Aspectos

Escenarios
introductorios…
inciertos …

En esencia… Históricamente la teoría de probabilidades

ELEMENTOS BÁSICOS DE fue usada con cierta frecuencia en los juegos de azar.
Sin embargo hoy es aplicable en un sin número de
PROBABILIDADES DE SUCESOS
áreas; siendo las más relevantes: Medicina,
(o eventos) ALEATORIOS Administración, Economía, Educación, Finanzas, etc.

Aspectos FUNDAMENTOS PRÁCTICOS:

introductorios…
Con frecuencia es útil poder cuantificar la posibilidad que se presente el
resultado de un determinado “experimento aleatorio”:

Por ejemplo, cuando se menciona:

Intuitivamente podemos definir,
“la posibilidad de que llueva mañana es de 30% …”;
desde una perspectiva aplicada, esto una afirmación matemática que refleja un determinado cálculo
probabilístico sobre la posibilidad que llueva.
PROBABILIDAD, como “la La probabilidad de ocurrencia de un det suceso (o evento) SE CUANTIFICA

determinación numérica respecto de con mediciones en el intervalo real [0,1], o equivalentemente en

porcentaje del 0 al 100%. En este intervalo, mientras mas
la posibilidad que “algo ocurra”. grande es el resultado, mayor es la probabilidad de ocurrencia
del evento.
El valor cero indica que el evento no ocurre;

El valor uno indica resultado seguro (certeza absoluta).

Las probabilidades las veremos, en esta 1era etapa, respecto de la ocurrencia

o no de “sucesos” (también llamados “eventos”), de manera que se
explicarán a continuación algunos conceptos previos...

1
 ELEMENTOS BÁSICOS PROBABILIDADES DE SUCESOS (o EVENTOS) ALEATORIOS

ALGUNAS DEFINICIONES PRINCIPALES…

Previo: “P” en adelante será una función de probabilidad si cumple con lo
EXPERIMENTO ALEATORIO: Es toda actividad (acción) que siguiente:
permite obtener resultados empíricos. (E) a) P (S) = 1
b) P (A) > 0 para cualquier suceso (o evento) “A” del Espacio Muestral “S”
ESPACIO MUESTRAL: Es el conjunto de todos los resultados c) P ( O ) = 0
posibles de un experimento aleatorio. (S) d) 0 < P(A) < 1
e) En un espacio equiprobable (S; P), la función de probabilidad de un
EVENTO (o suceso) ALEATORIO: Es uno o varios de los determinado suceso “A” ….. que de ahora en adelante denominaremos P (A)
resultados posibles de un experimento aleatorio. Constituye
queda definida como:
por lo tanto, un subconjunto del espacio muestral.
(A, B, C, etc.) P (A) = Nº de casos “favorables” al suceso “A”
Nº TOTAL de elementos del espacio muestral
MODELO PROBABILÍSTICO: Es una representación de la
donde:
realidad (datos observados) a través de una función S --> Corresponde al espacio muestral de un determinado experimento aleatorio “E”.
matemática que describe el comportamiento probabilístico A --> Corresponde a un determinado suceso a S
de la correspondiente variable aleatoria. f(x); p(x) Nota:
P (A) --> Se lee “Probabilidad del suceso A” ó también “Probabilidad que “A” ocurra”

Principales propiedades aplicables en las probabilidades (para sucesos):

PROBABILIDADES DE SUCESOS ALEATORIOS
Si A existe, entonces también existe su complemento. Lo denominaremos
CONT…
por Ac o también A y su probabilidad está dada por:
Principales propiedades aplicables en las probabilidades (para sucesos):
P ( A ) = 1 - P (A)
Si A y B son 2 sucesos independientes, entonces la probabilidad que
Si A y B son 2 sucesos cualquiera, entonces la probabilidad que ambos ambos ocurran, queda definido como:
ocurran simultáneamente, definido también como “la probabilidad que A y
B ocurran” queda definido como: P (A B) = P (A) * P (B)

P (A B)
Generalizando lo anterior, tenemos:

