04 Clase IV 523219 Teoria de Probabilidad

MOTIVACIÓN.
DEFINICIONES
TEORÍA DE PROBABILIDAD.
TÉCNICAS DE CONTEO.
Teorı́a de Probabilidad.
Clase IV.
Departamento de Estadı́stica
Facultad de Ciencias Fı́sicas y matemáticas
Universidad de Concepción
Prof: Marı́a José Alejandra Medina Fritz
1 de abril de 2024
Marı́a José Alejandra Medina Fritz Estadı́stica (523219).

MOTIVACIÓN.
DEFINICIONES
Introducción
• Si usted compra un boleto de Kino o bien invierte en acciones de alguna

empresa, no sabe a ciencia cierta si es que va a obtener ganancias o
pérdidas.
• Lo que intentamos hacer con el cálculo de probabilidades es cuantificar la

incertidumbre asociada a ganar el Kino o, en el otro caso, la probabilidad
de ganar una cierta cantidad de dinero al comprar una acción.
• Intentamos indicar cuán factible es que ocurra algún resultado en parti-

cular como consecuencia de un experimento aleatorio, denotado por

MOTIVACIÓN.
DEFINICIONES
Experimento aleatorio
• Un experimento aleatorio es cualquier experimento cuyo resultado es

incierto, no se conoce con seguridad.
• puede ser repetido en las mismas condiciones indeterminadas veces
• Ejemplos de experimentos aleatorios: lanzamiento de una (o más de

una) moneda(s), lanzamiento de un dado, género de un estudiante
seleccionada (o) en el curso, etc.

MOTIVACIÓN.
DEFINICIONES
Introducción
Cuando se realiza un experimento, en muchas ocaciones, no se sabe lo que

ocurrirá, cuál será el resultado.
Ejemplo
• Sı́ lanzamos una moneda, no sabemos con exactitud su resultado. En
este caso el experimento es llamado aleatorio.

MOTIVACIÓN.
DEFINICIONES
Introducción

Ejemplo
• Tiempo de caı́da de un cuerpo a una velocidad determinada, sabemos
con exactitud lo que ocurrirá. En este caso el experimento es llamado
Determinı́stico

MOTIVACIÓN.
DEFINICIONES
Introducción

Ejemplo
• Tiempo de caı́da de un cuerpo a una velocidad determinada, sabemos
con exactitud lo que ocurrirá. En este caso el experimento es llamado
Determinı́stico

MOTIVACIÓN.
DEFINICIONES ELEMENTOS DE PROBABILIDAD
TEORÍA DE PROBABILIDAD. ALGEBRA DE EVENTOS.
Concepto de Probabilidad.
La Estadı́stica entrega el concepto de probabiidad, con el objetivo de

investigar experimentos de tipo aleatorio.
Se entiende por probabilidad a una medida estadı́stica que cuantifica la in-

certidumbre, es decir, la asignación de un valor a la posibilidad de obtener
algún resultado particular de un experimento aleatorio.

MOTIVACIÓN.
Concepto de Probabilidad.
La Estadı́stica entrega el concepto de probabiidad, con el objetivo de

investigar experimentos de tipo aleatorio.
Se entiende por probabilidad a una medida estadı́stica que cuantifica la in-

certidumbre, es decir, la asignación de un valor a la posibilidad de obtener
algún resultado particular de un experimento aleatorio.

MOTIVACIÓN.
Definiciones: ESPACIO MUESTRAL
• Def 1.1 Espacio Muestral: Es el conjunto de todos los posibles resultados

en un experimento aleatorio , es denotado por la letra griega Ω
Ejemplo
1 Lanzamiento de una moneda. Ω = c, s
2 Contar el número de artı́culos defectuosos en una partida de n artı́culos
totales. Ω = 0, 1, . . . , n

MOTIVACIÓN.

Ejemplo
totales. Ω = 0, 1, . . . , n
3 contabilizar el número de accidentes ocurridos en concepción.
Ω = 0, 1, . . . , n

MOTIVACIÓN.

Ejemplo
totales. Ω = 0, 1, . . . , n
Ω = 0, 1, . . . , n
4 contar el tiempo de vida de una ampolleta. Ω = [0, +∞[

MOTIVACIÓN.

Ejemplo
totales. Ω = 0, 1, . . . , n
Ω = 0, 1, . . . , n
4 contar el tiempo de vida de una ampolleta. Ω = [0, +∞[

MOTIVACIÓN.
Definición: EVENTO O SUCESO
• Def 1.2 Evento o Suceso: Es una colección de resultados posibles de un

experimento, se dice que A es un evento, sı́ y sólo sı́,
A⊆Ω
• Se denota por letras alfabéticas mayúsculas.

MOTIVACIÓN.

A⊆Ω
• Si A es un evento de Ω (A ⊆ Ω), se denota por P (A) a la probabilidad

de ocurrencia de A.

MOTIVACIÓN.

A⊆Ω

de ocurrencia de A.

MOTIVACIÓN.

A⊆Ω

de ocurrencia de A.

MOTIVACIÓN.
Definición: EVENTO SEGURO
• Sı́ A = Ω es llamado evento seguro, es decir siempre ocurrirá.
• Ejemplo: En el lanzamiento de un dado, obtener como resultado un

número menor que 7.

MOTIVACIÓN.
Definición: EVENTO SEGURO
• Sı́ A = Ω es llamado evento seguro, es decir siempre ocurrirá.
• Ejemplo: En el lanzamiento de un dado, obtener como resultado un

número menor que 7.

