Cpitulo 2

Conceptos de Probabilidad
y Aplicaciones
1 - <#>

Objetivos de Aprendizaje
Los estudiantes podrn:
Entender los fundamentos bsicos del

anlisis de probabilidad
Entender la diferencia entre eventos

mutualmente exclusivos y eventos

colectivamente exhaustivoss
Describir eventos estatisticamente

dependientes e independientes
Usar el teorema de Bayes para establecer

probabilidades posteriores
1 - <#>

Objetivos de Aprendizaje continuacin

Describir y proporcionar ejemplos de
variables aleatorias discretas y
continuas
Explicar la diferencia entre
distribuciones de probabilidad discretas
y continuas
Calcular valores esperados y varianzas
Usar la tabla Normal 1 - <#>

Introduccin
La vida no es cierta!
Tenemos que tratar con riesgos!
Una probabilidad es un enunciado
numrico sobre la posibilidad de que
un evento ocurra

1 - <#>

Enunciados Bsicos Sobre

Probabilidad

1. La probabilidad, P, de que cualquier

evento o estado natural ocurra es
mayor o igual a 0 y menor o igual
a1.
Esto es:

0 P(evento) 1

2. La suma de las probabilidades

simples para todos los posibles
resultados de una actividad debe
ser igual a 1.

1 - <#>

Ejemplo 2.1
La demanda de pintura blanca latex en la
compaa Diversey Paint and Supply todo
el tiempo ha sido 0, 1, 2, 3, o 4 galones por
da. (No hay otros resultados posibles;
cuando un resultado ocurre, no otro
puede ocurrir.) En los pasados 200 das,
las frecuencias de demanda son
representadas en la siguiente tabla:
1 - <#>

Ejemplo 2.1 - continuacin

Frecuencias de Demanda
Cantidad Demandada

Nmero de Das

(Galones)
0

40

80

2
3
4

50
20
10
Total 200
1 - <#>

Ejemplo 2.1 - continuacin

Probabilidades de Demanda
Cantidad

Frec.

Probabilidad

Demanda

(das)

40

(40/200) = 0.20

80

(80/200) = 0.40

50

(50/200) = 0.25

20

(20/200) = 0.10

10

Total das = 200

(10/200) = 0.05
Total Prob
= 1.00
1 - <#>

Tipos de Probabilidad
Probabilidad Objetiva :
P ( evento )

Nmero
Nmero total

de veces que un evento ocurre

de resultados
o ocurrencias

Determinado por experimento u

observacin:
Probabilidad de obtener cara al lanzar una
moneda
Probabilidad de sacar espadas de un baraja
1 - <#>

Tipos de Probabilidad
Probabilidad subjetiva:
Basada en juicio
Determinada por:
Juicio de experto
Encuesta de opiniones
etc.

1 - <#>

10

Eventos Mutualmente Exclusivos

Se dice que los eventos son
mutualmente exclusivos si solo uno
de los eventos puede ocurrir en
cualquier intento

1 - <#>

11

Eventos Colectivamente
Exhaustivos
Se dice que los eventos son
colectivamente exhaustivos si la lista
de resultados incluye cada resultado
posible: cara y sello como posibles
resultados de lanzar una moneda.

1 - <#>

12

Ejemplo 2
Lanzar un dado
tiene seis
resultados
posibles

Resultado Probabilidad
de Tiro
1/6
1
1/6
2
1/6
3
1/6
4
1/6
5
1/6
6
Total = 1

1 - <#>

13

Ejemplo 2a
Resultado
Que lanzar dos
dados resulte en
de Tiro = 5
un total de cinco. Dado 1 Dado 2
Hay un total de 36
1
4
resultados
2
3
posibles.
3
2
4

1
1 - <#>

Probabilidad

1/36
1/36
1/36
1/36

14

Ejemplo 3
Saque

Mutualmente
Exclusivo

Sacar una espada y un

trbol
Sacar un mono y una
carta con nmero
Sacar un As y un 3
Sacar un trbol y una
que no sea trbol
Sacar un 5 de diamante
Sacar una carta roja y un
diamante

Si

Colectivamente
Exhaustivo
No

Si

Si

Si

No

Si

Si

No

No

No

No
1 - <#>

15

Probabilidad :
Mutualmente
Exclusiva
P(evento A o evento B) =
P(evento A) + P(evento B)
o:
P(A o B) = P(A) + P(B)
i.e.,
P(espada o trbol) = P(espada) + P(trbol)
= 13/52 + 13/52
= 26/52 = 1/2 = 50%
1 - <#>

16

Probabilidad:
No Mutualmente Exclusiva
P(evento A o evento B) =
P(evento A) + P(evento B) P(evento A y evento B ambos ocurriendo)
o
P(A o B) = P(A)+P(B) - P(A y B)

1 - <#>

17

P(A y B)
(Diagrama Venn)

P(A
)
yB

P(A)

1 - <#>

P(B)

18

P(A o B)
-

+
P(A)

P(B)
=

P(A y B)
P(A o B)

1 - <#>

19

Dependencia Estadstica
Eventos son ya sea
estadisticamente independientes (la
ocurrencia de un evento no tiene efecto en
la probabilidad de la ocurrencia de otro) o
estadisticamente dependientes (la
ocurrencia de un evento da informacin
sobre la ocurrencia de otro)

1 - <#>

20

Cules son Independientes?

