“AÑO DEL DIÁLOGO Y LA RECONCILIACIÓN”

NACIONAL”
“UNIVERSIDAD NACIONAL SANTIAGO ANTÚNEZ DE MAYOLO”

FACULTAD:
INGENIERÍA DE INDUSTRIAS ALIMENTARIAS

ESCUELA PROFESIONAL:
INGENIERÍA INDUSTRIAL

CURSO: ESTADÍSTICA Y PROBABILIDAD.

DOCENTE: SALDAÑA MIRANDA MARCELA.

TEMA: TEORÍA DE PROBABILIDADES.

AUTOR(ES):

 ABAD QUITO, Alfredo.

 CASTILLO SALAS, Reynaldo.
 COCHACHIN ASHNATE, Luis.
 HEREDIA MONTALVO, Kevin.
 SEGUNDO ZAMUDIO, Gianmarco.

FECHA DE ENTREGA: 25/06/18

HUARAZ- ANCASH - PERÚ

2018
 INTRODUCCIÓN
En la vida cotidiana aparecen muchas situaciones en las que los resultados observados son
diferentes, aunque las condiciones iniciales en las que se produce la experiencia sean las mismas.
Por ejemplo, al lanzar una moneda unas veces resultará cara y otra cruz. Estos fenómenos,
denominados aleatorios, se ven afectados por la incertidumbre.

La teoría de la probabilidad pretende ser una herramienta para modelizar y tratar con situaciones
de este tipo. Por otra parte, cuando aplicamos las técnicas estadísticas a la recogida, análisis e
interpretación de los datos, la teoría de la probabilidad proporciona una base para evaluar la
fiabilidad de las conclusiones alcanzadas y las inferencias realizadas.

En el lenguaje habitual, frases como "probablemente...", "es poco probable que...", "hay muchas
posibilidades de que..." hacen referencia a esta incertidumbre.

El objetivo del Cálculo de Probabilidades es el estudio de métodos de análisis del comportamiento

de fenómenos aleatorios.

Aunque desde sus orígenes siempre han estado ligadas, es cierto que existe un cierto paralelismo
entre la estadística descriptiva y el cálculo de probabilidades, como se puede apreciar en la
siguiente tabla:

ESTADÍSTICA PROBABILIDAD

fi, Fi Probabilidad

Variable Unidimensional Variable aleatoria

Variable Bidimensional Vectores aleatorios

Distribución de frecuencias Distribución de Probabilidad (Función de distribución)

Esperanza, Momentos
Medias, Momentos
Independencia Estocástica
Independencia Estadística
Procesos Estocásticos
Series Temporales
 PROBABILIDADES

La Teoría de Probabilidad tiene una larga historia, y en ella, la huella de científicos de gran talla
como Galileo, Fermat, Pascal, Huyguens, Jean y Jacques Bernoulli, Gauss, Laplace,
Kolmogorov, Wiener, entre muchos otros. Su desarrollo, como el de cualquier disciplina
científica, no se dio por la simple acumulación de avances o resultados parciales; por el contrario,
la historia de la probabilidad está llena de paradojas, interpretaciones místicas o ambiguas, agrias
disputas entre sus protagonistas, revaloración de conceptos “olvidados”, etc. Por ejemplo, después
de su axiomatización, la Teoría de Probabilidad experimentó una gran aceptación y una expansión
sin precedentes, pero aún continúan las controversias sobre su significado, campo de validez y la
posibilidad de axiomáticas alternativas a la de Kolmogorov. Sin entrar en la polémica, veamos
algunas opiniones al respecto:

DEFINICION

Bertrand Russel (1929): El concepto de probabilidad es el más importante de la ciencia moderna,

especialmente porque nadie tiene la mínima idea de lo que significa.

J. L. Doob (1986): Hasta finales de los años treinta, los probabilistas habían trabajado bajo la
desventaja sicológica que representa que su campo de investigación no fuese considerado por sus
colegas como una disciplina matemática, quienes no entendían, por un lado, la insuficiencia de la
notación estándar de la época y, por otro, porque habían resucitado conceptos viejos como los de
variable aleatoria y esperanza. Además, los libros de probabilidad estaban llenos de conceptos no
matemáticos: dados, casas de juego, Pedro y Pablo.