MOTIVACIÓN.
Definición: EVENTO IMPOSIBLE
• Sı́ A = {∅}, es llamado evento imposible, es decir, este evento nunca

ocurrirá.
• Ejemplo: En el lanzamiento del dado, obtener como resultado un

número mayor que 6.

MOTIVACIÓN.
Definición: EVENTO IMPOSIBLE
• Sı́ A = {∅}, es llamado evento imposible, es decir, este evento nunca

ocurrirá.
• Ejemplo: En el lanzamiento del dado, obtener como resultado un

número mayor que 6.

MOTIVACIÓN.
Definición: EVENTO ELEMENTAL
• ω es llamado evento o suceso elemental, donde ω ∈ A.
• Ejemplo: En el lanzamiento de un dado, obtener en partı́cular el valor 4.

MOTIVACIÓN.
Definición: EVENTO ELEMENTAL
• ω es llamado evento o suceso elemental, donde ω ∈ A.
• Ejemplo: En el lanzamiento de un dado, obtener en partı́cular el valor 4.

MOTIVACIÓN.
Definición: EVENTO COMPLEMENTARIO
• Sı́ 1 − A = Ac es llamado evento complementario.
• Ejemplo: En el lanzamiento de la moneda, no obtener en partı́cular un

sello.

MOTIVACIÓN.
Definición: EVENTO COMPLEMENTARIO
• Sı́ 1 − A = Ac es llamado evento complementario.
• Ejemplo: En el lanzamiento de la moneda, no obtener en partı́cular un

sello.

MOTIVACIÓN.
Definición de PROBABILIDAD.
La Probabilidad es la mayor o menor posibilidad de que ocurra un determina-

do suceso. Esto quiere decir, que al obtener una probabilidad cuantificamos
el hecho de que ocurra o no un suceso.

MOTIVACIÓN.
Eventos
Dado 2 eventos A, B sobre el espacio muestral Ω y ω un evento elemental.
Unión
1) El evento definido por la unión y denotado por A∪B, contiene al conjunto
de los elementos que están en A, o en B o bien en ambos eventos
A ∪ B = {ω : ω ∈ A ∨ ω ∈ B}.
Intersección
2) El evento definido por la intersección, denotado por A ∩ B, contiene al
conjunto de elementos que están en A y en B a la vez.
A ∩ B = {ω : ω ∈ A ∧ ω ∈ B}.
• A ∩ B = ∅ ≡ A y B son disjuntos o mutuamente excluyentes.

MOTIVACIÓN.
Eventos
Unión
1) El evento definido por la unión y denotado por A∪B, contiene al conjunto
de los elementos que están en A, o en B o bien en ambos eventos
A ∪ B = {ω : ω ∈ A ∨ ω ∈ B}.
Intersección
2) El evento definido por la intersección, denotado por A ∩ B, contiene al
conjunto de elementos que están en A y en B a la vez.
A ∩ B = {ω : ω ∈ A ∧ ω ∈ B}.
• A ∩ B = ∅ ≡ A y B son disjuntos o mutuamente excluyentes.

MOTIVACIÓN.
Eventos
Subconjunto
3) El evento A subconjunto de B, denotado por A ⊆ B, indica que si ocurre
A ⇒ ocurre B.
A ⊆ B = {ω : ω ∈ A ⇒ ω ∈ B}
Igualdad
4) El evento en que A es igual a B, denotado como A = B, indica que el
evento A ocurre si y sólo si, el evento B también ocurre.
A = B : {ω : ω ∈ A ⇐⇒ ω ∈ B} .

MOTIVACIÓN.
Eventos
Subconjunto
3) El evento A subconjunto de B, denotado por A ⊆ B, indica que si ocurre
A ⇒ ocurre B.
A ⊆ B = {ω : ω ∈ A ⇒ ω ∈ B}
Igualdad
4) El evento en que A es igual a B, denotado como A = B, indica que el
evento A ocurre si y sólo si, el evento B también ocurre.
A = B : {ω : ω ∈ A ⇐⇒ ω ∈ B} .

MOTIVACIÓN.
Eventos
Vacı́o
5) Denotaremos por el sı́mbolo ∅ al evento que no tiene elementos y lo
llamaremos evento vacı́o.
Para cualquier evento A definido sobre el espacio muestral Ω se cumple
que:.
A ∩ Ac = ∅
Diferencia
6) El evento diferencia de A menos B, denotado por A/B = A−B, contiene
todos los elementos que están en A y no están en B.
A/B = A − B : {ω : ω ∈ A ∧ ω ∈
/ B} .

MOTIVACIÓN.
Eventos
Vacı́o
5) Denotaremos por el sı́mbolo ∅ al evento que no tiene elementos y lo
llamaremos evento vacı́o.
Para cualquier evento A definido sobre el espacio muestral Ω se cumple
que:.
A ∩ Ac = ∅
Diferencia
6) El evento diferencia de A menos B, denotado por A/B = A−B, contiene
todos los elementos que están en A y no están en B.
A/B = A − B : {ω : ω ∈ A ∧ ω ∈
/ B} .

