SESION 7

2013
1
 PROBABILIDAD CONDICIONAL

Hasta ahora hemos calculado la probabilidad de

un evento sin conocer si otro evento relacionado
había ocurrido. En esta sesión discutiremos las
oportunidades que tiene un evento A cuando se
sabe que un evento relacionado B ha ocurrido;
esto se llama probabilidad condicional de A
dado B.
 PROBABILIDAD CONDICIONAL

La probabilidad condicional de que un evento A ocurra dado que otro

evento B ha ocurrido se denota por P(A/B). Esta notación se lee “la
probabilidad de que A ocurra dado que B ha ocurrido”, o
simplemente la “probabilidad de A dado B”.

Se llama probabilidad de A condicionada a B, o probabilidad de A

sabiendo que pasa B:
E espacio muestral

uno ” de
P( A  B)
otro o al
P( A | B) 
año
A
P( B) t
pec
“tam

B
res
Ejemplo:
Si P(E y F) = 0.3 y P(F) = 0.6,encuentre P(E|F).

P(E|F)

Ejemplo:
Si P(E)=0.6 P(F)=0.7 y P(E o F)=0.8 calcule P(E | F).

P(E ó F) = P(E) + P (F) - P(E y F)

0.8 = 0.6 + 0.7 - P(E y F) P(E y F) =0.5

P(E | F)
Ejemplo:

Experimento: Lanzar un dado.

A: que al lanzar el dado salga 3
E: que al lanzar un dado salga un impar

Encontrar la probabilidad de que al lanzar un dado se obtenga un 3 dado

que se obtuvo un numero impar.

Ω = {1,2,3,4,5,6}

A = {3}, E = { 1,3,5}, (AE) = {3},

P(A) = 1/6
P(A/E) = P(AE)/ P(E)
= 1/6 / 3/6 = (1)(6)/(6)(3)
= 6/18 = 1/3
Ejemplo:

¿Cuál es la probabilidad de que en el segundo lanzamiento de

una moneda se obtenga cara, dado que el resultado del
primero también fue cara?

S   CC , CS , SC , SS  n( S )  4
2 1
A   CC , SC  n( A)  2  P ( A)  
4 2
2 1
B   CC , CS  n( B )  2  P ( B )  
4 2
1
P( A  B) 
4
1
P( A  B) 4 1
P( A / B)   
P( B) 1 2
2
Ejemplo:

Durante un estudio de accidentes automovilísticos la PNP,

encontró que el 60% de los accidentes suceden de noche, 52%
están relacionados con conductores alcohólicos y 37% se
presentan de noche y con conductores ebrios. ¿Cuál es la
probabilidad de que un accidente este relacionado con un
conductor alcoholizado dado que sucedió de noche?
A: Accidentes de noche P(A)=0.60

B: Conductores alcoholizados P(B)=0.52

P(AB)=0.37

P( A  B ) 0.37
P( B / A)    0.62
P( A) 0.60
 El Teorema de la probabilidad total nos permite calcular la
probabilidad de un suceso a partir de probabilidades
condicionadas.

Partición de un conjunto

Se llama partición a conjunto de sucesos Ai (A1, A2,..., An)

