Universidad Industrial de Santander

Facultad de Ingenierías Fisicomecánicas

Bucaramanga, 2020

Estadística I

TEMA 2: Probabilidad
Contenido:
Prof. Giovanni Calderón  Espacios muestrales y eventos
Universidad Industrial de Santander  Medida de la probabilidad
E-mail: giovanni.calderon@correo.uis.edu.co  Axiomas de probabilidad
 Probabilidad condicional
 Reglas de multiplicación y de probabilidad total
 Independencia
 Teorema de Bayes.
 Aplicaciones.

1
Espacio muestral y eventos

Definición. Un experimento aleatorio es aquel que puede producir resultados diferentes, aun cuando se repita
siempre de la misma manera.

Para hacer el modelo de un experimento aleatorio y analizarlo, es necesario entender el conjunto de los
resultados posibles del experimento.

Definición. Al conjunto de todos los resultados posibles de un experimento aleatorio se le llama espacio muestral
del experimento. El espacio muestral se denota por S.

Observación: Es frecuente definir el espacio muestral con base en los objetivos del análisis
Definición. Un evento es un subconjunto del espacio muestral de un experimento.

Ejemplo: 𝐵 𝐴∩𝐵
𝐴 𝐴∪𝐵 𝐴 𝐵 𝐴 𝐵

𝐴 𝐵 𝐴 𝐵 (𝐴 ∩ 𝐶)′
(𝐴 ∪ 𝐵) ∩ 𝐶
𝐶 𝐶

Espacio muestral S con los elementos A, B y C (Diagramas de Venn)

Definición. El evento que contiene a ningún resultado del espacio muestral recibe el nombre de evento
nulo o vacío.

Diagramas de árbol
Los espacios muestrales también pueden describirse gráficamente con diagramas de árbol. Cuando un espacio
muestral puede construirse en varios pasos o etapas, cada una de las 𝑛1 formas de completar el primer paso
puede representarse como la rama de un árbol. Cada una de las formas de completar el segundo paso puede
representarse como 𝑛2 ramas que empiezan en los extremos de las ramas originales, y así sucesivamente.
Ejercicios de la sección 3.1
Presente una descripción razonable del espacio muestra
3-1. Cada una de tres piezas maquinadas se clasifica como arriba o abajo de las especificaciones de la pieza.
3-2. Cada uno de cuatro bits transmitidos se clasifica como con error o sin error.
3-4. En la fabricación de cinta para grabación digital se usa una prueba electrónica para registrar el número, de
bits con error en un carrete de 350 pies.
3-5. En la fabricación de cinta para grabación digital, cada una de 24 pistas se clasifica de acuerdo a si contiene o
no uno o más bits con error.
3-6. Un amperímetro con pantalla de tres dígitos se usa para medir corriente eléctrica en miliamperes.
3- 7. Una báscula cuya pantalla muestra dos cifras decimales se usa para medir la alimentación de materiales en
una planta química en toneladas.
Medida de la probabilidad
Interpretación de la probabilidad

Con frecuencia resulta conveniente cuantificar la veracidad, o posibilidad, de que ocurrirá un resultado de un
experimento aleatorio. ''Las posibilidades de que llueva hoy son de 30%" es un enunciado que cuantifica nuestro
sentir en cuanto a la posibilidad de que llueva. La veracidad o factibilidad de un resultado se cuantifica asignando
un número del intervalo [0, 1] al resultado (o un porcentaje de 0 a 100%). Los números más altos indican que el
resultado es más factible que los números más bajos. Un cero indica que un resultado no ocurrirá. Un "uno“
indica que un resultado ocurrirá con certeza.