MOTIVACIÓN.
Algebra de Eventos: TEOREMAS
Sean A, B, y C 3 eventos definidos en Ω, se tienen las siguientes

propiedades.
Conmutatividad:
A∪B =B∪A A∩B =B∩A
Asociatividad:
A ∪ (B ∪ C) = (A ∪ B) ∪ C
A ∩ (B ∩ C) = (A ∩ B) ∩ C

MOTIVACIÓN.
Algebra de Eventos: TEOREMAS
Teorema 1: Sean A, B, y C, 3 eventos definidos en Ω, se tienen las siguientes

propiedades.
Leyes Distributivas:
A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C)
A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C)
Leyes de Morgan:
(A ∪ B)c = Ac ∩ B c
(A ∩ B)c = Ac ∪ B c

MOTIVACIÓN.
Algebra de eventos: RESULTADOS IMPORTANTES
Eventos mutuamente excluyentes:

• Def 1.3: Dos eventos A y B definidos sobre el espacio muestral Ω, se
dicen eventos disjuntos o eventos mutuamente excluyentes.
Si A ∩ B = ∅.

MOTIVACIÓN.
Ejemplo 1:
Se realiza el experimento de lanzar dos dados, obteniendo los siguientes
eventos:
A: La suma de los dados es seis. A = {(1, 5), (2, 4), (3, 3), (4, 2), (5, 1)}
B: La suma de ambos dados es cinco. B = {(1, 4), (2, 3), (3, 2), (4, 1)}
C: La suma es un número par. C = {(1, 3), (1, 5), (2, 2), (2, 4), (2, 6), (3, 1),
(3,3),(3,5),(4,2),(4,4),(4,6),(5,1),(5,3),(5,5),(6,2),(6,4),(6,6)}
¿A y B son eventos mutuamente excluyentes?
¿B y C son eventos mutuamente excluyentes?

MOTIVACIÓN.
Algebra de Eventos: RESULTADOS IMPORTANTES
Partición:
• Def 1.4: Los eventos Ai . . . An son disjuntos de a pares o 2 a 2.
Si Ai ∩ Aj = ∅ ∀i 6= j i, j = 1, 2, . . .
Entonces los eventos A1 , A2 , . . . forman una partición de Ω, por lo tanto:
∪∞
i=1 Ai = Ω

MOTIVACIÓN.
Algebra de Eventos: PARTICIÓN

MOTIVACIÓN.
Ejemplo 2:
En el ejemplo anterior en que se lanzan 2 dados, se presentan los siguientes
eventos:
A: La suma de los dados es seis. A = {(1, 5), (2, 4), (3, 3), (4, 2), (5, 1)}
B: La suma de ambos dados es cinco. B = {(1, 4), (2, 3), (3, 2), (4, 1)}
C: La suma es de los dados es 7. C = {(6, 1), (1, 6)}
D: La suma es 4. D = {(1, 3), (2, 2), (3, 1)}

MOTIVACIÓN. CÁLCULO DE PROBABILIDADES.
DEFINICIONES AXIOMAS Y PROPIEDADES.
TEORÍA DE PROBABILIDAD. PROBABILIDAD CONDICIONAL E INDEPENDENCIA
TÉCNICAS DE CONTEO. TEOREMA DE PROBABILIDAD TOTAL.
TEOREMA DE BAYES.
Teorı́a de probabilidad: DEFINICIÓN DE PROBABILIDAD.
Para poder describir el aspecto aleatorio de un experimento, es necesario

asignar probabilidades a los eventos de interés.
• Def 1.5 Un subconjunto E de Ω al cual podemos atribuir una pro-

babilidad será llamado evento aleatorio (Cualquier operación, cuyo
resultado no puede ser predicho con anticipación o seguridad).

TEOREMA DE BAYES.
Para poder describir el aspecto aleatorio de un experimento, es necesario

asignar probabilidades a los eventos de interés.
• Def 1.5 Un subconjunto E de Ω al cual podemos atribuir una pro-

babilidad será llamado evento aleatorio (Cualquier operación, cuyo
resultado no puede ser predicho con anticipación o seguridad).

TEOREMA DE BAYES.
Regla de Laplace
Sea A un evento cualquiera del espacio muestral Ω, donde cada uno de los
resultados de este Ω son equiprobables (misma probabilidad), la P (A) está
dada por:
#A
P (A) = ,
#Ω
#A : N o de elementos del evento A.
#Ω : N o de elemento en el espacio muestral Ω
Notar que, 0 ≤ P (A) ≤ 1; ∀ A ⊆ Ω.

TEOREMA DE BAYES.
Teorı́a de probabilidad: AXIOMAS DE PROBABILIDAD
Teorema 2: Sea P(·)una función de probabilidad y A y B dos eventos que

pertenecen a Ω, se cumple que:
1 P (Ω) = 1
2 0 6 P (A) 6 1, ∀ A⊆Ω
3 Suponiendo que se tienen dos eventos, A y B definidos sobre Ω, se

tiene que:
Regla aditiva
P (A ∪ B) = P (A) + P (B) ⇔ (A ∩ B) = ∅

TEOREMA DE BAYES.
Teorı́a de probabilidad: PROPIEDADES IMPORTANTES
Sean A, B y C, eventos definidos sobre Ω, se tiene que:
1 P (A ∪ B) = P (A) + P (B) − P (A ∩ B)
2 P (A ∪ B ∪ C) = P (A) + P (B) + P (C) − P (A ∩ B) − P (A ∩ C)−

P (B ∩ C) + P (A ∩ B ∩ C)
3 Suponiendo que se tiene A1 , A2 , . . . , Ak eventos definidos sobre Ω, de

tal manera que forman una partición de este espacio muestral Ω, se
tiene que:
P (∪∞
i=1 Ai ) = P (A1 ) + P (A2 ) + . . . + P (Ai ) con Ai ∩ Aj = ∅; ∀ i 6= j.

