Probabilidad

Cul es la probabilidad de aprobar Estadstica?

Cul es la probabilidad de no encontrarme un atasco en Av. 6

cuando voy a clase?

Todos los das nos hacemos preguntas sobre probabilidad e

incluso los que hayis visto poco de la materia en cursos
anteriores, tenis una idea intuitiva lo suficientemente correcta
para lo que necesitamos de ella en este curso.
 Teora de Probabilidad

La teora de probabilidad estudia los mtodos de anlisis que son comunes en el

tratamiento de fenmenos aleatorios.

De otra forma, la probabilidad es la ciencia de los fenmenos aleatorios, en el

sentido que estudia las propiedades de estos fenmenos que dependen
esencialmente del concepto de aleatoriedad y no de otros aspectos particulares.

Un fenmeno aleatorio (fortuito o al azar) es un fenmeno emprico que se

caracteriza por la propiedad de que, al observarlo bajo determinado conjunto de
condiciones, no siempre existe el mismo resultado (no existe regularidad
determinista) sino que los diferentes resultados ocurren con regularidad
estadstica.
 Teora de Probabilidad

Regularidad estadstica: Esto quiere decir que existen nmeros entre 0 y 1 que
representan la frecuencia relativa con la que se observan los diferentes resultados en
una serie de repeticiones independientes del fenmeno.

Hay dos conceptos ligados al fenmeno aleatorio: evento aleatorio, y probabilidad de

un evento aleatorio.
Un evento aleatorio tiene la propiedad de que la frecuencia relativa con la que aparece
en una sucesin muy larga de observaciones realizadas al azar, se acerca a un valor
lmite estable a medida que el nmero de observaciones tiende al infinito. Y este valor
lmite se llama probabilidad del evento aleatorio.
 Teora de Probabilidad

Ejemplo de lo anterior: lancemos mil veces dos dados y observemos

la suma de las caras superiores de cada lanzamiento
Comparacin de frecuencias y prob. terica

0,18
0,16
0,14
0,12
0,1 Frec. Rel.
0,08 Prob.teo.
0,06
0,04
0,02
0
2 3 4 5 6 7 8 9 10 11 12
Suma de dos dados
 Teora de Probabilidad

En el ejemplo anterior:
Experimento aleatorio: lanzar dos daos
Un evento aleatorio: obtener suma 7
Probabilidad (a priori) del evento anterior: 6/36

En la medida que los valores de las frecuencia relativas al repetir muchas veces el
experimento, bajo las mismas condiciones, se aproxima a nuestros valores de
probabilidad (tericos), se dice que el fenmeno aleatorio del lanzamiento de un
dado tiene este modelo matemtico (definido por las barras rojas).
 DEFINICION DE EXPERIMENTO

Experimento: Es el proceso por medio del cual se

obtiene una observacin (o medicin)

Ejemplos:

1. Registrar la puntuacin obtenida en una prueba

2. Medir la cantidad de lluvia cada diariamente
3. Entrevistar a un votante para que nos diga su
preferencia antes de una eleccin
4. Inspeccionar una lmpara incandescente para
determinar si es un producto defectuoso o aceptable.
5. Lanzar una moneda y observar el lado que aparece.
TIPOS DE EXPERIMENTOS

Un experimento es determinista cuando existe un conjunto de

circunstancias que, antes de su ejecucin, determinan
completamente su resultado.

Un experimento es aleatorio si no podemos predecir su resultado

de antemano. Un experimento o un fenmeno es aleatorio si
cumple:

1. Si no hay condicin externa que influya en el resultado, es

decir, podemos realizar el experimento siempre en las
mismas condiciones.
2. Se desconoce el resultado de una prueba.
3. Se conocen todos los posibles resultados (en algunos casos
en otros no es posible).
 ESPACIO MUESTRAL Y SUCESOS
Un espacio muestral se define como el conjunto de todos los posibles resultados
(puntos mustrales), de un experimento aleatorio. Se denota por la letra S.

