Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
INTRODUCCIÓN AL ESTUDIO DE
PROBABILIDADES
Compilador: Carlos Esduardo Ardón López
PROBABILIDADES
DEFINICIÓN
La probabilidad es una medida numérica de la
posibilidad de que ocurra un suceso o del
grado de incertidumbre asociado con cada uno
de los eventos que se analizan en un
experimento aleatorio. Una probabilidad
puede expresarse como fracción, decimal o
porcentaje.
PROBABILIDADES
EXPERIMENTO ALEATORIO
Es toda acción o actividad que al repetirse un número
determinado de veces (ensayos) bajo las mismas
condiciones, registra un conjunto de posibles resultados
debidos al azar, sin que pueda ser posible enunciar con
certeza cuál de ésos resultados será observado en el
siguiente ensayo.
PROBABILIDADES
EJEMPLOS: ESPACIOS MUESTRALES Y EVENTOS
Se elegirán presidente y secretario a partir de cuatro candidatos: Juan
(J), Billy (B), Mildred (M) y Astrid (A).
a) ¿Cuál es el espacio muestral del experimento?
b) ¿Cuál podría ser el resultado de la elección?
c) ¿Cuál es el evento E en que una mujer es presidente y el secretario
es hombre?
PROBABILIDADES
EJEMPLOS: ESPACIOS MUESTRALES Y EVENTOS
¿Cuántos y cuáles son los posibles resultados de que una
persona gane o pierda al disputar tres partidas de ajedrez?
Enumerar los elementos del evento E que consiste en
perder exactamente (solamente) una de las tres partidas. 23 8
PROBABILIDADES
REGLAS GENERALES DE CONTEO
Al asignar probabilidades es necesario saber identificar y
contar los resultados experimentales. Tres de las principales
reglas de conteo son el principio multiplicativo, las
combinaciones y las permutaciones.
PRINCIPIO MULTIPLICATIVO
La primera regla de conteo sirve, principalmente, para
experimentos por pasos o de elementos múltiples. Si se
desea realizar un experimento que consta de k pasos o
elementos, en donde el primer paso o elemento tiene n1
resultados posibles, n2 el segundo, y nk el último, entonces, la
cardinalidad N del espacio muestral del experimento está
dado por:
N n1 n2 ...nk
Z
PROBABILIDADES
PRINCIPIO MULTIPLICATIVO: EJEMPLOS
¿De cuántas maneras pueden otorgarse 3 premios a un conjunto de 10
personas, suponiendo que cada persona no puede obtener más de un premio?
N 10 9 8 720
¿Si una prueba de opción múltiple consiste en 5 preguntas, cada una con 4
respuestas posibles de las cuales sólo 1 es correcta, a) ¿de cuántas formas
diferentes un estudiante puede contestar las preguntas al elegir al azar la
respuesta a cada pregunta? b) ¿de cuántas maneras un estudiante puede
contestar las preguntas al elegir aleatoriamente la respuesta a cada pregunta y
tener incorrectas todas las respuestas?
N 4 4 4 4 4 45 1024 N 35 243
En un estudio para seleccionar plaguicidas, cada una de 3 nuevas moléculas se
prueban en 5 cultivos y 2 sistemas de producción diferentes. Si las pruebas se
realizan una vez bajo cada uno de los distintos grupos de condiciones ¿Cuántas
pruebas se necesitan?
N 3 5 2 30
Z
PROBABILIDADES
DIAGRAMA DEL ARBOL
Un diagrama de árbol es una representación gráfica que
permite visualizar y determinar sistemáticamente los
elementos del espacio muestral de algunos experimentos.
Por ejemplo, para un experimento que consiste en lanzar
una moneda y después lanzarla una segunda vez si sale
cara, pero, si sale escudo en el primer lanzamiento,
entonces se lanza un dado una vez; el diagrama del árbol
sería el siguiente:
Z
PROBABILIDADES
1er. 2do. Punto
resultado resultado muestral
C CC
C
E CE
1 E1
2 E2
E 3 E3
4 E4
5 E5
6 E6
S CC , CE , E1, E 2, E 3, E 4, E 5, E 6
Z
PROBABILIDADES
PERMUTACIONES
La tercera regla de conteo que suele ser útil, es para
permutaciones. Dicha regla permite calcular el número de
resultados experimentales cuando se seleccionan n objetos
de un conjunto de N objetos. En las permutaciones, el orden
de la selección según la posición que ocupa cada objeto es
relevante, es decir, los mismos n objetos seleccionados en
orden diferente se consideran un resultado experimental
también diferente.
