Probabilidad

INSTITUTO
TECNOLOGICO DE
PUEBLA
INTRODUCCIN A LA
PROBABILIDAD
M. C. Rafael Meza Garca
Probabilidad
2
Los administradores sustentan sus decisiones

en un anlisis de incertidumbre como las
siguientes:
Qu posibilidades hay de que disminuyan las

ventas si aumentamos los precios?
b) Qu posibilidades hay de que un mtodo
nuevo
de
ensamblado
aumente
la
productividad?
a)
Probabilidad
3
c)
d)
Cules son las posibilidades de que el producto

se tenga listo a tiempo?
Qu oportunidad existe de que una nueva
invencin sea rentable?
La Probabilidad es una medida

numrica de la posibilidad de que ocurra
un evento.
Probabilidad
4
Por tanto, las probabilidades son una

medida del grado de incertidumbre
asociado con cada uno de los eventos.
Si se cuenta con las probabilidades, tiene

la capacidad de determinar la posibilidad
de ocurrencia que tiene cada evento.
Experimentos, reglas de conteo y

asignacin de probabilidades
Un experimento es definido como un

proceso
que
genera
resultados
definidos.
Y en cada una de las repeticiones del

experimento, habr uno y slo uno de
los posibles resultados experimentales.
a)
b)
c)
d)
e)

Experimento
Resultados
Lanzar una moneda.

Tomar una pieza para
inspeccionarla.
Realizar una llamada de
ventas.
Lanzar un dado.
Jugar un partido de futbol.
a) Cara, Cruz.
b) Con
defecto,
sin
defecto.
c) Hay compras, no hay
compras.
d) 1, 2, 3, 4, 5,6.
e) Ganar, perder, empatar.

ESPACIO MUESTRAL
El espacio muestral de un experimento es el
conjunto
de
todos
los
resultados
experimentales.
Espacio Muestral De Dos Dados

8
Espacio Muestral De Dos Dados

9
10

Resultado
mustrales)
experimental
(puntos
S = { Cara, cruz }
S = { Defectuosa, no defectuosa }
S = { 1, 2, 3, 4, 5, 6 }
11
Reglas de conteo, combinaciones y

permutaciones
Al asignar probabilidades es necesario

saber identificar y contar los resultados
experimentales.
El experimento de lanzar dos monedas es

un experimento de dos pasos: el paso 1
es lanzar la primera moneda y el paso 2
es lanzar la segunda moneda.
12

permutaciones
Hay
cuatro
experimentales
resultados
H = Cara.
T = Cruz.
S = { (H, H), (H, T), (T, H), (T,T) }
13

permutaciones
Regla de Conteo para Experimentos de
Pasos Mltiples
Un experimento se describe como una sucesin

de k pasos en los que hay n1 resultados
posibles en el primer paso, n2 resultados
posibles en el segundo paso y as en lo
sucesivo, entonces el nmero total de
resultados experimentales es (n1) (n2)(nk).
14
Un diagrama de rbol es una representacin grfica

que permite visualizar un experimento de pasos
mltiples.
15

permutaciones
Ejemplo: Kentucky Power & Light ha empezado un
proyecto que tiene como objetivo
incrementar la capacidad de generacin
de una de sus plantas en el norte de
Kentucky.
16

permutaciones
El proyecto fue dividido en dos etapas

o pasos sucesivos: etapa 1 (diseo) y
etapa 2 (construccin).
A los administrativos no les es posible

pronosticar el tiempo exacto requerido
en cada una de las etapas.
17

permutaciones
En un anlisis de proyectos de construccin

similares encuentran que la posible duracin de
las etapas de diseo es de 2, 3, o 4 meses y
que la duracin de la construccin es de 6, 7, u
8 meses.
Adems, debido a la necesidad urgente de ms
energa elctrica, los administradores han
establecido como meta 10 meses para
terminacin de todo el proyecto.
18
Resultados Experimentales (Puntos

