Estadística para la

Administración
Luis Del Carpio Castro
Probabilidades
Experimentos
y Eventos
 Experimentos y Eventos
▪ ¿Cuál es la probabilidad de obtener 1 cara si
arrojamos una moneda una vez?
 Experimentos y Eventos
▪ ¿Cuál es la probabilidad de obtener 1 cara si
arrojamos una moneda tres veces?
 C

C
S

C
C S

S C
S

C
S
ÁRBOL DE
PROBABILIDADES S
 Experimentos y Eventos
▪ ¿Si lanzamos 2 dados, cuál es la probabilidad
de obtener un puntaje de 7?
 Experimentos y Eventos
▪ ¿Cuál es la probabilidad de sacar un as al
sacar un naipe de una baraja?
 Definiciones
▪ Experimento
▪ Actividad que origina un evento.
▪ Proceso de hacer una observación y obtener un resultado.
▪ Evento
▪ Uno o más de los posibles resultados de un experimento.
▪ Espacio Muestral
▪ Colección de todos los posibles resultados de un
experimento.
 Experimento Espacio Muestral
Lanzar una moneda Cara, Sello.
Lanzar dos monedas CC, CS, SC, SS
Sacar una carta (valor) 2♥, 2♦, ..., A♠ (52)
Sacar una carta (color) Roja, Negra
Lanzar un dado. 1, 2, 3, 4, 5, 6
Jugar un partido Ganar, Empatar, Perder
Inspeccionar una parte Defectuoso, Bueno
Experimento: Lanzar dos monedas
Espacio Muestral: CC, CS, SC, SS

EventoResultados

1 Cara y 1 Sello CS, SC

Cara en la 1ra. moneda CC, CS
Al menos una Cara CC, CS, SC
Cara en cada lanzamiento CC
5-
37

Algunos principios de conteo

▪ Fórmula de la multiplicación: si hay m
modos de hacer una cosa y n formas de hacer
otra, existen m x n formas de hacer ambas.
▪ EJEMPLO: Una persona tiene 10 camisas y 8
corbatas. ¿Cuántos conjuntos de camisas
/corbatas tiene?
(10)(8) = 80.
5-
38

Algunos principios de conteo

▪ Permutación: un arreglo de r objetos

seleccionados a partir de un grupo único
de n objetos posibles.

▪ Nota: el orden del arreglo es importante en las

permutaciones.
 Permutaciones
▪ Supóngase que hay ocho máquinas disponibles, pero
solo tres espacios en el piso del taller donde se han de
instalar tales máquinas. ¿De cuántos modos diferentes
pueden colocarse las ocho máquinas?
 Permutaciones
▪ Primer espacio: 8 posibilidades
▪ Segundo espacio: 7 posibilidades (una ya se utilizó)
▪ Tercer espacio: 6 posibilidades.
▪ 8 x 7 x 6 = 336 permutaciones
▪ 8x7x6x5x4x3x2x1
5x4x3x2x1
 Permutaciones
▪ Usted tiene 10 camisas. Suponiendo que cada
camisa que viste va a la ropa sucia y que las
camisas se lavan cada semana, ¿Cuántas
maneras diferentes de seleccionar sus camisas
se producen en una semana?
 Permutaciones
▪ Se desean acomodar cinco libros en un librero,
¿De cuantas maneras posibles pueden ser
ordenados?
5-
39

Principios de conteo
▪ Combinación: el número de modos para
elegir r objetos de un grupo de n objetos
▪ El orden no interesa.
 Combinaciones
▪ En un juego de cartas, usted recibe 5 naipes de una
baraja compuesta por 52 naipes. ¿Cuántas “manos”
de cartas puede usted recibir?
▪ Primer naipe: 52 posibilidades
▪ Segundo naipe: 51 posibilidades
▪ Tercer naipe: 50 posibilidades
▪ Cuarto naipe: 49 posibilidades.
▪ Quinto naipe: 48 posibilidades.
▪ Si fuera una permutación 🡪
52 x 51 x 50 x 49 x 48 = 311’875,200 manos.
 Combinaciones

Pero el orden no importa:

 Combinaciones
▪ En una clase de 24 alumnos se quieren formar
6 grupos de estudio. ¿Cuántos grupos
diferentes se pueden formar?
 Clases de Eventos
▪ Eventos Mutuamente Excluyentes
▪ Dos o más eventos que no pueden ocurrir al mismo
tiempo.
▪ A: Reina de Corazones; B: Reina de Espadas
▪ Los eventos A y B son mutuamente excluyentes.
▪ Eventos No Mutuamente Excluyentes
▪ Dos o más eventos que si pueden ocurrir al mismo tiempo.
▪ A: Naipes de Corazones; B: As
▪ Los eventos A y B no son mutuamente excluyentes.
▪ El As de Corazones
 Mutuamente Excluyentes

Event Event
oA oB

Espacio Muestral
No Mutuamente Excluyentes

Event Event
oA oB
5-
11

Reglas básicas de probabilidad

▪ Si los eventos son mutuamente excluyentes, la
ocurrencia de cualquier evento impide que el otro
evento ocurra.