N!
N Pn
N n !
Z
PROBABILIDADES
COMBINACIONES
Otra regla de conteo útil que permite determinar el
número de resultados experimentales cuando el
experimento consiste en seleccionar n objetos de un
conjunto de N objetos, son las combinaciones. En las
combinaciones el orden con el que se seleccionan los
mismos n objetos es irrelevante, es decir, los mismos n
objetos seleccionados en orden diferente se consideran
como solo un resultado experimental.
N!
N Cn
n ! N n !
Cuando se hace un muestreo de una población finita de tamaño N, la regla de
conteo para combinaciones sirve para hallar el número de muestras de
tamaño n que pueden seleccionarse.
Z
PROBABILIDADES
DIFERENCIA ENTRE COMBINACIONES Y PERMUTACIONES
Los cuatro equipos favoritos para ganar un campeonato son Argentina,
Brasil, Colombia y México. ¿De cuántas maneras posibles podría
disputarse la final? ¿De cuántas maneras podrían ocupar los primeros
tres lugares?
Los primeros tres lugares:
Disputa de la final: N!
N Pn
N! N n !
N Cn
n ! N n ! 4!
4 P3 24
C
4!
6 4 3 !
4 2
2! 4 2 1 2 3 4 5 6
AM
AB
AC
BM
El cuarto lugar queda determinado, conociendo
BC de antemano los primeros tres lugares
CM
Z
PROBABILIDADES
2do 3er
Resultados
lugar lugar
1er ABC
lugar ABM
ACB
ACM
AMB
AMC
BAC
N!
Diagrama del árbol
N Pn
BAM
BCA N n !
BAM
4!
BMA P 24
BMC 4 3
4 3 !
CAB
CAM
CBA
CBM
CMA
CMB
MAC
MAB
MBA
MBC
MCB
MCA
Z
PROBABILIDADES
COMBINACIONES Y PERMUTACIONES: EJEMPLOS
Un investigador quiere seleccionar en forma aleatoria 5 de 10
personas disponibles para integrar un grupo de encuestadores
¿Cuántas grupos diferentes de 5 personas es posible formar?
N!
N Cn
n ! N n !
10!
C 252
10 5
5! 10 5
Una compañía va a crear tres nuevas divisiones y se cuenta con siete
gerentes elegibles para dirigir cualquiera de las tres divisiones. ¿De
cuántas formas se podrían elegir a los tres nuevos directores?
N!
P
N n
N n !
7!
P 210
7 3
7 3 !
Z
PROBABILIDADES
COMBINACIONES Y PERMUTACIONES: EJERCICIOS
1. Un estudio concluyó que al seguir siete sencillas reglas, la vida de
un hombre se puede prolongar 11 años en promedio y la vida de
una mujer 7 años. Estas 7 reglas son: no fumar, hacer ejercicio, uso
moderado del alcohol, dormir siete u ocho horas, mantener el peso
adecuado, desayunar y no ingerir alimentos entre comidas. De
cuántas formas puede una persona adoptar cinco de esas reglas a
seguir:
a) ¿Si la persona actualmente infringe las siete reglas?
b) ¿Si la persona nunca bebe y siempre desayuna?
7 C5 21 5 C3 10
PROBABILIDADES
MÉTODOS DE ASIGNACIÓN DE PROBABILIDADES
Los tres métodos comúnmente usados son el MÉTODO CLÁSICO, el
método de la FRECUENCIA RELATIVA y el MÉTODO SUBJETIVO. Sin
importar el método que se use, es necesario satisfacer los
requerimientos básicos para la asignación de probabilidades.
