Probabilidad

Introducción a la probabilidad
1 Introducción
2 Fenómenos y experimentos aleatorios
3 Concepto de probabilidad y propiedades
4 Estimación de la probabilidad en la práctica
Equiprobabilidad
Métodos combinatorios
5 Probabilidad condicionada
Concepto y propiedades
Independencia de sucesos
Teorema de Bayes
1
Estadística: Profesora María Durbán

Fenómenos y experimentos aleatorios
Experimento: Proceso de observar una característica
Ejemplos
Lanzar una moneda tres veces y observar el número de caras.
Medir la corriente en un cable de cobre.
Contar el número de llamadas que llegan a una centralita en una hora.
Medir la resistencia a la compresión del hormigón.

Ejemplo
Medir la corriente que atraviesa un cable de cobre
Repetimos el experimento en distintas partes
Obtenemos distintos resultados
Errores de medida
Impurezas del cobre

Debido a las variables no controladas
Calibre del cable 3

Ejemplo
Medir la corriente que atraviesa un cable de cobre
Repetimos el experimento en distintos momentos

Si esta variabilidad es pequeña no afectará a los resultados del experimento
Si la variabilidad es alta puede encubrir resultados importantes
Nuestro objetivo

Diremos que un experimento es aleatorio si ve verifican las siguientes condiciones:
1. Puede repetirse 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, pertenece a un conjunto previamente conocido

de posibles resultados

Sucesos E espacio muestral
Cuando se realiza un experimento aleatorio diversos

resultados son posibles. El conjunto de todos los
resultados posibles se llama espacio muestral (E).
Se llama suceso a un subconjunto de resultados
Suceso elemental E espacio muestral

Siempre ocurre uno de ellos
Son mutuamente excluyentes
Suceso compuesto
Uniones de sucesos elementales

Sucesos
E espacio muestral
Se llama suceso contrario (complementario) de un
suceso A, al formado por los sucesos que no están en A A
A
El suceso seguro, E, es aquel que siempre ocurre al realizar

el experimento
E espacio muestral
El suceso imposible, Ø, es aquel que nunca ocurre como

resultado del experimento

Operaciones con sucesos

E espacio muestral
Se llama suceso intersección de A y B, A∩B o AB, al INTERSEC.
formado por los resultados experimentales que están A
simultáneamente en A y B
B
Se dice que dos sucesos A y B son incompatibles si no

pueden ocurrir a la vez, A∩B=Ø E espacio muestral
A
B

Operaciones con sucesos

Se llama suceso unión de A y B, AUB, al suceso formado por los resultados
experimentales que están en A o en B (incluyendo los que están en ambos)
E espacio muestral E espacio muestral

UNIÓN
A A
B B
Se llama suceso diferencia de A y B, A-B, al formado por todos los sucesos

de A que no están en B, es decir, A∩B E espacio muestral
Consecuencia: A
A = E-A B 10

Ejemplo
Se utiliza una balanza digital para pesar las piezas producidas por una
máquina.
A  Peso  11gr
B  Peso  15gr
C  Peso  5gr
C A
11
Estadística: Profesora María Durbán B

Ejemplo
máquina.
A  B  11gr  Peso  15gr

A  Peso  11gr
B C  Peso  15gr
B  Peso  15gr
A C  
C  Peso  5gr
B  C  5  Peso  15gr
A
12
B 11 15
Ejemplo
máquina.
A  B  11gr  Peso  15gr

A  Peso  11gr
B  Peso  15gr
A C  
C  Peso  5gr
B  C  5  Peso  15gr
C
13
B 15
Ejemplo
máquina.
A  B  11gr  Peso  15gr

A  Peso  11gr
B  Peso  15gr
A C  
C  Peso  5gr
B  C  5  Peso  15gr
C A
 14

Ejemplo
máquina.
A  B  11gr  Peso  15gr

A  Peso  11gr
B  Peso  15gr
A C  
C  Peso  5gr
B  C  5  Peso  15gr
C
15
Estadística: Profesora María Durbán 5 B 15