Event Event
oA oB
 Regla de la Adición
▪ Si dos eventos A y B son mutuamente
excluyentes, la probabilidad de que ocurra A o
B es igual a la suma de sus probabilidades
respectivas:
▪ P(A o B) = P(A) + P(B)
▪ Probabilidad que al lanzar una moneda salga
cara o sello.
5-
14

Regla del complemento

▪ La regla del complemento se utiliza para
determinar la probabilidad de un evento,
conociendo su probabilidad de No Ocurrencia.
▪ Se obtiene restando del número 1 la probabilidad
de que No ocurra un evento.
▪ Si P(A) es la probabilidad del evento A y P(Ac) es
el complemento de A,
▪ P(A) + P(Ac) = 1
▪ P(A) = 1 – P(Ac).
 Complemento

Comp
lemen
Event to de
oA A

Ac
5-
18

Regla especial de la adición

▪ Si A y B son dos eventos que no son
mutuamente excluyentes, entonces
P(A o B) se calcula con la siguiente fórmula:
▪ P(A o B) = P(A) + P(B) - P(A y B)
Regla especial de la Adición

Event Event
oA oB

P(A o B) = P(A) + P(B) - P(A y B)

Sucesos
A Ac
A = ser hombre (H)
B = edad< 20
4 2
B

Bc 2 6

Probabilidades
P(A) =
P(B) =
P(A ∩ B) =
P(A ∪B) =

P(A⏐B) =
 Probabilidades
Independencia y Dependencia
Estadística
 I. Independencia Estadística
▪ La presentación de un
evento no tiene efecto
sobre la probabilidad de
presentación de cualquier
otro evento.
▪ Probabilidad Marginal o
Incondicional
▪ Probabilidad Conjunta
▪ Probabilidad Condicional
 Probabilidad Marginal
▪ Probabilidad simple de presentación de un
evento. P(A).
▪ Probabilidad de obtener un as.
▪ Probabilidad de obtener una carta de
corazones.
▪ Probabilidad de sacar una cara al lanzar una
moneda.
5-
23

Probabilidad Conjunta
▪ Probabilidad de que dos o más eventos
independientes se presenten juntos o en
sucesión. P(AB) o P(A,B) o P(AyB).
▪ Probabilidad de sacar un as de corazones.
▪ Probabilidad de obtener tres caras al lanzar
una moneda tres veces.
5-
24

Regla especial de
multiplicación
▪ La regla especial de multiplicación requiere
que dos eventos A y B sean independientes.
▪ P(A y B) = P(A ∩ B) = P(A) * P(B).
5-
27

Probabilidad Condicional
▪ Probabilidad condicional es la probabilidad
de que ocurra un evento en particular, dado que
otro evento ya ocurrió. P(A|B). Probabilidad de
A “dado” B.
▪ En el caso de eventos independientes, como el
evento B no influye en el evento A:
P(A|B) = P(A)
(Sirve para demostrar A y B son independientes)
 II. Dependencia Estadística
▪ Cuando la probabilidad
de que se presente algún
evento depende o se ve
afectada por la
presentación de algún
otro evento.
▪ Probabilidad Condicional
▪ Probabilidad Conjunta
▪ Probabilidad Marginal
Color: C Puntos:
Grises: P
G Rayas: R
▪ P(P|C) = ?
▪ P(P,C) = 3/10
▪ P(C) = 4/10
▪ P(R|C) = ?
▪ P(R,C) = 1/10
▪ P(C) = 4/10
▪ P(P|G) = 2/6 = ?
▪ P(G|P) = ?
▪ P(C|R) = ?
Probabilidad Condicional
(Dependencia Estadística)
 Probabilidad Conjunta
(Dependencia Estadística)
 Ejercicio
¿Cuál es la probabilidad?
P (A|D) =
P (C|B) =
Son C y B
independientes?

A: Artículos en idioma español

B: Artículos en idioma inglés.
C: Artículos sobre estadística.
D: Artículos sobre gestión.
 Teorema de la probabilidad total
Si conocemos la probabilidad
A1 A2
de B en cada uno de los
componentes de un sistema
exhaustivo y excluyente de
sucesos, entonces podemos
B
calcular la probabilidad de B
como la suma:

A3 A4

P(B) = P(B ∩ A1) + P(B ∩ A2) + P( B ∩ A3) + P( B ∩ A4)

49 4)P(A4)
P(B) = P(B|A1)P(A1) + P(B|A2)P(A2) + P(B|A3)P(A3) + P(B|A
 La ley de probabilidad total

Supongamos que A1, A2, ... ,An son una partición de E,

es decir que los sucesos son mútuamente excluyentes entre sí
(Ai∩Aj=∅ para todo par) y su unión es E entonces:

A1 A2

A3 A4
50
 Ejemplo: En este aula el 70% de los alumnos son
hombres. De ellos el 10% son fumadores. El 20% de las
mujeres son fumadoras.
¿Qué porcentaje de fumadores hay en total?