TEOREMA DE BAYES.
Teorı́a de probabilidad: PROPIEDADES
Sea Ω el espacio muestral y sean A y B dos eventos cualquieras asociados a

este espacio muestral.
Del teorema antes mencionado se desprenden las siguientes propiedades:
1 P (Ac ) = 1 − P (A)
2 P (∅) = 0
3 Sı́ A ⊂ B entonces P (A) ≤ P (B)
4 P (A ∪ B) = P (A) + P (B) − P (A ∩ B)
5 P (A ∩ B c ) = P (A) − P (A ∩ B)
6 P (A − B) = P (A) − P (A ∩ B) ⇒ P (A ∩ B c ) = P (A − B)

TEOREMA DE BAYES.
Teorı́a de Probabilidad: EJERCICIO PROPUESTO
Ejemplo 3:
Un experimento aleatorio consiste en lanzar, simultáneamente, un dado y una

moneda. Ω = {(1, c)(1, s)(2, c)(2, s)(3, c)(3, s)(4, c)(4, s)(5, c)(5, s)(6, c)(6, s)}
#Ω = 6 × 2.
¿Cuál es la probabilidad que el dado muestre un número par y la
moneda muestre cara?

TEOREMA DE BAYES.
Teorı́a de Probabilidad: SOLUCIÓN
Ω = {(1, c)(1, s)(2, c)(2, s)(3, c)(3, s)(4, c)(4, s)(5, c)(5, s)(6, c)(6, s)}
A = {(2, c)(4, c)(6, c)} ; #(A) = 3.

Luego
3
P (A) =
12
= 0,25
Por lo tanto, “La probabilidad que el dado muestre un número par y la

moneda muestre cara es de 0.25”

TEOREMA DE BAYES.
¿Cuál es la probabilidad que el dado no muestre un número

menor o igual que 4.
Ω = {(1, c)(1, s)(2, c)(2, s)(3, c)(3, s)(4, c)(4, s)(5, c)(5, s)(6, c)(6, s)}
A = {(1, c)(1, s)(2, c)(2, s)(3, c)(3, s)(4, c)(4, s)} ; #(A) = 8.
Luego
8
P (Ac ) = 1−
12
= 0,333
Por lo tanto, “La probabilidad que el dado no muestre un número
menor o igual que 4 es 0.333”

TEOREMA DE BAYES.
¿Cuál es la probabilidad que el dado muestre un número

divisible por 3 o la moneda muestre sello?.
Ω = {(1, c)(1, s)(2, c)(2, s)(3, c)(3, s)(4, c)(4, s)(5, c)(5, s)(6, c)(6, s)}
A = {(3, c)(3, s)(6, c)(6, s)} ; #(A) = 4.
B = {(1, s)(2, s)(3, s)(4, s)(5, s)(6, s)} ; #(A) = 6.
A ∩ B = {(3, s)(6, s)} ; #(A ∩ B) = 2.

TEOREMA DE BAYES.
Luego
P (A ∪ B) = P (A) + P (B) − P (A ∩ B))
4 6 2
= + −
12 12 12
2
=
3
Por lo tanto, “La probabilidad que el dado muestre un número divisible
por 3 o la moneda muestre sello,es de 23 ”

TEOREMA DE BAYES.
Teorı́a de Probabilidad: EJERCICIO
En una universidad el 50 % de los alumnos habla inglés, el 20 % francés y

el 5 % los dos idiomas ¿Cuál es la probabilidad de encontrar alumnos que
hablen alguna lengua extranjera (de las mencionadas)? (utilice el porcentaje
como probabilidad)
Solución
• Sea A el suceso hablar Inglés: P (A) = 0,5
• Sea B el suceso hablar Francés: P (B) = 0,2
• Sea el suceso hablar francés e inglés A ∩ B: P (A ∩ B) = 0.05
Entonces,
P (A ∪ B) = P (A) + P (B) − P (A ∩ B)
= 0,5 + 0,2 − 0,05 = 0,65

TEOREMA DE BAYES.
Teorı́a de Probabilidad: PROBABILIDAD CONDICIONAL
introducción
• Todas las probabilidades que hemos calculado hasta ahora han sido pro-
babilidades incondicionales, definidas sobre el espacio muestral original.
• Sin embargo, en algunos casos, la ocurrencia de un evento puede afectar

a la probabilidad de ocurrencia de otro evento del mismo espacio mues-
tral. En tales, el c´ alculo de probabilidades se basa en probabilidades
condicionales.

TEOREMA DE BAYES.
Probabilidad Condicional: EJERCICIO MOTIVACIONAL
Ejemplo 4:
Suponga que una empresa pesquera tiene 100 máquinas procesadoras de pes-
cado. Algunas de estas máquinas son eléctricas (E) y otras manuales (M).
Además se sabe que algunas de estas máquinas son nuevas (N) y el resto son
usadas (U). Suponga que un supervisor selecciona una máquina al azar con
el objetivo de realizar mantención en caso de ser necesario y se da cuenta
que la máquina es nueva. ¿Cuál es la probabilidad de que la máquina sea
eléctrica?.

