TEMA 3 - PROBABILIDAD

B2 B4

B1 B3

( ) ( ) ( ) ( )

ESTADSTICA BSICA 2
 TEMA 3: Probabilidad

1. Introduccin
2. Definicin de probabilidad y propiedades
3. Probabilidad condicionada y total
4. Independencia de sucesos
5. Teorema de Bayes
 1. Introduccin

Probabilidad: medida de la incertidumbre sobre un suceso ocurrir o no?

SUCESO: resultado de un experimento

Ejemplo A: sacar un dos al lanzar un dado

B: sacar ms de 3 al lanzar un dado
C: que el ordenador O tarde ms de 10 sg en hacer la tarea T
D: que el material M1 resista el peso P

Antes de realizar el experimento:

Observaremos el suceso o no?

Probabilidad= medida de la incertidumbre sobre dicho suceso

ESTADSTICA BSICA 4
 1. Introduccin

Conceptos importantes

EXPERIMENTO: Cualquier procedimiento de obtencin de un dato,

dadas unas condiciones de experimentacin

Si obtenemos un nuevo dato manteniendo constantes las condiciones

de experimentacin estamos REPITIENDO el experimento

Ejemplo: comprobar si una muestra del material M1 resiste el peso P

Ejemplo: cronometrar el tiempo que el ordenador O tarda en hacer la tarea T

Ejemplo: medir la longitud de una pieza del tipo T producida por la mquina M

Ejemplo: calcular el resultado de sumar 10+4

ESTADSTICA BSICA 5
 1. Introduccin

Tipos de experimentos

Experimento determinista: es aqul en el que cada vez que se repite se obtiene el

mismo resultado
Por qu?
porque las condiciones de experimentacin
contiene a TODOS los factores que influyen

Ejemplo: calcular el resultado de sumar 10+4

Experimento aleatorio: es aqul en el que no siempre se obtiene el mismo

resultado = INCERTIDUMBRE
Por qu?
porque las condiciones de experimentacin NO
contiene a TODOS los factores que influyen.

Ejemplo: comprobar si una muestra del material M1 resiste el peso P

Ejemplo: cronometrar el tiempo que el ordenador O tarda en hacer la tarea T

Ejemplo: medir la longitud de una pieza del tipo T producida por la mquina M

ESTADSTICA BSICA 6
 1. Introduccin

SUCESO ELEMENTAL: cada uno de los resultados elementales del experimento aleatorio

Ejemplo: Al lanzar un dado, los sucesos elementales son 1,2,3,4,5,6

Al medir el tiempo de realizacin de una misma tarea, los sucesos
elementales son infinitos

SUCESO COMPUESTO: unin de sucesos elementales

Ejemplo: Al lanzar un dado, sacar un nmero par : {2,4,6}

SUCESO CONTRARIO o COMPLEMENTARIO:

El suceso complementario a A , , es el que se observa cuando
no ocurre A
Ejemplo: Al lanzar un dado, sacar un nmero par A:{2,4,6}
y su contrario ser sacar impar, :{1,3,5}

ESTADSTICA BSICA 7
 1. Introduccin

ESPACIO MUESTRAL: conjunto de todos los sucesos posibles en un experimento. E. Se

suele definir uniendo los elementales. Tambin se le llama el
Suceso Seguro

Ejemplo Al lanzar un dado, E={1,2,3,4,5,6}

Al medir el tiempo de realizacin de una tarea = { 0}

SUCESO IMPOSIBLE o VACO: suceso que nunca puede observarse,

Ejemplo Al medir el tiempo de realizacin de una tarea = { < 0}

ESTADSTICA BSICA 8
 1. Introduccin
Diagrama de Venn

Representacin grfica de sucesos: nos representa los diferentes

sucesos que pueden observarse al realizar un experimento aleatorio

ESTADSTICA BSICA 9
E

A A =E

Ejemplo: sucesos elementales al lanzar un dado

1 2 3 4 5 6

1 U 2 U 3 U 4 U 5 U 6=E

10
 1. Introduccin

Unin de sucesos o suceso unin: es el suceso que ocurre cuando ocurre

alguno de los que se unen.