tales que
A1 U A2 U... U An = S y Ai Aj = vacio
Sea A1, A2, ...,An un sistema completo de sucesos tales que la
probabilidad de cada uno de ellos es distinta de cero, y sea B un suceso
cualquier del que se conocen las probabilidades condicionales P(B/Ai),
entonces la probabilidad del suceso B viene dada por la expresión:
 Una compañía dedicada al transporte público
explota tres líneas de una ciudad, de forma que el
60% de los autobuses cubre el servicio de la
primero línea, el 30% cubre la segunda y el 10%
cubre el servicio de la tercera línea. Se sabe que la
probabilidad de que, diariamente, un autobús se
averíe es del 2%, 4% y 1%, respectivamente, para
cada línea. Determina la probabilidad de que, en un
día, un autobús sufra una avería.
 El suceso "sufrir una avería" (Av) puede producirse en las tres
líneas, (L1, L2, L3). Según el teorema de la probabilidad total y
teniendo en cuenta las probabilidades del diagrama de árbol
adjunto, tenemos:
 P(Av) = P(L1) · P(Av/L1) + P(L2) · P(Av/L2) + P(L3) · P(Av/L3) =
= 0.6 · 0.02 + 0.3 · 0.04 + 0.1 · 0.01 =
= 0.012 + 0.012 + 0.001 = 0.025
 El Teorema de Bayes, dentro de la teoría
probabilística, proporciona la distribución de
probabilidad condicional de un evento "A" dado
otro evento "B" (probabilidad posteriori), en función
de la distribución de probabilidad condicional del
evento "B" dado "A" y de la distribución de
probabilidad marginal del evento "A" (probabilidad
simple o apriori).
 Sea A1, A2, ...,An un sistema completo de
sucesos, tales que la probabilidad de cada
uno de ellos es distinta de cero, y sea B un
suceso cualquier del que se conocen las
probabilidades condicionales P(B/Ai).
entonces la probabilidad P(Ai/B) viene dada
por la expresión:
 Tres máquinas, A, B y C, producen el 45%,
30% y 25%, respectivamente, del total de las
piezas producidas en una fábrica. Los
porcentajes de producción defectuosa de
estas máquinas son del 3%, 4% y 5%.
Seleccionamos una pieza al azar; calcula la
probabilidad de que sea defectuosa.
Tomamos, al azar, una pieza y resulta ser
defectuosa; calcula la probabilidad de haber
sido producida por la máquina B.
 Sea D= "la pieza es defectuosa" y N= "la pieza no es defectuosa".
 P(D) = P(A) · P(D/A) + P(B) · P(D/B) + P(C) · P(D/C) =
= 0.45 · 0.03 + 0.30 · 0.04 + 0.25 · 0.05 = 0.038
Aplicando el teorema de Bayes, obtenemos:
 El concepto de independencia es importante porque
facilita el análisis de los datos estadísticos. Si no se
tuviese este concepto, el análisis seria muy complejo
y en algunos casos imposible de llevarse a cabo.
 
 Decimos que el par de eventos A,B son
independientes si y solo si cualquiera de las
siguientes expresiones son verdaderas.
 
 P(A\B) = P(A)

 P(B\A) = P(B)
 
 P(A B) = P(A) . P (B)
 Es una distribución de probabilidad de variables
continuas.
 El matemático Gauss contribuyó notablemente en
el estudio y difusión de esta distribución.
 La mayoría de las variables continuas tienen
polígonos de frecuencias que permiten visualizar
un aumento gradual hasta llegar a un máximo y
luego un descenso igualmente gradual. Así:
Polígono de frecuencias Curva normal

Xi x  Xi
Si n  e i 0
 Como toda figura geométrica en el plano, la curva
normal posee una fórmula o ecuación denominada
también Función de densidad de la variable aleatoria
continua que es la siguiente:

2
1  x μ 
  
2 σ 
1 e
(1)
y
2π σ -  x  

Donde:
y = altura de la curva en el punto x
 = media aritmética de la distribución
 = desviación estándar de la distribución
1. Es simétrica respecto a la media, .
2. La media, la mediana y la moda son iguales.
3. El área total debajo de la curva y el eje x es igual
a una unidad cuadrada
4. Si se levantan perpendiculares a una distancia
de una desviación estándar a ambos lados de la
media, se habrá delimitado aproximadamente el
68% del área total.
 Si se extienden estas perpendiculares hasta dos
desviaciones estándar, se define aproximadamente el
95% del área total y con 3 desviaciones estándar
aproximadamente el 100%. Así:

0,6824 0,9544

-  + Xi -2  +2 Xi

5. La normal queda completamente determinada

por los parámetros  y 
 Tiene una media de cero y desviación estándar de uno

 Se obtiene a partir de la ecuación (1), haciendo =0,

=1 y x -  = z

Donde z es una variable aleatoria con distribución normal.
Luego:
Se utiliza la tabla de áreas.
Ejemplo 1:
Calcular el área entre z= + y z=2
Solución:
Se recomienda graficar la curva normal y sombrear
el área solicitada para facilitar la resolución del
problema. Así:
 =1