La probabilidad de un resultado puede interpretarse como nuestra probabilidad subjetiva, o grado de creencia,
de que el resultado ocurrirá. Diferentes individuos no dudarán en asignar probabilidades diferentes a los mismos
resultados.
Otra interpretación de la probabilidad se basa en el modelo conceptual de repetir en varias ocasiones el
experimento aleatorio. La probabilidad de un resultado se interpreta como el valor límite de la proporción de
veces que ocurre el resultado en n repeticiones del experimento aleatorio cuando n se incrementa sin
restricciones.
Definición. Para un espacio muestral discreto S de cardinalidad finita y tal que todos los elementos de S
tienen las mismas posibilidades de ocurrir, la probabilidad de un evento 𝐸, denotada como, 𝑃 𝐸 , es igual
#𝐸
𝑃 𝐸 =
#𝑆

Veamos esto con el experimento aleatorio de lanzar un dado:

Ejecutar el código con n=10, 10, 500, 1000,

n = 10;
suma1=0; suma2=0; suma3=0; 10000. Analizar los resultados
suma4=0; suma5=0; suma6=0;
for j=1:n
r=randi([1,6],1,1);
if r==1
suma1=suma1+1;
elseif r==2
suma2=suma2+1;
elseif r==3
suma3=suma3+1;
elseif r==4
suma4=suma4+1;
elseif r==5
suma5=suma5+1;
else
suma6=suma6+1;
end
end
A = [suma1/n suma2/n suma3/n suma4/n suma5/n suma6/n];
disp(A)
Interpretación de la probabilidad

Por ejemplo, si se asigna la probabilidad 0.2 al resultado de que hay un pulsación viciada en una señal digital,
podría interpretarse que esta asignación implicaría que, si se analizan muchas pulsaciones, aproximadamente
20% de las mismas estarán viciadas. Este ejemplo proporciona una interpretación de la probabilidad a través
de la frecuencia relativa. La proporción, o frecuencia relativa, de las repeticiones del experimento que
producen el resultado es 0.2. Las probabilidades se eligen de tal forma que la suma de las probabilidades de
todos los resultados de un experimento se acumulen hasta uno. Esta convención facilita la interpretación de la
probabilidad como frecuencia relativa. En la figura se ilustra el concepto de frecuencia relativa.

Ejemplo: Se seleccionará un diodo láser, al azar, de un lote de 100. El espacio muestral es el conjunto de 100
diodos. La expresión "al azar" implica que es razonable suponer que cada diodo del lote tiene una posibilidad
igual de ser seleccionado. Como la suma de las probabilidades debe ser igual a uno, el modelo de
probabilidad para este experimento asigna la probabilidad de 0.01 a cada uno de los 100 resultados.
Axiomas de probabilidad

Axiomas de probabilidad

Estos axiomas implican los

siguientes resultados
Respuestas:
Ejercicios de la sección 3.2
REGLAS DE ADICIÓN

Centro de máquina-herramienta
De deposición electrónica
No sí

Contaminación No 514 68
alta Sí 112 246

Tabla. Obleas en un proceso de fabricación de semiconductores

Ejercicio: trabajar en
diagrama de venn
Ejercicios de la sección 3.3. Páginas 72-73
PROBABILIDAD CONDICIONAL

10%
90%
SIN Imperfecciones
superficiales

Imperfecciones
Funcionalmente superficiales
defectuosas 5%
25%

Funcionalmente
defectuosas
 10% 90%
SIN Imperfecciones
superficiales

Imperfecciones
Funcionalmente superficiales 5%
defectuosas
25%

Funcionalmente
defectuosas
al azar implica
 S
A

B A
A
Molécula 1
presente
No sí
Molécula 2 No 212 24 236
presente Sí 18 12 30

B 230 36 266
Ejercicio: Consideremos el siguiente experimento aleatorio
E =‘’”Se lanza un dado equilibrado 2 veces”
Entonces S = { 𝑥, 𝑦 : 𝑥, 𝑦 = 1,2,3,4,5,6}

Solución:
Consideremos los siguientes eventos: Gráficamente

6
A
𝐴 = “La suma de los dos resultados es mayor a 6”

5
#Ω = 36 # = 21
𝐵 = “El resultado del primer lanzamiento es 3”

