P

R
O
B B
A I
D L
E
S «El Lenguaje de la incertidumbre»
OBJETIVO DE LA SESIÓN
En esta parte se introducirá de manera clara y concreta la teoría de las
probabilidades y su aplicación en entornos inciertos.

Temas específicos:
1. Probabilidades (Experimento, V. aleatoria, Ω, Eventos)
2. Propiedades y Métodos para el calculo de las probabilidades.
3. Conteo
4. Teoría de conjuntos y probabilidades.
5. El Teorema de Bayes.
6. Independencia Estadística.
7. Distribuciones de Probabilidad
PROBABILIDAD
Conceptos Básicos
Valor numérico que representa la chance o la posibilidad que un
determinado evento ocurra. La notación que se utiliza es P(A).

En el ejemplo anterior se
Lanzar un dado
pueden definir como
eventos: Evento1 = {6},
Evento2 = {1,3}.
Evento Experimento

Espacio Variable
Muestral Aleatoria
En el caso del lanzamiento Al lanzar el dado se
del dado, el espacio conoce que los
muestral estará́ dado por: resultados posibles son
{1, 2, 3, 4, 5, 6}. 1,2,3,4,5, o 6.
Fuente Bibliográfica: Ronald M. Weiers, P. 162
 PROBABILIDAD

Experimento

Los experimentos manipulan tratamientos, estímulos,

influencias o intervenciones (denominadas variables
independientes) para observar sus efectos sobre otras
en la figura 7.2.
variables (las dependientes) en una situación de control.
PROBABILIDAD

Experimento

Es aquella acción tal que, bajo determinado conjunto similar de

condiciones iniciales, no siempre da el mismo resultado. Es lo
contrario a un experimento determinista, donde se conoce el
resultado antes de realizar la acción (conocimiento a priori).
Comúnmente se le denota a un experimento aleatorio con ε.
PROBABILIDAD

Experimento - Condiciones

a) Debe tener más de un posible resultado el cual no se puede

predecir con seguridad.
b) Es posible describir el conjunto de todos los resultados posibles.
c) Puede repetirse infinitas veces.
PROBABILIDAD

Ejemplo de experimento
A continuación se presentan algunos experimentos
aleatorios:

i. Lanzar un dado y observar el lado superior.

ii. Elegir 2 artículos de una línea de producción y observar
si son defectuosos o no defectuosos.

iii. Seleccionar a un elector y determinar su candidato

presidencial preferido entre dos candidatos posibles.
PROBABILIDAD
Variable Aleatoria
PROBABILIDAD
Variable Aleatoria
PROBABILIDAD
Variable Aleatoria
PROBABILIDAD
Variable Aleatoria
PROBABILIDAD
Variable Aleatoria
PROBABILIDAD
Variable Aleatoria
PROBABILIDAD
Variable Aleatoria
Tipos

Una variable aleatoria X es Una variable aleatoria X es

discreta si sus valores continua si sus valores
constituyen un conjunto pertenecen a los números
contable o numerable; tales reales. Puede ser un intervalo,
como los presentados en los una unión de intervalos o todos
ejemplos 1, 2 y 3. El conjunto los reales; tal es el caso del
contable puede ser finito o ejemplo 4 (tiempo de demora
infinito. en responder un examen),
donde RX = {x / 0 < x ≤ 90}
minutos.
PROBABILIDAD
Espacio Muestral 
Es el conjunto formado por todos los posibles resultados
de un experimento aleatorio.

Ejemplos:

1. Lanzar un dado:  = {1, 2, 3, 4, 5, 6}

2. Extraer al azar un naipe:

 ={1T, 2T, 3T, ..., 13D}
(52 posibles resultados)
PROBABILIDAD
Espacio Muestral 
Ejemplos de 

1. Plantar dos semillas y observar si cada una germina o no:

 = {GG, NG, GN, NN}

2. Observar tiempo de vida útil de un celular (en horas):

=[0, )

3. El tiempo, con relación al calor, que hará durante tres días

consecutivos :
 ={CCC, CCN, CNC, NCC, CNN, NCN, NNC, NNN}
PROBABILIDAD
Espacio Muestral 
Ejemplos de 
1. Plantar dos semillas y observar si cada una germina o no:
 = {GG, NG, GN, NN}

2. Observar tiempo de vida útil de un celular (en horas):

=[0, )

3. El tiempo, con relación al calor, que hará durante tres días

consecutivos :
 ={CCC, CCN, CNC, NCC, CNN, NCN, NNC, NNN}
 PROBABILIDAD
Clasificación

Discreto: Continuo:
Si contiene un
Si
El número de elementos de un Ω es denotado por n(Ω).
número finito o contiene un
infinito número infinito
numerable de no numerable
elementos de elementos.

El número de elementos de un Ω es denotado por n(Ω).

 PROBABILIDAD 

Ejemplos de 

El número de elementos de un Ω es denotado por n(Ω).