TEOREMA DE BAYES.
Probabilidad Condicional: DEFINICIÓN
• Def. 1.5.: Si A y B son eventos definidos sobre Ω y P (B) > 0, entonces

la probabilidad condicional de A dado que ocurre B es:
P (A ∩ B)
P (A|B) = PB (A) =
P (B)
Se lee:
“probabilidad condicional de A dado B”
note que si B = Ω, entonces P (B|B) = 1

TEOREMA DE BAYES.
Probabilidad Condicional: DEFINICIÓN
• En particular, note que la probabilidad condicional de dos eventos A y

B disjuntos, es decir P (A ∩ B) = 0, es:
P (A|B) = P( B/A) = 0
La idea de la probabilidad condiconal es que el espacio muestral ha sido

actualizado a B. Ası́, la ocurrencia de los eventos depende de su relación con
el evento B.

TEOREMA DE BAYES.
Ejemplo 4: SOLUCIÓN
PP Tipo
P PP E M Total
Uso PP
N 40 30 70
U 20 10 30
Total 60 40 100
P (E ∩ N )
P (E|N ) =
P (N )
#(E∩N ) 40
#Ω 100
= #N
= 70
Ω 100
4
=
7
Se tiene que, por lo expresado anteriormente, la ocurrencia del evento N
afecta a la probabilidad de ocurrencia del evento E.

TEOREMA DE BAYES.
Probabilidad Condicional: EJEMPLO 5
Ejemplo 5.
• La probabilidad de que un vuelo despegue a tiempo es 0.83, de que
llegue a tiempo es 0.82 y la de que despegue y llegue a tiempo es de
0.78. ¿Encuentre la probabilidad de que el avión:
1 Llegue a tiempo dado que despegó a tiempo.
2 Despegue a tiempo dado que llegó a tiempo.

TEOREMA DE BAYES.
Probabilidad Condicional: REGLA MULTIPLICATIVA.
De la definición de probabilidad condicional se obtiene la regla

multiplicativa.
Regla multiplicativa
P (A ∩ B)
P (A|B) = ⇒ P (A ∩ B) = P (A|B)P (B)
P (B)
P (B ∩ A)
P (B|A) = ⇒ P (A ∩ B) = P (B|A)P (A)
P (A)
Ası́ la probabilidad del evento intersección puede ser calculada como:
P (A ∩ B) = P (A|B)P (B) = P (B|A)P (A)

TEOREMA DE BAYES.
Teorı́a de probabilidad: EVENTOS INDEPENDIENTES.
Def. 1.6: Sean A y B dos eventos definidos sobre el espacio muestral Ω.

Decimos que los dos eventos son independientes si y solo si, cualquiera de las
siguientes propiedades es verdadera:
1 P (A ∩ B) = P (A) × P (B) (Regla multiplicativa)
2 P (A|B) = P (A)
3 P (B|A) = P (B)
En caso contrario, se dice que los eventos son dependientes.

TEOREMA DE BAYES.
Eventos independientes: OBSERVACIONES
Observaciones
La independencia de eventos tiene relación con la probabilidad de ocurrencia

de los eventos en cuestión.
Según la definiciónn, se establece que los eventos A y B son independientes

cuando la probabilidad de ocurrencia del evento A no influye en la probabi-
lidad de ocurrencia del evento B.

TEOREMA DE BAYES.
Teorı́a de probabilidad: EVENTOS INDEPENDIENTES.
Teorema 3: Si A y B son eventos independientes, los siguientes pares de

eventos tambien lo son:
1 A y Bc
2 Ac y B
3 Ac y B c

TEOREMA DE BAYES.
Eventos Independientes: EXTENCIÓN REGLA MULTIPLICATIVA.
Def. 7:Una colección de eventos A1 , . . . , An , son mutuamente independien-

tes, sı́ para cualquier subcolección, se cumple que:
k
Y
P (∩∞
j=1 Aj ) = P (Aj )
j=1

TEOREMA DE BAYES.
Eventos Independientes: DESDE EJEMPLO 3
Desde el Ejemplo 3, en el que se lanza simultáneamente un dado y una

moneda, podemos considerar los siguientes eventos:
A: El dado muestra un número impar.

B: La moneda muestra sello.
A = {(1, c), (1, s), (3, c), (3, s), (5, c), (5, s)} # A=6
B = {(1, s), (2, s), (3, s), (4, s), (5, s), (6, s)} # A=6

TEOREMA DE BAYES.


A = {(1, c), (1, s), (3, c), (3, s), (5, c), (5, s)} # A=6
B = {(1, s), (2, s), (3, s), (4, s), (5, s), (6, s)} # A=6
A ∩ B = {(1, s), (3, s), (5, s)} # A=3
Luego,
P (A ∩ B) = P (A) × P (B)
3 6 6
= ×
12 12 12
1 1
=
4 4

TEOREMA DE BAYES.


A = {(1, c), (1, s), (3, c), (3, s), (5, c), (5, s)} # A=6
B = {(1, s), (2, s), (3, s), (4, s), (5, s), (6, s)} # A=6
A ∩ B = {(1, s), (3, s), (5, s)} # A=3
Luego,
P (A ∩ B) = P (A) × P (B)
3 6 6
= ×
12 12 12
1 1
=
4 4

TEOREMA DE BAYES.
Eventos Independientes: EJEMPLO 6
Ejemplo 6.
• En un supermercado, el 80 % de los individuos tienen mascarillas N 95,
el 50 % de tela y el 10 % no tiene mascarilla. Analice:
1 Probabilidad de que un individuo tenga ambos tipos de mascarillas.
2 Sabiendo que una persona tiene mascarilla N 95, obtener la probabilidad
de que tenga de tela.
3 Sabiendo que una persona tiene de tela, obtener la probabilidad de que
tenga N 95.
4 Determinar si ambos sucesos son independientes.

