PROBABILIDA

D Como no podemos predecir el futuro con total

certidumbre, encaramos la incertidumbre utilizando la
Teoría de Probabilidad.
¿Y qué es la probabilidad?
La posibilidad de que algo suceda.

-María Laura Vignera- 1

 El cálculo de las probabilidades es el
área que se ocupa del estudio de los
fenómenos o experimentos aleatorios.

Experimento aleatorio: acción cuya observación repetida en condiciones

constantes no produce siempre el mismo resultado.

Ejemplos:
• Experimento 1: lanzar un dado resultados posibles: 1, 2, 3, 4, 5, 6

• Experimento 2: lanzar dos veces una moneda resultados posibles: cara, ceca

Espacio Muestral (S): son todos los resultados posibles de un experimento aleatorio.

Punto Muestral: cada uno de los posibles resultados.

Evento o Suceso: subconjunto del espacio muestral.

2
 Para el experimento “lanzar un dado”
1
S= {1, 2, 3, 4, 5, 6}
2
Sea el evento o suceso:
3
DIAGRAMA DE ÁRBOL A: “que salga par” entonces A= {2, 4, 6}
En él se observan todos los posibles
4 resultados.
B: “mayor a 4” entonces B ={5, 6 }
5

 Para el experimento “lanzar dos veces una moneda”

S= {CC, CX, XC, XX}
1er lanzamiento 2do lanzamiento
C2 Sea el suceso:
C1
X2 C: “por lo menos una cara” entonces C= {CC, CX, XC}

D: “una sola ceca (cruz)” entonces D = {CX, XC}

C2
X1
3
X2
Ejercicio 1

Sea el experimento “extraer tres cartas de un mazo de cartas españolas” (40 cartas)

1. Dibujar un diagrama de árbol (utilice solo las posibilidades “es espada” o “no es espada” como E y E )
2. Determine todos los puntos muestrales para los sucesos de que salgan:

• solamente dos espadas.

• como máximo dos espadas.
• por lo menos dos espadas.

E : se lee “complemento de E”, es el conjunto de todos los resultados en S que no están

contenidos en E.
4
Ejercicio 2
Se dispone de dos urnas, U1 y U2, que contienen las siguientes bolillas:

U1: 5 rojas, 3 azules y 2 blancas

U2: 6 rojas y 4 blancas

El experimento aleatorio consiste en arrojar un dado y si se obtiene 5 ó 6 se extrae una bolilla de la

U1; si en el dado se obtiene 1 ó 2 ó 3 ó 4 se extrae una bolilla de U2.

1.Realizar un diagrama de árbol.

2.Determine todos los puntos muestrales para el suceso que salga una bolilla azul.

5
 Relaciones en Teoría de Conjuntos Diagrama de Venn
U
S= {1, 2, 3, 4, 5, 6}
A B
Sea el evento o suceso: A  B  2,4,5,6
2 5 A  B  6
A: “que salga par” entonces A= {2, 4, 6} 6
4
Unión de A con B
B: “mayor a 4” entonces B ={5, 6 }
1 Intersección de A con B
E: “sea impar” entonces E={1,3, 5} 3

A E A B 
Conjuntos disjuntos
2 6 1 3
4 5
Sucesos mutuamente excluyentes

6
Concepto de exclusión: se verifica que dos sucesos son
mutuamente excluyentes, cuando la aparición de uno
impide la aparición del otro, en una misma repetición del
experimento aleatorio.

Eventos exhaustivos: abarca todos los resultados posibles

A1  A2  .... Ak  S

7
Otras relaciones de conjuntos

U A  1,3,5
B  1,2,3,4
A B

2 5
6
4
A  B  1,3
1
3 A  B  1,2,3,4,5

Realizar un diagrama para cada caso y sombrear.

8
Ejercicio 3
En una escuela primaria hay 10 alumnos con dificultades visuales, 8 tienen audición imperfecta y 3
tienen ambos problemas. A la escuela concurren 120 alumnos.

• Dibujar un diagrama de Venn

Ejercicio 4
Si se lanzan dos dados y se observa la suma de los puntos, ¿cuál será el espacio muestral?

