U1 Probabilidad LA CP

Unidad 1: Probabilidad
FCE UNCuyo - CP-LA
Estadı́stica I
FCE UNCuyo
Contador Público y Licenciatura en Administración
2023
Estadı́stica I (FCE UNCuyo - CP-LA) U1: Probabilidad 2023 1 / 108

Contenidos
1 Introducción
2 Definiciones Básicas
3 Definiciones de Probabilidad
4 Propiedades de la Probabilidad
5 Coincidencia entre las definiciones Clásica y Axiomática de probabilidad
6 Probabilidad Condicional
7 Independencia Estocástica
8 Teorema de Bayes

Introducción

Introducción
La estadı́stica estudia los fenómenos aleatorios.

Si nos ponemos a pensar, todos los eventos que suceden a diario, llevan
consigo algo de aleatoriedad.
Cuando chequeamos el clima antes de salir de casa.
Cuando escuchamos el pronóstico del impacto de una polı́tica sobre la
inflación.
Cuando analizamos el precio del dólar futuro.
Justamente es la probabilidad la encargada de medir la posibilidad de
ocurrencia o no de estos fenómenos aleatorios, y para ello, se aplican
técnicas estadı́sticas, que se pueden emplear en múltiples áreas de
conocimiento.

Introducción
Se emplean técnicas estadı́sticas cuando:

Se diseñan encuestas, para recabar los primeros informes en un dı́a de
elecciones y pronosticar el resultado.
Médicos investigadores realizan experimentos, para determinar el
efecto de diversos medicamentos.
Los economistas observan varios ı́ndices del estado de la economı́a en
un perı́odo y, usan esa información para pronosticar las condiciones de
la economı́a en el futuro.
Las técnicas estadı́sticas desempeñan un papel importante para
alcanzar las metas en cada una de estas situaciones prácticas.

Introducción
Si se hace un muestreo de consumidores, para obtener información que

permita predecir el comportamiento de los mismos. Allı́ se aplica, lo que se
denomina estadı́stica inferencial, que es cuando en base a una muestra se
hacen pronósticos respecto de una población.
Las inferencias estadı́sticas son inciertas. Y la incertidumbre
aparece por la presencia del azar en la selección de la muestra.
El concepto de probabilidad surge por la necesidad de medir la
incertidumbre.
El propósito de este curso es dar una base sólida de la introducción a la
teorı́a estadı́stica para poder interpretar correctamente los resultados que
se presentan en la vida cotidiana y profesional.
Además de poder resolver problemas prácticos de aplicación a datos reales.

Introducción
Los primeros trabajos de probabilidad aparecieron vinculados a los juegos

de azar.
En el siglo XVIII Galileo, Fermat, Pascal, entre otros, fueron los
precursores de la “teorı́a de probabilidad”.
Probabilidad
Enfoque clásico
Enfoque Frecuentista
Enfoque Axiomático
En cualquiera de estos enfoques el objetivo es medir la posibilidad de

observar un resultado de un “experimento aleatorio”.
Precisemos algunos conceptos.

Definiciones Básicas

Experimento Aleatorio
Experimento Aleatorio (ε) - Experimento No Aleatorio

Un experimento aleatorio (ε) es un experimento en el que se conocen los
posibles resultados, pero no se conoce con certeza cuál de ellos ocurrirá.
Un experimento determinı́stico es un experimento en el que se conocen
con certeza cuál es el resultado.

Ejemplo 1
1 Lanzar un dado y observar la cara que muestra.
2 Aplicar una polı́tica monetaria contractiva y observar el
comportamiento de la inflación
3 Medir el tiempo que tarda un empleado en realizar una tarea
administrativa
Experimento Determinı́stico
1 Lanzar un dado y observar si cae.
2 Seleccionar una triángulo y observar el valor de la suma de sus ángulos.
3 Observar la temperatura a la que hierve el agua.

Espacio Muestral asociado al experimento aleatorio ε
Espacio Muestral (S)

Se denomina espacio muestral (S) asociado al experimento aleatorio ε, al
conjunto de todos los resultados posibles de ε.
Espacio muestral discreto

Si el número de elementos es finito o infinito numerable (en
correspondencia de N)
Espacio muestral continuo
Si el número de elementos es infinito no numerable (subconjuntos de
R)

Experimento Aleatorio asociado a un experimento aleatorio
Ejemplo 2
ε1 : arrojar un dado y observar el resultado
S1 = {1, 2, 3, 4, 5, 6} Discreto
ε2 : observar los beneficios netos obtenidos por una empresa del sector
comercial seleccionada al azar
S2 = R Continuo
ε3 : observar el número de licencias por enfermedad al año pedido por un
trabajador seleccionado al azar del Ministerio de Salud
S3 = {0, 1, . . . , a} donde a es un número N tal que en este intervalo queden
comprendidas el número total de licencias tomadas. Discreto
ε4 : seleccionar una persona y determinar si pertenece a la población
económicamente activa (a) o inactiva (i)
S4 = {a, i} Discreto

Experimento Aleatorio asociado a un experimento aleatorio
Ejemplo 2 (continuación)
ε5 : contar el número de veces que es necesario arrojar un dado hasta que
salga el número 2
S5 = N Discreto
ε6 : observar el tiempo destinado a redes sociales por dı́a de un adolescente
seleccionado al azar en horas
S6 = [0, 24] Continuo
Para pensar
¿Cuál es el espacio muestral para el siguiente experimento?
Aplicar una polı́tica monetaria contractiva y medir la tasa de inflación.
Aplicar una polı́tica monetaria contractiva y determinar si la tasa de
inflación aumentó, disminuyó o permaneció constante.

Evento o Suceso del espacio muestral S
Evento o Suceso (A, B, C , . . .)

Un evento o suceso es cualquier subconjunto del espacio muestral
A evento de S ⇔ A ⊂ S
Ejemplo 3
1 ε1 : arrojar un dado y observar el resultado S1 = {1, 2, 3, 4, 5, 6}
A1 = {1} , A2 = {2} , . . . , A6 = {6}, sucesos elementales o unitarios
A7 = {1, 3, 5} , A8 = {2, 4, 6} , A9 = {1, 2, 3} sucesos compuestos
S1 = {1, 2, 3, 4, 5, 6} suceso seguro ∅ suceso imposible
2 ε3 : proporción de personas desempleadas, S3 = [0, 1]
A1 = {1} , A2 = {0.2} , A3 = {0.2, 0.6, 0.8}
A4 = (0, 0.5), A5 = [0, 0.3), A6 = (0, 0.7], A6 = [0.2, 0.7]
∅, S3
Elementos de la teorı́a de conjuntos
Operaciones de Conjunto: Unión

A ∪ B = {x/x ∈ A ∨ x ∈ B}

Ejemplo 4
1 ε1 : arrojar un dado y observar el resultado
S1 = {1, 2, 3, 4, 5, 6}
A1 = {1} , A2 = {2} , A6 = {6}
A7 = {1, 3, 5} , A8 = {2, 4, 6} , A9 = {1, 2, 3}
A1 ∪ A2 = {1, 2}
A1 ∪ A8 = {1, 2, 4, 6}
A1 ∪ A7 = {1, 3, 5}
A8 ∪ A9 = {1, 2, 3, 4, 6}

