Clase Probabilidad 1

EAA1510 - Probabilidad y Estadı́stica
Ricardo Aravena - Alonso Molina - Ricardo Olea
Capı́tulo 1
Primer Semestre 2021
EAA1510: 1er sem 2021, Capı́tulo 1 1

Objetivos
c
I Entender el concepto de probabilidad y su uso en la toma de decisiones

I Aprender a calcular probabilidades de fenómenos aleatorios, mediante
los métodos de conteo
I Calcular probabilidades condicionales a eventos que ya han ocurrido
I Presentar el Teorema de probabilidades totales y su uso para el cálculo
de probabilidades incondicionales
I Presentar el Teorema de Bayes y sus aplicaciones

Contenidos
c
1. Introducción
2. Definición de Probabilidad
3. Teorı́a de Conjuntos
Definiciones
Unión, Intersección y Complemento
Leyes
Diagramas de Venn
4. Cálculo de Probabilidades
Axiomas de Kolmogorov
Propiedades de P
Técnicas de Conteo
5. Probabilidad Condicional
Teorema de Probabilidades Totales
Teorema de Bayes
Independencia de Eventos

Introducción
Introducción
c
Constantemente estamos expuestos a la probabilidad y el riesgo, y a prio-

ri no sabemos qué resultado particular se obtendrá antes de observar un
cierto fenómeno.
Por ejemplo,
Invertir dinero
Una persona decide invertir sus ahorros.
Primero debe elegir que tipo de inversión hará.
¿En que se basa para hacer su elección?

Introducción
Introducción
c
Suponga que decidió invertir el 1ero de Abril del año 2017 gran parte de
sus ahorros en acciones Cencosud. Después de casi un año, los resultados
de su inversión no han sido lo que él esperaba.
http://www.elmercurio.com/inversiones/acciones/ficha.aspx?id=CENCOSUD

Introducción
Introducción
c
¿Debe vender o no sus acciones?
I Si vende asume una pérdida pero se asegura de no tener una pérdida

mayor, pero pierde la posibilidad de recuperar o obtener ganancias.
I Si no vende podrı́a tener mayores pérdidas, pero existe la posibilidad
de que pueda recuperar o incluso obtener ganancias.
¿En que cree Ud. que se basará su decisión?

Introducción
Introducción
c
Suponga que es 1ero de Abril del año 2020 - iniciando la Pandemia -

¿invertirı́a sus ahorros en acciones Cencosud?
http://www.elmercurio.com/inversiones/acciones/ficha.aspx?id=CENCOSUD
Podrı́a haber sido la oportunidad, en Pandemia casi todos han perdido, pero ¡Cencosud no!

Introducción
Introducción
c
Pandemia Actual: Covid-19
I Predecir la evolución de la tendencia de esta enfermedad a nivel re-

gional y nacional.
I Estimar la tasa de crecimiento del número de contagiados en Chile.
I Estimar la tasa de letalidad en Chile.
I Estimar el % positividad de los test de PCR.
I Estimar el % de camas UCI disponibles en en Chile.

Introducción
Introducción
c
I A partir de los ejemplos anteriores se puede ver como con el cálculo de

probabilidades se puede utilizar para la ayuda en la toma de decisiones
I Lo que subyace a la intuición sobre la probabilidad es probablemente
una percepción sobre la frecuencia con que ocurre el evento real.
Cuanto más a menudo ocurre el evento, más probabilidad se le asigna
a ese evento.
Las probabilidades son, por lo tanto, cantidades ideales que no se
pueden observar directamente en la realidad.

Definición de Probabilidad
Probabilidad Clásica
La definición de probabilidad ha evolucionado a lo largo del tiempo. No hay

nada contradictorio en las definiciones, los cambios reflejan principalmente
la necesidad de una mayor generalidad y un mayor rigor matemático.
La teorı́a de probabilidad tiene su origen en los juegos de azar. Es ası́
como surgió la primera definición de probabilidad, conocida como enfoque
clásico. Se aplica solo a situaciones donde
I El número de resultados posibles es finito
I Todos los resultados son igualmente probables

Probabilidad Clásica
En esas condiciones, la probabilidad de un evento A que comprenda m

resultados posibles de un total de n resultados igualmente probables está
dada por
m
P(A) =
n
Ejemplo:

Probabilidad Empı́rica
¿Pero que ocurre si los resultados no son igualmente probables y/o la

cantidad de resultados no es finita?
Es ası́ como en el siglo XX se definió la probabilidad empı́rica, que permite

calcular probabilidades a conjuntos numerables (conjunto finito o conjunto
infinito numerable)
I Se requiere disponer de un conjunto de datos, donde se supone que

se repite el experimento bajo las mismas condiciones

I Ası́ la probabilidad empı́rica (o frecuencia relativa) de un evento A, es

el número de veces en que el evento ocurrió (m) divido por el número
total de experimientos (n).
I Note que la definición del m y n es distinta que el la probabilidad
clásica.
Según este enfoque, la probabilidad de un evento dado es el lı́mite (cuando
n tiende a infinito) de la fracción m/n, es decir,
m
P(A) = lim
n→∞ n

La igualdad ocurre sólo en el caso que repitamos infinitas veces el exper-

imiento.
Dado que en la práctica tenemos un conjunto finito de datos, la frecuencia
relativa será, en general, no igual a la probabilidad, solo una estimación,
surge un problema de qué tan “buena” es la estimación, la cual puede ser
abordada en cursos de Inferencia.

Probabilidad Subjetiva
Otro enfoque es la probabilidad subjetiva. Se refiere a la probabilidad

de ocurrencia de un suceso basado en la experiencia previa, la opinión
personal o la intuición del individuo. En este caso después de estudiar la
información disponible, se asigna un valor de probabilidad a los sucesos
basado en el grado de creencia de que el suceso pueda ocurrir.

Teorı́a de Conjuntos
c
I A continuación se verán algunas definiciones básicas de la teorı́a de

conjuntos.
I Estas son importantes porque serán usadas para definir los axiomas
de probabilidad
I A partir de ellas se usarán para calcular y manipular probabilidades

Definiciones
El punto de partida para estudiar la probabilidad es la definición de cuatro

términos clave:
Experimento, Resultado Muestral, Espacio Muestral y Evento
El primero es lo que proporciona un mecanismo conceptual para convertir
los fenómenos del mundo real en términos probabilı́sticos.
Los tres últimos, nos brindan un marco matemático familiar de la teorı́a
de conjuntos clásica dentro del cual trabajar.

Definiciones
Un experimento se refiere a cualquier procedimiento que

I Pueda repetirse, teóricamente, un número infinito de veces
I Tiene un conjunto bien definido de resultados posibles.
Por ejemplo,
I Registrar el precio de apertura de una acción
I Medir la presión arterial de un hipertenso
I Contabilizar el número de llamadas que recibe un call center en una
hora

Definiciones
Cada uno de los eventuales resultados posibles de un experimento se de-

nomina resultado muestral, denotaremos por s, y a la totalidad de resul-
tados posibles se denomina Espacio Muestral, que lo denotaremos por S.
Ası́ se tiene que s ∈ S.
Cualquier colección de resultados muestrales, constituye un evento.

Asociados a los eventos definidos en un espacio muestral se definen ope-

raciones denominadas Álgebra de conjuntos. Estas son las reglas que
rigen las formas en que un evento se puede combinar con otro.
Definiciones:
Sean A y B dos eventos definidos en el mismo espacio muestral S. Entonces
I La intersección de A y B, escrita como A ∩ B, es el evento cuyos

resultados pertenecen tanto a A como a B.
I La unión de A y B, escrita A ∪ B, es el evento cuyos resultados
pertenecen a A o B o ambos.

I El complemento del evento A, denotado por Ac , es el evento que

consiste en todos los resultados en S que no están en A.
I Se dice que los eventos A y B son mutuamente excluyentes

(o Disjuntos) si no tienen resultados en común, es decir, si A ∩ B = ∅,
donde ∅ es el conjunto vacı́o.