Leyes de Morgan
Hay ciertas propiedades de la unión, intersección y suceso contrario que son
conocidas bajo las leyes de Morgan
E espacio muestral
I nt e
A  B=A  B A rs e
cci
ón
de A
B
E espacio muestral
de
A ió n
A  B=A  B Un B
B
16

Concepto de probabilidad y propiedades
En un experimento aleatorio, cuando el número de veces que se repite

aumenta, la frecuencia relativa
n o de veces que ocurre A
f n (A) 
n
converge hacia una cantidad que llamamos probabilidad:
Pr(A)  lim f n (A)
n
Ejemplo
Frecuencia relativa del número de
caras obtenidos en lanzamientos
sucesivos de una moneda
Converge a 1/2
17


f n (A) 
n
n
Ejemplo
Frecuencia relativa del número de
caras obtenidos en lanzamientos
sucesivos de una moneda
Converge a 1/2
18


f n (A) 
n
n
También podemos entender la probabilidad como el grado de certeza que

se posee sobre un suceso, basada en experiencias previas
La probabilidad depende del grado de información disponible:
Los sucesos posibles al realizar el experimento
La evidencia empírica existente respecto a la ocurrencia de los 19

sucesos
Dado un espacio muestral, E, definimos probabilidad como una función, P, que

asigna a un suceso A un valor numérico P(A), verificando las siguientes reglas
(axiomas)
1. 0≤P(A) ≤1 2. P(E)=1 3. P(AUB)=P(A)+P(B) si A∩B=Ø
El tercer axioma se generaliza a cualquier número de sucesos de disjuntos:
A2 A3  5  5
A1 Pr  A i    Pr  A i 
 i=1  i1
A4 A4
20

Dado un espacio muestral, E, definimos probabilidad como una función, P, que

asigna a un suceso A un valor numérico P(A), verificando las siguientes reglas
(axiomas)
1. 0≤P(A) ≤1 2. P(E)=1 3. P(AUB)=P(A)+P(B) si A∩B=Ø
El tercer axioma se generaliza a cualquier número de sucesos de disjuntos:
A2 A3  5  5
A1 Pr  A i    Pr  A i 
 i=1  i1
A5 A4
21

Estos axiomas no asignan probabilidades a sucesos, pero facilitan el cálculo de

probabilidades de unos sucesos a partir de la probabilidad de otros:
1. P(A) = 1 - P(A) E  A  A  1  Pr(A)  Pr(A)

2. P() = 0
3. Si A  B  P(A)  P(B)
4. P(B-A) = P(B) - P(A  B)
5. P(A  B) = P(A) + P(B) - P(A  B)
22


1. P(A) = 1 - P(A)
2. P() = 0   E  Pr()  1  Pr( E )  1  1  0
3. Si A  B  P(A)  P(B)
4. P(B-A) = P(B) - P(A  B)
5. P(A  B) = P(A) + P(B) - P(A  B)
23


1. P(A) = 1 - P(A)
2. P() = 0
3. Si A  B  P(A)  P(B) B  A  (B  A)  Pr(B)  Pr(A)+Pr(B  A)
4. P(B-A) = P(B) - P(A  B)

5. P(A  B) = P(A) + P(B) - P(A  B)
24


1. P(A) = 1 - P(A)
2. P() = 0
3. Si A  B  P(A)  P(B)
B  (A  B)  (B  A)
4. P(B-A) = P(B) - P(A  B) Pr(B)  Pr(A  B)  Pr(B  A)
5. P(A  B) = P(A) + P(B) - P(A  B) Pr(B)  Pr(A  B)  Pr(B-A)
25


1. P(A) = 1 - P(A)
2. P() = 0
3. Si A  B  P(A)  P(B)
4. P(B-A) = P(B) - P(A  B)
5. P(A  B) = P(A) + P(B) - P(A  B)
A  B=(A-B)  (B-A)  (A  B)
Pr(A  B)=Pr(A)-Pr(A  B)+Pr(B)-Pr(A  B)+Pr(A  B) 26

