2018 Giti Tema 2 Vdef PDF

Ingeniería Industrial /de Telecomunicaciones
Grado en ITI e ITT / ITI e ITT + ADE

Estadística I
Curso 3º S1, 2º S2/2018-2019
TEMA 2
ELEMENTOS DE PROBABILIDAD
Nota Previa.- Este documento está sujeto a derechos de autor y propiedad intelectual. Se
puede utilizar con arreglo a las pautas de uso universalmente aceptadas por la Comunidad
Científica Internacional, citándolo de la siguiente forma.
Maté, Carlos (2018). Apuntes de Estadística I de 3º (2º) de Grado en ITI (ITT) e ITI (ITT) +
ADE, curso 2018-2019. Tema 2: Elementos de Probabilidad. ETSI (ICAI). Universidad
Pontificia Comillas. Madrid.
El concepto de probabilidad se encuentra presente en cualquier área de

la vida y en la realidad en la que trabaja la ingeniería, la economía, la biología,
etc. Con dicho concepto se pretende conocer la incertidumbre que tiene una
determinada situación de acontecer. Veamos algunos ejemplos.
Economía.- La noticia “Alertan alta probabilidad de caída en exportaciones

petroleras colombianas” (ELECONOMISTA AMERICA - 8:04 - 27/05/2014) está
poniendo de manifiesto el riesgo de que ocurra esa caída, que obviamente no
es deseable para la economía colombiana.
Salud.- La noticia “La OMS afirma que la probabilidad de transmisión de la

gripe aviar a humanos es menor que hace un año” (Enero, 2007) informa de
que el acontecimiento no deseado tiene menos riesgo de producirse que el año
pasado.
En ambos ejemplos observamos la conexión de la probabilidad con el
riesgo y el hecho de comparar probabilidades en distintos momentos del
tiempo. La probabilidad también está muy conectada con porcentajes de la
población.
Marketing.- Según un informe, el vídeo es un “gancho” fenomenal que

aumenta la probabilidad de compra en el 73% de consumidores.
(http://www.marketingdirecto.com/). Más adelante, informa de que el 96% de
los consumidores admite que los vídeos son una herramienta muy útil para
tomar sus decisiones de compra.
Este Tema nos va a permitir fijar los conceptos básicos que hay detrás
de cada afirmación de probabilidad y profundizar en la Teoría de la
Probabilidad, base del resto del curso.
2.1. Espacios Muestrales y Sucesos
2.1.1. El Espacio Muestral

En la práctica, para estudiar los fenómenos (de comunicación,
informáticos, industriales, económicos, climáticos, biológicos,...) procedemos
Tema 2 - Elementos de Probabilidad 1/31  Carlos Maté

30 años (1984‐2014) de docencia en ICAI
Estadística I
Curso 3º S1, 2º S2/2018-2019
mediante experimentos (en laboratorio, simulación por ordenador,…) o

recogiendo datos sobre los mismos. Los experimentos se pueden clasificar en
deterministas o aleatorios. Por ejemplo, serían fenómenos aleatorios los
siguientes:
1. Observar el resultado del lanzamiento de un dado corriente bien
construido.
2. Registrar el valor de cierre diario de un índice bursátil.
3. Medir el espesor de una plancha de producto que se emplea en
un proceso de fabricación.
4. Contabilizar la energía consumida en un día en una zona.
Como ejemplos de fenómenos deterministas tendríamos:
1. El contabilizar el número de diputados que se eligen en cada
convocatoria electoral en España para el Congreso de los
Diputados.
2. El registrar los meses que tiene cada año. ¿También lo sería el
registrar los días que tiene febrero en cada año?
Entonces, ¿qué aspectos caracterizan a unos y otros? Los
fenómenos aleatorios (deterministas) presentan varios resultados posibles (un
único resultado posible) y no (si) se puede conocer de antemano el resultado.
En el estudio de cualquier experimento aleatorio están presentes los
siguientes conceptos.
Se llama espacio muestral al conjunto de todos los resultados posibles
de un fenómeno o experimento aleatorio. Se representa por la letra griega
mayúscula .
Se llama suceso elemental a un resultado concreto de un experimento.
Se representa por la letra griega minúscula .
Se llama suceso, designado por A, a cualquier subconjunto A del
espacio muestral . Si sólo tiene un elemento se dice que es un suceso
simple; si tiene más de uno se dice que es un suceso compuesto.
Cuando el fenómeno puede presentar como resultado cualquier número
real, entonces el espacio muestral es la recta real. Es decir, Ω . Si
hablamos de la cantidad de contaminante que se emitirá a la atmósfera durante
un periodo de tiempo, tendríamos un fenómeno aleatorio cuyo espacio muestral
serían los números reales no negativos. Es decir,   0,   . Otros ejemplos a
continuación.

Estadística I
Curso 3º S1, 2º S2/2018-2019
EJEMPLO 2.1.1.- (APLICACION DE LOS CONCEPTOS ANTERIORES)

Experimento Espacio Muestral Suceso Suceso A Suceso B
Elemental
Lanzar un dado y  = {1,2,3,4,5,6} Obtener un Obtener un Obtener un

observar el 5: {5}. resultado par. resultado
resultado múltiplo de 3.
A = {2, 4, 6}.
B = {3, 6}.
Lanzar dos  = {(C,C); (C,F); Obtener cara Obtener el Obtener al

monedas de 50 (F,C); (F,F)} en ambos mismo menos una
céntimos y 1 € y resultados: resultado en cara:
observar el ambos
{(C, C)}. B = {(C, C);
resultado (se nota lanzamientos:
(C,F)}.
C para cara y F
A = {(C, C);
para cruz o flor).
(F,F)}.
EJEMPLO 2.1.2.- (APLICACION DE LOS CONCEPTOS ANTERIORES)
Experimento Espacio Suceso Suceso A Suceso B

Elemental
Muestral
Ingeniería   0,   La duración La duración La duración de un

Observar el de un de un dispositivo es inferior a
tiempo hasta el dispositivo dispositivo 9.000 horas.
fallo de un es 7.000 es superior
dispositivo horas. a 7.000 B  0,9
electrónico tipo horas.
{7}.
TV, ordenador,
móvil etc.; en A  7, 
miles de horas
Ingeniería La La La temperatura
temperatura temperatura registrada es en valor
Valor de
en un está entre 0 absoluto superior a 5
temperatura
laboratorio y 10 ºC. ºC.
registrado por
es de 25 ºC.
un sensor en un A  0,10 B    ,5  5, 
lugar cualquiera, {25}.
en ºC
Economía
Observar el   0,   El precio El precio El precio medio del
medio del medio del barril de petróleo en
precio medio de barril de barril de Marzo se salió del
una materia petróleo en petróleo en rango 90 ± 10 €.
prima (e,g., Marzo ha Marzo no
barril de sido de 110 superó los B   0,80  100, 
petróleo) €. 120 €.
durante un mes; {110}. A   0,120
en euros

