INSTITUCIN UNIVERSITARIA ANTONIO JOS CAMACHO

TALLER PRIMER ENCUENTRO

ESTADSTICA APLICADA A LA SALUD OCUPACIONAL I

TALLER
Conceptos bsicos de probabilidad

Experimento aleatorio: Antes de su realizacin, conocemos de antemano todos sus posibles resultados,
pero no el resultado concreto que vamos a obtener, aunque se observan regularidades al repetir varias veces
el experimento.
Espacio muestral (S): El conjunto de todos los posibles resultados de un experimento aleatorio, normalmente
se representa por S. Por ejemplo, si lanzamos una moneda nuestro espacio muestral tiene 2 elementos y
coincide con S= {c, s} donde c=cara y s= sello.
Evento: Es un subconjunto del espacio muestral S. Esto implica que S tambin es un evento as como lo es el
conjunto vaco. Cualquier resultado individual tambin puede considerarse como un evento.
Se dice que dos eventos A y B, son mutuamente excluyentes si no pueden ocurrir juntos; es decir, la
interseccin de A y B es el conjunto vaco.

Enfoques de probabilidad
Clsica: La probabilidad clsica es aquella que se toma de manera objetiva, puesto que se conoce el nmero
exacto de opciones a ocurrir y presenta un resultado exacto y que puede considerarse a priori.
- Probabilidad a Priori. La probabilidad de un evento A, P(A), es la medida del chance de que ese evento
ocurra. En este caso los resultados del experimento son igualmente probables. Este mtodo fue desarrollado
por Laplace.
# de maneras que A puede ocurrir
P(A) = -------------------------------------------------
# total de resultados posibles

Ejemplo.
Se lanzan dos monedas al aire, cul es la probabilidad de que ambas sean cara (C)?
S = {CC, CS, SC, SS} A = {CC}
P (CC) =

Frecuentista o Probabilidad a posteriori. En el caso que los eventos no poseen igual posibilidad de
ocurrencia, el problema de asignar las probabilidades ocurre a posteriori. El concepto de probabilidad a
posteriori lo desarrolla Richard Von Mises y se conoce tambin como de frecuencia relativa y es apropiado
cuando se tienen los datos para estimar la proporcin del tiempo que ocurrir el evento en el experimento si el
experimento se repite un nmero grande de veces y cuyos resultados no son exactos.
Frecuencia relativa: Supongamos que repetimos n veces un experimento, y sean A y B dos eventos
asociados con el experimento. Sean nA y nB el nmero de veces que el evento A y el B (respectivamente)
ocurrieron en las n repeticiones. Entonces, definimos fA = nA / n como la frecuencia relativa del evento A en las
n repeticiones del experimento.
La frecuencia relativa fA tiene las siguientes propiedades:
- 0 fA 1.
- fA = 1 si y slo si A ocurre cada vez en las n repeticiones.
- fA = 0 si y slo si A nunca ocurre en las n repeticiones.
- Si A y B son dos eventos mutuamente excluyentes (o sea con frecuencia conjunta 0), y si f(A U B) es
la frecuencia relativa asociada al evento A U B, entonces f(A U B) = fA + fB.
- fA, basada en la n repeticiones del experimento y considerada para una funcin de n, "converge" en
cierto sentido probabilstico a P(A) cuando n-->+. (Esto no es lo mismo que el concepto corriente de
convergencia que se encuentra en otra parte en matemticas. En realidad, sta no es una conclusin
matemtica, sino simplemente un hecho emprico.) Lo importante de esta propiedad es que si un
 experimento se realiza un gran nmero de veces, la frecuencia relativa con que ocurre un evento A
tiende a variar cada vez menos a medida que el nmero de repeticiones aumenta.
Subjetiva: esta probabilidad ocurre cuando no existen frecuencias ni sabemos el nmero de opciones a
ocurrir, por lo tanto es asignada de forma subjetiva por expertos en el rea especfica.

