Teoría de Probabilidades

Ejercicios Resueltos

Est. Sandra Loaiza Chumacero

sloayza@usat.edu.pe
Estadística General - Psicología

www.usat.edu.pe
www.usat.edu.pe
 Objetivos

 Aplica las reglas básicas de cálculo

de probabilidades en la solución de
problemas relacionados a ciertos
experimentos aleatorios,
describiendo adecuadamente los
espacios muestrales asociados a
dichos experimentos.

2 www.usat.edu.pe
 Lista de Contenido

- Introducción a la probabilidad, conceptos básicos

- Reglas de Probabilidad
- Probabilidad condicional
- Teorema de Bayes
•

3 www.usat.edu.pe
 Tabla de Contingencia

Evento
Evento
B1 B2
Total
A1 P(A1 y B1) P(A1 y B2) P(A1)

A2 P(A2 y B1) P(A2 y B2) P(A2)

Total P(B1) P(B2) 1

Probabilidad Probabilidad Marginal (Simple)

Conjunta

www.usat.edu.pe
 Tabla de Contingencia

¿Cuál es la Probabilidad?
P (A) =
Evento
P (D) =
Evento C D Total
P (C y B) =
A 4 2 6
P (A o D) =
B 1 3 4
P (B y D) =
Total 5 5 10

www.usat.edu.pe
 Tabla de Contingencia

Las probabilidades son:

P (A) = 6/10
P (D) = 5/10 Evento
Evento C D Total
P (C y B) = 1/10
A 4 2 6
P (A o D) = 9/10
B 1 3 4
P (B y D) = 3/10
Total 5 5 10

www.usat.edu.pe
 Reglas Básicas de Probabilidad

• Una encuesta aplicada a ejecutivos se enfocó sobre su lealtad a la

empresa. Una de las preguntas planteadas fue “¿si otra empresa le
hiciera una oferta igual o ligeramente mejor a la de su puesto
actual, permanecería ud. con la empresa o se cambiaría?” La
respuesta de los 200 ejecutivos se clasificaron en forma cruzada
con su tiempo de servicio, según la tabla siguiente. ¿Cuál es la
probabilidad de seleccionar al azar un ejecutivo que es leal a la
empresa (se quedaría) y que tiene más de 10 años de servicio?

Tiempo de servicio
Lealtad Menos de 1 – 5 años 6 – 10 años Más de 10 Total
1 año años
Se quedaría 10 30 5 75 120

No se quedaría 25 15 10 30 80

200

www.usat.edu.pe
 Diagrama de Árbol

Probabilidades Probabilidades Probabilidades

Marginales Condicionales Conjuntas

< 1 año
(10/120) (120/200) (10/120)=0.05
1-5 años
(30/120)
Se quedaría (120/200) (30/120)=0.15
(120/200) 6-10 años
(5/120)
(120/200) (5/120)=0.025
> 10 años
(75/120) (120/200) (75/120)=0.375
1.00
< 1 año
(25/80)
(80/200) (25/80)=0.125
1-5 años
No se (15/80)
quedaría (80/200) (15/80)=0.075
(80/200) 6-10 años
(10/80)
(80/200) (10/80)=0.05
> 10 años
(30/80)
(80/200) (30/80)=0.15
www.usat.edu.pe
 Independencia Estadística

• Dos eventos A y B son independientes si y solo

si se cumple:
– P(A y B)=P(A) * P(B), o
– P(B/A)= P(B)
• Esto significa que el conocimiento de la
ocurrencia de un evento no tiene valor
predictivo para la ocurrencia de otro evento.

www.usat.edu.pe
 Independencia Estadística

¿Cuál es la
probabilidad? Evento
P (A|D) = Evento C D Total
P (C|B) = A 4 2 6
¿Son C y B B 1 3 4
independientes? Total 5 5 10

www.usat.edu.pe
 Independencia Estadística

2
P(A y D) 10 2
Evento P(A | D)   
P(D) 5 5
Evento C D Total
10
A 4 2 6 1
B 1 3 4 P(C | B) 
P(C y B) 10 1
 
P(B) 4 4
Total 5 5 10
10
5 1 6 2
P(C)   P(A)  
10 4 10 5

www.usat.edu.pe
 Teorema de Bayes

• Siglo XVIII, ministro presbiteriano inglés

se preguntó: ¿Existe Dios realmente?
• Laplace le dio el nombre .
• Método para revisar probabilidades con base en
información nueva o adicional.
Una probabilidad A priori indica la probabilidad
evaluada antes de contar con nueva información.
La probabilidad revisada o posteriori se halla luego
de incorporar la información nueva.