Estadística I
Curso 3º S1, 2º S2/2018-2019
Asociado a todo espacio muestral finito está el conjunto que recoge

todos los sucesos del experimento. Se denomina P(), partes de , y reúne a
todos los subconjuntos del espacio muestral.
EJEMPLO 2.1.3.-
Todos los posibles subconjuntos de  al realizar una tirada con el dado:
P()={,{1},...,{6};{1,2},{1,3},…,{5,6};...;{1,2,3,4,5},..,{2,3,4,5,6};}.
En total hay 26 posibilidades. ¿Por qué? Ver justificación en el Anexo I.
2.1.2. Sucesos. Operaciones Básicas entre Sucesos
Todo suceso puede venir definido por extensión, mostrando cada uno de
los sucesos elementales que lo forman, o por comprensión, indicando con
palabras lo que tienen en común todos los sucesos elementales que lo forman.
Por ejemplo, al lanzar un dado el suceso A: “obtener número superior a 2” está
definido por comprensión; mientras que B = {3, 6} lo está por extensión.
La estructura de P () agrupa a todos los posibles subconjuntos de , y
de él forman parte el propio , llamado suceso seguro, y el suceso que no
contiene ningún resultado elemental, al que llamaremos suceso imposible y
designaremos por . En el lanzamiento del dado el suceso seguro definido por
extensión resulta ser  = {1, 2, 3, 4, 5, 6}. A diferencia del suceso seguro que
es único, el suceso imposible no lo es. Por ejemplo, son sucesos imposibles
“obtener un número superior a 6”, “obtener un número negativo”.
Se pueden establecer relaciones entre los distintos sucesos de (),
definidas por las siguientes operaciones:
- La intersección de dos sucesos A y B es otro suceso que acontece cuando
suceden simultáneamente A y B, y se representa por A  B. Lo constituyen
aquellos sucesos elementales que forman a la vez parte de A y de B (Figura
2.1), y viene definido por
A  B = { /A y B}.
Si no hay sucesos con esta propiedad, A  B =  y se dice que A y B
son dos sucesos incompatibles (Figura 2.2).
 
A B
A B
A
B B
AB
Figura 2.1 Figura 2.2

Estadística I
Curso 3º S1, 2º S2/2018-2019
EJEMPLO 2.1.4.-
Consideremos el fenómeno del lanzamiento de un dado y los sucesos
A: “obtener un número par”,
B: “obtener un número múltiplo de 3”
C: “obtener un número inferior a 3”
Se verifica que
A  B = {6} y B  C = . Entonces A y B son compatibles, mientras que
B y C son incompatibles.
- La unión de dos sucesos A y B es un suceso que tiene lugar cuando
acontece al menos uno de esos sucesos. Se nota por A  B (Figura 2.3).
A  B = { / A ó B}.
EJEMPLO 2.1.4.- (Continuación)
Se verifica que A  B = {2, 3, 4, 6}.También es posible plantear la unión
de 3 sucesos
A  B  C = {1, 2, 3, 4, 6}.
EJERCICIO 2R.1.-
¿Cómo se notarían y definirían las operaciones de intersección y unión
de n sucesos? ¿Dónde interesaría manejar estos conceptos? Poner dos
ejemplos, uno de economía y otro de ingeniería.
- El suceso complementario o contrario de un suceso A es un suceso
que tiene lugar cuando no ocurre A y se representa por A . Así, en cualquier
realización del experimento sucede A o A , pero no los dos a la vez (Figura
2.4).
A = {  A}.
Se verifica que
A  A = ; A  A = .
 
B A
A A
A
B

Estadística I
Curso 3º S1, 2º S2/2018-2019

Se verifica que A = {1, 3, 5}.
- La diferencia entre A y B es un suceso que acontece cuando sucede A
pero no B y se representará por A - B. Se expresa también por A  B (Figura
2.5).
A - B = { / (A) y (B)}.
Se verifica que A - B = {2, 4}; mientras que B - A = {3};
 
A
A
B B
A-B AB

- La diferencia simétrica entre A y B es el suceso que acontece cuando
ocurre uno de los sucesos A o B pero no los dos simultáneamente y se
representa por A  B (Figura 2.6). Viene definido por:
A  B = { /(  A  B) y (  A  B)}.
Se verifica que A  B = {2, 3, 4}.
Se demuestra que
A  B = (A  B) – (A  B) = (A – B)  (B – A)
De donde se concluye una importante relación de descomposición.
La unión de 2 sucesos compatibles cualesquiera se puede
descomponer en la unión de 3 sucesos incompatibles.
A  B = (A – B)  (A  B)  (B – A)
Observación.- A efectos de simplificación en desarrollos prácticos se
utilizan las denominadas leyes de Morgan:
1) AA
2) A B  A  B
3) A B  A  B

Estadística I
Curso 3º S1, 2º S2/2018-2019
 EJERCICIO 2R.2.-
a) Expresar las leyes de Morgan para n sucesos. Indicar con palabras
el resultado en los ejemplos del Ejercicio 2.1.1.
b) Simplificar el siguiente suceso y expresar con palabras el resultado.
 A   B  C     D  A
El juego de la ruleta consiste en apostar a uno o a varios números del 0
al 36 (ver http://www.sistemas-ruleta.com/reglas_juego_ruleta.php). Son
apuestas habituales (llamadas externas):
 Par / Impar
 Rojo / Negro
 1-18 / 19-36
 1ª Docena/2ª Docena/3ª Docena
 1ª Columna / 2ª Columna / 3ª Columna
Figura 2.7. Ruleta típica (izquierda) con zona de apuestas (derecha)

Un jugador J ha decidido apostar a los sucesos
A: sale número rojo
B: sale número de la 2ª docena
C: sale número impar
D: sale número de la 3ª columna
Obtener los siguientes sucesos (bien por comprensión, bien por
extensión).
a) G = A  B y H = C  D. ¿Son compatibles los sucesos G y H?
b) A – B y D – C.
c) A  B  C  D.

Estadística I
Curso 3º S1, 2º S2/2018-2019
2.1.3. Diagrama en árbol

Consiste en una representación esquemática de los posibles resultados
de un experimento aleatorio, cuando éste se desarrolla en varias etapas.
Se empieza representando por diferentes ramas los posibles resultados
de la primera etapa del experimento aleatorio. A continuación, del final de cada
rama anterior saldrán nuevas ramas conforme a los posibles resultados de la
segunda etapa. El proceso se repetirá hasta que se terminen de mostrar todos
los resultados de las diferentes etapas del experimento.
EJEMPLO 2.1.5.-
Representar en un diagrama en árbol el experimento de lanzar una
moneda al aire 3 veces y registrar los 3 resultados.
Mediante el uso de la versión de prueba del software Edraw Max
obtenemos el siguiente diagrama.
Figura 2.8. Diagrama en árbol del lanzamiento de 1 moneda 3 veces
Representar en un diagrama en árbol el experimento aleatorio de apostar
dos veces a la ruleta a las 3 docenas, siendo el suceso Di: apuesta a la docena
i, con i = 1, 2, 3.
Los resultados que aparecen al final de cada una de las ramas de un
diagrama en árbol son sucesos elementales.
La representación en diagrama en árbol es muy útil cuando el
experimento tiene lugar en una serie de etapas, ya que facilita el cálculo y nos
permite ver el aspecto general del experimento. Si un experimento se
desarrolla en k etapas y en la 1ª etapa hay n1 resultados posibles, en la 2ª
etapa hay n2 resultados posibles, y la k-ésima etapa tiene nk resultados
posibles, éste experimento se podrá representar mediante un diagrama en
árbol con n1· … ·nk ramas.