A
B
AB

AB o bien A+B
Ejemplo:

A: sacar 2 3 al lanzar un dado; A={2,3}

A+B={2,3,4,6}
B: sacar un nmero par; B={2,4,6}

ESTADSTICA BSICA 11
 1. Introduccin
Interseccin de sucesos o suceso interseccin: es el suceso que ocurre
cuando los sucesos ocurren simultneamente.

A A
B B

AB A B=
(sucesos disjuntos o mutuamente
o bien AB excluyentes)
Ejemplo:

A: sacar 2 3 al lanzar un dado; A={2,3}

AB=suceso en A y en B={2}
B: sacar un nmero par; B={2,4,6}

ESTADSTICA BSICA 12
 TEMA 3: Probabilidad

1. Introduccin
2. Definicin de probabilidad y propiedades
3. Probabilidad condicionada y total
4. Independencia de sucesos
5. Teorema de Bayes
 2. Definicin de probabilidad y propiedades

A : suceso en el que estamos interesados.

Ejemplo, A: sacar cara al lanzar una moneda
Ejemplo, B: tardar ms de 10 sg en realizar una tarea
Ejemplo, C: que maana llueva
Ejemplo, D: que apruebe la asignatura

Hacemos el experimento y ... Observaremos el suceso A?

Medida de la incertidumbre de observar A.

P(A) Probabilidad de observar el suceso A en la
siguiente repeticin del experimento aleatorio

Probabilidad de un suceso A: es la frecuencia relativa de aparicin

del suceso si repitisemos el experimento indefinidamente

0 () 1 () = 0
() = 1 () = 1 ()

ESTADSTICA BSICA 14
 2. Definicin de probabilidad y propiedades

Para sucesos mutuamente excluyentes

A ( + ) = () + ()
B

Si no restamos ( B), estamos

contando el suceso interseccin dos
veces

Si no son mutuamente excluyentes

( + ) = () + () ( ) A
B

ESTADSTICA BSICA 15
 2. Definicin de probabilidad y propiedades

Ejemplo
Una mquina ha producido 50 piezas del Tipo I y 200 del Tipo II. Cada
una de estas piezas puede ser defectuosa o aceptable. La distribucin
bivariante es la siguiente:

Tipo I Tipo II TOTAL

Aceptables 46 184 230

Defectuosas 4 16 20

TOTAL 50 200 250

Si seleccionamos un artculo al azar Cul es la

probabilidad de que sea defectuoso? P(Defectuoso)=20/250=0.08

Si seleccionamos un artculo al azar Cul es la

probabilidad de que sea del Tipo II? P(Tipo II)=200/250=0.80

ESTADSTICA BSICA 16
 Una mquina ha producido 50 piezas del Tipo I y 200 del Tipo II. Cada
Ejemplo una de estas piezas puede ser defectuosa o aceptable. La distribucin
bivariante es la siguiente:

Tipo I Tipo II TOTAL

Aceptables 46 184 230

Defectuosas 4 16 20

TOTAL 50 200 250

Un comprador quiere una pieza del Tipo II que funcione. Se extrae una pieza al azar de las 250
Cul es la probabilidad de sacar una pieza que no le valga)

Solucin 1:

no vale = 1
= 1 Aceptable
184
= 1 250 = 0.264
 Ejemplo Una mquina ha producido 50 piezas del Tipo I y 200 del Tipo II. Cada
una de estas piezas puede ser defectuosa o aceptable. La distribucin
bivariante es la siguiente:

Tipo I Tipo II TOTAL

Aceptables 46 184 230

Defectuosas 4 16 20

TOTAL 50 200 250

Un comprador quiere una pieza del Tipo II que funcione. Se extrae una pieza al azar de las 250
Cul es la probabilidad de sacar una pieza que no le valga)

Solucin 2:

P(no vale)=P(Defectuosa Tipo I)

=P(Defectuosa)+P(Tipo I)-P(Defectuosa Tipo I)

20 50 4
= + - 0.264
250 250 250
 TEMA 3: Probabilidad

1. Introduccin
2. Definicin de probabilidad y propiedades
3. Probabilidad condicionada y total
4. Independencia de sucesos
5. Teorema de Bayes
 3. Probabilidad condicionada y total

