PASO 2 - ESPACIO MUESTRAL, EVENTOS, OPERACIONES Y AXIOMAS DE

PROBABILIDAD

Docente
JENNY TATIANA SANCHEZ

Integrantes
Diana Isabel Diaz
Ricardo Julio Hernandez
Kellys Audith Fuertes Guerra
Carlos Sosimo Angulo Balanta
Zuleika Vanessa Fernandez de Castro Salas

Grupo: 100402_43

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

Escuela de ciencias básicas, tecnología e ingeniería.

PROBABILIDAD

16 Julio 2018
 INTRODUCCIÓN

En el presente trabajo estaremos desarrollando cinco estudios de casos donde

podremos ver plasmado la teoría Bayes, los fundamentos de los conceptos básicos
de probabilidad, técnicas de conteo y Axiomas de Probabilidad, análisis e
interpretación de situaciones que se nos puedan presentar en nuestra vida cotidiana
y/o profesional.
Resumen de los conceptos teóricos de la unidad que me permitieron
solucionar el estudio de caso seleccionado:

Teorema de Bayes: es un método para encontrar la probabilidad de una causa

específica cuando se observa un efecto particular. Es el procedimiento que se utiliza
para encontrar las probabilidades posteriores, a partir de probabilidades previas, las
probabilidades a priori se conocen antes de obtener información del experimento.
El teorema de bayes nos da la posibilidad de saber si un evento puede ocurrir en
más de una forma.

Los elementos del espacio muestral son llamados puntos muestrales. De acuerdo
a la naturaleza de los elementos que conforman un espacio muestral, este se puede
clasificar en:
Discreto:

Se dice que un espacio muestral es discreto si al enumerar sus elementos, estos

números pueden ponerse en una correspondencia uno a uno con el conjunto de los
enteros positivos o cuando contiene un número contable de elementos.
Continúo:

Se dice que un espacio muestral es continuo si sus resultados consisten de todos

los puntos de un intervalo de números reales, o todos los puntos de un plano, o en
general algún rectángulo en el espacio.

Eventos o Sucesos, Operaciones entre eventos

Cada uno de los conjuntos anteriores corresponde a un suceso o evento asociado

al experimento de lanzar un dado amarillo y un dado rojo. Llamaremos suceso o
evento a cualquier subconjunto del espacio muestral. Por lo general, se denotan con
mayúsculas. Como, por ejemplo, los sucesos A, B, C y D, de la situación anterior.
Entre las operaciones más importantes para eventos para este ejercicio utilizamos:

Intersección: Es el suceso formado por todos los elementos que son a la vez de A
y de B, Se representa con el símbolo “∩”
Probabilidad condicional: La probabilidad de que un evento ocurra cuando se
sabe que ya ocurrió un evento se llama probabilidad condicional y se denota por
que por lo general se lee como probabilidad de que "ocurra B dado que ocurrió A".
Esta probabilidad se define como:
𝐵 𝑃(𝐵 ∩ 𝐴)
𝑃( ) = 𝑐𝑜𝑛 𝑃(𝐴) > 0
𝐴 𝑃(𝐴)
ESTUDIO DE CASO 11

Estudiante: Kellys Audith FUERTES GUERRA

La publicidad en televisión es indiscutiblemente la más

poderosa forma de publicidad. Anunciarse en televisión

implica llegar a cientos de miles o a millones de personas

al mismo tiempo, y hacerlo a través del medio publicitario más relevante y

Ilustración 1.Estudio de caso 1
prestigioso. La publicidad en televisión aporta

notoriedad y credibilidad, y ayuda más que ninguna otra a conseguir el

posicionamiento deseado.

Una empresa de publicidad desea determinar en qué canal es más probable

que sus anuncios sean vistos y realiza una encuesta entre 400 personas de varias

ciudades del país para determinar cuáles son los canales más vistos y el horario en

el que más audiencia tienen.

Canal Horario en el que preferiblemente ve TV

preferido Mañana Tarde Noche Total
Caracol 39 12 58 109
Sony 11 8 32 51
Fox 6 5 26 37
Home &
10 13 24 47
Health
Discovery 9 2 18 29
City Tv 12 10 20 42
RCN 28 15 42 85
TOTAL 115 65 220 400

1
Tomado y adaptado de Díaz, A. (2015) Estadística aplicada a la Administración y la Economía.
 Con base en esta información y haciendo uso de los axiomas de probabilidad,

prepare para la empresa de publicidad un informe en el que debe incluir como

mínimo lo siguiente:

1. Canal en el que hay mayor Probabilidad de que una persona vea los anuncios
de la empresa.

109
De acuerdo a la muestra; 𝑃 = = 0,2725 ∗ 100 = 27,25%
400

El canal caracol es donde hay mayor Probabilidad 27,25% de que los anuncios
sean vistos.