Ejemplo: Lanzar un dado y observar el numero que aparece en la cara superior:

S={1,2,3,4,5,6}

Se define suceso aleatorio a cualquier subconjunto del espacio muestral, y por lo

tanto es una coleccin especifica de puntos muestrales. Generalmente los sucesos
se denotan con letras maysculas: Ejemplo:
Suceso A= salir el nmero 2 {2} es un subconjunto de S
Suceso B= salir PAR {2,4,6} es un subconjunto de S

Se define suceso simple a cualquier resultado de una prueba de un determinado

experimento aleatorio, el cual no puede ser descompuesto. Los sucesos simples se
denotarn usando el smbolo E, con un subndice. En el ejemplo anterior:
Suceso E1={1}, observar un 1
Suceso E2={2}, observar un 2
Suceso E6={6}, observar un 6

Un experimento produce uno y solo uno de los sucesos simples

 ESPACIO MUESTRAL Y SUCESOS
Un suceso es una coleccin especifica de puntos mustrales.

Un suceso particular ocurrir si ocurre cualquier punto muestral de dicho suceso.

Un suceso compuesto es un conjunto de sucesos simples: Ejemplo: lanzar dado y

observar la cara que cae hacia arriba: Suceso de inters B: Cae un numero par.

Los puntos mustrales observados al lanzar un dado son: E1 = 1

E2 = 2
E3 = 3
E4 = 4
E5 = 5
E6 = 6
El espacio muestral de este experimento, podemos denotarlo as:

S = {E1, E2, E3, E4, E5, E6} o S = {1, 2, 3, 4, 5, 6}

Suceso compuesto B: cae un numero par, B = {E2, E4, E6} o B = {2, 4, 6}

 ESPACIO MUESTRAL Y SUCESOS
Un seceso tambin puede ser representado por los diagramas de Venn

Lanzar un dado y observar la cara que cae

hacia arriba: S espacio muestral

Espacio Muestral: E6
A
S = {E1, E2, E3, E4, E5, E6} o S = {1, 2, 3, 4, 5, 6} E5 E4

A: se observa un numero impar E1

E2
B: se observa un numero menor que 4
B
E3
A = {E1, E3, E5} = {1, 3, 5}
B = {E1, E2, E3} = {1, 2, 3}

Ntese que los puntos E1 y E3 estn en ambos

sucesos A y B y que ambos, A y B, ocurren si E1,
o E3 ocurren.
 OPERACIONES ENTRE SUCESOS S espacio muestral
Se llama suceso contrario o complemento
(complementario) de un suceso A, A, al formado A
por los elementos que no estn en A A

Se llama suceso unin de A y B, AUB, al formado

por los resultados experimentales que estn en A
o en B (incluyendo los que estn en ambos.
S espacio muestral
Se llama suceso interseccin de A y B, AB o
simplemente AB, al formado por los elementos A
que estn en A y B
B
S espacio muestral S espacio muestral

A A

B B

UNIN INTERSECCION
 OPERACIONES ENTRE SUCESOS
Diferencia de sucesos. Dados dos sucesos A y B, la diferencia A\B
( A-B) es el suceso que ocurre cuando ocurre A y B no ocurre.

Si A = {a, b, c, d} y B = {b, d} A B
la diferencia de conjuntos A \ B es A-B = {a, c}

Sucesos incompatibles. Dos sucesos A y B, son incompatibles o

mutuamente excluyentes (disjuntos) si AB=
 Ejemplo 1:
S se define el conjunto universal S como: S = {1, 2, 3, 4, 5, 6, 7} y
los eventos A = {1, 2, 3}, B = {2, 4, 6}, C = {1, 3, 5, 7}

Determinar los puntos de los siguientes sucesos :

A' , B' , C' , A B, A C, BC, A B, A C, BC

Solucin:
A' = {4, 5, 6, 7}
B' = {1,3,5,7}
C' = {2, 4, 6}
AB = {1, 2, 3, 4, 6}
AC = {1, 2, 3, 5, 7}
BC = {1, 2, 3, 4, 5, 6, 7}
A B = {2}
AC = {1,3}
BC = {}
 Leyes importantes correspondientes a conjuntos
Leyes de identidad
A=A AS=A AS=S A=

Leyes de Idempotencia
AA=A AA=A

Leyes de complemento
A A' = S A A' =

Leyes conmutativas
AB=BA AB=BA

Leyes de Morgan
(A B)' = A' B' (A B)' = A' B

Leyes asociativas
A(BC) = (A B)C A(BC) = (A B)C

Leyes distributivas
A(BC) = (A B)(AC) A(BC) = (A B)(AC)
Ejemplo:
Un estudio de 100 estudiantes, proporciona los siguientes datos: 41 alumnos
estudian espaol, 29 estudian francs, 26 estudian ruso, 15 estudian francs y
espaol, 8 estudian francs y ruso, 19 estudian espaol y ruso, 5 estudian los tres
idiomas. Hallar:
a).- El nmero de estudiantes que no llevan ningn idioma.
b).- Estudiantes que llevan nicamente un idioma.

