PROBABILIDAD Y ESTADISTICA

PROBABILIDAD


PROBABILIDAD
El concepto de probabilidad es manejado por
mucha gente. Frecuentemente se escuchan
preguntas como las que se mencionan a
continuacin:
Cul es la probabilidad de que me saque la
lotera o el melate ?
Qu posibilidad hay de que me pase un
accidente automovilstico ?
Qu 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 prctica 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 estadstico.

El clculo de probabilidades proporciona las
reglas para el estudio de los experimentos
aleatorios o de azar, que constituyen la base
para la estadstica inferencial.

PROBABILIDAD
Fenmenos Aleatorios y
Fenmenos Deterministicos.

Fenmeno Aleatorio.-
Es un fenmeno del que no se sabe que es lo que
va a ocurrir, estn relacionados con el azar o
probabilidad.
Fenmeno Determinista.-
Es el fenmeno en el cual de antemano se sabe
cual ser el resultado.

PROBABILIDAD
La probabilidad estudia el tipo de fenmenos aleatorios.

Experimento aleatorio.-
Una accin que se realiza con el propsito de
analizarla. Tiene como fin ltimo determinar
la probabilidad de uno o de varios
resultados.
Se considera como aleatorio y estocstico, si
sus resultados no son constantes.
Puede ser efectuado cualquier nmero 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, s,
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
Otros ejemplos de eventos:
A: que al nacer un bebe, ste sea
nia
B: que una persona de 20 aos,
sobreviva 15 aos ms
C: que la presin arterial de un
adulto se incremente ante un
disgusto
PROBABILIDAD
Probabilidad e Inferencia.
Se presentan dos candidatos al cargo de la
presidencia del CSUCA, y se desea
determinar si el candidato X puede ganar.

Poblacin de inters: Conjunto de respuestas
de los estudiantes que votarn el da de las
elecciones.
Criterio de gane: Si obtiene el ms del 50%
de los votos.

PROBABILIDAD
Supngase que todos los estudiantes de la
UES van a las urnas y se elige de manera
aleatoria, una muestra de 20 estudiantes.

Si los 20 estudiantes apoyan al candidato

Qu concluye respecto a la posibilidad
que tiene el candidato X de ganar las
elecciones ?

PROBABILIDAD

1.- EL CANDIDATO X GANARA

2.- EL CANDIDATO Y GANARA

3.- NO SE PUEDE CONCLUIR NADA
PROBABILIDAD

1.- EL CANDIDATO X GANARA

GANAR IMPLICA OBTENER MAS DEL 50%
Y COMO LA FRACCION QUE LO FAVORECE
EN LA MUESTRA ES 100%, ENTONCES
LA FRACCION QUE LO FAVORECERA EN
LA POBLACION SERA IGUAL.

ES CORRECTA ESTA INFERENCIA ?.
PROBABILIDAD

1.- EL CANDIDATO X GANARA

SERIA IMPOSIBLE QUE 20 DE LOS 20
VOTANTES DE LA MUESTRA LO
APOYARAN, SI EN REALIDAD, MENOS
DEL 50% DE LOS VOTANTES PENSARIA
VOTAR POR EL.

ES CORRECTA ESTA INFERENCIA ?.
PROBABILIDAD
NO.

SI BIEN NO ES IMPOSIBLE OBTENER 20
VOTANTES A FAVOR DE X EN UNA
MUESTRA DE 20, SI ES PROBABLE QUE
MENOS DEL 50% DE LOS VOTANTES
ESTE A FAVOR DE EL, AUN CUANDO SEA
MUY POCO PROBABLE.
PROBABILIDAD
TOME UNA MONEDA HONRADA Y LANCELA
20 VECES ANOTANDO LOS
RESULTADOS.

LLAME X = CAE CARA
Y = CAE SELLO.

CUAL ES LA FRACCION DE CARAS Y
CUAL ES LA FRACCION DE SELLOS ?.