Canales más vistos

RCN
21% Caracol
27%
City Tv
11%
Discovery
7% Home & Sony
13%
Health Fox
12% 9%

2. Horario en el que hay mayor probabilidad de que una persona vea los anuncios
de la empresa.
220
𝑃 = 400 = 0,55 ∗ 100 = 55% de las personas de la muestra ven Tv de noche, por
lo hay mayor Probabilidad de que los anuncios sean vistos en este horario.

Horario en el que preferiblemente se ve

TV

Mañana
29%
Noche
55%
Tarde
16%
3. Probabilidad de que una persona prefiera ver T.V en la tarde.

𝑣𝑒𝑛 𝑡𝑣 𝑒𝑛 ℎ𝑜𝑟𝑎𝑟𝑖𝑜 𝑡𝑎𝑟𝑑𝑒 65

𝑃(𝑣𝑒𝑟 𝑇𝑣 𝑒𝑛 ℎ𝑜𝑟𝑎𝑟𝑖𝑜 𝑡𝑎𝑟𝑑𝑒) = = = 0,1625 ∗ 100
𝑇𝑎𝑚𝑎ñ𝑜 𝑚𝑢𝑒𝑠𝑡𝑟𝑎 400
= 16,25%

4. Probabilidad de que una persona prefiera el canal RCN o Caracol.

109 + 85
𝑃= = 0,485 ∗ 100 = 48,5%
400

5. Probabilidad de que una persona prefiera ver TV en la mañana o en la tarde.

115 + 65
𝑃= = 0,45 ∗ 100 = 45%
400

6. Probabilidad de que una persona prefiera ver el canal Caracol en la mañana.

29
𝑃= = 0,0725 ∗ 100 = 7,25%
400
7. Probabilidad de que una persona prefiera ver el canal Fox en la Noche.

26
𝑃= = 0,065 ∗ 100 = 6,5%
37

8. Probabilidad de que una persona prefiera ver el canal Fox SI prefiere ver Tv en
la noche.

26
𝑃= = 0,118 ∗ 100 = 11,81%
220

9. Probabilidad de que una persona prefiera ver Tv en la noche si prefiere el canal

Fox.

220
𝑃= = 8,46
26

10. Que le sugiere a la empresa de publicidad sobre sus anuncios en TV. (tenga en
cuenta las probabilidades aquí encontradas)
 De acuerdo a las probabilidades encontradas se sugiere a la empresa de

publicidad lo siguiente:

- Según la muestra el canal Caracol, es el que más probabilidades tiene de

ser observado, seguido del canal RCN. Por lo que se deben realizar

anuncios en ambos canales, teniendo en cuenta que la probabilidad de

ver tv en uno de estos dos canales es del 48,5%.

- Además se debe tener en cuenta que en el horario de la noche existen

mayor probabilidad de ver tv (55%). Y que los anuncios tengan mayor

éxito.

ESTUDIO DE CASO 22
Estudiante: DIANA ISABEL DIAZ
Una pareja de jóvenes acaba de casarse, ambos tienen 20 años
y viven en lo profundo de la Patagonia comiendo pescado crudo,
lo que imprime un carácter fuerte: NADIE SE DIVORCIA y todos
tienen BUENA SALUD.

La mitad de la población de esa región, en efecto, vive hasta los

110 años, una cuarta parte vive hasta los 100 años, y el último
Ilustración 2. Estudio de cuarto de la población vive hasta los 90 años.
caso 2
Los jóvenes esposos se preguntan: “Lo más probable es
que nuestro matrimonio dure…. ?”
Haciendo uso de los axiomas de probabilidad y en especial de la probabilidad para
eventos independientes, ayude a los jóvenes esposos a responder la pregunta, y
encuentre como mínimo lo siguiente:

Sucesos:
1
𝐸1 = 90 𝐴Ñ𝑂𝑆 ↔ 𝑃𝑟1=
4
 1
𝐸2 = 100 𝐴Ñ𝑂𝑆 ↔ 𝑃𝑟2=
4
1
𝐸3 = 110 𝐴Ñ𝑂𝑆 ↔ 𝑃𝑟3=
2