TEOREMA DE BAYES.
Eventos Independientes: SOLUCIÓN EJEMPLO 6
Sean los sucesos:

• A : el individuo tiene mascarilla N 95
• B : el individuo tiene mascarilla de tela
1 P (A) = 0,8
2 P (B) = 0,5
3 P (Ac ∩ B c ) = 0,1.

TEOREMA DE BAYES.
1) Se pide P (A ∪ B):
Por union de dos eventos, se tiene que:
P (A ∪ B) = P (A) + P (B) − P (A ∩ B)
Por otro lado, se sabe por ley de Morgan que:
P (Ac ∩ B c ) = P (A ∪ B)c = 1 − P (A ∪ B)
c c
P (A ∩ B ) = P (A ∪ B)c = 1 − P (A ∪ B) = 0,1
P (A ∪ B) = 0,9

TEOREMA DE BAYES.
2) Se pide P (B|A):
Por teorema de probablidad condicional se tiene que:
P (B ∩ A)
P (B|A) =
P (A)
Desde b), se tiene que:

P (A ∪ B) = P (A) + P (B) − P (A ∩ B)
Despejando, se tiene que:
P (B ∩ A) = 0, 4
0,4 1
∴ P (B|A) = 0,8
= 2
= 0, 5

TEOREMA DE BAYES.
3) Se pide P (A|B):
Por teorema de probablidad condicional se tiene que:

P (A ∩ B)
P (A|B) =
P (B)
0,4
=
0,5
∴ P (A|B) = 0, 2

TEOREMA DE BAYES.
4) Dos eventos o sucesos son independientes si y sólo si P (A ∩ B) = P (A) ×

P (B):
P (A ∩ B) = 0,4
P (A) × P (B) = 0,8 × 0,5

= 0,4
∴ Los eventos A y B, son independientes.

TEOREMA DE BAYES.
Probabilidad Total: TEOREMA
Teorema 5: Suponga que los eventos A1 , . . . , Ak forman una partición de

Ω, es decir,
A1 ∪ A2 ∪ . . . ∪ ak = Ω, ∀Ai 6= ∅ Ai ∩ Aj = ∅, ∀i 6= j,
entonces para cualquier evento B ⊆ Ω
P (B) = P (B ∩ A1 ) + P (B ∩ A2 ) + . . . + P (B ∩ Ak )
= P (B|A1 )P (A1 ) + P (B|A2 )P (A2 ) + . . . + P (B|Ak )P (Ak )
Xn
= P (B|Aj ) × P (Aj ).
j=1

TEOREMA DE BAYES.
Probabilidad Total: DIAGRAMA
1
TEOREMA DE BAYES.
Probabilidad Total: EJEMPLO
Ejemplo 7.
• La probabilidad de que un alumno estudie para un examen final de
estadı́stica es 0.2. Sı́ estudia, la probabilidad de que apruebe el exámen
es 0.8, en cambio sı́ no estudia la probabilidad es 0.5.
1 ¿Cuál es la probabilidad de que un alumno escogido al azar apruebe es-

tadı́stica?
2 ¿Cuál es la probabilidad que este alumno no apruebe?

TEOREMA DE BAYES.
Bayes Laplace: TEOREMA.
Teorema 4: Sea A1 , . . . , An una partición del espacio muestral, denotada

por S y sea B un evento que pertenece a Ω, entonces para cada i = 1, 2, . . .,
se tiene:
P (B|Aj ) × P (Aj )
P (Aj |B) =
P (B)
P (B|Aj ) × P (Aj )
= Pn .
j=1 P (B|Aj ) × P (Aj )

TEOREMA DE BAYES.
Teorema de Bayes: CONTINUACIÓN EJERCICIO 7
Desde el ejercicio anterior:

1 Sı́ se sabe que un alumno escogido al azar, ha aprobado el examen,
¿Cuál es la probabilidad de que haya estudiado?.

TEOREMA DE BAYES.
Teorema de Bayes y Probabilidad Total: EJERCICIO
• En esta pandemia se espera que el 75 % de los alumnos de estadı́stica

se queden en casa y el resto salga por algún motivo de su vivienda. La
probabilidad de que los alumnos que se queden en casa se contagien de
Covid-19 es de un 15 %, en cambio, los que no se quedan en casa un 55 %
debiera enfermar.
1 ¿Cuál es la probabilidad de que un alumno se contagie?
2 ¿Cuál es la probabilidad de que un alumno escogido al azar que no se

contagió, se haya quedado en casa por todo el periodo?
3 ¿Cuál es la probabilidad de que un alumno escogido al azar se quede en

casa y se enferme.

MOTIVACIÓN. Principio Aditivo
DEFINICIONES Principio Multiplicativo.
TEORÍA DE PROBABILIDAD. Principio de Permutación.
TÉCNICAS DE CONTEO. Principio de Combinatoria.
Técnicas de conteo: TEORÍA DE CONTEO
Son herramientas matemáticas que permiten calcular el

número de elementos (cardinalidad) de un espacio muestral
o de algún evento.
Supondremos que una cierta acción o procedimiento consta

de las etapas E1 , E2 , ..., Ek tal que, ni es el número de posibi-
lidades en que puede realizarse la etapa Ei ; i = 1, 2, ..., k.

Técnicas de conteo: TEORÍA DE CONTEO
Son herramientas matemáticas que permiten calcular el

número de elementos (cardinalidad) de un espacio muestral
o de algún evento.
Supondremos que una cierta acción o procedimiento consta

de las etapas E1 , E2 , ..., Ek tal que, ni es el número de posibi-
lidades en que puede realizarse la etapa Ei ; i = 1, 2, ..., k.