3 4
21
Tenemos que 𝑃 𝐴 = = 7/12

2
36
Mientras

1
𝑃(𝐴⋂𝐵) 3/36
𝑃 𝐴𝐵 = = = 1/2 1 2 3 4 5 6
𝑃(𝐵) 6/36
B
#𝐵 = 6
Ejercicios de la sección 3.4. Páginas 77-78
REGLAS DE MULTIPLICACIÓN Y DE PROBABILIDAD TOTAL

Regla de multiplicación

Temperatura del motor

Baja temp.
5.0%
B
Alta temp.

Corriente de carga
A
Baja Alta
70%
Regla de probabilidad total

A A’

𝐴 ∩ 𝐵 𝐴′ ∩ 𝐵
B
 A A’
𝐴∩𝐹
𝐴′ ∩ 𝐹
F

𝐸1 𝐸2
B 𝐸3
𝐵 ∩ 𝐸1
𝐵 ∩ 𝐸2
𝐵 ∩ 𝐸3 𝐸4
𝐵 ∩ 𝐸4
Este problema también se resuelve convenientemente utilizando el diagrama de árbol
Ejercicios de la sección 3.5. Páginas 82-83
INDEPENDENCIA
 A
Molécula 1
presente
No sí

Molécula 2 No 32 24
presente Sí 16 12

B
 0.95
a b
0.95
Ejercicios de la sección 3.6. Páginas 87-89
Teorema de Bayes
El siguiente resultado permite llevar a cabo un cambio en el orden en el que se consideran los eventos en la
probabilidad condicional. Es decir, podemos relacionar la probabilidad de que un evento B ocurra sabiendo que
ocurrió A, con la probabilidad de que ocurra lo contrario, es decir, que ocurra A dado B.

Teorema de Bayes

Demostración: vamos a empezar por el lado izquierdo

Por definición de probabilidad condicional

Del teorema de probabilidad total

Bayes, Thomas (1763). «An Essay towards solving a Problem in the Doctrine of Chances.».
Philosophical Transactions of the Royal Society of London 53: 370-418. doi:10.1098/rstl.1763.0053
Ejemplo 1: Supongamos que tenemos dos urnas de la siguiente forma

Urna 1 Urna 2
Vamos a considerar que el experimento aleatorio consiste de lo siguiente:

E = ‘’”Se selecciona una urna al azar y de ella se escoge una bola al azar”

Entonces, tenemos la siguiente pregunta:

¿si la bola seleccionada fue roja, cuál es la probabilidad de que provenga de la urna 2?

Solución:
Nos conviene definir los siguientes eventos:

𝑈1 = “Se selecciona la urna 1” Definiendo estos eventos de está manera podemos traducir
𝑈2 = “Se selecciona la urna 2” la pregunta planteada en la siguiente probabilidad.
𝑅 = “Se escoge bola roja” 𝑃 𝑈2 𝑅 =?

Entonces, por el Teorema de Bayes, podemos escribir es probabilidad de la siguiente forma:

Observemos que para este experimento aleatorio el

espacio muestral puede escribirse como:
Ω = { 𝑥, 𝑦 : 𝑥 = 1,2. 𝑦 = 𝑟, 𝑎}
Valores asociados
a los colores
Ejemplo 2: Supongamos que tenemos un canal de comunicación binario ruidoso, y a través del canal se
envían los dígitos binarios 0 y 1 con idéntica probabilidad de ½ cada uno.

0.9
0 0 Definamos los siguientes eventos:
0.1
0.2
𝐸0 = “se envía un cero”
1 0.8 1 𝑅0 = “se recibe un cero”

bit de bit de Entonces sabemos lo siguiente: 𝑃 𝑅0 |𝐸0 = 0.9 y queremos saber

entrada salida
𝑃 𝐸0 |𝑅0 =?