Mustrales)
19
Diagrama de rbol para el Proyecto

KP & L
Combinaciones
20
Otra regla de conteo til permite

contar el nmero de resultados
experimentales
cuando
el
experimento consiste en seleccionar
n objetos de un conjunto (usualmente
mayor) de N objetos.
Combinaciones
21
Combinaciones
22
Como ejemplo del uso de la regla de

conteo
para
combinaciones,
considere un procedimiento de
control de calidad en el que un
inspector selecciona al azar dos de
cinco piezas para probar que no
tengan defectos.
Combinaciones
23
En un conjunto de cinco partes, cuntas

combinaciones
de
dos
partes
pueden
seleccionarse?
N = 5 y n = 2.
Combinaciones
24
Si etiqueta dichas partes como A, B, C, D

y E, las 10 combinaciones o resultados
experimentales sern:
AB, AC, AD, AE, BC, BD, BE, CD, CE Y DE.
Combinaciones
25
Ejemplo 2.- Considere la lotera de Florida en

la que se seleccionan seis nmeros de un
conjunto de 53 nmeros para determinar al
ganador de la semana.
Permutaciones
26
La tercera regla de conteo que suele ser

til, es para permutaciones.
Dicha regla permite calcular el nmero

de resultados experimentales cuando se
seleccionan n objetos de un conjunto de
N objetos y el orden de seleccin es
relevante.
Permutaciones
27
Los mismos n objetos seleccionados en orden

diferente se consideran un resultado experimental
diferente.
Permutaciones
28
Ejemplo.- Considere el proceso de

control de calidad en el que un inspector
selecciona dos de cinco piezas para
probar que no tienen defectos.
Cuntas
permutaciones
puede
seleccionar?
N = 5 y n = 2.
Permutaciones
29
Si las piezas se etiquetan A, B, C, D y E,

las 20 permutaciones son AB, BA, AC, CA,
AD, DA, AE, EA, BC, CB, BD, DB, BE, EB,
CD, DC, CE, EC, DE y ED.
Asignacin de Probabilidades
30
1)
Requerimientos bsicos para la asignacin de

probabilidades.
La probabilidad asignada a cada resultado
experimental debe de estar entre 0 y 1,
inclusive. Se escribe con Ei el i-simo resultado
experimental y con P(Ei) su probabilidad,
entonces exprese requerimientos como:
0 <= P(Ei) <= 1 para todo i
31
2)
La suma de las probabilidades de los

resultados experimentales debe ser igual
a 1.0. Para resultados experimentales n
escriba este requerimiento como:
P(E1)
+ P(E2)
+ . . . + P(En) = 1
32
El mtodo clsico de asignacin de

probabilidades es apropiado cuando
todos los resultados experimentales
tienen la misma probabilidad.
Si existe n resultados experimentales, la

probabilidad asignada a cada resultado
experimental es 1/n.
33
El mtodo de frecuencia relativa

para la asignacin de probabilidades
es el ms conveniente cuando
existen datos para estimar la
proporcin de veces que se
presentarn los resultados si el
experimento se repite muchas veces.
34
El planteamiento clsico define la probabilidad

de que un evento ocurra como:
35
Por ejemplo un estudio sobre los tiempos

de espera en el departamento de rayos x
de un hospital pequeo.
Durante 20 das sucesivos un empleado

registra el nmero de personas que estn
esperando el servicio a las 9:00 a. m.; los
resultados son los siguientes:
36
Nmero de
personas
0
1
2
3
4
Nmero de das:
resultados de ocurrencia
2
5
6
4
3.
Total
20
37
En estos datos aparece que 2 de los 20 das,

haba cero pacientes esperando el servicio, 5
das haba un paciente en espera y as
sucesivamente.
1)
2)
3)
4)
2/20 = 0.10; cero pacientes esperan el servicio.

5/20 = 0.25; un paciente esperan el servicio.
6/20 = 0.30; dos pacientes esperan el servicio.
4/20 = 0.20; tres pacientes esperan el servicio.
38
Probabilidades para el proyecto KP

&L
Duracin de 40 proyectos de KP & L.
39
Frecuencia Relativas
Eventos y sus Probabilidades

40
EVENTO
Un evento es una coleccin de puntos
mustrales.
Proyecto KP & L los puntos muestrales
(2, 6), (2, 7), (2, 8), (3, 6), (3, 7), (4, 6)
correspondientes a una duracin del
proyecto de 10 meses o menos.

41
a)
b)
C = {(2, 6), (2, 7), (2, 8), (3, 6), (3, 7), (4, 6) }
Si cualquiera de estos puntos muestrales es el
resultado experimental, entonces ocurre el
evento C.
Otros eventos de posibles inters:
L = El evento de que el proyecto est acabando
en menos de 10 meses.
M = El evento de que el proyecto est acabado
en ms de 10 meses.

42
Dichos eventos consisten de los siguientes

puntos muestrales:
L = { (2, 6), (2, 7), (3, 6) }
M = { (3, 8), (4, 7), (4, 8) }
PROBABILIDAD DE UN EVENTO
La probabilidad de un evento es igual a la suma
de las probabilidades de los puntos muestrales
que forman el evento.