La probabilidad asignada a cada resultado experimental debe
estar entre 0 y 1 inclusive. Se denota con ei, el i-ésimo resultado
experimental y con P(ei) su probabilidad, entonces, este
requerimiento se expresa como:
0 P ei 1 ei
La suma de las probabilidades de los resultados experimentales
debe ser igual a 1.0. Para n resultados experimentales se escribe
este requerimiento como:
P e1 P e2 P e3 ... P en 1
Z
PROBABILIDADES
EL MÉTODO CLÁSICO
El método clásico de asignación de probabilidades es apropiado
cuando todos los resultados experimentales tienen la misma
posibilidad de ocurrencia y se conoce de antemano (a priori) la
distribución de probabilidades. Si existen n resultados experimentales,
la probabilidad asignada a cada resultado experimental es 1/n. Por
ello, cuando se lanza una moneda al aire, la probabilidad de que salga
una cara es de 1/n = ½. Así mismo, se define la probabilidad de que un
evento ocurra como:
número de resultados en los que se presenta el evento
Probabilidad de un evento
número de resultados posibles
PROBABILIDADES
MÉTODO CLÁSICO:EJEMPLO
Considere el experimento que consiste en lanzar un par de
dados. Suponga que lo relevante es la suma de los puntos en
las dos caras que caen hacia arriba.
a)¿Cuántos puntos muestrales habrá y cuál es la probabilidad
asignada a cada uno?
b)Enumere los puntos muestrales.
c)¿Cuál es la probabilidad de obtener un 7?
d)¿De obtener un número mayor o igual que 9?
e)¿Cuál es la probabilidad de obtener un número par?
f)Qué método se utilizó para calcular las probabilidades
solicitadas.
Z
PROBABILIDADES
a) E 6 6 36
1 1
P e =
n 36
1 2 3 4 5 6
1 11 12 13 14 15 16
6 1
c) P E = 2 21 22 23 24 25 26
36 6 3 31 32 33 34 35 36
4 41 42 43 44 45 46
10 5
d) P E = 5 51 52 53 54 55 56
36 18
6 61 62 63 64 65 66
18 1
e) P E =
a) ¿Cuántos puntos muestrales habrá y cuál es la probabilidad
asignada a cada uno?
36 2 b) Enumere los puntos muestrales.
c) ¿Cuál es la probabilidad de obtener un 7?
d) ¿De obtener un número mayor o igual que 9?
f) Clásico e) ¿Cuál es la probabilidad de obtener un número par?
f) Qué método se utilizó para calcular las probabilidades solicitadas.
Z
PROBABILIDADES
MÉTODO CLÁSICO:EJEMPLOS
1. Determine las probabilidades de los siguientes eventos
al sacar una carta de una baraja estándar de 52 cartas:
a) Un siete, b) Una carta negra, c) Un as o un rey.
2. ¿Cuál es la probabilidad de obtener el mismo número
en el lanzamiento de dos dados?
3. ¿Cuál es la probabilidad de obtener dos caras al lanzar
dos monedas?
4. Determine la probabilidad de que en dos extracciones
sucesivas en un naipe de 52 cartas: a) la primera sea un
3 y la segunda un 8 con y sin restitución, b) La primera
sea un 5 y la segunda también, con y sin restitución.
PROBABILIDADES
PROBABILIDADES
PROBABILIDADES
RELACIÓN ENTRE FRECUENCIA RELATIVA Y PROBABILIDAD CLÁSICA
Número de Veces que cae Probabilidad frecuencial
lanzamientos el número 3
10 2 2/10=1/5=0.2
150 26 26/150=13/75=0.1733333…
400 67 67/400=0.1675
1500 250 250/1500=1/6=0.16666…
PROBABILIDADES
PROBABILIDADES
EJEMPLO DE TABLA DE MORTALIDAD
P 25 v26
89080
100
96,820
P 25 v26 92%
P m 51 100 P 25 v26
P m 51 100 92
P m 51 8% Respuesta
Z
PROBABILIDADES
MÉTODO FRECUENCIAL: EJEMPLO
En la tabla siguiente se da la población guatemalteca en millones
de habitantes, según el rango de edad expresada en años. En el
caso de seleccionar aleatoria de una persona de esta población,
Cuál es la probabilidad de que la persona tenga: a) entre 20 y 24
años?, b) entre 20 y 34 años, c) 45 años o más?, d) entre 45 y 64
años.