Leyes
I La unión e intersección de conjuntos son conmutativas, es decir, para

dos conjuntos A y B se cumple que
A∪B =B ∪A
A∩B =B ∩A
I La unión e intersección de conjuntos es asociativa, es decir, para tres
conjuntos A, B y C se cumple que
(A ∪ B) ∪ C = A ∪ (B ∪ C ) = B ∪ (A ∪ C )
(A ∩ B) ∩ C = A ∩ (B ∩ C ) = B ∩ (A ∩ C )
I La unión e intersección de conjuntos es distributiva, es decir, para tres
conjuntos A, B y C se cumple que
(A ∪ B) ∩ C = (A ∩ C ) ∪ (B ∩ C )
(A ∩ B) ∪ C = (A ∪ C ) ∩ (B ∪ C )

Diagramas de Venn
I Las relaciones basadas en dos o más eventos a veces pueden ser

difı́ciles de expresar usando solo ecuaciones.
I Un enfoque alternativo es representar gráficamente los eventos subya-
centes en un diagrama de Venn.
I La siguiente figura muestra diagramas de Venn para la intersección,
la unión, el complemento y para dos eventos que son mutuamente
excluyentes. En cada caso, el interior sombreado de una región corres-
ponde al evento deseado.

Diagramas de Venn

Diagramas de Venn
El evento de que exactamente uno (de los dos) ocurre, se puede expresar
como (A ∩ B c ) ∪ (Ac ∩ B)
El evento de que a lo más uno (de los dos) ocurre, se puede expresar como
(A ∩ B)c

Cálculo de Probabilidades
Kolmogorov, un gran probabilista ruso, se preguntó si las diferentes defini-

ciones de probabilidad podrı́a unificarse de alguna manera. Es ası́ como
Kolmogorov definió tres axiomas necesarios y suficientes que toda medida
de probabilidad P debe cumplir.

I Axioma 1: Sea A un evento del espacio muestral S. Entonces

P(A) ≥ 0
I Axioma 2: La probabilidad del evento certeza S es P(S) = 1
I Axioma 3: Sean A y B dos eventos mutuamente excluyentes (disjun-
tos) definidos en S, entonces
P(A ∪ B) = P(A) + P(B)

Cuando S tiene un número infinito de eventos, se requiere de un cuarto

axioma:
I Axioma 4: Sean A1 , A2 , .... eventos definidos en S, tal que Ai ∩ Aj =
∅, ∀i 6= j entonces
∞ ∞
!
[ X
P Ai = P(Ai )
i=1 i=1
De estos axiomas surgen reglas generales para manipular la función de

probabilidad.

Propiedades de P
Propiedades:
I P(Ac ) = 1 − P(A)
I P(∅) = 0
I Si A ⊂ B entonces P(A) ≤ P(B)
I Para cualquier evento A, se tiene que P(A) ≤ 1
I P(A) = P(A ∩ B C ) + P(A ∩ B)
I P(A ∪ B) = P(A) + P(B) − P(A ∩ B)

Propiedades de P
I Si A1 , A2 , ...., An eventos definidos en S, tal que Ai ∩ Aj = ∅, ∀i 6= j

entonces !
n
[ X n
P Ai = P(Ai )
i=1 i=1

Propiedades de P
Leyes de Morgan:
I (A ∩ B)c = Ac ∪ B c
I (A ∪ B)c = Ac ∩ B c
Se mostrarán dichas leyes por medio de diagrama de Venn.

Las leyes de Morgan se pueden extender a más de dos eventos.

Ahora veremos cómo asignar probabilidades a resultados experimentales.

Como vimos anteriormente, el enfoque clásico, permite asignar probabili-
dades cuando el espacio muestral es finito, y los resultados son equiproba-
bles.
De esta manera, se pueden utilizar los métodos de conteo para calcular el
número de elementos del espacio muestral S, (#S).
Si A es el evento de interés, se puede calcular el número de elementos que
contiene A, (#A). Luego,
#A
P(A) =
#S

Un paso previo para calcular probabilidades a los eventos, es ser capaz de

identificar y contar los resultados experimentales. A continuación se verán
tres reglas de conteo útiles.
La primera regla de conteo se aplica a los experimentos múltiples en etapas.
Regla de multiplicación
Si un experimento puede describirse como una secuencia de k experimen-
tos, con n1 resultados posibles en el primer experimento, n2 resultados
posibles en el segundo, y ası́ sucesivamente, entonces el número total de
resultados posibles es n1 · n2 · · · nk .