La probabilidad de un suceso depende de la informacin que tengamos

A: sacar un 2 al lanzar un dado P(A)=1/6

Y si nos dicen que el

nmero que ha salido P(A sabiendo que ha salido un nmero par)
es par? =1/3>1/6

Probabilidad condicionada

Notacin:

Definimos el suceso que no se ha observado an y el que s se ha observado

Suceso que no sabemos si se observar: A . Por ejemplo A: sacar un 2
Suceso conocido: B. Por ejemplo B: es un nmero par

Probabilidad de A condicionada a B
Probabilidad de A dado B

P(A|B)

ESTADSTICA BSICA 20
 3. Probabilidad condicionada y total
Ejemplo En una sala hay 300 personas, que se pueden clasificar de la
siguiente forma:

Chicas Chicos TOTAL

Fuman 15 15 30

No fuman 105 165 270

TOTAL 120 180 300

Si seleccionamos a una persona al azar Cul

es la probabilidad de que sea fumadora? P(Fuma)=30/300=0.10

Si seleccionamos a una persona al azar y P(Fuma|Chico)=15/180=0.083

vemos que es chico, Cul es la probabilidad de
que sea fumador?
Ya sabemos que es chico

15
P(Fuma | Chico)
180
ESTADSTICA BSICA 21
 3. Probabilidad condicionada y total
En una sala hay 300 personas, que se pueden clasificar de la
Ejemplo siguiente forma:

Chicas Chicos TOTAL

Fuman 15 15 30
No fuman 105 165 270
TOTAL 120 180 300

15 n de personas que son chicos Y fuman

P(Fuma | Chico)
180 n de chicos
15 / 300 (n de personas que son chicos Y fuman)/(n de personas)

180 / 300 (n de chicos)/(n de personas)

15 / 300 P(Fuma Chico)

180 / 300 P(Chico)

P(Fuma Chico)
P(Fuma | Chico)
P(Chico)
ESTADSTICA BSICA 22
 Regla de la probabilidad condicionada

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

De esta regla tambin puede tenerse

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

Anlogamente:

P( A B)
P (B | A ) P( A B) P(B | A)P( A)
P ( A)
23
 Regla de la probabilidad total

Sean B1,B2,...,Bn sucesos de un experimento cuya unin sea E

n
B2 B4 Bi E
i 1
A Sea A otro suceso que se observa al
mismo tiempo que los sucesos Bi

Ejemplo: B1: ser varn

B1 B3 B1 B2 E
B2: ser mujer
A: ser fumador

Problema

Queremos saber P(A: ser fumador), pero lo que sabemos

es P(A|varn) y P(A|mujer)
Cmo podemos reconstruir la probabilidad total?

Regla de la Probabilidad Total

n
P ( A) P A | Bi P (Bi )
i 1 24
 B2 B4
P( A) P( A E )
A
n
como Bi E
i 1
B1 B3 n
P ( A) P A Bi
i 1
(A B1) (A B2) (A B3) (A B4)

P( A) P A B1 A B2 A Bn

mutuamente excluyentes

P( A) P A B1 P A B2 P A Bn
25
 B2 B4

P ( A) P A B1 P A B2
A
P A Bn
B1 B3

usando que

(A B1) (A B2) (A B3) (A B4)

P( A Bi ) P( A | Bi )P(Bi )

P( A) P A | B1 P(B1 ) P A | B2 P(B2 ) P A | Bn P(Bn )

Regla de la Probabilidad Total

n
P ( A) P A | Bi P (Bi )
i 1
26
 B2 B4
Regla de la Probabilidad Total

n
A
P ( A) P A | Bi P (Bi )
i 1
B1 B3

(A B1) (A B2) (A B3) (A B4)

Ejemplo: B1: ser varn B2: ser mujer

A: ser fumador

Queremos saber P(A: ser fumador), pero lo que sabemos es P(A|varn) y P(A|mujer)

P(Fumador)=P(Fumador|Mujer)P(Mujer)+P(Fumador|Varn)P(Varn)

27
 3. Probabilidad condicionada y total
Ejemplo
En una sala hay 300 personas, que se pueden clasificar de la
siguiente forma:

Chicas Chicos TOTAL

Fuman 15 15 30

No fuman 105 165 270

TOTAL 120 180 300

P(Fuma|chica)=15/120=0.125 P(Fuma|chico)=15/180=0.0833
P(Chica)=120/300=0.40 P(Chico)=180/300=0.60