43
P(C) = P(2, 6)+P(2, 7)+P(2, 8)+P(3, 6)+

P(3, 7)+ P(4, 6)
P(C) = 0.15+0.15+0.05+0.10+0.20+0.05 =
0.70
El proyecto dure menos de 10 meses
L = { (2, 6), (2, 7), (3, 6) }
P(L) = P(2, 6) + P(2, 7) + P(3, 6)
= 0.15+0.15+0.05+0.10 = 0.40

44
Que el proyecto dure ms de 10

meses M = { (3, 8), (4, 7), (4, 8) }
P (M) = P(3,8) + P(4, 7) + P(4, 8)

= 0.05 + 0.10 + 0.15 = 0.30
Complemento de un Evento
45
Dado un evento A, el complemento de A

se define como el evento que consta de
todos los puntos muestrales que no estn
en A.
En cualquier aplicacin de la probabilidad

ocurre un evento A o su complemento Ac.
P (A) + P (Ac) = 1
46
Complemento del evento A es el rea

que aparece blanco
47
Clculo de una probabilidad usando el

complemento
P (A) = 1 - P (Ac)
Por ejemplo considere el caso de un
administrador de ventas que, despus de
revisar los informes de ventas, encuentra que
80% de los contactos con clientes nuevos no
producen ninguna venta.
P (A) = 1 - P (Ac) = 1 0.80 = 0.20
48
La conclusin es que la probabilidad de una

venta en el contacto con un cliente nuevo es
0.20.
Otro ejemplo, un gerente de compras se
encuentra que la probabilidad de que el
proveedor surta un pedido sin piezas
defectuosas
es
0.90,
empleando
el
complemento podemos concluir:
1- 0.90 = 0.10
Ley de la Adicin
49
La ley de la adicin sirve para

determinar la probabilidad de que ocurra
por lo menos uno de dos eventos, Es
decir, si A y B son eventos, nos interesa
hallar la probabilidad de que ocurra el
evento A o B o ambos.
REGLA DE LA ADICIN PARA EVENTOS

MUTUAMENTE EXCLUYENTES
50
Eventos Mutuamente Excluyentes

51
Se dice que dos eventos son mutuamente

excluyentes si no tienen puntos
muestrales en comn.
La ley de la adicin para eventos

mutuamente excluyentes:
P (A U B) = P (A) + P (B)

52

53
Ejemplo.- 5 estudiantes por igual capaces

esperan la fecha en que se les har una
entrevista para trabajar en el verano, la
compaa solicitante ha anunciado que
contratar slo a uno de los cinco mediante una
eleccin aleatoria. El grupo est formado por los
estudiantes: Bill, Helen, John, Sally y Walter.
Si nuestra pregunta es cul es la probabilidad

de que John sea elegido?

54
P(John) = 1/5 = 0.2
Si preguntamos ahora, cul es la probabilidad

de que John o Sally sean elegidos?,
P(John o Sally) = P(John)+ P(Sally)

= 1/5 + 1/5 = 2/5 = 0.4

55
No. Hijos
0
1
2
3
4
5
6 o ms
Proporcin de familias que

Tienen esta cantidad de
Hijos
0.05
0.10
0.30
0.25
0.15
0.10
0.05

56
Calculemos la probabilidad de que suceda dos

o ms eventos.
Cul es la probabilidad de que una familia de
este pueblo, escogida al azar, tenga cuatro o
ms hijos?
P (4, 5, 6 o ms) = P (4) + P (5) + P (6 o ms)
= 0.15 + 0.10 + 0.05
= 0.30
La unin de los eventos A U B

57
Interseccin de dos eventos

58
Dados dos eventos A y B, la interseccin

de A y B es el evento que contiene los
puntos muestrales que pertenecen tanto a
A como a B.
LEY DE LA ADICIN
P (A U B) = P (A) + P (B) P (A B)
59
Interseccin de los eventos

AyB
Ley de la Adicin
60
Considere el caso de una pequea empresa de

ensamble en la que hay 50 empleados.
Se espera que todos los trabajadores terminen
su trabajo a tiempo y que pase la inspeccin
final.
A veces, alguno de los empleados no satisface
el estndar de desempeo, ya que sea por no
terminar a tiempo su trabajo o porque no
ensambla bien una pieza.
Ley de la Adicin
61
Al final del periodo de evaluacin del

desempeo, el jefe de produccin
encuentra que 5 de los 50 trabajadores
no terminaron su trabajo a tiempo, 6 de
los 50 trabajadores ensamblaron mal una
pieza y 2 de los 50 trabajadores no
terminaron su trabajo a tiempo y armaron
mal una pieza.
62
Eventos no mutuamente
excluyentes
Ley de la Adicin
63
L = el evento no se termin el trabajo a

