Sesión 3:

TEORÍA DE
PROBABILIDADADES

MSc. Jaime Paz

Estadística Aplicada a las Finanzas
 2

Procesos aleatorios
Sabemos qué resultados pueden Espacio Muestral
ocurrir pero no sabemos cuál
resultado en particular va a ocurrir Colección de todos los posibles
resultados (eventos) de un
experimento o prueba
Ejemplos:
Ley de los grandes
- Lanzamientos de moneda
números
- Mercado Accionario
A mayor número de observaciones, la
- Reproducción de música proporción de repeticiones con un
resultado particular converge a la
probabilidad de ese resultado.
Evento: cualquier subconjunto
de un espacio muestral “S”
 3

Definición de
Probabilidad
La probabilidad simple se refiere a
la probabilidad de ocurrencia de un
evento simple, a ésta probabilidad
se le llama probabilidad marginal.
La probabilidad de ocurrencia de A,
la definimos por

Notación: P(A)
Probabilidad de un evento A
 4

Tipos de Eventos
Disjuntos No disjuntos Complementarios
Eventos que no Eventos que Eventos disjuntos
pueden ocurrir al pueden ocurrir al cuyas
mismo tiempo mismo tiempo probabilidades
Sinónimo: suman “1”
Mutuamente
Excluyentes

P(A y B) = 0
 5

Cuatro tipos de probabilidad

Marginal Unión Conjunta Condicional

P( X ) P( X  Y ) P( X  Y ) P( X | Y )
La probabilidad  La probabilidad  La probabilidad  La probabilidad 
de que ocurra    de que ocurra    de que ocurra  de que ocurra   
X XoY (interesección)    X sabiendo que
XeY ha ocurrido Y

X X Y X Y

Y
 6
sexo edad A Ac
Sucesos
B.R H 18 A =  ser hombre (H)
4 2
C.C M 19 B = edad  20
C.G H 19 B
G.P M 20
M.P M 21 2 6
Bc
J.L H 20
L.A. M 21 Probabilidades
N.D M 21 P(A) = 6/14 = 0.43
V.C H 22 P(B) = 6/14 = 0.43
V.F. H 19 P(A  B) = 4/14 = 0.29
L.L. H 18 P(A B) = P(A) + P(B) - P(A  B) 
J.N. M 21               6/14 + 6/14 - 4/14           = 0.43+ 0.43 - 0.29 = 0.57
J.P. M 21
U.P M 18
 Eventos Mutuamente Excluyentes vs No 7
Disjuntos

Cuál es la probabilidad de sacar un Jack o un Cuál es la probabilidad de sacar un Jack o Roja?

3?
P(A ó B) = P(A) + P(B) P (J o Rojo) = P(J) + P(R) – P (J y Rojo)
P (J ó 3) = P(J) + P(3) P (J o Rojo) = (4/52) + (26/52) – (2/52) = 0.538
P (J ó 3) = (4/53) + (4/52)
P (J ó 3) = 0.154 (redondeado = 15%)
 8
Reglas básicas de probabilidad

P ( A)  0 P( S )  1
Reglas de la adición
Sí A y B son mutuamente excluyentes:

P( AóB)  P( A)  P( B)  P( A  B)  P ( A)  P ( B);

Si no son mutuamente excluyentes:

P( AóB)  P( A)  P( B)  p ( AyB )  P( A  B )  P( A)  P ( B)  P( A  B )
 9
Probabilidad Condicional
 La probabilidad de un evento se calcula con base en la
información disponible. Sin embargo, después puede contarse
con nueva información que nos haga revisar nuestra estimación
de la probabilidad.
 Para dos eventos A y B con P(B) > 0, la probabilidad condicional
de A dado B está definida como:
 

De las personas que compran una cámara digital, el 60% compra tarjeta de memoria, 40% compra una batería extra y el 30% compran ambos 
aditamentos.  
Si se elige a un comprador al azar, …
1. y se observa que compró una batería extra, ¿cuál es la probabilidad de que haya comprado tarjeta de memoria?
2. y se observa que compró una tarjeta de memoria, ¿cuál es la probabilidad de que haya comprado batería extra?
 10

Eventos Independientes
 Se dice que un evento B es
independiente de un evento A si la
probabilidad de que B suceda, no
está influenciada porque A haya o no
sucedido