Técnicas de conteo: PRINCIPIO ADITIVO.
permite medir de cuántas maneras se puede realizar una actividad que, a su

vez, tiene varias alternativas para ser realizada, de las cuales se puede elegir
solo una a la vez.
Si A es un evento que tiene “a” maneras de ser realizado, y B es otro evento

que tiene “b” maneras de ser realizado, y si además solo puede ocurrir A o
B y no ambos al mismo tiempo, entonces las maneras de ser realizado A o B
(A ∪ B) son a+b.
k
X
ni = n1 + . . . + nk .
i=1
donde ni , representa a cada una de las opciones en que un cierto evento puede
ser realizado.

Técnicas de conteo: PRINCIPIO ADITIVO.
permite medir de cuántas maneras se puede realizar una actividad que, a su

vez, tiene varias alternativas para ser realizada, de las cuales se puede elegir
solo una a la vez.
Si A es un evento que tiene “a” maneras de ser realizado, y B es otro evento

que tiene “b” maneras de ser realizado, y si además solo puede ocurrir A o
B y no ambos al mismo tiempo, entonces las maneras de ser realizado A o B
(A ∪ B) son a+b.
k
X
ni = n1 + . . . + nk .
i=1
donde ni , representa a cada una de las opciones en que un cierto evento puede
ser realizado.

Principio Aditivo: EJEMPLO 8
• Suponga que quiere escoger una lı́nea de transporte para ir de una

ciudad a otra.
• las alternativas corresponderán a aéreas, marı́timas o terrestres.


ciudad a otra.
• No podemos ir a un lugar usando dos medios de transporte simultánea-
mente; es necesario que elijamos solo uno.


ciudad a otra.
• Nos permite determinar el número de posibilidades que tenemos para
realizar este viaje, que corresponde a la suma de cada alternativa (medio
de transporte).


ciudad a otra.
• Nos permite determinar el número de posibilidades que tenemos para
realizar este viaje, que corresponde a la suma de cada alternativa (medio
de transporte).

• Si una biblioteca presta artı́culos del área de literatura, biologı́a, medi-

cina, arquitectura y quı́mica, de los cuales posee 15 tipos diferentes de
libros de literatura, 25 de biologı́a, 12 de medicina, 8 de arquitectura
y 10 de quı́mica, ¿cuántas opciones tiene una persona para escoger un
libro de arquitectura o un libro de biologı́a?
1 El principio aditivo nos dice que la cantidad de opciones o maneras de

hacer esta elección es 8+25=33.

Principio Aditivo: SOLUCIÓN EJEMPLO 9
• ¿Cuál es la probabilidad de obtener un 5 al lanzar un dado o cara al

lanzar una moneda?
1 Como vimos anteriormente, la probabilidad de obtener un valor cualquiera
al lanzar un dado, es 16 , por lo tanto, la probabilidad de obtener un 5
también, es 16 .
Por otra parte, si lanzamos la moneda la probabilidad de obtener cara es

1
2
, por lo que la respuesta a la pregunta anterior es:
P (A ∪ B) = P (A) + P (B)
1 1 2
= + =
6 2 3

Técnicas de conteo: PRINCIPIO MULTIPLICATIVO.

Este principio establece que, si una decisión (d1 ) puede ser tomada de n
maneras y otra decisión (d2 ) puede tomarse de m maneras, el número total
de maneras en las que pueden ser tomadas las decisiones d1 y d2 será igual a
multiplicar de n × m.
1 Es útil para encontrar la cardinalidad de un espacio muestral sin tener

que enumerar todos sus elementos.
2 Es conocido también como el principio fundamental del análisis combi-
natorio.
3 Puede ser representado por medio del diagrama de árbol.
4 Se basa en la multiplicación sucesiva para determinar la forma en la que
puede ocurrir un evento.
k
Y
ni = n1 × . . . × nk
i=1

Principio Multiplicativo: EJEMPLO 10
• Un alumno de la UdeC, ingresa a la cafeterı́a “Ombligo”, ubicada en

el foro de la universidad, se dirige a la caja y pide un café, la cajera le
indica que existen dos tamaños para este y que además, puede escoger
entre tomar un capuchino, latte, americano, expreso o Mokaccino ¿de
cuántas maneras puede ese alumno escoger su café?.

Técnicas de conteo: PERMUTACIONES.
Se trata de ordenar especı́ficamente todos o algunos de los elementos que

forman un conjunto.
1 Es útil cuando queremos determinar el número de arreglos que queremos

realizar con todos o algunos de los elementos.
2 El número de permutaciones de n elementos diferentes, tomados todos
a la vez, se representa como:
n!
n Pr = Prn =
(n − r)!

Permutaciones: EJEMPLO 11
• Cuatro amigos quieren tomarse una fotografı́a y desean saber de

cuántas formas diferentes pueden ordenarse.
Para Este caso, todas la posibilidades en que pueden ubicarse estas 4

personas es:
4!
4 P4 = P44 = = 4!
(4 − 4)!
= 24

Permutaciones: EJEMPLO 11 CONTINUACIÓN
• ¿Qué pasarı́a si la fotografı́a la quiero tomar en grupo de 2 personas?.
Para este caso, todas la posibilidades en que pueden ubicarse estas 2

personas son:
4!
4 P2 = P24 =
(4 − 2)!
= 12

Técnicas de conteo: COMBINATORIA.
Se trata de arreglar todos o algunos de los elementos que forman un conjunto

sin un orden especı́fico (sin que ellos se repitan).
!
n n!
Crn = =
r (n − r)! × r!

