Probabilidad y Estadı́stica

Probabilidad

Universidad Nacional Guillermo Brown

Experimento aleatorio

Lanzar un dado
Resultados posibles

¿Sabemos que resultado va a ocurrir?

1
Experimento aleatorio

Es cualquier procedimiento que puede repetirse infinitamente y tiene un

conjunto bien definido de resultados posibles. Sin embargo al realizarlo, no
sabremos cual de todos esos resultados ocurrirá, es decir, existe una
componente de aleatoreidad en dicho procedimiento. Al experimento
aleatorio lo simbolizamos con la letra ϵ.
Como ejemplos podemos nombrar:

• ϵ: tirar un dado y observar el número que sale en la cara de arriba.

• ϵ: tirar una moneda.
• ϵ: lanzar una moneda cuatro veces y contar el número total de caras
obtenidas.
• ϵ: seleccionar un alumno al azar de la clase.

2
Experimento determinista

Son aquellos en los que podemos predecir con exactitud el resultado.

Por ejemplo, ϵ: ”Medir el tiempo que tarda en caer un objeto al piso”

3
Espacio muestral

Es el conjunto de todos los resultados posibles de un experimento aleatorio. Lo

simbolizamos con la letra S.

• Si ϵ: tirar una moneda y observar si sale cara o seca → S = {c, s}

• Si ϵ: tirar una moneda 3 veces y observar la sucesión de caras y secas que
salen → S =
{(c, c, c); (c, c, s); (c, s, c); (s, c, c); (c, s, s); (s, s, c); (c, s, c); (s, s, s)}.
• Si ϵ : tirar un dado y observar el número en la cara de arriba
S = {1, 2, 3, 4, 5, 6}
Estos son espacios muestrales finitos
• Si ϵ : tirar un dado las veces necesarias hasta que sale un 6 por primera
vez, y contar el número de tiros realizados
S = {1, 2, 3, 4, 5, ...}. Este es un espacio muestral infinito numerable.
• Si ϵ : medir el tiempo de vida de una lamparita eléctrica
S = {t ∈ R, t ≥ 0}. Este es un espacio muestral infinito no numerable.

4
Evento o suceso

Un evento o suceso es todo subconjunto del espacio muestral.

• Si ϵ: ”se lanza un dado” → S = {1, 2, 3, 4, 5, 6}

Podemos tomar diversos eventos:

A: sale un número par → A = {2, 4, 6}
B: sale un número impar → B = {1, 3, 5}
C: sale un número menor o igual que 3 → C = {1, 2, 3}
5
Evento o suceso

A: sale un número par → A = {2, 4, 6}

B: sale un número impar → B = {1, 3, 5}
C: sale un número menor o igual que 3 → C = {1, 2, 3}
Entonces si lanzamos el dado y por ejemplo sale el número 3, podemos decir
que ocurrió el evento B y que también ocurrió el evento C, ya que el 3
pertenece a ambos eventos.
Y además, no ocurrió el evento A, ya que el elemento 3 no pertenece a A.

Notar que los eventos son conjuntos de elementos. Es importante conocer

las diferentes operaciones que se pueden realizar entre conjuntos, ya que
cualquier operación que se realize entre eventos dará como resultado otro
evento.

6
Evento o suceso

• B ∪ C es otro evento, y ocurre si y solo si ocurre B o ocurre C .

B ∪ C = {1, 2, 3, 5}
• A ∩ C es otro evento, y ocurre si y solo si ocurre A y ocurre C .
A ∩ C = {2}
• C c es un evento, y ocurre si y solo si no ocurre C .
C c = {4, 5, 6}

7
Evento o suceso

• A∪B =S
• A ∩ B = ∅. En este caso se dice que A y B son eventos
mutuamente excluyentes.