1.- Probabilidad de que ambos vivan 90 años

Son sucesos independientes
1 1 1
𝑃𝑟{𝐸1 𝐸1 } = 𝑃𝑟{𝐸1 }𝑃𝑟{𝐸1 } = ∗4=
4 16

1
𝑃𝑟{𝐸1 𝐸1 } = 16

2.- Probabilidad de que ambos vivan 100 años

1 1 1
𝑃𝑟{𝐸2 𝐸2 } = 𝑃𝑟{𝐸2 } ∗ 𝑃𝑟{𝐸2 } = ∗4=
4 16

3.- Probabilidad de que ambos vivan 110 años

1 1 1
𝑃𝑟{𝐸3 𝐸3 } = 𝑃𝑟{𝐸3 } ∗ 𝑃𝑟{𝐸3 } = ∗2=
2 4
1
𝑃𝑟{𝐸3 𝐸3 } = 4

4.- Probabilidad de que el esposo viva 90 años y la esposa 110 años

1 1 1
𝑃𝑟{𝐸1 𝐸3 } = 𝑃𝑟{𝐸1 } ∗ 𝑃𝑟{𝐸3 } = ∗ =
4 2 8
1
𝑃𝑟{𝐸1 𝐸3 } =
8

5.- Probabilidad de que la esposa viva 90 años y el esposo 100 años.

1 1 1
𝑃𝑟{𝐸1 𝐸2 } = 𝑃𝑟{𝐸1 } ∗ 𝑃𝑟{𝐸2 } = ∗ =
4 4 16

1
𝑃𝑟{𝐸1 𝐸2 } = 16

6.- Finalmente, la respuesta a la inquietud de los esposos es: “Lo más probable es
que el matrimonio dure _____ años”.

R// Lo más probable es que el matrimonio tenga una probabilidad que dure una edad
comprendida en un intervalo de 90 a 110 años
Para resolver el estudio de caso se sugiere completar el siguiente diagrama:

La Esposa vivirá hasta:

El Esposo vivirá hasta:
(probablemente)
(probablemente)
90 años 100 años 110 años
90 años 1 1 1 1
16 16 8 4
100 años 1 1 1 1
16 16 8 4
110 años 1 1 1 1
8 8 4 2
1 1 1 1
4 4 2

ESTUDIO DE CASO 3

ESTUDIO DE CASO 43 -
Estudiante: Zuleika Vanessa Fernandez De Castro
Los exámenes de selección están asociados principalmente con
exámenes médicos de diagnóstico, pero ahora están encontrando
aplicaciones en varios campos de actividad. Estos exámenes se
evalúan sobre la probabilidad de un falso negativo o un falso positivo y
éstas dos son probabilidades condicionales.
Un falso positivo es el evento de que el examen sea positivo para una
condición determinada, dado que la persona no tiene la condición. Un
falso negativo es el evento de que el examen sea negativo para una condición
determinada, dado que la persona tiene la condición.
Ilustración 3. Estudio caso 4

Se supone que una cierta prueba detecta cierto tipo de cáncer con probabilidad del
85% entre gente que lo padece, y no lo detecta el 15% restante. Si una persona no
padece este tipo de cáncer la prueba indicará que no lo tiene un 95% de las veces
e indicará que lo tiene un 5% de ellas. Por estudios realizados se supone que el 5%
de la Población padece este tipo de cáncer.

3
Tomado y adaptado de Pateiro B., Bioestadística 2011
Con base en esta información y usando el Teorema de Bayes, elabore un informe
que como mínimo, debe incluir:

Diagrama de árbol

Detecta (D)
85% = 0.85
PADECE CANCER (C)
5% = 0.05
No Detecta (DN)
15% = 0.15
PACIENTES
Detecta (D)
5% = 0.05
NO PADECE CANCER (CN)
95% = 0.95
No Detecta (DN)
95% = 0.95