P(Fuma)=P(Fuma|Chica)P(Chica)+P(Fuma|Chico)P(Chico)

0.125 0.40 0.0833 0.60 0.10

ESTADSTICA BSICA 28
 TEMA 3: Probabilidad

1. Introduccin
2. Definicin de probabilidad y propiedades
3. Probabilidad condicionada y total
4. Independencia de sucesos
5. Teorema de Bayes
 4. Independencia de sucesos

Qu significa que dos sucesos A La informacin que tengamos

y B sean independientes? de uno de ellos no nos sirve
para conocer mejor el otro

La probabilidad de uno de ellos no

cambia por observar o no el otro
P(A|B)=P(A) ; P(B|A)=P(B)

Ejemplos:

A: sacar 2 con un dado P(A)=1/6; P(A|B)=1/6=P(A)

B: sacar cara con una moneda son independientes

B: sacar nmero par con un dado P(A)=1/6; P(A|B)=1/3 P(A)

son dependientes

B: sacar nmero impar con un dado P(A)=1/6; P(A|B)=0 P(A)

son dependientes

ESTADSTICA BSICA 30
 4. Independencia de sucesos
Dos sucesos A y B son independientes si la
probabilidad de uno de ellos no cambia por
observar o no el otro
P(A|B)=P(A) ; P(B|A)=P(B)

por la regla de la probabilidad

condicionada

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

Independencia: P( A B) P( A)P(B)

Dependencia: P( A B) P(B | A)P( A) P( A B) P( A | B)P(B)

ESTADSTICA BSICA 31
 4. Independencia de sucesos

Ejemplo Unas piezas cilndricas pueden ser defectuosas por tener una longitud
inadecuada o por tener un dimetro inadecuado, siendo ambos tipos de defectos
independientes. Si la proporcin de cilindros con longitud inadecuada es de 5%
y la de cilindros con dimetro inadecuado es del 3%. Qu porcentaje de
cilindros son defectuosos?

P(longitud inadecuada)=0.05
P(defecto)=P(long diam)
P(dimetro inadecuado)=0.03
=P(long)+P(diam)-P(long diam)

sucesos
P(long diam)=P(long) P(diam)=0.05 0.03=0.0015 independientes

P(defecto)=P(long)+P(diam)-P(long diam)=0.05+0.03-0.0015=0.0785

ESTADSTICA BSICA 32
 2. Definicin de probabilidad y propiedades

Ejemplo Una mquina ha producido 50 piezas del Tipo I y 200 del Tipo II. Cada
una de estas piezas puede ser defectuosa o aceptable. La distribucin
bivariante es la siguiente:

Tipo I Tipo II TOTAL

Aceptables 46 184 230

Defectuosas 4 16 20

TOTAL 50 200 250

Se extraen, con reposicin, dos piezas. Cul es la probabilidad de ambas que sean del Tipo I?

ESTADSTICA BSICA 33
 Ejemplo Una mquina ha producido 50 piezas del Tipo I y 200 del Tipo II. Cada
una de estas piezas puede ser defectuosa o aceptable. La distribucin
bivariante es la siguiente:

Tipo I Tipo II TOTAL

Aceptables 46 184 230

Defectuosas 4 16 20

TOTAL 50 200 250

Se extraen, con reposicin, dos piezas. Cul es la probabilidad de ambas que sean del Tipo I?

Solucin:

Los resultados de ambas extracciones son sucesos independientes. Por tanto

P( A B) P( A) P( B)
50 50
0.04
250 250
Si sacamos con reposicin dos piezas, y repetimos este experimento
indefinidamente, slo el 4% de las veces obtendremos dos piezas del Tipo I
EJERCICIOS

Un sistema est formada por 3 componentes como indica el grfico. El sistema

funciona siempre que haya conexin entre los puntos A y B. Los 3 componentes que
se encuentran en la red tienen una probabilidad de fallo de 0.05, siendo sus estados
(funcionando/averiado) independientes unos de otros. Calcula la probabilidad de que
este sistema falle. Llamaremos : el componente funciona

A B
1 2 3

Al estar los componentes en serie, el sistema funcionar si funcionan todos:

3 3
(Sistema)= 1 2 3 = 1 2 3 = 1 = 1 0.05

Qu fiabilidad (prob. de que funcione) deben tener los componentes individuales

de un sistema de 10 componentes en serie para que la fiabilidad del conjunto del
sistema sea superior a 0.99

A B
1 2 10

10
= 1 > 0.99 1 >?