En una encuesta realizada en el año 2012, se sugería

 Dos eventos son independientes sí:
P(A | B) = P(A)
P(B | A) = P(B)
P(A  B) = P(A) * P(B)
que West Virginia en Estados Unidos contenía un
índice de obesidad de 33.55%. Asumiendo que la
obesidad se ha mantenido constante, ¿Cuál es la
probabilidad de que dos personas seleccionadas
aleatoriamente sean obesas? ¿Qúe tipo de eventos
son?
P(obesa) = 0.335
P(ambas obesas) = 0.335 * 0.335 = 0.11
 11
Regla de la multiplicación

 Cuando los sucesos son dependientes:

(Sin Sustitución)

Cuando los sucesos son independientes:

P( A / B )  P( A)

p( AyB )  P( A  B)  p ( A)  p ( B)
Una caja contiene 10 bolas, 3 son rojas. Escogemos dos bolas al azar. Encuentre la  12
probabilidad de que ninguna de ellas sea roja: (a) con reemplazo y (b) sin reemplazo.

Consideremos los sucesos:

A: Primera bola no-roja

B: Segunda bola no-roja
P(A) = 7/10

Si el muestreo es con reemplazo, la situación para la segunda elección es idéntica que

para la primera, y P(B) = 7/10. 
Los sucesos son independientes y la respuesta es:
P(A  B) = P(A)  P(B) = 0.7  0.7 = 0.49

Si es sin reemplazo, hemos de tener en cuenta que una vez extraída la primera bola,
quedan solo 9 y 3 deben ser rojas.

Así: P(B|A) = 6/9 = 2/3. En este caso la respuesta es: 
P(A  B) = P(A)  P(B|A) = (7/10)  (2/3)  0.47
Sistema exhaustivo y excluyente de
sucesos 13

Se trata de una colección de 
A1 A2
sucesos A1, A2, A3, A4…
tales que la unión de todos 
ellos forman el espacio 
muestral, y sus intersecciones 
son disjuntas.
A3 A4

Todo suceso B, puede ser descompuesto en 
componentes de dicho sistema. 

B = (B  A1) U (B  A2 ) U ( B  A3 ) U ( B  A4 )
 14
Teorema de la probabilidad total
Si  conocemos  la  probabilidad  de  B  en  cada  uno  de  los 
A1 A2 componentes  de  un  sistema  exhaustivo  y  excluyente  de 
sucesos,  entonces  podemos  calcular  la  probabilidad  de  B 
como la suma:
n
P( B)   P( B  Ai )
i 1
B
Por la fórmula de probabilidad condicional obtenemos:
n

A3 A4 P ( B )   P( B | Ai ) P ( Ai )
i 1

P(B) = P(B  A1) + P(B  A2) + P( B  A3) + P( B  A4)

P(B) = P(B|A1)P(A1) + P(B|A2)P(A2) + P(B|A3)P(A3) + P(B|A4)P(A4)
 15
Teorema de Bayes

Las probabilidades p(A) se denominan probabilidades a priori. 
Las  probabilidades  p(B/A)  se  denominan  probabilidades a
posteriori.

Probabilidades Nueva  Aplicación del

A priori Información Teorema de 
Bayes

Probabilidades
Posteriores

TIP:  Utilizar  solamente  el  teorema  de  Bayes  cuando  son 

muchos  escenarios  que  dibujar  en  un  diagrama  de  árbol  sea 
complicado
Ejemplo: En este aula el 70% de los alumnos son hombres. De ellos el 10% son fumadores. El 20% de las 16
mujeres son fumadoras.
Qué porcentaje de fumadores hay en total?

Podemos aplicar la ley 0.1 Fuma

de la probabilidad total:

Hombres y mujeres forman Hombre
0.7
un sistema exhaustivo y  No fuma
excluyente de sucesos. 0,9
Estudiante

0.2
0.3 Fuma
Mujer
Hombres Mujeres
0,8
No fuma

Fumadores P(F) = P(F∩H) + P(F∩M) = P(F|H) P(H) + P(F|M) P(M)

= 0,1 · 0,7 + 0,2 · 0,3 = 0,13 
 17

Fuma
0.1 En el problema anterior: Se elige a un
individuo al azar y resulta fumador.
Hombre
0.7 ¿Cuál es la probabilidad de que sea una
No fuma
0.9 mujer?
Estudiante

0.2
0.3 Fuma
Mujer

0.8
No fuma

P(M) = 0,3, P(F) = 0.13 (del ejercicio anterior), y por Bayes obtenemos:

P(M|F) = P(F ∩ M) / P(F) = P(F|M) * P(M) / P(F) =

0.2 * 0.3 / 0.13 = 0.46
 18

Gracias!

Preguntas…