Introducción a la

probabilidad
Vladimir Rodríguez
vrodriguez@usfq.edu.ec

Slide 1
 INTRODUCCIÓN A LA PROBABILIDAD

• Experimentos, reglas de conteo y asignación de

probabilidades.
• Eventos y sus probabilidades
• Algunas relaciones básicas de probabilidad
• Probabilidad condicional
• Teorema de Bayes

Slide 2
 Incertidumbre

Los administradores con frecuencia toman sus decisiones en base a

un análisis de incertidumbre similar a lo siguiente:
Cuáles son las posibilidades de que las ventas disminuyan
si incrementamos los precios?

Cuál es la probabilidad de que un método nuevo método

de ensamblaje incremente la productividad?

Cuál es la probabilidad de que una nueva inversión sea

rentable?

Slide 3
 Probabilidad

La probabilidad es una medida numérica de la posibilidad de

que un evento ocurra.

Los valores de probabilidad siempre se asignan en una escala

de 0 a 1

Una probabilidad cercana a 0 indica que es poco probable

que un evento ocurra

Una probabilidad cercana a 1 indica que es casi seguro que

un evento se produzca

Slide 4
 Experimentos estadísticos

Un experimento se define como un proceso que genera resultados bien definidos.

En cada repetición ocurre uno y sólo uno de los resultados posibles del
experimento.

Espacio muestral es el conjunto de todos los resultados del experimento.

Puntos de la muestra: se les llama a los resultados del experimento

Slide 5
 EXPERIMENTO Y ESPACIO MUESTRAL
Ejemplo: Inversiones Bradley
Bradley ha invertido en dos portafolios, Markley Oil y Collins
Mining. Bradley ha determinado que los posibles resultados de
estas inversiones después de tres meses serán las siguientes:

Ganancia o Pérdida
en 3 meses (en $000)
Markley Oil Collins Mining
10 8
5 -2
0
-20

Slide 6
 REGLAS DE CONTEO, COMBINACIONES Y
PERMUTACIONES

Un diagrama de árbol es una representación gráfica que ayuda a visualizar

un experimento de pasos múltiples

Slide 7
 REGLAS DE CONTEO, COMBINACIONES Y
PERMUTACIONES
Ejemplo: Inversiones Bradley
Inversiones Bradley puede ser analizado como un
experimento de dos pasos . Involucra dos
portafolios donde cada uno tiene resultados
experimentales

Markley Oil: n1 = 4
Collins Mining: n2 = 2
Número total de
resultados experimentales n1n2 = (4)(2) = 8

Slide 8
 DIAGRAMA DE ÁRBOL
Ejemplo: Inversiones Bradley
Markley Oil Collins Mining Resultados
(Paso 1) (Paso 2) Experimentales
Gana 8 (10, 8) Gana $18,000
(10, -2) Gana $8,000
Gana 10 Pierde 2
Gana 8 (5, 8) Gana $13,000

Pierde 2 (5, -2) Gana $3,000

Gana 5
Gana 8
(0, 8) Gana $8,000
No gana
(0, -2) Pierde $2,000
Pierde 2
Gana 8 (-20, 8) Pierde $12,000
Pierde 20
Pierde 2 (-20, -2) Pierde $22,000

Slide 9
 REGLA DE CONTEO PARA COMBINACIONES
Regla de conteo para combinaciones al seleccionar n objetos de un
conjunto de N objetos

REGLA DE CONTEO PARA PERMUTACIONES

Permite calcular el número de resultados experimentales cuando se
seleccionan n objetos de un conjunto de N objetos y el orden de
selección es importante

Slide 10
Asignación de probabilidades

Slide 11
 Asignación de probabilidades

Método clásico
es apropiado cuando todos los resultados del experimento
son igualmente probables. Si n resultados son posibles, una
Probabilidad de 1/n se asigna a cada resultado experimental.