Combinatoria: EJEMPLO 12
• si se tiene un arreglo XYZ, este será idéntico a los arreglos ZXY, YZX,
ZYX, entre otros; esto es porque, a pesar de no estar en el mismo
orden, los elementos de cada arreglo son los mismos.
3!
C33 = =1
(3 − 3)! × 3!

Combinatoria: EJEMPLO 13
• En una tienda ofrecen 5 tipos distintos de frutas. ¿De cuántas formas

diferentes se pueden escoger 4 de estas frutas, sin importar el orden?.
!
5 5!
C45 = =
4 (5 − 4)! × 4!
5!
=
(5 − 4)! × 4!
= 5

04 Clase IV 523219 Teoria de Probabilidad

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

04 Clase IV 523219 Teoria de Probabilidad

Cargado por

Copyright:

Formatos disponibles

MOTIVACIÓN.

Marı́a José Alejandra Medina Fritz Estadı́stica (523219).

• Si usted compra un boleto de Kino o bien invierte en acciones de alguna

• Lo que intentamos hacer con el cálculo de probabilidades es cuantificar la

• Intentamos indicar cuán factible es que ocurra algún resultado en parti-

Marı́a José Alejandra Medina Fritz Estadı́stica (523219).

• Un experimento aleatorio es cualquier experimento cuyo resultado es

• puede ser repetido en las mismas condiciones indeterminadas veces

• Ejemplos de experimentos aleatorios: lanzamiento de una (o más de

Marı́a José Alejandra Medina Fritz Estadı́stica (523219).

Cuando se realiza un experimento, en muchas ocaciones, no se sabe lo que

Marı́a José Alejandra Medina Fritz Estadı́stica (523219).

Cuando se realiza un experimento, en muchas ocaciones, no se sabe lo que

Marı́a José Alejandra Medina Fritz Estadı́stica (523219).

Cuando se realiza un experimento, en muchas ocaciones, no se sabe lo que

Marı́a José Alejandra Medina Fritz Estadı́stica (523219).

La Estadı́stica entrega el concepto de probabiidad, con el objetivo de

Se entiende por probabilidad a una medida estadı́stica que cuantifica la in-

Marı́a José Alejandra Medina Fritz Estadı́stica (523219).

La Estadı́stica entrega el concepto de probabiidad, con el objetivo de

Se entiende por probabilidad a una medida estadı́stica que cuantifica la in-

Marı́a José Alejandra Medina Fritz Estadı́stica (523219).

Definiciones: ESPACIO MUESTRAL

• Def 1.1 Espacio Muestral: Es el conjunto de todos los posibles resultados

Marı́a José Alejandra Medina Fritz Estadı́stica (523219).

Definiciones: ESPACIO MUESTRAL

• Def 1.1 Espacio Muestral: Es el conjunto de todos los posibles resultados

Marı́a José Alejandra Medina Fritz Estadı́stica (523219).

Definiciones: ESPACIO MUESTRAL

• Def 1.1 Espacio Muestral: Es el conjunto de todos los posibles resultados

Marı́a José Alejandra Medina Fritz Estadı́stica (523219).

Definiciones: ESPACIO MUESTRAL

• Def 1.1 Espacio Muestral: Es el conjunto de todos los posibles resultados

Marı́a José Alejandra Medina Fritz Estadı́stica (523219).

Definición: EVENTO O SUCESO

• Def 1.2 Evento o Suceso: Es una colección de resultados posibles de un

Marı́a José Alejandra Medina Fritz Estadı́stica (523219).

Definición: EVENTO O SUCESO

• Def 1.2 Evento o Suceso: Es una colección de resultados posibles de un

• Si A es un evento de Ω (A ⊆ Ω), se denota por P (A) a la probabilidad

Marı́a José Alejandra Medina Fritz Estadı́stica (523219).

Definición: EVENTO O SUCESO

• Def 1.2 Evento o Suceso: Es una colección de resultados posibles de un

• Si A es un evento de Ω (A ⊆ Ω), se denota por P (A) a la probabilidad

Marı́a José Alejandra Medina Fritz Estadı́stica (523219).

Definición: EVENTO O SUCESO

• Def 1.2 Evento o Suceso: Es una colección de resultados posibles de un

• Si A es un evento de Ω (A ⊆ Ω), se denota por P (A) a la probabilidad

Marı́a José Alejandra Medina Fritz Estadı́stica (523219).

Definición: EVENTO SEGURO

• Sı́ A = Ω es llamado evento seguro, es decir siempre ocurrirá.

• Ejemplo: En el lanzamiento de un dado, obtener como resultado un

Marı́a José Alejandra Medina Fritz Estadı́stica (523219).

Definición: EVENTO SEGURO

• Sı́ A = Ω es llamado evento seguro, es decir siempre ocurrirá.

• Ejemplo: En el lanzamiento de un dado, obtener como resultado un

Marı́a José Alejandra Medina Fritz Estadı́stica (523219).

Definición: EVENTO IMPOSIBLE

• Sı́ A = {∅}, es llamado evento imposible, es decir, este evento nunca

• Ejemplo: En el lanzamiento del dado, obtener como resultado un

Marı́a José Alejandra Medina Fritz Estadı́stica (523219).

Definición: EVENTO IMPOSIBLE

• Sı́ A = {∅}, es llamado evento imposible, es decir, este evento nunca