ESTADÍSTICA Y CÁLCULO FINANCIERO

Tema 4:

PROBABILIDAD
 PROBABILIDAD

El concepto de probabilidad es manejado por

mucha gente. Frecuentemente se escuchan
preguntas como las que se mencionan a
continuación:
¿ Cuál es la probabilidad de que me saque la
lotería o el quini 6?
¿ Qué posibilidad hay de que me pase un
accidente automovilístico ?
¿ Qué posibilidad hay de que hoy llueva ?
para llevar mi paraguas o no.
PROBABILIDAD

Estas preguntas en el lenguaje coloquial

esperan como respuesta una medida de
confianza representativa o práctica de que
ocurra un evento futuro, o bien de una forma
sencilla interpretar la probabilidad.

En este curso lo que se quiere es entender

con claridad su contexto, como se mide y
como se utiliza al hacer inferencias.
PROBABILIDAD

El conocimiento de la probabilidad es de
suma importancia en todo estudio
estadístico.

El cálculo de probabilidades proporciona las

reglas para el estudio de los experimentos
aleatorios o de azar, que constituyen la
base para la estadística inferencial.
 PROBABILIDAD

Fenómenos Aleatorios y
Fenómenos Deterministicos.

 Fenómeno Aleatorio: Es un fenómeno del

que no se sabe que es lo que va a ocurrir,
están relacionados con el azar o
probabilidad.

 Fenómeno Determinista: Es el fenómeno

en el cual de antemano se sabe cual será
el resultado.
 PROBABILIDAD

La probabilidad estudia el tipo de fenómenos aleatorios.

Experimento aleatorio
Es una acción que se realiza con el propósito de
analizarla. Tiene como fin último determinar la
probabilidad de uno o de varios resultados.
Se considera como aleatorio y estocástico, si
sus resultados no son constantes.
Puede ser efectuado cualquier número de veces
esencialmente en las mismas condiciones.
PROBABILIDAD

Un experimento es aleatorio si se
verifican las siguientes condiciones:
1. Se puede repetir indefinidamente,
siempre en las mismas condiciones;
2. Antes de realizarlo, no se puede
predecir el resultado que se va a
obtener;
3. El resultado que se obtenga, x,
pertenece a un conjunto conocido
previamente de resultados posibles.
PROBABILIDAD
Ejemplos:
 Tirar dardos en un blanco determinado
 Lanzar un par de dados
 Obtener una carta de una baraja
 Lanzar una moneda
PROBABILIDAD
Espacio Muestral
Es el conjunto de todos los posibles
resultados de interés de un experimento
dado, y se le denota normalmente mediante la
letra S.

Ejemplos:
1.- Experimento: Se lanza una moneda.
Espacio muestral = total de formas en como
puede caer la moneda, o sea dos formas
de interés, que caiga cara o que caiga
cruz. (Si cae de canto no es de interés y
se repite el lanzamiento).
S = { C, X }
PROBABILIDAD

2.- Experimento: Se lanza un dado.

Espacio muestral = total de caras en que
puede caer el dado, o sea seis formas de
interés:
S = { 1, 2, 3, 4, 5, 6 }
PROBABILIDAD

Los eventos aleatorios se denotan

normalmente con las letras mayúsculas A, B,
C, ...

Son subconjuntos de S, esto es, A, B, C,… 

S

Los eventos aleatorios son conjuntos que

pueden contener un solo elemento, una
infinidad de elementos, y también no
contener ningún elemento.

Al número de puntos muestrales de S se le

representa por N (S)
PROBABILIDAD

Algunos eventos aleatorios que aparecen en

el cálculo de probabilidades:

Evento seguro.- Siempre se verifica después

del experimento aleatorio, sus puntos
muestrales son los mismos del espacio
muestral.
E=S
Evento Imposible.- Es aquel que nunca se
verifica como resultado del experimento
aleatorio. La única posibilidad es que el evento
imposible sea el conjunto vacío.
  S, y N() = 0
PROBABILIDAD

Evento Elemental.- Es el evento E que

contiene exactamente un punto muestral de
S, esto es, N(E) = 1.
Cada elemento del espacio muestral, es un
evento elemental. También se le denomina
como punto muestral.  