Estadística I
Curso 3º S1, 2º S2/2018-2019
2.2. COMBINATORIA
El cálculo del número de sucesos elementales que hay dentro de un suceso
compuesto o en un suceso seguro resulta esencial para evaluar la incertidumbre
asociada a cada suceso de un experimento aleatorio. Dicho cálculo se puede
realizar utilizando los métodos de la Combinatoria. La tabla siguiente recoge las
fórmulas clave de la Combinatoria sin repetición, la más utilizada tanto en
probabilidad como en Estadística.
COMBINATORIA SIN REPETICION
Sean dos números naturales n y k, con n ≥ k. Entonces
1. Permutaciones de n elementos (número de formas diferentes de ordenar n
elementos):
Pn  n!
2. Variaciones de n elementos tomados de k en k (número de formas de
seleccionar grupos de k elementos de los n, siendo dos grupos diferentes por tener
diferentes elementos o los mismos elementos en distinto orden):
n!
Vn ,k 
 n - k !
3. Combinaciones de n elementos tomados de k en k (número de formas de
seleccionar grupos de k elementos de los n, siendo dos grupos diferentes sólo si
incluyen diferentes elementos, pero cuando se incluyen los mismos elementos en
distinto orden se trata de la misma combinación):
Cn ,k     n ,k
n V
 k  Pk
EJEMPLO 2.2.1.-
1. ¿De cuántas formas podemos ordenar las 5 vocales?

P5  5!=5x4x3x2x1=120 .
2. ¿Cuántos modelos de camisetas para bebé se pueden construir con 2
5!
vocales? V5,2   20 .
3!
3. Ocho amigos van a disputar un torneo de tenis consistente en una liga
de partidos individuales en la que todos los partidos se disputan en un
polideportivo (campo neutral). ¿Cuántos partidos se van a celebrar?
V8,2
C8,2   28
2!
Para más detalles consultar el Anexo I sobre Combinatoria.

Estadística I
Curso 3º S1, 2º S2/2018-2019
2.3. PROBABILIDAD
2.3.1. Introducción
El objetivo de la probabilidad es cuantificar la incertidumbre con la que
aparecen los distintos sucesos de un fenómeno aleatorio, así como poder
comparar sucesos de distintos fenómenos aleatorios. Por ejemplo, en los
juegos de azar interesa conocer si es más rentable invertir 10 € en el Cuponazo
o en la Primitiva; según las probabilidades de acertar el resultado en cada uno
de esos juegos. Se pueden consultar todas ellas en la siguiente web.
http://www.estadisticaparatodos.es/taller/loterias/loterias.html
Figura 2.2. Web comparando juegos de azar

Como conclusión respecto a los juegos de azar mostrados en dicha web
tenemos que la inversión con mayor probabilidad de no alcanzar el premio
máximo es Euromillones, mientras que la Lotería de Navidad supone la
inversión con mayor probabilidad de alcanzar el premio máximo. Entre Primitiva
y el Cuponazo resulta ligeramente con mayor probabilidad la Primitiva.
Por tanto, el cálculo de probabilidades nos permitirá comparar diferentes
estrategias en los juegos de azar.
Una de las numerosas aplicaciones de la probabilidad a la ingeniería es
la fiabilidad de sistemas. La fiabilidad de un sistema (desde una simple
resistencia o condensador hasta complejos sistemas como una central nuclear
o una red de ordenadores) se mide como la probabilidad de que dicho sistema
funcione correctamente durante un período de tiempo determinado o tiempo de
misión. Por tanto, el cálculo de probabilidades nos permitirá comparar

Estadística I
Curso 3º S1, 2º S2/2018-2019
diferentes configuraciones alternativas en cuanto a probabilidad de

funcionamiento durante un periodo de tiempo.
Es de destacar, también, que en los sistemas electrónicos, de
comunicación e informáticos la transmisión de la información es un fenómeno
aleatorio y la probabilidad se encargará de medirnos la incertidumbre con qué
se pueden presentar los distintos sucesos a considerar. Por ejemplo, la teoría
de la señal aleatoria, perteneciente al ámbito de la Electrónica, descansa en los
fundamentos de la teoría de la Probabilidad.
2.3.2. Axiomas de la probabilidad. Consecuencias

Consideremos un experimento aleatorio con espacio muestral . En
términos generales, se define probabilidad de un suceso A como la
incertidumbre de que aparezca dicho suceso A   o, lo que es lo mismo, A 
P (). Es decir, se trata de la aplicación
P:   
A  P(A)
Esta aplicación permite asociar a cada suceso A un número real P(A),
siendo P(A) la incertidumbre con que ocurrirá el suceso A en el experimento
aleatorio. Verifica los axiomas siguientes:
Axioma 1.-  A  , P(A)  0
Axioma 2.- P() =1
Axioma 3.-  A,B   / A  B = , P(A  B) = P(A) + P(B)
 n  n
Axioma 3 General.- A1, …, An   /Ai  Aj = , P   Ai    P Ai  .
i  1  i 1
Esta axiomática se conoce como axiomática de Kolmogorov y se

estableció en 1933.
Observación
Los axiomas no determinan las probabilidades, éstas se asignan
basándose en nuestro conocimiento del sistema bajo estudio a través de las
probabilidades iniciales (ver apartado 2.4.4.). Los axiomas permiten hallar las
probabilidades de algunos sucesos a partir de otras ya conocidas.
Consecuencias de los axiomas de la probabilidad:
1. P()=0.
2. P( A )= 1 - P(A).
3. Si A,B  , A  B (A implica B)  P(A)  P(B).
A implica B (notado A  B) cuando    A,  B
4. P(A)  1,  A  .

Estadística I
Curso 3º S1, 2º S2/2018-2019
La implicación práctica de estas propiedades es que la probabilidad de

un suceso A es una medida asociada a la incertidumbre en la ocurrencia de A
que al variar en [0,1] se expresa habitualmente en porcentaje. Por ejemplo,
Graves (2000) en un manual sobre riesgos establece la siguiente descripción
de algunos valores de probabilidad, la forma de definirlos con palabras y la
descripción. Lógicamente, la escala de probabilidad se matiza en cada contexto
bajo estudio.
Figura 2.3. Escala de probabilidad según Graves (2000)
2.3.3. Propiedades
Las siguientes propiedades fundamentales de la probabilidad se
deducen de los axiomas y sus consecuencias.
Sea un experimento aleatorio cualquiera con espacio muestral  y dos

sucesos cualesquiera de este experimento A, B  . Entonces
Propiedad 1 (P1)
P  A  B  P  A  P B  P  A  B. (2.1)
Propiedad 2 (P2)
P  A - B  P  A  P  A  B (2.5)
Propiedad 3 (P3)
P  A  B  P  A  P B   2  P  A  B (2.6)
Una aplicación inmediata de la P1 es la probabilidad de al lanzar un dado

obtener o par o menor de 3. Se observa en la figura siguiente que es 4/6=2/3.
Figura 2.4. Probabilidad de que al lanzar un dado sea par o menor de 3.

Estadística I
Curso 3º S1, 2º S2/2018-2019
EJEMPLO 2.3.1.-
En un proceso de selección formado por 2 pruebas se ha decidido
aplicar un criterio laxo y pasar a aquellos que superen una de las dos pruebas.
Con este criterio superó el proceso el 60%, sabiendo que la primera prueba la
superó el 40% y la segunda el 50% ¿Cuál hubiese sido el porcentaje de
aspirantes que habrían superado el proceso, si se hubiese exigido superar
ambas pruebas?
------------------------
Sea A1 el suceso superar la primera prueba y A2 superar la segunda.
Los datos del problema nos dicen que:
P  A1  A2   0,6; P  A1  0,4; P  A2   0,5
Y se pide la probabilidad de la intersección de ambos sucesos. Como A1 y A2
no son incompatibles, la probabilidad de la unión será:
P  A1  A2   P  A1  P  A2   P  A1  A2 
Despejando y sustituyendo tenemos
P  A1  A2   P  A1  P  A2   P  A1  A2  
 0, 4  0,5  0,6  0,3
La conclusión es que si se hubiese exigido superar las dos pruebas el
porcentaje de aspirantes que habrían pasado el proceso de selección hubiese
sido del 30%.
Por tanto, el cálculo de la probabilidad de la unión de dos sucesos
siempre requerirá del análisis previo sobre incompatibilidad o compatibilidad de
los sucesos, según muestra la Figura 2.5
Figura 2.5. Proceso de cálculo de la probabilidad de la unión de 2 sucesos

OBSERVACIONES
a) La propiedad P2 es consecuencia de la justificación de la propiedad 1

(ver Anexo). Proporciona la probabilidad de que ocurra sólo el suceso
A pero no el B.

