You are on page 1of 83

PROBABILIDAD

Frecuentemente se escuchan preguntas como:

¿Cuál es la probabilidad de que me saque la


lotería ?
¿Qué posibilidad hay de que me pase un accidente
automovilístico ?
¿Qué posibilidad hay de que hoy llueva? para
llevar mi paraguas o no.
¿Existe alguna probabilidad de que repruebe
Estadística ?,
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 de
interpretar la probabilidad.
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 Determinísticos.

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. 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, si sus resultados no son


constantes.

Puede ser efectuado cualquier número de veces


esencialmente en las mismas condiciones.
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, s, pertenece a
un conjunto conocido previamente de
resultados posibles.
Ejemplos:

Tirar dardos en un blanco determinado


Lanzar un par de dados
Obtener una carta de una baraja
Lanzar una moneda
Otros ejemplos de eventos:

A: que al nacer un bebe, éste sea niño

B: que una persona de 20 años,


sobreviva 15 años más.

C: que la presión arterial de un adulto


se incremente ante un disgusto
Probabilidad e Inferencia.

Se presentan dos candidatos al cargo de la


presidencia, y se desea determinar si el
candidato X puede ganar.

Población de interés: Conjunto de respuestas de los


estudiantes que votarán el día de las elecciones.

Criterio de que gane: Si obtiene más del 50% de


los votos.
Supóngase que todos los estudiantes UPT van a
las urnas y se elige de manera aleatoria, una
muestra de 20 estudiantes.

Si los 20 estudiantes apoyan al candidato

¿Qué concluye respecto a la posibilidad que tiene


el candidato X de ganar las elecciones ?
1. EL CANDIDATO X GANARÁ

2. EL CANDIDATO Y GANARÁ

3. NO SE PUEDE CONCLUIR NADA


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 }
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

Ac = { s �W tal que s �A}


Operaciones Básicas con Eventos Aleatorios

Ya que los eventos aleatorios son subconjuntos del


conjunto Ω, 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

UNIÓN AB Unión de eventos originales: es el


evento que sucede si y solo si A
sucede o B sucede o ambos
suceden
INTERSECCIÓN 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.
Gráficamente estas operaciones se pueden
representar a través de los diagramas de Venn.
Sea Ω el espacio muestral, A y B eventos tal que
A, B  Ω gráficamente se puede expresar como:

A B

Fig. 1 Los eventos A y B no tienen elementos del espacio muestral en común.


A B

Fig 2. Los eventos A y B tienen elementos del espacio muestral en común.


De acuerdo a lo indicado en las figuras 1 y 2, la
unión de dos eventos se presenta de dos formas
diferentes: cuando los eventos son mutuamente
exclusivos (que no tienen elementos en común) y
cuando entre los eventos hay elementos comunes.

Definición.Se dice que dos eventos A y B son


mutuamente exclusivos, cuando no pueden ocurrir
simultáneamente, es decir, A  B = , lo que
ocurre en la fig. 1.
B

1
A 3
4
5
2
6 C
B

1
A 3
4
5
2
6 C

A  B={ 1, 3, 5 }  { 3, 4 } = {3}, N(AB) = 1


A  C={ 1, 3, 5 }  { 2,4,6 } = { }, N(A  C) = N{ } = 0
B  C={ 3, 4 }  { 2, 4, 6 } = {4}, N(B  C) = 1
(A  B)  C = ({ 1, 3, 5 }  { 3, 4 })  { 2,4,6 }= {3} { 2,4,6 }={ },
N((A  B)  C) = N{ } = 0
A  (B  C) = { 1, 3, 5 }  ({ 3, 4 }  { 2,4,6 })= { 1, 3, 5 }  { 4 }={ },
N(A  (B  C)) = N{ } = 0
B