8
Propiedades de conjuntos

• Leyes de idempotencia
a) A ∪ A = A b) A ∩ A = A
• Leyes asociativas
a) A ∪ (B ∪ C ) = (A ∪ B) ∪ C b) A ∩ (B ∩ C ) = (A ∩ B) ∩ C
• Leyes conmutativas
a) A ∪ B = B ∪ A b) A ∩ B = B ∩ A
• Leyes distributivas
a) A ∪ (B ∩ C ) = (A ∪ B) ∩ (A ∪ C ) b) A ∩ (B ∪ C ) = (A ∩ B) ∪ (A ∩ C )
• Leyes de identidad
a) A ∪ ∅ = A b) A ∩ ∅ = ∅ c) A ∪ S = S d) A ∩ S = A
• Leyes de complemento
a) A ∪ AC = S b) A ∩ AC = ∅ c) (AC )C = A d) S C = ∅ e)
∅C = S
7- Leyes de De Morgan
a) (A ∪ B)C = AC ∩ B C b) (A ∩ B)C = AC ∪ B C

9
Probabilidad

Dado un evento A, se quiere asignar al mismo un número que indique qué tan
probable es que A ocurra. A ese número lo llamaremos probabilidad de A, y lo
denotamos como P(A), tal que cumple las siguientes propiedades:

1. 0 ≤ P(A) ≤ 1
2. P(S) = 1
3. Si A y B son eventos mutuamente excluyentes (A ∩ B = ∅) entonces
P(A ∪ B) = P(A) + P(B)

10
Probabilidad

Es posible estimar probabilidades de forma experimental (empı́rica) a partir de

realizar muchas veces un experimento aleatorio.

• Se define la frecuencia relativa de A, como la porción de veces que ocurre

A en las n repeticiones de ϵ,
nA
fA =
n
donde nA es la cantidad de veces que ocurre el evento A.

Este número depende de la experimentación, es decir, si repito nuevamente n

veces el experimento aleatorio y calculo fA , seguramente su valor sea distinto al
anterior.

Una propiedad muy importante de la fracuencia relativa fA , es que mientas mas

veces repita el experimento aleatorio (aumenta n) el valor de fA se parece cada
vez más a la probabilidad real de A (P(A)).

lim fA = P(A)
n→∞

11
Propiedades de la probabilidad

• P(∅) = 0
• P(S) = 1
• P(AC ) = 1 − P(A)
• Si A ⊂ B entonces P(A) ≤ P(B)
• Si A y B son dos eventos cualesquiera entonces
P(A ∪ B) = P(A) + P(B) − P(A ∩ B)

12
Probabilidad

Sea ϵ un experimento aleatorio, S = {a1 , a2 , ..., an } con n elementos. Cada

elemento es un evento individual Ai = {ai }.
P(S) = 1 = P(a1 ∪ a2 ∪ ... ∪ an )
Como estos eventos ai son mutuamente excluyentes (no tienen elementos en
común), entonces vale
P(S) = 1 = P(a1 ∪ a2 ∪ ... ∪ an ) = P(a1 ) + P(a2 ) + ... + P(an )
Si suponemos que cada uno de estos eventos tiene la mims probabilidad p de
ocurrir, es decir P(ai ) = p entonces,
P(S) = 1 = P(a1 ∪a2 ∪...∪an ) = P(a1 )+P(a2 )+...+P(an ) = p+p+...+p = n∗p
Es decir,
1
1 = n ∗ p −→ p = n
1
Notar que n es la cantidad de elementos de S, entonces p = #S

Si tomamos un evento B = {a1 , a2 , a3 }, vemos que:

1 3 #B
P(B) = P(a1 ∪ a2 ∪ a3 ) = p + p + p = 3p = 3 ∗ n
= n
= #S

13
Probabilidad

Cuando cada elemento de un espacio muestral S, tiene la misma probabilidad

de ocurrir, diremos que ese espacio muestral es equiprobable.
Bajo esta condición, podremos calcular la probabilidad de ocurrencia de una
evento B cualquiera, como

#B #casos favorables
P(B) = =
#S #casos totales

14
Ejemplo: Probabilidad - Espacio muestral equiprobable

ϵ : sacar una carta al azar de un maso de 40 cartas españolas.