Bruno de Finetti (1974): Mi tesis, paradójicamente, y un poco provocativa pero genuina, es

simplemente la siguiente: la probabilidad no existe.

Laplace.- La probabilidad de cualquier suceso A es igual al cociente entre el número de resultados

favorables o resultados que integran el suceso A y el número total de elementos o posibles
resultados del espacio muestral E.
La probabilidad indica el grado de certidumbre o certeza de un suceso o fenómeno estudiado, en
la investigación científica existen muchos fenómenos en los cuales es necesario determinar la
probabilidad de que un evento(s) ocurra(n) o dejen de ocurrir, para lo cual el estudio de este
campo, es necesario, además tiene aplicaciones muy importantes en investigación; dado que es
base para la inferencia estadística que permite el estudio de muestras con el objetivo de inferir o
extrapolar características de estas a una población.

(Hanke John E & Arthur Reitsch, 1997)

AXIOMAS

Un axioma es el elemento básico de un sistema de lógica formal y junto con las reglas de inferencia
definen un sistema deductivo.

La lógica del axioma es partir de una premisa calificada verdadera por sí misma (el axioma) e
inferir sobre esta otra proposición por medio del método deductivo, obteniendo conclusiones
coherentes con el axioma.

Los axiomas han de cumplir sólo un requisito: de ellos, y sólo de ellos, han de deducirse todas las
demás proposiciones de la teoría dada. Los axiomas de probabilidad son las condiciones mínimas
que deben verificarse para que una función que definimos sobre unos sucesos determine
consistentemente valores de probabilidad sobre dichos sucesos.

La letra P se utiliza para designar la probabilidad de un evento, siendo P(A) la probabilidad de

ocurrencia de un evento A en un experimento.

(Mason R & Douglas Lind, 1990)

 PRIMER AXIOMA:

La probabilidad de que ocurra un evento A cualquiera se encuentra entre cero y uno.

0≤P(A)≤1

Ejemplo: La probabilidad de sacar par en un dado equilibrado es 0,5. P(A)=0,5

 SEGUNDO AXIOMA:
La probabilidad de que ocurra el espacio muestral d debe de ser 1.

P(S)=1

Ejemplo: La probabilidad de sacar un número del 1 al 6 en un dado equilibrado es "1".

 TERCER AXIOMA:
Si A y B son eventos mutuamente excluyentes, entonces la,

p(AUB) = p(A) + p(B)

Ejemplo: La probabilidad de sacar en un dado "as" o sacar "número par" es la suma de las probabilidades
individuales de dichos sucesos.

Según este axioma se puede calcular la probabilidad de un suceso compuesto de varias alternativas
mutuamente excluyentes sumando las probabilidades de sus componentes.

TEOREMAS

• TEOREMA 1.
Si Φ es un evento nulo o vacío, entonces la probabilidad de que ocurra Φ debe ser cero.

Ejemplo: La probabilidad de que un estudiante sea mujer es "1 menos la probabilidad de que no
sea varón".
• TEOREMA 2.
La probabilidad del complemento de A, Ac debe ser:

 TEOREMA 3.
Si un evento A⊂ B, entonces:

P(A) ≤ p(B)

Si separamos el evento B en dos eventos mutuamente excluyentes, A y B \ A (B menos A), por

tanto, B=AU(B \ A) y p(B)=p(A) +p(B \ A), luego entonces si p(B \ A)≥0 entonces se cumple que
p(A)Up(B). LQD
  TEOREMA 4.
Para dos eventos A y B:

p (A \ B) = p(A) – p(A∩B)

DEMOSTRACIÓN: Si A y B son dos eventos cualquiera, entonces el evento A se puede separar

en dos eventos mutuamente excluyentes, (A \ B) y A∩B, por tanto, A=(A \ B)U(A∩B), luego
p(A)=p(A \ B) + p(A∩B), entonces, p(A \ B) = p(A) – p(A∩B). LQQD