Si s1, s2  S entonces s1, s2 son

eventos elementales.
PROBABILIDAD

Ejemplos (1) y (2):

En el experimento 1,
S = { C, X }, C y X son sucesos
elementales
N(S) = 2

A = Que caiga cara = { C }, N(A) = 1

B = Que caiga cruz = { X }, N(B) = 1
PROBABILIDAD

En el experimento 2,
S = { 1, 2, 3, 4, 5, 6 }, 1, 2, 3, 4, 5 y 6 son
sucesos elementales, y
N(S) =6
A = Que caiga un uno = { 1 }
B = Que caiga un dos = { 2 }
: : :
F = Que caiga un seis = { 6 }
PROBABILIDAD
Evento Compuesto.- Es el evento E que
contiene más de un punto muestral de S, por
tanto
N(E) > 1
Evento contrario a un evento A: También se
denomina evento complemento de A y es el
evento que se verifica si, como resultado del
experimento aleatorio, no se verifica A.
Ya que los eventos son conjuntos, este evento
se denota con el símbolo A’ o bien Ā, y se
define como:

A '   s  S tal que s  A

PROBABILIDAD
Ejemplo:
Experimento: Se lanza una moneda tres veces.
Espacio Muestral:
C= { (C,C,C), (C,C,X), (C,X,C), (X,C,C), (C,X,X), (X,C,X),
(X,X,C), (X,X,X) },
N(S) = 8, S es el evento seguro.

Evento simple:
B:Que salgan tres caras; B ={ (C,C,C) } , N(B) = 1

Evento compuesto:
E: Que salgan al menos dos caras;
E = { (C,C,C), (C,C,X), (C,X,C), (X,C,C) }, N(E) = 4

Evento imposible:  (conjunto vacio). N() = 0

PROBABILIDAD

Operaciones Básicas con Eventos Aleatorios

Ya que los eventos aleatorios son subconjuntos

del conjunto S, espacio muestral, se pueden
aplicar las conocidas operaciones con
conjuntos, a los eventos, como son la unión, la
intersección y la diferencia de eventos.
PROBABILIDAD

OPERACIÓN EXPRESION DESCRIPCION

UNION AB Unión de eventos originales: es

el evento que sucede si y solo
si A sucede o B sucede o ambos
suceden
INTERSECCION AB Intersección de los eventos
originales, es el evento que
sucede si y sólo si A y B
suceden simultáneamente.
DIFERENCIA A-B La diferencia de los eventos
originales A y B, es el evento
que sucede solo en A pero no
en B.
PROBABILIDAD

Probabilidad Clásica y Frecuencial.

Probabilidad frecuencial y regularidad
estadística
Las frecuencias relativas de un evento
tienden a estabilizarse cuando el número de
observaciones se hace cada vez mayor.
Ejemplo: La regularidad estadística en el
experimento del lanzamiento de monedas,
indica que las frecuencias relativas del
evento: que salga cara {C }, se tiende a
estabilizar aproximadamente en 0.5= 1/2.
PROBABILIDAD

Probabilidad frecuencial y
regularidad estadística

La probabilidad de un evento A,
denotada por P(A), es el valor en el que
se estabilizan las frecuencias relativas
del evento A, cuando el número de
observaciones del experimento se hace
cada vez mayor.
PROBABILIDAD

Esto es:
N ( A)
P ( A)  (2)
N (S )
donde
N(A) = número de elementos del evento A
N(S) = número de elementos del espacio
muestral S.
PROBABILIDAD

Probabilidad clásica.-
Sea S un espacio muestral cualquiera y A un evento
de ese espacio. Se define la probabilidad P del
evento A, como:

NCF
P( A)  (1)
NCT
donde
NCF - número de casos favorables
NCT - número de casos totales
PROBABILIDAD

Ejemplo:
Experimento.- Se lanza una moneda
Evento A.- que al lanzar una moneda caiga
cruz.
Calcular la probabilidad de A:
S = { C, X}, N(S) = 2
A = { X }, N(A) = 1

