U.N.T.

Ing. Minas
2019-1I

ESTADÍSTICA Y
PROBABILIDADES

Dra. Laura Rivera León

 PROBABILIDAD

• Experimento Aleatorio (E): es aquel fenómeno cuyos

resultado depende del azar y cumple ciertas
características:

a) El experimento se puede repetir indefinidamente

bajo condiciones idénticas.
b) Se puede describir el conjunto de todos los
resultados posibles, pero no se pueda asegurar o
predecir un resultado en particular.
c) Si se repite un número grande de veces debe
aparecer cierta regularidad estadística.
 PROBABILIDAD

• Sucesos: un suceso de un Experimento Aleatorio (E) es cada

uno de los posibles resultados de dicho experimento que no
puede descomponerse en resultados más simples

• Espacio Muestral (S): Es el conjunto de todos los

resultados posibles (sucesos) de un experimento aleatorio.
PROBABILIDAD

Teoría clásica
(Kolmogorov)
 Propiedades de la probabilidad

Las reglas cumplidas por los diagramas de Venn son las mismas reglas
cumplidas por la probabilidad.

B
A
W
P(W) = 1 0 ≤ P(A) ≤ 1

¿Cómo calculamos P(A o B)?

A
B
 PROPIEDADES DE LAS PROBABILIDADES

PROPIEDAD 1: La probabilidad de un evento

imposible φ es cero.

PROPIEDAD 2: complemento de un evento

P(Ac )= 1 – P(A)
PROPIEDAD 3: ley de la adición (unión de dos
eventos)

• Si A y B son incompatibles, entonces P ( A  B )  0 y

P( A  B)  P( A)  P(B)
PROPIEDAD 4: PROBABILIDAD CONDICIONAL

0< P(B)≤ 1

PROPIEDAD 5: EVENTOS INDEPENDIENTES

P (A B) = P(A) P(B)
Ejemplo: Dada la siguiente tabla (ocupación versus ingresos familiares)
Bajo Medio Alto

Ama de casa 8 26 6
Obreros 16 40 14
Ejecutivos 6 62 12
Profesionales 0 2 8

Se elige una persona de forma aleatoria. Calcular la probabilidad de que sea:

a) Ama de casa b) Ingreso bajo c) Ejecutivo con ingreso alto
d) Profesional o tenga ingreso medio e) no sea ejecutivo
f) Obrero si se sabe que tiene ingreso medio
g) ¿Son los sucesos A y M independientes?
 Ejemplo

En una cadena de televisión se hizo una encuesta a 2500 personas

para saber la audiencia de un debate y de una película que se
emitieron en horas distintas: 2 100 vieron la película, 1 500 vieron
el debate y 350 no vieron ninguno de los dos programas. Si
elegimos al azar a uno de los encuestados:

a) ¿Cuál es la probabilidad de que viera la película y el debate?

b) ¿Cuál es la probabilidad de que viera la película, sabiendo que

vio el debate?

c) Sabiendo que vio la película, ¿cuál es la probabilidad de que

viera el debate?
La ley de la probabilidad total y
el teorema de Bayes

Los sucesos B1, …, Bk

forman una partición si:

W = B1 o B2 o … o Bk
Bi y Bj = f
 La ley de la probabilidad total

A  W.
A es un suceso:
P(A)  P (A  B1 )+P (A  B2 )+...+P(A  BK ) 
 P (A | B1 )P(B1 )+P (A | B2 )P(B2 )+...+P(A|BK )P(BK )
 Teorema de Bayes

La probabilidad condicional se basa en el resultado de un

hecho para describir otra probabilidad específica.

Este concepto de puede extender cada vez que se tiene

nueva información con la cual determinar si una
probabilidad se debe a una causa específica.

Este procedimiento recibe el nombre de Teorema de

Bayes y se maneja así:
 Teorema de Bayes

Si A es un evento simple y Bi es una sucesión de eventos,

la probabilidad de que se cumpla el evento Bi dado que ya
se cumplió el evento A es:

P( A / Bi ) P( Bi )
P( Bi / A) 
P( A / B1 ) P( B1 )  P( A / B2 ) P( B2 )  ...  P( A / Bn ) P( Bn )
 El gerente de mercadotecnia de una compañía fabricante
de juguetes estudia el lanzamiento de un juguete nuevo. En
el pasado, el 40% de los juguetes introducidos por la
compañía han tenido éxito y 60% han fracasado.
 Antes de lanzar el nuevo juguete se realiza un estudio de
mercado y se hace un informe, ya sea favorable o
desfavorable. En el pasado, 80% de los juguetes con éxito
tenían un informe favorable y 30% de los juguetes que
fracasaron tenían un informe favorable. El gerente de
mercadotecnia quiere conocer la probabilidad de que el
juguete tenga éxito si recibe un reporte favorable.
 Análisis previo

¿Qué se busca? :
La probabilidad de que el juguete tenga éxito.