Edad Cantidad
19 o menos 4.1
20 a 24 3.1
25 a 34 2.5
35 a 44 2.8
45 a 54 1.7
55 a 64 1.4
65 y más 1.2
16.8
Z
PROBABILIDADES
MÉTODO FRECUENCIAL: EJEMPLO
Se realizó un sondeo entre las personas mayores a 15 años respecto de su
principal actividad de ejercitación física. A continuación se presenta el número
de participantes en cinco modalidades reportadas, expresado en miles de
personas.
Actividad Mujeres Hombres
M=101.1 y H=96.4
Bicicleta 11.6 16.8
a) 0.32
Deporte de equipo 22.1 20.9
Correr o caminar 40.5 23.3 b) 0.21
Con aparatos 14.2 15.0
c) 0.41 y 0.59
Nadar 12.7 20.4
PROBABILIDADES
MÉTODO FRECUENCIAL: EJEMPLO
El gerente administrativo de una compañía de seguros tiene los
datos siguientes acerca del funcionamiento de las fotocopiadoras
que utilizan. Según los datos, ¿cuál es la probabilidad de que una
fotocopiadora esté fuera de servicio?
Fotocopiadora Días de Días fuera de
funcionamiento servicio
1 209 51
2 217 43
3 258 2
4 229 31
5 247 13
1160 140
P fs
140 7
0.1077
1160 140 65
Z
PROBABILIDADES
MÉTODO FRECUENCIAL: EJEMPLO
Durante los últimos 5 años ocurrieron 200 accidentes en una fábrica
que utiliza tres turnos, los cuales pueden ser atribuidos a condiciones
de trabajo inseguras y a fallas humanas. La tabla muestra el número de
accidentes que han ocurrido en cada turno y la causa.
Turno Condiciones inseguras Fallas humanas
Matutino 20 70 90
Vespertino 16 40 56
Nocturno 10 44
54
46 154
PROBABILIDADES
Turno Condiciones inseguras Fallas humanas
Matutino 20 0.10 70 0.35 90 0.45
PROBABILIDADES
CON RELACIÓN AL EJERCICIO ANTERIOR
Turno Condiciones inseguras Fallas humanas
Matutino 20 0.10 70 0.35 90 0.45
Pconjunta 0.35
P( A B) 0.45 0.77 0.35
Z
PROBABILIDADES
CON RELACIÓN AL EJERCICIO ANTERIOR
Turno Condiciones inseguras Fallas humanas
Matutino 20 0.10 70 0.35 90 0.45
P A B P A P B / A P A B P A / B P B
P A B 0.08 P A B 0.08
P B A 0.35 P A B 0.286
P A 0.23 P B 0.28
P A B 0.23 0.35 0.08 P A B 0.286 0.28 0.08
Z
PROBABILIDADES
El siguiente cuadro contiene información sobre 150
alumnos en cuanto a su asignación a dos cursos A y B
en la escuela de vacaciones de la universidad.
Asignación Cantidad de alumnos
Solo al curso A 30
Solo al curso B 45
A los dos cursos 25
PROBABILIDADES
MÉTODO SUBJETIVO
El método subjetivo de asignación de probabilidades es
el más indicado cuando no es factible suponer que todos
los resultados de un experimento sean igualmente
posibles y, además, se cuenta con pocos datos
relevantes. En el método subjetivo, la asignación de
probabilidades a cada uno de los resultados de un
experimento se realiza utilizando toda la información
disponible, además, la propia experiencia e intuición.
Al asignar probabilidades subjetivas, es normal que dos
personas obtengan probabilidades distintas para un
evento.