Estadística I
Curso 3º S1, 2º S2/2018-2019
b) La propiedad P3 es otra consecuencia de la justificación de la

propiedad 1 (ver Anexo). Proporciona la probabilidad de que ocurra uno
de los dos sucesos A ó B, pero no los dos.
EJEMPLO 2.3.2.-
Un fabricante de cables eléctricos para ordenadores conoce de
informaciones anteriores sobre la producción de estos cables que el 1,5 % de
todos los cables fabricados son no conformes a especificaciones de longitud, el
1,2 % son defectuosos en cuanto al espesor y el 0,8 % son no conformes en
ambas medidas. Sean los sucesos
A: un cable seleccionado al azar es no conforme a especificaciones
por su longitud
B: un cable seleccionado al azar es no conforme a especificaciones
por su espesor
Expresar los siguientes sucesos en términos de A y B, calculando sus
probabilidades.
a) Alguna de las medidas de longitud o espesor de un cable son no
conformes a especificaciones.
b) En un cable ninguna de las dos medidas consideradas se
encuentra fuera de las especificaciones.
c) En un cable la longitud es no conforme a especificaciones, pero el
espesor sí.
d) Un cable es no conforme a especificaciones en cuanto a longitud
o a espesor, pero no en cuanto a ambas medidas.
a) Se trata del suceso A  B. Su probabilidad será

P  A  B   P  A  P  B   P  A  B   0,015  0,012  0,008  0,019
lo que significa que el 1.9 % de los cables fabricados por esta empresa son no
conformes a especificaciones en alguna de las dos medidas consideradas,
longitud o espesor.
b) En este caso el suceso a considerar es A  B . Su probabilidad se
determinará utilizando la consecuencia 2 de los axiomas de la probabilidad y la
segunda de las leyes de Morgan, resultando que
P  A  B   1  P  A  B   1  0,019  0,981
lo que nos indica que hay una probabilidad de 0.981 de que en un cable
ninguna de las dos medidas consideradas se encuentra fuera de las
especificaciones.
c) Se trata del suceso A - B. Su probabilidad será
P  A  B   P  A  P  A  B   0,015  0,008  0,007
lo que nos informa que en el 0,7 % de los cables fabricados por esta empresa
el espesor es conforme a especificaciones, pero la longitud no.

Estadística I
Curso 3º S1, 2º S2/2018-2019
d) Ahora el suceso a considerar es la diferencia simétrica entre A y

B, i.e. A  B. Su probabilidad se calculará utilizando la consecuencia 2 de los
axiomas y la segunda de las leyes de Morgan, resultando que
P  A  B   P  A   P  B   2  P  A  B   P  A  B   P  A  B   0, 019  0., 08  0, 011
lo que nos indica que hay una probabilidad de 0.011 de que un cable sea no
conforme a especificaciones en cuanto a longitud o a espesor, pero no en
cuanto a ambas medidas.
A continuación se establece la fórmula para la probabilidad de la unión

de 3 sucesos.
Propiedad 4 (P4)
Sea un experimento aleatorio cualquiera con espacio muestral . Sean
tres sucesos cualesquiera de este experimento A, B, C  ; entonces
P  A  B C  P  A  P B  P C  P  A  B  P  A C  P B C  P  A  B C  (2.7)
EJEMPLO 2.3.3.-
En un proceso de búsqueda en Internet se pueden utilizar diferentes
buscadores pero los 3 más importantes son Gugle, Xlook y Yajú. El 30 % utiliza
en sus búsquedas Gugle, el 10 % Gugle y Xlook, el 10 % Gugle y Yajú; el 30 %
Xlook ó Yajú; mientras que el 45 % alguno de los tres. ¿En qué porcentaje de
búsquedas se utilizan los 3 motores de búsqueda?
------------------------
Sea A el suceso utilizar Gugle, B utilizar Xlook y C utilizar Yajú. Así, la
información del enunciado nos dice que:
P  A  B  C   0, 45; P  A   P  A  B   P  A  C   0,1; P  B  C   0,3  P  B   P(C )  P  B  C  ;
Figura 2.6. Diagrama para calcular la probabilidad de la unión de 3

sucesos
Entonces se pide

Estadística I
Curso 3º S1, 2º S2/2018-2019
           
P ABC  P ABC  P A  P B  P C  P AB  P AC  P BC  0,45  0,1  0,3  0,05
El 5 % de los internautas utilizan los 3 motores a la vez.
En el ejemplo anterior hemos considerado buscadores, pero podíamos
hablar de redes sociales, webs, etc.; y en cualquiera de esos casos estarán
presentes en general n sucesos (n buscadores, n redes sociales, n webs, etc.);
por lo que parece natural extender la propiedad 2 al caso de n sucesos.
Propiedad 5 (P5)
Sea un experimento aleatorio cualquiera con espacio muestral . Sean n
sucesos cualesquiera de este experimento A1 , A2 ,..., An  ; entonces
 n 
P   Ai   P1  P2  P3  P4  ...   1n 1 Pn (2.8)
 i 1 
donde
n
P1   P  Ai 
i 1
P2   
P Ai1  Ai2 
1 i1  i2  n
P3   
P Ai1  Ai2  Ai3 
1 i1  i2  i3  n
..........................................
..........................................
 n 
Pn  P   Ai 
 i 1 
2.3.4. Métodos para Establecer las Probabilidades Iniciales

En términos generales, la teoría matemática de la probabilidad pretende
calcular nuevas probabilidades tomando unas probabilidades iniciales dadas,
sin interesarse por la forma en que fueron obtenidas dichas probabilidades.
Para llegar a tales probabilidades iniciales hay tres métodos o criterios que
pasamos a analizar.
1) Método de Laplace (basado en consideraciones teóricas y
lógicas)
Se utiliza en aquellos casos en que es plausible admitir el siguiente
postulado.

Estadística I
Curso 3º S1, 2º S2/2018-2019
Postulado de Indiferencia.-
Sea un experimento aleatorio cualquiera con espacio muestral . Si 
se puede descomponer en n sucesos elementales incompatibles dos a dos (
n
A1, A2,..., An   tales que    Ai y Ai  A j  , i  j ) y equiprobables,
i 1
resultará que
 n  n
1  P    P   Ai    P Ai   n  p
 i 1  i 1
de donde
1
p  P Ai   , Ai   suceso elemental .
n
k
Entonces se verifica que para cualquier B   / B   Ai ; se tiene que
i 1
k nº de sucesos elementales en B
P B   
n nº de sucesos elementales en 
que es la conocida regla que estableció el marqués de Laplace, en 1812, para
afirmar que “bajo el postulado de indiferencia, la probabilidad de un suceso
es el cociente entre casos favorables a dicho suceso y casos posibles del
experimento, considerados éstos como equiprobables e incompatibles
dos a dos”.
Por ejemplo, en el experimento aleatorio de lanzar un dado y observar
su resultado, resulta que
nº de sucesos elementales favorables a par 3 1

P par    
nº de sucesos elementales en  6 2
mientras que
nº de sucesos elementales favorables a 3