Operaciones de Conjunto: Intersección

A ∩ B = {x/x ∈ A ∧ x ∈ B}

Sucesos disjuntos
Sucesos disjuntos
Dos sucesos son disjuntos o mutuamente excluyentes si su intersección
es el conjunto vacı́o
A ∧ B mutuamente excluyentes ⇔ A ∩ B = ∅
Sucesos disjuntos dos a dos

Una colección de eventos es disjunta dos a dos si y sólo si cualquier par
de eventos de la colección son disjuntos
{Ai }ni=1 disjunta dos a dos ⇔ ∀(Ai , Aj ) : Ai ∩ Aj = ∅, i 6= j

Sucesos disjuntos
Ejemplo 5
A1 = {1} , A2 = {2} , A6 = {6}
A7 = {1, 3, 5} , A8 = {2, 4, 6} , A9 = {1, 2, 3}
A1 ∩ A2 = ∅ ⇒ A1 ∧ A2 disjuntos
A1 ∩ A8 = ∅ ⇒ A1 ∧ A8 disjuntos
A1 ∩ A7 = {1} ⇒ A1 ∧ A7 no disjuntos
A8 ∩ A9 = {2} ⇒ A8 ∧ A9 no disjuntos
A1 ∩ A2 = ∅, A1 ∩ A6 = ∅, A2 ∩ A6 = ∅ ⇒ A1 , A2 , A6 disjuntos 2 a 2
A1 ∩A2 = ∅, A1 ∩A8 = ∅, A2 ∩A8 6= ∅ ⇒ A1 , A2 , A8 no disjuntos 2 a 2

Operaciones de conjunto: Diferencia

A − B = {x/x ∈ A ∧ x ∈
/ B}

Ejemplo 6
A1 = {1} , A2 = {2} , A6 = {6}
A7 = {1, 3, 5} , A8 = {2, 4, 6} , A9 = {1, 2, 3}
A1 − A2 = A1 = {1}
A1 − A8 = A1 = {1}
A7 − A1 = {3, 5}
A6 − A8 = ∅

Operaciones de conjunto: Complemento

A = {x/x ∈
/ A}

Ejemplo 7
A1 = {1} , A2 = {2} , A6 = {6}
A7 = {1, 3, 5} , A8 = {2, 4, 6} , A9 = {1, 2, 3}
A1 = {2, 3, 4, 5, 6}
A8 = {1, 3, 5} = A7

Propiedades de las operaciones entre conjuntos

A∩∅=∅ A∪A=S A =A
A∪∅=A S =∅ A∪B =A∩B
A∩A=∅ ∅=S A∩B =A∪B

Conjunto Partes de S (P(S))
Conjunto Partes de S (P(S))

El conjunto partes de S, P(S), es el conjunto de todos los subconjuntos
de S.
A evento de S ⇔ A ∈ P(S)
Si S es finito y | S |= n, entonces | P(S) |= 2n
Ejemplo 8
1 ε4 : arrojar una moneda y observar el resultado de la cara hacia arriba
S4 = {c, s}
P(S) = {∅, {c}, {s}, S}
2 S = {a, r , v }
P(S) = {∅, {a}, {r }, {v }, {a, r }, {a, v }, {r , v }, S}

Definiciones de Probabilidad

Definición Clásica (a priori)
Definición Clásica
Dado un espacio muestral finito S (ligado a un experimento aleatorio) y
un suceso A ⊂ S, la probabilidad de A, en sentido clásico es,
número de elementos de A |A|

P(A) = =
número de elementos de S |S |
Limitaciones del concepto clásico de probabilidad

S finito
Los sucesos elementales deben ser “igualmente plausibles o
verosı́miles”
Observación: “igualmente plausibles” significa literalmente
“igualmente probables”, y no puede definirse el concepto de
probabilidad utilizando el mismo concepto
Ejemplo 9
ε1 : arrojar un dado no cargado y observar el resultado S1 = {1, 2, 3, 4, 5, 6}
|A| 3 1
A = {1, 3, 5} ⇒ P(A) = = =
|S | 6 2
|B| 1
B = {1} ⇒ P(B) = =
|S | 6
|C | 2 1
C = {3, 5} ⇒ P(C ) = = =
|S | 6 3
|S | 6
S = {1, 2, 3, 4, 5, 6} ⇒ P(S) = = =1
|S | 6
|A∩C | 2 2
A ∩ C = {3, 5} ⇒ P(A ∩ C ) = = =
|S | 6 3
|A∪C | 3 1
A ∪ C = {1, 3, 5} ⇒ P(A ∪ C ) = = =
|S | 6 2
Para pensar
Suponga que una empresa cuenta con 5 sucursales (1 en el Gran Mendoza,
1 en Malargüe, 1 es San Rafael, 1 en Tunuyán y 1 en Tupungato), y unos
inspectores desean realizar una inspección a una de las 5 sucursales.
Suponiendo que todas las sucursales tienen la misma probabilidad de ser
elegidas, calcule la probabilidad de que se seleccione la sucursal del Valle
de Uco.

Definición Frecuencial (a posteriori)
Definición Frecuencial
Este concepto se basa en la experimentación y en el principio de
estabilidad de la frecuencia relativa de un suceso cuando el experimento se
repite un gran número de veces de manera tal que el resultado de una
repetición no influya el de otra (ensayos independientes).
n(A)
P(A) = lim
n→∞ n
donde n(A) es el número de ocurrencias del suceso A en n repeticiones
independientes del experimento.

Ejemplo 10
Para ilustrar la interpretación de la probabilidad como una frecuencia relativa se
simuló el experimento, ε1 : arrojar un dado y observar el resultado
Se observó el número de ocurrencias de cada uno de los resultados posibles
después de 100, 1000, 10000 y 100000 realizaciones del experimento. Se calculó
la frecuencia relativa de cada uno de los resultados posibles en cada una de las
simulaciones mencionadas.
X
n
1 2 3 4 5 6
100 0.16000 0.16000 0.19000 0.18000 0.16000 0.15000
1000 0.17800 0.17200 0.15900 0.17000 0.16100 0.16000
10000 0.16510 0.17180 0.17030 0.16060 0.16600 0.16620
100000 0.16795 0.16740 0.16553 0.16522 0.16682 0.16708
Observe que a medida que n aumenta el valor observado de la frecuencia relativa

del número de ocurrencias de cada uno de los resultados posibles tiende a
1/6 = 0.1b6
Código Ejemplo 7
n = list(100,1000,10000,100000)
set.seed(28022023)
simu = lapply(n,
function(x){
sample(1:6,
size=x, replace = TRUE,
prob=rep(1/6,6))})
aux = t(sapply(simu,
function(x){table(x)}/length(x)))
rownames(aux) <- n
print(aux)

Limitaciones del concepto frecuencial de probabilidad

Obtenemos probabilidades aproximadas.
Existen experimento que no pueden repetirse
La repetición de un experimento bajo las mismas condiciones puede
ser difı́cil de lograr.
Las definiciones clásica y frecuentista tienen limitaciones, se busca

entonces una definición más general que pueda aplicarse siempre.
Es decir, que pueda aplicarse cuando:
S sea finito pero los sucesos elementales de S no tengan la misma
probabilidad de ocurrencia.
S sea infinito (numerable o no numerable).
La definición más general, que puede aplicarse siempre, es la definición
axiomática de probabilidad y se debe a Kolmogorov (1933).