P A Bi  P Bi 
P B i A 
P A B1 P B1  P A B 2 P B 2. P A B k  P B k 
www.usat.edu.pe
 Teorema de Bayes

Posibilidades Información Teorema Posibilidades

a priori Nueva de Bayes posteriores

P( AyB)
P( B | A) 
P( A)
www.usat.edu.pe
 Teorema de Bayes

En un pueblo alejado, 5% de la población padece una enfermedad originaria de

dicho lugar. A priori podemos afirmar que la probabilidad de que una persona
seleccionada al azar padezca la enfermedad es 0.05, y de que no la padezca es
0.95.

Existe una prueba de diagnóstico para detectar la enfermedad.

 Si una persona tiene la enfermedad, la prueba sale positiva en 90% de los
casos.
 La estadística muestra además que en 15% de los casos, a pesar de que la
persona no padecía la enfermedad, la prueba salió positiva.
Si escogemos a una persona, y al hacerle la prueba de diagnóstico, ésta sale
positiva, ¿Cuál es la probabilidad de que la persona tenga realmente la
enfermedad?

www.usat.edu.pe
 P(P|E) P(EyP)=0.05x0.90=0.0450

P(E)
0.0450 +
P(EyN)=0.05x0.10=0.0050 0.1425
P(N|E)
0.1875

P(P|E’)
P(E’yP)=0.95x0.15=0.1425

P(E’)

P(N|E’) P(E’y N)=0.95x0.85=0.8075

P( E ) P( P | E ) P( EyP) 0.0450
P( E | P)     0.24
P( E ) P( P | E )  P( E ' ) P( P | E ' ) P( P) 0.1875
www.usat.edu.pe
 Teorema de Bayes
• Una manufacturera recibe embarques de piezas de dos
proveedores. El 65% de las piezas adquiridas provienen del
proveedor 1 y el 35% restante del proveedor 2. Según la
estadística existente, de las 100 últimas piezas recibidas del
proveedor 1, 98 estuvieron buenas y 2 estuvieron malas. En el
caso del proveedor 2, 95 piezas de 100 estuvieron buenas y 5
fueron malas. Suponga que una de las piezas recibidas de los dos
proveedores está mala, ¿cuál es la probabilidad que provenga del
proveedor 1? ¿Cuál es la probabilidad que provenga del proveedor
2?

www.usat.edu.pe
 P(B|1) P(1yB)=0.65x0.98=0.6370

P(1)

P(1yM)=0.65x0.02=0.0130
P(M|1)

P(B|2) 0.0130 +
P(2yB)=0.35x0.95=0.3325 0.0175
0.0305
P(2)

P(M|2) P(2yM)=0.35x0.05=0.0175

P(1yM ) 0.0130 P(2 yM ) 0.0175

P(1 | M )    0.4262 P( 2 | M )    0.5738
P( M ) 0.0305 P( M ) 0.0305
www.usat.edu.pe
 Tabla de Excel

Pr. Marginal Pr. Condicional Pr. Conjunta

Evento P(Evento) P(Mala|Evento) P(Evento,Mala)
Proveedor 1 0,65 0,02 0,0130 P(1yMala)
Proveedor 2 0,35 0,05 0,0175 P(2yMala)
0,0305 P(Mala)

P(1|M) 0,4262

P(2|M) 0,5738

P(1yM ) P(2 yM )
P(1 | M )  P( 2 | M ) 
P( M ) P( M )

www.usat.edu.pe
 Teorema de Bayes

En una fábrica existe una máquina que produce automáticamente

engranajes. Si la máquina está correctamente calibrada producirá
90% de piezas buenas. Si está mal calibrada producirá sólo 40% de
piezas buenas. La experiencia pasada indica que el 70% de los
trabajos de calibración dan buenos resultados. Luego de un trabajo
de mantenimiento, la máquina produce 3 engranajes buenos, como
las primeras tres piezas.
Se desea conocer la probabilidad revisada que la calibración halla
sido buena?

www.usat.edu.pe
 Tabla de Excel

Pr. Marginal Pr. Condicional Pr. Condicional Pr. Conjunta

Evento P(Evento) P(B|Evento) P(BBB|Evento) P(Evento y BBB)
Calibrada 0,70 0,90 0,7290 0,5103 P(Calibrada y BBB)
No Calibrada 0,30 0,40 0,0640 0,0192 P(No Calibrada y BBB)
0,5295 P(BBB)

P(Calibrada|BBB) 0,9637

P(No Calibrada|BBB) 0,0363

P(Calibrada , BBB )
P(Calibrada | BBB ) 
P( BBB )

P( No Calibrada , BBB )
P( No Calibrada | BBB ) 
P( BBB )

www.usat.edu.pe
 Teorema de Bayes
Un fabricante está considerando comprar un lote de 10000 piezas de un
proveedor. El fabricante estima la proporción de piezas defectuosas en el lote en
la siguiente forma.