P 3 
nº de sucesos elementales en 
2 1
  .
6 3
Nos situamos en el contexto de la ruleta (Ejercio 2R.3). Calcular de
manera razonada las probabilidades de los siguientes sucesos
a) A: sale número rojo;
B: sale número de la 2ª docena;

C: sale número impar;
D: sale número de la 3ª columna
b) BD y BD.
2) Método Frecuencial u Objetivista (basado en la interpretación

frecuencial de la probabilidad)
Estadística I
Curso 3º S1, 2º S2/2018-2019
Se toma como probabilidad de un suceso la frecuencia relativa del

mismo en una serie de experimentos suficientemente grandes. Es decir, al ser
n A
P A  lim  lim fr (A)
N  N N 
resulta que
P  A  fr (A) ,
a partir de un nº suficientemente grande de experiencias.
EJEMPLO 2.3.4.-
a) Al lanzar un dado, calcular experimentalmente la probabilidad de que
el resultado sea 6.
La siguiente tabla muestra una posible secuencia donde se recoge el
valor de frecuencia del 6 según el número de lanzamientos realizado.
Nº de 10 20 30 40 … 200 300 400 500 600

lanzam.
fr(6) .07 .15 .19 .12 … .15 .15 .14 .16 .16
b) Una base de datos de clientes de unos grandes almacenes permite

construir un histograma para los datos de la cantidad mensual de dinero que
gastan con su tarjeta de cliente. A partir de ahí se puede proponer un modelo
de probabilidad.
Este método es el que habitualmente se utiliza en la práctica, para lo
cual los datos del fenómeno en estudio se intentan modelar por alguno de los
modelos de probabilidad (que se estudian en los temas 3 y 4) y luego se
garantiza dicho modelo mediante el correspondiente contraste de ajuste (que
se estudian en el tema 7). Una vez está contrastado un modelo ya se pueden
aplicar las fórmulas de probabilidad estudiadas hasta el momento o las que se
verán en los próximos epígrafes.
3) Método Bayesiano o Subjetivista (basado en el grado de

certidumbre)
Se toma como probabilidad de un suceso una medida subjetiva del
grado de confianza en que se produzca el suceso en cuestión, basada en la
experiencia y cantidad de información. Se suele utilizar cuando el experimento
no puede repetirse o carece de sentido la repetición. Por ejemplo, las
estimaciones de probabilidad aparecidas en otoño de 2006 sobre el cambio
climático.
O, mucho más reciente, serían las estimaciones de probabilidad para
que las 3 ciudades candidatas a los Juegos Olímpicos de 2020 obtuvieran la
designación final del COI.

Estadística I
Curso 3º S1, 2º S2/2018-2019
Cuando un experimento puede repetirse, suele combinarse el método

frecuencial con el Bayesiano.
Se trata de un método que habitualmente se utiliza en la gestión del
riesgo.
2.4 PROBABILIDAD CONDICIONADA

2.4.1 Introducción
Los fenómenos aleatorios raramente se desarrollan en ausencia de
información sobre los mismos.
Economía.- La noticia “La escalada de la tensión en Rusia, uno de los
mayores productores de crudo del mundo, reactiva las dudas sobre el
suministro de petróleo. El precio del barril de Brent responde con subidas
hasta los 112 dólares, sus máximos desde diciembre.” (EXPANSION-
03/03/2014); hace que los analistas asignen una probabilidad mucho más alta
al suceso A ” el precio del barril de petróleo sobrepasará los 115 $ en el mes
siguiente” que si no se tuviera la información inicial de la noticia. Suceso B:
“Escalada de tensión en Rusia”. Se trata de un ejemplo de probabilidad
condicionada del suceso A por la ocurrencia de B.
Ingeniería.- En sistemas expertos probabilísticos que manejan algunas

empresas, si se quiere cuantificar la probabilidad de que un internauta visite
una web dicha probabilidad será diferente si la calculamos en ausencia de
información que si la calculamos condicionada por el historial de visitas que
haya realizado.
En otro ejemplo, al estudiar el comportamiento de temperaturas de un
horno en un proceso de fabricación, la probabilidad será diferente si la
calculamos en ausencia de información que si la calculamos condicionada por
el hecho de que se ha alcanzado ya un valor umbral de temperaturas en el
proceso.
Para establecer con precisión el concepto de probabilidad condicionada
vamos a analizar lo que ocurre con la frecuencia condicionada en el siguiente
ejemplo.
Sea un experimento aleatorio consistente en lanzar un dado 50 veces.
Consideremos los siguientes subconjuntos A: resultados múltiplos de 3 y B:
resultados pares, de los cuales se tiene la siguiente información en términos de
frecuencia absoluta
nA =10, nB = 20, n{6}= 8 con AB={6}, n3 = 2.
Veamos la frecuencia con que han aparecido resultados múltiplos de 3,
de entre los lanzamientos con resultado par.

Estadística I
Curso 3º S1, 2º S2/2018-2019
nA B 8
fr A / B     0.4 .
nB 20
Sin embargo, tendríamos
n A B
n f (A  B)
fr A / B   A B  N  r 
nB nB fr (B)
N
f (A  B)
fr A / B   r ,  B / f r ( B)  0 .
fr (B)
Este comportamiento de la frecuencia relativa condicionada nos indica la
manera de definir la probabilidad condicionada.
2.4.2 Definición de Probabilidad Condicionada. Propiedades

Sea un espacio muestral , y un suceso B   con P(B) > 0. Entonces
 A   se define la probabilidad condicionada de A por B notándose por
P(A/B), al número real
P(A  B)
P(A / B)  con P(B) > 0.
P(B)
P(A  B)
Análogamente, P(B / A)  con P(A) > 0.
P(A)
En la probabilidad condicionada P(A/B) el suceso A se llama suceso
condicionado, B se llama suceso condicionante y representa la probabilidad
de que ocurra A sabiendo que ha ocurrido el suceso B.
EJEMPLO 2.4.1.-
La multinacional ELECTROWORLD fabrica placas de circuito impreso
para ordenadores. El Departamento de Calidad de la empresa, en su último
informe, obtuvo los siguientes resultados:
A: placas no conformes a superficie y B: placas no conformes a espesor.
P(A) = 0,015; P(B) = 0,012; P(AB) = 0,008
Se pide calcular las probabilidades condicionadas A/B (ocurra A
habiendo ocurrido B) y B/A e interpretarlas.
P  A  B  0,008
P( A / B )    0,67 .
P  B 0,012

Estadística I
Curso 3º S1, 2º S2/2018-2019
El 67% de las placas no conformes en espesor tampoco lo son en

superficie.
P  A  B  0,008
P( B / A)    0,53 .
P  A 0,015
El 53% de las placas no conformes en superficie también lo son en
espesor. Por tanto, es más probable ser defectuosa en superficie sabiendo que
lo es en espesor, que ser defectuosa en espesor sabiendo que es defectuosa
en superficie.
Algunas propiedades de la probabilidad condicionada
Sea un experimento aleatorio cualquiera con espacio muestral .
Consideremos que ha ocurrido el suceso B, con lo cual nos situamos en el
experimento aleatorio condicionado por B. Sean tres sucesos cualesquiera A,
B, C  . Entonces se cumple:
1. P(B/B) = 1.
2. P(/B) = 0.
3. P( A /B) = 1 - P(A/B).
4. P((AC)/B) = P(A/B) + P(C/B) - P((AC)/B).
2.4.3 Probabilidad de la Intersección de Dos Sucesos
Sea un experimento aleatorio con espacio muestral  y sean A y B dos

sucesos de . Entonces
P(AB) = P(A) · P(B/A) = P(B) · P(A/B).
EJEMPLO 2.4.2.-
Consideremos el experimento de extraer 2 cartas de la barja española
sin reemplazamiento. Calculamos la probabilidad de obtener 2 reyes como
probabilidad de obtener Rey en la 1ª extracción (suceso R1) y obtener Rey en
la 2ª extracción (suceso R2). Entonces
P( R1  R2)  P( R1)  P  R 2 R1 

4 3
  0,00769
40 39
Obsérvese que al calcular P  R 2 R1 el experimento aleatorio tiene un
espacio muestral condicionado a haber obtenido un Rey. Así, la baraja ahora
tiene 39 cartas y 3 Reyes.