1. Probabilidad de que una persona NO tenga este tipo de cáncer

𝑃(𝐶𝑁) = 0.95
𝑃(𝐶𝑁) = 𝟗𝟓%
2. Probabilidad de que el examen indique que la persona tiene cáncer
𝑃(𝐷) = 0.05 ∗ 0.85 + 0.95 ∗ 0.05
𝑃(𝐷) = 0.0425 + 0,0475
𝑃(𝐷) = 0.09 = 𝟗%
3. Probabilidad de que el examen indique que la persona no tiene cáncer
𝑃(𝐷𝑁) = 1 − 𝑃(𝐷)
𝑃(𝐷𝑁) = 1 − 0.09
𝑃(𝐷𝑁) = 0.91 = 𝟗𝟏%
4. Probabilidad de un falso positivo, es decir que el examen indique que la
persona tiene cáncer dado que la persona no lo tiene.
 𝐷
𝑃( ) = 0.05 = 𝟓%
𝐶𝑁
5. Probabilidad de un falso negativo, es decir, que el examen indique que la
persona no tiene cáncer dado que la persona tiene la enfermedad
𝐷𝑁
𝑃 ( ) = 0.15 = 𝟏𝟓%
𝐶
6. De acuerdo con las probabilidades encontradas, que tan confiable es este
examen para detectar este tipo de cáncer
𝐶 𝑃(𝐶 ∩ 𝐷) 0.05 ∗ 0.85
𝑃( ) = =
𝐷 𝑃(𝐷) 0.09

𝐶 0.0425
𝑃( ) =
𝐷 0.09
𝐶
𝑃 ( ) = 0.472 = 𝟒𝟕. 𝟐%
𝐷

Conclusión:
Vemos que no es una prueba muy confiable ya que la probabilidad de 100 personas
que le detecten el cáncer solo el 47.2% es confiable, nos muestra que es muy alto
el número de error que se tiene, lo cual se ´puede determinar que es un examen no
muy confiable.

ESTUDIO DE CASO 54.

Estudiante: Carlos Sosimo Angulo

Un almacén importante considera cambiar su política de

otorgamiento de crédito para reducir el número de clientes
(deudores) que finalmente no pagan sus cuentas.

El gerente de crédito sugiere que a futuro, el crédito se le cancele a

cualquier cliente que demore una semana o más en sus pagos en
dos ocasiones distintas. La sugerencia del gerente se basa en el
hecho de que, en el pasado 90% de los clientes que finalmente no
pagaron sus cuentas se demoraron en sus pagos por lo menos dos
ocasiones.
Un estudio independiente encontró que 2% de todos los deudores finalmente
NO pagan sus cuentas y que de aquellas que SÍ las pagan, el 45% se demoró
en por lo menos dos ocasiones.

Utilice su conocimiento de la probabilidad y las aplicaciones del Teorema de Bayes

para preparar un INFORME en el que incluya como mínimo:

Solución al estudio de caso 5:

Los eventos definidos son los siguientes:

A: El evento en que los clientes se demoraron de dos semanas en sus pagos y
finalmente no pagaron sus deudas.
B: El evento que un cliente finalmente no pague sus deudas
A¬: El evento complementario a A = que un cliente pague su deuda

2 OCASIONES
A D 45% (0,45)
SI PAGAN 1 OCASIÓN
Créditos 98% (0,98) F 55% (0,55)
Otorgados
2 OCASIONES
B D 90% (0,90)
NO PAGAN
1 OCASIÓN
2% (0,02) F 10% (0,10)

1. Probabilidad de que un deudor cualquiera finalmente si pague sus cuentas.

RTA: La probabilidad de que un deudor cualquiera finalmente si pague sus cuentas

es del 0,98 o 98%

2. Probabilidad de que un deudor cualquiera se demore por lo menos dos ocasiones

𝑷(𝑫) = 𝑃(𝐴) 𝑥 𝑃(𝐷/𝐴) + 𝑃(𝐵) 𝑥 𝑃(𝐷/𝐵)

𝑷(𝑫) = 0,98 𝑥 0,45 + 0,02 𝑥 0,90
𝑷(𝑫) = 0,441 + 0,018
𝑷(𝑫) = 0,459  𝟒𝟓, 𝟗%

RTA: La probabilidad de que un deudor cualquiera se demore por lo menos dos

ocasiones es de 0,459 o 45,9%

3. Probabilidad de que un deudor que no se demoró por lo menos dos ocasiones,

finalmente, pague su cuenta.
 A 𝑃(𝐴) ∗ 𝑃(𝐹/𝐴)
P( ) =
F 𝐹
𝑃(𝐴) ∗ 𝑃 (𝐴) + 𝑃(𝐵) ∗ 𝑃(𝐹/𝐵)

A 0.98 ∗ 0.55
P( ) =
F 0.98 ∗ 0.55 + 0.22 ∗ 0.10

A 0.539
P( ) =
F 0.539 + 0.002

𝐴 0.539
𝑃( ) = = 0.996 = 𝟗𝟗. 𝟔%
𝐹 0.541

RTA: La probabilidad de que un deudor que no se demoró por lo menos dos

ocasiones, finalmente, pague su cuenta es de 0,996 ó 99,6%

4. Probabilidad de que un cliente que ya se demoró por lo menos dos ocasiones,

finalmente, no page su cuenta.

