Está en la página 1de 11

TALLER

CONCEPTOS BÁSICOS DE PROBABILIDAD

STEPHANY ARARAT DÍAZ


EMILCE DÍAZ CARABALÍ
VALENTINA GONZÁLEZ MARLÉS
FANNY MONJE ROSERO

Trabajo escrito presentado al docente: CESAR ANDRÉS PAZ. En la asignatura: ESTADÍSTICA


APLICADA A LA SALUD OCUPACIONAL II

INSTITUCIÓN UNIVERSITARIA ANTONIO JOSE CAMACHO


FACULTAD EDUCACIÓN A DISTANCIA Y VIRTUAL
SALUD OCUPACIONAL- S6491
CALI, VALLE DEL CAUCA
2018
INSTITUCIÓN UNIVERSITARIA “ANTONIO JOSÉ CAMACHO”
TALLER PRIMER ENCUENTRO
ESTADÍSTICA APLICADA A LA SALUD OCUPACIONAL II

TALLER
Conceptos básicos de probabilidad

Experimento aleatorio: Antes de su realización, conocemos de antemano todos sus posibles resultados,
pero no el resultado concreto que vamos a obtener, aunque se observan regularidades al repetir varias veces
el experimento.
Espacio muestral (S): El conjunto de todos los posibles resultados de un experimento aleatorio, normalmente
se representa por S. Por ejemplo, si lanzamos una moneda nuestro espacio muestral tiene 2 elementos y
coincide con S= {c, s} donde c=cara y s= sello.
Evento: Es un subconjunto del espacio muestral S. Esto implica que S también es un evento así como lo es el
conjunto vacío. Cualquier resultado individual también puede considerarse como un evento.
Se dice que dos eventos A y B, son mutuamente excluyentes si no pueden ocurrir juntos; es decir, la
intersección de A y B es el conjunto vacío.

Enfoques de probabilidad
Clásica: La probabilidad clásica es aquella que se toma de manera objetiva, puesto que se conoce el número
exacto de opciones a ocurrir y presenta un resultado exacto y que puede considerarse a priori.
- Probabilidad a Priori. La probabilidad de un evento A, P(A), es la medida del chance de que ese evento
ocurra. En este caso los resultados del experimento son igualmente probables. Este método fue desarrollado
por Laplace.
# de maneras que A puede ocurrir
P(A) = -------------------------------------------------
# total de resultados posibles

Ejemplo.
Se lanzan dos monedas al aire, ¿cuál es la probabilidad de que ambas sean cara (C)?
S = {CC, CS, SC, SS} A = {CC}
P (CC) = ¼

Frecuentista o Probabilidad a posteriori. En el caso que los eventos no poseen igual posibilidad de
ocurrencia, el problema de asignar las probabilidades ocurre a posteriori. El concepto de probabilidad a
posteriori lo desarrolla Richard Von Mises y se conoce también como de frecuencia relativa y es apropiado
cuando se tienen los datos para estimar la proporción del tiempo que ocurrirá el evento en el experimento si el
experimento se repite un número grande de veces y cuyos resultados no son exactos.
Frecuencia relativa: Supongamos que repetimos n veces un experimento, y sean A y B dos eventos
asociados con el experimento. Sean nA y nB el número de veces que el evento A y el B (respectivamente)
ocurrieron en las n repeticiones. Entonces, definimos fA = nA / n como la frecuencia relativa del evento A en las
n repeticiones del experimento.
La frecuencia relativa fA tiene las siguientes propiedades:
- 0 ≤ fA ≤ 1.
- fA = 1 si y sólo si A ocurre cada vez en las n repeticiones.
- fA = 0 si y sólo si A nunca ocurre en las n repeticiones.
- Si A y B son dos eventos mutuamente excluyentes (o sea con frecuencia conjunta 0), y si f(A U B) es
la frecuencia relativa asociada al evento A U B, entonces f(A U B) = fA + fB.
- fA, basada en la n repeticiones del experimento y considerada para una función de n, "converge" en
cierto sentido probabilístico a P(A) cuando n-->+∞. (Esto no es lo mismo que el concepto corriente de
convergencia que se encuentra en otra parte en matemáticas. En realidad, ésta no es una conclusión
matemática, sino simplemente un hecho empírico.) Lo importante de esta propiedad es que si un
experimento se realiza un gran número de veces, la frecuencia relativa con que ocurre un evento A
tiende a variar cada vez menos a medida que el número de repeticiones aumenta.
Subjetiva: esta probabilidad ocurre cuando no existen frecuencias ni sabemos el número de opciones a
ocurrir, por lo tanto es asignada de forma subjetiva por expertos en el área específica.

