EI Lecture 02

Introducción
La función de probabilidad
Probabilidad condicional
Intersecciones de alto orden
Alexander Grande
Estadística Inferencial - UCS
Setiembre 2022
Alexander Grande Estadística Inferencial

Introducción
Contendios
1 Introducción
2 La función de probabilidad
3 Probabilidad condicional
4 Intersecciones de alto orden

Introducción
Introducción
Ideas iniciales
Habiendo introducido el concepto de “experimento” y “es-

pacio muestral”, lo siguiente es asignar una probabilidad al
resultado de un experimento y, generalmente, a un evento.
Si S es un evento definido en el espacio muestral S, P(A)

denota la probabilidad de A y nos referiamos a P como la
función de probabilidad.

Introducción
Introducción
Axiomas de Kolmogorov
1 Si A es un evento definido en S, entonces P(A) ≥ 0.
2 P(S)=1.
3 Si A y B son dos eventos mutuamente excluyentes defini-
dos en S, entonces
P(A ∪ B) = P(A) + P(B)

4 Definamos A1 , A2 , ..., como eventos definidos en S. Si Ai ∩
Aj = ∅ para cada i ̸= j, entonces:
∞ ∞
!
[ X
P Ai = P(Ai )
i=1 i=1

Introducción
Contendios
1 Introducción

Introducción
Función de probabilidad
Propiedades básicas de P
De los axiomas propuestos por Kolmogorov, obtenemos co-

mo resultado 6 propiedades.
Aún siendo simples, son extremadamente útiles para resol-

ver todo tipo de problemas.

Introducción
1 P(AC ) = 1 − P(A)
Dado el Axioma 2, podemos decir que:
P(S) = 1 = P(A ∪ AC )
Pero, por definición, A y AC son mutuamente excluyentes,

por lo que:
P(S) = 1 = P(A) + P(AC )

Introducción
2 P(∅) = 0
Dado que ∅ = SC , P(∅) = P(SC ) = 1 − P(S) = 0
3 Si A ∈ B, entonces P(A) ≤ P(B)
El evento B debe ser escrito de la forma
B = A ∪ (B ∩ AC )
donde A y (B ∩ AC ) son mutuamente excluyentes. Entonces:
P(B) = P(A) + P(B ∩ AC )
Lo que implica que P(B) ≥ P(A) dado que P(B ∩ AC ) ≥ 0

Introducción
4 Para cada evento Ai , P(Ai ) ≤ 1

La prueba viene de la propiedad anterior, dado que A ∈ S y
P(S) = 1.
5 Sea A1 , A2 , ..., An eventos definidos en S. Si Ai ∩ Aj = ∅ para

i ̸= j, entonces:
n
! n
[ X
P Ai = P(Ai )
i=1 i=1
Esto se puede comprobar con el Axioma 3.

Introducción
6 P(A ∪ B) = P(A) + P(B) − P(A ∩ B)
Podriamos comprobar esto mediante un diagrama de Venn,
según lo estudiado.
Más formalmente, del Axioma 3 tenemos que:
P(A) = P(A ∩ BC ) + P(A ∩ B)

P(B) = P(B ∩ AC ) + P(A ∩ B)
Juntando las dos ecuaciones:
P(A) + P(B) = [P(A ∩ BC ) + P(B ∩ AC ) + P(A ∩ B)] + P(A ∩ B)
Las sumatorias dentro de los corchetes es P(A ∪ B). Si res-

tamos P(A ∩ B) de ambos lados, obtenemos el resultado.
Introducción
Ejemplo 1
Sean A y B dos eventos definidos en el espacio muestral,

de forma que:
P(A) = 0.3
P(B) = 0.5
P(A ∪ B) = 0.7
Encuentre:
(a) P(A ∩ B)
(b) P(AC ∪ BC )
(c) P(AC ∩ B)

Introducción
Ejemplo 1 - (a)
Utilizando la propiedad 6, tenemos:
P(A ∩ B) = P(A) + P(B) − P(A ∪ B)

P(A ∩ B) = 0.3 + 0.5 − 0.7
= 0.1

Introducción
Ejemplo 1 - (b)
La unión de AC y BC se puede observar en el siguiente grá-

fico:
Así, tenemos que:

P(AC ∪ BC ) = 1 − P(A ∩ B)
= 1 − 0.1
= 0.9

Introducción
Ejemplo 1 - (c)
El evento AC ∩ B corresponde a la región de la siguiente

figura:
Entonces:
P(AC ∩ B) = P(B) − P(A ∩ B)
= 0.5 − 0.1
= 0.4
Introducción
Ejemplo 2
Demuestre que
P(A ∩ B) ≥ 1 − P(AC ) − P(BC )
Para 2 eventos (A y B) definidos en el espacio muestral S.

Introducción
Ejemplo 2
Del ejemplo anterior y de la primera propiedad tenemos

que:
P(A ∩ B) = P(A) + P(B) − P(A ∪ B)

= 1 − P(AC ) + 1 − P(BC ) − P(A ∪ B)
Pero, de la propiedad 4 tenemos que P(A ∪ B) ≤ 1, así que:
P(A ∩ B) ≥ 1 − P(AC ) − P(BC )
Esto se concluye al dejar de lado 1 − P(A ∪ B), expresión que es

≥ a 0.
Introducción
Ejemplo 3
Se seleccionan 2 cartas de un mazo común, sin devolución.
¿Cuál es la probabilidad que la segunda carta sea mayor

que la primera?

Introducción
Ejemplo 3
Definamos A1 , A2 y A3 los eventos donde “La primera carta

es menor”, “La primera carta es mayor” y “Ambas cartas
son iguales”, respectivamente.
Claramente, los 3 eventos definidos son mutuamente ex-

cluyentes, por lo que, según la propiedad de S:
P(A1 ∪ A2 ∪ A3 ) = P(A1 ) + P(A2 ) + P(A3 ) = 1

Introducción
Ejemplo 3
Una vez que se elije la primera carta, solo hay 3 posibles

3
cartas que conllevan al evento A3 . Así, P(A3 ) = 51 .
Además, por simetría, P(A1 ) = P(A2 ), así que
3
2P(A2 ) + =1
51
= 8/17

Introducción
Ejemplo 4
En una nueva película de artes marciales, la actriz principal

tiene un doble de acción que realiza las escenas peligrosas.
Según la trama, la actriz aparece en el 40 % de las escenas,

sU doble aparece en el 30 % y las dos juntas en el 5 %.
Responda las siguientes preguntas:

(a) ¿Cuál es la probabilidad de que en una escena solo
aparezca el doble?
(b) ¿Cuál es la probabilidad de que en una escena no
aparezca ninguna de las 2?

Introducción
Ejemplo 4 - (a)
Definimos “L” es el evento definido como “Aparece la actriz”

y D es el evento “Aparece el doble”.
Además, tenemos que P(L) = 0.40, P(D) = 0.30 y P(L ∩

D) = 0.05.
Entonces:
P(Solo aparece el doble) = P(D) − P(L ∩ D)

= 0.30 − 0.05
= 0.25

Introducción
Ejemplo 4 - (b)
El evento “Ninguna apareca” es el complemento del evento

“Al menos una aparece”.
Así, P(Al menos una aparece) = P(L ∪ D). Entonces, de la
primera propiedad tenemos que:
P(Ninguna aparece) = 1 − P(L ∪ D)

= 1 − [P(L) + P(D) − P(L ∩ D)]
= 1 − [0.40 + 0.30 − 0.05]
= 0.35

Introducción
Ejemplo 5
Imagine que un universitario envia su CV a 2 empresas di-

ferentes (X,Y) en búsqueda de prácticas.
Basado en información histórica de las empresas, el estu-

diante estimala probabilidad de ser aceptado por X (0.7) y
por Y (0.4). Además, sospecha que hay al menos un 75 %
de probabilidad de que al menos una empresa lo rechace.
¿Cuál es la probabilidad de ser aceptado en al menos una

empresa?

Introducción
Ejemplo 5
Definamos A como el evento “Empresa X lo acepta” y B el

evento “Empresa Y lo acepta”.
Además, tenemos que P(A) = 0.7, P(B) = 0.4 y P(AC ∪

BC ) = 0.75.
Lo que se está pidiendo es hallar P(A ∪ B).