El espacio muestral para este experimento aleatorio consiste de las parejas 𝑥, 𝑦 en donde 𝑥
es el bit de entrada y 𝑦 es el bit de salida:

Ω= 𝑥, 𝑦 : 𝑥 = 0,1. 𝑦 = 0,1 = { 0,0 , 0,1 , 1,0 , (1,1)}

𝐸0 𝐸0𝑐 se envía un 1
Simulaciones:
Ejemplo: La empresa XX tiene una planta de fabricación de teléfonos móviles. Se sabe que el 30% de los
teléfonos fabricados en dicha planta son defectuosos. Si un teléfono es defectuoso, la probabilidad de que
un robot del Departamento de Calidad de la empresa lo detecte es 0.9 y si no es defectuoso, la
probabilidad de que el robot lo considere defectuoso y lo saque de producción es de 0.2. Si un cliente
compra dos teléfonos que no han sido sacados de la cadena de producción, ¿cuál es la probabilidad de
que sean ambos no defectuosos?

Solución: definamos los siguientes eventos

𝐴 = “ser defectuoso”
𝑅 = “el robot dice que es defectuoso”

𝑃(𝐴) = 0.3, 𝑃 𝐴𝑐 = 1 − 𝑃 𝐴 = 0.7, Se tiene entonces que la probabilidad de que un

𝑃 𝑅 𝐴 = 0.9, 𝑃 𝑅𝑐 𝐴 = 0.1, teléfono que no haya sido sacado de la cadena
𝑃(𝑅|𝐴𝑐 ) = 0.2 𝑃(𝑅𝑐 |𝐴𝑐 ) = 0.8 de producción sea no defectuoso es:
𝑐 𝑐
𝑃 𝑅𝑐 𝐴𝑐 𝑃(𝐴𝑐 )
𝑃 𝐴 |𝑅 =? =
𝑃(𝑅𝑐 )
 Simulaciones:
% Codigo para aplicar el Teorema de Bayes al Ejemplo
% de la fabricacion de telefonos.
% GECS. marzo-2019
%
n = 1000000; % fabricación de n moviles
num_Def = 0.3*n; % (30%) defectuosos
num_NoDef = 0.7*n; % (70%) no defectuosos

% Creamos el vector M, formado por los vectores DEF, y NDEF,

% que toma valor 1 si el movil fabricado es defectuoso y 0 si no lo es.
DEF = repmat(1,num_Def,1);
NDEF = repmat(0,num_NoDef,1);
M = [DEF ; NDEF];

% Se generan numeros aleatorios, de tamaño num_Def y num_NoDef

u_Def = rand(num_Def,1);
u_NoDef = rand(num_NoDef,1);

% Mediante la condicion booleana, y con las probabilidades

% P(R|A)=0.9 y P(R|Ac)=0.2, con:
% A (tlf defectuoso) R (el robot dice que es defectuoso).
% Para el vector de defectuosos (u_Def):
R_Def = 1*(u_Def <= 0.9) + 0*(u_Def > 0.9);
% y para P(R|Ac)=0.2 y P(Rc|Ac)=0.8 tenemos
R_NoDef = 1*(u_NoDef <= 0.2) + 0*(u_NoDef > 0.2);
% Ahora, generamos el vector R, con valor (1) para cuando el robot a dicho
% que es defectuoso y cero (0) cuando el robot a dicho que no es defectuoso
R = [R_Def; R_NoDef];
% Se crea una matriz que contiene en la primera columna el vector
% M y en la segunda el vector R. Por tanto la probabilidad P(Ac|Rc)
% se puede aproximar contando las veces que R=0 y M=1 (utilizar find).
resultados = [M R];
XX = resultados(find(resultados(:,2)==0));
% finalmente con tabulate ValueCount Percent
tabulate(XX)
0 559407 94.90%
1 30054 5.10%
Ejercicios de la sección 3.7. Páginas 90-91
 PROXIMO TEMA:

VARIABLES ALEATORIAS (introducción al siguiente tema)