tiempo
D = el evento se arm mal la pieza
La informacin de las frecuencias relativas

lleva a las probabilidades siguientes.
P (L) = 5 / 50 = 0.10
P (D) = 6 / 50 = 0.12
P (L D) = 2 / 50 = 0.04
Ley de la Adicin
64
Despus de analizar los datos del

desempeo, el jefe de produccin decide
dar una calificacin baja al desempeo de
los trabajadores que no terminaron a
tiempo su trabajo o que armaron mal
alguna pieza; por tanto el evento de
inters es L U D.
Ley de la Adicin
65
Cul es la probabilidad de que el jefe de

produccin d a un trabajador una
calificacin baja de desempeo?
Esta pregunta se refiere a la unin de dos

eventos, se desea hallar P (L U D).
P(L U D) = P(L) + P(D) P(L U D)
P(L U D) = 0.10 + 0.12 0.04 = 0.18
Ley de la Adicin
66
Estos clculos indican que la

probabilidad de que un empleado
elegido al azar obtengan una
calificacin baja por su desempeo
es 0.18.
Ley de la Adicin
67
a)
b)
Ejemplo.Considere un estudio reciente

efectuado por el director de personal de una
empresa importante de software.
En el estudio encontr que 30% de los
empleados que se van de la empresa antes de
dos aos, lo hacen por estar insatisfechos con
el salario.
El 20% se van de la empresa por estar
descontentos con el trabajo.
Ley de la Adicin
68
c)
Y el 12 % por estar insatisfechos con las

dos cosas, el salario y el trabajo.
Cul es la probabilidad de que un
empleado que se vaya de la empresa en
menos de dos aos lo haga por estar
insatisfecho con el salario, con el trabajo
o con las dos cosas?
Ley de la Adicin
69
S = Evento el empleado se va de la empresa

por insatisfaccin con el salario.
W = Evento el empleado se va de la empresa
por insatisfaccin con el trabajo.
Se tiene:
P (S) = 0.30
P (W) = 0.20
P (S W) = 0.12
Ley de la Adicin
70
P (S U W) = P (S) + P (W) - P (S W)
P (S U W) = 0.30 + 0.20 0.12 = 0.38
As, la probabilidad de que un empleado

se vaya de la empresa por el salario o por
el trabajo es 0.38.
Ejercicio
71
Los empleados de una cierta compaa han

elegido a cinco de ellos para que los
representen en el consejo administrativo y de
personal sobre productividad. Los perfiles de los
cinco elegidos son:
1. Hombre
edad 30
2. Hombre
3. Mujer
4. Mujer
5. Hombre
32
45
20
40
Ejercicio
72
Este grupo decide elegir un vocero, la eleccin

se efecta sacando de un sombrero uno de los
nombre impresos.
Cul es la probabilidad de que el vocero sea
mujer o cuya edad est por arriba de 35 aos?
P (mujer o mayor 35) = P (mujer) + P (mayor
35) P (mujer y mayor 35)
= 2/5 + 2/5 1/5 = 3/5
73
Eventos que NO Son Mutuamente

Excluyentes
Probabilidad Condicional
74
Con frecuencia, en la probabilidad de un evento

influye el hecho de que un evento relacionado
con l ya haya ocurrido.
Suponga que tiene un evento A cuya
probabilidad es P (A).
Se obtiene informacin nueva y sabe que un
evento relacionado con l, es dado por B, ya ha
ocurrido, desear aprovechar esta informacin y
volver a calcular la probabilidad de evento A.
75
P(A \ B) La probabilidad de A dado B

Ejemplo la fuerza policiaca consta de 1200
agentes, 960 hombre y 240 mujeres.
De stos en los ltimos dos aos, fueron
promovidos 324.
76
Despus de analizar el registro de las

promociones, un comit femenil protest, ya
que haban sido promovidos 288 agentes
hombres, frente a slo 36 mujeres.
Los directivos de las fuerza policiaca
argumentaron que el nmero de mujeres
promovidas no se deba a una discriminacin,
sino a que el nmero de mujeres que son
agentes de polica es una cantidad pequea.
77
Ahora ver como emplear la probabilidad

condicional para analizar esta acusacin de
discriminacin:
Sean
M = el evento que un agente sea hombre.
W = el evento que un agente sea mujer.
A = el evento que un agente sea promovido.
Ac = el evento que un agente sea no promovido.
78
P (M A ) = 288 / 1200 = 0.24