Introducción
Ejemplo 5
De la propiedad 6 tenemos que:

P(A ∪ B) = P(A) + P(B) − P(A ∩ B)
Además, recordemos que AC ∪ BC = (A ∩ B)C , así que:

P(A ∩ B) = 1 − P[(A ∩ B)C ] = 1 − 0.75 = 0.25
Así:
P(A ∪ B) = P(A) + P(B) − P(A ∩ B)
= 0.7 + 0.4 − 0.25
= 0.85

Introducción
Contendios
1 Introducción

Introducción
Introducción
Para muchas situaciones del mundo real, lo “dado” en un

problema de probabilidad va más allá de conocer un con-
junto de otras probabilidades, tal como hemos visto en el
tema anterior.
A veces, estamos seguros de que cierto evento ha ocurrido

y ese hecho tiene implicancias en la probabilidad que trata-
mos de encontrar.
En otras palabras, la probabilidad de que un evento “A” ocu-

rra debe ser ajustada si sabemos que cierto evento B ya ha
ocurrido.

Introducción
Introducción
Cualquier probabilidad que es “revisada” al considerar la

ocurrencia de otro evento se conoce como “probabilidad
condicional”.
Por ejemplo, considere un dado que es lanzado, donde el

evento A representa “sale 6”. Claramente, P(A) = 61 .
Ahora, suponga que ese dado ha sido lanzado por otra per-
sona, pero no quiere decirnos si salio 6, pero nos da la in-
formación de que el evento B ha ocurrido “el número que
salió es par”.

Introducción
Introducción
¿Cuál es la probabilidades de A ahora?
Dada la información proporcionada, sabemos que solo hay

3 posibles resultados de la muestra que cumplen con el
evento B y solo uno de esos satisface A, por lo que la pro-
babilidad actualizada es 13 .

Introducción
Introducción
Note que el efecto de la información adicional, como el co-

nocimiento de que B ocurra, es replantear el espacio mues-
tral original (S) a un nuevo conjunto de resultados S’.

Introducción
Notación
El símbolo P(A|B) se lee como la “probabilidad de A dado

B” y es usado para denotar la probabilidad condicional.
Específicamente, P(A|B) se refiere a la probabilidad de que

A ocurra dado que B ya ocurrió.
Además, sería útil tener una fórmula para que P(A|B) puede
ser evaluada en términos del S original, en lugar de S’.

Introducción
Desarrollo
Suponga que A y B son dos eventos que contienen resul-

tados a y b; respectivamente, y que c denota el número de
resultados en la intersección de A y B.

Introducción
Desarrollo
Suponga que A y B son dos eventos que contienen resul-

tados a y b; respectivamente, y que c denota el número de
resultados en la intersección de A y B.
Basados en la imagen anterior, la probabilidad condicional

de A dado B es el ratio c y b.

Introducción
Desarrollo
c
Pero b puede escribirse como el cociente de otros dos ra-
tios:
c c/n
=
b b/n
En particular, podemos escribirlo como:
P(A ∩ B)
P(A|B) =
P(B)

Introducción
Desarrollo
La misma razón subyacente que conlleva a esta fórmula

se mantiene verdadera incluso cuando los resultados no
tienen la misma probabilidad o cuando S tiende a infinito.

Introducción
Resumen
Sean A y B dos eventos definidos en S, de forma que P(B) > 0,
la probabilidad condicional de A, asumiendo que B ya ha
ocurrido, se escribe P(A|B):
P(A ∩ B)
P(A|B) =
P(B)
y esto sirve para una expresión comunmente usada:
P(A ∩ B) = P(A|B) ∗ P(B)

Introducción
Ejemplo 1
Suponga que se selecciona una carta de una baraja.
¿Cuál es la probabilidad de que la carta sea trébol, dado

que la carta es un rey?

Introducción
Ejemplo 1
Intuitivamente, la respuesta es 1/4.
El rey tiene la misma probabilidad de ser corazón, diaman-

te, espada o trébol.
Formalmente, C es el evento “la carta es un trébol” y K es

el evento “la carta es un rey”.