PROBABILIDAD
Espacio Muestral
Es el conjunto de todos los posibles resultados
de inters de un experimento dado, y se le
denota normalmente mediante la letra S.

Ejemplos:
1.- Experimento: Se lanza una moneda.
Espacio muestral = total de formas en como
puede caer la moneda, o sea dos formas de
inters, que caiga sello o que caiga cara. (Si
cae de canto no es de inters y se repite el
lanzamiento).
S = { s, c }
PROBABILIDAD
2.- Experimento: Se lanza un dado.
Espacio muestral = total de caras en que puede
caer el dado, o sea seis formas de inters:
S = { 1, 2, 3, 4, 5, 6 }
PROBABILIDAD
Los eventos aleatorios se denotan normalmente
con las letras maysculas A, B, C, ...

Son subconjuntos de S, esto es, A, B, C, c S

Los eventos aleatorios son conjuntos que pueden
contener un solo elemento, una infinidad de
elementos, y tambin no contener ningn
elemento.

Al nmero de puntos muestrales de S se le
representa por N(S)

PROBABILIDAD
Eventos aleatorios que aparecen con gran
frecuencia en el clculo de probabilidades:

Evento seguro.- Siempre se verifica despus del
experimento aleatorio, son los mismos del
espacio muestral.
E = S y N(E) = N(S)

Evento Imposible.- Es aquel que nunca se verifica
como resultado del experimento aleatorio. No
tiene elementos de inters para su fenmeno.
Es un subconjunto de S, y la nica posibilidad
es que el evento imposible sea el conjunto vaco.
u c S, y N(u) = 0
PROBABILIDAD
Evento Elemental.- Es el evento E que
contiene exactamente un punto muestral
de S, esto es, N(E) = 1.
Cada elemento del espacio muestral, es un
evento elemental. Tambin se le
denomina como punto muestral.

Si s
1
, s
2
e S entonces s
1
, s
2
son
eventos elementales.

PROBABILIDAD
Ejemplos (1) y (2):

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

A = Que caiga sello = { s }, N(A) = 1
B = Que caiga cara = { c }, N(B) = 1


PROBABILIDAD
En el experimento 2,
S = { 1, 2, 3, 4, 5, 6 }, 1, 2, 3, 4, 5 y 6 son
sucesos elementales, y
N(S) =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
ms de un punto muestral de S, por tanto
N(E) > 1

Evento contrario a un evento A: Tambin 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 smbolo A
c
o bien , y se define
como:
{ }
s tal que
c
A s A = eO e
PROBABILIDAD
Ejemplo:
Experimento: Se lanza una moneda tres veces.
Espacio Muestral:
= { (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() = 8, S 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 vaco). N(|) = 0
PROBABILIDAD
Si un espacio muestral contiene n puntos
muestrales, hay un total de 2
n
subconjuntos o
eventos ( se le conoce como conjunto potencia ).

Por tanto para el ejemplo anterior existen:
2
8
= 256, eventos posibles.

Para el caso del experimento: se tira una
moneda,
el espacio muestral es de 2 puntos muestrales
S = {C, S}, por lo que se tienen 2
2
= 4
subconjuntos y el conjunto potencia es: (C,S),
(C), (S), | (conjunto vaco).
PROBABILIDAD
Operaciones Bsicas con Eventos Aleatorios

Ya que los eventos aleatorios son subconjuntos del
conjunto , espacio muestral, se pueden
aplicar las conocidas operaciones con
conjuntos, a los eventos, como son la unin, la
interseccin y la diferencia de eventos.
PROBABILIDAD
OPERACIN