0 2 zi
De la tabla de áreas se obtiene:
p(z  2) = 0,9772
Interpretación:
La probabilidad de que la variable z asuma
valores entre + y 2 inclusive, es 0,9772
Ejemplo 2:
Si de la población de posibles valores de z,
se elige uno al azar, ¿ cuál es la probabilidad
de que se encuentre entre 0,84 y 2,45
inclusive?
Solución:
La pregunta permite calcular:
p(0,84  z  2,45) = ?
Veamos el gráfico siguiente:
 =1

0 0,84 2,45 zi

De la tabla: área entre - y z=2,45 0,4929

área entre - y z=0,84 0,2995
p(0,84  z  2,45) = 0,4929 - 0,2995= 0,1934

Interpretación:
La probabilidad de que una z elegida al azar quede
entre 0,84 y 2,45 es de 0,1934 ó el 19,34% de los
valores de z están entre 0,84 y 2,45.
Ejemplo 3:
Calcular p(z2,71).
Solución: Graficando:

De la tabla: área entre - y

z=2,71  0,4966
=1
Luego: p(z2,71)=1,0 - 0,4966
=0,5034
0 2,71 zi

Interpretación:
La probabilidad de que un valor de z sea
mayor o igual a 2,71 es de 0,5034
Ejemplo:
Los niveles de colesterol total en la
población general se distribuyen
normalmente con =200 y = 20. Si de
esta población se selecciona un sujeto al
azar, ¿ cúal es la probabilidad de que:
a. tenga un valor entre 170 y 230?
Solución:
Se solicita: p(170x230)=?.
En el gráfico, el área que debemos calcular
aparece sombreada:

=20

170 200 230 Xi

Se transforman o estandarizan los valores

de xi en términos de z.
x1   230 200
z1   1,50
 20
x2   170 200
z2    1,50
 20
 =1

-1,50 0 1,50 zi
Luego: p(170x230)= p(-1,50z1,50)=?.
De la tabla:
p(-1,50z1,50)= 0,4332 + 0,4332 =
0,8664
Interpretación:
La probabilidad de que un sujeto
seleccionado al azar tenga un nivel de
colesterol entre 170 y 230, es de 0,8664
b. Tenga un valor de 270 ó más.
Solución:
p(x270) =?

Cálculo de z:
=20
Z= 270 – 200=3,50
20
200 270 xi
Luego:
=1 p(x270)=p(z3,50)
= 1 - 0,4998
= 0,5002
0 3,50 zi
Interpretación:
La probabilidad de que un sujeto elegido al azar
tenga un nivel de colesterol de 270 ó más, es de
0,5002
 Las distribuciones “t” de Student, Chi
cuadrado (2) y F, se derivan de la distribución
Normal y están relacionadas con la teoría del
muestreo pequeño n< 30.
 Son muy importantes pues son la base de

metodologías inferenciales, tales como

Intervalos de Confianza y Pruebas de
Hipótesis.
 En muchos casos se seleccionan de una
población normal, muestras de tamaño
pequeño n < 30 y desconocido

DEFINICIÓN
 Una variable con distribución t de Student se

define como el cociente entre una variable

normal estandarizada y la raíz cuadrada
positiva de una variable 2 dividida por sus
grados de libertad.
 Para muestras extraídas de una población
normal con variancia 2, con tamaño n < 30,
siendo S2 la variancia de la muestra.

DEFINICIÓN
 Una variable Chi cuadrado se define como la

suma de n variables normales estandarizadas

elevadas al cuadrado.
 Considerando dos muestras aleatorias
independientes, de tamaño n1 y n2, extraídas
de una población normal, el estadístico F será

DEFINICIÓN
 Una variable F se define como el cociente

entre dos variables ji-cuadrado divididas por

sus correspondientes grados de libertad.
GRACIAS