Proporción de Piezas
Nro (i) Probabilidad P(πi)
Defectuosas (πi)

1 0.10 0.20
2 0.15 0.30
3 0.25 0.50

Esto significa que el fabricante no está seguro acerca de la proporción de piezas

defectuosos en el lote, sin embargo, basándose en experiencias anteriores, cree
que hay una probabilidad de 0,20 de que el lote tenga 10% de piezas
defectuosas, una probabilidad de 0,30 de que tenga 15%. Y finalmente, de 0,50
de que tenga 25% de piezas defectuosas.

www.usat.edu.pe
 Teorema de Bayes

Supongamos que elige una pieza al azar en el lote:

¿Cuál es la probabilidad de qué esta sea defectuosa?
Dado que la pieza resulta defectuosa, ¿cuál es la probabilidad de
que el lote tenga 25% de piezas defectuosas?

www.usat.edu.pe
 Teorema de Bayes

P(D/1)= 0,10
1=0,10 P( yD) = 0,20  0,10 = 0,0200
1

P(D/2)= 0,15
2=0,15 P( yD) = 0,30  0,15 = 0,045
P(2) = 0,30 2

P(D/3)= 0,25
3=0,25 P( yD) = 0,50  0,25 = 0,1250
3

P(D) = 0,1900
www.usat.edu.pe
 Teorema de Bayes
Supongamos que elige una pieza al azar en el lote:
¿Cuál es la probabilidad de qué esta sea defectuosa?
Dado que la pieza resulta defectuosa, ¿cuál es la probabilidad de
que el lote tenga 25% de piezas defectuosas?
Hay tres maneras posibles de obtener una pieza defectuosa
del lote. Por lo tanto, la probabilidad de obtener una pieza
defectuosa, cualquiera que se la tasa porcentual de
defectuosos 10, 15 ó 25 es:

P( D)  P( yD)  P( yD)  P( yD)

1 2 3

 0,0200  0,0450  0,1250

 0,19
www.usat.edu.pe
 Teorema de Bayes

De acuerdo con el Teorema de Bayes, la probabilidad de que el

lote contenga 25% de piezas defectuosas, dado que la pieza
elegida es defectuosa, es:

P( yD) 0.1250

P( / D) 
3
 3
 0.6579
P( D) 0.1900

www.usat.edu.pe
 Conclusiones

• Aplica las reglas básicas de cálculo de probabilidades en la

solución de problemas relacionados a ciertos experimentos
aleatorios, describiendo adecuadamente los espacios
muestrales asociados a dichos experimentos.

26 www.usat.edu.pe
 Teoría de
Probabilidades

27 www.usat.edu.pe
 Referencias
• AFONSO P. Probabilidad y Estadística: conceptos, modelos, aplicaciones en Excel.
Bogotá D.F. Pearson Educación. (2002)
• DEVORE, J. Probabilidad y estadística para ingeniería y ciencias. México.
International Thomson Editores. (1998).
• MENDENHALL W., TERRY S. Probabilidad y estadística para ingeniería y ciencias.
México. Prentice Hall Hispanoamericana. (1997).
• WALPOLE R., MYERS R., MYERS. S. Probabilidad y estadística para ingenieros.
México. Prentice Hall Hispanoamericana (1999).
• DOUGLAS MONTGOMERY: "Probabilidad y Estadística y Probabilidades a la
Ingeniería" Ed. McGraw-Hill Interamericana Editores S.A. Impreso en México 1996
• ROSS, SHELDON, Probabilidad y Estadística para Ingeniería. México, D.F.: McGraw-
Hill (2001)

28 www.usat.edu.pe
 Est. Sandra Loaiza Chumacero
sloayza@usat.edu.pe

http://www.facebook.com/usat.peru

https://twitter.com/usatenlinea

https://www.youtube.com/user/tvusat

https://plus.google.com/+usateduperu

www.usat.edu.pe