9
La probabilidad de un evento puede obtenerse de tres formas:

1. Empírica o experimental
2. Teórica
3. Subjetiva

10
Probabilidad empírica o experimental
Refiere a la frecuencia relativa con la que ocurre un evento.

Ejemplo: el experimento consiste en lanzar 10 veces

Pero si las monedas se lanzan
dos monedas y se registra la cantidad de caras.
200 veces, es posible que los
Supongamos que se observaron los siguientes resultados fuesen los siguientes:
resultados:
resultados frecuencias frec. relativas
n° caras
resultados frecuencias frec. relativas x fi fr
2C
x fi fr 0 43 0,215
1C
0 1 0,1 1 104 0,52
1C
1 6 0,6 2 53 0,265
2C
1C 2 3 0,3 200
0C 10
1C
A medida que la cantidad de lanzamientos se
1C incrementa, la fr de 0C se aproxima ¼ ó 25%; la
1C de 1C a ½ ó 50% y la de 2C ¼ ó 25%.
2C 11
Ley de los grandes números: A medida que se incrementa el número de ensayos experimentales, n,
la frecuencia relativa, fr, tiende a la probabilidad teórica P(A)

resultados Prob. teórica

Para practicar:
x P(C)
• ¿Qué valores tomaría x si se lanzara 3 veces la moneda?
0 1/4
1 1/2 • ¿ Cómo sería el diagrama de árbol?

2 1/4

Probabilidad teórica Probabilidad Subjetiva

La probabilidad se basa únicamente
La probabilidad de que ocurra un evento A es: en el juicio personal.

casos favorables
P( A) 
casos posibles
Donde todos los resultados
tienen la misma posibilidad
de ocurrir (equiprobables). 12
Axiomas de Probabilidad

• Para cualquier evento A, 0 ≤ P(A) ≤ 1

• P(S) = 1

• Si A1, A2,…son sucesos mutuamente excluyentes, entonces la probabilidad de la unión es igual a la

suma de sus probabilidades.

Si P(A)=0 suceso imposible

Propiedades de probabilidad Si P(A)=1 suceso cierto

 P(A)  1  P(A)

 Si A y B son sucesos mutuamenteexcluyentes, entoncesP(A  B)  0

13
Volvamos al ejemplo del dado

U
A B A: “que salga par” entonces A= {2, 4, 6}

B: “mayor a 4” entonces B ={5, 6 }

2 5
6
4

1
3

Regla de la Suma o Adición

14
La Regla de la Suma

Ejemplo: ¿Qué probabilidad hay de seleccionar una flor al azar con un tallo verde (V) o una flor lila (L)?

De acuerdo a la Regla de la Suma

U
V L

5 4
3

Vemos que asociamos “o” con la operación de la suma. 15

Ejemplo: Un experimento genera un espacio
muestral que contiene ocho sucesos E1,...,E8 con
P(Ei)=1/8, i=1,...,8. Los sucesos A y B se definen así:
A= {E1,E4,E6} B= {E3,E4,E5,E6,E7}

a) Calcular la probabilidad de A
U
b) Calcular la probabilidad del complemento de A
A B
c) Calcular la probabilidad de que ocurra A o B o
ambos. E3
E1 E4 E5
E6 E7
Respuestas:
a) P(A)= 3/8 E2
E8
b) P(Ā)= 5/8
c) P(A U B)= P(A) + P(B) – P(AB)
P(A U B)= 3/8 + 5/8 – 2/8= 6/8= 0,7
Este resultado también surge del diagrama.
16
17
Ejercicio 5:

Volviendo al ejemplo de las flores,

Calcular ahora la probabilidad de que al seleccionar una flor aleatoriamente, esta tenga

a) Tallo verde o flor blanca.

b) Tallo amarillo o flor lila.

c) Dibujar el diagrama de Venn en cada caso.

18
 Regla de la Multiplicación

Si ahora se seleccionan dos flores sin reemplazo,

¿cuál es la probabilidad de que la primera tenga tallo
verde y la segunda tallo amarillo? (sin tener en cuenta
el color de la flor).

1era flor 2e flor

7/13 V2
V1
8/14
6/13 A2

8/13 V2
6/14
A1
5/13 A2
Fue necesario ajustar la probabilidad
del segundo suceso, dado que el
primer suceso ya ocurrió, y modificó el
espacio muestral.
19
Probabilidad Condicional
Regla de la Multiplicación o Producto
Cuando la probabilidad del segundo suceso
B debe tener en cuenta que el primer P ( A y B )  P  A  P ( B )  P ( B )  P ( A )
suceso A ya ocurrió, lo expresamos con la A B
siguiente notación:

P(B/A) que se lee “Probabilidad de B dado A” P( A  B)  P ( A)  P ( B )  P ( B)  P( A )

A B
y representa la probabilidad de que un suceso
ocurra después que el suceso A ya ocurrió.