 TEOREMA 5.
Para dos eventos A y B:

p(AUB)=p(A) + p(B) – p(A∩B)

DEMOSTRACIÓN:

Si AUB = (A \ B) U B, donde (A \ B) y B son eventos mutuamente excluyentes, por lo que p(A U

B) = p(A \ B) + p(B) y del teorema anterior tomamos que p(A \ B) = p(A) – p(A∩B), por tanto,
p(AUB) = p(A) + p(B) – p(A∩B). LQQD

REGLA DE LA MULTIPLICACIÓN
La regla de la multiplicación establece que la probabilidad de ocurrencia de dos o más eventos
estadísticamente independientes es igual al producto de sus probabilidades individuales.
P (A y B) = P (A B) = P (A) P (B) si A y B son independientes.
P (A y B) = P (A B) = P (A) P (B|A) si A y B son dependientes.
siendo P (B|A) la probabilidad de que ocurra B habiéndose dado o verificado el evento A.

Ejemplo:

Un lote contiene "100" objetos de los cuales "20" son defectuosos. Los objetos son seleccionados
uno después del otro para ver si ellos son defectuosos. Suponga que dos objetos son
seleccionados sin reemplazo (significa que el objeto que se selecciona al azar se deja por fuera
del lote). ¿Cuál es la probabilidad de que los dos objetos seleccionados sean defectuosos?

Solución:
Sea los eventos
A1 = {primer objeto defectuoso}, A2 {segundo objeto defectuoso}
entonces dos objetos seleccionados serán defectuosos, cuando ocurre el evento A1∩ A2 que es
la intersección entre los eventos A1 y A2. De la información dada se tiene que:
P (A1) = 20/100 ; P (A2/A1) = 19/99
así probabilidad de que los dos objetos seleccionados sean defectuosos es
P (A1 ∩ A2) = P (A1) P (A2/A1)
(20/100)(19/99)
19/495 = 0.038
Ahora suponga que selecciona un tercer objeto, entonces la probabilidad de que los tres objetos
seleccionados sean defectuosos es
P (A1 ∩ A2 ∩ A3) = P (A1) P (A2/A1) P (A3/A1∩A2)
(20/100)(19/99)(18/98)
19/2695 = 0.007

PROBABILIDAD CONDICIONAL

Definición formal

Formalmente, para dos sucesos A y B donde P(B) > 0, se define la probabilidad condicionada de
A dado B como:

𝑃(𝐴 ∩ 𝐵)
𝑃(𝐴/𝐵) =
𝑃(𝐵)

Se interpreta la probabilidad como la probabilidad de A suponiendo que B haya ocurrido.

Interpretación con diagramas Venn.

A priori, la probabilidad de A equivale al área de A ∩ B (en verde) más el área de A ∩ B¯ (en azul)
dividido por el ´área del espacio muestral (es decir el tamaño de la caja) que es 1.
Pero si observamos que B ha sucedido, entonces, el tamaño muestral se ha reducido a los sucesos
elementales para los cuales B ha ocurrido y luego, la probabilidad de A es el área de A ∩ B partido
por el área de B.

La probabilidad condicional se simboliza P(BnA), que se lee probabilidad de B, dado A, o la

probabilidad de que ocurra B, condicionado a que haya ocurrido A.
Si dos eventos A y B no son independientes, es decir, si A y B son dependientes, la probabilidad
compuesta de A y B no es igual al producto de sus probabilidades respectivas. Por lo cual,
podemos decir, que para eventos dependientes:

𝑃(𝐴 ∩ 𝐵) ≠ 𝑃(𝐴) 𝑃(𝐵)

Es decir:

𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴)𝑃(𝐵/𝐴)

𝑃(𝐵 ∩ 𝐴) = 𝑃(𝐵)𝑃(𝐴/𝐵)

De la expresión

𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) 𝑃(𝐵/𝐴)

Despejamos P(B/A) y se obtiene la probabilidad condicional de "B dado A"

𝑃(𝐴 ∩ 𝐵)
𝑃(𝐵/𝐴) =
𝑃(𝐴)

En forma análoga, la probabilidad condicional de "A dado B", es:

𝑃(𝐵 ∩ 𝐴)
𝑃(𝐴/𝐵) =
𝑃(𝐵)

(Obregón Sanin Ivón, 1975)

Ejemplo.