Axiomas de probabilidad: Sea E un experimento y S un espacio muestral asociado con E. Con cada evento
A asociamos un nmero real, designado con P(A) y llamado probabilidad de A, el cual satisface las siguientes
propiedades:
- 0 P(A) 1
- P(S) = 1
- Si A y B son dos eventos mutuamente excluyentes, P(A U B) = P(A) + P(B)
- Si AC es el evento complementario de A, entonces P(A) = 1 - P(AC)
- Si A y B son dos eventos cualesquiera, entonces P(A U B) = P(A) + P(B) - P(A B)
- Si S = Ai entonces P(S) = P(Ai) A : Particin

Ejemplos
1. Una empresa necesita aportes de sus socios para dos proyectos. La probabilidad de que los socios aporten
al proyecto A es del 30%, de que aporten al proyecto B es del 60% y de que aporten en ambos es del 8%
Qu probabilidad hay de que aporten al menos en un proyecto?
Solucin

Al menos a 1 sera al proyecto A o al proyecto B o a ambos, esto se define como la unin de dos conjuntos

P(A U B) = P(A) + P (B) P(A B) = 0.3 + 0.6 - 0.08 = 0.82

PROBABILIDAD MARGINAL Y CONJUNTA

Una manera, muy usada en la prctica, para denominar la probabilidad de un evento simple en un espacio
muestral es como probabilidad simple o marginal, la cual hace referencia a la probabilidad de un evento
simple, y se denota con P(A), siendo A el evento simple en cuestin. El nombre de probabilidad marginal se
debe a que esta medida se puede obtener a partir de los totales marginales de una tabla de contingencia.

Ejemplo
Si en un estudio se hace una encuesta a 800 alumnos de una universidad sobre el grado de satisfaccin con
la carrera y el grado de satisfaccin con el progreso en la misma. Los resultados de la encuesta se muestran
en la siguiente tabla.

Satisfecho en la Satisfecho en su progreso

carrera Si No Total
Si 362 350 712
No 18 70 88
Total 380 420 800

La probabilidad de que un alumno se encuentre satisfecho con la carrera, es decir, la probabilidad de que
ocurra el evento A = satisfecho con la carrera elegida ser igual al nmero de alumnos que estn satisfechos
(712) divido por el nmero de total de alumnos encuestados (800), es decir, P(A) = 712/800 = 0.89. Esta es
una probabilidad marginal.

La denominacin de probabilidad conjunta se utiliza para referirse a la probabilidad de ocurrencia de dos o

ms eventos simples simultneamente. Por ejemplo, si se usa los datos del ejemplo, la probabilidad de que
ocurran simultneamente los siguientes eventos simples A = el alumno est satisfecho con su carrera y B =
el alumno est satisfecho con su avance en la carrera se calcula como el nmero de alumnos que se
encuentran satisfechos tanto con la carrera como con sus avances en la misma (362, que es donde se cruzan
las dos opciones requeridas) divido por el nmero total de alumnos encuestados (800), y se denota con P(A y
B) o con P( A B ) puesto que es una interseccin y en esta caso es igual a 362/800 = 0.4525.

Observaciones:

1. Las definiciones dadas hasta ahora, son aplicables a situaciones donde el espacio muestral S se considera
formado por n puntos. Por ejemplo, en la encuesta de alumnos n= 800. Cada uno de estos puntos
(empleados) tiene probabilidad 1/n= 1/800 de ser elegido al azar.
2. Si el espacio muestral es particionado en r eventos, A1, A2,, Ar, que definen una caracterstica como por
ejemplo Satisfaccin con la carrera; y si en este mismo espacio se considera otra particin generada por s
eventos B1, B2,, Bs, que definen otra caracterstica como ser Satisfaccin con su progreso en la carrera,
entonces el espacio muestral S queda particionado en rs subconjuntos. En el ejemplo de la encuesta, r = s = 2,
y donde A1 = Si est satisfecho con la carrera, A2= No est satisfecho con la carrera, B1= Si est
satisfecho con su progreso y B2= No est satisfecho con su progreso, luego el espacio muestral queda
dividido en 4 subconjuntos a saber A1B1, A2B1, A1B2, A2B2, y sus respectivas probabilidades P[AiBj] =
P[Ai y Bj], son las ya definidas probabilidades conjuntas, mientras que las probabilidades de los eventos
determinados por cada particin, es decir, P[Ai] y P[Bj] son las probabilidades marginales correspondientes a
la primera y segunda particin respectivamente.

3. Si dos eventos no tienen puntos comunes, es decir, ellos no pueden ocurrir simultneamente (no se
cruzan), entonces, se dice que son mutuamente excluyentes. Por otra parte, un conjunto de eventos se dice
que son colectivamente exhaustivos, si uno de ellos debe ocurrir necesariamente. Por ejemplo, A 1 y A2 son
mutuamente excluyentes y colectivamente exhaustivos, Por qu? Porque son complementos Lo son
tambin A1 y B2?

