U.N.T.

Ing. Industrial
2017-1

ESTADSTICA Y
PROBABILIDADES

Dra. Laura Rivera Len

 PROBABILIDAD

Experimento Aleatorio (E): es aquel fenmeno cuyos

resultado depende del azar y cumple ciertas
caractersticas:

a) El experimento se puede repetir indefinidamente

bajo condiciones idnticas.
b) Se puede describir el conjunto de todos los
resultados posibles, pero no se pueda asegurar o
predecir un resultado en particular.
c) Si se repite un nmero grande de veces debe
aparecer cierta regularidad estadstica.
 PROBABILIDAD

Sucesos: un suceso de un Experimento Aleatorio (E) es cada

uno de los posibles resultados de dicho experimento que no
puede descomponerse en resultados ms simples

Espacio Muestral (S): Es el conjunto de todos los

resultados posibles (sucesos) de un experimento aleatorio.
PROBABILIDAD

Teora clsica
(Kolmogorov)
 Propiedades de la probabilidad

Las reglas cumplidas por los diagramas de Venn son las mismas reglas
cumplidas por la probabilidad.

B
A
W
P(W) = 1 0 P(A) 1

Cmo calculamos P(A o B)?

A
B
 PROPIEDADES DE LAS PROBABILIDADES

PROPIEDAD 1: La probabilidad de un evento

imposible es cero.

PROPIEDAD 2: complemento de un evento

P(Ac )= 1 P(A)
PROPIEDAD 3: ley de la adicin (unin de dos
eventos)

Si A y B son incompatibles, entonces P ( A B ) 0 y

P( A B) P( A) P(B)
PROPIEDAD 4: PROBABILIDAD CONDICIONAL

0< P(B) 1

PROPIEDAD 5: EVENTOS INDEPENDIENTES

P (A B) = P(A) P(B)
Ejemplo: Dada la siguiente tabla (ocupacin versus ingresos familiares)
Bajo Medio Alto

Ama de casa 8 26 6
Obreros 16 40 14
Ejecutivos 6 62 12
Profesionales 0 2 8

Se elige una persona de forma aleatoria. Calcular la probabilidad de que sea:

a) Ama de casa b) Ingreso bajo c) Ejecutivo con ingreso alto
d) Profesional o tenga ingreso medio e) no sea ejecutivo
f) Obrero si se sabe que tiene ingreso medio
g) Son los sucesos A y M independientes?
 Ejemplo

En una cadena de televisin se hizo una encuesta a 2500 personas

para saber la audiencia de un debate y de una pelcula que se
emitieron en horas distintas: 2 100 vieron la pelcula, 1 500 vieron
el debate y 350 no vieron ninguno de los dos programas. Si
elegimos al azar a uno de los encuestados:

a) Cul es la probabilidad de que viera la pelcula y el debate?

b) Cul es la probabilidad de que viera la pelcula, sabiendo que

vio el debate?

c) Sabiendo que vio la pelcula, cul es la probabilidad de que

viera el debate?
La ley de la probabilidad total y
el teorema de Bayes

Los sucesos B1, , Bk

forman una particin si:

W = B1 o B2 o o Bk
Bi y Bj = f
 La ley de la probabilidad total

A W.
A es un suceso:
P(A) P (A B1 )+P (A B2 )+...+P(A BK )
P (A | B1 )P(B1 )+P (A | B2 )P(B2 )+...+P(A|BK )P(BK )
 Teorema de Bayes

La probabilidad condicional se basa en el resultado de un

hecho para describir otra probabilidad especfica.

Este concepto de puede extender cada vez que se tiene

nueva informacin con la cual determinar si una
probabilidad se debe a una causa especfica.

Este procedimiento recibe el nombre de Teorema de

Bayes y se maneja as:
 Teorema de Bayes

Si A es un evento simple y Bi es una sucesin de eventos,

la probabilidad de que se cumpla el evento Bi dado que ya
se cumpli el evento A es:

P( A / Bi ) P( Bi )
P( Bi / A)
P( A / B1 ) P( B1 ) P( A / B2 ) P( B2 ) ... P( A / Bn ) P( Bn )
 El gerente de mercadotecnia de una compaa fabricante
de juguetes estudia el lanzamiento de un juguete nuevo. En
el pasado, el 40% de los juguetes introducidos por la
compaa han tenido xito y 60% han fracasado.
 Antes de lanzar el nuevo juguete se realiza un estudio de
mercado y se hace un informe, ya sea favorable o
desfavorable. En el pasado, 80% de los juguetes con xito
tenan un informe favorable y 30% de los juguetes que
fracasaron tenan un informe favorable. El gerente de
mercadotecnia quiere conocer la probabilidad de que el
juguete tenga xito si recibe un reporte favorable.
 Anlisis previo

Qu se busca? :
La probabilidad de que el juguete tenga xito.