Método de frecuencia relativa

es apropiado cuando los datos están disponibles para estimar
la proporción del tiempo en que ocurrirá el resultado si el
experimento se repite un gran número de veces

Método subjetivo
es más apropiado cuando no se puede asumir en forma
realista que los resultados del experimento son igualmente
probables y cuando se dispone de pocos datos relevantes

Slide 12
 MÉTODO CLÁSICO

Ejemplo: Lanzamiento de un dado

▪ Si un experimento tiene n resultados posibles, él

método clásico asignará una probabilidad de 1/n
a cada resultado.
▪ Experimento: Lanzar un dado
▪ Espacio muestral: S = {1,2,3,4,5,6}
▪ Probabilidad de cada elemento: 1/6

Slide 13
 MÉTODO DE FRECUENCIA RELATIVA
Ejemplo: Herramientas de arrendamiento
El gerente del almacén de arrendamiento de herramientas quiere
asignar las probabilidades de acuerdo al número de pulidores
de pintura que arrienda cada día.
Los registros de la caja muestran los siguientes registros del
ultimo mes

# de pulidores Número
rentados de días
0 4
1 6
2 18
3 10
4 2

Slide 14
 MÉTODO DE FRECUENCIA RELATIVA
Ejemplo: Herramientas de arrendamiento
Cada probabilidad es asignada dividiendo la frecuencia
(número de días) para el total del número de días

# de pulidores Número
rentados de días Probabilidad
0 4 .10
1 6 .15
2 18 .45 4/40
3 10 .25
4 2 .05
40 1.00
Slide 15
 MÉTODO SUBJETIVO
• Cuando las condiciones económicas y las condiciones de una
compañía cambian rápidamente es inapropiado asignar
probabilidades basadas sólo en datos históricos.
• Se puede usar información relacionada con la experiencia o intuición
de un individuo, pero generalmente la probabilidad expresará el
grado de creencia que el resultado experimental ocurrirá
• Estimar la probabilidad de la mejor manera estará relacionada con la
combinación adecuada del método de frecuencia relativa y el
método subjetivo

Slide 16
 MÉTODO SUBJETIVO
Ejemplo: Inversiones Bradley
Un analista realizó las siguientes estimaciones:

Resultado Ganancia o Pérdida Probabilidad

(10, 8) $18,000 Ganancia .20
(10, -2) $8,000 Ganancia .08
(5, 8) $13,000 Ganancia .16
(5, -2) $3,000 Ganancia .26
(0, 8) $8,000 Ganancia .10
(0, -2) $2,000 Pérdida .12
(-20, 8) $12,000 Pérdida .02
(-20, -2) $22,000 Pérdida .06

Slide 17
 Eventos y sus probabilidades

Un evento es una colección de puntos de la muestra.

La probabilidad de cualquier evento es igual a la suma de

las probabilidades de los puntos de la muestra del evento.

Ejemplo: Inversiones Bradley

Evento M = Markley Oil rentable Evento C = Collins Mining rentable

M = {(10, 8), (10, -2), (5, 8), (5, -2)} C = {(10, 8), (5, 8), (0, 8), (-20, 8)}

P(M) = P(10, 8) + P(10, -2) + P(5, 8) + P(5, -2) P(C) = P(10, 8) + P(5, 8) + P(0, 8) + P(-20, 8)

= .20 + .08 + .16 + .26 = .20 + .16 + .10 + .02

= .70 = .48

Slide 18
 ALGUNAS RELACIONES BÁSICAS DE PROBABILIDAD

Existen algunas relaciones básicas de probabilidad

que pueden ser usadas para calcular la probabilidad
de un evento sin el conocimiento de todas las
probabilidades de los elementos del espacio muestral

Complemento de un Evento

Union de dos eventos

Intersección de dos eventos

Eventos mutuamente excluyentes

Slide 19
 Complemento de un evento

El complemento de A se define como el evento que consta de

todos los puntos de la muestra que no están en A

El complemento de A se denota por medio de Ac.