Definición Axiomática
Sea S el espacio muestral ligado a un experimento aleatorio (S 6= ∅) y
P(S), el conjunto de las partes de S.
Se llama función probabilidad a cualquier función P : P(S) → [0, 1] que
verifica los siguientes axiomas:
i P(S) = 1
ii Para cualquier sucesión {Ai }∞
i=1 de elementos de P(S) disjuntos dos
a dos (Ai ∩ Aj = ∅, i 6= j) se cumple:
∞ ∞
!
[ X
P Ai = P (Ai )
i=1 i=1

S 6= ∅
Función probabilidad:
P : P(S) → [0, 1]
i. P(S) = 1
∞ ∞
!
{Ai }∞
[ X
ii. i=1 , (Ai ∩ Aj ) = ∅, ∀i 6= j ⇒ P Ai = P (Ai )
i=1 i=1

Observaciones
La función probabilidad tiene como dominio una familia de conjuntos.
A cada suceso de la función P le asigna un número real entre 0 y 1.

∞
P
En ii: P(An ) es una suma de números no negativos en [0,1] que
n=1
debe ser convergente.
Tal como se ha definido, pareciera que la función probabilidad es un
concepto demasiado abstracto como para asociarlo con el concepto
clásico, sin embargo tal como se verá más adelante, bajo ciertas
condiciones, esta definición coincide con la clásica.

Espacio de Probabilidad
Espacio de Probabilidad
Si S es el espacio muestral ligado a un experimento alatorio y P es una
función probabilidad definida en P(S) entonces llamamos espacio de
probabilidad al par (S, P).
Si la función probabilidad P asigna igual probabilidad a todos los sucesos

elementos de S, entonces (S, P) es equiprobable.
Si S discreto finito y (S, P) equiprobable, entonces el Enfoque Clásico

coincide con el Enfoque Axiomático.

Para pensar
Para cada uno de los siguientes experimentos aleatorios indicar el espacio
muestral asociado, e indicar si es discreto o continuo.
1 Se registra la proporción de alumnos que aprobaron el 1er Parcial de
Estadı́stica.
2 Se fabrican artı́culos en una lı́nea de producción y se cuenta el
número de artı́culos defectuosos en un perı́odo de 24 horas.
3 Se extraen artı́culos, con reposición, de un lote de cinco artı́culos de
los cuales tres son defectuosos, hasta obtener un artı́culo defectuoso.
4 Se extraen artı́culos, sin reposición, de un lote de cinco artı́culos de
los cuales tres son defectuosos, hasta obtener un artı́culo defectuoso.

Para pensar
Para cada uno de los siguientes experimentos aleatorios indicar el espacio
muestral asociado, e indicar si es discreto o continuo.
1 S = [0, 1] Continuo
2 S = N0 Discreto
3 S = {d, (d, d), (d, d, d), (d, d, d, d), ...} Discreto
4 S = {d, (d, d), (d, d, d)} Discreto

Propiedades de la Probabilidad

Sea (S, P) un espacio de probabilidad, entonces:
Propiedad 1 (probabilidad del vacı́o)

1 P(∅) = 0
Demostración
∞
[
∅ = ∅ ∪ ∅ ∪ ∅ ∪ . . . = A1 ∪ A1 ∪ A3 ∪ . . . = Ai
i=1
∞ ∞
! n n
[ (ii) X X X
P(∅) = P Ai = P(Ai ) = lim P(Ai ) = lim P(∅)
n→∞ n→∞
i=1 i=1 i=1 i=1
= P(∅) · lim n
n→∞

Demostración (continuación)
Suponiendo P(∅) 6= 0
P(∅) = P(∅) · lim n

n→∞
P(∅)
= lim n
P(∅) n→∞
1 = lim n Absurdo
n→∞
Luego, P(∅) = 0

Propiedad 2
{Ai }ni=1 , (Ai ∩ Aj ) = ∅, ∀i 6= j ⇒ P (
Sn Pn
2
i=i Ai ) = i=i P (Ai )
Demostración

Ai si 1≤i ≤n
∀i ∈ N sea Bi =
∅ si i >n
n
[ n
[ ∞
[
Ai = Ai ∪ ∅ ∪ ∅ . . . = Bi
i=1 i=1 i=1
∞ ∞ ∞
n
! ! n
[ [ (ii) X X X
P Ai = P Bi = P(Bi ) = P(Bi ) + P(Bi )
i=1 i=1 i=1 i=1 i=n+1

∞ ∞
n
! n n
[ X X X X
P Ai = P(Bi ) + P(Bi ) = P(Ai ) + P(∅)
i=1 i=1 i=n+1 i=1 i=n+1
n n
(1) X X
= P(Ai ) + 0 = P(Ai )
i=1 i=1

Propiedad 3 (probabilidad del complemento)

3 P A = 1 − P (A)
Demostración
A∪A = S

P A∪A = P(S)
(2) (i)
P (A) + P A = P A ∪ A = P(S) = 1

P (A) + P A = 1

P (A) = 1−P A

Propiedad 4 (no decreciente)

4 A ⊂ B ⇒ P(A) ≤ P(B)
Demostración
A⊂B⇒B = A ∪ (B − A)
P(B) = P [A ∪ (B − A)]
(2)
= P(A) + P(B − A)
0 ≤ P(B − A) = P(B) − P(A)

P(A) ≤ P(B)

Propiedad 5 (probabilidad de la diferencia)

5 A ⊂ B ⇒ P(B − A) = P(B) − P(A)
Observación:
P(B − A) = P(B) − P(A ∩ B)
Demostración
De la demostración, de la propiedad (4):
P(B) = P(A) + P(B − A)

P(B) − P(A) = P(B − A)

Demostración
El suceso B puede expresarse como una unión
disjunta:
B = (B − A) ∪ (A ∩ B)
P(B) = P[(B − A) ∪ (A ∩ B)]
(2)
= P(B − A) + P(A ∩ B)
P(B) − P(A ∩ B) = P(B − A)

Propiedad 6 (probabilidad de la unión)

6 P (A ∪ B) = P(A) + P(B) − P (A ∩ B)
Demostración
A∪B = A ∪ (B − A)
P(A ∪ B) = P [A ∪ (B − A)]
(2)
= P(A) + P(B − A)
(5)
= P(A) + P(B) − P(A ∩ B)

Propiedad 7 (Teorema de la Aditividad – generalización de 6 – )

7 Si {Ai }ni=1 es cualquier colección finita de sucesos en P(S), entonces
n n n
!
[ X X
P Ai = P(Ai ) − P (Ai1 ∩ Ai2 )
i=1 i=1 1≤i1 ≤i2
n
X
+ P (Ai1 ∩ Ai2 ∩ Ai3 )
1≤i1 <i2 <i3
X n
− P (Ai1 ∩ Ai2 ∩ Ai3 ∩ Ai4 ) + . . .
1≤i1 <i2 <i3 <i4
n
!
\
+(−1)n−1 P Ai
i=1

Teorema de la aditividad para tres sucesos
P(A ∪ B ∪ C ) = P(A) + P(B) + P(C ) − P(A ∩ B) − P(A ∩ C )

−P(B ∩ C ) + P(A ∩ B ∩ C )