1
A 3
4
5
2
6 C

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

1
A 3
4
5
2
6 C

Ac = { 2, 4, 6} = C N(Ac ) = N( C )= 3
Bc = {1, 2, 5, 6 } N(Bc ) = 4
Cc = {1, 3, 5 } = A N(Cc ) = N(A) = 3
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 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.
Esto es:
N ( A)
P ( A) = (2)
N (W)
donde
N(A) = número de elementos del evento A
N(Ω) = número de elementos del espacio
muestral Ω.
Probabilidad clásica.
Sea Ω un espacio muestral cualquiera y A un evento de
ese espacio. Se define la probabilidad P del evento
A, como:

NCF
P( A) =
NCT
donde
NCF - número de casos favorables
NCT - número de casos totales
Ejemplo:

Experimento.- Se lanza una moneda


Evento A.- que al lanzar una moneda caiga sello.
Calcular la probabilidad de A:
Ω = { c, s}, N(Ω) = 2
A = { s }, N(A) = 1

N ( A) 1
P( A) = = = .5
N (W ) 2
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.
Axioma 1. Sea Ω un espacio muestral cualquiera y
A un evento, tal que A  Ω, entonces se cumple
que
0  P(A)  1

Si es igual a 1 se llama evento seguro, y cuando es


cero se llama evento imposible.

P(A)
___________________________________
•-2 -1 0 1 2
Axioma 2.- La probabilidad del espacio muestral Ω es
un evento seguro, es uno
P(Ω) = 1

Ejemplo.
Experimento. Se lanza un dado
Si A =Ω, es decir si el evento A coincide o es igual al
espacio muestral, entonces.

N ( A) N ( S )
P( A) = = =1
N (W ) N ( W)
Teorema 1. Si  es el conjunto vacío,
entonces la probabilidad de  es igual a 0
N (�)
P (�) = =0
N (W )

Ejemplos:
Una persona que quiere ganar la lotería, 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
Axioma 3. Sea Ω un espacio muestral cualquiera
y sean A y B dos eventos tales que
A  Ω, B  Ω y A  B = , es decir, dos eventos
mutuamente exclusivos, entonces
P(A  B) = P(A) + P(B).

A B

A B
Ejemplo:
Experimento: Se lanzan dos monedas Ω = { cc, ss, cs, sc}
N(Ω) = 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 = {cs, sc}
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)
N ( A) 1
P( A) = =
N (W) 4
N ( B) 2
P( B) = =
N (W) 4
1 2 3
P( A �B ) = P ( A) + P ( B ) = + =
4 4 4
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.
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
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 ( W) 6
N ( B) 2
P( B) = =
N ( W) 6
N (C ) 2
P(C ) = =
N (W ) 6
2 2 2 6
P( A �B �C ) = P ( A) + P ( B ) + P (C ) = + + = = 1
6 6 6 6
Teorema 2.(Ley Aditiva de la Probabilidad). Sean
A y B dos eventos no excluyentes, A  B  ,
entonces
P(A  B) = P(A) + P(B) - P(A  B)

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

A
B

A- B
Ejemplo.
Experimento. Se lanza un dado y una moneda
Ω = {1c, 2c, 3c, 4c, 5c, 6c, 1s, 2s, 3s, 4s, 5s, 6s }
N(Ω) = 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 = { 2c } N(A  B ) = 1
P(A  B) = P(A) + P(B) - P(A  B)
= 2/12 + 3/12 – 1/12 = 4/12 = 1/3
Teorema 3.Sea A un evento cualquiera y Ω un
espacio muestral, tal que A Ω, si Ac es el
complemento del evento A, entonces la
probabilidad de Ac es igual a 1 menos la
probabilidad de A, es decir

P(Ac) = 1 – P(A)
Experimento.- Se lanza un dado y una moneda
Ω = {1c, 2c, 3c, 4c, 5c, 6c, 1s, 2s, 3s, 4s, 5s, 6s }
N(Ω) = 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
Ac = { 1c, 4c, 5c, 6c, 1s, 2s, 3s, 4s, 5s, 6s }
P(Ac) = 1 – P(A) = 1 – 2/12 = 10/12
Bc = { 1c, 3c, 5c, 1s, 2s, 3s, 4s, 5s, 6s }
P(Bc) = 1 – P(B) = 1 – 3/12 = 9/12
Probabilidad Condicional.

