Probabilidad y

Estadística

Tema: Probabilidad
Programa: Unidad I
Libro: Capítulo 2
La Estadística…
 La estadística es matemática aplicada y, como tal, estudia
relaciones formales, crea modelos matemáticos de la realidad;
su número es la Probabilidad. La Probabilidad es una
MEDIDA DE LA INFORMACION.
 La estadística no estudia causas, a lo sumo ayuda a las
ciencias de la naturaleza a determinarlas.
 No siendo una ciencia de la naturaleza, el tiempo no
interviene en la estadística, aunque para algunos modelos
será el factor ordenador de los resultados y el orden sí puede
interesar. En ese caso estamos frente a un proceso aleatorio (o
estocástico).
 Los modelos estadísticos ayudan a entender y a tomar
decisiones frente a una situación real. En todo modelo
definiremos arbitrariamente a nuestro interés un espacio
muestral que es el conjunto de los resultados considerados
de nuestra experiencia a modelizar.
Modelo estadístico:
EXPERIMENTO ALEATORIO
 No se conoce el resultado
 Se conocen posibles resultados .
 Ejemplos:
 Arrojar una moneda y ver si salió cara o cruz
 Obtener una carta de un mazo de cartas españolas y
se pueden ver …
 cada una de las cuarenta cartas
 Palo: espadas; oros; bastos; copas
 as de espadas; no as de espadas
 otros
 Modelo estadístico:
ESPACIO MUESTRAL
 Ej 1: arrojar una moneda y observar la posición con que se detiene,
podemos definir como espacio muestral el conjunto E = {cara; cruz}
¿Es este espacio muestral completo? ¿No deberíamos incluir los
resultados: canto, pérdida, rotura de la moneda u otros?
 El espacio muestral es arbitrario, lo definiremos a nuestro antojo,
o mejor dicho, a nuestras necesidades, sin importar la experiencia
física en sí. Cualquier resultado de la experiencia que no forma parte
de nuestro espacio muestral sería como considerar no efectuada la
misma.
 Otro ejemplo: Para el experimento obtener una carta de un mazo de
cartas españolas.Podremos definir el espacio muestral de varias
formas según el objetivo de cálculo, por ejemplo :
 E = {cada una de las cuarenta cartas}
 E = {espadas; oros; bastos; copas}
 E = {as de espadas; no as de espadas}
 otros
SUCESO o EVENTO
 Llamamos suceso a cualquier subconjunto del espacio
muestral, aún un resultado es un suceso de un solo elemento.
A cada resultado y coherentemente (o sea, siguiendo las
reglas axiomáticas y lógicas) a los sucesos, les asignaremos
un numero entre 0 y 1, llamado probabilidad.
 Por ejemplo, la definición de suceso depende del espacio
muestral de referencia.
 Si Para el experimento obtener una carta de un mazo de cartas
españolas definimos el espacio muestral
E = {espadas; oros; bastos; copas}
 Un suceso posible es A = {espadas; oros}
 y no puedo definir un suceso B= {as de espadas} porque no
está incluido en el espacio muestral.
 LA MEDIDA DE LA
PROBABILIDAD
Mediremos la probabilidad con un número comprendido entre 0 y 1. Haremos valer los siguientes
axiomas (recuerde que la estadística es matemática, es una ciencia formal).
A; B dentifican sucesos
P(A) probabilidad del suceso A
E el espacio muestral (conjunto de todos los resultados)
 Primer axioma P(A)  0

(La P de un suceso es un número mayor o igual a 0).

 Segundo axioma P(E) = 1

(La P del espacio muestral es 1, no podrá asignarse P a sucesos no considerados en el

espacio muestral).

 Tercer axioma Si A  B = , entonces P(A  B) = P(A) + P(B)

Si la intersección entre dos sucesos es el conjunto vacío (son disjuntos) entonces la

probabilidad de la unión de esos dos sucesos es igual a la suma de las P respectivas.
 AXIMAS DE PROBABILIDAD
A; B Identifican sucesos
P(A) probabilidad del suceso A
E el espacio muestral (conjunto de todos los resultados)

 Primer axioma P(A)  0

 Segundo axioma P(E) = 1

 Tercer axioma
Si A  B =  entonces P(A  B) = P(A) + P(B)