Probabilidad de que un agente de polica,
escogido en forma aleatoria, sea hombre
y haya sido promovido.
P (M Ac ) = 672 / 1200 = 0.56

escogido en forma aleatoria, sea hombre
y no haya sido promovido.
79
P (W A ) = 36 / 1200 = 0.03
escogido en forma aleatoria, sea mujer y
haya sido promovido.
P (W Ac ) = 240 / 1200 = 0.17

escogido en forma aleatoria, sea mujer y
no haya sido promovido.
Probabilidades Conjuntas
80
Como cada uno de estos valores da la probabilidad de la

interseccin de dos eventos, se le llama probabilidades
conjuntas.
Probabilidad Marginales
81
Observe que las probabilidades marginales se obtienen

al sumar las probabilidades conjuntas del rengln o
columna correspondiente.
Por ejemplo la probabilidad de ser promovido

P (A) = P(M A) + P (W A) = 0.24 + 0.03 = 0.27
En las probabilidades marginales se observa que 80%

de la fuerza policiaca est formada por hombres y 20%
por mujeres, que 27% de los agentes fueron promovidos
y 73% no fueron promovidos.
82
Ahora empiece con el anlisis de la

probabilidad condicional calculando la
probabilidad de que un agente de polica
sea promovido dado que ese agente sea
hombre.
P (A / M) indica que slo interesan los

promovidos dentro de los 960 agentes de
polica que son hombre.
83
Como 288 de los 960 agentes de polica que

son
hombres
fueron
promovidos,
la
probabilidad de ser promovido dado que se es
un agente hombre es 288/960 = 0.30.
En otras, palabras, puesto que un agente de

polica es hombre, ese agente tuvo 30% de
probabilidades de ser promovido en los dos
ltimos aos.
84
Entonces, P (A / M) = 288 / 960 = 0.30.

Ahora, tanto el numerador como el
denominador de esta fraccin se dividen
entre 1200.
P (A / M) = (288/1200) / (960/1200) =
0.24/0.80 = 0.30
85
P (A / M) = P (A M) / P (M) = 0.24 / 0.80 =

0.30
P (A \ B) = P (A B) / P (B)
86
87
Indica que la probabilidad de que un

agente de la polica sea promovido (ya
sea hombre o mujer) es P(A)= 0.27.
Sin embargo, la cuestin relevante en el

caso de la discriminacin tiene que ver
con las probabilidades condicionales P(A /
M) y P(A / W).
88
Si hay diferencias entre estas dos

probabilidades condicionales cuando se
trata de las decisiones para promoverlos.
P (A / M) = 0.30
Calcular la probabilidad de que un agente
sea promovido dado que es mujer.
P (A | W) = P(A W) / P(W) = 0.03 / 0.20
= 0.15
89
Qu conclusin obtiene?
La probabilidad de que un agente de

polica sea promovido dado que es
hombre es 0.30, el doble de 0.15, que es
la probabilidad de que un agente de
polica sea promovido dado que es mujer.
90
En el ejemplo anterior:
P(A) = 0.27
P(A \ M) = 0.30
P (A \ W) = 0.15
Es claro que a la probabilidad de ser

promovido (evento A) le afecta o le influye
el que el oficial sea un hombre o una mujer.
91
En concreto, como P (A \ M) P (A) los eventos

A y M son eventos dependientes.
Es decir, a la probabilidad del evento A (ser

promovido) la altera o le afecta saber que se da
el evento M (que el agente sea hombre).
De similar, como P (A \ W) P (A), los eventos

A y W son eventos dependientes.
Eventos Independientes
92
Pero, si la probabilidad de un evento

A no cambia por la existencia del
evento M, es decir, si P (A \ M) = P
(A), entonces los eventos A y M son
eventos independientes.
93
Ley de la Multiplicacin
94
Mientras que las leyes de las sumas

de probabilidades sirven para
calcular la probabilidad de la unin
de dos eventos, la ley de la
multiplicacin es til para calcular la
probabilidad de la interseccin de
dos eventos.
95
96
Ejemplo.- Considere el caso del departamento

de circulacin de un peridico al que 84% de los
hogares de cierta regin estn suscritos a la
edicin diaria del peridico.
P (D) = 0.84
Adems, sabe que la probabilidad de que un

hogar ya suscrito a la edicin diaria se suscriba
tambin a la edicin dominical es 75%.
97
P (S \ D ) = 0.75
Cul es la probabilidad de que un hogar se

suscriba a ambas, a la edicin diaria y a la
dominical?
P ( S D )= P(D)*P(S \ D) = 0.84 * (0.75) = 0.63
As, sabe que 63% de los hogares se suscriben

a ambas ediciones, a la diaria y a la dominical.
98
Ley de la Multiplicacin Para Eventos