S : cada una de las 40 cartas. −→ #S = 40.
A : cartas de espada mayores o iguales a 10 (por compresión).
A = {10E , 11E , 12E } (por extensión). −→ #A = 3.
Como S es equiprobable, ya que cada carta tiene la misma probabilidad de
ocurrir, entonces

#A 3
P(A) = = = 0.075
#S 40

Es decir, la probabilidad de que ocurra A es de 0.075 o de un 7.5%.

15
Técnicas de conteo

A veces es complejo determinar el número de casos totales o favorables. Para

esto podemos usar las técnicas de conteo, que nos permiten permitirán
determinar la cantidad de elementos del evento de interés. Veamos esto con un
ejemplo.
Supongamos que un curso cuenta con 10 estudiantes hombres y 20 estudiantes
mujeres. Se seleccionan dos al azar para representar al grupo en un evento de
divulgación cientı́fica.
a) ¿Cuál es la probabilidad de que los dos integrantes sean mujeres?
b) ¿Cuál es la probabilidad de que un integrante sea mujer y el otro hombre?

16
Técnicas de conteo - Ejemplo

Al momento de resolver cualquier ejercicio, ya sea de probabilidad o de

estadı́stica, siempre lo primero (y más importante) es organizar la
información disponible. Con información disponible nos referimos a todos los
datos que nos brinda el ejercicio.
Lo primero que haremos es definir el experimento aleatorio:
ϵ : seleccionar dos alumnos al azar .
Luego definimos el espacio muestral S asociado a ϵ
S:todos los grupos distintos de dos estudiantes.
Ahora nos podemos preguntar ¿Es S equiprobable? Es decir, ¿tiene cada
elemento de S la misma probabilidad de ocurrir?. La respuesta a es que SI, S
es equiprobable. Notar que cada alumno tiene la misma probabilidad de ser
elegido, por lo tanto cada dupla distinta también lo tendrá.
Y ahora definieremos los eventos de interés, es decir aquellos a los que
deseamos calcular su probabilidad de ocurrencia.
A: ambos integrantes son mujeres.
B: un integrante mujer y otro hombre. 17
Ténicas de conteo - Ejemplo

ϵ : seleccionar dos alumnos al azar .

S: todos los grupos distintos de dos estudiantes −→ es equiprobable.
A: ambos integrantes son mujeres
B: un integrante mujer y otro hombre
Como S es equiprobable, podemos calcular P(A) como
#A
P(A) =
#S

solo resta entonces determimarr la cantidad de elemenos de A y de S.

Calculemos primero la cantidad de elementos del espacio muestral S, sabemos
que viene dada por todas las combinaciones distintas de 2 alumnos que
podemos armar a partir de los 30 de la clase. Existe una técnica de conteo que
justamente sirve para este tipo de casos que se llama combinatoria.

18
Técnicas de conteo

!
n n!
Ckn = =
k k!(n − k)!

Siendo n el factorial de n, que se calcula como

n! = n ∗ (n − 1) ∗ n(−2) ∗ ... ∗ 3 ∗ 2 ∗ 1.
Ejemplo: 5! = 5 ∗ 4 ∗ 3 ∗ 2 ∗ 1.
Esto se lee como n tomados de a k, o lo que es lo mismo, la cantidad de
grupos distintos de k elementos que puedo armar a partir de n elementos.
Para este caso en particular dijimos que queriamos calcular la cantidad de
grupos distintos de 2 alumnos que podemos armar a partir de los 30 alumnos
de la clase, entonces la combinatoria quedará

!
30 30! 30!
= = = 435
2 2!(30 − 2)! 2! 28!

Existen 435 grupos distintos de dos alumnos, es decir #S = 435.

19
Técnicas de conteo - Ejemplo

Ahora hagamos los mismo para determinar #A, es decir la cantidad de

elementos de A, que corresponden a los grupos distintos de 2 alumnas que
puedo armar a partir de las 20 alumnas (no incluyo a los 10 alumnos hombres).

20! 20!
#A = = = 190
2!(20 − 2)! 2! 18!

