PROBABILIDAD Y ESTADISTICA

TEORIA DE LA PROBABILIDAD
 PROBABILIDAD
El concepto de probabilidad es manejado por
mucha gente. Frecuentemente se escuchan
preguntas como las que se mencionan a
continuación:
¿Cuál es la probabilidad de que me saque la
lotería o la tinka?
¿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 el
primer parcial?
 PROBABILIDAD
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 interpretar la probabilidad.
En este curso lo que se quiere es
entender con claridad su contexto,
como se mide y como se utiliza al
hacer inferencias.
 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 y estocástico, si
sus resultados no son constantes.
Puede ser efectuado cualquier número de veces
esencialmente en las mismas condiciones.
 PROBABILIDAD
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, pertenece
a un conjunto conocido previamente de
resultados posibles.
 PROBABILIDAD

Ejemplos:
Tirar dardos en un blanco determinado
Lanzar un par de dados
Obtener una carta de una baraja
Lanzar una moneda
 PROBABILIDAD

Ejemplos de eventos:
A: que al nacer un bebe, éste sea
niña
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
Espacio Muestral
Es el conjunto de todos los posibles resultados
de interés de un experimento dado, y se le
denota normalmente mediante la letra Ω.

Ejemplos:
1.- Experimento: Se lanza una moneda.
Espacio muestral = total de formas en como
puede caer la moneda, o sea dos formas de
interés, que caiga cara o que caiga sello. (Si
cae de canto no es de interés y se repite el
lanzamiento).
Ω = { c, s }
 PROBABILIDAD
2.- Experimento: Se lanza un dado.
Espacio muestral = total de caras en que puede
caer el dado, o sea seis formas de interés:
Ω = { 1, 2, 3, 4, 5, 6 }
 PROBABILIDAD

 PROBABILIDAD
Eventos aleatorios que aparecen con gran
frecuencia en el cálculo de probabilidades:

Evento seguro.- Siempre se verifica después del

experimento aleatorio, son los mismos del
espacio muestral.
E = Ω y n(E) = n(Ω)

Evento Imposible.- Es aquel que nunca se verifica

como resultado del experimento aleatorio. No
tiene elementos de interés para su fenómeno. Es
un subconjunto de Ω, y la única posibilidad es
que el evento imposible sea el conjunto vacío.
  Ω, y n() = 0
 PROBABILIDAD

Evento Elemental.- Es el evento A que contiene

exactamente un punto muestral de Ω, esto es,
n(A) = 1.
Cada elemento del espacio muestral, es un
evento elemental. También se le denomina
como punto muestral.

Si A1, A2  Ω entonces A1, A2 son

eventos elementales.
 PROBABILIDAD
Ejemplos (1) y (2):

En el experimento 1,
Ω = { c, s }, c y s son sucesos elementales
n(Ω) = 2

A = Que caiga cara = { c }, n(A) = 1

B = Que caiga sello = { s }, n(B) = 1
 PROBABILIDAD

En el experimento 2,
Ω = { 1, 2, 3, 4, 5, 6 }, 1, 2, 3, 4, 5 y 6
son sucesos elementales, y n(Ω) =6
A = Que caiga un uno = { 1 }
B = Que caiga un dos = { 2 }
: : :
: : :
F = Que caiga un seis = { 6 }
 PROBABILIDAD
Evento Compuesto.- Es el evento E que contiene
más de un punto muestral de Ω, por tanto
n(E) > 1
Evento contrario a un evento A: También se
denomina evento complemento de A y es el
evento que se verifica si, como resultado del
experimento aleatorio, no se verifica A.
Ya que los eventos son conjuntos, este evento se
denota con el símbolo Ac o bien Ā, y se define
como:
A   s  tal que s  A
c
 PROBABILIDAD
Ejemplo:
Experimento: Se lanza una moneda tres veces.
Espacio Muestral:
Ω = {(S,S,S), (S,S,C), (S,C,S), (C,S,S), (C,C,S), (C,S,C),
(S,C,C), (C,C,C)},
n(Ω) = 8, a
A es el evento seguro.

Evento simple:
B:Que salgan tres sellos; B ={ (S,S,S) } , n(B) = 1
Evento compuesto:
E: Que salgan al menos dos sellos;
E = { (S,S,S), (S,S,C), (S,C,S), (C,S,S) }, n(E) = 4

Evento imposible:  (conjunto vacío). n() = 0

 PROBABILIDAD

Si un espacio muestral contiene n puntos

muéstrales, hay un total de 2n subconjuntos o
eventos ( se le conoce como conjunto potencia ).

Por tanto para el ejemplo anterior existen:

28 = 256, eventos posibles.

Para el caso del experimento: se tira una

moneda,
el espacio muestral es de 2 puntos muéstrales
Ω = {C, S}, por lo que se tienen 22 = 4
subconjuntos y el conjunto potencia es: (C,S),
(C), (S) y  (conjunto vacío).
 PROBABILIDAD

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

UNION AB Unión de eventos originales: es el

evento que sucede si y solo si A
sucede o B sucede o ambos
suceden

INTERSECCION 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.
 PROBABILIDAD

Gráficamente estas operaciones se pueden

representar a través de los diagramas de Venn.
Sea Ω el espacio muestral y 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.

