UNIVERSIDAD NACIONAL DE CATAMARCA

FACULTAD DE TECNOLOGIA Y CIENCIAS APLICADAS

CATEDRA: PROBABILIDAD Y ESTADISTICA


Ing. Cristina Daz de Luna JTP Ctedra de Probabilidad y Estadstica
08 de abril de 2012
CONCEPTO DE PROBABILIDAD - ENFOQUES
El concepto de probabilidad nace con el deseo del hombre de conocer con certeza los
eventos futuros. Es por ello que el estudio de probabilidades surge como una herramienta
utilizada por los nobles para ganar en los juegos y pasatiempos de la poca. El desarrollo de
estas herramientas fue asignado a los matemticos de la corte.
Con el tiempo estas tcnicas matemticas se perfeccionaron y encontraron otros usos muy
diferentes para la que fueron creadas. Actualmente se contino con el estudio de nuevas
metodologas que permitan maximizar el uso de la computacin en el estudio de las
probabilidades disminuyendo, de este modo, los mrgenes de error en los clculos.
A travs de la historia se han desarrollado tres enfoques conceptuales diferentes para
definir la probabilidad y determinar los valores de probabilidad:

El enfoque clsico
Dice que, si hay x posibles resultados favorables a la ocurrencia de un evento A y z
posibles resultados desfavorables a la ocurrencia de A, y todos los resultados son
igualmente posibles y mutuamente excluyente (no pueden ocurrir los dos al mismo tiempo),
Probabiliadad= casos favorables
Casos igualmente posibles
El enfoque clsico de la probabilidad se basa en la suposicin de que cada resultado sea
igualmente posible.
Este enfoque es llamado enfoque a priori porque permite, (en caso de que pueda aplicarse)
calcular el valor de probabilidad antes de observar cualquier evento de muestra.
Ejemplo:
Si tenemos en una caja 15 piedras verdes y 9 piedras rojas. La probabilidad de sacar una
piedra roja en un intento es:


El enfoque frecuencial o de frecuencia relativa
Tambin llamado Enfoque Emprico, determina la probabilidad sobre la base de la
proporcin de veces que ocurre un evento favorable en un numero de observaciones. En
este enfoque no ese utiliza la suposicin previa de aleatoriedad. Porque la determinacin
de los valores de probabilidad se basa en la observacin y recopilacin de datos.
UNIVERSIDAD NACIONAL DE CATAMARCA
FACULTAD DE TECNOLOGIA Y CIENCIAS APLICADAS

CATEDRA: PROBABILIDAD Y ESTADISTICA


Ing. Cristina Daz de Luna JTP Ctedra de Probabilidad y Estadstica
08 de abril de 2012
Ejemplo:
Se ha observado que 9 de cada 50 vehculos que pasan por una esquina no tienen cinturn
de seguridad. Si un vigilante de transito se para en esa misma esquina un ida cualquiera
Cul ser la probabilidad de que detenga un vehculo sin cinturn de seguridad?

Tanto el enfoque clsico como el enfoque emprico conducen a valores objetivos de
probabilidad, en el sentido de que los valores de probabilidad indican al largo plazo la tasa
relativa de ocurrencia del evento.

El enfoque subjetivo
Dice que la probabilidad de ocurrencia de un evento es el grado de creencia por parte de
un individuo de que un evento ocurra, basado en toda la evidencia a su disposicin.
Bajo esta premisa se puede decir que este enfoque es adecuado cuando solo hay una
oportunidad de ocurrencia del evento. Es decir, que el evento ocurrir o no ocurrir esa
sola vez. El valor de probabilidad bajo este enfoque es un juicio personal.


ALGUNOS CONCEPTOS IMPORTANTES

Experimento: cualquier accin o proceso que genera observaciones.

Experimento Determinstico: es aquel en el que, en iguales condiciones se obtiene,
invariablemente, el mismo resultado. Por ejemplo: la velocidad de cada de un objeto, el
punto de ebullicin del agua.

Experimento Aleatorio: Es una operacin fsica, que en el mundo real puede dar uno de los
muchos resultados posibles. A pesar de conocer los posibles resultados, y de realizarse
siempre bajo las mismas condiciones, no se puede predecir cul va a ser el resultado al
realizarlo. Por tanto su resultado puede ser distinto cada vez que se realiza el
experimento, por lo que decimos que depende del azar.
Se caracteriza por:
- Todos los resultados posibles se conocen de antemano.
- No se puede predecir el resultado al realizar el experimento.