Z
RELACIONES DE PROBABILIDAD
SINOPSIS
EVENTOS EVENTOS
Mutuamente
Inclusivos Independientes Dependientes
excluyentes
Probabilidad
condicional
P A o B P A P B P A y B P A P B / A
P A o B P A P B P A B P A y B P A P B
Z
RELACIONES DE PROBABILIDAD
UNIÓN DE INTERSECCIÓN DE
CONJUNTOS CONJUNTOS
O (AB) Y (AB)
SUMA DE MULTIPLICACIÓN DE
PROBABILIDADES PROBABILIDADES
P A B P A P B P A B P A P B Probabilidad
condicional
Mutuamente excluyentes Independientes
P A B P A P B P A B P A B P A P B / A
Inclusivos (No mutuamente excluyentes) Dependientes
Z
P A 18%
P AC 1 P A
P AC 1 18 82%
Z
REGLA DE ADICIÓN
Se refiere a la probabilidad de ocurrencia de la unión de dos eventos
inclusivos (AB), es decir, de que ocurra por lo menos uno de los
eventos (uno, el otro o ambos). La unión de eventos siempre lleva
consigo una intersección, no obstante, en el cálculo de probabilidades
para eventos INCLUSIVOS (que no son mutuamente excluyentes), la
adición de eventos da por resultado un “doble conteo” de los
resultados en la intersección. Ello se corrige restándole a la suma, una
vez, la probabilidad de ocurrencia de ambos.
P A B P A P B P A B
P A B
P AB
P B
P A B
P B A
P A
Z
PROBABILIDADES
EJEMPLO: PROBABILIDAD CONDICIONAL
La probabilidad de que al hacerle servicio a un automóvil necesite un
cambio de aceite es 0.25, la probabilidad de que necesite un nuevo
filtro de combustible es 0.40, y la probabilidad de que necesite
cambio de aceite y filtro es 0.14. Ahora, si se tiene que cambiar el
aceite, ¿cuál es la probabilidad de que se necesite un nuevo filtro? Si
necesita un nuevo filtro de combustible, ¿cuál es la probabilidad de
que se tenga que cambiar el aceite? ¿cuál es la probabilidad de que
se requiera cambio de aceite o filtro de combustible
P A F 0.14
P F A 0.56
P A 0.25
Considerando los eventos: La probabilidad del evento F (0.40) cambia
A: Se necesita cambio de aceite (P=0.25) (0.56) debido a la ocurrencia del evento A
F: Es necesario cambio de filtro (p=0.40)
P A F 0.14
AF= Cambio de aceite y filtro (0.14) P A F 0.35
P F 0.40
La probabilidad del evento A (0.25) cambia
(0.35) debido a la ocurrencia del evento F .
Z
e31
39 88
17.16 gl 3 1 2 1 2 4.6231 5.991
200
Z
P a, a y a
4 4 4 64
P a, a y a
0.05 4 3 2 4
0.02
11 11 11 1331 11 10 9 165
Z
PE 2
28
121 P E2
28
11 10
0.51
56 55
PE 0.46
121
Z
TEOREMA DE BAYES
El Teorema de Bayes es aplicable cuando los eventos para los que se quiere
calcular la probabilidad revisada son mutuamente excluyentes y su unión
es todo el espacio muestral. Si la unión de los eventos es todo el espacio
muestral, los eventos son colectivamente exhaustivos. Involucra el uso de
la probabilidad previa del evento que interesa, la aplicación del Teorema
de la Probabilidad Total (sumatoria de probabilidades conjuntas
condicionadas) y el cálculo de probabilidades posteriores o revisadas que
se obtienen a través de un cociente. Se utiliza para el cálculo de
probabilidades cuando intervienen dos o más variables aleatorias. Para el
caso de dos eventos, el Teorema de Bayes corresponde a:
P A1 B P A1 P B A1
P A1 B
P B P A1 P B A1 P A2 P B A2
P A2 B P A2 P B A2
P A2 B
P B P A1 P B A1 P A2 P B A2
Z
TEOREMA DE BAYES
Probabilidad previa
P A1 B P A1 P B A1
P A1 B
P B P A1 P B A1 P A2 P B A2
TEOREMA DE BAYES
Un test de diagnóstico tiene una probabilidad 0.9 de detectar la presencia de
Escherichia coli, en caso de haberla (sensibilidad del test). Si no está presente,
detecta su ausencia con una probabilidad de 0.8 (especificidad del test). La
probabilidad de que una muestra de agua contenga Escherichia coli es 0.15
(prevalencia).