Estadística I
Curso 3º S1, 2º S2/2018-2019
2.5 INDEPENDENCIA
2.5.1 Sucesos Dependientes e Independientes
Sea un experimento aleatorio con espacio muestral . Sean A y B dos
sucesos / A,B  .
Si P(A/B) = P(A) se dice que A es independiente de B (la información
de que se ha dado el suceso B no modifica la probabilidad que tiene el suceso
A de ocurrir sin conocer dicha información). Entonces P(B/A) = P(B), con lo
cual B es independiente de A, y se dice que A y B son independientes.
Respectivamente, si P(A/B)  P(A) se dice que A es dependiente de
B (la información de que ocurrió el suceso B modifica la probabilidad que tiene
el suceso A de ocurrir sin conocer dicha información). Entonces P(B/A)  P(B),
con lo cual B es dependiente de A, y se dice que A y B son dependientes.
EJEMPLO 2.5.1.-
Sea el experimento de extraer al azar una carta de la baraja española
(40 cartas). Analizar la independencia de los siguientes sucesos.
1) A: sacar copas y B: sacar figura.
P  A  10  0, 25 y P( A / B )  3
 0,25 .
40 12
El conocimiento de que ocurrió B no influye en la probabilidad de A. Así,
A y B son independientes. En términos prácticos significa que pasar una seña
sobre el palo de una carta no influye sobre la incertidumbre que hay en el
hecho de que la carta sea una figura.
2) B: sacar figura y C: sacar rey.
4 4
P C    0,1 y P(C / B)   0,3333 .
40 12
El saber que ha ocurrido el suceso B sí influye en la probabilidad de C,
luego C es dependiente de B.
PROPIEDAD (Caracterización de la independencia)
Sea un experimento aleatorio con espacio muestral . Sean dos
sucesos A, B  . Entonces
A y B independientes  P(A  B) = P(A) · P(B) .
A y B dependientes  P(A  B)  P(A) · P(B).
La demostración es inmediata y se deja como ejercicio.

Estadística I
Curso 3º S1, 2º S2/2018-2019
RELACION ENTRE INDEPENDENCIA Y COMPATIBILIDAD
Dos sucesos independientes de probabilidad no nula son compatibles;

pero no necesariamente dos sucesos compatibles son independientes, pueden
ser dependientes o independientes.
A y B independientes  A y B compatibles
RELACION ENTRE INCOMPATIBILIDAD Y DEPENDENCIA
Dos sucesos incompatibles de probabilidad no nula son necesariamente

dependientes; pero no es cierto que dos sucesos dependientes sean
necesariamente incompatibles, pueden ser compatibles o incompatibles.
A y B incompatibles  A y B dependientes
Aplicar los resultados anteriores al fenómeno aleatorio de la ruleta para
indicar en los siguientes casos si dichos sucesos son
compatibles/incompatibles y dependientes/independientes.
1. A: obtener rojo; B: obtener par.
2. C: obtener número 2ª docena; D: obtener número 2ª columna;
TEOREMA
Sea un experimento aleatorio con espacio muestral . Sean dos
sucesos A, B  . Entonces son equivalentes las siguientes afirmaciones:
i) A y B son independientes.
ii) A y B son independientes.
iii) A y B son independientes.
iv) A y B son independientes.
Demostrar alguna de las equivalencias en el teorema anterior. Poner un
ejemplo práctico de utilización de este teorema.
2.5.2 Conceptos de Independencia entre Más de Dos Sucesos
Sucesos independientes por parejas
Sea un experimento aleatorio con espacio muestral  y tres sucesos A,
B, C  . Se dice que A, B y C son independientes POR PAREJAS o DOS A
DOS cuando:

Estadística I
Curso 3º S1, 2º S2/2018-2019
a) P(AB) = P(A) · P(B) (A y B independientes)

b) P(AC) = P(A) · P(C) (A y C independientes)
c) P(BC) = P(B) · P(C) (B y C independientes)
EJEMPLO 2.5.2.-
Consideremos el lanzamiento de dos monedas 1 y 2 perfectamente
construidas. Sean los sucesos
A: el lanzamiento de la primera moneda resulta cruz
B: el lanzamiento de la segunda moneda resulta cruz
C: sólo aparece una cruz en los dos lanzamientos
Verificar que los sucesos A, B y C son independientes por parejas.
P(A) = 0,5; P(B) = 0,5; P(C) = 0,5
P(AB) = P((F,F)) = 0,25 = P(A) · P(B) (A y B independientes)
P(AC) = P((F,C)) = 0,25 = P(A) · P(C) (A y C independientes)
P(BC) = P((C,F)) = 0,25 = P(B) · P(C) (B y C independientes)
Por tanto, los sucesos A, B y C son independientes por parejas.
Justificar que si A, B y C son independientes por parejas también lo son
sus complementarios.
Sucesos mutuamente independientes
Sea un experimento aleatorio con espacio muestral  y tres sucesos A,
B, C  . Se dice que A, B y C son mutuamente independientes o
completamente independientes o simplemente independientes cuando:
a) A, B y C son independientes por parejas (3 condiciones).
b) P(ABC) = P(A) · P(B) · P(C) (1 condición).
Conclusiones
 Si A, B y C son "mutuamente" independientes  AB y C son
independientes. No se verifica si son independientes por parejas.
 La independencia mútua implica independencia por parejas.
 La independencia por PAREJAS NO IMPLICA independencia MUTUA.
 EJERCICIO 2R.9.- (Paradoja de Bernstein)

Consideremos el lanzamiento de dos monedas 1 y 2 perfectamente
construidas. Sean los sucesos
Estadística I
Curso 3º S1, 2º S2/2018-2019
A: el lanzamiento de la primera moneda resulta cruz

B: el lanzamiento de la segunda moneda resulta cruz
C: sólo aparece una cruz en los dos lanzamientos
Verificar que los sucesos A, B y C siendo independientes por parejas no
son mutuamente independientes.
2.5.3 Probabilidad de la Intersección de Varios Sucesos

Sea un experimento aleatorio cualquiera, con espacio muestral . Sean
tres sucesos cualesquiera A, B, C  . Entonces se cumple:
P(ABC)=P(A)·P(B/A)·P(C/(AB)) con P(AB) > 0.
EJEMPLO 2.5.3.-
Una urna contiene 6 bolas rojas y 3 bolas blancas. Se extraen
sucesivamente y sin reemplazamiento 3 bolas.
a) Calcular la probabilidad de que la primera sea roja, la segunda
blanca y la tercera roja.
b) Calcular la probabilidad de extraer 2 bolas rojas y 1 bola blanca.
c) ¿Cómo cambian los resultados anteriores si la extracción es con

reemplazamiento?
Ayuda.- Una vez resuelto a mano se pueden comprobar resultados utilizando la
siguiente applet.
http://www.h2maths.webs.com/Statistics/TreeDiagram.html
--------------------------------------------------
a) Sean los sucesos R1 (R3), extraer bola roja en la 1ª (3ª)
extracción, y el suceso B2 (blanca en la 2ª extracción).
P( R1  B2  R3)  P  R1  P( B2 / R1)  P  R3  R1  B2   