Espacio
Evento A Ac Muestral S

Diagrama
de Venn

Slide 20
 Unión de dos eventos

La unión de A y B es el evento que contiene todos los puntos de

la muestra que pertenecen a A o B o ambos. La unión se denota
mediante A  B.

Espacio
Evento A Evento B Muestral S

Slide 21
 Unión de dos eventos

Ejemplo: Inversiones Bradley

Evento M = Markley Oil rentable

Evento C = Collins Mining rentable
M  C = Markley Oil rentable
o Collins Mining rentable (o ambos)
M  C = {(10, 8), (10, -2), (5, 8), (5, -2), (0, 8), (-20, 8)}
P(M  C) = P(10, 8) + P(10, -2) + P(5, 8) + P(5, -2)
+ P(0, 8) + P(-20, 8)
= .20 + .08 + .16 + .26 + .10 + .02
= .82

Slide 22
 Intersección de dos eventos

Dados dos eventos A y B, la intersección de A y B es el evento que

contiene los puntos de la muestra que pertenecen a tanto a A
como a B. La intersección se denota por medio A  

Espacio
Evento A Evento B muestral S

Intersección de A y B

Slide 23
 Intersección de dos eventos

Ejemplo: Bradley Investments

Event M = Markley Oil rentable

Event C = Collins Mining rentable
M  C = Markley Oil rentable
y Collins Mining rentable
M  C = {(10, 8), (5, 8)}
P(M  C) = P(10, 8) + P(5, 8)
= .20 + .16
= .36

Slide 24
 Ley de adición

La ley de la adición proporciona una manera de calcular la

probabilidad de que ocurra el evento A o el evento B o ambos

Ley de adición:

P(A  B) = P(A) + P(B) - P(A  B)

Slide 25
 Ley de adición

Ejemplo: Inversiones Bradley

Evento M = Markley Oil rentable

Evento C = Collins Mining rentable
M  C = Markley Oil rentable
o Collins Mining rentable
Sabemos: P(M) = .70, P(C) = .48, P(M  C) = .36
Entonces: P(M  C) = P(M) + P(C) - P(M  C)
= .70 + .48 - .36
= .82

Slide 26
 Eventos mutuamente excluyentes

Se dice que dos eventos son mutuamente excluyentes si no tienen

puntos de la muestra en común.

Los eventos A y B son mutuamente excluyentes si, cuando ocurre

un evento, el otro no puede ocurrir.

Espacio
Evento A Evento B muestral S

Slide 27
 Eventos mutuamente excluyentes

Si los eventos son mutuamente excluyentes, P(A  B) = 0.

La ley de la adición establece la fórmula

P(A  B) = P(A) + P(B)

No hay necesidad de
“- P(A  B)”

Slide 28
 Probabilidad condicional
Suponga que se tiene un evento A con probabilidad P(A). Si se obtiene nueva
información y se aprende que un evento relacionado, denotado por B, ya
ocurrió, esta información se puede aprovechar mediante el cálculo de una
nueva probabilidad del evento A, a la cual se denomina probabilidad
condicional, y se escribe P(A | B) y se lee “la probabilidad de A dado B”.

La probabilidad condicional se la calcula usando:

P( A  B)
P( A|B) =
P( B)

Slide 29
 Probabilidad condicional

Ejemplo: Inversionles Bradley

Event M = Markley Oil rentable

Event C = Collins Mining rentable
P(C | M ) = Collins Mining rentable
dado Markley Oil Profitable
Sabemos que : P(M  C) = .36, P(M) = .70
P(C  M ) .36
Entonces: P(C | M ) = = = .5143
P( M ) .70

Slide 30
 Ley de la multiplicación

La ley de la multiplicación se utiliza para calcular la probabilidad de la intersección

de dos eventos.