={100 estudiantes} =estudian espaol R=estudian ruso F=estudian francs

R
E

F
a.- El nmero de estudiantes que no estudian ningn idioma es de 41,
b.- En tanto el nmero de estudiantes que cursan slo un idioma es de 27.
 EJERCICIO
Al interrogar a 500 estudiantes, se concluyo que estn inscritos en una o ms
materias semestrales de lgebra (A), fsica (F) y estadstica (E). 329 alumnos estn
inscritos en lgebra, 186 en fsica, 295 en estadstica, 83 en lgebra y fsica, 217 en
Algebra y estadstica y 63 en fsica y estadstica.

Cuantos estn inscritos en tres asignaturas?

Se sabe que A E F = 500

 Solucin:
Se sabe que A E F = 500

A F E = A + F + E A E A F E F + A F E
500 = 329 +186 + 295 217 83 63 + A F E
Despejando:
A F E = 500 329 186 295 + 217 + 83 + 63 = 53

Es decir, slo 53 alumnos estn inscritos en las tres asignaturas.

METODOS DE CONTEO DE PUNTOS
MUESTRALES

Permutaciones: Calcula el nmero de

Sub-grupos de tamao n que se
pueden extraer de un conjunto de N
elementos teniendo en cuenta el
orden.
N!
Pn
N

( N n)!
 Combinacines: Calcula el nmero de
Sub-grupos de tamao n que se
pueden extraer de un conjunto de N
elementos sin tener en cuenta el
orden.
N!
C N

n!( N n)!
n
 Teora de Probabilidad

Podemos decir entonces que la teora de la probabilidad es el estudio de los

modelos matemticos de los fenmenos aleatorios; de otro forma, que trata de
las proposiciones que pueden hacerse acerca de un fenmeno aleatorio del
que se han postulado ciertas propiedades.

Cmo se formulan los postulados acerca de un fenmeno aleatorio?

Para responder a esto, es necesario conocer el conjunto de todos los

posibles resultados del fenmeno aleatorio, conocido como el espacio de
las descripciones mustrales, o simplemente espacio muestral.
 COMO SE CALCULA?

Teora Clsica
Si los puntos en el espacio muestral
son equiprobables:

Puntos Favorables
Probabilidad de un evento = Puntos Posibles
 Nociones de probabilidad
Frecuentista (objetiva): Probabilidad de un suceso es la
frecuencia relativa (%) de veces que ocurrira el suceso
al realizar un experimento repetidas veces.
CLASIFICACI ON OMS CLASIFICACION OMS

NORMAL
Frecuencia Porcentaje
Vlidos NORMAL 469 46, 9% OSTEOPENIA
OSTEOPENIA 467 46, 7%
OSTEOPOR OSI S 64 6, 4% OSTEOPOROSIS

Tot al 1000 100,0

0 10 20 30 40 50
Porcentaje

Subjetiva (bayesiana): Grado de certeza que se posee sobre

un suceso. Es personal.

En ambos tipos de definiciones aparece el concepto de

suceso. Vamos a recordar qu son y algunas operaciones
que se pueden realizar con sucesos.
Definicin de probabilidad
Se llama probabilidad a cualquier funcin, P, que asigna a
cada suceso A un valor numrico P(A), verificando las
siguientes reglas o axiomas
Axiomas:
P(E)=1 E espacio muestral
100%

E espacio muestral
0P(A) 1
A
P(AUB)=P(A)+P(B) si AB= B

es el conjunto vaco.