.
Ejemplo 2: si quisiéramos calcular las probabilidades de los
resultados de la experiencia de arrojar dos monedas, ¿cómo
debería ser definido el espacio muestral?
Definamos:
 CC sacar 2 caras
 CyZ sacar una cara y una cruz de alguna forma
 ZZ sacar 2 cruces
 ZC sacar una cara en una moneda y cruz en la otra
 CZ sacar una cruz y una cara en posición invertida
a la anterior 1 1 1
P(CyZ )  P(CZ  ZC )  P(CZ )  P( ZC )   
4 4 2
1º esquema ¿es correcto?N 2º esquema ¿es correcto? Si
Resultado Probabilidad ¿cuál Resultado Probabilidad
son?
CC 1/3 CC 1/4
1/4
CyZ ZC 1/4
1/3 1/2
ZZ 1/3 1/4 CZ 1/4
ZZ 1/4
El 1° es abarcativa y no equiprobable por ello se utiliza el esquema 2° que cumple las
dos condiciones y además permite calcular la probabilidad del esquema 1°a
 PROBABILIDAD DE UNIÓN
 Ejemplo: ¿cuál es la probabilidad que salga par o menor que 3 en el dado?
 A= salió un número menor a 3 en el dado
 B= salió par en el dado A
 Siendo A={1;2} B={2;4;6} AnB={2}

P( A  B)  P( A)  P( B)  P( A  B)
2 3 1 4 2 B
P( A  B)     
6 6 6 6 3
Nótese que unión (AuB) esta asociado a ocurre A o B o los dos. En
cambio intersección (AnB) significa que ocurre A y ocurre B (los dos)
Partición del espacio muestral
Partición del espacio muestral es un conjunto de
sucesos Ri (llamados resultados ) que cumple las
siguientes condiciones:
 E = R1  R2  ...  Ri  ...  Rn

(la unión de todos los resultados Ri completan el

espacio muestral)
 Ri  Rj=  ij

(Los conjuntos Ri y Rj son disjuntos, es decir no tienen

elementos en común)
Partición del espacio muestral
 E = R1  R2  ...  Ri  ...  Rn
 Ri  Rj=  ij
R1 E
R2

Ri

Rj

Rn
CÁLCULO DE PROBABILIDADES EN ESPACIOS
DE RESULTADOS EQUIPROBABLES
E = R1  R2  ...  Ri  ...  Rn
Ri  Rj=  ij
 Si un espacio está definido de tal manera que las probabilidades
de cada resultado son iguales (hay equiprobabilidad), entonces
podemos poner:
 P(R1) = P(R2) = P(R3) = ... = P(Ri) = ... = P(Rn)
(equiprobabilidad)
n

 P( R )  1
i 1
i  por segundo y tercer axioma

 Por este sistema de ecuaciones queda que la probabilidad

asignada a cada resultado es
1
P( Ri ) 
n
 CÁLCULO DE PROBABILIDADES EN ESPACIOS
DE RESULTADOS EQUIPROBABLES
E = R1  R2  ...  Ri  ...  Rn
Ri  Rj=  ij
 P(R1) = P(R2) = P(R3) = ... = P(Ri) = ... = P(Rn)
(equiprobabilidad)

n

 P( R )  1
i 1
i
 por segundo y tercer axioma

 Por este sistema de ecuaciones queda que la probabilidad asignada a

cada resultado es P( R ) 
1
i
n
siendo n la cantidad de resultados definidos en el espacio muestral.
 Observe que en última instancia la equiprobabilidad es un problema
de información donde equiprobable es no tener ninguna información
de referencia con respecto a alguno de ellos.
CÁLCULO DE PROBABILIDADES EN ESPACIOS
DE RESULTADOS EQUIPROBABLES
 Por definición de suceso (conjunto de c resultados), será:
 donde c es la cantidad de resultados que forman el suceso y n la
cantidad total de resultados equiprobables definidos en E.