 PROBABILIDAD

A B

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

 PROBABILIDAD
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.
 PROBABILIDAD
Ejemplo:
Experimento: Se lanza un dado.
Espacio muestral = total de caras en que puede
caer el dado, o sea seis formas de interés:
Ω = { 1,2,3,4,5,6 }, n(Ω) = 6
Sean A, B, C los eventos:
A: Que caiga un número impar = {1, 3, 5}, n(A) = 3
B: Que caiga un número mayor de 2 y menor que 5
= { 3, 4 }, n(B) = 2
C: Que caiga un número par = { 2, 4, 6 }, n(C) = 3
 PROBABILIDAD

B Ω
A
1
3
4
5
2 6
C

A B = { 1, 3, 5 } { 3, 4 } = {1,3,4,5}, n(A B) = 4

A  C = { 1, 3, 5 } { 2,4,6 } = {1,2,3,4,5,6}= Ω, n(A C) = n(Ω) = 6
B  C = { 3, 4 }  { 2, 4, 6 } = {2,3,4,6}, n(B  C) = 4
A B  C = { 1, 3, 5 } { 3, 4 } { 2,4,6 }= {1,2,3,4,5,6}=S, n(A B  C) = 6
 PROBABILIDAD

Ω
B
A
3
4

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
 PROBABILIDAD

B Ω
A
1
3
5

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
 PROBABILIDAD

B Ω

1
A 3
4
5
2 C
6

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
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 sello {s}, se tiende a estabilizar
aproximadamente en 0.5= 1/2.
 PROBABILIDAD

Probabilidad clasica

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.
 PROBABILIDAD

Esto es:

N ( A)
P( A)  (2)
N ()
donde
N(A) = número de elementos del evento A
N(Ω) = número de elementos del espacio muestral Ω.
 PROBABILIDAD
Probabilidad: 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)  (1)
donde NCT
NCF - número de casos favorables
NCT - número de casos totales
 PROBABILIDAD

Ejemplo:
Experimento.- Se lanza una moneda
Evento A.- que al lanzar una moneda caiga cara.
Calcular la probabilidad de A:
Ω = { C, S}, N(Ω) = 2
A = { C }, N(A) = 1

N ( A) 1
P( A)    .5
N () 2
 PROBABILIDAD

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.
 PROBABILIDAD

Axioma 1.- Sea Ω un espacio muestral cualquiera

y A un evento, tal que A  Ω, entonces se
cumple que
0  P(A)  1 (3)

esto significa que la probabilidad de cualquier

evento no puede ser más grande que uno, ni ser
menor que cero. Si es igual a 1 se llama evento
seguro, y cuando es cero se llama evento
imposible.
P(A)
___________________________________
 -2 -1 0 1 2
 PROBABILIDAD
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 () N ()
 PROBABILIDAD
Teorema 1.- Si  es el conjunto vacío, entonces la
probabilidad de  es igual a 0

N ()
P()  0
N ()
Ejemplos:
Una persona que quiere ganar la lotería nacional,
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
 PROBABILIDAD
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
 PROBABILIDAD
Ejemplo:
Experimento: Se lanzan dos monedas
Ω = {ss, cc, sc, cs}
N(Ω) = 4
Sean:
A: el evento de que al lanzar un par de monedas caigan
dos sellos exactamente
B: el evento de que al lanzar un par de monedas caiga un
sello exactamente.
Los elementos de A y B son
A = {ss}
B = {sa, as}
Se puede ver que A  B = , no hay elementos en común,
por lo que los eventos son mutuamente exclusivos,
incompatibles o disjuntos, por tanto
P(A  B) = P(A) + P(B)
 PROBABILIDAD

N ( A) 1
P( A)  
N ( ) 4
N ( B) 2
P( B)  
N ( ) 4
1 2 3
P( A  B)  P( A)  P( B)   
4 4 4
 PROBABILIDAD

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.
 Si los eventos no son mutuamente
excluyentes entonces para n eventos
seria:

P( A1 A2 ... An )  P( A1 )  P( A2 )  ...  P( An ) 
n n

 P( A
i j
i Aj )   P( Ai
i  j k
Aj Ak ) ...  P( A1 A2 ... Ak )
 PROBABILIDAD
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
 PROBABILIDAD

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 () 6
N ( B) 2
P( B)  
N () 6
N (C ) 2
P (C )  
N () 6
2 2 2 6
P ( A  B  C )  P ( A)  P ( B )  P (C )     1
6 6 6 6
 PROBABILIDAD

Teorema 2.-(Ley Aditiva de la Probabilildad).