6 3 5
   0,1786.
9 8 7
b) Ahora el suceso considerado es unión de los sucesos
incompatibles que recogen la aparición de la bola blanca en la 1ª,
2ª y 3ª extracción. Es decir,

Estadística I
Curso 3º S1, 2º S2/2018-2019
P(2 rojas y 1 blanca)  P  R1  B2  R3 

 P  B1  R2  R3  P  R1  R2  B3 
6 3 5 3 6 5 6 5 3
         0,1786  3  0,5358
9 8 7 9 8 7 9 8 7
c) En el caso de reemplazamiento, la urna siempre tiene 9 bolas.
Por tanto
6 3 6
P( R1  B2  R3 con reemplazam.)     0,14815.
9 9 9
P(2 rojas y 1 blanca con reemplazam.) 
6 3 6
3    3  0,14815  0, 44445.
9 9 9
Con reemplazamiento las probabilidades son algo inferiores respecto al
caso de sin reemplazamiento.
Por otra parte, para n sucesos tenemos la siguiente
Fórmula general para la probabilidad de la intersección
P(A1A2..An) = P(A1)·P(A2/A1)·P(A3/(A1A2))·…·P(An /(A1..An-1)), con tal

que P(A1 …An-1) > 0.
De manera que
P  Ai    P  Ai , para todo k con 1  k  n; si y sólo si A1, ..., An son sucesos

k k
 i 1  i 1
mutuamente independientes.
2.5.4 Uso de los diagramas en árbol con probabilidad

Los diagramas en árbol presentados en 2.1.3 son muy útiles para
fenómenos secuenciales o en etapas. También se pueden utilizar incluyendo
las probabilidades que hay en los sucesos representados por las ramas que
parten de cada nodo teniendo presente que:
 Las ramas que salen de un nodo corresponden a sucesos incompatibles
cuyas probabilidades suman 1.
 Toda rama completa corresponde a la intersección de los sucesos
incluidos en las distintas partes de la misma. La probabilidad
correspondiente se obtiene multiplicando las probabilidades de las
distintas partes de la rama.

Estadística I
Curso 3º S1, 2º S2/2018-2019
EJEMPLO 2.5.4.-
La urna I contiene 3 bolas verdes, 2 rojas y 1 bola azul.
La urna II contiene 2 bolas azules, 1 roja y 1 bola verde.
Se extrae una bola de la urna I y se introduce en la urna II. A continuación, se

extrae una bola de la urna II.
Calcular la probabilidad de que la segunda bola extraída sea:
a) Roja. b) Verde. c) Azul.
-----------------------------------------------------------
Se construye el diagrama en árbol que aparece en la Figura 2.7.
Figura 2.7. Diagrama en árbol asociado al Ejemplo 2.5.4
a) P(Roja) = 3/30 + 4/30 + 1/30 = 8/30 = 0,2667

b) P(Verde) = 6/30 + 2/30 + 1/30 = 9/30 = 0,3
c) P(Azul) = 6/30 + 4/30 + 3/30 = 13/30 =0,4333

Estadística I
Curso 3º S1, 2º S2/2018-2019
Construir el diagrama en árbol asociado a un sistema formado por dos
componentes en serie o en paralelo para estudiar el funcionamiento del
sistema en relación a las componentes. (Un sistema en serie es aquel que
funciona cuando lo hacen todas sus componentes, mientras que un sistema en
paralelo funciona cuando lo hace al menos una de sus componentes). Calcular
la probabilidad de funcionamiento del sistema serie y del sistema paralelo con
componentes idénticas cuya probabilidad de funcionamiento durante 1 año es
0,9.
2.6 TEOREMAS DE LA PROBABILIDAD

TOTAL Y DE BAYES
En el estudio de los fenómenos aleatorios es frecuente tener información
parcial que se puede agregar mediante el teorema de la probabilidad total para
calcular una probabilidad clave en el contexto estudiado.
Por ejemplo, si en una empresa se dispone de información sobre la
probabilidad de aparición de defectuoso en cada lote según cada uno de los 3
proveedores:
- Proveedor 1 envía lotes con un 4% de defectuosos.
Y además se conoce el peso que tiene cada proveedor en el conjunto de
los proveedores de dicha empresa: el 30 % de los lotes proceden del proveedor
1, el 20 % del 2 y el 50 % del proveedor 3.
Se trata de evaluar la probabilidad clave de que se reciba un lote
defectuoso en esta empresa.
También es habitual que la información sobre el fenómeno vaya
cambiando. Es decir, que el economista, el ingeniero, el biólogo, etc; disponga
de información que le permita cambiar las probabilidades que venía utilizando
en ausencia de esa información. El teorema de Bayes es la herramienta que
permite cuantificar cómo se modifican las probabilidades en un fenómeno
aleatorio, cuando cambia la información sobre el mismo.
Por ejemplo, si un lote recibido en un Dpto. de la empresa en estudio
presenta algún defectuoso y desconocemos el proveedor que lo envió, el
teorema de Bayes nos permitirá asignar probabilidades a los distintos
proveedores incorporando la información de que ya sabemos que el lote es
defectuoso.
EJEMPLO 2.6.1.-
La empresa Kassan Cars fabrica coches de gama media, y en su fábrica
de Madrid tiene 3 líneas de producción:

Estadística I
Curso 3º S1, 2º S2/2018-2019
-1ª produce un 4% de defectuosos; fabricando un 30% del total.

Sean los sucesos Ai: un vehículo ha sido fabricado en la línea i-ésima de
esta fábrica, para i = 1, 2, 3.
P(A1) = 0,3; P(A2) = 0,2; P(A3) = 0,5; de forma que A1 A2 A3 son una
partición o clasificación del espacio muestral .
Sea el suceso B: un automóvil es defectuoso.
De la información dada se concluye que
P(B/A1) = 0,04 ; P(B/A2) = 0,06 ; P(B/A3) = 0,01
Estos valores se llaman verosimilitudes (likelihood), al indicarnos lo
verosímil que es la ocurrencia del suceso B por cada una de las tres causas A1,
A2, A3. Las verosimilitudes no suman necesariamente 1.
a) Calcular la probabilidad de que un coche fabricado por Kassan Cars
sea defectuoso.
P(B) = P(B) = P(B(A1A2A3)) = P((BA1)(BA2)(BA3)) =
3
 P( Ai  B)
i1
Teorema de la probabilidad total
3
P( B)   P( Ai )  P( B / Ai )
i1
P(B) = 2,9% = 0,029. Porcentaje total de coches defectuosos fabricados

en la factoría. La probabilidad total se puede interpretar como una media
ponderada.
De forma alternativa se puede construir un diagrama en árbol para llegar
a dicha conclusión.
b) Sabiendo que un coche es defectuoso, calcular la línea más probable
donde se ha fabricado. Esto requiere calcular el conjunto de las
probabilidades condicionadas P(Ai/B), para i =1,2, 3; llamadas
probabilidades a posteriori; mientras que las probabilidades a
priori son P(Ai); para i = 1,2,3.