Independientes
P ( A B ) = P (A) * P (B)
Para calcular la probabilidad de la interseccin

de dos eventos independientes, simplemente se
multiplican las probabilidades correspondientes.
Como una aplicacin de la ley de la

multiplicacin para eventos independientes
considere el siguiente caso:
99

Independientes
El jefe de una gasolinera que por experiencia

sabe que 80% de los clientes usan tarjetas de
crdito al pagar la gasolina.
Cul es la probabilidad de que los dos
siguientes clientes paguen la gasolina con
tarjeta de crdito?
Sean:
A = el evento 1 cliente paga con tarjeta de crdito.
B = el evento 2 cliente paga con tarjeta de crdito.
100

Independientes
Entonces el evento que interesa es A B.
Si no hay otra informacin, ser

razonable suponer que A y B son eventos
independientes. Por tanto,
P (A B) = P(A) * P(B) = (0.80) (0.80) =

0.64
Repaso
101
Cuando se presentan dos eventos, el resultado

del primero puede tener un efecto en el
resultado del segundo, o puede no tenerlo. Esto
es, los eventos pueden ser dependientes o
independientes.
Un evento es estadsticamente independiente

de otro si la presentacin de uno de ellos no
tiene efecto sobre la probabilidad de
presentacin de cualquier otro.
Repaso
102
Existen tres tipos de probabilidades que

se presentan bajo la independencia
estadstica:
a) Marginal
b) Conjunta
c) Condicional
Una probabilidad marginal o incondicional
es la probabilidad simple de presentacin
de un evento.
Probabilidad Marginal Con Independencia

Estadstica
103
P(aguila) = 0.5, y P(sol) = 0.5
Esto es cierto para cada lanzamiento, no

importa cuantas veces se lance la moneda o
cuales hayan sido los resultados anteriores.
Cada lanzamiento de la moneda es nico y no

hay manera de conectarlo con cualquier otro
lanzamiento.
Probabilidad Marginal Con Independencia

Estadstica
104
En consecuencia, el resultado de cada

lanzamiento de una moneda es un evento
estadsticamente
independiente
de
los
resultados de cualquier lanzamiento.
Para una moneda alterada P(cara) = 0.90 y

P(cruz) = 0.10.
El resultado de cualquier lanzamiento particular
no est relacionado con lanzamientos previos o
futuros.
Probabilidad Conjunta Con Independencia

Estadstica
105
La probabilidad de dos o ms eventos

independientes que se presentan juntos o en
sucesin es el producto de sus probabilidades
marginales.

Estadstica
106
En trminos del ejemplo de la moneda

la probabilidad de obtener guila en dos
lanzamientos
sucesivos
es
la
probabilidad de obtener guila en el
primer lanzamiento multiplicada por la
probabilidad de obtener guila en el
segundo lanzamiento.
P(H1H2) = 0.5*0.5 = 0.25


Estadstica
107
Esto se deriva de nuestra definicin de independencia: ningn

evento se ve afectado por eventos anteriores o posteriores.
108
Ejemplo
109
Cul es la probabilidad de obtener al menos

dos guilas en tres lanzamientos?
Recordando que las probabilidades de

eventos
mutuamente
excluyentes
son
aditivas, podemos darnos cuenta de los
posibles modos en que se pueden presentar
al menos dos guilas en tres lanzamientos,
con
lo
que
podemos
sumar
sus
probabilidades individuales.
Ejemplo
110
Los resultados que satisfacen este requisito son:

H1H2H3, H1H2T3, H1T2H3 y T1H2H3
Debido a que cada uno de estos tiene una

probabilidad individual de 0.125, la suma es 0.5.
As pues, la probabilidad de obtener al menos
dos guilas en tres lanzamientos es 0.5
Cul es la probabilidad de obtener al menos

un guila en tres lanzamientos?
Ejemplo
111
Slo existe un caso en el cual no se

presenta ningn guila, a saber,
T1T2T3 .
En
consecuencia,
podemos restar:
simplemente
1 P(T1T2T3) = 1 - 0.125 = 0.875

Probabilidad Condicional Con Independencia

Estadstica
112
Adems de la probabilidad marginal y la

probabilidad conjunta, existe otro tipo de
probabilidad conocido como probabilidad
condicional.
La probabilidad condicional es la
probabilidad de que un segundo evento B
se presente si un primer evento A ya ha
sucedido.