Consideremos una urna que contiene 4 bolillas rojas y 5 blancas. De las 4 bolillas rojas, 2 son lisas
y 2 rayadas y de las 5 bolillas blancas, 4 son lisas y una sola es rayada. Supongamos que se
extrae una bolilla y, sin que la hayamos mirado, alguien nos dice que la bolilla es roja, ¿cuál es la
probabilidad de que la bolilla sea rayada?

Sean los sucesos A: “la bolilla es rayada” y B: “la bolilla es roja”. Obviamente, sin ninguna
información previa, P(A)= 3/9=1/3 y P(B)=4/9.

Sin embargo, como sabemos que la bolilla es roja, la probabilidad de que sea rayada es ½, ya que,
de las rojas la mitad es lisa y la mitad rayada. Observemos, que al ocurrir B, el espacio muestral
se reduce.

En general, dado un experimento y su espacio muestral asociado, queremos determinar cómo

afecta a la probabilidad de A el hecho de saber que ha ocurrido otro evento B.
Definición: Sean A y B eventos tales que P(B) > 0, la probabilidad del evento A condicional a la ocurrencia
del evento B es

𝑃(𝐵 ∩ 𝐴)
𝑃(𝐴/𝐵) =
𝑃(𝐵)

Entonces, P(B)=4/9 y

2
𝑃(𝐵 ∩ 𝐴) 9 2 1
𝑃(𝐴/𝐵) = = = =
𝑃(𝐵) 4 4 2
9

PROPIEDADES DE LA PROBABILIDAD CONDICIONAL:

Dado un suceso B fijo tal que P(B) > 0, P(•|B) es una probabilidad, en el sentido que satisface los
axiomas de probabilidad y por lo tanto todas las propiedades que se deducen a partir de ellos. Por
ejemplo:

A1. P(A|B) ≥ 0 para todo suceso A.

A2. P(S|B) = 1.

Entonces:

𝑃(𝑆 ∩ 𝐴) 𝑃(𝐵)
𝑃(𝑆/𝐵) = = =1
𝑃(𝐵) 𝑃(𝐵)

PROBABILIDAD TOTAL

Sea 𝐴1 , 𝐴2 , … 𝐴𝑛 un sistema completo de eventos tales que la probabilidad de cada uno de ellos
es distinta de cero, y sea B un evento cualquiera del que se conocen las probabilidades
condicionales 𝑃 (𝐵⁄𝐴 ), entonces la probabilidad del evento B, llamada probabilidad total, se
𝑖
calcula empleando la siguiente fórmula:

𝑃(𝐵) = 𝑃(𝐴1 ). 𝑃 (𝐵⁄𝐴 ) + 𝑃(𝐴2 ). 𝑃 (𝐵⁄𝐴 ) + ⋯ + 𝑃(𝐴𝑛 ). 𝑃 (𝐵⁄𝐴 )

1 2 𝑛

TEOREMA DE BAYES

El teorema de Bayes se utiliza para revisar probabilidades previamente calculadas cuando

se posee nueva información. Desarrollado por el reverendo Thomas Bayes en el siglo XVII, el
teorema de Bayes es una extensión de lo que ha aprendido hasta ahora acerca de la probabilidad
condicional.