Estadística I
Curso 3º S1, 2º S2/2018-2019
P( Ai  B) P( Ai )  P( B / Ai )
P( Ai / B)  
P( B) 3
 P( A j )  P( B / A j )
j 1
Teorema de Bayes
Este teorema cuantifica cómo se modifican las probabilidades a priori (de
que un coche haya sido fabricado en cada línea) cuando se dispone de
información en el experimento (el coche es defectuoso). Tanto las
probabilidades a priori como a posteriori siempre suman 1.
P(A1/B) = P(A2/B) = 0,4138.
P(A3/B) = 0,1724.
Sabiendo que un coche es defectuoso, tiene un 41% de probabilidad de
pertenecer a la primera línea, e idéntica probabilidad a la segunda, y a la
tercera sólo un 17%. A priori dichas probabilidades eran de un 30, 20 y 50 %,
respectivamente.
Elementos Teóricos
Sea un experimento aleatorio con espacio muestral . Sea A1,…, An
una clasificación o partición de  (sucesos incompatibles cuya unión es el
espacio muestral) con sus probabilidades. Sea un suceso B   del cual se
dispone de las probabilidades P(B/Ai), cuando i = 1,…, n. La Figura 2.8
presenta el diagrama de Venn correspondiente.
Figura 2.8. Espacio muestral para Teoremas de la probabilidad total y de

Bayes
Entonces:
n
1. P( B)   P( A j )  P( B / A j ) Teorema de Probabilidad Total
j 1

Estadística I
Curso 3º S1, 2º S2/2018-2019
P( Ai )  P( B / Ai )
2. P( Ai / B)  n Teorema de Bayes
 P( A j )  P( B / A j )
j 1
n
3. Probabilidades a priori: P(Ai), para i = 1, ..., n. Se verifica que  P( Ai )  1 .
i 1
4. Probabilidades a posteriori: P(Ai/B), para i = 1, ..., n. Se verifica que

n
 P( Ai B)  1 .
i 1
5. Verosimilitudes: P(B/Ai), para i = 1, ..., n. Obsérvese que de su suma sólo se

n
puede afirmar la siguiente acotación 0   P( B Ai )  n .
i 1
OBSERVACIONES.-
a) El concepto de partición o clasificación refleja formalmente el hecho

habitual en la realidad de clasificar o dividir los conjuntos de objetos,
personas, etc.; por algún criterio como puede ser la marca, el año de
fabricación, la provincia de nacimiento, el nivel de estudios
alcanzado, etc. En el ejemplo de introducción la partición de los lotes
se realiza considerando como criterio de partición el proveedor que
lo ha enviado. Otro criterio podría ser el mes del año en que fue
recibido.
b) Los dos resultados presentados encajan en la dinámica de

fenómeno secuencial por lo que es posible resolver los problemas
empleando un diagrama en árbol.
El teorema de Bayes es la primera piedra sobre la que se ha fundado un
edificio estadístico de gran importancia que es la Estadística Bayesiana. Se
trata de la parte de la Estadística que analiza los datos y las propiedades de las
poblaciones de las que se han obtenido dichos datos cuando se dispone de
información previa, llamada “a priori”, y la realidad nos proporciona información
adicional que nos lleva a resultados más depurados que se denominan “a
posteriori”.
Otro campo de aplicación son las redes Bayesianas que modelan un
fenómeno mediante un conjunto de variables y las relaciones de dependencia
entre ellas. Dado este modelo, se puede estimar la probabilidad a posteriori de
las variables no conocidas, con base en las variables conocidas. Estos
modelos pueden tener diversas aplicaciones, para clasificación, predicción,
diagnóstico, etc.


2018 Giti Tema 2 Vdef PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

2018 Giti Tema 2 Vdef PDF

Uploaded by

Copyright:

Available Formats

Ingeniería Industrial /de Telecomunicaciones

Grado en ITI e ITT / ITI e ITT + ADE

El concepto de probabilidad se encuentra presente en cualquier área de

Economía.- La noticia “Alertan alta probabilidad de caída en exportaciones

Salud.- La noticia “La OMS afirma que la probabilidad de transmisión de la

Marketing.- Según un informe, el vídeo es un “gancho” fenomenal que

2.1. Espacios Muestrales y Sucesos

2.1.1. El Espacio Muestral

Tema 2 - Elementos de Probabilidad 1/31  Carlos Maté

mediante experimentos (en laboratorio, simulación por ordenador,…) o

Tema 2 - Elementos de Probabilidad 2/31  Carlos Maté

EJEMPLO 2.1.1.- (APLICACION DE LOS CONCEPTOS ANTERIORES)

Lanzar un dado y  = {1,2,3,4,5,6} Obtener un Obtener un Obtener un

Lanzar dos  = {(C,C); (C,F); Obtener cara Obtener el Obtener al

EJEMPLO 2.1.2.- (APLICACION DE LOS CONCEPTOS ANTERIORES)

Experimento Espacio Suceso Suceso A Suceso B

Ingeniería   0,   La duración La duración La duración de un

Tema 2 - Elementos de Probabilidad 3/31  Carlos Maté

Asociado a todo espacio muestral finito está el conjunto que recoge

Figura 2.1 Figura 2.2

Figura 2.3 Figura 2.4

Tema 2 - Elementos de Probabilidad 5/31  Carlos Maté

EJEMPLO 2.1.4.- (Continuación)

Figura 2.5 Figura 2.6

Tema 2 - Elementos de Probabilidad 6/31  Carlos Maté

Figura 2.7. Ruleta típica (izquierda) con zona de apuestas (derecha)

Tema 2 - Elementos de Probabilidad 7/31  Carlos Maté

2.1.3. Diagrama en árbol

Figura 2.8. Diagrama en árbol del lanzamiento de 1 moneda 3 veces

Tema 2 - Elementos de Probabilidad 8/31  Carlos Maté

1. ¿De cuántas formas podemos ordenar las 5 vocales?

Tema 2 - Elementos de Probabilidad 9/31  Carlos Maté

Figura 2.2. Web comparando juegos de azar

Tema 2 - Elementos de Probabilidad 10/31  Carlos Maté

diferentes configuraciones alternativas en cuanto a probabilidad de

2.3.2. Axiomas de la probabilidad. Consecuencias

Esta axiomática se conoce como axiomática de Kolmogorov y se

Tema 2 - Elementos de Probabilidad 11/31  Carlos Maté

La implicación práctica de estas propiedades es que la probabilidad de

Figura 2.3. Escala de probabilidad según Graves (2000)

Sea un experimento aleatorio cualquiera con espacio muestral  y dos

Una aplicación inmediata de la P1 es la probabilidad de al lanzar un dado

Figura 2.4. Probabilidad de que al lanzar un dado sea par o menor de 3.

Tema 2 - Elementos de Probabilidad 12/31  Carlos Maté

Figura 2.5. Proceso de cálculo de la probabilidad de la unión de 2 sucesos

a) La propiedad P2 es consecuencia de la justificación de la propiedad 1

Tema 2 - Elementos de Probabilidad 13/31  Carlos Maté

b) La propiedad P3 es otra consecuencia de la justificación de la

a) Se trata del suceso A  B. Su probabilidad será

Tema 2 - Elementos de Probabilidad 14/31  Carlos Maté

d) Ahora el suceso a considerar es la diferencia simétrica entre A y

A continuación se establece la fórmula para la probabilidad de la unión

Figura 2.6. Diagrama para calcular la probabilidad de la unión de 3

Tema 2 - Elementos de Probabilidad 15/31  Carlos Maté

2.3.4. Métodos para Establecer las Probabilidades Iniciales

Tema 2 - Elementos de Probabilidad 16/31  Carlos Maté

nº de sucesos elementales favorables a par 3 1

B: sale número de la 2ª docena;

2) Método Frecuencial u Objetivista (basado en la interpretación

Se toma como probabilidad de un suceso la frecuencia relativa del

Nº de 10 20 30 40 … 200 300 400 500 600

b) Una base de datos de clientes de unos grandes almacenes permite

3) Método Bayesiano o Subjetivista (basado en el grado de