Puedes imaginar la probabilidad de un subconjunto como

el tamao relativo con respecto al total (suceso seguro)
Probabilidad condicionada
Se llama probabilidad de A condicionada a B, o
probabilidad de A sabiendo que pasa B:
E espacio muestral

P( A B)
P( A | B) A
P( B) B

Error frecuentiiiiiisimo:
No confundir probabilidad condicionada con interseccin.
En ambos medimos efectivamente la interseccin, pero
En P(AB) con respecto a P(E)=1
En P(A|B) con respecto a P(B)
Intuir la probabilidad condicionada
A A

B
B

P(A) = 0,25 P(A) = 0,25

P(B) = 0,10 P(B) = 0,10
P(AB) = 0,10 P(AB) = 0,08

Probabilidad de A sabiendo que ha pasado B?

P(A|B)=1 P(A|B)=0,8
Intuir la probabilidad condicionada
A A

B
B

P(A) = 0,25 P(A) = 0,25

P(B) = 0,10 P(B) = 0,10
P(AB) = 0,005 P(AB) = 0
Probabilidad de A sabiendo que ha pasado B?
P(A|B)=0,05 P(A|B)=0
Algunas reglas de clculo prcticas
Cualquier problema de probabilidad puede
resolverse en teora mediante aplicacin de los
axiomas. Sin embargo, es ms cmodo conocer
algunas reglas de clculo:

P(A) = 1 - P(A)

P(AUB) = P(A) + P(B) - P(AB)

P(AB) = P(A) P(B|A)

= P(B) P(A|B)

Prob. de que pasen A y B es la prob. de A y que tambin pase B

sabiendo que pas A.
Independencia de sucesos

Dos sucesos son independientes si el que

ocurra uno, no aade informacin sobre el
otro.

A es independiente de B si:

P(A|B) = P(A)

P(AB) = P(A) P(B)

 Rec uent o
Ejemplo (I) MENOPAU SI A
NO SI Tot al
CLASIFICACION NORMAL 189 280 469
OMS OSTEOPENI A 108 359 467
OSTEOPOROSIS 6 58 64
Tot al 303 697 1000

Se ha repetido en 1000 ocasiones el experimento

de elegir a una mujer de una poblacin muy
grande. El resultado est en la tabla.

Cul es la probabilidad de que una mujer tenga

osteoporosis?

P(Osteoporosis)=64/1000=0,064=6,4%
Nocin frecuentista de probabilidad
 Rec uent o
Ejemplo (II) MENOPAU SI A
NO SI Tot al
CLASIFICACION NORMAL 189 280 469
OMS OSTEOPENI A 108 359 467
OSTEOPOROSIS 6 58 64
Tot al 303 697 1000
Probabilidad de tener osteopenia u osteoporosis?
P(OsteopeniaUOsteoporosis)=467/1000+64/1000=0,531
Son sucesos disjuntos
Osteopenia Osteoporosis=

Probabilidad de tener osteoporosis o menopausia?

P(OsteoporosisUMenopausia)=64/1000+697/1000-58/1000=0,703
No son sucesos disjuntos

Probabilidad de una mujer normal? (entindase)

P(Normal)=469/1000=0,469
P(Normal)=1-P(Normal)=1-P(OsteopeniaUOsteoporosis) =1-0,531=0,469
 Rec uent o

Ejemplo (III) MENOPAU SI A

NO SI Tot al
CLASIFICACION NORMAL 189 280 469
OMS OSTEOPENI A 108 359 467
OSTEOPOROSIS 6 58 64
Tot al 303 697 1000

Si es menopusica probabilidad de osteoporosis?

P(Osteoporosis|Menopausia)=58/697=0,083

Probabilidad de menopausia y osteoporosis?

P(Menop Osteoporosis) = 58/1000=0,058

Otra forma:

P( Menop Osteoporosis ) P( Menop ) P(Osteoporosis | Menop )

697 58
58 / 1000 0,058
1000 697
 Rec uent o

Ejemplo (IV) MENOPAU SI A

NO SI Tot al
CLASIFICACION NORMAL 189 280 469
OMS OSTEOPENI A 108 359 467
OSTEOPOROSIS 6 58 64
Tot al 303 697 1000

Son independientes menopausia y osteoporosis?

Una forma de hacerlo
P(Osteoporosis)=64/1000=0,064
P(Osteoporosis|Menopausia)=58/697=0,083
La probabilidad de tener osteoporosis es mayor si ha pasado la
menopausia. Aade informacin extra. No son independientes!