EXPRESION DESCRIPCION
UNION A B
Unin de eventos originales: es el
evento que sucede si y solo si A
sucede o B sucede o ambos
suceden
INTERSECCION A B
Interseccin de los eventos
originales, es el evento que sucede
si y slo si A y B suceden
simultneamente.
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
Grficamente estas operaciones se pueden
representar a travs de los diagramas de Venn.
Sea el espacio muestral y A y B eventos tal que
A, B c grficamente se puede expresar
como:
S
A B
Fig. 1 Los eventos A y B no tienen elementos del espacio muestral en comn.
PROBABILIDAD
S
A B
Fig 2. Los eventos A y B tienen elementos del espacio muestral en comn.
PROBABILIDAD
De acuerdo a lo indicado en las figuras 1 y 2, la
unin de dos eventos se presenta de dos formas
diferentes: cuando los eventos son mutuamente
excluyentes (que no tienen elementos en comn)
y cuando entre los eventos hay elementos
comunes.

Definicin.- Se dice que dos eventos A y B son
mutuamente excluyentes, cuando no pueden
ocurrir simultneamente, es decir, A B = C, 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 inters:
S = { 1,2,3,4,5,6 }, N(S) = 6
Sean A, B, C los eventos:
A: Que caiga un nmero impar = { 1, 3, 5 } ,
N(A) = 3
B: Que caiga un nmero mayor de 2 y menor que 5
= { 3, 4 }, N(B) = 2
C: Que caiga un nmero par = { 2, 4, 6 } ,
N(C) = 3
PROBABILIDAD












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}=S, N(A C) = N(S) = 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
S
A
B
C
1
5
3
4
2
6
PROBABILIDAD














A B={ 1, 3, 5 } { 3, 4 } = {3}, N(AB) = 1
A C={ 1, 3, 5 } { 2,4,6 } = {u}, N(A C) = N{u) = 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 }={u},
N((A B) C) = N{u) = 0
A (B C) = { 1, 3, 5 } ({ 3, 4 } { 2,4,6 })= { 1, 3, 5 } { 4 }={u},
N(A (B C)) = N{u) = 0
S
A
B
C
3
4
PROBABILIDAD












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
S
A
B
C
1
5
3
PROBABILIDAD












A
c
= { 2, 4, 6} = C N(A
c
) = N( C )= 3
B
c
= {1, 2, 5, 6 } N(B
c
) = 4
C
c
= {1, 3, 5 } = A N(C
c
) = N(A) = 3

S
A
B
C
1
5
3
4
2
6
PROBABILIDAD
Probabilidad Clsica y Frecuencial.
Probabilidad frecuencial y regularidad
estadstica
Las frecuencias relativas de un evento tienden
a estabilizarse cuando el nmero de
observaciones se hace cada vez mayor.
Ejemplo: La regularidad estadstica 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 frecuencial y regularidad
estadstica

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 nmero de
observaciones del experimento se
hace cada vez mayor.
PROBABILIDAD
Esto es:



donde
N(A) = nmero de elementos del evento A
N() = nmero de elementos del espacio
muestral .


( )
( ) (2)
( )
N A
P A
N
=
O
PROBABILIDAD
Probabilidad clsica.-
Sea S un espacio muestral cualquiera y A un evento de
ese espacio. Se define la probabilidad P del evento
A, como:



donde
NCF - nmero de casos favorables
NCT - nmero de casos totales (posibles)
(1) ) (
NCT
NCF
A P =
PROBABILIDAD
Ejemplo:
Experimento.- Se lanza una moneda
Evento A.- que al lanzar una moneda caiga
guila.
Calcular la probabilidad de A:
S = { A, S}, N() = 2
A = { A }, N(A) = 1
( ) 1
( ) .5
( ) 2
N A
P A
N
= = =
O
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 demostracin.
Teorema.- Es una verdad que requiere
ser demostrada.
PROBABILIDAD
Axioma 1.- Sea S un espacio muestral cualquiera
y A un evento, tal que A c S, entonces se
cumple que
0 s P(A) s 1 (3)

esto significa que la probabilidad de cualquier
evento no puede ser ms 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 es
un evento seguro, es uno
P() = 1