Ejemplo 11
1
Sea (S, P), un espacio de probabilidad y sean A y B sucesos tales que P(A) = ,
4
1 3
P(A ∩ B) = y P(A ∪ B) = . Calcule la siguiente probabilidades:
3 4
a P(B)
(6)
P(A ∪ B) = P(A) + P(B) − P(A ∩ B)
P(A ∪ B) − P(A) + P(A ∩ B) = P(B)
(3)
P(A ∪ B) − 1 − P(A) + P(A ∩ B) = P(B)

3 1 1 (3)
− 1− + = P(B)
4 4 3
1
= P(B)
3

1
Sea (S, P), un espacio de probabilidad y sean A y B sucesos tales que P(A) = ,
4
1 3
P(A ∩ B) = y P(A ∪ B) = . Calcule la siguiente probabilidades:
3 4
b P(B − A)
P(B − A) = P [B − (A ∩ B)]
(5)
= P(B) − P(A ∩ B)
1 1
= −
3 3
= 0

Coincidencia entre las definiciones Clásica y Axiomática
de probabilidad

Coincidencia entre las definiciones Clásica y Axiomática de
probabilidad
Propiedad
Si S discreto finito y (S, P) equiprobable, entonces la definición
Clásica de probabilidad coincide con la definición Axiomática.
Demostración
Sea (S, P), tal que S = {s1 , s2 , . . . , sn } finito y P({s1 }) = . . . = P({sn }) = p,
donde 0 < p ≤ 1.
n
[
S = {s1 } ∪ {s2 } ∪ . . . ∪ {sn } = {si }
i=1
n
!
[
P(S) = P {si }
i=1
n
! n
(i) [ (2) X
1 = P(S) = P {si } = P ({si }) = n · P ({si }) = n p
i=1 i=1
probabilidad
1 1
1 = np ⇒ = p ⇒ P ({si }) =
n n
Sea, A un suceso o subconjunto cualquiera de S con k elementos (k ≤ n) y
supongamos que A = {s1 , s2 , . . . , sk }. Entonces,
k
[
A = {s1 } ∪ {s2 } ∪ . . . ∪ {sk } = {si }
i=1
k
! k
[ (2) X 1 k
P(A) = P {si } = P ({si }) = k · P ({si }) = k · =
n n
i=1 i=1
|A|
=
|S |

probabilidad
Observación:
Si S discreto finito y (S, P) no equiprobable, entonces la definición
Clásica y Axiomática de probabilidad no coinciden.

Para pensar
A través de un cierto corredor de bolsa se ofrecen 100 acciones. De esas
acciones, 60 son del mercado de valores local. Por otro lado se sabe que
de las 100 acciones 30 son preferentes, de las cuales 20 son del mercado
de valores local. Una persona compró a través del corredor mencionado
una acción y se la dieron al azar.
1 Construya una tabla donde se identifiquen los sucesos dados y las
cantidades mencionadas en el enunciado.
Local (A) No Local Total
Preferente (B)
No Preferente
Total

Para pensar
2 ¿cuál es la probabilidad de que la acción que compró
2.1 sea preferente?
2.2 sea del mercado de valores local y sea preferente?
2.3 sea del mercado de valores local y no sea preferente?
2.4 no sea preferente o no sea del mercado de valores local?

Para pensar
2.1 sea preferente?
30
P(B) = = 0.3
100
2.2 sea del mercado de valores local y sea preferente?
20
P(A ∩ B) = = 0.2
100
2.3 sea del mercado de valores local y no sea preferente?
60 20
P(A ∩ B) = P(A) − P(A ∩ B) = − = 0.4
100 100
2.4 no sea preferente o no sea del mercado de valores local?
20
P(A ∪ B) = P(A ∩ B) = 1 − P(A ∩ B) = 1 − = 0.8
100

Para pensar
Una compañı́a de seguros ofrece cuatro niveles de deducibles; ninguno (N),
bajo (B), medio (Me) y alto (A) para sus asegurados propietarios de casa
y tres niveles diferentes, bajo(L), medio (M) y alto (H) para asegurados
propietarios de automóviles. La tabla siguiente muestra las proporciones
para las diversas categorı́as de asegurados que tienen ambos tipos de
seguros.
N B Me A
L 0.04 0.06 0.05 0.03
M 0.07 0.10 0.20 0.10
H 0.02 0.03 0.15 0.15
Suponga que se selecciona al azar un individuo que tiene ambos tipos de

pólizas.

Para pensar
1 ¿Cuál es la probabilidad que el individuo tenga un deducible medio de
automóvil?
2 ¿Cuál es la probabilidad que el individuo tenga sólo un deducible bajo?
3 ¿Cuál es la probabilidad que el individuo tenga la misma categorı́a de
deducible de automóvil y de casa? C: El individuo tiene la misma
categorı́a de deducible de automóvil y casa.
4 ¿Cuál es la probabilidad que el individuo tenga las dos categorı́as
diferentes?

Para pensar
1 ¿Cuál es la probabilidad que el individuo tenga un deducible medio de
automóvil?
P(M) = P(M ∩ N) + P(M ∩ B) + P(M ∩ Me) + P(M ∩ A)
= 0.07 + 0.1 + 0.2 + 0.1 = 0.47
2 ¿Cuál es la probabilidad que el individuo tenga sólo un deducible bajo?

P[(L ∩ B) ∪ (L ∩ B)] = 0.12 + 0.13 = 0.25
3 ¿Cuál es la probabilidad que el individuo tenga la misma categorı́a de

deducible de automóvil y de casa?
C: El individuo tiene la misma categorı́a de deducible de automóvil y casa.
P(C ) = P(L ∩ B) + P(M ∩ Me) + P(A ∩ H) = 0.41
4 ¿Cuál es la probabilidad que el individuo tenga las dos categorı́as diferentes?

P(C ) = 1 − 0.41 = 0.59

Para pensar
Se ha realizado una encuesta entre los estudiantes de grado del MIT
(Massachusetts Institute of Technology) para conocer sus preferencias
tecnológicas. El 35% de los entrevistados tienen un iPhone y un iPad, el
80% tiene al menos uno de estos dispositivos y el 60% no tiene iPad. Para
un estudiante elegido al azar, calcule la probabilidad de que:
1 Disponga de iPhone y no de iPad.
2 Tenga únicamente uno de los dos dispositivos.
Definimos eventos:
A: estudiante tiene iPhone
B: estudiante tiene iPad
La información en términos de probabilidad
P(A ∩ B) = 0.35
P(A ∪ B) = 0.80
P(B) = 0.60

Para pensar
1
P(A ∩ B) = P (A − (A ∩ B))
= P(A) − P(A ∩ B)
= P(A ∪ B) − P(B) + P(A ∩ B) − P(A ∩ B)
= P(A ∪ B) − P(B)
= 0.8 − 0.4
= 0.4

P (A ∩ B) ∪ (B ∩ A) = P(A ∩ B) + P(B ∩ A) − P (A ∩ B) ∩ (B ∩ A)
= P(A ∩ B) + P(B ∩ A) − P(∅)
= 0.05 + 0.4 + 0 = 0.45

Probabilidad Condicional

Introducción
Se arroja un dado no cargado y se obtiene la información de que el

resultado es múltiplo de 3. ¿Cuál es la probabilidad de que sea par?
Sean los eventos:
A el evento “el resultado es par” (A = {2, 4, 6})
B el evento “el resultado es múltiplo de 3” (B = {3, 6} )
2
P(B) = P ({3, 6}) =
6
1
P(A ∩ B) = P({6}) =
6
1 1/6 P(A ∩ B)
P(A | B) = = =
2 2/6 P(B)