Si A1, A2, A3, ........ , An son n sucesos mutuamente excluyentes, entonces

Si A y B son 2 sucesos cualquiera, entonces la probabilidad que al
menos uno de ellos ocurra, definido también como “la probabilidad que A o la probabilidad que al menos uno de ellos ocurra, queda definido como:
B ocurra” queda definido como:
P (A1 U A2 U A3 U ..... U An) = P (A1) + P (A2) + P (A3) + ..... + P(An)
P (A U B) = P (A) + P (B) - P (A B)
Si A1, A2, A3, ........ , An son n sucesos independientes, entonces la
Si A y B son 2 sucesos mutuamente excluyentes, entonces la probabilidad que todos ocurran, queda definido como:
probabilidad que al menos uno de ellos ocurra, definido también como “la
probabilidad que A o B ocurra” queda definido como: P (A1 A2 A3 .... An) = P (A1) * P (A2) * P (A3) * ..... * P(An)

P (A U B) = P (A) + P (B)

2
 PROBABILIDADES DE SUCESOS ALEATORIOS

Principales propiedades de la función de probabilidad (para sucesos, continuación):

Si A y B son 2 sucesos tales que la ocurrencia de uno de ellos es conocida,

entonces se establece un tipo especial de probabilidad conocida como
PROBABILIDAD CONDICIONAL, que , estadísticamente se define como:
CASOS ESPECIALES
P (A B)
P (A / B) =
P ( B)

“Probabilidades Si un det suceso, en este caso “B”, puede ser

PROBABILIDADES DE SUCESOS ALEATORIOS

Totales” ……. descompuesto en “ocurrencias conjuntas” …

Para el caso del diagrama, donde B ocurre
Propiedades básicas de la función de probabilidad (para sucesos): (cont.)

conjuntamente con A1, A2 , etc.

A1 A2 Si el evento, por ejemplo “A”, ocurre de manera conjunta con otros sucesos
Es decir, podemos plantear la ocurrencia de “B”, aleatorios: B1, B2, B3, ......, Bk, entonces la probabilidad de ocurrencia de
basada en varias ocurrencias conjuntas…
“A” es conocida técnicamente como PROBABILIDAD TOTAL y se define
De la forma sgte:
como:
B = (B∩A1) U (B∩A2 ) U ( B∩A3 ) U ( B∩A4 )
B

P(B) = P(B∩A1) + P(B∩A2 ) + P( B∩A3 ) + P( B∩A4 ) P(A) = P(A B ) + P(A

1
B ) + .... + P ( A
2
B )
k

A3 A4 O de manera equivalente, podemos plantear la

Equivalentemente:
Probab de “B”, considerando ocurrencias
condicionadas … k
P( A) =  P( A / Bi ) * P ( Bi )
De la forma sgte:

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

i =1

3
 PROBABILIDAD TOTAL
(probabilidad marginal-compuesta)

PROBABILIDADES
P(A) = P(A B ) + P(A
1
B ) + .... + P ( A
2
B )
k DE VARIABLES
ALEATORIAS
Equivalentemente:
DISCRETAS Y
k
P ( A ) =  P( A / Bi ) * P( Bi ) CONTINUAS
i =1

DISTRIBUCIONES DE PROBABILIDAD DISCRETAS CARACTERÍSTICAS ESPECIALES DE

DISTRIBUCIONES DE PROBABILIDAD DISCRETAS

Definiciones: Definiciones: (cont.)

Sea X variable aleatoria, con x1, x2, ......, xn valores específicos de la variable Si X es variable aleatoria discreta, entonces su valor esperado está dado por E(X)
Llamaremos “Distribución de probabilidad” a todas las probabilidades y se define por:
asociadas a los correspondientes valores de la variable aleatoria.
n
Notación: p(x) se lee “Probabilidad del valor específico x” ……………..……………….
E( X ) =  xi * p ( xi )
es equivalente a P(X=x).
i =1
LAS PROBABILIDADES PARA EL CASO DE UNA VARIABLE DISCRETA, DEBEN
CUMPLIR, EN GENERAL, LAS SIGUIENTES PROPIEDADES: Su varianza está dado por V(X)
Para el caso discreto tenemos: y se define por: (en relación a los valores esperados de la variable)

p (x) > 0

p(x) = 1 V ( X ) = E( X2 ) - E ( X ) 2
0 < p(x) < 1

Prof. Juan P. Manríquez // 1º sem 2019

4
 DISTRIBUCIONES DE PROBABILIDAD CONTINUAS MODELOS PROBABILÍSTICOS

Definiciones genéricas para variables continuas:

Sea X variable aleatoria continua, interesará en este caso el cálculo probabilístico para un
rango de valores de la variable.