N ( A) 1
P( A)    0.5
N (S ) 2
PROBABILIDAD

Leyes De La Probabilidad
Las relaciones que se dan entre los
eventos al ser aplicadas las
operaciones que se presentaron, se
facilitan y comprenden mejor haciendo
uso de los axiomas y teoremas de
probabilidad (Leyes de Probabilidad).
Axioma.- es una verdad evidente que
no requiere demostración.
Teorema.- Es una verdad que requiere
ser demostrada.
PROBABILIDAD

Axioma 1.- Sea S un espacio muestral

cualquiera y A un evento, tal que A  S,
entonces se cumple que
0  P(A)  1 (3)

esto significa que la probabilidad de cualquier

evento no puede ser más grande que uno, ni
ser menor que cero. Si es igual a 1 se llama
evento seguro, y cuando es cero se llama
evento imposible.
 PROBABILIDAD

Axioma 2.- La probabilidad del espacio muestral

S es un evento seguro, es uno
P(S) = 1
Ejemplo.-
Experimento.- Se lanza un dado
Si A =S, es decir si el evento A coincide o es igual
al espacio muestral, entonces.

N ( A) N ( S )
P( A)   1
N (S ) N (S )
PROBABILIDAD

Teorema 1.- Si  es el conjunto vacío,

entonces la probabilidad de  es igual a
0
N ( )
P ( )  0
N (S )
Ejemplos:
Una persona que quiere ganar la lotería
nacional, pero no compra boleto.
Que aparezca un siete al lanzar un dado
Que una persona viva 250 años
En estos casos los eventos son vacíos
PROBABILIDAD

Axioma 3.- Sea S un espacio muestral

cualquiera y sean A y B dos eventos tales
que
A  S, B  S y A  B = , es decir, dos
eventos mutuamente exclusivos, entonces
P(A  B) = P(A) + P(B).

A B

AB
PROBABILIDAD
Ejemplo:
Experimento: Se lanzan dos monedas
S = { CC, CX, XC, XX}
N(S) = 4
Sean:
A: el evento de que al lanzar un par de monedas
caigan dos caras exactamente
B: el evento de que al lanzar un par de monedas
caiga una cara exactamente.
Los elementos de A y B son
A = { CC }
B = {CX, XC}
Se puede ver que A  B = , no hay elementos en
común, por lo que los eventos son mutuamente
exclusivos o disjuntos, por tanto
P(A  B) = P(A) + P(B)
PROBABILIDAD

N ( A) 1
P ( A)  
N (S ) 4
N ( B) 2
P( B )  
N (S ) 4
1 2 3
P ( A  B )  P ( A)  P ( B )   
4 4 4
PROBABILIDAD

Axioma 4.-
Sean A1, A2, A3, A4, ..., An eventos
mutuamente exclusivos:
P(A1  A2  A3  A4, ...  An) =

P(A1) + P(A2) + P(A3) + P(A4) + ...+ P(An)

Este axioma dice que la probabilidad de

varios eventos mutuamente exclusivos (que
no tienen elementos en común), es igual a la
suma de sus probabilidades.
PROBABILIDAD

Ejemplo:
Experimento: Se lanza un dado
Sean
Evento A: que al lanzar un dado salga el 2 o el 4
Evento B: que al lanzar un dado salga un número
mayor a 4
Evento C: que salga el 1 o 3

Los elementos de A, B y C son

A = {2, 4}, N(A) = 2
B = {5, 6}, N(B) = 2
C = {1, 3} , N(C) = 2
PROBABILIDAD

Como A, B y C son mutuamente excluyentes,

ya que A  B = {}, A  C = {},
B  C = {},
Por axioma 4
P(A  B  C) = P(A) + P(B) + P(C)
N ( A) 2
P ( A)  
N (S ) 6
N ( B) 2
P( B )  
N (S ) 6
N (C ) 2
P (C )  
N (S ) 6
2 2 2 6
P ( A  B  C )  P ( A)  P ( B )  P (C )      1
6 6 6 6
PROBABILIDAD

Teorema 2.-(Ley Aditiva de la

Probabilildad). Sean A y B dos eventos no
excluyentes, A  B  , entonces
P(A  B) = P(A) + P(B) - P(A  B)