Definición
Dado un espacio de probabilidad (S, P) y un suceso B ∈ P(S) tal que
P(B) 6= 0, entonces para cada suceso A ∈ P(S), la probabilidad
condicional de A dado B(o de A sabiendo que B ocurrió), denotada
P(A | B), es:
P(A ∩ B)
P(A | B) =
P(B)
Error frecuente
Confundir probabilidad condicional (A | B) con probabilidad de la
intersección (A ∩ B). En ambos medimos efectivamente la intersección,
pero
En P(A ∩ B) con respecto a P(S)
En P(A | B) con respecto a P(B)
Ejemplo 12
En el experimento de arrojar un dado legal nos preguntamos
¿cuál es la probabilidad de que el resultado sea par si se sabe que es menor
que 3?
A: “el resultado es par”, A = {2, 4, 6}
B: “el resultado es un número menor que 3”, B = {1, 2}
P(A ∩ B) 1/6 1
P(A | B) = = =
P(B) 2/6 2
¿cuál es la probabilidad de que el resultado sea par si se sabe que es impar?

C : “el resultado es impar” C = {1, 3, 5}
P(A ∩ C ) 0
P(A | C ) = = =0
P(C ) 3/6

Propiedad
Propiedad (probabilidad condicional como función probabilidad)

Para cada suceso B 6= ∅; B ⊂ S, la probabilidad condicionada a B es una
función probabilidad definida en el mismo espacio muestral.
PB : P(S) → [0, 1]
P(A ∩ B)
A 7→ PB (A) = P(A | B) =
P(B)
i PB (S) = 1
{Ai }∞
S∞ P∞
i=1 , (Ai ∩ Aj ) = ∅, ∀i 6= j ⇒ PB ( i=1 Ai ) = i=1 PB (Ai )
ii

Propiedad
Demostración
P(S ∩ B) P(B)
PB (S) = P(S | B) = = =1
P(B) P(B)
∞
! " ∞ ! #
P [( ∞
S
i=1 Ai ) ∩ B]
[ [
PB Ai = P Ai | B =
P(B)
i=1 i=1
S∞ P∞
P [ i=1 (Ai ∩ B)] P (Ai ∩ B)
= = i=1
P(B) P(B)
∞
X P (Ai ∩ B) X ∞ X∞
= = P(Ai | B) = PB (Ai )
P(B)
i=1 i=1 i=1

Para pensar
Los contratistas para perforación de pozos petroleros realizan siempre,
antes de perforar, un experimento que consistente en registrar el
comportamiento del subsuelo ante pequeñas explosiones. Si se detecta lo
que ellos llaman una “estructura cerrada“ en el subsuelo, se considera un
indicio prometedor, mientras que si no se detecta estructura cerrada, la
probabilidad de un hallazgo de pozo productivo es menor. La tabla que se
da a continuación resume la experiencia lograda en muchos lugares en
donde se perforó tras haber efectuado el experimento con los explosivos.
Calcule:
B1 : No se detecta B2 :Si se detecta
A1 : Pozo no productivo 0.40 0.10
A2 : Pozo productivo 0.15 0.35
1 P(A1 ∩ B2 )
2 P(A1 | B2 )

Para pensar
Los contratistas para perforación de pozos petroleros, realizan siempre
antes de perforar, un experimento, consistente en registrar el
comportamiento del subsuelo ante pequeñas explosiones. Si se detecta lo
que ellos llaman una “estructura cerrada“ en el subsuelo, se considera esta
un indicio prometedor, mientras que si no se detecta estructura cerrada, la
probabilidad de un hallazgo de pozo productivo es menor. La tabla que se
da a continuación resume la experiencia lograda en muchos lugares en
donde se perforo tras de haber efectuado el experimento con los
explosivos. Calcule:
B1 : No se detecta B2 :Si se detecta

A1 : Pozo no productivo 0.40 0.10
A2 : Pozo productivo 0.15 0.35
1 P(A1 ∩ B2 ) = 0.1
0.1 2
2 P(A1 | B2 ) = =
0.45 9
Para pensar
una acción y se la dieron al azar. Calcule:
1 La probabilidad de que la acción sea del mercado local, dado que se
sabe que es una acción preferente.
2 La probabilidad de que no sea preferente, dado que se sabe que no es
del mercado local.

Para pensar
una acción y se la dieron al azar. Calcule:
1 La probabilidad de que la acción sea del mercado local, dado que se
sabe que es una acción preferente.
20
P(A ∩ B) 2
P(A | B) = = 100 =
P(B) 30 3
100
2 La probabilidad de que no sea preferente, dado que se sabe que no es
del mercado local.
P(B ∩ A) P(A ∪ B) 1 − P(A ∪ B) 1 − 0.7
P(B | A) = = = = = 0.75
P(A) 1 − P(A) 1 − P(A) 1 − 0.6

Regla del producto
Regla del producto

Si A y B son dos sucesos en el espacio de probabilidad (S, P) tal que
P(B) 6= 0 entonces,
P(A ∩ B) = P(B) · P(A | B)
= P(A) · P(B | A)
Demostración
P(A ∩ B)
P(A | B) = ⇒ P(A ∩ B) = P(B) · P(A | B)
P(B)
P(A ∩ B)
P(B | A) = ⇒ P(A ∩ B) = P(A) · P(B | A)
P(A)

Regla del producto
Regla del producto

Si A, B y C son tres sucesos en el espacio de probabilidad (S, P)
tales que P(A) 6= 0 entonces,
P(A ∩ B ∩ C ) = P(A) · P(B | A) · P (C | A ∩ B)
= P(A) · P(C | A) · P (B | A ∩ C )
= P(B) · P(A | B) · P (C | A ∩ B)
= P(B) · P(C | B) · P (A | B ∩ C )
= P(C ) · P(A | C ) · P (B | A ∩ C )
= P(C ) · P(B | C ) · P (A | B ∩ C )

Regla del producto
Regla del producto (generalización)

Sea (S, P) un espacio deTprobabilidad y sea {Ai }ni=1 una colección finita
de eventos tales que P ( ni=1 Ai ) 6= 0, entonces
n
!
\
P Ai = P(Ai1 ) · P(Ai2 | Ai1 ) · P(Ai3 | Ai1 ∩ Ai2 ) ·
i=1
P(Ai4 | Ai1 ∩ Ai2 ∩ Ai3 ) · . . . · P(Ain | Ai1 ∩ . . . ∩ Ain−1 )

Regla del producto
Ejemplo 13
Una fábrica tiene un estricto sistema para el control de calidad de sus productos. Cada
producto es revisado por el inspector 1; si él considera que el producto cumple con los
estándares de calidad deriva el mismo al inspector 2, si considera que no los cumple el
producto es desechado. De forma análoga, el inspector 2 revisa el producto y lo deriva al
inspector 3 o lo desecha. Si el tercer inspector considera que el producto cumple con los
estándares lo cataloga como apto para la venta, y si no lo desecha. Se sabe que:
De cada 30 productos que llegan a las manos del Inspector 1, 25 son derivados al
inspector 2.
De cada 50 productos que llegan a las manos del Inspector 2, 47 son derivados al
inspector 3.
De cada 70 productos que llegan a las manos del Inspector 3, 68 son catalogados
como apto para la venta.
Calcule el porcentaje de productos de la fábrica que son catalogados como aptos para la
venta.