Ejemplo.-
Experimento.- Se lanza un dado
Si A =, es decir si el evento A coincide o es igual al
espacio muestral, entonces.
( ) ( )
( ) 1
( ) ( )
N A N S
P A
N N
= = =
O O
PROBABILIDAD
Teorema 1.- Si u es el conjunto vaco,
entonces la probabilidad de u es igual a 0



Ejemplos:
Una persona que quiere ganar la lotera nacional,
pero no compra boleto.
Que aparezca un siete al lanzar un dado
Que una persona viva 250 aos
En estos casos los eventos son vacos
( )
( ) 0
( )
N
P
N
C
C = =
O
PROBABILIDAD
Axioma 3.- Sea un espacio muestral
cualquiera y sean A y B dos eventos tales que
A c , B c y A B = C, es decir, dos
eventos mutuamente excluyentes, entonces
P(A B) = P(A) + P(B).
A B
A B
PROBABILIDAD
Ejemplo:
Experimento: Se lanzan dos monedas
= { ss, cc, sc, cs}
N() = 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 = {sc, cs}
Se puede ver que A B = C, no hay elementos en comn,
por lo que los eventos son mutuamente excluyentes o
disjuntos, por tanto
P(A B) = P(A) + P(B)
PROBABILIDAD
( ) 1
( )
( ) 4
( ) 2
( )
( ) 4
1 2 3
( ) ( ) ( )
4 4 4
N A
P A
N
N B
P B
N
P A B P A P B
= =
O
= =
O
= + = + =
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 comn), es igual a la suma de sus
probabilidades.
Si los eventos no son mutuamente excluyentes entonces para n eventos seria:
1 2 1 2
1 2
( ... ) ( ) ( ) ... ( )
( ) ( ) ... ( ... )
n n
n n
i j i j k k
i j i j k
P A A A P A P A P A
P A A P A A A P A A A
= = =
= + + +
+ +

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 nmero
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 = {u}, A C = {u},
B C = {u},
Por axioma 4
P(A B C) = P(A) + P(B) + P(C)
( ) 2
( )
( ) 6
( ) 2
( )
( ) 6
( ) 2
( )
( ) 6
2 2 2 6
( ) ( ) ( ) ( ) 1
6 6 6 6
N A
P A
N
N B
P B
N
N C
P C
N
P A B C P A P B P C
= =
O
= =
O
= =
O
= + + = + + = =
PROBABILIDAD
Teorema 2.-(Ley Aditiva de la Probabilidad).
Sean A y B dos eventos no excluyentes, A B =
C, 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 e A y x e B }

A
B
A - B
PROBABILIDAD
Ejemplo.-
Experimento.- Se lanza un dado y una moneda
= {1s, 2s, 3s, 4s, 5s, 6s, 1c, 2c, 3c, 4c, 5c, 6c }
N() = 12
A: Al lanzar un dado y una moneda aparezcan el
nmero 2 o 3 con sello.
B: Al lanzar un dado y una moneda aparezcan
nmeros 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 un
espacio muestral, tal que AcS, si A
c
es el
complemento del evento A, entonces la
probabilidad de A
c
es igual a 1 menos la
probabilidad de A, es decir
P(A
c
) = 1 P(A)
PROBABILIDAD
Experimento.- Se lanza un dado y una moneda
= {1s, 2s, 3s, 4s, 5s, 6s, 1c, 2c, 3c, 4c, 5c, 6c }
N() = 12
A: Al lanzar un dado y una moneda aparezcan el
nmero 2 o 3 con sello.
B: Al lanzar un dado y una moneda aparezcan
nmeros pares con sello.
A = { 2s, 3s }, N(A) = 2
B = { 2s, 4s, 6s } N(B) = 3
A
c
= { 1s, 4s, 5s, 6s, 1c, 2c, 3c, 4c, 5c, 6c }
P(A
c
) = 1 P(A) = 1 2/12 = 10/12
B
c
= { 1s, 3s, 5s, 1c, 2c, 3c, 4c, 5c, 6c }
P(B
c
) = 1 P(B) = 1 3/12 = 9/12
PROBABILIDAD
Probabilidad Condicional.
Sea A un evento arbitrario de un espacio
muestral , 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:





) (
) (
) / (
E P
E A P
E A P

=
PROBABILIDAD
Eventos Independientes:

Se dice que los eventos A y E son independientes si
se cumplen:









Si no se cumplen, se dice que los eventos son
dependientes.
) ( ) ( ) (
) ( ) / (
) ( ) / (
B P A P B A P
E P A E P
A P E A P
=
=
=
PROBABILIDAD
Probabilidad Condicional.

Ley Multiplicativa de la Probabilidad.

Ya que (AE) = (EA) y despejamos a P(AE), se tiene
que la probabilidad de la interseccin es:


) A P( ) E/A P(
) ( ) / ( ) (
) (
) (
) / (
) (
) (
) / (
=
=

=
E P E A P E A P
A P
A E P
A E P
E P
E A P
E A P
PROBABILIDAD
Probabilidad Condicional.

Si A y B son independientes:
P(E)P(A) ) A P( ) E/A P(
) ( ) ( ) ( ) / ( ) (
= =
= = E P A P E P E A P E A P
) (
) (
) ( ) (
) (
) (
) / (
) (
) (
) ( ) (
) (
) (
) / (
E P
A P
A P E P
A P
A E P
A E P
A P
E P
E P A P
E P
E A P
E A P
= =

=
= =

=
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.

= {1,2,3,4,5,6}
A = {3}, E = { 1,3,5}, (AE) = {3},
P(A) = 1/6
P(A/E) = P(AE)/ P(E)
= 1/6 / 3/6 = (1)(6)/(6)(3)
= 6/18 = 1/3
PROBABILIDAD
Otra forma de calcular las probabilidades de la
interseccin y las probabilidades condicionales,
de dos eventos A y B, tal que
A A
C
=
B B
C
=
es elaborando primero la tabla de nmero de
elementos de los eventos y despus la tabla de
sus probabilidades.
B B
c
Total
A AB AB
c
A
A
c
A
c
B A
c
B
c
A
c

Total B B
c

Se tienen los eventos A y B y sus complementos
A
c
, B
c

B B
c
Total
A N(AB) N(AB
c
) N(A)
A
c
N(A
c
B) N(A
c
B
c
) N(A
c
)
Total N(B) N(B
c
) N()
Tabla de nmero de elementos de A, B y sus
complementos A
c
, B
c

B B
c
Total
A P(AB) P(AB
c
) P(A)
A
c
P(A
c
B) P(A
c
B
c
) P(A
c
)
Total P(B) P(B
c
) P( )
Tabla de probabilidades de A, B, A
c
, B
c
y sus
intersecciones
PROBABILIDAD
Probabilidades condicionales:

P(A/B) = P(A B)/P(B)
P(B/A) = P(A B)/P(A)
P(A/B
c
) = P(A B
c
)/P(B
c
)
P(B/A
c
) = P(A
c
B)/P(A
c
)
P(A
c
/B) = P(A
c
B)/P(B)
P(B
c
/A) = P(A B
c
)/P(A)

PROBABILIDAD
Ejemplo.-
En cierta ciudad, las mujeres representan el 50%
de la poblacin y los hombres el otro 50%. Se
sabe que el 20% de las mujeres y el 5% de
hombres estn sin trabajo. Un economista
estudia la situacin de empleo, elige al azar una
persona desempleada. Si la poblacin total es
de 8000 personas,
Cul es la probabilidad de que la persona
escogida sea ?:
PROBABILIDAD
a).- Mujer
b).- Hombre
c).- Mujer dado que est 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
Desempleados
D
Empleados
E
Total
Mujeres
M
800 3200 4000