 PROBABILIDAD
Suceso
Cada elemento del espacio muestral (Ω) se denomina suceso
y se designa por w.
En todo espacio muestral se observa que:
a. Cada w que pertenece a Ω es un resultado del experimento aleatorio.
b. Aa.
cadaCada w que
resultado del pertenece
experimentoaaleatorio
Ω es unleresultado del
corresponde un,experimento
y solo un,
w ∈ Ω. aleatorio.

b. A cada resultado del experimento aleatorio le corresponde un,

y solo un, w ∈ Ω.
 PROBABILIDAD
Evento

Un evento es cualquier subconjunto del espacio

muestral
a. Cada (Ω).Un
w que pertenece evento
a Ω es es denotado
un resultado por aleatorio.
del experimento letras latinas
en resultado
b. A cada mayúsculas: A, B, aleatorio
del experimento C, etc.,le y la cantidad
corresponde total
un, y solo un, de
w ∈ Ω.elementos que conforman un evento es denotado por

n(A).
 PROBABILIDAD
Eventos Especiales

a. Cada w que pertenece a Ω es un resultado del experimento aleatorio.

b. A cada resultado del experimento aleatorio le corresponde un, y solo un,
w ∈ Ω.
 PROBABILIDAD
Eventos Especiales

a. Cada w que pertenece a Ω es un resultado del experimento aleatorio.

b. A cada resultado del experimento aleatorio le corresponde un, y solo un,
w ∈ Ω.
 PROBABILIDAD

Ejemplos de eventos especiales

En relación al experimento aleatorio de lanzar un dado y
observar el lado superior, se definen los siguientes eventos:

a. Cada w que pertenece a Ω es un resultado del experimento aleatorio.

b. A cada resultado del experimento aleatorio le corresponde un, y solo un,
w ∈ Ω.
 PROBABILIDAD

Ejemplos de eventos especiales

Con los eventos así definidos, se procede a identificar a cada
uno de los eventos especiales señalados:

a. Cada w que pertenece a Ω es un resultado del experimento aleatorio.

b. A cada resultado del experimento aleatorio le corresponde un, y solo un,
w ∈ Ω.
 PROBABILIDAD

Ejemplos de eventos especiales

Una empresa constructora se encuentra evaluando si se
presenta a alguna de 3 licitaciones; un evaluador brindará su
recomendación sobre las licitaciones a cuáles presentarse,
donde la decisión por cada de ellas puede ser: Sí se presenta a
a. la
Cada
licitación (S) oa ΩNo
w que pertenece es unse
resultado del experimento
presenta (N), de aleatorio.
tal forma que el
b. A cada resultado del experimento aleatorio le corresponde un, y solo un,
espacio muestral queda definido de la siguiente forma:
w ∈ Ω.

Ω = {NNN, NNS, NSN, NSS, SNN, SNS, SSN, SSS}

Se definen los siguientes eventos en relación a la

recomendación sobre las tres licitaciones a presentarse:
 PROBABILIDAD

a. Cada w que pertenece a Ω es un resultado del experimento aleatorio.

b. A cada resultado del experimento aleatorio le corresponde un, y solo un,
w ∈ Ω.
 PROBABILIDAD
Con los eventos así definidos, se procede a identificar a cada
uno de los eventos especiales señalados:

a. Cada w que pertenece a Ω es un resultado del experimento aleatorio.

b. A cada resultado del experimento aleatorio le corresponde un, y solo un,
w ∈ Ω.
PROBABILIDAD
Tipo de Evento
Dos eventos son mutuamente
excluyentes si la ocurrencia de un
evento excluye la ocurrencia de otro. A B
A B=A+B A B=

Los eventos colectivamente

exhaustivos son aquellos que A1 A3 A2
poseen la propiedad de que al menos
uno ellos debe ocurrir.
A1  A2  A3 = Ω

Los eventos mutuamente excluyentes y

colectivamente exhaustivos son
A
B
aquellos que:
Ai  Aj =   i  j, y C
A1  A2 ...  An = Ω
A B=A C=B C= 
y ABC=Ω
EJEMPLO
Anotar el número de televisores vendidos durante la última semana en una tienda de
electrodomésticos.
Eventos:
A= La ultima semana se vendió menos de 5 televisores
B= La última semana se vendió 25 televisores
C= La última semana se vendió mínimo 8 televisores
Se Pide
1. Describa los eventos AUB, AUC y AC
2. ¿ Los eventos A y B son mutuamente excluyentes?
3. Encuentre los eventos complementarios de A y C
Solución
 = {0, 1, 2, 3, 4,…, N}, N=stock disponible
Los eventos A y B están formados por los eventos elementales:
A = {0, 1, 2, 3, 4}
B = {25}
C= {8, 9, 10, …, N}
A partir de estos conjuntos, tenemos:
1. AUB = {0, 1, 2, 3, 4, 25}
AB = Ø
2. Al ser AB = Ø, los eventos A y B son mutuamente excluyentes.
3. El complemento de A es A´ = {5, 6, 7,…, N}
El complemento de C es C´ = {1, 2, 3, 4, 5, 6, 7}
PROBABILIDAD
Propiedades de las Probabilidades
➢Las probabilidades pueden definirse como un valor numérico que
representa la posibilidad que un determinado evento ocurra.
➢La notación que se utiliza es P(A) y se lee: “la probabilidad que el
evento A ocurra”.
➢En general las probabilidades deben satisfacer las siguientes
características:

Donde A’ se conoce como el complemento del evento A, es decir, la

ocurrencia de cualquier otro evento que no sea el evento A.