Sean A y B dos eventos no excluyentes, A  B 
, entonces
P(A  B) = P(A) + P(B) - P(A  B)

A B
 PROBABILIDAD

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

A- B
 PROBABILIDAD
Ejemplo.-
Experimento.- Se lanza un dado y una moneda
Ω = {1s, 2s, 3s, 4s, 5s, 6s, 1c, 2c, 3c, 4c, 5c, 6c }
n(Ω) = 12
A: Al lanzar un dado y una moneda aparezcan el
número 2 o 3 con sello.
B: Al lanzar un dado y una moneda aparezcan
números pares con sello.
A = { 2s, 3s }, n(A) = 2
B = { 2s, 4s, 6s } n(B) = 3
A  B = { 2s } n(A  B ) = 1
P(A  B) = P(A) + P(B) - P(A  B)
= 2/12 + 3/12 – 1/12 = 4/12 = 1/3
 PROBABILIDAD

Teorema 3.- Sea A un evento cualquiera y Ω un

espacio muestral, tal que AS, 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)
 PROBABILIDAD
Experimento.- Se lanza un dado y una moneda
Ω = {1s, 2s, 3s, 4s, 5s, 6s, 1c, 2c, 3c, 4c, 5c, 6c }
n(Ω) = 12
A: Al lanzar un dado y una moneda aparezcan el
número 2 o 3 con sello.
B: Al lanzar un dado y una moneda aparezcan
números pares con sello.
A = { 2s, 3s }, n(A) = 2
B = { 2s, 4s, 6s } n(B) = 3
Ac = { 1s, 4s, 5s, 6s, 1a, 2a, 3a, 4a, 5a, 6a }
P(Ac) = 1 – P(A) = 1 – 2/12 = 10/12
Bc = { 1s, 3s, 5s, 1a, 2a, 3a, 4a, 5a, 6a }
P(Bc) = 1 – P(B) = 1 – 3/12 = 9/12
 PROBABILIDAD
Probabilidad Condicional.
Sea E 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 )
 PROBABILIDAD
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
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

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)
 PROBABILIDAD
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
 PROBABILIDAD

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)

Ac n(AcB) n(AcBc) n(Ac)

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)

 PROBABILIDAD

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)
 PROBABILIDAD

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. Si la población total es de 8000
personas,
¿ Cuál es la probabilidad de que la persona
escogida sea ?:
 PROBABILIDAD
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 S

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 = 0.1 3200/8000= 0.4 4000/8000= 0.5

H 200/8000= 0.025 3800/8000= 0.475 4000/8000= 0.5

Total 1000/8000= 0.125 7000/8000= 0.875 8000/8000= 1

 PROBABILIDAD
P(M) = 0.50
P(H) = 0.50
P(E) = 0.875
P(D) = 0.125
P(M/E) = P(ME)/P(E) = 0.40/0.875 = 0.4571
P(D/H) = P(DH)/P(H) = 0.025/0.5 = 0.05
P(E/M) = P(ME)/P(M) = 0.40/0.5 = 0.8
P(M/D) = P(MD)/P(D) = 0.10/0.125 = 0.8
P(H/D) = P(HD)/P(D) = 0.025/0.125 = 0.2
 PROBABILIDAD

Eventos dependientes e independientes

En el ejemplo anterior se tiene que
P(M) = 0.50
P(H) = 0.50
P(E) = 0.875
P(D) = 0.125
P(ME) = 0.40 P(M) P(E) = 0.4375
P(DH) = 0.025 P(D) P(H) = 0.0625
P(MD) = 0.10 P(M) P(D) = 0.0625
P(EH) = 0.475 P(E) P(H) = 0.4375
 PROBABILIDAD

Por tanto los eventos M y E ,

D y H,
M y D,
EyH
son dependientes.
 Ley general Multiplicativa para n
eventos

P( A1 A2 A3 ... Ak )  P( A1 ) P( A2 \ A1 ) P( A3 \ A1 A2 )...P( Ak \ A1 A2 ... Ak 1 )

INDEPENDENCIA DE n EVENTOS

P( A1 A2 A3 ... Ak )  P( A1 )P( A2 ) P( A3 )...P( Ak )

 PROBABILIDAD
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
 PROBABILIDAD

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

A2
A5
A3
A1 A4

E
A6

An

E
 PROBABILIDAD
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

 PROBABILIDAD
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)
 PROBABILIDAD
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 ?
 PROBABILIDAD
Sea
D el evento: Que sea un artículo defectuoso.
P(M1) = 0.50 P(D/M1) = 0.03
P(M2) = 0.30 P(D/M2) = 0.04
P(M3) = 0.20 P(D/M3) = 0.05

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

P(D/M3) P(M3)
= 0.03(0.50) + 0.04(0.30) + 0.05(0.20)
P(D) = 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
 PROBABILIDAD

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 )
 PROBABILIDAD

Como la probabilid ad completa de E es :

P(E)  P(A 1 )P(E/A 1 )  P(A 2 )P(E/A 2 )    P(A n )P(E/A n )

entonces
P( Ai ) P( E / AI )
P( Ai / E ) 
P(E)
 PROBABILIDAD
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?
 PROBABILIDAD
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
 PROBABILIDAD
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%