Hombres
H
200 3800 4000
Total 1000 7000 8000
Tabla Nmero de elementos de los Eventos M, H, D, E y S
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
Tabla de Probabilidades
PROBABILIDAD
P(M) = 0.50
P(H) = 0.50
P(E) = 0.875
P(D) = 0.125
P(M/E) = P(ME)/P(E) = 0.40/0.875 = 0.4571
P(D/H) = P(DH)/P(H) = 0.025/0.5 = 0.05
P(E/M) = P(ME)/P(M) = 0.40/0.5 = 0.8
P(M/D) = P(MD)/P(D) = 0.10/0.125 = 0.8
P(H/D) = P(HD)/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(ME) = 0.40 P(M) P(E) = 0.4375
P(DH) = 0.025 P(D) P(H) = 0.0625
P(MD) = 0.10 P(M) P(D) = 0.0625
P(EH) = 0.475 P(E) P(H) = 0.4375
PROBABILIDAD
Por tanto los eventos M y E ,
D y H,
M y D,
E y H
son dependientes.
Ley general Multiplicativa para n
eventos
1 2 3 1 2 1 3 1 2 1 2 1
( ... ) ( ) ( \ ) ( \ )... ( \ ... )
k k k
P A A A A P A P A A P A A A P A A A A

=
INDEPENDENCIA DE n EVENTOS



1 2 3 1 2 3
( ... ) ( ) ( ) ( )... ( )
k k
P A A A A P A P A P A P A =
PROBABILIDAD
Probabilidad total.-
Sean A
1
, A
2
, A
3
..., An eventos disjuntos
(mutuamente excluyentes), que forman una
particin de . Esto es Ai Aj = C para
toda i y toda j, y adems
= A
1
A
2
A
3
. A
n
A1
A2
A3
A4
A5
A6
An
PROBABILIDAD
Y sea E otro evento tal que E c y E A
i
= C
A1
A2
A3
A4
A5
A6
An
E
E
PROBABILIDAD
Entonces
E = E = (A
1
A
2
A
3
. A
n
) E
= (A
1
E) (A
2
E) (A
3
E)
. (A
n
E)

Al aplicar la funcin de probabilidad a ambos eventos,
se tiene que:
P(E) = P(A1E) + P(A2E) +P(A3E) +.+P(A
n
E)

Ya que (A
i
E) es ajeno a (A
j
E) para i j
PROBABILIDAD
Como (A
i
E) = (E A
i
) entonces
P(A
i
E) = P(E A
i
) = P(E/A
i
) P(A
i
)

Entonces la probabilidad completa de E es:

P(E) = P(E/A
1
) P(A
1
) + P(E/A
2
) P(A
2
) +
P(E/A
3
)P(A
3
)+...+ P(E/A
n
) P(A
n
)
PROBABILIDAD
Ejemplo.-
En una pequea empresa de tejidos se obtiene
su produccin con tres mquinas hiladoras M
1
,
M
2
y M
3
que producen respectivamente 50%,
30% y el 20% del nmero total de artculos
producidos.
Los porcentajes de productos defectuosos
producidos por estas mquinas son 3%, 4% y
5%. Si se selecciona un artculo al azar,
Cul es la probabilidad de que el artculo sea
defectuoso ?
PROBABILIDAD
Sea
D el evento: Que sea un artculo defectuoso.
P(M
1
) = 0.50 P(D/M
1
) = 0.03
P(M
2
) = 0.30 P(D/M
2
) = 0.04
P(M
3
) = 0.20 P(D/M
3
) = 0.05