¿Qué condiciones tenemos? :

Resultados de un informe favorable

P(Éxito/Favorable)
 Análisis previo

Juguetes con éxito : 40% P(éxito) = 0.4

Juguetes con fracaso : 60% P(fracaso) = 0.6

Datos del pasado:

Juguetes que tuvieron éxito y previamente les habían
reportado un informe favorable  80%

Juguetes que fueron un fracaso y previamente les habían

reportado un informe favorable  30%
 Análisis previo

Juguetes que tuvieron éxito y previamente les habían

reportado un informe favorable  80%

P(Éxito/Favorable) = 0.8

Juguetes que fueron un fracaso y previamente les habían

reportado un informe favorable  30%

P(Fracaso/Favorable) = 0.3
 Propósito

La aplicación del teorema de Bayes indica que se busca la

probabilidad de que un juguete sea un éxito, siendo que el
dictamen que se tiene es favorable; el enunciado es el
siguiente:

P(Éxito/Favorable) =

P( Favorable / Éxito) P( Éxito)


P( Favorable / Éxito) P( Éxito)  P( Favorable / Fracaso) P( Fracaso)
 Desarrollo

P( Favorable / Éxito) P( Éxito)


P( Favorable / Éxito) P( Éxito)  P( Favorable / Fracaso) P( Fracaso)

(0.8)(0.4)

(0.8)(0.4)  (0.3)(0.6)
(0.32)

(0.32)  (0.18)


0.32
 0.64 64%
0.5
La probabilidad de que una persona tenga una enfermedad
es de 0.03. Se dispone de pruebas de diagnóstico médico
para determinar si una persona en realidad padece la
enfermedad.

Si la enfermedad de hecho está presente, la probabilidad

de que la prueba de diagnóstico médico de un resultado
positivo es de 0.9. Si la enfermedad no está presente, la
probabilidad de un resultado positivo en la prueba de
diagnóstico médico es de 0.02.
22
Suponga que la prueba de diagnóstico médico ha dado un
resultado positivo. ¿Cuál es la probabilidad de que la
enfermedad esté presente en realidad.

¿Qué se busca? :
La probabilidad de que el paciente esté enfermo

¿Qué condiciones tenemos? :

Diagnóstico positivo
 Se busca calcular : P(Enfermo/Positivo)

Pacientes enfermos : 0.03 P(Enfermo) = 0.03

Pacientes sanos : 0.97 P(Sano) = 0.97

Datos de pacientes en el pasado:

Resultado positivo y estaban enfermos  0.90
Resultado positivo y estaban sanos  0.02
 Análisis previo

Resultado positivo y estaban enfermos  0.90

P(Positivo/Enfermo) = 0.9

Resultado positivo, y estaban sanos 0.02

P(Positivo/Sano) = 0.02
 Propósito

La aplicación del teorema de Bayes indica que se busca la

probabilidad de que un paciente dé un resultado positivo y
los datos anteriores indican que está enfermo, el
planteamiento es el siguiente:

P(Positivo/Enfermo) =
P( Enfermo / Positivo) P( Positivo)

P( Enfermo / Positivo) P( Positivo)  P( Sano / Positivo) P( Positivo)
 Desarrollo

P( Enfermo / Positivo) P( Positivo)


P( Enfermo / Positivo) P( Positivo)  P( Sano / Positivo) P( Positivo)

(0.9)(0.03)

(0.9)(0.03)  (0.02)(0.97)

(0.027)

(0.027  (0.0194) 58%
0.027
  0.5819
0.0464
 Ejemplo 2

Una compañía armadora de computadoras compra

módulos de memoria RAM a tres proveedores: B1, B2
y B3. Del total requerido por la compañía, B1
suministra el 55%, B2 suministra el 30% y B3
suministra el 15%.

Además, el 3% de las memorias que provee B1 están

defectuosas, el 1% de las memorias que provee B2
están defectuosas, y el 2.5% de las memorias que
suministra B3 están defectuosas. ¿cuál es la
probabilidad de que al tomar una memoria al azar de
la totalidad suministrada esta esté defectuosa?
 Solución:
El módulo de memoria puede provenir del proveedor
B1 o B2 o B3 (nótese que son eventos
excluyentes) y estas son sus probabilidades
correspondientes.
P(B1) = 0.55; P(B2) =0.30 y P(B3) = 0.15
Además puede observarse que cada proveedor tiene
diferente tasa de memorias defectuosas por lo tanto
la probabilidad de obtener una memoria defectuosa
dependerá de cuál proveedor se tomó. Por lo tanto si
denotamos como D el evento memoria defectuosa
entonces.
P(D | B1) = 0.03; P(D | B2) =0.01 y
P(D | B3) = 0.025
Además puede observarse que cada proveedor tiene
diferente tasa de memorias defectuosas por lo tanto
la probabilidad de obtener una memoria defectuosa
dependerá de cuál proveedor se tomó. Por lo tanto si
denotamos como D el evento memoria defectuosa
entonces.
P(D | B1) = 0.03; P(D | B2) =0.01 y
P(D | B3) = 0.025
Por lo tanto la probabilidad de que se seleccione al azar una
memoria defectuosa será