Introducción
Ejemplo 1
4
Entonces, la probabilidad de K es 4/52, P(K) = 52 , y P(C ∩
1
K) = P(la carta sea un rey de trébol)= 52 .
Confirmando la intuición:
1/52 1
P(C|K) = =
4/52 4

Introducción
Ejemplo 1
Note que en este ejemplo, la probabilidad condicional P(C|K)

es numéricamente igual a la probabilidad incondicional P(C),
dado que ambos son 41 .
Esto indica que el conocimiento de que K ha ocurrido no da

más información sobre las probabilidades de que C ocurra.
Dos eventos con esta propiedad son denominados inde-

pendientes.

Introducción
Ejemplo 2
A veces, nuestra intuición puede ser engañada por proble-

mas de probabilidad, incluso por aquellos que parecen sim-
ples y directos.
Un ejemplo clásico es la literatura es el problema de los

“dos hombre”.
Considere un conjunto de familias que tienen 2 hijos y asu-

ma cuatro posibles secuencias de nacimientos, todos con
la misma probabilidad.
¿Cuál es la probabilidad de que ambos hijos sean hombres

dado que al menos uno es hombre?

Introducción
Ejemplo 2
Así:
1 Hombre - Mujer
2 Hombre - Hombre
3 Mujer - Hombre
4 Mujer - Mujer
Definamos A como el evento “ambos hijos son hombres” y

B como el evento “Al menos un hijo es hombre”.

Introducción
Ejemplo 2
Entonces,
P(A ∩ B) P(A)
P(A|B) = =
P(B) P(B)
Esto se debe a que A es un subconjunto de B. Pero A tiene

1 resultado (H,H) y B tiene 3 resultados (H,H), (H,M), (M,H).
Entonces,
1/4 1
P(A|B) = =
3/4 3

Introducción
Ejemplo 2
Graficamente:

Introducción
Ejemplo 3
Dos eventos A y B son definidos tal que:

1 La probabilidad de que A ocurra pero no B = 0.2
2 La probabilidad de que B ocurra pero no A = 0.1
3 La probabilidad de que ninguno de los 2 ocurra = 0.6
Calcule P(A|B).

Introducción
Ejemplo 3
Dos eventos A y B son definidos tal que:

1 La probabilidad de que A ocurra pero no B = 0.2
2 La probabilidad de que B ocurra pero no A = 0.1
3 La probabilidad de que ninguno de los 2 ocurra = 0.6
Calcule P(A|B).

Introducción
Ejemplo 3
Los 3 eventos mencionados se pueden visualizar en el si-

guiente gráfico:

Introducción
Ejemplo 3
Tomando en cuenta que:
P(ninguno ocurra) = 0.6 = P[(A ∪ B)C ]
Por consiguiente:
P(A ∪ B) = 1 − 0.6 = 0.4 = P(A ∩ BC ) + P(A ∩ B) + P(B ∩ AC )
Así que:
P(A ∩ B) = 0.4 − 0.2 − 0.1 = 0.1

Introducción
Ejemplo 3
Finalmente:
P(A ∩ B) P(A ∩ B)
P(A|B) = =
P(B) P(A ∩ B) + P(B ∩ AC )
0.1
=
0.1 + 0.1
= 0.5

Introducción
Ejemplo 4
Suponga que se desea importar gas natural licuado (GNL)

de Colombia a Perú.
Las complicaciones están en el hecho de que el GNL es al-

tamente volátil y un accidente de derrame durante el trans-
porte podría resultar en un gran incendio.
La pregunta para los creadores de política sería determinar

la probabilidad de que un derrame se convierta en un in-
cendio. Con esta información, pueden decidir si importar o
no.

Introducción
Ejemplo 4
Por lo tanto, debemos considerar 2 aspectos principales:
1 La probabilidad de que haya un accidente de derrame du-

rante el transporte.
2 La probabilidad de que el derrame se convierta en un incen-

dio.

Introducción
Ejemplo 4
Al respecto, se cuenta con la siguiente información:
1 La probabilidad de que haya un accidente de derrame es

8/50,000.
2 Dado que hubo un derrame, hay una probabilidad de 3 en

15,000 que el derrame genere un incendio.