P(A  B) = P(A) + P(B) - P(A  B)
P(A)
+ A
P(B)
_ B
P(A ∩ B)
P(A U B) AoB 27

Ejemplo: Faros de coche

Un fabricante de faros de coches controla con regularidad la duración y la
intensidad de la luz cuando son sometidos a elevada humedad y temperatura.
En la siguiente tabla se presentan las probabilidades de tener un comportamiento
satisfactorio en cuanto a intensidad y duración:
Duración
Intensidad Satisfactorio No Satisfactorio
Satisfactorio 0.9 0.023
No Satisfactorio 0.062 0.015
1. ¿Cuál es la probabilidad de que la duración de un faro sea satisfactoria?

2. ¿Cuál es la probabilidad de que un faro tenga intensidad satisfactoria o no tenga
duración satisfactoria? 28

Duración
A  Satisfactorio en intensidad
B  Satisfactorio en duracion Pr(A  B) Pr(A  B)
Pr(A  B) Pr(A  B)
¿ Pr(B) ? B  (A  B)  (A  B)
29

Duración
¿ Pr(B) ? B  (A  B)  (A  B) Pr(B)  Pr(A  B)  Pr(A  B)  0.9  0.062  0.962

30
Tercer Axioma P(AUB)=P(A)+P(B) si A∩B=Ø
Duración
2. ¿Cuál es la probabilidad de que un faro tenga intensidad satisfactoria o no tenga

duración satisfactoria?
Pr(A  B)  Pr(A)  Pr(B)  Pr(A  B) Pr(A  B)  0.923  0.038  0.023  0.938
31
Pr(A)  Pr(A  B)  Pr(A  B)  0.9  0.023  0.923 Pr(B)  1  Pr(B)  1  0.962  0.038
Estimación de la probabilidad en la práctica
Equiprobabilidad
Si un experimento cualquiera puede dar lugar a un número finito de resultados

posibles, y no hay razón que privilegie a un resultado frente a otro. Calcularemos
la probabilidad de un suceso de la forma siguiente:
Dado un suceso compuesto A que contiene f sucesos elementales, su

probabilidad será:
casos favorables ( f ) 1 Probabilidad de cada

Pr( A)  n suceso elemental
casos posibles (n)
Regla de Laplace
32

Ejemplos
Lanzamiento de una moneda E  C , X   Pr(C )  1/ 2
Lanzamiento de un dado E  1, 2,3, 4,5, 6  Pr(3)  1/ 6
Extracción de cartas de la baraja E  As de copas, dos de copas....
Pr(Sacar una carta de oros)  10 / 40
33

Equiprobabilidad
En ocasiones no es fácil determinar los sucesos elementales contenidos en un

suceso A:
Ejemplo: Lote de ordenadores

En un lote de 9 ordenadores hay 3 que son defectuosos, el comprador del lote lo
rechazará si al inspeccionar dos de ellos elegidos al azar resultan ser defectuosos:
¿Cuál es la probabilidad de que el comprador rechace el lote?
A  Rechazar el lote  Encontrar dos defectuosos

De cuántas maneras puedo
casos favorables
Pr( A)  seleccionar 2 defectuosos
casos posibles De cuántas maneras puedo
seleccionar dos ordenadores

¿De cuántas maneras puedo seleccionar 2 defectuosos?
35


¿De cuántas maneras puedo seleccionar 2 ordenadores de entre los 9?
36

Combinatoria
Nos ayuda a calcular el número de reordenaciones de n objetos tomados

de k en k
SIN CON
REEMPLAZAMIENTO REEMPLAZAMIENTO
IMPORTA EL ORDEN n!
Vnk  VRnk  n k
VARIACIONES (n  k )!
NO IMPORTA EL n  n  k  1
ORDEN C  
k
n CR  
k
n 
COMBINACIONES k   k 
Si n  k  Permutaciones 37