Regla del producto
Definimos los eventos:
Ai el inspector i cataloga al producto como apto para la venta.
25 5
P(A1 ) = =
30 6
47
P(A2 | A1 ) =
50
68 34
P(A3 | A1 ∩ A2 ) = =
70 35
P(A1 ∩ A2 ∩ A3 ) = P(A1 ) · P(A2 | A1 ) · P(A3 | A1 ∩ A2 )

5 47 34 799
= · · = ≈ 0.761
6 50 35 1050

Independencia Estocástica

Independencia de sucesos
Independencia de sucesos
Al considerar la probabilidad condicional de algún evento A, dada la
ocurrencia de otro evento B, siempre se implica que las probabilidades de
A y B son de alguna manera dependientes entre sı́. En otras palabras, la
información con respecto a la ocurrencia de B afectará la probabilidad de
A. Supóngase que la ocurrencia de B no tienen ningún efecto sobre la
probabilidad de A, en el sentido de que la probabilidad condicional
P(A | B) es igual a la probabilidad de A (P(A)), aun a pesar de que haya
ocurrido el evento B. Esta situación origina un concepto muy importante
que se conoce como independencia estocástica.

Independencia de dos sucesos

Sea (S, P) un espacio de probabilidad, y sean A y B dos eventos.
A y B son independientes si y sólo si se cumple cualquiera de las
afirmaciones siguientes:
i P(A | B) = P(A) si P(B) > 0
ii P(B | A) = P(B) si P(A) > 0
iii P(A ∩ B) = P(A) · P(B)
Observación
Si P(A) > 0 y P(B) > 0, las expresiones (i), (ii) y (iii) son equivalentes.

Demostración
Siendo P(A) > 0 y P(B) > 0
P(A | B) = P(A) ⇒ P(B | A) = P(B)
P(A ∩ B) P(B) · P(A | B) (i) P(B) · P(A)

P(B | A) = = = = P(B)
P(A) P(A) P(A)
P(B | A) = P(B) ⇒ P(A ∩ B) = P(A) · P(B)

(ii)
P(B ∩ A) = P(A) · P(B | A) = P(A) · P(B)
P(A) · P(B) ⇒ P(A | B) = P(A)
P(A ∩ B) (iii) P(A) · P(B)

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

Independencia de tres sucesos
Independencia de tres sucesos

Sea (S, P) un espacio de probabilidad, y sean A, B y C eventos.
A, B y C son independientes si y sólo si se cumplen todas de las
afirmaciones siguientes:
P(A ∩ B) = P(A) · P(B)
P(A ∩ C ) = P(A) · P(C )
P(B ∩ C ) = P(B) · P(C )
P(A ∩ B ∩ C ) = P(A) · P(B) · P(C )

Eventos independientes y eventos disjuntos

La independencia de dos sucesos es un concepto diferente de la idea
de eventos mutuamente excluyentes. En general, ninguno de ellos
implica al otro.
Dos sucesos son mutuamente excluyentes e independientes sı́ y sólo si
al menos uno es el conjunto vacı́o.

Ejemplo 14
Suponga que tenemos los siguientes eventos y sus probabilidades:
A: el gobierno aplica una polı́tica monetaria contractiva, P(A) = 0.3
B: el nivel de indigencia se mantenga constante, P(B) = 0.2
C : el nivel de indigencia disminuye P(C ) = 0
Ahora, analicemos los siguientes casos:
1 Suponga que P(A ∩ B) = 0.06. En base a dicha información, calcule la
probabilidad de que el nivel de indigencia se mantenga constante si se sabe
que el gobierno aplicó una polı́tica monetaria contractiva:
P(A ∩ B) 0.06
P(B | A) = = = 0.2
P(A) 0.3
Por tanto P(B | A) = P(B). Por tanto, en este caso, los eventos no son
disjuntos, pero son independientes.

Ejemplo 14 (Continuación)
2 Suponga que P(A ∩ B) = 0. En base a dicha información, calcule la probabilidad
de que el nivel de indigencia se mantenga constante, dado que se sabe que el
gobierno aplicó una polı́tica monetaria contractiva:
P(A ∩ B) 0
P(B | A) = = =0
P(A) 0.3
Por tanto P(B | A) 6= P(B). Por tanto, en este caso, los eventos son mutuamente
excluyentes y no independientes.
3 Suponga que P(A ∩ C ) = 0. En base a dicha información, calcule la probabilidad
de que el nivel de indigencia disminuya, dado que se sabe que el gobierno aplicó
una polı́tica monetaria contractiva:
P(A ∩ C ) 0
P(C | A) = = =0
P(A) 0.3
Por tanto P(C | A) = P(C ). Por tanto, en este caso, los eventos son mutuamente
excluyentes e independientes.
Ejemplo 15
Nuevamente consideremos el ejemplo de arrojar un dado y los sucesos:
A = {1, 2, 3}, B = {1, 2, 4} y C = {1, 2, 5}.
¿A, B y C son independientes?
2 1
P(A ∩ B) = P({1, 2}) = =
6 3
3 3 1
P(A) · P(B) = P({1, 2, 3}) · P({1, 2, 4}) = · =
6 6 4
Luego, estos sucesos no son independientes de a pares y en consecuencia
A, B y C no son independientes.

Ejemplo 16
Consideremos el experimento aleatorio de lanzar dos monedas no cargadas, su
espacio muestral S = {(c, c), (c, s), (s, c), (s, s)} y los sucesos:
A = {(c, c), (c, s)}, B = {(c, c), (s, c)}, C = {(c, c), (s, s)} ¿A, B y C son
independientes?
1
P(A ∩ B) = P(A ∩ C ) = P(B ∩ C ) = P({(c, c)}) =
4
2 2 1
P(A) · P(B) = P(A) · P(C ) = P(B) · P(C ) = · =
4 4 4
Luego, A, B y C son sucesos son independientes de a pares.
1
P(A ∩ B ∩ C ) = P({(c, c)}) =
4
1 1 1 1
P(A) · P(B) · P(C ) = · · =
2 2 2 8
Luego, los sucesos A, B y C no son independientes.
Propiedad
Propiedad de la independencia

 A∧B independientes
A ∧ B independientes ⇒ A∧B independientes
A∧B independientes

Demostración
A ∧ B independientes ⇒ A ∧ B independientes
(5)
P(A ∩ B) = P [A − (A ∩ B)] = P(A) − P(A ∩ B)
ind
= P(A) − P(A) · P(B) = P(A) · [1 − P(B)]

= P(A) · P B

Propiedad
(5) ind
P(A ∩ B) = P [B − (A ∩ B)] = P(B) − P(A ∩ B) = P(B) − P(A) · P(B)

= [1 − P(A)] · P(B) = P A · P(B)
(1)
P A∩B = P A ∪ B = 1 − P(A ∪ B)
(6)
= 1 − [P(A) + P(B) − P(A ∩ B)]
ind
= 1 − P(A) − P(B) + P(A) · P(B)
= 1 − P(A) − P(B) · [1 − P(A)]
(3)
= P A − P(B) · P A = P A · P B

Observaciones
Sean A y B dos sucesos de un espacio de probabilidad (S, P), tales
que A 6= ∅ y B 6= ∅:
Si A ⊂ B entonces A y B no son independientes.
Si B ⊂ A entonces A y B no son independientes.
Si A ∩ B = ∅ entonces A y B no son independientes.
A y B independientes y mutuamente excluyentes si y sólo si al menos

uno es el conjunto vacı́o.