ESTADSTICA BSICA 35
EJERCICIOS

Un sistema est formada por 2 componentes en paralelo como indica el grfico. La

red funciona siempre que haya conexin entre los puntos A y B. Los 2 componentes
que se encuentran en la red tienen una probabilidad de fallo de 0.05, siendo sus
estados (funcionando/averiado) independientes unos de otros. Demuestra que al
estar en paralelo, la probabilidad del sistema es mayor que la de cada componente
individual.
El sistema funciona si funciona algn componente. El sistema falla
si ambos componentes fallan.

1 = 1 2
= 1 + 2 1 2
A B = 1 + 2 1 )(2

Tambin se puede calcular usando el complementario:

Sistema funciona = 1 Sistema falla = 1 2 = 1 )(2

ESTADSTICA BSICA 36
 Un sistema est formada por 3 componentes en paralelo como indica el grfico. La
red funciona siempre que haya conexin entre los puntos A y B. Los 3 componentes
tienen una probabilidad de fallo de 0.05, siendo sus estados (funcionando/averiado)
independientes unos de otros. Calcula la fiabilidad de este sistema

1
= 1 2 3
= 1 1 2 3
= 1 1 2 3
A 1 B

Cuntos componentes de los anteriores tengo que tener en paralelo para que la
fiabilidad del sistema sea superior a 0.999999.
1

= 1 2
A 1 B = 1 1 2 3
= 1 1 = 0.999999

ESTADSTICA BSICA 37
 TEMA 3: Probabilidad

1. Introduccin
2. Definicin de probabilidad y propiedades
3. Probabilidad condicionada y total
4. Independencia de sucesos
5. Teorema de Bayes
 5. Teorema de Bayes

Problema: Conocemos P(B|A), Cmo podemos calcular P(A|B)?

P(A|B)?

Por la regla de la
P( A B)
P( A | B)
probabilidad condicionada P (B )

pero tambin tenemos que

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

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

Teorema de Bayes

P (B | A)P ( A)
P( A | B)
P (B )
ESTADSTICA BSICA 39
 5. Teorema de Bayes

Ejemplo Una empresa que gestiona la red de una gran empresa adquiere un antivirus
con las siguientes caractersticas. Si hay virus, da la alarma con probabilidad
0.95. Aunque no haya virus, hay una probabilidad de 0.08 de que d una falsa
alarma de virus.

Si la red de dicha empresa suele recibir un ataque de virus por cada 1000 accesos, calcula la
probabilidad de que cuando d la alarma de virus, haya de verdad un ataque

P( A | V ) 0.95
A: al analizar un mensaje se da la alarma
P( A | V ) 0.08
V: el mensaje tiene un virus
P(V ) 0.001

P( A | V ) P(V ) 0.95 0.001

P(V | A) P(V | A)
P( A) P( A)

Regla de la Probabilidad Total

n
P ( A) P A | Bi P (Bi )
i 1
ESTADSTICA BSICA 40
 Ejemplo Una empresa que gestiona la red de una gran empresa adquiere un antivirus
con las siguientes caractersticas. Si hay virus, da la alarma con probabilidad
0.95. Aunque no haya virus, hay una probabilidad de 0.08 de que d una falsa
alarma de virus.

Si la red de dicha empresa suele recibir un ataque de virus por cada 1000 accesos, calcula la
probabilidad de que cuando d la alarma de virus, haya de verdad un ataque

P( A | V ) 0.95
A: al analizar un mensaje se da la alarma
P( A | V ) 0.08
V: el mensaje tiene un virus
P(V ) 0.001

P( A | V ) P(V ) 0.95 0.001

P(V | A) P(V | A)
P( A) P( A)

P( A) P( A | V ) P(V ) P( A | V ) P(V )
0.95 0.001 0.08 0.999 0.08087

0.95 0.001
P(V | A) 0.012
0.08087
41