Los ordenadores se eligen simultáneamente sin reemplazamiento
El orden dentro del grupo no importa Combinaciones
casos favorables De cuántas maneras puedo

Pr( A)  seleccionar 2 defectuosos
casos posibles 3!
C 2
3 3
2!1! 38
Hay 3 ordenadores defectuosos

Los ordenadores se eligen simultáneamente sin reemplazamiento
El orden dentro del grupo no importa Combinaciones
casos favorables
Pr( A)  9!
casos posibles
De cuántas maneras puedo
seleccionar 2 ordenadores C 
2
9  36
2!7!
Hay 9 ordenadores en el lote 39

Probabilidad condicionada
E espacio muestral
Centra el foco de atención en el hecho .

A
que se sabe que ha ocurrido el evento B
B
Estamos indicando que el espacio
muestral de interés se ha “reducido” sólo a
aquellos resultados que definen la
ocurrencia del evento B A|B
2 casos favorables
Entonces, P(A | B) “mide” la probabilidad
relativa de A con respecto al espacio 5 casos posibles
reducido B
2 2 / 9 Pr( A  B)
Pr( A | B)   
5 5/9 Pr( B) 40

A A
B
B
P(A) = 0,25 P(A) = 0,25

P(B) = 0,10 P(B) = 0,10
P(A∩B) = 0,10 P(A∩B) = 0,08
Pr( A  B)
B  A  Pr( A | B )  1 Pr( A | B) 
Pr( B)
Pr(A|B)=1 Pr(A|B)=0,8>Pr(A)
A A
B
B
P(A) = 0,25 P(A) = 0,25

P(B) = 0,10 P(B) = 0,10
P(A∩B) = 0,005 P(A∩B) = 0
A  B    Pr( A | B )  0
42
Pr(A|B)=0,05<Pr(A) P(A|B)=0
B  A  Pr( A | B )  1
A  B    Pr( A | B )  0 Importante:
Pr( B)  0
Pr( A  B)
Pr( A | B) 
Pr( B)
 Pr( A | B)  Pr( A  B)

Pr( A  B )  Pr( A | B ) Pr( B)
 Pr( B | A) Pr( A)
 Pr( A)
43

 Pr( B)
También se ha encontrado que el Se ha encontrado que el 25%
5% de la piezas que no tienen de las piezas con fallos
fallos superficiales son Pr( A | B )  0.05
superficiales son
funcionalmente defectuosas funcionalmente defectuosas
Pr( A | B )  0.25
Por lo tanto el 90% Se sabe que el 10% de las

no tienen fallos 100% piezas piezas manufacturadas
visibles en la Manufacturadas tienen fallos visibles en la
superficie. superficie.
Pr( B )  0.9 Pr( B )  0.1
Suceso A = { pieza funcionalmente defectuosa}

B = { pieza tiene una fallo visible en la
superficie}
¿Qué porcentaje de piezas tiene fallos y no es funcionalmente defectuosa?
Pr( A  B)  Pr( A | B) Pr( B)  (1  Pr( A | B)) Pr( B)  0.75  0.1  0.075  7.5%
44

Independencia de sucesos
Diremos que dos sucesos son independientes si el conocimiento de la ocurrencia

de uno no modifica la probabilidad de ocurrencia del otro
A y B son independientes si:
Pr( A | B)  Pr( A)
Pr( A  B)  Pr( A | B) Pr( B)  Pr( A) Pr( B)
Pr( B | A)  Pr( B)
45

Ejemplo
Una aplicación del concepto de independencia es el cálculo de la Fiabilidad de
un sistema.
Se denomina Fiabilidad de un sistema a la probabilidad de que el sistema funcione
correctamente.
Si la probabilidad de que un interruptor cualquiera no esté cerrado es 0.99, ¿cuál es

la probabilidad de que pase corriente de A a B?
A B
Pr(pasar corriente de A a B)  0.99 2  0.9801
46