Qu condiciones tenemos? :
Resultados de un informe favorable

P(xito/Favorable)
 Anlisis previo

Juguetes con xito : 40% P(xito) = 0.4

Juguetes con fracaso : 60% P(fracaso) = 0.6

Datos del pasado:

Juguetes que tuvieron xito y previamente les haban
reportado un informe favorable 80%

Juguetes que fueron un fracaso y previamente les haban

reportado un informe favorable 30%
 Anlisis previo

Juguetes que tuvieron xito y previamente les haban

reportado un informe favorable 80%

P(xito/Favorable) = 0.8

Juguetes que fueron un fracaso y previamente les haban

reportado un informe favorable 30%

P(Fracaso/Favorable) = 0.3
 Propsito

La aplicacin del teorema de Bayes indica que se busca la

probabilidad de que un juguete sea un xito, siendo que el
dictamen que se tiene es favorable; el enunciado es el
siguiente:

P(xito/Favorable) =

P( Favorable / xito) P( xito)

P( Favorable / xito) P( xito) P( Favorable / Fracaso) P( Fracaso)

 Desarrollo

P( Favorable / xito) P( xito)

P( Favorable / xito) P( xito) P( Favorable / Fracaso) P( Fracaso)

(0.8)(0.4)

(0.8)(0.4) (0.3)(0.6)
(0.32)

(0.32) (0.18)

0.32
0.64 64%
0.5
La probabilidad de que una persona tenga una enfermedad
es de 0.03. Se dispone de pruebas de diagnstico mdico
para determinar si una persona en realidad padece la
enfermedad.

Si la enfermedad de hecho est presente, la probabilidad

de que la prueba de diagnstico mdico de un resultado
positivo es de 0.9. Si la enfermedad no est presente, la
probabilidad de un resultado positivo en la prueba de
diagnstico mdico es de 0.02.
22
Suponga que la prueba de diagnstico mdico ha dado un
resultado positivo. Cul es la probabilidad de que la
enfermedad est presente en realidad.

Qu se busca? :
La probabilidad de que el paciente est enfermo

Qu condiciones tenemos? :
Diagnstico positivo
 Se busca calcular : P(Enfermo/Positivo)

Pacientes enfermos : 0.03 P(Enfermo) = 0.03

Pacientes sanos : 0.97 P(Sano) = 0.97

Datos de pacientes en el pasado:

Resultado positivo y estaban enfermos 0.90
Resultado positivo y estaban sanos 0.02
 Anlisis previo

Resultado positivo y estaban enfermos 0.90

P(Positivo/Enfermo) = 0.9

Resultado positivo, y estaban sanos 0.02

P(Positivo/Sano) = 0.02
 Propsito

La aplicacin del teorema de Bayes indica que se busca la

probabilidad de que un paciente d un resultado positivo y
los datos anteriores indican que est enfermo, el
planteamiento es el siguiente:

P(Positivo/Enfermo) =
P( Enfermo / Positivo) P( Positivo)

P( Enfermo / Positivo) P( Positivo) P( Sano / Positivo) P( Positivo)

 Desarrollo

P( Enfermo / Positivo) P( Positivo)

P( Enfermo / Positivo) P( Positivo) P( Sano / Positivo) P( Positivo)

(0.9)(0.03)

(0.9)(0.03) (0.02)(0.97)

(0.027)

(0.027 (0.0194) 58%

0.027
0.5819
0.0464
Ejemplo: Supongamos que en un centro educativo la altura
del 4% de alumnos y del 1% de las alumnas es superior a 1.80
metros. Adems el 60% de estudiantes es mujer. Encontrar la
probabilidad de escoger a un estudiante de altura superior a
1.80 metros.

P(S/M)=0.01
P(S/H)=0.04
P(M)=0.6

S=altura superior a 1.80

M=ser mujer
H=ser hombre

P(S)=P(S/M)P(M)+P(S/H)P(H)=0.022
Ejemplo : En el ejemplo anterior, calcular la
probabilidad de que el estudiante escogido fuera mujer
sabiendo que meda ms de 1.80.