a) ¿Cuál es la probabilidad de que el test de un resultado positivo?
b) Suponiendo que el test dio un resultado positivo, ¿cuál es la probabilidad de
que realmente la muestra de agua contenga E. coli? (Valor predictivo
positivo del test)
c) Por otro lado, si el test da un resultado negativo, ¿cuál es la probabilidad de
que realmente el agua está libre de bacterias? (Valor predictivo negativo del
test)
d) ¿Cuál es la probabilidad de que el test de positivo cuando la bacteria está
ausente?, es decir, un falso positivo.
e) ¿Cuál es la probabilidad de que test de negativo cuando la bacteria si está
presente?, es decir, falso negativo.
Z
TEOREMA DE BAYES
Un test de diagnóstico tiene una probabilidad 0.9 de detectar la presencia de
Escherichia coli, en caso de haberla (sensibilidad del test). Si no está presente,
detecta su ausencia con una probabilidad de 0.8 (especificidad del test). La
probabilidad de que una muestra de agua contenga Escherichia coli es 0.15
(prevalencia).
a) ¿Cuál es la probabilidad de que el test de un resultado positivo?
P P P P P P A P A
P 0.15 0.9 0.85 0.2
61
P 0.305
200
Z
TEOREMA DE BAYES
Un test de diagnóstico tiene una probabilidad 0.9 de detectar la presencia de
Escherichia coli, en caso de haberla (sensibilidad del test). Si no está presente,
detecta su ausencia con una probabilidad de 0.8 (especificidad del test). La
probabilidad de que una muestra de agua contenga Escherichia coli es 0.15
(prevalencia).
b) Suponiendo que el test dio un resultado positivo, ¿cuál es la probabilidad
de que realmente la muestra de agua contenga E. coli? (Valor predictivo
positivo del test)
P P P P P
P P
P
P P P P P P A P A
P P
0.15 0.9
27
0.4426
0.15 0.9 0.85 0.2 61
Z
TEOREMA DE BAYES
Un test de diagnóstico tiene una probabilidad 0.9 de detectar la presencia de
Escherichia coli, en caso de haberla (sensibilidad del test). Si no está presente,
detecta su ausencia con una probabilidad de 0.8 (especificidad del test). La
probabilidad de que una muestra de agua contenga Escherichia coli es 0.15
(prevalencia).
c) Por otro lado, si el test da un resultado negativo, ¿cuál es la probabilidad de
que realmente el agua está libre de bacterias? (Valor predictivo negativo del test)
A P A P A
P A
P
P 1 P
P P P P P P A P A
P 1 0.305
P P
0.85 0.80 0.68
0.9784 P 0.695
0.15 0.1 0.85 0.8 0.695
Z
TEOREMA DE BAYES
Un test de diagnóstico tiene una probabilidad 0.9 de detectar la presencia de
Escherichia coli, en caso de haberla (sensibilidad del test). Si no está presente,
detecta su ausencia con una probabilidad de 0.8 (especificidad del test). La
probabilidad de que una muestra de agua contenga Escherichia coli es 0.15
(prevalencia).
d) ¿Cuál es la probabilidad de que el test de positivo cuando la bacteria está
ausente?, es decir, un falso positivo
Situación Positivo (+) Negativo (-)
Presente (0.15) 0.90 0.10
Ausente (0.85) 0.20 0.80
P A P P A
P A 0.20
P A P A
Z
TEOREMA DE BAYES
En consecuencia del inciso anterior:
Situación Positivo (+) Negativo (-)
Presente (0.15) 0.90 0.10
Ausente (0.85) 0.20 0.80
P P A
P A 0.20
P A
TEOREMA DE BAYES
P P P P P
P P 0.10
P P P P
Z
TEOREMA DE BAYES
En consecuencia del inciso anterior:
Situación Positivo (+) Negativo (-)
Presente (0.15) 0.90 0.10
Ausente (0.85) 0.20 0.80
P P P
P P 0.10
P P
P P P P 0.1 0.15
P P
3
0.0216
P 0.695 139
TEOREMA DE BAYES