Entonces
#A 190
P(A) = = = 0.43
#S 435

Es decir, hay una probabilidad del 43% de que si elijo dos alumnos al azar,
estos sean mujeres.

20
Técnicas de conteo - Ejemplo

S: todos los grupos distintos de dos estudiantes −→ es equiprobable.

B: un integrante mujer y otro hombre.
Ahora calcular #B no es tan intuitivo, para entender un poco mejor como
aplicar la combinatoria este caso primero calculemos #B a partir de un
diagrama de arbol:

Es decir, a cada alumno lo puedo combinar con cualquiera de sus 20

compañeras, es decir que con el alumno H1 puedo armar 20 pares mixtos (ya
que hay 20 alumnas mujeres), pero tenemos 10 alumnos hombres, por lo tanto
podemos armar en total 200 duplas mixtas.
#B = 200 21
Técnicas de conteo - Ejemplos

Calculemos #B con combinatorias. Para esto podemos pensarlo como el

acople de dos combinatorias, una para determinar la cantidad de alumnos
hombres que puede haber en cada dupla, y otra para la cantidad de mujeres.
La cantidad de alumnos hombres en la dupla es de 1 (ya que la dupla debe ser
mixta), entonces quiero ver todos los grupos de 1 alumno a partir de los 10
alumnos, esto viene dado por
!
10 10!
= = 10
1 1! 9!

Lo cual es bastante obvio, ya que representa la primera columna de mi

diagrama de árbol.
Y los mismo para la cantidad de mujeres de la dupla, grupos de una alumna a
partir de las 20, es decir !
20 20!
= = 20
1 1! 19!
! !
10 20
#B = = 10 ∗ 20 = 200
1 1
22
Técncas de conteo - Ejemplo

Notar que llegamos al mismo resultado #B = 200

Entonces P(B) viene dado por,

#B 200
P(B) = = = 0.46
#S 435

Es decir, hay una probabilidad de un 46% de que si elijo dos alumnos al azar,
esa dupla sea mixta.

23
Técnicas de conteo - Ejemplo

Para resolver en clase

c) ¿Cuál es la probabilidad de que la dupla sea masculina? Tratar de encontar
dos formas distintas de resolverlo.

24
Ténicas de conteo - Ejemplos

Recordar primero definir el evento de interés. C:dupla masculina.

Primera forma, con combinatoria.

!
10 10!
#C = = = 45
2 2! 8!

Segunda forma, sabemos que #S = 435, es decir hay 435 grupos distintos de
dos alumnos. Estos grupos puede ser de 3 formas: dupla femenina, dupla mixta
o dupla masculina. La cantidad de duplas femeninas y duplas mixtas ya las
calculamos recién eran, 190 y 200 respectivamente, es decir de un total de 435
duplas, sabemos que 390 son femeninas o mixtas, es decir que las restantes son
si o si duplas masculinas entonces #C = #S − (#A + #B) = 435 − 390 = 45.
Entonces
#C 45
P(C ) = = = 0.11
#S 435

25
Probabilidad condicional

Sean A y B dos eventos de un espacio muestral S. La probabilidad de B dado

A se define como:
P(A ∩ B)
P(B/A) = si P(A) ̸= 0
P(A)

Esto además, se puede leer como la probabilidad de que pase B sabiendo que
pasó A.
Análogamente:
P(A ∩ B)
P(A/B) = si P(B) ̸= 0
P(B)
En algunos casos se puede calcular P(B/A) directamente reduciendo el espacio
muestral. En otros será necesario aplicar la definición anterior.