P(D) = P(D/M
1
) P(M1) + P(D/M2) P(M2) +
P(D/M3) P(M3)
= .03(.50) + .04(.30) + .05(.20) = 0.037
M
1

M
2

M
3

D
ND
D
ND
D
ND
P(M
1
)=0.5
0
P(M
2
)=0.3
0
P(M
3
)=0.2
0
P(D/M
1
)=0.03
P(ND/M
1
)=0.9
7
P(D/M
2
)=0.04
P(D/M
3
)=0.05
P(ND/M
2
)=0.9
6
P(ND/M
3
)=0.95
P(M
1
)*P(D/M
1
)=.5*.03=.015
P(M
2
)*P(D/M
2
)=.3*.04=.012
P(M
1
)*P(D/M
1
)=.2*.05=.01
P(D) = .015+.012+.01=.037
PROBABILIDAD
Teorema de Bayes.- Supngase que A
1
, A
2
, A
3
,...,A
n

es una particin de un espacio muestral . En cada
caso P(A
i
) 0. La particin es tal que A
1
, A
2
,
A
3
,...,A
n
, son eventos mutuamente exclusivos. Sea E
cualquier evento, entonces para cualquier A
i
,


) / ( ) ( ) / ( ) ( ) / ( ) (
) / ( ) (
) / (
2 2 1 1 n n
I i
i
A E P A P A E P A P A E P A P
A E P A P
E A P
+ + +
=

PROBABILIDAD

P(E)
) / ( ) (
) / (
en to n ces
: es E d e co mp leta ad p rob ab ilid la Co mo
2 2 1 1
I i
i
n n
A E P A P
E A P
) )P(E/A P(A ) )P(E/A P(A ) )P(E/A P(A P(E)
=
+ + + =
PROBABILIDAD
Ejemplo.-
En una pequea empresa de tejidos se obtiene
su produccin con tres mquinas hiladoras M
1
,
M
2
y M
3
que producen respectivamente 50%,
30% y el 20% del nmero total de artculos
producidos.
Los porcentajes de productos defectuosos
producidos por estas mquinas son 3%, 4% y
5%. Supngase que se selecciona un artculo
al azar y resulta ser defectuoso. Cul sera
la probabilidad de que el artculo haya sido
producido por la mquina M1?
PROBABILIDAD
Ejemplo.-
En una pequea empresa de tejidos se obtiene
su produccin con tres mquinas hiladoras M
1
,
M
2
y M
3
que producen respectivamente 50%,
30% y el 20% del nmero total de artculos
producidos.
Los porcentajes de productos defectuosos
producidos por estas mquinas son 3%, 4% y
5%. Supngase que se selecciona un artculo
al azar y resulta ser defectuoso. Cul sera
la probabilidad de que el artculo haya sido
producido por la mquina M1?
PROBABILIDAD
Sea
D: Que el artculo sea defectuoso
ND: Que el artculo no sea defectuoso
M
1
: Que haya sido producido por la mquina 1

M
2
: Que haya sido producido por la mquina 2
M
3
: Que haya sido producido por la mquina 3


P(M
1
) = 0.50 P(D/M
1
) = 0.03
P(M
2
) = 0.30 P(D/M
2
) = 0.04
P(M
3
) = 0.20 P(D/M
3
) = 0.05


M
1

M
2

M
3

D
ND
D
ND
D
ND
P(M
1
)=.50
P(M
2
)=.30
P(M
3
)=.20
P(D/M
1
)=.03
P(ND/M
1
)=.97
P(D/M
2
)=.04
P(D/M
3
)=.05
P(ND/M
2
)=.96
P(ND/M
3
)=.95
P(M
1
)*P(D/M
1
)=.5*.03=.015
P(M
2
)*P(D/M
2
)=.3*.04=.012
P(M
1
)*P(D/M
1
)=.2*.05=.01
P(D) = .015+.012+.01=.037
PROBABILIDAD
Por teorema de Bayes se tiene:







La probabilidad de que el artculo defectuoso se
haya producido en la M
1
es del 40.54%
4054 .
037 .
) 03 )(. 50 (.

) (
) / ( ) (

) / ( ) ( ) / ( ) ( ) / ( ) (
) / ( ) (
) / (
1 1
3 3 2 2 1 1
1 1
1
= = =
+ +
=
D P
M D P M P
M D P M P M D P M P M D P M P
M D P M P
D M P