AB
PROBABILIDAD

Diferencia
Sean A y B dos eventos:
A-B = { x | x  A y x  B }

A-B
PROBABILIDAD
Ejemplo.-
Experimento.- Se lanza un dado y una moneda
S = {1C, 2C, 3C, 4C, 5C, 6C, 1X, 2X, 3X, 4X, 5X,
6X }
N(S) = 12
A: Al lanzar un dado y una moneda aparezcan el
número 2 o 3 con cara.
B: Al lanzar un dado y una moneda aparezcan
números pares con cara.
A = { 2C, 3C }, N(A) = 2
B = { 2C, 4C, 6C } N(B) = 3
A  B = { 2s } N(A  B ) = 1
P(A  B) = P(A) + P(B) - P(A  B)
= 2/12 + 3/12 – 1/12 = 4/12 = 1/3
PROBABILIDAD

Teorema 3.- Sea A un evento cualquiera y

S un espacio muestral, tal que AS, si A’ es

el complemento del evento A, entonces la

probabilidad de A’ es igual a 1 menos la

probabilidad de A, es decir

P(A’) = 1 – P(A)
PROBABILIDAD
Experimento.- Se lanza un dado y una moneda
S = {1C, 2C, 3C, 4C, 5C, 6C, 1X, 2X, 3X, 4X, 5X,
6X }
N(S) = 12
A: Al lanzar un dado y una moneda aparezcan el
número 2 o 3 con cara.
B: Al lanzar un dado y una moneda aparezcan
números pares con cara.
A = { 2C, 3C }, N(A) = 2
B = { 2C, 4C, 6C } N(B) = 3
A’ = { 1C, 4C, 5C, 6C, 1X, 2X, 3X, 4X, 5X, 6X }
P(A’) = 1 – P(A) = 1 – 2/12 = 10/12
B’ = { 1C, 3C, 5C, 1X, 2X, 3X, 4X, 5X, 6X }
P(B’) = 1 – P(B) = 1 – 3/12 = 9/12
PROBABILIDAD
Probabilidad Condicional.
Sea A un evento arbitrario de un espacio
muestral S, con P(E) > 0. La probabilidad
de que un evento A suceda una vez que E
ha sucedido o en otras palabras, la
probabilidad condicional de A dado E, se
define como:

P( A  E )
P( A / E ) 
P( E )
PROBABILIDAD
Eventos Independientes:

Se dice que los eventos A y E son independientes

si se cumplen:

P( A / E )  P ( A)
P( E / A)  P ( E )
P( A  B )  P ( A) P ( B)
Si no se cumplen, se dice que los eventos son
dependientes.
PROBABILIDAD
Ejemplo:
Experimento: Lanzar un dado.
A: que al lanzar el dado caiga 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
impar.

S = {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
 PROBABILIDAD

Género/ Nike Adidas Topper Total

Marca
deportiva

Mujer 23 35 18 76

Varón 33 29 22 84

Total 56 64 40 160

Si se selecciona un elemento de la muestra en

forma aleatoria, ¿cuál es la probabilidad de que:
Elija Nike sabiendo que es varón?
Elija Adidas sabiendo que es mujer?
Sea Varón sabiendo que eligió Topper?
Sea Mujer sabiendo que eligió Nike?
PROBABILIDAD

Ejemplo.-
En cierta ciudad, las mujeres representan el
50% de la población y los hombres el otro
50%. Se sabe que el 20% de las mujeres y
el 5% de hombres están sin trabajo. Un
economista estudia la situación de empleo,
elige al azar una persona desempleada. Si la
población total es de 8000 personas,
¿ Cuál es la probabilidad de que la persona
escogida sea ?:
PROBABILIDAD

a).- Mujer
b).- Hombre
c).- Mujer dado que está empleado
d).- Desempleado dado que es hombre
e).- Empleado dado que es mujer

Sean los eventos:

M: Que sea Mujer
H: Que sea Hombre
D: Que sea Desempleado
E: Que sea Empleado
Tabla Número de elementos de los Eventos M, H, D, E y S