Introducción
Ejemplo 4
¿Cuál es la probabilidad de que haya un derrame y se con-

vierta en un incendio?
Digamos que A denota el evento “el derrame genera un

incendio” y B denota el evento “ocurre un derrame”.
Se pide la probabilidad de que un derrame ocurra y que se

genere un incendio, lo que es P(A ∩ B).

Introducción
Ejemplo 4
Recordando:
P(A ∩ B)
P(A|B) =
P(B)
P(A ∩ B) = P(A|B) ∗ P(B)
Por lo tanto:
3 8
P(A ∩ B) = ∗
15000 50000
= 0, 000000032

Introducción
Ejemplo 5
Max y Juan son dos cazadores miopes que disparan simul-

taneamente a un blanco que está cerca de ellos.
Dado su pasado, se sabe que Max tiene 20 % de golpear

un objetivo estático, 30 % en el caso de Juan y hay un 6 %
de probabilidad que ambos acierten simultáneamente.
Suponga que ambos disparan al mismo tiempo y el blanco

es golpeado por 1 sola bala. ¿Cuál es la probabilidad de
que la bala que cayó en el objetivo sea de Juan?

Introducción
Ejemplo 5
Digamos que A es el evento “Max le da al blanco” y B el

evento “Juan le da al blanco”.
Además:
1 P(A) = 0.2
2 P(B) = 0.3
3 P(A ∩ B) = 0.06
Entonces, nosotros buscamos hallar:
P(B|(AC ∩ B) ∪ (A ∩ BC ))

Introducción
Ejemplo 5
Recordando que B∩[(AC ∩B)∪(A∩BC )] = AC ∩B, entonces:
P(AC ∩ B)
P(B|(AC ∩ B) ∪ (A ∩ BC )) =
P((AC ∩ B) ∪ (A ∩ BC ))
[P(B) − P(A ∩ B)]
=
[P(A ∪ B) − P(A ∩ B)]
[0.3 − 0.06]
=
[0.2 + 0.3 − 0.06 − 0.06]
= 0.63

Introducción
Contendios
1 Introducción

Introducción

Introducción
Hemos visto que la probabilidad condicional es muy útil pa-

ra evaluar la probabilidad de intersecciones:
P(A ∩ B) = P(A|B) ∗ P(B) = P(B|A) ∗ P(A)
Un resultado similar se mantiene para intersecciones de al-

to orden.

Introducción

Introducción
Si consideramos “A ∩ B” como un solo evento (llamándo a

la intercepción “D”), podemos escribir:
P(A ∩ B ∩ C) = P(D ∩ C)
= P(C|D) ∗ P(D)
= P(C|A ∩ B) ∗ P(A ∩ B)
= P(C|A ∩ B) ∗ P(B|A) ∗ P(A)

Introducción

Introducción
Si repetimos este argumento para “n” eventos, A1 , A2 , A3 ..., An ,

tenemos una fórmula general:
P(A1 ∩ A2 ∩ A3 ... ∩ An ) =P(An |A1 ∩ A2 ∩ A3 ... ∩ An−1 )∗

P(An−1 |A1 ∩ A2 ∩ A3 ... ∩ An−2 )∗
... P(A2 |A1 ) ∗ P(A1 )

Introducción

Ejemplo
Una urna contiene:

5 fichas blancas.
4 fichas negras.
3 fichas rojas
De la cual se extraen 4 fichas de forma consecutiva y sin

reposición.
¿Cuál es la probabilidad de obtener la secuencia (blanco,

rojo, blanco, negro)?