La correspondiente distribución de probabilidad estará representada por una función continua

denominada función de densidad, matemáticamente definida por f(X).

De forma análoga al caso discreto, para esta situación se deben cumplir las siguientes
propiedades fundamentales:

1 f (x) > 0

+ Nota: en este caso, no interesan

2 f(x) dx = 1 probabilidades puntuales de la
variable…luego calcularemos:
- b P( X <k) = P( X <k)
3 P(a < X <b) = f (x) dx
a
4 E(X)= x f (x) dx

MODELOS PROBABILÍSTICOS DISCRETOS… MODELOS PROBABILÍSTICOS DISCRETOS…

LA DISTRIBUCIÓN BINOMIAL LA DISTRIBUCIÓN BINOMIAL

Es un modelo probabilístico de gran utilidad práctica. Sus áreas de aplicación son muchas; entre las que se pueden
El modelo de aplicación para el cálculo de probabilidades de la variable está dado bajo el
destacar:
supuesto que se realizan n ensayos independientes; cuya variable aleatoria representa
La medicina- la mercadotecnia- el control de calidad- la investigación de opiniones - etc.
EL Nº DE ÉXITOS EN LOS n ENSAYOS,
Para identificar una distribución de probabilidad (modelo) “binomial” es necesario tener presente las siguientes
entonces la probabilidad de obtener x-éxitos en esos n ensayos está determinada por el
características de la variable:
siguiente modelo probabilístico:
- Se trata de una VARIABLE DISCRETA

- Para un determinado experimento, el resultado es “la ocurrencia” o “no ocurrencia” de un evento; es decir,
n
cada intento tiene sólo 2 resultados posibles
P ( X =x ) = x
* px * q(n - x)
- En general “la ocurrencia” de un determinado evento está asociada a lo que se denomina “ÉXITO” de la
variable.

- Asimismo, la “no ocurrencia” está asociada a lo que se donomina “FRACASO” de la variable Donde: n Representa la cantidad de combinaciones que se pueden obtener de un total de n elementos,

- Si suponemos que tenemos n intentos estadísticamente independientes, entonces la probabilidad para el x tomando x de ellos a la vez
resultado de cualquier intento permanece fija en los n ensayos
p ---> corresponde a la PROBABILIDAD DE ÉXITO DE LA VARIABLE

En adelante vamos p ---> a la PROBABILIDAD DE “ÉXITO” DE LA VARIABLE q ---> corresponde a la PROBABILIDAD DE FRACASO DE LA VARIABLE
a denominar ………
n ---> Nº total de ensayos del experimento
q ---> a la PROBABILIDAD DE “FRACASO” DE LA VARIABLE
x ---> Valor específico de la variable

5
 MODELOS PROBABILÍSTICOS DISCRETOS… MODELOS PROBABILÍSTICOS V.A.C.

LA DISTRIBUCIÓN BINOMIAL (cont.)

Otra forma de presentar estadísticamente un modelo Binomial (también

denominado proceso BERNOULLI) es bajo el siguiente esquema de cálculo:

p(x) = P ( X =x ) = n! * px * (1-p)(n - x)
x! * (n-x)!

Las características principales de una variable con distribución BINOMIAL están

dadas por:

E(X) = n * p

V(X) = n * p * q

MODELOS PROBABILÍSTICOS CONTINUOS… MODELOS PROBABILÍSTICOS CONTINUOS…

LA DISTRIBUCIÓN NORMAL LA DISTRIBUCIÓN NORMAL

El modelo está dado por la siguiente función probabilística:

Es un modelo probabilístico para variable aleatoria CONTINUA (v.a.c.).
Donde representa el promedio poblacional y
Se considera el modelo de probabilidad de mayor uso práctico. Sus aplicaciones son diversas en ámbitos
representa la varianza poblacional
de las Ciencias Sociales, Ciencias Físicas, Ciencias Biológicas, etc.
De acuerdo a lo anterior, podemos destacar que es posible describir lo que se denomina “una familia” de
Es un tipo de modelo en el que se basan muchas aplicaciones de gran relevancia en el uso estadístico;
distribuciones normales DIFERENCIADAS SOLAMENTE POR SU MEDIA, SU DESVIACIÓN ESTÁNDAR O AMBAS.
tales como inferencias estadísticas, a través de estimaciones de parámetros poblacionales desconocidos,
dócimas (pruebas) de hipótesis, etc. El área bajo una curva normal matemáticamente siempre será 1,00; Por lo tanto podemos indicar las
probabilidades de una variable normal de la siguiente forma: x
P (X<x) =
Las características principales para identificar la aplicación del modelo son básicamente las siguientes:
f (x) dx
-Desde el punto de vista gráfico tiene forma de campana (por eso también se denomina “campana de Gauss)