26
Probabilidad condicional - Ejemplo

Ejemplo
ϵ :lanzar un dado.
S = {1, 2, 3, 4, 5, 6}
A = {1, 2, 3}, B = {2, 4, 6}
¿P(A/B)?
Si ocurre B entonces sabemos que puede salir un 2, un 4 o un 6. No puede
salir otro resultado, entonces mi universo de resultados posible está restringido
a los elementos que hacen que ocurra B que son {2, 4, 6}, es decir tengo un
nuevo espacio muestral S’= {2, 4, 6}.
Ahora sabiendo esto, nos preguntamos ¿Cuál es la probabilidad de que ocurra
A en S’ ?, o lo que es lo mismo ¿Cuál es la probabilidad de que ocurra A si
ocurrió B (o condicionado a B)?
El evento A ocurrira solo cuando salga un 2, ya que los resultados 4 y 6 no
están en S, es decir = 1 y #S’=3, por lo tanto

1
P(A/B) = 27
3
Teorema de la multiplicación

De la definición anterior se puede deducir el teorema de la multiplicación. Si

A y B son dos eventos entonces P(B/A) = P(A∩B) P(A)
si P(A) ̸= 0
Por lo tanto:

P(A ∩ B) = P(B/A)P(A)
P(A∩B)
Análogamente de P(A/B) = P(B)
si P(B) ̸= 0, se deduce:

P(A ∩ B) = P(A/B)P(B)

28
Teorema de la multiplicación

Si A1 , A2 , A3 , son 3 eventos entonces:

P(A1 ∩ A2 ∩ A3 ) = P(A1 )P(A2 /A1 )P(A3 /A1 ∩ A2 )

Esto se puede generalizar para n eventos A1 , A2 , ..., An :

P(A1 ∩A2 ∩...∩An ) = P(A1 )P(A2 /A1 )P(A3 /A1 ∩A2 )...P(An /A1 ∩A2 ∩...∩An−1 )

29
Teorema de la multiplicación - Ejemplo

En una bolsa hay hay 14 bolitas numeradas de las cuales 10 son rojas y 4 son
azules. Si se sacan 3 bolitas al azar sin reemplazo, ¿Cuál es la probabilidad de
que las tres sean rojas?.
ϵ: sacar 3 bolitas al azar.
S:todos los grupos distintos de 3 bolitas.
Defino los eventos Ri :la bolita i-ésima es roja.
Entonces tego los eventos R1 : la 1ra bolita es roja, R2 :la 2da bolita es roja y
R3 : la 3ra bolita es roja.
La probabilidad de que las 3 bolitas sean rojas la puedo calcular como:
10 9 8
P(R1 ∩ R2 ∩ R3 ) = P(R1 )∗P(R2 /R1 )∗P(R3 /R2 ∩ R1 ) = 14 13 12

30
Teorema de la probabilidad total

Sean A1 , A2 , ..., An eventos de un espacio muestral S que cumplen:

a) A1 ∪ A2 ∪ ... ∪ An = S
b) Ai ∩ Aj = ∅ si i ̸= j
c) P(Ai ) > 0, ∀i = 1, 2, ..., n. Se dice que A1 , A2 , ..., An forman una partición
de S. Entonces para cualquier evento B de S:

P(B) = P(B/A1 )P(A1 ) + P(B/A2 )P(A2 ) + ... + P(B/An )P(An )

31
jemplo - Teorema de la probabilidad total

Las máquinas A,B y C producen el 70%, 20% y 10%, respectivamente, de los

productos de una fábrica. Además, se sabe que estas máquinas no son
perfectas y del total de productos producido por cada máquina el 2%, 4% y
6%, respectivamente, son defectuosos. Si agarro un producto al azar de la
fábrica, ¿Cuál es la probabilidad de que el producto sea defectuoso?
ϵ: elegir un producto al azar
S:’cada uno de los productos de la fábrica’
Defino algunos eventos de interés
A: productos de la máquina A −→ P(A) = 0.7
B: productos de la máquina B −→ P(B) = 0.2
C: productos de la máquina C −→ P(C ) = 0.1
D: productos defectuosos

32
A: productos de la máquina A −→ P(A) = 0.7
B: productos de la máquina B −→ P(B) = 0.2
C: productos de la máquina C −→ P(C ) = 0.1
D: productos defectuosos
P(D/A) = 0.02 −→ probabilidad de que sea defectuoso si es de la máquina A.
P(D/B) = 0.04 −→ probabilidad de que sea defectuoso si es de la máquina B.
P(D/C ) = 0.06 −→ probabilidad de que sea defectuoso si es de la máquina C.