𝐷
𝐵 𝑃(𝐵) ∗ 𝑃 (𝐵 )
𝑃( ) =
𝐷 𝐷 𝐷
𝑃(𝐴) ∗ 𝑃 ( 𝐴 ) + 𝑃(𝐵) ∗ 𝑃 (𝐵 )

𝐴 0.02 ∗ 0.90
𝑃( ) =
𝐹 0.98 ∗ 0.45 + 0.02 ∗ 0.90

𝐴 0.018
𝑃( ) =
𝐹 0.441 + 0.018
𝐴 0.018
𝑃( ) = = 0.039 = 𝟑. 𝟗%
𝐹 0.459

RTA: La probabilidad de que un cliente que ya se demoró por lo menos dos

ocasiones, finalmente, no page su cuenta es de 0,039 o 3,9%.

5. Con los resultados obtenidos analice la política que sugiere el Gerente de crédito.
Está de acuerdo, sí o no, ¿por qué?

RTA: La propuesta del gerente no la considero viable debido a que según el estudio
un alto porcentaje de clientes que se demoraron más de 2 ocasiones finalmente si
pagaron su cuenta (99,6%) mientras que la Probabilidad de que un cliente que ya
se demoró por lo menos dos ocasiones, finalmente, no page su cuenta es baja
(3,9%). Por tanto, no convendría que el gerente de crédito cancele a cualquier
cliente que demore una semana o más en sus pagos en dos ocasiones distintas.
 CONCLUSIONES

Puedo concluir que es de suma importancia poner en practica cada una de las
teorías de la probabilidad ya que esto nos ayuda a determinar que tan confiable
puede ser o no un evento.

Todo esto nos ayuda en nuestra vida cotidiana y las podemos aplicar en muchas
situaciones de nuestro diario vivir. Todo esto va de la mano de entender y
comprender cada una de las teorías.
 BIBLIOGRAFIAS
Martínez, C. (2011). Estadística Básica Aplicada. Ecoe, 4a edición. Recuperado
de http://bibliotecavirtual.unad.edu.co:2460/lib/unadsp/reader.action?ppg=1&docID
=3203901&tm=1526411601293
Rodríguez, F. & Pierdant, A. (2014). Estadística para administración. Recuperado
de http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?docID=11013
767&ppg=177
Monroy, S. (2008). Estadística Descriptiva. Editorial: Instituto Técnico
Nacional. Recuperado
de http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?docID=10436
604&ppg=128
Martín, J. y Ruiz, L. (2004). Estadística I: Probabilidad. 2nd ed. Madrid: Paraninfo.
vii-viii. Recuperado
de http://bibliotecavirtual.unad.edu.co:2081/ps/eToc.do?rcDocId=GALE%7CCX405
2400005&inPS=true&prodId=GVRL&userGroupName=unad&resultClickType=Abo
utThisPublication
&contentModuleId=GVRL&searchType=BasicSearchForm&docId=GALE%7C3BD
C
Rodríguez, F. & Pierdant, A. (2014). Estadística para administración. Recuperado
de http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?docID=11013
767&ppg=200
Gil, M., Gonzales, A. J Salagre, M. (2014). Ejercicios de estadística teórica:
Probabilidad e inferencia. Recuperado
de http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?docID=10995
669&ppg=19
Sánchez, J. (2018). Conceptos básicos de probabilidad. Recuperado
de http://hdl.handle.net/10596/17792
José Maestre. OVIS Teorema de Bayes. https://drive.google.com/file/d/1jQRRl0-
3_CfpxtCvNjy55M2Tr_O_K4tT/view
OVIS Teorema de Bayes.
https://drive.google.com/file/d/1DJFHVAzNUBEFJwBvsZfU5QeQDcxYkjjl/view
OVIS Probabilidad.
https://drive.google.com/file/d/1B4f7NJxBojcdogOSfBhMCtUdZiWLgUxN/view