Introducción

Ejemplo
Considere la siguiente imagen:
El objetivo es encontrar P(A ∩ B ∩ C ∩ D)
P(A ∩ B ∩ C ∩ D) = P(D|A ∩ B ∩ C) ∗ P(C|A ∩ B) ∗ P(B|A) ∗ P(A)

Introducción

Ejemplo
Si vemos la imagen, podemos definir las probabilidades:

4
P(D|A ∩ B ∩ C) = 9
4
P(C|A ∩ B) = 10
3
P(B|A) = 11
5
P(A) = 12
Por lo tanto:
4 4 3 5
P(A ∩ B ∩ C ∩ D) = ∗ ∗ ∗
9 10 11 12
= 0.02

Introducción
Alexander Grande
Estadística Inferencial - UCS
Setiembre 2022

EI Lecture 02

Cargado por

Información del documento

Descripción original:

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

EI Lecture 02

Cargado por

Copyright:

Formatos disponibles

Introducción

Estadística Inferencial - UCS

Alexander Grande Estadística Inferencial

4 Intersecciones de alto orden

Alexander Grande Estadística Inferencial

Habiendo introducido el concepto de “experimento” y “es-

Si S es un evento definido en el espacio muestral S, P(A)

Alexander Grande Estadística Inferencial

P(A ∪ B) = P(A) + P(B)

Alexander Grande Estadística Inferencial

4 Intersecciones de alto orden

Alexander Grande Estadística Inferencial

De los axiomas propuestos por Kolmogorov, obtenemos co-

Aún siendo simples, son extremadamente útiles para resol-

Alexander Grande Estadística Inferencial

Pero, por definición, A y AC son mutuamente excluyentes,

P(S) = 1 = P(A) + P(AC )

Alexander Grande Estadística Inferencial

donde A y (B ∩ AC ) son mutuamente excluyentes. Entonces:

P(B) = P(A) + P(B ∩ AC )

Lo que implica que P(B) ≥ P(A) dado que P(B ∩ AC ) ≥ 0

Alexander Grande Estadística Inferencial

4 Para cada evento Ai , P(Ai ) ≤ 1

5 Sea A1 , A2 , ..., An eventos definidos en S. Si Ai ∩ Aj = ∅ para

Esto se puede comprobar con el Axioma 3.

Alexander Grande Estadística Inferencial

P(A) = P(A ∩ BC ) + P(A ∩ B)

Juntando las dos ecuaciones:

P(A) + P(B) = [P(A ∩ BC ) + P(B ∩ AC ) + P(A ∩ B)] + P(A ∩ B)

Las sumatorias dentro de los corchetes es P(A ∪ B). Si res-

Sean A y B dos eventos definidos en el espacio muestral,

Alexander Grande Estadística Inferencial

Utilizando la propiedad 6, tenemos:

P(A ∩ B) = P(A) + P(B) − P(A ∪ B)

Alexander Grande Estadística Inferencial

La unión de AC y BC se puede observar en el siguiente grá-

Así, tenemos que:

Alexander Grande Estadística Inferencial

El evento AC ∩ B corresponde a la región de la siguiente

P(A ∩ B) ≥ 1 − P(AC ) − P(BC )

Para 2 eventos (A y B) definidos en el espacio muestral S.

Alexander Grande Estadística Inferencial

Del ejemplo anterior y de la primera propiedad tenemos

P(A ∩ B) = P(A) + P(B) − P(A ∪ B)

Pero, de la propiedad 4 tenemos que P(A ∪ B) ≤ 1, así que:

P(A ∩ B) ≥ 1 − P(AC ) − P(BC )

Esto se concluye al dejar de lado 1 − P(A ∪ B), expresión que es

Se seleccionan 2 cartas de un mazo común, sin devolución.

¿Cuál es la probabilidad que la segunda carta sea mayor

Alexander Grande Estadística Inferencial

Definamos A1 , A2 y A3 los eventos donde “La primera carta

Claramente, los 3 eventos definidos son mutuamente ex-

P(A1 ∪ A2 ∪ A3 ) = P(A1 ) + P(A2 ) + P(A3 ) = 1

Alexander Grande Estadística Inferencial

Una vez que se elije la primera carta, solo hay 3 posibles

Además, por simetría, P(A1 ) = P(A2 ), así que

Alexander Grande Estadística Inferencial

En una nueva película de artes marciales, la actriz principal

Según la trama, la actriz aparece en el 40 % de las escenas,

Responda las siguientes preguntas:

Alexander Grande Estadística Inferencial

Definimos “L” es el evento definido como “Aparece la actriz”