(a) Su educacin
(b) Su nivel de ingresos
(a) Sacar una carta de Corazones de una baraja de
52 cartas
(b) Sacar una carta de Trboles de una baraja de 52
cartas
(a) La Universidad de Chile gana el campeonato
Nacional
(b) La Universidad de Chile gana la Copa
Intercontinental
1 - <#>

21

Probabilidades Eventos
Independientes

Probabilidad Marginal: la probabilidad de que un

evento ocurra:

[P(A)]
Probabilidad conjunta: la probabilidad de eventos
multiples independientes, oocurriendo al mismo
tiempo
P(AB) = P(A)*P(B)
Probabilidad condicional (para eventos
independientes):
la probabilidad de evento B dado que evento A
ha occurrido P(B|A) = P(B)
o, la probabilidad de evento A dado que evento
- <#>
22
B ha occurrido P(A|B) = 1P(A)

Probabilidad(A|B)
Eventos Independientes
P(B)

P(A)

P(B|A)

P(A|B)
1 - <#>

23

Eventos Estadisticamente
Independientes
Un balde
contiene 3 bolas
negras y siete
bolas verdes. Se
saca una bola del
balde, se vuelve a
poner, y se saca
una segunda bola

1. P(bola negra sacada en el

primer intento)
P(N) = 0.30 (probabilidad
marginal)
2. P(dos bolas verdes
sacadas)
P(VV) = P(V)*P(V) =
0.70*0.70 = 0.49
(probabilidad conjunta
para dos eventos
independientes)
1 - <#>

24

Eventos Estadisticamente
Independientes - continuacin
1. P(bola negra sacada en segundo intento, la
primera fu verde)
P(N|V) = P(N) = 0.30
(probabilidad condicional)
2. P(bola verde sacada en segundo intento, la
primera fu verde)
P(V|V) = 0.70
(probabilidad condicional)
1 - <#>

25

Probabilidades Eventos
Dependientes

Probabilidad Marginal: probabilidad de

que un evento ocurra P(A)

Probabilidad Conditional (para eventos

dependientes:
La probabilidad de evento B dado que evento
A ha occurrido P(B|A) = P(AB)/P(A)
la probabilidad de evento A dado que evento
B ha occurrido P(A|B) = P(AB)/P(B)

1 - <#>

26

Probabilidad(A|B)
/
P(A)

P(AB)

P(B)

P(A|B) = P(AB)/P(B)
1 - <#>

27

Probabilidad(B|A)
/
P(B)

P(AB)

P(A)

P(B|A) = P(AB)/P(A)

1 - <#>

28

Eventos Estadisticamente
Dependientes
Suponga que una urna
Entonces::
contiene 10 bolas con las
P(BL) = 4/10 = 0.40
siguientes descripciones:
4 son blancas (B) y con
letras (L)
2 son blancas (B) y con
nmeros N
3 son amarillas (A) y con
letras (L)
1 es amarilla (A) y con
nmero (N)

P(BN) = 2/10 = 0.20

P(B) = 6/10 = 0.60
P(AL) = 3/10 = 0.3
P(AN) = 1/10 = 0.1
P(A) = 4/10 = 0.4
1 - <#>

29

Eventos Estadisticamente
Dependientes - Continuacin
Entonces:
P(L|A) = P(AL)/P(A)
= 0.3/0.4 = 0.75
P(A|L) = P(AL)/P(L)
= 0.3/0.7 = 0.43
P(B|L) = P(BL)/P(L)
= 0.4/0.7 = 0.57
1 - <#>

30

Probabilidades Conjuntas,
Eventos Dependientes

Su corredor de acciones le informa que si el

mercado de valores alcanza el nivel de 10,500
puntos en Enero, hay una probabilidad del 70%
de que la accin de Tubeless Electronics se
incremente en valor. Su propio sentimento es
de que hay solo un 40% de posibilidad de que el
mercado alcance 10,500 puntos en Enero.
Cul es la probabilidad de que ambos el mercado
de acciones alcance 10,500 puntos, y de que el
precio de la accin de Tubeless se incrementar
en valor?
1 - <#>