Se debe advertir que cuando un evento tiene asociada una probabilidad de 0, se dice que
este evento es un evento imposible. Por otra parte, si la probabilidad de un evento es 1,
se dice que el evento es un evento seguro.
Fuente :Introducción a la Estadística para Negocios, Ronald M. Weiers, P. 162
PROBABILIDAD
Métodos
Método Clásico Método Basado en hi Método Subjetivo

Este método parte del Este método se basa

supuesto que todos los ** "Este método se puramente en la
posibles resultados de un basa en el uso de las experiencia del
experimento tienen la frecuencias relativas analista. En la práctica
misma probabilidad de tratadas en la sección este método es
ocurrencia. Dado este 3 del capítulo 1 y en la bastante empleado,
supuesto, la probabilidad ley de los grandes pero los resultados
que un determinado números." dependerán de cuán
evento ocurra es:
buena sea la decisión
#(A) = CF de una persona, basada
P(A)= en la experiencia.
#() CP
** La ley de los grandes números dice que si las frecuencias relativas han sido calculadas basadas en un gran número
de observaciones, esas frecuencias relativas se aproximaran a las probabilidades asociadas a la ocurrencia de un
evento en particular.
En estos casos, X representa el número de ocasiones en que un evento ocurre en una de- terminada clase e Y
representa el número total de observaciones.
PROBABILIDAD
Método Clásico
¿ Cuanto es, La probabilidad
de obtener seis al lanzar un
dado sería ?

Este método parte del

supuesto que todos los Se define el evento A como el número {6} en el
posibles resultados de
lanzamiento del dado. Entonces X sería igual a 1 (solo
un experimento tienen la
misma probabilidad de hay un número seis en el dado y, por lo tanto, solo existe
ocurrencia. Dado este una forma de sacar ese número) e Y sería igual a 6
supuesto, la probabilidad (todos los valores del dado).
que un determinado
evento ocurra es:
Por lo tanto, la probabilidad de obtener seis al lanzar un
dado sería igual a 1/6.

En estos casos, X representa el número de ocasiones en que un evento ocurre en una de- terminada clase e Y
representa el número total de observaciones.
PROBABILIDAD
Métodos Basado en fi
Si se tiene un listado de 100.000 respuestas de
consumidores respecto a la cantidad de latas de
gaseosa que compran por semana.
** "Este método se
basa en el uso de las
frecuencias relativas
tratadas en la sección
3 del capítulo 1 y en la
ley de los grandes
números."

** La ley de los grandes números dice que si las frecuencias relativas han sido calculadas basadas en un
gran número de observaciones, esas frecuencias relativas se aproximaran a las probabilidades asociadas a la
ocurrencia de un evento en particular.

En estos casos, X representa el número de ocasiones en que un evento ocurre en una de- terminada clase e Y
representa el número total de observaciones.

Fuente :Introducción a la Estadística para Negocios, Ronald M. Weiers, P. 163

PROBABILIDAD
Métodos Basado en fi
Si se tiene un listado de 100.000 respuestas de
consumidores respecto a la cantidad de latas de
gaseosa que compran por semana.

** "Este método se
basa en el uso de las
frecuencias relativas
tratadas en la
sección 3 del capítulo
1 y en la ley de los
grandes números."

¿ Que observas y que conclusiones

puedes sacar de los valores de la
Frecuencias Relativas?
PROBABILIDAD

Las probabilidades es importante y requerido para:

 Análisis de riesgo, administración del riesgo y reducción del riesgo

 Evaluación de proyectos de inversión
 Control de calidad
 Teoría de juegos
 Análisis de sobrevivencia
 Teoría de colas
 Sistemas de seguros
 Bolsa de valores
 Otros
 Las técnicas de conteo ayudaran a determinar el número total de
CONTEO posibles resultados de un determinado experimento.

PRINCIPIO DE
PERMUTACIONES COMBINACIONES
MULTIPLICACIÓN
• Si se tiene un evento que puede • Las permutaciones se refieren • Las combinaciones se refieren
ocurrir de m formas y otro que al número total en que ciertos al número total en que ciertos
puede ocurrir en n formas; el objetos pueden ser objetos pueden ser colocados
número total de posibles colocados en orden. El tipo sin considerar el orden. Esto
resultados en los que ambos de preguntas que se significa que cada objeto
puede ocurrir será́ igual a m x n. responden con las puede aparecer solo una vez
• A esta formula en particular se permutaciones es: ¿Cuantos en el arreglo. El tipo de
le conoce como la regla de tipos de arreglos se pueden preguntas que se responden
factorial para el conteo y se le realizar con n objetos con las combinaciones es:
presenta como n! (1!=1 Y 0!=1) tomados r a la vez, ¿Cuántos tipos de arreglos se
considerando el orden en que pueden realizar con n objetos
son colocados? La formula de tomados de a r a la vez, sin
las permutaciones es: considerar el orden en que
son colocados? La fórmula de
las combinaciones es:

n!=nx(n-1)x(n-2)x(n-3)x…x1

Fuente :Introducción a la Estadística para Negocios, Ronald M. Weiers, P. 186

REPAS
O
¿Qué es la PROBABILIDAD?