Comúnmente se inicia un análisis de probabilidades con una asignación inicial, probabilidad a

priori. Cuando se tiene alguna información adicional se procede a calcular las probabilidades
revisadas o a posteriori. El teorema de Bayes permite calcular las probabilidades a posteriori y es:

𝑃(𝐴𝑖 ). 𝑃(𝐵/𝐴𝑖 )
𝑃(𝐴𝑖 /𝐵) =
𝑃(𝐵)

Donde:

𝑃(𝐴𝑖 ) = 𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑎 𝑝𝑟𝑖𝑜𝑟𝑖

𝑃 (𝐵⁄𝐴 ) = 𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑐𝑜𝑛𝑑𝑖𝑐𝑖𝑜𝑛𝑎𝑙
𝑖

𝑃(𝐵) = 𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑇𝑜𝑡𝑎𝑙

𝑃(𝐴𝑖 /𝐵) = 𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑎 𝑝𝑜𝑠𝑡𝑒𝑟𝑖𝑜𝑟𝑖

Ejemplo.

Una compañía de transporte público tiene tres líneas en una ciudad, de forma que el 45% de los
autobuses cubre el servicio de la línea 1, el 25% cubre la línea 2 y el 30% cubre el servicio de la
línea 3. Se sabe que la probabilidad de que, diariamente, un autobús se averíe es del 2%, 3% y
1% respectivamente, para cada línea.

a) Calcular la probabilidad de que, en un día, un autobús sufra una avería

b) Calcular la probabilidad de que, en un día, un autobús no sufra una avería
c) ¿De qué línea de transporte es más probable que un autobús sufra una avería?
Solución.

Simbología:

𝐴1 = 𝑐𝑢𝑏𝑟𝑒 𝑑𝑒 𝑠𝑒𝑟𝑣𝑖𝑐𝑖𝑜 𝑑𝑒 𝑙𝑎 𝑙í𝑛𝑒𝑎 1

𝐴2 = 𝑐𝑢𝑏𝑟𝑒 𝑑𝑒 𝑠𝑒𝑟𝑣𝑖𝑐𝑖𝑜 𝑑𝑒 𝑙𝑎 𝑙í𝑛𝑒𝑎 2

𝐴3 = 𝑐𝑢𝑏𝑟𝑒 𝑑𝑒 𝑠𝑒𝑟𝑣𝑖𝑐𝑖𝑜 𝑑𝑒 𝑙𝑎 𝑙í𝑛𝑒𝑎 3

𝐵1 = 𝑠𝑢𝑓𝑟𝑒 𝑢𝑛𝑎 𝑎𝑣𝑒𝑟𝑖𝑎

𝐵2 = 𝑛𝑜 𝑠𝑢𝑓𝑟𝑒 𝑢𝑛𝑎 𝑎𝑣𝑒𝑟𝑖𝑎

Datos:

𝑃(𝐴1 ) = 45% = 0.45 ; 𝑃(𝐴2 ) = 25% = 0.25 ; 𝑃(𝐴3 ) = 30% = 0.30

 𝐵 𝐵 𝐵
𝑃 ( 1⁄𝐴 ) = 2% = 0,02 ; 𝑃 ( 1⁄𝐴 ) = 3% = 0,03 ; 𝑃 ( 1⁄𝐴 ) = 1% = 0.01
1 2 3

Las probabilidades de no sufrir una avería para cada línea son:

𝐵 𝐵
𝑃 ( 2⁄𝐴 ) = 1 − 𝑃 ( 1⁄𝐴 ) = 1 − 0,02 = 0.98
1 1

𝐵 𝐵
𝑃 ( 2⁄𝐴 ) = 1 − 𝑃 ( 1⁄𝐴 ) = 1 − 0,02 = 0.97
2 2

𝐵 𝐵
𝑃 ( 2⁄𝐴 ) = 1 − 𝑃 ( 1⁄𝐴 ) = 1 − 0,01 = 0.99
3 3

a) Calcular la probabilidad de que, en un día, un autobús sufra una avería

Empleando la fórmula de probabilidad total se obtiene:

𝑃(𝐵) = 𝑃(𝐴1 ). 𝑃 (𝐵⁄𝐴 ) + 𝑃(𝐴2 ). 𝑃 (𝐵⁄𝐴 ) + ⋯ + 𝑃(𝐴𝑛 ). 𝑃 (𝐵⁄𝐴 )