P(D)?

P(D) = P(D/A) ∗ P(A) + P(D/B) ∗ P(B) + P(D/C ) ∗ P(C ) = 0.028 = 2.8%

33
Teorema de Bayes

Sean A1 , A2 , ..., An eventos de un espacio muestral S que cumplen:

a) A1 ∪ A2 ∪ ... ∪ An = S
b) Ai ∩ Aj = ∅ si i ̸= j
c) P(Ai ) > 0, ∀i = 1, 2, ..., n
Entonces para cualquier evento B de S tal que P(B) > 0

P(B/Ak )P(Ak )
P(Ak /B) = Pn k = 1, ..., n
i=1 P(B/Ai )P(Ai )

34
Ejemplo - Teorema de Bayes

Supongamos que queremos estudiar la probabilidad de estar infectados por una

enfermedad H en la Argentina. Sean los eventos,
B1= tener H
B2= no tener H
Para esto se testiaron a un grupo de control que puede considerarse
representativo de todo el paı́s y se obtuvo que el 0,1% de la población está
enfermo, es decir P(B1) = 0,001, esto se traduce como la probabilidad de que
una persona esté infectada con H es del 0,1%.
Por lo tanto, P(B2) = 0,999, esto se traduce como la probabilidad de que una
persona no esté infectada con H es del 99,9 %.
Sine embargo, los desarolladores de los test informaron que si la persona está
enferma hay un 98% de probabilidad de que el test de positivo, y si la persona
está sana hay un 3% de probabilidad de que el test de un falso positivo.
Si elegimos una persona al azar y el test le da positivo, ¿Cuál es la probabilidad
de que esté enfermo?

35
Ejemplo - Teorema de Bayes

B1= tener H −→ P(B1)=0.001

B2= no tener H −→ P(B2)=0.999
⊕: el test da positivo
⊖:el test da negativo
P(⊕/B1)=0.98 −→ probabilidad de que el test de positivo si está enfermo
P(⊕/B2)=0.03 −→ probabilidad de que el test de positivo si está sano
Entonces podemos deducir que
P(⊖/B1)=1-P(⊕/B1)=0.02 −→ probabilidad de que el test de negativo si está
enfermo
P(⊖/B2)=1-P(⊖/B2)=0.97 −→ probabilidad de que el test de negativo si está
sano

P(B1/⊕)???

36
Ejemplo - Teorema de Bayes

P(B1 ∩ ⊕) P(⊕/B1) ∗ P(B1)

P(B1/⊕) = =
P(⊕) P(⊕/B1) ∗ P(B1) + P(⊕/B2) ∗ P(B2)

0.98 ∗ 0.001
P(B1/⊕) = = 0.03 = 3%
0.98 ∗ 0.001 + 0.03 ∗ 0.999

37
Independencia estadı́stica

Dos eventos A y B se consideran independientes si la ocurrencia de uno no

modifica la ocurrencia del otro.

P(B/A) = P(B)

Si A y B son independientes, entonces

P(A ∩ B)
P(B/A) = = P(B) =⇒ P(B ∩ A) = P(B)P(A)
P(A)

Entonces si A y B son independientes vale que

P(A ∩ B) = P(A)P(B)

38
Independencia estadı́stica - ejemplo

Sea un maso de 40 cartas españolas y el experimento aleatorio ϵ : sacar una

carta al azar. Se definenen los eventos
A: cartas de espada
B: 4 de cualquier palo

Son independientes A y B?

Para determinarlo tenemos que ver si se cumple que P(A/B)=P(A). Entonces

calculemos estas probabilidades.
S: cada una de las cartas del maso −→ es equiprobable.
#S= 40 (cada una de las cartas)
#A= 10 (cantidad de cartas de espada)
#A 10 1
P(A) = #S
= 40
= 4

Veamos si P(A)=P(A/B)
P(A∩B) 1/40 1
P(A/B) = P(B)
= 1/10
= 4
39
=⇒ P(A) = P(A/B) por lo tanto son independientes.