¿Qué definiciones básicas intervienen

en las probabilidades?
¿Qué es Ω?
¿Qué es un evento?
¿Tipos de eventos?
¿Propiedades básicas de las PROBABILIDADES?

¿Métodos de calculo de propiedades?

¿Qué diferencia hay entre PERMUTACIONES y COMBINACIONES?
Temas Específicos:
1. Tipos de eventos
2. Diagramas de venn
3. Algebra de eventos
4. Visualización de eventos
5. Unión e Intersección de eventos
6. Ley aditiva
7. Ley multiplicativa
PROBABILIDAD
Introducción
La manera más fácil de empezar a entender las
probabilidades es mediante el uso de algunas
herramientas de la teoría de conjuntos.

Los conceptos que se emplean en esta sección son:

• Intersección y unión de conjuntos.

• Diagrama de Venn
• Algebra de eventos
• Visualización de eventos
• Teoremas de probabilidad
PROBABILIDAD
Unión e Intersección de Eventos

A UB = A o B A  B = A y B

• Representa los elementos que • Representa los elementos que

corresponden a un conjunto o a pertenecen a dos o más conjuntos a
otro(s), es decir, considera todos la vez, es decir, es el conjunto
los elementos (no repetidos) de dos formado por los elementos que
o más conjuntos. tienen en común esos conjuntos.
• Al menos uno de los posibles eventos • Dos o mas eventos ocurren al mismo
ocurre. tiempo.
• Una unión se representa mediante • Tal intersección se presenta
“A o B” o “A o B o C”, dependiendo mediante “A y B” o “A y B y C”,
del numero de eventos. dependiendo del numero de eventos
involucrados.

Fuente :Introducción a la Estadística para Negocios, Ronald M. Weiers, P. 168

PROBABILIDAD
Frecuencias
Unión e Intersección de
Eventos
Edad
(B) (B’)
Menores de 15 15 o Mayores

Hombre (A) 3477 5436 8913

Sexo
Mujer (A’) 1249 1287 2536

4726 6723 11,449

Frecuencias Relativas
Edad
(B) (B’)
Menores de 15 15 o Mayores

Hombre (A) 0.304 0.475 0.779

Sexo
Mujer (A’) 0.109 0.112 0.221

0.413 0.587 1.000

Fuente: Ronald M. Weiers Tabla 5.2, P. 169

Fuente :Introducción a la Estadística para Negocios, Ronald M. Weiers, P. 169

PROBABILIDAD
Frecuencias

Diagramas de Venn
Permiten representar gráficamente las relaciones entre los
diferentes eventos

A A A’ A B

Evento A Complemento de A Unión: A U B

 Ω A B

Evento Nulo Espacio muestral Intersección: AB

PROBABILIDAD
Frecuencias

Algebra de Eventos
◼ AB=BA
◼ (A’)’= A
◼ (A  B)  C = A  (B  C)
◼ (A  B)’ = A’  B’;
◼ A - B=A  B’
◼ A  A’ = 
◼ AΩ=A
◼ A=A
◼ Otros
 PROBABILIDAD
Frecuencias

Visualización de Eventos
Tablas de Contingencia o Tabla de Probabilidad (TP)
Las tablas de contingencia
presentan simultáneamente
información de dos variables.
Pueden expresarse en términos
de frecuencias o en términos de
frecuencias relativas. Diagrama del árbol
Tipo Factor Resultado
Sanguíneo Rh
Diagrama del árbol (DA) + E1:A+
A
- E2:A -
Este diagrama permite la + E3:B+

visualización de problemas B
- E4:B -
secuenciales. Se introducirá́ su uso + E5:AB+

en las siguientes secciones, AB

- E6:AB -
después que se exhiba información + E7:O +
O
adicional. - E8:O -
PROBABILIDAD
Frecuencias

Ejemplos Visualización de Eventos

Un técnico médico registra el tipo sanguíneo y factor Rh de
una persona. Haga una lista de los eventos sencillos del
experimento.

Diagrama del árbol

Tablas de Contingencia Tipo Factor
Resultado
Sanguíneo Rh
o Tabla de Probabilidad + E1:A+
A
- E2:A -
TIPO SANGUINEO + E3:B+
B
Factor Rh A B AB 0 - E4:B -
+ E5:AB+
Negativo A- B- AB- O- AB
Positivo A+ B+ AB+ O+ - E6:AB -
+ E7:O +
O
- E8:O -
TEOREMAS DE PROBABILIDAD
Frecuencias

Regla de la Suma
Ley Aditiva de la Probabilidad

Cuando los eventos Cuando los eventos

son exhaustivos son excluyentes

P(AB)= P(A) + P(B) – P(AB) P(AB)= P(A) + P(B)

Algunas relaciones importantes: Algunas axiomas importantes:

R.1: Si A = Ø  P(Ø)=0 A.1: Para cualquier evento A de ,

R.2: Si A  B  P(A)  P(B) 0 ≤P(A) ≤ 1
A.2: P() = 1



A B A B
Pág.. 173 Pág.. 172

Fuente :Introducción a la Estadística para Negocios, Ronald M. Weiers, P. 171

Ejemplo regla de la suma

En un florero hay 3 claveles, 2 rojos y 1 blanco y 4

rosas, 2 rojas y 2 blancas. Si se elige una flor al azar
¿cuál es la probabilidad de que sea un clavel o una
flor roja?

