

Tres máquinas de cierta planta de ensamble, B1 , B2 y B3 , montan 30 %, 45 % y 25 % de

los productos, respectivamente. Se sabe por experiencia que 2 %, 3 % y 2 % de los productos
ensamblados por cada máquina, respectivamente, tienen defectos. Ahora bien, suponga que se
selecciona de forma aleatoria un producto terminado. ¿Cuál es la probabilidad de que esté
defectuoso?

Solución:

Como cualquier elemento que sea fabricado en la planta de ensamblaje fue hecho en la
máquina B1, B2 o B3, entonces las máquinas hacen una partición de los elementos fabricados
en la planta. Además, P (B1 ) = 0.3, P (B2 ) = 0.45 y P (B3 ) = 0.25 y también para el evento D :
el elemento es defectuoso, se tiene que P (D|B1 ) = 0.02, P (D|B2 ) = 0.03 y P (D|B3 ) = 0.02.
Ası́, la probabilidad pedida es:

P (D) = P (D|B1 )P (B1 ) + P (D|B2 )P (B2 ) + P (D|B3 )P (B3 )

= 0.02 ∗ 0.3 + 0.03 ∗ 0.45 + 0.02 ∗ 0.25
= 0.0245 = 2.45 %

Teorema de Bayes:
Sea A1 , A2 , . . . , Ak un conjunto eventos mutuamente excluyentes y exhaustivos. Entonces
para cualquier otro evento B para el cual P (B) > 0, se tiene que la probablidad posterior de
que ocurra Aj (para algún j = 1, . . . , k) dado que ocurrió B, es igual a

P (Aj ∩ B) P (B|Aj )P (Aj )

P (Aj |B) = = Pk
P (B) i=1 P (B|Ai )P (Ai )

Ejemplo 7:

Con referencia al ejemplo anterior, si se elige al azar un producto y se encuentra que está
defectuoso, ¿cuál es la probabilidad de que haya sido ensamblado con la máquina B3 ?

Solución:
 Por el teorema de Bayes, se tiene que:
P (D|B3 )P (B3 ) 0.02 ∗ 0.25
P (B3 |D) = = = 0.2041 = 20.41 %
P (D|B1 )P (B1 ) + P (D|B2 )P (B2 ) + P (D|B3 )P (B3 ) 0.0245

Ejemplo 8:

Sólo 1 de 1000 adultos padece una enfermedad rara para la cual se ha creado una prueba de
diagnóstico. La prueba es tal que cuando un individuo que en realidad tiene la enfermedad, un
resultado positivo se presentará en 99 % de las veces mientras que en individuos sin enfermedad
el examen será positivo sólo en un 2 % de las veces. Si se somete a prueba un individuo selec-
cionado al azar y el resultado es positivo, ¿cuál es la probabilidad de que el individuo tenga la
enfermedad?

Solución:

Considere los eventos E : con la enfermedad, SE : sin la enfermedad, P OS : resultado

positivo en la prueba y N EG : resultado negativo en la prueba. Según los datos del ejercicio se
tiene que: P (E) = 1/1000, P (N E) = 999/1000, P (P OS|E) = 0.99, P (P OS|N E) = 0.02. La
probabilidad pedida es:
P (P OS|E)P (E) 0.99 ∗ 0.001
P (E|P OS) = = = 0.047 = 4.7 %
P (P OS|E)P (E) + P (P OS|N E)P (N E) 0.99 ∗ 0.001 + 0.02 ∗ 0.999
Independencia de eventos:

Definición Decimos que los eventos A y B son independientes si P (A|B) = P (A) y de lo

contrario son dependientes.

Propiedad De esta definición se desprende el hecho de que los eventos A y B son indepen-
dientes si y solo si P (A ∩ B) = P (A) × P (B).

Ejemplo 9:

La probabilidad de que una máquina produzca un elemento defectuoso es igual a 2 %. Si

se seleccionan de manera independiente dos elementos que produjo la máquina, cuál es la
probabilidad de que ambos estén defectuosos.

Solución:

Considere los eventos D1 : elemento 1 es defectuoso y D2 : elemento 2 es defectuoso. La

probabilidad pedida es:

P (D1 ∩ D2 ) = P (D1 ) ∗ P (D2 ) = 0.02 ∗ 0.02 = 0.0004 = 0.04 %

Independencia de más de dos eventos:

Los eventos A1 , . . . , Ak son mutuamente independientes si por cada r (r = 2, 3, . . . , k) y
cada subconjunto de ı́ndices i1 , i2 , . . . , ir

P (Ai1 ∩ Ai2 ∩ . . . ∩ Air ) = P (Ai1 ) × P (Ai2 ) × . . . × P (Air )