4. A partir de la definicin de probabilidad conjunta, y considerando que el nmero de alumnos que presentan
la caracterstica A1= estn satisfechos con la carrera se obtiene sumando el nmero de alumnos que
pertenecen al evento (A1B1) y al evento (A1B2), entonces se verifica que: P[A1] = P[A1B1] + P[A1B2].

5. En general si B1, B2,, Bk son eventos mutuamente excluyentes y colectivamente exhaustivos y A es

cualquier evento definido en el mismo espacio muestral, se verifica que:

P(A) = P[AB1] + P[AB2] + + P[ABk]

PROBABILIDAD CONDICIONAL E INDEPENDENCIA

El concepto de Probabilidad Condicional surge cuando se quiere obtener la probabilidad de un evento A, y se
tiene conocimiento que ya ocurri otro evento B relacionado al primero y se denota con P[A|B] la cual se lee
como probabilidad de A dado B, o tambin como la ocurrencia de A de los que son de B. Una pregunta que
podra hacerse el lector es sobre la necesidad de introducir este concepto. Para obtener una respuesta a este
interrogante, al menos intuitivamente, supongamos se quiere conocer la probabilidad del evento A = llover y
se sabe que se present el evento B = est nublado. Intuitivamente se percibe que la P[A] aumentar si se
sabe que ocurri B ya que ambos eventos estn relacionados.
Ejemplo
Antes de dar la definicin de probabilidad condicional considrese los datos de la encuesta a los 800
estudiantes y siguiendo la notacin dada, se quiere calcular P[est satisfecho con la carrera / est satisfecho
con su progreso en la misma] = P[A/B]. El nmero de estudiantes satisfechos con la carrera dentro de los 380
estudiantes no satisfechos con su progreso es 362, entonces se verifica que P[A/B] = 362/380 = 0.9526, o
sea, que de los que estn satisfechos con el progreso de la carrera, qu porcentaje o cul es la probabilidad
de que estn satisfechos con la carrera.

Tres cosas debe observarse en esta igualdad:

(a) Si no se dispone de la informacin sobre B, entonces P[A]= 712/800 = 0.89 es decir, la probabilidad de A
sin el conocimiento de que ocurri B es menor que P[A/B].
(b) El numerador (362) es el nmero de estudiantes que estn satisfechos con la carrera y estn satisfechos
con su progreso en la misma, es decir pertenecen al evento conjunto A y B (la interseccin).
(c) El denominador (380) es el nmero de empleados que pertenecen al evento B, esto equivale a considerar
un nuevo espacio muestral donde el nmero de puntos se redujo de 800 a 480, el total de los que estn
satisfechos con el progreso.
(d) Si se divide numerador y denominador de la igualdad por 800, es decir, el nmero total de estudiantes, se
tiene que
362/800
P[A/B] 0.9526
380/800
Y entonces se debe observar que el numerador es la P[A y B]= P[AB] y el denominador es P[B].
A partir de esta ltima observacin surge naturalmente la definicin formal del concepto de Probabilidad
Condicional para dos eventos cualesquiera A y B, como:
P[A y B] P[A B)
P[A/B]
P[B] P[B]

La comparacin de los valores obtenidos de P[A/B] con P[A] en el ejemplo revela cierta informacin
importante: el conocimiento del progreso en la carrera afecta la prediccin de la satisfaccin con la carrera
elegida. Por lo tanto, desde una perspectiva estadstica se puede establecer que estos eventos estn
asociados de alguna manera. Esto lleva a definir uno de los conceptos ms importantes de la estadstica y
que es el concepto de Independencia Estadstica de la siguiente manera:

Dos eventos A y B se dice que son independientes estadsticamente si P[A/B]=P[A] o P[B/A]=P[B] o

P[AB]=P[A]P[B]

Es decir que el conocimiento de la ocurrencia de B no afecta a la P [A].

NOMBRE: CARLOS ANDRES GUZMAN
GRUPO: 6490.
SALUD OCUPACIONAL.

TALLER
A continuacin se presentan tres ejercicios los cuales deben resolverse y enviarse previamente en la
plataforma en PDF, segn lo indicado en la agenda para el primer encuentro.