Regla del producto para eventos independientes

Sea (S, P) un espacio de probabilidad y sea {Ai }ni=1 una colección finita
de eventos independientes, entonces
n
!
\
P Ai = P(A1 ) · P(A2 ) · P(A3 ) · . . . · P(An )
i=1

Ejemplo 17
Se extraen 4 (cuatro) cartas una a una con reposición de una baraja española (40
cartas).
a ¿Cuál es la probabilidad de obtener 4 oros?
ind
P (O1 ∩ O2 ∩ O3 ∩ O4 ) = P(O1 ) · P(O2 ) · P(O3 ) · P(O4 )
1 1 1 1 1
= · · · = = 0.00390625
4 4 4 4 256
b ¿Cuál es la probabilidad de que el primer oro aparezca en la cuarta

extracción?
ind
P O 1 ∩ O 2 ∩ O 3 ∩ O4 = P(O 1 ) · P(O 2 ) · P(O 3 ) · P(O4 )
3 3 3 1 27
= · · · = = 0.1054688
4 4 4 4 256

Para pensar
De una urna con cinco bolillas rojas y tres blancas, se sacan dos bolillas al
azar. Calcule la probabilidad de los siguientes eventos
A: ambas son blancas
B: ambas son del mismo color
C: la segunda bola es blanca
Si las extracciones se realizan
1 con reemplazo,
2 sin reemplazo.
Para i = 1, 2, 3, se definen los sucesos:

Bi : la i-ésima bolilla es blanca;
Ri : la i-ésima bolilla es roja.

Para pensar
1
9
P(A) = P(B1 ∩ B2 ) = P(B1 ) · P(B2 ) = 3/8 · 3/8 =
64
P(B) = P [(B1 ∩ B2 ) ∪ (R1 ∩ R2 )] = P(B1 ∩ B2 ) + P(R1 ∩ R2 )
3 3 5 5 17
= P(B1 ) · P(B2 ) + P(R1 ) · P(R2 ) = · + · =
8 8 8 8 32
3
P(C ) = P(B2 ) =
8
2
3
P(A) = P(B1 ∩ B2 ) = P(B1 ) · P(B2 | B1 ) = 3/8 · 2/7 =
28
P(B) = P [(B1 ∩ B2 ) ∪ (R1 ∩ R2 )] = P(B1 ∩ B2 ) + P(R1 ∩ R2 )
3 2 5 4 13
= P(B1 ) · P(B2 | B1 ) + P(R1 ) · P(R2 | R1 ) = · + · =
8 7 8 7 28
P(C ) = P [(B1 ∪ R1 ) ∩ B2 ] = P [(B1 ∩ B2 ) ∪ (R1 ∩ B2 )]
= P(B1 ∩ B2 ) + P(R1 ∩ B2 ) = P(B1 ) · P(B2 | B1 ) + P(R1 ) · P(B2 | R1 )
3 2 5 3 3
= · + · =
8 7 8 7 8

Teorema de Bayes

Teorema de Bayes
Introducción
En muchas situaciones prácticas el espacio muestral S asociado a un

experimento aleatorio puede interpretarse como el que se muestra en el
esquema.
A1 , A2 , . . . , Ak , es un sistema
exhaustivo y excluyente de sucesos.
Los sucesos A1 , A2 , . . . , Ak son una
colección
Sn de sucesos tales que
S = i=1 Ai y para todo
i 6= j : Ai ∩ Aj = ∅.
Es decir, {Ai }ki=1 forman una partición
de S.

Teorema de Bayes
Introducción
Dado un suceso B, se quiere determinar

la probabilidad de que ocurra Aj para
j = 1, . . . , n.
Es decir, se desea calcular P(Aj | B).
El Teorema de Bayes, es quien nos da
solución a este problema.

Teorema de Bayes
Teorema de las Probabilidades Totales
Teorema de Probabilidades Totales

Sea {Ai }ki=1 una partición de S tal que P(Ai ) 6= 0, ∀i = 1, . . . , k y sea
B ⊂ S, entonces
X k
P(B) = P(Ai ) · P(B | Ai )
i=1

Teorema de Bayes
Teorema de las Probabilidades Totales
Demostración
k
[
B = (Ai ∩ B)
i=1
Para todo i 6= j, Ai ∩ B es disjunto de Aj ∩ B ya que

(Ai ∩ B) ∩ (Aj ∩ B) = (Ai ∩ Aj ) ∩ (B ∩ B) = ∅ ∩ B = ∅
para todo i 6= j
" k
# k
[ (2) X
P(B) = P (Ai ∩ B) = P(Ai ∩ B)
i=1 i=1
k
(RM) X
= P(Ai ) · P(B | Ai )
i=1

Teorema de Bayes
Teorema de Bayes
Teorema de Bayes
Sea {Ai }ki=1 una partición de S tal que P(Ai ) 6= 0, ∀i = 1, . . . , k y sea
B ⊂ S tal que P(B) 6= 0, entonces
P(Aj ) · P(B | Aj )
P(Aj | B) = Pk ∀j = 1, . . . , k
i=1 P(Ai ) · P(B | Ai )
Demostración
P(Aj ∩ B) P(Aj ) · P(B | Aj ) TPT P(Aj ) · P(B | Aj )

P(Aj | B) = = = Pk
P(B) P(B) i=1 P(Ai ) · P(B | Ai )

Teorema de Bayes
Ejemplo 18
Una empresa manufacturera recibe productos de tres proveedores distintos. El
45% de los productos provienen del proveedor 1, el 35% del proveedor 2 y el resto
del proveedor 3. Los datos históricos de la empresa sugieren que el desempeño en
términos de calidad de los dos proveedores es distinto. En efecto se sabe que
cuando el producto proviene del proveedor 1, la probablidad de que sea bueno es
del 95%, cuando proviene del proveedor 2 es de un 98%, y cuando proviene del
proveedor 3 es de un 90%. Si se selecciona un producto al azar,
a ¿cuál es la probabilidad que el el producto sea de buena calidad?
b Si es de mala calidad, ¿cuál es la probabilidad de que provenga del proveedor
1?

Definimos los sucesos:
Ai : “el producto proviene del vendedor i”, i = 1, 2, 3
B: “el producto es de buena calidad”
P(A1 ) = 0.45 P(B | A1 ) = 0.95 P(B | A1 ) = 0.05

P(A2 ) = 0.35 P(B | A2 ) = 0.98 P(B | A1 ) = 0.02
P(A3 ) = 0.20 P(B | A3 ) = 0.90 P(B | A1 ) = 0.10

Teorema de Bayes
a.
3
X
P(B) = P(Ai ) · P(B | Ai )
i=1
= P(A1 ) · P(B | A1 ) + P(A2 ) · P(B | A2 ) + P(A3 ) · P(B | A3 )
= 0.45 · 0.95 + 0.35 · 0.98 + 0.20 · 0.90 = 0.9505
b.
P(A1 ) · P(B | A1 ) (3) P(A1 ) · P(B | A1 )
P(A1 | B) = =
P(B) 1 − P(B)
0.45 · 0.05
= = 0.4545455
1 − 0.9505

Para pensar
Una empresa de Buenos Aires tiene una sucursal en Mendoza. En esta
sucursal, la fabricación de determinado tipo de pieza se reparte en tres
máquinas de la siguiente forma: la máquina M1 fabrica el 50% del total de
las piezas, la M2 fabrica el 30%, y la M3, el 20% de las restantes. Estas
tres máquinas, por su uso, producen un porcentaje de piezas defectuosas
que se puede estimar en el 1% de las piezas fabricadas por la maquina M1,
el 3% de las fabricadas por M2 y el 5% de las fabricadas por M3. Desde
Bs.As. envı́an un técnico en control de calidad.
1 ¿Cuál es la probabilidad de que al elegir el técnico una pieza fabricada
cierto dı́a, esta sea defectuosa?
2 Si la pieza seleccionada por el técnico resultó no defectuosa, ¿cuál es
la probabilidad de que haya sido fabricada por la máquina M2?