Una segunda regla de conteo útil permite contar el número de resultados

experimentales cuando el experimento implica seleccionar k objetos de un
conjunto (usualmente más grande) de n objetos. Esta regla de conteo se
llama Combinatoria.

Combinatoria
El número de maneras de seleccionar k elementos a partir de un conjunto
de n distintos, sin importar el orden se denota por el sı́mbolo kn está dado
por
n n!
=
k (n − k)!k!

Ordenamiento Multinomial
Queremos asignar n objetos a k grupos distintos de tamaños n1 ,. . . , nk ,
k
X
con ni = n. El número de grupos distintos con las caracterı́sticas dadas
i=1
son
n n!
=
n1 n2 nk n1 ! · n2 ! · · · nk !

Una tercera regla de conteo es la regla de conteo para permutaciones.

Permite calcular el número de resultados experimentales cuando se van a
seleccionar k objetos de un conjunto n elementos donde si importa el orden
de selección.
Los mismos k objetos seleccionados en un orden diferente se consideran
una resultado diferente.

Permutación:
Si se dispone de una secuencia ordenada de longitud n, con todos los
elementos distintos entre sı́. El número de permutaciones de largo k está
dado por
n · (n − 1) · (n − 2) · · · (n − k + 1)
En particular, el número de permutaciones de los n elementos es
n!

Probabilidad Condicional
Introducción
I Para muchas situaciones del mundo real, sabemos con certeza que
ciertos eventos ya han ocurrido, y esas ocurrencias pueden tener
relación con la probabilidad que estamos tratando de encontrar.
I Ası́ la probabilidad de un evento A puede “ajustarse” si sabemos con
certeza que algún evento relacionado, digamos B, ya ha ocurrido.
I Este tipo de cálculo de probabilidades se conoce como probabilidad
condicional.

Motivación
Suponga que dos amigos se unen para hacer un proyecto inmobiliario muy
ambicioso en la zona costera del paı́s. Según ciertos tipos de criterios, ellos
evalúan anualmente si está siendo exitoso o no es el proyecto. Ellos creen
que en los primeros tres años del proyecto, los resultados pueden ser tan
incierto, como lanzar una moneda justa al aire. ¿Cuál es la probabilidad
de que en los primeros tres años se evalúe como exitoso el proyecto, si se
tiene al menos dos evaluaciones exitosas?

Motivación
Denotemos por E la evaluación exitosa del proyecto y por N la evaluación

no exitosa, ambos con probabilidad de 1/2. Los resultados posibles de las
evaluaciones de los tres primeros años son:
S = {(E , E , E ), (E , E , N), (E , N, N), (N, N, N), (N, E , E ),

(E , N, E ), (N, N, E ), (N, E , N)}
Como los eventos son equiprobables, se tiene que cada resultado posible
tiene probabilidad 1/8 de ocurrir.

Motivación
Si se define como A el evento de que las 3 evaluaciones del proyecto fueron

exitosa, y como B el evento que al menos dos evaluaciones son exitosas
Con el conocimiento adicional de que B ha ocurrido, se tiene como conse-

cuencia la reducción del espacio muestral original S a un nuevo conjunto
de resultados posibles, denotémoslo por S 0 .

Motivación
En el ejemplo, el espacio muestral original S contenı́a 8 resultados, el

espacio de la muestra condicional contiene 4 elementos.
S0 = {(E , E , E ), (E , E , N), (N, E , E ), (E , N, E )}
Por lo tanto, la probabilidad de tener tres evaluaciones exitosas del proyecto

si se sabe que al menos dos lo son, es P(A|B) = P(A, en el espacio S 0 ) =
1/4.
Se usa el sı́mbolo P(A|B) para denotar una probabilidad condicional, y se
lee como “ la probabilidad de A dado B”

Definición
I Será conveniente tener una fórmula para P(A|B) que pueda evaluarse
en términos del S original, en lugar de la S condicionada.
I Suponga que S es un espacio muestral finito con n resultados, todos
igualmente probables. Suponga que A y B son dos eventos que con-
tienen a y b resultados, respectivamente, y que c denota el número
de resultados en la intersección de A y B.