Claveles
Rosas
 EoΩ
Consideremos los sucesos.
B
A: Se elige un clavel
A B: Se elige un Rosa Roja

La probabilidad pedida es la probabilidad del suceso:

A U B: Se elige un clavel o una flor roja

Como P (A)= 3/7

Como P (B)= 4/7
P (AᴒB)= 2/7

=3/7+ 4/7 - 2/7 =5/7

 PROBABILIDAD
Frecuencias

Regla de la Multiplicación
Probabilidad Probabilidad Probabilidad
Marginal Conjunta Condicional
•Se define como la •Representa la probabilidad Si A y B son dos eventos
posibilidad que un evento que dos o más eventos en  , y P(A)  0,
único ocurra. ocurran simultáneamente. entonces la probabilidad
•En términos de la tabla de •En términos de TC, se de que suceda B dado que
contingencia que a pueden identificar 4 sucedió A, será:
P(A  B)
continuación se presenta, se probabilidades conjuntas: P(B/A)=
tendrían 4 probabilidades P(A  C), P(A  D), P(B  C) P(A)
marginales: P(A), P(B), P(C) y P(B  D) cuyos valores son Es decir, la probabilidad
y P(D) cuyos valores son 0,30; 0,10; 0,30 y 0,30 condicional es el ratio o
0,40; 0,60; 0,60 y 0,40 respectivamente. relación entre la
respectivamente. probabilidad conjunta y la
probabilidad marginal del
evento condicionante.

P(B|A) Probabilidad de que

ocurra el evento B dado que ya
ocurrió el evento A.

52
 Probabilidad
Ejemplo Condicional

La probabilidad de seleccionar aleatoriamente a una persona que no sea un contador,

dado que la persona seleccionada es una mujer, es:

I. Sabemos que:
P(B  D)
P(D/B) = II. Identificando eventos
P(B) D: “Seleccionar a un no contador”.
B: “Seleccionar a una mujer”.
III. Aplicando Prob. Cond.

P(B  D) 0.30
P(D/B) = = = 0.50
P(B) 0.60
 Probabilidad
Ejemplo Condicional

• En el último reporte anual de una gran cadena hotelera se afirmaba que el 72%
de sus trabajadores habla inglés, el 54% habla francés y el 37% habla ambos
idiomas.
• Un turista francés llega a uno de los hoteles de la cadena y la recepcionista lo
saluda amablemente en un inglés muy fluido, ¿qué probabilidad hay de esta
recepcionista pueda conversar con el turista que sólo habla francés?

I. Identificando eventos
A: “La recepcionista habla ingles”.
B: “La recepcionista habla francés”.
II. Sabemos que:
P(A  B) III. Aplicando Prob. Cond.
P(B/A) =
P(A) P(A  B) 0.37
P(B/A) = = = 0.514
P(A) 0.72
Dado que la recepcionista habla inglés, la probabilidad de que pueda comunicarse en
francés con el turista es del 51.4%
 Probabilidad
Ejemplo Conjunta

Suponga que vamos a lanzar una moneda legal y queremos saber la probabilidad de que en
los tres lanzamientos el resultado sea cara. Construya el árbol de probabilidad completa

Lanzamiento 1 Lanzamiento 2 Lanzamiento 3

0.125

0.25
P(s3)=0.5
0.125

0.125
0.5
0.25
Suma=1.00 0.125

0.125
0.5 0.25

0.125
Suma=1.0
0.25
0.125
Suma=1.00

0.125
La P(C1C2C3). A partir de la definición matemática de probabilidad
conjunta de eventos independientes es:
Suma=1.000
 Probabilidad
Ejemplo Conjunta

Suponga que vamos a lanzar una moneda legal y queremos saber la probabilidad de que en
los tres lanzamientos el resultado sea cara. Construya el árbol de probabilidad completa