Podemos aplicar la ley de

la probabilidad total:
Mujeres
Hombres y mujeres forman Hombres
un sistema exhaustivo y
excluyente de sucesos.

Fumadores
 Fum
0,1 a

Hom
0,7 bre
No
0,9 fuma
Estud
iante
0,2 Fum
0,3
a
Mujer

0,8
No
fuma

P(F) = P(F∩H) + P(F∩M) = P(F|H) P(H) + P(F|M) P(M)

= 0,1 · 0,7 + 0,2 · 0,3 = 0,13
 Teorema de Bayes
Revisión de Probabilidades

Posibilidades Información Teorema Posibilidades

a priori Nueva de Bayes posteriores
 Thomas Bayes nació en Londres, Inglaterra.
Su padre fue ministro presbiteriano.
Posiblemente De Moivre fue su maestro
particular, pues se sabe que por ese entonces ejercía como
profesor en Londres.

Bayes fue ordenado ministro presbiteriano y muere en

1761. Sus restos descansan en el cementerio londinense
de Bunhill Fields. La traducción de la inscripción en su
tumba es:          

"Reverendo Thomas Bayes.

Hijo de los conocidos Joshua y Ann
Bayes. 7 de abril de 1761. En
reconocimiento al importante trabajo que
realizó Thomas Bayes en probabilidad. Su
tumba fue restaurada en 1969 con
donativos de estadísticos de todo el
mundo".
 Teorema de Bayes
Si conocemos la probabilidad de B en
cada uno de los n componentes de un
A1 A2 sistema exhaustivo y excluyente de
sucesos, entonces…

…si ocurre B, podemos calcular la

probabilidad (a posteriori) de
B ocurrencia de cada Ai, (i = 1, 2, ... , n):

A3 A4

donde P(B) se puede calcular usando el teorema de la probabilidad

total:
 Fum
0,1 a
En el problema anterior:
Hom Se elige a un individuo al
0,7 bre azar y resulta fumador.
No
Estud 0,9 fuma ¿Cuál es la
iante probabilidad de que sea
0,2 Fum
una mujer?
0,3
a
Mujer

0,8
No
fuma

P(M) = 0,3, P(F) = 0,13

P(M|F) = P(F ∩ M) / P(F)
= P(F|M) · P(M) / P(F)
0,2 · 0,3 / 0,13 = 0,46
 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 5%, y de que no la padezca es
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?
 P(P|E) sitiva P(E,P)=0.05x0.90=0.0450
P o
e b a 0
Pru 0.9
Pru
eba
P(E) N
o 0.1 egat
m 0 iv a 0.0450 +
fer P(E,N)=0.05x0.10=0.0050 0.1425
en 05
tá 0. P(N|E)
Es 0.1875

NO
es
tá P(P|
0.
95
en
fe noE) sitiva P(noE,P)=0.95x0.15=0.1425
rm a Po
o Prueb 15
.
P(no Pru 0
E) eb
a
0.8 Neg
5 ati
va
P(N|noE) P(noE,N)=0.95x0.85=0.8075
 Observaciones -¿Qué probabilidad
tengo de estar
enfermo?
▪ En el ejemplo anterior, al llegar un
- En principio un 5%. Le
individuo a la consulta tenemos una haremos unas pruebas.
idea a priori sobre la probabilidad de
que tenga una enfermedad.

▪ A continuación se le pasa una prueba

diagnóstica que nos aportará nueva
información: Está enfermo o no.

▪ En función del resultado tenemos una

nueva idea (a posteriori) sobre la - La prueba salió
positiva. La probabilidad
probabilidad de que esté enfermo. ahora es del 24%.
▪ Nuestra opinión a priori ha sido
modificada por el resultado de un
experimento.
 La probabilidad de que una mujer con edad comprendida entre los 40-50
tenga cáncer de mama es 0.8%. Si una mujer tiene cáncer de mama, la
probabilidad de positivo en test = 90%. Si una mujer no tiene cáncer de
mama, la probabilidad de positivo en test = 7%. Supongamos que una
paciente da positivo en un test. ¿Cuál es la probabilidad de que tenga
cáncer de mama?

1000 mujeres

8: enfermas 992: no enfermas

7: positivos 1: negativo 69: positivos 923: negativos

p(enferma | positivo) = 7 / (7+69) = 0.09

 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?
 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?
Supongamos que la incidencia del consumo de drogas
en la población es del 5%. Hacemos una prueba de
drogas, que tiene una fiabilidad del 95%, a un sujeto
escogido al azar y el resultado es positivo.
¿Cuál es la probabilidad de que consuma drogas?