Ejercicio #1

Considere experimento de lanzar un dado no alterado en una ocasin, para este caso:

1. Describa el espacio muestral asociado a este experiment.

S= (1,2,3,4,5, 6)

2. Calcule la probabilidad del evento: obtener el nmero 5 en el lanzamiento.

S= (1,2,3,4,5, 6)
P(A)=1/6 = 0.166 = 16.6%

3. Calcule la probabilidad del evento: obtener un nmero par en el lanzamiento.

S= (1, 2 ,3 ,4 ,5 ,6)
P(A)=3/6 = 0.50 = 50%

4. Calcule la probabilidad del evento: obtener un nmero menor que cinco en el lanzamiento.

S= (1, 2 ,3 ,4 ,5 ,6)
P(A)=4/6 = 0.66 = 66%

5. Indique si la siguiente afirmacin es falsa o verdadera: Los eventos simples de este experimento
son independientes. ( V )

6. Pruebe que la suma de los eventos excluyentes que componen el espacio muestral da como
resultado1.

R//=

S= (1, 2, 3, 4, 5, 6)
A= (SI SALE UN NUMERO PAR); B= (SALE UN NUMERO IMPAR)

P (A) = 3 / 6 = 0,50
P (B) = 3 / 6 = 0,50

P(A U B) = 0,50 + 0,50 = 1

Ejercicio #2

Cooper Realty es una empresa pequea de bienes races que se especializa en inmuebles habitacionales.
Recientemente les ha interesado determinar la posibilidad de que una de sus propiedades se venda dentro de
cierto tiempo. Un anlisis de las ventas de 800 casas, efectuada por esa empresa en aos pasados, arroj los
datos siguientes:

Das hasta la venta

Menos de De 31 a Mas de Tota
30 90 90 l
Menos de 50
50 40 10 100
millones
De 50 a 100
20 150 80 250
Oferta millones
inicial De 100 a 150
20 280 100 400
millones
Ms de 150
10 30 10 50
millones
Total 100 500 200 800

7. Estime la probabilidad de que una casa se vende en ms de 90 das.

P(A) = 200/800 = 0.25 = 25%

8. Determine la probabilidad de que una casa se venda en ms de 90 das y cueste ms de 150 millones.

A= MAS DE 90 DIAS
B=MAS DE 150 MILLONES
P( A B )
P(A) = 200/50 = 4 = 4%

9. Suponiendo que se acaba de firmar un contrato para anunciar una casa cuyo precio inicial es menor de 50
millones, Cul es la probabilidad de que Cooper Realty tarde ms de 90 das en venderla? (probabilidad
condicional).

A= MENOS DE 50 MILLONES
B=MAS DE 90 DIAS
P( A B )
P(A)= 100/200= 0.5 = 50%

10. Suponiendo que Cooper Realty tard de 31 a 90 das en vender una casa, Cul es la probabilidad de que
cuyo precio inicial sea entre 100 y 150 millones? (probabilidad condicional)

A= DE 31 A 90 DIAS
B= ENTRE 100 Y 150 MILLONES
P( A B )
P(A) = 400/500 = 0.8 = 80%
Ejercicio #3

11. Una caja contiene ocho artculos en buen estado y tres defectuosos, se extraen dos de ellos de manera
consecutiva, calcule La probabilidad de que los dos artculos sean defectuosos

S=(1,2,3,4,5,6,7,8)
Artculos en buen estado = 5/8
Defectuosos= 3/8
S=(1,2,3,4,5,6,7)
Artculos en buen estado = 5/7
Defectuosos= 2/7 = 0.28 = 28%

Ejercicio #4 (distribucin de probabilidad binomial)

Considere el caso de un jugador de baloncesto con una efectividad de encestar del 60% en disparos desde
la lnea de tiros libres. Si en un partido le dan la oportunidad de cobrar una falta tcnica y realizar cinco
lanzamientos seguidos desde la lnea de tiros libres.

12. Cul es la probabilidad que acierte exactamente en tres de los lanzamientos?

T= 5 tiros
X= 3 probabilidad
E= 60% = 0.6 efectividad
F= 1 E = 0.4

P(X=3) = (53)0.63 X 0.453 = P(X=3) = (53)0.63 X 0.42

5!
(53) = = 10
3!(53)!

P(X=3) = 10 X 0.63 X 0.42 = 0.3456 de probabilidad de acierto en los tres lanzamientos.

13. cul es la probabilidad que acierte en mximo un lanzamiento?

T= 5 tiros
X= 1 probabilidad
E= 60% = 0.6 efectividad
F= 1 E = 0.4

P(X=1) = (51)0.61 X 0.451 = P(X=1) = (51)0.61 X 0.44

5!
(51) = =5
1!(51)!

P(X=1) = 5 X 0.61 X 0.44 = 0.0768 de probabilidad de acierto en un lanzamientos.