31

Probabilidades Conjuntas, Eventos

Dependientes - continuacin
Deje que M represente el
evento de que el
Entonces:
mercado de acciones
P(MT) =P(T|M)P(M)
alcance el nivel de
10,500 puntos, y T
= (0.70)(0.40)
represente el evento de
= 0.28
que la accin de
Tubeless se incremente.
1 - <#>

32

Revisin de Probabilidades:
Teorema de Bayes
El Teorema de Bayes puede ser usado para calcular
las probabilidades revisadas o probabilidsdes
posteriores

Probabilidades
Anteriores

Nueva
Informacin

Proceso de
Bayes

1 - <#>

Probabilidades
Posteriores

33

Forma General del Teorema

de Bayes
P( A | B)

P ( AB )
P( B)

or

P ( B | A) P ( A)
P( A | B)
P ( B | A) P ( A) P ( B | A ) P ( A )
donde A complemento de el evento A

Por ejemplo, s el evento A es un dado " legtimo" ,

entonces el evento A es un dado " no legtimo".

1 - <#>

34

Probabilidades Posteriores
Una tasa contiene dos dados identicos en
apariencia. Uno, sin embargo, es legtimo (no
cargado), el otro es ilegtimo (est cargado). La
probabilidad de tirar un 3 en el dado legtimo es
1/6 o 0.166. La probabilidad de tirar el mismo
nmero en el dado ilegtimo es 0.60.
No tenemos idea de cual dado es legal o ilegal,
pero seleccionamos uno al azar y lo tiramos. El
resultado es un 3.
Cul es la probabilidad de que el dado tirado fu
el legtimo?
1 - <#>
35

Probabilidades Posteriores
Continuacin
Sabemos que:
P(legtimo) = 0.50
Y:
P(3|legtimo) = 0.166

P(cargado) = 0.50
P(3|cargado) = 0.60

Entonces:
P(3 y legtimo) = P(3|legtimo)P(legtimo)
= (0.166)(0.50)
= 0.083
P(3 y cargado) = P(3|cargado)P(cargado)
= (0.60)(0.50)
= 0.300
1 - <#>

36

Probabilidades Posteriores
Continuacin
Un 3 puede ocurrir en combinacin con el
estado dado legtimo o en combinacin con
el estado dado cargado. La suma de sus
probabilidades da la probabilidad
incondicional o marginal de un 3 en una tirada:
P(3) = 0.083 + 0.0300 = 0.383.

Entonces, la probabilidad de que el dado tirado

fu el legtimo esta dada por:
P(Legtimo | 3)

P(Legtimo y 3)
0.083

0.22
P(3)
0.383

1 - <#>

37

Ms Revisiones de Probabilidad
Para obtener ms informacin sobre
si el dado tirado es legtimo o
cargado, tiremoslo otra vez.
Dado de que ahora hemos tirado dos
3s, Cul es la probabilidad de que
dado tirado es el legtimo?

1 - <#>

38

Ms Revisiones de
Probabilidad - continuacin
P(legtimo) = 0.50, P(cargado) = 0.50 como antes
P(3,3|legtimo) = (0.166)(0.166) = 0.027
P(3,3|cargado) = (0.60)(0.60) = 0.36
P(3,3 y legtimo) = P(3,3|legtimo)P(legtimo)
= (0.027)(0.05)
= 0.013
P(3,3 y cargado) = P(3,3|cargado)P(cargado)
= (0.36)(0.5)
= 0.18
P(3,3) = 0.013 + 0.18 = 0.193

1 - <#>

39

Ms Revisiones de
Probabilidad - continuacin
P(3,3 y Legtimo)
P(Legtimo | 3,3)
P(3,3)
0.013

0.067
0.193
P(3,3 y Cargado)
P(Cargado | 3,3)
P(3,3)
0.18

0.933
0.193
1 - <#>

40

Ms Revisiones de Probabilidad
- continuacin
Para dar la comparacin final:
P(legtimo|3) = 0.22
P(cargado|3) = 0.78
P(legtimo|3,3) = 0.067
P(cargado|3,3) = 0.933
1 - <#>

41

Variables Aleatorias
Variable Aleatoria Discreta puede asumir

solo un juego de valores finito o limitadoi.e., el nmero de automoviles vendidos en

un ao
Variable Aleatoria Continua puede asumir

cualquiera de un infinito juego de valoresi.e., temperatura, vida del producto

1 - <#>

42

Variables Aleatorias (Nmericas)

Experimento

Resultado

Inventariar 50
rboles navideos
Inspeccionar 600
artculos
Mandar
5,000 cartas
de ventas
Construir un
edificio de
apartamentos
Probar la
vida de un
foco
(minutos)