Estadstica
113
Para eventos estadsticamente independientes,

la probabilidad condicional de que suceda un
evento B dado que el evento A se ha
presentado es simplemente la probabilidad del
evento B.
B(B\A) = P(B)
Ejemplo. Cul es la probabilidad de que el

segundo lanzamiento sea sol, dado que el
resultado del primer lanzamiento fue guila?.
Ejemplo
114
Simblicamente lo anterior se escribe: P(T 1\T2).

Recuerde que para dos eventos independientes
el resultado del primer lanzamiento no tiene
absolutamente ningn efecto en el resultado del
segundo.
Por tanto, como la probabilidad de obtener
guila y la de obtener sol son exactamente
iguales en cada lanzamiento, la probabilidad de
obtener guila en el segundo lanzamiento es de
0.5

Estadstica
115
Ejemplo. Cul es la probabilidad de que al

elegir con reemplazo dos cartas, al azar y
una cada vez, de un mazo de barajas, la
segunda sea:
a) una figura dado que la primera carta fue
roja
b) un as dado que la primera carta fue una
figura
c) una J negra dado que la primera carta
fue un as rojo

Estadstica
116
Resultados:
a) 3 / 13
b) 1 / 13
c) 1 / 26
117
Probabilidad Condicional Bajo

Dependencia Estadstica
La dependencia estadstica existe cuando la

probabilidad de que se presente algn suceso
depende o se ve afectado por la presentacin
de algn otro evento
Exactamente igual que con los eventos
independientes, los tipos de probabilidad bajo
condiciones de dependencia estadstica son:
1) Condicional
2) Conjunta
3) Marginal
118

Las probabilidades condicional y conjunta bajo

condiciones de dependencia estadstica son
ms complicadas que la probabilidad marginal
en estas mismas circunstancias
Suponga que tenemos una caja que contiene
10 bolas distribuidas de la manera siguiente:
3 son de color y tienen puntos
1 es de color y tiene franjas
2 son grises y tienen puntos
4 son grises y tienen franjas
119

La probabilidad de sacar cualquiera de las bolas

es de 0.1.
Suponga que una persona saca una bola de
color cul es la probabilidad de que sta tenga
puntos? Cul es la probabilidad de que sta
tenga franjas?
Esta pregunta puede expresarse simblicamente

como P(D|C) (cul es la probabilidad condicional de
que la bola tenga puntos (D) dado que es de color
(C)?)
120

121

Si la bola que se sac es de color, para

calcular la probabilidad de que tenga puntos,
ignoramos a todas las bolas grises y nos
concentramos exclusivamente en las de color
A partir de lo que se dice en el problema,

sabemos que hay 4 bolas de color 3 de las
cuales tienen puntos y la que queda tiene
franjas.
122

Ahora nuestro problema consiste en

encontrar las probabilidades sencillas de
que la bola tenga puntos y de que tenga
franjas. Para hacerlo dividimos el nmero
de bolas de cada categora entre el
nmero total de bolas de color.
123

P(D|C) = = 0.75
P(S|C) = = 0.25
As pues la probabilidad de sacar una
bola con puntos, dado que sta es de
color es de 0.75. De forma parecida, la
probabilidad de obtener una bola con
franjas dado que sta es de color es de
0.25
124

Para desarrollar una frmula para

calcular la probabilidad condicional
bajo
dependencia
estadstica
primero debemos asegurarnos que
tales eventos son estadsticamente
dependientes.
125

Si observamos que el color de las bolas

determina la probabilidad de que stas
tengas puntos o franjas. Por ejemplo, es
ms probable que una bola gris tenga
franjas ms probabilidades que una bola de
color.
Como el color afecta la probabilidad de que

la bola tenga puntos o franjas, stos
eventos son dependientes.
126

Para calcular la probabilidad de obtener una

bola con puntos dado que es de color, P(D|C),
dividimos la probabilidad de que la bola sea de
color y tenga puntos (tres de diez = 0.30) entre
la probabilidad de que la bola sea de color
(cuatro de diez = 0.4):
P(D|C) = P(DC)/P(C)
Esta es una frmula para la probabilidad
condicional bajo dependencia estadstica
127

Ejemplo. Calcule P(G|D) y P(C|D)
Debido a que sabemos que la bola que se sac

tiene puntos, podemos ignorar las bolas con
franjas.
Considrese ahora que la probabilidad de
obtener una bola de color y la de obtener una
bola gris, dado que la bola tiene puntos:
P(G|D)
= P(GD) / P(D) = 0.2 / 0.5 = 0.04