Axiomas de probabilidad: Sea E un experimento y S un espacio muestral asociado con E. Con cada evento
A asociamos un número real, designado con P(A) y llamado probabilidad de A, el cual satisface las siguientes
propiedades:
- 0 ≤ P(A) ≤1
- P(S) = 1
- Si A y B son dos eventos mutuamente excluyentes, P(A U B) = P(A) + P(B)
- Si AC es el evento complementario de A, entonces P(A) = 1 - P(AC)
- Si A y B son dos eventos cualesquiera, entonces P(A U B) = P(A) + P(B) - P(A ∩ B)
- Si S = Ai entonces P(S) = P(Ai) A : Partición

Ejemplos
1. Una empresa necesita aportes de sus socios para dos proyectos. La probabilidad de que los socios aporten
al proyecto A es del 30%, de que aporten al proyecto B es del 60% y de que aporten en ambos es del 8%
¿Qué probabilidad hay de que aporten al menos en un proyecto?
Solución

Al menos a 1 sería al proyecto A o al proyecto B o a ambos, esto se define como la unión de dos conjuntos

P(A U B) = P(A) + P (B) – P(A  B) = 0.3 + 0.6 - 0.08 = 0.82

PROBABILIDAD MARGINAL Y CONJUNTA

Una manera, muy usada en la práctica, para denominar la probabilidad de un evento simple en un espacio
muestral es como probabilidad simple o marginal, la cual hace referencia a la probabilidad de un evento
simple, y se denota con P(A), siendo A el evento simple en cuestión. El nombre de probabilidad marginal se
debe a que esta medida se puede obtener a partir de los totales marginales de una tabla de contingencia.

Ejemplo
Si en un estudio se hace una encuesta a 800 alumnos de una universidad sobre el grado de satisfacción con
la carrera y el grado de satisfacción con el progreso en la misma. Los resultados de la encuesta se muestran
en la siguiente tabla.

Satisfecho en la Satisfecho en su progreso


carrera Si No Total
Si 362 350 712
No 18 70 88
Total 380 420 800

La probabilidad de que un alumno se encuentre satisfecho con la carrera, es decir, la probabilidad de que
ocurra el evento A = “satisfecho con la carrera elegida” será igual al número de alumnos que están satisfechos
(712) divido por el número de total de alumnos encuestados (800), es decir, P(A) = 712/800 = 0.89. Esta es
una probabilidad marginal.

La denominación de probabilidad conjunta se utiliza para referirse a la probabilidad de ocurrencia de dos o


más eventos simples simultáneamente. Por ejemplo, si se usa los datos del ejemplo, la probabilidad de que
ocurran simultáneamente los siguientes eventos simples A = “el alumno está satisfecho con su carrera” y B =
“el alumno está satisfecho con su avance en la carrera” se calcula como el número de alumnos que se
encuentran satisfechos tanto con la carrera como con sus avances en la misma (362, que es donde se cruzan
las dos opciones requeridas) divido por el número total de alumnos encuestados (800), y se denota con P(A y
B) o con P( A ∩ B ) puesto que es una intersección y en esta caso es igual a 362/800 = 0.4525.