Ejemplo
Aunque la fiabilidad de cada componente sea alta, si hay muchos componentes, la
fiabilidad del sistema puede ser baja.
Para aumentar la fiabilidad podemos poner varios sistemas en paralelo:
1
S1
2 Pr(pasar corriente de A a B)  Pr(S1  S2 )
 1  Pr(no pasar corriente de A a B)
A B
1  Pr(S1  S2 )  1   Pr(S1 ) Pr(S2 ) 
3 S2
Pr(S1 )  1  Pr(S1 )  1  0.9801  0.0199
4
Pr(pasar corriente de A a B)  1  0.01992  0.9996

47
Ha aumentado la fiabilidad en un 2%
Teorema de Bayes
A1 A2
Consideramos un experimento que se
realiza en dos etapas: en la primera,
los sucesos posibles
A1, A2, A3, A4…
Son tales que la unión de todos ellos

forman el espacio muestral, y sus
intersecciones son disjuntas.
A3 A4
48

Teorema de Bayes
A1 A2 En la segunda etapa, todo suceso B

depende de lo sucedido en la primera
etapa y puede ser descompuesto en
sucesos disjuntos
B = (B∩A1) U (B∩A2 ) U ( B∩A3 ) U ( B∩A4 )
A3 A4
49

Teorema de Bayes
A1 A2 Si conocemos la probabilidad de que

ocurra B habiendo ocurrido Ai ,
entonces podemos calcular la
probabilidad de B.
B Tercer Axioma
P(AUB)=P(A)+P(B) si A∩B=Ø
A3 A4
P(B) = P(B∩A1) + P(B∩A2 ) + P( B∩A3 ) + ( B∩A4 )
=P(B|A1) P(A1) + P(B|A2) P(A2) + P(B|A3) P(A3) + P(B|A4) P(A4) 50

Teorema de Bayes
A1 A2 Si conocemos la probabilidad de que

ocurra B habiendo ocurrido Ai ,
entonces podemos calcular la
probabilidad de B.
B
Probabilidad Condicionada
P(A∩B)=P(A|B)P(B)
A3 A4
P(B) = P(B∩A1) + P(B∩A2 ) + P( B∩A3 ) + ( B∩A4 )
=P(B|A1) P(A1) + P(B|A2) P(A2) + P(B|A3) P(A3) + P(B|A4) P(A4) 51

A1 A2 …si ocurre B, podemos calcular la

probabilidad (a posteriori) de
ocurrencia de cada Ai.
Pr(A i  B)
B
Pr(B|A i ) Pr(A i )
Pr(A i |B) 
Pr(B)
A3 A4
donde P(B) se puede calcular usando el teorema de la probabilidad total:
P(B) =P(B|A1) P(A1) + P(B|A2) P(A2) + P(B|A3) P(A3) + P(B|A4) P(A4) 52

También se ha encontrado que el Se ha encontrado que el 25%
5% de la piezas que no tienen de las piezas con fallos
fallos superficiales son Pr( A | B )  0.05
superficiales son
funcionalmente defectuosas funcionalmente defectuosas
Pr( A | B )  0.25
Por lo tanto el 90% Se sabe que el 10% de las

no tienen fallos 100% piezas piezas manufacturadas
visibles en la Manufacturadas tienen fallos visibles en la
superficie. superficie.
Pr( B )  0.9 Pr( B )  0.1
Suceso A = { pieza funcionalmente defectuosa}

B = { pieza tiene una fallo visible en la superficie}
1. ¿Cuál es la probabilidad de que una pieza sea funcionalmente defectuosa?
2. Si sabemos que la pieza es funcionalmente defectuosa, ¿cuál es la 53

probabilidad
Estadística: que no tenga fallos superficiales?
Profesora María Durbán
2. Si sabemos que la pieza es funcionalmente defectuosa, ¿cuál es la

probabilidad que no tenga fallos superficiales?
Pr(B|A) A|B
0.25
Pr(A)
0.75
0.1 B A|B
Pieza
0.05
A|B
0.9
B
0.95 A|B 54