Desempleado Empleados Total

s E
D
Mujeres 800 3200 4000
M

Hombres 200 3800 4000

H

Total 1000 7000 8000

PROBABILIDAD

P(M) = .50
P(H) = .50
P(E) = .875
P(D) = .125
P(M/E) = P(ME)/P(E) = .40/.875 = .4571
P(D/H) = P(DH)/P(H) = .025/.5 = .05
P(E/M) = P(ME)/P(M) = .40/.5 = .8
P(M/D) = P(MD)/P(D) = .10/.125 = .8
P(H/D) = P(HD)/P(D) = .025/.125 = .2
PROBABILIDAD

Eventos dependientes e independientes

En el ejemplo anterior se tiene que
P(M) = .50
P(H) = .50
P(E) = .875
P(D) = .125
P(ME) = .40 P(M) P(E) = .4375
P(DH) = .025 P(D) P(H) = .0625
P(MD) = .10 P(M) P(D) = .0625
P(EH) = .475 P(E) P(H) = .4375
PROBABILIDAD

Por tanto los eventos M y E ,

D y H,
M y D,
EyH
son dependientes.
Distribuciones de probabilidad

Variable aleatoria
Es un evento numérico cuyo valor se
determina por medio de un proceso aleatorio
Distribución de probabilidad
Cuando a todos los posibles valores de una
variable aleatoria se le asigna una
probabilidad tenemos una distribución de
probabilidad.
Si la variable aleatoria toma valores enteros
se dice que es discreta, si puede tomar
valores decimales, la misma es continua
Distribuciones de probabilidad

Ejemplos
1)El número de caras obtenidas al lanzar tres
veces una moneda (discreta)
2)La altura de las mujeres entre 20 y 30 años
(continua)

En el primer caso se puede realizar una tabla

con la probabilidad de cada valor de la
variable aleatoria, en el segundo no porque la
misma puede tomar infinitos valores.
 Distribuciones de probabilidad

El espacio muestral del primer ejemplo es:

S   CCC , CCX , CXC , XCC , CXX , XCX , XXC , XXX 

La variable aleatoria toma los valores:
CCC
3
XCC
CCX
2
CXC
CXX
XCX 1
XXC
0
XXX
Distribuciones de probabilidad

En el espacio muestral hay 8 puntos

muestrales, si la moneda es honrada, todos
tienen igual probabilidad de ocurrencia 1/8
Por lo tanto la distribución de probabilidad
de la variable aleatoria es:
Variable aleatoria X Probabilidad
0 1/8
1 3/8
2 3/8
3 1/8
TOTAL 1
Distribución binomial

Es una distribución de probabilidad discreta

aplicable como modelo para toma de
decisiones donde se cumple:
En cada ensayo sólo son posibles dos
resultados (éxito y fracaso)
Todos los resultados son independientes
entre si
La probabilidad de éxito y fracaso no
cambia de un ensayo al otro

Ejemplo: arrojar una moneda, o un dado

Distribución binomial

Existe una fórmula para calcular esta

probabilidad, pero nosotros nos limitaremos
al uso de la tabla.

Necesitamos conocer el número de veces que

se realizó el experimento (n), la probabilidad
de ocurrencia de éxito (p) y la cantidad de
éxitos esperados en la repetición del
experimentos(x)
Distribución binomial

Consideremos por ejemplo el lanzamiento de

una moneda 14 veces, sabiendo que la
probabilidad de obtener cara es 0,5,
calcularemos la probabilidad de que:
Hayan salido exactamente 5 caras
Salgan como mínimo 8 caras
No haya salido ninguna cara

Veamos la tabla:
Distribución binomial
 Distribución de Poisson

Se usa para determinar la probabilidad de

ocurrencia de un número establecido de
eventos cuando éstos ocurren en un continuo
temporal o espacial.
Ejemplo: número de clientes que ingresan por
hora en una estación de servicios, número de
desperfectos por metro en una tela.

También usaremos una tabla para calcular esta

probabilidad, para cuyo uso necesitamos
conocer el número promedio de eventos (λ) y el
número de veces a calcular (x)
 Distribución de Poisson

Ejemplo: El número promedio de personas que

ingresa por hora en un cajero automático es de
8,3. Calcular la probabilidad de que en una hora
cualquiera:
Ingresen 10 personas exactamente
Ingresen menos de 6 personas
Ingresen al menos 12 personas
Distribución de Poisson