Para pensar
Definimos los eventos
Mi : la pieza fue fabricada por la máquina i; i = 1, 2, 3
D: la pieza es defectuosa
P(M1 ) = 0.50, P(D | M1 ) = 0.01, P(D | M1 ) = 0.99
P(M2 ) = 0.30, P(D | M2 ) = 0.03, P(D | M2 ) = 0.97
P(M3 ) = 0.20, P(D | M3 ) = 0.05, P(D | M3 ) = 0.95
3
X
P(D) = P(Mi ) · P(D | Mi)
i=1
= P(M1 ) · P(D | M1) + P(M2 ) · P(D | M2 ) + P(M3) · P(D | M3 )
= 0.50 · 0.01 + 0.30 · 0.03 + 0.20 · 0.05 = 0.024
P(M2 ∩ D) P(M2 ) · P(D | M2 ) 0.3 · 0.97

P(M2 | D) = = = = 0.298
P(D) 1 − P(D) 1 − 0.024

U1 Probabilidad LA CP

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

U1 Probabilidad LA CP

Cargado por

Copyright:

Formatos disponibles

Unidad 1: Probabilidad

FCE UNCuyo - CP-LA

Estadı́stica I (FCE UNCuyo - CP-LA) U1: Probabilidad 2023 1 / 108

5 Coincidencia entre las definiciones Clásica y Axiomática de probabilidad

Estadı́stica I (FCE UNCuyo - CP-LA) U1: Probabilidad 2023 2 / 108

Estadı́stica I (FCE UNCuyo - CP-LA) U1: Probabilidad 2023 3 / 108

La estadı́stica estudia los fenómenos aleatorios.

Estadı́stica I (FCE UNCuyo - CP-LA) U1: Probabilidad 2023 4 / 108

Se emplean técnicas estadı́sticas cuando:

Estadı́stica I (FCE UNCuyo - CP-LA) U1: Probabilidad 2023 5 / 108

Si se hace un muestreo de consumidores, para obtener información que

Estadı́stica I (FCE UNCuyo - CP-LA) U1: Probabilidad 2023 6 / 108

Los primeros trabajos de probabilidad aparecieron vinculados a los juegos

En cualquiera de estos enfoques el objetivo es medir la posibilidad de

Estadı́stica I (FCE UNCuyo - CP-LA) U1: Probabilidad 2023 7 / 108

Estadı́stica I (FCE UNCuyo - CP-LA) U1: Probabilidad 2023 8 / 108

Experimento Aleatorio (ε) - Experimento No Aleatorio

Estadı́stica I (FCE UNCuyo - CP-LA) U1: Probabilidad 2023 9 / 108

Estadı́stica I (FCE UNCuyo - CP-LA) U1: Probabilidad 2023 10 / 108

Espacio Muestral (S)

Espacio muestral discreto

Estadı́stica I (FCE UNCuyo - CP-LA) U1: Probabilidad 2023 11 / 108

Estadı́stica I (FCE UNCuyo - CP-LA) U1: Probabilidad 2023 12 / 108

Estadı́stica I (FCE UNCuyo - CP-LA) U1: Probabilidad 2023 13 / 108

Evento o Suceso (A, B, C , . . .)

Operaciones de Conjunto: Unión

Estadı́stica I (FCE UNCuyo - CP-LA) U1: Probabilidad 2023 15 / 108

Estadı́stica I (FCE UNCuyo - CP-LA) U1: Probabilidad 2023 16 / 108

Operaciones de Conjunto: Intersección

Estadı́stica I (FCE UNCuyo - CP-LA) U1: Probabilidad 2023 17 / 108

Sucesos disjuntos dos a dos

{Ai }ni=1 disjunta dos a dos ⇔ ∀(Ai , Aj ) : Ai ∩ Aj = ∅, i 6= j

Estadı́stica I (FCE UNCuyo - CP-LA) U1: Probabilidad 2023 18 / 108

Estadı́stica I (FCE UNCuyo - CP-LA) U1: Probabilidad 2023 19 / 108

Operaciones de conjunto: Diferencia

Estadı́stica I (FCE UNCuyo - CP-LA) U1: Probabilidad 2023 20 / 108

Estadı́stica I (FCE UNCuyo - CP-LA) U1: Probabilidad 2023 21 / 108

Operaciones de conjunto: Complemento

Estadı́stica I (FCE UNCuyo - CP-LA) U1: Probabilidad 2023 22 / 108

Estadı́stica I (FCE UNCuyo - CP-LA) U1: Probabilidad 2023 23 / 108

Propiedades de las operaciones entre conjuntos

Estadı́stica I (FCE UNCuyo - CP-LA) U1: Probabilidad 2023 24 / 108

Conjunto Partes de S (P(S))

Si S es finito y | S |= n, entonces | P(S) |= 2n

P(S) = {∅, {a}, {r }, {v }, {a, r }, {a, v }, {r , v }, S}

Estadı́stica I (FCE UNCuyo - CP-LA) U1: Probabilidad 2023 25 / 108

Estadı́stica I (FCE UNCuyo - CP-LA) U1: Probabilidad 2023 26 / 108

número de elementos de A |A|

Limitaciones del concepto clásico de probabilidad

Estadı́stica I (FCE UNCuyo - CP-LA) U1: Probabilidad 2023 29 / 108

Estadı́stica I (FCE UNCuyo - CP-LA) U1: Probabilidad 2023 30 / 108

Observe que a medida que n aumenta el valor observado de la frecuencia relativa

Estadı́stica I (FCE UNCuyo - CP-LA) U1: Probabilidad 2023 32 / 108

Limitaciones del concepto frecuencial de probabilidad

Las definiciones clásica y frecuentista tienen limitaciones, se busca

Estadı́stica I (FCE UNCuyo - CP-LA) U1: Probabilidad 2023 33 / 108

Estadı́stica I (FCE UNCuyo - CP-LA) U1: Probabilidad 2023 34 / 108

Estadı́stica I (FCE UNCuyo - CP-LA) U1: Probabilidad 2023 35 / 108

A cada suceso de la función P le asigna un número real entre 0 y 1.

Estadı́stica I (FCE UNCuyo - CP-LA) U1: Probabilidad 2023 36 / 108

Si la función probabilidad P asigna igual probabilidad a todos los sucesos

Si S discreto finito y (S, P) equiprobable, entonces el Enfoque Clásico

Estadı́stica I (FCE UNCuyo - CP-LA) U1: Probabilidad 2023 37 / 108