Sea A un evento arbitrario de un espacio


muestral Ω, 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 )
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 Condicional.

Ley Multiplicativa de la Probabilidad.

Ya que (AE) = (EA) y despejamos a P(AE), se tiene


que la probabilidad de la intersección es:

P( A  E )
P( A / E ) =
P( E )
P ( E  A)
P ( E / A) =
P ( A)
P( A  E ) = P( A / E ) P( E )
= P( E/A ) P( A )
Probabilidad Condicional.

Si A y B son independientes:

P( A  E ) = P( A / E ) P( E ) = P( A) P( E )
= P( E/A ) P( A ) = P(E)P(A)

P( A  E ) P( A) P( E )
P( A / E ) = = = P( A)
P( E ) P( E )
P( E  A) P( E ) P( A)
P( E / A) = = = P( E )
P ( A) P( A)
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.

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
Otra forma de calcular las probabilidades de la
intersección y las probabilidades condicionales, de
dos eventos A y B, tal que
A  AC = Ω
B  BC = Ω
es elaborando primero la tabla de número de
elementos de los eventos y después la tabla de sus
probabilidades.
Se tienen los eventos A y B y sus complementos
Ac, Bc

B Bc Total

A AB ABc A

Ac AcB AcBc Ac

Total B Bc Ω
Tabla de número de elementos de A, B y sus
complementos Ac, Bc

B Bc Total

A N(AB) N(ABc) N(A)

N(AcB) N(AcBc) N(Ac)


A c

Total N(B) N(Bc) N(Ω)


Tabla de probabilidades de A, B, Ac, Bc y sus
intersecciones

B Bc Total

A P(AB) P(ABc) P(A)

Ac P(AcB) P(AcBc) P(Ac)

Total P(B) P(Bc) P( Ω)


Probabilidades condicionales:

P(A/B) = P(A  B)/P(B)


P(B/A) = P(A  B)/P(A)
P(A/Bc) = P(A  Bc)/P(Bc)
P(B/Ac) = P(Ac  B)/P(Ac)
P(Ac/B) = P(Ac  B)/P(B)
P(Bc/A) = P(A  Bc)/P(A)
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 ?:
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 Ω

Desempleados Empleados Total


D E

Mujeres 800 3200 4000


M

Hombres 200 3800 4000


H

Total 1000 7000 8000


Tabla de Probabilidades

D E Total
M 800/8000 = .1 3200/8000= .4 4000/8000= .5

H 200/8000= .025 3800/8000= .475 4000/8000= .5

Total 1000/8000= .125 7000/8000= .875 8000/8000= 1


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
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
Por tanto los eventos M y E ,
D y H,
M y D,
EyH
son dependientes.
Ley general Multiplicativa para n
eventos

P( A1 I A2 I A3 I ... I Ak ) = P( A1 ) P( A2 \ A1 ) P( A3 \ A1 I A2 )...P( Ak \ A1 I A2 I ... I Ak -1 )

INDEPENDENCIA DE n EVENTOS

P( A1 I A2 I A3 I ... I Ak ) = P ( A1 ) P ( A2 ) P ( A3 )...P ( Ak )
Probabilidad total.-
Sean A1, A2, A3..., An eventos disjuntos
(mutuamente excluyentes), que forman una
partición de Ω. Esto es Ai  Aj =  para
toda i y toda j, y además
Ω = A1  A2  A3  An
A2
A5
A3
A1 A4

A6

An
Y sea E otro evento tal que E  Ω y E  Ai  

A2
A5
A3
A1 A4

E
A6

An

E
Entonces
E = Ω  E = (A1  A2 A3 An)  E
= (A1  E) (A2  E) (A3 E)
 (An E)

Al aplicar la función de probabilidad a ambos eventos,


se tiene que:
P(E) = P(A1E) + P(A2E) +P(A3E) ++P(An E)

Ya que (Ai  E) es ajeno a (Aj  E) para i ≠ j


Como (Ai  E) = (E  Ai) entonces
P(Ai  E) = P(E  Ai) = P(E/Ai) P(Ai)

Entonces la probabilidad completa de E es:

P(E) = P(E/A1) P(A1) + P(E/A2) P(A2) +


P(E/A3)P(A3)+...+ P(E/An) P(An)
Ejemplo.
En una pequeña empresa de tejidos se obtiene su
producción con tres máquinas hiladoras M1, M2 y
M3 que producen respectivamente 50%, 30% y el
20% del número total de artículos producidos.
Los porcentajes de productos defectuosos
producidos por estas máquinas son 3%, 4% y 5%.
Si se selecciona un artículo al azar, ¿ Cuál es la
probabilidad de que el artículo sea defectuoso ?
Sea
D el evento: Que sea un artículo defectuoso.
P(M1) = .50 P(D/M1) = .03
P(M2) = .30 P(D/M2) = .04
P(M3) = .20 P(D/M3) = .05

P(D) = P(D/M1) P(M1) + P(D/M2) P(M2) +


P(D/M3) P(M3)
= .03(.50) + .04(.30) + .05(.20) = 0.037
P(D/M1)=.03
D P(M1)*P(D/M1)=.5*.03=.015
P(M1)=.50 M1
ND
P(ND/M1)=.97

P(D/M2)=.04 P(M2)*P(D/M2)=.3*.04=.012
D
P(M2)=.30 M2
P(ND/M2)=.96 ND

P(D/M3)=.05
D P(M1)*P(D/M1)=.2*.05=.01
P(M3)=.20 M3
ND
P(ND/M3)=.95
P(D) = .015+.012+.01=.037
Teorema de Bayes.- Supóngase que A1, A2, A3,...,An
es una partición de un espacio muestral Ω. En cada
caso P(Ai) ≠ 0. La partición es tal que A1, A2, A3,...,An,
son eventos mutuamente exclusivos. Sea E cualquier
evento, entonces para cualquier Ai,

P( Ai ) P( E / AI )
P( Ai / E ) =
P( A1 ) P( E / A1 ) + P( A2 ) P( E / A2 ) +  + P( An ) P( E / An )
Como la probabilidad completa de E es :

P(E) = P(A1 )P(E/A1 ) + P(A2 )P(E/A2 ) +  + P(An )P(E/An )


entonces
P( Ai ) P( E / AI )
P( Ai / E ) =
P(E)
Ejemplo.-
En una pequeña empresa de tejidos se obtiene su
producción con tres máquinas hiladoras M1, M2 y
M3 que producen respectivamente 50%, 30% y el
20% del número total de artículos producidos.
Los porcentajes de productos defectuosos
producidos por estas máquinas son 3%, 4% y 5%.
Supóngase que se selecciona un artículo al azar y
resulta ser defectuoso. ¿Cuál sería la
probabilidad de que el artículo haya sido
producido por la máquina M1?
Sea
D: Que el artículo sea defectuoso
ND: Que el artículo no sea defectuoso
M1: Que haya sido producido por la máquina 1
M2: Que haya sido producido por la máquina 2
M3: Que haya sido producido por la máquina 3

P(M1) = .50 P(D/M1) = .03


P(M2) = .30 P(D/M2) = .04
P(M3) = .20 P(D/M3) = .05
P(D/M1)=.03
D P(M1)*P(D/M1)=.5*.03=.015
P(M1)=.50 M1
ND
P(ND/M1)=.97

P(D/M2)=.04 P(M2)*P(D/M2)=.3*.04=.012
D
P(M2)=.30 M2
P(ND/M2)=.96 ND

P(D/M3)=.05
D P(M1)*P(D/M1)=.2*.05=.01
P(M3)=.20 M3
ND
P(ND/M3)=.95
P(D) = .015+.012+.01=.037
Por teorema de Bayes se tiene:

P( M 1 ) P( D / M 1 )
P ( M 1 / D) =
P( M 1 ) P( D / M 1 ) + P( M 2 ) P( D / M 2 ) + P( M 3 ) P( D / M 3 )
P( M 1 ) P( D / M 1 ) (.50)(.03)
= = = .4054
P ( D) .037

La probabilidad de que el artículo defectuoso se


haya producido en la M1 es del 40.54%