Usa la fórmula:

P(A  B) = P(B)P(A|B)

Slide 31
 Ley de multiplicación

Ejemplo: Inversiones Bradley

Evento M = Markley Oil rentable
Evento C = Collins Mining rentable
M  C = Markley Oil rentable
y Collins Mining rentable
Sabemos que: P(M) = .70, P(C|M) = .5143
Entonces: P(M  C) = P(M)P(C|M)
= (.70)(.5143)
= .36

Slide 32
 Probabilidad conjunta

Por tanto P(A | M) indica que estamos interesados

sólo en el estado de la promoción de los 960
oficiales hombres.

Slide 33
 Eventos independientes
Si la probabilidad de un evento A no se modifica por la existencia de
un evento B, entonces Podemos decir que los eventos A y B son
independientes

Dos eventos A y B son independientes si:

P(A|B) = P(A) o P(B|A) = P(B)

Ley de multiplicación para eventos independientes

La ley de multiplicación puede ser usada para determinar si

los eventos son independientes

Se expresa como:

P(A  B) = P(A)P(B)
Slide 34
 Ley de multiplicación para eventos independientes
Ejemplo: Inversiones Bradley

Evento M = Markley Oil rentable

Evento C = Collins Mining rentable
Son los eventos M y C independientes?
Es P(M  C) = P(M)P(C) ?
Conocemos: P(M  C) = .36, P(M) = .70, P(C) = .48
Pero: P(M)P(C) = (.70)(.48) = .34, no .36
Entonces: M y C no son independientes.

Slide 35
TEOREMA DE BAYES

Slide 36
 TEOREMA DE BAYES
A1 el evento de que una refacción proviene del proveedor 1
A2 el evento de que una refacción proviene del proveedor 2.

G denota el evento de que una refacción está en buen estado

B denota el evento de que una refacción está en mal estado
Datos
históricos

Slide 37
 TEOREMA DE BAYES
El proceso de calcular estas probabilidades conjuntas puede representarse en lo que se
llama un árbol de probabilidad

Probabilidad
posterior

La aplicación se inició con una probabilidad de

0.65 de que una refacción seleccionada al azar fuera
del proveedor 1. Sin embargo, dada la información
de que la refacción se encuentra en mal estado, la
probabilidad de que sea del proveedor 1 baja a
0.4262
Probabilidad
posterior

Si la parte se encuentra en mal estado, tiene una

posibilidad mayor que 50 – 50 de provenir del
Probabilidad Probabilidad Probabilidad proveedor 2, es decir, P(A2| B) 0.5738
previa condicional conjunta

Slide 38
 TEOREMA DE BAYES
Para encontrar la probabilidad posterior que el evento Ai ocurrirá dado
que el evento B ha ocurrido, usamos el Teorema de Bayes

P( Ai )P( B| Ai )
P( Ai |B) =
P( A1 )P( B| A1 ) + P( A2 )P( B| A2 ) + ... + P( An )P( B| An )

El teorema de Bayes se utiliza ampliamente en el análisis de decisiones. Las

probabilidades previas suelen ser estimaciones subjetivas proporcionadas por
quien toma decisiones. Se obtiene la información muestral y las probabilidades
posteriores se calculan para usarlas en la elección de la mejor decisión.

Un evento y su complemento son mutuamente excluyentes, y su unión es todo el

espacio muestral. Por tanto, el teorema de Bayes siempre se aplica al cálculo de
las probabilidades posteriores de un evento y su complemento.

Slide 39
 TEOREMA DE BAYES
MÉTODO TABULAR
Buscamos determinar la probabilidad de encontrar un repuesto defectuoso ya sea del
proveedor 1 y del proveedor 2, conocemos: y
Paso 3. Sume las probabilidades conjuntas de la columna 4. La
suma es la probabilidad de la nueva información, P(B). Por tanto,
en la tabla se ve que existe una probabilidad de 0.0130 de que la
refacción provenga del proveedor 1 y se encuentre en mal estado, y
una probabilidad de 0.0175 de que provenga del proveedor 2 y esté
defectuosa. Debido a que estas son las dos únicas formas en que
puede obtenerse una refacción en mal estado

Slide 40
probabilidad general de encontrar una
refacción en mal estado