Lanzamiento 1 Lanzamiento 2 Lanzamiento 3

0.125

0.25 P(s3)=0.5
0.125

0.125
0.5
0.25
Suma=1.00
0.125

0.125
0.5 0.25

0.125
Suma=1.0
0.25
Suma=1.00 0.125

0.125

P(C1C2C3)=P(C1)xP(C2)xP(C3)=0.2x0.5x0.5=0.125
Suma=1.000
Ejemplo Calcular: Interpretar:
Probabilidad Probabilidad Probabilidad
Marginal Conjunta Condicional

fi Edad
(B) (B’)
Menores de 15 15 o Mayores

Hombre (A) 0.304 0.475 0.779

Sexo
Mujer (A’) 0.109 0.112 0.221

0.413 0.587 1.000

Fuente: Ronald M. Weiers Tabla 5.3, P. 178

Probabilidades conjuntas
oP(AyB)=0.304
oP(AyB’)=0.475 Probabilidades Condicionales
oP(A’yB)=0.109 Probabilidades Marginales
oP(A’yB’)=0.112 oP(A)=0.779 oP(A)(B)=P(AyB) = 0.304= 0.736
oP(A’)=0.221 P(B) 0.413
oP(B)=0.413
oP(B’)=0.587 oP(A’)(B’)=P(A’yB’) = 0.112= 0.191
P(B’) 0.587
 REGLA DE LA
MULTIPLICACIÒN
Eventos independientes o dependientes
La ley multiplicativa incluye varias reglas para determinar la probabilidad
de que los eventos ocurran. Existen dos reglas multiplicativas, ¿y cual
aplicar? Depende de si los eventos son independientes o dependientes.

Eventos Eventos
Independientes Dependientes
La ley multiplicativa
generalizada

P(AyB)= P(A) x P(B) P(AyB)= P(A) x P(B/A)

Cuando la ocurrencia de uno NO Cuando la ocurrencia de uno
afecta(rá) la probabilidad de afecta(rá) o cambia la
que ocurra otro. probabilidad de que suceda
otro.
Pág.. 176 Pág.. 177

Fuente: Ronald M. Weiers

 Eventos
Ejemplo Independientes
P(AyB)= P(A) x P(B)

Lanzamiento 1 Lanzamiento 2 Probabilidad Conjunta

Cara =0.5x0.5=0.25

Cara
Sello =0.5x0.5=0.25

Sello
Cara =0.5x0.5=0.25

Sello =0.5x0.5=0.25

Suma=1.0 Suma=1.00 Suma=1.000

Dos lanzamiento de una moneda, implica eventos independientes. La probabilidad de obtener cara en un lanzamiento no
afecta la probabilidad de obtener cara en el siguiente lanzamiento.
 Eventos
Ejemplo Dependientes P(AyB)= P(A) x P(B/A)

Sexo de la victima Edad de la victima Probabilidad Conjunta

B=<15 =0.779x0.390=0.304

B’=≥15 =0.779x0.610=0.475
A=H

P(B/A’)=0.493
B=<15 =0.221x0.493=0.109

A’=M
B’=≥15
=0.221x0.507=0.112
Suma=1.0 Suma=1.00 Suma=1.000

Los eventos son dependientes, de modo que las probabilidades en el segundo nivel de las ramificaciones dependen de la
ocurrencia en el primer conjunto.
 Eventos
Ejemplo Dependientes
P(AyB)= P(A) x P(B/A)

Primer Perno Segundo Perno Probabilidad Conjunta

D2=El 2º es defectuoso
P(D1yD2)
P(D2/D1)=0.111
P(D1)*P(D2/D1)
=0.200x0.111=0.022
D1=El 1º es defectuoso
P(D1)=0.200 P(D1yG2)
G2=El 2º es bueno P(D1)*P(G2/D1)
A=H P(G2/D1)=0.889
=0.200x0.889=0.178
D2=El 2º es defectuoso
P(D2/G1)=0.222
P(G1yD2)
P(G1)*P(D2/G1)
G1=El 1º es bueno
P(G1)=0.800
=0.800x0.222=0.178
A’=M
P(G1yG2)
G2=El 2º es bueno P(G1)*P(G2/G1)
P(G2/G1)=0.778
=0.800x0.778=0.622
Suma=1.0 Suma=1.00 Suma=1.000

Fuente: Ronald M. Weiers, Figura 5.6 5.3, P. 179

Una caja contiene 8 pernos buenos y 2 defectuosos, la probabilidad de que el segundo perno sea defectuoso dependerá
de si el primer perno seleccionado era o no defectuoso. Si el primero es defectuoso, la probabilidad de que el segundo
también lo sea es de P(D2/D1)=0.111
Temas Específicos:
1. Partición muestral (Ω).
2. Regla probabilidad total.
3. Teorema de Bayes.
PROBABILIDAD
Frecuencias

Partición del Espacio Muestral

Los eventos A1, A2, …, Ak constituyen una partición del espacio muestral
(), si son mutuamente excluyentes y colectivamente exhaustivos. Es
decir:
Ai  Aj = Ø, para todo ij

 A1 A2  …  Ak =  ( ó i P(Ai) = 1 )

A1 A2 Ak
PROBABILIDAD
Frecuencias

Regla de la Probabilidad Total

Si k eventos: A1 , A2 ,..., Ak constituyen una partición
del espacio muestral , entonces, para cualquier
evento B en ,
k
P( B) =  P( A ) P( B / A )
i =1
i i

A1 A2 ... Ak

B
 PROBABILIDAD
Frecuencias

Ejemplo Probabilidad Total

Un ensamblador de computadoras usa monitores que provienen de tres proveedores P1, P2
y P3. De 2000 monitores recibidos, 1000 provienen de P1 y 600 de P2. De experiencias
pasadas, el ensamblador sabe que los porcentajes de monitores defectuosos que provienen
de P1, P2 y P3 son respectivamente 3%, 4%, y 5%.
Si se elige una computadora al azar.