Otra forma?
P(Menop Osteoporosis) = 58/1000 = 0,058
P(Menop) P(Osteoporosis)= (697/1000) x (64/1000) = 0,045
La probabilidad de la interseccin no es el producto de probabilidades. No
son independientes.
Sistema exhaustivo y excluyente de sucesos
Probabilidad Total
Son una coleccin de sucesos
A1 A2
A1, A2, A3, A4

Tales que la unin de todos ellos forman

el espacio muestral, y sus intersecciones
son disjuntas.

Recordis cmo formar intervalos en tablas

de frecuencias?
A1
A3 A4
A2
Suceso
seguro
A3

A4
 Divide y vencers
Todo suceso B, puede ser descompuesto
en componentes de dicho sistema.
A1 A2

B = (BA1) U (BA2 ) U ( BA3 ) U ( BA4 )

B
A1 B

A2 B
A3 A4 Suceso
seguro
A3 B

A4 B
Nos permite descomponer el problema B en
subproblemas ms simples. Creedme . Funciona.
 Teorema de la probabilidad total
Si conocemos la probabilidad de B en cada uno de los
A1 A2 componentes de un sistema exhaustivo y excluyente de
sucesos, entonces

podemos calcular la probabilidad de B.

P(B|A1)
B A1 B
P(A1)
P(B|A2)
A2 B
Suceso P(A2)
A3 A4 seguro P(B|A3)
P(A3) A3 B
P(A4) P(B|A4)
P(B) = P(BA1) + P(BA2 ) + P( BA3 ) + P( BA4 ) A4 B

=P(A1) P(B|A1) + P(A2) P(B|A2)+

Ejemplo (I): En este aula el 70% de los alumnos son
mujeres. De ellas el 10% son fumadoras. De los
hombres, son fumadores el 20%.
T. Prob. Total.
Hombres y mujeres forman un sist. Exh. Excl. de sucesos Fuma
0,1

Qu porcentaje de fumadores hay?

Mujer
P(F) = P(MF) + P(HF) 0,7 0,9
No fuma
= P(M)P(F|M) + P(H)P(F|H)
Estudiante
=0,7 x 0,1 + 0,3 x 0,2
0,3 0,2
= 0,13 =13% Fuma
Hombre

Los caminos a travs de nodos representan intersecciones. 0,8

No fuma
Las bifurcaciones representan uniones disjuntas.
Teorema de Bayes
Si conocemos la probabilidad de B en
cada uno de los componentes de un
A1 A2 sistema exhaustivo y excluyente de
sucesos, entonces

si ocurre B, podemos calcular la

probabilidad (a posteriori) de ocurrencia
B de cada Ai.

P(B Ai)
P(Ai | B)
A3 A4 P(B)

donde P(B) se puede calcular usando el teorema de la probabilidad total:

P(B)=P(BA1) + P(BA2 ) + P( BA3 ) + ( BA4 )

=P(B|A1) P(A1) + P(B|A2) P(A2) +

Ejemplo (II): En este aula el 70% de los alumnos son mujeres. De ellas el
10% son fumadoras. De los varones, son fumadores el 20%.

Qu porcentaje de fumadores hay?

P(F) = =0,7 x 0,1 + 0,3 x 0,2 = 0,13
(Resuelto antes) Fuma
0,1
Se elije a un individuo al azar y es fumador
Probabilidad de que sea un hombre? 0,7 Mujer
0,9
No fuma
Estudiante

0,3 0,2
P( H F ) P( H ) P( F | H ) Fuma
P( H | F ) Hombre
P( F ) P( F )
0,3 0,2
0,46 0,8
0,13 No fuma
Ejemplo de prueba diagnsticas: Diabetes
Los carbohidratos ingeridos terminan como glucosa en la sangre. El exceso
se transforma en glucgeno y se almacena en hgado y msculos. Este se
transforma entre comidas de nuevo en glucosa segn necesidades.