UNIVERSIDAD NACIONAL DE CATAMARCA
FACULTAD DE TECNOLOGIA Y CIENCIAS APLICADAS

CATEDRA: PROBABILIDAD Y ESTADISTICA


Ing. Cristina Daz de Luna JTP Ctedra de Probabilidad y Estadstica
08 de abril de 2012
Espacio Muestral o Espacio Probabilstico: es el conjunto de todos los resultados posibles
de un experimento aleatorio. Dicho de otra manera: es un conjunto exhaustivo de
elementos que son mutuamente excluyentes.
Espacio Muestral Discreto: si su resultado puede ponerse en una correspondencia uno a
uno con el conjunto de los enteros positivos.

Evento Simple: cada uno de los posibles resultados de un experimento y no se pueden
descomponer en otros ms sencillos. Los eventos simples son excluyentes entre s.
Evento: Subconjunto del espacio muestral que resulta de la unin de cualquiera de los
eventos simples con caractersticas comunes.
Evento Cierto: (espacio muestral) contiene todos los eventos simples.
Evento imposible: no contiene ningn resultado del espacio muestral. (conjunto vacio).
Evento Compuesto: contiene ms de un resultado posible.
Eventos complementarios o contrarios: Dado un evento A, se define el evento A (no A),
al evento formado por todos aquellos eventos simples que NO son de A, es decir, el que
ocurre cuando no se verifica A.
Evento Unin B AY : es el formado por todos los eventos simples de A o de B o en ambos
Evento Interseccin A B: es el formado por todos los eventos simples que estn en A y
en B simultneamente. Es decir, cuando se verifica A y se verifica B.
Eventos Mutuamente Excluyentes: A y B son mutuamente excluyentes o disjuntos,
cuando si presenta uno, no se presenta el otro, es decir no tienen resultados comunes
Eventos No Mutuamente Excluyentes: A y B son NO mutuamente excluyentes, cuando
tienen resultados comunes.


Eventos Mutuamente Excluyentes Eventos No Mutuamente Excluyentes
| = B A | = B A








Algunas propiedades:

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


A B
S
A
B
S
UNIVERSIDAD NACIONAL DE CATAMARCA
FACULTAD DE TECNOLOGIA Y CIENCIAS APLICADAS

CATEDRA: PROBABILIDAD Y ESTADISTICA


Ing. Cristina Daz de Luna JTP Ctedra de Probabilidad y Estadstica
08 de abril de 2012
Leyes de Morgan:
B A B A =









B A B A =


AXIOMAS DE LA PROBABILIDAD

Axioma de la Positividad:
A cada evento simple perteneciente al espacio muestral S le corresponde un nmero real
no negativo, llamado probabilidad
0 ) ( > A P y <1
Axioma de la Certeza:
La probabilidad de un espacio Muestral S es igual a uno.
1 ) ( = S P
Axioma de la Suma
) ( ) ( ) ( B P A P B A P + =
Donde A y B son eventos mutuamente excluyentes.

Consecuencia de los axiomas:
( ) ( ) 1 = + A P A P

TEOREMA DE LA SUMA

Para Eventos Mutuamente Excluyentes Para Eventos No Mutuamente
Excluyentes

) ( ) ( ) ( ) ( B P A P B A P B A P + = = + Y ) . ( ) ( ) ( ) ( B A P B P A P B A P + = +


EVENTOS DEPENDIENTES

Dos eventos son dependientes cuando la ocurrencia o no de uno, s afecta la probabilidad
de ocurrencia del otro evento.
A
B
S
UNIVERSIDAD NACIONAL DE CATAMARCA
FACULTAD DE TECNOLOGIA Y CIENCIAS APLICADAS

CATEDRA: PROBABILIDAD Y ESTADISTICA


Ing. Cristina Daz de Luna JTP Ctedra de Probabilidad y Estadstica
08 de abril de 2012

PROBABILIDAD CONDICIONAL Y TEOREMA DEL PRODUCTO

( ) ( )
B
A
P B P B A P
B P
B A
B
A
P ). ( ) . (
) (
) . (
= =

( ) ( )
A
B
P A P B A P
A P
B A P
A
B
P . ) ( ) . (
) (
) . (
= =


( )
( )
( ) B P
B A P
B
A
P
.
=




EVENTOS INDEPENDIENTES

Dos eventos son independientes cuando la ocurrencia o no ocurrencia de uno no tiene
ningn efecto sobre la probabilidad de ocurrencia del otro.