Definición
De esta manera,
c c/n P(A ∩ B)
P(A|B) = = =
b b/n P(B)
La definición anterior sigue siendo válida incluso cuando los resultados no

son igualmente probables o cuando S es no es un conjunto contable.
Definición:
Sean A y B dos eventos definidos en S tales que P(B) > 0. La probabilidad
condicional de A, suponiendo que B ya ha ocurrido, está dada por
P(A ∩ B)
P(A|B) =
P(B)

Definición
Note que a partir de la definición se obtiene que
P(A ∩ B) = P(A|B)P(B)
La cual se puede aplicar a más de dos eventos, por ejemplo,
P(A ∩ B ∩ C ) = P(C |A ∩ B)P(A ∩ B)

= P(C |A ∩ B)P(A|B)P(B)

Propiedades
Si A, B y C son eventos del espacio muestral S, entonces:
I P(B c |A) = 1 − P(B|A)

I P(A ∪ B|C ) = P(A|C ) + P(B|C ) − P(A ∩ B|C )


Definición Partición
Sean A1 , A2 , ..., An una partición del espacio muestral S, es decir,

I Ai son eventos mutuamente excluyentes: Ai ∩ Aj = ∅ ∀i 6= j
Sn
I La unión de ellos es S: i=1 Ai = S
Como se ve en la siguiente figura:


Cálculo probabilidad incondicional
Sea B un evento de S. El siguiente resultado, da una fórmula para calcular

la probabilidad “incondicional” de B en términos de Ai .
Definición:
Sean A1 , A2 , ..., An una partición del espacio muestral S, entonces para
cualquier evento B se tiene que
n
X
P(B) = P(B|Ai )P(Ai )
i=1
dicho resultado se conoce como el Teorema de Probabilidades Totales.

Teorema de Bayes
c
Si los eventos A1 , A2 , ..., An forman una partición del espacio muestral S,

El teorema de Bayes es un resultado que permite calcular la probabilidad
“inversa”.
Si conocemos P(B|Ai ) para todo i, este Teorema nos permite calcular
probabilidades condicionales “en la otra dirección”, es decir, podemos de-
ducir P(Aj |B) a partir de P(B|Ai )’s.
Definición:
Sean A1 , A2 , ..., An una partición del espacio muestral S, entonces para
cualquier evento B, donde P(B) > 0 se tiene que
P(B|Aj )P(Aj )
P(Aj |B) = Pn
i=1 P(B|Ai )P(Ai )

c
No siempre la información adicional produce cambios en la probabilidad del

evento, e independientemente del resultado del segundo evento, se tiene
que
P(A|B) = P(A)
Eventos que comparten esta propiedad se dicen que son independientes.
La siguiente definición entrega una condicion necesaria y suficiente para
que dos eventos sean independientes.
Definición:
Dos eventos A y B se dicen que son independientes si
P(A ∩ B) = P(A)P(B)

c
No es de inmediato cómo extender la definición anterior a independencia

de tres eventos.
Para decir que los eventos A, B y C son independientes, deberı́amos re-
querir que la probabilidad de los factores de intersección de los tres eventos
sea el producto de las tres probabilidades originales
P(A ∩ B ∩ C ) = P(A)P(B)P(C )
y además imponer la definición en los tres pares de eventos:
P(A ∩ B) = P(A)P(B)
P(A ∩ C ) = P(A)P(C )
P(B ∩ C ) = P(B)P(C )

c
Si se satisfacen las 4 ecuaciones simultáneas, se puede establecer que los

eventos A, B y C son independientes.
De manera general, los eventos A1 , ..., An son independientes si para cada
conjunto de indices i1 , i2 , ..., ik entre 1 y n, inclusive,se tiene que
P(Ai1 ∩ Ai2 ∩ · · · Aik ) = P(Ai1 )P(Ai2 ) · · · P(Aik )

Propiedades
Propiedad
Si A y B son eventos independientes del espacio muestral S, entonces
I Ac y B c también son independientes
I A y B c también son independientes
I Ac y B también son independientes

Propiedad
Independencia Condicional
Si A, B C son eventos del espacio muestral S, y si A y B son eventos
independientes dado el evento C entonces
P(A ∩ B|C ) = P(A|C )P(B|C )

Clase Probabilidad 1

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Clase Probabilidad 1

Cargado por

Copyright:

Formatos disponibles

EAA1510 - Probabilidad y Estadı́stica

Ricardo Aravena - Alonso Molina - Ricardo Olea

Primer Semestre 2021

EAA1510: 1er sem 2021, Capı́tulo 1 1

I Entender el concepto de probabilidad y su uso en la toma de decisiones

EAA1510: 1er sem 2021, Capı́tulo 1 2

EAA1510: 1er sem 2021, Capı́tulo 1 3

Constantemente estamos expuestos a la probabilidad y el riesgo, y a prio-

EAA1510: 1er sem 2021, Capı́tulo 1 4

EAA1510: 1er sem 2021, Capı́tulo 1 5

¿Debe vender o no sus acciones?

I Si vende asume una pérdida pero se asegura de no tener una pérdida

¿En que cree Ud. que se basará su decisión?

EAA1510: 1er sem 2021, Capı́tulo 1 6

Suponga que es 1ero de Abril del año 2020 - iniciando la Pandemia -

EAA1510: 1er sem 2021, Capı́tulo 1 7

Pandemia Actual: Covid-19

I Predecir la evolución de la tendencia de esta enfermedad a nivel re-

EAA1510: 1er sem 2021, Capı́tulo 1 8

I A partir de los ejemplos anteriores se puede ver como con el cálculo de

EAA1510: 1er sem 2021, Capı́tulo 1 9

La definición de probabilidad ha evolucionado a lo largo del tiempo. No hay

EAA1510: 1er sem 2021, Capı́tulo 1 10

En esas condiciones, la probabilidad de un evento A que comprenda m

EAA1510: 1er sem 2021, Capı́tulo 1 11

¿Pero que ocurre si los resultados no son igualmente probables y/o la

Es ası́ como en el siglo XX se definió la probabilidad empı́rica, que permite

I Se requiere disponer de un conjunto de datos, donde se supone que

EAA1510: 1er sem 2021, Capı́tulo 1 12

I Ası́ la probabilidad empı́rica (o frecuencia relativa) de un evento A, es

EAA1510: 1er sem 2021, Capı́tulo 1 13

La igualdad ocurre sólo en el caso que repitamos infinitas veces el exper-

EAA1510: 1er sem 2021, Capı́tulo 1 14

Otro enfoque es la probabilidad subjetiva. Se refiere a la probabilidad

EAA1510: 1er sem 2021, Capı́tulo 1 15

I A continuación se verán algunas definiciones básicas de la teorı́a de

EAA1510: 1er sem 2021, Capı́tulo 1 16

El punto de partida para estudiar la probabilidad es la definición de cuatro

EAA1510: 1er sem 2021, Capı́tulo 1 17

Un experimento se refiere a cualquier procedimiento que

EAA1510: 1er sem 2021, Capı́tulo 1 18

Cada uno de los eventuales resultados posibles de un experimento se de-

EAA1510: 1er sem 2021, Capı́tulo 1 19

Asociados a los eventos definidos en un espacio muestral se definen ope-

I La intersección de A y B, escrita como A ∩ B, es el evento cuyos

EAA1510: 1er sem 2021, Capı́tulo 1 20

I El complemento del evento A, denotado por Ac , es el evento que

I Se dice que los eventos A y B son mutuamente excluyentes

EAA1510: 1er sem 2021, Capı́tulo 1 21

I La unión e intersección de conjuntos son conmutativas, es decir, para

EAA1510: 1er sem 2021, Capı́tulo 1 22

I Las relaciones basadas en dos o más eventos a veces pueden ser

EAA1510: 1er sem 2021, Capı́tulo 1 23

EAA1510: 1er sem 2021, Capı́tulo 1 24

EAA1510: 1er sem 2021, Capı́tulo 1 25

Kolmogorov, un gran probabilista ruso, se preguntó si las diferentes defini-

EAA1510: 1er sem 2021, Capı́tulo 1 26

I Axioma 1: Sea A un evento del espacio muestral S. Entonces

P(A ∪ B) = P(A) + P(B)

EAA1510: 1er sem 2021, Capı́tulo 1 27

Cuando S tiene un número infinito de eventos, se requiere de un cuarto

De estos axiomas surgen reglas generales para manipular la función de

EAA1510: 1er sem 2021, Capı́tulo 1 28