c
P( A) 
n
 Idea: Casos favorables para el suceso A sobre casos posibles.
 Ejemplo: cuál es la probabilidad de obtener AS en un juego de truco
 A= salió AS
 c= cantidad de AS en el mazo (4) P ( A) 
4
 00,1
,25
 n= cantidad total de cartas (40) 40
PROBABILIDAD CONDICIONAL
 Toda probabilidad está referida a un determinado y previamente
definido espacio muestral. En el planteo de un modelo es
frecuente necesitar o tener probabilidades referidas a espacios
muestrales diferentes.
 La fórmula que relaciona las probabilidades condicionales con no
condicionales es: P( A  B)
P( A / B) 
P( B)
 También usaremos P(A  B) = P(A/ B) P(B)
 Es una definición pero que tiene su explicación implícita: es la
proporción de una parte P(A  B) dentro de otra P(B), ambas
definidas dentro de un todo (espacio muestral general).
 PROBABILIDAD CONDICIONAL
 Si las probabilidades fueran proporcionales al área con los que
simbolizamos los sucesos, podríamos interpretar la probabilidad
condicional P(A/ B) como la proporción que existe de A dentro de B:

A Espacio Muestral B

B B

 Estar condicionado a B implica “olvidarse” de lo que está fuera de B,

como si no existiera, obsérvese que P(B/ B) = 1; o sea, es el nuevo
espacio muestral, es el nuevo total.
 PROBABILIDAD CONDICIONAL
 Se podrá escribir P(A/ B  C) o P(A/ B  C), pero nunca P(A/ B/ C),
o sea, con dos o más condicionamientos no tendría sentido. ¿Cuál
sería el espacio al que se refiere?
 Ejemplo: ¿cuál es la probabilidad que salga 6 en el dado sabiendo
que salio par?
1
 A= salio 6 en el dado
P( A  B) 6 1
 B= salió par en el dado P( A / B)   
P( B) 1 3
Espacio Muestral B 2
A
La mitad de las veces
sale par, de ellas un
B
tercio sale 6
 SUCESOS INDEPENDIENTES
¿Son independientes los suceso salió 6 en el dado y salió par en el
dado? En prinicipio uno diría que los suceso están relacionados
pero no es de lo que se trata la pregunta. Se quiere saber si los
sucesos son ESTADÍSTICAMENTE INDEPENDIENTES Y
LA RESPUESTA ES NO
1 1
P( A)  mientras P( A / B) 
6 3

Una forma de verlo es que si ya se que salió par es más probable

(1/3) que sea 6 que si no se nada sobre que salió (1/6). Esto se
expresa: 1 1
P( A)    P( A / B)
6 3
SUCESOS INDEPENDIENTES
La definición de independencia puede darse como:
 A y B son sucesos independientes si, y sólo si:

P(A / B) = P(A)  P(B / A) = P(B) 

P(A  B) = P(A) P(B)
siendo P(A) 0 y P(B) 0
 la información NO MODIFICA la
probabilidad.
 FORMULA DE LA
PROBABILIDAD TOTAL
Supongamos un espacio muestral definido por n resultados Ri;
definamos además un resultado A.
 Por ejemplo: Ri = pieza producida por máquina i (luego hay
n máquinas)
A = pieza defectuosa
 Recuerde el espacio muestral
E = (R1  R2  ...  Ri  ...  Rn)
 Podemos hacer:
P(A) = P(A  E) = P[A  (R1  R2  ...  Ri  ...  Rn) ] =
= P(A  R1) + P(A  R2) + ... + P(A  Ri) + ... + P(A  Rn)
porque los resultados son disjuntos y por el tercer axioma.
 P(A) = P(A  R1) + P(A  R2) + ... + P(A  Ri) + ... + P(A  Rn)
 FORMULA DE LA
PROBABILIDAD TOTAL
 Sintéticamente:
A R1
R1  A
n n
R2  A R2
P ( A)   P(A  Ri ) 
i 1
 P ( A / R j ) P (R j )
j 1

Ri  A Ri
 Vea que lo único que estamos
diciendo es que el suceso A está Rn  A
formado por la unión de sus n Rn
partes y que su probabilidad se
puede calcular como suma de
las P de sus partes.
 FORMULA DE LA
PROBABILIDAD TOTAL
 Caso particular:

{ A}  { A  B}  { A  B}  P ( A)  P ( A  B)  P ( A  B)

A ¯¯
B Espacio Muestral B

B B
 Ejemplo 4: Se sabe que la probabilidad de que una pieza sea defectuosa si es
producida por la máquina M1 es del 20%, y del 10% si es producida por la
máquina M2, y el total de la producción está compuesto por un 60% de piezas
(entre buenas y defectuosas) de M1 y el resto (40%) de M2.