Observaciones:
1. Las definiciones dadas hasta ahora, son aplicables a situaciones donde el espacio muestral S se considera
formado por n puntos. Por ejemplo, en la encuesta de alumnos n= 800. Cada uno de estos puntos
(empleados) tiene probabilidad 1/n= 1/800 de ser elegido al azar.
2. Si el espacio muestral es particionado en r eventos, A 1, A2,…, Ar, que definen una característica como por
ejemplo “Satisfacción con la carrera”; y si en este mismo espacio se considera otra partición generada por s
eventos B1, B2,…, Bs, que definen otra característica como ser “Satisfacción con su progreso en la carrera”,
entonces el espacio muestral S queda particionado en rs subconjuntos. En el ejemplo de la encuesta, r = s = 2,
y donde A1 = “Si está satisfecho con la carrera”, A 2= “No está satisfecho con la carrera”, B 1= “Si está
satisfecho con su progreso” y B 2= “No está satisfecho con su progreso”, luego el espacio muestral queda
dividido en 4 subconjuntos a saber A1∩B1, A2∩B1, A1∩B2, A2∩B2, y sus respectivas probabilidades P[Ai∩Bj] =
P[Ai y Bj], son las ya definidas probabilidades conjuntas, mientras que las probabilidades de los eventos
determinados por cada partición, es decir, P[Ai] y P[Bj] son las probabilidades marginales correspondientes a
la primera y segunda partición respectivamente.

3. Si dos eventos no tienen puntos comunes, es decir, ellos no pueden ocurrir simultáneamente (no se
cruzan), entonces, se dice que son mutuamente excluyentes. Por otra parte, un conjunto de eventos se dice
que son colectivamente exhaustivos, si uno de ellos debe ocurrir necesariamente. Por ejemplo, A 1 y A2 son
mutuamente excluyentes y colectivamente exhaustivos, ¿Por qué? Porque son complementos ¿Lo son
también A1 y B2?

4. A partir de la definición de probabilidad conjunta, y considerando que el número de alumnos que presentan
la característica A1= “están satisfechos con la carrera” se obtiene sumando el número de alumnos que
pertenecen al evento (A1∩B1) y al evento (A1∩B2), entonces se verifica que: P[A1] = P[A1∩B1] + P[A1∩B2].

5. En general si B1, B2,…, Bk son eventos mutuamente excluyentes y colectivamente exhaustivos y A es


cualquier evento definido en el mismo espacio muestral, se verifica que:

P(A) = P[A∩B1] + P[A∩B2] + … + P[A∩Bk]

PROBABILIDAD CONDICIONAL E INDEPENDENCIA


El concepto de Probabilidad Condicional surge cuando se quiere obtener la probabilidad de un evento A, y se
tiene conocimiento que ya ocurrió otro evento B relacionado al primero y se denota con P[A|B] la cual se lee
como “probabilidad de A dado B”, o también como “la ocurrencia de A de los que son de B”. Una pregunta que
podría hacerse el lector es sobre la necesidad de introducir este concepto. Para obtener una respuesta a este
interrogante, al menos intuitivamente, supongamos se quiere conocer la probabilidad del evento A = “lloverá” y
se sabe que se presentó el evento B = “está nublado”. Intuitivamente se percibe que la P[A] aumentará si se
sabe que ocurrió B ya que ambos eventos están relacionados.
Ejemplo
Antes de dar la definición de probabilidad condicional considérese los datos de la encuesta a los 800
estudiantes y siguiendo la notación dada, se quiere calcular P[está satisfecho con la carrera / está satisfecho
con su progreso en la misma] = P[A/B]. El número de estudiantes satisfechos con la carrera dentro de los 380
estudiantes no satisfechos con su progreso es 362, entonces se verifica que P[A/B] = 362/380 = 0.9526, o
sea, que de los que están satisfechos con el progreso de la carrera, qué porcentaje o cuál es la probabilidad
de que estén satisfechos con la carrera.