1 2 𝑛

𝐵 𝐵 𝐵
𝑃(𝐵1 ) = 𝑃(𝐴1 ). 𝑃 ( 1⁄𝐴 ) + 𝑃(𝐴2 ). 𝑃 ( 1⁄𝐴 ) + 𝑃(𝐴3 ). 𝑃 ( 1⁄𝐴 )
1 2 3

𝑃(𝐵1 ) = 0,45(0,02) + 0,25(0,03) + 0,3(0,01) = 0,0195

b) Calcular la probabilidad de que, en un día, un autobús no sufra una avería

Empleando la fórmula de probabilidad total se obtiene:

𝑃(𝐵) = 𝑃(𝐴1 ). 𝑃 (𝐵⁄𝐴 ) + 𝑃(𝐴2 ). 𝑃 (𝐵⁄𝐴 ) + ⋯ + 𝑃(𝐴𝑛 ). 𝑃 (𝐵⁄𝐴 )

1 2 𝑛

𝐵 𝐵 𝐵
𝑃(𝐵2 ) = 𝑃(𝐴1 ). 𝑃 ( 2⁄𝐴 ) + 𝑃(𝐴2 ). 𝑃 ( 2⁄𝐴 ) + 𝑃(𝐴3 ). 𝑃 ( 2⁄𝐴 )
1 2 3

𝑃(𝐵2 ) = 0,45(0,98) + 0,25(0,97) + 0,3(0,99) = 0,9805

O también, sabiendo que 𝑃(𝐸̅ ) = 1 − 𝑃(𝐸), 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠

𝑃(𝐵2 ) = 1 − 𝑃(𝐵1 ) = 1 − 0,0195 = 0,9805

c) ¿De qué línea de transporte es más probable que un autobús sufra una avería?

Se debe calcular las tres probabilidades a posteriori empleando el Teorema de Bayes

𝑃(𝐴1 ). 𝑃(𝐵/𝐴1 )
𝑃(𝐴1 /𝐵) =
𝑃(𝐵)

La probabilidad de que sea de la línea 1, sabiendo que sufre una avería es:
 𝑃(𝐴1 ). 𝑃(𝐵/𝐴1 ) 0,25(0,02)
𝑃(𝐴1 /𝐵1 ) = = = 0,4615
𝑃(𝐵1 ) 0,0195

La probabilidad de que sea de la línea 1, sabiendo que sufre una avería es:

𝑃(𝐴2 ). 𝑃(𝐵/𝐴2 ) 0,25(0,03)

𝑃(𝐴2 /𝐵1 ) = = = 0,3846
𝑃(𝐵1 ) 0,0195

La probabilidad de que sea de la línea 3, sabiendo que sufre una avería es:

𝑃(𝐴3 ). 𝑃(𝐵/𝐴3 ) 0,3(0,01)

𝑃(𝐴3 /𝐵1 ) = = = 0,1538
𝑃(𝐵1 ) 0,0195

Entonces, sabiendo que el autobús sufre una avería, lo más probable es que sea de la línea 1, ya
que esta probabilidad.

𝑃(𝐴1 /𝐵1 ) = 0,4615 ; 𝐸𝑠 𝑙𝑎 𝑚𝑎𝑦𝑜𝑟.

BIBLIOGRAFÍA
 https://www.monografias.com/trabajos89/probabilidad-total-y-teorema-bayes/probabilidad-
total-y-teorema-bayes.shtml.

 http://halweb.uc3m.es/esp/Personal/personas/mwiper/docencia/Spanish/Teoria_Est_El/te
ma4_orig.pdf.

 https://www.sangakoo.com/es/temas/teorema-de-bayes

 https://probabilidadestadistic.blogspot.com/2010/09/axiomas-y-teoremas-de-la-
probabilidad.html

 https://es.wikipedia.org/wiki/Probabilidad#Regla_de_la_multiplicaci%C3%B3n