Si defino los sucesos

D: pieza defectuosa
M1: pieza de máquina 1
M2: pieza de máquina 2

Y escribiremos
 P(D/ M1) = 0,20 al porcentaje de defectuosas dentro de las producidas por M1.
 P(D/ M2) = 0,10 al porcentaje de defectuosas dentro de las producidas por M2.
 P(M1/ D) al porcentaje de piezas producidas por M1 en el total de
defectuosas.
 P(M2/ D) al porcentaje de piezas producidas por M2 en el total de
defectuosas.

 En todo modelo habrá un solo gran espacio muestral, y a falta de indicación en

contrario, la probabilidad estará referida a ese espacio
 Ejemplo 4: Se sabe que la probabilidad de que una pieza sea defectuosa si es
producida por la máquina M1 es del 20%, y del 10% si es producida por la
máquina M2, y el total de la producción está compuesto por un 60% de piezas
(entre buenas y defectuosas) de M1 y el resto (40%) de M2.

 P(D  M1) = P(D/ M1) P(M1) = 0,2 * 0,60 = 0,12

es el porcentaje de piezas defectuosas producidas por
M1 referidas al total.

 P(D  M2) = P(D/ M2) P(M2) = 0,10 * 0,40 = 0,04

es el porcentaje de piezas defectuosas de M2 referidas
al total.

 P(D) = P(D  M1) + P(D  M2) = 0,16

es el porcentaje de defectuosas en el total de la
producción

{D} = {D  E} y {E} = {M1  M2}

P(D) = P(D  E) = P(D  M1) + P(D  M2) = P(D/ M1) P(M1) + P(D/ M2) P(M2)
PROBABILIDAD TOTAL
 LA FORMULA DE BAYES

 Supongamos un espacio definido con n resultados Ri; donde

también se establece un suceso A.
P (R i  A) P ( A / R i ) P (R i ) P(A / Ri )
P (R i / A)  n
 n
 n
P (R i )
 P (R
j 1
j  A)  P(R
j 1
j  A)  P(A / R
j 1
j ) P (R j )

 Esto, que no es más que la aplicación de la definición de P

condicional y la fórmula de P total, se llama fórmula de Bayes.
 Muestra cómo se modifica la P de un resultado Ri bajo condición
de “saber” A. Aquí otra vez se ve el concepto de probabilidad
como medida de la información.
 P(Ri) es llamada “Probabilidad a priori”
 P(Ri/ A) es llamada “Probabilidad a posteriori”
 Pero atención, no es un concepto de antes y después temporal
sino de “antes de información” y “después de información”.
 Ejemplo 4: Se sabe que la probabilidad de que una pieza sea defectuosa si es
producida por la máquina M1 es del 20%, y del 10% si es producida por la
máquina M2, y el total de la producción está compuesto por un 60% de piezas
(entre buenas y defectuosas) de M1 y el resto (40%) de M2.

 Probabilidad de ser de M1 si se sabe es una pieza defectuosa

P ( M 1  D ) P ( D / M 1 ) P ( M 1 ) 0,12
P( M 1 / D)     00,75
,80  80%
P( D) P( D) 0,16

 se lee: la P de que provenga de M1 una pieza defectuosa es el

75%, o también, sabiendo que la pieza es defectuosa, la P de
que sea de M1 es el 75%.
P ( M 2  D) P ( D / M 2 ) P ( M 2 ) 0,04
P( M 2 / D)     00,25
,20  20%
P( D) P( D) 0,16
 la probabilidad de que provenga de M2 una pieza defectuosa
 Nótese que P(M1/ D) + P(M2/ D) = P(M1  M2/ D) = 1 puesto que
siempre {M1  M2} = E en cualquier subespacio.
 FÓRMULAS ÚTILES
a) ninguna probabilidad podrá ser negativa ó superior a 1.

b) P ( A)  1  P ( A) Probabilidad del complemento.

c) P ( A  B)  P ( A)  P( B )  P ( A  B) y su generalización a n sucesos.

n
d) P ( A)   P (A  R ) i Probabilidad total.
i 1

P ( A  B)
e) P ( A / B)  Definición de probabilidad condicional.
P ( B)

f) P(A  B  C) = P(A/ B  C) P(B/ C) P(C) y su generalización.

P( A / Ri ) P( Ri )
g) P (Ri / A)  n
Fórmula de Bayes.
 P( A / R ) P( R )
i i
i 1

h) P(A / B) = P(A)  P(B / A) = P(B)  P(A  B) = P(A) P(B)  independencia (falta de información)