Tres cosas debe observarse en esta igualdad:


(a) Si no se dispone de la información sobre B’, entonces P[A]= 712/800 = 0.89 es decir, la probabilidad de A
sin el conocimiento de que ocurrió B es menor que P[A/B].
(b) El numerador (362) es el número de estudiantes que están satisfechos con la carrera y están satisfechos
con su progreso en la misma, es decir pertenecen al evento conjunto “A y B” (la intersección).
(c) El denominador (380) es el número de empleados que pertenecen al evento “B”, esto equivale a considerar
un nuevo espacio muestral donde el número de puntos se redujo de 800 a 480, el total de los que están
satisfechos con el progreso.
(d) Si se divide numerador y denominador de la igualdad por 800, es decir, el número total de estudiantes, se
tiene que
362/800
P[A/B]   0.9526
380/800
Y entonces se debe observar que el numerador es la P[A y B]= P[A∩B] y el denominador es P[B].
A partir de esta última observación surge naturalmente la definición formal del concepto de Probabilidad
Condicional para dos eventos cualesquiera A y B, como:
P[A y B] P[A  B)
P[A/B]  
P[B] P[B]

La comparación de los valores obtenidos de P[A/B] con P[A] en el ejemplo revela cierta información
importante: el conocimiento del progreso en la carrera afecta la predicción de la satisfacción con la carrera
elegida. Por lo tanto, desde una perspectiva estadística se puede establecer que estos eventos están
asociados de alguna manera. Esto lleva a definir uno de los conceptos más importantes de la estadística y
que es el concepto de Independencia Estadística de la siguiente manera:

Dos eventos A y B se dice que son independientes estadísticamente si P[A/B]=P[A] o P[B/A]=P[B] o


P[A∩B]=P[A]P[B]

Es decir que el conocimiento de la ocurrencia de B no afecta a la P[A].


TALLER
A continuación se presentan tres ejercicios los cuales deben resolverse y enviarse previamente en la
plataforma en PDF, según lo indicado en la agenda para el primer encuentro.

Ejercicio #1

Considere experimento de lanzar un dado no alterado en una ocasión, para este caso:

1. Describa el espacio muestral asociado a este experimentó.


2. Calcule la probabilidad del evento: obtener el número 5 en el lanzamiento.
3. Calcule la probabilidad del evento: obtener un número par en el lanzamiento.
4. Calcule la probabilidad del evento: obtener un número menor que cinco en el lanzamiento.
5. Indique si la siguiente afirmación es falsa o verdadera: Los eventos simples de este experimento son
independientes. ( )
6. Pruebe que la suma de los eventos excluyentes que componen el espacio muestral da como resultado 1.

Ejercicio #2

Cooper Realty es una empresa pequeña de bienes raíces que se especializa en inmuebles habitacionales.
Recientemente les ha interesado determinar la posibilidad de que una de sus propiedades se venda dentro de
cierto tiempo. Un análisis de las ventas de 800 casas, efectuada por esa empresa en años pasados, arrojó los
datos siguientes:

Días hasta la venta


Menos de De 31 a Mas de Tota
30 90 90 l
Menos de 50
50 40 10 100
millones
De 50 a 100
20 150 80 250
Oferta millones
inicial De 100 a 150
20 280 100 400
millones
Más de 150
10 30 10 50
millones
Total 100 500 200 800

7. Estime la probabilidad de que una casa se vende en más de 90 días.


8. Determine la probabilidad de que una casa se venda en más de 90 días y cueste más de 150 millones.
9. Suponiendo que se acaba de firmar un contrato para anunciar una casa cuyo precio inicial es menor de
50 millones, ¿Cuál es la probabilidad de que Cooper Realty tarde más de 90 días en venderla?
(probabilidad condicional)
10 Suponiendo que Cooper Realty tardó de 31 a 90 días en vender una casa, ¿Cuál es la probabilidad de
que cuyo precio inicial sea entre 100 y 150 millones? (probabilidad condicional)

Ejercicio #3
11. Una caja contiene ocho artículos en buen estado y tres defectuosos, se extraen dos de ellos de manera
consecutiva, calcule La probabilidad de que los dos artículos sean defectuosos
Ejercicio #4 (distribución de probabilidad binomial)

Considere el caso de un jugador de baloncesto con una efectividad de encestar del 60% en disparos desde la
línea de tiros libres. Si en un partido le dan la oportunidad de cobrar una falta técnica y realizar cinco
lanzamientos seguidos desde la línea de tiros libres.