Condiciones para que dos eventos A y B sean independientes:

1) Condicin necesaria:
A y B deben ser eventos NO MUTUAMENTE EXCLUYENTES, esto es, que
A B = C

2) Condicin suficiente:
( )
|
.
|

\
|
= =
B
A
P
B
A
P A P ) (

El teorema del Producto para el caso de eventos independientes es:
) ( ). ( ) . ( B P A P B A P =
Probabilidad conjunta
Probabilidad marginal
Probabilidad condicional
UNIVERSIDAD NACIONAL DE CATAMARCA
FACULTAD DE TECNOLOGIA Y CIENCIAS APLICADAS

CATEDRA: PROBABILIDAD Y ESTADISTICA


Ing. Cristina Daz de Luna JTP Ctedra de Probabilidad y Estadstica
08 de abril de 2012


LEY DE PROBABILIDAD TOTAL

Si A1, A2 y A3 son eventos mutuamente excluyentes y
exhaustivos, tales que A
1
+A
2
+A
3
=S, para cualquier otro
evento B (posterior), la probabilidad de que ocurra B

( ) ( ) ( )
3
3
2
2
1
1
. . . . ) ( A P
A
B
P A P
A
B
P A P
A
B
P B P
|
.
|

\
|
+
|
.
|

\
|
+
|
.
|

\
|
=
Generalizando

( ) ( ) ( )

=
|
.
|

\
|
=
|
.
|

\
|
+
|
.
|

\
|
+
|
.
|

\
|
=
k
i
i
i
k
k
A P
A
B
P A P
A
B
P A P
A
B
P A P
A
B
P B P
1
2
2
1
1
) ( . . ...... . . . ) (

TEOREMA DE BAYES
Se aplica para el clculo de una probabilidad posterior
|
.
|

\
|
B
A
P
j
a partir de
probabilidades anteriores dadas P(A
i
)
( )
k j donde
A P
A
B
P
A P
Aj
B
P
B P
B A P
B
A
P
k
i
i
i
j
j
j
..... 3 , , 2 , 1
) ( .
) ( .
) (
1
=
|
.
|

\
|
|
.
|

\
|
=

=
|
.
|

\
|

=


Ejemplo de Teorema de Bayes

Una cadena de comercios de venta de DVD vende tres marcas diferentes A1, A2 y A3. De
sus ventas 50% son de la marca A1, 30% son de la marca A2 y 20% son de la marca A3.
Cada fabricante ofrece un ao de garanta en partes y mano de obra. Se registra que de
los que estn en garanta , 25% son de la marca A1 requiere reparacin, 20% son de la A2 y
10% son de la marca A3.
Cul es la probabilidad de que un comprador seleccionado al azar haya comprado un
DVD de la marca A1 que necesita reparacin mientras est en garanta?

En la primera etapa: hay un cliente que selecciona una marca,
En la segunda etapa: se observa si necesita reparacin mientras est en garanta.

Utilizando el diagrama del rbol, partimos de las ramas iniciales que son las marcas, de
donde salen bifurcaciones secundarias de cada una y en la que se seala si necesitan o no
reparacin.

A1
A2
A3
B
BA1
BA2
BA3
S
UNIVERSIDAD NACIONAL DE CATAMARCA
FACULTAD DE TECNOLOGIA Y CIENCIAS APLICADAS

CATEDRA: PROBABILIDAD Y ESTADISTICA


Ing. Cristina Daz de Luna JTP Ctedra de Probabilidad y Estadstica
08 de abril de 2012

























P(B) = P(A
1
B)+P(A
2
B)+P(A
3
B)=0.125+0.060+0.020= 0.205 luego:
La probabilidad de que un comprador seleccionado al azar haya comprado un DVD de la marca A1
dado que necesita reparacin mientras est en garanta es:
61 . 0
205 . 0
125 . 0
) (
) . (
1
1
= = =
|
.
|