Nmero de
arboles vendidos
Nmero
aceptable
Nmero de
gente que
responde
%completo
Despues de 4
meses
Foco
dura - hasta
80,000
minutos

Variable Aleatoria
X = nmero de
arboles vendidos
Y = nmero
aceptable
Z = nmero de
Gente que responde
R = %completo
despues de 4 meses
S = tiempo que el foco
dura

1 - <#>

Rango de
Variable
Aleatoria
0,1,2,, 50
0,1,2,,
600
0,1,2,,
5,000
0 R 100
0 S 80,000

43

Variables aleatorias (Nonmericas)

Experimento
Estudiantes
responden a un
questionario
Una mquina es
inspeccionada
Consumidores
responden como
les gusta un
producto

Resultado
Fuertemente de acuerdo (FA)
De acuerdo (A)
Neutral (N)
No de acuerdo (NDA)
Fuertemente no de acuerdo (FDA)
Defectiva
No defectiva
Buena
Promedio
Pobre

Variable
Aleatoria
X = 5 si FA
4 si A
3 si N
2 si NDA
1 si FDA
Y = 0 si defectiva
1 si no defectiva
Z = 3 si buena
2 si promedio
1 si pobre

1 - <#>

Rango de
Variable
Aleatoria
1,2,3,4,5

0,1
1,2,3

44

Distribuciones de Probabilidad

Figura 2.5
Funcin de
Probabilidad

1 - <#>

45

Valor Esperado de una Distribucin

de Probabilidad Discreta
n

E ( X ) X iP ( X
i

E( X )

X
i 1

P( X i )

X 1 P( X 1 ) X 2 P( X 2 ) X 3 P( X 3 )
X 4 P( X 4 ) X 5 P( X 5 )
(5)(0.1) ( 4)(0.2) (3)(0.3)
( 2)(0.3) (1)(0.1)
2.9

1 - <#>

46

Varianza de una Distribucin de

Probabilidad Discreta

X
i 1

5 2 .9

E X

P X i

0.1 4 2.9 2 0.2

2
3 2.9 0.3 (2 - 2.9) 2 (0.3)
2

(1 2.9) 2 (0.1)
0.44 - 0.242 0.003 0.243 0.361
1.29

1 - <#>

47

Distribucin Binomia
Suposiciones:
1. Intentos siguen un proceso Bernoulli
dos posibles resultados
2. Probabilidades se mantienen igual de
un intento a otro
3. Intentos son estadisticamente
independientes
4. Nmero de intentos es un entero
positivo
1 - <#>

48

Distribucin Binomia
n = nmero de intentos
r = nmero de xitos
p = probabilidad de xito
q = probabilidad de falla

Probabilidad de r xitos
en n intentos

n!
r
nr

p q
r!(n - r)!
1 - <#>

49

Distribucin Binomia
np
2 np (1 p )

1 - <#>

50

Distribucin Binomia
N = 5, p = 0.50

1 - <#>

51

Distribucin de Probabilidad de
Variable Aleatoria Continua
Distribucin Normal

Funcin de Densidad de Probabilidad - f(X)

5.05

f (X )

5.1

5.15

5.2

5.25

5.3

5.35

5.4

1 / 2 ( X ) 2

e
1 - <#>

52

Distribucin Normal para diferentes

valores de
=40

=50

40

50

=60

0
30

60

1 - <#>

70

53

Distribucin Normal para

diferentes valores de
=1
=0.1
=0.3

=0.2

0.5

1.5

1 - <#>

54

Tres Areas Comunes Abajo de

la Curva

Tres distribuciones normales con

diferentes reas

1 - <#>

55

Tres Areas Comunes Abajo de

la Curva
Tres
distribuciones
normales con
diferentes
reas

1 - <#>

56

La Relacin Entre
ZyX
=100
x
Z

=15

55

70

85

100

115

130

145

-3

-2

-1

1 - <#>

57

Ejemplo: Haynes Construction

Company Fig. 2.12

1 - <#>

58

Ejemplo: Haynes Construction

Company Fig. 2.13

1 - <#>

59

Ejemplo: Haynes Construction

Company Fig. 2.14

1 - <#>

60

La Distribucin Exponencial
Negativa
f ( X ) e

Valoe esperado = 1/
Varianza = 1/2

6
5
4

=5

3
2
1
0

0.2

0.4

0.6

0.8

1 - <#>

1.2

61

La Distribucin Poisson
x e
P( X )
X!

Valor esperado =
Varianza =

0.30

=2

0.25
0.20

0.15
0.10
0.05
0.00
1

1 - <#>

62