12. ¿Cuál es la probabilidad que acierte exactamente en tres de los lanzamientos?

13. ¿cuál es la probabilidad que acierte en máximo un lanzamiento?

SOLUCIÓN
Ejercicio #1 Considere experimento de lanzar un dado no alterado en una ocasión, para este caso:

1. Espacio muestral: S= {1, 2, 3, 4, 5, 6}

En este caso el espacio muestral está compuesto por seis elementos que corresponden a las seis
caras que viene en cada dado, puesto que es un dado no alterado, cada cara tiene la misma
probabilidad de caer en el lanzamiento:

1
P(1)=P(2)=P(3)….P(6)=
6

Donde P(1): es la probabilidad de caer la cara de un punto del dado

1
P(2): Es la probabilidad de caer la cara de dos puntos del dado, y así sucesivamente es
6
porque se divide:

# de maneras de caer una de las caras


# de caras del dado

2. Probabilidad de obtener el número 5 en el lanzamiento:

# de maneras de caer la cara con los 5 puntos


P (5) 
# de caras del dado

1
P (5)   0.167 R// 0.167
6

3. Probabilidad de obtener un número par en el lanzamiento: Puesto que las caras del dado que tienen
un número par son: 2, 4, y 6, existen 3 maneras de obtener un número par

# de maneras de obtener un número par


P(par) 
# total de caras del dado

3 1 R// 0.5
P(par)    0.5
6 2
4. Probabilidad de obtener un número menor que cinco en el lanzamiento: Las maneras como se puede
obtener un número menor que cinco son: 1, 2, 3 y 4, por lo tanto son 4 las maneras de obtenerlo.

4 2 R// 0.667
P( 5)    0.667
6 3

5. Los eventos simples de este experimento son independientes: esta afirmación es VERDADERA puesto
que obtener uno de los números en un lanzamiento no afecta el resultado del siguiente lanzamiento,
1
es decir que puede caer cualquiera de las caras del dado con la misma probabilidad de
6

1
6. Prueba de la suma: puesto que la probabilidad de obtener cualquiera de las caras del dado es de
6
1 1 1 1
es decir P (1)  , P (2)  , P (3)  ,….., P (6)  Vemos que la suma de esta probabilidad es
6 6 6 6

1 1 1 1 1 1 6 x 1= 1
       
6 6 6 6 6 6 6

Ejercicio #2

7. Probabilidad de que una casa se venda en más de 90 días: Se observa que la tercera columna de la
tabla indica el número de casas vendidas en más de 90 días

Días hasta la venta


Menos de De 31 a Más de Tota
30 90 90 l
Menos de 50
50 40 10 100
millones
De 50 a 100
20 150 80 250
Oferta millones
inicial De 100 a 150
20 280 100 400
millones
Más de 150
10 30 10 50
millones
Total 100 500 200 800

Lo cual da un total de 200 casas vendidas en más de 90 días, también se observa que el total de
casas sobre el que se hizo el análisis es de 800 casas. Por lo tanto dicha probabilidad es, si A es el
evento de vender una casa en más de 90 días:

# de casas vendidas en más de 90 días


P(A) 
# total de casas

200 1
P(A)    0.25 R// 0.25
800 4
8. Probabilidad de que una casa se venda en más de 90 días y cueste más de 150 millones: de la tabla
se observa que el número de casas que cumple ambas condiciones es de 10 casas (columna 3, fila 4).
Por lo tanto, si B es el evento de que una casa se venda en más de 90 días y cueste más de 150
millones:

# de casas vendidas en más de 90 días y de más de 150 millones


P(B) 
# total de casas

10 1 R// 0.0125
P(B)    0.0125
800 80

9. Sean A= se tarde más de 90 días en venderla

B= el precio inicial es menor de 50 millones

Obtenemos la probabilidad de que tarde más de 90 días en vender la casa dado que su precio inicial
es menor de 50 millones:

# de casas de más de 90 días y de menos de 50 millones


P(A/B) 
# de casas de menos de 50 millones

Es decir que se divide el número de la casilla de la columna 3 y fila 1 entre el total de casas de menos
de 50 millones:

10 1 R// 0.1
P(A/B)    0.1
100 10

10. Sean A= El precio inicial está entre 100 y 150 millones

B= Se tarda de 31 a 90 días en venderla

Se observa que para calcular P(A/B), es decir, la probabilidad de A dado B, utilizamos el dato de la
casilla de la columna 2 y fila 3, que corresponde a 280 casas dado que cumple con ambas condiciones
A y B y se divide por el número total de casas vendidas entre 31 a 90 días:

P (A y B) P (A  B)
P(A/B)  
P (B) P (B)

# de casas entre 100 y 150 millones y de 31 a 90 días


P(A/B) 
# total de casas que se tardan en vender de 31 a 90 días

280
P(A/B)   0.56 R// 0.56
500

Ejercicio #3

11. CAJA:

 8 artículos en buen estado


 3 artículos defectuosos

Se extraen dos artículos de manera consecutiva para determinar la probabilidad de que ambos sean
defectuosos, se debe multiplicar la probabilidad de sacar el primero defectuoso por la probabilidad de
sacar el segundo defectuoso. Como son 8 en buen estado y 3 defectuosos, entonces la probabilidad
de sacar el primero es:

# de articulos defectuosos
P(D) 
# total de artículos

3
P(D)   0.2727
11

Luego, la probabilidad de sacar el segundo defectuoso, sabiendo que en la caja quedan 10 artículos, 8
en buen estado y 2 defectuosos:

# de articulos defectuosos restantes


P(D2) 
# total de artículos

2
P(D2)   0. 2
10

Por lo tanto al multiplicar las dos probabilidades obtenidas:

P(D) X P(D2)

(0.2727) X (0.2) = 0.05454 es la probabilidad de sacar los dos artículos defectuosos

Ejercicio #4 (distribución de probabilidad binomial)

12. Probabilidad que acierte exactamente en tres de los lanzamientos:

p= 60% = 0.6

q= 40% = 0.4

n= 5 lanzamientos

x= 3 lanzamientos

n

 x pxqn-x
 
 5 

 3 (0.6)3 (0.4)(5-3)
 
5! 5x4x3x2x1 5x4 20
    10
3! (5 - 3)! (3x2x1) (2x1) 2x1 2

10 (0.216) (0.16) = 0.3456 → 34.56%

13. Probabilidad que acierte en máximo un lanzamiento:


p= 60% = 0.6

q= 40% = 0.4

n= 5 lanzamientos

x= 1 lanzamiento

 n  x n-x

 x  p q
 
5
A) 
  (0.6)0
 (0.4)(5-0)
 0
5! 5x4x3x2x1 120
  1
0! (5 - 0)! 5x4x3x2x1 120

1 x 1 x 0.01024 = 0.01024

 5
B) 
1 
 (0.6)1 (0.4)(5-1)
 
5! 5x4x3x2x1 5
  5
1! (5 - 1)! 1x4x3x2x1 1

5 (0.6)1 (0.4)5-1

5 (0.6) 0.0256 = 0.0768

Por lo tanto al sumar los resultados obtenidos tenemos que acierte en máximo un lanzamiento es

0.01024 + 0.0768= 0.08704 R// 0.08704