-Las 2 colas (extremos de la distribución de datos) teóricamente se extienden de manera indefinida en

En lugar de realizar el cálculo matemático para las probabilidades de cada curva normal posible, se ha
relación al eje horizontal confeccionado una tabla de probabilidades acumuladas considerando una nueva variable que estandariza

-Es simétrica en relación a la media de la población que proviene el conjunto de datos el conjunto de datos originales. Esta nueva variable está dada por la siguiente función:

-Los indicadores de TENDENCIA CENTRAL se encuentran en “el centro de la curva normal” y su valor,
TEÓRICO, es igual tanto para Media (o promedio), la mediana como también la moda de la población que
proviene el conjunto de datos …

6
MODELOS PROBABILÍSTICOS CONTINUOS… TABLA DE PROBABILIDAD NORMAL…

LA DISTRIBUCIÓN NORMAL

PARA EFECTOS DE CÁLCULOS PROBABILÍSTICOS ENTONCES,

SE DEBE CONSIDERAR LA SIGUIENTE ESTANDARIZACIÓN, A
TRAVÉS DE UNA NUEVA VARIABLE “Z “, DEFINIDA DE LA
SIGUIENTE MANERA:

LAS PROBABILIDADES ASOCIADAS A “Z” SE ENCUENTRAN

DESCRITAS EN UNA TABLA DE PROBABILIDADES ACUMULADAS
DENOMINADA “NORMAL ESTANDARIZADA”…

TABLA DE PROBABILIDAD NORMAL… MODELOS PROBABILÍSTICOS CONTINUOS…

LA DISTRIBUCIÓN NORMAL

Por lo tanto el cálculo probabilístico que se encuentra tabulado proviene de la siguiente definición estadística:

Vale decir, las probabilidades tabuladas para Z provienen del siguiente cálculo matemático-estadístico:

7
 CASOS MODELOS PROBABILÍSTICOS CONTINUOS… CASOS MODELOS PROBABILÍSTICOS CONTINUOS…

LA DISTRIBUCIÓN NORMAL LA DISTRIBUCIÓN NORMAL

Gráficamente (y de manera simplificada), a través del siguiente ejemplo, se muestra Supongamos que nos interesa, en modo ejemplo, la probabilidad que el peso
como es la determinación del cálculo probabilístico para una variable con de algún paciente muestreado pueda adoptar algún valor entre 80 y 90 kgs ...
distribución de probabilidad “tipo normal”.
Gráficamente …

Suponga que tenemos una variable Y PESO (en kgs) de un grupo de pacientes que
se distribuye “normal” con una media equivalente a 75 kgs y una varianza de 100
kgs2…. Lo anterior, desde una perspectiva técnica se puede expresar también de la
siguiente forma:

Supongamos que nos interesa, en modo ejemplo, la

probabilidad que el peso de algún paciente muestreado
pueda adoptar algún valor entre 80 y 90 kgs de peso...

CASOS MODELOS PROBABILÍSTICOS CONTINUOS… CASOS MODELOS PROBABILÍSTICOS CONTINUOS…

LA DISTRIBUCIÓN NORMAL LA DISTRIBUCIÓN NORMAL

Ahora si efectuamos la correspondiente estandarización a través de otra variable que llamaremos Z,

graficamente vamos a
tener ------------>

Y ESTAS PROB SON

Considerando este último gráfico, buscamos entonces valores de “Z”
LAS QUE SE en la tabla de probabilidad normal estandarizada … y realizamos
ENCUENTRAN cálculos correspondientes …
TABULADAS… en la
tabla de
es decir, primero buscamos prob. acum hasta z=1,5 y luego restamos
probabilidades normal prob. acum hasta z=0,5; obteniendo resultado final requerido.
estandarizada…