P(C|D) = P(CD) / P(D) = 0.3 / 0.5 = 0.6
128

Cul es la probabilidad de que la bola tenga

puntos (D), dado que es gris (G)?
P (D\G) = P(DG) / P(G) = 0.2 / 0.6 = 1/3
Cul es la probabilidad de que la bola tenga
franjas dado que sta es gris?
P(S\G) = P(SG) / P(G) = 0.4 / 0.6 = 2/3
129
Probabilidad Conjunta Bajo

Si de la ecuacin para calcular la probabilidad

condicional bajo dependencia estadstica
despejamos P(BA) mediante una multiplicacin,
obtendremos la frmula para la probabilidad
conjunta bajo condiciones de dependencia
estadstica.
Obsrvese que en la frmula no aplica el hecho

de que P(BA) es igual a P(B) * P(A)
130

131

P(CS) = P(C\S) * P(S) = 0.2 * 0.5 = 0.1
P(GD) = P(G\D) * P(D) = 0.4 * 0.5 = 0.2
P(GS) = P(G\S) * P(S) = 0.8 * 0.5 = 0.4
132
Probabilidad Marginal Bajo

Las probabilidades marginales en

condiciones
de
dependencia
estadstica se calculan mediante la
suma de las probabilidades de todos
los eventos conjuntos en los que se
presenta el evento sencillo.
133

En el ejemplo anterior podemos calcular la

probabilidad marginal del evento bola de color
mediante la suma de la probabilidad de los dos
eventos conjuntos en los que aparece una bola
de color:
P(C) = P(CD) + P(CS) = 0.3 + 0.1 = 0.4

De manera parecida P(G) = P(GD) + P(GS) = 0.2 +
0.4 = 0.6
P(D) = P(CD) + P(GD) = 0.3 + 0.2 = 0.5
P(S) = P(CS) + P(GS) = 0.1 + 0.4 = 0.5
134
135

Probabilidad

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Probabilidad

Transféré par

Droits d'auteur :

Formats disponibles

INSTITUTO

M. C. Rafael Meza Garca

Los administradores sustentan sus decisiones

Qu posibilidades hay de que disminuyan las

M. C. Rafael Meza Garca

Cules son las posibilidades de que el producto

La Probabilidad es una medida

Por tanto, las probabilidades son una

Si se cuenta con las probabilidades, tiene

Experimentos, reglas de conteo y

Un experimento es definido como un

Y en cada una de las repeticiones del

Experimentos, reglas de conteo y

Lanzar una moneda.

M. C. Rafael Meza Garca

Experimentos, reglas de conteo y

M. C. Rafael Meza Garca

Espacio Muestral De Dos Dados

M. C. Rafael Meza Garca

Espacio Muestral De Dos Dados

M. C. Rafael Meza Garca

Experimentos, reglas de conteo y

Reglas de conteo, combinaciones y

Al asignar probabilidades es necesario

El experimento de lanzar dos monedas es

Reglas de conteo, combinaciones y

Reglas de conteo, combinaciones y

Un experimento se describe como una sucesin

Un diagrama de rbol es una representacin grfica

M. C. Rafael Meza Garca

Reglas de conteo, combinaciones y

M. C. Rafael Meza Garca

Reglas de conteo, combinaciones y

El proyecto fue dividido en dos etapas

A los administrativos no les es posible

Reglas de conteo, combinaciones y

En un anlisis de proyectos de construccin

Resultados Experimentales (Puntos

M. C. Rafael Meza Garca

Diagrama de rbol para el Proyecto

M. C. Rafael Meza Garca

Otra regla de conteo til permite

M. C. Rafael Meza Garca

M. C. Rafael Meza Garca

Como ejemplo del uso de la regla de

En un conjunto de cinco partes, cuntas

M. C. Rafael Meza Garca

Si etiqueta dichas partes como A, B, C, D

AB, AC, AD, AE, BC, BD, BE, CD, CE Y DE.

M. C. Rafael Meza Garca

Ejemplo 2.- Considere la lotera de Florida en

M. C. Rafael Meza Garca

La tercera regla de conteo que suele ser

Dicha regla permite calcular el nmero

Los mismos n objetos seleccionados en orden

M. C. Rafael Meza Garca

Ejemplo.- Considere el proceso de

M. C. Rafael Meza Garca

Si las piezas se etiquetan A, B, C, D y E,

Requerimientos bsicos para la asignacin de

M. C. Rafael Meza Garca

La suma de las probabilidades de los

M. C. Rafael Meza Garca

El mtodo clsico de asignacin de