1. ¿Cuál es la probabilidad de que tenga un monitor defectuoso?

2.Si contiene un monitor defectuoso, ¿cuál es la probabilidad de que este haya sido
proveído por P3? Proveedores Condición Monitor Probabilidad Total

I. Identificando eventos D 0.03 0.5x0.03=0.015

P1
D: “Monitor defectuoso” D’ 0.97
D 0.04 0.3x0.04=0.012
0.3
II. Sabemos que: P2
D’ 0.96
P(D)=∑P(Ai)P(D/Ai) D 0.05 0.2x0.05=0.01
P3
D’ 0.95
P(D)=∑P(Ai)P(B/Ai)=0.037
1. FRECUENCIA
Edad
B B’
Menores de 15 15 o Mayores

A Hombre 3477 5436 8913

Sexo
A’ Mujer 1249 1287 2536

4726 6723 11,449

2. FRECUENCIAS RELATIVAS

Edad
B B’
Menores de 15 15 o Mayores

A Hombre 0.304 0.475 0.779

Sexo A’ Mujer 0.109 0.112 0.221

0.413 0.587 1.000

Tabla de contingencia de frecuencia y de frecuencia relativa para las victimas de fuegos

artificiales
PROBABILIDAD
Frecuencias

Teorema de Bayes
•Este teorema se utiliza para revisar probabilidades calculadas previamente, usando
nueva información disponible.
•Este teorema es la base de lo que se conoce como la econometría bayesiana, cuyas
aplicaciones en finanzas y economía son múltiples y bastante importantes.
•El teorema de Bayes establece la relación más importante en la teoría de
probabilidades y es de relevancia central en el Análisis de Decisiones, ya que es la base
para la revisión de la asignación de probabilidades a la luz de información adicional.
•Este teorema se deriva fácilmente del concepto de probabilidad condicional. Se utiliza
la información de un segundo evento para revisar la probabilidad de que haya ocurrido
un primer evento.

Probabilidades Teorema Probabilidades

a priori de Bayes a posteriori
Causas Efectos

Información
Nueva
Fuente: Ronald M. Weiers, P. 181
PROBABILIDAD
Frecuencias

Teorema de Bayes
Si k eventos: A1 , A2 ,..., Ak constituyen una partición
del espacio muestral , entonces, para cualquier
evento B en , tal que P( B)  0
P ( Ai ) P ( B / Ai )
P ( Ai / B ) = k
 P( Ai ) P( B / Ai )
i =1


A1 A2 ... Ak

B
PROBABILIDAD
Frecuencias

Ejemplo de teorema de bayes

El parte meteorológico para Puno ha anunciado tres posibilidades
para el fin de semana:
a) Que llueva: probabilidad del 50% (Evento A1)
b) Que nieve: probabilidad del 30% (Evento A2)
c) Que haya niebla: probabilidad del 20% (Evento A3)
Según estos posibles estados meteorológicos, la posibilidad de que
ocurra un accidente es la siguiente:
a) Si llueve: probabilidad de accidente del 20%.
b) Si nieva: probabilidad de accidente del 10%
c) Si hay niebla: probabilidad de accidente del 5%.
Si ocurrió un accidente (Evento B):
1. ¿Cuál es la probabilidad de que haya llovido?
2. ¿Cuál es la probabilidad de que haya nevado?
3. ¿Cuál es la probabilidad de que haya habido neblina?
 PROBABILIDAD
Frecuencias


B

0.2 0.1 0.05

A1: “Que llueva” A2: “Que nieve” A3:”Que halla neblina”

50% 30% 20%
A2 A3 Ak
A1
I. Regla de la probabilidad total II. Teorema de bayes
P(B)=∑P(Ai)P(B/Ai)=0.14
Este dato
P(B)=P(A1)P(B/A1)+P(A2)P(B/A2)+P(A3)P(B/A3) tenemos

P(A1)P(B/A1)=? III. Reemplazamos

0.1
P(B)=0.14 =0.5x0.2 P(A1/B) = =0.714
0.14
=0.1 La probabilidad de que el accidente haya
sucedido en un día de lluvia es de 0.714
http://www.docirs.cl/entender_teorema_de_bayes_simple.htm
 P(Ai)P(B/Ai)
0.20 0.5x0.20=0.1
B
0.80
0.5 A1 B’
B 0.10 0.3x0.10=0.03
0.3 A2
0.2 B’ 0.90
A3 B 0.05 0.2x0.05=0.01
Calculando la probabilidad de que el accidente
B’ 0.95 haya sucedido en un día de lluvia:
P(A1/B)=???
P(B)=∑P(Ai)P(B/Ai)=0.14
P(A1/B)=P(A1)P(B/A1) = 0.1 =0.714
∑P(Ai)P(B/Ai) 0.14
 Distribuciones de Probabilidades Discretas
Presenta la posibilidad de ocurrencia de cada valor que una variable discreta puede
tomar.