Concepto de independencia: Dos sucesos son

Vemos que asociamos “y” con
independientes cuando la ocurrencia de uno no
la operación del producto.
modifica la ocurrencia del otro en dos repeticiones
sucesivas del experimento.

P(B/A)  P(B) o P(A/B)  P(A)

Si A y B son sucesos independientes entonces,
P(A y B)  P(A)  P(B)
20
21
Combinación de las reglas de probabilidad

Ejemplo 1: de una caja que contiene tres fichas rojas y dos blancas, se extraen dos fichas sin
reemplazo.

1) Realizar un diagrama de árbol que muestre una primera extracción y luego la segunda.

2) Calcular la probabilidad de que:

a) ambas fichas sean blancas.

b) sea una de cada color.
c) por lo menos una sea blanca.

22
 Prob.Condicional
1era extracción 2da extracción a)
P ( B1 y B2 )  P ( B1 )  P ( B2 )
R2 B1
2 1 3
 
5 4 20
R1
b) P(una de cada color) = P(R1 y B2) o P(B1 y R2)
B2

R2

B1

Observe que:
B2 • Se parte de un punto en común.
• Sobre las líneas escribo las probabilidades de cada resultado.
• Sumando las probabilidades de los resultados posibles da siempre 1. 23
Entonces el espacio muestral será:

S ={R1R2 ; R1B2 ; B1R2; B1B2 } son todos los resultados posibles, y entre ellos son mutuamente
excluyentes (ocurre uno u otro pero no pueden ocurrir ambos a la vez).

x Probabilidades
3 2 6
B1B2  
5 4 20
3 2 6
 
R1B2 5 4 20 Nótese que la suma de las probabilidades
2 3 6
  correspondientes a todos los elementos del
B1R2 5 4 20 espacio muestral suman 1.
2 1 2
 
R1R2 5 4 20

 P(x)  1
24
Probabilidades con Tablas de clasificación

Ejemplo 2: Una empresa planea probar un nuevo producto. Su inserción depende de dos factores: la zona
y la densidad poblacional. Se registra la cantidad de negocios que lo comercializan.

a) Si se elige al azar un comercio de prueba, ¿cuál

es la probabilidad de que esté,
Densidad de población
i) En el Este?
Zona Urbana (U) Rural (R) Total
ii) En una densidad urbana?
Este (E) 25 50 75
Oeste (O) 20 30 50 iii) En una densidad rural del Oeste?
Total 45 80 125 iv) En el Este o en densidad urbana?

b) Si está en el Este, sea una zona urbana?

c) Son los sucesos “densidad de población” y
“zona” independientes?

25
 Densidad de población
Zona Urbana (U) Rural (R) Total a) i) ¿Prob. de que esté en el Este?
Este (E) 25 50 75
75
Oeste (O) 20 30 50 P( E ) 
125
Total 45 80 125

ii) ¿En una zona urbana?

45
iii) ¿En una zona rural del Oeste? P(U ) 
125
30
P( R y O) 
125

iv) ¿Prob de que el comercio esté en el Este o en zona urbana?

P( E o U )  P( E )  P(U )  P( E y U )
75 45 25 95
P( E  U )    
125 125 125 125

26
b) ¿Prob de que si está en el Este, sea una zona urbana?

P(U y E ) 25
P(U / E )   • Lo que se está preguntando aquí es una probabilidad
P( E ) 75 condicional.
• Su cálculo surge de despejar dicha probabilidad desde la
25 Regla de la Multiplicación o directamente observando la tabla.
 125 • Nótese que ahora el espacio muestral ya no son los 125
75 comercios, sino que se limita a los comercios “del Este”.
125

Densidad de población
• En la probabilidad condicional se dispone de
cierta información previa. Zona Urbana (U) Rural (R) Total

• Aquí, ya se conoce que el comercio seleccionado Este (E) 25 50 75

es de la zona Este. Oeste (O) 20 30 50
Total 45 80 125

27
c) ¿Son los sucesos “densidad de población” y “zona” independientes?

Densidad de población Si dos sucesos son independientes,

Zona Urbana (U) Rural (R) Total
Este (E) 25 50 75 P(U / E)  P(U ) Puesto que no existe una
condición previa que limite
Oeste (O) 20 30 50
el espacio muestral.
Total 45 80 125
Entonces la Regla del Producto queda:

P( E y U )  P( E)  P(U )
Demostración de independencia

P(U / E)  P(U ) P( E y U )  P( E )  P(U ) Como no se verifica la igualdad, queda

25 45 25 75 45 demostrado que a los sucesos “zona” y
   “densidad de población” no se los puede tratar
75 125 o 125 125 125
 como sucesos independientes.
0,3  0,36 0,2  0,216

28
Conclusión: La cantidad de negocios que comercializan el producto en las diferentes zonas depende de la
densidad poblacional.
¿Pero de qué manera son dependientes?