\
|
B P
B A P
B
A
P
Observe que la probabilidad anterior o inicial (a priori) de la marca A1 es 0,50, pero al saber que
el DVD seleccionado necesitaba reparacin la probabilidad posterior aumenta a 0.61
Si analizamos haciendo un cuadro, tendramos

MARCAS
B
(Necesita Reparacin)
No B
(No necesita reparacin)
TOTAL
A
1

0,25 x 0,5=
0,125
0,375 0,5
A
2

0,20 x 0,30=
0,06
0,24 0,3
A
3

0,10 x 0,20=
0,02
0,18 0,20
TOTAL 0,205 0,795 1

P(noB/A1)=0,75
P(noB/A2)=0,8
0
P(noB/A3)=0,9
Marca A1
P(A1)=0,50
Marca A2
P(A2)=0,30
Marca A3
P(A3)=0,20
P(B/A1)=0,25
Reparacin
Reparacin
P(B/A2)=0,20
Reparacin
P(B/A
3
)=0,10
Sin Reparacin
Sin Reparacin
Sin Reparacin
P(A1B)=P(B/A1) P(A1)=0,25x0.50=0.125
P(A2 B)=P(B/A2) P(A2)=0,20x0.30=0.060
P(A3B)=P(B/A3) P(A3)=0,10x020=0.20
UNIVERSIDAD NACIONAL DE CATAMARCA
FACULTAD DE TECNOLOGIA Y CIENCIAS APLICADAS

CATEDRA: PROBABILIDAD Y ESTADISTICA


Ing. Cristina Daz de Luna JTP Ctedra de Probabilidad y Estadstica
08 de abril de 2012
Otro Ejemplo:

Con base en varios estudios una compaa ha clasificado, de acuerdo con la probabilidad de
descubrir petrleo, las formaciones geolgicas en tres tipos I, II y III a los que se le
asignan las probabilidades 0,35; 0,40 y 0,25 respectivamente. La compaa pretende
perforar un pozo en un determinado sitio. De acuerdo con la experiencia, se sabe que el
petrleo se encuentra en un 40% de formaciones del tipo I, en un 20% de formaciones del
tipo II y en un 30% de formaciones del tipo III.
a) Si la compaa descubre petrleo en el lugar, determine la probabilidad de que
existe una formacin de tipo II.
b) Si la compaa NO descubre petrleo en ese lugar, determine la probabilidad de que
existe una formacin de tipo II



















TIPO
De Formacin
H
Haya Petrleo
No H
No haya petrleo
TOTAL
I
0,4 x 0,35=
0,14
0,35 - 0,14=
0,21
0,35
II
0,20x0,40=
0,08
0,40-0,08=
0,32
0,40
III
0,30x0,25=
0,075
0,25 0,075=
0,175
0,25
TOTAL 0,295 0,705 1


P(H) = P(I.H)+P(II.H)+P(III.H)= 0.14 + 0.08 + 0.075 = 0.295 luego:
Tipo III:0,25
Tipo II:0,40
Tipo I: 0,35
P(H/I)=0,40
Haya Petrleo
P(H/II)=0,20
Haya Petrleo
P(H/III)=0,30
Haya Petrleo
P(noH/I)=0,60
No Haya petrleo
P(noH/II)=0,80
Np Haya petrleo
P(noH/III)=0,70
No Haya petrleo
P(I.H)=P(H/I) P(I)=0,40 x 0,35=0,14
P(II .H)=P(H/II) P(II)=0,20 x 0,40=0.08
P(III.H)=P(H/III) P(III)=0,30 x 0,25=0.075
UNIVERSIDAD NACIONAL DE CATAMARCA
FACULTAD DE TECNOLOGIA Y CIENCIAS APLICADAS

CATEDRA: PROBABILIDAD Y ESTADISTICA


Ing. Cristina Daz de Luna JTP Ctedra de Probabilidad y Estadstica
08 de abril de 2012

a)La probabilidad de que existe una formacin de tipo II dado que se encontr petrleo

( ) 27 . 0
295 . 0
08 . 0
) (
) . (
= = =
H P
H II P
H
II
P

la probabilidad de que existe una formacin de tipo II dado que la compaa NO descubri
petrleo en ese lugar,
45 . 0
705 . 0
32 . 0
) (
) .. (
= = =
|
.
|