Pr(A)  Pr(A|B) Pr(B)  Pr(A|B) Pr(B)

 0.25  0.1+0.05  0.9=0.07
A|B
0.25
0.75
0.1 B A|B
Pieza
0.05
A|B
0.9
B
0.95 A|B 55

2. Si sabemos que la pieza es funcionalmente defectuosa, ¿cuál es la

probabilidad que no tenga fallos superficiales?
Pr(A|B) Pr(B) 0.05  0.9

Pr(B|A)  
Pr(A) 0.25  0.1+0.05  0.9
0.045
  0.64 A|B
0.07 0.25
0.75
0.1 B A|B
Pieza
0.05
A|B
0.9
B
0.95 A|B 56

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

Probabilidad

Cargado por

Copyright:

Formatos disponibles

Introducción a la probabilidad

2 Fenómenos y experimentos aleatorios

3 Concepto de probabilidad y propiedades

4 Estimación de la probabilidad en la práctica

Estadística: Profesora María Durbán

Experimento: Proceso de observar una característica

Lanzar una moneda tres veces y observar el número de caras.

Medir la corriente en un cable de cobre.

Contar el número de llamadas que llegan a una centralita en una hora.

Medir la resistencia a la compresión del hormigón.

Estadística: Profesora María Durbán

Medir la corriente que atraviesa un cable de cobre

Repetimos el experimento en distintas partes

Obtenemos distintos resultados

Impurezas del cobre

Estadística: Profesora María Durbán

Medir la corriente que atraviesa un cable de cobre

Repetimos el experimento en distintos momentos

Estadística: Profesora María Durbán

Si esta variabilidad es pequeña no afectará a los resultados del experimento

Si la variabilidad es alta puede encubrir resultados importantes

Estadística: Profesora María Durbán

Diremos que un experimento es aleatorio si ve verifican las siguientes condiciones:

1. Puede repetirse 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, pertenece a un conjunto previamente conocido

Estadística: Profesora María Durbán

Sucesos E espacio muestral

Cuando se realiza un experimento aleatorio diversos

Se llama suceso a un subconjunto de resultados

Suceso elemental E espacio muestral

Estadística: Profesora María Durbán

El suceso seguro, E, es aquel que siempre ocurre al realizar

El suceso imposible, Ø, es aquel que nunca ocurre como

Estadística: Profesora María Durbán

Operaciones con sucesos

Se dice que dos sucesos A y B son incompatibles si no

Estadística: Profesora María Durbán

Operaciones con sucesos

E espacio muestral E espacio muestral

Se llama suceso diferencia de A y B, A-B, al formado por todos los sucesos

Estadística: Profesora María Durbán

Estadística: Profesora María Durbán B

A  B  11gr  Peso  15gr

A  B  11gr  Peso  15gr

A  B  11gr  Peso  15gr

Estadística: Profesora María Durbán

A  B  11gr  Peso  15gr

Estadística: Profesora María Durbán 5 B 15

Estadística: Profesora María Durbán

En un experimento aleatorio, cuando el número de veces que se repite

Estadística: Profesora María Durbán

En un experimento aleatorio, cuando el número de veces que se repite

Estadística: Profesora María Durbán

En un experimento aleatorio, cuando el número de veces que se repite

También podemos entender la probabilidad como el grado de certeza que

La probabilidad depende del grado de información disponible:

Los sucesos posibles al realizar el experimento

La evidencia empírica existente respecto a la ocurrencia de los 19

Dado un espacio muestral, E, definimos probabilidad como una función, P, que

1. 0≤P(A) ≤1 2. P(E)=1 3. P(AUB)=P(A)+P(B) si A∩B=Ø

El tercer axioma se generaliza a cualquier número de sucesos de disjuntos:

Estadística: Profesora María Durbán