P(D) = P(B1) P(D|B1) + P(B2) P(D|B2) + P(B3) P(D|B3)

P(D) = (0.55)(0.03) + (0.30)(0.01) +(0.15)(0.025)

= 0.0165 + 0.003 + 0.00375
= 0.02325
.Encontramos que la probabilidad de que el módulo de memoria
esta defectuosas tomando en cuenta todas los proveedores es
P(D) = 0.02325
y la contribución de probabilidad a la ocurrencia de D por parte de
B2 es
P(D∩B2) = 0.003.
Por lo tanto:

P( B 2  D) P ( B 2) P ( D | B 2) 0.003
P ( B 2 | D )  3   0.1290
 P ( Bi ) P ( D | Bi )
P( D) 0.02325
i 1

Visualizando el problema , quedaría como sigue:

Esta sería una forma gráfica de representar el problema que se acaba de resolver

P(E|B1)=0.03
P(E∩B1)=(0.55)(0.03)=0.016

P(B1)=0.55

P(B2)=0.30 P(E|B2)=0.01
P(E∩B2)=(0.30)(0.01)=0.003

P(B3)=0.15 P(E|B3)=0.025
P(E∩B3)=(0.15)(0.025)=0.00375

P(D) = 0.016+0.003+0.00375
=0.02325
 P(D|B1)=0.03

P(D∩B1)=(0.55)(0.03)
P(B1)=0.55 =0.016

P(D|B2)=0.01
P(B2)=0.30 P(D∩B2)=(0.30)(0.01)
=0.003

P(D|B3)=0.025
P(B3)=0.15
P(D∩B3)=(0.15)(0.025)=
0.00375
P(D) = 0.016+0.003+0.00375 =0.02325
P(B2| D) = 0.003/0.02325=0.1290
 Ejemplo 3

En un despacho de consultoría, 60% del trabajo lo realiza el

grupo de administración y el restante 40% el grupo de
software. El equipo administrativo tiene 3% de errores y el de
software 5%. Si un trabajo es tomado al azar, ¿cuál es la
probabilidad de que tenga errores?
 Solución:

Sea E el evento trabajo con error, B1 el grupo administrativo y B2

el grupo de software, entonces la probabilidad de que el trabajo lo
desarrolle B1 es P(B1) = 0.60 y la probabilidad de que el trabajo
lo desarrolle B2 es P(B2) = 0.40.

Por otro lado La probabilidad de que un error se deba al grupo B1

(Administrativo) es P(E | B1) = 0.03 y la probabilidad de el error se
deba a B2 es P(E | B2) = 0.05. Entonces la probabilidad de que un
trabajo tomado al azar tenga error es

P(E) = P(B1) P(E|B1) +P(B2) P(E|B2)

= (0.60)(0.03)+ (0.40)(0.05)
= 0.038
Por otro lado La probabilidad de que un error se deba al
grupo B1 (Administrativo) es P(E | B1) = 0.03 y la
probabilidad de el error se deba a B2 es P(E | B2) = 0.05.
Entonces la probabilidad de que un trabajo tomado al azar
tenga error es

P(E) = P(B1) P(E|B1) +P(B2) P(E|B2)

= (0.60)(0.03)+ (0.40)(0.05)
= 0.038
.Supóngase que se obtuvo un trabajo con error. Determine la
probabilidad de que dicho trabajo lo realizó el departamento
administrativo.

La probabilidad de que un trabajo tenga error es P(E) = 0.038 y la

probabilidad de que el trabajo lo haya efectuado el departamento
administrativo (B1) y haber cometido el error es P(B1∩E) = 0.018.
Entonces la probabilidad de que dado que el trabajo tiene error este lo
haya cometido B1 será:

P(B1 | E) = 0.018/0.038 = 0.4737

La probabilidad de que un trabajo tenga error es P(E) = 0.038 y la
probabilidad de que el trabajo lo haya efectuado el departamento
administrativo (B1) y haber cometido el error es P(B1∩E) = 0.018.
Entonces la probabilidad de que dado que el trabajo tiene error este
lo haya cometido B1 será:

P(B1 | E) = 0.018/0.038 = 0.4737

 Visualizando el ejemplo con la tabla

Fuente P(Bi) P(E|Bi) P(E∩Bi)

Administración (B1) 0.60 0.03 0.018

Software (B2) 0.40 0.05 0.020

P(E)= 0.038

P(B1 | E) = 0.018/0.038 = 0.4737