Ejemplo 1

Evento # Caras (x) Probabilidad P(x)

CC 2 0.25
CS 1 0.50
Lanzamiento secuencia de una
moneda dos veces. Se define SS 0 0.25
la variable aleatoria como “el
Se conoce como: La distribución de probabilidad asociada a la
numero de veces en que se variable aleatoria discreta X, definida como “el numero de
obtendrá cara”. caras en dos lanzamientos de una moneda”.

Fuente: Ronald M. Weiers, P. 199

Distribuciones de Probabilidades Discretas - Características
P. 204
La Esperanza
n
 = E ( x) =  P ( xi ) * xi
i =1

Aplicación

E(x)=(0.25)*2+(0.5)*1+(0.25)*0=1
Por lo tanto, en promedio se espera obtener 1
cara en el experimento de lanzar una moneda dos
veces.

Nota: La Esperanza Matemática también conocido como Valor esperado.

Distribuciones de Probabilidades Discretas - Características
La Varianza y Desviación Estándar
n
 = E[( x −  ) ] =  P( xi ) * ( xi −  )
2 2 2

i =1

Aplicación
2 2 2
…..=(0.25)*(2-1)+(0.5)*(1-1)+(0.25)*(0-1)=0.5
2

 = + 0.5 = 0.71
 Distribuciones de Probabilidades Discretas - Características
La Covarianza
Indica el grado de asociación lineal entre dos variables.

n
 x y = E[( xi − E ( x)) * ( yi − E ( y ))] =  P( xi yi ) * [ xi − E ( x)] * [ yi − E ( y )]
i =1
Donde P(xiyi) es la probabilidad conjunta del valor i-esimo de x con el valor i-esimo de y.

Aplicación

Este es un ejercicio de una sola variable.

Distribuciones de Probabilidades Discretas - Características
El Coeficiente de Correlación
Conocido como “R” o por la letra griega “” mide la dependencia lineal entre dos
variables. A diferencia de la covarianza este coeficiente es un numero que varia entre
-1 y +1.

xy
x y =
 x * y
Donde x y  y son las desviaciones estándar de X e Y, respectivamente.

Aplicación

Este es un ejercicio de una sola variable.

Distribuciones de Probabilidades Discretas
Ejemplo 2
La Inmobiliaria “House Mantaro”, tiene la posibilidad de invertir en
activos como maquinarias (X) o en terrenos (Y). Al hacer la inversión
se espera tres posibles escenarios para la inmobiliaria: expansión,
recesión o estabilidad. Bajo estos tres escenarios, la siguiente tabla
presenta los resultados esperados de la inversión de 10 millones de
U.M. en cada opción (Maquinas-Terreno) así como las probabilidades
asociadas a los mismos.

Escenario Probabilidad Maquinarias (x) Terrenos (y)

Expansión 0,1 + 720 + 350

Rentabilidad 0,6 + 550 + 120

Recesión 0,3 - 1050 - 200

Distribuciones de Probabilidades Discretas
Sigue Ejemplo 2

1. ¿Calcular el valor esperado para ambas opciones?

2. Demuestre el grado de asociación lineal entre dos variables.
3. Demuestre e indique la dependencia lineal de X e Y.
Distribuciones de Probabilidades Discretas
Solución Ejemplo 2

1. ¿Calcular el valor esperado para ambas opciones?

I. Sabemos Que:
n
 = E ( x) =  P ( xi ) * xi
i =1

…..=(0.1)*(720)+(0.6)*(550)+(0.3)*(-1050)=
E(x) 87 U.M
E (…..=(0.1)*(350)+(0.6)*(120)+(0.3)*(-200)=
y) 47 U.M
 Distribuciones de Probabilidades Discretas
Solución Ejemplo 2

2. Demuestre el grado de asociación lineal entre dos variables.

I. Sabemos Que:
n
 x y = E[( xi − E ( x)) * ( yi − E ( y ))] =  P( xi yi ) * [ xi − E ( x)] * [ yi − E ( y )]
i =1
Donde P(xiyi) es la probabilidad conjunta del valor i-esimo de x con el valor i-esimo de y.

…..=(0.1)[720-87][350-47]+(0.6)[550-87][120-47]+(0,3)[-1050-87][-200-47]
= 123,711 U.M.
Distribuciones de Probabilidades Discretas
Solución Ejemplo 2

3. Demuestre e indique la dependencia lineal de X e Y.

I. Sabemos Que: xy

x y =
 x * y
x = 

y = 

x y =
Distribuciones de Probabilidades Discretas - Características
Ejercicio para la casa

Se tiene la posibilidad de invertir en acciones (X) o en instrumento de

renta fija (y). Se supone que se esperan tres posibles escenarios:
Expansión, recesión o estabilidad de la economía en la que se negocian
los instrumentos. Bajo estos tres escenarios, se presenta los
resultados esperados de una inversión de 10, 000 U.M. en cada
instrumento a si como las probabilidades asociadas a los mismos.
 FUNCIONES
DE DISTRIBUCIONES
DE PROBABILIDAD DISCRETAS