Inserción del producto según densidad poblacional

Inserción del producto según densidad poblacional 60
60
50
50
40
40
30 Urbana (U)
30 Este (E)
Rural (R)
Oeste (O) 20
20
10
10

0 0
Urbana (U) Rural (R) Este (E) Oeste (O)

Se observa que tanto en la zona Este como en el Oeste, el

producto tiene mejor inserción para densidades poblacionales
rurales.

29
Probabilidades con conjuntos

Ejercicio 6. P(A)=0.5 , P(B)=0.4 y P(A y B)=0,1 . Calcular:

U a) P( A )
A B
B Realizar para cada caso
un diagrama de Venn.
b) P ( B ) Sombrear lo que
A
0,4 0,3 corresponda.
0,1 c) P( B )
d ) P( A o B)
0,2
e) P ( A o B )

¿Son A y B sucesos independientes?

30
Datos: P(A)=0.5 , P(B)=0.4 y P(A y B)=0,1

A y B no son sucesos independientes

P( A  B)  P( A)  ( B)
0,1  0,5  0,4
0,1  0,2

31
Probabilidades con diagramas de árbol

Ejemplo 3. En una línea de producción, en promedio el 20% de todos los artículos producidos tienen
algún defecto. Cada artículo es inspeccionado antes de ser despachado. El inspector clasifica mal un
artículo el 10% de las veces.

a) ¿Qué proporción de artículos serán clasificados como aceptables?

b) ¿Qué porcentaje de los artículos que ya fueron despachados son realmente aceptables?

32
 a) ¿Qué proporción de artículos serán
Clasificación
Artículo del inspector clasificados como aceptables?

Los artículos que son clasificados como

Ac P( D y Ac) aceptables puede que sean defectuosos o que
0,1 no lo sean. Siguiendo el diagrama de árbol:

D
0,2 0,9
P( Ac )  P( D y Ac )  P ( D y Ac ) Probabilidad total

Ac P( D y Ac ) P( Ac )  P( D)  P( Ac )  P( D)  P( Ac )
D D
Ac P( D y Ac )
0,9 Dado que el artículo es D, Dado que el artículo es noD,
0,8 cuál es la probabilidad de cuál es la probabilidad de
que sea clasificado como Ac que sea clasificado como Ac
D
0,1

Ac P( D y Ac ) P( Ac )  0,2  0,1  0,8  0,9

P( Ac )  0,74

donde 0,1 y 0,9 son probabilidades condicionales, las que se observan en la segunda rama
del árbol. Aquí ya existe la condición previa de que los artículos son o no defectuosos. 33
b) ¿Qué porcentaje de los artículos que ya fueron despachados son realmente aceptables?

Esta pregunta refiere a la calidad de los artículos.

P( D y Ac ) Se supone que si los artículos fueron despachados es porque se los
P( D ) suponía no defectuosos.
Ac P( Ac )
Entonces lo que se pregunta es, de los que el inspector consideró
aceptables, ¿qué porcentaje realmente no era defectuoso?
donde,

Recordemos que la probabilidad

P( Ac )  P( D y Ac )  P ( D y Ac )
de artículos aceptables, incluye
más de un suceso condicionado
(probabilidad total)
0,8  0,9
P( D )  0,973
Ac 0,74

Lo hasta aquí expuesto es el Teorema de Bayes,

que no es otra cosa que una probabilidad
condicional.
34
Teorema de Bayes Otro ejemplo

Inicialmente sabíamos que P( D)  0,8 , es la

probabilidad a priori, pero ahora incorporamos
nueva información, sabemos que el artículo es
aceptable, entonces calculamos una
probabilidad a posteriori.

Bayes comienza con una idea sobre una

situación, pero luego esa idea inicial se va
modificando cada vez que aparece nueva
información.

35
 Pregunta de Thomas Bayes, ¿Cuál es la probabilidad
de que la bolita del segundo buzón sea negra, si la
bolita del primer buzón salió roja?

Thomas Bayes fue un reverendo presbiteriano y matemático

inglés del siglo XVIII. Su interés se centraba en probar la
existencia de Dios examinando toda evidencia que el mundo
aportaba sobre él.

Estableció un procedimiento por el cual, partiendo de

conocimiento acerca de un suceso, se puede ir aprendiendo
a partir de hechos observables para llegar a conocer aquello
que los causa.
FIN 36