La principal hormona que regula su concentracin es la insulina. La diabetes

provoca su deficiencia o bien la insensibilidad del organismo a su presencia.
Es una enfermedad muy comn que afecta al 2% de la poblacin
(prevalencia)

Una prueba comn para diagnosticar la diabetes, consiste en medir el nivel

de glucosa. En individuos sanos suele variar entre 64 y 110mg/dL.
El cambio de color de un indicador al contacto con la orina suele usarse como
indicador (resultado del test positivo)

Valores por encima de 110 mg/dL se asocian con un posible estado pre-
diabtico.
Pero no es seguro. Otras causas podran ser: hipertiroidismo, cancer de pncreas,
pancreatitis, atracn reciente de comida
Supongamos que los enfermos de diabetes, tienen un valor medio de
126mg/dL.
Funcionamiento de la prueba diagnstica de glucemia
Valor lmite: 110mg/dL
Superior: test positivo.
Inferior: test negativo.

Probabilidad de acierto:
Para enfermos
Verdadero positivo
(sensibilidad)
Para sanos
Verdadero negativo
(especificidad)

Probabilidad de error
Para enfermos
Falso
Para sanos
Falso +
Cmo definir el punto de corte de la prueba diagnstica?

No es simple. No es posible aumentar sensibilidad y especificidad al mismo

tiempo. Hay que elegir una solucin de compromiso: Aceptable sensibilidad y
especificidad.
Una prueba diagnstica ayuda a mejorar una estimacin de la
probabilidad de que un individuo presente una enfermedad.

En pricipio tenemos una idea subjetiva de P(Enfermo). Nos

ayudamos de
Incidencia: Porcentaje de nuevos casos de la enfermedad en la poblacin.
Prevalencia: Porcentaje de la poblacin que presenta una enfermedad.

Para confirmar la sospecha, usamos una prueba diagnstica. Ha

sido evaluada con anterioridad sobre dos grupos de individuos:
sanos y enfermos. As de modo frecuentista se ha estimado:
P(+ | Enfermo)= Sensibilidad (verdaderos +)= Tasa de acierto sobre enfermos.
P(- | Sano) = Especificidad (verdaderos -)= Tasa de acierto sobre sanos.

A partir de lo anterior y usando el teorema de Bayes, podemos

calcular las probabilidades a posteriori (en funcin de los
resultados del test): ndices predictivos
P(Enfermo | +) = ndice predictivo positivo
P(Sano | -) = ndice predictivo negativo
 Pruebas diagnsticas: aplicacin Teorema de Bayes.

Sensibilidad, T+
verdaderos +
P. a priori de enfermedad:
incid., preval., intuicin, Enfermo

Falsos - T-
Individuo
Falsos +
T+
Sano

Especificidad, T-
Verdaderos -
 Ejemplo: ndices predictivos Individuo

La diabetes afecta al 2% de
los individuos. 0,98 0,02

La presencia de glucosuria
se usa como indicador de
diabetes.

Su sensibilidad es de 0,945.
0,055 0,945
0,977 0,023
La especificidad de 0,977.

Calcular los ndices T+

T- T+ T-
predictivos.
P( Sano T ) P( Enf T )
P( Sano | T ) P( Enf | T )
P( Sano T ) P( Enf T ) P( Enf T ) P( Sano T )
0,98 0,977 0,02 0,945
0,999 0,456
0,98 0,977 0,02 0,055 0,02 0,945 0,98 0,023
 Observaciones -Qu probabilidad tengo
de estar enfermo?

En el ejemplo anterior, al llegar un - En principio un 2%. Le

individuo a la consulta tenemos una idea haremos unas pruebas.
a priori sobre la probabilidad de que
tenga una enfermedad.

A continuacin se le pasa una prueba

diagnstica que nos aportar nueva
informacin: Presenta glucosuria o no.

En funcin del resultado tenemos una

nueva idea (a posteriori) sobre la
- Presenta glucosuria. La
probabilidad de que est enfermo. probabilidad ahora es del
Nuestra opinin a priori ha sido 45,6%.
modificada por el resultado de un
experimento.
Qu hemos visto?
lgebra de sucesos
Unin, interseccin, complemento
Probabilidad
Nociones
Frecuentista
Subjetiva o Bayesiana
Axiomas
Probabilidad condicionada
Reglas de clculo
Complementario, Unin, Interseccin
Independencia de sucesos
Sistema exhaustivo y excluyente de sucesos
Teorema probabilidad total.
Teorema de Bayes
Pruebas diagnsticas
A priori: Incidencia, prevalencia.
Eficacia de la prueba: Sensibilidad, especificidad.
A posteriori: ndices predictivos.