\
|
H No P
NoH II P
H No
II
P

UNIVERSIDAD NACIONAL DE CATAMARCA
FACULTAD DE TECNOLOGIA Y CIENCIAS APLICADAS

CATEDRA: PROBABILIDAD Y ESTADISTICA


Ing. Cristina Daz de Luna JTP Ctedra de Probabilidad y Estadstica
08 de abril de 2012
DISTRIBUCIN DE PROBABILIDADES

Recordemos:

Variable aleatoria:
* es la variable que asocia un nmero con el resultado de un experimento aleatorio
* es una funcin que asigna un nmero real a cada resultado en el espacio muestral de
un experimento aleatorio.

Variable aleatoria discreta:
Es una variable aleatoria con un rango finito o infinito contable, es decir, asume valores
puntuales que pueden listarse.

Variable aleatoria continua:
Es aquella cuyo rango contiene un intervalo de nmeros reales, en el cual puede asumir
infinitos valores entre dos nmeros.

La Distribucin de probabilidad o distribucin de una variable aleatoria X es una
descripcin del conjunto de valores posibles de X (rango de X), junto con la
probabilidad asociada con cada uno de estos valores; es el resumen ms til de un
experimento aleatorio.

FUNCION DE CUANTIA

La funcin f
x
(x) = P(X=x) que va del conjunto de los valores posibles de la variable
discreta X al intervalo (0,1) recibe el nombre de funcin de probabilidad o funcin de
Cuanta, y satisface las siguientes propiedades:

1. ( ) ( ) x X P x f
x
= = con otra simbologa: 1) p(x)= P(X=x)
2. ( ) 0 > x f
x
0 para todo x 2) p(x)0
3. ( ) 1 =

x
x
x f 3) p(x)=1

Funcin de distribucin acumulada de una variable aleatoria discreta

La funcin de distribucin acumulada de una variable discreta X, cuya notacin es F
x
(x) se
define: ( ) ( ) ( )

= s =
x
i x x
x f x X P x F
Se verifica que ( ) 1 0 s s x F
x

otra simbologa: F(x)= P(X x) =p(x
i
)
0 F(x) 1
UNIVERSIDAD NACIONAL DE CATAMARCA
FACULTAD DE TECNOLOGIA Y CIENCIAS APLICADAS

CATEDRA: PROBABILIDAD Y ESTADISTICA


Ing. Cristina Daz de Luna JTP Ctedra de Probabilidad y Estadstica
08 de abril de 2012

Esperanza o Valor esperado de una variable aleatoria discreta
( ) ( )

= = x f x x E
x X
. tambin ( ) ( )

= = x p x x E .


Varianza de una VAD:

( ) ( ) ( ) ( ) x f x x E x V
x
x x x x
= = =
2 2 2
o
Tambin ( ) ( ) ( ) ( ) x p x x E x V
x
i x
= = =
2 2 2
o
Desviacin estndar: ( ) x V
x
= o

FUNCION DE DENSIDAD (variable aleatoria continua)

Una funcin f
x
(x) es una funcin de densidad de probabilidad de la variable aleatoria X si
para cualquier intervalo de nmeros reales (- ; )
1. ( ) 0 > x f
x

2. ( ) 1 =
}

dx x f
x



Funcin de distribucin acumulada de una variable aleatoria continua
( ) ( ) ( )dx x f x F x x P
x
x x
}

= = s s
( ) x F
x
es montona creciente

Se verifica que

( )
( )
( ) 1 0
1
0
s s
=
=
x F
F
F
x
x
x

( )
( ) x f
dx
x dF
x
x
=


UNIVERSIDAD NACIONAL DE CATAMARCA
FACULTAD DE TECNOLOGIA Y CIENCIAS APLICADAS

CATEDRA: PROBABILIDAD Y ESTADISTICA


Ing. Cristina Daz de Luna JTP Ctedra de Probabilidad y Estadstica
08 de abril de 2012

Esperanza o Valor Esperado de Una Variable Aleatoria Continua
( ) ( ) dx x f x X E
x X
. .
}

= =

La Varianza de X
( ) ( ) ( )dx x f x x V
x x x
.
2
2
}
= = o
La desviacin estndar de X es
( ) x V
x
= o